基于激光雷达点云密度特征的智能车障碍物检测与跟踪

现有的基于点云数据的车载三维激光雷达障碍物检测和跟踪存在实时性差、准确率不高以及场景内障碍物数目增多时难以有效关联等问题。针对这些不足,文章提出了结合区域生长与密度聚类的算法以及同时考虑了障碍物几何特征与点云密度特征的关联方法。基于栅格地图,运用最大、最小高度图法去除背景点云数据;在得到可靠障碍栅格地图后,搜索匹配8邻域栅格属性,结合自适应阈值的密度特征进行聚类,提高了障碍物检测准确率;考虑了障碍物的点云密度特征和高度特征,提高了障碍物关联的可靠性并运用卡尔曼滤波器对动态障碍物进行了跟踪。在自行搭建的智能车平台上进行的实车实验验证了该文算法的有效性。     

一种基于机器视觉的前方车辆距离检测方法

为了有效控制并避免交通事故的发生,文章提出了一种基于机器视觉检测前方车辆障碍物距离的方法。利用机器视觉检测到前方车辆可能存在的感兴趣区域,通过边缘特征确定前方车辆的位置。对于采集到的图像进行去噪与增强,通过路面灰度值与基于窗口能量的方法准确定位车辆在图像中的位置。在对摄像机进行预先标定的基础上,通过透视投影的几何关系计算出前方车辆距离的方法。仿真试验结果表明,该方法准确有效。