隨著人們的生活水平不斷提高，使車輛保有量得到增加，人們也越來越重視交通安全問題。世界各國開始研究車輛輔助加濕系統(tǒng)，使安全行車目的得到實(shí)現(xiàn)。通過車輛輔助駕駛系統(tǒng)能夠?qū)囕v行駛方向周圍車輛、行人等進(jìn)行實(shí)時(shí)檢測(cè)，使駕駛?cè)死冕槍?duì)性措施避免危險(xiǎn)。前方車輛檢測(cè)能夠避免由于安全車距不足導(dǎo)致車輛追尾，提高車輛駕駛中的安全性。所以，本文結(jié)合多信息融合實(shí)現(xiàn)前方車輛檢測(cè)，避免單個(gè)特征檢測(cè)缺點(diǎn)，使車輛檢測(cè)效率與精準(zhǔn)率得到提高。

——共建共享，融合發(fā)展。整合資源，部門聯(lián)動(dòng)，統(tǒng)籌推進(jìn)，加快鄉(xiāng)村旅游與農(nóng)業(yè)、教育、科技、體育、健康、養(yǎng)老、文化創(chuàng)意、文物保護(hù)等領(lǐng)域深度融合，培育鄉(xiāng)村旅游新產(chǎn)品新業(yè)態(tài)新模式，推進(jìn)農(nóng)村一二三產(chǎn)業(yè)融合發(fā)展，實(shí)現(xiàn)農(nóng)業(yè)增效、農(nóng)民增收、農(nóng)村增美。

1 車輛陰影檢測(cè)

車輛陰影是指光照在車輛中的圖像，陰影灰度值接近車輛顏色部分灰度值，對(duì)車輛陰影進(jìn)行檢測(cè)能夠識(shí)別車輛問題。陰影主要包括暗影和半影，半影會(huì)影響車輛的識(shí)別，所以就要消除半影。車輛對(duì)比路面背景，淺色車身的灰度值比較大，從大到小灰度值分別為淺色車身、背景、半影、黑色車身和車底暗影。根據(jù)上述灰度分布，無論是淺色或者深色的車輛，車輛和半影有一定的差別，所以利用閾值分割圖像消除半影，應(yīng)用公式為：

本題是培養(yǎng)學(xué)生轉(zhuǎn)化能力的極佳素材，雖然條件一讀就懂、圖形一看就明，但一做卻又難以入手．不過，借助“知識(shí)溯源式目標(biāo)分析法”卻可巧妙地讓解題思維轉(zhuǎn)化路線圖水落石出．

公式1

公式中的

與

指的是路面灰度均值與均方差，

=20、

=20對(duì)車輛陰影檢測(cè)，通過路面分離。在選擇閾值比較低的時(shí)候，提取車輛目標(biāo)存在大面積半影，車輛面積比較大；在選擇閾值比較高的時(shí)候，和背景灰度接近的淺色車身識(shí)別比較困難。

本文使用多門限分割方法使車輛陰影分割準(zhǔn)確性得到提高，解決目標(biāo)與背景具備不同層次的問題。假設(shè)經(jīng)過一次二維最大類間方差分割，求圖像

(

,

)在灰度級(jí)[0,L-1]的全局門限值(s*,T*)，原本灰度級(jí)為[0,S-1]的區(qū)域被劃分成為背景C0。為了實(shí)現(xiàn)多級(jí)分割，使目標(biāo)與背景區(qū)域連續(xù)遞歸的分割。在整個(gè)分割過程中，遞歸實(shí)現(xiàn)原圖像的灰度級(jí)分割，直到?jīng)]有新區(qū)域被分割。為了避免分割門限比較多，使目標(biāo)區(qū)域劃分成為不同的區(qū)域。本文充分考慮車輛陰影或者底部暗區(qū)域灰度值比較低，將路面分割半影消除實(shí)現(xiàn)三次分割，分割之后的圖像包括五個(gè)灰度級(jí)，最低灰度級(jí)為分割出車輛陰影區(qū)域或者車輛底部暗影部分，圖1為多門限分割算法流程。

本文使用BDD100K數(shù)據(jù)集與實(shí)驗(yàn)室自建數(shù)據(jù)集，開發(fā)內(nèi)容多樣化，包括不同場景、天氣和時(shí)間等。本文自建數(shù)據(jù)集指的是車載行車記錄儀在某道路中車輛行駛中得到的，包括不同場景中的實(shí)時(shí)道路視頻和圖像。

