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。     

试飞机载测试系统一体化验证平台的设计与实现

为提高智能车对多车道的实际道路车辆行驶环境的适应性,提出了一种基于三车道模型的车辆检测方法。方法在预处理的基础上利用极角及位置约束的Hough变换得到可能的车道线信息并利用消失点对车道线进行筛选;利用三车道四线模型对车道线进行匹配;对于每条车道,分别利用车辆灰度信息对车道线内车辆进行识别,并利用视频的连贯性对车辆识别结果进行修正并跟踪车辆。该算法通过对车道线的二次筛选,提高了三车道模型的准确率,进一步提高了对于不同车道车辆识别的正确率。实验结果表明,在结构化道路上,对于不同路况,算法均具有较好的实时性和鲁棒性。     

关于车道线图像识别轨迹规划跟踪仿真

针对智能车辆在结构化道路上行驶时车道线识别不精确,常用轨迹规划跟踪中没有考虑避障与车辆运动学及动力学约束的问题,提出用双边沿检测与霍夫变换结合卡尔曼滤波来自适应确定感兴趣区域进行车道线检测的方法,并采用符合车辆运动学的五次参数方程生成行驶轨迹,并加入车辆几何宽度信息和车辆动力学约束以保证车辆行驶安全,根据环境变化结合有限状态机切换车道保持、超车、换道、停车线停车四种行驶状态.仿真结果证明,改进方法可以快速识别跟踪车道线,保证车辆避障安全的前提下切换行驶状态进行轨迹跟踪.在结构化道路环境中,车辆安全行驶跟踪精度较高.     

基于机器视觉的轻量级驾驶辅助系统

为了解决计算机视觉应用中数据量大、算法复杂的问题,根据道路结构特征和车辆行为特征,采用单个摄像头作为传感器,实现了一种轻量级的安全辅助驾驶系统。首先采用改进的边缘提取算法和车道线检测算法对摄像机内外参数进行离线标定;接着根据标定结果在二维平面图像上采用标识出实际空间距离的多窗口划分方法,并按不同的车间距将不同窗口划分为不同安全系数的区域,以赋予道路视觉检测的几何先验知识;当区域中出现障碍物时发出相应警示信息进行安全驾驶辅助,能为智能辅助驾驶提供轻量级的视觉检测平台。以便携式计算机和固定在车内的摄像头作为实验装置,在城市道路上进行车载实验。系统在车载实验中能够快速地提取车辆两侧的车道线,并利用离线标定的结果快速生成不同安全系数的警示区域,其中车辆在车道内正常行驶时的误检率和漏检率很小,可以忽略不计。与传统的驾驶辅助系统相比,本系统计算量大大降低,检测流程得到简化,可实现轻量级的车道和车辆检测,为系统在嵌入式系统上的实现奠定基础。     

基于机器学习的车辆检测方法研究

车辆检测技术是智能汽车领域重要的研究方向,广泛应用于汽车安全辅助驾驶系统中,准确、快速地对道路前方车辆检测可以很好地保障车辆的安全行驶.论文主要研究了基于Adaboost机器学习的车辆检测算法,为提高检测精度,提出了一种多区域多分类器车辆检测方法,根据车辆特征在不同角度的差异性,把待检测的车辆分为左斜侧车辆、前向车辆、右斜侧车辆,然后选择不同的特征分别训练级联分类器进行检测,实验结果表明论文提出的方法检测速度、准确性都有了明显的提高.     

基于PSO-IGA算法的高性能十字阵列的设计与综合

前碰撞预警系统是安全辅助驾驶领域的一项重要部分,通过计算机处理交通环境信息,当检测到潜在危险时,及时提醒并辅助驾驶员。采用计算机视觉方法,通过目标检测和跟踪算法,获取图像中目标车辆的位置和轨迹信息,并利用相机标定,计算当前车辆和前方车辆在世界坐标系中的距离、速度及轨迹等信息,综合该信息,实现前车碰撞时间预警、前车并线预警以及非机动车预警算法。在前车并线过程中,利用轨迹信息实时检测前车并线意图,及时提示驾驶员注意避让前方车辆。实验表明,本文提出的预警算法具有较高的准确性和鲁棒性,特别在高架或高速道路场景下,并线预警算法能检测到前车的并线意图,及时预警。     

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。     

车路视觉协同的高速公路防碰撞预警算法

目的 基于视觉的前车防碰撞预警技术是汽车主动安全领域的一个重要研究方向,其中对前车进行快速准确检测并建立稳定可靠的安全距离模型是该技术亟待解决的两个难点。为此,本文提出车路视觉协同的高速公路防碰撞预警算法。方法 将通过图像处理技术检测出来的视频图像中的车道线和自车的行驶速度作为输入,运用安全区实时计算算法构建安全距离模型,在当前车辆前方形成一块预警安全区域。采用深度神经网络YOLOv3（you only look once v3）对前车进行实时检测,得到车辆的位置信息。根据图像中前车的位置和构建的安全距离模型,对可能发生的追尾碰撞事故进行预测。结果 实验结果表明,重新训练的YOLOv3算法车辆检测准确率为98.04%,提出算法与马自达CX-4的FOW（forward obstruction warning）前方碰撞预警系统相比,能够侧向和前向预警,并提前0.8 s发出警报。结论 本文方法与传统的车载超声波、雷达或激光测距的防碰撞预警方法相比,具有较强的适用性和稳定性,预警准确率高,可以帮助提高司机在高速公路上的行车安全性。     

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。     

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.     

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.     

基于视频车流轨迹的虚拟车道划分方法

针对车道线磨损、临时改道以及非结构化道路等情况下的车道划分问题,在利用YOLOv3得到车辆检测模型前提下,提出基于视频车流轨迹的虚拟车道划分方法。密度矩阵统计时间t内由车辆检测模型得到车流量密度分布,运用三维坐标系对其进行分析;使用EM算法对一元混合高斯模型求解;建立虚拟车道宽度数学模型,运用3σ准则得到车道边界点集合,利用最小二乘法对边界点进行曲线拟合,完成虚拟车道线划分。该方法可以有效避免环境和天气因素对车道线检测的影响,具有一定的鲁棒性和灵活性。实验结果表明,该方法在不同道路中能够取得88.7%的准确率。     

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。     

基于车道映射矩阵的多车道车辆计数系统

针对城市交通路口的多车道车辆数量统计问题,提出基于车道映射矩阵的车道划分方案。根据车道映射矩阵分布情况判断车道中心线位置,利用相邻车道中心线间的距离对车道进行划分,与车辆计数算法结合,实现多车道车辆计数系统。该方案能够减少环境因素对车道划分的影响,在白天与夜晚情况下均取得较好效果。实验结果表明,该方案准确率为93.6%,能够适应复杂道路,多车道实时车辆计数系统准确率能够达到91%以上,在保证系统实时性的基础上,提供了较高的系统准确性和鲁棒性。     

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。     

射频识别技术的车辆主动定位方法

传统的车辆定位方法只能获得车辆的具体坐标信息,无法确定车辆位于道路的第几车道。本文提出基于射频识别技术对车辆进行主动定位的定位方法。该方法将RFID阅读器的3组天线的阅读距离设计为特定值,根据阅读器3组天线是否读到标签的不同情况,判定车辆位于第几车道,进而计算出车辆的位置。通过对该方法进行误差分析,结果证明该方法能够完成对车辆在具体车道上的主动定位。     

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。