CN113239725A - 一种等待过街行人及过街方向识别方法及系统 - Google Patents

一种等待过街行人及过街方向识别方法及系统 Download PDF

Info

Publication number
CN113239725A
CN113239725A CN202110364267.9A CN202110364267A CN113239725A CN 113239725 A CN113239725 A CN 113239725A CN 202110364267 A CN202110364267 A CN 202110364267A CN 113239725 A CN113239725 A CN 113239725A
Authority
CN
China
Prior art keywords
pedestrian
crossing
street
pedestrians
waiting
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
Application number
CN202110364267.9A
Other languages
English (en)
Other versions
CN113239725B (zh
Inventor
尚春琳
刘小明
沈辉
冯帅
郑国荣
张明岩
逯佳丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China University of Technology
Original Assignee
North China University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China University of Technology filed Critical North China University of Technology
Priority to CN202110364267.9A priority Critical patent/CN113239725B/zh
Publication of CN113239725A publication Critical patent/CN113239725A/zh
Application granted granted Critical
Publication of CN113239725B publication Critical patent/CN113239725B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种等待过街行人及过街方向识别方法，该方法首先根据路口形状及人行道位置，进行行人过街等待区的初步划分，根据行人在初步划分区域内的位置，标记出对应的驻停网格，再对对进入初步划分区域α的行人轨迹进行分析，并对进入初步划分区域行人驻停前其周边已驻停的行人进行统计及交通调查，最后综合上述数据，采用提出深度信念网络方法进行是否是等待过街行人及过街方向的判断。本发明相较传统的仅考虑行人驻停特征，信息更丰富及完整，结果更准确；采用深度学习方法来进行识别具有显著优势。

