CN103218621A - 一种室外视频监控中多尺度车辆的识别方法 - Google Patents
一种室外视频监控中多尺度车辆的识别方法 Download PDFInfo
- Publication number
- CN103218621A CN103218621A CN2013101396302A CN201310139630A CN103218621A CN 103218621 A CN103218621 A CN 103218621A CN 2013101396302 A CN2013101396302 A CN 2013101396302A CN 201310139630 A CN201310139630 A CN 201310139630A CN 103218621 A CN103218621 A CN 103218621A
- Authority
- CN
- China
- Prior art keywords
- scale
- vehicle
- identification
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000010606 normalization Methods 0.000 claims abstract description 16
- 238000012706 support-vector machine Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 3
- 230000002787 reinforcement Effects 0.000 abstract 1
- 230000003014 reinforcing effect Effects 0.000 abstract 1
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000004224 protection Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000531229 Caryopteris x clandonensis Species 0.000 description 1
- 235000001486 Salvia viridis Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出了一种室外视频监控中多尺度车辆识别方法。首先,采用归一化处理,将不同尺度的车辆目标归一化到大、中、小三个尺度,并对小尺度车辆目标进行直方图均衡化增强处理;其次,在三个尺度下提取SIFT特征,并对小尺度车辆目标在提取的SIFT特征基础上采用空间金字塔匹配的方法增强特征描述;然后,使用词包模型(Bag of Words,BOW)来表示特征;最后,针对三种尺度的车辆目标,使用支持向量机训练生成三个相应的分类器。在线识别时,根据待识别目标的尺度范围,选用相应的分类器进行识别。本发明有效提升了多尺度车辆识别的准确率。
Description
技术领域
本发明涉及一种车辆识别方法,尤其涉及一种室外视频监控中多尺度车辆识别的方法,属于模式识别领域。
背景技术
视频分析有助于提高对海量视频数据的理解与分析,已成为多媒体领域的研究热点之一,其中,针对视频中车辆的识别技术越来越受到重视。车辆识别旨在从视频图像中提取出车辆并定位车辆位置。由于具有成本低、集成度高、灵活性强等优点,视频车辆识别技术已广泛应用于在城市交通管理、小区安防等室外视频监控系统。
车辆识别是对视频中提取的运动目标进行确认,识别其是否为车辆。传统的车辆识别方法大都基于物理检测,如使用超声波、红外线和雷达等射线反射识别,或者使用地感线圈感应识别。其中,超声波和红外线检测精度较低,且容易受周边环境的干扰,如车辆遮挡,行人等。雷达检测和地感线圈精度相对较高,但是设备安装不便,而且容易损坏。相比较而言,基于视频的车辆识别技术具有明显的优越性,它应用范围广,而且更容易集成到已有的监控系统中。此外,基于视频的车辆识别还可以完成离线状态下的车辆识别,即将已经采集并存储下来的视频进行识别,这是传统方法所不能达到的。计算机视觉、人工智能领域的飞速发展为车辆识别提供了坚实的理论基础,信息化社会的建设也对车辆识别提出了市场需求。所以,基于视频的车辆识别技术在工程应用领域有着很广阔的前景。
然而面向室外视频监控应用中,目标尺度多样、特征差异大,并且背景复杂、干扰大,这些实际应用中的难点问题成为制约视频车辆识别技术应用的瓶颈,主要体现在以下两个方面。
(1)在一般的视频监控(如街道视频监控)中,会出现多个大小尺度相差很大的运动目标。例如,在一段室外监控视频中,大目标200×200像素,小目标50×50像素。在如此大的尺度范围内,限于特征的本身的表示能力,要对各个尺度的车辆进行准确识别是一件很困难的事。再加上车辆本身在视频中呈现出来的姿态变化多样,增加了车辆准确识别的难度。
