基于K-means算法的行人检测方法研究

行人作为交通事故易受伤群体之一,其安全保障越发受到重视.结合车载激光测距仪实时采集的车辆前方障碍物距离信息,提出基于K-means算法的行人检测方法.首先对激光测距仪接收的距离信息进行报文解析,形成激光云点图.其次,对激光云点图进行预处理,消除冗余数据.再应用K-means聚类算法对前方障碍物进行分类,最后建立行人宽度模型甄别行人目标.试验结果表明,基于K-means聚类算法能从激光云点图中快速提取行人目标,为汽车主动安全及交通安全研究提供基础.     

基于多特征融合的行人意图以及行人轨迹预测方法研究

行人作为重要的交通参与者,其行走意图和轨迹预测对智能驾驶汽车的决策规划具有重要意义。基于注意力机制增强的长短时记忆(Long Short-term Memory, LSTM)网络,设计一种多特征融合的行人意图以及行人轨迹预测方法。该方法通过融合行人骨架和头部方向特征,以加强行人运动特征的表达,并将融合特征作为意图预测网络输入,继而得到行人意图;由于行人运动具有不确定性,将行人意图预测类别和历史轨迹坐标的联合向量作为行人轨迹预测网络的输入,以期生成更为精确的轨迹预测结果。此外,在轨迹预测网络中引入注意力机制,以加强LSTM对各个时刻编码向量的有效利用,从而提高网络的行人轨迹预测性能,并基于Daimler数据集进行训练及验证。研究结果表明：所提出的多特征意图预测方法准确率可达96.0%,优于基于骨架单特征的意图预测网络;在预测时域为1 s的情况下,预测轨迹的位置均方根误差为347 mm,相较于恒速度(Constant Velocity, CV)模型、交互多模型(Interacting Multiple Model, IMM)、常规LSTM等基线方法均有明显的提升;在实际场景分析中,提出的方...     

融合残差网络和特征金字塔的小尺度行人检测方法

针对小尺度行人检测中存在的过拟合、特征不易对齐,以及易忽略多尺度特征等问题,研究了1种融合残差网络和特征金字塔的小尺度行人检测方法。考虑到原始残差网络在检测小尺度行人时过于依赖训练集而出现过拟合问题,构建带有丢弃层的残差块代替残差网络结构中的标准残差块来解决这一局限,同时利用丢弃层的正则作用降低计算过程的复杂程度。通过在特征金字塔网络的侧向连接部分嵌入特征选择模块和特征对齐模块,对输入图像中重要的行人特征加强和对齐,提升算法对行人的多尺度特征学习能力,弥补特征金字塔网络出现特征不易对齐和易忽略多尺度特征的缺陷,提高小尺度行人的检测精度。在Caltech Pedestrian数据集上对模型进行训练、测试和验证,实验结果表明：小尺度行人检测精度为73.6%,AP₅₀检测精度为95.6%。在同为50层残差网络和特征金字塔网络下,改进后的模型可以使AP值提高17.2%,AP₅₀提高7.8%,小尺度行人检测精度提高了21.6%;在同为101层残差网络和特征金字塔网络下,可以使AP值提高24.5%,AP₅₀提高8.2%,小尺度行人检...     

基于边缘对称性的车辆前方行人检测方法研究

利用视觉传感器信息丰富的特性，提出了一种基于边缘对称性的行人检测方法。利用Sobel算子和Hough变换确定车辆前方的感兴趣区域（AOI），然后提取感兴趣区域图像的垂直边缘，根据行人腿部的垂直边缘对称性确定垂直边缘对称轴，并结合行人形态特征以确定行人初始候选区域，最后采用灰度对称性和局部熵对行人候选区域进行目标识别验证。道路试验结果表明，该检测方法识别有效、可靠，并具有良好的鲁棒性。     

基于中国人体形特征的行人假人缩放方法

结合中国人体形特征和假人缩放方面的研究成果,提出了基于受害人体形特征的行人数字仿真假人快速定制方法。该方法通过交互式程序,只需输入受害人的身高和人体质量信息,就可以快速生成多刚体假人模型。文中还以一起真实的事故案例为例,研究了假人体形参数对仿真结果的影响,结果显示假人体形参数对事故再现结果的影响不容忽略,尤其是要注意假人的几何尺寸方面,而对于人体质量误差的要求则可适当放宽。     

