Oct, 2023

夜间驾驶行为预测基于卷积神经网络支持向量机分类器的尾灯信号识别

PDF
TL;DR通过识别人驾驶和自动驾驶车辆的尾灯，本文旨在提高夜间驾驶行为预测的能力。采用了一个定制探测器来准确检测道路上前方车辆的尾灯。利用卷积神经网络从这些区域提取出特征，然后利用主成分分析来降维。最后，使用支持向量机来预测车辆的行为。实验结果表明，该方法可以以 92.14% 的准确度、97.38% 的特异度、92.09% 的敏感度、92.10% 的 F1 度量和 0.895 的 Cohen's Kappa 统计量准确分类车辆行为。
nighttime driving behaviortaillightsconvolutional neural networksprincipal component analysissupport vector machine
发现论文，激发创造
  • 车辆灯光的鲁棒检测、关联和定位：基于环境的级联卷积神经网络方法和评估

    通过上游车辆检测和可见光中心的近似值，本文提出了一种检测车辆灯光的方法，预测与每个车辆灯光相关的四个近似角点，可应用于自动驾驶中检测车辆灯光的网络。

    Jul, 2023

  • 基于卷积神经网络的交通信号灯识别：一份调查报告

    实时交通信号灯识别对于自动驾驶至关重要。本研究通过对使用卷积神经网络（CNN）的交通信号灯识别方法进行综合调查和分析，着重于数据集和 CNN 架构两个重要方面，并将方法根据底层架构分为三个主要群组：(1) 修改通用目标检测器来补偿特定任务特征的方法， (2) 利用规则和 CNN 组件的多阶段方法和 (3) 特定任务的单阶段方法。我们描述了每个群组中最重要的工作，讨论了数据集的使用情况，确定了研究的空白点。

    Sep, 2023

  • 使用机器学习改进驾驶员疲劳和注意力分散的自动检测

    通过使用基于视觉和基于机器学习的方法，同时检测疲劳和注意力分散的行为，以提高智能车辆系统的驾驶行为监测能力并获得更准确和时间更短的结果。

    Jan, 2024

  • 车辆灯光模式：解决基于摄像机的车辆灯光数据集和度量的复杂问题

    本研究论文探讨了计算机视觉中车辆灯光的表示及其对自动驾驶领域中各种任务的影响。通过讨论不同的车辆灯光表示规范，包括边界框、中心点、角点和分割掩模，探讨了它们在强弱方面的差异。从夜间车辆检测、三维车辆方向估计和动态轨迹提示等角度，确定了受益于车辆灯光检测的三个关键任务。还讨论了为训练数据驱动模型而收集和注释大型数据集的挑战，并介绍了 LISA 车辆灯光数据集和相关的光可见性模型，该模型特别为车辆检测、意图和轨迹预测以及安全路径规划等下游应用提供了灯光注释。还提供了现有车辆灯光数据集的比较，突出了每个数据集的独特特点和局限性。总的来说，本论文深入探讨了车辆灯光的表示以及在自动驾驶应用中训练有效检测模型所需的准确注释的重要性。我们的数据集和模型可以在此 URL 链接中获取。

    Jul, 2023

  • 基于自监督学习框架和遮挡图像建模的新型驾驶员分神行为检测

    本文介绍了一种基于自监督学习的用于驾驶员分心检测的新方法，该方法使用遮罩图像建模进行自监督学习，并利用 Swin Transformer 作为编码器以增强性能，最终使用各种数据增广策略加上最佳的随机遮罩策略来加强模型的识别和泛化能力，测试结果表明，该方法的准确率为 99.60％，接近先进的监督学习方法的出色表现。

    Jun, 2023

  • 从视频中预测驾驶员意图

    通过使用车内和外部摄像头数据，本研究提出了一种新的方法来改善对未来驾驶动作的预测性能，通过明确提取外部摄像头数据中的对象和道路级特征，我们的模型能够更准确地提前预测驾驶员意图，并提高道路安全性。

    Dec, 2023

  • 基于深度学习模型的驾驶策略预测

    本项目实现了一个端到端系统，该系统接收来自普通摄像头的视频帧的综合视觉特征和来自点云扫描仪的深度信息，并预测驾驶策略（车辆速度和转向角度）。通过与真实世界经验丰富的驾驶员的标准行为进行比较，我们验证了我们系统的安全性。我们的测试结果表明，在至少一半的测试案例中（取决于模型），预测结果可以被视为准确的，并且与仅使用视频帧相比，使用综合特征在大多数情况下提高了性能。

    Jul, 2023

  • 基于 CNN 的智能路灯管理系统，利用智能闭路电视摄像机和语义分割

    通过使用计算机视觉技术中的智能交通监控系统并结合闭路电视（CCTV）摄像头的方法，自动检测行人或车辆的存在并控制 LED 路灯的亮度，从而使路灯在其不需要亮度的情况下降低其亮度，以避免能源浪费和降低成本。该方法的优点是简单，高效，耐久且比传统方法更有弹性。

    Sep, 2022

  • 通过卷积神经网络实时检测驾驶员注意力分散以增强道路安全

    通过比较分析卷积神经网络结构，本研究旨在识别出最有效的实时检测驾驶员分心的模型，以提升车辆安全系统的能力，从而预防因不注意引发的事故。

    May, 2024

  • 基于 Faster R-CNN 深度学习方法的智能车辆交通管理

    通过基于 Faster R-CNN 的深度学习方法，研究了车辆的分割问题，在自适应背景模型的最小化、基于 Faster R-CNN 的子网络操作、Faster R-CNN 初始细化以及扩展拓扑活跃网的结果优化等四个步骤中得到了解决，并通过拓扑活跃网变形模型实现了更高的分割准确性。实验结果证明了这一计算框架的优越性。

    Nov, 2023