1种基于车辆时空图的车辆异常行为检测方法

对快速路车辆异常行为的检测有助于防止或及时处理交通事故,缓解交通拥堵,保障出行的安全和效率。采用多高斯背景模型提取前景运动车辆及其中心点并利用Kalman滤波算法跟踪运动车辆。在此基础上,得到各个车道上车辆的行驶时空图,通过车辆时空图对车辆行为进行轨迹分析,根据时间序列上车辆位置的变化检测车辆逆行,通过车间距和车辆位置状态信息检测车辆碰撞。实验表明,该方法能较好地识别出车辆异常行为。     

背景提取基础上运动车辆视频检测

提出了一种在一系列连续视频图像中提取背景的方法，在背景提取的基础上对视频图像中运动物体进行检测，以实现对高速公路上过往车辆的自动监控功能。     

基于三维激光雷达的动态障碍物检测和追踪方法

为解决无人驾驶车辆在城市路况下对多个动态障碍物同时检测和跟踪的关键问题,提出一种基于三维激光雷达的多目标实时检测和跟踪方法。通过对单帧激光雷达点云数据进行聚类,提取障碍物外接矩形轮廓特征;采用多假设跟踪模型(MHT)算法对连续两帧的障碍物信息进行数据关联;利用卡尔曼滤波算法对动态障碍物进行连续地预测和跟踪。试验结果表明,该算法能够在自行搭建的智能车平台上以每帧100 ms的速度准确、稳定地检测和跟踪。     

越野汽车机动性评价中车速的确定

为评价越野车辆的机动性能,研究了在不同路面状况下车速的计算方法.通过分析不同典型路况下车辆行驶时的受力特征,建立了包括车辆结构和路面状况参数的车辆速度计算模型,进行了计算和相应的试验.结果表明,在各种路况下的计算值都与试验值保持良好的一致性,说明应用建立的模型能较准确地反映汽车的行驶速度,为评价车辆的机动性能提供依据.     

城市混合交通场景中的多目标参数检测

针对城市混合交通的复杂场景图像中多目标及其参数的检测问题,提出了一种由改进的帧间差分与边缘提取相结合的算法。利用帧间差分法检测车辆的存在,对帧差图像运用统计滤波算法提取多运动目标,通过形态学方法提取并细化目标边缘,根据主边缘（轮廓）信息完成车辆定位,最终结合摄像机标定结果计算出多目标交通参数。算法避免了复杂场景的背景建模,减少了运算量。实验结果表明,该算法不仅能较为准确地检测多运动目标的参数,而且具有较强的实时性。     

基于深度学习的多角度车辆动态检测方法

针对在复杂场景下,背景区域干扰特征过多、被检测目标运动速度快等导致的动态目标检测率低的问题,研究了基于深度学习的多角度车辆动态检测方法,将带有微型神经网络的卷积神经网络(MLP-CNN)用于传统算法的改进.使用快速候选区域提取算法提取图像中可能存在车辆的区域,之后使用深层卷积神经网络(CNN)提取候选区域的特征,并在卷积层中增加微型神经网络(MLP)对每层的特征进一步综合抽象,最后使用支持向量机(SVM)区分目标和背景的CNN特征.实验表明,该方法能够处理高复杂度背景条件下,部分遮挡、运动速度快的目标特征检测,识别率高达87.9%,耗时仅需225ms,比常用方法效率有大幅度提升.      

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.      

基于加速度噪声的浮动车路况计算方法

现阶段,基于浮动车数据的道路交通状况预测成为路况计算的主要方法之一。通常情况下,上述方法利用装设在出租车或其他小型车辆上的GPS接收设备计算被监测车辆的平均车速,从而获取车辆行驶路段的道路交通状况。使用该方法计算路况的前提是,浮动车的行驶速度近似等于道路自由交通流速度。在很少有出租车行驶的城际高速公路和郊区道路上,只能通过装有GPS设备的大型车辆,如大型客、货车作为浮动车计算路况,然而,上述车辆的行驶速度往往低于所在道路的自由交通流速度,使用传统浮动车路况算法会造成较大的误差。因此,需要引入一种新的算法,以实现基于大型低速浮动车的道路交通状况计算。本文针对这一问题,提出了基于加速度噪声的浮动车路况计算方法理论,并结合路况直报系统真值对计算结果准确性进行了验证,为通过大型低速浮动车GPS数据计算道路交通状况提供了一种可行的解决方案。     

基于视频图像的车辆计数新方法

针对道路车流量检测问题,从便捷性、实时性角度出发,结合视频图像处理技术,对视频车辆计数进行了研究。直接在RGB图像中进行自适应背景更新,以此为基础,对RGB图像进行背景差分,提取出运动车辆区域,避免了复杂环境下图像灰度化过程中的信息丢失;利用当前帧和背景帧的HSI颜色空间信息来滤除阴影;通过在视频图像中设置固定虚拟检测区,实现对车辆的计数。实验结果表明,该方法计算量较小,白天情况下的计数准确率在89.58%以上;夜间的计数准确率较低,还需进一步研究改进。     

基于视频的交通事件自动检测技术综述

首先从基于视频的交通事件自动检测技术所涉及的目标提取、车辆跟踪和行为理解等3个步骤中，详细地介绍和比较国际上常用的各种检测算法；其次，从背景建模和车辆阴影两个方面分析了检测算法中存在的技术难点和可能的解决方案；同时，从平均检测时间、检测率和误报率3个方面介绍该技术算法性能的评价方法。最后总结了基于视频的交通事件自动检测的相关技术，展望了该技术的发展前景。