基于UWB定位的邮轮乘员伴随关系发现算法

准确发现邮轮内部空间乘客之间的伴随关系, 在室内环境安装UWB定位设备开展室内人员定位实验。根据UWB定位的位置数据特点, 提出结合室内位置语义的Hausdorff-DBSCAN算法以聚类邮轮乘员轨迹, 并利用LSTM神经网络对疑似伴随关系对象进行相似度变化趋势的预测。传统的Hausdorff算法在计算轨迹相似度时未考虑轨迹时序一致的问题, 引入位置语义序列能够较好地解决这个问题。改进后的Hausdorff-DBSCAN算法的输入为乘员轨迹数据集, 根据轨迹整体相似度阈值选定聚类半径, 输出具有伴随关系的乘员轨迹聚类结果; LSTM神经网络以定长时间窗口的点邻近度序列为输入, 预测后1个时刻点邻近度值, 结合轨迹相似度阈值和预测结果分析乘员伴随关系的时序变化。利用Anylogic建模单层邮轮室内环境进行乘员仿真得到的轨迹数据验证算法的有效性。改进的Hausdorff-DBSCAN算法的准确率为0.920, 召回率为0.950, F₁值为0.934, 准确率高出对比算法至少5.7%, 召回率高出对比算法至少8.0%, F1值高出对比算法至少6.7%。同时LSTM在预测邮轮乘员之间相似度变化时, 收敛后的误差值能保持在3%~4%左右, 预测结果具有较高的准确性。      

基于深度学习模型的疲劳驾驶行为识别算法

为降低道路交通事故发生率,提出了一种基于深度学习模型的疲劳驾驶行为识别算法。采用照度增强和反射分量均衡化的方法,以提高视频图像质量。将机器视觉工具箱软件用于提取疲劳驾驶人脸行为特征,并通过双流网络构建和训练深度学习模型,实现对疲劳驾驶行为识别。选择了不同睡眠时间段参与者在全封闭路段内的驾驶行为图像,作为实验测试目标。结果表明：用该算法测试1 000张疲劳驾驶行为图像时,识别时间为89 ms,精准度为97.6%,召回率为97.0%;算力需求（每秒所执行的浮点运算次数,FLOPS）≤88;该算法能够提高疲劳驾驶行为的识别精度,有助于降低道路交通事故的发生率。     

基于Faster R-CNN与形态法的路面病害识别

为提高基于图像处理的路面表观病害检测识别效率及精度,引入目标检测中的快速区域卷积神经网络（Faster Region Convolutional Neural Network,Faster R-CNN）算法以快速识别病害种类、位置与面积;针对已提取的带边框裂缝病害区域,采用基于VGG16迁移学习与模型微调的CNN与50%重叠率的滑动窗口定位裂缝骨架,进而利用形态法操作提取裂缝形态,计算其长度与宽度;针对Faster R-CNN算法在病害种类识别时漏检率低但误检率偏高的问题,引入精确率、召回率和F₁分数指标对算法进行评估,并根据F₁分数最大值确定相应的病害框像素面积及置信度阈值来降低误检率,以适应路面表观病害多样化的应用场景。运用开发的病害识别算法对广东一高速公路路面进行表观检测。结果表明：所提方法对典型裂缝图片的识别效率及精度均高于单独应用CNN滑动窗口和传统形态法的全局图像处理方法;对分段的裂缝边界框进行合并,且病害框像素面积及置信度阈值取优化值后,横向裂缝精确率由合并前的0.861提升至合并后的0.918,横向及纵向裂缝误检率则分别由调整前的20.4%和23.8%下降至调整后的8.2%和6.9%,漏检率则稍有提高。基于Faster R-CNN、CNN及形态法的路面病害识别方法具有工作高效、漏检率低的优点,在引入评估指标、最优病害框像素面积与置信度阈值后,病害误检率也大幅降低,具有潜在工程应用价值。     

基于运行数据的电动客车误踩加速踏板状态识别研究

驾驶人误踩加速踏板导致的电动客车交通事故时有发生,影响因素复杂。为准确识别误踩加速踏板行为,提醒电动客车驾驶人安全驾驶,基于电动客车车载终端采集的车辆运行状态数据,提取9项与误踩加速踏板行为相关的驾驶特征,采用随机森林算法模型对电动客车误踩加速踏板状态进行识别,结果表明整体的识别准确率为99%,召回率为0.99,表明99%的误踩加速踏板行为可被识别出来。实验表明采用随机森林算法进行误踩加速踏板状态识别具有较好的效果,且与逻辑回归、Adaboost等识别算法相比,具有准确率、召回率和精确率高等特点。该方法利用电动客车的运行数据进行分析,简单高效成本低,具有一定的可行性和实用性。     

