CN105678275A - 车辆识别方法 - Google Patents
车辆识别方法 Download PDFInfo
- Publication number
- CN105678275A CN105678275A CN201610027179.9A CN201610027179A CN105678275A CN 105678275 A CN105678275 A CN 105678275A CN 201610027179 A CN201610027179 A CN 201610027179A CN 105678275 A CN105678275 A CN 105678275A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- neural network
- learning sample
- sample picture
- identification method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种车辆识别方法,用于通过车辆图片对车辆的类型进行自动识别,车辆识别方法通过向经过训练的BP神经网络输入车辆图片的PCA特征值、并由BP神经网络输出识别结果而实现。训练BP神经网络的方法为:首先建立包含若干训练样本图片的样本库,训练样本图片涵盖全部车辆类型;然后对各个训练样本图片进行预处理后提取其PCA特征值;接着分别将每个训练样本图片的PCA特征值输入BP神经网络,并训练BP神经网络,使BP神经网络在输入每个训练样本图片的PCA特征值后均输出正确的识别结果。本发明能够快速地实现车辆类型,并具有自组织和自学习功能,能够适应不断变化的环境和不确定的输入数据,因而具有广阔的应用前景。
Description
技术领域
本发明涉及一种根据图像识别车辆类型的方法。
背景技术
现有的车辆识别方法主要有以下几种:
1、车型雷达识别法
雷达检测器利用多普勒效应的原理工作,雷达所发出的微波被车辆反射,车辆的大小、形状不同,反射器接收到的反射信号也不相同,从而根据各类型车辆的反射信号来识别被测车辆的类型。但雷达对定位准确度较为敏感,若定位不准,则会导致系统精确度大幅降低,且雷达成本过高,技术较为复杂。
2、超声波识别
超声波系统利用路面作为发射面,当路面和车辆之间没有遮挡的时候,便能够检测出由路面反射的回波,系统根据回波的时间算出车辆的纵向长度与形状,由反射的机动车外形特征来判断所测车辆为何种车型,但此系统精确度较低,因此实用价值较小。
3、红外检测分类识别
红外检测系统是利用分布在轨道两边的红外阵列检测器来取得车辆侧面的几何特征,再利用计算机进行处理从而得到车辆类型。该系统采用了大量的激光管,能够得到大量的数据,从而能较为完整的绘制出车辆轮廓及局部特征,识别率较高。但是该系统安装困难,易出故障,在实际应用中难以推广。
由此可见,车辆识别分类的技术虽然历经了长时间的发展,但目前车型识别方面仍然存在着很多难以解决的技术难题,如某些车辆的特征差异并不明显,难以进行准确的区分,或者系统复杂难以推广等,因而车辆识别技术仍是国内外一些科研机构重要的研究课题。
发明内容
本发明的目的是提供一种能够快速且较准确地识别出车辆类型,且实现难度较低的车辆识别方法。
为达到上述目的,本发明采用的技术方案是:
一种车辆识别方法,用于通过车辆图片对车辆的类型进行自动识别,所述车辆识别方法通过向经过训练的BP神经网络输入所述车辆图片的PCA特征值、并由所述BP神经网络输出识别结果而实现。
上述方案中,训练所述BP神经网络的方法为:首先建立包含若干训练样本图片的样本库,所述训练样本图片涵盖全部所述车辆类型;然后对各个所述训练样本图片进行预处理后提取其PCA特征值;接着分别将每个所述训练样本图片的PCA特征值输入所述BP神经网络,并训练所述BP神经网络,使所述BP神经网络在输入每个所述训练样本图片的PCA特征值后均输出正确的识别结果。
所所述训练样本图片进行预处理包括图片大小归一化处理、转化为灰度图、二值化处理。
对各个所述训练样本图片提取其PCA特征值的方法为:首先计算全部所述训练样本图片的平均向量,再计算出每个所述训练样本图片所构成向量与所述平均向量的差值;然后计算所述训练样本图片的协方差矩阵,根据所述协方差矩阵求出特征向量和特征值并按序排列;接着由选择能够完整反映所述训练样本图片信息的部分所述特征向量和特征值作为主成份,并根据所述主成份得到投影矩阵;最后,根据全部所述训练样本图片的投影矩阵形成投影特征空间,并将各个所述训练样本图片投影到所述投影特征空间中存储。
采用最速下降法训练所述BP神经网络。
所述车辆识别方法应用于有轨电车上而对所述有轨电车行驶方向前方的区域中出现的车辆进行类型识别。
由于上述技术方案运用,本发明与现有技术相比具有下列优点:本发明能够快速地实现车辆类型,并具有自组织和自学习功能,能够适应不断变化的环境和不确定的输入数据,因而具有广阔的应用前景。
附图说明
附图1为本发明中提取PCA特征值的流程图。
附图2为三层BP神经网络示意图。
具体实施方式
下面结合附图所示的实施例对本发明作进一步描述。
实施例一:近年来随着有轨电车的发展,速度不断提升,而混合路权状态下路面交通状况也日趋复杂,使得电车运行中的安全问题日益凸显出来,仅仅依靠司机目视来判断行驶过程中障碍物的方法越来越难以适应形势发展的需要,先进可靠的车辆识别系统在保证有轨电车安全运行方面的作用越来越大。当下汽车的类型纷繁复杂,想要准确的将车型识别出来,具有一定的难度。一般来说各类车型的车身侧视图能够比较准确的刻画出车辆的轮廓特征,而社会车辆往往在交叉路口与有轨电车相遇,不会在有轨电车正前方以正向或者对向的路线行驶,因此可以基于车辆的侧视图来进行识别。