Description

一种等待过街行人及过街方向识别方法及系统
技术领域
本发明涉及交通控制领域，具体涉及一种等待过街行人及过街方向识别方法及系统。
背景技术
行人过街状态的检测及识别一直是慢行交通感知的重点和难点，行人状态因其随机性和波动性特征影响，其过街行为的识别缺乏同交叉口信号控制的联动，现有技术手段也难以实现行人过街等待过程中的过街方向意图的识别。
发明内容
为了解决上述技术问题，本发明提出一种等待过街行人及过街方向识别方法及系统，来实现行人过街状态的识别及预测。本发明考虑到对等待过街行人的过街方向识别，从行人进入识别区的轨迹特征、行人驻停特征、周边行人驻停特征、信号控制灯色等几方面出发进行综合分析，相较传统的仅考虑行人驻停特征，信息更丰富及完整，结果更准确；采用深度学习方法来进行识别具有显著优势。本发明具体采用如下技术方案：
一种等待过街行人及过街方向识别方法，该方法包括如下步骤：
(1)首先根据路口形状及人行道位置，进行行人过街等待区的初步划分；
(2)对进入步骤1中初步划分区域α的行人进行驻停网格划分，选择最小距离l0确定单个行人所占区域大小，根据行人在初步划分区域α内的位置，标记出对应的驻停网格；
(3)对进入初步划分区域α的行人轨迹进行分析，记录该行人走行方向w、速度v，所记录数据以行人进入初步划分区域时刻的方向w0、速度v0为准，当行人进入初步划定区域α后，则不再对该行人进行轨迹分析；
(4)对进入初步划分区域α行人驻停前其周边已驻停的行人进行统计，以该行人网格的中心为原点O建立坐标系，分别统计初步划分区域中位于四个象限内的行人数量，统计时以各行人网格中心所在象限为准；
(5)对进入初步划分区域的驻停行人进行其它信息的交通调查，调查内容包括行人驻停位置g、驻停时间t、是否是过街行人b、行人过街方向wk、等待过街的行人总数n、不同方向行人灯色f；
(6)综合上述数据，采用提出深度信念网络方法进行是否是等待过街行人及过街方向的判断，其判断流程如下：
①建立有效数据集，通过对不同视频图像的海量采集，并将所采集的图像尺寸重新设置为固定值；
②获取图像计算边缘，计算边缘组并获取边缘组相似度：
S(x,y)＝[l(x,y)]α*[c(x,y)]β*[s(x,y)]γ*[c(x',y')]λ
其中α,β,γ,λ>0；x和y表示图像X和Y；x’和y’表示X和Y对应的灰度边缘图像；
然后对行人框进行打分评估，进而获取准确的行人候选区域α：
Figure BDA0003006772370000021
RMSE为评估函数；yi为相似度；
③训练多层感知机模型，得到有效的行人行为判断：
Figure BDA0003006772370000022
U表示输出值，即行人行为结果；aj表示隐藏层神经元的输出值；g()代表激活函数；w是权重；hk表示输出层神经元k的输入加权之和；
④输入视频图像，选取有效图像作为系统输入，并对输入图像进行图像形态学处理；
⑤利用深度信念网络对输入视频图像进行分类判别，提取最大概率行为判定结果：
Figure BDA0003006772370000023
一种等待过街行人及过街方向识别方法的系统，该系统包括双目视觉行人检测器、行人过街特征识别模块、路口信号机三部分；
所述双目视觉行人检测器安装在路口位置，在其检测范围的基础上，与初步划分区域α结合，得到重叠区域作为实际分析区域β；
将所述双目视觉行人检测器检测信息、实际分析区域β相关的行人轨迹gs、周边已驻停行人n0、行人驻停位置g、驻停时间t、是否是过街行人b、行人过街方向wk、等待过街的行人总数n信息输入行人过街特征识别模块，同时路口信号机将行人灯色状态f输入行人过街特征模块，行人过街特征识别模块根据所有输入的信息进行等待过街行人及过街方向识别，并将结果输出至路口信号机，输出信息包括分方向等待过街行人总数nk、各方向等待过街行人总的等待时间tk。