(2)在远距离大场景视频监控中,由于目标距离视频传感器较远,视频中的运动目标相对较小,监控视频中的车辆目标的边长大小通常在100-200个像素之间,而远距离监控中的目标大小可能只有不到50个像素。在这种尺度下的运动目标,目标模糊,可以利用的特征信息有限,致使车辆识别准确率较低。
发明内容
本发明技术解决问题:克服现有技术的不足,提供一种室外视频监控中多尺度车辆识别的方法,实现了视频监控中对不同尺度车辆目标的有效识别。
为实现上述目的,本发明采用下述技术方案。一种室外视频监控中多尺度车辆识别的方法,包括如下步骤:
(A)对不同尺度的车辆目标进行归一化处理,将最短边长小于75像素的车辆目标归一化到最小边长为50像素的小尺度车辆目标,将最短边长大于150像素的车辆目标归一化到最小边长为200像素的大尺寸车辆目标,将最小边长介于75像素和150像素的车辆目标归一化到最小边长为100像素的中尺度车辆目标;
(B)对归一化后的三个尺度车辆目标提取SIFT(Scale-Invariant Feature Transform)特征;
(C)对于中尺度和大尺度车辆目标,根据提取的SIFT特征使用词包模型生成特征频率的分布;对于小尺度车辆目标,根据提取的SIFT特征,使用空间金字塔匹配方法,生成特征统计直方图后,再使用词包模型生成特征频率的分布;
(D)针对三种尺度的车辆目标,使用支持向量机根据特征频率的分布训练生成三个相应尺度的分类器;
(E)在线识别时,根据待识别目标的尺度范围,选用相应的分类器进行识别。
如上所述的室外视频监控中多尺度车辆识别的方法,其特征在于所述步骤(A)中归一化处理时,上采样使用双线性插值的方法,下采样使用邻近值的方法。
如上所述的室外视频监控中多尺度车辆识别的方法,其特征在于所述步骤(A)中对于归一化后的小尺度车辆目标,进行直方图均衡化增强处理。
如上所述的室外视频监控中多尺度车辆识别的方法,其特征在于所述步骤(C)中空间金字塔匹配方法中空间金字塔的层数为3。
如上所述的室外视频监控中多尺度车辆识别的方法,其特征在于所述步骤(C)中词包模型的词典大小为2000,并选用K-means算法进行聚类,其量化时的度量标准选用曼哈顿距离(L1距离),加权策略选用软加权。
如上所述的室外视频监控中多尺度车辆识别的方法,其特征在于所述步骤(D)中支持向量机采用RBF(Radial Basis Function)核函数。
本发明与现有技术相比的优点在于:本发明提出了一种室外视频监控中多尺度车辆识别的方法,采用了归一化处理,将不同尺寸的目标归一化到大、中、小三个尺度,并在不同尺度下训练生成不同的分类器用于车辆识别,这样能有效缩小不同尺度目标特征个数之间的差异;其次,结合词包模型,将特征空间转换到特征频率空间,以进一步鲁棒地描述不同尺度目标的不同特征。此外,针对小尺度目标,采用增强预处理和空间金字塔匹配相结合的方法来增强小目标特征信息的描述。综合上述处理方法有效提升了多尺度车辆识别的识别准确率,并提升了方法的鲁棒性。
附图说明
图1为本发明多尺度车辆识别方法框架示意图;
图2为图像增强前后效果对比图;
图3为空间金字塔匹配示例图;
图4为车辆识别率与空间金字塔层数的关系图;
图5为基于词包模型的车辆识别方法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的说明。
如图1所示,本发明提出的一种室外视频监控中多尺度车辆识别的方法,主要包括以下三部分。第一,远距离小目标车辆识别。通过图像预处理和空间金字塔匹配方法,有效解决了目标小、图像模糊而导致的特征信息少的问题。第二,基于词包(Bag of Words,BOW)模型的车辆识别。采用归一化预处理结合BOW模型,将特征空间转换到特征频率空间,鲁棒地描述了不同尺度目标的不同特征。第三,多尺度车辆识别方法。将样本分为大中小三个尺度,对小尺度采用增强处理,在对三种尺度采用基于BOW模型的车辆识别,有效提升了多尺度车辆识别的识别率。下面展开具体说明。
1.远距离小目标车辆识别
在远距离大场景的视频监控中,运动目标相对较小,较难检测。这主要是因为小目标车辆的检测存在两个难点:(1)运动目标小,可以利用的有效特征较少;(2)图像模糊。针对上述两个难点,相应地提出了解决方案,形成了小目标车辆识别算法:针对小目标图像模糊的问题,采用预处理的方法,利用直方图均衡化方法来增强小目标图像的对比度,从而更有效地提取特征;针对小目标特征少的问题,使用基于空间金字塔匹配的SIFT(Scale-Invariant Feature Transform)特征提取方法,将特征空间与图像空间相结合,在保留原有特征的同时加入了空间信息。
