CN103136537A - 一种基于支持向量机的车型识别方法 - Google Patents

一种基于支持向量机的车型识别方法 Download PDF

Info

Publication number
CN103136537A
CN103136537A CN2012105340994A CN201210534099A CN103136537A CN 103136537 A CN103136537 A CN 103136537A CN 2012105340994 A CN2012105340994 A CN 2012105340994A CN 201210534099 A CN201210534099 A CN 201210534099A CN 103136537 A CN103136537 A CN 103136537A
Authority
CN
China
Prior art keywords
pixel
frame
support vector
vector machine
image
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
Application number
CN2012105340994A
Other languages
English (en)
Other versions
CN103136537B (zh
Inventor
蔡昭权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Shibao Technology Co ltd
Original Assignee
Huizhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huizhou University filed Critical Huizhou University
Priority to CN201210534099.4A priority Critical patent/CN103136537B/zh
Publication of CN103136537A publication Critical patent/CN103136537A/zh
Application granted granted Critical
Publication of CN103136537B publication Critical patent/CN103136537B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于支持向量机的车型识别方法，首先从待处理视频流中利用快速背景建模方法构建运动背景，并对背景进行自适应更新；然后采用结合背景差分和帧间差分的方法进行运动目标检测，获取运动前景，并对前景图进行阴影检测和形态学滤波；再从处理后的前景图中提取出车辆目标，对目标车辆进行跟踪并提取关键帧；接着从关键帧提取出车辆的外型特征然后利用支持向量机的方法对目标车辆进行分类。本发明能适应外界环境的变化，且检测结果又较高的准确率，具有较高的适用性和鲁棒性。

Description

一种基于支持向量机的车型识别方法
技术领域
本发明涉及一种基于支持向量机的车型识别方法，属视频图像处理和车辆检测领域。 
背景技术
随着我国的城市化进展，道路交通和车辆运输发展迅速，基于视频的交通监控系统迅速发展起来。同时，为了解决数据量巨大的视频检索问题，基于内容的视频检索技术迅速发展。它通过对视频数据中所包含的视觉内容自动进行分析和特征提取，使人们可以直接利用计算机搜索符合主观感受的相似内容。交通视频中机动车辆检索的研究作为内容检索的一个特例，有着十分重要的意义。交管部门可以利用检索提取车辆的各种特征参数，提高了交通执法效率；还可以提取车辆速度、车流量等信息，为交通规划提供一定依据。 
车型识别是车辆检索的基础，目前在车型识别中应用较多的方法是模糊神经网络和BP 网络等方法,但这些方法难以解决模式识别中存在的复杂性和推广性的矛盾,本发明采用支持向量机方法,具有计算量小,能较好地解决小样本、非线性和局部极小点等问题。 
发明内容
本发明针对当前车型识别技术的不足，提供了基于支持向量机的车型识别方法。本发明的目的在于采用支持向量机的方法快速地对视频流中的车辆类型进行识别和分类。具体的技术方案如下所述。 
一种基于支持向量机的车型识别方法，包括以下步骤： 
（1）构建运动背景图像；（2）从视频流中获取图像帧，利用步骤（1）中所获取的运动背景图像，进行运动目标检测，获取运动前景图像，同时利用所获取的图像对背景图像进行更新；（3）对步骤（2）中所获取的运动前景图像进行阴影检测，并对阴影区域利用第三色值进行标记；（4）对步骤（3）处理后的图像进行形态学滤波，然后去除阴影区域的标记；（5）利用步骤（4）处理后的图像提取出车辆目标；（6）对步骤（5）提取出的目标车辆通过树形跟踪图的方法进行跟踪并提取关键帧；（7）利用步骤（6）所得到的关键帧提取出车辆的外型特征；（8）利用步骤（7）得到的车辆的外型特征，采用支持向量机的方法对车辆进行分类并输出分类结果。
更具体的， 步骤（1）中所述构建运动背景的方法为快速背景建模方法，包括以下几个步骤：（a）提取视频流的前N帧图像；（b）统计步骤（a）中的N帧图像里面每个像素出现的各个颜色通道强度值出现的频度，并把具有最大统计概率的值作为该像素点在对应的颜色通道的值。 
更具体的，所述步骤（2）运动目标检测的方法为结合背景差分和帧间差分的运动目标检测方法，包括以下几个步骤： 
（a）对从视频流中获取的当前图像帧与视频流中的前一帧进行帧间差分，与步骤（1）获取的背景图像进行背景差分；（b）对步骤（a）操作所得的两个结果分别进行高斯平滑滤波处理并对高斯滤波后的结果分别进行阀值分割；（c）对步骤（b）所得的两个结果对于每个对应位置像素点的像素值进行数乘运算并再次进行阀值分割，生成二值图。
更具体的，所述步骤（2）中更新背景图像的方法为：将背景图像与所获取的当前图像帧进行比较, 对每一个像素点，若当前图像的像素值比背景图像中的对应像素点的像素值大, 则背景图像中该像素点的像素值增1, 如果比对应像素点的像素值小, 则减1。 
  
