基于人工蜂群的新型圆形交通标志识别算法

道路交通标志检测是智能交通系统的重要组成部分,精确快速识别圆形交通标志对保障交通安全有非常关键的作用.本文将子种群概念引入人工蜂群(artificialbeecolony,ABC)算法中,提出了一种基于子种群多峰值优化算法(species-based artificial bee colony,SABC)应用于圆形交通标志的检测.SABC的关键在于多个子种群按照人工蜂群算法同时搜索多个最优解.作为比较,引入了基于子种群的遗传算法(species-basedgeneticalgorithm,SGA)和基于子种群的粒子群优化算法(species-based particle swarm optimization,SPSO).5个多峰值函数用于验证3种算法的多峰值优化性能,其结果证明SABC具有更高的准确性和更快的运行速度,成功率为100%,精度均低于10-4,运行时间均在0.3 s以内.然后,将多圆检测视为多峰值优化问题,并将SABC应用于多圆检测,设计了完整的检测算法.最后,在德国交通标志数据集(German traffic sign recognition benchmarks,GTSRB)的圆形交通标志上测试所提出的圆形检测算法.实验结果表明,所提算法能够以良好的性能定位圆形交通标志.     

雾霾天气下交通标志识别方法研究

道路交通标志识别(TSR)作为智能交通系统(ITS)中关键的一部分,受到了研究人员的重视。道路交通标志识别技术可以使人们的交通出行生活更加方便和高效。但是,由于道路交通的复杂性以及天气情况对于交通标志识别的影响,使得这一技术还没有得到广泛应用。可见,道路交通标志的识别有着很高的研究价值。该文以雾霾天气这一因素为前提,针对交通标志的颜色信息和形状信息,展开了对于交通标志的检测和识别的研究。在对图像去雾方面,主要研究了暗通道优先去雾算法;在交通标志检测方面,选择HSV色彩空间模型为检测基础,使用了颜色匹配方式实现图形分割。     

基于集成卷积神经网络的交通标志识别

以交通标志识别为研究目的,提出一种基于集成卷积神经网络的交通标志识别算法,通过对多个不同结构的卷积神经网络进行集成以提高算法识别率。为了缩短网络训练和测试时间以及提高网络识别率,对单个卷积神经网络的结构进行了优化。使用ReLU(rectified linear unit)激活函数来代替传统的激活函数,使用批量归一化(batch normalization,BN) 方法对卷积层输出数据进行归一化处理,将卷积神经网络的分类器用支持向量机(support vector machine,SVM)代替。使用德国交通标志识别数据库(german traffic sign recognition benchmark,GTSRB)进行训练和测试,实验结果表明,提出的算法识别率为98.29%,单幅交通标志图像测试时间为1.32 ms,对交通标志具有良好的识别性能。     

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Faster-RCNN的遥感图像飞机检测算法

CCCV2017发布遥感图像飞机数据集,用于评测飞机检测算法.针对该遥感图像数据集中的飞机朝向不确定、图像覆盖范围广、图像背景复杂度高,导致飞机检测难度大、检测算法准确率和算法泛化能力低等问题,提出了基于Faster-RCNN的飞机检测改进算法.首先,通过对图像采用翻转以及角度旋转等方式对数据集进行合理的扩增;然后,在扩增后的数据集上,使用深度残差网络对图像进行特征提取,针对数据集中飞机目标的长宽比特点优化区域建议网络;同时,为了防止训练集中正负样本不均衡,采用在线困难样本挖掘方法对数据进行训练.在CCCV2017数据集上评估表明,改进后的Faster-RCNN算法极大提高了初始的Faster-RCNN算法性能,在测试集上m AP达到了89.93%.在NWPUVHR-10、NWPU-RESISC45、UCAS-AOD遥感图像飞机数据集测试表明,该改进模型同样具有良好的性能,从而验证了该模型具有良好的鲁棒性和泛化能力.     

