区域卷积神经网络用于遥感影像车辆检测

针对大范围快速的车辆检测与计数,利用高分辨率卫星影像数据,提出了一种基于区域卷积神经网络的车辆检测算法。区域卷积神经网络是深度卷积神经网络和区域建议网络二者的结合。首先利用深度卷积神经网络自动提取各个层的特征,为了减少检测窗口的数量,提出区域建议网络,对下采样后的每个位置考虑3种窗口和对应的3种比例,这样大大减少了检测窗口的数量。再根据分类器对目标进行分类。这样将特征、检测窗口和分类器有效地结合在一起。在对遥感影像车辆检测试验中,通过对手工标注的车辆样本数据多次迭代来训练卷积神经网络和区域建议网络获取车辆检测的先验模型,再由先验模型检测出测试影像中车辆目标。与传统的基于梯度方向直方图(HOG)特征和支持向量机(SVM)车辆检测算法进行比较,在检测率方面,区域卷积神经网络算法明显高于HOG+SVM算法;在误检率方面,区域卷积神经网络检测明显小于HOG+SVM算法;在检测时间方面,同样的一张图像,区域卷积神经网络检测速度比HOG+SVM算法提升近800倍。试验结果表明:利用区域卷积神经网络方法进行大范围车辆检测,在精度和速度方面都有显著提升。     

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.      

航拍视频车辆检测目标关联与时空轨迹匹配

高解析度轨迹数据蕴含丰富车辆行驶与交通流时空信息.为从航拍视频中提取车辆轨迹,构建了车辆检测目标跨帧关联与轨迹匹配融合方法.采用卷积神经网络YOLOv5构建视频全域车辆目标检测,提出车辆动力学与轨迹置信度约束下跨帧目标关联算法,建立了基于最大相关性的断续轨迹匹配与融合构建算法,实现轨迹车辆唯一编号.将轨迹从图像坐标转换为车道基准下Frenet坐标,构建集合经验模态分解(EEMD)模型进行轨迹数据噪声消除.采用南京市快速路无人机拍摄的2组开源航拍视频,涵盖拥堵与自由流交通状态,对轨迹提取算法进行效果测试.结果表明,在自由流和拥挤条件下轨迹准确率分别为98.86％和98.83％,轨迹召回率为93.00％和86.69％,构建算法的轨迹提取速度为0.07 s/辆/m.该方法处理得到的详细车辆时空轨迹信息能为交通流、交通安全、交通管控研究提供广泛的数据支撑,数据公开于http://seutraffic.com/.     

城市出入口立交道路交通参数采集与通行状态判别技术研究

城市出入口立交的通行状态是影响城市交通管理与出行诱导策略的重要因素,为了弥补固定型检测手段采集覆盖面小、获取立交路面交通信息少的不足,提出了基于无人机视频的城市出入口交通参数提取及通行状态判别方法。首先对无人机航拍采集的视频图像进行预处理和分析,通过背景建模和运动目标检测跟踪方法提取无人机悬停航拍视频中的交通流量、流速和占有率等参数;然后利用图像特征匹配方法校对不同拍摄角度与实际立交地理位置图,校准图像中的实际地理位置信息;最后,结合城市出入口立交特点建立基于运动目标占有率的通行状态判别模型,解决了通过无人机视频自动判别立交整体通行状态的问题。无人机视频技术的应用可为城市出入口交通诱导和交通应急管理提供前期决策依据。     

基于生成对抗网络改进的更快速区域卷积神经网络交通标志检测

针对小尺寸、远距离的交通标志检测过程中缺少信息的问题,以改进的更快速区域卷积神经网络(Faster R-CNN)检测器为基础,结合生成对抗网络(GAN)的目标检测算法实现对小目标交通标志的检测。Faster R-CNN首先根据期望目标设定合适的锚点数量,生成包含小目标的候选区域,再使用生成网络对候选区域中的模糊小目标进行上采样,生成高分辨率图像,最后使用分类损失函数与回归损失函数对判别网络进行改进。试验结果表明,Faster R-CNN和生成对抗网络相结合的检测算法可以提高远距离小目标交通标志检测性能。     

