CN110097055A - 一种基于栅格卷积神经网络的车辆姿态检测方法及系统 - Google Patents
一种基于栅格卷积神经网络的车辆姿态检测方法及系统 Download PDFInfo
- Publication number
- CN110097055A CN110097055A CN201910358925.6A CN201910358925A CN110097055A CN 110097055 A CN110097055 A CN 110097055A CN 201910358925 A CN201910358925 A CN 201910358925A CN 110097055 A CN110097055 A CN 110097055A
- Authority
- CN
- China
- Prior art keywords
- grid
- vehicle
- neural networks
- convolutional neural
- convolutional
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000013442 quality metrics Methods 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 57
- 230000004913 activation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于栅格卷积神经网络的车辆姿态检测方法及系统，方法利用SSD网络，采用部分连接网络改进了传统的姿态检测网络，构建了栅格卷积，并基于栅格卷积设计出栅格卷积神经网络，通过将车载相机采集的数据分为训练数据集和测试数据集，对栅格卷积神经网络的训练，以对待检测的图像生成若干候选图像区域，通过栅格卷积神经网络模型的特征提取和分类判断候选区域中是否存在车辆；最后对判断存在车辆的候选区域进行窗口融合，得到精确的车辆目标位置和姿态信息。与现有技术相比，本发明具有提高模型的鲁棒性，提高模型单方向提取特能的能力，高速且高精度完成车辆姿态检测等优点。
Description
技术领域
本发明涉及机器视觉技术领域，尤其是涉及一种基于栅格卷积神经网络的车辆姿态检测方法及系统。
背景技术
随着科技和经济的快速发展，汽车已经成为人们日常出行的重要交通工具。与此同时，越来越多的交通事故为社会的健康发展带来了不小的压力，数据表明一定比例的交通事故是由于驾驶员对周围车辆的行驶状况估计不足而导致，而车辆的姿态信息可以为驾驶员提供重要的数据参考。
车辆姿态信息在人类驾驶汽车时同样是重要的决策依据之一。人脑利用视觉信息判断前方车辆的姿态，如果其朝向不与车道线平行，可以预见其必然发生转向或侧移，更大的转角可能意味着车辆将要掉头等等。同时观察前方车辆朝向是否改变也是判断自身车辆能否安全超车的重要依据。现有的车辆姿态检测方法利用摄像头采集到的图像信息对其中拍摄到的车辆进行检测，确定其位置和姿态信息是实现自动化目标车辆姿态感知的解决方案之一，且不需要额外的传感器，部署成本较低。传统的车辆姿态检测方法采用估计网络，多采用卷积层进行分类或回归，但这种全连接网络的参数量巨大，难以训练。此外，检测方法的精度决定着信息的可靠程度，足够精确的位姿信息才能为驾驶决策提供可靠的依据，从而实现安全驾驶。然而其中的挑战一方面是精确度，另一方面就是运算速度，现有的车辆姿态检测方法的精确度及运算速度仍不够高，无法满足实际需要。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于栅格卷积神经网络的车辆姿态检测方法及系统。
本发明的目的可以通过以下技术方案来实现：
一种基于栅格卷积神经网络的车辆姿态检测方法，该方法包括下列步骤：
步骤一、构建带有标注信息的车辆姿态信息数据：
通过车载相机录制视频，并对所拍摄的视频进行筛选，将视频转换为图片序列后，采用人工标注方法将图像中车辆的姿态信息用6D坐标标出，即3D坐标x，y，z和3D空间姿态角pitch，yaw，roll。
步骤二、搭建SSD神经网络模型，并在回归分类层中构建姿态估计卷积层。
步骤三、将SSD神经网络中用于姿态估计的卷积层替换为部分连接层。
步骤四、构建栅格卷积层及栅格网络：
传统的卷积方法都是对整个卷积层进行卷积，由于本发明所应用的是车辆姿态检测，而卷积层往往在横向上的特征比较丰富。基于此，本发明构建栅格卷积，即只对卷积层的某一方向进行卷积。
栅格卷积的单张特征图由多个卷积核卷积得到，卷积核个数由卷积方向和输入大小决定。对于同一个栅格卷积层，可以有多个特征图，但所有特征图的卷积方向保持一致(全横向或全纵向)。栅格卷积将不同卷积层上同一方向的特征，拼接到同一卷积层上。
