基于主被动传感器融合的车辆检测

为了检测车辆目标,提出了一种基于主被动传感器融合的车辆检测方法.将车辆检测分为假设和验证假设两个步骤,在假设阶段,通过被动传感器——毫米波雷达进行目标的检测与跟踪,在对雷达数据进行最邻近法聚类后,在多假设跟踪模型下,将观测目标集与通过卡尔曼滤波器预测的目标集进行数据关联,得到雷达目标.在验证假设阶段,首先通过新出现的雷达目标找出车辆可能存在的区域,然后通过训练好的分类器对这些区域进行验证得到最终的车辆目标.在实验室的无人自主车平台上,本系统在城市道路和乡村道路环境下进行了大量实验,结果表明本文的方法可以有效地检测并跟踪到车辆目标,得到目标的距离和速度信息,从而帮助自主平台实现更多功能.     

基于高斯混合模型和卡尔曼滤波的车辆检测与跟踪方法

提出一种改进的车辆检测与跟踪方法。在目标检测阶段,针对传统高斯混合建模算法对环境变化适应能力较差的问题,设计一个环境变化判断因子,据此进行高斯混合模型更新率的自动切换;在车辆跟踪阶段,为提高跟踪精度和跟踪效率,引入卡尔曼滤波并设计了跟踪列表进行单目标和多目标的跟踪。实验表明,该方法对光照突变有较好的适应性,能实现车辆的有效检测与跟踪。     

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。     

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MHT模型的毫米波雷达车辆检测方法

为了在智能车辆系统中检测前方车辆,该文提出了一种基于多假设跟踪(Multiplehypothesis tracking,MHT)模型的车辆检测方法。首先在多假设跟踪模型下,定义毫米波雷达量测集合与目标集合的对应关系,采用广义概率数据关联算法提取量测集合中的有效目标,从而得到有效目标集合。利用概率树模型估算目标的出现概率来维护检测的目标集合,保留稳定的检测结果。实验结果表明:该方法对于远近距离下和较差环境下黑夜灯光的前方车辆达到了准确的检测效果,克服了基于视觉的车辆检测方法对目标距离和环境光线敏感的缺点,同时在目标的保持维护上也取得了良好的效果。     

基于多纹理CS-LBP特征的多视角人脸检测算法

提出一种多纹理中心对称局部二值模式（CS LBP)特征, 实现复杂环境下的多视角人脸检测. 该特征保留Haar特征的序数关系, 借鉴局部二值模式（LBP）的组合方式, 从水平、 垂直、 +45°和-45°这4个纹理方向进行特征提取, 以保证人脸检测在方向、 光照、 旋转等方面的鲁棒性. 算法采用级联架构, 首先针对人脸图像中的不同视角进行分区, 分别进行多纹理特征的提取, 然后设计独立的分类器, 逐级剔除非人脸窗口, 最后采用多层感知器(MLP)综合各视角的检测效果, 输出检测结果. 在数据集FDDB和CMU PIE上进行验证性实验的结果表明, 该方法对复杂环境下的多视角人脸检测有效, 与传统的卷积神经网络人脸检测方法相比, 该方法具有更高的精度.     

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TOPHAT-PCNN的图像车辆目标检测方法研究

对传统的车辆目标检测方法进行改进,提出了一种基于形态学高帽变换(TOPHAT)与脉冲耦合神经网络(PCNN)相结合的车辆目标检测方法.首先对交通图像进行形态学高帽变化提取图像的目标区域、然后分析了PCNN特征对车辆图像与非车辆图像的区分度,统计了熵特征和脉冲点火特征分别对原始图像和TOPHAT图像的有效性,选取了迭代平均熵作为车辆检测的有效特征,并采用滑窗的方式进行车辆检测,最后利用边缘密度信息对检测出的车辆目标进行后续验证.实验从有效性和准确性两方面进行验证,实验图片来自实际交通路口,结果表明:该方法能够有效地进行车辆目标检测,同时与其他车辆目标检测方法相比,具有检测率高、误检率低,消耗时间少等特点,能够较好的实现智能交通中车辆目标的快速检测.     

