CN101320520A - 一种车辆检测方法及其设备 - Google Patents
一种车辆检测方法及其设备 Download PDFInfo
- Publication number
- CN101320520A CN101320520A CNA200810116944XA CN200810116944A CN101320520A CN 101320520 A CN101320520 A CN 101320520A CN A200810116944X A CNA200810116944X A CN A200810116944XA CN 200810116944 A CN200810116944 A CN 200810116944A CN 101320520 A CN101320520 A CN 101320520A
- Authority
- CN
- China
- Prior art keywords
- image
- sift
- features
- module
- invariant feature
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 11
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000011524 similarity measure Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000006698 induction Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种车辆检测方法及其设备,所述方法包括:采集路面图像/视频;提取所述路面图像/视频内的尺度不变特征变换(SIFT)特征;对尺度不变特征变换(SIFT)特征进行有序化处理,并通过网络传送到分类器,其中,所述分类器通过事先训练得出;以及所述分类器根据经过有序化处理的尺度不变特征变换(SIFT)特征对路面图像进行车辆检测。本发明用SIFT算子来描述车辆特征,并将检测设备嵌入常用的监控摄像头/摄像机,实现了一种低成本、易实现、并行之有效的车辆检测系统。
Description
技术领域
本发明涉及一种车辆检测方法及其设备。
背景技术
近年来,车辆检测技术广泛应用于交通监控、汽车辅助驾驶系统和自动导航系统中,已经成为智能交通监控中的一个重要组成部分。现有的车辆检测技术主要是利用铺设在路面下的各种感应线圈检测车辆。
环形线圈检测器是传统的交通检测器,是目前世界上用量最大的一种检测设备。车辆通过埋设在路面下的环形线圈,引起线圈磁场的变化,检测器据此计算出车辆的流量、速度、时间占有率和长度等交通参数,并上传给中央控制系统,以满足交通控制系统的需要。
这种系统有以下缺点:线圈在安装或维护时必须直接埋入车道,这样交通会暂时受到阻碍;埋置线圈的切缝软化了路面,容易使路面受损,尤其是在有信号控制的十字路口,车辆启动或者制动时损坏可能会更加严重;感应线圈易受冰冻、路基下沉、盐碱等自然环境的影响;感应线圈由于自身的测量原理所限制,当车流拥堵,车间距小于3m的时候,其检测精度大幅度降低,甚至无法检测。
而且,在这种系统中的感应线圈容易受到电磁干扰,而且系统庞大,成本极高,难以在各种复杂情况下广泛应用。
发明内容
为了克服现有技术的不足,本发明提供了一种车辆检测方法及其设备。
在第一方面,本发明提供了一种车辆检测方法,包括:采集路面图像/视频;提取所述路面图像/视频内的尺度不变特征变换(SIFT)特征;对尺度不变特征变换(SIFT)特征进行有序化处理,并通过网络传送到分类器,其中,所述分类器通过事先训练得出;以及所述分类器根据经过有序化处理的尺度不变特征变换(SIFT)特征对路面图像进行车辆检测。
在第二方面,本发明提供了一种车辆检测设备,包括:视频采集模块,用于采集路面图像/视频;尺度不变特征变换(SIFT)特征提取模块,用于提取所述路面图像/视频内的尺度不变特征变换(SIFT)特征;以及尺度不变特征变换(SIFT)特征有序化模块,用于对提取的尺度不变特征变换(SIFT)特征进行有序化处理,以待进行车辆检测。
在第三方面,本发明提供了一种车辆检测系统,包括分类器以及在本发明第二方面提出的设备,所述分类器与所述设备通过网络相互连接。
在本发明的一个实施例中,本发明第一方面中的有序化处理包括聚类分析,包括:判断所述路面图像上所有尺度不变特征变换(SIFT)特征的特征向量与各聚类的相似性,并且将所述特征表示为聚类的集合。
