基于iForest+Biscting K-means的驾驶风格辨识方法研究

提出了一种基于iForest+ Biscting K-means模型的客运驾驶员驾驶风格辨识方法.该方法针对在Bisceting K-means模型中,聚类质心严重影响聚类结果问题,采用iForest模型训练聚类中心候选集作为聚类质心集的方法加以改进.通过考察某城际客运线路30位客车职业驾驶员,在直线道路行驶工况下,90余天约400万条客车行驶数据开展模型验证.试验表明:在加速度标准差和超速倾向系数作为聚类指标的情况下,客运驾驶员驾驶风格聚类为谨慎型、普通型和激进型3类,其中谨慎型11人,普通型19人,激进型0人.     

基于CapsNet的行人检测方法及评价

为了提高道路环境中行人目标检测的准确率，改善现有检测算法对不同环境视角下漏检率较高、耗时过长、实用性较差等问题，本文提出了一种基于 CapsNet的行人检测模型. CapsNet由神经元所构成的 Capsule组成，通过动态路由协议对物体的实例化参数进行表达和传递，保留了各特征对象间的空间层级，采用 Caltech公开数据库对所提算法的有效性进行验证，并在检测准确率及算法耗时等方面与其他算法进行对比.实验结果表明：相比于其他主流检测算法，本文算法在确保检测效率的前提下，对数平均漏检率最低可降至 9.17%；且在 Caltech、INRIA和 NICTA数据集的交叉验证实验中，也能达到良好的检测效果，具有较好的鲁棒性和泛化能力.     

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.     

基于CapsNet的行人检测方法及评价

为了提高道路环境中行人目标检测的准确率，改善现有检测算法对不同环境视角下漏检率较高、耗时过长、实用性较差等问题，本文提出了一种基于 CapsNet的行人检测模型. CapsNet由神经元所构成的 Capsule组成，通过动态路由协议对物体的实例化参数进行表达和传递，保留了各特征对象间的空间层级，采用 Caltech公开数据库对所提算法的有效性进行验证，并在检测准确率及算法耗时等方面与其他算法进行对比.实验结果表明：相比于其他主流检测算法，本文算法在确保检测效率的前提下，对数平均漏检率最低可降至 9.17%；且在 Caltech、INRIA和 NICTA数据集的交叉验证实验中，也能达到良好的检测效果，具有较好的鲁棒性和泛化能力.