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。     

基于多传感器信息融合的车辆目标识别方法

鉴于传统车辆避撞系统中,因采用单一传感器进行目标识别,在感知范围、识别准确性等方面存在的固有缺陷,本文中提出了一种基于雷达与机器视觉信息融合的目标识别方法。该方法获取目标序列后,在目标级融合方法的基础上,引入马氏距离进行观测值匹配。再应用联合概率数据关联(JPDA)算法进行数据融合,建立系统观测模型与状态模型,从而实现了基于信息融合的目标识别。试验验证结果表明,该方法基于雷达与摄像头数据,可实现目标的准确识别与定位,其工程适应面更广。     

基于检测无迹信息融合算法的多传感融合方法

针对单一传感器对目标车辆识别准确率低的问题,提出一种基于毫米波雷达和摄像头信息融合的目标跟踪方法,同时,基于扩展信息融合(EIF)和无迹信息融合(UIF)原理建立了检测无迹信息融合(CUIF)算法,对多传感器信息进行融合。CUIF算法采用分布式融合结构,将来自不同传感器的轨迹相互关联并融合以获得目标轨迹,并利用分布式检测系统对获取的传感器延迟信息进行实时系统状态补偿,从而解决了单传感器信号延迟、丢包等问题。通过CarSim与Simulink联合搭建仿真和试验平台对所研究的融合模型进行算法验证。试验结果表明,CUIF算法的目标丢失率比EIF和UIF减少了10%以上,它将时间延迟缩短至5 ms,满足系统对实时性的要求。     

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。     

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。     

一种车载数字相机与激光雷达融合算法设计

环境感知是智能辅助驾驶的底层模块，单传感器感知存在易受干扰、所需配置传感器数量多和感知效果差等弊端，为此提出一种车载数字相机与激光雷达融合算法。综合考虑信息融合高效性与系统鲁棒性采取决策级融合策略，利用CENTER POINT算法对雷达点云数据进行处理，再利用Yolo v3算法进行密集型数据训练处理图像数据，最后使用交并比匹配（IOU）和已有文献的D-S论据实现数据融合并输出决策结果。经过KITTI数据集验证，该融合算法输出的识别效果优于单传感器，且在多种路况上均有良好的目标检测效果。     

基于最小临近点迹和航迹关联的多源目标融合方法

针对智能车辆多传感器的目标融合问题,提出了一种改进的基于欧氏距离与余弦相似度的点迹和航迹数据关联的车用多传感器目标跟踪融合算法。该方法需获取由毫米波雷达系统和Mobileye视觉系统检测到的目标物数据列表,并对两个传感系统检测到的目标物数据进行匹配关联;然后对目标物进行匹配跟踪,更新目标物的生命周期状态;最后对上述两个传感系统输出的目标物的数据进行融合。该算法能够融合视觉系统和雷达系统两个传感系统的优点,以达到精确感知环境信息的目的,从而解决单一传感器难以满足感知系统精度及可靠性需求的问题。     

基于地磁的车型识别模糊数据融合方法研究

把由各向异性磁阻传感器检测获得的地磁曲线视为车辆磁偶极模型的映像,通过分析车辆地磁曲线的峰值、峰谷比、峰值时间、谷值时间、车身长等特征的选择和提取,建立相应车型特征向量;然后,依据各类车型特征,应用三角形隶属度函数特征描述和模糊数据融合,提出了一种基于地磁传感器实时数据采集的车辆检测与车型识别流程和车型识别分类算法;最后,通过一组实际采集的车辆检测数据的分类结果,比较了4种模糊数据融合算式的差异,证明了车辆识别分类算法的有效性,并讨论了有待进一步研究的问题。     

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。     

基于视觉与激光雷达数据融合的前车识别研究

智能驾驶技术已经成为智能车的重要开发领域,这一技术实现的关键就是对车辆精确的环境感知,对周围物体进行准确识别,避免车辆在行驶过程中出现事故,在智能辅助驾驶系统起关键性作用。目前,单一传感器不能满足复杂工况下的路面识别,基于多传感器的数据融合(Multi-sensor Information Fusion,MSIF)可以提高检测效率,改善单一传感器检测不精确的缺陷,文章先对传感器进行标定实现多传感器的时空同步,对识别的物体进行检测判断,确定前车。实验结果表明此方法有利于提高汽车安全行驶性能,可以准确、实时地识别前方车辆,满足多工况下的前车识别。     

