基于三维逆投影图的车速检测

目前计算机视觉在智能交通领域有着广泛的应用,基于三维逆投影图的车速检测利用计算机视觉,使用线性系统模型进行摄像机标定,得到透视投影矩阵,确立三维世界坐标与二维图像序列的映射关系。通过设定检测区域并得到该区域的对应逆投影图,利用车尾阴影特征检测跟踪车辆,得到车辆目标的位移(s)、时间(t)的关系,进行速度检测,该算法具有较好的稳定性。     

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。     

基于视觉和毫米波雷达的车辆检测

根据智能车辆主动驾驶辅助系统中的重要性,提出了一种融合毫米波雷达数据和视觉多特征的车辆检测算法。车辆检测算法通过三个步骤实现,首先,提出一种空间对准算法实现毫米波雷达和视觉的空间对准;其次,根据空间对准结果和搜索策略提取目标车辆的感兴趣区域;最后,融合车底阴影、对称轴、左右边缘等车辆特征实现车辆检测,其中,为了准确得到目标车辆的车底阴影,提出一种改进的车底阴影分割算法。算法的性能在不同的场景下得到证实,实验结果表明该车辆检测算法是有效和可靠的。     

基于YOLOV5的行人机动车闯红灯检测

随着中国制造2025战略的实施,人工智能领域相关技术的发展得到爆炸式的关注,其中计算机视觉是研究的热点之一。目标检测作为计算机视觉领域的热点和难点,其目的是让计算机自动提取目标的行为特征,辨别异常行为,在视频监控、人机交互和医疗监护等诸多领域有着重要的应用价值。文章叙述了目标检测中基于YOLO V5+Deep Sort的数据训练和识别行人和车辆闯红灯的研究方法,对行人和车辆的目标跟踪以及闯红灯检测的效果良好,端到端的方法切实有效,并给出测试结果。     

融合毫米波雷达与机器视觉的雾天车辆检测

车辆检测对于辅助驾驶系统至关重要，由于雾天道路场景严重退化，图像中的车辆信息不明显，导致车辆检测存在漏检、误检的问题。针对上述问题，本文提出了一种融合毫米波雷达和机器视觉的雾天车辆检测方法。首先，采用暗通道去雾算法对图像进行预处理，提高雾天图像中车辆信息的显著性。然后，采用知识蒸馏改进YOLOv5s算法，在YOLOv5s的特征提取网络中引入知识蒸馏，在目标定位和分类阶段计算蒸馏损失，对损失进行反向传播训练小型网络模型，在保证视觉检测准确度的同时提高检测速度。最后，采用基于潜在目标检测区域搜索的距离匹配算法对视觉检测结果和毫米波雷达检测结果进行决策级融合。以检测目标的类型和距离为匹配依据，滤除干扰信息和错误信息，保留毫米波雷达检测和视觉检测融合后的检测置信度较高的目标，从而提高车辆检测的准确率。实验结果表明，该方法在雾天下最高检测准确率达92.8%，召回率达90.7%，能够实现雾天对车辆的检测。     

基于自适应差分的多目标检测和跟踪

运动目标检测与跟踪在诸多领域里都有广泛的应用,是当前计算机视觉的一个热门领域。利用自适应阈值差分的方法对运动目标进行检测,并使用轨迹关联的方法对多目标进行跟踪。实验结果表明,该种算法很好地实现了视频图像中多目标检测和跟踪,更符合实际应用的需求。     

交通视频的移动目标检测算法研究

对视频序列的目标进行识别和跟踪监控是计算机视觉领域的关键技术。依据图像处理和目标检测研究方向的热点算法,将帧间差分与混合高斯背景模型融合法应用于交通视频移动车辆的目标检测分析中。该算法通过背景差分求出光照影响的动态阈值范围,若光照检测阈值小于该动态阈值,选择混合高斯背景模型法,大于该动态阈值则选取帧间差分法。再通过开运算、闭运算、连通域计算,以及区域的凸包形态学运算即可准确描述目标。实验结果表明,该融合算法消除了鬼影现象,在光照环境改善的情况下可以有效应用于交通视频中移动车辆的目标检测。     

基于CNN分类器和卷积的目标检测

随着机器视觉领域的研究进展和多媒体技术的迅猛发展,目标检测成了机器视觉研究方向的一个热门领域。在一张图片中,如何寻找某类特定的目标是一个十分值得研究的课题,并且具有优秀性能的算法可以用在十分广阔的领域中,比如视频中的行人、车辆检测等。文中提出了一个基于卷积神经网络的深度学习分类器和卷积的方法,该方法性能优良,漏报率较低,可以快速检测出图片中的某类目标。并且通过以行人检测为例的实验证明,甚至与传统的检测相比鲁棒性更好,速度更快,可以更好地确定标的位置。     

