实验三 传感器目标识别

---

【实验目的】

       1、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。

       2、了解MATLAB的目标检测器和检测函数，掌握车辆识别、行人识别、交通标志识别和道路识别等目标识别方法。

【实验性质】

验证性实验。

【实验要求】

       MATLAB 2020a及以上

      

【实验内容】

       1、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。

       2、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。

       3、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。

       4、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：

（1）基于视觉传感器的车辆识别

（2）基于毫米波雷达的车辆识别

（3）基于视觉传感器和毫米波雷达融合的车辆识别

（4）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。

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	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：

（1）检测灰度图像中车道——segmentLaneMarkerRidge

（2）抛物线车道边界模型——parabolicLaneBoundary

（3）使用抛物线模型寻找车道线边界——findParabolicLaneBoundaries

（4）三次方车道边界模型——cubicLaneBoundaryModel

（5）使用三次方模型寻找车道线边界——findCubicLaneBoundaries

（6）求车道边界坐标值——computerBoundaryModel

（7）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