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。     

多感知信息融合的车辆感知方法研究

为提高前方车辆检测的速度和准确率,本文采用一种毫米波雷达与机器视觉融合的感知方法。结果表明,该方法的准确率为93%,单帧数据的处理时间为42 ms,满足智能客车对前方车辆检测的要求。     

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。     

面向高级辅助驾驶雷达和视觉传感器信息融合算法的研究

为提高高级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目标识别方法。雷达与视觉融合算法是基于决策级的雷达与视觉检测目标,在世界坐标系中进行目标时间空间对准、数据关联匹配、滤波,最后根据应用功能输出融合目标信息。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目标识别中的不足。     

基于多传感器的军用车辆前方目标提取和融合算法研究

在目标车辆识别算法中,通常采用单一传感器作为感知器件。不论是摄像头还是雷达,都因为自身缺陷导致识别出的目标不准确,给ADAS系统的决策控制带来困难。文章提出了一种基于视觉传感器和毫米波雷达相融合的目标识别算法。该算法利用多传感器信息融合技术,按照本车道前方最危险目标(CIPV)的原则,并结合滤波原理,对目标车辆进行识别、提取和跟踪,以剔除无效目标,保留唯一、有效、可靠、稳定的目标,为ADAS系统的决策控制提供依据。     

一种复杂交通环境下的毫米波雷达目标跟踪方法

车载毫米波雷达是智能驾驶环境感知系统中重要的传感器,为实现车载毫米波雷达目标跟踪的稳定性、实时性和精确性,本文设计了一种基于联合概率数据关联(JPDA)的雷达目标跟踪算法,并提出了一种对传统JPDA算法的改进方式,该方式考虑了车载毫米波雷达运行的实际工况,通过改进点迹的选取方式以及利用生命周期理论简化关联事件的生成两个步骤,对传统JPDA算法进行了简化,解决了传统JPDA算法在密集目标环境下的组合爆炸问题,以及毫米波雷达虚警和漏检带来的数据不连贯、不稳定问题,实现了跟踪的稳定性和实时性;同时本文采用常加速度模型结合Kalman滤波对雷达目标运动状态进行了估计,解决了前后帧雷达目标运动状态不连续以及雷达信息中的噪声问题,实现了跟踪的精确性。实验结果表明:在复杂交通环境下,该毫米波雷达跟踪算法相较于传统JPDA算法,运算速率提升了50. 5%,稳定性提升了78. 46%。     

自适应巡航控制系统中主目标车辆的识别与跟踪

实时准确的识别与跟踪目标车辆的能力决定了自适应巡航系统性能。根据目标识别和目标跟踪的不同特点,在对毫米波雷达信号初步过滤的基础上,开发了具备目标识别、跟踪及功能切换的算法,提高了目标数据的连续性和稳定性。同时,为减少弯道误报问题,开发了基于CAPL的雷达数据处理程序。通过实车与DGPS差分定位对比试验数据表明,该算法能够在直道和弯道工况下实现目标的准确识别,为自适应巡航系统开发提供了保障。     

基于深度置信网络的多源信息前方车辆检测

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。     

基于最小临近点迹和航迹关联的多源目标融合方法

针对智能车辆多传感器的目标融合问题,提出了一种改进的基于欧氏距离与余弦相似度的点迹和航迹数据关联的车用多传感器目标跟踪融合算法。该方法需获取由毫米波雷达系统和Mobileye视觉系统检测到的目标物数据列表,并对两个传感系统检测到的目标物数据进行匹配关联;然后对目标物进行匹配跟踪,更新目标物的生命周期状态;最后对上述两个传感系统输出的目标物的数据进行融合。该算法能够融合视觉系统和雷达系统两个传感系统的优点,以达到精确感知环境信息的目的,从而解决单一传感器难以满足感知系统精度及可靠性需求的问题。     

