CN104036323A - 一种基于卷积神经网络的车辆检测方法 - Google Patents

一种基于卷积神经网络的车辆检测方法 Download PDF

Info

Publication number
CN104036323A
CN104036323A CN201410299644.5A CN201410299644A CN104036323A CN 104036323 A CN104036323 A CN 104036323A CN 201410299644 A CN201410299644 A CN 201410299644A CN 104036323 A CN104036323 A CN 104036323A
Authority
CN
China
Prior art keywords
vehicle
characteristic pattern
sample
layer
cnn
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
CN201410299644.5A
Other languages
English (en)
Other versions
CN104036323B (zh
Inventor
叶茂
李旭冬
李涛
付敏
肖华强
王梦伟
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.)
CHENGDU LIUHUO TECHNOLOGY CO., LTD.
Original Assignee
叶茂
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 叶茂 filed Critical 叶茂
Priority to CN201410299644.5A priority Critical patent/CN104036323B/zh
Publication of CN104036323A publication Critical patent/CN104036323A/zh
Application granted granted Critical
Publication of CN104036323B publication Critical patent/CN104036323B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明公开了一种基于卷积神经网络的车辆检测方法,包括以下步骤:S1:收集车辆样本和非车辆样本,并对车辆样本进行分类;S2:对样本进行预处理;S3:训练CNN车辆检测器;S4:计算特征图的平均相似度表;S5:构建相似特征图组;S6:获得CNN-OP车辆检测器;S7:获取检测图片;S8:对获取的检测图片进行预处理;S9:对检测图片构建图像金字塔;S10:特征提取;S11:扫描特征图;S12:特征分类;S13:合并检测窗口并输出。本发明提出一种离线优化的方案,对训练完成的卷积神经网络进行优化,在检测阶段采用先特征提取再扫描窗口的策略,避免了重复计算特征,提高了系统的检测速度。

Description

一种基于卷积神经网络的车辆检测方法
技术领域
[0001] 本发明涉及一种基于卷积神经网络的车辆检测方法,属于计算机视觉领域。
背景技术
[0002] 但是近年来,汽车数量的增长快于城市道路建设的进度,导致城市交通拥堵,人们的出行反而不便利。为了解决城市交通的巨大压力,智能交通系统(ITS)应运而生。智能交通系统通过检测十字路口不同行驶方向的车辆计算车流量,并以此为依据自动地调整交通信号灯的时间,有效地提高十字路口的通行能力,缓解城市交通拥堵。其中,车辆检测技术是智能交通系统中的关键部分,后续有关车辆更详细的分析都要基于准确的车辆检测结果O
