混合交通中的车辆与行人检测

混合交通中车辆和行人的检测识别是研究如何让计算机以人的思维方式从视频或图像中将车辆和行人从背景中区分出来。车辆检测与行人检测作为智能交通系统的核心组成部分,具有重大的研究价值与现实意义。本文基于候选区域和深度网络的深度特征提取方法,通过获取场景中的大量实时图像数据进行多任务深度模型训练,实现复杂交通场景中的车辆检测和行人检测的任务。相比于传统的车辆检测算法和行人检测算法,基于候选区域和深度网络的深度特征提取方法具有独特的优势:检测的准确性、鲁棒性、实时性可以在一定的条件下达到比较满意的程度。而传统车辆与行人的检测算法,并不能同时在3项指标上达到较好的状态。此外,候选区域的确定避免了穷举式搜索目标,从而节省了大量时间开销。     

基于深度学习的多角度车辆动态检测方法

针对在复杂场景下,背景区域干扰特征过多、被检测目标运动速度快等导致的动态目标检测率低的问题,研究了基于深度学习的多角度车辆动态检测方法,将带有微型神经网络的卷积神经网络(MLP-CNN)用于传统算法的改进.使用快速候选区域提取算法提取图像中可能存在车辆的区域,之后使用深层卷积神经网络(CNN)提取候选区域的特征,并在卷积层中增加微型神经网络(MLP)对每层的特征进一步综合抽象,最后使用支持向量机(SVM)区分目标和背景的CNN特征.实验表明,该方法能够处理高复杂度背景条件下,部分遮挡、运动速度快的目标特征检测,识别率高达87.9%,耗时仅需225ms,比常用方法效率有大幅度提升.      

融合改进YOLO和背景差分的道路抛洒物检测算法

针对现有道路抛洒物检测算法识别准确率低、识别种类有限、实时检测效率低的问题，探索了将深度学习目标检测和传统图像处理相结合的抛洒物检测算法。提出在YOLOv5s目标检测算法基础上，对模型结构进行修改以满足实时性需求。具体地，使用卷积优化YOLO中的降采样模块，采用Ghost网络替代原始的特征提取网络以减少计算量，根据抛洒物检测对象的特点设计符合数据集的锚框以提高目标识别准确度。使用优化后的YOLO检测道路场景中车辆、行人作为交通参与者得到检测框，在检测框周围设定感兴趣区域，并在感兴趣区域内用背景差分算法实现前景目标识别。计算前景目标与YOLO检测结果的交并比，排除交通参与者目标后实现道路抛洒物的识别。针对交通参与者检测的实验结果表明，改进后的YOLO检测算法在整体识别精度没有损失的情况下单帧检测速度为20.67 ms，比原始YOLO检测算法速度提升16.42%。真实道路抛洒物实验结果表明，在没有抛洒物训练数据情况下，传统混合高斯模型算法平均精度值为0.51，采用融合改进YOLO和背景差分的抛洒物检测算法平均精度值为0.78，算法检测精度提高52.9%。改进后算法可适用于没有抛洒物数据或正样本数据稀少的情况。该算法在嵌入式设备Jetson Xavier NX上单帧检测速度达到24.4 ms，可实现抛洒物的实时检测。      

基于几何与粗糙深度信息的候选车辆生成方法

基于单目视觉的车辆识别通常分为候选车辆生成(CG)和候选车辆验证(CV)两个步骤。传统的CG步骤往往采用遍历的方法,获得的候选车辆窗口数量庞大,增加了后续CV阶段的计算耗时,难以满足实际应用的实时性要求。本文提出一种基于几何和深度信息的CG方法,在不丢失有效车辆区域的前提下极大减少了候选车辆的数量。该方法首先将图像以超像素形式进行分块,同时利用预先训练的Adaboost分类器获取超像素图像的几何信息和粗糙深度信息。然后利用车辆在世界坐标系下的垂直度、位置和尺寸等先验知识,采用了一种分层聚类策略,合并图像中属于车辆的超像素块并生成候选车辆。与传统算法的比较结果表明,本方法以检测率的微小降低为代价,实现了候选车辆窗口数量的大幅度减少。     

