高速公路场景图像的二值化及交通标志定位检测方法

采用CCD摄像机采集高速公路场景图像，并通过图像颜色空间变换，将图像的RGB量值转换为色度-饱和度-亮度（HSV）量值。采用基于阈值的方法对场景图像中颜色饱和度分量进行二值化分割处理；利用场景二值化图像形状特征（周长、形状参数、圆形性参数）去除非目标区域，并通过搜索场景二值化图像方向投影值序列的突变点实现标志准确定位。采用HSV颜色模型中的亮度分量和最佳阈值法对场景图像中标志区域进行二值化处理。结果表明，应用上述方法能取得良好的效果。     

一种新型交通标志自动识别系统

道路交通标志自动识别系统是智能交通系统的重要组成部分,本文介绍了一种基于MATLAB的交通标志自动识别方法。摄像机采集道路交通标志图像,输入图像预处理模块后进入计算机,计算机用matlab基于直方图均衡化对图像作预处理改善图像的像质。然后以颜色为依据通过阈值分割的方法提取颜色特征的目标区域。之后通过孤立点和面积去噪去掉一些不必要的干扰提取目标区域。腐蚀,最后与模板库交通标志对比基于特征模板进行识别。     

基于三维激光雷达的道路可通行区域分割提取方法

为实现无人驾驶车辆利用车载三维激光雷达提取道路可通行区域,提出了一种基于小波变换结合模糊线段拟合的道路分割提取方法。利用探测倾角聚类的方法分割激光雷达扫描线在地面上的投影,通过小波变换初步确定路沿和障碍物位置,再使用模糊线段的方法精确定位路沿和障碍物。试验结果表明,该方法具有较高的精度与实时性。     

基于火焰区域跳动特性的高速公路隧道火灾火焰检测方法

为了准确检测高速公路隧道火灾火焰,提出一种基于火焰区域跳动特性的火焰检测方法,其利用小波变换的高频敏感性来分析高速公路隧道视频火焰区域的高度变化特性。首先对视频图像进行背景更新,提取运动区域并滤除移动车辆的灯光干扰;然后在HSI颜色模型下识别出类似火焰颜色的疑似区域。疑似区域变化是火焰跳动特性的直接体现,故基于这一特点,对连续多帧图像疑似区域的高度变化曲线进行小波分解,并利用小波高频分量系数的局部极大值数量来判断视频图像中是否存在火焰。仿真试验结果表明,此种算法具有很高的准确性和有效性。     

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。     

基于小波提升框架的交通目标检测与跟踪

交通图像分析是智能交通领域的关键技术之一。为实现复杂交通场景中的多目标检测与跟踪,设计了一种结合小波提升框架和KLT特征点跟踪的多运动目标检测与跟踪算法。对序列图像中相邻两帧图像的融合图像进行小波提升变换,求取水平和垂直方向上的小波能量,通过合理阈值二值化小波能量矩阵,再利用贴标签方法检测出运动目标;利用KLT特征点集合代表目标,通过跟踪后的特征点集合与目标检测区域的相互关联,实现多目标的跟踪。实验结果表明了所提算法的有效性。     

基于单目视觉的区域交通智能车辆道路边界检测方法研究

基于单目视觉的道路边界检测由于其在车辆辅助驾驶系统中的重要应用价值成为当前计算机视觉和智能车辆领域最为活跃的研究课题之一。指出图像边缘检测现有算法的不足,采用领域平均法对图像进行平滑处理,根据图像的边缘特征运用Prewitt算子实现边缘增强,以获取精确的边缘信息。使用最大熵算法分割二值化图像进一步减少噪声,从而得到良好的道路特征图像数据。利用道路约束条件,建立视觉系统动态感兴趣区域(DAOI),运用改进的Hough变换最终识别道路边界。试验结果表明:本文所述算法不仅能准确、实时检测出道路板边界,而且能有效地抑制噪声,为区域交通智能车辆的换道和超车提供研究基础。     

基于公共信息框架的道路旅游标志设计研究

文章以公共信息导向系统为框架,讨论了道路旅游标志的设计问题。首先分析了造成目前道路旅游标志设计中所存在的问题的主要原因,其次以公共信息导向系统中的原则为基础,从旅游标志中代表性图案的设计、旅游标志与其他标志构成组合标志以及旅游标志与其他标志构成多重标志等几个方面进行了研究。最后讨论了旅游标志中颜色、字体、版面布置等。     

沥青路面破损图像分割方法研究

提出了一种减少沥青路面破损图像识别计算量的图像分割方法。将路面图像等分为64×64像素的子块图像,并用灰度方差值描述子块图像特征。同时,设计了基于BP人工神经网络的子块图像模式分类器,利用子块图像模式分类结果所组成的矩阵作为路面破损图像分割结果。实验表明,该方法可较好地分割路面破损图像。     

基于Hough变换的道路边缘提取

在以图像处理技术为基础的视觉导引方式下,提出了一种基于Hough变换的道路边缘提取方法.将拍摄到的道路图像进行滤波预处理;利用自适应阈值分割法对处理后的图像进行分割,并采用数学形态学中的"腐蚀"运算检测边缘;利用Hough变换实现道路边缘的检测与定位.试验结果表明,此方法对复杂的道路环境具有较好的适应性.     

