自适应铁路场景前景目标检测

现代铁路系统中,智能视频分析技术已被广泛应用于异物入侵监测,前景目标检测是入侵判断的必要过程. 背景差分常用于检测前景目标,但铁路场景复杂,存在动态变化的背景区域和未知类型的目标,现有基于阈值分割或深度学习的背景差分算法都不能满足需求,故提出一种基于阈值自适应调节的前景目标检测算法. 利用像素值在时间上的动态信息,分割结果的反馈信息和由超像素提供的空间信息确定阈值调节因子,动态调节阈值以适应环境变化;提出一种灵活可靠的背景模型初始化方法,消除鬼影问题,实现一帧到多帧初始化的灵活切换. 实验结果表明,所提算法在铁路场景上取得了较好的准确率和误分类率,且平衡了精度和速度.     

远场弱磁信号的小波域自适应检测研究

探讨了基于Mallat算法的自适应小波阈值消噪在复杂磁环境下运动目标磁场弱信号检测方面的应用.阈值的选取是算法的关键,基于对目标磁场频谱分析,采用与尺度相关的自适应ARMA模型的阈值算法,改进在不同的小波分解层阈值滤波的性能.对实测数据进行算法仿真,并与Donoho阈值算法检测效果对比表明,自适应ARMA模型阈值滤波算法显著提高对目标磁场弱信号的检测和提取能力.     

动态重规划的多目标路径产生方法研究

随着城市现代化发展,交通问题越来越突出,为解决这些问题,智能交通加速发展,合理优化资源分配成为一大焦点。因此,提出一种动态重规划的多目标路径产生方法,主要分为路径选择模型以及路径优化算法两个方面。提出基于时间最短、距离最短、拥挤度最低三个目标的多目标路径选择模型,确定路径求解算法,改进竞争学习神经网络确定拥挤度分类,通过逆向A*算法进行全局路径优化。当检测到路网信息发生变化时,将新信息反馈到系统中,通过增量更新算法进行动态更新,从而实现实时动态路径规划。最后,根据北京市某片区路网情况进行模拟,验证算法的可行性和有效性。     

交通路况感知下的自适应动态路径规划方法

针对传统路径规划算法在动态网络中的时效性和可用性不足，本文提出一种适用于时变 路网环境下的自适应动态路径规划方法。通过引入动态网络流式图划分思想，构建一种分层路 网的状态树索引，有效降低了动态路网中路径查找的计算代价，并扩展了传统路径规划算法在动 态路网中的普适性。在此基础上，将区域路况的时空变化信息融合到索引树中，进一步提出一种 基于时空层次网络的路径映射方法。并按照访问节点的距离逐步收缩最小包含区域来减少路径 查找视野，将路径查找过程转化为在层次图中的小范围寻址。为适应路网动态变化特征，路径映 射采用多路并行的双向探测策略，使得路径搜索迅速收敛于一个最优解，在动态路况变化和旅行 代价之间寻求平衡。最后，结合北京市实时交通路网数据集进行实验评估，在查询性能和自适应 调整方面验证了所提出方法的有效性。     

基于stroke分级的道路网匹配研究

路网匹配一直是路网数据更新和变化发现的关键技术。针对用"弧段—结点"模型表达的路网数据,设计了stroke生成方法,对路网进行了stroke生成,并根据stroke长度进行了等级划分。在等级划分的基础上,提出了基于stroke分级的路网匹配算法。通过仿真验证,该匹配算法对研究数据进行stroke匹配的正确率达到91.4%,能得到较好的匹配效果。     

基于多峰直方图的遥感图像阈值自动选取算法

基于多峰灰度直方图的阈值自动选取算法,首先使用平均滤波器平滑直方图,消除直方图中微小的波动,保留反映直方图总体趋势的大的波峰波谷;然后通过寻找直方图中局部最大值和最小值,以确定合理的阈值.该算法使用时仅需要用户指定直方图应保留的合理波峰数,在针对大尺寸遥感图象计算出的阈值要优于大津算法和双峰算法计算出的阈值,且算法计算复杂度较低,适用于快速阈值选取.通过对TM影像中水体自动提取实验研究,阈值自动选取算法可用于水体及其它地物目标遥感信息的批量自动提取处理,具有较好的提取效果.     

