CN105975915B - 一种基于多任务卷积神经网络的前方车辆参数识别方法 - Google Patents
一种基于多任务卷积神经网络的前方车辆参数识别方法 Download PDFInfo
- Publication number
- CN105975915B CN105975915B CN201610273462.XA CN201610273462A CN105975915B CN 105975915 B CN105975915 B CN 105975915B CN 201610273462 A CN201610273462 A CN 201610273462A CN 105975915 B CN105975915 B CN 105975915B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- convolutional neural
- neural networks
- layer
- identification
- 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.)
- Expired - Fee Related
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种基于多任务卷积神经网络的车辆多参数识别方法,包括以下步骤:卷积神经网络结构的设计及训练;基于卷积神经网络的车辆参数识别。本发明采用卷积神经网络,使原始数据通过简单而非线性的模型转变成为更抽象的高层表达。因此,卷积神经网络能够从大量的训练样本中学习到反映待识别目标本质的隐性特征;相比浅层学习分类器,具有更强的可扩展性,满足交通环境中的多类目标的识别,识别精度也更高。尤其应用于复杂的交通环境当中,本发明体现出很强的抗环境干扰能力。本发明将卷积神经网络的应用扩展到车辆的多参数识别,以训练好的卷积神经网络识别图像中车辆的类型特征、位姿信息及车灯状态,增强了车辆潜在行为的可预知性。
Description
技术领域
本发明属于车辆智能化领域,尤其涉及一种前方车辆参数的识别方法。
背景技术
交通场景中的车辆识别属于车辆智能化范畴。准确有效地识别车辆参数信息是提高智能车辆和安全辅助驾驶系统(ADAS)智能化程度、实现车辆间防碰撞的关键因素,也是实现对碰撞作出判断和预防的关键前提。
车辆参数的识别是指对交通场景图像中的车辆目标进行识别,并获取能够反映前车对本车可能具有影响的信息的过程,以便驾驶员对信息作出预判,防止碰撞的发生。目前前方车辆参数的识别方法通常仅是对车辆的某一特征参数进行识别的。而主流的车辆识别的方法可概括为基于先验特征的方法和基于机器学习的方法。基于先验特征方法一般利用视觉系统获取车辆的固有特征或运动特征,以其作为目标车辆识别算法的约束条件。然而复杂道路场景中噪声的干扰将导致其识别的可靠度和鲁棒性下降,且仅实现对目标车辆是否存在这一层次上的识别。基于机器学习的方法主要是利用分类器对目标进行分类,例如支持向量机(SVMs)、Adaboost等浅层学习模型,通过学习识别车辆与非车辆的判定边界或验证生成的车辆候选区域,同时要求具有良好的特征提取器,且仅能对目标进行复杂的显性特征提取。浅层学习模型有限的层次深度使其仅局限于解决二分类问题,难以应对目标多参数识别的问题,具有不易扩展的局限性。
以上描述的现有技术大都仅在目标车辆是否存在这一层次上进行识别,存在车辆参数识别单一化的问题,以致于难以实现多参数的同时获取。
发明内容
为解决现有技术存在的上述问题,本发明要设计一种环境适应性强、识别精度高及易扩展的基于多任务卷积神经网络的前方车辆多参数的识别方法,以实现提取反映图像中目标本质的多类隐性特征,并实现对前方车辆诸如车型、车灯状态等多信息参数的获取,从而有利于驾驶员更确切地预知目标车辆的潜在行为,预防交通事故的发生。
为了实现上述目的,本发明以车辆阴影标记区域图像作为卷积神经网络的输入,同时引入目标的显性特征到卷积神经网络的全连接层,以实现车辆多参数的识别。具体技术方案如下:一种基于多任务卷积神经网络的车辆多参数识别方法,包括以下步骤:
A、卷积神经网络结构的设计及训练
A1、卷积神经网络是一种深度学习理论基础上的权值共享多层神经网络。卷积神经网络的输入图像W为RGB-D图像,即一种包含彩色及深度信息的四通道颜色深度图像。为了修正场景中光照不均、突出图像的边缘特征、加快卷积神经网络训练的快速收敛,将输入图像W进行局部对比度归一化的预处理,表示形式为:
式中:μ、σ分别是以像素点(i,j)为中心的局部小邻域内的像素均值和标准差,所述的局部小邻域大小为2×2~4×4;C是常数;I是像素点(i,j)的灰度值,(i,j)∈W。
卷积神经网络的隐含层由4个卷积层组及一层全连接层组成。其中,每个卷积层组都包括卷积操作、线性修正激活函数ReLU修正特征图和平均池化操作。输出层的神经元个数应与待识别目标类别数量相一致。对于隐含层中所有的卷积过程来说,设定它们的卷积核数目均相同,也就有卷积输出的特征图数目相同,而特征图是由相应层的神经元权值共享的神经元集合,每个神经元的输入与前一层的局部感知域相连,并提取该局部感知域的特征。
