简介:为提高无人车行驶过程中前方车辆检测的准确性和实时性,提出了基于激光雷达(LIghtDetectionAndRanging,LIDAR)深度信息和视觉方向梯度直方图(HistogramsofOrientedGradients,HOG)特征的车辆识别和跟踪方法。目标首次进入视野时,聚类处理激光雷达深度信息并确定假设目标的候选区域,采用车辆尾部的HOG特征对假设目标进行验证。在HOG特征验证前,基于最小二乘支持向量机(LeastSquaresSupportVectorMachine,LS-SVM)算法对样本集HOG特征进行训练学习,生成车辆分类器模型。对于验证后的目标车辆,采用激光雷达获取的深度信息对目标车辆进行持续跟踪。构建了2种车辆模型,结合最小二乘直线拟合方法提取出车辆特征,生成目标模型。同时,提出了基于多特征马氏距离的目标关联代价方程,实现了多目标的关联;完成了基于卡尔曼滤波的车辆状态滤波和位置估计,更新了跟踪器模型。通过有效的管理策略,实现了目标跟踪的3个状态:1)初始化模型的生成;2)跟踪过程中跟踪器的更新与预测;3)目标驶离视野时跟踪器的删除。最后,通过试验验证了跟踪算法的有效性。
简介:摘要:近些年来,我国社会迅速发展,生活水平不断提高。车辆是人们日常出行的主要交通工具,而随着车辆的增多,交通日益拥堵,停车也愈加困难。一方面,为了缓解交通拥堵,需要对行驶的车辆进行检测和监控以便于实时获知路面上的交通流量、交通状态,从而进行通行时间预测、交通流调节、交通安全管理等;另一方面,为了给驾驶员提供方便、快捷、高效的停车服务,也需要对车辆进行检测,如需要检测车辆是否要驶入或者驶出停车场,还需要检测车位上是否停有车辆以便于进行停车位的管理。可见,车辆检测是交通控制过程中基础且关键的一环,通过车辆检测装置获取相应的检测数据作为交通管控的基础,车辆检测装置的检测精度也决定了交通管控的准确性。