基于最优阈值和随机标号法的多车辆分割

以选择性背景更新为基础,提出由相似度决定更新速度的新方法。综合颜色差异、连通性和车辆占空比等属性建立分割双阈值的能量函数,并利用模拟退火算法求取全局最优阈值。用最优分割双阈值对车辆图像进行阈值粗分割,再以条件随机域工具整合视频空间中的时间和空间信息建立随机标号域模型,并计算最大后验概率确定粗分割中各像素点的标号(细分割)。运用色彩空间变换,消除室外环境下多种干扰的影响,增大前景(车辆)与背景图像的颜色差异,提高图像分割效率。仿真试验表明,车辆视频图像通过粗细两次分割后能够得到较好的车辆区域,与其他方法相比本文方法具有更强的准确性、鲁棒性和实时性。

视频车辆检测中改进的阈值分割算法研究

针对使用迭代式阈值分割算法检测车辆时,易造成目标特征信息丢失以及边缘模糊化的问题,提出了一种基于形态学权重自适应图像去噪的迭代式阈值分割算法:利用数学形态学原理设计了一种权重自适应形态学滤波器,采用由小到大的多结构元构造串、并联复合形态的滤波器对视频序列图像进行去噪;同时,对迭代式阈值分割法引入一个偏移系数,可以更加快速获取最优分割阈值,对图像作精确的分割.实验证明,该算法比迭代式阈值分割算法的抗噪性好且减少阈值分割中的寻优尝试次数,得到了比较理想的分割效果.

基于实时交通状况和自适应像素分割的运动车辆检测

车辆检测是车辆识别和跟踪的重要前提。为解决传统车辆检测算法无法兼顾检测的准确性与实时性的问题,本文提出一种基于实时交通状况和自适应像素分割的运动车辆检测算法。该算法采用多帧间隔图像建立初始背景模型,提出基于时-空变化度的背景区域变化评价方法,并基于时-空变化度制订了自适应的学习率更新策略。通过设置一个信任区间,并根据当前交通状况和像素点是否处于信任区间内来判断当前的背景模型是否需要更新,进而实现对运动车辆的准确、快速检测。改进后的像素自适应分割算法在不同场景中检测的性能指标Recall、Precision和F-measure分别达到0.929,0.864,0.888,均高于传统像素自适应分割算法,且算法的处理时间为88.37 ms,比传统像素自适应分割算法的运算速度快近10 ms,基本满足车辆检测所需的速度快、精度高、鲁棒性高等要求。

不同光照下基于自适应图像阈值的车道保持系统设计

为兼顾智能车辆车道识别的鲁棒性和实时性,在摄像机采集的平面车道图像中确定纵横两个方向的二维约束,通过对该二维约束下的局部图像区域进行车道检测,以实现路面车道线的识别。为提高在不同光照条件下车道识别的鲁棒性,提出基于自适应图像阈值的车道识别方法。该方法以车道图像二值化后得到的车道横向宽度为依据,判定之前的二值化阈值是否合适,并经过调整得到适应各种光照的有效阈值。在此基础上进行车道保持系统设计及道路试验。其结果表明,提出的车道识别和跟踪方法能够较好地适应外界光照的变化,其车道识别和跟踪具有较好的实时性和鲁棒性。

基于阴影线的智能车辆检测及测距方法研究

针对当前智能车辆检测算法在实际应用中存在误差、测量结果不够准确等问题,使用基于运动车辆中车底阴影线算法的车辆检测机制,并利用车底阴影稳定存在特征解决车辆检测问题,进一步基于机器视觉的双目立体匹配测距方法实现对前方最近车辆距离测量,为智能车辆及驾驶员辅助系统提供信息。笔者采用的车底阴影线方法及双目测距最终实现结果证实,可以获取较为精确的道路前方的车辆及距离信息,有效检测距离为10～50 m,整体识别率达到85%。

高速公路上自适应车辆阴影检测

为了增强阴影检测算法对高速公路复杂的户外交通环境的自适应性,提出了一种自适应阈值的运动阴影检测算法。该算法先利用局部颜色恒定性(LCC)特征检测出阴影候选区,估计c_1c_2c_3颜色空间检测阈值,同时得到最终阴影候选区域;然后,通过空间调整和抽样估计得到新的LCC检测阈值;最后,通过加权将新检测阈值与当前检测阈值结合来实现阈值自动更新。在三个高速公路测试集上的实验结果表明,该算法的综合评价指标达到了93.29%。该算法的检测精度比其他方法有所提升,通过自动更新检测阈值来适应高速公路复杂环境变化。

智能内窥镜视觉导航技术研究

在研究内窥镜导航的基础上,提出了基于计算机视觉的内窥镜导航技术,该技术采用了一种自适应阈值图像分割加速算法的寻径方法,并通过三维映射计算内窥镜头部偏摆角度.该方法具有较高的准确性和稳定性,在精度和速度上基本满足内窥镜导航的要求.

