一、基于多尺度区域网格的公路车辆自动检测识别（论文文献综述）
孟乔[1]（2021）在《面向复杂场景的车辆检测跟踪及行为分析关键技术研究》文中研究说明智能化的车辆检测跟踪及行为分析对提高城市智能交通综合管理水平,解决交通安全问题,实施交通违法控制具有重要的意义。现阶段,基于视频的车辆行驶状态自动检测技术因受遮挡、形变、拥堵、复杂天气等因素影响,存在检测鲁棒性差、跟踪轨迹断裂及行为识别缓慢且错误率高等诸多问题。针对这一问题,本文聚焦于复杂交通场景中异常事件检测及细粒度车辆行为辨识,研究了金字塔式多尺度计算的车辆检测与多维度动/静态特征匹配的车辆跟踪方法,并以此为基础进行了相关交通参数的计算以及复杂交通场景中方法的有效性、准确性与实时性测试。主要研究内容包括以下几方面:（1）构建了复杂交通场景中基于路侧相机的车辆检测数据集与基于车载相机的车辆检测数据集。针对现有标注工具单一的类别标注功能,设计了一套具备标签批量修改、目标数量统计、标签格式转换及自动标注的多功能标注软件,并制定了复杂场景中“多规则、不互通、不重用”的标注准则。同时,以路侧相机和车载相机为依托,完成了雨、雾、拥堵、夜间等复杂场景的大量样本采集与车辆标注,构建了基于路侧相机的数据集与基于车载相机的数据集,解决了现有车辆检测数据集中复杂场景样本量稀少,标注规则不一致等问题,为不同的交通应用需求提供了数据支持,亦为检验场景迁移对车辆检测性能的影响提供了有效的数据保障。（2）提出了一种多层卷积特征融合与金字塔式多尺度计算的V-SSD（Multi-level Improvement of SSD）车辆检测方法。针对SSD（Single Shot Multi-Box Detector）方法存在的特征弥散、特征信息逐层损失及检测鲁棒性差等缺陷,一方面,提出了多层卷积特征融合方法改进了SSD的网络结构,大幅度提高了SSD对小目标的特征学习能力,降低了深度网络学习过程中的特征损失;另一方面,提出了基于枚举的金字塔式多尺度计算方法改进了SSD的检测算法,提高了SSD检测算法的鲁棒性。实验结果表明,V-SSD方法极大地弥补了SSD的缺陷,并在精度与速度等多种评估指标下的综合检测性能极佳。复杂交通场景的实验亦表明,相比SSD与YOLOv3（YOLOv3:An Incremental Improvement）等方法,V-SSD方法的检测速度略有下降,然其在达到93%以上检测准确率的同时仍能满足实际应用中对检测的实时性要求,并能够在复杂交通应用场景中保持稳定的车辆检测结果。（3）提出了一种多维度动/静态特征匹配的车辆跟踪算法。针对遮挡、形变等因素导致的轨迹丢失、断裂以及跳变等问题,从车辆行驶过程中的动态位移、静态类别、动态旋转角三个维度出发,提出了多维度动/静态特征匹配的车辆跟踪算法。该算法主要包括了车辆跟踪关键点校准,多维度约束下的车辆再识别及跟踪轨迹线性优化。车辆跟踪关键点校准充分考虑了车辆检测框对车辆位置的表达能力,提出了基于相机视角的检测框底边中心点位置校正算法,得到了最佳的车辆跟踪位置;多维度约束下的车辆再识别算法提出了最小欧式距离、最大匹配面积及满足阈值的轨迹夹角约束,成功过滤了伪轨迹点,并有效地抑制了遮挡、形变导致的车辆失踪与错误跟踪问题;跟踪轨迹的线性优化侧重于对轨迹的平滑以便更好地描述车辆的行驶状态。复杂交通场景下的实验表明,多维度动/静态特征匹配的车辆跟踪算法具有计算量较小、准确率高以及跟踪性能稳定等优势。（4）从精确分类和快速检测两个层面出发,分别提出了车辆异常行为的细粒度辨识方法及多因素综合决策模型检测方法。结合检测、跟踪得到的车辆位置、类别及行驶轨迹信息,设计并实现了停车、超速、逆行、变道、拥堵的细粒度辨识。针对细粒度辨识方法存在的计算量大,辨识速度慢等问题,分别设计了K近邻与随机森林两种多因素综合决策模型,实现了车辆行为正常与否的快速检测。实验结果表明,细粒度车辆异常行为辨识方法适用于精确分类而不关注速度的交通应用需求,而多因素综合决策模型仅进行车辆行为异常与否的二分类检测,故对注重检测速度而不强调具体异常行为类型的交通应用领域更能体现其价值。综上所述,本文围绕复杂交通场景中车辆的检测跟踪与行为分析关键技术进行了研究,并着重对遮挡、光照、拥堵、复杂气候条件等带来的错误预警问题,提出了解决方案,对智能化的交通管理需求具有一定的参考价值。
Editorial Department of China Journal of Highway and Transport;[2]（2021）在《中国桥梁工程学术研究综述·2021》文中指出为了促进中国桥梁工程学科的发展,系统梳理了近年来国内外桥梁工程领域（包括结构设计、建造技术、运维保障、防灾减灾等）的学术研究现状、热点前沿、存在问题、具体对策及发展前景。首先总结了桥梁工程学科在新材料与结构体系、工业化与智能建造、抗灾变能力、智能化与信息化等方面取得的最新进展;然后分别对上述桥梁工程领域各方面的内容进行了系统梳理:桥梁结构设计方面重点探讨了钢桥及组合结构桥梁、高性能材料与结构、深水桥梁基础的研究现状;桥梁建造新技术方面综述了钢结构桥梁施工新技术、预制装配技术以及桥梁快速建造技术;桥梁运维方面总结了桥梁检测、监测与评估加固的最新研究;桥梁防灾减灾方面突出了抗震减震、抗风、抗火、抗撞和抗水的研究新进展;同时对桥梁工程领域各方向面临的关键问题、主要挑战及未来发展趋势进行了展望,以期对桥梁工程学科的学术研究和工程实践提供新的视角和基础资料。（北京工业大学韩强老师提供初稿）
吴浩民[3]（2020）在《基于行车视频的道路交通标志识别研究与实现》文中研究表明道路交通标志的检测和识别是智能交通系统研究中的一项重要内容,实现交通标志的高效准确识别,可以为正常辅助驾驶系统提供保证,同时也为未来全面实现无人驾驶汽车系统提供了必要条件,具有较大的理论价值和应用前景。本文研究的课题是基于深度学习的方法对道路交通标志进行检测和识别,其最终的目标是可以在复杂交通场景中对交通标识进行检测和识别。行车视频很好的记录了行车过程中的真实交通场景,为此,本文以行车视频为研究材料,检测和识别行车视频序列图像中的交通标志。研究内容如下:（1）提出了一种在行车视频序列图像中检测和识别交通标志的算法,算法在对YOLOV3神经网络结构进行分析的基础上进行了部分结构的改进,使网络更适合行车视频序列图像中交通标志的检测和识别。算法将改进的YOLO-V3网络在交通场景图像数据集上进行训练,然后将训练好的网络作为检测网络,对行车视频图像逐帧检测,实现了行车视频中交通标志的自动检测和识别。（2）提出了一种基于多帧视频图像交通标志特征融合的交通标志检测与识别算法。该算法采用YOLO-V3网络检测首帧交通标志,采用局部特征匹配法搜索其他后续帧的交通标志采用VGG19网络的特征提取层提取特征并进行融合,采用VGG19神经网络的全连接层以及softmax输出层进行特征识别,实验表明,该算法可以提高交通标志的识别准确率。（3）提出了一种基于超分辨图像重建的小尺寸交通标志识别算法。算法解决小尺寸交通标志图像（交通标志图像小于30×30像素）识别准确率较低的问题。算法首先检测到首帧交通标志图像,当判别为小尺寸交通标志图像时,使用FSRCNN超分辨图像重建网络将小尺寸交通标志放大,然后再使用交通标志识别网络进行识别,提高了小尺寸交通标志的识别准确率。
