基于对比度失真参数的车流量统计算法

文章提出一种基于对比度失真参数的车流量统计算法。在道路上开辟检测窗,使用对比度失真参数作为车辆检测的依据,分析车辆进入和离开观测窗产生的图像渐变过程,从而实现车流量统计。为了提高算法的鲁棒性和精度,该文利用块特征和自适应阈值进行背景提取与更新,并采用符合人类视觉习惯的YUV彩色空间对阴影进行检测和抑制,消除阴影对车流量统计的干扰。     

基于视频图像处理技术的车流量检测系统的设计与研究

交通车流量参数检测作为智能交通系统的重要研究内容之一,其能够精准并迅速地统计车流量,这对智能交通系统的控制提供了一定的参考与保证.以视频图像处理方式为基础,测量了车流量,研究了统计算法,通过运用k-均值聚类建模的车辆目标检测算法,即使在背景条件不断变换的情况下,也可以达到对背景图像进行实时更新的目的,快速准确地对其中的运动目标进行分割.最后采用了VC++开发工具和OpenCV图像开发包进行检测系统设计,通过对拍摄的交通视频文件进行测试,证明效果显著.     

一种混合的中文分词算法

给出了一种将基于统计与基于词典方法融合而成的混合中文分词方法,利用统计方法进行词典的动态扩展,克服了基于词典算法对"完全词典"的依赖;利用词典对统计的一些参数进行估计,避免了以往靠实验得到这些参数的不确定性,同时将RMM算法与统计算法结合起来.最后通过仿真说明该混合算法比传统的基于词典和基于统计的方法更有效.     

一种基于直方图统计与多帧平均混合的背景提取算法

介绍了背景的提取与自适应更新的算法,提出了一种基于直方图统计与多帧平均混合的算法.这种算法克服单纯的多帧图像在车流量多、车速低时出现拖尾和模糊的现象,且相对于混合高斯模型,其计算复杂度较低.该算法已通过TI DM642 DSP硬件平台实现,实验图像结果表明,该背景提取算法的速度快,且符合实际场景.     

基于计算机视觉的车流量检测算法

提出了一种基于计算机视觉的车流量检测算法。通过分析CCD摄像头采集的现场交通视频数据,运有用图像处理的方法提取图像中通行车辆的车速以及通过视场内的车流量,研究了视场距离标定算法和基于灰度统计的通行车辆识别算法,仿真结果表明了该算法的正确性和有效性。     

考试成绩的频数分布统计算法评述与实验研究

为了对考试分析中频数分布统计算法的选择提供参考,分析了3类考试分析算法的特点与应用条件,即分组算法(传统、正态特征和斯特杰斯)、改进划分点算法(划分聚类)和频数统计算法(简单、模糊频数统计)的分析,并针对考试分析任务的需要提出对划分聚类、模糊频数统计法的改进算法;通过在实际考试样本和模拟样本上组合运用分组算法和频数统计算法,提出从分组质量、分组有效性、算法执行时间、算法适应性4个维度对算法的9种组合进行实验评估.结果表明斯特杰斯(Sturges)法分组效果较好,划分聚类法分组质量较高,模糊频数统计能在一定程度上改善频数统计的效果.     

基于网络监控视频流的车流量实时估计方法

智能交通系统(intelligent transportation system,ITS)是未来交通系统发展方向,其中车流量统计属于智能交通研究的主要领域。提出一种基于视频的车流量实时估计方法,利用redis内存数据库高并发、读写速度快的优势,从连续不断的网络视频流提取帧图像,依次存储在内存数据库的队列中,起到一个缓存实时数据流的作用。在运动车辆检测过程中,利用GMM训练背景模型获得背景帧序列改进Vi Be算法的初始化过程,且在开始检测的过程中加快背景更新速度,达到快速消除原始检测中"鬼影"的目的。3个场景的实验表明:提出的方法能快速消除"鬼影",提高了实时车流量估计的准确性。     

