多层感知器自监督在线修正的道路识别算法

为解决自主移动机器人非结构化道路识别检测准确性、鲁棒性及实时性的问题,提出一种基于感兴趣区域(Region of Interest,ROI)与多层感知器(Multi-Layer Perceptron,MLP)为核心的自监督在线修正算法.首先,通过ROI算法规定被处理图像的有效计算区域;其次,利用多层感知器对样本数据进行训练,将感兴趣区域按相应特征实现分类处理,并对分类区域进行形态学处理及特征提取处理,筛选出有效的行驶区域;最后,通过自监督在线修正算法替换错误处理结果,进一步保障道路分类识别的准确性.实验结果表明,改进算法能准确地识别出环境中的道路区域,具有良好的实时性与可靠性.     

一种基于分道线模型的道路识别方法

介绍了一种基于分道线模型的道路识别方法。该方法首先对图像进行预处理,然后应用分水岭算法划分道路感兴趣区域ROI,最后采用Hough变换拟合分道线,实时地进行道路识别。试验结果显示,在一定条件下,该算法能够满足道路识别的要求。     

基于MS-RG混合图像分割模型的道路检测研究

道路场景因其结构的多样性、纹理变化的复杂性和自然曝光的不稳定性,使得传统基于道路分割的道路检测方法大多存在信息冗余,并且存在边界丢失、模糊等质量问题.本文首先在道路图像上使用 Meanshift均值漂移算法,通过空间内的概率密度呈梯形上升去寻找局部最优,并搜索属于同一模点的像素然后生成获得超像素块.然后利用 Meanshift算法获得的聚类超像素块进行多种子点区域生长,规范生长规则,克服不能得到封闭边界的缺陷,改进道路图像的分割效果.实验结果表明,本文提出的模型适用性强,相比于传统方法有效地提升了分割准确性和实时性,可准确识别出图像中的道路信息,确保车辆能够行驶在可行驶区域上.     

道路标志自动分类方法

为了对道路标志图像进行自动分类,通过图像颜色空间变换,将图像的RGB量值转换为H(色度)S(饱和度)I(亮度)量值,采用Sobel算子进行道路标志图像的边缘检测,利用行扫描法进行区域填充,以获取二值化的道路标志图像区域,提取道路标志二值化图像的不变矩与形状参数作为图像特征值,设计BP神经网络道路标志图像几何形状分类器,以道路标志图像的H、I为特征值,设计了欧式距离分类器,实现道路标志背景颜色的识别。融合道路标志图像几何形状和背景颜色的识别算法,并利用道路标志的分类知识和自动分类方法,能有效实现道路标志图像的自动识别。     

基于极大化思想的无人机安全避障域识别算法

为提高四轴飞行器避障的准确性与实时性，提出一种结合LK (Lucas-Kanade)光流法和极大化思想的四轴飞行器避障算法.首先，对四轴飞行器采集的视频流进行预处理，得到图像帧；其次，通过LK光流法剔除图像帧中光流小于阈值的角点，采用基于角点距离的聚类算法对角点进行分组，并计算出每组角点的外包轮廓；然后，利用基于极大化思想的安全避障域算法计算最优通行区域，进一步根据避障域求得偏差数据；最后，将偏差数据输入比例微分（PD）控制器得到控制信息，并发送控制指令使四轴飞行器及时调整飞行姿态，完成避障飞行.通过特洛（Tello）四轴飞行器进行不同场景的实验表明，本文所提出的算法计算每帧图像最优安全避障域平均所需时间为0.17 s，既满足无人机避障实时性要求，又解决了识别障碍物区域与计算安全避障域问题.     

智能控制和故障诊断中的模糊建模与推理

介绍了基于多层感知器网络的模糊规则是自动生成算法，给出基于模糊模型的故障诊断推理方法，从而能有效处理复杂系统的故障诊断。     

基于激光雷达的无人驾驶障碍物检测和跟踪

针对激光雷达动态障碍物检测与跟踪过程中聚类适应性差、实时性低和跟踪准确度不高等问题，提出一种自适应的密度聚类算法和多特征数据关联方法，分别用于检测和跟踪. 首先，对激光雷达采集的点云进行路沿检测、感兴趣区域提取和地面分割等预处理，去除无关点云；然后，基于自适应的密度聚类算法对非地面的点云进行聚类，完成障碍物点云检测；最后，利用加权多特征数据关联算法结合卡尔曼滤波器实现对动态障碍物跟踪. 通过实验表明:本算法能够根据10 Hz的激光雷达数据实现对障碍物准确、稳定的检测和跟踪，且聚类时间缩短32%.      

