交通图像大气加雾模型设计与评价

针对数字孪生过程中，交通雾霾图像的采集受天气限制，数据库获取困难导致样本不足等问题，提出了一种新的大气加雾模型，并用于扩展不同浓度的交通雾霾图像数据库。首先，结合暗特征原理，求解大气光值，并提出了一种基于区域方差的大气光补偿方法来获取大气光估计；其次，利用颜色衰减先验估计场景深度，求解初始透射率；然后构建了图像大气加雾模型，将计算的大气光估计与大气加雾透射率代入模型，并利用雾霾系数调整加雾浓度；最后设计了多组交通视频加雾实验并进行评价。实验结果表明，提出的算法能随着预置雾霾系数增大，使得图像主观上明显趋于模糊，客观指标随之逐步发生变化，图像降质规律与真实的含雾场景基本一致，可用于扩充雾霾数据集，具有很好的有效性和实用性。利用不同去雾算法评价对比加雾图像可知，复原图像效果与针对实际图像的去雾效果基本无异，进一步反向验证了加雾模型的有效性。     

基于内河单幅图像的去雾算法研究

图像景深和天空亮度值的求取是图像复原方法去雾的核心问题,但目前的去雾算法都是基于一定的假设条件来求取这2个值的,对于色彩单调、天空区域较大的内河图像去雾效果不理想。通过对内河航道视频图像的研究,提出将直方图多峰均值法和位平面分解法相结合的方式来求得天空亮度值并分割天空区域;采用分区域的景深计算方法求得图像任意一点的景深值。然后基于大气散射模型,完成内河雾天单幅图像的去雾处理。为了客观评价去雾后图像的质量,从图像的可见边数目比、平均梯度比和图像熵值三方面进行了去雾效果的比较。实验证明,该算法对内河航道图像有良好的去雾效果。      

基于改进梯度相似度核的交通图像去雾算法

雾霾天气下,交通图像采集设备获取的降质图像含有较多噪声,图像边缘不突出,整体偏暗且对比度不高,灰白不清。针对传统交通图像滤波和去雾算法存在着滤波效果和边缘保持能力不能兼顾,容易出现噪声斑块,导致去雾后图像质量较低的问题,在传统梯度双边滤波基础上,设计了一种新的梯度相似度核,提出了基于改进梯度相似度核的雾霾天气下交通图像去雾算法。新算法首先将采集的含雾图像转换到Lab颜色空间,提升色域宽度,再利用改进梯度相似度核和空间相似度核分别计算图像中每一像素点与滤波框内临近像素点的梯度相似度和空间相似度权值,根据权值对图像进行滤波处理,然后将其转换到RGB颜色空间。最后根据大气光散射模型和暗通道先验原理,对滤波后的交通图像进行去雾处理,得到复原图像。试验结果表明：与传统双边滤波和梯度双边滤波算法相比,使用新算法处理后的复原图像峰值信噪比、归一化灰度差平均提升了13.25%、9.41%和21.76%、22.7%。新算法在保证了滤波效果,避免“噪声斑块”的同时,能够尽可能保持图像边缘细节信息,提升了雾霾天气下交通图像的去雾质量,对加强交通监控,保障交通安全有十分重要的应用价值和现实意义。     

基于车载式视频图像的车辆行驶速度鉴定

文章论述了基于车载式视频图像鉴定道路交通事故中目标车辆行驶速度的基本原理,提出一种依据射影几何学中的交比不变性原理测算目标车辆行驶距离的算法。该算法可以避免因车辆运动轨迹与视频摄录设备镜头光学轴线不垂直而产生的误差,从而提高了目标车辆行驶速度鉴定的精确度。最后根据一个真实案例,探讨了用车载式视频图像进行车辆行驶速度鉴定的方法、步骤以及主要注意事项,可为评价这一鉴定方法的准确性和科学性提供参考。     

