利用FCM对静态图像进行交通状态识别

对交通状态进行准确识别可以主动预警将要进入本路段的驾驶员避开拥堵,以免加重拥堵程度,同时也是科学制定主动交通管理决策的基础,有利于及时疏导拥堵,提高道路运行效率,节能减排.首先从交通监控视频中采集图像,标注道路为兴趣区,并对道路图像做角度和尺度的归一化处理;然后提取兴趣区图像的平均梯度、角点个数和长边缘比例3个特征;最后,利用模糊C均值聚类算法将图片所呈现的交通状态分为畅通和拥堵两种状态.实验结果表明,文中算法可以有效识别图像中的交通状态,正确率达到了94%以上,而且较基于视频的交通状态识别方法,该方法也大大降低了实现成本.

基于SqueezeNet卷积神经网络的车辆检测

在智能交通系统中,针对车辆目标检测算法可移植性不高、检测速度较慢等问题,提出了一种基于SqueezeNet卷积神经网络的车辆检测方法。通过融合SqueezeNet与SSD(single shot multibox detector)算法的车辆检测方法,在UA-DETRAC数据集上进行训练,实现了车辆目标的快速检测,提升了模型的可移植性,缩短了单帧检测时间。实验结果表明,所提模型在保证准确率的同时,模型单帧检测时间可达22.3 ms,模型大小为16.8 MB,相较于原SSD算法,模型大小减少了约8/9。

校级高性能计算平台建设的探索与实践

2019年,长安大学建成了校级高性能计算集群。本文详细阐述了长安大学校级高性能计算平台建设的探索与实践,主要内容包括校级高性能计算平台建设前期调研,建设时期设备与技术的融合,确立资源统一管理的共享开放平台,建立用户交流平台的做法与经验,以及对后续小规模校级高性能计算平台在确定平台应用方向,付费模式,平台宣传培训的探讨。

深度学习在交通拥堵检测中的应用

随着全球汽车保有量的不断增加,人们在出行中遇到的交通拥堵问题日益严重,这对相关部门的管理效率提出较高要求。本文通过阐述深度学习领域中图像分类技术和目标检测技术的原理以及他们各自在交通拥堵检测中的应用,为相关部门在解决交通拥堵这一实际问题时提供应对方法,具有一定的参考价值。

基于实例归一化的图像超分辨率方法

卷积神经网络目前是图像超分辨率问题的主流研究方法,但常用的MSE损失函数重建图像缺乏纹理和细节,为了改善这一问题,本文尝试将实例归一化用于图像超分辨率,该方法依赖于训练过程中的每个样本而非整个批次,且需要配合使用大尺寸数据,实验结果表明,提出的方法在精度和视觉方面均优于VDSR等方法。

移动视频监控技术网络安全隐患解决提案

移动视频监控指的是影像取样装置或视频接收装置具有移动能力的监控技术。这种新概念的技术在居家，工厂，道路交通等领域必将发挥巨大的作用。这种技术历经几年发展未曾普及，必然有着一些未曾解决的难题限制了它的发展。网络安全就是其中重要的一部分。

基于YOLOv3改进算法的出租车驾驶人口罩检测

为了更加及时精准地监测出租车驾驶人在工作状态下的口罩佩戴情况,提出一种基于YOLOv3改进算法的出租车驾驶人口罩佩戴检测方法。在试验开始前,利用收集到的出租车车内视频数据制作一套包含2 478张出租车内部驾驶人工作状态下的图片数据集,根据数据集的特点采取3种改进策略:首先将主体网络中的普通卷积替换为深度可分离卷积,降低模型参数量的同时实现模型压缩和网络结构深度的增加;然后为了保证口罩边缘信息在多尺度预测过程中的融合效果,将原始算法中在3个特征图进行多尺度融合的策略减少为2个;最后为了维持在特征图融合过程中的锚框数量,采用了K均值(K-means)算法重新计算出8个初始锚框值,给2个融合特征图上分别分配4个初始锚,通过以上改进使算法能够更好地适配于自建数据集。研究结果表明:通过改进后的YOLOv3算法在驾驶人口罩佩戴检测时精度可以提升至96.2%,且模型被压缩到32 M,在英伟达1080Ti环境下处理速度为43帧/s,满足实时性需求要,改进后的算法表现更加优异,可以有效地用于出租车驾驶人口罩佩戴检测。

基于SqueezeNet卷积神经网络的车辆颜色识别

为实现车辆颜色的精准识别,辅助现有车牌识别方法在智能交通系统中完成对车辆身份的精确认证,通过分析现有解决方案和探究卷积神经网络在实际应用中的问题,提出基于轻量级卷积神经网络SqueezeNet实现对车辆颜色识别的方法。轻量级卷积神经网络SqueezeNet的参数量是AlexNet网络结构的1/50,同时还能保证精度,避免由于网络结构复杂、参数量大造成的大规模计算和较高的计算机硬件需求,提升了模型的可移植性。选取车辆颜色识别(Vehicle_Color_Recognition)数据集作为研究基础,针对数据集进行了扩充和增强处理。以SqueezeNet为基准探究了特征融合对分类结果的影响,通过对比试验确定将fire7/concat输出特征图和fire9/concat输出特征图相融合。研究结果表明:轻量级卷积神经网络SqueezeNet在保证模型大小2.9 M、单张测试时间15 ms的基础上,训练精度为96.28%,而AlexNet的模型大小为227 M、单张测试时间24 ms、训练精度为96.18%;在实现同等精度的前提下,轻量级卷积神经网络SqueezeNet训练得到的模型更适合移植到如现场可编程门列阵(FPGA)这种开发板上,同时在服务器上的处理速度也更快;融合后的模型最终的分类结果提升为96.48%。利用轻量级卷积神经网络SqueezeNet进行车辆颜色识别可以较好地应用在智能交通系统中,并在一定程度上解决目前车牌识别的难点。