一、实时车辆流量检测系统的研究(论文文献综述)
佘占峰[1](2020)在《交通道路信号灯智能化控制系统设计与实现》文中研究表明伴随着我国经济的飞速发展,人们生活水平的不断提高,城市内人流量和车流量也在迅猛增长,而城市中车辆多道路少,从而导致城市内交通道路拥堵问题日益严峻。传统的交通道路信号灯控制实时性较差,已经很难满足当前我国一些大中型城市各个交通十字路口的流量要求。为了缓解道路拥堵压力,本研究将神经网络技术应用在交通流量预测与交通信号控制中。首先阐述了交通道路信号灯控制的研究现状,并分析了神经网络在交通信号灯控制中的相关技术。然后在研究具有或不具有随机效应的同步双向网络的离散时间递归同步的基础之上,建立了一个新颖的同步误差模型,设计了自适应控制器与量化器的组合方案可用于具有或不具有随机效应的同步双向网络的递归同步,并且通过仿真实验来验证其有效性。而且提出了一种基于CNN-LSTM-PSO的深度学习短期交通流预测框架,该框架将CNN(Convolutional Neural Networks,卷积神经网络)和LSTM(Long Short Term Mermory network,长短期记忆网络)相结合,并以PSO(Particle Swarm Optimization,粒子群)算法进行混合网络结构的超参数优化。该方法可获取交通流数据的局部趋势和长期相关性之间的相关特征。最后通过对实际交通流数据集的实验验证了该方法的有效性。本文设计并实现了交通道路信号灯智能化控制系统,对交通道路信号灯智能化控制系统进行了详细的总体设计,并且针对系统的相关功能进行了全面的测试。测试结果显示交通道路信号灯智能化控制系统能够有效缓解城市交通道路拥堵状况,提高了城市交通通行效率。
蹇诗婕,卢志刚,杜丹,姜波,刘宝旭[2](2020)在《网络入侵检测技术综述》文中提出随着互联网时代的发展,内部威胁、零日漏洞和DoS攻击等攻击行为日益增加,网络安全变得越来越重要,入侵检测已成为网络攻击检测的一种重要手段。随着机器学习算法的发展,研究人员提出了大量的入侵检测技术。本文对这些研究进行了综述。首先,简要介绍了当前的网络安全形势,并给出了入侵检测技术及系统在各个领域的应用。然后,从数据来源、检测技术和检测性能三个方面对入侵检测相关技术和系统进行已有研究工作的总结与评价,其中,检测技术重点论述了传统机器学习、深度学习、强化学习、可视化分析技术等方法。最后,讨论了当前研究中出现的问题并展望该技术的未来发展方向和前景。本文希望能为该领域的研究人员提供一些有益的思考。
刘慧勇[3](2020)在《基于DAS技术的车辆交通状态辨识与防碰撞预警研究》文中进行了进一步梳理智能交通系统(Intelligent Transportation System,ITS),是将先进的信息技术、传感器技术、电子控制技术、系统工程及人工智能技术等有效地综合运用、集成到交通管理中,从而实现保障安全、提高效率、改善环境、节约能源的先进交通系统。实现道路交通状态的智能管控与动态安全预警是道路智能交通系统建设的重要目标,而车辆交通状态的准确检测与辨识则是实现该目标的重要依据。因此,对道路交通状态辨识与车辆防碰撞预警问题的研究,已经成为道路智能交通系统研究领域广泛关注的重大课题。分布式光纤声学传感(Distributed Fiber Optic Acoustic Sensing,DAS)技术,以光纤作为传感传输媒介,是目前最先进的振动声学传感技术。DAS技术具有结构简单、使用方便、测量范围广、灵敏度高、动态范围大以及抗电磁干扰等明显优势。如何将DAS技术应用于车辆交通状态辨识的实际,并提出相应交通状态振动信号处理模型与算法,从而提高交通状态数据检测的准确率和安全性,是当前道路智能交通系统研究的一个重要方向。本论文基于分布式光纤声学传感技术,针对车辆交通状态辨识与防碰撞预警策略问题进行了选题研究。论文以交通状态理论和复杂信号分析理论作为基础,综合运用模式识别、参数估计和信号处理等多个学科方法,通过系统分析与实例实验仿真模拟相结合、定性分析与定量分析相结合,系统地探索如何基于DAS技术,解决交通状态实践过程中车辆交通状态辨识、车辆类型分类以及车辆防碰撞预警等具体问题。本文从这三个具体问题的需求特殊性和现实实践痛点出发,分别提出了基于DAS技术的车辆交通状态辨识模型、基于DAS技术的车辆类型特征参数辨识模型和基于DAS技术的车辆防碰撞预警策略。论文的主要研究内容及成果如下:(1)基于DAS技术的车辆交通状态辨识模型研究。与传统的车辆交通状态辨识模型不同,该模型是基于DAS技术构建检测系统,采用普通光纤电缆进行交通振动信号检测,可以在整个光纤链路覆盖范围内接收全分布式的振动信息,实现对范围内任意点的振动信号的检测和定位。该模型利用DAS技术获取交通振动数据,并且根据振动数据的特征改进了小波阈值算法和双阈值算法,前者实现了对振动数据的预处理,后者可以处理分析出振动信号的车辆交通状态并估计车辆速度。实验表明,在车辆计数试验中,单辆车通过检测区域的计数误差较小;当多辆车连续通过检测区域时的计数误差较大;在车速估计试验中,计算结果具有较好的精度,误差控制在5%以内。(2)基于DAS技术的车辆类型特征参数辨识模型研究。DAS技术具有对车辆振动信号分类方法维护成本低,且可实现更大规模车辆分类数据采集的特点,该模型利用传感光纤以分布式传感器形式采集交通振动信号,并通过相应的信号处理算法从信号中提取若干特征来识别车辆类别。在深入分析车辆分类问题的基础上,模型针对实验场景提出了车辆类型分类标准;在信号处理步骤上,本文提出了基于遗传算法的支持向量机算法(Support Vector Machine,SVM),并以对比实验的方式对多种支持向量机算法进行了比较分析。