基于亮度累加直方图的夜间车辆检测算法

为提高夜间环境下车辆检测的精度,提出一种基于亮度累加直方图的车辆检测算法,利用汽车尾灯的高亮特征检测自车前方车辆.通过统计大量的尾灯亮度信息得到分割阈值,由该阈值确定最大类间方差法的初始阅值.在亮度累加直方图中采用改进的最大类间方差法确定最佳分割阈值,并使用该阈值分割图像提取尾灯目标.结合尾灯的形状、位置和颜色等特征进行尾灯筛选和配对,以检测到的尾灯对为目标实现夜间车辆的检测.实验结果表明,该算法能够准确地分割出尾灯目标,对夜间前方车辆的检测率较高、适应性较好.     

基于颜色和运动信息的夜间车辆检测方法

在城市交通流量视频检测系统中，夜间车辆检测一直是个难题。传统的方法都是基于形态学算子，通过检测车头灯来检测车辆，这种方法运算量较大，而且受环境光线影响比较大，为此，提出了一种基于颜色和运动信息的夜间车辆检测方法。该方法首先利用颜色信息在图像中检测出车辆尾灯，并对车辆尾灯进行连续的跟踪；然后利用运动信息和先验知识对车辆尾灯进行匹配；最后统计出交通流量。实验结果表明，该算法可以准确的检测出夜间正常行驶的车辆，并且能够适应雨天等复杂天气条件。     

基于单目视觉的车辆碰撞预警系统

基于单目视觉的车辆碰撞预警系统能够发现道路前方的车辆并估算出与前方车辆之间的距离,利用预警机制及时提醒驾驶员危险状况。车道检测和车辆识别是该系统需要解决的两个主要难题，提出了利用边缘分布函数EDF检测车道标线，利用车辆底部纹理和对称性特征识别车辆，并根据图像坐标系和世界坐标系之间的几何映射关系测距。实验结果表明，提出的方法能够有效检测出车道标线，并能很好地测定与前车的距离。     

基于单目视觉的夜间车辆识别方法

快速准确地识别车辆是夜间行车安全预警系统的关键技术。提出在RGB空间下基于夜间尾灯图像的实时车辆识别方法。通过对夜间尾灯颜色特征进行分析和提取,选用尾灯图像的（R－G）色差特征作为图像分割的输入,并采用自适应阈值法分割图像。借鉴非最大抑制算法的思想,通过设置尾灯粘连区域判断条件,解决夜间尾灯粘连问题;根据同车左右尾灯区域特点,定义尾灯配对规则和尾灯差异度,实现尾灯配对;并定义车辆包围框和设置最大重叠率的方法,解决夜间车辆重叠问题。实验结果表明,该方法计算量小,平均每帧耗时26 ms,在含有尾灯粘连和车辆重叠混合场景下,车辆识别准确率大于93%。     

基于特征模型驱动的前方车辆检测

为了准确地探测出前方车距,必须先检测出前方车辆的大概位置,对国内现有的车辆位置检测方法进行了大量的研究;充分分析了前方车辆的先验特征模型的基础上,提出了一种基于机器视觉模型驱动的前方车辆目标检测方法,主要包括以下步骤:首先基于目标的边界特征和灰度信息熵等对目标进行初步探测,建立目标感兴趣区;然后基于前方车辆的灰度对称特征进行目标确认,提出了一种新的对称性测度,并利用该对称性测度检测出车辆的对称轴;最后在图像序列中,利用线性预测方法对目标进行跟踪;可以准确地获得前方车辆的矩形轮廓.     

利用D-S证据理论的夜间车辆检测

为了有效检测夜间车辆,提出了一种利用D-S证据理论进行夜间车辆检测的方法。首先在YCrCb颜色空间中采用阈值法对道路场景图像进行分割得到明亮块,提取各个明亮块的轮廓,利用轮廓四邻域偏红度水平消除非尾灯等虚假目标。其次,使用尾灯聚类算法组合车灯对,得到车辆假设。最后,利用车辆车尾中车灯对的面积比、互相关值以及车灯对组合框长宽比等结构化特征信息来构建基本信任分配函数,运用D-S证据理论,融合这些特征信息得到总的信任度值,最终设立信任度阈值验证车辆假设。该方法减少了主观阈值的数量,可有效降低经验不足导致阈值确定不当的风险,提高辨别率。实验结果表明,该方法效果明显,提高了检测精度,减少了误判,同时提高了系统的鲁棒性。     