为了增强小目标的纹理边缘信息,同时减少不同样本图像间因光照等因素带来的明暗差异,本发明采用直方图均衡化对小目标进行增强处理。直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸,重新分配图像像素值,使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图转换为“均匀”的直方图。使用直方图均衡化对图像处理后图像对比度明显增强,车辆的边缘纹理信息得到进一步提升,处理效果如图2所示,因而采用直方图均衡化的图像增强方法能够有效提升车辆识别率。
同时,采用基于空间金字塔匹配的SIFT特征提取方法,将特征空间与图像空间相结合,在保留原有特征的同时加入了空间信息。空间金字塔匹配过程如图3所示,从左到右分别是0,1,2级金字塔是分割。这样,图像空间被分为1,4,16个子块。图中的三种标记:十字,圆圈和方块表示特征被量化为三个类别。第二排图像表示三个金字塔级别下得到的不同空间子块中的不同类型特征出现的直方图。如果两幅图像的某个级别下的相同网格子区域中直方图相同,则两幅图像的局部特征在图像空间上是匹配的。
式中为第i个图像Ii中第l级划分下的坐标,为第j个图像Ij中第l级划分下的坐标,这里的作用于图像空间,即在每个金字塔级别l=1…L下,得到2l-1个图像子区域,形成2l-1个柱的统计直方图则金字塔匹配核可以表示为:
其中,I为直方图交叉函数:
本实施例的较优的小目标车辆识别方法的处理流程如下所述:
S1:对样本做直方图均衡化的增强处理;
S2:对增强后的样本提取稠密SIFT特征;
S3:使用3层空间金字塔对SIFT特征进行描述,加入空间信息;
S4:使用SVM(Support Vector Machine,支持向量机)训练,生成分类器。
本实施例中,金字塔层数分别取1、2、3,特征选用稠密SIFT特征,分类器选用RBF(RadialBasis Function)核的SVM分类器。对上述方法进行简单实验比较,结果如图4所示,实验表明使用增强预处理加上3层金字塔的识别方法车辆识别率是97.11%,而简单的使用稠密SIFT特征的车辆识别率为90.11%,两者相比车辆识别效果提升了7%。
2.基于BOW模型的车辆识别
针对复杂应用场景中,“车辆尺度多样”而导致的特征表示能力差的问题,本发明提出了图像尺度归一化预处理和词包模型相结合的方法,尺度归一化处理在一定程度上降低了特征差异,而使用BOW模型则是通过字典将特征空间转换到特征频率空间,进一步降低特征差异带来的影响。
为了减少特征差异,使用对大目标下采样和小目标上采样的方法将尺度归一化,归一化到一个尺度下,对归一化后的图片进行训练,这样可以在一定程度减少提取特征的差异。在尺度归一化处理中,下采样选用邻近值的方法,上采样选用双线性插值的方法。双线性插值的核心思想是在两个方向分别进行一次线性插值。该算法中,目标图像中新创造的像素值,是由源图像位置在它附近的2×2区域4个邻近像素的值通过加权平均计算得出的,放大后的图像质量较高,不会出现像素值不连续的情况。
本发明实施例中,选用大小目标的混合数据库,提取SIFT特征,并使用SVM分类器训练。实验结果表明将不同尺度车辆目标仅归一化到100×100像素的单一尺度时,车辆识别率为85.5%,比未使用归一化处理时识别率(79%)提升了6.5%。由此可以看出归一化处理通过减少特征差异,有效提升了车辆识别率。
为了进一步降低特征差异带来的影响,采用词包模型将特征空间转换到特征频率空间,鲁棒地描述了不同尺度目标的不同特征。本实施例的较优的基于BOW算法的车辆识别主要步骤如下所述:
S1:检测图像块并生成描述算子。检测图像块的常见方法有密集采样算法、基于特征点的采样算法和随机采样算法。本发明可以采用SIFT、PCA-SIFT、GLOH等描述算子生成方法;
S2:通过聚类算法将图像块描述算子分配到预设的聚类中,这些聚类的质心被称为视觉词汇,视觉词汇的集合称为词典,K-Means算法是较常见的聚类算法;
S3:使用加权策略将目标图像的描述算子分配到词典的聚类中。通过分配到各聚类中的图像块描述算子数目构建一个频度向量,之后对该原始向量进行进一步的加工,如加权、归一化等。
上述步骤的目的是在最大化分类精确度的同时,尽可能减少运算的复杂度。因此S1中特征的描述应具有旋转不变性、尺度不变性和对光照变化鲁棒的优点。在S2中使用的词典应该具有适宜的大小,这样才能辨别图像中发生的局部相关的变化。
尺度归一化,在一定程度上减少了特征差异的影响;BOW模型通过构建BOW向量将特征空间转换到特征频率空间进一步减少了特征差异的影响。将两者结合组成了基于BOW模型的车辆识别方法,如图5所示。实验结果表明,采用对样本尺度归一化后使用BOW模型,车辆识别率为87.7%;而尺度归一化后未使用BOW模型直接训练SIFT特征的车辆识别率为82.6%,这说明使用BOW模型能够适应多尺度样本,提升识别率。
3.多尺度车辆识别方法
