李 航, 张 琦, 殷守林, 孙 可

(沈阳师范大学 软件学院, 沈阳 110034)

0 引 言

快速准确的车辆检测对于支持各种应用程序的开发至关重要,例如视频监控,公共安全,智能交通控制和自动驾驶。车辆检测是计算机视觉的重要分支,已经在世界范围内进行了一段时间的研究。然而,由于许多因素的影响,例如照明条件的变化、遮挡、视角和物体变形,具有鲁棒性的车辆检测仍然很有挑战性。而且,在复杂场景中对车辆的实时检测的需求也增加了困难。尤其在学生比较多的大学校园中,校园车辆的检测对于学生安全及人流控制具有很重要的意义[1]。

尽管存在这些挑战,但基于机器学习的车辆检测算法的研究,在最近一段时间已取得了很大的进步。例如,司阳等[2]利用动态贝叶斯网络(DBN)开发了一种具有良好适应性和车辆检测精度的车辆检测方法,该方法基于车辆颜色和物体边缘的特征,降低近似目标的影响,精确提取出车辆目标;Jens等[3]提出了一种基于AdaBoost和支持向量机(SVM)分类器的车辆检测方法,文中用AdaBoost和SVM分类器检查每个车辆图像窗口中是否存在目标区域;Noh等[4]提出了一种自适应滑动窗口策略来连续模拟给定场景,大大提高了车辆检测性能。

尽管这些过去的研究已经解决了与车辆检测相关的许多挑战,但是随着理论的深度研究和实践的飞速发展,基于机器学习的车辆检测和分类算法的发展进入了一个新阶段。例如,与传统的物体检测算法相比,卷积神经网络(CNN)的应用在车辆检测算法中为几何变换、物体变形和可变照明条件提供了更高的不变性,从而大大减少了车辆外观的影响并提高了检测精度。……