基于DSP的前方车辆位置关系辨识研究

为提高前方车辆位置关系辨识效能,提出利用基于统计特性的图像识别算法辨识前方车辆位置关系。通过车载CCD实时获取道路图像信息,使用最小二乘法进行车道线拟合,结合道路图像同侧上、下车道标识线的斜率关系判定道路线形,以车道中线标定前方车辆位置;基于图像统计特性进行前方车辆识别,计算车辆标识点至车道中线的距离,通过与设定的阈值进行比较来确定前方车辆与自车的位置关系。实验结果表明,该算法能够有效降低由树阴和路面油污对辨识所造成的影响,抗干扰能力强,对不同曲率的道路具有良好的适应性。     

基于图像处理的前方行驶车辆速度测量方法

车辆超速行驶是造成高速公路交通事故的主要原因之一,依赖于固定摄像机的传统视频测速系统测速区域十分有限.通过车载双目电荷耦合器件(CCD)摄像头获取车辆行驶过程中前方车辆的行驶状态,提出了一种测量前方行驶车辆速度的方法.利用改进Hough变换识别车道线,提取感兴趣区域,以车底阴影特征为基础完成车辆检测,通过在车载视频图像中选取适当的图像帧,获得车辆的相对位移及对应的时间间隔,获得前方车辆的行驶速度.经测试,算法能得到较高精度的速度测量结果.     

基于主动视觉的车辆实时检测

针对高速公路环境下车辆检测问题,分别对车前方的车辆和车旁超车车辆设计了基于主动视觉的车辆实时检测算法.算法首先通过标志线检测算法获得高速公路上的标志线信息,在标志线信息的引导下在低分辨率图像中通过车辆底部阴影特征搜索感兴趣区域,然后在感兴趣区域进行高分辨率图像处理,利用前方车辆的后视图灰度对称性特征和边缘特征完成前方车辆的快速检测;对于车旁超车车辆,算法在相邻车道设置检测窗口,通过检测窗口内的纹理变化信息,检测车旁超车车辆;最后利用消失点的信息进行车辆确认.实验表明,算法能快速准确地检测到公路上的车辆,具有较好鲁棒性和实时性,能够满足系统的实时性要求.     

基于图像处理的车辆防偏防追尾预警系统研究

针对交通事故的不断上升,设计一种基于图像处理的车辆防偏防追尾预警系统。首先利用改进的Hough变换检测出前方车道线并进行预警决策;然后在此车道区域内根据车底部阴影的梯度特征确定前方可能存在的车辆区域,通过卡尔曼滤波器跟踪检测到的目标,并利用归一化转动惯量做车辆验证;最后根据世界坐标系和图像坐标系之间的几何映射关系测定与前车的距离,进而与计算得出的安全距离对比从而实现报警功能。实验结果表明,该系统能够有效的识别出车道线和车辆,并能很好的判断车道线偏离情况和测量车间距,从而实现预警输出。     

基于亮度与颜色四阈值的尾灯检测算法

提出一种结合常规几何参数及利用亮度、颜色四重阈值进行汽车尾灯检测的算法,以应用于夜间条件下智能汽车追尾预警系统。该算法利用亮度低阈值确定汽车尾灯的疑似区域,利用常规几何参数对上述疑似尾灯区域进行排除,利用红色比例低阈值和亮点比例阈值检测出亮度较高尾灯光斑,利用红色比例高阈值检测出亮度较低的尾灯光斑。实验结果表明,该算法可以快速、准确地检测出夜间的汽车尾灯。     

多尺度级联R-FCN的尾灯检测算法研究

前方车辆尾灯检测是自动驾驶中环境感知的研究热点,为在复杂城市环境下实时检测车辆尾灯,将基于区域的全卷积网络（Region-based Fully Convolutional Networks,R-FCN）引入尾灯检测,提出了一种基于多尺度级联R-FCN的车辆尾灯检测算法。通过网络中的跨层连接融合尾灯的底层特征和高层语义,并加入批次归一化层加快网络的收敛速度,得到改进的R-FCN子网络,将一系列在不同交并比输入数据上训练的R-FCN子网络级联得到最终的检测网络。同时预测阶段采用改进的非极大值抑制获得最精准的检测结果。检测结果表明,该方法在CVPR数据集上获得总体94.04%的平均精度,单张图片平均检测耗时31 ms,在检测速度和精度上均有较好的性能。     

Real-time vehicle tracking for driving assistance

Detecting car taillights at night is a task which can nowadays be accomplished very fast on cheap hardware. We rely on such detections to build a vision-based system that, coupling them in a rule-based fashion, is able to detect and track vehicles. This allows the generation of an interface that informs a driver of the relative distance and velocity of other vehicles in real time and triggers a warning when a potentially dangerous situation arises. We demonstrate the system using sequences shot using a camera mounted behind a car’s windshield.     