结果表明这种改进型支持向量机算法能够降低分类误差。通过设计实际场景对模型进行实验,结果表明本文设计的基于DAS技术的分类检测器在进行车型分类时其精度大于70%。(3)基于DAS技术的车辆防碰撞预警策略研究。在对基于DAS技术的车辆交通状态辨识和车辆类型分类特征参数辨识模型研究的基础上,进一步对车辆防碰撞预警策略进行了深入研究。本部分提出了一种新型车辆防碰撞预警策略,与传统的预警策略区别在于该方案是一种基于DAS系统检测路段的全路段、全方位的车辆防碰撞预警策略,针对检测区域的车辆进行防碰撞预警。该安全策略中首先建立了适用于车辆防碰撞预警策略中的车辆安全距离模型,然后提出了一种综合考虑车辆运动、车辆位置、驾驶员行为、道路信息以及车辆类型的车辆防碰撞风险评估方法。最后,通过对防碰撞预警方案进行了仿真实验,验证了碰撞风险评估方法的准确性。仿真结果表明,该策略能有效地检测车辆碰撞风险,并及时给出准确的车辆防碰撞预警。(4)论文结合参加实际科研项目,对提出的模型与算法进行了实例实验和实证分析,研究成果对建立和完善基于DAS技术的车辆交通状态辨识理论体系具有重要参考价值,为实际规划和建设基于DAS技术的道路智能交通系统提供了科学依据。图49幅,表8个,参考文献216篇。
宋和春[4](2020)在《面向车载网络的入侵检测系统研究》文中进行了进一步梳理智能网联汽车为了提高驾驶者的安全性和便利性,集成了导航、移动办公、车辆控制、辅助驾驶等功能,日益丰富的接口导致车载网络更容易成为黑客攻击的目标,造成用户信息泄露,车辆失控等重大安全问题,因此智能网联汽车面临着传统汽车前所未有的网络安全风险,如何设计车载网络防护策略是一个巨大的挑战。不论对车载网络的攻击是有线还是无线攻击,最终的落脚点都在控制器局域网(CAN)上。作为车载网络事实上的标准,CAN总线没有足够的安全功能,例如消息加密和发送者身份验证,无法保护网络免受欺骗、入侵和控制等网络攻击。针对智能网联汽车的车载网络面临网络安全威胁日益严峻的情况,充分考虑车载网络在设计和实际使用过程中的约束条件,结合攻击者的特点,开展车载网络入侵检测系统研究。通过分析攻击者模型,将车载网络的攻击分为两类,分别称为伪装攻击和注入攻击。之后针对两种攻击分别设计了两种新的入侵检测方案对攻击进行检测,保护车载网络的安全。具体工作如下:首先,针对车载网络中的伪装攻击提出了一种新型的入侵检测系统,该系统利用电子CAN信号的独特特性作为电子控制单元的指纹,通过测量和利用CAN上的电压来识别攻击者来源。首先针对采集到的电子控制单元(ECU)电压数据的特点设计了一种电压原始数据处理机制,将ECU电压信号分成三组,并分别对每组数据提取统计特征,通过单独考虑各个组,使得重要特征更加明显。其次对数据集的特征属性进行排序和降维,筛选出携带信息丰富的特征,去除无关特征和重复特征,建立ECU指纹数据集。之后使用梯度提升决策树(GBDT)分类模型对数据进行学习和训练,将ECU身份识别问题转化为多类别分类问题,利用训练好的模型实现了对正常ECU指纹的高概率识别。训练好的模型用于对非法入侵的检测,为了对提出的入侵检测系统的准确性进行验证,用真实车辆上采集的数据进行了实验。实验结果表明,提出的入侵检测系统可以准确识别伪装攻击,并且检测正确率高于现有的三个入侵检测系统方案。其次,针对车载网络中的注入攻击提出了一种新型的入侵检测系统,该系统分析CAN总线数据流的传输规律并使用离群值检测方法找出异常值。为了分析CAN总线数据流的特点,首先记录CAN总线上传输的数据内容,对每一个CAN ID数据内容的变化规律进行提取以获得特征。其次使用主成分分析(PCA)模型对数据集的特征属性进行分析和降维,基于此建立了正常CAN消息字段的数据集。之后使用一类支持向量机(OCSVM)分类模型对数据进行学习和训练,将异常CAN数据识别问题转化为离群值检测问题,利用正常数据训练模型,只需要找到一个闭合空间将正常的样本覆盖,任何在闭合空间之外的点都被判断为异常。最后,在真实车辆上采集的数据,对提出的入侵检测系统的识别正确率进行了验证。实验结果表明,提出的入侵检测系统可以低错误率识别拒绝服务攻击,模糊攻击和驾驶行为异常。
孙悦[5](2020)在《区域道路与交叉口的交通流量制系统》文中认为为缓解城市部分区域内交通拥堵,道路资源利用不均衡的现状,本文设计了交通流量控制系统。当平面交叉口发生拥堵时,合理控制信号灯转换时间,并疏散拥堵的车辆至附近顺畅的道路;区域道路发生拥堵时,利用动态路径诱导算法,为司机实时规划动态路径,为司机节约时间,达到疏散交通的目的。文章的工作主要包括以下几大方面:1、对现阶段的交通流量控制系统进行研究,分析系统功能需求。设计交通流量控制系统整体控制方案,包括:区域道路及交叉口的交通流量检测系统、平面交叉口交通流量疏散系统、区域道路交通疏散系统、数据库的设计及系统测试等五大方面。2、对某区域进行交通流量采集及处理。将路口摄像机采集的高清视频图像进行图像处理,得到车速、车辆空间占有率、车牌号等交通信息。将上述数据存储至关系型数据库中。路况信息数据用。于判定平面交叉路口是否拥堵,以及用于路径规划中。3、平面交叉口发生拥堵时,将整个路口的交通灯全部设置为红灯。没有新的车辆驶入,避免了交叉口车辆进一步交叉缠绕,使得滞留在交叉口的车辆快速驶出,实现了对交叉口车辆的疏散。待路口车辆清空,交通灯恢复正常控制模式。4、利用将马尔可夫模型与A*算法结合的路径诱导算法,实现了对区域道路车辆的疏散。以某个面积约6km2的拥堵高发区域为例,将区域划分为一定数量的方格,根据路况的差异为方格赋值。路况越拥堵的道路,道路阻值越高,推荐指数越低。根据实时的路径规划,拥堵的道路几乎无车辆驶入;将车辆诱导至畅行道路,实现了交通疏散的作用。5、数据库的设计。在路况信息采集模块会产生海量数据,为了便于管理,首先对数据进行预处理,滤除掉无效数据;其次利用关系型数据库MySql建立不同的数据表,用于存储路况信息数据。6、最后,对红灯运行时间自适应算法以及路径诱导算法进行仿真模拟。实验结果表明,该算法能够加速排解拥堵,为司机节约时间,具有一定的合理性。
