基于汽车前照灯的夜间车辆定位方法研究

全天候车辆视频检测白天和黑夜车辆时其检测条件差异很大,要选择不同的检测方法。在夜间无补光光源环境下,将摄像机获得的彩色视频图像进行灰度处理,夜间图像中汽车前照灯具有很强的特征,因此对灰度图像进行二值化处理和灰度统计来提取前照灯的特征,根据汽车前照灯在画面中的形态特征设计了相应的定位算法,实现了夜间车辆的定位检测。实验结果表明,该方法实现夜间车辆定位的突出特点是定位准确,且定位时间短,满足了视频交通系统实时性的要求。     

一种基于YUV彩色空间的运动车辆阴影消除方法

采用一种基于YUV彩色空间的方法来检测并消除交通视频图像序列中的运动车辆的投射阴影.通过对前景运动区域像素的亮度、色度和梯度密度的计算,得到一个阴影判断函数.利用阴影判断函数并结合边缘检测在前景运动区域中检测和消除车辆的投射阴影.     

基于图像纹理分析的动态车辆识别方法研究

在智能交通系统中,动态图像识别技术是系统应用的基础核心技术之一。以应用于交通监控、智能驾驶系统等场景的HSV空间动态车辆识别为基础,研究并论证提出了新的检测识别方法,实现对运动车辆的检测识别、目标追踪、驾驶辅助等功能。研究问题的难点是,如何从复杂的背景中分割运动物体,是检测方法能否有效的至关重要的一步,在研究了目前存在的各种方法之后,提出了一种新的基于阴影检测的HSV空间自适应背景模型的车辆追踪检测算法,算法基于HSV空间图像处理,采用最大类间方差法获取相邻帧二值化阈值,利用纹理信息进一步确定动态图像以及确认图像范围。通过截取由监控系统获取的视频信息,并对其进行图像处理检测车辆移动轨迹。从监控视频信息中获取两帧不同时刻的图像信息,在HSV空间进行相邻帧检测。由于阈值的选择将直接影响判断精度,本研究将固定阈值法进行了改进,该阈值是通过统计模型对整幅图像上灰度值进行计算,并通过最大类间方差法确定阈值。最后经过实际视频图像验证,仿真试验流程清晰,试验结果达到预期设想。     

复杂路面环境下前方车辆识别目标函数的选取

首先利用道路边界信息限定车辆的存在范围,以提高识别的实时性.接着根据灰度图像上车辆底部的灰度特征、方差特征和下边界梯度特征构造车辆检测目标函数,以指导在车辆存在区检测前方车辆.最后利用区域增长方法剔除由噪声引起的误判.实验验证表明,在复杂环境下该目标函数能够有效地消除大量无规则噪声的影响,并能准确地识别出车辆目标.     

城市混合交通场景中的多目标参数检测

针对城市混合交通的复杂场景图像中多目标及其参数的检测问题,提出了一种由改进的帧间差分与边缘提取相结合的算法。利用帧间差分法检测车辆的存在,对帧差图像运用统计滤波算法提取多运动目标,通过形态学方法提取并细化目标边缘,根据主边缘（轮廓）信息完成车辆定位,最终结合摄像机标定结果计算出多目标交通参数。算法避免了复杂场景的背景建模,减少了运算量。实验结果表明,该算法不仅能较为准确地检测多运动目标的参数,而且具有较强的实时性。     

基于雷达和视觉技术的车辆跟踪窗口

针对基于视觉技术的运动检测鲁棒性差、计算量大的缺点,提出一种融合雷达与视觉信息建立车辆跟踪窗口的方法。采用动力学模型描述车辆运动,通过基于雷达量测的扩展卡尔曼滤波(EKF)估计,确定目标初始位置,然后根据灰度信息自适应调整跟踪窗口的中心位置及尺寸,快速而准确地建立起以目标形心为中心且适合目标大小的跟踪窗口,缩小了后续图像处理区域。三维场景仿真实验证明,该融合方法能快速有效地建立起目标的跟踪窗口。     

基于Kinect深度虚拟线圈的夜间车流量检测

针对夜间环境下基于摄像机的车辆检测方法存在精度低、稳定性差以及无法对车型进行有效识别等问题,提出一种基于Kinect深度虚拟线圈的夜间车辆检测与计数算法.首先对Kinect深度图像进行预处理,分别获得运动目标深度图(MDM)与空洞深度图(HDM).然后在MDM与HDM上设置虚拟线圈,利用积分图像分别生成对应的一维运动信号,对其进行加权合成获得对车辆运动特征的表达,并在合成的运动信号范围内检测出车辆目标,并计算出车辆目标的几何特征,通过SVM对车型进行有效识别.实验结果表明,该算法对于单双车道的车辆计数正确率分别高达99.75%与99.25%,大小车型分类正确率可达99.80%,处理单张图片的平均时间仅为7 ms.      

