基于室内标志的视觉定位方法

为解决室内交通场景中智能汽车和移动机器人进行定位计算的问题, 利用室内场景中已存在的各类标志, 引入BEBLID算法, 提出1种视觉定位方法。对BEBLID算法进行改进, 赋予其对图像整体进行特征表征的能力。将定位过程分解为离线阶段和在线阶段, 离线阶段构建场景标志地图。在线阶段中, 首先通过全局特征匹配, 引入KNN方法确定最近节点和最近图像。通过局部特征匹配获得特征点一一对应关系。利用场景特征地图中存储的标志坐标信息, 进行度量计算, 获取当前位置信息。在教学楼、办公楼和室内停车场场景进行实验, 实验中对场景标志的正确识别率达到90%, 平均定位误差小于1 m, 与传统方法相比, 同一样本下识别精度相对提升约10%, 实验验证了算法的有效性。      

基于Wi-Fi指纹与视觉融合的室内交通定位

为解决室内交通在GPS盲区情况下的定位问题,将Wi-Fi指纹定位与视觉定位相结合,研究了一种高精度室内交通定位方法.在离线阶段,在Wi-Fi采样点处采集无线AP的MAC地址及其采样点坐标,生成Wi-Fi位置指纹数据库,然后采集定位区域内的所有门牌图片,生成训练图像集,计算出训练图像的SURF与ORB全局特征描述符,并与标志采样点坐标共同构成视觉定位数据库.在定位阶段,采集待定位点的实测指纹及被测试图像,利用指纹匹配算法得到待定位区域的范围及坐标,再利用图像特征匹配算法与KNN算法在训练图像集中得到与被测试图像相匹配的训练图像,即匹配图像,通过查询视觉定位数据库得到视觉定位范围及坐标.当匹配图像的坐标位于Wi-Fi定位范围内,将视觉定位坐标作为最终的定位参考坐标,反之将Wi-Fi定位坐标作为最终的定位参考坐标.实验选取了不同的室内交通环境对算法进行验证,定位误差为0 m的占比为82%,误差在6 m之内的占比为12%,误差在6~10 m之内的占比为6%;平均定位误差为0.75 m,而且在线平均定位耗时仅为0.56 s,能实现鲁棒的高精度的室内交通定位需求.      

特征稀疏场景下基于标签的车辆视觉SLAM

在智能车辆的同时定位与建图中，视觉特征点法通过对特征点的提取和匹配进行车辆位姿估计，但当环境缺少纹理或动态变化时，场景的特征稀疏、稳定性差，基于自然特征定位易导致精度下降甚至定位失败。在环境中加入视觉标签可有效解决特征稀疏问题，但基于视觉标签的定位方法高度依赖人工标定，且常因视角变化出现位姿抖动，影响定位的精度。为此，本文提出了一种基于标签的车辆视觉SLAM方法，充分利用标签信息，引入内外角点约束降低标签位姿抖动，同时借助视觉里程计建立低漂移、全局一致的地图；在定位时基于标签估计车辆位姿，并联合优化标签地图与车辆位姿，从而构建低成本、高鲁棒的视觉SLAM系统。试验结果表明，本文方法使用内外角点约束有效降低了标签的位姿抖动，使标签建图精度的提升率超过60%，定位精度的平均提升率超过30%，显著地提高了基于标签定位的精度与鲁棒性，有利于智能车辆的安全运行。     

基于多传感信息融合的智能车辆定位方法

针对高精度定位系统中地图的重要性问题,将定位问题分为无地图定位与基于地图定位,分别对智能车辆的定位问题进行探索。对研究的智能车辆、传感器及其定位问题进行建模分析,再对该平台实施传感器校准以减小系统误差。对于无地图定位问题,利用扩展卡尔曼滤波算法将里程计与惯性测量单元(IMU)数据相融合,通过试验证明航迹推测法存在累计误差,不适用于长距离位姿估计。对于地图定位问题,采用激光传感器构建室内环境地图,根据蒙特卡罗算法(粒子滤波算法)融合里程计、IMU、激光数据信息进行室内定位试验,结果表明,基于地图的定位方法可对累计误差进行校正,在该情况下位置定位成功率可达70%以上,角度估计成功率在直线轨迹情况下高达90%,证明了定位系统中地图的重要性。     

