基于PreScan的侧后方车辆识别与跟踪算法的研究.pdf

《基于PreScan的侧后方车辆识别与跟踪算法的研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、汽车技术·AutomobileTechnology基于PreScan的侧后方车辆识别与跟踪算法的研究112葛如海张雪峰张美娟（1.江苏大学，镇江212013；2.无锡职业技术学院，无锡214121）【摘要】为降低车辆换道时碰撞事故发生的概率，分析和研究了侧后方车辆识别和跟踪算法。首先利用积分图的方法加速Haar-like特征计算，结合级联分类器实现后方车辆的检测。基于MeanShift理论，提出纹理特征和传统颜色特征相结合的方式进行车辆跟踪。利用智能交通仿真软件PreScan构建仿真模型，验证算法

2、的有效性。结果表明，该算法具有较高的识别率，能达到实时性的要求，并且跟踪效果良好。主题词：车辆识别与跟踪积分图仿真分析中图分类号：U461.91；TP391文献标识码：A文章编号：1000-3703（2017）08-0032-06ResearchonAlgorithmsofIdentifyingandTrackingRearSideVehicleBasedonPreScanGeRuhai1,ZhangXuefeng1,ZhangMeijuan2（1.JiangsuUniversity,Zhenji

3、ang212013;2.WuxiInstituteofTechnology,Wuxi214121）【Abstract】Inordertoreducetheprobabilityofcollisionwhenchanginglanes,theidentificationandtrackingalgorithmsoftherearsidevehiclewereanalyzedandstudied.Firstly,Haar-likefeaturecalculationwasacceleratedbyth

4、emethodofintegralimagetodetecttherearsidevehiclecombinedwithcascadeclassifier.BasedonMeanShifttheory,vehicletrackingwasachievedwiththecombinationoftexturefeaturesandtraditionalcolorcharacteristics.TheintelligenttrafficsimulationsoftwarePreScanwasappli

5、edtobuildsimulationmodels,andverifythevalidityofthealgorithm.Theresultsshowthat,thealgorithmhashigherrecognitionrate,canachievereal-timerequirementsandhasgoodtrackingeffect.Keywords:Vehicleidentificationandtracking,Integralimage,Simulationanalysis1前言2

6、侧后方车辆识别据不完全统计，2012~2015年间，我国发生了80余车辆识别流程如图1所示，它包括：样本训练模块，万起汽车交通事故，变换车道引发的事故占7%，其中即提取正、负样本的特征，离线训练出车辆识别的分类[1]75%是驾驶员的主观因素造成的。GB15084—2013器；多尺度识别模块，利用分类器对待识别图像进行处《机动车辆间接视野装置性能和安装要求》规定，间接理，得到识别结果并标记。视野装置（如摄像机）应作为换道时减少视觉盲区的重正样本负样本待检测图像[2]要装置。国内外学者进行了相关研究：

7、Leanne等提出[3]计算积分图计算积分图使用全景式视觉传感器监测后方车辆；Michael等使用[4]激光传感器探测车辆尾部盲区；李军等利用基于超声Haar-like特征提取多尺度扫描获得子窗口[5]波传感器的“蝇眼”网络实现测距；李守晓等采用毫米单个弱分类器训练Haar-like特征提取波雷达计算出换道时目标车辆信息。目前，相关研究需要大量的实车试验，这大大增加利用Adaboost算法选择最利用分类器进行识别优弱分类器组成强分类器了辅助驾驶系统的开发周期和研究成本。因此，本文在强分类器联成级联

8、分类器显示识别结果PreScan仿真平台上开发和验证了侧后方车辆识别和跟踪算法。图1识别流程-32-汽车技术葛如海，等：基于PreScan的侧后方车辆识别与跟踪算法的研究2.1正、负样本2.4.1弱分类器正样本集应为包含侧后方车辆的图像，共1000张，每个弱分类器对应一个Haar-like特征，以一个合图片经过预处理，示例如图2所示。负样本集为不包含理的特征值为阈值，能降低弱分类器在对样本进行分类正样本中的图像，共3300张，示例如图3所示。时的错误率。2.4.2强分类器利用Ada