多尺度特征增强的路面裂缝检测方法

针对路面裂缝检测不完整和分割出现断裂的问题,提出了一种多尺度特征增强的路面裂缝检测网络MFENet,实现端到端的路面裂缝图像检测、分类和分割处理;设计了多尺度注意力特征增强模块,建立了网络模型的上层多尺度特征通道与底层特征通道权重系数之间的映射关系,以提升有效通道的特征输出;基于路面裂缝的坐标信息和像素语义信息在物理位置上的相关性,设计了多语义特征关联模块,实现不同语义信息之间的特征融合增强,并通过特征维度转换实现对路面裂缝图像的前景特征过滤;提出了一种针对深度特征强度进行量化评估的方法,用于提升模型提取特征能力的可解释性。在自采集数据集上的研究结果表明：MFENet对路面裂缝图像检测的平均精准率和平均召回率相比Mask R-CNN分别提升了4.3%和5.4%,相比基线模型RDSNet分别提升了14.6%和14.3%;MFENet对路面裂缝图像分割的平均精准率和平均召回率相比Mask R-CNN分别提升了6.6%和8.8%,相比RDSNet分别提升了8.1%和9.7%;与Mask R-CNN等主流方法相比,MFENet对不同类型路面裂缝图像的检测、分割精度最高。在公开数据集(CFD、CRACK500)上的研究结果表明：在不同场景下的数据集上,MFENet的检测、分割精度均高于Mask R-CNN等主流方法,模型的鲁棒性更强。另外与RDSNet相比,MFENet在不同数据集上的处理速度也均有所提升。     

双注意力引导的跨层优化交通场景语义分割

针对交通场景目标分割边缘不平滑以及小目标难以准确分割等问题，本文提出一种双注意力引导的跨层优化交通场景语义分割算法。首先，构建多分支特征提取编码网络，并利用串行非比例式空洞卷积实现空间上下文信息提取，进而改善小目标信息的丢失；其次，构建基于空间对齐的跨层特征融合解码网络，实现语义信息和细节信息的融合，增强不同尺度目标的表达能力；最后，提出通道和空间注意力机制，建模全局通道相关性和长距离位置相关性，增强网络对关键特征的学习能力。交通场景数据集Cityscapes和CamVid上的实验结果表明，所提特征提取编码网络、跨层特征融合解码网络以及注意力机制模块是有效的；所提语义分割算法获得了77.79%和78.66%的平均交并比，能够平滑目标分割边缘，尤其对细长条形目标具有鲁棒性。     

基于时序融合的自动驾驶多任务感知算法

采用连续图像帧作为输入,挖掘连续图像帧之间的时序关联信息,构建一种融合时序信息的多任务联合驾驶环境视觉感知算法,通过多任务监督联合优化,实现交通参与目标的快速检测,同时获取可通行区域信息;采用ResNet50作为骨干网络,在骨干网络中构建级联特征融合模块,捕捉不同图像帧之间的非局部远程依赖关系,将高分辨率图像通过卷积下采样处理,加速不同图像帧的特征提取过程,平衡算法的精度和速度;在不同的图像帧中,为了消除由于物体运动产生的空间位移对特征融合的影响,且考虑不同图像帧的非局部关联信息,构建时序特征融合模块分别对不同图像帧对应的特征图进行时序对齐与匹配,形成融合全局特征;基于共享参数的骨干网络,利用生成关键点热图的方法对道路中的行人、车辆和交通信号灯的位置进行检测,并利用语义分割子网络为自动驾驶汽车提供道路可行驶区域信息。研究结果表明：提出的感知算法以多帧图像代替单一帧图像作为输入,利用了多帧图像的序列特性,级联特征融合模块通过下采样使得计算复杂度降低为原来的1/16,与CornerNet、ICNet等其他主流模型相比,算法检测精确率平均提升了6%,分割性能平均提升了5%,并保持了每秒12帧图像的处理速度,在检测与分割速度和精度上具有明显优势。     

