基于3D激光雷达的实时道路边界检测算法

针对室外自然环境下无人自主地面智能车辆的道路检测问题,提出了一种基于3D激光雷达的道路边界检测算法.算法的原理是:根据道路区域与非路区域之间存在的高度跳变的特性,首先提取道路的可通行区域,然后把得到的障碍网格图利用线性鉴别分析(LDA)的分类的思想划分出最佳的左右非路区域,进而拟合得到道路的边界信息.试验结果表明,该边...     

基于改进Otsu的室外道路实时检测与跟踪算法

室外道路检测与跟踪是移动机器人完成室外环境探索和自主导航的基础和前提.针对室外机器人工作环境复杂、光照多变等特点,提出了一种适用于室外道路实时检测与跟踪的算法.首先将CCD摄像头获得的画面通过预处理,提取视频画面的感兴趣区域(ROI)并转化为HSV颜色空间下的图像,然后通过改进的自适应阈值分割法(Otsu)获得道路图像的边缘信息,采用抗干扰能力较强的霍夫(Hough)变换得出画面中的可通行区域,最后采用加权马氏距离判别法跟踪可通行区域.实验表明,该算法在室外环境下具有较好的道路识别跟踪能力和实时性.     

基于卷积神经网络的车辆和行人检测算法

针对传统的车辆和行人检测算法在提取特征时鲁棒性较差的问题,提出一种基于深度学习的车辆和行人检测算法。该算法利用更快速的区域卷积神经网络(Faster RCNN)开源框架和Squeezenet网络,通过在线负样本学习(OHEM)算法和可变的非极大值抑制(Soft-NMS)算法来改进算法的检测精度。首先采用Squeezenet网络框架对图片提取特征,然后通过区域提取网络算法(RPN)获取图片中待检测的区域,最后在检测阶段加入OHEM算法对疑难样本进行重新学习和Soft-NMS抑制重叠矩形框,从而得到目标的得分和边界框。结果表明,基于卷积神经网络的车辆和行人检测算法能够获得较好的检测效果。     

面向非结构化道路的特征光流检测

道路环境中的视觉障碍检测是智能车辆导航的一大难题,光流检测算法则为解决该难题提供了有效的途径。提出了一种复合特征光流检测算法,借助于不同类型局部特征的检测与匹配,通过图像分割发现感兴趣区域,通过光流检测为该区域的可通行性判定提供决策依据。与传统光流检测方法的对比实验证明了算法的有效性。     

一种基于Faster R-CNN的车辆检测算法

针对传统的车辆检测算法无法自适应地完成在复杂场景变化下提取目标相应特征的现象,提出了一种基于深度学习的车辆检测算法,该算法结合了Faster R-CNN开源框架和Loc Net网络算法。首先,利用RPN算法获得图片中的候选区域,以减少检测过程中对每张图片的计算量;然后,进入Fast R-CNN网络,利用该深度网络中的卷积层和池化层,自适应地获得车辆目标的所有特征;最后,进入Loc Net网络,通过输入已经得到的图片候选区域,通过卷积层和池化层,不断计算候选区域边界的概率,达到不断优化候选区域边界,最后得到车辆目标的边界框。使用深度学习卷积神经网络,可以避免人工设计车辆目标特征适用性不广泛的缺点,提升车辆目标检测和定位的准确性。     

基于二维激光测距仪的道路可行区域提取

为了使自主移动机器人在结构化和半结构化环境中能快速有效地提取道路的可行区域,采用全局搜索及双阈值的算法.该算法首先采用基于八邻域的全局搜索法搜索激光数据点,再结合角度和高度差双阈值对数据点进行归类并检测道路边界,最后利用障碍物检测原理获取障碍物.实验结果表明:该算法能够检测出路边及障碍物边界,此过程只对机器人感兴趣区域...     

基于多传感器融合的越野环境路面信息识别

为实现精准的越野环境路面信息识别，文中提出了一种基于多传感器信息融合的路面信息识别方法.首先，针对车辆簧下振动加速度信号设计了特征提取算法，通过双线性池化方法融合加速度特征与图像+深度特征，以实现对越野路面类型的多维度特征融合与识别.然后，为提高越野路面可通行区域检测效果，引入迁移学习方法，将越野场景路面类型识别模型中路面特征提取的共性知识向通行区域分割模型进行迁移.在真实越野环境数据集下对模型进行训练与测试，测试结果表明文中提出的识别方法不仅在越野场景路面类型识别任务上获得了98.65%的平均分类准确率，而且引入先验知识可明显提升通行区域检测效果.     

针对车辆与行人检测的ROI自适应分割算法

在基于图像的车辆与行人检测中,针对固定比例/区域的感兴趣区域(Region of Interest, ROI)图像分割适应性低之问题,提出基于消失点和车辆高度的ROI自适应分割算法：首先,利用车道消失点得出道路位置,避免分割区域浪费;其次,综合车辆实际高度和检测距离计算图像上车辆高度,定位ROI边界,减少车辆及行人目标的不完整分割;最后,循环利用当前帧的车道消失点及其推导的实时俯仰角更新下一帧ROI,实时适应不断变化的路面坡度及车身俯仰姿态。实验表明,该算法计算简单,适应性强,满足不同情况下快速精确的ROI分割要求,提高后续目标检测的实时性和准确性。     

针对车辆与行人检测的感兴趣区域自适应分割算法

在基于图像的车辆与行人检测中,针对固定比例/区域的感兴趣区域(region of interest, ROI)图像分割适应性低的问题,提出基于消失点和车辆高度的ROI自适应分割算法。首先,利用车道消失点得出道路位置,避免分割区域浪费;其次,综合车辆实际高度和检测距离计算图像上车辆高度,定位ROI边界,减少车辆及行人目标的不完整分割;最后,循环利用当前帧的车道消失点及其推导的实时俯仰角更新下一帧ROI,实时适应不断变化的路面坡度及车身俯仰姿态。实验表明,该算法计算简单,适应性强,满足不同情况下快速精确的ROI分割要求,提高后续目标检测的实时性和准确性。     

基于可达集的车辆躲避策略及安全性验证

针对目前传统算法在安全性验证中置信水平较低的问题,将自主车辆在道路上的行为视为混合系统,提出以道路边界为约束条件的安全区域可达集建模方法。在此基础上建立安全等级评判标准,给出自主车辆道路行为的哈密顿雅可比方程;提出自主车辆避障问题的最优控制方法。结果表明,该方法不仅可以应用于自动驾驶车辆的安全性验证,还能够对手动驾驶的危险行为进行预警和规避,增加了车辆安全性验证的置信度。