本发明提供一种可以应用于有轨电车上的车辆识别方法,该方法用于通过车辆图片对车辆的类型进行自动识别,即应用于有轨电车上而对有轨电车行驶方向前方的区域中出现的车辆进行类型识别。该识别方法具体为:该车辆识别方法通过向经过训练的BP神经网络输入车辆图片的PCA特征值、并由BP神经网络输出识别结果而实现。即该方法的实现首先要训练好BP神经网络,在利用该BP神经网络进行判别。
上述方案中,训练BP神经网络的方法按如下步骤实现:
1、首先建立包含若干训练样本图片的样本库,训练样本图片需要涵盖全部车辆类型。
现今路面上的汽车按车型细分,会有很多,如果仅仅依靠采集到的图片数据库来细分这些车型是比较困难的。因此本发明只是对车型进行大致分类,将城市中常见的汽车分为客车、货车、和轿车三大类。因此,训练样本图片需涵盖这三类车型,且训练样本图片的样本容量越大,则后续的识别率就越高。训练样本图片均为车辆的侧视图。
2、然后对各个训练样本图片进行预处理后提取其PCA特征值。
因为后续要保证输入的PCA特征值的维度一致,且若图片太大会导致训练变慢,所以要对训练样本图片进行预处理。所训练样本图片进行预处理包括图片大小归一化处理、转化为灰度图、二值化处理。
对经过预处理的训练样本图片再进行PCA特征值的提取。对各个训练样本图片提取其PCA特征值的方法如附图1所示:
①首先计算全部训练样本图片的平均向量,再计算出每个训练样本图片所构成向量与平均向量的差值;
读取数据库图片,把二维的车型图片转化成一维矩阵。假设图片数据库中的训练样本图片图像共有N个,用N个矩阵来代替这N幅图片,假设每个矩阵的大小为n*m,把每个矩阵按列堆砌,即:
若原始矩阵为:
转换成向量:
Ii=[a11,a21…am1,a12…am×n]T mn×1(2-2)
则数据库里的各个车辆均可表示为Ii(i=1,2,…,N),整个数据库就可以用一组向量I1,I2,I3,…IN表示。若令K=n*m,整个车辆库可以用一个K*N的矩阵X来表示:
X=[I1,I2,I3,…IN](2-3)
由此可以得出所有车型图片的平均向量为:
同理可求得每种类型的车型图片的平均向量:
(n为每种车型的图片数量)(2-5)
在此基础上求出每幅车辆图片所构成的向量与平均向量之间的差值为:
Ai=Ii-Iave(2-6)
而整个训练图片可以表示为:
A=[A1,A2,A3,…AN](2-7)
②然后计算训练样本图片的协方差矩阵,根据协方差矩阵求出特征向量和特征值并按序排列。
计算协方差矩阵:
和类内散布矩阵:
式中p(ωi)表示每类车型的先验概率。
求上述矩阵C的特征向量μi与特征值λi,并且把不同的特征值相对应的特征向量按照从大到小的顺序排列。一般来说,用类内散布矩阵比用总体散布矩阵作为产生矩阵的识别率高。Sb是由每一类的均值减掉总体的均值得到的,所以其非零特征向量的个数不会超过训练样本的类别数。
③接着由选择能够完整反映训练样本图片信息的部分特征向量和特征值作为主成份,并根据主成份得到投影矩阵。
求出协方差矩阵之后,最终要选择其中一些主成分来代替原始数据,而主成分是通过方差中信息量累计贡献率来确定的,一般来说,当贡献率大于90%时,就认为所选主成分能够比较完整的反映原始数据的信息了。从而可以获得对应的投影矩阵。
④最后,根据全部训练样本图片的投影矩阵形成投影特征空间,并将各个训练样本图片投影到投影特征空间中存储。
通过以上获得的各个训练样本图片的投影矩阵即可构成样本库的投影特征空间,然后将各个训练样本图片投影到该投影特征空间中存储。即:所得到的投影向量记为Ω1,Ω2,Ω3,…ΩN。若将图片库中第i个车辆图像进行投影,得到的向量Ωi就可以用来表示第i个车辆的图像。将所有得到的投影向量存储起来,就得到了所有车辆的识别数据库。
3、接着分别将每个训练样本图片的PCA特征值输入BP神经网络,并训练BP神经网络,使BP神经网络在输入每个训练样本图片的PCA特征值后均输出正确的识别结果。该过程中采用最速下降法训练BP神经网络。
BP神经网络是由大量人工神经元作为最小组成单位相互连接起来所构成的一种具有自适应性的非线性动态系统,它具有以下特性:(1)每个神经元都有一个输入变量Pj;(2)两个神经元之间有一个连接的权值wi;(3)每个神经元都有一个阈值bj;(4)每个神经元都定义了一个变换函数fj[pj,wi,bj],较常见的形式为
BP神经网络是分类器中应用比较广泛的网络,它由三类神经层组成:输入层、隐含层(1或多层)、输出层,各层之间以神经元相连接,而权值又将各神经元连接起来,每个输入数据都会经由神经元与连接权值先进行计算,之后再通过激励函数变换后输出结果,如附图2所示。图2中:xj表示输入层第j个节点的输入;wij表示隐层第i个节点到输入层第j个节点之间的权值;θi表示隐层第i个节点的阈值;φ(x)表示隐层的激励函数;wki表示输出层第k个节点到隐含层第i个节点之间的权值;ak表示输出层第k个节点的阈值;表示输出层的激励函数;ok表示输出层第k个节点的输出。
BP算法是一种监督式的学习算法,分为信息的正向传播过程和误差的反向传播过程两个阶段。首先是信息的正向传播,利用先前PCA算法所提取的车辆库的特征矩阵作为BP神经网络的输入,进行自适应学习。当神经网络读取完训练样本之后,神经元将经过处理的输入信息逐层传至输出层的神经元。如果最后的输出值与预期值不同,则通过反向传播即从输出层到输入层的顺序逐层修改网络的阈值和权值,循环往复,使其输出值不断向预期值靠近,最终达到设定的误差范围内,终止训练。
