CN115861951B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN115861951B
CN115861951B CN202211495493.1A CN202211495493A CN115861951B CN 115861951 B CN115861951 B CN 115861951B CN 202211495493 A CN202211495493 A CN 202211495493A CN 115861951 B CN115861951 B CN 115861951B
Authority
CN
China
Prior art keywords
convolution
lane line
layer
image
module
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
CN202211495493.1A
Other languages
English (en)
Other versions
CN115861951A (zh
Inventor
张云佐
郑宇鑫
张天
武存宇
刘亚猛
朱鹏飞
康伟丽
孟凡
郑丽娟
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.)
Shijiazhuang Tiedao University
Original Assignee
Shijiazhuang Tiedao 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 Shijiazhuang Tiedao University filed Critical Shijiazhuang Tiedao University
Priority to CN202211495493.1A priority Critical patent/CN115861951B/zh
Publication of CN115861951A publication Critical patent/CN115861951A/zh
Application granted granted Critical
Publication of CN115861951B publication Critical patent/CN115861951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Image Analysis (AREA)

Abstract

本发明公开了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，涉及车辆自动驾驶技术领域。所述方法包括如下步骤：获取复杂环境车道线检测数据集；将数据划分为训练集、验证集和测试集；搭建车道线检测神经网络模型，构建损失函数；训练模型直至收敛；加载最佳模型参数，将待检测图像输入模型中；对图像不同位置区域进行分类，并拟合分类结果，叠加在原始图像上实现车道线检测的可视化。所述方法有效提高了复杂环境中车道线检测的准确度。

