基于信息融合的车道检测算法

提出了一个基于图像区域分割和边缘检测信息融合的车道检测算法,首先在HSV颜色空间内进行基于区域的分割,得到车道边界的模板;接着将车道边界模板和道路边缘检测结果进行操作,得到车道边界点;最后对车道的边界点使用Hough变换进行处理,得到车道的方向和位置.算法将基于区域分割的信息和边缘检测的信息相互补充,提高了车道边界提取的精度.仿真实验结果表明,对于多种复杂的道路环境算法都可以鲁棒的检测出准确的车道.     

基于多摄像机的矿井危险区域目标匹配算法

为了解决多摄像机下矿井危险区域目标行为检测失效的问题,提出基于目标区域的配准算法.采用Lucas-Kanade光流法和基于块的背景运动补偿分别实现静态和复杂背景下的目标区域分割;用DOG对目标区域做尺度空间极值检测获得特征点对,并用主成分分析和尺度不变特征变换(PCA-SIFT)描述子作特征区域描述,在定义的目标区域匹配准则下,通过目标区域匹配度量比较实现匹配并通过基本矩阵约束消除误配区域.结果表明:该算法能够快速有效的实现矿井危险区域(低照度、目标类型复杂)下多摄像机运动目标匹配;与全图做PCA-SIFT匹配算法比较,计算复杂度降低71%～72%.     

一种基于深度信息的人头检测方法

针对目前人头检测方法对光线变化敏感和易受阴影干扰的问题,提出了一种基于深度图像的人头检测方法.首先通过运动目标检测,得到运动人员所在区域;然后对该区域使用改进的立体匹配算法,该匹配算法对传统的WTA匹配算法进行改进,只对强纹理点进行匹配,对弱纹理点只进行视差验证,并根据三角投影原理计算出深度图.由于深度图中人员与周围场景的深度分布不同,根据深度分布将人头区域提取出来,得到候选区域,最后将候选区域经过形态学运算并根据区域轮廓的特征来判断是否为人头.实验结果表明:该方法在不同光线环境条件下的检测正确率为94%以上,误检测率仅为5.77%,检测精度高,对光线和阴影的抗干扰性良好,能够很好地适应复杂环境.     

基于匹配误差的导航图路网数据预处理技术研究

针对嵌入式环境中路网数据量过大影响地图匹配实时性的问题,文章提出了基于匹配误差的路网数据预处理方法,该方法在地图匹配前应用改进的自适应限差Douglas-Peucker算法对路网进行了数据预处理。改进算法分别以匹配误差、地图精度及道路间距为输入参数,通过赋予三者适当的权值计算加权平均值,之后以该值为精度限差对路网数据进行压缩。实验结果表明,路网预处理能够有效降低路网数据量并提高地图匹配的实时性。     

基于缩放因子的人脸直方图特征距离度量方法

奇异特征区域在人脸直方图匹配过程具有更高的可分辨性。基于此,在人脸直方图特征匹配算法的基础上提出一种基于缩放因子的人脸直方图特征距离度量方法。该方法通过缩小直方图距离较近区域的距离、放大直方图距离较远区域的距离,并在匹配中突出高可分辨性区域,以获得更高的识别精度。实验表明该方法可以显著提高各种局部特征提取方法和直方图距离度量算法在人脸识别中的精度。     

无人驾驶场景多任务感知算法研究

考虑到无人驾驶车载环境下算力受限,提出了一种基于YOLOv5和BiSeNet的多任务模型算法,使得多目标检测任务和可行驶区域分割任务共用一个特征提取网络。主干特征提取网络使用改进的CSPDarknet,之后分别对多目标检测网络和可行驶区域分割网络进行优化,最后在BDD100k数据集上进行实验。结果表明：多任务算法的目标检测精度mAP50可以达到65.4%,分割精度mIoU达到了88.7%,在RTX3090GPU上的推理速度可以达到81.3 FPS,基本维持了与单任务算法相当的检测精度与推理速度。     

一种深度学习的硬件木马检测算法

由于传统的硬件木马检测均采用功能测试等电信号检测技术,检测方法存在成本高、漏检率高和效率低下等问题,对此提出了一种深度学习的非电信号硬件木马检测算法。该算法首先利用增强残差网络将低分辨率芯片显微图像转换为高分辨率芯片显微图像; 然后通过循环一致对抗生成网络将该高分辨率图像生成与母版图像同源的芯片显微图像, 生成的芯片显微图像通过二阶微分图像增强算法区分出目标区域与背景区域,并结合阈值分割算法将目标区域分割出来; 最后通过数学形态学操作去除由于工业噪声产生的微小干扰,利用变化检测算法检测芯片中存在的硬件木马。通过在芯片显微图像数据集上的实验显示,基于深度学习的硬件木马检测方法正检率高达约92.4%,与传统的电信号检测方法相比,精度更高,速度更快,且操作更简易。     