利用改进的背景模型实现车辆检测

为解决基于背景差分的车辆检测办法易受交通状况影响的问题,首先建立基于区间分布的自适应背景模型,然后利用改进的背景更新算法对建立的背景模型选择性更新,最后结合阈值分割和形态学处理实现运动车辆检测。实验结果表明,该算法在交通堵塞或临时停车等复杂交通环境中有很好的背景提取和更新效果。与经典的算法相比,该车辆检测算法在实时性和准确性方面都有所提高。

基于地磁车辆检测技术研究

实现车辆检测是智能交通系统的一大重要功能,该文提出一种基于时域特征的多状态阀值自适应算法。该算法可用于检测车辆从检测器固定正上方通过时的车辆数量。经过实验验证,不管是快速还是慢速该算法均具有非常好的实时性与准确率。

图像分区域多特征融合斜向车辆检测算法研究

目前基于机器视觉的车辆检测和跟踪技术成为道路环境感知的重要手段,用于预防交通事故的发生。针对前向车辆的检测技术日益成熟,并有商业化的产品出现,而斜向车辆的检测技术尚不成熟。该项目主要研究斜向车辆的检测与跟踪问题。针对车道线检测算法,提出基于Hough变换与K-means聚类融合的改进车道线检测算法,并结合ROI区域提取,缩小检测范围。针对车辆检测,提出对车辆检测算法的两级优化:首先利用车辆阴影特征和图像垂直边缘特征融合,生成疑似目标区域,提出两次自适应阈值分割与OTSU算法融合的改进双阈值分割算法用于改善阴影特征提取的效果;其次,通过HOG特征与Haar-like特征结合,与Adaboost算法联合训练Adaboost级联分类器,生成目标验证区域,并提出基于高斯核函数的核主成分分析法,对图像特征降维处理,改善实时性。基于上述算法优化,对斜向车辆的检测试验结果表明:采用阴影特征与边缘特征融合的优化算法对斜向车辆的识别准确率达90%;在良好天气条件下,HOG+Haar-like融合特征的Adaboost级联分类器检测的准确率达95%;采用核主成分分析降维后检测时间缩短了26%;二者融合的综合效果改善明显。

基于单目视觉的非结构化道路检测与跟踪

针对智能车辆视觉导航中的车道保持问题,采用单目视觉技术检测非结构化道路上的车道线和道路边界,解决不同路况下道路检测的鲁棒性与实时性问题.首先用一种自适应阈值分割Otsu方法把道路分为道路区域和非道路区域;然后利用Otsu算法处理后的图像对Canny边缘进行滤波,在消除复杂背景边缘的同时保留可能的弱的道路边界;最后,用直线长度、平均梯度幅值、直线距离和直线角度四元组联合表示霍夫直线,采用蒙特卡罗方法对属于道路边界的霍夫直线的后验置信度进行评价,根据最大权值提取出最优道路边界线.不同场景下的非结构化道路识别实验表明:该算法能够有效克服道路缺损、光影、照度变化、水渍等不利因素的影响,平均处理时间为45 ms左右.

夜间环境交通数据采集系统设计与实现

针对夜间交通环境的特点,设计和实现了一种基于车灯的交通流视频检测系统。首先,提出一种夜间车道线检测算法,提取车道线并标定摄像机参数。接着,采用一种自适应阈值分割算法提取候选车灯连通域,并利用空间距离信息配对和分组属于同一辆车的连通域,根据规则集定位车灯,建立车辆假设。然后,通过线性搜索,结合最近邻准则和形状属性匹配在帧间关联车辆假设。对于部分和全部遮挡的情况,结合Kalman滤波器处理。根据跟踪信息的连续性,确认车辆存在并保存跟踪轨迹。实验表明,算法的复杂度低,能够在夜晚多种交通环境下实时检测和跟踪车辆,误检和漏检率低,并且对遮挡情况具有一定的鲁棒性。