从零开始的无人驾驶 02：Vehicle Detection

在卷积神经网络得到广泛应用之前

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

可以说更加深入一点，并且将所有可能类型的车辆图片存储起来，并与从相机视角拍摄的照片对比。

这类解决方案统称 template matching

Color Histogram

template matching存在明显的局限性，在未预先存在的模板信息情况下，则无法进行有效的识别。为此提出了一种基于颜色直方图（Color Histogram）的方法

将车辆图像转换为基于颜色的空间直方图，在运算过程中比较目标物体与预存空间直方图之间的相似程度。其优势在于同一物体无论从哪个角度观察都能被识别出来。例如考虑一辆红色汽车无论从哪个方向观察其颜色特征都不会受到影响因而能够实现可靠的识别效果

HOG

有向梯度直方图（定向梯度直方图），相较于之前的特征，在鲁棒性上表现更为突出，并且不受颜色变化的影响。

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

Features Combination

首先是数据预处理，这里主要是进行特征组合。

比如HOG特征是针对梯度信息 的特征，HSV特征则是针对颜色信息 的特征

可以直接将二者拼接，得到颜色+梯度 的组合信息

其中存在一些需要注意的事项。通常情况下，多个特征各自具有不同的模数。因此，在数值上会出现较大的差异。

那么就需要进行正则化，将数据对齐

还可以利用决策树等方法，舍弃影响不大的变量

Sliding Windows

使用滑动窗口进行车辆检测，在这种场景下有一些机巧

首先还是ROI, 车辆其实只会出现在图片的下半块区域

其次可以预先设定好车辆可能的最大宽度和最小宽度

这样在检测时进行有限的multi-scale window

减小搜索空间

Multiple Detection

最后对于同一车辆的Multiple Detection

建立heat-map ，计算中心位置

Build Model & Tracking

选择模型倒不复杂；SVM, Decision Tree, Neural Network等都属于常见的类型。

针对每一帧图像，检测车辆位置，形成连续追踪

---

基于Udacity的无人驾驶汽车课程合集版，在掘金平台已发布