基于多模式弱分类器的AdaBoost-Bagging车辆检测算法

针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题,提出了融合多模式弱分类器,并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点,以Haar特征训练判别式弱分类器,以HOG特征训练生成式弱分类器,以AdaBoost算法为桥梁,采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器,利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明:相比于单模式弱分类器,AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性,表现为较高的检测率与较低的误检率,分别为95.7%、0.000 27%,每帧图像的检测时间较少,为25ms;与传统级联AdaBoost分类器相比,AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间,但检测率提升了1.8%,误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法,具有较佳的车辆检测效果。     

基于μ综合鲁棒控制的EPS车辆操纵稳定性研究

在传感器噪声、参数摄动、路面干扰等因素的影响下,车辆EPS控制系统性能会不同程度下降,对汽车操纵稳定性造成一定的影响.为提高EPS控制系统性能,基于μ综合理论和鲁棒控制方法,选取相关性能指标设计了新型μ控制器,构造了装备EPS系统的整车μ综合控制系统.仿真与μ分析结果表明:基于μ综合算法的控制器具有良好稳定鲁棒性和性能鲁棒性,有效地提高了车辆操纵稳定性和安全性.