更具体的，所述步骤（3）中阴影检测与标记的方法为：对运动前景的像素点逐个扫描，对于像素点(x,y)，若其满足如下两个特征则为阴影点，同时将该像素点的像素值设为第三色值，以标注阴影点：
（a） 
Figure 2012105340994100002DEST_PATH_IMAGE002
，其中
Figure DEST_PATH_IMAGE004
分别表示背景图像与运动前景的像素点（x,y）相对应的像素点的RGB各通道的亮度值，
Figure DEST_PATH_IMAGE006
分别表示当前图像与运动前景的像素点（x,y）处对应的像素点的RGB各通道的亮度值。
（b）
Figure DEST_PATH_IMAGE008
，其中C是前景，
Figure DEST_PATH_IMAGE010
是背景， 
Figure DEST_PATH_IMAGE012
是阀值，C和
Figure 551636DEST_PATH_IMAGE010
是选取RGB三个通道所占的百分比中最大的值。 
  
更具体的，所述步骤（4）中形态学滤波的方法为：对步骤（3）处理后的图像先进行一次腐蚀操作，然后再进行一次膨胀操作。
更具体的，所述步骤（4）中阴影去除的方法为：进行形态学滤波后的图像中的像素点进行逐个扫描，去除其中的阴影点，即将其中标记阴影点的第三色值改为0。 
更具体的，所述步骤（5）提取车辆目标的方法包括以下几个步骤： 
（a）对步骤（4）处理后得到的二值图，在其中寻找所有的连通区域并进行标记；（b）统计步骤（a）所找到的各个连通区域的所占的像素点的数量、最小外接矩的长宽比和面积，并利用这些数据过滤掉一些细小和狭长的区域；（c）对车辆区域可能存在的内部空洞和轮廓处的缺口进行填充。
更具体的，步骤（6）所述的树形跟踪图的方法为： 
（6-a）建立一个用于联系第i帧和第i+1帧的区域的联系图，图的结点表示帧中的各个区域，
Figure 2012105340994100002DEST_PATH_IMAGE014
表示第i帧中的区域，表示第i+1帧中的区域，连接结点的边
Figure 2012105340994100002DEST_PATH_IMAGE018
表示第i帧的区域
Figure 825754DEST_PATH_IMAGE014
和第i+1帧的区域
Figure 255598DEST_PATH_IMAGE016
之间的联系，
Figure 434907DEST_PATH_IMAGE018
的权重为
Figure 647714DEST_PATH_IMAGE014
和
Figure 228868DEST_PATH_IMAGE016
两个区域的重叠面积。
（6-b）
Figure 498788DEST_PATH_IMAGE018
对权重作归一化处理。 
（6-c）对于第i帧的每个结点，扫描第i+1帧中的所有结点
Figure 2012105340994100002DEST_PATH_IMAGE020
，找出权值大于0的结点。 
（6-d）对于第i+1帧的每个结点
Figure 57256DEST_PATH_IMAGE020
进行扫描，如果指向
Figure 430600DEST_PATH_IMAGE020
的结点不只一个，且这些结点中存在维度大于1的结点，则比较所有连接到
Figure 139930DEST_PATH_IMAGE020
的边，保留权重最大的边，并移除其他边。 
更具体的，所述步骤（7）提取出车辆的外型特征包括：外接矩的长宽比、车辆与外接矩面积比、顶棚与车宽比、以及由Hu不变矩变换得到的7个相对不变矩这些具有尺度不变性的特征。 