基于Euro NCAP典型工况的儿童行人下肢损伤评估方法研究

本文中采用Euro NCAP行人模型认证（TB024）中给出的FCR、MPV、RDS、SUV 4种典型汽车前端结构有限元模型,以及具有详细解剖学结构特征的6岁儿童行人有限元模型来模拟汽车-行人碰撞事故,分析典型工况下汽车前端结构参数对儿童行人下肢损伤的影响。结果表明,RDS车型由于机盖前沿离地间距较小,儿童行人撞击侧股骨大转子位置出现骨折现象;MPV和SUV车型由于扰流板离地间隙较大,对下肢胫骨、腓骨和膝关节韧带的损伤更为严重。最后,基于仿真结果提出了6岁儿童下肢长骨损伤的截面弯矩评价参数,为儿童腿型冲击器研发和数字测评提供参考。     

基于多源信息融合的行人检测实时性方法研究

目前车辆安全预警系统中存在行人检测粗检不准,细检过慢的问题,孤立的采用激光、雷达、红外或是摄像机均很难满足行人检测实时而准确的需求.考虑用多源信息融合的方法进行行人检测即将雷达与摄像机结合运用,使它们的信息有机融合,在提高速度的同时又不以降低精度为代价.研究了适应车载安全系统的摄像机标定与确定行人重点检测区域的方法.     

基于Prescan软件的行人检测仿真

行人的安全问题是智能交通系统中一个重要的环节,针对目前交通环境使用了一种融合了车载的激光雷达和摄像头数据的行人检测方法,将雷达和摄像头联合标定,将由雷达数据聚类得到的目标区域投影到图像中获取兴趣区域,然后根据行人对称度分析,腿部垂直边缘统计和基于Hausdorff距离的模板匹配的结果,分辨行人与非行人区域.并在交通仿真软件PRESCAN中把该车载的行人检测系统建模仿真,并添加该文的行人检测算法模块,论证了该算法的鲁棒性.     

基于改进门控上下文聚合网络的雾天实时行人检测方法

针对自动驾驶车辆在雾天情况下易将行人误检和漏检的问题,提出一种基于改进GCANet除雾网络和CenterNet检测网络相结合、有效进行雾天行人识别的联合检测方法。该方法在GCANet中引入结合底层细节和全局结构的复合损失函数,优化除雾图的结构细节及图像质量;并将改进的GCANet除雾算法应用于检测算法的训练图像预处理中,最后送入CenterNet网络训练。试验结果显示,本文提出的方法在合成雾天数据集Foggy Citypersons上的平均对数漏检率MR-2值达到9.65,在真实雾天数据集RTTS上的平均精度AP50值达到86.11,降低了雾天场景下行人的漏检和误检情况,有效提升了检测网络在雾天条件下的泛化能力。     

基于深度可分离卷积和多级特征金字塔网络的行人检测

为提高行人检测的准确率,提出一种基于卷积神经网络的行人检测方法。该方法以YOLOv3-tiny算法为基础,在骨干网络部分,用深度可分离卷积的网络结构代替原卷积网络结构,加深网络深度。在检测部分,提出一种改进的多级特征金字塔网络,该网络由8个结构相同的使用深度可分离卷积的特征金字塔组成,特征金字塔之间串联连接,将不同金字塔得到的相同尺寸的特征进行融合,利用融合后的特征金字塔进行检测。在Caltech Pedestrian数据集上进行测试。结果表明:该方法的漏检率为57.83%,比梯度方向直方图(HOG)方法低32.53%,比基于深度学习的方法SA Fast-RCNN和MS-CNN分别低4.67%、3.21%;运行速度为34 ms/帧。因而,该方法满足了实时性要求。     

