车牌定位及车辆特征识别研究

车牌定位及车辆识别是智能交通管理的主要研究问题.车牌定位识别,通过对图像进行预处理并结合形态学能粗略获取候选车牌位置,对符合特征的候选车牌进行筛选,精确获取车牌位置,最后采用神经网络完成字符识别过程.车辆识别采用迁移学习,采用AlexNet卷积神经网络构造出深度特征向量.形态学能够应对灰度底质量差的情形,为字符识别提供保障.车辆识别时对比直接分类图片特征,迁移学习构造的深度特征分类精度为85.13%,提高了38%,验证了迁移学习的有效性,通过KNN算法表明深度特征能够表征图片属性.针对新数据集重新提取特征、训练样本将消耗大量时间,对比迁移学习和AlexNet框架发现分类精度持平,表明了迁移学习的鲁棒性.      

基于探地雷达的路基脱空病害图像自动识别

道路病害快速检测对于确保道路的安全和可靠运行至关重要。而探地雷达技术在道路病害检测中具有快速、无损和高分辨率等特征,因此被广泛应用。然而,以往的雷达图像处理和解译主要依赖人员的主观经验,易导致误判和漏判。为了解决这一问题,通过研究基于YOLO算法的图像识别方法,结合深度学习技术,开发一种智能化的道路病害识别系统,能够自动提取探地雷达图像中各类病害的特征,并实现高效、智能的识别,并通过钻孔验证,以确保识别结果的准确性,有效预防突发性道路塌陷的发生,提高道路的安全性和可靠性。     

基于深度学习的多角度车辆动态检测方法

针对在复杂场景下,背景区域干扰特征过多、被检测目标运动速度快等导致的动态目标检测率低的问题,研究了基于深度学习的多角度车辆动态检测方法,将带有微型神经网络的卷积神经网络(MLP-CNN)用于传统算法的改进.使用快速候选区域提取算法提取图像中可能存在车辆的区域,之后使用深层卷积神经网络(CNN)提取候选区域的特征,并在卷积层中增加微型神经网络(MLP)对每层的特征进一步综合抽象,最后使用支持向量机(SVM)区分目标和背景的CNN特征.实验表明,该方法能够处理高复杂度背景条件下,部分遮挡、运动速度快的目标特征检测,识别率高达87.9%,耗时仅需225ms,比常用方法效率有大幅度提升.      

基于卷积自编码的沥青路面目标与裂缝智能识别

目前基于深度学习的路面裂缝识别经常面临训练数据集小，以及路面图片标注成本高等问题，基于小规模路面图片数据集，利用卷积自编码（CAE）方法进行数据增强，开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上，采用CAE重构图片方法对原始数据集进行两步骤扩增；利用卷积神经网络DenseNet，设置了不同数据扩增方法的对比试验；针对沥青路面裂缝图片背景较黑，裂缝特征不清晰，无监督聚类学习难度大等问题，采用了一种基于CAE预训练的深度聚类算法DCEC，对经数据增强的路面图片进行无标注的聚类识别。研究结果表明：经过DenseNet网络100代的训练，在同一测试集的测试下，基于原始数据集训练的网络分类准确度为78.43%，利用传统图像处理方法进行扩增后准确度为83.44%，利用所提出的图片增强方法进行数据扩增后准确度达87.19%；在保持扩增后数据集样本量大小相同的情况下，与几何变换、像素颜色变换等经典数据增强手段相比，CAE重构图片的数据扩增方法有较高的路面图片识别精度；CAE数据扩增方法较受训练数据集样本量的影响，利用传统方法将数据集扩增后进行CAE特征学习，重构后的图片样本更易被机器识别；相较于传统机器学习聚类算法，所提出的的DCEC深度聚类方法将聚类准确率提升了约10%，初步实现了无需人工标注的路面目标的端到端智能识别。     