基于BOW模型的车辆识别方法,提升了车辆识别率。为了进一步的提升识别率,本发明提出了归一化到多个尺度的车辆识别方法。归一化到一个尺度上识别率不高的主要原因还是尺度变化范围太大,特征差异大,分类器很难适应特征的差异。为此,将尺度空间划分为三个区域,每个区域的尺度变化范围就减小了,特征的差异也被缩小了。
本实施例的较优的多尺度车辆识别算法如下所述:
S1:将训练集样本缩放到三个集中的尺度,短边像素值在0-75之间的车辆目标归一化到50像素,75-150像素之间的车辆目标归一化到100像素,150像素以上的车辆目标归一化到200像素;
S2:对小尺度车辆目标采用如上所述的远距离小目标车辆识别方法;
S3:对大尺度和中尺度车辆目标采用基于BOW模型的车辆识别方法;
S4:对待识别目标采用同样处理后再在对应的分类器上进行检测(流程图如图1所示)。
为了验证上述方法的有效性,对三种方法进行了实验比较:原尺度识别方法、归一化到一个尺度下识别方法(以下简称归一化识别),归一化到三个尺度下识别方法(以下简称三尺度识别)。实验中,选用DOG算子作为特征检测器;特征选用SIFT特征作为特征描述算子;在BOW模型中,聚类算法选用K-means算法,加权策略选用软加权,量化时的度量标准选用曼哈顿距离(L1距离),词典的大小是2000;分类器选用RBF核的SVM分类器。在对样本进行缩放处理时,样本的缩小采用的是降采样,样本的放大采用的是双线性插值。实验结果如表1所示。
表1三种识别方法的识别结果比较
从表1中可以看出,在多姿态数据库上,使用归一化识别可以提升的识别率,而当采取三尺度识别时,识别率得到了进一步提升。这主要是因为使用三尺度识别时,每个尺度下的尺度变化范围相比于归一化识别要小很多,这样再对每一个尺度使用基于BOW模型的识别方法,识别率得到进一步提升。
总体上讲,本发明使用三尺度识别方法,相比于其他两种方法在基于RBF核的SVM分类器上识别率有很大提高。
本发明未详细阐述部分属于本领域公知技术。
以上公开的仅为本发明的具体实施例。根据本发明提供的技术思想,本领域的技术人员能思及的变化,都应落入本发明的保护范围内。
Claims (6)
1.一种室外视频监控中多尺度车辆识别的方法,采用大、中、小三个尺度的分类器来实现对多尺度车辆的识别,其特征在于包括如下步骤:
(A)对不同尺度的车辆目标进行归一化处理,将最短边长小于75像素的车辆目标归一化到最小边长为50像素的小尺度车辆目标,将最短边长大于150像素的车辆目标归一化到最小边长为200像素的大尺寸车辆目标,将最小边长介于75像素和150像素的车辆目标归一化到最小边长为100像素的中尺度车辆目标;
(B)对归一化后的三个尺度车辆目标提取SIFT(Scale-Invariant Feature Transform)特征;
(C)对于中尺度和大尺度车辆目标,根据提取的SIFT特征使用词包模型生成特征频率的分布;对于小尺度车辆目标,根据提取的SIFT特征,使用空间金字塔匹配方法,生成特征统计直方图后,再使用词包模型生成特征频率的分布;
(D)针对三种尺度的车辆目标,使用支持向量机根据特征频率的分布训练生成三个相应尺度的分类器;
(E)在线识别时,根据待识别目标的尺度范围,选用相应的分类器进行识别。
2.如权利要求1所述的室外视频监控中多尺度车辆识别的方法,其特征在于所述步骤(A)中归一化处理时,上采样使用双线性插值的方法,下采样使用邻近值的方法。
3.如权利要求1所述的室外视频监控中多尺度车辆识别的方法,其特征在于所述步骤(A)中对于归一化后的小尺度车辆目标,进行直方图均衡化增强处理。
4.如权利要求1所述的室外视频监控中多尺度车辆识别的方法,其特征在于所述步骤(C)中空间金字塔匹配方法中空间金字塔的层数为3。
5.如权利要求1所述的室外视频监控中多尺度车辆识别的方法,其特征在于:所述步骤(C)中词包模型的词典大小为2000,并选用K-means算法进行聚类,其量化时的度量标准选用曼哈顿距离,即L1距离,加权策略选用软加权。
6.如权利要求1所述的室外视频监控中多尺度车辆识别的方法,其特征在于所述步骤(D)中支持向量机采用RBF(Radial Basis Function)核函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310139630.2A CN103218621B (zh) | 2013-04-21 | 2013-04-21 | 一种室外视频监控中多尺度车辆的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310139630.2A CN103218621B (zh) | 2013-04-21 | 2013-04-21 | 一种室外视频监控中多尺度车辆的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103218621A true CN103218621A (zh) | 2013-07-24 |
