1。2  研究现状 

1。3  论文章节安排 

    本文在第一章首先介绍了智能交通系统，智能车以及智能辅助驾驶系统的研究背景以及智能车环境感知系统的研究现状，随后介绍了基于车辆特征的车辆检测。最后详细介绍了本文的章节安排。

第二章提出了基于车底阴影特征的车辆检测算法。在提取车底阴影与路面交线的步骤中提出了两种算法：第一种是利用灰度直方图取一个自适应的阈值，第二种便是采用图像均值和方差差值取两次分割阈值。在得到车底阴影与路面交线后，进行水平边缘检测以得到ROI，最后进行对称性熵检测。

第三章提出基于车辆尾灯特征的车辆检测算法。利用车底阴影检测时得到的ROI提取出车辆尾灯二值化图像，然后通过边缘检测方法得到车辆尾灯边缘图像，接着通过提取图像中的连通域获得车辆尾灯矩形，最后进行车辆确认。

第四章为小结，对文章的研究工作进行了小结。

2  基于车底阴影特征的车辆检测算法

2。1  基于车底阴影的车辆检测算法的基本原理

大多数情况下车底阴影区域相较于路面上其它区域要黑暗的多。车底阴影与图像的其它区域的区别主要有以下三点:阴影部分自下而上会有显著的垂直梯度的变换;车辆阴影底部为水平;水平阴影的长度会随着图像行数的递增而变长。因此基于车底阴影的车辆检测的核心在于能否有效地提取车底阴影,能否有助于较为高效与准确地检测到车辆。 其中的过程分为两步:  第一步为生成车辆假设区域,第二步为验证假设区域。生成车辆假设区域的手段就是提取出阴影区域。论文网

2。1。1  图像二值化

图像二值化即选择一个合适的阈值， 将车底阴影区域从背景图像中分割出来。 阈值的计算是二值化算法设计的重点。 图像阈值选取方法可以分为全局和局部的阙值选择方法， 全局阈值选取是根据整幅图像灰度信息确定一个阈值， 局部阈值选取方法是将图像划分成若干子图像， 然后根据每个子图像确定相应的阈值。 目前典型的几种阈值选取方法有直方图方法、 最大类间方差、 最大熵法。

直方图方法是直接从原始图像的灰度分布直方图上确定阈值， 包括p-分位数法、双峰法、直方图凹面分析法。但由于实际图像的情况往往比较复杂，而且可能噪音干扰比较大，

直方图参差不齐，确定直方图的最大值和最小值是比较困难的。

最大类间方差是由日本Ostu于1978年提出的， 又称为大津阈值分割法，它是基于判别式分析最小二乘原理的基础上推导得出的。 图像中的灰度值按照初始阈值先分为两类， 然后计算类内、 类间和总体方差，通过判决准则函数表达式不断迭代， 计算得到最优的分割阈值， 但是这种方法计算量巨大。

最大熵法用熵来定义一个系统的信息量，是系统不确定性的度量。假设图像仅在其灰度分布直方图表示的基础上，来定义图像的熵，并用这一度量来实现图像中目标和背景的分离。

最大熵方法对不同目标大小和信噪比SNR的图像均能产生很好的分割效果，目标大小对算法的影响较小，可以用于小目标分割。但这种算法涉及对数运算，运算速度比较慢，实时性不是很好。

2。1。2  算法框图

     根据二值化的多样性，我觉得有必要在此尝试2种二值化的方法。第一种是利用灰度直方图取一个自适应的阈值即下算法一，第二种便是采用图像均值和方差差值取两次分割阈值级下算法二。