城市复杂环境下基于三维激光雷达实时车辆检测

针对目前车辆检测准确性不高的问题,提出一种在城市复杂环境下单帧准确实时检测静止或运动车辆的算法.车辆检测系统采用三维激光雷达点云和二维栅格相结合,其中障碍聚类和障碍块轮廓在二维栅格地图上提取,而障碍检测和车辆检测在三维点云数据上处理.检测准确性的高低主要取决于所选的特征是否具有很好的区分性.针对几何形状相似难以区分和物体遮挡等问题,采用3种特征描述:反射强度概率分布、纵向高度轮廓分布和位置姿态相关特征,并利用支持向量机(SVM)训练分类器实现车辆的实时检测.实验中比较和分析了不同单特征和综合特征的检测性能,结果表明:自主车在城市环境下能以每帧200ms实时准确地检测环境中的车辆.     

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.     

激光雷达动态障碍物检测

为了解决在未知环境情况下障碍物运动状态的检测问题,提出一种基于激光雷达自主动态障碍物的检测方法.通过近邻域法和规则分类器算法对激光雷达检测的数据进行聚类;在此基础上分析了聚类障碍物的特征参数,利用聚类障碍物数据的置信区间关联性分析确定了障碍物的类型,对同一类型障碍物进行相对坐标转化分析确定了障碍物的速度、航向.实验结果表明;该方法能够在25ms内实现对车辆通行区域内的障碍物进行有效的聚类,从而实现对同一障碍物速度和航向的检测.     

Kinect与二维激光雷达结合的机器人障碍检测

在Kinect相机和二维激光雷达结合的基础上,提出了一种适用于移动机器人、低成本的障碍物三维感知方法。该方法首先通过Kinect相机和二维激光雷达联合标定建立深度图像点与激光雷达测距点的对应关系,然后,融合二者的检测数据得到环境障碍物位置。具体步骤为:1）Kinect相机与二维激光雷达分别从环境中获取深度图像和二维激光数据;2）将深度图像转换成虚拟二维激光数据;3）根据联合标定得到的对应关系融合虚拟激光数据与二维激光雷达数据,得到障碍物的位置。实物测试证明该方法正确有效,可用于移动机器人对环境障碍物的判断。     

基于MHT的多物体跟踪算法

探讨了多假设跟踪算法(MHT)在多物体检测跟踪系统中的应用方式.该方法采用卡尔曼滤波算法实现跟踪轨迹假设,采用LAP算法实现数据关联,将预测和视频采集测量值结合得到最优跟踪轨迹.实验表明,该方法在实践中达到了较好的效果.     

基于欧几里得聚类算法的三维激光雷达障碍物检测技术

利用三维激光雷达对车辆前方障碍物进行辨识过程中,车辆的运动导致点云数据出现畸变,传统欧氏聚类方法也无法同时对远处和近处的障碍物进行精确检测,从而导致错误的聚类结果,容易出现障碍物误检或漏检的情况。针对上述问题,提出了一种对三维激光雷达点云数据去畸变的方法,同时改进了欧氏聚类方法,使其能自动更正距离阈值,从而使障碍物检测更加快速准确。对本文方法进行了实车试验,试验结果表明:本方法能同时快速准确地检测出较近和较远的障碍物。     

基于SOPC的实时运动目标检测与跟踪系统

设计了一种以FPGA为核心处理器件的实时运动目标检测与跟踪系统,采用基于累积差分更新的背景减除法检测运动目标,卡尔曼滤波和直方图匹配算法对目标进行跟踪。实验结果表明,该系统能对静态背景视频序列中的运动目标实时有效地进行检测和跟踪。     

基于动态规划的多目标复合检测与跟踪算法

基于动态规划的多目标检测跟踪算法涉及计算量爆炸和邻近目标难分辨的问题．针对实际应用中目标个数未知和环境中强弱目标并存限制的情况,提出一种基于动态规划的多目标复合检测与跟踪算法．首先利用传统恒虚警率(CFAR)算法进行一次检测,实现对强目标的检测和剔除;然后采用基于动态规划检测前跟踪算法对一次检测后的数据进行分区动态规划,实现对微弱目标的检测与跟踪,从而实现复杂环境下密集目标的有效探测．通过仿真和实测数据对本文算法性能进行了验证,结果表明该算法的高效性和稳健性．     

基于马尔科夫随机场的三维激光雷达路面实时分割

针对多类型场景下三维激光雷达地面高准确性实时提取问题,提出一种基于马尔科夫随机场的路面分割算法.算法对三维点云进行滤波和位姿修正,采用基于最大模糊线段法对每条激光雷达扫描线在x-y平面上的投影进行分割,使用角点检测准确定位每条线段端点.利用原始雷达数据结构信息,建立以线段为节点的无向图马尔科夫随机场,通过分析线段长度、相邻线段间的距离、梯度以及垂直高度差等特征,构建能量方程,用图分割的方法求出最优解,并将线段标记为2类:地面区域和障碍区域.分别在城市平坦路面和乡村起伏道路场景下进行实验,结果表明:与现有算法相比,本算法地面提取准确率更高,在颠簸的乡村道路区域具有更高的稳定性.     

多层激光雷达在无人驾驶车中的环境感知

为了使无人驾驶车获得可行驶区域和障碍物信息, 通过分析大量激光雷达扫描点数据, 总结并得出路沿数据点独有的特征, 提出一种基于路沿数据点特征和多层融合技术的路沿检测算法.应用Dezert-Smarandache理论 (Dezert-Smarandache theory, DSm T) 对无人驾驶车前方道路环境建立栅格地图, 并利用证据理论中的冲突系数检测动态障碍物.最后, 采用膨胀算法、侵蚀算法和改进的八邻域区域标记算法对动态障碍物进行聚类和信息提取.实车实验结果表明:本算法可稳定、准确地感知无人驾驶车周围环境信息.     

