CN112580424A - 一种复杂车路环境的偏振特征多尺度池化分类算法 - Google Patents
一种复杂车路环境的偏振特征多尺度池化分类算法 Download PDFInfo
- Publication number
- CN112580424A CN112580424A CN202011057118.XA CN202011057118A CN112580424A CN 112580424 A CN112580424 A CN 112580424A CN 202011057118 A CN202011057118 A CN 202011057118A CN 112580424 A CN112580424 A CN 112580424A
- Authority
- CN
- China
- Prior art keywords
- polarization
- complex
- image
- vehicle road
- road environment
- 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.)
- Granted
Links
Images
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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种针对复杂车路环境的偏振特征多尺度池化分类算法,实现了复杂车路环境下图像目标的分类。首先对车路环境介质状况进行分析,探索复杂车路环境下高质量的成像方式;其次基于模拟实验结果,设计偏振成像方案,并组装标定三通道成像系统;最后提出多尺度池化的深度语义识别算法,实现车路环境目标的识别分类。实验结果表明,本发明可以有效提高复杂场景的语义分类识别效果,为复杂车路环境下车辆的安全辅助驾驶行驶视觉感知提供可靠的技术保障。
Description
技术领域
本发明涉及针对复杂车路环境的偏振特征多尺度池化分类算法,具体涉及偏振成像方法及基于深度学习的语义分割算法。
背景技术
目前交通环境感知技术的主要研究分为图像目标检测算法和图像分割算法,其中对车路图像中的目标分割是最基础和重要的研究领域之一,而目标分割算法主要分为传统的机器学习方法和基于卷积神经网络的深度学习算法。
传统的图像分割算法主要分为阈值分割、聚类分割、区域生长等。Kaptur等人提出最佳熵阈值方法,对于无法呈现理想双峰直方图的图像,此方法可以进行良好的分割,不必依赖先验知识,缺点是该方法计算量巨大,且对阈值变化不敏感;许树成提出基于模糊聚类的图像分割算法将模糊C聚类算法结合马尔可夫随机场模型,增强图像分割的鲁棒性和空间关联性;但是由于道路场景的复杂性和类别的丰富性,传统的图像分割方法效果仍有待提高。近年来,深度学习技术引起了各领域的广泛关注,也被尝试应用于图像分割,传统的卷积神经网络模型需要耗费大量的时间和计算量,且在数据集较小的情况下极容易出现过拟合现象,通过引用迁移学习,加速卷积神经网络的训练过程。引用迁移学习方法后,卷积神经网络模型在训练速度以及准确率上都能得到大幅度的提高。目前车路环境下对图像进行分析进而实现分类识别的方法主要针对可见光图像,在路况条件复杂、光线差(如雾霾、夜色、黄昏和雨天等)的情况下,很多感知技术难以发挥其应用效能,但这些环境又不可避免,这为车路环境感知技术的研究带来了挑战。相比于分析图像目标强度信息,探测目标的偏振信息可以获得更多的有效信息,偏振光与目标场景相互作用后的散射光中包含更多目标本身特有的特征信息,因此基于偏振光成像可以降低多次散射的影响,提高成像质量,将偏振视觉图像应用于复杂车路环境目标的识别分类,能够提高复杂场景的语义分类识别效果。
然而在智能交通领域,还未检索到完全利用偏振信息与深度学习技术相融合,并用于增强复杂车路环境下车辆的安全辅助驾驶行驶视觉感知相关技术。
发明内容
为了解决现有技术存在的技术问题,本发明的目的在于提供一种针对复杂车路环境的偏振特征多尺度池化分类算法,实现车路环境目标的识别分类。
为达实现上述技术任务,本发明采用了如下技术方案予以解决:
一种复杂车路环境的偏振特征多尺度池化分类算法,包括以下步骤:
1)获取并分析车路环境介质信息;
2)设计偏振成像方案,构建三通道成像系统得到偏振图像特征;
3)利用多尺度池化算法对偏振图像特征进行融合;
4)输出车路环境目标识别与分类结果。
