CN106776943A - 一种基于AutoEncoder和属性标签的车辆检索方法 - Google Patents
一种基于AutoEncoder和属性标签的车辆检索方法 Download PDFInfo
- Publication number
- CN106776943A CN106776943A CN201611095523.4A CN201611095523A CN106776943A CN 106776943 A CN106776943 A CN 106776943A CN 201611095523 A CN201611095523 A CN 201611095523A CN 106776943 A CN106776943 A CN 106776943A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- attribute
- bayonet
- image
- autoencoder
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于AutoEncoder和属性标签的车辆检索方法,其特征在于,包括步骤:a)采集卡口车辆图像数据集,训练深度AutoEncoder用于提取车辆的全局视觉特征;b)对所述卡口车辆,训练部件检测和属性识别模型,用于获得车辆属性标签识别;c)提取监控系统中的所有卡口图像,检测车辆后提取车辆全局特征和属性标签,完成车辆数据入库;d)将待检索图像与卡口车辆图像数据库进行相似度匹配:在待检索图像输入到AutoEncoder网络中计算得到车辆特征,将车辆特征与所述卡口车辆图像数据库中的车辆特征进行比较,按相似度排序返回检索结果;e)输入待检索图像中的车辆属性,通过车辆属性进一步对步骤d中的检索结果进行筛选。
Description
技术领域
本发明涉及人工智能、机器学习、模式识别、视频检索、统计学等技术领域,具体是一种车型、车等多种特征综合的方法在车辆检索这一智能化监控视频分析技术中的应用。
背景技术
随着交通容量和车辆数目的大幅增加,各种交通违章和交通肇事频频发生,给交通监管部门提出了更高的要求。传统的人工标注和检索方式已无法满足现代交通发展的需要。基于监控网络的车辆检索是采用基于内容的图像检索技术从车道卡口快速查找车辆。传统内容检索方式包括图像特征提取、分类器学习和视觉相似性检索。采用单一特征进行车辆检索,在返回目标结果的同时往往会返回大量其他也满足此检索要求的结果。因此车辆检索技术一方面需要采用更具体代表性的特征,另一面需要在单一特征检索的基础上通过其它的筛选方法,更一步检索得到用户所需的结果。
发明内容
本发明提供了一种基于AutoEncoder和属性标签的车辆检索方法,其特征在于,包括步骤:a)采集卡口车辆图像数据库,通过训练深度AutoEncoder提取车辆的全局视觉特征;b)对所述卡口车辆,训练部件检测和属性识别模型,获得车辆属性标签;c)提取监控系统中的所有卡口图像,完成车辆检测后提取车辆全局特征和属性标签,完成车辆数据入库;d)将待检索图像与卡口车辆图像数据库进行相似度匹配:在待检索图像输入到AutoEncoder网络中计算得到车辆特征,将车辆特征与所述卡口车辆图像数据库中的车辆特征进行比较,按相似度排序返回检索结果;e)输入待检索图像中的车辆属性,通过车辆属性进一步对步骤d中的检索结果进行筛选。
优选地,所述步骤a)中训练深度AutoEncoder的方法为:编码端为三层特征提取部分,解码端为三层重构部分:第一个编码层的权重矩阵和偏移第一个解码层的权重矩阵和偏移第二个编码层的权重矩阵和偏移第二层解码层的权重矩阵和偏移第三个编码层的权重矩阵和偏移第三解码层的权重矩阵和偏移其目标函数为:
其中 为sigmoid函数。
采用逐层贪婪法训练AutoEncoder。
优选地,所述步骤b)中的车辆属性包括车脸、车窗、车型、车牌底板颜色、车身颜色以及年检标、挂件和摆放物。
优选地,所述车辆属性的车脸检测方法为:分别使用5万车脸正样本和10万样本负样本,使用ACF(聚合通道特征)作为车脸特征训练Adaboost检测器。
优选地,所述车辆属性的车窗检测方法为:分别使用5万车窗正样本和10万样本负样本,并且使用ACF作为车窗特征训练Adaboost检测器。
优选地,所述车辆属性的车型识别方法为:车型分为轿车、SUV、小型客车、大型客车、小货车、大货车、罐车和其它共8种类型,从不同场景和不同气候条件下的卡口车辆图像中获取车脸样本做为训练样本训练卷积神经网络做车型识别。
优选地,所述车辆属性的车牌底板颜色识别方法为:车牌底板颜色定义为蓝、黄、白和黑4种,在RGB空间将车牌底板颜色量化为该4种。
优选地,所述车辆属性的车身颜色识别方法为:在HSV颜色空间中将车身颜色量化成粉、红、橙、黄、棕、绿、青、蓝、紫、白、灰和黑11种后统计每种颜色的数量,并计算出车身的主颜色。
