基于CNN的车辆目标检测与车型分类研究

车辆检测与分类是智能交通系统的重要任务.解决这些任务的传统方法由于受到车辆图像视角受限的影响从而导致粗粒度的识别结果.近年来深度学习成功应用于图像分类任务,并受其最新成果的启发,本文提出了一种基于卷积神经网络的车辆检测与分类方法,该方法包括车辆区域检测和车型分类两部分.在检测和分类实验中,我们详细对比分析几种典型的网络...     

基于Diou-Yolov3的车型检测

本文针对anchor-based检测方法中所采用的IoU loss存在的缺点,提出基于"distance IoU"的车型检测方法。在不增加模型推理速度和模型大小的情况下,提升车型检测精度。之后,通过实验证明了该方法的有效性。     

一种基于改进块匹配算法的运动车辆检测

针对传统块匹配算法计算量大、光照变化较敏感和实时性差的缺陷,本文对块匹配算法进行了相关研究,提出了改进算法。首先把两幅彩色图像转化为灰度图像,并通过概率松弛标记算法获得边缘图像,计算相邻两幅图像的差分图像得到运动区域,然后将差分图像与边缘检测图像相与得到运动区域的边缘信息,再进行匹配得到位移矢量场并对其进行矢量中值滤波,最后通过顺序区域增长将运动车辆分割出来。实验结果表明:本文方法相对于传统方法平均检测时间降低约58ms,而平均检测率提高了约6.7%。这种算法鲁棒性强、实时性好。     

基于阴影自适应门限的车辆检测

为了提高基于车辆阴影特征的车辆检测正确率,对不同光照强度下阴影判决门限的提取进行了研究。提出了一种在HSV颜色空间中通过Otsu算法获得能适应环境光照变化的阴影判决门限的算法,并利用获得的阴影判决门限来检测车辆的阴影特征。该算法同时利用基于Hough变换的车道线检测算法来减少背景噪声的干扰,实现了在不同光照强度下对车辆的检测。实验结果表明,该算法在不同的光照条件下有较高的检测概率和稳健性,并且相对于传统算法性能有了较大的提高。     

基于车头灯对的夜间车辆检测

基于车头灯对的夜间车辆检测是智能视频监控系统的一个关键技术.夜间车辆检测的难点在于光照条件差的情况下有效信息提取困难,而夜间亮度条件差却又使得车头灯部件形成明显的亮块,因此夜间车辆检测算法中可选取车头灯对作为车辆目标的部件特征.通过获取到视频图像的逆投影图,以及逆投影图中车头灯亮块的几何形状特征,与现实中车辆车头灯几何特征一致,并利用几何特征完成夜间车辆车头灯部件的检测,最终给出车辆检测结果.     

基于对称FAST特征的车辆目标检测方法

针对动态复杂环境下车辆目标识别和定位问题,提出一种基于对称FAST特征的车辆目标识别方法.利用车辆的对称特征,采用水平镜像矩阵构造FAST特征描述矢量,检测具有对称特性的FAST特征点对,以此为车辆特征聚类的约束条件,确定车辆中心线位置,并结合车辆底部阴影特征对车辆目标进行识别和定位.实验结果表明,该方法提取的目标车辆区域位置准确,平均检测准确率高达93.2%.     

基于道路的运动车辆检测

基于图像的运动车辆检测是智能交通系统中一个重要而又困难的问题，它通常受到光照、路边摇晃树木、以及各种恶劣天气等的影响。提出了一种基于道路的车辆检测方法，在道路的入口处只利用背景差，对非入口处运动背景和不同道路上运动车辆的运动向量分别进行高斯建模，并利用贝叶斯准则和多帧信息来检测出运动车辆和运动背景。实验结果显示该方法取得了很好的效果。     

