城市混合交通场景中的多目标参数检测

针对城市混合交通的复杂场景图像中多目标及其参数的检测问题,提出了一种由改进的帧间差分与边缘提取相结合的算法。利用帧间差分法检测车辆的存在,对帧差图像运用统计滤波算法提取多运动目标,通过形态学方法提取并细化目标边缘,根据主边缘（轮廓）信息完成车辆定位,最终结合摄像机标定结果计算出多目标交通参数。算法避免了复杂场景的背景建模,减少了运算量。实验结果表明,该算法不仅能较为准确地检测多运动目标的参数,而且具有较强的实时性。     

基于多传感器信息融合的3维目标实时检测

针对基于多传感器信息融合的3维目标检测，提出了一种实时高精度的双阶段深度神经网络PointRGBNet。第1阶段，在区域提案网络中，首先将3维点云投影到2维图像上生成6维RGB点云，然后对输入的6维RGB点云进行特征提取，得到低维特征图与高维特征图，利用融合后的特征图生成大量置信度较高的提案；第2阶段，在目标检测网络中，利用第1阶段生成的提案进行RoI池化，得到特征图上与每个提案对应的特征集合，通过针对性地学习提案的特征集合，实现了更精准的3维目标检测。在KITTI数据集上的公开测试结果表明，PointRGBNet在检测精度上不仅优于仅使用2维图像或3维点云的目标检测网络，甚至优于某些先进的多传感器信息融合网络，而且整个网络的目标检测速度为12帧/s，满足实时性要求。     

基于多尺度边缘融合及SURF特征匹配的车辆检测及跟踪方法

为提高交通参数提取的准确性与实时性,研究了基于多尺度边缘融合和SURF特征匹配的车辆检测与跟踪方法,克服了传统基于边缘特征的车辆检测方法易受噪声、背景干扰的问题,实现车辆准确检测.将车辆检测结果作为跟踪样本建立跟踪样本集合,通过建立匹配点对几何约束消除误匹配特征对,提高跟踪样本与待跟踪视频帧的SURF特征匹配准确度.针对车辆驶入、驶离相机视野,车辆间歇性运动,背景缓慢变化等情况提出跟踪样本更新机制,实现车辆的准确、实时跟踪.实验结果显示,所提算法的车辆检测率为88.3%,检测准确度为90.2%;跟踪精确度为86.4%,跟踪准确度为92.7%;检测时间成本为91.8ms,跟踪速率为52.2fps.检测准确度、跟踪准确度、检测速率、跟踪速率均高于光流法、粒子滤波法和SIFT特征匹配法,表明所提算法能较好地满足实时性应用.      

基于核相关滤波和运动模型的多目标轨迹跟踪

在自动驾驶系统中,基于视觉的车辆前方多目标检测和轨迹跟踪能够为前方目标的姿态估计、行为分析提供有效信息。针对协同运动信息和核相关滤波跟踪信息的多目标跟踪的不足,使用卷积神经网络YOLOv2检测目标,提出了融合核相关滤波和目标运动信息的多目标轨迹跟踪方法,目的是将运动信息融入到图像特征跟踪容器中,优化运动模型,减少环境噪声造成的目标跟踪丢失、偏离。提出了基于运动信息改进核相关滤波跟踪尺度不变性算法。建立了多目标的检测跟踪容器,提出了结合目标属性、重合度、运动状态、跟踪状态的多目标匹配方法。实验表明,本文算法能够实现一定场景下的多目标的持续实时轨迹跟踪,平均有效跟踪率为92.5%。     

基于倾向流和深度学习的机场运动目标检测

针对当前基于视频图像的场面监视目标检测方法存在定位误差较大,识别准确率低等问题,建立一种结合目标运动信息的机场场面运动目标检测方法:利用倾向流法提取出运动目标在图像中的候选区域,对候选区域执行点池化操作以确定区域建议的边界,采用Inception结构构建一个浅层卷积神经网络,并使用该网络对区域建议中的航空器、车辆和人员进行识别.结合国内机场的监视视频,构建了一个包含4 938张图片的机场目标数据集,用于算法的训练和测试.结果 表明,运动目标提取的准确率达到94%以上,运动目标识别的Top-1准确率达到了97.23%,运动目标平均准确率达到86.23%.与3种深度学习目标检测算法相比,运动目标检测精度平均提升了39%.      