宋雅洁[6](2020)在《基于多模隐马尔可夫过程的列控系统入侵检测方法研究》文中研究说明基于通信的列车运行控制(Communication Based Train Control,CBTC)系统是保证列车安全、高效运行的关键设施。大量商用信息化组件的应用使CBTC系统面临严重的信息安全隐患。入侵检测技术能及时发现攻击行为,提高CBTC系统的信息安全防护能力。信息攻击容易触发CBTC系统的故障导向安全机制,使得信息攻击与随机故障难以区分,降低了CBTC系统入侵检测的性能。本文重点研究基于多模隐马尔可夫过程的列控系统入侵检测方法。从CBTC系统的网络通信和设备状态两个层面展开研究,设计入侵检测模型,并融合不同模型的检测结果,实现攻击与故障的区分,进一步提升入侵检测系统的性能。本文分别提出了基于指数加权移动平均控制图(Exponentially Weighted Moving Average,EWMA)和随机森林的网络通信检测方法、基于贝叶斯网络的设备状态检测方法以及基于隐马尔可夫模型(Hidden Markov Model,HMM)的多模信息融合方法,并搭建实验环境验证方法的有效性。论文的主要工作如下:(1)分析CBTC系统网络结构、通信协议、设备运行等方面的特点,研究CBTC系统可能遭受的信息攻击的类型及其实现原理。基于CBTC系统的入侵检测需求设计入侵检测的总体方案;(2)提出了基于EWMA和随机森林的网络通信入侵检测方法。一方面,统计流量数值形成流量序列,应用改进的EWMA算法分析该序列,识别系统流量的异常。另一方面,提取数据包特征,依据CBTC系统通信稳定分布的特点计算典型特征的可调节分段熵,并采用随机森林算法进行特征分类,实现数据包异常检测;(3)提出了基于贝叶斯网络的设备状态入侵检测方法。以子系统中各设备的状态作为贝叶斯网络的节点,选取适用于CBTC系统入侵检测的贝叶斯网络结构学习和参数学习算法,利用贝叶斯网络推理判定各子系统是否出现异常,并通过计算状态节点概率初步区分攻击与故障;(4)提出基于HMM的多模融合入侵检测方法。分析单一检测模型中存在的问题,构建HMM信息融合模型实现多个检测结果的综合决策。搭建CBTC系统实验环境,收集实验数据形成数据集,评估整体模型的检测性能。应用包含攻击与故障的数据集评估本文提出的入侵检测方法的性能,实验结果表明,该方法既能够准确识别CBTC系统中的攻击行为,检测率达到99.02%;又能够有效区分攻击与故障,相比传统检测方法,准确率提高了8%-19%。多模融合入侵检测方法的研究对于提高CBTC系统的信息安全防护能力具有重要的理论指导与现实应用意义。
陈林武[7](2020)在《基于浮动车数据的城市道路交通事件自动检测技术研究》文中认为城市路网发生交通事故、车辆抛锚和货物洒落等交通事件之后,往往会形成道路通行能力的瓶颈,产生车辆拥挤排队现象,形成偶发性交通拥堵。如果交通事件不能得到及时有效的处理,交通拥堵可能会扩散并导致网络范围内的大面积拥堵,严重时可能导致交通瘫痪。快速且有效的检测并疏导城市道路交通事件,是缓解交通拥堵、降低损失的有效途径,也是城市道路交通管理与控制的重要组成部分。本文提出了一种基于浮动车数据的城市道路交通事件检测算法,同时对事件类型进行分析,设计并开发了相应的交通事件检测系统。本文首先归纳和分析了不同类型的事件检测算法,并比较其优缺点;其次,分析了浮动车数据的特点,对数据进行清洗和修复处理,研究了浮动车GPS数据在道路网上的匹配算法,从数据的时间、方向、位置等多个角度实现浮动车数据在路网上的准确定位及轨迹绘制;然后,通过分析城市道路交通事件发生时交通流参数的变化特性,提出了一种基于卷积神经网络的交通事件自动检测算法,并采用多参数进行事件类别区分,利用武汉市浮动车数据和交通事故数据对算法进行测试和验证,同时,利用VISSIM仿真软件搭建了实验环境,对算法进行了验证;最后,综合上述的研究成果,对基于卷积神经网络的交通事件检测系统进行了功能设计和界面设计。通过对检测率、误报率等检测指标与传统的神经网络检测算法的比较,本文提出的算法具有更高的准确性,且能实现事件类型的判别。
杨骁[8](2020)在《基于智能道钉的交叉口交通信息检测方法》文中进行了进一步梳理随着我国汽车保有量快速增长,信号交叉口路段内的车流情况变得愈加复杂,交叉口交通信息的检测需求也愈加多样化,当前交通信息检测方法较难满足上述应用与需求。因此,本文针对上述交叉口应用环境与检测需求,提出了利用分布式智能道钉节点和中继节点组成无线车辆感知局域网络,通过在信号交叉口路段内大规模部署车辆感知局域网络来搭建交通信息检测系统,准确采集多种交通信息。本文所搭建的基于无线车辆传感网络的交通信息检测系统部署于信号交叉口路段内,但同样适用于高速公路与山区道路等线形道路。交通信息检测系统所采集的多种交通信息参数可为信号交叉口管理与控制提供准确可靠的数据支持,并可实现了交叉口智能化升级。本文综合研究了国内外城市道路交叉口智能信号控制系统工作原理及其采用的交通信息采集方法,并对目前国内外交通信息(排队长度、车流量)检测方法作了分析说明。交通信息检测系统以路面无线车辆传感网络为结构框架,智能道钉节点为底层车辆感知节点,中继节点为中间层网络通讯、数据处理中枢节点,远程平台为顶层应用,可与检测系统进行远程数据交互,获取交叉口路段的交通信息。