基于地磁传感器的车辆检测算法

地磁传感器是一种动态检测地磁场变化的感应设备。文中提出了基于地磁传感器的一种车辆检测方法,通过对地磁检测器所采集的数据进行预处理和波形特征提取来进行车辆信息的检测。利用安装在路面上的2个地磁感应器,和基于动态基值的波形特征提取算法,对车辆流量和车辆速度及车型等信息进行有效的检测,试验结果表明基于地磁感应的车辆检测方法的准确率高达98%。     

基于最小二乘支持向量机的车型识别算法研究

以感应线圈车辆检测器检测数据为分析基础,给出了基于Bayes理论的感应曲线自适应特征提取流程和方法,对选取的12个统计特征指标进行提取和优选。选择了曲线宽度、最大值、波峰数量、最小波谷值和波谷比组成车型识别模型的特征输入向量,不仅降低了输入向量的维数,缩短了最小二乘支持向量机的训练时间,同时也可加快车型识别的分类速度,增强特征值的分类辨别能力,提高车型分类的可靠性。在提出的基于最小二乘支持向量机的车型识别算法中,采用了修剪算法,加快了计算速度,同时保持了良好的回归性能。通过实例分析证明:基于最小二乘支持向量机的车型识别算法可提高自学习能力和识别准确率。     

基于单轴地磁传感器的车辆参数检测算法研究

为了进一步探寻地磁传感器在车辆检测领域的应用,研究利用车辆通过时所引起的检测区域的磁场强度扰动,用自主研发的单轴地磁传感器获取和处理Z轴方向上抖动幅度大于指定阈值的地磁信号,研究了基于固定阈值的状态机车辆检测算法,对路段车辆进行检测,并获取车速、车长、车流量等信息,建立磁场能量与车长车速比值的关系模型.通过南京市江宁区某公路上的实验,并利用现场录制的视频作检验,结果表明,基于自主研发的单轴地磁传感器可以实现路段车辆98%的检测率,并有效获取车辆的车速、车长等信息.通过分析得到的磁场数据,验证了该模型可以用于多个地磁传感器进行车辆检测的数据融合.      

基于压力传感器阵列的车型分类系统

针对当前车型分类系统识别率不高的问题,提出了用4条共聚物压电轴传感器组成的传感器阵列获取车型特征参数的方法。该方法利用传感器的特殊空间分布与车辆各车轴到达各传感器时刻的时空相关性,对采集到的信息进行数据融合,获得了多达11种车型特征参数。分类识别中用模糊统计的方法对大量的样本车型特征参数处理后,构造了隶属函数,最后采用了D-S证据理论对车型进行分类。实践证明该方法具有较高的识别率。     

基于毫米波雷达和机器视觉融合的车辆检测

针对车辆检测中使用传统单一传感器的识别效果差、易受干扰等缺点,本文提出一种基于毫米波雷达和机器视觉融合的车辆检测方法。首先利用分层聚类算法对雷达数据进行处理,过滤无效目标;利用改进的YOLO v2算法降低漏检率,提高检测速度;然后运用目标检测交并比和全局最近邻数据关联算法实现多传感器数据融合;最后基于扩展卡尔曼滤波算法进行目标跟踪,而得出最终结果。实车试验结果表明,该方法的车辆识别效果优于单一传感器,且在多种路况下识别效果良好。     

基于多传感器融合的排队长度检测系统设计

提出了一种基于多传感器信息融合的交通路口排队长度检测方法,该系统以无线地磁车辆检测器作为数据检测来源,基于无线传感器网络,构建了一种互联感知的分布式检测系统.系统以多检测节点协同工作的模式,由点到面,实现排队长度等深度路交通流信息获取,为交通信号控制系统提供准确的路网交通流数据.系统基于交通流特性建立数学模型,采用无线地磁车辆检测器及多传感器融合算法实现交通路口各方向排队长度检测.可实现红灯期间实时排队长度检测及绿灯放行期间队首位置判别及实时排队长度检测.通过绿信比优化,均衡各相位绿灯时间的分配,对提高道路通行能力有重要意义.     