基于毫米波雷达和机器视觉融合的车辆检测

针对车辆检测中使用传统单一传感器的识别效果差、易受干扰等缺点,本文提出一种基于毫米波雷达和机器视觉融合的车辆检测方法。首先利用分层聚类算法对雷达数据进行处理,过滤无效目标;利用改进的YOLO v2算法降低漏检率,提高检测速度;然后运用目标检测交并比和全局最近邻数据关联算法实现多传感器数据融合;最后基于扩展卡尔曼滤波算法进行目标跟踪,而得出最终结果。实车试验结果表明,该方法的车辆识别效果优于单一传感器,且在多种路况下识别效果良好。     

基于深度学习的动车组运行安全图像异物检测

动车组在运行过程中容易附着塑料袋等异物,影响动车组的运行安全.针对动车组运行安全图像异物自动检测的问题,研究基于卷积神经网络的动车组异物检测与分割模型,该模型采用特征金字塔网络提取异物的多尺度融合特征,通过区域提议网络生成未知类别的候选区域,通过预测网络对候选区域进行分类和位置回归,并通过分割网络生成预测区域的蒙版.针对异物形态变化多样,采用可变形卷积改变感受野适应异物形态的变化.针对异物检测任务中异物数量远小于背景零部件的数量,采用在线困难样本挖掘筛选出困难样本重新输入预测网络以平衡正负样本的比例.实验分析表明,通过优化方法使得最终模型检测精度达到了90.35%,提升了4.03%;召回率达到94.85%,提升了8.1%.      

基于事故数据挖掘的乘用车追尾卡车AEB测试规程研究

基于未来出行交通事故场景研究数据库中的乘用车追尾卡车事故,分析并提出了以卡车为目标物的乘用车自动紧急制动系统的典型测试工况。采用K-means聚类算法得出可代表实际卡车的目标物颜色,基于事故数据分析提取卡车目标物尾部特征参数,设计并制作了一种新型的具有与真实车辆反射特性和机器视觉识别特性接近的重型厢式卡车目标物。卡车目标物静止,测试车辆分别以45、50、55、60 km/h的速度进行100%重叠自动紧急制动系统测试,验证了该目标物的可行性和有效性。可为车辆主动安全相关标准法规研究提供数据支撑,推动车辆主动安全测试技术的发展。     

考虑稳健性的汽车结构耐撞性优化设计

本文中基于C-NCAP中40%重叠度的偏置碰撞工况对某轿车进行结构耐撞性优化。为提高输出响应的预测精度,使用基于粒子群算法优化的支持向量回归模型来拟合设计变量与输出响应之间的关系,并利用非支配排序多目标遗传算法Ⅱ获得该优化问题的Pareto前沿。在确定性优化的基础上,并考虑产品性能在不确定因素影响下的波动,对其进行稳健性优化设计。最后,对优化结果进行有限元仿真验证。结果表明:优化后,结构质量减轻,耐撞性能明显提升,同时保障了稳定的产品性能。     

基于无人机的悬索桥主缆自动巡检及小样本表观病害识别

为了实现悬索桥主缆的自动化、智能化检查,开展了基于无人机的主缆巡检路径规划和小样本数据下的主缆病害识别研究。首先,利用无人机倾斜摄影测量技术快速建立悬索桥的三维模型,提出主缆无人机自动巡检路径的规划方法;然后,采用Faster RCNN网络模型识别主缆图像中的表观病害;最后,采用基于图像融合的数据增强方法,提高小样本数据集下目标检测的准确率。在Faster RCNN网络模型训练过程中,随着训练轮次的增加,测试集中裂纹、锈蚀和划痕3类病害的平均精确率得到提升,并在第15个训练轮次后逐渐稳定,在经过100个训练轮次后,测试集中所有类别的平均精确率为0.723。以小龙湾桥为研究对象,进行了主缆的现场检查试验。研究结果表明：基于悬索桥三维模型进行主缆无人机自动巡检路径规划具有实际可行性;基于Faster RCNN网络模型能较准确地识别主缆的裂纹、锈蚀和划痕病害;利用图像融合方法生成病害数据能有效克服数据样本少的问题,并提高识别的准确性。     

基于聚类算法的交通网络节点重要性评价方法研究

评估交通网络中节点的重要性,识别出对网络效率起着重要作用的关键节点,对于预防和降低交通拥堵和交通事故等事件对路网整体效率的影响具有重要意义.为识别出关键节点,研究了一种基于聚类算法的交通网络节点重要性评价方法:将道路交通网络抽象为无向加权网络,以节点介数、节点交通量和PageRank值作为节点重要性评价指标,利用基于K-Means算法和随机森林加权的改进FCM算法确定交通网络节点重要性,适用于中小城市道路交通网络.实证分析表明,改进算法的聚类性能明显提高,目标函数值和迭代次数分别降低88.70%和61.54%,同时算法误判率也仅为5.50%,验证了所提出的方法可以更为客观地刻画交通网络节点重要性程度,更为准确地动态辨识出关键节点.      

