基于双特征的前方车辆实时检测

提出一种在无先验知识的情况下,综合利用车辆阴影和对称性两种特征进行前方车辆检测的算法.该算法通过检测车底阴影特征生成车辆存在假设,首先,利用大津阈值分割方法(OTSU)得到车辆阴影特征,采用阴影区域融合方法解决阴影边缘的变形问题,得到可能包含车辆的区域;然后,利用车辆对称性特征对感兴趣区域进行验证,并对其中的车辆区域进行准确定位.通过对实际采集的道路图像序列进行测试,结果表明:该算法能够实时、有效地检测出前方车辆.     

基于多传感器融合的前方车辆识别方法研究

为提高汽车安全辅助驾驶系统对前方车辆识别的准确性和实时性,提出了一种基于摄像头和毫米波雷达信息融合的前方车辆检测方法。首先将毫米波雷达和摄像头进行联合标定,并确定两个传感器坐标系之间的相互转化关系,对毫米波雷达数据进行预处理快速分割图像,以获得前方车辆识别的感兴趣区域;然后采用自适应阈值对感兴趣区域内的图像进行二值化处理以获得车辆底部阴影信息,利用边缘检测和霍夫变换得到车辆上下边界的位置信息;通过底部阴影和上下边界信息获得车辆识别的高度与宽度,最后根据车辆对称性特征建立识别窗口。试验验证表明,该方法前方车辆检测准确率为90.2%,单帧图像的处理速度为32 ms,能够满足智能汽车应用中的实时性和准确性的要求。     

基于车牌检测的前方车辆识别方法

为解决前方车辆识别过程中的实时性问题,提出了一种基于车牌检测的前方车辆识别方法。首先,利用图像中的路面或车道线等细节提取感兴趣区域。其次,利用HSV( Hue-Saturation-Value) 色彩空间转换与矩形图像检测从感兴趣区域中过滤光照变化,阴影和杂乱背景,从而检测出车辆的车牌信息。同时,在初次检测失败的情况下进行二次定位和验证。最后,利用检测出的车牌信息识别前方车辆。该方法在自建与公共数据库视频上进行评估。实验结果表明,识别率超过90% ,并且具有较高的实时性,证明了该方法的有效性。     

多车道复杂环境下前方车辆检测算法

为了解决智能车安全辅助驾驶系统中前方车辆目标的检测问题,提出了一种基于改进阴影多特征与深度网络学习的车辆检测算法。基于前方车辆与本车存在安全距离,选取道路图像底部几行作为候选道路背景并对其预处理排除干扰,通过差分得到车底阴影增强图像。利用自适应阈值法确定图像灰度分割阈值并对道路二值化图像进行形态学预处理。然后,利用最小外接矩形框选候选车辆目标,结合车底阴影几何位置特征、对称度特征进行滤波生成车辆假设。最后,基于局部二值模式纹理特征和深度学习方法验证车辆假设。实验结果表明:在复杂干扰的多车道环境中,算法可以有效地检测前方车辆目标。     

基于阴影线的智能车辆检测及测距方法研究

针对当前智能车辆检测算法在实际应用中存在误差、测量结果不够准确等问题,使用基于运动车辆中车底阴影线算法的车辆检测机制,并利用车底阴影稳定存在特征解决车辆检测问题,进一步基于机器视觉的双目立体匹配测距方法实现对前方最近车辆距离测量,为智能车辆及驾驶员辅助系统提供信息。笔者采用的车底阴影线方法及双目测距最终实现结果证实,可以获取较为精确的道路前方的车辆及距离信息,有效检测距离为10 ～ 50 m,整体识别率达到85%。     

基于阴影特征和Adaboost的前向车辆检测系统

为了解决汽车安全辅助驾驶系统中的前向车辆检测问题,提出了一种基于单目视觉的在线前向车辆检测系统。通过检测车底阴影特征来生成车辆假设,分别提出了自适应路面阈值方法和阴影区域融合方法以解决路面区域灰度变化和阴影边缘变形问题;使用基于梯度特征的adaboost方法来验证车辆假设;最后使用Kalman滤波对检测到的目标进行跟踪以改善系统性能。使用道路实拍的图像序列对系统进行了测试。结果表明,该系统能够在实时条件下有效检测前方车辆。     

基于车道线识别和多特征的前车检测算法

前车检测是安全辅助驾驶系统的主要研究领域,实时鲁棒的检测方法能够使智能车实现有效的防偏防撞预警和控制。提出了一种基于车道线识别和多特征的前车检测方法。首先基于车道线识别方法将感兴趣区域定位于两条车道线之间,然后依据车底阴影特征自适应确定中远距离车辆假设区域,最后利用纹理特征、垂直梯度投影均值和边缘对称性特征三层约束来验证车辆区域。实验结果表明:该方法能够实时准确地检测出不同光照条件下本车车道前方中远距离的车辆。     

基于灰度渐变特征的运动车辆阴影检测

针对当前基于颜色特征的阴影检测算法鲁棒性低的缺点,本文提出了一种基于灰度渐变一致性的运动车辆阴影检测算法.首先应用改进的高斯混合模型对背景进行自适应重建和更新,然后根据差分图像中运动阴影在水平和竖直方向上灰度变化一致的特点,提取阴影区域的灰度跳变点,并以灰度跳变点的密度分布为依据分割车身区域和阴影区域,实现对阴影区域的识别与提取.实验结果表明,该算法能够快速有效地提取运动车辆的阴影,同时,本算法在阴影与相邻车辆车身重叠情况下也有较好的检测效果.     

