道路场景中交通标志的检测方法

为在车辆视觉导航中能快速识别道路场景中的交通标志,通过提取标志的特征颜色与识别标志的特征形状来实现交通标志的检测。将道路场景RGB空间图像转换为HSI空间,利用色调与饱和度融合的办法来提取道路场景中标志的特征颜色区域,二值化后排除噪声并通过投影法得到正确的标志区域,实现交通标志的定位。以红色禁令圆形交通标志为例,提出一种改进的Hough变换方法来识别标志域内的几何特征——圆形标记。通过对不同条件下20幅含禁令标志的道路场景图像的检测试验,发现本方法对交通标志颜色提取定位与几何特征图形识别的正确率都达到100%,且平均检测时间为245ms。分析结果表明:该方法能够快速、准确地确定标志区域,同时对禁令标志几何图形识别具有较强的实时性和鲁棒性。     

基于均值聚类的车牌定位技术研究

采用强制综合聚类中心的均值聚类思想对车牌图像进行区域分类,在HLS颜色空间下,利用数理统计的方法得到聚类颜色中心,并对目标图像进行强制聚类,以最终获得只包括车牌四种颜色的待处理的图像,然后利用形态学、人工神经元网络等技术对车牌进行车牌识别.该方法在实践中进行了验证,比基于二值化和灰度化处理思路的定位效果更好,能对多种不同环境下的拍摄的车牌进行有效的识别.     

颜色在识别中的应用及关键技术研究

研究颜色在识别中的应用以及所涉及到的关键技术.主要技术包括色度图、颜色库、自适应阈值、颜色模版匹配、模糊神经网络、颜色分类器等.重点研究了适于遥感图像分类的正交坐标系的YHS(亮度,色调,饱和度)变换技术.     

基于序列图像的交通流自动调节系统

本文提出了从视频动态序列图像中检测,识别汽车目标的算法,以此来分析城市道路车流量状况,并自动调节控制系统.通过背景抑制法获得汽车区域,利用基于数学形态学的方法进行去噪声;利用二值图像阈值法和相关法来分别提取汽车车身和车灯.从而估算城市道路汽车流量,并调整道路中间隔离栅.仿真实验结果表明:算法能够有效的检测,识别目标,并对控制系统进行自动调节.     

基于序列图像的交通流自动调节系统

本文提出了从视频动态序列图像中检测、识别汽车目标的算法,以此来分析城市道路车流量状况,并自动调节控制系统。通过背景抑制法获得汽车区域,利用基于数学形态学的方法进行去噪声;利用二值图像阈值法和相关法来分别提取汽车车身和车灯。从而估算城市道路汽车流量,并调整道路中间隔离栅。仿真实验结果表明：算法能够有效的检测、识别目标,并对控制系统进行自动调节。     

基于灰度形态学的车牌定位算法

根据车牌图像的统计特征,计算形态学滤波器的结构元素,进行图像背景估计;利用闭-开运算,处理残差图像;采用自动搜索种子区域填充算法,得到各个区域;根据区域的几何特征,判断是否为车牌区域;通过对二值化的车牌采用K-means聚类拟合直线方法进行倾斜校正,得到最终的车牌.实验结果表明:该算法简单、迅速,定位准确率高,为后继字符分割和识别奠定了基础.通过对120幅图像定位实验,总有效定位率为96.7%.用Matlab7.0实验时,每张车牌平均定位时间为2.438s,而用VC++实现时,平均定位时间仅为0.139s.     

基于SVM分类器的道路湿滑图像分类方法研究

在恶劣天气下路面湿滑状况将发生显著变化,导致驾驶条件恶化,极易引发恶劣的交通事故.为了帮助交通管理部门实时获取路面湿滑状况信息,了解路面附着性能,并以此制定合理的车速控制和交通诱导策略,通过采集道路湿滑图像,利用设计的具体SVM分类器结合3种训练算法对道路湿滑图像进行分类学习训练,并通过训练后的SVM分类器对大量道路湿滑图像进行分类实验,对道路湿滑状态进行分类研究.实验结果表明:(1)寻找合适的核函数,选择合适的参数是使用SVM进行高效分类的一个重要因素;(2)在训练过程中,均方误差(MSE)能反映出分类器实现的正确率,SVM的训练本身的误差决定了分类的正确率,而且训练个数的增多带来了特征空间维数的增加,从而导致计算量的增大.     

改进的EM算法在分块灰度图像二值化中的应用

识别扫描得到的文本图像首先要进行二值化处理,以去掉冗余的信息.针对二值化过程中采取固定阈值会导致图像的背景和文本不能得到有效区分的问题,提出改进的分块EM算法,并应用在文本图像的二值化过程中,有效地分离了图像中的文本和背景信息,使识别的后续阶段提取的特征能够更好地代表要识别的模式.     