低照度边缘增强的语义分割模型研究

为提高对低照度图像的语义分割精度,提出了一种基于RPN的边缘增强语义分割模型(EESN)。在该模型中,首先利用深度残差网络提取图像的高阶语义特征,并通过RPN快速生成待分割目标候选区域;然后,利用设计的融合算法对候选区域进行融合,并剔除重复的候选区域;最后,对融合的目标候选区域做低照度边缘搜索,并利用失真代价较小的局部增强算法对低照度边缘进行特征增强。将EESN用于Pascal VOC12和Cityscapes两个数据集的语义分割中,分别获得了81.2%和67.6%的mIoU,该结果证明了EESN对具有低照度边缘的图像具有较好的分割性能。     

基于金字塔多尺度融合的交通标志检测算法

为了解决传统交通标志检测算法针对小目标交通标志检测时存在误检与漏检的问题,提出了一个基于金字塔多尺度融合的交通标志检测算法;为了提高算法对交通标志的特征提取能力,引入ResNet残差结构搭建算法的主干网络,并增加网络浅层卷积层数,以提取较小尺度交通标志目标更准确的语义信息;基于特征金字塔结构的思想,在检测结构中引入4个不同预测尺度,增强深层和浅层特征融合;为了进一步提高算法检测精度,引入GIoU损失函数定位交通标志的锚点框,利用k-means算法对交通标志标签信息进行聚类分析并生成更精准的先验框;为了验证算法的泛化性与解决试验所用数据集TT100K的类间不平衡问题,增强与扩充了数据集。试验结果表明：本文算法的精确率、召回率与平均精度均值分别达到了86.7%、89.4%与87.9%,与传统目标检测算法相比有显著提高;多尺度融合检测机制、GIoU损失函数与k-means的引入能够不同程度提高算法的检测性能,使算法检测精确率分别提升4.7%、1.8%与1.2%;提出算法针对不同尺度交通标志检测时均有更优越的性能表现,在TT100K数据集中的(0, 32]、(32, 96]与(96, 400]尺度下的检测召回率分别达到90%、93%与88%;与YOLOv3相比,提出算法在不同天气、噪声与几何变换等干扰下均能实现对交通标志的正确定位与分类,证明了提出算法具有良好的鲁棒性与泛化性,适用于道路交通标志检测。     

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.     

基于扩张卷积金字塔网络的车道线检测算法

为满足汽车高级驾驶辅助系统对车道线检测准确性和时效性的要求,采用改进的ResNet50网络作为基础模型提取局部车道线特征,利用扩张卷积能指数级扩大感受野的特点,设计了扩张卷积金字塔模块,用以完整提取不同尺度的车道线特征,提出“锚点栅格”的思想,将输出划分为一组栅格,对每个栅格进行分类和回归分析,经过非极大值抑制等后处理,最终输出车道线标记点集. 结果表明:在CULane多场景数据集里对模型进行测试,在交并比阈值取为0.3的评估条件下其综合评估指标F-measure达到78.6%,检测速率达到40帧/s,在评估指标相近的情况下具有远高于空间卷积神经网络（spatial convolutional neural networks,SCNN）模型的检测速率,并在眩光、弯道等困难场景中的检测效果优于SCNN.      

基于图自编码-生成对抗网络的路网数据修复

完整的交通路网数据是实现智能交通系统的前提，故本文提出一种基于图自编码-生成对 抗网络的方法对路网中缺失数据进行修复。首先，通过降噪图变分自编码器提取路网缺失数据 的时空特征，使其能最大程度捕获原始路网信息；其次，基于该时空特征利用生成对抗网络生成 路网数据，加入重建损失并优化生成对抗网络的目标函数，实现对缺失数据的有效插补；最后，采 用西雅图(Seattle)和加州(PEMS04)路网速度数据集，针对不同缺失类型和缺失率下的数据修复进 行对比实验。当随机缺失率在 10% ~70%时，Seattle 数据集的 MAE 指标在 2.38~3.25 之间， PEMS04 数据集的 MAE 指标在 1.46~2.38 之间；当聚集缺失率在 10%~70%时，Seattle 数据集的 MAE指标在2.51~2.82之间，PEMS04数据集的MAE指标在1.52~1.54之间。对比结果表明，本文 提出的路网数据修复方法均优于BP、DSAE、BGCP等模型。     

