基于时序融合的自动驾驶多任务感知算法

采用连续图像帧作为输入,挖掘连续图像帧之间的时序关联信息,构建一种融合时序信息的多任务联合驾驶环境视觉感知算法,通过多任务监督联合优化,实现交通参与目标的快速检测,同时获取可通行区域信息;采用ResNet50作为骨干网络,在骨干网络中构建级联特征融合模块,捕捉不同图像帧之间的非局部远程依赖关系,将高分辨率图像通过卷积下采样处理,加速不同图像帧的特征提取过程,平衡算法的精度和速度;在不同的图像帧中,为了消除由于物体运动产生的空间位移对特征融合的影响,且考虑不同图像帧的非局部关联信息,构建时序特征融合模块分别对不同图像帧对应的特征图进行时序对齐与匹配,形成融合全局特征;基于共享参数的骨干网络,利用生成关键点热图的方法对道路中的行人、车辆和交通信号灯的位置进行检测,并利用语义分割子网络为自动驾驶汽车提供道路可行驶区域信息。研究结果表明:提出的感知算法以多帧图像代替单一帧图像作为输入,利用了多帧图像的序列特性,级联特征融合模块通过下采样使得计算复杂度降低为原来的1/16,与CornerNet、ICNet等其他主流模型相比,算法检测精确率平均提升了6%,分割性能平均提升了5%,并保持了每秒12帧图像的处理速度,在检测与分割速度和精度上具有明显优势。      

基于Faster R-CNN的接触网吊弦故障检测方法

针对接触网吊弦故障图像样本较少,现有方法检测准确率较低的问题,提出了一种高效率、高准确率的接触网吊弦故障检测方法.以Faster R-CNN模型为基础,通过引入能够提取深层次图像特征并实现特征重用的密集连接卷积神经网络(dense convolutional network model, DenseNet)替代原始的特征提取模块提取吊弦图像特征,并在实验中利用图像旋转、增强等数据变换操作扩充样本集提升检测效果.通过对接触网吊弦图像的测试,以DenseNet为主干网络的Faster R-CNN模型能够检测接触网吊弦故障,检测准确率比原始检测模型提高4%以上,且加入数据变换对吊弦故障检测的准确率和鲁棒性均有显著提升,均值平均精度(mAP)可达98%以上.     

多尺度特征增强的路面裂缝检测方法

针对路面裂缝检测不完整和分割出现断裂的问题，提出了一种多尺度特征增强的路面裂缝检测网络MFENet,实现端到端的路面裂缝图像检测、分类和分割处理；设计了多尺度注意力特征增强模块，建立了网络模型的上层多尺度特征通道与底层特征通道权重系数之间的映射关系，以提升有效通道的特征输出；基于路面裂缝的坐标信息和像素语义信息在物理位置上的相关性，设计了多语义特征关联模块，实现不同语义信息之间的特征融合增强，并通过特征维度转换实现对路面裂缝图像的前景特征过滤；提出了一种针对深度特征强度进行量化评估的方法，用于提升模型提取特征能力的可解释性。在自采集数据集上的研究结果表明：MFENet对路面裂缝图像检测的平均精准率和平均召回率相比Mask R-CNN分别提升了4.3%和5.4%,相比基线模型RDSNet分别提升了14.6%和14.3%;MFENet对路面裂缝图像分割的平均精准率和平均召回率相比Mask R-CNN分别提升了6.6%和8.8%,相比RDSNet分别提升了8.1%和9.7%;与Mask R-CNN等主流方法相比，MFENet对不同类型路面裂缝图像的检测、分割精度最高。在公开数据集(CFD、C...     

