城市信号交叉口交通运行评价参数视频检测

针对交叉口排队长度和延误等交通运行评价参数很难直接被检测到的问 题,本文提出了一种基于视频处理的交叉口运行评价参数的综合检测方法.该方法首先 将选择性背景更新机制引入块级背景差分,并结合块级帧间差分实现快速的排队车辆 检测.然后,利用虚拟平行线定位每车道排队车辆首尾端,并结合排队首尾车的跟踪与停 车线处虚拟线圈的计数来检测排队车辆数,进而获得延误、停车次数等其它交通运行评 价参数.实际测试结果表明,该方法能有效实现多参数的同时检测,并且能有效提高检测 的准确率.与实际值比较,参数检测值平均误差小于5%,能较好地满足交叉口运行性能 评价需要.     

基于遗传算法的交通仿真模型参数校正方法研究

参数校正是交通仿真模型应用中的重要环节。基于遗传算法设计的交通仿真模型参数校正方法，可以在交通仿真软件VISSIM平台中结合实际交通调查数据对其进行验证。结果表明，采用该方法校正后的仿真模型参数能够更好地符合实际道路交通状况．且能有效地减少参数校正的仿真试验次数，同时该研究结果也可以推广应用于其他类型的交通仿真模型中去。     

城市轨道交通智能视频浓缩分析

应用背景我国在经历了大约十年大规模的视频监控系统的建设后,积累了大量的视频资源,以及庞大的视频存储资源,而视频监控最主要、最实用的应用就是取证。在巨大的视频存储空间内,通过检索、搜索找出发生事件的各个阶段的录像,重现事件发生的过程,了解事件发生的起因、环境、条件及查找嫌疑人。     

基于视频的交通流参数检测

随着经济的发展,如何保障交通的畅通与安全已成为当今世界的热点研究课题之一。基于视频的交通流参数检测系统具有直观、安装简便、费用低等优点,它代表了车辆检测器的发展方向。简要介绍了视频车辆检测在智能交通系统中的应用,给出了基于视频的交通流参数检测的常用方法,以及检测系统提取的主要交通流参数,分析了影响检测精度的因素和提高精度的相应对策。     

基于3D CNN的道路视频交通状态自动识别

为了从视频直接有效地提取交通信息,提出了基于三维卷积神经网络 （3D convolutional neural networks,3D CNN）的交通状态识别方法.首先,以C3D （convolutional 3D）深度卷积网络为3D CNN原型,对卷积层数量与位置、平面卷积尺寸及三维卷积深度进行优化调整,形成了37个备选模型;其次,建立了视频数据集,对备选模型进行系统的训练测试,提出了交通状态识别模型C3D*;然后,对C3D* 和现有三维卷积网络模型进行视频交通状态识别测试分析;最后,对比测试了C3D* 及常用二维卷积网络的交通状态识别效果. 对比结果显示:针对视频交通状态识别,C3D* 的F均值为91.32%,比C3D、R3D （region convolutional 3D network）、R (2+1) D （resnets adopting 2D spatial convolution and a 1D temporal convolution）分别高12.24%、26.72%、28.02%;与LeNet、AlexNet、GoogleNet、VGG16的图像识别结果相比,C3D* 的F均值分别高32.61%、69.91%、50.11%、69.17%.      

柔性路面交通参数的分析

本文搜集各种有关交通参数的调查与测试资料的基础上，通过分析提出了路面设计年限内标准轴载累计作用次数的确定方法，总方差及变异系数，分析了交通参数变异对路面设计及路面结构可靠度影响，解决了路面结构可靠度研究中亟需解决的问题，可以给柔性路面设计规范的提供借鉴。     

基于3DCNN-DNN 的高空视频交通状态预测

为使用高空视频识别和预测道路交通状态,提出基于三维卷积神经网络-深度神经网络(3DCNN-DNN)的交通状态预测方法. 将道路切分为D 个路段,每个路段视频片段时长 m s,基于典型3DCNN结构C3D识别路段视频片段交通状态;建立道路? 个历史时段、D 个路段的交通状态矩阵Φ ,将道路交通状态预测问题转化为以Φ 为输入,有限交通状态为输出的分类问题,构建基于DNN的短时交通状态预测模型原型;建立交通视频数据集,对DNN预测模型原型的隐藏层数量、神经元数量及训练批大小进行测试优化,提出有4 隐藏层,各层神经元数量为64/128/128/64,训练批大小为64 的优化模型DNN*.测试结果表明：C3D视频交通态识别平均F1 值为95.71%,DNN*道路交通状态预测准确率为91.18%,比DNN线性分类、KMeans 、KNN、SVM和线性分类分别高6.86%、57.85%、62.26%、26.47%、43.14%;C3D能提供准确的交通状态矩阵,3DCNN-DNN可有效识别和预测道路视频交通状态.     

基于车灯追踪的夜间交通信息采集方法

本文提出了一种专门用于采集夜间交通信息的新方法。车灯是在夜间路网中行驶的车辆最突出的视觉特征,通过对视频图像中的车灯灯光区域进行识别、追踪,可以确定车辆的位置和粗略的轨迹,基于此,可以进行流量、速度等交通参数的计算和统计。本文给出了详细的技术路线描述,并针对流量统计进行了软件程序实现,通过试验,证明了方法的可行性。     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

交通视频检测系统中背景提取的优化算法

介绍和分析了4种常用的背景提取算法,在此基础上提出了一种新的背景提取算法:用视频序列的当前帧和背景帧相减来获得运动车辆的信息。实验测试表明:该算法取得的背景效果良好,具有较强的实用性和参考价值。     

