《表4 移动车辆包括非机动车辆(33辆)》
实验过程中进行了连续帧数据包的测试,分别使用传统欧氏聚类算法、改进欧氏聚类算法对同一时间段的数据进行障碍物检测与识别,实验结果如表2~4所示。根据实验结果,在相同场景下,改进欧氏聚类算法的障碍物检测平均正检率约为85.36%,相较传统算法提高了16.17个百分点,可见误检率明显下降,但漏检率有所提高。经分析,漏检的障碍物大都出现在墙体、树体附近,改进欧氏聚类算法将此范围当作一个物体,所以漏检率有所提高。两种算法对移动车辆与行人都具有一定的检测能力且相差不大,传统欧氏聚类算法主要的缺陷体现在对静止物体、距离较近的物体、尺寸较小物体的检测中。
图表编号 | XD00188331500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.25 |
作者 | 刘畅、赵津、刘子豪、王玺乔、赖坤城 |
绘制单位 | 贵州大学机械工程学院、贵州大学机械工程学院、贵州大学机械工程学院、贵州大学机械工程学院、贵州大学机械工程学院 |
更多格式 | 高清、无水印(增值服务) |