基于复杂路况的车辆监控系统研究

高速公路穿越山岭等复杂环境领域时,监控系统的设置非常困难,文中提出一种基于WLAN无线局域网的车辆移动视频快速识别系统架构,克服了有线监控系统不易设置和维护等缺点,为在偏远、复杂道路环境下监控实施带来了方便,同时引入Adaboost算法进行车型图像识别,实验表明大大提高了在复杂路段对车辆的监测能力,为高速公路全程监控的快速实施起着积极的推动作用。     

基于不变矩的机器视觉车辆类型识别技术

针对智能交通领域汽车类型识别的应用背景，利用单目视觉开发了基于计算机视觉车辆类型识别系统；论述了单目视觉原理及特征提取的关键技术，利用不变矩及不变矩矢量在图像平移、旋转及比例变换时保持不变的特性，以其作为主要特征实现车辆类型有效识别。试验结果表明，该技术可以实现车辆类型的自动、快速和准确分类。     

恶劣环境下多目标实时跟踪算法研究

提出一种在恶劣环境下能实时进行多目标跟踪的方法,相比于目前的监控系统,该方法能够更加精确地跟踪场景中的入侵目标,并且算法效率有了较大提升。首先,在动态背景建模codebook作为背景建模算法的基础上,对背景更新方法进行改进,使前景检测准确率相对于原算法有了很大提升,并且在主要性能上优于其他的主流背景建模算法。其次,本研究选用粒子滤波算法作为多目标跟踪方法,对重采样方法进行了较大改进,使之能在实时环境下保持粒子的有效性和多样性。实验证明该系统构建有较好效果,能在实际恶劣场景下进行多目标跟踪,并保持较好的检测和跟踪效果。     

基于改进的三帧差和卡尔曼滤波的车辆检测方法

针对卡尔曼滤波方法在车辆检测中存在背景更新参数固定、背景建模实时性较差的问题,提出了三帧差法与自适应卡尔曼滤波算法相结合的运动车辆检测方法.先采用三帧差法快速提取车辆运动区域,再采用高斯分布确定背景更新参数,同时更新背景模型,最后将两者得到的图像相减得到最终检测结果.实验结果表明,该算法的背景更新速度较快,运动目标提取效果较好.     

用于故障诊断的AR模型实时建模算法

提出一种AR模型实时建模新算法，分析了设备故障诊断过程中建模存在的主要问题，讨论了实时建模的计算方法和初值算法。     

一种基于WindowsCE的手写体识别系统的实现

研究了基于模板匹配算法的手写体识别技术,通过图像预处理、图像特征提取、模板匹配和图像识别等,建立了一种基于WindowsCE的手写识别系统。     

多车型同时取送货问题的低碳路径研究

针对现代物流配送系统中提倡节能减排、配送中心多车型、车辆数量有限以及客户存在取送 货需求的特点,建立了多车型同时取送货的低碳路径问题的模型,同时建立了考虑车辆装载量、车 型和距离的碳排放量的计算方法．基于问题的性质,采用了量子进化算法对其进行求解,量子进化 算法是一种通过将常用的整数编码转换成量子比特位的编码方式,每一个染色体都代表某种车型 的行车路线方案,通过基准测试实例验证了算法的有效性和可行性,实验分析表明,针对多车型同 时取送货问题,以总碳排放最小为目标函数,采用随机选取车辆路径安排比传统的车辆路径安排更 加经济和环保．     

复杂背景下的车型自动分类研究

针对复杂背景下的车辆自动分类问题,提出了一种新的车型识别方法.该方法是首先采用自适应高斯混合模型进行背景抽取,然后以背景抽取后的车辆侧面图像作为特征图像,设计了顶长比、顶高比和前后比3种参数对车型进行表达,最后通过训练—BP神经网络分类器对车型进行自动分类.对9个样本进行分类测试时,取得了均方误差小于0.0023、识别率达到100%的测试结果,表明笔者设计的车型分类系统可有效地实现车型的自动分类.     

