基于ReliefF-RBF的路面不平度识别算法研究

路面不平度对道路车辆行驶安全性及车辆动力学响应具有重要影响。通过将路面不平度识别与先进悬架控制结合,有望能进一步提升乘员舒适性和车辆的操纵稳定性。现有基于数据驱动的路面分类方法难以高效处理时变参数与车速,现有基于模型的路面识别算法需要已知精确车辆模型,在实际应用中面临车辆物理参数难以获得的问题。提出一种融合模型和数据驱动的路面分类算法,采用基于模型的方法反算等效路面轮廓,结合数据预处理方法,对车辆响应和反算等效路面轮廓数据进行滤波;对等效路面轮廓和响应信息进行时域频域特征计算,采用ReliefF算法进行关键特征提取,构建基于径向基函数神经网络的路面分类器,进行路面分级识别;通过仿真试验和实车试验验证了不同车辆参数和车速下所提出的算法鲁棒性。     

基于高度差乘积的三维沥青路面裂缝识别

为了提高三维沥青路面中裂缝的提取精度与可靠性,提出了一种基于高度差乘积原理的沥青路面三维图像裂缝检测算法。首先,使用同时考虑空域和频域信息的双边滤波器对图像进行预处理,以达到平滑路面纹理并保持裂缝轮廓特征的目的;然后,利用裂缝轮廓的高-低-高程度大于纹理区域且具有较强对称性的特点,设计了一个高度差乘积算子,该算子能有效放大裂缝与非裂缝区域的差异程度,通过该算子的处理可得到相应的裂缝映射图像;最后,对映射图像进行动态阈值分割和去噪,获得最终的裂缝二值图像。研究测试表明:提出的算法能达到96.51%的准确率、83.35%的召回率及87.97%的F值,相对于其他典型三维裂缝检测方法有所改善。     

基于多特征的纹理特征提取方法研究与应用

纹理是图像的1种重要视觉特征,常用于识别和区分图像。纹理特征的提取则是其应用需首先解决的问题。通过总结分析目前较为常用的纹理特征提取方法,基于灰度共生矩阵(GLCM )算法、局部二值模式(LBP)算法和小波变换(DWT )算法的特点,提出基于多特征的纹理特征提取算法,即将各算法提取的特征进行融合。融合中使用权重对参数进行配置。论文设计了1种图像检索实验,通过图像检索实验比较了各算法提取的特征对纹理的描述能力。结果表明,对于Co rel图像库,笔者提出的多特征的纹理特征提取算法检索的平均查准率相对于GLCM 算法提高了20%,相对于LBP算法提高了9%,相对于DWT算法提高了10%,相对于徐少平等人提出的特征融合方法提高了15%。证实了文中所提出的算法能够兼顾各算法的优点,并具有较好的旋转不变性和尺度不变性。其不足之处是需要同时提取GLCM 算法,LBP算法,DWT 算法下的纹理特征,计算所需时间是后3种算法时间之和,使算法的实用性受到了一定的限制。      

路面管理系统的车辆轴载调查分析

结合上海市公路路面－桥梁管理系统研究，对车辆轴载进行了调查方案设计，数据调查和数据分析。通过交通量观测资料推算路面标准轴载换算次数，得出了不同交通特征道路，不同路面结构类型的车辆轴载换算系数，同时提出了路面管理系统的车辆荷载分级标准。     

沥青混凝土路面宏观纹理的多重分形特征

为深入分析沥青混凝土路面表面宏观纹理特征,在12条不同等级的道路上,选取了包含沥青混凝土(AC)、沥青玛蹄脂碎石(SMA)、开级配抗滑磨耗层(OGFC)、微表处(MS)和稀浆封层(SS)等路面类型的35个测试点,利用激光断面仪开展了路面表面宏观纹理断面的现场测试.分析表明,沥青混凝土路面表面宏观纹理断面具有典型的多重分形特征,多重分形谱呈向右的钩形,多重分形谱的分布宽度(△a)反映了路面断面起伏幅度的变化范围,与路面表面平均断面深度(MPD)之间有较为显著的相关性.最小概率子集与最大概率子集的分形维数差(△f(a))表征了路面表面纹理不同起伏幅度的分布情况,从一个新的角度描述了路面表面断面的特征,丰富了对路面表面宏观纹理特征的描述.     

