基于深度置信网络的多源信息前方车辆检测EI北大核心CSCD

本文中以深度置信网络为理论基础,提出了一种多源信息的前方车辆检测方法。首先将毫米波雷达和摄像机进行联合标定,确定两个传感器坐标系之间的转化关系。然后通过对毫米波雷达数据进行预处理完成前方障碍物的标签分类,获得前方车辆目标和其他类障碍物的数据。接着利用深度置信网络对数据进行训练,完成前方车辆的初识别。最终根据常见车型宽度和高度的统计数据获得前方车辆识别的验证窗口。实验结果表明,采用所提出方法前方车辆识别的正确率为91.2%,单帧图像的总处理时间为37ms,有效地提高了系统实时处理速度,尤其对阴天、夜间、轻雨或雾霾等恶劣的道路环境中的车辆有良好的检测效果,能满足汽车辅助驾驶对于准确性和稳定性的要求。     

融合毫米波雷达与深度视觉的多目标检测与跟踪

针对现有融合毫米波雷达与传统机器视觉的车辆检测算法准确率较低与实时性较差的问题,本文中对多目标检测与跟踪进行研究。首先,利用阈值筛选和前后帧数据关联方法对毫米波雷达数据进行预处理,进而提出一种用于毫米波雷达数据跟踪的自适应扩展卡尔曼滤波算法。然后,为提高目标检测精度与速度,基于采集到的实车数据集训练卷积神经网络,完成深度视觉的多车辆检测。最后,采用决策级融合策略融合毫米波雷达与深度视觉信息,设计了一种用于复杂交通环境下前方车辆多目标检测与跟踪的框架。为验证所设计的框架,进行了不同交通环境下的实车实验。结果表明:该方法可实时检测跟踪前方车辆,具有比融合毫米波雷达与传统机器视觉的车辆检测方法更好的可靠性与鲁棒性。     

一种基于雷达和机器视觉信息融合的车辆识别方法

为提高先进驾驶员辅助系统对车辆前方环境识别的准确性,提出一种基于雷达和视觉传感器信息融合的车辆识别方法。系统工作前预先对毫米波雷达和摄像头进行联合标定,并确定雷达坐标系和摄像头坐标系的变换关系。车辆识别过程中,首先根据雷达信息确定图像坐标系中的车辆识别感兴趣区域;然后对感兴趣区域进行对称性分析获得车辆对称中心,并对车辆底部阴影特征进行分析处理完成车辆边缘检测;最后根据逆透视变换得到车辆识别宽度,根据识别宽度对识别结果进行验证。结果表明该算法具有较强的环境适应性和准确率,弥补了单一传感器在车辆识别中的不足。     

多感知信息融合的车辆感知方法研究

为提高前方车辆检测的速度和准确率,本文采用一种毫米波雷达与机器视觉融合的感知方法。结果表明,该方法的准确率为93%,单帧数据的处理时间为42 ms,满足智能客车对前方车辆检测的要求。     

基于LabVIEW和激光雷达的智能车辆障碍物检测

将LabVIEW引入智能车辆研究与应用领域,提出基于LabVIEW和激光雷达的智能车辆障碍物检测系统。该系统采用激光雷达探测智能车辆前方的物体,测到的距离数据经串口传输至计算机（LabVIEW）后,由LabVIEW对数据进行处理和分析,完成智能车辆前方障碍物检测。该系统设计了激光雷达控制、串口VISA操作、数据采集、处理及存储、直角坐标和极坐标图像、障碍物检测等程序。实验结果表明,该方案是可行的,可以作为研究智能车辆技术的一种新的方法。     

车辆前方行驶环境识别技术探讨

基于雷达和视觉技术对车辆前方行驶环境识别,进而判断车辆安全状态和实现纵向横行运动状态警示和控制,其是实现汽车安全辅助驾驶的主要技术途径。介绍车辆前方行驶环境识别涉及到的雷达和视觉的一些技术,其中包括雷达种类和适用场合,雷达检测障碍物的算法,车用图像的性能要求,基于图像特征和模型的车道线识别的方法,利用图像实现其他环境信息识别的方法。     