基于交通轨迹数据挖掘的道路限速信息识别方法

分析了道路限速信息的时空变化性, 提出一种基于轨迹数据挖掘技术的道路限速信息自动识别方法。为了实现海量交通轨迹数据的快速处理, 研究了快速地图匹配与数据清洗等预处理算法, 分析了交通轨迹数据的速度分布特性与最高车速限制指标。基于路段行车速度的统计特性, 构建了道路特征向量模型, 以快速提取海量轨迹数据的潜在特征信息。提出了多投票K近邻分类算法对数据特性进行训练与学习, 以实现对道路限速信息的快速识别。以福州市交通路网及其浮动车轨迹数据构建试验样本集进行训练、学习与交叉验证试验。试验结果表明: 在训练过程中, 当样本数量达到1 200时, 方法的识别准确率最高达到93%, 在仅有150个小训练样本下, 方法的识别准确率也达到75%;方法具有近线性的处理性能, 处理1.0×10⁶条道路的限速信息仅用时46ms。     

基于多特征融合的疲劳驾驶检测

针对疲劳驾驶检测的特征源单一、辨识率低和实时性差等问题，提出基于多特征融合的疲劳驾驶检测方法。通过SSD目标检测算法进行人脸检测，利用轻量级模型PFLD实现人脸关键点定位。以眼部纵横比、嘴部纵横比和头部姿态为疲劳特征源，提取相关特征，对不同驾驶员疲劳阈值进行标定，基于改进的PERCLOS算法实现疲劳驾驶判定。仿真结果表明：多特征融合疲劳检测系统对自建数据集和YAW数据集的疲劳特征辨识率分别达到了90.5%和94.12%，在实时视频流上的执行效率达到31.59 ms，实现疲劳预警。     

基于高斯金字塔的视觉里程计算法研究

针对视觉里程计常用角点提取算法因角点分布不均匀而导致运动信息偏差较大的问题,提出一种基于高斯金字塔的角点提取算法。该算法在角点提取过程中先采用高斯金字塔算法对图片进行尺度压缩,纹理丰富区域压缩纹理,纹理稀疏区域聚集纹理,得到小尺度顶图;然后采用Shi-Tomasi算法提取小尺度顶图角点特征以实现角点粗定位,最后将粗定位信息映射回细节丰富的原图进行角点精准定位,得到图片特征信息。最后,利用金字塔LK光流法追踪角点,根据相机对极几何约束模型恢复运动信息。论文采用KITTI数据集,与原Shi-Tomasi算法、Harris算法、Fast算法进行了对比实验,结果表明本算法可有效改善角点分布均匀性,提高视觉里程计运动信息恢复的精度。     

基于LS-SVM高光谱成像鱼新鲜度鉴别

基于高光谱成像光谱信息的鱼新鲜度(鱼不同冷冻时间以及冻融次数)鉴别。首先,提取鱼样本感兴趣区域(region of interest,ROI)光谱,分别采用蒙特卡罗无信息变量消除(Monte Carlo free information variable elimination,MCVE),连续投影算法(successive projections algorithm,SPA)和随机青蛙算法(random frog,RF)提取特征波长,三种算法分别得到90,31和49个特征变量,采用最小二乘支持向量机作为分类模型,将90,31和49个特征变量作为LS-SVM模型的输入变量建立分类模型,基于SPA-LS-SVM和MCVE-LS-SVM模型预测集识别率都达到了98%,而采用RF-LS-SVM建立的模型取得了较差的预测结果 ,模型预测集识别率都只是达到了88%。结果表明,SPA-LS-SVM作为分类模型优于其他模型,SPA选择的特征波长,不但可以简化模型,还可以提高模型的预测精度,基于高光谱成像技术可以用于鱼新鲜度(鱼不同冷冻时间以及冻融次数)鉴别。     

