基于阴影线的智能车辆检测及测距方法研究

针对当前智能车辆检测算法在实际应用中存在误差、测量结果不够准确等问题,使用基于运动车辆中车底阴影线算法的车辆检测机制,并利用车底阴影稳定存在特征解决车辆检测问题,进一步基于机器视觉的双目立体匹配测距方法实现对前方最近车辆距离测量,为智能车辆及驾驶员辅助系统提供信息。笔者采用的车底阴影线方法及双目测距最终实现结果证实,可以获取较为精确的道路前方的车辆及距离信息,有效检测距离为10 ～ 50 m,整体识别率达到85%。     

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。     

前方车辆图像识别与纵向安全域控制方法研究

提出一种基于单目视觉的前方目标车辆图像识别与纵向安全域控制方法。利用目标车辆视频图像的小波分形特征进行图像识别,并采用粒子滤波对检测结果进行实时动态跟踪,在此基础上,结合单目机器视觉感知技术测量纵向车间距,并建立纵向安全域控制模型,最后进行了仿真分析。实验结果表明,该方法有效缓和了目标车辆图像检测准确性与实时性之间的矛盾,在保证行车安全的同时,兼顾了道路通行能力。     

基于类Haar特征和自适应提升算法的前车识别

针对汽车高级驾驶辅助系统（ADAS）中前方车辆识别率低的问题，基于机器视觉原理研究了前方道路图像中的类Haar特征，并进行积分图计算，在提取类Haar特征基础上，采用自适应提升（AdaBoost）算法进行正负样本训练并级联，得到训练好的模型，进而检测和识别汽车行驶中前方车辆。最后基于Opencv计算机视觉库在Visual Studio开发环境中进行了算法实现和测试，结果表明，每帧视频图像识别时间小于40毫秒，检测率准确可靠，满足多场景、多工况下的前方车辆实时识别。     

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。     

基于单目视觉的跟驰车辆车距测量方法

为了解决结构化道路上跟驰车辆的防追尾碰撞问题,首先在对车辆制动模型进行分析的基础上得到了车辆制动距离的计算公式,进而计算出跟驰车辆与前方车辆之间的安全距离.然后,从针孔模型摄像机成像的基本原理出发,推导出基于图像中车道线消失点的车距测量公式.车距测量结果只与图像中的近视场点到摄像机的实际距离有关,无需对所有的摄像机参数进行标定,从而解决了单目视觉车距测量问题.最后,完成了不同距离处前方车辆的车距测量试验.试验结果表明,该方法的车距测量相对误差小于3％,具备了较高的检测精度,能够满足跟驰车辆防追尾碰撞的应用要求.     

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。     

单目视觉的前车位置识别及安全车距监测

针对自动驾驶中的前车位置识别及安全车距监测问题,提出了基于单目视觉的解决方案:首先,通过图像中前车轮廓与本车道及同向车行道分界线是否相交判断前车是否为监测车辆;其次,根据图像中像素坐标系与空间坐标系的对应关系构建转换模型,计算前方监测车辆与本车的真实车距;最后,根据可跨越的同向车行道分界线在连续图像帧中的位置变化计算本车的行驶速度,并依据交通法规判断本车与前方监测车辆之间是否为安全距离.实验结果表明,该解决方案可以有效地识别前车位置、监测安全车距并降低系统成本.     

基于机器视觉的车辆时空参数识别

车辆荷载信息是分析桥梁受力和性能评估的重要依据,其中车辆时空信息是准确识别车辆荷载的关键参数。考虑到传统在桥面埋设传感器的方法影响交通、破坏路面,提出了一种基于机器视觉技术的车辆荷载时空参数识别方法,包括车辆的横向定位、车速、车轴数、轴距的识别。基于正面拍摄视频,采用背景差分法来实现车辆检测,进一步通过车牌识别确定车辆在图像中的位置,然后根据车牌与车道线距离来实现车辆横向定位。基于侧面拍摄视频,采用图像标定方法,结合已知长度的辅助检测线来获取车辆的轴距、轴数、车速等车辆参数。通过试验室模型试验和现场试验验证了提出的方法。结果表明,现场试验中车辆横向定位和车速的最大误差分别为2.42%和2.67%,轴距的平均误差为1.63%,识别结果可以为更多其他车辆参数如轴重和总重的识别提供重要的技术支撑。     

