本文共 1304 个字数,平均阅读时长 ≈ 4分钟
实验目的
- 了解环境感知传感器目标识别的目的和方法， 掌握MATLAB中的目标检测方法。
- 了解MATLAB的目标检测器和检测函数，掌握车辆识别、行人识别、交通标志识别
实验性质
验证性实验。
实验要求
MATLAB 2020a及以上
实验内容
- 使用MATLAB的车辆检测器和检测函数，对图像中的车辆进行识别。
- 使用MATLAB的行人检测器和检测函数，对图像中的行人进行识别。
- 使用MATLAB的目标检测器和检测函数，对图像中的交通标志进行识别。
- 使用MATLAB的道路检测函数，对图像中的车道线进行识别。
实验准备
对于没有安装MATLAB环境的机器，可以在浏览器中使用MATLAB web版。
实验步骤
1.车辆识别
车辆识别的方法有下面几种方法：
- 基于视觉传感器的车辆识别
- 基于毫米波雷达的车辆识别
- 基于视觉传感器和毫米波雷达融合的车辆识别
- 基于激光雷达的车辆识别
MATLAB中提供了车辆检测器及检测函数，用于识别车辆。
(1)ACF车辆检测器
ACF（Aggregate Channel Features）聚合通道特征是将多个通道特征结合到一起形成 一种聚合特征，结合多通道特征包含的信息，能够高效描述车辆特征。
vehicleDetectorACF为基于聚合通道特征（ACF）的车辆检测器，其调用方式如下：
detector = vehicleDetectorACF(modelName);其中，modelName为模型名称，detector为车辆检测器
完善下面的matlab程序：
detector= _________________ vehicleDetectorACF('font-rear-view');________________; %定义车辆检测器
I=imread('____c1.png____________'); %读取图像文件
[bboxes,scores]=detect(detector,I);
I=insertObjectAnnotation(I,'rectangle',bboxes,scores,'FontSize',30);
_____imshow(I)______________; %显示检测结果
————————————————
在下面表格区域内放置实验中所使用到的原始图像及识别结果图像：
原始图像
ACF算法车辆识别结果
(2)RCNN车辆检测器
RCNN（Region-based Convolutional Neural Networks）是一种结合区域提名（Region Proposal）和卷积神经网络（CNN）的目标检测方法。
vehicleDetectorFasterRCNN为基于RCNN的车辆检测函数，其调用方式如下：
detector = vehicleDetectorFasterRCNN(modelName); 其中，modelName为模型名称，模型名称为全视图（Full-View）模型，即使用的训练图像是车辆的前、后、左、右侧的图像；detector为RCNN车辆检测器。
完善下面的程序，并在MATLAB命令窗口中输入以下程序。
fasterRCNN=____vehicleDetectorFasterRCNN(‘full-view’);___ _____;
I=imread('___c1.jpg___________');
[bboxes,scores]=detect(fasterRCNN,I);
I=insertObjectAnnotation(I,'rectangle',bboxes,scores,'FontSize',40);
imshow(I);_____________;
————————————————
%定义RCNN车辆检测器
%读取图像文件
%检测车辆
%将检测结果标注到图像
%显示检测结果在下面表格区域内放置实验中所使用到的原始图像及识别结果图像：
原始图像 
RCNN算法车辆识别结果
2.行人识别
MATLAB中提供了行人识别检测器及检测函数，用于行人识别。
(1)ACF行人检测器
peopleDetectorACF为基于聚合通道特征（ACF）的行人检测器函数，调用方式如下：
detector = peopleDetectorACF (modelName); 其中，modelName为模型名称，detector为ACF行人检测器。
在MATLAB命令窗口中输入以下程序，或在其它编辑器中编写后粘贴到MATLAB命令窗口，运行前需要将原始图像另存为下面代码中的原始图像文件。
bboxes为检测到的目标位置，scores为检测置信度分数，I为输入图像。
在下面表格区域内放置实验中所使用到的原始图像及识别结果图像：
原始图像
ACF行人识别算法识别结果
(2)基于HOG特征行人检测
vision.PeopleDetector为基于HOG特征行人检测的函数，其调用方式如下：
detector = vision.peopleDetector (modelName);
detector = vision.peopleDetector (Name, Value);其中，modelName为模型名称，Name和Value用于设置属性，detector为行人检测器。
在MATLAB命令窗口中输入以下程序，或在其它编辑器中编写后粘贴到MATLAB命令窗口，运行前需要将原始图像另存为下面代码中的原始图像文件。
原始图像
HOG行人识别算法识别结果
3.交通标志识别
MATLAB中没有专门的检测函数，需要通过训练目标检测器进行各种交通标志的检测。
(1)ACF目标检测器
trainACFObjectDetector为训练ACF目标检测器的函数，其调用方式如下：
detector = trainACFObjectDetector (trainingData);
detector = trainACFObjectDetector (trainingData , Name, Value);其中，trainingData为地面真实训练数据（图像），Name和Value为指定的附加选项，detector为ACF目标检测器。
在MATLAB命令窗口中输入以下程序：
在下面表格区域内放置实验中所使用到的原始图像及识别结果图像：
原始图像
交通标志牌识别结果
4.道路识别
道路识别可使用视觉传感器和激光雷达，通过视觉传感器检测出车道线，提供车辆在当前车道中的位置；而激光雷达把真实的道路转换为汽车识别的道路。
MATLAB中提供了多个道路识别检测函数：
- 检测灰度图像中车道——segmentLaneMarkerRidge
- 抛物线车道边界模型——parabolicLaneBoundary
- 使用抛物线模型寻找车道线边界——findParabolicLaneBoundaries
- 三次方车道边界模型——cubicLaneBoundaryModel
- 使用三次方模型寻找车道线边界——findCubicLaneBoundaries
- 求车道边界坐标值——computerBoundaryModel
- 在图像中插入车道边界——insertLaneBoundary
下面程序使用抛物线车道边界模型识别图像中的车道线
在下面表格区域内放置实验中所使用到的原始图像及识别结果图像：
原始图像
交通标志牌识别结果
评论 (0)