一种基于空域占比自适应暗通道去雾算法

针对暗通道去雾算法存在的天空区域颜色失真的问题,提出了一种基于空域占比自适应暗通道去雾算法。该算法首先引入阈值迭代法,对有雾图像天空区域进行自适应分割;接着计算有雾图像空域占比,当占比大于设定阈值0.05时,对天空区域前1%个最高亮度像素求均值作为大气光值,否则加权平均求取全局大气光值;对于非天空区域依然按照暗通道先验计算透射率,而在天空区域引入修正因子,自适应修正天空区域透射率,同时采用引导滤波对其进行细化;最后通过大气散射模型恢复无雾图像。实验结果表明,所提算法改善了天空区域颜色失真现象,有效去除了图像雾气,恢复了图像的细节信息,且时间复杂度有所降低,具有一定优势。

改进YOLOv5s的道路目标检测算法

针对目前主流的目标检测算法存在模型参数过大、不能很好地移植到移动设备端之中应用于辅助驾驶这一问题,本文提出了一种改进YOLOv5s的目标检测算法。首先,将YOLOv5s算法的主干网络CSPDarknet替换为轻量化网络模型MobileNet-V3,解决了网络模型较大、参数较多的问题,减少了网络的深度并提升了数据推断速度;其次,对特征提取网络采用加权双向特征金字塔结构Bi-FPN加强特征提取,融合多尺度特征进而扩大感受野;最后,对损失函数进行优化,使用CIoU为边界框回归损失函数,改善模型原始GIoU收敛速度较慢问题,使预测框更加符合于真实框,同时降低网络训练难度。实验结果表明,改进后算法在KITTI数据集上的mAP相较于YOLOv5s、SSD、YOLOv3、YOLOv4_tiny分别提升了4.4、15.7、12.4、19.6,模型大小相较于YOLOv5s与轻量级网络YOLOv4_tiny分别减少了32.4 MB和21 MB,同时检测速度分别提升了17.6%与43%。本文改进后的算法满足模型小、精确度高的要求,为辅助驾驶中道路目标检测提升检测速度与精度提供了一种解决方案。

轻量化网络模型的道路目标检测算法

根据实际需求,在道路目标检测过程中需要快速、准确地识别出目标的种类,针对YOLOv3目标检测算法在道路目标检测过程中存在速度慢、检测精确率不高的问题,提出了一种兼顾轻量化与检测精确率,并且可部署于移动端的轻量化卷积神经网络算法YOLOv3_M。使用ISODATA动态聚类算法对BDD与KITTI混合数据集聚类分析,找出更适合目标的Anchor Box;用MobileNetv3-Large网络代替原始YOLOv3网络中的特征提取网络Darknrt53,在降低主干网络复杂度的同时可以减小模型的参数;在特征融合网络部分加入CBAM注意力机制。实验结果表明,改进后的YOLOv3_M算法在混合数据集上测试的平均精度均值(mean Average Precision,mAP)提升了3.45%,推断速度比YOLOv3算法增加了17.5帧/秒,具有较好的实用性。

基于改进行方向的车道线检测

近年来车道线检测逐步向深度学习领域发展,然而基于分割的形状描述对车道线效率低下,同时如YOLO系列检测算法不适用于车道线这种细长、弯曲的物体。针对上述问题,提出一种基于改进行方向的车道线检测方法。选取ResNet作为主干网络,加入了特征金字塔网络(Feature Pyramid Network,FPN)用于提取多尺度特征,并使用特征传递架(Feature Transfer Architecture,FTA)模块进行上下文信息的融合。对于车道线实例区分,将实例检测应用于车道线,通过预测热图来检测车道线实例起始点,并回归相对应的一组卷积参数。对于车道线形状预测,采用行分类方法并进行改进。使用逐行位置选择公式来确定车道线的点集,使用车道线在特征图上与真实位置的偏移量来细化每条车道线的形状,降低了FP值,实现了对车道线的预测。在实验平台上使用Tusimple、CuLane两大基准数据集进行验证,取得了良好的指标与检测效果。

基于改进YOLOv4模型的交通标志检测

针对交通标志在图像中占据位置小、检测精度较低的问题,提出了一种基于YOLOv4的改进交通标志检测方法。在YOLOv4算法结构上去掉了19×19的大感受野检测层,加入152×152的尺度检测层;在算法中引入注意力机制,在主干网络提取的3个特征层后加入高效通道注意力(Efficient Channel Attention,ECA)模块,使网络关注有用信息,提高算法检测能力;同时为了加快网络的收敛,利用K-means聚类算法重新生成网络的先验框。通过对TT100K交通标志数据集检测效果的平均精度均值评估,mAP达到84.95%,比YOLOv4提高了4.58%。实验结果表明,相比于YOLOv4,所提交通标志检测模型对于图像中较小的交通标志具有更好的检测性能,更能达到实际需求。

基于模式遗传混合搜索算法的PID参数优化

针对模式识别算法全局性不好,对约束问题存在不稳定收敛等问题,设计了一种基于模式遗传混合算法。为了改进模式搜索算法的全局搜索能力,在模式算法中引入了信息向量用于表达每个方向的搜索状态,适时调整搜索速度,并用轴向增益改进组合模式搜索,模式不成功转入遗传交叉搜索。通过标准函数测试比较,改进的模式遗传算法具有较好的全局搜索能力,且精度高,速度快。把改进的模式遗传搜索方法用于实际微分PID控制器的参数优化,与遗传算法等多种方法的结果相比,优化性能满意。

基于随机差分进化算法的最优PID参数整定方法

针对PID(Proportion Integration Differentiation)控制参数整定方法的经验性,在差分进化算法寻优的基础上,提出一种基于随机差分进化(Stochastic Differential Evolution,SDE)算法的最优PID参数整定方法。将差分进化算法进行改进,引入随机变异和随机学习因子,同时选择精英个体进行交叉,既保证了种群的多样性,又提高了算法的优化速度和精度。以ITAE为误差指标进行差分算法的PID参数整定,通过大量的参数整定结果结合内模PID控制理论,提取出PID参数整定公式。最终结合基于随机差分进化算法的高阶系统用一阶时滞系统近似,解决高阶系统的参数整定。通过Matlab验证,该公式得到了更好的PID整定结果,较普通PID参数整定公式和智能算法PID参数整定效率更高。