基于综合投影的交叉口交通状态判别方法

交叉口交通状态的准确识别是实施交通信号控制策略的前提和基础,针对交 通状态识别问题,提出了基于综合投影的交叉口交通状态判别方法.首先,通过研究交叉 口各相位流量与绿信比之间的内在联系,建立流量和绿信比关系图,并从两相位控制交 叉口入手重点分析交叉口的交通状态;通过时间-排队图确定在不同交通状态下交叉口 各相位排队情况,从而与交通状态相匹配.其次,在两相位控制交叉口的基础上,通过投影 和反投影提出综合投影法,并最终建立适合多相位控制交叉口的交通状态判别方法.最 后,用该方法对实际路口的判别,验证本文方法的可行性和有效性.     

交通事件视频图像自动识别系统的研究

如何有效利用高速公路视频图像信息,实时全天候自动智能检测交通事件,提升交通管理部门应急处置能效,是当前公路视频监控亟需解决的问题．本文基于视频图像处理技术,开展交通事件自动识别算法和系统的研究：采用中值滤波、亮度缩放等图像预处理方法,提取交通视频图像的前景目标边界并抑制噪声;基于灰度阈值化方法,对车辆前景进行二值化分割处理;提出一种二值化场景图像连通区域标定算法,对交通事件前景目标进行特征提取与检测识别,并基于上述算法和识别流程开发了交通事件视频自动识别系统．试验表明,该系统对噪声干扰抑制能力较强,识别准确率较高．     

基于哈希算法的行人再识别技术研究

针对行人再识别系统中匹配效率低及搜索速度慢的问题,本文提出一种基于哈希算法的行人再识别技术研究。首先,利用卷积神经网络来提取图像的深度特征;再利用主成分分析算法来对图像特征进行降维;最后对图像特征进行哈希编码,比较哈希特征间的汉明距离来获得一对图像的相似度得分,然后根据得分高低进行排序获得行人再识别结果。实验结果表明,相比直接采用原始深度特征进行距离度量排序,本文所提的方法提高了算法的执行效率,更具优越性。     

基于集成学习算法的航路网络航段交通拥挤识别方法研究

基于航路网络ADS-B航迹数据定义航路网络航段交通流量、航段交通密度、航段交通饱和度、航段交通接近率4 项交通拥挤状态评价指标;采用模糊C均值聚类算法和航段历史交通拥挤状态评价指标参数划分航段交通拥挤状态等级;结合集成学习算法构建航路网络航段交通拥挤状态识别模型,实现航段交通拥挤状态的识别. 实证分析表明：航路网络交通拥挤状态集成学习识别模型对实验航路网络航段交通拥挤状态识别准确率达到98.34%,采用决策树基学习器优于k 近邻基学习器,且增加的集成学习基学习器数量可提升模型的识别精度;集成学习识别模型的识别性能优于BP神经网络模型,识别方法符合实际且具有应用价值.     

一种基于深度学习的离散化交通状态判别方法

在智能交通信号控制和交通流诱导系统中,交通环境状态的有效判别是影响交通控制决策的先决条件,本文针对交通流产生的大数据信息,结合深度学习算法提出一种离散化交通状态的判别方法.给出了包括交通状态数据采集、状态数据描述、状态深度学习和判别等功能模块的系统架构,构建了一种离散交通状态编码方法,为深度学习交通状态特征提供了数据基础.模型训练阶段,对采集到的二值和连续值交通状态数据,分别构建了两种不同的深度置信网络实现交通状态特征的无监督学习;模型微调阶段,在整合形成的高层抽象特征向量顶端增加softmax分类器,采用反向传播算法实现参数微调.最后,该方法基于VISSIM微观交通软件进行仿真,实验结果表明,离散交通状态编码方法可有效表达交通状态,基于深度学习的交通状态判别方法相对传统方法具有较高的准确度.     

基于在线地图交通状态的关键道路动态识别方法

交通拥堵问题日趋严重,关键道路识别成为了交通领域的研究重点. 以在线地图的交通状态数据为基础,利用时空相关性理论计算道路交通状态的预测值和波动影响值,并通过Moran 散点图划分道路类型,提出了基于在线地图交通状态的关键道路动态识别方法. 首先,调用在线地图开发者平台API 采集路网的交通状态数据,利用集成学习动态预测交通状态;其次,分析交通状态波动的传播结构,以此量化道路对其近邻道路的影响值;然后,结合道路交通状态的预测值和波动影响值划分道路类型,进而识别出关键道路;最后,以实际路网为例,论证方法可行性.     

