基于低秩表示的交通场景视觉感知理论方法研究

As one of key technologies in environment perception of intelligent vehicle, visual perception still has not shown a good performance in the accuracy and robustness due to the ambiguity of visual information, scalability of data and being vulnerable to environmental interference. This project researchs traffic environment perception based on vehicle-mounted vision for intelligent vehicle in urban. We aim to solve the robust detection of traffic road and the accurate perception of on-road vehicles and pedestrians through low-rank representation since visual traffic objects have correlation, and temporal and spatial coherence. The research mainly includes: 1) traffic scene perception based on low-rank representative, so as to set up the low-rank and sparsity constraint on percept model ; 2) object appearance feature representative, aiming to enhance the low-rank model;3) the construction and update of dictionary. By means of varying the particle size of both object appearance feature and the dictionary, the analysis of accuracy and robustness is conducted to to propose the visual perception of traffic scene. The proposed work has important theoretical and practical significance in promoting the function of vehicle-mounted vision in traditional vehicle.

视觉是智能车辆对环境感知的一种重要手段，由于视觉信息的多义性、数据量大和易受环境干扰等，视觉感知的准确性和鲁棒性一直是个难点。面向城市交通环境下的智能汽车，本项目研究车载视觉交通环境感知方法。基于图像序列帧中交通场景物体的相关性、时空连贯性，采用低秩表示模型和方法处理视觉信息，解决智能车辆对环境感知的问题，实现对道路区域的鲁棒检测，及道路区域内车辆、行人的准确感知。主要研究内容：1）研究基于低秩表示的场景感知方法，建立视觉感知的低秩稀疏约束优化模型； 2）研究场景物体目标特征表示方法，增强感知模型的低秩性；3）研究场景物体目标模板字典的构造及更新方法，建立基于字典的低秩稀疏优化约束。通过改变目标征表示及字典的粒度大小，分析感知模型和方法的鲁棒性和准确性，提出基于低秩表示的场景视觉感知理论方法，提升智能车辆的感知能力，推动车载视觉传感器在传统汽车中的应用。

视觉感知是智能辅助驾驶系统的一个重要组成部分。本项目围绕视觉数据量大、多义性、鲁棒性等难题，深入研究了基于低秩表示的视觉交通环境感知方法。首先研究了场景感知低秩建模与优化方法，提出了基于低秩表示的场景建模及大规模数据的低秩优化方法，给出低秩建模的理论分析、优化过程及大规模数据低秩快速优化算法，实现场景背景区域及行人、车辆运动目标的准确感知。由模拟数据及真实场景数据进行了优化效率对比分析，低秩度对优化效率的影响分析，对比结果表明，在准确性相当的情况下，本项目方法的执行效率较以往低秩优化方法ADM, LMaFit, l1 –filtering 相比,分别提高约80倍，27倍，3.5倍。研究了车流量视觉检测及目标特征表示方法，从整体环境的车流量统计到局布环境的车辆行人检测两方面综合给出场景环境感知描述。设计了基于双虚拟检测线的交通流检测方法，定位车辆目标位置，对正常行驶车辆计数，统计交通流量。本项目采用双虚拟线，增大了感应面积，同时考虑了车辆通行中超车、让车的实际情况，减少车辆目标检测时的误检、误判现象，克服了视觉检测算法中的“一对多，多对一“的多义现象，具有较高的检测精度和良好的抗干扰性及实时性。研究了动态场景下低秩建模的场景感知方法，提出基于时空域语义一致性的低秩约束场景分割及目标检测方法。分析不同粒度观测量的低秩性，建立了增强的超像素直方图级观测量，通过低秩优化寻找超像素间的相关亲和阵，实现动态场景分割与行人、车辆运动目标检测。由真实场景数据进行了超像素低秩性、场景分割及目检检测性能对比分析，对比结果表明，本项目方法的准确性高于代表性算法VSS, SPXu,SOLD，能够有效对动态场景建模，分割具有相同语义的区域，实现场景及车辆、行人运动目标的感知检测。本项目的研究成果对于提升车载智能系统的感知能力，推进车载视觉传感器在传统汽车的应用具有重要的理论价值和实际应用价值。本项目执行期间，发表学术论文15篇，其中SCI国际期刊5篇，EI期刊论文5篇，会议论文且EI收录2篇，授权发明专利3项，培养硕士生7位。