贾国辉[4]（2020）在《基于多尺度卷积特征的路面裂缝检测方法研究》文中提出随着我国公路由建设时代到养护时代的转变,伴随而来的是对大范围内路面进行科学、智能、精细的养护管理。养护精细化程度不高,管理信息化、智能化水平偏低是当前我国公路养护管理工作中存在的突出问题,路面病害智能化检测及损坏状况精确化评定是该领域的主要技术瓶颈。路面病害检测是道路智能养护决策中的重要组成部分,裂缝作为路面病害的主导类型,实现快速、准确的自动路面病害检测系统对于维护和监测目前存在广泛而复杂的运输网络系统至关重要。在传统的路面病害检测任务中,采用人工方法的结果完全取决于检测者的知识和经验,这种方式效率低、劳动量大,在定量分析中缺乏客观性。因此,实现路面裂缝的自动提取在公路路面质量检测领域具有非常重要的理论意义与实用价值,是当前研究的热点。但由于裂缝具有不均匀性强、拓扑复杂性高以及与裂缝纹理相似噪声大等特点,导致完成裂缝自动提取和分类面临非常大的困难。针对现有自动裂缝检测算法在大规模应用特别是广地域、多路况等复杂环境下算法稳定性方面存在的严重不足,本文基于深度学习理论,通过学习裂缝表示的高级特征实现裂缝像素级自动提取与分类,实现了路面病害的智能化自动检测,满足智能养护、精细养护的需求。本文主要研究内容如下:1、采用基于深度学习等监督学习方法进行路面病害提取时,需要构建精确到像素级的训练样本数据集,有限的标记序列样本限制了训练更复杂的深层模型。针对标记高精度裂缝数据集投入成本过大的问题,本文通过分析路面干扰物和裂缝的基本特征,提出了一种基于改进C-V模型的半自动裂缝标注算法,实现了路面裂缝的自动化初始标注,进而将初始标注结果作为样本进行手动交互标注,该算法能够有效地减少人工标注的工作量。2、复杂背景下的裂缝自动提取方法研究。本文提出采用基于全卷积网络的端到端裂缝提取网络结构,实现在裂缝图像中进行像素级提取。在裂缝自动提取网络中,首先提出了一个全新的多尺度扩张卷积模块,该模块在多个尺度下捕获裂缝上下文信息。在此基础上,采用注意力机制进一步细化裂缝特征,构造的多尺度注意力模块,能够在复杂背景下学习裂缝特征使其具有更强判别力和鲁棒性。通过裂缝低级特征与高级特征的融合,提出了一种有效的特征融合上采样模块可以获取更加精细的分割效果。3、根据我国路面病害分类中的定义,在得出路面裂缝的像素级提取结果后,本研究基于连通区域标记算法和每个裂缝类型特征化描述,通过定义规则将病害类型划分为横向裂缝、纵向裂缝、龟网裂缝以及块状裂缝。本文提出了通过给定裂缝之间的平均宽度和距离对各类裂缝的严重程度进行评估,并提出了一种新的严重性等级划分算法和评价机制,实现路面裂缝的自动分类和评价,为路面病害的智能、高效识别与评价提供决策支持。在路面图像标注测试数据集下对裂缝提取和分类进行了对比实验,本文方法能够有效地提取复杂背景下的裂缝信息,裂缝提取精度、召回率、F得分和m Io U指标分别可以达到98.84%、97.05%、98.39%和74.81%。同时模型具有较强的稳定性和鲁棒性,能够有效解决数据采集过程中的阴影、污渍和曝光带来的噪声干扰问题。与手工分类结果对比表明,本文裂缝分类方法对线状裂缝分类精度高于95%,网状裂缝分类精度在86%以上。该论文有图75幅,表12个,参考文献150篇。
张美润[5]（2019）在《基于车辆群体轨迹特征的新增道路检测与识别研究》文中研究表明改革开放40多年来,各地交通基础设施建设日新月异,为我国取得举世瞩目的经济奇迹提供了重要的支撑和保障。面对日新月异且日益复杂的交通路网,电子地图导航为方便公众出行发挥了重要作用,高德、百度等导航软件已成为很多人出行的必备工具。为更好地方便公众出行,我国相关政府部门和高德、百度等企业每年都投入巨大的人力物力进行路网信息更新的检测。海量的车辆群体轨迹数据蕴含了时间、空间及交通路网之间丰富的结构化知识,因此本文通过挖掘分析不同车辆群体轨迹特征与新增道路的相关性,提出了一种基于工程车车辆群体轨迹数据的施工区域识别方法以及一种基于出租车车辆群体轨迹数据的新增道路检测方法,主要的完成的工作如下:（1）系统调研了车辆群体轨迹与新增道路检测方法的国内外研究现状,并在此基础上对轨迹数据预处理、车路匹配算法、基于工程车车辆群体轨迹数据的施工区域识别、基于出租车群体轨迹数据的新增道路检测算法进行探讨并设计了本文的系统框架及方法。（2）在车路匹配算法的设计中,面临海量的轨迹数据和庞大的路网信息,为了提高匹配效率,本文利用倒排索引原理建立了路网网格与道路之间的映射关系,从而构建了交通轨迹数据快速获取候选路段列表的索引机制,最后通过多尺度匹配方法完成交通轨迹数据与地图的精准匹配。（3）道路的建设离不开渣土车等工程车辆群体的参与,因此渣土车轨迹特征中蕴含了丰富的施工工地以及施工进度等信息,本文通过分析渣土车群体车辆的时空轨迹特性,设计了一种基于密度聚类的施工区域识别算法。针对渣土车的实际作业规律,构建了渣土车出现频次K和早晚间对比的多维度优化模型。最后将实验结果与ArcGIS自带的天地图进行验证,施工区域识别的准确率达92%。（4）基于出租车车辆群体的轨迹特性,设计了一种基于出租车轨迹数据的新增道路检测算法,该算法首先利用车路匹配算法提取未匹配的轨迹点,将轨迹点连成轨迹线形成路径信息,然后利用路径融合方法生成新增道路,最后提取道路属性完成新增道路的快速准确检测。最后,结合ArcGIS的天地图对宁德市霞浦县的新增道路检测结果进行验证,在183条检测结果中随机选举20条新增道路进行验证,准确率达100%。本文的研究成果对电子地图更新和智慧交通信息服务具有一定的参考价值和意义。
徐志刚[6]（2012）在《基于多特征融合的路面破损图像自动识别技术研究》文中指出近年来，随着我国公路网的不断扩大，公路养护和管理问题日渐突出。为适应大规模、高效率和高质量的公路养护管理要求，路面管理系统（Pavement Management System，PMS）得到了广泛的推广应用。它改变了传统落后的公路管理模式，使公路管理决策更加客观化、信息化和科学化。路面管理系统的有效性依赖于各种数据的准确、实时获取，而路面破损数据是评价路面质量状况的关键指标之一。目前，国内外已研发了多种路面图像自动采集与处理系统，可在线获取路面图像，离线进行路面破损图像自动识别。但是这些系统普遍存在“成像照度不均匀”、“识别算法通用性差、运行效率不高”等问题，成为影响该系统推广应用的“瓶颈”。近40年来，路面破损图像自动识别技术一直是交通信息工程与模式识别领域的经典难题，受到相关研究者的广泛关注。由于路面图像的多纹理性、多目标性、目标的弱信号性和图像光强的多变性，使得路面破损目标的识别难度相对较大。现有算法大多是建立在路面图像质量好、裂缝目标清晰的基础上而开发的，缺乏对复杂环境的适应性，难以满足工程应用的实际需求。针对以上问题，本文在国内外的研究基础上，提出了一种基于多特征融合的路面破损图像自动识别方法。该方法对路面破损图像的灰度、纹理、边缘、形状等多种特征进行了定性和定量分析，选择出能够准确描述路面破损目标特性的关键特征，并通过多种融合规则和融合方法对这些特征进行融合，最终实现路面图像的准确分类和破损目标的精确分割。该研究成果将拓展多特征融合理论在交通领域的应用，同时为公路养护管理部门提供更为准确的路面破损数据。论文主要在以下几个方面展开了研究工作:（1）提出了一种“先分类，后识别”的路面破损图像处理流程，不同于传统的“先识别，后分类”的处理模式，该处理流程采用较低复杂度的算法对图像进行定性分析，将图像分为完好路面、松散类破损、裂缝类破损、补丁类破损四大类，然后再采用复杂度较高的算法对分类后的破损图像进行定量分析，该处理流程可以大大提高路面破损图像处理的效率和精度。（2）提出了一种融合边缘和灰度特征的道路标线提取算法，该算法采用改进的beamlet算法提取路面二值图像中的直线边缘，实现了道路标线图像的快速筛选，该直线检测算法的耗时仅为传统Hough变换算法的1/10。然后根据检测出的直线边缘对图像进行初步分割，最后融合分割区域的灰度特征，采用分裂-合并算法实现道路标线区域的精确分割。实验结果表明：论文提出的道路标线分割算法准确率高于基于动态阈值的分割算法。（3）提出了一种新的形状描述子——形状有效长度。该描述子基于傅立叶描述子重构方法得到目标的抽象轮廓，然后采用中轴变换得到形状的中轴，最后通过目标圆形度对该中轴长度进行校正。该描述子非常适合于区分裂缝类线状目标与非裂缝凸多边形目标。（4）提出了一种基于纹理和形状特征融合的路面破损图像初始分类算法。该算法将局部对比度增强图像和整体灰度校正图像进行像素级融合，得到增强图像，并对增强图像进行三层小波分解以获得图像的纹理特征。然后采用改进的P分位法对增强图像进行二值化，并提取二值化图像中多个形状特征。最后采用BP神经网络对以上特征进行串行融合，实现了路面图像的有效初始分类，准确率高于采用单一特征的分类结果。（5）提出了一种基于灰度、脊边缘及形状等多特征融合的裂缝类目标检测算法。该算法首先将路面图像分成多个互不重叠的图像子块，然后采用直方图估计算法获取每一个图像子块的最优阈值，并对其进行二值化得到灰度特征图像。然后采用多尺度脊边缘融合算法获得裂缝图像的边缘特征图像，并采用或运算方式对二者进行像素级融合。在此基础上，采用D-S证据理论和形状特征对融合后图像的斑点噪声进行去除。最后采用多种后续处理操作实现了裂缝目标的精确分割。实验结果表明：该算法的分割效果要优于文献中提出的三种常用的经典算法。以上所有成果均在本文开发的原型系统上实现完成并得到应用。