基于相机与激光雷达融合多目标检测算法研究

准确的多目标感知系统是自动驾驶技术的关键。本文提出了一种基于相机与激光雷达融合的多目标检测算法。针对相机传感器无法获得准确的目标距离等深度信息,激光雷达无法获得准确的目标类别信息的问题,首先采用嵌入自适应特征融合模块的YOLOv7网络处理相机数据,同时对激光雷达数据进行点云预处理以消除无用的噪声点;其次,利用坐标变换将激光点云数据和相机数据转换到像素坐标系中;最后,采用基于ROI感兴趣区域的方法对点云进行聚类处理,以参数加权的方式融合两种传感器的检测结果。实验结果表明,嵌入改进YOLOv7网络的融合算法能够检测出更加准确的目标信息。     

基于无损跨尺度特征融合的交通目标检测算法

针对复杂道路环境下交通目标与背景区分度低、交通小目标密集度高、部分遮挡严重、容易产生漏检、误检等问题，提出了一种融合注意力的无损跨尺度复合空洞残差网络的交通目标检测算法。通过改进SSD基础骨干网络和残差结构，加强网络提取强表征性的高级语义信息能力，解决信息传递损耗和丢失问题。在此基础上提出一种新的多视野聚合空洞残差单元，通过设置不同膨胀率的空洞卷积，获得不同大小感受野，聚合上下文信息实现大目标与小目标的兼顾。提出一种新的无损失跨尺度融合模块，通过该模块进行通道重组，结合通道维度信息填充像素，实现跨通道像素信息融合，进一步提升特征提取的能力。同时引入了坐标注意力机制，将轴向的空间坐标通道信息有效整合到生成注意力图中，构建出能够捕获跨通道信息且包含方向感知和位置敏感信息的注意力残差单元与多视野聚合空洞残差单元。此外，通过引入Soft-NMS降低与高置信度预测框重叠度较大的目标框的置信度，增加二次检测机会，提升了网络模型召回率。最后引入解耦检测头以加快模型收敛速度和提高检测精度。在VOC数据集07+12上的试验结果表明，算法平均精度提升了6.46%,证明了提出算法的准确性和鲁棒性。     

基于KL散度的驾驶员驾驶习性非监督聚类EI北大核心CSCD

为深入理解不同驾驶员的驾驶行为特点,本文中提出了一种基于KL散度的驾驶员驾驶习性非监督聚类算法。首先,建立了驾驶员驾驶数据实车道路试验采集平台,对84位驾驶员进行了测试;接着,将每名驾驶员的驾驶数据视为一个高斯混合模型(GMM),采取EM算法对其进行参数估计;最后,通过蒙特卡洛算法对各GMM之间的KL散度进行估计,从而获得不同驾驶员差异性的定量描述,将驾驶员聚为不同习性类别。对聚类后各类驾驶员的驾驶数据的统计分析表明,所提出的非监督聚类算法能有效实现不同驾驶习性驾驶员的聚类。     

基于改进深度卷积生成对抗网络的路面指示标志识别方法

针对道路交通环境中路面标志识别涉及的数据集较少和识别准确率不足的问题,研究了基于深度卷积生成对抗网络的道路表面指示标志的识别方法.在深度卷积生成对抗网络的结构基础上,根据具体应用修改生成网络和判别网络的损失函数,并用随机梯度下降算法替代原始的优化器,对指示标志的原始样本集进行样本生成,以增加样本数据量.基于Faster R-CNN算法进行路面标志的特征提取,实现路面指示标志的识别,并基于迁移学习对识别模型进行微调,将目标识别效果应用于实际道路环境中.实验结果表明,通过深度卷积生成对抗网络生成的样本图像有效地扩增了路面标志的数据集,增广后的多类目标识别的mAP提高了17.1%,小样本情况下的识别准确率随着样本量的增加和样本质量的改善而得到了明显的提高.      

