基于深度置信网络的多源信息前方车辆检测EI北大核心CSCD

本文中以深度置信网络为理论基础,提出了一种多源信息的前方车辆检测方法。首先将毫米波雷达和摄像机进行联合标定,确定两个传感器坐标系之间的转化关系。然后通过对毫米波雷达数据进行预处理完成前方障碍物的标签分类,获得前方车辆目标和其他类障碍物的数据。接着利用深度置信网络对数据进行训练,完成前方车辆的初识别。最终根据常见车型宽度和高度的统计数据获得前方车辆识别的验证窗口。实验结果表明,采用所提出方法前方车辆识别的正确率为91.2%,单帧图像的总处理时间为37ms,有效地提高了系统实时处理速度,尤其对阴天、夜间、轻雨或雾霾等恶劣的道路环境中的车辆有良好的检测效果,能满足汽车辅助驾驶对于准确性和稳定性的要求。     

基于VGG-M网络模型的前方车辆跟踪

针对前方运动车辆复杂场景下的跟踪精度较低的问题,文中将庞大的VGG-M网络模型应用到实时跟踪中,并结合在线观测模型,实现对前方车辆稳定精准的跟踪。通过改进样本生成方案,优化网络训练集,提高了网络训练效率。采用自适应更新模型,可根据目标轮廓的高宽比、内部信息熵和跟踪的尺度置信度实时调节网络更新频率。实验结果表明,在线VGG-M跟踪模型比传统的车辆跟踪方法的性能有明显的改善。     

基于信息融合的道路前方车辆识别研究

将光学传感器与红外传感器进行信息融合以识别道路前方车辆.首先根据光学图像信息进行保守识别以初步确定车辆目标.在对相应的红外图像进行通道处理的基础上,充分利用其温度场信息提取车辆目标特征以构建车辆验证函数.以车辆验证函数值为依据建立基于最小风险的贝叶斯决策分类器,对光学初识别中得到的车辆目标进行验证,从而成功实现了光学图像与红外图像的信息融合.试验表明该方法能够利用红外热图信息在光学图像保守识别的基础上剔除误判目标,最终得到较为准确的识别结果.     

基于单目视觉的夜间前方车辆检测方法

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。     

基于小波与深度置信网络的柴油机失火故障诊断

为更深入地了解柴油机失火故障的机理,提高失火故障诊断准确率,本文中提出了一种基于小波与深度置信网络的柴油机失火故障诊断方法。首先,采用等角度采样法对柴油机缸盖振动信号进行采样,获得平稳的角域信号,消除循环波动干扰;然后,通过连续小波变换对角域信号进行角-频分析,提取点火频率附近频带后利用连续小波逆变换重构信号;接着,按照柴油机工作循环从重构信号中,分段提取方差、峭度和峰值等12种常用特征参数并构造诊断参数矩阵;最后,利用深度置信网络对诊断参数矩阵进行降维和第二次特征提取,并依据二次特征对失火故障进行诊断。将该方法应用到某型柴油机上的结果表明,该方法能准确提取失火故障信息,有效诊断失火故障。     

基于深度学习的多目标车辆检测及追踪方法

文章是以MTALAB软件为主要平台,基于深度学习建立一种多目标车辆检测及追踪的方法。首先建立一个基于深度学习的模型用于训练的不同场景的车辆数据集,并对所采集的数据集进行标注和格式归一化处理。然后使用K-means聚类算法进行锚框,建立以YOLOv3SPP算法为主的神经网络框架,采用非极大值拟制（NMS）算法得到最终的预测框。最终训练神经网络模型,再对该模型进行测试和评定。经实验可以得出该模型能够准确地检测及追踪多目标车辆。     

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。     

基于改进YOLOv5神经网络的道路检测车辆前方障碍识别方法

针对在嵌入式设备上部署神经网络模型存在受限于设备体积与计算性能的影响而难以保证神经网络模型的推理实时性的问题,提出了一种基于YOLOv5-nano的前车检测改进方法（HS-YOLO）。首先,采用硬拟合函数h-swish来取代SiLU激活函数,在激活关系相似的情况下提高模型推理速度;此外,引入SIOU边界框回归损失来替代CIOU损失,提高模型的训练速度与推理精度。为进一步验证改进模型的性能,使用SSD、YOLOv4-tiny、基础模型YOLOv5-nano与改进的HS-YOLO网络在相同训练条件下进行训练,得到最优模型并在测试集上进行推理测试。结果表明：HS-YOLO模型的精确率、召回率及AP0.5较原模型YOLOv5-nano分别提升了0.76%、0.43%、0.41%;在推理速度方面,HS-YOLO模型的单张图片推理耗时为7.8 ms,实时推理帧数为128 FPS,在所有模型中表现最优,较原模型分别提高了0.7 ms和10 FPS。     

