CN112329533B - 一种基于图像分割的局部路面附着系数估计方法 - Google Patents

一种基于图像分割的局部路面附着系数估计方法 Download PDF

Info

Publication number
CN112329533B
CN112329533B CN202011067813.4A CN202011067813A CN112329533B CN 112329533 B CN112329533 B CN 112329533B CN 202011067813 A CN202011067813 A CN 202011067813A CN 112329533 B CN112329533 B CN 112329533B
Authority
CN
China
Prior art keywords
image
road surface
local
image segmentation
adhesion coefficient
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.)
Active
Application number
CN202011067813.4A
Other languages
English (en)
Other versions
CN112329533A (zh
Inventor
王海
蔡柏湘
蔡英凤
李祎承
陈龙
陈小波
刘擎超
孙晓强
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.)
Jiangsu University
Original Assignee
Jiangsu University
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 Jiangsu University filed Critical Jiangsu University
Priority to CN202011067813.4A priority Critical patent/CN112329533B/zh
Publication of CN112329533A publication Critical patent/CN112329533A/zh
Application granted granted Critical
Publication of CN112329533B publication Critical patent/CN112329533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/08—Learning 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像分割的局部路面附着系数估计方法，步骤1：离线预训练图像分割网络，具体包括：a.利用CARLA软件采集不同天气状况的路面图像，b.对采集的不同天气状况的路面图像进行局部标注，形成局部路面附着系数估计的数据集，c.利用深度学习的手段搭建图像分割的深度学习算法网络模型，d.利用局部路面附着系数估计的数据集对图像分割的深度学习算法网络框架进行端到端的训练。步骤2：获取实时路面图像，对路面局部附着系数实时估计，具体包括：a.利用车载摄像头采集实时路面图像，b.用预训练好的图像分割网络对实时获取的图像进行分类并定位不同类别，形成实时路况图，c.根据路面类型对实时路况图进行局部路面附着系数估计。

