-
公开(公告)号：CN115063975A
公开(公告)日：2022-09-16
申请号：CN202210648480.7
申请日：2022-06-09
Applicant: 长安大学
Abstract: 本发明属于交通控制技术领域，公开了一种短时交通流数据预测方法、系统、计算机设备及存储介质，包括：获取待预测区域以及待预测区域各相关区域的历史交通流数据；根据待预测区域的历史交通流数据，得到待预测区域当前时段的周期性交通流数据，以及结合待预测区域各相关区域的历史交通流数据，通过预设的时空特征选择方法，得到待预测区域的最优相关历史交通流数据；获取待预测区域当前时段的外部特征影响因素数据，并将待预测区域当前时段的外部特征影响因素数据、当前时段的周期性交通流数据及最优相关历史交通流数据输入预设的交通流预测模型，得到待预测区域的交通流数据短时预测值，有效提升了短时交通流数据预测的准确性。
-
公开(公告)号：CN113139446A
公开(公告)日：2021-07-20
申请号：CN202110391084.6
申请日：2021-04-12
Applicant: 长安大学
Abstract: 本发明公开了一种端到端自动驾驶行为决策方法、系统及终端设备，属于自动驾驶领域。通过嵌入注意力机制的卷积神经网络提取场景空间位置特征，构建空间特征提取网络，准确解析场景目标空间特征及语义信息；通过嵌入时间注意力机制的长短期记忆网络编码‑解码结构捕捉场景时间上下文特征，构建时间特征提取网络，理解记忆场景时间序列信息；本发明综合场景空间信息与时间序列信息，同时结合注意力机制为关键视觉区域和运动序列赋予较高权重，使得预测过程更符合人类驾驶员的驾驶习惯，预测结果更加准确。
-
公开(公告)号：CN115631474A
公开(公告)日：2023-01-20
申请号：CN202211141783.6
申请日：2022-09-20
Applicant: 长安大学
IPC: G06V20/56 , G06V10/82 , G06V10/774 , G06V10/80 , G06N3/044 , G06N3/045 , G06N3/0464 , G06N3/088 , G06N3/094
Abstract: 本申请涉及雾天目标检测模型训练方法及雾天目标检测方法，将无监督循环一致性对抗网络应用于特征空间，提出一种特征增强模块，聚焦于使用任意清晰图像来增强低层网络提取的雾霭特征，实现任意清晰图像与雾霭图像特征空间对齐，在不牺牲清晰环境下目标检测性能的基础上，提高现有模型雾天环境下的目标检测性能，为促进自动驾驶技术产业落地提供一种有效可靠的方法。
-
公开(公告)号：CN108875640B
公开(公告)日：2022-04-05
申请号：CN201810638850.2
申请日：2018-06-20
Applicant: 长安大学
Abstract: 本发明公开了一种端到端无监督场景可通行区域认知能力的测试方法，通过将路面信息显示于测试区域地面，不仅能够将真实的路面信息进行复现，还能够采用该种方式显示丰富的路面环境；利用路面信息显示于测试区域地面，能够使被测试系统在测试时，获得实际路测相同的检测环境；采用全息技术的方法，能够真实、立体的复现路面上的物体，使测试环境更接近于真实环境；采用不同环境进行测试的方式得到不同路面场景信息检测不同场景下的可通行区域，能够全方面的评估可通行区域检测系统的认知能力；从而能够综合体现可通行区域检测系统的认知能力；本发明的测试方法能够为无人驾驶智能车在实际路测之前提供一种有效的、低风险的测试与评估手段。
-
公开(公告)号：CN108876805B
公开(公告)日：2021-07-27
申请号：CN201810636311.5
申请日：2018-06-20
Applicant: 长安大学
Abstract: 本发明公开了一种端到端无监督场景路面区域确定方法，通过构建道路位置先验概率分布图并将其作为检测网络的特征映射直接附加到卷积层中，构建一种融合位置先验特征的卷积网络框架，然后结合全卷积网络和U‑NET构建深度网络架构—UC‑FCN网络，将构建的可通行区域位置先验概率分布图作为深度网络架构‑UC‑FCN网络的一种特征图映射，生成UC‑FCN‑L网络；基于消失点检测方法对可通行区域进行检测并将得到的检测结果作为训练数据集的真值对UC‑FCN‑L网络进行训练，得到用于可行驶区域提取的深度网络模型，解决了可通行区域标签困难的问题，适用性强，可在多种道路环境下稳定工作，且实时性较好，本方法检测准确率高，适应性、实时性与鲁棒性好，方法简单有效。
-
Patent Agency Ranking
