基于单目视觉的区域交通智能车辆道路边界检测方法研究

基于单目视觉的道路边界检测由于其在车辆辅助驾驶系统中的重要应用价值成为当前计算机视觉和智能车辆领域最为活跃的研究课题之一。指出图像边缘检测现有算法的不足,采用领域平均法对图像进行平滑处理,根据图像的边缘特征运用Prewitt算子实现边缘增强,以获取精确的边缘信息。使用最大熵算法分割二值化图像进一步减少噪声,从而得到良好的道路特征图像数据。利用道路约束条件,建立视觉系统动态感兴趣区域(DAOI),运用改进的Hough变换最终识别道路边界。试验结果表明:本文所述算法不仅能准确、实时检测出道路板边界,而且能有效地抑制噪声,为区域交通智能车辆的换道和超车提供研究基础。     

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。     

基于单目视觉的路面车辆检测及跟踪方法综述

首先介绍了车辆检测算法的3种基本组成部分：检测、验证、跟踪，然后根据算法的组成重点介绍了车辆检测以及跟踪的几种主要算法。车辆检测算法包括基于特征的方法、基于光流场的方法和基于模型的方法，车辆跟踪算法包括基于区域相关的方法、基于活动轮廓的方法、基于特征的方法和MeanShifi快速跟踪算法。根据试验结果对各种车辆检测和跟踪方法的优点、缺点以及实际应用中不同情况下适用范围的局限性进行了综合分析。最后在结论部分总结展望了文中介绍的几种车辆检测和跟踪方法的应用前景，并提出了在实际应用时的一些建议和将来的主要研究和发展方向。     

新型视觉自动引导车辆导航控制器设计

本文简要地介绍了基于机器视觉引导的自动引导车辆的原理和组成，从自动引导车辆的运动学特征出发，结合驱动系统的系统辨识，建立了自动引导车辆的控制模型，然后利用最优控制理论获取极小值的反馈最优控制。通过对被控对象的仿真分析和实验，验证了最优控制器路径跟踪平稳可靠。     

计算机视觉技术在交通工程测量中的应用

分析了计算机视觉在国内外交通工程中的应用，给出了计算机视觉系统的基本设计要点 ，以形状特征测量分析为目标，系统分析了计算机视觉进行二维和三维特征分析，测量的各种基本原理，算法和技术实现。     

1种基于平行直线对模型的车道检测方法

针对智能车辆安全辅助驾驶系统中利用单目视觉进行车道识别的问题,提出了1种基于平行直线对模型的车道检测方法。该方法根据高速公路图像特征构建平行直线对模型,在此基础上先利用 Hough变换提取直线,再由改进的级联 Hough变换检测出平行直线对的消失点,最后通过消失点和先验信息来提取当前车道线。使用M atlab对高速公路上不同路段、不同光照情况、不同车辆干扰下共150幅道路图像进行实验,检测精度达88.6%,平均检测时间为0.24 s。实验结果表明,这一方法在高速公路行驶环境下能较准确地检测出当前车道线,具有很好的光照适应性、抗车辆干扰性和一定的实时性。      

基于立体视觉的车辆尺寸参数测量系统研究

本文利用双目立体视觉原理，提出基于数码相机阵列的车辆尺寸参数三维非接触测量系统，并对其进行可行性研究。系统以双目相机为基本测量单元，通过合理布置多个数码相机的位置，使得不同的基本测量单元负责车辆不同关键部位的测量，从而获取特征点的三维空间坐标，进而获得车辆尺寸参数。本文就其中的摄像机单目标定算法，双目标定算法以及三维重建算法进行相关的研究，并提出相应的实现算法。实验数据表明该测量系统的可行性和有效性，具有一定的应用前景。     

基于机器视觉的车辆检测与参数识别研究进展

近年来公路交通运输快速增长，交通车辆的快速准确检测与识别对智能交通系统和交通基础设施运维具有重要意义。随着机器视觉和深度学习技术的迅速发展及其在目标检测领域的广泛应用，车辆目标检测和参数识别也取得新的突破。该文从车辆参数的识别方法和应用研究两方面梳理了机器视觉和深度学习在车辆检测与参数识别领域的研究现状、最新研究成果和未来发展趋势。在识别方法方面，将车辆检测方法分为3类：运动目标检测方法、目标实例检测方法和细粒度检测方法，系统总结了这3类方法的基本原理和各自特点。在应用研究方面，详细综述了基于机器视觉的车辆检测方法在车辆参数识别中的应用现状，主要包括车辆类别、车辆时空参数、车辆重量参数识别以及车辆多参数识别系统。最后对基于机器视觉和深度学习的车辆参数识别研究进行了归纳总结，并讨论了当前存在的挑战和未来可能的发展趋势。研究表明，对于不同的环境条件和车辆参数，应根据实际需要和各算法特点选择合适的车辆检测方法。目前方法仍局限于单参数或少量参数的独立检测，且识别精度和效率难以同时满足。后续研究应注重与新技术的融合，提高在现实复杂环境下车辆参数识别的精度、效率、鲁棒性及全面性，以使其更好地应用于工程实际。     

