智能駕駛視覺導航技術

第1章 智能駕駛中視覺導航技術概述 001
1.1 智能駕駛概況 002
1.1.1 智能駕駛概念 003
1.1.2 智能駕駛的發展現狀 004
1.1.3 智能駕駛的關鍵技術 006
1.1.4 智能駕駛的未來發展 006
1.2 視覺導航技術 006

第2章 視覺導航中的目標檢測與跟蹤技術 007
2.1 概述 008
2.1.1 研究現狀 008
2.1.2 測試數據集及測試指標 010
2.2 基於主動學習框架的Haar-like 特征與級聯分類器的車輛檢測算法 011
2.3 基於DPM 改進模型的夜間車輛檢測算法 022
2.3.1 Gamma 校正 022
2.3.2 PCA 降維 022
2.3.3 常見的DPM 優化策略 023
2.3.4 常見的特征描述子 025
2.3.5 常見的分類器 027
2.3.6 DPM 目標檢測算法 028
2.3.7 實驗分析和結果分析 036
2.3.8 小結 038
2.4 盲區車輛檢測算法 039
2.4.1 基本原理 039
2.4.2 改進的CAdaBoost 盲區車輛檢測算法 043
2.4.3 實驗研究與結果分析 047
2.4.4 小結 052
2.5 基於深度學習網絡的行人檢測方法 052
2.5.1 YOLOv3 網絡模型介紹 052
2.5.2 改進的RFB-YOLOv3 行人檢測算法 056
2.5.3 實驗研究與結果分析 061
2.5.4 小結 063
2.6 基於ViBe 的動態障礙物檢測算法 063
2.6.1 ViBe 算法介紹 064
2.6.2 ViBe 算法改進 065
2.6.3 實驗結果與分析 071
2.6.4 小結 075
2.7 停車位檢測技術 075
2.7.1 停車位圖像分割算法 075
2.7.2 停車位檢測後處理 079
2.7.3 停車位檢測流程 083
2.7.4 小結 085
2.8 基於均值漂移（MeanShift）的視覺導航跟蹤算法 085
2.8.1 概述 085
2.8.2 MeanShift 算法原理 085
2.8.3 MeanShift 車輛跟蹤算法 088
2.8.4 參數設置及實驗結果 088
2.9 基於實時壓縮感知的視覺導航跟蹤算法 090
2.9.1 壓縮感知算法原理 090
2.9.2 基於壓縮感知的車輛跟蹤算法 090
2.9.3 參數設置及實驗結果 091
2.9.4 算法對比 092
2.10 基於核相關濾波的視覺跟蹤算法 095
2.10.1 KCF 跟蹤算法介紹 095
2.10.2 KCF 跟蹤算法改進 097
2.10.3 實驗研究與結果分析 104
2.10.4 小結 107

第3章 視覺導航中的目標測距技術 108
3.1 概述 109
3.1.1 車輛測距方式分類 109
3.1.2 典型的 外車輛測距應用方案簡介 110
3.2 基於相似三角形的目標單目測距技術 111
3.2.1 基於相似三角形法標定攝像機參數 111
3.2.2 目標距離測定 114
3.2.3 距離準確性的驗證 115
3.2.4 安全距離與報警設置 116
3.2.5 測試與驗證 117
3.3 基於改進的逆投影變換的目標單目測距技術 121
3.3.1 攝像機標定技術 121
3.3.2 逆透視投影變換理論 126
3.3.3 基於標誌物的改進的逆透視投影變換測距算法 128
3.3.4 測距參數設置與實驗結果 131
3.3.5 小結 132