王翔坤[7]（2021）在《面向网络货运平台的异常轨迹检测可视分析研究》文中研究表明我国物流业已成为服务业的支柱产业之一,而网络货运平台的出现和发展,进一步改善和优化了物流企业的运作流程,为客户提供更加高效的运输服务,同时也给物流行业带来了新的服务模式和运营理念。网络货运平台中存在大量承运人因不正当操作导致的异常现象,例如:承运人故意取消运单或重复摘单,造成启运地不符或目的地不符,形成了大量异常轨迹,增加了平台的管理成本。现有异常轨迹检测的相关研究多依赖于具体应用场景下的“异常”定义和阈值划分,而网络货运平台的异常轨迹数据涉及范围尺度广、异常情形多样,根据现有指标难以准确定义“异常”,进而无法满足网络货运场景中对检测准确率的要求。本文围绕上述问题展开相关的研究,具体研究内容和成果如下:1)提出基于关键节点的差交集距离度量异常轨迹检测方法该方法融合承运车辆轨迹、POI（Point of interesting,兴趣点）、路网等多源数据,构建关键节点,对轨迹进行增强表达,并在此基础上定义异常评分函数,计算不同类型的异常轨迹和正常轨迹的差异,完成异常轨迹检测与分类。与现有差交集距离度量异常检测算法比,该方法适用于城际间大范围尺度下的异常轨迹检测,同时保留了轨迹的语义信息。2)构建面向网络货运平台的异常轨迹检测可视分析模型该模型引入空间位置、形状、颜色、长度等可视化编码方法,设计了选择、筛选、关联等交互分析手段,实现了异常轨迹的关键节点序列、异常地点的时空数据、异常承运人的驾驶行为等信息的可视分析,帮助分析人员从整体和具体细节对承运人、承运车辆进行评价对比。3)提出基于关键节点的链接图可视化方法该方法基于节点链接图可视化技术,融合时空数据的时序特征,以承运车辆轨迹经过的关键节点作为链接图的节点,实现承运车辆的序列特征展示,完成承运车辆异常情况概览时序特征分析,为细节探索分析提供方向。该方法可以在大量轨迹数据中突出展示关键的异常信息,提供后续分析思路。4)提出承运人评价指标可视化方法该方法融合了环形图可视化和雷达图可视化技术,设计信息提示、选择、高亮等交互方式,定义承运人评价的八个维度,对比承运人不同时间段的异常评价,实现对承运人多属性的详细对比。该方法可以实现多维数据不同维度、不同尺度的对比评价分析。基于上述研究,本文设计并实现了面向网络货运平台的异常轨迹检测可视分析原型系统。系统基于J网络货运平台,以广东省2020年的承运车辆轨迹数据、POI数据、路网数据等作为数据源,通过选择、筛选、关联等交互手段,辅助网络货运平台管理人员进行承运车辆、承运人在不同粒度、不同维度下的对比探索,完成异常轨迹检测与分析。最后,通过案例分析和用户实验,验证了系统的有效性。该系统不仅可帮助网络货运平台从承运车辆轨迹中的识别出异常行为,进行承运人的评价探索,提供检测分析,而且还可为相关部门检测异常车辆提供参考。
戴喆[8]（2020）在《基于机器视觉的城市道路交叉口交通参数提取及交通信号控制》文中提出中心城市在国家区域协调发展中发挥着越来越重要的作用,城市交通的管理和控制逐渐成为了制约城市建设和经济发展的主要问题之一。在城市人口不断增加,人们对交通出行方式和交通质量要求不断提高的情况下,优化城市路网结构和交通运行状况,已成为社会关注的热点。与此同时,城市公共区域监控范围的扩大、监控需求的细化、以及监控设施的不断完善,为智能交通系统的建设和平台的有效运营提供了可靠保障。先进的城市交通控制系统是提高交通通行效率的核心,而合理的交叉口信号控制设计是提高城市道路通行能力,改善路网交通状况的重要手段,也是城市现代化的重要标志。因此对城市交通控制问题的研究具有很高的应用价值。针对当前城市道路交通控制的核心需求,本文重点研究基于机器视觉的交通参数提取及其在城市交通信号控制系统中的作用及应用价值,在为城市道路交通控制提供可靠数据来源的同时,为道路交叉口交通控制的智能化发展及高效运营提供具有参考价值的研究成果。为实现这一目标,主要的研究内容包括以下三点:1.针对交通参数的获取问题,设计了一种基于视频分析的道路交叉口交通参数提取方法,该方法包括三个方面:（a）制作了一个交通目标检测数据集（Vehicle Detection Dateset,VDD）,用来配合车辆目标的检测任务,制作了一个车辆计数数据集（Vehicle Counting Dateset,VCD）,用来进行交通参数获取方法的评价;（b）提出了一种多目标跟踪算法;（c）设计了一种区域编码算法用于轨迹处理和交通参数的计算。通过基于VDD和VCD开展实验及结果分析,验证了所设计方法的可行性和有效性。2.针对交通目标的运动信息提取及描述问题,基于相机标定模型,充分考虑道路交叉口交通监控场景的特点提出了两种相机标定算法:（a）对于使用固定相机进行长期监控的场景,提出了一种基于虚拟网格的离线标定算法;（b）对于监控视角要求变化的交通场景,提出了一种基于车辆三维模型的在线自动标定算法。以相机标定结果为基础,针对城市交通信号控制系统对交通参数的需求,获取基于目标运动信息的准确交通参数,并针对几种交通监控场景验证了算法的有效性。3.针对实现基于机器视觉的道路交叉口交通信号控制目标,完成了三个方面的工作:（a）提出了一种基于参数优化的道路交叉口交通信号控制方法,形成了基础控制方案;（b）提出了一种基于模糊逻辑的自适应信号控制算法,在基础控制方案的前提下,实现基于交通流变化的绿灯时间调整自适应控制过程;（c）基于基础控制方案与自适应信号控制过程,完成了基于机器视觉的道路交叉口交通信号控制仿真和分析。实验结果表明:论文提出的基于视频分析的道路交叉口交通参数提取方法能够适应于复杂的交通场景,并能较为准确的提取出重要的交通参数信息,其中交通流和交通组成信息的精度可以达到90%以上。提出的道路交叉口场景下的相机标定算法及交通目标的运动信息提取方法中,两种相机标定算法可以在不同的场景下配合使用,对于图像场景的距离估算精度（91%）能够较好地满足实际交通需求,能够实现在道路交叉口场景下准确描述交通目标运动信息的目标。提出的基于机器视觉的交通信号控制策略能够克服由于交通流波动对交通信号控制带来的干扰和影响,使车辆平均延误和停车次数显着降低,在非饱和交通流的情况下能够实现接近于理想条件下的交通控制性能,在饱和交通流的情况下的交通控制性能也明显优于固定周期的信号控制策略。
