融合TDA的深度自编码网络车辆目标检测

针对在雪天环境下交通监控检测实时性差和准确率低的问题，提出了融合TDA的深度自编码网络车辆目标检测方法.该方法首先将监控视频帧的图像转化为点云数据；进而通过分割后提取车辆目标的点云数据并利用拓扑数据分析对车辆目标的点云数据进行处理；最后利用量化后的拓扑数据分析得到的车辆目标数据的单纯复形表示作为输入样本，对深度自编码网络进行训练，以栈式自编码结构的最后两层隐藏层作为输出构建车辆目标的特征模型，通过全连接层输入Softmax分类层做分类，使网络可以更加快速精确地对雪天环境下的目标和背景进行分类.实验结果表明，该方法能有效在雪天复杂环境下检测车辆目标并在精度以及速度上均有所提高.     

面向车辆检测的扩张全卷积神经网络

近年来,深度学习方法被广泛用来解决车辆检测问题并取得了显著的成果,然而,当车辆尺寸较小时,当前深度学习算法的检测丢失率仍然很高.为了解决这个问题,本文提出了一种基于组合目标框提取结构的扩张全卷积神经网络（Dilated Fully Convolutional Network with Grouped Proposals,DFCN-GP）.具体提出了一种结合低层特征和高层特征的组合网络模型用于生成目标框,其中低层特征对小目标更加敏感.此外,为保留更多的细节信息,基于扩张卷积思想,增加了网络最后一层卷积层的大小和感受野,用于目标框的提取和车辆检测.通过控制变量的对比试验,对基于组合方式的目标框提取网络和扩张卷积层的有效性进行了验证.本文提出的算法模型在公开数据集UA-DETRAC上性能优异.     

激光扫描数据脉冲噪声自适应检测和滤除

针对现有脉冲噪声滤波算法在处理大斜率区域和断线型激光扫描数据中存在的多判和漏判问题,提出了一种有效检测脉冲噪声的方法.该方法依据局部脉冲噪声的分布,利用自适应弦偏差法进行噪声点检测;对噪声点自适应地选择滤波窗口中的非脉冲噪声数据进行中值滤波,以实现噪声滤除.实例结果表明：采用文中方法使得噪声检测更为准确,在滤除噪声的同时有效地保持了数据的细节.     

基于稀疏帧检测的交通目标跟踪

为了获取高速公路交通视频中目标车辆的行驶轨迹,提出一种基于视频的多目标车辆跟踪及实时轨迹分布算法,为交通管理系统和交通决策提供目标车辆交通信息.首先,使用YOLOv4算法检测目标车辆位置及置信度.其次,在不同场景条件下,使用提出的基于稀疏帧检测的跟踪方法,结合KCF跟踪算法,将车辆数据进行关联获取完整轨迹.最后,用车辆分布图和交通场景俯视图显示轨迹,便于交通管理与分析.实验结果表明,提出的跟踪方法在车辆跟踪中有较高的跟踪正确率,同时基于稀疏帧检测的跟踪方法处理速度也较快,实时轨迹分布正确反映了真实场景的车道信息以及目标车辆运动信息.     

基于改进的YOLOv4高速公路车辆目标检测研究

针对高速公路场景下的车辆目标检测问题,提出了一种改进的YOLOv4网络对交通场景下车辆目标进行检测的方法;制作了一个多天候、多时段、多场景的车辆目标数据集,并依据数据集得到检测模型;提出多标签检测方法,并在多标签之间建立约束关系,得到更完善的车辆信息;提出了一个图像拼接检测方法,将多幅图像通过拼接层连接后进行车辆检测,以此提升网络的运行效率。实验结果表明,多样化数据集提高了车辆检测精度,减少了车辆目标的误检、漏检,同时改进的网络结构较大提升了检测速度,上述方法可以为高速公路场景下的车辆目标检测与实际应用提供参考。     