基于深层神经网络的道路交通标志检测识别方法研究

交通标志在道路交通运行中扮演着不可或缺的角色。随着智能交通的不断发展,道路交通标志的自动检测识别日益受到研究者的关注。在实际交通环境下,由于运动模糊、天气条件、光线干扰及拍摄视角等因素,给图像中交通标志自动识别带来了困难。针对这一问题,该文提出了基于深层神经网络的快速交通标志识别的方法,实现了常见道路交通标志的检测识别,并通过实验进行测试,结果表明,该方法在图像中交通标志的检测率和识别率方面都达到了较好的效果。     

基于卷积神经网络的小目标交通标志检测算法

PVANet(performance vs accuracy network)卷积神经网络用于小目标检测的检测能力较弱.针对这一瓶颈问题,采用对PVANet网络的浅层特征提取层、深层特征提取层和HyperNet层(多层特征信息融合层)进行改进的措施,提出了一种适用于小目标物体检测的改进PVANet卷积神经网络模型,并在TT100K(Tsinghua-Tencent 100K)数据集上进行了交通标志检测算法验证实验.结果表明,所构建的卷积神经网络具有优秀的小目标物体检测能力,相应的交通标志检测算法可以实现较高的准确率.     

我国交通标志设计的规范性问题研究

道路交通标志是"道路语言"的重要内容,在交通管理中发挥着重要作用。然而现行国标中的交通标志在设计、设置以及认识上却存在着许多不规范的情况,致使交通标志起不到应有的作用,有些标志甚至形同虚设。文章根据对现实生活中交通标志的不规范情况进行收集、分析、研究,增设了新的交通标志,对现行GB5768—1999《道路交通标志和标线》国家标准中部分标志的不规范情况进行了改进。     

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.     

Faster-RCNN的车型识别分析

车型识别是目标检测领域在智能交通的重要应用,也是近年来国内外学者的研究热点之一。针对已有车辆检测方法缺乏识别车型能力的问题,提出了基于Faster-RCNN目标检测模型与ZF、VGG-16以及ResNet-101 3种卷积神经网络分别结合的策略,实验对比了该策略中的3种结合模型方案在BIT-Vehicle和CompCars2种大型车型数据库的车型识别能力。在BIT-Vehicle数据集上,基于Faster-RCNN与ResNet-101结合模型方案的车型识别率高与其余2种结合模型方案,其车型识别率高达91.3%;在迁移测试CompCars数据集上,3种结合模型方案均展现了很好的泛化能力。     

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RPN的Faster-RCNN网络SAR图像车辆目标检测方法

针对传统Faster-RCNN方法中候选区域生成网络(RPN)模块在进行目标检测时对目标特征提取不够充分的问题,提出一种基于改进RPN的Faster-RCNN网络SAR图像车辆目标检测方法.首先基于VGG-16网络提取出图片的多层特征,然后利用卷积核对最深的3个特征层作进一步的特征提取和正则化处理,最后对处理后的3个特征层进行信息融合.利用MSTAR数据集中车辆目标SAR图像和自然背景SAR图像,通过图像分割和贴图的方式制作了SAR场景数据集,对所改进网络进行训练和测试.实验结果表明,在SAR图像车辆目标检测中,与传统RPN相比,改进RPN收敛速度更快,不仅将检测结果的查准率从97.7％提高到了99.7％,虚警率明显降低,而且泛化性能更强,针对训练范围以外的目标,能将查准率由98.0％提高到99.0％.     

基于inception v3模型的道路交通标志识别研究

道路标志识别是图像识别的一个重要领域。然而由于交通标志种类繁多,图像背景复杂,不同类型标志相似,同类型标志的差异甚小,道路标志识别仍存在很大挑战。传统道路标志识别分类方法主要基于颜色和形状,这些方法需要人工提取分类特征,且精度不高。基于Tensorflow平台Inception-V3模型,利用迁移学习对德国交通标志识别基准(GTSRB)进行识别,极大地提高了道路交通标志识别的精度。     

基于视觉特征和信息传递的高等级公路交通标志设置有效性分析

道路标志在现代道路交通中发挥着重要的作用.本文通过驾驶员对交通标志设置的基本要求,对公路交通标志的设置进行了分析.在基于驾驶员视觉特征和信息传递的条件的分析的基础上,得出了交通标志设置应该满足的要求,为交通标志的设置提供了可靠的建议.     

