论文总字数：24846字

摘 要

道路目标的识别和跟踪是无人驾驶算法的重要一环。针对无人驾驶车辆对于运动目标检测和跟踪的问题，本文结合了经典的帧间差分法和光流法，提出了运动目标检测的新方法。文中首先分别使用帧间差分法和lk金字塔光流法对视频图像序列初步检测，之后选取发生光流的移动特征点来对帧差分法进行筛选，然后用canny算子得到的轮廓对目标进行完善。

在静态背景检测的基础之上，针对动态背景进行全局运动补偿，从而把动态背景化为静态背景，从而完成运动目标的检测。而后，针对不同的情况，提供了补偿模式的开关和两种的目标显示模式。最后，设计交互界面，形成完整独立的程序，并通过几段视频的检验，所设计的算法能够完成基本的运动目标的检测跟踪。

关键词：帧间差分法；光流；运动目标检测；无人驾驶

Abstract

Detection and Tracking for Road Targets is an important part of Algorithms of unmanned vehicles.Aimed at the problem of Detection and tracking of moving targets for unmanned vehicles,this passage proposes a new method of moving target detection combining the classical inter-frame difference method with the optical flow method. Firstly,using inter-frame difference method and L-K optical flow method to detect the video image sequence separately.Secondly,screen the targets which detected by inter-frame difference method using the moving characteristic points of optical flow,and then,perfecting the goals using the outline which calculated by canny operator.

On the basis of static background detection,it uses the global motion compensation for dynamic background to change the dynamic background into static background,so we can achieve the goal of the detection of moving target.Then,it provides the switch of the compensation and two mode to show the target for different circumstances.Finally，designing a single and complete application and testifies it through several videos,the designed algorithm can detect and track basic moving objects.

Key words: Inter-frame difference method, Optical flow, Moving target detection, Unmanned driving

目 录

第一章 绪论 2

1.1. 选题背景和研究意义 2

1.1.1. 选题背景 2

1.1.2. 研究意义 3

1.2. 国内外研究现状 4

1.3. 论文的组织结构 5

第二章 运动目标检测算法研究 6

2.1. 视频图像预处理 6

2.1.1. 图像去噪 6

2.1.2. 图像灰度化与二值化 8

2.2. 运动目标检测算法研究 9

2.2.1. 帧间差分法 9

2.2.2. 光流法 10

2.2.3. 光流法与帧差法结合算法 13

2.3. 小结 14

第三章 运动背景下运动目标检测 15

3.1. 相关图像处理知识 15

3.1.1. 图像形态学处理 15

3.1.2. 图像边缘处理 20

3.2. 动态背景下的检测 22

3.3. 小结 25

第四章 测试与结果分析 26

4.1. 程序的组成 26

4.2. 测试与结果分析 28

4.2.1. 程序运行环境 28

4.2.2. 运行结果 28

4.3. 软件的实现 29

4.4. 本章小结 29

第五章 总结与展望 30

5.1. 工作总结 30

5.2. 未来展望 30

参考文献 31

致谢 33

绪论

选题背景和研究意义

选题背景

随着智能时代的来临，自动驾驶车辆将成为未来的主流，也是现阶段大小汽车制造厂商主要的研发方向。早在二十世纪七十年代开始，无人驾驶汽车的研究就已经在欧美的一些发达国家开始了起步，并且在实用化和可行性等方面都取得了突破性的进展。而我国在上世纪八十年代才开始涉足，起步稍晚，但在九十年代初期也研制出了国内第一辆无人驾驶汽车。从行业的角度来看，从上世纪八十年代第一辆计算机控制的汽车诞生到今天为止，过去了四十多年，人类一步一步攻克了许多问题，但是，自动驾驶技术目前仍未普及，甚至在大多数人眼里仍是一项高端技术。由此可见，无人驾驶技术跨越多学科多领域，融合了大量的前端技术，它不是单一技术，而是一个由许多子系统组成的高度复杂的系统。[1]并且当前仍有许多待解决以及不稳定的问题。而推动这项技术发展的，除了汽车厂商，还有许多初创公司，科研院所，各大高校等等，同样也可以预见，这项技术正逐步走向成熟走向民用。

现阶段，作为无人驾驶技术的低级层次和先行者，自动泊车技术已经较为成熟，并且在中高端车型上已经广泛配置。而在特斯拉等高端车型，已经具备自动驾驶技术，可见该技术已经达到商业落地的阶段。不幸的是，2018年出现的几次无人驾驶事故让大众对这项新技术及其商业化和民用化产生了质疑。虽然这些不能阻止无人驾驶发展的步伐，但也给相关技术敲响了警钟也提出了更高的要求。幸运的是，借助人工智能，大数据，5G等热门技术的发展的春风，无人驾驶技术也向着更好的方向发展。

无人驾驶显而易见是由车辆搭载的计算机来完成信息采集，控制等功能。这就涉及到计算机领域的算法层面。无人驾驶的算法主要包括传感，感知，和决策这三个部分。传感即信息的初始采集，从原始数据中提取有用的信息。目前，无人驾驶车辆主要使用四种传感器：全球定位系统(Global Positioning System，GPS)和惯性测量单元(Inertial Measurement Unit，IMU)、激光雷达、摄像头以及毫米波雷达和声呐。每种传感器都有自身的优越性也各有缺陷。通常，为了提高驾驶系统的可靠性和安全性，会结合多种或全部传感器的数据。感知简而言之是对传感数据的处理，来理解车辆周围的环境。感知系统的三个主要任务是定位、目标识别和目标跟踪。GPS/IMU和摄像头的数据可以进行定位，激光雷达和声呐、摄像头的数据可以来目标识别和跟踪。而摄像头采集的数据，便是通过类似人眼的机器视觉(Computer Vision，CV)的方式进行处理的。而近些年来，随着深度学习技术的迅速发展，伴随着卷积神经网络(Convolutional Neural Network，CNN)的运用，机器视觉越来越成为主要的目标识别跟踪的处理方法。决策是基于前两个部分的基础之上，实时生成车辆的行为规划，完成其他车辆以及道路目标的行为预测，自身的路径规划以及车辆避障等操作。

研究意义

图像处理算法日趋成熟，计算机硬件的处理速度也逐步提升，摄像头获取图像的分辨率和频率也跨越式发展，加之前面所说的系统算法层面的提升，使得摄像头以及机器视觉逐步发挥其优势，在之余成本的角度考虑，摄像头开始成为主要的传感器模块。反观之，目标识别和跟踪任务也主要由摄像头来完成。所以，通过机器视觉来完成对图像的处理也是无人驾驶技术的关键部分。

无论是常规的其他车辆的检测，还是突发的应急避障处理，都需要通过摄像头获取周围图像数据，然后对图像进行处理，来识别目标，之后把目标的信息等反馈给核心处理设备来进行之后的决策。单从这一条路径来看，关键就是在于对数据信息的处理，即目标的准确识别和跟踪。把无人驾驶汽车比作一个人，摄像头就像人的眼睛，核心处理设备就像人的大脑的决策部分，而目标的识别和处理就像大脑的认知部分，如果人的认知出现了问题，那么即便能看到大千世界，也不能分清何为何物，就像看一幅抽象派的画作一般。而对于无人驾驶车辆来说，这一步若出了问题，即便能摄像头能观察到危险，车辆也无法做出正确的措施。显然，目标的识别与跟踪对于车辆的安全性而言是至关重要的环节。

剩余内容已隐藏，请支付后下载全文，论文总字数：24846字