基于方向边缘匹配的人行横道与停止线检测

针对智能车辆视觉导航系统的路面标线实时感知问题,提出基于方向边缘匹配实现人行横道和停止线的检测算法.利用逆透视映射表快速建立车辆前方感兴趣区域俯视图,提取图像垂直边缘和水平边缘,通过亮度上升与下降相邻边缘匹配检测定位人行横道与停止线.实验结果表明,该检测算法满足实时性要求,具有强鲁棒性,能应用于复杂城市道路环境.     

基于光流法的快速车道线识别算法研究

为提取无人驾驶车前方车道线信息,提出一种使用光流法的快速车道线识别算法。首先,根据连续视频帧之间的时间相关性,运用光流法检测车辆前方背景的相对移动。然后,利用车辆背景中特征点的移动方向和距离,对本帧图像中车道线的位置进行粗略定位,从而缩小本帧图像中车道线的检测区域,加速车道线识别算法。最后,通过对车道线像素点的处理,给出车道线类型信息。该算法提升了车道线检测算法的效率,降低了复合算子车道线检测算法的时间复杂度。在720*480像素下,算法实现了13.5Hz的处理速度,相较仅使用复合算子的处理算法提升了39.6%的处理速度,且算法检测效果良好。实车实验证明了算法的有效性和实时性。     

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.     

动态背景下的前方车辆检测

提出了一种结合基于区域和基于特征的动态背景下的前方车辆检测方法。基于区域的方法运算速度快能够满足实时性要求但是计算精度低;基于特征的方法计算结果精度高,但比较复杂,初始时时间消耗多。将这两种方法相结合,采用基于区域的方法利用红色车尾灯先提取出感兴趣区域,然后采用基于特征的方法采用Blob算法对感兴趣区域部分进行特征提取再结合红色车尾灯信息可实现目标车辆的检测。通过Matlab仿真实验证明了此方法的有效性和实用性。     

一种结合多特征的前方车辆检测与跟踪方法

车辆检测是汽车防碰撞预警的前提,为了提高前方车辆检测的实时性和鲁棒性,提出一种结合多特征的前方车辆检测跟踪方法。该方法不依赖车道检测,利用车底部阴影的梯度特征确定可能存在车辆的区域,使用差分盒子维计算对应区域的分形维数来排除噪声,根据车辆的水平边缘特征信息精确定位,通过卡尔曼滤波器跟踪检测到的目标,利用归一化转动惯量做车辆验证。实验结果表明,该方法能够在多种交通环境中实时有效地检测前方车辆。     

一种用于高速公路的快速有效的车道线识别算法

提出了一种针对高速公路的车道线检测与跟踪方法;在图像预处理中采用基于采样的自适应阈值以满足不同光照条件下的使用要求,采用霍夫变换(HT,Hough Transform)进行车道线初始检测,车道线跟踪利用Kalman预测参数动态建立感兴趣区域(ROI,Region of Interest),用扫描线法搜索车道线边界点,在车道线间断区域利用Kalman预测器定位车道线边界;设计了一个失效判别模块,验证跟踪结果,当跟踪失败时,重新启动初始检测算法进行识别;实验结果表明,对于不同的车道线种类和在大部分车道线被前方车辆遮挡的条件下,该算法均具有较高的实时性和鲁棒性。     

道路区域分割的车道线检测方法

为了满足无人驾驶车在高速公路行驶的实时性和鲁棒性要求,提出了一种基于道路区域分割的车道线检测方法.该方法分道路区域分割和车道线检测2个阶段.在道路区域分割阶段,首先提取的道路颜色值,然后在二值边缘图像中搜索连通域,通过将连通域的颜色特征值与道路颜色特征值比较来快速定位道路区域,并将这一区域划定为车道线检测的感兴趣区域.车道线检测阶段则使用改进的概率Hough变换方法提取车道线点,并使用最小二乘法对车道线点集进行拟合,获得车道线模型的参数.实验证明该方法相比传统的利用标准Hough变换算法准确率提升23%,有效地排除了道路区域外的直线像素干扰,具备较好的鲁棒性和实时性.     