更具体的，所述步骤（8）中对车型分类所采用的方法为高斯内核的支持向量机方法。 
综上所述，本发明采用背景差分和帧间差分相结合的方法分割特征区域，利用单向图确定关键帧并提取车辆的几何特征和矩特征，采用支持向量机技术对车辆进行识别和分类。本发明所采用的方法较高的车辆检出率，具有较强的适用性和鲁棒性。 
附图说明
图1为本发明所述一种基于支持向量机的车型识别方法流程示意图。 
具体实施方式
为了让本领域的技术人员能够更好地了解本发明的技术方案，下面结合附图对本发明作进一步的阐述。 
如图1所示，本发明揭示了一种基于支持向量机的车型识别方法包括以下步骤： 
（1）构建运动背景图像，详细步骤如下:
（1-a）提取视频的前N帧图像，N大约在50-100间比较合适；
（1-b）统计步骤（1-a）中的N帧图像里面每个像素(x, y)出现的各个颜色通道强度值出现的频度，并把具有最大统计概率的值作为该像素点在对应的颜色通道的值，所得到的图即作为背景图;
（2）利用步骤（1）中所获取的背景图像，采用结合背景差分和帧间差分的方法进行运动目标检测，获取运动前景，同时利用所获取的图像对背景图像进行更新，详细步骤如下：
（2-a）对从视频流中获取的当前图像帧与视频流中的前一帧进行帧间差分，与步骤（1）获取的背景图像进行背景差分。
（2-b）对步骤（2-a）操作所得的结果分别进行高斯平滑处理并对高斯滤波后的结果分别进行阀值分割。 
（2-c）对于每个对应位置像素点的像素值进行数乘运算并再次进行阀值分割，生成二值图。 
（2-d）将背景图像与所获取的当前图像帧进行比较，对每一个像素点，若当前图像的像素值比背景图像中的对应像素点的像素值大，则背景图像中该像素点的像素值增1，如果比对应像素点的像素值小，则减1。 
（3）对步骤（2）中所获取的前景图进行阴影检测，并对阴影区域利用第三色值进行标记，详细步骤如下： 
对运动前景的像素点逐个扫描，同时满足如下两个特征的像素点则归为阴影点，同时同时将该像素点的像素值设为第三色值，如128，以标注阴影点：
（3-a）
Figure 90568DEST_PATH_IMAGE002
，其中
Figure 913686DEST_PATH_IMAGE004
分别表示背景图（x,y）处像素点的RGB通道的亮度值，
Figure 266170DEST_PATH_IMAGE006
分别表示当前图像（x,y）处像素点的各通道的值。
（3-b）
Figure 146402DEST_PATH_IMAGE008
，其中C是前景，是背景，
Figure DEST_PATH_IMAGE024
是阀值，C和
Figure 459702DEST_PATH_IMAGE022
是选取RGB三个通道所占的百分比中最大值，也即
Figure DEST_PATH_IMAGE026
对应的中的最大值。 
（4）对步骤（3）处理后的前景图进行形态学滤波，然后去除阴影标记，详细步骤如下： 
（4-a）对步骤（3）处理后的图像进行一次腐蚀操作。
（4-b）对图像进行一次膨胀操作。 
（4-c）逐个扫描图像中的像素点，将其中的阴影点，即像素值为第三色值的像素点的像素值改为0。 
（5）利用步骤（4）处理后的图像提取出车辆目标，详细步骤如下： 
（5-a）对步骤（4）处理后得到的二值图，在其中寻找所以的连通区域并进行标记，寻找连通区域的方法为：首先对于二值图像进行逐行扫描，遇到一个未标记区域的点时，标记该点并检查其八邻域，对八邻域中为被标记连通的点进行标记并作为新的增长点，放入种子队列中；接着不断从种子队列中取出种子进行上述操作，直至种子队列为空，此时完成一个连通域的标记；接着继续扫描，寻找下一个为被标记的区域，直到所有连通区域被标记完毕。
