多特征融合的交通标识视认性评测方法

针对目前交通标识视认性评测方法误差过大的缺点,提出了一种高精度交通标识视认性评测方法。该方法根据道路环境中不同因素对交通标识视认性的影响,计算了标志牌图像中的颜色特征、亮度特征、复杂度特征,并考虑标志牌背景的影响,计算了标志牌和背景之间的颜色对比特征、亮度对比特征和复杂度对比特征,综合考虑以上6种特征及特征相互之间的影响,利用自顶向下(top-down)和自底向上(bottom-up)视觉模型建立多特征融合的交通标识视认性评测模型。通过模型实现了对识别出的标志牌进行视认性评测,反馈模型推测的视认性值。通过实验对多特征融合的视认性评测模型的有效性及模型精度进行了评测。结果表明,该模型能够高精度推测标志牌视认性值,且达标率在89%以上。     

基于自适应加权的多传感器实时数据特征值提取

为实现监测数据的特征值提取，对传感器数据的预处理、时间维及空间维融合方法开展了研究。建立了实时数据融合模型，提出了基于3σ-grubbs检验的异常数据预处理方法，兼顾了异常数据剔除的速度与精度，能很好地消除疏失误差;对单个传感器数据采用分批估计原理进行融合，得到了特征估计值，实现了数据在时间维上的融合;通过对多个传感器的特征估计值采用自适应加权方法进行赋权，实现了数据在空间上的融合，并提出了考虑传感器精度的算法修正。实例计算表明，数据经3σ-grubbs方法处理后方差减小了20%~54%，与传统的算术平均滤波方法相比，分批估计自适应加权融合算法的数据融合方差明显更小，考虑传感器精度后的融合结果更接近高精度传感器值，特征值提取结果更加准确、可靠。