灰色理论的改良种子算法在车牌定位中的应用

在车牌识别系统中，核心问题在于识别牌照中的字符，而其关键又在于文字目标所在区域的定位。研究提出了一种基于灰色理论的改良种子算法，并将其用于车牌定位系统中。实验结果表明，即使在复杂背景及非均匀光照条件下，应用该方法也能准确实时的定位车牌。     

某混沌实时判定系统中特征提取的原因分析

研究混沌判定方法,对进行混沌分析与控制具有重要意义。基于信息论、控制论、数据挖掘的一些基本原理和方法,描述了某混沌实时判定系统的结构与功能模块。为满足该判定系统原理及功能的要求,需要进行时间序列的特征提取。以Logistic系统为例进行了实验研究,应用小波包分析、小波包能量进行了特征提取,分析了进行特征提取的原因与必要性。实验结果表明,特征提取模块是整个判定系统的关键模块,小波包能量可以作为该系统中特征提取的方法。     

以扫描线为单位的背景提取与更新算法研究

基于背景差分法的视频车辆监控系统实时性与准确性的设计要求,提出了一种新的背景提取与更新算法.该算法以扫描线为单位进行运算处理,简单易行.在背景提取和背景更新阶段,分别利用帧间差分和背景差分检测运动前景,再配合适当的运动区域判定条件,很好地消除了运动前景的影响,提高了准确性.通过将背景更新任务分解到多帧中处理,大大缩短了处理一帧图像的耗时,提高了系统实时性.实践证明该方法可行.     

基于中值背景模型的运动目标自适应检测方法

目的 在保证准确性的前提下,降低运动车辆检测算法的计算量,加快处理速度,满足实时性要求,提出一种基于中值背景模型和自适应阈值的运动检测方法 .方法 基于当前帧与背景图像的差分图像,利用自适应阈值分别对差分图像的三个颜色通道进行二值化,从而实现运动目标的精确检测.同时,根据检测结果 ,采用中值更新策略实现背景图像的实时更新.结果 实验结果 表明,笔者算法可以从复杂交通场景图像序列中有效地检测出运动目标,并且算法计算量小,具有良好的鲁棒性与实时性.算法每帧处理时间比混合高斯降低43%,背景更新时间比一阶Kalman算法降低了45%.结论 算法能够很好地满足智能交通监控系统中运动车辆实时检测的要求.     

基于子带谱特征的助听器背景噪声场景分类算法

针对助听器应用中背景噪声场景分类算法需同时具备低延时性和高分类准确率的问题,提出一种基于LightGBM集成学习模型的助听器场景分类算法以减少分类过程的计算时间,给出一种新的子带谱相关性特征并联合子带谱熵特征构成分类特征来提高助听器场景分类的准确率,使用双耳差分信号提取子带谱特征减少计算过程中的内存占用率以及模型离线训练工作量,提高计算效率。对双耳助听器声学环境识别数据集中的安静室内、交通环境、风噪声、音乐、鸡尾酒会、汽车噪声6种场景下的背景声音进行测试,实验结果表明,相对于基于随机森林模型和子带信号周期性特征、子带信号熵特征的场景分类算法,该算法在实时性和分类准确率方面的性能均有显著改善。     

一种基于背景恢复的运动目标的分割方法

提出一种基于背景模型的运动目标的分割方法．该方法结合了背景恢复技术对运动目标进行分割．算法分背景重建、运动目标提取和分割图像后期处理3个步骤．在背景重建过程中提出了新的背景更新策略和新的判断阈值法．文章阐述了方法的基本思想、理论依据和实现．实验表明,该方法具有很好的效果,具有较强实时性．     

基于中值背景模型的运动目标自适应检测方法

针对复杂交通场景中运动车辆检测方法存在的局限性,本文提出了一种基于中值模型和自适应阈值的运动检测算法。利用自适应阈值对差分图像的三个颜色通道进行二值化处理,实现了运动目标的精确检测,采用中值更新策略实现背景图像的实时更新。实验结果表明,算法可以从复杂交通场景图像序列中有效地检测出运动目标,且算法计算量小,具有良好的鲁棒性与实时性。     

An approach to detecting abnormal vehicle events in complex factors over highway surveillance video