基于深度置信网络的多源信息前方车辆检测

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。     

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。     

面向低速清扫车的信息融合车辆跟踪方法

交通参与者运动的准确跟踪与预测对智能车行为决策的有效性至关重要。传统运动目标的跟踪系统多采用单一传感器,难以保证数据的精度与可信度。为提高系统的鲁棒性与可靠性,设计一种融合毫米波雷达和相机的目标跟踪方案,该方案针对多目标的特征级信息进行融合。首先,考虑低速行驶的自动驾驶清扫车所处环境杂波较多,方案选择基于IMM/JPDA的多目标跟踪方法估计局部航迹。为降低JPDA数据关联的计算复杂度,结合基于马氏距离构造的椭圆关联门和基于车辆非完整性约束构造的扇形关联门,实现关联门的自适应调整,减少关联杂波的干扰。其次,结合传感器的配置与特性,对目标的航迹状态进行空间对准和时间对准,按照航迹点间的欧氏距离和互协方差选择融合模式,进行局部航迹融合。最后,为验证多目标跟踪和航迹融合方法的有效性与实用性,分别设计基于MATLAB/PreScan环境的仿真试验和基于智能清扫车平台的实车试验。研究结果表明：在横、纵方向上,融合后的系统状态都比单一传感器的估计状态更为准确,融合结果对单一传感器的估计误差有35%以上的提升;实车试验证明,该方案能有效融合ESR毫米波雷达和Mobileye单目前视相机的状态估计信息,能基本正确地跟踪目标和估计航迹;融合状态的横、纵向误差都在可接受范围以内,且融合状态比单一传感器的估计波动更小。     

一种基于特征的车辆检测方法

提出了一种应用单目视觉进行车辆检测的方法。该方法以车辆阴影以及边缘作为检测的主要特征。在图像预处理中采用自适应双阈值以满足不同光照条件下的使用要求;利用能量密度验证提高车辆垂向边界识别的准确性;用可变模型用来规划车辆检测范围,以满足不同距离车辆的检测需要。为提高车辆检测的准确性及效率,在算法中融合了雷达的探测数据。试验验证表明,该方法有较高的车辆检测准确率,并且能满足智能车应用中的实时性要求。     

图像分区域多特征融合斜向车辆检测算法研究

目前基于机器视觉的车辆检测和跟踪技术成为道路环境感知的重要手段,用于预防交通事故的发生。针对前向车辆的检测技术日益成熟,并有商业化的产品出现,而斜向车辆的检测技术尚不成熟。该项目主要研究斜向车辆的检测与跟踪问题。针对车道线检测算法,提出基于Hough变换与K-means聚类融合的改进车道线检测算法,并结合ROI区域提取,缩小检测范围。针对车辆检测,提出对车辆检测算法的两级优化:首先利用车辆阴影特征和图像垂直边缘特征融合,生成疑似目标区域,提出两次自适应阈值分割与OTSU算法融合的改进双阈值分割算法用于改善阴影特征提取的效果;其次,通过HOG特征与Haar-like特征结合,与Adaboost算法联合训练Adaboost级联分类器,生成目标验证区域,并提出基于高斯核函数的核主成分分析法,对图像特征降维处理,改善实时性。基于上述算法优化,对斜向车辆的检测试验结果表明:采用阴影特征与边缘特征融合的优化算法对斜向车辆的识别准确率达90%;在良好天气条件下,HOG+Haar-like融合特征的Adaboost级联分类器检测的准确率达95%;采用核主成分分析降维后检测时间缩短了26%;二者融合的综合效果改善明显。     

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。     

探测雷达在车牌识别中的应用

在文章中,我们提出一个高效的基于车牌清晰度改进算法对图像进行融合识别,并使用相同的多个图像车辆在道路的不同位置使用信息冗余。该算法用于雷达车牌探测,可以估算车辆的速度,提取车牌并改善其对比度融合。与传统闪光雷达不同,该系统使用视频流处理并可处理更多数据。这里使用了不同的图像处理技术,canny边缘检测器并形成检测本地化和提取车牌块,形态操作并过滤以帮助过程和所有几何转化为有效的融合。     

车辆自适应车道偏离识别算法研究

针对车辆在行驶时由于车道线检测方法单一,导致对直道线和弯道线检测效果不一致,从而影响车道偏离识别效果的问题,基于摄像头采集到的图像信息,提出了1种自适应车道偏离识别算法。该算法对车辆在直道行驶时采用偏离判断基准线法,而在弯道行驶时采用基于触线时间阈值法,分别对行驶状态进行车道偏离判断,该算法既保证了计算速度,又保证了结果的准确性。为了验证所提出方法的有效性,采用仿真的方法,使用车道偏离识别算法获取的数据,通过比例-积分-微分(PID)算法对车辆行驶状态进行控制,得到车辆在预期车道内的行驶状况,以此证明了所提出的车道偏离识别算法的有效性。     

智能车辆非结构化路面障碍检测

为在非结构化路面条件下进行有效障碍检测,提出一套利用雷达和图像进行一般障碍特征提取的算法和一种利用多层技术专门适用于负障碍检测的轮廓提取方法.然后讨论通过双传感器融合进行障碍物识别的方法和框架.最后通过实车试验验证整套检测算法的准确性和可靠性.