输入层和输出层神经元数目的选取:BP神经网络的输入层神经元数目和输出层的神经元数目都是根据具体的设计需求来确定的。输入层神经元的数量取决于车辆数据库特征矩阵的维数,本文中输入层的数据源是先前PCA提取的特征向量的维数,为了能够较完整的反映数据的原始信息,程序中设置的信息贡献率指标为90%,相对应的主元数为69个。但经过对程序运行结果的观察发现,前20个主元已经足够反映数据的原始特征,因此本文选为20。由于本文是用BP神经网络来做车型分类系统,所以输出层的神经元数目一般为所要分的类别数,即为3。
隐含层和层内神经元数的选取:(1)隐含层数量的选择:对任意在闭区间内的连续函数,都可以用一个隐含层的BP神经网络来逼近,所以一个三层的BP神经网络就可以完成任意的N维到M维的映射。基于此,本文选择使用仅含一个隐含层的BP神经网络来处理车辆分类的问题。(2)隐含层神经元数量的确定:一般来说隐含层神经元的数目需要根据设计者的经验或者多次试验的结果来确定,因此是个较为复杂的问题,也没有一个固的表达式,且隐层神经元数目在一定程度上取决于输入层输出层的神经元数目。如果神经元数量太少,就有可能导致神经网络不收敛;如果神经元数目太多,又会增加训练时间,且可能会导致容错性差,达不到最佳的训练效果。因此合理的选择隐层的神经元数目十分重要,且必定会存在一个最佳的隐层神经元数目。通常来说可以使用如下经验公式来判定隐层神经元数目的大致范围,然后再通过多次训练,选取出最佳数值。公式:其中k为隐层神经元数目,n为输入层的神经元数目,m为输出层的神经元数目,a为[1,10]之间的某个常数。本文经过多次尝试之后最终确定了隐层神经元的数目为10。
BP神经网络学习速率的选取:学习速率的作用是不断的调整神经网络的权值和阈值,但是对于一个特定的问题,要选择适当的学习速率也不是一件容易的事情。学习速率选得太小,会导致网络收敛过缓,耗时过长;学习速率选得太大,则有可能修正过头,导致振荡甚至发散。所以通常来说选取合适的学习速率对神经网络也有着重要的意义,一般的选取范围在0.01~0.8之间,本文经过试验后取值为0.05。
经过上述过程即可完成对BP神经网络的训练,还可以对经过训练的BP神经网络进行测试,以检测其是否能够满足需求。然后,就可以利用其对车辆类型进行识别了。将被测图像提取PCA特征值投入投影特征空间中与训练样本图片在该投影特征空间中进行对比,并由BP神经网络对对比结果进行判别,得出被测图像中包含的车辆的类型并输出结果。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种车辆识别方法,用于通过车辆图片对车辆的类型进行自动识别,其特征在于:所述车辆识别方法通过向经过训练的BP神经网络输入所述车辆图片的PCA特征值、并由所述BP神经网络输出识别结果而实现。
2.根据权利要求1所述的车辆识别方法,其特征在于:训练所述BP神经网络的方法为:首先建立包含若干训练样本图片的样本库,所述训练样本图片涵盖全部所述车辆类型;然后对各个所述训练样本图片进行预处理后提取其PCA特征值;接着分别将每个所述训练样本图片的PCA特征值输入所述BP神经网络,并训练所述BP神经网络,使所述BP神经网络在输入每个所述训练样本图片的PCA特征值后均输出正确的识别结果。
3.根据权利要求2所述的车辆识别方法,其特征在于:所所述训练样本图片进行预处理包括图片大小归一化处理、转化为灰度图、二值化处理。
4.根据权利要求2所述的车辆识别方法,其特征在于:对各个所述训练样本图片提取其PCA特征值的方法为:首先计算全部所述训练样本图片的平均向量,再计算出每个所述训练样本图片所构成向量与所述平均向量的差值;然后计算所述训练样本图片的协方差矩阵,根据所述协方差矩阵求出特征向量和特征值并按序排列;接着由选择能够完整反映所述训练样本图片信息的部分所述特征向量和特征值作为主成份,并根据所述主成份得到投影矩阵;最后,根据全部所述训练样本图片的投影矩阵形成投影特征空间,并将各个所述训练样本图片投影到所述投影特征空间中存储。
5.根据权利要求2所述的车辆识别方法,其特征在于:采用最速下降法训练所述BP神经网络。
6.根据权利要求1至5中任一项所述的车辆识别方法,其特征在于:所述车辆识别方法应用于有轨电车上而对所述有轨电车行驶方向前方的区域中出现的车辆进行类型识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610027179.9A CN105678275A (zh) | 2016-01-15 | 2016-01-15 | 车辆识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610027179.9A CN105678275A (zh) | 2016-01-15 | 2016-01-15 | 车辆识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105678275A true CN105678275A (zh) | 2016-06-15 |
Family
ID=56300921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610027179.9A Pending CN105678275A (zh) | 2016-01-15 | 2016-01-15 | 车辆识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678275A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295637A (zh) * | 2016-07-29 | 2017-01-04 | 电子科技大学 | 一种基于深度学习与强化学习的车辆识别方法 |