基于局部图块目标匹配的交通车流跟踪与统计

针对传统目标跟踪算法在实现过程中的局限,提出一种基于局部图块目标匹配(local block-graphs targets matching,-LBTM)的跟踪算法,将其应用于车流跟踪,并验证其有效性。首先,采集视频帧画面中含有目标的多幅图像,并对其进行局部图块分割,得到目标图块;其次,对图块进行目标匹配,通过匹配完成对目标的检测过程,并计算得到最优的目标集合;最后,针对目标集合进行全部帧画面的最小偏差的预测,实现目标的跟踪过程。选取某路口的交通监控视频进行对比验证实验,实验结果表明:所提出的算法可以有效地跟踪车辆,比传统算法有更好的目标检测率和跟踪准确率,并能有效地完成车流统计。     

车载GPS/DR/MM组合导航定位算法研究应用

虽然GPS/DR组合定位比单独用GPS或航迹推算DR(Dead Reckoning)定位有更高的定位精度,但由于累积误差的产生,长时间使用仍可能出现较大的偏差,不利于车辆导航.对此,提出一种基于模糊逻辑的地图匹配算法,利用模糊逻辑评判规则和相应的隶属度函数对地图匹配可信度进行综合评判,最终确定车辆当前行驶道路和车辆的位置.实验数据表明,地图匹配MM(Map Matehing)技术进一步修正了GPS/DR组合导航系统的定位结果,有效地提高了系统定位精度.由于不增加硬件设施,GPS/DR/MM组合导航定位使低成本高精度的车辆导航成为可能.     

一种改进的SSD网络车载图像检测方法

对行人和车辆的检测识别是无人驾驶领域的重要组成部分,为满足该领域对相关模型检测精确度的需求,以传统单发多框检测器(single shot multibox detector,SSD)为基础,提出了一种车载图像识别改进算法。鉴于传统SSD目标检测算法不能充分利用局部特征和全局语义特征、目标定位和识别存在矛盾等缺陷,提出了SSD检测模型相关特征层的融合方法,从而重新生成模型的目标检测金字塔(object detection pyramid,ODP)。改进算法将输入图像中待检测目标的低层次细节特征与高层次语义特征结合起来,降低了待检测目标定位与识别间的矛盾,达到了提升模型检测精确度的目的。利用行车记录仪获得的车载图像数据集进行训练,实验结果表明,改进的SSD算法在相关图像数据集的测试集上可以达到79.2%的精确度,与传统的SSD算法相比精确度提高了2.3%。     

高速公路多匝道协调控制系统设计与仿真

采用大系统分解和协调的方法研究高速公路多匝道的协调控制问题．建立了反映高速公路交通动态变化的有限差分模型，结合交通系统的特点提出改进的多层控制方法．控制结构分三层：局部控制层决定匝道调节率；协调控制层为局部控制层确定期望密度；自适应层根据实时检测交通状况选择模型和调整模型参数．仿真结果表明，控制系统具有良好的动态性能，该方法能有效地消除交通拥挤和维持主线车流稳定，能提高主线的通行能力，实现车辆在高速公路上高效、安全地运行．     

一种基于最优状态点的无人车路径跟踪横向控制方法

对于小区、施工导流路段等狭窄区域,很难保证大中型车辆安全地通过.针对这类情况,本文研究了整个车体的路径跟踪横向控制问题,提出了车辆最优状态点和最优参考状态的概念.为了求解最优状态点,本文构造了车辆参考状态所对应的整体偏差这一目标函数,基于车辆运动学模型,依据最优状态点处车辆与参考轨迹的偏差设计了横向控制器,并利用Lyapunov方法证明了该控制系统的稳定性.与车体特定位置的横向偏差相比,整体偏差更为显著地反映了整个车体的跟踪性能.最后,在具有代表性的狭窄区域场景和普通城区道路场景分别进行了仿真实验,结果表明该方法能够有效提高车辆低速行驶时的整体跟踪精度,不仅可以保证车辆安全裕度较大地通过狭窄区域,而且也提升了车辆在城区交通场景驾驶的安全性.     

