共查询到20条相似文献,搜索用时 15 毫秒
1.
为提高行人检测的准确率,提出一种基于卷积神经网络的行人检测方法。该方法以YOLOv3-tiny算法为基础,在骨干网络部分,用深度可分离卷积的网络结构代替原卷积网络结构,加深网络深度。在检测部分,提出一种改进的多级特征金字塔网络,该网络由8个结构相同的使用深度可分离卷积的特征金字塔组成,特征金字塔之间串联连接,将不同金字塔得到的相同尺寸的特征进行融合,利用融合后的特征金字塔进行检测。在Caltech Pedestrian数据集上进行测试。结果表明:该方法的漏检率为57.83%,比梯度方向直方图(HOG)方法低32.53%,比基于深度学习的方法SA Fast-RCNN和MS-CNN分别低4.67%、3.21%;运行速度为34 ms/帧。因而,该方法满足了实时性要求。 相似文献
3.
4.
在先进驾驶辅助系统中,基于视觉的行人检测只能对摄像头视野范围内的无遮挡行人进行检测,并且易受天气的影响,在极端天气下无法工作。针对视觉检测的缺陷,提出了一种利用超宽带(Ultra Wideband,UWB)通信模块检测行人位置信息的方法,并对其进行卡尔曼滤波以减小误差,同时将得到的行人位置信息与基于视觉的行人检测信息融合,设定匹配规则防止多报警和误报警的情况。测试结果表明,融合方法能够增加对视野外以及被遮挡行人的危险预警,提高了行人检测预警系统的可靠性。 相似文献
5.
车载行人识别系统由于存在检测距离精确度不高及受遮挡影响较大等问题,在弯道及交叉口情况下适应性差.为提高行人防碰撞系统的预警效果,提出在车路协同环境下的行人目标信息融合算法研究.采用路侧和车载摄像头检测行人轨迹信息,通过 Kalman 滤波进行信息预处理,其次分别通过时间对准、空间对准、轨迹关联和信息融合完成对行人目标的位置估计.最后,搭建实车实验平台,对提出的信息融合算法进行验证.实验结果显示,对于 X 方向的行人轨迹误差,通过轨迹融合后,行人轨迹最大绝对误差、绝对平均误差相比于融合前均有大幅度减小,分别为50.00%,55.56%;对于Y 方向的行人轨迹误差,通过轨迹融合后,行人轨迹最大绝对误差、绝对平均误差相比于融合前均有大幅度减小,分别为40.00%,62.07%.实验结果表明,该融合算法提高了行人轨迹检测精度,增强了系统的预警精确度. 相似文献
6.
针对自动驾驶车辆在雾天情况下易将行人误检和漏检的问题,提出一种基于改进GCANet除雾网络和CenterNet检测网络相结合、有效进行雾天行人识别的联合检测方法。该方法在GCANet中引入结合底层细节和全局结构的复合损失函数,优化除雾图的结构细节及图像质量;并将改进的GCANet除雾算法应用于检测算法的训练图像预处理中,最后送入CenterNet网络训练。试验结果显示,本文提出的方法在合成雾天数据集Foggy Citypersons上的平均对数漏检率MR-2值达到9.65,在真实雾天数据集RTTS上的平均精度AP50值达到86.11,降低了雾天场景下行人的漏检和误检情况,有效提升了检测网络在雾天条件下的泛化能力。 相似文献
7.
为提高交通参数提取的准确性与实时性,研究了基于多尺度边缘融合和SURF特征匹配的车辆检测与跟踪方法,克服了传统基于边缘特征的车辆检测方法易受噪声、背景干扰的问题,实现车辆准确检测.将车辆检测结果作为跟踪样本建立跟踪样本集合,通过建立匹配点对几何约束消除误匹配特征对,提高跟踪样本与待跟踪视频帧的SURF特征匹配准确度.针对车辆驶入、驶离相机视野,车辆间歇性运动,背景缓慢变化等情况提出跟踪样本更新机制,实现车辆的准确、实时跟踪.实验结果显示,所提算法的车辆检测率为88.3%,检测准确度为90.2%;跟踪精确度为86.4%,跟踪准确度为92.7%;检测时间成本为91.8ms,跟踪速率为52.2fps.检测准确度、跟踪准确度、检测速率、跟踪速率均高于光流法、粒子滤波法和SIFT特征匹配法,表明所提算法能较好地满足实时性应用. 相似文献
8.
