-
公开(公告)号：CN118071996A
公开(公告)日：2024-05-24
申请号：CN202410250917.0
申请日：2024-03-06
Applicant: 河北工业大学
IPC: G06V10/25 , G06V10/764 , G06V20/40 , G06V10/82 , G06T7/277
Abstract: 一种基于目标识别和目标跟踪的交通拥堵感知方法，采用目标识别及目标跟踪方法分析对交通监控视频进行处理，计算TTI指数以实现实时交通拥堵感知，具体步骤如下：步骤1)，使用车辆检测数据集对目标检测算法模型YOLOv8进行预训练，并设置检测目标类别标签步骤2)，以YOLOv8和ByteTrack对监控视频进行逐帧目标识别和目标跟踪：2.1)以YOLOv8进行目标识别，识别出视频中的不同车辆目标；2.2)在目标跟踪阶段，ByteTrack方法实现基于卡尔曼滤波方法的目标跟踪，不断更新轨迹列表以及跟踪结果列表。步骤3)，处理目标跟踪结果，计算得出实时拥堵指数RTTI。
-
公开(公告)号：CN118015595A
公开(公告)日：2024-05-10
申请号：CN202410270193.6
申请日：2024-03-11
Applicant: 河北工业大学
IPC: G06V20/58 , G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 基于注意力机制和动态卷积的车辆目标检测和识别方法。针对复杂交通环境中车辆目标与周围环境的融合问题以及拥堵场景下的目标重叠问题，提出了一种能够实时车辆目标的YOLOv5‑vd神经网络模型，在YOLOv5模型基础上，骨干网络中加入全局注意力机制，高效提取全局注意力的特征图，同时引入利用可变形卷积算子DCNv3，可以根据目标的形状自适应的调整卷积核采样的位置，提高对多尺度目标的建模能力，使得模型在复杂场景下具有更强的泛化能力，在Head输出前，针对边界框回归效果较差的问题，将Focal‑EIoU替换原本的损失函数。
-
公开(公告)号：CN117935555A
公开(公告)日：2024-04-26
申请号：CN202410118360.5
申请日：2024-01-29
Applicant: 河北工业大学
IPC: G08G1/01 , G06N3/0442 , G06N3/0464 , G06N3/049 , G06N3/084
Abstract: 本发明公开一种基于双向GRU超图卷积模型的交通流量预测方法，该方法使用基于协方差的动态邻接矩阵替代实际情况下的节点之间的邻接矩阵，并且分别从路网动态邻接矩阵和其对应的超图这两个角度提取道路历史数据中节点的空间相关性和异构性，有效的提升模型的预测准确率。采用交通预测网络模型通过历史交通数据及其路网动态邻接矩阵和其对应的超图对目标路段的适配的网络参数进行训练，获取目标路段待预测时刻之前一定时长的交通数据，结合训练好的交通预测网络模型，得到目标路段目标时段的交通预测数据。本发明方法从全局角度捕捉功能空间相关性和从局部角度捕捉时变空间相关性，提高交通预测精度。
-
公开(公告)号：CN117874501A
公开(公告)日：2024-04-12
申请号：CN202410050318.4
申请日：2024-01-15
Applicant: 河北工业大学
IPC: G06F18/2131 , G08G1/01 , G08G1/065 , G06F18/15 , G06N3/042 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06Q50/40 , G06F123/02
Abstract: 本发明为一种基于图卷积循环神经网络的短时交通流预测方法，首先获取路网信息，将路网信息转换为路网图，路网图由多个道路节点以及连接道路节点的边组成；然后，构建短时交通流预测模型，短时交通流预测模型通过学习映射函数，根据路网图和多个历史时间片的交通流特征来预测未来多个时间片的交通流；短时交通流预测模型包括串行的空间特征提取模块、时间特征提取模块以及全卷积网络；其中，空间特征提取模块和时间特征提取模块分别通过时空混合归一层对输入特征进行归一化处理，时空混合归一化层包括时间归一化、空间归一化以及混合归一化三种操作；最后，利用历史交通流数据对短时交通流预测模型进行训练，将训练后的短时交通流预测模型用于预测交通流。该方法更充分挖掘交通流数据的时空相关性及依赖性，提高了预测准确性。
-
-
-
Search Results
4
records
(took 0.022 seconds)
