共查询到20条相似文献,搜索用时 15 毫秒
1.
为提高夜间行车的安全性,提出了一种基于单目视觉的夜间前方车辆检测方法。该方法利用最大类间方差法自动确定阈值,从背景中抽取出前车尾灯,并根据HSV颜色空间的颜色阈值剔除非尾灯目标,利用Kalman滤波方法将图像分为跟踪区域和检测区域,在两个区域内分别进行尾灯配对,根据尾灯对之间特征相似性的比较,剔除误检的车辆;跟踪区域中漏检的车辆,根据前一帧检测的车辆位置和正确抽取的尾灯来估计,以实现车辆检测。实验结果表明,该算法能准确检测夜间前方车辆,有效降低漏检率和误检率。 相似文献
2.
3.
4.
5.
基于视觉的车辆检测作为辅助驾驶系统的输入,对智能车辆预警和决策起着重要的作用。针对目前传统深度卷积神经网络在基础网络设计和物体检测网络构建的不足,提出一种对经典的深度残差网络进行改进方法,提出带局部连接的残差单元,并以此构建带局部连接的残差网络;同时,提出基于共享参数的多分支网络和双金字塔语义传递网络形式,提升不同语义级别特征融合前的语义级别,以及实现深度融合不同分辨率特征图的语义。经过测试,车辆的检测准确率最高达到95.3%,且具备较高的实时性和环境适应性。 相似文献
6.
针对传统路端车辆目标检测算法参数多、检测速度较慢等问题,提出了基于YOLOv5 的车辆目标检测算法轻量化改进。首先,选用轻量化 EfficientnetV2 卷积神经网络对原骨干网络进行重构,同时在网络中引入 GAM 注意力机制;其次,为平衡 CIoU 损失和 IoU 损失在损失函数中的权重,引入 α-CIoU 损失代替原有的 CIoU 损失;最后,使用 soft-NMS 算法替换原有的 NMS 非极大值抑制算法。结果表明:相比原算法,改进后算法的精度提升了.51%,检测速度提升了 8.6%,模型大小降低了 31.7%;改进后的模型在提升检测速度的同时,还提高了路端车辆目标的检测性能。 相似文献
7.
8.
9.
针对在复杂场景下,背景区域干扰特征过多、被检测目标运动速度快等导致的动态目标检测率低的问题,研究了基于深度学习的多角度车辆动态检测方法,将带有微型神经网络的卷积神经网络(MLP-CNN)用于传统算法的改进.使用快速候选区域提取算法提取图像中可能存在车辆的区域,之后使用深层卷积神经网络(CNN)提取候选区域的特征,并在卷积层中增加微型神经网络(MLP)对每层的特征进一步综合抽象,最后使用支持向量机(SVM)区分目标和背景的CNN特征.实验表明,该方法能够处理高复杂度背景条件下,部分遮挡、运动速度快的目标特征检测,识别率高达87.9%,耗时仅需225ms,比常用方法效率有大幅度提升. 相似文献
10.
11.
建立了一种基于深度学习长短期记忆(LSTM)网络的智能车辆避撞模型.搭载虚拟测试驾驶(VTD)仿真软件的模拟驾驶器;针对跟车行驶、前车紧急制动这一危险工况,开展模拟驾驶实验;以相对距离、相对速度、前车减速度、碰撞时间、横向距离作为输入参数;通过未经训练的样本数据对模型迁移性进行验证,并与传统反向传播(BP)神经网络进行... 相似文献
12.
文章是以MTALAB软件为主要平台,基于深度学习建立一种多目标车辆检测及追踪的方法。首先建立一个基于深度学习的模型用于训练的不同场景的车辆数据集,并对所采集的数据集进行标注和格式归一化处理。然后使用K-means聚类算法进行锚框,建立以YOLOv3SPP算法为主的神经网络框架,采用非极大值拟制(NMS)算法得到最终的预测框。最终训练神经网络模型,再对该模型进行测试和评定。经实验可以得出该模型能够准确地检测及追踪多目标车辆。 相似文献
13.
14.
15.
16.
基于深度学习的实例分割算法在大规模通用场景中取得了良好的分割性能,然而面向复杂交通场景的多目标实例分割仍然极具挑战性,尤其在算法的高精度和较快推理速度的权衡方面,而这对于智能汽车的行驶安全性至关重要。鉴于此,本文以实时性算法Orienmask为基础,提出了一种基于单阶段检测算法的多头实例分割框架。具体来说,所提框架由骨干网络、特征融合模块和多头掩码构建模块组成。首先,本文通过在骨干网络中加入残差结构获取更加完整的高维表征信息。其次,为了产生更具判别性的特征表达,本文通过引入自校正卷积重构特征金字塔,并使用全局注意力机制改善信息传播以进一步优化所提框架的特征融合模块。最后,提出的多头掩码构建机制通过细化场景目标尺寸分布显著提高不同目标的分割性能。本文算法在开源数据集BDD100k上进行大量测试与验证,分别在边界框和掩码上获得了23.3%和19.4%的均交并比(mAP@0.5:0.95),与基线方法相比,平均指标提高了5.2%和2.2%。同时在基于自主搭建的实车平台上进行的道路实验也证明本算法能够较好地适应真实驾驶环境,且满足实时性分割需求。 相似文献
17.
针对夜间环境下基于摄像机的车辆检测方法存在精度低、稳定性差以及无法对车型进行有效识别等问题,提出一种基于Kinect深度虚拟线圈的夜间车辆检测与计数算法.首先对Kinect深度图像进行预处理,分别获得运动目标深度图(MDM)与空洞深度图(HDM).然后在MDM与HDM上设置虚拟线圈,利用积分图像分别生成对应的一维运动信号,对其进行加权合成获得对车辆运动特征的表达,并在合成的运动信号范围内检测出车辆目标,并计算出车辆目标的几何特征,通过SVM对车型进行有效识别.实验结果表明,该算法对于单双车道的车辆计数正确率分别高达99.75%与99.25%,大小车型分类正确率可达99.80%,处理单张图片的平均时间仅为7 ms. 相似文献
18.
19.
大型车辆由于轴距长,后视镜可视区域有限,难以探照到整个行驶区域,很容易在转弯中造成交通事故。针对转弯的后视镜盲区提出3种方案,并对比在车辆侧方装配超声波雷达、摄像头或雷达的方案优劣。 相似文献