简介：

简介：

简介：针对传统尺度不变特征变换(ScaleInvariantFeatureTransformation,SIFT)和加速鲁棒特征(Speed-UpRobustFeature,SURF)算法在视觉同步定位与建图(SimultaneousLocalizationAndMapping,SLAM)系统中耗时严重的问题,基于ORB(ORientedBRIEF(BinaryRobustIndependentElementaryFeatures))算法提出了一种改进的图像匹配算法。针对FAST(FeaturesfromAcceleratedSegmentTest)特征检测算子易受图像模糊和距离变化影响的缺点,建立了多尺度空间金字塔;针对BRIEF特征描述算子效率不高的问题,采用精简后的快速视网膜特征描述算子构建了特征向量;通过最邻近的交叉匹配对特征向量进行了提纯,采用顺序采样一致性算法剔除了错误匹配对。最后,通过与SIFT、SURF和ORB算法进行对比验证了改进算法的有效性。

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。