基于LabVIEW混合编程实现的弱势交通参与者检测系统

弱势交通参与者检测与预警是智能网联测试中典型的测试项目,该项目主要对摄像头采集的图像信息进行算法检测处理,然后由路侧设备收集检测结果并向车载终端广播消息。本文提出了一种采用可图形化编程的G语言,将机器视觉技术与虚拟技术相结合的弱势交通参与者检测系统。该系统相比其他的检测系统利用了强大的LabVIEW平台设计了友好的交互界面,便于检测结果的显示,参数的设置和历史图像的储存与管理,具有良好的准确度与实用性。

基于改进YOLOv5算法的道路交通参与者实时检测方法

从道路监控图像中快速准确地检测交通参与者对于智能交通系统监管道路目标具有重要意义。为解决传统YOLOv5目标检测算法对多种交通参与者目标检测精度低、重叠目标漏检等问题,研究了基于改进YOLOv5算法的道路交通参与者实时检测方法。为增强浅层网络提取图像特征信息能力,采用融合移动翻转瓶颈卷积(FusedMBC)代替原卷积结构,并通过自注意力机制学习交通参与者的纹理特征;为加强主干网络感知图像空间特征信息的能力,引入坐标注意力机制(CA),使主干网络更加关注图像中交通参与者的语义特征;为使普通卷积拥有感知构造能力,以增强激活空间的灵敏度,采用漏斗激活函数(FReLU)作为卷积层的激活函数,并能够使特征向量进行像素级建模;为增强网络对密集目标的空间特征信息提取能力,在特征融合网络中加入坐标注意力机制,通过注意力捕捉密集目标融合后的空间与通道特征信息,让网络精确定位各个目标。通过对车路协同自动驾驶数据集DAIR-V2X的交通参与者图像进行数据增强预处理,构建用于验证模型性能的测试集2000张并进行了算法验证。实验结果表明:①改进后的YOLOv5算法平均检测精度达到82.4%,平均召回率达到95%,平均检测速度达到204帧/s。②相比于原始YOLOv5,其在平均检测精度和平均检测速度分别提高了5.8%和33.3%,证实提出的方法能够实现快速准确地检测交通参与者,有助于提升智能交通系统监管交通参与者的能力。