基于融合特征稀疏编码模型的车辆品牌识别方法

提出了一种基于融合特征稀疏编码模型的车辆品牌识别方法,该方法首先提取车脸图像的方向梯度直方图特征作为融合特征稀疏编码模型的一级特征向量,然后将车脸图像的一级特征向量作为过完备字典中训练样本集的线性组合,并构建非负性约束稀疏编码模型,最后采用重构误差最小原则对车辆品牌进行识别。基于东南大学的车脸数据库进行了试验,结果表明,基于融合特征稀疏编码模型的车辆品牌识别方法优于HOG+SVM、传统稀疏表示和字典学习稀疏表示的车辆品牌识别方法,其平均识别率达到96.16%。理论分析和试验结果表明,基于融合特征稀疏编码模型的车辆品牌识别方法具有较强的鲁棒性和适用性。     

基于无人机及Mask R-CNN的桥梁结构裂缝智能识别

桥梁结构表面裂缝检测为桥梁状态识别、病害治理、安全评估提供了重要状态信息和决策依据。为解决传统人工检测方法存在的危险性高、影响交通、费用昂贵等问题,提出基于无人机（Unmanned Aerial Vehicle,UAV）及深度学习的桥梁结构裂缝智能识别方法。采用大疆M210-RTK多旋翼无人机进行贴近航摄,获取桥梁结构混凝土表面高清图像;利用SDNET裂缝数据集等图像资源,制作1 133张标记裂缝精确区域的深度学习训练样本图像库;引入掩膜区域卷积神经网络（Mask R-CNN）深度学习算法,训练和建立Mask R-CNN裂缝识别模型;基于Mask R-CNN裂缝识别模型,采用矩形滑动窗口模式扫描混凝土表面高清图像,实现裂缝自动识别和定位。构建包含图像二值化、连通域去噪、边缘检测、裂缝骨架化、裂缝宽度计算等流程的图像后处理方法,实现裂缝形态及宽度信息自动获取。通过精度验证试验,证实采用M210-RTK无人机+ZENMUSE X5S相机+45 mm奥林巴斯镜头的组合装备,当无人机至桥梁结构表面垂直距离为10.0 m时,无人机方法识别的裂缝宽度与裂缝测量仪结果吻合,其绝对误差小于0.097 mm,相对误差小于9.8%。将该无人机裂缝检测方法应用于高136.8 m长沙市洪山大桥桥塔表面裂缝检测,采用深度学习Mask R-CNN算法进行裂缝智能识别,其裂缝识别准确率和召回率分别达到92.5%和92.5%。研究结果表明：无人机桥梁裂缝检测方法可实现高耸桥梁结构表面裂缝的远程、非接触、自动化检测,具有重要的科学研究和工程应用价值。     

基于卷积神经网络的道路多目标检测方法

得益于数字图像处理技术快速的发展和计算机硬件性能的提高,基于机器学习和深度学习的图像处理技术,成为智能驾驶视觉感知的重要支撑。为了在实际道路环境中持续高效的检测道路目标,文章利用了YOLO神经网络作为主要检测框架。使用卷积神经网络可以同时捕捉到目标的底层和高层特征。物体的底层特征可以符合人的视觉感知特征和主观感受,确定物体的所属种类和外观形状,将底层特征与高层语义特征结合进一步增强神经网络识别的准确度和鲁棒性。     

