下载文档原格式
汽车外观检查工作总结
汽车外观检查是保证车辆安全和美观的重要工作，也是每位车主和驾驶员应该
定期进行的任务。
在日常驾驶中，车辆外观的状况不仅关乎车辆的美观度，更直接关系到行车安全。
因此，进行汽车外观检查工作是非常必要的。
首先，我们来看看汽车外观检查的内容。
汽车外观检查主要包括以下几个方面，车身表面的刮擦和凹陷，车灯和灯泡的工作状态，车窗和后视镜的完好情况，轮胎的磨损程度和气压，以及车牌的完整性和清晰度等。
这些都是影响车辆外观和安全的重要因素，需要定期进行检查和维护。
其次，进行汽车外观检查的方法和步骤也很重要。
首先，我们应该选择一个光
线充足的地方，仔细观察车辆表面是否有刮擦和凹陷，以及车漆是否有脱落或者起泡的现象。
接着，我们需要检查车灯和灯泡是否正常工作，包括前大灯、后尾灯、转向灯和刹车灯等。
然后，要仔细检查车窗和后视镜是否完好，以及轮胎的磨损程度和气压是否符合要求。
最后，要确保车牌的完整性和清晰度，以免因为车牌不清晰而被交警拦下。
最后，我们需要重视汽车外观检查工作的重要性。
汽车外观检查不仅关乎车辆
的美观度，更关系到行车安全。
只有保证车辆外观的完好，才能有效预防因为外观问题而引发的交通事故。
因此，每位车主和驾驶员都应该定期进行汽车外观检查，及时发现和解决问题，确保车辆的安全和美观。
总之，汽车外观检查工作是保证车辆安全和美观的重要工作，需要每位车主和
驾驶员重视和定期进行。
只有通过认真的外观检查，及时发现和解决问题，才能确保车辆的安全和美观。
希望每位车主和驾驶员都能重视汽车外观检查工作，做到安全驾驶，美观出行。
车载测试中的车身外观与内饰质量检测技术随着汽车工业的快速发展，车载测试成为评估车辆性能和安全的重要手段。
车辆的外观和内饰是消费者选择汽车的重要因素之一，因此，车身外观与内饰质量检测技术在车载测试中显得尤为重要。
本文将介绍车载测试中常用的车身外观与内饰质量检测技术，并探讨其在提高驾驶安全和用户体验方面的作用。
一、车身外观质量检测技术车身外观是汽车的“脸面”，其质量直接影响着消费者对汽车产品的评价。
为了确保汽车外观的一致性和质量，车载测试中采用了多种车身外观质量检测技术。
1. 光线照射检测技术光线照射检测技术是车载测试中最常用的一种方法。
该技术利用专业的光源和照明设备，通过照射车身表面，检测并记录光的反射情况。
借助计算机分析，可以快速准确地评估车辆外部漆面的整体质量和均匀性。
2. 摄像头拍摄技术摄像头拍摄技术在车载测试中用于捕捉车辆外观的细节和缺陷。
通过高分辨率的摄像头，可以实时拍摄车身的各个角度，并对图像进行处理和分析。
这种技术可以发现微小的划痕、凹陷和涂层问题，确保车身外观质量的完美无缺。
3. 三维扫描技术三维扫描技术被广泛应用于车身外观质量检测领域。
该技术使用激光扫描仪对车身进行全方位扫描，并生成三维模型。
通过比对模型与标准设计模型的差异，可以快速准确地评估车身外观的质量和精度。
二、内饰质量检测技术除了车身外观，车辆的内饰质量也是消费者关注的重点之一。
好的内饰质量不仅能提升驾驶舒适度，还能增加车辆的使用寿命。
车载测试中的内饰质量检测技术主要包括以下几种。
1. 材料强度测试技术内饰材料的强度直接关系到其使用寿命和耐久性。
车内常用的材料包括塑料、皮革、布料等，通过用力检测、摩擦测试等方法可以评估这些材料的耐久性和质量。
2. 噪音测试技术噪音是影响车内舒适性的重要因素之一。
车载测试中，通过专业的声学测试设备可以测量并分析车辆内饰中的噪音来源，如风噪、机械噪音等，以便进行改进和优化。
3. 人体工程学评估技术人体工程学技术用于评估车辆内部元件的设计合理性和人机交互性。
结合先验知识和图像特征的道路提取方法林丽群;肖俊【摘要】In the complex environment, this paper presents a lane detection method with the ability to deal with both structured and unstructured roads.The method combines a priori knowledge database with adaptive region growing method.It establishes a priori knowledge database through a set of road sampling,training, data mining and knowledge discovery,combines adaptive road region growing method using this database process on real-time segmented images.The experimental results show that this method is able to robustly find the road area on different types of roads in various environments.