交通标识在交通管理中的应用

交通标志是重要的交通信息源 ,是驾驶员安全行驶的指南。在设计交通标志时 ,必须首先考虑标志的视认性 ,保证在不良的视觉环境条件下 ,能容易迅速地看见并认读 ,以确保交通安全。否则 ,再好的交通标志也形同虚设     

基于多尺度卷积神经网络的交通标志识别

针对自然场景中交通标志识别问题涉及的识别准确率和实时性改善需求,提出了一种改进的基于多尺度卷积神经网络(CNN)的交通标志识别算法.首先,通过图像增强方法比选实验,采用限制对比度自适应直方图均衡化方法作为图像预处理方法,以改善图像质量.然后,提出一种多尺度CNN模型,用于提取交通标志图像的全局特征和局部特征.进而,将组合后的多尺度特征送入全连接SoftMax分类器,实现交通标志识别.采用德国交通标志基准数据库(GTSRB)测试了所提算法的有效性,测试结果表明,算法在GTSRB基准数据集上获得98.82%的识别准确率以及每幅图像0.1ms的识别速度,本文算法具有一定的先进性.     

混凝土湿喷台车臂架振动模态分析

以国内某公司喷浆台车SPTC25为研究对象,首先利用陀螺仪和加速度传感器在施工现场进行动力学测试,采集到关于臂架在实际施工时的角速度和加速度的时间历程曲线。然后通过数据处理和分析计算,得到臂架在仰俯工况下的振动频率和振幅,分别为1.18 Hz和0.092 m,回转工况下的振动频率和振幅分别为0.98 Hz和0.073 m。其次,对湿喷台车臂架建立了准确的有限元模型,并且进行了模态仿真分析,得到前三阶模态的固有频率和振型。结合隧道施工时的实际操作数据统计,最终得出结论,臂架在施工过程中长时间处于共振状态,使得振幅过大,这是臂架疲劳开裂的主要原因,也为后续湿喷台车臂架的研发和优化提供了新的分析思路。     

基于免疫遗传算法的道路交通标志图像分割

针对道路交通标志图像分割的问题,提出了一种基于免疫遗传算法的实现方法。该算法利用免疫遗传机制,将图像的最佳阈值作为要求的解,设计了适合问题求解的抗体编码方式、克隆算子和免疫选择算子。仿真实验结果表明,所提算法能够有效地求得道路交通标志问题的最佳阈值。通过与传统遗传算法、改进遗传算法进行对比实验,更好地说明了本算法能够对图像分割得到较为满意的结果。     

基于YOLOv3的交通标志检测与识别算法

针对汽车前置摄像头所拍路况实景中的远距离交通标志占整个画面的比例较小、自动检测较难的问题,本文提出一种改进YOLOv3的卷积神经网络结构.在原YOLOv3算法结构上去掉了13×13这个冗余的大感受野检测层,结合残差结构思想,将深层特征进行上采样,然后与浅层特征图进行张量拼接,得到104×104的尺度检测层,进一步提高对...     

浅析公路交通标志在公路景观中的协调和设置

本文应用美学、生理学、视觉思维科学等分析了一些公路交通标志的美学质量,并重点分析了交通标志设置的行车安全性与公路美学的关系。     

手机公司的“地图大战”

正手机厂商角力的前线苹果自夸说"99%准确的地图"的确是天方夜谭,这项革命性的科技更多还是要靠人力完成。     

基于颜色和形状的道路交通标志检测

提出了一种基于颜色分割和形状分析的交通标志检测方法.首先利用改进后的简单向量滤波器分割感兴趣色彩区域,对不同色彩区域进行相应形状检测.采用拐角特征与几何结构分析相结合的方法检测矩形与三角形标志,提出了一种基于对称性特征的简单编码算法,并应用于圆形检测.实验结果表明,该方法能在多种复杂场景中有效地定位交通标志,对天气变化有一定鲁棒性,为后继的交通标志识别工作奠定了良好基础.     

基于驾驶员警觉度的交通标志适宜信息量研究

为了解决驾驶员在草原公路交叉口路段因交通标志信息量过低引起的行车警觉度降低的问题,利用交通标志信息量化模型,建立6个不同信息量水平的室内模拟驾驶实验,驾驶员分别以车速为60km/h、80km/h和100km/h行车,基于脑电信号检测行车警觉度的技术,选取脑电指标β、(α+θ)/β、α/β作为驾驶警觉度评价指标,定量分析不同信息量水平和车速下的3种脑电指标节律值变化,采用非线性曲线拟合法,探究信息量和车速对驾驶警觉度的显著性,根据NASA-TLX驾驶负荷量表对模拟实验分析的结论进行验证。结果表明,交通标志信息量和车速存在交互作用,对行车警觉度均有显著影响,在草原公路交叉口处的适宜交通标志信息量为J4水平（范围为30-40bits）,行车速度为60km/h时,驾驶员3种脑电指标数据表现最佳,且指标β、(α+θ)/β、α/β在车速为60km/h下的拟合度分别为0.947、0.844、0.861,NASA-TLX驾驶负荷量表六个维度的评分均在J4水平最低,与实验数据分析结论一致。     

基于多尺度融合和特征对齐的实时高精度交通标志检测与识别

高精度的实时交通标志检测和识别对安全自动驾驶和智能交通系统至关重要。本研究对基线网络YOLOV4进行了升级,增加了多尺度融合模块和注意力机制模块（AMM）,丰富了不同尺度交通标志的特征表示。同时,颈部网络结合了特征选择模块和特征对齐模块,增强了高、低层特征图之间像素偏移的语义判别。具体地说,针对AMM,设计了一种转置的自注意力操作。其使用互协方差矩阵将令牌维度上的操作转换为通道维度,将时间复杂度从O(n2)降低到O(n)。在TT100K交通标志数据集上的实验结果表明,与基线网络（mAP@0.5=76.4%）相比,升级后的网络（mAP@0.5=83.4%）取得了较好的改进,检测和识别速度可达39.45帧/秒,达到了目前最先进的水平。