基于卷积神经网络的车道线逆透视变换算法

逆透视变换是车道线检测的关键环节.当车辆俯仰角变化时,传统固定参数的逆透视变换方法无法动态调整,导致逆透视变换效果不佳.针对这一问题,提出基于卷积神经网络的自适应逆透视变换算法.该方法利用卷积神经网络处理图像,得到求解逆透视变换所需的参数,从而实现逆透视变换矩阵的动态更新.根据道路结构的先验信息设计了自适应加权条形池化分支,用于补充下采样过程中丢失的结构信息,基于ResNet网络的残差结构搭建了轻量的卷积神经网络——TNET,并设计了对应的损失函数.与ResNet18相比,T-NET具有整体参数量小、计算成本低等特点.最后,通过实车采集的真实道路图像对算法进行了验证,结果表明:在车辆颠簸情况下,该方法可以有效抑制俯仰角变化对逆透视的不利影响,实现良好的逆透视变换效果.

基于路面垂直轮廓建模的一般路面逆透视变换

提出了一种由单帧立体图像实现一般路面图像逆透视变换的方法.针对双目视觉得到的路面垂直轮廓进行B样条建模,利用建模得到的路面高度代入路面图像成像过程中,从而实现一般路面的逆透视变换.实验表明,通过该方法能有效地实现上下坡等一般路面图像的逆透视变换.

基于单目视觉车辆姿态角估计和逆透视变换的车距测量

针对一般的单目视觉测距方法忽略汽车在行驶过程中姿态角变化的问题,该文提出了一种基于变参数逆透视变换和道路消失点检测的单目视觉测距模型,实现了车辆在相对运动过程中的纵向距离和横向距离实时测量。首先,该文通过基于纹理方向估计的道路消失点检测算法计算出汽车运动的偏航角和俯仰角,然后运用变参数的逆透视变换和几何建模分析方法,建立车辆测距模型。对不同道路环境和测距方法的2组对比试验分析该文方法的可行性和有效性,结果表明,该文所提出的测距模型能够有效测量纵向70 m、横向4 m以内的目标车辆距离,测量误差在5%以内,且道路环境越好,误差越小,道路良好的平坦道路测距误差在3%以内;该文算法的平均处理速度达到了40帧/s。

基于逆透视变换的条播作物早期作物行识别

根据条播作物田间作业的对行要求,提出了一种新的作物行检测方法.首先通过选取透视图像中底部区域进行垂直投影,获得透视图像中作物行的边缘点并进行逆透视变换,然后基于逆透视变换算法消除图像几何失真,利用骨化算法求取逆透视图像中作物行的骨架线交点集,在逆透视变换图像中根据边缘点对骨架线交点集进行划分,最后对交点集分类后的作物行进行拟合,以获取不同的作物行.通过对300幅不同生长条件下的小麦作物行图像进行识别试验,其行识别拟合结果表明:作物行拟合的平均误差为2.136 7°,标准差为1.024 3°,平均耗时为0.364 7 s,能够满足实时工作要求.

基于逆透视变换的车辆排队长度检测方法及硬件实现

交通路口的车辆排队长度检测是智能交通系统的重要组成部分,传统的检测方法易受背景噪声、摄像机透视效果等因素的干扰造成检测失败,而且其实现都是基于串行结构的处理器,不能用于实时处理的场合;设计了一种充分利用平直道路几何特征并适合FPGA实现的排队长度自动检测算法,该算法利用逆透视变换消除图像几何失真,引入公路的结构性约束有效检测了车道线;接着采用Sobel边缘算子检测出各车道的车辆轮廓,通过一种基于信息量的度量方法提取排队的队尾,从而确定了车辆排队长度,并且通过硬件化设计使得整个检测过程达到实时的处理速度;试验结果表明,在消除了视觉偏差的图像上进行的排队长度检测结果比校正前更加真实准确,所提出的检测方法可以很容易工程化并用于实际交通路口的车流量自动实时检测。

基于逆透视变换的智能车辆定位技术

为了根据车道线参数准确地确定本车在车道中的位置和方向信息,提出了一种基于逆投影变换的本车定位算法。算法利用逆透视变换对投影图中的车道线进行三维逆透视重建,得到实际路面的车道线,并经过坐标变换求出本车在车道中的当前位置参数、方向参数及车道宽度等信息。试验表明,该算法对光照条件、道路结构等变化具有较好的适应能力和抗干扰能力,在一定程度上满足多种横向主动安全系统的要求。

