基于遗传优化与深度学习的交通信号灯检测

交通信号灯检测是先进驾驶辅助系统的关键技术之一,也是无人驾驶车辆车载环境感知的重要研究方向。本文中针对通用物体检测算法不适合信号灯这类小物体的检测和缺乏实时滑动窗口检测算法的问题,提出了一种交通信号灯检测方法,包括基于遗传优化的交通信号灯候选区域生成方法,和基于深度神经网络的信号灯定位与分类方法。其中,作为本文中研究重点的候选区域生成方法又分3部分:信号灯共用特征区域提取、基于重要性采样的信号灯候选区域参数采样和基于遗传算法的信号灯候选区域参数优化。与现有的信号灯检测方法相比,本文中所提出的方法可对横竖排的红色、绿色和圆形、箭头形信号灯进行有效检测和分类。在公开的交通信号灯数据库的对比实验表明,该方法对交通信号灯的召回率高,且能有效区分不同类别的信号灯。     

基于深度学习的交通目标感兴趣区域检测

为了提高交通目标检测的实时性和准确性,针对交通目标检测过程中普遍存在的背景复杂、光线变化、物体遮挡等干扰问题,以及基于深度学习的目标检测算法在进行区域选择时滑动窗口遍历搜索耗时的问题,提出一种基于时空兴趣点（STIP）的交通多目标感兴趣区域快速检测算法。像素级时空兴趣点检测在处理目标遮挡时具有较好的鲁棒性,利用这一特点,首先在传统兴趣点检测算法的基础上加入背景点抑制和时空点约束,以减少无效兴趣点对有效兴趣点检测带来的干扰。通过改进均值漂移算法,使得聚类中心数量随目标数目的变化而改变。然后对被检测出的多目标附近的候选兴趣点分别进行聚类,获取各个目标聚类中心位置信息。根据聚类中心点与筛选后的目标兴趣点之间的相对位置关系进行特定组合获得感兴趣区域。在这些感兴趣区域上使用选择性搜索算法生成1 000~2 000个候选区域,并将这些候选区域放入训练好的深度卷积神经网络模型中进行特征提取。最后将特征提取结果送入支持向量机中进行目标种类判别并使用回归器精细修正目标识别框的位置。研究结果表明：通过对候选区域进行预处理,送入模型中的候选区域数量减少了82%,对应算法整体运行时间减少了74%,能够满足智能交通监控的实际需求。     

基于图像处理的交通信号灯识别方法

针对色盲或色弱驾驶员特殊群体,结合交叉口无人驾驶系统,提出一种能识别出交通信号灯当前状态的方法。在HIS颜色空间进行交通灯颜色分割,利用交通灯被黑色矩形框包围这一典型特征进行形状分割,根据形状分割所得位置对颜色分割候选区域进行确认,从而精确定位交通灯位置以及亮灯在交通灯中的位置;同样根据被黑色矩形框包围的特征设计模板,最终利用模板匹配,完成交通灯的识别。实验表明,该算法识别准确率较高。     

基于深度学习的多目标车辆检测及追踪方法

文章是以MTALAB软件为主要平台,基于深度学习建立一种多目标车辆检测及追踪的方法。首先建立一个基于深度学习的模型用于训练的不同场景的车辆数据集,并对所采集的数据集进行标注和格式归一化处理。然后使用K-means聚类算法进行锚框,建立以YOLOv3SPP算法为主的神经网络框架,采用非极大值拟制（NMS）算法得到最终的预测框。最终训练神经网络模型,再对该模型进行测试和评定。经实验可以得出该模型能够准确地检测及追踪多目标车辆。     

交通信号灯的演变及发展

红绿灯的科学名称为交通信号灯，它是专为指挥车，马、行人而设置的。第一台交通信号灯首先是在铁路上使用的：它诞生于英国铁路线上，最初只有灯，用来指挥火车停止前进。     

基于小型深度学习网络的车位检测方法

针对车载嵌入式系统开发需求,文章提出一种小型深度学习网络的车位检测方法。环视图像的车位角点具有大小相近、分布均匀的特点,将整个环视图像分割成若干个子图像,裁剪深度网络模型结构,使用小网络对各个子图像进行车位角点检测,可以有效降低大图像高算力的要求。实验数据表明,以384*640图像大小为例,将原图像分割成128*128子图像,子图像的深度网络算力要求为原图像的1/15,而相应的检测性能没有损失。     