典型汽车碰撞事故场景中行人运动轨迹预测方法

为提高未来自动驾驶车辆对弱势道路使用群体的感知和决策融合的可靠性,本文提出一种基于目标检测算法（YOLOv5）、多目标跟踪算法（Deep-Sort）和社交长短时记忆神经网络（social-long short-term memory,Social-LSTM）的行人未来运动轨迹预测方法。结合YOLOv5检测和Deep-Sort跟踪算法,有效解决行人检测跟踪过程中目标丢失问题。提取特定行人目标历史轨迹作为预测框架的输入边界条件,并采用Social-LSTM预测行人未来运动轨迹。并对未来运动轨迹进行透视变换和直接线性变换,转换为世界坐标系中的位置信息,预测车辆与行人的可能未来碰撞位置。结果显示目标检测精度达到93.889%,平均精度均值达96.753%,基于高精度的检测模型最终轨迹预测算法结果显示,预测损失随着训练步长的增加呈递减趋势,最终损失值均小于1%,其中平均位移误差降低了18.30%,最终位移误差降低了51.90%,本研究可为智能车辆避撞策略开发提供理论依据和参考。     

恶劣天气红外热成像行人检测方法研究

为了提高智能汽车在恶劣天气对行人检测的速度和精度,本文提出一种基于YOLO V4的红外热成像行人检测方法.通过迁移学习对YOLO V4模型进行再训练,可快速而准确地实现恶劣道路环境的行人检测.     

基于深度神经网络的行人及骑车人联合检测

本文中针对现有检测方法中不能有效区分行人和骑车人两类目标的问题,提出了一种基于深度神经网络的行人和骑车人联合检测方法;而针对道路环境中的行人与骑车人联合检测误检漏检频繁、小尺寸目标检测效果不佳和背景环境复杂多变等问题,设计了难例提取、多层特征融合和多目标候选区域输入等多种深度神经网络改进方案,以实现行人与骑车人的联合检测。在公开的行人与骑车人数据库上进行的试验表明,所提出的方法对行人或骑车人的识别率高,且能有效区分彼此,其有效性得到了验证。     

一种基于特征的车辆检测方法

提出了一种应用单目视觉进行车辆检测的方法。该方法以车辆阴影以及边缘作为检测的主要特征。在图像预处理中采用自适应双阈值以满足不同光照条件下的使用要求;利用能量密度验证提高车辆垂向边界识别的准确性;用可变模型用来规划车辆检测范围,以满足不同距离车辆的检测需要。为提高车辆检测的准确性及效率,在算法中融合了雷达的探测数据。试验验证表明,该方法有较高的车辆检测准确率,并且能满足智能车应用中的实时性要求。     

基于特征颜色的车牌边缘检测方法

章重点介绍了基于汽车车牌图像边缘检测的定位算法和基于车牌特征颜色的分析方法。大量的实验结果表明，该方法充分利用了车牌的色彩特征，具有思路简明、实用的特点。     

快速检测气缸漏气部位的简便方法

气缸密闭性与气缸、气缸盖、气缸衬垫、活塞、活塞环和进、排气气门等包围工作介质的零件密切相关,这些零件技术状况的好坏,不但严重影响发动机的动力性和经济性,而且决定发动机的使用寿命。在发动机使用过程中,由于一卜述零件的磨损、烧蚀、结胶、积碳等原因,会引起气缸密闭性下降。气缸密闭性是表征气缸组技术状况的重要参数。因此,气缸密闭性是进行汽车故障诊断及技术状况检查时常常被用来柃测的项目之一。     

基于人体免疫的入侵检测技术

人类的免疫系统能够察觉到来自未知病原体的袭击,设计一个用来保护计算机网络系统的基于人体免疫学原理、工作机制和体系结构的入侵检测模型。让系统自动学习。将其安装在需要得到保护的计算机上,在运行环境中,它会自动学习你想保护的应用程序的行为。     

基于差异性区域预测的行人与骑车人联合检测

本文中针对自动驾驶车辆在环境感知过程中易将行人与骑车人混淆的问题,提出一种有效区分行人与骑车人的联合检测方法,并基于快速区域卷积神经网络Faster R-CNN进行改进.首先,通过增加一个子网络提取图像形状特征通道,将其与主干网络生成的特征图进行聚合,额外的形状语义通道用以辅助检测器区分行人与骑车人的特征;接着,通过构...