基于消防安全疏散标志的高精度室内视觉定位

为解决室内交通无法利用GPS进行定位的问题,针对室内普遍存在并且均匀分布的消防安全疏散标志,研究了基于消防安全疏散标志的高精度室内视觉定位算法.以计算当前位置距离地图中最近的1个消防安全疏散标志地点的位姿为目标,利用消防安全疏散标志的颜色特性进行颜色阈值分割.结合方向梯度直方图(HOG)特征与支持向量机(SVM)检测候选框中是否含有消防安全疏散标志,然后用加速鲁棒特征(SURF)全局特征进行特征匹配,利用最邻近(KNN)方法选取全局特征距离最小的K个地点作为候选定位结果.用SURF局部特征进行特征匹配,选取局部特征匹配数目最多的1个地点作为图像级定位结果,并计算当前位置在地图中的位姿.通过在地下停车场和大型办公楼进行实地测试,图像级定位的准确率在96% 以上,平均定位误差在0.6 m以下.实验结果表明,该算法满足了室内定位精度的需求,并具有良好的鲁棒性.      

基于Wi-Fi指纹与视觉融合的室内交通定位

为解决室内交通在GPS盲区情况下的定位问题,将Wi-Fi指纹定位与视觉定位相结合,研究了一种高精度室内交通定位方法.在离线阶段,在Wi-Fi采样点处采集无线AP的MAC地址及其采样点坐标,生成Wi-Fi位置指纹数据库,然后采集定位区域内的所有门牌图片,生成训练图像集,计算出训练图像的SURF与ORB全局特征描述符,并与标志采样点坐标共同构成视觉定位数据库.在定位阶段,采集待定位点的实测指纹及被测试图像,利用指纹匹配算法得到待定位区域的范围及坐标,再利用图像特征匹配算法与KNN算法在训练图像集中得到与被测试图像相匹配的训练图像,即匹配图像,通过查询视觉定位数据库得到视觉定位范围及坐标.当匹配图像的坐标位于Wi-Fi定位范围内,将视觉定位坐标作为最终的定位参考坐标,反之将Wi-Fi定位坐标作为最终的定位参考坐标.实验选取了不同的室内交通环境对算法进行验证,定位误差为0 m的占比为82%,误差在6 m之内的占比为12%,误差在6~10 m之内的占比为6%;平均定位误差为0.75 m,而且在线平均定位耗时仅为0.56 s,能实现鲁棒的高精度的室内交通定位需求.      

基于2阶HMM的智能车视觉地图定位方法

本文中针对视觉地图匹配问题，将视觉地图匹配问题转化为基于图像序列的最优视觉地图节点匹配问题，并提出基于2阶隐马尔科夫模型（hidden Markov model,HMM）的视觉地图匹配方法。在该模型中，状态变量被定义为高精度视觉地图节点，查询图像被定义为观测数据。在状态转移模型中，引入2阶模型对短时间车辆运动进行匀速运动建模，与传统的1阶HMM相比，可以提高模型的适用性与准确性。提出利用全局图像特征建立查询图像与地图节点之间的匹配关系，并从匹配的汉明距离建立发射概率模型，可有效提高地图匹配的效率。最后，通过前向算法来求解最优匹配的地图节点。为了验证算法的性能，分别在封闭工业园区、开放道路和KITTI公开数据集对算法进行验证。实验结果表明：2阶HMM模型能够有效融合车辆运动信息和图像信息，提高匹配的稳定性和精确度，算法性能明显优于传统的基于单帧匹配和序列匹配算法。     

基于手机基站定位数据的地图匹配研究

研究如何利用手机基站定位数据信息进行地图匹配,其基本原理是通过采集车载手机通过道路的基站切换序列,在剔除冗余数据后,利用初始蜂窝小区定位算法实现每一个切换点在电子地图上的匹配,再利用路网的连通性实现路径的匹配。选取广州市到中山古镇路段作为实验路网进行实地实验,对所获得的基站信息进行数据处理和地图匹配的结果进行分析,证明通过手机基站定位数据来进行地图匹配的可行性和有效性。     

基于卡尔曼滤波的DR/MM组合定位方法

提出了一种DR/MM组合定位新方法.采用D-s证据理论在候选路段中选择最匹配的路段进行地图匹配,利用误差概率准则计算地图匹配观测噪声,使得沿道路纵向的地图匹配噪声可观测.在此基础上建立卡尔曼滤波方程,以DR定位与地图匹配的误差为观测值,估计DR定位误差.在地图匹配结果具有较高可信度时,估计的状态反馈修正DR方程.离线试验结果表明,提出的方法显著改善了DR定位精度.     