基于深度学习方法的路面裂缝目标检测

公路和城市道路最主要的路面损坏类型是裂缝类病害。能否准确识别,尤其在众多路面信息图像中高效甄别各类表观病害,为路面技术状况评定、养护科学决策和路面病害处置提供基础数据,是当前领域研究的重难点。为此,对横向裂缝、纵向裂缝、斜裂缝长度类和龟裂、破损板面积类等典型裂缝类病害几何特征进行分析,确定了自动识别裂缝样本标注方法,构建了路面裂缝目标检测样本库,包含沥青裂缝长度类图像样本6 311个、龟裂面积类图像样本4 086个、水泥裂缝长度类图像样本37 945个、破碎板面积类图像样本7 310个。基于Faster-RCNN进行训练验证,开展路面裂缝目标检测并实现自动识别。利用北京市政道路2 000 km路面图像进行试验验证,并与路面裂缝Unet分割自动识别方法进行对比。试验结果表明,开展路面裂缝目标检测可通过提出的深度学习方法,有效提高召回率和准确率,其值高达85%以上,自动识别运行效率为12.3帧/s,与Unet分割自动识别方法对比更接近路面裂缝实际情况。     

基于深度学习的分心驾驶行为检测方法

针对现有分心驾驶行为检测方法存在的检测精度低、实时性差等问题,利用基于深度学习的目标检测方法进行了驾驶员分心驾驶行为检测,首先构建分心驾驶行为数据集,包括驾驶员使用手机、饮水和吸烟3种行为的图像,并进行目标物的标注,然后选用轻量化目标检测模型NanoDet进行训练验证,结果表明,该方法可以准确并快速地识别出驾驶员在驾驶过程中使用手机、饮水和吸烟的行为。     

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.     

基于深度学习的三维目标检测方法综述

在介绍二维目标检测方法的基础上,对基于深度学习的三维目标检测方法中的深度神经网络展开探讨,包括间接处理、直接处理和融合处理3类基本方法,并着重分析和对比各深度神经网络在三维目标检测速度和精确度等方面的优缺点,为车载激光雷达目标检测方法的选择提供参考依据。     

基于深度学习的快速车道线检测方法

针对目前基于深度学习的车道线检测方法普遍存在的实时性较差的问题,文章中提出了一种高效的车道线检测方法 LaneBezierNet。该方法从前置摄像头获取图像后,先使用数据增强技术对图像进行处理,然后通过贝塞尔曲线回归模型直接输出图像中每条车道线的贝塞尔曲线控制点坐标,结合贝塞尔曲线方程便可以得到车道线上的每个坐标点信息。实验结果表明,在Tusimple公开数据集上达到了92.89%的较高准确率的同时,每秒传输帧数（FPS）达到了116 bits/s。相较于基于图像分割的车道线检测方法,该方法在检测速度上有着明显提升。该算法在检测准确率未明显下降的前提下极大地提升了检测效率,更加符合实际项目需求。     

交通信号机的信号灯故障检测技术研究

信号灯故障检测技术是道路交通信号控制机的关键技术之一,该技术直接关系到“绿灯7中突”和“红灯不亮”等严重影响道路交通安全故障的检测、判断,故障检测必须稳定可靠、快速简便。提出了几种高稳定的信号灯故障检测技术,详细分析了各电路的技术特性和应用特点,解决了多年来信号灯故障检测不够可靠、虚警率较高的问题。目前其中之一已经在国家“863”课题“新一代智能化交通控制系统技术”中得到应用和验证。     

基于PLC的交通信号灯控制系统设计

针对城市道路十字交叉路口交通灯信号控制存在的问题进行探讨,提出一种新的基于PLC的交通信号灯控制方案.该方案将传统十字路口交通信号设置红、绿、黄灯控制改为南北车辆左转、直行、右转单独控制,增加行人控制及在发生突发事件时能强制南北方向或东西方向通行,还设置了夜间通行模式.该方案能有效解决在十字交叉路口发生车辆抢道和人车争...     

