内容简介：在对于图像上的每一块颜色，计算与背景图的distance甚至更硬核一点，直接把各种可能的车辆图片存起来，然后跟相机视角的图片进行比较
在 CNN (Convolutional Neural Networks 卷积神经网络) 普遍运用之前，车辆检测是通过使用条件随机场或者SVM(支持向量机)来实现的。操作上分为两步，先是从图像上提取特征，然后基于特征建立模型，判断车辆位置。
template matching 模板匹配
对于图像上的每一块颜色，计算与背景图的distance
甚至更硬核一点，直接把各种可能的车辆图片存起来，然后跟相机视角的图片进行比较
这类解决方案统称 template matching
Color Histogram
template matching的缺陷也很明显，对于没有预存过的模板，自然无从识别。因此出现了 Color Histogram方案
将车辆的模板转换成颜色直方图，运算时比较目标物体与预存直方图的相似度。优点是同一个物体在不同角度仍可识别。比如对于一辆红色的车，从不同方向看过去，模板匹配无法很好地识别，而利用Color Histogram则不受影响。
HOG
Histogram of Oriented Gradients (定向梯度直方图), 相比于之前的特征，HOG特征更加健壮，并且无视颜色的影响。
操作的时候，首先捕捉图像的轮廓与纹理信息
然后将图像划分为多个cell。对每个cell计算梯度方向
统计每个cell的局部直方图
将结果归一化，得到的主方向将成为局部特征梯度方向
汇总每个cell得到的局部信息，就可以得到HOG特征
针对每一帧图像，检测车辆位置，形成连续追踪
以上所述就是小编给大家介绍的《从零开始的无人驾驶 02：Vehicle Detection》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
猜你喜欢:
- 从零开始的无人驾驶
- Google工程师：从零开始学习无人驾驶技术 ——端到端无人驾驶
- 从 0 开始使用树莓派和 TensorFlow 构建自动驾驶项目
- 当Faster RCNN遇到FPGA，自动驾驶开始飞了
- 从零开始的无人驾驶 01：Lanes Finding with Computer Vision
- 无人驾驶入门1：无人驾驶概览
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
