论文部分内容阅读
智能车辆视觉鲁棒检测与识别方法的研究对于降低日益增长的交通事故发生率,提高现有道路交通安全和运输效率,缓解驾驶员疲劳程度等问题具有重要意义,得到国内外学者们的广泛关注,本文针对智能车辆的环境感知关键技术,对基于机器视觉的目标鲁棒检测与识别问题进行深入研究,具体研究内容和创新点归纳如下:(1)提出一种帧间等角度圆周运动约束下的相机分层自标定方法。利用帧间等角度圆周运动约束推导了关于三视图之间无穷远平面坐标的约束条件,相比模约束条件,能有效减少可能解的数量。此外,针对序列图像,提出分层迭代粒子群算法(SIPSO)对无穷远平面坐标进行优化求解。相比传统方法在度量重构时利用序列图像信息提高解的精确度,本文方法在仿射重构这一步就能充分挖掘序列图像信息。实验证明,算法对噪声干扰具有一定的鲁棒性。(2)提出一种利用城市交通场景中直线进行相机在线标定的方法。算法通过检测三维场景中的曼哈顿直线,并估计曼哈顿方向的消影点,进而估计相机内参数。此外,针对准曼哈顿场景,提出相应的直线拟合方法以提高消影点估计的准确性。分别设计了单帧和多帧图像测试方案,实验证明,虽然单帧图像能够满足相机内参数估计的要求,但利用连续多帧图像对相机内参数进行最小二乘估计能提高参数估计的准确性和稳定性。(3)提出一种基于局部能量聚类分割和感兴趣区域语义验证的交通标志检测方法。提出利用多重差分高斯滤波器代替Gabor滤波器提取图像的局部能量实现感兴趣区域的快速分割。为进一步验证感兴趣区域,提出一种多核嵌入的测度学习方法,通过融合感兴趣区域的颜色、形状及几何特征实现感兴趣区域的语义分类。实验证明,利用该算法能有效地排除假性感兴趣区域,并且,算法对复杂背景、光照变化、视角变化等情况具有一定的鲁棒性。(4)提出一种多模态多任务学习的交通标志识别方法。在最小二乘回归模型中引入两种不同的结构化稀疏范数,其中树结构引导的稀疏范数用于对交通标志多类别之间的相似性建模,利用树结构嵌入的多任务学习选择相似类之间的共享特征,提高分类模型的泛化能力;另一结构化稀疏范数用于同时实现模态内部和模态间特征选择。此外,提出采用交替方向乘子法对模型迭代求解,并分析了解的收敛性。实验证明,算法得到的分类模型具有较强的可释性,且算法对光照、视角变化、遮挡等情况具有较强的鲁棒性。(5)提出一种融合高、低分辨率特征的鲁棒行人检测方法。算法利用线性变换矩阵分别将高、低分辨率样本特征融合映射至同一特征空间,并在该空间内学习最优检测分类器,实现高分辨率和低分辨率样本特征融合以提高行人检测鲁棒性。在最优检测分类器优化学习过程中,同时考虑了最小化来自不同分辨率的样本的分布散度,同时最小化分类器的结构化风险函数,推导得到关于线性变换矩阵和分类器函数的凸优化模型,提出了相应的模型求解方法,并证明解的全局最优性。实验证明算法在近距离(高分辨率)和远距离(低分辨率)尺度目标检测上具有一定的鲁棒性。综上所述,本文研究了相机离线、在线自标定方法,以提高视觉检测和识别的鲁棒性能,此外,研究了交通标志鲁棒检测和识别方法,及行人鲁棒检测方法,其研究结果在相关领域中有较重要的理论意义和工程应用价值。