一种计算迎风面密度的优化算法

提出了一种基于最小外接矩形的计算迎风面密度的优化算法.该算法的核心问题是如何高效地求解建筑物沿着某一风向的投影面宽度(迎风面宽度).具体解决方案为:将不规则建筑物水平轮廓根据风向角度进行一定角度的旋转操作,使得旋转后建筑物水平轮廓的最小外接矩形的宽即为建筑物水平轮廓未旋转时的迎风面宽度.由于最小外接矩形及其旋转操作在当前很多图形系统软件中一般都有接口支持且运行效率非常高,用户也可以直接调用相关接口进行二次开发.因此,本方法具有较高的运行效率和应用便利性.     

基于车辆轮廓定位匹配的车型识别方法

采用背景减法提取运动车辆目标的轮廓,用外接矩形对目标轮廓进行定位,选取轿车、客车和货车3种车型的侧面轮廓作为标准样本,分别计算待识别车辆的侧面轮廓与3种标准样本的匹配程度系数,保留系数较小的两类标准样本,然后采用Hausdorff距离算法计算待识别车辆轮廓与剩余两类样本之间的匹配程度,认定Hausdorff距离较小的两者具有相同的车型.实验结果表明,该方法准确、有效且实时性较好,在高速公路收费站、自动收费停车场等场合具有较大的实用价值.     

基于改进几何活动轮廓模型和Kalman滤波的目标跟踪方法

针对几何活动轮廓模型在跟踪时初始化的影响和收敛不准确的问题,将帧间差分和统计量假设后得到的目标外接矩形作为曲线初始值;引入一个强制项,提出一种改进的几何活动模型方法进行目标轮廓拟合,完成检测;结合目标物轮廓曲线和Kalman滤波器实现运动跟踪。试验结果表明:以车辆目标外接矩形作为初始化曲线,可简化初始化工作,加快车辆目标的轮廓曲线收敛速度;在收敛过程中引入了一个水平集函数的强制项,可使曲线准确演化到对象边缘的凹陷部分,增强曲线的收敛能力;在运动视频对象的准确轮廓基础上,可更准确地跟踪车辆目标。     

一种快速提取植物叶片最小外接矩形的算法

为了提高提取植物叶片最小外接矩形的计算效率与精确度,提出一种快速提取植物叶片最小外接矩形的算法.该算法首先使用Canny算子提取叶片轮廓,然后使用基于平面扫描法的Graham算法构造叶片轮廓凸包,最后提取叶片最小外接矩形.仿真实验结果表明:在Flavia植物叶片数据库中进行测试,该算法优于旋转法、顶点链码法.     

单目视觉下道路场景车辆空间形态估算

针对受射影几何学的限制,单目相机无法直接获得准确的三维点云数据及目标尺度信息,难以获取目标的三维结构问题,提出了一种基于单目交通相机的车辆空间形态估算方法。首先建立道路场景的自动标定模型以获取3D-2D的投影映射及尺度信息,并基于“钻石空间”方法,利用统计轨迹直线及车辆边缘精确求取场景中的地平线,根据标定信息及灭点约束共同构建车辆空间形态的几何约束模型;然后在图像中提取车辆的实际投影约束,包括基于获得的车辆序列轮廓约束,及车辆自身边缘约束,并据此构建误差约束函数,估计车辆空间形态的投影误差;最后根据车辆的初始识别结果及先验信息,优化参数约束空间,并利用误差约束函数在约束空间中迭代求最优,得到精确的车辆空间形态信息。利用公开数据集BrnoCompSpeed及实际道路采集的视频数据共同验证该算法,并与现有类似算法进行比较。结果表明：该算法对于道路场景的适应性强,所需先验条件少,对于多种类型车辆在三维尺寸的估计精度高达94%以上。同时,该算法还可估算车辆实时的空间位置及相对于路面的偏转角度,综合空间形态估算的精度达到92%以上,且实时性较好,单帧多车的估算时间小于0.5 s。与现有算法相比,...     

基于激光雷达的车辆跟踪与识别方法

提出了一种基于激光雷达的车辆跟踪与识别方法.该方法采用Kalman滤波实现目标跟踪,运用坐标变换法消除不同数据帧中物体形状差异对跟踪中心的影响,结合车辆矩形投影及速度特征识别车辆.针对由于遮挡或某部分反射率低而引起的目标分割现象,提出了一种结合车辆外形与轮廓特征的聚类合并算法.仿真实验表明,该算法精度高、实时性好且鲁棒性强.     

基于激光点云的车辆外廓尺寸动态测量方法

为解决车辆外廓尺寸测量中存在的测量准确度低、重复性差及三维轮廓重构质量差的问题,提出一种基于激光点云的动态测量方法.首先基于车辆外廓尺寸动态测量原理,对系统测量方案进行了设计.然后为去除激光雷达在采集过程中产生的噪声和冗余数据,基于kd-tree建立点云空间拓扑关系并采用邻域平均法实现点云数据的去噪,借助最小二乘法判断局部曲率特征对点云数据进行精简,并通过边界点识别算法对边界特征进行保护.最后通过实车试验对所提方法进行验证,并设计出反光镜滤除方案及曲线行驶矫正模型,实现对试验结果的进一步优化.试验结果表明:4种车型的示值误差均小于1%,重复性最大为0.48%,具有较高的准确度和较好的稳定性,满足国家标准要求;根据车辆三维轮廓重构模型,可对超限位置快速定位.     