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。     

基于轨迹数据的危险驾驶行为识别方法

连续的跟驰行为和换道行为是驾驶行为的主要构成部分,对交通拥挤和交通事故有着重要影响。通过无人机视频拍摄和图像处理方式,提取了曹安公路沿线的2个交叉路口间正常交通流状态下共600条多车高精度轨迹数据。首先,考虑车辆类型对驾驶行为产生直接的影响,分析了大车和小车的车辆轨迹特征变量分布的差异性,包括速度、加速度、碰撞时间倒数、车头时距等,在标记危险驾驶行为的过程中考虑车辆类型的影响。其次,针对不同的车辆类型,利用修正碰撞裕度对跟驰行为和换道行为进行风险性评估,将其划分为安全型和风险型。根据风险型行为发生的顺序以及持续时间,评估驾驶人的整体驾驶状态是否危险,作为危险驾驶行为识别的样本标记。分别利用离散小波变换和统计方法提取车辆轨迹的关键特征参数,为了提高模型识别效率,将关键特征参数进行排序,从而确定最优判别指标;最后,利用轻量梯度提升机（LGBM）算法对危险驾驶行为进行识别,并与随机森林、多层感知器、支持向量机等算法在精度上进行比较。研究结果表明：在上述研究条件下,LGBM算法对危险驾驶行为的理论识别率最高可达93.62%,可以实现基于机器学习算法的危险驾驶行为的高精度自动识别,该结果对于智能驾驶辅助系统的设计、道路交通安全决策的制定具有显著的意义。     

小波包和SVM在发动机故障诊断中的应用

针对发动机的故障特点,提出了一种基于小波包和支持向量机(SVM)的发动机故障诊断方法。利用信号能量在小波包空间的分布特性,采用基于能量的自适应去噪方法,提取反映故障的特征向量,并基于SVM理论构建了针对发动机的多故障分类器。试验结果表明,该方法具有故障分类与识别能力。     

桥梁损伤自动检测理论初探

自动检测是桥梁健康监测的核心和关键技术之一,在自动检测确定出损伤大致范围的基础上,可以通过人工检查进一步确认或排除损伤点,这可大大减轻损伤检测的劳动强度,节约开支。根据小波变换多分辨率分析的特性和恒虚损处理自动检测原理,形成以小波恒虚损处理方法为核心的桥梁损伤自动检测理论。该方法通过拾取环境噪声作为参考噪声,与试验信号分别经相同小波滤波器输出后,形成统计量作为恒虚损率处理的输入参数,进而对奇异信号进行自动检测。该技术不需要无损桥梁相关资料,并可满足实时动态监测的要求。最后通过算例进行了验证。     

基于小波优化GRU-ARMA模型的空中交通流量短时预测方法

空中交通流量短时预测是空中交通管理的基础,是有效缓解交通拥堵问题的前提。为提高空中交通流量短时预测的精度,减小空中交通管制员的工作压力,提出了基于小波优化GRU-ARMA的空中交通流量短时预测方法。在传统预测方法的基础上,通过小波变换对原始流量数据进行多尺度分解,提取不同频率交通流量的细节特征,对原始流量数据进行预处理。同时,根据小波变换,在低频处将频率细分作为趋势项,高频处将时间细分作为噪声项。其中,趋势项反映了空中交通流量随时间演化的整体趋势性,噪声项反映了随机因素对空中交通流量的综合影响。使用门控循环单元（GRU）神经网络模型预测趋势项,自回归滑动平均模型（ARMA）模型预测噪声项;将趋势项和噪声项的预测值叠加,得到最终的短时流量预测值。误差分析表明,该方法在每个预测点上的误差保持在2%左右,预测效果稳定;而直接采用原始流量数据进行预测的GRU、BiLSTM、CNN-LSTM神经网络模型及单一的ARMA模型,每个点的预测误差在5%~37.14%之间。与GRU、BiLSTM、CNN-LSTM神经网络模型相比,该模型的预测精度分别提高了3.02%,5.39%,5.05%。      

基于GA启发式抽样的交通事件自动检测

为了提高面向不平衡数据集的交通事件检测综合性能,提出了两种基于GA启发式抽样方法的交通事件检测算法.基于GA的实例选择抽样方法(GA-IS),解决非启发式抽样方法人为设定抽样率导致的检测效果不稳定问题.基于GA的支持向量选择抽样方法(GA-SS),改善学习集数据量较大时的检测效率.实验采用新加坡AYE仿真数据库,以支持向量机作为分类器进行事件检测.结果表明,基于遗传算法实例选择抽样的检测模型检测率达到94%,平均检测时间为1.413 3 min,性能指标PI为0.157;基于遗传算法支持向量选择抽样的检测模型决策时间为4.55 s,综合性能最优,其PI为0.151;基于少数类过抽样算法(SMOTE)的检测模型决策时间为35.21 s,PI为0.329,与非启发式抽样方法相比,所提方法能有效改善面向不平衡数据集的事件检测综合性能.      

混合智能算法在城市道路短时交通流量预测中的研究

对城市道路短时交通流进行准确预测是实现城市交通控制与交通诱导的关键。针对目前单一预测方法预测精度不高的问题,提出了小波与支持向量机（SVM）融合的预测新方法;同时为了避免SVM知识学习过程陷入局部最优的问题,采用粒子群算法（PSO）来优化SVM的关键参数,以提高对短时交通流量的预测精度。通过对武汉市道路交通流数据的实验分析,结果表明所提出的方法能够准确提取实验数据关键特征,显著提高SVM的预测精度,且结果比单一使用方法提高了近9%。     

基于小波变换的关联交叉口群关键路径识别方法

为提升关联交叉口群信号控制的性能,针对关联交叉口群各交叉口关联性强的特点,采用小波变换对关联交叉口群各进、出口的交通检测流量数据进行分解、降噪、重构,并利用系统聚类方法识别关联交叉口群的关键路径;最后应用南京市广州路某交叉口群的实测数据对模型的可靠性进行了检验。结果表明：该模型识别的交叉口群关键路径与实际情况相符;该关键路径识别方法受外界干扰小,适用于各种交通状态,拥有较高的运算效率和可靠性,可作为关联交叉口群信号控制优化的基础。