基于非线性逆透视变换的摄像机畸变参数标定

为实现摄像机畸变参数标定,提出了一种基于非线性逆透视变换模型的标定新方法.根据线性透视变换模型和畸变模型推导出非线性逆透视变换模型,以及逆透视变换参数与畸变参数之间的关系;在此基础上,建立以畸变参数为最优解的泛函,然后进行优化搜索求解.在优化搜索中,采用改进牛顿法确定搜索方向,然后,采用试探法沿搜索方向进行一维搜索.该方法仅需对数目较少的畸变参数进行优化搜索,可大幅降低优化搜索的维度和复杂度.仿真和实验结果表明:该方法正确有效,求解精度较高.

基于逆透视投影变换的图像拼接方法

为了得到大视角图像较好的拼接效果,本文提出了一种新的图像拼接方法。该方法利用逆透视投影变换的方法解决了大视角图像间视差过大的问题,利用多分辨率匹配来提高图像匹配速度,利用选取特征区域的方法来提高模板匹配的精度。实验证明了该方法能有效解决简单环境下大视角图像的拼接问题。

Virtools中的透视变换和逆透视变换方法

Virtools开发的虚拟现实项目中,涉及采用鼠标控制虚拟空间物体移动的操作,而Virtools自带的BB无法满足需求,需要采用VSL语言编写控制程序代码,而程序的核心就涉及透视变换和逆透视变换的原理。文章简述了透视变换和逆透视变换的基本原理,并演示了Virtools中程序实现的方法。

基于逆透视变换的乡村道路图像分割算法

针对非结构化道路所处自然环境复杂、传统检测算法受各种因素干扰较大的问题,提出一种将逆透视变换和图像自适应阈值选择相结合的分割算法,对道路图像进行分割。详细介绍了算法流程及其原理,并实现了目标区域的有效提取,结果证明此算法正确、有效。

基于单目视觉的车辆下边沿估计和逆透视变换的车距测量

前方车辆测距在自动驾驶汽车技术领域中起着至关重要的作用。针对目前基于单目视觉的车辆测距技术忽略了车辆与地面相接的下边沿问题,提出一种基于车辆下边沿估计和逆透视变换的单目视觉测距方法,实现了对前方车辆进行横向和纵向的高精度车距测量。该方法首先通过对车辆关键点估计和几何关系模型完成对车辆下边沿的估计,然后从中计算测距关键点,再利用基于点的逆透视变换测距模型进行距离计算。实验结果表明,与其他基于单目视觉的车辆测距方法相比,该方法提高了测距的精度和稳定性。

基于行车视频消失点和逆透视变换的车速测量

为了克服行车途中相机抖动对车速测量的影响,利用行车视频消失点特性和逆透视变换特征,提出一种通用车速测量方法。首先通过检测车道线来识别获取消失点位置和车道斜率信息;其次建立相机三参数模型,并利用透视成像原理,推导出俯仰角、偏航角以及高度的计算公式;然后对逆透视变换后的正投影图像进行特征运动分析,获取自车及目标车辆速度;最后分别在自车车速为20、25、30、35、40、50 km/h以及前方目标车辆车速为10、20、30 km/h的情况下进行实车试验。结果表明:自车车速的平均误差不超过5%,前车车速的平均误差不超过7%,能够达到交通事故车速测量的要求。

共面N点三维逆透视变换及运动估计

由于摄象时光学系统产生的“透视投影变换”是一种损失深度讯息的变换,在三维景物分析中,“深度”这一重要讯息极难提取。本文提出的图象序列“三维逆透视变换”方法,对联系空间中共予N点在任意运动前后的相继两幅透视图象的对应象面参数——深度——运动间存在的高度非线性方程组可以全局线性化处理,分离出以“归一中位奇异值”的3×3矩阵所代表的刚性运动的“运动矩阵方程”及一组线性的“相容方程”,并系统地得到了基于自由参考坐标系的“共面N点三维逆透视变换”的显式解,用以同时确定物点在运动前后的深度讯息及它们实际经受的运动。该显式解直接由象面坐标进行计算,算法简单、稳定。特别是由线性的“相容方程”的最小方差解可对带有测量误差的N点象面坐标取最小方差估计,不仅有效地利用了多点讯息,使深度讯息的恢复十分准确,而且也给共面N点对的自动匹配提供了新的方法.