一种新的三维CT扫描系统投影坐标原点的高精度测量方法

针对实际的三维CT扫描成像系统射线源焦点和探测器成像面的位置不能直接测量的问题,提出了一种简单易行的投影坐标系原点位置精确测量方法.利用双圆目标体二次成像获得的DR(Digital Radiography)图像,配合图像、图形处理方法和最小二乘拟合技术求取不同成像位置下的目标体圆心投影坐标,然后求解方程组得到投影坐标系的原点坐标.实验结果表明,所提出方法的测量精度达到了实际扫描系统的重建要求,并且实现简单、具有较强的抗噪能力.     

基于多视点多尺度的轮廓畸变图像仿真方法

针对目标成像中出现的尺度变化和轮廓畸变等问题,提出了飞机目标的多视点多尺度轮廓畸变图像仿真方法.采用MultiGen建立目标的精确三维模型,先通过高斯球仿真其不同视点图像,然后由多视点原始级别图像轮廓通过高斯金字塔进行模糊降分辨率处理,最后对不同尺度图像轮廓叠加不同强度的高斯噪声.仿真试验结果表明,该方法生成的图像能逼真地模拟实际图像,可作为ATR系统性能测试所需实验数据.     

多轮廓三维立体视景图像的投影检测算法

针对多轮廓三维立体模型进行高精度建模中,因为视觉切换和光线强度衰减产生斑点和投影,需要进行投影检测分离,提高图像品质的问题,提出一种基于相似度特征纹理分割的多轮廓三维立体视景图像的投影检测算法.该算法先根据已知的多轮廓三维模型雏形对所有的建模点进行遍历建模分析,再对遍历后的建模点进行模型重构,构造含积分递推多项式的平面起控基函数,最后采用多轮廓图像的曲线混合函数初始化检测模型,得到改进的三维立体视景图像投影检测迭代方程,用相似度特征纹理分割方法实现对视景图像的投影检测改进,解决了图像投影检测不准确的问题.仿真结果表明,该算法能有效实现对图像的投影检测分离,图像成像保持度更好,提高了图像成像品质.     

基于路标的智能车辆定位

为解决智能车辆在城市环境中的定位问题,使用激光雷达检测和提取圆柱形路标的中心位置,并与已知地图进行数据关联;以CyberC3智能车辆为移动平台,建立了车辆运动模型和传感器测量模型,使用扩展卡尔曼滤波算法对激光雷达和编码器数据进行融合,计算车辆的全局位姿.实验结果证明该方法可以获得较高的定位精度,解决了车辆自主导航的关键问题,并可推广应用到基于自然特征的全局定位.     

Vehicle Positioning Method Based on RFID in Vehicular Ad-Hoc Networks

With the rapid development of vehicular ad hoc network( VANET) technology,VANET applications such as safe driving and emergency rescue demand high position accuracy,but traditional GPS is difficult to meet new accuracy requirements. To overcome this limitation,a new vehicle positioning method based on radio frequency identification( RFID) is proposed. First RFID base stations are divided into three categories using fuzzy technology,and then Chan algorithm is used to calculate three vehicles' positions,which are weighed to acquire vehicles' accurate position. This method can effectively overcome the problem that vehicle positioning accuracy is not high resulting from the factors such as ambient noise and base distribution when Chan algorithm is used. Experimental results show that the performance of the proposed method is superior to Chan algorithm and 2-step algorithm based on averaging method,which can satisfy the requirements of vehicle positioning in VANETs.     

基于深度学习的平面位姿估计算法

为了在未知物体三维模型的情况下使用深度学习进行平面位姿估计，采用编码器-解码器网络，从单个RGB图像中检测平面实例分割及法线信息，并利用这些信息进行位姿解算，获得每个平面的实时位姿。实验结果显示,平面召回率为0.625，平面法线召回率为0.414，实时性为18.5 f/s，验证了算法的可行性。     

M估计的稳健平面标靶中心定位算法

标靶在地面激光扫描仪多测站点云配准,以及在全球卫星导航信号不良状况下改善移动激光雷达系统精度具有重要作用,标靶的精确提取与定位是关键问题之一。本文提出基于M估计的标靶中心定位方法：先根据标靶与周围环境反射强度差异,构建强度变化率特征,提取标靶边缘点云;再对标靶候选区域点云进行主成分分析,计算标靶平面法向量,对标靶边缘点云进行投影变换;最后通过M估计选权迭代法,剔除标靶噪声与粗差点云,拟合标靶形状,精确定位标靶中心。试验表明,本文算法能够在标靶存在冗余、缺损状态时排除非标靶圆形边缘的粗差点,获得高精度标靶中心。     

