集成RFID和视频的车辆识别及管理系统

为克服视频车辆监测易受外界环境影响且不能有效识别车辆套牌、假牌等问题,利用RFID所具有的高精度、高识别率、可在恶劣环境下工作等特点,设计了一种融合RFID和视频信息的车辆识别及管理系统.利用单片机设计车载电子标签,主动发送车辆身份信息;读写器终端单元引入ARM和嵌入式Linux平台,可快速融合RFID和视频信息,并将其实时上传至远端服务器.试验表明,集成RFID技术可有效提高道路车辆的识别准确率,系统抗干扰性好,可实现道路交通的精确监管.     

恶劣天气环境下车牌识别方法研究与仿真

研究恶劣天气下车牌识别的问题.由于图像像素丢失,影响识别的精度.针对传统PCA检测识别车牌的方法,光照条件恶劣的时候,存在图片像素丢失,导致算法无法准确识别车牌的问题.提出了一种运动车牌识别的优化算法.通过将相邻的3帧图像序列进行垂直方向和水平方向投影作差,对车辆图像完整地分割,避免了仅对单个像素的读取,解决了像素丢失的问题,实现对车牌的准确识别.实验表明,改进算法实现了恶劣天气环境下对车辆图像的正确识别,取得满意的效果,为识别研究提供了依据.     

基于二维照片进行人脸识别的算法研究

研究图像人脸识别的问题,针对直接对照照片进行人脸识别时,受二维照片信息量的限制,以及识别时受检测人员的主观经验的影响,极易造成误识别,不能满足人脸识别准确率的要求。为了解决上述问题,提出了一种利用二维照片构建三维样本进行人脸识别的方法,通过提取二维图像中人脸的层次化特征,并利用特征向量重构人脸的参数曲面,然后在三维曲面中完成人脸的自动识别。实验表明,改进方法能够有效避免二维图像信息量的限制,以及检测人员主观经验的影响,准确完成人脸的识别,具有一定的使用价值。     

基于二维PMCC鲁棒特征参数的语音识别

在噪声环境语音识别中，如何提取鲁棒性特征参数是其核心问题之一，首先提出了一种二维根倒谱特征参数，然后，该参数结合基于最小方差无失真响应谱估计的特征参数(PMCC)。最终，发现了一种新颖的鲁棒特征参数，在不同的信噪比下，它能成功地被用于连续语音识别中。试验结果表明，在不同的噪声环境和信噪比下，二维PMCC鲁棒特征参数比传统Mel频率倒谱系数（MFCC）和感知线性预测（PLP）有更好的识别率。     

多径信道下数字信号调制识别的研究

在通信信号调制方式识别中,目前已有的方法大多是基于高斯白噪声干扰的通信环境.对于多径干扰强的环境下的调制识别难以实现以及识别率低的问题,首先提出基于改进的Liavas算法对信道阶数进行准确估计,在此基础上利用基于子空间的多信道盲辨识和盲均衡来克服多径信道带来的影响,然后对均衡结果进行高阶累积量计算,提取特征参数完成调制识别.与已有的算法相比,适用范围广,实用性强,所需先验知识少.仿真结果证实算法的有效性.     

基于YOLOv3的城市公路交叉口车道拥堵实时判别算法实现

针对城市道路交叉口拥堵场景中,传统路面传感器难以准确判别拥堵路况、无法准确设置红绿灯配灯时间、导致交通堵塞情况无法缓解的问题,提出基于YOLOv3算法的城市公路交叉口车道拥堵实时判别算法。对比传统基于图像背景差分的交通拥堵检测方法,基于YOLOv3的深度学习车辆目标检测方式具备检测准、速度快优势,在此基础上结合车道区域内交通特征参数,实现了一种新的车道拥堵实时判别算法。实验结果表明:提出的车道拥堵实时判别算法能准确判别车道拥堵,判别率高、速度快,与仅采用传统图像背景差分法提取车辆目标进行拥堵判别方法相比优势明显。     

