在自动驾驶感知系统中视觉传感器与激光雷达是关键的信息来源,但在目前的3D目标检测任务中大部分纯点云的网络检测能力都优于图像和激光点云融合的网络,现有的研究将其原因总结为图像与雷达信息的视角错位以及异构特征难以匹配,单阶段...在自动驾驶感知系统中视觉传感器与激光雷达是关键的信息来源,但在目前的3D目标检测任务中大部分纯点云的网络检测能力都优于图像和激光点云融合的网络,现有的研究将其原因总结为图像与雷达信息的视角错位以及异构特征难以匹配,单阶段融合算法难以充分融合二者的特征.为此,本文提出一种新的多层多模态融合的3D目标检测方法:首先,前融合阶段通过在2D检测框形成的锥视区内对点云进行局部顺序的色彩信息(Red Green Blue,RGB)涂抹编码;然后将编码后点云输入融合了自注意力机制上下文感知的通道扩充PointPillars检测网络;后融合阶段将2D候选框与3D候选框在非极大抑制之前编码为两组稀疏张量,利用相机激光雷达对象候选融合网络得出最终的3D目标检测结果.在KITTI数据集上进行的实验表明,本融合检测方法相较于纯点云网络的基线上有了显著的性能提升,平均mAP提高了6.24%.展开更多
针对传统机动车号牌在可视性、唯一性及其智能性上存在的不足,提出了一种新型的机动车号牌设计方案,并设计实现了与之相配套的自动车牌识别系统。整套系统采用新型蓄能自发光材料以及射频识别(RFID:Radio Frequency Identification)技...针对传统机动车号牌在可视性、唯一性及其智能性上存在的不足,提出了一种新型的机动车号牌设计方案,并设计实现了与之相配套的自动车牌识别系统。整套系统采用新型蓄能自发光材料以及射频识别(RFID:Radio Frequency Identification)技术和隐秘起始地址、随机数初始化等多种安全措施,大大改进了车牌的可视性、唯一性、智能性以及安全性。新车号牌能自发光,系统能识别12 m之内最高时速120 km/h的车辆。实验结果及运行结果都证明了设计方案切实可行,识别系统安全可靠。展开更多
文摘在自动驾驶感知系统中视觉传感器与激光雷达是关键的信息来源,但在目前的3D目标检测任务中大部分纯点云的网络检测能力都优于图像和激光点云融合的网络,现有的研究将其原因总结为图像与雷达信息的视角错位以及异构特征难以匹配,单阶段融合算法难以充分融合二者的特征.为此,本文提出一种新的多层多模态融合的3D目标检测方法:首先,前融合阶段通过在2D检测框形成的锥视区内对点云进行局部顺序的色彩信息(Red Green Blue,RGB)涂抹编码;然后将编码后点云输入融合了自注意力机制上下文感知的通道扩充PointPillars检测网络;后融合阶段将2D候选框与3D候选框在非极大抑制之前编码为两组稀疏张量,利用相机激光雷达对象候选融合网络得出最终的3D目标检测结果.在KITTI数据集上进行的实验表明,本融合检测方法相较于纯点云网络的基线上有了显著的性能提升,平均mAP提高了6.24%.
文摘针对传统机动车号牌在可视性、唯一性及其智能性上存在的不足,提出了一种新型的机动车号牌设计方案,并设计实现了与之相配套的自动车牌识别系统。整套系统采用新型蓄能自发光材料以及射频识别(RFID:Radio Frequency Identification)技术和隐秘起始地址、随机数初始化等多种安全措施,大大改进了车牌的可视性、唯一性、智能性以及安全性。新车号牌能自发光,系统能识别12 m之内最高时速120 km/h的车辆。实验结果及运行结果都证明了设计方案切实可行,识别系统安全可靠。