基于主成分分析和学习向量量化神经网络的制动工况路面识别与验证

开展车辆制动时路面类型识别的研究，提出一种基于主成分分析-学习向量量化神经网络 （Principal Component Analysis - Learning Vector Quantization，PCA-LVQ） 的制动工况路面识别方法。利用主成分分析对多维度驾驶数据降维处理，提取能表征路面特征的主要成分，采用学习向量量化神经网络对降维处理后的驾驶数据进行训练，并用于路面特征分类，使用制动工况下实车试验数据和硬件在环仿真数据进行验证。结果表明，所提出的 PCA-LVQ算法能准确识别路面类型特征，路面识别的精度达到 97%，与传统 BP神经网络的路面类型特征识别精度提升 7%；同时，在不同车速下，基于PCA-LVQ算法也能较准确地识别路面类型特征。     

基于Prewitt算子的路面破损图像识别和分析

本文结合路面图片的特征,介绍了一种有效的路面破损图像识别技术。该技术主要使用一种图像边缘提取算法获得路面图片的二值化图,在该图的基础上通过小窗口l2范数与图片整体像素特征的比较,使路面破损部位的边缘算子联通,进而获得表征破损部位的有效联通区域。获得联通区域后,结合freeman chain技术,实现搜索联通域的递归算法,对路面破损部位和破损类型进行准确的统计和分析。     

基于路面构造特性的附着系数识别研究

为提高汽车主动防碰撞系统的预警精度,提出了一种基于路面构造特性的附着系数识别方法.首先通过激光扫描仪扫描不同类型和不同磨耗程度的沥青路面,获取路表纹理形貌的三维坐标,在Matlab中编制程序计算出MTD、MPD等7个路面构造特征参数数值;然后对特征参数进行相关性分析,选取MTD、MPD、Rq和Δq作为评价路面附着系数的...     

超重车辆荷载作用下沥青混凝土路面剪应力分析

剪切型破坏是沥青混凝土路面的主要破坏类型之一,超重车辆的存在加剧了沥青混凝土路面的剪切破坏。针对超重车辆作用下的沥青混凝土路面剪应力开展研究,利用有限元方法,以半刚性基层沥青混凝土路面结构为背景,分析了不同轮胎接地压力下沥青混凝土路面内部剪应力的分布特征,对比分析了超重车辆对路面内部剪应力分布的影响。分析表明,在垂直车辆荷载和水平摩擦力综合作用下,最大剪应力极大值出现在路面表面,最大剪应力随轮胎接地压力的增大呈线性增长;对于超重车辆荷载作用的沥青混凝土路面,应当选择抗剪强度好的改性沥青混凝土、沥青玛蹄脂碎石等材料,同时应适当提高中面层材料抗剪强度。     

基于结构重参数化与自适应注意力的复杂路面快速识别模型

在复杂行驶环境下快速准确地识别前方路面类型,是车辆主动控制系统及时做出预判的关键前提。针对现有方法未能兼顾精度和速度且难以在车端部署的问题,提出一种基于结构重参数化与自适应注意力的路面分类模型,可对车辆前方的沥青、水泥、冰雪、沙土、花砖、石板、湿滑等复杂路面进行快速准确的甄别。首先,构建以水平/垂直/方形/点形等多分支异构卷积为核心的特征提取骨干网络。其次,提出一种轻量高效的注意力机制,能够根据特征尺寸自适应地聚合空间上下文信息,并根据特征维度自适应地进行局部跨通道交互,使模型聚焦于高相关的路面特征。在此基础上,引入结构重参数化思想,对模型的训练周期和推理周期进行解耦,在训练时通过多分支学习获得高裕度的特征表示,而在推理时将多分支结构等价转换为直铺式单支路结构,在不牺牲模型性能的前提下获得轻量化的部署模型以及显著的推理加速。试验结果表明：提出的模型能够在复杂行驶环境下有效识别路面类型,以6.57×10⁶的参数量取得99.14%的全场景分类精度和96.48%的新场景分类精度,同时具有496.28帧·s^-1的服务器推理速度和33.89帧·s     