卷积过程的形式表示为:
式中:f(·)是卷积层的激活函数;代表第l卷积层的第j个神经元向量;是当前层的输入神经元;k是卷积核;Mj代表选择的输入特征图的集合;b是偏置。其中,上标l表示隐含层层数索引号,在本公式中取值l∈{1,3,5,7},下标i、j=1,2,3,……,表示第l或l-1层的神经元索引号。
池化操作的形式表示为:
式中:g(.)是池化层的激活函数;pool(·)是池化函数,表示对前一层图像的一个n×n的区域求和;β是权值,b是偏置,每一个输出的特征图都对应一个权值和偏置。其中,上标l表示隐含层层数索引号,在本公式中取值l∈{2,4,6},下标j=1,2,3,……,表示第l或l-1层的神经元索引号。
A2、卷积神经网络采用离线训练的方式进行训练,训练样本图像为基于车载RGB-D视觉系统采集到的具有深度信息的彩色图像。训练前将所有的权值初始化为[-a,a]区间内的随机数,a是10-2数量级的实数。训练分为两个阶段:信号前向传播阶段和误差后向反馈阶段。当卷积神经网络的实际输出值与期望输出值的误差保持在预设范围内即终止卷积神经网络训练,并保存卷积神经网络结构,适用于交通场景的车辆参数识别的多任务卷积神经网络训练完毕。
B、基于卷积神经网络的车辆参数识别
B1、由卷积神经网络直接识别车辆类型及朝向信息
车底阴影是车辆的显著特征之一。采用现有阴影分割的方法获取图像中车辆的阴影候选区域,作为卷积神经网络识别车辆目标的定位区域。由于训练后的卷积神经网络已具备充分的识别性能,能够直接识别出检测图像中车辆的朝向及车型特征,所述的车型特征分别为大型车、中型车、小型车和非机动类车型。将由车底阴影确定的车辆候选区域图像输入到训练好的卷积神经网络中进行车辆识别,以有效减少网络的输入及背景区域的干扰作用,提高识别效率。
B2、显性特征辅助卷积神经网络实现灯光状态的识别
引入显性特征有效缩减卷积神经网络的参数数目,辅助卷积神经网络完成其他参数的识别与分类,并形成一种多任务卷积神经网络结构。
交通场景中,车辆的灯光信号状态是车辆之间进行信息传递的方式。车辆行驶中前车通过车灯状态告知本车此时的行进状态,以避免发生意外。
所述的行进状态包括:车尾的制动红灯亮起表示车辆刹车制动;车辆转向黄灯闪烁表示车辆变道或转弯;危险报警闪光灯应开启即左右转向灯同时闪烁表示车辆发生故障。
因此,基于车灯状态的不同,推断车辆的行进状态。
颜色特征作为物体表面的本质特征之一,在人类视觉感知中是直接并且重要的信息。采用颜色分割的方法分割出颜色信息,将颜色信息输入到卷积神经网络的全连接层进行分类,卷积神经网络结合车辆的朝向识别以“辨别”出识别到的车灯的开启状态;并在识别结果的基础上,继续使用左、右尾灯车灯区域亮度的平均值来比较,如果左侧区域值大于右侧值,则判断是左转;反之亦然。最终识别出车辆的行进状态。
与现有技术相比,本发明的有益效果和益处如下:
1、本发明采用卷积神经网络这一深度学习方法,而深度学习是一种特征学习方法,使原始数据通过简单而非线性的模型转变成为更抽象的高层表达。因此,卷积神经网络能够从大量的训练样本中学习到反映待识别目标本质的隐性特征;相比浅层学习分类器,具有更强的可扩展性,满足交通环境中的多类目标的识别,识别精度也更高。尤其应用于复杂的交通环境当中,本发明体现出很强的抗环境干扰能力。
2、本发明将卷积神经网络的应用扩展到车辆的多参数识别,以训练好的卷积神经网络识别图像中车辆的类型特征、位姿信息及车灯状态,增强了车辆潜在行为的可预知性。
3、本发明以RGB-D图像作为卷积神经网络的输入,相比单一的灰度图像输入,卷积神经网络还可获得深度特征信息,因此训练后的卷积神经网络具有更高的识别能力,继而提高了卷积神经网络针对待识别目标的识别准确性。
附图说明
本发明共有附图2张,其中:
图1是基于多任务卷积神经网络的车辆参数识别方法流程图。
图2是卷积神经网络的结构示意图。
具体实施方式
以下结合技术方案和附图详细叙述本发明的具体实施方式。如附图1所示,一种基于多任务卷积神经网络的车辆参数识别方法,包括以下步骤:
A、卷积神经网络结构的设计及训练
A1、卷积神经网络是一种深度学习理论基础上的权值共享多层神经网络。卷积神经网络的输入层为RGB-D图像,且图像像素值大小为106×106。为了修正场景中光照不均,突出图像的边缘特征,并且加快卷积神经网络训练的快速收敛,将输入图像W进行局部对比度归一化(LCN)的预处理,其一般表示形式为:
式中:μ、σ分别是以像素点(i,j)为中心的局部小邻域内的像素均值和标准差,一般设定邻域大小为3×3;C是常数;I是像素点(i,j)的灰度值,(i,j)∈W。