赵宝新[9]（2020）在《基于多源数据融合的城市交通拥堵扩散的研究及其应用》文中进行了进一步梳理随着我国城市化进程的发展,居民出行的需求量逐年提高,低速的交通道路资源的增长无法满足人们快速增长的出行需求,交通拥堵扩散问题成为了困扰各大中小城市的主要问题之一。交通拥堵问题不仅会给人们的出行带来不便,还会导致环境污染,阻碍社会经济的发展,因此研究交通拥堵扩散问题具有重要的应用价值和现实意义。然而城市道路系统复杂多样,并且城市交通受多种因素的共同影响,城市交通的研究需要从多角度、全方位对整个城市进行全面认识,多源数据为研究城市交通拥堵扩散提供了机遇。但是城市交通中的大数据存在有数据稀疏、缺失、倾斜和异构的问题,数据融合技术在城市拥堵的研究中,还往往停留在数据加工与预处理、相关性分析或者直接融合阶段,忽略了影响交通各个因素在时空上的动态变化过程。因此,本文基于城市大数据,探究复杂交通环境下的数据融合技术,对城市交通拥堵扩散及其相关问题进行研究,主要研究内容包括:1.提出基于权重分配方法的同构多源数据融合模型:针对复杂交通环境下乇乐乓数据具有数据倾斜、数据稀疏、数据缺失和数据偏移等问题,提出了基于权重分配方法的同构多源数据融合模型。模型根据多源乇乐乓数据的数量和质量动态调节各个数据在融合时的权重,可以有效地提高城市道路路况数据的覆盖范围,填补缺失数据。2.提出基于分支-转换-融合策略的异构多源数据融合模型:针对城市大数据的多源、异构问题,提出了基于分支中转换中融合策略的深度神经网络结构,不同类型数据输入到不同的分支结构,有效提取影响城市交通的各个因素的时空特征,在模型中,采用数据嵌入和参数共享机制,有效地解决了城市大数据限制下模型复杂,训练困难的问题,保证了模型的可扩展性。3.提出基于多源异构数据融合的交通拥堵扩散模型:针对复杂交通系统中由于道路异构问题带来的拥堵不能定义的问题,提出了基于数据驱动的交通流影响模型,在数据中学习拥堵的判定阈值,同时提出了从交通流影响的角度来研究交通拥堵的扩散,构建交通拥堵状态演变过程中同时伴随拥挤度更新的扩散模型,有效地刻画了交通拥堵的形成、扩散和消散的过程。4.提出基于影响最大化的交通瓶颈识别模型:针对传统交通瓶颈识别存在局部性或者静态性的问题,提出了基于影响最大化的交通瓶颈识别模型。从交通流影响最大的角度对传统的交通瓶颈定义进行了更大范围的扩展,基于交通拥堵扩散模型,从影响最大化的角度动态的识别整个城市的交通瓶颈。为了提高交通瓶颈识别的效率,提出了基于潜在影响交通拥挤度的种子节点诱导选择策略。
王辉[10]（2020）在《面向行人检测的多传感器数据融合算法与优化部署策略研究》文中进行了进一步梳理随着经济和汽车产业的迅猛发展使得汽车保有量出现大幅增长,从而导致严重的交通问题,交通系统运行效率降低,交通安全堪忧,环境污染严重,资源消耗加剧,严重阻碍经济社会持续高速发展。智慧公路（Smart Roads）作为构建人、车、路、网协同综合感知体的关键部分,将极大地推进交通智能化建设以改善上述问题。与此同时,随着5G技术的逐渐成熟,更高的速度、更低的时延以及更大的容量能够高效支持智慧公路的发展与普及,满足智慧公路的场景需求。作为智慧公路发展的一个重要组成部分,行人检测系统被视为提升道路行驶安全的重要手段,且广泛应用于智能驾驶辅助、智能安检、行人大数据分析等领域。与传统复杂昂贵的机器视觉方案不同,本研究旨在提出一种依靠物联网（Internet of Things,Io T）技术的低成本、广覆盖的道路行人检测方案,此方案利用多传感器数据融合、大规模传感网络检测等技术实现对道路行人异常过街行为的准确判别及预警。此外,大规模无线传感器网络的优化部署也将直接影响到整个感知网络的感知能力和检测性能,检测节点的部署研究能够实现网络资源优化、准确的环境感知及信息获取,是整个系统能够实现高效、精准检测的基础。因此,针对以上分析和要求,本研究从以下两个方面进行:一方面,在城市道路场景中,道路环境多变,交通状况复杂,建筑物密集林立,人群流动密度变化不一等因素导致行人检测系统设计难度大大提高,难以实现实时、精准的行人目标判别及事故避免。本文的研究从行人检测系统可靠性和适应性等方面出发,综合运用多普勒微波雷达传感器、红外热释电传感器、地磁传感器等物联网传感设备,利用多传感器数据融合增强系统的实时性和信息利用率,扩展整个系统的生存时间、空间覆盖率。通过设计基于多传感器数据融合算法的行人检测系统方案,使各传感器发挥其各自优势,提高系统的检测准确率以及适应复杂道路环境的能力。另一方面,在大规模传感器网络中,设备的部署策略关系到传感器网络对整个部署区域的感知能力,并最终影响到整个感知网络的检测性能。因此,本研究在上述行人检测系统方案的理论研究和系统搭建的基础上,将设备部署场景抽象为矩形的检测区域,在给定此区域内模块节点初始部署情况以及模块节点感知模型的前提下,利用最小曝光算法解决线覆盖区域中节点的再部署问题。通过设计基于最小曝光路径算法的行人检测设备优化部署策略来提高整个检测区域中感知网络对行人移动目标的覆盖质量。仿真验证结果表明,此优化策略能够改善整个检测区域中行人检测设备的部署效果,提高整个感知网络的覆盖质量。
二、基于多尺度区域网格的公路车辆自动检测识别（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于多尺度区域网格的公路车辆自动检测识别（论文提纲范文）
（1）面向复杂场景的车辆检测跟踪及行为分析关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车辆检测的国内外研究现状 |
| 1.2.2 车辆跟踪的国内外研究现状 |
| 1.2.3 车辆行为分析的国内外研究现状 |
| 1.3 研究存在的主要问题分析 |
| 1.4 论文的主要创新点 |
| 1.5 论文的章节安排 |
| 第二章 复杂交通场景车辆检测数据集构建及规范化标注 |
| 2.1 引言 |
| 2.2 不同时间序列的样本获取 |
| 2.2.1 路侧相机样本集 |
| 2.2.2 车载相机样本集 |
| 2.3 复杂场景的分类标注方法 |
| 2.3.1 多功能标注工具设计 |
| 2.3.2 标注规范定义 |
| 2.4 数据集的基准格式 |
| 2.4.1 EPSWY-D数据集 |
| 2.4.2 DVL-U数据集 |
| 2.5 本章小结 |
| 第三章 金字塔式多尺度计算的V-SSD车辆检测方法 |
| 3.1 引言 |
| 3.2 SSD模型的可视化分析 |
| 3.2.1 SSD模型的训练可视化 |
| 3.2.2 SSD模型的改进策略分析 |
| 3.3 金字塔结构特征融合的V-SSD方法 |
| 3.3.1 多特征融合的V-SSD网络结构设计 |
| 3.3.2 多尺度计算的V-SSD检测算法 |
| 3.3.2.1 基于枚举方法的图像金字塔结构 |
| 3.3.2.2 非极大值抑制方法 |
| 3.3.3 V-SSD的车辆检测模型 |
| 3.4 实验与结果分析 |
| 3.4.1 模型的训练与分析 |
| 3.4.2 多种评估指标的模型测试与分析 |
| 3.4.3 复杂场景中模型检测性能评估 |
| 3.5 本章小结 |
| 第四章 多维度动/静态特征匹配的车辆跟踪方法 |
| 4.1 引言 |
| 4.1.1 生成式跟踪方法 |
| 4.1.2 判别式跟踪方法 |
| 4.1.3 跟踪方法存在的问题分析 |
| 4.2 多维度动/静态特征关联匹配跟踪算法 |
| 4.2.1 车辆跟踪关键点校准 |
| 4.2.2 多维度约束下的车辆再识别 |
| 4.2.3 跟踪轨迹线性优化 |
| 4.3 实验与结果分析 |
| 4.3.1 跟踪算法测试 |
| 4.3.2 复杂场景下的跟踪实验 |
| 4.3.3 不同跟踪算法对比与分析 |
| 4.4 本章小结 |
| 第五章 车辆行为辨识方法及交通拥堵分析 |
| 5.1 基于掩模的车道线提取 |
| 5.2 车辆异常行为分析与检测 |
| 5.2.1 细粒度车辆异常行为辨识 |
| 5.2.1.1 超速行为判定 |
| 5.2.1.2 变道行为判定 |
| 5.2.1.3 停车行为判定 |
| 5.2.1.4 逆行行为判定 |
| 5.2.2 多因素综合决策模型的车辆异常行为检测 |
| 5.2.2.1 基于K近邻的多因素综合决策模型 |
| 5.2.2.2 基于随机森林的多因素综合决策模型 |
| 5.2.3 实验与结果分析 |
| 5.2.3.1 细粒度车辆行为辨识实验 |
| 5.2.3.2 多因素综合决策模型的车辆行为检测实验 |
| 5.2.3.3 对比与分析 |
| 5.3 拥堵状态分析与预测 |
| 5.3.1 车辆区域计数方法 |
| 5.3.2 拥堵状态判定方法 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 攻读学位期间所取得的研究成果 |
