-
公开(公告)号：CN111401410A
公开(公告)日：2020-07-10
申请号：CN202010124046.X
申请日：2020-02-27
Applicant: 江苏大学
Abstract: 本发明公开了一种基于改进级联神经网络的交通标志检测方法，首先，采集交通标志图片，制作交通标志数据集，其次设计改进的级联神经网络模型，然后利用交通标志数据集对神经网络模型进行训练，将保存的模型参数导入改进的神经网络模型中，最后对图片中的交通标志进行检测。针对交通标志这类小目标特殊任务，本发明在原有级联神经网络基础上将FPN模块的深层特征信息融合进浅层特征层，同时本发明改进了目标检测任务中的评价指标IoU，设计了目标检测任务的直接评价指标GIoU指导定位任务，提高了检测精度。进一步，所述图片中的交通标志进行实时检测时，图片中的每个目标存在多个预测边界框，使用软化非极大值抑制剔除多余的预测边界框。
-
公开(公告)号：CN111401150A
公开(公告)日：2020-07-10
申请号：CN202010124297.8
申请日：2020-02-27
Applicant: 江苏大学
Abstract: 本发明公开了一种基于实例分割和自适应变换算法的多车道线检测方法，包括步骤1、选取Culane车道线数据集，作为实例分割网络训练的训练数据集及验证数据集。步骤2、设计分支的多任务实例分割模型，用于车道线的实例分割；步骤3、对步骤2实例分割结果进行自适应透视变换，确定实例分割结果对应的鸟瞰图像；步骤4、在鸟瞰图视图上对车道线像素点进行拟合，并将拟合后的曲线回归到原始图片中，实现多车道线检测。本发明将车道线检测问题转化为车道线实例分割问题，设计的分支多任务网络，既有参数少、提取特征能力强、收敛速度快的优势；出的自适应透视变换模型，可以在摄像机运动下通过运动信息将相机图像精确地转换为鸟瞰图图像。
-
公开(公告)号：CN109948661A
公开(公告)日：2019-06-28
申请号：CN201910144580.4
申请日：2019-02-27
Applicant: 江苏大学
Abstract: 本发明公开了一种基于多传感器融合的3D车辆检测方法，包括：步骤1，通过安装在车辆上的摄像头获得车辆的语义信息(即RGB图像)，及位于车顶的激光雷达对车辆周围环境进行扫描，获取环境的精确深度信息(即激光雷达点云)；步骤2，对激光雷达点云做预处理，根据汽车的高度，取Z轴[0，2.5]m，将点云沿Z轴方向均等的划分成5个高度切片；步骤3，在激光雷达点云上生成3D车辆感兴趣区域；步骤4，分别对处理后的雷达点云和RGB图像进行特征提取并生成相应特征图；步骤5，将上述的3D车辆感兴趣区域分别映射到点云及RGB图像的特征图上；步骤6，对步骤5中映射部分特征图进行融合，并最终实现车辆目标的3D定位与检测。
-
公开(公告)号：CN111401148B
公开(公告)日：2023-06-20
申请号：CN202010124052.5
申请日：2020-02-27
Applicant: 江苏大学
IPC: G06V20/56 , G06V20/58 , G06V40/10 , G06V10/774 , G06V10/25 , G06V10/762 , G06V10/778 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于改进的多级YOLOv3的道路多目标检测方法，步骤1，制作数据集：基于公开的驾驶数据集BDD100K制作道路多目标数据集；步骤2，基于K‑means聚类算法进行道路目标候选框长宽比计算；步骤3，设计改进YOLOv3神经网络模型；步骤4，设置训练超级参数和网络参数，将训练集输入网络，对改进YOLOv3网络进行训练，并保存训练好的权重文件；步骤5，输出预测的边界框信息及类别概率；步骤6，使用软化非极大值过滤检测框，对检测图片进行可视化，产生最终的目标检测框和识别结果。相比于原始YOLOv3神经网络模型，本发明在BDD100K的验证集下mAP到达了58.09％，提高了近9个百分点，检测准确率较高；实时性较好，统计后FPS为0.03s/张，仅比传统YOLOv3增加耗时1.65％，满足实时性要求。
-
公开(公告)号：CN111401410B
公开(公告)日：2023-06-13
申请号：CN202010124046.X
申请日：2020-02-27
Applicant: 江苏大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于改进级联神经网络的交通标志检测方法，首先，采集交通标志图片，制作交通标志数据集，其次设计改进的级联神经网络模型，然后利用交通标志数据集对神经网络模型进行训练，将保存的模型参数导入改进的神经网络模型中，最后对图片中的交通标志进行检测。针对交通标志这类小目标特殊任务，本发明在原有级联神经网络基础上将FPN模块的深层特征信息融合进浅层特征层，同时本发明改进了目标检测任务中的评价指标IoU，设计了目标检测任务的直接评价指标GIoU指导定位任务，提高了检测精度。进一步，所述图片中的交通标志进行实时检测时，图片中的每个目标存在多个预测边界框，使用软化非极大值抑制剔除多余的预测边界框。
-
