前方車輛檢測，這里指的是基于車輛自身對象，而不是公路交通部分的車輛檢測。

前方車輛檢測，可以用于防碰撞系統、進而用于自動巡航（ACC）等功能，應用場景廣泛，所以，此技術是一項比較基礎的技術。而先前的ACC，只是基于正前方車輛的檢測，對于側面的車輛或環境的跟蹤能力有限。但隨著各種傳感器和導航地圖的應用，ACC的能力也會大大增強。ACC只用于高速行駛狀態，但已有低速跟車系統的研究，某公司已計劃未來兩年內上市。

1. 傳感器

前方車輛檢測，常用的傳感器有高頻雷達（毫米波）、紅外激光雷達、攝像頭。

每種傳感器都有各自的優缺點：

雷達：自己可選用的波段有限，常用24G（厘米波）、79G波段。對雨霧天氣的適應能力好，探測距離大150米，但容易受電磁干擾影響。據傳，79G雷達技術對國內有限制的。而歐盟和我國的工信部是建議24G作為車載雷達波段。而美國是推薦79G波段作為車載雷達的使用波段。

紅外激光：抗干擾能力強，定向性。但對于雨霧天氣的穿透能力弱。且成本高。

攝像頭：基于視覺的探測。對距離的判斷較弱（單目視覺情況下），易受雨霧天氣的影響。

所以，想適應各種場景，廠商一般會采用多種傳感器收集信息。

這里重點總結下，基于單目視覺的車輛檢測技術。

從視覺上來講，車輛的形狀、顏色和大小雖然限定在一定范圍，但都是不固定的，而且，其外形會受到自身姿勢和外部環境，如光照或旁邊物體的影響。

2. 基于先驗知識的特征檢測

汽車有一些一些典型的特征， 如對稱性、顏色、陰影、幾何特征（如角點、邊緣）、紋理、車燈。

1）對稱性：汽車從前方和后方來看，無論是在區域面積還是邊緣特征上，具有很好的對稱性。但是，對稱性特征易受噪聲的干擾，以及角度的影響。

2）顏色：顏色空間一般不直接使用在車輛上，而比較有效的手段是識別路面和車輛陰影。

3）陰影：車輛陰影是與車輛相關的一個重要的特征。因為車輛陰影一般比周圍區域都要暗。但具體的參數指標，還與光照，即天氣狀況有關。

一般做法是采用兩個閾值，一高、一低，低閾值用于確定陰影，而高閾值由陰影周圍環境來確定，如局部分割算法，均值+方差。

4）角點：先檢測出所有角點，然后再根據角點的空間關系，如汽車的四個角點會形成一個矩形，來篩選汽車。

5）垂直或水平邊緣：一種方式，直接檢測垂直邊緣，利用類似直方圖計算垂直投影。然后，車輛底盤下方陰影部分也是重要的水平邊緣特征。另外，也有采用多分辨率的方式，在每個層次都邊緣只是作為一種初步的篩選/搜索手段。

6）紋理：熵、共生矩陣都可被作為基于紋理的圖像分割的基礎。

7）車燈：主要是用于夜間車輛的探測。因為，以上特征在晚上基本都無效了。

8）基于運動的方法：以上其中都是空間特征。而基于運動的方法是對圖像連續序列的分析。如光流法。

但光流法會消耗大量的計算資源，時間和空間。

3. 識別

無論是用遍歷的方式，還是用特征篩選出的候選區域，對篩選出的子圖像需要進一步識別，車輛還是非車輛。

1）基于模板的方法

采用簡化過的車輛模板來篩選。

2）基于外觀特征的方法

車輛VS非車輛 分類

二類分類問題，一般采用機器學習/模式識別的方法解決。

首先，需要大量的訓練圖片。

其次，選取合適的特征，如PCA，HOG，harris，haar wavelet feature, SIFT等

再次，選取分類器，如NN,svm等

4. 跟蹤

車輛的跟蹤的好處：

1）提前預測車輛出現的位置，減少車輛檢測的搜索空間，節省計算時間。

2）區分多個車輛，每輛車都有各自的特征，如HOG，邊緣，灰度密度等，使用這些特征，就可以區分不同類型的車輛。根據跟蹤算法的結果，即使是同款車輛出現在同一場景，也能基本區分。

目前，常用的跟蹤算法，有卡曼濾波算法。

5. 近幾年熱門的車輛檢測方法

1）HOG 特征 + haar-like特征；SVM 或 adaboost 分類器； （HOG + SVM ; haar-like + adaboost 速度快）

2）光流法；或增加一個HMM分類器，或SVM分類器

前方車輛檢測技術，常見問題：

1. 選取那種分辨率來計算？

mobileye采用的是 640×480 或 752 * 480 彩色CMOS攝像頭

2. 如何選取特征？

3. 如何跟蹤？

4. 如何計算距離？

5. 如何計算前車速度？

6. 如何區分多個車輛？

基于Haar和HoG特征的前車檢測方法，其特征在于，包括以下步驟：

步驟I)人工選取出大量車輛圖片和非車輛圖片作為訓練集的正、負樣本，并將正、負樣本規格化到24 X 24像素下；

步驟2)使用Haar特征和HoG特征分別對規格化后的每一幅正、負樣本進行表征，形成特征向量；

步驟3)針對Haar特征和HoG特征形成的兩種特征向量分別構建弱分類器；

步驟4)利用級聯的Adaboost算法對弱分類器進行訓練，得到級聯車輛強分類器；

步驟5)針對車載攝像頭獲得的前方道路視頻圖像，將其中各種尺寸、各種位置的子圖像輸入級聯車輛強分類器中進行判斷。

也有利用改進的HOG特征值，和SVM訓練，來對車輛進行識別

harr特征、hog特征（大量的正、負樣本圖片訓練），利用adboost算法 進行訓練、級聯，形成強分類器

HOG特征的計算及一些改進：

HOG：histogram of oriented gradient, 方向梯度直方圖，就是描述物體的形狀和邊緣特征，并且不涉及尺度和旋轉。

1. 將子圖像灰度化，歸一化（為了除去光照和陰影的影響）

2. 劃分成小cells，如3*3個像素塊或6*6個像素塊。

3. 計算每個cell中每個pixel的gradient方向，或者說是邊緣的方向。

4. 統計每個cell的梯度直方圖（不同梯度的個數），即可形成每個cell的descriptor。

5. 連接所有cell形成一個子圖像的特征描述子。

6. 子圖像之間是一般是由重疊的區域的，這樣一個cell影響的就不是一個子圖像了。一個矩形子圖像，一般有三個參數：每個子圖像有多少方格、每個方格有幾個像素、以及每個方格直方圖有多少頻道（梯度方向）。

由于人體輪廓在局部HOG歸一化特征上有良好的穩定性，最初是用于人體檢測。

在Dalal和Triggs的人檢測實驗中，發現最優的單元塊劃分是3x3或6x6個像素，同時直方圖是9通道。