基于Retinex的低光照车位图像增强

针对自动泊车过程中车载鱼眼相机拍摄的车位图像因低光照环境导致图像整体偏暗、车位信息模糊而无法检测出车位的问题，本文中设计了一种融合限制对比度自适应直方图均衡化（CLAHE）和改进单尺度Retinex(SSR)的车位线图像增强算法。首先将鱼眼相机图像畸变矫正后转换生成鸟瞰图；然后使用优化映射函数计算过程的CLAHE算法对鸟瞰图预处理；进而使用基于迭代方框滤波估计入射分量的单尺度Retinex算法增强图像；经过滤波和形态学处理，最后基于亮通道先验将图像灰度化，得到最终的增强结果。本文采集多组低光照场景下单侧鱼眼相机摄取的实际泊车过程视频，截取驶过停车位过程中的单帧图像作为数据输入，并使用一种基础车位检测算法对增强结果进行检测，试验结果表明，经过增强后可被检测出车位的视频帧数量超过90%，且单帧图像增强算法处理时间仅38 ms。     

分块自适应零树压缩编码方法研究

基于模型和特征的编码方法是现代编码方法中的一个重要方向。在研究了图像的重要特征——图像边缘的基础上，提出了一种改进的零树编码方法——基于整数小波变换的分块自适应零树编码方法。这种编码方法主要包括：对原始图像进行分块、滤波；对最低频子带系数单独编码；对各块图像自适应地进行闭值设置；设立标志矩阵；解码后进行滤波消除分块效应。不仅加快了编码速度，而且提高了图像的峰值信噪比（PSNR）。该方法也能产生嵌入式码流，并支持多码率解码。     

面向内河雾天图像的大气光亮度值估算方法研究

在对内河雾天图像进行去雾复原的过程中,大气光亮度值是复原图像的关键参数之一,如何有效地选取天空区域来估算大气光亮度值是内河雾天图像复原的重点.通过对目前不同大气光亮度值的估算方法进行研究分析,提出利用K均值聚类方法分割天空区域,自动确定天空的聚类中心,将天空区域的亮度均值与雾最浓中心亮度值加权作为最终获得的大气光亮度值.采用该方法来提取内河雾天图像的天空并估算大气光亮度值的实验结果表明能有效地自动提取天空区域,从而更加准确地获得大气光亮度值,是一种适合内河雾天图像的大气光亮度值估算方法.      

高速公路能见度快速检测算法

利用高速公路现有的视频监控系统提供的视频图像,提出了一种可以快速进行高速公路能见度检测的算法。该算法基于大气光传播模型,首先采用均值漂移准确分割出天空区域,在此区域内用局部熵估计出大气光强度值。再运用暗原色先验得到图像的初始透射率,并采用双边滤波进行了优化。最后根据CIE的能见度公式求取能见度值。试验结果证明:该算法的能见度检测值与采用散射仪检测的结果非常接近,同时具有环境适应性强且速度快的优点,能满足高速公路能见度预警的智能系统实时性要求。     

雾霾天气下的桥梁裂缝检测

随着空气湿度增加及雾霾加剧,能见度降低,晴朗天气下传统的桥梁裂缝检测已不能满足不良天气检测的需要.针对此问题,提出一种新的桥梁裂缝检测方法,将暗通道先验去雾算法和图像处理裂缝检测相结合.在能见度下降的情况下,对待检裂缝图片进行暗通道去雾处理,获取去雾后的图像.接下来进行裂缝检测,通过灰度化,均值滤波对图像预处理,边缘检测和图像分割,使用连通分量提取获取裂缝特征,再通过计算裂缝的分布密度来判断裂缝类型.使用200张桥梁裂缝图片进行检验,实验结果表明,该算法识别横向、纵向、网状裂缝的准确度可以达到93. 3%,90%,87. 5%,具有良好的识别能力,弥补了传统算法的局限性,桥检适用范围得到了推广.     

