基于学习算法SSD的实时道路拥堵检测

随着人们生活水平的不断提高,道路车辆拥堵情况愈发严重。如何实时、精确地检测出道路车辆,对于解决道路拥堵问题具有重要意义,GPU和人工智能技术的飞速发展为其提供了可靠的解决方案。研究分析传统目标识别算法、基于候选区域深度学习的目标提取算法RCNN和基于回归的深度学习目标检测YOLO,最终确定采用基于卷积神经网络的实时目标检测算法SSD。首先调用VGG16网络模型在ILSVRC CLS-LOC数据库上预训练生成初始网络模型,进而设置超参数并在自身数据集上进行再训练,生成新的网络检测模型,然后将训练和测试部署到深度学习框架Caffe上加以实现。通过在数据库COCO、VOC2012上的测试结果表明,该模型检测精度为76%左右,处理速度为26FPS。同时通过道路路口的实地车辆检测,显示该算法能够实时、精确地检测出道路车辆,为道路拥堵情况判定提供可靠数据。     

基于图像差分的背景差分算法改进及实验数据分析

针对交通视频中车辆移动检测问题,结合交通视频镜头相对固定、实时性强的特点,研究了基于图像差分运动目标检测算法中的背景差分算法,在真实的环境中对运动的目标区域完成实验检测,然后对检测数据进行分析,在背景估计和背景更新算法上做了相应的改进。通过对实验数据的观察和分析,背景差分法在交通视频车辆移动目标检测中具有较好的适用性和通用性,能较好地对交通视频车辆移动目标进行检测。     

基于轻量化SSD的交通标志检测算法

实时精确的交通标志检测是自动驾驶和智能交通的关键技术。针对现有智能检测算法检测复杂真实道路场景下的交通标志速度慢、无法较好地适用于嵌入式终端设备的问题,提出了一种基于轻量化SSD的交通标识检测算法。该算法采用MobileNetV3＿large网络替代VGG16网络,可减少模型参数,提高检测实时性;利用添加SE模块的逆残差结构B-neck替换对应的标准卷积增强低层特征层的语义信息;设计改进RFB网络提升小交通标志的检测能力,重新设置预设先验框的尺寸,提升模型对特定数据集的检测能力。实验结果表明,改进SSD算法在中国交通标志检测数据集上的mAP值可达89.04%,比MobileNet-SSD算法提高了5.26%;帧率可达60 frames/s,比SSD算法提高了23 frames/s。所提算法具有较高的实时性和检测精度,对复杂交通环境具有更好的鲁棒性。     

基于SSD的道路前方车辆检测

目标检测是计算机视觉领域重要的研究方向,应用于无人驾驶、机器人、行人检测等领域。然而,高检测准确率、鲁棒性等对目标检测方法提出了严苛要求。针对SSD对不同场景下检测准确率较低的问题,提出了一种改进的基于残差网络的SSD目标检测模型,以提升对不同场景的检测精度。对比研究了不同算法在MIT数据集和真实交通场景下的检测能力。实验结果表明,该方法的车辆目标检测准确率为96.72%,耗时短,鲁棒性高,有一定的泛化能力,为未来智能辅助驾驶系统提供了一种全新思路。     

主成分分析法改进贝叶斯网络入侵检测

使用主成分分析的方法对数据集进行降维,将滑动窗口引入到贝叶斯网络分类算法中,从而得到改进的贝叶斯网络分类算法。实验证明,改进的算法能够有效地降低分类数据的维数,同时该算法建立的入侵检测模型能够更好地检测出已知的入侵攻击类型。     

基于深度学习的非机动车号牌识别一体化技术研究

针对电警复杂场景中非机动车号牌小、脏、模糊等引起的车牌识别难度问题，借鉴深度学习技术的研究成果，提出了一种车辆检测、车牌检测、字符识别的两阶段非机动车号牌识别一体化技术.车辆目标易于辨识，基于YOLO模型，对网络结构进行轻量化，且兼顾检测率平衡的改进；基于车牌是包含于车辆之上，在车辆定位区域，采用改进的YOLOV3快速模型进行车牌检测；在字符识别阶段，针对相机拍摄角度导致的车牌形变问题，向识别模型中添加STN网络，提出基于STN+CNN+LSTM+CTC的融合网络模型.在测试集上，整体识别准确率达到99.5%.     

