太赫兹安检系统人体图像边缘物体识别

提出一种自动识别人体边缘物体的算法,用于太赫兹人体安检系统的人体边缘物体成像的识别。原始图像经过二值化、滤波除噪、填充、形态学腐蚀膨胀等预处理算法后,利用顺时针搜寻轮廓追踪算法标记图像轮廓坐标,对轮廓上各坐标点使用圆形模板占空比检测以及非极小、非极大值抑制算法筛选出所有的凸点和凹点,并根据相邻凸点和凹点组合特征及其横向距离约束实现边缘物体的识别。500幅测试图像实验结果表明:该算法对边缘物体可实现快速识别,误判率在2%以下;通过调整算法参数,可良好匹配安检系统的识别精度,从而达到匹配于系统的分辨极限;具有抗噪声能力强,识别速度快,识别精度高等优点。     

深度学习与图像融合的行人检测算法研究

为解决智能辅助驾驶技术中可见光摄像机受光照和气候影响而导致行人目标识别困难的问题。通过研究图像融合技术,结合深度卷积神经网络,实现并改进了一种道路行人目标检测算法。方法是利用多源传感器图像融合技术,采用可见光相机与红外热成像相机融合的策略,以Faster RCNN算法为基础,从改进网络结构、特征融合、优化模型训练等方面展开研究,对复杂环境下的行人检测与定位跟踪展开研究,提出一种基于图像融合技术和改进的深度卷积神经网络的道路行人目标检测算法。实验结果表明,该算法对复杂气候环境下行人目标检测提高了检测效率和准确率,增加了智能辅助驾驶汽车的安全性。     

基于车载视频图像的道路消失点检测算法

道路消失点检测是高级驾驶辅助系统中盲区监测的重要组成部分。针对现有消失点检测方法所存在的准确度低、运算量大等问题,提出一种基于车载视频图像的道路消失点检测算法。该算法在Harris角点检测基础上优化得分函数检测出图像特征点,减少在跟踪阶段的运算量;通过金字塔光流法和帧差距离对运动特征点进行跟踪,在结束帧上准确获得各特征点的位置;对特征点去除离值点后,通过优化初始聚类中心的K-Means聚类算法,得到车载视频图像的道路消失点。最后将算法应用于各种车辆行驶场景进行测试,在较短运行时间内,能准确检测出车载视频图像中道路消失点,证明算法鲁棒性好、运算简单易实现。     

基于改进PointPillars的激光雷达三维目标检测

针对汽车自动驾驶时通过激光雷达进行三维目标检测时识别结果不准确、目标朝向检测偏差较大的问题，提出一种基于改进PointPillars的激光雷达三维目标检测方法。首先，基于Swin Transformer改进PointPillars的二维卷积降采样模块，使得网络特征提取阶段能够使用自注意力机制来丰富上下文语义并获取全局特征，增强算法的特征提取能力。其次，利用点云立柱的特性将点云的地面部分去除，降低冗余点云的影响，从而提高三维目标检测的识别精度。在公开数据集KITTI上进行的验证实验结果表明：所提方法具有更高的检测精度，相较于原PointPillars，平均检测精度提升了1.3个百分点，验证了该方法的有效性。     

红外热成像技术在ADAS系统中的应用

针对高级驾驶辅助系统(ADAS)要求的驾驶安全与现有的汽车传感器套件无法充分检测汽车或行人的矛盾,研究红外热成像技术在ADAS系统中的应用。首先讨论了在典型的汽车传感器套件中添加红外热像仪的必要性,然后对图像进行预处理,同时结合深度学习下的目标检测YOLOv5算法进行模型训练,最后用实验数据证明该算法能在复杂的驾驶环境中可以更好地检测和分类交通目标,从而帮助ADAS系统实现兼顾精度与实时性的目标检测。     

基于超声波的汽车盲区检测

随着信息技术的进步,传感器和智能处理技术能够为人们提供有效的辅助信息。在驾驶汽车的过程中,由于后视镜存在视野上的盲区,在行驶过程中司机转向时需要做出谨慎的判断,否则就会有安全问题。为了司机的驾驶安全考虑,设计制作了基于超声波的汽车盲区检测系统,当需要转向时利用超声波对行驶中汽车的盲区进行检测,如果发现车辆侧方的盲区有车辆,可以立即发出声光的提醒,为驾驶员的安全驾驶提供可靠的参照。     

驾驶安全智能辅助系统的设计与实现

在国内汽车保有量逐渐增长的背景下,道路驾驶环境日趋复杂,交通事故的发生率也越来越高,这对汽车驾驶员提出了更高的要求和更严峻的挑战。本团队基于计算机视觉和深度学习技术设计了一套驾驶安全智能辅助系统,通过分析行车记录仪视角采集到的车外视频数据和面对驾驶人视角采集到的车内视频数据,实现实时的交通事故预警、交通标志识别、驾驶人疲劳检测和驾驶人异常行为检测。并通过物联网协议实现系统与车辆之间的环境信息和控制信息传输,从而达到对驾驶安全的实时监控,有助于规避驾驶过程中内部与外部的不安全因素。     