基于多参数自适应优化的智能车轨迹跟踪

为了在不同工况中，同时兼顾轨迹跟踪算法的跟踪精度，计算速度与车辆稳定性，提出基于不同车速和路面附着系数的参数自适应MPC算法。在线性时变MPC的基础上增加车辆稳定性控制，并基于路面附着系数设计2种控制策略：在高附着系数路面，针对不同车速优化预测时域与控制时域；在低附着系数路面，开启车辆稳定性控制并基于改进粒子群算法优化权重参数。2种策略在保证跟踪精度与车辆稳定性的基础上提高计算速度。设计基于前馈神经网络的路面识别算法从而为多参数自适应轨迹跟踪算法识别所在道路的路面附着系数，利用CarSim-Simulink平台进行联合仿真。研究结果表明：路面识别算法的平均绝对百分比误差为12.77%,足够满足多参数自适应轨迹跟踪算法的需求；相较于传统线性时变MPC跟踪算法，低速工况下参数自适应轨迹跟踪算法在高附着系数和低附着系数的路面上，横向平均绝对误差分别降低了20.7%和24.6%;高速工况下横向平均绝对误差分别降低了66.2%和50.7%;综合所有试验，算法的计算时间减少了40.2%;在保障车辆稳定性的同时降低算法的计算时间。研究成果针对不同车速与附着系数对轨迹跟踪算法参数进行优化，利用自适应预...     

基于改进YOLOv5的雾霾环境下船舶红外图像检测算法

从监控图像中准确检测船舶对于港区水域船舶交通智能监管具有重要意义。为解决雾霾条件下传统YOLOv5目标检测算法对船舶红外图像检测准确率低、小目标特征提取能力弱等问题，提出了基于Swin Transformer的改进YOLOv5船舶红外图像检测算法。为扩大原始数据集的多样性，综合考虑船舶红外图像轮廓特征模糊、对比度低、抗云雾干扰能力强等特点，改进算法提出基于大气散射模型的数据集增强方法；为增强特征提取过程中全局特征的关注能力，改进算法的主干网络采用Swin Transformer提取船舶红外图像特征，并通过滑动窗口多头自注意力机制扩大窗口视野范围；为增强网络对密集小目标空间特征提取能力，通过改进多尺度特征融合网络（PANet），引入底层特征采样模块和坐标注意力机制（CA），在注意力中捕捉小目标船舶的位置、方向和跨通道信息，实现小目标的精确定位；为降低漏检率和误检率，采用完全交并比损失函数（CIoU）计算原始边界框的坐标预测损失，结合非极大抑制算法（NMS）判断并筛选候选框多次循环结构，提高目标检测结果的可靠性。实验结果表明:在一定浓度的雾霾环境下，改进算法的平均识别精度为93.73%，平均召回率为98.10%，平均检测速率为每秒38.6帧；与RetinaNet、Faster R-CNN、YOLOv3 SPP、YOLOv4、YOLOv5和YOLOv6-N算法相比，其平均识别精度分别提升了13.90%、11.53%、8.41%、7.21%、6.20%和3.44%，平均召回率分别提升了11.81%、9.67%、6.29%、5.53%、4.87%和2.39%。综上，所提的Swin-YOLOv5s改进算法对不同大小的船舶目标识别均具备较强的泛化能力，并具有较高的检测精度，有助于提升港区水域船舶的监管能力。      

LTE-V2X下的实时视频流传输策略研究

为提高在蜂窝小区内的视频传输质量,增强智能网联汽车的盲区视角感知能力,从而提高驾驶安全性和便利性,本文提出在LTE-V2X下完成实时视频流传输的可靠策略。首先,为提高蜂窝小区的系统性能和实时视频流传输的画面质量,提出在不完美信道状态下,满足V2X用户异构服务质量的同时,最大化V2V通信吞吐量的资源分配算法。该算法采用1阶自回归模型对真实的信道增益进行建模,分步骤进行功率分配和频谱复用配对,以完成资源分配;接着,采用可伸缩视频编码技术对实时视频流进行编码,编码后具有不同的视频质量等级的视频数据帧,经由网络传送,而以网络感知数据为基础,构建视频流缓冲区;最后,设计自适应传输算法求得当前最佳传输视频质量等级,根据通信网络环境动态调整传输视频画面质量,以有效减少视频播放冻结次数。实验结果表明,相比于具有基础层保护的视频传输算法RALSB和视频质量自适应传输算法VQAS,本文所提策略能有效提高实时视频流质量,减小视频播放冻结次数。     