%致力于在复杂环境下能对多种道路进行检测,提出了一种先验知识库与自适应区域增长相融合的道路检测方法,通过少量的道路样本采集,建立样本库,训练挖掘出道路知识模型,并结合区域增长方法对分割的实时道路影像进行道路区域增长.实验结果表明,该方法适用于多种不同环境道路的提取,鲁棒性强.【期刊名称】《计算机工程与应用》【年(卷),期】2011(047)033【总页数】5页(P236-239,243)【关键词】道路检测;计算机视觉;区域增长【作者】林丽群;肖俊【作者单位】湖北大学资源与环境学院,武汉430062;武汉大学测绘遥感信息工程国家重点实验室,武汉430079【正文语种】中文【中图分类】TP7511 引言道路检测是智能导航研究中的重要环节。
车辆外观检测工作计划范文一、前言车辆外观检测是车辆生产和销售过程中的关键环节之一，对于确保车辆质量、保证消费者利益具有重要意义。
本工作计划将围绕车辆外观检测的目标、内容、流程、方法和质量控制等方面展开，旨在建立科学的、高效的车辆外观检测工作体系，提升企业的竞争力和市场声誉。
二、工作目标1. 提高车辆外观检测的准确性和可靠性，降低故障漏测和误测的风险；2. 提升车辆外观质量，满足用户的使用需求和审美要求；3. 强化质量管控体系，确保车辆外观检测的标准化和规范化；4. 加强团队协作，提高工作效率和工作质量；5. 不断优化车辆外观检测工作流程和方法，提高工作效率和精确度。
三、工作内容1. 制定车辆外观检测标准和规范，明确检测项目、参数和要求；2. 建立车辆外观检测工作流程，明确各环节的责任和要求；3. 选定检测设备和工具，确保其准确性和可靠性；4. 建立车辆外观检测档案，记录检测过程和结果；5. 开展车辆外观检测培训，提升员工的技能和专业水平；6. 建立车辆外观检测数据统计与分析系统，及时掌握工作进展和质量情况；7. 定期组织车辆外观检测评审，总结经验，改进工作方法和流程；8. 加强与供应商的沟通和合作，共同提升车辆外观质量。
四、工作流程1. 准备工作：明确工作目标和任务，制定工作计划，配置检测设备和工具；2. 车辆接收和检测准备：接收待检车辆，核对相关文件和信息，准备检测材料；3. 车辆检测：按照检测标准和规范，对车辆外观进行系统细致的检测，记录异常状况；4. 结果判定：根据检测结果和标准，判定车辆外观是否符合要求，有无质量问题；5. 整理归档：整理检测记录和结果，建立车辆外观检测档案，便于后续查阅；6. 检测报告和意见：根据检测结果，编写检测报告和意见，向相关部门提交；7. 异常处理：对于发现的质量问题，及时反馈给相关部门，协助其进行处理；8. 统计分析和总结：根据检测数据和统计结果，进行分析和总结，为质量改进提供依据。
后方车辆安全性能测试方案背景：近年来，汽车市场竞争日趋激烈，车辆的性能和安全性能成为了车主们关注的重点。
其中，后方车辆安全性能的测试，对于车辆的安全保障起到了重要的作用。
目的：本文旨在提供后方车辆安全性能测试的方案，以供开展相关测试的机构和个人参考。
方案：1.测试道路的选取：–选取路况较好、且车流量较小的高速公路或城市快速路进行测试。
–在测试前需确认该测试道路符合相关规定和安全标准，例如是否允许进行测试等。
2.测试工具的准备：–后方接近预警系统和自动制动系统等必要的测试设备。
–车辆以及相关测试工具的准备，以确保测试的准确性和可靠性。
3.测试项目及流程：测试项目测试流程测试结果判定后方接近预警系统测试设定不同距离的障碍物测试点，测试车辆在不同距离下是否能够及时发出预警当车辆在规定距离范围内能够发出预警时，测试结果为通过，否则为不通过自动制动系统测试测试车辆在不同速度下，是否能够自动制动，以及制动的反应时间当车辆能够在规定时间内完成制动，并且制动反应时间符合标准时，测试结果为通过，否则为不通过后方车辆能见度测试测试车辆后方的可见度，包括驾驶员视线范围内和盲区范围内的可见度当车辆的可见度符合标准时，测试结果为通过，否则为不通过4.测试结果的处理：–对测试结果进行数据分析和处理，提取有效信息和结论。
–根据测试结果，对后方车辆的安全性能进行评估和建议。
结论：通过上述方案的实施，可以实现对后方车辆安全性能进行客观、科学、可靠的测试和评估，提高车辆的安全性能和市场竞争力。
同时，对于消费者来说，选择已通过后方车辆安全性能测试的车型，也能够更好地保障自身的安全。
绵阳车辆视觉检测方案一、背景介绍车辆视觉检测是一种通过计算机视觉技术来检测和识别车辆的方法。
绵阳市作为一个发展迅速的城市，车辆数量不断增加，交通管理和安全成为了一个重大的问题。
为了解决这个问题，我们提出了一种车辆视觉检测方案。