2 基于融合的車輛檢測(cè)

2.1 車輛篩選

為了對(duì)油澤、積水、橋梁等陰影干擾進(jìn)行排除，壓縮檢測(cè)對(duì)象。使連通區(qū)域中上下垂直間隔五個(gè)像素距離，對(duì)陰影線位置坐標(biāo)最大值進(jìn)行選擇。根據(jù)透視投影原理約束長度。圖像陰影長度

與車輛寬度

能夠滿足比例關(guān)系，陰影線長度假設(shè)為

，陰影約束條件為：

公式2

對(duì)象通過閾值處理作為塊狀區(qū)域，包括車尾和背景。車輛分割后的陰影和車尾能夠使矩形特點(diǎn)得到滿足，定義矩形度為陰影面積

與外接矩形面積

的比，排除矩形度小于0

6的區(qū)域，對(duì)陰影區(qū)域進(jìn)行初步篩選：

公式3

車道檢測(cè)在車輛行為識(shí)別中尤為重要，檢測(cè)結(jié)果對(duì)車輛行為識(shí)別精準(zhǔn)性具有直接影響。目前車道檢測(cè)方法包括Hough變換改進(jìn)算法、貝塞爾曲線模型檢測(cè)算法、Haar特性圖像匹配算法等，所以選擇以上文獻(xiàn)方法和本文算法進(jìn)行評(píng)估，選擇數(shù)據(jù)集中的白天、夜晚、傍晚、下雨天四種情景中的600幀圖像，表1為車道檢測(cè)算法評(píng)估結(jié)果。

完整車輛候選區(qū)域利用先驗(yàn)知識(shí)表示：在陰影線的左右延伸像素，根據(jù)車輛的高寬比陰影線的行動(dòng)方向確定車輛感興趣區(qū)域。車輛邊界結(jié)構(gòu)具有明顯的邊緣特征，近似為矩形區(qū)域。車輛垂直兩邊界長度大于內(nèi)部垂直邊緣，確定同理水平方向。利用

算法對(duì)測(cè)量感興趣區(qū)域的邊緣檢測(cè)，計(jì)算邊緣圖像水平和垂直方向的投影積分量。車輛最外邊的矩形框指的是利用先驗(yàn)知識(shí)得到初步車輛感興趣區(qū)，粗線標(biāo)記矩陣是指邊緣確定邊界對(duì)車輛候選區(qū)進(jìn)行提取。

美國對(duì)伊朗的制裁主要分為“初級(jí)制裁”和“次級(jí)制裁”。美國對(duì)伊制裁始于“初級(jí)制裁”且未曾間斷，在加入《伊朗核協(xié)議》后絕大多數(shù)“次級(jí)制裁”曾被取消，但目前“次級(jí)制裁”已再次啟動(dòng)并得到了強(qiáng)化?！俺跫?jí)制裁”和“次級(jí)制裁”區(qū)別的關(guān)鍵在于相關(guān)行為是否同美國存在連接點(diǎn)（Nexus）。

2.2 信息融合的車輛檢測(cè)

其一，使非車輛年目標(biāo)(

)誤判成為真車(

)；

=2

(

)tan(

2)-

公式4

公式中的

指的是圖像中車輛的長度，

指的是圖像最大水平寬度，

指的是激光器距離前方車輛的垂直距離。

基于最小風(fēng)險(xiǎn)貝葉斯決策分類器實(shí)現(xiàn)先驗(yàn)概率與類條件概率，先驗(yàn)概率

(

)(

=1,2)指的是通過單一視覺圖像對(duì)車輛目標(biāo)識(shí)別的概率，可以劃分為真車

與誤判條件下

的概率。通過實(shí)驗(yàn)驗(yàn)證，

(

)=87%，

(

)=13%。類條件概率密度

(

|

)(

=1,2)劃分成為真車與誤判條件下車輛驗(yàn)證函數(shù)

值的概率密度分布

(

|

)與

(

|

)，

(

|

)指的是正態(tài)分布，

(

|

)指的是均勻分布，因?yàn)檐囕v寬度為1.5～2.5m，所以：

公式5

公式6

在對(duì)目標(biāo)車輛驗(yàn)證函數(shù)

