基于人车交互行为模型的上下客行为识别

上下客行为是常见的人车交互交通行为，但随意地在路边或者禁停区域上下客，不但容易干扰道路交通秩序，还可能造成人员伤亡的恶性交通安全事故，需要及时检出以便疏导管理。受益于智慧灯杆的开发和部署，全路段的上下客行为检测成为可能。设计了一种基于智慧灯杆监控视频的人车交互行为模型HVIB（Human-Vehicle Interaction Behavior）及上下客行为识别方法，实现路边停车和上下客行为的检测。人车交互行为模型HVIB由车辆运动状态检测模块和人车关系检测模块组成。在车辆运动状态检测模块中，利用YOLOv4（You Only Look Once，Version 4）目标检测模型和SORT（Simple Online and Realtime Tracking）跟踪算法输出高置信度目标信息，并抽取车辆时空位置特征表达。在人车关系检测模块中，结合人与车辆的空间位置变化和相对运动方向，形成人车关系的时空特征表达。通过计算视频中人车时空位置特征，基于车辆运动状态判别函数和人车关系判别函数输出车辆运动状态和人车关系类别，并依据不同人车交互行为的定义，可以实现上下客行为识别。使用真实城市交通场景视频数据，对多种天气条件（晴天、阴天、雨天）下的不同人车行为进行了识别试验。试验结果表明：所提出的方法可以全天候工作，其中在白天多种天气条件下，停车和上下客行为的检测准确率能达到90%和87%以上，夜晚正常天气条件下分别为82.5%和77.5%；同时，检测速度在每秒30帧以上，满足实际应用的实时性要求。     

混合交通中的车辆与行人检测

混合交通中车辆和行人的检测识别是研究如何让计算机以人的思维方式从视频或图像中将车辆和行人从背景中区分出来。车辆检测与行人检测作为智能交通系统的核心组成部分,具有重大的研究价值与现实意义。本文基于候选区域和深度网络的深度特征提取方法,通过获取场景中的大量实时图像数据进行多任务深度模型训练,实现复杂交通场景中的车辆检测和行人检测的任务。相比于传统的车辆检测算法和行人检测算法,基于候选区域和深度网络的深度特征提取方法具有独特的优势:检测的准确性、鲁棒性、实时性可以在一定的条件下达到比较满意的程度。而传统车辆与行人的检测算法,并不能同时在3项指标上达到较好的状态。此外,候选区域的确定避免了穷举式搜索目标,从而节省了大量时间开销。     

行人上高速危害大 拿生命上演“激情与速度”

近年来,随着经济高速发展,高速公路建设也进入高速发展期,已经成为广大驾驶员开车出门第一选择,但伴随着高速公路的发展,行人上高速违法行为也越来越突出。近几年以来,已发生多起因行人上高速而引发的重大交通事故。给交通安全管理工作增加了难度,造成极大的交通事故隐患。加强高速公路的交通秩序管理,治理行人进入高速公路,严管车辆在高速公路上停车上下客。全力保障人民群众生命财产安全势在必行。     

医院“临停”车辆交通组织方案研究

医院前临时停车会影响正常行驶的过境车辆和进入停车场的到达性车辆的通行,是引起周边交通拥堵的重要原因,本文对医院前交通特性以及临时停车对交通的影响行了分析,并提出了优化措施,探讨了临时上下客停车通道的长度与车道数的计算方法,通过实际案例验证了方案的可行性。     

基于小票法的公交线路客流OD分析方法

针对目前常规公交客流OD调查抽样率低,准确率难以保证的缺陷,提出调查公交线路客流OD的小票法,该方法可同时采集各站点的上下客人数及每位乘客的上下车站点等信息。在基于小票法的调查数据的基础上提出一种公交线路OD分析方法,可准确得出公交线路的客流OD,同时还可以得到线路沿途各站点的上下客人数、断面流量等信息。     

HOG与SVM在动态称重轮轴识别中的应用研究

基于机器视觉的检测技术是道路环境感知的重要手段之一。目前,采用机器视觉对车辆、行人等检测技术日益成熟,并有商业化产品出现,但针对动态称重方面的机器视觉检测技术尚待挖掘。在高速公路实行全面的入口超载治理后,高速公路收费站入口称重系统对识别速度、精度等需求日益增加。因此,尝试将机器视觉技术与人工智能技术相结合的方式,研究车辆的轮轴识别问题。针对Hough圆变换算法检测圆形物体鲁棒性不强的问题,提出了一种基于梯度方向直方图(HOG)和支持向量机(SVM)的车轮检测方法,并运用于高速公路的入口车辆轮轴检测之中。首先,在完整地获取车辆车轮图片的前提下,采用方向梯度直方图提取了车轮的图像特征。其次,将正负样本输入SVM分类器,对车轮检测分类器进行训练。最后,将训练完成的SVM车轮分类器用于实际的车轮检测中。在实际应用中,可以通过车轮数量来判断车辆的轴数,达到轮轴检测的目的。试验分析表明:与传统Hough圆变换算法相比,该方法采用的HOG特征鲁棒性强,SVM识别准确率超过96%,可满足对车辆轮轴检测的需求;在实际测试中,所提方法与传统压电式轮轴传感器对比,正确率提高了5%左右,具有良好的实用性。     