二、方案目标我们的目标是设计一种高效准确的车辆视觉检测方案，可以实时检测和识别绵阳市道路上的车辆。
该方案将用于交通管理、交通统计以及车辆安全等方面。
三、方案实施步骤1.数据收集：首先，我们需要收集绵阳市道路上的车辆图像数据。
可以通过安装摄像头或使用现有的交通监控摄像头来收集数据。
2.数据预处理：收集到的车辆图像数据需要进行预处理。
预处理包括图像去噪、图像增强等操作，以提高后续车辆检测的准确性。
3.车辆检测：使用深度学习算法进行车辆检测。
我们可以采用基于卷积神经网络（CNN）的目标检测算法，如YOLO、Faster R-CNN等。
4.车辆识别：在检测到车辆后，我们将使用特定的算法对车辆进行识别，以获取车辆的特征信息。
我们可以采用特征提取算法，例如传统的特征描述算法（如SIFT和HOG算法），或者使用基于深度学习的特征提取算法，比如使用预训练的卷积神经网络进行特征提取。
5.结果输出：最后，将检测和识别的结果以文本形式输出。
可以将结果保存到数据库中，用于交通管理和统计等方面的应用。
四、方案优势1.高效准确：采用深度学习算法进行车辆检测和识别，可以实现高效准确的结果。
2.实时性：方案可以实时检测和识别车辆，及时反馈交通状态。
3.灵活性：方案可以根据需要进行定制化开发，满足不同场景下的需求。
4.可扩展性：方案可以与其他交通管理系统或设备进行集成，实现更多功能和应用。
五、方案应用1.交通管理：通过实时检测和识别车辆，可以实现交通信号灯的智能控制，提高交通效率和减少拥堵。
2.交通统计：通过统计车辆数量和流量等信息，可以进行交通研究和规划，优化交通路线和设施。
3.车辆安全：通过识别危险驾驶行为，如超速、逆行等，可以实时采取措施，减少交通事故的发生。
后方车辆安全性能测试方案一、概述在汽车驾驶过程中，后方车辆的行驶安全性对于司机和车上乘客都是非常重要的。
因此，测试后方车辆的安全性能是保证所有乘员乘车安全的必要步骤。
本文将就后方车辆安全性能测试方案进行探讨和讲解。
二、测试目标后方车辆安全性能的测试主要目标是检测和评估车辆在后方行驶时可能产生的风险和安全隐患。
具体测试目标如下：•测试车辆在高速行驶时后方视野盲区情况•测试车辆制动系统在后方车辆追尾情况下的反应时间•测试后方车辆追尾发生时车内乘员的安全守护系统的保护性能三、测试过程1. 后方视野盲区测试后方视野盲区测试的过程如下：1.确定测试道路的类型，例如高速公路、城市街道等；2.安装摄像头在后方车辆车尾；3.在后方车辆行驶过程中，通过特定的速度、时间和距离来测量摄像头视野盲区；4.分析测试数据，评估车辆后方视野盲区情况。
2. 制动系统反应时间测试制动系统反应时间测试的过程如下：1.安装传感器和数据采集设备在测试车辆的制动系统上；2.安装模拟追尾装置在后方车辆；3.启动后方车辆向测试车辆追尾；4.测量测试车辆制动系统反应时间；5.分析测试数据，评估车辆制动系统在后方车辆追尾时的反应速度。
3. 安全守护系统测试安全守护系统测试的过程如下：1.在测试车辆安装车载安全守护系统，例如自动停车、倒车雷达等；2.启动后方车辆向测试车辆追尾；3.测试车辆安全守护系统自动保护乘员的反应速度和效果；4.分析测试数据，评估车辆安全守护系统的保护性能。
四、测试结果在测试过程中，将会产生大量的数据和测试记录。
这些数据和测试记录将会用于评估车辆后方安全性能的表现。
根据测试结果，建议车主做出相关的维修和保养措施，以提高车辆的后方安全性能，同时也减少驾驶风险。
五、总结后方车辆安全性能测试是一项非常必要的测试。
通过本文的介绍，我们可以看出车辆后方的安全性对于所有人都非常重要，尤其是在高速行驶和城市繁忙的道路上。
开车人员需要注意车辆的性能和安全性，以保证自己乘坐车辆的安全。
基于视觉的车辆侧后方道路图像检测技术
刘志强;宋世亮;汪澎;仲晶晶
【期刊名称】《计算机工程与设计》
【年(卷),期】2010(031)012
【摘要】针对车辆在换道过程中易发生碰撞的问题,提出了一种针对车辆侧后方包括盲点区域在内的道路图像的检测算法.该算法对车辆侧后方车道线分为内外两侧进行分析,解决了因摄像机安放位置所产生的感兴趣区域不对称问题.利用基于梯度特征的阴影检测法对接近的车辆进行识别,在此基础上,通过单目视觉测距和两车的几何位置关系计算两车的距离.实验结果表明,该方法可以准确地识别本车后方的车道线和车辆,并且当两车距离在55米以内时,系统可以有效的对车距进行估计.【总页数】4页(P2800-2803)
【作者】刘志强;宋世亮;汪澎;仲晶晶
【作者单位】江苏大学,汽车与交通工程学院,江苏,镇江,212013;江苏大学,汽车与交通工程学院,江苏,镇江,212013;江苏大学,汽车与交通工程学院,江苏,镇江,212013;江苏大学,汽车与交通工程学院,江苏,镇江,212013
