基于视觉导航的智能车辆在城区复杂场景中的目标检测技术研究

论文摘要

智能车辆作为智能交通系统的关键技术和重要组成部分,被认为是解决各种交通问题的一个有效途径。智能车辆的研究涉及图像处理、模式识别、人工智能、自动控制、传感器技术等多个学科的理论与技术,集成了信息科学与人工智能技术的最新成果,具有重要的实用价值和学术理论价值。智能车辆是一个集环境感知、规划决策、操作控制等功能于一体的智能体。在智能车辆诸多研究任务中,对环境信息的感知是所有工作的基础和核心,基于视觉的信息感知是车辆理解外部环境的核心技术,其成功与否直接决定未来智能车辆的生存空间。其中,对于障碍物目标的检测和跟踪又是最为重要和不可或缺的功能,是预防危险和安全行驶的前提条件。目前,高速公路等结构化道路环境中的目标检测技术已基本成熟,但复杂的城市交通环境下的目标检测技术尚不能满足实用化要求,成为智能车辆目标检测领域亟待解决的热点和难点问题。本论文围绕基于视觉导航的智能车辆在城区复杂交通环境中的目标检测、识别和跟踪技术进行了深入研究和探讨。主要研究内容概括如下:（1）论文回顾了智能车辆的研究进展,介绍了当前国内外典型智能车辆系统概况,对智能车辆领域的主要研究内容和关键技术进行了探讨。在对各种信息感知手段进行综合比较的基础上,介绍了智能车辆目标检测技术的主要流派及其研究进展,并提出了当前目标检测技术的不足和本文研究方向。（2）论文对机器视觉理论做了综述性介绍,分析了三种具有代表性的视觉理论框架模型,建立了一种针对具体应用改进的计算视觉模型,为算法设计提供指导。从候选目标检测、目标确认识别、目标跟踪定位这三个方面,重点分析了基于视觉的智能车辆目标检测技术的研究进展,提出了本文基于单目视觉的目标检测算法模型,不仅分析了单目视觉方法的可行性,而且阐明了本文算法的总体架构。（3）论文详细论述了基于单目视觉的候选目标检测方法。对智能车辆候选目标检测中的常用视觉特征进行了分析,介绍了小波变换模极大值对奇异信号探测的理论原理。在此基础上,提出了一种基于小波模极大值和多特征融合的候选目标检测方法。实验表明,该算法能在无道路约束条件下直接从整个像平面中提取候选障碍物目标,有效克服复杂场景中目标特征易被背景或其它目标“淹没”的难题,满足城区环境下智能车辆目标检测的鲁棒性要求。（4）论文详细论述了基于单目视觉的目标确认识别方法。对机器学习中的统计学习理论和支持向量机原理进行了介绍,对目前支持向量机的多类分类方法进行了归纳和分析,并介绍了集成学习的理论原理。在此基础上,提出了一种基于混合核函数和集成学习改进的二叉树支持向量机多类分类方法。该方法根据目标在场景中的出现概率和类间差异设计二叉树树型结构,采用混合核函数设计分类器分类函数,并采用AdaBoost与SVM相结合的方法对分类器参数进行自适应选取,有效提高了分类器的分类精度和泛化能力。实验表明,该方法可有效解决小样本条件下,城区场景中所需考虑的“车辆-行人-非机动车辆-背景”等多类分类问题。（5）论文详细论述了基于视觉的目标跟踪定位方法。对Mean Shift算法的理论基础——基于核函数的无参数密度估计及其一般过程进行了介绍,并对算法收敛性条件做了简要分析。在此基础上,提出了一种基于Mean Shift的智能车辆目标跟踪算法。该方法以目标颜色空间为特征空间,采用颜色特征的统计直方图对目标模型进行描述,利用Bhattacharyya系数定义目标模型在相邻帧间的相似性度量,并基于Mean Shift迭代实现被跟踪目标的准确定位。该方法着力改进并解决了经典Mean Shift算法中的以下关键问题:基于Kalman滤波器改进机动目标跟踪初始点选取问题;提出一种分块匹配策略改进目标遮挡情况下的处理问题;提出一种基于匹配贡献度的选择性子模型更新机制,克服了实际跟踪过程中的模型偏移问题,保证算法在实际应用中对目标的长时间稳定跟踪。最后,对全文的研究工作进行总结,并指出今后工作中进一步研究的方向。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 引言
