基于机器视觉的人眼定位算法研究

基于机器视觉的疲劳检测难点是人眼的准确、自动化的定位.针对目前基于红眼效应的人眼定位算法需要手工介入的问题,提出了一种改进算法,采用眼部区域的几何特征和对比度相结合的算法实现了自动化人眼定位,形成了一种基于红眼效应的实时、自动化定位人眼的快速算法.然后构建了一套使用850 nm红外光源的人眼定位系统,实现了快速准确的定位人眼.     

基于AdaBoost算法的疲劳驾驶检测系统研究

为提高行车安全性,结合驾驶员人眼开度特征开展了疲劳驾驶检测系统研究,提出采用AdaBoost算法实现人脸及人眼的定位方法。驾驶员视频图像在动态直方拉伸和训练好的AdaBoost算法分类器作用下实现人脸、人眼定位;对获得的眼部图像进行边缘检测及轮廓提取,计算轮廓内像素点得到眼睛的开度信息;利用PERCLOS算法计算一段时间内驾驶员的闭眼帧数及眨眼频率比例,获得驾驶员疲劳状态。试验结果表明,该系统具有较好的抗环境干扰和实时性,能准确地完成疲劳判断。     

基于类Haar特征的驾驶者人眼疲劳状态的检测方法研究

使用摄像头采集视频图像,对输入图像做预处理(图像灰度化、中值滤波等);通过学习训练的方法构造基于类Haar特征的层叠式分类器,利用基于类Haar特征的层叠式分类器从输入图像中直接定位人眼;把人眼部分的图像截取出来,二值化人眼图像;然后计算二值化图像中垂直方向上瞳孔的宽度大小,从而判断眼睛的状态;最后通过多次的捕捉,计算眼睛闭合的频率来得出其疲劳状态。试验验证了上述算法的有效性。     

基于类人视觉的多任务交通目标实时检测模型

针对复杂交通场景下单个模型无法同时对可行驶区域和交通目标进行统一检测和检测实时性较差的问题,本文中提出了一种基于类人视觉的多任务交通目标单阶段检测模型,实现了可行驶区域和车辆、行人的实时统一检测。首先建立类人视觉注意力机制进行监督,采用轻量化模型MobileNetV3作为骨架,接着利用特征金字塔的思想对可行驶区域进行检测,最后采用动态注意力算法和anchor-free思想对交通目标进行检测。实验结果表明,引入驾驶员人眼注意力机制明显提升了模型的精度和鲁棒性,模型在实车上平均运算速度达到了12帧/s。     

基于眼睛状态的驾驶员疲劳识别

有效防止和监督驾驶员疲劳驾驶,对降低交通事故具有重要意义。文章提出了一种基于眼睛状态识别的驾驶员疲劳状态的识别方法。首先通过计算累计背景和当前帧的差分图像的质心确定脸部范围,然后采用了二值边缘图像的人眼定位方法,计算出眼睛区域的面积和持续闭合时间,依据PERCLOS准则,判断驾驶员是否处于疲劳状态。实验表明,系统能够实时准确地定位人眼及检测眼睛的开闭状态,从而有效地检测驾驶员的疲劳程度。     

基于小波包分解的新能源汽车电弧故障检测方法

提出基于小波包分解的新能源汽车电弧故障检测方法。首先选取电弧故障检测特征量，其次对选取的特征量进行特征数据预处理，将预处理数据归一化，最后设计检测流程，基于小波包分解实现新能源汽车电弧故障的检测，并与传统方法进行对比试验。结果表明：与传统方法相比，基于小波包分解的检测方法具有较高的准确性。     

基于头部姿态特征的列车司机疲劳驾驶检测系统研究

列车司机疲劳驾驶严重威胁列车行车安全.为弥补人眼检测方法存在的不足,提出了1种基于头部姿态特征的列车司机疲劳驾驶检测方法.该方法首先采用AdaBoost算法检测人脸区域,然后采用Camshift算法对人脸进行跟踪,并对人脸的旋转角度进行计算,得出其旋转角速度以及旋转角加速度,最后根据其头部的倾斜角度以及旋转角速度综合判断列车司机的疲劳状态.建立了头部旋转物理模型,得到头部自由旋转时角速度与角加速度随旋转角度的变化曲线.在上述方法的研究基础上,研发了1个基于头部偏转情况判断疲劳驾驶的系统.该方法的疲劳检测成功率为87.5％,但其只能对头部缓慢倾斜和头部突然向两侧倾斜这2种疲态状态进行报警,尚不能对打呵欠、低头、闭眼等其他疲劳状态做出反应,需与其他检测方式结合使用.     

