联合语义分割和深度估计的交通场景感知算法

受不同像素级视觉任务间的特征信息能够相互指导和优化的思路启发,基于多任务学习理论提出联合语义分割和深度估计的交通场景感知算法.提出双向跨任务注意力机制,实现任务间的全局相关性显式建模,引导网络充分挖掘和利用任务间互补模式信息.构建多任务Transformer,增强特定任务特征的空间全局表示,实现跨任务全局上下文关系的隐式建模,促进任务间互补模式信息的融合.设计编-解码融合上采样模块来有效融合编码器蕴含的空间细节信息,生成精细的高分辨率特定任务特征.在Cityscapes数据集上的实验结果表明,所提算法的语义分割平均交并比达到79.2%,深度估计均方根误差为4.485,针对5类典型交通参与者的距离估计平均相对误差为6.1%,能够以比现有主流算法更低的计算复杂度获得更优的综合性能.

联合时序-空间特性的红绿灯视频图像检测方法

针对一些强干扰情况下的红绿灯图像检测问题,提出一种基于时序-空间特性的红绿灯视频图像双阶段检测方法。该方法基于灯体图像的颜色和形状特征分割感兴趣区域,计算其900维方向梯度直方图特征并利用支持向量机分类判断,提取给定时间窗口内连续交通图像序列中的所有灯体候选目标;进行目标匹配、关联和跟踪,提取其点亮状态时序规律,并分别设计单体时序过滤算法、组合时序匹配算法、空间几何关系验证算法和单灯点亮逻辑验证4种算法来实现红绿灯目标检测。实验表明,该方法综合检测准确率为97.4%,误检率为2.6%,漏检率仅为0.2%,对于各类极相似干扰物的滤除率达98.9%,且当灯体被局部遮挡时依然能进行有效检测。

基于背景滤除和聚类的高速公路路侧激光雷达车辆检测

路侧激光雷达被用于采集道路上精细的交通数据,为了更高效提取车辆的位置信息,本文提出一种基于空间体素化的车辆可行驶区域提取和改进的DBSCAN聚类的车辆检测方法,以提高路侧激光雷达采集道路上精细交通数据的效率。具体而言,该方法通过使用三维ROI精确确定车辆可行驶区域,使用背景网格化的方法过滤背景区域雷达,并改进DBSCAN聚类方法,使其能够针对非均匀分布点云自适应选择相应的参数,实现对实时雷达点云的车辆检测。该方法通过真实路侧试验得到验证,具有更高的检测精度。