基于视频图像的车辆灯光状态鉴定方法研究

违法使用车辆远光灯是导致夜间道路交通事故的重要原因之一,针对当前道路交通事故中车辆灯光状态鉴定方法存在的不足,本文基于视频图像,从车载监控视频和道路监控视频两个角度分析视频图像中目标车辆前照灯光斑特征、目标车辆前照灯灯光在道路环境参照物上的投影光斑特征等信息,比对分析视频图像中远光灯、近光灯反馈信息的异同点,总结基于视频图像的车辆灯光状态鉴定方法,为道路交通事故处理过程中充分应用视频物证提供技术保障。     

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CAN总线的智能前照灯控制系统设计

为了解决车辆夜间行驶转弯时安全性和传统前照灯灯光利用率低的问题,设计了一种基于CAN总线的能够提高车辆夜间行驶安全性的智能前照灯控制系统,即汽车自适应前照灯系统。介绍了系统整体的设计,给出了系统主要部分电路图的设计,以及主要程序流程图。根据相关法规和车辆转弯模型,推导出了前照灯转角与车辆转弯半径和车速的关系,进行了仿真,验证了数学模型的可行性,最后在硬件平台上进行了实验验证。     

无人车视频图像中目标物阴影去除方法研究

无人驾驶汽车主要依靠车载摄像头拍摄视频,通过计算机对该视频进行分析,综合道路信息、汽车位置和障碍物等对汽车车辆进行控制,实现对车辆方向和速度的控制,确保车辆可以安全可靠地在道路上行驶。无人车摄像头采集的图像处理是一项重要工作,是车辆系统作出判断的前提输入,通过对车载摄像头所获取的图像处理和分析,研究目标与目标物阴影之间的相关关系,利用图像阴影部分的基本特征,提出图像边界差的阴影检测方法。通过准确检测,利用图像处理技术去除阴影获取目标。     

汽车前照灯检测影响因素分析与对策探讨

汽车前照灯性能检测是汽车检测中的一项重要内容,前照灯技术状况的好坏直接影响了车辆的行驶安全,在《机动车运行安全技术条件》(GB7258—2004)和《营运车辆综合性能要求和检验方法》(GB18565—2001)中都明确规定了对车辆前照灯技术状况进行检测的技术要求。从车辆检测的实际情况来看,在前照灯检测中,其影响因素很多,检测合格率低,而如何避免这些因素对检测结果的影响是车辆检测中的一个难点。     

机动车前照灯的检测与处理方法

前照灯是保证机动车夜间安全行驶及提高行驶速度必不可少的装置。前照灯在使用过程中会出现灯泡老化、发光效率低下、反光镜污暗、聚光性能变差等问题。车辆在行驶过程中受到振动,可能会使前照灯的安装位置错动,从而改变光束正确的照射方向。汽车前照灯的发光强度不足或照射方向偏斜,会出现在夜间行驶时驾驶员看不清或看不远前方的情况,或给迎面来车的驾驶员造成炫目,从而可能引起夜间交通事故发生。因此,为了保证夜间行车安全,前照灯的光束照射位置与发光度检测被列为了安全检测中的必检项目。     

基于图像处理技术的汽车前照灯全自动检测

分析了目前国内广泛使用的全自动前照灯检验仪的检测原理,剖析了该检验仪的固有缺陷。论述了基于图像处理技术的新型前照灯检验仪的检测原理、组成、自动控制原理和处理分析方法。该检测仪能够解决汽车前照灯近光光轴方向的全自动检测问题,其检测精度高、速度快。列举了上海桑塔纳轿车左前照灯远、近光图像特征点     

汽车前照灯智能新技术的应用

<正>前照灯是汽车夜间行驶必不可少的照明设备。为了提高汽车行驶的安全性和方便性,减轻驾驶员的劳动强度,很多新型车辆前照灯均采用了电子控制装置,对前照灯进行自动控制。1前照灯会车自动变光系统图1为自动变光系统工作原理图。在对方没有     

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。     

前照灯电子控制装置种种

为了提高汽车在夜间行驶的速度,确保行车安全,不少汽车上采用了前照灯电子控制装置。常用的前照灯电子控制装置有:前照灯自动变光器、前照灯状态自动调整系统、昏暗自动发光控制系统、前照灯关闭自动延时控制装置。前照灯自动变光器是一种根据对方车辆灯光的亮度自动变远光为近     