面向低速清扫车的信息融合车辆跟踪方法

交通参与者运动的准确跟踪与预测对智能车行为决策的有效性至关重要。传统运动目标的跟踪系统多采用单一传感器,难以保证数据的精度与可信度。为提高系统的鲁棒性与可靠性,设计一种融合毫米波雷达和相机的目标跟踪方案,该方案针对多目标的特征级信息进行融合。首先,考虑低速行驶的自动驾驶清扫车所处环境杂波较多,方案选择基于IMM/JPDA的多目标跟踪方法估计局部航迹。为降低JPDA数据关联的计算复杂度,结合基于马氏距离构造的椭圆关联门和基于车辆非完整性约束构造的扇形关联门,实现关联门的自适应调整,减少关联杂波的干扰。其次,结合传感器的配置与特性,对目标的航迹状态进行空间对准和时间对准,按照航迹点间的欧氏距离和互协方差选择融合模式,进行局部航迹融合。最后,为验证多目标跟踪和航迹融合方法的有效性与实用性,分别设计基于MATLAB/PreScan环境的仿真试验和基于智能清扫车平台的实车试验。研究结果表明：在横、纵方向上,融合后的系统状态都比单一传感器的估计状态更为准确,融合结果对单一传感器的估计误差有35%以上的提升;实车试验证明,该方案能有效融合ESR毫米波雷达和Mobileye单目前视相机的状态估计信息,能基本正确地跟踪目标和估计航迹;融合状态的横、纵向误差都在可接受范围以内,且融合状态比单一传感器的估计波动更小。     

基于机器视觉的车辆检测与参数识别研究进展

近年来公路交通运输快速增长，交通车辆的快速准确检测与识别对智能交通系统和交通基础设施运维具有重要意义。随着机器视觉和深度学习技术的迅速发展及其在目标检测领域的广泛应用，车辆目标检测和参数识别也取得新的突破。该文从车辆参数的识别方法和应用研究两方面梳理了机器视觉和深度学习在车辆检测与参数识别领域的研究现状、最新研究成果和未来发展趋势。在识别方法方面，将车辆检测方法分为3类：运动目标检测方法、目标实例检测方法和细粒度检测方法，系统总结了这3类方法的基本原理和各自特点。在应用研究方面，详细综述了基于机器视觉的车辆检测方法在车辆参数识别中的应用现状，主要包括车辆类别、车辆时空参数、车辆重量参数识别以及车辆多参数识别系统。最后对基于机器视觉和深度学习的车辆参数识别研究进行了归纳总结，并讨论了当前存在的挑战和未来可能的发展趋势。研究表明，对于不同的环境条件和车辆参数，应根据实际需要和各算法特点选择合适的车辆检测方法。目前方法仍局限于单参数或少量参数的独立检测，且识别精度和效率难以同时满足。后续研究应注重与新技术的融合，提高在现实复杂环境下车辆参数识别的精度、效率、鲁棒性及全面性，以使其更好地应用于工程实际。     

智能车辆安全辅助驾驶技术研究近况

论述了安全辅助驾驶技术的研究现状、研究的必要性以及研究进展。安全辅助驾驶技术包括车道偏离预警与保持、前方车辆探测及安全车距保持、行人检测、驾驶员行为监测、车辆运动控制与通讯等。分析了各种传感器的优缺点及其在实际应用过程中存在的问题,基于单一传感器不能很好地解决安全辅助驾驶技术可靠性和环境适应能力的要求,应结合激光雷达技术解决图像模糊问题,利用红外传感器增强机器视觉识别的可靠性,未来的安全辅助驾驶技术应该采取多种传感器融合的技术,结合毫米波雷达和激光雷达系统具有深度测量精确的特点,将极大的推动汽车安全辅助驾驶系统的应用和推广。     

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。     

防患于未然——汽车毫米波雷达

伴随着汽车电子科技的发展,汽车雷达已经发展成为主动安全系统中不可或缺的重要技术。丰田国王的“侧前方预防碰撞安全系统”作为新一代汽车雷达的代表。更是展示出了其毫米波雷达的绝对优势。侧前方预防碰撞安全系统共有三个毫米波雷达（全车共有四个毫米波雷达）,除了原来用于检测前方车辆的毫米波雷达之外,还在保险杆的左右侧安装了侧前方用毫米波雷达,从而扩大了检测范围。     

