基于视觉的缩微智能车车道检测与控制

针对智能车辆自主驾驶行为研究,提出并实现了一种基于视觉导航的缩微智能车系统.从软硬件架构、数据通信方式上介绍了缩微智能车系统的整体设计,并针对缩微道路交通环境中传统车道线检测技术易受光照变化影响的问题,提出一种灰度形态学Top-Hat变换与亮度轮廓扫描方法相结合的车道线检测算法.为分析智能车在缩微交通环境下的自主驾驶表现,设计了一种模拟驾驶员转向行为的舵机模糊控制算法.实验结果表明,该方法可以有效模拟车辆在真实道路交通环境中的自主驾驶行为,为智能交通系统研究提供了一种新思路.     

基于卷积神经网络的语义同时定位以及地图构建方法

环境感知技术是智能车功能实现的前提,而在感知的基础上提高智能车对环境的认知能力是实现全自动驾驶的关键。本文针对室外交通场景,基于卷积神经网络提出了一种新的智能车同时定位以及语义地图构建方法,对智能车进行定位,并且构建稠密的3D语义地图,提高智能车的环境感知、认知能力。首先,基于双目ORB-SLAM提出了一种四线程的双目SLAM（Simultaneous Localization and Mapping）方法构建稠密的3D点云地图,四线程分别为追踪线程,局部地图构建线程,回环检测线程以及稠密地图构建线程;其次,为提高智能车的环境认知能力,使用端对端的方法对图像进行语义分割,并且为提高语义分割精确率,将环境的几何信息也作为卷积神经网络输入;最后,将感知的能力与认知的能力相结合构建语义地图,为智能车实现全自动驾驶奠定基础。本文将算法在KITTI数据集上进行测试,整体算法速度为10帧/秒,语义分割的全局精确率为73.1%,构建的语义地图显示本文提出算法能够在大规模室外场景下重构全局一致性地图,并且帮助智能车实现对环境的解析。     

多缩微智能车交互行为研究平台设计与实现

针对真实道路上开展智能汽车研究存在的风险和困难,提出了一种基于缩微城市道路环境的智能车交互行为研究平台. 该平台首先实现了具备视觉认知功能的缩微智能车,采用了一种基于特征和模型融合的嵌入式平台实时车道线和障碍物检测算法,通过本车可行驶区域的形式化描述,实现道路环境的感知,最后经过模糊决策控制方法控制缩微智能车产生拟人驾驶行为. 实验结果表明,文中提出的研究平台能够有效模拟智能车车间交互行为,环境感知算法和决策控制方法能够满足实时性和精度要求.     

面向自动驾驶的驾驶环境视觉感知复杂度量化评估方法

为优选自动驾驶汽车开放测试、示范道路并支撑其驾驶环境的优化,提出面向自动驾驶的驾驶环境视觉感知复杂度量化评估方法。以百度街景地图作为驾驶环境数据源,运用脚本文件以及截图工具PicPick搭建自动化街景图像数据提取平台,并在不同区域、不同道路等级下采集上海市50条典型道路的驾驶环境数据;从行人、交通标志、交通标线、红绿灯、车辆5方面出发,构建驾驶环境要素感知平台,并开展感知精度的量化评估;在单要素感知准确率的基础上,采用熵权法确定多维感知要素权重,计算各道路综合感知准确率,并应用轮廓系数法与K-means++聚类算法进行视觉感知复杂度分级。结果表明,上海市典型道路的驾驶环境视觉感知复杂度分为三级,大部分道路的视觉感知复杂度属于2级;对比不同等级道路发现,支路的视觉感知复杂度总体上低于主干路。     

基于毫米波雷达与图像融合的车辆检测

研究了多传感器融合技术在智能车辆上的应用,对毫米波雷达采集的数据采用多帧融合的方法过滤出有效的雷达目标,并使用张正友标定法对雷达目标和图像进行了融合处理,实验结果表明了该方法的可行性和有效性,效果明显优于传统的单视觉的车辆检测方法.     