Description

一种基于图像分割的局部路面附着系数估计方法
技术领域
本发明属于图像分割领域，尤其涉及到一种基于图像分割的局部路面附着系数估计方法。
背景技术
较好的估计路面附着系数一直是一个非常具有挑战性的问题。路面附着系数不仅影响车辆的动力性和制动行能，而且还影响着汽车行驶时的操作稳定性，实时准确的辨别出路面附着系数，可以很大程度改善车辆行驶时的安全性和舒适性。随着工业向着智能化的不断推进，路面附着系数的准确估计也会很大程度影响着智能车辆和机器人等***的路径规划与决策。由此可见，实时性高且准确的估计出路面附着系数可以极大改善车辆行驶的安全性性，同时也能提升智能***的规划和决策的准确性。
目前，路面附着系数的估计方法主要有三类，一类是传统的基于车辆动力学参数识别的间接估计，第二类是通过传感器(声，光，温度传感器等)获取路面数据，根据传感器数据与路面附着系数的关系进行估计，第三类则是基于视觉传感器借助深度学习手段的路面直接估计路面附着系数。
采用动力建模的方法进行路面附着系数估计虽然准确可靠，但是由于模型较为复杂，需要获取很多车辆动力学参数，不能保证实时性；而且基于动力学估计的方法，需要车辆轮胎与路面接触才能估计，这样只能估计当前与轮胎接触的路面的附着系数，而不能对未来即将经过的路面进行路面附着系数预测，也就不能及时对车辆进行干预和控制。借助深度学习手段的基于视觉的方法虽然说能弥补基于动力学方法的缺陷，具有一定的超前预测性，然而只是估计路面整体的附着系数，并没有对路面局部进行附着系数估计，例如路面局部积水，局部积雪，局部结冰等。
发明内容
为了解决现有路面附着系数估计方法的缺陷，本发明提出了一种基于图像分割的局部路面附着系数估计方法。
本发明的技术步骤如下所述：
步骤1：离线预训练图像分割网络，具体包括：a.利用CARLA软件采集不同天气状况的路面图像，b.对采集的不同天气状况的路面图像进行局部标注，形成局部路面附着系数估计的数据集，c.利用深度学习的手段搭建图像分割的深度学习算法网络模型，d.利用局部路面附着系数估计的数据集对图像分割的深度学习算法网络框架进行端到端的训练。
步骤2：获取实时路面图像，对路面局部附着系数实时估计，具体包括：a.利用车载摄像头采集实时路面图像，b.用预训练好的图像分割网络对实时获取的图像进行分类并定位不同类别，形成实时路况图，c.根据路面类型对实时路况图进行局部路面附着系数估计。
进一步地，在上述步骤1a中，采集不同天气状况的路面图像，其中采集工具为CARLA模拟软件，采集的图像包括路面局部积水图像，路面局部积雪图像，路面局部结冰图像及正常沥青路面等。
进一步地，图像分割的深度学习算法网络模型包括利用残差结构搭建的基础网络结构，在基础网络上加上高度驱动的注意力模块，将此语义分割神经网络模型命名为H-ResNet,其中H代表高度驱动的注意力模块，ResNet代表由残差结构搭建的基础网络结构。
进一步地，深度学习算法网络模型为利用TensorFlow或Keras或Caffe2或PyTorch或MXNet深度学习框架搭建的语义分割算法网络。
进一步地，训练方法为利用单GPU或多GPU的批量梯度下降(Batch GradientDescent)或随机梯度下降(Stochastic Gradient Descent)或小批量梯度下降(Mini-Batch Gradient Descent)的反向传播方法。
进一步地，在上述步骤2a中的车载摄像头为网络摄像头或USB摄像头。
进一步地，在上述步骤2b中，获取的图像进行分类并定位不同类别，所述的分类和定位不同类别指的是以干沥青为背景路面，辨别出积水区域或积雪区域或结冰区域等或其中任意几种的随机组合并得到其在沥青路面的分布。
本发明的有益效果：
1.本发明不但可以预测到待接触路面的路面类型，而且可以获得同一条沥青路面上不同局部路面的分布情况，弥补了基于动力学方法和借助深度学习手段的基于视觉的方法的缺点，为智能车辆及智能机器的路径规划和决策提供了先决条件。
2.采用离线预训练图像分割网络，实时性好，很大程度提高了***的安全性。
3.利用CARLA软件采集预训练所需的数据集，大大缩减了采集图像数据的时间成本和经济成本。
附图说明
图1为本发明方法的总体流程示意图；
图2为高度注意力模块示意图；
图3为残差结构示意图；
图4为H-ResNet整体结构示意图。
具体实施方式
下面结合附图对本发明作进一步说明。应当理解，此处所描述的具体实例仅用以解释本发明，并不限定本发明。