本期导语

选取 Harr-like特征,利用积分图快速计算矩形特征,对传统的 Adaboost算法引入优化更新权重的方法,提出1种基于级联分类器的行人检测方法,实现行人的实时区域快速检测。实验结果表明,基于改进 Adaboost算法的快速行人检测与定位方法实时性强、准确率高,基于该算法的行人快速检测与定位系统可靠性高、鲁棒性强。      

基于改进 Adaboost 的行人快速检测与定位算法

随着智能交通的发展,道路行人主动安全的重要性愈发凸显,且越来越受到国内外研究机构的重视。选取 Harr-like特征,利用积分图快速计算矩形特征,对传统的Adaboost算法引入优化更新权重的方法,提出1种基于级联分类器的行人检测方法,实现行人的实时区域快速检测。实验结果表明,基于改进Adaboost算法的快速行人检测与定位方法实时性强、准确率高,基于该算法的行人快速检测与定位系统可靠性高、鲁棒性强。      

基于多尺度边缘融合及SURF特征匹配的车辆检测及跟踪方法

为提高交通参数提取的准确性与实时性,研究了基于多尺度边缘融合和SURF特征匹配的车辆检测与跟踪方法,克服了传统基于边缘特征的车辆检测方法易受噪声、背景干扰的问题,实现车辆准确检测.将车辆检测结果作为跟踪样本建立跟踪样本集合,通过建立匹配点对几何约束消除误匹配特征对,提高跟踪样本与待跟踪视频帧的SURF特征匹配准确度.针对车辆驶入、驶离相机视野,车辆间歇性运动,背景缓慢变化等情况提出跟踪样本更新机制,实现车辆的准确、实时跟踪.实验结果显示,所提算法的车辆检测率为88.3%,检测准确度为90.2%;跟踪精确度为86.4%,跟踪准确度为92.7%;检测时间成本为91.8ms,跟踪速率为52.2fps.检测准确度、跟踪准确度、检测速率、跟踪速率均高于光流法、粒子滤波法和SIFT特征匹配法,表明所提算法能较好地满足实时性应用.      

高速公路多车道分道线快速检测与重建技术

介绍了基于单目视觉技术的高速公路多车道快速检测与重建技术,实现了高速公路的车道自动保持。采用双阈值法快速分割高速公路的白色分道线,用特征跟踪法提取分道线,根据道路视觉模型用圆锥曲线结合分道线特征点重建4条分道线。分析了根据道路视觉模型和分道线重建来实现车道保持的基本方法。该算法已经通过VC语言实现,系统在四川省和重庆市的高速公路上以最高120 km/h的速度进行了试验,圆满地完成了多车道检测任务,实现了车道保持。     

基于并行短时面部特征的驾驶人疲劳检测方法研究

为实现更快速、准确的疲劳预警,提出了一种基于并行短时面部特征的驾驶人疲劳检测方法。基于加入了MicroNet模块、CA注意力机制、Wise-IoU损失函数的YOLOv7-MCW目标检测网络提取驾驶人面部的短时面部特征,再使用并行Informer时序预测网络整合YOLOv7-MCW目标检测网络得到的面部时空信息,对驾驶人疲劳状态进行检测与预警。结果表明：在领域内公开数据集UTA-RLDD和NTHU-DDD上,YOLOv7-MCW-Informer模型的准确率分别为97.50%和94.48%,单帧检测时间降低至28 ms,证明该模型具有良好的实时疲劳检测性能。     

基于深度学习的疲劳驾驶检测算法研究

针对疲劳驾驶检测模型需要的实时性与轻量性，在SSD的基础上提出了SSD-MA网络作为人脸部件检测网络。该网络通过替换原SSD主干网络为MobileNetv3，使得模型参数量骤减，加上AFF注意力特征融合了不同尺寸的特征图，进一步提升了对人眼小目标的检测性能，并结合疲劳参数Peclos可以准确地输出被测人员的疲劳状态。经实验验证，SSD-MA在验证集上的mAP值达到了96.9%，较原SSD-300提高了5%，网络整体体积缩减了89%。     

