發(fā)布時(shí)間：2020-11-20 03:30

　　 我國(guó)經(jīng)濟(jì)保持穩(wěn)定增長(zhǎng),汽車數(shù)量持續(xù)增加,同時(shí)由于汽車引發(fā)的各類交通事故也呈增長(zhǎng)趨勢(shì)。為了提高道路交通安全性,減少交通事故,高級(jí)駕駛輔助系統(tǒng)(ADAS)應(yīng)運(yùn)而生。ADAS系統(tǒng)在汽車行駛過(guò)程中進(jìn)行前方車輛的檢測(cè)及跟蹤,為駕駛員提供額外的行車環(huán)境輔助信息。對(duì)高級(jí)駕駛輔助系統(tǒng)而言,前車檢測(cè)和防撞預(yù)警是兩個(gè)非常重要的組成部分。本文以自動(dòng)前車檢測(cè)和防撞預(yù)警為目標(biāo),在分析和比較國(guó)內(nèi)外各種算法的基礎(chǔ)上,研究了基于計(jì)算機(jī)視覺(jué)的車輛檢測(cè)技術(shù)和前車測(cè)距估計(jì)方法。在檢測(cè)方面,本文提出一種基于類Haar特征和AdaBoost算法并結(jié)合高斯混合模型(GMM)的前車檢測(cè)方法。該方法利用GMM算法對(duì)背景建模,過(guò)濾掉部分背景區(qū)域,避免對(duì)整個(gè)圖像進(jìn)行窮舉掃描,消除復(fù)雜背景中干擾物對(duì)檢測(cè)目標(biāo)影響,可以減少掃描窗口的數(shù)量,從而達(dá)到節(jié)省掃描時(shí)間,提高檢測(cè)效率的目的。利用AdaBoost算法選取類Haar特征生成用于前車檢測(cè)的級(jí)聯(lián)分類器,對(duì)檢測(cè)到的目標(biāo)進(jìn)行驗(yàn)證,最終得到準(zhǔn)確的車輛信息。測(cè)距方面,通過(guò)對(duì)攝像頭內(nèi)、外參數(shù)標(biāo)定,利用視覺(jué)投影模型原理和幾何測(cè)距的方法對(duì)前車的距離進(jìn)行估計(jì),從而預(yù)警可能的碰撞事件。ADAS作為主動(dòng)安全技術(shù)的重要環(huán)節(jié),能夠有效提升駕駛安全性,提高道路安全,減少交通事故帶來(lái)的損失,并為未來(lái)汽車工業(yè)的自動(dòng)駕駛構(gòu)建基礎(chǔ)。作為該系統(tǒng)主要功能之一,自動(dòng)前車檢測(cè)和防撞預(yù)警的研究顯得尤為重要。
【學(xué)位單位】：浙江工商大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：U463.6;TP391.41
【部分圖文】：

部交管局的最新統(tǒng)計(jì)資料顯示，截至２０１７年６月底，全國(guó)機(jī)動(dòng)車保有量達(dá)到??３．０４億輛，其中包括汽車２．０５億輛；機(jī)動(dòng)車駕駛?cè)诉_(dá)３．７１億人，其中汽車駕駛??人３．２８億人。相關(guān)數(shù)據(jù)資料如圖１－１所示。??２０１２年以來(lái)機(jī)動(dòng)車新注冊(cè)登記量半年變化情況??１８００?單位：萬(wàn)輛??１６００?，／?、??１５００?／??１４００??１３００?翁？＾、??１２００??１１００??１０００??，??＾?＾?＾?＾?＾?＾?０＾??＾?＾?＾?＾?＾?＾?＾?＾?＾?＾??圖１－１機(jī)動(dòng)車注冊(cè)登記量??任何事情都具有雙面性，汽車在給我們帶來(lái)便利的同時(shí)，也帶來(lái)了一些新的??問(wèn)題，例如交通擁堵、車輛事故以及霧霾加重等。怎樣減少交通堵塞和事故，增??加車輛行駛的安全性和運(yùn)輸效率，并高效利用資源。這些人們普遍關(guān)注的社會(huì)問(wèn)??題，已經(jīng)變成了各個(gè)國(guó)家政府、研究機(jī)構(gòu)以及汽車制造商們共同面對(duì)的問(wèn)題，由??此推出了智能交通系統(tǒng)（Ｉｎｔｅｌｌｉｇｅｎｔ?Ｔｒａｎｓｐｏｒｔａｔｉｏｎ?Ｓｙｓｔｅｍ，簡(jiǎn)稱ＩＴＳ）。經(jīng)過(guò)多年??的研究和發(fā)展

