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。     

智能车视觉导航系统

智能车或自主陆地车的研究是一种综合性的现代科学技术,它涉及到人工智能,计算机视觉、机械设计、控制和计算机新的体系结构等学科。它在未来战场和恶劣环境下作也等方面有着广泛的应用前景。国外对智能车的研究给予了高度的重视,从八十年代初就开始了智能车技术的研究。目前一些研究成果相继出现。如 CMU 的N AVLAB,它能在校园道路和公园有树荫的道路上行驶;FMC 的 Mobile Robots 能在野外环境中行进;西德国防军大学研制的智能车在结构公路上以相当高的速度行驶。     

单目视觉智能车的伺服规律研究

通过分析单目视觉智能车的运动特征,建立其空间约束模型以及与运动控制密切相关的图像坐标系和运动平面坐标系,在此基础上根据摄像头相对位姿的不同推导出2种不同的坐标映射关系,讨论将其应用在单目标跟踪和连续目标跟踪时的车体运动控制规律,形成一个有较强针对性和实用价值的手眼机器人视觉伺服框架。实验验证了单目视觉智能车伺服规律的有效性。     

基于单目视觉的智能车路口实时定位方法

为解决智能车在路口的高精度实时定位问题,基于单目视觉,提出一种路口实时定位方法。对需要定位的路口进行编号并建立路口场景特征库,采用路口场景识别的方法进行路口粗定位,通过路口图像中的停止线检测与测距以及车道线检测计算车辆航向角和偏移距离,综合距离、航向角和偏移距离进行位置坐标计算。在真实道路环境的路口测试结果表明,提出的定位方法具有精度高、实时性好、鲁棒性强的优点,适合于智能车路口视觉导航。     

基于单目视觉的结构化道路检测算法研究

为了全面了解基于单目视觉的结构化道路检测方法的现状,给出近些年来一些典型的道路检测算法,并进行分类,包括基于灰度特征和彩色特征的检测算法、基于模型的识别算法,最后对该领域的难点和趋势给出简要的论述。     

基于单目视觉的结构化道路检测算法研究

为了全面了解基于单目视觉的结构化道路检测方法的现状,给出近些年来一些典型的道路检测算法,并进行分类,包括基于灰度特征和彩色特征的检测算法、基于模型的识别算法,最后对该领域的难点和趋势给出简要的论述。     

基于视觉传感模块OV7670的颜色导航智能车设计

基于低成本CMOS图像传感器和51单片机搭建了颜色导航的智能车教学演示平台.系统分为视觉传感模块和核心控制模块,两模块并行处理图像数据、决策运动模式.考虑到单片机的存储空间和运算性能的限制,引入了FIFO存储芯片和基于Raw RGB阈值判定的简化颜色辨识方案.     

基于单目视觉的车道线和道路边界同步检测

针对智能车辆视觉导航中的车道保持问题,采用了单目视觉技术检测结构化道路上的车道线和道路边界.详细介绍了标线灰度特性与道路边缘信息的特征提取,并在此基础上结合公路几何线形进行道路模型匹配.算法整体采用初始检测和后继跟踪的循环处理流程,大大提高了实时性和抗噪性.通过CCD测试结果表明,方法能够快速、准确、同步地检测出车道线和道路边界.     

视觉导航中的单目摄像机标定改进算法

在基于单目视觉的智能车自主导航系统中,摄像机标定是智能车实现安全准确视觉导航的前提和关键。研究摄像机理想模型和实际模型,提出一种改进的标定方法。结合线性模型和非线性模型的优点,在求解摄像机内外参数的过程中,先采用线性模型标定摄像机的一部分参数,进一步考虑简化畸变模型,将非线性方程组转化为线性方程组迭代求解,最终获得摄像机全部参数。该方法既保证了标定精度,又简化了复杂的摄像机实际模型。实验结果表明该方法能满足视觉导航要求。     