基于图像处理技术检测弓网接触力的新方法

接触网和受电弓是电气化铁路供电系统中的重要组成部分，其中弓网之间的动态接触又是保证电力机车良好受流的关键条件，所以寻求良好的弓网关系是铁路供电系统设计的一个重点.考虑到目前弓网接触力大多采用接触式检测手段，对于非接触检测的研究方法较少，故提出了一种基于图像处理算法检测弓网接触力的新方法.简化受电弓弓头结构，分析了弓网接触力与弓头位移之间的关系，建立弓网接触力计算模型；并在弓网混合模拟试验台进行地面验证实验：首先，利用图像处理模块对采集到的图像进行标记点的目标跟踪与特征提取；然后，通过数据处理模块对得到的位移信息进一步分析得到弓头加速度等信息，修正得到加速度信号；最后，对经过惯性力和阻尼力修正后的接触力结果进行分析.结果表明：通过图像处理检测得到的弓头位移最大测量误差仅为1.3 mm，精度较高；同时检测得到的弓网动态接触力的最大值、平均值和标准差的最大相对误差仅为5.46%、5.15%和4.58%，测量误差较小.结果证实此方法检测弓网接触力是可行的，且检测精度满足要求.     

基于改进Faster R-CNN的高铁扣件检测算法

针对高铁无砟轨道中扣件发生松动，导致高铁扣件发生偏移或丢失的问题，提出一种基于改进Faster R-CNN的高铁扣件检测算法。在特征提取网络中引入可变形卷积，构建可变形残差卷积块，使特征提取过程更加集中于扣件区域，实现扣件状态的精确提取；并采用Alpha-IoU作为目标回归损失函数提高高铁扣件的回归精度。实验结果表明，该算法提高了高铁扣件的检测精度，相比于其他算法，能更准确地进行扣件定位和状态检测。     

基于改进DeepLabv3+的接触网开口销缺陷检测

针对当前基于语义分割的开口销缺陷检测算法存在分割精度不高、检测效率低等问题，提出一种基于改进DeepLabv3+的接触网开口销缺陷检测方法。首先，采用减枝后的MobileNetv2作为DeepLabv3+的骨干特征提取网络，提高检测效率。然后，通过在DeepLabv3+的编码器网络中引入CBAM注意力机制，提高开口销语义分割精度。同时，为缓解开口销区域和背景之间不平衡带来的负面影响，采用CEDice Loss作为损失函数。最后，根据开口销语义分割图像的颜色、形态信息，对开口销进行缺陷识别。实验结果表明：在语义分割方面，相比于原DeepLabv3+模型，改进DeepLabv3+模型的平均像素准确率和平均交并比分别提高了3.54%和3.42%，且测试用时减少了14.41 ms/张，模型参数量缩减了88.61%；在缺陷识别方面，对开口销缺失，松脱，正常三种状态的识别准确率分别为100%,98.1%,99.5%，能够快速有效地识别出开口销缺陷。     

基于加权密集连接卷积网络的快速交通标志检测

为提高算法对交通标志快速定位的准确性，改善现有检测算法在复杂交通环境下检测效果不佳、实时性较差的问题，提出一种基于动态加权密集连接卷积网络的交通标志快速检测算法. 选用YOLOv2 作为基础网络，通过增加动态加权密集块对各层特征图的权重进行调节，实现深层高语义信息和浅层低语义信息的融合；使用MobileNet 轻量化网络结构，通过可分离卷积操作有效降低网络的计算成本；针对池化操作中图像特征丢失严重问题引入 CBAM模块，利用通道注意力和空间注意力信息增强关键特征的表达能力. 实验结果表明，本文算法在GTSDB数据集上分别达到了96.14%的检测精度和139 frame/s 的检测速度，在保证较高检测精度的同时，能够有效提高检测效率，满足实时检测要求.     

低照度边缘增强的语义分割模型研究

为提高对低照度图像的语义分割精度,提出了一种基于RPN的边缘增强语义分割模型(EESN)。在该模型中,首先利用深度残差网络提取图像的高阶语义特征,并通过RPN快速生成待分割目标候选区域;然后,利用设计的融合算法对候选区域进行融合,并剔除重复的候选区域;最后,对融合的目标候选区域做低照度边缘搜索,并利用失真代价较小的局部增强算法对低照度边缘进行特征增强。将EESN用于Pascal VOC12和Cityscapes两个数据集的语义分割中,分别获得了81.2%和67.6%的mIoU,该结果证明了EESN对具有低照度边缘的图像具有较好的分割性能。     