基于Top-Hat-Canny的汽车前视摄像头图像边缘检测方法研究

针对汽车前视摄像头(Forward View Camera)拍摄存在噪声及光照不均匀的问题,提出一种基于顶帽算法TopHat Canny的多重边缘检测图像预处理方法。通过对前视摄像头拍摄的道路行人、车辆及障碍物的图片进行分析,采用小波阈值算法分别对彩色图像(Red-Green-Blue,RGB)3个空间分量进行滤波去噪,并经加权平均法对重组的3个分量灰度化处理后,采用Top-Hat-Canny多重边缘检测方法对图像进行处理。实验仿真结果表明:该方法可以有效地解决噪声及光照不均对图像边缘检测带来的影响,为后续目标识别工作提供基础。     

基于倾向流和深度学习的机场运动目标检测

针对当前基于视频图像的场面监视目标检测方法存在定位误差较大,识别准确率低等问题,建立一种结合目标运动信息的机场场面运动目标检测方法:利用倾向流法提取出运动目标在图像中的候选区域,对候选区域执行点池化操作以确定区域建议的边界,采用Inception结构构建一个浅层卷积神经网络,并使用该网络对区域建议中的航空器、车辆和人员进行识别.结合国内机场的监视视频,构建了一个包含4 938张图片的机场目标数据集,用于算法的训练和测试.结果 表明,运动目标提取的准确率达到94%以上,运动目标识别的Top-1准确率达到了97.23%,运动目标平均准确率达到86.23%.与3种深度学习目标检测算法相比,运动目标检测精度平均提升了39%.      

基于视频图像的车辆计数新方法

针对道路车流量检测问题,从便捷性、实时性角度出发,结合视频图像处理技术,对视频车辆计数进行了研究。直接在RGB图像中进行自适应背景更新,以此为基础,对RGB图像进行背景差分,提取出运动车辆区域,避免了复杂环境下图像灰度化过程中的信息丢失;利用当前帧和背景帧的HSI颜色空间信息来滤除阴影;通过在视频图像中设置固定虚拟检测区,实现对车辆的计数。实验结果表明,该方法计算量较小,白天情况下的计数准确率在89.58%以上;夜间的计数准确率较低,还需进一步研究改进。     

基于目标空间分布特征的无人机航拍车辆实时检测技术研究

针对无人机航拍视角下存在整体图像分辨率高但占比较高的小尺度车辆检测特征点稀少这一问题,从卷积网络检测器针对性优化与基于目标分布特征的航拍图像自适应切分2个角度综合考虑,提出一种基于目标空间分布特征的无人机航拍车辆检测网络DF-Net。以单阶段目标检测框架SSD为基础,引入深度可分离卷积和抗混叠低通滤波器对网络结构进行优化搭建E-SSD,为后续检测网络搭建提供高效检测器;接着基于条件生成对抗CGAN思想构建密度估计网络生成器,从而得到航拍图像中车辆的准确分布特征,生成高质量的车辆密度图;将E-SSD与车辆密度估计网络结合,对车辆密度图进行自适应切分,并将切分后的局部图像与全局图像一同输入E-SSD,最后在决策层融合检测结果,由此实现对航拍视角道路交通场景下车辆目标的精确高效检测。在试验中,一方面将设计的基于目标空间分布特征的无人机航拍车辆检测网络DF-Net与E-SSD进行对比分析,另一方面将DF-Net与航拍目标检测领域表现较为优秀的网络进行比较。研究结果表明：设计的方法对于2个试验在均值平均精度指标上均有提升,与E-SSD网络对比时提升了至少4.4%,与航拍目标检测领域优秀网络比较时也有一定提升,并保持了较好的实时性。     

图像处理技术在混凝土桥梁裂缝检测中的应用研究

通过设置裂缝提取流程,经过灰度化、图形增强、空间滤波以及灰度阈值分割等裂缝图像预处理技术,对桥梁裂缝检测图像进行特征提取,并作出判断,避免了将干扰物误认为裂缝目标的现象。实践证明:这种方法对提取桥梁检测图像中的裂缝是准确有效的。     

基于CNN技术的灰度视频交通图像边缘检测

车辆或道路的边缘是灰度视频交通图像的重要特征，文章采用细胞神经网络技术，合理地选择了网络参数，并编制了基于Matlab 5．3平台的程序，将其用于检测灰度交通图像的边缘。经算例与传统的Sobel方法进行比较，证明采用该方法提取交通图像边缘是有效的，实用的，并通过分析推荐了网络参数。     

