1 东华大学信息科学与技术学院，上海 201620
2 东华大学数字化纺织服装技术教育部工程研究中心，上海 201620
为了提高夜间无人车驾驶的决策速度，减少夜间交通事故发生的概率，对无人驾驶场景预测任务进行了研究。提出了基于卷积长短时记忆的双通道编码夜间无人车场景预测网络，利用两个子网络：时间子网络提取红外视频序列的时序特征，空间子网络提取红外图像的空间特征，通过融合网络融合特征，输入到解码网络中，以实现对红外视频的未来帧预测。该网络具有端到端的优点，能够实现输入视频序列，直接输出预测帧的图像，并可以预测多帧图像。实验结果表明，该网络对夜间场景预测较准确，可以预测未来 1.2 s后的图像，预测速度快，为 0.02 s/帧，达到了实时性要求。
红外图像 场景预测 卷积长短时记忆 编码网络 infrared image, scene prediction, convolutional lo
相比传统目标跟踪算法,基于相关滤波的目标跟踪算法跟踪精度更高、实时性更好,但当目标被遮挡或超出视野时,难以提取目标特征、正确定位检测窗口,容易导致目标跟踪失败或漂移。因此,提出了一种基于置信度的并行相关滤波跟踪算法。首先,使用一种新的置信度评价方法判断目标是否被遮挡或存在异常情况。其次,在置信度的基础上,用组合权重融合两种不同的跟踪器,构建并行相关滤波跟踪算法,以提高算法的跟踪精度和鲁棒性。最后,为了防止模型污染,对两种滤波器模型采取自适应权重更新策略。在OTB-2013和OTB-2015数据集上进行实验,结果表明,相比传统算法,本算法在跟踪精度和成功率上均有显著提升。
图像处理 相关滤波 目标跟踪 置信度 自适应学习率 并行跟踪 激光与光电子学进展
2020, 57(20): 201017
1 东华大学信息科学与技术学院, 上海 201620
2 东华大学数字化纺织服装技术教育部工程研究中心, 上海 201620
提出对图像和激光雷达点云数据进行3D目标检测的改进F-PointNet(Frustum PointNet)。首先利用图像的2D目标检测模型提取目标2D区域,并将其映射到点云数据中,得到该目标的点云候选区域,然后预测候选区域的3D目标掩模,最后利用掩模对3D目标进行检测。当预测掩模时,提出的宽阈值掩模处理可以用来减少原始网络的信息损失;增加注意力机制可以获取需要被关注的点和通道层;使用Focal Loss可以解决目标与背景不平衡的问题。通过多次对比实验,证明宽阈值掩模处理可以提高3D目标检测的准确率,同时注意力机制和Focal Loss可以提高预测的准确率。
机器视觉 激光雷达 点云数据 3D目标检测 宽阈值掩模处理 激光与光电子学进展
2020, 57(20): 201508