| 致谢 |
（2）中国桥梁工程学术研究综述·2021（论文提纲范文）
| 0引言（东南大学王景全老师提供初稿） |
| 1 桥梁工程研究新进展（东南大学王景全老师提供初稿） |
| 1.1新材料促进桥梁工程技术革新 |
| 1.2桥梁工业化进程与智能建造技术取得长足发展 |
| 1.3桥梁抗灾变能力显着提高 |
| 1.4桥梁智能化水平大幅提升 |
| 1.5跨海桥梁深水基础不断创新 |
| 2桥梁结构设计 |
| 2.1桥梁作用及分析（同济大学陈艾荣老师、长安大学韩万水老师、河北工程大学刘焕举老师提供初稿） |
| 2.1.1汽车作用 |
| 2.1.2温度作用 |
| 2.1.3浪流作用 |
| 2.1.4分析方法 |
| 2.1.5展望 |
| 2.2钢桥及组合结构桥梁（西南交通大学卫星老师提供初稿） |
| 2.2.1新型桥梁用钢的研发 |
| 2.2.2焊接节点疲劳性能 |
| 2.2.3钢结构桥梁动力行为 |
| 2.2.4复杂环境钢桥服役性能 |
| 2.2.5组合结构桥梁空间力学行为 |
| 2.2.6组合结构桥梁关键构造力学行为 |
| 2.2.7展望 |
| 2.3高性能材料 |
| 2.3.1超高性能混凝土（湖南大学邵旭东老师提供初稿） |
| 2.3.2工程水泥基复合材料（西南交通大学张锐老师提供初稿） |
| 2.3.3纤维增强复合材料（北京工业大学刘越老师提供初稿） |
| 2.3.4智能材料（西南交通大学勾红叶老师提供初稿） |
| 2.3.5展望 |
| 2.4桥梁基础工程（同济大学梁发云老师提供初稿） |
| 2.4.1深水桥梁基础形式 |
| 2.4.2桥梁基础承载性能分析 |
| 2.4.3桥梁基础动力特性分析 |
| 2.4.4深水桥梁基础工程面临的挑战 |
| 3桥梁建造新技术 |
| 3.1钢结构桥梁施工新技术（西南交通大学卫星老师提供初稿） |
| 3.1.1钢结构桥梁工程建设成就 |
| 3.1.2焊接制造新技术 |
| 3.1.3施工新技术 |
| 3.2桥梁快速建造技术（北京工业大学贾俊峰老师提供初稿） |
| 3.2.1预制装配桥梁上部结构关键技术 |
| 3.2.2预制装配桥墩及其抗震性能研究进展 |
| 3.2.2.1灌浆/灌缝固定连接预制桥墩及其抗震性能 |
| 3.2.2.2无黏结预应力连接预制桥墩及其抗震性能 |
| 3.3桥梁建造技术发展态势分析 |
| 4桥梁运维 |
| 4.1监测与评估（浙江大学叶肖伟老师、湖南大学孔烜老师、西南交通大学崔闯老师提供初稿） |
| 4.1.1监测技术 |
| 4.1.2模态识别 |
| 4.1.3模型修正 |
| 4.1.4损伤识别 |
| 4.1.5状态评估 |
| 4.1.6展望 |
| 4.2智能检测（西南交通大学勾红叶老师提供初稿） |
| 4.2.1智能检测技术 |
| 4.2.2智能识别与算法 |
| 4.2.3展望 |
| 4.3桥上行车安全性（中南大学国巍老师提供初稿） |
| 4.3.1风荷载作用下桥上行车安全性 |
| 4.3.1.1车-桥气动参数识别 |
| 4.3.1.2风载作用下桥上行车安全性评估 |
| 4.3.1.3风浪作用下桥上行车安全性 |
| 4.3.1.4风屏障对行车安全性的影响 |
| 4.3.2地震作用下行车安全性 |
| 4.3.2.1地震-车-桥耦合振动模型 |
| 4.3.2.2地震动激励特性的影响 |
| 4.3.2.3地震下桥上行车安全性评估 |
| 4.3.2.4车-桥耦合系统地震预警阈值研究 |
| 4.3.3长期服役条件下桥上行车安全性 |
| 4.3.4冲击系数与振动控制研究 |
| 4.3.4.1车辆冲击系数 |
| 4.3.4.2车-桥耦合振动控制方法 |
| 4.3.5研究展望 |
| 4.4加固与性能提升（西南交通大学勾红叶老师提供初稿） |
| 4.4.1增大截面加固法 |
| 4.4.2粘贴钢板加固法 |
| 4.4.3体外预应力筋加固法 |
| 4.4.4纤维增强复合材料加固法 |
| 4.4.5组合加固法 |
| 4.4.6新型混凝土材料的应用 |
| 4.4.7其他加固方法 |
| 4.4.8发展展望 |
| 5桥梁防灾减灾 |
| 5.1抗震减震（北京工业大学贾俊峰老师、中南大学国巍老师提供初稿） |
| 5.1.1公路桥梁抗震研究新进展 |
| 5.1.2铁路桥梁抗震性能研究新进展 |
| 5.1.3桥梁抗震发展态势分析 |
| 5.2抗风（东南大学张文明老师、哈尔滨工业大学陈文礼老师提供初稿） |
| 5.2.1桥梁风环境 |
| 5.2.2静风稳定性 |
| 5.2.3桥梁颤振 |
| 5.2.4桥梁驰振 |
| 5.2.5桥梁抖振 |
| 5.2.6主梁涡振 |
| 5.2.7拉索风致振动 |
| 5.2.8展望 |
| 5.3抗火（长安大学张岗老师、贺拴海老师、宋超杰等提供初稿） |
| 5.3.1材料高温性能 |
| 5.3.2仿真与测试 |
| 5.3.3截面升温 |
| 5.3.4结构响应 |
| 5.3.5工程应用 |
| 5.3.6展望 |
| 5.4抗撞击及防护（湖南大学樊伟老师、谢瑞洪、王泓翔提供初稿） |
| 5.4.1车撞桥梁结构研究现状 |
| 5.4.2船撞桥梁结构研究进展 |
| 5.4.3落石冲击桥梁结构研究现状 |
| 5.4.4研究展望 |
| 5.5抗水（东南大学熊文老师提供初稿） |
| 5.5.1桥梁冲刷 |
| 5.5.2桥梁水毁 |
| 5.5.2.1失效模式 |
| 5.5.2.2分析方法 |
| 5.5.3监测与识别 |
| 5.5.4结论与展望 |
| 5.6智能防灾减灾（西南交通大学勾红叶老师、哈尔滨工业大学鲍跃全老师提供初稿） |
| 6结语（西南交通大学张清华老师提供初稿） |
| 策划与实施 |
（3）基于行车视频的道路交通标志识别研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 交通标识检测和识别研究现状 |
| 1.2.1 交通标志检测研究现状 |
| 1.2.2 交通标志识别研究现状 |
| 1.3 研究内容与章节安排 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文章节安排 |
| 第二章 交通标识检测与识别基础理论 |
| 2.1 交通标识简介 |
| 2.1.1 我国使用的交通标识简介 |
| 2.1.2 交通场景下的交通标识 |
| 2.2 图像预处理 |
| 2.3 卷积神经网络知识介绍 |
| 2.3.1 卷积神经网络的结构 |
| 2.3.2 卷积神经网络的卷积运算和池化操作 |
| 2.3.3 卷积神经网络常用的激活函数 |
| 2.3.4 丢失连接和块归一化 |
| 2.4 基于深度学习的交通标志检测和识别的总体思想 |
| 2.5 本章小结 |
| 第三章 基于视频单帧图像的交通标识检测与识别 |
| 3.1 算法思想与整体框架 |
| 3.2 图像增强处理 |
| 3.3 交通标志检测与识别的网络选择与结构改进 |
| 3.3.1 网络选择 |
| 3.3.2 YOLO-V3网络结构分析与改进 |
| 3.4 基于单帧图像的交通标志检测与识别 |
| 3.5 实验结果与分析 |
| 3.5.1 图像增强实验 |
| 3.5.2 训练YOLO-V3网络时挑选的交通标志类别 |
| 3.5.3 训练网络的数据集构建 |
| 3.5.4 YOLO-V3网络模型训练 |
| 3.5.5 实验测试结果与分析 |
| 3.6 本章小结 |
| 第四章 基于视频多帧图像联合的交通标识检测和识别 |
| 4.1 算法基本思想和整体框架 |
| 4.2 第一个交通标志区域图像的定位与获取 |
| 4.3 相邻帧视频图像的交通标志图像定位算法 |
| 4.3.1 基于SIFT的图像关键点匹配算法 |
| 4.3.2 第二帧和第三帧交通标志图像定位 |
| 4.4 基于特帧融合的交通标志识别方法 |
