共查询到20条相似文献,搜索用时 607 毫秒
1.
根据车辆自动引导系统在车辆工程中的应用及发展趋势,开展了用计算机视觉技术进行车辆有线引导的基础研究,描述了系统的基本组成及其主要功能,分析了影响视觉输入的各项基本因素。根据哈夫(Hough)变换的基本原理,设计了引导路线检测的算法,通过典型引导路线特征图象的试验分析,验证了算法对直线特征的检测性能、对复杂背景下直线检测的可靠性和对实际道路中的中心引导线检测的有效性。分析了控制模型中实用视觉系统检测 相似文献
2.
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. 相似文献
3.
针对目前大部分交通事故检测算法没有考虑车辆相互遮挡的影响,导致在交通量比较大的情况下,算法运行结果比较差,为了解决这一问题,提出了基于类组成的时空马尔可夫随机场(简称ST-MRF)交通事故检测算法.该方法应用ST-MRF模型进行车辆跟踪,得到车辆的目标地图和运动矢量,获得交通流基本参数,结合安装在道路下游的检测器获得的交通流数据,采用语义层次算法对交通事件进行检测.为了验证算法的准确性,对该算法与仅仅使用基于ST-MRF车辆跟踪的得出的交通流数据来判断事故的发生的算法进行比较,发现本算法检测率要高.通过研究得出:基于语义层次组成的ST-MRF算法能在交通比较拥挤且车辆出现相互遮挡的情况下,准确检测到交通事件. 相似文献
4.
5.
6.
7.
为提高夜间行车的安全性,提出了一种基于单目视觉的夜间前方车辆检测方法。该方法利用最大类间方差法自动确定阈值,从背景中抽取出前车尾灯,并根据HSV颜色空间的颜色阈值剔除非尾灯目标,利用Kalman滤波方法将图像分为跟踪区域和检测区域,在两个区域内分别进行尾灯配对,根据尾灯对之间特征相似性的比较,剔除误检的车辆;跟踪区域中漏检的车辆,根据前一帧检测的车辆位置和正确抽取的尾灯来估计,以实现车辆检测。实验结果表明,该算法能准确检测夜间前方车辆,有效降低漏检率和误检率。 相似文献
8.
9.
《公路交通科技》2020,(8)
为了研究现有车辆目标检测算法的检测精度与检测速度相矛盾的问题,提出了一种小型化的改进YOLOv3深度卷积网络的实时车辆检测及跟踪算法。采用构建卷积层数少的网络架构以及进行多目标跟踪的方法,分析了大网络模型结构时正向推理速度慢、小网络模型结构时检测精度低的原因。在不同尺度卷积特征多层次提取车辆特征信息来保证准确率的基础上,利用K-means++算法改进聚类先验框中心点的提取,同时借鉴darknet19骨干网络结构,构建一种网络深度更小的基础卷积网络结构,采用更少的重复残差块结构单元,使网络模型结构小型化。在采用卡尔曼滤波算法对目标检测后下一时刻的车辆位置进行跟踪的基础上,利用匈牙利匹配算法进行分配关联视频相邻帧中的车辆,确定被检测目标唯一标签ID,实现对多个目标的精确定位与跟踪,以此改善检测不连续、漏检、目标被遮挡等检测不稳定的情况。结果表明:在实车自采集数据和公开数据集KITTI上进行测试,相较于YOLOv3网络,在平均准确率基本保持不变情况下,网络参数减小,网络模型大小缩小为1/4,为57.2 MB,检测速度提高一倍,达到101.7 f/s。整体算法检测速度达到11.3 ms/帧,检测率为97.50%。该小型化网络检测跟踪算法在复杂道路环境中有较强的鲁棒性,可以满足实际智能驾驶过程中对车辆检测跟踪的精度、速度的要求。 相似文献
10.
11.
12.
13.
14.
