基于方向可变H aar特征和双曲线模型的车道线检测方法

针对快速路车道线易受多种因素影响而较难检测的问题,提出了一种基于方向可变 Haar特征和双曲线模型的分布式车道线检测方法。首先对车载摄像头进行标定,确定图像中车道平面消失线的位置,将车道平面消失线以下部分的下2/3区域作为感兴趣区域Ⅰ。利用边缘分布函数获得感兴趣区域Ⅰ内车道线直线模型倾角,再采用方向可变 Haar 特征提取边缘特征点并拟合车道线直线模型,利用直线模型参数进一步确定感兴趣区域Ⅱ。提出一种单方向搜索算法,提取边缘特征点并利用双曲线模型拟合获取完整的车道线模型。通过约10000幅实际道路图片对车道线检测方法进行验证。验证结果表明：检测方法能很好地实现多种环境下的车道线检测,在晴好天气检测率为99．9％,不良天气检测率为99．7％。     

基于CHT消失点检测及最小二乘法的车道线检测算法

为解决在车道线识别中检测消失点误差较大和检测速率较慢的不足,提出一种基于CHT消失点检测对车道线采纳点进行最小二乘拟合的车道线检测算法。该算法首先计算RGB熵直方图的最小差值,根据该差值初步分割道路图像。然后引入平行坐标系参数化的级联霍夫变换方法,对查找消失点方法进行改进通过一次投票得出消失点。并以搜寻的消失点为约束条件,利用最小二乘法对最终点进行拟合从而完成对车道线的检测。实验结果表明,所提出的算法对离线图片车道线检测精度达到93.4%,识别速度也有大幅度提升。     

基于双曲线模型的车道线检测算法

针对车道线识别准确性、可靠性等问题,提出了一种基于双曲线模型的车道线检测算法。首先,对图像进行预处理,采用Sobel算子实现可靠的车道边缘检测;然后,运用Hough提取车道线边界信息,并运用区域生长法筛选道路边缘点;最后,结合车道线边界参数和双曲线模型参数,基于最小二乘法完成车道线重建。试验结果表明该算法可准确识别不同环境下的车道线。     

基于动态栅格与隐马尔科夫模型前车换道意图识别

针对前车换道意图识别预测问题,提出基于动态栅格地图与混合高斯隐马尔科夫模型结合的识别预测方法,建立以自车车头中心点为零点的动态栅格地图描述前车的位置信息,基于语义分割的方法获取前方车辆的轮廓特征与车道线,并分析前方障碍车辆的相关运动状态信息.将动态栅格地图与混合高斯隐马尔科夫模型相结合,识别预测前车换道行为.利用可观测...     

基于卷积神经网络的路基病害自动识别方法研究

路基病害导致的道路坍塌事件时有发生,利用探地雷达(ground penetrating radar,GPR)技术对道路路基进行周期性的无损检测和评估,可有效识别处于早期阶段的路基病害,为及时治理提供技术支撑。传统的GPR路基病害图像解释大多依靠人工,存在评价不客观且效率低下的问题。为实现路基病害的自动识别,提出基于卷积神经网络(CNN)提取GPR路基病害图像特征的方法。该方法所采用的网络结构由卷积层、池化层和全连接层组成;输入病害图像后首先经过5层卷积层和5层池化层提取图像特征,然后将提取到的图像特征输入两层全连接层分类,最后通过softmax层输出识别结果。正演模拟数据集表明,该方法对路基空洞充气、路基空洞充水、路基脱空及路基含水层这4种典型道路路基病害的雷达图像识别准确率达到 96.75%,验证了该方法的有效性。     

一种基于多尺度特征融合的人头计数检测方法研究

通过摄像机等设备在特定场景下的人群计数在智能安防领域具有重大的研究意义。由于场景中人尺度变化大,背景杂乱,人群遮挡严重,传统的方法在这种场景中往往精度不高。对此提出了一种基于改进的Faster-RCNN人头检测模型,可以对场景中的人进行准确计数。该模型使用ResNet101作为特征提取网络,使用多尺度特征融合模块将提取的特征融合后分层进行检测,这样做的目的是为了检测不同尺度的人。此外,通过设计先验框的尺寸和使用Roi-Align代替Roi-Pooling层来进一步提高检测效果。实验表明,该方法在Brainwash和HollwoodHeads数据集上达到了最优的结果,精度分别达到了95.3%和89.1%。     

基于相位特征增强的低对比度磨损车道标线提取方法

为解决磨损车道标线在光照不均、对比度低情况下检测与识别不完整问题,通过一种基于相位特征增强的低对比度磨损车道标线识别方法,研究了低对比度下磨损车道标线在部分直线不清晰下的相位特征提取弱能量信息,以利于Hough变换提取标线的直线信息。结果表明：提出方法对光照不均匀、低对比度且磨损情况下的车道标线边缘提取效果较好。可见对磨损或有缺失的车道线标线解析其相位特征并结合Hough变换的鲁棒性能解决车道线检测与识别的不完整问题。     

