探讨传感器面向智能安全气囊乘驾人检测论述和策略科研方法与

论文导读：的多传感器融合的硬件开发平台，建立了乘驾人融合分类决策和跟踪办法系统。具体探讨工作如下：1、构建了面向智能安全气囊的乘驾人检测体系与开发平台。针对乘驾人检测体系的特征，使用视频与座椅压力传感器，依托TMS320DM642数字信号处理器（DSP），构建了基于DSP的车载乘驾人检测体系平台；结合视频与座椅压力传感器的融合判决，建立
摘要：汽车安全气囊作为乘驾人的安全保护体系之一，其主要防止乘驾人在车辆碰撞历程中与车体内饰件发生二次碰撞，由于汽车气囊的快速膨胀常造成乘驾人的二次伤害，甚至窒息死亡等。在车辆碰撞时，智能安全气囊依据乘驾人的乘员类型、乘员坐姿等参数，实时制约气囊的展出和力度，可极大地减少二次伤害。由此，乘驾人类型和状态等参数是实现智能安全气囊的核心。为实现乘驾人的类型与状态检测，本论文体系探讨了面向智能安全气囊的乘驾人检测体系构建办法，开发了车载的多传感器融合的硬件开发平台，建立了乘驾人融合分类决策和跟踪办法系统。具体探讨工作如下：1、构建了面向智能安全气囊的乘驾人检测体系与开发平台。针对乘驾人检测体系的特征，使用视频与座椅压力传感器，依托TMS320DM642数字信号处理器（DSP），构建了基于DSP的车载乘驾人检测体系平台；结合视频与座椅压力传感器的融合判决，建立了基于多传感器融合的乘驾人检测软件体系框架系统。针对目前缺乏开放的乘驾人相关测试视频序列，使用乘驾人检测硬件平台采集了大量不同光照、状态环境的乘驾人视频序列数据。为乘驾人检测提供了基础的软硬件支持和基础数据源。2、提出了基于梯度方向的结构相似性图像质量评价办法针对乘驾人检测图像模糊、图像亮度不均等图像质量下降和虚假运动图像区域，引起后期识别处理困难的不足，根据梯度方向受光照强度影响较小的特征和人眼视觉结构相似性特性，本论文提出了基于梯度方向的结构相似性图像质量评价办法，其使用参考图像局部参考区域，建立了梯度方向的结构特点表达，构建了亮度、比较度和结构相似性的综合图像质量评价办法，实现乘驾人图像质量优劣的评价。3、建立了乘驾人图像的Contourlet变换降噪处理与光照估计图像均衡化增强办法图像的噪声和光照是控制乘驾人图像质量的重要因素之一。为克服该方面的影响，根据Contourlet变换可实现任意尺度上任意方向的多尺度分解，较好地保留图像的轮廓和方向性纹理信息，弥补小波变换的问题的特征从及不均匀光照反射模型，本论文建立了Contourlet变换的乘驾人图像降噪处理与光强估计的图像均衡化增强办法，该办法使用Contourlet变换，获取乘驾人图像分解后的Contourlet系数，采取系数阈值抑制和阈值函数处理，抑制图像高频区域的Contourlet系数，结合Contourlet逆变换重建乘驾人图像，实现了乘驾人图像的降噪处理；然后抑制图像傅里叶变换的直流分量，降低图像光强的影响，通过光亮强度的线性拉伸，将图像光照强度映射到[0,255]的亮度空间，最后采取子块部分重叠的局部直方图均衡化办法增强图像局部区域，改进图像亮度分布和均衡化乘驾人图像，增多图像细节的比较度，实现了乘驾人图像增强的处理。4、提出了基于梯度方向直方图相关的乘驾人区域估计算法乘驾人区域估计一方面可降低图像检测搜索范围，提供检测速度；另一方面可抑制非乘驾人区域的图像边缘或其他特点的干扰，提升算法的检测精度。目前常用办法如背景差分等难从获取乘驾人区域。基于此，本论文使用乘驾人图像序列和无乘驾人的背景参考图像之间具有较好的空间结构相互性特征，构建了局部方向直方图的局部区域特点表达和余弦定理的局部区域相关性度量分类办法，通过图像局部区域映射联系表的创建和局部区域映射表的区域分裂与归并从及孤立节点和较小局部块去除，实现了乘驾人区域估计，该办法具有光照、噪声、比较度等不敏感性，可满足乘驾人检测区域的估计需要。5、提出了多传感器源融合的乘驾人分类办法成人、儿童、空乘等乘驾人类型与状态是汽车安全气囊是否展出的重要依据。乘驾人类型与姿态的各异性、座椅异物的放置、阳光照射等因素的影响增多了单一检测器对乘驾人类型与状态检测的困难。针对上面陈述的不足，本论文构建了视频传感器与压力传感器融合的多传感器融合决策识别办法，设计了多传感器融合对策，确定了设备层和决策层的融合对策；构建了乘驾人HOG与SVM结合的窗口分类器框架系统，建立了多尺度的乘驾人窗口分类融合定位办法，实现了乘驾人的视频检测办法；根据压力传感器的压力信息，建立了乘驾人空乘状态判决办法；根据视频与压力传感器的决策层融合对策，建立了多传感器融合决策分类办法，实现了空乘、成人、儿童的分类。6、提出了基于半监督学习的乘驾人跟踪与交互式多模的运动估计办法乘驾人的跟踪和运动预测可提供乘驾人状态的预测论文导读：梯度方向表达46-473.1.3结构相似性描述47-493.1.4实验结果与分析49-503.2基于Contourlet变换的乘驾人图像降噪50-553.2.1Contourlet变换51-523.2.2图像降噪处理52-533.2.3实验结果与分析53-553.3光照强度估计553.4均衡化处理55-573.5乘驾人区域估计57-623.

