地铁障碍感知和识别方法基于云边缘的合作

文摘

火车障碍的传统分析方法利用同构传感器获取状态信息并完成探测和识别分析在远程的网络。单个数据样本和更多的处理链接将减少精度和速度分析地铁遇到障碍。为了解决这个问题,本文提出了一个地铁的障碍感知和识别方法基于云边缘的合作。地铁监控云平台实现训练和检测模型的建设,网络边一边完成情况跟踪意识状态和实时行动当火车遇到障碍。首先,铁路轨道位置检测到摄像头,和地铁跑道被面具RCNN算法来确定检测区域的地铁列车运行过程中的障碍。在网络的边缘,传感器采集的数据的特性融合集群进行探测工作提供可靠的数据支持。然后,基于DeepSort YOLOv3网络模型,地铁障碍检测模型在地铁监控云平台。此外,一个训练有素的模型分布到网络边缘,从而实现快速、高效的感知和行动的障碍。最后,仿真验证实现根据实际收集的数据集。实验结果表明,该方法具有良好的检测精度和效率,维持98.9%和1.43年代障碍检测精度和识别在复杂的场景。

1。介绍

城市轨道交通是最受欢迎的交通工具之一,对于城市人来说,其发展速度也非常迅速(1]。其中,全自动无人驾驶地铁列车的技术是一个热门研究内容的城市轨道交通2- - - - - -4),最关键环节的快速分析和紧急状态处理当火车遇到障碍。

根据铁路行车安全事故的统计数据,近年来,有许多因素会影响地铁运营安全,主要包括管理水平、设备可靠性、和铁路路障(5,6]。同时,因为地铁交通环境主要是封闭的和低,操作环境和照明条件并不足以支持的传统检测方法实现识别跟踪障碍。此外,地铁列车的运行速度快造成了某些挑战地铁的安全稳定运行,导致列车运行期间(潜在的安全隐患7]。因此,它是特别重要的开发一个合理、高效的地铁障碍感知和识别方法。

传统方法采用接触检测方法,和火车紧急刹车后的障碍物碰撞检测光束。联系的障碍检测系统能够准确地找到目标,阻止火车。但与此同时,目标被发现,铁路列车停止运行。火车也可能受到更大的影响,所以地铁和乘客的安全无法保证(8,9]。

随着传感器技术的发展,状态数据采集是基于检测设备的安装在特定轨道(10]。例如,一个特定的雷达或射频设备是安装在地铁的正面,可以收集运行状态数据的跟踪之前不联系的障碍,上传到监控系统平台进行分析和决策,实现有效和稳定的制动减速,大大提高手术安全性。

然而,仍然有一些问题在火车非接触检测方法:首先,检测设备采集设备状态。因为不同的传感器和安装环境的性质,同声传译的对象由单一传感器不能保证数据的可靠性,影响检测的准确性(11]。第二,有太多链接在障碍识别和分析。依靠地铁监控平台的检测和分析在一定程度上可以提高精度,但不能满足跟踪外国目标识别的要求分析速度。

2。相关工作

由于有限的视线在地铁运行环境中,有时很难区分外国对象的跟踪。碰撞与障碍造成的安全事故通常有大的损失和严重伤害的特点。因此,它是特别重要的发展快速,准确的障碍自主识别方法对机车的安全运行的障碍。

传统的障碍检测方法使用接触障碍检测系统。系统安装一个检测梁底部的火车上的头,实现检测功能,当检测梁接触障碍。传感器检测梁的变形,和火车系统提示火车制动列车紧急根据传感器(12]。然而,接触障碍检测系统检测时必须打破火车梁接触障碍。地铁的速度非常快。尽管障碍被检测到,它还将破坏火车并不能确保列车的安全。

