融合Eye Map信息的疲劳检测方法的研究

为降低人眼检测过程的计算量,提出一种改进的融合EyeM ap信息的快速过滤算法。利用基于肤色信息的图像分割,得到感兴趣的人脸区域,缩小了搜索范围,减小了检测的错误接受率;然后使用Haar-Like特征进行级联AdaBoost人眼定位检测,得到潜在的人眼区域,使用EyeMap的快速算法获得准确地人眼区域,再进行二值化处理,计算眼睛的轴向外接矩形以估计出眼睑的闭合程度,结合PERCLOS评判标准进行疲劳状态分析。实验证明：改进算法能快速实时有效地识别驾驶员疲劳时的眼部状态。     

基于眼部特征的疲劳驾驶检测算法研究

疲劳驾驶是交通事故的一个重要致因,文章从驾驶员的面部特征入手,通过肤色特性找到图像中的人脸区域,并采用积分投影法和边缘检测对驾驶员眼睛进行定位,选取眼睛区域面积与人眼图像面积的比值作为眼睛状态评判指标;建立睁眼、半闭眼、闭眼3种状态下的人眼样本,依据3σ准则得到相应的区间范围,从而识别驾驶员的眼部状态,实现一种适合于疲劳驾驶检测系统的改良算法。     

改进的无迹粒子滤波在组合导航中的应用研究

粒子滤波算法是一种适用于非线性非正态约束的统计滤波算法.针对粒子滤波存在退化现象,从围绕增加粒子的多样性和重要性分布函数的选择出发,提出了一种改进的无迹粒子滤波算法.该算法是利用无迹卡尔曼滤波产生的近似高斯分布作为重要性密度函数,在每次迭代中,结合马尔科夫链蒙特卡洛使粒子能够移动到不同地方,从而可以避免贫化现象.将这种算法应用到GPS/DR组合导航系统中,仿真结果证明了采用改进的无迹粒子滤波方法能达到很好的跟踪效果.     

基于多特征融合的疲劳驾驶检测

针对疲劳驾驶检测的特征源单一、辨识率低和实时性差等问题，提出基于多特征融合的疲劳驾驶检测方法。通过SSD目标检测算法进行人脸检测，利用轻量级模型PFLD实现人脸关键点定位。以眼部纵横比、嘴部纵横比和头部姿态为疲劳特征源，提取相关特征，对不同驾驶员疲劳阈值进行标定，基于改进的PERCLOS算法实现疲劳驾驶判定。仿真结果表明：多特征融合疲劳检测系统对自建数据集和YAW数据集的疲劳特征辨识率分别达到了90.5%和94.12%，在实时视频流上的执行效率达到31.59 ms，实现疲劳预警。     

基于分块EnKF的非线性目标跟踪算法

针对滤波航迹的相关性以及初始状态的选择会对跟踪性能产生影响的问题,将集合卡尔曼滤波算法引入到非线性目标跟踪领域,验证了其可行性和有效性,提出了基于分块集合卡尔曼滤波的非线性目标跟踪算法.采用分块思想生成初始集合,使用协方差矩阵加权方法解决分块间的航迹相关问题.仿真结果表明基于分块集合卡尔曼滤波的目标跟踪算法计算复杂度和以往的集合卡尔曼滤波算法同阶的情况下可以提供更高的运动参数估计精度,解决了粒子滤波算法计算量大难以进行实时跟踪的问题.      