显著边缘直接引导的动态模糊图像盲复原方法

针对主动视觉中运动载体和云台抖动导致图像模糊的问题,提出一种显著边缘直接引导的动态模糊图像盲复原方法。为了克服经典 Canny 算子只能对边缘进行标注的缺陷,设计了图像边缘搜索-增强算法,并基于此提出了仅依据图像中显著边缘邻域完成点扩散函数优化估计的方法;为解决传统残差图像方法不能适应预测图像错位的问题,提出图像解模糊的递归残差修正算法来抑制复原图像波动;设计了图像复原的分层迭代处理流程,保证模糊图像复原的可靠性和精度。理想光照条件下的仿真表明,算法能准确恢复模糊图像的边缘,同时抑制复原图像中的波动。非理想光照条件下的仿真也验证了算法对环境有良好的适应性,具有较高的实际应用价值。     

盲环境移动定位(Ⅱ):基于单目视觉系统的定位技术

针对盲环境中移动目标的定位需要,提出了一种基于序列编码图形路标和单目机器视觉系统的盲环境移动目标定位算法.内容包括:在序列编码图形路标模型的基础上,建立包含透镜畸变分析的摄像机针孔成像模型,在移动目标上安装经过标定的单目相机,实时采集包含编码图形路标的图像;根据解码得到的编码标志牌中心点的三维坐标,利用POSIT算法解算出相机的位姿参数,实现盲环境下移动目标的精确定位定姿.实验结果和精度分析表明,该研究为盲环境中移动目标快速精确的自主定位提供了一种可行的新方法.     

基于视频双截面的信号控制交叉口延误检测

提出了基于视频双截面的交叉口延误检测方法.在交叉口适当的位置设置两个虚拟检测器,分别判定并记录车辆进入和离开交叉口的信息.在判断车辆进入交叉口时,对新进入交叉口的车辆提取车辆的斑块并进行匹配,如果连续8次斑块都匹配,则表示车辆被检测到;如果判定车辆进入交叉口,则使用车辆斑块和Mean-shift算法对车辆实时跟踪,直至车辆离开交叉口,通过记录车辆进入和离开的时间可以实时地提取车辆的延误参数.实例验证结果表明,基于双截面视频延误检测方法,实时延误的检测精度均值可以达到90%以上,同时,检测的流量精度均值可以达到95%以上.     

基于3D激光雷达点云的车辆目标识别算法

针对结构化道路环境中智能车识别周围360°范围内的车辆目标问题,基于车载3D激光雷达采集的道路环境中车辆目标点云数据投影特征,提出识别车辆目标新算法。算法首先识别结构化道路边界,进而排除道路边界两旁障碍物的干扰和减少点云数据量;其次基于雷达点云数据扫描和分布特征,利用改进K-means算法对道路区域内点云数据聚类。最后提取聚类目标内部特征点,并通过计算特征点构成向量的夹角或模的长度准确识别车辆目标。实验验证表明,该算法有效抑制了道路边界两旁障碍物的干扰,可以准确识别结构化道路区域内的车辆目标。     

模式耦合稀疏贝叶斯MIMO雷达成像

通过压缩感知稀疏恢复理论可利用少量MIMO雷达收发阵元实现对目标的高分辨成像。利用MIMO雷达目标图像的块稀疏特性,将模式耦合稀疏贝叶斯学习算法应用于MIMO雷达成像,首先建立MIMO面阵回波信号模型,引入模式耦合稀疏贝叶斯分层模型,将相邻系数通过共用超参数的方法耦合起来。通过贝叶斯推理得到雷达信号的估计式,再通过EM算法实现对超参数的迭代估计,进而实现对雷达信号的估计,直到信号满足误差允许范围,最后重构信号实现MIMO阵列高分辨成像。仿真实验表明,该方法的成像效果在图像的聚焦性能上优于传统的傅里叶、稀疏贝叶斯算法,在散射点重构上优于OMP算法。     

一种融合视觉与IMU信息的车载激光雷达三维地图构建与定位方法

针对激光雷达非匀速运动畸变问题,提出一种融合视觉惯性里程计和激光雷达里程计,进行三维地图构建与定位(simultaneous localization and mapping, SLAM)方法.经预处理和时间戳对齐后的数据,应用视觉估计和惯性测量单元(inertial measurement unit, IMU)预积分对视觉进行初始化,通过约束的滑窗优化和视觉里程计的高频位姿,将传统雷达匀速运动模型改进为多阶段匀加速模型,从而降低点云畸变.同时,利用列文伯格-马夸尔特(Levenberg-Marquardt, LM)方法优化激光里程计,提出一种融合词袋模型的回环检测方法,最终实现三维地图构建.基于实车试验数据,通过与LEGO-LOAM(lightweight and ground-optimized lidar odometry and mapping on variable terrain)方法的结果对比,本文方法在平均误差和误差中位数上分别提升了16%和23%.