为了明确山区公路曲线路段上的汽车轨迹形态和驾驶风格,使用小客车在山区复杂线形公路上开展了实车驾驶实验.记录了自然驾驶状态下男性驾驶人的行驶轨迹,分析了行驶轨迹相对于行车道中线的横向偏移特性,运用聚类方法识别了曲线路段的轨迹行为模式.结果发现:根据轨迹横向偏移率的聚类结果,山区公路曲线路段有6种轨迹模式,具有明显的多样性特征;切弯是曲线路段占主导的过弯方式,按照切弯点位置以及前后的轨迹形态,切弯又可进一步细分为多种类型;行驶轨迹的横向偏移导致了车道偏离,其中非预期偏离由于存在较高的事故风险,应进行防范和控制;平曲线半径越小,切弯效应越大,事故风险可控,驾驶人越倾向于采用切弯方式来通过弯道,曲线路段是否发生切弯行为的临界半径值为200 m.
无人机高空航拍图像中车辆像素占比极低,目标可视化信息较少,在目标检测任务中容易漏检和误检。因此,本文提出一种基于改进YOLOX(You Only Look Once X)的无人机高空航拍视角下小尺度车辆精确检测方法。首先,为增强网络对低级特征的提...
详细信息
无人机高空航拍图像中车辆像素占比极低,目标可视化信息较少,在目标检测任务中容易漏检和误检。因此,本文提出一种基于改进YOLOX(You Only Look Once X)的无人机高空航拍视角下小尺度车辆精确检测方法。首先,为增强网络对低级特征的提取能力,在原始YOLOX预测头部增加一个160 pixel×160 pixel的浅层特征提取网络;其次,在骨干网络后端嵌入基于归一化的注意力机制模块(Normalization-based Attention Module,NAM),以抑制冗余的非显著特征表达;最后,为了增大小尺度车辆的相对像素比,提升网络捕捉有效特征信息的能力,提出一种基于滑动窗口的图像切分检测方法。试验结果表明,改进YOLOX网络表现出良好的检测效能,检测精度达到了84.58%,优于典型的目标检测网络Faster R-CNN(79.95%)、YOLOv3(83.69%)、YOLOv5(84.31%)及YOLOX(83.10%)。此外,改进YOLOX能够有效解决无人机高空航拍图像中小尺度车辆的漏检和误检问题,且预测框更贴合车辆的实际轮廓;同时,在不同航拍高度的目标检测任务中具有较高的鲁棒性。
暂无评论