进一步地,其中步骤2)具体包括以下步骤:设计三通道并列排布成像光路,每个通道均由CCD探测器和偏振片构成;在xoy平面,β为偏振片方向与x轴夹角,将β分别取0°、60°和120°,实时获取同一场景的三个不同偏振方向的光强图像,对获取到的不同偏振方向的光强图像进一步计算得到Stokes的三个参量I、 Q、U参量信息和车路环境目标的偏振信息。
上述步骤3)具体包括以下步骤:使用网络模型作为预训练模型,用多尺度池化结构代替网络的最后一层普通池化层,融合复杂车路目标不同尺度的多个偏振图像特征。
进一步优化,步骤2)利用VS2013平台结合Opencv实现动态采集偏振车路图像的实时采集,每次同时采集由0°、60°和120°偏振方向计算所得的五幅偏振车路图像,依次为Stokes参量I、Q、U对应的图像以及偏振度Dop与偏振角θ对应的图像。
进一步优化,步骤3)中网络模型为VGG16网络模型。
本发明采用迁移学习的方法完成训练,将学习过Image Net数据集的VGG16 网络模型迁移过来作为预训练模型,通过学习数据样本对网络参数进行修正,将 VGG16网络模型最后三个全连接层转换成卷积层完成特征信息提取。
本发明特别利用多尺度池化结构代替VGG16网络模型的最后一层普通池化层pool5,通过多个不同尺度的池化层来提取偏振图像不同尺度的细节特征,实现复杂车路目标不同尺度的多个偏振细节特征融合。
并且,步骤4)通过上采样得到路环境目标识别与分类结果。通过采用双线性插值方法进行上采样来还原输入图像尺寸,并将其输入到Softmax分类器中,最后得到路环境目标识别与分类结果。
本发明的有益效果:
本发明的方法可以实现车路环境目标的识别分类。可以提高复杂场景的语义分类识别效果,尤其在一些细节识别方面表现突出。基于偏振特征对车路环境进行分割识别能够获得较为精准的结果。相比于光强图像,偏振图像在细节方面的分类识别效果更佳。
附图说明
图1为针对复杂车路环境的偏振特征多尺度池化分类算法原理框图。
图2为三通道并列排布成像光路成像原理图。
图3为车载偏振成像实验;其中:(a)为三通道偏振信息采集装置;(b)为车载偏振成像装置;(c)为偏振车路图像采集过程截图。
图4为网络结构模型图。
图5为VGG16网络结构。
图6为多尺度池化结构。
图7为车路语义分割部分数据集;其中:(a)为不同类别标注颜色;(b)为可见光图像;(c)偏振度图像;(d)图像标签。
图8为不同车路图像训练曲线;其中:(a)可见光图像训练曲线;(b)偏振图像训练曲线。
图9为对比FCN-8s模型和本算法对偏振特征图像和可见光图像的识别结果。
图10为对比明显区域标记。
图11为车路图像测试结果。其中:(a)可见光图像测试结果;(b)为偏振图像测试结果。
具体实施方式
下面结合附图和实施例对本发明做详细说明。
参见图1,本发明通过分析车路环境介质信息,提出利用偏振成像可以对复杂环境目标成像进行增强,提高基于浑浊散射介质所采集图像的成像质量;进而设计偏振成像方案并搭建构建三通道成像系统得到偏振图像特征;最后提出基于偏振特征图像的多尺度池化算法,利用多尺度池化操作融合偏振图像的多个不同细节特征,提高复杂场景的语义分割效果及分类识别能力。
参见图2,表述偏振信息的Stokes矢量,其中参量V在实际应用中很小,几乎可以忽略不计,因此通常假定V=0。在xoy平面,β为偏振片方向与x轴夹角,观测沿β的偏振片方向可得出射光的光强表达式:
现令β分别取0°、60°和120°,则可得到:
对应的偏振度Dop、偏振角θ的表达式为:
根据式(2)可设计三通道成像方案。三个通道均由CCD探测器和偏振片构成,三个光路通道并行排列且使用相同的硬件探测装置,实时获取同一场景的三个不同偏振方向的光强图像,则可进一步计算得到Stokes参量信息与车路环境目标目标的偏振信息。
参见图3(a),组装搭建三通道偏振信息采集装置。
参见图3(b),搭建车载偏振成像装置实物。
参见图3(c),利用VS2013平台结合Opencv实现动态采集偏振车路图像的实时采集软件,每次同时采集由0°、60°和120°偏振方向计算所得的五幅偏振车路图像,依次为Stokes参量I对应的图像、参量Q对应的图像、参量U对应的图像以及偏振度Dop与偏振角θ对应的图像。
参见图4,VGG16网络模型主要分为三部分:卷积+池化的特征提取过程、多尺度池化结构和上采样过程。输入图像是偏振特征图像,且图像尺度均一致,进行一系列的卷积、池化操作后,利用多尺度池化和上采样,输出预测图像。
