一种基于EUHT技术的车路通信测试平台及测试方法

    公开(公告)号:CN109194544B

    公开(公告)日:2021-08-17

    申请号:CN201811020211.6

    申请日:2018-09-03

    Applicant: 长安大学

    Abstract: 本发明公开了一种基于EUHT技术的车路通信测试平台及测试方法,采用EUHT主干网络、EUHT路侧设备、车载设备、应用服务器群、网管服务器、土建设施构成测试平台,将EUHT技术引入基于车‑车、车‑路通信的车联网系统中,针对车联网系统传输时延、丢包率、高速移动中的切换和保持性能进行测试,以车载设备为目标进行iperf灌包测试,获取车‑路或者车‑车智能终端记录下载速度数据分析结果,再通过ping测试数据传输给数据处理服务器,数据处理服务器根据ping原始数据计算出丢包率数据,实现交通信息的交互过程中的网络性能进行具体量化,为基于EUHT的部分车联网安全、非安全交通应用提供网络性能的核心技术参数,为系统部署和验证提供有效的测试平台和验证手段。

    一种复杂天气道路车辆目标检测方法

    公开(公告)号:CN113065478A

    公开(公告)日:2021-07-02

    申请号:CN202110380937.6

    申请日:2021-04-09

    Applicant: 长安大学

    Abstract: 本发明提供一种复杂天气道路车辆目标检测方法,首先,选取天气良好、光线充足的道路交通图像集S,标记车辆边界框;基于循环一致性对抗网络将正常天气图像集转换成复杂天气图像集;将合成的带有标记边界框的复杂天气图像集作为输入送入Faster R‑CNN网络进行训练,得到复杂天气车辆检测模型;然后,开始执行实际复杂天气交通视频车辆检测,将视频解码为图像集;判定复杂天气类别,选取上述对应地复杂天气的预训练好的复杂天气车辆检测模型并代入该模型,执行基于Faster R‑CNN网络的车辆目标检测,并输出结果。这样,大大地提高了复杂天气车辆目标检测的准确率和检测速度,简化了现有模型训练过程中多次重复手动标记车辆边界框的流程。

    一种汽车故障诊断方法及系统

    公开(公告)号:CN112162545A

    公开(公告)日:2021-01-01

    申请号:CN202011134946.9

    申请日:2020-10-21

    Applicant: 长安大学

    Abstract: 本发明公开了一种汽车故障诊断方法及系统,利用车辆正常行驶状态下的系统运行数据信息对车辆系统模型进行训练优化,对实时采集车辆行驶状态下的系统运行数据信息,并对车辆行驶状态下的系统运行数据信息进行传感器数据降噪及致命传感器故障的特征提取筛选并进行重构,将重构后的系统运行数据信息输入到训练优化后的车辆系统模型,输出系统状态数据与设定阈值对比,若超出设定阈值,则该系统状态数据对应的系统执行器存在故障,通过对采集的系统运行数据进行传感器数据降噪及致命传感器故障的特征提取筛,能够有效检测传感器数据的致命异常以及汽车运行状态的异常,利用系统运行数据对应的位置实现汽车故障定位,大大提高了汽车故障诊断的可靠性。

    一种无人车在环快速仿真测试系统和方法

    公开(公告)号:CN109100155A

    公开(公告)日:2018-12-28

    申请号:CN201810745904.5

    申请日:2018-07-09

    Applicant: 长安大学

    Abstract: 本发明实施例提供了一种无人车在环快速仿真测试系统,包括:虚拟仿真测试子系统,用于生成虚拟测试场景,并向测试台架控制子系统发送路面状态控制指令;测试台架控制子系统,用于模拟路面状态;还用根据无人车驾驶参数来评估无人车的驾驶性能;无人车控制子系统,用于根据虚拟测试场景对无人车进行驾驶控制。上述系统由于采用了虚拟现实技术和硬件在环相结合的仿真测试方式,因此,能够在室内实现可控制、可重复且有效的无人车在环快速仿真测试;而且由于其能够尽可能的穷举所有极端或者特殊的道路状况,因此,能充分保障无人驾驶车辆上路前的安全性、可靠性。本发明实施例还提供了一种无人车在环快速仿真测试方法。

