车辆紧急呼救系统中碰撞类型识别的新算法

车辆紧急呼救(Automatic Crash Notifi cation,ACN)系统中传统的车辆碰撞类型识别算法仅能判断四个碰撞方向且不能准确计算斜角碰撞的碰撞力主方向(Principal Direction of Force,PDOF)。针对此问题,提出了改进的PDOF计算算法和碰撞类型识别新算法。研究表明,改进后的PDOF计算算法能够准确计算碰撞力的主方向并以此正确判断碰撞的方向,并且碰撞类型识别新算法能够通过y轴速度变化量以及|ΔVy|/|ΔVx|峰值出现时间上的显著差异而准确区分三种正面碰撞类型。与传统算法相比,新算法具有更好的准确性与可靠性。     

持续学习算法在车辆目标识别上的应用

自动驾驶汽车技术的日新月异,主要得益于深度学习和人工智能的进步。然而深度学习模型大多是在静态同分布数据集上进行训练,无法随着时间而适应或扩展其行为。针对这一问题,论文将持续学习模型运用于车辆目标识别领域进行研究。首先搭建可以使得算法流畅运行的环境,选定目标识别的原始图像数据集;在分析现有评估指标的基础上,选取适合于本次实验的评估指标,并采用卷积神经网络（CNN）、最接近类均值（NCM）、增量分类器与特征表示（iCaRL）三种持续学习算法对原始图像数据集进行学习训练与对比验证,通过实验验证了应用iCaRL算法使机器进行持续学习训练时,其精度和效率均优于其他两种方法。针对智能驾驶目标识别图像数据集不完善这一问题,构建了一个新的图像数据集,包含车辆、行人、交通标志及信号灯,将iCaRL算法应用于新建图像数据集进行研究,并在新建智能驾驶图像数据集上进行了训练与测试。结果表明,采用iCaRL算法能够较好地学习新建图像数据集,不会因为环境的改变而使得其性能发生大幅变化,测试结果良好,证明该方法可以在智能驾驶领域进行目标识别。     

基于特征的车辆牌照定位算法

车辆牌照定位是车辆牌照识别中的重要步骤，文章针对车图象的复杂背景及非均匀的光照条件，提出了一种基于特征的车牌实定位算法。实验结果表明，该处一位准确率较高，鲁棒性较好。     

基于深度学习和Opencv的交通灯识别算法研究

针对自动驾驶车辆识别红绿灯的需要,文章采用YOLO深度学习框架和Opencv视觉库,解决了交通灯识别的问题。试验结果表明,基于YOLO和Opencv的交通灯识别算法,能准确地识别出红灯、绿灯或黄灯,解决了自动驾驶车辆的交通灯识别难题。     

基于卡口车辆识别数据的车辆路径识别

车辆出行路径数据是城市道路交通调查的重要数据,如何利用卡口车辆识别数据推算车辆路径,是交通大数据处理的一个典型问题.通过开源OSM地图,识别卡口间路径,可获得卡口间路网距离矩阵,并经计算转换为卡口间旅行时间矩阵.然后基于车辆多次出行的连续性条件,采用时间阀值条件匹配算法将车辆全部卡口识别数据打断,获取出行链表.仙桃市城区车辆路径推算实例的实现简洁高效,可在类似项目中取代传统车辆出行调查.     

基于深度学习的危险品车辆识别技术研究

随着我国高速公路隧道规模的不断扩大,隧道交通事故频繁发生,特别是危险品车辆导致的严重事故不断增多,安全已成为高速公路隧道运营的核心问题。为解决危险品运输车辆实时识别及监控的问题,采用了一种基于深度卷积神经网络的危险品运输车辆识别方法,对行驶于高速公路隧道内的危险品车辆进行识别,并基于深度学习的危险品车辆识别模型,搭建了危险品运输车辆动态识别系统,实现了隧道内危险品车辆的准确识别,有效提升了高速公路隧道危险品车辆识别的准确率,保障了高速公路隧道交通运营安全。     