优选地,所述车辆属性的年检标,挂件和摆放库的检测方法为:分别使用5万车窗正样本和10万样本负样本,并且使用ACF作为车窗特征训练Adaboost检测器。
与现有技术相比,本发明的有益效果是:
1、本发明采用百万级大数据训练深度AutoEncoder神经网络,得到车辆特征更本质的表示,提高了检索的精度;
2、本发明采用百万级大数据训练卷积神经进行车辆的属性标注,采用语义标签对检索结果进一步筛选,在一定程度上解决了单一视觉特征检索的语义鸿沟问题。
应当理解,前述大体的描述和后续详尽的描述均为示例性说明和解释,并不应当用作对本发明所要求保护内容的限制。
附图说明
参考随附的附图,本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明,其中:
图1示出了根据本发明的基于AutoEncoder的视觉特征和属性标签检索实施流程图;
图2示出了步骤a中训练深度AutoEncoder的方法的示意图;
图3示出了基于卷积神经网络的车脸识别图像的示意图;
图4示出了步骤b中车辆属性特征获取的示意图。
具体实施方式
通过参考示范性实施例,本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而,本发明并不受限于以下所公开的示范性实施例;可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。
在下文中,将参考附图描述本发明的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。
如图1所示,为根据本发明的基于AutoEncoder的视觉特征和属性标签的实施流程图,包括步骤:
步骤110:获取卡口车辆图像数据库,通过训练深度AutoEncoder提取车辆的全局视觉特征;构建深度AutoEncoder网络,通过人工标注和检测追踪算法获取包括不同场景和不同气候条件的卡口车辆图像,采用误差反馈传播算法训练。用大数据训练深度AutoEncoder进行车辆特征提取。
训练深度AutoEncoder提取车辆视觉特征。采用百万图像样本做为训练样本;通过人工标注和检测追踪算法获取百万张目标图像,包括不同场景和不同气候条件的卡口车辆图像。构造深度AutoEncoder的结构如图2,其中编码端encoder为三层特征提取部分,解码端decoder为三层重构部分。第一个编码层的权重矩阵和偏移第一个解码层的权重矩阵和偏移第二个编码层的权重矩阵和偏移第二层解码层的权重矩阵和偏移第三个编码层的权重矩阵和偏移第三解码层的权重矩阵和偏移其目标函数为:
其中 为sigmoid函数。
采用逐层贪婪法训练AutoEncoder。
步骤120:定义车辆的属性特征,采用基于视觉信息的检测和识别方法,对车辆的属性进行语义标注;采集卡口车辆图像集训练车辆部件检测和属性识别模型。
图4示出了步骤120中车辆属性特征获取的示意图;车辆的属性标注包括车脸检测、车窗检测、车型识别、车牌底色识别、车身颜色识别、车标检测、挂件检测、车牌检测、摆放物和年检标数量计算。
根据本发明的一个实施例,车窗检测包括年检标、挂件、摆放物检测等;车脸检测包括车牌、车脸主色判断和车脸识别,其中车牌检测包括车牌底色检测,车脸识别能够识别大型客车。具体的检测方法为:
车脸检测:分别使用5万车脸正样本和10万样本负样本,使用ACF(聚合通道特征)作为车脸特征训练Adaboost检测器。
其中通过车脸图像训练车型识别模型。图3示出了基于卷积神经网络的车脸识别图像的示意图;在构建卷积神经网络进行车脸识别,整个卷积神经网络包含3个卷积层(C1,C2,C3)与2个池化层(S1,S2),一层全连接层f1,最后加一层softmax回归分类器层f2。3个卷积层的滤波器大小均为5×5像素;特征图个数依次为30,60,40;池化大小为2×2,最后输出8个车辆类型。训练该网络的数据库为从卡口摄像头获取,经过人工标注百万张车脸数据库,取其中20%作为验证集,使用mxnet框架训练得到。
车窗检测:分别使用5万车窗正样本和10万样本负样本,并且使用ACF作为车窗特征训练Adaboost检测器。
车型标注:车型分为轿车、SUV、小型客车、大型客车、小货车、大货车、罐车和其它共8种类型。从不同场景和不同气候条件下的卡口车辆图像中获取车脸样本做为训练样本训练卷积神经网络做车型识别。
车牌底板颜色标注:车牌底板颜色定义为蓝、黄、白和黑4种,在RGB空间将车牌底板颜色量化为该4种。
车身颜色标注:在HSV颜色空间中将车身颜色量化成粉、红、橙、黄、棕、绿、青、蓝、紫、白、灰和黑11种后统计每种颜色的数量,并计算出车身的主颜色。
年检标,挂件和摆放库的检测:分别使用5万车窗正样本和10万样本负样本,并且使用ACF作为车窗特征训练Adaboost检测器。
步骤130:提取监控系统中的所有卡口的待检索图像,完成车辆的特征提取;该步骤为卡口数据的入库处:将所有监控系统内的所有卡口图像通过Adaboost方法检测到车辆,采用AutoEncoder特征提取特征保存,同时得到步骤120中的属性标注方法获取车辆的属性,将属性标签保存。
