基于感兴趣区域的CNN-Squeeze 交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于卷积网络与自适应SVM的齿轮箱故障诊断

针对齿轮箱运作过程中故障诊断效果不理想的问题,提出了一种卷积神经网络(CNN)与粒子群优化的支持向量机(PSO-SVM)方法.首先利用特征参量求出信号的时频特征统计量,其次利用卷积神经网络对时频特征统计量进行二次特征提取,最后利用粒子群优化的支持向量机进行分类.经实验验证,此方法准确率不仅高于其他经典网络模型,而且训练...     

半监督卷积神经网络的词义消歧

为了解决有标签语料获取困难的问题，提出了一种半监督学习的卷积神经网络(convolutional neural networks, CNN)汉语词义消歧方法. 首先，提取歧义词左右各2个词汇单元的词形、词性和语义类作为消歧特征，利用词向量工具将消歧特征向量化；然后，对有标签语料进行预处理，获取初始化聚类中心和阈值，同时，使用有标签语料对卷积神经网络消歧模型进行训练，利用优化后的卷积神经网络对无标签语料进行语义分类，选取满足阈值条件的高置信度语料添加到训练语料之中，不断重复上述过程，直到训练语料不再扩大为止；最后，使用SemEval-2007:Task#5作为有标签语料，使用哈尔滨工业大学无标注语料作为无标签语料进行实验. 实验结果表明:所提出方法使CNN的消歧准确率提高了3.1%.      

基于改进VGG模型的低照度道路交通标志识别

针对低照度情况下道路交通标志图像亮度偏低、饱和度过高、图像模糊、识别不精确等问题,提出一种基于膨胀卷积-VGG(dilated convolution-VGG,DC-VGG)模型的道路交通标志快速识别方法.首先,运用限制对比度直方图均衡算法(contrast limited adaptive histogram equalization,CLAHE)对图像H(色相)S(饱和度)V(色明度)空间中的V通道均衡化,实现低照度图像亮度增强;其次,在HSV空间中设定阈值分割出指定色彩,通过轮廓检测定位交通标志;然后,基于深度卷积对抗神经网络(deep convolutional generative adversarial networks,DCGAN)对真实的交通标志图像进行数据样本增强,以提高分类模型的鲁棒性;最后,提出DC-VGG轻量化模型实现交通标志快速识别.经验证,该方法达到94.12％的识别准确率,且能在硬件不佳的条件下实时检测.     

基于HOG-Gabor特征融合与Softmax分类器的交通标志识别方法

为了提高交通标志识别的正确率和实时性,提出了一种基于HOG-Gabor特征融合与Softmax分类器的交通标志识别方法。采用Gamma矫正方法提取HOG特征,采用对比度受限的自适应直方图均衡化方法提取Gabor特征,基于线性特征融合原理,将提取的HOG和Gabor特征向量直接串联,得到刻画交通标志的融合特征向量,采用Softmax分类器对融合特征向量进行分类,采用德国交通标志识别基准(GTSRB)数据库测试了所提方法的有效性,比较了基于单特征与融合特征的交通标志识别效果。试验结果表明:在图像增强过程中,针对HOG特征,采用Gamma矫正方法的分类正确率最大,为97.11%,针对Gabor特征,采用限制对比度的直方图均衡化方法的分类正确率最大,为97.54%;采用Softmax分类器的最小分类正确率为97.11%,耗时小于2s;针对HOG-Gabor融合特征,采Softmax分类器的识别率高达97.68%,因此,基于HOG-Gabor特征融合与Softmax分类器的交通标志识别方法的识别率高,实时性强。     

多层感知器自监督在线修正的道路识别算法

为解决自主移动机器人非结构化道路识别检测准确性、鲁棒性及实时性的问题,提出一种基于感兴趣区域(Region of Interest,ROI)与多层感知器(Multi-Layer Perceptron,MLP)为核心的自监督在线修正算法.首先,通过ROI算法规定被处理图像的有效计算区域;其次,利用多层感知器对样本数据进行训练,将感兴趣区域按相应特征实现分类处理,并对分类区域进行形态学处理及特征提取处理,筛选出有效的行驶区域;最后,通过自监督在线修正算法替换错误处理结果,进一步保障道路分类识别的准确性.实验结果表明,改进算法能准确地识别出环境中的道路区域,具有良好的实时性与可靠性.     