基于联合特征和压缩字典学习的车辆类型识别算法

本文中针对车型识别中计算时间长、识别精度低的问题,提出基于联合特征和压缩字典学习的车型识别算法。首先,利用SIFT算法提取车辆原始图像的纹理特征和车辆图像边缘的形状特征,并将其串联,生成更具差别性的联合特征;然后,构建特征字典并进行字典学习,在此过程中,将特征字典分成大小相同的数据块,利用非常稀疏随机投影矩阵,降低样本数据块的维度,通过稀疏编码和字典更新两个阶段,生成最终压缩特征字典;最后,建立稀疏表示分类模型,通过计算待测目标在字典中的最小重构误差,实现车型识别。实验结果表明,该算法能有效提高车型识别准确率和实时性。     

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Kinect深度虚拟线圈的夜间车流量检测

针对夜间环境下基于摄像机的车辆检测方法存在精度低、稳定性差以及无法对车型进行有效识别等问题,提出一种基于Kinect深度虚拟线圈的夜间车辆检测与计数算法.首先对Kinect深度图像进行预处理,分别获得运动目标深度图(MDM)与空洞深度图(HDM).然后在MDM与HDM上设置虚拟线圈,利用积分图像分别生成对应的一维运动信号,对其进行加权合成获得对车辆运动特征的表达,并在合成的运动信号范围内检测出车辆目标,并计算出车辆目标的几何特征,通过SVM对车型进行有效识别.实验结果表明,该算法对于单双车道的车辆计数正确率分别高达99.75%与99.25%,大小车型分类正确率可达99.80%,处理单张图片的平均时间仅为7 ms.      

基于多特征融合的隧道场景车辆再识别

为解决隧道内交通监控视频的低分辨率以及光照不均匀导致的再识别准确率偏低的问题，提出了一种基于多特征融合的车辆再识别方法，通过充分利用车辆的各种有效特征信息提升车辆再识别精确度。首先，将卷积块注意力模块(Convolutional Block Attention Module, CBAM)嵌入到YOLOv5模型的骨干网络卷积层，同时采用CIoU损失和DIoU-NMS方案，提高车型检测准确率；其次，使用改进DeepSORT的表观特征提取网络和ResNet网络，分别获取深度卷积神经网络(Deep Convolution Neural Networks, DCNN)特征和车型ID特征；再次，将车型特征、DCNN特征及车辆ID特征使用加和表示层进行融合，形成可鉴别身份特征，以提高车辆再识别精度；最后，基于Softmax交叉熵损失和三元组损失设计指标函数并进行学习，对学习结果进行重排序以进一步提高模型的精度，并将算法在公开数据集VeRi776、VehicleID和自建数据集Tunnel＿Veh4C进行训练验证。结果表明：与现有方法相比，提出的Rank-1、Rank-5和Rank-10识别准确率以及...     

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.     

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。     

基于视觉的前方车辆探测技术研究方法综述

对国内外关于车道上本车前方车辆检测方法进行了综述。根据探测车辆所采用的传感器不同,分别对采用单目视觉、双目视觉、视觉与其他传感器融合以及非视觉传感器的几种探测方法进行了比较与分析。同时,针对每种探测方法,进一步阐述了目前车辆识别的一些具体算法。最后,指出了每种方法存在的优点和一些不足。     

Neural-network multiple models filter (NMM)-based position estimation system for autonomous vehicles

A highly accurate and reliable vehicle position estimation system is an important component of an autonomous driving system. In generally, a global positioning system (GPS) receiver is employed for the vehicle position estimation of autonomous vehicles. However, a stand-alone GPS does not always provide accurate and reliable information of the vehicle position due to frequent GPS blockages and multipath errors. In order to overcome these problems, a sensor fusion scheme that combines the data from the GPS receiver and several on-board sensors has been studied. In previous researches, a single model filter-based sensor fusion algorithm was used to integrate information from the GPS and on-board sensors. However, an estimate obtained from a single model is difficult to cover the various driving environments, including urban areas, off-road areas, and highways. Thus, a multiple models filter (MMF) has been introduced to address this limitation by adapting multiple models to a wide range of driving conditions. An adaptation of the multiple model is achieved through the use of the model probability. The MMF combines several vehicle models using the model probabilities, which indicate the suitability of the current driving condition. In this paper, we propose a vehicle position estimation algorithm for an autonomous vehicle that is based on a neural network (NN)-based MMF. The model probabilities are determined through the NN. The proposed position estimation system was evaluated through simulations and experiments. The experimental results show that the proposed position estimation algorithm is suitable for application in an autonomous driving system over a wide range of driving conditions.     