步骤140:将待检索图像与卡口车辆图像数据库进行相似度匹配:在待检索图像中截取检索车辆目标,输入到AutoEncoder网络中计算得到车辆特征,将车辆特征与所述卡口车辆图像数据库中的车辆特征进行比较,按相似度排序返回检索结果;
采用属性特征的标签对车辆进行匹配和筛选方法,是步骤1深度AutoEncoder特征做匹配后,得到候选目标。
步骤150:;输入待检索图像中的车辆属性,通过车辆属性进一步对步骤140中的检索结果进行筛选。通过用户输入待检索目标的语义信息(年检标的个数、摆件的有无、识别车牌底板颜色等)从候选目标筛选具有输入的属性特征的目标返回给用户。
与现有技术相比,本发明的有益效果是:
1,本发明采用百万级大数据训练深度AutoEncoder神经网络,得到车辆特征更本质的表示,提高了基于单一视觉特征检索的精度;
2,本发明采用百万级大数据训练卷积神经进行车辆的属性标注,采用语义标签对检索结果进一步筛选,在一定程度上解决了单一视觉特征检索的语义鸿沟问题。
结合这里披露的本发明的说明和实践,本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的,本发明的真正范围和主旨均由权利要求所限定。
Claims (9)
1.一种基于AutoEncoder和属性标签的车辆检索方法,其特征在于,包括步骤:
a)采集卡口车辆图像数据集,通过训练深度AutoEncoder用于提取车辆的全局视觉特征;
b)对所述卡口车辆,训练部件检测和属性识别模型,用于获得车辆属性标签;
c)提取监控系统中的所有卡口图像,检测车辆后提取车辆全局特征和属性标签,完成车辆数据入库;
d)将待检索图像与卡口车辆图像数据库进行相似度匹配:在待检索图像输入到AutoEncoder网络中计算得到车辆特征,将车辆特征与所述卡口车辆图像数据库中的车辆特征进行比较,按相似度排序返回检索结果;
e)输入待检索图像中的车辆属性,通过车辆属性进一步对步骤d中的检索结果进行筛选。
2.根据权利要求1所述的方法,其特征在于:所述步骤a)中训练深度AutoEncoder的方法为:编码端为三层特征提取部分,解码端为三层重构部分:第一个编码层的权重矩阵W1 A和偏移第一个解码层的权重矩阵W1 R和偏移第二个编码层的权重矩阵和偏移第二层解码层的权重矩阵和偏移第三个编码层的权重矩阵和偏移第三解码层的权重矩阵和偏移其目标函数为:
其中 为sigmoid函数。
采用逐层贪婪法训练AutoEncoder。
3.根据权利要求1所述的方法,其特征在于:所述步骤b)中训练属性识别模型的数据包括人工标注和检测追踪算法获取的包括不同场景和不同气候条件下的卡口车辆图像;车辆属性包括车脸、车窗、车型、车牌底板颜色、车身颜色以及年检标、挂件和摆放物。
4.根据权利要求3所述的方法,其特征在于:所述车辆属性的车脸检测方法为:分别使用5万车脸正样本和10万样本负样本,使用ACF聚合通道特征作为车脸特征训练Adaboost检测器。
5.根据权利要求3所述的方法,其特征在于:所述车辆属性的车窗检测方法为:分别使用5万车窗正样本和10万样本负样本,并且使用ACF作为车窗特征训练Adaboost检测器。
6.根据权利要求3所述的方法,其特征在于:所述车辆属性的车型识别方法为:车型分为轿车、SUV、小型客车、大型客车、小货车、大货车、罐车和其它共8种类型,从不同场景和不同气候条件下的卡口车辆图像中获取车脸样本做为训练样本训练卷积神经网络做车型识别。
7.根据权利要求3所述的方法,其特征在于:所述车辆属性的车牌底板颜色识别方法为:车牌底板颜色定义为蓝、黄、白和黑4种,在RGB空间将车牌底板颜色量化为该4种。
8.根据权利要求3所述的方法,其特征在于:所述车辆属性的车身颜色识别方法为:在HSV颜色空间中将车身颜色量化成粉、红、橙、黄、棕、绿、青、蓝、紫、白、灰和黑11种后统计每种颜色的数量,并计算出车身的主颜色。
9.根据权利要求3所述的方法,其特征在于:所述车辆属性的年检标,挂件和摆放库的检测方法为:分别使用5万车窗正样本和10万样本负样本,并且使用ACF作为车窗特征训练Adaboost检测器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611095523.4A CN106776943A (zh) | 2016-12-01 | 2016-12-01 | 一种基于AutoEncoder和属性标签的车辆检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611095523.4A CN106776943A (zh) | 2016-12-01 | 2016-12-01 | 一种基于AutoEncoder和属性标签的车辆检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106776943A true CN106776943A (zh) | 2017-05-31 |
