导读:本文包含了夜间车辆检测论文开题报告文献综述及选题提纲参考文献，主要关键词:智能交通系统,夜间车辆检测,车灯检测,域适应
夜间车辆检测论文文献综述
莫曜阳[1]（2019）在《基于高光辅助和域适应的夜间车辆检测》一文中研究指出夜间车辆检测需要我们根据夜间场景图像预测车辆的类别以及位置。该任务在自动驾驶系统(ADS)和辅助驾驶系统(DAS)中扮演不可或缺的角色。然而,夜间车辆检测有以下几个难点:(1)由于夜间光照较低,车辆的视觉特征难以识别,这给基于视觉的方法带来了很大的挑战。(2)夜间场景中车辆具有较大的类内差异,譬如对向行驶的车的头灯为白色,而同方向行驶的车的尾灯为红色,这会加大特征表达的难度。(3)相比于白天车辆数据,夜间车辆的数据比较匮乏;但是白天场景和夜间场景的视觉特征差异很大,利用白天场景训练的模型无法直接应用于夜间场景。车灯和其相应的车身反光,本文统称为车辆高光,是夜间场景中值得信赖的视觉特征。因此,有效地利用车辆高光信息可以在性能上得到较大的改进。针对有充分标记训练数据的夜间车辆检测任务,本文提出了一种基于车辆高光信息的夜间车辆检测框架。首先,本文生成了一个高细粒度的车辆高光检测器,并创建了车辆标签层级结构,以扩大类间差异和减少类内差异。然后,本文提出了一种多尺度高光特征和车辆视觉特征的融合机制,以及一种端到端的高光融合网络。由于采用了独特的车辆高光融合机制,本文所提出的方法的性能优于目前最先进的方法。同时,本文的方法迁移到不同的主流检测网络后都有较大帮助,说明本文的方法的泛化性很强。另外,在无监督域适应的夜间场景任务中,本文引进循环生成对抗的思想来拉近源域和目标域的距离。本文提出的方法超越现有最先进的目标检测的域适应方法。本文的主要贡献有以下几点:1、本文提出了两种新的融合网络,这两种网络通过学习来自动平衡车辆高光和车辆自身不同层次的视觉特征的重要性,从而适应大多数情况,甚至可以容忍车辆高光检测的误差。另外,本文发现除了车灯,车身反光也可以提供丰富的车辆位置提示信息,因此额外考虑车身反光可以大幅提升夜间车辆检测的精确度。2、本文提出一个基于伪标签迭代训练的神经网络,为车辆以及车辆高光划分子类。子类标签和原类别标签共同构成标签层级。本文基于标签层级的训练机制可以解决类内差异大的问题。3、本文提出一个针对夜间车辆检测的域适应框架。本文把生成对抗思想引入到域适应中,从图像层次和目标层次拉近源域和目标域的距离。提出的方法超越现有最先进的目标检测的域适应方法。(本文来源于《华南理工大学》期刊2019-04-15）
孙营,王波涛[2]（2019）在《基于可变形部件改进模型的夜间车辆检测方法》一文中研究指出针对可变形部件模型在夜间车辆检测中精确度低、检测速度慢的问题,提出基于可变部件改进模型的检测方法。在训练阶段采用Gamma预处理对夜间车辆样本进行校正,得到物体的梯度模型。在测试阶段利用一种基于(R-B)色差特征的显着性区域检测方法,通过减少待检测区域的面积,降低运算复杂度。针对夜间部分场景出现遮挡的情况,采用一种自适应权重的参数分配策略,给重要的特征部件分配较大的权重值。实验结果表明,改进后的检测方法准确率达95.12%,召回率达91.50%,平均每帧检测时间为48 ms,具有较好的实时性和鲁棒性。(本文来源于《计算机工程》期刊2019年03期）