基于道岔动作电流的故障特征提取与诊断方法

为提高道岔故障诊断精度,提出一种基于粒子群算法(particle swarm optimization,PSO)优化反向传播(back propagation,BP)神经网络的道岔故障诊断法.先利用基于道岔转换状态、时间固定分段、时域统计指标的三种方式提取动作电流特征参数,以降低特征维度;再据三种特征提取方式分别建立基于PSO-BP神经网络的诊断模型.仿真实验结果表明,采用基于时域统计指标的特征提取方式能更有效提取动作电流的变化信息,利用PSO优化BP神经网络可实现网络参数的自动寻优,提高网络对故障分类的效果.     

基于机载LiDAR和Mean Shift算法提取森林密度

为获取森林密度信息,利用Mean Shift算法对森林点云进行单木分割提取森林密度信息.首先,以点云三维坐标和法向量作为特征向量,利用统计分析方法选择合适带宽及阈值,采用Mean Shift算法对点云进行初始分割;其次,对分割后的点云进行分析,加入灌木、杂草等过滤条件,得到树冠点云;然后,对树冠点云再次进行Mean Shift分割,并对每类树冠点云进行统计,以稳态点为粗略位置标记计算森林密度;最后,与地面实测数据进行验证.地面数据验证结果表明,平均计算精度达到90.0%以上,可满足林业应用需求;通过与分水岭法进行对比发现, Mean Shift方法获得的精度为92.5%,比分水岭方法70.0%高出22.5%,且避免了分水岭方法导致的过分割现象.      

基于改进DeepLabv3+的接触网开口销缺陷检测

针对当前基于语义分割的开口销缺陷检测算法存在分割精度不高、检测效率低等问题，提出一种基于改进DeepLabv3+的接触网开口销缺陷检测方法。首先，采用减枝后的MobileNetv2作为DeepLabv3+的骨干特征提取网络，提高检测效率。然后，通过在DeepLabv3+的编码器网络中引入CBAM注意力机制，提高开口销语义分割精度。同时，为缓解开口销区域和背景之间不平衡带来的负面影响，采用CEDice Loss作为损失函数。最后，根据开口销语义分割图像的颜色、形态信息，对开口销进行缺陷识别。实验结果表明：在语义分割方面，相比于原DeepLabv3+模型，改进DeepLabv3+模型的平均像素准确率和平均交并比分别提高了3.54%和3.42%，且测试用时减少了14.41 ms/张，模型参数量缩减了88.61%；在缺陷识别方面，对开口销缺失，松脱，正常三种状态的识别准确率分别为100%,98.1%,99.5%，能够快速有效地识别出开口销缺陷。     

基于双向自适应门控图卷积网络的交通流预测

针对路网交通流时空依赖上的高度复杂性以及数据污染的现实性,基于图神经网络构建一种新型时空融合交通流预测模型。考虑交通流数据中的缺失、异常与噪声,模型首先对数据进行特征重构与融合,在保持时序特性的前提下,以滑动时间窗口平滑交通流特征信息,做好数据准备。考虑交通流的实际有向性,主体模型采用正、反双路网络设计以分向学习交通流时空特征的有效表示。双路网络结构相同,以轻量有效的因果卷积作为模型的时序特征提取器,以多层自适应门控图卷积神经网络作为模型组件提取空间特征,实现信息的自适应聚合与传播,再通过纵向信息聚合层轻量化地实现不同局部视野下的信息融合,基于注意力有效权衡两路网络的信息贡献并将其聚合,建立双向自适应门控图卷积网络交通流预测模型。在真实交通流基准数据集PEMS03、PEMS04、PEMS07和PEMS08上进行模型的有效性验证,结果表明,所建模型在4个数据集上3个预测精度指标均优于基线模型。同时,相较于最先进的基线模型时空同步图卷积网络与时空融合图神经网络,所建模型能以数倍甚至数十倍比例的参数轻量化与低训练时间代价获得更高的预测精度。     

