基于行为识别和曲率约束的车辆轨迹预测方法研究

为对智能车周围环境中车辆的行驶轨迹做出合理、有效的预测,提出了一种基于行为识别和曲率约束的车辆轨迹预测方法。首先,接收感知得到的障碍物信息,结合高精度地图提供的车道线信息,对车辆进行行为识别;然后建立s-l坐标系,将车辆运动分解为沿车道线方向(纵向)的运动和垂直于车道线方向(横向)的运动,依据行为识别结果得到车辆在横、纵向运动的多项式方程;再以高精度地图中的车道线曲率作为约束,筛选出一条最优的预测轨迹。实车实验结果表明,在车道保持、换道和转弯3种基本行为下,车辆在4 s内的轨迹平均预测误差分别为:0.52,0.51和1.03 m,较CTRA模型预测误差分别减小了1.81,4.48和5.49 m,单个车辆轨迹预测平均耗时为0.103 ms,验证了本文中所提方法的有效性、准确性和实时性。     

交通视频辅助的桥梁动态称重方法研究

为了进一步提升既有的桥梁动态称重技术，提出一种交通视频辅助的新型桥梁动态称重方法。首先介绍基于深度神经网络的计算机视觉目标检测技术和一种计算机视觉坐标转换方法，实现从交通监控视频中实时地探测与定位桥上行驶的车辆和车轴。然后引入桥梁应变分解方法和应变影响面识别方法，建立车重、车辆位置与桥梁应变之间的映射关系，从而建立一种综合利用时间和空间冗余信息对车辆进行称重的方法。该方法构建超定的影响面加载方程组，使用最小二乘法求解该方程组以得到桥上行驶车辆的轴重和总重。最后总结出一套交通视频辅助的桥梁动态称重方法框架。为验证以上方法，在某连续大箱梁桥的缩尺模型以及实桥上进行试验。试验包含单车、双车、跟车、并行、直行、变道、匀速、变速等复杂交通工况。模型试验结果表明：该方法的车辆总重识别误差均值为-2.02%，标准差为4.77%；车辆轴重的识别误差均值为4.77%，标准差为17.50%。实桥试验结果表明：该方法的车辆总重识别误差均值为0.21%，标准差为1.53%；车辆轴重的识别误差均值为-3.59%，标准差为42.67%。除此以外，所提出的方法还可用于识别桥上车辆的数量、类型、轴数、实时位置、运动轨迹、行驶速度等多粒度交通信息。     

基于熵最大化图像分割的直线型车道标识识别及跟踪方法

为了解决在道路路面材料不一致或光照不均匀情况下的车道标识线的识别和跟踪问题,提出一种基于熵最大化的图像分割可变形模板的车道标识线识别及跟踪方法.该方法结合了图像变窗口处理技术和基于熵最大化分割方法来实现对道路图像的理想分割,然后利用可变形模板匹配方法得到车道标识线参数,最后采用建立梯形感兴趣区域的方法实现对车道标识线的实时跟踪.试验结果表明：该方法具有很好的可靠性、鲁棒性和实时性.     

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.     

基于倾向流和深度学习的机场运动目标检测

针对当前基于视频图像的场面监视目标检测方法存在定位误差较大,识别准确率低等问题,建立一种结合目标运动信息的机场场面运动目标检测方法:利用倾向流法提取出运动目标在图像中的候选区域,对候选区域执行点池化操作以确定区域建议的边界,采用Inception结构构建一个浅层卷积神经网络,并使用该网络对区域建议中的航空器、车辆和人员进行识别.结合国内机场的监视视频,构建了一个包含4 938张图片的机场目标数据集,用于算法的训练和测试.结果 表明,运动目标提取的准确率达到94%以上,运动目标识别的Top-1准确率达到了97.23%,运动目标平均准确率达到86.23%.与3种深度学习目标检测算法相比,运动目标检测精度平均提升了39%.      

