基于改进YOLOv8的轻量化道路病害检测方法

针对复杂场景下道路病害检测模型占用内存空间大、计算复杂度高和检测速度难以满足实时目标检测要求等问题,提出一种面向复杂自然场景的轻量级道路病害检测模型DGE-YOLO-P。将网络中的C2f融合可变形卷积设计C2f_DCNv3模块增强对物体形变的建模能力,并对输入特征信息进行降维处理,有效降低模型参数量和计算复杂度。设计GS-Decoupled head检测模块,降低检测头参数的同时实现全局信息的有效聚合。同时,设计E-Slide Loss权重函数,为困难样本分配更高权重,充分学习道路病害中的难样本数据,进一步提高模型检测精度。采用通道剪枝减少模型冗余通道,有效压缩模型体积并提高检测速度。实验结果表明,DGE-YOLO-P模型相较于YOLOv8n模型mAP提高2.4个百分点,而模型参数量、计算量和模型大小分别降低58.1%、66.7%和55.5%。检测速度FPS由34帧/s提高到51帧/s。

改进YOLOv8的道路交通标志目标检测算法

虽然,当前检测技术日趋成熟,但对于复杂环境下的小目标检测仍然是研究的重难点。针对道路交通场景中普遍存在的交通标志小目标比例较高,环境干扰因素较大的问题,提出了一种基于YOLOv8改进的道路交通标志目标检测算法。由于小目标检测中容易出现漏检的现象,利用BRA(bi-level routing attention)注意力机制提高网络对小目标的感知能力。此外,还利用可形变卷积模块DCNv3(deformable convolution v3),针对特征图中的不规则形状具有更好的特征提取能力,使骨干网络更好地适应不规则的空间结构,更精准地关注重要目标,从而提高模型对遮挡重叠目标的检测能力。DCNv3和BRA模块均在基本不增加模型权重大小的情况下提高模型准确性。同时引入基于辅助边框的Inner-IOU损失函数。在RoadSign、CCTSDB、TSDD、GTSDB四个数据集上,分别进行了小样本训练、大样本训练、单目标检测和多目标检测,实验结果均有所提高。其中,在RoadSign数据集上的实验结果最佳,YOLOv8改进模型的均值平均精度mAP50与mAP50:95分别达到了90.7%和75.1%,相较于基线模型,mAP50与mAP50:95分别提升了5.9和4.8个百分点。实验结果表明,YOLOv8改进模型有效地实现了在复杂道路场景下的交通标志检测。

自适应特征融合的复杂道路场景目标检测算法

针对复杂道路场景下密集遮挡目标、小尺度目标检测精度低,容易出现漏检和误检的问题,以YOLOv5算法为网络基础框架,提出了一种自适应特征融合的复杂道路场景目标检测算法。引入特征融合因子,改进相邻尺度特征融合方式,增加各层网络有效样本从而提升中小尺度目标检测能力;增加浅层特征检测层,提升模型小尺度目标的学习能力;改进感受野模块,允许模型自适应选择有效感受野提取目标特征信息;引入Quality Focal Loss改善密集遮挡目标,小尺度目标的定位精度,并在特征融合网络加入注意力机制,提高算法对特征信息的有效利用。实验结果表明,相比原始算法,改进算法在公开数据集BDD100K(10类)、Udacity及自制数据集CQTransport的检测精度分别提高了6.7、4.9、7.9个百分点;在基本不降低检测速度的前提下,能较好提升复杂道路场景下的检测性能,并在一定程度上解决了检测过程中密集遮挡目标、小尺度目标出现的漏检和误检问题。

基于虚拟现实技术的道路复杂场景实时仿真系统

基于仿真道路复杂场景更贴近真实社区布局的目的,采用虚拟现实技术,硬件设计在C/S架构体系中,按需连接景观信息采集模块与OSG复原模块。在软件设计中,根据虚拟数据采集结果,计算现实复原比数值,进行智慧社区环境实施场景建模。结合相关硬件设备结构,完成了基于虚拟现实技术的道路复杂场景实时仿真系统的设计。通过道路场景复杂度实验,得出在虚拟现实技术的作用下,复原后的道路复杂场景能够较好贴合真实场景的布局情况。与常规仿真系统相比,更能满足智慧社区环境的实际应用需求。

