-
公开(公告)号：CN112488083A
公开(公告)日：2021-03-12
申请号：CN202011553049.1
申请日：2020-12-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于heatmap提取关键点的交通信号灯的识别方法、装置、介质。本发明提出的基于heatmap提取关键点的交通信号灯的识别方法，会对输入图片经过特征提取之后进行反卷积来增加分辨率得到下采样的heatmap，使得网络的感受野变得更加精确,即使是小目标也更为敏感。其次，分配的锚点仅仅是放在位置上，没有尺寸框，不需要手动设置阈值区分前后景。最后从heatmap中提取目标，不需要像yolo3在预测时使用非极大值抑制算法(NMS)，进一步减少了计算量，从而提升了预测速度。在同一验证集上的预测结果表明，就准确率而言，Yolo3准确率为87.67％，本发明为95.48％。
-
公开(公告)号：CN115223112A
公开(公告)日：2022-10-21
申请号：CN202210921648.7
申请日：2022-08-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于语义分割的待行区检测方法，涉及深度学习中的语义分割领域。本发明可用于对交通非现场执法影像中的左转待行区或右转待行区进行检测，该方法通过对图像进行像素级预测，得到代表待行区两侧曲线形式车道线的像素点，然后通过聚类及拟合算法得到曲线模型，最后连接曲线两端获得待行区区域。本发明对复杂环境下的待行区检测具有很好的效果，且对待行区检测的准确性较高。
-
公开(公告)号：CN112053407A
公开(公告)日：2020-12-08
申请号：CN202010769403.8
申请日：2020-08-03
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种交通执法影像中基于AI技术的车道线自动检测方法，属于图像识别领域。因此本发明方法提出一种只预测车道线两个端点的方法，并针对车道线的特殊性对端点特征点对组合分析，最终达到标注工作量小，要求低，预测速度快，预测准确的有益效果。本发明方法检测速度快、准确率高。该检测结果除应用在车辆违法变道检测(压实线检测)外，还可以应用在一些需要使用图像数据检测车道线位置的实际场景应用中如车道数判断等。
-
Patent Agency Ranking
公开(公告)号：CN115620259A
公开(公告)日：2023-01-17
申请号：CN202211099628.2
申请日：2022-09-07
Applicant: 杭州电子科技大学
IPC: G06V20/58 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/762 , G06V10/82 , G06V10/26 , G06N3/04 , G06N3/08 , G06F17/18
Abstract: 本发明公开了一种基于交通非现场执法场景下的车道线检测方法。本发明基于ResNet50和FPN构成了多重反馈特征金字塔模块，然后通过像素级的无锚框回归，并结合分级预测和中心度计算来过滤那些低质量无意义的回归框，提高车道线预测率，得到车道线外矩形的坐标，再依次通过空间位置关系过滤、聚类、直线拟合，得到了待检测图像中最终的车道线检测结果。本发明可在阴影及不均匀光照、多车辆干扰、路面雨水、污渍和反光等各种复杂环境下很好地检测出车道线。
-
公开(公告)号：CN113158954A
公开(公告)日：2021-07-23
申请号：CN202110480226.6
申请日：2021-04-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种交通非现场的基于AI技术的斑马线自动检测方法，属于图像识别领域。本发明以Darknet‑53网络作为骨架网络构建斑马线识别模型，模型输入为包含斑马线的图片，Darknet‑53网络从输入的图片中提取3种尺寸的特征图，并通过9个不同尺寸的锚框进行多尺度目标检测，输出图片中每条斑马线的边界框数据，最终边界框数据包括边界框中心点坐标、边界框宽度、边界框高度、第一斜率、第二斜率、目标类别和置信度，通过斜率即可将边界框转换为斑马线。本发明即使在复杂多变的场景中，也可以有效准确的识别出斑马线，而且识别速度大大快于人工识别。
-
公开(公告)号：CN112053407B
公开(公告)日：2024-04-09
申请号：CN202010769403.8
申请日：2020-08-03
Applicant: 杭州电子科技大学
IPC: G06T7/90 , G06T3/4084 , G06N3/0464 , G06V10/82 , G06V10/774 , G06V10/44
Abstract: 本发明公开了一种交通执法影像中基于AI技术的车道线自动检测方法，属于图像识别领域。因此本发明方法提出一种只预测车道线两个端点的方法，并针对车道线的特殊性对端点特征点对组合分析，最终达到标注工作量小，要求低，预测速度快，预测准确的有益效果。本发明方法检测速度快、准确率高。该检测结果除应用在车辆违法变道检测(压实线检测)外，还可以应用在一些需要使用图像数据检测车道线位置的实际场景应用中如车道数判断等。
-
公开(公告)号：CN113158954B
公开(公告)日：2024-04-05
申请号：CN202110480226.6
申请日：2021-04-30
Applicant: 杭州电子科技大学
IPC: G06V20/56 , G06V10/25 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种交通非现场的基于AI技术的斑马线自动检测方法，属于图像识别领域。本发明以Darknet‑53网络作为骨架网络构建斑马线识别模型，模型输入为包含斑马线的图片，Darknet‑53网络从输入的图片中提取3种尺寸的特征图，并通过9个不同尺寸的锚框进行多尺度目标检测，输出图片中每条斑马线的边界框数据，最终边界框数据包括边界框中心点坐标、边界框宽度、边界框高度、第一斜率、第二斜率、目标类别和置信度，通过斜率即可将边界框转换为斑马线。本发明即使在复杂多变的场景中，也可以有效准确的识别出斑马线，而且识别速度大大快于人工识别。
-
公开(公告)号：CN112488083B
公开(公告)日：2024-04-05
申请号：CN202011553049.1
申请日：2020-12-24
Applicant: 杭州电子科技大学
IPC: G06V20/58 , G06V10/46 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于heatmap提取关键点的交通信号灯的识别方法、装置、介质。本发明提出的基于heatmap提取关键点的交通信号灯的识别方法，会对输入图片经过特征提取之后进行反卷积来增加分辨率得到下采样的heatmap，使得网络的感受野变得更加精确,即使是小目标也更为敏感。其次，分配的锚点仅仅是放在位置上，没有尺寸框，不需要手动设置阈值区分前后景。最后从heatmap中提取目标，不需要像yolo3在预测时使用非极大值抑制算法(NMS)，进一步减少了计算量，从而提升了预测速度。在同一验证集上的预测结果表明，就准确率而言，Yolo3准确率为87.67％，本发明为95.48％。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.034 seconds)
