基于小波分解的车辆视频检测算法

作为智能交通系统(ITS)的基础部分,车辆检测系统在ITS中占有很重要的地位,目前常用的基于视频的车辆检测方法主要有:灰度比较法、背景差法、帧差法、边缘检测法.本文在分析这几种方法的优缺点的基础上,提出了一种基于数学形态学滤波和小波分解的算法.该算法首先对视频图像进行形态学滤波,然后在虚拟检测区进行小波分解,通过分析小波系数来检测车辆,它计算量小,复杂度低,可正确判断有无车辆、完成车辆的计数,实现车流量计算.     

基于Gabor滤波特征和一类分类器的人脸检测

人脸检测是人脸识别的一项重要任务.论文提出了一种基于Gabor滤波特征和一类分类器的正面人脸检测方法.算法首先利用了Gabor滤波器的良好的空间位置与方向的选择特性,采用了四种方向的Gabor滤波器提取人脸样本图像特征并用PCA方法对特征降维,然后用已降维的特征训练支持向量机分类器.最后应用一类分类器分类检测人脸.实验结果证明该方法是十分有效.     

基于Darknet框架下YOLO v2算法的车辆多目标检测方法

针对道路车辆目标检测传统方法需随场景变化提取不同特征, 检测率较低与鲁棒性差的问题, 提出了一种基于Darknet框架下YOLO v2算法的车辆多目标检测方法; 根据目标路段场景与车流量的变化对YOLO-voc网络模型进行改进, 基于ImageNet数据集和微调技术获得分类训练网络模型, 对训练结果和车辆目标特征进行分析后进一步调整改进的算法参数, 最终获得更适合于道路车辆检测的YOLO-vocRV网络模型下车辆多目标检测方法; 为验证检测方法的有效性和完备性, 采用不同车流密度进行了车辆多目标检测试验, 并与经典YOLO-voc、YOLO9000模型进行了对比; 采用改进YOLO-vocRV网络模型, 选取20 000次迭代, 分析了多目标检测结果。试验结果表明: 在阻塞流样本条件下, YOLO9000网络模型检测率为93.71%, YOLO-voc网络模型检测率为94.48%, 改进YOLO-vocRV网络模型检测率达到了96.95%, 因此, 改进网络模型YOLOvocRV检测率较高; YOLO-vocRV模型精确度和召回率均聚集在0.95, 因此, 在获得较好精确度的条件下损失的召回率明显较小, 达到了很好的折中; 采用混合样本训练后, 基于YOLO-vocRV模型的车辆多目标检测方法的检测率在自由流状态下可达99.11%, 同步流状态下可达97.62%, 阻塞流状态下可达到97.14%, 具有较小的误检率和良好的鲁棒性。     

基于神经网络多分类器组合模型的OCR应用研究

根据多分类器组合原理,提出一种基于神经网络的多分类器组合模型.该模型首先使用基于贯穿码特征的分类器对字符分类,然后,由基于投影特征的分类器对经过上一级分类器分类后的字符进行识别.试验表明,该模型能有效提高光学字符识别率.     

基于Gabor滤波的多分类器集成人脸表情识别

脸部表情的识别分类是一个非常复杂的问题,采用传统的方法很难取得满意的结果.为此,通过Gabor滤波器对人脸部图像进行滤波,提取滤波后图像的统计信息作为表情识别的特征信息,采用多分类器集成的方法对得到的神经网络输出向量进行线性加权集成得到最终的识别结果.实验结果表明了该方法的正确性.     

