一种基于单目视觉的前方车辆检测算法

针对前方车辆检测中遇到的速度和精度问题,首先对感兴趣区域(region-of-interest,ROI)提取中大津阈值Qtsu分割方法应用范围的局限性进行了分析,并考虑累计密度函数(cumulative-density-function, CDF)阈值分割方法鲁棒性差的问题,提出了一种基于人工神经网络(artificial neural network, ANN)的方法来拟合阈值分割点,以提高阈值分割的准确性和鲁棒性,减少伪ROI;其次针对在复杂环境下车辆与背景粘连的问题提出了一种分区域六角分割的方法,降低ROI漏检率;最后对ROI提取Haar特征以及用优化的自适应提升(adaptive boosting, AdaBoost)对ROI进行分类,得到筛选后的车辆目标.实验结果表明,对于分辨率为640×480的视频,系统处理速度可达到81.3帧/s,错误率为3.8%.     

一种基于机器视觉的螺纹缺陷检测方法

针对目前螺纹检测精度较低,在线检测实现较难的问题,提出了一种基于机器视觉的螺纹缺陷检测方法.通过工业CMOS相机在线采集螺纹零件图像,经图像预处理、二值化后,进行螺纹的边缘提取及缺陷检测等.该算法由Matlab编程实现.实验结果表明,该螺纹缺陷检测方法能有效识别无螺纹、少螺纹、螺距不规则等外观缺陷,且一个螺纹的检测时间在300ms以内,满足检测要求.     

一种基于运动目标检测的视觉车辆跟踪方法

针对复杂交通场景中动态光照变化、阴影和遮挡等因素带来的影响,提出了一种基于运动目标检测的高效、鲁棒的车辆跟踪方法. 采用自适应背景建模获取动态场景中的运动信息,通过阴影去除获得准确的运动区域,并针对场景中的遮挡问题提出了相应的遮挡检测与处理策略,最后通过区域匹配获得跟踪结果,同时使用Kalman滤波器建立车辆的运动模型,对跟踪结果进行了约束和优化. 实验结果表明,提出的视觉车辆跟踪方法可以在复杂多变的室外场景下有效地解决场景中的阴影和遮挡问题,得到鲁棒的车辆跟踪结果.      

基于深度学习的车辆前方障碍物距离估测

随着科技进步,自动驾驶系统的应用在未来必形成一种趋势,而车辆与障碍物之间的距离估测是自动驾驶系统中一个非常重要的技术.为了达到距离估测的目的,目前开发的自动驾驶系统大都需要依靠各式各样的距离传感器,例如激光雷达、雷达及超音波等,这些传感器在距离量测上通常具有高精度,但同时也伴随着高昂价格,这使自动驾驶系统的推广及普及变得越来越困难.本文提出了一个结合语义分割与深度估测的深度神经网络模型,其包含有相同卷积层数的编码器与解码器网络,将本文所提之网络架构在KITTI及Cityscapes资料集上进行训练,并在最后结合语义分割与深度估测等方法进行距离估测,实验结果证实,本文所提方法具有可行性.     

基于车牌检测的前方车辆识别方法

为解决前方车辆识别过程中的实时性问题,提出了一种基于车牌检测的前方车辆识别方法。首先,利用图像中的路面或车道线等细节提取感兴趣区域。其次,利用HSV( Hue-Saturation-Value) 色彩空间转换与矩形图像检测从感兴趣区域中过滤光照变化,阴影和杂乱背景,从而检测出车辆的车牌信息。同时,在初次检测失败的情况下进行二次定位和验证。最后,利用检测出的车牌信息识别前方车辆。该方法在自建与公共数据库视频上进行评估。实验结果表明,识别率超过90% ,并且具有较高的实时性,证明了该方法的有效性。     

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。     

一种基于机器视觉的自动标定贴屏实现方法

针对手机贴屏系统中存在显示屏和触摸屏对位不准确问题,提出了一种基于机器视觉的自标定贴屏的实现方法.利用两个固定的单目摄像头对两屏进行图像采集,对两个屏幕的图像信息分别经过小波变换、Hough直线检测等算法处理之后得到两个屏幕的两对贴合点的图像坐标,利用自标定等几何方法计算出贴合点的三维坐标,得到显示屏和触摸屏之间的位置关系.此贴屏算法实验得到的数据精度高,图像误差率限制在2%以内,三维误差率限制在0.02 cm以内,可为手机自动贴屏机的伺服控制机构提供准确的数据支持.     