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于视觉的自主车道路检测技术研究 [J], 汤燕
2.基于单目视觉的车辆检测技术 [J], 范晓娟;胡坤福;段海艳;罗文广
3.基于机器视觉的夜间道路前方车辆目标检测技术 [J], 杨宏伟;武志斐;徐光钊
4.基于毫米波雷达与机器视觉融合的隧道车辆目标检测技术研究 [J], 孙永安
5.基于视觉的车辆检测技术现状 [J], 李玉萍
因版权原因，仅展示原文概要，查看原文内容请购买。
车辆视觉检测方案背景随着社会的不断发展，人们的生活水平不断提高，汽车成为了人们出行的主流方式之一。
但是，随着汽车数量的不断增加，交通事故也层出不穷，这给人们的生命财产安全带来了极大的风险和威胁。
为了减少交通事故的发生，提高交通安全，车辆视觉检测技术应运而生。
技术介绍车辆视觉检测技术是指利用计算机视觉技术，通过对车辆图像的分析和处理，来实现对车辆的自动化检测和识别。
它能够帮助驾驶员识别周围的交通情况，减少车祸的发生。
方案实现车辆视觉检测方案主要分为以下几个步骤：1.采集车辆图像车辆图像的采集主要是利用高清摄像机来进行拍摄。
拍摄的角度和位置应该选取合适的位置和角度，以便获取到最准确的车辆图像。
2.图像处理经过车辆图像采集后，需要对采集到的车辆图像进行进一步的处理，以方便后续的车辆检测。
主要包括以下几个步骤：•图像去噪：由于图像采集过程中可能会存在噪音，需要对图像进行去噪处理，以减少后续检测的误差。
•图像分割：将车辆图像分解为不同的部分，以检测车辆的不同部位。
•物体识别：利用机器学习算法，对车辆图像中的物体进行识别和分类，以准确识别车辆的种类和型号。
3.车辆检测在对车辆图像进行处理之后，就可以对车辆进行检测了。
通过对车辆图像进行分析和处理，可以获取到车辆的位置、大小、颜色等信息，从而实现对车辆的自动化检测和识别。
4.预警提示在对车辆进行检测之后，需要对检测到的车辆进行预警提示，提醒驾驶员注意。
预警提示可以通过声音或者图像的形式来进行，以增强驾驶员的警觉性。
应用前景在现代社会中，车辆视觉检测技术已经得到了广泛的应用。
从城市交通管理到高速公路安全管理，车辆视觉检测技术都能够发挥重要作用。
预计在未来几年中，车辆视觉检测技术将得到进一步的应用和发展，为提高道路交通安全水平起到更加重要的作用。
结论车辆视觉检测技术已经成为现代交通管理的重要组成部分，它可以帮助驾驶员识别车辆周围的情况，减少车祸的发生。
虽然还存在一些技术上的挑战，但是随着技术的不断发展和创新，相信车辆视觉检测技术会逐渐完善，为人们的生命财产安全保驾护航。
武汉车辆视觉检测方案引言随着车辆数量的快速增长，交通管理变得越来越重要。
为了提高交通安全性和交通效率，发展车辆视觉检测技术成为一种非常有效的方法。
本文介绍了一种武汉车辆视觉检测方案，该方案基于计算机视觉技术，通过图像分析和物体识别等方法，实现对车辆的自动检测和识别。
功能和特点功能该车辆视觉检测方案具备以下主要功能：1.车辆检测：利用图像处理算法，对输入的车辆图像进行处理，实现车辆的自动检测。
2.车辆识别：通过机器学习算法，在检测到的车辆中进行车型、颜色等特征的识别。
3.车辆计数：统计通过某个特定区域的车辆数量，用于交通分析和管理。
特点该车辆视觉检测方案具有以下几个特点：1.准确性高：通过复杂的图像处理和机器学习算法，能够高效地检测和识别车辆，准确率较高。
2.实时性好：该方案能够实现实时的车辆检测和识别，在短时间内完成大量车辆的处理和计数。
3.鲁棒性强：该方案考虑到不同天气和光照条件下的车辆检测问题，具备一定的鲁棒性。
4.扩展性强：该方案的架构设计合理，方便对功能进行扩展和升级，适应不同的需求。
技术实现图像获取在车辆视觉检测方案中，图像获取是第一步。
可以使用摄像头、摄像机等设备来获取待处理的车辆图像。
为了确保图像质量，应该选择高分辨率的设备，并确保摄像机的位置和角度能够覆盖需要监测的区域。
车辆检测车辆检测是本方案的核心功能。
在进行车辆检测时，可以使用基于深度学习的目标检测算法，如YOLO、SSD等。
这些算法能够将车辆与背景进行分离，准确地检测出车辆的位置和大小。
车辆识别车辆识别是基于车辆检测结果进行的。
对于检测到的车辆，可以使用传统的特征提取和机器学习算法来识别车辆的型号、颜色等特征。
也可以使用预训练好的神经网络模型，如VGG-16、ResNet等，进行车辆型号的分类识别。
车辆计数车辆计数是该车辆视觉检测方案的另一个重要功能。
在车辆检测和识别的基础上，可以通过跟踪车辆的运动轨迹，统计通过某个特定区域的车辆数量。