基于综合特征的车辆检测识别系统

随着信息技术和智能交通的迅速发展,自动的车辆检测识别成为不可或缺的技术。由于基于单一特征和单车辆的识别并不能满足实际中的应用要求,因此提出了多特征多车辆的检测识别算法,利用基于灰度对称,形状特征和光流强度特征的提取,通过基本的图像处理算法,最终由综合特征为基础得出车辆的识别检测结果,利用基于VC＋＋6．0的软件系统开发出车辆检测识别系统,通过实验对照,由单一特征和综合特征的检测不同结果获得实验数据,通过检测算法将视频序列图像中的车辆信息自动识别提取出来并加以标记。实验结果表明系统能够适应多变的车型和环境信息,通过识别结果准确性的分析,得出结论：针对不同的车型有较好的鲁棒性,能够满足实际智能交通控制平台的构建的基本要求。     

基于多尺度分析的地基云图自动识别的研究

研究地基云图自动识别问题.地基云图由于受光照旋转等影响,传统方法提取的特征难以准确描述图像特征,导致地基云图识别的精度较低,还无法达到实际应用的要求.为了提高地基云图识别精度,提出采用多尺度分析的地基云图自动识别算法.首先将地基云图划分为若干个大小相同互不重叠的子图,然后采用三种不同尺度的权重局部二值模式提取每一幅子图的纹理特征,最后将子图的纹理特征顺序排列获取最终鉴别特征.通过对积雨云,高积云和层积云三类地基云图进行分类识别,实验结果表明改进方法可以增强云图的局部特征描述能力,有效提高地基云图分类的精度.     

基于希尔伯特变换联合卷积神经网络的脑电信号识别方法

传统运动想象脑电信号识别方法需要人为提取大量特征,识别性能受研究人员经验影响较大,主观性强;提出一种基于希尔伯特变换(HT)联合卷积神经网络(CNN)的运动想象脑电信号自动识别方法,首先利用HT对原始EEG信号进行分析,实现一维数据向二维幅-相图像转换的同时增加信息提取维度;然后将其作为输入利用CNN层次化的对幅-相二维图像进行理解和解译,自动提取特征并完成分类识别,基于BCI竞赛中所用Graz数据集开展试验,结果表明相对于传统特征提取方法,文章所提算法在低、中、高信噪比条件下均能获得更好的识别性能,具有更强的噪声鲁棒性.     

嵌入式语音识别系统特征参数提取研究

在噪声环境下能准确有效地提取语音信息是语音识别的重点难点,将其应用于嵌入式系统中,有一定的研究意义.通过比较分析传统的语音特征参数提取的方法:线性预测倒谱系数,Mel频率倒谱系数,提出了一种新的方法,采用Mel频率倒谱系数与一阶差分Mel频率倒谱系数(MFCC+ A MFCC)相结合的方法提取语音特征参数,结合双门限检测法进行端点检测和HMM模型进行模型匹配,并进行了以ARMSX2410为核心硬件与软件的系统设计.该方法较传统方法提高了系统的鲁棒性、识别的准确率和系统效率,适用于噪声环境下的语音识别.     

基于PSO-IFCM的遮挡车牌车辆识别

针对智能交通系统中车辆类型自动识别问题,利用车辆面积、车窗位置和车轮位置3个特征,实现车辆类型的快速分类识别。对聚类中心初始化和模糊聚类算法进行改进,提出基于粒子群优化的改进模糊C均值算法(PSO-IFCM)的识别方法,用于车牌遮挡情况下的车辆识别。实验结果表明,PSO-IFCM算法具有较好的鲁棒性。     

基于D-S证据理论的特征融合车标识别方法

在针对现有的智能交通对车辆多维信息识别存在识别精度不高的情况,特别是对于车标识别,很大程度上识别结果依赖于高分辨和高质量的图像.提出了一种新的车标识别方法,用于识别卡口捕获的低质量车标图像,该方法是基于D-S证据理论的特征融合方法,提取Hu不变矩和HOG特征,采用不同的分类器构造基本概率分配（BPA）,采用改进D-S证据理论进行融合,根据判别规则给出最终的识别结果.通过实验证明在低分辨的情况下仍能保持较高的准确率,分类准确率达94.29%,相比单一的特征识别,具有更强的鲁棒性.     