随着传感器技术的发展,铁路列车开始使用雷达检测、射频检测,检测异物或立体相机。然而,任何单一传感器技术有缺点:例如,红外摄像机的检测效果很差,当温度高,立体相机很难收集数据的恶劣天气,和信息收集的雷达也可怜,当外部环境很差。各种异构传感器构成传感器簇的边缘网络和相互融合实际样本数据,可以克服单一传感器技术的缺点,提高系统的检测结果,并支持火车的稳定运行。

由于智能算法和大数据技术的发展,深刻的网络技术应用于地铁运行状态的分析。基于边缘的状态数据上传的传感器网络,通过持续的培训和学习的多层网络结构(13),非接触感知和识别跟踪实现的障碍。文献[14)提出了一种深度学习铁路检测分割算法基于RailNet网络模型。多层网络结构可用于连续提取样本数据集的特点来实现非接触外国对象的识别。文献[15)提高了深卷积神经网络(CNN)构建一个地铁运行检测网络。此外,过去学习技术转让培训设施图片在地铁隧道改善障碍模型的性能检测。文献[16)提出了一个CNN-based铁路区域检测方法来实现对跟踪区域进行像素级分类。文献[17)结合语义分割算法与CNN实现跟踪区域的准确识别和前进的火车。文献[18]介绍了LeNet-5CNN实现轨道交通障碍检测和提供列车控制系统的智能预警信息。上述方法可以实现障碍感知和识别之前火车接触障碍。然而,只有依靠国家数据上传的传感器实现决策分析的问题单不可靠的数据样本和缺失的有效数据的危险。另一方面,过度依赖地铁监控云平台检测可以提高准确性,但实时性能不高19]。它可能导致一个较慢的制动操作时遇到障碍和车祸和死亡的风险。

解决上述问题,在云边协作体系结构,提出了一种地铁使用深度学习障碍感知和识别方法。本文的创新如下:(1)提出一个基于面具RCNN跟踪区域识别方法为自主、高效的网络模型来满足需求的识别列车运行在实际场景中跟踪(2)克服单一传感器数据采集的不全面性,实现集群特性数据融合的传感器数据在网络的边缘来提高分析数据的可信度,然后改善整个检测网络系统的可靠性(3)根据可靠的数据支持,使用YOLOv3和DeepSort算法训练,建立检测网络云分析平台。在云边,发现网络是用于实现快速感知和控制,从而大大提高了列车运行的安全性和可靠性

3所示。方法框架

3.1。总体框架

方法架构提出了结合云边缘(地铁监控云平台)的决策,和边侧(火车)监测。条件下云边缘和边缘之间的相互合作,有效感知和识别的地铁障碍可以实现支持铁路地铁的安全可靠运行20.]。图1该方法的总体框图。

如图1,该方法提出了支持铁路地铁的可靠运行云边缘决定analysis-edge云边缘协作的实时控制。首先,rails是检测到摄像头的位置。基于深度学习铁路识别,我们确定检测区域的障碍在地铁的过程中。边缘层负责融合多传感器数据和执行培训检测模型发布地铁监控云平台实时检测障碍。地铁监控云平台负责使用深度学习方法训练和学习的跟踪环境和障碍特征在不同的场景中,生成检测模型,并定期发送他们的边缘层执行。

3.2。基于深度学习铁路知觉

传统分析方法有一定的局限性,很难支持自主的分析要求铁路标识和危险区域的铁路列车。摘要铁路轨道的位置检测到摄像头,和基于深度学习算法对云边,地铁列车的轨道区域。

首先,铁路训练样本的特征提取是基于CNN;然后,该地区建议网络(RPN)是用于培训。面具RCNN负责铁路检测和识别危险区域(21];如图2,一个地区的候选人选择网络来提取候选帧以提高效率。