CN106778527A (zh) * | 2016-11-28 | 2017-05-31 | 中通服公众信息产业股份有限公司 | 一种基于三重损失的改进的神经网络行人再识别方法 |
CN108197655A (zh) * | 2018-01-03 | 2018-06-22 | 重庆亲禾智千科技有限公司 | 基于主成分分析与神经网络的路面破损病害图像分类方法 |
CN108388888A (zh) * | 2018-03-23 | 2018-08-10 | 腾讯科技(深圳)有限公司 | 一种车辆识别方法、装置和存储介质 |
CN109344852A (zh) * | 2018-08-01 | 2019-02-15 | 迈克医疗电子有限公司 | 图像识别方法和装置、分析仪器和存储介质 |
CN109544707A (zh) * | 2017-09-18 | 2019-03-29 | 武汉万德智新科技股份有限公司 | 停车场出入智能控制系统及方法 |
CN110852358A (zh) * | 2019-10-29 | 2020-02-28 | 中国科学院上海微系统与信息技术研究所 | 一种基于深度学习的车辆类型判别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020582A (zh) * | 2012-09-20 | 2013-04-03 | 苏州两江科技有限公司 | 计算机通过视频图像识别车辆类型的方法 |
CN103473558A (zh) * | 2013-09-04 | 2013-12-25 | 深圳先进技术研究院 | 基于神经网络的图像识别方法和系统 |
-
2016
- 2016-01-15 CN CN201610027179.9A patent/CN105678275A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020582A (zh) * | 2012-09-20 | 2013-04-03 | 苏州两江科技有限公司 | 计算机通过视频图像识别车辆类型的方法 |
CN103473558A (zh) * | 2013-09-04 | 2013-12-25 | 深圳先进技术研究院 | 基于神经网络的图像识别方法和系统 |
Non-Patent Citations (1)
Title |
---|
王战魁: "基于PCA与BP神经网络的危险化学品车辆识别", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295637A (zh) * | 2016-07-29 | 2017-01-04 | 电子科技大学 | 一种基于深度学习与强化学习的车辆识别方法 |
CN106295637B (zh) * | 2016-07-29 | 2019-05-03 | 电子科技大学 | 一种基于深度学习与强化学习的车辆识别方法 |
CN106778527A (zh) * | 2016-11-28 | 2017-05-31 | 中通服公众信息产业股份有限公司 | 一种基于三重损失的改进的神经网络行人再识别方法 |
CN106778527B (zh) * | 2016-11-28 | 2019-11-12 | 中通服公众信息产业股份有限公司 | 一种基于三重损失的改进的神经网络行人再识别方法 |
CN109544707A (zh) * | 2017-09-18 | 2019-03-29 | 武汉万德智新科技股份有限公司 | 停车场出入智能控制系统及方法 |
CN109544707B (zh) * | 2017-09-18 | 2021-06-01 | 武汉万德智新科技股份有限公司 | 停车场出入智能控制系统及方法 |
CN108197655A (zh) * | 2018-01-03 | 2018-06-22 | 重庆亲禾智千科技有限公司 | 基于主成分分析与神经网络的路面破损病害图像分类方法 |
CN108388888A (zh) * | 2018-03-23 | 2018-08-10 | 腾讯科技(深圳)有限公司 | 一种车辆识别方法、装置和存储介质 |
CN109344852A (zh) * | 2018-08-01 | 2019-02-15 | 迈克医疗电子有限公司 | 图像识别方法和装置、分析仪器和存储介质 |
CN110852358A (zh) * | 2019-10-29 | 2020-02-28 | 中国科学院上海微系统与信息技术研究所 | 一种基于深度学习的车辆类型判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678275A (zh) | 车辆识别方法 | |
US11899411B2 (en) | Hybrid reinforcement learning for autonomous driving | |
Ni et al. | An improved deep network-based scene classification method for self-driving cars | |
Jia et al. | Long short‐term memory and convolutional neural network for abnormal driving behaviour recognition | |