大数据背景下的桥梁结构健康监测研究现状与展望

结构健康监测（SHM）技术在许多大型桥梁的运营养护管理中均有应用，但已有监测系统积累的海量数据并未被充分解读。为将大数据技术引入到桥梁SHM数据的处理分析中，首先总结大数据的概念和构成要素；然后分析SHM数据的工业大数据属性，梳理桥梁SHM大数据的研究方向；随后综述包括处理技术和分析方法在内的大数据技术在桥梁SHM中的应用现状，在由数据预处理、数据融合、特征工程、模式识别、可视化构成的大数据分析流程中提出SHM大数据研究的需求和应用场景；最后对大数据技术在桥梁SHM中的前景与驱动力进行展望和讨论。结果表明：SHM大数据研究应以结构状态评估为落脚点；大数据处理技术在SHM的系统框架搭建及数据分析能力扩展方面虽已得到较多应用，但其并非SHM大数据研究的重点；SHM数据融合对大数据分析方法有迫切需求，以实现桥梁SHM数据与外观检测等多源异构数据的多层面融合；深度学习、集成学习为结构状态敏感特征的提取提供了新的算法；有监督、无监督机器学习方法结合海量SHM数据将对结构状态评估下的模式识别问题形成更全面的认知；异常识别、相关分析、迁移学习等方法可为实桥SHM损伤识别提供支撑。研究结果可为SHM领域的大数据研究提供参考。     

基于视频图像的公路隧道火灾烟雾检测

为有效检测公路隧道火灾烟雾并预警，针对公路隧道传统火灾烟雾探测器存在的反应慢和功能单一等问题，通过分析研究火灾烟雾视频图像的颜色和纹理特征，提出一种基于烟雾图像特征的公路隧道火灾烟雾检测方法。首先，通过改进后的Vibe算法模型提取图像运动区域；然后，在YUV色彩空间中确定疑似烟雾区域后利用颜色滤出方法分割出疑似烟雾区域；最后，用从疑似烟雾区域图像中提取的颜色矩和均匀局部二进制模式（ULBP）与灰度共生矩阵（GLCM）构成机器学习分类器的输入向量进行隧道火灾烟雾识别。为满足复杂的隧道环境，对比分析BP神经网络、支持向量机、随机森林3种机器学习分类器的烟雾识别效果，选出最优算法作为公路隧道烟雾识别分类器。通过模拟公路隧道火灾烟雾试验视频和某实际公路隧道火灾视频对分类器进行试验测试，结果表明： 基于BP神经网络算法的检测系统识别性能最优，选取的烟雾特征具有较高识别精度，能够在隧道复杂环境中识别火灾烟雾。     

基于LBP算子的路面类型识别研究

不同的路面类型会对车辆的制动、加速、变道等决策产生不同影响,因此实时获取路面类型信息对于提高智能汽车的安全性、舒适性等有着重要意义。论文提出一种基于LBP算子的路面类型识别方法,首先采集了四种车辆行驶常见路面的图像信息,并对图像进行了增广处理;然后使用LBP算子提取出路面图像的纹理特征,再采用PCA方式对纹理特征进行降维;最后通过分类器对数据进行训练与分类。实验结果表明该方法的最高分类准确率可以达到98.5%,有效提升了当前路面类型识别的精度。     

浅析目标检测算法及其在自动驾驶场景中的应用

基于深度学习的目标检测算法在自动驾驶领域的比重日益上升。文章首先介绍了基于深度学习的卷积神经网络和目标检测算法的发展过程,其中简要介绍了几种经典卷积神经网络模型的结构特点;然后详细介绍了以R-CNN系列为代表的基于候选框的two-stage算法和以YOLO系列为代表的基于回归的one-stage算法,简要介绍了这两大类算法各自的结构和优缺点,最后总结了目标检测算法在自动驾驶场景中应用时比较常用的几种优化方法和研究趋势。     

驾驶员安全带识别方法综述

安全带作为一种十分重要的被动保护措施,可有效降低事故发生时的驾乘人员死亡率。因此,通过识别驾驶员是否佩戴安全带,可以减少由没有系安全带而带来的交通事故,并提高司机系安全带的安全意识。文章介绍了常见的几种识别方法,包括基于图像分类的识别方法,基于目标检测和语义分割的识别方法和传统目标检测结合SVM支持向量机的识别方法。结果表明,传统的识别方法需要对图片进行大量的预处理,降低了检测速度,基于深度学习的识别方法在速度和精度方面都优于传统的识别方法。     

