基于AMMFO优化的MAFPF车辆跟踪方法

针对粒子滤波算法的在车辆跟踪应用中跟踪精度较差及样本贫化问题,提出了一种利用自适应变异更新策略飞蛾扑火优化的多特征粒子滤波车辆跟踪算法。首先,利用目标纹理与颜色特征的互补性,融合两种特征来提高粒子滤波算法在复杂场景跟踪的稳定性。其次,改进飞蛾扑火算法的更新机制,将自适应权值引入飞蛾的螺旋更新策略,并使随机变异策略与其交替更新,增大算法的搜索空间,使得算法更快速地搜索到全局最优。最后,根据阈值分层样本粒子,并使适应变异更新策略飞蛾扑火优化低权值粒子的分布状态,避免样本贫化现象发生。实验表明,本文算法能够在低样本粒子数下有效地提升粒子滤波算法的性能,并在车辆受到阴影、遮挡、尺度和角度变化等复杂背景下,仍能稳定精确地跟踪目标车辆。     

基于压缩感知尺度自适应的多示例交通目标跟踪算法

针对大多数跟踪算法对车辆等交通目标在行驶过程中的尺度变化、姿态变化的适应性差及在跟踪过程中使用固定尺度的跟踪框,导致所构造的目标模板包含大量背景信息,引起跟踪漂移甚至丢失的问题,提出一种基于压缩感知理论与超像素目标性度量的尺度自适应多示例交通目标跟踪算法,该算法首先利用压缩感知理论对多示例学习中的特征维数进行降维,减少算法计算的复杂度。其次,采用超像素目标性度量进行局部尺度自适应调整,解决多示例跟踪算法中的尺度适应问题。此外,引入基于目标判别机制的分类器更新,利用连续帧中目标的相似性判断跟踪目标是否存在遮挡或漂移问题。依据目标判别的结果,实现变学习率的分类器参数更新。试验结果表明：该方法具有较高的跟踪精度和良好的跟踪鲁棒性,在车辆目标发生遮挡、尺度变化、三维旋转等情况时均能较好地跟踪目标,通过对不同的交通视频序列进行测试,算法的平均中心位置误差远小于对比算法,仅为3.92像素,其对比算法CT跟踪、MIL跟踪及WMIL跟踪算法的平均位置误差分别为56.96像素、35.36像素及58.54像素,平均重叠率达80.1%,较CT跟踪、MIL跟踪及WMIL跟踪算法分别高44.9%、45.3%和45%,满足智能交通监控的实际需求。     

车辆目标跟踪工程实现中的滤波器选型

Level 3级以下的智能驾驶系统对成本极为关注,因而主控芯片一般选择算力有限的车规级微控制器。为了保证微控制器中传感器融合算法运动预测的准确性并在设定的周期内结束运行,需要对滤波器的类型进行选择。文章从传感器融合算法的跟踪效果和计算耗时两个维度对比了线性卡尔曼、扩展卡尔曼、无迹卡尔曼及容积卡尔曼滤波器的优劣。为了确保对比的公正性和有效性,设定的跟踪目标车辆均按照美国城市道路循环工况运行,滤波器的设计均假定目标做匀加速运动。结果表明,4类滤波器的跟踪效果差异微小。线性卡尔曼滤波器计算耗时均值最小且最大计算耗时为0. 005 6 s,是文章推荐的适合于车辆目标跟踪的滤波器。     

智能车辆自动跟随控制的目标跟踪算法研究

为解决智能车辆目标跟踪过程中环境干扰导致目标丢失的问题,提出一种改进的目标跟踪算法,利用结合卡尔曼滤波的Camshift算法与ECO算法进行综合观测,对观测结果进行可靠性评价与选择性更新输出,最终实现跟踪目标状态的获取。采用目标跟踪基准(OTB)开放数据库对相关算法进行验证,结果表明,改进算法在一定程度上实现了Camshift算法和ECO算法优点的互补,抑制了常见的环境因素对目标跟随的影响。     

