基于PCA和灰度直方图特征融合的交通标志的分类研究

为了提高交通标志分类问题的正确率,提取有效的特征值才可以获得更高的分类正确率。校核分析交通标志图像特点,在分类研究的背景下提出了特征融合的思路,在主成分分析(PCA)降低维度的基础上,提取灰度直方图的特征,将PCA提取的特征和灰度直方图特征融合,并且将融合数据作为分类的输入特征,通过交通标志数据库进行实验分析,多次改变要降低的维度,然后融合灰度直方图特征进行分类,用MATLAB和GUI工具进行仿真,实例验证结果表明,得出的正确率明显提高,在交通标志的分类中效果显著。     

基于主元分析的车牌图像倾斜校正新方法

为解决机动车牌图像倾斜将对其字符分割与识别带来不利的影响,提出一种基于主元分析(PCA)的车牌图像倾斜校正新方法。在该方法中,PCA被用于求取坐标变换矩阵以进行图像旋转修正。将原始的像素坐标矩阵经过中心化后转换为2维协方差矩阵,再奇值分解为能反映图像倾斜方向的2维对角矩阵和坐标变换矩阵。算法的时间复杂度分析与试验结果均表明:相对于Hough等搜索倾角的校正方法,PCA方法缩短了计算时间1￣2个数量级,并且在污迹、光照不均等条件下也能获得较好效果。     

基于改进级联卷积神经网络的交通标志识别

自动驾驶场景中交通标志的检测和识别十分重要,为提高自然场景下交通标志检测精度,本文中提出了一种基于Cascade-RCNN改进的交通标志识别算法。首先,针对交通标志这类小目标特殊任务,将FPN模块的深层特征信息融合进浅层特征层。其次,改进了目标检测任务中的评价指标IoU,引入目标检测任务的直接评价指标GIoU指导定位任务,提高了检测精度。最后,算法在德国交通标志数据集GTSDB下进行了实验验证,以ResNet101为基础特征提取网络,mAP可达98.8%,实验结果表明了所提算法的有效性,具有优越的工程实用价值。     

驾驶人对潜在危险性事件的心理预期识别研究

为准确识别驾驶人对潜在危险事件的心理预期，提出一种通过脑电信号对驾驶人心理预期进行识别的方法。参照心理学预期行为研究常用的标准S1-S2范式，改进设计了路侧停靠公交车造成视觉遮挡的人车碰撞事故模拟驾驶试验。模拟任务中以路侧停靠的公交车为线索刺激，公交车头的行人为目标刺激，诱发驾驶人的心理预期。为有效识别驾驶人心理预期，首先采用释放油门的避险行为对每个试次标定是否产生心理预期，然后通过快速傅里叶变换提取相关的脑电特征数据，并通过差异性分析及主成分分析算法对脑电特征指标进行筛选和压缩，最后基于支持向量机建立驾驶人心理预期识别模型。研究获取36名驾驶人数据，共计1 440个样本。结果表明：当驾驶人产生心理预期活动时，枕区和额区的α波能量值显著降低，而β波能量值则显著增加；差异性分析显示共有31项脑电指标对驾驶人心理预期敏感，所有脑电特征指标通过PCA算法进行降维，抽取出5个主成分作为识别模型输入；选择径向基核函数构建SVM识别模型，通过粒子群寻优算法对模型进行优化，模型对驾驶人心理预期水平的平均识别正确率为82.02%，平均AUC面积为0.82，结果表明模型具有良好的识别能力和稳定性，可为驾驶辅助系统的研发提供技术理论支撑。     

基于Zernike不变矩与SVM的交通标志的识别

为了解决复杂环境中采集的交通标志出现不同程度的几何失真现象,将不变矩具有的平移、旋转及比例缩放不变性特征用于图像识别中。首先对图像进行预处理,然后分别提取图像的Zernike和Hu不变矩特征,建立了相对应的feature Data数据集,最后将数据集输入支持向量机进行了目标分类。对德国公开的交通标志标准数据库(GTSRB)中的识别图库及实时采集的图像进行了测试。试验结果表明:与Hu不变矩比较,提取图像Zernike不变矩与支持向量机的识别方法对复杂环境中的交通标志识别具有更高的识别率和实时性。     

交通标志的智能检测方法研究

从交通标志的颜色信息和形状特征出发,研究一种交通标志的智能检测方法.该方法主要包括基于HSV颜色空间的交通标志图像分割和基于颜色与形状的交通标志检测两部分.针对自然场景下影响交通标志检测效果的不利因素,提出了基于多尺度Retinex的交通标志图像增强和仿射变换的三角形交通标志校正算法以及规范化圆形交通标志和矩形交通标志...     

