一种结合多特征的前方车辆检测与跟踪方法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (5): 220-223.

一种结合多特征的前方车辆检测与跟踪方法

张建明¹，张玲增¹，刘志强²

1.江苏大学计算机科学与通信工程学院，江苏镇江 212013
2.江苏大学汽车与交通工程学院，江苏镇江 212013

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-02-11 发布日期:2011-02-11

Approach to front vehicle detection and tracking based on multiple features

ZHANG Jianming¹，ZHANG Lingzeng¹，LIU Zhiqiang²

1.School of Computer Science and Telecommunication Engineering，Jiangsu University，Zhenjiang，Jiangsu 212013，China
2.School of Vehicle and Transportation Engineering，Jiangsu University，Zhenjiang，Jiangsu 212013，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-02-11 Published:2011-02-11

摘要/Abstract

摘要： 车辆检测是汽车防碰撞预警的前提，为了提高前方车辆检测的实时性和鲁棒性，提出一种结合多特征的前方车辆检测跟踪方法。该方法不依赖车道检测，利用车底部阴影的梯度特征确定可能存在车辆的区域，使用差分盒子维计算对应区域的分形维数来排除噪声，根据车辆的水平边缘特征信息精确定位，通过卡尔曼滤波器跟踪检测到的目标，利用归一化转动惯量做车辆验证。实验结果表明，该方法能够在多种交通环境中实时有效地检测前方车辆。

关键词: 车辆检测, 梯度, 差分盒子维, 边缘检测, 卡尔曼滤波

Abstract: Vehicle detection is the premise of the automotive anti-collision warning.This paper presents a multi-feature-combined approach to improve the robustness of the vehicle detection in real-time.The approach dose not depend on the lane detection for it is based on the grads feature of the shadow which shows the candidate vehicle regions and it eliminates the noises of the corresponding area by the method of differential box counting.Then，the accurate vehicle area can be located by analyzing the information of vehicle’s horizontal edge feature in the candidate vehicle region.Finally，Kalman filters are used to track the candidate vehicle which will be validated by normalized-mutual-information feature.The result of the experiment has shown that the method provides a robust approach，which can effectively detect the front vehicles in complex traffic circumstances in real time.

Key words: vehicle detection, grads, differential box counting, edge detection, Kalman filter

张建明¹，张玲增¹，刘志强². 一种结合多特征的前方车辆检测与跟踪方法[J]. 计算机工程与应用, 2011, 47(5): 220-223.

ZHANG Jianming¹，ZHANG Lingzeng¹，LIU Zhiqiang². Approach to front vehicle detection and tracking based on multiple features[J]. Computer Engineering and Applications, 2011, 47(5): 220-223.

[1]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[2]	杨力，吴义，魏德宾，潘成胜. 基于时空相关性的卫星网络流量预测[J]. 计算机工程与应用, 2021, 57(7): 101-106.
[3]	周友行，赵晗妘，刘汉江，李昱泽，肖雨琴. 采用DDPG的双足机器人自学习步态规划方法[J]. 计算机工程与应用, 2021, 57(6): 254-259.
[4]	刘建宇，范平清. 基于改进的RRT*-connect算法机械臂路径规划[J]. 计算机工程与应用, 2021, 57(6): 274-278.
[5]	李松江，吴宁，王鹏，李海兰. 基于改进Cascade RCNN的车辆目标检测方法[J]. 计算机工程与应用, 2021, 57(5): 123-130.
[6]	金旺，易国洪，洪汉玉，陈思媛. 基于卷积神经网络的实时车辆检测[J]. 计算机工程与应用, 2021, 57(5): 222-228.
[7]	王晓，唐伦，贺小雨，陈前斌. 基于深度强化学习的服务功能链多维资源优化[J]. 计算机工程与应用, 2021, 57(4): 68-76.
[8]	顾梅花，王苗苗，李立瑶，冯婧. 彩色图像多尺度融合灰度化算法[J]. 计算机工程与应用, 2021, 57(4): 209-215.
[9]	王殿伟，赵梦影，刘颖，宋海军，谢永军. 改进的R-SSD全景视频图像车辆检测算法[J]. 计算机工程与应用, 2021, 57(3): 189-195.
[10]	马庆禄，唐小垚. 融合时域和分水岭信息的车辆检测算法[J]. 计算机工程与应用, 2021, 57(24): 227-233.
[11]	马志豪，朱响斌. 拟双曲动量梯度的对抗深度强化学习研究[J]. 计算机工程与应用, 2021, 57(24): 90-99.
[12]	齐小祥，李敏，朱颖，宋雨，杜卫东. 基于边缘检测的SAR图像自适应区域分割[J]. 计算机工程与应用, 2021, 57(22): 232-240.
[13]	况立群，李思远，冯利，韩燮，徐清宇. 深度强化学习算法在智能军事决策中的应用[J]. 计算机工程与应用, 2021, 57(20): 271-278.
[14]	王蓓，陈金广，王明明. 复杂场景下的改进核相关滤波跟踪算法[J]. 计算机工程与应用, 2021, 57(2): 198-208.
[15]	杨薛钰，陈建平，傅启明，陆悠，吴宏杰. 基于随机方差减小方法的DDPG算法[J]. 计算机工程与应用, 2021, 57(19): 104-111.