基于改进灰色模型的前车检测与跟踪算法

基于改进GM(1,1)模型,依据车底阴影特征自适应确定目标假设区域,利用边缘对称性和纹理特征两层约束验证车辆区域,排除虚假目标。应用改进的GM(1,1)预测下一帧目标位置,结果表明,可以实现前方车辆的检测与跟踪。

基于VGG-M网络模型的前方车辆跟踪

针对前方运动车辆复杂场景下的跟踪精度较低的问题,文中将庞大的VGG-M网络模型应用到实时跟踪中,并结合在线观测模型,实现对前方车辆稳定精准的跟踪。通过改进样本生成方案,优化网络训练集,提高了网络训练效率。采用自适应更新模型,可根据目标轮廓的高宽比、内部信息熵和跟踪的尺度置信度实时调节网络更新频率。实验结果表明,在线VGG-M跟踪模型比传统的车辆跟踪方法的性能有明显的改善。

利用车载照相机与激光雷达融合技术进行车辆跟踪及检测的方法研究

文章描述了利用照相机和扫描激光雷达（SLR）融合技术来精确测量车间距和横向位置的可靠跟踪方法。利用这种方法，根据SLR输出的数据，前车首先被发现，然后车辆被SLR和照相机同时跟踪。形状模板可变的匹配方法用来处理由照相机获得的图像。这种图象识别技术可以跟踪前车而忽视车间距和方向的频繁变化。把图像识别获得的宽角、高分辨率测量值与SLR距离测量值融合可获得可靠的高精度跟踪。这种方法在采用日本公路记录数据的驾驶模拟器上得到确认。不管前车是在直道还是在弯道都被成功跟踪，其位置也被测量。比起SLR难以单独完成检测的情况，这种方法具有很多优点，这种结果也被证实。