基于AdaBoost的人行横道红绿灯自动识别算法

鉴于目前绝大部分人行横道红绿灯没有配合声音提示,利用带摄像头的可穿戴计算设备,通过人行横道红绿灯的自动识别技术,可大大提高盲人过马路的安全系数。提出一个融合级联Adaboost与颜色过滤的人行横道红绿灯自动识别算法,该方法首先利用AdaBoost算法对红绿灯进行检测定位,然后在HSI色彩模型的色调子空间进行颜色分析的基础上进行红绿灯的过滤与分类。用采集的418幅实际复杂场景下的图像数据进行实验,结果表明该方法能达到较好的检测效果。     

三角形交通标志的智能检测方法

基于交通标志都具有一定的颜色和形状，以红色倒三角形交通标志为例，介绍一种新的智能检测方法。该方法主要由以下4个环节构成。首先是颜色提取，将图像转换到HSI颜色模型的色调子空间，提取特定颜色——红色；其次是边缘检测，使用标准LOG模板在提取出来的红色区域上进行；这样，计算量将大为减少；然后是顶点判别，对边缘上的这些点，采用神经网络分类器进行分类，并分别对三角形的3种不同顶点作标记；最后是三角形的定位，通过一定的匹配准则提取出三角形。对不同场景下的20幅图像进行测试，检测正确率达到了100％。实验结果表明，该方法具有鲁棒性好、速度快、检测准确率高等特点。     

基于支持向量机和不变矩的交通标志检测

交通标志检测在智能交通系统中的作用是帮助驾驶提高安全性。交通标志都具有特定的颜色和形状,但是现有的检测方法大多使用固定阈值分割等非智能方法,缺乏自适应性和鲁棒性。使用支持向量机分割彩色交通标志图像,再结合形状特征,实现了一种新的智能检测方法;并以蓝色交通指示标志为检测对象,使用所提出的方法进行实验。实验结果表明,该方法鲁棒性好、检测准确率高。     

基于颜色规格化的交通标志识别

采用神经网络群构成的分类器解决实景交通标志识别问题时,识别率普遍较低.分析可知,颜色复杂性造成的颜色失真是影响识别率的主要因素.遵循"简化复杂问题、基于颜色信息、采用智能方法"的基本思路,提出了一种新的解决方案:先通过颜色规格化方法将交通标志中复杂的颜色信息简化为5种基本颜色,然后再利用两级智能分类器实现分类.采用BP网络实现了颜色规格化;实验表明,这种方法具有很好的鲁棒性.     

基于nRF24L01无线传输的汽车自动识别红绿灯设计

为了防止汽车由于识别不清而导致的闯红灯现象,本项目设计了一个汽车自动识别十字路口红绿灯的系统。设计的装置具有电路简单、自动化程度高、安全快捷的特点。以STC12C5A60S2单片机为控制核心、采用无线通讯等智能模块,将信息通过HGS128646oled显示,从而实现了对红绿灯信息的自动识别。     

基于颜色信息与SVM网络的交通标志检测

交通标志检测过程中,颜色复杂性造成的颜色失真是影响识别率的主要因素.遵循"简化复杂问题、基于颜色信息、采用智能方法"的基本思路,提出了一种新的基于颜色规格化的交通标志分类模型,先通过颜色规格化将交通标志中复杂的颜色信息简化为5种基本颜色,再利用两级智能分类器对交通标志进行分类.采用M-SVMs网络实现了颜色规格化,粗分类的识别率达到了100%,细分类的平均识别率也达到了70%.同时这种方法具有很好的鲁棒性.     