基于深度学习的动车组运行安全图像异物检测

动车组在运行过程中容易附着塑料袋等异物,影响动车组的运行安全.针对动车组运行安全图像异物自动检测的问题,研究基于卷积神经网络的动车组异物检测与分割模型,该模型采用特征金字塔网络提取异物的多尺度融合特征,通过区域提议网络生成未知类别的候选区域,通过预测网络对候选区域进行分类和位置回归,并通过分割网络生成预测区域的蒙版.针对异物形态变化多样,采用可变形卷积改变感受野适应异物形态的变化.针对异物检测任务中异物数量远小于背景零部件的数量,采用在线困难样本挖掘筛选出困难样本重新输入预测网络以平衡正负样本的比例.实验分析表明,通过优化方法使得最终模型检测精度达到了90.35%,提升了4.03%;召回率达到94.85%,提升了8.1%.      

基于多特征融合的隧道场景车辆再识别

为解决隧道内交通监控视频的低分辨率以及光照不均匀导致的再识别准确率偏低的问题，提出了一种基于多特征融合的车辆再识别方法，通过充分利用车辆的各种有效特征信息提升车辆再识别精确度。首先，将卷积块注意力模块(Convolutional Block Attention Module, CBAM)嵌入到YOLOv5模型的骨干网络卷积层，同时采用CIoU损失和DIoU-NMS方案，提高车型检测准确率；其次，使用改进DeepSORT的表观特征提取网络和ResNet网络，分别获取深度卷积神经网络(Deep Convolution Neural Networks, DCNN)特征和车型ID特征；再次，将车型特征、DCNN特征及车辆ID特征使用加和表示层进行融合，形成可鉴别身份特征，以提高车辆再识别精度；最后，基于Softmax交叉熵损失和三元组损失设计指标函数并进行学习，对学习结果进行重排序以进一步提高模型的精度，并将算法在公开数据集VeRi776、VehicleID和自建数据集Tunnel＿Veh4C进行训练验证。结果表明：与现有方法相比，提出的Rank-1、Rank-5和Rank-10识别准确率以及...     

基于差异性区域预测的行人与骑车人联合检测

本文中针对自动驾驶车辆在环境感知过程中易将行人与骑车人混淆的问题,提出一种有效区分行人与骑车人的联合检测方法,并基于快速区域卷积神经网络Faster R-CNN进行改进。首先,通过增加一个子网络提取图像形状特征通道,将其与主干网络生成的特征图进行聚合,额外的形状语义通道用以辅助检测器区分行人与骑车人的特征;接着,通过构建差异性区域预测单元,以区分行人与骑车人差异部位,将建议区域划分为多个部件并计算其置信度,根据该置信度对部件特征进行加权;最后,将主体特征与加权后的部件特征聚合后送至分类器进行分类。在本文中构建的行人-骑车人数据集和公开的Caltech数据集中进行测试的结果表明,改进后的检测方法能有效减少将骑车人误检为行人的情况,具有较高的检测精度。     

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。     

基于改进深度卷积生成对抗网络的路面指示标志识别方法

针对道路交通环境中路面标志识别涉及的数据集较少和识别准确率不足的问题,研究了基于深度卷积生成对抗网络的道路表面指示标志的识别方法.在深度卷积生成对抗网络的结构基础上,根据具体应用修改生成网络和判别网络的损失函数,并用随机梯度下降算法替代原始的优化器,对指示标志的原始样本集进行样本生成,以增加样本数据量.基于Faster R-CNN算法进行路面标志的特征提取,实现路面指示标志的识别,并基于迁移学习对识别模型进行微调,将目标识别效果应用于实际道路环境中.实验结果表明,通过深度卷积生成对抗网络生成的样本图像有效地扩增了路面标志的数据集,增广后的多类目标识别的mAP提高了17.1%,小样本情况下的识别准确率随着样本量的增加和样本质量的改善而得到了明显的提高.      