边缘特征与局部纹理特性融合的阴影消除算法

针对视频分割中的阴影消除问题,提出了一种以置信度为桥梁,前景边缘投影特征与局部纹理特性相融合的阴影提取算法.采用自适应高斯法获得动态背景,提取包含阴影的前景,计算出当前帧和背景帧在前景最小外接矩形坐标范围内的边缘差异,得到低干扰的车辆和阴影边缘信息.利用大津阈值算法进行投影分割,在阴影连续性前提下,高置信度区域确认为阴影,低置信度区域确认为车辆,而一般置信度区域,进一步结合局部纹理在当前帧和背景帧间的跳变程度,搜索出与车辆相连的阴影.结果表明:该方法能够去除导致前景严重变形的大面积阴影,去除有效率在90%以上,保障了车辆的有效提取;算法实时性好,可应用于智能视频监控的目标检测及跟踪中.     

多特征融合和交叉核SVM的车辆检测方法

为了能够提高车辆检测的准确率和效率,利用不同分辨率下图像中的信息,文章提出一种多分辨率下的方向梯度直方图特征(multi-resolution histograms of oriented gradients)和局部二值模式算子(local binary pattern)相融合的车辆检测算法。由于融合后的特征维数明显高于单一特征,使得检测的实时性较差,通过主元分析(principal component analysis)来实现对融合后特征降维,并采用直方图交叉核支持向量机(HIK-SVM)对特征进行分类,完成车辆的检测。实验结果表明,该检测方法有较高的车辆检测率,且实时性较好。     

基于知识和外观方法相结合的后方车辆检测

单独应用基于知识的方法或者单独应用基于外观方法检测是否存在车辆有一定的局限性,因此提出将二者结合起来用于静态图像后方车辆的检测.首先,利用分割算法获得感兴趣的区域(region of interest,ROI),利用基于知识(如车底阴影、颜色等信息)的方法,将被确认为是非车辆(背景)的ROI过滤掉,然后再对过滤后的结果应用基于外观的方法进行车辆检测.在不同的道路(高速公路、城市普通道路和城市窄道)条件以及白天不同光照条件下对车辆进行检测,结果表明,该算法的识别可靠性更高,适应性更好.     

融合多元特征信息的前方车辆图像识别

为了进一步降低虚假目标车辆的检测风险,提出了一种基于多元特征信息匹配的前方车辆图像识别方法。首先依据路面灰度均值突变搜索车辆候选区域,然后利用双通道Gabor滤波器提取车辆样本图像的多尺度方向特征,联合AdaBoost分类器与Cascade级联分类器形成一系列强分类器,对产生的5尺度8方向高维特征向量实施降维处理,同时分类筛选特征样本,最后结合灰度信息熵对称性测度辨识目标车辆存在性,完成了前方目标车辆的检测定位。研究结果表明:所提方法的检测准确率为96.7%,比经典算法提高了1.6%;整个检测过程最长耗时35 ms,最短耗时15ms,平均耗时25ms,检测耗时主要受车辆的大小以及背景复杂程度的影响;避免了单一特征下局部有效鉴别信息的损失,具有较好的识别精度和处理速度,车辆误检率仅为3.2%,优于其他车辆识别算法的误检率,提高了虚假目标检测的辨识度。     

基于超像素和支持向量机的车辆阴影检测算法

为解决车辆阴影检测中易将车辆阴影相似的车辆区域误检测为车辆阴影的问题,提出了一种基于超像素和支持向量机的车辆阴影检测算法.首先,利用简单线性迭代聚类法将图像分割为若干超像素;然后,以超像素为基本检测单位,根据HSV空间中的一组判别条件对车辆阴影进行初步检测;在此基础上,利用支持向量机识别并去除被误检测为车辆阴影的车辆区域,进而得到最终的车辆阴影.实验结果表明,所提算法能够较好地区分车辆阴影及与车辆阴影相似的车辆区域,提高车辆阴影的检测率和分类率.     