在保留单方向(横向或纵向)权重独立的前提下对栅格卷积层垂直方向的权重采取共享方式，并利用栅格卷积层替换部分连接层得到栅格卷积神经网络。
步骤五、将步骤一获取的数据分为训练数据集和测试数据集，基于模型迁移学习进行栅格卷积神经网络的训练，迭代训练结束后，保存网络参数。
步骤六、对待检测的图像根据RPN(Region Proposal Network，区域生成网络)生成若干个候选图像区域，通过栅格卷积神经网络模型的特征提取和分类回归得到图像的region(区域)和object(目标)信息，如果region和object的重叠区域占比超过0.7，则判断其区域内存在车辆。
步骤七、对判断存在车辆的候选区域，采用基于窗口的NMS(Non-MaximumSuppression，非极大值抑制)的方法进行窗口融合，最终得到精确的车辆目标位置(x,y,w,h,分别表示目标检测框的左顶角坐标位置与宽高)和姿态信息(δ)。
一种基于栅格卷积神经网络的车辆姿态检测系统，该系统包括车辆姿态采集模块和处理模块，车辆姿态采集模块与处理模块连接。
车辆姿态采集模块包括设于车辆驾驶舱内部、风挡玻璃窗上的MindVision车载相机、NVIDIA Jetson TK2及其附件。处理模块包括构建辆姿态检测的系统环境的Ubuntu16.04以及用以生成栅格卷积网络、并利用栅格卷积网络对车辆姿态信息进行检测的Opencv、tensorflow和Cuda软件库。
与现有技术相比，本发明具有以下优点：
一、本发明方法针对车辆姿态检测问题，因卷积层在横向上的特征较丰富，设计了栅格卷积层和新的网络结构，栅格卷积将不同卷积层上同一方向的特征，拼接到同一卷积层上，提高了模型单方向提取特能的能力，使得检测效果实现进一步提升，车辆姿态检测网络为智能驾驶决策和目标车辆行为预测提供有力的信息依据，可应用于智能驾驶领域，有利于提高车辆行驶的主动安全性；
二、本发明将传统SSD机构中的部分连接层替换为两层栅格卷积层，不仅使得模型减少了参数，降低了过拟合的风险，同时由于垂直方向上权重的共享，使得单个卷积核可以获得更充分的训练，同样数量的训练数据下更容易获得泛化特征，反向传播到更浅层网络的影响也更加合理；
三、本发明在栅格卷积层的设计上，将SSD神经网络中用于姿态估计的卷积层替换为部分连接层，以消除透视歧义对结果带来的影响；并在保留单方向权重独立的前提下对其垂直方向的权重采取共享的方式，既能解决透视歧义的影响，又能成倍降低网络中的参数含量，使得网络更加鲁棒，减少过拟合现象的发生几率。
附图说明
图1为本发明方法的流程图；
图2为本发明中部分连接姿态检测网络结构图；
图3为本发明所设计的栅格卷积层的卷积方式图；
图4为本发明所基于栅格卷积层所设计的栅格卷积神经网络结构图；
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本发明涉及一种基于栅格卷积神经网络的车辆姿态检测方法，该方法包括下列步骤：
(1)、构建带有标注信息的车辆姿态信息数据：
通过车载相机录制视频，并对所拍摄的视频进行筛选，将视频转换为图片序列后，采用人工标注方法将图像中车辆的姿态信息用6D坐标标出，即3D坐标x，y，z和3D空间姿态角pitch，yaw，roll。
(2)、搭建SSD神经网络模型，并在回归分类层中构建姿态估计卷积层。
将用于姿态估计的部分连接层加入到与SSD原本的Anchor Box、softmax、location regression层并列的位置，并设置对应个数的feature map，这样就实现了自然的目标检测位置与姿态回归位置的对应，如图2所示。
将部分连接姿态检测网络命名为LC-Pose(Locally Connected，局部卷积)。其结构如图1所示，图像输入后，像素值归一化到[-1，1]，再经过14个卷积层提取特征，并插入batch-normalization(批标准化)层以减少过拟合，激活函数选用ELU。将14个卷积层的倒数4层的feature-map(特征图)取出，分别接入处理分类、定位和姿态估计的两个卷积层和一个部分连接层。由于特征提取卷积层的不同层中每个像素对应着输入图像中不同大小的感受野，越深的层对应着越大的感受野，因此取用不同深度层的特征等价于处理不同大小的目标。在计算时，分类、定位与姿态估计层的大小相同，结果一一对应，使得姿态估计结果很自然的对应到正确的检测目标之上。
(3)、将SSD神经网络中用于姿态估计的卷积层替换为部分连接层。
(4)、构建栅格卷积层及栅格卷积神经网络：
图3为本发明的栅格卷积层的卷积结构，传统的卷积方式的单张特征图只由一个卷积核卷积得到，而栅格卷积的单张特征图由多个卷积核卷积得到，卷积核个数由卷积方向和输入大小决定。对于同一个栅格卷积层，与传统卷积相同，可以有多个特征图，但所有特征图的卷积方向保持一致(全横向或全纵向)。而栅格卷积将不同卷积层上同一方向的特征，拼接到同一卷积层上。