附图说明
图1是冗余区域划分图。
图2是驻停网格划分图。
图3是坐标系构建图。
图4是等待过街行人及过街方向识别系统基本结构图。
具体实施方式
(1)首先根据路口形状及人行道位置等，进行行人过街等待区的初步划分，由于部分行人在等待过街过程中驻停位置存在一定的随机性，因此在进行过街等待区划分时可进行适当冗余，包括向外冗余和向内冗余两种，向外冗余是指远离斑马线的冗余区域，向内冗余是指斑马线内的冗余区域，向外冗余及向内冗余的原则，如图1所示。
(2)对进入步骤1中初步划分区域α的行人进行驻停网格划分，由于行人等候过街时相互距离受熟悉程度影响，会有较大不同，因此，为涵盖不同情况，划分时根据最小距离进行网格划分，此处选择最小距离l0确定单个行人所占区域大小。在确定了行人网格大小后，根据行人在初步划分区域α内的位置，标记出对应的驻停网格，如图2所示。
(3)对进入初步划分区域α的行人轨迹进行分析，记录该行人走行方向w、速度v，所记录数据以行人进入初步划分区域时刻的方向w0、速度v0为准，当行人进入初步划定区域α后，则不再对该行人进行轨迹分析。
(4)对进入初步划分区域α行人驻停前其周边已驻停的行人进行统计，以该行人网格的中心为原点O建立坐标系(如图3所示)，分别统计初步划分区域中位于四个象限内的行人数量，统计时以各行人网格中心所在象限为准。
(5)对进入初步划分区域的驻停行人进行其它信息的交通调查，调查内容包括行人驻停位置g、驻停时间t、是否是过街行人b、行人过街方向wk、等待过街的行人总数n、不同方向行人灯色f。
(6)综合上述数据，采用提出深度信念网络(DBN)方法进行是否是等待过街行人及过街方向的判断。其判断流程如下：
①建立有效数据集，通过对不同视频图像的海量采集，并将所采集的图像尺寸重新设置为固定值(如227X227)。
②获取图像计算边缘，计算边缘组并获取边缘组相似度：
S(x,y)＝[l(x,y)]α*[c(x,y)]β*[s(x,y)]γ*[c(x',y')]λ
其中α,β,γ,λ>0；x和y表示图像X和Y；x’和y’表示X和Y对应的灰度边缘图像。
然后对行人框进行打分评估，进而获取准确的行人候选区域α：
Figure BDA0003006772370000041
RMSE为评估函数；yi为相似度。
③训练多层感知机模型，得到有效的行人行为判断(等待或某个方向移动)：
Figure BDA0003006772370000042
U表示输出值，即行人行为结果；aj表示隐藏层神经元的输出值；g()代表激活函数；w是权重；hk表示输出层神经元k的输入加权之和。
④输入视频图像，选取有效图像作为系统输入，并对输入图像进行图像形态学处理。
⑤利用深度信念网络(DBN)对输入视频图像进行分类判别，提取最大概率行为判定结果：
Figure BDA0003006772370000043
需要注意的是行人状态主要依据相邻时间序列图像行人姿态及位移变化量判断。
(7)基于双目视觉行人检测的等待过街行人及过街方向识别系统(基本结构如图4所示)，系统由双目视觉行人检测器、行人过街特征识别模块、路口信号机三部分组成。
首先，在路口适当位置安装双目视觉检测器，在检测器检测范围的基础上，与初步划分区域α结合，得到重叠区域作为实际分析区域β。
其次，利用双目视觉检测器检测与实际分析区域β相关的行人轨迹gs、周边已驻停行人n0、行人驻停位置g、驻停时间t、是否是过街行人b、行人过街方向wk、等待过街的行人总数n等信息。
进一步，双目视觉检测器将检测信息输入行人过街特征识别模块，同时路口信号机将行人灯色状态f输入行人过街特征模块，基于上述信息，行人过街特征识别模块进行等待过街行人及过街方向识别，并将结果输出至路口信号机，输出信息包括分方向等待过街行人总数nk、各方向等待过街行人总的等待时间tk。

