基于深度学习的交通目标感兴趣区域检测

为了提高交通目标检测的实时性和准确性,针对交通目标检测过程中普遍存在的背景复杂、光线变化、物体遮挡等干扰问题,以及基于深度学习的目标检测算法在进行区域选择时滑动窗口遍历搜索耗时的问题,提出一种基于时空兴趣点（STIP）的交通多目标感兴趣区域快速检测算法。像素级时空兴趣点检测在处理目标遮挡时具有较好的鲁棒性,利用这一特点,首先在传统兴趣点检测算法的基础上加入背景点抑制和时空点约束,以减少无效兴趣点对有效兴趣点检测带来的干扰。通过改进均值漂移算法,使得聚类中心数量随目标数目的变化而改变。然后对被检测出的多目标附近的候选兴趣点分别进行聚类,获取各个目标聚类中心位置信息。根据聚类中心点与筛选后的目标兴趣点之间的相对位置关系进行特定组合获得感兴趣区域。在这些感兴趣区域上使用选择性搜索算法生成1 000~2 000个候选区域,并将这些候选区域放入训练好的深度卷积神经网络模型中进行特征提取。最后将特征提取结果送入支持向量机中进行目标种类判别并使用回归器精细修正目标识别框的位置。研究结果表明：通过对候选区域进行预处理,送入模型中的候选区域数量减少了82%,对应算法整体运行时间减少了74%,能够满足智能交通监控的实际需求。     

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。     

混合交通中的车辆与行人检测

混合交通中车辆和行人的检测识别是研究如何让计算机以人的思维方式从视频或图像中将车辆和行人从背景中区分出来。车辆检测与行人检测作为智能交通系统的核心组成部分,具有重大的研究价值与现实意义。本文基于候选区域和深度网络的深度特征提取方法,通过获取场景中的大量实时图像数据进行多任务深度模型训练,实现复杂交通场景中的车辆检测和行人检测的任务。相比于传统的车辆检测算法和行人检测算法,基于候选区域和深度网络的深度特征提取方法具有独特的优势:检测的准确性、鲁棒性、实时性可以在一定的条件下达到比较满意的程度。而传统车辆与行人的检测算法,并不能同时在3项指标上达到较好的状态。此外,候选区域的确定避免了穷举式搜索目标,从而节省了大量时间开销。     

基于D-S理论的城市快速路交通事件自动检测算法

为有效提高快速路交通事件检测的覆盖率,解决算法误判率较高的问题,本文通过分析交通事件发生时交通流参数在时间维与空间维的变化,分别提出了基于固定检测器的多参数判别算法与基于浮动车的时空二维判别算法.当两个数据源算法同时满足检测条件时,研究以D-S理论为基础,将两个子算法有效地结合,实现事件的综合检测.最后,研究利用北京市...     

变化光照条件下的交通标志快速鲁棒检测

变化光照条件下交通标志检测算法的准确率往往会显著降低。针对此问题,提出了1种新颖的概率图建立方法,并结合最大稳定极值区域特征进行交通标志检测。该方法包括3个处理步骤:①根据不同光照条件对真实场景交通标志样本图像进行明确分类以构建多类颜色直方图,将交通标志输入图像由原始色彩表达转变为概率图(直方图反投影);②通过在概率图上进行 MSER特征提取,获取候选的交通标志区域;③根据候选区域的面积、宽高比等特征快速有效去除非交通标志区域。实验结果表明在弱光照和强光照条件下基于归一化RGB的交通标志检测算法检测准确率分别下降到84.4%和83.0%,基于红蓝图的交通标志检测算法检测准确率分别下降到87.4%和86.3%,提出的算法在变化光照条件下依然可以保持90%以上的检测准确率,对光照变化有较好的鲁棒性。      

基于几何与粗糙深度信息的候选车辆生成方法

基于单目视觉的车辆识别通常分为候选车辆生成(CG)和候选车辆验证(CV)两个步骤。传统的CG步骤往往采用遍历的方法,获得的候选车辆窗口数量庞大,增加了后续CV阶段的计算耗时,难以满足实际应用的实时性要求。本文提出一种基于几何和深度信息的CG方法,在不丢失有效车辆区域的前提下极大减少了候选车辆的数量。该方法首先将图像以超像素形式进行分块,同时利用预先训练的Adaboost分类器获取超像素图像的几何信息和粗糙深度信息。然后利用车辆在世界坐标系下的垂直度、位置和尺寸等先验知识,采用了一种分层聚类策略,合并图像中属于车辆的超像素块并生成候选车辆。与传统算法的比较结果表明,本方法以检测率的微小降低为代价,实现了候选车辆窗口数量的大幅度减少。     

