基于视频的轨道车辆自主定位方法研究

针对轨道施工车辆自主定位需求,提出一种基于车载前视相机拍摄百米标视频的轨道车辆自主定位方法。该方法首先对YOLOX-s网络进行改进并构建了百米标的目标检测模型,完成对百米标的目标检测;其次,当检测到百米标后,结合图像预处理和卷积循环神经网络(CRNN)网络构建百米标数字文本识别模型,提取百米标的数字文本信息,从而实现对轨道施工车辆的定位。经实验验证该方法能够快速准确定位轨道施工车辆的位置信息。

基于全局与局部注意力的车辆方位场景识别

针对当前车辆方位场景识别任务中存在因特征相似而导致的左右类别、前后类别识别混淆等问题,设计了融合全局-局部注意力的车辆方位场景识别方法。首先,引入车辆多方位场景的概念,通过OSMNet方位场景匹配网络进行特征提取并进行场景的分类,其次,为使模型在不同方位场景中聚焦关键区域以有效学习车辆的空间方位,设计了全局局部注意力模块。最后,针对部分车辆方位场景之间存在类间距离小于类内距离的问题,设计了全局-局部位置注意力模块。在构建的8类场景数据集上进行实验,消融实验显示,本文所提出的D-CBAM和HGLP模块有效地增强了对特征图的全局和局部信息的捕捉能力,将模型识别准确率提高了3.54%和4.22%;对比实验显示,所提模型的准确率达到了95.49%,与基线模型相比提高了5.46%,模型总体识别效果优于其他分类模型,其中大部分方位的识别效果优于基线模型。结果表明本文提出的改进分类模型有效的学习了车辆方位信息,为远中近景图像的匹配提供桥梁,同时也为车辆多部件检测和分割等任务奠定基础。

考虑多前车位置及分位数速度差跟驰模型稳定性分析

为探究交通流特性对车辆跟驰行为的影响,基于分位数回归方法对跟驰模型进行改进,通过稳定性分析方法利用车头间距描述交通拥堵情况。根据分位数回归方法对模型中的优化速度函数进行改进,并将其应用于考虑多前车位置及速度差跟驰模型,使模型可以通过分位点的变换,在仿真过程中模拟不同驾驶风格的车辆。运用傅里叶变换理论推导出该模型的线性稳定性条件,并通过摄动法求得其修正Korteweg-de Vries(mKdV)方程的解,根据车头间距的扭结-反扭结解描述交通拥堵的变化情况。分析对比考虑不同因素的跟驰模型的稳定性临界曲线,为评估改进模型的有效性,搭建环形车道仿真平台并对改进模型进行数值实验。结果表明:在仿真实验中,随着分位点的增加,改进模型达到稳定状态的平均速度逐渐增加,车速分别为9.57、12.58、14.76 m/s;相比原模型,改进模型能够实现更少的位移波动,位移差最小为1.05 m;在混合模型实验中,随着激进驾驶风格车辆数量的增加,改进模型与多速度差模型相比,车队整体的平均速度达到12.42 m/s,位移波动能够达到稳定状态。

顾及通信延迟的车路协同高精度定位

近几年,随着智能交通和通信技术的发展,智能车路协同系统引起了广泛的关注。车辆的位置特征是智能交通中的基本元素。车路协同环境下,车辆可通过通信设备接收路侧端的定位信息进行自车定位。本文旨在解决车路协同环境中不稳定的通信延迟带来的定位误差的问题,提出了一种基于因子图的考虑通信延迟的车辆高精度定位模型。在GNSS的情况下,基于路侧激光雷达点云LiDAR聚类方法识别和定位目标车辆,通过4G通信网络将目标定位结果发送至车辆,采用因子图将当前时刻的车载惯性测量单元IMU测量信息与滞后的路侧目标定位结果直接融合,基于增量平滑推理方法,实现车辆位置、速度和姿态的最优估计。最后,结合实测和仿真数据,利用实车试验验证了本文方法,与传统处理时间延迟的外推法对比分析,结果表明本文方法可提高车辆的定位和测速精度,并消除了高度不稳定的通信延迟对定位的影响。