车路协同系统中的车辆精确定位方法研究

为了解决车路协同系统中车辆定位误差较大的问题,提出了一种基于信息标识识别的车辆定位方法。该方法设计了一种能够储存道路信息的信息标识,并在路面上设置信息标识。当车辆驶过标识时,安装于车上的成像装置实现对信息标识图像的拾取。利用加权最小二乘法对图像进行直线拟合得到车辆的运动方向,识别图像信息得到车辆的精确位置,结合车辆对于自身运动状态的感知,从而实现车辆的精确定位。试验结果表明,车辆的运动方向检测误差仅为0.71°,定位误差仅为2.17 cm。可见该方法在车辆定位上更为直接、准确、成本低廉。     

基于单目视觉的夜间前方车辆检测方法EI北大核心CSCD

为提高夜间行车的安全性,提出了一种基于单目视觉的夜间前方车辆检测方法。该方法利用最大类间方差法自动确定阈值,从背景中抽取出前车尾灯,并根据HSV颜色空间的颜色阈值剔除非尾灯目标,利用Kalman滤波方法将图像分为跟踪区域和检测区域,在两个区域内分别进行尾灯配对,根据尾灯对之间特征相似性的比较,剔除误检的车辆;跟踪区域中漏检的车辆,根据前一帧检测的车辆位置和正确抽取的尾灯来估计,以实现车辆检测。实验结果表明,该算法能准确检测夜间前方车辆,有效降低漏检率和误检率。     

基于固定场景视频的运动车辆检测

为提高智能交通系统中运动车辆检测的效率,在固定场景视频下基于类Haar特征和AdaBoost算法提出了一种运动车辆检测方法.通过提取交通监控图像的扩展类Haar特征,在OpenCV平台上应用AdaBoost算法进行特征提取及训练得到级联分类器,利用级联分类器进行固定场景视频的运动车辆检测.测试结果表明,该方法具有良好的实时性和鲁棒性,在智能交通领域有广泛的应用前景.     

基于视频图像处理的车辆排队长度检测

综合灰度检测和边缘检测的优点，提出了一种将灰度与边缘检测相结合的方法来检测队列长度，采用帧平均法来处理视频流，可以减小由于摄像头抖动或背景微小变化而产生的误差。提出的队列检测算法包含运动检测和车辆存在检测，通过合理分配使用这两种操作，节省了运算时间。实验结果表明，此方法实现简单，能够获得较满意的检测结果。     

基于单目视觉的夜间前方车辆检测方法

为提高夜间行车的安全性,提出了一种基于单目视觉的夜间前方车辆检测方法。该方法利用最大类间方差法自动确定阈值,从背景中抽取出前车尾灯,并根据HSV颜色空间的颜色阈值剔除非尾灯目标,利用Kalman滤波方法将图像分为跟踪区域和检测区域,在两个区域内分别进行尾灯配对,根据尾灯对之间特征相似性的比较,剔除误检的车辆;跟踪区域中漏检的车辆,根据前一帧检测的车辆位置和正确抽取的尾灯来估计,以实现车辆检测。实验结果表明,该算法能准确检测夜间前方车辆,有效降低漏检率和误检率。     

基于边缘对称性的车辆前方行人检测方法研究

利用视觉传感器信息丰富的特性，提出了一种基于边缘对称性的行人检测方法。利用Sobel算子和Hough变换确定车辆前方的感兴趣区域（AOI），然后提取感兴趣区域图像的垂直边缘，根据行人腿部的垂直边缘对称性确定垂直边缘对称轴，并结合行人形态特征以确定行人初始候选区域，最后采用灰度对称性和局部熵对行人候选区域进行目标识别验证。道路试验结果表明，该检测方法识别有效、可靠，并具有良好的鲁棒性。     

一种针对于行人及车辆图片的自动彩色化模型

行人检测目前是智能汽车领域的一个研究热点,如何高效、准确地识别行人是技术关键。然而我们所提取到的图像往往为灰度图像,忽略了颜色特征,文章结合全局先验及局部图像特征,提出了一种新的方法来自动彩色化灰度图像。基于深度卷积神经网络,可以很好的融合局部特征。此外,不同于现有的大部分基于CNN的方法,本文的架构可以处理任何分辨率的图像。与目前一般水平相比,文章通过用户研究证实了自身方法的优越性。此外,证明文章的方法可以适用于许多不同类型的图像。