基于深度学习的障碍物检测与深度估计

提出了一种针对交通场景的基于深度学习的障碍物检测与深度估计方法。该方法对现有的YOLOv3模型进行改进,使用DenseNet网络代替原网络尺度较小的传输层,得到一种新的障碍物检测模型Dense-YOLO。然后采用立体匹配模型PSMNet得到双目图像的视差图,根据双目测距原理对被测目标深度进行估计。在KITTI数据集和实际交通场景中的实验结果表明,与YOLOv3模型相比,Dense-YOLO模型有效地提高了交通场景中障碍物检测的可靠性和正确率,对轿车、行人、骑行者和卡车这4类障碍物检测的平均精确率（average precision, AP）提高了3%～5%,平均精确率均值（mean average precision, mAP）提高了约4%。障碍物深度估计结果与真实值的平均相对误差约为3%。     

基于类Haar特征和AdaBoost的车辆识别技术

在海量的监控视频中,快速、准确地识别车辆对公安破案和追踪具有重要的研究意义。通过提取车辆的类Haar特征,采用AdaBoost方法构建分类器可以实现监控视频中的车辆识别。针对原始算法误检率较高的问题,提出了采用背景差分去除背景干扰,以及采用目标对象差分法进行二次识别的两种改进算法。实验结果表明,两种改进算法都能够有效地降低误检率,提高检测率,并且对不同交通场景下的监控视频具有很好的检测效果。     

基于IVS智能视频分析在乎安校园中的应用研究

智能监控是嵌入式视频服务器中,集成了智能行为识别算法,能够对画面场景中的人或车辆的行为进行识别、判断,并在适当的条件下．产生报警提示用户。本文阐述智能视频分析在平安校园中的应用的设计原则、功能规划和系统部署。     

交通冲突判别的车辆运动模式分析方法

综合运用交通冲突理论与视频图像处理技术,建立了一种基于车辆运动模式的交通冲突判别方法.根据安全金字塔原理与车辆运动模式,提出全面可量化的交通冲突严重性判别指标——碰撞可能性指标及其计算公式.针对轨迹样本的时空转移特点,确定各模式类隐马尔可夫模型结构,建立了基于隐马尔可夫模型的车辆运动模式学习与预测算法.最后,建立了完整的视频分析系统并在实际交通场景中进行了测试,结果验证了本文方法的可行性与适用性.     

基于级联滤波的交通信号灯识别方法

提出了基于智能车辆中车载摄像头的交通信号灯检测与识别方法.通过对已有交通信号灯图像进行训练及采用色彩分割的方法而提取候选区域;将候选区域作为输入,提出了基于级联滤波的候选区域分类方法;同时,采用标准互相关模板匹配法对级联滤波后的候选区域交通信号灯进行验证.真实环境下的实验结果表明,所提出方法在复杂的城市环境中对于智能车辆的交通信号灯识别的有效性和实时性较高.     

基于图分类的智能车辆复杂场景风险等级评估与建模

准确估计驾驶场景的风险等级是保障车辆安全驾驶的基础，也是车辆智能化的重要体现.针对多种交通参与者共存的复杂行驶场景，提出一种基于图分类的场景风险等级评估方法，完成对场景的建模和对当前场景风险等级的有效评估.实车实验表明，所采用的驾驶员操作特征数据可以很好地表示驾驶员对场景风险等级的理解，并且图表示模型可以对场景中多种动态交通参与者及其交互关系进行有效说明，所提出的方法能够较为准确地对复杂行驶场景的风险等级进行评估，促进智能车辆安全行驶系统在复杂环境下的发展.     

一种基于反馈信息的视觉图像背景建模方法

高斯混合模型已经广泛应用于视觉图像的运动目标提取.但传统高斯混合模型存在静止前景融入背景的问题.为了解决这个问题,提出了一种特定场景下基于反馈信息的背景模型更新改进算法.首先采用基于形状特征的目标分类器将前景目标识别为行人和车辆,然后通过多目标跟踪判断目标是否静止,进而将前景目标识别为静止行人,运动行人,车辆三种模式,最后将跟踪与分类的结果与高斯模型的更新相结合,根据分类后反馈的信息对不同的分类区域采取不同的学习率更新.实验结果表明,该方法能够有效地解决特定场景中前景融入背景的问题.     