基于KL散度的驾驶员驾驶习性非监督聚类

为深入理解不同驾驶员的驾驶行为特点,本文中提出了一种基于KL散度的驾驶员驾驶习性非监督聚类算法。首先,建立了驾驶员驾驶数据实车道路试验采集平台,对84位驾驶员进行了测试;接着,将每名驾驶员的驾驶数据视为一个高斯混合模型(GMM),采取EM算法对其进行参数估计;最后,通过蒙特卡洛算法对各GMM之间的KL散度进行估计,从而获得不同驾驶员差异性的定量描述,将驾驶员聚为不同习性类别。对聚类后各类驾驶员的驾驶数据的统计分析表明,所提出的非监督聚类算法能有效实现不同驾驶习性驾驶员的聚类。     

基于雷达测距的车辆识别与跟踪方法

本文中提出了一种基于雷达测距的车辆识别与跟踪方法,以准确地识别道路上的车辆目标。首先对采集到的每帧数据采用自适应距离阈值的方法进行聚类分析。在聚类内部采用端点迭代拟合算法提取线段,在此基础上得出目标的特征向量,并据之识别车辆目标。然后通过计算特征向量的代价函数进行多目标关联,利用卡尔曼滤波器根据关联结果更新目标的状态。最后,以智能车辆BJUT-IV配备LMS291激光雷达在校园道路上对本方法进行验证测试,结果表明,提出的方法能够准确地对多个行驶车辆进行跟踪。     

基于ANFIS的小重叠碰撞安全气囊算法研究

为提高小重叠碰撞事故中安全气囊对乘员的保护作用,分析了小重叠碰撞事故类型并获得识别小重叠碰撞的3个特征参数:速度变化量、加速度曲线长度比值和汽车主要受力方向。基于特征参数变量,结合自适应神经模糊推理系统开发了新型二级模糊安全气囊控制算法,来识别小重叠碰撞类型,并根据碰撞类型展开安全气囊。通过训练合适的模糊隶属度函数和模糊规则,该算法的性能得以提高。最后,经台车试验对新型安全气囊算法进行了验证。结果表明:在发生小重叠碰撞事故时,基于ANFIS的新型安全气囊控制算法能准确识别小重叠碰撞类型,及时展开前安全气囊和侧气帘,改善了其对乘员的保护作用。     

基于FCM和组合神经网络的车牌汉字字符识别方法

提出了1种组合神经网络结构的车牌汉字识别方法,主要从特征选取和分类器设计2方面研究车牌汉字字符识别,识别系统由2层神经网络组成,应用FCM算法对汉字进行粗聚类,聚类结果作为后续网络的先验知识,产生网络训练目标,采用LVQ网络进行粗分类,通过BP网络进行细分类。该种分层结构缩减了待识别模式的搜索范围,克服了传统单层识别系统识别率不高和组合网络粗分类率低的缺点。实验结果显示,本方法的识别率高,识别效率较好。     

高速公路隧道机房环境智能监测系统设计

隧道作为高速公路的咽喉路段,一旦隧道机房突发险情而不能及时发现,容易造成重大财产损失、人员伤亡,引发恶性交通事故。基于此,提出了一种基于仿射传播聚类算法的危险事件智能识别模型,进而设计了整套高速公路隧道机房环境智能监测系统。提出的模型综合传感器所采集到的多类别环境信息,得到聚类图用于判断当前环境状况。系统中采用新型的聚类算法,得到环境聚类图,智能区分各种高速公路隧道机房发生的危险事件,增加整个监测系统的智能化与信息化程度。在实验与测试中,通过使用本系统,维护人员可准确把控整个隧道机房情况,测试结果表明,该系统提升了公路的运营、管理、养护效率,具有良好的参考意义。     

基于小型化YOLOv3的实时车辆检测及跟踪算法

为了研究现有车辆目标检测算法的检测精度与检测速度相矛盾的问题,提出了一种小型化的改进YOLOv3深度卷积网络的实时车辆检测及跟踪算法。采用构建卷积层数少的网络架构以及进行多目标跟踪的方法,分析了大网络模型结构时正向推理速度慢、小网络模型结构时检测精度低的原因。在不同尺度卷积特征多层次提取车辆特征信息来保证准确率的基础上,利用K-means++算法改进聚类先验框中心点的提取,同时借鉴darknet19骨干网络结构,构建一种网络深度更小的基础卷积网络结构,采用更少的重复残差块结构单元,使网络模型结构小型化。在采用卡尔曼滤波算法对目标检测后下一时刻的车辆位置进行跟踪的基础上,利用匈牙利匹配算法进行分配关联视频相邻帧中的车辆,确定被检测目标唯一标签ID,实现对多个目标的精确定位与跟踪,以此改善检测不连续、漏检、目标被遮挡等检测不稳定的情况。结果表明:在实车自采集数据和公开数据集KITTI上进行测试,相较于YOLOv3网络,在平均准确率基本保持不变情况下,网络参数减小,网络模型大小缩小为1/4,为57.2 MB,检测速度提高一倍,达到101.7 f/s。整体算法检测速度达到11.3 ms/帧,检测率为97.50%。该小型化网络检测跟踪算法在复杂道路环境中有较强的鲁棒性,可以满足实际智能驾驶过程中对车辆检测跟踪的精度、速度的要求。