基于多特征融合的高速路车辆多目标跟踪算法研究

针对高速路车辆移动速度快、检测器易出现漏检和误检、目标相互遮挡等问题,提出一种基于多种特征融合的高速路车辆多目标跟踪算法。检测器获取每帧目标检测框后,采用HSV颜色直方图和HOG直方图建立目标外观模型,通过卡尔曼滤波建立目标位置模型和尺寸模型,融合多种特征模型构建相似性度量矩阵,并利用二分图匹配解决在线数据关联问题。在KITTI车辆数据集和自采的高速车辆数据集上将该算法与若干经典算法进行比较,结果表明,该算法在跟踪正确率和跟踪速度上明显提升。     

基于小型化YOLOv3的实时车辆检测及跟踪算法

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。     

基于先验知识的高速公路逃费车辆跟踪算法研究

由于目前部分货车在采用记重收费的高速公路收费站前无序倒车,对高速公路收费站秩序造成较大影响,如何对此类现象进行采证,从而便于处罚和管理,成为一个突出问题.在分析车辆先验知识的基础上,对车辆模型进行了参数化提取,设计了一种基于先验知识的车辆跟踪算法,该算法通过一定的先验知识对车辆目标进行建模,然后在实时的图像序列中通过模型匹配的方法来对车辆进行跟踪,并实时对模型进行连续不断的更新去实现对车辆的匹配跟踪.本文也给出了算法的实现过程,而且对算法进行了实际验证.通过实际试验结果表明,该算法很好的解决了环境中的干扰问题,对收费站前无序行驶车辆的取证提供了良好的技术解决方案,而且本算法对于车辆的遮挡问题也有一定的适应性.     

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。     

基于模式识别与ST-MRF相结合的车辆检测方法

车辆检测技术的主要难点是在于解决车辆之间的遮挡，以及由于光照变化引起的车辆与其阴影之间的遮挡问题，这些问题将直接影响检测的精度。针对这个问题，在原ST-MRF方法上研究了基于模式识别与ST-MRF相结合的车辆检测方法。模式识别技术分割相互遮挡的2辆车之间的边界，并识别相互遮挡车辆的边缘间隙以及边界信息，模式识别结果反馈给ST-MRF算法，算法对相互遮挡车辆重新分配标号，优化处理并融合不完整的分割部分，确定单个车辆信息。路段车辆检测实验结果表明，在检测区域行驶的325辆车，用原始ST-MRF算法跟踪统计到的车辆数为258辆，成功率为79%，采用模式识别技术与ST-MRF相结合算法统计到车辆315辆，成功率为97%；交叉口车辆检测实验结果表明，该方法在机动车与非机动车混行，公交车与小汽车相互遮挡的交叉口场景下，能较准确地得到车辆检测结果。      

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.      

基于毫米波雷达和机器视觉融合的车辆检测

针对车辆检测中使用传统单一传感器的识别效果差、易受干扰等缺点,本文提出一种基于毫米波雷达和机器视觉融合的车辆检测方法。首先利用分层聚类算法对雷达数据进行处理,过滤无效目标;利用改进的YOLO v2算法降低漏检率,提高检测速度;然后运用目标检测交并比和全局最近邻数据关联算法实现多传感器数据融合;最后基于扩展卡尔曼滤波算法进行目标跟踪,而得出最终结果。实车试验结果表明,该方法的车辆识别效果优于单一传感器,且在多种路况下识别效果良好。     

基于语义层次组成的ST-MRF交通事故检测算法

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.      

考虑接驳费用的车辆共享调度算法研究

针对现有的车辆共享调度算法未充分考虑车辆共享调度时造成的接驳费用问题,研究最小车辆规模最少接驳费用调度优化模型,并改进二分图匹配算法进行求解.根据车辆共享过程中调度方案的优化问题描述,以满足给定出行需求的车辆规模最小以及车辆调度接驳费用最少为目标,构建双目标优化模型.基于有向无环图对车辆出行需求进行建模,将模型求解转化为二分图最大匹配且权重最优匹配问题,提出Kuhn-Munkres算法求解最大匹配最小权重匹配的权重设置条件并进行证明,进而设计Hopcroft-Karp与Kuhn-Munkres算法融合框架进行求解.以安徽省宣城市部分出行为例进行模型和算法合理性分析,479辆自动驾驶共享车辆可以满足13575个出行需求;与未考虑接驳费用目标的调度算法相比,调度总费用减少40.8%左右.算法可求解最小车辆规模并降低调度成本.      

基于路侧多机视频目标关联与轨迹拼接的车辆连续轨迹构建方法

针对单个相机覆盖区域有限的问题,本文提出了通过路侧多个相机获取车辆连续轨迹数据的方法。在路侧端布置多台固定相机采集视频数据,采用直接线性变换算法解决相机外参造成的画面畸变问题;通过全时域抽帧提取图片训练样本,采用YOLOv5训练车辆检测模型;针对偶发的车辆漏检情形,通过完整性检查可以筛查出此类情况并修复;针对连续多帧漏检或误检导致的目标关联问题,通过异常轨迹核查算法及数据修复工具解决;针对相机斜下方区域的车辆轮廓变形问题,采用车辆检测轮廓修复算法解决车辆在不同路段检测框大小不一的问题;提出了基于车辆质心坐标匹配的方法实现相邻机位间的车辆轨迹拼接。基于上述多机视频目标关联与轨迹拼接方法,在多机位时间同步下构建了覆盖武汉珞狮路高架桥的车辆连续轨迹数据集,轨迹数据集验证结果表明：数据集涵盖从畅通到拥堵的各种交通状态,包含多段分合流区域,数据集连续时长达到3.5 h,覆盖区域1.41 km;车辆检测模型的召回率达到93.23%,准确率达到98.51%,F1分数为95.80%;数据集包含主路及各处匝道汇入的轨迹共25 734条,其中覆盖道路全域的完整长轨迹15 004条。本研究丰富了路侧多机视频...     