基于室内标志的视觉定位方法

为解决室内交通场景中智能汽车和移动机器人进行定位计算的问题, 利用室内场景中已存在的各类标志, 引入BEBLID算法, 提出1种视觉定位方法。对BEBLID算法进行改进, 赋予其对图像整体进行特征表征的能力。将定位过程分解为离线阶段和在线阶段, 离线阶段构建场景标志地图。在线阶段中, 首先通过全局特征匹配, 引入KNN方法确定最近节点和最近图像。通过局部特征匹配获得特征点一一对应关系。利用场景特征地图中存储的标志坐标信息, 进行度量计算, 获取当前位置信息。在教学楼、办公楼和室内停车场场景进行实验, 实验中对场景标志的正确识别率达到90%, 平均定位误差小于1 m, 与传统方法相比, 同一样本下识别精度相对提升约10%, 实验验证了算法的有效性。      

基于异步交互聚合网络的港船作业区域人员异常行为识别

港船作业区域人员的异常行为识别可为智能航运的管控与决策提供重要数据支撑,有利于推动智慧港口和智能船舶的发展.基于异步交互聚合网络开展了面向港船工作环境下的人员异常行为识别研究.基于YOLO模型对港船图像进行卷积操作,利用特征金字塔优化卷积结果得到图像序列中每一帧的人员位置,结合联合学习检测和嵌入范式输出港船图像序列中的...     

冻融循环对不同塑性路基土剪切强度的影响研究

为了研究冻融循环对不同塑性路基土剪切强度的影响,通过室内三轴试验和冻融循环试验对3种塑性指数的土样进行了研究。结果得到:当冻融循环次数增加时,剪切强度随着塑性指标的增加而有所增大;当塑性指数相同时,剪切强度随冻融次数增加与围压增加改变各不相同,与冻融循环次数成反比,与围压成正比。并且冻融循环6~7次后,3种塑性指数土样的剪切强度的变化均会趋于平缓。     

基于Bi-LSTM的多类型特征融合驾驶员疲劳识别方法

针对传统的基于驾驶员面部图像采集的单一类型特征的疲劳识别方法,在阴影遮挡及光照变化场景下存在准确性、鲁棒性不足的问题,深入开展基于多类型特征融合的驾驶员疲劳识别方法研究。在分析非图像化的驾驶员疲劳特征的基础上,通过机器人操作系统（Robot Operating System, ROS）的话题订阅来实现驾驶员生理特征、操作行为特征及面部特征的多源数据同步采集。处理原始数据并分析数据特性,提出了一种融合生理特征与驾驶员及观测者主观评价的数据标注策略,标注疲劳特征,构建驾驶员疲劳数据集;将驾驶员操作行为特征与面部特征融合,形成多类型特征融合序列,并基于双向长短时记忆（Bi-directional Long Short-Term Memory,Bi-LSTM）网络,构建多类型特征融合的疲劳识别模型;通过单一类型特征与多类型特征对比试验、不同场景对比试验证明,基于Bi-LSTM的多类型特征融合识别方法的准确率和鲁棒性较单一类型特征识别方法均有明显提升,能在各种场景下更好地识别驾驶员的疲劳状态。     

超深埋长隧道地应力场综合反分析方法与应用

在分析超深埋长隧道工程沿线地应力场时,大埋深、长洞线、复杂地质条件等因素增加了工程区地应力场的复杂性和认知难度,影响了地应力判断结果的准确性。锦屏山超深埋特长交通洞为中国埋深最大的交通隧道,最大埋深达到2 375 m、长度达到17.5 km,水压致裂法、应力解除法等常规的直接地应力测试方法仅适用于洞口等浅埋位置,难以直接测得深部的地应力数值,进而影响对整个区域地应力场的判断,客观信息的缺乏决定了要从其他多个角度去评估地应力场状态。首先借助峰值强度和残余强度应力包络线,揭示了隧道周边不同位置处围岩开挖响应所对应的应力状态,提出了超深埋长线形隧道工程地应力场分析工作流程。在锦屏山交通洞工程实践过程中,综合采用宏观地质判断、现场破坏现象分析、测试成果指示、应力集中区推断等方法,对地应力场分布特征进行了评估和解译。另外,由于岩组、褶皱、构造、地形等条件导致局部地应力异常,采用非连续数值分析方法分析了结构面、褶皱2种代表性因素对局部地应力场的影响。最后,基于上述研究成果,建立考虑了地形、褶皱和主要断层的整体高精度三维模型,利用褶皱构造和断裂构造在现今构造挤压作用下的响应方式揭示了沿线地应力存在的分区现象,为超深埋长线形隧道工程的地应力场判断提供了更加准确便利的方法。     