基于逆透视变换的道路检测技术

为了在不同环境条件下准确地提取道路边缘与中心线,提出了一种基于逆透视变换的道路检测算法,利用逆透视变换对道路进行三维逆透视重建,得到道路的边缘与中心线,并同时模糊周边环境。试验表明:基于逆透视变化的道路检测技术对不同环境、不同道路结构具有很好的适应性,在一定程度上可以实现不同道路的边缘与中心检测。

基于改进逆透视变换的车道线检测算法

针对智能车辆在不同环境条件下识别道路车道线出现偏移的问题,提出了一种基于改进逆透视变换的车道线检测算法。首先利用HSL和Lab融合模型提取车道线颜色特征,经过二值化处理后利用透视变换将图像转换为鸟瞰图,然后根据二值图建立直方图,进行车道线位置的粗定位。最终通过滑动窗口算法以及直线拟合等处理,实现对车道线的精准识别。通过实验结果对比分析,提出的车道线检测算法能够解决车道线识别偏移问题。

基于梯度增强和逆透视验证的车道线检测

为解决高速公路和城市道路上复杂条件下的弱线漏检问题,提出了一种基于梯度增强和逆透视验证的车道线检测方法。该方法使用车道线的结构和对比度特征提取车道线区域,利用提取的车道线区域进行车道线和道路样本的选择,并采用基于模糊线性鉴别分析获得从彩色RGB图像到灰度图像变换的最佳投影系数,以确保车道线和道路像素间的灰度差异最大,从而有效突出道路上的弱线;利用逆透视变换对候选车道线间的空间位置关系进一步验证,以此找回漏检的虚线。不同场景、不同天气状况下的实际道路图像的实验表明,方法具有很好的鲁棒性和准确性。

逆透视投影下车道偏离时间的在线估计

提出了一种基于图像逆透视变换后的车道偏离时间的实时在线估计算法。该算法先对道路图像进行预处理,得到二值化的道路图像,然后通过逆透视变换方法消除图像的透视效果,用Hough变换方法检测车辆所在车道的左右道路标志线,最后估算车辆偏离车道的时间,判定车辆是否会偏离车道。对该算法进行了详细介绍并给出了实验结果,结果表明该算法能够准确地判断车道偏离。

适用于低分辨率的逆透视映射算法

针对一般情况下小型机器人所配置的摄像头分辨率较低的特点,提出了一种适用于低分辨率摄像头的逆透视(IPM)公式。建立了一组简化的二元方程组来实现逆透视变换,降低了算法复杂度,提高了在摄像头分辨率较低情况下逆透视变换的效率。实验结果表明,对于低分辨率的情况,该公式大幅度降低了资源的消耗,同时精确度高于现有公式。该公式,能更好的满足摄像头分辨率较低的智能设备。

逆算法求解用户坐标系到观察坐标系的变换

以单位矢量法为基础,提出逆算法求解用户坐标系到观察坐标系的变换,并给出了显式表达的变换矩阵,其结果与已有的向量代数法推导结果是一致的。

规范透视场景的半监督目标检测及其在保护压板巡检上的应用

如何快速准确地对继电保护压板的异常状态进行识别,是变电站二次设备巡检工作中亟待解决的技术难题。基于深度学习的通用目标检测算法在向诸如继电保护屏压板检测等特殊化场景的迁移中,不能够充分利用保护屏场景中的规范透视先验特征;此外,人工标注大数据集的困难性一直以来都是通用检测模型迁移至特殊场景时的挑战。针对上述问题,提出了一种适用于保护压板规范化分布特征的半监督目标检测模型,该模型根据压板识别场景的特点对模型框架进行了一系列适应性改进。在模型的半监督训练阶段,使用一致性正则化方法生成伪标签,并基于保护屏压板图像特征,以边缘吸附和点阵行列拟合等方式,优化或剔除伪标签,从而突破了数据标注困难性带来的限制。改进后的模型达到平均精度均值为98.12%的应用级精度,并额外输出图像的逆透视变换参量。该模型被应用于便携式智能终端,辅助工作人员进行继电保护压板状态的巡检工作;模型输出的逆透视变换参量,也可为3D人机交互等下游视觉任务提供技术支撑。