基于2阶HMM的智能车视觉地图定位方法

本文中针对视觉地图匹配问题，将视觉地图匹配问题转化为基于图像序列的最优视觉地图节点匹配问题，并提出基于2阶隐马尔科夫模型（hidden Markov model,HMM）的视觉地图匹配方法。在该模型中，状态变量被定义为高精度视觉地图节点，查询图像被定义为观测数据。在状态转移模型中，引入2阶模型对短时间车辆运动进行匀速运动建模，与传统的1阶HMM相比，可以提高模型的适用性与准确性。提出利用全局图像特征建立查询图像与地图节点之间的匹配关系，并从匹配的汉明距离建立发射概率模型，可有效提高地图匹配的效率。最后，通过前向算法来求解最优匹配的地图节点。为了验证算法的性能，分别在封闭工业园区、开放道路和KITTI公开数据集对算法进行验证。实验结果表明：2阶HMM模型能够有效融合车辆运动信息和图像信息，提高匹配的稳定性和精确度，算法性能明显优于传统的基于单帧匹配和序列匹配算法。     

一种混合视觉的车载激光雷达即时定位与地图构建方法

为提高地图的构建精度,提出一种混合视觉即时定位与地图构建方法。利用相机和激光雷达标定获得具有颜色信息的点云,并对点云数据进行预处理,选取相邻帧点云之间的特征点,制定匹配策略,对匹配点采取未解耦的位姿求解算法,获取两帧间的变换矩阵作为后续帧间匹配的初值。分别利用KITTI数据集和实车试验数据进行验证,结果表明,所提出的方法轨迹点均方根误差分别优化了6.84%和4.53%,验证了所提出方法的有效性。     

道路标志图案识别方法研究

针对道路标志图案自动识别,以转弯道路标志图案为例,通过颜色空间变换,将道路标志图像的RGB量值转换为H(hue,色度)S(saturation,饱和度)I(Intensity,亮度)量值,利用H、I作为分类器的特征值,设计了欧式距离分类器,实现道路标志背景颜色的识别。采用固定阈值法分割道路标志图像的图案区域,并对分割后的区域进行Daubech ies-4正交小波变换,利用小波变换系数的能量值和方差比值作为道路标志图案的纹理特征。最后,设计了BP神经网络道路标志图案分类器,实现道路标志图案的自动识别。实验结果表明,文中提出的方法可行。     

基于多信息融合的驾驶员图像面部定位

面部区域位置的快速准确定位是利用视觉方法对驾驶员的驾驶状态进行监测和预警的基础.采用AdaBoost算法对人脸图像的Haar-Like特征进行统计学习,生成用于人脸检测的强分类器.利用AdaBoost检测器快速检测到图像中可能存在的肤色区域,在检测到的区域内利用YCrCb颜色空间中的肤色模型进行人脸位置的精确定位.实验结果表明,该算法具有很好的可靠性和实时性.     

基于描述符辅助光流跟踪匹配的数据关联方法

针对采用多状态约束卡尔曼滤波(MSCKF)的视觉惯性里程计定位精度易受特征点匹配异常值影响问题, 提出了1种基于描述符辅助光流跟踪匹配的数据关联方法。该方法采用金字塔LK光流对序列图像中特征点进行跟踪匹配, 计算每一对匹配点的rBRIEF描述符, 根据Hamming距离对描述符的相似度进行判断消除异常匹配点。在实验中从特征点匹配主观效果以及定位精度2个方面评估本文方法的有效性, 结果表明: 所提出方法能够有效滤除动态场景下图像特征匹配的异常值, 使用该方法处理后的图像进行MSCKF运动解算, 位置结果漂移率小于0.38%, 相较于未剔除异常匹配值的MSCKF算法结果, 改善了54.7%, 单帧图像处理时间约为39 ms。      

