基于改进YOLOv8的非机动车违章检测算法

随着非机动车骑行人员数量的不断增加,道路安全问题日益凸显.针对目前非机动车骑行人员违章检测类别单一、准确率低以及模型泛化能力差等问题,提出一种基于改进YOLOv8的非机动车违章检测算法.首先,通过在骨干网络中嵌入残差连接的注意力模块,以强化目标区域的关键特征,提高模型对小目标的检测准确性并降低误检率.其次,通过优化多尺度特征融合模块,以更好地捕捉不同尺度的特征信息,从而提升模型对不同尺度大小目标的融合能力,并增强模型在不同环境下的泛化能力.最后,使用EIoU(efficient intersection over union)优化边框回归,以加速模型训练的收敛速度并提高目标定位的精度.实验结果表明,改进后的YOLOv8模型在保持较小模型尺寸的同时,处理速度达43.6 FPS,检测准确率提高4.8%,平均精度提升4.9%,能够更高效地完成非机动车骑行人员违章检测任务.

一种基于视频图像处理的车辆违章检测算法

针对车辆违章行为中的违章变道行驶,给出一种基于视频图像处理的违章检测算法,该算法包括车辆检测、车辆跟踪和违章行为判别3个处理步骤。车辆检测采用基于支持向量机(SVM)和滑动窗口搜索的方法,以检测结果作为跟踪起点,跟踪算法在后续帧对车辆的位置进行预测。提出了一种新的车辆跟踪算法,该算法包括2个处理步骤,首先利用卡尔曼滤波器估计车辆的位置,然后依据检测环节中训练得到的SVM分类器模型,在估计位置的周围进行匹配,实现对车辆的精确跟踪。通过对车辆的跟踪,可以时刻获得车辆的位置,根据车辆的行驶状态与初始所属车道是否一致来判断是否有违章行为发生。试验结果表明,车辆违章检测算法的检测率高,误检率低,并且能够进行实时处理。

基于全方位视觉传感器的车辆违章检测系统的设计

探讨了利用全方位视觉传感器(ODVS)以及计算机视觉等技术来实现对交岔路口的车辆违章智能视频监控,采用ODVS来获取整个交岔路口的全景视频图像;通过混合高斯模型提取在全景视频图像中的车辆对象前景;使用camshift跟踪算法跟踪行驶车辆对象;依据交通法规,通过对比红绿灯、车道和车辆运动等状态来判断车辆对象是否有违章行为;实验结果表明,所设计的违章检测系统能自动检测出多种车辆违章行为,为交通执法部门提供了一种智能化的检测手段。

一种利用隐式曲线族的车辆违章检测算法

针对城市道路交通,提出了一种基于隐式曲线族的车辆违章检测算法.隐式函数族用于描述道路上的各个不同区域.当检测到车辆在不同道路区域之间行驶时,利用隐式函数族可以快速方便地判断车辆所在区域.根据车辆行驶轨迹和隐式曲线族所描述的不同区域之间的位置关系,能够快速准确地判定车辆是否违章以及所违反的交通规则.在实际检测中,利用分段线性函数族来逼近各个隐式曲线,极大地提高了检测效率,进而提高了违章判断的准确性.实验结果表明,当车辆出现违章时,可以实时显示所违反的具体交通规则.

基于LabWindows/CVI的车辆违章检测系统的分析与设计

本文主要是基于LabWindows/CVI的车辆位置违章检测系统。应用地感线圈检测技术检测车辆是否有位置违章,然后通过USB-4711A-AE数据采集卡采集车辆违章的电信号,用来检测车辆是否违章,如果有车辆违章则在LabWindows/CVI采集界面上就会有波形出现。这种检测方法只采集违章信号,在一定程度上,减少了人工的工作压力。经过实验仿真表明,该系统能够实现车辆违章检测数据的采集。