| 4.4.1 交通标志图像特帧提取与融合算法 |
| 4.4.2 交通标志特帧提取网络和识别网络 |
| 4.5 实验结果与分析 |
| 4.5.1 交通标志检测网络的搭建与训练 |
| 4.5.2 相邻帧交通标志定位算法实验结果 |
| 4.5.3 交通标志特帧提取网络和识别网络的搭建与训练 |
| 4.5.4 基于多帧联合的交通标志检测和识别算法实验结果 |
| 4.6 本章小结 |
| 第五章 基于超分辨图像重建的小尺寸交通标志识别 |
| 5.1 小尺寸交通标志图像特性分析 |
| 5.2 算法思想与整体框架 |
| 5.3 基于基于超分辨图像重建的小尺寸交通标志放大算法 |
| 5.3.1 现有超分辨图像重建算法简介 |
| 5.3.2 基于超分辨图像重建的小尺寸交通标志图像放大算法 |
| 5.4 实验结果与分析 |
| 5.4.1 FSRCNN网络训练 |
| 5.4.2 基于基于超分辨图像重建的小尺寸交通标志识别实验结果 |
| 5.4.3 在测试视频上的实验结果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来论文展望 |
| 参考文献 |
| 附录 攻读硕士学位期间申请的专利 |
| 致谢 |
（4）基于多尺度卷积特征的路面裂缝检测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 目前裂缝检测技术存在的问题 |
| 1.4 论文技术路线和主要研究内容 |
| 1.5 本文章节安排 |
| 2 深度卷积神经网络基本理论 |
| 2.1 深度学习及其优势 |
| 2.2 卷积神经网络 |
| 2.3 主流深度卷积网络结构 |
| 2.4 全卷积神经网络 |
| 2.5 本章小结 |
| 3 裂缝样本半自动标注与数据增广 |
| 3.1 裂缝样本及干扰物特征分析 |
| 3.2 裂缝样本半自动标注关键步骤 |
| 3.3 裂缝自动标记结果 |
| 3.4 裂缝样本数据增广 |
| 3.5 本章小结 |
| 4 基于多尺度特征的路面裂缝提取 |
| 4.1 多尺度路面裂缝提取网络 |
| 4.2 实验结果分析 |
| 4.3 本章小结 |
| 5 基于连通域标记的裂缝分类与评估体系 |
| 5.1 路面裂缝类型 |
| 5.2 路面裂缝分类 |
| 5.3 路面裂缝评估体系 |
| 5.4 本章小结 |
| 6 总结和展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 查新结论 |
| 作者简历 |
| 学位论文数据集 |
（5）基于车辆群体轨迹特征的新增道路检测与识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 新增道路检测的研究现状 |
| 1.2.2 不同车辆群体轨迹特征的研究现状 |
| 1.3 研究内容与方法 |
| 1.4 论文组织结构 |
| 第二章 交通轨迹数据的预处理和车路匹配算法 |
| 2.1 浮动车数据采集系统架构 |
| 2.1.1 浮动车数据采集系统 |
| 2.1.2 交通轨迹数据的处理流程 |
| 2.2 交通轨迹数据的预处理 |
| 2.2.1 交通轨迹数据的特性 |
| 2.2.2 交通轨迹数据的清洗 |
| 2.2.3 轨迹跳变的过滤方法 |
| 2.3 基于多尺度倒排网格索引的车路匹配算法 |
| 2.3.1 车路匹配的算法研究 |
| 2.3.2 电子地图中道路信息的处理 |
| 2.3.3 倒排网格索引的构建 |
| 2.3.4 多尺度倒排网格索引的车路匹配算法 |
| 2.4 本章小结 |
| 第三章 车辆群体轨迹特征与新增道路的相关性分析 |
| 3.1 车辆群体轨迹特征提取 |
| 3.1.1 速度 |
| 3.1.2 方向改变占比 |
| 3.1.3 轨迹点的密度 |
| 3.2 不同车辆群体与新增道路相关性分析 |
| 3.2.1 工程车轨迹特征与施工区域的相关性分析 |
| 3.2.2 出租车轨迹特征与新增道路的相关性分析 |
| 3.3 新增道路检测的方法和评价指标 |
| 3.3.1 电子地图路网信息更新流程 |
| 3.3.2 新增道路检测方法 |
| 3.3.3 新增道路检测的准确性评估指标 |
| 3.4 本章小结 |
| 第四章 基于渣土车车辆群体的施工区域识别方法 |
| 4.1 施工区域识别的研究现状 |
| 4.2 渣土车的轨迹特性分析 |
| 4.2.1 施工半径的确认 |
| 4.2.2 轨迹数据密度值的计算方法 |
| 4.3 基于密度聚类的施工区域识别算法设计 |
| 4.3.1 K值与初始聚类中心的自动选取 |
| 4.3.2 施工区域的检测识别 |
| 4.4 实验结果分析 |
| 4.4.1 实验平台与实验数据 |
| 4.4.2 基于密度聚类的算法实验及分析 |
| 4.4.3 施工区域的识别结果优化 |
| 4.4.4 算法运行时间效率分析 |
| 4.5 本章小结 |
| 第五章 基于出租车群体轨迹的新增道路检测算法 |
| 5.1 实验数据和实验平台 |
| 5.1.1 实验数据集 |
| 5.1.2 实验平台与环境 |
| 5.2 新增道路检测算法设计 |
| 5.2.1 实验数据集预处理 |
| 5.2.2 车路匹配提取未匹配的轨迹点 |
| 5.2.3 新增道路的路径融合方法 |
| 5.2.4 新增道路的属性提取 |
| 5.3 实验结果以及分析 |
| 5.4 实验结果验证 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（6）基于多特征融合的路面破损图像自动识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 路面破损检测系统国内外研究进展 |
| 1.2.1 基于模拟摄影技术的路面快速检测系统 |
| 1.2.2 基于模拟视频技术的路面快速检测系统 |
| 1.2.3 基于高速面阵数字相机的路面快速检测系统 |
| 1.2.4 基于高速线扫描数字相机和激光照明技术的路面快速检测系统 |
| 1.2.5 基于热成像技术的路面破损检测系统 |
| 1.2.6 基于 3D 激光扫描技术的路面破损检测系统 |
| 1.3 路面破损图像自动识别算法国内外研究进展 |
| 1.3.1 路面破损图像的增强 |
| 1.3.2 路面破损目标的分割 |
| 1.3.3 路面破损图像的分类和评估 |
| 1.4 路面破损图像自动识别技术存在的难点 |
| 1.5 基于多特征融合的图像目标识别技术研究进展 |
| 1.5.1 信息融合技术的研究内容和现状 |
| 1.5.2 基于多特征融合的图像目标识别研究内容和现状 |
| 1.6 课题的来源及章节安排 |
| 1.6.1 课题来源 |
| 1.6.2 内容安排 |
| 第2章 路面破损图像特征分析及处理流程 |
| 2.1 路面破损类型及形成机理 |
| 2.1.1 沥青路面破损类型 |
| 2.1.2 路面破损程度计算 |
| 2.1.3 沥青路面破损形成机理 |
| 2.2 路面破损图像特征分析 |
| 2.2.1 灰度分析 |
| 2.2.2 傅立叶频域分析 |
| 2.2.3 边缘分析 |
| 2.2.4 纹理分析 |
| 2.2.5 形状分析 |
| 2.3 路面破损图像处理流程 |
| 2.4 本章小结 |
| 第3章 融合边缘与灰度特征的道路标线精确分割 |
| 3.1 道路标线分割的意义及特征分析 |
| 3.1.1 道路标线分割的意义 |
| 3.1.2 道路标线图像特征分析 |
| 3.1.3 道路标线处理流程 |
| 3.2 基于灰度特征的道路标线分割算法 |
| 3.2.1 基于最小误差阈值法道路标线图像分割 |
| 3.2.2 基于动态阈值法的道路标线图像分割 |
| 3.2.3 动态阈值结法与全局阈值法相结合的道路标线图像分割 |