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

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。     

汽车电子标识在汽车试验场运营管控中的应用

安全、高效向来是汽车试验场的首要追求,准确识别试验车辆并将结果应用于运营管控是实现这一追求的基础。汽车电子标识技术可实现对行驶中车辆的自动识别和监控,相比于视频图像抓拍识别,其拥有快速精准、安全可靠、唯一性等优势,是我国道路交管体系的应用发展方向。文章根据实际管理需求,对该技术在试验场运营管控中的应用开展了研究,并通过实地验证证明,基于5.8 GHz专用短程通信（DSRC）的汽车电子标识识别技术具有一定的应用可行性。最后,结合汽车试验场运营经验,提出了四点汽车电子标识技术的具体应用方向及思路,以供国内各汽车试验场参考。     

隧道衬砌裂缝精细化识别及其评价

为了研究隧道衬砌裂缝形态的精确描述与特征量化,采用隧道衬砌全景图像的方法,以某隧道工程为依托,通过隧道衬砌展开影像生成器软件将采集的衬砌裂缝影像进行特征点提取、匹配、模型识别、图像展开与拼接处理,得到较为全面反映隧道衬砌全景展开图像。从图像增强的预处理、图像边缘检测、裂缝特征区域干扰点去除、裂缝连接及特征统计方面进行算法分析,并通过连通区域标记方法寻找裂缝的端点来确定缺陷在图像中的空间位置及角度方向,运用裂缝像素位置关系原理进行裂缝长度的换算统计,从而提取出衬砌裂缝的详细特征信息,开发出一套隧道表面衬砌裂缝识别评价系统,为隧道衬砌裂缝检测提供一种便捷、高效、全面的综合检测系统。结果表明:该方法运用自主开发的TLIM软件实现了将空间图像转为平面图像,具有很好的描述性及测量性;通过实践证明该方法大大降低了"伪裂缝"的干扰,提高了对裂缝识别的准确率;该方法实现了裂缝的有效连接与连接段裂缝种子的恢复,还原真实裂缝形态信息,从而可以得到详细完整的裂缝统计特征信息;该技术方法实现了对缺陷的精细化描述定位,主要从其裂缝位置、长度、方向等方面进行量化分析;该技术方法目前已在具体工程中获得应用且效果尚佳。     

基于视觉传感器的ADAS纵向行驶工况识别方法研究

汽车先进驾驶辅助系统在应用时要根据不同的车辆行驶工况对车辆进行相应的控制,而准确的车辆行驶工况识别信号是合理的控制策略的基础.为了得到准确的车辆行驶工况识别信号,利用视觉传感器分别对车辆跟踪定位,以及车道线检测技术进行了研究.利用adaboost分类器检测出前方车辆;应用文中提出的基于坐标映射与定比分线并能够抵抗俯仰角干扰的测距方法进行车辆定位,验证结果显示该测距方法误差小于1m;再应用改进后的基于置信度判断与Kalman滤波技术的车道线跟踪检测方法进行车道线检测,并通过实车道路试验对此进行了验证,验证结果显示该车道线检测方法误差小于1°.提出1种基于PreScan的将所应用的车辆跟踪测距与车道线跟踪检测方法相结合的方法,用以实现汽车ADAS纵向行驶工况的识别,并通过PreScan仿真场景验证了该工况识别方法,结果表明该方法能够为ADAS提供准确的工况识别信号.      

基于Kinect深度虚拟线圈的夜间车流量检测

针对夜间环境下基于摄像机的车辆检测方法存在精度低、稳定性差以及无法对车型进行有效识别等问题,提出一种基于Kinect深度虚拟线圈的夜间车辆检测与计数算法.首先对Kinect深度图像进行预处理,分别获得运动目标深度图(MDM)与空洞深度图(HDM).然后在MDM与HDM上设置虚拟线圈,利用积分图像分别生成对应的一维运动信号,对其进行加权合成获得对车辆运动特征的表达,并在合成的运动信号范围内检测出车辆目标,并计算出车辆目标的几何特征,通过SVM对车型进行有效识别.实验结果表明,该算法对于单双车道的车辆计数正确率分别高达99.75%与99.25%,大小车型分类正确率可达99.80%,处理单张图片的平均时间仅为7 ms.      