收稿日期:2006-03-22基金项目:国际科技合作重要项目(2005DFA10260)#作者简介:文学志(1970-),男,湖南津市人,东北大学博士研究生;赵 宏(1954-),男,河北河间人,东北大学教授,博士生导师#第28卷第3期2007年3月东北大学学报(自然科学版)Journal of Northeastern U niversity(Natural Science)Vol 128,No.3Mar.2007基于知识和外观方法相结合的后方车辆检测文学志1,赵 宏1,王 楠1,袁 淮2(1.东北大学信息科学与工程学院,辽宁沈阳 110004;2.东软集团有限公司汽车电子先行技术研究中心,辽宁沈阳 110179)摘 要:单独应用基于知识的方法或者单独应用基于外观方法检测是否存在车辆有一定的局限性,因此提出将二者结合起来用于静态图像后方车辆的检测#首先,利用分割算法获得感兴趣的区域(region of interest,R OI),利用基于知识(如车底阴影、颜色等信息)的方法,将被确认为是非车辆(背景)的ROI 过滤掉,然后再对过滤后的结果应用基于外观的方法进行车辆检测#在不同的道路(高速公路、城市普通道路和城市窄道)条件以及白天不同光照条件下对车辆进行检测,结果表明,该算法的识别可靠性更高,适应性更好#关 键 词:智能运输系统;辅助驾驶系统;车辆检测;特征提取;支持向量机中图分类号:T P 391.41 文献标识码:A 文章编号:1005-3026(2007)03-0333-04Rear -Vehicle Detection Combining Both Knowledge -Based and Appearance -Based MethodsWEN X ue -z hi 1,ZHA O H ong 1,WAN G Nan 2,Y UAN H uai2(1.School of I nformation Science &Engineering,Nort heaster n University,Sheny ang 110004,China; 2.A dvanced Automotive Electronic T echnology Research Center,Neuso ft G roup Ltd.,Shenyang 110179,China.Correspondent:W EN Xue -zhi,E -mail:wenxz @)Abstract:There is unavoidably a lim it to either know ledge -based or appearance -based methods w hen using any of them singly to detect the ex istence of vehicles.An algorithm combining both of them is therefore proposed to detect rear -vehicles in static images.First,the ROIs (reg ions of interest)obtained from segmentation algorithm are filtered w hich are regarded as belong ing to background by using know ledge -based methods such as the shadow underneath a vehicle and color information.Then,the vehicles are detected w ith appearance -based methods on the remains.The detection results of vehicles traveling on highways,urban common roads and urban narrow roads under various illumination conditions on day time indicated that the proposed algorithm has better reliability and higher adaptability than either of the algorithms singly based on know ledg e or appearance.Key w ords:intelligent transportation system (ITS);driver assistant system (DAS);vehicle detection;feature extraction;support vector machine (SVM )近年来,随着车辆的日益增多,交通事故对人们的出行安全影响逐渐增加#其中大多数交通事故都是由于驾驶员的疏忽引起的#为了降低交通事故数量,改善驾驶的安全性,世界上许多国家竞相投入大量资金和人力,研究智能交通系统(intelligent