基于MobileNet_SSD的交通违章检测系统

随着国内机动车保有量的持续增长,城市道路交通运转压力急剧增强。在现有交通管理系统中,通常采用图像处理算法检测机动车违章行为。但基于图像处理算法的违章检测系统存在计算量大、不适用于嵌入式设备和复杂场景下检测精度下降等问题,为系统在实际中的应用带来了一定的限制。针对该问题,将深度学习算法引入检测系统中,提出了基于MobileNet_SSD的路口交通违章检测系统。以MobileNet_SSD网络检测车辆,结合帧间欧氏距离算法追踪车辆轨迹,制定违章行为判定策略,实现对5种机动车违章行为的检测及取证。在EAIDK-610的开发平台下,车辆识别mAP约为83.18%,违章检测准确率约为97%,系统运行速度约为8.31 FPS。实验结果表明,系统不仅提升了在嵌入式设备上的检测速度,同时对复杂场景的检测具有较好的鲁棒性。

基于无人机图像比对的违章建筑检测方法

针对当前违章建筑图像识别和图像变化检测中存在的误检、漏检等问题,提出了一套基于无人机图像比对的违章建筑检测方法,创新性地采用YCrCb颜色空间三分量分别进行差分运算和阈值化处理,结合图像分类算法排除非施工活动引起的图像变化,通过结构相似性检测,对新旧时相变化区域相似度进行评估,识别出在建违章建筑引起的图像变化区域.与目前主流的基于无人机图像的非单一类型违章建筑物检测方法相比,4032×3024分辨率图像的检测时间缩短40.9%至4.08 s,正确率提高15.3%达到86.3%且无漏检测.结果表明,本方法可有效、快速识别在建违章建筑区域,有利于城市管理人员及时发现并处理这些违章行为,从而提高城市管理的效率和响应速度.

改进的Yolo_v2违章车辆检测方法

近年来,我国随着汽车保有量增长迅速,由汽车造成的交通压力及安全隐患也逐年递增,对道路上车辆行为进行监督也变得尤为重要。提出了利用改进的Yolo_v2卷积神经网络来进行车辆检测。对原Yolo_v2网络进行结构改进,添加残差网络来提高检测准确率,添加多尺度层来提升对图片中不同尺寸目标的检测精度;基于Elu激活函数设计出Kelu激活函数,进一步提高检测准确率;制作多方位车辆数据集及车牌数据集;将车辆检测系统与车牌检测系统集成到ROS系统中,并与QT-Creator可视化界面通信,以便更清晰地观测实验结果。实验结果表明,利用改进后的Yolo_v2卷积神经网络对道路上的车辆进行违章检测有着优越的表现。

基于优化YOLOv3算法的违章车辆检测方法

对YOLOv3算法模型进行改进,增加多个尺度检测,提高模型对小目标物体的检测能力,并增加聚类算法生成的anchors的数量,提高目标检测的准确率。在真实交通卡口数据集上进行测试,改进后的YOLOv3算法的mAP达到了92.53%,帧频为44.58 FPS,满足实时检测的需求。实验结果表明:优化后的YOLOv3算法在违章车辆检测中的性能优于原始的方法,并且检测速度能够保持实时性。

基于TDD-LTE的手持违章建筑检测执法系统及终端设计

违章建筑是指违反我国城乡规划法等法律及法规,违建人没有获得审批与许可而建设形成的建筑。本文探讨了基于TDD-LTE的手持违章建筑检测执法系统及终端设计,提出了总体设计方案和详细设计方案,并对下一步工作提出了展望,它适用于城市规划建设管理部门执法之用,便于对违章建筑、擅自搭建实现"四快",即快速发现、快速定位、快速确认、快速执法。

