由于道路上存在各种不安全因素,车辆检测跟踪并测距是自动驾驶技术的重要组成部分。本文将YOLOv4-tiny作为检测器使之加快模型检测速度且更适合在车辆嵌入式设备中使用。考虑到目标检测失败的情况,本文在历史缓冲区中存储以前的跟踪细节...由于道路上存在各种不安全因素,车辆检测跟踪并测距是自动驾驶技术的重要组成部分。本文将YOLOv4-tiny作为检测器使之加快模型检测速度且更适合在车辆嵌入式设备中使用。考虑到目标检测失败的情况,本文在历史缓冲区中存储以前的跟踪细节(唯一ID)和每个对象的相应标签,提出了一个基于中值的标签估计方案(MLP),使用存储在前一帧的历史标签的中值来预测当前帧中对象的检测标签,使得跟踪错误最小化,并用双目摄像头获取图像检测车辆距离。测试新网络结构后,检测精度(Mean Average Precision,mAP)为80.14%,检测速度较YOLOv4相比提高了184%,检测到的距离误差平均在0.5%左右。展开更多
针对三维点云数据中存在的异常点会对平面拟合过程产生不利的影响,提出了一种将最小平方中值算法(Least Median of Squares,LMedS)与特征值法相结合的点云平面拟合新方法。首先,通过LMedS算法进行多次迭代确定最佳阈值并剔除点云数据中...针对三维点云数据中存在的异常点会对平面拟合过程产生不利的影响,提出了一种将最小平方中值算法(Least Median of Squares,LMedS)与特征值法相结合的点云平面拟合新方法。首先,通过LMedS算法进行多次迭代确定最佳阈值并剔除点云数据中的异常点。然后,采用特征值法对剔除完异常点后的点云数据进行平面拟合,以获得更加精确的拟合平面参数解。最后,分别采用最小二乘法、特征值法、RANSAC+主成分分析法与所提出方法对仿真和实测点云数据进行平面拟合计算。实验结果表明,相比于其他方法,该方法的平面拟合精度更高,适用于对含有异常点的点云数据进行平面拟合,具有较高的鲁棒性。展开更多
文摘由于道路上存在各种不安全因素,车辆检测跟踪并测距是自动驾驶技术的重要组成部分。本文将YOLOv4-tiny作为检测器使之加快模型检测速度且更适合在车辆嵌入式设备中使用。考虑到目标检测失败的情况,本文在历史缓冲区中存储以前的跟踪细节(唯一ID)和每个对象的相应标签,提出了一个基于中值的标签估计方案(MLP),使用存储在前一帧的历史标签的中值来预测当前帧中对象的检测标签,使得跟踪错误最小化,并用双目摄像头获取图像检测车辆距离。测试新网络结构后,检测精度(Mean Average Precision,mAP)为80.14%,检测速度较YOLOv4相比提高了184%,检测到的距离误差平均在0.5%左右。
文摘针对三维点云数据中存在的异常点会对平面拟合过程产生不利的影响,提出了一种将最小平方中值算法(Least Median of Squares,LMedS)与特征值法相结合的点云平面拟合新方法。首先,通过LMedS算法进行多次迭代确定最佳阈值并剔除点云数据中的异常点。然后,采用特征值法对剔除完异常点后的点云数据进行平面拟合,以获得更加精确的拟合平面参数解。最后,分别采用最小二乘法、特征值法、RANSAC+主成分分析法与所提出方法对仿真和实测点云数据进行平面拟合计算。实验结果表明,相比于其他方法,该方法的平面拟合精度更高,适用于对含有异常点的点云数据进行平面拟合,具有较高的鲁棒性。
