基于视频的交通事件自动检测技术综述

首先从基于视频的交通事件自动检测技术所涉及的目标提取、车辆跟踪和行为理解等3个步骤中，详细地介绍和比较国际上常用的各种检测算法；其次，从背景建模和车辆阴影两个方面分析了检测算法中存在的技术难点和可能的解决方案；同时，从平均检测时间、检测率和误报率3个方面介绍该技术算法性能的评价方法。最后总结了基于视频的交通事件自动检测的相关技术，展望了该技术的发展前景。     

基于模式识别与ST-MRF相结合的车辆检测方法

车辆检测技术的主要难点是在于解决车辆之间的遮挡,以及由于光照变化引起的车辆与其阴影之间的遮挡问题,这些问题将直接影响检测的精度.针对这个问题,在原ST-MRF方法上研究了基于模式识别与ST-MRF相结合的车辆检测方法.模式识别技术分割相互遮挡的2辆车之间的边界,并识别相互遮挡车辆的边缘间隙以及边界信息,模式识别结果反馈...     

基于深度学习的车辆目标检测算法综述

车辆目标检测是自动驾驶环境感知的重要组成部分。近年来随着深度学习在目标识别领域取得重大突破,基于深度学习的车辆目标检测算法逐渐成为该领域的研究热点。论文对当前主流的两阶段车辆目标检测算法和单阶段车辆目标检测算法进行简要介绍,分析了其中几种具有代表性的卷积神经网络算法的优缺点,最后总结目前车辆目标检测存在的问题以及未来的发展方向。     

基于车辆积压长度的高速公路交通事件检测算法

为了准确、快速地检测高速公路上发生的交通事件,提出一种基于车辆积压长度的检测算法,该方法利用上、下游检测点同步采集的交通流量实时估计检测点之间的车辆积压长度,并以车辆积压长度的移动平均值作为特征指标来实时检测交通事件.仿真分析结果表明,该特征指标对交通事件敏感,所提算法具有检测率高、误检率低和检测时间短的优点,具有良好...     

基于目标检测与语义分割智慧工地施工人员安全状况判断研究

在公路工程施工过程中,由于施工人员素质良莠不齐等因素,给行业监管部门带来极大困难。为实现施工人员实时检测及周边环境实时查看,由于人员检测与环境分割方法易受到施工环境干扰,若分开进行,会造成资源浪费。针对该问题,提出一种基于目标检测与语义分割融合的智慧工地施工人员安全状况判断方法,利用施工场地实时视频数据,对施工人员进行端对端实时检测与周围环境语义分割,结合分割结果,可判定施工人员是否处于安全区域。同时,为验证方法的有效性,基于甘肃省某公路视频监控数据实现数据集制作,并与现有方法进行性能对比实验。     

基于单目视觉的路面车辆检测及跟踪方法综述

首先介绍了车辆检测算法的3种基本组成部分：检测、验证、跟踪，然后根据算法的组成重点介绍了车辆检测以及跟踪的几种主要算法。车辆检测算法包括基于特征的方法、基于光流场的方法和基于模型的方法，车辆跟踪算法包括基于区域相关的方法、基于活动轮廓的方法、基于特征的方法和MeanShifi快速跟踪算法。根据试验结果对各种车辆检测和跟踪方法的优点、缺点以及实际应用中不同情况下适用范围的局限性进行了综合分析。最后在结论部分总结展望了文中介绍的几种车辆检测和跟踪方法的应用前景，并提出了在实际应用时的一些建议和将来的主要研究和发展方向。     

基于YOLOv5的车辆目标检测算法轻量化改进

针对传统路端车辆目标检测算法参数多、检测速度较慢等问题,提出了基于YOLOv5 的车辆目标检测算法轻量化改进。首先,选用轻量化 EfficientnetV2 卷积神经网络对原骨干网络进行重构,同时在网络中引入 GAM 注意力机制;其次,为平衡 CIoU 损失和 IoU 损失在损失函数中的权重,引入 α-CIoU 损失代替原有的 CIoU 损失;最后,使用 soft-NMS 算法替换原有的 NMS 非极大值抑制算法。结果表明：相比原算法,改进后算法的精度提升了.51%,检测速度提升了 8.6%,模型大小降低了 31.7%;改进后的模型在提升检测速度的同时,还提高了路端车辆目标的检测性能。     

基于神经网络的交通事件检测算法

回顾了几种传统的交通事件检测算法，提出从多层前向人工神经网络角度建立模型，并运用ＢＰ算法予以实现。在将ＢＰ算法与传统算法进行比较之后，发现ＢＰ算法具有检测率高、误报率低、检测时间短的优点，同时也存在不足之处，指出了今后进一步研究的方向。     

基于速度分类算法的交通事件实时视频检测

交通事件实时视频检测技术是当前流行的事件检测技术。通过对交通事件的特征分析,综合对比面积分布和速度分布信息对视频检测效果的影响,提出基于速度分类算法的交通事件实时视频检测方法。在此基础上给出运动目标的速度提取算法以及事件判定准则,并完成事件判定。最终给出算法的实际场景实验结果并对结果进行分析。     

基于GPS的高速公路交通事件自动检测算法研究

通过分析交通事件条件下当事车辆瞬时速度的变化特征,设计了1种基于GPS的高速公路交通事件自动检测算法,并对采样时间间隔的确定、检测阈值的确定、持续性检测时间的设定与报警机制设计等方法进行了研究,分别利用软件模拟数据和实测模拟数据对算法的有效性与可移植性进行了检验.试验结果表明该算法对于交通事件具有良好的检测性能.     