改进WOA算法优化SVM的网络入侵检测

基于支持向量机(SVM)的网络入侵,因SVM参数设置不当导致分类准确率偏低的问题,提出改进二进制鲸鱼算法优化支持向量机(IBWOA-SVM)的网络入侵检测。通过对鲸鱼优化算法中收敛因子的改进和更新机制融入粒子群策略的方式,改善其容易陷入局部最优且收敛精度慢的缺点。对初始化参数群采用改进二进制鲸鱼优化算法的更新机制不断地进行更新迭代,迫使鲸鱼搜索代理获取较优的参数值来建立性能较优的分类模型,进而提高网络入侵检测的分类性能。采用多个UCI数据集并与其他的参数优化方法进行对比,最后使用网络入侵检测KDD CUP 99数据集进行验证。结果表明,与遗传算法、粒子群算法和鲸鱼优化算法在SVM参数优化上的性能相比,IBWOA-SVM方法的分类准确率和适应度值在各数据集上都有所提高,从而有利于改善网络入侵检测参数优化中的分类性能。     

一种基于深度学习的夜间车流量检测方法

当车流量较少时,降低路灯亮度可以达到能源节约目的。为此,采用深度学习中的R-FCN目标检测网络完成夜间车辆检测任务。R-FCN网络相比传统深度学习网络,不仅是基于区域推荐模型的网络,而且引入了平移变化特性,所以对目标检测效果更好。为了占用更少硬件资源,缩小模型规模,采用ShuffleNet通道分组与组间通信机制,压缩原始残差网络。同时,对NMS（非极大值抑制）算法进行修改,从而可以更好地筛选重叠目标,降低网络漏检率。实验结果表明,该方法准确率较高,在UA-DETRAC数据集的夜间图片检测中精度最高可达到90.89%。     

一种视频防抖的车辆检测算法

为解决由于道路颠簸、车辆自身抖动导致视频帧图像模糊而影响车辆检测效果的问题,采用基于特征匹配的光流法结合SURF特征点提取算法对车载视频进行防抖预处理,再将增稳后的视频序列传入训练好的YOLOv4框架进行车辆检测.在KITTI数据集上对该算法进行验证,最终识别准确率达96.5％.通过对比防抖前后测试结果发现,建立的防抖...     

基于改进AlexNet模型的肺癌辅助检测方法

针对目前肺部CT图像数据爆炸式增长和人工诊断力量严重不足的矛盾,提出一种基于改进AlexNet模型的肺癌辅助检测方法。该方法在传统8层AlexNet模型的基础上,增加了与传统AlexNet模型第4层相同参数的第5层结构,实现了9层的改进AlexNet模型;采用LIDC-IDRI肺癌检测数据集分别对改进前后的AlexNet模型进行训练,建立模型,并通过测试集数据对传统AlexNet模型和改进的AlexNet模型进行测试,实验结果表明改进的AlexNet模型在肺结节检测上有更好的表现,能够进一步提高对于肺结节的识别精度,从而更好地帮助医生进行辅助诊断,降低医生工作强度。     

基于改进 SSD 网络的目标检测方法

传统目标检测方法存在准确率低、可靠性差、效率低等问题,无法满足对大量图片准确、高效处理的需求。对 SSD 网络结构进行改进,删除原网络最后两个预测层,对保留各预测层的默认框个数和宽高比进行优化,同时对保留的最后一个预测层的网络参数进行改进。改进后的 SSD 网络减少了网络参数和计算量,对存在遮挡、目标较小等情况的图片数据具有更好的检测精度和检测效果,同时模型检测的 mAP 提高了约 5.1%。改进后的网络模型解决了传统方法的不足,可以实时、准确、高效地对大量图片数据进行目标检测处理。     

车前小型障碍物图像检测与分类方法

针对车辆辅助驾驶系统中遇到的障碍物小的特点和对实时性的高要求,提出一种基于卷积神经网络YOLO图像检测算法优化并增加分类计数的方法。通过对小石子和道路坑洞这2种极易引发车辆事故的典型小型障碍物图像建立数据库,针对数据库利用k-Means+优化k值并配置新的锚定值,对取自车载视频的图像进行检测识别。新增的分类和计数算法可快速、直观地获得检测结果,实现驾驶员快速决策的目标。实验结果表明,该方法可对小石子和道路坑洞等小型障碍物有效地检测识别和分类计数,检测速度也满足系统的实时性要求。     