• 1.2 智能车辆技术概述
• 1.2.1 智能车辆研究目的和意义
• 1.2.2 智能车辆研究进展
• 1.2.3 智能车辆研究内容
• 1.2.4 智能车辆研究关键技术
• 1.3 智能车辆中的目标检测技术概述
• 1.3.1 行车信息感知方式
• 1.3.2 智能车辆中目标检测研究进展
• 1.3.3 当前不足及改进思考
• 1.4 课题提出
• 1.5 本文研究内容及主要创新点
• 1.5.1 本文研究内容
• 1.5.2 主要创新点
• 2 基于机器视觉的目标检测技术模型
• 2.1 引言
• 2.2 机器视觉理论模型
• 2.2.1 计算视觉理论模型
• 2.2.2 主动视觉理论模型
• 2.2.3 基于知识的视觉理论模型
• 2.2.4 一种改进的计算视觉理论模型
• 2.3 基于视觉的目标检测技术分析
• 2.3.1 基于视觉的候选目标检测技术
• 2.3.2 基于视觉的目标确认识别技术
• 2.3.3 基于视觉的目标跟踪技术
• 2.4 基于单目视觉的目标检测算法模型
• 2.5 本章小结
• 3 基于小波模极大值的候选目标检测
• 3.1 引言
• 3.2 目标视觉特征分析
• 3.2.1 水平/垂直边缘特征
• 3.2.2 对称性特征
• 3.2.3 底部阴影特征
• 3.2.4 颜色特征
• 3.2.5 外形特征
• 3.2.6 纹理特征
• 3.2.7 运动特征
• 3.3 小波变换及奇异信号检测理论基础
• 3.3.1 小波变换的基本概念
• 3.3.2 小波变换多分辨率分析
• 3.3.3 小波模极大值奇异信号检测理论
• 3.4 基于小波模极大值的候选目标检测
• 3.4.1 基于投票机制的特征映射
• 3.4.2 基于小波模极大值的对称轴检测
• 3.4.3 基于多特征组合的外接矩形框定
• 3.4.4 候选目标滤波
• 3.5 实验及结果分析
• 3.5.1 典型交通环境下的候选目标检测
• 3.5.2 算法统计结果分析
• 3.6 本章小结
• 4 基于支持向量机的目标分类识别
• 4.1 引言
• 4.2 统计学习理论与支持向量机
• 4.2.1 机器学习的基本问题
• 4.2.2 统计学习理论
• 4.2.3 支持向量机
• 4.2.4 多分类支持向量机
• 4.3 集成学习
• 4.3.1 个体生成方法分析
• 4.3.2 结论生成方法分析
• 4.4 基于二叉树支持向量机的多类目标识别
• 4.4.1 本文多类分类策略
• 4.4.2 基于混合核函数的改进
• 4.4.3 基于集成学习的改进
• 4.4.4 多类分类器设计及实现
• 4.5 实验及结果分析
• 4.5.1 仿真实验
• 4.5.2 应用实例
• 4.6 本章小结
• 5 基于均值漂移算法的目标跟踪
• 5.1 引言
• 5.2 均值漂移算法理论
• 5.2.1 无参数密度估计
• 5.2.2 核密度梯度估计过程
• 5.2.3 算法收敛性分析
• 5.3 基于 Mean Shift 的智能车辆目标跟踪算法
• 5.3.1 前方障碍物目标描述
• 5.3.2 基于Bhattacharyya 系数的相似性度量
• 5.3.3 前方障碍物目标定位
• 5.3.4 跟踪起始点的运动估计
• 5.3.5 目标遮挡情况的处理
• 5.3.6 目标模型更新机制
• 5.3.7 完整的目标跟踪算法流程
• 5.4 实验及结果分析
• 5.4.1 简单交通场景中的目标跟踪
• 5.4.2 复杂交通场景中的目标跟踪
• 5.5 本章小结
• 6 总结与展望
• 6.1 总结
• 6.2 后续工作展望
• 致谢
• 参考文献
• 附录