结合超像素的交通场景小目标改进语义分割算法

交通场景图像语义分割是自动驾驶和智能交通等领域的重要研究问题之一。针对交通场景图像中小目标分割精度低的问题,提出一种以全卷积网络和超像素为基础的交通场景小目标改进语义分割算法。首先,基于全卷积网络获得粗糙语义分割结果,提取小目标的位置信息。其次,定位小目标各像素点对应超像素,并提取该超像素内各像素点的类别标签。最后,用超像素内最大可能性的类别为小目标重新标注语义标签。实验结果表明,所提算法能够提高小目标分割的准确率,对道路场景图像语义分割性能的提高是有效的。

融合多尺度深度卷积的轻量级Transformer交通场景语义分割算法

针对交通场景语义分割算法中存在的易融入周围背景的纤细条状目标分割不连续、模型参数量大等问题,提出一种融合多尺度深度卷积的轻量级Transformer交通场景语义分割算法。首先,基于深度卷积构建多尺度条形特征提取模块,在不同尺度下增强对纤细条状目标特征的表示能力。其次,在浅层网络中利用卷积归纳偏置特性设计空间细节辅助模块,以弥补深层空间细节信息的丢失来优化目标边缘分割。最后,提出基于Transformer-CNN框架的非对称编解码网络,编码器结合Transformer与CNN减少细节信息丢失并降低模型参数量;而解码器采用轻量级的多级特征融合设计来进一步建模全局上下文。所提算法在Cityscapes和CamVid交通场景公开数据集上分别取得的平均交并比为78.63%和81.06%,能够在交通场景语义分割中实现分割精度和模型大小之间的权衡,具备良好的应用前景。

面向交通场景解析的局部和全局上下文注意力融合网络

为解决交通场景解析中局部和全局上下文信息自适应聚合的问题,提出3模块架构的局部和全局上下文注意力融合网络(LGCAFN)。前端的特征提取模块由基于串联空洞空间金字塔池化(CASPP)单元改进的ResNet-101组成,能够更加有效地提取物体的多尺度局部特征;中端的结构化学习模块由8路长短期记忆(LSTM)网络分支组成,可以更加准确地推理物体邻近8个不同方向上场景区域的空间结构化特征;后端的特征融合模块采用基于注意力机制的3阶段融合方式,能够自适应地聚合有用的上下文信息并屏蔽噪声上下文信息,且生成的多模态融合特征能够更加全面且准确地表示物体的语义信息。在Cityscapes标准和扩展数据集上的实验结果表明,相较于逆变换网络(ITN)和对象上下文表示网络(OCRN)等方法,LGCAFN实现了最优的平均交并比(mIoU),达到了84.0%和86.3%,表明LGCAFN能够准确地解析交通场景,有助于实现车辆自动驾驶。

融合注意力机制与重影特征映射的无人机交通场景目标轻量级语义分割

针对轻量语义分割算法应用于无人机高分辨率交通场景图像分割时存在边缘信息模糊、小目标特征提取准确性较差的问题,提出一种融合注意力机制与重影特征映射的轻量级语义分割算法。首先在BiSeNet V2算法语义分支8倍和16倍下采样过程嵌入混合注意力模块,重新分配深层特征图权重,增强局部关键特征提取能力;然后采用重影特征映射单元优化传统卷积层,进一步降低运算成本;最后使用动态阈值损失函数监督训练,调节高损失困难样本训练权重。利用UAVid数据集对改进后的算法进行训练并测试,发现算法平均交并比(mean intersection over union,mIoU)为52.7%,较改进前的模型提升7.8%,且当输入图像尺寸为1280×736时推理速度达到81.6 FPS,满足实时分割要求。结果表明,该算法能较好适应复杂交通场景,有效改善边缘信息模糊和小目标分割准确性较差的问题。

双注意力引导的跨层优化交通场景语义分割

针对交通场景目标分割边缘不平滑以及小目标难以准确分割等问题,本文提出一种双注意力引导的跨层优化交通场景语义分割算法。首先,构建多分支特征提取编码网络,并利用串行非比例式空洞卷积实现空间上下文信息提取,进而改善小目标信息的丢失;其次,构建基于空间对齐的跨层特征融合解码网络,实现语义信息和细节信息的融合,增强不同尺度目标的表达能力;最后,提出通道和空间注意力机制,建模全局通道相关性和长距离位置相关性,增强网络对关键特征的学习能力。交通场景数据集Cityscapes和CamVid上的实验结果表明,所提特征提取编码网络、跨层特征融合解码网络以及注意力机制模块是有效的;所提语义分割算法获得了77.79%和78.66%的平均交并比,能够平滑目标分割边缘,尤其对细长条形目标具有鲁棒性。

