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。     

复杂道路环境中前方车辆检测方法研究

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90.7%,单帧图像的处理速度为35ms,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。     

复杂环境下的夜间车道检测研究

夜间车道检测是汽车防撞系统适合在夜间工作的前提.分析了不同照明条件下夜间车道图像的特点,介绍了夜间车道的反射成像模型.根据模型特点,提出了一种基于光密度差的对数Prewitt边缘检测和Hough变换的车道检测算法.算法实验结果表明:该算法比白天典型的车道检测算法具有更好的夜间车道检测能力.     

复杂光照环境下的车辆检测方法

提出一种用于复杂光照环境下的车辆检测方法,该方法在传统的假设验证框架下充分利用了先验知识和复杂光照背景下的车辆特征. 在假设生成阶段,利用车辆边缘信息与车辆前部形状特征进行拟合来生成假设;在假设验证阶段,使用HOG特征作为描述子,结合SVM分类器完成假设车辆目标的验证识别. 实验结果表明在复杂的光照环境中,本文方法能够有效检测出传统方法无法检测的目标,是对正常光照环境下车辆检测方法的有效补充.      

复杂环境下的快速人脸检测算法

使用一种新的假面变换和模板匹配的人脸检测算法,能够对复杂环境中大小不等的人脸进行快速、准确的检测.算法首先通过假面变换来预测人脸位置上边沿的中心,然后对图像中的预测位置进行模板匹配,设计了一类对照明变化、噪声干扰具有较强适应性的模板匹配方法,最后对匹配结果进行验证,确定人脸准确位置.采用多种环境下的大量图片进行实验,结果显示该算法具有较快的检测速度和较高的准确性及鲁棒性.     

复杂环境下的快速人脸检测算法

使用一种新的假面变换和模板匹配的人脸检测算法，能够对复杂环境中大小不等的人脸进行快速、准确的检测．算法首先通过假面变换来预测人脸位置上边沿的中心，然后对图像中的预测位置进行模板匹配，设计了一类对照明变化、噪声干扰具有较强适应性的模板匹配方法，最后对匹配结果进行验证，确定人脸准确位置．采用多种环境下的大量图片进行实验，结果显示该算法具有较快的检测速度和较高的准确性及鲁棒性．     

多车道下的车辆行为模型研究

针对我国混合交通的特点,提出一个新的车辆行为模型,模型由跟驰模型、邻车影响模型和换道模型共同组成.在新模型中将车辆的跟驰状态划分为一般跟驰和自由行驶,充分考虑了驾驶员的反应延迟.同时,鉴于多车道间车辆的相互干扰,还建立了邻车影响模型,探讨同向及对向的相邻车辆对驾驶行为的影响.运用面向对象开发环境VC 6.0对模型进行软件实现,将仿真计算结果与已有的实测数据进行对比,取得了较满意的结果,证明所建模型符合实际情况.     

基于图论的复杂交通环境下车辆检测方法

目前现有的基于图像的车辆检测系统大多数是利用滑动窗口法来确定车辆候选区域.为了提高车辆检测的速度并减少计算量,提出了一种新的基于图论的车辆检测方法.该方法针对每幅图像通过简单线性迭代聚类(SLIC)算法得到含有若干个超像素节点的图像,分析节点间的相互关系最终确定车辆候选区域.在检测阶段,本文把大量不同视角的车辆图片作为正样本进行训练,得到多视角的分类器;基于候选区域的几何信息,选择适当的多视角分类器进行检测.由公共交通分析数据集(KITTI)检测结果表明:与目前最新的、具有相同提取特征和分类器的算法相比,本文的方法具有更好的检测精度,在复杂的背景下也能取得很好的检测结果.     

前方车辆检测的特征融合算法研究与实现

为了解决前方车辆检测的鲁棒性和实时性问题,提出了一种基于车辆形态特征和类HAAR特征融合的前方车辆检测优化算法.为了克服车底阴影提取易受外部环境因素影响的缺陷,采用猴王遗传算法(monkey king genetic algorithm,MKGA)进行阈值分割,提取车底阴影部分;然后通过车辆形态特征一次筛选得到感兴趣区域,并对感兴趣区域的类HAAR特征进行提取和降维,输入支持向量机(support vector machine,SVM)训练好的汽车分类器进行二次筛选.随机抽取视频的300帧进行算法验证,实验结果表明:算法在复杂环境下能够实现车辆检测,并且相比于单一特征的检测方法,准确率由80%提高至90%;利用类HAAR特征积分图和主成分分析(principal component analysis,PCA)降维能够有效地提高检测速度.算法满足驾驶辅助系统准确性和实时性的要求.     

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%.     

复杂交通环境中车辆的视觉检测

基于复杂的交通环境中检测行驶车辆是视觉交通监控系统的一个关键问题,提出了一种新的检测行驶车辆的方法.用序列图像中连续三帧图像的差分粗分出运动区域,并用一种基于图论的静止分割产生的区域信息来修正运动分割的结果.给出了一种模板来增强图像区域间的对比度,以改进分割效果.实验结果表明,该检测方法能有效地在复杂背景中定位运动车辆.     