基于手机基站数据的混合地图匹配算法研究

基于移动通信的交通信息采集是智能交通系统中新兴的应用技术之一,将车载 手机定位到电子地图上是其应用的基础,而地图匹配技术则是解决车载手机定位的关键. 本文通过对车载手机行驶在不同的路网时所产生的基站切换数据信息,分析得到车载手 机实际运行时基站切换的基本规律;并结合电子地图的数据结构特点,对使用基站切换 数据进行地图匹配时需解决的难点问题展开研究;在使用基站切换对代替道路稳定切换 序列的方法的基础上,提出了结合切换对和基站源址的混合地图匹配算法.此算法可以缩 小待选路段集,有效处理交叉口和平行路段等复杂情况,提高匹配准确率.最后,选取广州 大学城为实地测试区域,验证了此算法的可行性.     

运动图像处理在汽车车型识别中的应用

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”的一种算法,提出了基于运动序列图像的自适应阈值判别法和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。     

基于多向堵塞的超点模型研究

在城市路网中,节点阻抗极大影响着路径选择及交通分配的结果.为弥补对节点转向阻抗研究的不足,优化路网流量分配,本文分析了已有节点结构模型,并在超点结构基础上,考虑节点转向的拥堵效应,完善对转向流量、阻抗等信息的记录,提出了转向堵塞后的路径选择方法,建立了基于多向堵塞的超点模型,并设计了求解算法.通过容量限制-增量加载的交通分配方法,演示了算例网络在考虑和不考虑节点转向阻抗下的流量分配过程,分析了网络中路径阻抗变化及路段、转向流量分布.结果表明：基于多向堵塞的超点模型可以有效地表达节点的转向阻抗变化,以及多向堵塞对于流量分配的影响,更符合实际中的交通分配.     

基于自适应聚概率矩阵的JPDA算法研究

为了降低联合概率数据关联(joint probabilispic data association,JPDA)算法的计算复杂度,解决跟踪临近目标时出现的航迹合并问题,基于量测自适应消除方法,提出了一种改进JPDA算法.该算法首先通过Cheap JPDA算法计算互联概率,降低算法计算量;其次对聚概率矩阵加以阈值处理,通过重建确认矩阵,进一步优化算法复杂度;最后采用自适应消除方法,去掉聚概率矩阵中易引起错误关联的量测,减小JPDA算法在关联临近目标时的误差.仿真实验结果表明:相较于JPDA算法及Scaled JPDA(SJPDA)算法,本文算法在保证跟踪精度的前提下,降低了算法复杂度,提高了时效性;在跟踪临近目标及交叉目标时,改进算法能避免航迹合并现象及跟错目标情况的发生.     

���ڴ��ģ���������ݵĵ�ͼƥ���㷨

地图匹配问题是浮动车技术中必须解决的关键问题。由于浮动车数据自身的特点，传统的导航地图匹配算法难以直接适用于大规模的浮动车数据匹配。本文在分析基于浮动车数据的地图匹配与传统的导航地图匹配的异同点的基础上，提出了浮动车地图匹配模型族的解决方案和相应的道路网格拓扑结构，设计了包括道路初次匹配模型、平行方向道路识别模型、节点匹配模型、延时匹配模型在内的浮动车数据地图匹配算法体系，并对算法进行了评估和验证。本文提出的浮动车数据地图匹配算法模型已经在广州市ITS示范工程中得到了实际应用，应用结果表明该算法具有准确、高效和实用的特点。     