基于卷积自编码的沥青路面目标与裂缝智能识别

目前基于深度学习的路面裂缝识别经常面临训练数据集小，以及路面图片标注成本高等问题，基于小规模路面图片数据集，利用卷积自编码（CAE）方法进行数据增强，开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上，采用CAE重构图片方法对原始数据集进行两步骤扩增；利用卷积神经网络DenseNet，设置了不同数据扩增方法的对比试验；针对沥青路面裂缝图片背景较黑，裂缝特征不清晰，无监督聚类学习难度大等问题，采用了一种基于CAE预训练的深度聚类算法DCEC，对经数据增强的路面图片进行无标注的聚类识别。研究结果表明：经过DenseNet网络100代的训练，在同一测试集的测试下，基于原始数据集训练的网络分类准确度为78.43%，利用传统图像处理方法进行扩增后准确度为83.44%，利用所提出的图片增强方法进行数据扩增后准确度达87.19%；在保持扩增后数据集样本量大小相同的情况下，与几何变换、像素颜色变换等经典数据增强手段相比，CAE重构图片的数据扩增方法有较高的路面图片识别精度；CAE数据扩增方法较受训练数据集样本量的影响，利用传统方法将数据集扩增后进行CAE特征学习，重构后的图片样本更易被机器识别；相较于传统机器学习聚类算法，所提出的的DCEC深度聚类方法将聚类准确率提升了约10%，初步实现了无需人工标注的路面目标的端到端智能识别。     

基于改进SegNet的沥青路面病害提取与分类方法

针对现有SegNet算法难以精确区分裂缝和灌封裂缝等具有相似特征的沥青路面病害的问题，提出了基于改进SegNet网络的沥青路面病害提取方法。针对道路标线和光照不均匀等导致路面病害图像质量差异化的因素，本研究在去除道路标线的基础上，运用带色彩恢复的多尺度视网膜增强算法，降低道路标线和光照对图像质量的影响以及增强路面病害图像的对比度、色调和亮度，提高病害的识别精度；为了充分利用图像的上下文信息，解决SegNet网络对细微病害分割效果不佳的问题，引入残差神经网络（ResNet）作为编码器，并对解码器中每个上采样产生的特征图拼接2个分别由卷积层（1×1的卷积核）和空洞卷积层从对应的编码器中获取的尺度相同的特征图；运用形态学闭运算连接分割结果中不连续的裂缝。为了验证改进算法的有效性，将其与典型的语义分割方法（SegNet和BiSeNet）在测试集上进行测试和性能对比。研究结果表明，3种方法的平均交并比（MIoU）和F1分数（F1-score）分别为（82.4%，98.9%），（69.4%，94.0%），（80.5%，98.1%）；利用这3种方法对甘肃省部分路段路面病害的提取效果进行对比测试，提出方法的裂缝漏检率和误检率分别为2.91%，1.94%，优于SegNet（10.68%，14.56%）和BiSeNet（6.80%，12.62%）。本研究所提方法能够更精确地提取和区分沥青路面裂缝和灌封裂缝。      

基于虚拟试验场的强化路面建模方法研究

虚拟试验场是依据某汽车试验场建立的,可用于在仿真环境下对车辆进行路试试验。虚拟试验场的路面建模需要保证具有实际路面特性,文章针对虚拟试验场建立中强化路面的建立问题进行研究,提出一种方法,可以准确的建立虚拟试验场的强化路面。利用双轨路面计测量强化路面的不平度,对测试数据进行分析处理,保证测量结果的准确性,应用试验场规则路面的详细尺寸信息建立模拟路面。对于规则强化路面,应用实际尺寸和技术规范等信息建立,对于不规则强化路面,利用实际测量的路面不平度,通过功率谱估计、路面等级分析、路面不平度数字化等建立模拟路面。通过相关性分析,保证所建立的模拟路面的准确性和可信性。     

