基于计算机视觉的前方车辆检测与测距系统设计

随着我国私家车数量的增多,公路行驶道路安全成为社会关注的主要问题.而前方车辆距离检测系统的搭建,能够完成前方车辆检测与智能汽车导航工作.探讨了计算机视觉的前方车辆检测与测距系统设计,通过分析基于前方车身底部阴影的检测算法,阐述了前方车辆检测与测距系统的设计与应用.     

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。     

高速路的车道检测与车辆跟踪

基于智能交通的快速发展,研究了基于高速路的车道检测和车辆跟踪技术.对于多车道检测,根据路面与分道线灰度级相差较大的特点来实现车道路面的分割,接着结合直线方程和Catmull-Rom Spline插值算法来拟合分道线.对于单车道检测,首先基于HSV颜色空间和Sobel边缘提取方法对其进行有效分割,接着在透视变换空间中提取分道线坐标点并用二次多项式拟合分道线.针对车辆检测,使用Hog+Gentle-Adaboost分类算法实现无人车前方路面车辆的检测,接着基于车底阴影的特征对车底阴影进行检测以验证学习算法检测到的车辆区域的真伪性.针对车辆跟踪,采用动态二阶自回归模型的方法预测车辆的状态.其中,对于粒子滤波固有的粒子退化问题,引入Thompson_Taylor算法改善了粒子退化和低多样性的缺陷.本文的车道检测和车辆跟踪算法能较容易地移植在嵌入式平台,可靠性和准确性较高,且有助于进一步实现车道偏离报警和前向防撞系统.     

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。     

基于单目视觉的障碍物检测方法研究

为了解决车辆的碰撞问题,提出了一种基于单目视觉的车道标识线二维重建及障碍物检测与跟踪的方法.主要采用最大类间方差法对初始图像进行分割,给出一种新的车道标识线特征点搜索策略,用统计模型的方法获取车道线参数.利用障碍物(前方车辆)在道路中留下的阴影,检测车辆边缘并确认车辆存在,运用卡尔曼滤波方法跟踪车辆具体位置.所设计的方法能够准确地检测跟踪车道线及前方障碍物.实验结果表明:方法满足车辆安全行驶的前提需要,具有较高的准确性和实时性.     

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。     

基于多特征融合的车辆检测算法

提出了一种综合利用车辆阴影、车辆边缘和对称性3种特征进行车辆检测的算法：首先,进行车辆阴影检测,它提供了可能包含车辆的初始搜索区域;随后,进行的车辆边缘检测在排除部分虚警的同时,进一步缩小了车辆区域的范围;最后,通过对称性检测实现车辆的准确定位与检测。实验表明：该算法具有较低的误检率。     

基于视频图像的高速公路车辆检测算法研究

针对高速公路智能交通系统中的复杂场景变化、阴影和车辆遮挡等影响车辆检测率的问题,提出了使用基于高斯混合模型的自适应方法来建立和更新背景,采用基于HSV的邻域均值快速阴影消除算法提高阴影消除的速度。对于遮挡车辆,采用基于Kalman滤波的识别算法进行遮挡车辆的识别,然后使用基于模板匹配的金字塔分级搜索算法对遮挡车辆进行细分割。实验结果表明,该算法既简单又有效,车辆的检测率达到97%,完全满足车辆检测的要求。     

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...     

Front-view vehicle detection by Markov chain Monte Carlo method

In this paper, we propose a new vehicle detection approach based on Markov chain Monte Carlo (MCMC). We mainly discuss the detection of vehicles in front-view static images with frequent occlusions. Models of roads and vehicles based on edge information are presented, the Bayesian problem's formulations are constructed, and a Markov chain is designed to sample proposals to detect vehicles. Using the Monte Carlo technique, we detect vehicles sequentially based on the idea of maximizing a posterior probability (MAP), performing vehicle segmentation in the meantime. Our method does not require complex preprocessing steps such as background extraction or shadow elimination, which are required in many existing methods. Experimental results show that the method has a high detection rate on vehicles and can perform successful segmentation, and reduce the influence caused by vehicle occlusion.     

