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RFID的道路交通拥堵信息识别模型

为推动交通智能化发展,引入射频自动识别技术获取道路上车辆运行信息,进行基于RFID的车辆信息采集框架设计。然后利用信息融合约简方法计算交通流特征值,最后根据速度、密度、流量三变量建立基于模糊层次分析的道路拥堵评价模型,判定道路交通拥堵级别,并在此基础上提出道路交通拥堵峰值异常和总体评价并行的预警机制。实验分析表明,该模型能够快速准确地确定当前道路的拥堵状态,及时预警拥堵路段,保证道路行车通畅和安全。     

基于不变矩和小波神经网络的标志识别方法

对交通标志实时识别应该满足平移、旋转、比例变换具有不变性以及识别精度高等要求.首先采用不变矩来提取标志图像特征,然后利用小波神经网络作为分类器对标志进行识别,该方法很好地满足了上述要求.和常用的BP神经网络标志识别算法相比,小波神经网络算法的训练速度更快和识别精度更高,在车辆自主导航系统中的应用价值更大.     

基于蓝牙识别的反向寻车系统

随着我国汽车保有量的增加,大型地下停车场也逐渐增多,满足了人们停车需求的同时,也带来了寻车困难等诸多问题。提出了利用蓝牙技术进行停车场内反向寻车的理念:通过手机蓝牙与停车场内i Beacon设备的BLE(低功耗蓝牙)技术进行区域划分,手机终端进行信息处理并提出寻车路线,完成离线导航。在MATLAB环境下进行了试验模拟,结果表明系统具有较强的实用性和便利性。该技术摆脱了传统寻车系统对GPS信号的过度依赖,形成了以i Beacon"定位信号"为核心的全新定位、导航模式。     

融合式空间塔式算子和HIK-SVM的交通标志识别研究

在交通标志识别问题上,提出了一种基于融合式的空间塔式算子和直方图交叉核支持向量机(HIK-SVM)的分类方法.在该方法中,通过提取图像的灰度塔式词袋直方图(Gray-PHOW)特征、颜色塔式词袋直方图(Color-PHOW)特征和塔式边缘方向梯度直方图(PHOG)特征来对交通标志的外观、颜色和轮廓信息进行描述.通过提取空间塔式直方图特征,能很好地对图像各种特征的空间分布状况进行描述.提取到图像的外观、颜色、轮廓和特征的空间分布信息后,对其进行融合,最后得到的融合式的空间塔式特征具有很强的鲁棒性.将该融合式特征送入HIK-SVM进行训练和分类,取得了极其高的识别效果.     

基于模糊识别的道路交通噪声时空综合评价

鉴于目前道路交通噪声评价中存在的同题,提出了一种结合级别特征值法的道路交通噪声综合评价模糊识别模型.运用该模型对吉林省的实证研究表明;吉林省道路交通噪声污染在时间维上呈明显的下降趋势,综合污染级别特征值由1991年的3.83下降到2006年的2.03,但部分地区下降不明显甚至有所上升;在空间维上各地噪声污染的区域差异较大,其中地区问差异是区域问总体差异的主体.而在地区内部差异中,噪声污染严重地区是造成地区内部差异的主体.     

基于终点需求可变的市域旅游客流运输均衡分配模型

以旅游者到达目的地城市后的运输优化问题为研究对象,为减少旅游景点游客量和市域客运网运输量失衡的现象,提出了一种基于旅游终点需求可变的运输均衡分配模型。首先,基于旅游者的完整出行过程分析,构建了目的地城市内部旅游客流的交通运输网络;其次,基于市域内旅游出行起点需求固定但终点需求可变的旅游客流出行特征给出了旅游客流出行分布函数形式,建立了基于终点需求可变的市域旅游客流运输分配模型,通过其一阶最优化条件证明了在均衡状态下,旅游客运分布量能满足Logit形式的出行分布函数和出行发生量约束,旅游客流运输分配量能满足用户均衡条件;最后,基于凸组合法的思想设计了模型的求解算法,并在简化的黄山市旅游客流运输网络分配实例中验证了模型与算法的可行性。研究结果表明：旅游终点吸引度的变化和运输线路广义费用阻抗的变化可以同时影响旅游出行需求分布量,运输线路运能的增加可以提高旅游客流分配量,决策部门可通过调整运输网络节点的吸引度来平衡市域旅游资源,运输企业可通过调整运力配置,改善旅游客运服务能力。     