基于双目视觉的三维车辆检测算法

立体区域卷积神经网络(Stereo R-CNN)算法具有准确、高效的特点,在一定场景下的检测性能较好,但对于远景目标的检测仍有一定的提升空间。为了提升双目视觉算法的车辆检测精度,提出一种改进的Stereo R-CNN算法。该算法将确定性网络(DetNet)作为骨干网络,以增强网络对远景目标的检测;针对左右目视图的潜在关键点,建立了左右视图关键点一致性损失函数,以提高选取潜在关键点的位置精度,进而提高车辆的检测准确性。在KITTI数据集上的实验结果表明,本算法的性能优于Stereo R-CNN,在二维、三维检测任务上的平均精度提升了1%~3%。     

基于显著性检测的星载嵌入式跟踪系统

随着航天科技的不断发展,计算机视觉算法在卫星上的应用方兴未艾,为了实现更多的功能需求和应对可能的威胁,视觉目标跟踪作为其中基础但具有挑战性的任务更是至关重要。然而,目前已有的目标跟踪算法大多数算法只限于对图像序列进行跟踪。另一方面,受到硬件条件制约,很多优秀的算法因为复杂度较高很少被应用到星载嵌入式系统中。这些目标跟踪算法运行时,通常需要人为地给出目标的边界框。为了自动得到边界框,需要目标检测算法对输入图像进行运动目标检测。本文提出了一种基于显著性检测和相关滤波的单目标检测与跟踪一体化算法,并与嵌入式系统相结合,在搭载的TMS320C6678芯片上达到了2 048 pixel×2 048 pixel分辨率下24 fps的帧率。具体地,检测算法负责对图像进行预处理并获得边界框,然后目标跟踪算法给出目标在后续帧中的位置。为了验证算法在实际跟踪中的有效性,本研究搭建了一个由相机、DSP和云台组成的光学平台并进行了实验验证。在该系统中,DSP自动完成检测、跟踪、驱动云台和再检测任务,达到了很好的检测跟踪效果。     

计算机视觉在雷达目标检测方面的应用

雷达目标检测是雷达应用的重要基础,雷达目标检测算法也是众多学者不断深入探究的问题。主要的检测算法基本上都是基于数字信号处理的数学模型。雷达信号是二维信号,从某种意义上可以看成是一段连续的图像信息。文中对基于计算机视觉方面的一些关键技术进行了适当改进,从背景的建立与更新、图像预处理以及目标的跟踪检测3个方面,对雷达目标的检测算法进行探讨,以期从计算机视觉的角度得到一种实时、准确、行之有效的雷达目标检测算法。     

基于FPGA的目标检测系统与加速器设计

目标检测作为计算机视觉技术的基础任务,在智慧医疗、智能交通等生活场景中应用广泛。深度学习具有高类别检测精度、高精度定位的优势,是当前目标检测的研究重点。由于卷积神经网络计算复杂度高、内存要求高,使用CPU实现的设计方案已经难以满足实际应用的需求。现场可编程逻辑门阵列（FPGA）具有可重构、高能效、低延迟的特点。研究围绕FPAG硬件设计,选取了YOLOv2算法,并针对该算法设计了对应的硬件加速器,实现了基于FPGA的目标检测。     

光流算法比较分析研究

运动目标检测是计算机视觉中重要的课题,运动目标的正确检测与正确分割影响着后续目标的跟踪与识别;光流法是运动目标检测和分析的重要方法,它能够在不知道任何预先场景情况下检测出独立的运动目标,并且可适用于动态场景的情况。首先介绍了光流的基本概念,然后介绍了常用的光流的四种算法;接着以智能交通中路口车辆视频为例,将这四种光流算法用于车辆检测,然后对四种光流算法的优缺点进行分析;最后对光流法在未来可能研究及改进的方向提出展望。     

一种基于视频序列的行人检测算法研究

随着计算机视觉技术在图像处理与模式识别中应用的不断深入,人体 运动目标检测逐渐成为了备受人们关注的热点问题。提出了一种改进的人体运动目标检测算法。 用中值法提取了图像的背景,然后通过结合背景差分法和帧间差分法处理图像得到了运动目标区域。试验结果 表明,该方法可克服单种算法所带来的缺陷,同时还具有较高的准确性,且满足工程实时性的需 求。本文算法简单有效,适合应用在嵌入式平台上。     