VRGS中车辆引导比例研究—MLP优化模型描述

对由引导车辆和非引导车辆构成的路网交通流模式进行了分析，根据引导系统，引导车辆和非引导车辆三者之间的行为竞争机制，建立了一个描述车辆引导比例的变化对引导系统收益影响的多水平优化模型。     

基于OpenCV的AEB系统车辆检测和预警研究

为降低汽车换道时碰撞事故发生概率,提出基于OpenO_4CV的AEB系统车辆检测和预警算法。首先利用Haar-like+Adaboost实现前方车辆的识别与检测,并结合粒子滤波原理建立车辆跟踪模型。然后基于单目视觉模型对前方车辆距离进行测量,根据障碍物与车辆的安全距离估测碰撞时间。最后,基于AEB系统进行车辆防撞预警测试,测试仿真结果表明,在不干扰驾驶员正常驾驶的前提下,即碰时间的TTC算法性能最佳,有效提升了前方车辆检测预警精确率。     

智能交通系统中基于机器视觉的数字车辆控制

在描述成像模型与视觉坐标系的基础上，给出了基于计算机视觉的车道与障碍物辨识检测算法，应用预瞄转向以及车辆控制等技术手段来实现数字车辆的道路跟踪。     

基于雷达和视觉技术的车辆跟踪窗口

针对基于视觉技术的运动检测鲁棒性差、计算量大的缺点,提出一种融合雷达与视觉信息建立车辆跟踪窗口的方法。采用动力学模型描述车辆运动,通过基于雷达量测的扩展卡尔曼滤波(EKF)估计,确定目标初始位置,然后根据灰度信息自适应调整跟踪窗口的中心位置及尺寸,快速而准确地建立起以目标形心为中心且适合目标大小的跟踪窗口,缩小了后续图像处理区域。三维场景仿真实验证明,该融合方法能快速有效地建立起目标的跟踪窗口。     

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。     

多媒体计算机序列图象运动分析系统的研究

随着计算机多媒体技术的发展，多媒体计算机序列图象运动分析系统已日趋成熟。它与摄影测量学理论相结合成为较完善的非接触动态测量系统。这种为一般工程技术人员在微机上即可进行运动过程定量分析的方法，在工程测量中具有广泛的应用前景。     

基于嵌入式计算机技术的超速视频检测系统设计

现代交通中,车辆速度检测在实时性、准确性等方面存在不足,故引入了一种基于视频的车速测量方法。在嵌入式技术的支持下,通过高速CCD传感器采集视频信息并实时量化,然后在DSP的支持下以相对小的系统规模,高速准确地抓拍超速车辆视频,再经过视频图像分析和算法处理。准确得出车辆速度。该系统以ARM作为主控,以FPGA作为数据堆栈,实时性强,满足了高速视频信息处理的速度要求,有利于快速检测出车辆的即时速度,进而准确判断车辆超速情况。     

视觉检测在车辆尺寸测量上的应用

设计了一套非接触在线检测系统,该系统基于近景摄影测量原理,与传统测量方法相比,它可以快速地对目标车辆的长宽尺寸进行非接触检测。利用图像处理的方法,对几种边缘提取算法进行比较,提取图像的边缘,计算其尺寸,再将图像尺寸转换为实际尺寸。指出这一算法可以应用到检测线模糊车型的区分等领域,具备一定的应用前景。     

高速公路车辆超速检测算法影响因素分析与对策研究

针对高速公路上车辆违章超速行为，给出了一种基于虚拟视频检测线的车辆速度检测与违章超速行为判定的实用算法。对影响该算法精度的各种影响因素进行了详细的分析，特别是针对检测线的数量与间距设置、图像采集卡的采集频率等对算法的影响进行了细致的讨论，并给出了算法条件下，所能检测的最高理论车速。对在应用中可能存在的漏检、误检情况，提出了解决办法。通过实验验证了该算法具有良好的适应性和较高的检测率。     

基于计算机视觉的汽车整车尺寸测量系统

针对汽车尺寸测量的应用背景，根据双目视觉原理开发了一套基于计算机视觉的汽车整车尺寸测量系统。论述了该双目视觉测量原理及传感器模型，利用图像差值法实现车身目标检测，并在此基础上利用Sobel算法、阈值化等技术实现特征点提取。结合特征匹配与区域匹配技术实现立体匹配，并完成自动测量。试验结果表明，该系统可以实现汽车整车尺寸的自动、快速、准确测量。     

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.