基于深度学习的驾驶员状态识别

提出了基于驾驶员脸部及周围信息的驾驶员状态检测方法。文章通过实车摄像头采集了驾驶员驾驶状态视频数据,利用Dlib和OpenCV库对采集的驾驶员图像进行脸部检测,基于驾驶员脸部数据建立了深度学习数据集,然后基于该数据集设计了一种卷积神经网络模型FaceNet,利用PyTorch深度学习框架在数据集上对模型进行训练,最终得到了有较高准确率的驾驶员状态检测模型,其可识别抽烟、睡觉、左手打电话和右手打电话四种驾驶员状态。     

基于自然驾驶数据的分心驾驶行为识别方法

大量证据表明，驾驶人分心是导致交通事故的主要原因之一。当前基于侵入式（如脑电波等）或半侵入式（如视频等）检测驾驶人分心的方法，不仅对驾驶任务造成一定干扰，且受多种环境因素的制约，误报率较高。基于此，只考虑非侵入式车辆运动特征，提出一种基于深度学习的驾驶人分心状态识别方法：首先，从自然驾驶数据集中获得大量的跟驰片段，采用态势感知方法，提取典型的分心驾驶片段，并建立仅包含车辆运动学特征的分心判别指标集；其次，利用梯度提升决策树-递归特征消除算法（GBDT-RFE）和随机森林-递归特征消除算法（RF-RFE）对特征进行重要度排序，得到重要度较高的分心监测指标；最后，采用长短时记忆神经网络（LSTM-NN）实现分心驾驶的分类识别，并与支持向量机和AdaBoost的模型结果进行对比。研究结果表明：LSTM-NN在判别分心或正常状态时F₁分别为89%、91%，高于SVM和AdaBoost对应二分类结果；进行多分类任务时，判别分心情景的平均F₁较SVM和AdaBoost分别提升了12%和7%，不同类别分心识别的误报率在15%以下，说明LSTM-NN能够有效学习分心序列的前后信息，有利于准确估计驾驶人的状态。研究结果可为车辆分心预警系统和驾驶风险倾向性评估提供方法基础。     

融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型

山区高速公路事故严重程度预测对保障交通安全具有重大意义。针对现有事故严重程度预测模型存在准确率低、泛化性差等问题,考虑到深度卷积神经网络可以高效处理图像问题,为此将事故影响因素图像化,提出一种融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型。该模型首先采用相关性分析确定影响交通事故严重程度的因素,依据严重程度与影响因素将事故划分为财产损失、轻伤事故、重伤事故和死亡事故4类;然后将影响因素处理成图片的形式,进而将事故严重程度预测问题转化为图像的分类问题,随之构建基于反残差与注意力机制的山区高速公路事故严重程度预测模型,其中：基于深度可分离卷积的反残差结构可以以较少训练参数获取较高的准确率,基于软阈值的注意力机制作为一种非线性层可以忽略与事故严重程度无关的信息,Mish激活函数可以确保更好的信息流入神经网络。结果表明：在山区高速公路交通安全事故严重程度评估中,相比于传统的机器学习模型,所提出的模型识别准确率具有明显的提高,且测试准确率为85%左右,满足山区高速公路安全评估的实际预测需求。