A vision-based system for the prevention of car collisions at night

Keeping a safe distance from the car in front of you is important in car accident prevention. This paper presents the use of a single CCD camera to measure the distance to the car in front at night. The distance from the car in front is estimated using the taillight, the license plate (LP), and distance measurement. The two taillights of a car are detected and extracted to be the salient features in estimation. Based on the proportionality of similar triangles, the distance between the CCD camera and the car in front is calculated. Since the width of the two taillights of a car depends on its type and shape, LPs are detected for accuracy enhancement. From the results, less processing time and high accuracy rates have been achieved using the proposed approach.     

基于Givens矩阵和联合非线性不相关的盲源分离新算法

针对源信号统计独立的盲源分离(Blind Source Separation,BSS)问题,提出了一种基于Givens矩阵和联合非线性不相关的盲源分离新算法.由于分离信号独立性的度量是影响算法有效性的重要因素,因此首先提出了一种改进的度量独立性的方法,该方法以独立源信号的联合非线性不相关来度量独立性;其次,结合Givens矩阵可以对分离矩阵施加正交性约束且能减少要估计参数个数的性质,将盲源分离问题转化成无约束优化问题,并利用拟牛顿法中的BFGS算法求解该无约束优化问题,得到分离矩阵;最后,通过模拟混合信号和真实语音混合信号的分离实验验证了该算法的有效性.     

基于小波分析和Kalman滤波的心电QRS波检测

本文首先采用RLS自适应算法对心电信号进行实时建模。经过约20个心电周期，本算法使可以基本完成自身的调整。利用多尺度理论，将小波分析和Kalman滤波结合起来，在对信号预测的同时定位心电信号的R峰。对于心电信号中因伪迹造成的误判，可通过在小波检测方法中设置相应的检测策略克服。实验表明，该算法提高了抗噪声性能。     

Convolutive Blind Source Separation in the Frequency Domain Based on Sparse Representation

Convolutive blind source separation (CBSS) that exploits the sparsity of source signals in the frequency domain is addressed in this paper. We assume the sources follow complex Laplacian-like distribution for complex random variable, in which the real part and imaginary part of complex-valued source signals are not necessarily independent. Based on the maximum a posteriori (MAP) criterion, we propose a novel natural gradient method for complex sparse representation. Moreover, a new CBSS method is further developed based on complex sparse representation. The developed CBSS algorithm works in the frequency domain. Here, we assume that the source signals are sufficiently sparse in the frequency domain. If the sources are sufficiently sparse in the frequency domain and the filter length of mixing channels is relatively small and can be estimated, we can even achieve underdetermined CBSS. We illustrate the validity and performance of the proposed learning algorithm by several simulation examples.     

基于改进YOLOv3的车辆尾灯检测方法

在自动驾驶场景中,对前车尾灯的检测是一个广泛且具有研究意义的问题。Darknet53是YOLOv3的特征提取网络,其使用5个残差单元对原始图像进行特征提取并采用三尺度的特征图进行融合预测,尺寸越小对大目标的特征表达能力越强。因为尾灯检测属于小目标检测,所以本文舍去Darknet53的最后一个残差单元,同时增加小尺度特征提取残差单元的重复次数。针对K-means聚类算法存在k值难以确定以及对初始聚类中心敏感的问题,本文使用K-means+〖KG-*3〗+聚类算法获取anchor值,同时结合IOU距离度量指标。实验结果表明,改进后的YOLOv3网络上尾灯检测的准确率和检测速度都要高于改进前的,mAP由79.63%提高到89.32%,单张图片检测时间由0.014 s缩短到0.01 s。对比其他主流目标检测框架,本文改进的YOLOv3模型具有优越的检测性能。