基于一维直接线性变换的视频中车辆运动状态重建

为克服传统车辆运动状态重建方法不能全面反映视频图像中车辆运动状态,且使用条件受限较大的问题,基于近景摄影测量中的直接线性变换原理,结合车身外廓特征信息,提出一种完整重建视频中车辆运动状态的有效方法。该方法中的特征标定信息全部取自目标车辆的外廓特征,不受路面和环境标定条件影响,扩大了使用范围;标定区域覆盖车辆在视频中的整个运动过程,最大限度地保证了车辆行驶轨迹的空间完整性;方法中每相邻2帧之间车辆行驶距离、行驶速度及加速度的解算均独立,避免产生累计误差。最后,使用该方法分别对车辆处于低速、中高速或减速3种运动状态下,摄像方向与车辆行驶方向呈90°或30°夹角的6种组合试验中车辆的相关运动状态参数进行解算,并与试验中采集的实际运动状态参数进行分析对比。研究结果表明:当车辆分别处于低速、中高速或减速3种运动状态时,在90°摄像视角下,计算所得车速值与记录值误差在1.5%以内,行驶距离值误差在3%以内,加速度值误差在7%以内;在30°摄像视角下,计算所得车速值误差在4%以内,行驶距离值误差在5%以内,加速度值误差在9%以内;该方法计算的视频中车辆的车速和行驶距离精度较高,加速度精度满足相关行业应用要求,证明该方法用于重建视频中车辆的运动状态有效、可行。     

基于图像纹理分析的动态车辆识别方法研究

在智能交通系统中,动态图像识别技术是系统应用的基础核心技术之一。以应用于交通监控、智能驾驶系统等场景的HSV空间动态车辆识别为基础,研究并论证提出了新的检测识别方法,实现对运动车辆的检测识别、目标追踪、驾驶辅助等功能。研究问题的难点是,如何从复杂的背景中分割运动物体,是检测方法能否有效的至关重要的一步,在研究了目前存在的各种方法之后,提出了一种新的基于阴影检测的HSV空间自适应背景模型的车辆追踪检测算法,算法基于HSV空间图像处理,采用最大类间方差法获取相邻帧二值化阈值,利用纹理信息进一步确定动态图像以及确认图像范围。通过截取由监控系统获取的视频信息,并对其进行图像处理检测车辆移动轨迹。从监控视频信息中获取两帧不同时刻的图像信息,在HSV空间进行相邻帧检测。由于阈值的选择将直接影响判断精度,本研究将固定阈值法进行了改进,该阈值是通过统计模型对整幅图像上灰度值进行计算,并通过最大类间方差法确定阈值。最后经过实际视频图像验证,仿真试验流程清晰,试验结果达到预期设想。     

一种基于雷达和机器视觉信息融合的车辆识别方法

为提高先进驾驶员辅助系统对车辆前方环境识别的准确性,提出一种基于雷达和视觉传感器信息融合的车辆识别方法。系统工作前预先对毫米波雷达和摄像头进行联合标定,并确定雷达坐标系和摄像头坐标系的变换关系。车辆识别过程中,首先根据雷达信息确定图像坐标系中的车辆识别感兴趣区域;然后对感兴趣区域进行对称性分析获得车辆对称中心,并对车辆底部阴影特征进行分析处理完成车辆边缘检测;最后根据逆透视变换得到车辆识别宽度,根据识别宽度对识别结果进行验证。结果表明该算法具有较强的环境适应性和准确率,弥补了单一传感器在车辆识别中的不足。     

自动驾驶中周围车辆识别与信息地图构建技术

为提高自动驾驶时单传感器对周围车辆识别成功率及工程实用性,提出了一种基于相机图像与激光雷达信息相融合的车辆识别和地图构建方法。对相机与激光雷达进行了联合标定和时间配准。对图像中的车辆阴影与激光雷达检测信息进行提取,获得两者间的坐标关联度特征,并根据其阈值范围确定周围是否存在车辆。将相机图像信息与激光雷达检测信息进行融合,构建周围车辆的信息地图,进行了实验验证。结果表明：采用坐标关联度特征对两传感器采集的信息进行融合,车辆识别的正确率比用D-S证据理论法结果高4.25%;本车辆信息地图,可以在安全的前提下实现基于三阶Bessel曲线的超车轨迹行驶。     