5.1局部方向梯度直方图特点表达57-593.2局部区域相

，为安全气囊的事先决策和快速反应提供依据。然而，由于跟踪历程乘驾人外部特点受光照、阴影、手势等影响而转变从及乘驾人运动的多模态性，增多了乘驾人跟踪和运动估计的困难。针对上面陈述的不足，本论文建立了半监督在线学习的特点更新与交互式多模的乘驾人跟踪与运动估计办法，该办法采取采取先检测后跟踪思想，首先在adaboost框架下获取乘驾人离线状态下的乘驾人特点选择的强弱分类器，结合当前静态乘驾人分类窗口确定的乘驾人区域和周围背景部分所确定的正负样本，实现乘驾人特点的在线更新选择，获取乘驾人分类的先验分类器；根据先验知识分类器检测乘驾人，Mean shift核函数估计乘驾人分类度量的相似性空间分布，获取其最大性度量作为乘驾人跟踪区域；根据乘驾人离线强弱分类器和权值分布，结合当前跟踪乘驾人区域的伪标注状况在线更新乘驾人特点选择，实现了乘驾人的半监督在线跟踪算法；最后使用IMM框架和多个方式的Kalman滤波器，通过输入交互、模型滤波、概率更新和组合估计，实现了多方式的乘驾人运动估计办法。该办法满足了乘驾人跟踪历程外观特点变化的特点在线更新和乘驾人运动多模特性的跟踪和运动估计，限制了onpne Boosting的漂移现象。实验历程对不同乘驾人类型、光照、状态等视频序列测试，测试结果表明本论文算法具有良好的性能，可满足乘驾人检测的基本性能要求，可为相关探讨提供办法与论述依据和参考。关键词：智能安全气囊论文乘驾人分类论文乘驾人跟踪论文乘驾人运动估计论文多传感器融合论文
本论文由www.7ctime.com,需要论文可从关系人员哦。摘要4-7
ABSTRACT7-17
第一章 绪论17-32

1.1 探讨背景、目的及作用17-18

1.2 智能安全气囊18-21

1.2.1 汽车安全气囊体系18-20

1.2.2 智能安全气囊工作原理20-21

1.3 乘驾人检测国内外探讨近况21-25

1.3.1 乘驾人检测体系近况21-22

1.3.2 乘驾人检测探讨近况22-25

1.4 乘驾人检测体系亟待解决的关键不足25-26

1.5 本论文的探讨内容、办法和技术路线26-29

1.6 论文的组织29-32

第二章 面向智能安全气囊的乘驾人检测体系构建32-43

2.1 乘驾人检测硬件体系框架系统32-39

2.

1.1 基于车载的乘驾人检测硬件框架构建32-33

2.

1.2 数字信号处理器选型33-34

2.

1.3 电路设计与集成34-37

2.

1.4 硬件体系优化37-39

2.2 乘驾人检测软件体系框架系统39-41

2.3 乘驾人检测测试数据库构建41-42

2.4 本章小结42-43

第三章 乘驾人检测预处理与区域估计43-64

3.1 基于梯度方向的结构相似性图像质量评价办法44-50

3.

1.1 局部图像块划分45-46

3.

1.2 梯度方向表达46-47

3.

1.3 结构相似性描述47-49

3.

1.4 实验结果与分析49-50

3.2 基于 Contourlet 变换的乘驾人图像降噪50-55
3.

2.1 Contourlet 变换51-52

3.

2.2 图像降噪处理52-53

3.

2.3 实验结果与分析53-55

3.3 光照强度估计55

3.4 均衡化处理55-57

3.5 乘驾人区域估计57-62

3.5.1 局部方向梯度直方图特点表达57-59

3.5.2 局部区域相关性分析59-61

3.5.3 实验结果与分析61-62

3.6 本章小结62-64

第四章 基于多传感器融合的乘驾人分类办法64-83

4.1 乘驾人融合分类识别体系框架64-66

4.2 窗口分类器66-73

4.

2.1 HOG 特点描述66-68

4.

2.2 支持向量机分类器68-73

4.

3. 多尺度乘驾人定位73-77

4.

3.1 多尺度空间分布函数构建74-75

4.

3.2 非极大值抑制（NMS）75-77

4.4 多传感器融合决策识别分类77-79

4.1 多传感器融合对策构建77-78

4.2 融合决策分类识别78-79

4.5 实验结果与分析79-82

4.6 本章小结82-83

第五章 乘驾人跟踪与运动估计办法探讨83-100

5.1 乘驾人跟踪与运动估计体系框架83-84

5.2 半监督在线学习的论文导读：状况108

3、教材编写状况108-109致谢109上一页123

乘驾人跟踪算法84-90
5.

2.1 Adaboosting 分类器85-86

5.

2.2 On-pne Boosting 特点选择86-88

5.

2.3 Semi-Boosting 特点选择88-89

5.

2.4 乘驾人跟踪89-90

5.3 基于交互式多模 IMM 的乘驾人运动估计90-97
5.

3.1 Kalman 滤波器原理91-92

5.

3.2 交互式多模型原理92-94

5.

3.3 乘驾人运动估计94-97

5.4 实验结果与分析97-99

5.5 本章小结99-100

第六章 总结与展望100-104

6.1 论文总结100-102

6.2 探讨工作展望102-104

参考文献104-108
博士期间所取得的科研成果108-109

1、论文发表状况108

2、科研状况108

3、教材编写状况108-109

致谢109