公开(公告)号：CN116311154A

公开(公告)日：2023-06-23

申请号：CN202310147319.6

申请日：2023-02-20

Applicant: 华南理工大学

Inventor： 符茂达 ,  胡习之 ,  姜立标 ,  崔博非 ,  陈朗

IPC: G06V20/58 ,  G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06V10/77 ,  G06V10/52 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明提出一种基于YOLOv5模型优化的车辆检测与识别方法，包括：步骤S1、获取若干张包含不同车辆类型的图片，并对图片进行标注，得到数据集；步骤S2、对标注好的图片数据进行预处理操作，将预处理好的图片数据输入到YOLOv5模型的骨干网络中，骨干网络能够对图像上的特征信息通过卷积网络进行特征提取；步骤S3、根据所建立的数据集优化YOLOv5车辆检测模型，其中，YOLOv5车辆检测模型相较于现有YOLOv5模型的改进包括：将骨干网络中的CSP1_X模块替换为ShuffleNetv2模块，将头部模块Bounding Box损失函数的DIOU_Loss替换为CIOU_Loss；步骤S4、将待检测图像数据输入到优化后的YOLOv5车辆检测模型中，得到检测结果。使用优化的YOLOv5检测方法可以直接端到端的输出所检测的物体的类别概率和位置，可以达到较高精度。

公开(公告)号：CN115439743A

公开(公告)日：2022-12-06

申请号：CN202211028947.4

申请日：2022-08-23

Applicant: 华南理工大学

Inventor： 崔博非 ,  胡习之 ,  李洪涛 ,  符茂达

IPC: G06V20/10 ,  G06V10/44 ,  G06V10/75 ,  G06V10/764 ,  G06V10/82 ,  G06N3/04 ,  G06T7/73 ,  G06N3/08

Abstract: 本发明公开一种泊车场景下精确提取视觉SLAM静态特征的方法，对于停车场场景有行人和车辆等动态物体的情况，使用多线程并行，利用目标检测模型将车辆与行人框出形成mask掩码；同时摒弃目前VSLAM系统常用的手工特征，选择使用改进的基于深度学习特征提取模型SuperPoint进行特征提取，让特征提取的精度更高更鲁棒，得出图像帧的关键点与描述子，根据生成的mask掩码筛选并剔除动态物体框中的特征点，利用剩余的精准静态特征点进行特征匹配和相机位姿估计，后续即可执行跟踪、建图和回环检测线程，完成整个SLAM工作。使用本方法降低了记忆泊车场景中误匹配的概率，可有效解决SLAM算法难以剔除动态特征点、场景识别精度低的缺陷，提高了记忆泊车的可靠性。

公开(公告)号：CN116415034A

公开(公告)日：2023-07-11

申请号：CN202310221008.X

申请日：2023-03-08

Applicant: 华南理工大学

Inventor： 王琴 ,  胡习之 ,  崔博非 ,  李洪涛

IPC: G06F16/783 ,  G06F16/738 ,  G06V20/40 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供了一种基于特征重构的文本‑视频时序定位方法，所述方法包括：接收文本描述和视频数据；从文本描述中提取文本特征，得到全局的文本特征；从视频数据中提取得到视频特征V′；基于图卷积神经网络进行文本特征重构，得到带有关键语义信息的全局文本特征Q″；基于注意力机制进行视频特征重构，得到文本特征引导下的视频特征V″；将全局文本特征Q″和文本特征引导下的视频特征V″融合，通过二维卷积神经网络输出视频定位的起止时间结果。本发明通过图卷积神经网络对文本特征中的关键信息进行挖掘，然后通过注意力机制加强与文本相关的视频特征，能够有效的区分视频中的相似片段，提高文本‑视频时序定位的准确度。

公开(公告)号：CN115953743A

公开(公告)日：2023-04-11

申请号：CN202211510564.0

申请日：2022-11-29

Applicant: 华南理工大学

Inventor： 陈朗 ,  姜立标 ,  崔博非 ,  符茂达

IPC: G06V20/54 ,  G06V20/58 ,  G06V10/82

Abstract: 本发明公开一种基于改进的YOLO模型的车位状态识别方法，包括：构建停车位检测数据集，并划分训练集和测试集；构建改进的YOLOV4‑tiny网络模型，其中，将YOLOV4‑tiny网络模型原来的主干网络CSPDarknet53‑tiny替换为轻量化网络mobilenetv3，在特征金字塔FPN前加入SE注意力机制，将Mish激活函数替换原来的Leaky ReLU激活函数，将EiOU损失函数替换原来的CiOU损失函数，SE注意力机制包括挤压模块、激励模块和融合模块；采用训练集对改进的YOLOV4‑tiny网络模型进行训练；将待测图像输入训练得到的改进的YOLOV4‑tiny网络模型中，得到车位状态识别结果。本发明能在准确识别车位状态的前提下提高检测的速度。

公开(公告)号：CN115903815A

公开(公告)日：2023-04-04

申请号：CN202211467446.6

申请日：2022-11-22

Applicant: 华南理工大学

Inventor： 李洪涛 ,  石柏军 ,  胡习之 ,  张艺怀 ,  崔博非

IPC: G05D1/02

Abstract: 本发明提供的一种低速自动驾驶场景的全局路径规划方法，包括：建立整个工作场景的栅格地图模型；全局路径规划器根据所设置的起点、终点搜索可行驶路径，所述全局路径规划器采用改进的RRT*算法来搜索行驶路径，其中，所述改进的RRT*算法的改进点包括动态步长自适应调整策略和动态目标偏向调整方法；在行进过程中，若出现地图中未标记的障碍物，启用局部路径规划算法重新规划局部路径，以使车辆绕行未知障碍物；绕行障碍物之后，以当前点为起点，以目标点为终点再次启用所述全局路径规划器规划路径，重新规划路径；机器人沿着规划路径到达目标点。本发明能够有效提高搜索时间，缩短规划得到的路径长度。