参见图5,将学习过Image Net数据集的VGG16网络模型迁移到本网络中作为预训练模型,然后通过学习数据样本对网络参数进行微调,将其最后三个全连接层转换成卷积层即可提取特征信息。
参见图6,利用多尺度池化结构代替网络的最后一层普通池化层pool5,通过多个不同尺度的池化层来提取偏振图像不同尺度的细节特征,融合复杂车路目标不同尺度的多个偏振细节特征。
参见图7,实验数据集准备。
步骤1:在高速公路雾霾场景下采集复杂车路偏振和可见光图像各500张,然后使用旋转、镜像、裁剪、缩放以及数据选择等变换方法将数据样本扩充到 1500张。
步骤2:将扩充后的数据集按比例划分,即900张图像作为训练集,300张图像作为验证集,300张图像作为测试集,图像分辨率是300×300。
步骤3:通过像素级别的图像语义分割标注工具Labelme对车路图像中的“标识牌”,“车辆”,“车道线”,“建筑物”,“天空”,“车道”这6种类别进行了标注,除这6类之外的所有干扰物以及背景全部设置为同一种颜色。
可以看出该数据集的车路环境较为复杂,尤其是第3列图像,由于雾霾的原因,可见光图像中的建筑物以及标识牌很模糊,这在很大程度上增加了目标分割的难度。相比较而言,偏振图像中的标识牌和建筑物具有较高的辨识度,可以为图像分类提供精确的细节信息。
参见图8,实验过程及结果。
本次实验基于深度学习框架Matconvnet实现复杂车路图像的语义分割算法,该框架依赖于MATLAB和C++语言混合编写。根据本算法及实验数据,对实验硬、软件环境进行配置。硬件配置:CPU:Inter(R)CORE i7-7800x;GPU:NVIDIA GeForce GTX 1080Ti;内存:16GB;显存:8GB。软件配置:CUDA:7.5;Cudnn: Cudnn-7.0-v4.0。
采用对数损失函数作为目标函数,采用随机梯度下降法对模型参数进行同步更新,设置训练参数:Learning rate:0.001*0.9epochEpoch:1500;Batchsize:2;Momentum:0.9
训练集与验证集的曲线趋势差别不大,当迭次数到达1500后,训练集与验证集的学习曲线仍有下降的趋势,同时可以从迭代次数为1000或1500对应的纵坐标位置明显的观察到,相比于可见光图像,偏振图像的accuracy和objective 略有优势,其中训练过程迭代次数为1000时,可见光图像指标为:objective: 0.06,accuracy:97.5%;而偏振图像指标为:objective:0.058,accuracy:97.6%;其中训练过程迭代次数为1500时,可见光图像指标为:objective:0.056,accuracy: 97.6%;而偏振图像指标为:objective:0.054,accuracy:97.8%;偏振图像的识别精度大约比可见光图像的高0.2%,其objective比可见光图像的低0.002。
参见图9,对比基于VGG-16改进而来的FCN-8s模型和本算法对偏振特征图像和可见光图像的识别结果。列出了其中4组实验结果,每组第1行为可见光图像的识别结果,第2行为偏振特征图像的识别结果。
参见图10,用橘色方框在真实标签图中标记了以上实验结果对比明显的地方。
由图9和10可知,对于可见光图像与偏振图像,FCN-8s和本算法均可实现复杂车路环境的分类识别,但从一些分割细节上来看,基于偏振特征的分割效果优于可见光特征的分割效果。例如图9(a)中的标杆背景区域,不管是基于FCN-8s 还是本文算法,可见光图像的识别结果不完整,同时基于FCN-8s识别偏振图像的效果也不太理想,而本文算法较完整的识别出了偏振图像中的标杆背景区域。还有图9(a)中的车辆边缘部分,可见光图像的识别出现了误分类情况,而偏振图像却完整的将车辆与道路区分开来。图9(b)中最明显的对比就是标识牌下方的天空区域,可见光图像将该区域误判为背景区域,而偏振图像识别出了两个不同的区域,且相比于FCN-8s,本文算法的识别结果更加清晰、完整。同理,图9(c)和图9(d)都说明基于偏振特征的细节识别效果更加突出。
参见图11,训练所得网络模型对数据集中的测试集进行测试。从测试结果可以看出,无论是基于FCN-8s还是本算法,相比于光强图像,偏振图像在细节方面的分类识别效果更佳。例如第1列图像中最左边的建筑物部分、第2列图像中最左边的建筑物和车辆部分,第3列图像中间车道线部分以及第4列图像最右边的标识牌部分,可见光图像均未完整的识别分类,而偏振图像对这些目标的分类达到了较完整的识别效果。
