基于Bayes决策的视频交通流检测方法

本文提出了一种在路况背景中检测行驶车辆的新方法。在更新路况背景时采用了基于Bayes决策分类的背景提取法,通过平均灰度差值判别背景的变化性,相应地采取不同的策略替换背景。这种方法提取的背景在准确性上较以往方法有较大提高,可精确地达到车辆检测的效果。结果可作为智能交通系统中高层交通管理及车辆控制的基础。     

融合实时交通状态信息的道路背景更新模型

针对道路背景的提取和更新效果受实时交通流状态影响的问题,提出了一种用于交通视频监控场景下的融合实时交通状态信息的道路背景更新模型和实现方法.该方法通过构建宏观交通状态参数特征集估计道路实时的交通状态信息,在传统方法基础上融合交通状态信息建立选择性背景帧提取模型,改进背景更新候选帧的选取条件,通过光照变化来估测道路背景的更新频率并自适应地提取背景更新区域.试验表明:该方法在道路交通顺畅和拥堵状态时,均能有效地提取道路背景,大大地提高背景更新的收敛速度.     

基于视频图像的车辆计数新方法

针对道路车流量检测问题,从便捷性、实时性角度出发,结合视频图像处理技术,对视频车辆计数进行了研究。直接在RGB图像中进行自适应背景更新,以此为基础,对RGB图像进行背景差分,提取出运动车辆区域,避免了复杂环境下图像灰度化过程中的信息丢失;利用当前帧和背景帧的HSI颜色空间信息来滤除阴影;通过在视频图像中设置固定虚拟检测区,实现对车辆的计数。实验结果表明,该方法计算量较小,白天情况下的计数准确率在89.58%以上;夜间的计数准确率较低,还需进一步研究改进。     

一种基于同态滤波的背景建模方法

在道路视频检测技术中提出了一种基于同态滤波的背景建模法。对图像进行同态滤波的预处理,以适应渐变的光照情况。通过图像分块与帧间差分来获取临时背景序列,为背景建模做准备。为了处理背景中由于车辆突然开动或停止产生的＂鬼影＂,对帧序列有效区中的每一像素进行基于灰度分区直方图模式建立背景模型。这种方法既能应对光照渐变又能适应大流量且车速慢的拥堵情况。实验结果表明,此算法具有良好的可靠性与鲁棒性。     

基于计算机视频的交通流参数检测

针对视频交通流的特点，在总结以往视频车辆检测方法的基础上。提出了一种改善背景的更新方法，并着重对车流量统计和车速计算算法的实现进行了介绍。最后给出了实现结果并讨论了提高检测数据准确性的措施。     

基于图像纹理分析的动态车辆识别方法研究

在智能交通系统中,动态图像识别技术是系统应用的基础核心技术之一。以应用于交通监控、智能驾驶系统等场景的HSV空间动态车辆识别为基础,研究并论证提出了新的检测识别方法,实现对运动车辆的检测识别、目标追踪、驾驶辅助等功能。研究问题的难点是,如何从复杂的背景中分割运动物体,是检测方法能否有效的至关重要的一步,在研究了目前存在的各种方法之后,提出了一种新的基于阴影检测的HSV空间自适应背景模型的车辆追踪检测算法,算法基于HSV空间图像处理,采用最大类间方差法获取相邻帧二值化阈值,利用纹理信息进一步确定动态图像以及确认图像范围。通过截取由监控系统获取的视频信息,并对其进行图像处理检测车辆移动轨迹。从监控视频信息中获取两帧不同时刻的图像信息,在HSV空间进行相邻帧检测。由于阈值的选择将直接影响判断精度,本研究将固定阈值法进行了改进,该阈值是通过统计模型对整幅图像上灰度值进行计算,并通过最大类间方差法确定阈值。最后经过实际视频图像验证,仿真试验流程清晰,试验结果达到预期设想。     

基于视频分析的车流量综合检测算法

车流量检测是智能交通系统中的关键技术之一。研究了多种基于视频图像处理的车流量检测算法,包括基于灰度图像的背景差分法、帧差法、边缘检测法和基于彩色图像的色彩跳变检测法。在分析了以上算法在不同检测环境中适用性差异的基础上,提出了1种修正的背景差分法,并在此基础上实现了1种通用性更强的综合检测法。综合检测法结合背景差分法,边缘检测法和色彩跳变法三者优点,可依据光线条件自动选择检测区域和检测算法,适用于多种检测环境,准确率超过90％。     

基于最优阈值和随机标号法的多车辆分割

以选择性背景更新为基础,提出由相似度决定更新速度的新方法.综合颜色差异、连通性和车辆占空比等属性建立分割双阚值的能量函数,并利用模拟退火算法求取全局最优阚值.用最优分割双阚值对车辆图像进行阚值粗分割,再以条件随机域工具整合视频空间中的时间和空间信息建立随机标号域模型,并计算最大后验概率确定粗分割中各像素点的标号(细分割...     

