高速公路综合数据的采集与控制系统的探讨

讨论了一种高速公路分布式数据采集及控制系统的组成与实现方法。基于感应式环形线圈检测原理的智能车辆检测器检测公路上行驶的车辆信息。车道控制机控制栏杆动作 ;主控机进行车辆数据处理与控制 ,以及完成与远程监控中心数据交换。给出了动态车辆检测电路 ,并讨论了交通流数据处理算法     

被动测距系统汽车目标提取算法研究

研究了以高速公路为背景的被动测距系统中汽车目标提取算法.该算法在采集图片中检测路面边缘，根据道路区域在图片中呈三角形的特点，提出一种新的边缘检测模板.此模板突出图片中倾斜边缘的特点，抑制垂直和水平边缘.边缘提取后利用Hough变换检测车道边缘并判断测距系统所在的车道，缩小检测区域，并在该车道内分割提取出目标汽车.解决了同一车道内存在两辆或更多车辆时，区分目标汽车与无关汽车的问题.     

基于感兴趣区域模型的车道线快速检测算法

为满足智能车载视频取证设备对车辆违章行为取证时检测车道线准确性和时效性的要求,提出一种基于感兴趣区域模型的结构化道路车道线的快速检测算法。该算法首先基于结构化道路具有车道线与路面对比度高的特点,采用Soberx边缘检测算子检测车道的边缘信息,然后在感兴趣区域模型基础上,采用改进的Hough变换检测出可能的车道线。为准确提取车道线完成车道的准确检测,该算法基于透视图像消失点原理,采用逆透视变换消除伪车道线完成车道准确定位。实验表明,该算法定位精度高、快速快、鲁棒性好,能够满足高速公路智能车载视频设备取证的性能要求。     

违章停车检测与识别算法

针对传统违章停车人工检测方式的缺陷,设计了基于图像处理技术的停车违章监控算法。在禁停路段区域设置视觉传感器采集视频图像序列,利用自适应的混合高斯模型实现复杂交通场景下的背景抽取,提取可能运动前景目标。利用像素级时间序列特征检测静止物体,并根据对象级区域特征实现停驶车辆的辨识,获取车辆的违章停车信息。根据不同禁停区域的具体违章要求实现自动警报。最后,通过实际交通场景视频序列对算法进行了验证,结果表明了本文方法的有效性。     

基于强化学习的多路口可变车道协同控制方法

为了解决传统的可变导向车道控制方法无法适应多路口场景下的复杂交通流的问题,提出基于多智能体强化学习的多路口可变导向车道协同控制方法来缓解多路口的交通拥堵状况. 该方法对多智能体强化学习 (QMIX)算法进行改进,针对可变导向车道场景下的全局奖励分配问题,将全局奖励分解为基本奖励与绩效奖励,提高了拥堵场景下对车道转向变化的决策准确性. 引入优先级经验回放算法,以提升经验回放池中转移序列的利用效率,加速算法收敛. 实验结果表明,本研究所提出的多路口可变导向车道协同控制方法在排队长度、延误时间和等待时间等指标上的表现优于其他控制方法,能够有效协调可变导向车道的策略切换,提高多路口下路网的通行能力.     

面向交通拥堵的车辆鲁棒检测及分车道到达累计曲线估计

针对大交通量拥堵情况下现有视频车辆检测技术不能有效处理车辆相互遮挡而导致的大量漏检问题,提出了一种面向交通拥堵的车辆鲁棒检测及分车道到达累计曲线估计方法.首先,完成非拥堵区域的检测,避免针对交通拥堵停驶车辆进行复杂遮挡处理及检测的工作;然后,基于假设生成和验证框架,融合Ada Boost分类器与车底阴影检测结果,得到车辆鲁棒检测结果;最后,使用投影畸变车辆稳定特征将车辆位置划归特定的车道,准确估计分车道车辆到达累计曲线,实现针对交通检测断面分车道详细交通参数的有效分析.实验结果表明:该方法能够在高峰时段的交通拥堵状态下实时进行车辆鲁棒检测并准确地获取交通参数,有效避免针对车辆遮挡的复杂处理过程,对解决车辆到达率和车头时距调查成本高、工作量大、不确定因素多等问题具有实际的意义.     

一种基于场景合成和锚点约束的SAR目标检测网络

随着深度学习方法在计算机视觉领域的崛起,如何将其应用于具有全天时、全天候等优点的SAR图像也成为一大研究重点.相较于传统图像,SAR图像由于其难判读、应用人群较少等原因难以获得大量标注数据.本文提出一种基于场景合成和锚点约束的SAR图标检测方法.通过区域生长算法和阈值法对SAR车辆目标及其阴影进行分割,然后随机嵌入SAR复杂场景中的合理区域来合成目标检测数据集.针对SAR车辆目标的几何特性、图像分辨率参数,对Faster-RCNN中的锚点大小进行约束,减少不符合SAR车辆目标检测框尺寸的候选框,大量约简冗余计算,提升训练、测试效率及精度.     

基于扩散性搜索区域的车道线检测与跟踪算法

针对现有的车道线检测与跟踪算法在复杂环境下实时性和鲁棒性较差的问题,提出了基于扩散性搜索区域的车道线检测与跟踪算法.该算法在搜索车道线的起始阶段引入了扩散性搜索区域,搜索过程中对该区域进行不同层次的划分,缩小了算法搜索范围,提高了算法检测速度及准确率;跟踪过程中将扩散性搜索区域与动态感兴趣区域相结合,使算法在最小的区域...     

基于改进的混合高斯背景模型的运动目标检测研究

针对传统混合高斯背景建模（GMM）在一些复杂场景下未能有效地描述背景,目标容易出现错误的检测,本文提出一种改进算法。该算法先对视频帧进行分块处理,然后对单模区域和多模区域采用不同的更新速率进行更新,最后在空域上对检测结果进行数学形态学的处理,从而提取运动目标。实验结果表明,该算法能够提高背景建立和运动目标检测的速率,在多种场景下运动目标的检测都具有良好的鲁棒性。     

双目立体视觉测距系统目标车辆检测算法研究

研究以高速公路为背景的双目立体视觉测距系统中目标车辆检测算法.提出一种基于统计理论的方法对图像进行二值化处理,根据图像的边缘特征,运用Sobel算子实现边缘增强,以获取精确的边缘信息.边缘提取后利用Hough变换检测车道边缘并确定日标车辆所在路面区域范围,在该范围内通过检测车辆底部的阴影确定车辆的位置.试验结果表明,该...