基于KDTree树和欧式聚类的越野环境下行人识别的研究

越野环境下行人的识别是班组伴随自动驾驶车辆的基础要求。本文中针对激光雷达点云数据中的行人识别问题,特别是越野环境下的特殊问题,提出基于聚类思想的解决方案。在理论分析的基础上,结合人的几何物理特征,设计了基于KDTree和欧式聚类的行人识别算法,并在越野环境下履带式车辆上进行试验。结果表明,所设计的激光雷达行人识别算法能准确识别激光雷达点云数据中的行人,在越野环境下有良好的识别率。     

高速公路服务区运营效率分析及其提升建议

研究由文献综述、模型设定、模型求解和效率分析、效率提升建议、结论五个部分构成。以山东省高速公路服务区为中心,使用要素不可控数据包络模型,测算了服务区开发运营效率,提出了效率提升建议。通过研究,认为高速公路服务区开发、运营机构要把握服务区效率水平发展现状,参考投入冗余、产出不足量设定经营额、租金额目标,要根据纯技术效率和规模效率特点,在经营管理、资源配置两大方面提升能力,从而提高效率。     

典型汽车碰撞事故场景中行人运动轨迹预测方法

为提高未来自动驾驶车辆对弱势道路使用群体的感知和决策融合的可靠性，本文提出一种基于目标检测算法（YOLOv5）、多目标跟踪算法（Deep-Sort）和社交长短时记忆神经网络（social-long short-term memory,Social-LSTM）的行人未来运动轨迹预测方法。结合YOLOv5检测和Deep-Sort跟踪算法，有效解决行人检测跟踪过程中目标丢失问题。提取特定行人目标历史轨迹作为预测框架的输入边界条件，并采用Social-LSTM预测行人未来运动轨迹。并对未来运动轨迹进行透视变换和直接线性变换，转换为世界坐标系中的位置信息，预测车辆与行人的可能未来碰撞位置。结果显示目标检测精度达到93.889%，平均精度均值达96.753%，基于高精度的检测模型最终轨迹预测算法结果显示，预测损失随着训练步长的增加呈递减趋势，最终损失值均小于1%，其中平均位移误差降低了18.30%，最终位移误差降低了51.90%，本研究可为智能车辆避撞策略开发提供理论依据和参考。     

基于服务区的转移性辅助收费管理研究

针对高速公路联网计重收费方式实施后逃费现象严重和收费时间增大的问题,提出一种基于服务区的转移性辅助收费方法。该方法运用"过程-结果"时空相分离的思想,通过车牌识别、动态称重、IC卡智能控制等技术,在服务区建立一套完整的车辆出入自动化监管监控机制,将收费站的压力合理地转移到服务区。本方法彻底切断了服务区作为逃费的交换途径,杜绝了逃费行为的发生,明显减少了收费时间,提高了收费服务水平。对高速公路管理和服务体系有一定的借鉴价值,可以作为未来高速公路收费体系改革和发展方向的参考。     

山西某高速公路危化品运输与车辆停放特征分析

筛选山西省某高速公路省界服务区2020年1—5月危化品运输车辆的基本信息,通过数据统计,分析危化品车辆运输物资、运输路线和危化品车辆驶入服务区的时间分布规律及主要影响因素,确定山西省高速公路危化品运输与车辆停放的基本特征,提出高速公路服务区危化品车辆安全管理对策,为高速公路及沿线服务区运营安全管理提供指导.     

融合改进YOLO和背景差分的道路抛洒物检测算法

针对现有道路抛洒物检测算法识别准确率低、识别种类有限、实时检测效率低的问题，探索了将深度学习目标检测和传统图像处理相结合的抛洒物检测算法。提出在YOLOv5s目标检测算法基础上，对模型结构进行修改以满足实时性需求。具体地，使用卷积优化YOLO中的降采样模块，采用Ghost网络替代原始的特征提取网络以减少计算量，根据抛洒物检测对象的特点设计符合数据集的锚框以提高目标识别准确度。使用优化后的YOLO检测道路场景中车辆、行人作为交通参与者得到检测框，在检测框周围设定感兴趣区域，并在感兴趣区域内用背景差分算法实现前景目标识别。计算前景目标与YOLO检测结果的交并比，排除交通参与者目标后实现道路抛洒物的识别。针对交通参与者检测的实验结果表明，改进后的YOLO检测算法在整体识别精度没有损失的情况下单帧检测速度为20.67 ms，比原始YOLO检测算法速度提升16.42%。真实道路抛洒物实验结果表明，在没有抛洒物训练数据情况下，传统混合高斯模型算法平均精度值为0.51，采用融合改进YOLO和背景差分的抛洒物检测算法平均精度值为0.78，算法检测精度提高52.9%。改进后算法可适用于没有抛洒物数据或正样本数据稀少的情况。该算法在嵌入式设备Jetson Xavier NX上单帧检测速度达到24.4 ms，可实现抛洒物的实时检测。      