CN103218621B CN103218621B (zh) | 2015-12-02 |
Family
ID=48816390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310139630.2A Expired - Fee Related CN103218621B (zh) | 2013-04-21 | 2013-04-21 | 一种室外视频监控中多尺度车辆的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103218621B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473566A (zh) * | 2013-08-27 | 2013-12-25 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于多尺度模型的车辆检测方法 |
CN104680134A (zh) * | 2015-02-04 | 2015-06-03 | 四川长虹电器股份有限公司 | 快速人体检测方法 |
CN105654122A (zh) * | 2015-12-28 | 2016-06-08 | 江南大学 | 基于核函数匹配的空间金字塔物体识别方法 |
CN107292302A (zh) * | 2016-03-31 | 2017-10-24 | 高德信息技术有限公司 | 检测图片中兴趣点的方法和系统 |
CN107729818A (zh) * | 2017-09-21 | 2018-02-23 | 北京航空航天大学 | 一种基于深度学习的多特征融合车辆重识别方法 |
CN107871110A (zh) * | 2016-09-27 | 2018-04-03 | 北京航空航天大学 | 一种基于多尺度结构相关性的行人目标识别方法 |
CN108052946A (zh) * | 2017-12-11 | 2018-05-18 | 国网上海市电力公司 | 一种基于卷积神经网络的高压机柜开关自动识别方法 |
CN108288041A (zh) * | 2018-01-26 | 2018-07-17 | 大连民族大学 | 一种行人目标错检去除的预处理方法 |
CN108528458A (zh) * | 2017-03-02 | 2018-09-14 | 通用汽车环球科技运作有限责任公司 | 用于车辆尺寸预测的系统和方法 |
CN109040579A (zh) * | 2018-07-05 | 2018-12-18 | 平安科技(深圳)有限公司 | 一种拍摄控制方法、终端及计算机可读介质 |
CN110610123A (zh) * | 2019-07-09 | 2019-12-24 | 北京邮电大学 | 一种多目标车辆检测方法、装置、电子设备及存储介质 |
CN113243016A (zh) * | 2018-12-10 | 2021-08-10 | 株式会社小糸制作所 | 物体识别系统、运算处理装置、汽车、车辆用灯具、分类器的学习方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408942A (zh) * | 2008-04-17 | 2009-04-15 | 浙江师范大学 | 一种复杂背景下的车牌定位方法 |
CN101783076A (zh) * | 2010-02-04 | 2010-07-21 | 西安理工大学 | 一种视频监控模式下的快速车型识别方法 |
CN102855500A (zh) * | 2011-06-27 | 2013-01-02 | 东南大学 | 一种基于Haar和HoG特征的前车检测方法 |
-
2013
- 2013-04-21 CN CN201310139630.2A patent/CN103218621B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408942A (zh) * | 2008-04-17 | 2009-04-15 | 浙江师范大学 | 一种复杂背景下的车牌定位方法 |
CN101783076A (zh) * | 2010-02-04 | 2010-07-21 | 西安理工大学 | 一种视频监控模式下的快速车型识别方法 |
CN102855500A (zh) * | 2011-06-27 | 2013-01-02 | 东南大学 | 一种基于Haar和HoG特征的前车检测方法 |
Non-Patent Citations (5)
Title |
---|
何友松等: "基于Bag of Features算法的车辆图像识别研究", 《电视技术》 * |
