多視角及遮擋環(huán)境下車輛檢測方法研究.pdf

1、汽車工業(yè)的不斷發(fā)展，使得汽車成為人們生活的必不可少的一部分。由此催生出的車輛檢測技術更是開始影響到人們生活的方方面面。車輛檢測技術應用的范圍包括了智能交通系統(tǒng)、智能車輛檢索系統(tǒng)和智能車輛輔助等領域。不過車輛檢測技術存在著很多需要亟需解決的問題，其中視角變換和遮擋作為車輛檢測面臨的兩大難題，是本文研究的重點。
　　 在多視環(huán)境下，不同視角下的車輛成像外觀有著很大差異，當把不同視角的車輛歸為一個大類時，類內(nèi)距離很大，傳統(tǒng)的分類器模型

2、如SVM、Adaboost、神經(jīng)網(wǎng)絡、樸素貝葉斯都不適應，因此研究多視環(huán)境下的車輛檢測技術有著迫切的必要。另一方面，遮擋一直是目標檢測領域難以解決的問題。當今存在的分類器往往是采取整體累加得分的機制，在遮擋發(fā)生時，遮擋部分的得分往往比較低，從而造成整體得分低下，于是容易造成漏檢，因此性能比較魯棒的車輛檢測算法顯得十分必要。本文的主要貢獻體現(xiàn)在:
　　 1.本文提出了一個稱為分裂級聯(lián)模型的樹形分類器用于多視環(huán)境的車輛檢測任務。分裂

3、級聯(lián)模型不需要人工預先對不同視角的子類進行挑選，通過使用從粗到細的自動集合劃分策略學習得到。分裂級聯(lián)模型的每個節(jié)點都是一個具有拒絕功能的級聯(lián)節(jié)點，使得分裂級聯(lián)模型對占據(jù)絕大比重的負樣本能做出快速判斷。在多視車輛數(shù)據(jù)庫上，分裂級聯(lián)模型展現(xiàn)出了比支持向量機SVM和具有多視分類能力的分類器CBT更好的性能。
　　 2.針對遮擋環(huán)境下的車輛檢測，提出了基于多特征融合的車輛檢測方案。一種改進的描述子稱為VHOG描述子被提出，它是在傳統(tǒng)的H