基于融合特征稀疏编码模型的车辆品牌识别方法

提出了一种基于融合特征稀疏编码模型的车辆品牌识别方法,该方法首先提取车脸图像的方向梯度直方图特征作为融合特征稀疏编码模型的一级特征向量,然后将车脸图像的一级特征向量作为过完备字典中训练样本集的线性组合,并构建非负性约束稀疏编码模型,最后采用重构误差最小原则对车辆品牌进行识别。基于东南大学的车脸数据库进行了试验,结果表明,基于融合特征稀疏编码模型的车辆品牌识别方法优于HOG+SVM、传统稀疏表示和字典学习稀疏表示的车辆品牌识别方法,其平均识别率达到96.16%。理论分析和试验结果表明,基于融合特征稀疏编码模型的车辆品牌识别方法具有较强的鲁棒性和适用性。     

基于Kinect深度虚拟线圈的夜间车流量检测

针对夜间环境下基于摄像机的车辆检测方法存在精度低、稳定性差以及无法对车型进行有效识别等问题,提出一种基于Kinect深度虚拟线圈的夜间车辆检测与计数算法.首先对Kinect深度图像进行预处理,分别获得运动目标深度图(MDM)与空洞深度图(HDM).然后在MDM与HDM上设置虚拟线圈,利用积分图像分别生成对应的一维运动信号,对其进行加权合成获得对车辆运动特征的表达,并在合成的运动信号范围内检测出车辆目标,并计算出车辆目标的几何特征,通过SVM对车型进行有效识别.实验结果表明,该算法对于单双车道的车辆计数正确率分别高达99.75%与99.25%,大小车型分类正确率可达99.80%,处理单张图片的平均时间仅为7 ms.      

基于多特征融合的隧道场景车辆再识别

为解决隧道内交通监控视频的低分辨率以及光照不均匀导致的再识别准确率偏低的问题，提出了一种基于多特征融合的车辆再识别方法，通过充分利用车辆的各种有效特征信息提升车辆再识别精确度。首先，将卷积块注意力模块(Convolutional Block Attention Module, CBAM)嵌入到YOLOv5模型的骨干网络卷积层，同时采用CIoU损失和DIoU-NMS方案，提高车型检测准确率；其次，使用改进DeepSORT的表观特征提取网络和ResNet网络，分别获取深度卷积神经网络(Deep Convolution Neural Networks, DCNN)特征和车型ID特征；再次，将车型特征、DCNN特征及车辆ID特征使用加和表示层进行融合，形成可鉴别身份特征，以提高车辆再识别精度；最后，基于Softmax交叉熵损失和三元组损失设计指标函数并进行学习，对学习结果进行重排序以进一步提高模型的精度，并将算法在公开数据集VeRi776、VehicleID和自建数据集Tunnel＿Veh4C进行训练验证。结果表明：与现有方法相比，提出的Rank-1、Rank-5和Rank-10识别准确率以及...     

面向前车的驾驶行为感知与意图识别算法研究

感知周围车辆的驾驶行为并识别其意图将成为新一代高级驾驶辅助系统的重要组成部分。针对现有方法只考虑单一驾驶行为且可扩展性和可伸缩性差,提出一种基于稀疏表示理论的驾驶行为感知字典模型(Driving Behavior Perception Dictionary Model, DBPDM)。将车辆行驶状态视为时间序列,设计基于自回归积分移动平均(Autoregressive Integrated Moving Average,ARIMA)结合在线梯度下降(Online Gradient Descent, OGD)优化器的在线预测模型,提出基于驾驶行为预测的意图识别构架(Intention Recognition Framework, IRF)。首先,采用图Lasso方法估计典型驾驶行为的稀疏逆协方差矩阵构建驾驶行为字典库,并采用Logdet散度方法计算各逆协方差矩阵的差异获得行为感知字典模型。然后,基于在线预测模型对目标车辆的行驶轨迹和运动状态进行预测,结合主车车辆的行驶状态作为稀疏表示的观测信号,以获取预测时域内的目标车辆意图。最后,采用NGSIM (Next Generation SIMulation)真实驾驶数据对模型进行开发和测试。研究结果表明:所提出的行为感知模型能对6种典型驾驶行为构建行为字典,在分类准确率上与现有方法相比有明显提升,对换道和转向行为样本的平均识别准确率分别达到99.1%和92.9%;该模型能够在相对早期阶段准确地识别出车辆行为;在线预测算法能较好预测出目标车辆的行驶轨迹和运动状态,从而间接地反映出其在预测时域内的驾驶意图;IRF可在换道和转向行为开始前的1.5 s较为准确地识别出目标车辆的意图,平均识别准确率超过80%。     