在保留单方向(横向或纵向)权重独立的前提下对栅格卷积层垂直方向的权重采取共享方式，并利用栅格卷积层替换部分连接层得到栅格卷积神经网络。
(5)、将步骤(1)获取的数据分为训练数据集和测试数据集，基于模型迁移学习进行栅格卷积神经网络的训练，迭代训练结束后，保存网络参数。
(6)、对待测量车辆的图像根据RPN(Region Proposal Network，区域生成网络)生成若干个候选图像区域，通过栅格卷积神经网络模型的特征提取和分类来判断候选区域中是否存在车辆。
(7)、采用基于窗口的NMS(Non-Maximum Suppression，非极大值抑制)的方法进行窗口融合，最终得到精确的车辆目标位置和姿态信息。
如图4所示，本发明利用栅格卷积神经网络网络来优化姿态估计效果。输入大小480x300，3通道，输入图像的像素值归一化到[-1，1]，后接14层卷积层，每层接批归一化层，激活函数选用ELU。卷积层的第8、10、12、14层的特征图接入定位、分类和姿态估计网络。姿态估计网络使用栅格卷积层，卷积方向为纵向，共两层，第一层卷积核大小为3x3，步长为3，激活函数采用ELU，第二层卷积核大小为1x1，步长为1，无激活函数。这种两层的结构的设计是为了增加网络的建模能力(相比单层网络)。
本发明方法针对车辆姿态检测问题，设计了栅格卷积层和新的网络结构，提高了模型单方向提取特能的能力，使得检测效果实现进一步提升，车辆姿态检测网络为智能驾驶决策和目标车辆行为预测提供有力的信息依据，可应用于智能驾驶领域，有利于提高车辆行驶的主动安全性。
本发明还涉及一种基于栅格卷积神经网络的车辆姿态检测系统，该系统包括车辆姿态采集模块和处理模块，车辆姿态采集模块与处理模块连接。车辆姿态采集模块包括设于车辆驾驶舱内部、风挡玻璃窗上的MindVision车载相机、NVIDIA Jetson TK2及其附件。处理模块包括构建辆姿态检测的系统环境的Ubuntu16.04以及用以生成栅格卷积网络、并利用栅格卷积网络对车辆姿态信息进行检测的Opencv、tensorflow和Cuda软件库。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于栅格卷积神经网络的车辆姿态检测方法，其特征在于，该方法包括下列步骤：
1)采用车载相机录制视频，构建带有标注信息的车辆姿态信息数据；
2)搭建SSD神经网络模型，并在回归分类层中构建姿态估计卷积层；
3)将SSD神经网络中用于姿态估计的卷积层替换为部分连接层；
4)构建栅格卷积层及栅格卷积神经网络；
5)将步骤1)获取的数据分为训练数据集和测试数据集，对栅格卷积神经网络的训练，迭代训练结束后，保存网络参数；
6)对待检测的图像生成若干候选图像区域，通过栅格卷积神经网络模型的特征提取和分类判断候选区域中是否存在车辆；
7)对判断存在车辆的候选区域进行窗口融合，最终得到精确的车辆目标位置和姿态信息。
2.根据权利要求1所述的一种基于栅格卷积神经网络的车辆姿态检测方法，其特征在于，所述的栅格卷积层将不同卷积层上同一方向的特征，拼接到同一卷积层上。
3.根据权利要求2所述的一种基于栅格卷积神经网络的车辆姿态检测方法，其特征在于，步骤4)中，同一个栅格卷积层设有一个或多个特征图，栅格卷积层的单张特征图由多个卷积核卷积获取，卷积核的个数由卷积方向和输入大小决定，对于多个特征图的栅格卷积层，其多个特征图的卷积方向保持全横向或全纵向。
4.根据权利要求3所述的一种基于栅格卷积神经网络的车辆姿态检测方法，其特征在于，对于多个特征图的栅格卷积层，多个特征图的卷积方向在全横向或全纵向的权重独立时，栅格卷积层的垂直方向采取共享权重。
5.根据权利要求4所述的一种基于栅格卷积神经网络的车辆姿态检测方法，其特征在于，栅格卷积神经网络由栅格卷积层替换部分连接层获取。
6.根据权利要求1所述的一种基于栅格卷积神经网络的车辆姿态检测方法，其特征在于，步骤6)中，对待测量车辆的图像根据RPN生成若干个候选图像区域。
7.根据权利要求1所述的一种基于栅格卷积神经网络的车辆姿态检测方法，其特征在于，步骤7)中，对判断存在车辆的候选区域采用基于窗口的非极大值抑制的方法进行窗口融合。
8.根据权利要求1所述的一种基于栅格卷积神经网络的车辆姿态检测方法，其特征在于，步骤1)的具体内容为：
通过车载相机录制视频，并对所拍摄的视频进行筛选，将视频转换为图片序列后，将图像中车辆的姿态信息用6D坐标标出，获取带有标注信息的车辆姿态信息数据。
9.一种实现如权利要求1-8任一项所述的基于栅格卷积神经网络的车辆姿态检测方法的检测系统，其特征在于，该系统包括：
车辆姿态采集模块，用以采集车辆姿态视频，并对所拍摄的视频进行筛选，所述的车辆姿态采集模块包括设于车辆驾驶舱内部、风挡玻璃窗上的MindVision车载相机和与MindVision车载相机连接的NVIDIA Jetson TK2；