基于激光视觉融合的帧间匹配方法

同步定位与地图构建(Simultaneous Location and Mapping,SLAM)是机器人在未知环境中实现自我导航能力的重要保证。目前SLAM算法使用的主传感器基本是激光雷达或视觉相机。二者各具优劣,激光雷达能更精确地进行测距,视觉相机能反映环境丰富的纹理信息。与使用单一传感器相比,将二者融合的SLAM算法能够获得更多环境信息,达到更好的定位和建图效果。文章提出一种融合激光雷达和视觉相机的帧间匹配方法,通过在SLAM帧间匹配过程中加入地面约束以及视觉特征约束,提高帧间匹配过程精度,增强算法鲁棒性,从而提升SLAM算法整体效果。文章最后利用采集的地下停车库数据进行结果验证,与开源算法A-LOAM进行对比。结果表明,相比A-LOAM的帧间匹配方法,文章提出的方法相对位姿误差提升约30%。     

基于单线激光雷达的SLAM系统功能优化设计

地图与导航是无人驾驶与机器人领域的关键点,针对单线激光SLAM(同步定位与地图构建)系统功能优化问题,利用DOE(实验设计),提出了基于单线激光雷达的SLAM系统功能优化方法。首先,基于SLAM小车平台,利用Gmapping、Hector、Karto、Cartographer四种算法对室内环境进行建图,分析建图结果,提出最优建图方法。其次,依据AMCL定位算法,分别利用A*和Dijkstra两种路径规划方法,通过对比定位导航效果,提出基于参数匹配的定位导航功能优化方法。在此基础上,提出系统功能匹配优化方法,完成SLAM系统功能优化设计。     

基于RFID和IMU技术的室内定位方法研究与应用

针对在室内停车场等GPS信号较差的工况,行驶车辆无法实时获取准确定位的问题,文章结合RFID和IMU两种定位技术,使用卡尔曼滤波器耦合该两组定位系统信号,并将该方法应用在某款车型上,结果表明在室内停车场能够获得实时准确的位置信息。     

长大地铁区间隧道火灾可用安全疏散时间算法研究及应用

为合理确定长大地铁区间隧道火灾时人员可用安全疏散时间，根据长大地铁区间隧道火灾疏散特点，分析影响人员安全疏散的主要因素，提出长大地铁区间隧道火灾时可用安全疏散时间算法，即多因素联合限定法（multi factor combined method，MCM），并在国内在建地铁过海隧道工程中进行应用。研究结果表明： 采用多因素联合限定法能够有效判定长大地铁区间隧道火灾时可用安全疏散时间（ASET），计算方便快捷，结果合理可行，可供相关工程参考借鉴。     

变化光照条件下的交通标志快速鲁棒检测

变化光照条件下交通标志检测算法的准确率往往会显著降低。针对此问题,提出了1种新颖的概率图建立方法,并结合最大稳定极值区域特征进行交通标志检测。该方法包括3个处理步骤:①根据不同光照条件对真实场景交通标志样本图像进行明确分类以构建多类颜色直方图,将交通标志输入图像由原始色彩表达转变为概率图(直方图反投影);②通过在概率图上进行 MSER特征提取,获取候选的交通标志区域;③根据候选区域的面积、宽高比等特征快速有效去除非交通标志区域。实验结果表明在弱光照和强光照条件下基于归一化RGB的交通标志检测算法检测准确率分别下降到84.4%和83.0%,基于红蓝图的交通标志检测算法检测准确率分别下降到87.4%和86.3%,提出的算法在变化光照条件下依然可以保持90%以上的检测准确率,对光照变化有较好的鲁棒性。      

