-
公开(公告)号：CN109753949B
公开(公告)日：2022-08-12
申请号：CN201910097579.0
申请日：2019-01-31
申请人： 南京邮电大学
IPC分类号： G06V20/58 , G06V10/764 , G06K9/62
摘要： 本发明公开了一种基于深度学习的多视窗交通标志检测方法，首先通过仿射变换在不同的照明条件和方向上提供其他交通标志图片，然后利用扩充的数据集训练基于YOLO框架的交通标志检测模型，最后利用多视窗YOLO模型对输入图像进行分区域操作，对每个区域分别检测，并将检测结果进行融合，得到最终检测结果。本发明保证了需要进行交通标志检测的应用领域在进行交通标志检测时的准确性，不仅能提高交通安全性，同时也保证了交通运行效率，具有较高的研究意义。
-
公开(公告)号：CN109886086A
公开(公告)日：2019-06-14
申请号：CN201910006652.9
申请日：2019-01-04
申请人： 南京邮电大学
摘要： 本发明公开了一种基于HOG特征和线性SVM级联分类器的行人检测方法，主要用于通过提高智能车在行驶过程中实施行人检测的准确性，从而解决智能车在行驶过程中的的安全问题。为了打破传统的基于HOG和SVM的行人检测算法在提取行人HOG特征时，行人必须大体上保持直立姿势的局限性，本发明提出将行人分为站立、蹲下、弯腰三种不同的肢体动作，分别作为一种正样本数据集训练成相应的弱分类器，再将得到的三个弱分类器集成为一个强分类器，并将该级联结构的强分类器作为智能车行人检测模型的方法。
-
公开(公告)号：CN109635793A
公开(公告)日：2019-04-16
申请号：CN201910097865.7
申请日：2019-01-31
申请人： 南京邮电大学
CPC分类号： G06K9/00362 , G06N3/0454 , G06N3/08
摘要： 本发明公开了一种基于卷积神经网络的无人驾驶行人轨迹预测方法，包括处理样本数据、获取输入信息序列、构建并优化网络、测试及评估最优模型。将无人驾驶车辆上的视觉传感器采集到的实时视频，分割成以帧为单位的图像作为样本数据，将样本数据中即将通过斑马线的目标人群划分成三类，从样本中获取行人位置‑比例信息序列、行人骨架信息序列、视觉传感器自身运动序列，再将信息序列输入卷积神经网络进行训练，得到初步的预测模型，经过测试和评估，最终输出预测轨迹和动作类别。本发明采用卷积神经网络进行无人驾驶行人轨迹预测，可以有效降低无人驾驶车辆在道路行驶过程中碰撞行人发生的概率。
-
公开(公告)号：CN109886086B
公开(公告)日：2020-12-04
申请号：CN201910006652.9
申请日：2019-01-04
申请人： 南京邮电大学
摘要： 本发明公开了一种基于HOG特征和线性SVM级联分类器的行人检测方法，主要用于通过提高智能车在行驶过程中实施行人检测的准确性，从而解决智能车在行驶过程中的的安全问题。为了打破传统的基于HOG和SVM的行人检测算法在提取行人HOG特征时，行人必须大体上保持直立姿势的局限性，本发明提出将行人分为站立、蹲下、弯腰三种不同的肢体动作，分别作为一种正样本数据集训练成相应的弱分类器，再将得到的三个弱分类器集成为一个强分类器，并将该级联结构的强分类器作为智能车行人检测模型的方法。
-
公开(公告)号：CN109753949A
公开(公告)日：2019-05-14
申请号：CN201910097579.0
申请日：2019-01-31
申请人： 南京邮电大学
摘要： 本发明公开了一种基于深度学习的多视窗交通标志检测方法，首先通过仿射变换在不同的照明条件和方向上提供其他交通标志图片，然后利用扩充的数据集训练基于YOLO框架的交通标志检测模型，最后利用多视窗YOLO模型对输入图像进行分区域操作，对每个区域分别检测，并将检测结果进行融合，得到最终检测结果。本发明保证了需要进行交通标志检测的应用领域在进行交通标志检测时的准确性，不仅能提高交通安全性，同时也保证了交通运行效率，具有较高的研究意义。
-
-
-
-
搜索结果
5 条记录 (耗时 0.03 秒)