| 3.3 基于直线边缘的道路标线分割算法 |
| 3.3.1 基于 Hough 变换的道路标线直线边缘检测 |
| 3.3.2 基于改进的 Beamlet 的道路标线直线边缘检测 |
| 3.3.3 基于直线边缘的目标分割 |
| 3.4 融合灰度与直线边缘的道路标线分割 |
| 3.4.1 融合规则 |
| 3.4.2 分割结果 |
| 3.5 算法性能对比 |
| 3.6 本章小结 |
| 第4章 融合纹理与形状特征的路面破损图像初始分类 |
| 4.1 路面破损图像初始分类概述 |
| 4.1.1 初始分类目的 |
| 4.1.2 初始分类流程 |
| 4.2 路面破损图像的融合增强 |
| 4.3 路面破损图像模式的初始分类方法 |
| 4.3.1 基于小波变换的纹理特征提取 |
| 4.3.2 路面破损图像的形状特征提取 |
| 4.3.3 基于 BP 神经网络的多特征融合分类算法 |
| 4.4 本章小结 |
| 第5章 基于 D-S 证据理论与多特征融合的裂缝类目标检测 |
| 5.1 裂缝类路面破损图像特征分析 |
| 5.2 基于灰度特征的路面裂缝检测目标识别 |
| 5.3 基于多尺度脊边缘融合的路面裂缝目标识别 |
| 5.3.1 路面裂缝的脊边缘特征 |
| 5.3.2 脊边缘性质及检测方法 |
| 5.3.3 基于多尺度脊边缘融合路面裂缝检测结果与分析 |
| 5.4 基于 D-S 证据理论和多特征的路面裂缝融合检测 |
| 5.4.1 融合流程 |
| 5.4.2 灰度特征图像与脊边缘特征图像的像素级融合 |
| 5.4.3 面裂缝形状特征分析与特征选择 |
| 5.4.4 基于 D-S 证据理论和裂缝形状参数路面裂缝融合检测 |
| 5.4.5 基于裂缝宏观线性特征的后续处理 |
| 5.5 本文算法性能评估及经典算法对比分析 |
| 5.6 路面裂缝几何参数自动测量算法 |
| 5.6.1 裂缝长度测量 |
| 5.6.2 裂缝宽度测量 |
| 5.7 本章小结 |
| 第6章 路面破损图像自动检测系统集成及软件开发 |
| 6.1 路面破损图像自动检测系统集成 |
| 6.1.1 系统总体结构及工作原理 |
| 6.1.2 系统总体功能需求分析 |
| 6.1.3 系统硬件集成与设备选型 |
| 6.2 路面破损自动识别软件开发 |
| 6.2.1 软件功能结构 |
| 6.2.2 软件功能实现 |
| 6.3 本章小结 |
| 第7章 总结及展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
（7）面向网络货运平台的异常轨迹检测可视分析研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 网络货运 |
| 1.2.2 车辆轨迹异常检测 |
| 1.2.3 时空数据异常检测中的可视分析 |
| 1.2.4 研究现状总结 |
| 1.3 工作内容与创新点 |
| 1.4 论文结构 |
| 第2章 相关技术 |
| 2.1 承运车辆轨迹数据 |
| 2.2 基于差交集距离度量的异常检测算法 |
| 2.3 时空可视化技术 |
| 2.3.1 可视化模型构建 |
| 2.3.2 环形图可视化方法 |
| 2.3.3 雷达图可视化方法 |
| 2.3.4 时间序列数据可视化方法 |
| 2.3.5 OD数据的可视化方法 |
| 2.3.6 可视化评估 |
| 2.4 本章小结 |
| 第3章 数据处理与异常轨迹检测模型建立 |
| 3.1 数据介绍 |
| 3.2 数据预处理 |
| 3.2.1 收费站POI补全 |
| 3.2.2 仓储位置检测 |
| 3.3 基于关键节点的差交集距离度量异常检测算法 |
| 3.3.1 异常轨迹情形 |
| 3.3.2 异常检测算法 |
| 3.4 本章小结 |
| 第4章 承运车辆异常轨迹检测可视分析方法设计 |
| 4.1 可视化任务定义 |
| 4.2 可视化模型构建 |
| 4.3 可视化设计原则 |
| 4.4 基于承运人评价指标的可视化方法设计 |
| 4.4.1 数据与任务 |
| 4.4.2 视觉编码 |
| 4.4.3 交互设计 |
| 4.5 基于关键节点的链接图可视化方法设计 |
| 4.5.1 数据与任务 |
| 4.5.2 视觉编码设计 |
| 4.6 辅助视图可视化设计 |
| 4.6.1 轨迹相似度关系图 |
| 4.6.2 时序轨迹图和异常节点分析图 |
| 4.6.3 异常时间分布堆叠柱状图 |
| 4.7 本章小结 |
| 第5章 承运车辆异常轨迹检测可视分析方法实现 |
| 5.1 基于承运人评价指标的环形雷达图的实现 |
| 5.1.1 承运人评价指标 |
| 5.1.2 内层玫瑰图实现 |
| 5.1.3 环形柱状图实现 |
| 5.1.4 雷达图实现 |
| 5.1.5 颜色映射 |
| 5.2 基于关键节点的关系链接图的实现 |
| 5.2.1 视图布局 |
| 5.2.2 关键节点实现 |
| 5.2.3 颜色映射实现 |
| 5.3 辅助可视化视图实现 |
| 5.3.1 异常轨迹相似度关系图 |
| 5.3.2 异常时间分布堆叠柱状图 |
| 5.4 本章小结 |
| 第6章 系统实现与验证分析 |
| 6.1 系统设计与实现 |
| 6.1.1 设计目标 |
| 6.1.2 界面设计 |
| 6.1.3 系统架构 |
| 6.1.4 开发环境和技术 |
| 6.2 案例分析 |
| 6.2.1 初步自动检测 |
| 6.2.2 承运人评价对比分析 |
| 6.2.3 异常轨迹对比和异常原因分析 |
| 6.3 用户实验 |
| 6.3.1 实验人员分组 |
| 6.3.2 评估指标 |
| 6.3.3 评估准备工作 |
| 6.3.4 评估结果分析 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（8）基于机器视觉的城市道路交叉口交通参数提取及交通信号控制（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 交通信号控制的研究现状 |
| 1.3 交通参数提取技术的研究现状 |
| 1.4 交通目标运动信息获取的研究现状 |
| 1.5 论文的研究思路和内容 |
| 1.5.1 基于多目标跟踪算法和区域编码的交通参数提取方法 |
| 1.5.2 基于相机标定算法的交通目标运动信息获取方法 |
| 1.5.3 基于机器视觉的道路交叉口交通信号控制方法 |
| 1.6 论文的安排与结构 |
| 第二章 城市道路交叉口交通信号控制及其关键技术 |
| 2.1 单交叉口交通信号控制系统的组成 |
| 2.2 交通信号控制方案及参数设计 |
| 2.3 交通信号控制算法 |
| 2.4 交通信号控制评价指标 |
| 2.5 本章小结 |
| 第三章 基于视频分析的道路交叉口交通参数提取 |
| 3.1 引言 |
| 3.2 检测及评价数据集 |
| 3.2.1 车辆计数数据集 |
| 3.2.2 车辆检测数据集 |
| 3.3 基于视频的交通参数提取总体框架 |
| 3.3.1 车辆目标检测方法及模型构建 |
| 3.3.2 目标跟踪算法分析 |
| 3.4 交通场景下的多目标跟踪算法 |
| 3.4.1 模板匹配算法 |
| 3.4.2 高置信度跟踪器的选择 |
| 3.4.3 轨迹跟踪算法 |
| 3.4.4 轨迹的更新与删除 |
| 3.4.5 多目标跟踪算法 |
| 3.5 轨迹处理和信息提取算法 |
| 3.5.1 车辆的类别判定 |
| 3.5.2 区域编码算法 |
| 3.5.3 交通参数信息提取 |
| 3.6 实验结果与分析 |
| 3.6.1 目标检测算法及数据集测试实验 |
| 3.6.2 交通流信息统计实验 |
| 3.6.3 交通组成信息统计实验 |
| 3.7 本章小结 |
| 第四章 道路交叉口场景下的相机标定及目标运动信息提取 |
