面向车辆防撞的车底阴影检测方法

为解决常用车底阴影检测方法在复杂光照及背景条件下检测结果不稳定的问题,提出一种基于聚类分析的车底阴影检测方法。使用改进的高斯混合模型聚类算法对交通图像中的目标,即路面、车道线、车辆、车底阴影进行聚类,利用高斯阴影模型的均值与方差自适应阈值分割图像,提取路面与车底阴影的交线,利用阴影的几何结构特征对检测到的阴影线进行两次合并,得到最终结果。实验结果表明,该方法能有效检测车底阴影,适应白天不同时段、光强变化,在复杂投影的干扰下能实现准确检测。     

夜间环境交通数据采集系统设计与实现

针对夜间交通环境的特点,设计和实现了一种基于车灯的交通流视频检测系统。首先,提出一种夜间车道线检测算法,提取车道线并标定摄像机参数。接着,采用一种自适应阈值分割算法提取候选车灯连通域,并利用空间距离信息配对和分组属于同一辆车的连通域,根据规则集定位车灯,建立车辆假设。然后,通过线性搜索,结合最近邻准则和形状属性匹配在帧间关联车辆假设。对于部分和全部遮挡的情况,结合Kalman滤波器处理。根据跟踪信息的连续性,确认车辆存在并保存跟踪轨迹。实验表明,算法的复杂度低,能够在夜晚多种交通环境下实时检测和跟踪车辆,误检和漏检率低,并且对遮挡情况具有一定的鲁棒性。     

夜晚车辆异常事件分析

夜晚车道模型是车辆跟踪和车辆行为分析的基础,但是当高速公路或者城市道路光线较暗时,很难通过车道检测的方法来建立车道模型,夜晚车辆快速行驶或相邻帧车辆之间重叠度较低时无法实现准确跟踪。针对此类问题提出了一种基于学习的车道模型建立方法和基于多帧的最佳匹配跟踪方法。首先利用自动多阈值分割方法提取场景中光亮的目标;其次,利用车灯的相关特征移除非车灯光亮区域;接着,利用空间信息把车灯聚类成一个车辆目标,利用多帧的最佳匹配跟踪方法进行跟踪;最后利用车辆跟踪参数与车道模型的融合对夜晚车辆异常事件进行分析。实验结果表明,该算法能够准确地检测出夜晚车辆换道、逆向行驶、交通拥挤、停车等异常事件,并且有很强的鲁棒性。     

夜晚车辆异常事件分析

夜晚车道模型是车辆跟踪和车辆行为分析的基础,但是当高速公路或者城市道路光线较暗时,很难通过车道检测的方法来建立车道模型,夜晚车辆快速行驶或相邻帧车辆之间重叠度较低时无法实现准确跟踪。针对此类问题提出了一种基于学习的车道模型建立方法和基于多帧的最佳匹配跟踪方法。首先利用自动多阈值分割方法提取场景中光亮的目标;其次,利用车灯的相关特征移除非车灯光亮区域;接着,利用空间信息把车灯聚类成一个车辆目标,利用多帧的最佳匹配跟踪方法进行跟踪;最后利用车辆跟踪参数与车道模型的融合对夜晚车辆异常事件进行分析。实验结果表明,该算法能够准确地检测出夜晚车辆换道、逆向行驶、交通拥挤、停车等异常事件,并且有很强的鲁棒性。     

基于改进车底阴影提取算法的前方运动车辆实时检测

道路前方运动车辆检测是汽车安全辅助驾驶的重要方面,开发鲁棒性强的实时检测方法是实现主动安全预警的有效途径。基于单目视觉和车道线确定梯形感兴趣区域(Region of Interest,ROI),并根据车底阴影特征,提出一种变矩形窗口的自适应均值-方差差值法,用于计算车底阴影阈值;进而,提出一种基于车辆尾部宽度模版的横向遍历最小均值法,生成车底阴影与路面相交线假设;再利用车底阴影的灰度值特征,对车底阴影线进行验证,从而检测出车辆。将上述方法应用于自行开发的DSP实验平台进行验证,结果表明,该方法平均计算周期仅38.46 ms,且在不同的交通环境、天气情况下均能较好地检测出车辆,具有较好的实时性和较强的鲁棒性。     