面向无人机目标的检测与实时跟随

随着无人机在各个领域的应用越来越广泛,目前对于无人机的管制需求也逐步上升,同时由于无人机平台算力、能源有限,有效的检测与跟随算法显得尤为重要。基于深度学习的方法对于目标检测十分有效,但其直接应用于空中目标跟随这一任务还存在稳定性与安全性不足以及目标阴影的干扰这些问题。针对目标检测时阴影干扰问题,提出了基于HSV色彩空间的阴影识别算法,能够对检测对象阴影区域进行分割识别,从而排除阴影对目标检测的干扰;为了得到了更精准的目标无人机三维位置,设计了二次定位算法,将纯检测框中心点与目标无人机结构上相对固定中心点进行了加权融合,减少了目标框大小浮动对目标位置估计的影响;在避障策略中融合了无人机相关约束以此避免了无人机跟随时的过度震荡,并利用动态环境下的自定位算法对追踪无人机的控制结果进行检测与实时修正,提升整个动态跟随过程中的鲁棒性。所提算法经虚幻4平台下的仿真与实物实验中得到验证,能够将无人机跟随任务的跟随精度控制在0.1 m级。

面向多复杂场景环境的敞车车号辨识研究

针对现有敞车车号定位识别方法存在的环境适应性差、定位和识别精度低的问题,本文提出一种面向多种复杂环境下的敞车车号精准定位和识别的方法。搭建融合多尺度特征信息的敞车车号定位模型框架,在此基础上,融合多尺度金字塔特征进行深度可分离卷积的敞车车号特征提取网络设计。提出基于改进卷积循环神经网络的车号定位识别模型,主要针对识别网络模型结构进行设计。通过不同环境下采集的敞车车厢图片对本文提出的方法进行验证。结果表明:本文提出的车号定位方法的准确率为0.94,车号识别的准确率为0.97。

基于深度信任网络模型的乌东选煤厂铁路车号图像识别方法

精准识别铁路车号可以为煤厂装车提供依据,从而保证装车环节高效顺利地完成。为此,提出了基于深度信任网络模型的乌东选煤厂铁路车号图像识别方法。首先,利用高速摄像机设备采集原始的车号图像,并利用索贝尔算子检测图像边界;然后,根据列车车号的字体笔画宽度特点,采笔画宽度变换算法定位确定图像中的车号区域,并利用LBP算法提取车号区域内的特征;最后,将提取的特征输入到深度信任网络模型中,在训练网络模型并不断更新参数后,准确识别车号图像。实验表明:该方法能够精准识别乌东选煤厂铁路列车车号图像。在深度信任网络模型中,当受限玻尔兹曼机网络为4层、隐含层节点个数为128个时,该模型的分类识别能力最强,训练损失最小,性能最佳。

弱GPS环境下的智能车辆自主导航算法

针对城市环境GPS(global positioning system)易定位失效的问题,提出一种利用视觉位置识别的智能汽车自主导航算法.为了识别车辆在无GPS环境中的全局位置,通过注意力模型和细粒度特征提取模块得到图像中具有判别力的视觉特征,实现航拍图像与离线卫星图像的匹配检索.在获取车辆位置信息基础上,通过精英蚁群优化算法为车辆输出前方道路分支行驶的方向,进行全局路径规划.结果表明:细粒度特征提取模块提取更具判别力特征,利用标签平滑的交叉熵损失函数训练,实现了实际环境位置的有效识别,车辆可以利用所提算法在弱GPS环境中自主导航.

单目视觉的前车位置识别及安全车距监测

针对自动驾驶中的前车位置识别及安全车距监测问题,提出了基于单目视觉的解决方案:首先,通过图像中前车轮廓与本车道及同向车行道分界线是否相交判断前车是否为监测车辆;其次,根据图像中像素坐标系与空间坐标系的对应关系构建转换模型,计算前方监测车辆与本车的真实车距;最后,根据可跨越的同向车行道分界线在连续图像帧中的位置变化计算本车的行驶速度,并依据交通法规判断本车与前方监测车辆之间是否为安全距离.实验结果表明,该解决方案可以有效地识别前车位置、监测安全车距并降低系统成本.

基于计算机视觉反馈的AGV定位停车研究

为了实现AGV的准确定位停车,采用视觉反馈法。首先经过图像处理,当发现定位停车标志符后,小车记录此时标志中心点到车辆中心的距离,并根据直线运动公式对距离进行判断,当距离为零时,小车停止。在标志符识别及配准过程中,采用了统计特征区域黑点数与模板图中的黑点数对比来筛选模板的方法以减少模板匹配的计算量,并利用SSDA算法进行图像配准。结果表明:在标识符形状差别较大、黑点数距离比较远的情况下,点的匹配率达到98%,识别准确率较高。

基于openMV的小车定位系统研究

介绍了基于Open MV微型机器视觉模块,采用Micro Python进行编程,通过摄像头采取实时图像,识别April Tag标记,读取3D数据,精确定位目标。设计一个自动停车泊位系统,定位精准,经过实验验证达到了预期目标。

磁与超声波复合车辆位置识别算法

针对可抛撒无线传感器节点落地姿态对磁探测性能的影响和单一磁探测无法精确识别车辆位置的问题,在分析磁轴偏转对垂直分量和磁偏角影响的基础上,提出磁与超声波复合车辆位置探测方案。利用三轴合成磁感应强度作为预警信号唤醒超声波传感器后,与超声信号复合识别车辆位置。通过改进的多中间状态机检测算法,区分出无目标状态、预警状态、位置识别状态和触发状态。实验分析表明,当目标从正上方通过时,磁与超声复合探测能识别出车辆中间位置,误差在50cm的范围内,并能抑制目标侧向通过时的虚警率。

基于车位编码识别的车库行车定位与导航方法

针对从出发点到室内停车位,特别是室内行车时的定位与导航问题,提出了一种依靠车载摄像头识别车库内车位编号,并配合车库电子地图实现车库内车辆定位与导航。该方法整合并延伸了现有移动定位导航功能,首先以车辆入口位置为触发点结束卫星导航并自动切换为对应车库的室内导航模式,然后启用车载摄像头动态识别车位编码并结合车库地图确定当前位置和行车方向,最后通过计算路径可靠度推荐最佳路径。实验使用visual studio(VS)编程识别车位编码,通过与车库电子地图匹配完成定位,以实拍车库车位编码进行验证,可以做到准确识别、快速定位。提出的基于车位编号识别的车辆定位导航方法实现了与卫星定位系统的衔接导航,提高了规模化的大型地下车库的服务效率,填补了室内外端对端导航的空白,对室内定位导航方面的研究有良好的支撑。

基于纹理特征的动态车牌识别二次快速定位技术研究

提出了一种基于车牌区域纹理特征的二次车牌定位算法。算法对图像进行预处理,将图像由彩色图像变为含有边缘跳变点的二值图像,利用车牌区域和背景区域的粗纹理特征在能量谱中的分布特点对其进行初次定位,依据车牌区域跳变点分布的数量统计值对其进行二次准确定位。用Radon变换将部分有倾斜角度的车牌区域进行水平校正,得到最终的车牌定位图。实验结果表明,该定位技术有效的抑制了各种复杂背景带来的诸多干扰,定位区域更加准确,定位图像更加清晰,实用性更强。

多无人机联合三维定位中的目标优化识别

在进行多无人机定位中的目标优化识别时,由于目标高度离散性大,目标距离特征具有较大的随机性,导致传统的采用时空MUSIC算法的多无人机联合三维定位中的目标优化识别方法,无法依据稳定的距离矩阵特征,获取目标高度或俯仰信息,无法准确识别目标,提出一种基于ML的多无人机联合三维定位中的目标优化识别方法,利用多无人机联合三维定位目标动态模型,依据回波数据随时获取目标的径向距离、方位角以及多普勒信息,对多无人机联合三维定位中的目标位置进行最大似然估计,实现目标的准确优化识别。仿真结果表明,所提方法具有很高的精度及有效性。