针对公路隧道内交通事故的动态感知问题,在传统检测方法的基础上引入声学检测理论与方法,研究基于异常声音检测的隧道交通事故智能检测方法。通过分析短时能量(short term energy,STE)和梅尔倒谱系数(Mel-scale frequency cepstral coefficients,MFCC)检测方法在事故段特征表征以及精度干扰方面的缺陷,提出1种改进的融合特征MFCCE研究隧道环境下的交通事故检测。提取STE和MFCC特征并使用主成分分析(principal component analysis,PCA)进行特征融合得到新的融合特征MFCCE。以真实行车事故数据为基础,构建包含刹车与碰撞声的2段隧道噪声实验样本数据,分别对应早高峰时段(07:00—08:00)及平峰时段(12:00—13:00)的行车条件对隧道内的事故环境进行模拟分析,利用端点检测对所提方法进行验证并与其余2种方法进行对比分析。使用Pearson简单相关系数法作为最终的评价方法,通过该方法计算得到的相关系数r对比三种检测结果与原始样本的正相关相性。实验结果表明:STE在平峰及早高峰时段的相关系数分别为0.933和0.988;MFCC在平峰及早高峰时段的相关系数均为0.998;而无论在平峰还是早高峰时段,MFCCE的相关系数(0.999)均高于另外其他2种检测方法。MFCCE的平均相关系数相比于其他2种检测方法(STE、MFCC)分别提高了3.95%和1.00%。 相似文献
9.
10.
11.
12.
为改善道路交通监测和保证智能网联交通系统的安全、可靠与稳定运行,提出了在路侧边缘平台中基于多通路高分辨率网络与注意力机制融合的车辆检测模型MCHRANet。该模型采用多通路的高分辨率网络的结构设计,保留高分辨率特征并保障识别准确率。融入注意力机制的特征融合方法,通过特征连接权重自学习实现多尺度特征的深度融合。各通路网络采用跳跃连接促进跨层特征融合,加速网络收敛,并利用公开数据集对车辆检测性能进行评估并验证。结果表明:所提模型的车辆检测性能优于3个传统模型,改进后的网络识别平均精度均值(mAP)指标接近95%,且对于不同场景下的检测具有良好的鲁棒性。 相似文献
13.
14.
15.
16.
17.
18.
行人作为重要的交通参与者,其行走意图和轨迹预测对智能驾驶汽车的决策规划具有重要意义。基于注意力机制增强的长短时记忆(Long Short-term Memory, LSTM)网络,设计一种多特征融合的行人意图以及行人轨迹预测方法。该方法通过融合行人骨架和头部方向特征,以加强行人运动特征的表达,并将融合特征作为意图预测网络输入,继而得到行人意图;由于行人运动具有不确定性,将行人意图预测类别和历史轨迹坐标的联合向量作为行人轨迹预测网络的输入,以期生成更为精确的轨迹预测结果。此外,在轨迹预测网络中引入注意力机制,以加强LSTM对各个时刻编码向量的有效利用,从而提高网络的行人轨迹预测性能,并基于Daimler数据集进行训练及验证。研究结果表明:所提出的多特征意图预测方法准确率可达96.0%,优于基于骨架单特征的意图预测网络;在预测时域为1 s的情况下,预测轨迹的位置均方根误差为347 mm,相较于恒速度(Constant Velocity, CV)模型、交互多模型(Interacting Multiple Model, IMM)、常规LSTM等基线方法均有明显的提升;在实际场景分析中,提出的方... 相似文献
19.
20.