【技术实现步骤摘要】
本专利技术涉及信息，具体涉及一种基于边缘计算平台与多尺度u型网络的车道区域标定方法和系统。
技术介绍
1、在高速公路的应急车道上，车辆随意闯入是一个常见且危险的现象，这不仅违反了交通规则，还可能导致严重的交通事故，影响紧急情况下救援车辆的通行。因此，对高速公路应急车道的监控与管理尤为重要。
2、传统车道检测方法的区域标定往往依赖于人工操作，在标准的行驶条件下可能表现良好，但在应对环境变化（如天气变化、光照条件、道路状况等）时，容易受到主观因素的影响，这一过程不仅耗时耗力增加运营成本，还会导致标定结果的不准确和不一致性。这些方法处理应急车道上车辆随意闯入的情况不及时，尤其是在高速度和高风险的环境下。
3、深度学习技术，特别是卷积神经网络（cnn），为提高车道区域标定的准确性和鲁棒性提供了新的可能，然而直接应用于高速公路应急车道的车道区域标定仍面临挑战。由于应急车道上车辆行为的随机性和环境条件的多变性，要求车道标定方法能够在不同尺度下工作，以适应快速变化的场景，同时还要保证能够实时处理和分析大量的交通数据，快速准确地...
【技术保护点】
1.一种基于边缘计算平台的车道区域标定方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于边缘计算平台的车道区域标定方法，其特征在于：步骤1中，采用门架式道路监测相机采集不同自然环境下实地场景视频，随后对采集的视频进行抽帧，按照一定时间间隔提取视频帧，将这些视频帧作为图片集；对图片集进行mosaic数据增强，对原有的图片先进行不同尺度的缩放处理，将缩放后的图片进行随机拼接，使得拼接后的图片满足原始图片的大小，构成训练数据集。
3.如权利要求1所述的一种基于边缘计算平台的车道区域标定方法，其特征在于：双重卷积单元由2个卷积层组成，分别...
【技术特征摘要】
1.一种基于边缘计算平台的车道区域标定方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于边缘计算平台的车道区域标定方法，其特征在于：步骤1中，采用门架式道路监测相机采集不同自然环境下实地场景视频，随后对采集的视频进行抽帧，按照一定时间间隔提取视频帧，将这些视频帧作为图片集；对图片集进行mosaic数据增强，对原有的图片先进行不同尺度的缩放处理，将缩放后的图片进行随机拼接，使得拼接后的图片满足原始图片的大小，构成训练数据集。
3.如权利要求1所述的一种基于边缘计算平台的车道区域标定方法，其特征在于：双重卷积单元由2个卷积层组成，分别为第一卷积层和第二卷积层，两个卷积层串行运算，第一与第二卷积层的卷积核大小是，步长是1，填充是0，输出的通道数不同，第一卷积层的激活函数使用relu激活函数，第二卷积层的激活函数使用sigmoid激活函数，特征图在经过第一个卷积层时，特征图的维度减小两个维度，再经过第二卷积层时，再次减小两个维度，总的来说，特征图在经过双重卷积单元时，特征图减小4个维度。
4.如权利要求1所述的一种基于边缘计算平台的车道区域标定方法，其特征在于：复合上采样模块包括一个双重卷...
【专利技术属性】
技术研发人员：袁理，王瑞洋，王闵，韩金波，孟锟，
申请(专利权)人：武汉纺织大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。