顾及数字地图中车道走向的车辆跟踪增强算法

车辆跟踪技术旨在从连续场景中估计目标车辆的状态,对智能车辆的环境感知、场景理解和目标行为预测起着至关重要的作用.基于激光雷达的感知系统能够提供准确的车辆检测结果,但依据检测结果进行车辆跟踪时,存在车辆朝向估计失准导致跟踪误差大、轨迹预测稳定性差的难题,尤其在目标距离较远、点云较为稀疏的情况下.考虑到大多数时刻车辆行驶方向与车道线方向基本一致,本文提出一种基于数字地图中车道朝向先验信息的车辆跟踪增强方法,将局部车道线的识别结果与OpenStreetMap地图中的车道线信息进行融合,建立道路模型并获取道路朝向的先验约束;在基于扩展卡尔曼滤波的车辆跟踪框架下,利用该约束优化车辆的朝向估计,进而提升车辆跟踪的精度与轨迹预测稳定性.在KITTI数据集上的定性与定量试验证明,本文所提出的方法在多目标跟踪指标上提升至少0.33％,平均位移误差降低了0.014 m以上,同时,对于60 m外车辆目标的跟踪误差降低了0.08 m以上.     

基于DOA和TDOA的单站外辐射源目标跟踪IPKF方法

随着电子战、信息战在现代军事领域的地位日趋重要,基于外辐射源的定位跟踪方法成为现代雷达领域的研究热点。针对通过单站接收多外辐射源信号获取角度（direction of arrival,DOA）和时差（time difference of arrival,TDOA）信息对运动目标跟踪的问题,首先推导角度和时差的伪线性观测方程,在通过最小二乘（least squares,LS）算法获取初值的条件下,利用传统的卡尔曼滤波算法实现目标的跟踪,该方法称为伪线性卡尔曼滤波（pseudo-liner Kalman filter,PKF）算法。进一步分析观测方程,提出了利用迭代的IPKF（iterative PKF）目标跟踪算法,并推导其克拉美罗下界（Cramer-Rao lower bound,CRLB）。仿真实验分析说明,该IPKF算法的跟踪精度、收敛速度和稳定性均优于传统的扩展卡尔曼滤波（extended Kalman filter,EKF）算法,且迭代次数越多,性能越好,观测误差越小,跟踪误差越接近CRLB。     

利用无人机多源影像检测车辆速度

交通在人民生活和社会经济中有着举足轻重的作用。车辆速度检测是智能交通管理系统的重要组成部分。本文提出了一种基于无人机（UAV）多源影像数据进行车辆速度检测的方法,首先,搭建小型无人机多源数据采集平台,获取可见光影像与热红外影像。然后,针对采集的多源数据,采用深度学习框架YOLO（you only look once）进行车辆检测。最后,基于卡尔曼滤波进行车辆跟踪,并根据跟踪结果计算车辆速度。本文利用无人机平台增加监测车辆的灵活性,同时综合使用多源数据,不仅提高车辆检测精度,还可以不依赖光照条件跟踪车辆。试验结果表明,本文方法具有有效性和稳健性,为道路监控管理部门提供一种高效率、机动灵活的监测模式。     

基于视觉反差的显著图生成与目标检测

以认知神经科学的研究成果为依据,对视网膜会强烈响应大反差视觉刺激的现象和初级视觉皮层上视觉信息的生成机制进行了模拟,提出了一种基于视觉反差的显著图生成与目标检测方法。本方法可以在不考虑目标的形状、边缘或其他形式先验知识的情况下检测出场景中具有显著反差的目标。在对地场景中车辆目标的检测实验里,将其与另外两种典型的显著图生成方法进行了对比,结果显示,这种基于视觉反差的目标检测方法能够较好地将注意力集中在场景中具有较大反差的目标之上,且具有高效性和鲁棒性。     

InSAR技术在海岛礁测量中的应用

针对海岛（礁）地形测绘面临的困难,应用雷达干涉测量（InSAR）技术提取了海岛（礁）数字高程模型及海岛岸线。介绍了雷达干涉测量的基本原理及数据处理流程,利用厦门地区的ERS-1/2串联飞行的雷达数据,进行了相关实验,提取了某海岛的数字高程模型;提出了一种基于InSAR相干图的海岛岸线自动提取方法,该方法主要通过对InSAR技术生成的相干图进行自适应阈值分割、边缘检测等处理,自动获取海岛岸线信息。实验证明InSAR技术是进行不易/不宜到达的海岛（礁）地形测绘的一种有效的技术手段。     