（5-b）统计步骤（a）所找到的各个区域的所占的像素点的数量、最小外接矩的长宽比和面积，并利用这些数据过滤掉一些细小和狭长的区域。 
（5-c）对车辆区域可能存在的内部空洞和轮廓处的缺口进行填充，其填充的具体方法为: 对连通区域最小外接矩的每一行进行扫描，从左到右扫描，若遇到值为“1”且属于当前连通区域的点，记下其坐标x1；然后在该行进行从右到左的扫描寻找第一个属于该连通区域的值为“1”的点，记下其坐标x2；然后把x1与x2之间的点全部做上标记；纵向填充和横向填充类似，对于同时被横向和纵向标记的点，将其置“1”，对于只被横向标记或只被纵向标记的点，如果该点属于运动前景则将其置“1”，否则保持“0”不变，其他情况不做处理。 
（6）对步骤（5）提取出的目标车辆进行跟踪并提取关键帧，所提取的关键帧为车辆形体较大时的图像帧，具体做法为，在图像的上下左右边缘部分分别设置一斜线区域，根据车辆开始被跟踪后质心位置的变化计算出车辆的运动方向，然后根据运动方向和当前位置判断，如果车身完全进入监控区域且进入行进方向下的斜线区域时，例如车从图像上方驶入，则当车身完全进入监控区域且进入下方的斜线区域是，则选取该帧为关键帧，对目标车辆进行跟踪的方法为树形跟踪图的方法，其具体步骤如下： 
（6-a）建立一个用于联系第i帧和第i+1帧的区域的联系图，图的结点表示帧中的各个区域，假设P表示第i帧中的区域，而C表示第i+1帧中的区域，连接结点的边
Figure 755686DEST_PATH_IMAGE018
表示第i帧的区域和第i+1帧的区域之间的联系，
Figure 77055DEST_PATH_IMAGE018
的权重为
Figure 239046DEST_PATH_IMAGE014
和
Figure 238226DEST_PATH_IMAGE016
两个区域的重叠面积。
（6-b）对权重作归一化处理。 
（6-c）对于第i帧的每个结点
Figure 522577DEST_PATH_IMAGE014
，扫描第i+1帧中的所有结点
Figure 810470DEST_PATH_IMAGE020
，找出权值大于0的结点。 
（6-d）对于第i+1帧的每个结点
Figure 776152DEST_PATH_IMAGE020
进行扫描，如果指向
Figure 957735DEST_PATH_IMAGE020
的结点不只一个，且这些结点中存在维度大于1的结点，则比较所有连接到
Figure 85091DEST_PATH_IMAGE020
的边，保留权重最大的边，并移除其他边。 
（7）利用步骤（6）所得到的关键帧提取出车辆的外型特征，提取出车辆的外型特征包括：外接矩的长宽比、车辆与外接矩面积比、顶棚与车宽比、以及由Hu不变矩变换得到的7个相对不变矩这些具有尺度不变性的特征，这七个相对不变矩分别为： 
Figure DEST_PATH_409709DEST_PATH_IMAGE002
其中为Hu不变矩。
（8）利用步骤（7）得到的车辆的外型特征，采用支持向量机的方法对车辆进行分类并输出分类结果，对车型分类所采用的方法为高斯内核的支持向量机方法。 
本实施例只是本发明的较优实施方式，需要说明的是，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些改变和变形都应属于本发明所附的权利要求的保护范围。 

