基于视觉的高速公路目标检测与跟踪系统研究

系统地介绍了智能汽车系统中的目标自动检测与识别部分的工作原理,并利用车载计算机的CCD摄像机对图像实时采集。根据图像的结构化路面信息采用数字图像处理技术对2条车道标志线进行检测与提取,并在此基础上进行目标初始定位与实时跟踪,以保证驾驶员在行驶中及时有效地做出判断,提高自主安全行驶的可靠性。     

基于机器视觉的汽车前照灯照射角度调整算法

建立了一种基于机器视觉的前照灯照射角度调整算法。利用图像传感器对道路图像进行采集，随后处理图像信息以提取所需道路的参数信息，并结合不同场景下前照灯照射角度调整计算模型，在汽车行驶道路状况即将发生改变时及时调整前照灯照射角度，实时地为汽车夜间行驶提供合适的照明。在实际道路环境中进行了测试，结果表明所建立的算法能够有效地解决前照灯偏转迟滞性问题。     

基于背景学习与方向预测的车辆图像跟踪

针对移动目标检测,提出了基于变化因子参考背景学习与方向预测算子的图像跟踪方法.以高速行驶车辆为目标建立变化因子,在此基础上进行视频图像参考背景的学习,并通过互相关匹配与坐标变换实现运动目标的定位及速度确定,结合方向预测算子对车辆行驶矢量进行预测,进而实现目标车辆的图像跟踪.跟踪实验及性能比较证明本方法可获得准确稳定的运动车辆跟踪结果,为运动目标的图像监控研究提供了新的思路.     

基于FPGA的CMOS图像传感器采集系统设计

针对大市场、小目标实时监测系统测量视场与测量速度相互制约的问题,研究了基于FPGA的具有CMOS ROI控制功能的图像采集系统的设计。应用FPGA驱动CMOS IBIS-6600,并对其获取图像进行实时预处理,提取小目标位置信息,进行图像开窗跟踪,实现对高速运动的小目标实时精确定位。开窗跟踪技术,缓解了监测系统中测量视场与测量速度间的矛盾。     

基于图像分割的SAR图像匹配方法

针对单一背景的海岛合成孔径雷达（SAR）图像，提出一种基于图像分割的图像匹配方法．该方法采用静态小波对原实时图分解滤波，抑制噪声；利用最大类间方差阈值法分割图像，分割出特定目标；选择结构元素进行形态腐蚀和膨胀，去掉细小背景杂波干扰；对二值化的图像进行面积统计，搜索出面积最大的目标．在原实时图中，以最大面积目标的外切矩形裁剪图像作为新的实时图．实践证明，利用裁剪的新实时图进行匹配，可以有效去除背景对匹配的不利影响，弥补了传统方法匹配精度低、实时性差的缺点．     

基于自适应学习速率混合高斯模型的背景消除

背景消除是智能视觉监控和自动目标识别与跟踪首先要解决的问题。采用混合高斯模型对背景图像进行建模，并应用图像的相关性与各点的置信度对背景模型的学习速率进行快速更新，完成背景模型的重建。与其他方法比较，该方法能够有效地对新背景进行快速的学习和适应，达到动态背景下运动目标实时踉踪的要求。     

GPS与单片机实时控制线扫描摄像机的研究

采用GPS和单片机串行通信技术,设计了单片机控制算法,实现了对线扫描摄像机工作频率的实时的外触发控制工作方式的要求,着重论述了GPS和单片机的串口通信问题和单片机的程序控制问题.通过采用该控制系统进行的大量野外试验和对获得的车辆在高速行驶状态下实时拍摄连续图像效果进行的比较与分析,证明该部分设计较好的完成了路面检测系统要求的由外部信号触发实时控制线扫描摄像机工作的目的,从而获得了较为清晰的车辆在高速行驶状态下实时拍摄的连续图像.     