值計(jì)算過程中，得到先驗(yàn)概率

(

)與類條件概率密度

(

|

)之后，使用貝葉斯決策實(shí)現(xiàn)初始別車輛目標(biāo)的分類，可能會(huì)存在以下錯(cuò)誤判斷：

基于視覺傳感器檢測(cè)，使用激光掃描數(shù)據(jù)庫創(chuàng)建車輛驗(yàn)證函數(shù)，并且實(shí)現(xiàn)最小風(fēng)險(xiǎn)的貝葉斯決策的激光掃描和視覺圖像的信息融合。使用車輛驗(yàn)證函數(shù)所描述目標(biāo)車輛特征，實(shí)現(xiàn)識(shí)別結(jié)果的決策和分類，使系統(tǒng)決策精度得到提高。目標(biāo)車輛高度和寬度通過車輛在圖像中的攝像機(jī)參數(shù)、寬度和激光測(cè)量目標(biāo)距離，利用車輛高度驗(yàn)證結(jié)構(gòu)計(jì)算，創(chuàng)建車輛驗(yàn)證函數(shù)：

其二，使真車(

)誤判成為非車輛目標(biāo)(

)并剔除。

后者比較危險(xiǎn)，但是最終判決要求基于最小錯(cuò)誤代價(jià)，所以定義

指的是真實(shí)情況下

(

=1,2),判決為

(

=1,2)時(shí)候的判決代價(jià)，設(shè)置

11=

22=0,

12=5,

21=1。以貝葉斯公式與判決代價(jià)對(duì)后驗(yàn)概率

(

|

)與判決風(fēng)險(xiǎn)

(

|

)計(jì)算為：

公式7

公式8

假如

(

|

)<

(

|

)，說明目標(biāo)判決為真車風(fēng)險(xiǎn)比較小，所以判決目標(biāo)為真車；

(

|

)>

(

|

)，目標(biāo)判決為非車輛風(fēng)險(xiǎn)比較小，所以判決目標(biāo)為非車輛，剔除目標(biāo)。

3 實(shí)驗(yàn)結(jié)果和分析

3.1 數(shù)據(jù)集與實(shí)驗(yàn)平臺(tái)

根據(jù)目前我國既有地鐵標(biāo)準(zhǔn)站的改造情況來看，大部分改造工程的改造量較小，對(duì)既有站運(yùn)營影響亦較小。通常兩線車站采用通道換乘模式，該模式下兩線車站結(jié)構(gòu)完全脫離，采用通道或樓梯將兩個(gè)車站間接連接起來供乘客換乘。現(xiàn)階段我國地鐵車站在未預(yù)留換乘條件的情況下，多采用站廳通道連接的換乘形式，在對(duì)既有運(yùn)營線路影響不大的前提下，這是比較現(xiàn)實(shí)可行的方案。典型的工程案例如北京的磁器口站和車公莊站，以及廣州的員村站等。

3.2 車道檢測(cè)結(jié)果分析

公式中的

指的是安裝攝像機(jī)高度，

指的是圖像中陰影的行。

通過表1可以看出來，算法1利用Haar特征對(duì)車道信息精準(zhǔn)識(shí)別，但是算法計(jì)算復(fù)雜度降低傳輸速率；算法2使用貝塞爾曲線模型，通過車道連續(xù)性特征搜索，使檢測(cè)實(shí)時(shí)性與效率得到提高；算法3利用改進(jìn)Hough變換實(shí)現(xiàn)車道檢測(cè)，和算法2對(duì)比的檢測(cè)精度和效率比較高，降低了算法漏檢率與誤檢率；本文算法在檢測(cè)車道過程中，利用改進(jìn)算法創(chuàng)建插值公式，和以上算法對(duì)比處理數(shù)據(jù)量比較少，速度更快，使算法運(yùn)行效率得到提高，在復(fù)雜環(huán)境中能夠避免車道檢測(cè)中的精準(zhǔn)率。本文算法在白天、雨天、晚上、傍晚環(huán)境下的車道檢測(cè)精準(zhǔn)度得到提高，為后續(xù)車道行為識(shí)別打下基礎(chǔ)。