基于手机GPS定位数据的交通方式换乘点识别方法研究

交通方式换乘点识别长期以来是手机大数据交通调查领域的一大技术难点,既有研究大多通过设置出行时间、距离阈值进行识别,算法经验性强,普适性不佳,且易将起讫点、信号控制、交通拥堵等停留误识别为换乘停留。为此,提出了一种基于手机GPS定位数据的交通方式换乘点识别新方法：首先,构建模糊时空聚类算法识别个体运动-静止状态,算法同步实现了定位点时空密度双重聚类约束与聚类边界弹性需求,对个体运动状态识别效果更佳;其次,建立支持向量机模型进行交通方式换乘点识别,有效解决了起讫点、信号控制、交通拥堵等停留对换乘停留造成的干扰;最后,从出行链视角出发,提出了基于序列相似度算法的误差回溯自检与优化模型,能够有效修复换乘点漏识别与错误识别问题。此外,在成都市开展了大范围实测试验,由150名志愿者采集了近2 160 h得到的777.6万条数据被用于技术实证评估。试验结果表明：所述方法对交通方式换乘点平均识别准确率达89.3%,换乘时间平均识别误差控制在20 s以内;与既有空间聚类、小波分析算法相比,换乘点识别精度提升近10%,换乘时间误差最大可降低20 s以上,算法适用性与效果更佳。研究成果可为基于活动的交通需求模型演进提供数据支撑,为交通规划与管理部门决策提供技术支持。     

基于自适应阈值DBSCAN的路侧点云分割算法

针对路侧采集的激光雷达点云数据随距离增大而密度下降导致同一目标的点云被分割成多个目标的问题,提出了一种基于自适应阈值DBSCAN的路侧点云分割算法。首先,使用改进GPF和直通滤波对采集的路侧点云进行过滤,提取出道路区域上的非地面点云;然后,基于有效距离和sigmoid函数构建自适应系数函数,对DBSCAN聚类算法集群生长中近邻点搜索时半径阈值的选取规则进行优化;最后,利用自适应阈值DBSCAN聚类算法对非地面点进行聚类,得到隶属于单个目标的点云。采集了1 055帧真实场景的连续数据进行测试,结果显示：C-H系数平均约增加3倍、D-B系数平均减少4.52%、轮廓系数平均增加77.78%,这表明基于自适应阈值DBSCAN的分割算法能提高点云簇的类内一致性和类间差异性,有效减少路侧激光雷达点云的过分割现象,具有较高的工程应用价值。     

基于相机与激光雷达融合多目标检测算法研究

准确的多目标感知系统是自动驾驶技术的关键。本文提出了一种基于相机与激光雷达融合的多目标检测算法。针对相机传感器无法获得准确的目标距离等深度信息,激光雷达无法获得准确的目标类别信息的问题,首先采用嵌入自适应特征融合模块的YOLOv7网络处理相机数据,同时对激光雷达数据进行点云预处理以消除无用的噪声点;其次,利用坐标变换将激光点云数据和相机数据转换到像素坐标系中;最后,采用基于ROI感兴趣区域的方法对点云进行聚类处理,以参数加权的方式融合两种传感器的检测结果。实验结果表明,嵌入改进YOLOv7网络的融合算法能够检测出更加准确的目标信息。     

基于倾向流和深度学习的机场运动目标检测

针对当前基于视频图像的场面监视目标检测方法存在定位误差较大,识别准确率低等问题,建立一种结合目标运动信息的机场场面运动目标检测方法:利用倾向流法提取出运动目标在图像中的候选区域,对候选区域执行点池化操作以确定区域建议的边界,采用Inception结构构建一个浅层卷积神经网络,并使用该网络对区域建议中的航空器、车辆和人员进行识别.结合国内机场的监视视频,构建了一个包含4 938张图片的机场目标数据集,用于算法的训练和测试.结果 表明,运动目标提取的准确率达到94%以上,运动目标识别的Top-1准确率达到了97.23%,运动目标平均准确率达到86.23%.与3种深度学习目标检测算法相比,运动目标检测精度平均提升了39%.      