卫星收费系统GPS定位信息和路段匹配方法研究

描述了1种GPS定位信息和电子地图收费路段匹配的方法,分为地图精简和地图匹配2部分。根据GPS定位收费系统对地图及地图匹配的要求,对电子地图进行了精简。路段识别采用了GPS位置点和路段收费位置节点的匹配方法,通过设定收费标示值,配合路段间拓扑关系、路段的收费属性值信息,进行地图匹配计算,判断当前车辆是否行驶在收费路段上,从而对行驶在收费路段的车辆进行通行费用计算、对收费地图信息进行精简处理、探讨分析影响地图匹配精度的因素、描述地图匹配的方法。该方法经过实验检测,并在高速公路卫星收费实验系统中实际运行,效果良好。     

面向智能车定位的道路环境视觉地图构建

为实现智能车视觉定位,提出了一种基于多视角、多维度道路环境表征的高精度视觉地图构建方法,该方法明确了视觉地图的表征模型,包括视觉特征、场景结构信息以及轨迹信息等。在视觉特征中,运用前视场景全局特征描述道路环境,视觉特征不局限于某一种特征描述子;在场景结构信息中,运用俯视路面的2D结构信息进行描述,该特征与前视视觉特征构成多视角;轨迹信息则通过视觉维度以及地理维度的多维度方式完成计算,在视觉维度中,通过平面单应性计算节点间的轨迹;地理维度中,通过高精度经纬度信息消除累积误差问题。试验选取武汉理工大学内长约700 m的半开放式环形路段进行试验。试验结果表明：制图的单节点平均误差为3.1 cm,标准差为2.3 cm,最大节点误差为9.3 cm,累积误差率为0.5%。运用所制地图进行定位检测,平均定位误差约为11.8 cm,因此,研究所提出的方法可应用于半开放式路段或固定场景的视觉地图构建,为实现智能车在上述场景的定位打下基础。同时,研究提出的制图方法不需使用双目摄像机,在降低数据存储量以及制图成本的前提下,实现了对道路环境的充分表征;此外,运用路面2D特征结构信息计算轨迹,解决了视觉3D重建精度不稳定的问题,为视觉地图构建提供了新的构建思路。     

基于描述符辅助光流跟踪匹配的数据关联方法

针对采用多状态约束卡尔曼滤波(MSCKF)的视觉惯性里程计定位精度易受特征点匹配异常值影响问题, 提出了1种基于描述符辅助光流跟踪匹配的数据关联方法。该方法采用金字塔LK光流对序列图像中特征点进行跟踪匹配, 计算每一对匹配点的rBRIEF描述符, 根据Hamming距离对描述符的相似度进行判断消除异常匹配点。在实验中从特征点匹配主观效果以及定位精度2个方面评估本文方法的有效性, 结果表明: 所提出方法能够有效滤除动态场景下图像特征匹配的异常值, 使用该方法处理后的图像进行MSCKF运动解算, 位置结果漂移率小于0.38%, 相较于未剔除异常匹配值的MSCKF算法结果, 改善了54.7%, 单帧图像处理时间约为39 ms。      

特征稀疏场景下基于标签的车辆视觉SLAM

在智能车辆的同时定位与建图中，视觉特征点法通过对特征点的提取和匹配进行车辆位姿估计，但当环境缺少纹理或动态变化时，场景的特征稀疏、稳定性差，基于自然特征定位易导致精度下降甚至定位失败。在环境中加入视觉标签可有效解决特征稀疏问题，但基于视觉标签的定位方法高度依赖人工标定，且常因视角变化出现位姿抖动，影响定位的精度。为此，本文提出了一种基于标签的车辆视觉SLAM方法，充分利用标签信息，引入内外角点约束降低标签位姿抖动，同时借助视觉里程计建立低漂移、全局一致的地图；在定位时基于标签估计车辆位姿，并联合优化标签地图与车辆位姿，从而构建低成本、高鲁棒的视觉SLAM系统。试验结果表明，本文方法使用内外角点约束有效降低了标签的位姿抖动，使标签建图精度的提升率超过60%，定位精度的平均提升率超过30%，显著地提高了基于标签定位的精度与鲁棒性，有利于智能车辆的安全运行。     