机器视觉下排球手位置轮转的空间多变性优化

在计算机机器视觉下,采用传统方法研究排球手位置轮转的空间特征时,随着排球手位置轮换的不确定性增强,空间状态识别效果不好,对调整战术的指导性不强。提出一种基于机器视觉空间降维的排球手位置轮转空间多变性优化方法。通过构建机器视觉下排球手位置轮转的图像处理模型,完成排球手空间位置变化的像素点采样和特征分析。通过构建图像特征输出函数,实现空间像素点量化特征降维。通过求解排球手空间位置轮转视觉特征图像的运动参数方程式,完成位置轮转空间多变性的优化。实验结果表明,采用该算法能准确有效对机器视觉下排球手位置轮转的空间特征进行分析和识别,对于提高队员的协调和配合素质有重要的指导意义。     

基于多传感器融合的路面车辆检测

为了高效地检测路面车辆目标,提出了一种基于毫米波雷达及视觉传感器融合的车辆检测方法.采用了底层的数据融合策略.在雷达数据通道,利用霍夫变换及切比雪夫定理排除非路面车辆目标点,生成稀疏概率图.在图像数据通道,结合稀疏概率图与图像底层特征,建立视觉显著模型并生成车辆显著图像.在显著图上利用过分割方法快速定位路面车辆的位置.本方法在结构化道路下进行了大量实验,结果表明:本方法有效的克服了基于视觉传感器的车辆检测方法对光照敏感的缺陷,相比于基于单一传感器的车辆检测方法,本文方法具有更高的精确度和鲁棒性.     

基于多传感器融合的前方车辆识别方法研究

为提高汽车安全辅助驾驶系统对前方车辆识别的准确性和实时性,提出了一种基于摄像头和毫米波雷达信息融合的前方车辆检测方法。首先将毫米波雷达和摄像头进行联合标定,并确定两个传感器坐标系之间的相互转化关系,对毫米波雷达数据进行预处理快速分割图像,以获得前方车辆识别的感兴趣区域;然后采用自适应阈值对感兴趣区域内的图像进行二值化处理以获得车辆底部阴影信息,利用边缘检测和霍夫变换得到车辆上下边界的位置信息;通过底部阴影和上下边界信息获得车辆识别的高度与宽度,最后根据车辆对称性特征建立识别窗口。试验验证表明,该方法前方车辆检测准确率为90.2%,单帧图像的处理速度为32 ms,能够满足智能汽车应用中的实时性和准确性的要求。     

基于改进k-means聚类算法的车轮踏面损伤检测研究

为提高列车车轮踏面检测效率,设计了一套基于机器视觉的车轮踏面动态检测系统,分析了k-means聚类算法,通过加权欧式距离对该算法进行改进,利用聚类法具有保持最大相似性的特性,将基于加权欧式距离的k-means聚类算法用于机器视觉的图像处理。先对原始图像作图像增强、图像灰度化等预处理,再以特征聚类思想对图像作阈值分割,使图像中的各部分特征更加突出。图像处理结果显示,基于加权欧式距离k-means聚类算法的车轮踏面损伤视觉检测系统可以有效地检测出踏面损伤。     

一种基于多传感器融合的车辆检测与跟踪方法

针对城市道路环境,提出了一种基于激光雷达和视觉的车辆检测与跟踪方法.首先,采用透视变换和多传感器联合标定,根据激光雷达数据生成包含车辆假设的兴趣区域,以提高车辆检测的可靠性和降低图像处理的计算量;然后,提出了一种基于多维特征空间马氏距离的车辆检测算法,通过提取兴趣区域内图像特征向量,并将其与标准向量间的马氏距离作为车辆状态估计;最后,采用Kalman滤波实现车辆运动跟踪.为了提高鲁棒性,将粒子滤波算法与Kalman滤波相结合,以在雷达信息不准确的情况下准确地实现目标状态估计.实验结果表明,该方法在城市环境中取得了比较理想的车辆跟踪效果.     

