基于改进Mask RCNN的夜间车辆检测方法

传统的夜间车辆检测基于车灯特征的提取和识别,这类方法容易发生误判、检测精度和检测实时性不高。针对上述问题,本文研究了基于改进Mask RCNN(mask RCNN-night vehicle detection,Mask RCNN-NVD)的夜间车辆检测算法。将残差网络（residual network,ResNet）结构中的普通卷积修改为数量为16组的分组卷积,通过16组1×1卷积实现通道数叠加,将网络参数降至普通卷积的1/16,提升检测速度,并实现与普通卷积相同的效果;将通道注意力机制模块（squeeze-and-excitation,SE）嵌入ResNet结构中,通过2个全连接层构建瓶颈结构,将归一化权重加权到各通道特征,增强网络表征能力;在特征金字塔网络（feature pyramid networks,FPN）后加入自底向上结构,将底层特征强定位信息传递到高层语义特征中;加入自适应池化层,根据区域候选网络（region proposal network,RPN）产生的候选区域分配至不同尺度特征图中,并在底层特征与各阶段最高层特征之间加入跳跃连接结构,实现缩减模型参数的同时保留...     

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...     

基于深度学习的车辆目标检测算法综述

车辆目标检测是自动驾驶环境感知的重要组成部分。近年来随着深度学习在目标识别领域取得重大突破,基于深度学习的车辆目标检测算法逐渐成为该领域的研究热点。论文对当前主流的两阶段车辆目标检测算法和单阶段车辆目标检测算法进行简要介绍,分析了其中几种具有代表性的卷积神经网络算法的优缺点,最后总结目前车辆目标检测存在的问题以及未来的发展方向。     

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。     

基于机器学习的毫米波雷达车辆目标检测

为了提高毫米波雷达对前方车辆检测的准确性,本文提出一种基于机器学习的前方车辆检测方法。结果表明,该方法满足智能客车环境感知系统对于实时性和准确性的要求。     

复杂路面环境下前方车辆识别目标函数的选取

首先利用道路边界信息限定车辆的存在范围,以提高识别的实时性.接着根据灰度图像上车辆底部的灰度特征、方差特征和下边界梯度特征构造车辆检测目标函数,以指导在车辆存在区检测前方车辆.最后利用区域增长方法剔除由噪声引起的误判.实验验证表明,在复杂环境下该目标函数能够有效地消除大量无规则噪声的影响,并能准确地识别出车辆目标.     

1种基于车辆时空图的车辆异常行为检测方法

对快速路车辆异常行为的检测有助于防止或及时处理交通事故,缓解交通拥堵,保障出行的安全和效率。采用多高斯背景模型提取前景运动车辆及其中心点并利用Kalman滤波算法跟踪运动车辆。在此基础上,得到各个车道上车辆的行驶时空图,通过车辆时空图对车辆行为进行轨迹分析,根据时间序列上车辆位置的变化检测车辆逆行,通过车间距和车辆位置状态信息检测车辆碰撞。实验表明,该方法能较好地识别出车辆异常行为。     

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。     

基于改进YOLOv5神经网络的道路检测车辆前方障碍识别方法

针对在嵌入式设备上部署神经网络模型存在受限于设备体积与计算性能的影响而难以保证神经网络模型的推理实时性的问题,提出了一种基于YOLOv5-nano的前车检测改进方法（HS-YOLO）。首先,采用硬拟合函数h-swish来取代SiLU激活函数,在激活关系相似的情况下提高模型推理速度;此外,引入SIOU边界框回归损失来替代CIOU损失,提高模型的训练速度与推理精度。为进一步验证改进模型的性能,使用SSD、YOLOv4-tiny、基础模型YOLOv5-nano与改进的HS-YOLO网络在相同训练条件下进行训练,得到最优模型并在测试集上进行推理测试。结果表明：HS-YOLO模型的精确率、召回率及AP0.5较原模型YOLOv5-nano分别提升了0.76%、0.43%、0.41%;在推理速度方面,HS-YOLO模型的单张图片推理耗时为7.8 ms,实时推理帧数为128 FPS,在所有模型中表现最优,较原模型分别提高了0.7 ms和10 FPS。     