三维目标位姿跟踪与模型修正

本文是机器视觉参量下的三维数字摄影测量智能构像基础工作之一：成像系统位置姿态自动跟踪与精密修正,属于摄影测量与机器视觉、数字图像处理等学科交叉的摄像测量领域。针对基于目标3D模型的位姿跟踪问题开展研究,对相关研究的现状进行梳理,并提出系列位姿跟踪与模型修正方法。在完全已知目标3D精确模型的情况下,对于包含丰富直线特征的特殊目标,提出基于直线模型的目标位姿跟踪方法,实现了目标位姿参数的精确跟踪;为处理更为一般目标,利用目标的3D边缘模型,提出法向距离迭代加权最小二乘位姿估计方法及距离图迭代最小二乘位姿跟踪方法。当目标3D直线模型参数不准确时,结合光束法平差思想,提出一种针对序列图像的基于3D直线模型同时位姿跟踪与模型修正方法,联合优化求解目标位姿参数及3D直线模型参数,在模拟空间卫星目标位姿测量的仿真试验中,模型直线朝向、位置误差及目标位姿平均角度、平均位置误差分别为0.3°、3.5 mm及0.12°、20.1 mm。针对包含丰富直线特征的目标,在其3D直线模型完全未知的情况下,提出基于序列图像直线对应的目标结构重建与位姿跟踪方法,利用序列图像信息,在SFM框架下同时优化求解目标直线模型参数及位姿参数,仿真试验条件下,重建模型直线朝向、位置误差及位姿参数平均角度、平均位置误差分别约为0.4°、7.5 mm及0.16°、23.5 mm。     

融合卷积神经网络和循环神经网络的车轮目标检测

目标检测是基于视觉的目标定位关键技术。针对现有车轮检测方法对环境敏感问题,本文提出一种并联式融合循环神经网络和Faster R-CNN的车轮检测模型FusionRNN,借助RNN能够处理时序和CNN能够提取空间域隐性特征的优点,可提高实时性,减少参数量,使模型表达能力更强,同时具备分析序列化向量间语义关系和识别车轮几何特征的能力。该模型能在由激光雷达扫描得到的车轮三维点云投影图中准确检测出车轮位置,为基于AGV自动停车系统搬运车辆提供准确稳定的车辆位置信息。     

视频与GIS协同的交通违规行为分析方法

针对人工监测无法及时、高效地发现视频中车辆和行人违规情况的不足,构建了地理空间视角下,兼顾动态目标在地理场景下的属性、时空关系和语义信息的轨迹模型(trajectory model,Tra-Model),设计了视频与GIS协同的交通违规行为分析方法,基于轨迹与规则几何约束条件对目标逆行、压线、禁止进入3类违规情况进行实时检测。以某高校为实验场地,分析不同交通场景下目标的3类违规情况。实验结果表明：（1）Tra-Model模型提取的轨迹包含目标类型、轨迹序列等语义信息,相比于现有动态目标跟踪算法,精准率提高15.6%;(2)所提方法对多个摄像机序列违规分析准确率均在70%以上,相对于现有方法具有更好的性能;（3）实现了地理场景下多种交通违规行为综合分析的全局性、高精度和探测类型多样性。     

基于模糊Kalman滤波的港口车辆组合定位方法研究

针对北斗卫星导航系统（BDS）/惯性导航系统（INS）组合导航系统在遮挡环境下定位失效这一问题,通过分析组合导航系统中传感器的状态变化对定位精度的影响,设计了一种基于传感器工作状态的模糊逻辑推理系统,并与卡尔曼滤波算法相结合,通过实时调整系统量测噪声方差的方法提高定位精度.在港口环境下的无人车辆上进行了实验,实验表明,提出的方法能有效提高遮挡环境下无人车辆的定位精度,并具有良好的鲁棒性.      