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CapsNet模型的过程故障识别研究

为了实现过程故障的识别诊断,文章使用CapsNet模型训练数据。首先,运用网络模型的空间特性,以向量的形式对训练数据进行特征表示、归一化处理。然后,进行卷积操作,在动态一致路由更新上进行故障分类。最后,增加重构模块来对输入数据矩阵反馈修正,降低损失误差,使网络快速收敛。同时,在每一层网络进行特征可视化,能清楚看到每一层网络特征图的变化。实验结果表明,文章模型的过程故障识别性能优于其他神经网络模型。     

基于PReNet和YOLOv4融合的雨天交通目标检测网络

为提高恶劣雨天交通环境下车辆目标检测精度，提出一种基于PReNet和YOLOv4融合的深度学习网络DTOD-PReYOLOv4，融合了改进的图像复原子网D-PReNet和改进的目标检测子网TOD-YOLOv4;将多尺度膨胀卷积融合模块和添加了挤压激励块的注意机制残差模块引入PReNet，获得的D-PReNet可更有效提取雨纹特征; 使用轻量化的CSPDarknet26代替YOLOv4骨干模块CSPDarknet53，为YOLOv4的颈部路径聚合网络模块添加复合残差块，同时采用k-means++算法取代原始网络聚类算法，获得的TOD-YOLOv4可在改善交通小目标检测精度的同时进一步提高检测效率; 基于构建的雨天交通场景车辆目标数据集VOD-RTE对DTOD-PReYOLOv4进行了验证。研究结果表明:与当前YOLO系列主流网络相比，提出的DTOD-PReYOLOv4对原浅层ResBlock_body1叠加残差块，可以更好地提取分辨率较小的特征; 对原深层ResBlock_body3、ResBlock_body4和ResBlock_body5进行裁剪，获得ResBlock_body3×2、ResBlock_body4×2和ResBlock_body5×2，可以有效降低卷积层冗余，提高内存利用率; 为PANet中的Concat+Conv×5添加跳跃连接形成CRB模块，可以有效缓解网络层数加深引起的小目标检测效果退化问题; 采用k-means++算法，在多尺度检测过程中为较大的特征图分配更加适合的较小先验框，为较小的特征图分配更加适合的较大先验框，进一步提高了目标检测的精度; 与MYOLOv4相比，精确率和召回率的调和平均值、平均精度、检测速度分别提升了5.02%、6.70%、15.63帧·s-1，与TOD-YOLOv4相比，分别提升了3.51%、4.31%、2.17帧·s-1，与YOLOv3相比，分别提升了46.07%、48.05%、18.97帧·s-1，与YOLOv4相比，分别提升了31.06%、29.74%、16.26帧·s-1。      

基于颜色空间和面部特征的驾驶员面部定位方法

介绍了一种快速检测和定位驾驶员面部区域的方法。首先将驾驶员面部图像映射到YCbCr颜色空间,建立肤色高斯模型;然后通过似然图自适应阈值分割获得驾驶员面部区域,对获得的二值化面部图像进行形态学操作消除毛刺和小孔;最后对处理后的面部图像进行灰度积分投影,结合面部特征获得驾驶员的面部区域并框定。并试验证明了方法的实时有效性。     

基于头脑风暴优化的PCNN路面裂缝分割算法

为提升裂缝检测的分割精度和鲁棒性,基于头脑风暴优化（brainstorming optimization,BSO）和脉冲耦合神经网络（pulse coupled neural network,PCNN）,提出了一种路面裂缝图像分割算法（BSO-PCNN）. 该算法采用最大熵准则作为BSO算法的适应度函数,并依据适应度值决定参与次轮迭代的个体;BSO具有强收敛性,可快速确定最优个体解;结合图像特征,获得PCNN模型的最优参数,将其代入PCNN模型实现对裂缝图像的分割. 试验结果表明:算法可在20次迭代内取得不同类型路面裂缝图像的最大适应值,从而确定最佳分割参数;与Sobel边缘检测算法、PCNN图像分割算法、基于最大熵的遗传算法（genetic algorithm based on the maximun entropy of the histogram,GA-KSW）、基于遗传算法参数优化的PCNN分割算法（genetic algorithm based on the pulse coupled neural network,GA-PCNN）相比,BSO-PCNN算法取得了0.9924的区域一致性与0.0900的区域对比度.      