1种基于平行直线对模型的车道检测方法

针对智能车辆安全辅助驾驶系统中利用单目视觉进行车道识别的问题,提出了1种基于平行直线对模型的车道检测方法。该方法根据高速公路图像特征构建平行直线对模型,在此基础上先利用 Hough变换提取直线,再由改进的级联 Hough变换检测出平行直线对的消失点,最后通过消失点和先验信息来提取当前车道线。使用M atlab对高速公路上不同路段、不同光照情况、不同车辆干扰下共150幅道路图像进行实验,检测精度达88.6%,平均检测时间为0.24 s。实验结果表明,这一方法在高速公路行驶环境下能较准确地检测出当前车道线,具有很好的光照适应性、抗车辆干扰性和一定的实时性。      

图像处理技术在机动车检测行业中的应用

数字图像处理技术是当前计算机信息技术应用领域的热门,被广泛地应用到现代机动车检测行业当中,本文主要研究分析了图像处理技术在机动车前照灯检测中的应用,包括采用CCD和CAD技术,分析了机动车前照灯的光学性质和生物学作用。本文还研究了图像处理技术在机动车车牌自动识别系统中的应用、图像处理技术在机动车零件检测中的应用、在轮速检测中的应用以及在机动车类型自动识别当中的作用,充分体现了数字图像处理技术的可靠性和灵活性。     

基于边界点分布特征的夜间道路检测算法研究

提出一种在结构化道路情况下的夜间道路标志线检测算法。选择邻域均值滤波、Sobel算子和最大熵分割算法对道路图像进行预处理。结合道路灰度图像与道路边界图像,分析夜间道路边界点的分布特征,将道路边界点划分为到4个点集。针对虚假道路边界点,应用多方向搜索方法予以消除。选用2D的直线模型,采用改进的Hough变换从预处理后的图像中获取道路几何特征参数,最终检测出道路边界。试验结果表明本算法可靠、有效,户外试验中具有很好的鲁棒性。     

快速处理倒车影像的设计研究与实现

详细分析当前基于Android系统的车载中控和智能后视镜倒车影像显示系统在系统启动阶段显示慢的问题,如果驾驶员强行倒车可能会带来安全隐患,以及双系统的处理方案成本高,市场接受度不高。通过深入分析车载中控和智能后视镜的Android系统启动流程,提出了一种在U-boot中处理倒车影像显示的解决方案,可以快速处理倒车影像显示,从系统上电到显示倒车画面在2.5s左右完成,非常迅速,也充分考虑了在U-boot过了倒车检测点到内核启动完成具备倒车显示功能时这段盲区的处理方案,充分保障了启动阶段能够快速处理倒车影像显示的功能。该设计不增加硬件成本,经济性好,便于普及。     

基于视频的单车道车辆逆行检测方法

针对城市单车道车辆逆行违章检测问题,研究了基于视频的单车道车辆逆行违章自动检测方法。使用背景差分法进行车辆检测;用 Harris角点特征补充Mean-shift算法的颜色特征,提高车辆跟踪精度,以此得出被跟踪车辆的运动轨迹;通过计算机对运动轨迹进行分析,自动地判断其是否为逆行。从逆行检测正确率和计算量两方面进行了对比实验,实验结果表明,该方法对车辆逆行检测效果良好。车辆平均逆行识别率达到约87.55%,与对比方法基本相当;在计算时间方面,文中方法平均每帧计算时间比对比方法少约1956ms,更具快速性。      