Claims (2)

1.一种等待过街行人及过街方向识别方法，其特征在于，该方法包括如下步骤：
(1)首先根据路口形状及人行道位置，进行行人过街等待区的初步划分；
(2)对进入步骤1中初步划分区域α的行人进行驻停网格划分，选择最小距离l0确定单个行人所占区域大小，根据行人在初步划分区域α内的位置，标记出对应的驻停网格；
(3)对进入初步划分区域α的行人轨迹进行分析，记录该行人走行方向w、速度v，所记录数据以行人进入初步划分区域时刻的方向w0、速度v0为准，当行人进入初步划定区域α后，则不再对该行人进行轨迹分析；
(4)对进入初步划分区域α行人驻停前其周边已驻停的行人进行统计，以该行人网格的中心为原点O建立坐标系，分别统计初步划分区域中位于四个象限内的行人数量，统计时以各行人网格中心所在象限为准；
(5)对进入初步划分区域的驻停行人进行其它信息的交通调查，调查内容包括行人驻停位置g、驻停时间t、是否是过街行人b、行人过街方向wk、等待过街的行人总数n、不同方向行人灯色f；
(6)综合上述数据，采用提出深度信念网络方法进行是否是等待过街行人及过街方向的判断，其判断流程如下：
①建立有效数据集，通过对不同视频图像的海量采集，并将所采集的图像尺寸重新设置为固定值；
②获取图像计算边缘，计算边缘组并获取边缘组相似度：
S(x,y)＝[l(x,y)]α*[c(x,y)]β*[s(x,y)]γ*[c(x',y')]λ
其中α,β,γ,λ>0；x和y表示图像X和Y；x’和y’表示X和Y对应的灰度边缘图像；
然后对行人框进行打分评估，进而获取准确的行人候选区域α：
Figure FDA0003006772360000011
RMSE为评估函数；yi为相似度；
③训练多层感知机模型，得到有效的行人行为判断：
Figure FDA0003006772360000012
U表示输出值，即行人行为结果；aj表示隐藏层神经元的输出值；g()代表激活函数；w是权重；hk表示输出层神经元k的输入加权之和；
④输入视频图像，选取有效图像作为系统输入，并对输入图像进行图像形态学处理；
⑤利用深度信念网络对输入视频图像进行分类判别，提取最大概率行为判定结果：
Figure FDA0003006772360000021
2.一种应用如权利要求1所述等待过街行人及过街方向识别方法的系统，其特征在于，该系统包括双目视觉行人检测器、行人过街特征识别模块、路口信号机三部分；
所述双目视觉行人检测器安装在路口位置，在其检测范围的基础上，与初步划分区域α结合，得到重叠区域作为实际分析区域β；
将所述双目视觉行人检测器检测信息、实际分析区域β相关的行人轨迹gs、周边已驻停行人n0、行人驻停位置g、驻停时间t、是否是过街行人b、行人过街方向wk、等待过街的行人总数n信息输入行人过街特征识别模块，同时路口信号机将行人灯色状态f输入行人过街特征模块，行人过街特征识别模块根据所有输入的信息进行等待过街行人及过街方向识别，并将结果输出至路口信号机，输出信息包括分方向等待过街行人总数nk、各方向等待过街行人总的等待时间tk。
CN202110364267.9A 2021-04-04 2021-04-04 一种等待过街行人及过街方向识别方法及系统 Active CN113239725B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110364267.9A CN113239725B (zh) 2021-04-04 2021-04-04 一种等待过街行人及过街方向识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110364267.9A CN113239725B (zh) 2021-04-04 2021-04-04 一种等待过街行人及过街方向识别方法及系统

Publications (2)

Publication Number Publication Date
CN113239725A true CN113239725A (zh) 2021-08-10
CN113239725B CN113239725B (zh) 2023-07-21

Family

ID=77131133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110364267.9A Active CN113239725B (zh) 2021-04-04 2021-04-04 一种等待过街行人及过街方向识别方法及系统

Country Status (1)

Country Link
CN (1) CN113239725B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114299456A (zh) * 2021-12-24 2022-04-08 北京航空航天大学 一种基于实时轨迹检测的交叉口行人过街风险评估方法
CN114973661A (zh) * 2022-05-16 2022-08-30 深圳市中建恒峰电子有限公司 一种具备智能控制及交通流数据存储的交通信号灯
CN114299456B (zh) * 2021-12-24 2024-05-31 北京航空航天大学 一种基于实时轨迹检测的交叉口行人过街风险评估方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160362050A1 (en) * 2015-06-09 2016-12-15 Lg Electronics Inc. Driver assistance apparatus and control method for the same
CN106297330A (zh) * 2016-08-29 2017-01-04 安徽科力信息产业有限责任公司 减少行人过街对平面感知信号控制效率影响的方法及系统
CN108118569A (zh) * 2017-10-27 2018-06-05 佟家绪 用过街轻巴运载行人通过人行横道的方法
CN110570670A (zh) * 2019-10-16 2019-12-13 公安部交通管理科学研究所 基于视频行人检测的路段行人过街信号系统及方法
CN111459168A (zh) * 2020-04-23 2020-07-28 上海交通大学 一种融合的自动驾驶汽车过街行人轨迹预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160362050A1 (en) * 2015-06-09 2016-12-15 Lg Electronics Inc. Driver assistance apparatus and control method for the same
CN106297330A (zh) * 2016-08-29 2017-01-04 安徽科力信息产业有限责任公司 减少行人过街对平面感知信号控制效率影响的方法及系统
CN108118569A (zh) * 2017-10-27 2018-06-05 佟家绪 用过街轻巴运载行人通过人行横道的方法
CN110570670A (zh) * 2019-10-16 2019-12-13 公安部交通管理科学研究所 基于视频行人检测的路段行人过街信号系统及方法
CN111459168A (zh) * 2020-04-23 2020-07-28 上海交通大学 一种融合的自动驾驶汽车过街行人轨迹预测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JUNXUAN ZHAO等: "Trajectory tracking and prediction of pedestrian\'s crossing intention using roadside LiDAR", 《IET INTELLIGENT TRANSPORT SYSTEMS》, vol. 13, no. 5, pages 789 - 795, XP006081850, DOI: 10.1049/iet-its.2018.5258 *
尚春琳: "专用道公交优先干线协调分区判据方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技II辑)》, no. 08, pages 034 - 71 *
张九跃等: "城市路段行人过街辅助系统设计", 《交通技术》, vol. 7, no. 3, pages 162 - 167 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114299456A (zh) * 2021-12-24 2022-04-08 北京航空航天大学 一种基于实时轨迹检测的交叉口行人过街风险评估方法
CN114299456B (zh) * 2021-12-24 2024-05-31 北京航空航天大学 一种基于实时轨迹检测的交叉口行人过街风险评估方法
CN114973661A (zh) * 2022-05-16 2022-08-30 深圳市中建恒峰电子有限公司 一种具备智能控制及交通流数据存储的交通信号灯
CN114973661B (zh) * 2022-05-16 2024-05-10 深圳市中建恒峰电子有限公司 一种具备智能控制及交通流数据存储的交通信号灯

