检索结果-南通市图书馆

作者：许明文南京理工大学

学位级别：硕士

随着科技进步和汽车产业的发展,汽车智能化水平越来越高,关于汽车辅助驾驶和无人驾驶系统的研究逐渐成为国内外研究热点。交通信号灯检测和识别技术作为辅助驾驶和无人驾驶系统的重要组成,吸引了很多研究人员的关注。目前,关于交通信号... 详细信息

随着科技进步和汽车产业的发展,汽车智能化水平越来越高,关于汽车辅助驾驶和无人驾驶系统的研究逐渐成为国内外研究热点。交通信号灯检测和识别技术作为辅助驾驶和无人驾驶系统的重要组成,吸引了很多研究人员的关注。目前,关于交通信号灯检测与识别技术的研究主要集中在机动车信号灯(圆灯)和方向指示信号灯(箭头灯)上,而针对交通信号倒计时(以下简称数字灯)的研究较少。本文基于无人驾驶平台,设计并实现的交通灯及数字检测与识别系统具有同时检测和识别圆灯、箭头灯和数字灯的功能,为无人车提供更加丰富的决策信息。自然场景下,交通信号灯在图像中的成像结果受光照影响较大,如何准确定位交通信号灯位置是检测过程的关键和难点。针对交通灯及数字的特点,提出了基于显著性特征的检测方法以及数字分割方法。该方法首先在低分辨率图像上生成颜色、亮度和边缘特征图,并融合成显著图;然后提取图像中的显著性区域,利用几何和颜色特征过滤噪声;最后,利用投影分析的方法将候选区域中的双数字区域分割为两个单数字区域,得到只包含单个数字灯、圆灯和箭头灯的候选识别区域。实验结果表明,本文提出的检测方法获得了比较理想的效果。在交通灯及数字的识别阶段,针对交通灯及数字的多种特征,提出一种两级分类方法,该方法设计了专用的结构分类器用于第一级的目标分类,目的是为了能够快速可靠的识别图像中清晰的目标;设计了基于CNN特征和HOG特征的SVM分类器用于第二级的目标分类,目的是为了提高整体识别的识别率和鲁棒性。在基于结构特征的第一级分类中,针对数字灯、箭头灯和圆灯的不同特点,设计了两组结构特征。数字灯的识别是依据七段码的显示特点在数字区域中设定九个子区域,通过统计各子区域的亮暗情况生成一个九位的二进制编码,然后根据此编码得出数字结果。箭头和圆形灯的识别是利用水平和垂直投影对目标结构进行描述,然后利用KNN分类器分类。实验结果表明,本文提出的这两组结构特征对图像清晰的目标能够获得比较好的识别准确率,并且计算速度较快。在第二级分类中,结合更为鲁棒的CNN特征与具有良好几何、光学不变性的HOG特征,形成了更高维度的特征。首先提取LeNet-5神经网络模型中ip1层特征作为CNN特征;然后提取交通灯及数字区域HOG特征,并将CNN特征归一化后与HOG特征融合得到融合特征;最后采用SVM分类器进行分类。实验结果表明,该方法相比于CNN分类和只使用HOG特征的方法,虽然时间复杂度较高,但是识别率也更高。最后,本文对无人驾驶平台进行了介绍,并将本文系统应用到该无人驾驶平台上进行实验。实验根据不同天气和灯颜色分析了交通灯及数字的检测结果,根据不同灯类型分析了识别结果,并对系统总体性能和效率进行了评估。最终系统总体获得了 96.3%的召回率和98.1%的准确率。

关键词：交通灯检测数字灯识别卷积神经网络 HOG特征无人驾驶平台

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向无人驾驶平台的高精度地图发展现状与趋势

引用

测绘科学与工程 2019年第4期39卷 69-74页

作者：乌萌高扬王成宾吴娟郭浩信息工程大学地理空间信息学院河南郑州450052 地理信息工程国家重点实验室陕西西安710054 西安测绘研究所陕西西安710054 清华大学精密仪器系北京100000

本文全面梳理了国内外高精度地图研究现状,阐述了高精度地图的来源、定义与作用,介绍了高精度地图的主要公开数据格式并分析了各自的突出特点与应用情况,从高精度地图数据的采集、制作、更新分步骤分类型介绍了集中制图和众包制图采用... 详细信息

本文全面梳理了国内外高精度地图研究现状,阐述了高精度地图的来源、定义与作用,介绍了高精度地图的主要公开数据格式并分析了各自的突出特点与应用情况,从高精度地图数据的采集、制作、更新分步骤分类型介绍了集中制图和众包制图采用的核心技术与流程,并对国内外主要地图服务商的数据生产方式、特点和合作情况进行了详细列表对比,最后从四个方面分析了高精度地图的未来发展趋势。

关键词：高精度地图无人驾驶平台数据格式数据生产发展趋势

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

改进多头注意力机制的车道检测方法

引用

计算机工程与应用 2024年第2期60卷 264-271页

作者：葛泽坤陶发展付主木宋书中河南科技大学信息工程学院河南洛阳471023 河南科技大学河南省机器人与智能系统重点实验室河南洛阳471023

针对基于卷积神经网络(convolution neural network,CNN)的车道线检测方法存在的网络处理效率低和对车道线细长结构的建模能力不佳的问题,提出一种基于改进多头注意力机制(multi-head self-attention,MHSA)的轻量级车道检测方法。引入MH... 详细信息