Description

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
技术领域
本发明属于车辆自动驾驶技术领域，具体涉及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。
背景技术
近年来人工智能技术蓬勃发展，并广泛应用于人们的生产生活中，汽车高级驾驶辅助***和自动驾驶技术也随之应运而生，越来越多的车辆拥有了自动辅助驾驶、自动泊车、智能召唤等功能；其中，自动驾驶技术在提高交通***的通行能力、效率、稳定性和安全性方面有着巨大潜力，其能有效避免驾驶事故的出现，显著提升了驾驶安全性，已被纳入未来智慧城市议程中的关键智能出行计划；车道线检测是自动驾驶领域的关键技术之一，它被广泛地应用于辅助驾驶、车道偏离预警以及车辆防碰撞等***中，对于提高交通安全具有重要作用，所以对车道线检测技术的研究具有一定的现实意义和实际应用价值。
基于深度学习的车道线检测方法依赖于大数据，性能较好的模型能够自主学习得到车道线的特征，通过聚类算法进行聚类，最后利用多项式拟合出车道线。在道路中的大多数情景均能做到较好的准确性，算法鲁棒性强，但是上述车道线检测方法大多易受场景复杂程度的影响，环境越复杂，细节信息越难被捕捉。在遮挡、阴影、强光照射等复杂场景中检测车道线时精度不高，难以满足自动驾驶对检测准确性的要求。
发明内容
针对上述现有技术的不足，本发明的目的在于提供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，以解决现有的车道线检测方法在复杂环境中检测精度低的问题，本发明的方法在提升准确率的同时保证了参数量和计算量能够满足自动驾驶对实时性的要求。
为达到上述目的，本发明采用的技术方案如下：
本发明提出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，步骤如下：
步骤S1：获取复杂环境车道线检测数据集；
步骤S2：将数据划分为训练集、验证集和测试集，对传入模型的数据图像进行数据增强，并将增强后的图像分辨率调整为288×800(宽×高)；
步骤S3：搭建车道线检测神经网络模型，构建损失函数；
步骤S4：利用步骤S2中的训练集训练模型直至收敛，以得到最佳模型；
步骤S5：加载最佳模型参数，将待检测图像输入模型中；
步骤S6：对图像不同位置区域进行分类，结合分类损失和位置回归损失预测预定义锚框的分类，并拟合分类结果，叠加在原始图像上实现车道线检测的可视化。
进一步地，所述步骤S2中的数据增强包括：随机旋转、水平位移和垂直位移。
进一步地，所述车道线检测神经网络模型包括：特征提取网络、分类预测模块、辅助分割模块、注意力机制模块、增强感受野模块。
进一步地，所述特征提取网络由两条分支构成，第一条分支中包括三层dark层，每个dark层由一个卷积核大小为1×1的卷积层和一个C3结构组成；第二条分支中包括一个卷积核大小为7×7、步长为2、填充为3的卷积层，一个核大小为3×3、步长为2、填充为1的最大池化层和四个残差块；在第四个残差块后添加注意力机制；在第三个模块后添加增强感受野模块；在上述特征提取网络过程中分别拼接第一分支dark层得到的三层特征图和第二分支第二残差块、第三残差块、增强感受野模块得到的三层特征图，最终得到三层不同尺度特征图。
进一步地，所述每个残差块包含一个卷积核大小为1×1的卷积和一个卷积核大小为3×3的卷积，得到的输出加上残差块的输入后得到最终输出结果。
进一步地，所述C3结构由两条分支组成，第一条分支包括一个卷积核大小为1×1的卷积、注意力机制模块、残差块；第二条分支包括一个卷积核大小为1×1的卷积；第一条分支残差块后的输出特征图与第二条分支输出特征图拼接后经过一个卷积核大小为1×1的卷积。
进一步地，所述分类预测模块包含一个卷积核大小为1×1的卷积层和两个全连接层；全连接层完成输入层和隐藏层之间的线性变换；经过线性变换的特征图重构(reshape)成原图大小；在检测图像行位置上进行分类。
进一步地，所述分割模块利用多尺度特征图对局部特征进行建模，包含一个注意力机制模块、一个卷积核大小为3×3的卷积和一个卷积核大小为1×1的卷积。
进一步地，所述注意力机制模块包括一个通道注意力(Channel Attention)和一个空间注意力(Spatial Attention)，输入通过通道注意力产生输入的权重后乘以自身得到新特征图，再通过空间注意力产生新特征图的权重后乘以自身得到输出，输出结果进入分类预测模块。
