基于视频分析的车辆排队长度检测

本文实现了一个完整的车辆排队长度检测算法。检测算法分为两步：车辆排队检测和队列长度计算。对白天和夜晚不同光照条件采用不同的队列检测算法,并实现了白天夜晚检测算法的自动切换。在白天光照条件下,采用移动检测窗来进行车辆排队检测,在每一个检测窗内,通过三帧差法运动检测和形态学边缘检测进行车辆存在检测两步判断有无车辆排队。针对夜晚场景,提出利用车灯这一显著特征进行车辆排队检测。以图像灰度直方图的相关系数作为距离值,利用kNN分类器进行白天夜晚的识别,实现检测算法的自动切换。队列长度计算通过摄像机标定完成,找到一种仅利用车道线的、简单有效的摄像机标定方法。实验表明该方法可以准确检测出车辆排队并计算出其长度。     

基于视频图像处理的车辆排队长度的检测

介绍一种较新的将运动检测和车辆存在检测结合的视频检测方法,来检测和计算队列长度,最后,仿真算例显示了该算法的有效性。     

基于图像处理的车辆排队长度鲁棒检测算法

针对实际应用中车道标志线和车辆阴影等无关信息严重影响排队长度检测精度的问题,提出了一种基于图像处理的车辆排队长度鲁棒检测算法;首先将背景差法和帧间差法相结合进行停车状态识别;在此基础上,综合利用梯度差分和颜色差分获取车辆完整信息,从而为采用伸缩窗进行排队长度检测提供了更加鲁棒的信息;实验结果表明算法检测准确,满足实时性的要求。     

应用图像处理方法自动检测路口车辆排队长度

在智能交通处理系统中，路口车流参数——车辆排队长度，占空比等可以为很多情况提供必要的信息，如交通阻塞及交通事故的监控、交通信号灯的控制等。其中交通路口车流的长度是车流参数中最重要的一个。本文提出了一种基干图像局部特征的路口车辆排队长度的检测方法，通过融合图像的点特征(角点)和线特征(边缘)，完成车流长度的检测，包括停止车流的长度以及在可视范围内整体车流的长度。实验结果表明，这种方法实现简单、应用效果良好，具有较好的应用前景。     

基于单目视觉的障碍物检测方法研究

为了解决车辆的碰撞问题,提出了一种基于单目视觉的车道标识线二维重建及障碍物检测与跟踪的方法.主要采用最大类间方差法对初始图像进行分割,给出一种新的车道标识线特征点搜索策略,用统计模型的方法获取车道线参数.利用障碍物(前方车辆)在道路中留下的阴影,检测车辆边缘并确认车辆存在,运用卡尔曼滤波方法跟踪车辆具体位置.所设计的方法能够准确地检测跟踪车道线及前方障碍物.实验结果表明:方法满足车辆安全行驶的前提需要,具有较高的准确性和实时性.     

基于逆透视变换的车辆排队长度检测方法

交通路口的车辆排队长度检测是智能交通系统的重要组成部分,传统的检测方法易受背景噪声、摄像机透视效果等因素的干扰造成检测失败,而且其实现都是基于串行结构的处理器,不能用于实时处理的场合。本文设计了一种充分利用平直道路几何特征并适合FPGA实现的排队长度自动检测算法,该算法利用逆透视变换消除图像几何失真,引入公路的结构性约束有效检测了车道线;接着采用Sobel边缘算子检测出各车道的车辆轮廓,通过一种基于信息量的度量方法提取排队的队尾,从而确定了车辆排队长度,并且通过硬件化设计使得整个检测过程达到实时的处理速度。     

基于DSP的交叉口车辆排队长度图像检测系统*

详细介绍了系统的硬件结构设计,图像采集主程序流程及车辆排队图像的长度多阈值提取算法。该系统应用于城市交通信号控制机上采集交通量信息,精度高,安装维护方便,优于传统的电感线圈采集方式。     

基于角点特征分析的车辆排队长度检测方法

针对交通堵塞造成的各种状况,通过视频分析实现实时高效的车辆排队长度检测,从而获取更多的交通信息改善交通状况.本文通过传统的FAST角点检测方法与运动检测的过程相结合得到改进后的FAST算法,使用改进后的FAST角点特征分析技术,不仅可以提取出当前交通道路上表征车辆存在的角点特征图,还可以获取角点位置的运动状态.通过对交通监控下的视频进行预处理后,单一车道内处于静态的角点特征形成车辆排队,并进行PCA处理得到一维向量,最后对一维向量进行形态学处理来检测单一车道内的车辆排队长度.实验表明,本方法检测精度平均98%,满足应用于实际场景.     

基于HOG-SVM分类器的电力屏柜锁孔快速检测方法

为实现变电站电力屏柜的机器人开锁开门操作，提出一种综合边缘特征圆形检测和HOG-SVM分类器的变电站电力屏柜锁孔图像的快速检测方法。对实时采集的图像进行预处理以降低计算量；在此基础上，根据边缘特征构建判定条件进行圆形的快速圆形检测；进一步，通过收集锁孔及对照图片作为素材训练基于HOG-SVM的锁孔分类器。实验结果表明：边缘特征圆形检测算法无须预设半径且平均耗时相对于霍夫圆检测法减少0.3～0.4 s;同素材测试，HOG-SVM分类器较CNN分类器准确率高13.79%且运行时间减少1～2 s。算法单次运行时间约0.4 s,可满足机器人进行实时开锁需要。     

基于机器视觉的形状尺寸检测方法研究

基于机器视觉技术的产品自动检测、分类和测量系统,由于非接触性和快速、精度高等优点在实际生产中得到广泛关注.论文研究并建立了目标体几何形状和尺寸检测机器视觉系统.原始图像经过预处理、获取图像轮廓特征后,采用一个基于不变矩、相对矩和提取角点特征的新方法自动识别目标体的形状.根据工业应用实际情况,线性模型标定获取摄像机内外参数,计算目标体形状特征的真实尺寸.实验证明该方法计算复杂度相对于带佣的Hough变换大大降低,适合实时处理,实验结果较为理想.     