基于集成学习与位置信息约束的前方车辆检测

针对传统前方车辆检测方法难以同时满足准确性与实时性问题,提出一种结合AdaBoost集成学习与位置信息约束的车辆检测方法。首先,利用Edge Boxes算法根据车辆边缘序列信息计算推荐窗口。然后,通过帧存坐标系中车辆位置信息对非目标推荐窗口进行排除。最后,将过滤后窗口聚类处理并择优选取作为AdaBoost分类器输入,进行检测评判,并对最终检测结果进行边框回归处理,以提升检测精准度。实验结果表明,该方法对于不同检测场景有较强鲁棒性,能够同时满足车辆检测的准确性与实时性要求。     

一种新的车道线快速识别算法

针对现有的的车道线识别算法在复杂环境下识别率低、鲁棒性和实时性较差的问题,提出了一种基于形态学多结构元素建模的车道线快速识别算法。该算法首先对车道图像进行感兴趣区域提取,通过Canny算子对感兴趣区域进行边缘检测,然后利用具有车道模型特征的多结构元素进行车道线提取、霍夫变换,以及峰值检测点参数的筛选,从而得到实际车道左右标识线的参数以重建原车道线。仿真实验表明,该算法能在多种复杂环境下快速、准确地识别出车道标识线,且鲁棒性高。     

基于多特征融合的车辆实时检测

为了充分利用车辆对称性特征进行车辆检测,以提高检测的效率,该文提出了一种综合利用车辆阴影和对称性两种车辆特征在无先验知识的情况下进行车辆检测的算法:首先利用车辆阴影特征确定一些可能包含车辆的区域,即感兴趣区域,但感兴趣区域可能比较多;进一步地,提出了一种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的新方法.实验表明,这种基于多特征融合的车辆检测算法综合了各种检测算法的优点,回避了缺点,实现了较低误检率下的车辆的实时检测.     

基于高速公路交通图像的安全带自动识别算法

提出一种高速公路上机动车司机和前排乘客系安全带情况的自动识别算法。算法输入源于高速公路交通信息共享与诱导系统中的机动车行驶照片。本文算法利用车牌定位技术、人脸检测技术、安全带识别技术从图像中发现特定的机动车,并对其中司机和前排乘客系安全带事件进行识别,从而判断该图像中的车辆是否有交通违规情况。实验结果表明,本识别算法可行、有效。      

高速公路场景的车路视觉协同行车安全预警算法

目的 基于视觉的车辆行驶安全性预警分析技术是目前车辆辅助驾驶的一个重要研究方向,对前方多车道快速行驶的车辆进行精准的跟踪定位并建立稳定可靠的安全距离预警模型是当前研究难点。为此,提出面向高速公路场景的车路视觉协同行车安全预警算法。方法 首先提出一种深度卷积神经网络SF_YOLOv4（single feature you look only once v4）对前方车辆进行精准的检测跟踪;然后提出一种安全距离模型对车辆刹车距离进行计算,并根据单目视觉原理计算车辆间距离;最后提出多车道预警模型对自车行驶过程的安全性进行分析,并对司机给予相应安全提示。结果 实验结果表明,提出的SF_YOLOv4算法对车辆检测的准确率为93.55%,检测速度（25帧/s）领先对比算法,有效降低了算法的时间和空间复杂度;提出的安全距离模型计算的不同类型车辆的刹车距离误差小于0.1 m,与交通法建议的距离相比,本文方法计算的安全距离精确度明显提升;提出的多车道安全预警模型与马自达6（ATENZA）自带的前方碰撞系统相比,能对相邻车道车辆进行预警,并提前0.7 s对前方变道车辆发出预警。结论 提出的多车道预警模型充分考虑高速公路上相邻车道中的车辆位置变化发生的碰撞事故;本文方法与传统方法相比,具有较高实用性,其预警效果更加客观,预警范围更广,可以有效提高高速公路上的行车安全。     

交通信息采集系统中的行人检测算法

根据高速公路行人运动的先验知识,设计了一种基于视频检测技术的高速公路行人检测算法.该算法采用背景帧差分法获取运动目标区域,采用跟踪链实现运动目标跟踪,根据行人运动的先验知识在运动目标中检测行人.算法已嵌入到交通信息采集系统中,在高速公路上进行的现场测试结果表明,算法具有较好的实时性和实效性.     