基于最大相关准则图像分割的结构化道路路径识别和跟踪算法 总被引:1,自引:0,他引:1
为提高基于视觉导航的智能车辆对结构化道路车道标识线的识别和跟踪精度,同时消除车流、阴影和光照不均匀等不利因素的影响,提出一种基于最大相关准则的图像分割算法及基于感兴趣区域的车道标识线跟踪算法:首先,对图像进行滤波和光线补偿等前期处理,采用最大相关准则的图像分割算法对道路图像进行阈值分割;然后,根据车道的结构特征及先验知识提取车道标识线的特征点,并运用最小二乘法对特征点拟合,得到车道模型的参数;最后,通过建立感兴趣区域(ROI)的方法实现对车道标识线的准确跟踪。试验结果表明,该算法具有很好的准确性、实时性和鲁棒性。 相似文献
15.
Vehicle detection is a crucial issue for driver assistance system as well as for autonomous vehicle guidance function and
it has to be performed with high reliability to avoid any potential collision. The vision-based vehicle detection systems
are regarded promising for this purpose because they require little infrastructure on a highway. However, the feasibility
of these systems in passenger car requires accurate and robust sensing performance. In this paper, a vehicle detection system
using stereo vision sensors is developed. This system utilizes feature extraction, epipoplar constraint and feature matching
in order to robustly detect the initial corresponding pairs. The proposed system can detect a leading vehicle in front and
can estimate its position parameters such as the distance and heading angle. After the initial detection, the system executes
the tracking algorithm for the vehicles in the lane. The proposed vehicle detection system is implemented on a passenger car
and its performances are verified experimentally. 相似文献
16.
现有的无人机(UAV)交通状态感知方法,主要针对宏观交通状态参数的获取,同时尚未克服UAV自运动对交通参数检测精度的影响,难以满足智能交通系统对于高精度微观交通参数的应用需求。为此,提出一种基于地空信息融合的UAV交通状态感知方法,该方法包括:地空信息融合模型、道路关键点(IKP)检测及跟踪、车辆目标检测及追踪算法和交通状态参数提取及估计。其中,地空信息融合模型利用地基信息(IKP世界坐标)与空基信息(IKP像素坐标)进行最优化融合,并通过自适应IKP追踪算法与自适应UAV位置偏移判断算法实时更新模型参数,以此克服UAV自运动对车辆轨迹精度的影响,进而获取可靠的车辆级(瞬时速度、车头间距和车头时距)与车道级(车道动态密度、车道流量和空间平均车速)交通状态参数。利用提出的感知方法获取实地拍摄视频的车辆级交通参数并进行了分布检验,同时比较了基于不同交通流模型的车道级参数估算方法。结果表明:该方法在车辆检测的mAP@0.5指数超过90%,同时提取的车辆轨迹相对完整,获取的车辆级和车道级交通状态参数也符合实际交通流状况。最后,将该模型应用于实地道路的交通拥堵检测及交通事件检测,该研究结果为UAV在现代交通感知和管理中的应用提供了一种理论和技术参考。 相似文献
17.
18.
提出了一种用于基于视频的交通事件自动检测的交通行为模式学习方法。首先为了获取利用神经网络进行车辆行为模式学习所需的训练数据,一种基于运动估算的车辆跟踪算法被建立,将采集到的灰度视频图像序列转化为车辆标号场时空序列。其次,使用轨迹建模和编码的方法,将跟踪结果转化为轨迹数据用于网络训练。在此基础上,建立自组织神经网络,并针对自组织网络的不足使用改进的GSOM模型,选择欧氏范数作为测度,自主开发了试验软件,以U形转事件为对象开展试验,对轨迹数据进行学习。对比试验结果表明改进的GSOM算法能有效提取行为模式。GSOM相比SOM用于行为模式学习更为有效和准确。 相似文献
19.
通过对YOLOv5机器视觉框架进行二次开发,同时融合DeepSORT追踪算法,实现对桥梁交通车辆时空信息的提取和车辆轨迹的追踪。改进了传统的虚拟线圈法,实现了对车辆速度的测量,避免对传统方法中因检测线圈的像素变化进行阈值的设定,提高了算法的普适性。最后,将算法应用到实际的场景中与测速仪结果进行对比,其中平均误差在1%以内,误差最大值控制在为15%以内。 相似文献