进一步地，所述增强感受野模块由五条并联的分支组成，第一分支为1×1卷积，作用等同于残差网络中的残差结构；第二条分支包括一个1×1卷积和一个膨胀率为6的3×3空洞卷积；第三条分支包括一个1×1卷积和一个膨胀率为12的3×3空洞卷积；第四条分支包括一个1×1卷积和一个膨胀率为18的3×3空洞卷积；第五分支包括一个自适应均值池化和一个1×1卷积；前四分支最后分别有一层BN(Batch Normalization)归一化和PReLU激活函数层。
进一步地，所述步骤S3中的损失函数根据车道线的形状引用了结构损失计算方式。采用行锚点的方法进行车道线检测，预先定义在h行上划分出多个行锚框，判断每个行锚框是否属于车道线。由于一段距离中的车道线具有连续性，导致不同行锚框中的车道检测点是连续的，因此通过分类向量损失函数Lsim来计算相邻行锚框的相似性损失。同时使用二阶差分方程Lshp来约束车道的形状，判断车道线位置在相邻行上的平滑性，直线情况下为零。使用交叉熵损失Lseg作为辅助分割损失。损失计算公式为：
Ltotal＝αLclass+β(Lsim+dLshp)+γLseg
式中：α、β、δ、γ都是损失系数,Lclass是分类损失。其中，Lsim和Lshp的计算公式为：
Figure SMS_1
/>
Figure SMS_2
式中：Pi，j，：表示对第i行车道j锚点检测，||x||1表示L1范数。Loci，j表示位置期望，是每一个行锚框分类后输出结果的最大值。
所述车道线检测神经网络模型采用随机梯度下降法训练网络，优化过程使用Adam优化器，权重衰减系数为0.0001，动量因子为0.9，批量大小为32。
进一步地，所述步骤S5中的待检测图像中包含的车道线数目不超过4条，图像经过裁剪后输入模型的尺寸为288×800(宽×高)。
进一步地，所述步骤S6中的分类方法在预定义时将图像划分为h×(w+1)的网格，选择车道线在图像上的行位置，预先定义h行为行锚框，最大车道数为C将每个行锚框划分成w个单元格，(w+1)中多出来的一列用来标记行锚框的所有单元格都不存在车道线，根据Pi，j，：＝fij(X)判断每个单元格属于车道线的概率，其中i∈[1,C]，j∈[1,h]，X代表全局图像特征图，最后根据概率分布选择正确的位置。
本发明的有益效果：
本发明的方法中提出一种网络结构，包括主干网络、辅助分割模块、分类预测模块，搭建双特征提取网络，增强了模型对不同尺度特征信息的提取能力。设计构建注意力模块，提高检测模型对车道线细节信息的关注度，降低无关信息的干扰。设计构建增强感受野模块，以解决对多尺度目标信息利用率低的问题，在充分发挥深度学习优势的同时，有效的提升了模型在复杂场景下的检测精度。分类预测模块使用的分类方法在预定义时选择车道线在图像上的行位置，而不是基于局部感受野去分割车道线的每个像素，有效降低了计算量，较大的提高了车道线检测速度，满足自动驾驶对于准确性和实时性的要求。本发明模型在拥挤、遮挡、阴影等多种复杂环境中都取得了优秀的检测效果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是本发明方法的整体流程图；
图2是本发明中特征提取网络结构图；
图3是本发明中残差块网络结构图；
图4是本发明中C3模块网络结构图；
图5是本发明中分类预测模块网络结构图；
图6是本发明中分割模块网络结构图；
图7是本发明中注意力机制模块网络结构图；
图8是本发明中增强感受野模块网络结构图；
图9是本发明中检测流程图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
如图1所示，本发明的一种基于双特征提取网络的复杂环境车道线检测方法，步骤如下：
步骤S1：获取复杂环境车道线检测数据集；
步骤S2：将数据划分为训练集、验证集和测试集，对传入模型的数据图像进行数据增强，并将增强后的图像分辨率调整为288×800(宽×高)；
其中，所述步骤S2中的数据使用公开的车道线检测数据集提供的图像数据和车道线点标注；数据增强包括：随机旋转、水平位移和垂直位移。
步骤S3：搭建车道线检测神经网络模型，构建损失函数；
其中，所述车道线检测神经网络模型包括：特征提取网络、分类预测模块、辅助分割模块、注意力机制模块、增强感受野模块。
如图2所示，所述双特征提取网络由两条分支构成，它的目的是有效提取到深层特征，提高网络对目标细节的关注度。