道路交通标志识别的研究现状及展望

十几年来,道路交通标志识别的研究工作已经取得了一定成果,但还存在一些不足之处,主要有：识别对象单一,样本数少;处理方法比较单一,智能方法少;偏重于理论的多,面向应用的少;大多数实验对象都是标准图,针对实景图的少;以灰度图为研究对象的多,针对彩色图的少。机器识别面临的主要难点是：道路交通标志的背景相当复杂,颜色失真极为严重并存在不同程度的几何失真;彩色图像处理的理论和技术尚不成熟。“简化复杂问题、改进传统方法、基于颜色信息、采用智能方法”将是今后的一个重要发展方向。     

基于BP神经网络的交通标志识别

对神经网络理论和神经网络分类器进行了研究,提出了基于BP神经网络分类器的交通标志识别模型。通过大量实验和比较,得到了识别效率高的模型,并将这一模型应用到所研究的交通标志识别系统,从而对系统作了初步的实现。     

基于OpenCV的铁路导轨自动识别研究

在铁路交通安全检测中,铁路导轨的准确识别是判断导轨线上有无路障的前提,利用红外热像仪采集的视频图像,提出了一种在OpenCV开源平台下,实现基于数字图像处理的铁路导轨自动识别方案.通过获取图像序列帧,对其首先进行预处理,边缘检测;然后通过链码跟踪算法,实现线段的提取和判别;最后提出了统计链码值出现次数,用其最大值从方向上判别线段,并实现了断线相连.实验结果表明,在复杂的外界环境下能准确地获得直道导轨和弯道导轨的信息,具有很强的实时性和可靠性.     

基于卷积神经网络的交通标志检测

针对自动驾驶场景下,提高交通标志检测速度和准确率的问题,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的交通标志检测算法,与传统的图像检测算法相比拥有明显的优势。首先解析影响交通标志检测准确性的因素,并对算法提出了两项改进:使用101层的残差网络作为特征提取的基础网络以获得高精度的特征提取和物体检测,同时优化网络的区域候选框特征提取方式以提高交通标志图像的检测效果。在GTSDB德国交通标志检测基准数据集上的实验结果表明,该算法实现在复杂背景下交通标志的精准检测。     

基于胶囊网络的智能交通标志识别方法

针对卷积神经网络的标量神经元无法表达特征位置信息,对复杂的车辆行驶环境适应性差,导致交通标志识别率低的问题,提出一种基于胶囊网络的智能交通标志识别方法。首先采用超深度卷积神经网络改进特征提取部分,然后在主胶囊层引入池化层,最后采用移动指数平均法改进了动态路由算法。在GTSRB数据集上的测试结果表明,改进后的胶囊网络方法在特殊场景下的识别精度提高了10.02个百分点,相对于传统的卷积神经网络,该方法的单张图片的识别时间缩短了2.09 ms。实验结果表明,改进后的胶囊网络方法能满足准确、实时的交通标志识别要求。     

城市环境中交通信号灯准确识别与状态估计

根据交通信号灯灯板颜色和形状定位图像中的灯板位置. 将灯板区域的彩色图像转换到YCbCr 空间, 分割灯板区域中的红、黄、绿三色区域, 利用交通信号灯的形态特性定位交通灯位置. 用Gabor 小波和2 维独立分量分析提取感兴趣区域的特征, 送入最近邻分类器分类信号灯的类型. 用代表性的观测序列建立隐马尔科夫模型, 并结合识别和跟踪结果估计信号灯状态. 实验结果表明, 该算法能可靠、准确地识别出信号灯, 并有效地估计出信号灯的状态.     

基于图结构的全景图自动识别与拼接方法

针对多幅图像的匹配和识别问题,提出了一种基于图结构的全自动识别与拼接方法.该方法能够根据用户输入的多幅无序图像,自动判别图像之间是否具有重叠部分,并对具有重叠的图像进行拼接.对输入的每一幅图像进行MOPS特征检测,通过k-d树的最近邻搜索完成不同图像特征之间的快速匹配.其次基于图像特征之间的对应关系使用RANSAC算法建立任意两幅图像之间的匹配模型,并用概率算法进行鲁棒校验.通过构建与图像匹配关系对应的无向连通图结构,实现多幅全景图像的自动识别.使用递归算法对无向连通图进行深度优先遍历,并用多频带融合算法消除拼接痕迹,合成相应的全景图像序列.     

