城市道路场景下的被遮挡车辆检测算法研究

为了提高智能汽车在城市道路场景下对前方被遮挡车辆的检测精度,提出了一种双尺度点云密度扩展网络BPDE-Net,来解决因存在车辆被遮挡而导致的目标点云稀疏问题。第一阶段,将原始点云投影到语义分割后的图像标签上,并在遮挡区域内随机生成固定数目的虚拟点,采用混合插值法来关联虚拟点和实际投影点,得到的虚拟点再反向映射到点云空间;第二阶段,使用马氏距离来关联相邻体素间的点云,以此增加每个体素内的相似点云数量,通过改进注意力高斯矩阵来计算体素特征所对应的相对位置编码,用于关注通道内不同体素序列的相对位置。在KITTI数据集中选取了大量的车辆之间存在遮挡的城市道路场景进行对比试验,结果表明:BPDE-Net在3D视角和鸟瞰图视角下的被遮挡车辆平均检测精度(mAP)分别为79.2%和83.7%,相较于基线网络Second分别提高了11.2%和12.5%;点云密度增强模块和体素特征融合模块的mAP相较于目前主流的方法分别提高了3.9%与1.8%,提升了车辆在被遮挡场景下的可辨识度与鲁棒性。

基于双车辆可变形部件模型的车辆检测方法

针对被部分遮挡车辆的漏检率高这一难点,在深入分析可变形部件模型的基础上,提出了基于双车辆可变形部件模型的车辆检测算法。该算法采用对图像分区域匹配和对匹配结果进行融合的方法来减少多车辆检测中被部分遮挡车辆检测的漏检情况。实验结果表明:该算法在部分遮挡车辆的检测中要优于已有算法,它明显地降低了漏检率,满足安全驾驶辅助技术应用中的实时性要求。

基于双车辆可变形部件模型的车辆检测方法研究

随着社会经济的快速发展,汽车数量已经呈现出了与日俱增的趋势。虽然,人们日常生活已经离不开汽车,但全世界交通事故所造成的人员人员伤亡数量相当庞大,主要原因是驾驶人员具备的主观因素。因此,提高驾驶安全和帮助驾驶人员预见,并最大程度上避免事故发生已经成为了燃眉之急。文章主要基于双车辆可变形部件模型的车辆检测方法进行全面深入研究,以期早日实现降低交通事故发生的概率。