一种结合深度学习和随机森林的地平线检测方法

已有地平线检测方法检测效果受环境影响较大,计算复杂度较高。提出了一种基于深度学习与随机森林相结合的地平线检测方法。利用深度学习模型进行深度特征提取,将得到的深度特征用于随机森林训练,采用随机森林回归投票方式得到地平线检测结果。仿真结果表明,所提方法检测效果较好。不仅在笔直的道路上检测结果与真实值比较相近,而且在阴影区域以及弯道中的预测值也基本与真实值重合,表明该方法鲁棒性强,能够很好的用于复杂道路场景中的地平线检测。

面向复杂道路场景小尺度行人的实时检测算法

复杂道路场景中小尺度行人目标检测漏检率高,实时性较差,提出了一种针对小尺度行人检测的增强算法,对RFB(Receptive Field Block)网络从特征提取网络结构及损失函数两方面进行改进:通过反向融合的方式将多尺度特征图通道间Shuffle后的深层特征组多级融合到浅层,并在采用更浅层特征的同时加入改进RFB模块及Normalization层,充分利用多尺度特征层间的信息进行小尺度行人检测。损失函数采用基于交并比和中心点距离解决评测与回归损失函数评价指标不等价问题。实验结果表明,该算法在Caltech行人数据集上总体行人和小尺度行人的漏检率分别降低了4.7个百分点与9.0个百分点,单张图片平均检测时间为36 ms,性能高于同类算法。

基于三维激光点云的复杂道路场景杆状交通设施语义分类

文章提出一种完整的全自动化处理框架,基于三维激光点云数据对高速公路和城市道路场景的杆状目标进行了检测和分类,主要包括3个步骤:数据预处理、杆状目标检测和分类。其中,在数据预处理阶段,采用基于布料模拟滤波算法自动分离地面点和非地面点,然后基于欧氏距离聚类方法对非地面点进行快速聚类,以及采用迭代图割算法进一步分割目标对象;在目标检测阶段,集成先验信息、形状信息和位置导向搭建滤波器,对杆状目标进行检测;在对象分类过程中基于多属性特征,利用随机森林分类器对目标的特征进行计算和分类。并使用3个道路场景数据集进行测试,结果显示,3个数据集的整体MCC系数为95.6%,分类准确率为96.1%。这说明文章所构建方法具有较高性能。另外,该方法还可以鲁棒地检测杆状目标的重叠区域,较为适应复杂程度不同的道路场景.

自动驾驶车辆道路测试场景评价方法与试验验证

为解决自动驾驶车辆道路测试场景不明确、典型测评场景缺失和场景量化评价难等问题,提出基于场景复杂度模型的自动驾驶车辆道路测试评价方法,创新性地采用信息熵和引力模型相结合的方法对自动驾驶车辆道路测试的场景进行评价和分类,并通过试验验证了场景评价方法的合理性,该方法有助于自动驾驶企业或第三方测评机构选取典型场景,推进自动驾驶车辆道路测试评价进程。

全局图像特征分析与实时层次化消失点检测

为了使道路场景的消失点检测能够适应不同的道路条件,提出基于全局图像特征的层次化消失点检测方法。通过全局图像特征提取全局道路特征,将道路分为4类并粗粒度定位道路区域。根据分类选择提取道路标识或边缘特征进行尺度变换的线段检测或区域分割并投票消失点集,再选择使用逆透视仿射变换或色彩纹理信息验证获得有效消失点。通过图像预处理移除道路车辆及阴影干扰,进一步提高检测精度。实验证明道路特征分类有效,在光照阴影、色彩纹理及遮挡等条件各异的场景中,层次化消失点检测方法均获得实时鲁棒的检测结果,比现有在复杂场景平均误差较小的基于本征直线方向与色彩纹理的检测方法精度与效率分别提高37.5%和20%。