基于单目视觉的智能车障碍物检测及测距算法研究

在自动驾驶场景下,为了实现对智能车辆前方障碍物进行目标检测及测距,提出了一种基于单目视觉的前方车辆及行人检测与测距方法.利用数据集对YOLOv3神经网络模型进行优化训练,利用训练完成的神经网络对实时采集的视频信号中的车辆及行人进行目标检测,输出车辆及行人目标的检测框.以目标检测框底部中心点为参考点,根据相似三角形测距算...     

基于复数小波的X射线荧光光谱本底扣除法

在X射线荧光光谱(XRF)分析中,本底能否有效扣除对分析结果的精确性有很大影响。针对实数小波变换系数在奇点附近有正负振荡及缺乏平移不变性等问题,提出了一种使用近似解析的复数小波扣除本底的新方法。该复数小波变换通过两个实数小波来实现,所以方法兼有实数小波局部时频分析和多分辨率等优点。采用复数小波分解光谱后,利用低频逼近重构信号得到本底。为了检验其有效性,对一个模拟的光谱和实验测得的光谱进行了本底扣除,并通过分析比较了方法对特征峰净峰面积和峰位置的影响,实验结果显示该复数小波得到的本底比一般实数小波的本底更为精确,证明了方法可以有效扣除本底并能保持峰面积等有效信号不变。     

基于视觉的交通场景目标检测与跟踪技术研究

针对通用目标检测算法在交通场景下检测多目标时存在的小目标漏检和误检问题,提出了一种适用于交通场景下的目标检测与跟踪算法。基于K-means++聚类算法计算出适合交通场景下目标检测的锚定框(Anchor Box)和深度可分离卷积的思想优化目标检测算法。其次,利用匈牙利匹配将卡尔曼滤波的预测值和目标检测的实际值相关联匹配,以实现目标跟踪。实验结果证明,改进后的目标检测与跟踪算法较原始算法在mAP方面提升了2.3%,达到了99.13%;速度提升了20%,达到了30帧/秒,对交通场景下的特定目标均实现了准确检测跟踪,保持了较好的实时性。     

基于视觉的车道线检测技术研究

环境感知技术是汽车自动驾驶的基础,车道线检测技术是环境感知的关键部分.本文提出一种基于视觉的车道线检测技术.首先,运用"张正友标定法"对单目相机参数标定;然后将图像转换成鸟瞰图,并使用LaneRidge检测器对车道线进行分离;其次,使用随机抽样一致算法RANSAC拟合车道线,并对虚实车道线进行分类;最后,在MatLab平台上对本文提出的车道线检测算法进行验证.实验结果表明,本文提出的车道线检测算法能够准确拟合车道线,并对虚实车道线进行分类.本研究能够确保车道线检测的实时性和准确性,从而为智能交通系统的应用打下基础,提高智能汽车行驶的安全性.