道路交通标志检测方法研究

针对中国道路交通标志特征, 提出一种基于颜色搜索定位和形状判别的交通标志检测方法： 首先在HSB颜色空间设定阈值分割色彩区域, 对分割后的图像进行色块搜索初步定位出感兴趣区域, 色块搜索缩小搜索范围, 提高检测效率; 然后, 根据交通标志图形边框具有像素颜色一致的特征, 提出构造图形边缘函数的方法对定位出的感兴趣色彩区域进行交通标志形状判别检测. 实验结果表明, 该方法能有效定位交通标志.     

道路交通标志检测方法研究

针对中国道路交通标志特征,提出一种基于颜色搜索定位和形状判别的交通标志检测方法:首先在HSB颜色空间设定阈值分割色彩区域,对分割后的图像进行色块搜索初步定位出感兴趣区域,色块搜索缩小搜索范围,提高检测效率;然后,根据交通标志图形边框具有像素颜色一致的特征,提出构造图形边缘函数的方法对定位出的感兴趣色彩区域进行交通标志形状判别检测.实验结果表明,该方法能有效定位交通标志.     

基于颜色和形状的道路交通标志检测

提出了一种基于颜色分割和形状分析的交通标志检测方法.首先利用改进后的简单向量滤波器分割感兴趣色彩区域,对不同色彩区域进行相应形状检测.采用拐角特征与几何结构分析相结合的方法检测矩形与三角形标志,提出了一种基于对称性特征的简单编码算法,并应用于圆形检测.实验结果表明,该方法能在多种复杂场景中有效地定位交通标志,对天气变化有一定鲁棒性,为后继的交通标志识别工作奠定了良好基础.     

基于颜色模型和区域特性的交通标志提取方法研究

为了提升交通标志的检测效率,研究了基于RGB归一化交通标志阈值分割算法和基于HSI颜色模型的交通标志阈值分割算法,对比分析了两种分割算法的性能。针对分割后二值图像交通标志虚警率高的问题,研究了标志的区域特性,提出了基于区域特性的交通标志提取阈值处理方法,为进一步提升基于形状特征或基于机器学习的交通标志检测效率奠定了坚实基础。     

基于深度学习的交通标志检测方法研究

提出了一种基于Faster R-CNN深度学习框架的交通标志检测方法,使用VGG16卷积神经网络自动提取交通标志图像特征,并将卷积特征图传入区域建议网络(RPN)中进行前景目标筛选及回归目标边框,将建议区域框映射到特征图上,经过RoI池化层后输出固定大小的建议框,利用分类网络对建议区域进行具体的类别判断,并精确回归目标的边框。并将算法在德国交通标志数据集GTSDB进行了实验验证,实验结果表明了所提出算法的有效性,该方法对不同光照、遮挡、标志模糊等具有鲁棒性。     

基于分水岭变换的互相遮挡交通标志自适应分离

针对交通标志检测中标志互相遮挡导致检测性能下降的问题,提出一种基于分水岭变换的互相遮挡标志自适应分离算法.基于RGB归一化阈值分割算法对标志图像进行二值化处理,然后构造区域轮廓特征矢量对二值图像中各个兴趣区域进行匹配,确定并提取互相遮挡标志候选区域Blob.对提取的低维数Blob进行形态学膨胀处理,使不连续的边缘趋于连续,然后利用欧氏距离变换和分水岭变换寻求标志间分水岭脊线,利用脊线实现标志的自适应分离.实验结果表明算法取得较好的分离效果,在整个标志检测应用中,与现有算法相比,检测率提高了6.1%,处理速度提升了近3倍.     

基于视频序列中的运动目标检测技术

视频图像中的运动目标检测是当前进行图像分析和理解以及计算机视觉领域的重要研究内容,为了能够在数字视频系统中实时的检测出运动目标,提出了一种基于序列图像的运动目标实时检测和定位的适用方法.采用连续帧间差分法和最大类间方差阈值分割法提取运动区域,通过数学形态滤波的开运算和闭运算消除噪声,改善运动区域提取效果,然后求出目标重心.结果表明,该方法能够快速有效地检测出视频图像中的运动目标,计算出目标在图像中的位置.     