基于机器视觉的道路上前方多车辆探测方法研究

提出一种基于车辆特征的方法识别和跟踪前方的车辆。首先,利用车辆底部存在阴影的特征,在图像中确定可能存在的车辆区域。然后,通过分形维数计算该区域的纹理特征,排除非车辆区域。最后,利用车辆的边缘信息,通过投影变换方法,对候选区域内的车辆进行定位。此外,利用NM I特征法对定位的车辆进行确认。该算法对不同环境和光照条件下的车辆图片进行了测试,以及在高速公路上进行了实时跟踪试验,具有较好的鲁棒性和可靠性。     

基于OpenCV的前方车辆检测和前撞预警算法研究

针对汽车的追尾碰撞事故,提出了基于OpenCV的前方车辆检测和多信息融合预警的方法。该方法首先利用Haar-like+Gentle Adaboost实现前方车辆的快速识别,结合Kalman滤波原理跟踪车辆,实现前方车辆检测,然后基于几何模型实时计算前车与本车的横纵向距离,最后根据本车及前车车速、碰撞时间TTC、横向距离等信息与阈值进行比较,分级识别碰撞风险。试验结果表明,该检测方法平均耗时22 ms/帧,检测率达到96%,并能较准确地测量车距,实现可靠的前方避撞预警输出。     

基于深度学习的车辆目标检测算法综述

车辆目标检测是自动驾驶环境感知的重要组成部分。近年来随着深度学习在目标识别领域取得重大突破,基于深度学习的车辆目标检测算法逐渐成为该领域的研究热点。论文对当前主流的两阶段车辆目标检测算法和单阶段车辆目标检测算法进行简要介绍,分析了其中几种具有代表性的卷积神经网络算法的优缺点,最后总结目前车辆目标检测存在的问题以及未来的发展方向。     

基于深度学习的多角度车辆动态检测方法

针对在复杂场景下,背景区域干扰特征过多、被检测目标运动速度快等导致的动态目标检测率低的问题,研究了基于深度学习的多角度车辆动态检测方法,将带有微型神经网络的卷积神经网络(MLP-CNN)用于传统算法的改进.使用快速候选区域提取算法提取图像中可能存在车辆的区域,之后使用深层卷积神经网络(CNN)提取候选区域的特征,并在卷积层中增加微型神经网络(MLP)对每层的特征进一步综合抽象,最后使用支持向量机(SVM)区分目标和背景的CNN特征.实验表明,该方法能够处理高复杂度背景条件下,部分遮挡、运动速度快的目标特征检测,识别率高达87.9%,耗时仅需225ms,比常用方法效率有大幅度提升.     

基于深度学习的车辆目标检测算法综述

近20年来,随着以物联网技术,计算机视觉技术为代表的核心技术蓬勃发展,基于深度学习的目标检测算法在各个领域都受到了较高的重视,而车辆目标检测是基于深度学习的目标检测中的一个重要研究领域,也是应用在智能驾驶、智能交通系统中非常重要的一部分。针对车辆目标检测任务,首先对深度学习的车辆目标检测进一步探讨,提出检测任务的重点、难点及发展现状,以时间线对卷积神经网络下车辆目标检测算法进行概括,并对目前2种主流的基于候选框和基于回归的车辆目标检测算法进行总结。伴随着目标检测算法的更加轻量化,检测性能更加优越,将在嵌入式设备得到应用,以提高检测任务的效率。在未来自动驾驶,智能交通系统领域对于安全性,实时性的要求会更高,使得车辆目标检测算法有较好的发展前景。     

基于多源信息融合的高速公路事件检测算法研究

为了研究高速公路交通事件检测算法,以多源信息融合理论为基础,依托人工神经网络技术,设计了固定检测器与浮动车检测器的信息融合事件检测算法,并说明了具体的检测原理和融合过程。通过Vissim仿真获得数据,在Matlab中编程实现了信息融合过程,试验结果表明在三级报警策略下,信息融合算法的事件检测率、误报警率和平均检测时间都达到了较高的检测水平,证明了所设计的信息融合交通事件检测方法的优越性。     

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.     

基于单目摄像头的车辆前方道路三维重建

通过构建6自由度车载单目摄像头测距模型,实现了摄像头任意方位变换下车辆前方道路信息的三维重建。同时考虑摄像头的5个畸变参数,可消除由于畸变引起的测距误差。提出一种基于地平线位置的标定方法,在非车载情况下完成了对摄像头的标定,给出了一种利用道路消失点计算道路坡度和车辆偏航角的方法。试验结果表明,所提测距模型和标定方法具有良好的精度和可操作性。     

基于单目视觉的夜间前方车辆检测方法EI北大核心CSCD

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。     

基于深度学习网络模型的车辆类型识别方法研究

为了将有效地识别车辆类型用于智慧交通系统,本文在分析Inception V3模型的基础上,提出了一种基于迁移学习理论的车型分类深度学习模型。该模型首先在Inception V3模型的基础上去除最后的全连接层,并加入参数优化层,然后采用Dropout和全局平均池化层。理论分析和试验结果表明,该模型的性能优于基于VGG-16的车型分类模型、基于Xception的车型分类模型和基于Resnet50的车型分类模型,其训练精度优于96.48%、测试精度优于83.86%。