实验结果性能评价:图像分割中有很多衡量算法精度的标准。假设一幅图像中共有k+1类(从C0到Ck,包含一个空类或背景),pij表示本应属于类i但被预测为类j的像素数量,即pii表示正确预测的数量,而pij,pji则分别表示假正和假负。
1)像素精度(Pixel Accuracy,PA):表示正确分类的像素数占总像素数的比例。
2)均像素精度(Mean Pixel Accuracy,MPA):表示每个类内被正确分类像素数的比例,并求所有类的平均。
3)均交并比(Mean Intersection over Union,MIOU):交并比(Intersectionover Union,IOU)表示真实值(ground truth)和预测值(predicted segmentation)之间的交集和并集之比,而MIOU表示在每个类上计算IOU,之后求平均。
在以上介绍的度量标准中,IOU及MIOU是最常用的语义分割度量标准。对车路环境数据集中目标的IOU进行统计,对比衡量FCN-8s和本算法对偏振图像与可见光图像的分割识别效果。统计结果如表1所示。
表1复杂车路环境中各类目标的IOU(%)
从表1可以看出,对于车辆、车道以及天空类别的IOU,不管是FCN-8s还是本算法,可见光图像与偏振图像的差别不是很大,其差距在1%左右。但对于标识牌、建筑物、车道线类别,偏振图像基于FCN-8s和本算法的IOU均高于可见光图像的,大概相差在3%左右。因此,相较于可见光图像,基于偏振特征对车路环境进行分割识别能够获得较为精准的结果。
此外,基于FCN-8s和本算法,利用多种不同性能指标对可见光图像与偏振图像的稳定性和精确度进行分析,其性能指标结果如表2所示。
表2复杂车路环境整体性能指标
从表2可以看出,不管是FCN-8s还是本文算法,偏振图像的一些衡量指数均高于可见光图像的。这就说明对于复杂车路环境,基于偏振特征进行图像分割的效果比较理想,尤其对一些细节的分类识别效果表现突出。
本发明的优点如下:
1.本发明可以提高复杂场景的语义分类识别效果;
2.通过本发明的方法可以识别车路环境目标分类,也可以精准识别车路图像中出现目标像素较少的标识牌、建筑物以及出现区域较小的车道线类别,有利于道路交通安全管理。
Claims (9)
1.一种复杂车路环境的偏振特征多尺度池化分类算法,其特征在于:包括以下步骤:
1)获取并分析车路环境介质信息;
2)设计偏振成像方案,构建三通道成像系统得到偏振图像特征;
3)利用多尺度池化算法对偏振图像特征进行融合;
4)输出车路环境目标识别与分类结果。
2.根据权利要求1所述的复杂车路环境的偏振特征多尺度池化分类算法,其特征在于:步骤2)具体包括以下步骤:设计三通道并列排布成像光路,每个通道均由CCD探测器和偏振片构成;在xoy平面,β为偏振片方向与x轴夹角,将β分别取0°、60°和120°,实时获取同一场景的三个不同偏振方向的光强图像,对获取到的不同偏振方向的光强图像进一步计算得到Stokes的三个参量I、Q、U参量信息和车路环境目标的偏振信息。
3.根据权利要求1所述的复杂车路环境的偏振特征多尺度池化分类算法,其特征在于:步骤3)具体包括以下步骤:使用网络模型作为预训练模型,用多尺度池化结构代替网络的最后一层普通池化层,融合复杂车路目标不同尺度的多个偏振图像特征。
4.根据权利要求2所述的复杂车路环境的偏振特征多尺度池化分类算法,其特征在于:所述步骤2)利用VS2013平台结合Opencv实现动态采集偏振车路图像的实时采集,每次同时采集由0°、60°和120°偏振方向计算所得的五幅偏振车路图像,依次为Stokes参量I、Q、U对应的图像以及偏振度Dop与偏振角θ对应的图像。
5.根据权利要求3所述的复杂车路环境的偏振特征多尺度池化分类算法,其特征在于:所述步骤3)中网络模型为VGG16网络模型。
6.根据权利要求3或5所述一种针对复杂车路环境的偏振特征多尺度池化分类算法,其特征在于:采用迁移学习的方法完成训练,将学习过Image Net数据集的VGG16网络模型迁移过来作为预训练模型,通过学习数据样本对网络参数进行修正,将VGG16网络模型最后三个全连接层转换成卷积层完成特征信息提取。
7.根据权利要求5所述一种针对复杂车路环境的偏振特征多尺度池化分类算法,其特征在于:利用多尺度池化结构代替VGG16网络模型的最后一层普通池化层pool5,通过多个不同尺度的池化层来提取偏振图像不同尺度的细节特征,实现复杂车路目标不同尺度的多个偏振细节特征融合。