Shaik et al. | A review on neural network techniques for the prediction of road traffic accident severity | |
Weng et al. | Modeling vehicle merging behavior in work zone merging areas during the merging implementation period | |
US20230288929A1 (en) | Ranking agents near autonomous vehicles by mutual importance | |
Zhang et al. | A framework for turning behavior classification at intersections using 3D LIDAR | |
Al Mamun et al. | Lane marking detection using simple encode decode deep learning technique: SegNet | |
Szénási et al. | Statistical accident analysis supporting the control of autonomous vehicles | |
Hu et al. | Driver identification using 1D convolutional neural networks with vehicular CAN signals | |
Ambarak et al. | A neural network for predicting unintentional lane departures | |
Mirus et al. | An investigation of vehicle behavior prediction using a vector power representation to encode spatial positions of multiple objects and neural networks | |
Koenig et al. | Bridging the gap between open loop tests and statistical validation for highly automated driving | |
Mammeri et al. | Design of a semi-supervised learning strategy based on convolutional neural network for vehicle maneuver classification | |
Mudgal et al. | Traffic sign detection and recognition using CNN and Keras | |
Nezhadalinaei et al. | Motion object detection and tracking optimization in autonomous vehicles in specific range with optimized deep neural network | |
Heinemann | Predicting cut-ins in traffic using a neural network | |
Shatnawi et al. | Prediction of risk factors influencing severity level of traffic accidents using artificial intelligence | |
Yuan et al. | A new active safety distance model of autonomous vehicle based on sensor occluded scenes | |
Zyner | Naturalistic driver intention and path prediction using machine learning | |
Jose et al. | A New approach for accurate path Prediction using multiple Prediction system | |
Lv et al. | A lane-changing decision-making model of bus entering considering bus priority based on GRU neural network | |
Souza et al. | Vision and GPS-based autonomous vehicle navigation using templates and artificial neural networks | |
Srinivas et al. | Integrating Smart Technologies for Enhanced Traffic Management and Road Safety: A Data-Driven Approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160615 |