无人机视频的交通参数提取方法及验证

为了研究无人机监测视频准确提取运动车辆交通参数信息,采用计算机人工智能图像处理技术和实际道路场景验证试验方法,提出一种基于YOLO v3神经网络模型的目标检测和Deep-Sort多目标跟踪算法相结合的运动车辆参数提取方法。为了验证无人机交通参数提取方法的可行性、准确性、可靠性,采用试验路段场景数字化、特征点标记、世界坐标采集的方法,标定世界坐标与图像坐标转换矩阵。采用装载高精度GNSS-RTK定位和车载OBD的试验车辆实时记录车辆微观运动参数(时间、速度、加速度等),对比验证视频提取车辆参数的准确性。共进行7组不同飞行高度(150～350 m)、不同行驶速度(40～90 km/h)验证试验,累计获得70 min试验路段监测视频,2辆试验车共获得5 400帧、1 192个速度验证信息。验证试验结果表明:视频识别算法目标检测精度为90. 88%、追踪精度为98. 9%,提取的车辆速度参数整体绝对误差在±3 km/h以内、相对误差在2%以内,参数提取整体准确率达98%。验证了无人机视频交通参数提取的可靠性和准确性,为交通管控提供了一种监测方法和数据提取手段,也为交通行为研究提供了数据采集手段。     

基于小波提升框架的交通目标检测与跟踪

交通图像分析是智能交通领域的关键技术之一。为实现复杂交通场景中的多目标检测与跟踪,设计了一种结合小波提升框架和KLT特征点跟踪的多运动目标检测与跟踪算法。对序列图像中相邻两帧图像的融合图像进行小波提升变换,求取水平和垂直方向上的小波能量,通过合理阈值二值化小波能量矩阵,再利用贴标签方法检测出运动目标;利用KLT特征点集合代表目标,通过跟踪后的特征点集合与目标检测区域的相互关联,实现多目标的跟踪。实验结果表明了所提算法的有效性。     

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.     

基于图像纹理分析的动态车辆识别方法研究

在智能交通系统中,动态图像识别技术是系统应用的基础核心技术之一。以应用于交通监控、智能驾驶系统等场景的HSV空间动态车辆识别为基础,研究并论证提出了新的检测识别方法,实现对运动车辆的检测识别、目标追踪、驾驶辅助等功能。研究问题的难点是,如何从复杂的背景中分割运动物体,是检测方法能否有效的至关重要的一步,在研究了目前存在的各种方法之后,提出了一种新的基于阴影检测的HSV空间自适应背景模型的车辆追踪检测算法,算法基于HSV空间图像处理,采用最大类间方差法获取相邻帧二值化阈值,利用纹理信息进一步确定动态图像以及确认图像范围。通过截取由监控系统获取的视频信息,并对其进行图像处理检测车辆移动轨迹。从监控视频信息中获取两帧不同时刻的图像信息,在HSV空间进行相邻帧检测。由于阈值的选择将直接影响判断精度,本研究将固定阈值法进行了改进,该阈值是通过统计模型对整幅图像上灰度值进行计算,并通过最大类间方差法确定阈值。最后经过实际视频图像验证,仿真试验流程清晰,试验结果达到预期设想。     

基于角点检测估算车辆间即碰时间

车辆间即碰时间(TTC)是驾驶辅助系统控制策略的基础,也是分析驾驶员驾驶行为的主要依据。为分析行车记录仪视频危险工况中驾驶员紧急制动时的TTC,提出了一种基于单目视觉估算算法。该算法先检测及跟踪车辆,判断前方有无车辆及其具体方位;再检测并匹配车辆角点,计算不同帧之间车辆图像的尺寸变化率,进而估算TTC。用最小二乘法、Kalman滤波方法处理数据;用多层金字塔图像来处理图像,实现了大运动的角点匹配。结果表明:该算法丰富了视频危险工况参数的分析方法,拓展了单目视觉的应用场景,为低成本驾驶辅助系统,提供了新的解决方案。     

无人机视频车辆跟踪算法研究

鉴于现有算法在复杂环境下易造成目标跟踪丢失的问题,为研究精准高效的车辆跟踪算法,实现无人机视频交通参数提取,将传统KCF(核相关滤波)算法中的固定尺度检测窗口替换为多尺度检测窗口,提出多尺度KCF优化算法;与CamShift算法和KCF算法的对比结果表明,在不同场景下多尺度KCF优化算法的跟踪效果均优于其他两种算法,在目标遮挡和存在阴影的情况下表现更优异,具有较强的鲁棒性和适用性。     