Family
ID=58883414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611095523.4A Pending CN106776943A (zh) | 2016-12-01 | 2016-12-01 | 一种基于AutoEncoder和属性标签的车辆检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106776943A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729502A (zh) * | 2017-10-18 | 2018-02-23 | 公安部第三研究所 | 一种卡口车辆个性化特征智能检索系统及方法 |
CN107944501A (zh) * | 2017-12-11 | 2018-04-20 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
CN108154160A (zh) * | 2017-12-27 | 2018-06-12 | 苏州科达科技股份有限公司 | 车牌颜色识别方法及系统 |
CN108197326A (zh) * | 2018-02-06 | 2018-06-22 | 腾讯科技(深圳)有限公司 | 一种车辆检索方法及装置、电子设备、存储介质 |
CN108319907A (zh) * | 2018-01-26 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 一种车辆识别方法、装置和存储介质 |
CN108563976A (zh) * | 2017-11-29 | 2018-09-21 | 浙江工业大学 | 一种基于车窗位置的多方向车辆颜色识别方法 |
CN108984644A (zh) * | 2018-06-25 | 2018-12-11 | 高新兴科技集团股份有限公司 | 一种套牌车检索方法及系统 |
CN109101934A (zh) * | 2018-08-20 | 2018-12-28 | 广东数相智能科技有限公司 | 车型识别方法、装置与计算机可读存储介质 |
CN109145928A (zh) * | 2017-06-16 | 2019-01-04 | 杭州海康威视数字技术股份有限公司 | 一种基于图像的车头朝向识别方法及装置 |
CN109145759A (zh) * | 2018-07-25 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 车辆属性识别方法、装置、服务器及存储介质 |
CN109446371A (zh) * | 2018-11-09 | 2019-03-08 | 苏州清研精准汽车科技有限公司 | 一种智能汽车仿真测试场景库生成方法及测试系统和方法 |
CN109635825A (zh) * | 2018-12-19 | 2019-04-16 | 苏州市科远软件技术开发有限公司 | 车辆属性检测方法、装置及存储介质 |
CN110555125A (zh) * | 2018-05-14 | 2019-12-10 | 桂林远望智能通信科技有限公司 | 一种基于局部特征的车辆检索方法 |
CN110659374A (zh) * | 2019-09-19 | 2020-01-07 | 江苏鸿信系统集成有限公司 | 一种基于神经网络提取车辆特征值及属性的以图搜图方法 |
CN111814751A (zh) * | 2020-08-14 | 2020-10-23 | 深延科技(北京)有限公司 | 基于深度学习目标检测和图像识别的车辆属性分析方法及系统 |
CN112905824A (zh) * | 2021-02-08 | 2021-06-04 | 智慧眼科技股份有限公司 | 目标车辆追踪方法、装置、计算机设备及存储介质 |
CN112990070A (zh) * | 2021-03-31 | 2021-06-18 | 苏州科达科技股份有限公司 | 一种车辆颜色检测方法、系统、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140079297A1 (en) * | 2012-09-17 | 2014-03-20 | Saied Tadayon | Application of Z-Webs and Z-factors to Analytics, Search Engine, Learning, Recognition, Natural Language, and Other Utilities |
