在复杂的交通环境中,针对激光雷达应用于无人驾驶车辆的障碍检测的问题,提出了一种基于神经网络的前方车辆检测方法。首先,采用直通滤波算法对原始点云进行分割处理;其次,提出了一种端到端单阶段检测的深度神经网络,该网络利用空洞卷积对RetinaNet网络结构进行优化,增强该网络对车辆的准确性以及鲁棒性;最后,在KITTI数据集上进行了训练以及测试实验。结果显示,经过滤波处理后大幅度降低点云数量,更加精准的标记出检测范围。通过在测试KITTI数据集中测试不同检测算法处理结果对比得出,所提方法在精度提高的基础上,具有更快的检测速度,达到了预期效果,有较高的应用潜力。

由于车间安全距离不足容易导致追尾事故的发生,前方车辆的检测能为建立完整的汽车防撞预警系统提供必要的辅助信息。本文提出了一种采用Adaboost算法训练得到的级联分类器实时检测前方车辆的方法。通过选取扩展的类Haar特征,采用Adaboost算法训练得到一个识别车辆的级联分类器,最后将训练得到的分类器应用到实车车辆检测系统中。试验结果表明,基于此算法的车辆检测方法具有检测率高、速度快,能够达到实时检测的要求。关键词：离车主动安全;Adaboost算法;级联分类器;车辆检测

为了控制车辆在交叉路口顺畅通行,提出了一种基于RFID的智能交通控制设计。基于S3C44B0X处理器和uClinux操作系统开发智能交通控制信号机,在不同的时段采用不同的路口控制模式,利用RFID技术检测车辆,信号机根据采集到的RFID车辆数据自适应地控制车辆通行时间,从而提高车辆通行效率,实现智能交通控制功能。

运用双动态条件研究追尾事故中车辆防撞预警方法,提出一种基于毫米波雷达和PTZ摄像机相结合的前方车辆检测方法。解决摄像机、雷达、世界坐标系的变换关系,实现空间上的融合;采用线程同步方式实现时间上的融合。目标识别过程中,在图像中生成感兴趣区域,通过三阶Kalman滤波算法对当前周期内获取的初始目标信息进行预测,基于已训练好的级联分类器进行多尺度识别,得到感兴趣区域内的车辆。将单目测距获得的距离与毫米波雷达获得的实际距离进行比对,以验证上述算法的准确性,试验结果表明,测量距离与实际距离误差率为1.96%,可控制在用户可接受的区间内。