融合多模型的粒子滤波运动目标实时跟踪算法

提出了一种融合多模型的粒子滤波跟踪新算法(MMGPF),并将其应用于行人与汽车跟踪。此跟踪算法特点在于:(1)将Camshift跟踪算法和AdaBoost分类器的输出作为观测值优化建议概率分布;同时,改进粒子滤波的算法结构,有效地提高了粒子滤波的采样效率;在不影响跟踪性能的情况下,大幅减少了跟踪所需粒子数。(2)用两种描绘子提高对似然性的估计。(3)采用两种有效措施提高算法的实时性。通过多模型融合,有效地解决了目标跟踪过程中由于目标相互遮挡、目标消失再重现、光照变化和目标与背景颜色相近所造成的跟踪丢失。行人和汽车的跟踪试验结果证明该算法具有鲁棒性和实时性。     

一种基于边缘点投影的车道线快速识别算法

提出一种基于边缘点投影的车道线快速识别算法,可用于车道线检测和车道跟踪。首先在感兴趣区域内基于投票机制检测消失点,定义目标搜索区域,利用边缘检测信息提取车道特征点。然后沿其梯度方向投影计数,获取车道线上的两个点,再通过置信度判断检测出车道线。最后定义带状区域,实现车道跟踪。采用TMS320DM6437为硬件开发平台,并在集成开发环境CCS下实时仿真调试程序。实车试验结果表明,该算法在DSP硬件平台上运行具有很好的实时性、鲁棒性及准确性,在有阴影、车辆遮挡或雨雾天气等复杂行驶环境下的车道识别和跟踪效果令人满意。     

基于多特征融合的高速路车辆多目标跟踪算法研究

针对高速路车辆移动速度快、检测器易出现漏检和误检、目标相互遮挡等问题,提出一种基于多种特征融合的高速路车辆多目标跟踪算法。检测器获取每帧目标检测框后,采用HSV颜色直方图和HOG直方图建立目标外观模型,通过卡尔曼滤波建立目标位置模型和尺寸模型,融合多种特征模型构建相似性度量矩阵,并利用二分图匹配解决在线数据关联问题。在KITTI车辆数据集和自采的高速车辆数据集上将该算法与若干经典算法进行比较,结果表明,该算法在跟踪正确率和跟踪速度上明显提升。     

基于SuBSENSE的内河船舶检测波纹干扰抑制算法

SuBSENSE是一种融合颜色特征和纹理特征的通用运动目标检测算法,同时算法中的参数自适应反馈机制使得背景模型能够良好地适应内河环境的多样性,在多种检测环境下达到参数最优化设置.针对一般运动目标检测算法用于内河船舶检测时,难以克服水波纹干扰这一问题,提出将SuBSENSE与基于全局对比度的显著性区域检测方法结合进行波纹抑制.利用水面显著值较低这一特性,通过设置适当阈值对显著图进行二值化,从而分离船舶与水面区域.将显著图与SuBSENSE检测结果进行与运算滤除背景干扰,即可得到船舶区域.实验证明,该方法能有效抑制内河环境中的波纹干扰,相比原SuBSENSE算法将综合表现提高了14.6%.      

基于无损跨尺度特征融合的交通目标检测算法

针对复杂道路环境下交通目标与背景区分度低、交通小目标密集度高、部分遮挡严重、容易产生漏检、误检等问题，提出了一种融合注意力的无损跨尺度复合空洞残差网络的交通目标检测算法。通过改进SSD基础骨干网络和残差结构，加强网络提取强表征性的高级语义信息能力，解决信息传递损耗和丢失问题。在此基础上提出一种新的多视野聚合空洞残差单元，通过设置不同膨胀率的空洞卷积，获得不同大小感受野，聚合上下文信息实现大目标与小目标的兼顾。提出一种新的无损失跨尺度融合模块，通过该模块进行通道重组，结合通道维度信息填充像素，实现跨通道像素信息融合，进一步提升特征提取的能力。同时引入了坐标注意力机制，将轴向的空间坐标通道信息有效整合到生成注意力图中，构建出能够捕获跨通道信息且包含方向感知和位置敏感信息的注意力残差单元与多视野聚合空洞残差单元。此外，通过引入Soft-NMS降低与高置信度预测框重叠度较大的目标框的置信度，增加二次检测机会，提升了网络模型召回率。最后引入解耦检测头以加快模型收敛速度和提高检测精度。在VOC数据集07+12上的试验结果表明，算法平均精度提升了6.46%,证明了提出算法的准确性和鲁棒性。     

