基于车载视觉的行人检测与跟踪方法

为提高城市交通环境下车辆主动安全性,保障行人安全,提出了基于车载视觉传感器的行人保护方法. 利用Adaboost算法实现行人的快速检测,结合Kalman滤波原理跟踪行人,以获取其运行轨迹.该方法利用离散 Adaboost算法训练样本类Haar特征,得到识别行人的级联分类器,遍历车载视觉采集的图像,以获取行人目 标;结合Kalman滤波原理,对检测到的行人目标进行跟踪,建立检测行人的动态感兴趣区域,利用跟踪结果分 析行人的运行轨迹.试验表明:该方法平均耗时约80ms/帧,检测率达到88%;结合Kalman滤波原理跟踪后,平 均耗时降到55ms/帧,实时性较好.      

霍夫变换和Faster-RCNN铁轨上行人检测方法

采用一种基于霍夫变换的直线检测方法用于有轨电车前方铁轨的检测,通过调整累加器阈值滤除较短的人行横道线与侧方铁轨实现铁轨检测.将检测出的直线与基于深度学习的Faster-RCNN算法相结合,通过比较目标行人坐标与铁轨所在直线坐标实现行人入侵检测方法,该方法对于铁轨行人入侵检测有较好的效果.     

运动车辆检测与跟踪方法

为提高城市智能交通综合管理能力,提出了基于视频分析的运动车辆检测与跟踪方法。在城市交通干道路面环境中,根据运动目标与道路背景统计特性的差异,基于贝叶斯概率准则,提出一个自适应背景更新算法,检测分离运动车辆目标前景,采用卡尔曼滤波器实现对视频序列中车辆目标的运动检测与实时跟踪,并对在重庆某交通干道的交通流视频进行检测。试验结果表明:该方法在常规视频分辨率下能实现实时处理视频,平均检测准确率为94%,具有较好的实时性与鲁棒性,能够实现城市交通环境中各类运动车辆的检测与跟踪。     

基于自适应耦合模型的运动目标跟踪方法

在跟踪目标快速运动和外形显著变化的任务中,现有跟踪方法经常存在目标跟踪丢失、误差较大等问题.为此本文提出一种新的跟踪方法,该方法采用的是基于改进码本模型的背景相减法检测运动目标,对检测出的目标构建耦合模型进行实时跟踪.另外,本文还讨论了模型中参数改变对跟踪失败次数的影响.实验结果表明：该方法在处理目标上述情景下的跟踪效果比较理想,并且一定范围内的参数改变对该方法的稳定性影响不大.     

基于转弯点聚类的航空器飞行轨迹分析

为满足进场航线设计适应实际运行需求,在分析实际运行航迹数据特征基础上,提出了通过转弯点聚类策略分析航空器飞行轨迹的方法.并设计基于转弯点最长公共子序列的航迹聚类模型,同时给出了改进的平均轨迹构建算法,实现了盛行交通流的识别.将该方法应用于上海浦东机场进港航班雷达轨迹分析,仿真结果表明,提出的方法可以有效地从庞杂的雷达轨迹信息中识别盛行交通流.     

城市信号交叉口交通运行评价参数视频检测

针对交叉口排队长度和延误等交通运行评价参数很难直接被检测到的问 题,本文提出了一种基于视频处理的交叉口运行评价参数的综合检测方法.该方法首先 将选择性背景更新机制引入块级背景差分,并结合块级帧间差分实现快速的排队车辆 检测.然后,利用虚拟平行线定位每车道排队车辆首尾端,并结合排队首尾车的跟踪与停 车线处虚拟线圈的计数来检测排队车辆数,进而获得延误、停车次数等其它交通运行评 价参数.实际测试结果表明,该方法能有效实现多参数的同时检测,并且能有效提高检测 的准确率.与实际值比较,参数检测值平均误差小于5%,能较好地满足交叉口运行性能 评价需要.     