基于形状模板匹配的交通标志污损检测方法研究

本文通过一种改进的基于RGB空间的颜色增强算法变换RGB空间颜色值并分割图像,锁定道路两边的图像信息并利用其特有的几何形状检测并定位交通标志,提取其内部图形,建立基于边缘梯度特征的交通标志匹配和污损识别算法模型。该算法利用少量样本快速创建不同尺度和角度下的模板,解决了基于机器学习方法下需要大量样本并训练时间过长的问题,同时基于梯度特征进行匹配,解决了基于灰度的模板匹配对光照变化过于敏感的问题。最后,通过采集了大量图像数据,并研发基于服务端和移动端的原型系统进行模型算法的验证,实例实验表明,本文提出的算法具有较高的识别准确率和匹配效率,检测准确率可达到83%,且能满足基于移动端的应用需要。     

变化光照条件下的交通标志快速鲁棒检测

变化光照条件下交通标志检测算法的准确率往往会显著降低。针对此问题,提出了1种新颖的概率图建立方法,并结合最大稳定极值区域特征进行交通标志检测。该方法包括3个处理步骤:①根据不同光照条件对真实场景交通标志样本图像进行明确分类以构建多类颜色直方图,将交通标志输入图像由原始色彩表达转变为概率图(直方图反投影);②通过在概率图上进行 MSER特征提取,获取候选的交通标志区域;③根据候选区域的面积、宽高比等特征快速有效去除非交通标志区域。实验结果表明在弱光照和强光照条件下基于归一化RGB的交通标志检测算法检测准确率分别下降到84.4%和83.0%,基于红蓝图的交通标志检测算法检测准确率分别下降到87.4%和86.3%,提出的算法在变化光照条件下依然可以保持90%以上的检测准确率,对光照变化有较好的鲁棒性。      

基于1DCNN与双通道信息融合的柴油发动机故障诊断

针对传统单通道振动信号诊断方法只能采集部分信息用于局部诊断,而多通道信号融合权重确定困难、实时性差的问题,提出一种基于深度一维卷积神经网络(One-dimensional Deep Convolutional Neural Network,1DCNN)与双通道信息融合的柴油发动机故障诊断方法.通过搭建柴油发动机预置故障试验台,将传感器配置于发动机不同位置以采集发动机运行过程中的双通道故障信号,分别提取振动信号中的最大值、最小值、峰峰值、均值、整流平均值、方差、标准差、峭度等14个特征,构建特征集矩阵并利用主成分分析(Principal Component Analy-sis,PCA)进行特征融合,输入深度一维卷积神经网络,实现对发动机不同故障状态的诊断.试验结果表明,该方法可以有效识别发动机不同的故障状态,与单通道信号诊断相比,所提出的双通道信息融合方法在发动机故障诊断中具有更好的效果.     

Front Vehicle Identification Under Different Lighting Conditions

选取车辆底部水平方向特征和车辆左右两侧垂直方向特征,提取出受全局灰度影响较小的局部灰度特征、局部梯度特征和局部波动特征.应用加权证据理论将车辆水平和垂直方向的特征分别进行信息融合,并根据光强的不同调整各特征的权重.为提高识别的实时性,将人工鱼群算法应用于识别中,并增添了车辆识别模块以增强人工鱼的引导能力.根据人工鱼群的搜索结果,再通过对称性特征进行进一步判定,实现前方车辆的准确定位.实验结果表明本方法可在不同光照条件下对前方车辆进行识别并准确定位,具有良好的适应性、准确性和实时性.