项网络是一个完整的卷积网络专门用于提取候选区域。It过程之前提取特征地图,寻找候选帧可能包含目标区域,并预测每一帧的类别分数。

使用CNN直接生成候选区域框架的核心思想是RPN网络,扫描图像的滑动窗口。每个锚点的网络产生两个输出项。一个锚点的类别,为所有锚点框生成。筛选和过滤后,将SoftMax分类函数是用来判断锚点属于前景或背景;也就是说,它是一个铁路铁路轨道,从而实现识别的铁轨。与此同时,另一个是框架微调,利用回归函数的边界框正确的锚点框架形成更准确的候选人。被CNN,提取后获得的特征映射输入项网络,如图3。

输入项网络的任何大小的照片,和网络输出一系列的候选帧大小不同。以及RPN网络为每个候选帧生成两个输出,这是识别目标对象的概率值和位置信息的目标对象相当于图片。RPN网络使用的 滑动窗口和CNN的输出卷积来完成操作,卷积操作之后,一个低维矩阵。每个锚点可以生成15候选人盒子,这些15个候选框输入回归和分类层,用于边界框的回归和分类,分别。的原理图的RPN结构如图4,候选帧 。

如果十字路口联盟(借据)的值对应的预测框锚点和地面真理盒子是最大的,它被标记为一个积极的样本。如果预测帧和实际帧之间的借据的锚点大于0.33,它被标记为一个积极的样本。如果借据小于0.33,它被标记为一个负样本。其余的样品既不积极也不消极,不参与最后的训练。损失函数选择横向目标函数,其表达式 在哪里代表所选样本显示所选样本的数量。

与二次目标函数相比,训练误差较大时,梯度较大,和参数调整加速,使训练速度越来越快。的原因如下:

发现参数的梯度 : 在哪里代表输出值和真实值之间的误差。同样,的梯度是

整个损失函数 在哪里 的损失函数RCNN更快。主要的 应该由分类损失函数和回归损失函数,代表了四个参数的坐标框架和预测候选人时选择的坐标向量样本是正的,也就是说, 在哪里和 ,分别代表候选帧的中心坐标和宽度和高度预测的RPN网络。除此之外,和的中心坐标和宽度和高度选择框架阳性样本。

3.3。左右多传感器融合

一个传感器检测的局限性。本文通过传感器收集火车状态时检测铁路列车故障和高度集成了多个状态数据实现的全球态势感知故障状态。多传感器数据融合功能的使用可以大大提高系统的能力感知环境;这提高了整个检测系统的智能平台(22]。

如图5本文中使用的特性融合是一个中级数据融合。提取特征向量中收集的数据,它可以反映监测物理量的属性,监控对象的特性融合。特性融合的过程中,从传感器数据提取的代表特性应该融合成一个单一的特征向量。然后,我们使用模式识别的方法来处理,和特性融合实现信息压缩,便于实时处理。摘要小波变换方法用于实现异构传感器数据融合集群数据集。

集群预清洗后收集的多传感器图像融合之前,数据样本集分为三个乐队 , ,和根据RGB模型,这三个乐队是小波分解,分别为:

的低频系数 , ,和分解的 , ,和和为小波综合反映了图像边缘细节元素。公式如下:

RGB三通道合成用于三个乐队获得融合图像可靠的数据集。

在多传感器数据融合的过程中,传感器校准尤为重要。为了简化计算,本文选择传感器坐标系作为一个统一的坐标系统。我们获得外部参数联合标定的摄像机和激光雷达,从而实现两者之间的统一坐标系统。摘要激光雷达点云数据映射到图像坐标系统,可以完成传感器空间同步。图6是一个联合标定方法的示意图。

转换公式的共同校准激光雷达和摄像头如下: 在哪里 激光雷达坐标系的坐标吗和代表了旋转矩阵向量转换和翻译从激光雷达坐标系到摄像机坐标系,分别。

激光雷达坐标系和像素坐标之间的关系如下:

联合标定过程如下:(1)相机和激光雷达节点运行,启动相机和激光雷达传感器,记录并保存相机和激光雷达的联合文件(2)重启相机和激光雷达节点和导入参数文件从先前的校准(3)调整点云的视角,然后确保图像和点云可以看到完整的校准板和获得多帧图像和点云(4)对齐的点云图像,也就是说,提取点云中的对应点和图像,并获得外部共同校准相机和激光雷达的参数计算

