-
公开(公告)号：CN117078718A
公开(公告)日：2023-11-17
申请号：CN202311020638.7
申请日：2023-08-14
Applicant: 东南大学
Abstract: 本发明公开了基于DeepSORT的高速公路场景中多目标车辆跟踪方法，包括：首先，构建用于评估高速公路场景中多目标车辆跟踪模型的性能的数据集；其次，构建用于高速公路场景中车辆检测的Faster‑RCNN‑VDHS模型、YOLOV5s‑VDHS模型；再次，运动预测与状态估计，通过统计目标对象在之前帧的运动行为和参数来建模估计目标将在未来帧可能到达的位置；然后，构建用于车辆重识别的DNFM‑RDS模型、ResNet50‑VRHS模型、DenseNet121‑VRHS模型和ShuffleNetV2‑VRHS模型，用于提取目标检测框的运动特征和表观特征，并根据特征之间的相似度构建代价矩阵；最后，进行目标车辆关联匹配。本发明的有益效果在于：能够有效的对高速公路场景下的多目标车辆进行跟踪，提高高速公路系统监控的效率，从而促进智慧高速系统的发展。
-
公开(公告)号：CN116994229A
公开(公告)日：2023-11-03
申请号：CN202310739481.7
申请日：2023-06-20
Applicant: 东南大学
IPC: G06V20/59 , G06V10/82 , G06V10/80 , G06N3/0464
Abstract: 本发明提出了一种基于卷积神经网络融合模型的货车驾驶员姿态行为识别方法，包括：构建货车驾驶员姿态行为标准图像数据集；构建用于货车驾驶员姿态行为感知识别的四个模型，并通过对比实验得出RetinaNet‑DPBR的性能最优；使用RetinaNet‑DPBR对标准图像数据集进行驾驶姿态行为区域裁剪与提取；构建基于卷积神经网络的货车驾驶员姿态行为识别模型VGG16‑DPBR，获取一维特征向量FV；构建基于卷积神经网络的货车驾驶员姿态行为识别模型Xception‑DPBR，获取一维特征向量FX；构建基于卷积神经网络的货车驾驶员姿态行为识别模型MobileNetV2‑DPBR，获取一维特征向量FM；将特征向量FV、FX、FM融合，构建卷积神经网络融合模型FCNN‑DPBR，可以更精准地识别货车驾驶员姿态行为，对驾驶员在驾驶途中的安全性提供一定的技术保障。
-
公开(公告)号：CN117475345A
公开(公告)日：2024-01-30
申请号：CN202311025357.0
申请日：2023-08-14
Applicant: 东南大学
IPC: G06V20/40 , G06V20/54 , G06V10/40 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/0985
Abstract: 本发明公开了基于深度学习融合网络的高速公路场景中车辆重识别方法，包括：获取图像信息，构建高速公路场景下车辆重识别数据集；针对数据集特征，构建用于车辆重识别的ResNet50‑VRHS、ShuffleNetV2‑VRHS、DenseNet121‑VRHS和DNFM‑RDS融合网络模型；进行模型训练并优化参数，优选DNFM‑RDS融合网络模型进行高速公路场景下的车辆重识别。本发明的有益效果在于：能够有效对高速公路场景下的车辆进行重识别，在损失一定检测速度的情况下提高车辆检测精度，为后续实现高速公路场景监控视频中多目标车辆定位跟踪提供基础。
-
公开(公告)号：CN115393588A
公开(公告)日：2022-11-25
申请号：CN202211008106.7
申请日：2022-08-22
Applicant: 东南大学
Abstract: 本发明公开了一种基于语义分割网络的高速公路沥青路面病害分割方法，包括：构建高速公路沥青路面图像病害数据集；替换FCN骨干网络为Densenet121和Densenet201，构建用于公路沥青路面病害分割的FCN‑D121‑PDS、FCN‑D201‑PDS网络模型；替换Deeplabv3+骨干网络为Mobilenet和DRN，构建用于公路沥青路面病害分割的DL‑D‑PDS、DL‑M‑PDS网络模型；进行模型训练并优化参数，优选FCN‑D121‑PDS、FCN‑D201‑PDS、DL‑D‑PDS、DL‑M‑PDS网络模型进行高速公路沥青路面病害分割；改进Deeplabv3+网络结构，进一步构建DL‑M1‑PDS、DL‑M2‑PDS公路沥青路面病害分割网络并进行网络优选。本发明提出的基于语义分割网络的高速公路沥青路面病害分割方法，具有较好的公路沥青路面病害的细节信息分割能力，能够提高路面病害分割精度与平均交并比，对高速公路养护智能化发展提供技术支持。
-
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。
-
Patent Agency Ranking
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。
-
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：CN118552745A
公开(公告)日：2024-08-27
申请号：CN202410609563.4
申请日：2024-05-16
Applicant: 东南大学
IPC: G06V10/44 , G06N3/0464 , G06V10/764 , G06V10/25
Abstract: 本发明公开了一种基于双分支分类网络的高速公路场景中多车辆及多目标部件区域匹配方法，包括构建高速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匹配的ResNet50‑M‑TCR‑ES模型；构建用于高速公路场景中多车辆及多目标部件区域匹配的双分支DB‑ResNet50‑M‑TCR‑ES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的性能最好的模型DB‑ResNet50‑M‑TCR‑ES。本发明提出高速场景中多车辆及多目标部件区域匹配数据集的构建方法，构建基于特征提取网络与双分支分类网络的高速公路场景中多车辆及多目标部件区域匹配方法，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：CN116863412A
公开(公告)日：2023-10-10
申请号：CN202310664169.6
申请日：2023-06-06
Applicant: 东南大学
IPC: G06V20/54 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于深度学习融合模型的车辆类型识别方法，包括：构建高速公路场景中车辆顶视图图像数据集；构建基于深度学习的高速公路场景中车辆类型检测与识别方法CenterNet，并使用crop函数裁剪车辆目标区域；构建基于深度学习的车辆类型识别模型VTR‑NASNetLarge，获取一维特征向量FN；构建基于深度学习的车辆类型识别模型VTR‑VGG16，获取一维特征向量FV；构建基于深度学习的车辆类型识别模型VTR‑MobileNetV2，获取一维特征向量FM；将特征向量FN、FV、FM并联融合，构建基于深度学习车辆类型识别融合模型DFN‑VTR进行高速公路场景中车辆收费车辆类型识别。本发明提出获取车辆顶视图中的车辆目标区域并构建深度学习融合模型，可更精确地实现车辆类型的识别，对车辆信息感知提供技术支持。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.019 seconds)