卷积神经网络的隐含层是由4个卷积层组及全连接层构成的。每个卷积层组都包含卷积操作、线性修正激活函数(ReLU)修正特征图和平均池化操作。网络结构示意图如图2所示。对于隐含层中所有的卷积过程来说,设定它们的卷积核数目均相同,也就有卷积输出的特征图数目相同,即数目皆为64张,大小皆为7×7;线性修正函数的具体形式为:f=max(0;x),其能够加快卷积神经网络的训练速率,并能很好地传递误差梯度;输出层的神经元个数要与待识别目标类别数量相一致,可根据实际应用要求进行扩展以识别多目标。本发明为车辆识别,将样本分类两类:车辆目标和背景。每层的卷积核数目相同,即每层得到的特征图数量相同,而特征图是由相应层的神经元权值共享的神经元集合,每个神经元的输入与前一层的局部感知域相连接,并提取该局部感知域的特征。
输入图像经过第一阶段的卷积操作输出的特征图变为100×100,特征图的每个神经元与输入图像的一个7×7的邻域相连接;再经池化操作后输出特征图像素大小为50×50,特征图的每个神经元与卷积层中一个大小为2×2的邻域相连。第二阶段,卷积操作后的输出特征图大小为44×44,池化操作后输出特征图大小为22×22。以此类推,第三阶段卷积操作的特征图大小为16×16,池化后的特征图为8×8;第四阶段卷积操作的特征图为2×2,池化后的特征图为1×1。全连接层与前一层进行全连接,输出层是由径向基函数单元组成。
卷积过程的形式表示为:
式中:f(·)是卷积层的激活函数;代表第l卷积层的第j个神经元向量;是当前层的输入神经元;k是卷积核;Mj代表选择的输入特征图的集合;b是偏置。其中,上标l表示隐含层层数索引号,在本公式中取值l∈{1,3,5,7},下标i、j=1,2,3,……,表示第l或l-1层的神经元索引号。
池化操作的形式表示为:
式中:g(.)是池化层的激活函数;pool(·)是池化函数,表示对前一层图像的一个n×n的区域求和本发明中取n=2,池化邻域是不重叠的;β是权值,b是偏置,每一个输出的特征图都对应一个权值和偏置。其中,上标l表示隐含层层数索引号,在本公式中取值l∈{2,4,6},下标j=1,2,3,……,表示第l或l-1层的神经元索引号。
A2、卷积神经网络采用离线训练的方式进行训练,训练样本图像为基于车载RGB-D视觉系统采集到的具有深度信息的彩色图像,训练样本数为5000。训练前将所有的权值初始化为[-a,a]区间内的随机数,a是10-2数量级的实数。训练算法主要分为两个阶段:信号前向传播阶段,误差后向反馈阶段。当卷积神经网络的实际输出值与期望输出值的误差保持在一定预设范围内即可终止卷积神经网络训练,并保存卷积神经网络结构,适用于交通场景的车辆参数识别的多任务卷积神经网络训练完毕。
B、基于卷积神经网络的车辆参数识别
B1、由CNN直接识别车辆类型及朝向信息
车底阴影是车辆的显著特征之一。采用现有阴影分割的方法获取图像中车辆的阴影候选区域,作为卷积神经网络识别车辆目标的定位。由于训练后的卷积神经网络已具备充分的识别性能,能够直接识别出检测图像中车辆的朝向及车型特征,交通场景中车型特征可概括为:大、中、小、非机动四类车型。由车底阴影确定的车辆候选区域图像输入到训练好的卷积神经网络中进行车辆识别,以有效减少网络的输入及背景区域的干扰作用,提高识别效率。
B2、显性特征辅助卷积神经网络实现灯光状态的识别
引入显性特征有效缩减卷积神经网络的参数数目,辅助卷积神经网络完成其他参数的识别与分类,并形成一种多任务卷积神经网络结构。
交通场景中,车辆的灯光信号状态是车辆之间进行信息传递的方式。车辆行驶中前车通过车灯状态告知本车此时的行进状态,以避免发生意外。
所述的行进状态包括:车尾的制动红灯亮起表示车辆刹车制动;车辆转向黄灯闪烁表示车辆变道或转弯;危险报警闪光灯应开启即左右转向灯同时闪烁表示车辆发生故障。
因此,基于车灯状态的不同,推断车辆的行进状态。
颜色特征作为物体表面的本质特征之一,在人类视觉感知中是直接并且重要的信息。采用颜色分割的方法分割出颜色信息,将颜色信息输入到卷积神经网络的全连接层进行分类,卷积神经网络结合车辆的朝向识别以“辨别”出识别到的车灯的开启状态;并在识别结果的基础上,继续使用左、右尾灯车灯区域亮度的平均值来比较,如果左侧区域值大于右侧值,则判断是左转;反之亦然。最终识别出车辆的行进状态。
Claims (1)
1.一种基于多任务卷积神经网络的车辆多参数识别方法,其特征在于:包括以下步骤:
A、卷积神经网络结构的设计及训练
A1、卷积神经网络是一种深度学习理论基础上的权值共享多层神经网络;卷积神经网络的输入图像W为RGB-D图像,即一种包含彩色及深度信息的四通道颜色深度图像;为了修正场景中光照不均、突出图像的边缘特征、加快卷积神经网络训练的快速收敛,将输入图像W进行局部对比度归一化的预处理,表示形式为:
式中:μ、σ分别是以像素点(i,j)为中心的局部小邻域内的像素均值和标准差,所述的局部小邻域大小为2×2~4×4;C是常数;I是像素点(i,j)的灰度值,(i,j)∈W;
卷积神经网络的隐含层由4个卷积层组及一层全连接层组成;其中,每个卷积层组都包括卷积操作、线性修正激活函数ReLU修正特征图和平均池化操作;输出层的神经元个数应与待识别目标类别数量相一致;对于隐含层中所有的卷积过程来说,设定它们的卷积核数目均相同,也就有卷积输出的特征图数目相同,而特征图是由相应层的神经元权值共享的神经元集合,每个神经元的输入与前一层的局部感知域相连,并提取该局部感知域的特征;
卷积过程的形式表示为:
式中:f(·)是卷积层的激活函数;代表第l卷积层的第j个神经元向量;是当前层的输入神经元;k是卷积核;Mj代表选择的输入特征图的集合;b是偏置;其中,上标l表示隐含层层数索引号、在本公式中取值l∈{1,3,5,7},下标i、j=1,2,3,……,表示第l或l-1层的神经元索引号;
池化操作的形式表示为:
式中:g(.)是池化层的激活函数;pool(·)是池化函数,表示对前一层图像的一个n×n的区域求和;β是权值,b是偏置,每一个输出的特征图都对应一个权值和偏置;其中,上标l表示隐含层层数索引号、在本公式中取值l∈{2,4,6},下标j=1,2,3,……,表示第l或l-1层的神经元索引号;
A2、卷积神经网络采用离线训练的方式进行训练,训练样本图像为基于车载RGB-D视觉系统采集到的具有深度信息的彩色图像;训练前将所有的权值初始化为[-a,a]区间内的随机数,a是10-2数量级的实数;训练分为两个阶段:信号前向传播阶段和误差后向反馈阶段;当卷积神经网络的实际输出值与期望输出值的误差保持在预设范围内即终止卷积神经网络训练,并保存卷积神经网络结构,适用于交通场景的车辆参数识别的多任务卷积神经网络训练完毕;
B、基于卷积神经网络的车辆参数识别
B1、由卷积神经网络直接识别车辆类型及朝向信息
车底阴影是车辆的显著特征之一;采用现有阴影分割的方法获取图像中车辆的阴影候选区域,作为卷积神经网络识别车辆目标的定位区域;由于训练后的卷积神经网络已具备充分的识别性能,能够直接识别出检测图像中车辆的朝向及车型特征,所述的车型特征分别为大型车、中型车、小型车和非机动类车型;将由车底阴影确定的车辆候选区域图像输入到训练好的卷积神经网络中进行车辆识别,以有效减少网络的输入及背景区域的干扰作用,提高识别效率;
B2、显性特征辅助卷积神经网络实现灯光状态的识别
引入显性特征有效缩减卷积神经网络的参数数目,辅助卷积神经网络完成其他参数的识别与分类,并形成一种多任务卷积神经网络结构;
交通场景中,车辆的灯光信号状态是车辆之间进行信息传递的方式;车辆行驶中前车通过车灯状态告知本车此时的行进状态,以避免发生意外;
所述的行进状态包括:车尾的制动红灯亮起表示车辆刹车制动;车辆转向黄灯闪烁表示车辆变道或转弯;危险报警闪光灯应开启即左右转向灯同时闪烁表示车辆发生故障;
因此,基于车灯状态的不同,推断车辆的行进状态;
颜色特征作为物体表面的本质特征之一,在人类视觉感知中是直接并且重要的信息;采用颜色分割的方法分割出颜色信息,将颜色信息输入到卷积神经网络的全连接层进行分类,卷积神经网络结合车辆的朝向识别以“辨别”出识别到的车灯的开启状态;并在识别结果的基础上,继续使用左、右尾灯车灯区域亮度的平均值来比较,如果左侧区域值大于右侧值,则判断是左转;反之亦然;最终识别出车辆的行进状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610273462.XA CN105975915B (zh) | 2016-04-28 | 2016-04-28 | 一种基于多任务卷积神经网络的前方车辆参数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610273462.XA CN105975915B (zh) | 2016-04-28 | 2016-04-28 | 一种基于多任务卷积神经网络的前方车辆参数识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105975915A CN105975915A (zh) | 2016-09-28 |
CN105975915B true CN105975915B (zh) | 2019-05-21 |
Family
ID=56993727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610273462.XA Expired - Fee Related CN105975915B (zh) | 2016-04-28 | 2016-04-28 | 一种基于多任务卷积神经网络的前方车辆参数识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105975915B (zh) |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529446A (zh) * | 2016-10-27 | 2017-03-22 | 桂林电子科技大学 | 基于多分块深层卷积神经网络的车型识别方法和系统 |
CN106599773B (zh) * | 2016-10-31 | 2019-12-24 | 清华大学 | 用于智能驾驶的深度学习图像识别方法、系统及终端设备 |
CN106778583B (zh) * | 2016-12-07 | 2019-12-17 | 北京理工大学 | 基于卷积神经网络的车辆属性识别方法与装置 |
CN106599869B (zh) * | 2016-12-22 | 2019-12-03 | 安徽大学 | 一种基于多任务卷积神经网络的车辆属性识别方法 |
