基于OpenCV视觉库的车道线图像识别

随着《智能网联汽车技术路线图2.0》的发布,国家大力发展智能网联汽车势在必行.文章利用Python中的OpenCV计算机视觉库,通过图像平滑处理,霍夫变换等一系列操作,完成对车道线图像的识别,最终绘制生成完全拟合车道线的图像.文章对于开发基于摄像头的智能车具有较高的利用价值.     

基于红外图像的目标检测算法分析

针对车载红外图像细节信息表现不明显、对比度低、成像效果差等缺点导致检测效率不高的问题,文章提出了一种基于 YOLOv5s 改进的目标检测网络。首先在头部网络中添加一个基于注意力机制的动态探测头,其特征层间的注意力机制用于尺度感知,空间位置间的注意力机制用于空间感知,输出通道内的注意力机制用于任务感知,这使网络更加重点关注检测任务中相关联的前景目标,提升模型目标检测头的表达能力。然后在训练时用 MPDIOU 替换 CIOU 边界框损失函数,提升模型的定位精度与效率。最后把轻量级网络 FasterNet 添加到颈部网络末端中的 C3 模块,提升模型的实时性。实验结果表明,改进后的网络模型较改进前原始网络模型的 mAP 提升了 2.1%,模型权重大小几乎不变,满足体积小与实时性的需求,适用于车载嵌入式系统中。     

基于 OpenCV 的直道车道线识别技术研究

人工智能技术的迅速发展使智能驾驶成为热门领域,车道线检测技术作为智能驾驶领 域的关键技术,对其进行准确的识别意义重大。文章针对直道车道线识别问题,设计了一种基于 OpenCV 的直道车道线识别算法。首先,为了提高检测的准确性,将车道线彩色图片读取为灰度图;然后通过边缘检测算法中的 Canny 算子提取出车道线边缘;为了进一步减少车 道线识别的干扰以及提高运算效率,设置图片的感兴趣区域;最后基于 Hough 变换对车道线 进行拟合,在拟合时根据左右车道线的斜率范围对左右车道线分别进行拟合。通过 OpenCv库对设计的算法进行了验证,结果表明,所设计的算法具有较好的准确性,最终达到识别车 道线的目的。     

基于 OpenCV 的车身匹配间隙测量方法

文章基于 OpenCV 图像处理技术,提出了一种汽车车身匹配间隙机器视觉测量方案。系统的软件框架分为图像预处理、边缘检测和尺寸测量等核心模块。采用中值滤波消除图像 中的噪声,运用 Canny 算法获取间隙的边缘信息,然后运用相应的测量算法计算出测量结果。 最后,对测量结果进行误差分析,验证了该方法具备高效、高精度、柔性化优势,具备良好的实际应用价值。     

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。     

基于模糊隶属度曲面的遗传算法图像分割

介绍了遗传算法的发展历史和图像分割的应用现状，分析了基于基本的遗传算法的图像分割方法，并将遗传算法与模糊集理论相结合用于医学图像分割，提出了基于模糊隶属度的遗传算法的医学图像分割方法。并对不同方法，如分割效果、计算代价进行了分析比较。     

快速高维均值平移算法及其在航空图像分割中的应用

随着军事伪装技术的广泛应用,如何有效提取与背景色彩接近的目标是提高航空图像目标识别能力的关键。针对背景色彩接近目标的航空图像分割问题,应用一种基于快速高维均值平移的图像分割方法对航拍图像进行处理。在包含有空间,色彩和纹理的高维特征空间中对图像进行均值平移滤波,再通过聚类方法分割图像。同时,针对特征空间维数增大带来的大计算量问题,对均值平移算法进行了改进,给出了一种基于均值平移向量预测的快速算法。实验结果表明,算法用于航拍图像分割,分割效果和运算速度均优于标准算法。     

基于遗传算法的视频交通量检测图像分割方法

将遗传算法应用于交通量视频检测图像分割中，在Otsu法的基础上，采用多次迭代以获得最优分割阈值，能够在搜索空间内找到全局的最优分割阈值，从而能更有效地把背景和目标分割开来；由于在寻求最优解的过程中采用并行计算，其运算速度优于Otsu法，满足了交通量检测的实时性要求。     

基于视频图像的车牌定位与分割技术研究

对交通控制系统中的视频图像进行了研究,利用数字图像处理技术,在对车牌图像预处理的基础上,分别利用车牌的水平投影和垂直投影找出车牌的切割位置,实现了车牌的准确定位;对定位后的车牌去除白色边框,再求得其垂直投影,避免字符粘连在一起,从垂直投影图上确定每个字符的分割位置,取得了较好的字符分割效果。     

基于改进YOLOv5的雾霾环境下船舶红外图像检测算法

从监控图像中准确检测船舶对于港区水域船舶交通智能监管具有重要意义。为解决雾霾条件下传统YOLOv5目标检测算法对船舶红外图像检测准确率低、小目标特征提取能力弱等问题,提出了基于Swin Transformer的改进YOLOv5船舶红外图像检测算法。为扩大原始数据集的多样性,综合考虑船舶红外图像轮廓特征模糊、对比度低、抗云雾干扰能力强等特点,改进算法提出基于大气散射模型的数据集增强方法;为增强特征提取过程中全局特征的关注能力,改进算法的主干网络采用Swin Transformer提取船舶红外图像特征,并通过滑动窗口多头自注意力机制扩大窗口视野范围;为增强网络对密集小目标空间特征提取能力,通过改进多尺度特征融合网络（PANet）,引入底层特征采样模块和坐标注意力机制（CA）,在注意力中捕捉小目标船舶的位置、方向和跨通道信息,实现小目标的精确定位;为降低漏检率和误检率,采用完全交并比损失函数（CIoU）计算原始边界框的坐标预测损失,结合非极大抑制算法（NMS）判断并筛选候选框多次循环结构,提高目标检测结果的可靠性。实验结果表明：在一定浓度的雾霾环境下,改进算法的平均识别精度为93.73%,平均召回率为98.10%,平均检测速率为每秒38.6帧;与RetinaNet、Faster R-CNN、YOLOv3 SPP、YOLOv4、YOLOv5和YOLOv6-N算法相比,其平均识别精度分别提升了13.90%、11.53%、8.41%、7.21%、6.20%和3.44%,平均召回率分别提升了11.81%、9.67%、6.29%、5.53%、4.87%和2.39%。综上,所提的Swin-YOLOv5s改进算法对不同大小的船舶目标识别均具备较强的泛化能力,并具有较高的检测精度,有助于提升港区水域船舶的监管能力。