一种基于图像分割的局部路面附着系数估计方法大致技术流程如附图1所示，包括：
步骤1：离线预训练图像分割网络，具体包括：a.利用CARLA软件采集不同天气状况的路面图像，b.对采集的不同天气状况的路面图像进行局部标注，形成局部路面附着系数估计的数据集，c.利用深度学习的手段搭建图像分割的深度学习算法网络框架，d.利用局部路面附着系数估计的数据集对图像分割的深度学习算法网络框架进行端到端的训练,e.训练好网络模型通过ROS软件移植到智能车辆或智能机器的车机中。
步骤2：获取实时路面图像，对路面局部附着系数实时估计，具体包括：a.利用车载摄像头采集实时路面图像，b.用预训练好的图像分割网络对实时获取的图像进行分类并定位不同类别，形成实时路况图，c.根据路面类型对实时路况图进行局部路面附着系数估计。
进一步地，在上述步骤1a中，采集不同天气状况的路面图像，其中采集工具为CARLA模拟软件，采集的图像包括路面局部积水图像，路面局部积雪图像，路面局部结冰图像及正常沥青路面等。
对于上述步骤1和2的具体的实施过程如下：
在CARLA软件中自己设定场景的天气状况，采集图像车辆以第一人称行驶在不同天气状况的沥青路面上，采集路面图像，保证单帧图像的路面类别包含附表中路面类别的两种或两种以上。此阶段要保证数据包含的道路所在场景，光照，天气条件，道路结构尽可能多样性。其中道路所在场景包括但不限于高速沥青路面，城市闹市沥青路面，城市郊区沥青路面；天气条件包括但不限于晴朗天气，下雨天气，下雪等，光照条件包括但不限于晨曦，上午，正午，黄昏，夜晚等。
图像局部标注根据附表1路面类型及对应的路面附着系数对路面图像进行路面类别和对应路面附着系数的局部标注，形成预训练所需要的数据集。
表1
利用深度学习框架搭建语义分割神经网络模型，语义分割神经网络算法模型包括利用残差结构搭建的基础网络结构，在基础网络上加上高度驱动的注意力模块，将此语义分割神经网络命名为H-ResNet,其中H代表高度驱动的注意力模块，ResNet代表由残差结构搭建的基础网络结构。算法流程包括数据导入模块，数据预处理模块，神经网络前向传播模块，激活函数，损失函数，反向传播模块，优化模块。
上述的残差结构单元如图3所示，残差单元的主要包括：快捷连接和恒等映射。如图3所示，X代表特征输入，通过右边的快捷连接恒等映射到输出。weight layer代表卷积权重层，relu表示激活函数，F(X)表示X经过卷积权重层所学习到的特征表示的残差。假设H(X)表示输入X最终学习到的特征，现在希望其可以学习到残差，这样其实原始需要学习的特征就变成了F(X)＝H(X)-X。之所以这样是因为残差学习相比原始特征直接学习更容易。当残差F(X)为0时，此时卷积权重层仅仅做了恒等映射，这样至少网络的性能不会下降，而实际上残差F(X)不会为0，这也就使得卷积权重层可以在输入特征的基础上学习到新的特征。
在本实例中，采用残差的结构是为了防止在预训练中出现梯度消失的问题，从而更好的训练网络，在残差结构中多次进行不同卷积核大小的卷积操作是为了更好的提取图像特征，采用ReLU非线性激活函数，可以加快神经网络训练的收敛速度。
在本实例中，卷积操作公式如下，其中w(x,y)代表大小为m×n的卷积核，f(x,y)为一幅图像，·代表卷积运算。
其中，a表示图像宽度方向的像素总和
b表示图像长度方向的像素总和
s表示图像宽度方向的像素位置
t表示图像宽度方向的像素位置
在本实例中，ReLU激活函数公式如下，为非线性函数，当横坐标x小于等于0的时候函数为0，当x大于0的时候，函数值等于x。
本实施例中，在基础网络上加上高度驱动的注意力模块是为了在提高识别精度的同时保证识别的实时性。
高度驱动的注意力模块的提出是分析了实际城市场景图像中单帧图像在不同高度层次中不同景象类别所占的像素不同而提出的。如图2所示，把单帧图像分为上中下三个高度层次，在上层次中占据图像主导像素为天空，在中间层次中占据图像主导像素为车辆，行人，建筑等，而在下层次中占据图像主导像素为路面，即感兴趣区域。通过高度驱动的注意力模块可以直接获取图像中感兴趣区域，从而提高识别精确度，加快识别速度。
高度驱动的注意力模块包括宽度池化、下采样、计算高度驱动注意力特征图、***特征位置编码等操作。其中，宽度池化操作是为了获得图像宽度方向的特征图，采用的池化方式是平均池化，；经过宽度池化操作活得的特征地图并不是都是必须的，下采样的目的就是为了去除不必要的特征地图,对下采样的特征地图计算是利用卷积操作，如公式1，获得其相邻位置关系，最后的***特征位置编码操作是为了获得特定物体的垂直位置的先验信息，位置编码通过不同频率的正弦，余弦函数生成，然后和对应的位置的特征向量进行逐元素相加。