在本发明的另一个实施例中,本发明第一方面中的相似性判断包括比较特征向量和聚类中心值的相似性;其中,所述聚类中心值通过事先对车辆图像样本进行聚类处理而得到。
在本发明的又一个实施例中,本发明第一方面中的训练步骤包括:收集若干包含车辆的图像样本和若干不包含车辆的图像样本;提取所有图像样本内的尺度不变特征变换(SIFT)特征;对提取的尺度不变特征变换(SIFT)特征进行有序化处理;以及利用经过有序化处理后的尺度不变特征变换(SIFT)特征来训练分类器。
在本发明的再一个实施例中,本发明第一方面中的有序化处理包括:过对车辆图像样本进行聚类处理而得到聚类中心值;通过计算图像样本上所有尺度不变特征变换(SIFT)特征向量与对应的每个聚类中心值的相似性,将图像特征表示为一个C维向量(fi)i=1 C,其中,fi为取值0或者1的二值变量,如果一个图像包含一个属于第i个聚类的特征向量则fi=1,否则fi=0;其中,C为事先确定的聚类数量。
本发明用SIFT算子来描述车辆特征,并将检测设备嵌入常用的监控摄像头/摄像机,实现了一种低成本、易实现、并行之有效的车辆检测系统。
附图说明
下面将参照附图对本发明的具体实施方案进行更详细的说明,在附图中:
图1是根据本发明的一个实施例的车辆检测系统的框图。
具体实施方式
图1是根据本发明的一个实施例的车辆检测系统的框图。
如图1所示,该系统包括视频采集模块、初始化模块、SIFT特征提取模块、SIFT特征有序化模块、分类器。
视频采集模块用于对道路情况进行拍摄并获取视频流图像。
初始化模块用于对视频流图像进行初始化处理,以得到高质量的待检图像。
SIFT特征提取模块用于从待检图像中提取车辆的SIFT特征。
SIFT特征有序化模块用于对车辆的SIFT特征进行有序化处理。
分类器用于对有序化后的SIFT特征进行分类,以检测图像中是否有车辆的存在。
应当指出,SIFT算子是一种基于尺度空间的,对于图像的缩放、旋转甚至仿射变换都保持不变的图像局部特征描述算子(全称为Scale InvariantFeature Transformation,即尺度不变特征变换)。
还应当指出,本发明提出的系统架构使用架设在路边的监控摄像头或者摄像机采集视频图像,即可以将视频采集模块、初始化模块、SIFT特征提取模块、SIFT特征有序化模块统称为嵌入式处理设备,并且可以在实际应用时将该嵌入式处理设备集成在监控摄像头或者摄像机中。这样,就可以通过前端的摄像头或者摄像机独立完成特征提取和有序化等工作,再通过网络将经过处理的特征传送到控制中心进行后续处理。
本发明的车辆检测系统的实现过程包括训练阶段和检测阶段,训练阶段的目的是训练上面所述的分类器,而检测阶段的目的是提取SIFT特征并对其进行有序化,最后通过网络传送到所述分类器以便进行车辆检测。下面,分别对这两个阶段进行详细阐述。
训练阶段
收集P个包含车辆的图像构成正样本集,N个不包含车辆的图像组成负样本集。
对正负样本集中的所有样本进行初始化处理,包括尺度归一化、光照补偿、直方图均衡等初始化操作,以便于提取特征。应当指出,这个初始化处理是可选的。
由于本发明使用SIFT算子(全称为Scale Invariant FeatureTransformation,即尺度不变特征变换)来描述车辆特征,所以需要利用SIFT特征提取模块来提取所有训练样本的SIFT特征。
对于第i个图像训练样本,使用SIFT算子来检测该训练样本中的所有特征点。假设这幅图像训练样本中总共提取了n个SIFT特征点(这些SIFT特征点具有尺度变换不变性和旋转不变性,可以很好的描述目标),那么将在每个特征点位置处生成一个128维的特征数据。因此,这个图像训练样本的特征就是n个128维的特征向量的集合
说明一下,特征点一般指的是图像中灰度变化的局部极值点,即该点的像素值比其周围一定领域内的点的像素值都大或者都小。一般来说,所述的特征点都会包含显著的结构性信息,在各种情况下都能体现出来。
采用SIFT算法来检测特征点的方法是:
设输入图像为I,设置整数型变量σ(取值从0到某一预设的整数,比如0~20),在每一个像素点I(x,y)处计算如下公式:
然后计算:
D(x,y,σ)=L(x,y,kσ)-L(x,y,σ)
其中k可以根据实际需要取值任意非1的正整数。
这样,图像中每个像素点都可以计算出D(x,y,σ),然后根据该值搜索局部极值点作为特征点/关键点。