[0003] 现在关于车辆检测技术的研究主要集中在车辆特征描述和车辆分类器设计上。车辆特征描述是根据车辆自身的特点,设计专门用于表达车辆的特征。当前主要的车辆特征有HOG特征、Gabor特征和STRIP特征等单一特征,以及它们的改进特征,或者单一特征组合而成的混合特征。车辆分类器设计是根据车辆检测的具体需求,设计适用于特定问题的分类器。例如简单的车辆检测,分类器只需要把样本分为车辆和背景两类;而复杂的车辆检测,分类器不仅要区分车辆和背景,还要按车辆的观察视角进行分类。当前主要的车辆分类器有支持向量机、动态贝叶斯网络和最近邻分类器等。
[0004] 公开号为CN103489317A的专利公开了“一种不同场景下的车辆检测方法”,首先根据视频序列建立动态背景模型,将当前图像与背景图像进行差分,提取前景,并且在前景中进行直方图统计以确定用于检测车辆的差分阈值;然后去除车灯部位的图像值,滤除车灯的影响;最后根据差分阈值对前景图像进行二值化操作,获得最终的车辆目标。利用了背景建模和车灯处理获取车辆的前景区域,并以此确定车辆在图像中的具体位置。但是,该专利认定前景区域就是车辆出现的位置,而没有在前景区域中进行有效的车辆检测,使得该专利会存在一定程度上的误报。另外,采用背景差分检测运动目标,由于背景没有随时间而变化,当场景中发生非均匀的光照变化时,会造成运动目标提取不准确。
[0005] 公开号为CN103559508A的专利公开了“一种基于连续型Adaboost视频车辆检测方法”,该方法包括以下步骤:在训练阶段,首先对大量训练样本进行预处理归一化到统一尺度,然后提取并挑选出使得正负样本近似符合高斯分布的haar特征,最后利用连续Adaboost算法自动地从弱分类器空间中挑选出若干个弱分类器组合成一个强分类器,获得车辆检测器。在检测阶段,首先在检测图片中扫描窗口,对每个窗口都用瀑布式车辆检测器判断是否包含车辆,最后合并相交的检测窗口并输出最终结果。该专利改进了传统Adaboost算法,训练开始前删除掉那些对分类器没有贡献的haar特征,加快了训练速度,而且能够处理具有连续置信度输出的分类器,更准确进行分类判别。但是,该方法所有样本归一化到32*32,只针对检测正面或背面的车辆检测,其他视角的车辆检测效果不能得到保证,并且检测时使用的是扫描窗口的检测方式,当检测图像是高清图像时,检测速度也不能得到保证。[0006] 根据上述两种传统车辆检测方法的分析可知,基于图像处理和基于手工设计特征的车辆检测方法存在一定缺陷。而如今在当前大数据的时代背景下,我们需要一种在复杂场景中准确、快速的车辆检测技术。
发明内容
[0007] 本发明的目的在于克服现有技术的不足,提供一种离线优化网络结构的方案,对训练完成的卷积神经网络进行结构优化,并采用先特征提取再扫描窗口的策略,避免了重复计算,提高系统的检测速度的基于卷积神经网络的车辆检测方法。
[0008] 本发明的目的是通过以下技术方案来实现的:一种基于卷积神经网络的车辆检测方法,包括离线训练、离线优化和在线检测三个阶段,所述的离线训练阶段包括以下步骤:
[0009] S1:收集车辆样本和非车辆样本,并对车辆样本进行分类;
[0010] S2:对车辆样本和非车辆样本进行预处理:根据设定的样本尺寸,对车辆样本随机地进行水平翻转、平移变换、尺度变换和旋转变换,以增加车辆样本数量,对非车辆样本进行尺度变换,然后对所有样本就行归一化处理;
[0011] S3:训练CNN车辆检测器:采用BP算法训练CNN车辆检测器,每次迭代采用最小批的方式计算网络误差和更新权重,当在验证集上正确率不再提高时终止网络训练,获得CNN车辆检测器;
[0012] 所述的离线优化阶段包括以下步骤:
[0013] S4:计算特征图的平均相似度表;
[0014] S5:构建相似特征图组:运用层次分析法分析平均相似度表,建立阶梯层次结构,根据设定的阈值将特征图划分为多个特征图组,每组包含相似的特征图;
[0015] S6:合并相似特征图,将非保留特征图的后向连接合并到保留特征图的后向连接上,进行优化,获得优化的CNN车辆检测器,称为CNN-OP车辆检测器;
[0016] 所述的在线检测阶段包括以下步骤:
[0017] S7:获取检测图片:从监控摄像头、硬盘录像机或者本地视频中获取检测图片;
[0018] S8:对获取的检测图片进行预处理:将检测图片进行均值滤波后进行归一化处理;
[0019] S9:对检测图片构建图像金字塔;
[0020] SlO:特征提取:利用CNN-OP车辆检测器的特征提取器对整个检测图像进行特征提取,通过多次卷积和降采样形成多张特征图;
[0021] Sll:扫描特征图:根据设定的窗口大小,同时扫描最后降采样层生成的多张特征图,将窗口中的特征值串连在一起,形成特征向量;
[0022] S12:特征分类:利用CNN-OP车辆检测器的分类器对特征向量进行分类,如果分类器输出值大于设定的阈值,则判定该窗口对应在检测图像中的区域包含车辆,否则判定为
进旦冃月^ ;
[0023] S13:合并检测窗口并输出:待所有金字塔层都检测完后,采用非最大压制的方法合并所有相交的检测结果,在检测图像中画出车辆检测结果,并将结果输出,完成车辆检测。
[0024] 进一步地,所述的步骤SI包括以下子步骤:[0025] Sl-1:从网络上或者自己拍摄的车辆视频中截取大量车辆的样本,组成车辆样本集,车辆样本集包含了车辆的各个视角;
[0026] S1-2:按照车辆样本的长宽比,用K-means算法分为三类:正面和背面车辆样本、侧面车辆样本、斜侧面车辆样本,针对这三类车辆样本分别训练三个车辆检测器。
[0027] 进一步地,所述的步骤S4计算特征图的平均相似度表包括以下子步骤:
[0028] S4-1:对每个车辆样本,计算它在已训练完成的CNN检测器中降采样层的特征图,计算方法为:交替地包含卷积层和降采样层,执行卷积、降采样和非线性变换,从低层到高层逐阶段地进行,假定第k阶段输入和输出的特征图集合表示为Xk = {x}^ Im = I,…,RkI
和Zk = (Z^|n = I,-,Rk],其中RH和Rk分别表示xk和zk中特征图的数量,因为每个阶段都有一个卷积层和一个降采样层,因此在这两层之间的特征图集合表示为Yk = {y〗|n = l,-,Rk},/1:卷积层,特征图的计算公式为:
[0029]
Figure CN104036323AD00071
[0030] 其中®表示特征图与卷积核fnkm之间的卷积操作,的表示偏移量,sigm(.)为sigmoid激活函数,在卷积层之后,降采样层无重叠地用一个固定大小的均值核扫描特征图
形成第k阶段降采样层对应的特征0硓
[0031] Zn = subsampling(yn)
[0032] 特征图集合Zk作为下一个阶段的输入,按照同样的方式提取更高层的特征;
[0033] S4-2:计算降采样层特征图之间的余弦相似度,形成单个样本的相似度表Φ15:
Figure CN104036323AD00072
[0035] 其中,p和q为降采样层特征图的索引,相似度表的长和宽为降采样层特征图数量;
[0036] S4-3:累加所有车辆样本的相似度表,求均值,获得采样层特征图的平均相似度表0k:
Figure CN104036323AD00073
[0038] 其中,N表示车辆样本的总数量。
[0039] 具体地,所述的步骤S6包括以下子步骤:
[0040] S6-1:如果特征图组仅包含一张特征图,则不做合并;如果特征图组包含多张特征图,则随机选择其中的一张特征图作为保留特征图,其余作为非保留特征图,设:^和#是
第k阶段的相似特征图,选择保留特征图#,则第k+Ι阶段的特征图y〗+1表示为:
Figure CN104036323AD00081
[0044]令frkp+1 — frkp+1 + frkq+1,那么上式整理为:
Figure CN104036323AD00082
[0046] S6-2:删除非保留特征图的前向连接,包括对应的卷积层连接和降采样层连接;
[0047] S6-3:根据S6-1的计算方法将非保留特征图的后向连接合并到保留特征图的后向连接上,完成当前阶段的优化工程,当所有阶段的优化全部完成后,获得优化的CNN车辆检测器,称为CNN-OP车辆检测器。