何友松等: "基于Bag of Features算法的车辆图像识别研究", 《电视技术》, vol. 33, no. 12, 31 December 2009 (2009-12-31) * |
曹洁等: "基于支持向量机的车型分类的设计", 《科学技术与工程》 * |
李文波等: "一种基于Adaboost算法的车辆检测方法", 《长春理工大学学报(自然科学版)》 * |
连静等: "多尺度图像边缘检测技术在车辆识别中的应用", 《公路交通科技》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473566B (zh) * | 2013-08-27 | 2016-09-14 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于多尺度模型的车辆检测方法 |
CN103473566A (zh) * | 2013-08-27 | 2013-12-25 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于多尺度模型的车辆检测方法 |
CN104680134A (zh) * | 2015-02-04 | 2015-06-03 | 四川长虹电器股份有限公司 | 快速人体检测方法 |
CN105654122A (zh) * | 2015-12-28 | 2016-06-08 | 江南大学 | 基于核函数匹配的空间金字塔物体识别方法 |
CN107292302A (zh) * | 2016-03-31 | 2017-10-24 | 高德信息技术有限公司 | 检测图片中兴趣点的方法和系统 |
CN107871110A (zh) * | 2016-09-27 | 2018-04-03 | 北京航空航天大学 | 一种基于多尺度结构相关性的行人目标识别方法 |
CN108528458A (zh) * | 2017-03-02 | 2018-09-14 | 通用汽车环球科技运作有限责任公司 | 用于车辆尺寸预测的系统和方法 |
CN108528458B (zh) * | 2017-03-02 | 2021-01-22 | 通用汽车环球科技运作有限责任公司 | 用于车辆尺寸预测的系统和方法 |
CN107729818B (zh) * | 2017-09-21 | 2020-09-22 | 北京航空航天大学 | 一种基于深度学习的多特征融合车辆重识别方法 |
CN107729818A (zh) * | 2017-09-21 | 2018-02-23 | 北京航空航天大学 | 一种基于深度学习的多特征融合车辆重识别方法 |
CN108052946A (zh) * | 2017-12-11 | 2018-05-18 | 国网上海市电力公司 | 一种基于卷积神经网络的高压机柜开关自动识别方法 |
CN108288041A (zh) * | 2018-01-26 | 2018-07-17 | 大连民族大学 | 一种行人目标错检去除的预处理方法 |
CN108288041B (zh) * | 2018-01-26 | 2021-02-02 | 大连民族大学 | 一种行人目标错检去除的预处理方法 |
WO2020006907A1 (zh) * | 2018-07-05 | 2020-01-09 | 平安科技(深圳)有限公司 | 一种拍摄控制方法、终端及计算机可读存储介质 |
CN109040579A (zh) * | 2018-07-05 | 2018-12-18 | 平安科技(深圳)有限公司 | 一种拍摄控制方法、终端及计算机可读介质 |
CN109040579B (zh) * | 2018-07-05 | 2021-08-20 | 平安科技(深圳)有限公司 | 一种拍摄控制方法、终端及计算机可读介质 |
CN113243016A (zh) * | 2018-12-10 | 2021-08-10 | 株式会社小糸制作所 | 物体识别系统、运算处理装置、汽车、车辆用灯具、分类器的学习方法 |
CN110610123A (zh) * | 2019-07-09 | 2019-12-24 | 北京邮电大学 | 一种多目标车辆检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103218621B (zh) | 2015-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103218621B (zh) | 一种室外视频监控中多尺度车辆的识别方法 | |
TWI651662B (zh) | 影像標註方法、電子裝置及非暫態電腦可讀取儲存媒體 | |
Gao et al. | Automatic change detection in synthetic aperture radar images based on PCANet | |