高速公路弯道边界的识别与重建

分析了智能车辆安全辅助驾驶系统中弯道分道线的检测提取方法,提出一种基于道路区域分割的弯道检测新算法,包含道路区域分割和弯道边界检测。在分割出道路区域和天空区域并划定弯道检测的感兴趣区域后,提取分道线候选点,并对候选点进行校正,最终拟合并重建出弯道分道线,且准确判断了车道线弯曲方向。实验证明,该算法的实时性和准确性均高于在整幅图像中提取车道线的传统方法。     

一种改进的基于视频的车辆检测与识别方法

为了提高基于视频的车辆检测技术在应用中的实时性和准确率,提出了一种应用单目视觉进行车辆检测的方法;首先,提取车道边缘,由车道边缘得到道路区域,根据经验知识在车道区域内确定感兴趣区域,减少车辆检测算法搜索范围;接着基于车辆的对称性特征,阴影和边缘特征对兴趣区域进行过滤,进一步缩小感兴趣区域;最后用离线训练好的AdaBoost分类器对过滤后的图像进行分类识别,检测出动态的车辆;实验结果表明,利用该算法能满足实时性和准确性的要求。     

基于改进卡尔曼滤波的车道线与车辆跟踪系统算法研究

针对传统的车道线跟踪系统在复杂交通流情况下,利用卡尔曼滤波无法有效跟踪车道线的问题,论文提出了一种融合车辆与车道线检测的跟踪算法.该算法首先利用二阶高斯方向滤波器提取车道线检测的响应,同时利用haar-like特征检测图像平面中的车辆的2D回归框,并利用卷积神经网络预测车辆的3D回归框区域.利用车辆3D回归框的在车道线平面上的投影,结合改进的卡尔曼滤波同时跟踪车道线和车辆位置,避免因为车辆的遮挡造成对车道线的跟踪失效问题.实验室结果表明提出的融合车道线与车辆跟踪算法具有较好的准确性和鲁棒性.     

基于透视点和区块特征的多车粘连分割方法

针对交通视频车辆检测与跟踪中经常出现的车辆前景粘连问题,提出了一种利用透视点在图像轮廓上搜索车辆分割点并通过区块特征识别车辆的粘连车辆分割方法.根据路面场景中车道线信息提取出透视点和车道区域,结合混合高斯模型与形态学梯度轮廓算法提取出车辆前景团块.利用透视点原理从前往后顺序分割粘连的车辆前景团块.对分割开的待检定区域,利用车辆区块特征进行检验识别,修正错误分割,将粘连的多辆车逐一分割.实验结果表明,该方法对直线道路上多辆车粘连的分割有较好的准确度和适应性.     

汽车智能辅助驾驶系统中的单目视觉导航技术

在智能交通系统中，自动驾驶系统或许是最难于实现的技术之一．许多学者努力 想找到解决自动驾驶这个难题的方法．本文介绍了一种新的思想和一些新的算法，它立足于 单目视觉技术来实现车道保持和进行障碍物检测，进而力图解决视觉导航问题．首先运用多 阈值分割技术提取高速公路上当前车道的分道线，接着对分道线建立了圆锥曲线模型进行二 维重建．在道路模型的约束下，笔者提出方向分形维的算法确定前方车辆的位置，进而运用 旋转，平移和缩放中心不变矩（RTM）判断其真伪，最后采用有色噪声的卡尔曼滤波对真实 障碍物进行跟踪．本系统不但能根据分道线模型获得保持车道所需的方向信息，也能检测本 车道前方障碍物而防止碰撞．系统在四川和重庆的高速公路上以每小时100公里的速度进行 了试验，能圆满完成车道保持和障碍物检测的任务．     

结构化道路车道线快速检测的一种改进算法

基于视觉导航的高速智能车,提出一种改进的道路快速检测算法。用改进的水平均值投影法划分道路和背景区域,结合边缘检测算子和最大类间方差法(大津算法),构成双阈值法对道路区域图像进行二值化处理,利用先验知识改进的霍夫变换,在路面存在阴影和噪声干扰的条件下,能准确地检测车道标识线;对动态预测划分感兴趣区域,采用菱形搜索法进行车道线跟踪,融合初始检测和后续跟踪两层算法循环处理道路图像序列。实车试验表明,算法具有良好的实时性和鲁棒性,满足智能车高速行驶要求。     