基于滤波器自适应更新的机场目标跟踪算法

机场场面目标跟踪常面临目标遮挡、背景干扰、低分辨率等因素的影响，导致跟踪准确性降低甚至丢失跟踪目标。针对以上问题，研究了基于滤波器自适应更新的机场目标跟踪算法。选取跟踪目标的颜色特征和深度特征，通过插值算子进行多特征融合，再将融合特征与之对应的滤波器进行卷积求和计算各区域置信度，置信度高的区域即为跟踪目标位置。为提高跟踪准确性，利用峰值旁瓣比与平均响应峰值能量建立了跟踪结果校验机制，并设计了1种滤波器自适应更新策略，使滤波器能够自适应调整学习速率，仅在结果可靠时更新。在西南某机场采集的视频数据集上进行测试，结果表明:算法在目标特征不明显或发生变化时具有更好的性能，在目标遮挡和背景干扰等9种因素下的跟踪性能有较大提升，整体精确度和成功率分别达到0.834和0.828，较原ECO算法分别提升了11.35%和11.29%，且均优于文中提到的其他5种经典算法。      

基于压缩感知尺度自适应的多示例交通目标跟踪算法

针对大多数跟踪算法对车辆等交通目标在行驶过程中的尺度变化、姿态变化的适应性差及在跟踪过程中使用固定尺度的跟踪框,导致所构造的目标模板包含大量背景信息,引起跟踪漂移甚至丢失的问题,提出一种基于压缩感知理论与超像素目标性度量的尺度自适应多示例交通目标跟踪算法,该算法首先利用压缩感知理论对多示例学习中的特征维数进行降维,减少算法计算的复杂度。其次,采用超像素目标性度量进行局部尺度自适应调整,解决多示例跟踪算法中的尺度适应问题。此外,引入基于目标判别机制的分类器更新,利用连续帧中目标的相似性判断跟踪目标是否存在遮挡或漂移问题。依据目标判别的结果,实现变学习率的分类器参数更新。试验结果表明：该方法具有较高的跟踪精度和良好的跟踪鲁棒性,在车辆目标发生遮挡、尺度变化、三维旋转等情况时均能较好地跟踪目标,通过对不同的交通视频序列进行测试,算法的平均中心位置误差远小于对比算法,仅为3.92像素,其对比算法CT跟踪、MIL跟踪及WMIL跟踪算法的平均位置误差分别为56.96像素、35.36像素及58.54像素,平均重叠率达80.1%,较CT跟踪、MIL跟踪及WMIL跟踪算法分别高44.9%、45.3%和45%,满足智能交通监控的实际需求。     

变化光照条件下的交通标志快速鲁棒检测

变化光照条件下交通标志检测算法的准确率往往会显著降低。针对此问题,提出了1种新颖的概率图建立方法,并结合最大稳定极值区域特征进行交通标志检测。该方法包括3个处理步骤:①根据不同光照条件对真实场景交通标志样本图像进行明确分类以构建多类颜色直方图,将交通标志输入图像由原始色彩表达转变为概率图(直方图反投影);②通过在概率图上进行 MSER特征提取,获取候选的交通标志区域;③根据候选区域的面积、宽高比等特征快速有效去除非交通标志区域。实验结果表明在弱光照和强光照条件下基于归一化RGB的交通标志检测算法检测准确率分别下降到84.4%和83.0%,基于红蓝图的交通标志检测算法检测准确率分别下降到87.4%和86.3%,提出的算法在变化光照条件下依然可以保持90%以上的检测准确率,对光照变化有较好的鲁棒性。      

基于类人视觉的多任务交通目标实时检测模型

针对复杂交通场景下单个模型无法同时对可行驶区域和交通目标进行统一检测和检测实时性较差的问题,本文中提出了一种基于类人视觉的多任务交通目标单阶段检测模型,实现了可行驶区域和车辆、行人的实时统一检测。首先建立类人视觉注意力机制进行监督,采用轻量化模型MobileNetV3作为骨架,接着利用特征金字塔的思想对可行驶区域进行检测,最后采用动态注意力算法和anchor-free思想对交通目标进行检测。实验结果表明,引入驾驶员人眼注意力机制明显提升了模型的精度和鲁棒性,模型在实车上平均运算速度达到了12帧/s。     