所述双特征提取网络的结构具体如下：第一条分支中包括三层dark层，每个dark层由一个卷积核大小为1×1的卷积层和一个C3结构组成；第二条分支中包括一个卷积核大小为7×7、步长为2、填充为3的卷积层，一个核为3×3、步长为2、填充为1的最大池化层和四个残差块；在第四个残差块后添加注意力机制；在第三个模块后添加增强感受野模块；在上述特征提取网络过程中分别拼接第一分支dark层得到的三层特征图和第二分支第二残差块、第三残差块、增强感受野模块得到的三层特征图，最终得到三层不同尺度特征图。
如图3所示，所述每个残差块包含一个卷积核大小为1×1的卷积和一个卷积核大小为3×3的卷积，得到的输出加上残差块的输入后得到最终输出结果。
如图4所示，所述C3结构由两条分支组成，第一条分支包括一个卷积核大小为1×1的卷积、注意力机制模块、残差块；第二条分支包括一个卷积核大小为1×1的卷积；第一条分支残差块后的输出特征图与第二条分支输出特征图拼接后经过一个卷积核大小为1×1的卷积。
如图5所示，所述分类预测模块包含一个卷积核大小为1×1的卷积层和两个全连接层；全连接层完成输入层和隐藏层之间的线性变换。
如图6所示，所述分割模块利用多尺度特征图对局部特征进行建模，包含一个注意力机制模块、一个卷积核大小为3×3的卷积和一个卷积核大小为1×1的卷积。
如图7所示，所述注意力机制模块包括一个通道注意力(Channel Attention)和一个空间注意力(Spatial Attention)，输入通过通道注意力产生输入的权重后乘以自身得到新特征图，再通过空间注意力产生新特征图的权重后乘以自身得到输出，输出结果进入分类预测模块。
如图8所示，所述增强感受野模块在不改变图像尺寸的前提下增大特征图的感受野，它的目的是提高上下文信息的利用率；较之前的模块增加归一化和PReLU激活函数加快网络收敛速度。
所述增强感受野模块的结构具体如下：由五条并联的分支组成，第一分支为1×1卷积，作用等同于残差网络中的残差结构；第二条分支包括一个1×1卷积和一个膨胀率为6的3×3空洞卷积；第三条分支包括一个1×1卷积和一个膨胀率为12的3×3空洞卷积；第四条分支包括一个1×1卷积和一个膨胀率为18的3×3空洞卷积；第五分支包括一个自适应均值池化和一个1×1卷积；前四分支最后分别有一层PReLU激活函数层。
其中，所述步骤S3中的损失函数根据车道线的形状引用了结构损失计算方式。采用行锚点的方法进行车道线检测，预先定义在h行上划分出多个行锚框，判断每个行锚框是否属于车道线。由于一段距离中的车道线具有连续性，导致不同行锚框中的车道检测点是连续的，因此通过分类向量损失函数Lsim来计算相邻行锚框的相似性损失。同时使用二阶差分方程Lshp来约束车道的形状，判断车道线位置在相邻行上的平滑性，直线情况下为零。使用交叉熵损失Lseg作为辅助分割损失。损失计算公式为：
Ltotal＝αLclass+β(Lsim+δLshp)+γLseg
式中：α、β、δ、γ都是损失系数,Lclass是分类损失。其中，Lsim和Lshp的计算公式为：
Figure SMS_3
Figure SMS_4
式中：Pi，j，：表示对第i行车道j锚点检测，||x||1表示L1范数。Loci，j表示位置期望，是每一个行锚框分类后输出结果的最大值。
所述车道线检测神经网络模型采用随机梯度下降法训练网络，优化过程使用Adam优化器，权重衰减系数为0.0001，动量因子为0.9，批量大小为32。
步骤S4：利用步骤S2中的训练集训练模型直至收敛，以得到最佳模型；
其中，所述训练模型先初始化模型的参数，再用随机梯度下降方法更新模型参数，并在模型收敛或者达到预设迭代次数后停止训练。
步骤S5：加载最佳模型参数，将待检测图像输入模型中；
所述待检测图像中包含的车道线数目不超过4条，图像经过裁剪后输入模型的尺寸为288×800(宽×高)；检测流程如图9所示。
步骤S6：对图像不同位置区域进行分类，结合分类损失和位置回归损失预测预定义锚框的分类，并拟合分类结果，叠加在原始图像上实现车道线检测的可视化。
其中，所述分类方法在预定义时将图像划分为h×(w+1)的网格，选择车道线在图像上的行位置，预先定义h行为行锚框，最大车道数为C，将每个行锚框划分成w个单元格，(w+1)中多出来的一列用来标记行锚框的所有单元格都不存在车道线，根据Pi，j，：＝fij(X)判断每个单元格属于车道线的概率，其中i∈[1,C]，j∈[1,h]，X代表全局图像特征图，最后根据概率分布选择正确的位置。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (5)