一种基于机器视觉的图像采集系统设计

一种采用STC89C516和K9F2808UOC来实现基于机器视觉的图像采集系统改进存储算法,可以实现8Kbit/s的无错采集速率,成本低廉实用.     

浅析一种基于Mahalanobis距离的色差检测方法

在纺织印染行业,织物色差是影响织物质量的重要因素。国内外对色差的研究已经开始多年了,也提出了许多方法。分析了一种基于Mahalanobis距离的色差检测方法,在HSI颜色空间以H、S、I为变量计算两幅图像之间颜色的距离;且简单证明了该种方法与CIE色差公式的一致性。     

一种基于最小距离分类器的恶意代码检测方法

恶意代码是构成互联网威胁的新根源,至今传统的病毒查杀方法对此也无法根治.未知恶意代码每月呈几何倍的速度增长,人们依赖的防范手段多是手工分析,其效率有限且花费巨大.阐述了基于最小距离分类器的未知恶意代码检测方法,它对未知恶意代码有着良好的判定能力,能够有效地区分病毒与可信程序.对自定义的恶意代码行为进行建模,并通过实验发现,经过改进的最小距离分类器除了良好的分类精度外,其计算代价较其他非线性方法小,因此该模型在实际反病毒工作中有较高的实战价值.     

基于双特征的前方车辆实时检测

提出一种在无先验知识的情况下,综合利用车辆阴影和对称性两种特征进行前方车辆检测的算法.该算法通过检测车底阴影特征生成车辆存在假设,首先,利用大津阈值分割方法(OTSU)得到车辆阴影特征,采用阴影区域融合方法解决阴影边缘的变形问题,得到可能包含车辆的区域;然后,利用车辆对称性特征对感兴趣区域进行验证,并对其中的车辆区域进行准确定位.通过对实际采集的道路图像序列进行测试,结果表明:该算法能够实时、有效地检测出前方车辆.     

复杂道路环境中前方车辆检测方法

为提高前方车辆检测在不同道路环境中的鲁棒性和实时性,提出一种基于支持向量机的多传感器融合前方车辆检测方法。系统工作前利用多传感器数据融合建立雷达坐标与图像坐标的转化关系,以毫米波雷达在各种复杂道路环境中前方障碍物的检测数据为基础,利用支持向量机(SVM)训练分类器构建车辆与非车辆识别系统,最终根据车辆宽高比的统计规律,建立前方车辆识别窗口。道路试验结果表明该方法前方车辆识别准确率为89.2%,单帧图像的处理速度为31 ms。对于不同道路环境中的前方车辆检测表现出了良好的稳定性和准确性,总体性能取得较为显著的提高。     

基于机器视觉技术的电梯空间超载检测方法

传统电梯轿厢通常采用称重式方法来检测其超载状况,导致电梯运行过程中存在不必要的停靠,从而增加电梯能耗及降低运行效率.基于机器视觉技术改进传统的电梯超载检测方法,提出了一种新型的空间超载检测方法.首先,采用中值滤波消除电梯视频图像噪声;然后,运用最大类间方差法(又称OTSU算法)进行图像前背景分离,并采用改良的形态学方法将其处理为二值图像;最后,计算空间占有率.通过仿真试验对所提方法进行验证,结果表明该方法能更准确地判断电梯是否超载,减少电梯不必要的停靠次数,进而节约能源及提高效率.     

