1、夜間車輛檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域一個(gè)具有挑戰(zhàn)性的問(wèn)題。夜間光照條件差，車輛外形特征不明顯，導(dǎo)致交通事故頻發(fā)。針對(duì)夜間車輛檢測(cè)誤檢率高、檢測(cè)速率慢的問(wèn)題，本文研究了基于單目視覺(jué)的夜間前方車輛檢測(cè)方法，以提高夜間行車的安全性。論文主要工作包括以下三部分：
　?。?）基于CenSurE特征的車燈檢測(cè)算法。由于人工設(shè)定閾值和濾波器線性采樣，導(dǎo)致特征點(diǎn)稀疏、噪聲多，本文在中心環(huán)繞雙層濾波器上利用對(duì)數(shù)尺度采樣獲取密集的特征點(diǎn)，并使用多級(jí)Otsu閾

2、值濾除不穩(wěn)定的特征點(diǎn)；然后，根據(jù)顏色閾值進(jìn)一步確定車燈區(qū)域；最后，根據(jù)配對(duì)約束條件進(jìn)行車燈配對(duì)。相比于原始CenSurE算法，本文的改進(jìn)方法能提取到密集和噪聲較少的特征點(diǎn)，查準(zhǔn)率提高了8.6％，提高到41.2%，查全率提高了12%，提高到53.3%，但是仍誤檢部分路燈、廣告牌等非車燈光源。
　?。?）針對(duì)傳統(tǒng)方法優(yōu)秀的人工特征也難以準(zhǔn)確檢測(cè)車輛的問(wèn)題，本文提出了基于Faster RCNN的夜間車輛檢測(cè)算法，使用深層卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)

3、出更好的車輛描述特征。原始Faster RCNN隨機(jī)選取負(fù)樣本的機(jī)制，沒(méi)有專注區(qū)分車燈和非車燈光源，本文通過(guò)改進(jìn)的CenSurE特征啟發(fā)式地挖掘困難樣本，以增強(qiáng)模型分類性能。與原始模型相比，困難樣本挖掘模型的AuC提高了8.1%，提高到84.4%。
　?。?）針對(duì)Faster RCNN檢測(cè)速率較慢，難以滿足實(shí)時(shí)性要求的問(wèn)題，本文提出一種基于PCA降維的Faster RCNN模型優(yōu)化方法。首先對(duì)模塊C全連接層參數(shù)進(jìn)行降維，為了保證模

4、型收斂，在原始訓(xùn)練步驟的基礎(chǔ)上增加兩步分別用于學(xué)習(xí)模塊B和模塊C的參數(shù)。然后結(jié)合（2）的在線困難樣本挖掘機(jī)制進(jìn)行模型學(xué)習(xí)，相比于原始模型，本文改進(jìn)的模型減少了近5000萬(wàn)個(gè)參數(shù)，每一秒的檢測(cè)幀數(shù)由原來(lái)的17幀提升到24幀，AuC提高了9.8%，提高到86.1%。
　　針對(duì)Faster RCNN，本文除了使用與訓(xùn)練樣本類似的高速路和市區(qū)場(chǎng)景進(jìn)行測(cè)試，還挑戰(zhàn)性地使用與樣本不一致的困難場(chǎng)景進(jìn)行測(cè)試，通過(guò)實(shí)驗(yàn)，證實(shí)了本文模型的普適性和泛化