US11205120B2 (en) * | 2016-12-22 | 2021-12-21 | Samsung Electronics Co., Ltd | System and method for training deep learning classification networks |
CN106874858A (zh) * | 2017-01-19 | 2017-06-20 | 博康智能信息技术有限公司北京海淀分公司 | 一种车辆信息识别方法及装置和一种车辆 |
CN106934392B (zh) * | 2017-02-28 | 2020-05-26 | 西交利物浦大学 | 基于多任务学习卷积神经网络的车标识别及属性预测方法 |
CN107134144B (zh) * | 2017-04-27 | 2019-07-12 | 武汉理工大学 | 一种用于交通监控的车辆检测方法 |
CN107264394A (zh) * | 2017-05-19 | 2017-10-20 | 上海集成电路研发中心有限公司 | 一种智能识别前方车辆灯光的系统及其识别方法 |
DE102017208718A1 (de) * | 2017-05-23 | 2018-11-29 | Conti Temic Microelectronic Gmbh | Verfahren zur Erkennung von Objekten in einem Bild einer Kamera |
US10474908B2 (en) * | 2017-07-06 | 2019-11-12 | GM Global Technology Operations LLC | Unified deep convolutional neural net for free-space estimation, object detection and object pose estimation |
CN107985189B (zh) * | 2017-10-26 | 2021-03-12 | 西安科技大学 | 面向高速驾驶环境下的驾驶员变道深度预警方法 |
CN108021933B (zh) * | 2017-11-23 | 2020-06-05 | 深圳市华尊科技股份有限公司 | 神经网络识别装置及识别方法 |
AT520781A2 (de) * | 2017-12-22 | 2019-07-15 | Avl List Gmbh | Verhaltensmodell eines Umgebungssensors |
CN108182428A (zh) * | 2018-01-31 | 2018-06-19 | 福州大学 | 前车状态识别和车辆跟随的方法 |
CN108389226A (zh) * | 2018-02-12 | 2018-08-10 | 北京工业大学 | 一种基于卷积神经网络和双目视差的无监督深度预测方法 |
US11618438B2 (en) * | 2018-03-26 | 2023-04-04 | International Business Machines Corporation | Three-dimensional object localization for obstacle avoidance using one-shot convolutional neural network |
CN108509907B (zh) * | 2018-03-30 | 2022-03-15 | 北京市商汤科技开发有限公司 | 车灯检测方法、实现智能驾驶的方法、装置、介质及设备 |
CN108764051B (zh) * | 2018-04-28 | 2021-07-13 | Oppo广东移动通信有限公司 | 图像处理方法、装置及移动终端 |
CN108830282A (zh) * | 2018-05-29 | 2018-11-16 | 电子科技大学 | 一种乳腺x光图像的乳腺肿块信息提取及分类方法 |
CN110555341B (zh) * | 2018-05-31 | 2023-04-07 | 赛灵思电子科技(北京)有限公司 | 池化方法和装置、检测方法和设备、电子设备、存储介质 |
CN109145798B (zh) * | 2018-08-13 | 2021-10-22 | 浙江零跑科技股份有限公司 | 一种驾驶场景目标识别与可行驶区域分割集成方法 |
DE102018215055A1 (de) * | 2018-09-05 | 2020-03-05 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Bestimmen einer Spurwechselangabe eines Fahrzeugs, ein computerlesbares Speichermedium und ein Fahrzeug |
