基于三帧间差分的障碍物检测算法

机动车私人拥有量的不断上升,导致了交通事故在逐年的增加。故此,怎样最大程度的减少交通事故成了我们关注的焦点。本文以基于机器视觉的道路识别技术与障碍物检测技术为研究对象,提出了基于三帧间的差分方法,该方法利用相邻三帧图像两两差分,再将两个差分结果相与并进行二值化,最终确定运动目标在图像中的位置。     

汽车智能辅助操作系统中的障碍物检测

研究了基于计算机视觉技术的高速公路上的障碍物实时检测问题,其目的 是为了得到障碍物的准确图象位置信息,实现汽车自动防撞安全行驶,基于图象分割,模式识别理论,笔者提出了一种根据汽车整体模型并结合高宽值来识别高速公路上主要障碍物－汽车的检测方法,而且利用有色噪声 尔曼滤波器实现了运动物体的实时跟踪,并在系统的上路测试中取得了令人满意的效果。     

针对越野自主导航的障碍物检测系统

提出了一种基于多传感器信息融合的障碍物检测系统.由2个激光雷达、1个微波雷达以及1个陀螺仪构成.激光雷达中一个水平扫描用于检测凸起障碍物,另一个垂直扫描用于检测壕沟和陡坡等危险地形,并获得大致地形轮廓.融合地形高度和陀螺仪提供的车体俯仰角进行障碍高度补偿后,基本上消除了由于地面起伏导致的虚警.微波雷达主要用于检测和跟踪运动障碍.融合微波雷达获得的速度和激光雷达获得的轮廓信息,获得了更详细的运动障碍物描述.实验结果证明该系统是成功的.     

移动机器人的障碍物群检测方法

利用激光和超声波传感器在用栅格表示法形成地图的基础上，提出了进行数据融合以提取环境特征的新方法：识别障碍物群。该方法能够在密集障碍物环境中为机器人的路径规划和避障提供准确的环境特征信息，提高机器人系统的自主性和实时性。实验结果表明了该方法的有效性。     

基于深度学习的障碍物检测与深度估计

提出了一种针对交通场景的基于深度学习的障碍物检测与深度估计方法。该方法对现有的YOLOv3模型进行改进,使用DenseNet网络代替原网络尺度较小的传输层,得到一种新的障碍物检测模型Dense-YOLO。然后采用立体匹配模型PSMNet得到双目图像的视差图,根据双目测距原理对被测目标深度进行估计。在KITTI数据集和实际交通场景中的实验结果表明,与YOLOv3模型相比,Dense-YOLO模型有效地提高了交通场景中障碍物检测的可靠性和正确率,对轿车、行人、骑行者和卡车这4类障碍物检测的平均精确率（average precision, AP）提高了3%～5%,平均精确率均值（mean average precision, mAP）提高了约4%。障碍物深度估计结果与真实值的平均相对误差约为3%。     

基于单目视觉的横穿障碍物检测

提出一种基于单目视觉的横穿障碍物检测方法.首先,基于道路平面假设,根据特征点的位置约束以及逆透视投影变换下的性质,提取地面特征点对.其次,采用迭代加权最小二乘法估计自车平移和旋转运动参数.然后,利用估计的运动参数对图像光流进行旋转补偿,并基于道路C 速度空间生成障碍物的候选标记点.最后,对候选标记点进行分组聚类和验证,确定横穿障碍物区域.不同交通场景下的实验结果表明,上述方法能够适用于各种自车运动,有效检测横穿障碍物.     

基于传感器信息融合的机器视觉检测系统

为了满足插接件高速流水生产线质量控制要求，受人眼立体视觉机理的启发，提出了一种相应的机器视觉系统模型及一种基于加权平均的信息融合方法，并采用激光扫描测量技术，实现了用两个激光传感器快速在线测量插接簧片的二维偏移量。     

疲劳驾驶检测方法研究综述

分析了疲劳驾驶检测的研究现状,介绍了当前使用最为广泛的几种检测技术以及研究成果,综合分析比较了各种检测方法的优劣性,最后总结指出了疲劳驾驶检测的重要意义以及发展趋势,继续开展以明确检测标准为基础,以计算机视觉为重要手段,以信息融合为大方向的研究。     

城市轨道交通小型障碍物检测

障碍物是影响列车行车安全的重要因素,小型障碍物由于体积小,在检测中容易被遗漏。针对上述问题,提出了一种基于卷积神经网络的自动化检测算法。算法首先通过数据增强策略平衡样本数量,然后使用卷积网络进行特征融合,很好地结合了小型障碍物的位置信息和语义信息。实验结果表明,算法对列车前方的小型障碍物有良好的检测效果,能较好地实现小型障碍物的探测。     

考虑反射强度的全自动运行列车障碍物检测算法研究

针对轨道交通全自动运行列车轨行区障碍物检测问题,提出了一种基于激光雷达的且考虑激光反射强度的障碍物检测算法.该算法使用欧式聚类法对点云进行聚类,并结合了自适应的反射强度阈值处理以及体素滤波器、聚类半径差异化等方法,提升算法的障碍物检测速度与精度.实验表明该算法具有良好的检测性能.     

