单洞双向公路隧道火灾场景临界风速研究

为解决公路隧道典型火灾场景通风排烟问题，以单洞双向公路隧道为研究对象，利用FDS软件采用数值模拟的方法对单洞双向公路隧道典型火灾工况下的临界风速面临的多种类型的影响因素进行分析研究，并获取相应的模拟数据；以不同类型的影响因素作为神经网络输入，临界风速作为网络输出搭建LSTM网络模型，并根据试验数据进行网络性能分析。结果表明：LSTM网络模型的预测值与期望值的最大相对误差不超过0.03,具有良好的准确性，在数据的精度方面可满足隧道消防工程的精度要求，较为准确地预测了多种因素作用下的典型火灾场景临界风速，为临界风速的研究提供了一种新方法，有助于进一步提升公路隧道安全运营。     

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...