基于神经预测模型的非特定人汉语词组织识别系统

针对如何 描述语音信号的时间动态特征，本文主要研究基于多层感知器网络的神经预测模型在非特定人汉语词组识别系统中的应用。神经预测模型使用一组多层感知器网络（MIP）作为非线性预测器，采用动态匹配（DynamicProgramming）技术进行非线性时间规整，完成时间轴上的映射。本文提出了神经预测模型的简单训练算法和识别算法。基于这种模型建立了一个非特定人的汉语词组识别系统。该系统训练集内音节识别率为83%，词组识别率为86%；训练集外音节识别率为80%，词组识别率为82.5%。     

基于射频数据的道路交通流路径识别优化模型

针对非RFID(Radio Frequency Identification)覆盖道路交通流路径识别误差较大等问题，本文提出基于FCD(Floating Car Data)校核下RFID道路断面交通流路径识别优化组合模型。首先， 利用平移不变小波变换将RFID初始数据切分为可追溯交通流、非追溯交通流及随机项；然后，根据统计路段中浮动车数量将路段分为Full、Defect、Null这3类，并建立FCD-RFID追溯路径模型识别可追溯交通流路径构成，同时，提出考虑出行时间、道路等级和驾驶偏好因素的综合成本阻抗效用函数，通过路径感知随机用户平衡分配模型估算非追溯交通流与随机项路径；最后，通过路径叠加识别断面交通流最终路径构成。结果表明：相较于单一RFID交通流路径识别，组合模型具有更高精度，MAE(Mean Absolute Error)为 72 辆，较单一 RFID 算法下降 62.5%，MRE(Mean Relative Error)为9.5%，下降72.2%；在非RFID覆盖校核道路中，组合模型MRE为13.3%，较单一 RFID算法下降82.0%，有效验证了本文模型的可行性及适用性。     

交通地图图像中道路识别与道路信息提取

提出了一种基于道路中心线的闭环反馈改善交通地图图像中道路识别与提取的方法,以达到识别与提取完整道路网络的目的.依据于微观识别与宏观排除的逼近思想,实现了道路图层的初始聚类与输出反馈控制下的道路图层完全提取.针对标准城市交通地图,确定了道路与区域阈值条件.通过对噪声的再聚类过程实现道路与区域的二值完全聚类.利用交通道路中心线特征构成道路图层反馈再聚类策略.反馈再聚类策略能够保证道路图层优化过程的收敛性质.试验结果表明了该方法具有较高的准确性、全自动化和通用性.     

无链表图像感兴趣区域编码算法

针对基于链表实现的感兴趣区域编码算法占用存储资源较多的问题,提出了一种无链表的编码算法.在SPIHT(等级树集合分裂)编码过程中,采用标志位图表示系数和集合的重要件信息;优先编码感兴趣区域,利用队列缓存非感兴趣区域系数和集合信息;编码非感兴趣区域时,从队列中恢复编码所需的重要件信息.编码过程不需要提升感兴趣区域小波系数,能实现感兴趣区域重建质量的精确控制.仿真实验表明,该算法优于提升小波系数的感兴趣区域编码算法;当编码码率为1 bpp(比特/像素)时,其存储需求仅为链表实现的感兴趣区域分离编码算法的1/10.     

基于在线地图交通态势分析的路网拥堵状态识别

为了实现道路网实时拥堵状态识别,以在线地图的历史延时指数为基础,用相邻路段有效拥堵状态发生时间顺序、持续时间阈值和流向流量关系识别传播性拥堵,用拥堵发生频率和持续时间阈值识别单路段系统拥堵,由此确定特定周期内的系统拥堵路段集合Nmax.以其集合范围内相邻路段时刻t的延时指数,以及其邻近拥堵持续时期的皮尔逊相关系数计算传播性系统拥堵程度值DtS;以非传播路段时刻t延时指数计算DtS?;综合前两者得到路网系统拥堵综合程度DtN,并找出该周期内的极限拥堵程度量化值.用Nmax内路段实时延时指数和实时拥堵路段数与极限拥堵状态对应的数值进行比较,计算实时拥堵程度的量化值.经实验证明,该方法能够反映路网系统拥堵形成的规律,实现路网实时拥堵状态的快速识别.     