8.根据权利要求5所述一种针对复杂车路环境的偏振特征多尺度池化分类算法,其特征在于:步骤4)通过上采样得到路环境目标识别与分类结果。
9.根据权利要求8所述一种针对复杂车路环境的偏振特征多尺度池化分类算法,特征在于:采用双线性插值方法进行上采样来还原输入图像尺寸,并将其输入到Softmax分类器中,最后得到路环境目标识别与分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011057118.XA CN112580424B (zh) | 2020-09-29 | 2020-09-29 | 一种复杂车路环境的偏振特征多尺度池化分类算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011057118.XA CN112580424B (zh) | 2020-09-29 | 2020-09-29 | 一种复杂车路环境的偏振特征多尺度池化分类算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580424A true CN112580424A (zh) | 2021-03-30 |
CN112580424B CN112580424B (zh) | 2023-08-11 |
Family
ID=75119772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011057118.XA Active CN112580424B (zh) | 2020-09-29 | 2020-09-29 | 一种复杂车路环境的偏振特征多尺度池化分类算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580424B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220335732A1 (en) * | 2021-04-19 | 2022-10-20 | Hyundai Mobis Co., Ltd. | Method and system for recognizing surrounding driving environment based on svm original image |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709465A (zh) * | 2016-12-29 | 2017-05-24 | 武汉大学 | 基于条件随机场的极化sar图像道路提取方法 |
CN110634142A (zh) * | 2019-08-20 | 2019-12-31 | 长安大学 | 一种复杂车路图像边界优化方法 |
CN111462128A (zh) * | 2020-05-28 | 2020-07-28 | 南京大学 | 一种基于多模态光谱图像的像素级图像分割系统及方法 |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
-
2020
- 2020-09-29 CN CN202011057118.XA patent/CN112580424B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709465A (zh) * | 2016-12-29 | 2017-05-24 | 武汉大学 | 基于条件随机场的极化sar图像道路提取方法 |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
CN110634142A (zh) * | 2019-08-20 | 2019-12-31 | 长安大学 | 一种复杂车路图像边界优化方法 |
CN111462128A (zh) * | 2020-05-28 | 2020-07-28 | 南京大学 | 一种基于多模态光谱图像的像素级图像分割系统及方法 |
Non-Patent Citations (2)
Title |
---|
杨建秀;谢雪梅;金星;杨文哲;石光明;: "多尺度特征增强融合的实时航拍车辆检测算法", 中国体视学与图像分析, no. 04 * |