基于坐标注意力的轻量级交通标志识别模型

针对交通标志识别模型检测速度与识别精度不均衡,以及受遮挡目标和小目标难以检测的问题,对YOLOv5模型进行改进,提出一种基于坐标注意力（CA）的轻量级交通标志识别模型。首先,通过在主干网络中融入CA机制,有效地捕获位置信息和通道之间的关系,从而更准确地获取感兴趣区域,避免过多的计算开销;然后,通过在特征融合网络中加入跨层连接,在不增加成本的情况下融合更多的特征信息,提高网络的特征提取能力,并改善对遮挡目标的检测效果;最后,引入改进的CIoU函数计算定位损失,以缓解检测过程中样本尺寸分布不均衡的现象,并进一步提高对小目标的识别精度。在TT100K数据集上应用所提模型时,识别精度达到了91.5%,召回率达到了86.64%,与传统的YOLOv5n模型相比分别提高了20.96%和11.62%,且帧处理速率达到了140.84 FPS。实验结果比较充分地验证了所提模型在真实场景中对交通标志检测与识别的准确性与实时性。     

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。     

自然场景下交通标志的自动识别算法

对自然场景下的交通标志进行准确的识别分类,是智能汽车的重要组成部分。交通标志本身数量众多,其形态复杂,而自然场景下存在着光照变化、褪色污损、扭曲变形等情况对交通标志表观的影响,为自动识别带来了很大的挑战。本文在分析交通标志特征的基础上,将Adaboost算法与SVM算法融合用于自然场景下的交通标志识别。实验证明,该方法具有较高的识别率和较快的识别速度,在智能汽车系统中具有较高的应用价值。     

基于雾计算和强化学习的交通灯智能协同控制研究

针对路口交通拥堵现象,结合雾计算和强化学习理论,提出了一种FRTL（fog reinforcement traffic light）交通灯控制模型,该模型根据实时的交通流信息进行交通灯智能协同控制。雾节点将收集到的实时交通流信息上传到雾服务器,雾服务器在雾平台实现信息共享,雾平台结合处理后的共享数据和Q学习制定交通灯控制算法。算法利用检测到的实时交通数据计算出合适的交通灯配时方案,最终应用到交通灯上。仿真结果表明,与传统的分时段控制方式和主干道控制方式（ATL）相比,FRTL控制方法提高了路口的吞吐量,减少了车辆平均等待时间,达到了合理调控红绿灯时间、缓解交通拥堵的目标。     

基于机器自学习的互联网加密业务流早期识别

为精确高效地识别加密类业务流,给出了一种基于机器自学习的互联网加密业务流早期识别方法.该方法利用加密前后变化不明显的流量统计特征结合机器自学习方法进行识别.首先基于特征与业务类型的互熵来遴选出最优特征用于分类;然后利用所选特征给出了加密业务流总体识别模型,并对模型中的自学习阶段及识别阶段进行了创新,仅选取最能反映协议特点的每条业务流的前几个数据包进行早期识别,达到了对加密业务流高效识别的效果;最后对识别方法进行了性能分析和实验,实验结果表明,基于所选取的最优特征,仅利用每务流前5个数据包即可得到90%以上的流识别精确度.     

基于YOLO v3算法改进的交通标志识别算法

针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题,提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层,将卷积过程分解为深度卷积、逐点卷积两部分,实现通道内卷积与通道间卷积之间的分离,从而保证了在较高识别准确率的基础上极大地减少了算法模型参数数量以及计算量。其次,在损失函数设计上使用广义交并比（GIoU）损失替换均方误差（MSE）损失,将评测标准量化为损失,解决了MSE损失存在的优化不一致和尺度敏感的问题,同时将Focal损失加入到损失函数以解决正负样本严重不均衡的问题,通过降低大量简单背景类的权重使得算法更专注于检测前景类。将该算法应用于交通标志任务中的结果表明,在TT100K数据集上,该算法的平均精度均值（mAP）指标达到了89%,相较于YOLO v3算法提升了6.6个百分点,且其参数量仅为原始YOLO v3算法的1/5左右,每秒帧数（FPS）亦比YOLO v3算法提升了60%。该算法在极大地减少模型参数量和计算量的同时,提高了检测速度和检测精度。