交通信息检测系统的主要研究工作分为四个部分,分别是系统总体设计、系统实现、传感节点布设优化以及实例验证、算法仿真与误差分析。本文在系统总体设计框架下,以无线Mesh网络、蓝牙微微网等无线网络为基础搭建系统无线传感网络拓扑结构,并制定了网络通讯协议,搭建了网络数据通讯链路,成功实现网络内快速稳定通信。本文基于NBIOT技术,搭建了本地网络与远程平台间的远程上下行数据链路,成功实现远程数据交互,远程平台可获取交通信息检测系统所采集的交通信息数据并下发指令。本文完成了系统节点的时间同步设计与低功耗设计,实现系统节点的时间同步,降低了系统节点的工作功耗,增强了系统的耐用性和使用寿命。本文面向信号交叉口交通信息检测需求,提出了基于交通信息检测系统的车流量检测方法、车速检测方法、基于检测车流量与车速参数的排队长度检测算法以及信号交叉口饱和度判别方法等交通信息检测算法。实例验证了车流量、车速检测算法以及系统各项基本功能。对排队长度检测算法进行了仿真验证,对检测误差进行了详细分析,结果表明本文所提出的交通信息检测系统及算法能够实现较为准确地采集多种交通信息参数,并可实时将数据信息上传至远程平台。本文在保证系统各项功能正常及采集精度的情况下,对传感节点布设方案进行了优化设计,旨在尽可能减少系统节点数量,以降低系统成本,增强系统经济性和实用性。
刘嘉敏[9](2020)在《基于YOLCAT实例分割的路段监控系统研究与实现》文中研究指明随着人们生活水平的不断提高,汽车的持有量不断增加,违反交通法律法规的事故不断激增,这对交通管制工作产生巨大的压力,而智能交通监控系统逐渐成为解决当前复杂交通状况的有效途径。本文研究的路段监控系统的主要场景是针对某常见路段,该路段为通过双黄线分割开的双向单车道;两侧有行人横穿马路和车辆违规压线等复杂情况。针对这种复杂交通场景,本文研究的内容主要涉及到:(1)车辆阴影的去除,这部分工作内容主要作为数据增强。本文将采用结合灰度图和彩色图的阴影属性对运动车辆阴影消除算法进行改进,通过对比实验表明此改进算法的阴影消除效果良好。(2)车辆、行人、双黄线等目标检测与分割。采用YOLACT模型能较好地完成该场景下运动目标的检测与分割任务,通过实验表明其算法模型的准确性和鲁棒性较好。(3)对车辆和行人运动轨迹跟踪。基于YOLACT实例分割模型输出结果,对运动目标轨迹跟踪进行算法判别与分析,通过实验表明此算法跟踪效果能达到预期。(4)视频图像的有用交通信息进行分析与输出,如车辆和行人的违规行为、两车道不同类别运动目标的流量统计。尝试基于运动目标跟踪的简单改进算法,通过实验对比证实其算法有效性和可靠性较好。(5)综合以上研究成果,采用Microsoft Visual Studio 2016集成开发环境作为开发平台,应用Visual C++语言编程,以实现智能路段监控系统的设计工作。
朱金凤[10](2020)在《基于YOLO-v3的高速公路交通事件检测系统研究》文中提出随着我国高速公路网的逐渐完善,交通事件也随着公路里程数的增加越来越多,高速公路行车安全的重要性凸显。交通事件发生后的及时发现、处理、救援也成为高速公路管理人员关心的问题,针对高速公路交通事件的检测一直是研究交通安全的学者重点研究方向。近年来随着高速公路监控摄像头的普及应用,通过图像处理技术对视频中的交通事件进行检测也成为研究热点。本文对连徐高速公路交通事件的检测和处理流程进行梳理,在连徐高速现有的软硬件基础上构建了交通事件检测系统,并重点对系统的数据处理模块进行研究,最终实现了对交通事件的检测和报警。论文先对高速公路事件检测系统进行了结构和流程研究,然后提出建立基于图像处理技术的数据处理模块。数据处理模块的核心算法是目标检测算法和目标跟踪算法。采用传统的背景差法目标检测算法对视频图像中的运动车辆进行检测,然后用改进的Camshift跟踪算法对运动车辆进行跟踪,从而检测视频中的车辆运行状态并及时对不正常交通状态进行处理。传统算法实现了对运动车辆的检测和跟踪功能,但是无法应对大流量车流和晃动的视频。论文对高速公路运动目标的特性进行研究,选取了基于YOLO-v3算法的数据处理技术,实现了对运动目标的检测追踪,在出现堵车和交通事故时,可以实现报警功能。在基于YOLO-v3的数据处理模块中,本文采用了用于行人跟踪的Deepsort算法,并在VOC2007数据集中进行了训练,完成了对车辆的检测追踪和报警。本文研究数据采集自G30连徐高速公路段监控中心的真实数据,实验算法以python等软件为编程平台,研究结果表明,本文研究的高速公路交通事件检测系统可完成对视频中交通事件的检测,提高检测率,为高速公路安全管理提供借鉴指导。
二、实时车辆流量检测系统的研究(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、实时车辆流量检测系统的研究(论文提纲范文)
(1)交通道路信号灯智能化控制系统设计与实现(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.3 课题来源 |
1.4 研究框架及组织结构 |
第二章 相关技术研究 |
2.1 相关基础知识 |
2.1.1 交通道路信号灯控制概述 |
2.1.2 神经网络概述 |
2.2 交通道路信号灯控制现状 |
2.2.1 交通道路信号灯控制方法 |
2.2.2 国内研究现状 |
2.2.3 国外研究现状 |
2.3 神经网络在交通道路信号灯控制中的研究现状 |
2.3.1 主要的神经网络算法 |
2.3.2 国内研究现状 |
2.3.3 国外研究现状 |
2.4 本章小结 |
第三章 基于离散时间递归神经网络的交通道路信号灯同步控制方法 |
3.1 同步控制模型分析 |
3.2 基于离散时间递归神经网络的自适应同步控制模型 |