基于感兴趣区域的CNN-Squeeze交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于感兴趣区域的CNN-Squeeze 交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

智能网联车辆混行交通流中灯语意图识别模型研究

为使混行交通流下智能网联车辆(Connected and Automated Vehicles, CAV)实现对人工驾驶车辆(Human-driven Vehicle, HV)前照灯灯语意图(Vehicle Headlights Intention, VHI) 的识别，弥补车对车(Vehicle to Vehicle, V2V)和鸣笛意图识别技术的不足，更好地与HV交互沟通，提出CAV对HV的VHI识别模型.模型包括：灯光感知、光数据处理、VHI识别3个模块，灯光感知模块通过RGB(Red-Green-Blue, RGB)和HSV(Hue-Saturation-Value, HSV)颜色空间感知前照灯(Vehicle Headlights, VH)，采用KLT(Kanade-Lucas-Tomasi Tracking，KLT)和车辆匹配算法定位跟踪发出灯语的HV；光数据处理模块采用光通道增益算法计算光辐射通量变化； VHI识别模块基于双层隐马尔可夫模型(Double-layer Hidden Markov Model，DHMM)辨识VH 闪烁次数和HV行驶状态，实现VHI识别.在3种灯语示意典型场景下的实验结果表明：1 s内 VH感知准确率为96.8%，定位跟踪精度小于1°，VHI识别率为96.6%，满足混行交通环境下 CAV对HV驾驶意图的识别要求，基本保证实时性，为混行交通流中CAV自动驾驶决策提供理论依据.     

智能网联车辆混行交通流中灯语意图识别模型研究

为使混行交通流下智能网联车辆(Connected and Automated Vehicles, CAV)实现对人工驾驶车辆(Human-driven Vehicle, HV)前照灯灯语意图(Vehicle Headlights Intention, VHI) 的识别，弥补车对车(Vehicle to Vehicle, V2V)和鸣笛意图识别技术的不足，更好地与HV交互沟通，提出CAV对HV的VHI识别模型.模型包括：灯光感知、光数据处理、VHI识别3个模块，灯光感知模块通过RGB(Red-Green-Blue, RGB)和HSV(Hue-Saturation-Value, HSV)颜色空间感知前照灯(Vehicle Headlights, VH)，采用KLT(Kanade-Lucas-Tomasi Tracking，KLT)和车辆匹配算法定位跟踪发出灯语的HV；光数据处理模块采用光通道增益算法计算光辐射通量变化； VHI识别模块基于双层隐马尔可夫模型(Double-layer Hidden Markov Model，DHMM)辨识VH 闪烁次数和HV行驶状态，实现VHI识别.在3种灯语示意典型场景下的实验结果表明：1 s内 VH感知准确率为96.8%，定位跟踪精度小于1°，VHI识别率为96.6%，满足混行交通环境下 CAV对HV驾驶意图的识别要求，基本保证实时性，为混行交通流中CAV自动驾驶决策提供理论依据.     

Region of interest based selective encryption scheme for privacy protection in H.264 video

A selective encryption scheme for region of interest （ROI） of H.264 video is proposed to protect the personal privacy in a video. The most important part of video can be protected with less cost and operation by only encrypting the content of ROIs. Human face regions are selected as ROI and detected by using Gaussian skin color model. Independent ROI encoding is realized with the mechanism of flexible macro-block ordering （FMO）. Frames are divided into grid-like slice-groups which can be combined flexibly to form a required ROI. Both luminance component and chrominance component of the macro-blocks in ROI are modified to achieve good encryption quality and location accuracy. In the process of decryption, the encrypted area is located automatically. There is no need to transmit additional position information of ROIs to the end of decryption. The encrypted video is decrypted correctly with the secret key. JM18.4 software is employed to perform the simulation experiment. Experimental results show the accuracy and effectiveness of our scheme to encrypt and decrypt the ROIs in H.264 video.     

基于模糊识别的道路交通噪声时空综合评价

鉴于目前道路交通噪声评价中存在的同题,提出了一种结合级别特征值法的道路交通噪声综合评价模糊识别模型.运用该模型对吉林省的实证研究表明;吉林省道路交通噪声污染在时间维上呈明显的下降趋势,综合污染级别特征值由1991年的3.83下降到2006年的2.03,但部分地区下降不明显甚至有所上升;在空间维上各地噪声污染的区域差异较大,其中地区问差异是区域问总体差异的主体.而在地区内部差异中,噪声污染严重地区是造成地区内部差异的主体.