于莉媛,郭云雷,牛萍娟,刘大利,刘雷[3]（2019）在《基于尾灯的夜间前方车辆检测与跟踪方法》一文中研究指出针对夜间环境下车辆难以检测的问题,提出一种基于尾灯的夜间前方车辆检测与跟踪方法。首先根据光晕特征和亮度特征进行车辆尾灯提取,对尾灯进行配对后根据尾灯对估计车辆的位置并实现对车辆的检测,然后利用改进的粒子滤波算法对已检测车辆的尾灯进行跟踪,进而实现对车辆的跟踪。最后结合检测和跟踪方法提出一种车辆检测与跟踪系统。实验结果表明:本文方法具有检测率高的特点,对车辆检测率可达96%,车辆检测与跟踪系统可解决车辆互相遮挡情况下的车辆检测问题,并可提升车辆检测率至98%。(本文来源于《天津工业大学学报》期刊2019年01期）
张海玉[4]（2019）在《基于卷积神经网络的夜间车辆目标检测方法研究》一文中研究指出随着我国城镇化建设进入到快速发展阶段,城市资源浪费一直是一个亟待解决的问题。比如当城市进入到后半夜,街上的车流量变少甚至有的时间段根本没有车辆,但路灯会一直工作,这会造成能源的巨大浪费。通过车流量来进行路灯亮度控制是一个可行的方法。同时我们可以充分利用街道摄像头所获取的视频,通过视频分析进行车流量检测,这种方法不会增加额外的人力财力负担,很有现实意义。随着深度学习研究工作取得了巨大进展,使用卷积神经网络来处理图像问题已经成为一大趋势。本文详细介绍了深度学习网络在目标检测任务中的应用,同时设计和优化了可以用于夜间车辆检测的方案。本文首先对传统的BP神经网络及卷积神经网络进行了介绍,同时对不同的目标检测网络进行了对比,并分析各自的优缺点。考虑到本文研究课题的需求,最终选择了 R-FCN目标检测网络,该网络引入了平移变化特性,非常适宜于目标检测任务。其次为了提高网络检测的速度和精度,我们将AssignParallel机制和Soft-NMS算法应用到R-FCN网络中。AssignParallel机制可以对R-FCN网络的特征提取部分进行压缩。在保证精度的前提下,AssignParallel可以减少模型占有的物理内存,提高网络运行速度。Soft-NMS算法可以解决目标相互遮掩问题,进一步提高网络的检测精度。最后本文对R-FCN网络和Faster RCNN网络在夜间不同时间段的检测效果进行了实验对比,同时对R-FCN网络和Faster-RCNN网络进行了压缩实验,并与原始网络的精度进行了对比,以此来验证AssignParallel机制的可行性。而且本文还对Soft-NMS算法采用不同的参数进行了实验对比。相较于传统的夜间车辆检测算法,本文算法的检测精度更高,所需要的物理资源更少,具有更好的实用性。(本文来源于《杭州电子科技大学》期刊2019-03-01）
宋俊芳[5]（2018）在《多3D表观特征级联Adaboost夜间检测车辆方法》一文中研究指出夜间场景光线较暗,车辆整体外观特征不显着,使得夜间视频车辆检测成为一大难点。夜间能使用的最为显着的特征就是车灯。如车灯的亮度、圆形度、面积、车灯之间的间距,距离地面的垂直间距、车灯对之间的纹理、车灯的对称性等,将它们结合自适应增强方法(AdaBoost)用于间车辆检测,能同时获得高检测率和低误检率。(本文来源于《科技风》期刊2018年30期）
许益成,谭文安,陈丽婷[6]（2018）在《基于Hough变换检测前大灯的夜间车辆检测》一文中研究指出针对夜间车辆检测与昼间车辆检测的不同,提出一种基于Hough圆检测的夜间车辆检测方法。首先利用灰度分割的方式提取车灯,对提取出的车灯进行连通域分析和边缘提取;然后进行Hough圆检测,得到车灯的半径和位置;最后利用车灯成对出现的特点,对车灯进行匹配确定车辆位置。实验结果表明,该算法对于夜间车辆检测检测率高,且虚警低。(本文来源于《控制工程》期刊2018年08期）