3.2.1 主要思想 |
3.2.2 实现过程 |
3.3 仿真实验与结果分析 |
3.3.1 实验分析 |
3.4 本章小结 |
第四章 基于CNN-LSTM-PSO的交通流量预测 |
4.1 算法分析 |
4.2 CNN-LSTM-PSO算法 |
4.2.1 CNN-LSTM |
4.2.2 PSO优化CNN-LSTM |
4.2.3 基于混合网络结构的交通拥堵预测框架 |
4.3 仿真与结果分析 |
4.3.1 数据集与环境准备 |
4.3.2 仿真结果与分析 |
4.4 本章小结 |
第五章 交通道路信号灯智能控制原型系统 |
5.1 系统环境 |
5.2 系统总体架构 |
5.3 系统功能设计 |
5.4 原型系统实现 |
5.5 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1 攻读硕士学位期间参加的科研项目 |
致谢 |
(2)网络入侵检测技术综述(论文提纲范文)
1引言 |
2 入侵检测系统分类 |
2.1 基于数据来源划分 |
2.1.1 基于主机的IDS(HIDS) |
2.1.2 基于网络的IDS(NIDS) |
2.2 基于检测技术划分 |
2.2.1 基于误用的IDS(MIDS) |
2.2.2 基于异常的IDS(AIDS) |
3 基于传统机器学习的入侵检测 |
3.1 入侵数据处理 |
3.2 监督机器学习技术 |
3.2.1 生成方法 |
3.2.2 判别方法 |
3.2.3 小结 |
3.3 无监督机器学习技术 |
3.3.1 常用的无监督机器学习技术 |
3.3.2 小结 |
3.4 总结与讨论 |
4 基于深度学习的入侵检测 |
4.1 生成方法 |
4.1.1 自动编码器 |
4.1.2 深度玻尔兹曼机 |
4.1.3 深度信念网络 |
4.1.4 循环神经网络 |
4.2 判别方法 |
4.3 生成对抗网络 |
4.4 总结与讨论 |
5 基于强化学习的入侵检测 |
6 基于可视化分析的入侵检测 |
6.1 网络流量数据 |
6.2 日志数据 |
6.3 总结与讨论 |
7 讨论与展望 |
8 结束语 |
(3)基于DAS技术的车辆交通状态辨识与防碰撞预警研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 交通流量检测器研究现状 |
1.2.2 车辆类型分类研究现状 |
1.2.3 车辆防碰撞预警策略研究现状 |
1.2.4 既有研究评价 |
1.3 本文主要研究内容与思路 |
1.3.1 研究内容 |
1.3.2 研究框架及技术路线 |
2 分布式光纤声学传感技术及信号处理相关理论 |
2.1 分布式光纤声学传感技术的检测原理及系统设置 |
2.1.1 分布式光纤声学传感技术的基本检测原理 |
2.1.2 分布式光纤声学传感技术的系统设计 |
2.2 交通状态辨识的信号处理相关理论 |
2.2.1 小波阈值信号处理去噪算法 |
2.2.2 双阈值信号处理算法 |
2.2.3 支持向量机信号处理算法 |
2.3 本章小结 |
3 基于DAS技术的车辆交通状态辨识模型研究 |
3.1 引言 |
3.2 道路交通状态辨识参数分析 |
3.2.1 道路交通流量参数 |
3.2.2 道路交通车辆速度参数 |
3.2.3 道路交通占有率参数 |
3.3 基于DAS技术的车辆交通状态辨识模型设计 |
3.3.1 改进型小波阈值去噪信号处理算法的研究 |
3.3.2 改进型双阈值车辆检测信号处理算法的研究 |
3.3.3 车辆速度参数估计算法的研究 |
3.4 实例分析 |
3.4.1 实验环境 |
3.4.2 实验结果和讨论 |
3.5 本章小结 |
4 基于DAS技术的车辆类型特征参数辨识模型研究 |
4.1 引言 |
4.2 基于DAS技术的车辆类型分类问题分析 |
4.2.1 车辆类型分类标准及振动信号特征分析 |
4.2.2 车辆类型分类特征参数辨识基本原理 |
4.3 基于DAS技术的车辆类型特征参数辨识模型设计 |
4.3.1 车辆特征提取方法 |
4.3.2 车辆分类模式识别算法 |
4.4 实例分析 |
4.5 本章小结 |
5 基于DAS技术的车辆防碰撞预警策略研究 |
5.1 引言 |
5.2 车辆安全距离模型建立 |
5.2.1 车辆安全距离建模目的 |
5.2.2 车辆制动过程行驶距离建模分析 |
5.3 基于DAS技术的车辆防碰撞预警策略方案 |
5.3.1 防碰撞问题描述 |
5.3.2 防碰撞车辆检测方法 |
5.3.3 防碰撞车辆跟踪模型及算法 |
5.3.4 防碰撞预警策略判决模型 |
5.4 基于DAS技术的车辆防碰撞安全预警策略的仿真与分析 |
5.4.1 仿真与评估分析 |
5.4.2 实验结果及讨论 |
5.5 本章小结 |
6 结论与展望 |
6.1 主要研究结论及创新点 |
6.2 论文工作展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(4)面向车载网络的入侵检测系统研究(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 研究背景与意义 |
1.2 国内外研究现状 |
1.3 研究目标及主要内容 |
1.4 本文章节安排 |
第二章 车载网络模型 |
2.1 车载网络架构 |
2.2 车载网络技术 |
2.3 CAN总线原理 |
2.3.1 CAN总线信号逻辑 |
2.3.2 CAN数据帧结构 |
2.4 本章小结 |
第三章 车载网络入侵检测系统模型 |
3.1 攻击模型 |
3.1.1 CAN总线的安全威胁 |
3.1.2 CAN总线的攻击接口 |