基于改进YOLO v3模型与Deep-SORT算法的道路车辆检测方法

针对道路车辆实时检测遮挡严重与小目标车辆漏检率高的问题，提出了基于改进YOLO v3模型和Deep-SORT算法的车辆检测方法；为提高模型对道路车辆的检测能力，采用K-means++聚类算法对目标候选框进行聚类分析，选择合适的Anchor box数量，并在网络浅层增加了特征提取层，可提取到更精细的车辆特征；为加强网络对远近不同目标的鲁棒性，在保留原YOLO v3模型输出层的同时，增加了一层输出层，将52像素×52像素输出特征图经过上采样后得到104像素×104像素特征图，并将其与浅层同尺寸特征图进行拼接，实现车辆目标的检测；为了降低目标遮挡对检测效果的影响，提高对视频上下帧之间关联信息的关注度，将改进YOLO v3模型和Deep-SORT算法相结合，以此来弥补两者之间的不足。试验结果表明:改进YOLO v3模型有效地提高了车辆检测的性能，与在网络浅层增加特征提取层的模型相比，平均精度提高了1.4%，与增加一层输出层的模型相比，平均精确度提高了0.8%，说明改进YOLO v3模型提取的特征表达能力更强，增强了网络对小目标的检测能力；改进YOLO v3模型在引入Deep-SORT算法后，查准率和召回率分别达到90.16%和91.34%，相比改进YOLO v3模型，查准率和召回率分别提高了1.48%和4.20%，同时保证了检测速度，对于不同大小目标的检测具有良好的鲁棒性。      

大样本量地图匹配方法研究

为保证GPS浮动车交通信息采集与预测的精度,采用直接投影算法,即点到线地图匹配算法来进行大样本量的GPS浮动车数据的地图匹配.文章以唐山市为例,在MapInfo图层中绘制唐山电子路网图以及路网中的GPS点,利用MapX控件将图层插入到VB可视化语言环境下进行编程、运行,通过道路搜索、估算投影点坐标、判断投影点是否在选定道路上,最后利用VB中的循环语句来将唐山市电子地图中的大样本量GPS点完全匹配到电子线路中,实现点到线的完全匹配.     

考虑出行者不同理性程度的拥堵交通流分配方法

为研究出行者感知偏好对交通分配结果的影响,本文构建了微观路径选择模型,提出拥堵条件下受路段通行能力限制的交通分配算法。引入出行者决策过程中的后悔和无差别化阈值,考虑出行时间和排队时间的心理感知差异,构建不同理性程度下的路径选择概率模型。在集计水平上,考虑当前路段及其上下游路段通行能力限制、路段车辆空间排队和溢出,提出路段车流量流入、流出的修正方法。采用增量加载分配方法,研究路段车辆的消散特性,再现了从个体路径决策到宏观路网状态的演化过程。基于Nguyen-Dupuis仿真网络,比较不同算法下各路段的拥堵车辆和各路段车辆流入、流出情况。结果表明：出行者个人偏好感知会显著影响拥堵路段的成本函数,是出行者路径选择的关键因素,但是出行者个人偏好对非拥堵路段的车辆流入、流出影响较小;考虑个体偏好的交通分配方法能降低路网的平均饱和度。本文提出的考虑有限理性的拥堵交通分配方法可应用于拥堵路网的交通诱导,有利于促进道路资源的合理利用。     

基于eCognition的面向对象农村公路提取

采用面向对象思想,使用高分辨率CBERS 02B HR全色影像对农村公路进行提取。在对影像进行分割后,综合利用影像对象的光谱信息和几何信息,构建道路提取知识库,并使用道路生长法对提取结果进行完善,增加了道路的完整性。与面向像元的方法对比,该方法能取得较好的精度。     