1.一种基于双特征提取网络的复杂环境车道线精准检测方法，其特征在于包括如下步骤：
步骤S1：获取复杂环境车道线检测数据集；
步骤S2：将数据划分为训练集、验证集和测试集，对传入模型的数据图像进行数据增强，并将增强后的图像分辨率调整为288×800；
步骤S3：搭建车道线检测神经网络模型，构建损失函数，所述神经网络模型包括：
双特征提取网络，所述双特征提取网络由两条分支构成，第一条分支中包括三层dark层，每个dark层由一个卷积核大小为1×1的卷积层和一个C3模块结构组成；第二条分支中包括一个卷积核大小为7×7、步长为2、填充为3的卷积层，一个核大小为3×3、步长为2、填充为1的最大池化层和四个残差块；在第四个残差块后添加注意力机制；在第三个残差块后添加增强感受野模块；在上述特征提取网络中分别拼接第一分支dark层得到的三层特征图和第二分支第二残差块、第三残差块、增强感受野模块得到的三层特征图，最终得到三层不同尺度特征图；
所述C3模块结构由两条分支组成，第一条分支包括一个卷积核大小为1×1的卷积、注意力机制模块、残差块；第二条分支包括一个卷积核大小为1×1的卷积；第一条分支残差块后的输出特征图与第二条分支输出特征图拼接后经过一个卷积核大小为1×1的卷积；
所述残差块包含一个卷积核大小为1×1的卷积和一个卷积核大小为3×3的卷积，得到的输出加上残差块的输入后得到最终输出结果；
分类预测模块，所述分类预测模块用到的分类方法在预定义时选择车道线在图像上的行位置；
辅助分割模块，所述辅助分割模块能够起到增强视觉感知的效果，并增加交叉熵损失函数作为辅助分割损失函数；
注意力机制模块，所述注意力机制模块包括一个通道注意力和一个空间注意力，输入通过通道注意力产生输入的权重后乘以自身得到新特征图，再通过空间注意力产生新特征图的权重后乘以自身得到输出，输出结果进入分类预测模块；
增强感受野模块，所述增强感受野模块在不改变图像尺寸的前提下增大特征图的感受野，它的目的是提高上下文信息的利用率；
步骤S4：利用步骤S2中的训练集训练模型直至收敛，以得到最佳模型；
步骤S5：加载最佳模型参数，将待检测图像输入模型中；
步骤S6：对图像不同位置区域进行分类，结合分类损失和位置回归损失预测预定义锚框的分类，并拟合分类结果，叠加在原始图像上实现车道线检测的可视化。
2.根据权利要求1所述的基于双特征提取网络的复杂环境车道线精准检测方法，其特征在于，所述步骤S2中的数据使用公开的车道线检测数据集提供的图像数据和车道线点标注；数据增强包括：随机旋转、水平位移和垂直位移。
3.根据权利要求1所述的基于双特征提取网络的复杂环境车道线精准检测方法，其特征在于，所述分类预测模块包含一个卷积核大小为1×1的卷积层和两个全连接层；全连接层完成输入层和隐藏层之间的线性变换；经过线性变换的特征图重构成原图大小；在检测图像行位置上进行分类。
4.根据权利要求1所述的基于双特征提取网络的复杂环境车道线精准检测方法，其特征在于，所述辅助分割模块利用多尺度特征图对局部特征进行建模，包含一个注意力机制模块、一个卷积核大小为3×3的卷积和一个卷积核大小为1×1的卷积。
5.根据权利要求1所述的基于双特征提取网络的复杂环境车道线精准检测方法，其特征在于，所述增强感受野模块的结构具体如下：由五条并联的分支组成，第一分支为1×1卷积，作用等同于残差网络中的残差结构；第二条分支包括一个1×1卷积和一个膨胀率为6的3×3空洞卷积；第三条分支包括一个1×1卷积和一个膨胀率为12的3×3空洞卷积；第四条分支包括一个1×1卷积和一个膨胀率为18的3×3空洞卷积；第五分支包括一个自适应均值池化和一个1×1卷积；前四分支最后分别有一层BN归一化和PReLU激活函数层。
CN202211495493.1A 2022-11-27 2022-11-27 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 Active CN115861951B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211495493.1A CN115861951B (zh) 2022-11-27 2022-11-27 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211495493.1A CN115861951B (zh) 2022-11-27 2022-11-27 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

