随着城市化交通的发展,感知计算在智慧城市起着重要的作用。针对传统密度聚类算法无法适配海量出租车GPS轨迹数据及可视化的问题,提出了BCS-DBSCAN(Big-Data Cluster Center Statistics Density-Based Spatial Clustering of Applicatio...随着城市化交通的发展,感知计算在智慧城市起着重要的作用。针对传统密度聚类算法无法适配海量出租车GPS轨迹数据及可视化的问题,提出了BCS-DBSCAN(Big-Data Cluster Center Statistics Density-Based Spatial Clustering of Applications with Noise)聚类算法。该算法可以对轨迹数据切分及并行化聚类且能够提取最大密度簇心,并将结果适配可视化模型。实验结果表明,与其它流行的方法相比,在海量数据下提取城市载客热点区域的聚类速度、精确化及可视化方面具有十分显著的优势,对进一步提升城市规划、提高交通效率提供了重要的决策信息。展开更多
针对现有车道检测算法准确性和实时性较难平衡的问题,提出了一种基于多特征融合和窗口搜索的新型车道线检测算法.采用多边形填充方法确定车道线的感兴趣区域(region of interest, ROI),融合车道线的颜色、直方图和梯度特征,以消除ROI中...针对现有车道检测算法准确性和实时性较难平衡的问题,提出了一种基于多特征融合和窗口搜索的新型车道线检测算法.采用多边形填充方法确定车道线的感兴趣区域(region of interest, ROI),融合车道线的颜色、直方图和梯度特征,以消除ROI中的复杂背景.通过单应性变换得到车道线的二值图像,基于其像素密度分布寻找车道线初始位置,以窗口搜索方式提取整个车道线上的所有候选像素点.通过拟合像素点构建车道线数学模型.结果表明:提出的算法具有较高的准确性和实时性,算法对黄色车道线、树木阴影遮挡、光照变化、车道线缺损和地面交通标志干扰具有较好的鲁棒性.展开更多
文摘随着城市化交通的发展,感知计算在智慧城市起着重要的作用。针对传统密度聚类算法无法适配海量出租车GPS轨迹数据及可视化的问题,提出了BCS-DBSCAN(Big-Data Cluster Center Statistics Density-Based Spatial Clustering of Applications with Noise)聚类算法。该算法可以对轨迹数据切分及并行化聚类且能够提取最大密度簇心,并将结果适配可视化模型。实验结果表明,与其它流行的方法相比,在海量数据下提取城市载客热点区域的聚类速度、精确化及可视化方面具有十分显著的优势,对进一步提升城市规划、提高交通效率提供了重要的决策信息。
文摘针对现有车道检测算法准确性和实时性较难平衡的问题,提出了一种基于多特征融合和窗口搜索的新型车道线检测算法.采用多边形填充方法确定车道线的感兴趣区域(region of interest, ROI),融合车道线的颜色、直方图和梯度特征,以消除ROI中的复杂背景.通过单应性变换得到车道线的二值图像,基于其像素密度分布寻找车道线初始位置,以窗口搜索方式提取整个车道线上的所有候选像素点.通过拟合像素点构建车道线数学模型.结果表明:提出的算法具有较高的准确性和实时性,算法对黄色车道线、树木阴影遮挡、光照变化、车道线缺损和地面交通标志干扰具有较好的鲁棒性.