专用短程通信辅助的车辆卫星定位故障检测方法

为了确保卫星定位性能满足特定协作式智能交通应用需求,提高车辆定位系统的故障容错能力,针对车辆卫星定位的自主故障检测与性能优化问题,提出基于专用短程通信辅助的卫星定位故障检测方法,充分利用专用短程通信设备的测距率观测信息,实现故障检测对不同类型卫星可视条件的有效适应。基于专用短程通信多普勒观测特性,构建基于载波频偏的车间测距率观测模型;设计卫星定位与专用短程通信组合观测与解算框架;基于容积卡尔曼滤波提出适于非线性观测特征的故障检测、识别与排除算法,并叠加量测噪声方差矩阵动态调整策略,对故障检测性能进行优化;基于实测试验检验车间测距率的观测性能,并运用实车轨迹对多车协同运行及定位采集过程进行仿真,检验所提出方法的故障检测性能。研究结果表明：提出的方法有效解决了常规接收机自主完好性监测算法受卫星可视条件限制的问题,所引入的量测噪声方差矩阵调整策略提升了故障检测及故障排除性能的稳定性,在给定仿真场景中,常规卫星观测条件下阶跃故障、斜坡故障排除率相对常规方法最高可分别提升52%、18%,受限观测条件下不同水平2类故障的排除率最高分别可达100%、89%,边界观测条件下不同水平2类故障的检测率最高分别可达100%、96%。研究结果对于充分发挥车-车协同模式的核心优势、保障车辆定位性能具有重要价值。     

基于复式伸缩窗的车辆排队与消散快速检测算法

基于视频图像处理方法,提出了一种复式伸缩窗来实时跟踪交叉口排队车辆队尾和队头的位置变化,从而准确描述交叉口车辆排队形成和消散过程。通过检测指定区域内车辆是否存在和是否运动,分别构建跟踪排队队尾和队头的队尾伸缩窗和队头伸缩窗。描述排队首尾伸缩变化的复式伸缩窗则由这两个伸缩窗相互协作所构成。根据跟踪队尾和队头的结果,车辆排队长度和停车延迟时间等重要参数就可以轻易得到。试验结果表明本文算法能实时准确地跟踪队尾和队头的位置,能适应不同天气环境和光照变化,其准确率达到92%以上,较好地满足车辆堵塞监控和交通信号灯控制的需要。     

视觉检测在车辆尺寸测量上的应用

设计了一套非接触在线检测系统,该系统基于近景摄影测量原理,与传统测量方法相比,它可以快速地对目标车辆的长宽尺寸进行非接触检测。利用图像处理的方法,对几种边缘提取算法进行比较,提取图像的边缘,计算其尺寸,再将图像尺寸转换为实际尺寸。指出这一算法可以应用到检测线模糊车型的区分等领域,具备一定的应用前景。     

基于嵌入式计算机技术的超速视频检测系统设计

现代交通中,车辆速度检测在实时性、准确性等方面存在不足,故引入了一种基于视频的车速测量方法。在嵌入式技术的支持下,通过高速CCD传感器采集视频信息并实时量化,然后在DSP的支持下以相对小的系统规模,高速准确地抓拍超速车辆视频,再经过视频图像分析和算法处理。准确得出车辆速度。该系统以ARM作为主控,以FPGA作为数据堆栈,实时性强,满足了高速视频信息处理的速度要求,有利于快速检测出车辆的即时速度,进而准确判断车辆超速情况。     

面向多元场景结合GLNet的车道线检测算法

各种复杂环境下路面车道线的高效精确检测是自动驾驶领域中车道偏离预警系统的关键性技术之一。由于车辆实际运行环境的复杂性和路面车道线的多样性，现有方法在车道线检测的准确性和鲁棒性上仍需不断增强。提出一种面向多元场景结合GLNet的车道线检测算法。首先采用改进Gamma校正对待检测路面图像预处理，消减光照不均匀、夜晚等环境干扰，增强车道线纹理。然后为增强数据集的多样性，在LaneNet网络的基础上引入对抗生成网络DCGAN，构建GLNet网络模型。该模型采用编码-解码的网络结构提取车道线特征（车道蒙板和像素点），通过DBSCAN聚类算法将不同车道线划分为不同的实体，使用H-Net网络学习的视觉转换矩阵优化并拟合输出车道线。最后基于已训练好的GLNet权重模型对车道线进行精确提取，并在Tusimple数据集和自制数据集上测试验证。试验结果表明：该方法的检测准确率可达97.4%，相较于基于LaneNet网络的车道线检测算法明显提高；DCGAN网络的加入丰富了数据集类型，并提高了该模型的表征及分类能力；DBSCAN聚类算法的平均聚类时间约为0.016 s，相较于Meanshift算法运行效率更高。所提出的方法考虑了不规范、环境复杂等多种道路类型的车道线检测任务，提升了对复杂噪声与多元场景的处理能力，在车辆辅助驾驶领域具有较好的鲁棒性和适用性。