基于切线斜率变化统计的红色圆形交通标志牌检测

从标志牌的颜色和形状特征出发,提出了一种斜率变化统计的方法检测交通标志．该算法首先在RGB色彩空间中提取R通道成分,然后通过对区域边缘点的切线斜率变化进行统计定位出圆形标志．实验结果表明,此方法对红色圆形交通标志牌的识别有很好的效果．     

自然场景中字符型交通标志的检测算法

提出一种检测城市和高速公路环境中字符型交通标志的新方法.首先,在输入图像中分割出蓝色和墨绿色区域,用形态滤波和形状标记图判断交通标志的候选区域;其次,将候选区域的彩色图像灰度化,用Otsu算法计算候选区域灰度分布直方图的阈值,并对其进行分割,得到包含字符的二值图像;然后,将候选区域的二值图像向垂直方向上投影,用3次样条拟合算法对其进行拟合,利用曲线的性质,找到拟合曲线中的局部极小值点,分割出包含字符条形区域;最后,将条形区域向水平方向上进行投影和曲线拟合,查找局部极小值点并分割出单个字符区域,再进行形态过滤,分割并定位交通标志中的字符.实验结果表明:该算法的字符查全率高于84％,准确率超过92％.     

基于三帧差分及Canny算子的运动目标提取

针对目前常用的运动目标提取方法易受到噪声、光线变化的影响,很难提取出完整的运动目标这一问题,提出一种基于三帧差分和Canny边缘检测相结合的运动目标提取算法.该算法首先对连续三帧图像进行差分;然后对差分结果其进行区域填充,得到运动区域;再对当前帧进行Canny边缘检测得到边缘图像,二者相“与”得到运动目标的精确边缘图像;最后通过区域填充得到运动目标图像,从而实现运动目标的提取.实验表明,该算法可以实时有效地将运动物体从图像序列中提取出来.     

Hu不变矩特征在道路交通标志识别系统中的应用

在道路交通标志识别系统设计中,交通标志的检测技术是非常关键的部分之一。针对交通标志检测过程中,提出Hu不变矩特征在交通标志检测中的应用,通过Matlab和C＋＋仿真得出结果,根据交通标志Hu不变矩的特点,能够较好地检测出交通标志的特征。     

基于改进Hu不变矩的路面交通标识识别

复杂环境下路面交通标识识别是车辆安全辅助驾驶、车辆自主导航等领域的重要研究内容.针对路面交通标识特征,采用一种控制点快速获取方法得到场景透视投影中的变换矩阵,进而在场景重建基础上利用Hough直线检测方法建立当前车道线的区域模型,在该区域内采用最大化一维信息熵方法分割出交通标识,利用Canny边缘检测算子检测其边缘特征,最后通过改进的Hu不变矩特征实现了路面交通标识的有效识别.实验结果表明,所提的方法对于复杂环境下的路面交通标识识别具有良好的可靠性和鲁棒性.     

基于空间认知和社区识别理论的路径选择模型

将启发式决策、空间认知以及社区识别理论结合,描述出行者的路径选择与路网结构的关系。采用基于模块增益的社区结构算法解构路网结构,描述人们的认知过程,建立相应的路径选择算法。以长沙市中心城区路网为例,利用建立的路径选择方法,分别用静态路阻（距离）、动态路阻（速度）对路网进行解构,计算路径选择集;采用问卷调查方法和出租车GPS数据对实际的路径选择轨迹进行提取,并将理论计算结果与实际调查结果进行对比分析,采用静态路阻的一致率为85%,采用动态路阻的一致率为73%。结果表明建立的集成空间认知和模块增益的路径选择模型可以较好地描述人们的路径选择过程,对于静态路阻的路径选择描述具有更高的准确性。研究成果对于城市规划和交通规划具有一定的借鉴价值。     

基于空间认知和社区识别理论的路径选择模型

将启发式决策、空间认知以及社区识别理论结合,描述出行者的路径选择与路网结构的关系。采用基于模块增益的社区结构算法解构路网结构,描述人们的认知过程,建立相应的路径选择算法。以长沙市中心城区路网为例,利用建立的路径选择方法,分别用静态路阻（距离）、动态路阻（速度）对路网进行解构,计算路径选择集;采用问卷调查方法和出租车GPS数据对实际的路径选择轨迹进行提取,并将理论计算结果与实际调查结果进行对比分析,采用静态路阻的一致率为85%,采用动态路阻的一致率为73%。结果表明建立的集成空间认知和模块增益的路径选择模型可以较好地描述人们的路径选择过程,对于静态路阻的路径选择描述具有更高的准确性。研究成果对于城市规划和交通规划具有一定的借鉴价值。     