基于无人机及Mask R-CNN的桥梁结构裂缝智能识别

桥梁结构表面裂缝检测为桥梁状态识别、病害治理、安全评估提供了重要状态信息和决策依据。为解决传统人工检测方法存在的危险性高、影响交通、费用昂贵等问题,提出基于无人机（Unmanned Aerial Vehicle,UAV）及深度学习的桥梁结构裂缝智能识别方法。采用大疆M210-RTK多旋翼无人机进行贴近航摄,获取桥梁结构混凝土表面高清图像;利用SDNET裂缝数据集等图像资源,制作1 133张标记裂缝精确区域的深度学习训练样本图像库;引入掩膜区域卷积神经网络（Mask R-CNN）深度学习算法,训练和建立Mask R-CNN裂缝识别模型;基于Mask R-CNN裂缝识别模型,采用矩形滑动窗口模式扫描混凝土表面高清图像,实现裂缝自动识别和定位。构建包含图像二值化、连通域去噪、边缘检测、裂缝骨架化、裂缝宽度计算等流程的图像后处理方法,实现裂缝形态及宽度信息自动获取。通过精度验证试验,证实采用M210-RTK无人机+ZENMUSE X5S相机+45 mm奥林巴斯镜头的组合装备,当无人机至桥梁结构表面垂直距离为10.0 m时,无人机方法识别的裂缝宽度与裂缝测量仪结果吻合,其绝对误差小于0.097 mm,相对误差小于9.8%。将该无人机裂缝检测方法应用于高136.8 m长沙市洪山大桥桥塔表面裂缝检测,采用深度学习Mask R-CNN算法进行裂缝智能识别,其裂缝识别准确率和召回率分别达到92.5%和92.5%。研究结果表明：无人机桥梁裂缝检测方法可实现高耸桥梁结构表面裂缝的远程、非接触、自动化检测,具有重要的科学研究和工程应用价值。     

移动交通检测系统中探测车的样本数量

基于各国移动交通检测系统中探测车样本数量问题的研究现状,分析了现有成果存在的不足。在考虑探测车速度、计算时间间隔、数据精度要求等因素基础上,针对交通流密度均匀分布和非均匀分布两种情况,利用数理统计方法建立了道路网上探测车样本数量的双层模型。结果表明:当计算时间间隔为5 min时,若道路网上交通流密度均匀分布,则探测车比例至少为5.0%;若道路网上交通流密度非均匀分布,则探测车比例至少为7.0%。     

一种基于特征的车辆检测方法

提出了一种应用单目视觉进行车辆检测的方法。该方法以车辆阴影以及边缘作为检测的主要特征。在图像预处理中采用自适应双阈值以满足不同光照条件下的使用要求;利用能量密度验证提高车辆垂向边界识别的准确性;用可变模型用来规划车辆检测范围,以满足不同距离车辆的检测需要。为提高车辆检测的准确性及效率,在算法中融合了雷达的探测数据。试验验证表明,该方法有较高的车辆检测准确率,并且能满足智能车应用中的实时性要求。     

无人机航测技术应用于公路崩滑陡峭地段测量分析

近年来,随着无人机技术和数字摄影测量技术的快速发展,无人机航测技术已经成为一种有效的快速测绘手段.介绍无人机航测数据处理的关键技术,利用无人机航测技术对公路路堤和边坡崩滑进行快速测量,获取测区的3D数字信息,为公路维护管理提供及时有效的测绘资料.     

