车辆视觉导航系统中的实时道路检测

提出了一种新的道路检测算法。该算法中首先采用基于线段的区域增长法将采集到的实际道路边缘图像分割成道路区域和非道路区域,使下一步搜索道路标志的区域限定在道路区域;然后恢复道路标志并根据其特征定位道路标志线;最后采用数据拟合的方法找出道路轨迹线。在复杂路况下可以准确、快速估算出车道的延伸方向,实现车辆的防偏预报。、     

基于多特征融合的车辆实时检测

为了充分利用车辆对称性特征进行车辆检测,以提高检测的效率,该文提出了一种综合利用车辆阴影和对称性两种车辆特征在无先验知识的情况下进行车辆检测的算法:首先利用车辆阴影特征确定一些可能包含车辆的区域,即感兴趣区域,但感兴趣区域可能比较多;进一步地,提出了一种利用车辆对称性特征对感兴趣区域进行验证,并对其中的车辆区域进行准确定位的新方法.实验表明,这种基于多特征融合的车辆检测算法综合了各种检测算法的优点,回避了缺点,实现了较低误检率下的车辆的实时检测.     

基于视觉显著性的航拍车辆检测

航拍图像与普通图像相比,具有以下特殊性:分辨率较低,细节不充分;检测目标体积小,难检测;背景的纹理干扰较大。这些特殊性使得直接应用经典的显著性检测方法在航拍图像上不能取得理想的效果。针对这个问题,根据人类视觉系统的特点,提出了一种通过特征显著性分析确定目标候选区域的车辆检测算法。首先,用车辆底层边条信息对输入图像卷积,得到特征响应图。然后计算不同尺度下的特征响应图的谱残差,得到显著性响应图。最后,通过融合多尺度下的显著性响应图,并进行时域和空域增强处理,得到最终的显著性地图。对真实场景下的图像进行仿真实验,结果表明该算法能取得较好的检测效果。     

基于双目视觉的车辆检测和车速测定

实时运动检测是智能视频监控和视频交通流检测中的一项关键技术。目前广泛使用的单目视觉运动检测方法对光线敏感,存在黑洞、阴影等问题。为解决此问题,提出一种基于双目视觉的运动检测方法,通过双摄像头的视差获取物体的深度信息,根据深度差检测运动物体。在得到运动区域后,利用运动物体在连续帧的深度信息,提出一种适应各种空间角度拍摄情形下的速度测定方法。实验表明,所提的方法能检测运动目标的准确轮廓,解决了单目视觉情形下始终存在的对光线敏感、阴影及黑洞的问题,实现了运动目标的实时检测和速度测定。     

基于单视觉的车辆防碰撞预警系统研究

应用单目视觉车辆防碰撞预警系统能够发识别周围车辆并估算出与其之间的距离,利用预警系统及时提醒驾驶员。解决了车道线和车辆的检测识别问题,提出了新的边缘检测算法识别道路线,然后利用特征识别算法识别车辆,并根据车辆之间的距离判定危险等级。实验结果表明,系统能够有效的识别车道线和车辆,并能很好的测量车间距,实现预警输出。     

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.     

基于单目视觉的车辆检测算法研究

本文在全面总结现有的国内外前方行驶车辆的视觉检测算法的基础上,利用由于光照因素使得前方车辆在图像内形成的底部阴影这一先验知识,建立了基于车辆阴影区域检测的前方障碍物视觉检测算法。     

基于方向引导优化的视觉导航方法

为解决主动视觉导航在复杂路况条件下精度较差的问题,提出了一种基于方向引导优化的主动视觉导航参量计算方法。首先,建立了车辆物理坐标系与视觉图像坐标系的变换方程,通过Canny算子对视频图像进行初步的车道边缘线和道路标志线检测;接着,基于方向引导优化有效降低了阴影、积水等杂波对检测性能的干扰,并通过阈值优化的广义Hough变换实现车道线的内外边缘及道路标志线的精确检测;最后,基于检测结果计算出用于导航的中心引导线、偏离角度、距离等参量。实验结果表明,该方法能够有效且精确地获取主动导航系统的偏移参量。     

基于主动视觉的运动目标检测跟踪方法

研究主动视觉运动目标检测跟踪系统。针对图像目标跟踪多为非连续动态过程,准确性差,通过混合高斯法建立背景模型,采用背景差分法,利用最大类间方差算法确定阈值,检测分割出运动目标,提出一种结合SURF算法的带宽自适应均值漂移跟踪算法实现目标跟踪,使用线程并行控制摄像机运动,确保跟踪目标在图像序列中的合适尺寸。实验表明,改进系统能够实现对场景中运动目标的准确检测,稳定跟踪,并能到达实时应用的要求。     

结合目标检测与双目视觉的三维车辆姿态检测

随着城市规模的发展,车辆的需求在与日俱增,同时对自动驾驶技术的需求也在不断提高.为了增强自动驾驶系统对路面车辆的信息掌握能力,提出一种车辆姿态检测方法.首先利用基于深度学习的目标检测方法获取车辆在二维图片上的信息,结合深度相机利用双目视觉获取车辆的关键三维空间信息;然后综合二维与三维信息建立三维空间坐标,经过计算后实现车辆的三维边框绘制,绘制的三维边框能辅助区分出车辆在空间上的方位.文中方法为端对端方法,不需要其他额外的输入信息,能够实时展示在相机中.实验结果表明,该方法针对常见的路面停车场景有较好的识别效果,对自动驾驶系统有较好的辅助作用;对比目前流行的三维边框计算方法也展示了其准确性.     

