1 长安大学汽车学院,陕西 西安 710018
2 长安大学信息工程学院,陕西 西安 710018
为了提升雨天车辆检测的精度,解决智能网联汽车的车辆检测系统受雨纹干扰导致精度衰退的问题,提出一种雨天车辆检测的两阶段渐进式图像去雨算法。该算法搭建了以轻量级特征提取与加权模块、高效率特征传递与融合模块为核心的两阶段渐进式去雨网络,实现了对雨纹信息的挖掘与捕获,完成了雨纹的精准去除。为了验证所提算法的有效性,融入基准车辆检测器YOLOv5,对输入YOLOv5的去雨图像进行检测。同时根据智能网联汽车的工作环境构建了混合车辆数据集。在该数据集上的结果表明:雨天交通场景下,相比其他算法,所提去雨算法对基准车辆检测器YOLOv5的精确率、召回率、mAP@0.5的增益分别为3.0个百分点、8.9个百分点、7.6个百分点,证明所提去雨算法能够显著提升对雨天车辆的检测精度,可应用于实际场景。
图像处理 图像去雨 图像增强 两阶段渐进式图像去雨算法 车辆检测 激光与光电子学进展
2023, 60(22): 2210006
1 中国石油大学(北京) 信息科学与工程学院, 北京02249
2 中国石油大学(北京) 石油数据挖掘北京市重点实验室, 北京1049
针对遥感影像车辆检测中背景干扰、目标密集和目标异质性等因素引起的识别精度下降问题,提出了一种融合超像素与多模态感知网络的遥感影像车辆检测方法。首先,基于混合超像素的区域合并规则,通过超像素二分图融合算法将两种模态的超像素分割结果进行融合,提升了不同模态图像超像素分割结果的准确性;其次,提出一种多模态边缘感知网络的遥感影像车辆检测方法MEANet (Multi-modal Edge Aware Network),引入OPT-FPN模块(Optimized Feature Pyramid Networks)来增强网络学习多尺度目标特征的能力;最后,通过边缘感知模块聚合超像素和多模态融合模块生成的两组边缘特征,进而生成车辆目标的准确边界。在ISPRS Potsdam和ISPRS Vaihingen遥感影像数据集上进行实验,最终的
![]()
![]()
分数分别为91.05%和85.11%。实验结果表明,本文提出的方法在多模态遥感影像车辆高精度检测中有着较好的检测准确度和较好的应用价值。
超像素 多模态感知 遥感影像 车辆检测 super pixel multimodal perception remote-sensing image vehicle detector
1 北方工业大学电气与控制工程学院,北京 100144
2 北方工业大学信息学院,北京 100144
3 华北电力大学控制与计算机工程学院,北京 102206
智能交通系统的建立离不开车辆检测技术。目前的主流方案是使用卷积神经网络(CNN)架构进行车辆检测,然而在复杂交通场景中,远距离小目标像素点少,CNN的下采样机制导致提取的特征缺乏充足的上下文信息,因而小目标检测面临极大挑战。针对这个问题,提出了一种基于视觉Transformer的小目标车辆检测算法。所提算法通过改进Transformer的线性嵌入模块,补充小目标的线性嵌入信息;对图像进行层级构建,每层仅对局部进行关系建模,同时扩大感受野,代替CNN提取出更强有力的小目标车辆特征,实现端到端的精确检测。在UA-DETRAC车辆数据集上进行验证,实验结果表明,改进后的车辆检测算法提高了对远距离及严重遮挡情况下小目标的检测性能,检测精度达到99.0%。
机器视觉 车辆检测 小目标 图像增强 视觉Transformer 激光与光电子学进展
2022, 59(18): 1815016
1 沈阳理工大学自动化与电气工程学院, 沈阳 110000
2 中共辽宁省委党校, 沈阳 110000
针对传统目标检测算法对航拍影像中的车辆等小目标检测效果差的问题, 提出一种基于改进Faster R-CNN的无人机地物车辆检测算法。该算法在原始Faster R-CNN网络的基础上融合了FPN作为基础网络模型——FFRCNN, 采用ResNet-50代替原始VGG-16作为主要骨干网络进行多特征融合, 使用Focal Loss损失函数改善正负样本不均衡的情况。在改进网络的基础上, 使用空洞卷积将多尺度空间的特征信息进行融合, 提高网络的感受野, 更好地收集图像的上下文信息。实验结果表明, 改进后的检测算法平均精确度达到93.8%, 相较于原FFRCNN网络, 平均精确度提升了19.2%, 具有更好的鲁棒性。