基于秩约束的车辆遮挡点恢复方法

为了恢复车辆跟踪过程中丢失的特征点,提出了一种基于秩约束的车辆遮挡点恢复方法,该方法利用所有车辆图像点组成一个秩3的矩阵,并利用该特性构造一个投影矩阵,利用该投影矩阵求到车辆遮挡点,再将求到的车辆遮挡点代替图像中的车辆遮挡点,经过多次迭代,最后求到车辆遮挡点的真实位置。该方法的优点是所有的图像及图像点都平等地看待,模拟试验和真实试验表明,该方法具有鲁棒性好、收敛性好及误差小等优点。     

基于图像处理的交通信号灯识别方法

针对色盲或色弱驾驶员特殊群体,结合交叉口无人驾驶系统,提出一种能识别出交通信号灯当前状态的方法。在HIS颜色空间进行交通灯颜色分割,利用交通灯被黑色矩形框包围这一典型特征进行形状分割,根据形状分割所得位置对颜色分割候选区域进行确认,从而精确定位交通灯位置以及亮灯在交通灯中的位置;同样根据被黑色矩形框包围的特征设计模板,最终利用模板匹配,完成交通灯的识别。实验表明,该算法识别准确率较高。     

北京市智能交通管理系统的交通安全效果评价研究

提出了一种针对智能交通管理系统交通安全作用效果分析的评价方法,用来评价北京市智能交通管理系统的实施对道路交通所作贡献的程度。该方法根据智能交通管理系统的功能作用范围将北京市分为两个部分,分别在系统功能作用范围内外选取若干区域作为评价对象,利用灰色聚类评估法对所选两类区域的交通安全等级进行评价,并进一步分析评价智能交通管理系统的交通安全作用效果,评价结果显示该方法具有较好的可操作性和通用性,能够很好地解决智能交通管理系统的交通安全效果评价问题。     

基于视频分析的车流量综合检测算法

车流量检测是智能交通系统中的关键技术之一。研究了多种基于视频图像处理的车流量检测算法,包括基于灰度图像的背景差分法、帧差法、边缘检测法和基于彩色图像的色彩跳变检测法。在分析了以上算法在不同检测环境中适用性差异的基础上,提出了1种修正的背景差分法,并在此基础上实现了1种通用性更强的综合检测法。综合检测法结合背景差分法,边缘检测法和色彩跳变法三者优点,可依据光线条件自动选择检测区域和检测算法,适用于多种检测环境,准确率超过90％。     

基于地空信息融合的无人机交通状态感知方法研究

现有的无人机（UAV）交通状态感知方法，主要针对宏观交通状态参数的获取，同时尚未克服UAV自运动对交通参数检测精度的影响，难以满足智能交通系统对于高精度微观交通参数的应用需求。为此，提出一种基于地空信息融合的UAV交通状态感知方法，该方法包括：地空信息融合模型、道路关键点（IKP）检测及跟踪、车辆目标检测及追踪算法和交通状态参数提取及估计。其中，地空信息融合模型利用地基信息（IKP世界坐标）与空基信息（IKP像素坐标）进行最优化融合，并通过自适应IKP追踪算法与自适应UAV位置偏移判断算法实时更新模型参数，以此克服UAV自运动对车辆轨迹精度的影响，进而获取可靠的车辆级（瞬时速度、车头间距和车头时距）与车道级（车道动态密度、车道流量和空间平均车速）交通状态参数。利用提出的感知方法获取实地拍摄视频的车辆级交通参数并进行了分布检验，同时比较了基于不同交通流模型的车道级参数估算方法。结果表明：该方法在车辆检测的mAP@0.5指数超过90%，同时提取的车辆轨迹相对完整，获取的车辆级和车道级交通状态参数也符合实际交通流状况。最后，将该模型应用于实地道路的交通拥堵检测及交通事件检测，该研究结果为UAV在现代交通感知和管理中的应用提供了一种理论和技术参考。