一种基于行车区域改进的高速公路车辆检测法

在高速车辆速度的检测中,视频检测因其本身的优势得到了越来越多的人的青睐,而视频测速中的运动目标提取通常会采用背景差法来实现,但在实际应用中这种方法很容易受到周边环境的影响,特别是绿化带和其他车道车辆的影响显著。本文针对高速公路中车辆行驶在车道线中的特点,先提取车道线,根据车道线求出行车区域,再对行车区域进行背景差提取运动目标,消除了周边环境对运动目标的影响。实验证明,该方法很好地克服了周边环境的影响,消除了误检目标,可以准确地检测出所需的运动车辆。     

梯形视野结构化道路视觉识别方法研究

本文对基于机器视觉的路径识别方法进行了研究。通过对采集的路面图像进行中值滤波、边缘增强、动态阈值二值化,获得良好的路标图像。根据道路特征识别出道路标识线,并拟合出车辆运动的引导线。使用梯形小视野直线拟合法,减少图像处理时间和提高道路识别的可靠性。通过自制小车的实验表明,该算法具有良好的实时性、可靠性。     

采用滑模条件积分的无人驾驶汽车弯道超车路径规划与跟踪控制

针对无人驾驶汽车弯道超车场景,基于五次多项式曲线提出一种路径规划算法和基于滑模条件积分控制方法提出一种路径跟踪控制策略.首先,为了简化无人驾驶汽车弯道超车路径规划过程,将其分解成驶入超车道路径、保持超车道内行驶路径和驶回原车道路径3部分,并基于五次多项式曲线分别规划出满足汽车侧向加速度约束和动态障碍物避障约束的驶入超车道路径和驶回原车道路径,3部分路径平滑连接构成无人驾驶汽车弯道超车路径.随后,为了高精度的跟踪规划的路径,采用滑模条件积分控制方法设计具有强鲁棒性优点且无抖振的无人驾驶汽车路径跟踪控制策略,并采用李雅普诺夫稳定性理论证明其收敛性.最后,进行了算法的仿真验证,结果表明:所提出无人驾驶汽车路径规划算法和路径跟踪控制策略可以引导无人驾驶汽车安全、舒适的完成弯道超车操作,并且相对于斯坦利方法,具有更快的响应速度和更高的跟踪精度.     

汽车防撞系统中的危险估计与超车决策

在分析了汽车驾驶过程动态模型及制动距离模型基础之上，该文提出了基于最小安全报警距离的危险估计算法。通过对超车过程中车辆行驶的运动学分析，推导出超车所应满足的前后纵向车距求解算法。结合曲率限制，得出了超车过程完成时间的取值范围，从而实现了超车过程行使参数的决策。结合大量实验数据得到了超车安全性区域决策图，准确快捷地实现了安全决策。实验表明，本文所提出的算法实时性强，准确性高。     

基于HOG特征和机器学习的工程车辆检测

针对智能监控在露天矿区中的应用, 提出了一种在大场景、远距离、多角度的环境下自动识别工程车辆的算法. 该算法利用梯度方向直方图特征(HOG)作为图像描述, 并结合支持向量机(SVM)训练分类器的方法, 实现图像中工程车辆的检测. 为提高检测效率和准确度, 采用Hough变换直线检测的方法提取包含目标的区域. 实验表明, 算法能够在较大分辨率的复杂图像中识别出检测目标, 有较高的准确度, 对于实验中不同的环境具有较强的鲁棒性.     

基于改进YOLOv3的高速公路隧道内停车检测方法

为了更准确地检测高速公路隧道内停车行为,提出一种基于改进YOLOv3车辆检测模型的高速公路隧道内停车检测方法。通过筛选VOC数据集以及实际高速公路隧道内的车辆图片制作专门用于高速公路隧道内车辆检测的数据集,选取YOLOv3目标检测模型作为车辆检测的基础网络结构,并对其进行加深网络结构的改进使其能够准确检测隧道内的车辆。将Deep SORT跟踪算法应用于改进的停车检测模型中,对车辆进行跟踪从而计算行驶速度,并创新性地设置双重速度阈值来判别车辆的停车行为。实验结果表明,经过改进的YOLOv3模型相比于原模型,在VOC-vehicle数据集和Tunnel-vehicle数据集上的mAP都有所提升,最终获得了mAP为98.19%的高速公路隧道车辆检测模型。将基于改进YOLOv3的高速公路隧道内停车检测方法在高速公路隧道视频上进行测试,可以有效地在高速公路隧道中完成停车检测的任务。