得到关键点之后,取出该关键点周围的一小块图像,进行一些处理,就得到了一个128维的特征向量。
由于上面得出的SIFT特征向量是无序的,因此需要对提取的特征进行有序化处理,具体方法如下。
优选地,我们可以对提取的SIFT特征向量进行聚类分析来实现特征的有序化。首先,从P个正样本中手工选择出K个(K<P)有代表性的样本。然后,对上述K个样本使用SIFT特征提取模块获得的SIFT特征向量{F(1),F(2),...,F(K)}进行聚类分析。可以选择多种聚类方法,如分级聚类、均值偏移聚类等。通过聚类处理可得到C个聚类,每个聚类i获得一个标签li∈{1,2,...,C},计算出每个聚类的中心值就可以得到该聚类中所有特征向量平均值F(1),F(2),...,F(C)。
应当指出,在训练阶段得出的聚类中心值将被保存起来,以便在后边的检测阶段中供有序化处理之用。
对于每一个图像样本,分别计算出该幅图像上的所有特征点所对应的SIFT特征向量与上述每个聚类中心值的相似性。相似性处理可以使用多种相似性度量方法,比如最小均方误差(MSE)、最小平均绝对差值(MAD)、最大匹配像素统计(MPC)等等。通过相似性计算,可以获得该图像样本上所有的特征点所对应的聚类标签。这样,每个图像样本的特征就可以表示为一个C维向量(fi)i=1 C,其中fi为取值0或者1的二值变量。如果一个图像样本包含一个属于第i个聚类的特征向量则fi=1,否则fi=0。
下面,对有序化处理给出一个详细的解释。
一般来说,对于不同的图像,使用SIFT特征提取模块处理后所得到的特征点是不同的。但是,如果输入的图像属于同一类物体,比如上述用于训练的正样本图像,那么提取得出的特征点会具有一定的规律性。简言之,就是在这一类物体的某些局部会检测到特征点。举一个简单的例子,对作为正样本的车辆图像进行检测,其中的大部分样本都会在车辆的车轮、车窗等位置检测到特征点。因此,我们可以对检测到的这些特征点进行聚类分析(这里假设就只有两类:车轮、车窗)。通过聚类分析,可以得到这两类的均值以此作为这两类的特征。应当注意,在实际处理时不知道有多少个类别是具有公共性,所以必须大致估计一个类别数C,以便进行聚类分析。
完成聚类分析之后,对于每个输入的样本,我们将该图像的特征点与聚类中心值进行比较,就可以知道该图像上包含了多少个存在共性的局部(比如上面所举的例子的车轮、车窗)。举一个简单的例子,令C=2,即只考虑车轮、车窗两个局部。因此,对于表示该图像样本特征的C维向量{fi}i=1 C来说,(0,1)表示输入样本上包含车轮,不包含车窗,而(1,0)表示输入样本上包含车窗,不包含车轮。这样,就对本来无序的SIFT特征完成了有序化处理。应当明白,类别数C可以取2以外的其他整数值,即可以为图像特征划分其他更多的类别。
收集到每个训练样本中经过有序化处理后的特征向量后,可以选择各种分类器设计方法来设计分类器,比如支持向量机、最近邻分类器、人工神经网络等等。本发明给出一种较好的实现方式,即利用支持向量机来训练车辆分类器。
设给定分别属于两类的1个样本:(F(1),y1),(F(2),y2),...,(F(l),yl),其中F(l)表示第1个样本的特征,yl表示第1个样本的类别,yl取值-1或者+1。
支持向量机寻找一个最优分类面,这个最优分类面不但能将所述两类无错误地分开,而且要使两类的分类间隔最大。通过求解约束最优化问题,可以得到一个如下的最优分类面:
在上述设计之后,将完成的分类器传入控制中心,控制中心与所述嵌入式处理设备通过网络连接,以便在随后的检测阶段中对实际待检图像进行分类。
检测阶段
首先,通过所述嵌入式设备中的视频采集模块对道路情况进行拍摄,获得视频流图像。
优选地,对输入图像进行初始化处理(尺度归一化、光照补偿、直方图均衡等),以获得高质量的待检图像。
对于任意一幅待检测图像I,用一个大小为w×h的矩形搜索窗口在图像区域中从上到下,从左到右,分别以Δw和Δh的步长进行依次移动,即进行窗口搜索。所述的窗口搜索过程中包括两个处理,即提取SIFT特征以及对SIFT特征进行有序化的处理。
应当指出,由于训练阶段中的训练图像样本相对检测阶段中的待检图像来说都要小很多(比如,正样本只有车辆图像),所以在训练阶段的时候一般不采用上述的搜索窗口进行扫描,而是直接针对整幅图像进行特征提取和特征有序化处理。