基于形状模板匹配的前视红外目标检测方法

针对前视红外复杂地面固定目标无直接可用基准图、背景干扰严重、目标与背景灰度差异小、不利于目标识别等问题,提出了一种基于形状模板的目标识别方法.首先,在构建高斯多尺度空间的基础上,设计分层多阈值算法,检测感兴趣区域;其次,引入模糊集理论,提取形状特征,分离目标与背景;最后,用改进的Hausdorff距离算法进行精匹配,确定目标.实验结果表明,该算法匹配率与改进的Hausdorff距离算法相比提高了近20%,算法花费时间缩短了2/3;与Nprod算法相比匹配率提高了近30%,时间缩短了1/2,在密度为0.3的椒盐噪声下,匹配率仍能达到70%以上.对于复杂背景下的前视红外固定目标,该方法具有匹配率高、速度快、精度高等优点.     

基于双权重聚合的立体匹配算法

针对传统的局部立体匹配算法通常采用基于窗口聚合匹配的方法获得视差图,采用分割与平面拟合的方法进行视差精炼,算法性能过度依赖于窗口尺寸、分割与数据拟合的精度的问题,提出了基于双边滤波的双权重聚合方法,利用快速匹配代价的方法进行聚合,在视差精炼阶段采用双曲线平滑聚合匹配代价的策略;这种不依赖于窗口大小的算法有利于提高匹配精度。仿真实验结果表明,本文算法在低纹理区域和深度不连续区域均得到了较高的立体匹配精度;针对实际场景进行的立体匹配,可以得到较高精度的视差图及三维重建效果。     

基于特征点匹配的拼接算法研究与实现

针对图像问因具有旋转及光线强度差异等现象而导致的拼接效果不佳及拼接速度慢的问题,提出一种基于特征点的配准算法。该算法首先利用相位相关法确定图像重叠区域,然后采用改进Harris角点检测算法检测角点,再根据相似测度NCC（NormalizedCrossCorrelation）方法提取出匹配特征点对,最后用渐进渐出的方法实现拼接图像的融合。实验证明,该算法比传统算法在角点数目上减少了四分之一,有效地去除了拼接产生的鬼影现象。能有效地提高图像拼接的速度和精度。     

基于单眼视觉和超声波室内障碍物检测系统在智能车上的应用

提出一种基于单眼视觉和超声波测距的树莓派智能机器人车检测静态和动态障碍物的方法.采用改进的单眼视觉障碍物检测算法,对室内的静态和动态障碍物进行轮廓检测,并利用超声波传感器测量机器人车与障碍物之间的距离.针对静态障碍物检测,在图像预处理阶段引入图像增强,并通过HSV图像提取不同障碍物颜色特征,以提高障碍物轮廓标定的效率和准确率.针对动态障碍物检测,结合背景差分与3D图像显示技术实现动态目标捕捉,并设置距离决策模块记录障碍物位置信息.试验结果表明,该方法可有效减少障碍物检测的平均消耗时间以及障碍物位置信息的错误率,提高室内障碍物检测的效率和准确性.     

基于深海采矿车的避障规划模糊控制器的研究

非结构化环境的深海自主车辆绕障策略算法制约车辆行走作业性能.利用测障声纳获取了障碍物信息,集中研究了面向非结构化环境绕障的模糊控制器结构、模糊控制算法.仿真结果表明:自主设计的模糊控制器在算法的控制下可使采矿车按规划路径实现绕障行走,控制效果显著.     

基于Matlab和VC++混合编程的障碍检测系统设计

本文主要研究移动机器人在环境未知情况下的障碍物检测问题,提出了一种图像分割和立体视觉相结合的方法进行检测,减小了检测算法的复杂度,并能快速可靠地检测出机器人行进前方障碍物的位置和距离信息;将VC++的可视化图形界面功能和MATLAB的强大图像处理功能有机的结合起来,采用混合编程开发方法实现障碍物检测系统软件。实验结果表明,该方法在障碍物检测系统的开发过程中大大提高了编程效率,缩短了软件的开发周期。     

基于三维激光雷达的动态障碍实时检测与跟踪

为了解决在大数据量的情况下实现高效检测与跟踪的难点,提出一种室外动态未知环境下自主车的多障碍实时检测与跟踪的算法.由于Velodyne 64线三维激光雷达具有数据量大、精度高等特点,采用其与相机结合感知环境.算法结合从图像处理中得到的道边信息将原始激光雷达数据的感兴趣区域转化为栅格地图,在地图上采用区域标记和模板匹配的方法进行聚类和特征提取,检测得到盒子模型的障碍物,并进行障碍物跟踪.为了避免在多障碍物的情况下出现虚警和漏检,基于多假设跟踪数据关联和卡尔曼滤波来跟踪连续多帧的障碍物.本算法在自主车平台上能够以每帧100 ms实现准确、稳定地检测和跟踪.     