针对基于卷积神经网络(convolution neural network,CNN)的车道线检测方法存在的网络处理效率低和对车道线细长结构的建模能力不佳的问题,提出一种基于改进多头注意力机制(multi-head self-attention,MHSA)的轻量级车道检测方法。引入MHSA,融合Fuse MBConv、MBConv模块与特征压缩模块,降低模型的参数,同时利用上下文信息嵌入模块,建立兼顾检测精度和推理速度的全局注意力网络;利用Transformer的编码和解码器以及前向反馈网络将车道线参数化,结合匈牙利拟合损失函数提高所提出方法对车道线细长结构的建模能力。在TuSimple数据集对所提出的方法进行验证,结果表明,所提出的方法识别精度达到96.3%,推理速度达到95帧/s,同时在Apollo无人驾驶平台上的运行速度达到60帧/s,能够满足实时检测的要求。

关键词：多头注意力机制上下文信息轻量级车道检测方法无人驾驶平台

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的复杂道路环境车道线检测方法研究

基于深度学习的复杂道路环境车道线检测方法研究

引用

作者：葛泽坤河南科技大学

学位级别：硕士

随着汽车的普及,当前汽车保有量日益增加,为解决交通事故造成的生命财产安全问题,高级辅助驾驶系统成为研究热点。车道检测技术作为高级辅助驾驶系统的关健技术之一,不仅能够帮助系统感知自身位置和车道线信息,并且还可以为路径规划技... 详细信息

随着汽车的普及,当前汽车保有量日益增加,为解决交通事故造成的生命财产安全问题,高级辅助驾驶系统成为研究热点。车道检测技术作为高级辅助驾驶系统的关健技术之一,不仅能够帮助系统感知自身位置和车道线信息,并且还可以为路径规划技术提供相关道路信息,因而受到该领域的广泛关注。传统的车道线检测方法大多使用边缘特征检测的方法提取车道信息,但这些方法大多是基于模型的方法,通常被定义在预设定的假设下,在实际环境的应用中会受到不同干扰因素的影响,可能会降低系统的性能,甚至引起重大的安全事故。深度学习可以从大量的图像数据中学习目标特征,具有较高的泛化能力,能有效提高车道线检测的准确率,从而为高级辅助驾驶系统提供有力的支持。因此,本文以解决实际驾驶环境中存在的干扰因素对车道线检测系统造成的影响为目的,开展基于深度学习的复杂道路环境车道线检测方法研究。论文的主要工作如下:首先,根据车道标记形状的特性,利用三次多项式曲线方法建立平地上的单条车道标记线模型。考虑实际驾驶环境种存在的路面不平整问题,将三次多项式曲线转换为“鸟瞰图”进行表示,避免路面不平整对车道标记线模型造成的影响;考虑实车行驶中存在车辆颠簸造成摄像机倾斜的潜在因素,加入倾斜角参数,利用多项式回归直接输出车道标记线模型参数,避免额外的后处理操作产生的计算负担。其次,针对基于卷积神经网络(Convolutional Neural Network,CNN)的车道线检测方法存在的网络处理效率低和对车道线细长结构的建模能力不佳的问题,提出一种基于改进多头注意力机制(Multi-Head Self-Attention,MHSA)的轻量级车道线检测方法。改进的多头注意力机制优化了在处理视觉任务中存在的限制问题,将相对位置编码扩展到二维,并且融合Fuse MBConv和MBConv模块与特征压缩模块,降低模型的参数,同时利用上下文信息嵌入模块,建立兼顾检测精度和推理速度的全局注意力网络。接着,针对视野远端车道标记常存在标记缺失、模糊和遮挡等因素造成的影响,提出了一种基于Transformer的双分支网络车道线检测方法。结合CNN和Transformer的优势形成互补,建立了一个双分支训练策略,其中全局分支通过编码丰富的空间详细信息,帮助网络学习低级空间信息,而局部分支专注于高级语义信息。同时设计了一种双分支特征聚合模块,将两个分支的特征输出更合理的结合,提高视野远端车道标记的检测性能,并且采用匈牙利拟合的损失函数,在预测参数和真实车道线之间进行二部匹配,再利用匹配结果优化特定车道线的回归损失。然后,针对复杂多变的外部环境给基于视觉感知车道线检测方法带来的严峻挑战和考验,提出了一种面向复杂道路环境车道线检测线方法。围绕深度可分离卷积的思想,设计了一种可分离的局部与全局特征模块,该模块包含深度可分离注意力和逐点注意力两部分,能够大大降低模型的参数量,提高模型的推理速度。同时,在标准多头注意力的架构下,提出了一种多分辨率重叠特征聚合模块,该模块包含一种扩大且重叠策略,实现邻近像素的信息传递,以便充分利用深度可分离的局部与全局特征模块提取到的全局信息。最后,针对基于改进多头注意力机制的轻量级车道线检测方法,实验结果显示,所提算法基于Tu Simple数据集的识别精度达到96.3%,推理速度达到95帧/秒,同时在Apollo无人驾驶平台上的运行速度达到60帧/秒。针对基于Transformer的双分支网络车道线检测方法,实验结果显示,所提方法基于Tu Simple数据集识别精度达到96.33%,推理速度达到90帧/秒,与最先进方法相比具有较高的准确性,特别是对视野远端车道标记的检测效果。针对面向复杂道路环境车道线检测线方法,基于Tu Simple、CULane和LLAMAS三个数据集进行了充分实验分析。实验结果显示,所提方法在Tu Simple上的识别精度达到96.42%,在CULane上的F1达到72.89%,在LLAMAS上的F1达到94.37%,同时所提方法的推理速度达到78帧/秒。

关键词：高级辅助驾驶系统车道线检测深度学习多项式回归卷积神经网络多头注意力无人驾驶平台

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：