基于灰色理论的车辆分类统计与流量预测

在灰色理论基础上提出了一种自动车型识别与流量预测技术。该技术实现可分为三个步骤：第一步,测量车辆的三维信息,获得车辆的长、宽、高度特征;第二步,利用灰色关联分析对车辆进行分类识别;第三步,建立一阶单变量车辆预测模型即GM（1,1）,用于有关部门统计指标的预测。实验表明,该方法在车型识别中,具有比较高的识别精度,而灰色预测模型较传统的预测方法更具科学性与实用性。     

单目交通场景下基于自标定的车辆三维信息识别算法

获取车辆的三维信息作为车型精确分类的依据,已成为当前越来越重要的研究方向,但交通场景中的监控相机大多为单目相机,由于透视因素无法直接获取车辆位姿、车辆轮廓尺寸等三维信息.针对上述问题,提出单目交通场景下基于自标定的车辆三维信息识别算法,首先根据典型的交通场景,建立单目相机的摄像机模型以及较稳定的单消失点标定模型,完成摄像机标定;接着使用深度学习卷积神经网络中的YOLO模型对交通场景中的车辆进行二维目标检测.在此基础上,提出对角线和消失点约束的非线性优化求解算法,结合标定信息完成车辆的三维信息识别及最佳三维目标检测.在公开数据集BrnoCompSpeed和实际高速公路场景进行了实验,实验结果表明,该算法在多种交通场景下均能有效识别车辆三维信息,平均识别准确率超过90%.     

结合目标检测与双目视觉的三维车辆姿态检测

随着城市规模的发展,车辆的需求在与日俱增,同时对自动驾驶技术的需求也在不断提高.为了增强自动驾驶系统对路面车辆的信息掌握能力,提出一种车辆姿态检测方法.首先利用基于深度学习的目标检测方法获取车辆在二维图片上的信息,结合深度相机利用双目视觉获取车辆的关键三维空间信息;然后综合二维与三维信息建立三维空间坐标,经过计算后实现车辆的三维边框绘制,绘制的三维边框能辅助区分出车辆在空间上的方位.文中方法为端对端方法,不需要其他额外的输入信息,能够实时展示在相机中.实验结果表明,该方法针对常见的路面停车场景有较好的识别效果,对自动驾驶系统有较好的辅助作用;对比目前流行的三维边框计算方法也展示了其准确性.     

基于局部稀疏表示的三维模型识别算法

为了对未知分类信息的三维模型进行分类,提出三维模型分类识别算法.首先以改进的形状直径函数(shape diameter function,SDF)特征描述符为基础对所有三维模型提取特征向量,并将未知分类信息的三维模型作为测试模型,在已知分类的三维模型数据库中找到与测试模型最相似的k个模型;然后在这k个模型中利用稀疏表示分类方法对测试模型进行识别;最后确定测试模型在三维模型数据库中的分类信息.实验结果表明,该算法简单且易于实现,具有较高的识别准确率及较强的鲁棒性.     

车辆尾灯灯语的检测与识别

针对有效利用车辆灯语信息的问题,提出了一种基于图像的车辆尾灯灯语的检测识别新方法.该方法首先利用颜色、对称性特征在图像中检测出车辆尾灯对,并对车辆尾灯进行连续的跟踪.然后使用参数优化的最小二乘支持向量机(Least Squares Support Vector Machines,简称LS-SVM)对得到的车尾灯状态进行分类判别.最后结合状态历史信息,综合推断出各前方车辆当前灯语含义.以实车拍摄的白天道路视频进行实验,可以看到由识别出的灯语信息能够准确判断出前方车辆刹车、转向、灯不亮,表明该检测识别方法有效.     

基于双线性卷积神经网络的车辆多属性分类算法设计

针对图像分类中背景信息太多容易误导分类结果的问题,提出一种筛选—识别网络架构,通过剔除与分类无关的背景信息、定位要分类的感兴趣区域及提高对车辆细粒度分类的准确率.用YOLOv3网络快速寻找需要分类的目标物体,消除背景中无关信息对分类的误导,将结果送入到双线性卷积神经网络进行训练和分类,结果在Cars196数据集中对车辆的车型、颜色和方向的分类精度为92.1％,92.7％,97.4％.利用监控视频自制数据集中对车型、颜色和方向的分类精度为71.3％,68％,85.6％.使用筛选—识别网络架构对车辆的细粒度分类有积极作用,可以剔除大部分对分类没有用的背景信息,更有利于网络学习分类的特征信息,从而避免背景信息对分类结果的误导,提升模型的分类精度.     

基于分块CBP特征和稀疏表示的三维人脸表情识别

在三维人脸表情识别中,基于局部二值模式（LBP）算子算法与传统的特征提取算法相比具有特征提取准确、精细、光照不变性等优点,但也有直方图维数高、判别能力差、冗余信息大的缺点.本文提出一种通过对整幅图像进行多尺度分块提取CBP特征的CBP算法,能够更有效的提取分类特征.再结合使用稀疏表达分类器实现对特征进行分类和识别.经实验结果表明,与传统LBP算法和SVM分类识别算法对比,文中算法用于人脸表情的识别的识别率得到大幅度提高.     

基于视频的车型特征提取及识别方法研究

基于模式识别方法进行车辆识别的关键是车型特征的提取以及分类器的设计。针对车辆的轮廓、车长、车高、面积和轴距等几何特征较难精确获得问题,设计了将含有较多有效信息的车辆图像灰度矩阵作为车辆描述特征,并通过基于PCA-LDA相结合的二次特征提取方法进行车辆识别特征的优化;分类器设计采用支持向量分类方法,根据＂一对一＂策略构造了三类车型分类器,并采用KNN方法进一步提高了SVM子分类器的分类准确率。最后对设计的方法进行了实验分析,结果表明本方法具有较好的识别效率。     

智能交通系统中的车辆匹配综述

车辆匹配是一种利用图像或视频中的车辆信息,与数据库中的车辆数据进行对比,从而实现车辆的识别、跟踪和分类的技术。它在交通监控领域有着广泛的应用,本质上是一个基于邻近点的重复图像检索问题。目前,车辆匹配技术主要分为三类,包括基于传感器的方法、基于人工设计特征的方法和基于深度学习的方法。     

自然交通场景中的车辆颜色识别

车辆颜色是重要的车辆信息之一,对其进行识别可为智能交通系统中的车辆识别环节提供更为精准丰富的信息.自然场景中光线的变化会对车辆颜色造成影响,致使难以根据RGB图像直接获得车辆的颜色类别.传统的机器学习方法用于车辆颜色识别时,通常依据经验筛选用于分类的图像特征,易导致分类效果有限等问题,且这些方法一般计算量较大,难以获得实时结果.针对自然场景中车辆颜色信息难以获取和描述这一问题,提出了一种基于多色彩空间信息的深度神经网络模型(MultiColor-Net),使用多个不同尺寸滤波器分别对输入图像在RGB颜色空间和HSV颜色空间上进行特征提取,再将上述不同颜色空间中获得的特征组合,通过全连接网络,获得自然交通场景中目标车辆的颜色分类结果.在真实的智能交通数据集上对比ResNet,Inception v3等深度神经网络模型和本文所提出的MultiColor-Net,结果表明,MultiColor-Net相比于单独识别HSV图像,准确率提高了2.45％左右;相比于单独识别RGB图像,准确率提高了0.8％左右.因此,MultiColor-Net模型能够在真实的交通图像数据上取得较高的识别准确率,同时保持较低的计算复杂度.