基于改进YOLOv3的交通标志检测

针对交通标志检测小目标数量多、定位困难及检测精度低等问题,本文提出一种基于改进YOLOv3的交通标志检测算法.首先,在网络结构中引入空间金字塔池化模块对3个尺度的预测特征图进行分块池化操作,提取出相同维度的输出,解决多尺度预测中可能出现的信息丢失和尺度不统一问题;然后,加入FI模块对3个尺度特征图进行信息融合,将浅层大特征图中包含的小目标信息添加到深层小特征图中,从而提高小目标检测精度.针对交通标志数据集特点,使用基于GIoU改进的TIoU作为边界框损失函数替换MSE函数,使得边界框回归更加准确;最后,通过k-means++算法对TT100K交通标志数据集进行聚类分析,重新生成尺寸更小的候选框.实验结果表明,本文算法与原始YOLOv3算法相比mAP提升11.1%,且检测每张图片耗时仅增加6.6 ms,仍符合实时检测要求.与其他先进算法相比,本文算法具有更好的检测精度和检测速度.     

基于MM YOLOv4的无人机目标检测算法

针对当前无人机目标图像检测方法精度较低和检测速度过慢的问题,提出一种结合轻量级网络和改进多尺度结构的目标检测算法。首先采用MobileNetV3轻量级网络替换YOLOv4的主干网络,减少模型复杂度,提升检测速度;其次,引入改进多尺度结构的PANet网络,增强高维图像特征和低维定位特征的流动叠加,提升对小目标的分类和定位精度;最后,利用K means方法对目标锚框进行参数优化,提升检测效率。同时结合公开数据集和自主拍摄方式构建一个新的无人机目标图像数据集Drone dataset,并基于数据增强的方法开展算法性能实验。实验结果表明,该算法的mAP达到了91.58%,FPS达到了55帧/s,参数量为44.39 M仅是YOLOv4算法的1/6,优于主流的SSD、YOLO系列算法和Faster R CNN算法,实现了对多尺度无人机目标的快速检测。     

复杂环境中交通标志的实时识别方法

提出了一种能够有效克服曝光不均复杂环境下的交通标志识别方法.采用改进的多尺度LogGabor小波进行交通标志的多分辨率特征提取,根据不同尺度下的特征信息进行相位一致性计算,提取能够有效克服曝光影响的目标相位信息,通过优化的多分类支持向量机(SVM)进行多目标分类,并在德国交通标志标准数据库(GTSRB)上进行测试.结果表明:本方法对6大类主要交通标志样本的平均识别率达到98％,优于传统方法;在Intel双核CPU 2.4 GHz计算机平台上,本方法对数据库中不同尺度的图片处理速度达到28帧·s-1,满足了实时性要求;克服了光照不均的问题,适用于复杂条件下的交通标志识别,能够满足鲁棒性需求.     

基于改进Cascade R-CNN模型的机器人抓取检测研究

为提高多物体抓取检测网络的抓取检测准确率，提出一种基于改进Cascade R-CNN模型的机械臂抓取检测算法.首先，引入ResNeXt结构能够在不加大网络设计难度的前提下提高了模型的准确率；引入带空洞卷积的空间金字塔池化模块以解决分辨率较低的问题；接着对抓取框回归分支和角度分类分支以分治方法进行优化.其次，针对多物体抓取数据集缺乏的问题，构建多目标抓取数据集(multi-object grasping dataset, MOGD),有效地扩充了多物体抓取检测数据集.最后，基于改进Cascade R-CNN模型设计抓取检测网络，实验结果表明，改进后的算法效率更高，PI-Cascade R-CNN实验准确率为93%,较Cascade R-CNN提升1.5个百分点.     

高速公路和隧道交通标志位置有效性的眼动研究

交通标志是交通安全的重要保障,其位置的不同对驾驶员有效获取标志信息具有重要影响。为研究交通标志位置的有效性,选取驾驶员视角的高速公路和隧道交通标志图片制作模拟场景开展眼动实验;将场景中交通标志的区域划为兴趣区域;采集了30个被试的首个注视点的注视顺序、首次进入时间、首个注视点的注视时间、总的注视时间等指标数据;运用SPSS 24.0统计软件和假设检验方法分析实验采集的眼动数据。结果表明:在高速公路场景中交通标志显著有效位置为(3)(右上)和(6)(右中),在隧道内场景中交通标志显著有效位置为(6)(右中)和(4)(左中)。实验结果可以为高速公路、隧道等路段交通标志位置的设置提供一定的科学参考。