基于单双目视觉融合的车辆检测和跟踪算法

提出了一种基于单双目视觉融合的车辆检测与基于Kalman滤波的车辆跟踪算法, 设计了一种基于二维深度置信网络的车辆检测器。在道路图像中利用单目视觉生成车辆可能存在的区域, 构成双目视觉处理的车辆候选集合。在车辆可能存在的区域内利用双目视觉进行误检去除, 并获得车辆的位置信息。在二维图像坐标系和三维世界坐标系内, 利用Kalman滤波器对检测到的车辆进行跟踪。试验结果表明: 算法的检测率为99.0%, 误检率为1.3×10^-4%, 检测时间为57ms, 检测率高, 误检率低, 检测时间短; 与单双目视觉弱融合算法、单目视觉算法和双目视觉算法相比, 本文车辆检测与跟踪算法兼具双目视觉算法检测率高和单目视觉算法检测时间短的优点。     

基于粗糙集和贝叶斯分类器的病毒程序检测

在病毒程序检测中将粗糙集与贝叶斯分类器相结合．该方法在粗糙集属性约简的基础上，综合考虑了条件属性和决策属性的依赖性以及条件属性间的依赖性对约简的影响．通过基于依赖性的属性约简，减少对属性变量间独立性的限制，发挥贝叶斯分类器的鲁棒性潜能，优化贝叶斯分类器的特性．实验结果表明，检测率达到97．88％，正确率为97．16％，明显高于传统的基于特征和RIPPER的方法，也高于多贝叶斯方法；虚警率为5．19％，也比上述所有方法均有所降低．     

运动车辆检测的APG-TR算法

为了提高智能交通系统中运动车辆检测的准确率, 提出了一种基于张量恢复的APG-TR算法。采用张量表征交通视频图像, 保持视频图像高维结构特征。通过张量恢复, 重建出张量的低秩部分与稀疏部分, 实现交通视频图像中交通背景与运动目标车辆的分离与交通视频内在特征的提取。利用交通监控系统采集到的交通视频106帧图像对本文算法进行了测试。测试结果表明: 在晴天条件下, APG-TR算法的平均正确率为91.4%, 在雨、雾天气条件下, 正确率分别为86.4%、85.2%, 相比帧差法更加稳定与准确。APG-TR算法具有良好的收敛速度与鲁棒性, 在智能交通领域中具有广泛的应用前景。     

基于多尺度区域网格的公路车辆自动检测识别

提出距离相关的变N值区域采样目标检测方法和距离无关的自相关目标识别方法用于检测识别特定公路段行驶的车辆.特点是不用对摄像机进行标定,使用方便,算法简单,运算速度快,识别距离远.用不同的N值对不同距离处公路宽度进行水平等分并且在车辆目标位置形成区域采样网格.由于模型图像采样网格密度也由N值决定,利用网格上的点集自相关方法将实际序列图像中不同大小目标区域与同一模型进行匹配.     

多车场车辆优化调度模型及算法

针对多车场满载运输问题的特征,提出了多车场车辆优化调度的数学模型,设计了求解该问题的启发式算法,应用结果表明,该算法是可行的。     

基于序列图像运动分割的车辆边界轮廓提取算法

为了准确获得图像感兴趣区中运动车辆的形状特征, 提出了一种新的车辆边界轮廓提取算法。利用连续3帧图像, 对包含同一运动车辆的图像感兴趣区进行光流场分割, 以获取目标运动区域, 通过平移运动区域的左、右边界获得正确的车辆区域及其封闭边界轮廓, 通过放大运动矢量计算公式的阈值来提高其运行效率。试验结果表明: 该算法可从具有复杂自然场景的图像序列中检测出完整的运动车辆边界轮廓, 检测正确率在95%以上。     