卫星拒止环境下危险货物运输车辆融合定位方法

为实现卫星拒止环境下危险货物运输车辆的准确可靠定位,建立一种RFID/车载低成本传感器融合定位方法.以RFID输出的信号强度信息作为信息源,采用最小二乘支持向量机方法准确估计读写器与标签之间距离,并具备不同工作环境下的高泛化能力;引入车载传感器信息,建立改进车辆运动状态模型以准确描述车辆运行状态,设计一种自适应分散化信息滤波方法实现无线射频与车载传感器信息的融合定位.为有效隔离RFID失效信息,并实现异源异步信息融合,采用分散化架构而非传统集中式滤波实现融合,同时,在滤波器中提出并融入自适应规则判断RFID信息的有效性以决定是否隔离故障信息,从而提升融合算法的准确性和鲁棒性.实车试验结果表明,融合定位精度达到了无遮挡环境下GPS的定位精度,相比于无线射频定位提升了58%,相比于航位推算提升了68%,相比于传统卡尔曼滤波融合提升了65%.特别是在存在标签失效情形下,性能的提升更为显著.      

基于小波提升框架的交通目标检测与跟踪

交通图像分析是智能交通领域的关键技术之一。为实现复杂交通场景中的多目标检测与跟踪,设计了一种结合小波提升框架和KLT特征点跟踪的多运动目标检测与跟踪算法。对序列图像中相邻两帧图像的融合图像进行小波提升变换,求取水平和垂直方向上的小波能量,通过合理阈值二值化小波能量矩阵,再利用贴标签方法检测出运动目标;利用KLT特征点集合代表目标,通过跟踪后的特征点集合与目标检测区域的相互关联,实现多目标的跟踪。实验结果表明了所提算法的有效性。     

基于K均值和不变矩的粒子滤波视频目标跟踪

针对传统的粒子滤波算法存在的粒子退化现象和需要大量粒子才能保证状态预估计的精度,导致视频序列目标实时跟踪难以实现的问题进行了研究,提出了一种基于K均值和不变矩的粒子滤波实时目标跟踪算法。首先对最初采样的粒子集采用K均值算法进行聚类,将N个粒子分配到K个聚类中心;然后将不变矩算法引入到粒子的选取中,通过与上一帧目标位置最接近的三类聚类中心进行不变矩匹配,选择其中与目标模块最接近的那一类进行粒子滤波跟踪运算。实验结果表明文中提出的改进算法能够很好的解决粒子退化的问题,只需要采用较少的粒子就能达到很好的跟踪精度,大大的减少了计算量,改善了粒子滤波的实时性的问题。同时,在一定程度上解决了目标跟踪中相似背景的干扰和目标遮挡的问题。     

基于改进YOLOv5的雾霾环境下船舶红外图像检测算法

从监控图像中准确检测船舶对于港区水域船舶交通智能监管具有重要意义。为解决雾霾条件下传统YOLOv5目标检测算法对船舶红外图像检测准确率低、小目标特征提取能力弱等问题,提出了基于Swin Transformer的改进YOLOv5船舶红外图像检测算法。为扩大原始数据集的多样性,综合考虑船舶红外图像轮廓特征模糊、对比度低、抗云雾干扰能力强等特点,改进算法提出基于大气散射模型的数据集增强方法;为增强特征提取过程中全局特征的关注能力,改进算法的主干网络采用Swin Transformer提取船舶红外图像特征,并通过滑动窗口多头自注意力机制扩大窗口视野范围;为增强网络对密集小目标空间特征提取能力,通过改进多尺度特征融合网络（PANet）,引入底层特征采样模块和坐标注意力机制（CA）,在注意力中捕捉小目标船舶的位置、方向和跨通道信息,实现小目标的精确定位;为降低漏检率和误检率,采用完全交并比损失函数（CIoU）计算原始边界框的坐标预测损失,结合非极大抑制算法（NMS）判断并筛选候选框多次循环结构,提高目标检测结果的可靠性。实验结果表明：在一定浓度的雾霾环境下,改进算法的平均识别精度为93.73%,平...     