一种虚拟场景车辆检测与测距方法

为了提升前方车辆测距精度,提出了一种基于改进目标检测(SSD)算法的车辆检测与测距方法。采用场景仿真软件PreScan搭建测试场景,使用改进的SSD算法,对摄像头采集的视频进行车辆目标检测。将检测框下边缘的中心点坐标作为图像中车辆坐标,根据单目视觉测距算法进行车辆目标测距。实验结果表明:在网络阈值为0.9时,改进的SSD算法对小车辆目标检测精度提升了6.6%。可以检测到70 m左右的目标,提出的测距方法可以达到2%的精度。     

基于机器视觉的车道偏离报警系统

为了提高基于机器视觉车道偏离报警系统的可靠性和实用性,对基于视觉的车道偏离报警系统各个环节的优化做了研究.介绍了基于视觉的车道偏离报警系统的构成和工作原理,提出了各个环节的实现方法.通过选择直线车道数学模型和限定车道提取的感兴趣区域(ROI)以简化系统复杂度和提高检测精度.首先使用方向可调滤波器进行图像预处理,然后使用Kalman预测器和距离判别法得到车道线有效点集,最后采用抗干扰能力强的Hough变换得出车道线参数.研究并采纳了一种无需对摄像头标定的车道偏离决策方法,通过综合道路图像中2条车道线的斜率值来判断车辆偏离车道的程度.实验表明,该系统具有良好的车道识别能力以及准确的偏离决策能力,能够满足高速公路环境车道偏离报警要求.     

基于深度学习的智能辅助驾驶系统设计

本文提出一种基于机器视觉和深度学习的智能辅助驾驶系统。软件系统主要在阿里云服务器上运行,利用云端服务器实现对深度学习卷积神经网络的训练和对几种马路上常见障碍物的检测识别,并采用双目视觉,根据视觉差,计算出障碍物与车辆的距离。硬件系统采用嵌入式ARM9作为中央控制单元,搭载Linux系统,协调4G无线通信模块、摄像头采集模块和智能语音播报模块进行运作。实现前端图像的采集压缩、与云服务器的通信以及将障碍物种类和距离播报的功能。本系统使用前端硬件在马路上采集障碍物图像发送到服务器的caffe框架上,在训练好的卷积神经网络上进行测试,结果表明该系统能实时准确地将车辆周围信息以语音的方式播报给驾驶者。     

基于机器视觉和激光测距的输电线故障定位

结合定位技术和激光测距技术,提出了一种基于机器视觉的电力巡线故障定位新方法.通过无人机搭载可见光相机进行巡线拍摄,将航拍图像实时传回地面站进行处理.采用数学形态学的图像处理方法和模式识别方法进行故障检测与识别.通过惯性测量系统进行初步定位,得到无人机的经纬度坐标.利用无人机机载激光测距模块,测量故障点到无人机的距离来修正坐标.最后,经过空间大地坐标系和空间直角坐标系的变换,以及两个空间直角坐标系的基准转换,计算出了故障点的准确位置,并且很大程度地提高了定位的准确性,其空间直角坐标测量精度可达0.11m.     

基于机器视觉的微小零件表面缺陷检测研究

针对人工检测微小零件表面缺陷存在的不足,提出一种基于机器视觉的微小零件表面缺陷检测方法。首先分析微小零件检测内容的特点,通过机器视觉专用软件HALCON提供的图像滤波、阈值分割算子提取缺陷区域,并设计了一种自动选择平滑滤波尺寸与阈值的最优取值算法,再采用改进的边缘检测算法准确提取表面的边缘位置,将图像以边缘为界分割成不同的区域,运用区域形态学方法对候选缺陷进行筛选,最后使用区别特征实现缺陷分类与标记。实验结果表明,该方法能够稳定的进行微小零件表面缺陷的识别与检测,缺陷识别率达到97.05%,达到预期检测目标。     

基于背景差分的运动车辆检测的栅格算法研究

对运动车辆的检测进行了研究。在图像差分算法的基础上,研究提出了运动车辆自动检测的栅格算法,该方法通过计算当前帧与参考帧对应栅格的不相似度来检测是否有运动车辆进入视场,定义了不相似度下降率DSDR。基于此,可以比较准确地确定出运动车辆在栅格中的位置,并可方便地将车辆图像作为模板保存下来。实验结果表明,利用DSDR法比较准确地确定了运动车辆在栅格中的位置。