基于视频的车辆检测与跟踪算法综述

首先介绍了交通检测系统,指出视频交通检测技术日益成为计算机视觉领域中备受关注的前沿方向。在此基础上,分别讨论了常用的车辆检测算法,基于模型的车辆检测算法,车辆跟踪的基本类型,以及基于模板匹配、卡尔曼滤波和粒子滤波的车辆跟踪算法,同时分析比较了各种算法的优缺点。最后,展望了这一领域未来研究的热点。     

基于边缘直方图特征的车辆检测算法

车辆检测是实现视频交通监控技术的核心.在此提出一种基于图像边缘直方图特征的车辆检测方法.为了提高运算的速度,选择较为理想的亮度计算公式将彩色图像转换为灰度图像,然后使用Roberts算子计算图像边缘.通过分析边缘直方图的特征,提出两个特征参数实现车辆的检测.实验表明,该方法有较高的车辆检测准确率,并且能满足智能交通系统中的实时性要求.     

基于车辆检测设计与实现的公路照明节能系统

针对中国公路建设的高速发展,公路照明的电力消耗越来越大,为了同时满足照明节能与行车安全的需求,结合网络视频监控系统,提出了一套基于车辆检测技术的公路照明节能系统方案.系统前端采用嵌入式平台,分析并移植MJPG-Streamer视频流服务器,完成视频的采集传输和路灯驱动电路的设计.设计了一种基于车灯特征识别的车辆检测算法,根据检测到车辆的有无,自动控制路灯的开闭,实现路灯的智能节能控制.并且通过QT设计的人机交互界面,可按需强制控制路灯的开闭.通过实验测试,系统运行稳定,完成了预设的功能,具有很好的应用前景.     

基于改进YOLOv5的红外车辆检测方法

红外图像可在低照度、恶劣天气等条件下工作,红外车辆检测技术旨在使用红外传感器来监测道路上的车辆,实现对车辆数量、车速等信息的收集与分析,该技术不仅可应用于路面车辆,还可应用于铁路、机场、港口等场景,为交通运输行业的安全和便捷提供了有效的技术支持。然而,由于红外图像成像原理的局限和外部环境的干扰,通常导致红外图像成像质量不理想,红外车辆检测仍然存在许多问题。文中提出了一种改进的YOLOv5模型,在YOLOv5的主干部分引入了混合注意力机制,使模型能够更好地关注研究者感兴趣的区域,抑制图像噪声的干扰。此外,在BiFPN基础上提出了一种改进的Z-BiFPN特征融合结构,融合更多的浅层信息,提高浅层信息利用率,并增加一个四分之一下采样的小目标检测层,同时将YOLOv5的检测头替换为解耦头来提升模型的检测能力。在自建的七类红外车辆数据集INFrared-417上进行了实验,验证了算法的有效可行性。与原始YOLOv5相比,m AP从81.1%提升到了85.3%。     

基于深度学习的车辆分类检测

本文所要谈论的是如何识别车辆的分类以及检测,首先,我们阐述了车辆检测的发展意义及发展背景,其次,对其中涉及的深度学习理论基础以及几种经典的神经网络算法进行简洁的介绍。最后对车辆进行检测分类,并对每组数据的请准度做出统计,以便总结实验优缺点以及未来该系统的改进方法。     

环形线圈车辆检测装置的设计与实现

随着我国智能交通系统（ITS）的日益普及和应用的迅速发展,交通环境数据的采集变得尤为重要,车辆检测是其非常重要的一部分。文章着重研究了智能交通系统中最基本,也是最重要的车辆检测装置的设计与实现,介绍了一种环行线圈车辆检测装置的工作原理及主要硬件电路和软件的实现方案。     

探究复杂环境下基于多特征融合的车辆检测方法研究

交通事故在我们生活中时有发生,如何提高车检测准确率是目前人们比较重视的问题之一,本文对传统的车辆检测方法的不足进行了分析,并提出了多特征融合车辆检测的方法,该方法通过实验证明在准确率上较传统方法有绝对的优势,是提高车辆检测效率的重要方法,值得推广。     