3.4。障碍识别基于深度学习云计算优势

基于边缘侧传感器提供的可靠的数据集支持集群,本文使用YOLOv3和DeepSort迭代算法在地铁监控云平台学习铁路列车状态数据在每个场景构建,提高检测网络模型。训练网络模型转移到边侧设备完成实时快速火车减速,避免操作时遇到障碍。

传统的CNN网络长时间检测的问题在处理大量的计算数据。YOLOv3网络模型的处理速度快于CNN模型和通常用于实时检测和分析研究。YOLOv3算法使用一个网络结构图,结合多层卷积网络汇聚层和一个完全连接层。输入图片的大小已经扩大到 然后进入YOLOv3网络结构。卷积特征提取后,池降维,完全连接输出,目标的预测位置和类别概率。

YOLOv3算法将输入图像划分为 位图,每个光栅的输出数据 维度。其中, 实际上是 ,四维数据 是指 , , ,和作为预测目标位置。一维数据 指的是信心得分。的 - - - - - -空间数据是一个条件类概率。最后,输出是一个 - - - - - -维张量。

YOLOv3算法将输入图像划分为网格。如果有一个电网检测目标的检测,检测电网负责检测对象。每个网格预测回归框架和这些回归的分数帧。分数代表的预测价值的输出检测电网,预测是否有一个目标在检测电网和目标属于某一类的概率。比分被定义为信心

如果目标不落入检测电网, 。如果目标进入检测电网,信心之间的借据回归框架和实际的目标区域。换句话说,如果检测电网包含一个目标, ;否则, 。借据是预测之间的交集区域回归框架和对象的实际面积。

在 网格划分的形象,每个网格的概率预测条件类别: 。 代表了目标属性和其概率值预测分为网格。在测试阶段,我们每个网格的条件类别概率乘以每个回归帧的信心:

通过这种方式,每个回归的特定类别的信心得分框架可以获得。这个产品不仅包含概率信息的分类预测回归框架,但也反映了回归框架是否包含对象和回归的坐标框架的准确性。

使用YOLOv3用于目标检测的步骤如图所示7:

步骤1:将输入的左眼的图像帧输入YOLOv3网络后大小转换和分成 光栅 。

步骤2:每次光栅是由YOLOv3处理网络后,两个预测帧 是输出。

步骤3:确定对象是否属于网格。如果对象不落入网格,建立信心为0。如果物体落入网格,信心值将被输出预测,预测框架 将被更新。

步骤4:预测信心值与阈值相比较删除多余的窗口和留住高信心值位置窗口。

第五步:确定输入目标位置之前的模块分为保留位置窗口。如果它落入预留位置窗口,输出识别结果。如果它不属于预留位置窗口,丢弃它。

然而,应该注意的是,铁路火车通常在高速运动。DeepSort算法框架添加到障碍识别网络,使用运动模型和明显的信息协会的数据,可以实现快速的端到端多目标视觉跟踪。这使得车辆目标在复杂条件下获得良好的跟踪效果照明等快速运动,和阻塞23,24]。

DeepSort算法有很深的关联特性和基于分类算法的改进。其跟踪效果是基于现有的准确的检测结果。预测模块使用维纳滤波和更新模块使用借据与匈牙利算法。跟踪流程如图8。

为了防止目标覆盖多个目标或多个探测器探测目标的多目标跟踪,DeepSort算法使用一个八维状态空间 定义跟踪场景, 边界框的中心位置,是目标矩形长宽比,矩形框的高度, 是运动信息。该算法使用了一个线性观测模型和标准维纳滤波的均匀速度模型来预测目标在下一帧轨迹和使用边界坐标 直接观察的对象状态。为每一个跟踪 ,最后成功地检测到帧之间的帧数图像和当前检测到帧照片记录 。此计数器递增维纳滤波预测期间,设置为0时,轨迹与测量有关。当超过阈值 ,这被认为是跟踪离开现场,并删除。检测器的检测时,不能与现有的轨迹,试探性的轨迹生成第一,如果不能复赛轨迹在三个框架,它是删除。