在矩形搜索窗口的移动过程中,SIFT特征提取模块使用SIFT算子来检测矩形搜索窗口内的所有特征点。假设在整幅图像中共提取了ni个SIFT特征点(这些SIFT特征点具有尺度变换不变性和旋转不变性,可以很好的描述目标),那么将在每个特征点的位置处生成一个128维的特征数据。因此,这个图像样本Ii的特征就是ni个128维的特征向量的集合
同训练阶段一样,由于上面得出的SIFT特征向量是无序的,因此需要对提取得特征进行有序化处理。
为了更好地进行对SIFT特征进行有序化处理,优选地,需要对提取的SIFT特征向量进行聚类分析。在这里,可以直接利用在训练阶段所保存的聚类中心值。
对于每一个图像样本,分别计算出该幅图像上的所有特征点所对应的SIFT特征向量与上述每个聚类中心值的相似性。相似性处理可以使用多种相似性度量方法,比如最小均方误差(MSE)、最小平均绝对差值(MAD)、最大匹配像素统计(MPC)等等,以获得该图像样本上所有的特征点所对应的聚类标签。这样,每个图像样本的特征就可以表示为一个C维向量{fi}i=1 C,其中fi为取值0或者1的二值变量。如果一个图像样本包含一个属于第i个聚类的特征向量则fi=1,否则fi=0。这样,也得出了每个图像样本的有序化特征。
最后,将得到的特征向量通过网络,优选地是互联网协议(IP网络),传送到控制中心(在训练阶段得到)的分类器。车辆分类器通过传入的特征向量对图像进行分类,判断出该图像中是否存在车辆,然后将判断结果通过网络传回给嵌入式处理设备(摄像头、摄像机),从而完成了本发明的车辆检测。
显而易见,在不偏离本发明的真实精神和范围的前提下,在此描述的本发明可以有许多变化。因此,所有对于本领域技术人员来说显而易见的改变,都应包括在本权利要求书所涵盖的范围之内。本发明所要求保护的范围仅由所述的权利要求书进行限定。
Claims (20)
1.一种车辆检测方法,包括:
采集路面图像/视频;
提取所述路面图像/视频内的尺度不变特征变换(SIFT)特征;
对尺度不变特征变换(SIFT)特征进行有序化处理,并通过网络传送到分类器,其中,所述分类器通过事先训练得出;以及
所述分类器根据经过有序化处理的尺度不变特征变换(SIFT)特征对路面图像进行车辆检测。
2.根据权利要求1的方法,其中,所述有序化处理包括聚类分析,包括:判断所述路面图像上所有尺度不变特征变换(SIFT)特征的特征向量与各聚类的相似性,并且将所述特征表示为聚类的集合。
3.根据权利要求2的方法,其中,相似性判断包括比较特征向量和聚类中心值的相似性;其中,所述聚类中心值通过事先对车辆图像样本进行聚类处理而得到。
4.根据权利要求3的方法,其中,所述相似性判断采用下列相似性度量方法中的一种或多种:最小均方误差(MSE)、最小平均绝对差值(MAD)、最大匹配像素统计(MPC)。
5.根据权利要求2的方法,其中,所述聚类处理包括下列方法中的一种或多种:分级聚类、均值偏移聚类。
6.根据权利要求1的方法,还包括对采集到的路面图像进行下列初始化处理:
对图像进行尺度归一化处理;和/或
对图像进行光照补偿处理;和/或
对图像进行直方图均衡处理。
7.根据权利要求1的方法,其中,所述训练步骤包括:
收集若干包含车辆的图像样本和若干不包含车辆的图像样本;
提取所有图像样本内的尺度不变特征变换(SIFT)特征;
对提取的尺度不变特征变换(SIFT)特征进行有序化处理;以及
利用经过有序化处理后的尺度不变特征变换(SIFT)特征来训练分类器。
8.根据权利要求7的方法,其中,所述有序化处理包括:
通过对车辆图像样本进行聚类处理而得到聚类中心值;
通过计算图像样本上所有尺度不变特征变换(SIFT)特征向量与对应的每个聚类中心值的相似性,将图像特征表示为一个C维向量(fi)i=1 C,
其中,fi为取值0或者1的二值变量,如果一个图像包含一个属于第i个聚类的特征向量则fi=1,否则fi=0;
其中,C为事先确定的聚类数量。
9.根据权利要求1的方法,其中,所述网络是互联网协议(IP)网络。
10.一种车辆检测设备,包括:
视频采集模块,用于采集路面图像/视频;
尺度不变特征变换(SIFT)特征提取模块,用于提取所述路面图像/视频内的尺度不变特征变换(SIFT)特征;以及
尺度不变特征变换(SIFT)特征有序化模块,用于对提取的尺度不变特征变换(SIFT)特征进行有序化处理,以待进行车辆检测。
11.根据权利要求10的设备,其中,所述尺度不变特征变换(SIFT)特征有序化模块包括:
通过计算所述路面图像上所有尺度不变特征变换(SIFT)特征向量与对应的每个聚类中心值的相似性,将图像特征表示为一个C维向量(fi)i=1 C的模块;