用于检测疲劳驾驶的自适应脸部定位方法

针对疲劳驾驶视觉检测技术中驾驶员脸部定位快速性与准确性难以同时满足的情况,提出了一种将肤色和面部几何特征相结合的自适应脸部定位方法。该方法对YCbCr空间肤色相似度和传统Otsu闾值分割算法进行改进,降低了计算复杂度,采用新的区域连通和区域标记算法定位出脸部位置。最后,根据人脸几何特征对脸部区域做进一步确认：试验结果表明,该方法能对驾驶员图像脸部进行快速、准确定位。     

基于蚁群优化模糊C均值聚类算法的疲劳驾驶研究

通过收集大数据对汽车驾驶员的疲劳特征和疲劳参数进行学习,根据学习的参数将驾驶员的疲劳程度进行分类,提出了蚁群优化的模糊C均值聚类算法。在初步聚类中运用蚁群聚类产生聚类中心和簇的个数,提供给模糊C均值聚类;利用模糊C均值聚类再次进行聚类,克服了单个聚类算法的缺点。仿真结果表明:文中方法比一般方法具有更好的性能和聚类效果。利用BP神经网络模式识别功能可以识别疲劳驾驶类别。     

基于机器视觉的行车安全综合保障系统研究

驾驶员疲劳驾驶或精神分散容易导致发生车道偏离以及追尾碰撞等恶性交通事故，利用机器视觉技术监测驾驶员的眼部、嘴部、头部等器官的运动特征，建立基于驾驶员面部视觉信息的疲劳与精神分散状态综合量化评价模型，实现实时有效的动态监测和预警，并系统研究了本车前方车辆探测方法和安全车距的评定准则，实现防追尾碰撞预警。初步试验表明：当驾驶员疲劳驾驶、无意识车道偏离以及行车安全车距过小时，该行车安全综合保障系统能有效地对驾驶员进行警示。此外，根据行车安全保障技术领域的研究现状，还开展了道路上行人检测的技术研究，并取得初步成果。     

基于UKF滤波的水下目标被动跟踪研究

传统算法在解决目标被动跟踪时存在有偏、收敛速度慢或发散等不足,文中将无迹卡尔曼滤波(UKF)算法应用到目标的被动跟踪.该算法是一种以扩展卡尔曼滤波算法为基本框架,以贝叶斯理论和UT变换为理论基础的新型滤波算法.根据UT变换的基本原理给出了滤波过程的具体计算步骤并进行了仿真计算.理论分析和仿真结果表明,UKF算法的性能相当于二阶高斯滤波器,UKF算法在目标被动跟踪中的滤波精度、稳定性和收敛时间都优于EKF算法.     

驾驶员不良情绪状态监测及舒缓系统开发

本系统集监测与舒缓功能于一身实现驾驶员不良情绪状态实时、非接触式地监测及舒缓.该系统首先使用肤色模型算法迅速定位人脸,然后利用累积差分帧和 Hough 变换等实时图像处理技术进行检测、跟踪眼睛和嘴巴的状态并提取相对特征参数,进而与表情模板匹配,以相似度衡量相似程度并最终判定驾驶员的实时情绪状态.如果判定的结果为不良情绪状态,系统将自动播放与之相对应的舒缓曲目,最终达到舒缓驾驶员情绪、保证安全行车的目的.     

Optimal Sensor Decision Based on Particle Filter

Introduction Multi-sensor tracking technique has receivedmuch attention in recent years. Many tracking sys-tems involve basically active (radar) and passive(infrared tracking) subsystems. The main disad-vantage of infrared search and tracking is the prob-lem of observability and filtering divergence. Actu-ally, quite a lot of research activities have beendone in this field and some researchers more thanonce simulated the feasibility of the approach[1,2].The main idea of the methods is as foll…     

铁路轨道异物完整性检测与跟踪算法研究

针对野外复杂环境下轨道异物检测不完整问题,提出基于小波变换的像素过滤思想改进GMM,构建背景模型;为解决异物目标实施机动(转弯、加速或突然出现)时跟踪实时性差和准确率低的问题,分析Kalman滤波线性化误差,搭建BP神经网络修正 IMM的跟踪模型,实现轨道异物跟踪预测,并推导出非线性Kalman滤波关系.实验表明,改进GMM在正常天气下平均前景误检率降低了24.94个百分点,针对复杂恶劣天气平均前景误检率降低了33.76个百分点;建立BP神经网络-IMM-Kalman滤波模型不仅可以快速准确地对场景中的机动目标进行跟踪,而且比Kalman滤波和IMM更加平稳,误差更小.     