基于视频交通图像的潮汐车道自适应控制系统设计

针对城市道路双向交通需求不均衡的潮汐交通问题,设计了一种新的基于视频交通图像的潮汐车道自适应控制系统。通过局域网实现两台工控机间的独立运行,给出系统结构。介绍了控制逻辑,通过视频交通图像获取车辆平均速度、交通流量等数据。以计算交通饱和度,选择道路双向饱和度的加权切换动态控制方式对潮汐车道进行自适应控制。按照车道交通状态中两个方向的饱和度,把潮汐车道交通状态划分成五种情况,通过枚举法对模型进行求解。依据潮汐车道交通特征,把全部车道配置看作解空间,把双向车道交通饱和度与流率看作输入量,实现模型求解。实验结果表明,所设计系统综合延误低,车辆排队长度少,在中高密度交通流下也可有效实现控制。     

考虑车辆性能差异的高速路施工区层级限速措施

为提高高速公路施工区的通行能力,降低交通冲突率,本文结合不同车辆的动力特性、运行速度、加速度等参数,对鹅公岌隧道上盖工程施工期间的拟建施工疏散道路提出5种速度管理措施,利用Vissim软件进行仿真模拟和对比分析,并结合仿真数据对拟建施工疏散道路的设计和速度管理方案进行了评价和改进。改进方案中将原来的三车道并在一起,转弯半径由15m增大至100m,弯道限速值由20 km/h增大至40 km/h。结果表明：对施工区道路采取层级限速措施可有效降低车辆在施工路段的行程时间、延误、排队长度和冲突率;采用三级限速措施可使拟建疏散道路两个行驶方向的冲突率均降低0.6次.米^-1;改进方案中80%以上的车入口弯道之前将车速控制在40km/h左右。可见,针对不同车型采用不同的限速值可以缩短车辆在施工路段的行程时间,并有效减少车辆的平均延误。     

基于改进 LeNet-5 网络的交通标志识别方法

针对传统LeNet-5卷积神经网络用于交通标志等多种类识别任务中,存在识别正确率低、网络容易过拟合以及梯度消失等问题进行改进。引入Inception卷积模块组来提取目标丰富的特征,同时增加网络的深度。引入BN (batch normalization)层对输入批量样本进行规范化处理;同时改用性能更好的Relu激活函数,并使用全局池化层代替全连接层,合理改变卷积核的大小和数目。研究结果表明,改进LeNet-5网络能够有效解决过拟合和梯度消失等问题,具有较好的鲁棒性;网络识别率达到98. 5%以上,相比CNN (convolutional neural network)+SVM (support vector machine)提高了约5%,比传统的LeNet-5网络提高了3%。可见,改进后的LeNet-5网络图像识别的准确率得到显著提高。     

基于多尺度卷积神经网络的交通标志识别

针对自然场景中交通标志识别问题涉及的识别准确率和实时性改善需求,提出了一种改进的基于多尺度卷积神经网络(CNN)的交通标志识别算法.首先,通过图像增强方法比选实验,采用限制对比度自适应直方图均衡化方法作为图像预处理方法,以改善图像质量.然后,提出一种多尺度CNN模型,用于提取交通标志图像的全局特征和局部特征.进而,将组合后的多尺度特征送入全连接SoftMax分类器,实现交通标志识别.采用德国交通标志基准数据库(GTSRB)测试了所提算法的有效性,测试结果表明,算法在GTSRB基准数据集上获得98.82%的识别准确率以及每幅图像0.1ms的识别速度,本文算法具有一定的先进性.     

基于驾驶行为的隧道交通标志影响特征及作用机理

合理设置隧道交通标志能够在一定程度上缓解隧道特殊环境引发的“时空隧道效应”。文中研究了高速公路隧道内部交通标志（限速标志、出口预告标志）对驾驶行为的影响特性,首先选取特长隧道作为实验路段,通过驾驶模拟实验测试获取驾驶人细粒度微观行为数据,然后再考虑随机效应影响的条件下构建线性混合效应模型,揭示了隧道内部交通标志对驾驶行为的影响特征及作用机理。结果表明：不同影响区段内交通标志对驾驶行为的作用存在差异;在隧道内部设置限速标志能够一定程度上降低事故风险的发生概率,限速标志的重复设置一定程度上能提高驾驶人的操控能力;在隧道内部设置限速标志及出口距离预告标志有助于改善驾驶人空间控制能力、提高驾驶舒适度,其中,在距离隧道出口约小于1 km的影响区段内设置隧道出口距离预告标志有助于提高驾驶人的行车舒适性,在距离隧道出口2 km和1.5 km的影响区段内设置预告标志能在提高车辆控制能力的同时使驾驶人具有更高的行驶车速;此外,隧道交通标志作用下的驾驶行为受驾驶人性别、年龄、驾驶经验等特征属性影响,男性驾驶人的驾驶风险更低。