基于两阶段分类算法的中国交通标志牌识别

自动驾驶技术对于缓解交通拥堵,降低交通运输成本具有重要作用;高级驾驶辅助系统（ADAS）可以有效增加汽车驾驶的舒适性和安全性。交通标志牌中包含了丰富的语义信息,为自动驾驶汽车和ADAS的决策提供重要约束,因此交通标志牌的识别算法开发至关重要。本文基于中国交通场景特点以及自动驾驶、ADAS对于交通标志牌识别的高准确性需求,提出了一种基于两阶段分类的交通标志牌识别算法框架。算法包含检测和分类两个阶段,检测阶段检测出图像中的交通标志牌,分类阶段对交通标志牌先后进行大类和子类划分。算法通过细化任务,独立提升各算法模块的性能,进而提高整体算法的识别精度。本文对单阶段识别算法进行改进作为算法的检测模块,实验结果表明,提出的算法精度上优于基准单阶段识别算法,mAP平均提升8.52%,并且在检测速度优于传统两阶段识别算法Faster RCNN的情况下,mAP提升40%以上。     

基于TAN分类算法的交通事件检测

事件检测算法是交通事件管理系统的关键技术之一,提出一种基于树增强朴素贝叶斯(TAN)分类算法对交通事件进行检测,它的网络结构和参数通过数据学习确定,相比贝叶斯网络算法,对专家经验依赖较小.采用小波去噪、标准化和基于熵的离散化方法对原始交通数据进行预处理,将交通事件作为"0-1"分类变量,交通特征参数作为属性变量,构建TAN分类器.采用新加坡艾耶尔国王高速公路(AYE)的数据集对该算法进行了实例验证,实验结果表明TAN分类算法与多层前馈神经网络(MLF)算法的检测性能相当,它们的检测率分别为95.97% 和98.8%,但TAN分类算法在模型训练和标定的速度上具有显著优势,且相比MLF算法,TAN分类算法的原理更加简单易懂,因此TAN分类算法具有更广泛的应用前景.      

基于核Fisher鉴别的微波数据交通事件检测算法研究

交通事件的迅速、有效是高速公路交通管理与控制的重要组成部分。本文提出一种基于核Fisher鉴别的微波数据交通事件自动检测算法。通过分析交通事件发生后交通参数的变化规律,选择合适的检测参数;再根据实际采集的西安市南二环的微波交通流数据,训练核Fisher鉴别分类器,得到最佳判别阈值,从而检测交通事件的发生。实验数据验证表明,本文方法效果良好,检测正确率高达92%。     

基于速度分类算法的交通事件视频检测系统设计

提出基于速度分类算法的交通事件实时视频检测方法,并对交通量检测方法、车辆跨道处理、速度检测、交通状况检测及交通事件识别等进行了研究.在车辆检测与跟踪的基础上,可实现车辆停止、慢行、车道变换次数和车流拥挤等交通事件识别功能,通过自动检测车辆避障、车道变换、超速、慢速、停止和交通阻塞等事件,获得交通流量、占有率、排队长度、车型和平均车速等交通参数.与传统交通事件检测系统相比,具有直观方便、费用低等优点.      

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%.      

基于改进 Adaboost 的行人快速检测与定位算法

随着智能交通的发展,道路行人主动安全的重要性愈发凸显,且越来越受到国内外研究机构的重视。选取 Harr-like特征,利用积分图快速计算矩形特征,对传统的Adaboost算法引入优化更新权重的方法,提出1种基于级联分类器的行人检测方法,实现行人的实时区域快速检测。实验结果表明,基于改进Adaboost算法的快速行人检测与定位方法实时性强、准确率高,基于该算法的行人快速检测与定位系统可靠性高、鲁棒性强。      

基于深度学习的交通信号灯检测及分类方法

交通信号灯的在线识别是无人驾驶和辅助决策系统中的重要研究内容,文章给出了一种基于深度学习的交通信号灯识别和分类方法,该方法使用YOLO(You Only Look Once)模型,基于Microsoft COCO数据集的预训练模型进行二次迁移学习:先使用Bosch数据集进行迁移学习,再使用自制数据集做迁移学习。测试表明该方法训练后的模型具有较高准确率和实时性。同时,文章给出了基于检测结果提取综合路况信息的策略。     

基于HALCON的视频交通参数检测方法

基于图像处理软件HALCON对视频交通参数检测方法进行讨论,研究双线性插值的图像距离标定方法和基于灰度统计的交通参数检测算法及流程,选取具有代表性的北京五道口交叉路口及成府路路段监控视频进行试验,证明方法的有效性,对试验结果中车速误差及混合交通启动车头时距规律进行深入分析,提出误差改进措施,并将混合交通排队车流启动车头时距规律与美国交通工程手册中车头时距规律进行对比分析。     

