基于CNN的车辆振动大小车型分类

随着高科技电子技术的迅猛发展,精密仪器对场地振动的要求变得愈发严格。车辆产生的振动对这些设备造成不容忽视的影响,因此迫切需要对周边车辆进行分类监测。本研究的目标是建立适用的模型,基于振动信号进行道路车辆的大小和车型的分类识别,从而提高效率;同时,采用数据增强技术,以增加训练样本的数量,并对所用模型进行微调以提高性能。

基于模糊模式识别的车型分类研究

根据目前中国路桥车辆收费标准,提出了一种基于模糊模式识别的车型分类系统。车辆经过环形线圈传感器时,形成感应曲线,提取感应曲线的特征并进行特征分离,利用模糊模式识别方法对车型进行匹配分类。研究结果已在路桥收费系统以及交通流量统计中得到应用。

基于BP神经网络的车型分类器

针对车型特征,提出了一种基于BP神经网络的识别方法.从图像中提取车型特征向量,用BP神经网络设计分类器,并进行有效的训练与测试.应用改进的BP算法(尺度化共轭梯度法)对网络进行训练,使网络很快得到收敛,解决了一般算法收敛慢的缺陷.

基于异向性磁阻传感器的车辆检测与车型分类

根据行驶车辆对地磁场的扰动效应,采用三轴异向性磁阻传感器HMC5883l设计了一种车辆检测与车型分类系统,通过软硬件相结合的方法克服了磁阻传感器输出信号基准值漂移对车辆检测的影响,针对车辆首尾相接与大型车辆的检测矛盾,提出了一种基于方差的多状态机自适应阈值车辆检测算法,并在检测出车辆的基础上,利用磁阻传感器三轴磁场信息提取车辆信号特征,选择算法复杂性低、分类能力强的BP神经网络对城市道路车辆进行分类,实际测试结果表明,本文车辆检测与分类算法测量精度高、鲁棒性强,可靠性及冗余度好。

基于边缘轮廓特征的实时车型分类

提出了一种车辆侧面轮廓特征的实时车型分类方法。该文动态地提取背景,通过软传感器的触发,根据当前帧与背景帧的差分图获取车辆侧面轮廓特征曲线,设计了一个基于侧面轮廓特征的车型分类器。该方法速度快、准确度高,能很好地应用在实时系统中。

多分支BP网络模型及其在车型分类中的应用

通过分析一般的BP网络在解决多模式识别问题时的缺陷,本文根据分而治之和模块化的思想提出了多分支BP网络的模型。多分支BP网络可将N种模式的识别问题转换为N个并行的两种模式识别问题。文章还研究了多分支BP网络模型在车型分类中的应用,并利用G107上的实测数据进行仿真,仿真结果表明,与一般的BP网络相比,多分支BP网络具有更好的分类性能,且显著地减少了训练时间。

基于空间金字塔视觉词袋模型的交通视频车型分类方法研究

为了提高交通视频中车型分类的实时性和准确率,提出了一种基于空间金字塔视觉词袋模型的车型分类方法.该方法利用SIFT进行车辆特征的提取,采用空间金字塔优化车辆特征,在SVM分类器中引入车辆特征因子的视觉词袋模型进行交通视频车型分类.实验结果表明:基于空间金字塔视觉词袋模型的车辆分类方法不仅提高了车辆分类的准确率,也加速了车型分类过程.

低清晰视频的“白化-稀疏特征”车型分类算法

车型识别分类,对低/高速行车道划分、流量统计,特别是超长/重、危险品车的识别具有现实意义.实验室曾提出的基于尺度不变特征转换SIFT、方向梯度直方图HoG视频检测方法抗干扰能力弱,在因道路环境差、网络拥塞随机造成图像模糊时,往往误判.为此,在机理上,分析比较了上述分类算法与特征白化、稀疏编码算法的局限或优势,提出了适应低清晰度视频的"白化-稀疏特征"车型分类算法.该分类算法采取PCA白化技术特征数据预处理、超完备基的凸优化迭代,从而获得稀疏编码特征数据.经与SIFT-SVM算法的现场图像检测比较,其在图像模糊条件时的分类准确率也能达到90%,一般优于93%,均耗时约0.04s.