基于机器视觉的矿车踏面磨耗检测设计

针对矿用轨道车辆传统的人工轮对检测方法的精度低、效率低等问题,设计了一个基于机器视觉的自动检测系统.通过摄像头采集辅助光源照射到轮对上光带的图像,使用Matlab对图像进行处理.算法上根据踏面图像的特征针对细线化方法进行了专门优化,并通过实验确定了轮廓检测的最佳阈值.将处理后的图像与标准图像进行差影比对,使用相机标定的相关参数进行计算得出踏面的磨耗量.实验证明,使用优化后处理算法的系统相比传统算法提高了精度.每个轮对平均检测时间小于2 s,误差小于±0.2 mm,可以快速大量地自动检测轮对踏面的磨损情况,保证了工业现场稳定安全的生产,具有一定的应用意义.     

一种基于机器视觉的圆型零件检测技术

利用机器视觉技术建立圆形零件检测系统,采用简单高效的标定方法和亚像素技术实现对圆孔和圆形零件的非接触精密测量。圆孔和圆形的直径测量过程包括图像采集、图像分析处理和结果输出。其核心算法是系统校正、图像预处理、二值化和圆检测。实验结果证明,该系统实现了在线实时检测,其精度达0.01 mm,具有良好的应用前景。     

基于双目视觉的移动机器人空间测距研究

空间测距是移动机器人实时避障和路径规划的基础.研究了移动机器人双目摄像头由一般布置形式变换到标准布置形式进而实现空间测距的方法.首先对摄像头进行标定(对双目摄像头进行立体标定);然后基于标定结果对摄像头一般布置下所获得立体图像进行极线校正,并得到校正后新的摄像机相互位置参数;最后基于已校正图像和新的位置参数实现移动机器人移动过程中深度与特定目标空间尺寸测量.实验结果证实了本文方法能获得比较精确的测量结果.     

基于视觉的车辆与轨道相对振动状态测量方法研究

车辆与轨道相对振动状态对轨道线形测量有重要影响;分析了传统检测车辆与轨道相对振动状态测量方法的缺陷,提出一种基于视觉的车轨相对振动状态测量方法,以轨道建立轨道坐标系,以车体建立车体坐标系;考虑相机镜头畸变,建立相机非线性模型,基于机器人手眼方法标定相机与车体,求解相机内外参数;依据车体运动姿态特征,推导基于双目机器视觉的车辆运动姿态偏移补偿计算方法;运用实验平台设计验证实验,通过计算所得的车体振动位移与真实值高度吻合,随着车速增加振动位移误差也随之增大,验证了该方法的正确性和可行性;提供一种车辆与轨道相对振动状态测量方法。     

基于最大长度序列的绝对位移精密检测方法

为了检测精密机构的微小位移,根据位移编码与机器视觉技术,提出一种基于最大长度序列(Maximum Length Sequence—MLS)的绝对位移检测方法;该方法设计了基于MLS的绝对位移检测的视觉靶标方案,采用基于灰度叠加及二值化方法进行图像处理和靶标绝对位置识别;研究了基于拟合相位的精密定位方法,实现一维绝对位移的精密检测,并进行实验验证;实验结果表明,该方法可有效实现一维绝对位移检测,定位精度在±2 μm范围内,具有良好的重复性和鲁棒性,且无须视觉标定。     

一种改进的基于视频的车辆检测与识别方法

为了提高基于视频的车辆检测技术在应用中的实时性和准确率,提出了一种应用单目视觉进行车辆检测的方法;首先,提取车道边缘,由车道边缘得到道路区域,根据经验知识在车道区域内确定感兴趣区域,减少车辆检测算法搜索范围;接着基于车辆的对称性特征,阴影和边缘特征对兴趣区域进行过滤,进一步缩小感兴趣区域;最后用离线训练好的AdaBoost分类器对过滤后的图像进行分类识别,检测出动态的车辆;实验结果表明,利用该算法能满足实时性和准确性的要求。     

基于机器视觉的印刷质量检测研究（英文）

为了实现对物品印刷质量的高效检测,通过机器视觉技术,采用图像处理的方法来实现印刷品质量的检测。根据印刷检测的功能需求,设计了三个具体的功能模块,并在VS2008和OpenCV1.0平台下实现了印刷质量检测的功能,支持印刷品图像的输入、人机交互处理、划痕和偏色检测、结果输出等功能。与传统采用的手工方法相比,提高了印刷质量检测的效率,检测速度快,准确率高,检测结果客观,能够迅速而精确地检测出目标印刷品的外观缺陷程度。     

基于主动视觉摄像机标定方法

基于主动视觉的摄像机标定是摄像机标定的重要分支之一，本文引入了必要的基础知识和概念，诸如摄像机模型和投影矩阵，基础矩阵，单应矩阵，极点，FOE（Focus Of Expansion）等，还对基于摄像机纯旋转的标定，于摄像机三正交平移运动的标定，基于多次摄像机平面正交运动的标定，基于无穷远平面单应矩阵的标定以及于射影重建的标定进行了评述并给出了结论。