基于运动图象相关性的快速边缘提取方法及其应用研究

运用图象边缘提取理论中的检测算子模板，结合运动图象中目标及背景在多帧间的相关性，提出了减小冗余象素，提高边缘检测运算速度的方法。     

基于激光雷达的远距离运动车辆位姿估计

为了解决激光雷达扫描远距离运动车辆产生的点云稀疏导致位姿特征难以提取的问题,提出了一种远距离运动车辆位姿估计方法。首先利用时空连续性提取远距离运动车辆。然后利用最小二乘拟合得到稀疏点云水平面二维投影近似拟合直线对,依次在不同角度的垂直正交直线对上对稀疏点云的二维投影进行一维向量估计的装箱过程,基于目标车辆与激光雷达间相对位置的观测角函数最大化匹配滤波响应,进而利用全局优化算法对投影点概率分布与匹配滤波运算得到的代价函数作离散卷积,寻优比较得到单帧拟合最优矩形。最后结合连续帧平移约束进行多帧拟合,优化当前帧目标车辆拟合矩形的位姿。利用仿真和真实场景下采集的目标车辆点云数据进行算法验证分析。结果表明:在点云稀疏的情况下,当远距离目标车辆做直线运动时,提出的多帧拟合方法得到的位姿参数均方根误差低于单帧拟合和已有的RANSAC拟合方法;当远距离目标车辆做曲线运动时,提出的单帧拟合和多帧拟合方法得到的位姿估计结果较为接近,且误差明显低于已有的RANSAC拟合方法;对于不同相对距离下采集的目标车辆点云,提出的单帧拟合和多帧拟合位姿估计方法的适应性优于已有的RANSAC拟合方法。     

航拍视频车辆检测目标关联与时空轨迹匹配

高解析度轨迹数据蕴含丰富车辆行驶与交通流时空信息.为从航拍视频中提取车辆轨迹,构建了车辆检测目标跨帧关联与轨迹匹配融合方法.采用卷积神经网络YOLOv5构建视频全域车辆目标检测,提出车辆动力学与轨迹置信度约束下跨帧目标关联算法,建立了基于最大相关性的断续轨迹匹配与融合构建算法,实现轨迹车辆唯一编号.将轨迹从图像坐标转换...     

基于融合分割和变尺度窗口的车道线距离检测

在车辆安全和驾驶行为相关研究中，车道线距离参数是重要的基础参数。针对传统机器视觉测量方法存在的标定过程复杂、测试成本高且移植性能差等问题，提出一种针对车侧摄像机图像的低成本车道线距离检测方法。首先，构建了一种融合局部Otsu算法与光照样条补偿算法的车道线区域分割方法，可在车道线磨损、复杂光照变化、车道线中断等场景中对车道线区域进行精确分割；其次，针对车道线边缘特征复杂多变的情况，设计了一种变尺度窗口算法来完成车道线边缘检测并可补全残损车道线；最后，采用多项式标定方法建立了车道线距离检测算法，实现了车道线距离的自动化快速检测。验证结果表明：在正常场景和多种复杂特殊场景下，所提出的检测算法平均检测误差为0.4 cm,平均检测速率达到30帧·s^-1,整体上优于目前其他技术方案。该方法在检测成本和可移植性方面具有显著优势，可为相关研究领域的技术人员提供新的解决思路。     

多尺度图像边缘检测技术在车辆识别中的应用

指出了图像边缘检测的定义及现有算法的不足,并对Canny边缘检测离散准则及该准则下的最优线性滤波器进行了论述。根据边缘检测离散准则,利用数值方法求出该准则下边缘检测的最优线性滤波器及对应的平滑算子,将其与Canny边缘检测技术相结合进行边缘检测,检测出不同尺度下多幅边缘图像,并根据小尺度下图像边缘细节信息丰富、边缘定位精度高,大尺度下图像边缘稳定、抗噪性好等特点,将检测到的多尺度边缘进行融合,得到抗噪性好的精确的单像素宽边缘;同时将该方法应用于汽车特征提取,检测到完整连续的汽车边缘图像,为车型识别提供条件。试验结果表明:该方法不仅能准确检测出图像边缘,而且能有效地抑制噪声,是边缘检测的实用方法。     