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%。     

基于深度学习的车辆检测及车型识别研究

正当前,在新一代信息技术引领下,数据快速积累、运算能力持续提升、算法模型不断优化、多场景应用快速兴起,人工智能发展环境发生了深刻变化。车辆检测及车型识别作为深度学习目标检测领域在智能交通的重要应用,也是近年来国内外学者的研究热点。本文针对已有的车辆检测方法缺乏车型识别问题,利用深度学习图像识别技术,提出了基于Faster R-CNN的车辆检测及车型识别方法。通过将Faster R-CNN深度学习模型应用     

基于多特征融合的隧道场景车辆再识别

为解决隧道内交通监控视频的低分辨率以及光照不均匀导致的再识别准确率偏低的问题,提出了一种基于多特征融合的车辆再识别方法,通过充分利用车辆的各种有效特征信息提升车辆再识别精确度。首先,将卷积块注意力模块(Convolutional Block Attention Module, CBAM)嵌入到YOLOv5模型的骨干网络卷积层,同时采用CIoU损失和DIoU-NMS方案,提高车型检测准确率;其次,使用改进DeepSORT的表观特征提取网络和ResNet网络,分别获取深度卷积神经网络(Deep Convolution Neural Networks, DCNN)特征和车型ID特征;再次,将车型特征、DCNN特征及车辆ID特征使用加和表示层进行融合,形成可鉴别身份特征,以提高车辆再识别精度;最后,基于Softmax交叉熵损失和三元组损失设计指标函数并进行学习,对学习结果进行重排序以进一步提高模型的精度,并将算法在公开数据集VeRi776、VehicleID和自建数据集Tunnel＿Veh4C进行训练验证。结果表明：与现有方法相比,提出的Rank-1、Rank-5和Rank-10识别准确率以及...     

基于深度学习的车辆目标检测算法综述

近20年来,随着以物联网技术,计算机视觉技术为代表的核心技术蓬勃发展,基于深度学习的目标检测算法在各个领域都受到了较高的重视,而车辆目标检测是基于深度学习的目标检测中的一个重要研究领域,也是应用在智能驾驶、智能交通系统中非常重要的一部分。针对车辆目标检测任务,首先对深度学习的车辆目标检测进一步探讨,提出检测任务的重点、难点及发展现状,以时间线对卷积神经网络下车辆目标检测算法进行概括,并对目前2种主流的基于候选框和基于回归的车辆目标检测算法进行总结。伴随着目标检测算法的更加轻量化,检测性能更加优越,将在嵌入式设备得到应用,以提高检测任务的效率。在未来自动驾驶,智能交通系统领域对于安全性,实时性的要求会更高,使得车辆目标检测算法有较好的发展前景。     

基于深度学习的车辆目标检测算法综述

车辆目标检测是自动驾驶环境感知的重要组成部分。近年来随着深度学习在目标识别领域取得重大突破,基于深度学习的车辆目标检测算法逐渐成为该领域的研究热点。论文对当前主流的两阶段车辆目标检测算法和单阶段车辆目标检测算法进行简要介绍,分析了其中几种具有代表性的卷积神经网络算法的优缺点,最后总结目前车辆目标检测存在的问题以及未来的发展方向。     

基于PreScan的侧后方车辆识别与跟踪算法的研究

为降低车辆换道时碰撞事故发生的概率,分析和研究了侧后方车辆识别和跟踪算法。首先利用积分图的方法加速Haar-like特征计算,结合级联分类器实现后方车辆的检测。基于MeanShift理论,提出纹理特征和传统颜色特征相结合的方式进行车辆跟踪。利用智能交通仿真软件PreScan构建仿真模型,验证算法的有效性。结果表明,该算法具有较高的识别率,能达到实时性的要求,并且跟踪效果良好。     

基于视频的车辆特征表达与分类算法

为实现车辆类型的高精度检测,提出了基于偏心矩向量的特征表达方法,将运动车辆轮廓点与重心之间的距离定义为偏心矩,构造特征向量实现车辆的标识.该特征向量具备旋转、平移、伸缩的不变性,能够克服目标运动状态和环境变化的影响.采用支持向量机构建多类最优分类超平面,实现运动车辆的多类别快速分类.实验结果表明,不同类别车辆特征区分明显,识别准确率可达94%以上.     

