双动态条件下多传感器融合的车辆检测方法研究

运用双动态条件研究追尾事故中车辆防撞预警方法,提出一种基于毫米波雷达和PTZ摄像机相结合的前方车辆检测方法。解决摄像机、雷达、世界坐标系的变换关系,实现空间上的融合;采用线程同步方式实现时间上的融合。目标识别过程中,在图像中生成感兴趣区域,通过三阶Kalman滤波算法对当前周期内获取的初始目标信息进行预测,基于已训练好的级联分类器进行多尺度识别,得到感兴趣区域内的车辆。将单目测距获得的距离与毫米波雷达获得的实际距离进行比对,以验证上述算法的准确性,试验结果表明,测量距离与实际距离误差率为1.96%,可控制在用户可接受的区间内。     

基于传感器数据融合的车辆目标匹配

利用毫米波雷达和相机数据融合检测前方障碍物的方法,可以为智能驾驶汽车提供准确可靠的感知信息。因而,基于多传感器数据融合的目标匹配的重要性逐渐凸显。为实现二者的目标匹配,首先构建了相机和毫米波雷达的时间融合模型和空间融合模型,实现二者数据的时间一致和空间对准,然后对毫米波雷达数据和图像数据进行处理,通过对毫米波雷达数据的预处理且引入有效目标决策算法,获取毫米波雷达的有效目标数据;利用基于深度学习的目标检测算法,实现对图像中车辆目标的检测。最后设计了二者的目标匹配算法,并通过实验验证了该方法的有效性。     

基于机器视觉与YOLO算法的马铃薯表面缺陷检测

针对马铃薯表面缺陷检测快速准确的需求,提出一种基于机器视觉与YOLO算法的马铃薯表面缺陷检测方法.应用这一方法,构建马铃薯表面缺陷图片数据集,对原始数据集进行图像增广;通过二分K均值聚类算法进行目标框聚类分析,采用分步训练方式优化学习权重.试验结果表明,所提出的基于机器视觉与YOLO算法的马铃薯表面缺陷检测方法可以有效实现马铃薯表面缺陷的快速、准确检测,平均识别精度达到99.46％,对腐烂、发芽、机械损失、虫眼、病斑检测的精度均高于98％,单幅图片识别时间约为29 ms.     

面向动态目标的汽车毫米波雷达防撞系统设计

汽车毫米波雷达防撞(AMRV)系统是实现汽车主动安全驾驶的关键装置,针对行驶中汽车的运动特点,研究了面向动态目标的汽车毫米波雷达测距和测速原理,设计了汽车毫米波雷达防撞系统,并运用先进设计系统软件(ADS)对该系统进行了计算机仿真实验,实验表明所设计的系统符合防撞雷达的要求.     

基于YOLO深度学习模型的铝型材表面缺陷识别方法

针对铝型材表面缺陷快速准确检测的需求,提出一种基于YOLO深度学习模型的铝型材表面缺陷识别方法.对铝型材数据集进行图像增广,解决原始数据集中图像数量少且缺陷数据不均衡问题.建立基于YOLO的铝型材表面缺陷识别模型,通过增加模型预测尺度,提高对微小缺陷的识别能力.对铝型材缺陷数据集的目标框重新进行聚类分析,改进YOLO算...     

采用降维技术的红外目标检测与识别

提出了一种用于扫描型红外预警系统的目标检测与识别算法来实现对空中威胁的预警,该算法在对目标进行检测和识别的过程中分别运用了降维技术.首先对拉普拉斯-高斯(Laplacian of Gaussian,LOG)算子降维,改变经典LOG算子各向同性的特点,从而减少了信息的丢失;然后通过设置相关参数设计8邻域方位滤波器对图像不同方向进行尺度优化的滤波以完成目标增强与背景抑制;最后对滤波结果进行目标提取,通过支持向量机算法对目标进行识别.为使识别过程更加简捷而不失准确性,在识别前采用基于协方差算子的充分降维方法对样本特征和目标特征进行降维,从而在简化经典滤波算法与目标识别算法的同时提升了算法效率.实验结果表明,与经典高维算法相比,本文提出的算法在对红外目标进行检测识别时能够获得更好的效果,应用于工程时能实现低于7％的虚警率和低于5％的漏警率,且算法能够满足系统实时性要求.     