公开(公告)号：CN111339967A
公开(公告)日：2020-06-26
申请号：CN202010131268.4
申请日：2020-02-28
Applicant: 长安大学
Abstract: 本发明公开了一种基于多视域图卷积网络的行人检测方法，采用卷积神经网络从待处理图像进行特征提取，对提取的特征图像进行多次池化、卷积处理得到预处理特征图像，然后采用多视域池化金字塔提取中得到的预处理特征图像的多尺度特征信息特征图，然后进行人体图卷积得到多个人体图卷积后的特征图，采用Nbox个锚点的预测框分别对人体图卷积后的特征图中的人体目标区域进行预测并识别，完成预测框及预测类别概率值，使用最大池化构建多视域特征金字塔，提高了检测效率，本发明能够有效且高效地处理行人检测中的尺度变化和遮挡问题。
-
公开(公告)号：CN109002764A
公开(公告)日：2018-12-14
申请号：CN201810628664.0
申请日：2018-06-19
Applicant: 长安大学
Abstract: 本发明公开了一种交通标志图像识别模型构建方法及识别方法，本发明提供的方法通过构建两个卷积神经网络模型，一个是交通标志区域提取模型，用于从原始图像中将仅含有交通标志区域的图像提取出来，另外一个是交通标志识别模型，用于对提取出的仅含有交通标志的图像进行识别，获得该幅图像中的交通标志的识别结果；本发明提供的交通标志识别模型基于改进的ZF卷积神经网络，结合空间变换网络，训练得到应用于交通标志识别的网络模型，能够避免交通标志扭曲，形变造成的错识别问题，提高交通标志识别率；交通标志区域提取模型是在ZF卷积神经网络上改进的，设置四个不同尺度的提取区域进行交通标志区域提取，增加了交通标志识别精准率。
-
公开(公告)号：CN118626773A
公开(公告)日：2024-09-10
申请号：CN202410643994.2
申请日：2024-05-23
Applicant: 长安大学
IPC: G06F18/15 , G06F18/213 , G06F18/25 , G06F17/16
Abstract: 本申请涉及一种基于非完整轨迹的车辆轨迹预测方法，该方法从不同的时间粒度捕捉车辆的多尺度表征，从而减轻缺失值对车辆轨迹预测的负面影响；此外，利用轨迹缺失模式自适应地计算不同时间步的信息增量，然后利用信息增量获取对缺失模式不敏感的连续性表征，以指导模型输出符合运动一致性的预测结果。
-
公开(公告)号：CN115410162A
公开(公告)日：2022-11-29
申请号：CN202210862496.8
申请日：2022-07-21
Applicant: 长安大学
Abstract: 本发明公开了一种复杂城市道路环境下的多目标检测与跟踪方法：步骤1：构建训练集和测试集；步骤2：在现有的DLA34骨干网络基础上逐层增加特征融合模块实现输入图像的深浅层网络特征融合；步骤3：采用Transformer编码模块提取特征图中长距离特征依赖关系；步骤4：通过进一步特征融合及逻辑回归处理；步骤5：利用多目标跟踪模块进行目标关联处理与跟踪，得到带有目标检测框的跟踪特征图；步骤6，得到训练好的多目标检测与跟踪模型；步骤7，将待检测的视频数据输入训练好的多目标检测与跟踪模型，得到带有目标检测框的跟踪特征图。本发明能够在复杂城市道路环境下对多目标进行准确的目标检测和跟踪，可稳定识别外观尺度变化较大的目标。
-
公开(公告)号：CN109241865B
公开(公告)日：2022-05-31
申请号：CN201810925021.2
申请日：2018-08-14
Applicant: 长安大学
IPC: G06V20/54 , G06V10/26 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种弱对比度交通场景下的车辆分割算法方法，通过确定交通场景下的车辆分割任务建立分割目标的数据库，并训练全卷积神经网络语义分割模型通过训练好的全卷积神经网络的对弱对比度交通场景下的前方车辆进行初步分割，从而得到车辆的概率图与分割结果接着对分割结果图进行平滑滤波及去噪操作，去除因为语义分割中反卷积操作而造成的噪点和微小空洞接着将去噪后的分割结果图映射回原图，对原图进行均值漂移语义分割从而得到细化的分割结果，最后将卷积神经网络模型的分割结果、均值漂移分割得到分割结果与卷积神经网络得到的前车概率图按照合并规则进行区域合并，从而实现弱对比度交通环境下的车辆细化分割。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.036 seconds)