视频交通场景的背景生成方法研究

通过对视频交通场景特点的分析,提出了基于视频技术的交通场景背景生成及其更新方法--背景相异像素迭代法.并通过试验和与其他算法进行比较,证明了该算法背景生成和更新的可行性和先进性,解决了在交通流密度比较大的情况下难以进行背景生成和更新的问题.本算法对于提高交通视频检测在实际应用中的准确性和适用性具有重要的意义.     

基于视频图像处理的车辆排队长度检测

综合灰度检测和边缘检测的优点，提出了一种将灰度与边缘检测相结合的方法来检测队列长度，采用帧平均法来处理视频流，可以减小由于摄像头抖动或背景微小变化而产生的误差。提出的队列检测算法包含运动检测和车辆存在检测，通过合理分配使用这两种操作，节省了运算时间。实验结果表明，此方法实现简单，能够获得较满意的检测结果。     

高墩连续刚构桥双悬臂状态等效风荷载的简化计算

基于高墩连续刚构桥双悬臂状态的特点及横桥向一阶振型,考虑平均风荷载与结构脉动风荷载背景响应及共振响应,给出了方便工程应用的计算墩底横桥向弯矩和剪力等效风荷载及风载内力的简化计算方法。为验证简化计算方法的精度,分别采用抖振频域分析方法及简化计算方法对2个典型算例进行了分析,并与现行规范静阵风系数的结果进行比较。结果表明:简化计算方法具有较好的精度,适于工程应用;若忽略脉动风共振响应的影响,对高墩桥梁其结果将偏小较多;高墩桥梁的桥墩风荷载很大,其对墩底风载内力的影响甚至可能超过主梁,应引起足够重视。     

历史风貌街区城市道路更新研究——以上海与武汉为例

历史风貌街区是我国历史文化名城保护体系中的重要组成部分,而道路更新在历史风貌街区的保护与改造中具有一定特殊性：一方面,它是城市道路老路改造的特例;另一方面,它需要历史文物保护、景观设计、城市规划等多专业的参与。为提升历史风貌街道更新工程的品质,给类似工程提供参考,在梳理历史风貌街区的三级规划体系、近年来各地相关政策及指导性文件的基础上,分析上海衡复风貌区、思南路、武汉中山大道、青岛路、黎黄陂路等典型工程案例,总结历史风貌街道更新的实践经验。     

疏浚对既有桥梁安全影响的分析

随着经济的发展,交通畅通、河段疏浚、景观效果和旅游发展等交叉专业的综合提升,越来越受到重视。借助Midas和桥梁设计师两个软件,根据河段疏浚施工时序,分为不同的计算工况,在不同的工况下计算桥梁下部结构的安全性,提出对桥梁安全性的影响内容。通过讨论河段疏浚对既有桥梁的安全存在一定的影响,提出计算模式的探索方式,提供有效的分析数据,供管养单位和河段疏浚单位进行参考。     

管道更新掘进机关键技术研究与应用

为解决城市地下管道更新、扩容面临的原位非开挖技术难题，设计、研发机械化非开挖管道更新掘进机，对开挖舱压力平衡系统、管道保通环流系统、整机集约化设计等关键技术进行研究，并成功应用于管道更新试验段工程项目。通过分析试验数据，构建实际顶推力模型，得到刀盘转速、推进速度、刀盘切削阻力等设备配置参数。实际掘进效果表明： 该非开挖管道更新掘进机能够有效解决大直径钢筋混凝土管道原位破挖更新、管道清淤、管道保通等技术难题； 设备月进尺达150~450 m，保通流量为500 m3/h左右，开挖舱压力大部分时间在50~80 kPa浮动，沉降控制在4 mm以内，实现了钢筋混凝土旧管道原位破挖和新管道同步敷设一次施工成型，提高了城市管道更新施工的自动化水平，为老旧城区机械化非开挖管道更新提供了新的工法借鉴。     

改进的GM（1，1）模型在变形预测中的应用

研究GM（1,1）模型的理论发现,模型的背景值序列、边值条件和残差的改进能提高模型的模拟预测精度。利用MATLAB软件编制不同背景值和边界条件下的模型优选程序,通过工程实例表明,改进的GM（1,1）模型模拟预测精度较高,适合其在变形预测中应用。     

基于模糊理论的路面裂缝图像增强方法

在获取路面图像中，由于背景光照不均匀以及存在着一些路面噪声，给后来的图像分割及识别带来了一些困难。提出了一种基于模糊理论的图像增强方法，用来消除背景光照不均匀，并通过实验验证了该算法。实验结果证明了该算法对消除图像不均匀的有效性。     

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。      

交通视频背景估计动态高斯混合模型

为适应交通环境多变情况下实时交通信息动态采集的要求,提出了1种基于单高斯分布假设、图像分块处理、利用帧差法进行样本选取的动态混合模型对交通信息的图像背景进行快速估计,并在实际道路环境下对多种方法进行实验比较,证明该模型有效地削弱了运动物体和噪声对于背景估计的影响,具有较好的正确性和有效性.