智慧交通中的目标识别技术研究

该文对智慧交通中的目标识别技术进行研究,介绍了常见的对车辆等目标进行特征提取的方法,阐述了基于目标特征的车辆识别,并在对图像数据进行预处理后使用聚类算法进行目标识别;对智慧交通中的多目标跟踪技术进行归纳,分析了多目标跟踪的流程及主要步骤。     

夜间行驶车辆远光灯检测方法

有效地对夜间车辆违规使用远光灯的行为进行管理,可以降低夜间交通事故的发生,但目前缺乏高效的远光灯检测方法,相关交通法规无法得到有效执行.针对此问题,文中提出了一种夜间车辆远光灯检测深度学习算法.该算法基于YOLOv3进行设计,通过降低各层卷积层维数的方式,来减少整体网络的参数量,提高算法的运行速度;然后对网络的残差组件进行改进,使用标准的残差组件,同时设计了一个空洞卷积模块来加强网络局部和全局特征的融合,增强了网络的特征表达能力;接着对YOLOv3的损失函数进行了改进,优化小尺寸目标对坐标损失的贡献,增强了小尺度目标的检测能力;最后对YOLOv3先验框聚类算法和个数进行优化,提高模型的表达能力和检测速度.实验结果表明,所设计的算法的平均准确率(mAP)达到了99.09％,相比YOLOv3提升了30％,满足了实用化要求,能够有效地检测违规行为.     

基于高速公路场景的车辆目标跟踪

车辆目标检测与跟踪是高速公路视频监控系统实时监控获取交通参数的关键步骤.本文提出了一种面向高速公路场景的目标轨迹时序信息结合核相关滤波KCF算法的车辆目标跟踪方法,实现了车辆目标的高精度持续跟踪.该方法首先采用基于深度学习的单目标检测SSD算法,通过建立车辆数据集,实现了适用于高速公路场景的车辆目标的分类与检测.然后,基于目标轨迹时序信息实现目标车辆与轨迹的匹配,并且采用KCF跟踪算法对丢失目标进行预测重定位,从而实现车辆目标轨迹的持续跟踪.实验表明,该跟踪方法精度高,且适应多种不同场景,具有较高的应用价值.     

融合多层次浅层信息的航拍小目标检测

针对小目标检测及目标被遮挡的问题, 本文基于VisDrone2019数据集构建相应交通场景, 提出一种小目标检测算法. 首先, 充分利用主干网络的浅层特征改善小目标漏检的问题, 通过在YOLOv7算法原有的网络结构上增加小目标检测层P2, 并在P2小目标检测层的模型上为特征融合网络添加多层次浅层信息融合模块, 从而提高算法小目标检测效果. 其次, 使用全局上下文模块构建目标与全局上下文的联系, 增强模型区分目标与背景的能力, 改善目标因遮挡而出现特征缺失情况下的被检测效果. 最后, 本文采用专为小目标设计的损失函数NWD代替基线模型中的CIoU损失函数, 从而解决了IoU本身及其扩展对微小物体的位置偏差非常敏感的问题. 实验表明, 改进后的YOLOv7模型在航拍小目标数据集VisDrone2019 (测试集和验证集)上面mAP.5:.95分别有2.3%和2.8%的提升, 取得了十分优异的检测效果.     

基于级联微型神经网络的多角度车辆检测方法

车辆检测是智能交通系统建设的关键步骤,但在光照变化、遮挡等复杂交通场景下,单一角度视频检测的方法无法准确地获取车辆特定特征。为了提高交通监控图像中车辆检测的准确性,将AdaBoost算法嵌入微型的神经网络模型,并结合局部归一化像素差值特征（LNPD）,提出了基于级联微型神经网络的多角度车辆检测方法。该方法首先提取检测图像的局部归一化像素差值特征,然后使用多层感知器学习最优的特征子集及其组合特征,最后使用AdaBoost算法筛选最具区分力的特征构建强分类器。以不同复杂程度的真实交通场景中包含有正面、侧面及背面三个角度的样本集作为测试集,并与NPD、DPM-V5、ACF和RCNN等方法进行了定性与定量对比。实验结果表明,该车辆检测方法在三种数据集上的平均检测率和检测时间分别为82.28%和125 ms,优于传统车辆检测方法。     

