-
公开(公告)号：CN109284889B
公开(公告)日：2021-10-26
申请号：CN201810797056.2
申请日：2018-07-19
Applicant: 长安大学
IPC: G06Q10/06
Abstract: 本发明实施例提供了一种无人车反应敏捷度评测方法，包括：对无人车所处的交通环境复杂度进行评估，获得环境复杂度指标M1；评估无人驾驶车辆的驾驶行为，获得驾驶行为指标Bk；获得实时性指标M2；对M1、Bk和M2加权求和，获得无人车敏捷度得分M，根据所述无人车敏捷度得分M确定所述无人车反应敏捷度水平等级。根据上述方式，能够提供一种无人车反应敏捷度进行评估的方法，该方法从环境复杂度、驾驶行为、操作实时性三个维度对无人车反应敏捷度进行分析，能够得到科学有效的评测结果，从而保证了无人车在真实环境中实现稳定、安全、可靠的驾驶。本发明实施例还提供了一种无人车反应敏捷度评测装置。
-
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：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：CN109229206A
公开(公告)日：2019-01-18
申请号：CN201810867378.X
申请日：2018-08-02
Applicant: 长安大学
Inventor： 赵祥模 , 王文威 , 杨澜 , 徐志刚 , 时恒心 , 连心雨 , 王振 , 闵海根 , 周豫 , 陈南峰 , 冀建新 , 阚春辉 , 谷占勋 , 李玉 , 杨建辉 , 卢春波 , 李拓
IPC: B62D15/02
Abstract: 本发明公开了一种车辆及其转向角度的检测方法和系统，其中，所述方法通过实时获取车辆的至少一个转向轮轮胎的图像；对当前的所述图像进行边缘检测，得到包含所述轮胎边缘的二值图像；检测出所述二值图像中的轮胎的边缘线；根据所述边缘线得到当前车辆的转向角度及转向方向。可见，本发明通过对转向轮轮胎的图像进行一系列处理后能实时的、直接的得到车轮的转向角度，无需改变车辆的转向结构，准确性好。
-
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。
-
Patent Agency Ranking
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。
-
公开(公告)号：CN109284889A
公开(公告)日：2019-01-29
申请号：CN201810797056.2
申请日：2018-07-19
Applicant: 长安大学
IPC: G06Q10/06
Abstract: 本发明实施例提供了一种无人车反应敏捷度评测方法，包括：对无人车所处的交通环境复杂度进行评估，获得环境复杂度指标M1；评估无人驾驶车辆的驾驶行为，获得驾驶行为指标Bk；获得实时性指标M2；对M1、Bk和M2加权求和，获得无人车敏捷度得分M，根据所述无人车敏捷度得分M确定所述无人车反应敏捷度水平等级。根据上述方式，能够提供一种无人车反应敏捷度进行评估的方法，该方法从环境复杂度、驾驶行为、操作实时性三个维度对无人车反应敏捷度进行分析，能够得到科学有效的评测结果，从而保证了无人车在真实环境中实现稳定、安全、可靠的驾驶。本发明实施例还提供了一种无人车反应敏捷度评测装置。
-
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：CN107368787B
公开(公告)日：2020-11-10
申请号：CN201710459554.1
申请日：2017-06-16
Applicant: 长安大学
Abstract: 本发明公开了一种面向深度智驾应用的交通标志识别算法，基于网络对多源公测数据集平移扩展性与稳定性的考虑，建立多源公测数据集对于交通标志的统一类别表征，通过基于局部上下文信息随机裁剪的数据增强策略实现了数据集的扩展，以及多尺度卷积特征图网络与集合网络迭代交替验证训练策略，得到了性能较好的检测网络与识别网络，使网络易于训练且收敛更快；基于自底向上的卷积特征，通过自顶向下融合多尺度卷积特征网络建模方法，提高小尺寸交通标志的查全率；不追求设计更深更复杂的Convnet以获取更高的物体识别率，而是针对交通标志目标的特点，通过对比实验，提出一种能够获得更优信息流动与更好性能表现的集合网络，实现了交通标志的高效识别。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.017 seconds)