基于汽车前照灯的夜间车辆定位方法研究

全天候车辆视频检测白天和黑夜车辆时其检测条件差异很大,要选择不同的检测方法。在夜间无补光光源环境下,将摄像机获得的彩色视频图像进行灰度处理,夜间图像中汽车前照灯具有很强的特征,因此对灰度图像进行二值化处理和灰度统计来提取前照灯的特征,根据汽车前照灯在画面中的形态特征设计了相应的定位算法,实现了夜间车辆的定位检测。实验结果表明,该方法实现夜间车辆定位的突出特点是定位准确,且定位时间短,满足了视频交通系统实时性的要求。     

基于YOLOv5的车辆目标检测算法轻量化改进

针对传统路端车辆目标检测算法参数多、检测速度较慢等问题,提出了基于YOLOv5 的车辆目标检测算法轻量化改进。首先,选用轻量化 EfficientnetV2 卷积神经网络对原骨干网络进行重构,同时在网络中引入 GAM 注意力机制;其次,为平衡 CIoU 损失和 IoU 损失在损失函数中的权重,引入 α-CIoU 损失代替原有的 CIoU 损失;最后,使用 soft-NMS 算法替换原有的 NMS 非极大值抑制算法。结果表明：相比原算法,改进后算法的精度提升了.51%,检测速度提升了 8.6%,模型大小降低了 31.7%;改进后的模型在提升检测速度的同时,还提高了路端车辆目标的检测性能。     

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.     

基于深度学习的多目标车辆轨迹自动采集方法

车辆轨迹通常用于驾驶行为建模和交通安全领域.为获取交通视频中车辆轨迹,提出一种基于深度学习的自动采集方法.利用YOLOv5检测器在连续帧中的感兴趣区域进行车辆检测,通过DeepSORT跟踪器进行稳健而快速的车辆跟踪,该追踪器可以有效减少目标ID的跳变,提升跟踪稳定性,通过透视变换得到车辆的真实世界坐标并使用局部加权回归...     

基于改进深度卷积神经网络的车辆检测方法研究

基于视觉的车辆检测作为辅助驾驶系统的输入,对智能车辆预警和决策起着重要的作用。针对目前传统深度卷积神经网络在基础网络设计和物体检测网络构建的不足,提出一种对经典的深度残差网络进行改进方法,提出带局部连接的残差单元,并以此构建带局部连接的残差网络;同时,提出基于共享参数的多分支网络和双金字塔语义传递网络形式,提升不同语义级别特征融合前的语义级别,以及实现深度融合不同分辨率特征图的语义。经过测试,车辆的检测准确率最高达到95.3%,且具备较高的实时性和环境适应性。     

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.     

夜间行车灯光不足的应对方法

首先要解决灯光的问题,一般车辆在使用3—4年后其大灯亮度就会变差,达不到要求,一方面是灯泡灯丝的烧灼影响了灯泡发光的强度,另一方面是大灯反光板镀层的老化和脱落,或者反光板上有水雾,影响了大灯的聚光能力,这可以通过更换大灯灯泡和用餐巾纸擦拭大灯反光板来解决。有些人会换一些很贵很亮的灯泡,虽然自己比较舒服,     

车辆检测器测速精度检测方法分析

车辆检测器是目前现代交通控制系统中广泛采用的信息采集设备,测速精度是衡量车辆检测器性能好坏的关键指标。现行标准中并未对测速精度的检测方法做出明确规定,如何科学准确的检测出测速精度指标是目前急需解决的问题。从工程应用实践角度出发,对车辆检测器测速精度的检测原理、检测地点的选择进行了分析。重点介绍了目前常用的手持式雷达测速仪、非接触式速度传感器和光电传感器型测速装置3种检测仪器的工作原理、主要优点和应用中存在的问题,并结合日常检测经验对它们的适用范围进行了探讨。最后给出了检测结果的判定方法。该检测方法对车辆检测器测速精度的测试具有重要的参考价值。