基于改进YOLO v3模型与Deep-SORT算法的道路车辆检测方法

针对道路车辆实时检测遮挡严重与小目标车辆漏检率高的问题,提出了基于改进YOLO v3模型和Deep-SORT算法的车辆检测方法;为提高模型对道路车辆的检测能力,采用K-means++聚类算法对目标候选框进行聚类分析,选择合适的Anchor box数量,并在网络浅层增加了特征提取层,可提取到更精细的车辆特征;为加强网络对远近不同目标的鲁棒性,在保留原YOLO v3模型输出层的同时,增加了一层输出层,将52像素×52像素输出特征图经过上采样后得到104像素×104像素特征图,并将其与浅层同尺寸特征图进行拼接,实现车辆目标的检测;为了降低目标遮挡对检测效果的影响,提高对视频上下帧之间关联信息的关注度,将改进YOLO v3模型和Deep-SORT算法相结合,以此来弥补两者之间的不足。试验结果表明：改进YOLO v3模型有效地提高了车辆检测的性能,与在网络浅层增加特征提取层的模型相比,平均精度提高了1.4%,与增加一层输出层的模型相比,平均精确度提高了0.8%,说明改进YOLO v3模型提取的特征表达能力更强,增强了网络对小目标的检测能力;改进YOLO v3模型在引入Deep-SORT算法后,查准率和召回率分别达到90.16%和91.34%,相比改进YOLO v3模型,查准率和召回率分别提高了1.48%和4.20%,同时保证了检测速度,对于不同大小目标的检测具有良好的鲁棒性。     

基于CS-SD的车载环境下实时行人检测模型

针对车辆辅助驾驶系统中行人检测的实时性问题, 提出一种基于路面边缘线标定结合显著性纹理检测(CS-SD) 的算法和定位方向梯度直方图(L-HOG) 的行人检测模型, 应用CS-SD算法替代穷尽搜索快速标定图像中的行人区域, 应用L-HOG快速提取行人特征, 并采用附加核心的支持向量机(AK-SVM) 进行高效目标分类。分析结果表明: 在个人计算机上对包含832个行人的500幅图像进行检测时, 模型正确检测720个行人, 检测率为86.5%, 误检率为4.1%, 检测时间为39ms; 在基于BF609的车载行人检测系统上对包含988个行人的48 400幅图像进行检测时, 模型正确检测861个行人, 漏检127个行人, 误检13个行人, 检测速度为20fps。可见, 提出的行人检测模型在不降低检测率的前提下, 可以达到满意的检测速度, 并且可以用于实时行人检测车载设备。     

基于交叉感应回线的磁浮车辆连续测速定位方法

分析了交叉回线区域空间磁场分布, 利用磁通密度纵向分布周期性特征, 将车辆位移、速度用感应电压包络信号相位角与角速度来表征; 建立了采用简单交叉回线的车辆测速定位状态空间方程组, 将车辆运行位置和速度作为状态变量在测试过程中连续输出; 考虑实际运行工况下的复杂电磁环境, 引入了噪声自适应算法, 提出了基于新息自适应的磁浮车辆实时连续测速定位计算方法; 在实验室条件下建立了交叉感应回线标定系统, 验证了方法的基本原理; 为了验证方法的有效性和准确性, 进了数值仿真算例分析, 考虑正常噪声和突变噪声工况, 并对比了包含和不包含自适应噪声处理过程的计算结果。试验结果表明: 不同间隔距离条件下, 感应电压包络线都接近于正弦波, 1次谐波是包络信号的主要成分, 相同阶次的谐波幅值与间隔距离成近似线性关系, 与理论分析结果一致; 在正常噪声区段, 速度误差不超过0.03 m·s^-1, 定位误差约为3 mm, 在突变噪声区段, 速度误差均值为0.027 m·s^-1, 最大值为0.130 m·s^-1, 定位误差均值为4.82 mm, 最大值为23.39 mm, 说明测速定位方法可以满足实际应用需求; 数值仿真中突变噪声区段的低信噪比信号在实际应用中是极端情况, 对比正常噪声区段和突变噪声区段的计算结果可知改善输入信号的信噪比可以明显提高测试精度。     