基于V-视差法的道路区域检测算法研究

针对当前基于双目视觉的道路环境分析实时性差、检测不准确等问题,提出了一种改进V视差法的道路区域检测算法。该算法首先对原始图片进行车道线检测确定道路消失点,从而确定图像的感兴趣区域。然后,使用极大最小值约束获取V视差图中的斜线,从而提取道路区域。实验结果表明,由于该方法在确定感兴趣区域后计算原始视差图,因此,速度提高了29.71%,且相对于传统V视差法,算法更好地实现了路面分割;同时,障碍物检测的精确率和召回率两个指标分别提高了2.165%和4.837%。基于该算法具有良好的准确性和实时性,能有效识别道路中的障碍物,因此,可以为车辆提供可行驶区域以及为驾驶员提供辅助作用。     

基于LeNet-5的卷积神经图像识别算法

为了提升道路交通标志的识别准确率以及实施性能,本文提出一种改进的LeNet-5卷积神经网络结构对交通标志图像进行训练。首先在检测阶段,采用基于颜色的轻量级分割算法和Hough变换算法提取交通标志的目标区域,并控制算法复杂度使该识别系统基本满足实时性要求,再利用LeNet-5对交通标志进行分类识别。在实际的校园道路在线识别试验中进行检测,结果表明,18个交通标志通过驾驶均在本文的算法中成功识别,其运行速率达到16.9Hz,基本满足交通标志识别稳定、实时等性能要求。     

基于线控转向系统的电机控制算法研究

线控转向系统(Steer-by-Wire)可以根据不同的驾驶情景设计系统转向传动比,从而匹配更好的转向性能,用来提高车辆对驾驶员输人的响应速度,对汽车无人驾驶的实现起到重要的推动作用.为了实现方向盘对车辆前轮转角的实时控制,需要对转向电机的控制策略以及算法进行研究.该论文使用永磁同步电机作为转向电机,在电流环和速度环的...     

基于面部特征信息的疲劳检测算法研究

目前疲劳检测在生活中很多方面都有应用,尤其在驾驶领域,包括道路驾驶、轮船驾驶以及飞机驾驶等。疲劳程度的判断对于驾驶领域有着一定的帮助,可以减少事故的发生。鉴于此情况,提出一种改进的PERCLOS疲劳检测算法,用于对驾驶人员进行疲劳检测。首先,在现有AdaBoost算法的前提下,通过与Haar-Like特征相结合,分析人脸面部特征;其次,利用改进的PERCLOS算法对驾驶人员的疲劳状态进行监测,对其做出疲劳判断。     

基于改进SSD算法的骑车人识别研究

在智能网联汽车蓬勃发展的大背景下,目标识别作为智能驾驶的关键技术能够提高公路环境的安全性,本文采用SSD算法对公路环境下骑车人检测识别技术进行研究,发现SSD算法的小目标检测效果和平均识别精度都不太理想,故通过参考YOLOv3算法的跨层链接思想,在网络上引入FPN结构,进而提高识别效果.在TDCB数据集上的实验结果表明,平均检测精度和对小目标检测效果均有所提高,精度上提高约为2.2％,检测速度虽略微减缓,仍符合实际应用需求,改进后的SSD算法对提高公路环境下骑车人安全有着重要意义.     

基于激光雷达的室内玻璃三维重建算法

针对激光雷达在室内地图重建过程中,扫描不到透明玻璃的问题,文章提出了一种玻璃检测三维重建算法,实现了三维地图中玻璃的重建。该方法将三维激光雷达扫描的点云经过点云滤波、分割、聚类以及运动匹配,提取出感兴趣的透明玻璃上的点云,从而识别出室内场景中的透明玻璃。实验结果显示,该算法能有效地使用激光雷达数据检测玻璃并进行三维地图重建。     

基于单目视觉的汽车追尾预警系统研究

汽车追尾预警是智能车辆视觉导航系统中的重要研究内容。设计了一个应用于结构化道路环境,基于单目视觉的汽车追尾预警系统。该系统按照摄像机提供的道路图像序列,首先利用一种新的边缘检测算法识别前方道路,然后利用灰度、边缘和对称性等特征识别前方车辆,接下来根据前后车距判断其威胁等级,最终向驾驶员提供相应的声光报警信号。该系统已在合肥的高速公路上进行了实验。实验结果显示,系统运行速度达到车辆驾驶的实时性要求,能够完成车辆检测和碰撞预警的任务。     

基于车底阴影的车前障碍物检测

基于计算机视觉的道路车辆检测是智能车辆导航的核心问题,实时准确地检测前方运动车辆的位置信息是车辆安全驾驶的前提。文中采用车底阴影的前方运动车辆检测算法,在基于车道线检测的基础上,通过车底阴影检测,实时准确地检测前方车辆。该算法通过使用Otsu阈值分割提取出车道线,生成AOI区域,再进行两次自适应阈值分割提取车底与路面的交线,从而检测出前方运动车辆。经过在高速公路上对运动车辆检测实验证明,该算法基本满足车辆安全驾驶的需求,并能准确实时地检测出前方运动车辆,进而减少了交通事故的发生。     