深度学习 空洞卷积 车辆检测 deep learning Faster R-CNN Faster R-CNN Focal Loss Focal Loss atrous convolution vehicle detection
上海师范大学环境与地理科学学院,上海 200234
伴随着城市的发展,车辆数量在不断地增加。这一现象不仅增加了城市拥挤状态,而且还促使交通事故频发。要提高城市治理能力,就必须提高对城市车辆的监测能力。使用无人机对上海、赤峰地区的四个场景进行了低空摄影,获取了航空遥感影像数据,然后结合深度学习的Unet卷积神经网络技术对无人机影像中的车辆进行了单目标提取。结果表明,深度学习对无人机影像中车辆的识别能力远高于传统机器学习中的随机森林方法,达到了99%的超高精确度,且每个场景内汽车数的估算结果与真实数量极其接近。根据研究结果可知,将无人机和深度学习技术相结合的车辆检测方法具备实时性和现实可行性,可为城市的车辆实时监测和交通管理提供可靠的技术手段。
深度学习 无人机 遥感 车辆检测 城市管理 deep learning UAV remote sensing vehicle detection urban management
1 中国科学院 光电信息处理重点实验室,辽宁沈阳006
2 中国科学院 沈阳自动化研究所,辽宁沈阳110016
3 中国科学院 机器人与智能制造创新研究院,辽宁沈阳110169
4 中国科学院大学,北京10009
为了解决点云处理过程中空间信息损失的问题,同时在融合过程中最大程度地提取可见光图像的纹理信息,本文提出了一种基于特征切片的激光点云与可见光图像融合车辆检测方法(FVOIRGAN-Detection)。在CrossGAN-Detection方法中加入了FVOI(Front View Based on Original Information)的点云处理思路,将点云投影到前视角度并把原始点云信息的各个维度切片为特征通道,在不降低网络性能的情况下显著提高点云信息利用效率。并且引入了相对概率的思想,采用鉴别器鉴别图像的相对真实概率替代绝对真实概率,使得融合图像提取的纹理信息更加接近真实的纹理信息。在KITTI数据集上进行检测性能实验验证结果表明,本文方法在容易、中等和困难三个类别中的AP指标分别达到97.67%、87.86%和79.03%。在光线受限的场景下,AP指标达到了88.49%,与CrossGAN-Detection方法相比提高了2.37%,提高了目标检测的性能。
点云处理 空间信息 相对概率 GAN 特征切片 车辆检测 point cloud processing spatial information relative probability GAN feature slice vehicle detection 光学 精密工程
2022, 30(12): 1478
1 南京信息工程大学 自动化学院, 江苏 南京 210044
2 江苏省大气环境与装备技术协同创新中心, 江苏 南京 210044
3 南京信息工程大学 无锡研究院, 江苏 无锡 214100
车辆检测是车辆识别和跟踪的重要前提。为解决传统车辆检测算法无法兼顾检测的准确性与实时性的问题, 本文提出一种基于实时交通状况和自适应像素分割的运动车辆检测算法。该算法采用多帧间隔图像建立初始背景模型, 提出基于时-空变化度的背景区域变化评价方法, 并基于时-空变化度制订了自适应的学习率更新策略。通过设置一个信任区间, 并根据当前交通状况和像素点是否处于信任区间内来判断当前的背景模型是否需要更新, 进而实现对运动车辆的准确、快速检测。改进后的像素自适应分割算法在不同场景中检测的性能指标Recall、Precision和F-measure分别达到0.929, 0.864, 0.888, 均高于传统像素自适应分割算法, 且算法的处理时间为88.37 ms, 比传统像素自适应分割算法的运算速度快近10 ms, 基本满足车辆检测所需的速度快、精度高、鲁棒性高等要求。
智能交通系统 车辆检测 像素自适应分割 时-空变化度 信任区间 背景模型 intelligent transportation system vehicle detection pixel-based adaptive segmentation time-space variation degree trust interval background model