概率匹配和状态预测的不连续空间车辆识别跟踪算法

为了解决交通路段不连续监控区域车辆目标的自动识别跟踪问题,提出了一种不连续空间车辆识别跟踪算法.该算法分为识别阶段和跟踪阶段,识别阶段利用高斯概率密度估计的方法建立前一场景中某个车辆目标的概率函数,再通过概率函数计算出出现在下一场景中的所有车辆的匹配概率,用概率阈值确定是否有车辆与前一场景的车辆目标匹配,匹配的车辆在下一场景中将被标记识别.而在跟踪阶段中车辆的跟踪基于无迹卡尔曼滤波(UKF),通过状态预测同时跟踪不同的车辆目标.该算法可以解决在不同路段的监控视频中自动识别并跟踪肇事潜逃车辆等实际问题.通过试验测试表明,该算法在车辆目标的识别上具有一定的精准性,且能够实现对车辆目标的实时跟踪.     

车辆前向仿真平台的开发设计

设计了一种基于模糊PID控制的车辆前向仿真平台.该平台的主要特点是采用模糊PID算法实现了对驾驶员模型的控制,模型的能量流与信息流均与实际车辆相同,并允许用户自行设计车辆及部件的仿真模型并添加到数据库中.实例分析表明,该平台的仿真精度高于传统的后向仿真平台精度.     

基于双视角学习原理的交通视频车辆事件鲁棒检测

提出了1种基于双视角学习原理的高速公路交通视频车辆事件鲁棒检测算法.针对道路交通结构化特点提出了分车道外极面图(Epipolar Plane Image,简称 EPI),以此反映交通断面车流整体特征.基于双视角学习原理,融合现有广泛应用的反映车辆独立行为的行驶轨迹特征,实现高速公路车辆事件鲁棒检测.针对多种典型车辆事件(包括交通拥堵,车辆逆行,车辆违规停车,交通事故等),本文算法总体检测率为94.09%,误检率为4.51%,漏检率为1.40%,其性能与传统单视角方法比较有较大的提高.      

区域卷积神经网络用于遥感影像车辆检测

针对大范围快速的车辆检测与计数,利用高分辨率卫星影像数据,提出了一种基于区域卷积神经网络的车辆检测算法。区域卷积神经网络是深度卷积神经网络和区域建议网络二者的结合。首先利用深度卷积神经网络自动提取各个层的特征,为了减少检测窗口的数量,提出区域建议网络,对下采样后的每个位置考虑3种窗口和对应的3种比例,这样大大减少了检测窗口的数量。再根据分类器对目标进行分类。这样将特征、检测窗口和分类器有效地结合在一起。在对遥感影像车辆检测试验中,通过对手工标注的车辆样本数据多次迭代来训练卷积神经网络和区域建议网络获取车辆检测的先验模型,再由先验模型检测出测试影像中车辆目标。与传统的基于梯度方向直方图(HOG)特征和支持向量机(SVM)车辆检测算法进行比较,在检测率方面,区域卷积神经网络算法明显高于HOG+SVM算法;在误检率方面,区域卷积神经网络检测明显小于HOG+SVM算法;在检测时间方面,同样的一张图像,区域卷积神经网络检测速度比HOG+SVM算法提升近800倍。试验结果表明:利用区域卷积神经网络方法进行大范围车辆检测,在精度和速度方面都有显著提升。     

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。     

用于智能交通的运动车辆跟踪算法

为提高车辆跟踪的准确性,满足智能交通监控的需求,采用样本车型模板结合尺度不变特征变换(SIFT)算法匹配检测车辆位置,并将模板大小与车辆尺度变化联系起来,根据特征向量距离最终获得车辆准确区域;采用结合均值漂移的粒子滤波算法对车辆进行跟踪,根据跟踪尺度改变跟踪窗口大小,并通过独立粒子滤波建立了多运动车辆之间的数据关联。实际道路测试结果表明:该算法的车辆检测准确率达到90%以上,特征粒子在后续跟踪过程中状态稳定,漂移在跟踪窗口外的粒子数都保持在10%以下。     

一种基于数字图像相关的高精度车辆跟踪算法

为解决基于视觉的预警系统在车辆行驶过程中对前车跟踪不精准、碰撞预警不及时的问题,以减少交通安全事故,提出了一种基于数字图像相关的高精度车辆跟踪算法。该算法以检测到的车辆区域为参考子区,在参考子区周围采用数字图像相关的方法进行亚像素级别的搜索匹配,进而实现车辆的跟踪,由得出的跟踪框缩放值可计算出高精度相对速度,提高安全保障。实验验证了该算法能有效提高跟踪的准确性和实时性,降低了对高分辨率镜头的依赖。     

Bootstrap法在车辆故障检测中的研究及应用

介绍Bootstrap方法的原理并将Bootstrap方法应用于检测车辆中存在的故障,通过计算不同故障下的车辆样本之间均匀Kullback-Lcible距离的均值以及在给定置信度下的置信区间等特征值来反映被测车辆的故障种类。给出一种新的随机数产生器用在Bcotstrap法重采样中产生新的随机序列。以车辆卜的驱动桥为检测对象对该算法进行了验证,结果表明该算法能准确检测出驱动桥所存在的故障。