基于小波变换的汽车车型识别

介绍了多品种混流机器人喷漆自动线的汽车车型识别系统的一种识别方法。主要是利用小波变换具有良好的多尺度特征表达能力，以及能在空域、频域和方向上分别进行分解，而且能够去除冗余信息和噪声等优点对汽车图像进行分解。然后把分解后的图像作为多层前馈神经网络的输入节点，对自动喷漆线上的汽车车型进行识别。结果表明：基于小波变换的神经网络汽车车型识别方法，能够识别返修车，提高了车型识别率。     

一种基于模糊模式识别方法的车型识别仪

车型识别对于收费道路的管理，交通信息统计等具有重要意义，本文介绍一种使用的地感线圈作传感器，基于模糊模式识别技术的车型识别方法。依据该方法研制出的ＡＩＦ－２０型车型识别仪，具有很强的学习能力，在使用时有较大的通用性和适应性。     

感应线圈信号曲线的处理方法及其在车型识别中的应用

为提高车型识别的准确率,提出信号处理的方法：首先采用快速小波变换抽取原始曲线的近似轮廓,从而削弱了噪声等细节信息的干扰,并实现2^n倍的数据压缩;其次利用五点三次滤波器对上一步获得的近似曲线进行平滑,使得离散信号更接近于真实的连续信号;在此基础上提出基于峰值时间差的强鲁棒性车长检测方法;最后,根据形态匹配的要求,采用Akima插值法进行信号尺度的归一化处理。车型识别试验采用观测点的实测数据,并将结果与其他文献进行比较,说明所提出的方法的有效性。     

基于子波能量和神经网络分类器的机动车车型识别

为了使交通管理系统能进行可靠的机动车分类,研究了轿车、轻型越野车和货车3种机动车目标的声信号,提出了一种采用子波分解后不同尺度上声信号能量作为特征向量的特征提取算法,并设计了kNN(k近邻)分类器和改进BP神经网络分类器用于目标分类。目标识别和分类试验结果表明:所提出的特征提取算法能够很好地体现不同类型目标之间的差异,提取的特征向量稳健;设计的改进BP神经网络分类器的分类精度可达92.6%,且分类效果优于kNN分类器。     

基于Kinect深度虚拟线圈的夜间车流量检测

针对夜间环境下基于摄像机的车辆检测方法存在精度低、稳定性差以及无法对车型进行有效识别等问题,提出一种基于Kinect深度虚拟线圈的夜间车辆检测与计数算法.首先对Kinect深度图像进行预处理,分别获得运动目标深度图(MDM)与空洞深度图(HDM).然后在MDM与HDM上设置虚拟线圈,利用积分图像分别生成对应的一维运动信号,对其进行加权合成获得对车辆运动特征的表达,并在合成的运动信号范围内检测出车辆目标,并计算出车辆目标的几何特征,通过SVM对车型进行有效识别.实验结果表明,该算法对于单双车道的车辆计数正确率分别高达99.75%与99.25%,大小车型分类正确率可达99.80%,处理单张图片的平均时间仅为7 ms.     

基于最小二乘支持向量机的车型识别算法研究

以感应线圈车辆检测器检测数据为分析基础,给出了基于Bayes理论的感应曲线自适应特征提取流程和方法,对选取的12个统计特征指标进行提取和优选。选择了曲线宽度、最大值、波峰数量、最小波谷值和波谷比组成车型识别模型的特征输入向量,不仅降低了输入向量的维数,缩短了最小二乘支持向量机的训练时间,同时也可加快车型识别的分类速度,增强特征值的分类辨别能力,提高车型分类的可靠性。在提出的基于最小二乘支持向量机的车型识别算法中,采用了修剪算法,加快了计算速度,同时保持了良好的回归性能。通过实例分析证明:基于最小二乘支持向量机的车型识别算法可提高自学习能力和识别准确率。     

运动图像处理在车型识别中的应用

本文介绍了多品种混流机器人喷漆自动线的汽车车型识别系统的一种方法，提出了基于运动序列图像的自适应阈值判别法，利用特征匹配法解决了同种车型的图像在结构上产生局部变化的识别问题。     

基于地磁的车型识别模糊数据融合方法研究

把由各向异性磁阻传感器检测获得的地磁曲线视为车辆磁偶极模型的映像,通过分析车辆地磁曲线的峰值、峰谷比、峰值时间、谷值时间、车身长等特征的选择和提取,建立相应车型特征向量;然后,依据各类车型特征,应用三角形隶属度函数特征描述和模糊数据融合,提出了一种基于地磁传感器实时数据采集的车辆检测与车型识别流程和车型识别分类算法;最后,通过一组实际采集的车辆检测数据的分类结果,比较了4种模糊数据融合算式的差异,证明了车辆识别分类算法的有效性,并讨论了有待进一步研究的问题。     

基于K均值聚类与Bayesian分类器的车型识别方法

不同车型经过感应线圈时,线圈检测器采集过来信号变化的波形不同,同类车型对应采集的波形中如波峰极大值、峰值位置、平均值、波峰数等特征值都具有相似性。根据感应线圈采集所得信号的特点,讨论了一种基于K均值聚类与Bayesian分类器的车型识别方法。学习训练中,通过K均值聚类算法把不同波形的特征值归类,再采用Bayesian分类器算法去获得分类器。实验结果表明,该方法具有较高的车型识别精度。     

基于虚拟线圈的内河船舶流量检测方法

实时检测内河船舶流量对水上交通管理具有重要意义.为实时检测船舶流量,研究了一种基于虚拟线圈的船舶流量检测系统.虚拟线圈即在视频图像上设置一个封闭区域,根据该区域内图像的变化检测是否有运动目标通过.利用RGB三通道背景差分法得到视频图像的二值化图像,二值化图像的三个分割阈值由大津法求出.设置2个平行的虚拟线圈,通过虚拟线圈的船舶会被检测并计数,同时检测船舶的船长与船宽,利用BP神经网络对船舶进行分类.通过在武汉长江大桥和武汉长江二桥上不同时间段采集的视频进行实验,结果表明,船舶计数正确率达到97.1%,计数漏检率2.9%,计数错检率0%,船舶分类正确率98.6%.处理一帧图片的平均时间为7 ms,具有较好的实时性.     