第4章 視覺導航中的車道線檢測與跟蹤技術 133
4.1 概述 134
4.1.1 基於特征的車道線檢測方法簡介 134
4.1.2 基於模型的車道線檢測方法簡介 134
4.2 基於Hough 變換的車道線檢測技術 135
4.2.1 基於Hough 變換的車道初始檢測 135
4.2.2 直線車道 136
4.2.3 車道檢測結果 137
4.3 基於動態自適應感興趣區的車道線檢測技術 140
4.3.1 圖像預處理 140
4.3.2 車道線檢測 146
4.3.3 實驗結果及分析 150
4.3.4 小結 152
4.4 基於Kalman 濾波的車道線跟蹤技術 152
4.4.1 基於Kalman 濾波的車道跟蹤流程 153
4.4.2 Kalman 濾波技術 153
4.4.3 基於Kalman 預測動態建立感興趣區域 154
4.4.4 統計預測法搜索邊界點 155
4.4.5 算法失效判別模塊 155
4.5 基於相關系數的動態模板車道線跟蹤技術 157

第5章 視覺導航中的車輛自 航定位技術 160
5.1 概述 161
5.2 動態障礙物剔除技術 161
5.2.1 基於級聯分類器的車輛檢測 162
5.2.2 基於先驗知識劃分動態檢測區域 163
5.2.3 基於動態區域改進FAST 特征點檢測 164
5.3 車輛視覺位姿估計技術 165
5.3.1 對極約束原理 165
5.3.2 求解相機位姿 166
5.4 實驗結果與分析 167

第6章 視覺導航中的車輛視頻拼接技術 173
6.1 概述 174
6.1.1 拼接技術的定義 174
6.1.2 外研究現狀 174
6.1.3 車載圖像拼接應用產品簡介 175
6.2 靜態圖像的拼接技術 176
6.2.1 圖像拼接中圖像匹配方法介紹 177
6.2.2 基於SIFT 特征點的匹配方法原理 178
6.2.3 圖像拼接中匹配點的提純 182
6.2.4 實際圖片拼接結果 185
6.3 基於關鍵幀提取的映射參數求解的動態圖像拼接技術 186
6.3.1 圖像預處理 187
6.3.2 關鍵幀提取 190
6.3.3 基於關鍵幀提取的映射參數求解 192
6.3.4 加權融合 194
6.3.5 實驗結果 195
6.3.6 小結 197

第7章 視覺導航中的車牌與交通標誌識別技術 198
7.1 概述 199
7.1.1 背景 199
7.1.2 外研究現狀 199
7.1.3 我國車牌的特征 201
7.2 運動車輛的車牌識別技術 201
7.2.1 概述 201
7.2.2 基於級聯分類器的車牌定位 202
7.2.3 車牌的傾斜校正與字符分割 205
7.2.4 基於改進的 LeNe-t 5 深度學習模型的車牌字符識別 206
7.2.5 測試結果與分析 214
7.2.6 小結 217
7.3 基於HOG 和SVM 相結合的交通標誌圖像檢測與識別技術 218
7.3.1 概述 218
7.3.2 HOG 特征與計算 218
7.3.3 SVM(支持向量機)分類器 220
7.3.4 基於HSV 顏色空間過濾的交通標誌確定 222
7.3.5 交通標誌圖像識別技術 223

第8章 視覺導航中的駕駛員疲勞檢測技術 227
8.1 概述 228
8.1.1 疲勞駕駛簡介 228
8.1.2 疲勞駕駛檢測研究現狀 228
8.2 基於HOG 特征的駕駛員的人臉定位技術 229
8.2.1 HOG 特征與計算 230
8.2.2 SVM 分類器 230
8.2.3 HOG 特征在人臉識別上的實現 230
8.2.4 人臉特征點定位 231
8.2.5 小結 237
8.3 駕駛員的疲勞駕駛判定技術 238
8.3.1 基於PERCLOS 物理量的判定方法 238
8.3.2 基於人眼寬高比的疲勞駕駛檢測 239
8.3.3 小結 240

參考文獻 241
本書根據 外不斷發展的智能駕駛技術的 成果，主要介紹了智能駕駛視覺導航中的目標檢測與跟蹤技術、目標測距技術、車道線檢測與跟蹤技術、車輛自 航定位技術、車輛視頻拼接技術、車牌與交通標誌識別技術和駕駛員疲勞檢測技術等。 本書適合從事智能駕駛、視覺導航、計算機視覺、圖像處理、無人系統等領域的工程技術人員閱讀，也適合高等院校理工科相關專業的師生學習參考