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。 应作为换道时减少视觉盲区的重要装置。国内外学者进行了相关研究：Leanne等[2]提出使用全景式视觉传感器监测后方车辆；Michael等[3]使用激光传感器探测车辆尾部盲区；李军等[4]利用基于超声波传感器的“蝇眼”网络实现测距；李守晓等[5]采用毫米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，这大大增加了辅助驾驶系统的开发周期和研究成本。因此，本文在PreScan仿真平台上开发和验证了侧后方车辆识别和跟踪算法。2侧后方车辆识别车辆识别流程如图1所示，侧后方车辆识别-数控滚圆机滚弧机张家港液压钢管滚圆机滚弧机折弯机它包括：样本训练模块，即提取正、负样本的特征，离线训练出车辆识别的分类器；多尺度识别模块，利用分类器对待识别图像进行处理，得到识别结果并标记本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name。图1识别流程正样本负样本计算积分图Haar-like特征提取单个弱分类器训练利用Adaboost算法选择最优弱分类器组成强分类器强分类器联成级联分类器显示识别结果利用分类器进行识别Haar-like特征提取多尺度扫描获得子窗口计算积分图待检测图像汽车技术·AutomobileTechnology-32-2017年第8期2.1正、负样本正样本集应为包含侧后方车辆的图像，共1000张，图片经过预处理，示例如图2所示。负样本集为不包含正样本中的图像，共3300张，示例如图3所示。图2正样本示例图3负样本示例2.2积分图积分图是对子区域进行加速求和的数学方法，通过计算任意矩形区域内的像素和，加速特征的计算。如图4所示，积分图中点(x,y)的大小等于其左上方区域内所有像素值总和：ii(x),y=∑x′≤x,y′≤yi(x)′,y′（1）式中，i(x′,y′)为点(x′,y′)的像素值；ii(x,y)为点(x,y)的积分值。图4积分图2.3Haar-like特征Haar-like特征[6]即为类Haar特征，是指图像中的矩形特征。对于侧后方车辆，主要考虑其正面轮廓特征，如图5所示。图5Haar-like特征2.4分类器为了获得侧后方车辆识别的分类器，首先提取样本Haar-like特征，通过训练得到弱分类器，利用权值系数的线性组合来构造强分类器，最后级联各强分类器。2.4.1弱分类器每个弱分类器对应一个Haar-like特征，以一个合理的特征值为阈值，能降低弱分类器在对样本进行分类时的错误率。2.4.2强分类器利用Adaboost算法构建强分类器，通过迭代的方法获取样本分布，强分类器包含弱分类器。其原理为：输入图像，弱分类器进行1或0（即有无车辆）投票，基于投票结果得到错误率，加权求和后得到分类结果。2.4.3级联分类器从简单到复杂对强分类器进行逐级串联，得到级联分类器。含有车辆的图像子窗口需要通过层层强分类器，才能被最终识别，如图6所示。图6分类器识别过程3跟踪算法在获得识别结果后，需对侧后方车辆进行跟踪，本算法可实现车辆跟踪，并且确定其行驶轨迹。3.1MeanShift算法MeanShift又称漂移的均值变量。确定跟踪算法时需要建立侧后方车辆识别-数控滚圆机滚弧机张家港液压钢管滚圆机滚弧机折弯机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name