高可靠性红外车辆分离器设计与应用

本文给出了一种针对公路自动收费系统的车辆分离检测而设计的,利用红外线发射和接收所形成的光幕,完全消除跟车现象,并能将半挂车、全挂车、单车可靠分离的红外车辆分离器。高可靠性红外车辆分离器的设计很好克服了传统红外车辆分离器环境适应性差、故障率高等缺点。本文还介绍了光幕形成的基本原理,并阐述了硬件关键点及实现方法,给出了系统硬件原理图、软件基本设计思想。     

基于改进的FAST R-CNN的前方车辆检测研究

目前,前方车辆检测的研究主要通过机器学习的方法,然而其难以解决遮挡和误检的问题。在这种背景下,使用深度学习的方法检测前方车辆更为有效。首先采用了选择性搜索方法获得样本图像的候选区域,然后使用改进的FAST R-CNN训练网络模型,检测道路前方车辆。已在KITTI车辆公共数据集上对该方法进行了测试,实验结果表明,所提方法的检测率高于CNN直接检测的结果,很大程度上解决了遮挡和误检的问题。而且,与先提取Harr-Like特征然后利用Adaptive Boosting分类器的算法相比,该方法在TSD-MAX交通场景数据库测试中实现了较高的性能。结果表明,该方法提高了车辆检测的准确性和鲁棒性。     

增强边缘梯度特征局部量化策略驱动下的车标识别

目的 车标是车辆的显著性特征,通过车标的分类与识别可以极大缩小车辆型号识别的范围,是车辆品牌和型号识别中的重要环节。基于特征描述子的车标识别算法存在如下缺点：一方面,算法提取的特征数量有限,不能全面描述车标的特征;另一方面,提取的特征过于冗杂,维度高,需要大量的计算时间。为了提取更加丰富的车标特征,提高识别效率,提出一种增强边缘梯度特征局部量化策略驱动下的车标识别方法。方法 首先提取车标图像的增强边缘特征,即根据不同的梯度方向提取梯度信息,生成梯度大小矩阵,并采用LTP（local ternary patterns）算子在梯度大小矩阵上进一步进行特征提取,然后采用特征码本对提取的特征进行量化操作,在确保车标特征描述能力的同时,精简了特征数目,缩短了局部向量的长度,最后采用WPCA（whitened principal component analysis）进行特征降维操作,并基于CRC（collaborative representation based classification）分类器进行车标的识别。结果 基于本文算法提取的车标特征向量,能够很好地描述车标图像的特征,在HFUT-VL1车标数据集上取得了97.85%的识别率（平均每类训练样本为10张）,且在识别难度较大的XMU车标数据集上也能取得90%以上的识别率（平均每类训练样本为100张）,与其他识别算法相比,识别率有明显提高,且具有更强的鲁棒性。结论 增强边缘梯度特征局部量化策略驱动下的车标识别算法提取的特征信息能够有效地描述车标,具有很高的识别率和很强的鲁棒性,大大降低了特征向量的维度,提高了识别效率。     

基于三维重建的交通流量检测算法

在智能交通系统中 ,道路交通流量信息实时、有效的检测是交通信息系统的关键环节 .固定相机的视频图象检测法具有诸多优点 ,为此 ,提出了一个基于知识的视频图象交通流量检测系统 ,其中 ,车辆的分割和识别是视频检测法的核心 .根据车辆具有较大的运动惯性等运动规律 ,在短时间隔内 ,可以近似认为车辆运动为刚体匀速直线运动 .在这一条件下 ,将刚体上的运动点重投影到道路平面 ,则重投速度与该点的空间位置到路面的高度具有固定的比例关系 .运动特征采用具有较好定位精度的边缘特征 ,并拟合为直线进行运动跟踪匹配 .在识别过程中 ,先假定车辆的模型及其高度 ,然后再根据重投影速度 ,重建车辆的三维空间结构 ,进行基于知识规则的假设校验 .试验结果表明 ,该方法可以较好地解决车辆视频检测中的遮挡、粘连、阴影等情况     