数目可变多目标的实时跟踪

提出一种单目固定场景下,基于贝叶斯框架的数目可变的多目标实时跟踪方法.通过两个阶段实现对目标的有效跟踪:第一阶段为自动初始化,通过背景建模对视频序列进行检测,并实时提取目标的空间与颜色分布特征;第二阶段为运用粒子滤波器对目标进行跟踪与标定,通过目标间的特征匹配对对应矩阵进行实时更新,判断目标的数量变化情况及其发生概率.本文通过对道路监控视频序列中的车辆进行了跟踪仿真实验,验证了该方法的有效性和可靠性.     

基于中值滤波和多特征融合的粒子滤波车辆跟踪算法研究

为获得复杂环境下较好的车辆跟踪结果,提出了一种基于中值滤波和多特征融合的粒子滤波车辆跟踪算法.在粒子滤波跟踪框架中,首先将车辆图像从RGB(Red,Green,Blue)颜色空间转换到HSV(Hue,Saturation,Value)颜色空间,利用中值滤波对视频图像进行预处理后,再利用prewitt算子检测图像边缘信息,然后融合颜色和边缘两个特征,实现复杂环境下的车辆跟踪.实验结果表明,该算法具有较好的目标跟踪精度和鲁棒性,能有效解决单一颜色特征下容易导致目标车辆跟踪丢失的问题.     

基于车辆对道路不满意度的微观换道决策

自动驾驶汽车有着极大的应用潜力且高速公路环境下车辆变换车道是常见的行为。为进一步分析高速公路中自动驾驶汽车的微观换道决策,本文定义道路不满意度来表示车辆对行驶道路的不满意程度并将车辆换道意图的产生按本车是否达到目标车速而分为两类,当本车达到目标车速时为第一类,换道意图产生源于本车与前车间距的减小和本车相对于前车速度的增加。当本车未达到目标车速时为第二类,换道意图产生源于本车与前车间距的减小和本车达到目标车速时相对于前车移动距离的增大。针对不同类换道意图的产生机制,结合模糊推理设计道路不满意度算法。换道决策利用当前行驶车道和邻近车道的道路不满意度大小、安全跟车距离、换道安全距离来综合决定换道意图的发生。最后在MATLAB环境下搭建自动驾驶环境并仿真换道决策模型,结果显示本文相比其它换道决策,本文不仅考虑换道安全而且也考虑了目标车道和本车道的跟车安全,更具有实际意义。同时本文的模糊换道决策能兼顾安全性和智能性且适用于依目标车速定速巡航、为达到目标车速而加减速等多种复杂工况下的换道情况。     

基于动态双向耦合的高速汽车侧风稳定性控制研究

针对高速汽车在侧风环境下的气动稳定性问题,基于大涡模拟（LES）及五自由度车辆模型,建立了汽车空气动力学与汽车动力学的动态双向耦合分析模型.考虑了主动前轮转向的主动控制（AFS）对高速车辆侧风稳定性的影响;采用调整车辆质心位置的方法验证了动态双向耦合模型的鲁棒性.对在某轿车在有、无驾驶员及有、无AFS控制下的运动及流场特性进行了对比分析.研究结果表明:在侧风作用下车辆的侧向速度及横摆角速度对高速车辆的气动稳定性有着重要影响;在无驾驶员条件下,有AFS控制的车辆仍能回到正常行驶路线,而无AFS控制的车辆无法回到正常行驶路线;在有驾驶员条件下,无AFS控制车辆最大侧向位移为1.1 m,有AFS控制车辆最大侧向位移0.47 m,表明AFS控制有助于提高车辆侧风稳定性.      

基于自适应特征选择的夜间运动车辆检测算法

针对夜间交通环境的特点,提出了基于自适应特征选择的夜间运动车辆检测算法.首先,利用SIFT算法提取夜间运动车辆的形状特征,并融合颜色和纹理特征,得到夜间运动车辆的特征向量;其次,利用Boosting算法和遗传算法以迭代形式获取模糊规则及其权值;然后,采用Boosting算法以加权投票方式自适应选取对检测最有利的特征,从而实现自适应特征选择;最后,对夜间交通场景下3种不同道路情况进行实验.实验结果表明,在遮挡、光照及背景干扰等复杂情况下,该方法可以根据背景信息的不同自适应地选择特征,实现夜间车辆的实时检测,鲁棒性较好,可以满足智能交通系统的实时性和准确性的要求.     

