顾及小目标特征的视频人流量智能统计方法

人流量统计对智能安防等领域具有重要研究价值. 针对视频监控系统中人流量统计准确率较低的问题,提出一种顾及小目标特征的视频人流量智能统计方法,重点研究用于小目标检测的Faster R-CNN （Faster region-convolutional neural network）改进算法、运动目标关联匹配以及双向人流量智能统计等关键技术,根据人头目标的小尺度特点对Faster R-CNN网络结构进行适应性改进,利用图像浅层特征提高网络对于小目标的特征提取能力,通过基于轨迹预测的跟踪算法实现运动目标的实时追踪,同时设计双向人流量智能统计算法,以实现人流量高准确率统计;为证明方法的有效性,在密集程度不同的场景中进行了测试. 测试结果表明:改进的目标检测算法相较于原始算法,在Brainwash测试集和Pets2009基准数据集上的平均准确率分别提高了7.31%、10.71%,视频人流量智能统计方法在多种场景下的综合评价指标F值均能达到90.00%以上,相较于SSD-Sort算法和Yolov3-DeepSort算法,其F值提高了1.14% ~ 3.04%.      

快速路隧道路段车道缩减情形下通行能力评估及应用研究

快速路系统是城市路网主骨架的重要构成部分,其主通道作用能否充分发挥,常受制于瓶颈路段通行能力.在快速路隧道路段车道缩减情形下,分析隧道路段的道路条件,从交通检测大数据提取交通流时空分布特征,选用Greenshelds交通流模型,分车道标定模型.对比隧道路段与紧邻的普通路段各车道通行能力差别,评估隧道路段车道期望通行能力、运行通行能力;比较渐变缩窄与信号控制两种模式缩减车道的通行能力差异,提出兼顾通行量最大化与路权公平的信号控制改善方案.验证了:车道通行能力自内向外衰减;运行通行能力比设计通行能力低;提出的信号控制改善方案可提高通行能力3.4％.     

重力式沉井设计中应注意的几个问题

根据重力式沉井的设计原理 ,论述了为保证沉井基础顺利下沉至设计标高 ,满足设计需要 ,在设计中应注意的几个问题 ,供同行们参考     

关于提高公路工程建筑材料调查的准确性和可行性的初探

对提高公路工程建筑材料调查的准确性和可行性进行了探讨     

新型组合式制动梁基于接触理论的数值仿真

货车提速后，制动梁可靠性问题日益突出．基于接触问题基本原理和数值仿真关键技术。采用MSC Marc／Mentat的直接约束法对最新研制的组合式制动梁进行接触分析．在可靠性已被试验验证的接触模型基础上，对多种改进方案进行数值计算，尤其是新方案的计算结果与试验结果相当吻合，从而有效地指导了新型制动梁的设计．数值仿真既节省了成本又缩短了研制时间．     

汽车LPG燃料燃烧特性

为了对LPG发动机燃烧系统的设计、开发提供理论支持, 研究测试了不同转速、负荷下LPG燃烧的示功图, 计算分析了LPG燃烧过程中压力、压力升高率、累计放热量、放热速率等影响燃烧的主要参数, 并与汽油相应工况下的燃烧特性进行了对比分析。结果表明, LPG在燃烧性能上与汽油存在较大差异, LPG燃烧速度慢, 燃烧持续时间长, 而且在小负荷区域LPG的燃烧完全程度较差, 随着负荷的增加燃烧情况改善。     

高填方块碎石夯实地基变形三维数值模型

根据场区的工程地质条件和高填方资料建立地质模型, 运用现场试验所获得的参数和3DFLAC程序对高填方块碎石夯实地基的变形进行数值模拟, 分析地基沉降和侧向变形及可能发生剪切破坏的位置, 模拟和分析结果与实际基本一致。     

有时间约束旅行商问题的启发式遗传算法

有时间约束的旅行商问题作为旅行商问题的拓展,是一个重要的NP难题,深入研究这一问题具有重要的理论和实践意义。将时间窗约束转化为目标约束,采用序列编码设计了基于启发式规则的可同时处理软、硬时间约束的遗传算法——2-交换变异的遗传算法和3-交换变异的遗传算法。实验表明HGA1优于简单遗传算法(SGA),HGA2优于HGA1。     

12V180柴油机性能试验数据采集处理系统

开发了一种用于12V180型机车柴油机台架性能试验的数据采集及处理系统,该系统能实现试验流程的自动监控,试验数据的自动采集、分析、处理、试验结果的显示、存储及打印输出,通过检测柴油机的传速、机油压力、排油等参数,提取反映柴油机状态的特征向量,成功地诊断柴油机的技术状态及典型故障。     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.