基于REINFORCE算法和神经网络的无人驾驶车辆变道控制

针对无人驾驶车辆变道超车场景，研究基于REINFORCE算法和神经网络技术的无人驾驶车辆变道控制策略。通过车辆动力学模型确定模型的反馈量、控制量和输出限幅要求; 设计神经网络控制器的结构，根据REINFORCE算法设计控制器训练方案; 分析经验池数据数值和方差过大的问题，提出1种经验池数据预处理的方法以改进控制器训练方案; 结合无人驾驶车辆运行场景，分析和研究强化学习过程中产生的奖励分布稀疏问题，并针对该问题提出1种基于对数函数的奖励塑造解决方案; 与PID控制器和LQR控制器进行对比实验验证。实验结果表明，与PID相比，该控制策略有更小的最大误差，变道过程更安全; 与LQR相比，该控制策略性能表现接近，以此证明其用于无人驾驶车辆变道控制任务的可行性。此外，记录在不同平台下该控制策略的执行时间以证明其实时性和在轻量级平台运行的可行性。      

Hierarchical distributed coordination strategy of connected and automated vehicles at multiple intersections

In this paper, we present a hierarchical distributed coordination strategy for connected and automated vehicles (CAVs) that are travelling through multiple unsignalized intersections. The control strategy focuses on the improvement of vehicle fuel efficiency and system mobility. In presence of wireless communication among the involved CAVs and the intersection controllers, our coordination strategy focuses on leading the CAVs travel through a road network without conventional traffic light control and ensuring collision avoidance at the intersection areas. We propose a three-layered coordination strategy in this paper. First, we evaluate the road desired average velocity considering both upstream and downstream traffic to speed up the traffic density balance. Second, the intersection controllers optimally assign reference velocity to each vehicle based on the minimization of velocity deviation from its current velocity and collision avoidance at the intersections. Finally, fast model predictive control (F-MPC) is applied for each vehicle to track their reference velocity in a computationally efficient manner. Two simulation scenarios with different difficulty levels have been implemented on a two-interconnected intersection network. Simulation results indicate the feasibility and scalability of the proposed method, as well as vehicle fuel efficiency and system mobility improvement.     

基于车联网BSM数据与路侧视频融合的港口集装箱卡车碰撞危险辨识方法

大型港口集装箱码头运输车辆调度频繁，堆场过道和交换区等区域视距狭窄，容易导致港口集装箱卡车与设施、作业人员和车辆发生擦碰事故。为提高智能集装箱卡车在港口密集区域的轨迹跟踪精度和行车安全感知能力，提出了一种车联网条件下融合车载终端基本安全消息（Basic Safety Messages，BSM）数据和路侧视频数据的集装箱卡车碰撞风险辨识方法。采用YOLOv5s算法提取视频监控范围内的目标车辆和作业人员，根据目标集卡大尺寸特点设计非极大值抑制锚框来提高目标识别准确度。运用透视变换原理将目标像素坐标转换成地理坐标，并应用Deep-SORT算法匹配每帧图像的车辆轨迹信息。应用交互式多模型方法（interactive multi-model，IMM）融合视频轨迹信息和车载单元（on-board units，OBU）定位数据，减小了目标机动过程中的观测误差。基于集卡融合轨迹结果，提出了1种新型的轨迹冲突风险评估模型，能够根据目标集卡与周围目标轨迹的相对运动状态实时感知车辆碰撞危险，该碰撞危险检测结果在实际场景中可通过路侧设备对车载终端和作业人员终端实时播发预警信息。针对集卡跟踪误差的实验结果表明:IMM自适应跟踪轨迹的平均均方根误差为0.29 m，比集卡自主跟踪轨迹误差提升81.05%；融合路侧监控视频与车载终端定位数据能够克服车辆自主定位系统在密集堆场环境下的误差增大问题。集卡碰撞危险辨识的结果表明:车辆碰撞危险识别结果（预设ETTC阈值为2 s）的召回率、精确度和准确度相对集卡自主感知分别提升了7.39%，4.27%，2.50%，更准确地辨识出了视线遮挡情况下的轨迹冲突风险。