一种基于环视图像的空停车位检测方法

停车位检测是自动泊车系统的重要组成部分.针对车位线及角点不清晰或出现遮挡情况下的车位难以检测问题,提出了一种基于环视图像的空停车位检测方法.该方法将整个空停车位视为一个整体,在空停车位车位线及角点信息不完整的情况下利用MobileNetV3进行特征提取并构建特征金字塔,进而实现分类、边框回归和语义分割,再根据Douglas-Peucker算法对语义分割结果进行拟合得到空停车位.实验表明,所提方法在ps2.0数据集测试集中挑选出的车位线及角点不清晰或者出现遮挡的197张测试图片中检测性能优秀,精确率达到98.39%,召回率达到97.21%,实现单帧11 ms的检测速度,能对不同环境下的不同类型车位进行检测.此外该方法在自注释数据集上具有优秀的性能,有较好的泛化能力.     

基于全景环视的端到端停车位检测方法

现有停车位检测方案大多将目标检测方案和人工设计的后处理模块进行简单结合,各阶段提取的特征存在大量冗余信息.并且,人工设计的后处理模块通常适应面窄,计算量大,最终导致停车位检测效果难以实用.针对这些问题,本文引入全景视觉,结合现有算法的优点与环视图像的特点,设计端到端的无锚框停车位检测算法.该算法对停车位进行进入线朝向建模,而非单独考虑两个入口点,省去了停车位入口点匹配和朝向判断流程,最终实现完全一体化的停车位位置、朝向和占用情况检测.考虑到实用性,在网络结构设计上进行了速度和精度的平衡、正负样本均衡,以及无后处理等多方面优化.最终,在ps2.0数据集上,本文提出的AFPSD模型以88.7的FPS（每秒帧数）达到68.7%的AP,相较VPS-Net和DMPR-PS方案精度分别提升1.2%和2.1%.由此可知,本文设计的一阶段端到端方案可以代替三阶段方案,在环视图像上实现停车位的稳定检测.     

基于降噪自动编码器的多任务优化算法

人类通常可同时进行多个任务的学习,将从一个任务中获得的知识应用到另一个任务中以加速此任务的学习．受此学习行为的启发,多任务学习(MTL)被提出并被广泛研究．与MTL动机类似,多任务优化(MTO)是在传统基于单任务优化算法基础上被提出的一种新型优化算法,该算法旨在同时在线执行多个任务,从一个任务中获取知识以帮助另一个任务,并进行任务间知识迁移,以提高多任务的优化性能．基于降噪自动编码器提出了一种新型MTO算法,推演出一种具有闭式解的降噪自动编码器,并利用此编码器显式地对多任务构建任务映射,从而使所提MTO算法能够利用不同的基于单任务优化算法的搜索偏好．采用常用的MTO基准进行综合性实验,验证了所提算法的有效性．     

一种基于环视相机的自动泊车方法

针对泊车摄像头视场有限的问题,提出了一种基于环视相机的自动泊车方法.采用4个鱼眼摄像头,构建了一种环绕车身360°的实时视觉泊车辅助系统,用于停车位的实时检测和识别.首先,运用多项式鱼眼校正模型校正失真图像,用Levenberg-Marquardt算法求得最优的缝隙拼接方向并合成环视图;其次,采用Radon变换提取停车位特征识别停车位;最后,使用基于双圆弧的路径规划算法和基于预瞄点的改进PID路径跟踪算法,实现自动泊车.实验表明,该方法具有较高的检测精度和鲁棒性.     

基于深度相机的室内障碍物检测算法

常用的背景差分法、GrabCut等图像分割算法存在分割效率较低且易受环境噪声干扰等问题,导致室内移动机器人对障碍物的检测精度不高,为此本文提出一种融合深度信息的目标分割算法,并在此基础上实现较高精度的障碍物尺寸测量.首先通过SSD网络模型得到障碍物的检测框,将检测框中图像转换到H SI颜色空间,并根据得到的饱和度和亮度...     

基于卷积神经网络的壁面清洗机器人障碍物检测识别算法

结合机器人的工作原理以及卷积神经网络(CNN)在图像分类中的应用,提出了一种基于卷积神经网络的壁面障碍物检测识别算法.首先,以壁面障碍物准确识别为目标,构建壁面障碍物图像库;然后,通过对VGG-16网络简化后进行优化,得到适合壁面障碍物准确识别的卷积神经网络模型.在此基础上,设计该网络由输入层、4层卷积层、2层池化层、1层全连接层以及输出层组成,进一步利用3×3卷积核对训练样本进行卷积操作,并将所获取的特征图以2×2领域进行池化操作.重复上述操作后,通过学习获取并确定网络模型参数,得到最佳网络模型.实验结果表明,障碍物的识别准确率可达99.0%,具有良好的识别能力.     

