基于DSP的前方车辆位置关系辨识研究

为提高前方车辆位置关系辨识效能,提出利用基于统计特性的图像识别算法辨识前方车辆位置关系。通过车载CCD实时获取道路图像信息,使用最小二乘法进行车道线拟合,结合道路图像同侧上、下车道标识线的斜率关系判定道路线形,以车道中线标定前方车辆位置;基于图像统计特性进行前方车辆识别,计算车辆标识点至车道中线的距离,通过与设定的阈值进行比较来确定前方车辆与自车的位置关系。实验结果表明,该算法能够有效降低由树阴和路面油污对辨识所造成的影响,抗干扰能力强,对不同曲率的道路具有良好的适应性。     

基于计算机视觉的前方车辆检测与测距系统设计

随着我国私家车数量的增多,公路行驶道路安全成为社会关注的主要问题.而前方车辆距离检测系统的搭建,能够完成前方车辆检测与智能汽车导航工作.探讨了计算机视觉的前方车辆检测与测距系统设计,通过分析基于前方车身底部阴影的检测算法,阐述了前方车辆检测与测距系统的设计与应用.     

基于改进的FAST R-CNN的前方车辆检测研究

目前,前方车辆检测的研究主要通过机器学习的方法,然而其难以解决遮挡和误检的问题。在这种背景下,使用深度学习的方法检测前方车辆更为有效。首先采用了选择性搜索方法获得样本图像的候选区域,然后使用改进的FAST R-CNN训练网络模型,检测道路前方车辆。已在KITTI车辆公共数据集上对该方法进行了测试,实验结果表明,所提方法的检测率高于CNN直接检测的结果,很大程度上解决了遮挡和误检的问题。而且,与先提取Harr-Like特征然后利用Adaptive Boosting分类器的算法相比,该方法在TSD-MAX交通场景数据库测试中实现了较高的性能。结果表明,该方法提高了车辆检测的准确性和鲁棒性。     

基于多尺度融合和注意力的前方车辆检测方法

论文提出了一种基于多尺度特征融合和通道注意力机制的神经网络方法,用于精确地检测前方车辆。该文提出的MSCA-Y模型是在YOLOv4的基础上结合了两个关键的见解：1）提出了一个高效的多尺度特征融合网络。在充分利用主干网络的特征表示能力的基础上,有效融合多尺度特征图的空间信息,以增强检测微型车辆的性能;2）引入了通道注意力机制。通过加强对车辆各种姿态上关键部位的特征关注度,以进一步在复杂检测任务中获得更好的检测性能。为了证明方法的有效性,论文在KITTI数据集上评估模型。实验表明,该方法在KITTI数据集的基准上取得了较高的mAP（在困难子集中达到了87.12%）。     

基于多地磁传感器的车辆位置检测系统设计

系统通过在路面下安装多个地磁传感器检测车辆在路面的实时位置。地磁传感器与微处理器集成为信号处理模块,信号处理模块采集地磁传感器数据并在滤波后发送给数据处理模块。数据处理模块通过车辆经过路面时地磁传感器数据的变化来分析计算得出车辆的位置。通过对实验测得数据进行曲线拟合得出车辆位置与传感器差值之间的关系,进而推导出车辆的位置,其两轴精度达到10 cm。此外,设计的系统还可以测得车辆的速度和前进方向,并有望在智能公路方面应用于自动驾驶。     

结合目标检测与双目视觉的三维车辆姿态检测

随着城市规模的发展,车辆的需求在与日俱增,同时对自动驾驶技术的需求也在不断提高.为了增强自动驾驶系统对路面车辆的信息掌握能力,提出一种车辆姿态检测方法.首先利用基于深度学习的目标检测方法获取车辆在二维图片上的信息,结合深度相机利用双目视觉获取车辆的关键三维空间信息;然后综合二维与三维信息建立三维空间坐标,经过计算后实现车辆的三维边框绘制,绘制的三维边框能辅助区分出车辆在空间上的方位.文中方法为端对端方法,不需要其他额外的输入信息,能够实时展示在相机中.实验结果表明,该方法针对常见的路面停车场景有较好的识别效果,对自动驾驶系统有较好的辅助作用;对比目前流行的三维边框计算方法也展示了其准确性.     

