公开(公告)号：CN115953743A

公开(公告)日：2023-04-11

申请号：CN202211510564.0

申请日：2022-11-29

Applicant: 华南理工大学

Inventor： 陈朗 ,  姜立标 ,  崔博非 ,  符茂达

IPC: G06V20/54 ,  G06V20/58 ,  G06V10/82

Abstract: 本发明公开一种基于改进的YOLO模型的车位状态识别方法，包括：构建停车位检测数据集，并划分训练集和测试集；构建改进的YOLOV4‑tiny网络模型，其中，将YOLOV4‑tiny网络模型原来的主干网络CSPDarknet53‑tiny替换为轻量化网络mobilenetv3，在特征金字塔FPN前加入SE注意力机制，将Mish激活函数替换原来的Leaky ReLU激活函数，将EiOU损失函数替换原来的CiOU损失函数，SE注意力机制包括挤压模块、激励模块和融合模块；采用训练集对改进的YOLOV4‑tiny网络模型进行训练；将待测图像输入训练得到的改进的YOLOV4‑tiny网络模型中，得到车位状态识别结果。本发明能在准确识别车位状态的前提下提高检测的速度。

公开(公告)号：CN116311154A

公开(公告)日：2023-06-23

申请号：CN202310147319.6

申请日：2023-02-20

Applicant: 华南理工大学

Inventor： 符茂达 ,  胡习之 ,  姜立标 ,  崔博非 ,  陈朗

IPC: G06V20/58 ,  G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06V10/77 ,  G06V10/52 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明提出一种基于YOLOv5模型优化的车辆检测与识别方法，包括：步骤S1、获取若干张包含不同车辆类型的图片，并对图片进行标注，得到数据集；步骤S2、对标注好的图片数据进行预处理操作，将预处理好的图片数据输入到YOLOv5模型的骨干网络中，骨干网络能够对图像上的特征信息通过卷积网络进行特征提取；步骤S3、根据所建立的数据集优化YOLOv5车辆检测模型，其中，YOLOv5车辆检测模型相较于现有YOLOv5模型的改进包括：将骨干网络中的CSP1_X模块替换为ShuffleNetv2模块，将头部模块Bounding Box损失函数的DIOU_Loss替换为CIOU_Loss；步骤S4、将待检测图像数据输入到优化后的YOLOv5车辆检测模型中，得到检测结果。使用优化的YOLOv5检测方法可以直接端到端的输出所检测的物体的类别概率和位置，可以达到较高精度。

公开(公告)号：CN115439743A

公开(公告)日：2022-12-06

申请号：CN202211028947.4

申请日：2022-08-23

Applicant: 华南理工大学

Inventor： 崔博非 ,  胡习之 ,  李洪涛 ,  符茂达

IPC: G06V20/10 ,  G06V10/44 ,  G06V10/75 ,  G06V10/764 ,  G06V10/82 ,  G06N3/04 ,  G06T7/73 ,  G06N3/08

Abstract: 本发明公开一种泊车场景下精确提取视觉SLAM静态特征的方法，对于停车场场景有行人和车辆等动态物体的情况，使用多线程并行，利用目标检测模型将车辆与行人框出形成mask掩码；同时摒弃目前VSLAM系统常用的手工特征，选择使用改进的基于深度学习特征提取模型SuperPoint进行特征提取，让特征提取的精度更高更鲁棒，得出图像帧的关键点与描述子，根据生成的mask掩码筛选并剔除动态物体框中的特征点，利用剩余的精准静态特征点进行特征匹配和相机位姿估计，后续即可执行跟踪、建图和回环检测线程，完成整个SLAM工作。使用本方法降低了记忆泊车场景中误匹配的概率，可有效解决SLAM算法难以剔除动态特征点、场景识别精度低的缺陷，提高了记忆泊车的可靠性。