transportation system,IT S)#辅助驾驶系统(driver assistant system,DAS )是智能交通系统的重要组成部分,它对来自传感器(如雷达,摄像机等)的数据进行处理,辅助驾驶员及早获取、正确理解自驾车周围的信息,从而避免交通事故#由于视觉技术获取信息丰富且成本低,因而基于视觉的车辆检测已经成为当前的研究热点[1-3]#基于视觉的静态图像车辆检测过程总体来说分两步#第一步,从图像中提取候选车辆矩形区域,称其为感兴趣区域(region of interest,ROI);第二步,对ROI 进行车辆存在性校验#目前对车辆存在性校验所使用的方法中,基于知识的方法[4-5]和基于外观方法[6-7]是应用比较广泛的两种方法#基于知识的方法是指在识别中利用待识别目标的先验知识比如车底阴影、对称性以及边缘等特征信息进行识别;基于外观方法是指通过对一定量的样本进行学习训练后再进行识别#基于知识的识别方法优点是特征的检测方法相对简单,识别速度快,对水平结构相对简单的背景、绿色植物以及ROI 底部灰度值比较高的背景具有比较好的识别效果,不足之处是易受ROI 底部灰度值比较低且水平结构相对复杂的背景的影响#基于外观方法的优点是实现相对简单,识别的可靠性较好,对ROI 底部灰度值比较低且水平结构相对复杂的背景具有比较好的识别效果,不足之处是比较耗时,易受水平结构相对简单的背景、绿色植物以及ROI 底部灰度值比较高的背景等的影响,因而两者在背景识别中具有一定的互补性#为此,本文提出了将基于知识和基于外观方法结合起来进行车辆检测的算法,即首先利用基于知识的方法对ROI 中的背景进行过滤,然后用基于外观方法对过滤后的结果进行车辆识别#1 算法描述将基于知识和基于外观方法结合起来进行后方车辆检测的算法总体流程如图1所示,包括两个过程:训练过程和识别过程#训练过程利用车辆训练样本集和背景训练样本集进行训练以得到基于外观方法所需要的支持向量机(support vector machine,SVM )分类器#识别过程中对于输入的ROI,首先利用基于知识(如车底阴影、颜色等信息)的方法过滤背景,然后利用训练过程得到的SVM 分类器对过滤后的结果进行分类识别#图1 训练和识别过程Fig.1 Training and recogniti on processes1.1 知识检测方法先利用基于车底阴影及纵横比的分割算法得到ROI,再应用基于知识的方法过滤掉一部分被确认为是背景的ROI,以减少基于外观方法识别过程中背景对车辆检测的干扰并降低对背景的误识别率#所应用的规则主要有以下3条#¹车辆底部阴影:车底阴影是路面上行驶车辆的一个显著特征#车辆底部的阴影一般比路面区域要暗,对于不同宽度的ROI,设置不同的阈值来寻找ROI 中的阴影区域,若阴影区域的宽度满足一定的条件,则认为是车底阴影,否则,认为相应的ROI 是背景,将其过滤掉#º车辆底部的亮度:由于车底阴影的存在,导致车辆底部的亮度明显低于车辆其他区域的亮度,基于这一点,先计算ROI 一定高度区域像素亮度的均值,然后计算剩下区域亮度值低于这个均值的像素点的个数,若低于某个阈值,则认为相应的ROI 是背景,过滤掉#»颜色信息:根据RGB 图像中绿色植物的G 通道分量值大于R 和B 通道分量的特点,对树木等绿色植物进行检测#方法是先在ROI 中确定搜索区域,然后在此区域内统计G 通道分量与R 和B 通道分量之和的差大于给定阈值的点的个数,若像素点的个数不满足一定阈值时,则认为ROI 是候选车辆,否则,进一步考察搜索区域内是否有一定数量的水平线,如果有且彼此间的垂直距离满足给定的阈值,则认为ROI 是候选车辆,否则判定ROI 为背景,将其过滤#1.2 基于外观的方法应用基于知识的方法对被确认为是背景的ROI 进行过滤后,对剩下的ROI 再应用基于外观方法进行车辆存在性检测,包括图像归一化、特征提取以及分类识别三个步骤#¹图像归一化#将图像归一化为32@32、灰度级为256的灰度图,其目的是消除图像尺寸及颜色的影响#º特征提取#由于小波变换可以对不同区域、不同分辨率的信号进行分析,使得它在包括目标物检测[8]以及人脸识别[9]在内的许多领域得到了很好的应用#本文采用小波变换来实现图像边缘、轮廓及纹理特征的提取,其基本步骤如下#第一步,对N @N 维图像中的每一行进行低334东北大学学报(自然科学版)第28卷通和高通滤波#二分之一的向下采样相当于在N @N 维图像中每隔一列去掉一列,得到一个N @(N /2)维的图像#在第二步中,对滤波后图像的每一列进行低通和高通滤波#向下采样将两次滤波后N @(N /2)维的图像每隔一行去掉一行,这样图2所示树的每一个分支都成了一幅(N /2)@(N /2)维的图像#图中的每一个分支在N @N 