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GPS数据的高速公路车辆异常行为检测

车辆异常行为是造成高速公路交通隐患的主要原因之一。为了提高高速公路的安全管理,通过对车辆GPS数据进行分析,将连续11次定位的车辆速度、加速度作为输入参数,进行神经网络分类器的设计与训练,设计基于GPS数据的车辆异常行为分级检测算法。通过GPS实验和VISSIM模拟仿真各类车辆异常行为,分析检验检测算法,结果表明提出的分级检测算法具有较高的检测率,能够有效的识别各类车辆异常行为。     

基于深度学习的车辆轨迹重建与异常轨迹识别

车辆移动轨迹的不确定性及异常点段的存在使其在数字交通领域的应用面临挑战。本文构建基于数据增强的LSTM-AE-Attention深度学习模型，进行车辆轨迹重建和异常轨迹识别。首 先，使用对抗生成网络和贝塞尔样条曲线从样本量和种类两方面扩充数据集，实现数据增强；其 次，通过自编码网络与长短时记忆神经网络提取轨迹特征并完成轨迹重建；最后，结合自编码网络预训练和注意力机制构建异常识别模型。采用实际车辆轨迹数据测试，模型的评价指标明显优于支持向量机、随机森林和长短时记忆神经网络模型，重建实验中模型的决定系数为0.968，异常识别实验中模型的F1值较对比模型平均提升9.8%。结果表明，本文提出的模型可有效、可靠地运用于平滑车辆轨迹数据和纠正异常车辆轨迹。     

基于视频检测的车辆变道轨迹识别方法研究

采用Hough变换检测车道线,然后采用背景减差法对运动目标进行检测;目标车辆的跟踪使用改进的形心跟踪算法和模板匹配算法,对运动车辆的轨迹进行提取,计算已有车辆轨迹与车道线的距离;结合高速公路三种常见变道情况,对车辆变道进行定义;通过车辆轨迹与车道线距离方差判断车辆轨迹是否发生违法变道。实验结果表明,该算法能有效地识别车辆变道轨迹,且算法简单可靠。     

基于手机传感器的车辆轨迹实时在线压缩方法

随着具有定位功能的各类便携式移动设备的普及,产生了大量的移动目标时空轨迹数据,庞大的数据规模对轨迹数据管理和分析带来了严峻的挑战.?车辆时空轨迹数据压缩算法,通过监测分析车辆在不同运动行为模式下智能手机内置线性加速度传感器和方向传感器的数据变化规律,识别车辆的转向行为和变速行为,并根据识别结果请求GPS传感器定位,记录...     

多形态几何约束的道路障碍物检测新方法

针对道路监控固定图像传感器采集的交通视频图像,开展动态场景下障碍物的检测研究。通过道路感兴趣区域的建立,提取停止车辆和遗撒物的共同特征,提出多态几何约束的障碍物检测算法,实现障碍物的检测;通过对仿真视频和实际道路采集的视频进行实验,结果证明该方法对障碍物检测的鲁棒性高,实际的检测效果较基于混合高斯模型的背景差分法的结果更好。     

基于车窗区域定位的出租汽车驾驶员蓄须行为的自动检测技术研究

针对出租车驾驶员蓄须行为自动检测技术展开研究,提出了一套基于视频图像的、完整的自动检测方法。首先,根据复杂交通车流的特性,提出一种用车窗区域代替完整车辆的出租车检测方法,同时基于检测到的车窗区域实现对驾驶室的精准定位。其次,利用基于亮度通道的多尺度视网膜（Multi-scale Retinex, MSR） 增强的图像预处理算法实现对图像的光线平衡及细节恢复。最后,通过libfacedetection 算法的精准下巴区域提取、结合非肤色像素点提取以及灰度阈值法的正反验证来提升算法的鲁棒性。利用交通监控视频对整套方法进行测试,研究结果表明,该方法能够对出租车驾驶员蓄须行为进行识别,进而提高执法效能。     