基于机器学习的毫米波雷达车辆目标检测

为了提高毫米波雷达对前方车辆检测的准确性,本文提出一种基于机器学习的前方车辆检测方法。结果表明,该方法满足智能客车环境感知系统对于实时性和准确性的要求。     

防患于未然——汽车毫米波雷达

伴随着汽车电子科技的发展,汽车雷达已经发展成为主动安全系统中不可或缺的重要技术。丰田国王的“侧前方预防碰撞安全系统”作为新一代汽车雷达的代表。更是展示出了其毫米波雷达的绝对优势。侧前方预防碰撞安全系统共有三个毫米波雷达（全车共有四个毫米波雷达）,除了原来用于检测前方车辆的毫米波雷达之外,还在保险杆的左右侧安装了侧前方用毫米波雷达,从而扩大了检测范围。     

防患于未然——汽车毫米波雷达

伴随着汽车电子科技的发展，汽车雷达已经发展成为主动安全系统中不可或缺的重要技术。丰田国王的“侧前方预防碰撞安全系统”作为新一代汽车雷达的代表。更是展示出了其毫米波雷达的绝对优势。侧前方预防碰撞安全系统共有三个毫米波雷达（全车共有四个毫米波雷达），除了原来用于检测前方车辆的毫米波雷达之外，还在保险杆的左右侧安装了侧前方用毫米波雷达，从而扩大了检测范围。     

基于毫米波雷达和机器视觉融合的车辆检测

针对车辆检测中使用传统单一传感器的识别效果差、易受干扰等缺点,本文提出一种基于毫米波雷达和机器视觉融合的车辆检测方法。首先利用分层聚类算法对雷达数据进行处理,过滤无效目标;利用改进的YOLO v2算法降低漏检率,提高检测速度;然后运用目标检测交并比和全局最近邻数据关联算法实现多传感器数据融合;最后基于扩展卡尔曼滤波算法进行目标跟踪,而得出最终结果。实车试验结果表明,该方法的车辆识别效果优于单一传感器,且在多种路况下识别效果良好。     

基于毫米波雷达的雾天行车安全系统设计

针对雾天能见度较低的情况,本文通过利用毫米波雷达对前方道路进行探测,识别其他车辆的行驶状态以及位置,采用可视化显示方式将探测结果向驾驶员进行提示,提高驾驶员对于前方道路的把握程度,保障车辆的安全运行。     

基于机器视觉的智能车辆障碍物检测方法研究

着重阐述基于机器视觉的前方车辆障碍物检测方法，首先根据公路上前方车辆的先验特征模型，建立障碍物探测的感兴趣区，以缩小搜索区域，随后提出一种新的对称变换算子，用于检测障碍物车辆的对称轴，并确定障碍物车辆的矩形轮廓，为进一步提高障碍物检测的实时性，采用递归模板匹配法对障碍物进行跟踪，试验表明上述方法是有效的。     

毫米波雷达识别问题分析及解决措施

针对L3级自动驾驶车辆所配备的77 GHz长距毫米波雷达和中距毫米波雷达在感知识别中的主要问题进行了分析,并对毫米波雷达与整车系统适配过程中存在的两类问题提出了解决措施。一是在毫米波雷达与整车系统的适配过程中,需考量车身材质和形状对其回波的干扰;二是结合车速、应用场景对雷达输出信息进行滤波,减少虚警和误报,使雷达系统获得更稳定、准确的感知结果。     

基于多传感器的军用车辆前方目标提取和融合算法研究

在目标车辆识别算法中,通常采用单一传感器作为感知器件。不论是摄像头还是雷达,都因为自身缺陷导致识别出的目标不准确,给ADAS系统的决策控制带来困难。文章提出了一种基于视觉传感器和毫米波雷达相融合的目标识别算法。该算法利用多传感器信息融合技术,按照本车道前方最危险目标(CIPV)的原则,并结合滤波原理,对目标车辆进行识别、提取和跟踪,以剔除无效目标,保留唯一、有效、可靠、稳定的目标,为ADAS系统的决策控制提供依据。     