基于局部梯度和局部熵的红外小目标融合检测

提出了一种基于局部梯度强度和局部熵的红外小目标融合检测的方法。小目标检测是整个自动目标识别系统的一个非常重要的子系统，可以说，检测子系统的性能在很大程度上决定了自动目标识别系统的性能。由于弱小目标的存在会引起其所在区域的内部细节和局部纹理与背景相比发生较大的变化，而局部梯度强度和局部熵非常好地刻画这种变化。文中通过提取序列图像中每帧的局部梯度强度和局部熵的特征图像，进行自适应的融合。为了充分利用目标的运动信息，连续多帧图像的融合特征图像进行能量累积，达到进一步提高检测概率，降低虚警率。实验结果证明了方法的有效性。     

一种新的局部空间排列算法

局部切空间排列算法(local tangent space alignment,LTSA)是一种经典的非线性流形学习方法,能够有效地对非线性分布数据进行降维,但它无法学习局部高曲率数据集.针对此问题,给出了描述数据集局部曲率的参数,并提出一种局部最小偏差空间排列(locally minimal deviation spacealignment,LMDSA)算法.该算法考虑到局部切空间低鲁棒性的缺陷,在计算局部最小偏差空间的同时,能够发现数据的局部高曲率现象,通过参数控制及邻域间的连接信息,减少计算局部高曲率空间的可能,进而利用空间排列技术进行降维,手工流形及真实数据集的实验证实了该算法学习局部高曲率数据集的有效性.     

车辆配送路径轨迹弧长偏差可视化校正仿真

由于车辆配送路径轨迹偏差会延长货品配送时间,影响物流服务质量。针对传统配送路径轨迹偏差校正方法校正性能不足的问题,提出一种基于GPS和地图匹配的车辆配送路径轨迹弧长偏差可视化校正方法。利用GPS定位目标物流车辆当前所在位置,并将所得到的位置信息显示在电子地图上;将电子地图上所显示的路径轨迹与规划的地图道路进行匹配,确定偏差范围;根据偏差范围,进行路径偏差校正。实验结果表明,与三种传统配送路径轨迹偏差校正方法相比,利用所提方法进行车辆配送路径轨迹弧长偏差可视化校正,得到的校正路径与规划路径之间的拟合优度更接近1,且车辆配送效率较高,由此说明该方法校正性能更强。     

车辆导航中的交互多模卡尔曼滤波跟踪方法

对GPS车辆定位中常用的卡尔曼滤波技术的扩展与应用进行了研究,建立了车辆运动的两种基本模型,并针对车辆机动目标给出了基于交互多模卡尔曼滤波跟踪的车辆导航方法,该方法能够有效地减小跟踪误差,并克服了传统目标跟踪算法的滞后性等缺点。     

移动群智感知下的交通流速缺失数据恢复算法

GPS等设备的普及使得基于大规模车辆数据的城市级道路状态评估成为可能,本文研究移动群智感知下的交通流速缺失数据恢复问题.首先,利用探测车收集车辆数据,设计了基于网格密度提取路网的方法;其次,针对GPS数据特点设计一种自适应的路段流速计算方法,得到交通流速矩阵;再次,对交通状况评估时存在的数据缺失情形进行分类,基于数据时空特征改进了压缩感知的稀疏基,有效地将交通流速缺失数据的预测问题建模成稀疏向量的恢复问题;最后,基于大规模真实出租车数据集对所提出算法性能进行全面验证.结果表明:在数据缺失程度大于50%时,本文所提出算法能够准确地恢复缺失数据,且性能优于其他同类算法.