from: http://blog.csdn.net/viewcode/article/details/20358367

前方車輛檢測，這里指的是基于車輛自身對象，而不是公路交通部分的車輛檢測。

前方車輛檢測，可以用于防碰撞系統、進而用于自動巡航（ACC）等功能，應用場景廣泛，所以，此技術是一項比較基礎的技術。而先前的ACC，只是基于正前方車輛的檢測，對于側面的車輛或環境的跟蹤能力有限。但隨著各種傳感器和導航地圖的應用，ACC的能力也會大大增強。ACC只用于高速行駛狀態，但已有低速跟車系統的研究，某公司已計劃未來兩年內上市。

1. 傳感器

前方車輛檢測，常用的傳感器有高頻雷達（毫米波）、紅外激光雷達、攝像頭。

每種傳感器都有各自的優缺點：

雷達：自己可選用的波段有限，常用24G（厘米波）、79G波段。對雨霧天氣的適應能力好，探測距離大150米，但容易受電磁干擾影響。據傳，79G雷達技術對國內有限制的。而歐盟和我國的工信部是建議24G作為車載雷達波段。而美國是推薦79G波段作為車載雷達的使用波段。http://www.srrc.org.cn/NewsShow6038.aspx

紅外激光：抗干擾能力強，定向性。但對于雨霧天氣的穿透能力弱。且成本高。

攝像頭：基于視覺的探測。對距離的判斷較弱（單目視覺情況下），易受雨霧天氣的影響。

所以，想適應各種場景，廠商一般會采用多種傳感器收集信息。

這里重點總結下，基于單目視覺的車輛檢測技術。

從視覺上來講，車輛的形狀、顏色和大小雖然限定在一定范圍，但都是不固定的，而且，其外形會受到自身姿勢和外部環境，如光照或旁邊物體的影響。

2. 基于先驗知識的特征檢測

汽車有一些一些典型的特征， 如對稱性、顏色、陰影、幾何特征（如角點、邊緣）、紋理、車燈。

1）對稱性

汽車從前方和后方來看，無論是在區域面積還是邊緣特征上，具有很好的對稱性。

但是，對稱性特征易受噪聲的干擾，以及角度的影響。

2）顏色

顏色空間一般不直接使用在車輛上，而比較有效的手段是識別路面和車輛陰影。

3）陰影

車輛陰影是與車輛相關的一個重要的特征。因為車輛陰影一般比周圍區域都要暗。但具體的參數指標，還與光照，即天氣狀況有關。

一般做法是采用兩個閾值，一高、一低，低閾值用于確定陰影，而高閾值由陰影周圍環境來確定，如局部分割算法，均值+方差。

4）角點

先檢測出所有角點，然后再根據角點的空間關系，如汽車的四個角點會形成一個矩形，來篩選汽車。

5）垂直或水平邊緣

一種方式，直接檢測垂直邊緣，利用類似直方圖計算垂直投影。然后，車輛底盤下方陰影部分也是重要的水平邊緣特征。

另外，也有采用多分辨率的方式，在每個層次都

邊緣只是作為一種初步的篩選/搜索手段。

6）紋理

熵、共生矩陣都可被作為基于紋理的圖像分割的基礎。

7）車燈

主要是用于夜間車輛的探測。因為，以上特征在晚上基本都無效了。

8）基于運動的方法

以上其中都是空間特征。而基于運動的方法是對圖像連續序列的分析。如光流法。

但光流法會消耗大量的計算資源，時間和空間。

3. 識別

無論是用遍歷的方式，還是用特征篩選出的候選區域，對篩選出的子圖像需要進一步識別，車輛還是非車輛。

1）基于模板的方法

采用簡化過的車輛模板來篩選。

2）基于外觀特征的方法

車輛VS非車輛 分類

二類分類問題，一般采用機器學習/模式識別的方法解決。

首先，需要大量的訓練圖片。

其次，選取合適的特征，如PCA，HOG，harris，haar wavelet feature, SIFT等

再次，選取分類器，如NN,svm等

4. 跟蹤

車輛的跟蹤的好處：

1）提前預測車輛出現的位置，減少車輛檢測的搜索空間，節省計算時間。

2）區分多個車輛，每輛車都有各自的特征，如HOG，邊緣，灰度密度等，使用這些特征，就可以區分不同類型的車輛。根據跟蹤算法的結果，即使是同款車輛出現在同一場景，也能基本區分。

目前，常用的跟蹤算法，有卡曼濾波算法。

5. 近幾年熱門的車輛檢測方法

1）HOG 特征 + haar-like特征；SVM 或 adaboost ?分類器； （HOG + SVM ; haar-like + adaboost 速度快）

2）光流法；或增加一個HMM分類器，或SVM分類器

--------------------------------------------

前方車輛檢測技術，常見問題：

1. 選取那種分辨率來計算？

mobileye采用的是?640×480 或 752 * 480 彩色CMOS攝像頭

2. 如何選取特征？

3. 如何跟蹤？

4. 如何計算距離？

5. 如何計算前車速度？

6. 如何區分多個車輛？

--------------------------------------------

基于Haar和HoG特征的前車檢測方法，其特征在于，包括以下步驟：?

步驟I)人工選取出大量車輛圖片和非車輛圖片作為訓練集的正、負樣本，并將正、負樣本規格化到24 X 24像素下；?

步驟2)使用Haar特征和HoG特征分別對規格化后的每一幅正、負樣本進行表征，形成特征向量；?

步驟3)針對Haar特征和HoG特征形成的兩種特征向量分別構建弱分類器；?

步驟4)利用級聯的Adaboost算法對弱分類器進行訓練，得到級聯車輛強分類器；

步驟5)針對車載攝像頭獲得的前方道路視頻圖像，將其中各種尺寸、各種位置的子圖像輸入級聯車輛強分類器中進行判斷。

也有利用改進的HOG特征值，和SVM訓練，來對車輛進行識別

harr特征、hog特征（大量的正、負樣本圖片訓練），利用adboost算法 進行訓練、級聯，形成強分類器

http://www.google.com/patents/CN102855500A?cl=zh

-------------------------

HOG特征的計算及一些改進：

HOG：histogram of oriented gradient, 方向梯度直方圖，就是描述物體的形狀和邊緣特征，并且不涉及尺度和旋轉。

1. 將子圖像灰度化，歸一化（為了除去光照和陰影的影響）

2. 劃分成小cells，如3*3個像素塊或6*6個像素塊。

3. 計算每個cell中每個pixel的gradient方向，或者說是邊緣的方向。

4. 統計每個cell的梯度直方圖（不同梯度的個數），即可形成每個cell的descriptor。

5. 連接所有cell形成一個子圖像的特征描述子。

6. 子圖像之間是一般是由重疊的區域的，這樣一個cell影響的就不是一個子圖像了。一個矩形子圖像，一般有三個參數：每個子圖像有多少方格、每個方格有幾個像素、以及每個方格直方圖有多少頻道（梯度方向）。

由于人體輪廓在局部HOG歸一化特征上有良好的穩定性，最初是用于人體檢測。

在Dalal和Triggs的人檢測實驗中，發現最優的單元塊劃分是3x3或6x6個像素，同時直方圖是9通道。

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的前方车辆检测的常用方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。