多层感知器自监督在线修正的道路识别算法

为解决自主移动机器人非结构化道路识别检测准确性、鲁棒性及实时性的问题,提出一种基于感兴趣区域(Region of Interest,ROI)与多层感知器(Multi-Layer Perceptron,MLP)为核心的自监督在线修正算法.首先,通过ROI算法规定被处理图像的有效计算区域;其次,利用多层感知器对样本数据进行训练,将感兴趣区域按相应特征实现分类处理,并对分类区域进行形态学处理及特征提取处理,筛选出有效的行驶区域;最后,通过自监督在线修正算法替换错误处理结果,进一步保障道路分类识别的准确性.实验结果表明,改进算法能准确地识别出环境中的道路区域,具有良好的实时性与可靠性.     

基于图像分析的滚动轴承表面缺陷识别技术研究

系统介绍了滚动轴承表面缺陷视觉检测系统的检测原理及流程,着重分析了表面缺陷二值图像的几何特征和形状矩特征、BP神经网络的各参数选择以及实验结果．实验证明本系统用于滚动轴承表面缺陷检测具有可行性,采用神经网络识别可使表面缺陷分类正确率达到88％．     

基于人类工效学的指路标志视认性研究

为提高交通标志的视认性,促进道路交通安全,对指路标志视认性的影响因素进行了定量 研究。首先,基于人类工效学理论对评价指标进行分析,得到11 个指路标志视认性的影响因素,建立指路标志视认性的评价模型,采用定性评估与定量评价相结合的方法对模型参数进行标定。然后,在大量问卷调查的基础上,通过层次分析法得到了不同影响因素的权重值,结果表明标志的设置位置、遮挡情况、字型尺寸以及字数多少对其视认性的影响最为显著,且其权重值分别为0.140, 0.130, 0.127和0.106。最后,通过对南京市虎踞北路高架桥处的指路标志进行分析,验证了 该模型的合理性与可靠性。     

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.     

道路交通事故的影响范围算法

为了及时有效地采取交通流诱导措施以减少交通事故对路网的影响,对交通事故影响范围的确定方法进行研究。首先分析了路段和交叉口两种类型交通事故对路网的影响。以交通波理论为基础进行交通事故影响范围算法分析,将影响范围分成交通事故处理和交通事故持续影响两个时间段,对每一段的交通波速度、排队长度等给出相应的计算方法和步骤,最终得到确定影响范围的流程图。以虚拟路网进行算例分析,证明了算法的可行性和实用性。     

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%.     

国道218道路安全保障工程设计

针对国道218现有交通安全设施中存在的交通标志设置不合理、交通渠化不够、混合交通现象严重等问题,分析了道路安全保障工程实施的重要性,同时探讨了交通标志设置方法及注意事项,以促进我国道路安全设施的合理设置。     

人机系统理论在交通标志有效性分析中的应用

针对当前交通标志存在的问题,从人机工程学角度,介绍交通标志与驾驶员、车辆、道路环境构成的人机系统各要素内容：运用人机工程学图示模拟和感觉评价两种方法,对交通标志所处人机系统进行阐述,分析各要素特点及相互关系：结合问卷调查结果．指出交通标志在设计与设置过程中应注意的人机因素。研究成果可为提高交通标志设计、设置的有效性．改善交通安全状况提供理论依据。     

基于事故树的公路路段交通安全评价方法

针对现有公路路段交通安全评价方法无法评价而导致安全程度下降的主要原因或因评价指标权重很难确定的缺点,利用事故树分析方法建立了公路路段交通安全评价指标确定方法,提出事故树的修正结构重要度的概念,并以其为基础建立了评价指标权重确定方法和综合评价模型方法。以平曲线路段为例对其进行了说明,最后选取实际公路路段数据对所设计方法进行了验证,结果表明方法不仅可以评价出路段的整体安全程度,而且能够确定出导致路段安全程度下降的主要原因。     

一种基于深度学习的离散化交通状态判别方法

在智能交通信号控制和交通流诱导系统中,交通环境状态的有效判别是影响交通控制决策的先决条件,本文针对交通流产生的大数据信息,结合深度学习算法提出一种离散化交通状态的判别方法.给出了包括交通状态数据采集、状态数据描述、状态深度学习和判别等功能模块的系统架构,构建了一种离散交通状态编码方法,为深度学习交通状态特征提供了数据基础.模型训练阶段,对采集到的二值和连续值交通状态数据,分别构建了两种不同的深度置信网络实现交通状态特征的无监督学习;模型微调阶段,在整合形成的高层抽象特征向量顶端增加softmax分类器,采用反向传播算法实现参数微调.最后,该方法基于VISSIM微观交通软件进行仿真,实验结果表明,离散交通状态编码方法可有效表达交通状态,基于深度学习的交通状态判别方法相对传统方法具有较高的准确度.