基于Faster R-CNN的服装目标检测改进方法

为了满足近年来在服装电子商务高速发展背景下急剧增长的服装图像分类与定位需求,实现对服装图像的目标检测,提出基于Faster R-CNN的服装目标检测改进方法。借助残差神经网络的特征提取能力进行服装图像特征提取,采用RPN网络进行服装候选区域生成,经过RoI兴趣区域池化后接入分类层与回归层,调整网络结构,融合服装图像的HOG底层特征,从而针对性地实现对服装图像的目标检测。实验结果表明,该方法构建模型的平均准确率为0.902,运行速度为8.9帧/秒,具有一定的实用价值。     

基于卷积神经网络的野外烟雾检测研究

野外烟雾具有稀疏性,在整幅图像中所占面积小,扩散缓慢。传统烟雾检测算法由人工提取的特征不一定是最合适的烟雾特征,从而导致烟雾检测存在错检或误检。为此,设计了基于卷积神经网络的野外烟雾检测算法。通过改进的VGG16网络以及搭建的卷积神经网络conv-10进行烟雾检测。VGG16过滤器尺寸大小为3×3,步长为1。conv-10通过对LeNet增加相应的层数进行烟雾检测。实验证明,conv-10网络具有较高的准确率,达到94.7%,时间仅需要1 656s。改进的VGG16网络准确率也较高,但是比conv-10网络速度慢,时间需要10 450s。     

融合深度学习的无人驾驶多目标检测算法

目标检测是目前计算机视觉领域非常热门的研究方向,是无人驾驶技术重要环节。为提高行车过程中目标检测精度并改善基于单发多目标检测器在训练时出现的正负样本失衡问题,基于车载视频,运用深度学习算法中具有强大性能的SSD模型,通过引入Focal Loss函数设计新的损失函数,解决样本失衡问题;同时在不降低检测速率的情况下,提高检测精度。基于自行采集的车载视频数据集进行实验,结果表明,改进后SSD模型的mAP相较于原始SSD模型提高了3%,达到74%。     

基于μC／OS-Ⅱ操作系统的车载CAN网络通信

较复杂的车载CAN网络通信软件设计中．传统的前后台软件结构难以同时满足系统在实时性、稳定性和可靠性方面的性能要求．本文讨论基于μC／OS-Ⅱ嵌入式操作系统的车载CAN网络通信的解决方法。通过实验．证明该方法较大程度地提高了车载CAN网络通信的实时性、稳定性和可靠性。     

Faster RCNN的交通场景下行人检测方法

为了提高行人检测的准确性和鲁棒性,针对现有行人检测方法准确率低且实时性不佳等问题,参考目标检测算法中快速区域卷积神经网络Faster RCNN算法,首先采用K-means聚类算法得到合适的宽高比,然后优化区域建议网络（RPN）结构,降低计算量,并通过比较MobileNet、VGG16、ResNet50特征提取网络效果优劣,提出改进Faster RCNN的交通场景下行人检测方法,在Caltech-NEW数据集上进行训练与测试。实验结果表明,该方法大幅提高交通场景下行人检测的实时性和准确性,在测试集上检测准确度达到87.5%,单张图片检测耗时为0.187s,相比现有其它方法,其检测效果更好。     

基于复合特征 BP 神经网络算法的车牌识别技术研究

传统的模板匹配算法对车牌图像的伸缩、倾斜及背景干扰比较敏感,识别效果不理想.提出将对字符进行归一化处理后所提取的点特征与重心特征进行复合,作为 BP 神经网络算法的输入特征,大大提高了识别率与识别速度.     

基于车辆轮廓对称与车牌定位信息融合的车辆检测方案(英文)

为了有效地定位交通监控图像中的车辆区域,提出了一种基于车辆轮廓对称和车牌定位信息融合的车辆检测方法. 该方法首先检测图像中的车辆轮廓竖直对称轴,然后以车辆轮廓对称轴位置为基准检测车牌水平和竖直对称轴,最后根据车牌横纵对称轴和车辆轮廓图像的水平、竖直投影进行车辆区域定位. 以450 张 15 类车型的图片为测试集进行了基于对称特征融合的车辆区域检测,并与基于车辆边缘、车牌、车辆纹理特征和车辆图像 Gabor 特征的 4 种方法进行了对比,实验结果表明基于车辆轮廓对称与车牌对称特征融合的车辆区域检测方法最优,其检测率和检测时间分别为 90. 7%和 125 ms.