夜间复杂交通场景中的车辆检测和跟踪

为提高夜间车辆视频检测和跟踪的准确率,提出一种夜间车辆检测和跟踪算 法.本算法通过亮斑分割和连通组件匹配来检测和定位车辆前灯,并利用区域跟踪算法对 前灯进行跟踪以提高检测准确率.考虑到夜间行车时车辆前灯的显著特征,通过改进Otsu 方法以自适应地分割明亮区域,并根据前灯的几何形状、尺寸及位置信息滤除非车灯部 分的车辆信息.然后利用前灯的对称性进行前灯的配对和归类;最后采用区域跟踪算法对 前灯进行定位和跟踪.实验结果表明,本算法车辆检测平均准确率大于97%,处理速度比 已有方法提高15.8%以上.     

复杂环境基于多信息融合的车辆跟踪方法

平交路口复杂环境下基于视觉的车辆跟踪容易受到如车辆在图像上投影的尺 度变化,车辆的排队与消散过程中邻近车辆间的遮挡及分离等因素的影响.针对该问题, 本文提出了一种利用局部特征增强的Mean-shift 改进算法,利用SIFT 特征点对尺度、旋 转变化鲁棒的特性,将其与基于跟踪区域颜色特征的跟踪方法相融合实现车辆跟踪,较 好地解决了在车辆尺度、运动方向变化,以及遮挡情况下的跟踪问题.同时通过引入跟踪 车辆分离的判定条件,结合特征点聚类算法解决了相邻车辆发生分离时的判断及跟踪问 题.实验结果表明,在多种交通场景的车辆跟踪过程中,本文提出的算法有较好的鲁棒性, 定位结果更加精确.     

结合双向光流约束的特征点匹配车辆跟踪方法

针对复杂交通场景中动态光照变化、目标尺度变化和部分遮挡等因素带来的影响,提出了一种基于特征点的稳定可靠的车辆跟踪方法.针对运动车辆高速行驶时具有较大帧间运动的特点,构造KLT算法的金字塔模型,根据前向和后向跟踪偏移量,对稳定性较差的特征点进行剔除.同时,采用SURF特征匹配算法对目标特征点集进行更新和校正.最后,利用特征点之间的位置信息,确定目标的尺度和旋转变化因子,从而实现当前帧中目标区域的定位.实验结果表明,提出的车辆跟踪方法可以有效地解决复杂场景中目标形变和部分遮挡等问题,对尺度和旋转变化也具有较强的鲁棒性.     

基于GPS与图像融合的智能车辆高精度定位算法

车辆自定位是实现智能车辆环境感知的核心问题之一.全球定位系统(Global Positioning System,GPS)定位误差通常在10 m左右,不能满足智能车辆的定位需求;惯性导航系统成本较高,不适于智能车辆的推广.本文在视觉地图基础上,提出一种基于GPS与图像融合的智能车辆定位算法.该算法以计算当前位置距离视觉地图中最近一个数据采集点的位姿为目标,首先运用GPS信息进行初定位,在视觉地图中选取若干采集点作为初步候选,其次运用Oriented FAST and Rotated BRIEF(ORB)全局特征进行特征匹配,得到一个候选定位结果,最后通过待检测图像中的局部特征点与候选定位结果中的三维局部特征点建立透视n点模型(Perspective-n-Point,Pn P),得到车辆当前的位姿,并以此对候选定位结果进行修正,得到最终定位结果.实验在长为5 km的路段中进行,并在不同天气及不同智能车辆平台测试.经验证,平均定位精度为11.6 cm,最大定位误差为37 cm,同时对不同天气具有较强鲁棒性.该算法满足了智能车定位需求,且大幅降低了高精度定位成本.     