基于3D激光雷达点云的车辆目标识别算法

针对结构化道路环境中智能车识别周围360°范围内的车辆目标问题,基于车载3D激光雷达采集的道路环境中车辆目标点云数据投影特征,提出识别车辆目标新算法。算法首先识别结构化道路边界,进而排除道路边界两旁障碍物的干扰和减少点云数据量;其次基于雷达点云数据扫描和分布特征,利用改进K-means算法对道路区域内点云数据聚类。最后提取聚类目标内部特征点,并通过计算特征点构成向量的夹角或模的长度准确识别车辆目标。实验验证表明,该算法有效抑制了道路边界两旁障碍物的干扰,可以准确识别结构化道路区域内的车辆目标。     

基于车载32线激光雷达点云的车辆目标识别算法

针对结构化道路环境中智能车识别周围360°范围内的车辆目标问题,由车载3D激光雷达采集的道路环境中车辆目标点云数据投影特征,提出识别车辆目标新算法。算法首先识别结构化道路边界,进而排除道路边界两旁障碍物的干扰和减少点云数据量;其次按雷达点云数据扫描和分布特征,利用改进K-means算法对道路区域内点云数据聚类。最后提取聚类目标内部特征点,并通过计算特征点构成向量的夹角或模的长度准确识别车辆目标。实验验证表明,该算法有效抑制了道路边界两旁障碍物的干扰,可以准确识别结构化道路区域内的车辆目标。     

基于Qualnet的城区场景中VANET机会路由仿真

在车联网的城区场景中,由于节点密度实时变化、快速移动以及建筑物对通信信号造成的损耗等原因,通常会造成车辆之间形成间歇性的连接通信.结合实际通信场景模型和携带-存贮-转发策略改进VADD协议,针对VANET中的城区交通场景模型,利用VanetMobiSim和Qualnet仿真平台进行仿真.结果表明,与传统的城区环境通信协议相比,该仿真模型在分组投递率和消息延迟方面有所提高.     

基于集成学习的P2P流量识别模型

将DTNB、OneR和BP神经网络算法集成用于P2P流量识别,构建了基于该集成学习算法的P2P流量识别模型。利用网络流量特征和机器学习中生成规则的集成分类算法将网络流量分为P2P流量和非P2P流量。所建立的P2P流量识别模型分为网络流量特征的获取、P2P流量特征选取以及建立流量分类模型三个步骤。采用十折交叉验证与测试集相结合的方法CTFCVWTS(combining T-fold cross validation with testing set)评估模型的合理性和提出方法的有效性。实验得出流量分类准确率平均为97.27%。结果表明,该模型具有较高的P2P流量识别准确率。     

基于集成学习和元胞自动机的城市地理模拟

集成学习通过将若干弱分类器集成以取得比单个弱分类器更好的性能，是机器学习的重要研究方向。针对常用城市地理模拟系统中元胞自动机转换规则获取算法的局限性，本文提出基于集成学习算法的元胞自动机，并将其应用于城市建设用地的动态模拟。以决策树作为弱分类器，应用集成学习算法和元胞自动机，对东莞市2001年到2005年的建设用地时空格局进行了模拟，取得了较好的模拟效果。精度评估结果表明，经集成学习后的决策树比单个决策树对城市建设用地动态的模拟精度更高，算法泛化能力更好。     

一种面向全景视频的交通状态检测方法

传统的交通状态检测方法对全景视频中的车辆检测时存在检测精度低、鲁棒性差等缺点。为了解决这些问题,该文提出了一种新的基于虚拟检测线的车辆检测方法。首先,利用提出的基于动态学习率的改进混合Gauss模型构建背景,背景模型的学习率由检测到的车速决定;其次,通过引入Mahalanobis距离来判断虚拟线上的像素是否属于背景;最后,通过设置检测跟踪区域检测车速并跟踪车辆行驶轨迹,避免重复计算车辆数。实验结果验证了所提方法的有效性及在各种场景下较强的鲁棒性。     

基于多智能体技术的城市交通控制系统的探讨

提出了一种新的基于多智能体技术的城市交通控制系统框架,并在该系统中的智能体模型中引入了学习机制,初步建立了一个具有专家系统的特点、可以不断进化的分布式城市交通智能控制系统.     