CN109801337B (zh) * | 2019-01-21 | 2020-10-02 | 同济大学 | 一种基于实例分割网络和迭代优化的6d位姿估计方法 |
CN109993056A (zh) * | 2019-02-25 | 2019-07-09 | 平安科技(深圳)有限公司 | 一种识别车辆违章行为的方法、服务器及存储介质 |
CN112307833A (zh) * | 2019-07-31 | 2021-02-02 | 浙江商汤科技开发有限公司 | 识别智能行驶设备的行驶状态的方法及装置、设备 |
CN110532990A (zh) * | 2019-09-04 | 2019-12-03 | 上海眼控科技股份有限公司 | 转向灯使用状态识别方法、装置、计算机设备及存储介质 |
CN111339834B (zh) * | 2020-02-04 | 2023-06-02 | 浙江大华技术股份有限公司 | 车辆行驶方向的识别方法、计算机设备及存储介质 |
CN111583592B (zh) * | 2020-05-06 | 2021-07-27 | 哈尔滨工业大学 | 一种基于多维卷积神经网络的实验环境安全预警方法 |
CN111859291B (zh) | 2020-06-23 | 2022-02-25 | 北京百度网讯科技有限公司 | 交通事故识别方法、装置、设备和计算机存储介质 |
CN113033275B (zh) * | 2020-11-17 | 2023-04-18 | 浙江浩腾电子科技股份有限公司 | 基于深度学习的车辆变道不打转向灯分析系统 |
CN112651927A (zh) * | 2020-12-03 | 2021-04-13 | 北京信息科技大学 | 一种基于卷积神经网络与支持向量机的拉曼光谱智能识别方法 |
CN113188807B (zh) * | 2021-02-05 | 2024-05-03 | 深圳大雷汽车检测股份有限公司 | 一种abs结果自动判定算法 |
CN114519848A (zh) * | 2022-02-09 | 2022-05-20 | 商汤集团有限公司 | 一种运动意图确定方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279759A (zh) * | 2013-06-09 | 2013-09-04 | 大连理工大学 | 一种基于卷积神经网络的车辆前方可通行性分析方法 |
CN104217214A (zh) * | 2014-08-21 | 2014-12-17 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于可配置卷积神经网络的rgb-d人物行为识别方法 |
CN104809443A (zh) * | 2015-05-05 | 2015-07-29 | 上海交通大学 | 基于卷积神经网络的车牌检测方法及系统 |
CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9202144B2 (en) * | 2013-10-30 | 2015-12-01 | Nec Laboratories America, Inc. | Regionlets with shift invariant neural patterns for object detection |
-
2016
- 2016-04-28 CN CN201610273462.XA patent/CN105975915B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279759A (zh) * | 2013-06-09 | 2013-09-04 | 大连理工大学 | 一种基于卷积神经网络的车辆前方可通行性分析方法 |
CN104217214A (zh) * | 2014-08-21 | 2014-12-17 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于可配置卷积神经网络的rgb-d人物行为识别方法 |
CN104809443A (zh) * | 2015-05-05 | 2015-07-29 | 上海交通大学 | 基于卷积神经网络的车牌检测方法及系统 |
CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
Non-Patent Citations (3)
Title |
---|
《Vehicle color recognition using convolutional neural network》;RF Rachmadi,et al.;《arXiv》;20151231;第1-5页 |
《Vehicle Type Classification Using a Semisupervised Convolutional Neural Network》;zhen dong,et al.;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;20150831;第16卷(第4期);第2247-2257页 |