基于脑电熵值特征和功能连接的不同线型道路下驾驶状态检测

基于脑电信号完成对不同驾驶过程的解码分析，并就驾驶意图做出预测，是基于脑机接口的人机协同智能驾驶控制中的核心问题.为了实现对直线、左弯道和右弯道驾驶过程的识别，本文提出了基于脑电功能性脑网络和熵值特征的驾驶行为特征检测方法，并结合支持向量机和高斯混合模型等算法完成对不同线型驾驶过程的分类识别.模拟驾驶实验结果表明，本文提出的方法可有效实现对不同线型驾驶过程的识别，针对16名被试对直线和弯道驾驶过程的识别准确率均高于82%，最高达到86.66%，对左弯道和右弯道驾驶过程的识别准确率均高于75%，最高达到77.95%.对主要脑区间相互依赖关系的分析结果表明，弯道驾驶过程表现出明显的大脑对侧性特征，且左弯道驾驶相比右弯道需要更多的脑区间交互活动，而直线驾驶过程中左脑区的活动稍强于右脑区.本文研究结果对理解弯道驾驶过程中驾驶员脑认知特性，以及开展不同线型道路下驾驶行为检测和驾驶状态研究，具有一定的参考价值.     

基于激光雷达的道路不平度及可行驶区域检测

为了提高室外场景中车载激光雷达道路不平度信息检测的精度, 采用随机降采样和局部特征聚合的网络结构对道路环境信息进行提取分割。在分割过程中加入随机降采样的方法, 从而提高点云信息的计算效率, 为解决道路环境信息分割过程中关键特征丢失的问题, 加入局部特征聚合器来增加每个3维点云的接受域来保留几何细节。结果表明, 所提出的算法可以准确识别道路环境信息, 对于凸包、凹坑、道路可行驶区域的识别精度分别达到71.87%, 82.71%, 93.01%, 与传统卷积神经网络相比有显著提升。该研究可高效提取道路不平度及道路可行驶区域信息, 从而提高了车辆的主动安全性与平顺性。     

基于人脸关键点检测的车载疲劳驾驶系统研究

针对传统目标检测面部微表情的模型精度低的问题,转换思路利用人脸识别三元子算法提取人的面部关键点,进行面部关键点的标注,对面部关键点进行欧氏距离计算并与传统目标检测算法结合,从而对人脸面部微表情进行准确识别,并利用闭眼、低头、打哈欠3种预警方法进行互补,并通过车道线分割,进行车辆的行驶异常状态的判断,从而准确对驾驶员进行疲劳驾驶检测,并且可以检测驾驶途中抽烟打电话等不安全行为。采用的面部关键点模型68关键点人脸关键点标注模型,目标检测模型yolov5s,并对神经网络添加了空间向量注意力机制(Convolutional Block Attention Module,CBAM),提高检测准确度。系统法高度集成于开发版中,使得该系统具有方便快捷、准确度高的优势。实验表明,三元子和目标检测以及车道线分割结合的方法,能够有效对驾驶员进行疲劳驾驶面部微表情检测,并且准确率相较于传统方法有了大幅度提高,解决了传统目标检测微表情方法中准确度低、适用范围狭窄、鲁棒性差的问题,能够有效识别疲劳驾驶并及时提醒驾驶员。     

基于深度学习的危险驾驶状态检测预警系统设计

危险驾驶检测系统主要作用于驾驶员在长时间驾驶过程中,因驾驶疲劳或分心造成注意力不集中能及时作出警示。文章比对目前国内外危险驾驶的检测方法,介绍了危险驾驶状态检测预警系统的设计流程及功能模块,并对系统中判断危险驾驶行为涉及的方法及关键技术作出分析,通过深度学习中人脸检测等相关算法模型以及多技术配合研究,更快速、更准确地实现驾驶员危险驾驶状态的检测和预警,有效降低交通事故发生概率。     

基于SVM的疲劳驾驶人脸图像特征检测算法

针对传统图像识别算法对疲劳驾驶检测精度差、准确率低的缺陷,提出了一种利用人脸图像特征提取的疲劳驾驶检测方法。首先将实时采集到的车辆驾驶员面部图像进行预处理,借助Dlib检测出图像中的人脸区域并进行人脸图像特征点的标注,然后使用基于眼睛纵横比(Eye Aspect Ratio,EAR)的方法进行图像中人眼疲劳特征的识别,基于嘴唇纵横比(Mouth Aspect Ratio,MAR)的方法进行图像中嘴部疲劳特征的识别,最后利用支持向量机(SVM)的方法将两种特征融合起来进行疲劳驾驶检测。实验表明,该方法可以准确地定位出特征点,疲劳检测的识别率达84.29%,可以有效地识别出疲劳状态。