基于SSA优化SVM的交通标线识别算法研究

针对智能驾驶汽车对交通标线识别率不高的问题,提出一种改进LBP特征和SSA优化SVM的交通标线识别算法.该算法采用改进的LBP算法提取路面交通标线特征,通过PCA降维处理,获得最佳维度;通过对SSA、PSO、WOA和GWO 4种群智算法分析比较,发现采用SSA优化SVM的惩罚系数和核函数参数,获得路面交通标线识别的最优模型.实验结果表明,该模型的平均识别速度分别比PSO、WOA和GWO优化的SVM模型提高了1.0%、6.19%和8.35%,平均识别精度最高,达到96.7%,比优化前提高了4.5%,且模型的最佳参数稳定.

基于RD-YOLO的毫米波雷达和视觉融合显著性目标检测

为了解决单传感器在复杂环境下目标检测精度低问题,提出了一种基于RD-YOLO的毫米波雷达和视觉融合的显著性目标检测方法。首先设计了能够将毫米波雷达点云转换为图像的方法,使毫米波雷达和视觉数据在模型输入时实现特征融合;然后通过动态互补注意力机制,对两个图像分支生成特征设置空间和通道动态注意力权重;最后采用YOLOv8检测融合后特征,引入改进损失函数Focal Loss以解决样本不均衡问题。在数据集nuScenes上开展的相关实验表明,与YOLOv5、YOLOv7、YOLOv8、Faster R-CNN和FCOS相比,所提方法目标检测综合性能良好,均值平均精度比原始YOLOv8提升了9.19%。