The detection of abnormal vehicle events is a research hotspot in the analysis of highway surveillance video. Because of the complex factors, which include different conditions of weather, illumination, noise and so on, vehicle’s feature extraction and abnormity detection become difficult. This paper proposes a Fast Constrained Delaunay Triangulation (FCDT) algorithm to replace complicated segmentation algorithms for multi-feature extraction. Based on the video frames segmented by FCDT, an improved algorithm is presented to estimate background self-adaptively. After the estimation, a multi-feature eigenvector is generated by Principal Component Analysis (PCA) in accordance with the static and motional features extracted through locating and tracking each vehicle. For abnormity detection, adaptive detection modeling of vehicle events (ADMVE) is presented, for which a semi-supervised Mixture of Gaussian Hidden Markov Model (MGHMM) is trained with the multi-feature eigenvectors from each video segment. The normal model is developed by supervised mode with manual labeling, and becomes more accurate via iterated adaptation. The abnormal models are trained through the adapted Bayesian learning with unsupervised mode. The paper also presents experiments using real video sequence to verify the proposed method.     

采用形态学算子的运动目标检测跟踪方法研究及实现

针对背景动态变化的场景,提出了一种基于全方位视觉的运动目标检测跟踪方法.采用统计方法建立背景模型,并实现背景模型的实时更新;利用减背景法和改进的二值图像连通域算法实现运动区域提取、分割;引入形态学算子计算目标区域体态比和紧密度,过滤背景干扰物;采用卡尔曼滤波与匹配矩阵相结合实现多个运动目标的跟踪;通过目标在HSV颜色空间中的H值、目标间的欧氏距离和目标相交面积等特征融合,提高目标跟踪的鲁棒性.实验表明,所设计的方法能实现实时准确的运动目标检测与跟踪.     

An approach to detecting abnormal vehicle events in complex factors over highway surveillance video

The detection of abnormal vehicle events is a research hotspot in the analysis of highway surveillance video. Because of the complex factors, which include different conditions of weather, illumination, noise and so on, vehicle’s feature extraction and abnormity detection become difficult. This paper proposes a Fast Constrained Delaunay Triangulation (FCDT) algorithm to replace complicated segmentation algorithms for multi-feature extraction. Based on the video frames segmented by FCDT, an improved algorithm is presented to estimate background self-adaptively. After the estimation, a multi-feature eigenvector is generated by Principal Component Analysis (PCA) in accordance with the static and motional features extracted through locating and tracking each vehicle. For abnormity detection, adaptive detection modeling of vehicle events (ADMVE) is presented, for which a semi-supervised Mixture of Gaussian Hidden Markov Model (MGHMM) is trained with the multi-feature eigenvectors from each video segment. The normal model is developed by supervised mode with manual labeling, and becomes more accurate via iterated adaptation. The abnormal models are trained through the adapted Bayesian learning with unsupervised mode. The paper also presents experiments using real video sequence to verify the proposed method.

     

基于色彩特征的CAMSHIFT视频图像汽车流量检测

针对视频图像中目标车辆尾灯及背景色彩在HSV空间分布上的特点,提出了把车辆尾灯作为跟踪目标,恰当选取色彩特征参数,采用CAMSHIFT目标跟踪算法对汽车流量进行检测的技术方案.研究了基于HSV色彩空间的CAMSHIFT目标跟踪算法在视频图像汽车流量检测中的实现,并用实际拍摄的交通视频图像对该检测算法进行了验证.实验结果表明,本文算法具有较高的准确度,能够有效跟踪以各种速度行驶的车辆,可以较好地应用在汽车流量检测领域中.     

Recognition algorithm for turn light of front vehicle

Intelligent vehicle needs the turn light information of front vehicles to make decisions in autonomous navigation. A recognition algorithm was designed to get information of turn light. Approximated center segmentation method was designed to divide the front vehicle image into two parts by using geometry information. The number of remained pixels of vehicle image which was filtered by the morphologic features was got by adaptive threshold method, and it was applied to recognizing the lights flashing. The experimental results show that the algorithm can not only distinguish the two turn lights of vehicle but also recognize the information of them. The algorithm is quiet effective, robust and satisfactory in real-time performance.