多帧速度场估计方法及在交通视频监测中的应用

基于速度场的运动估计方法是进行运动物体分割的有效途径,提出了一种视频图像处理中基于多帧速度场的运动物体分割方法,针对简单速度场运动物体分割方法的不足,提出对多帧速度场图像提取的运动物体信息相融合的方法。试验结果证明:用此方法提取的运动物体核心点更完备,提高了运动物体分割的准确性。该方法在智能交通、视频监控系统中都有广泛应用。     

基于车联网BSM数据与路侧视频融合的港口集装箱卡车碰撞危险辨识方法

大型港口集装箱码头运输车辆调度频繁，堆场过道和交换区等区域视距狭窄，容易导致港口集装箱卡车与设施、作业人员和车辆发生擦碰事故。为提高智能集装箱卡车在港口密集区域的轨迹跟踪精度和行车安全感知能力，提出了一种车联网条件下融合车载终端基本安全消息（Basic Safety Messages，BSM）数据和路侧视频数据的集装箱卡车碰撞风险辨识方法。采用YOLOv5s算法提取视频监控范围内的目标车辆和作业人员，根据目标集卡大尺寸特点设计非极大值抑制锚框来提高目标识别准确度。运用透视变换原理将目标像素坐标转换成地理坐标，并应用Deep-SORT算法匹配每帧图像的车辆轨迹信息。应用交互式多模型方法（interactive multi-model，IMM）融合视频轨迹信息和车载单元（on-board units，OBU）定位数据，减小了目标机动过程中的观测误差。基于集卡融合轨迹结果，提出了1种新型的轨迹冲突风险评估模型，能够根据目标集卡与周围目标轨迹的相对运动状态实时感知车辆碰撞危险，该碰撞危险检测结果在实际场景中可通过路侧设备对车载终端和作业人员终端实时播发预警信息。针对集卡跟踪误差的实验结果表明:IMM自适应跟踪轨迹的平均均方根误差为0.29 m，比集卡自主跟踪轨迹误差提升81.05%；融合路侧监控视频与车载终端定位数据能够克服车辆自主定位系统在密集堆场环境下的误差增大问题。集卡碰撞危险辨识的结果表明:车辆碰撞危险识别结果（预设ETTC阈值为2 s）的召回率、精确度和准确度相对集卡自主感知分别提升了7.39%，4.27%，2.50%，更准确地辨识出了视线遮挡情况下的轨迹冲突风险。      

路面附着系数的自适应衰减卡尔曼滤波估计

为了获得实时、准确的路面附着系数，进一步提高观测路面附着系数算法的精度和收敛速度，结合非线性车辆动力学模型和轮胎力修正模型，搭建分布式驱动电动汽车联合仿真平台，提出一种基于自适应衰减无迹卡尔曼滤波的路面附着系数观测算法。该算法设计与各轮对应的路面附着系数观测器，应用协方差匹配判据对观测器发散趋势进行判别，设计自适应加权系数修正预测协方差，以增强新近观测数据的利用率；同时采用次优Sage-Husa噪声估计器对未知的系统过程噪声进行估计，抑制观测器的记忆存储长度，调整过程噪声和测量噪声的均值与协方差，提高观测器的跟踪能力。利用分布式驱动电动汽车分别进行高、低附着路面和对开路面直线制动试验，并将自适应衰减无迹卡尔曼滤波路面附着系数观测器的观测结果与无迹卡尔曼滤波观测值、参考路面附着系数进行比较和分析。结果表明：高附着路面条件下，所设计的算法估计误差可控制在0.64%以内；低附着路面条件下，所设计的算法估计误差可控制在1.03%以内；对开路面条件下估计误差可控制在1.26%以内；自适应衰减无迹卡尔曼滤波算法相比无迹卡尔曼滤波算法响应速率更快，具有更高的估计精度和较强的自适应能力，估计结果整体上维持稳定，能够适应各种不同路面的估计。     