基于生成对抗网络的自动驾驶交通场景生成

自动驾驶汽车是智能交通的重要组成部分,也是未来交通的发展趋势。提高自动驾驶技术的可靠性需要对自动驾驶汽车进行广泛的测试。然而,进行实车路测成本高昂且风险较高。如何建立模型生成多样且真实的交通场景,在测试自动驾驶技术的时候显得尤为重要。针对自动驾驶交通场景生成问题,提出了一个基于生成对抗网络的交通场景生成模型TSG-GAN。TSG-GAN模型利用丰富的交通场景数据(如车道的几何形状、人行横道、交通信号、周围车辆等)快速生成真实且多样的交通场景。在设置车辆驾驶意图的情况下,TSG-GAN模型可以精确地生成现实中未观察到的真实交通场景。通过在公开数据集上进行测试,验证了该模型的有效性。

交通场景下基于YOLOv5的目标检测与分割算法

目标检测和语义分割被广泛应用在自动驾驶领域,包括对车辆、行人、车道线的检测。而目前大部分算法仅仅实现一种任务,不能满足对多重环境信息感知的需求。针对上述问题,提出了一种联合训练目标检测和语义分割的YOLOSeg算法。使用MobileNetv3作为YOLOSeg中的特征提取网络,减少了模型的参数量。PANet用于融合不同尺度的特征图,增加对小目标信息信息的捕捉能力。在语义分割分支中利用空洞卷积池化金字塔增加感受野,通过双线性插值得到图像分割结果。实验结果表明,该方法图像分割速度相较RefineNet提升35帧/s。平均交并比提升4.9%。目标检测的mAP@0.5相较YOLOv5s提升1.3%。YOLOSeg平衡了在复杂交通场景中对检测精度和速度的要求。

有雾环境下的交通场景目标检测方法

针对有雾的交通场景目标检测问题,本文提出了图像复原与目标检测的混合模型。首先建立大气光照散射的物理模型,依据图像的先验信息,估算模型参数,通过含雾图像复原出清晰的图像,然后在YOLOv4预训练模型的基础上,研究有雾交通场景目标检测算法。有雾场景的目标检测,容易误检和漏检,实验结果表明,本文提出的方法能够有效完成有雾环境下交通场景的行人与车辆检测。

交通场景数字孪生构建与虚实融合应用研究

数字孪生连接物理世界和信息世界,为复杂交通问题的分析与解决提供了新的思路。在梳理数字孪生基础概念、发展历程和关键技术的基础上,对交通场景数字孪生的研究与应用现状进行综述;结合交通运行的要素特征,从"人—车—路—环境"4个方面对交通场景数字孪生构建亟待突破的关键技术进行分析;对数字孪生在运载工具研制、重要基础设施智能运维、无人驾驶虚拟测试、交通问题的分析与实验等方面的应用前景进行了展望。

基于卷积神经网络的交通场景语义分割方法研究

为提高交通场景的语义分割精度,提出一种基于RGB-D图像和卷积神经网络的分割方法。首先,基于半全局立体匹配算法获取视差图D,并将其与RGB图像融合成四通道RGB-D图像,以建立样本库;其次,对于2种不同结构的卷积神经网络,分别采用2种不同的学习率调整策略对网络进行训练;最后,对训练得到的网络进行测试及对比分析。实验结果表明,基于RGB-D图像的交通场景语义分割算法得到的分割精度高于基于RGB图像的分割算法。

一种改进的自适应阈值SSDA的视频拼接算法——在交通场景中的研究与应用

研究并实现了一种改进的自适应阈值SSDA的视频拼接算法,并将其应用在交通领域。主要从倾斜校正,帧图像配准,无缝拼接三个方面进行了研究与论证,实验结果表明,这种改进的自适应阈值SSDA的图像配准方法,减少了计算量并提高了视频拼接的效率,有利于交管部门对路况信息数据的回放和存储,减少数据量。

基于三维模型的交通场景视觉监控(英文)

视觉监控是计算机视觉研究的前沿方向 .动态场景视觉监控就是利用计算机视觉和人工智能的理论和方法 ,通过对摄像机拍录的图像序列进行自动分析来对场景中的运动物体进行定位、跟踪和识别 ,并对物体的运动行为作出判断或者解释 ,达到监控的目的 .本文结合交通场景监控这一特定任务 ,实现一个包括摄像机标定、模型可视化、运动车辆的姿态优化与定位、跟踪预测、基于轨迹分析的行为理解等功能算法的交通场景视觉监控系统 .从算法和实现的角度出发 。

结合单双行人DPM模型的交通场景行人检测

针对日常交通场景下,行人目标易被遮挡,影响行人检测效果的问题,提出一种结合单行人和双行人DPM模型的交通场景行人检测方法.该方法首先从INRIA、ETH等行人数据集中提取训练样本的DPM特征,通过Latent SVM方法训练得到单、双人DPM模型;然后采用分类检测方法,将交通场景行人分为单独分布行人和混合分布行人两类.检测时首先使用双行人模型SDP-DPM对目标图像进行目标匹配,如果没有检测到双行人目标,则判定为单独分布行人情况,转而使用单行人模型SP-DPM进行检测,并保存检测结果;如果检测到双行人目标,则判定为混合分布行人情况,此时先保存对应的双行人滤波响应,再使用单行人模型进行二次检测,并将两次检测的结果进行加权结合.实验结果表明,本文算法能够在行人相互遮挡严重的交通环境下,有效检测出行人,整体精度优于传统的DPM算法和当前行人检测的主要流行算法.