基于毫米波雷达的前向防撞报警系统

为有效预防车辆追尾碰撞事故的发生,提出了一种基于毫米波雷达的车辆前向防撞报警系统设计方案。系统利用车载毫米波雷达准确获取自车与前方多个目标之间的车间距离和相对速度信息,车内控制器综合车间距离、相对速度、自车车速、驾驶员反应时间、车辆制动性能及环境气候等多种因素,在自车与前方目标车辆间存在潜在的碰撞危险时,可通过视觉、听觉、触觉等多种方式发出报警信息提醒驾驶员,避免因追尾碰撞而引发交通事故。     

基于YOLO算法的车辆实时检测研究

随着科学技术的不断发展,人工智能已经融入航空、汽车、航海等领域,人们对智能交通的迫切需求已经成为当今社会迅速发展的趋势。近年来在自动驾驶领域中针对传统的图像识别分类问题,目标检测更符合对行人和车辆实时检测的现实需求。与传统的识别不同,YOLO(You Look Only Once)是一个将目标检测作为回归问题的识别算法,它具有检测速度快、全局性好、泛化性强等特点。本文研究了YOLO算法的实现,并基于Opencv计算机视觉库在Visual Studio开发环境中进行了YOLO算法测试,实验结果表明,车辆识别准确可靠。     

基于激光雷达点云数据的汽车智能防撞系统设计

防撞系统对智能汽车的发展至关重要,要求系统具有实时性、抗干扰性、低成本的要求,本文设计了一种基于激光雷达点云数据的汽车智能防撞系统,采用激光扫描雷达及STM32主控芯片实现信号采集与处理,设计激光扫描雷达的点云数据与处理方法,结合自带的高速视觉采集处理机构,实现系统的软件设计。在后期实验中：设计系统模拟汽车行进过程中前方突然来车的紧急制动,左右侧面来车制动情况,测试防撞系统的性能,结果表面系统具有速度较快、精度较高、发出防撞预警用时较短的特点,能够实时精确地实现对小车运动控制,增强了小车对环境敏感度,实现防撞功能。     

基于激光与视觉融合的船舶扫描和吊具防撞系统及方法

为解决岸边集装箱起重机在船舶上方作业时,由于司机操作以及潮汐、大风等环境因素对作业安全产生影响的问题,文中提出了一种基于激光和视觉融合的船舶扫描和吊具防撞系统及方法,通过激光扫描和视觉采集,对岸边集装箱起重机下的船舶轮廓进行完整扫描与识别,满足船舶的纵向位移、船舶上船槽及集装箱锁孔的精确定位,精确测量岸边集装箱起重机吊具的高度值和小车的位置信息,实现集装箱海陆侧软着陆,有助于提高岸边集装箱起重机的自动化效率。     

基于改进YOLO v5的机床刀具识别方法

针对目前机床刀具分类应用较少、预处理复杂、目标检测适用范围小且识别精度不高的问题,提出基于改进的YOLO v5机床刀具图像识别算法,利用卷积神经网络在特征提取层加入CBAM注意力模块,可以更清晰地提取图像特征,在特征融合层加入CARAFE上采样模块,使刀具的表面特征恢复更好,可以减少特征融合时部分特征的丢失。实验结果表明,改进后的算法使机床刀具等小目标检测精度和检测速度明显提升,且改进后的模型平均精度为96.8%,比YOLO v4模型提高了14.96%,比YOLO v5模型提高了2%。本方法能对不同刀具进行识别,为工业制造中机械零件的识别提供了新的算法支持。     

基于卷积神经网络的设备安装位置智能识别方法

该文针对IT系统集成机柜建立了一套基于卷积神经网络的柜内设备智能识别系统。设计基于图像处理和深度学习的识别算法以实现机柜内设备安装位置的检测识别。建立设备图像数据集对YOLO模型进行训练,得到合适的加权系数,使模型损失函数值最小;将训练好的模型对实际环境中的机柜进行检测并与其他经典方法进行对比。实验结果显示,该系统检测的准确率和实时性都优于其他算法,准确率最高达到93.9%。对于建立基于机器视觉的设备识别和控制系统有重要意义,可以在一定程度是上取代人工识别和操作。     

前方车辆障碍物检测方法的研究

为降低车辆前方障碍物检测的误警率及冗余报警率,建立毫米波雷达与摄像机数据融合模型;通过毫米波雷达检测初选出有效目标物,借助OpenCV对摄像机采集的图像进行处理,获得障碍物轮廓信息,识别出障碍物;分析障碍物底部阴影特征,并建立图像感兴趣区域,从而判断其是否是车辆类型障碍物;最后在联合卡尔曼滤波算法的基础上提出多传感器信息融合障碍物检测方法。仿真结果表明,运用毫米波雷达与摄像机信息融合能够更有效地检测障碍物相关信息,并提高系统的精确度。     

一种YOLO识别与Mean shift跟踪的车流量统计方法

为了解决车流量统计中存在的车辆识别速度慢、统计准确率低的问题,提出一种YOLO识别与Mean shift跟踪的车流量统计方法。首先将车流量统计划分为车辆识别、跟踪与计数问题,建立高效的车流量统计模型。YOLO算法可对被检区域内车辆快速检测,根据YOLO的回归特性,将Mean shift核函数应用于目标区域得到目标模型,运用巴氏函数计算出候选模型,并对其进行跟踪。Mean shift可根据YOLO提供的最新车辆位置更换目标模型,这样目标跟踪丢失问题便可得以改善。实验结果表明,本文车流量统计模型在车辆识别、计数上有较快的速度和较高的准确度,能够基本满足智能交通中车流量统计的需求。     