基于小波分析和神经网络的交通事件自动检测

提出了利用小波分析和神经网络进行交通事件自动检测的方法，其基本思想是通过小波变换对原始采样信号进行奇异点检测，然后通过神经网络对小波变换的结果进行分类，最后给出交通事件的信息。通过MATLAB仿真实验，证明该方法相对于传统的事件检测算法能更准确、快速地实现分类。     

考虑异质性出行需求的主支线公交树网络优化设计

公交线网优化设计是指在一定的运行约束条件下,选择1组公交线路和相关频率以达到优化目标的设计过程,可以表示为一个优化问题。针对具有高异质性出行需求的主支线公交树网络,在考虑客流需求和运营约束的前提下,以用户和运营者的成本最小为目标,提出了1种多目标非线性混合整数优化模型。优化变量为候选线路服务频率。为求解这一模型,设计了1种基于改进的布谷鸟算法的高效元启发式方法。该方法包括初始候选路线集生成过程;基于MNL模型的公交分配过程;确定路线服务频率的改进布谷鸟算法过程。通过算例验证了该方法的有效性和适用性。数值分析结果表明,该算法通过对所有可能的候选路径的服务频率选择得到接近最优的公交线路网络。另一方面,通过保持高峰时的公交线路为有效备择线路,为具有异质性出行需求的网络的重新设计提供了更好的解决方案。此外,该系统在1次运行中产生了1组帕累托解,其允许公交线网设计师评估运营商成本和乘客成本并做出折中方案。通过比较3种算法的计算结果和CPU时间,证明了改进的布谷鸟算法的可靠性和有效性。另外还研究了最优公交网络设计与公交运行速度、总需求规模等关键设计输入参数之间的关系,分析结果表明,关键设计输入参数与最优公交网络具有一定的协同效应。模型与算法为实际的大规模主支线公交树网络的优化设计提供了1种有效的工具。     

基于多目标粒子群算法的智慧城市信号灯配时优化控制

为了顺应智慧城市建设需求，缓解城市道路的拥堵，提高车辆在城市路口的通行效率，本文基于多目标粒子群算法，以车辆实时延迟时间最小、城市路口通行能力最大为优化目标，建立智慧城市路口的多目标优化模型。通过优化计算得到Pareto最优解集，以多属性决策算法得到最优配时方案，并通过更新信号灯参数，实现了信号灯的动态优化。通过SUMO交通仿真平台搭建了城市路口仿真模型，结合粒子群算法进行仿真验证。仿真结果表明，经粒子群算法优化的城市路口配时，路口的通行性能显著提升，平均通行能力提升约3.69%，平均车辆延迟时间降低约21.35%。     

图像分区域多特征融合斜向车辆检测算法研究

目前基于机器视觉的车辆检测和跟踪技术成为道路环境感知的重要手段,用于预防交通事故的发生。针对前向车辆的检测技术日益成熟,并有商业化的产品出现,而斜向车辆的检测技术尚不成熟。该项目主要研究斜向车辆的检测与跟踪问题。针对车道线检测算法,提出基于Hough变换与K-means聚类融合的改进车道线检测算法,并结合ROI区域提取,缩小检测范围。针对车辆检测,提出对车辆检测算法的两级优化:首先利用车辆阴影特征和图像垂直边缘特征融合,生成疑似目标区域,提出两次自适应阈值分割与OTSU算法融合的改进双阈值分割算法用于改善阴影特征提取的效果;其次,通过HOG特征与Haar-like特征结合,与Adaboost算法联合训练Adaboost级联分类器,生成目标验证区域,并提出基于高斯核函数的核主成分分析法,对图像特征降维处理,改善实时性。基于上述算法优化,对斜向车辆的检测试验结果表明:采用阴影特征与边缘特征融合的优化算法对斜向车辆的识别准确率达90%;在良好天气条件下,HOG+Haar-like融合特征的Adaboost级联分类器检测的准确率达95%;采用核主成分分析降维后检测时间缩短了26%;二者融合的综合效果改善明显。     

基于GPS的高速公路交通事件自动检测算法研究

通过分析交通事件条件下当事车辆瞬时速度的变化特征,设计了1种基于GPS的高速公路交通事件自动检测算法,并对采样时间间隔的确定、检测阈值的确定、持续性检测时间的设定与报警机制设计等方法进行了研究,分别利用软件模拟数据和实测模拟数据对算法的有效性与可移植性进行了检验.试验结果表明该算法对于交通事件具有良好的检测性能.     

HSV空间自适应背景模板在运动车辆实时检测中的应用

通过对运动车辆的实时检测并加以分析，可以得出有用的交通参数，如车型、车流量、车速等。从复杂的背景中分割运动物体是至关重要的一步，典型的方法是背景相减。本文在研究了目前存在的各种方法之后，提出了一种新的HSV空间的自适应背景模板的算法，应用于运动物体的分割，并给出了具体的试验结果。试验结果表明该方法准确率高，适应性强，运算速度快，兼具灵活性，满足实时检测的需要。