基于机器视觉的客运车辆危险行驶状态辨识技术研究

为了提高客运车辆危险驾驶状态的辨识效能,提出利用机器视觉辨识危险驾驶行为。使用车载CCD实时采集路面图像,依据图像处理算法检测车道标识线的位置以及本车与前方目标车辆的实时距离,建立了车辆横向偏航辨识模型和车辆纵向危险行驶状态辨识模型;结合所建模型的辨识结果,确定预警方案。实车试验结果表明,所建模型能有效辨识车辆横向偏航和纵向跟车过近危险行驶行为,可用来降低潜在的危险驾驶行为,提高车辆在途行驶安全性。     

防患于未然——汽车毫米波雷达

伴随着汽车电子科技的发展，汽车雷达已经发展成为主动安全系统中不可或缺的重要技术。丰田国王的“侧前方预防碰撞安全系统”作为新一代汽车雷达的代表。更是展示出了其毫米波雷达的绝对优势。侧前方预防碰撞安全系统共有三个毫米波雷达（全车共有四个毫米波雷达），除了原来用于检测前方车辆的毫米波雷达之外，还在保险杆的左右侧安装了侧前方用毫米波雷达，从而扩大了检测范围。     

基于角毫米波雷达的目标筛选

随着ADAS系统在汽车领域的普及,基于角毫米波雷达的ADAS系统由于其成本低、环境适应能力强被广泛应用。其中,使用角毫米波雷达的盲区监测系统能够有效辅助驾驶员对车辆周围环境的感知。根据24GHz角毫米波雷达的特性,使用2个角毫米波雷达对驾驶员盲区进行辅助监控,建立基于角毫米波雷达的盲区监测系统。而毫米波雷达输出目标存在一定的误检,文章使用角毫米波雷达连续5帧数据,建立反馈目标值运动模型,对目标位置数据进行更新,使用K-means算法对检测目标数据进行聚类,使用聚类结果判断检测目标是否真实存在,以消除毫米波雷达的误检,从而实现角毫米波雷达的目标筛选。     

基于扩展卡尔曼滤波与机器视觉融合的道路侧向坡度估计

为解决现有算法难以准确估计前方道路侧向坡度的问题,提出了一种基于扩展卡尔曼滤波（EKF）与机器视觉（VB）融合的道路侧向坡度估计方法。首先,建立含有侧向坡度的车辆2自由度模型,通过EKF估计出侧向坡度与车辆侧倾角的叠加态,由侧向加速度乘以适当增益解耦出车辆侧倾角,得到EKF道路侧向坡度估计值;其次,通过视觉成像原理分析二维图像中道路侧向坡度与图像中相关参数的几何关系,得到VB道路侧向坡度估计值;最后,通过数据融合得到最终的道路侧向坡度估计值,使估计结果冗余互补。仿真和实车试验结果表明,该融合算法能够适用于道路侧向坡度变化的坡道,并显著提高了估计精度。     

基于核相关滤波和运动模型的多目标轨迹跟踪

在自动驾驶系统中,基于视觉的车辆前方多目标检测和轨迹跟踪能够为前方目标的姿态估计、行为分析提供有效信息。针对协同运动信息和核相关滤波跟踪信息的多目标跟踪的不足,使用卷积神经网络YOLOv2检测目标,提出了融合核相关滤波和目标运动信息的多目标轨迹跟踪方法,目的是将运动信息融入到图像特征跟踪容器中,优化运动模型,减少环境噪声造成的目标跟踪丢失、偏离。提出了基于运动信息改进核相关滤波跟踪尺度不变性算法。建立了多目标的检测跟踪容器,提出了结合目标属性、重合度、运动状态、跟踪状态的多目标匹配方法。实验表明,本文算法能够实现一定场景下的多目标的持续实时轨迹跟踪,平均有效跟踪率为92.5%。