-
公开(公告)号：CN111339967B
公开(公告)日：2023-04-07
申请号：CN202010131268.4
申请日：2020-02-28
Applicant: 长安大学
IPC: G06V40/10 , G06V10/46 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
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：CN108833833B
公开(公告)日：2021-02-02
申请号：CN201810636310.0
申请日：2018-06-20
Applicant: 长安大学
Abstract: 本发明公开了发明面向智能网联汽车场景图像数据感知与协同处理系统，通过单移动智能体图像数据感知与处理装置、路侧基础设施装置和远程服务器实现图像数据感知与协同处理系统，单移动智能体图像数据感知与处理装置中车载图像处理平台通过完成目标检测与识别、场景流估计等算法实现单视角图像数据处理；利用路侧基础设施装置中路侧图像处理平台通过完成目标检测与识别、图像融合等算法实现俯视视角图像数据处理与多视角图像融合处理，本发明结构简单，系统构成稳定，图像数据处理效率高，通信数据传输速度快且稳定，可以实现城市复杂交叉口路段先验地图绘制、智能网联车辆协同通行控制与引导等，加快推动智能网联汽车产业的落地实现。
-
公开(公告)号：CN106529391B
公开(公告)日：2019-06-18
申请号：CN201610810614.5
申请日：2016-09-08
Applicant: 长安大学
Abstract: 本发明公开了一种鲁棒的限速交通标志检测与识别方法，首先建立多特征融合的显著性模型，再通过对每一层的多特征融合显著性模型进行更新与迭代，得到层次显著性度图；然后对多层显著度图进行求解，得到最优显著度图，并在最优显著图上获得ROI，将获得的ROI送入基于超像素预训练好的CNN模型中，对ROI进行分类，给出识别结果；本发明算法基于先验位置与边界特征的显著性模型能够更好地突出两侧的交通标志，通过多层次融合后的显著度图有效地利用了图像的结构信息，且保留了圆形标志内的诸多小尺度细节信息，使目标更完整均匀，有利于提高识别的效率与精度。
-
公开(公告)号：CN109241865A
公开(公告)日：2019-01-18
申请号：CN201810925021.2
申请日：2018-08-14
Applicant: 长安大学
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：CN105005989B
公开(公告)日：2018-02-13
申请号：CN201510374899.8
申请日：2015-06-30
Applicant: 长安大学
IPC: G06T7/10
Abstract: 本发明公开了一种弱对比度下的车辆目标分割方法，步骤1：对训练图像采用多示例学习的方法进行显著模型建模；然后利用显著模型对测试图像中的包和示例进行预测，得到测试图像的显著度图；步骤2：将测试图像的显著度引入图割框架，依据示例特征矢量与示例包的标记对图割框架进行优化，求解图割优化的次优解，得到目标的精确分割。本发明的借鉴人类的视觉注意机制，结合基于图论的图像分割方法，建立一种基于视觉显著性特征的车辆目标分割模型，不仅能在良好环境条件下准确分割完整车辆，并且具有一定的适应性和鲁棒性，能在夜间环境、阴影遮挡情况下较为准确地分割出交通场景中的弱对比度车辆目标。
-
Patent Agency Ranking
公开(公告)号：CN106529391A
公开(公告)日：2017-03-22
申请号：CN201610810614.5
申请日：2016-09-08
Applicant: 长安大学
CPC classification number: G06K9/00818 , G06K9/6267
Abstract: 本发明公开了一种鲁棒的限速交通标志检测与识别方法，首先建立多特征融合的显著性模型，再通过对每一层的多特征融合显著性模型进行更新与迭代，得到层次显著性度图；然后对多层显著度图进行求解，得到最优显著度图，并在最优显著图上获得ROI，将获得的ROI送入基于超像素预训练好的CNN模型中，对ROI进行分类，给出识别结果；本发明算法基于先验位置与边界特征的显著性模型能够更好地突出两侧的交通标志，通过多层次融合后的显著度图有效地利用了图像的结构信息，且保留了圆形标志内的诸多小尺度细节信息，使目标更完整均匀，有利于提高识别的效率与精度。
-
公开(公告)号：CN105005989A
公开(公告)日：2015-10-28
申请号：CN201510374899.8
申请日：2015-06-30
Applicant: 长安大学
IPC: G06T7/00
CPC classification number: G06T2207/20081 , G06T2207/30248
Abstract: 本发明公开了一种弱对比度下的车辆目标分割方法，步骤1：对训练图像采用多示例学习的方法进行显著模型建模；然后利用显著模型对测试图像中的包和示例进行预测，得到测试图像的显著度图；步骤2：将测试图像的显著度引入图割框架，依据示例特征矢量与示例包的标记对图割框架进行优化，求解图割优化的次优解，得到目标的精确分割。本发明的借鉴人类的视觉注意机制，结合基于图论的图像分割方法，建立一种基于视觉显著性特征的车辆目标分割模型，不仅能在良好环境条件下准确分割完整车辆，并且具有一定的适应性和鲁棒性，能在夜间环境、阴影遮挡情况下较为准确地分割出交通场景中的弱对比度车辆目标。
-
公开(公告)号：CN112001385B
公开(公告)日：2024-02-06
申请号：CN202010845641.2
申请日：2020-08-20
Applicant: 长安大学
IPC: G06V10/25 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06F40/30
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：CN108875640B
公开(公告)日：2022-04-05
申请号：CN201810638850.2
申请日：2018-06-20
Applicant: 长安大学
Abstract: 本发明公开了一种端到端无监督场景可通行区域认知能力的测试方法，通过将路面信息显示于测试区域地面，不仅能够将真实的路面信息进行复现，还能够采用该种方式显示丰富的路面环境；利用路面信息显示于测试区域地面，能够使被测试系统在测试时，获得实际路测相同的检测环境；采用全息技术的方法，能够真实、立体的复现路面上的物体，使测试环境更接近于真实环境；采用不同环境进行测试的方式得到不同路面场景信息检测不同场景下的可通行区域，能够全方面的评估可通行区域检测系统的认知能力；从而能够综合体现可通行区域检测系统的认知能力；本发明的测试方法能够为无人驾驶智能车在实际路测之前提供一种有效的、低风险的测试与评估手段。
-
公开(公告)号：CN108876805B
公开(公告)日：2021-07-27
申请号：CN201810636311.5
申请日：2018-06-20
Applicant: 长安大学
Abstract: 本发明公开了一种端到端无监督场景路面区域确定方法，通过构建道路位置先验概率分布图并将其作为检测网络的特征映射直接附加到卷积层中，构建一种融合位置先验特征的卷积网络框架，然后结合全卷积网络和U‑NET构建深度网络架构—UC‑FCN网络，将构建的可通行区域位置先验概率分布图作为深度网络架构‑UC‑FCN网络的一种特征图映射，生成UC‑FCN‑L网络；基于消失点检测方法对可通行区域进行检测并将得到的检测结果作为训练数据集的真值对UC‑FCN‑L网络进行训练，得到用于可行驶区域提取的深度网络模型，解决了可通行区域标签困难的问题，适用性强，可在多种道路环境下稳定工作，且实时性较好，本方法检测准确率高，适应性、实时性与鲁棒性好，方法简单有效。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.021 seconds)