一种基于微波雷达回波信号的车型分类方法

车辆类型识别方法是智能交通系统的关键技术之一。利用深度学习的高维特征泛化学习能力,将改进的LeNet-5卷积神经网络用于基于交通微波雷达的大小车型分类识别。首先,以雷达触发前的N帧信号为基础,对雷达的回波信号进行分析并构建数据集;然后,分析LeNet-5卷积神经网络的特点;最后提出一种改进的LeNet-5卷积神经网络。实验结果表明,与传统的支持向量机方法相比,所提方法能够智能学习大小车的雷达时频信号特征,大小车型识别准确率达到97%以上,可为交通场景下的车型识别研究提供新的技术途径。

基于视频的车辆几何参数提取与车型分类

针对车辆自动分类需求,通过引入地理信息系统空间形态的描述方法,给出车辆侧面图像的几何信息描述参数和计算方法,设计用于车辆分类的几何特征参数及其组合参数,基于侧视轮廓的几何特征,提出车辆轮轴参数的自动提取方法,设计一个基于几何形态参数的车型自动分类器。实验证明该方案的有效性。

一种基于Adaboost.M1的车型分类算法

神经网络分类器存在容易出现过学习、欠学习、陷入维数灾以及局部最小等问题,支持向量机分类器也存在运算比较复杂,模型选择和核函数的构造比较困难的问题,而贝叶斯分类器只有在训练样本数趋于无穷时,训练结果才趋于真实的模型,因此,提出了一种基于Adaboost.M1理论的车型分类算法,该算法简单易用,只需要寻找一个精度比随机预测略高的弱分类器,不需要调节任何参数,不需要先验知识,而且有足够的理论支持.最后通过实验验证了该算法进行车型分类的有效性.

基于支持向量机的车型分类的设计

基于支持向量机的车型分类的设计思路是通过视频采集获得车辆图像,对车辆图像进行图像预处理和特征提取后,得到分类器所需数据特征,而后采用支持向量机和二元决策树对车型分类。采用三个支持向量机的分类器和二元决策树相结合对特征数据进行分类识别,最终实现了车型分类。通过利用Libsvm(SVM模式识别与回归的软件)进行实验,取得了较好的分类效果。

面向城市道路的地磁传感器单节点车型分类

提出了一种利用多功能地磁传感器采集道路环境磁场数据,并基于决策树模型实现车型的在线分类方法。文中提取8种与车速无关的车辆波形时域特征作为模型输入,基于最优最小划分样本数的CART算法对决策树模型进行训练。对训练得到的决策树,基于最小误差剪枝原则进行剪枝,得到具有更高样本鲁棒性的最佳剪枝树。通过在北京市某道路上布设地磁传感器获取了两种车型数据,正、反向测试的平均准确率分别为88.9%和94.4%。与现有多个分类方法进行了对比实验,结果表明:本文方法能够进行在线车型分类,并在分类准确率、样本鲁棒性和算法执行时间等方面更具优势,能够应用于实际城市道路现场进行车型分类。

基于图像不变矩特征和BP神经网络的车型分类

为实现车型的有效分类,文中提出了一种基于图像分析的车型分类方法.首先,根据视频序列图像建立了路面背景,利用背景差分将图像中的车辆区域分割出来,计算车辆区域的不变矩特征量.为了加快特征的提取,利用Canny算子检测车辆区域的边缘,提取车辆轮廓,直接计算车辆轮廓的矩不变量,将其作为车型分类的特征量.然后建立具有3层结构的BP神经网络,将不变矩特征量作为神经网络的输入,根据神经网络的输出实现车型的分类.试验证实了该方法的有效性.