基于3D点云语义地图表征的智能车定位

为提高智能车节点定位准确率, 研究了基于3D点云语义地图表征的智能车定位方法。该方法分为3个部分: ①基于三维激光点云的语义分割, 包括地面分割, 交通标志牌分割和杆状语义目标分割; ②面向智能车的点云语义地图表征, 利用分割的语义目标投影, 生成带权有向图, 语义路, 语义编码, 再以语义编码和高精度GPS的全局位置组成语义地图表征模型; ③基于语义表征模型的智能车定位, 包括基于GPS匹配的粗定位和基于语义编码渐进匹配的节点定位。实验在3种长度不同、复杂度不同的道路场景下进行, 节点定位准确率分别为98.5%, 97.6%和97.8%, 结果表明所提出的定位方法节点定位准确率高、鲁棒性强且适用于不同的道路场景。      

Hierarchical map representation using vector maps and geometrical maps for self-localization

Map-based self-localization estimates the pose of the self-driving vehicle in an environment, becoming an essential part of autonomous driving tasks. Generally, maps used in self-localization have detailed geometric information on an environment in formats such as point cloud maps and Gaussian mixture model (GMM) maps. As other maps are widely developed for autonomous driving, vector maps store more object-focused information, such as buildings and road facilities, for navigation and scene understanding in autonomous driving tasks. However, it is not compatible with self-localization due to the lack of detailed geometric information. The two different map formats of vector maps and maps for self-localization complicate the management, preventing the development of the area where a self-driving vehicle can drive stably. This paper proposes a unified map format with a hierarchical structure that enables both vector maps and self-localization maps (i.e., GMM maps) to be managed more easily. Because proposed maps can be treated as vector maps at the high-level layer, various tasks related to navigation and scene understanding in autonomous driving can utilize. A GMM map is stored at the low-level layer associated with a vector map component, enabling accurate self-localization in an environment. The proposed map format is compatible with vector maps widely developed by mapping companies on the surface and facilitates future map management. The experimental results of self-localization in urban areas showed that the proposed map gives the competitive self-localization accuracy compared with the GMM map even with fewer cells that link to vector components. The proposed maps enable self-localization with sufficient accuracy for safe autonomous driving operations.     

变化光照条件下的交通标志快速鲁棒检测

变化光照条件下交通标志检测算法的准确率往往会显著降低。针对此问题,提出了1种新颖的概率图建立方法,并结合最大稳定极值区域特征进行交通标志检测。该方法包括3个处理步骤:①根据不同光照条件对真实场景交通标志样本图像进行明确分类以构建多类颜色直方图,将交通标志输入图像由原始色彩表达转变为概率图(直方图反投影);②通过在概率图上进行 MSER特征提取,获取候选的交通标志区域;③根据候选区域的面积、宽高比等特征快速有效去除非交通标志区域。实验结果表明在弱光照和强光照条件下基于归一化RGB的交通标志检测算法检测准确率分别下降到84.4%和83.0%,基于红蓝图的交通标志检测算法检测准确率分别下降到87.4%和86.3%,提出的算法在变化光照条件下依然可以保持90%以上的检测准确率,对光照变化有较好的鲁棒性。      

基于多传感信息融合的智能车辆定位方法

针对高精度定位系统中地图的重要性问题,将定位问题分为无地图定位与基于地图定位,分别对智能车辆的定位问题进行探索.对研究的智能车辆、传感器及其定位问题进行建模分析,再对该平台实施传感器校准以减小系统误差.对于无地图定位问题,利用扩展卡尔曼滤波算法将里程计与惯性测量单元(IMU)数据相融合,通过试验证明航迹推测法存在累计误...     

高速公路场景图像的二值化及交通标志定位检测方法

采用CCD摄像机采集高速公路场景图像，并通过图像颜色空间变换，将图像的RGB量值转换为色度-饱和度-亮度（HSV）量值。采用基于阈值的方法对场景图像中颜色饱和度分量进行二值化分割处理；利用场景二值化图像形状特征（周长、形状参数、圆形性参数）去除非目标区域，并通过搜索场景二值化图像方向投影值序列的突变点实现标志准确定位。采用HSV颜色模型中的亮度分量和最佳阈值法对场景图像中标志区域进行二值化处理。结果表明，应用上述方法能取得良好的效果。     