| 4.1 引言 |
| 4.2 交通场景下的相机成像与模型构建 |
| 4.3 相机标定算法模型 |
| 4.3.1 基于标志物的建模方法 |
| 4.3.2 基于消失点的建模方法 |
| 4.3.3 不同交通场景下的相机标定问题分析 |
| 4.4 基于虚拟网格的离线标定算法 |
| 4.4.1 相机内外参数获取分析 |
| 4.4.2 算法流程 |
| 4.5 基于车辆模型的自动标定算法 |
| 4.5.1 沿着道路方向消失点的获取 |
| 4.5.2 垂直道路方向消失点的获取 |
| 4.5.3 算法流程 |
| 4.6 道路交叉口场景交通目标的运动信息提取 |
| 4.7 实验结果与分析 |
| 4.7.1 基于虚拟网格方法的实验 |
| 4.7.2 基于车辆模型方法的实验 |
| 4.8 本章小结 |
| 第五章 基于机器视觉的道路交叉口交通信号控制 |
| 5.1 引言 |
| 5.2 基于视频的自适应交通信号控制系统 |
| 5.3 基于参数优化的道路交叉口信号控制方法 |
| 5.3.1 基于参数优化的当量交通量计算方法 |
| 5.3.2 信号控制周期和绿信比计算 |
| 5.3.3 实验结果与分析 |
| 5.4 基于模糊逻辑的自适应信号控制算法 |
| 5.4.1 模糊逻辑理论 |
| 5.4.2 基于模糊逻辑的控制过程 |
| 5.4.3 基于模糊逻辑的自适应交通信号控制算法 |
| 5.4.4 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（9）基于多源数据融合的城市交通拥堵扩散的研究及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景和意义 |
| 1.2 研究现状与存在的问题 |
| 1.3 本文的研究内容 |
| 1.4 论文组织结构 |
| 第2章 城市计算相关技术 |
| 2.1 多源数据融合 |
| 2.2 实时路况预测 |
| 2.3 交通拥堵扩散 |
| 2.4 交通瓶颈识别 |
| 2.5 城市大数据处理 |
| 2.6 本文的研究架构 |
| 第3章 基于异构多源数据融合的路况预测模型 |
| 3.1 问题描述 |
| 3.2 分支-转换-融合策略 |
| 3.3 基于分支-转换-融合策略的多源数据融合架构 |
| 3.4 时空嵌入表示 |
| 3.4.1 空域特征嵌入 |
| 3.4.2 时域特征嵌入 |
| 3.4.3 时空特征融合 |
| 3.5 特征转换 |
| 3.6 特征融合 |
| 3.7 实验结果 |
| 3.7.1 实验设置 |
| 3.7.2 数据预处理 |
| 3.7.3 实时路况数据处理 |
| 3.7.4 整体性能评估 |
| 3.7.5 训练过程的效率分析 |
| 3.7.6 实验案例 |
| 3.7.7 分支-转换-融合策略在图片分类中性能提升 |
| 3.8 本章小结 |
| 第4章 基于多源数据融合的拥堵扩散模型 |
| 4.1 问题定义与研究方法 |
| 4.2 交通拥挤度 |
| 4.3 交通流模型 |
| 4.3.1 交通流影响的推断 |
| 4.3.2 基于数据融合的路况预测 |
| 4.3.3 参数学习 |
| 4.4 交通拥堵扩散建模 |
| 4.5 实验结果 |
| 4.5.1 实验设定 |
| 4.5.2 整体性能评估 |
| 4.5.3 交通拥堵扩散模型分析 |
| 4.5.4 模型参数 |
| 4.5.5 实验案例 |
| 4.6 本章小结 |
| 第5章 基于影响最大化的交通瓶颈识别 |
| 5.1 问题定义 |
| 5.2 基于贪心算法的交通瓶颈识别 |
| 5.3 基于节点诱导选择策略的交通瓶颈识别 |
| 5.4 实验结果 |
| 5.4.1 实验设定 |
| 5.4.2 交通瓶颈发现性能分析 |
| 5.4.3 参数选择 |
| 5.4.4 案例分析 |
| 5.4.5 基于整个城市交通网络的交通瓶颈发现 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 主要研究工作 |
| 6.2 后续研究工作展望 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（10）面向行人检测的多传感器数据融合算法与优化部署策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 论文研究内容及章节安排 |
| 第二章 多传感器数据融合的行人检测系统搭建 |
| 2.1 多传感器数据融合策略 |
| 2.1.1 多传感器数据融合分级策略介绍 |
| 2.1.2 多传感器数据融合原理及结构 |
| 2.1.3 多传感器数据融合方法 |
| 2.2 有向无线传感器网络部署理论概述 |
| 2.2.1 扇形感知模型 |
| 2.2.2 网络部署问题分类 |
| 2.2.3 无线传感器网络覆盖模型 |
| 2.3 系统软硬件结构构建与集成 |
| 2.3.2 行人检测系统硬件集成 |
| 2.3.3 行人检测系统软件架构 |
| 2.4 本章小结 |
| 第三章 基于多传感器数据融合的行人检测算法设计 |
| 3.1 引言 |
| 3.2 传感器选型及原理介绍 |
| 3.2.1 微波探测模块工作原理 |
| 3.2.2 红外探测模块工作原理 |
| 3.2.3 地磁探测模块工作原理 |
| 3.3 传感器数据特征分析及融合 |
| 3.3.1 微波雷达传感器数据特征分析 |
| 3.3.2 红外传感器数据特征分析 |
| 3.3.3 地磁传感器数据特征分析 |
| 3.3.4 数据融合算法设计 |
| 3.4 实验及结果分析 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 第四章 行人检测设备的优化部署策略研究 |
| 4.1 引言 |
| 4.2 有向传感器网络的最小曝光路径算法研究 |
| 4.2.1 最小曝光路径算法基本思想 |
| 4.2.2 加权无向图G的边权计算 |
| 4.2.3 搜索最小曝光路径 |
| 4.3 面向行人目标覆盖的模块节点部署策略 |
| 4.4 仿真实验与结果分析 |
| 4.4.1 最小曝光路径搜索实验 |
| 4.4.2 节点再部署实验 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、基于多尺度区域网格的公路车辆自动检测识别（论文参考文献）
- [1]面向复杂场景的车辆检测跟踪及行为分析关键技术研究[D]. 孟乔. 长安大学, 2021(02)
- [2]中国桥梁工程学术研究综述·2021[J]. Editorial Department of China Journal of Highway and Transport;. 中国公路学报, 2021(02)
- [3]基于行车视频的道路交通标志识别研究与实现[D]. 吴浩民. 南京邮电大学, 2020(02)
- [4]基于多尺度卷积特征的路面裂缝检测方法研究[D]. 贾国辉. 辽宁工程技术大学, 2020(01)
- [5]基于车辆群体轨迹特征的新增道路检测与识别研究[D]. 张美润. 福建工程学院, 2019(01)
- [6]基于多特征融合的路面破损图像自动识别技术研究[D]. 徐志刚. 长安大学, 2012(07)
- [7]面向网络货运平台的异常轨迹检测可视分析研究[D]. 王翔坤. 四川大学, 2021(02)
- [8]基于机器视觉的城市道路交叉口交通参数提取及交通信号控制[D]. 戴喆. 长安大学, 2020(06)
- [9]基于多源数据融合的城市交通拥堵扩散的研究及其应用[D]. 赵宝新. 中国科学院大学(中国科学院深圳先进技术研究院), 2020(07)
- [10]面向行人检测的多传感器数据融合算法与优化部署策略研究[D]. 王辉. 西安电子科技大学, 2020(05)