在本实施例中，H-ResNet整体结构如图4所示，其中每个ResNet stage代表一个残差结构，H代表高度驱动的注意力模块。ResNet stage的个数越多识别的结果会越精确，然而随着ResNet stage的个数的增加，网络计算量也会增加，实时性会有所下降。高度驱动注意力模块的个数随着ResNet stage个数的增加而增加，本实例中采用4个ResNet stage，3个高度驱动注意力模块。每个高度驱动注意力模块，***在两个残差模块之间，每次经过残差模块后都获得一次垂直位置的先验信息，经过多次获得垂直位置的先验信息后更能准确的获得路面的状态信息。
本实例中，深度学习框架为TensorFlow或Keras或Caffe2或PyTorch或MXNet。
本实例中，训练语义分割模型使用的实验平台的硬件配置为64GB内存的GeForceGTX 1080Ti的GPU和i7-9700k的CPU。在软件配置方面，实验平台基于64位操作***的Ubuntu18.04。采用当前主流深度学习框架pytorch和python语言构建网络模型，使用并行计算架构CUDA和GPU加速库CUDNN进行高性能并行计算。
本实例中，训练采用的Focal Loss，也叫焦点损失，如公式7所示，作为训练的损失函数。Focal Loss通过修改标准的交叉熵损失函数，降低对能够很好分类样本的权重，增加难分类样本的权重，让模型在训练过程中快速关注困难样本，也就是相对较少的样本，来解决类别样本不均衡的问题。
其中N表示用于网络训练的样本数，i表示样本索引，yi表示每个训练样本对应的标签样本，α表示权重参数在[0,1]中取值，γ表示的也是一个超参数，pi在[0,1]中取值，是对应yi＝+1的预测概论，
本实例中，为了保证模型稳定且最快的学习到图像的低层次和高层次语义信息。选择指数衰减学习率作为模型训练时的学习率，其公式如8所示。
decayed_lr ＝ init_lr×decay_rate(global _ step/decay _ steps) (8)
式中：init_lr—初始设定的学习率
decay_rate—衰减系数
global_step—迭代轮数
decay_steps—衰减速度
本实例中，设定训练时每次迭代训练输入的图像数为8，同时对输入的图像进行随机尺度变换，随机角度旋转，图像翻转等手段进行数据增强。初始学习率init_lr设定为0.001，衰减系数decay_rete设定为0.95，迭代轮数global_step为5400，衰减速度decay_steps设为50。
把采集好的数据集输入搭建好的语义分割神经网络进行端到端训练，训练好的模型通过ROS软件集成到智能车辆或其他智能机器的车机中。
以车载网络摄像头或USB摄像头获取实时图面图像，输入到集成在车机中的语义分割模型中，进行实时辨别路面上不同区域的类别及定位这些类别的分布，从而得到路面状况分布图。
本实例中，摄像头安装在车内挡风玻璃处，避免受环境干扰，影响采集图像的质量。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于图像分割的局部路面附着系数估计方法，其特征在于，包括如下步骤：
步骤1：离线预训练图像分割网络模型，具体包括：
1.1.采集不同天气状况的路面图像，
1.2.对采集的不同天气状况的路面图像进行局部标注，形成局部路面附着系数估计的数据集，
1.3.搭建图像分割的深度学习网络模型，
1.4.利用局部路面附着系数估计的数据集对图像分割的深度学习算法网络框架进行端到端的训练；
步骤2：获取实时路面图像，对路面局部附着系数实时估计，具体包括：
2.1.采集路面图像，
2.2.用预训练好的图像分割网络模型对实时获取的图像进行分类并定位不同类别，形成实时路况图，
2.3.根据路面类型对实时路况图进行局部路面附着系数估计；
所述1.3中，所述图像分割的深度学习网络模型包括利用残差结构搭建的基础网络结构，在基础网络上加上高度驱动的注意力模块，将此语义分割神经网络模型命名为H-ResNet模型，其中H代表高度驱动的注意力模块，ResNet代表由残差结构搭建的基础网络结构；