无人车行驶环境图像的几何测距

本文中提出了一种无人车行驶环境图像的几何测距方法。首先,利用迁移学习的方法改进Tiny-YOLOv2网络模型,对需识别的物体进行训练与检测,标记物体并定位物体在图像中的位置。其次,提出了一种通过物体分类、边缘检测及边缘拟合的方法,进一步提取物体的图像信息。最后,建立了一种基于空间几何理论的测距模型,结合物体先验信息实现了物体的距离测量。该方法在4 m以内88%以上的测量值误差不超过0.2 m,同时测量误差并没有随着距离的增加而有较大变化。     

基于双目图像匹配的车载测速测向方法研究

为实现车辆对自身车速与方向的准确检测,提出了一种根据2个并列车载成像设备拍摄的路面信息图像完成速度与方向检测的方法。通过精确控制2个成像设备间的拍摄时间间隔,获得相互重叠的路面信息图像,利用图像匹配技术计算图像的相对运动距离与方向,并结合标定参数和间隔时间,计算获得准确的车速与方向。试验结果表明,该方法具有较高的可信度和精度。     

Front Vehicle Identification Under Different Lighting Conditions

选取车辆底部水平方向特征和车辆左右两侧垂直方向特征,提取出受全局灰度影响较小的局部灰度特征、局部梯度特征和局部波动特征.应用加权证据理论将车辆水平和垂直方向的特征分别进行信息融合,并根据光强的不同调整各特征的权重.为提高识别的实时性,将人工鱼群算法应用于识别中,并增添了车辆识别模块以增强人工鱼的引导能力.根据人工鱼群的搜索结果,再通过对称性特征进行进一步判定,实现前方车辆的准确定位.实验结果表明本方法可在不同光照条件下对前方车辆进行识别并准确定位,具有良好的适应性、准确性和实时性.     

基于RFID、视觉和UWB的车辆定位系统

在智能交通系统中获取车辆的精确位置对提升主动安全和实现无人驾驶具有重要意义。针对目前全球定位系统(GPS)和车路通信(V2I)定位方法的不足,结合射频识别(RFID)、视觉和超宽带(UWB)通信提出了一种新的车辆定位系统,目的是在GPS效果不佳的城市环境下实现车道级的定位。提出了基于RFID和视觉的车道判别算法和基于UWB的单锚点V2I定位算法。分析了单锚点V2I定位算法在典型工况下的定位误差。结果表明,在合理布置路侧单元的前提下采用该定位方法可实现直道和弯道定位误差分别在0.3和0.5m以内的定位精度。     

一种基于有向图的高速公路多义性路径贝叶斯识别方法

随着高速公路的快速发展,公路路网由树状结构逐步转化为网状结构。车辆在网状结构的路网上同一个起讫点间存在多条可行的路径,由于不同路段公路资产管理单位的不同,以及在通行费增值税电子普通发票普及的条件下,因此,如何对车辆行驶的路径进行精准识别,来实现公平收费和通行费增值税电子普通发票的精确开具,是目前收费管理中的热点问题。本研究首先对现有路径计费方法进行了总结,研究了目前基于5. 8G DSRC技术、视频车牌识别技术、433 M射频技术和基于运营商基站的标识技术在多义性路径识别方面存在的不足。在此基础上,提出一种基于有向图的高速公路多义性路径贝叶斯识别方法,首先将高速公路路网模型化为有向图结构,将5. 8G标识点或视频图像标识点映射到有向图上,对每个出口建立路径生成树,然后采用一个贝叶斯识别算法建立标识串的概率模型,确定车辆的实际路径。算法采用两级结构,包括中心预处理和车道出口处理两级,可以实现车道出口处的快速计算。该方法已经在江西省高速公路中进行了实际应用,并获得了良好的效果,识别精度达到99. 8%,处理时间也能完全满足高速公路出口快速通行的需求。