无人机平台下的行人与车辆目标实时检测

在无人机图像中快速准确地检测行人和车辆是一项有意义但又极具挑战的任务,其广泛应用于军事侦察、交通管制以及偏远地区救援等任务中.然而,由于无人机属于小型移动设备,其内存和计算能力非常有限,使得如何保证其检测实时性一直是难题.针对SSD算法模型过大、运行内存占用量过高、很难在无人机设备上运行的问题,精心设计了轻量级的基准网...     

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。     

实时车辆检测和跟踪系统设计

实时车辆检测和跟踪是室外移动机器人尤其是智能汽车研究领域的一个重要课题。本文介绍了多功能室外移动机器人THMR-V的实时车辆检测和跟踪系统。该系统包括车道线检测和车辆检测和跟踪两个主要模块。车道线检测算法使用新的搜索策略,实时检测结构化道路区域,减少车辆检测算法搜索范围。车辆检测算法以Adaboost算法为基础,利用边缘方向特征,颜色特征,和对称性特征实现车辆检测。文中详细介绍了系统的实现。     

基于卷积神经网络的实时车辆检测

为了解决对于尺度变换较大车辆及遮挡车辆检测性能不足的问题,提出了一种实时车辆检测模型.针对车辆检测算法对于尺度敏感的问题,通过使用深度残差网络作为特征提取层,构建特征金字塔网络用于多尺度检测;利用软化非极大抑制线性衰减置信得分解决车辆遮挡问题,从而降低车辆的漏检率;同时对模型进行通道级裁剪缩减模型参数规模,节省计算资源...     

一种基于主动网络的入侵检测系统ANIDS

提出了一种基于主动网络的入侵检测系统框架ANIDS,它结合了基于主机的和基于网络的入侵检测系统的思想,具有灵活性好、可扩展性强以及高效率等优点。同时,由于主动网络的可编程特性,ANIDS还是一个集入侵检测、网络管理、网络监控三位一体的系统。     

基于时空关系模型的城市道路车辆实时检测

复杂城市道路环境下运动车辆目标检测是现代智能交通系统的重要组成部分.依据多帧视频图像序列的时空连续变化关系,通过构建多帧视频图像序列时空关系模型（Time-space model——TSM）,进一步完善车底阴影特征检测算法,并与AdaBoost算法相结合,实现运动车辆目标检测的候选区域筛选与验证处理,以降低车辆检测的误检率,提高准确率.在白天复杂城市道路环境下,实验结果显示基于TSM的车辆检测,检测准确率为92.1%,误检率为4.3%,图像分辨率为1920*1088,单帧图像平均处理时间76 ms.基于TSM的车辆检测显著改进了AdaBoost和车底阴影特征检测算法存在的误检率高,效率低问题,满足城市道路环境下车辆检测准确率和鲁棒性的要求.     

基于主动轮廓模型的文本检测方法

针对复杂背景下的文本检测问题,提出了一种基于主动轮廓模型的文本检测方法.输入的图像首先经过so-bel-laplacian锐化后再由gaussian-laplacian进行过滤.预处理完成后的图片首先通过改进的主动轮廓模型得到初始轮廓,再通过算法的反复迭代扩大或缩小轮廓线得到最终轮廓,最后通过后处理尽量排除非文本块,从而得到最终文本区.区别于以往检测方法,所提方法最终不但可以框出文本行,还可以框出单个文本,有利于后续分割识别的进行.实验表明所提方法可有效检测出图像中的文本.     

自适应的SILTP算法在运动车辆检测中的研究

为了提高复杂背景下运动车辆的检测效率,结合SILTP算法提出了一种自适应的SILTP算法。首先,对运动车辆图像进行二维离散小波变换,提取出两次低通滤波后的图像。其次 ,通过自适应的SILTP算法获得图像的纹理信息。然后,利用高斯混合模型进行背景建模,进而利用新图像的纹理信息动态更新背景。最后,与背景模型进行比较来获得运动车辆。对公路上运动车辆的测试表明,该检测算法在复杂背景尤其是树叶抖动等情况下能够取得较高的检测率,具有良好的自适应性。     

基于D-S证据理论的车辆视频检测的研究

车辆视频检测系统作为智能交通系统的重要组成部分,为交通控制与交通规划提供必要的数据来源.考虑到外界环境的影响以及数据传输过程中的干扰,对所拍摄的单一图像的分析难以获得准确信息.因此,在简要介绍D-S证据理论的基础上,在对由摄像机拍摄的交通现场画面做了图像处理后,提取出车辆特征,并最终运用D-S证据理论来进行数据融合,从而来提高交通视频检测系统中车辆类型的识别率.实验证明采用此方法将使得车辆识别率大为提高.