电车轨道与障碍物检测（SJTU数字图像处理课程设计）.zip

项目介绍：随着人们生活水平的提高,科技的不断进步,智能驾驶技术逐渐受到了研究者们的广泛研究和关注。先进驾驶辅助系统(Advanced Driver Assistance System,简称ADAS)是智能驾驶技术的一个分支,即通过某种形式的传感器了解周围的环境,以协助驾驶员操作(辅助司机)或完全控制车辆(实现自动化) , 达到提高车辆安全驾驶的目的。车道线检测作为ADAS的重要组成部分,能够为系统确定车辆所在车道位置，并提供车道偏离预警决策依据。目前主要通过在车内安装摄像头,利用图像处理算法实时获取视频图像进行车道线检测，但现实行车环境复杂，比如存在视角遮挡、道路阴影、道路裂痕以及邻近车辆压线干扰等情况，以至于车道线不易提取且容易造成误检、漏检,因此如何实时、准确地检测出车道线具有重要的研究意义。 本代码通过构造一个单目相机、生成鸟瞰图、转为灰度、二值化、检测ROI等。 ———————————————— 版权声明：本文为CSDN博主「白卷W」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/qq_6

检测障碍物是机器人自主移动的基础. 为了提高检测的障碍物效率和准确率, 提出一种基于RGBD摄像头的障碍物检测方法, 主要分为障碍物识别和检测长度, 宽度两部分. 在障碍物形状不规则的前提下, 通过摄像头实时采集图像传输到数据处理中心, 用改良的帧差法、最小矩形法匹配法和图像处理等方法来确定障碍物轮廓, 利用深度图像及其阈值得出障碍物距摄像头的相对位置, 同时, 用坐标转换法计算出障碍物的高度与宽度. 结果显示, 在不同位置检测同一物体的误差不超过9%. 因此, 改良的帧差法检测障碍物轮廓准确率高, 坐标转换法速度快, 可以证明基于RGBD摄像头的障碍物检测设计检测效果良好.

SJTU数字图像处理课设_传统图像处理结合yolov5算法实现电车轨道ROI区域标注及障碍物检测项目源码+项目说明.7z 【SJTU数字图像处理课程设计】 采用传统的数字图像处理方法（边缘检测，透射变换，霍夫变换等）对视频中的电车轨道进行检测和标注，并标注轨道所处的ROI区域，基于此ROI区域使用当下较为流行的YOLOv5目标检测深度学习算法进行区域内的障碍物识别与检测并将其标注。算法最终效果较好，可准确的检测两种环境（白天和夜晚）下的电车轨道并对轨道附近障碍物进行识别。算法识别效率为17FPS，效果较好。 主要任务为完成有轨电车轨道与轨道上障碍物的检测

基于障碍物检测势场蚁群算法的平滑路径规划，陈铁中，石万凯，针对室内移动机器人提出一种基于障碍物检测蚁群算法的平滑路径规划方法。首先，针对传统蚁群算法初期信息素浓度差异小、收敛速度

基于深度学习的行车障碍物检测

方法： - 提取感兴趣区域 - 地面过滤：采样基于同心区域的区域地面分割和地面似然估计方法 - 聚类：采用欧式聚类，基于不同半径阈值分割 - 获取bounding_box:包括致信，长宽高，方向，姿态等信息 - 可视化

车载毫米波雷达障碍物检测系统设计.caj

传统的传感器在移动机器人障碍物检测领域都有其各自的局限性。文章提出基于Kinect的障碍物检测方法：利用Kinect传感器获取环境深度图像；通过Kinect标定配准之后获取校准参数；通过该参数获得图像像素点与空间三维坐标的对应关系；通过空间三维坐标确定地平面与障碍物区域，并将障碍物区域作为感兴趣区域；通过三维坐标在x轴和z轴的连续性对感兴趣区域进行处理，分割出各个障碍物。实验结果表明，文中算法可以有效且实时地检测到障碍物信息。

单高斯法、混合高斯法，时间平均法，帧差法对运动目标进行定位。单高斯法、混合高斯法，时间平均法，帧差法对运动目标进行定位。单高斯法、混合高斯法，时间平均法，帧差法对运动目标进行定位。单高斯法、混合高斯法，时间平均法，帧差法对运动目标进行定位。单高斯法、混合高斯法，时间平均法，帧差法对运动目标进行定位。