基于多次过滤的TopN统计算法

为了解决传统T opN统计算法性能远远落后于实际需求的矛盾,该文针对T opN统计特征进行研究,并提出一种基于多次过滤的T opN统计算法M F-T opN。该算法首先从原始数据集中随机采样,得到k×N个元素的采样集合,再从该采样集合中查找从大到小的第N个元素;利用此记录作为阈值,对原始数据集进行过滤,淘汰掉低于该阈值的元素;重复上述操作,直到剩余的数据元素个数小于k×N为止。最后对剩余的数据元素进行排序,输出前N个。理论分析和实验结果证明M F-T opN在时间性能上比传统的T opN算法(如基于堆的排序算法)提高了50%左右。     

基于视频的车流量统计算法

本文实现了一种基于线检测的车流量检测算法,首先利用背景消减法检测出运动目标,然后经过二值化处理得到二值图像,在二值图像上采集一条线上的像素点,然后利用新的数据处理算法对数据进行处理,最后,统计出每条车道上的流量,本文算法简单,易于实现,结果证明此算法检测精度高且算法实时性好,具有较好的鲁棒性。     

一种改进时空域联合的视频对象分割算法

针对移动缓慢的视频对象,提出一种改进时空域联合的视频对象分割算法。时域上通过改进高阶统计算法,利用累积帧差的递归高阶统计算法检测出视频序列中视频对象运动区域。空域上利用Canny算子获得较精确的单帧目标边缘,进行了时域和空域的融合,得到精确运动对象模板后提取运动对象。实验结果表明,该算法与传统递归高阶统计算法相比能精确地对移动缓慢的视频对象进行提取,有一定的理论意义和适用性。     

基于现实与虚拟交互的交通流再现实验方法

面向连续与间断交通流实验系统框架,利用现实交通流的观测数据,在实验框架的虚拟环境中建立交通流的非参数模型,通过虚拟框架的贝叶斯学习再现与现实等价的实验交通流.选取更为复杂的信号控制交通流场景对该实验方法进行验证.结果表明,该方法在一定精度内可以近似再现信号控制交通流.     

公路隧道交通流的数据挖掘

在阐述数据挖掘技术和方法的基础上，研究了基于统计理论的聚类方法。利用微软SQL Server 2000提供的聚类数据挖掘方法对某个公路隧道交通流的数据进行了聚类分析，并对数据结果进行了详细的解析，得到该隧道交通流的一些特性信息，如：何时该隧道交通流最大等。根据这些信息，可以针对不同的交通量特点安排隧道监控设备的控制方案及系统的维护方案，以保障公路隧道交通的畅通和安全。     

遥感和CA在城市医院选址中的应用

城市医院的选址是一个相当复杂的过程，要考虑很多因素。本文运用遥感技术，基于元胞自动机的原理，提出了用算法根据交通流量最优转换规则来进行城市医院选址的布局，实现较合理的基于定量化的医院选址。     

基于集成学习的交通流短时特性分析与神经网络预测方法

为揭示交通流的内在动态特性,利用分析法对交通流分形特性进行研究,表明该城市交通流序列具有长程相关性;为达到更精准的短期交通预测效果,同时提出一种基于思维进化算法(MEC)对神经网络最优初始参数的定向搜索,解决神经网络易陷入局部最优的问题;并用自适应增强算法(adaptive enhancement algorithm,Adaboost)对优化过的神经网络集成,弥补神经网络对新样本集的泛化性能差缺陷,在此基础上通过预测误差平方和倒数准则重新调整Adaboost算法对弱预测器权值分布,使每个预测器最大程度提高网络预测精度.验证结果表明,改进MEC-BP_Adaboost模型与BP模型相比,均方误差和平均绝对误差分别下降78.2％和46.4％,证明本文改进方法对交通流预测具有合理性,对不同的交通流状态具有较好的适应性.     

