ALPSO-SVM道路限速标志识别

提出了一种基于支持向量机(Support Vcctor Machine, SVM)的道路限速标志识别方法。为了提高算法对限 速标志的识别精度,采用了一种可在进化过程中通过调整学习参数来协调粒子全局与局部搜索能力的自适应学习粒 子群算法(Adaptive Learning Particle Swarm Optimization, ALPSO)对支持向量机的相关参数进行优化。实验结果表 明,提出的ALPS(}SVM方法在识别性能上优于传统的SVM,在算法收敛性能上优于标准PS+SVM.     

基于字典学习的稀疏表示限速标志识别方法

限速标志识别是模式识别领域中一个重要的研究课题。目前,利用稀疏表示识别图像是一个流行的方法。为了提高限速标志图像的识别率,通过对在线字典学习(ODL)算法的研究,将在线字典学习算法和稀疏表示的识别方法相结合,提出了一种基于在线字典学习的分类稀疏表示限速标志图像识别算法。将该方法与直接求解稀疏表示的方法和分类求解稀疏表示的方法作对比,实验结果表明：该方法能够取得很好的识别效果,证明了该方法的有效性和可行性。     

基于LeNet-5卷积神经网络和颜色特征的限速标志识别

限速标志识别是智能驾驶的重要组成部分,文中分析了现有方法存在的问题,为了提高神经网络在中国限速标志上的泛用性和准确率,针对限速标志的检测部分,提出了一种基于颜色空间的新型筛选方法;针对限速标志的识别部分,在现有LeNet-5架构的基础上对神经网络进行了改进,并将德国交通标志数据集(GTSRB)和清华交通标志数据集(TT100K)中限速标志数据融合,经过数据扩增后制作成新的数据集送入神经网络来训练模型.通过多次超参数优化,采用swish激活函数,在测试集上得到的最优识别准确率为99.62％,且模型抗干扰能力强,具有较强的实用性能.     

利用节点传播熵识别超网络重要节点

超网络中识别重要节点是一项基础且具有挑战性的重要课题,相关研究对进一步分析网络拓扑结构和功能特性具有广泛的应用价值。为了突破已有的重要节点识别方法评估的局限性,利用超图及信息熵理论,提出一种基于节点传播熵的超网络重要节点识别方法。该方法兼顾节点的局部和全局拓扑信息,利用节点聚集系数和邻居数目表征节点信息的局部传播影响,通过节点间最短路径和K壳中心性反映节点信息的全局传播影响,充分考虑节点自身及其邻域节点的影响,最终利用节点传播熵来表征节点在网络中的重要性。并通过单调性、鲁棒性以及SIR传播模型评价标准,在六个来自不同领域的真实网络上与其他方法进行比较,实验结果表明,该方法能够准确有效地识别网络中的重要节点。     

基于CTM快速路可变限速标志投资优化

针对快速路可变限速标志投资缺乏系统的定量分析、位置模糊问题,基于改进元胞传输模型构建了阶梯形限速投资模型。首先,对限速控制的改进元胞传输进行了描述;接着,为实施阶梯形限速控制,引入了0-1整数规划算法和限速约束条件;最后,利用遗传算法优化了投资额一定时可变限速标志位置以及动态限速值。算例结果发现：随着投资额增大,平均临界密度标准差、饱和度会减小,车辆运行速度会提高,但同时效益生产量会随之降低,系统平均延误会随之增大。结果分析表明,该模型能够有效解决可变限速标志投资优化问题。     

基于超图的矩阵制企业项目小组超网络形成机制研究

在众多社会网络中,由于现实世界的普遍性,合作网络一直以来是网络研究的热点之一。在企业中,有一些工作需要以项目小组的形式由企业成员合作来完成,矩阵制企业项目小组就是一种特殊的合作网络。本文以某消费品公司的矩阵制企业项目小组结构为例,以职能部门的人员为节点,以项目小组作为超边,构建基于超图的矩阵制企业项目小组超网络拓扑结构,对所建的拓扑结构模型有关拓扑特性进行计算和分析。然后,从动态的角度对矩阵制企业项目小组进行研究,建立节点具有竞争力的矩阵制企业项目小组的非均齐超网络形成机制模型,体现了项目小组的变化和增加过程。通过分析发现矩阵制企业项目小组中存在多重领导,对人员的绩效考核与薪酬调整都会起到影响作用,本文的研究可以帮助理解自然界和社会中的很多合作网络的变化规律。     