3.1.3 典型攻击手段 |
3.2 入侵检测系统模型 |
3.3 性能评价指标 |
3.4 本章小结 |
第四章 基于指纹识别的入侵检测系统 |
4.1 数据预处理 |
4.1.1 数据采集 |
4.1.2 特征提取 |
4.1.3 特征选择 |
4.2 入侵检测模型 |
4.2.1 机器学习模型 |
4.2.2 梯度提升决策树原理 |
4.2.3 入侵检测算法 |
4.3 实验结果与讨论 |
4.3.1 实验数据集 |
4.3.2 实验结果 |
4.4 本章小结 |
第五章 基于离群值检测的入侵检测系统 |
5.1 数据预处理 |
5.1.1 数据采集 |
5.1.2 特征提取 |
5.1.3 特征降维 |
5.2 入侵检测模型 |
5.2.1 机器学习模型 |
5.2.2 One-Class SVM原理 |
5.2.3 入侵检测算法 |
5.3 实验结果与讨论 |
5.3.1 实验数据集 |
5.3.2 实验结果 |
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 |
致谢 |
作者简介 |
1.基本情况 |
2.教育背景 |
3.攻读硕士学位期间的研究成果 |
3.1 参与的科研项目及科研获奖 |
(5)区域道路与交叉口的交通流量制系统(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究的背景及意义 |
1.1.1 课题研究的背景 |
1.1.2 课题研究的意义 |
1.2 国内外发展现状 |
1.2.1 疏散交通拥堵的国外发展现状 |
1.2.2 疏散交通拥堵的国内发展现状 |
1.3 研究内容 |
第2章 区域道路与交叉口交通流量控制系统整体方案设计 |
2.1 系统功能需求分析 |
2.2 系统整体结构设计 |
2.2.1 车流量检测系统 |
2.2.2 区域道路及交叉口的交通控制方法 |
2.2.3 动态路径推荐算法 |
2.3 系统工作流程 |
2.4 本章小结 |
第3章 交叉口的交通流量检测及疏散算法 |
3.1 平面交叉口交通疏散的需求分析 |
3.2 平面交叉口红绿灯切换算法 |
3.3 基于视频的车速检测算法 |
3.3.1 实施测速的关键点 |
3.3.2 车灯定位算法 |
3.3.3 视频图像预处理 |
3.3.4 平面交叉口内车速检测算法 |
3.3.5 车辆空间占有率计算方法 |
3.4 硬件设备选型 |
3.4.1 交通灯控制器 |
3.4.2 视频监控摄像机 |
3.4.3 计算机控制中心 |
3.4.4 交换机选型 |
3.5 软件设计方案 |
3.6 本章小结 |
第4章 区域道路的交通流量疏散 |
4.1 区域道路进行交通疏导的需求分析 |
4.2 区域道路栅格的建立 |
4.3 路径诱导模型设计 |
4.3.1 路径诱导模型简介 |
4.3.2 马尔可夫过程简介 |
4.3.3 马尔可夫决策过程构建 |
4.3.4 A*算法简介 |
4.4 路径诱导算法 |
4.5 本章小结 |
第5章 构建数据库 |
5.1 数据库简介及选择 |
5.1.1 建立区域道路数据表 |
5.1.2 建立区域道路路况数据表 |
5.2 数据的获取 |
5.3 本章小结 |
第6章 系统模拟仿真 |
6.1 系统仿真模拟环境介绍 |
6.2 区域交叉口的疏散能力测试 |
6.2.1 Vissim与 Matlab数据通信 |
6.2.2 仿真模拟的实现 |
6.3 动态路径规划算法仿真 |
6.3.1 仿真条件设置 |
6.3.2 仿真模拟的实现 |
6.4 综合仿真模拟 |
6.5 本章小结 |
第7章 总结与展望 |
7.1 主要工作与创新点 |
7.1.1 主要工作 |
7.1.2 创新点 |
7.2 应用前景 |
参考文献 |
后记 |
攻读硕士学位期间论文发表及科研情况 |
(6)基于多模隐马尔可夫过程的列控系统入侵检测方法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景及意义 |
1.1.1 CBTC面临的信息安全问题 |
1.1.2 CBTC入侵检测方法研究的意义 |
1.2 研究现状 |
1.2.1 传统IT入侵检测方法研究现状 |
1.2.2 CPS入侵检测方法研究现状 |
1.2.3 CBTC入侵检测方法研究现状 |
1.3 论文组织架构 |
1.4 本章小结 |
2 CBTC入侵检测方法研究 |
2.1 CBTC系统分析 |
2.1.1 CBTC系统的结构与原理 |
2.1.2 CBTC系统的特点 |
2.2 CBTC信息安全风险分析 |
2.2.1 CBTC信息安全隐患 |
2.2.2 典型信息攻击方法及原理 |
2.3 CBTC攻击与故障区分 |
2.3.1 攻击与故障区分必要性 |
2.3.2 CBTC攻击与故障对比 |
2.4 入侵检测总体方案 |
2.4.1 入侵检测流程与需求分析 |
2.4.2 CBTC入侵检测总体方案设计 |
2.5 本章小结 |
3 基于通信和数据特征的CBTC入侵检测方法研究 |
3.1 基于通信和数据特征的入侵检测方法 |
3.1.1 CBTC通信及数据特点分析 |
3.1.2 基于通信和数据特征的检测方案设计 |
3.2 EWMA通信流量检测模型 |
3.2.1 CBTC通信流量序列分析 |
3.2.2 EWMA通信流量检测模型建立 |
3.2.3 通信流量检测模型性能验证 |
3.3 随机森林数据包检测模型 |
3.3.1 CBTC数据包特征分析 |
3.3.2 随机森林数据包检测模型建立 |
3.3.3 数据包检测模型性能验证 |
3.4 本章小结 |
4 基于设备状态的CBTC入侵检测方法研究 |