其中,fi为取值0或者1的二值变量,如果一个图像包含一个属于第i个聚类的特征向量,则fi=1,否则fi=0;
其中,C为事先确定的聚类数量;
其中,所述聚类中心值通过事先对图像样本进行聚类处理而得到。
12.根据权利要求10的设备,还包括:
初始化模块,用于对采集到的车辆图像进行初始化处理。
13.根据权利要求12的设备,还包括:
对图像进行尺度归一化处理的模块;和/或
对图像进行光照补偿处理的模块;和/或
对图像进行直方图均衡处理的模块。
14.根据权利要求10的设备,其中,所述设备是摄像头。
15.一种车辆检测系统,包括分类器以及如权利要求12所述的设备,所述分类器与所述设备通过网络相互连接。
16.根据权利要求15的系统,其中,所述分类器包括:
支持向量机、最近邻分类器、或人工神经网络。
17.根据权利要求15的系统,还包括训练设备,所述训练设备用于训练所述分类器。
18.根据权利要求17的系统,所述训练设备包括:
收集若干包含车辆的图像样本和若干不包含车辆的图像样本的模块;
提取所有图像样本内的尺度不变特征变换(SIFT)特征的模块;
对提取的尺度不变特征变换(SIFT)特征进行有序化处理的模块;以及
利用有序化处理后的尺度不变特征变换(SIFT)特征来训练分类器的模块。
19.根据权利要求17的系统,还包括:
初始化模块,用于对所述收集到的图像进行初始化处理。
20.根据权利要求18的系统,其中,所述有序化模块包括:
通过对所述包含车辆的图像样本进行聚类处理而得到聚类中心值的模块;
通过计算图像样本上所有尺度不变特征变换(SIFT)特征向量与对应的每个聚类中心值的相似性,将图像特征表示为一个C维向量(fi)i=1 C的模块,
其中,fi为取值0或者1的二值变量,如果一个图像包含一个属于第i个聚类的特征向量则fi=1,否则fi=0;
其中,C为事先确定的聚类数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810116944XA CN101320520B (zh) | 2008-07-21 | 2008-07-21 | 一种车辆检测方法及其设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810116944XA CN101320520B (zh) | 2008-07-21 | 2008-07-21 | 一种车辆检测方法及其设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101320520A true CN101320520A (zh) | 2008-12-10 |
CN101320520B CN101320520B (zh) | 2012-07-04 |
Family
ID=40180547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200810116944XA Active CN101320520B (zh) | 2008-07-21 | 2008-07-21 | 一种车辆检测方法及其设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101320520B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360434A (zh) * | 2011-10-09 | 2012-02-22 | 江苏大学 | 一种智能交通监控中车辆和行人的目标分类方法 |
CN102651075A (zh) * | 2011-02-28 | 2012-08-29 | 中兴智能交通系统(北京)有限公司 | 车辆识别模型训练方法、车辆识别方法及装置 |
CN102695040A (zh) * | 2012-05-03 | 2012-09-26 | 中兴智能交通(无锡)有限公司 | 基于gpu的并行高清视频车辆检测方法 |
CN103518230A (zh) * | 2011-03-14 | 2014-01-15 | 加州大学评议会 | 用于车辆分类的方法和系统 |
CN104966087A (zh) * | 2015-06-02 | 2015-10-07 | 北京京东尚科信息技术有限公司 | 图像sift条纹特征滤除方法以及装置 |
CN105184286A (zh) * | 2015-10-20 | 2015-12-23 | 深圳市华尊科技股份有限公司 | 一种车辆检测方法及检测装置 |