基于DM6446的视频车辆检测跟踪系统设计和实现

针对智能交通对分布式智能视频监控的需求,设计了基于DM6446嵌入式系统的视频车辆检测跟踪系统。提出一套简单有效的车辆检测跟踪算法,包括自适应背景更新算法、基于边缘检测和最优双阈值分割融合的运动区域检测、改进的快速连通区域判断方法以及基于多特征的跟踪算法。同时,对DM6446平台软硬件及其开发方法进行介绍,并针对该平台介绍了如何移植和代码优化。最终通过在DM6446平台实际运行表明,该系统能实时有效地检测和跟踪车辆,具有较高准确率和稳健性。     

基于尾灯跟踪的夜间车辆检测

夜间车辆检测在城市交通检测技术中有着重要的研究意义。夜晚尾灯的彩色信息作为车辆的一个显著标志,能帮助我们比较准确地检测到车辆。因此,提出了一种基于尾灯跟踪的夜间车辆检测方法。先通过HSV颜色模型对尾灯的颜色信息进行分割,辨认出车辆位置,再通过区域边界锁定车灯边缘信息对车辆进行跟踪。实验证明,该方法提高了检测效率,减少了白色路灯干扰,比较有效地检测到行驶车辆。     

复杂行车环境下的前方车辆检测算法研究

针对复杂行车环境下的智能车辆行车安全问题,提出了一种基于特征的多目标前方车辆检测算法。算法首先利用车辆底部阴影特征、车辆轮廓特征的先验知识,探测前方感兴趣区域,然后利用车辆边界特征、对称性特征对感兴趣区域进行判别。该算法针对复杂路况下的车辆分布特征进行了适应性设计。能够快速、准确的检测到具有潜在安全威胁的前方行驶车辆。     

基于改进Shuffle-RetinaNet的红外车辆检测算法

针对当前红外场景下多尺度车辆检测精度欠佳且算法模型复杂度高的问题,提出了基于Shuffle-RetinaNet的红外车辆检测算法。该算法以RetinaNet网络为基础,并选用ShuffleNetV2作为特征提取网络。提出双分支注意力模块,通过双分支结构和自适应融合方法增强网络对红外图像中目标关键特征的提取能力;优化特征融合网络,集成双向交叉尺度连接和快速归一化融合,增强目标多尺度特征的表达能力;设置校准因子增强分类和回归之间的任务交互,提高目标分类和定位的准确性。该算法在自建红外车辆数据集上的检测精度达到92.9%,参数量为11.74×10⁶,浮点计算量为24.35×10⁹,同时在公开红外数据集FLIR ADAS上也展现出较好的检测性能。实验结果表明：该算法具有较高的检测精度,且模型复杂度低,在红外车辆检测领域具有较高的应用价值。     

基于计算机视觉的车辆目标检测算法研究

计算机视觉技术在车辆目标检测领域已有重要的应用。本文以计算机视觉技术为基础,深入研究和分析运动目标识别与追踪算法的性能。在此基础上,提出车辆目标检测算法,并通过实验验证算法的实用性和可行性。实验结果表明,车辆目标检测算法能够大幅提高检测精度,减少误报率和漏报率,同时具有良好的运行效果。这项算法具有较强的实用性和应用价值。     

基于深度学习特征表达的车辆检测和分析

在基于单目视觉的辅助驾驶中,对车载摄像头拍摄的视频进行车辆检测、识别、分析,可以提取出有效信息来提醒司机或控制车辆的行驶,是机器视觉技术挑战问题。该文利用深度特征表达对车载视频进行车辆检测和分析,首先,针对现有卷积神经网络对超清分辨率车载视频分析效果差的问题,提出随机失活池化降维方法改进设计卷积神经网络适应高分辨率视频;其二,针对检测标识的车辆提取行驶状态信息的问题,该文利用现有卷积神经网络的重新训练分析出车辆的行驶方向:前向(F-direction)行驶车辆和对向(R-direction)行驶车辆。实验证明,该文的方法能够实时、有效地检测车辆和分析状态。