基于视频的高速公路违章停车实时检测算法

违章停车是高速公路交通事故的重要诱因,因此迅速、有效地检测出违章车辆是高速公路交通管理与控制的重点。提出一种基于视频的高速公路车辆违章停车实时检测算法,在分析了基于视频的违章停车检测系统的组成和视频检测的优点的基础上,用背景差分算法和OSTU阈值相结合的方法,对所采集的某路段视频,进行车辆违章停车判断。实验表明,该方法效果良好。

姿态传感与神经网络融合的验电行为检测方法

在电网作业中,对作业人员是否执行了验电操作进行检测,可以有效防止因疏漏或故意等原因造成未按规定验电的违章行为。为此,提出一种基于反向传播(back propagation,BP)神经网络和多个加速度传感器融合的验电行为检测方法。采用加速度传感器分别采集施工人员手臂和验电杆处的加速度、角速度、姿态角等数据,经特征提取后,由BP神经网络对验电操作中的抽出验电头、收回验电头、进行验电、携带验电杆行走、携带验电杆上下攀爬5种关键动作进行识别。实验结果表明,所提方法对5种验电操作中关键动作的分类准确率达97.4%,优于已有研究中常见的支持向量机、决策树和K邻近算法等识别方法,能够满足验电行为检测要求,同时可与基于视觉的验电行为检测互为补充,在更为复杂多样的电网作业场景中实现对未验电违章行为的检测。

基于YOLOv5的违章建筑检测方法

针对无人机图像中违章建筑多为小目标且存在部分遮挡目标导致的检测速率慢、误检率高的问题,提出一种基于YOLOv5网络的违章建筑检测方法。在原来的批量标准化模块开始和结束处分别添加中心和缩放校准增强有效特征并形成更稳定的特征分布,加强网络模型的特征提取能力。用平滑处理后的KL(Kullback-Leibler)散度损失函数替换原损失函数置信度中的交叉熵,进一步提高模型的泛化性能。对YOLOv5的主干特征提取网络进行改进,将残差模块替换为LSandGlass模块减少信息损失并剔除低分辨率的特征层以减少语义丢失。实验结果表明,与原版的YOLOv5相比,改进后模型的训练更容易使得网络收敛,检测违章建筑的速度有了较大提升,同时提高了检测的精确度。

适于高动态视频场景下的城市道路违停检测算法

日益突出的停车矛盾导致城市道路违停现象严重,给城市交通带来巨大安全隐患。因此,及时有效地监测并处理违停事件对于保障城市交通安全至关重要。然而,现有基于人工巡检和固定摄像头的违停监测方式存在效率低、监测范围受限等缺点,难以满足大规模城市违停监管的需求。群车感知作为一种新兴感知范式,通过激励用户在行车过程中采集道路视频并上传至云端进行监测,能为大规模、低成本的城市违停监管提供重要手段。然而车载视频场景十分复杂,这导致了车辆追踪目标的高丢失性和违停判断的高复杂性,给实现精准违停检测提出了严峻挑战。为应对上述挑战,提出适于高动态视频场景下的城市道路违停检测算法。具体地,首先通过对车载视频进行多车辆目标追踪,以跨视频帧追踪获取车辆图像信息;然后通过动态视觉测距将目标车辆图像信息转换为真实场景中的相对距离变化,并结合车间相互运动实现违停判断;最后,基于重庆市道路数据集对所提算法进行性能评估。实验结果表明,所提算法的违停车辆检测精度为87.1%,相比3种对比算法平均提高21.9%,且在不同违停场景下均表现出优异检测性能。

基于视频技术的交通违章处理系统的设计与实现

针对交通场景中经常出现的车辆违章行为,如闯红灯、违章停车、超速、强行右转弯等,开发研制了基于计算机视觉和图像识别技术的视频交通违章处理系统;该系统在完成初始设定之后,便可以自动地、实时地检测出车辆的违章行为并提供车辆违章的相关信息;文中详细介绍了系统硬件和软件的设计方案以及系统功能的实现机理;利用VC++6.0开发平台,研发了具有从交通场景的视频数据采集、违章行为识别、违章车辆全景图像存储,直至对违章车辆的数据库管理等多个功能的交通违章处理系统;经测试, 系统运行稳定、可靠。