TRAFFIC VIDEO-BASED MOVING VEHICLE DETECTION AND TRACKING IN THE COMPLEX ENVIRONMENT

Moving vehicle detection and tracking is the key technology in the intelligent traffic monitoring system. For the shortcomings and deficiencies of the frame-subtraction method, a novel Marr wavelet, kernel-based background modeling method and a background subtraction method based on binary discrete wavelet transforms (BDWT) are introduced. The background model keeps a sample of intensity values for each pixel in the image and uses this sample to estimate the probability density function of the pixel intensity. The density function is estimated using a new Marr wavelet kernel density estimation technique. The background and current frame are transformed by BDWT, and moving vehicles are detected in the binary discrete wavelet transforms domain. For the shortages of RGB (Red, Green, Blue) or HSV (Hue, Saturation, Value) color space-based vehicle shadow segmentation algorithms, shadow segmentation algorithm based on YCbCr color space and edge detection is proposed. The original data of the shadow according to the characteristics of the YCbCr space is chosen, and then, combined with edge detection, the shape and location of the vehicle region is determined. An automatic particle filtering algorithm is used to track the vehicle after detection and obtaining the center of the object. An actual road test shows that the algorithm can effectively remove the influence of pedestrians and cyclists in the complex environment, and can track the moving vehicle exactly. The algorithm with better robustness has a practical value in the field of intelligent traffic monitoring.     

智能车视觉导航的道路和前车检测系统

设计了一个基于单目视觉的智能车自适应道路、前车检测系统,主要应用于结构化道路,可以根据输入图像的可见度自动在夜间模式和日间模式间切换。结果表明系统可以在不同可见度下,自动、快速、准确地检测前车。     

车辆超车视觉辅助导航系统研究

为了能够提高行驶速度,保障行车安全,提高行驶环境认知,设计了一个基于单目视觉的车辆自适应道路、前车检测、超车指导系统,其主要应用于双车道结构化道路,而且在晴天与阴天不同天气情况下,车道线以及深色、浅色车辆均可识别,并可跟踪、超越前车。实验结果表明,该系统可以应用于不同环境背景下,该系统已通过了远距离自动、安全、准确地检测,并进行了超越前车的仿真实验。     

基于混沌粒子群的车道线检测算法

为解决在恶劣天气、光照条件变化和路面信息干扰等情况下的车道线检测识别率低的问题,提出一种采用核Fisher线性判别分析灰度变换以及混沌粒子群的车道线检测算法。将高维的RGB彩色图像通过最佳鉴别投影向量投影到低维的子空间,通过混沌粒子群算法,根据车道线特征,遍历粒子取值范围内的空间,寻找适应度函数最大的解,根据最优解获得的直线参数在图像上拟合车道线。实验结果表明,所提算法能够实现各种道路情况下的车道线检测功能,验证了该算法具有良好的鲁棒性。     

基于背景重构的公路车流量检测方法

在分析现有检测算法的基础上,提出了一种车流量统计算法,应用自适应背景重构方法,首先利用差分法提取动目标,然后通过先边缘检测再膨胀腐蚀的方法去除车影,最后在虚拟检测线上分区域段设置资源信号灯统计车流量。实验结果表明,本算法能够适应公路背景的变化,有效地去除了车影,统计结果准确可靠。     

基于改进SUSAN原则的车辆检测方法

为解决汽车辅助驾驶系统中目标车辆检测的实时性和鲁棒性问题,提出一种基于单目视觉的车辆检测系统,将改进的SU—SAN(Smallest Univalue Segment Assimilating Nucleus,即最小核值相似区)算法应用到车辆边缘检测中;采用自适应双阈值法检测车底阴影。结合车道线参数动态规划车辆初始检测区域;在检测区域中,采用改进的SUSAN算法定位车辆边缘,生成车辆假设;最后根据车辆的纹理、形状和位置特征来验证车辆假设;为改善系统性能,采用Kalman滤波算法对检测到的目标进行跟踪;使用实际采集的道路图像序列对系统进行测试。实验表明,该系统能够及时准确地检测前方目标车辆。