一种基于混合现实的自动驾驶车辆测试方法

针对自动驾驶汽车在复杂环境下的安全性测试问题,提出一种基于混合现实的自动驾驶车辆测试方法。该方法将仿真环境中的虚拟场景映射到真实的测试环境,通过传感器和数据融合快速收集自动驾驶测试车的智能感知和行为决策等性能指标,然后基于混合现实测试场景、控制中心、测试车辆构建闭环测试系统。通过案例验证,说明该方法可满足在多种场景下自动驾驶车辆的测试要求。     

基于改进区域生长和小波变换的非结构化道路检测

针对在复杂场景的非结构化道路中,由于众多的环境干扰因素从而不能准确检测车道线的问题,提出了一种基于改进区域生长法和小波变换相结合的非结构化道路检测算法。根据大多数情况下道路区域在车载摄像头的正下前方及道路区域与道路两旁背景灰度值的一定差异,来有效地选取区域生长的种子点及生长原则进行区域生长道路初分割。同时结合基于小波变换的边缘检测来修正由于初分割道路受复杂环境导致道路检测不准确的情况。实验结果表明,该算法能够较准确地检测出受光照等因素影响的道路区域,且具有较高的准确性。     

基于比例控制的4WS汽车操纵稳定性仿真研究

建立了基于比例控制的4轮转向(4WS)汽车的动力学模型,在Matlab环境下针对不同车速时的驾驶员模型跟随车辆轨迹、汽车横摆角速度、侧向加速度以及前轮转角的瞬态响应进行了闭环仿真分析,并与无控制的前轮转向(FWS)汽车的动力学模型结果进行了比较. 结果表明:在相同的驾驶员模型下,主动四轮转向汽车的操纵稳定性优于前轮转向汽车,采用闭合曲线跑道比采用蛇型道路进行仿真更客观地反映控制效果和车辆特性.      

线控制动单轮失效下制动力优化分配控制策略

针对线控制动系统单轮制动失效时车辆制动稳定性控制问题,提出了协同线控转向和线控制动系统的制动力优化分配控制策略.为了最大程度满足驾驶员的制动期望,采用二次规划方法初始分配剩余三轮制动力;为防止车辆因制动力重构产生横摆或跑偏,采用滑模控制方法设计前轮转向控制器;考虑前轮转向对轮胎纵向力的影响,建立基于魔术公式的轮胎侧向力数学模型,基于二次规划方法实时优化轮胎在侧偏纵滑工况下的制动力.联合Simulink和Carsim进行了仿真实验分析,结果显示车辆的横摆角速度快速收敛为0,侧向跑偏距离均小于0.1 m.结果验证了本文提出的制动力优化分配控制策略在不同的制动工况下均能提高单轮制动失效车辆的制动稳定性.     

新型全触屏人机交互模式对驾驶风险的影响特性

针对新型全触屏人机交互界面（Human-Machine Interface）对驾驶过程带来的潜在风险,通过搭建2类真实道路驾驶数据采集平台,本文分别在新型全触屏和传统物理按键模式下采集了26名被试的空调操作相关数据。选取任务总时长、注视切换次数、视线离开前方总时间和车道位置标准差（SDLP）共4个指标,对4种车速下的1012组有效数据进行分析,结果表明：4种车速下全触屏HMI的4个指标平均值均高于物理按键,且全触屏HMI的任务总时长、注视切换次数、视线离开前方总时间以及SDLP的平均值相比物理按键分别增加了34.7%、13%、50.7%、37.8%。两种交互模式下任务总时长和视线离开前方总时间的平均值均随着车速的增加而呈现下降的趋势,而SDLP的平均值随着车速的增加而增大。总体而言,全触屏模式增加了驾驶人的视觉负荷,对于驾驶过程带来了一定的风险。