基于环境自识别的地下无轨车辆定位导航算法研究

介绍了地下无轨车辆自主导航驾驶技术的发展情况,分析了井下采矿装备的发展趋势,结合井下环境特点提出了基于环境自识别的井下无轨车辆的定位导航方法。介绍了地下巷道形状自识别定位导航原理,通过激光扫描仪扫描巷道环境完成自主驾驶。研究了利用激光扫描仪扫描路口等巷道形状完成定位导航的方法,对激光扫描匹配定位算法的具体过程进行了详细说明,利用加权最小二乘法对车辆航向误差、位置误差进行了校核修正。通过仿真分析,对车辆的航向角度误差和位置距离误差校核效果进行了比较,车辆校核后的平均航向误差只有车辆校核前航向误差的2.8%,车辆校核后的平均位置误差为车辆校核前的位置误差的23.1%。另外,对激光扫描环境匹配定位方法的局限性进行了分析,提出了利用航迹推算加激光测距/识别的组合定位导航方法。     

基于特征融合的视觉导航智能车辆的车道识别

为兼顾车道识别的实时性和鲁棒性,有序融合了图像中车道线边缘、边缘方向、车道宽度和边缘灰度等特征信息。同时,在识别第1帧车道图像时对整帧图像进行处理;在识别后续各帧车道图像时,根据上一帧图像的识别结果确定动态约束区,并在约束区域内完成识别。实车道路试验结果表明,通过有序融合各种特征信息和合理设置动态约束区能有效识别路面车道线,且车道跟踪具有较好的精确性和可靠性。     

基于车辆特征识别和征信的高速公路不停车手机支付系统研究

基于高速公路不停车收费与手机支付结合的迫切需要,文中提出了基于车辆特征识别和征信的高速公路不停车手机支付系统模型和架构,比较该技术与现有ETC和未来电子车牌不停车收费的区别和联系,结合国家对高速公路通行费"营改增"发票系统改造的要求,分析了该技术推广将迎来重要机遇。     

车辆自适应车道偏离识别算法研究

针对车辆在行驶时由于车道线检测方法单一,导致对直道线和弯道线检测效果不一致,从而影响车道偏离识别效果的问题,基于摄像头采集到的图像信息,提出了1种自适应车道偏离识别算法。该算法对车辆在直道行驶时采用偏离判断基准线法,而在弯道行驶时采用基于触线时间阈值法,分别对行驶状态进行车道偏离判断,该算法既保证了计算速度,又保证了结果的准确性。为了验证所提出方法的有效性,采用仿真的方法,使用车道偏离识别算法获取的数据,通过比例-积分-微分(PID)算法对车辆行驶状态进行控制,得到车辆在预期车道内的行驶状况,以此证明了所提出的车道偏离识别算法的有效性。     

一种基于深度学习的交通标志识别算法

在无人驾驶和驾驶辅助领域,交通标志识别是非常重要的.现实道路中,许多交通标志目标较小且存在相互遮挡的问题,导致标志很难被准确检测.为了解决这一问题,文章利用深度学习网络YOLO v3模型实现对交通标志进行检测.首先,利用数据增强用不同的方式模拟现实天气条件对清华-腾讯交通标志集进行数据集增强,得到更为真实、丰富的标志数...     

基于多特征融合的高速路车辆多目标跟踪算法研究

针对高速路车辆移动速度快、检测器易出现漏检和误检、目标相互遮挡等问题,提出一种基于多种特征融合的高速路车辆多目标跟踪算法。检测器获取每帧目标检测框后,采用HSV颜色直方图和HOG直方图建立目标外观模型,通过卡尔曼滤波建立目标位置模型和尺寸模型,融合多种特征模型构建相似性度量矩阵,并利用二分图匹配解决在线数据关联问题。在KITTI车辆数据集和自采的高速车辆数据集上将该算法与若干经典算法进行比较,结果表明,该算法在跟踪正确率和跟踪速度上明显提升。