江苏:查处套牌、假牌交通违法行为364起

<正>8月13日至8月22日,全省公安交警部门共查获套牌、假牌交通违法行为364起,其中使用伪造号牌(假牌)135起,使用其他机动车号牌(套牌)229起。行动中,江苏省公安厅交警总队抽调套牌假牌查缉能手,组成执法小分队,赴套牌假牌违法多发地区和10个重点公安检查站开展集中路面查缉。执法小分队还深入居民小区、公共停车场、高速公路服务区、背街小巷等区域进行地毯式清查,发现并查处涉牌涉证违法车辆。     

基于BP神经网络的高速公路服务区车辆驶入率预测

为科学度量高速公路服务区车辆驶入率,在分析服务区车辆驶入率影响因素的基础上,构建了基于BP神经网络的服务区车辆驶入率预测模型。以新郑服务区为实例,验证预测模型的可行性及确定石武高铁对新郑服务区车辆驶入率的影响程度。验证结果显示,该模型具有可操作性及可靠性。     

基于视频分析的高速公路异常事件检测

随着机动车数量的增加,道路上的拥挤问题日益严重,尤其是高速公路,车辆行驶速度快、车辆违停、逆行等更易造成严重的交通事故,为了能及时发现异常行驶车辆,预防交通事故,本文研究基于视频分析的高速公路异常事件检测,利用目标检测SSD算法进行运动目标的检测,再结合卡尔曼滤波算法跟踪车辆,得到检测车辆的运动路径,通过车辆的行驶速度及运动路径建立判别模型,从而有效地检测逆行、违停等车辆。     

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。     

基于深度学习的多目标车辆轨迹自动采集方法

车辆轨迹通常用于驾驶行为建模和交通安全领域。为获取交通视频中车辆轨迹,提出一种基于深度学习的自动采集方法。利用YOLOv5检测器在连续帧中的感兴趣区域进行车辆检测,通过DeepSORT跟踪器进行稳健而快速的车辆跟踪,该追踪器可以有效减少目标ID的跳变,提升跟踪稳定性,通过透视变换得到车辆的真实世界坐标并使用局部加权回归算法进行轨迹平滑。实验结果表明,该方法在高速公路监控数据集上的平均多目标跟踪准确率达96.1%,轨迹采集的平均准确度超过了93%,平滑算法能有效去除轨迹噪声。     

大型综合交通枢纽出租车上下客点规模确定方法研究

以虹桥综合交通枢纽为例,介绍了枢纽交通配套设施中出租车上下客点规模的确定方法。通过对现场调查获取的数据进行分析,得到实际运营中交通枢纽的交通特征及参数,给出枢纽配套设施出租车上下客点规模需求预测方法,为综合交通枢纽陆侧交通的规划、设计和运营管理等工作提供借鉴。     

公路区域治超系统研究及应用

随着公路数字化、信息化程度的快速发展,车辆治超也从传统的治超站逐渐转变到非现场执法,但对于源头治超、高速公路出入口治超并没有统一运用起来。为此,采用多源数据融合技术开发公路区域治超系统,通过多源数据采集控制及匹配,对采集到的多源数据进行交互验证,建立车辆多源数据修正体系,解决多源采集时的数据污染,提升采集数据准确度,并综合运用决策模型,对货运车辆的违法运输行为进行综合判定,基于MVC(模型-视图-控制器)模式框架搭建公路区域治超系统管理平台。系统能够实时获取各检测点车辆数据,对超限车辆违法信息进行及时推送,有效遏制超限车辆对路面的损伤。     

基于边缘对称性的车辆前方行人检测方法研究

利用视觉传感器信息丰富的特性，提出了一种基于边缘对称性的行人检测方法。利用Sobel算子和Hough变换确定车辆前方的感兴趣区域（AOI），然后提取感兴趣区域图像的垂直边缘，根据行人腿部的垂直边缘对称性确定垂直边缘对称轴，并结合行人形态特征以确定行人初始候选区域，最后采用灰度对称性和局部熵对行人候选区域进行目标识别验证。道路试验结果表明，该检测方法识别有效、可靠，并具有良好的鲁棒性。