基于视频的行人检测跟踪与统计算法研究

视频图像中运动目标的检测及跟踪一直是视觉分析的研究热点之一。本文针对教学楼内摄像头固定、背景基本不变的情况,提出了一种行人检测跟踪及统计算法。首先根据背景差分法初步提取行人目标,然后将行人目标二值化,最终通过阴影去除、膨胀、腐蚀等一系列图像预处理操作去除光线变化及噪声的影响,得到较完整的行人目标,并改进了基于质心跟踪的行人目标跟踪方法,采用基于矩形中心的方法实现了行人跟踪与统计,使之更适应教学楼行人检测。实验结果表明,该算法可以实现对行人目标的较完整提取、对目标运动方向的较准确判断和对行人的较精确统计,为教学楼行人疏导提供技术保障。     

基于车载LiDAR点云的车辆目标自动检测

以武汉市三环线内主要道路夜间停车调查项目为背景,利用车载三维激光扫描技术获取了武汉市三环线内夜间某道路沿线的点云数据,提出了一种基于知识规则的车辆目标自动检测方法。该方法首先采用基于欧式距离分割的聚类方法将点云分割为簇,再分析车辆目标的点云特征和空间几何特征等相关特点,然后建立车辆目标检测的知识规则,最后根据知识规则实现车辆目标的自动检测。实测数据的实验表明,该方法的自动检测准确率为88.10%,证明了其有效性。     

顾及道路约束条件的动态目标检测与跟踪方法

智能交通是智慧城市的重要组成部分,面对复杂多变的道路背景,如何能够快速检测、跟踪道路监控影像中的动态目标,是智能交通建设的关键技术难点。本文根据道路监控视频特点,提出了采用道路约束条件与颜色特征集相结合的动态目标跟踪方法,以道路约束条件确定运动目标搜索区域,利用HSV颜色特征集进行特征匹配,然后基于ⅡR滤波背景法对背景影像进行更新及动态目标的检测,并根据道路约束条件与颜色特征相结合跟踪方法实现对动态目标的跟踪及动作预测。试验结果表明该方法可准确对运动目标进行检测与跟踪,且对慢速运动目标也具有较好的响应能力,实现了对道路动态目标的实时检测与跟踪。     

Automatic Registration Between Low-Altitude LiDAR Point Clouds and Aerial Images Using Road Features

Among the many means of acquiring surface information, low-altitude light detection and ranging (LiDAR) systems (e.g., unmanned aerial vehicle LiDAR, UAV-LiDAR) have become an important approach to accessing geospatial information. Considering the lower level of hardware technology in low-altitude LiDAR systems compared to that in airborne LiDAR, and the greater flexibility in-flight, registration procedures must be first performed to facilitate the fusion of laser point data and aerial images. The corner points and edges of buildings are frequently used for the automatic registration of aerial imagery with LiDAR data. Although aerial images and LiDAR data provide powerful support for building detection, adaptive edge detection for all types of building shapes is difficult. To deal with the weakness of building edge detection and reduce matching-related computation, the study presents a novel automatic registration method for aerial images, with LiDAR data, on the basis of main-road information in urban areas. Firstly, vector road centerlines are extracted from raw LiDAR data and then projected onto related aerial images with the use of coarse exterior orientation parameters (EOPs). Secondly, the corresponding image road features of each LiDAR vector road are determined using an improved total rectangle-matching approach. Finally, the endpoints of the conjugate road features obtained from the LiDAR data and aerial images are used as ground control points in space resection adjustment to refine the EOPs; an iterative strategy is used to obtain optimal matching results. Experimental results using road features verify the feasibility, robustness and accuracy of the proposed approach.     

智能驾驶中点云目标快速检测与跟踪

利用实时车载激光点云,实现城市环境下的多目标快速检测与跟踪。动态目标跟踪是实现城市环境下自动驾驶的关键,是三维城市场景感知的研究难点。相比于图像,三维激光点云数据更适合用于目标三维形状估计和运动预测,所以广泛应用于无人驾驶方案中。使用基于目标模型和卡尔曼滤波的目标跟踪框架,针对稀疏点云数据中常见的过分割和欠分割问题,提出一种关联历史跟踪结果和目标检测的快速跟踪算法。将跟踪结果作为先验知识,与下一时刻的目标检测关联,增强目标检测的稳定性。该算法已经应用到搭载三维激光扫描仪的自动驾驶汽车中,实验证明,该算法适用于城市交通场景,且满足实时解算需求,单帧处理平均耗时58 ms。     