基于激光雷达和摄像机融合的智能车障碍物识别方法研究

针对智能车环境感知中单一传感器所存在的局限性问题,本文提出一种通过激光雷达融合摄像机来感应识别智能车前方障碍物的方法。首先,通过激光雷达与摄像机之间的校准,来实现目标的三维数据的图像投影,并进行视觉图像与目标的三维雷达数据的融合,以提取障碍物候选区域。其次,提出了一种基于卷积神经网络和SVM的障碍物识别模型,用于训练KITTI数据库中的数据,检测视觉图像中的行人和车辆目标,以此来得到所需要的单帧下各传感器的目标检测数据。实验结果表明,所提出的模型在KITTI中选择的小数据集上获得的模型在实际测试中具有良好的性能,具有可靠的识别能力和良好的分类结果。     

融合图像边缘和区域特征的道路检测算法

利用图像分割技术对车载视频进行图像处理,提取道路信息,以用于智能车自动驾驶.首先,将彩色通道图像转换成灰度图像,并进行直方图均衡化和滤波预处理;然后,利用自定义差分算子和区域生长法,进一步对处理后的灰度图像进行分割,分别获得图像的边缘和区域特征.最后,结合区域和边缘分割的互补特性,提出一个融合两者信息的分割算法,对不同条件下获得的车载视频进行图像分割,实现道路检测.实验结果表明,所提出的方法能够获得边缘精确平滑、区域均匀的道路分割,而且算法具备较好的实时性和鲁棒性.     

基于机器视觉的齿轮产品外观缺陷检测

提出应用机器视觉技术对齿轮外观缺陷进行检测.首先对齿轮产品实物图像进行预处理,提取齿轮边缘图像,对其实物图像和设计图像进行分割和缩放处理,得到相同大小的实物;其次,采用互信息方法对两幅图像进行配准,通过不断旋转实物图像,计算它与设计图像的互信息,找出实物图像的最佳旋转配准角度;在此基础上将两幅图像进行小波融合,即自动对齐叠加在一起,根据重合效果,检测人员可以判断生产出的齿轮产品是否合格.通过实例验证了该方法的可行性和有效性,检测效果直观.     

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。     

基于深度学习的无人驾驶汽车车道线检测方法

车道线检测是实现当前汽车辅助驾驶和未来无人驾驶汽车的关键,深度学习技术在近年来迅猛发展,在图像识别、图像分割、语音识别及数据预测等方面都取得了出色成绩。结合深度学习技术对无人驾驶汽车环境感知中的车道线检测进行了相应的研究,提出一种基于深度学习的车道线识别算法。对比研究已有算法,针对其中的信息融合问题,提出了一种新的特征图上下文信息融合方法,将该方法与VGG(Visual Geometry Group)网络相结合提出融合上下文信息的车道线识别网络VGG-FF,进一步加入空洞卷积提出融合空洞卷积及上下文信息的车道线识别网络VGG-FFD。将该网络模型在公开数据集以及自制数据集上进行了性能测试,实验结果表明该模型具有良好的识别效果。     

基于视频车辆轨迹模型的交通事件自动检测方法研究

 研究了车辆违章逆行、停驻、掉头、倒退、变道五类具有潜在危险的交通（违章）事件,并且运用了基于视频的交通事件自动检测技术所涉及的目标提取、车辆跟踪和事件理解与描述3个步骤实现交通事件的检测。着重研究并分析了车辆跟踪得到的行驶轨迹点,将复杂的车辆轨迹分解为前行、反行、停滞、斜行四类轨迹元素,并且根据4类轨迹元素对车辆的行驶行为进行数学建模,最后通过模型制定合理的检测算法。实验表明,该算法可以有效地区分正常车辆与事件车辆,能够快速准确地检测上述5类交通事件。     

基于视频的车辆检测与跟踪算法综述

首先介绍了交通检测系统,指出视频交通检测技术日益成为计算机视觉领域中备受关注的前沿方向.在此基础上,分别讨论了常用的车辆检测算法,基于模型的车辆检测算法,车辆跟踪的基本类型,以及基于模板匹配、卡尔曼滤波和粒子滤波的车辆跟踪算法,同时分析比较了各种算法的优缺点.最后,展望了这一领域未来研究的热点.     

基于智能球机的视频车辆检测系统的设计

以现有的视频检测算法为基础,根据智慧交通系统的需求设计了一套车辆检测系统.该系统包括客户端模块、命名管道通信模块、特征提取模块、轨迹数据处理模块和数据库存储模块,可以实现检测跟踪道路车辆、计算目标车辆数据、汇总道路数据和查询历史信息等功能.现场测试与运行结果表明,视频车辆检测系统检测精度高,整体性能强,系统运行稳定,能够满足路政需求.     

