尾灯特征的ADAS系统前方车辆识别

为可靠识别汽车安全辅助驾驶系统(ADAS)前方车辆目标,提出了基于车辆尾灯特征提取的径向基神经网络车辆识别方法。构建了车辆尾灯对宽度限制、高度约束及左右尾灯面积比等约束条件,提取了车辆的尾灯信息并获取尾灯的质心位置,经过形态学运算后确定了尾灯的标记区域,再结合车辆图像与实际尺寸比例得到车辆可能存在的感兴趣标记区域。针对感兴趣标记区域进行了车辆存在性的进一步确认,提取了感兴趣区域的边缘特征与区域特征共计19个特征参数(6个独立不变矩、8个余弦变换描述子和5个区域特征参数),构建了由19维输入神经元和2个输出量组成的三层径向基神经网络车辆识别器。利用采集的车辆样本图像,分别验证了正常天气与雨天、雪天及夜间行车环境下基于尾灯特征获取车辆区域检测方法的可行性。对采集的1700张车辆正、负样本,完成了径向基神经网络的训练,通过训练误差性能曲线得知本文设计的网络达到了训练精度要求。随机选取了60%的样本,完成了径向基神经网络车辆识别器的测试,实现了检测区域内车辆的进一步确认,也针对停车场及并行车辆等情形进行了确认测试,其正确率达到94%,有效弥补单一尾灯特征实施车辆检测的漏检或误检现象,大大提高了车辆检测的可靠性。

基于多特征融合的汽车先进辅助驾驶系统前方车辆检测方法

为提高先进驾驶辅助系统前方目标车辆检测的准确性,克服单一特征提取存在的漏检或检测结果不可靠缺点,提出了一种基于视觉的多特征融合的车辆检测方法。首先,建立了车辆尾灯对特征的约束条件并提取了图像中前方车辆的尾灯;接着,通过尾灯对质心距离确定了图像中车辆的宽度,从而获得了前方车辆标记区域;然后,根据提取的图像中路面像素灰度均值与标准差,确定车辆底阴影区域灰度值,实现了车底阴影区与路面背景灰度阈值的区分,进而确定了车底阴影区域,并结合车辆结构比例关系得到了目标车标记区;最后,针对阴影特征和尾灯对特征分别确定的标记区域进行整合处理,确定唯一的目标检测区域。针对提出的多特征融合的车辆检测方法,结合日间、夜间及阴雪等天气条件的大量图像,验证了方法的有效性。实验结果表明,所提出的基于多特征融合的汽车先进辅助驾驶系统前方车辆检测方法较单一特征检测法具有更广泛的适应性及更高的目标检测的可靠性。