基于多线激光雷达的障碍检测与环境重建

针对越野环境中自主导航车(ALV)的导航问题，提出了基于卡尔曼滤波理论的障碍检测算法.通过分析多线激光雷达的扫描数据，依次进行候选障碍点提取、非障碍扫描点滤除和聚类分割获取障碍信息，使用卡尔曼滤波算法对目标障碍位置进行跟踪和滤波处理，并结合自主导航车上差分全球定位系统/惯性导航系统(DGPS/INS)的位置和姿态信息进行联合定位，对ALV途经的周围环境进行了三维地图重建.试验结果表明，该算法稳定可靠，跟踪的位置误差可以降低到10 cm以内，有效地解决了越野环境下的障碍检测问题，同时成功地完成了环境场景的重建.     

基于RFD5800的室内环境监控系统设计与实现

根据室内环境检测不宜布线的特点,本文设计了一个基于RFD5800无线传输模块的室内环境检测系统,完成了系统的软硬件设计。硬件系统由主控制模块、检测模块、显示模块、无线传输模块和控制模块组成。软件主要有采集程序和传输程序,并应用模糊控制算法进行数据融合,提高传感器测量精度。通过检测,达到了实时监控室内环境的目的。     

基于Kinect传感器的机器人室内环境检测方法

针对移动机器人室内环境检测问题,提出了一种基于Kinect传感器的目标物体检测方法.利用Kinect传感器采集的视频图像和深度数据来实现对机器人工作环境中已知特征目标物体和完全未知目标物体的检测及定位.对于已知特征目标通过颜色特征分析来完成检测,而对于完全未知的物体则通过深度地面消除算法和提取深度图像的轮廓来进行检测.利用传感器成像模型对检测出的目标区域进行三维空间定位,从而获取目标物相对于机器人的空间位置信息.基于移动机器人平台进行实验,结果表明,该方法能够有效地实现室内环境信息的检测及定位.     

基于单目视觉的运动障碍物检测

针对室内结构化环境中光照和外界环境的实时变化,提出一种基于单目视觉的改进的运动障碍物检测算法。利用单目摄像头截取图像,进行灰度转换和中值滤波,将混合高斯模型背景差分法和帧差法相结合,并引入面积信息,对二值化后的差分图像进行形态学处理和连通性分析,有效的解决了空洞问题,得到完整的运动目标信息。实验结果表明,该方法能准确快速检测所观测区域内的运动障碍物,实时性,鲁棒性好,对光照等外界条件的变化有很好的适应性。     

基于偏好粒子群算法的移动机器人路径规划

针对粒子群算法收敛速度快,但易陷入局部最优的问题,提出一种基于偏好粒子群算法的移动机器人路径规划方法.在对障碍物环境建模的基础上,根据避障偏好利用粒子群优化算法规划出全局最优路径.为避免搜索过程中算法陷入局部最优,采用深度优先搜索策略,保持了种群的多样性,提高了算法的搜索能力.实验结果表明:该方法能够有效地避开障碍物,并且获得较好的路径规划效果.     

记忆运动方向的机器人避障算法

在一般的避障环境中,Tangentbug算法表现的非常鲁棒,但当避障环境中有对称障碍物的时候,Tangentbug算法容易产生路径的死循环,从而导致终点不可到达.然而在机器人避障过程中,对称障碍物是非常常见的.针对这个问题,提出了基于记忆机器人运动方向的Tangentbug算法.该算法中,机器人每经过一个位置点,就把当前位置点和选择的运动方向记录下来,为后面的更新运动方向做好准备.首先,机器人扫描到障碍物时计算出机器人与障碍物的相遇方向;其次,根据障碍物的边缘,统计局部地图信息,得到局部切线图,找到离终点和当前点距离和最近的点作为机器人的下一个目标点,得到机器人的运动方向;然后,在机器人绕行障碍物时结合记忆的运动方向和局部切线图产生的最小距离和更新下一步运动方向.在整个避障过程中,不停的更新相遇方向和运动方向,最终实现机器人的直行和绕行,从而到达终点.通过大量实验验证,实验结果表明该算法不仅可以实现机器人在对称障碍物环境中顺利到达终点,也可以在非对称障碍物环境中达到终点,验证了该算法的有效性和鲁棒性.