3.3 車道行為識(shí)別結(jié)果

為了對(duì)本文車輛行為識(shí)別算法性能進(jìn)行評(píng)估，在公開數(shù)據(jù)集與實(shí)驗(yàn)室創(chuàng)建的數(shù)據(jù)集中測(cè)試。以車道檢測(cè)結(jié)果選擇車道檢測(cè)精準(zhǔn)率比較高的算法和本文三次樣條車道擬合算法組合，并且使用最小二乘車道擬合算法實(shí)現(xiàn)車輛行為識(shí)別，和本文算法對(duì)比，表2為準(zhǔn)確率(Cor)、傳輸速率(TR)、錯(cuò)誤率(Err)的測(cè)試結(jié)果。

通過表2可以看出來，因?yàn)檐嚨罊z測(cè)過程中檢測(cè)精準(zhǔn)率的差異，在車輛行為識(shí)別過程中的結(jié)果各有不同，本文算法對(duì)比其他算法的檢測(cè)精度不斷提高，能夠使實(shí)時(shí)性需求得到滿足。在方法4車道擬合方法選擇最小二乘法，本文車輛行為識(shí)別結(jié)果精準(zhǔn)率比較高。

研究一的主要目的是初步驗(yàn)證假設(shè)H1，即同異步溝通對(duì)心流體驗(yàn)的差異影響。本文選擇某網(wǎng)絡(luò)視頻網(wǎng)站中的網(wǎng)絡(luò)用戶作為樣本，共69名被試參與了實(shí)驗(yàn)，其中男性39名，女性30名。

目前，我國跨境電子商務(wù)行業(yè)人才現(xiàn)狀難以滿足跨境電商發(fā)展的需要。從事跨境電商的人員很多，但真正能讓跨境電商企業(yè)滿意的人才不多。

針對(duì)不同場景的車輛行為識(shí)別結(jié)果，對(duì)數(shù)據(jù)結(jié)合選擇精準(zhǔn)率比較高的方法對(duì)車輛行為識(shí)別算法進(jìn)行評(píng)估，不同場景選擇800幀視頻圖像，表3為不同場景的車輛識(shí)別結(jié)果。根據(jù)表3中的結(jié)果表示，在不同場景下的本文算法都具有較高的識(shí)別精準(zhǔn)率與傳輸速率。

4 結(jié)束語

本文提出了基于信息融合的前方車輛檢測(cè)算法，通過實(shí)驗(yàn)結(jié)果表示，此算法能夠?qū)Υ蟛糠汁h(huán)境下車輛進(jìn)行檢測(cè)，具備較強(qiáng)可靠性與魯棒性，能夠?qū)崿F(xiàn)多閾值分割消除半影影響的方法精準(zhǔn)定位車輛。

[1]陳學(xué)文, 陳華清, 裴月瑩. 基于多特征融合的汽車先進(jìn)輔助駕駛系統(tǒng)前方車輛檢測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用, 2020, 40(S01):4.

[2]宋士奇, 樸燕, 王健. 基于車道信息融合的車輛行為識(shí)別[J]. 液晶與顯示, 2020, 35(1):11.

[3]李航, 張琦, 殷守林,等. 一種基于改進(jìn)Faster RCNN的校園車輛檢測(cè)方法[J]. 沈陽師范大學(xué)學(xué)報(bào)：自然科學(xué)版, 2020, 38(1):8.

[4]胡延平, 劉菲, 魏振亞,等. 毫米波雷達(dá)與視覺傳感器信息融合的車輛跟蹤[J]. 中國機(jī)械工程, 2021, 32(18):8.

[5]代曉康, 殷君君, 楊健. 基于Wishart距離和超像素的極化SAR圖像車輛檢測(cè)[J]. 系統(tǒng)工程與電子技術(shù), 2021, 43(10):9.

[6]宋其杰, 劉峰, 干宗良,等. 基于多維特征和語境信息融合的車牌檢測(cè)方法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2021, 31(9):6.

[7]涂超, 趙波, 王喜龍. 基于多源信息融合的交通要素識(shí)別方法研究[J]. 農(nóng)業(yè)裝備與車輛工程, 2020, 58(2):6.

[8]劉志強(qiáng), 張光林, 鄭曰文,等. 基于檢測(cè)無跡信息融合算法的多傳感融合方法[J]. 汽車工程, 2020, 42(7):6.