高斯混合建模是單一的高斯概率密度函數(shù)的延伸擴(kuò)展，對(duì)于一系列觀察數(shù)據(jù)??１＝丨尤，石，…，為丨，如果他們?cè)冢渚S空間的分布是一個(gè)橢圓形分布，則適合??使用單一的高斯密度函數(shù)；否則，如圖３－２?（ａ）所示，便不適合使用單一的高斯??密度函數(shù)進(jìn)行描述。此時(shí)我們采取其他的方案，如圖３－２?（ｂ）所示，我們假設(shè)每??個(gè)點(diǎn)（數(shù)據(jù)）均是由一個(gè)單高斯分布生成，而這一堆點(diǎn)是由尤個(gè)單高斯分布模型??生成，具體某個(gè)點(diǎn)對(duì)應(yīng)哪個(gè)模型匹配并不清楚，且每個(gè)單高斯模型在混合模型中??所占比例未知，將所有來(lái)自未知分布的數(shù)據(jù)點(diǎn)混合在一起，稱為高斯混合模型。??１?１??０．５?．?〇，．?■??０＾．?ｍ?＾??Ｖ?Ｖ??０?０??０?０．５?１?０?０．５?１??（ａ）?（ｂ）??圖３－２?（ａ）表示所有的樣本數(shù)據(jù)（ｂ）表示己經(jīng)明確樣本的分類??１５??

??圖３－?１高斯混合模型背景建模??３．?２．?２算法數(shù)學(xué)原理??高斯混合建模是單一的高斯概率密度函數(shù)的延伸擴(kuò)展，對(duì)于一系列觀察數(shù)據(jù)??１＝丨尤，石，…，為丨，如果他們?cè)冢渚S空間的分布是一個(gè)橢圓形分布，則適合??使用單一的高斯密度函數(shù)；否則，如圖３－２?（ａ）所示，便不適合使用單一的高斯??密度函數(shù)進(jìn)行描述。此時(shí)我們采取其他的方案，如圖３－２?（ｂ）所示，我們假設(shè)每??個(gè)點(diǎn)（數(shù)據(jù)）均是由一個(gè)單高斯分布生成，而這一堆點(diǎn)是由尤個(gè)單高斯分布模型??生成，具體某個(gè)點(diǎn)對(duì)應(yīng)哪個(gè)模型匹配并不清楚，且每個(gè)單高斯模型在混合模型中??所占比例未知，將所有來(lái)自未知分布的數(shù)據(jù)點(diǎn)混合在一起，稱為高斯混合模型。??１?１??０．５?．?〇
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙娜;袁家斌;徐晗;;智能交通系統(tǒng)綜述[J];計(jì)算機(jī)科學(xué);2014年11期

2 齊美彬;潘燕;張銀霞;;基于車底陰影的前方運(yùn)動(dòng)車輛檢測(cè)[J];電子測(cè)量與儀器學(xué)報(bào);2012年01期

3 王永忠;梁彥;潘泉;程詠梅;趙春暉;;基于自適應(yīng)混合高斯模型的時(shí)空背景建模[J];自動(dòng)化學(xué)報(bào);2009年04期

4 王牛;李祖樞;武德臣;于芳;;機(jī)器人單目視覺(jué)定位模型及其參數(shù)辨識(shí)[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年S1期

5 胡銦;楊靜宇;;基于單目視覺(jué)的路面車輛檢測(cè)及跟蹤方法綜述[J];公路交通科技;2007年12期

6 賈述評(píng);房筱莉;;日本智能交通系統(tǒng)的發(fā)展[J];吉林交通科技;2006年03期

7 王新余,張桂林;基于光流的運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測(cè)方法研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年01期

8 徐友春,李克強(qiáng),連小珉,趙玉凡;智能車輛機(jī)器視覺(jué)發(fā)展近況[J];汽車工程;2003年05期

9 張朋飛,何克忠,歐陽(yáng)正柱,張軍宇;多功能室外智能移動(dòng)機(jī)器人實(shí)驗(yàn)平臺(tái)—THMR-V[J];機(jī)器人;2002年02期

10 邱茂林,馬頌德,李毅;計(jì)算機(jī)視覺(jué)中攝像機(jī)定標(biāo)綜述[J];自動(dòng)化學(xué)報(bào);2000年01期

相關(guān)碩士學(xué)位論文 前1條

1 呂萬(wàn)修;車輛檢測(cè)跟蹤系統(tǒng)研究[D];哈爾濱工業(yè)大學(xué);2013年

本文編號(hào)：2890877