基于相位特征增强的低对比度磨损车道标线提取方法

为解决磨损车道标线在光照不均、对比度低情况下检测与识别不完整问题,通过一种基于相位特征增强的低对比度磨损车道标线识别方法,研究了低对比度下磨损车道标线在部分直线不清晰下的相位特征提取弱能量信息,以利于Hough变换提取标线的直线信息。结果表明：提出方法对光照不均匀、低对比度且磨损情况下的车道标线边缘提取效果较好。可见对磨损或有缺失的车道线标线解析其相位特征并结合Hough变换的鲁棒性能解决车道线检测与识别的不完整问题。     

基于信息熵的交通标志信息认知计算模型

交通标志信息认知的有效性直接影响交通行为的安全和舒适程度,在交通标志设计时应当 重点关注。以信息论为基础,从研究交通标志传递的交通信息入手,引入满足需求程度、易于理 解程度和预先学习程度作为计算指标,建立信息熵模型。选取中国、美国、日本和英国的城市主 干路交叉口交通指路标志进行案例分析,应用信息熵模型计算交通标志传递的交通信息认知的有 效性。研究发现：信息熵模型可有效量化交通标志信息认知水平,进而科学地反映交通标志版面 的优劣;由于传递了需求程度较高且易于理解的信息,中国组实验标志信息认知程度较高。     

���ڸĽ�BMLģ�͵Ľ�ͨ�¹���·����ͨ����״̬����

针对BML模型在分析交通事故对路网交通运行状态影响方面的不足,考虑事故发生时车辆为回避阻塞点而改变行驶路径等行为,对BML模型中事故点前车辆的行驶规则进行改进,使之与实际车辆的驾驶行为更加接近. 在改进模型的基础上,分别就路网交通流密度一定时,事故点数量变化对交通流平均速度的影响;事故点数量一定时,路网交通流密度变化对交通流平均速度的影响;事故点前各格点车辆转移概率对交通流平均速度的影响;车辆在事故点前各格点的转移概率分布函数不同对系统运行状态的影响等四个问题进行模拟研究,通过对模拟结果进行分析,得出了一系列有意义的结论.     

基于改进BML模型的交通事故下路网交通运行状态分析

针对BML模型在分析交通事故对路网交通运行状态影响方面的不足,考虑事故发生时车辆为回避阻塞点而改变行驶路径等行为,对BML模型中事故点前车辆的行驶规则进行改进,使之与实际车辆的驾驶行为更加接近. 在改进模型的基础上,分别就路网交通流密度一定时,事故点数量变化对交通流平均速度的影响;事故点数量一定时,路网交通流密度变化对交通流平均速度的影响;事故点前各格点车辆转移概率对交通流平均速度的影响;车辆在事故点前各格点的转移概率分布函数不同对系统运行状态的影响等四个问题进行模拟研究,通过对模拟结果进行分析,得出了一系列有意义的结论.     

基于机器视觉的公路交通标志自动化巡检系统

针对既有交通标志巡检的调查手段和分析方法存在的成本高、效率低、精度低的弊端,提出了一种基于机器视觉的公路交通标志自动化巡检系统,实现对公路交通标志的移动式实时检测与分析。首先利用YOLO （You Only Look Once） 算法,将机器视觉技术运用到交通标志的检测中,加快了检测速度。然后给出了交通标志自动化巡检系统的系统构架、系统结构与功能及数据管理方案。最后利用该系统进行实测。实测结果显示,该自动化巡检系统能够准确地检测交通标志、道路标线及路面坑塘,具有较高的测试精度及较好的测试效果。     

基于属性识别模型的城乡结合部交通安全评价

运用变异系数及属性识别理论对城乡结合部交通安全问题进行研究。在对影响城乡结合部交通安全因素综合分析的基础上,建立了城乡结合部交通安全评价指标体系。运用变异系数法确定各项指标权重,建立了城乡结合部交通属性识别安全评价模型。根据单指标属性测度值和多指标综合属性测度值,利用置信度准则识别城乡结合部的交通安全水平。应用此评价模型进行实例分析表明其具有良好的实用性,可以为城乡结合部交通安全规划和治理提供决策依据。     

基于感兴趣区域的CNN-Squeeze交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于感兴趣区域的CNN-Squeeze 交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

对道路交通标志牌设置的对比研究

根据我国现有道路交通标志使用方面存在的问题,基于国外相关方面的研究思路、设置方法以及理论方面的相关分析而提出的一些建议和相关的改善措施,可为我国道路交通标志牌的合理设置提供参考.     

一种基于分道线模型的道路识别方法

介绍了一种基于分道线模型的道路识别方法。该方法首先对图像进行预处理,然后应用分水岭算法划分道路感兴趣区域ROI,最后采用Hough变换拟合分道线,实时地进行道路识别。试验结果显示,在一定条件下,该算法能够满足道路识别的要求。