维图像分析过程中起着不同的作用#开始对行的低通滤波使得每一行的灰度值变得模糊#若其后再进行列的低通滤波,那么所得的结果就是整个图像的低通近似,它在图2中是底部的第4个分支#如果行的低通滤波之后跟着列的高通滤波,那么行与行之间的变换,即水平细节就表现出来了,见图2中的第3个分支#图中树的顶部分支表示原始图像先经过高通滤波#开始对原始行的高通滤波突出了任意给定行中相邻像素之间的变化#接下来列的低通滤波模糊了两行之间的变换,最终只提供了垂直细节,记为图2中的第2个分支#当行的高通滤波之后跟着列的高通滤波时,突出了既非水平也非垂直的变化#这种操作顺序给出原始图像的对角细节,如图2中第1个分支#若对(N /2)@(N /2)维的低通细节重复与原始图像相同的滤波采样过程#则会产生4个(N /4)@(N /4)的子图像:一个低通部分,以及水平、垂直和对角部分#分析可以一直进行下去,直到获得的子图像只包含一个像素为止#由于Haar 小波与其他小波函数相比具有易于实现、计算所需资源更少的特点,而且,Haar 小波基为正交基,利用Haar 小波描述图像特征无冗余信息#因而本文选择H aar 小波函数来进行特征提取#对32@32的灰度图进行5层小波分解,保留除第1层对角细节系数外的所有系数,因为可能的噪声信息主要集中在第1层对角系数中;然后将系数幅值归一化到[0,1]之间,以消除不同光照条件的影响;再将较小的系数幅值置零,以减少对分类贡献小的细节信息及可能的噪声信息#»分类识别#车辆存在性检测是一个两类模式识别问题,即车和非车#由于SVM 具有结构简单、泛化能力强的特点,其性能胜过其他大多数的学习系统#本文采用SVM 分类器来进行车辆和非车辆的两类模式识别#首先采用离线方式利用以上对训练样本特征提取结果训练SVM 分类器,本文训练SVM 分类器采用的核函数为高斯径向基核函数(radial basis function,RBF),利用交叉验证法选择最优参数#然后利用训练得到的SVM 分类器对ROI 进行车辆和非车辆分类识别#图2 二维小波变换分析Fig.2 Two -dim ension wavelet trans form analysis2 实验结果及分析实验数据来自于从车载摄像机拍摄的白天不同时间、各种场景的视频片断所截取的帧图像,其中包括高速公路、城市普通道路、城市窄道,道路为柏油路、水泥路,路面有涂漆、污迹等#共得到27664张训练样本,其中车辆样本9588张,背景样本18076张#测试样本为从视频截取的529帧图像,测试样本与训练样本分别来自不同的视频图像#为了便于比较,对同样的训练样本和测试样本分别单独采用基于外观方法和基于知识的方法进行了测试,然后利用自行开发的自动评测工具对算法结果进行了评估#为了描述方便,用以下符号表示相关的识别算法#KB 代表基于知识的检测方法;AB 代表基于外观的检测方法;KB+AB 代表基于知识和基于外观方法相结合的检测方法#结果如表1所示,其中各个指标的结果均为平均值#表1中,R d 为识别率(detection rate);R f 为335第3期 文学志等:基于知识和外观方法相结合的后方车辆检测误识别率(false alarm rate)#图3为正确识别与误识别说明#RR 表示车辆正确的位置,即理想的车辆检出区域(reference reg ion);DRR 表示算法输出的定位结果(detection result region)#R d =N T P /N RR ;R f =N T P /N DR #式中,N T P 代表RR 与DRR 交集的数量;N RR 表示评估图像集合中出现的车辆次数(number of reference reg ions);N DR 表示算法检测出来的车辆个数(num ber of detection result reg ions)#表1 三种识别方法的检测结果Table 1 Detection results of three recognitionm ethods %道路类型识别方法R d R f 高速公路KB80.0245.43AB 82.7116.03K B+AB 82.04 2.90城市窄道KB 80.2531.43AB 84.7328.14K B+AB 83.95 6.08城市道路KB 82.4040.52AB 86.0628.95K B+AB84.946.00从表1的实验结果可以看出,在识别率所在列中,基于知识和基于外观相结合的检测方法识别率要比单独基于外观方法识别率低,这是由于基于知识方法在过滤背景时将个别车辆过滤掉了#而误识别率比分别应用基于知识方法和基于外观方法大幅下降,这是由于基于知识方法过滤掉了大量绿色植物、建筑物及护栏等背景#由此可以看出将两者结合起来识别效果更加可靠,适应性更好#图3 两种识别情形F i g.3 Two cases of recognition (a))正确识别;(b))误识别#3 结 