基于自适应轮廓匹配的视频运动车辆检测和跟踪

为了对高空拍摄的交通场景进行图像处理，实现对运动车辆的检测和跟踪，以获得车辆的运行轨迹，在固定模板的基础上，利用自适应轮廓匹配算法，结合误检判断和轮廓分解，较好地检测出了车辆轮廓，并能避免由于两辆车靠近带来的误检．将自适应轮廓匹配思想移植到车辆跟踪中，可以实现较为准确的跟踪．计算机检测和人工检测的比对实验表明，在一定的条件下，这种算法有效消除了误检和多检现象，其正确检出率达到95．01％，即使存在一定的漏检，也可以通过插值实现填充．     

基于单目视觉的实时车距侦测算法的实现

针对汽车自主驾驶技术领域车距侦测问题,利用影像摄取硬件和软件系统,并提出一种基于单目视觉的车距侦测算法,实现了车距的实时侦测.实验证明此方法在白天、黑夜、复杂路况及天气恶劣的情况下均能稳定运行,且此算法有效减少了Hough运算量,具有较强鲁棒性及实时性.     

基于交通视频的运动车辆检测方法

为解决交通测试系统中车辆实时跟踪和分割的问题, 以数字图像处理方法为手段, 针对采集到的交通路况信息, 重点研究了背景差分算法提取运动车辆, 并提出了一种计算量较小的自适应背景更新算法; 采用一种工作在HSV(Hue, Saturation, Valve)空间非基于模型的车辆阴影检测算法, 并提出设置阈值参数的方法, 在去除车辆阴影的同时也滤除了行人、 自行车及摩托车等干扰; 针对车辆阴影检测后的二值化图像, 采用适合的形态学方法进行后期处理。对实际交通环境下的大量视频和图像进行测试的结果表明, 该方法可以有效地实现运动车辆的检测。     

基于图论的复杂交通环境下车辆检测方法

目前现有的基于图像的车辆检测系统大多数是利用滑动窗口法来确定车辆候选区域.为了提高车辆检测的速度并减少计算量,提出了一种新的基于图论的车辆检测方法.该方法针对每幅图像通过简单线性迭代聚类(SLIC)算法得到含有若干个超像素节点的图像,分析节点间的相互关系最终确定车辆候选区域.在检测阶段,本文把大量不同视角的车辆图片作为正样本进行训练,得到多视角的分类器;基于候选区域的几何信息,选择适当的多视角分类器进行检测.由公共交通分析数据集(KITTI)检测结果表明:与目前最新的、具有相同提取特征和分类器的算法相比,本文的方法具有更好的检测精度,在复杂的背景下也能取得很好的检测结果.     

一种有效的车辆跟踪算法与异常车辆检测

交通监控视频中车辆检测、跟踪与车型判别是智能交通监控系统的重要组成部分。本文运用W4背景减除法和光流法相结合的技术进行车辆检测。利用区域滤波和空洞填充方法提高目标检测精度。采用质心距离约束和目标大小约束条件实现目标区域之间的匹配和车辆跟踪。最后,根据车辆的几何形状特征对助动车等异常车辆进行检测和标记。通过对高速公路实际视频的测试表明,本算法对机动车进行了有效的跟踪与标记,并对道路上助动车等异常车辆进行了有效的检测。     

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.     

Faster-RCNN的车型识别分析

车型识别是目标检测领域在智能交通的重要应用,也是近年来国内外学者的研究热点之一。针对已有车辆检测方法缺乏识别车型能力的问题,提出了基于Faster-RCNN目标检测模型与ZF、VGG-16以及ResNet-101 3种卷积神经网络分别结合的策略,实验对比了该策略中的3种结合模型方案在BIT-Vehicle和CompCars2种大型车型数据库的车型识别能力。在BIT-Vehicle数据集上,基于Faster-RCNN与ResNet-101结合模型方案的车型识别率高与其余2种结合模型方案,其车型识别率高达91.3%;在迁移测试CompCars数据集上,3种结合模型方案均展现了很好的泛化能力。