处理模块，用以生成栅格卷积网络、并利用栅格卷积网络对车辆姿态信息进行检测，该模块包括构建辆姿态检测的系统环境的Ubuntu16.04以及OpenCv、tensorflow和Cuda。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910358925.6A CN110097055A (zh) | 2019-04-29 | 2019-04-29 | 一种基于栅格卷积神经网络的车辆姿态检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910358925.6A CN110097055A (zh) | 2019-04-29 | 2019-04-29 | 一种基于栅格卷积神经网络的车辆姿态检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110097055A true CN110097055A (zh) | 2019-08-06 |
Family
ID=67446481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910358925.6A Pending CN110097055A (zh) | 2019-04-29 | 2019-04-29 | 一种基于栅格卷积神经网络的车辆姿态检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110097055A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110696835A (zh) * | 2019-10-11 | 2020-01-17 | 深圳职业技术学院 | 一种车辆危险行驶行为的自动预警方法及自动预警系统 |
| CN110942024A (zh) * | 2019-11-26 | 2020-03-31 | 江苏天策机器人科技有限公司 | 一种基于深度学习的无人车路牙检测方法 |
| CN111783964A (zh) * | 2020-08-11 | 2020-10-16 | 中国人民解放军国防科技大学 | 面向gpu和神经网络的网格质量检测方法 |
| CN112363196A (zh) * | 2020-10-20 | 2021-02-12 | 北京嘀嘀无限科技发展有限公司 | 车辆属性确定方法、装置、存储介质和电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102991506A (zh) * | 2012-11-28 | 2013-03-27 | 黄伟 | 基于mems的汽车驾驶姿态检测系统 |
| CN108596053A (zh) * | 2018-04-09 | 2018-09-28 | 华中科技大学 | 一种基于ssd和车辆姿态分类的车辆检测方法和系统 |
| CN109002807A (zh) * | 2018-07-27 | 2018-12-14 | 重庆大学 | 一种基于ssd神经网络的驾驶场景车辆检测方法 |
| CN109598339A (zh) * | 2018-12-07 | 2019-04-09 | 电子科技大学 | 一种基于栅格卷积网络的车辆姿态检测方法 |
-
2019
- 2019-04-29 CN CN201910358925.6A patent/CN110097055A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102991506A (zh) * | 2012-11-28 | 2013-03-27 | 黄伟 | 基于mems的汽车驾驶姿态检测系统 |
| CN108596053A (zh) * | 2018-04-09 | 2018-09-28 | 华中科技大学 | 一种基于ssd和车辆姿态分类的车辆检测方法和系统 |
| CN109002807A (zh) * | 2018-07-27 | 2018-12-14 | 重庆大学 | 一种基于ssd神经网络的驾驶场景车辆检测方法 |
| CN109598339A (zh) * | 2018-12-07 | 2019-04-09 | 电子科技大学 | 一种基于栅格卷积网络的车辆姿态检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 牛靖博: "《车辆姿态检测及其语义地图应用》", 《中国优秀硕士学位论文全文数据库，工程科技Ⅱ辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110696835A (zh) * | 2019-10-11 | 2020-01-17 | 深圳职业技术学院 | 一种车辆危险行驶行为的自动预警方法及自动预警系统 |