CN105335758A (zh) * | 2015-11-03 | 2016-02-17 | 电子科技大学 | 一种基于视频费舍尔向量描述符的车型识别方法 |
CN110349415A (zh) * | 2019-06-26 | 2019-10-18 | 江西理工大学 | 一种基于多尺度变换的行车速度测量方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100578527C (zh) * | 2007-12-29 | 2010-01-06 | 北京中星微电子有限公司 | 一种图像检测方法及装置 |
-
2008
- 2008-07-21 CN CN200810116944XA patent/CN101320520B/zh active Active
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651075A (zh) * | 2011-02-28 | 2012-08-29 | 中兴智能交通系统(北京)有限公司 | 车辆识别模型训练方法、车辆识别方法及装置 |
CN103518230B (zh) * | 2011-03-14 | 2017-02-22 | 加州大学评议会 | 用于车辆分类的方法和系统 |
CN103518230A (zh) * | 2011-03-14 | 2014-01-15 | 加州大学评议会 | 用于车辆分类的方法和系统 |
US9239955B2 (en) | 2011-03-14 | 2016-01-19 | The Regents Of The University Of California | Method and system for vehicle classification |
CN102360434A (zh) * | 2011-10-09 | 2012-02-22 | 江苏大学 | 一种智能交通监控中车辆和行人的目标分类方法 |
CN102695040A (zh) * | 2012-05-03 | 2012-09-26 | 中兴智能交通(无锡)有限公司 | 基于gpu的并行高清视频车辆检测方法 |
CN102695040B (zh) * | 2012-05-03 | 2014-04-16 | 中兴智能交通(无锡)有限公司 | 基于gpu的并行高清视频车辆检测方法 |
CN104966087A (zh) * | 2015-06-02 | 2015-10-07 | 北京京东尚科信息技术有限公司 | 图像sift条纹特征滤除方法以及装置 |
CN104966087B (zh) * | 2015-06-02 | 2018-06-01 | 北京京东尚科信息技术有限公司 | 图像sift条纹特征滤除方法以及装置 |
CN105184286A (zh) * | 2015-10-20 | 2015-12-23 | 深圳市华尊科技股份有限公司 | 一种车辆检测方法及检测装置 |
CN105335758A (zh) * | 2015-11-03 | 2016-02-17 | 电子科技大学 | 一种基于视频费舍尔向量描述符的车型识别方法 |
CN110349415A (zh) * | 2019-06-26 | 2019-10-18 | 江西理工大学 | 一种基于多尺度变换的行车速度测量方法 |
CN110349415B (zh) * | 2019-06-26 | 2021-08-20 | 江西理工大学 | 一种基于多尺度变换的行车速度测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101320520B (zh) | 2012-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101320520A (zh) | 一种车辆检测方法及其设备 | |
CN111429484B (zh) | 一种基于交通监控视频的多目标车辆轨迹实时构建方法 | |
CN106683119B (zh) | 基于航拍视频图像的运动车辆检测方法 | |
CN102609720B (zh) | 一种基于位置校正模型的行人检测方法 | |