基于时序融合的自动驾驶多任务感知算法

采用连续图像帧作为输入,挖掘连续图像帧之间的时序关联信息,构建一种融合时序信息的多任务联合驾驶环境视觉感知算法,通过多任务监督联合优化,实现交通参与目标的快速检测,同时获取可通行区域信息;采用ResNet50作为骨干网络,在骨干网络中构建级联特征融合模块,捕捉不同图像帧之间的非局部远程依赖关系,将高分辨率图像通过卷积下采样处理,加速不同图像帧的特征提取过程,平衡算法的精度和速度;在不同的图像帧中,为了消除由于物体运动产生的空间位移对特征融合的影响,且考虑不同图像帧的非局部关联信息,构建时序特征融合模块分别对不同图像帧对应的特征图进行时序对齐与匹配,形成融合全局特征;基于共享参数的骨干网络,利用生成关键点热图的方法对道路中的行人、车辆和交通信号灯的位置进行检测,并利用语义分割子网络为自动驾驶汽车提供道路可行驶区域信息。研究结果表明:提出的感知算法以多帧图像代替单一帧图像作为输入,利用了多帧图像的序列特性,级联特征融合模块通过下采样使得计算复杂度降低为原来的1/16,与CornerNet、ICNet等其他主流模型相比,算法检测精确率平均提升了6%,分割性能平均提升了5%,并保持了每秒12帧图像的处理速度,在检测与分割速度和精度上具有明显优势。      

基于GPS数据的出租车路径选择行为研究

出租车路径选择行为研究对于剖析城市交通流时空分布规律及交通流分配具有重要意义.基于北京市出租车调度系统采集的GPS（Global Positioning System）数据,本文首先通过旅程数据提取、地图匹配及双向扫除算法,构建车辆路径选择行为分析所需的RP（Revealed Preference）数据.其次,在综合考虑道路网络条件和交通条件对驾驶员路径选择行为影响的基础上,构建基于PSL（Path-Size Logit）模型的出租车多路径概率选择模型.案例分析结果表明,出租车驾驶员更倾向于选择旅行时间短、转向次数少、主干路和次干路比例较高的路径.同时,文中所提出的路径选择行为建模方法,对于提高GPS数据的使用价值具有积极的意义.     

考虑三方利益的车货匹配优化

为研究平台模式下考虑车主、货主及平台三方异质化需求的车货匹配问题，在既往研究考虑车货双方利益的基础上，引入了平台方需求. 首先，在分析车货匹配活动参与方需求的基础上，构建了最大化送达时效满意度、最小化货运成本和最大化平台收益的多目标优化模型；其次，在模型求解方面，改进了带精英保留策略的快速非支配排序遗传算法（non-dominated sorting genetic algorithm Ⅱ，NSGA Ⅱ），一方面在子代种群更新过程中引入精英选择系数，提升种群的多样性，另一方面结合自适应的思想，在算法迭代过程中调整交叉变异的概率；最后，利用成渝区域间的车源和货源数据进行仿真实验. 结果表明:改进的NSGAⅡ在中小型算例上的准确率均超过91%，与传统的NSGAⅡ相比，平均收敛速度提升了45%左右；在算法稳定性方面，所提出的算法受随机初始化影响较低，多次实验的相对标准偏差值小于1%.      

考虑连接性的路网划分算法

针对传统K均值聚类算法在非均质路网划分应用中的不足,将路网连接性融入算法,解决其在路网划分应用中聚类结果不连续的问题.先使用最大最小距离算法确定初始聚类中心和路段差异性,并以聚类评价指标ANSK确定K值;然后统计连续时间间隔下路网划分结果的动态频数,合并和拆分不稳定的“噪声”路段,提高划分子区内路网的紧凑性.最后,基于现实路网中的车牌照自动识别实测数据,对改进的聚类方法进行了验证.将算法得到的划分效果与K均值聚类算法和Ncut算法进行对比,并对子区做宏观基本图分析.结果表明,改进后的K均值聚类算法在保证自身原有聚类优势下,可以有效实现连接性约束下的路网划分.     

Application of neural network to downhill shift strategy for automatic transmission

A method is proposed to estimate the longitudinal road gradient with a concept “general gradient force (GGF)”, in which uncertain factors such as additional vertical load, road surface change, and strong wind are also taken into account. An adaptive downhill shift control system is then developed to help driver to use the engine brake with lower gears while downhill driving. In the adaptive system, a three-layer neural network is built to evaluate the necessity to make use of engine brake capability in current downhill situation, and the neural network is trained with samples from experienced drivers. Field test results of the adaptive system are introduced to verify the effectiveness of the approach mentioned above.