基于V GG深度卷积神经网络和空间分布的道路裂纹种类识别

为了检测道路裂纹种类从而掌握路面状况信息进而为路面养护提供依据,研究了结合改进VGG卷积神经网络和空间分布的道路裂纹种类的识别方法.通过改进VGG网络的输入层和FC层神经元的个数,解决基于灰度图的裂纹子块的二分类识别问题,并对比不同结构的VGG网络框架在裂纹分割的结果,确定VGG11是解决基于灰度图的裂纹分割的最佳网络结构,利用基于子块的连通区域方法去除噪声子块,通过主成因分析方法提取裂纹子块的空间分布向量和对应分布系数,根据空间分布系数的比值识别道路裂纹类型.利用不同地点采集的180张裂纹图像对该方法进行验证.结果表明,该方法在识别横向裂纹、纵向裂纹和网状裂纹的正确率分别为97.6%,97.3% 和95.4%.该方法可有效地识别道路裂纹种类,特别在油污等路面复杂状况下,该方法依然具有较好的检测结果.      

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.      

基于改进RepVGG网络的车道线检测算法

为提高自动驾驶系统中车道线检测的速度和精度,提出了基于可解耦训练状态与推理状态的车道线检测算法.在结构重参数化VGG(RepVGG)主干网络中引入注意力机制压缩-激励(SE)模块,增强对重要车道线信息的特征提取;同时设计并行可分离的辅助分割分支,对局部特征进行建模以提高检测精度.采用行方向位置分类车道线检测方式,在主干...     

基于车载连续序列图像的道路曲率计算方法

提出一种基于车载连续序列图像的道路曲率计算方法.算法首先利用车载视 觉系统进行内外参数标定实现对路面车道线的三维重建,利用三维重建误差模型对重建 的数据点进行误差估计,并对数据点进行选弃.对序列图像中路面车道线重建出来的曲线 采用ICP 算法进行曲线匹配,并将匹配后的曲线映射到统一的参考坐标系中.最后利用匹 配曲线上的数据点进行圆周拟合,计算道路曲率.实验中利用真实的车载连续序列图像对 算法进行验证.针对曲率半径分别为96 m和430 m两段不同程度的弯道,利用本文算法计 算对应道路的曲率半径.结果表明,本文算法能够精确地计算出不同弯道的道路曲率,特 别是针对平缓弯道的曲率计算,比基于单幅图像的曲率计算方法更加准确与稳定.     

车辆感知与定位研究——第29届国际智能车大会综述

近年来,由于摄像头、激光雷达等传感器的更新换代和大数据、人工智能等高科技在汽车领域的广泛应用,汽车智能化的程度越来越高,智能汽车的整体制造近在眼前.第29届国际智能车大会(The 29th IEEE Intelligent Vehicles Symposium,IV 2018)旨在促进全球智能汽车技术发展和国际汽车领域的交流合作.会议整体分为智能车的感知、决策、路径规划和控制等主题,探讨了当前智能车领域的最新技术动态以及未来发展前景.综述了会议报告的热点,从传感器数据融合、智能车定位与导航、激光雷达感知与定位和目标检测与识别等方面对车辆感知与定位技术的发展状态进行了分析,展望了未来车辆感知与定位研究的发展趋势,提出了深度学习方法与基于激光雷达的定位方法是未来车辆感知与定位可能的研究热点.      

面向智能车定位的道路环境视觉地图构建

为实现智能车视觉定位,提出了一种基于多视角、多维度道路环境表征的高精度视觉地图构建方法,该方法明确了视觉地图的表征模型,包括视觉特征、场景结构信息以及轨迹信息等。在视觉特征中,运用前视场景全局特征描述道路环境,视觉特征不局限于某一种特征描述子;在场景结构信息中,运用俯视路面的2D结构信息进行描述,该特征与前视视觉特征构成多视角;轨迹信息则通过视觉维度以及地理维度的多维度方式完成计算,在视觉维度中,通过平面单应性计算节点间的轨迹;地理维度中,通过高精度经纬度信息消除累积误差问题。试验选取武汉理工大学内长约700 m的半开放式环形路段进行试验。试验结果表明：制图的单节点平均误差为3.1 cm,标准差为2.3 cm,最大节点误差为9.3 cm,累积误差率为0.5%。运用所制地图进行定位检测,平均定位误差约为11.8 cm,因此,研究所提出的方法可应用于半开放式路段或固定场景的视觉地图构建,为实现智能车在上述场景的定位打下基础。同时,研究提出的制图方法不需使用双目摄像机,在降低数据存储量以及制图成本的前提下,实现了对道路环境的充分表征;此外,运用路面2D特征结构信息计算轨迹,解决了视觉3D重建精度不稳定的问题,为视觉地图构建提供了新的构建思路。     

基于路面指纹的高精度车辆定位

车辆定位广泛使用基于视觉的定位方法,针对前视图像或侧视图像易受到周围环境的影响且定位过程中需要遍历匹配地图图像导致耗时较长的问题,本文提出一种基于俯视路面图像的表征模型--路面指纹.路面指纹包含GPS(Global Positioning System),路面特征和图像特征点.该模型通过卷积神经网络(Convolutional Neural Network, CNN)结合连通区域识别待定位图像的路面特征信息,利用路面特征信息对GPS初定位筛选的地图节点进一步筛选从而提高定位效率.分别在路面特征信息密集和稀疏的路段下进行实验,实验结果表明,通过引入路面指纹使定位耗时减少20.3%,平均定位误差为47.4 mm.该方法能提高定位效率并实现高精度车辆定位.     

基于图像处理的内河船舶目标提取与特征值计算

内河航行船舶进行目标提取及特征值计算,是船舶航行监控及船舶交通流参数测量的基础。文中主要介绍:1将背景差分法与大津法相结合,提出了1种新的船舶目标提取方法,对不同天气、不同角度下内河在航船舶目标进行提取;2提出了基于圆环划分的特征值算法,通过此算法计算所得目标船舶的特征值。验证结果表明,基于背景差分结合大津法可实现船舶目标提取,所得船舶轮廓较为清晰,并具有一定天气适应性;在特征值计算实验中,正拍图像的特征值1均大于0.95,而侧拍图像特征值1均小于0.5,可区别不同拍摄角度;各种船舶目标在进行旋转、平移及缩放后,特征值基本保持不变。因此,文中算法所得到的特征值具有旋转、平移及缩放的不变性,并可以适应在不同角度下摄像机所拍摄的要求。     

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。