基于车头灯光斑特征稳定性与轨迹相似度的夜间交通流量检测

为了解决计算机视觉在夜间低亮度、多干扰的光环境下交通流检测精度低、稳定性差等问题,研究了一种基于车头灯光斑特征稳定性与轨迹相似度的夜间交通流量检测方法.针对静态检测方法难以在多干扰的条件下高精度地识别车灯的问题,提出了在跟踪过程中根据目标跟踪窗口的亮度与几何特征稳定性动态消除干扰光斑的车灯识别方法;针对静态配对方法稳定性较差、计算开销较大的问题,提出基于车灯跟踪轨迹相似度与位置关系的配对规则、辅以配对逻辑来实现车灯配对的方法.实验结果表明,该算法在常见检测环境下的正检率约为90%,漏检率可低于10%.算法在应对路面反射特性较强的环境时的漏检率有待优化.      

基于蛇形机器人多传感器数据融合的缆索缺陷自动检测方法

为了实现斜拉桥缆索的自动无损检测,针对斜拉桥缆索自动无损检测方法进行研究,提出基于蛇形机器人多传感器数据融合的缆索缺陷自动检测方法.通过搭载多传感器的蛇形机器人螺旋攀爬运动,实现在役自动检测;利用数据融合技术对多传感器的数据进行融合实现桥梁缆索缺陷的自动检测,在数据层采用加权平均进行信号融合,在特征层采用支持向量机作为...     

本期导读

为实现车辆类型的高精度检测,提出了基于偏心矩向量的特征表达方法,将运动车辆轮廓点与重心之间的距离定义为偏心矩,构造特征向量实现车辆的标识.     

瞬态成分提取在变速器齿轮故障诊断中的应用

基于小波包的信号瞬态成分检测与提取方法及其应用，提出基于小波包分解特征表示和瞬态特征重建方法并应用于汽车变速器齿轮的故障诊断，结果表明基于小波包分解的信号特征表示方法能有效检测信号中瞬态成分的存在，瞬态成分的重建结果有效地表示了齿轮的故障状态。     

基于改进长短时记忆网络的驾驶行为检测方法研究

疲劳驾驶和不安全驾驶行为是引起交通事故的主要原因,随着智能交通技术的发展,利用深度学习算法进行驾驶行为检测已成为研究的热点之一。在卷积神经网络和长短时记忆神经网络的基础上,结合注意力机制改进网络结构,提出一种混合双流卷积神经网络算法,空间流通道采用卷积神经网络提取视频图像的空间特征值,以空间金字塔池化代替均值池化,统一了特征图的尺度变换,时间流通道采用SSD算法计算视频序列相邻两帧光流图像,用于人眼等脸部小目标的检测,再进行图像特征融合与分类,在LFW数据集和自建数据集中进行了实验,结果表明本方法的人脸识别和疲劳驾驶的检测准确率分别高于其他方法 1.36和2.58个百分点以上。     

基于单目视觉的路面车辆检测及跟踪方法综述

首先介绍了车辆检测算法的3种基本组成部分：检测、验证、跟踪，然后根据算法的组成重点介绍了车辆检测以及跟踪的几种主要算法。车辆检测算法包括基于特征的方法、基于光流场的方法和基于模型的方法，车辆跟踪算法包括基于区域相关的方法、基于活动轮廓的方法、基于特征的方法和MeanShifi快速跟踪算法。根据试验结果对各种车辆检测和跟踪方法的优点、缺点以及实际应用中不同情况下适用范围的局限性进行了综合分析。最后在结论部分总结展望了文中介绍的几种车辆检测和跟踪方法的应用前景，并提出了在实际应用时的一些建议和将来的主要研究和发展方向。     

基于卡尔曼滤波和特征指数化的电动汽车电池故障诊断方法研究

针对电池组内的热失控、内短路等故障问题，提出了一种基于卡尔曼滤波和特征指数化的电池故障在线诊断方法。首先基于历史数据和卡尔曼滤波方法对电压数据进行降噪，可有效去除异常点，并提出一种特征指数化方法以提取和放大电池组单体之间的电压特征。最后，为了减少电池组不一致性导致的单体电池故障误报，提出一种基于余弦相似度的故障值计算方法以提高算法诊断精确度，并实现故障电池的在线自动检测和定位。云端车辆数据验证结果表明，所提出的基于卡尔曼滤波和特征指数化的电池故障诊断算法能够有效地检测故障电池并进行预警。