基于压缩感知尺度自适应的多示例交通目标跟踪算法

针对大多数跟踪算法对车辆等交通目标在行驶过程中的尺度变化、姿态变化的适应性差及在跟踪过程中使用固定尺度的跟踪框,导致所构造的目标模板包含大量背景信息,引起跟踪漂移甚至丢失的问题,提出一种基于压缩感知理论与超像素目标性度量的尺度自适应多示例交通目标跟踪算法,该算法首先利用压缩感知理论对多示例学习中的特征维数进行降维,减少算法计算的复杂度。其次,采用超像素目标性度量进行局部尺度自适应调整,解决多示例跟踪算法中的尺度适应问题。此外,引入基于目标判别机制的分类器更新,利用连续帧中目标的相似性判断跟踪目标是否存在遮挡或漂移问题。依据目标判别的结果,实现变学习率的分类器参数更新。试验结果表明：该方法具有较高的跟踪精度和良好的跟踪鲁棒性,在车辆目标发生遮挡、尺度变化、三维旋转等情况时均能较好地跟踪目标,通过对不同的交通视频序列进行测试,算法的平均中心位置误差远小于对比算法,仅为3.92像素,其对比算法CT跟踪、MIL跟踪及WMIL跟踪算法的平均位置误差分别为56.96像素、35.36像素及58.54像素,平均重叠率达80.1%,较CT跟踪、MIL跟踪及WMIL跟踪算法分别高44.9%、45.3%和45%,满足智能交通监控的实际需求。     

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。     

城市出入口立交道路交通参数采集与通行状态判别技术研究

城市出入口立交的通行状态是影响城市交通管理与出行诱导策略的重要因素,为了弥补固定型检测手段采集覆盖面小、获取立交路面交通信息少的不足,提出了基于无人机视频的城市出入口交通参数提取及通行状态判别方法。首先对无人机航拍采集的视频图像进行预处理和分析,通过背景建模和运动目标检测跟踪方法提取无人机悬停航拍视频中的交通流量、流速和占有率等参数;然后利用图像特征匹配方法校对不同拍摄角度与实际立交地理位置图,校准图像中的实际地理位置信息;最后,结合城市出入口立交特点建立基于运动目标占有率的通行状态判别模型,解决了通过无人机视频自动判别立交整体通行状态的问题。无人机视频技术的应用可为城市出入口交通诱导和交通应急管理提供前期决策依据。     

基于RGB-D图像与头肩区域编码的实时人流量统计

为解决基于彩色摄像机的人流量统计存在精度低、易受光照影响等问题,研究了利用RGB-D图像与头肩区域编码进行实时人流量检测的方法.在对RGB-D图像前景检测与空洞修复的基础上,采用随机点和漫水填充法提取潜在目标区域,并度量随机点与区域内极值点间的欧式距离以剔除噪声点的干扰,减少了冗余信息的计算量.根据人体头肩区域的先验信息,提出了一种七维头肩特征描述符对潜在目标区域编码,从而避免人体运动过程中产生的头肩部形变对头部区域检测的影响,采用SVM和阈值限制得到满足区域特征的头部区域.根据图像中不同区域的圆形度排序的思路,提出了头部区域筛选方法以去除无效区域,并构建了一种帧间目标匹配算法和多条计数线的方法,对已获得的头部区域实现计数,计数后获取人的身高数据.实验结果表明,该算法在教学楼楼道口和楼门口场景中人流量统计正确率高达99.30% 以上,身高测量平均相对误差在2.59% 以内,处理单帧图像的平均时间仅为18.31 m s.      