Patent Agency Ranking
公开(公告)号：CN111882620B
公开(公告)日：2024-08-02
申请号：CN202010565430.3
申请日：2020-06-19
Applicant: 江苏大学
IPC: G06T7/90 , G06T7/11 , G06N3/0464 , G06V20/56 , G06V10/82 , G06V10/80 , G06V10/774
Abstract: 本发明公开了一种基于多尺度信息道路可行驶区域分割方法，包括：选取BDD100K可行使区域分割数据集，作为分割网络训练的训练数据集及验证数据集；构建基于多尺度信息道路分割网络，使用训练集训练所述的分割网络，提出新的损失函数最小化为网络优化目标函数，优化分割网络；使用在验证集验证的最优模型，对实车道路场景下可行驶区域检测和分割。本发明使用改进后的ResNet‑101网络提取特征，其最后两个卷积块由空洞卷积代替以提高模型的分辨率，从而提高模型的检测准确率。提出新的损失函数，解决了训练正负样本不均衡问题，实现更准确地完成道路行驶区域分割的无人驾驶感知任务。
-
公开(公告)号：CN111882620A
公开(公告)日：2020-11-03
申请号：CN202010565430.3
申请日：2020-06-19
Applicant: 江苏大学
Abstract: 本发明公开了一种基于多尺度信息道路可行驶区域分割方法，包括：选取BDD100K可行使区域分割数据集，作为分割网络训练的训练数据集及验证数据集；构建基于多尺度信息道路分割网络，使用训练集训练所述的分割网络，提出新的损失函数最小化为网络优化目标函数，优化分割网络；使用在验证集验证的最优模型，对实车道路场景下可行驶区域检测和分割。本发明使用改进后的ResNet-101网络提取特征，其最后两个卷积块由空洞卷积代替以提高模型的分辨率，从而提高模型的检测准确率。提出新的损失函数，解决了训练正负样本不均衡问题，实现更准确地完成道路行驶区域分割的无人驾驶感知任务。
-
公开(公告)号：CN111932580B
公开(公告)日：2024-09-03
申请号：CN202010631250.0
申请日：2020-07-03
Applicant: 江苏大学
IPC: G06T7/20
Abstract: 本发明公开了一种基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪方法及系统，属于智能汽车感知技术领域，包括步骤1、建立检测模块对当前帧t进行目标检测，获取第t帧的目标检测集合；步骤2、建立3D卡尔曼滤波器模型对当前帧t进行目标状态预测；步骤3、建立数据关联模块，利用匈牙利算法将检测结果与预测的跟踪目标相匹配；步骤4、建立3D卡尔曼滤波器模型根据关联结果更新目标状态。步骤5、建立轨迹管理模块对轨迹进行更新。本发明提出的将结合卡尔曼滤波状态更新和匈牙利算法应用于智能车辆的3D目标跟踪，可以快速的发现、定位和跟踪目标车辆，并且跟踪精度非常高。
-
公开(公告)号：CN111401150B
公开(公告)日：2023-06-13
申请号：CN202010124297.8
申请日：2020-02-27
Applicant: 江苏大学
IPC: G06V20/56 , G06V10/774 , G06V10/82 , G06V10/762 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于实例分割和自适应变换算法的多车道线检测方法，包括步骤1、选取Culane车道线数据集，作为实例分割网络训练的训练数据集及验证数据集。步骤2、设计分支的多任务实例分割模型，用于车道线的实例分割；步骤3、对步骤2实例分割结果进行自适应透视变换，确定实例分割结果对应的鸟瞰图像；步骤4、在鸟瞰图视图上对车道线像素点进行拟合，并将拟合后的曲线回归到原始图片中，实现多车道线检测。本发明将车道线检测问题转化为车道线实例分割问题，设计的分支多任务网络，既有参数少、提取特征能力强、收敛速度快的优势；出的自适应透视变换模型，可以在摄像机运动下通过运动信息将相机图像精确地转换为鸟瞰图图像。
-
公开(公告)号：CN111932580A
公开(公告)日：2020-11-13
申请号：CN202010631250.0
申请日：2020-07-03
Applicant: 江苏大学
IPC: G06T7/20
Abstract: 本发明公开了一种基于卡尔曼滤波与匈牙利算法的道路3D车辆跟踪方法及系统，属于智能汽车感知技术领域，包括步骤1、建立检测模块对当前帧t进行目标检测，获取第t帧的目标检测集合；步骤2、建立3D卡尔曼滤波器模型对当前帧t进行目标状态预测；步骤3、建立数据关联模块，利用匈牙利算法将检测结果与预测的跟踪目标相匹配；步骤4、建立3D卡尔曼滤波器模型根据关联结果更新目标状态。步骤5、建立轨迹管理模块对轨迹进行更新。本发明提出的将结合卡尔曼滤波状态更新和匈牙利算法应用于智能车辆的3D目标跟踪，可以快速的发现、定位和跟踪目标车辆，并且跟踪精度非常高。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.02 seconds)
