文献综述
一丶前言
自动驾驶汽车，又称汽车自动驾驶系统，是一种通过传感器对汽车周边环境信息进行感知，融合与分析后交由计算机系统处理后并进行无人驾驶的前沿科技。自动驾驶由于具有安全舒适，智能化等特点，因此在近几十年来迅猛发展。车辆检测作为自动驾驶系统的关键技术，用于准确检测的检测前方是否有车辆，并为各种主动安全系统提供驾驶环境信息。车辆检测算法研究是智能驾驶中的核心步骤，是自主导航、碰撞避免等应用必不可少的环节[1]。本文对国内外部分学者的有关文献进行了梳理和总结。
二丶国内外相关研究
车辆检测是计算机视觉领域的热门研究方向，其目标是通过对图像处理、模式识别、机器学习、人工智能等技术的综合利用，在智能交通、车辆跟踪、无人驾驶等领域具有非常广泛的应用需求。近年来，随着深度学习的迅猛发展，计算机视觉技术与深度学习方法结合的车辆目标检测技术逐渐成为该领域的主流算法[2-3] 。一般情况下，基于视觉的车辆检测方法主要有三种，一是基于特征的车辆检测方法；二是基于模板的车辆检测方法；三是基于机器学习的车辆检测方法。
2.1.基于特征的车辆检测算法
基于特征的车辆检测方法主要是利用车辆中明显的且可用于识别的特征，例如：对称性，颜色，车辆边缘，车底阴影，车灯等其他判别度较高的特征。文献[4]提出了基于横截面特征的车道线检测算法并改进了基于Adaboost Haar的车辆检测的训练和检测算法，检测率高，鲁棒性好，实时性好；文献[5]也是将轮廓对称性作为车辆检测的特征，被广泛应用于基本未发生形变的车辆检测中；任薇[6]根据车底阴影特征，使用髙斯混合模型对图像聚类，使用模型中的均值和方差自适应提取车底阴影与路面交线，经过滤波合并检测到车辆，该方法实时性好，但受光照影响大，鲁棒性差；文献[7]在车底阴影的基础上结合边缘特征作为识别信息，取得了良好的效果；文献[8]提出了一种基于人工神经网络的方法来拟合阈值分割点,提高了阈值分割的准确性和鲁棒性,减少伪ROI;针对在复杂环境下车辆与背景粘连的问题,提出一种分区域六角分割的方法,降低了ROI漏检率。最后对RIO 提取 Haar 特征以及用优化的 AdaBoost 对 ROI 分类,得到筛选后的车辆目标。其算法鲁棒性强,而且识别效率更高。王海等[9]利用车尾灯对的面积比丶互相关值和车灯对组合框长度比等信息并结合D-S证据理论实现了夜间无灯场景下的车辆检测。
2.2.基于模板的车辆检测算法
基于模板的车辆检测方法通过建立车辆对象的三维或二维模型，在图像中不断的搜索操作，完成与待检测图像之间的匹配。如文献[10]采用了基于对称性检测 ROI，然后利用建立的矩形二维模型进行匹配的方法。文献[11]一种基于阴影假设和分层HOG对称特征验证的前车检验方法，该方法能够实时的检测出白天在复杂情况下前方道路上出现的车辆，对光照、雾霾等天气变化造成的影响有一定的鲁棒性，适用于白天城市道路和高速公路的前方车辆检测。文献[12]提出一种基于稀疏编码的可变形模型这一机器学习和模板相结合的方法用于车辆检测，较好的解决了HOG无法处理模糊或噪声的问题。刘操等学者[13]提出一种基于多通道融合HOG特征的全天候运动车辆检测方法，具有检测率高、鲁棒性强等特点，并且在各种气候环境下都能实现较好的检测效果，达到了全天候车辆检测的要求。文献[14]提出了一种基于颜色空间、纹理特征及边缘特征相融合的算法,实现了对车辆阴影的检测和去除方法,该方法可以有效去除视频中运动车辆的阴影,具有良好的准确性和鲁棒性。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