基于计算机视觉的行人检测技术的发展

智能车辆作为智能交通系统的关键技术,是许多高新技术综合集成的载体。智能车辆的一个非常重要的研究课题就是在城市道路交通环境下如何避免行人被车辆碰撞。总结了基于计算机视觉的行人检测的现有的主要技术,针对摄像机在交通视频监控系统中的静止情况,以及在智能车辆上的运动情况下的行人检测算法及其性能进行了评述和比较,并分析了当前行人检测技术的研究现状,指出了存在的问题和研究前景。     

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。     

基于计算机视觉的车辆跟踪研究

基于计算机视觉的目标分割和跟踪被广泛应用于视频监控。首先在HSV空间利用阴影消除算法结合动态背景自适应更新技术分割目标,相比背景差分法提高了目标分割的抗干扰性。对分割出来的目标,将基于运动估计的卡尔曼滤波器应用于多个车辆目标的跟踪,提高了跟踪的速度和效果。最后给出运动车辆的分割和跟踪的实验结果。     

基于数据回归建模的单目视觉测距算法

提出了一种基于数据回归建模的单目视觉测距算法,其基本思路与现有的“先建模再测距”的顺序思路不同,创新性地提出了“先测距再建模”的逆向思路,首先准确标定出一些距离样本点,然后采用数据回归建模的方法建立测距模型。该方法不用再单独考虑成像模型、成像系统误差、透镜畸变等带来的影响,而是在进行回归拟合时隐含地加以解决;同时,该方法不依赖于道路几何约束条件,既可用于高速公路等结构化公路情况,又可用于城区公路等非结构化公路情况。实验表明,该算法思路是有效的,能满足测距的实时性与精确性要求。     

结构化公路车道的精确检测与跟踪

在结构化道路情况下,车道检测简化为白线检测。文章利用图像处理技术和优化技术,提出了一种在结构化道路中精确检测车道的两层算法。同时利用白线的局部特性和全局特性,鲁棒的提取特征;将感兴趣区域分为近视野和远视野,按照″拟和-判断-拟和″的流程,用直线或直线与二次曲线的光滑组合匹配白线;并针对具体应用环境,为优化算法添加适当的权值因子,提高算法抗噪性。测试结果表明算法能够自动、快速、准确的检测白线。     

基于单目视觉的室内机器人障碍检测方案

为提高室内移动机器人障碍物检测能力,提出了一套基于单目视觉的检测方案。该方案首先对拍摄的图像进行色度、饱和度、亮度(HSI)颜色空间转换;然后,针对室内图像中目标和背景的分割,提出了小目标阈值选取法,提高了特定环境下图像分割的准确性;最后,用目标场景匹配法和目标投影匹配法相结合,计算分割后目标像素的变化和投影的变化,从而判别出目标是具有高度的障碍物还是地面图形。实验结果表明该方案的有效性和可行性,可为室内小型移动机器人提供良好的导航信息。     

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。     

基于车载视觉导航的智能车控制系统研究

视觉路径识别技术是汽车智能化发展的必然趋势.在基于MC9S12XS128MAA单片机为主控制器的智能车控制系统设计中,探索采用CMOS摄像头作为路径导航数据采集单元,实现自主导航的软硬件设计方案.通过边缘追踪等多种算法提取导航路径信息,对舵机和驱动控制电机分别采用合理的控制算法,使得智能车平稳快速地行驶.研究表明:此方...     

基于视觉传感器的道路前方车辆模型研究

车辆几何模型是基于视觉传感器的车辆检测系统的重要部分。为了提高前方车辆检测的鲁棒性,利用车尾轮廓的几何特征构建了世界坐标系的车尾模型,通过坐标系变换给出了视觉传感器坐标系的车尾模型,进而导出图像车尾模型,并给出了车尾模型参数的表达式及其与现实世界中车尾几何参数的对应关系,明确建立了图像中车辆位置和大小的关系。实验表明:将该模型应用于车辆检测可以抑制图像中不符合车辆透视关系的错误识别,能有效提高车辆检测的鲁棒性。