交通事故摄影图像的自标定三维重建模型

为了提高交通事故现场的勘测效率和摄影测量技术的使用方便性,在基础矩阵估计的基础上,建立了基于普通数码相机的交通事故摄影图像自标定三维重建模型。模型以特征点对应匹配为基础,通过基础矩阵计算和本质矩阵分解,进行道路交通事故摄影图像自标定三维重建。实验结果表明该模型可以在无现场标定参考点设置的情况下,用普通数码相机对道路交通事故现场进行三维重建,三维重建结果与实际三维数据仅相差一个比例因子。     

面向ARM平台的自标定驾驶员疲劳检测方法

提出了一种面向进阶精简指令集机器(ARM)平台的自标定驾驶员疲劳检测方法。对驾驶员不同身高、体型及车内摄像头不同位置,采用驾驶员初始姿态自标定方法;采用改进的基于深度学习的多任务卷积神经网络(MTCNN),提取人脸识别和特征点,以得到头部姿态、眼睛、嘴巴运动等信息;基于操作员序列的深度卷积神经网络,来判断驾驶员的疲劳状态等级。实验了驾驶员疲劳检测方法。结果表明:相对于没有标定,采用本驾驶员自标定的方式,识别准确性提高了15%,采用MTCNN方法和ARM NEON加速技术,在“全志H5”、“树莓派”和Android手机上,运行速度分别是200、150、140 ms,提高约50%。因而,该检测方法,既提高了系统鲁棒性,也满足实时需求。     

交通事故摄影图像的自标定三维重建及其实现方法

为避免测量过程中在现场设置标定参考点,研究了以基础矩阵估计为基础的交通事故摄影图像自标定模型,并分析了其实现过程。把便于递推实现的无限对称指数滤波器引入平均梯度矩阵计算,实现了图像特征点的检测;通过匹配强度系数计算,对两幅图像的特征点进行了匹配;分析了基础矩阵计算及不良匹配点剔除的最小中值二乘法;对通过本质矩阵分解标定摄影图像的实现过程进行了论述。通过实验对模型及其实现方法进行了验证。