Mahalanobis距离显示的偏差程度的平均位置检测目标的目标轨迹;Mahalanobis距离可以用来测量之间的匹配程度,维纳滤波预测的目标状态和检测价值。我们使用代表目标预测帧的位置跟踪器,随着检测帧的位置。之间的协方差矩阵检测位置和跟踪位置。的公式计算距离

左边和右边Mahalanobis筛选检测到目标的距离,和阈值 设置,如果相关Mahalanobis距离小于阈值,设置运动状态协会成功,指标函数是

当运动的不确定性很低,Mahalanobis距离可以很好地衡量检测目标和轨迹之间的关系。但当相机震动剧烈,协会方法失败。因此,CNN是相关介绍。我们获得特征向量每个检测的目标 ,和 。

训练YOLOv3探测器用于火车障碍检测在复杂的环境中,和障碍检测模型由YOLOv3训练使用。异常目标检测结果是用作DeepSort跟踪器的实时输入,DeepSort从而弥补自己的不足之处。

4所示。实验和比较分析

为了验证该方法的可行性和准确性地铁轨道探测和识别的障碍,本文使用引用(15]、[17),(18比较方法。该方法和比较法是设置在同一实验场景仿真验证。实验场景的设置如表所示1。

实验数据集使用实际的地铁操作数据集于2020年在中国的一个城市。数据集随机提取铁路列车运行状态数据在7月某一天。30帧/ s的数据样本参数,和像素大小 。数据格式转换为VOC格式,然后标签格式信息的TXT文件YOLO格式。意思YOLOv3的识别分类。cfg文件更改为1。针对小样本数据,交叉验证用于培训200名世。

地铁障碍的主要网络参数分析方法提出了如表所示2。

4.1。跟踪识别的精度分析

为了验证该方法的可行性,地铁轨道识别,我们建立一个检测网络模型提出基于上述参数和繁殖方法引用(15]、[17),(18在相同的实验场景。图9显示了地铁轨道的检测和分析结果在每个方法。

如图945迭代的检测方法,提出网络损失函数下降至0.06。同时,检测轨道网络的识别精度提高了98.9%;它的值是几乎接近100%,保持稳定。参考文献(15]、[17),(18)实现网络性能稳定在120次,90次,分别和60倍。然而,它不仅可以看出比较参考与该方法相比有一定的劣势的分析速度。此外,分析精度略低于该方法的识别能力。文献[15)是11.6%低于方法,文献[17低于该方法)是21.8%,分析文献[精度18)为72.3%。

4.2。检测性能分析的障碍

障碍的检测和处理在地铁遇到障碍尤为重要。因此,我们也讨论检测方法的性能障碍识别和分析。图10是一个讨论的障碍检测性能在不同的识别方法。

如图10,本文提出的方法能有效区分障碍50迭代识别精度为98.9%。然而,文献[的准确性15是11.2%低于方法,文献[的准确性18该方法是低于14.6%。文献[17)尚未找到最优解的迭代分析过程。原因是我们实现集群特性融合的传感器数据边缘一侧提供可靠的检测网络模型和完整的数据支持。比较文学只进行简单的数据收集样品预处理。深层网络,数据集样本的质量将决定障碍在一定程度上识别的准确性。同时,文献[17)结合了语义分割网络和深入学习网络,具有局部优化的可能性由于复杂的网络结构,这限制了分析和识别。