4.1 CBTC设备状态特点分析 |
4.1.1 CBTC冗余架构工作原理 |
4.1.2 攻击与故障场景下设备状态差异分析 |
4.2 基于设备状态的入侵检测方法选取 |
4.2.1 基于设备状态的检测需求分析 |
4.2.2 基于设备状态的检测方法确定 |
4.3 CBTC入侵检测贝叶斯网模型 |
4.3.1 CBTC入侵检测贝叶斯网节点选取 |
4.3.2 CBTC入侵检测贝叶斯网结构建立 |
4.3.3 CBTC入侵检测贝叶斯网参数学习 |
4.3.4 CBTC入侵检测贝叶斯网推理 |
4.4 基于设备状态的CBTC入侵检测方法性能验证 |
4.4.1 攻击场景下检测结果 |
4.4.2 故障场景下检测结果 |
4.4.3 基于设备状态的CBTC入侵检测结果 |
4.5 本章小结 |
5 基于HMM的多模融合入侵检测系统设计与验证 |
5.1 CBTC入侵检测数据集生成 |
5.1.1 传统入侵检测数据集 |
5.1.2 CBTC入侵检测数据集 |
5.2 基于HMM的多模融合入侵检测系统 |
5.2.1 多模融合入侵检测方案设计 |
5.2.2 多模融合入侵检测模型建立 |
5.2.3 多模融合入侵检测性能验证 |
5.3 CBTC入侵检测模型整体性能验证 |
5.3.1 无故障数据集检测结果对比 |
5.3.2 有故障数据集检测结果对比 |
5.4 本章小结 |
6 总结与展望 |
6.1 工作总结 |
6.2 未来展望 |
参考文献 |
图索引 |
表索引 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(7)基于浮动车数据的城市道路交通事件自动检测技术研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 交通事件自动检测算法研究 |
1.2.2 基于浮动车数据的事件检测研究 |
1.2.3 国内外研究现状总结 |
1.3 研究内容 |
1.4 技术路线 |
2 浮动车GPS数据的采集与处理 |
2.1 浮动车数据概述 |
2.1.1 浮动车信息采集系统 |
2.1.2 浮动车GPS数据特征 |
2.1.3 浮动车GPS数据格式 |
2.2 浮动车GPS数据处理 |
2.2.1 浮动车GPS数据的筛选 |
2.2.2 浮动车GPS数据修复 |
2.2.3 浮动车交通参数提取 |
2.3 浮动车轨迹地图匹配 |
2.3.1 地图数据处理 |
2.3.2 地图匹配 |
2.4 本章小结 |
3 基于卷积神经网络的交通事件检测算法研究 |
3.1 卷积神经网络概述 |
3.1.1 神经网络基本原理 |
3.1.2 卷积神经网络的结构 |
3.2 基于卷积神经网络的交通事件检测模型 |
3.2.1 交通事件的类型 |
3.2.2 时空特征张量的提取 |
3.2.3 卷积神经网络模型的构建 |
3.2.4 算法流程 |
3.3 实验与结果分析 |
3.3.1 实测数据处理 |
3.3.2 实验设置 |
3.3.3 实验结果分析 |
3.3.4 仿真实验分析 |
3.4 本章小结 |
4 交通事件自动检测系统设计 |
4.1 事件检测系统设计目标与流程分析 |
4.1.1 设计目标 |
4.1.2 流程分析 |
4.2 事件检测系统功能模块 |
4.2.1 事件检测模块 |
4.2.2 网络学习模块 |
4.2.3 轨迹复现模块 |
4.3 事件检测系统界面设计 |
4.3.1 事件检测模块 |
4.3.2 网络学习模块 |
4.3.3 轨迹复现模块 |
4.4 本章小结 |
5 结论与展望 |
5.1 主要结论 |
5.2 研究展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(8)基于智能道钉的交叉口交通信息检测方法(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题来源 |
1.2 研究背景和意义 |
1.2.1 研究背景 |
1.2.2 研究意义 |
1.3 国内外研究现状 |
1.3.1 智能交通信号控制系统研究现状 |
1.3.2 交通信息检测技术研究现状 |
1.4 研究内容及技术路线 |
1.5 本章小结 |
第2章 交通信息检测系统总体设计 |
2.1 系统总体设计 |
2.2 系统网络总体设计 |
2.2.1 网络总体设计 |
2.2.2 BLE协议研究 |
2.2.3 NBIOT相关研究 |
2.3 系统节点功能与硬件设计 |
2.3.1 车辆传感节点功能与硬件设计 |
2.3.2 中继节点功能与硬件设计 |
2.4 系统软件开发 |
2.4.1 软件开发协议与平台 |
2.4.2 系统节点软件设计流程 |
2.5 本章小结 |
第3章 交通信息检测系统实现 |
3.1 网络需求分析 |
3.2 网络拓扑结构搭建 |
3.3 网络通讯协议 |
3.3.1 网络传输协议 |
3.3.2 网络数据通讯链路 |
3.3.3 多跳式通讯链路路径选择 |
3.3.4 远程数据交互 |
3.4 节点时间同步设计 |
3.4.1 计时器同步 |
3.4.2 RTC时钟同步 |
3.5 节点低功耗设计 |
3.5.1 低功耗问题分析 |
3.5.2 节点 BLE 低功耗设计 |
3.5.3 NB模组低功耗设计 |
3.6 本章小结 |
第4章 交叉口交通信息检测方法 |
4.1 车流量检测方法 |
4.2 车速检测方法 |
4.2.1 基于节点计时器同步检测车速 |
4.2.2 基于RTC时钟同步检测车速 |
4.3 信号交叉口排队长度检测方法 |
4.3.1 排队长度估算模型 |
4.3.2 基于车辆流入、流出检测排队长度 |