语将基于知识和基于外观方法结合起来进行静态图像后方车辆检测的算法综合了两种方法检测背景的优点#在大样本训练集及测试集下的实验结果表明,该算法在不同的道路环境及光照条件下与以往单独基于知识和基于外观方法相比,取得了较好的识别效果,尤其是在复杂的城市道路及绿色植物较多的区域,误识别率明显下降#尽管本文提出的算法相比以往依靠单一识别方式识别效果有了明显改善,但还存在以下几个方面的问题,需要进一步解决:第一,算法对对比度较低的车辆以及护栏的识别还有待进一步提高;第二,需要进一步改进过滤规则以避免对车辆产生误过滤;第三,算法的实时性需要进一步提高#参考文献:[1]Sun Z,Bebi s G,M i ller R.On -road vehicle detection using optical sensors:a review [C]M IEEE International Conference on Intelligent T ransportation Systems.New York:IE EE Press,2004:585-590.[2]Han S,Ahn E Y,Kw ak N.Detection of multiple vehicles in image sequences for driving assi stance system [C ]M International Conference on Computational Science and Its Applications.Berli n:Springer -Verlag,2005:1122-1128.[3]H offman C,Dang T ,Siller C.Vehicle detecti on fusing 2D visual features [C ]M IEEE Intel li gent Vehicles S ymposium.Parma:U niversity of Parma,2004:280-285.[4]T en T K,van Leew en M B,M oro -Ellenberger S E,et al .M id -range and distant vehicle detection w ith a mobile camera [C ]M IEEE Intelligent Vehicles Symposi um.Parma:University of Parma,2004:72-77.[5]Huang S ,C hen C,H si ao P,et al .On -board vi sion system for l ane recognition and front -vehicle detection to enhance driver 's aw areness [C ]M Proceedings of the 2004IE EE International Conference on Robotics &Automation.New York:IEEE Press,2004:2456-2461.[6]Khammari A,Nashashibi F,Abramson Y,et al .Vehicle detectioncombininggradientanalysisandAdaBoostclas sification[C]M Proceedings of the 8th International IE EE Conference on Intelligent Transportation Systems.NewYork :IEEE Press,2005:1084-1089.[7]Th i ang,Lim R,Guntoro A T.Car recogniti on using Gabor fi lter feature extraction [C ]M Circuits and Systems,APCCAS '02.Singapore:IEEE Press,2002:451-455.[8]S chneiderman H,Kanade T.A statistical approach to 3D object detection applied to faces and cars [C ]M IE EE International Con feren ce on Computer Vision and Pattern Recognition.Hilton Head:IEEE Press,2000:746-751.[9]Garcia G,Zikos G,T ziri tas G.Wavelet packet analysi s for face recogniti on[J ].I mage and Vision Compu ting ,2000,18:289-297.336东北大学学报(自然科学版) 第28卷。
