-
公开(公告)号：CN113848545B
公开(公告)日：2023-04-14
申请号：CN202111018876.5
申请日：2021-09-01
Applicant: 电子科技大学
IPC: G01S13/66 , G01S13/86 , G06V20/56 , G06V20/64 , G06V10/762 , G06V10/764 , G06V10/74 , G06V10/80 , G06T7/277
Abstract: 本发明属于计算机视觉与模式识别领域，具体为一种基于视觉和毫米波雷达的融合目标检测和跟踪方法。本发明基于不同坐标系下相同目标的运动特征相同的假设，将图像和毫米波雷达数据视为两个独立的分支进行处理。图像分支中采用CenterTrack完成对目标的跟踪、毫米波雷达分支基于卡尔曼滤波算法进行多目标跟踪，通过跟踪得到目标的短时速度曲线；然后针对跟踪得到目标的短时速度曲线后，依据不同坐标系下相同目标的运动特征相同的假设定义出两者之间的差异度，通过衡量曲线的差异度进行目标匹配。从而在不需要进行相机和毫米波雷达的联合标定的前提下，实现了毫米波雷达和摄像头的目标级融合。
-
公开(公告)号：CN115031744A
公开(公告)日：2022-09-09
申请号：CN202210612389.X
申请日：2022-05-31
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于稀疏点云‑纹理信息的认知地图定位方法及系统，属于定位技术领域。本发明充分利用激光雷达准确的深度估计能力和摄像头良好的特征表达能力，采用几何中心估计算法得到交通标识几何信息，并通过交通标识几何信息将点云数据与图片数据融合后，生成认知地图。基于认知地图，利用得到交通标识几何中心信息，采用两阶段搜索策略对自动驾驶车辆当前位置交通标识和认知地图语义层数据中存储的交通标识特征进行匹配定位，得到当前车辆行驶交通标识在认知地图中的对应位置，与车辆自带激光雷达里程计局部定位结果进行融合，实现自动驾驶车辆高精度定位。
-
公开(公告)号：CN110674742B
公开(公告)日：2023-04-07
申请号：CN201910902885.7
申请日：2019-09-24
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于DLinkNet构建的DenseNetPlus遥感图像道路提取方法，构建了包括输入层、卷积池化层、编码结构、解码结构和特征图谱全连接通道的网络架构。采用3个卷积层和平均池化层构成stem Block单元，减少了因连续降采样导致的细节信息丢失。本发明通过加入3个连续不同扩张率的空洞卷积对Dense Block改进，构建Dense Block Plus编码结构单元和解码结构单元，并采用特征图谱全连接模式构建了深度卷积神经网络，减少了网络参数，增大了网络感受野。本发明以损失值最小为目标对网络进行训练，得到遥感图像道路提取模型，实现高精度和高鲁棒性的道路信息提取。
-
Patent Agency Ranking
公开(公告)号：CN113848545A
公开(公告)日：2021-12-28
申请号：CN202111018876.5
申请日：2021-09-01
Applicant: 电子科技大学
Abstract: 本发明属于计算机视觉与模式识别领域，具体为一种基于视觉和毫米波雷达的融合目标检测和跟踪方法。本发明基于不同坐标系下相同目标的运动特征相同的假设，将图像和毫米波雷达数据视为两个独立的分支进行处理。图像分支中采用CenterTrack完成对目标的跟踪、毫米波雷达分支基于卡尔曼滤波算法进行多目标跟踪，通过跟踪得到目标的短时速度曲线；然后针对跟踪得到目标的短时速度曲线后，依据不同坐标系下相同目标的运动特征相同的假设定义出两者之间的差异度，通过衡量曲线的差异度进行目标匹配。从而在不需要进行相机和毫米波雷达的联合标定的前提下，实现了毫米波雷达和摄像头的目标级融合。
-
公开(公告)号：CN110598673A
公开(公告)日：2019-12-20
申请号：CN201910902725.2
申请日：2019-09-24
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于残差网络的遥感图像道路提取系统与方法，构建了包括输入层、stem block单元、变体Res-block结构和DBlockPlus的B-DLinkNetPlus网络架构。通过基于残差网络设计变体Res-block结构，并将其作为编码模块，提升梯度反向传播到浅层网络的特性，解决梯度弥散问题。本发明优化DBlock的特征融合和特征图通道数构建DBlockPlus单元，减小了网络模型尺寸和细节信息丢失。本发明采用三个连续3×3卷积层的stem block单元，并结合空洞卷积构建B-DLinkNetPlus深度卷积网络，实现了高精度和轻量化的遥感图像道路提取系统。
-
公开(公告)号：CN114627351B
公开(公告)日：2023-05-16
申请号：CN202210149240.2
申请日：2022-02-18
Applicant: 电子科技大学
IPC: G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/09 , G06T5/20 , G06T9/00 , G01S13/89
Abstract: 本发明公开了一种基于视觉和毫米波雷达的融合深度估计方法，属于计算机视觉技术领域。本发明包括两阶段的网络，第一阶段以图像和由毫米波雷达数据得到的稀疏深度图为输入，预测稠密的粗糙深度图，考虑到毫米波雷达数据的特性，采用稀疏前置映射模块提取其特征并完成数据之间的映射；第二阶段以粗糙深度图为输入，采用更为精简的网络结构，同时在该阶段中融合前一阶段特征，旨在预测细节更加完善的深度图；同时，本发明还以nuScenes数据集为基础，构建了一个新的深度数据集。本发明在单目图像中引入毫米波雷达的测量值作为先验知识，旨在利用毫米波雷达补充视觉信息，尤其是在夜晚、雨天等视觉特征退化严重的场景，从而提升深度估计结果的准确性。
-
公开(公告)号：CN114627351A
公开(公告)日：2022-06-14
申请号：CN202210149240.2
申请日：2022-02-18
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于视觉和毫米波雷达的融合深度估计方法，属于计算机视觉技术领域。本发明包括两阶段的网络，第一阶段以图像和由毫米波雷达数据得到的稀疏深度图为输入，预测稠密的粗糙深度图，考虑到毫米波雷达数据的特性，采用稀疏前置映射模块提取其特征并完成数据之间的映射；第二阶段以粗糙深度图为输入，采用更为精简的网络结构，同时在该阶段中融合前一阶段特征，旨在预测细节更加完善的深度图；同时，本发明还以nuScenes数据集为基础，构建了一个新的深度数据集。本发明在单目图像中引入毫米波雷达的测量值作为先验知识，旨在利用毫米波雷达补充视觉信息，尤其是在夜晚、雨天等视觉特征退化严重的场景，从而提升深度估计结果的准确性。
-
公开(公告)号：CN110674742A
公开(公告)日：2020-01-10
申请号：CN201910902885.7
申请日：2019-09-24
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于DLinkNet构建的DenseNetPlus遥感图像道路提取方法，构建了包括输入层、卷积池化层、编码结构、解码结构和特征图谱全连接通道的网络架构。采用3个卷积层和平均池化层构成stem Block单元，减少了因连续降采样导致的细节信息丢失。本发明通过加入3个连续不同扩张率的空洞卷积对Dense Block改进，构建Dense Block Plus编码结构单元和解码结构单元，并采用特征图谱全连接模式构建了深度卷积神经网络，减少了网络参数，增大了网络感受野。本发明以损失值最小为目标对网络进行训练，得到遥感图像道路提取模型，实现高精度和高鲁棒性的道路信息提取。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.021 seconds)