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。     

基于互补型集成经验模态分解和遗传最小二乘支持向量机的交通流量预测模型

交通流是智能交通系统中的关键组成部分,也是交通规划的重要依据。为了提高道路交通流量预测的精确性,提出一种基于互补型集成经验模态分解(complete ensemble empirical mode decomposition,CEEMD)后,采用遗传算法(genetic algorithm,GA)优化参数的最小二乘支持向量机(least square support vector machine,LSSVM)的交通流量预测模型。该模型使用互补型集成经验模态分解原始数据,将分解后的本征模态函数(intrinsic mode function,IMF)分量分别用遗传算法优化参数后的最小二乘支持向量机进行预测,叠加全部IMF分量值作为模型最终的预测结果。通过对美国加利福利亚州某高速公路一个月的交通流量数据进行训练预测,结果表明,该模型平均相对误差仅为6.51%,相较于其他模型拥有更好的预测效果,可为交通流的预测提供一定的参考。     

Identification Method of Urban Road Traffic Conditions in the Internet of Vehicles Environment

In accordance with the specific deployment way of infrastructure and data exchanging technology in the Internet of vehicles(IoV),the acquiring and calculating method for three basic traffic flow parameters in IoV scenarios,including traffic flow,speed and density,was researched.Considering the complexity of traffic flow and fuzziness of human thinking,fuzzy c-means clustering algorithm based on the genetic algorithm(GA-FCM) was adopted in soft classification of urban road traffic conditions.Genetic algorithm(GA) introduced into fuzzy clustering could avoid fuzzy c-means(FCM) algorithm converging to the local infinitesimal point,which made the cluster result more precise.By means of computer simulation,data exchanging environment in IoV was imitated,and then test data set was divided into four parts.The simulation indicates that the identification method is feasible and effective for urban road traffic conditions in IoV scenarios.     

基于改进特征选择法的光纤网络流量异常监测研究

采用当前方法进行光纤网络流量异常监测过程中,特征选择法无法全面描述流量异常特征监测的不足,存在监测效果较差的问题。为此,提出一种基于改进特征选择法的异常流量监测方法。首先采用分光方式对光纤网络流量进行分析,获取光纤网络流量时间序列,并描述用于流量异常监测的多时间序列之间的相互关系,然后利用改进特征选择法对网络出口流量进行特征提取。利用聚类算法选择网络流量异常最优类数和聚类中心,来对网络流量异常现象进行过滤,从而实现网络异常流量特征抽取、特征选择改进算法和网络流量异常监测的研发,从而提高光纤网络流量异常现象监测的准确度。仿真实验结果证明,通过这种方法,能有效地对网络流量异常现象进行监测,且算法简单,能够满足网络流量异常监测的应用需求,实用价值较高。     

基于神经网络的交通参数预测方法

为能够迅速准确地采取相应措施处理交通拥堵问题,改善行车安全,进而提高路网效率,研究了基于神经网络的交通参数预测方法,预测了交通流量、速度和占有率.在分析常用BP(Back Propagation)神经网络算法的基础上,研究误差平方和最小化的L-M(Levenberg-Marquart)算法.相对于常规预测方法,基于神经网络的交通参数的预测方法对于随机的参数变化具有更好的适应性,能及时跟随交通参数的变化,所以精确度更高,适应性更好.仿真结果显示,L-M算法的训练速度相比于常规BP算法要快几十倍,预测交通流量、速度和占有率等参数的效果优于常用的指数平滑算法,因此基于神经网络的交通参数预测方法可以应用于交通领域.     

交通信息的背景提取技术分析

为了准确提取交通背景信息,在对交通信息背景特征分析的基础上,对现有的背景提取算法模型进行分析,提出了自适应更新算法的实现流程,设计试验进行对比分析。实验结果表明:信息提取技术的基本理念和方法特点能够满足交通信息数据时效性、多样性、复杂性的处理要求,基于光流场的提取算法在车流视频的应用中提取出的背景图像效果很不稳定,混合Gaussi-an背景提取算法,能提取出比较理想的背景图像,满足使用要求。