CN105808691A (zh) * | 2016-03-03 | 2016-07-27 | 博康智能网络科技股份有限公司 | 一种卡口车辆检索方法及其系统 |
CN106056102A (zh) * | 2016-07-01 | 2016-10-26 | 哈尔滨工业大学 | 基于视频图像分析的道路车型分类方法 |
-
2016
- 2016-12-01 CN CN201611095523.4A patent/CN106776943A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140079297A1 (en) * | 2012-09-17 | 2014-03-20 | Saied Tadayon | Application of Z-Webs and Z-factors to Analytics, Search Engine, Learning, Recognition, Natural Language, and Other Utilities |
CN105808691A (zh) * | 2016-03-03 | 2016-07-27 | 博康智能网络科技股份有限公司 | 一种卡口车辆检索方法及其系统 |
CN106056102A (zh) * | 2016-07-01 | 2016-10-26 | 哈尔滨工业大学 | 基于视频图像分析的道路车型分类方法 |
Non-Patent Citations (1)
Title |
---|
贾文其等: ""基于栈式降噪自编码神经网络的车牌字符识别"", 《计算机工程与设计》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145928A (zh) * | 2017-06-16 | 2019-01-04 | 杭州海康威视数字技术股份有限公司 | 一种基于图像的车头朝向识别方法及装置 |
CN109145928B (zh) * | 2017-06-16 | 2020-10-27 | 杭州海康威视数字技术股份有限公司 | 一种基于图像的车头朝向识别方法及装置 |
CN107729502A (zh) * | 2017-10-18 | 2018-02-23 | 公安部第三研究所 | 一种卡口车辆个性化特征智能检索系统及方法 |
CN108563976B (zh) * | 2017-11-29 | 2021-04-02 | 浙江工业大学 | 一种基于车窗位置的多方向车辆颜色识别方法 |
CN108563976A (zh) * | 2017-11-29 | 2018-09-21 | 浙江工业大学 | 一种基于车窗位置的多方向车辆颜色识别方法 |
CN107944501A (zh) * | 2017-12-11 | 2018-04-20 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
CN108154160A (zh) * | 2017-12-27 | 2018-06-12 | 苏州科达科技股份有限公司 | 车牌颜色识别方法及系统 |
CN108154160B (zh) * | 2017-12-27 | 2020-02-21 | 苏州科达科技股份有限公司 | 车牌颜色识别方法及系统 |
CN108319907A (zh) * | 2018-01-26 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 一种车辆识别方法、装置和存储介质 |
CN108197326A (zh) * | 2018-02-06 | 2018-06-22 | 腾讯科技(深圳)有限公司 | 一种车辆检索方法及装置、电子设备、存储介质 |
CN110555125A (zh) * | 2018-05-14 | 2019-12-10 | 桂林远望智能通信科技有限公司 | 一种基于局部特征的车辆检索方法 |
CN108984644B (zh) * | 2018-06-25 | 2021-04-23 | 高新兴科技集团股份有限公司 | 一种套牌车检索方法及系统 |
CN108984644A (zh) * | 2018-06-25 | 2018-12-11 | 高新兴科技集团股份有限公司 | 一种套牌车检索方法及系统 |
CN109145759A (zh) * | 2018-07-25 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 车辆属性识别方法、装置、服务器及存储介质 |
CN109145759B (zh) * | 2018-07-25 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 车辆属性识别方法、装置、服务器及存储介质 |
CN109101934A (zh) * | 2018-08-20 | 2018-12-28 | 广东数相智能科技有限公司 | 车型识别方法、装置与计算机可读存储介质 |