基于异构图学习的交通场景运动目标感知

为了提高无人车在交通场景中的运行效率和运输安全,研究了基于异构图学习的交通场景运动目标感知; 考虑实际交通场景中运动目标之间的复杂交互关系对目标运动的影响,基于异构图学习提出了交通场景中多目标检测-跟踪-预测一体化感知框架; 结合YOLOv5和DeepSORT检测并跟踪运动目标,获得目标的运动轨迹; 使用长短期记忆(LSTM)网络从目标历史轨迹中学习目标的运动信息,使用异构图学习目标间的交互信息,以提高运动目标轨迹预测准确度; 使用LSTM网络对目标运动信息与交互信息解码得到目标未来轨迹; 为了验证方法的有效性,在公共交通数据集Argoverse、Apollo和NuScenes上进行了评估。分析结果表明:结合YOLOv5和DeepSORT可实现对运动目标的检测跟踪,对交通场景中的运动目标实现了75.4%的正确检测率和61.4%的连续跟踪率; 异构图能够有效捕捉运动目标之间复杂的交互关系,并且捕捉的交互关系能够提高轨迹预测精度,加入异构图捕捉交互关系后,运动目标的平均位移预测误差降低了63.0%。可见,考虑交通场景中运动目标之间的交互关系是有效的,引入异构图学习运动目标之间的交互关系可以感知运动目标的历史与未来运动信息,从而帮助无人车更好地理解复杂交通场景。      

动态环境下数据驱动Q-学习算法

针对动态环境下强化学习对未知动作的探索和已知最优动作的利用之间难以平衡的问题,提出了一种数据驱动Q-学习算法.该算法首先构建智能体的行为信息系统,通过行为信息系统知识的不确定性建立环境触发机制;依据跟踪环境变化的动态信息,触发机制自适应控制对新环境的探索,使算法对未知动作的探索和已知最优动作的利用达到平衡.用于动态环境下迷宫导航问题的仿真结果表明,该算法达到目标的平均步长比Q-学习算法、模拟退火Q-学习算法和基于探测刷新Q-学习算法缩短了7.79%～84.7%.     

基于强化学习的智能车人机共融转向驾驶决策方法

针对智能车人机共融驾驶系统中人和自主驾驶系统的驾驶权连续动态分配问题,尤其是因建模误差导致的权重分配方法适应性低的难题,提出了基于强化学习的人机共融转向驾驶决策方法;考虑驾驶人的转向特性,搭建了基于双点预瞄的驾驶人模型,并采用预测控制理论建立了智能车自主转向控制模型,构建了智能车人机同时在环的转向控制框架;基于Actor-Critic强化学习架构,设计了用于人机驾驶权分配的深度确定性策略梯度(DDPG)智能体,以曲率契合度、跟踪精确性和乘坐舒适性为目标,提出了基于模型的收益函数;构建了人机共融驾驶权分配强化学习框架,包含驾驶人模型、自主转向模型、驾驶权分配智能体以及收益函数;为了验证方法的有效性,招募了8位驾驶人开展共计48人次的模拟驾驶试验。研究结果表明:在曲率适应性验证中,人机共融-DDPG方法优于人工驾驶和人机共融-Fuzzy方法,跟踪性平均提升70.69%、39.67%,舒适性平均提升18.34%、7.55%;在速度适应性验证中,车速为40、60和80 km·h-1条件下,驾驶人权重大于0.5的时间占比分别为90.00%、85.76%、60.74%,且跟踪性相轨迹和舒适性相轨迹都能有效收敛。可见,提出的方法能够适应曲率和车速变化,在保证安全性的前提下提升了跟踪性和舒适性。      