基于集成学习的入侵检测方法

入侵检测是近年来网络安全研究的热点。利用多分类器技术,研究了基于集成学习的入侵检测方法。应用Bootstrap技术生成分类器个体,为了提高分类器的差异性,应用聚类技术对分类器进行聚类,在相应的聚类结果中选取不同的分类器个体,并选择不同的融合方法对分类结果进行融合。针对入侵检测数据的实验表明了该集成技术的有效性。     

基于互信息加权集成迁移学习的入侵检测方法

入侵检测系统（IDS）已成为网络安全体系结构中的必要组成部分。在面对现代网络安全需求时,现有的入侵检测方法的可行性和持续性仍然存在提高空间,主要体现在更早地发现入侵威胁和提高入侵检测系统的检测精准度,为此提出一种基于互信息加权的集成迁移学习（ETL）入侵检测方法。首先,通过迁移策略对多组特征集进行建模;然后,使用互信息度量在迁移模型下特征集在不同域中的数据分布;最后,根据度量值对多个迁移模型进行集成加权,得到集成迁移模型。该方法通过学习新环境下的少量有标记样本和以往环境下的大量有标记样本的知识,可以建立效果优于传统非集成、非迁移的入侵检测模型。使用基准NSL-KDD数据集对该方法进行评估,实验结果表明,所提方法具有良好的收敛性能,并提高了入侵检测的精准率。     

基于视频的车辆发现模块的研究与实现

针对现有的智能交通系统的车辆发现模块的不足,提出了车辆发现的一整套解决方案。综合使用了已有的视频处理技术及方法,背景差分法、帧间差分法、检测线方法,以及自适应边框的车辆精确定位等方法,设计实现了智能交通系统的车辆发现模块。设计了三种不同的真实场景的实验。通过对结果的分析表明,系统的车辆发现模块对于车辆的识别度高达90%以上,在一般的设备下流畅运行,能够满足车辆发现应用对系统的实时性的要求,并且适应性也较好。     

密集交通场景的目标检测算法研究

在现实的交通场景中,行人和车辆经常聚集在一起,形成相互遮挡的现象,给交通场景的目标检测带来了极大的挑战.针对交通场景中目标密集,位置接近造成的目标漏检、同一检测框中包含多个目标的问题,提出一种针对性遮挡回归损失函数Occlusion Loss.Occlusion Loss有两个作用:一是指导神经网络学习检测框和真实框匹...     

车辆超车视觉辅助导航系统研究

为了能够提高行驶速度,保障行车安全,提高行驶环境认知,设计了一个基于单目视觉的车辆自适应道路、前车检测、超车指导系统,其主要应用于双车道结构化道路,而且在晴天与阴天不同天气情况下,车道线以及深色、浅色车辆均可识别,并可跟踪、超越前车。实验结果表明,该系统可以应用于不同环境背景下,该系统已通过了远距离自动、安全、准确地检测,并进行了超越前车的仿真实验。     

基于CNN深度学习的机器人抓取位置检测方法

针对传统检测方法受到复杂环境和人工干预影响而导致检测精准度低的问题,提出了基于CNN深度学习的机器人抓取位置检测方法。根据CNN基本结构,研究基于CNN深度学习检测原理。按照切线斜率方向划分机器人抓取位置模板点,计算模板匹配距离,得到机器模板上匹配点到边缘坐标图像点中最近的距离。保持横纵坐标变量保持不变,观察映射图上坐标灰度值及匹配度函数分布情况。引入GA求解匹配方法,根据匹配流程,寻找最优解。分析彩色图像、深度图像的可抓取位置和不可抓取位置信息,并将其转化为符合CNN深度学习的数据格式,完成信息预处理。根据机器人抓取作业示意图,设计具体检测流程,并显示检测结果,由此完成机器人抓取位置检测。由实验结果可知,该方法检测精准度最高可达到0.988,能够应用到实际机器人抓取相关任务之中。     