基于机器视觉的珐琅搪瓷盘缺陷检测方法

【目的】为实现珐琅搪瓷盘表面缺陷的自动化检测并提高检测效率与准确率,提出一种珐琅搪瓷盘缺陷机器视觉检测方法。【方法】首先对灰度图像阈值分割,采用最小二乘拟合法提取出感兴趣区域来消除背景干扰;然后根据缺陷图像的特点设计基于图像融合的迭代算法,并提出一种改进的去伪影算法以消除伪影影响,进而提高检测准确率;最后通过搭建的硬件平台对本方法的检测性能进行验证。【结果】采用本方法对缺陷珐琅搪瓷盘的检测准确率能达到92%,对缺陷的平均漏检率仅为8.8%,且对伪影的去除能力也优于传统方法。【结论】本研究方法检测准确率高,为珐琅搪瓷盘缺陷的自动化检测提供了一种可行方案。     

基于DSP平台的实时视觉车辆检测方法

针对现有嵌入式平台车辆检测算法实时性不足的缺点,从算法耗时的根本原因出发,提出了基于多范围ROI的车辆检测方法.该方法对传统Adaboost算法进行了改进,以多尺度范围窗口遍历多层感兴趣区域以减少对整幅图像及对单一ROI遍历的次数.利用VS软件对算法优化前后的结果进行了仿真对比分析.在底层移植上采用静态分配内存替代动态内存分配,并利用DMA代替内存库函数的方式完成了算法的嵌入式移植.结果表明:本算法在检测准确性及实时性上均有较好效果,本方法在保证车辆检测准确率的同时能有效提升检测速度,在输入图像大小为720×480像素时,达到13～15帧·s-1的处理速度,满足了车辆实时检测的要求.     

基于机器视觉的车辆自动驾驶模糊控制设计

针对车辆动力学控制系统所具有的强非线性特点提出了基于机器视觉的车辆自动驾驶模糊控制方案.采用Michael等人提出的车辆系统动力学模型,通过模糊控制规则的量化划分对车辆在道路上的运动进行了仿真.仿真的结果 显示,本方案可以很好地解决空旷道路上的车辆自动驾驶问题,并且该控制方法 可以保证车辆快速准确地在道路上安全高速行驶,具有很好的鲁棒性.     

一种基于边缘信息的改进车辆检测方法

实时获取车辆有无、车流量等交通信息,在智能交通系统中有着及其重要的作用.基于视觉的交通监视系统具有直观明了、系统使用和维护费用相对较低等优点,因而广泛应用于公路干线和交叉道口的交通监控.但是由路边建筑、树木引起的阴影,是导致车辆检测错误的一大主要因素.笔者提出了一种基于边缘信息的改进车辆检测算法,用于检测车辆,进而实现对过往车辆的正确计数.     

基于机器视觉的螺纹参数检测

依靠机器视觉技术,对螺纹检测的图形处理技术进行了研究,提出了螺纹多参数的检测方法。介绍了图像处理技术中的预处理、边缘轮廓提取、参数标定等技术,并研制了相应的检测软件。实验结果表明该软件能对螺纹进行实时、高速的检测。     

基于机器视觉的指针式仪表检测

本文提出了一种基于机器视觉的变电站指针式仪表检测算法。该算法基于YOLO v3神经网络,引入Res2Net残差模块以及采用特征层融合的方式,采用更少的模块和网络层数获取更高的特征提取效率,通过增加SPP（空间池化金字塔,Spatial Pyramid Pooling）模块融合多重感受野,使用GIoU（Generalized Intersection over Union）损失函数代替原有的损失函数。此外,针对数据集的不同,采取k-means++聚类算法重新选择锚点框的尺寸。实验结果证明,在保证精度的前提下,相对于Faster R-CNN和原始的YOLO v3网络,速度分别提升了73.7%和45.8%。     

基于机器视觉的金刚线质量检测

针对电镀金刚线质量品控难度大、成本高等问题,首次研制了一种基于机器视觉的金刚线离线表面质量检测系统.文中介绍了金刚线质量检测系统的结构组成,对用于评价金刚线质量情况的常用性能指标的相关算法实现进行了详细描述,并以平铺图的方式在一定程度上不加以验证的还原了金刚线的三维表面形貌.最后,根据设计制作实物并进行测试,结果表明,出刃率计算精度达93.2%,出刃高度计算精度达92.9%,满足金刚线质量检测评价的要求,在提高检测效率的同时降低检测难度.