基于 UKF 非线性人眼跟踪的驾驶员疲劳检测

为解决驾驶员疲劳检测算法中头部快速移动、人眼非线性跟踪以及实际疲劳表情的识别问题,提出了一种新的基于UKF眼跟踪算法的驾驶员疲劳检测方法.根据近似非线性函数的概率分布比近似其函数更容易的原则,利用UT无迹变换,选择一组确定的Sigma点集逼近驾驶员人眼运动状态的后验概率密度函数,进行人眼非线性跟踪.在驾驶员人眼非线性跟踪基础上,通过计算PERCLOS值,进行现实驾驶条件下驾驶员疲劳的跟踪检测.实验结果表明,该方法不仅可以增强对驾驶员头部旋转、快速移动以及光照变换的鲁棒性,而且可以比传统的Kalm an滤波算法提供更精确的计算估计.     

顾及小目标特征的视频人流量智能统计方法

人流量统计对智能安防等领域具有重要研究价值. 针对视频监控系统中人流量统计准确率较低的问题,提出一种顾及小目标特征的视频人流量智能统计方法,重点研究用于小目标检测的Faster R-CNN （Faster region-convolutional neural network）改进算法、运动目标关联匹配以及双向人流量智能统计等关键技术,根据人头目标的小尺度特点对Faster R-CNN网络结构进行适应性改进,利用图像浅层特征提高网络对于小目标的特征提取能力,通过基于轨迹预测的跟踪算法实现运动目标的实时追踪,同时设计双向人流量智能统计算法,以实现人流量高准确率统计;为证明方法的有效性,在密集程度不同的场景中进行了测试. 测试结果表明:改进的目标检测算法相较于原始算法,在Brainwash测试集和Pets2009基准数据集上的平均准确率分别提高了7.31%、10.71%,视频人流量智能统计方法在多种场景下的综合评价指标F值均能达到90.00%以上,相较于SSD-Sort算法和Yolov3-DeepSort算法,其F值提高了1.14% ~ 3.04%.      

一种基于物影匹配算法的道路小目标跟踪方法

针对复杂道路环境下小目标抛洒物难以被检测与跟踪，且落地静止像素易被纳入背景而导致目标丢失等问题，本文提出一种基于物影匹配算法(OSMA)的道路小目标跟踪方法来解决上述问题。首先，采用混合高斯模型对背景进行建模以此获取前景图像，对前景图像采用膨胀、腐蚀等形态学处理；其次，根据道路抛洒物移动时在前景产生独立的物与影双轮廓特征，进行连续帧前景轮廓的物影匹配，并将连续的匹配结果定为疑似抛洒物；最后，采用多帧质心偏移法判断疑似抛洒物是否处于静止状态，并对运动状态中的疑似抛洒物进行位置判定与帧间轮廓匹配，从而实现抛洒物的逐帧跟踪。基于大量实验表明：本文所提出的OSMA与核化相关滤波器(KCF)、辨别尺度空间跟踪器(DSST)、背景感知相关滤波器(BACF)、深度注意力跟踪器(DAT)、视觉跟踪时空变换器(SATRK)等跟踪器相比，准确性更优越，可较好解决道路复杂场景下各类抛洒物的跟踪问题；复杂背景、快速旋转的小目标场景中跟踪表现优异，具有良好的跟踪尺度，实时性满足预期要求。     

基于深度数据的车辆目标检测与跟踪方法

现有基于几何特征的目标检测与跟踪方法误检率较高,目标跟踪过程中的漏检易导致错误的目标关联.针对这些问题,本文提出了一种基于激光雷达(LiDAR)深度数据的车辆目标检测与跟踪方法.根据激光雷达深度数据特性,采用一种基于栅格的参数自动化聚类(PAG) 算法对原始数据进行处理,并在每个聚类中提取目标线段,获取目标特征.在此基础上对车辆目标进行识别,并计算得到目标的位置信息.采用卡尔曼滤波算法,制定滤波器管理策略,完成目标关联及状态估计.最后利用装备有一个前向激光雷达的实验车辆对提出的方法进行验证. 实验结果表明,本文提出的方法可准确识别并跟踪多个车辆目标,避免错误的目标关联.     