基于超图的多模态情绪识别

近年来多模态情绪识别获得广泛关注,模态间的特征融合决定了情绪识别的效果,现有基于图的情绪特征融合方法多基于二元关系图,在处理三种及以上模态数据时难以实现有效的模态间特征融合,限制了多模态情绪识别的效果.为解决该问题,本文提出基于超图的多模态情绪识别模型（Multi-modal Emotion Recognition Based on Hypergraph,MORAH）,引入超图来建立多模态的多元关系,以此替代现有图结构采用的多个二元关系,实现更加充分、高效的多模态特征融合.具体来说,该模型将多模态特征融合分为两个阶段：超边构建阶段和超图学习阶段.在超边构建阶段,通过胶囊网络实现对序列中每个时间步的信息聚合,并建立单模态的图,然后使用图卷积进行第二次信息聚合,并以此作为下一阶段建立超图的基础,得益于图胶囊聚合方法的加入,MORAH可以同时处理对齐数据和未对齐数据,无需手动对齐;在超图学习阶段,模型建立同一样本不同模态节点之间的关联,以及同类样本所有模态之间的关联,同时,在超图卷积过程中,使用分层多级超边来避免过于平滑的节点嵌入,并使用简化的超图卷积方法来融合模型之间的高级特征,以确保所有...     

车辆自主导航中的道路边界识别算法

道路边界识别是车辆基于道路区域或边界信息自动导航的首要问题．根据驾驶员视觉处理经验和车辆运动轨迹方程，总结出道路边界识别的先验知识与预测知识，在所选取的二次曲线道路形状模型基础上,分别利用边界识别算法和跟踪识别算法得到车辆起步和稳定行驶过程中的实时道路边界信息，为车辆控制器计算出位置偏差和方向偏差两个参数，以实现车辆基于前向单目视觉的自主导航．通过对实际路面试验结果的分析，证明了该方法的有效性和准确性．     

基于超图的同步无线传感器网络路由算法研究

采用超图理论,将大规模,高连通度的无线传感器网络拓扑抽象为超图模型,从而有效减少网络控制消息。通过建立数据汇聚的最小能耗超树,提出同步无线传感器网络最小生成超树路由算法。理论证明MSHT-SN算法的正确性和有效性。通过仿真,基于超图模型的MSHT-SN算法较优于基于最短路树策略路由算法,能够有效地提高数据传输成功率,并节省网络总能耗,延长网络生存周期。     

QQ群超网络特性分析

基于超图理论构建了QQ群用户关联关系的超网络模型,并将该模型应用到QQ群真实数据。通过矩阵理论和超网络方法对所构建的模型进行了分析,得到了该QQ群超网络的超度分布、度分布、聚集系数、子图中心度和平均路径长度等拓扑指标的值。结果表明,QQ群超网络的超度分布服从幂律分布,且具有较高的聚集系数和较小的平均路径长度,最终揭示了QQ群超网络所具有的“小世界特性”。     

交通标志识别方法设计

针对交通标志识别系统要求实时性高,处理的信息量大以及受多种情况干扰等问题,提出了一分块图象特征与BP神经网络相结合的识别方法。对33幅图象加入不同干扰后得到132幅图象,实验表明该特征提取方法具有良好的灰度畸变、旋转、平移以及尺度不变性,取得了良好的识别效果。     

快速道路标志辅助识别系统

本文提出了对道路标志进行快速别的一种辅助系统,该系统以人类的视觉及思维模式作为蓝本,可以较为快速的实现行进汽车中的交通标志识别。这一系统通过安装在汽车上的摄像机获取信息,通过子采样消除图像重影同时减少需要处理的数据量,然后根据交通标志的色彩和形状两方面特征,寻找画面帧中的交通标志,采用模板匹配的方法实现标志的定位和最终识别。     