基于深度卷积神经网络的小型民用无人机检测研究进展

小型民用无人机预警探测是公共安全领域的热点问题,也是视觉目标检测领域的研究难点。采用手工特征的经典目标检测方法在语义信息的提取和表征方面存在局限性,因此基于深度卷积神经网络的目标检测方法在近年已成为业内主流技术手段。围绕基于深度卷积神经网络的小型民用无人机检测技术发展现状,本文介绍了计算机视觉目标检测领域中基于深度卷积神经网络的双阶段算法和单阶段检测算法,针对小型无人机检测任务分别总结了面向静态图像和视频数据的无人机目标检测方法,进而探讨了无人机视觉检测中亟待解决的瓶颈性问题,最后对该领域研究的未来发展趋势进行了讨论和展望。     

基于车底阴影的车前障碍物检测

基于计算机视觉的道路车辆检测是智能车辆导航的核心问题,实时准确地检测前方运动车辆的位置信息是车辆安全驾驶的前提。文中采用车底阴影的前方运动车辆检测算法,在基于车道线检测的基础上,通过车底阴影检测,实时准确地检测前方车辆。该算法通过使用Otsu阈值分割提取出车道线,生成AOI区域,再进行两次自适应阈值分割提取车底与路面的交线,从而检测出前方运动车辆。经过在高速公路上对运动车辆检测实验证明,该算法基本满足车辆安全驾驶的需求,并能准确实时地检测出前方运动车辆,进而减少了交通事故的发生。     

危险气体罐车液位计算机视觉监控识别报警系统设计

在计算机视觉环境下,对危险气体罐车液位的检测识别,保障车辆运输安全。结合视觉图像处理技术,采用嵌入式超声无损检测方法,进行危险气体罐车液位计算机视觉监控识别报警系统设计。首先进行液位检测原理分析,构建系统装置的总体结构模型,进行危险气体罐车液位计算机视觉监控识别报警系统的硬件模块化设计和软件设计,设计了计算机视觉监控识别报警系统的超声信号A/D采样电路、时钟电路、滤波电路、程序加载电路和电源电路。基于计算机视觉监测方法,进行危险气体罐车液位内部状态特征的视觉监测。实验结果表明,该系统具有较好的液位检测性能,实现危险气体罐车液位的有效监控识别与报警,性能可靠稳定。     

基于激光与视觉的车辆防撞技术的研究

提出了一种基于视觉与激光测距相结合的车辆防撞技术.首先采用改进的Hough变换对车道标志线进行检测与提取,根据车辆底部的阴影特征搜寻车辆可能出现的位置;利用边缘检测排除非车辆区域;然后结合车辆在图像中的宽度,利用激光测距传感器对前方车辆动态扫描,计算出两车的车距和相对速度;最后用卡尔曼滤波算法连续跟踪检测到的车辆;实验表明:该方法能够实时有效地检测前方车辆,在高精度汽车防撞系统中具有一定的意义.     

基于OpenCV的交通视频运动目标检测与跟踪

智能交通系统（ITS）是目前世界交通运输领域正在研究和广泛关注的课题。OpenCV是一种用于数字图像处理和计算机视觉的函数库,由Intel公司开发。本文在目标检测方面,对采集到的交通视频进行灰度化、中值滤波、背景建模、二值化,背景差分等处理,可以较准确地检测出运动目标。在目标跟踪方面,提出了CamShift算法和Kalman滤波器相结合的方法,实现视频车辆的精确跟踪。最后,利用OpenCV的运动物体跟踪的数据结构、函数库,建立了一个视频车辆分析系统。用于道路上车辆的检测与跟踪,并具有良好的鲁棒性。     

静态背景下的运动目标检测算法

运动目标检测是计算机视觉研究的重要组成部分。为了改进传统运动目标检测算法存在空洞、阴影和虚假边缘现象,提出一种静态背景下基于五帧差分与背景边缘差分相结合的运动目标检测算法。该算法首先利用优化的Canny边缘检测算法快速简单地构建稳定的背景边缘模型,同时利用背景边缘检测差确定运动目标边缘;之后与五帧差分法检测的结果相累加;最后通过同化填充和后期相关处理提取完整、准确的运动目标区域。实验结果表明,该算法准确率高,连通性好,能满足实时性检测的要求。