上海大学学报(自然科学版) ›› 2019, Vol. 25 ›› Issue (1): 56-65.doi: 10.12066/j.issn.1007-2861.1889
CHEN Gaopan1, XU Meihua2(), WANG Qi1, GUO Aiying2
摘要:
针对前方车辆检测中遇到的速度和精度问题, 首先对感兴趣区域 (region-of-interest, ROI) 提取中大津阈值 Qtsu 分割方法应用范围的局限性进行了分析, 并考虑累计密度函数 (cumulative-density-function, CDF) 阈值分割方法鲁棒性差的问题, 提出了一种基于人工神经网络 (artificial neural network, ANN) 的方法来拟合阈值分割点, 以提高阈值分割的准确性和鲁棒性, 减少伪 ROI; 其次针对在复杂环境下车辆与背景粘连的问题提出了一种分区域六角分割的方法, 降低 ROI 漏检率; 最后对 ROI 提取 Haar 特征以及用优化的自适应提升 (adaptive boosting, AdaBoost) 对 ROI 进行分类, 得到筛选后的车辆目标. 实验结果表明, 对于分辨率为 640$\times $480 的视频, 系统处理速度可达到 81.3 帧/s, 错误率为 3.8%.
中图分类号: