基于匹配的车载环视图像拼接标定研究

车载环视系统是辅助安全驾驶、消除车身四周盲区的重要有效装备,为改善图像拼接标定的精度及实现自动标定,设计图像拼接标定板,提出形状匹配的标定方法。标定板采用圆形图案并按矩形及对角五点布局方式,适用于“F-B-L-R”和“F-B-L-R-Z-Y”及多节牵引挂车场合,基于形状匹配的算法融合最小二乘法、图像金字塔及模板预训练的方法,实现了图像拼接标定。仿真实验表明,标定板具有良好的鲁棒性、算法具有良好的标定精度,能够实现自动化标定。

基于全景环视的端到端停车位检测方法

现有停车位检测方案大多将目标检测方案和人工设计的后处理模块进行简单结合,各阶段提取的特征存在大量冗余信息.并且,人工设计的后处理模块通常适应面窄,计算量大,最终导致停车位检测效果难以实用.针对这些问题,本文引入全景视觉,结合现有算法的优点与环视图像的特点,设计端到端的无锚框停车位检测算法.该算法对停车位进行进入线朝向建模,而非单独考虑两个入口点,省去了停车位入口点匹配和朝向判断流程,最终实现完全一体化的停车位位置、朝向和占用情况检测.考虑到实用性,在网络结构设计上进行了速度和精度的平衡、正负样本均衡,以及无后处理等多方面优化.最终,在ps2.0数据集上,本文提出的AFPSD模型以88.7的FPS(每秒帧数)达到68.7%的AP,相较VPS-Net和DMPR-PS方案精度分别提升1.2%和2.1%.由此可知,本文设计的一阶段端到端方案可以代替三阶段方案,在环视图像上实现停车位的稳定检测.

基于嵌入式设备的高效车载360环视融合软件方案设计

针对车载360环视应用场景对实时性的较高要求,提出了一种基于嵌入式设备的高效环视融合方案。该方案结合了环视图像矫正、俯视变换和环视融合三个步骤,建立了采集到的原始图像与最终环视图像之间的像素查找关系,并在多种车载嵌入式平台上进行了验证。结果表明:该方法相比传统方法能够有效降低图像处理的计算量,从而大幅降低嵌入式设备的环视融合延时,优化后平均每帧处理的时间可缩短至优化前的二分之一以下。

全景视图泊车辅助系统中的多视点视频拼接

为了满足全景视图泊车辅助系统中视频拼接的实时性要求,文中提出了一种基于特定图像拼接与查表法相结合的多视点视频拼接方法。在初始化阶段,首先用4个放置于车辆前、后、左、右4个方位的摄像头采集标定图像,分别对4个摄像头进行参数标定,矫正摄像头畸变带来的成像失真,并保存摄像头相关参数;然后对矫正后的标定图像进行射影变换,求解并保存射影变换参数;接着采集4个方位的特定图像,并通过查找摄像头参数进行图像畸变矫正,通过查找射影变换参数将矫正后的特定图像变换成俯瞰图;最后对4个俯瞰图进行图像配准,求解并保存单应性矩阵参数,经图像融合和拼接生成全景视图。在泊车辅助系统启用期间,通过查找已保存的摄像头参数、射影变换参数以及单应性矩阵参数,将4个摄像头的视频图像进行拼接,生成虚拟的俯瞰全景视图。实验结果表明,文中提出的方法适用于实时性要求较高的多视点视频拼接。

一种智轨列车的全景环视图像生成方法

针对新型交通系统多编组智轨列车(Autonomous rail rapid transit,ART)由于车体过长而存在的安全隐患,基于8个单目相机传感器和2个铰接角度传感器,提出改进的图像配准方法以生成单车厢环视图像。结合图像映射原理与几何对齐技术融合铰接传感器角度数据实现整车全景环视图像的生成。研究结果表明:在单车厢环视图像生成过程中,改进的基于固定棋盘格内角点的图像配准方法配准精度与效率更高,且实际操作更简单;在多车厢环视图像生成过程中,本文所提出的方法被证明了在不同的铰接角时都能够有效且清晰地生成整车的全景环视图像,这对可视化大型多编组车辆视野盲区以及主动为驾驶员提供行车环境信息从而保证车辆安全驾驶具有重要意义。

基于坐标逆映射的增强型车辆三维全景影像

当前最先进的车辆三维全景影像虽然可以较好地对车身周边环境进行三维立体的拟真显示,但仍然会对车身近处的三维物体造成显示畸变,极大地影响显示效果、降低实用性。针对该问题,提出一种增强型车辆三维全景影像的合成方法。首先利用YOLOv4网络检测出车辆及行人在图像中的位置,之后基于坐标升维逆映射将检测出的物体位置升维映射至世界坐标系下,最后将三维模型渲染在相应的逆映射位置上来代替显示畸变的三维物体,从而给驾驶员提供有效的周边物体位置信息。实验结果表明,所提方法生成的增强型车辆三维全景影像具有很好的实时性和显示效果,能够有效解决当前车辆三维全景影像的显示缺陷。

住宅小区居住环境规划设计初探

本文引入环境形象整体现，在环境结构原型分析的基础上结合实践探讨了住宅小区环境整体性设计，旨在强调设计的整体性及尝试设计方法上的新思路。

基于环视相机的无人驾驶汽车实例分割方法

针对环视鱼眼图像中目标几何畸变大导致建模难的问题,提出一种基于可变形卷积网络的实例分割方法,主要是在Mask R-CNN框架的基础上引入可变形卷积和可变形RoI Pooling(候选区域池化)来提升网络对几何畸变的建模能力.针对深度神经网络训练数据缺乏、易过拟合的问题,提出了基于多任务学习的训练方法.首先将现有的大规模普通图像数据集转换为鱼眼数据集来弥补训练数据不足的问题,然后采用多任务学习的训练方法将转换的图像和真实图像放在同一个框架中训练以提高网络的泛化能力.用该方法在真实的环视鱼眼图像上做测试,结果表明:相对于原始Mask R-CNN的方法平均精度提升了3.1%,证明了该方法在真实交通环境中的有效性.