29、基于数字图像处理识别路标的自动驾驶系统

基于数字图像处理识别路标的自动驾驶系统

在智能交通系统领域，目标视觉检测（OVD）正迅速崛起。这得益于光流技术具有较高的识别精度，它能够生成移动物体的运动边界，避免不同移动物体之间的重叠。

1. 目标检测技术概述

目标检测在计算机视觉领域是一项具有挑战性但又至关重要的应用，在人脸识别、行人检测等众多实际场景中都取得了显著成效。最初，目标检测技术依赖于手工特征和线性、最大边缘分类器，其中可变形部件模型（DPM）是这一时期的典型代表。然而，自2012年Krizhevsky等人的开创性工作以来，深度学习（深度神经网络）逐渐在计算机视觉的各个问题中占据主导地位，目标检测也不例外。如今的目标检测策略完全基于深度学习，手工特征和线性分类器已被深度神经网络所取代。

2. 相关文献中的目标检测算法

过往有许多用于目标检测的算法被提出，以下是一些常见的算法及其特点：
- 帧差法 ：通过计算相邻两帧图像基于边缘的差值，若差值不为零，则认为该区域有物体移动。但该方法存在局限性，在拍摄视频时，由于空气流动或其他因素导致相机位置发生变化，可能会造成静止物体的误检测。
- Viola - Jones算法 ：利用Haar-like特征，即图像与一些Haar-like模板的标量积。不过，该检测器仅对正面人脸图像效果最佳，并且对光照条件较为敏感。
- 肤色建模 ：首先在颜色空间中描述图像像素，合理分布皮肤和非皮肤像素，然后进行肤色建模。根据肤色在颜色空间的分布特征，可快速识别肤色像素。但肤色会因不同种族、不同地区的人而有所差异，这是该方法的明显缺点