多尺度图像边缘检测技术在车辆识别中的应用

指出了图像边缘检测的定义及现有算法的不足,并对Canny边缘检测离散准则及该准则下的最优线性滤波器进行了论述。根据边缘检测离散准则,利用数值方法求出该准则下边缘检测的最优线性滤波器及对应的平滑算子,将其与Canny边缘检测技术相结合进行边缘检测,检测出不同尺度下多幅边缘图像,并根据小尺度下图像边缘细节信息丰富、边缘定位精度高,大尺度下图像边缘稳定、抗噪性好等特点,将检测到的多尺度边缘进行融合,得到抗噪性好的精确的单像素宽边缘;同时将该方法应用于汽车特征提取,检测到完整连续的汽车边缘图像,为车型识别提供条件。试验结果表明:该方法不仅能准确检测出图像边缘,而且能有效地抑制噪声,是边缘检测的实用方法。     

多源遥感数据融合的道路材质精细识别

针对当前道路识别方法对道路材质识别精度不高的问题,提出了一种融合多源遥感影像进行城市道路材质高精度识别的方法。首先,对高光谱遥感影像中的地物光谱曲线进行分析,在保留地物光谱分离度较大的波段的基础上提升计算效率;通过分步融合的策略对多源遥感影像进行融合,提升高光谱影像的空间分辨率,为后续道路材质识别提供高质量的数据保障。其次,通过使用不同的指数对融合影像进行掩膜,提取城市建筑物,并在此基础上提取建筑物纹理信息与光谱信息,进行多特征融合并分类;最后,通过影像后处理对提取的道路进一步进行规范,得到最终高质量的道路材质识别结果。通过使用高分五号高光谱影像、高分二号全色/多光谱影像、高分一号多光谱影像对提出的方法进行实验验证,试验结果表明,本文方法可取得较高精度的道路材质识别效果,具有较好的应用价值。     

光线强弱对数字图像计算构造深度的影响研究

选取普通水泥混凝土路面、普通拉毛水泥混凝土路面、大孔隙改性水泥混凝土路面三种路面结构类型，分别在晴天和阴天两种光线条件下拍摄数字图像照片，运用MATLAB数字图像技术将路面表面图像像素值量化，通过最小二乘法原理和Tablecurve 3D软件建立曲面拟合模型，提出基于数字图像处理技术的路面表面构造深度计算方法，并分析光线强弱对数字图像构造深度的影响。结果表明:路面表面数字图像构造深度计算方法具有便捷、快速、客观等优点；光线强弱对运用数字图像技术分析路面表面构造深度的影响可以忽略；三种路面结构类型相比，大孔隙改性水泥混凝土路面数字图像表面构造深度最大，具有良好的抗滑性能和排水功能。     

基于探地雷达的路基脱空病害图像自动识别

道路病害快速检测对于确保道路的安全和可靠运行至关重要。而探地雷达技术在道路病害检测中具有快速、无损和高分辨率等特征,因此被广泛应用。然而,以往的雷达图像处理和解译主要依赖人员的主观经验,易导致误判和漏判。为了解决这一问题,通过研究基于YOLO算法的图像识别方法,结合深度学习技术,开发一种智能化的道路病害识别系统,能够自动提取探地雷达图像中各类病害的特征,并实现高效、智能的识别,并通过钻孔验证,以确保识别结果的准确性,有效预防突发性道路塌陷的发生,提高道路的安全性和可靠性。     

多线索融合的结构化道路检测算法研究

为实现结构化道路的检测，提出了一种用于道路检测的激光雷达和视觉融合法，通过提取激光雷达在道路边缘的三维点云信息，将其投影到视觉图像上，形成激光点云与图像的映射关系，生成激光雷达似然图。通过改进提取道路的颜色、纹理、水平线等特征的方法，生成相对应的视觉似然图。在贝叶斯框架下将激光雷达和视觉生成的似然图进行融合。在KITTI数据集上测试可知，精度达到94%，准确率达到86%，表明该道路检测法具有较好的道路检测果。