基于在线地图交通状态的关键道路动态识别方法

交通拥堵问题日趋严重,关键道路识别成为了交通领域的研究重点. 以在线地图的交通状态数据为基础,利用时空相关性理论计算道路交通状态的预测值和波动影响值,并通过Moran 散点图划分道路类型,提出了基于在线地图交通状态的关键道路动态识别方法. 首先,调用在线地图开发者平台API 采集路网的交通状态数据,利用集成学习动态预测交通状态;其次,分析交通状态波动的传播结构,以此量化道路对其近邻道路的影响值;然后,结合道路交通状态的预测值和波动影响值划分道路类型,进而识别出关键道路;最后,以实际路网为例,论证方法可行性.     

信号交叉口行人自行车交通强度状态划分研究

混合交通是造成交叉口拥堵和交通事故的重要原因之一.为了便于有效的研究交叉口混合交通信号控制策略及交叉口交通仿真,提出了信号交叉口人行横道绿灯时间行人自行车交通强度状态划分方法.分析了交叉口人行横道绿灯放行的交通特性,定义了人行横道绿灯放行时刻行人自行车聚集群的概念.从信号交叉口人行横道的"时空资源"利用角度,提出了划分人行横道绿灯时间行人自行车交通强度状态概念及必要性,选取了行人自行车绿灯时间通过流率、绿灯时间利用率以及行人自行车绿灯时间的空间占有率三个指标作为强度划分依据,选取K均值聚类为强度状态划分方法,对人行横道绿灯时刻行人自行车交通强度状态划分为三类,分别为低强度、中等强度和高强度.结合北京市平乐园交叉口为例,进行了行人自行车交通强度状态划分.     

无人机广域视频的机动车交通参数计算及分析

基于视频的交通参数提取在智能交通系统中具有重要意义.针对无人机视频, 提出了一种基于大范围无人机视频的机动车交通参数提取方法.首先通过建立无人机广 域镜头图像的校正算法去除交叉口视频图像的广角畸变,然后将像素坐标转化为真实坐 标.其次,利用帧间差分法计算行驶车辆的速度、加速度、车头间距等车辆运行参数,将计 算结果与真实车辆及软件提取运行参数进行对比,结果证明该方法具有较高的准确性和 可行性.最后,实例验证该方法能较准确地获得交叉口车辆运行参数,并将其应用于车辆 通过交叉口全过程的速度变化规律分析.     

基于多源轨迹数据的城市交通状态精细划分与识别

针对基于路段的城市交通状态分析方法的不足,本文利用公交车和出租车轨迹数据提出了城市交通状态精细划分和识别方法,实现城市交通状态分析.对两种轨迹点的速度值和空间位置值分别进行归一化处理,以此为属性数据,通过迭代计算轮廓系数确定k 值完成轨迹点聚类,结合二次处理方法对类簇进行拆分和融合以划分道路交通状态;在特征级建立多源数据融合方法,实现交通状态速度值计算;以归一化后的速度值为属性数据,通过聚类将样本分为4类对应4种城市交通流状态层级.实验表明,本文方法能够实现道路交通状态精细划分,能有效地识别出道路局部位置的交通状态,进而可为城市道路交通管理提供决策支持.     

基于投影寻踪动态聚类的快速路交通状态判别

为了提高快速路交通运行状态的判别精度,利用地点交通参数与交通状态之间的映射关系,提出了基于投影寻踪动态聚类模型的快速路交通状态判别方法.该方法综合投影寻踪技术和动态聚类方法构造投影指标函数,采用混合蛙跳算法优化投影指标函数的投影方向获得最佳投影方向,并利用仿真数据标定了交通状态判别阈值.结合仿真数据和实测数据进行了实验验证和对比分析.实验结果表明,投影寻踪动态聚类模型能够有效提高快速路交通状态判别精度,平均判别率为97.01%,平均误判率为0.86%,平均判别精度分别比BP神经网络模型和模糊C均值聚类模型方法提高了8.9%和4.5%.      

Automatic Identification of Butterfly Species Based on Gray-Level Co-occurrence Matrix Features of Image Block

In recent years, automatic identification of butterfly species arouses more and more attention in different areas. Because most of their larvae are pests, this research is not only meaningful for the popularization of science but also important to the agricultural production and the environment. Texture as a notable feature is widely used in digital image recognition technology; for describing the texture, an extremely effective method, graylevel co-occurrence matrix(GLCM), has been proposed and used in automatic identification systems. However,according to most of the existing works, GLCM is computed by the whole image, which likely misses some important features in local areas. To solve this problem, this paper presents a new method based on the GLCM features extruded from three image blocks, and a weight-based k-nearest neighbor(KNN) search algorithm used for classifier design. With this method, a butterfly classification system works on ten butterfly species which are hard to identify by shape features. The final identification accuracy is 98%.     