基于小波变换的城市道路交通事件检测

利用出租车浮动车数据对城市道路行程车速的表达能力,针对出租车空车和重车2种数据运用小波变换技术分析了城市道路交通状态突变点,据此进行了城市道路交通事件的检测。区别于以往小波变换技术,首先运用于数据降噪,再将处理数据运用交通事件检测算法判断,直接采用小波变换技术实现了对城市道路间断流的交通事件的检测。并利用实际采集数据对提出的交通事件检测算法进行了验证,结果表明算法能够对交通事件进行更综合的检测,检测准确度得到了提高,能够为城市交通信息发布和交通诱导提供更加可靠的信息。     

基于小波提升格式理论的隧道衬砌缺陷定量识别分析

为提高探地雷达信号分析中小波基函数选取或构造的针对性和适应性，降低构造计算复杂性，并使所构造的小波基能更准确提取隧道衬砌结构背后空洞检测信号特征点信息，提出一种根据提升格式小波理论和目标信号波形特征来构造匹配小波的方法，并将所构造的小波基应用于空洞检测信号特征点的识别中。该方法以完全重构滤波器条件和提升格式小波为理论基础，首先选择一个简单而一般的初始双正交滤波器组，通过对初始双正交滤波器进行提升和对偶提升，获得不同的提升算子和对偶提升算子，从而得到更新后含自由变量的高阶滤波器组函数表达；其次，依据探地雷达信号的固有特点，对新滤波器组中重构端小波函数中的自由参数进行优化，并对新小波基与实际探地雷达信号的相似度进行计算和检验，最终构造出既满足线性相位、紧支撑性，又具有与探地雷达信号匹配度高等优势的新双正交小波基。将新小波基应用于室内空腔检测试验及实际工程中空洞缺陷的定量分析中，结果表明，同其他类型小波相比，用提升方法构造的小波能更准确地识别空洞缺陷信号突变点发生的时刻和位置，能更准确地实现隧道工程中空洞缺陷的位置和垂直尺寸的定量分析，从而大大提高探地雷达对缺陷探测的可靠度和准确度。     

小波包能量特征法在汽车变速器轴承故障诊断中的应用

归纳和总结了小波神经网络轴承故障诊断法的实施步骤,阐述了小波包的原理,并以变速器轴承故障诊断为例,提取了小波包节点能量作为反映变速器轴承故障类型的振动信号特征参数,并用这些特征参数训练BP神经网络进行故障模式识别。结果表明,如果神经网络设计合理,训练适当,则具有很强的故障识别能力。说明了利用小波包能量法和BP神经网络进行变速器轴承故障诊断是可行而且有效的。     

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。     

瞬态成分提取在变速器齿轮故障诊断中的应用

基于小波包的信号瞬态成分检测与提取方法及其应用，提出基于小波包分解特征表示和瞬态特征重建方法并应用于汽车变速器齿轮的故障诊断，结果表明基于小波包分解的信号特征表示方法能有效检测信号中瞬态成分的存在，瞬态成分的重建结果有效地表示了齿轮的故障状态。     

土体障碍物超声探测信号小波包特征分析方法

利用小波包分解方法,对土体中障碍物的超声探测信号进行分析。选用sym8小波基函数进行6层小波包分解,并截取信号能量集中的前16个频带进行细致分析,从小波包频带能量、小波包频带能量熵、小波包频带能量矩三个角度对信号进行对比。结果显示,存在障碍物位置处信号和不存在障碍物位置处信号的小波包频带能量熵大致相等,不能作为信号识别及障碍物判断的方法,而小波包频带能量和小波包频带能量矩在部分频带上差异明显,可以作为信号识别及判断的方法。     