基于局部特征提取的目标自动识别

提出一种基于局部特征提取的目标识别方法,用于自动识别不同尺度,视角和照度条件下的目标.首先,建立图像的尺度空间;结合海森矩阵和Harris算法提取局部特征点,计算该特征区域的方向和灰度梯度及方向;统计出每块子区域的标准灰度梯度直方图,得到128维的特征向量.然后,基于主成分分析的降维算法来降低特征向量的维数,加快识别的计算速度.最后,采用特征空间分类器增加目标识别的速度.实验结果表明:基于局部特征提取的目标识别达到了较高的识别率,在视角、尺度和照度变化下的识别率分别为61.9％,80.5％和84.4％,平均识别时间为130.9 ms.与尺度不变特征变换(SIFT)和加速鲁棒特征(SURF)算法相比,本算法不仅在不同的视角,目标尺度及照度条件下具有较高识别率,而且识别速度比SIFT方法高.     

一种基于改进R-CNN的细粒度船舶目标识别方法研究

利用人工智能技术对遥感卫星图像中海域船舶目标识别具有非常重要的现实意义.针对卫星图像中复杂情况对船舶识别带来的干扰,以及小目标船舶高漏检率问题,基于改进R-CNN提出一种细粒度深度学习模型,引入负样本增强学习策略,构建了一种海上船舶识别与分类的深度学习网络.结合试验,与现有成熟的目标识别算法相比,此算法的精确度和召回率都有提高,并且模型具有良好的鲁棒性和适应性.     

车联网环境下考虑前方车辆驾驶人意图的汽车主动预警防撞模型

前方车辆驾驶人意图信息对后方车辆预警防撞模型危险判断至关重要,针对传统防撞模型误警率高、制动不及时等问题,设计了一种考虑前方车辆驾驶人意图的汽车主动预警防撞模型。首先,选择BP神经网络（Back-propagation neural network,BPNN）和隐马尔可夫模型（Hidden Markov model,HMM）作为驾驶行为层与驾驶意图层的主体模型,并利用驾驶模拟器采集的前车制动踏板、加速踏板和车速等意图观测数据作为输入构建意图识别模型,从而实现对前车驾驶人加速驾驶、匀速驾驶、正常制动和紧急制动意图的识别;其次,利用车联网将前车驾驶人意图识别结果与路面附着信息传递给后方车辆,建立考虑前车驾驶人意图的汽车主动预警防撞模型,动态判断碰撞危险并调整预警及制动执行逻辑;最后,为验证所提出的意图识别模型准确性和主动预警防撞模型的有效性,搭建基于Simulink、Carsim及PreScan的联合仿真平台,并进行多工况试验测试。结果表明,所提出的BP-HMM模型对前车驾驶人意图的平均识别准确率为94.17%,优于传统BP或HMM识别模型;主动预警防撞模型在预警测试中的平均正警率为93.43%,与TTC、Mazda及考虑后车驾驶人意图的三种模型相比,平均误警率分别降低了16.12%、23.43%和26.67%,且在自动紧急制动测试工况中均能成功避免碰撞,两车最短相对距离大多保持在2～8 m范围内,平均值为3.698 m,具有更高的安全性和稳定性。     

基于DSP的汽车防撞雷达系统的实现

讨论了一种基于TMs320VC5402 DSP芯片的汽车防撞雷达系统,阐述了系统的工作原理、硬件结构和软件流程,该系统以毫米波雷达作为前端数据收发模块,定点DSP芯片为数据处理核心,采用混合语言编程及LMS算法,有效地提高了系统的运算速度与探测精度,及时准确地发现道路前方潜在的危险目标并进行报警.实验数据表明:该系统工作稳定可靠,可以有效降低交通事故发生率,满足汽车防撞雷达系统的实时性准确性要求.     

基于自适应障碍物识别的汽车主动防撞系统

为了保障驾驶安全,设计了基于自适应障碍物识别和目标跟踪的汽车防撞系统。根据激光雷达工作原理,提出了自适应阈值的最近邻聚类算法用于障碍物识别;根据城市交通实际状况,提出了基于当前统计模型的自适应Kalman滤波跟踪方法;为了提高驾驶舒适度,提出了融入驾驶员习惯的预瞄安全距离模型;对车体进行改装后实验,结果表明的算法能够快速跟踪移动目标,并且具有很高的跟踪精度;在防碰撞试验中,设计的主动防撞系统能够在安全距离及时制动车辆,说明了防撞系统的安全可靠性。     

基于稀疏超完备表示的目标检测算法

基于视觉超完备机制的图像稀疏表示是一种新的图像表征方法.针对目标检测问题,提出了一种基于视觉稀疏超完备表示的计算模型,实现了非结构化场景中的目标检测.该方法首先基于能量模型和评分匹配(score matching)方法建立稀疏超完备计算模型,进而设计了基于神经元响应以及动态阈值策略的目标检测算法,最后通过多类型交通图像验证算法有效性.结果表明,该方法与计算机视觉方法比较具有较高的准确率,能够利用少样本实现大交通流量中目标的检测.