《基于卷积神经网络的车辆前方障碍物识别》;丁新立;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160315(第3期);第C035-139页 |
Also Published As
Publication number | Publication date |
---|---|
CN105975915A (zh) | 2016-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105975915B (zh) | 一种基于多任务卷积神经网络的前方车辆参数识别方法 | |
Fujiyoshi et al. | Deep learning-based image recognition for autonomous driving | |
Mehta et al. | CNN based traffic sign classification using Adam optimizer | |
US10691952B2 (en) | Adapting to appearance variations when tracking a target object in video sequence | |
US10068171B2 (en) | Multi-layer fusion in a convolutional neural network for image classification | |
CN110097109A (zh) | 一种基于深度学习的道路环境障碍物检测系统及方法 | |
Lange et al. | Online vehicle detection using deep neural networks and lidar based preselected image patches | |
US8773535B2 (en) | Adaptation for clear path detection using reliable local model updating | |
CN107633220A (zh) | 一种基于卷积神经网络的车辆前方目标识别方法 | |
WO2019101720A1 (en) | Methods for scene classification of an image in a driving support system | |
CN105956626A (zh) | 基于深度学习的对车牌位置不敏感的车牌识别方法 | |
US10990820B2 (en) | Heterogeneous convolutional neural network for multi-problem solving | |
KR20180048407A (ko) | 차선 검출 장치 및 방법 | |
CN109635784A (zh) | 基于改进的卷积神经网络的交通标志识别方法 | |
CN106056102A (zh) | 基于视频图像分析的道路车型分类方法 | |
CN107985189A (zh) | 面向高速驾驶环境下的驾驶员变道深度预警方法 | |
CN110414418A (zh) | 一种图像-激光雷达图像数据多尺度融合的道路检测方法 | |
CN106845387A (zh) | 基于自学习的行人检测方法 | |
Dewangan et al. | Towards the design of vision-based intelligent vehicle system: methodologies and challenges | |
Gao et al. | On‐line vehicle detection at nighttime‐based tail‐light pairing with saliency detection in the multi‐lane intersection | |
CN110516615B (zh) | 基于卷积神经网络的人车分流控制方法 | |
Tehrani et al. | Car detection at night using latent filters | |
Oldenziel et al. | Provident detection of vehicles at night | |
Shin et al. | Real-time vehicle detection using deep learning scheme on embedded system | |
CN111831265B (zh) | 基于autosar的电动汽车传感器信号处理组件接口设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190521 Termination date: 20210428 |