应用BP神经网络分类器识别交通标志

介绍了神经网络特性和BP神经网络分类器的一般原理。针对交通标志识别需要处理的信息量大以及受天气道路等外界条件的影响存在噪声干扰的情况，提出了一种应用BP神经网络分类器识别交通标志的方法。识别分为图像数字处理、BP神经网络的训练、测试与对加入噪声图像进行识别3个步骤，经实验取得了良好的识别效果。     

基于非参数统计分类模型的交通标志识别方法研究

交通标志识别是智能汽车或移动机器人自动导航的重要组成部分,由于现实环境中的交通标志存在着光照变化、褪色污损、扭曲变形等问题,使得同一类交通标志的模式分布呈现非高斯形态。为此,我们构造了一种非参数统计分类模型来识别交通标志。它对具有高度离散的模式识别问题有较好的适应性。实验表明这种分类模型用来识别特征高度离散的交通标志是有效的。     

基于PSO的路牌识别模型黑盒对抗攻击方法

随着深度学习在计算机视觉领域的广泛应用,人脸认证、车牌识别、路牌识别等也随之呈现商业化应用趋势.因此,针对深度学习模型的安全性研究至关重要.已有的研究发现:深度学习模型易受精心制作的包含微小扰动的对抗样本攻击,输出完全错误的识别结果.针对深度模型的对抗攻击是致命的,但同时也能帮助研究人员发现模型漏洞,并采取进一步改进措施.基于该思想,针对自动驾驶场景中的基于深度学习的路牌识别模型,提出一种基于粒子群优化的黑盒物理攻击方法(black-box physical attack via PSO,简称BPA-PSO).BPA-PSO在未知模型结构的前提下,不仅可以实现对深度模型的黑盒攻击,还能使得实际物理场景中的路牌识别模型失效.通过在电子空间的数字图像场景、物理空间的实验室及户外路况等场景下的大量实验,验证了所提出的BPA-PSO算法的攻击有效性,可发现模型漏洞,进一步提高深度学习的应用安全性.最后,对BPA-PSO算法存在的问题进行分析,对未来的研究可能面临的挑战进行了展望.     

基于非参数统计分类模型的交通标志识别方法研究

交通标志识别是智能汽车或移动机器人自动导航的重要组成部分,由于现实环境中的交通标志存在着光照变化、褪色污损、扭曲变形等问题,使得同一类交通标志的模式分布呈现非高斯形态.为此,我们构造了一种非参数统计分类模型来识别交通标志.它对具有高度离散的模式识别问题有较好的适应性.实验表明这种分类模型用来识别特征高度离散的交通标志是有效的.     

一种基于SCHMM的手语识别方法

手语识别的研究具有重大的学术价值和广泛的应用前景.在近些年的手语识别工作中,隐马尔科夫模型(HiddenMarkov Models,简称HMMs)起到了重要的作用.基于HMM的统计框架是当前动态识别领域的主流方法,同时也是该文的研究工作的理论基础.提出将半连续隐马尔科夫模型(SCHMM)用于手语识别,在理论上证明了SCHMM优于离散隐马尔科夫模型(DHMM)和连续隐马尔科夫模型(CHMM),可以避开DHMM中因矢量量化造成的信息损失,在保证识别率的前提下降低模型的复杂性和运算量.     

逐级细化的交通标志识别算法

针对交通标志识别中存在的识别精度和实时应用之间的矛盾,根据中国交通标志的特点,提出一种逐级细化的交通标志识别算法。首先进行粗分类,构建颜色属性-梯度直方图（Color name-histogram of gradient,CN-HOG）描述子表示每类标志的形状和颜色特征,采用线性支持向量机（Support vector machine,SVM）将交通标分为禁令标志、警告标志、指示标志、解除禁令标志和其他标志5大类;然后进行细分类,采用词袋模型中颜色和形状特征早融合的方式将颜色属性（Color name,CN）和尺度不变特征变换（Scale-invariant feature transform,SIFT）描述子相结合、利用高斯核SVM得到交通标志区域的最终类别标记。在公开数据集上的实验表明本文算法在满足实时应用的同时取得了99.15%的识别精度。