融合式空间塔式算子和HIK-SVM的交通标志识别研究

在交通标志识别问题上,提出了一种基于融合式的空间塔式算子和直方图交叉核支持向量机(HIK-SVM)的分类方法.在该方法中,通过提取图像的灰度塔式词袋直方图(Gray-PHOW)特征、颜色塔式词袋直方图(Color-PHOW)特征和塔式边缘方向梯度直方图(PHOG)特征来对交通标志的外观、颜色和轮廓信息进行描述.通过提取空间塔式直方图特征,能很好地对图像各种特征的空间分布状况进行描述.提取到图像的外观、颜色、轮廓和特征的空间分布信息后,对其进行融合,最后得到的融合式的空间塔式特征具有很强的鲁棒性.将该融合式特征送入HIK-SVM进行训练和分类,取得了极其高的识别效果.     

基于CNN与LSTM混合算法下的学生学习表情识别研究

智慧课堂中学生学习表情的精准识别对于提升课堂效率,掌握学生实时学习状态具有重要的作用。传统单一性的卷积神经网络(CNN)算法对学生学习表情的特征抓取精度不够,尤其是学生微表情状态下的抓取效果更不理想。基于此,本文创新性地提出基于CNN与长短期记忆网络(LSTM)的混合表情特征提取识别算法,充分利用CNN提取学生学习表情中的空域特征并存储,对应的时域特征提取层面充分利用LSTM对学生学习表情视频序列特征进行挖掘抓取,将学生学习表情的时域特征与空域特征进行平均化处理,从而构建一套完整的学生学习表情识别算法,最后基于该算法网络进行深度学习训练。基于本文的实验结果,对应的愉悦、困惑、惊讶、中性和疲倦这五种学习情感状态识别率得到了大幅提升,对应的识别准确率最高可达71.9%,识别性能大幅提升。     

多层感知器自监督在线修正的道路识别算法

为解决自主移动机器人非结构化道路识别检测准确性、鲁棒性及实时性的问题，提出一种基于感兴趣区域(Region of Interest，ROI)与多层感知器(Multi-Layer Perceptron，MLP)为核心的自监督在线修正算法.首先，通过ROI算法规定被处理图像的有效计算区域；其次，利用多层感知器对样本数据进行训练，将感兴趣区域按相应特征实现分类处理，并对分类区域进行形态学处理及特征提取处理，筛选出有效的行驶区域；最后，通过自监督在线修正算法替换错误处理结果，进一步保障道路分类识别的准确性.实验结果表明，改进算法能准确地识别出环境中的道路区域，具有良好的实时性与可靠性.     

基于均值聚类的车牌定位技术研究

采用强制综合聚类中心的均值聚类思想对车牌图像进行区域分类,在HLS颜色空间下,利用数理统计的方法得到聚类颜色中心,并对目标图像进行强制聚类,以最终获得只包括车牌四种颜色的待处理的图像,然后利用形态学、人工神经元网络等技术对车牌进行车牌识别.该方法在实践中进行了验证,比基于二值化和灰度化处理思路的定位效果更好,能对多种不同环境下的拍摄的车牌进行有效的识别.     

基于联合投票网络的交通场景天气分类方法

基于交通视频监控图像的天气识别已经成为智能交通系统中重要的研究课题. 虽然卷积神经网络（convolutional neural network,CNN）在图像识别技术获得了巨大的发展,但是针对复杂交通场景的天气识别问题,现有的模型在特征表达方面仍然面临着巨大的挑战. 为了提取丰富的语义特征,提出了基于联合投票机制的深度神经网络（deep neural network,DNN）模型. 所提出的模型包括两个核心模块:基于通道和空间注意力机制的二阶特征模块和基于复合特征结果联合投票机制的分类模块, 用以提取不同天气图像中的判别性信息,提高在复杂交通场景下的天气识别性能. 最后,在两个基准天气分类数据集上进行了验证试验,结果表明:对于复杂场景条件下的天气识别问题,所提出的基于联合投票机制的深度神经网络模型的识别正确率优于目前最好的天气识别方法的1.97%.      

分层CS-LBP和HOG特征融合的人脸识别研究

针对单独的纹理特征只能提取图像的纹理信息而不能得到图像轮廓边缘信息的问题,在人脸识别的特征提取研究中提出了分层CS-LBP和分层HOG特征的融合方法.对图像分别进行多次CS-LBP和HOG特征的提取,得到分层CS-LBP特征提取图像和分层HOG特征提取图像,对分层的特征提取图像再次提取分层CS-LBP和分层HOG特征,并将两种分层特征进行融合,得到更有效的人脸的纹理及边缘轮廓特征.在ORL和GT人脸库上的实验结果验证了所提出的分层特征融合方法的有效性.     

