基于多傳感器的地面目標識別技術(shù)研究.pdf

1、21世紀，人工智能快速發(fā)展，社會對汽車輔助駕駛和智能交通監(jiān)控的需求日益增加，而地面目標識別是汽車輔助駕駛、交通智能監(jiān)控等領(lǐng)域的關(guān)鍵技術(shù)。傳統(tǒng)的地面目標識別系統(tǒng)都是基于可見光傳感器設(shè)備的，這些設(shè)備在光照、天氣良好的條件下可以采集到清晰的畫面，但是在夜晚、雨雪天氣和濃煙濃霧遮擋的情況下，它們就很難獲取有效的目標信息了。而往往在這些極端條件下的應用才是需要關(guān)注的重點，因此，只使用單一的可見光傳感器已經(jīng)不能滿足需求。針對這一問題，本文綜合運用可

2、見光和紅外傳感器，以待識別的車輛為研究對象，開發(fā)了基于多傳感器信息融合的地面目標識別系統(tǒng)，從而打破了夜晚、煙霧遮擋等條件的限制，實現(xiàn)全天候工作。
　　首先，為了能夠準確的提取車輛目標的特征，對可見光圖像和紅外圖像平滑濾波算法進行研究，確定對可見光圖像進行高斯模板均值濾波，對紅外圖像進行中值濾波；其次，為了提升對運動目標的識別效率，研究了運動目標檢測算法，對傳統(tǒng)的運動目標檢測算法做出改進，將幀間差分法和背景差分法結(jié)合，實現(xiàn)了對運動車

3、輛的檢測；檢測到車輛目標后需要對目標區(qū)域在圖像中的位置進行定位，采用了一種基于連通域重心坐標標記的算法，并成功定位了目標區(qū)域；然后使用Haar-like矩形特征來表達車輛，對原有特征庫進行擴展，添加旋轉(zhuǎn)單一矩形特征來描述車底陰影區(qū)域；最后針對采用傳統(tǒng)AdaBoost算法訓練強分類器過程中出現(xiàn)的權(quán)重扭曲導致訓練異常中斷問題，對算法提出了改進，在每一輪的迭代訓練中增加了樣本過濾機制，提升了算法的性能，成功訓練出可見光和紅外車輛分類器，實現(xiàn)了