基于计算机集群的车辆效果图分块渲染技术

针对车辆效果图渲染速度慢、制作周期长的问题,文章讨论了单帧车辆效果图分块渲染,并基于计算机集群实现参数化操作的方法,同时总结了实践中分块渲染方式的局限,指明了进一步深入研究的方向.     

车牌自动识别系统在高速公路机电系统工程中的应用

车牌自动识别系统在高速公路上的应用,对完善收费系统,杜绝收费漏洞,减轻收费人员的劳动强度,提高收费综合管理水平和服务水平,起到了极其重要的作用.     

道路标志图案识别方法研究

针对道路标志图案自动识别,以转弯道路标志图案为例,通过颜色空间变换,将道路标志图像的RGB量值转换为H(hue,色度)S(saturation,饱和度)I(Intensity,亮度)量值,利用H、I作为分类器的特征值,设计了欧式距离分类器,实现道路标志背景颜色的识别。采用固定阈值法分割道路标志图像的图案区域,并对分割后的区域进行Daubech ies-4正交小波变换,利用小波变换系数的能量值和方差比值作为道路标志图案的纹理特征。最后,设计了BP神经网络道路标志图案分类器,实现道路标志图案的自动识别。实验结果表明,文中提出的方法可行。     

抵近信控交叉口分心驾驶识别模型

为降低驾驶人抵近交叉口过程因分心导致的交通事故,本文基于双向长短时记忆网络(BILSTM)建立分心驾驶识别模型。依托驾驶模拟实验,采集了45位驾驶人抵近信控交叉口过程中的横纵行为数据,通过方差分析研究分心任务对驾驶行为的影响。结果表明,分心驾驶人需要更长的制动反应时间,制动操作时间缩短,踩压制动踏板的力度下降,同时操纵方向盘的稳定性变差。然后,筛选有显著性影响的6个特征行为指标作为模型的输入,结果表明：BILSTM模型分心状态识别的精确率最高,达到92.6%,F1值为88.7%;准确率、精确率、召回率、F1、AUC和ROC曲线等模型性能均优于单向长短期记忆网络、支持向量机和决策树5.0分心识别模型。研究结果说明BILSTM模型能有效判别抵近信控交叉口驾驶人分心状态,可为交叉口驾驶人分心预警系统的优化设计提供依据和指导。     

多传感器信息融合在无人驾驶中的研究综述

多传感器信息融合是无人驾驶感知周围环境信息技术中一项行之有效、必不可缺的关键技术。结合近年来无人驾驶的发展情况,介绍了国内外无人驾驶核心传感器的使用现状,重点对无人驾驶中多传感器核心融合算法的研究进展进行综述,提出多传感器信息融合必将是未来无人驾驶车辆传感器应用的发展方向,而基于机器学习算法的研究则更加重要,并提出一些无人驾驶技术面临的问题。     

分形矩在印刷体藏文特征提取中的应用

运用分形矩理论,提出了一种基于分形矩的藏文字符特征提取方法。用该方法提取的特征有效地反映了藏文字丁的局部和全局特征,减少了图像中像素位置变化给识别部分带来的负面影响,并在一定程度上克服了藏文字丁极多而造成的误识率高的缺点,解决了由于特征向量维数较多造成的运算速度慢的问题。     

关于读者认识和接受译者主体性程度的调查分析

随着翻译研究的文化转向,翻译学者们从不同的理论视角对译者主体性的内涵进行过深入细致地探讨,在很大程度上强化了译者的地位与主观能动性,但有时却片面地夸大了译者操控原文的权利．本文首先梳理了翻译界对译者主体性的认识,然后通过分析一份问卷调查／了解并探讨一般读者对于译者主体性的认识与理解,从而强调译者的主观能动性还应考虑读者的认识与接受程度,它是受各种受动因素制约的,并且从始至终译者的权利都是有底线和极限的．     

面向前车的驾驶行为感知与意图识别算法研究

感知周围车辆的驾驶行为并识别其意图将成为新一代高级驾驶辅助系统的重要组成部分。针对现有方法只考虑单一驾驶行为且可扩展性和可伸缩性差,提出一种基于稀疏表示理论的驾驶行为感知字典模型(Driving Behavior Perception Dictionary Model, DBPDM)。将车辆行驶状态视为时间序列,设计基于自回归积分移动平均(Autoregressive Integrated Moving Average,ARIMA)结合在线梯度下降(Online Gradient Descent, OGD)优化器的在线预测模型,提出基于驾驶行为预测的意图识别构架(Intention Recognition Framework, IRF)。首先,采用图Lasso方法估计典型驾驶行为的稀疏逆协方差矩阵构建驾驶行为字典库,并采用Logdet散度方法计算各逆协方差矩阵的差异获得行为感知字典模型。然后,基于在线预测模型对目标车辆的行驶轨迹和运动状态进行预测,结合主车车辆的行驶状态作为稀疏表示的观测信号,以获取预测时域内的目标车辆意图。最后,采用NGSIM (Next Generation SIMulation)真实驾驶数据对模型进行开发和测试。研究结果表明:所提出的行为感知模型能对6种典型驾驶行为构建行为字典,在分类准确率上与现有方法相比有明显提升,对换道和转向行为样本的平均识别准确率分别达到99.1%和92.9%;该模型能够在相对早期阶段准确地识别出车辆行为;在线预测算法能较好预测出目标车辆的行驶轨迹和运动状态,从而间接地反映出其在预测时域内的驾驶意图;IRF可在换道和转向行为开始前的1.5 s较为准确地识别出目标车辆的意图,平均识别准确率超过80%。     

基于彩色图像车牌分割研究

智能运输系统中车牌识别技术得到了广泛应用,车牌分割是车牌识别的重要部分。基于彩色图像车牌分割与采用灰度图像车牌分割相比,可以有效消除阴影影响,同时车牌颜色也是车牌识别的一个参数。颜色分类处理使用特征函数,可以减少颜色坐标转换运算,提高颜色分类速度。文中详细讨论中国车牌特征,给出车牌分割详细步骤。车牌区域判别采用信息融合技术。车牌倾斜矫正结合车牌倾斜特点,提出快速算法。     

基于Bi-LSTM的多类型特征融合驾驶员疲劳识别方法

针对传统的基于驾驶员面部图像采集的单一类型特征的疲劳识别方法,在阴影遮挡及光照变化场景下存在准确性、鲁棒性不足的问题,深入开展基于多类型特征融合的驾驶员疲劳识别方法研究。在分析非图像化的驾驶员疲劳特征的基础上,通过机器人操作系统（Robot Operating System, ROS）的话题订阅来实现驾驶员生理特征、操作行为特征及面部特征的多源数据同步采集。处理原始数据并分析数据特性,提出了一种融合生理特征与驾驶员及观测者主观评价的数据标注策略,标注疲劳特征,构建驾驶员疲劳数据集;将驾驶员操作行为特征与面部特征融合,形成多类型特征融合序列,并基于双向长短时记忆（Bi-directional Long Short-Term Memory,Bi-LSTM）网络,构建多类型特征融合的疲劳识别模型;通过单一类型特征与多类型特征对比试验、不同场景对比试验证明,基于Bi-LSTM的多类型特征融合识别方法的准确率和鲁棒性较单一类型特征识别方法均有明显提升,能在各种场景下更好地识别驾驶员的疲劳状态。