基于3D CNN的道路视频交通状态自动识别

为了从视频直接有效地提取交通信息,提出了基于三维卷积神经网络 （3D convolutional neural networks,3D CNN）的交通状态识别方法.首先,以C3D （convolutional 3D）深度卷积网络为3D CNN原型,对卷积层数量与位置、平面卷积尺寸及三维卷积深度进行优化调整,形成了37个备选模型;其次,建立了视频数据集,对备选模型进行系统的训练测试,提出了交通状态识别模型C3D*;然后,对C3D* 和现有三维卷积网络模型进行视频交通状态识别测试分析;最后,对比测试了C3D* 及常用二维卷积网络的交通状态识别效果. 对比结果显示:针对视频交通状态识别,C3D* 的F均值为91.32%,比C3D、R3D （region convolutional 3D network）、R (2+1) D （resnets adopting 2D spatial convolution and a 1D temporal convolution）分别高12.24%、26.72%、28.02%;与LeNet、AlexNet、GoogleNet、VGG16的图像识别结果相比,C3D* 的F均值分别高32.61%、69.91%、50.11%、69.17%.      

基于深度学习的复合神经网络机场信号检测框架

针对信号调制识别对复杂通信环境缺乏适应性与精度不足的问题,提出一种基于深度学习的多特征复合神经网络框架. 该框架首先使用前端卷积神经网络检测信号载波特征,再对前端初筛选信号执行预处理将其转换为信号时频图,最后设计了后端轻量化卷积神经网络,检测信号时频特征. 基于TensorFlow平台的复合神经网络对机场真实信号检测精度达到99.23%,实验表明该方法可有效应用于实时机场信号检测.      

基于路面指纹的高精度车辆定位

车辆定位广泛使用基于视觉的定位方法,针对前视图像或侧视图像易受到周围环境的影响且定位过程中需要遍历匹配地图图像导致耗时较长的问题,本文提出一种基于俯视路面图像的表征模型--路面指纹.路面指纹包含GPS(Global Positioning System),路面特征和图像特征点.该模型通过卷积神经网络(Convolutional Neural Network, CNN)结合连通区域识别待定位图像的路面特征信息,利用路面特征信息对GPS初定位筛选的地图节点进一步筛选从而提高定位效率.分别在路面特征信息密集和稀疏的路段下进行实验,实验结果表明,通过引入路面指纹使定位耗时减少20.3%,平均定位误差为47.4 mm.该方法能提高定位效率并实现高精度车辆定位.     

考虑连接性的路网划分算法

针对传统K均值聚类算法在非均质路网划分应用中的不足,将路网连接性融入算法,解决其在路网划分应用中聚类结果不连续的问题.先使用最大最小距离算法确定初始聚类中心和路段差异性,并以聚类评价指标ANSK确定K值;然后统计连续时间间隔下路网划分结果的动态频数,合并和拆分不稳定的“噪声”路段,提高划分子区内路网的紧凑性.最后,基于现实路网中的车牌照自动识别实测数据,对改进的聚类方法进行了验证.将算法得到的划分效果与K均值聚类算法和Ncut算法进行对比,并对子区做宏观基本图分析.结果表明,改进后的K均值聚类算法在保证自身原有聚类优势下,可以有效实现连接性约束下的路网划分.     

基于卡口车牌识别数据的车辆出行分析

车辆出行是城市道路交通的基本组成单元,掌握城市道路网车辆的出行信息,深入挖掘车辆出行特征与规律,能为城市交通管理提供决策信息.本文基于卡口车牌识别数据,提出了一套车辆出行分析框架.首先对全路网运行的所有车辆的个体出行进行辨识,提取所有车辆出行的路径和行程信息,并从个体和集计层面获取车辆出行的规律特征;利用车辆的多日出行信息和统计特征,提出了车辆职住地识别方法;基于外地车的出行特征,利用 K-means++ 算法对外地车进行分类.在实例分析中,以广州市道路网运行车辆作为研究对象,开展了车辆出行分析,实验结果验证了本文方法的有效性.通过本文方法挖掘的信息对城市道路交通管理具有重要意义.     

Hilbert-Huang变换在声振信号检测钢管混凝土脱空中的应用

提出了基于Hilbert-Huang变换的钢管混凝土脱空检测方法,通过对瞬态冲击下脱空钢管的声振信号进行分析,提取出了瞬时幅值特征样本,采用改进的K均值聚类法对特征样本进行二类模式识别,从而对钢管混凝土的脱空进行判定,试验研究表明本方法的可行性。