多车道路面的大车车型分类特征及提取方法

针对车流量大的多车道路面,提出了以车体结构和颜色为基础的6个能有效区分大客车和大货车的特征,并介绍了提取过程。该过程首先使用Sobel算子与颜色融合的抗干扰水平边缘检测方法提取区间分界线,然后以基于RGB和HSI相结合的颜色分类方法识别区间颜色,进而获得特征的表示。现场实测结果表明,这些特征提取准确率高且速度快,能满足实时性要求。基于这些特征的车型分类系统已应用于实际现场并取得了良好的识别效果。

基于电子不停车收费数据的山区高速公路车速分布与车型分类研究

为研究山区高速公路车型分类方法,以重庆市包茂高速某路段的电子不停车收费数据(即ETC数据)为基础,分析平缓路段和连续上坡路段不同车型的速度分布特征发现:在不同线形路段,部分车型的速度分布有明显的特点,三型货车在连续上坡路段速度分布呈驼峰状,四型客车因营运限速的存在,在平缓路段速度分布集中于最大速度92 km·h-1;相同线形路段各车型速度分布显著不同,客车车型在平缓路段速度分布表现为分散,在连续上坡路段相对集中,而货车车型的速度分布变化趋势正好相反;连续上坡路段各车型的速度特征值明显下降,但同路段上的部分车型间的速度特征值仍较为接近;连续上坡路段速度离散性大于平缓路段,追尾风险水平更高。在ETC数据基础上,运用k-medoids算法对山区高速公路平缓路段和连续上坡路段的车型进行聚类分析,优化后车型分类结果为:平缓路段车型可分为4类,分别为一型客车、二型~四型客车、一型货车、二型~六型货车;连续上坡路段车型分类结果为4类,分别为一型~四型客车、一型货车和三型(空载)货车、二型~四型货车(三型为满载)、五型~六型货车。本文有助于山区高速公路速度管理措施的制定和道路线形设计时代表性车型的选择。

基于C4.5决策树的视频车辆车型分类算法

为了克服BP神经网络、支持向量机、K-近邻和贝叶斯等分类器通常存在训练时间长、编程和运算复杂、难以满足实时性等问题,提出了基于C4.5决策树的视频车辆车型分类算法,介绍了层次化分类器设计方法,并以二分"小型车"为"小客车"和"小货车"两类的C4.5决策树的构造为例,对视频车辆车型分类C4.5决策树的构造过程作了详细介绍.最后通过实验证明了该算法进行车型分类的有效性.

梯度直方图卷积特征的胶囊网络在交通监控下的车型分类

为了充分利用图像信息以提高现有交通监控下车型分类的效果,在胶囊网络的基础上增加梯度直方图卷积(HOG-C)特征提取方法,提出HOG-C特征的胶囊网络模型——HOG-C CapsNet。首先,使用梯度统计特征提取层对图像中的梯度信息进行统计,构建方向梯度直方图(HOG)特征图;其次,使用卷积层提取出图像的颜色信息,把提取出的颜色信息与HOG特征图融合构成HOG-C特征图;最后,输入卷积层提取HOG-C特征图的抽象特征,并通过胶囊网络对提取的抽象特征进行具有三维空间特征表达的胶囊封装,使用动态路由算法实现车型分类。在BITVehicle数据集上对该模型和其他相关模型进行的对比实验中,该模型得到98.17%的准确率、97.98%的平均精确率均值(MAP)、98.42%的平均召回率均值(MAR)和98.20%的综合评价指标。实验结果表明,该模型在交通监控下的车型分类上具有更好的效果。

模糊模式识别在车型分类中的应用

利用各种车辆通过环形线圈的感应曲线作为研究对象,用模糊识别理论进行车辆的特征提取及隶属度函数的建立,并在特征提取的基础上进行特征选取和匹配分类来进行车辆识别。

基于动态时间弯曲的多模板匹配车型分类

感应线圈采集到的频率变化曲线,取决于车速、车辆自身结构及其通过感应线圈时的相对位置.针对同类车辆的频率变化曲线存在伸长或压缩情况,研究一种基于动态时间弯曲(DTW)的车型分类新方法.首先对采集到的车辆频率变化数据序列进行预处理;其次,结合DTW方法和最优聚类分析原理,选取同类车型的多个频率变化特征曲线作为分类模板,以改善单模板匹配方法的分类正确率;再次,确定同类车型的局部区分度指标,并优化调整局部区分度指标范围;最后对考察车辆的采样曲线进行多模板匹配分析,得出车型分类结论.仿真实验分析了本文方法与其他方法比较存在的优势.