所述H-ResNet模型中每个ResNet stage代表一个残差结构，H代表高度驱动的注意力模块；采用4个ResNet stage，3个高度驱动注意力模块，每个高度驱动注意力模块，***在两个残差模块之间，每次经过残差模块后都获得一次垂直位置的先验信息，经过多次获得垂直位置的先验信息后更能准确的获得路面的状态信息；
所述残差单元包括：快捷连接和恒等映射；设X代表特征输入，通过快捷连接、恒等映射到输出；weight layer代表卷积权重层，relu表示激活函数，F(X)表示X经过卷积权重层所学习到的特征表示的残差，H(X)表示输入X最终学习到的特征，将需要学习的特征等价为F(X)＝H(X)-X；
所述激活函数采用ReLU非线性激活函数：当横坐标x小于等于0的时候函数为0，当x大于0的时候，函数值等于x：
所述卷积层的操作公式：
其中w(x,y)代表大小为m×n的卷积核，f(x,y)为一幅图像，·代表卷积运算；
a表示图像宽度方向的像素总和，b表示图像长度方向的像素总和，s表示图像宽度方向的像素位置，t表示图像宽度方向的像素位置；
所述高度驱动的注意力模块是针对实际城市场景图像中单帧图像在不同高度层次中不同景象类别所占的像素不同而设计的，具体是把单帧图像分为上中下三个高度层次，在上层次中占据图像主导像素为天空，在中间层次中占据图像主导像素为车辆，行人，建筑，而在下层次中占据图像主导像素为路面，即感兴趣区域；
该高度驱动的注意力模块包括宽度池化、下采样、计算高度驱动注意力特征图、***特征位置编码；其中，宽度池化操作是为了获得图像宽度方向的特征图，采用的池化方式是平均池化；经过宽度池化操作活得的特征地图并不是都是必须的，通过下采样去除不必要的特征地图，对下采样的特征地图计算是利用卷积操作，如公式(1)，获得其相邻位置关系，最后的***特征位置编码操作能够获得特定物体的垂直位置的先验信息，位置编码通过不同频率的正弦，余弦函数生成，然后和对应的位置的特征向量进行逐元素相加。
2.根据权利要求1所述的一种基于图像分割的局部路面附着系数估计方法，其特征在于，所述1.1中，采集不同天气状况的路面图像，所使用的采集工具为CARLA模拟软件，采集的图像包括路面局部积水图像，路面局部积雪图像，路面局部结冰图像及正常沥青路面。
3.根据权利要求1所述的一种基于图像分割的局部路面附着系数估计方法，其特征在于，所述1.4中的训练方法为利用单GPU或多GPU的批量梯度下降(Batch GradientDescent)或随机梯度下降(Stochastic Gradient Descent)或小批量梯度下降(Mini-Batch Gradient Descent)的反向传播方法；
训练采用的Focal Loss通过修改标准的交叉熵损失函数得到：
其中N表示用于网络训练的样本数，i表示样本索引，yi表示每个训练样本对应的标签样本，α表示权重参数在[0,1]中取值，γ表示的也是一个超参数，pi在[0,1]中取值，是对应yi＝+1的预测概率；
选择指数衰减学习率作为模型训练时的学习率，如公式(8)所示：
decayed_lr＝init_lr×decay_rate(global_step/decay_steps) (8)
式中：init_lr—初始设定的学习率
decay_rate—衰减系数
global_step—迭代轮数
decay_steps—衰减速度。
4.根据权利要求1所述的一种基于图像分割的局部路面附着系数估计方法，其特征在于，所述2.1中采集路面图像的工具为车载摄像头，为网络摄像头或USB摄像头。
5.根据权利要求1所述的一种基于图像分割的局部路面附着系数估计方法，其特征在于，所述2.2中所述的分类和定位不同类别指的是以干沥青为背景路面，辨别出积水区域或积雪区域或结冰区域或其中任意几种的随机组合并得到其在沥青路面的分布。
CN202011067813.4A 2020-10-07 2020-10-07 一种基于图像分割的局部路面附着系数估计方法 Active CN112329533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011067813.4A CN112329533B (zh) 2020-10-07 2020-10-07 一种基于图像分割的局部路面附着系数估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011067813.4A CN112329533B (zh) 2020-10-07 2020-10-07 一种基于图像分割的局部路面附着系数估计方法