基于HOG-Gabor特征融合与Softmax分类器的交通标志识别方法

为了提高交通标志识别的正确率和实时性, 提出了一种基于HOG-Gabor特征融合与Softmax分类器的交通标志识别方法。采用Gamma矫正方法提取HOG特征, 采用对比度受限的自适应直方图均衡化方法提取Gabor特征, 基于线性特征融合原理, 将提取的HOG和Gabor特征向量直接串联, 得到刻画交通标志的融合特征向量, 采用Softmax分类器对融合特征向量进行分类, 采用德国交通标志识别基准(GTSRB) 数据库测试了所提方法的有效性, 比较了基于单特征与融合特征的交通标志识别效果。试验结果表明: 在图像增强过程中, 针对HOG特征, 采用Gamma矫正方法的分类正确率最大, 为97.11%, 针对Gabor特征, 采用限制对比度的直方图均衡化方法的分类正确率最大, 为97.54%;采用Softmax分类器的最小分类正确率为97.11%, 耗时小于2s;针对HOG-Gabor融合特征, 采Softmax分类器的识别率高达97.68%, 因此, 基于HOG-Gabor特征融合与Softmax分类器的交通标志识别方法的识别率高, 实时性强。     

高速公路超高超宽车辆自动检测技术研究

研究对高速公路通行的货车进行高宽数据信息自动采集,结合超高（宽）车辆自动检测原理与实践,从计算模型、自动检测平台建立等方面对高速公路超高（宽）车辆自动检测技术进行阐述,为自动检测技术应用于高速公路车辆几何尺寸超载提供依据和理论支持。     

铁道车辆车轮扁疤故障检测技术综述

从铁道车辆车轮扁疤对轨道的冲击效应及其对车辆零部件造成的损伤出发,系统梳理了检测车轮扁疤的多种方案,对各类车轮扁疤故障检测方法特点进行了讨论,对比了不同检测方法的优缺点,对车轮扁疤故障检测技术体系的发展方向进行了预测。分析结果表明：车轮扁疤故障检测技术可分为车载检测法和地面检测法,其中地面检测法运用较为广泛;现阶段较为成熟的车轮扁疤检测技术按检测手段可主要分为轮轨冲击检测法、超声波检测法、噪声检测法、踏面位移法、振动加速度检测法、图像检测法、光学检测法、轨道电路中断法等;近年来,随着科学技术的发展,又涌现了如多普勒效应法、超声波回声定位法等;随着现代智能算法的进步,应用神经网络等智能算法对设备进行故障识别训练能大大简化设备开发进程和结构,智能算法或将成为车轮扁疤故障识别的主要发展方向;随着时间推移,检测设备的多故障集成化趋势越发明显,多故障检测集成化与功能多样化已是智能化检测设备发展的重要方向之一;未来,操作系统方面的提升也将主要集中于平台的人性化和智能化方面;检测体系建议由正线实时监测、车辆段入库精准检测、数据信息化平台三部分组成,未来发展方向会集中在装置简易化、算法精准化与操作智能化等方面。     

基于深度图像的机场道面裂缝自动检测算法

为了实现强噪声、弱光照、低对比度条件下的机场道面细小裂缝检测, 设计了基于深度图像的机场道面裂缝检测算法; 将采集到的深度图像划分成多个网格, 并对每个网格进行扩充, 获得了局部道面区域; 针对每个网格区域, 基于随机抽样一致算法进行局部三次曲面构建和优化估计; 在此基础上, 在全局尺度下融合全部网格区域的曲面模型, 生成整个图像采集区域道面的全局曲面模型; 利用全局曲面模型与原始深度图像之间的差值图像, 采用自适应阈值方法分割出候选裂缝像素, 并利用裂缝的像素总数、长度以及长宽比等多种形态学约束筛选候选裂缝像素, 去除错误的候选裂缝像素, 从而获得了最终的裂缝检测结果; 在机场道面深度图像数据集上进行了试验, 以人工标注结果作为真实值, 以准确率、召回率以及F值作为量化评估指标, 将提出的算法分别与4种有代表性的传统算法进行了对比。试验结果表明: 传统算法能够取得的最高准确率、召回率以及F值分别为77.05%、41.02%和50.02%, 提出的算法在准确率、召回率和F值3个指标上均有明显优势, 其均值分别为91.20%、97.99%和94.12%;提出的算法能够在分辨率为1 984像素×2 000像素的深度图像上检测出最小宽度为3 mm、最小长度为10 cm的裂缝, 实现了在复杂机场道面场景中识别细小裂缝的目标。