一种前方车辆后轮接地点检测算法

现有车辆定位算法通常通过检测车辆底部阴影来定位车辆,该算法受阴影形状大小变化的影响较大,定位精度较低。该文提出了一种通过检测前方车辆后轮接地点来精确定位车辆的方法。首先通过垂直边缘和对称性测度实现路面车辆的初定位;然后利用车辆垂直边缘和后部水平边缘显著性的特点获得后车轮可能存在的感兴趣区(ROI);最后在该ROI中通过Tamura纹理特征的粗糙度对车轮和地面进行区分,精确地得到车轮接地点位置。     

基于路面指纹的高精度车辆定位

车辆定位广泛使用基于视觉的定位方法,针对前视图像或侧视图像易受到周围环境的影响且定位过程中需要遍历匹配地图图像导致耗时较长的问题,本文提出一种基于俯视路面图像的表征模型--路面指纹.路面指纹包含GPS(Global Positioning System),路面特征和图像特征点.该模型通过卷积神经网络(Convolutional Neural Network, CNN)结合连通区域识别待定位图像的路面特征信息,利用路面特征信息对GPS初定位筛选的地图节点进一步筛选从而提高定位效率.分别在路面特征信息密集和稀疏的路段下进行实验,实验结果表明,通过引入路面指纹使定位耗时减少20.3%,平均定位误差为47.4 mm.该方法能提高定位效率并实现高精度车辆定位.     

一种基于车辆跟踪的微观交通参数采集方法

微观交通参数采集是智能交通中的重要技术。本文用基于车辆跟踪的方法提取微观交通参数，首先，利用动态图像处理技术进行车辆跟踪；然后，建立适于交通参数采集的摄像机模型：在此基础上，提出了基于车辆跟踪的车辆位置检测算法，瞬时速度估计算法，并阐述了其它交通参数采集方法，试验表明，这些方法可以有效的提取交通参数，实施方便。     

基于区域划分的GPS/DR组合导航定位研究

建立广域车辆定位导航系统的服务区区域划分，在此基础上实现了GPS定位模式切换、建立分层地图数据库和实现通过路网数据对GPS及推算定位的结果进行匹配的快速匹配算法。对车载导航系统的中心模块进行了相应的改进，实现了基于区域 发和地图分级思想的车辆定位导航系统基础模型，并结合成都中心区和广州市的试验结果进行了分析。分析表明，区域划分思想用于车辆定位导航系统，可以提高系统的总体性能。基于该思想实现的车辆空平导航系统模型不仅能在局域，而且能在广域范围内提供满意的定位导航服务。     

一种改进的基于轮廓特征拐点的遮挡车辆分离方法

在传统的基于4类特征拐点的遮挡车辆分离方法的基础上进行改进,提出了一种基于8类特征拐点的分离方法．该方法以车辆常用的矩形模板为先验知识,首先对存在遮挡的连通区域提取边缘轮廓,并将轮廓上的特征拐点分为8类;然后在对相邻且同类的轮廓特征拐点进行合并的基础上,利用改进的车辆轮廓特征拐点的类型组合来实现遮挡车辆的识别和分离．仿真实验表明,本文所提出的新方法具有更好的鲁棒性和精确性,且方法简单,具有很高的实际应用价值．     

基于车道线的前方车辆检测方法研究

为了提高前方车辆检测的实时性和鲁棒性,提出了基于车道线的前方车辆检测方法.首先,检测车道线确定感兴趣区域ROI(Region Of Interesting),然后在ROI内,利用车辆底部阴影的特征确定可能存在车辆的区域,再根据车辆的水平边缘特征和对称性精确定位,最后,通过卡尔曼滤波器跟踪检测到的目标.实验结果表明,该方法能够在多种交通环境中实时有效地检测前方车辆.     

数据驱动的电动汽车充电站选址方法

电动汽车在缓解能源压力和环境污染中起着重要的作用,充电不方便成为制约电动汽车发展的一个重要原因.为了合理布局电动汽车充电站位置,本文提出一种数据驱动的电动汽车充电站选址方法.利用海量的移动位置数据提取潜在的交通需求位置,包括出发点和目的地;将地图划分为等间隔的网格,将潜在的交通需求位置与网格关联,统计每个网格内的交通需求量,需求量大的网格作为电动汽车充电站选址的候选位置.实证研究表明,该方法能够精准定位潜在用户需求量大的位置,为电动汽车充电站选址提供数据支持和决策依据.     