4.3.3 信号交叉口饱和度判别 |
4.3.4 平均排队长度和最大排队长度 |
4.4 本章小结 |
第5章 传感节点布设优化 |
5.1 传感节点精简布设方案 |
5.2 传感节点亮化布设方案 |
5.3 本章小结 |
第6章 系统验证与误差分析 |
6.1 交通信息检测系统实例验证 |
6.1.1 系统实际布设 |
6.1.2 车流量、车速检测数据及系统基本功能实例 |
6.2 排队长度检测算法仿真 |
6.2.1 信号交叉口仿真方案 |
6.2.2 算法仿真结果 |
6.2.3 仿真结果分析 |
6.3 交通信息检测误差分析 |
6.3.1 车流量检测误差分析 |
6.3.2 车速检测误差分析 |
6.3.3 排队长度检测误差分析 |
6.4 本章小结 |
总结与展望 |
参考文献 |
攻读学位期间发表的学术论文及其他成果 |
致谢 |
(9)基于YOLCAT实例分割的路段监控系统研究与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 智能路段监控系统的国内外研究现状 |
1.2.2 深度学习在智能交通领域的国内外现状 |
1.3 本文研究的内容 |
1.4 本文组织结构 |
第二章 路段监控图像数据的预处理 |
2.1 本章概述 |
2.2 阴影对车辆压线检测的影响 |
2.3 运动目标阴影检测与去除算法的相关工作 |
2.4 阴影检测与去除的改进算法 |
2.4.1 基于灰度图阴影属性的检测与去除 |
2.4.2 结合彩色图阴影色彩特征的改进算法 |
2.5 实验与结果分析 |
2.6 本章小结 |
第三章 路段监控图像内容的处理与分析 |
3.1 本章概述 |
3.2 图像关注域的坐标定义 |
3.3 YOLACT实例分割与检测 |
3.3.1 本节概述 |
3.3.2 图像分割的相关工作内容 |
3.3.3 实时的实例分割模型YOLACT |
3.3.4 本文的YOLACT网络模型 |
3.3.5 实验与结果分析 |
3.4 基于YOLACT模型的目标轨迹跟踪 |
3.4.1 本节概述 |
3.4.2 运动目标轨迹跟踪的相关工作 |
3.4.3 运动目标轨迹跟踪的判别 |
3.4.4 实验与结果分析 |
3.5 基于轨迹跟踪的目标行为分析 |
3.5.1 本节概述 |
3.5.2 车辆违规压双黄线行驶的判别 |
3.5.3 行人横穿马路行为的判别 |
3.5.4 实验与结果分析 |
3.6 结合轨迹跟踪和“虚拟线圈”的目标流量统计 |
3.6.1 本节概述 |
3.6.2 多型车流量检测相关工作内容 |
3.6.3 双向车道的多型车流量检测的改进算法 |
3.6.4 实验与结果分析 |
3.7 本章小结 |
第四章 智能路段监控系统的实现 |
4.1 本章概述 |
4.2 智能路段监控系统的架构流程图 |
4.3 智能路段监控系统的具体实现 |
4.3.1 本节概述 |
4.3.2 系统的软件开发环境配置 |
4.3.3 系统主界面的实现 |
4.3.4 视频播放区的实现 |
4.3.5 操作面板区的实现 |
4.3.6 车流量统计区的实现 |
4.3.7 违规行为抓拍记录区的实现 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
(10)基于YOLO-v3的高速公路交通事件检测系统研究(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 国内外高速公路交通事件检测技术研究现状 |
1.3 研究目的 |
1.4 研究内容与技术路线 |
2 高速公路交通事件检测系统 |
2.1 交通事件 |
2.2 交通事件检测系统 |
2.3 交通事件数据处理模块 |
2.4 基于背景差法的交通事件检测和追踪 |
2.5 本章小结 |
3 基于YOLO-v3的交通事件数据处理模块 |
3.1 高速公路运动目标特性 |
3.2 YOLO-v3车辆检测算法 |
3.3 deepsort跟踪算法 |
3.4 本章小结 |
4 检测算法实现 |
4.1 算法性能评价标准 |
4.2 基于背景差法检测实现结果 |
4.3 基于YOLO-v3算法的检测追踪实现结果 |
4.4 检测结果对比 |
4.5 本章小结 |
5 结论 |
5.1 研究成果 |
5.2 展望 |
参考文献 |
作者简历 |
学位论文数据集 |
四、实时车辆流量检测系统的研究(论文参考文献)
- [1]交通道路信号灯智能化控制系统设计与实现[D]. 佘占峰. 南京邮电大学, 2020(03)
- [2]网络入侵检测技术综述[J]. 蹇诗婕,卢志刚,杜丹,姜波,刘宝旭. 信息安全学报, 2020(04)
- [3]基于DAS技术的车辆交通状态辨识与防碰撞预警研究[D]. 刘慧勇. 北京交通大学, 2020(06)
- [4]面向车载网络的入侵检测系统研究[D]. 宋和春. 西安电子科技大学, 2020(05)
- [5]区域道路与交叉口的交通流量制系统[D]. 孙悦. 山东建筑大学, 2020(12)
- [6]基于多模隐马尔可夫过程的列控系统入侵检测方法研究[D]. 宋雅洁. 北京交通大学, 2020(03)
- [7]基于浮动车数据的城市道路交通事件自动检测技术研究[D]. 陈林武. 浙江师范大学, 2020(01)
- [8]基于智能道钉的交叉口交通信息检测方法[D]. 杨骁. 哈尔滨工业大学, 2020(01)
- [9]基于YOLCAT实例分割的路段监控系统研究与实现[D]. 刘嘉敏. 广州大学, 2020(02)
- [10]基于YOLO-v3的高速公路交通事件检测系统研究[D]. 朱金凤. 中国矿业大学, 2020(01)