基于Fisher判别的城市快速路自动事件检测算法研究

交通事件检测是尽早发现公路运营中的事故隐患,提高运输安全性的重要技术.文章目的在于构建一个高精度并且易于实施的快速路自动事件检测算法.在简述国外自动事件检测算法、分析快速路特点和事件检测系统要求的基础上,研究了快速路检测器布置的原则和优化密度,选择了对事件发生敏感度最大的4个交通参量,建立了基于Fisher判别模型的自动事件检测算法,采用历史数据对模型进行标定,并给出了试验评价结果.试验结果表明,该方法检测率达到85.7%,并且检测速度快.     

基于多源信息融合的高速公路事件检测算法研究

为了研究高速公路交通事件检测算法,以多源信息融合理论为基础,依托人工神经网络技术,设计了固定检测器与浮动车检测器的信息融合事件检测算法,并说明了具体的检测原理和融合过程。通过Vissim仿真获得数据,在Matlab中编程实现了信息融合过程,试验结果表明在三级报警策略下,信息融合算法的事件检测率、误报警率和平均检测时间都达到了较高的检测水平,证明了所设计的信息融合交通事件检测方法的优越性。     

城市快速路三维集成交通事件自动检测算法

为了及时、准确地检测交通事件并采取有效的管理手段,提高城市快速路交通管理水平,在总结现有交通事件自动检测算法优缺点的基础上,提出了一种基于二维空间和一维时间的交通流异常变化的三维集成交通事件自动检测算法(集成AID算法),并利用北京市二环快速路上现有的交通流数据及相应的交通事件信息,对提出的集成AID算法进行验证,对其有效性和实用性进行分析。结果表明:该算法能够对快速路交通事件进行有效检测,与各个维度的子算法相比,能有效提高检测率,降低误报率,能够满足实际工程应用的需求。     

基于D-S理论的城市快速路交通事件自动检测算法

为有效提高快速路交通事件检测的覆盖率,解决算法误判率较高的问题,本文通过分析交通事件发生时交通流参数在时间维与空间维的变化,分别提出了基于固定检测器的多参数判别算法与基于浮动车的时空二维判别算法.当两个数据源算法同时满足检测条件时,研究以D-S理论为基础,将两个子算法有效地结合,实现事件的综合检测.最后,研究利用北京市...     

基于TAN分类算法的交通事件检测

事件检测算法是交通事件管理系统的关键技术之一,提出一种基于树增强朴素贝叶斯(TAN)分类算法对交通事件进行检测,它的网络结构和参数通过数据学习确定,相比贝叶斯网络算法,对专家经验依赖较小.采用小波去噪、标准化和基于熵的离散化方法对原始交通数据进行预处理,将交通事件作为"0-1"分类变量,交通特征参数作为属性变量,构建TAN分类器.采用新加坡艾耶尔国王高速公路(AYE)的数据集对该算法进行了实例验证,实验结果表明TAN分类算法与多层前馈神经网络(MLF)算法的检测性能相当,它们的检测率分别为95.97% 和98.8%,但TAN分类算法在模型训练和标定的速度上具有显著优势,且相比MLF算法,TAN分类算法的原理更加简单易懂,因此TAN分类算法具有更广泛的应用前景.     

基于模糊综合推理的道路交通事件识别算法

在对与传统不确定性推理融合算法比较的基础上，提出在智能运输系统中，应用模糊综合决策模型来进行多目标多传感器的信息融合，来解决在交通事件中的多事件多传感器的事件识别问题，该模型的主要特点是具有信息损失少，且计算量少，具有实用性。     

基于SNN软件系统的神经网络交通事件自动检测算法

高速公路交通事件自动检测在我国是一个新的研究领域,它是解决高速公路突发交通事件的有效途径之一。随着神经网络技术的成熟与完善,许多学者把这项技术应用于高速公路交通事件自动检测。本文总结现有神经网络算法的不足,提出基于SNN(StatisticalNeuralNetworks)软件系统的神经网络交通事件检测新算法,通过与传统的加利福尼亚算法、滤波算法、标准偏差法进行比较和验证,得出新算法明显优于传统事件检测算法的结论。     

一种基于ART2神经网络的高速公路交通事件自动检测算法

提出一种基于ART2伸经网络的高速公路交通事件自动检测的新算法。该算法利用高速公路交通流模型和ART2神经网络分别作观测器和分类器。观测器估计的数据和实际交通数据进行比较,得到残差序列;利用ART2神经网络对残差序列进行分类,以区分不同交通状态下的交通信息,达到检测交通事件的目的。本算法不但可以识别已知的交通事件类型。还可以识别未知的或从未出现过的交通事件类型,是一个可以边工作、边学习的检测系统。