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。     

基于车辆行驶轨迹的道路不良驾驶行为实时辨识方法

为了提高道路交通安全主动防控能力, 以小汽车行驶轨迹数据为研究对象, 研究了不良驾驶行为的实时辨识问题; 基于无人机拍摄交通流视频提取海量车辆行驶轨迹数据; 提出了应用风险度量方法量化典型不良驾驶行为的理论; 使用大样本统计分布方法确定不良驾驶行为的特征参数阈值; 建立了结合交通环境信息的不良驾驶行为谱, 计算了不良驾驶行为谱特征值; 以车辆不良驾驶行为谱特征值为依据标定不良车辆样本; 以部分驾驶行为谱参数为输入, 使用不平衡类提升的人工智能算法建立了不良驾驶行为辨识模型; 为了验证方法的有效性, 使用无人机交通视频采集了上海市的车辆行驶轨迹数据, 分析了小汽车不良跟驰行为特征。分析结果表明: 使用四分位差法得到不良跟驰特征参数的阈值为0.19 s-1, 大部分样本处于正常跟驰状态, 约2%样本处于不良跟驰状态; 基于每辆车行驶轨迹中正常跟驰状态和不良跟驰状态的比例, 使用95%分位数将8 917 veh小汽车样本划分为不良跟驰车辆445 veh与正常跟驰车辆8 472 veh; 不平衡类提升算法CUSBoost辨识不良跟驰车辆达到了94.4%的召回率和85.9%的精确率, 平衡分数和精确率-召回率曲线下的面积为所有算法中最高。可见, 不良驾驶行为谱作为一种客观的不良驾驶行为量化表达方法, 与人工智能方法结合可以生成海量的不良驾驶行为谱库; 不平衡类提升算法可以解决不良驾驶行为数据的不平衡问题, 与常规算法相比具有更好的不良驾驶行为辨识能力。      

船舶异常行为的一致性检测算法

为了准确检测船舶的操纵异常行为和降低异常行为误报警率,提出了船舶异常行为的一致性检测算法;在船舶轨迹点中引入能够体现操纵模式的特征,以转向行为与变速行为度量了操纵行为相似性;将空间位置相似性与操纵行为相似性进行组合,定义了船舶综合行为相似性,计算了单个轨迹点与训练轨迹序列中的最近邻特征点,构建了一致性检测的样本序列;为克服样本重叠的类分布情形,改进了一致性检测算法的奇异值度量,并用综合行为相似性计算样本间的非一致性得分,利用单个轨迹点的随机性检验值判断该轨迹点与样本序列的分布一致性;以琼州海峡实测AIS数据作为正常数据,以计算机模拟随机产生异常轨迹和人工自定义操纵异常行为作为异常数据,分别进行异常检测试验。试验结果表明:随机产生的异常轨迹检测正确率为100%,但是轨迹评价集中有一部分正常轨迹被错误划分成异常轨迹,在指定置信度水平分别为99.0%和99.7%的情形下,误报警率分别为0.6%和0.2%,分别低于显著性水平0.01和0.003,因此,利用一致性检测算法能有效检测计算机产生的随机异常轨迹,并可通过指定显著性水平严格控制检测误报警率,能有效检测人工自定义的船舶变速与转向异常行为,而且检测结果能随船舶行为改变而变化。     

面向多目标跟踪的密集行人群轨迹提取和运动语义感知

针对基于视频监控的密集行人群识别难度大，运动轨迹提取困难，运动语义信息挖掘不足 等问题，本文提出基于多目标跟踪FairMOT框架及K-means聚类的行人轨迹捕获和运动语义信 息感知方法。首先，利用多目标跟踪算法提取视频中行人群目标过街时的运动轨迹特征向量；然 后，通过分析轨迹坐标的数值分布特点，设计了一种协方差滤波算法STCCF，以检测和剔除“准静 态轨迹”，得到行人群目标运动轨迹簇；最后，针对已提取的轨迹簇，应用K-means聚类方法，选取 S系数(Silhouette Coefficient)和DB指数(Davies Bouldin Index)两个指标，感知行人聚集和消散点 等场景语义特征。实验分析表明，算法从提取到的2689条轨迹中辨识出179条“准静态轨迹”，检 出率为81.73%；视频场景中的行人目标源点和消失点的解析结果与人工辨识结果吻合，验证了密 集行人群轨迹提取和运动语义信息感知方法的有效性。本文研究可为数据驱动的行为预测和轨 迹建模提供基础。     

传感器性能退化与结构损伤响应异常区分研究

针对现行结构损伤检测方法仅考虑了环境和荷载对损伤的影响,未考虑传感器因时间和环境变化导致的性能退化从而严重影响损伤诊断率的问题,考虑到传感器性能退化的局部性及结构损伤的全局性,利用最小均方差估计与广义极似然比（GLRT）理论检测结构响应异常,结合统计质量控制图的控制指标超出界限的波动样式判断异常来源,并通过简支梁数值算例验证了本文提出的方法.研究结果表明:利用广义极似然比可以有效检测响应异常,利用控制图可以辨别响应异常来源;传感器性能退化导致控制指标超出界限的波动为非平稳波动,而损伤导致控制指标在一定范围内的波动为平稳波动.      