结合信号配准技术的小波多尺度车辆边缘检测方法

为了在准确检测边缘的同时有效地抑制噪声,提出了结合信号配准技术的小波多尺度边缘检测方法。该方法首先基于小波变换的特点设计小波多尺度边缘检测算法检测图像边缘;而后结合信号配准技术将不连续的边缘连接为完整的边缘轮廓,减弱由噪声或干扰造成的影响。试验结果表明:该方法不仅能准确检测出清晰连续的边缘图像,而且能有效抑制噪声,是边缘检测的实用方法。     

基于改进Hough变换的车道线检测

针对车道线检测中存在的诸多问题,在道路图像预处理的基础上,对Canny算子中的双阈值选取进行改进,能够自适应精确提取车道线边缘特征,并利用带极角约束的Hough变换完成直线检测。算法能够在不同道路环境中准确检测车道线标识,降低光照等因素对车道线检测结果的影响。     

自适应阈值分割的图像边缘检测方法研究

边缘是图像视觉中的一种重要信息,是图像最基本的特征之一.在边缘检测过程中为了消除传统分水线算法引起的过分割现象,给出了一种新的过分割区域合并算法,该方法能把复杂的目标图像分割成为一系列反映目标基本结构特征的简单区域.然后利用轮廓提取算法去除图像内部的像素点,经最后处理得到的部分即是图像的边缘.     

基于Top-Hat-Canny的汽车前视摄像头图像边缘检测方法研究

针对汽车前视摄像头(Forward View Camera)拍摄存在噪声及光照不均匀的问题,提出一种基于顶帽算法TopHat Canny的多重边缘检测图像预处理方法。通过对前视摄像头拍摄的道路行人、车辆及障碍物的图片进行分析,采用小波阈值算法分别对彩色图像(Red-Green-Blue,RGB)3个空间分量进行滤波去噪,并经加权平均法对重组的3个分量灰度化处理后,采用Top-Hat-Canny多重边缘检测方法对图像进行处理。实验仿真结果表明:该方法可以有效地解决噪声及光照不均对图像边缘检测带来的影响,为后续目标识别工作提供基础。     

基于视频图像处理的车辆排队长度检测

综合灰度检测和边缘检测的优点，提出了一种将灰度与边缘检测相结合的方法来检测队列长度，采用帧平均法来处理视频流，可以减小由于摄像头抖动或背景微小变化而产生的误差。提出的队列检测算法包含运动检测和车辆存在检测，通过合理分配使用这两种操作，节省了运算时间。实验结果表明，此方法实现简单，能够获得较满意的检测结果。     

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.      

基于单目视觉的区域交通智能车辆道路边界检测方法研究

基于单目视觉的道路边界检测由于其在车辆辅助驾驶系统中的重要应用价值成为当前计算机视觉和智能车辆领域最为活跃的研究课题之一。指出图像边缘检测现有算法的不足,采用领域平均法对图像进行平滑处理,根据图像的边缘特征运用Prewitt算子实现边缘增强,以获取精确的边缘信息。使用最大熵算法分割二值化图像进一步减少噪声,从而得到良好的道路特征图像数据。利用道路约束条件,建立视觉系统动态感兴趣区域(DAOI),运用改进的Hough变换最终识别道路边界。试验结果表明:本文所述算法不仅能准确、实时检测出道路板边界,而且能有效地抑制噪声,为区域交通智能车辆的换道和超车提供研究基础。     

基于SuBSENSE的内河船舶检测波纹干扰抑制算法

SuBSENSE是一种融合颜色特征和纹理特征的通用运动目标检测算法,同时算法中的参数自适应反馈机制使得背景模型能够良好地适应内河环境的多样性,在多种检测环境下达到参数最优化设置.针对一般运动目标检测算法用于内河船舶检测时,难以克服水波纹干扰这一问题,提出将SuBSENSE与基于全局对比度的显著性区域检测方法结合进行波纹抑制.利用水面显著值较低这一特性,通过设置适当阈值对显著图进行二值化,从而分离船舶与水面区域.将显著图与SuBSENSE检测结果进行与运算滤除背景干扰,即可得到船舶区域.实验证明,该方法能有效抑制内河环境中的波纹干扰,相比原SuBSENSE算法将综合表现提高了14.6%.      

基于中介理论的车道线识别方法研究

以中介真值程度的数值化度量为基础,利用单个像素点的真值度,设计了新的图像去噪滤波算法。与经典算法相比,新算法具有较好的视觉效果。通过研究道路图像车道线的特点,采用中介距离比率函数来衡量像素点间相似程度,并设计了相应的图像边缘检测算法。与传统的道路图像边缘检测算法相比,新方法边缘增强效果显著。最后,基于道路直线模型,采用Hough变换实现了车道线的识别。