王帅帅;刘建国;纪郭;: "基于全卷积神经网络的车道线检测", 数字制造科学, no. 02 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220335732A1 (en) * | 2021-04-19 | 2022-10-20 | Hyundai Mobis Co., Ltd. | Method and system for recognizing surrounding driving environment based on svm original image |
Also Published As
Publication number | Publication date |
---|---|
CN112580424B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Serna et al. | Classification of traffic signs: The european dataset | |
CN111915592B (zh) | 基于深度学习的遥感图像云检测方法 | |
Zhang et al. | CDNet: A real-time and robust crosswalk detection network on Jetson nano based on YOLOv5 | |
Chen et al. | Vehicle detection in high-resolution aerial images via sparse representation and superpixels | |
CN102509091B (zh) | 一种飞机尾号识别方法 | |
WO2019169816A1 (zh) | 一种用于精细化识别车辆属性的深度神经网络及训练方法 | |
CN111612807A (zh) | 一种基于尺度和边缘信息的小目标图像分割方法 | |
CN108427919B (zh) | 一种基于形状引导显著性模型的无监督油罐目标检测方法 | |
CN108876805B (zh) | 一种端对端无监督场景可通行区域认知与理解方法 | |
CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN108230330B (zh) | 一种快速的高速公路路面分割和摄像机定位的方法 | |
CN111160205A (zh) | 一种交通场景嵌入式多类目标端对端统一检测方法 | |
Cho et al. | Semantic segmentation with low light images by modified CycleGAN-based image enhancement | |
CN112070174A (zh) | 一种基于深度学习的自然场景下文本检测方法 | |
CN113095152A (zh) | 一种基于回归的车道线检测方法及系统 | |
Li et al. | An aerial image segmentation approach based on enhanced multi-scale convolutional neural network | |
CN108985145A (zh) | 小尺寸交通标志检测识别的反向连接深度神经网络模型方法 | |
CN110223310A (zh) | 一种基于深度学习的线结构光中心线和箱体边缘检测方法 | |
Zang et al. | Traffic lane detection using fully convolutional neural network | |
CN114913498A (zh) | 一种基于关键点估计的并行多尺度特征聚合车道线检测方法 | |
CN114973031B (zh) | 一种无人机视角下的可见光-热红外图像目标检测方法 | |
CN116071747A (zh) | 一种基于3d点云数据和2d图像数据融合匹配语义分割方法 | |
CN106529391B (zh) | 一种鲁棒的限速交通标志检测与识别方法 | |
Zhang et al. | Improved Lane Detection Method Based on Convolutional Neural Network Using Self-attention Distillation. | |
CN114596548A (zh) | 目标检测方法、装置、计算机设备及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |