-
公开(公告)号：CN111339967A
公开(公告)日：2020-06-26
申请号：CN202010131268.4
申请日：2020-02-28
Applicant: 长安大学
Abstract: 本发明公开了一种基于多视域图卷积网络的行人检测方法，采用卷积神经网络从待处理图像进行特征提取，对提取的特征图像进行多次池化、卷积处理得到预处理特征图像，然后采用多视域池化金字塔提取中得到的预处理特征图像的多尺度特征信息特征图，然后进行人体图卷积得到多个人体图卷积后的特征图，采用Nbox个锚点的预测框分别对人体图卷积后的特征图中的人体目标区域进行预测并识别，完成预测框及预测类别概率值，使用最大池化构建多视域特征金字塔，提高了检测效率，本发明能够有效且高效地处理行人检测中的尺度变化和遮挡问题。
-
公开(公告)号：CN109002764A
公开(公告)日：2018-12-14
申请号：CN201810628664.0
申请日：2018-06-19
Applicant: 长安大学
Abstract: 本发明公开了一种交通标志图像识别模型构建方法及识别方法，本发明提供的方法通过构建两个卷积神经网络模型，一个是交通标志区域提取模型，用于从原始图像中将仅含有交通标志区域的图像提取出来，另外一个是交通标志识别模型，用于对提取出的仅含有交通标志的图像进行识别，获得该幅图像中的交通标志的识别结果；本发明提供的交通标志识别模型基于改进的ZF卷积神经网络，结合空间变换网络，训练得到应用于交通标志识别的网络模型，能够避免交通标志扭曲，形变造成的错识别问题，提高交通标志识别率；交通标志区域提取模型是在ZF卷积神经网络上改进的，设置四个不同尺度的提取区域进行交通标志区域提取，增加了交通标志识别精准率。
-
公开(公告)号：CN109582993B
公开(公告)日：2022-11-25
申请号：CN201810637452.9
申请日：2018-06-20
Applicant: 长安大学
IPC: G06F30/27 , G06T17/00 , G06N3/04 , G06N3/08 , G06F111/04
Abstract: 本发明公开了城市交通场景图像理解与多视角群智优化方法，利用道路布局随机变量的交叉口行车路径先验建模与基于FCN学习网络的路面语义先验建模方法，提高交叉口行车路线与路面的认知精度与整个场景语义理解程度；融合认知驱动的先验模型与数据驱动的二维‑三维空间变换的候选框语义特征，结合深度神经网络，实现复杂交通场景三维目标检测与识别；协同考虑车辆位置姿态与行驶轨迹先验模型，对复杂道路环境如交叉口交通场景，对三维场景流进行估计与描述，全面表征场景中交通参与者的姿态与运动趋势；针对城市复杂交叉口路段环境，通过多视角群智优化实现交通场景的全息理解，本发明有效且易实现的交通环境理解，为智能车的自主控制提供决策依据。
-
公开(公告)号：CN112001385A
公开(公告)日：2020-11-27
申请号：CN202010845641.2
申请日：2020-08-20
Applicant: 长安大学
Abstract: 本发明公开了一种目标跨域检测与理解方法、系统、设备及存储介质，属于目标检测与识别领域。通过空间概率控制与显著点池化，联合编码位置概率与图像特征的耦合关系，高效定位目标候选框对角线顶点，简化网络复杂度，以满足面向实际检测的应用需求；通过跨域引导语义提取与知识迁移，探究面向不同域的目标深度视觉特征与引导语义包含关系，指导网络训练，提取跨域不变特征以增强模型的跨域感知；通过对目标值得注意度解析，探究语义层次跨域感知映射作用与反传机理，解决具体意图下值得注意的目标预测与引导语义理解的准确性问题。本发明能够精确模拟视觉系统对目标的重要性扫描与语义判断的过程，从而提高环境视觉感知能力及主动安全性。
-
公开(公告)号：CN106231641B
公开(公告)日：2019-06-04
申请号：CN201610595621.8
申请日：2016-07-26
Applicant: 长安大学
Abstract: 本发明公开了一种基于4G和DSRC技术的异构网络垂直切换判决方法，通过四个参数构成判决树进行异构网络切换的判决，算法的复杂度低，通过从基站的参数文件或者路侧节点的消息包中快速地解析出其中的四个参数，判决速度快，计算简单，通过充分考虑DSRC网络信号的辐射半径，对处于“乒乓效应”区的车载单元的异构网络切换进行多步决策，进而通过引入车载单元与路侧节点的相对行驶方向D和信号强度差△d两个参数，既提高决策速度又避免切换过程中的“乒乓效应”，本发明从多重因素考虑，更加有利于延长车载单元与路侧节点的DSRC端口的连接时间，即延长接入DSRC网络的时间。
-
Patent Agency Ranking
公开(公告)号：CN109582993A
公开(公告)日：2019-04-05
申请号：CN201810637452.9
申请日：2018-06-20
Applicant: 长安大学
Abstract: 本发明公开了城市交通场景图像理解与多视角群智优化方法，利用道路布局随机变量的交叉口行车路径先验建模与基于FCN学习网络的路面语义先验建模方法，提高交叉口行车路线与路面的认知精度与整个场景语义理解程度；融合认知驱动的先验模型与数据驱动的二维-三维空间变换的候选框语义特征，结合深度神经网络，实现复杂交通场景三维目标检测与识别；协同考虑车辆位置姿态与行驶轨迹先验模型，对复杂道路环境如交叉口交通场景，对三维场景流进行估计与描述，全面表征场景中交通参与者的姿态与运动趋势；针对城市复杂交叉口路段环境，通过多视角群智优化实现交通场景的全息理解，本发明有效且易实现的交通环境理解，为智能车的自主控制提供决策依据。
-
公开(公告)号：CN106231641A
公开(公告)日：2016-12-14
申请号：CN201610595621.8
申请日：2016-07-26
Applicant: 长安大学
Abstract: 本发明公开了一种基于4G和DSRC技术的异构网络垂直切换判决方法，通过四个参数构成判决树进行异构网络切换的判决，算法的复杂度低，通过从基站的参数文件或者路侧节点的消息包中快速地解析出其中的四个参数，判决速度快，计算简单，通过充分考虑DSRC网络信号的辐射半径，对处于“乒乓效应”区的车载单元的异构网络切换进行多步决策，进而通过引入车载单元与路侧节点的相对行驶方向D和信号强度差△d两个参数，既提高决策速度又避免切换过程中的乒乓效应”，本发明从多重因素考虑，更加有利于延长车载单元与路侧节点的DSRC端口的连接时间，即延长接入DSRC网络的时间。
-
公开(公告)号：CN109241865B
公开(公告)日：2022-05-31
申请号：CN201810925021.2
申请日：2018-08-14
Applicant: 长安大学
IPC: G06V20/54 , G06V10/26 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种弱对比度交通场景下的车辆分割算法方法，通过确定交通场景下的车辆分割任务建立分割目标的数据库，并训练全卷积神经网络语义分割模型通过训练好的全卷积神经网络的对弱对比度交通场景下的前方车辆进行初步分割，从而得到车辆的概率图与分割结果接着对分割结果图进行平滑滤波及去噪操作，去除因为语义分割中反卷积操作而造成的噪点和微小空洞接着将去噪后的分割结果图映射回原图，对原图进行均值漂移语义分割从而得到细化的分割结果，最后将卷积神经网络模型的分割结果、均值漂移分割得到分割结果与卷积神经网络得到的前车概率图按照合并规则进行区域合并，从而实现弱对比度交通环境下的车辆细化分割。
-
公开(公告)号：CN109002764B
公开(公告)日：2021-05-11
申请号：CN201810628664.0
申请日：2018-06-19
Applicant: 长安大学
Abstract: 本发明公开了一种交通标志图像识别模型构建方法及识别方法，本发明提供的方法通过构建两个卷积神经网络模型，一个是交通标志区域提取模型，用于从原始图像中将仅含有交通标志区域的图像提取出来，另外一个是交通标志识别模型，用于对提取出的仅含有交通标志的图像进行识别，获得该幅图像中的交通标志的识别结果；本发明提供的交通标志识别模型基于改进的ZF卷积神经网络，结合空间变换网络，训练得到应用于交通标志识别的网络模型，能够避免交通标志扭曲，形变造成的错识别问题，提高交通标志识别率；交通标志区域提取模型是在ZF卷积神经网络上改进的，设置四个不同尺度的提取区域进行交通标志区域提取，增加了交通标志识别精准率。
-
公开(公告)号：CN106781509B
公开(公告)日：2019-09-10
申请号：CN201710129358.8
申请日：2017-03-06
Applicant: 长安大学
Abstract: 本发明公开了一种基于V2V的协作式城市道路拥堵检测方法，将车辆行驶速度v和车流密度ρ作为交通拥堵水平的影响因素，输入到模糊控制器中得到本地的交通拥堵水平，当有车辆O检测到有交通拥堵发生时，启动拥堵判决过程，即检测到有拥堵的车辆O向其邻居表中的车辆发送拥堵查询消息，邻居表中的车辆根据其拥堵判决结果向车辆O回复拥堵验证消息。未检测到交通拥堵时，车辆之间仅互相发送其位置信息，因此能够有效抑制网络过载，这种由车辆O和邻居表中的车辆协作完成交通拥堵检测的机制，显著提高了车辆检测交通拥堵的准确性。模糊控制器输出交通拥堵水平值为连续值，精准地反映了交通拥堵的级别，并且车辆O根据位置信息计算出拥堵区域和拥堵长度。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.02 seconds)