船舱内车辆高精度跟踪系统及识别算法研究

货船船舱内运输的各种车辆,需要对其进行有效的监控及识别跟踪定位,以使车辆间运行路径互不干扰,保证调度效率。该文针对船舱这种特殊条件下的车辆图像识别和跟踪系统进行设计,采用广角镜头结合多摄像机分布实现低高度大范围的拍摄,采用样条函数对失真图像进行校正,采用Harris算法结合拉伸变换进行图像拼接,获得整个船舱的完整图像。提出采用基于主视觉词(principal visual word,PVW)的牌照识别算法对坦克和装甲车等牌照进行识别,克服迷彩等复杂背景的影响。根据船舱的实际尺寸,设计16∶1的实验系统,通过在车辆上设置标识点对车辆的定位精度进行验证,最终获得±0.5 m的车辆定位精度。

车辆信息识别下的测距模型建立方法研究

为了探测车辆间的相对距离,避免危险车辆由于驾驶不当所引发的交通问题,提出一种深度学习目标识别下的跟驰车辆相对距离测定方法,避免了雷达测距的短距离局限性以及车辆未知性的缺点。该方法采用车载单目摄像机对侧后方车辆进行拍摄,实际物体和成像点之间的转换通过三坐标转换完成,利用深度网络识别目标车辆,获得目标车辆位置以及类别信息,并建立合适的测距模型,得到检测车辆与摄像头之间的相对距离,利用帧差法预测被检测车辆的行驶速度。选择河南省鹤壁市107,342国道进行试验,该路段验证了测距模型的有效性,静态测距下75 m以内相对误差控制在4%,速度误差控制在5%,因此,在检测到危险车辆的情况下,测距模型可以实现相对距离的实时准确性检测。

交通道路行驶车辆车标识别算法

为解决交通道路行驶车辆车标识别中存在的目标小、噪声大、种类多的问题,提出了一种基于深度学习的目标检测算法与基于形态学模板匹配算法相结合的方法,并设计了一种高准确度且能应对新类型车标的识别系统。首先,采用通过K-Means++重新聚类锚框值,并引入残差网络的YOLOv4进行车标的一步定位;其次,通过对标准车标图像进行预处理及分割,构建二值车标模板库;接着,利用带色彩恢复的多尺度视网膜图像增强算法(MSRCR)、最大类间方差法(OTSU)等对定位到的车标进行预处理;最后,将处理好的车标与模板库中的标准车标进行汉明距离计算,求出最佳匹配。车标检测实验中,改进的YOLOv4检测精度均优于原始YOLOv4、基于车牌位置的车标两步定位法和基于散热器栅格背景的车标定位法,达到99.04%;速度略低于原始YOLOv4,高于另外两者,达到每秒50.62帧。车标识别实验中基于形态学模板匹配的识别精度均高于传统的方向梯度直方图(HOG)、局部二值模式(LBP)和卷积神经网络,达到92.68%。实验结果表明基于深度学习的车标检测算法有较高的精度和较快的速度,形态学模板匹配方法在光照变化和噪声污染的情况下仍能保持较高的识别精度。

一种基于ARM-A53的嵌入式新型行车记录仪的设计

本文基于ARM-A53设计并开发了一款自组网智能型车记录仪,本记录仪通过图像识别算法计算图像内车辆的运动趋势,并通过自组网功能与北斗定位功能将前方车辆识别信息传递给后方车辆的行车记录仪从而让后方车辆的行车记录仪可以具备更广的视野和全局安全识别能力。该记录仪由信息采集与处理平台、车辆自组网、人机交互平台构成。该记录仪通过实际测试验证,有较好的应用前景。

自主导航与精确定位的四旋翼飞行器设计

无人飞行器凭借机动性强、易于操控等优点在军事领域和民用方面都具有较好的应用前景。为了解决传统导航定位利用GPS,而普通GPS定位精度不够高的问题,利用单目视觉摄像头,结合姿态、超声波、光流等传感器,设计搭建了基于图像识别的四旋翼飞行器作为研究实验平台,并在一定空间范围内进行了飞行实验。实验结果表明,飞行器能够在x、y方向位置误差75 mm、180 mm内实现稳定悬停,自主搜索信标并降落,降落成功率超过90%,验证了设计的合理性与正确性。