Claims (11)

1.一种基于支持向量机的车型识别方法，其特征在于，包括以下步骤：
（1）构建运动背景图像；
（2）从视频流中获取图像帧，利用步骤（1）中所获取的运动背景图像，进行运动目标检测，获取运动前景图像，同时利用所获取的图像对背景图像进行更新；
（3）对步骤（2）中所获取的运动前景图像进行阴影检测，并对阴影区域利用第三色值进行标记；
（4）对步骤（3）处理后的图像进行形态学滤波，然后去除阴影区域的标记；
（5）利用步骤（4）处理后的图像提取出车辆目标；
（6）对步骤（5）提取出的目标车辆通过树形跟踪图的方法进行跟踪并提取关键帧；
（7）利用步骤（6）所得到的关键帧提取出车辆的外型特征；
（8）利用步骤（7）得到的车辆的外型特征，采用支持向量机的方法对车辆进行分类并输出分类结果。
2.根据权利要求1所述基于支持向量机的车型识别方法，其特征在于：步骤（1）中所述构建运动背景的方法为快速背景建模方法，包括以下几个步骤：
（a）提取视频流的前N帧图像；
（b）统计步骤（a）中的N帧图像里面每个像素出现的各个颜色通道强度值出现的频度，并把具有最大统计概率的值作为该像素点在对应的颜色通道的值。
3.根据权利要求1所述基于支持向量机的车型识别方法，其特征在于：所述步骤（2）运动目标检测的方法为结合背景差分和帧间差分的运动目标检测方法，包括以下几个步骤：
（a）对从视频流中获取的当前图像帧与视频流中的前一帧进行帧间差分，与步骤（1）获取的背景图像进行背景差分；
（b）对步骤（a）操作所得的两个结果分别进行高斯平滑滤波处理并对高斯滤波后的结果分别进行阀值分割；
（c）对步骤（b）所得的两个结果对于每个对应位置像素点的像素值进行数乘运算并再次进行阀值分割，生成二值图。
4.根据权利要求1所述基于支持向量机的车型识别方法，其特征在于：所述步骤（2）中更新背景图像的方法为：将背景图像与所获取的当前图像帧进行比较, 对每一个像素点，若当前图像的像素值比背景图像中的对应像素点的像素值大, 则背景图像中该像素点的像素值增1, 如果比对应像素点的像素值小, 则减1。
5.根据权利要求1所述基于支持向量机的车型识别方法，其特征在于：所述步骤（3）中阴影检测与标记的方法为：对运动前景的像素点逐个扫描，对于像素点(x,y)，若其满足如下两个特征则为阴影点，同时将该像素点的像素值设为第三色值，以标注阴影点：
（a） 
Figure RE-379636DEST_PATH_IMAGE001
，其中
Figure RE-963064DEST_PATH_IMAGE002
分别表示背景图像与运动前景的像素点（x,y）相对应的像素点的RGB各通道的亮度值，
Figure RE-275096DEST_PATH_IMAGE003
分别表示当前图像与运动前景的像素点（x,y）处对应的像素点的RGB各通道的亮度值；
（b）
Figure RE-260370DEST_PATH_IMAGE004
，其中C是前景，
Figure RE-380248DEST_PATH_IMAGE005
是背景， 
Figure RE-450972DEST_PATH_IMAGE006
是阀值，C和是选取RGB三个通道所占的百分比中最大的值。
6.根据权利要求1所述基于支持向量机的车型识别方法，其特征在于：所述步骤（4）中形态学滤波的方法为：对步骤（3）处理后的图像先进行一次腐蚀操作，然后再进行一次膨胀操作。
7.根据权利要求1所述基于支持向量机的车型识别方法，其特征在于：所述步骤（4）中阴影去除的方法为：进行形态学滤波后的图像中的像素点进行逐个扫描，去除其中的阴影点，即将其中标记阴影点的第三色值改为0。
8.根据权利要求1所述基于支持向量机的车型识别方法，其特征在于：所述步骤（5）提取车辆目标的方法包括以下几个步骤： 
（a）对步骤（4）处理后得到的二值图，在其中寻找所有的连通区域并进行标记；
（b）统计步骤（a）所找到的各个连通区域的所占的像素点的数量、最小外接矩的长宽比和面积，并利用这些数据过滤掉一些细小和狭长的区域；
（c）对车辆区域可能存在的内部空洞和轮廓处的缺口进行填充。
9.根据权利要求1所述基于支持向量机的车型识别方法，其特征在于：步骤（6）所述的树形跟踪图的方法为：
（6-a）建立一个用于联系第i帧和第i+1帧的区域的联系图，图的结点表示帧中的各个区域，
Figure DEST_PATH_IMAGE014
表示第i帧中的区域，
Figure DEST_PATH_IMAGE016
表示第i+1帧中的区域，连接结点的边
Figure DEST_PATH_IMAGE018
表示第i帧的区域
Figure 435524DEST_PATH_IMAGE014
和第i+1帧的区域
Figure 215261DEST_PATH_IMAGE016
之间的联系，的权重为
Figure 300209DEST_PATH_IMAGE014
和两个区域的重叠面积；
（6-b）
Figure 327387DEST_PATH_IMAGE018
对权重作归一化处理；
（6-c）对于第i帧的每个结点
Figure 526288DEST_PATH_IMAGE014
，扫描第i+1帧中的所有结点，找出权值大于0的结点；
（6-d）对于第i+1帧的每个结点
Figure 67603DEST_PATH_IMAGE020
进行扫描，如果指向
Figure 998650DEST_PATH_IMAGE020
的结点不只一个，且这些结点中存在维度大于1的结点，则比较所有连接到的边，保留权重最大的边，并移除其他边。
10.根据权利要求1所述基于支持向量机的车型识别方法，其特征在于：所述步骤（7）提取出车辆的外型特征包括：外接矩的长宽比、车辆与外接矩面积比、顶棚与车宽比、以及由Hu不变矩变换得到的7个相对不变矩这些具有尺度不变性的特征。
11.根据权利要求1所述基于支持向量机的车型识别方法，其特征在于：所述步骤（8）中对车型分类所采用的方法为高斯内核的支持向量机方法。
CN201210534099.4A 2012-12-12 2012-12-12 一种基于支持向量机的车型识别方法 Expired - Fee Related CN103136537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210534099.4A CN103136537B (zh) 2012-12-12 2012-12-12 一种基于支持向量机的车型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210534099.4A CN103136537B (zh) 2012-12-12 2012-12-12 一种基于支持向量机的车型识别方法