深度学习的车道线检测方法

随着人工智能技术的不断发展,无人驾驶技术已经成为当下社会发展的热门,车道线检测是无人驾驶技术的关键一环,但传统的基于视觉的车道线检测方法处理时间较长、过程繁琐、需要人为干预。基于深度学习的车道线检测可大大减少此类问题。文章设计了一个完成双任务的Enet网络,分别解决目标区域分割问题和不同车道区分问题,以实现端到端的检测。与主流车道线检测网络模型deeplab v3和YOLO v3进行对比。实验验证表明,网络模型的最终训练准确率为99.8%,相对于deeplab v3和YOLO v3网络分别提升1.2%和0.8%。     

基于TAN分类算法的交通事件检测

事件检测算法是交通事件管理系统的关键技术之一,提出一种基于树增强朴素贝叶斯(TAN)分类算法对交通事件进行检测,它的网络结构和参数通过数据学习确定,相比贝叶斯网络算法,对专家经验依赖较小.采用小波去噪、标准化和基于熵的离散化方法对原始交通数据进行预处理,将交通事件作为"0-1"分类变量,交通特征参数作为属性变量,构建TAN分类器.采用新加坡艾耶尔国王高速公路(AYE)的数据集对该算法进行了实例验证,实验结果表明TAN分类算法与多层前馈神经网络(MLF)算法的检测性能相当,它们的检测率分别为95.97% 和98.8%,但TAN分类算法在模型训练和标定的速度上具有显著优势,且相比MLF算法,TAN分类算法的原理更加简单易懂,因此TAN分类算法具有更广泛的应用前景.     

基于PLC的智能交通信号灯控制系统设计

针对目前交通信号灯红绿灯时间设置固定不变的情况,采用基于PLC技术设计的交通信号灯控制系统,在满足基本功能的前提下,提出并重点解决了"24 h分时段全自动智能切换红绿灯时间设置"的控制及"急通"功能的实现,同时给出了完整的硬件接线图和控制程序.通过自制的模拟电路对控制系统进行了调试与运行,该系统既能减轻交通高峰期的拥堵...     

基于深度学习的停车位检测研究

随着智能网联汽车的发展,越来越多的学者投身于L4级以上的稳定的自动驾驶算法研究中来。自动泊车系统作为智能网联汽车的一项重要功能,能够在有效提升驾驶体验的同时,降低由于复杂地段的泊车困难带来的交通事故和经济损失,因此自动泊车在学术界和工业界掀起了研究热潮。传统的自动泊车系统中对于车位的感知依赖于超声波雷达,并且对车位空间结构有诸多限制。由于复杂的视觉环境和环视图像上停车位的不完整显示,基于视觉的停车位检测是一项重大挑战。本文提出了一种基于卷积神经网络（CNN）的车位检测算法,设计适用于车载环视图像的多重沙漏网络,并引入一种策略选择最佳感受野,从而联合检测停车位的角和线特征。所提出的方法达到了较高的精度和召回率,在搭载GPU的嵌入式移动终端可以达到30 FPS的实时性和较高的精准度。     

基于Yolo v5目标检测算法的交通信号灯智能控制装置设计

为提高传统交通信号控制装置的前置计算能力,促进交通信号控制装置的智能化与集成化,采用Yolo v5目标检测算法,并将其部署在边缘计算设备树莓派上,对交叉口信息进行采集,实现对交通信号灯的实时控制.结果表明,经过测试该装置在车流较大的情况下能有效减少车辆通行时间,并且可操作性强,体积小、速度快、扩展性高,相较传统信号控制...     

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Agent控制器的单路口信号灯学习控制方法研究

将强化学习中的Q学习算法与Agent技术相结合,构成Agent控制器对单路口的信号灯进行控制.介绍了将经验知识与Q学习算法相结合实现的Agent学习机制,提出了一种适合交通环境的强化函数,以解决单路口的动态实时控制.经仿真软件Paramics对实际路口进行仿真实验,验证了该方法具有较好的控制效果.