车道斑马线及障碍物检测方法研究与实现

为提升道路行驶安全,提出了一种基于视频图像特征的车道癍马线及障碍物检测算法。根据一维小波能捕获一定规律灰度变化的特点,通过设计一维Gabor小波的时空参数得到模板,与感兴趣区域逐行卷积计算最大匹配能量值．以最大匹配能量值作为分析指标检测斑马线,进一步结合斑马线区域的纹理特征,分析特征变化来判断斑马线上是否有障碍物的存在。     

基于V-视差的障碍物检测改进方法

针对传统V-视差方法提取的道路信息与实际道路信息偏离较大,造成障碍物漏检率相对较高的问题,提出一种改进的V-视差障碍物检测方法。在详细分析传统V-视差检测方法的原理和存在的缺陷基础上,提出了极大值约束、较小值抑制约束、距离约束和偏移约束四种条件结合的道路信息提取算法。在采用最小二乘法拟合道路线段后,通过计算道路线段的斜率和截距,并结合视差图检测障碍物。实验结果表明,较传统方法具有较好的障碍物检测效果,且具有一定的实时性和工程实用价值。     

猪肉新鲜度无损检测技术现状及发展方向

随着科学技术的不断发展,猪肉新鲜度无损检测技术不断向快速、无损、实时的方向发展.本文主要研究猪肉新鲜度无损检测方法的发展现状,包括近红外光谱检测技术、人工嗅觉和人工味觉检测技术、计算机视觉检测技术等检测技术,并着重讨论计算机视觉技术在猪肉新鲜度无损检测中的应用.最后,针对猪肉新鲜度无损检测现阶段存在的问题提出了多信息融合检测技术及其应用.     

基于改进欧几里得聚类的激光雷达障碍物检测

针对传统的欧氏聚类算法无法同时对近处和远处的障碍物点云进行精准检测和分割,容易造成错检和漏检的情况,提出一种欧氏聚类算法的改进方法,可以根据点云与激光雷达之间的距离动态地选择阈值,从而快速且准确地完成聚类.实验表明:该方法能同时对近处和远处的障碍物点云进行快速且准确的聚类.     

基于激光雷达的无人驾驶障碍物检测与辨识探析

随着无人驾驶技术的快速发展,无人驾驶矿用自卸车应运而生,但环境感知条件下的自主导航一直成为阻碍该技术继续发展的难点。由于环境相对复杂、障碍物种类多,无人驾驶矿用自卸车必须对周围环境进行更加高效的探索与了解,才能有效辨识与避开障碍物。基于激光雷达的无人驾驶障碍物检测与辨识技术,要求能精准获取障碍物的三维信息,为无人驾驶矿用自卸车的发展奠定基础。     

无人驾驶车辆基于语义分割方法障碍物检测

障碍物检测是无人驾驶车辆环境感知重要的组成部分,语义分割技术能够对障碍物进行像素级检测。为满足无人车系统的实时性要求和对障碍物检测精度要求,提出了一种轻量级语义分割模型。该模型构建了特征提取块,通过跳跃层结构将底层级特征与高层级特征相融合,用于提取更加细化的图像特征信息。运用深度可分离卷积代替标准卷积操作,减少了模型参数量和计算量。利用不同膨胀率的膨胀卷积以获取多尺度目标信息,在上采样时融合不同尺度的特征信息,使得语义信息更加丰富。试验结果表明:提出的轻量级语义分割模型在Cityscapes数据集和ApolloScape数据集上取得了较好的障碍物检测结果,同时也满足无人车的实时性要求。     

一种基于Kinect相机的室内AGV障碍物检测方法

针对在室内工作的自动引导运输车(automated guided vehicle,简称AGV)面临的障碍物实时检测问题,提出一种基于Kinect相机的检测方法.在深度相机标定的基础上,将相机获得的深度图像准确地变换成相机坐标系内的点云数据,利用点云数据,通过制定障碍物检测规则,实现AGV小车行驶过程中障碍物的快速实时检测,实试验证了该方法的准确性.     

计算机视觉检测技术及其在机械零件检测中的应用

基于计算机视觉检测（ＡＶＩ）技术在检测系统的智能化、柔性、快速性等方面较接触式检测方法具有更大的优越性,综述了其基本原理和分类以及近年来此方面的研究成果．分析了利用ＡＶＩ技术对机械零件进行检测的一般方法和系统构成,并探讨了基于ＣＡＤ的ＡＶＩ的关键环节．最后对ＡＶＩ技术的发展趋势提出了作者的观点．     

基于小波分析法的传感器信息融合的运动损伤检测方法

传统方法针对多组传感器路径中的检测点,在很大程度上会出现若干存在差异的损伤发生概率,导致运动损伤检测不准确。为此,提出一种传感器信息融合的运动损伤检测方法。利用多帧帧间差的累积消除空洞效应,在此基础之上,融合传感器确定出准确的人体运动区域,以此对不同场景人体运动进行监测;采用小波分析法对监测结果的非平稳信号进行分析,得到运动损伤特征。将传感器信息融合和小波神经网络结合在一起,获取所有传感器的小波能量特征向量,按照最大概率密度函数值和特征向量获取融合运动损伤检测结果及损伤种类。实验结果表明,所提方法检测结果准确,实用性强。     

基于激光雷达点云密度特征的智能车障碍物检测与跟踪

现有的基于点云数据的车载三维激光雷达障碍物检测和跟踪存在实时性差、准确率不高以及场景内障碍物数目增多时难以有效关联等问题。针对这些不足,文章提出了结合区域生长与密度聚类的算法以及同时考虑了障碍物几何特征与点云密度特征的关联方法。基于栅格地图,运用最大、最小高度图法去除背景点云数据;在得到可靠障碍栅格地图后,搜索匹配8邻域栅格属性,结合自适应阈值的密度特征进行聚类,提高了障碍物检测准确率;考虑了障碍物的点云密度特征和高度特征,提高了障碍物关联的可靠性并运用卡尔曼滤波器对动态障碍物进行了跟踪。在自行搭建的智能车平台上进行的实车实验验证了该文算法的有效性。