基于图像统计学习进行昼夜区分的算法研究

通过对实际路口昼夜路面状况的分析,阐述了在视频电子警察系统中进行昼夜区分以提高车辆检测精度的必要性,分析了常见的昼夜区分方法的优缺点;在此基础上,提出了一种利用路面灰度特征,对视频图像统计学习进行昼夜区分的算法。该算法通过对实际路面的平均灰度值随时间变化趋势进行了统计学习,寻找出随天气季节变化的昼夜区分时间。该算法应用于相关电子警察产品之中,取得大量工程实测图像数据,验证了此算法的可靠性、高效性以及通用性,对提高视频电子警察产品的性能有一定的实用价值。     

基于GPS的公路视频影像信息系统

为了提高公路路况管理及路产管理的效率，开发了基于全球定位系统（GPS）的公路视频影像信息系统.通过视频影像的实时采集压缩和GPS定位，系统可实现基于里程和道路设施的多种视频影像搜索和定位功能，同时可根据电子地图快速定位到相应的视频图像帧.在论述了系统的体系结构后，推导了利用GPS坐标推算里程的算法，该算法通过录入关键帧对应的里程，内插出每帧的里程数，并对其进行修正.实践证明：该算法可有效地控制图像帧的里程误差，该系统可有效用于公路路况管理和公路路产管理.     

基于改进自适应无迹卡尔曼滤波的锂电池SOC估计

针对传统无迹卡尔曼滤波算法在估计电池荷电状态中存在收敛速度较慢、容易发散等问题,提出了一种改进的自适应无迹卡尔曼滤波算法,该算法在传统无迹卡尔曼滤波算法基础上引入了衰减因子和自适应调节因子,提高估计精度和收敛速度。以二阶RC模型为基础,运用最小二乘法对模型参数进行辨识,采用基于UT变换的自适应无迹卡尔曼滤波器算法实现对锂电池SOC的估计。搭建锂电池充放电试验平台,测试试验结果表明,该算法对锂电池SOC估计精度小于1%,在估计精度及收敛速度上均优于传统无迹卡尔曼滤波算法。     

基于滤波器自适应更新的机场目标跟踪算法

机场场面目标跟踪常面临目标遮挡、背景干扰、低分辨率等因素的影响，导致跟踪准确性降低甚至丢失跟踪目标。针对以上问题，研究了基于滤波器自适应更新的机场目标跟踪算法。选取跟踪目标的颜色特征和深度特征，通过插值算子进行多特征融合，再将融合特征与之对应的滤波器进行卷积求和计算各区域置信度，置信度高的区域即为跟踪目标位置。为提高跟踪准确性，利用峰值旁瓣比与平均响应峰值能量建立了跟踪结果校验机制，并设计了1种滤波器自适应更新策略，使滤波器能够自适应调整学习速率，仅在结果可靠时更新。在西南某机场采集的视频数据集上进行测试，结果表明:算法在目标特征不明显或发生变化时具有更好的性能，在目标遮挡和背景干扰等9种因素下的跟踪性能有较大提升，整体精确度和成功率分别达到0.834和0.828，较原ECO算法分别提升了11.35%和11.29%，且均优于文中提到的其他5种经典算法。      

单目视觉智能车路径识别及控制策略研究

研究了基于CMOS摄像头的图像采集方法,以及智能车赛道路径识别.提出了自适应差分边缘检测算法,采用取点求面积的方法提取指引线的相关参数.自适应差分边缘检测算法是在一般的边缘检测算法的基础上提出的,它能根据提取的左右边缘存在情况调整搜索范围、阈值,以及差值的求取方法.使用海伦公式求指引线上所取的三角形的面积,据此提出了1种基于三角形面积的智能车速度控制方法,此方法以指引线上的三角形面积反映赛道的弯曲程度,并以此作为智能车速度控制的控制变量.