摘要

本文介绍了一种基于立体视觉和进化算法（SEA）的车辆检测和距离估计的新方法。首先，我们将基于FPGA的基于普查的相关性实现立体声匹配的最新工作重用。接下来，SEA使用从FPGA系统获得的灰度左侧图像和视差信息来检测在前车辆并估算其距离。本文介绍了一种有效的适应度函数，与现有的基于进化算法（EA）的方法相比，该函数可使我们的方法具有更高的性能和更高的准确性。引入了一种新的交叉类型，即锦标赛交叉，以减少我们提出的收敛时间。本文还介绍了一种用于估计适应度函数参数的新方法。此估计与传统EA不同，因为这些参数通常是通过实验创建的。此外，通过将全局搜索转换为具有V视差图的本地搜索，可以提高SEA的处理时间和准确性。强大的实验证明，SEA成功地检测了前方车辆，并承受了沿道路出现的不同物体的噪音。检测范围为10m-140m，检测率为95％，在CPU上的平均处理时间约为31 ms /帧。这些结果证明SEA适用于实时系统。

I. INTRODUCTION

每小时，由于车辆事故，全球成千上万人死亡或致残。 因此，许多研究人员建立了许多先进的驾驶员辅助系统和交通监控系统[1]，以支持驾驶员并减少事故的发生。 已经提出了许多方法来在计算机视觉中构建这些系统。 这些方法可以分为以下三个主要类别：基于知识的方法，基于立体视觉的方法和基于运动的方法，如[2]中所述。 本文通过将车辆检测方法分类为较小的类别，简要介绍了这些方法。 这项工作还分析了每个类别的优点和缺点。
Feature-Based Method:基于特征的方法使用车辆特征来确定车辆在图像中的位置。 这些特征可以是车辆的颜色，阴影，纹理，对称性或灯光，如[3]所示。 然而，难以识别区分非车辆和车辆的独特特征。
Stereo V ision-Based Method:视差图和反透视图[4]是用于确定用于检测车辆的立体信息的两种技术类型。 算法[4]对称地将左图像向右移动，将右图像向左移动，以计算每个像元的最小不相似度。 该算法的主要问题是在移动和计算非相似度时会花费太多时间。
Learning-Based Method: 两个数据库用于检测在前车辆：正负。 车辆图像存储在肯定数据库中，非车辆图像存储在否定数据库中。 这些数据库然后由不同的学习算法使用[5]。 基于学习的方法的准确性非常高。 但是，该算法旨在检测特定的车辆，并且不能用于检测其他类型的车辆。
Motion-Based Method:在基于运动的方法中，在道路上移动的任何物体均被视为车辆。 因此，在[6]中提出的几种系统使用光流来检测前方车辆。 但是，如果没有对应于先前车辆的运动，则此方法无法检测到这些车辆。
Evolutionary Algorithm-Based Method:用于车辆检测的遗传算法的常见方法涉及随机生成所有可能的染色体，其中每个染色体代表一个可行的解决方案。 然后，所有染色体都通过自然选择和遗传进化，直到获得最终解。 在[7] [8]中提出了两种基于这种方法的方法。 这些方法可以检测道路上的障碍物，但不能承受人行道，建筑物或人群的噪音。
基于以上五种方法，已经提出了许多车辆检测方法，但是有几种基于进化算法的车辆检测方法。现有EA [7] [8]的处理时间和准确性不适用于实时系统。因此，本文提出了一种基于SEA的车辆检测新方法。我们提出的方法比现有的用于车辆检测的EA方法更快，更准确。此外，与其余四种方法相比，我们提出的方法还实现了实时处理和高精度。 SEA使用左侧图像上的边缘信息[9]和视差信息来检测在前的车辆。然后，通过减少搜索空间和人口规模来跟踪检测到的车辆。此外，本文还提出了一种使用EA和最小二乘法确定适应度函数参数的新方法。另外，当前车的位置发生在我们的车道。 因此，我们提出的方法可以检测到最近的车辆，而不是其他位置。 本文的其余部分安排如下。 第二节介绍了我们提出的算法的详细信息。 第三部分介绍了实验结果以及我们的算法与其他算法的比较。 最后，第四部分介绍了本文的结论。

II. VEHICLE DETECTION AND DISTANCE ESTIMATION BASED ON SEA

IV. CONCLUSION

本文提出并讨论了一种使用立体视觉和遗传算法方法进行实时车辆检测和跟踪的新方法。 在不同情况下的鲁棒实验，包括交叉路口，迎面驶来的交通，遮挡物以及乡村和公路上的人群，证明了该系统能够准确地检测和估计前方车辆的距离。 我们计划将我们的系统移植到NVIDIA GeForce GTX 460，以在车辆计算平台中实现高度适用性，并增强建议的同时检测多辆车辆的方法。