某越野车平顺性试验的仿真

借助于软件ADAMS/Car,建立了某越野车整车多体动力学模型,然后根据国标规定,按照ADAMS路面文件的要求,建立平顺性脉冲路面,进行不同车速下的仿真试验,得到试验数据。对于随机输入试验,通过深入研究ADAMS／ Car下随机路面文件的特点,规定相应的参数,进行平顺性仿真。另外还探索利用谐波叠加法建立应用更为广泛的随机路面的方法。最后通过编制相应程序,对汽车的平顺性输出结果做出评价。     

基于虚拟车队的自动交叉路口车辆时序优化模型

智能网联汽车可通过彼此交互协同安全地通过交叉路口,自动交叉路口控制已成为未来发展趋势。为解决现有基于预约的自动交叉路口控制模型未全局优化车辆通过顺序及模型非线性导致求解效率低等问题,提出一种基于虚拟车队的自动交叉路口车辆时序优化模型,实现车辆通过时序的高效全局优化。首先,为构建到达安全时间间隔约束,基于车辆冲突分析计算交叉口进口道停车线到各相互作用点的距离。其次,为便于建模和求解,基于时间维度构建虚拟车队并形成车辆索引序列。然后,以交叉口车辆总延误最小为优化目标,车辆通过控制区段的最小行程时间和到达冲突区域边界的安全间隔为约束条件,构建自动交叉路口车辆通过时序非线性优化模型。在此基础上,引入0-1变量将该模型转化为混合整数线性规划模型,并基于开源求解器CBC对模型进行求解。最后,设计数值仿真试验验证模型的有效性并进行了模型的参数敏感性分析。研究结果表明:所构建模型在不同交通需求下优化效果均优于基于"先到先服务"规则的模型,车均延误和最大单车延误能够减少61.50%和39.73%;当安全间距和优化周期较大时,构建模型的延误控制效果更为显著;模型和算法为未来智能网联环境下自动交叉路口控制提供了一种可选的方法。     

一种基于模板匹配的汽车牌照识别方法

受天气、光线等因素的影响，易造成车牌图像灰度不均匀，在车牌图像上部产生阴影，章提出了一种消除阴影的预处理方法。即采用模板匹配完成字符识别，设计字符提取算法，使字符提取和识别同时进行，避免了字符的单独分割。针对一些易混淆的字符，构建神经网络，提高字符的识别率。测试结果证实了本方法的有效性。     

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...     

基于机器视觉对交通场景中车辆速度识别研究

通过对YOLOv5机器视觉框架进行二次开发，同时融合DeepSORT追踪算法，实现对桥梁交通车辆时空信息的提取和车辆轨迹的追踪。改进了传统的虚拟线圈法，实现了对车辆速度的测量，避免对传统方法中因检测线圈的像素变化进行阈值的设定，提高了算法的普适性。最后，将算法应用到实际的场景中与测速仪结果进行对比，其中平均误差在1%以内，误差最大值控制在为15%以内。     

基于图像识别轮胎变形的非接触式车辆称重方法

为了解决接触式车辆称重方法存在的安装和维修成本高、使用年限短、识别精度低等问题,创新性地提出一种基于计算机视觉获取轮胎变形的非接触式车重识别方法。首先,利用视频图像采集装置拍摄车辆轮胎图像信息,通过图像处理技术提取轮胎轮廓,并根据轮廓变形计算轮胎的垂向挠度。其次,通过胎压监测系统(TPMS)获取轮胎的真实胎压值,对于没有安装TPMS的车辆,则可以通过图像字符识别技术读取轮胎侧壁的胎压标识信息,再利用统计回归方式确定实际胎压值。在此基础上,将轮胎垂向挠度和胎压值代入推导的称重公式计算轮胎承受的重量,再将所有轮胎承受重量求和得到车辆总重量。最后,以现场的乘用车和重载货车为例,验证在不同胎压和重量变化下非接触式车辆称重方法的准确性,并对比分析3个称重公式的准确性。研究结果表明:车重识别准确率随着胎压增大而降低,随着车重增大而上升;轮胎刚度拟合公式的载重识别准确率达到95%以上,高于理论推导公式和半经验拟合公式。提出的非接触式车辆称重方法具有测量范围广、无需任何额外传感设备、不用封闭交通和易于信息集成等优势,有效地突破了现有接触式车重识别技术的瓶颈,具有很好的工程应用前景。     

基于深度学习网络模型的车辆类型识别方法研究

为了将有效地识别车辆类型用于智慧交通系统,本文在分析Inception V3模型的基础上,提出了一种基于迁移学习理论的车型分类深度学习模型。该模型首先在Inception V3模型的基础上去除最后的全连接层,并加入参数优化层,然后采用Dropout和全局平均池化层。理论分析和试验结果表明,该模型的性能优于基于VGG-16的车型分类模型、基于Xception的车型分类模型和基于Resnet50的车型分类模型,其训练精度优于96.48%、测试精度优于83.86%。