智能车辆在城区交通场景中的多类障碍物识别

针对智能车辆在城区交通场景中的前向障碍物识别,提出了一种基于集成学习改进的二叉树支持向量机(BT-SVM)的多类分类方法。根据城区交通场景中各类障碍物的出现概率、模式类别差异,设计了适用于智能车辆障碍物识别的BT-SVM树型结构;对每个节点分类器,采用AdaBoost集成学习方法进行改进,有效减少了差错积累误差,提高了分类精度和泛化能力。试验表明该方法能有效地对城区交通场景中6类常规障碍物模式进行实时在线识别。

基于多级Sigmoid神经网络的城市交通场景理解

交通场景的理解是交通监控、汽车安全辅助驾驶的基础。提出一种基于多级Sigmoid神经网络的城市交通环境理解方法。将5个3D结构特征与物体外观特征相结合表征城市交通环境,为了提高交通环境识别率,采用多级Sigmoid神经网络(MSNN)进行图像分割与识别。在公共测试视频数据库CamVid dataset进行实验,实验结果表明了该方法的有效性。

动态虚拟智能交通场景的研究与实现

在微观交通仿真系统中,三维虚拟交通场景主要研究静态物体的构建,对交通环境中各种动态因素研究较少。该文探讨虚拟交通场景中虚拟汽车的视觉感知行为和决策行为,给出视觉感知图和模糊神经网络决策图,在此基础上利用EONSDK技术构建动态虚拟智能交通场景平台,提高了虚拟交通环境的真实性,而且可以定制不同交通环境和模拟不同交通事故场景。

基于发动机在环的交通场景对重型车排放和油耗影响

研究了交通场景对重型柴油车排放和油耗的影响。选取一辆最大设计总质量24.5 t的自卸车,采用发动机在环(EIL)的方法,建立了车辆、道路和驾驶员模型。分析了长时间怠速后车辆再起动时选择性催化还原器(SCR)温度、拥堵状态停车时长和载荷对油耗和排放的影响。结果表明:当SCR温度在起喷温度附近时,车辆再次起动或加速行驶时,NOx排放较高。拥堵状态停车后,SCR温度显著降低,停车时间越长,NOx排放越高。满载和空载情况下,停车时间对颗粒物数量(PN)排放影响不大,但满载时PN排放显著增加。车辆载荷增加会降低制动比油耗(BSFC)和CO_(2)比排放,同时增加PN和NOx排放,但NOx排放在一定程度上会先增加后减小。

基于深度学习的交通场景语义描述

对复杂交通场景进行准确的语义描述,一直是图像视觉领域的难题。交通场景复杂多变,对图像场景的理解容易受到光线变化、物体遮挡等因素的干扰。针对这一问题,提出了一种基于注意力机制的交通场景语义描述方法。使用卷积神经网络(CNN)和循环神经网络(RNN)相结合的方式,产生对交通场景的端对端描述。交通目标种类繁杂,为了产生带有明显区分度的场景描述,在语言模型中引入了注意力机制。为了验证新算法的有效性,分别在Flickr8K、Flickr30K和MS COCO 3个基准数据库上进行了实验。结果表明,在不同评估方法下,算法准确率分别提升了8.6%,12.4%,19.3%和21.5%。同时,通过定性分析验证了算法在光线变化、异常天气环境、道路显著目标和多种交通工具等4种不同的复杂交通场景下,都具有良好的鲁棒性。

动态交通场景下基于时空导航地图的行驶轨迹规划方法

针对高动态结构化道路高速自动驾驶场景下,无人驾驶汽车路径规划问题,提出一种基于时空导航地图的行驶轨迹规划方法。通过引入时间维度作为参考,结合多目标行为预测等手段,将感知结果投影至三维时空导航地图;通过增加时间维度,静态障碍物和动态障碍物被统一到同一参数空间中。在该参数空间下,通过前端A*路径搜索初始化均匀B-样条曲线控制点,设计轨迹代价函数,进行非线性优化,生成一条符合安全无碰撞和车辆运动约束(速度、加速度限制)的时空轨迹,从而将二维Frenet动态物理空间下决策与规划问题转化为三维时空下静态场景决策与规划问题。通过仿真验证,所提出的轨迹规划方法全过程平均耗时51.27 ms,满足无人驾驶汽车行驶要求。并且,通过调整A^(*)算法的搜索条件,使其较传统算法搜索速度提高27.86%,提升了整体规划效率。

基于虚拟现实技术的典型动态交通场景的设计与实现

驾驶人是影响道路交通安全的主要原因,而使用汽车驾驶模拟器模拟危险的交通环境,对驾驶人进行培训可以有效提高驾驶人的应急操作技能和安全意识水平,对于减少和预防道路交通事故的发生具有重要意义。以2000～2010年道路交通事故数据为基础,分别从人、车、路以及事故形态进行统计分析道路安全影响最大的因素,获取典型的动态交通场景。并考虑城市道路环境的复杂性和多样性,选取发生在城市道路场景中的1种类型动态场景-公交站台行人过街作为案例,采用虚拟现实技术完成这一动态交通场景的设计和实现。