与此同时,我们还分析了不同方法的计算效率,并且结果如表所示3。

根据表3的帮助下,边缘计算边缘的快速和有效的行动控制网络,本文提出的方法可以完成障碍的检测跟踪在1.43 s。比较方法都有一定的时间延迟。文献[的检测时间15)是2.79秒的时间参考(18是5.42秒,文献[17)没有完成地铁的可靠性跟踪障碍设置的时间内。同时,本文中使用的YOLOv3网络本质上是一个一步解决方案,可以实现直接和有效的特征提取的样本数据集,而CNN网络中使用的比较文学需要样本数据集进行分类,然后实现特征提取。因此,证明了该方法有能力的一个有效和快速的障碍分析。

4.3。目标跟踪分析

与此同时,我们还分析了多目标跟踪的性能。表4显示了不同方法下多目标跟踪的性能分析。

如表所示4,由于引入DeepSort算法,该方法可以快速有效地实现多目标视觉跟踪在网络的边缘,和识别精度可以达到96%。比较方法显然不如该方法。引用的识别精度15]、[17),(18)是91%,61%和64%。

总之,该方法能满足的需要有效的识别障碍在实际地铁操作。与目前的分析方法相比,它具有更好的图像特征挖掘和分析功能,实现了可靠的支持铁路列车的稳定运行。

5。结论

一个高效和准确的障碍识别方法是非常重要的稳定和安全运行的地铁。基于云的优势合作模式和深度学习技术,提出了一种快速、有效的轨道交通障碍识别方法。在这种方法中,面具RCNN算法应用于地铁轨道交通线路的识别,提供路线保证列车的安全方向操作。基于边缘的地方快速计算模式计算,国家观念和外国对象识别的跑道边缘一侧的网络上实现基于YOLOv3和DeepSort算法。通过仿真分析,可以看出,本文提出的方法可以实现更快速、准确跟踪障碍分析在实际复杂的场景。

边缘计算的本质是轻量级现场计算。然而,智能设备的内存和计算能力的边缘网络极大地限制条件下的有限的硬件成本。为了进一步减少计算的困难和解决方案,轻量级的处理研究将进行深度学习在未来检测网络模型。此外,它可以节省网络内存和减少计算复杂度,实现敏感和有效的跟踪识别障碍在实际复杂的场景。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