基于手机运动传感器数据的交通流拥挤识别

准确的交通流状态识别是智能交通管理与控制的基础.通过所开发的手机端软件从手机中提取车辆的加速度与角加速度数据,在研究了其统计特征后,发现该数据可反应周围车辆对目标车辆运行环境的影响,从而与交通流状态的变化有着密切关系.利用支持向量机学习算法,以加速度与角加速度统计参数作为输入变量识别断面交通流状态.实验结果识别精度最高达到92%,表明加速度和角加速度指标可作为交通流状态的表征参数.该研究采用Lasso模型和最小角回归算法对输入参数进行变量选择,在降低计算成本的同时保证了良好的识别效果.      

融合式空间塔式算子和HIK-SVM的交通标志识别研究

在交通标志识别问题上,提出了一种基于融合式的空间塔式算子和直方图交叉核支持向量机(HIK-SVM)的分类方法.在该方法中,通过提取图像的灰度塔式词袋直方图(Gray-PHOW)特征、颜色塔式词袋直方图(Color-PHOW)特征和塔式边缘方向梯度直方图(PHOG)特征来对交通标志的外观、颜色和轮廓信息进行描述.通过提取空间塔式直方图特征,能很好地对图像各种特征的空间分布状况进行描述.提取到图像的外观、颜色、轮廓和特征的空间分布信息后,对其进行融合,最后得到的融合式的空间塔式特征具有很强的鲁棒性.将该融合式特征送入HIK-SVM进行训练和分类,取得了极其高的识别效果.     

基于3D CNN的道路视频交通状态自动识别

为了从视频直接有效地提取交通信息,提出了基于三维卷积神经网络 （3D convolutional neural networks,3D CNN）的交通状态识别方法.首先,以C3D （convolutional 3D）深度卷积网络为3D CNN原型,对卷积层数量与位置、平面卷积尺寸及三维卷积深度进行优化调整,形成了37个备选模型;其次,建立了视频数据集,对备选模型进行系统的训练测试,提出了交通状态识别模型C3D*;然后,对C3D* 和现有三维卷积网络模型进行视频交通状态识别测试分析;最后,对比测试了C3D* 及常用二维卷积网络的交通状态识别效果. 对比结果显示:针对视频交通状态识别,C3D* 的F均值为91.32%,比C3D、R3D （region convolutional 3D network）、R (2+1) D （resnets adopting 2D spatial convolution and a 1D temporal convolution）分别高12.24%、26.72%、28.02%;与LeNet、AlexNet、GoogleNet、VGG16的图像识别结果相比,C3D* 的F均值分别高32.61%、69.91%、50.11%、69.17%.      

基于浮动车速度波动特征的交通状态识别

为实现路段交通状态的准确判别,解决单参数无法直接识别道路交通状态问题,本文利用高频浮动车速度数据,使用灰度共生矩阵特征值对比度和逆方差表示车辆行驶的波动特征。基于城市道路交通状态变化的动态性与连续性,围绕固定时间窗口内车辆的平均车速、对比度和逆方差,采用FCM (Fuzzy c-means)算法进行聚类分析,得到畅通、平稳、拥挤和阻塞这4种状态阈值。提出基于多维高斯隐马尔可夫模型的交通状态识别方法,分别以3,5,6 min固定时间窗口训练模型。模型状态转移矩阵表明,时间窗口越小其保持原有交通状态的可能性越大,时间窗口越大交通状态突变的可能性越大。使用不同序列长度对比3种时间窗口在测试集中的识别精度,结果表明,随着序列长度的变化,精度显示出先升高后降低的趋势,且固定时间窗口越大,不同序列长度的识别精度变化越均匀。最后利用5 min固定时间窗口划分数据使用本文方法和支持向量机以及随机森林分别进行道路交通状态识别,综合精度分别为92.00%、84.89%、88.48%,同时本文方法在查准率、召回率和F1度量(F1-score)指标均优于其他两个模型,说明道路车速的波动特征可以很好地反映道路交...     

���ڻ�ɫ�в�GM(1,N)ģ�͵Ľ�ͨ�����ݻָ��㷨

交通检测器采集的原始交通数据的质量会直接影响智能交通系统的后续效益.本文针对采集的交通数据普遍存在的故障问题,以交叉口检测器的交通流数据为研究对象,提出基于灰色残差GM(1,N)模型的数据修复算法.首先针对交叉口四个路口的交通流进行灰色相关分析,然后建立灰色GM(1,N)模型对故障数据进行预测修复,并进行了残差修正,提高了修复数据的精度.分析结果表明,提出的故障数据灰色残差GM(1,N)模型算法是可行的,可以更好地解决因为数据故障而对后续处理带来的困难,同时也为其他领域的故障数据修复提供借鉴.