孙晓琳[7]（2018）在《二值样本与自适应感兴趣区域夜间车辆检测》一文中研究指出进入二十一世纪以来,交通工具智能驾驶技术发展迅速。目前,以Google为代表的自动驾驶汽车,包括特斯拉、Waymo、通用和Uber等,已经进入实际道路测试阶段。作为新型交通形式的开拓者,选择自动驾驶汽车已成为不可逆转的新趋势。车辆检测作为自动驾驶汽车或辅助驾驶系统的基础,主要基于雷达、激光雷达等被动传感器实现,可满足高精度和实时性的需求。目前比较成熟的半自动驾驶系统,如特斯拉地Autopilot系统、凯迪拉克的Super Cruise系统、奔驰Drive Pilot系统,平均售价为6万美元到10万美元,设备价格昂贵阻碍了自动驾驶系统在民用领域的普及。另外,声呐、毫米波雷达可快速探测周围目标,但对远方或直径较小的目标探测能力差,交通状况拥堵时设备信号之间相互干扰,误差的不断累积也会影响系统正常工作。而基于计算机视觉的车辆检测技术,使用价格低廉的摄像头采集高分辨率交通图像,作为一种可替代方案不仅可极大降低自动驾驶系统成本,还可提供丰富的视觉信息用于目标识别。目前基于视觉的车辆检测研究大多关注日间模式,而夜间城市道路灯光复杂且照明不均匀,这对于基于视觉的夜间车辆检测方法造成了挑战。夜间交通图像中,车辆(车灯)呈现不规则的亮团块,前方车辆的形状、颜色、边缘、纹理和角点等用于日间车辆检测的底层图像特征,在低照度的夜间交通图像中缺失,同时也不能提取足够常规的车辆(车灯)运动特征。因此,绝大多数基于视觉的日间车辆检测方法不适用于夜间模式。而夜间行车过程中,光线不足造成视野受限,驾驶员无法准确快速判断前方车辆行驶动向,极易因为疲劳与精力分散等主观因素造成操作失误,因此实现夜间车辆智能驾驶有很大需求。针对上述存在问题,本文提出一种基于车前灯二值化Haar特征训练级联AdaBoost分类器进行夜间车辆检测的方法,并提出连续帧车灯最大相似度准则匹配车灯对检测结果进行补偿。针对夜间交通图像灯光复杂的问题,对图像阈值处理算法进行改进,提出最大似然阈值算法,并通过检测路灯所在线段以自适应确定感兴趣区域(ROI),进一步去除干扰灯光。本文采用的二值样本方法可缩减35%训练时耗;自适应ROI方法可去除约75%背景区域;车辆检测在不同路况平均召回率为93.78%。实验结果表明,本文阈值处理方法与感兴趣区域确定方法适用于夜间环境交通图像的预处理,并且基于二值样本分类器的车辆检测方法具有良好的实时性和召回率,能够适应多种路况条件下夜间车辆检测。(本文来源于《山东大学》期刊2018-05-15）
柳长源,陈兰萍,Ersoy[8]（2019）在《基于车前灯的夜间车辆视频检测研究》一文中研究指出针对夜间车辆视频检测和车流量统计的难题,提出了一种改进的基于视频图像处理提取车前灯的算法。通过分析夜间车辆视频的特点,利用梯度滤波法消除地面反射光对车灯的干扰,实现图像增强,并将分水岭分割算法和直方图双峰法相结合提取车前灯的信息。利用车灯配对匹配原则设计了一种新的匹配算法和跟踪算法实现车灯的配对与跟踪,最终准确地实现了车辆检测和车流量的统计功能。(本文来源于《计算机工程与应用》期刊2019年02期）
