摘 要

在当代社会，车辆检测跟踪系统在交通安全中占据十分重要的地位。有研究表明，如果在事故发生前给予驾驶员0.5s的额外警告时间,那么能够避免大约60%的追尾事故。基于此，本文首先介绍了目前较为成熟地基于类haar特征的adaboost车辆检测算法。在该算法中，首先利用类haar特征提取出样本训练集的积分图，然后训练通过adaboost算法得到的有效的类haar特征，从而得到一个能够识别车辆特征的级联强分类器，最后在实际的车辆检测系统中应用训练得到的强分类器。

为了提高车辆检测的计算速度以满足实时性的要求，在上述算法的基础上我们提出了一种基于多分辨率的车辆检测算法。该算法根据传感器与目标车辆之间的距离划分为近，中，远三层，并利用图像金字塔结构将样本图像通过下采样形成不同分辨率的图像，近距离对应最低分辨率，远距离对应最高分辨率。随后我们利用跟踪算法来快速地完成车辆检测过程，从而进一步地提高算法的实时性。

关键词：车辆检测跟踪；类haar特征；adaboost算法；积分图；多分辨率

Abstract

In contemporary society, vehicle detection and tracking system is a very important part of traffic safety.The research has shown that,about 60% of the back-end collision accident can be avoided if the driver has an additional 0.5s warning time before the accident.therefore,This article first introduces the adaboost vehicle detection algorithm based on haar-like feature.In this algorithm,The haar-like feature extracts the integral plot of the training set,then adaboost algorithm is used to select the effective haar-like feature,and then trained to get a cascade strong classifier to identify the vehicle,finally, the trained classifier is applied to the real vehicle vehicle detection system.

In order to improve the speed of vehicle detection and meet real-time requirements,on the basis of the above algorithm, we propose a multi-resolution vehicle detection algorithm based on multi-resolution.The algorithm according to the distance between the sensor and the target vehicle is divided into near, middle and far.And uses the image pyramid structure to make the sample image through the down-sampling to form a different resolution of the image,the closest resolution corresponds to the minimum resolution,the long distance image corresponds to the highest resolution.Then we use the tracking algorithm to quickly complete the vehicle detection process, so as to further improve the real-time algorithm.

Key words：Vehicle detection tracking；Haar-like feature；Adaboost algorithm；Integral graph；Multi-resolution

目 录

第1章 绪论 1

第2章基于类haar特征的adaboost算法车辆检测 3

2.1类haar特征 3

2.1.1 类haar特征概述 3

2.1.2 矩形特征的计算 5

2.2积分图 8

2.3 adaboost算法原理及流程 10

2.4级联强分类器 11

2.5检测方法 12

第3章基于多分辨率的车辆检测 13

3.1小波与小波变换 14

3.2图像金字塔算法 15

3.2.1 图像金字塔的概述 15

3.2.2 图像金字塔的建立 15

3.2.3 图像金字塔的种类 16

3.3特征点提取与跟踪 17

3.3.1 特征点提取 17

3.3.2 特征点跟踪 18

3.4算法的设计 18

3.5实验 19

第4章目标跟踪算法 20

4.1 卡尔曼滤波跟踪算法 20

4.1.1 算法步骤 20

4.1.2 算法原理 21

4.2 KCF跟踪算法 23

4.2.1 KCF算法简介 23

4.2.2 KCF算法原理 24

第5章 结果分析 28

5.1运行环境 28

5.2 计时函数 28

5.3 检测结果 29

5.4 跟踪结果 31

5.5 实验结果总结 33

第6章 总结 34

参考文献 35

致谢 37

第1章 绪论

现代交通工具的快速发展，虽然给人们带来了极大的便利，但是也使得交通事故成为我们不得不重视的严重问题。其中汽车追尾碰撞在所有的高速公路交通事故中占据了很高的比例。因此，出于交通安全的考虑，必须建立有效的汽车防撞预警系统。作为自动驾驶系统的重要组成部分之一，车辆检测系统是车辆之间防撞预警的前提。在车辆的自动驾驶系统中，由车辆检测系统检测当前道路与周围车辆的信息，然后把这些信息实时地传递给驾驶员。此系统能够使得车辆在行进时安全地进行变换车道等操作，进而避免发生交通事故，使交通运输更加地安全^[1]。

现今的车辆检测技术主要分为两类：传感器技术（雷达、感应线圈、超声波、激光等）和视频技术。尽管传感器技术被大力发展，但不可否认的是该技术存在不足之处：(1)设备的安装和维修比较麻烦。例如感应线圈通常被安装在地面之下，一旦出现损坏，就需要挖开路面对其进行维修，严重影响到路面交通。(2)不能全面地采集信息。多数传感器仅可以检测单个的车辆信息，如超速与否等，无法全面地展示车辆信息。(3)采集的信息不够直观，传感器得到数据后想要进行分析的话需要经过复杂的数据处理，这种情况无法满足交通路况的实时性要求。与传感器技术相比，视频技术有明显的优势：(1)安装调试方便；(2)检测范围大；(3)可同时提供了多重功能等^[2]。基于视觉系统的车辆检测方法可以分为4种：基于特征、基于模型、基于光流场和基于机器学习。基于特征的车辆检测方法主要根据车辆的边缘、阴影、对称性等特征对车辆进行检测，通常将边缘、阴影和对称性特征结合起来使用以得到确切的结果^[3]。基于模型的车辆检测方法需要先建立已知车辆精准的二维或三维模型，然后去匹配待检测图像进而得出检测结果。由此可以看出该方法过分依赖于车辆模型^[4]。基于光流法的车辆检测方法主要是通过前方障碍物、摄像机的运动或者二者相对运动的瞬时速度来实现的。不过该方法对噪声和光线变化比较敏感而且计算量比较大^[5]。基于机器学习的车辆检测方法首先需要从数据里提取出规则或模式，然后将数据转化为信息，再对数据进行分类识别。该算法的不足之处在于运算量大、耗时长，识别性能需要提高^[6]。

本文的第一部分介绍了基于类haar特征的adaboost车辆检测算法。在该部分中，详细介绍了类haar特征的概念、分类、应用，同时引出了一种快速的图像计算方法——积分图。随后介绍了adaboost算法的核心思想和算法流程，为了降低训练出的强分类器的误识率，我们根据决策树模型原理引出了级联强分类器。最后，我们介绍了在该算法中使用的检测方法，即输入图像大小不变，逐层等比扩大搜索窗口，再用各层窗口遍历输入图像^[7]。