Publications (2)

Publication Number Publication Date
CN103136537A true CN103136537A (zh) 2013-06-05
CN103136537B CN103136537B (zh) 2017-02-08

Family

ID=48496344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210534099.4A Expired - Fee Related CN103136537B (zh) 2012-12-12 2012-12-12 一种基于支持向量机的车型识别方法

Country Status (1)

Country Link
CN (1) CN103136537B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361572A (zh) * 2014-11-27 2015-02-18 百度在线网络技术（北京）有限公司 图片处理方法和装置
CN105335757A (zh) * 2015-11-03 2016-02-17 电子科技大学 一种基于局部特征聚合描述符的车型识别方法
CN105761501A (zh) * 2016-05-19 2016-07-13 湖南博广信息科技有限公司 一种智能车辆行为检测抓拍方法
CN105788286A (zh) * 2016-05-19 2016-07-20 湖南博广信息科技有限公司 智能识别闯红灯系统以及车辆行为检测抓拍方法
CN105868734A (zh) * 2016-04-22 2016-08-17 江苏电力信息技术有限公司 基于bow图像表征模型的输电线路大型施工车辆识别方法
CN106097725A (zh) * 2016-08-18 2016-11-09 马平 一种基于动态特征提取的车辆分类流量检测方法
WO2017028047A1 (zh) * 2015-08-14 2017-02-23 富士通株式会社 背景模型的提取方法、装置以及图像处理设备
CN106778473A (zh) * 2016-11-20 2017-05-31 南宁市浩发科技有限公司 一种车型识别方法
CN108875627A (zh) * 2018-06-14 2018-11-23 深度计算(长沙)信息技术有限公司 一种基于图像视觉识别的槟榔分选方法
CN111242051A (zh) * 2020-01-16 2020-06-05 广州杰赛科技股份有限公司 一种车辆识别优化方法、装置及存储介质
CN115482474A (zh) * 2022-08-24 2022-12-16 湖南科技大学 一种基于高空航拍图像的桥面车辆荷载识别方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794515A (zh) * 2010-03-29 2010-08-04 河海大学 基于协方差和二叉树支持向量机的目标检测系统及方法
CN101964061A (zh) * 2010-09-02 2011-02-02 北京航空航天大学 一种基于二类核函数支持向量机的车型识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794515A (zh) * 2010-03-29 2010-08-04 河海大学 基于协方差和二叉树支持向量机的目标检测系统及方法
CN101964061A (zh) * 2010-09-02 2011-02-02 北京航空航天大学 一种基于二类核函数支持向量机的车型识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
田野: "交通视频监控中目标检测与分类技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361572B (zh) * 2014-11-27 2017-12-29 百度在线网络技术（北京）有限公司 图片处理方法和装置
CN104361572A (zh) * 2014-11-27 2015-02-18 百度在线网络技术（北京）有限公司 图片处理方法和装置
WO2017028047A1 (zh) * 2015-08-14 2017-02-23 富士通株式会社 背景模型的提取方法、装置以及图像处理设备
CN105335757A (zh) * 2015-11-03 2016-02-17 电子科技大学 一种基于局部特征聚合描述符的车型识别方法
CN105868734A (zh) * 2016-04-22 2016-08-17 江苏电力信息技术有限公司 基于bow图像表征模型的输电线路大型施工车辆识别方法
CN105788286A (zh) * 2016-05-19 2016-07-20 湖南博广信息科技有限公司 智能识别闯红灯系统以及车辆行为检测抓拍方法
CN105761501A (zh) * 2016-05-19 2016-07-13 湖南博广信息科技有限公司 一种智能车辆行为检测抓拍方法
CN106097725A (zh) * 2016-08-18 2016-11-09 马平 一种基于动态特征提取的车辆分类流量检测方法
CN106778473A (zh) * 2016-11-20 2017-05-31 南宁市浩发科技有限公司 一种车型识别方法
CN108875627A (zh) * 2018-06-14 2018-11-23 深度计算(长沙)信息技术有限公司 一种基于图像视觉识别的槟榔分选方法
CN108875627B (zh) * 2018-06-14 2021-11-19 深度计算(长沙)信息技术有限公司 一种基于图像视觉识别的槟榔分选方法
CN111242051A (zh) * 2020-01-16 2020-06-05 广州杰赛科技股份有限公司 一种车辆识别优化方法、装置及存储介质
CN111242051B (zh) * 2020-01-16 2023-09-15 广州杰赛科技股份有限公司 一种车辆识别优化方法、装置及存储介质
CN115482474A (zh) * 2022-08-24 2022-12-16 湖南科技大学 一种基于高空航拍图像的桥面车辆荷载识别方法和系统