Kim et al. | Pedestrian detection based on faster R-CNN in nighttime by fusing deep convolutional features of successive images | |
Patel et al. | Automatic number plate recognition system (anpr): A survey | |
Soon et al. | PCANet-based convolutional neural network architecture for a vehicle model recognition system | |
Zhu et al. | SAR target classification based on radar image luminance analysis by deep learning | |
Pan et al. | Vehicle logo recognition based on deep learning architecture in video surveillance for intelligent traffic system | |
AU2014207250A1 (en) | Automated vehicle recognition | |
Yang et al. | BoSR: A CNN-based aurora image retrieval method | |
Ahmed et al. | Compound local binary pattern (clbp) for rotation invariant texture classification | |
Yamauchi et al. | Relational HOG feature with wild-card for object detection | |
Gu et al. | Embedded and real-time vehicle detection system for challenging on-road scenes | |
Xue et al. | Rethinking automatic ship wake detection: state-of-the-art CNN-based wake detection via optical images | |
Cai et al. | Vehicle Detection Based on Deep Dual‐Vehicle Deformable Part Models | |
CN104517287A (zh) | 一种图像匹配的方法及装置 | |
Al-Shemarry et al. | Developing learning-based preprocessing methods for detecting complicated vehicle licence plates | |
CN116363535A (zh) | 基于卷积神经网络的无人机航拍影像中的船舶检测方法 | |
Shang et al. | A novel method for vehicle headlights detection using salient region segmentation and PHOG feature | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
Poostchi et al. | Feature selection for appearance-based vehicle tracking in geospatial video | |
Bi et al. | A hierarchical salient-region based algorithm for ship detection in remote sensing images | |
CN103336964A (zh) | 一种基于模值差镜像不变性的sift图像匹配方法 | |
Ren et al. | Object detection using boosted local binaries | |
Yawen et al. | Research on vehicle detection technology based on SIFT feature |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151202 |
|
CF01 | Termination of patent right due to non-payment of annual fee |