复杂交通环境下二轮机动车乘员头盔检测算法

针对现有二轮机动车乘员头盔检测算法在目标密集分布、随机遮挡等情况下效果较差且难以在边缘设备上应用的问题,制作了具有针对性的数据集,对比现有模型后,以YOLOv7为参考提出一种复杂交通环境下二轮机动车乘员头盔检测算法.首先,采用EfficientNet-B3作为主干网络,可提高特征提取能力且更为轻量化;其次,将增大感受野模块(RFB)引入特征融合结构中,以增大模型感受野,提升小目标头盔检测能力;最后,在检测头嵌入SimAM机制,在不增加参数的前提下提高算法精度.结果表明：相较于YOLOv7,文中算法的准确率、召回率和平均准确率分别提高了2.84%,2.26%和3.26%,参数量和运算量分别为YOLOv7的33.1%,23.5%,可实现当前主流模型算法的最佳检测性能和效率;在NVIDIA Jetson Nano开发板上的处理速度达到47.58 F·s^-1,可满足边缘设备部署需求.     

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。     

面向复杂道路场景的视觉车辆检测算法

复杂道路环境下的车辆鲁棒检测兼具理论与应用价值。针对传统描述子辨识能力不足的缺点,该文提出一种基于视觉显著特征(VSF)和稀疏表示的车辆检测算法。首先受人视觉特性的"选择性"启发,依据人眼注视机理,以视觉显著特征提取训练样本信息,构建样本特征向量。然后利用压缩感知的机理,通过稀疏表示,将样本特征向量表示成过完备字典,采用LC-KSVD方法训练该过完备字典并重建样本信号。最终以待测样本在字典中的重构残差作为依据进行车辆与否的判定。实验结果表明,在良好条件下,该方法在0.5个/帧的误检率下能达到94.7%的检测率;在不良条件下,同样的误检率约束下仍能达到92.2%的检测率。和传统方法的比较表明,所提方法的车辆检测性能优于传统车辆检测方法。     

复杂电磁环境下多跳频信号盲检测

为了在复杂电磁环境中实现多跳频信号盲检测,提出一种基于时频图连通域特征的多跳频信号检测算法.首先利用短时傅里叶变换与wigner-ville分布(STFTWVD)组合时频方法完成时频变换,保证时频图的时频分辨率和交叉项抑制,并利用自适应二维维纳滤波去除背景噪声,提高算法抗噪性能;然后采用自适应阈值二值化算法对时频图二值化处理并进行8邻域连通域标记,提取每个连通域的特征组成分类特征集;最后利用改进的K均值聚类算法完成特征集分类,根据分类集统计结果和检测条件实现跳频信号检测.仿真结果表明:本文算法能够有效克服定频干扰、突发干扰和扫频干扰;在低信噪比条件下,算法聚类稳定性较好,跳频检测成功率较高.     

基于多信息融合优化的鲁棒性车道检测算法

为了提高复杂环境下车道线检测的鲁棒性,提出一种基于多特征信息融合优化的鲁棒性车道线检测算法.首先构建了基于二次曲线空间道路模型图像中左右车道线数学模型;然后融合像素梯度值、梯度方向、像素灰度以及车道线结构等多特征信息,构造后验概率函数;最后采用基于免疫克隆策略的改进粒子群优化算法优化车道线模型参数,实现车道线提取.对实际道路图像的实验结果表明,引入多特征信息后,在道路中存在阴影、车辆和道路标记等干扰因素,以及车道线模糊、对比度较低的情况下,该算法也能快速准确地提取车道线,具有很强的鲁棒性.     

一种多阈值Hough变换车道线检测算法

针对传统Hough变换虚线检测率不足的问题,提出一种多阈值Hough变换车道线检测算法。该算法在对图像进行灰度化处理、逆透视变换、二值化处理的基础上,在预设好的多条直线位置进行突变点检测,并对突变点进行分类、拟合、合并,最后进行Hough变换。3种实际路况的实验表明,该算法能够较准确、稳定地检测出车道线,平均识别率达到9870%,高于传统Hough直线检测算法的平均识别率(86.84%),而且可通过计算车道线线段的长度和点的个数来判断虚线和实线。     

一种移动车辆遮挡下的车道线检测方法

针对存在移动车辆遮挡等强干扰的情况,提出了一种基于轮廓筛选的车道线检测方法.首先基于轮廓角度和像素数目滤除非车道轮廓进而实现特征点粗提取,然后提取像素点的位置信息,通过设计一种基于相对距离与梯度的自适应双阈值筛选法进行车道线特征点的精提取,进而拟合车道线.实验结果表明,该算法具有较强的抗遮挡能力,且满足实时性要求.     

基于中心点的多类别车辆检测算法

针对多类别车辆检测任务中存在计算复杂、检测精度不高的问题,提出一种基于中心点的多类别车辆检测算法.该算法首先通过Hourglass网络对各类型车辆特征进行提取,考虑到多类别车辆检测时易受车辆大小、视觉变化及非刚体形变等因素的影响,采用可变形卷积替换传统卷积的方法对Hourglass网络重建;在网络预测模块中,结合不同的...