本期导语

选取 Harr-like特征,利用积分图快速计算矩形特征,对传统的 Adaboost算法引入优化更新权重的方法,提出1种基于级联分类器的行人检测方法,实现行人的实时区域快速检测。实验结果表明,基于改进 Adaboost算法的快速行人检测与定位方法实时性强、准确率高,基于该算法的行人快速检测与定位系统可靠性高、鲁棒性强。     

基于改进 Adaboost 的行人快速检测与定位算法

随着智能交通的发展,道路行人主动安全的重要性愈发凸显,且越来越受到国内外研究机构的重视。选取 Harr-like特征,利用积分图快速计算矩形特征,对传统的Adaboost算法引入优化更新权重的方法,提出1种基于级联分类器的行人检测方法,实现行人的实时区域快速检测。实验结果表明,基于改进Adaboost算法的快速行人检测与定位方法实时性强、准确率高,基于该算法的行人快速检测与定位系统可靠性高、鲁棒性强。     

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。     

基于图像的车道线内车辆目标识别

为了获取本车道内前方车辆信息,文章提出一种基于HOG特征与SVM模型的车辆识别方法。根据检测出的车道线确定搜索区域,结合车底阴影特征实施车辆的检测并确定车辆可能存在的假想区域,针对假想区域进行HOG特征提取,构建车辆正、负样本库,将假想区域进行HOG特征输入到训练好的SVM识别器,实现车辆目标的识别。通过大量测试图像进行验证,结果表明文章采用的方法可识别出本车道内前方车辆目标。     

基于优化最大类间方差法阈值分割与滑动窗口法的车道偏离预警

为了改善因传统边缘算子在车道线特征提取时鲁棒性差、传统霍夫变换弯道拟合能力较弱导致车道偏离预警率降低的问题，提出了一种基于优化最大类间方差法（OTSU算法）阈值分割与滑动窗口法的车道偏离预警方法。首先，使用遗传退火算法优化求解OTSU算法的最优阈值并调用整体嵌套边缘检测（HED）模型获取车道线边缘特征，将感兴趣区域转换成鸟瞰图形式；然后，使用滑动窗口法将车道线切分并逐个对窗口内的车道像素点进行二阶多项式拟合；最后，根据车辆与车道线的相对位置关系进行车道偏离预警以及弯道预警。试验结果表明，该方法的综合路况预警准确率为95.92%，检测速率可达34 ms/帧。     

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PreScan的侧后方车辆识别与跟踪算法的研究

为降低车辆换道时碰撞事故发生的概率,分析和研究了侧后方车辆识别和跟踪算法。首先利用积分图的方法加速Haar-like特征计算,结合级联分类器实现后方车辆的检测。基于MeanShift理论,提出纹理特征和传统颜色特征相结合的方式进行车辆跟踪。利用智能交通仿真软件PreScan构建仿真模型,验证算法的有效性。结果表明,该算法具有较高的识别率,能达到实时性的要求,并且跟踪效果良好。     

一种基于边缘点投影的车道线快速识别算法

提出一种基于边缘点投影的车道线快速识别算法,可用于车道线检测和车道跟踪。首先在感兴趣区域内基于投票机制检测消失点,定义目标搜索区域,利用边缘检测信息提取车道特征点。然后沿其梯度方向投影计数,获取车道线上的两个点,再通过置信度判断检测出车道线。最后定义带状区域,实现车道跟踪。采用TMS320DM6437为硬件开发平台,并在集成开发环境CCS下实时仿真调试程序。实车试验结果表明,该算法在DSP硬件平台上运行具有很好的实时性、鲁棒性及准确性,在有阴影、车辆遮挡或雨雾天气等复杂行驶环境下的车道识别和跟踪效果令人满意。     

车道检测中感兴趣区域选择及自适应阈值分割

针对间断线型或因污迹掩盖、磨损导致的车道标线不连续等情况,在基于前帧图像检测结果设置感兴趣区域的车道标线跟踪算法基础上,通过区域对比度分析并结合自适应大津算法,建立了车道标线有效检测区域的筛选及其自适应阈值图像分割算法。多种典型车道线型下的图像检测试验表明,算法在保持良好实时性的同时,也体现出对不连续车道线型处或破损等因素的鲁棒性和自适应性。     

