【摘 要】
：
行车间距检测是汽车主动安全辅助驾驶系统的关键技术之一,为了提高车辆行驶过程中行车间距检测的精度与实时性,提出了一种实时单目深度估计方法。首先,构建畸变模型并用相机标定算法进行单目相机标定。然后,以车牌作为前车目标定位基准,采用颜色、轮廓的车牌筛选算法快速提取前车车牌信息。最后,基于方向梯度直方图特征和支持向量机实现车牌的精准定位。实验结果表明,相比其他方法,融合已知车牌的透视N点深度估计模型精度高
【机 构】
：
北京工商大学人工智能学院,北京100048;交通运输部公路科学研究院,北京100088
论文部分内容阅读
行车间距检测是汽车主动安全辅助驾驶系统的关键技术之一,为了提高车辆行驶过程中行车间距检测的精度与实时性,提出了一种实时单目深度估计方法。首先,构建畸变模型并用相机标定算法进行单目相机标定。然后,以车牌作为前车目标定位基准,采用颜色、轮廓的车牌筛选算法快速提取前车车牌信息。最后,基于方向梯度直方图特征和支持向量机实现车牌的精准定位。实验结果表明,相比其他方法,融合已知车牌的透视N点深度估计模型精度高、实时性好。本方法对前车车牌定位的识别率为99.326%,行车间距的检测误差小于10%,处理一张图像所需
其他文献
针对全卷积孪生神经网络SiamFC在目标跟踪速度以及网络判别能力上有待提升的问题,提出了一种基于改进SiamFC的实时目标跟踪算法。将原网络结构中的第二层卷积层替换为深度可分离卷积,通过减少参数计算量,提高了跟踪速度;为了提高网络判别能力,第三层卷积层使用混合深度卷积,通过不同尺寸的卷积核提取特征,实现多特征融合,提取到鲁棒性更强的特征;采用预处理后的ILSVRC2015数据集,使用随机梯度下降法
提出了一种基于10.6μm波长的小型化非线性全光衍射深度神经网络建模方法。采用波长为10.6μm的二氧化碳(CO2)激光光源,其对应的神经网络物理尺寸为1mm×1mm,依据相关的光学物理参数特性,构建了基于10.6μm波长的非线性全光衍射深度神经网络模型框架,使用网格搜索法确定最优的神经网络模型超参数,并选择交叉熵损失函数和Adam优化器对神经网络进行了优化。分别在MNIST手写数字数据集和Fas
2019年6月,江苏省公共图书馆智库服务联盟正式成立.联盟发展至今,存在发展战略尚不清晰、服务标准有待细化、智库服务质量有待加强、智库服务专业人才缺口较大、成员单位协同
当前,不少高校图书馆建设了信息素养慕课.在选取10门代表性慕课样本的基础上,从教学目标、教学内容、教学方式、教学评价等方面对其教学设计进行了对比分析,发现存在内容不够
近年来,图书馆纷纷积极寻找路径自我营销,推广资源和服务,吸引用户;但部分图书馆在具体营销实践中,存在曲解理念、模仿复制、缺乏反馈评估等问题.文章对IFLA公开出版物表达的
雷达目标检测器是雷达接收机中的重要组成部分,目标检测的目的是在恒虚警概率的约束下,最大化提升目标的检测效率。针对车载毫米波雷达目标检测过程中传统单元平均恒虚警率(CA-CFAR)在相邻多目标条件下往往会出现遮蔽的情况,改进了一种新的一维CA-CFAR检测算法。首先,对左右参考单元做等分处理,求出等分后各个子参考单元的平均值。然后,将子参考单元的平均值与参考单元的平均值进行比较。最后,对大于参考单元的平均值进行处理,得到新的检测门限。仿真和实验结果表明,改进CA-CFAR算法相比于传统CA-CFAR在线性调
针对全卷积神经网络多次下采样操作导致的道路边缘细节信息损失和道路提取不准确的问题,本文提出了多尺度特征融合的膨胀卷积残差网络高分一号影像道路提取方法。首先,通过目视解译的方法制作大量的道路提取标签数据;其次,在残差网络ResNet-101的各个残差块中引入膨胀卷积和多尺度特征感知模块,扩大特征点的感受野,避免特征图分辨率减小和道路边缘细节特征的损失;然后,通过叠加融合和上采样操作将各个尺寸的道路特
车辆行驶环境感知是自动驾驶领域的重点和难点问题,其中车道线检测是车辆行驶环境感知的基础。针对不同实例车道线难以区分、现有区分算法时间复杂度高、不同行驶场景需人为调整超参数等问题,提出了一种三分支车道线实例分割算法,并对分割结果进行自适应聚类以拟合不同实例车道线。针对车载摄像头获取的图像数据不均衡特点,用基于三分视野法的Tversky Loss函数对卷积神经网络进行训练。针对车道线大曲率半径的特点,
基于电子束蒸发小面源非余弦膜厚的分布公式,研究了电子束蒸发球面夹具系统光学薄膜厚度的分布均匀性.同时建立数学模型,通过MathCAD编程求解修正挡板的形状及摆放位置,控制
为了防止彩色数码反射显微镜的白平衡算法失效,提高图像颜色采集精度,提出了基于非RAW数据的数码相机色度特征化方法。首先,利用色卡中性色块建立基于幂函数的非线性校正模型,将非RAW数据转换为与场景辐亮度线性相关的数据。然后,建立色度特征化模型。最后,通过实验测试非RAW数据校正前后的色度特征化精度,并分析光源亮度变化对非线性校正模型及色度特征化精度的影响。结果表明,校正后的非RAW数据将提高色度特征