基于机器视觉的车辆检测与参数识别研究进展

近年来公路交通运输快速增长，交通车辆的快速准确检测与识别对智能交通系统和交通基础设施运维具有重要意义。随着机器视觉和深度学习技术的迅速发展及其在目标检测领域的广泛应用，车辆目标检测和参数识别也取得新的突破。该文从车辆参数的识别方法和应用研究两方面梳理了机器视觉和深度学习在车辆检测与参数识别领域的研究现状、最新研究成果和未来发展趋势。在识别方法方面，将车辆检测方法分为3类：运动目标检测方法、目标实例检测方法和细粒度检测方法，系统总结了这3类方法的基本原理和各自特点。在应用研究方面，详细综述了基于机器视觉的车辆检测方法在车辆参数识别中的应用现状，主要包括车辆类别、车辆时空参数、车辆重量参数识别以及车辆多参数识别系统。最后对基于机器视觉和深度学习的车辆参数识别研究进行了归纳总结，并讨论了当前存在的挑战和未来可能的发展趋势。研究表明，对于不同的环境条件和车辆参数，应根据实际需要和各算法特点选择合适的车辆检测方法。目前方法仍局限于单参数或少量参数的独立检测，且识别精度和效率难以同时满足。后续研究应注重与新技术的融合，提高在现实复杂环境下车辆参数识别的精度、效率、鲁棒性及全面性，以使其更好地应用于工程实际。     

在既有跨河公路桥上新建高架桥基础吊装设计与施工

跨越金清港河道的(35+60+60+35)m新建高架桥,正下方为正常使用的麻车大桥。受航道等级的影响,施工过程中无法采用大型浮吊进行吊装作业,麻车大桥也无法承载大型吊装设备的直接吊装施工。综合比选了“钢平台+履带吊”、“钢平台+卷扬机”与“钢平台+起重支架”吊装方案,确定采用“钢平台+起重支架”法进行新建高架桥基础的吊装施工。先利用麻车大桥辅助搭设钢平台,钢平台钢管桩入土稳定后安装起重支架,形成钢平台+起重支架系统,利用该系统完成了基础钢筋笼的起吊、安装;施工期间实时监测支架及桥梁地面变形,确保了基础吊装施工安全。     

Robust detection of preceding vehicles in crowded traffic conditions

This paper introduces an adaptive scheme for robustly detecting multiple preceding vehicles in crowded traffic conditions. The scheme focuses on issues frequently observed in the interpretation of traffic scenes recorded by cameras installed in vehicles: stable extraction of features and accurate classification in spite of the vehicle??s constant vibrations and dynamic changes in the distance between vehicles. To address these issues, we introduce the concept of integral features and a method of utilizing the scene geometry information. Each of the simple attributes, such as edges, shadows, and symmetry, is compiled in the window confined by the scene geometry to improve the expressiveness and robustness of the extracted features. The scene geometry information that is then estimated from the perspective view is extensively utilized in constituent system components, including not only feature extraction/integration but also neural network-based classification and distance-adaptive clustering. In addition, employing the Kalman filter along with a confidence measure makes the detection and tracking of potential vehicles robust. Experimental results prove that the system employing the proposed scheme detects and tracks multiple vehicles more effectively, even in crowded traffic conditions, with a lower rate of false positives.     

节理刚度对地震勘探激发效果的影响研究

采用离散元程序UDEC模拟了地震波在含节理岩体中的传播规律,并采用小波包分析技术对地震信号的频带能量分布特征进行分析,结果表明节理刚度对反射波和透射波的振动能量和频率均有较大影响,节理刚度越低,反射波振动能量和有效信号能量所占频带总能百分比越高,信噪比越高,则激发效果越好。     

智能驾驶实时目标检测的深度卷积神经网络

为提高深度学习神经网络运行速度,满足智能驾驶对算法实时性的要求,基于一种一体化实时目标检测算法YOLO和一种目标检测网络模型Faster RCNN,提出一种结合两者特点的实时目标检测神经网络。该网络保留区域卷积神经网络(R-CNN)算法的二次检测模式和区域生成神经网络RPN,去掉先验框,采用YOLO直接预测位置。结合Mask R-CNN中的ROI-Align方法进行二次位置修正,减少了Faster R-CNN中ROI-pooling所带来的位置预测偏差。对改进后的网络在KITTI数据集上进行测试,结果表明:改进后的神经网络检测一次仅耗时38 ms,检测的平均精确度高于YOLO和Faster RCNN,且对于不同大小的目标都具有很好的泛化能力。