道路标志图案识别方法研究

针对道路标志图案自动识别,以转弯道路标志图案为例,通过颜色空间变换,将道路标志图像的RGB量值转换为H(hue,色度)S(saturation,饱和度)I(Intensity,亮度)量值,利用H、I作为分类器的特征值,设计了欧式距离分类器,实现道路标志背景颜色的识别。采用固定阈值法分割道路标志图像的图案区域,并对分割后的区域进行Daubech ies-4正交小波变换,利用小波变换系数的能量值和方差比值作为道路标志图案的纹理特征。最后,设计了BP神经网络道路标志图案分类器,实现道路标志图案的自动识别。实验结果表明,文中提出的方法可行。     

Deep learning-based image recognition for autonomous driving

Various image recognition tasks were handled in the image recognition field prior to 2010 by combining image local features manually designed by researchers (called handcrafted features) and machine learning method. After entering the 2010, However, many image recognition methods that use deep learning have been proposed. The image recognition methods using deep learning are far superior to the methods used prior to the appearance of deep learning in general object recognition competitions. Hence, this paper will explain how deep learning is applied to the field of image recognition, and will also explain the latest trends of deep learning-based autonomous driving.     

Autonomous vehicle self-localization based on abstract map and multi-channel LiDAR in urban area

Accurate vehicle self-localization is significant for autonomous driving. The localization techniques based on Global Navigation Satellite System (GNSS) cannot achieve the required accuracy in urban canyons. On the other hand, simultaneous localization and mapping (SLAM) methods suffer from the error accumulation problem. State-of-the-art localization approaches adopt 3D Light Detection and Ranging (Lidar) to observe the surrounding environment and match the observation with a priori known 3D point cloud map for estimating the position of the vehicle within the map. However, storing the massive point cloud needs immense storage on the vehicle, or it should be stored on servers, which makes the simultaneous downloading of the map by multiple vehicles another challenge. In this study, rather than employing the point cloud directly as the prior map, we focus on the abstract map of buildings, which is easy to extract, and at the same time apparently observable by Lidar. More especially, we proposed vehicle localization methods based on two different abstract map formats representing urban areas. The first format is the multilayer 2D vector map of building footprints, which represents the building boundaries using vectors (lines). The second format is the planar surface map of buildings and ground. These map formats share the same idea that the uncertainty (deviation) of each vector or planar surface is calculated and included in the map. Later in the localization phase, the observed data from Lidar is matched with the abstract map to obtain the precise location of the vehicle. Experiments conducted in a dense urban area of Tokyo show that even though we significantly shrank the map size, we could preserve the mean error of the localization.     

驾驶人在手机通话行为中的认知分心图像识别研究

在手机通话（MPC）行为中，驾驶人极易陷入认知分心（DCD）状态，对此提出了一种基于头-眼行为特性的DCD图像识别方法。为适应自然驾驶中的波动光照和复杂背景，首先建立基于YCbCr色彩空间的在线肤色模型，提取待检肤色区域的PCA-HOG特征并建立支持向量机分类器来识别MPC手势；与此同时，采用多尺度局部模极大值方法检测嘴部显著边缘，并通过边缘活跃度来识别驾驶人说话行为，综合MPC手势和说话行为建立MPC行为的判别逻辑。最后，以5 s为时间窗口获取驾驶人的眼球活跃度、眨眼指数、头部横摆和俯仰运动活跃度，采用D-S证据理论建立融合头-眼行为特性的DCD识别方法。试验结果表明：融合手势和说话行为图像检测的MPC识别率为92.8%；对于不佩戴眼镜的驾驶人，眼球活跃度是DCD识别率最高的单一指标，“眼球活跃度-头部横摆活跃度-头部俯仰活跃度”融合证据的DCD识别率最高，为86.2%；对于佩戴眼镜的驾驶人，“头部横摆活跃度-头部俯仰活跃度”融合证据的DCD识别率最高，为83.2%；算法对熟练驾驶人的DCD识别率略高于非熟练驾驶人。     

交通事故现场图像拼接方法研究

在交通事故现场勘测中,利用事故现场俯视摄影图,可全面、快速地记录事故现场信息。通过交通事故现场俯视摄影图像几何校正模型对俯视摄影图进行几何校正后,图像存在视场角度小,局部场景丢失的缺点。在分析几何校正坐标变换数学模型的基础上,提出了基于特征线的交通事故现场照片匹配法,实现了图像拼接;并以例证校验了方法的有效性。