心肌肥大病理图像的计算机分析方法

为提高心肌肥大病理图像量化评估的效率,提出了基于Hough变换的计算机分析方法.首先对心肌纵切切片图像进行Hough变换,检测出心肌纤维走向.然后采集与心肌纤维走向相垂直方向上的灰度分布信息,用迭代阈值法分割出肌纤维区域与肌纤维间隙区域,测量肌纤维直径.t检验分析表明,用该方法得到的心肌纤维数目和平均尺寸与人工测量结果一致(P>0.05).     

Iris Localization Based on Edge Searching Strategies

An iris localization scheme based on edge searching strategies is presented. First, the edge detection operator Laplacian-of-Gaussian （LOG） is used to iris original image to search its inner boundary. Then, a circle detection operator is introduced to locate the outer boundary and its center, which is invariant of translation, rotation and scale. Finally, the method of curve fitting is developed in localization of eyelid. The performance of the proposed method is tested with 756 iris images from 108 different classes in CASIA Iris Database and compared with the conventional Hough transform method. The experimental results show that without loss of localization accuracy, the proposed iris localization algorithm is apparendy faster than Hough transform.     

һ�����͵��˶�Ŀ��ʶ��������㷨�о�

提出了一种应用于智能交通监控系统的运动目标识别和跟踪方法。针对帧间差分提取运动目标的缺陷与不足,提出了一种基于冗余小波变换的运动目标识别算法,即直接在冗余小波变换域提取运动区域,从而检测出运动目标。对于检测出来的运动目标,本文对mean-shift算法进行了改进,采用自适应mean-shift算法,对目标进行跟踪。实验结果表明,本文提出的算法可以有效地提取运动目标,即使目标与背景具有较高的相似度,也可以较准确的提取出前景运动信息,效果要好于传统的帧差法;跟踪目标准确度高,不受目标大小变化的影响。本算法具较高的实用价值和应用前景。     

基于物元-阴性选择算法的轴箱轴承故障检测

针对高速列车轴箱轴承故障数据获取困难的问题，提出了一种无需先验知识的利用物元和阴性选择算法进行轴承故障检测的方法. 首先利用多维物元构建阴性选择算法的检测器模型，以检测器与训练样本之间的综合关联度作为匹配规则，并在综合关联度约束范围内引入控制参数，实现检测器对非己空间的更大覆盖；其次，根据匹配规则和控制参数构建适应度函数，采用粒子群优化算法生成候选检测器，分析控制参数对检测器生成和粒子群优化算法收敛速度的影响；此外，为降低候选检测器集合的冗余度，基于关联度提出了检测器特征参数区间的合并规则，将成熟检测器个数降低至18个；最后，通过信号模拟方法生成轴箱轴承的各类故障信号，建立100组测试样本，并利用18个成熟检测器进行故障检测. 研究结果表明:成熟检测器对不同类轴承故障均具有较好的检测性能，正常样本的检测器激活率为1.11%，故障样本的检测器激活率不低于96.67%.      

夜间复杂交通场景中的车辆检测和跟踪

为提高夜间车辆视频检测和跟踪的准确率,提出一种夜间车辆检测和跟踪算 法.本算法通过亮斑分割和连通组件匹配来检测和定位车辆前灯,并利用区域跟踪算法对 前灯进行跟踪以提高检测准确率.考虑到夜间行车时车辆前灯的显著特征,通过改进Otsu 方法以自适应地分割明亮区域,并根据前灯的几何形状、尺寸及位置信息滤除非车灯部 分的车辆信息.然后利用前灯的对称性进行前灯的配对和归类;最后采用区域跟踪算法对 前灯进行定位和跟踪.实验结果表明,本算法车辆检测平均准确率大于97%,处理速度比 已有方法提高15.8%以上.