CN109446371A (zh) * | 2018-11-09 | 2019-03-08 | 苏州清研精准汽车科技有限公司 | 一种智能汽车仿真测试场景库生成方法及测试系统和方法 |
CN109635825A (zh) * | 2018-12-19 | 2019-04-16 | 苏州市科远软件技术开发有限公司 | 车辆属性检测方法、装置及存储介质 |
CN110659374A (zh) * | 2019-09-19 | 2020-01-07 | 江苏鸿信系统集成有限公司 | 一种基于神经网络提取车辆特征值及属性的以图搜图方法 |
CN111814751A (zh) * | 2020-08-14 | 2020-10-23 | 深延科技(北京)有限公司 | 基于深度学习目标检测和图像识别的车辆属性分析方法及系统 |
CN112905824A (zh) * | 2021-02-08 | 2021-06-04 | 智慧眼科技股份有限公司 | 目标车辆追踪方法、装置、计算机设备及存储介质 |
CN112990070A (zh) * | 2021-03-31 | 2021-06-18 | 苏州科达科技股份有限公司 | 一种车辆颜色检测方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106776943A (zh) | 一种基于AutoEncoder和属性标签的车辆检索方法 | |
WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN106023220A (zh) | 一种基于深度学习的车辆外观部件图像分割方法 | |
CN106022300A (zh) | 基于级联深度学习的交通标志识别方法和系统 | |
CN104573685B (zh) | 一种基于线性结构提取的自然场景文本检测方法 | |
CN104537387A (zh) | 利用神经网络实现车型分类的方法和系统 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
Sheikh et al. | Traffic sign detection and classification using colour feature and neural network | |
EP3424000A1 (de) | Verfahren zur erstellung einer beschreibung eines gepäckstücks und gepäckbeschreibungssystem | |
CN104463241A (zh) | 一种智能交通监控系统中的车辆类型识别方法 | |
Laroca et al. | On the cross-dataset generalization in license plate recognition | |
CN103034863A (zh) | 一种结合核Fisher与多尺度提取的遥感影像道路获取方法 | |
CN102043945A (zh) | 基于车辆实时跟踪和二进指数分类车牌字符识别的方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
Kumar et al. | Automatic vehicle number plate recognition system using machine learning | |
CN106251347A (zh) | 地铁异物检测方法、装置、设备及地铁屏蔽门系统 | |
CN106257490A (zh) | 检测行驶车辆信息的方法及系统 | |
CN104182985A (zh) | 遥感图像变化检测方法 | |
CN106960176A (zh) | 一种基于超限学习机和颜色特征融合的行人性别识别方法 | |
CN109766823A (zh) | 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法 | |
CN107092884A (zh) | 一种快速粗精级联行人检测方法 | |
CN104156717A (zh) | 基于图像处理技术的驾驶员驾车打电话违章识别方法 | |
Han et al. | Vision-based crack detection of asphalt pavement using deep convolutional neural network | |
CN108764330A (zh) | 基于超像素分割和卷积反卷积网络的sar图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |
|
RJ01 | Rejection of invention patent application after publication |