-
公开(公告)号：CN117872330B
公开(公告)日：2024-05-31
申请号：CN202410268553.9
申请日：2024-03-11
Applicant: 安徽大学
Abstract: 本发明涉及无人驾驶技术领域，尤其涉及一种面向复杂环境的无人驾驶多激光雷达标定与融合建图方法。通过建立特定的标定场地，分割标定板点云，提取特征。通过平面拟合以及提取标定板平面数据以及标定板边界数据。首先使用icp点云配准技术进行标定求得变换矩阵T1,再通过对平面与边界参数的约束求解得到变换矩阵T2,两者进行均值融合实现多激光雷达标定，最后基于LEGO‑LOAM实现多激光雷达融合建图。适用于室外路面崎岖环境无人驾驶车辆标定，提升效率，从而解决了现有技术中在室外崎岖环境下标定过程精度差，全局优化和扩展性不足等问题，提高了后续基于多激光雷达的融合与建图效果。
-
公开(公告)号：CN117872330A
公开(公告)日：2024-04-12
申请号：CN202410268553.9
申请日：2024-03-11
Applicant: 安徽大学
Abstract: 本发明涉及无人驾驶技术领域，尤其涉及一种面向复杂环境的无人驾驶多激光雷达标定与融合建图方法。通过建立特定的标定场地，分割标定板点云，提取特征。通过平面拟合以及提取标定板平面数据以及标定板边界数据。首先使用icp点云配准技术进行标定求得变换矩阵T1,再通过对平面与边界参数的约束求解得到变换矩阵T2,两者进行均值融合实现多激光雷达标定，最后基于LEGO‑LOAM实现多激光雷达融合建图。适用于室外路面崎岖环境无人驾驶车辆标定，提升效率，从而解决了现有技术中在室外崎岖环境下标定过程精度差，全局优化和扩展性不足等问题，提高了后续基于多激光雷达的融合与建图效果。
-
公开(公告)号：CN118230071A
公开(公告)日：2024-06-21
申请号：CN202410635588.1
申请日：2024-05-22
Applicant: 安徽大学
IPC: G06V10/764 , G06N3/045 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/096 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明涉及图像检测技术领域，尤其涉及一种基于深度学习的摄像头脏污检测方法，通过设置三个输出头，实现不同的检测任务，不但能够判断摄像头被脏污覆盖的区域，同时能够实现对部分物体的分类以及对当前场景的分类，通过使用Segformer骨干网络进行特征提取，同时利用渐进特征融合模块进行不同维度特征的融合，相比传统的卷积神经网络，具有更强的上下文感知能力和多尺度特征表达能力，对准确检测和定位图像中大小不一、形态各异的脏污区域非常关键，这种全局上下文建模能力弥补了卷积网络的局限性，能够更准确地识别整个图像区域中的脏污。
-
公开(公告)号：CN116994074A
公开(公告)日：2023-11-03
申请号：CN202311255115.0
申请日：2023-09-27
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/82 , G06T7/136 , G06V10/28 , G06N3/0464
Abstract: 本发明涉及图像检测技术领域，尤其涉及一种基于深度学习的摄像头脏污检测方法，通过设置三个输出头，实现不同的检测任务，不但能够判断摄像头被脏污覆盖的区域，同时能够实现对部分物体的分类以及对当前场景的分类，多任务学习架构充分利用了底层特征的共享表达能力,不同输出头可以同时优化各自的目标，相互促进，提高了算法的全面性和健壮性，使脏污检测结果更加准确，通过使用Transformer进行脏污检测，相比传统的卷积神经网络，具有更强的上下文感知能力和多尺度特征表达能力，可以检测处理图像中大小不一的脏污区域,提高了模型的适应性。
-
-
-
Search Results
4
records
(took 0.012 seconds)
