-
公开(公告)号：CN115424237B
公开(公告)日：2025-05-23
申请号：CN202210979374.7
申请日：2022-08-16
Applicant: 重庆大学
IPC: G06V20/58 , G01S17/08 , G01S17/86 , G01S17/931 , G06N3/0464 , G06N3/045 , G06N3/09 , G06T7/55 , G06V10/762 , G06V10/80 , G06V10/82
Abstract: 本发明提供了一种基于深度学习的前向车辆识别与距离检测方法，包括以下步骤：获取前向车辆识别与距离检测所需的数据集，并对数据集进行预处理；搭建骨干网络；搭建目标检测子网络；搭建深度估计子网络；基于深度学习的前向车辆识别与距离检测网络的训练；基于K‑Means优化前向车辆距离检测。本发明一种基于深度学习的前向车辆识别与距离检测方法，从数据集、网络结构设计、模型搭建、损失函数设计和目标测距特征点拟合五个方面来实现前向车辆识别与距离检测，检测更准确，定位性能更佳。
-
Patent Agency Ranking
公开(公告)号：CN114299438B
公开(公告)日：2024-06-18
申请号：CN202111665332.8
申请日：2021-12-31
Applicant: 重庆大学 , 星际(重庆)智能装备技术研究院有限公司 , 迪比(重庆)智能科技研究院有限公司
IPC: G06V20/40 , G06V10/22 , G06V10/25 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及融合传统停车检测与神经网络的隧道停车事件检测方法，从高速公路隧道不同场景下的摄像头采集行车视频，获取该视频的中的图片并进行标注得到VOC数据集；对VOC数据集中的图片进行聚类，得到每种车辆类别最适合的车辆目标边界框尺寸并将该尺寸作为SSD神经网络中Anchor尺寸；构建并训练基于SSD神经网络的车辆识别模型得到最优车辆识别模型；将一段待检测视频输入传统的停车检测算法后得到的存在固定前景目标图片的对应视频帧图片作为待预测图片将待预测图片作为输入最优车辆识别模型得到判定结果。本发明方法相对于传统的停车事件检测算法具有更高的准确率。
-
公开(公告)号：CN115424237A
公开(公告)日：2022-12-02
申请号：CN202210979374.7
申请日：2022-08-16
Applicant: 重庆大学
IPC: G06V20/58 , G01S17/08 , G01S17/86 , G01S17/931 , G06N3/04 , G06N3/08 , G06T7/55 , G06V10/762 , G06V10/80 , G06V10/82
Abstract: 本发明提供了一种基于深度学习的前向车辆识别与距离检测方法，包括以下步骤：获取前向车辆识别与距离检测所需的数据集，并对数据集进行预处理；搭建骨干网络；搭建目标检测子网络；搭建深度估计子网络；基于深度学习的前向车辆识别与距离检测网络的训练；基于K‑Means优化前向车辆距离检测。本发明一种基于深度学习的前向车辆识别与距离检测方法，从数据集、网络结构设计、模型搭建、损失函数设计和目标测距特征点拟合五个方面来实现前向车辆识别与距离检测，检测更准确，定位性能更佳。
-
公开(公告)号：CN114299438A
公开(公告)日：2022-04-08
申请号：CN202111665332.8
申请日：2021-12-31
Applicant: 重庆大学 , 星际(重庆)智能装备技术研究院有限公司 , 迪比(重庆)智能科技研究院有限公司
IPC: G06V20/40 , G06V10/22 , G06V10/25 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及融合传统停车检测与神经网络的隧道停车事件检测方法，从高速公路隧道不同场景下的摄像头采集行车视频，获取该视频的中的图片并进行标注得到VOC数据集；对VOC数据集中的图片进行聚类，得到每种车辆类别最适合的车辆目标边界框尺寸并将该尺寸作为SSD神经网络中Anchor尺寸；构建并训练基于SSD神经网络的车辆识别模型得到最优车辆识别模型；将一段待检测视频输入传统的停车检测算法后得到的存在固定前景目标图片的对应视频帧图片作为待预测图片将待预测图片作为输入最优车辆识别模型得到判定结果。本发明方法相对于传统的停车事件检测算法具有更高的准确率。
-
公开(公告)号：CN114612883B
公开(公告)日：2025-02-18
申请号：CN202210263947.6
申请日：2022-03-17
Applicant: 重庆大学
IPC: G06V20/58 , G06V10/762 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/08 , G01C3/00
Abstract: 本发明公开了一种基于级联SSD和单目深度估计的前向车辆距离检测方法，包括以下步骤：S1、获取前向车辆训练样本和深度估计数据集；S2、搭建骨干网络；S3、搭建目标检测网络；S4、搭建深度估计子网络；S5、基于级联SSD网络和单目深度估计前向车辆距离检测网络的训练；S6、基于K‑means聚类特征点的选取和距离检测。本发明采用基于空洞卷积的扩展感受野模块来扩大感觉野，并结合在线特征选择策略，提高小尺度车辆目标检测的准确度；针对车辆定位不够准确问题，提出级联SSD网络，通过引入可变形卷积来缓解锚框机制导致的特征不对齐问题；针对单目深度估计特征点选取不准确问题，提出基于K‑means聚类特征点的选取和测距方法，有效解决了横向和纵向测距误差较大问题。
-
公开(公告)号：CN114612883A
公开(公告)日：2022-06-10
申请号：CN202210263947.6
申请日：2022-03-17
Applicant: 重庆大学
IPC: G06V20/58 , G06V10/762 , G06V10/774 , G06V10/82 , G06V10/80 , G06K9/62 , G06N3/04 , G06N3/08 , G01C3/00
Abstract: 本发明公开了一种基于级联SSD和单目深度估计的前向车辆距离检测方法，包括以下步骤：S1、获取前向车辆训练样本和深度估计数据集；S2、搭建骨干网络；S3、搭建目标检测网络；S4、搭建深度估计子网络；S5、基于级联SSD网络和单目深度估计前向车辆距离检测网络的训练；S6、基于K‑means聚类特征点的选取和距离检测。本发明采用基于空洞卷积的扩展感受野模块来扩大感觉野，并结合在线特征选择策略，提高小尺度车辆目标检测的准确度；针对车辆定位不够准确问题，提出级联SSD网络，通过引入可变形卷积来缓解锚框机制导致的特征不对齐问题；针对单目深度估计特征点选取不准确问题，提出基于K‑means聚类特征点的选取和测距方法，有效解决了横向和纵向测距误差较大问题。
-
-
-
-
-
Search Results
6
records
(took 0.013 seconds)