Publications (2)

Publication Number Publication Date
CN112329533A CN112329533A (zh) 2021-02-05
CN112329533B true CN112329533B (zh) 2024-05-14

Family

ID=74314547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011067813.4A Active CN112329533B (zh) 2020-10-07 2020-10-07 一种基于图像分割的局部路面附着系数估计方法

Country Status (1)

Country Link
CN (1) CN112329533B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113312976A (zh) * 2021-04-30 2021-08-27 淮阴工学院 一种基于图像处理与路面附着系数相结合的制动距离计算方法
CN113435409A (zh) * 2021-07-23 2021-09-24 北京地平线信息技术有限公司 图像识别模型的训练方法、装置、存储介质及电子设备
CN113887532A (zh) * 2021-11-17 2022-01-04 安徽省公共气象服务中心 一种基于场景分类的高速公路积雪图像识别与订正方法
CN114332715A (zh) * 2021-12-30 2022-04-12 武汉华信联创技术工程有限公司 气象自动观测积雪识别方法、装置、设备及存储介质
CN114820819B (zh) * 2022-05-26 2023-03-31 广东机电职业技术学院 快速路自动驾驶方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263844A (zh) * 2019-06-18 2019-09-20 北京中科原动力科技有限公司 一种在线学习和实时估计路面状态的方法
CN110378416A (zh) * 2019-07-19 2019-10-25 北京中科原动力科技有限公司 一种基于视觉的路面附着系数估计方法
CN111723849A (zh) * 2020-05-26 2020-09-29 同济大学 一种基于车载摄像头的路面附着系数在线估计方法和***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263844A (zh) * 2019-06-18 2019-09-20 北京中科原动力科技有限公司 一种在线学习和实时估计路面状态的方法
CN110378416A (zh) * 2019-07-19 2019-10-25 北京中科原动力科技有限公司 一种基于视觉的路面附着系数估计方法
CN111723849A (zh) * 2020-05-26 2020-09-29 同济大学 一种基于车载摄像头的路面附着系数在线估计方法和***

Also Published As

Publication number Publication date
CN112329533A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN112329533B (zh) 一种基于图像分割的局部路面附着系数估计方法
CN111368687B (zh) 一种基于目标检测和语义分割的人行道车辆违停检测方法
CN109101907B (zh) 一种基于双边分割网络的车载图像语义分割***
CN108694386B (zh) 一种基于并联卷积神经网络的车道线检测方法
CN110263786B (zh) 一种基于特征维度融合的道路多目标识别***及方法
CN102044151A (zh) 基于光照可见度辨识的夜间车辆视频检测方法
CN111079821A (zh) 一种脱轨自动制动拉环脱落故障图像识别方法
JP4420512B2 (ja) 移動物体間動作分類方法及び装置並びに画像認識装置
CN113160575A (zh) 一种非机动车辆及驾驶人的交通违法行为检测方法及***
CN110717886A (zh) 复杂环境下基于机器视觉的路面坑塘检测方法
CN112861619A (zh) 模型的训练方法、车道线检测方法、设备及装置
CN113052159A (zh) 一种图像识别方法、装置、设备及计算机存储介质
CN113591617B (zh) 基于深度学习的水面小目标检测与分类方法
CN117351702A (zh) 一种基于车流量进行调节的智慧交通管理方法
CN112215073A (zh) 高速运动场景下的交通标线快速识别与循迹方法
CN116665153A (zh) 一种基于改进型Deeplabv3+网络模型的道路场景分割方法
CN115861951A (zh) 一种基于双特征提取网络的复杂环境车道线精准检测方法
CN115761674A (zh) 一种道路边缘定位检测方法、设备及介质
CN111046723A (zh) 一种基于深度学习的车道线检测方法
CN114973199A (zh) 一种基于卷积神经网络的轨道交通列车障碍物检测方法
CN103605960A (zh) 一种基于不同焦距视频图像融合的交通状态识别方法
CN114782915B (zh) 基于辅助监督和知识蒸馏的智能汽车端到端车道线检测***及设备
CN113591670B (zh) 一种基于卷积神经网络的车道线检测方法
CN115171001A (zh) 基于改进ssd的增强热红外图像上车辆检测方法及***
CN115272995A (zh) 一种基于生成对抗网络的雨雪天车道线检测方法及***

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