基于扩张卷积金字塔网络的车道线检测算法

为满足汽车高级驾驶辅助系统对车道线检测准确性和时效性的要求，采用改进的ResNet50网络作为基础模型提取局部车道线特征，利用扩张卷积能指数级扩大感受野的特点，设计了扩张卷积金字塔模块，用以完整提取不同尺度的车道线特征，提出“锚点栅格”的思想，将输出划分为一组栅格，对每个栅格进行分类和回归分析，经过非极大值抑制等后处理，最终输出车道线标记点集. 结果表明:在CULane多场景数据集里对模型进行测试，在交并比阈值取为0.3的评估条件下其综合评估指标F-measure达到78.6%，检测速率达到40帧/s，在评估指标相近的情况下具有远高于空间卷积神经网络（spatial convolutional neural networks，SCNN）模型的检测速率，并在眩光、弯道等困难场景中的检测效果优于SCNN.      

道路场景中交通标志的检测方法

为在车辆视觉导航中能快速识别道路场景中的交通标志,通过提取标志的特征颜色与识别标志的特征形状来实现交通标志的检测。将道路场景RGB空间图像转换为HSI空间,利用色调与饱和度融合的办法来提取道路场景中标志的特征颜色区域,二值化后排除噪声并通过投影法得到正确的标志区域,实现交通标志的定位。以红色禁令圆形交通标志为例,提出一种改进的Hough变换方法来识别标志域内的几何特征——圆形标记。通过对不同条件下20幅含禁令标志的道路场景图像的检测试验,发现本方法对交通标志颜色提取定位与几何特征图形识别的正确率都达到100%,且平均检测时间为245ms。分析结果表明:该方法能够快速、准确地确定标志区域,同时对禁令标志几何图形识别具有较强的实时性和鲁棒性。     

基于人头颜色空间和轮廓信息的行人检测方法研究

为提高智能视频监控中行人统计的实时性,提出了一种基于人头颜色空间和轮廓特征的行人检测方法.该方法首先根据人脸肤色、发色在YCbCr和RGB颜色空间的聚类情况,建立人头颜色模型,分割人头候选区域,并针对行人运动的特征,采用多帧差法提取运动信息,剔除背景噪声,修正候选区域的精度;然后根据改进的Canny 算子提取候选区域的轮廓,融合形态学对边缘进行修正,提取候选区域轮廓信息;最后根据人头轮廓的几何特征,剔除“伪候选”区域,并进行连通域信息标记,检测人头图像,从而对行人进行检测和统计信息.结果表明,该方法能快速有效地检测出人头,在动态场景下的行人检测取得了较好的效果.     

基于应变响应测量弓网接触力的新方法

弓网动态接触力是评估弓网受流质量、接触网状态和滑板磨耗情况、诊断接触网局部缺陷的关键参数。考虑现有接触力检测方法存在的不足与缺陷,提出了一种基于光纤应变传感器测定接触力的方法.首先对受电弓弓头进行结构简化,分析了弓头集中力与应变响应的关系,建立了新的弓网接触力计算模型;其次,基于弓网混合模拟实验台进行了静态实验,验证了响应关系线性假设并对滑板等效刚度和等效长度进行标定,以及多组动态加载实验验证测量方法的有效性,并借助仿真进一步验证其高频工况的可靠性;最后,对惯性力修正前后的接触力测量结果与实际接触力进行了对比实验.研究结果表明:惯性力对接触力的贡献随频率的增加而增大,不考虑惯性力情况下,10Hz时接触力最小值和最大值的测量误差分别达26.57%和11.13%,已不可忽视;修正后接触力测量值与实际值能较好的吻合,最小值和最大值的测量误差降为3.12%和1.54%,测量误差小.     

基于双背景建模与差分图像的轨道异物识别

针对铁路轨道异物入侵的识别精度,提出了一种基于双背景建模和差分图像的识别方法.基于多帧平均背景和当前帧的前一帧背景建立模型,采用背景逐帧更新,使用平均背景差分和帧间差分的异物检测方法,界定基于边缘提取的铁轨危险区域,再通过黑白像素方法对轨道异物进行识别.实验表明,该方法具有较好的抑噪性和环境适应性,可有效提高异物识别精度.