Also Published As

Publication number Publication date
CN113239725B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN110175576B (zh) 一种结合激光点云数据的行驶车辆视觉检测方法
CN109977812B (zh) 一种基于深度学习的车载视频目标检测方法
CN110910378B (zh) 一种基于深度融合网络的双模态图像能见度检测方法
CN106599792B (zh) 一种手部驾驶违规行为的检测方法
CN103390164B (zh) 基于深度图像的对象检测方法及其实现装置
CN102708356B (zh) 一种基于复杂背景下的车牌自动定位和识别方法
CN111275688A (zh) 基于注意力机制的上下文特征融合筛选的小目标检测方法
CN105512720A (zh) 一种公交车辆客流统计方法和系统
CN111460919B (zh) 一种基于改进YOLOv3的单目视觉道路目标检测及距离估计方法
CN106372571A (zh) 路面交通标志检测与识别方法
CN109948707B (zh) 模型训练方法、装置、终端及存储介质
CN111553201A (zh) 一种基于YOLOv3优化算法的交通灯检测方法
CN110619279A (zh) 一种基于跟踪的路面交通标志实例分割方法
US20220315243A1 (en) Method for identification and recognition of aircraft take-off and landing runway based on pspnet network
CN106845458B (zh) 一种基于核超限学习机的快速交通标识检测方法
CN115719475B (zh) 一种基于深度学习的三阶段轨旁设备故障自动检测方法
CN111259736B (zh) 一种基于深度学习的复杂环境下行人实时检测方法
CN106529391B (zh) 一种鲁棒的限速交通标志检测与识别方法
CN113239725B (zh) 一种等待过街行人及过街方向识别方法及系统
Xingxin et al. Adaptive auxiliary input extraction based on vanishing point detection for distant object detection in high-resolution railway scene
WO2023160666A1 (zh) 一种目标检测方法、目标检测模型训练方法及装置
CN116935356A (zh) 基于弱监督的自动驾驶多模态图片和点云实例分割方法
CN111832463A (zh) 一种基于深度学习的交通标志检测方法
CN115527118A (zh) 一种融合注意力机制的遥感图像目标检测方法
CN115273005A (zh) 一种基于改进yolo算法的视觉导航车环境感知方法

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
GR01 Patent grant
GR01 Patent grant