基于视频的夜间高速公路车辆事件检测

针对高速公路夜间行驶车辆的特点,基于最优化理论提出了一种鲁棒的车辆检测和跟踪算法,对现有的车灯提取算法和轨迹跟踪规则进行了改进,不仅可自动统计和显示车流量,车速等交通信息,并且能对逆行、拥堵、自由流停车等交通车辆事件做出自动判断。实验结果表明,该算法复杂性低,实时性好,在夜间路况较好的条件下车辆检测成功率达95%以上,在拥挤交通条件下,检测正确率在80%左右。     

利用D-S证据理论的夜间车辆检测

为了有效检测夜间车辆,提出了一种利用D-S证据理论进行夜间车辆检测的方法。首先在YCrCb颜色空间中采用阈值法对道路场景图像进行分割得到明亮块,提取各个明亮块的轮廓,利用轮廓四邻域偏红度水平消除非尾灯等虚假目标。其次,使用尾灯聚类算法组合车灯对,得到车辆假设。最后,利用车辆车尾中车灯对的面积比、互相关值以及车灯对组合框长宽比等结构化特征信息来构建基本信任分配函数,运用D-S证据理论,融合这些特征信息得到总的信任度值,最终设立信任度阈值验证车辆假设。该方法减少了主观阈值的数量,可有效降低经验不足导致阈值确定不当的风险,提高辨别率。实验结果表明,该方法效果明显,提高了检测精度,减少了误判,同时提高了系统的鲁棒性。     

基于颜色和运动信息的夜间车辆检测方法

在城市交通流量视频检测系统中,夜间车辆检测一直是个难题。传统的方法都是基于形态学算子,通过检测车头灯来检测车辆,这种方法运算量较大,而且受环境光线影响比较大,为此,提出了一种基于颜色和运动信息的夜间车辆检测方法。该方法首先利用颜色信息在图像中检测出车辆尾灯,并对车辆尾灯进行连续的跟踪;然后利用运动信息和先验知识对车辆尾灯进行匹配;最后统计出交通流量。实验结果表明,该算法可以准确的检测出夜间正常行驶的车辆,并且能够适应雨天等复杂天气条件。     

基于视频的夜间车辆检测与跟踪算法研究

针对夜间高速光照条件差、车灯种类多样、环境因素干扰等导致的车辆难以检测的问题,提出了一种基于视频的夜间车辆的检测与跟踪算法。该方法首先将OTSU与一维最大熵阈值分割算法相结合来实现车灯的提取,剔除非车灯光源;然后利用车灯的时空特性完成车灯的匹配,解决了一车多灯和并排同速车辆的问题;最后利用kalman滤波器完成车灯的预测跟踪。在交通弱光流畅交通、正常光流畅交通和正常光拥堵交通3种应用场景下对所提算法进行应用和结果分析,实验结果表明所提方法在保证实时性的同时具有较高的准确率。     

基于视频的夜间车辆检测与跟踪

在道路交通管理中基于视频的车辆检测技术发挥了越来越重要的作用。针对夜间交通视频图像中由于照明度低和光线反射干扰导致运动目标提取困难等问题,提出一种建立矩形框来标志车辆的夜间车辆检测与跟踪的方法。通过对图像进行预处理,提取可能为车灯的亮点,建立连通区域。利用两车灯之间的水平位置,两车灯的面积应该是相近或几乎相等以及两者之间的距离应该小于设定的阈值来进行车灯配对。车灯配对成功之后,适当放大配对车灯的连线长度,得到车头宽度。进而根据车头长宽比关系得到车头区域,再通过规则集来定义多种情况下矩形框保存车辆信息的基本原则。车辆的统计跟踪通过基于邻域的方法来实现。经过实验表明,该方法能很好地适用于夜间车辆的检测,并且能满足夜间检测的要求,具备一定的稳定性和准确率。     

基于卷积神经网络的夜间车辆检测算法

针对夜间车辆检测模型的精度要求,提出以夜间车辆为研究对象,利用深度学习中的卷积神经网络构建检测模型。首先对数据集进行白平衡处理以减少路灯颜色的干扰进而增强图像画质,并用Mosaic数据增强来丰富检测数据集进而提升模型对小目标车辆的检测效果;其次针对先验框的选取采用K-means+〖KG-*3〗+算法,并利用交并比距离对先验框进行聚类;接着向主干特征提取网络加入注意力机制模块来增强残差结构特征图中目标的通道和空间特征信息;最后在损失函数的原始置信度交叉熵损失中引入梯度均衡机制,使模型有效衰减难易样本。通过在UA-DETRAC数据集的实验与对比分析可知：本文提出的夜间车辆检测算法的精度可达99.24%,同时每秒处理图像帧数高达19帧,验证了该算法的有效可行性。     

基于视频的夜间车辆检测

由于夜间道路情况复杂,光照条件差,使得夜间车辆检测成为车辆检测技术的难点。提出一种基于视频的夜间车辆检测方法,首先通过图像处理的基本方法提取车前灯,然后通过对图像遍历以及遍历后缩小范围再遍历来对车灯进行定位,最后根据同一车辆两端车灯位置特征进行车灯的匹配。这种方法有效避免了对含有四个车前灯车辆的重复检测,以及不同车辆车灯之间的误匹配。     

一种基于帧差法的夜间车辆检测方法

受光强变化大、照度低以及车灯光晕等影响,夜间环境下车辆视频检测相对白天比较困难;文中采用帧差法求感兴趣区域(Region of Interesting,ROI),抑制夜间车灯光晕;并引入"疑是车辆"的概念。以消除车辆断层和随机噪声造成的车辆误检;同时,根据运动目标在车道内分布的离散度判断车型;对不同夜间交通场景进行测试,检测率均在96%以上;在广深高速公路实地应用中取得了很好效果。     

