[01119922]基于主动视觉的智能交通场景理解模型关键技术研究

本研究选择多种气象条件下室外动态场景为研究对象,以主动视觉场景建模、交通流量预测与控制方法、大规模传感器网络风险评估、基于云计算的图像优化算法为主要研究内容,结合证据推理和置信规则库等新方法,在智能交通领域开展的深入研究。 （1） 将CNN与证据推理相结合,提出了一种新的天气分类模型。该模型将ER-Rule融合后的天气图片进行分类,准确率相较于单纯的卷积神经网络的识别准确率有所提高。融合过程中不仅考虑了CNNs获得的四个准确率（可靠度 ）,还应用了专家知识对每张图片分类概率（证据）的权重进行了分析。ER-Rule的融合也让基于卷积神经网络的天气识别模型多了一个对结果决策的步骤,整个模型的分类效果更加贴近于人类的认知过程。 （2） 以环岛为例 ,探索利用主动视觉技术对交通场景建模,并进一步结合置信规则库研究了主动视觉调试策略,以便更好地获取感兴趣场景特征。通过研究发现影响模型拟合程度的因素主要为：①受制于数据数量的影响,特别是在训练过程中样本数量较少的情况下。需要进行大量数据运算获取模型的方法,在此类样本数量较少的环境下无法获得比较优秀的评价效果。②多摄像机监控系统部署在交通场景中时,环境复杂且变化程度高,由简单的专家知识很难设置准确的定性知识,因此如模糊专家系统这种基于定性知识的方法,受制于专家知识的约束,难以取得俩想的效果。本报告方法在应用不同种类的数据信息时,可以对具有较大不确定性因素的数据进行有效的处理,提出的拍摄质量评估方法能够有效的获取摄像机对车辆目标的拍摄质量进行较为有效的评估,并且经过训练的模型准确度较未经训练的由专家知识建立的初始模型有着较大的提高。 （3） 交通流量预测是智能交通控制系统的重要输出,本报告提出的基于BRB的交通流量融合模型,在真实的数据集上对路网交通拥堵情况进行预测。采用拓扑图结构的形式将其作为预测模型的输入,解决了传统卷积神经网络不能输入非规则数据的问题,实验结果表明本报告提出的模型预测准确度相对优于现有的预测模型,并具有较高的鲁棒性 （4） 智能交通系统依靠大规模图像传感器、信号灯控制系统,以及有线和无线网络进行数据采集、传输,在自然环境下不可避免会出现各类问题甚至损坏。为保证整体结构的正常运行,必须对整个结构的安全状态进行评估。本报告提出的基于FAT和BRB转换的风险评估模型可有效对局部网络的风险进行评估,为结构维护提供重要的科学依据。 （5） 交通系统的图像传感器时刻采集大量而重要的数据,有效传输和存储图像数据是一个关键问题。本报告给出一种图像处理方法,目的在于优化图像处理、传输和存储过程,以保证数据安全。 本研究涉及到图像处理和分析、模式识别等多学科知识,经过研究工作形成了较为完整的智能交通领域的研究体系,包括图像数据的天气环境、交通场景结构化模型、交通流量控制与预测、交通传感器网络风险评估,以及数据安全等等。经过实验,验证了本研究的可行性。