高精道路地图制作方法及关键技术

本文提出一种基于车载移动测量、倾斜摄影等多源数据成果的高精道路地图互补采集方法,并对其关键技术进行了深入研究。首先以国内第一条基于自动驾驶的智能网联高速公路测试路段——淄博智能网联测试基地为例,开展了激光点云、全景照片、倾斜影像等多源数据获取及高精道路地图要素采集。然后以道路三维矢量要素自动提取为基础,辅以人工采编,并在数据差分解算中测试了我国北斗数据。实例表明,本文方法切实可行、精度可靠,有效改善了高精道路地图采集模式,降低了劳动强度,保障了人身安全,提高了作业效率,对于高精道路地图制作具有借鉴价值。     

利用Faster R-CNN进行立交桥自动识别与定位

立交桥结构的自动识别对道路网多尺度建模、空间分析和车辆导航具有重要意义。传统基于矢量数据的立交桥识别方法过分依赖人工设计的特征,对复杂场景的适应性较差。本文提出了一种基于目标检测Faster R-CNN神经网络模型的立交桥识别方法,该方法利用卷积神经网络学习立交桥样本的深层次结构特征,进而实现立交桥的自动识别与准确定位。试验结果表明,该方法对立交桥的识别效果较好,能够在复杂的道路网中准确确定立交桥的位置,避免了人为干预对试验结果不确定性的影响,抗干扰性较强。     

OSM辅助车载LiDAR点云三维道路边界精细提取

道路边界精确提取建模是城市道路管理、智能交通规划和高精度地图制作等领域的重要课题之一。本文提出了一种基于车载激光雷达点云数据和开源街道地图(OSM)的三维道路边界精确提取方法。首先,针对原始车载LiDAR点云数据应用布料模拟滤波分离地面点,再结合相对高程分析获取道路边界点候选数据集。然后,应用OSM矢量道路网数据的节点辅助道路边界点候选点集进行分段。最后,在各分段点云数据集中基于随机抽样一致性算法获得三维道路边界点集。通过直道、弯道及高密度复杂场景3种不同类型的城区道路边界路段分类提取试验。结果表明,利用该方法进行道路边界提取的准确率和召回率分别达96.12%和95.17%,F1值达92.11%,本文方法可用于高精度道路边界的三维精细提取与矢量化,进而为智能交通与无人驾驶导航提供支撑。     

车载激光点云的道路标线提取及语义关联

自动驾驶技术已成为未来智能交通的发展方向之一,高精度地图为L3级及以上自动驾驶实现高精度定位和路径规划提供先验信息,是自动驾驶车辆传感器在遮挡或观测距离受限情况下的重要补充。道路标线的位置和语义信息,比如实线和虚线的绝对位置是高精度地图的基本组成部分。本文从车载激光点云中提取扫描线,根据道路边缘位置几何形态的突变从扫描线中提取道路路面,在此基础上首先利用反距离加权插值的方法把路面点云图像以一定的分辨率转换为栅格图像,其次利用基于积分图的自适应阈值分割方法把栅格图像转化为二值图像,然后利用欧氏聚类的方法从二值图像中提取标线点云,并利用特征属性筛选的方法对提取的标线点云进行语义识别,最后建立交通标线和交通规则之间的语义关联。     

基于GPS时空轨迹的路网拓扑自动变化检测

充分利用出租车GPS时空轨迹数据分布广和时效性强的特点,提出一种基于车载GPS轨迹数据的路网拓扑自动变化检测新方法。该方法首先利用向量相似性度量模型,度量GPS轨迹向量与路网局部拓扑向量之间的相似性,检测疑似道路拓扑变化点,然后通过比较疑似道路拓扑变化点与路网拓扑关系,完成新增、废弃、改建等道路变化,实现基于车载GPS轨迹的路网拓扑自动变化检测。实验结果表明,该方法不仅有效地检测出道路新增、道路废弃与道路改扩建等变化,而且能利用出租车实时和大范围分布特点来实现城市路网大范围实时变化检测。     

深度学习的街景行道树自动识别提取研究

针对城市行道树调查中,街景影像背景环境复杂多变、行道树个体差异大,依靠目视判读费时费力的问题,该文基于车载移动测量系统采集的全景影像数据,利用深度学习算法,在快速区域卷积神经网络的目标检测方法基础上,建立适用于街景行道树检测的深度神经网络模型。模型采用基于共有显著性区域及冗余策略的行道树多示例目标候选区域选择方法,使用车载图像的几何约束进一步筛选合适的候选区域,从而实现行道树目标候选区域的统一选择,提升行道树目标的检测效果。实验结果表明,该文提出的方法能够实现多种行道树的准确自动识别与提取,进而大大降低行道树绿化调查的成本。