基于深度学习的校园交通监管系统

针对校园内机动车辆管理混乱和违章行为频发的问题,设计了一个基于YOLOv5和CRNN模型的混合式车辆监控系统。该系统利用YOLOv5目标检测算法和CRNN车牌识别技术,能有效识别超速和违停等违章行为并自动发出预警,实现了对校园车辆的精确检测与管理。在不同校园场景下进行的实验结果表明,本文模型的车辆检测精准率较YOLOv3提高了3.39%,召回率和mAP较其他几种模型也均有显著提升。该监控系统在校园环境中具有较高的应用价值,不仅能够提升校园交通的安全性和管理效率,也能为智能交通系统的发展提供新的技术支持和实践案例。

基于计算机视觉的违章停车智能监控系统

针对违章停车的检测范围广、时间与位置不确定、车辆大小种类多、车辆身份难以自动识别等问题,设计了一种全方位视觉传感器(ODVS)和高速快球摄像机相融合的违章停车智能监控系统;利用ODVS在动态图像序列中进行大范围多目标车辆对象的检测与跟踪,得到大范围内各跟踪车辆对象目标的位置、大小、运动轨迹等信息;一旦发现车辆对象停留在非泊车位上一段时间后,控制高速快球对车辆对象进行抓拍,接着对抓拍图像进行车牌识别;实验结果表明,通过ODVS和高速快球摄像机的视频图像信息融合,即使在车辆对象非约束的情况下也能很好地获取到可用于车牌识别的图像,同时能满足多目标实时检测与跟踪的要求;该系统不仅能给欲违章停车的司机提供警示信息,同时也能给数字城管、执法部门装备一双智能化的慧眼。

基于微服务的违章智能监测系统设计与实现

笔者主要研究了基于微服务架构的违章建筑目标检测系统,从技术原理、系统总体需求分析、微服务设计与实现到应用测试逐步展开。首先对违章智能检测系统的功能进行需求分析;其次根据需求对微服务架构进行服务划分、架构设计及各部分微服务详细设计;最后对应用系统进行设计,根据需求开发基于微服务的违章智能监测应用系统.

无人机端路面车辆违停检测及取证系统

路边车辆违停现象日益严重,而针对路边违停现象的检测主要依赖于交警巡逻和固定相机抓拍,其时效性和灵活性不足。提出一种基于深度学习技术的无人机端路面车辆违停检测及取证系统,包含无人机车辆违停巡检和车辆违停取证两种模式。利用无人机高效灵活的优势,结合深度学习车辆检测技术检测路边车辆违停现象,并对深度学习目标检测算法进行了优化,得出更加贴合的检测框,同时辅以红外测温技术,进一步降低车辆违停的误判情况。选取了多个不同场景,分多天时间进行了多次实验。通过实验证明,本系统运行速度快、检测精度高、检测区域灵活,能保障道路巡检的及时性,减轻交管部门工作压力,为居民的交通便利及交通安全提供保障。

SIFT与多区域决策融合的车辆行为分析方法

在大交通流与多运动轨迹相互交错、遮挡的复杂路况中,为了对车辆行为进行有效分析,提出了一种基于SIFT特征点和多区域决策模型的车辆违章行为分析方法.该方法首先利用2帧视频图像之间SIFT特征点的匹配结果获取视频图像中各车辆的运动矢量,进而提取其中有效的行为特征;然后根据不同车道区域的客观行车规章要求,建立车辆正常行车/违章行车的多区域决策模型;最后根据决策模型完成车辆违章行为的定性分析,给出行为结果.结果表明:提出的车辆违章行为分析方法检测准确率高、误检率低且实现简单,能够满足复杂交通路口的交通监控等实际应用环境的需求.