CN109101924A (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN103258432A (zh) | 基于视频的交通事故自动识别处理方法和系统 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN104112122A (zh) | 基于交通视频的车标自动识别方法 | |
CN102629385A (zh) | 一种基于多摄像机信息融合的目标匹配与跟踪系统及方法 | |
CN110619279A (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
Mittal et al. | Training a deep learning architecture for vehicle detection using limited heterogeneous traffic data | |
CN108520528B (zh) | 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法 | |
Appiah et al. | Object detection in adverse weather condition for autonomous vehicles | |
Tsai et al. | Vehicle detection using normalized color and edge map | |
CN109977862A (zh) | 一种车位限位器的识别方法 | |
CN104517127A (zh) | 一种基于Bag-of-features模型的自学习行人计数方法及装置 | |
Tschentscher et al. | Comparing image features and machine learning algorithms for real-time parking space classification | |
Awang et al. | Automated toll collection system based on vehicle type classification using sparse-filtered convolutional neural networks with layer-skipping strategy (sf-cnnls) | |
Saini et al. | Region and feature matching based vehicle tracking for accident detection | |
CN108229562B (zh) | 一种得到路面具体破损分类情况的方法 | |
Dalka et al. | Vehicle classification based on soft computing algorithms | |
Meshram et al. | Vehicle detection and tracking techniques used in moving vehicles | |
CN113392695B (zh) | 一种公路货车及其轮轴识别方法 | |
Ghosh | A modified YOLO model for on-road vehicle detection in varying weather conditions | |
Dinh et al. | Vehicle classification and detection based coarse data for warning traffic jam in VietNam |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210223 Address after: No. 602, 6th floor, shining building, 35 Xueyuan Road, Haidian District, Beijing 100083 Patentee after: BEIJING ZHONGXINGTIANSHI TECHNOLOGY Co.,Ltd. Address before: 100083, Haidian District, Xueyuan Road, Beijing No. 35, Nanjing Ning building, 16 floor Patentee before: Vimicro Corp. |