基于电子地图信息的车辆主动转向仿真

以驾驶员预瞄点处的横向偏移最小为目标，以道路曲率输入的车辆运动模型为基础，分析了车辆进行主动转向所需要的道路环境信息，并研究了利用电子地图及车辆定位传感器得到这些信息的方法。利用设计的转向控制器进行了恒定道路曲率及基于电子地图数据的实际道路信息输入下的主动转向仿真。仿真结果表明，利用电子地图提供的信息能够在投入较低成本的条件下进行主动转向，使车辆在道路曲率变化的情况下沿预定道路行驶并有着较小的侧向加速度；从而提高车辆在弯曲道路行驶的安全性、舒适性。     

地铁区间安全疏散方式分析

地铁建设事业迅速发展,有关安全问题越来越受到广泛的关注,尤其是地铁区间的消防疏散更是重点关注的问题之一,而且业内存在诸多不同的理念与争论,我国现行规范对这方面的规定并不够详细与完善。提出了合并式、分离式区间隧道疏散,设置纵向疏散平台等几个地铁区间疏散模式,通过对几种疏散模式的分析,从安全性与经济性等方面,阐述对地铁区间隧道的消防疏散的观点。     

基于拓扑地图的自主泊车路径协调与优化策略

为了使全局路径与泊车路径无偏差对接，得到曲率连续的可行驶路径，为泊车模式切换提供精准位姿，提出基于拓扑地图的自主泊车路径协调与优化策略。首先，定义一种精简的停车场拓扑地图描述形式与道路拓扑设计原则，通过采集停车场内关键特征的定位数据建立停车场拓扑地图。其次，基于道路拓扑设计原则与泊车规划原则，设计“第1次平滑处理-路径协调-第2次平滑处理”的流程，对规划出的全局路径与泊车路径进行协调与优化。其中，“第1次平滑处理”利用对称极多项式，以车辆最小转向半径为约束，对全局路径的转折处平滑处理；“路径协调”通过节点替换的方式实现全局路径与泊车路径的无偏差对接；“第2次平滑处理”利用梯度下降的方法，分别优化前进段与倒车段的路径曲率，消除路径对接与均匀插值之后引起的曲率抖动。最后，在PreScan/Simulink联合仿真平台和实车试验平台上，验证路径协调与优化策略的有效性。研究结果表明：所提策略能够无偏差对接全局路径与泊车路径，并生成曲率平滑的可行驶路径，为横向控制提供了平滑变化的曲率值，有助于提高路径跟踪时转向的平稳性；在路径跟踪前为自主泊车控制系统提供了精准的泊车切换位姿，保证了低速自动驾驶与自动泊车之间的准确切换。     

公路隧道火灾初期视频火焰检测

为了有效探测公路隧道火灾初期火焰并预警,针对传统的感温型火灾火焰探测器在公路隧道等大空间环境存在反应速度慢等问题,通过研究失控火焰在图像中呈现的静态和动态特征,提出一种基于火焰图像多特征和AdaBoost算法的公路隧道火灾初期火焰识别方法。利用帧间差分算法提取运动前景,根据火焰在RGB和Lab空间的颜色统计模型分割疑似火焰区域,用从疑似区域中提取的H分量一阶矩、圆形度和LBP一阶矩特征值构成特征向量,作为AdaBoost静态特征模型的输入向量,用在一个检测周期提取的疑似区域质心跳动频率归一化特征值和AdaBoost静态特征模型识别结果中火焰帧数占周期总帧数的比值构成特征向量,作为AdaBoost综合特征模型的输入向量,并优化选取AdaBoost模型的参数。采用公路隧道火焰视频和公用视频对训练得到的AdaBoost静态特征分类器和AdaBoost综合特征分类器进行试验测试。结果表明：该方法能够实现公路隧道环境火灾初期的火焰识别,并能有效排除伪火焰车灯等干扰引起的误报警。