基于改进YOLOv8的夜间车辆检测方法

针对夜间车辆行驶的实时性、安全性要求,提出YOLOv8夜间车辆检测模型（YOLOv8-NVD）。在原模型基础上采用SPPFCSPC池化结构,配合提出的改进的YOLOv8网络Neck结构即多尺度特征图结构（Multi-Scale Feature Map Structure,MMS）,有效提升了模型的召回率（Recall）和平均检测精度（mAP）。同时引入深度可分离卷积,提出DCD(DW-Conv+C2f-DSConv)结构,有效降低模型参数量和计算量。通过对改进后的模型的实验评估,平均检测精度mAP(50)达到了79.3%,相比YOLOv8原模型提升了3.4%,mAP(50-95)达到46.1%,相比原模型提升了3.8%,模型召回率从68.3%提升至75.2%。同时参数量和计算量与未引入深度可分离卷积时相比分别有明显的下降。实验证明,YOLOv8-NVD能在满足实时性的需求上有效提升检测精度,改善模型性能,满足夜间车辆检测的安全要求。     

基于CenterNet-GYolov3的车辆检测方法

为了提高对视频中车辆的实时,准确的检测,提出一种新的车辆检测方法,该方法通过CenterNet目标检测对视频图像中的车辆进行识别并自动进行标签制作成数据集,再基于改进后的GYolov3训练数据集,最后实现对视频图像中车辆的准确检测。在损失函数中,使用GIoU来取代Yolov3的损失函数,实验数据表明,在使用GIoU作为新的损失函数后,建立了新的设计模型,在检测速度上略微有所提升,在检测精度上提高了5%。     

高速移动错位下的车辆通信参数精确检测

高速移动车辆错位通信条件下,车辆信号模糊程度增强,导致传统基于信号特征的车辆通信参数检测算法无法准确分析车辆通信参数,具有一定的局限性;提出一种基于改进卡曼尔滤波算法的高速移动错位下车辆通信参数检测方法,分析了车辆快速移动过程中最佳通信节点的定位,对最佳车辆节点进行融合,获取最佳车辆通信参数,采用改进的卡尔曼滤波算法,得到一系列递推检测算法,建立信号以及噪声的状态空间模型,依据前时刻的车辆通信参数检测值和当前时刻的检测值,对高速移动错位下车辆通信参数变量检测值进行修正,及时更新改进卡曼尔滤波算法检测噪声的协方差,实现高速移动错位下车辆通信参数的准确检测;实验检测结果表明,所提方法的可准确检测高速移动错位下的车辆通信参数,具有较高的效率和精度。     

基于视频的实时车辆识别和分类的改进方法

本文介绍了关于车辆识别、分类和跟踪的一种快速可行的方法。结合了背景差法、边缘检测、阴影校正等，在速度和识别准确率上都达到了满意的效果。     

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。     

基于红外图像形心优化提取的汽车夜视安全系统

为了提高汽车夜间行驶安全性能,设计并实现了一套基于红外图像处理的夜视安全系统;使用被动式红外相机对车辆和行人进行红外成像以得到车辆前方行人和车辆的准确位置;测距必须确定对象的形心,对红外图像的灰度值进行判定区分行人和车辆,对行人使用中值空域滤波方法进行降噪,对车辆使用db4小波进行预处理,然后使用基于图像边缘的图像分割方法进行图像分割,使用最大类间方差评估确定分割结果,再进行区域提取得到形心坐标;使用小孔成像模型计算形心与本车的距离,提取本车速度、加速度参数计算理论碰撞时间,当理论碰撞时间小于时间阈值时进行声光告警,从而实现实时预警;系统使用DIR-384-P红外相机,系统算法使用PFGA实现,测试结果表明,经过标校和加固后,系统与目标存在5 m距离时,车辆测距的误差率达到2.74％,行人测距的误差率低于3.9％,具有一定的实际应用价值.     

基于背景重构的公路车流量检测方法

在分析现有检测算法的基础上,提出了一种车流量统计算法,应用自适应背景重构方法,首先利用差分法提取动目标,然后通过先边缘检测再膨胀腐蚀的方法去除车影,最后在虚拟检测线上分区域段设置资源信号灯统计车流量。实验结果表明,本算法能够适应公路背景的变化,有效地去除了车影,统计结果准确可靠。     

基于改进YOLOv3的ETC车辆检测算法研究

随着ETC通道车辆违规行为的不断增加,针对该场景下不同尺度和类型的车辆检测已经成为城市交通管理的一项重要工作.论文基于高速公路ETC场景下的真实数据集,提出了一种车辆检测的优化方法.为提高算法在车辆检测方面的适用性和准确性,论文在YOLOv3算法的基础上采用GIOU作为YOLOv3的边界框回归损失函数,同时用调整过的锚...     

基于自适应卡尔曼滤波的运动车辆检测

卡尔曼滤波是一种根据时变随机信号的统计特性,对信号的未来值做出尽可能接近真值的一种估计方法,首先介绍了卡尔曼滤波原理,然后阐述了它在运动目标检测的应用。针对传统的固定值的卡尔曼滤波方法的缺陷,提出了自适应更新参数的卡尔曼滤波方法。通过与传统的卡尔曼滤波方法、帧差法、光流法和高斯混合模型方法的比较,证明了该方法的有效性。