智能车辆的障碍物检测研究方法综述

按照使用传感器的不同类型来分类，对智能车辆的障碍物检测和识别技术进行了综述，并分析各种障碍物检测方法。这些方法中主要包括基于立体视觉方法、基于激光雷达的方法：基于彩色机器视觉的方法及基于结构光的方法等等，同时作者指出任何一种有效的障碍物检测系统不能只依靠单一传感器进行环境感知，因此利用多种传感器信息融合技术检测智能车辆前方障碍物，是未来该领域的研究重点与难点。另外，还介绍了近几年一些研究机构在该领域的研究成果，并对所使用的一些算法进行简要的概括，为我国在智能车辆的障碍物检测领域的发展提供借鉴。     

丰田凯美瑞轿车预防碰撞安全系统解析

丰田凯美瑞轿车预防碰撞安全系统（Pre-Crash Safety System）可在汽车发生碰撞之前收缩前座椅安全带的松弛部分,并使制动控制系统进入制动辅助等待状态,以降低对驾驶员和前排乘客造成的伤害。这套预防碰撞安全系统中的毫米波雷达传感器和距离控制ECU，用来判定与车辆的前方障碍物或前方车辆发生的碰撞是否不可避免，其根据相对车速或者接近某一物体的速度进行测定。     

基于OpenCV的AEB系统车辆检测和预警研究

为降低汽车换道时碰撞事故发生概率,提出基于OpenO_4CV的AEB系统车辆检测和预警算法。首先利用Haar-like+Adaboost实现前方车辆的识别与检测,并结合粒子滤波原理建立车辆跟踪模型。然后基于单目视觉模型对前方车辆距离进行测量,根据障碍物与车辆的安全距离估测碰撞时间。最后,基于AEB系统进行车辆防撞预警测试,测试仿真结果表明,在不干扰驾驶员正常驾驶的前提下,即碰时间的TTC算法性能最佳,有效提升了前方车辆检测预警精确率。     

基于毫米波雷达的过街轨迹识别与特征分析方法

针对行人、非机动车等慢行交通的过街轨迹识别与分析问题,提出一种基于毫米波雷达的实现方法。根据毫米波雷达提供的目标数据,采取坐标转换、数据清洗、数据滤波三步骤,识别获得过街轨迹数据,在此基础上,通过计算平均速度、最大速度、最小速度、过街方向等特征指标,判断过街类型,完成分类统计和特征分析。并结合实际案例应用,将识别与分析结果与人工统计结果进行比对,结果表明,该方法能有效提取过街轨迹,识别行人与非机动车,计算出其流量和速度,与实际较为相符,误差在10%以内。     

面向高级辅助驾驶雷达和视觉传感器信息融合算法的研究

为提高高级辅助系统对车辆前方环境识别的准确性,提出一种基于雷达和视觉传感器信息融合的目标识别方法。雷达与视觉融合算法是基于决策级的雷达与视觉检测目标,在世界坐标系中进行目标时间空间对准、数据关联匹配、滤波,最后根据应用功能输出融合目标信息。结果表明该算法具有较强的环境适应性和准确率,弥补了单一传感器在目标识别中的不足。     

基于扩展卡尔曼滤波的车道融合跟踪

车道检测算法的研究是智能车辆自动导航的首要环节。与目前基于视觉的车道检测与跟踪系统不同,本文提出一种基于扩展卡尔曼滤波的车道融合跟踪方法。该方法利用毫米波雷达探测到前方车辆的距离信息,并采用扩展卡尔曼滤波技术和图像处理技术,建立车道跟踪的动态视觉窗口,提取车道边界,并判断前方车辆相对于车道的位置。该方法大大缩减了处理时间,且增强了系统的鲁棒性。