强化学习在城市交通信号灯控制方法中的应用

 悉尼自适应交通控制系统（SCATS）、绿信比-周期-相位差优化技术（SCOOT）及Smooth采用自适应交通信号灯控制方法，对城市道路口的交通信号灯进行了有效控制。随着深圳城市交通流量急剧增长，深圳交警在自主研发Smooth信号控制式基础上，提出实时、分布式、自适应调控要求，联合创新了人工信号控制方案TrafficGo，探索基于深度神经网络的强化学习，通过在线学习各种流量负荷，实时推理计算信控时段、相位、相序、信号周期、绿信比、相位差，进一步优化了交通信号灯的控制模式。介绍了在交通信号灯控制中运用的强化学习模型，实地测评表明，其取得了一定改进效果。     

改进的二叉树支持向量机在人脸识别中的应用

针对人脸识别问题,提出一种基于奇异值分解特征提取和改进的二叉树支持向量机实现多分类的人脸识别方法。在使用改进的二叉树支持向量机对不同人脸图像的奇异特征向量进行分类时,先利用Mercer核,将输入空间非线性可分的训练样本映射到高维特征空间Hilbert中,使之线性可分,将类超球体半径分解成核心半径和最小半径,通过两者加权计算最终的类超球体决策半径,并以此半径大小为依据生成二叉树结构。在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能,具有较高识别率。     

快速路交通事件持续时间预测模型研究

针对城市快速路交通事件持续时间影响因素的复杂性和不确定性,结合贝叶斯网络和非参数回归方法,提出了一种新的快速路交通事件持续时间预测模型.采用上海市快速路监控中心数据,经过降噪处理,生成样本数据;在分析样本数据特征基础上,确定了贝叶斯网络的结构学习方法与参数学习方法;对贝叶斯网络模型的结果用非参数回归算法生成持续时间预测值.最后,对模型预测精度进行了验证,发现模型预测效果较好.     

集成学习算法的比较研究

从差异性出发,研究了基于特征技术与数据技术的集成学习算法,深入分析了这些集成学习算法产生差异性的方法;针对决策树与神经网络模型在标准数据集对集成学习算法进行了实验研究,结果表明集成学习算法的性能依赖于数据集的特性以及产生差异性的方法等因素,并且基于数据的集成学习算法的性能优于基于特征集的集成学习算法的性能.     

基于复合神经网络的网络业务分类算法

针对目前计算机网络业务流管理问题,提出了一种基于复合神经网络的网络业务分类方案．将复合神经网络用于网络业务源特征提取与分类的研究中,打包法和BP算法结合用于复合神经网络的训练．并分析比较与单个神经网络和模糊神经网络算法用于网络业务分类效果．计算机仿真结果表明,复合神经网络分类收敛快、误差小,比单个神经网络算法和模糊神经网络算法更优越；同时,研究结果为解决网络业务源特征提取与分类提供了一种有效的途径．     

城市交通信号三级模糊滑动优化控制方法

提出一种城市交通信号三级模糊滑动优化控制方法.引入非冲突车流的搭接相位构建交通信号三级模糊控制器的模型,并采用滑动时间窗设计滑动优化的框架.根据实时采集的交通数据,采用基于黄金分割的混合遗传算法,在线学习模糊控制器的隶属函数及控制规则参数.在常态及事故不同交通条件下,以典型路口进行Paramics仿真试验.结果表明提出方法的自适应能力好,可快速响应路口交通流的不确定性事件,且在高饱和的交通条件下性能稳定.