基于视频+数码的电子警察系统的设计与实现

文中提出了基于视频+数码方式的电子警察系统的设计方法,给出了系统的结构图,通过线圈检测器实现车辆的违章检测,利用视频+数码的方式实现对违章车辆进行抓拍,系统不但可以提供违法照片,还可以记录车辆冲红灯的全过程。该方法已在佛山市电子警察系统中得到应用,实践证明具有良好的效果。     

基于视频深度学习的铁路周界入侵检测算法研究

基于视频智能分析的铁路周界入侵检测算法相比于雷达、振动光纤，具有成本低、误报率低的优点. 针对视频中存在不同分辨率目标的问题，提出一种改进的Cascade Mask RCNN( CMR)模型，使用级联结构获得目标的准确定位. 为增强模型对小目标的检测能力，在原始模型的基础上，增加基于特征金字塔网络(FPN)的多尺度特征提取模块和基于空洞金字塔汇聚(ASPP)子网络的空间上下文增强模块. 在实际铁路周界入侵场景视频中验证了模型的有效性. 结果表明，该模型可实现不同场景下的铁路周界入侵检测，相较于原始模型，新模型对小目标检测的F-measure 提高了0.24. 模型既解决了不同场景下铁路周界入侵检测问题，又有效地提高了视频智能分析对小目标检测的准确率.     

基于视频的道路盲区能见度检测研究

基于道路视频图像的能见度检测方法可为智能交通系统提供实时、可靠、经济的交通能见度信息，但其应用效果受限于广泛存在的视频监控盲区。鉴于此，针对道路视频监控盲区的能见度实时检测方法展开研究，利用视频能见度检测算法，获取上下游路段能见度的两类检测数据，并提出一种基于能见度数据的高层信息汇聚融合模型，构建了盲区的能见度间接检测方法，给出 基于实时视频检测的道路盲区能见度预测值，与目测结果相比，平均误差小于10%。     

改进MOG-LRMF 的铁轨动态异物检测

针对复杂铁路环境下动态入侵异物检测精度低和抗扰能力差等问题，提出一种基于改进MOG-LRMF算法的铁路轨道异物入侵实时检测方法. 引入仿射变换，对视频序列可能出现的抖动进行预校正处理；分析MOG-LRMF模型特点，利用MOG模型对视频帧中的背景进行建模，用前一帧背景中学习到的知识对当前帧背景进行预测，优化MOG-LRMF参数求解模型；利用EM算法对改进MOG-LRMF模型进行参数求解，实现背景在线实时更新. 实验结果表明，改进的MOG-LRMF算法在光照充足、光线较弱、相机存在抖动、背景复杂及存在多个目标情形下都能提高目标检测精度，具有较好的抗干扰性、鲁棒性和快速性.     

基于轨迹谱聚类的终端区盛行交通流识别方法

为了改善终端空域扇区和进离场航线对实际空中交通的流量及空间分布的适用性,研究了从大量航空器飞行轨迹中识别主要交通流的方法.在分析飞行轨迹空间特征的基础上,建立了基于3D网格的轨迹间相似性模型.利用谱聚类算法对终端区飞行轨迹样本进行聚类划分,提出了一种基于轨迹聚类核密度估计的盛行交通流和异常轨迹的识别方法,用于从空管雷达记录的飞行轨迹中识别出盛行交通流的实验.实验研究结果表明:该方法将1 476条轨迹划分为5个聚类,识别出5个盛行交通流,且识别结果未受到异常轨迹的影响.      

无线多媒体传感器网络的QoS路由算法

作为一种全新的信息获取和处理技术,无线多媒体传感器网络较之传统传感器网络更多地关注于音频、视频、图像等大数据量、大信息量媒体的采集与处理,在军事、民用及商业领域中具有广阔的应用前景.文中针对具有Mesh结构的无线多媒体传感器网络,给出了其带宽、时延和时延抖动等多约束的QoS路由问题模型的描述.基于基本遗传算法提出了一种多约束的QoS路由算法,给出了算法的具体实现流程,并对算法的收敛性和路由成功率等进行了实验仿真.     

基于AutoScope的交通视频检测实验平台设计

通过构建一个通用的基于AutoScope的交通视频检测实验平台,其涵盖了交通视频检测的主要技术环节,从而可提高视频车辆检测器实验教学水平以及学生的实践能力,并将对各种交通检测设备的实验教学工作起到良好的示范作用.     

On-line Batch Process Monitoring and Diagnosing Based on Fisher Discriminant Analysis

Introduction Nowadays, it has been paying more attentionto the batch or semi-batch process which producedthe high added value and high quality products inchemical industry, such as polymer, pharmaceuti-cal and semiconductor industry.The aim of the batch process monitoring is tokeep the product quality uniform and consistentunder batch-to-batch process and meet specifica-tion limits. The direct approach is to monitor cru-cial product quality variables in batch process.However, quality variables…