道路监控系统中非同步相机时间校正方法

为了提高交通事件还原的准确性, 提出一种基于双目极几何关系的高精度交通现场三维重建时间校正方法。分析了多个非同步相机帧序列, 建立了非同步相机时间校正模型。为了校正多部非同步相机的时间误差, 采用极几何约束和点到极线距离最小约束准则, 进行对应帧时间同步匹配。由2部非同步相机组成拍摄系统, 进行对应帧时间匹配误差分析, 估算视频序列起始帧时间误差, 实现高精度动态场景复原。通过闪烁LED灯的移动模拟高速移动的车辆, 估计时间误差范围。为了进一步验证方法在实际道路环境中的有效性, 利用4部相机拍摄自由落体的皮球视频序列, 分别使用相似度判别的时间校正方法和本文方法进行对比试验。试验结果表明: 当相机的曝光时间为1/30s, 高速移动的发光源闪烁周期为6.59ms时, 视频序列的起始帧时间误差范围为0~6.59ms, 在这个误差范围内的对应帧数达到88.1%以上; 与相似度判别的时间校正方法相比, 本文方法效果较好; 与几种传统时间校正方法相比, 本文方法显著提高了道路监控系统中非同步相机对应帧时间误差匹配和三维重建的精确度。     

基于多特征融合的隧道场景车辆再识别

为解决隧道内交通监控视频的低分辨率以及光照不均匀导致的再识别准确率偏低的问题,提出了一种基于多特征融合的车辆再识别方法,通过充分利用车辆的各种有效特征信息提升车辆再识别精确度。首先,将卷积块注意力模块(Convolutional Block Attention Module, CBAM)嵌入到YOLOv5模型的骨干网络卷积层,同时采用CIoU损失和DIoU-NMS方案,提高车型检测准确率;其次,使用改进DeepSORT的表观特征提取网络和ResNet网络,分别获取深度卷积神经网络(Deep Convolution Neural Networks, DCNN)特征和车型ID特征;再次,将车型特征、DCNN特征及车辆ID特征使用加和表示层进行融合,形成可鉴别身份特征,以提高车辆再识别精度;最后,基于Softmax交叉熵损失和三元组损失设计指标函数并进行学习,对学习结果进行重排序以进一步提高模型的精度,并将算法在公开数据集VeRi776、VehicleID和自建数据集Tunnel＿Veh4C进行训练验证。结果表明：与现有方法相比,提出的Rank-1、Rank-5和Rank-10识别准确率以及...     

单洞双向公路隧道火灾场景临界风速研究

为解决公路隧道典型火灾场景通风排烟问题,以单洞双向公路隧道为研究对象,利用FDS软件采用数值模拟的方法对单洞双向公路隧道典型火灾工况下的临界风速面临的多种类型的影响因素进行分析研究,并获取相应的模拟数据;以不同类型的影响因素作为神经网络输入,临界风速作为网络输出搭建LSTM网络模型,并根据试验数据进行网络性能分析。结果表明：LSTM网络模型的预测值与期望值的最大相对误差不超过0.03,具有良好的准确性,在数据的精度方面可满足隧道消防工程的精度要求,较为准确地预测了多种因素作用下的典型火灾场景临界风速,为临界风速的研究提供了一种新方法,有助于进一步提升公路隧道安全运营。