自然场景中道路交通标志形状的检测与校正

道路交通标志的自动识别可以应用于车辆的自动或半自动辅助驾驶系统中,为车辆驾驶提供对周围环境的理解。道路情况的复杂性使得交通标志的背景很复杂,加之光照条件的变化以及车辆运行过程中的抖动等,这些都会导致交通标志失真及变形。本文提出一种快速有效的交通标志形状检测及校正算法,先结合颜色和形状信息,有效定位道路标志位置,然后再利用透视变换校正道路标志。实验结果表明,该方法对光照具有很好的鲁棒性,而且能很好地处理相机拍摄角度引起道路标志在图像中的形变问题。     

基于级联端对端深度架构的交通标志识别方法

交通标志的正确识别是智能车辆规范行驶、道路交通安全的前提。为解决智能车采集目标图像模糊、分辨率低,造成识别精度低且时效性差的问题,构建一种基于级联深度网络的交通标志识别模型,该模型级联超分辨率处理网络ESPCN与目标检测识别网络RFCN,ESPCN网络提高输入采集图像的分辨率,为低分辨率图像实现超分辨率处理,RFCN网络提取图像全局特征,实现交通标志的检测与分类识别。平衡采样及多尺度的训练策略结合数据增强的预处理方法,增强了网络模型的鲁棒性及扩展性。经实验验证,算法模型针对常见交通标志识别率达到98.16%,召回率达到96.2%,且鲁棒性较好。     

抗模糊特征提取策略下的车标识别

目的 现有的车标识别方法尽管取得了不错的识别效果,但最终的识别率容易遇到瓶颈,很难得到提升。车标识别是智能交通系统中至关重要的一部分,识别率的微小提升也能带来巨大的社会价值。通过挖掘与分析车标识别中潜在的问题和难点,发现未能得到正确分类的图像大部分为模糊车标图像。针对车标图像中存在的成像模糊等情况,本文提出一种基于抗模糊特征提取的车标识别方法。方法 构建车标图像金字塔模型,分别提取图像的抗纹理模糊特征和抗边缘模糊特征。抗纹理模糊特征的提取使用局部量化的LPQ（local phase quantization）模式,可以增强原始特征的鲁棒性,抗边缘模糊特征的提取基于局部块弱梯度消除的HOG（histogram of oriented gradient）特征提取方法,可以在描述车标图像边缘梯度信息的同时,提升特征的抗模糊能力。最后利用CCA（canonical correlation analysis）方法进行两种抗模糊特征的融合并用于后续的降维与分类。结果 本文方法在多个数据集上均取得了很好的识别效果,在20幅训练样本下,本文方法在公开车标数据集HFUT-VL（vehicle logo dataset from Hefei University of Technology）上取得了99.04%的识别率,在本文构建的模糊车标数据集BVL（blurring vehicle logo dataset）上也取得了97.19%的识别率。而在难度较大的XMU（Xiamen University vehicle logo dataset）上,本文方法在100幅训练样本下也达到了96.87%的识别率,识别效果高于一些具有较好表现的车标识别方法,表现出很强的鲁棒性和抗模糊性。结论 本文方法提高了对成像质量欠缺的车标图像的识别能力,从而提升了整体识别效果,更符合实际应用中车标识别的需求。     

基于变换步长的车辆压线声信号包络提取算法

车辆经过减速带时与其在路面正常行驶时的声信号波形明显不同,其特征参数的提取对车辆数量、速度、类型等的自动判断至关重要,声信号包络曲线对其特征参数的提取相比原始信号有诸多优势,但传统包络提取算法在此类交通领域声信号包络提取方面存在毛刺多、特征参数难以真正体现信号性质和特征的问题。为解决此问题,结合车辆经过减速带时的声信号特点,提出一种基于变换步长的车辆压线声信号包络提取算法。该算法通过设置不同步长遍历信号,以每个步长内的最大值点绘制曲线并与原信号波形对比,以轮廓清晰度和特征点提取误差值为判断依据实现声信号包络的有效提取。实验结果表明,在相同采样点数条件下,所提算法比传统包络提取算法提取的包络曲线轮廓更清晰、毛刺少,且特征参数提取误差小。