随着汽车保有量的增长,越来越多的道路交通事故也给社会和人民造成了巨大的损失。其中,汽车驾驶人的危险驾驶行为是导致道路交通事故频频发生的主要原因。无人驾驶汽车因其无需人类驾驶操纵的特点具有广阔的应用前景。在无人驾驶汽车的行驶过程中,如何实时、鲁棒地提取行驶环境信息,以及在获得信息的基础上进行合理的运动决策是实现其安全、高效自主驾驶的关键,也是无人驾驶汽车研究中的难点和热点。论文依托国家自然科学基金重大研究计划项目(90920305)“无人驾驶车辆智能测试环境研究与开发”和中央高校基金创新团队项目

为了快速定位监控场景中的车辆位置，提出了一种基于像素差值特征的车辆检测方法。首先提取图像的归一化像素差值特征（NPD），之后使用深度二次树（DQT）学习最优的特征子集，最后使用AdaBoost算法筛选最具区分力的特征构建强分类器。以含有正面、侧面及背面三个角度超过3 500个样本为测试集进行了快速车辆检测测试，并与梯度方向直方图（HOG）和Haar的组合特征进行了对比。对比实验表明，基于NPD的车辆检测方法最优，其检测率和检测时间分别为85.47%和200 ms。