本文中描述的工作是完全支持自然科学基金的资助的学院和大学江苏省(18 kjd510009)。

引用

1. c . c .吴x羌族,y Wang Yan,和g .翟”有效地检测障碍电车使用自适应多级阈值和区域增长的方法,”美国机械工程师学会学报》上,F部分:《铁路和快速运输,卷232,不。5,1375 - 1384年,2018页。视图:出版商的网站|谷歌学术搜索
2. d, l·邓,z Cai,“基于机器学习的流量对象识别系统的设计,“神经计算和应用,33卷,不。14日,第8156 - 8143页,2021年。视图:出版商的网站|谷歌学术搜索
3. 董问:郭和y”,前面的障碍检测方法研究列车运行在连续跟踪雷达的基础上,“铁道科学与工程杂志》上,17卷,不。1,第231 - 224页,2020。视图:谷歌学术搜索
4. p .帕维尔和o·安德烈自主训练——俄罗斯的角度来看,“自动化、通信和信息,8卷,不。1,2019。视图:谷歌学术搜索
5. x x k .叮,d .胡,问:,“高速铁路安全监测技术在光学测量的基础上,“铁道科学与工程杂志》上,15卷,不。9日,第2231 - 2224页,2018年。视图:谷歌学术搜索
6. f . j . Li周,t .你们“现实世界铁路交通检测基于更快更好的网络,”IEEE访问》第六卷,没有。1,第68739 - 68730页,2018。视图:出版商的网站|谷歌学术搜索
7. 美国史”,审查活动障碍的检测在轨道交通系统中,“机械和电气工程技术,50卷,不。6,212 - 216年,2021页。视图:谷歌学术搜索
8. g . r .翟,c·h·胡和l . j .张“障碍和脱轨检测装置的可靠性设计。”黑龙江科学技术信息34卷,第155 - 155页,2014年。视图:谷歌学术搜索
9. h . Mukojima d Deguchi, y Kawanishi”移动相机背景扣除有关铁路的障碍检测,”2016年IEEE国际会议上图像处理(ICIP)美国凤凰城,页1 - 5。IEEE 2016。视图:谷歌学术搜索
10. 周x张m p .秋黄y和j·李”雷达和视觉融合的实时障碍探测和识别,”工业机器人:机器人技术研究和应用的国际期刊,46卷,不。3、391 - 395年,2019页。视图:出版商的网站|谷歌学术搜索
11. l . b . Chang, s . b . Zhang和h . m .杜”与切除可分离旋转Position-aware轻量级对象探测器,”实时图像处理》杂志上,18卷,不。3、857 - 871年,2021页。视图:谷歌学术搜索
12. s . t .丁和s . r .曲”交通感兴趣的目标区域检测基于深度学习,”中国公路学报没有,卷。31日。9日,第174 - 167页,2018年。视图:谷歌学术搜索
13. t .你们z张、张x和f .周“自治铁路交通目标检测使用feature-enhanced单发探测器,“IEEE访问,8卷,不。1,第145193 - 145182页,2020。视图:出版商的网站|谷歌学术搜索
14. l . y . Wang Wang黄懿慧Hu和j .邱”RailNet:分割网络铁路检测”,IEEE访问,7卷,不。1,第143779 - 143772页,2019。视图:出版商的网站|谷歌学术搜索
15. j . d .他江z,陈、刘,j .苗族和a .沙”与深层神经网络分类地铁设施,”《先进的交通工具,卷2019,不。1,2019。视图:出版商的网站|谷歌学术搜索
16. 吴x z . Wang, g . Yu, m·李”有效的铁路区域检测使用卷积神经网络,”IEEE访问》第六卷,没有。1,第77664 - 77656页,2018。视图:出版商的网站|谷歌学术搜索
17. 问:张、f·杨和张,“智能障碍检测系统应用于北京新机场线的自动操作,“铁路机车车辆,39卷,不。6,114 - 118年,2019页。视图:谷歌学术搜索
18. y z邓和m .林”的识别方法,基于改进LeNet-5轨道交通障碍,”工业控制计算机,33卷,不。1,第66 - 63页,2020。视图:谷歌学术搜索
19. m·a·Albreem a . m .谢赫•m . h . Alsharif m . Jusoh和m . n . m . Yasin“绿色物联网(GIoT):应用程序,实践,认识,和挑战,”IEEE访问,9卷,不。1,第38858 - 38833页,2021。视图:出版商的网站|谷歌学术搜索
20. t·邱j . x x, z Ning, m . Atiquzzaman和d·o·吴”边缘计算工业物联网:架构、进步和挑战,”IEEE通信调查和教程,22卷,不。4、2462 - 2488年,2020页。视图:出版商的网站|谷歌学术搜索
21. g .汉、j.p.苏和c·w·张,“一个方法基于multi-convolution层联合和生成对抗网络车辆检测,”KSII交易网络和信息系统,13卷,不。4、1795 - 1811年,2019页。视图:出版商的网站|谷歌学术搜索
22. p . f . Alcantarilla支架,g . Ros r·阿罗约和r . Gherardi“街景与deconvolutional网络变化检测,”自主机器人,42卷,不。7,1301 - 1322年,2018页。视图:出版商的网站|谷歌学术搜索
23. z . x, w .太阳,和m . m .刘”研究车辆检测和跟踪算法在交通监控场景,”计算机工程与应用卷,57号8,103 - 111年,2021页。视图:谷歌学术搜索
24. 林x, C.-T。李诉桑切斯,c .枫“detection-to-track在线多目标跟踪,协会”模式识别的字母,卷146,不。9日,第207 - 200页,2021年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021李冯et al。这是一个开放访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。