基于深度学习的道路车辆目标检测系统设计

针对现有道路车辆目标检测系统由于计算量过大,且在复杂背景下容易出现误检的问题,设计了一种基于深度学习的道路车辆目标检测系统;系统硬件主要由信号输入模块、控制模块、中央处理模块和输出通道模块四部分组成;引入XCV50E芯片构建控制模块,通过高速随机存取存储器(RAM)快速分配信号;利用TMS320C6202芯片设置中央处理模块,将PCI9054作为信号输出模块的核心设备;软件设计中,完成用户登录、数据采集及处理、模型训练等设计;引入深度学习策略,先采用直方图均衡法处理环境光线干扰的问题,然后建立改进YOLOv4模型,处理噪声等干扰信息,最后基于注意力机制完成图像特征提取优化,进而更精准地完成道路车辆目标检测;实验结果表明,所提系统具有很好的鲁棒性,能够很好地减少计算量,提高检测准确率。     

基于边界对同时检测的纤维识别

纸浆纤维的形态参数对于成纸性能有重要的影响,但纤维存在卷曲、扭结等现象,因而常规的检测与识别方法很难较好地完成复杂纤维图像的检测。论文利用边界对同时检测的最优边界检测方法:构建三维图,并结合纤维的自身特点(如形状、方向等知识)定义费用函数,通过动态规划法在三维图中搜索最优路径,完成最优边界对的检测。该方法能实现对噪声高、对比度低、有分叉或重叠结构的图像的检测。最后通过对低质量纤维图的检测,验证了该方法的可靠性和鲁棒性。     

基于历史信息及改进SimSiam的道路目标检测

视觉导航旨在通过环境中的视觉信息提供导航依据,其中关键任务之一就是目标检测.传统的目标检测方法需要大量的标注,且只关注图像本身,并未充分利用视觉导航任务中的数据相似性.针对以上问题,本文提出一种基于历史图像信息的自监督训练任务.该方法聚合同一位置的多时刻图像,通过信息熵区分前景与背景,将图像增强后传入SimSiam自监督范式进行训练.并改进SimSiam投影层和预测层中的MLP为卷积注意力模块和卷积模块,改进损失函数为多维向量间损失,以提取图像中的多维特征.最后,将自监督预训练所得模型用于下游任务的训练.实验表明,在处理后的nuScenes数据集上,本文提出的方法有效提高了下游分类及检测任务的精度,在下游分类任务上Top5准确率达到66.95%,检测任务上mAP达到40.02%.     

DeEPs: A New Instance-Based Lazy Discovery and Classification System

Distance is widely used in most lazy classification systems. Rather than using distance, we make use of the frequency of an instance's subsets of features and the frequency-change rate of the subsets among training classes to perform both knowledge discovery and classification. We name the system DeEPs. Whenever an instance is considered, DeEPs can efficiently discover those patterns contained in the instance which sharply differentiate the training classes from one to another. DeEPs can also predict a class label for the instance by compactly summarizing the frequencies of the discovered patterns based on a view to collectively maximize the discriminating power of the patterns. Many experimental results are used to evaluate the system, showing that the patterns are comprehensible and that DeEPs is accurate and scalable.     

用于前车追踪的多特征融合粒子滤波算法改进

基于特征融合的粒子滤波算法可以将多个不同的特征进行融合;增强跟踪系统鲁棒性;但是现有的算法存在着特征显著性差;算法实时性不强以及融合策略不具备通用性的缺点。针对上述问题提出了一种适用于前车追踪系统的改进融合算法;采用增强边缘信息的SULBP新特征;并通过自适应降维方法提升特征提取的实时性;利用粒子集的分布状态设计自适应融合算法解决了融合策略的通用性问题。实验结果表明;所提出的多特征融合粒子滤波算法在跟踪性能和算法实时性上均有显著地提升。     

多任务学习在不良言论与个体特征检测中的应用

多任务学习在自然语言处理领域有广泛应用,但多任务模型往往对任务间的相关性比较敏感.如果任务相关性较低或信息传递不合理,可能会严重影响任务性能.本文提出了一种新的共享-私有结构的多任务学习模型BB-MTL (BERT-BiLSTM multi-task learning model),并借助元学习的思想为其设计了一种特殊的参数优化方式MLL-TM (meta-learning-like train methods).进一步引入一个新的信息融合门SoWLG (Softmax weighted linear gate),用于选择性地融合每项任务的共享特征与私有特征.实验验证所提出的多任务学习方法,考虑到用户在网络上的行为与其个体特征密切相关,文中结合了不良言论检测、人格检测和情绪检测任务进行了一系列实验.实验结果表明, BB-MTL能够有效学习相关任务中的特征信息,在3项任务上的准确率分别达到了81.56%、77.09%和70.82%.