融合时域和分水岭信息的车辆检测算法

在实时视频图像车辆目标检测时,为了克服行进中车辆背景噪声和阴影带来的准确率低、漏检率高等问题,提出一种时空融合和内外标记的分水岭车辆检测算法。通过相邻视频三帧差法得到的时域运动变化信息结合Canny算子得到的边缘图像相结合,得到时域掩模图像。利用文中提出的基于二次重构、内外区域标记、梯度修正的分水岭空域算法对运动区域及其周围区域进行分割,解决了一般分水岭算法的过分割现象。将得到的结果进行投影,以提高运动状态下车辆的检测精度。实验结果表明,在车辆背景噪声和阴影的影响下,该算法的检测效果仍然较好,车辆漏检率降低到4.90%,算法的准确性、鲁棒性和适应性较好。     

基于视频的高速公路车辆提取与跟踪算法研究

将背景重建技术应用于运动车辆的提取与跟踪,构建了一个运动车辆提取与跟踪算法。在引入多特征匹配的基础上,设计了一种简单实用的目标跟踪多特征匹配判决逻辑。实验结果表明,该算法能够完成对多个运动目标的跟踪,而且对光线变化及目标运动状态的变化等不利因素有较好的适应性。     

基于背景自适应更新的车辆阴影检测算法

对基于视频的交通流量参数检测及交通路口控制方法而言,车辆检测是很关键的一步,但是由于车辆阴影的客观存在,经常会造成汽车数量的误检。本文在背景自适应更新的基础上,对阴影建立了模型并对检测算法进行了改进,以提高车辆检测精度。     

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.     

基于三维重建的交通流量检测算法

在智能交通系统中 ,道路交通流量信息实时、有效的检测是交通信息系统的关键环节 .固定相机的视频图象检测法具有诸多优点 ,为此 ,提出了一个基于知识的视频图象交通流量检测系统 ,其中 ,车辆的分割和识别是视频检测法的核心 .根据车辆具有较大的运动惯性等运动规律 ,在短时间隔内 ,可以近似认为车辆运动为刚体匀速直线运动 .在这一条件下 ,将刚体上的运动点重投影到道路平面 ,则重投速度与该点的空间位置到路面的高度具有固定的比例关系 .运动特征采用具有较好定位精度的边缘特征 ,并拟合为直线进行运动跟踪匹配 .在识别过程中 ,先假定车辆的模型及其高度 ,然后再根据重投影速度 ,重建车辆的三维空间结构 ,进行基于知识规则的假设校验 .试验结果表明 ,该方法可以较好地解决车辆视频检测中的遮挡、粘连、阴影等情况     

A two-level self-adaptive variable neighborhood search algorithm for the prize-collecting vehicle routing problem

This paper investigates the prize-collecting vehicle routing problem (PCVRP), which has a strong background in practical industries. In the PCVRP, the capacities of all available vehicles are not sufficient to satisfy the demands of all customers. Consequently it is not a compulsory requirement that all customers should be visited. However, a prize can be collected once a customer is visited. In addition, it is required that the total demands of visited customers should reach a pre-specified value at least. The objective is to establish a schedule of vehicle routes so as to minimize the total transportation cost and at the same time maximize the prize collected by all vehicles. The total transportation cost consists of the total distance of vehicle routes and the sum of vehicles used in the schedule. To solve the PCVRP, a two-level self-adaptive variable neighborhood search (TLSAVNS) algorithm is developed according to the two levels of decisions in the PCVRP, namely the selection of customers to visit and the visiting sequence of selected customers in each vehicle route. The proposed TLSAVNS algorithm is self-adaptive because the neighborhoods and their search sequence are determined automatically by the algorithm itself based on the analysis of its search history. In addition, a graph extension method is adopted to obtain the lower bound for PCVRP by transforming the proposed mixed integer programming model of PCVRP into an equivalent traveling salesman problem (TSP) model, and the obtained lower bound is used to evaluate the proposed TLSAVNS algorithm. Computational results on benchmark problems show that the proposed TLSAVNS algorithm is efficient for PCVRP.