基于OpenCV的AEB系统车辆检测和预警研究

为降低汽车换道时碰撞事故发生概率,提出基于OpenO_4CV的AEB系统车辆检测和预警算法。首先利用Haar-like+Adaboost实现前方车辆的识别与检测,并结合粒子滤波原理建立车辆跟踪模型。然后基于单目视觉模型对前方车辆距离进行测量,根据障碍物与车辆的安全距离估测碰撞时间。最后,基于AEB系统进行车辆防撞预警测试,测试仿真结果表明,在不干扰驾驶员正常驾驶的前提下,即碰时间的TTC算法性能最佳,有效提升了前方车辆检测预警精确率。     

基于人体典型部位特征组合的行人检测方法

为实现汽车主动安全对行人的保护,提出一种组合人体典型部位特征的行人检测方法。利用查表型的Gentle Adaboost算法来训练经加权Fisher线性判别算法优化的梯度方向直方图特征,形成一个强分类器对行人腿部区域进行检测;行人初步定位后,根据其头部轮廓变动较小的特点,运用模板匹配的方法对其进行检测;最后根据腿部与头部检测结果,综合采用部位约束、特征转化和分类器阈值调整的方法对检测结果进行融合。结果表明,该方法能有效排除大部分虚警,提高检测行人的准确性。     

基于扩展卡尔曼滤波的车道融合跟踪

车道检测算法的研究是智能车辆自动导航的首要环节。与目前基于视觉的车道检测与跟踪系统不同,本文提出一种基于扩展卡尔曼滤波的车道融合跟踪方法。该方法利用毫米波雷达探测到前方车辆的距离信息,并采用扩展卡尔曼滤波技术和图像处理技术,建立车道跟踪的动态视觉窗口,提取车道边界,并判断前方车辆相对于车道的位置。该方法大大缩减了处理时间,且增强了系统的鲁棒性。     

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。     

基于固定场景视频的运动车辆检测

为提高智能交通系统中运动车辆检测的效率,在固定场景视频下基于类Haar特征和AdaBoost算法提出了一种运动车辆检测方法.通过提取交通监控图像的扩展类Haar特征,在OpenCV平台上应用AdaBoost算法进行特征提取及训练得到级联分类器,利用级联分类器进行固定场景视频的运动车辆检测.测试结果表明,该方法具有良好的实时性和鲁棒性,在智能交通领域有广泛的应用前景.     

高速公路多车道分道线快速检测与重建技术

介绍了基于单目视觉技术的高速公路多车道快速检测与重建技术,实现了高速公路的车道自动保持。采用双阈值法快速分割高速公路的白色分道线,用特征跟踪法提取分道线,根据道路视觉模型用圆锥曲线结合分道线特征点重建4条分道线。分析了根据道路视觉模型和分道线重建来实现车道保持的基本方法。该算法已经通过VC语言实现,系统在四川省和重庆市的高速公路上以最高120 km/h的速度进行了试验,圆满地完成了多车道检测任务,实现了车道保持。     

融合毫米波雷达与深度视觉的多目标检测与跟踪

针对现有融合毫米波雷达与传统机器视觉的车辆检测算法准确率较低与实时性较差的问题,本文中对多目标检测与跟踪进行研究.首先,利用阈值筛选和前后帧数据关联方法对毫米波雷达数据进行预处理,进而提出一种用于毫米波雷达数据跟踪的自适应扩展卡尔曼滤波算法.然后,为提高目标检测精度与速度,基于采集到的实车数据集训练卷积神经网络,完成深...     

一种基于语义分割结果的车道线检测拟合方法

车道线等地面标志物的检测是自动驾驶车辆环境感知的重要内容,能够为车辆提供可行驶区域的信息。文章提出一种基于语义分割结果的车道线检测拟合方法。使用车载单目相机获取车辆行驶过程中采集的道路图像,送入卷积神经网络进行车道线语义分割。将分割得到的仅含车道线的二值图像进行透视变换得到鸟瞰图,筛选有效车道线像素点,对有效车道线点使用最小二乘法进行多项式拟合,输出左右车道线多项式拟合系数,能够有效解决传统车道线检测算法的环境适应性差,鲁棒性不强,对弯道车道线检测信息不够准确等问题。     

基于实例分割的车道线检测算法

为实现在自动驾驶复杂场景下检测数量变化的车道线，提出一种基于实例分割的车道线检测算法。首先以ResNet18网络作为主干网络提取图像特征，采用特征金字塔网络进行特征融合。同时设计一种扩张卷积残差模块来提高检测的精度；然后基于车道线的位置进行实例分割，利用语义分割出的车道线点位置预测对应的聚类点位置，通过对聚类点采用DBSCAN聚类算法实现车道线实例区分。结果表明，该算法能够在复杂的自动驾驶场景下有效地进行多车道线检测，在CULane数据集和TuSimple数据集上的调和平均值分别达到75.2%和97.0%。     

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。