面向車輛駕駛輔助系統(tǒng)的視頻目標(biāo)檢測與跟蹤.pdf

1、車輛駕駛輔助系統(tǒng)的使用可以顯著改善行車安全，降低交通事故發(fā)生率。環(huán)境感知作為車輛駕駛輔助系統(tǒng)的關(guān)鍵技術(shù)，近年來得到了極大關(guān)注和快速發(fā)展。然而，駕駛環(huán)境中車道結(jié)構(gòu)復(fù)雜、車輛類型眾多、光照變化劇烈、背景干擾復(fù)雜，駕駛員操控水平及注意力集中程度千差萬別，對追求快速、準(zhǔn)確、全面等特性的車輛駕駛輔助系統(tǒng)的設(shè)計造成極大的挑戰(zhàn)。針對以上問題，本文將探討如何采用攝像頭來感知車道線、前向車輛以及駕駛員面部等信息，為車道偏離預(yù)警系統(tǒng)、前向碰撞預(yù)警系統(tǒng)以及駕

2、駛員面部疲勞監(jiān)測系統(tǒng)等車輛駕駛輔助系統(tǒng)的設(shè)計提供典型視頻目標(biāo)的檢測與跟蹤方法，并搭建了Windows和嵌入式Linux等多平臺下的功能驗證實驗平臺。本研究主要內(nèi)容包括：
　?、盘岢隽嘶诙喑叨绕ヅ錇V波的車道線恒虛警率檢測方法。從車道線檢測與跟蹤任務(wù)的生產(chǎn)者/消費者模型考慮，提出了匹配增強的必要性；根據(jù)車道線的不同寬度特征，提出了多尺度匹配濾波方法；根據(jù)改進(jìn)的恒虛警率檢測數(shù)學(xué)模型設(shè)定自適應(yīng)的車道線特征點提取閥值；采用隨機抽樣一致性方

3、法進(jìn)行車道線擬合，并根據(jù)車道線參數(shù)數(shù)據(jù)庫對其參數(shù)進(jìn)行跟蹤濾波。通過道路試驗對比分析，檢驗了該方法在多種光照和天氣條件下的適應(yīng)能力，驗證了其在光照陰影干擾強烈以及車道標(biāo)志線磨損嚴(yán)重等低對比度場景下不同寬度車道線識別的魯棒性。
　?、铺岢隽嘶谪惾~斯概率決策的車輛提升學(xué)習(xí)檢測方法(BayesBoost)，以及基于PCA/ICA的多局部特征壓縮感知的前方多車隔幀跟蹤方法。在前車檢測階段，基于較大規(guī)模的車尾圖像數(shù)據(jù)庫，采用貝葉斯概率決策方

4、法改善了級聯(lián)AdaBoost算法的分類檢測效率。在前車跟蹤階段，為提高跟蹤算法對遮擋、振動、尺度變化等的適應(yīng)性，僅在車輛尾部的四個局部區(qū)域提取較為完備的PCA/ICA特征，其中 PCA特征對應(yīng)尾部圖像的低頻特征，ICA特征對應(yīng)提取 PCA特征后殘差圖像的高頻特征。將PCA/ICA特征進(jìn)行壓縮感知，提高了特征的稀疏性且將特征高斯化，為后續(xù)采用貝葉斯后驗概率法則判斷子窗口圖像的類屬可能性奠定了基礎(chǔ)。定制了逐級精細(xì)化的快速搜索方法，使用單目標(biāo)

5、隔幀跟蹤方法，實現(xiàn)了前方的多車跟蹤。通過與同類多種跟蹤方法的對比分析，檢驗了該跟蹤方法在復(fù)雜真實道路場景中的前車檢測與跟蹤性能。
　?、遣捎没谏疃染矸e表達(dá)的駕駛員面部檢測方法，并研究了基于DCT感知哈希的面部跟蹤方法。由于駕駛員面部特征具有較大的個體差異，采用深度卷積網(wǎng)絡(luò)對駕駛員的面部特征進(jìn)行無監(jiān)督地學(xué)習(xí)表達(dá)，經(jīng)過大規(guī)模人臉圖像庫的深度訓(xùn)練，獲得了性能較為優(yōu)良的駕駛員面部檢測器。在面部跟蹤階段，采用基于離散余弦變換(DCT)的方

6、法提取面部區(qū)域的主要低頻信息，并借鑒圖像相似性檢索中的感知哈希方法對DCT低頻信息進(jìn)行哈希指紋編碼，形成了可以適應(yīng)多種光照下的駕駛員面部跟蹤方法。通過典型人臉測試視頻以及行車視頻的驗證證明，該方法可以對劇烈光照和位置變化下的人臉進(jìn)行穩(wěn)定檢測與跟蹤，跟蹤速率與視頻幀速率一致。
　?、仍O(shè)計了基于Windows和嵌入式Linux等多操作系統(tǒng)的驗證開發(fā)實驗平臺。通過采用寬動態(tài)范圍的攝像頭采集顯示屏上的真實道路錄像，搭建了基于ARM體系架構(gòu)