EREW PRAM模型上指数级分割待处理数据集的并行多选算法

提出EREW PRAM模型上指数级分割待处理数据集的并行多选算法，通过分割待处理数据集合的方式来缩小待处理问题规模，待处理元素的规模在指数级上快速达到收敛状态，算法优于线性分割的并行多选算法，算法不会由于待处理数据集合的不均匀性而导致性能的恶化，在时间复杂度上是最优的．     

顾及小目标特征的视频人流量智能统计方法

人流量统计对智能安防等领域具有重要研究价值. 针对视频监控系统中人流量统计准确率较低的问题,提出一种顾及小目标特征的视频人流量智能统计方法,重点研究用于小目标检测的Faster R-CNN （Faster region-convolutional neural network）改进算法、运动目标关联匹配以及双向人流量智能统计等关键技术,根据人头目标的小尺度特点对Faster R-CNN网络结构进行适应性改进,利用图像浅层特征提高网络对于小目标的特征提取能力,通过基于轨迹预测的跟踪算法实现运动目标的实时追踪,同时设计双向人流量智能统计算法,以实现人流量高准确率统计;为证明方法的有效性,在密集程度不同的场景中进行了测试. 测试结果表明:改进的目标检测算法相较于原始算法,在Brainwash测试集和Pets2009基准数据集上的平均准确率分别提高了7.31%、10.71%,视频人流量智能统计方法在多种场景下的综合评价指标F值均能达到90.00%以上,相较于SSD-Sort算法和Yolov3-DeepSort算法,其F值提高了1.14% ~ 3.04%.      

基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法

为有效提取非平稳特性的滚动轴承振动信号特征,提高故障诊断效率,提出一种采用集合经验模态分解（empiricalmode?decomposition,EEMD）、Hilbert变换的特征提取方法,并利用烟花算法优化支持向量机（support vector machine,SVM）分类参数的滚动轴承故障诊断方法. 通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获取模态函数的瞬时频率,并对模态函数及其瞬时频率进行统计特征提取,从而实现特征的有效降维. 结果表明:信号经过EEMD-Hilbert处理后特征能有效提取,将训练集和测试集各600组数据代入烟花算法优化SVM模型得到测试集正确率为99.63%;比传统的遗传算法和粒子群算法优化模型分别提高0.4%和0.2%左右;同时收敛时间更短,验证了该算法模型的可行性与有效性.      

基于VGG16-UNet语义分割模型的路面龟裂形态提取与量化

提出了基于VGG16-UNet语义分割模型的路面龟裂分割技术,开发了该模型提取龟裂形态的量化评价方法;通过移动拍照设备采集路面干燥、浸水与存在道路标线影响等不同条件下的龟裂图像,构建了涵盖轻度、中度、重度3种破损程度的多场景龟裂图像数据集;分析了VGG16-UNet、VGG19-UNet、PSPNet、SegNet与DeepLab v3 + 语义分割模型的龟裂图像分割效果与相应分割指标,明确了最优分割模型并提取了龟裂形态特征;对比了外接正矩形、最小外接矩形和凸包3种轮廓形状拟合边界方法,确定了最优拟合边界,并据此计算了龟裂面积;提出了基于轮廓边界极点坐标的龟裂块度计算方法, 分析了路面龟裂面积和块度特征。研究结果表明：VGG16-UNet模型与VGG19-UNet、PSPNet、SegNet、DeepLab v3 + 这4种语义分割模型相比,VGG16-UNet具有数量为14 710 464的最小总参数量,模型训练速度可达每个世代训练时间为118 s,并能达到每个图像0.021 s的最高预测速度,同时在公开数据集Crack500、CrackTree与EdmCrack600中对复杂背景的裂缝分割准确率为81%,召回率为82%,调和均值为0.81,平均交并比为0.73,优于4种对比模型,模型泛化能力更高;凸包边界拟合方法计算龟裂面积最小,相较于外接正矩形与最小外接矩形边界拟合方法,拟合率分别提高了14.47%、9.30%,能得到最优的路面龟裂轮廓边界;基于轮廓边界极点计算的龟裂块度能有效评价龟裂破损程度,弥补了现有路面龟裂块度的计算难题。