智能小区安防实时视频图像跟踪系统的研究

本文介绍了一种用于安防视频监控系统的实时视频图像监控系统，构琏了一个简单的实验平台，并对实时图像的获取、目标检测和跟踪算法作了讨论和验证。     

红外图像运动目标检测与识别

提出了一种利用相邻帧红我图像实时相减提取运动目标序列的方法，把复杂背景下运动目标识别问题转化为较简单背景下目标识别问题，介绍了一种基于差分图像序列的实时处理算法，可对多个运动目标进行识别与定位。     

基于模板匹配的运动目标快速检测与跟踪

在图像跟踪系统中，运动目标的快速检测与识别是至关重要的．通过分析视频序列图像的特点，并结合帧差法和多分辨率图像匹配的优点，提出了一种基于模板匹配的快速检测识别目标的方案．实验结果表明，该方法能快速有效地识别目标，基本上达到了实时跟踪的要求．     

OpenCV的车道线检测方法

基于开源计算机视觉库(OpenCV),提出一种轻量级的车道线检测方法.首先,对输入的原始图像进行灰度化处理,紧接着使用双边滤波滤除噪声,大幅度保留原始图像的边缘信息;然后,用Canny边缘检测提取图像边缘;最后,使用速度更快的渐进概率Hough变换(PPHT)识别车道线.仿真结果表明:预期检测车道线的效果较好.     

基于边缘提取和特征跟踪的道路检测算法

研究了汽车辅助驾驶系统中的计算机视觉问题，一方面，用小波变换对高速公司上的道路边缘进行检测，另一方面，利用灰度以及几何特征实时跟踪和检测车道边缘，通过建立道路边缘模型，采用数据模拟合的方法确定边界轨迹方,程从而估算出公路的延伸方法，实现汽车的自动防偏，并为解决汽车智能辅助驾驶系统的避障问题提供了有力的保证。     

基于道路结构特征的自主车视觉导航

基于计算机视觉技术的道路检测,针对红旗轿车自主驾驶系统的视觉导航,提出并实现了一种基于道路结构特征的自主车视觉导航方法.该方法根据高速公路上道路标志线平行、等宽等特征,将车载摄像机获取的道路图像投影到道路平面上,再运用这些特征来提取标志线像素.在此基础上根据公路道路模型,建立参数空间搜索最优参数,得到道路标志线的参数表达,实现视觉导航,并给出了C市环城高速上的实验结果.     

基于多通道融合和极线约束的道路检测与定位

计算机双目视觉道路检测及定位在实现无人运动平台自主导航中具有重要意义.根据双目摄像机系统模型,提出基于多通道阈值融合的车道线检测方法,融合车道线边缘和色彩信息进行图像阈值分割,采用透视变换和自适应动态滑窗法提取车道线像素,采用最小二乘法拟合道路模型并依据极线约束关系进行定位,投影至SLAM地图中.实验结果表明,算法在光照变化、阴影遮挡等场景中均能精确检测车道线,将车道线信息投影至三维地图可以有效地将车道信息与地图信息进行融合,提高了道路感知能力.      

基于神经网络的车道偏移自动检测的研究

车道偏移是交通事故的主要因素之一。通过引入神经网络提出了一种应用机器视觉检测车道偏移的方法。首先通过图像处理从道路图像提取道路标志线。然后通过最小二乘法计算道路图像中道路标志线的参数。以道路图像中道路标志线的参数为输入,车道偏移参数为输出,建立神经网络进行车道偏移检测。实验结果表明误差小于0.5%,方差检验结果也表明人工测量和神经网络的结果无显著差异。新方法将有助于车道偏移自动检测技术的发展。     

基于OpenCV的改进RANSAC车道线检测方法

车道线的检测技术是自动驾驶汽车中的重要技术。为了提高车道线的检测能力,提出了一种改进RANSAC的车道线识别方法。通过设置感兴趣区域提取路面图像并进行缩放;把彩色图像的RGB通道按5∶5∶0的权重转化成灰度图像;再用速度更快的积分图法对图像进行自适应二值化;接下来进行一系列的形态学处理来减小噪声;提取Harris角点作为拟合数据点;最后,运用改进了选择初始点和删除外点的RANSAC(random sample consensus)的方法,根据数据点估计车道线参数。实验结果表明,该算法适合多种道路环境下的车道线检测,具有较好的鲁棒性和实时性。     