混合交通场景中的车辆检测和识别

介绍了一种城市交通流量视频检测系统及其车辆识别新算法。通过检测道路上的运动目标并利用目标的运动信息和外形特征进行车辆识别。考虑到目标的阴影会影响目标的形状特征 ,导致目标识别错误 ,提出了一种新的阴影检测算法———利用目标的灰度特征对运动目标进行阴影检测和分离。实验结果表明该系统在模拟城市混合交通环境下 ,能够克服目标阴影的影响 ,准确检测和识别车辆 ,同时能够满足实时性的要求     

基于全局和局部卷积特征融合的车辆目标检测

复杂环境下现有的车辆检测算法容易受尺度变化、遮挡以及复杂背景等因素影响,检测效果不理想,提出了一种融合全局和局部深度卷积特征的车辆检测算法。基于卷积神经网络构建车辆检测网络模型,通过建立多尺度感兴趣区域池化层(ROIPooling)获得图像整体结构和上下文信息,提取出目标的全局特征,并利用位置敏感感兴趣区域池化层(PSROIPooling)提取出目标局部特征,在全连接层处对全局和局部特征进行加权融合,最后通过多任务学习联合预测出车辆位置和类别。实验结果表明全局和局部特征具有较好的互补性,与多种主流检测算法相比,本算法具有更强的鲁棒性和准确性。     

一种基于SVM及LE降维的X射线焊缝缺陷分类算法研究

为了提高X射线焊缝缺陷分类的识别率,提出将拉普拉斯特征映射(Laplacian Eigenmaps,LE)算法与支持向量机(Support Vector Machine,SVM)算法相结合应用于焊管焊缝缺陷检测。该方法首先提取焊缝缺陷的形状和几何特征,然后通过极大似然估计值(Maximum Likelihood Estimation,MLE)法对提取的7维样本特征进行本征维数估计并利用拉普拉斯特征映射法对各类特征向量进行降维处理,最后分别采用支持向量机和BP神经网络进行分类对比实验。实验表明,基于SVM及LE降维的X射线焊缝缺陷分类算法具有较高的识别精度,平均分类准确率达93%,能够较准确地对焊缝缺陷进行分类识别。     

基于对称帧差和分块背景建模的无人机视频车辆自动检测

为了从广域的视角准确全面地识别交通流信息,针对无人机视频提出了基于对称帧差和分块背景建模的车辆自动检测方法.首先,对视频图像进行4×4降维处理和灰度化处理,并人工勾勒出感兴趣区域(ROI),以降低图像维度,划定检测区域;其次,利用对称帧间差分法提取ROI中的运动目标,并在此基础上应用分块背景建模获得背景图像;然后,通过背景差分初步提取车辆信息;最后,基于形态学处理等方法消除噪声,实现车辆识别.此外,提出了针对车辆识别算法的正检率、重检率、漏检率和错检率4个评价指标.基于150帧无人机视频图像对算法进行测试,结果表明:算法具有较高的正检率(均值92.29%)、较低的漏检率(均值7.31%)与错检率(均值0.39%),而重检率为0.     

一种局部多特征融合的行人检测算法

为快速定位车辆前方的行人,提出一种基于腿部区域多尺度的梯度方向直方图(HOG)特征与hu矩特征融合的行人检测方法,融合腿部区域的轮廓和纹理特征,有效地降低特征向量维数.实验结果表明,该算法能在保持较高的检测准确率的同时提高检测速度.     

触发式车辆实时检测新算法

提出了一种使用高速公路路面纹理特征来检测车旁超车车辆的实时算法.在由单摄像机获取的序列图像中,算法片先利用标志线信息在待检测车道上设置一个检测窗口,并对窗口内路面的纹理特征进行建模;然后利用帧间窗口内路面纹理的连续性信息和相邻车道路面的相似性信息,根据异常检测函数来触发检测,判断检测窗口内是否存在感兴趣区域;最后根据图像中消失点和标志线的信息来确认感兴趣区域内是否存在超车车辆.实验结果表明:此方法能够及时准确地检测出从本车侧后方出现的超车车辆,算法计算量低,满足系统的实时性要求,并具备较强的鲁棒性.     

基于感兴趣区域AdaBoost分类器的视频车辆检测研究

近年来基于视频的车辆自动检测作为城市智能交通系统的一项重要技术一直受到关注.针对AdaBoost分类器目标检测所存在的漏检、误检和计算量过大等问题,提出一种基于混合高斯模型运动区域提取和Haar-like特征的AdaBoost级联分类器的交通视频车辆检测算法,首先通过建立混合高斯模型对运动目标的总体区域进行检测,进而提取基于车辆运动的感兴趣区域,再对其进行基于Haar-like特征的区域AdaBoost级联分类,实现对运动车辆的检测.由于采用了基于运动区域提取和分类相结合的检测模式,通过混合高斯背景模型较准确的提取出ROI作为车辆的候选区域,约束了每帧的搜索区域,使AdaBoost分类器的目标检测更具针对性,提高了检测的准确性,降低了漏检率;同时也减少了分类算法滑动窗口扫描所需要的时间,提高了检测速度.实验结果验证了所提出算法对复杂交通环境车辆检测的适应性和有效性.