Also Published As

Publication number Publication date
CN103136537B (zh) 2017-02-08

Similar Documents

Publication Publication Date Title
CN103136537A (zh) 一种基于支持向量机的车型识别方法
CN108596129B (zh) 一种基于智能视频分析技术的车辆越线检测方法
CN110688987B (zh) 一种行人位置检测与跟踪方法及系统
Yuan et al. Robust lane detection for complicated road environment based on normal map
CN105930833B (zh) 一种基于视频监控的车辆跟踪与分割方法
CN104091348B (zh) 融合显著特征和分块模板的多目标跟踪方法
CN110334692B (zh) 一种基于图像处理的盲道识别方法
CN104978567B (zh) 基于场景分类的车辆检测方法
CN106127807A (zh) 一种实时的视频多类多目标跟踪方法
CN109753949B (zh) 一种基于深度学习的多视窗交通标志检测方法
CN109919053A (zh) 一种基于监控视频的深度学习车辆停车检测方法
CN104200485A (zh) 一种面向视频监控的人体跟踪方法
CN103206957B (zh) 车辆自主导航的车道线检测与跟踪方法
CN104424638A (zh) 一种基于遮挡情况下的目标跟踪方法
CN106203513A (zh) 一种基于行人头肩多目标检测及跟踪的统计方法
CN103050008B (zh) 夜间复杂交通视频中车辆检测方法
CN113516853B (zh) 一种针对复杂监控场景的多车道车流量检测方法
CN109685827B (zh) 一种基于dsp的目标检测与跟踪方法
CN105893962A (zh) 一种机场安检卡口人流统计方法
CN104952256A (zh) 一种基于视频信息的交叉口处车辆的检测方法
CN111259796A (zh) 一种基于图像几何特征的车道线检测方法
CN103794050A (zh) 一种实时的交通车辆检测与跟踪方法
CN109784216B (zh) 基于概率图的车载热成像行人检测RoIs提取方法
CN107230219A (zh) 一种单目机器人上的目标人发现与跟随方法
CN111062971A (zh) 一种基于深度学习多模态的跨摄像头泥头车追踪方法

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: 20170411

Address after: 516001 Huizhou, Sichuan Province, North Ridge Road, building No., building No. two, building 16

Patentee after: GUANGDONG SHIBAO TECHNOLOGY Co.,Ltd.

Address before: 516007 Huizhou City, Guangdong Province Road, No. 46

Patentee before: HUIZHOU University

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170208

Termination date: 20211212