Target tracking in standoff jammer using unscented Kalman filter and particle fiter with negative information

To handle the problem of target tracking in the presence of standoff jamming （SO J）, a Gaussian sum unscented Kalman filter （GSUKF） and a Gaussian sum particle filter （GSPF） using negative information （scans or dwells with no measurements） are implemented separately in this paper. The Gaussian sum likelihood which is derived from a sensor model accounting for both the positive and the negative information is used. GSUKF is implemented by fusing the state estimate of two or three UKF filters with proper weights which are explicitly derived in this paper. Other than GSUKF, the Gaussian sum likelihood is directly used in the weight update of the GSPF. Their performances are evaluated by comparison with the Gaussian sum extended Kalman filter （GSEKF） implementation. Simulation results show that GSPF outperforms the other filters in terms of track loss and track accuracy at the cost of large computation complexity. GSUKF and GSEKF have comparable performance; the superiority of one over another is scenario dependent.     

基于均值平移和自适应预测的运动目标跟踪

针对运动目标跟踪算法不足之处,提出结合改进的均值平移与自适应预测的目标跟踪算法,基于Bhattacharyya系数值进行Kalman滤波器与粒子滤波器之间的切换.引入Kalman滤波器为Mean Shift算法估计初始点,在跟踪稳定的情况下进行模板更新,根据Kalman残差大小判定是否发生遮挡：部分遮挡情况下即结合Kalman滤波器实现对快速运动目标的实时跟踪;完全遮挡情况下结合均值平移和粒子滤波进行鲁棒跟踪.实验证明,改进的算法可以有效地提高跟踪算法的效率,并且能很好地解决遮挡问题.     

运动车辆检测与跟踪方法

为提高城市智能交通综合管理能力,提出了基于视频分析的运动车辆检测与跟踪方法。在城市交通干道路面环境中,根据运动目标与道路背景统计特性的差异,基于贝叶斯概率准则,提出一个自适应背景更新算法,检测分离运动车辆目标前景,采用卡尔曼滤波器实现对视频序列中车辆目标的运动检测与实时跟踪,并对在重庆某交通干道的交通流视频进行检测。试验结果表明:该方法在常规视频分辨率下能实现实时处理视频,平均检测准确率为94%,具有较好的实时性与鲁棒性,能够实现城市交通环境中各类运动车辆的检测与跟踪。     

基于方位时差的多站协同目标跟踪

为提高多站无源协同跟踪的精度.提出了一种基于方位时差的目标跟踪方法.从一种拟线性的方位增量卡尔曼预处理方法人手,降低方位观测的误差,利用距离和时差跟踪建立观测方程.使用扩展卡尔曼滤波的方法对目标的运动状态进行估计,并采用分布式估计集中处理的方式融合多站并行估计数据.通过计算机仿真分析了该方位时差方法的跟踪性能.仿真结果表明.该方法对于目标状态的估计与真值偏差较小,能够满足跟踪精度要求.     

基于深度数据的车辆目标检测与跟踪方法

现有基于几何特征的目标检测与跟踪方法误检率较高,目标跟踪过程中的漏检易导致错误的目标关联.针对这些问题,本文提出了一种基于激光雷达(LiDAR)深度数据的车辆目标检测与跟踪方法.根据激光雷达深度数据特性,采用一种基于栅格的参数自动化聚类(PAG) 算法对原始数据进行处理,并在每个聚类中提取目标线段,获取目标特征.在此基础上对车辆目标进行识别,并计算得到目标的位置信息.采用卡尔曼滤波算法,制定滤波器管理策略,完成目标关联及状态估计.最后利用装备有一个前向激光雷达的实验车辆对提出的方法进行验证. 实验结果表明,本文提出的方法可准确识别并跟踪多个车辆目标,避免错误的目标关联.