基于改进YOLO v3模型与Deep-SORT算法的道路车辆检测方法

针对道路车辆实时检测遮挡严重与小目标车辆漏检率高的问题，提出了基于改进YOLO v3模型和Deep-SORT算法的车辆检测方法；为提高模型对道路车辆的检测能力，采用K-means++聚类算法对目标候选框进行聚类分析，选择合适的Anchor box数量，并在网络浅层增加了特征提取层，可提取到更精细的车辆特征；为加强网络对远近不同目标的鲁棒性，在保留原YOLO v3模型输出层的同时，增加了一层输出层，将52像素×52像素输出特征图经过上采样后得到104像素×104像素特征图，并将其与浅层同尺寸特征图进行拼接，实现车辆目标的检测；为了降低目标遮挡对检测效果的影响，提高对视频上下帧之间关联信息的关注度，将改进YOLO v3模型和Deep-SORT算法相结合，以此来弥补两者之间的不足。试验结果表明:改进YOLO v3模型有效地提高了车辆检测的性能，与在网络浅层增加特征提取层的模型相比，平均精度提高了1.4%，与增加一层输出层的模型相比，平均精确度提高了0.8%，说明改进YOLO v3模型提取的特征表达能力更强，增强了网络对小目标的检测能力；改进YOLO v3模型在引入Deep-SORT算法后，查准率和召回率分别达到90.16%和91.34%，相比改进YOLO v3模型，查准率和召回率分别提高了1.48%和4.20%，同时保证了检测速度，对于不同大小目标的检测具有良好的鲁棒性。      

基于汽车底部阴影特征的快速车牌定位算法研究与仿真

提出了一种结合车底部阴影的梯度特征寻找并确定可能存在车牌区域,然后利用车牌先验知识排除不含车牌的错误区域,再根据我国车牌类型特征与比例特征初步分割出小范围车牌区域,并利用Soble算子进行边缘检测,最后结合数学形态学进行快速精确定位。实验结果表明,该方法能够快速,实时有效的检测出车牌所在位置。     

一种基于摄像机标定的车辆视频测速方法

以Tsai两步法为摄像机标定原理,提出了一种车辆速度视频测量方法,并对摄像机标定误差和车速检测误差进行了分析。首先利用Tsai两步法得到摄像机的内部和外部参数,然后将图像空间提取出的运动车辆特征点位移转换到世界坐标系,最后利用帧差时间求得车辆的瞬时速度。实验结果表明,基于摄像机标定的车辆速度视频测量方法,具有简单实用、鲁棒性强、精确度高等优点,满足车辆视频测速系统的要求。     

基于组合前景提取的混合交通两轮车辆视频检测

针对混合交通流中两轮车辆视频检测问题,提出一种基于混合高斯模型（GMM）与背景累加模型（BAM）的组合前景提取方法,该方法将GMM与BAM组合得到的2 种前景图像分别经过滤波和形态学的膨胀操作处理,然后进行“与”操作,过滤掉高斯前景中的大量噪声,提取出感兴趣前景区域.针对两轮车辆的轮廓边缘特征,采用Canny 边缘检测提取边缘信息,去除前景区域中的非目标区域,采用两轮车辆的自建模板,通过欧氏距离进行模板匹配,定位并标记感兴趣区域中的目标区域.在OpenCV 和Matlab7.1 实验测试平台上,对典型城市混合交通路段的交通流视频进行测试.结果表明,该方法对混合交通流中两轮车辆的识别检测具有较高的准确率.     

基于时空轨迹跟踪的交通流特性参数检测分析

基于视频的交通流检测在智能交通系统中具有重要意义.本文针对广泛采用的低位摄像机,提出了一种交通流特性参数的检测分析方法.首先基于三级虚拟检测线和自适应更新率局部背景建模来快速提取车辆特征点并消除活动阴影对提取精度的影响;然后基于Adaboost（Adaptive Boosting, 自适应增强）分类器实现特征点按车分组,并在跟踪过程中根据运动特征相关度消除分组误差,获取高精度的车辆轨迹;进而自动生成多车道轨迹时空图并提取各车道交通流的多种特性参数.实验结果验证了算法的高效性;同时,自动生成的多车道轨迹时空图也为更多的交通信息获取和更深入的交通流特性分析提供了有力支持.