-
公开(公告)号：CN118552915A
公开(公告)日：2024-08-27
申请号：CN202410609559.8
申请日：2024-05-16
Applicant: 东南大学
IPC: G06V20/54 , G06V10/44 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/0464 , G06V10/80
Abstract: 本发明公开了一种基于注意力特征融合的高速公路场景中多车辆及多目标部件区域感知方法，包括：构建高速公路场景中多车辆及多目标部件区域检测数据集；构建高速公路场景中多车辆及多目标部件区域匹配数据集；构建用于高速公路场景中多车辆及多目标部件区域感知的PM‑MVMCR‑ECAnet‑OM模型；构建用于高速公路场景中多车辆及多目标部件区域感知的PM‑MVMCR‑ECAnet‑FF‑OM模型；进行对比实验，选取用于高速公路场景中多车辆及多目标部件区域感知的性能最好的模型PM‑MVMCR‑ECAnet‑FF‑OM。本发明提出高速公路场景中多车辆及多目标部件区域检测和匹配数据集构建方法并构建基于注意力特征融合的高速公路场景中多车辆及多目标部件区域感知模型，从而实现全天候多车辆与多目标部件信息的高精度及高效率感知，提升高速公路门架ETC系统感知的性能。
-
公开(公告)号：CN118298633A
公开(公告)日：2024-07-05
申请号：CN202410431664.7
申请日：2024-04-11
Applicant: 东南大学
Abstract: 本发明发布了基于雷视融合的校园场景中人车冲突实时感知预警系统，包括：集成监控摄像头与激光雷达的传感器系统；集成雷视双层级联检测系统和控制面板软件的实时数据采集与状态检测系统；集成冲突预测系统、冲突判断系统与报警系统的冲突预警系统；集成检测数据存储结构、融合数据存储结构、卫星数据存储结构、预警记录存储结构与配置参数存储结构的校园冲突数据存储系统。系统包含雷达、摄像头和报警器等核心设备，电源、实时数据处理设备等辅助设备共同构成的硬件系统和交通主体轨迹跟踪和预测的数据处理算法等共同构成的软件系统。通过对校园内交通主体行为的感知与预测，能够在冲突或事故发生前提前发出预警，帮助避免或减轻交通事故的发生，进而降低校园内事故发生率。
-
公开(公告)号：CN117197084A
公开(公告)日：2023-12-08
申请号：CN202311160678.1
申请日：2023-09-08
Applicant: 东南大学
IPC: G06T7/00 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/045 , G06N3/08 , G06N20/20
Abstract: 本发明提出了一种基于深度融合卷积神经网络的公路快检图像路面病害检测方法，包括：构建公路快检图像路面病害图像标注数据集；构建用于公路快检图像路面病害检测的YOLOv8‑RSDD‑HRII简单模型与YOLOv8‑CBAM‑RSDD‑HRII深度融合基础模型；构建用于公路快检图像路面病害检测的Mobile‑Net‑YOLOv8‑CBAM‑RSDD‑HRII次融合网络模型，获取检测框坐标 构建用于公路快检图像路面病害检测的Efficient‑Net‑YOLOv8‑CBAM‑RSDD‑HRII次融合网络模型，获取检测框坐标 构建用于公路快检图像路面病害检测的Res‑Net‑YOLOv8‑CBAM‑RSDD‑HRII次融合网络模型，获取检测框坐标 并联连接次融合网络模型，将次融合网络模型所生成的检测框坐标进行集成学习，从而构建用于公路快检图像路面病害检测的深度融合卷积神经网络模型DFCNN‑RSDD‑HRII，可以更精准地识别公路快检图像路面病害，有效提高公路养护效率。
-
公开(公告)号：CN115546776A
公开(公告)日：2022-12-30
申请号：CN202211143811.8
申请日：2022-09-20
Applicant: 东南大学 , 河北交通职业技术学院
Abstract: 本发明公布了基于卷积神经网络模型的字符分割模式车牌识别方法，包括：基于异常天气状况下的高速整车图像，构建高速公路车牌图像集；基于图像比例的方法，对车牌字符进行分割；构建不同字符集的分类卷积神经网络模型，优选Inceptionv3‑LPCR、ResNet50‑LPCR、ResNeXt‑LPCR和MNASNet‑LPCR模型完成车辆号牌识别。本发明的有益效果在于：能够有效对车牌的字符进行分割，构建符合真实高速场景且适用于神经网络学习的车牌图像集，同时选用结构合理的卷积神经网络，完成对车辆牌照的自动识别，提升了车牌识别的准确率与速度，对于车辆的识别有着重要的作用。
-
公开(公告)号：CN115512154A
公开(公告)日：2022-12-23
申请号：CN202211157110.X
申请日：2022-09-21
Applicant: 东南大学
IPC: G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08 , G06Q10/06