基于幂次变换和区域收缩算法的运动目标检测与定位

运动目标分割与跟踪是计算机视觉中的重要研究课题,而目标检测与定位是其中的必要步骤,对分割与跟踪效果影响很大.在此提出一种新的运动目标检测与定位方法,该方法在差分二值图像上,通过区域收缩定位到运动像素密度较大的区域,从而实现运动目标定位.在多目标情况下,先通过幂次变换突出不同位置的目标,然后再通过区域收缩实现目标定位,给出目标的特征矩形,便于进一步的跟踪与识别.该方法不需要任何关于目标数的先验知识,对噪声鲁棒性较强.文中给出的实验结果证明该算法的有效性.     

基于滑动ROI的强鲁棒性实时车道侦测算法实现

车道线检测是智能交通系统(Intelligent Transport System,ITS)实现的重要组成部分,文章提出一种在复杂环境中的直弯道检测方法.首先采用带有自适应阈值的横向梯度算子对影像灰度图进行车道线资讯过滤,并采用模糊搜索策略修补过滤后的车道线资讯,提高系统鲁棒性及车道检测的正确率.然后采用滑动ROI(Region Of Interest)窗口策略统计车道边界资讯图梯度方向角,剔除异常梯度方向角的边界噪音资讯,同时采用影像关联方法减少冗余车道线边界资讯,以减少后续Hough转换运算量.直线车道部分提出一种快速查表的Hough转换方法,用于直线侦测;弯道部分引入双曲线对模型,其参数初始值承接于直线车道部分,并通过搜索策略最终确定其k参数,实现弯道部分的侦测.实验表明,此算法在路况复杂的环境中具有较好的鲁棒性,能够实时提供车道资讯信息.     

一种基于消失点和颜色过滤器的车道线检测算法

针对经典霍夫车道线检测方法实用性较差,无法准确区分车道线和路沿与应用道路场景简单等问题,提出 了一种基于消失点和颜色过滤器的车道线检测算法,不仅提高车道线检测的准确率,而且能够应用较复杂行车场 景;首先,对行车视频连续五帧图像进行预处理,获取行车环境下车道线消失点位置,能够自适应选取行车环境图 像的感兴趣区域(Region of Interest,ROI);然后,对 ROI 图像根据车道线颜色特征进行过滤得到二值图像,获取二 值图像中所有连通区域质心和倾斜角等数据,通过结合消失点特征和角度阈值进行限制,筛选记录符合车道线特 征连通区域的数据,接着分割较大区域获取更多质心点,识别漏检符合车道线特征的区域质心点;最后,对获取的 质心点使用最小二乘法进行拟合并标识车道线;实验结果表明:算法能够在多场景道路上快速准确的检测出车道线,与经典霍夫算法进行仿真比较,算法具有一定的鲁棒性和实时性。     

基于分数阶微分Frangi的夜间车道线检测

基于机器视觉和图像处理的夜间车道线检测一直是该领域的研究难题,即使是近年的深度学习方法,检测精度只能达到50%左右.为此,研究了一种新的算法,根据车道线的特点和车辆的行驶速度,将视频中多幅图像融合到一幅图像中;利用图像的特点,在区域合并中识别出有效的车道线检测区域;将有效区域分割成新的图像后,采用基于Frangi和Hessian矩阵的算法对图像进行平滑和增强;为了提取车道线的特征点,提出了一种新的分数阶微分模板进行车道线特征点检测,该算法根据车道线在图像中可能的位置,从4个方向检测特征点;在检测出候选点后,应用递归Hough直线变换得到候选车道线,为了确定最终的车道线,一条车道线的角度应介于25°～65°之间,而另一条车道线的角度应介于115°～155°之间,否则,通过降低线点数的阈值继续进行Hough直线检测,直到获得两条车道线为止.通过对数百幅夜间车道线图像的测试,并与深度学习方法和传统的图像分割算法进行比较,新算法的检测准确率可达70%.