Publications (2)

Publication Number Publication Date
CN115861951A CN115861951A (zh) 2023-03-28
CN115861951B true CN115861951B (zh) 2023-06-09

Family

ID=85666870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211495493.1A Active CN115861951B (zh) 2022-11-27 2022-11-27 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

Country Status (1)

Country Link
CN (1) CN115861951B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116129390B (zh) * 2023-04-04 2023-06-23 石家庄铁道大学 一种增强曲线感知的车道线精准检测方法
CN117612029B (zh) * 2023-12-21 2024-05-24 石家庄铁道大学 一种基于渐进特征平滑和尺度适应性膨胀卷积的遥感图像目标检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937151A (zh) * 2022-05-06 2022-08-23 西安电子科技大学 基于多感受野和注意力特征金字塔的轻量级目标检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028204B (zh) * 2019-11-19 2021-10-08 清华大学 一种基于多模态融合深度学习的布匹缺陷检测方法
CN113468967B (zh) * 2021-06-02 2023-08-18 北京邮电大学 基于注意力机制的车道线检测方法、装置、设备及介质
CN114913493A (zh) * 2022-04-25 2022-08-16 南京航空航天大学 一种基于深度学习的车道线检测方法
CN115294548B (zh) * 2022-07-28 2023-05-02 烟台大学 一种基于行方向上位置选择和分类方法的车道线检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937151A (zh) * 2022-05-06 2022-08-23 西安电子科技大学 基于多感受野和注意力特征金字塔的轻量级目标检测方法

Also Published As

Publication number Publication date
CN115861951A (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
CN115861951B (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
CN110111335B (zh) 一种自适应对抗学习的城市交通场景语义分割方法及***
CN111695448B (zh) 一种基于视觉传感器的路侧车辆识别方法
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
CN111582029B (zh) 一种基于密集连接与注意力机制的交通标志识别方法
He et al. Rail transit obstacle detection based on improved CNN
CN111553201A (zh) 一种基于YOLOv3优化算法的交通灯检测方法
CN112329533B (zh) 一种基于图像分割的局部路面附着系数估计方法
CN113920499A (zh) 一种面向复杂交通场景的激光点云三维目标检测模型及方法
CN110717493B (zh) 一种基于深度学习的含堆叠字符的车牌识别方法
CN116129390B (zh) 一种增强曲线感知的车道线精准检测方法
CN112861619A (zh) 模型的训练方法、车道线检测方法、设备及装置
CN113936266A (zh) 一种基于深度学习的车道线检测方法
CN114782949B (zh) 一种边界引导上下文聚合的交通场景语义分割方法
CN115985104A (zh) 一种交通流量预测装置、预测方法及预测模型构建方法
CN116824543A (zh) 一种基于od-yolo的自动驾驶目标检测方法
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
CN114639067A (zh) 一种基于注意力机制的多尺度全场景监控目标检测方法
CN117115690A (zh) 一种基于深度学习和浅层特征增强的无人机交通目标检测方法及***
Zhou Vehicle image recognition using deep convolution neural network and compressed dictionary learning
CN116630702A (zh) 一种基于语义分割网络的路面附着系数预测方法
CN116363610A (zh) 一种基于改进YOLOv5的航拍车辆旋转目标检测方法
CN115294548B (zh) 一种基于行方向上位置选择和分类方法的车道线检测方法
CN114120246B (zh) 一种基于复杂环境的前方车辆检测算法
CN115661786A (zh) 一种区域预搜索的轨道障碍物小目标检测方法

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