智能车测试环境中虚拟车道线的快速构建方法

针对测试环境的设计与构建是智能车辆智能行为验证的前提,但常常会受到真实道路环境复杂性和不确定性等因素的限制等问题,提出序列化排列锥形交通标搭建智能车测试环境,在机器视觉基础上根据识别出的锥形标间的拓补关系构建虚拟车道线的方法.研究结果表明:该方法可有效地处理感知环境中的行人与运动车辆等干扰信息,满足智能车对系统的实时性和鲁棒性要求;该方法在结构化道路与非结构化道路均可实施,是一种快速构建智能车测试环境的有效方法,既降低了测试成本,又保证了测试过程的安全性和可靠性.     

智能车路径识别及转向控制的研究与实现

路径识别和转向系统根据MCU处理CMOS采集的路面信息的结果,通过脉宽调制模块(PWM)控制舵机转向,进而实现智能车的路径自动识别或引导线识别功能,按照设定的路线进行自动循迹和转弯控制。通过硬件二值化或者软件的局部自适应阈值二值化,对采集的路面信息图像进行分割,数据计算处理,提取出路面中心位置,且计算出对于路面中心位置的偏离程度,确保了智能车路径识别传感信号的准确、稳定与快速。随着乘用车自动化、智能化程度的加深,该技术有很大应用空间。     

基于高斯肤色模型和图像分割的人脸检测

提出了一种基于HSV、YCgCr颜色空间和图像区域分割的人脸检测方法.首先,将规范化的rgb肤色转化到HSV、YCgCr颜色空间,对向量(H,Cg,Cr)T进行统计,得到肤色的三维高斯概率模型.然后,根据该模型计算待检图像的肤色相似概率,采用最大类间方差的方法计算二值化阈值,根据阈值将相似度图像二值化.为了抵消人脸区域亮度变化和阴影的影响,以二值图像为模板,在原待检图像的饱和图中根据3像素×3像素区域的平均R、G值进行图像区域分割.在分割得到的区域中,根据人脸特征检测出图像中的人脸.实验表明,提出的方法能在复杂背景的情况下检测出人脸图像.     

基于CMOS摄像头的智能车控制系统设计及实现

针对智能车因单条引导线信息量少而引起的误识别问题, 设计一种能自动识别和跟踪双边引导线的智能车系统。智能车以Freescale公司MC9S12XSl28作为核心控制器, 利用COMS(Complementary Metal Oxide Semiconductor)摄像头OV7620作为路径信息采集装置, 对采集图像进行二值化处理、 去噪操作和边缘检测后提取路径信息、 进而准确地判别跑道的形状, 为舵机和电机提供控制依据, 以使小车平稳快速地行驶。同时, 提出将行驶状态与赛道信息综合考虑的措施, 并通过PID(Proportional Integral Differential)控制策略以及实验测试, 实现了对各种典型跑道的优化处理, 使高速行进中的智能车具有良好的转向调节能力和加减速响应能力。智能车可以在以白色为底面颜色, 两边有黑色引导线的跑道上运行, 克服了因单条引导线信息量少而引起的误识别问题。     

基于OV7620智能车的路径识别及控制策略

智能车是可以自动识别道路并以最短时间行驶全程的一种无人驾驶汽车.路径识别跟踪技术和快速、稳定的控制策略是智能车发展的重要标志.给出以OV7620作为智能车的主传感器,以红外对管作为辅助传感器对赛道的信息进行采集.OV7620把赛道的亮暗程度转化成像素的灰度值,采用边沿跟踪检测图像处理算法.采用PID与bang-bang算法相结合的算法对智能车进行速度控制.实验表明智能车可以实现任意路径识别与智能快速行驶.     

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.     

基于路径识别的寻迹智能车设计与实现

为了实现智能车沿道路上引导线自动寻迹,研制一种基于模型汽车为硬件平台的智能车系统.该系统通过采用改进的边缘检测算法对COMS摄像头捕获的道路信息进行处理,在获取更准确图像的基础上,依靠舵机进行方向控制,通过闭环PI控制电机驱动智能车前进.本设计实现了智能车沿引导线稳定、快速行驶的功能.实验表明,此设计方案提高了智能车运行速度和稳定性.     

智能车跑道图像的大津阈值分割算法

智能车跑道环境复杂多变,传统的大津阈值分割法无法完成跑道图像的准确分割.在分析传统大津法二值化的基础上,提出了适合智能车跑道图像处理的分块大津法二值化,准确快速地完成了跑道阈值的分割,并有效地完成路径的识别.     

基于目标特征的图像预处理技术

结合建筑物搜索与识别的实例,提出了有利于保留目标特征的二值图像平滑算法和水平分割算法,改进了中心差分算子的边缘检测方法,并采用基于边缘特征的二值化算法对图像进行预处理.实验表明,这种基于目标特征的图像预处理方法对各种条件下采集的图像都能达到较好的处理效果,并取得了令人满意的速度.     

一种新的棉花根系图像阈值分割方法

为了方便实现棉花原位根系的检测,提出了一种自动全局阈值分割方法,用于棉花根系图像分割.采用无损的数码设备成像法对棉花原位根系图像进行采集,使用自动全局阈值分割方法分割图像.该方法首先将采集到的原位根系图像进行空间转换,使采集到的图像在HSV空间下进行分割;然后,通过全局阈值分割的方法选择阈值将图像进行二值化处理,采用闭运算方法对二值图像进行初步降噪;最后,通过形状特征的筛选过滤图像中所有噪声,并筛选出图像中细长的根部特征.本算法可以有效抑制噪声和土壤杂质的影响,能够对根系进行准确地分割,是快速检测作物根系图像的有效办法.