基于联合投票网络的交通场景天气分类方法

基于交通视频监控图像的天气识别已经成为智能交通系统中重要的研究课题. 虽然卷积神经网络（convolutional neural network,CNN）在图像识别技术获得了巨大的发展,但是针对复杂交通场景的天气识别问题,现有的模型在特征表达方面仍然面临着巨大的挑战. 为了提取丰富的语义特征,提出了基于联合投票机制的深度神经网络（deep neural network,DNN）模型. 所提出的模型包括两个核心模块:基于通道和空间注意力机制的二阶特征模块和基于复合特征结果联合投票机制的分类模块, 用以提取不同天气图像中的判别性信息,提高在复杂交通场景下的天气识别性能. 最后,在两个基准天气分类数据集上进行了验证试验,结果表明:对于复杂场景条件下的天气识别问题,所提出的基于联合投票机制的深度神经网络模型的识别正确率优于目前最好的天气识别方法的1.97%.      

基于深度学习的车辆异常事件检测研究

基于全连接神经网络以及在高速公路场景下采集的真实车辆数据,设计一种车辆异常事件检测方法。所设计的方法利用激光雷达检测出目标与车道线信息,经过计算组成具备时空特征的输入数据,在将目标数据制作成数据集后,利用神经网络进行训练并提取输入数据的多维度特征,实现车辆异常事件检测。之后利用异常事件检测的时间信息与激光雷达和视频相机的目标融合数据,在视频数据中进行事件取图并加以验证。所述方法的总体检出率为 97.11%,准确率为 97.10%,相关值均高于传统事件检测算法,且算法耗时与传统事件检测算法相比更少。试验证明相应方法能更快速、更准确地识别车辆异常事件。     

基于出行特征的用地类型推断方法研究

提出一种基于卷积神经网络推测城市交通小区内用地特征的算法,同时对交通小区内多种用地类型进行预测.选用公共交通出行数据集和网约车出行数据集,融合多种出行方式的出行特征对交通小区内用地特征刻画.提取交通小区内发生强度,吸引强度和产吸差强度3个指标作为模型输入,训练得到基于区域内出行特征双通道的卷积神经网络模型,采用网格寻优方法确定最优网络结构.选取北京市六环内交通小区作为研究对象,结果表明,本文算法能够同时推断交通小区内居住、工作和休闲用地特征,并获得各用地类型在小区内占比分布.     

基于时空注意力卷积神经网络的交通流量预测

为充分挖掘交通流量的复杂时空动态相关性以提高交通流量预测精度,引入空间注意力机制与膨胀因果卷积神经网络,提出一种基于时空注意力卷积神经网络的交通流量预测模型（spatio-temporal attention convolutional neural network,STACNN）.首先,由膨胀因果卷积与门控单元构建的门控时间卷积网络模块用于获取交通流量的非线性时间动态相关性,避免在训练长时间序列时发生梯度消失或梯度爆炸;其次,采用空间注意力机制为路网中的交通传感器节点自动分配注意力权重,动态关注不相邻节点之间的空间关系,并结合图卷积神经网络提取路网的局部空间动态相关性特征;然后,通过全连接层获取最终的交通流量预测结果;最后,利用高速公路交通数据集PEMSD4、PEMSD8进行了60 min的交通流量预测实验.实验结果表明：与基线模型中具有良好性能的时空图卷积网络（spatio-temporal graph convolutional network,STGCN）模型相比,提出的STACNN模型预测结果的平均绝对误差（mean absolute error,MAE）在两个数据集上分别提...     

基于深度学习的复合神经网络机场信号检测框架

针对信号调制识别对复杂通信环境缺乏适应性与精度不足的问题,提出一种基于深度学习的多特征复合神经网络框架. 该框架首先使用前端卷积神经网络检测信号载波特征,再对前端初筛选信号执行预处理将其转换为信号时频图,最后设计了后端轻量化卷积神经网络,检测信号时频特征. 基于TensorFlow平台的复合神经网络对机场真实信号检测精度达到99.23%,实验表明该方法可有效应用于实时机场信号检测.      

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

重点营运车辆的异常驾驶行为识别研究

为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA) 与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为。首先,对北斗数据进行预处理,并基于营运车辆存在多种车型、多种速度限制、多种异常驾驶行为的特点划分4种异常驾驶行为,构建异常样本数据集。其次,构建TSA-MCNN模型识别样本数据集,其过程分为两阶段,第1阶段,针对重点营运车辆的特点,引入能够粗粒化处理数据特征的时间序列符号化算法与能够多通道参数输入的多尺度卷积神经网络进行组合,并基于Keras库完成TSA-MCNN模型的搭建;第2阶段,利用样本数据集作为模型的输入变量,完成模型的训练、测试与识别。最后,以广河高速重点营运车辆北斗数据验证TSA-MCNN模型的性能, 同时,与异常识别传统算法的卷积神经网络(CNN)模型与动态时间扭曲-K最近邻(DTW-KNN)模型进行对比分析。验证结果表明：TSA-MCNN模型整体识别准确率为97.25%,相对于CNN模型与DTW-KNN模型提高了20.50%与5.63%。其中,TSA-MCNN模型对于正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为、低速驾驶行为的识别精确率相对于CNN模型(DTW-KNN模 型)分别提高了26%(13%)、26%(6%)、23%(5%)、28%(3%)、0(0),说明该模型对于重点营运车辆异常驾驶行为的识别具有良好的性能。     