基于深度学习的交通目标感兴趣区域检测

为了提高交通目标检测的实时性和准确性,针对交通目标检测过程中普遍存在的背景复杂、光线变化、物体遮挡等干扰问题,以及基于深度学习的目标检测算法在进行区域选择时滑动窗口遍历搜索耗时的问题,提出一种基于时空兴趣点（STIP）的交通多目标感兴趣区域快速检测算法。像素级时空兴趣点检测在处理目标遮挡时具有较好的鲁棒性,利用这一特点,首先在传统兴趣点检测算法的基础上加入背景点抑制和时空点约束,以减少无效兴趣点对有效兴趣点检测带来的干扰。通过改进均值漂移算法,使得聚类中心数量随目标数目的变化而改变。然后对被检测出的多目标附近的候选兴趣点分别进行聚类,获取各个目标聚类中心位置信息。根据聚类中心点与筛选后的目标兴趣点之间的相对位置关系进行特定组合获得感兴趣区域。在这些感兴趣区域上使用选择性搜索算法生成1 000~2 000个候选区域,并将这些候选区域放入训练好的深度卷积神经网络模型中进行特征提取。最后将特征提取结果送入支持向量机中进行目标种类判别并使用回归器精细修正目标识别框的位置。研究结果表明：通过对候选区域进行预处理,送入模型中的候选区域数量减少了82%,对应算法整体运行时间减少了74%,能够满足智能交通监控的实际需求。     

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。     

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。     

Road boundary detection and tracking for structured and unstructured roads using a 2D lidar sensor

Road boundaries can give useful information for evaluating safe vehicle paths in intelligent vehicles. Much previous research has studied road boundary detection, using different types of sensors such as vision, radar, and lidar. Lidar sensors, in particular, show advantages for road boundary extraction including high resolution and wide field of view. However, none of the previous studies examined the problem of detecting road boundaries when roads could be either structured or unstructured. In this study, we developed a road boundary detection and tracking algorithm using lidar sensing for both structured and unstructured roads. The algorithm extracts road features as line segments in polar coordinates relative to the lidar sensor. The extracted road features are then tracked with respect to a vehicle’s local coordinates using a nearest neighbor filter. The proposed algorithm accurately detected the road boundaries regardless of the road type.     

融合改进YOLO和背景差分的道路抛洒物检测算法

针对现有道路抛洒物检测算法识别准确率低、识别种类有限、实时检测效率低的问题，探索了将深度学习目标检测和传统图像处理相结合的抛洒物检测算法。提出在YOLOv5s目标检测算法基础上，对模型结构进行修改以满足实时性需求。具体地，使用卷积优化YOLO中的降采样模块，采用Ghost网络替代原始的特征提取网络以减少计算量，根据抛洒物检测对象的特点设计符合数据集的锚框以提高目标识别准确度。使用优化后的YOLO检测道路场景中车辆、行人作为交通参与者得到检测框，在检测框周围设定感兴趣区域，并在感兴趣区域内用背景差分算法实现前景目标识别。计算前景目标与YOLO检测结果的交并比，排除交通参与者目标后实现道路抛洒物的识别。针对交通参与者检测的实验结果表明，改进后的YOLO检测算法在整体识别精度没有损失的情况下单帧检测速度为20.67 ms，比原始YOLO检测算法速度提升16.42%。真实道路抛洒物实验结果表明，在没有抛洒物训练数据情况下，传统混合高斯模型算法平均精度值为0.51，采用融合改进YOLO和背景差分的抛洒物检测算法平均精度值为0.78，算法检测精度提高52.9%。改进后算法可适用于没有抛洒物数据或正样本数据稀少的情况。该算法在嵌入式设备Jetson Xavier NX上单帧检测速度达到24.4 ms，可实现抛洒物的实时检测。      

改进联合滤波在GPS/DR组合定位中的应用

根据低成本车辆GPS/DR组合定位系统传感器精度低和计算能力弱的特点,提出一种改进联合卡尔曼滤波(FKF)算法,并简化主滤波器信息融合算法,稍微降低融合精度,提高计算效率。试验结果表明,提出的改进联合滤波算法具有融合精度高、容错性好、计算量小、便于工程实现等优点。