    一种基于多线激光雷达的3D点云分割方法

    公开(公告)号:CN106204705A

    公开(公告)日:2016-12-07

    申请号:CN201610529212.8

    申请日:2016-07-05

    Applicant: 长安大学

    CPC classification number: G06T15/00 G06T17/005

    Abstract: 本发明公开了一种基于多线激光雷达的3D点云分割方法,包括步骤:1)利用多线激光雷达扫描360°范围内的3D点云数据,建立笛卡尔坐标系OXYZ,将3D点云数据转换到笛卡尔坐标系下,对笛卡尔坐标系下的3D点云数据进行预处理,确定3D点云数据中的感兴趣区域;2)利用近邻点的统计特性滤除感兴趣区域中的悬空障碍点;3)构建极坐标网格地图,将滤除悬空障碍点后的3D点云数据映射到极坐标网格地图中,然后从极坐标网格地图中的3D点云数据中分割出非地面点云数据;4)将非地面点云数据利用八叉树进行体素化,采用基于八叉树体素网格的区域生长方法进行聚类分割。本发明能提高运算效率,检测精度高,可靠性强,可以广泛在车辆环境感知技术领域中应用。

    一种基于不同焦距视频图像融合的交通状态识别方法

    公开(公告)号:CN103605960B

    公开(公告)日:2016-09-28

    申请号:CN201310578627.0

    申请日:2013-11-15

    Applicant: 长安大学

    Abstract: 本发明提供一种基于不同焦距视频图像融合的交通状态识别方法,通过对不同焦距的视频图像进行背景差法和自动背景更新算法检测运动区域,分别计算灰度特征参数和速度特征参数,然后通过BP神经网络对大量的灰度特征参数和速度特征参数数据进行训练,从而实现交通状态的识别。实验结果表明,本方法能够较好通过交通视频流识别出交通状况,并且易于实现、准确性较高,对促进交通诱导系统的研究和应用、解决城市中交通拥堵问题具有较高的应用价值。

    基于多示例学习与图割优化的目标分割方法

    公开(公告)号:CN105069774A

    公开(公告)日:2015-11-18

    申请号:CN201510375307.4

    申请日:2015-06-30

    Applicant: 长安大学

    CPC classification number: G06K9/6217

    Abstract: 本发明公开了一种基于多示例学习与图割优化的目标分割方法:步骤1:对训练图像采用多示例学习的方法进行显著模型建模,并利用显著模型对测试图像中的包和示例进行预测,得到测试图像的显著性检测结果;步骤2:将测试图像的显著性检测结果引入图割框架,依据示例特征矢量与示例包的标记对图割框架进行优化,求解图割优化的次优解,得到目标的精确分割。本发明采用多示例学习的方法建立显著性检测模型,使其适合特定种类的图像,并将显著性检测的结果用于基于图论的图像分割方法中以指导图像分割,对图割模型框架环节进行了优化,并采用凝聚层次聚类算法求解,使得分割结果能更好地符合语义感知的输出,得到精确的目标分割结果。

    一种基于加权割合并的图像层次分割方法

    公开(公告)号:CN102831600B

    公开(公告)日:2015-07-29

    申请号:CN201210257591.1

    申请日:2012-07-24

    Applicant: 长安大学

    Abstract: 本发明公开了一种基于加权割合并的图像层次分割方法:步骤1:以图像的像素为顶点构造赋权图,构建无向权图的加权割合并的代价函数;步骤2:选取种子点,定义稀疏插值矩阵,更新与合并种子点所代表类的权值,层次迭代得到优化的相似矩阵,使原始图像在不同层次粗化,直至得到突显兴趣区域停止迭代,求解优化代价函数所表示的特征系统,得到无向赋权图中突显兴趣区域的粗分割;步骤3:针对突显兴趣区域进行从上到下扫描边界,采用的逆插值方法进行边界合并,得到图像的最优分割。本发明改进了归一化割的图像分割方法,采用了归一化割框架体系的思想,大大的提高了图像的分割效果,在子图边缘处分割效果的改进尤为明显。

Patent Agency Ranking