基于金字塔多尺度融合的交通标志检测算法

为了解决传统交通标志检测算法针对小目标交通标志检测时存在误检与漏检的问题,提出了一个基于金字塔多尺度融合的交通标志检测算法;为了提高算法对交通标志的特征提取能力,引入ResNet残差结构搭建算法的主干网络,并增加网络浅层卷积层数,以提取较小尺度交通标志目标更准确的语义信息;基于特征金字塔结构的思想,在检测结构中引入4个不同预测尺度,增强深层和浅层特征融合;为了进一步提高算法检测精度,引入GIoU损失函数定位交通标志的锚点框,利用k-means算法对交通标志标签信息进行聚类分析并生成更精准的先验框;为了验证算法的泛化性与解决试验所用数据集TT100K的类间不平衡问题,增强与扩充了数据集。试验结果表明:本文算法的精确率、召回率与平均精度均值分别达到了86.7%、89.4%与87.9%,与传统目标检测算法相比有显著提高;多尺度融合检测机制、GIoU损失函数与k-means的引入能够不同程度提高算法的检测性能,使算法检测精确率分别提升4.7%、1.8%与1.2%;提出算法针对不同尺度交通标志检测时均有更优越的性能表现,在TT100K数据集中的(0, 32]、(32, 96]与(96, 400]尺度下的检测召回率分别达到90%、93%与88%;与YOLOv3相比,提出算法在不同天气、噪声与几何变换等干扰下均能实现对交通标志的正确定位与分类,证明了提出算法具有良好的鲁棒性与泛化性,适用于道路交通标志检测。      

多尺度注意力学习的Faster R-CNN口罩人脸检测模型

针对在佩戴口罩等有遮挡条件下的人脸检测问题，提出了多尺度注意力学习的Faster R-CNN （MSAF R-CNN）人脸检测模型. 首先，为充分考虑人脸目标多尺度信息，相较于原始Faster R-CNN框架，引入Res2Net分组残差结构，获取更细粒度的特征表征；其次，基于空间-通道注意力结构改进的Res2Net模块，结合注意力机制自适应学习目标不同尺度特征；最后，为学习目标的全局信息并减轻过拟合现象，在模型顶端嵌入加权空间金字塔池化网络，采用由粗到细的方式进行特征尺度划分. 在AIZOO和FMDD两个人脸数据集上的实验结果表明:所提出MSAF R-CNN模型对佩戴口罩的人脸检测准确率分别达到90.37%和90.11%，验证了模型的可行性和有效性.      

基于类锚虚拟线圈的多流向车流量检测算法

针对城市道路车流量检测中车辆误分类问题,提出一种基于类锚虚拟线圈的多流向车流量检测算法。首先,采集车辆图像样本并随机裁剪以构建小客车、公交车和摩托车的均衡数据集,通过 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法聚类获得 3 类车型的高度、宽度尺寸,以此校正场景车辆识别线圈尺寸,布设物体检测线圈与组合车辆识别线圈;其次,基于均衡数据集训练ResNet18卷积神经网络完成车辆类型判断;最后,采用改进的核相关滤波器追踪算法追踪车辆轨迹,通过计数线完成多流向车流量检测。验证分析表明：对单向车流,高峰、平峰正检率均值提升了5.09%、4.57%,误检率均值降低了5.31%、2.35%;多向车流中,直行车流的高峰、平峰正计率提升了 5.01%、5.99%,左转车流的高峰、平峰正计率提升了 4.29%、 4.56%。     

基于模糊神经网络的高速公路路面质量评价

为提高高速公路沥青路面使用质量的评价精度,将T-S模糊理论与BP神经网络相结合,以高速公路沥青路面的路面状况指数、路面结构强度指数、道路行驶质量指数和路面抗滑性能指数4个检测指标作为输入变量,根据模糊推理规则构建路面质量评价的非线性映射关系,路面检测指标经过模糊神经网络的学习和训练,直至网络输出与期望输出的误差达到最小,去模糊化后得到各路段的精确评价结果,建立了路面使用质量的综合评价模型.用实际检测数据对该模型进行了验证,结果表明:该模型具有模糊系统的逻辑推理能力和神经网络的定量数据处理能力,通过本文方法仿真得到的路面质量的综合评价结果,与期望值的相对误差小于2.1%.