基于单目RGB摄像机的三维人脸表情跟踪算法

利用单目摄像机对人脸表情进行三维跟踪有两个关键问题,一是从单幅图像中重建人脸的三维模型,二是建立不同三维模型之间稠密的对应关系。针对上述问题,提出一种有效的三维人脸表情跟踪算法。对输入的各帧人脸图像进行自动特征点检测,并根据2D特征点,利用Multilinear Model重建不同表情的三维模型。通过将三维模型重投影至图像空间,计算各帧图像间的Optic Flow与Sift Flow对应。根据图像间的对应关系,利用Laplacian网格变形对三维模型进行修正,建立不同表情之间三维的稠密对应。试验表明,该方法可以重建出较为真实的三维人脸表情模型,同时可以精确跟踪连续变化的三维表情序列。     

基于双目视觉跟踪的三维拼接技术

为了扩大三维面形测量的视场,提出了基于双目视觉跟踪的三维拼接技术。采用了两套双目测量系统,一个为全局的跟踪系统,一个为测量系统。在测量系统上固定一个7×7棋格靶标作为中介,将每次测量系统测得的物体三维点坐标转换到统一的全局坐标系下完成拼接。测量系统采用的是投影格雷码结构光加上双目视觉原理的方法获得物体三维点坐标,实验结果证明了该方法的可行性和有效性。     

结构化道路车道线的鲁棒检测与跟踪

针对智能车在视觉导航过程中车道线检测的鲁棒性和实时性问题,提出一种适用于结构化道路的车道线鲁棒检测与跟踪方法。首先,简化的Sobel算子提取车道线边缘图像,将边缘图像与改进的Otsu方法得到的车道线分割图像进行融合,实现对车道线标记点的鲁棒检测;然后,采用迭代最小二乘方法拟合车道线标记点并去除干扰点,并根据拟合参数建立车道线模型;最后,引入尺度无迹卡尔曼滤波(SUKF)对车道线进行跟踪。通过对多段实地采集的视频进行了仿真实验,结果表明,该方法对于高速公路车道线的检测率可达到99%,并具有较好实时性能;对于受损和弄污的城市道路车道线也体现出较好的鲁棒性和时间性能。     

基于无味粒子滤波的动态场景下高机动目标跟踪

针对传统粒子滤波的目标跟踪算法存在粒子退化问题,提出了基于无味粒子滤波(UPF)的目标跟踪算法。为了将当前观测信息融入,采用无味卡尔曼滤波(UKF)生成粒子滤波的提议分布,以改善滤波效果。针对目标在机动过程中引起的视觉形变以及背景的变化,又采用了颜色直方图作为目标的颜色分布模型,并与UPF相融合。仿真结果表明,该算法对动态场景下的高机动目标有较好的跟踪效果。     

高动态条件下改进的EKF载波跟踪环路

针对高动态环境下扩展Kalman滤波器跟踪环路的性能,分析了该跟踪环路的带宽特性,建立了环路带宽的数学模型.在此基础上,提出了一种改进的扩展Kalman滤波器跟踪环路.在不同条件下对2种算法的环路带宽特性做了分析比较,结果表明改进算法的环路带宽比NASA提出的常规算法显著减小.在相对加加速度为100 g/s的高动态条件...     

多站测角的最小二乘交互多模型跟踪算法

在多站测角的被动目标跟踪中,目标的状态与角度量测值之间存在非线性关系,现有的方法主要是对其进行线性化,但线性化过程会带来滤波精度的下降,甚至会产生滤波发散而丢失目标．针对这一问题提出一种新方法,采用最小二乘法对多个观测站测得的目标角度信息进行融合,估计出目标的状态,将状态估计作为卡尔曼滤波的伪量测,然后采用交互多模型算法跟踪机动目标．仿真结果表明该方法可实现多站测角机动目标的跟踪,其跟踪误差远小于现有的跟踪方法．     

自适应Kalman滤波的运动物体跟踪算法研究

针对实时视频中的运动物体跟踪问题,提出了一种基于自适应Kalman滤波的运动物体跟踪新算法。首先利用基于∑-△背景估计算法检测运动物体,并提取主要颜色特征。然后构建物体运动模型,并生成自适应Kalman滤波的系统状态模型。最后利用主要颜色特征进行物体跟踪,其结果反馈给自适应Kalman滤波器,并通过遮挡率自动调整参数达到正确跟踪。实验结果表明,所提出的自适应Kalman滤波算法在运动物体被遮挡等复杂条件下的鲁棒性好,还具有跟踪准确性高和数据计算量小等优点,可用于实时运动物体的检测与跟踪。     

高效和鲁棒行人检测与跟踪算法研究

针对行人目标过小出现漏检和很难对具有多模态行人进行稳定跟踪等问题,提出一种高效和鲁棒的行人检测与跟踪方法。对于行人检测,设计了具有自适应调整滑动搜索窗口尺寸的梯度方向直方图(HOG)行人检测器搜索前景区域。在跟踪过程中,对每个行人建立基于前景区域的混合加权直方图模型,使用卡尔曼滤波对行人进行跟踪,获得候选区域并计算行人混合模型与候选搜索区域的匹配程度,同时根据匹配程度,给出一种混合模型在线更新策略,以确保跟踪的鲁棒性。实验结果表明,该方法提高了行人检测与跟踪的效率和准确率,解决了2人交叉导致跟踪失败的问题。