陈艳,严腾,宋俊芳,宋焕生[9]（2018）在《基于高斯混合模型和AdaBoost的夜间车辆检测》一文中研究指出针对夜间车辆检测精度相对不高的问题,提出通过构建车头灯对空间几何关系的高斯混合模型(GMM)和采用逆投影车辆样本的Ada Boost分类器准确检测夜间车辆的方法。首先,在交通场景中根据车头灯对的空间位置关系设置逆投影面,通过图像预处理粗定位车灯区域;其次,在逆投影图像下利用车头灯对的空间几何关系构建车灯对的高斯混合模型,初步匹配车头灯对;最后,采用逆投影车辆样本,利用Ada Boost分类器进一步准确检测车辆。实验在3个交通场景的检测结果表明,与原始图像下的Ada Boost方法相比,所提方法的检测率提高了1.93%,漏检率降低了17.83%,误检率降低了27.61%;与D-S(Dempster-Shafer)证据理论方法相比,检测率提高了2.03%,漏检率降低了7.58%,误检率降低了47.51%。所提方法提高了相对检测精度,减少了地面反光和影子等的干扰,满足交通场景中夜间车辆检测的可靠性和准确性的要求。(本文来源于《计算机应用》期刊2018年01期）
孙松,黄晁,徐胜[10]（2017）在《一种视频监控中的夜间车辆检测方法》一文中研究指出车辆检测是车辆跟踪和车牌识别的前提,在电子警察和视频监控系统中有重要作用。针对目前视频监控中对夜间车辆检测方法较少且检出率不高的问题,提出了一种夜间车辆检测方法。首先选取夜间车辆样本作为训练样本,然后利用AdaBoost算法训练级联检测器,对视频监控中的夜间车辆进行检测。结果表明,本文提出的夜间车辆检测算法能够有效的检测夜间车辆,检测速度快,可实时检测。(本文来源于《无线通信技术》期刊2017年04期）
夜间车辆检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对可变形部件模型在夜间车辆检测中精确度低、检测速度慢的问题,提出基于可变部件改进模型的检测方法。在训练阶段采用Gamma预处理对夜间车辆样本进行校正,得到物体的梯度模型。在测试阶段利用一种基于(R-B)色差特征的显着性区域检测方法,通过减少待检测区域的面积,降低运算复杂度。针对夜间部分场景出现遮挡的情况,采用一种自适应权重的参数分配策略,给重要的特征部件分配较大的权重值。实验结果表明,改进后的检测方法准确率达95.12%,召回率达91.50%,平均每帧检测时间为48 ms,具有较好的实时性和鲁棒性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
夜间车辆检测论文参考文献
[1].莫曜阳.基于高光辅助和域适应的夜间车辆检测[D].华南理工大学.2019
[2].孙营,王波涛.基于可变形部件改进模型的夜间车辆检测方法[J].计算机工程.2019
[3].于莉媛,郭云雷,牛萍娟,刘大利,刘雷.基于尾灯的夜间前方车辆检测与跟踪方法[J].天津工业大学学报.2019
[4].张海玉.基于卷积神经网络的夜间车辆目标检测方法研究[D].杭州电子科技大学.2019
[5].宋俊芳.多3D表观特征级联Adaboost夜间检测车辆方法[J].科技风.2018
[6].许益成,谭文安,陈丽婷.基于Hough变换检测前大灯的夜间车辆检测[J].控制工程.2018
[7].孙晓琳.二值样本与自适应感兴趣区域夜间车辆检测[D].山东大学.2018
[8].柳长源,陈兰萍,Ersoy.基于车前灯的夜间车辆视频检测研究[J].计算机工程与应用.2019
[9].陈艳,严腾,宋俊芳,宋焕生.基于高斯混合模型和AdaBoost的夜间车辆检测[J].计算机应用.2018
[10].孙松,黄晁,徐胜.一种视频监控中的夜间车辆检测方法[J].无线通信技术.2017