Abstract: 本发明公开了一种基于深度学习神经网络的高速公路车辆图像检索方法，包括：采用基于Faster‑RCNN的目标检测切割模型构建车辆检索图像数据集；分别构建基于VGG16网络、ResNet50网络以及DenseNet121网络的三种基于单一深度学习网络的车辆检索模型，对各图像测试集中的样本数据进行单张循环检索；构建基于深度学习神经网络的车辆图像检索实验的实验结果评价指标，对基于深度学习神经网络的高速公路车辆图像检索方法的检索精确度与检索时效性进行评估。本发明具有较佳的正确率和实效性。
-
Patent Agency Ranking
公开(公告)号：CN115393587A
公开(公告)日：2022-11-25
申请号：CN202211008095.2
申请日：2022-08-22
Applicant: 东南大学
IPC: G06V10/26 , G06V10/764 , G06V10/82 , G06V10/80 , G06V10/766 , G06N3/04 , G06N3/08 , G06Q10/00 , G06Q50/26
Abstract: 本发明公开了一种基于融合卷积神经网络的高速公路沥青路面病害感知方法，包括：使用优化Mobilenet V3网络替换Deeplabv3+骨干网络，构建DL‑M‑PDS网络；改进网络参数，构建用于公路沥青路面病害分割的DL‑M2‑PDS优化网络；通过该优化网络获取路面像素级病害信息，并与原图像叠加；对Faster‑RCNN、Yolov5s、SSD模型进行适应性改进，构建用于公路沥青路面病害检测的FR‑PDD、Yolov5s‑PDD、SSD‑PDD网络模型；输入叠加病害图像，构建用于公路沥青路面病害感知的FCNN‑PDP‑FR、FCNN‑PDP‑Yolov5s和FCNN‑PDP‑SSD网络；训练网络并优化参数，优选模型进行高速公路沥青路面病害感知。本发明将公路沥青路面病害分割模型与公路沥青路面病害检测分类模型进行融合，以实现分割病害的同时提高模型的检测分类精度，可对高速公路养护智能化发展提供技术支持。
-
公开(公告)号：CN108710967B
公开(公告)日：2021-07-27
申请号：CN201810353803.3
申请日：2018-04-19
Applicant: 东南大学
Abstract: 本发明公开了一种基于数据融合和支持向量机的高速路交通事故严重度预测方法，包括如下步骤：1、收集m个交通事故发生时的道路条件、驾驶员情况、车辆情况等l个变量因素，构成样本集，记录每个交通事故的严重度值ri；2、对收集到的m个事故样本的变量因素进行降维和归一化；3、应用支持向量机算法构建交通事故严重度预测模型；4、将降维后的待预测事故的变量因素向量x代入步骤3建立的交通事故严重度预测模型中，得到待预测事故的严重度预测结果。该方法能够精确地预测高速公路事故的严重度。
-
公开(公告)号：CN109214370B
公开(公告)日：2021-03-19
申请号：CN201811269581.3
申请日：2018-10-29
Applicant: 东南大学
Abstract: 本发明公开一种基于手臂肤色区域质心坐标的驾驶员姿态检测方法，首先采集驾驶员驾驶时的图像，提取驾驶员双手和/或双臂的质心坐标，其次将提取的坐标和驾驶员驾驶姿态类别作为训练样本，训练分类器得到驾驶员姿态检测模型；在检测时，提取待检测图像中驾驶员双手和/或双臂的质心坐标，作为驾驶员姿态检测模型的输入，进行分类识别，检测驾驶员的驾驶姿态。该方法可以快速建立和训练出驾驶员姿态检测模型，从而实现驾驶员姿态的快速检测。
-
公开(公告)号：CN108710967A
公开(公告)日：2018-10-26
申请号：CN201810353803.3
申请日：2018-04-19
Applicant: 东南大学
CPC classification number: G06Q10/04 , G06Q50/30 , G08G1/0125 , G08G1/0137
Abstract: 本发明公开了一种基于数据融合和支持向量机的高速路交通事故严重度预测方法，包括如下步骤：1、收集m个交通事故发生时的道路条件、驾驶员情况、车辆情况等l个变量因素，构成样本集，记录每个交通事故的严重度值ri；2、对收集到的m个事故样本的变量因素进行降维和归一化；3、应用支持向量机算法构建交通事故严重度预测模型；4、将降维后的待预测事故的变量因素向量x代入步骤3建立的交通事故严重度预测模型中，得到待预测事故的严重度预测结果。该方法能够精确地预测高速公路事故的严重度。
-
公开(公告)号：CN105976612B
公开(公告)日：2017-07-07
申请号：CN201610268210.8
申请日：2016-04-27
Applicant: 东南大学
IPC: G08G1/01
Abstract: 本发明公开了一种基于鲁棒混合高斯模型的城市交通场景中车辆检测方法，包括以下步骤：1)实时采集城市交通场景视频，快速得到较为理想的城市交通场景背景模型；2)引入图像计数器，图像前景检测计数器，背景置信度图像计数器，图像更新标志，图像各点像素所处的交通状态并设置相应的初始值；3)图像的像素点当前场景的交通状态的判定；4)背景模型的每个像素点置信度是否更新的判定；5)每个像素点背景模型更新判定；6)背景更新时，根据当前场景所处的交通状态，用自适应的学习率来更新背景模型；7)城市交通场景前景检测。本发明用于实现车辆计数，车型分类，车辆跟踪以及交通参数的获取，从而实现对卡口视频数据的智能化管理。
-
-
-
-
-
-
-
-
-
Search Results
117
records
(took 0.022 seconds)