基于嵌入式系统的多任务人脸属性估计算法

针对传统人脸属性估计算法算力大、推理速度慢、精度低,难以完成算法在移动或嵌入式设备上集成应用等问题,提出一种基于嵌入式系统的多任务人脸属性估计算法。首先,采用MobileFaceNet网络中的瓶颈结构融合跨阶段融合网络(cross stage partial network, CSPNet)和空间金字塔网络(spatial pyramid pooling network, SPPNet)设计CSPSPP＿bk结构作为人脸属性估计算法共享网络特征提取模块;然后,在局部属性中增加通道注意力机制,在较困难的全局属性中使用更深、性能更优的网络模型作为Teacher模型指导所设计的轻量级多任务属性网络进行知识蒸馏,采用逐层剪枝的方法对网络模型进行优化,优化后的模型量仅1.8 MB;最后,通过动态类别抑制损失函数进行损失度量,均衡样本数据分布。在公共数据集CelebA和Adience数据集上进行测试比较,性别和眼镜的平均准确率分别为98.89%、99.72%,标准差为3.01%时,年龄估计精度为60.21%,在RK3288开发板上的前传推理速度为138 fps。结果表明：所提方法可广泛应用于嵌入式...     

基于三帧间差分的障碍物检测算法

机动车私人拥有量的不断上升,导致了交通事故在逐年的增加。故此,怎样最大程度的减少交通事故成了我们关注的焦点。本文以基于机器视觉的道路识别技术与障碍物检测技术为研究对象,提出了基于三帧间的差分方法,该方法利用相邻三帧图像两两差分,再将两个差分结果相与并进行二值化,最终确定运动目标在图像中的位置。     

基于改进YOLOv5s的道路场景多任务感知算法

针对单一任务模型不能同时满足自动驾驶多样化感知任务的问题,提出了一种基于改进YOLOv5s的快速端到端道路多任务感知方法。首先,在YOLOv5s网络输出端设计两个语义分割解码器,能够同时完成交通目标检测、车道线和可行驶区域检测任务。其次,引入Rep VGG block改进YOLOv5s算法中的C3结构,借助结构重参数化策略提升模型速度和精度。为了提升网络对于小目标的检测能力,引入位置注意力机制对编码器的特征融合网络进行改进;最后基于大型公开道路场景数据集BDD100K进行实验验证该算法在同类型算法的优越性。实验结果表明,算法车辆平均检测精度为78.3%,车道线交并比为27.2%,可行驶区域平均交并比为92.3%,检测速度为8.03FPS,与同类型算法YOLOP、Hybrid Nets对比,该算法综合性能最佳。     

基于激光雷达和摄像机融合的智能车障碍物识别方法研究

针对智能车环境感知中单一传感器所存在的局限性问题,本文提出一种通过激光雷达融合摄像机来感应识别智能车前方障碍物的方法。首先,通过激光雷达与摄像机之间的校准,来实现目标的三维数据的图像投影,并进行视觉图像与目标的三维雷达数据的融合,以提取障碍物候选区域。其次,提出了一种基于卷积神经网络和SVM的障碍物识别模型,用于训练KITTI数据库中的数据,检测视觉图像中的行人和车辆目标,以此来得到所需要的单帧下各传感器的目标检测数据。实验结果表明,所提出的模型在KITTI中选择的小数据集上获得的模型在实际测试中具有良好的性能,具有可靠的识别能力和良好的分类结果。     

考虑反射强度的全自动运行列车障碍物检测算法研究

针对轨道交通全自动运行列车轨行区障碍物检测问题,提出了一种基于激光雷达的且考虑激光反射强度的障碍物检测算法.该算法使用欧式聚类法对点云进行聚类,并结合了自适应的反射强度阈值处理以及体素滤波器、聚类半径差异化等方法,提升算法的障碍物检测速度与精度.实验表明该算法具有良好的检测性能.     

基于多任务联合学习的入侵检测方法

针对目前大多数的网络入侵检测方法存在模型泛化能力较弱以及训练数据集类别不平衡等问题,考虑到网络流量同时具有时间性与空间性的特点,提出了一种基于多任务联合学习的入侵检测方法.首先对数据流量进行预处理,并将数据通过注意力层初始化其权重分布;然后通过胶囊网络(CapsuleNet)与简单循环单元(SRU)分别提取流量数据的空...     

一种基于Kinect相机的室内AGV障碍物检测方法

针对在室内工作的自动引导运输车(automated guided vehicle,简称AGV)面临的障碍物实时检测问题,提出一种基于Kinect相机的检测方法.在深度相机标定的基础上,将相机获得的深度图像准确地变换成相机坐标系内的点云数据,利用点云数据,通过制定障碍物检测规则,实现AGV小车行驶过程中障碍物的快速实时检测,实试验证了该方法的准确性.     