基于时频图像特征约简的柴油机故障特征提取新方法

针对柴油机振动响应信号时频表示特征提取困难的问题,提出了一种直接对柴油机振动谱图像进行特征约简的时频特征提取新方法。通过现有的时频分析方法生成柴油机振动谱图像,采用三次卷积插值法对图像矩阵的维度进行压缩,并将矩阵分块计算的方法与稀疏非负矩阵分解算法(sparse non-negative matrix factorization,SNMF)相结合,用来直接对压缩后的振动谱图像进行特征约简以获取蕴含在其内的低维特征。将提出的方法应用于4种不同状态的柴油机气门故障特征提取试验中,结果证明该方法可准确、快速提取柴油机气门故障特征。     

基于地磁的车型识别模糊数据融合方法研究

把由各向异性磁阻传感器检测获得的地磁曲线视为车辆磁偶极模型的映像,通过分析车辆地磁曲线的峰值、峰谷比、峰值时间、谷值时间、车身长等特征的选择和提取,建立相应车型特征向量;然后,依据各类车型特征,应用三角形隶属度函数特征描述和模糊数据融合,提出了一种基于地磁传感器实时数据采集的车辆检测与车型识别流程和车型识别分类算法;最后,通过一组实际采集的车辆检测数据的分类结果,比较了4种模糊数据融合算式的差异,证明了车辆识别分类算法的有效性,并讨论了有待进一步研究的问题。     

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。     

基于深度学习的车辆检测及车型识别研究

正当前,在新一代信息技术引领下,数据快速积累、运算能力持续提升、算法模型不断优化、多场景应用快速兴起,人工智能发展环境发生了深刻变化。车辆检测及车型识别作为深度学习目标检测领域在智能交通的重要应用,也是近年来国内外学者的研究热点。本文针对已有的车辆检测方法缺乏车型识别问题,利用深度学习图像识别技术,提出了基于Faster R-CNN的车辆检测及车型识别方法。通过将Faster R-CNN深度学习模型应用     

基于最小二乘支持向量机的车型识别算法研究

以感应线圈车辆检测器检测数据为分析基础,给出了基于Bayes理论的感应曲线自适应特征提取流程和方法,对选取的12个统计特征指标进行提取和优选。选择了曲线宽度、最大值、波峰数量、最小波谷值和波谷比组成车型识别模型的特征输入向量,不仅降低了输入向量的维数,缩短了最小二乘支持向量机的训练时间,同时也可加快车型识别的分类速度,增强特征值的分类辨别能力,提高车型分类的可靠性。在提出的基于最小二乘支持向量机的车型识别算法中,采用了修剪算法,加快了计算速度,同时保持了良好的回归性能。通过实例分析证明:基于最小二乘支持向量机的车型识别算法可提高自学习能力和识别准确率。     

基于机器视觉的道路上前方多车辆探测方法研究

提出一种基于车辆特征的方法识别和跟踪前方的车辆。首先,利用车辆底部存在阴影的特征,在图像中确定可能存在的车辆区域。然后,通过分形维数计算该区域的纹理特征,排除非车辆区域。最后,利用车辆的边缘信息,通过投影变换方法,对候选区域内的车辆进行定位。此外,利用NM I特征法对定位的车辆进行确认。该算法对不同环境和光照条件下的车辆图片进行了测试,以及在高速公路上进行了实时跟踪试验,具有较好的鲁棒性和可靠性。     

基于LMD局部投影能量特征的车型识别

针对动态噪声环境下行进中的机动车辐射出的声信号具有强非平稳性、多尺度性及低信噪比的问题,提出一种基于局部均值分解(LMD)和局部投影能量计算的车型声特征提取方法。首先,利用LMD方法对采集的声信号进行自适应分解,得到各尺度上的乘积函数(PF)分量,从强背景噪声中分离出包含车型特征频率成分的PF分量;其次,对LMD分解结果进行加权优化,重构特征PF分量,滤除虚假成分及弱相关分量,以增强特征信息;最后,将特征PF分量的能量等距离投影到能量聚集区内,基于能量尺度构造声信号的低维特征向量,并通过人工神经网络的学习对特征向量进行识别。在试验数据集上,采用LMD局部投影能量特征对目标车辆进行车型识别,并对试验数据集添加不同强度的噪声,进行LMD分解及局部投影能量计算,将计算结果与其他特征提取方法计算结果进行对比分析。结果表明:该方法对于车型信息十分敏感,识别率达到93.4%;可以有效抑制动态环境下的背景噪声干扰,获取目标敏感的窄带信号,具有很好的抗噪能力;选择在重构窄带信号的能量聚集区内进行投影计算,可以有效去除冗余特征,同时提高算法的实时性。     

弯曲道路识别方法与目标函数选取的研究

首先对道路图像进行中值滤波、边缘增强和二值化处理获得道路二值图像.将图像等分为5×5像素的子块图像,建立抛物线模型,计算抛物线通过区域各子块灰度均值及子块间灰度方差,并以此作为图像特征构造合理的目标函数,运用蚁群算法优化抛物线参数,识别道路边缘.该目标函数既用于评价拟合程度,又用于决定算法中信息素增量.实验证明该方法具有良好的实时性、可靠性和鲁棒性.     