����ʱ�չ켣���ٵĽ�ͨ�����Բ���������

基于视频的交通流检测在智能交通系统中具有重要意义。本文针对广泛采用的低位摄像机,提出了一种交通流特性参数的检测分析方法。首先基于三级虚拟检测线和自适应更新率局部背景建模来快速提取车辆特征点并消除活动阴影对提取精度的影响;然后基于Adaboost（Adaptive Boosting,自适应增强）分类器实现特征点按车分组,并在跟踪过程中根据运动特征相关度消除分组误差,获取高精度的车辆轨迹;进而自动生成多车道轨迹时空图并提取各车道交通流的多种特性参数。实验结果验证了算法的高效性;同时,自动生成的多车道轨迹时空图也为更多的交通信息获取和更深入的交通流特性分析提供了有力支持。     

基于时空轨迹跟踪的交通流特性参数检测分析

基于视频的交通流检测在智能交通系统中具有重要意义.本文针对广泛采用的低位摄像机,提出了一种交通流特性参数的检测分析方法.首先基于三级虚拟检测线和自适应更新率局部背景建模来快速提取车辆特征点并消除活动阴影对提取精度的影响;然后基于Adaboost（Adaptive Boosting, 自适应增强）分类器实现特征点按车分组,并在跟踪过程中根据运动特征相关度消除分组误差,获取高精度的车辆轨迹;进而自动生成多车道轨迹时空图并提取各车道交通流的多种特性参数.实验结果验证了算法的高效性;同时,自动生成的多车道轨迹时空图也为更多的交通信息获取和更深入的交通流特性分析提供了有力支持.     

基于多维时空参数的道路短期交通状态预测

城市道路交通状态会同时受到时间、空间多维因素的影响. 为对城市道路短期交通状态进行比较准确的预测,本文在分析多维时空参数的基础上,构造了基于支持向量机（SVM）的不同维数的道路短期交通状态预测模型,并通过贵阳市中心城区的出租车GPS数据对各种模型的预测精度进行了检验,分析各时空参数对道路交通状态的影响程度. 结果表明, 基于目标路段先前流量数据及下游路段交通状况的SVM模型具有较高的预测精度. 为了进一步分析该模型的性能,将其与线性回归模型和ARMA模型进行了比较,实验结果显示,本文提出的SVM模型具有较好的预测效果,表明该方法是进行道路短期交通状态预测的有效手段.     

基于时空特性和组合深度学习的交通流参数估计

为深入挖掘交通流时空特性,提高交通流参数估计精度,基于深度学习提出一种交通流参数估计的组合方法.根据目标断面及其上游断面的交通流数据构造输入矩阵,利用卷积神经网络捕捉交通流的空间特性,使用长短期记忆和门控循环神经网络挖掘交通流的时间特性,组合3种深度学习方法所得输出,得到交通流参数估计值.采用中国安徽省合肥市和美国加州...     

基于云平台的交通视频检测数据优化研究

交通视频检测技术在智能交通领域应用广泛,成为当前交通信息采集的主要手段.但在恶劣天气条件下,视频车辆检测器采集的交通数据误差较大,难以准确反映路面实际状况.为解决此问题,本文提出基于不同气象能见度等级构建k 型BP网络,对气象能见度低于10 km时的原始交通数据作预处理优化.分析了云计算在交通信息处理方面的优势,基于云计算平台实现了该模型的构建与推广.最后以成都绕城高速七里沟大桥定点观测得到的数据做样本进行实例分析,对比了该模型方法与传统处理方法的数据处理效果,得出了本文方法较传统方法先进的结论.     

基于生成对抗网络的交通流参数实时估计模型

为有效调控道路网时空资源,需实时估计交通流参数。若要准确估计交通流参数,应详细考虑道路网交通流时空特征。本文基于生成对抗网络,提出一种能捕捉交通流时空特征的实时估计模型,即TSTGAN模型。该模型包括生成器和判别器两部分,生成器利用门控卷积神经网络捕捉交通流的动态空间特征,使用基于注意力机制的长短期记忆神经网络分析交通流的动态时间特征;采用门控卷积神经网络与长短期记忆神经网络构建判别器;通过对抗方式训练生成对抗网络的生成器与判别器,实时获得交通流参数估计值。使用中国山东省淄博市12个卡口设备和美国加州洛杉矶市23个线圈检测器获得的交通流量数据,验证TSTGAN模型的可靠性。结果表明,TSTGAN模型引入的时空模块能有效提取交通流的时空特征,所得均方根误差和平均绝对误差比现有模型分别降低2.12%~42.41%和1.66%~40.49%,证明所提TSTGAN模型可以提高交通流参数的估计精度。     

���������ھ�Ľ�ͨ����ģ�Ͳ����궨

为了克服经典速度－密度模型刻画道路交通流动态变化特性的缺陷,将更丰富的路段检测信息运用到交通仿真模型参数的标定过程中.提出在预处理检测器数据后,采用一种基于凝聚层次聚类的局部加权回归算法标定车辆速度.该算法先对训练样本进行聚类,然后用凝聚层次聚类法对每一个约束类生成一棵聚类树;其次用k 最近邻方法将与待估计速度相关的新样本划入适当的类中,最后采用局部加权回归标定车辆速度.利用现场数据对算法进行了大量测试,分别将车流密度,密度与流量作为变量标定车速.结果表明,提出的算法是有效的,适用于基于仿真的动态交通分配系统.     

基于遗传算法的公交车辆智能排班研究

运营车辆智能排班是公交车辆智能调度需要解决的典型问题之一。它可以描述为：通过某种智能化的算法,在有限的算法步骤内,找出所有满足约束条件的排班方案中的最优方案或接近最优的方案。作者针对公交排班的特点,对遗传算法的各个算子进行了专门化处理并进行了大量的试算。结果表明,遗传算法对解决公交车辆排班问题是有效的。