| CN110942024A (zh) * | 2019-11-26 | 2020-03-31 | 江苏天策机器人科技有限公司 | 一种基于深度学习的无人车路牙检测方法 |
| CN111783964A (zh) * | 2020-08-11 | 2020-10-16 | 中国人民解放军国防科技大学 | 面向gpu和神经网络的网格质量检测方法 |
| CN111783964B (zh) * | 2020-08-11 | 2022-09-06 | 中国人民解放军国防科技大学 | 面向gpu和神经网络的网格质量检测方法 |
| CN112363196A (zh) * | 2020-10-20 | 2021-02-12 | 北京嘀嘀无限科技发展有限公司 | 车辆属性确定方法、装置、存储介质和电子设备 |
| CN112363196B (zh) * | 2020-10-20 | 2023-10-31 | 北京嘀嘀无限科技发展有限公司 | 车辆属性确定方法、装置、存储介质和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097055A (zh) | 一种基于栅格卷积神经网络的车辆姿态检测方法及系统 | |
| CN107862293A (zh) | 基于对抗生成网络的雷达生成彩色语义图像系统及方法 | |
| CN107633220A (zh) | 一种基于卷积神经网络的车辆前方目标识别方法 | |
| DE102019121785A1 (de) | Wahrnehmungsvorrichtung für die Hindernisdetektion und Hindernisverfolgung und Wahrnehmungsverfahren für die Hindernisdetektion und Hindernisverfolgung | |
| CN110910453B (zh) | 基于无重叠视域多相机系统的车辆位姿估计方法及其系统 | |
| CN108537197A (zh) | 一种基于深度学习的车道线检测预警装置及预警方法 | |
| CN107609522A (zh) | 一种基于激光雷达和机器视觉的信息融合车辆检测系统 | |
| CN106156748A (zh) | 基于车载双目相机的交通场景参与者识别方法 | |
| CN117441197A (zh) | 一种基于行车安全风险场的激光雷达点云动态分割及融合方法 | |
| CN103714321B (zh) | 基于距离图像和强度图像的驾驶员人脸定位系统 | |
| CN105868690A (zh) | 识别驾驶员打手机行为的方法和装置 | |
| CN110210474A (zh) | 目标检测方法及装置、设备及存储介质 | |
| CN111860274A (zh) | 基于头部朝向与上半身骨架特征的交警指挥手势识别方法 | |
| CN112712516B (zh) | 一种基于YOLOv5的高铁底部胶条故障检测方法及系统 | |
| CN110517306A (zh) | 一种基于深度学习的双目深度视觉估计的方法和系统 | |
| CN112883790A (zh) | 一种基于单目摄像头的3d物体检测方法 | |
| CN106203261A (zh) | 基于svm和surf的无人车野外水体检测与跟踪方法 | |
| CN109919026A (zh) | 一种水面无人艇局部路径规划方法 | |
| CN116052026B (zh) | 一种无人机航拍图像目标检测方法、系统及存储介质 | |
| CN114091598A (zh) | 一种基于语义级信息融合的多车协同环境感知方法 | |
| CN110298271A (zh) | 基于关键点检测网络和空间约束混合模型的海水区域检测方法 | |
| CN114120077A (zh) | 一种基于无人机航拍大数据下的防控风险预警方法 | |
| CN114155414A (zh) | 面向无人驾驶的新型特征层数据融合的方法、系统及目标检测方法 | |
| CN117115690A (zh) | 一种基于深度学习和浅层特征增强的无人机交通目标检测方法及系统 | |
| CN111079488B (zh) | 一种基于深度学习的公交客流检测系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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: 20190806 |