一种基于雷达和机器视觉信息融合的车辆识别方法

为提高先进驾驶员辅助系统对车辆前方环境识别的准确性,提出一种基于雷达和视觉传感器信息融合的车辆识别方法。系统工作前预先对毫米波雷达和摄像头进行联合标定,并确定雷达坐标系和摄像头坐标系的变换关系。车辆识别过程中,首先根据雷达信息确定图像坐标系中的车辆识别感兴趣区域;然后对感兴趣区域进行对称性分析获得车辆对称中心,并对车辆底部阴影特征进行分析处理完成车辆边缘检测;最后根据逆透视变换得到车辆识别宽度,根据识别宽度对识别结果进行验证。结果表明该算法具有较强的环境适应性和准确率,弥补了单一传感器在车辆识别中的不足。     

车牌定位及车辆特征识别研究

车牌定位及车辆识别是智能交通管理的主要研究问题.车牌定位识别,通过对图像进行预处理并结合形态学能粗略获取候选车牌位置,对符合特征的候选车牌进行筛选,精确获取车牌位置,最后采用神经网络完成字符识别过程.车辆识别采用迁移学习,采用AlexNet卷积神经网络构造出深度特征向量.形态学能够应对灰度底质量差的情形,为字符识别提供保障.车辆识别时对比直接分类图片特征,迁移学习构造的深度特征分类精度为85.13%,提高了38%,验证了迁移学习的有效性,通过KNN算法表明深度特征能够表征图片属性.针对新数据集重新提取特征、训练样本将消耗大量时间,对比迁移学习和AlexNet框架发现分类精度持平,表明了迁移学习的鲁棒性.      

持续学习算法在车辆目标识别上的应用

自动驾驶汽车技术的日新月异,主要得益于深度学习和人工智能的进步。然而深度学习模型大多是在静态同分布数据集上进行训练,无法随着时间而适应或扩展其行为。针对这一问题,论文将持续学习模型运用于车辆目标识别领域进行研究。首先搭建可以使得算法流畅运行的环境,选定目标识别的原始图像数据集;在分析现有评估指标的基础上,选取适合于本次实验的评估指标,并采用卷积神经网络（CNN）、最接近类均值（NCM）、增量分类器与特征表示（iCaRL）三种持续学习算法对原始图像数据集进行学习训练与对比验证,通过实验验证了应用iCaRL算法使机器进行持续学习训练时,其精度和效率均优于其他两种方法。针对智能驾驶目标识别图像数据集不完善这一问题,构建了一个新的图像数据集,包含车辆、行人、交通标志及信号灯,将iCaRL算法应用于新建图像数据集进行研究,并在新建智能驾驶图像数据集上进行了训练与测试。结果表明,采用iCaRL算法能够较好地学习新建图像数据集,不会因为环境的改变而使得其性能发生大幅变化,测试结果良好,证明该方法可以在智能驾驶领域进行目标识别。     

基于虚拟线圈的车型识别研究

在车型识别系统中,车辆的特征提取是非常重要的.传统的检测方法受摄像机的成像精度与架设方式等因素的影响,给车辆特征的提取带来困难.提出了一种采用虚拟线圈识别车型的方法.该方法将检测线与虚拟线圈相结合,对提取的车辆信息进行预处理,以检测线检测到达预先设置位置的车辆,然后触发虚拟线圈来提取车辆特征,通过BP神经网络来训练识别的车辆特征,以达到车型识别的目的.试验证明,该方法识别效果好,识别有效率达99%.     

用模糊方法对车型进行模式识别

车型识别在公路自动收费和交通量统计中有重要作用。主要介绍了由计算机视觉系统获得汽车的长、宽数据，并通过车辆样本的计算，分别得到了客车和货车的隶属函数，然后利用模糊模式识别的方法对汽车车型进行辨识。     

基于稀疏彩色点云的自动驾驶汽车3D目标检测方法

针对目前在自动驾驶汽车中,目标检测的点云分割与识别算法的准确率低等问题,提出一种稀疏彩色点云结构,该结构由摄像头采集的图像信息与激光雷达采集的点云信息进行空间匹配与特征叠加后生成。通过改进的PointPillars神经网络算法对融合后的彩色稀疏点云进行运算。实验结果表明,本方法在平均精度上比原算法有较大的提升,尤其是对行人和骑单车人的识别平均精度的提升更为明显,在中等难度下的行人和骑单车人3D检测的平均精度值分别提升13.8%和6.6%,显示了本方法的有效性。     

基于非完备贝叶斯网络的车型识别方法

针对BP神经网络等车型识别算法不能很好地适应我国车型复杂状况，分析了贝叶斯网络（IDS-BN）算法中完备数据集的问题，提出了基于非完备数据集的贝叶斯网络车型识别方法和车型识别系统结构模块，基于该模块拟定了车型特征变量．构建了车型识别网络模型，并给出了模型参数学习、车型分类器等算法，包括MDL评分和贪婪搜索的结构学习、EM参数学习、随机模拟采样推理等。实验表明，该方法识别率较高，鲁棒性好，满足我国车型识别的实际要求。