基于多任务深度卷积神经网络的人脸/面瘫表情识别方法

由于人类个体面部形态各种各样,使得不同人在表达同一感情时有可能产生较大的视觉差异,为了减弱这种内类视觉差异性对人脸表情识别产生的影响,该文提出一种分层多任务学习的人脸表情识别方法,该方法以现有深度卷积神经网络模型为基础,构造双层树分类器以替换输出层的平面softmax分类器,构建深度多任务学习框架,通过利用人脸表情标签和人脸标签共同学习更具辨识力的深度特征,将知识从相关人脸识别任务中迁移过来,从而减弱面部形态对表情识别的影响,提高表情识别性能。实验结果表明,相较于VGGnet,Googlenet和Resnet深度模型,文中提出的方法均提高了人脸表情识别率,且成功推广到面瘫表情识别问题中。     

基于改进BiSeNet的室内障碍物图像语义分割方法

针对室内机器人行驶场景中存在大量不规则形状障碍物及细小类障碍物的问题,提出一种基于改进双边分割网络(BiSeNet)的图像语义分割方法．即以BiSeNet为基础网络构建图像分割模型,一方面在其空间路径中融合可变形卷积,使其更加适应对可通行区域和水渍这类不规则形状目标的定位分割;另一方面在其语义路径中结合特征金字塔结构,提高对细小类障碍物的分割精度;最后在室内多类障碍物图像数据集上,将改进的BiSeNet算法与U-Net,PSPNet等算法进行对比实验,结果显示改进的BiSeNet算法对水渍类障碍物的分割像素准确率达到89.95%,比原BiSeNet算法分割精度提高约3.50%,与UNet,PSPNet等算法相比,改进的BiSeNet算法同样具有更高的分割精度．     

基于多任务判别器的图像阴影去除算法

针对现实生活中存在的阴影对于计算机视觉任务产生不利影响,现有图像阴影去除算法有效性与准确性低的问题,提出了一种基于生成对抗网络的阴影去除方法.该方法主要包括两个部分,采用了U-Net网络结构作为生成器部分的网络,用来提取图像中的有效信息,同时在生成器网络中引入自注意力机制,提高网络对阴影区域特征的关注度;采用多任务网络结构的判别器,通过对生成器生成图像的整体区域、局部区域以及与约束条件的匹配程度,进行多方面的鉴别,用来提升判别器鉴别能力,进而督促生成器,生成更加符合真实情况的无阴影图像.该方法在公开数据集ISTD上进行实验,实验结果表明所提方法在图像的结构相似性上以及峰值信噪比方面均有所提升.     

基于R-CNN算法的分割检测算法

目前先进的目标检测算法大多基于R-CNN算法,如Fast R-CNN,Faster R-CNN,YOLO,SSD以及FPN+R-CNN.R-CNN算法利用了传统的Selective Search算法寻找可能包含物体的方框,将其送入CNN网络进行特征提取,以对方框内物体进行辨别.随着图片复杂度的升高和背景的多样化,Selective Search算法已无法满足精确性和实时性的要求.本文基于R-CNN算法,提出了一种优化分割检测算法.该算法将R-CNN与具有分割功能的FCN算法相结合,为目标检测算法提供了一种新的思路.测试结果与R-CNN算法相比,该算法在目标识别效果和耗时方面均有明显的提升.     

基于模糊算法垂直泊车转向控制策略的研究

为提高自动泊车的精度和安全性,分析了垂直泊车的运动特性,以车辆的初始位置及泊车过程中的转向角控制为关键参数,建立了自动垂直泊车的运动模型.在Simulink环境中建立了基于模糊算法的垂直泊车转向控制仿真模型,生成了模糊规则,分析了车辆初始位置、初始角度、初始运动速度对车辆运动轨迹的影响.仿真结果显示,改变初始坐标及初始角度都会影响自动垂直泊车入库效果,确定了一次性顺利入库的最小初始位置,该数值可用来设计最紧凑停车库.该模糊算法控制灵敏且无超调.     

基于多台飞行时间相机的建图与结构语义的三维库位检测

提出一种基于多台飞行时间(ToF)相机的建图与结构语义的三维库位检测方法.利用多台ToF相机进行联合观测,采用视觉里程计对局部停车场场景进行建图,并通过对停车场墙面、顶面、地面和障碍物结构语义信息的聚类和分割,实现对三维停车库位的实时检测.结果表明:该方法在有效探测范围内库位检出率为94.83%,库位宽度识别精度为14.4 cm,高度识别精度为12.4 cm.