驾驶辅助系统（DAS）：多种传感器数据的融合

最新的驾驶辅助系统（DAS）技术通过“传感器数据融合”,把来自不同信息源的传感器数据结合起来,形成更全面的有关道路状况的报告,从而让车辆和道路更安全。     

汽车ACC毫米波雷达和视觉传感器目标级融合方法研究

自适应巡航控制系统是实现未来智能化汽车辅助驾驶的重要功能之一,以往该系统主要采用毫米波雷达感知周围环境,但是容易出现较多的误识别和漏识别情况。针对现存的问题,文章研究了自适应巡航感知系统,不同于以往单一雷达的方案,本设计采用毫米波雷达和视觉传感器融合的办法改善感知系统的性能。通过搭建电动车传感器数据采集系统,编写CAN通信报文解析程序,分析毫米波雷达和视觉传感器特性等,完成了对雷达和视觉信号的采集及处理,实现了感知系统目标级融合。并在巡航和跟车工况下进行离线仿真,验证了目标级融合方案能够有效地提高感知系统的准确性和合理性。     

汽车运动状态在线测量及预报技术

为了有效地对汽车自身可能的运动状态进行预报,并对潜在的行车危险进行预警,开展了汽车运动状态在线测量及预报技术研究。设计了微惯性测量单元,实现汽车运动状态参数在线测量,介绍了汽车姿态解算及其速度积分算法;设计了Kalman滤波器,通过信号融合处理获取汽车运动状态参数的最优估计值;阐述了自回归建模预报方法,并开发了汽车运动状态在线测量及预报软件;最后搭建了车载试验平台并进行了实车道路试验。结果表明:汽车运动状态在线测量及预报技术具有很好的预报效果,为未来开发性能更可靠、效果更佳的汽车主动安全预警系统提供了一定的理论依据和技术途径。     

A New Method for Accurately Estimating the Weight of Moving Vehicles Using Piezoelectric Sensors and Adaptive-footprint Tire Model

Summary This paper presents new methods for estimating the axle weight of a moving vehicle, using two piezoelectric sensors and adaptive-footprint tire model. It is more difficult to weigh vehicles in motion accurately than to weigh standing vehicles. The difficulties in weighing moving vehicles result from sensor limitations as well as dynamic loading effects induced by vehicle/pavement interactions. For example, two identical vehicles with the same weight will generate sensor signals that differ in the shape and the peak value, depending the tire pressure, vehicle speed, road roughness, and sensor characteristics. This paper develops a method that is much less sensitive to these variable factors in determining the axle weight of a moving vehicle. In the developed method, first the piezoelectric sensor signal is reconstructed using the inverse dynamics of a high-pass filter representing the piezoelectric sensor. Then, the reconstructed signal, is normalized, using the nominal road/tire contact length obtained using an adaptive-footprint tire model, and then integrated. Experiments are performed with 3 vehicles of known weight ranging from 1,400 kg to 28,040 kg. The developed method is compared to two other algorithms. Results show that the developed method is most consistent and accurate.     

A New Method for Accurately Estimating the Weight of Moving Vehicles Using Piezoelectric Sensors and Adaptive-footprint Tire Model

Summary This paper presents new methods for estimating the axle weight of a moving vehicle, using two piezoelectric sensors and adaptive-footprint tire model. It is more difficult to weigh vehicles in motion accurately than to weigh standing vehicles. The difficulties in weighing moving vehicles result from sensor limitations as well as dynamic loading effects induced by vehicle/pavement interactions. For example, two identical vehicles with the same weight will generate sensor signals that differ in the shape and the peak value, depending the tire pressure, vehicle speed, road roughness, and sensor characteristics. This paper develops a method that is much less sensitive to these variable factors in determining the axle weight of a moving vehicle. In the developed method, first the piezoelectric sensor signal is reconstructed using the inverse dynamics of a high-pass filter representing the piezoelectric sensor. Then, the reconstructed signal, is normalized, using the nominal road/tire contact length obtained using an adaptive-footprint tire model, and then integrated. Experiments are performed with 3 vehicles of known weight ranging from 1,400 kg to 28,040 kg. The developed method is compared to two other algorithms. Results show that the developed method is most consistent and accurate.     

Vehicle velocity estimation for real-time dynamic stability control

A new approach is proposed for nonlinear asymptotic observers based on the cascade observer system with a fusion of sensor signals. In the observers, the characteristic of the vehicle dynamic system, the nonlinear tire force estimation, load transfer estimation, and road ramp angle compensation are considered. The errors in the observation of vehicle velocity were diminished, and the computation cost was decreased for a real-time microcontroller. Simulation and real vehicle test results validate the higher accuracy of the velocity estimation by the proposed observers under complicated handling maneuver conditions.