[0048] 本发明的有益效果是:
[0049] 1、在训练阶段,卷积神经网络从大量不同场景的车辆样本和非车辆样本中学习到车辆本质的特征,这种特征比手工设计的特征具有更强的可分性;
[0050] 2、本发明方法提出了一种离线优化网络结构的方案,对训练完成的卷积神经网络进行结构优化,可以避免卷积神经网络在训练过程中会提取到相类似的特征图,形成冗余的问题,减少计算量;
[0051] 3、在检测阶段,利 用卷积神经网络特征提取器可以提取任意大小图片特征这一特性,摒弃了在检测图像上扫描窗口的特征提取方式,而是应用卷积神经网络的特征提取器先对检测图像整体进行特征提取,再用窗口在特征图上进行扫描,并用卷积神经网络的分类器进行分类,这样避免了重复计算特征,提高系统的检测速度,这样基于卷积神经网络的车辆检测器的准确率和检测速度都能满足实际工程需求。
附图说明
[0052] 图1为本发明的检测方法流程图。
具体实施方式
[0053] 下面结合附图进一步说明本发明的技术方案,但本发明所保护的内容不局限于以下所述。
[0054] 如图1所示,一种基于卷积神经网络的车辆检测方法,包括离线训练、离线优化和在线检测三个阶段,所述的离线训练阶段包括以下步骤:
[0055] S1:收集车辆样本和非车辆样本,并对车辆样本进行分类;
[0056] S2:对车辆样本和非车辆样本进行预处理:根据设定的样本尺寸,对车辆样本随机地进行水平翻转、平移变换、尺度变换和旋转变换,以增加车辆样本数量,对非车辆样本进行尺度变换,然后对所有样本就行归一化处理;
[0057] S3:训练CNN车辆检测器:采用BP算法训练CNN车辆检测器,根据网络输出与样本标签的误差更新网络的参数,每次迭代采用最小批的方式计算网络误差和更新权重,在训练时,学习速率设定为0.01,每次迭代输入128个样本(64个车辆样本和64个非车辆样本),以平均误差更新参数。迭代次数根据在验证集上的测试效果决定,当在验证集上的正确率不再提高的时候终止网络的训练,获得CNN车辆检测器;
[0058] CNN车辆检测器是一个多层模型,它能有监督地从大量样本中自动地进行特征学习。输入是一张图像,输出是图像的分类标签。因此,输入层的神经元数量和检测图像的像素数量相等,输出层只有一个神经元节点。CNN车辆检测器包含两部分:第一部分是一个多阶段的特征提取器,交替地包含卷积层和降采样层,执行卷积、降采样和非线性变换;第二部分是一个分类器,是一个不含隐藏层的全连接神经网络。CNN车辆检测器能学习到好的特征表达,因为特征提取是从低层到高层逐阶段地进行。在本方案中设计的CNN车辆检测器的特征提取有两个阶段,k= 1,2。第一阶段是低层特征的提取,例如点和线等,第二阶段对低层特征进行随机组合形成高层特征。
[0059] 所述的离线优化阶段包括以下步骤:
[0060] S4:计算特征图的平均相似度表;
[0061] S5:构建相似特征图组:运用层次分析法分析平均相似度表,建立阶梯层次结构,根据设定的阈值将特征图划分为多个特征图组,每组包含相似的特征图;
[0062] S6:合并相似特征图,将非保留特征图的后向连接合并到保留特征图的后向连接上,进行优化,获得优化的CNN车辆检测器,称为CNN-OP车辆检测器;
[0063] 所述的在线检测阶段包括以下步骤:
[0064] S7:获取检测图片:从监控摄像头、硬盘录像机或者本地视频中获取检测图片;
[0065] S8:对获取的检测图片进行预处理:将检测图片进行均值滤波后进行归一化处理;
[0066] S9:对检测图片构建图像金字塔;
[0067] SlO:特征提取:利用CNN-OP车辆检测器的特征提取器对整个检测图像进行特征提取,通过多次卷积和降采样形成多张特征图;
[0068] Sll:扫描特征图:根据设定的窗口大小,同时扫描最后降采样层生成的多张特征图,将窗口中的特征值串连在一起,形成特征向量;
[0069] S12:特征分类:利用CNN-OP车辆检测器的分类器对特征向量进行分类,如果分类器输出值大于设定的阈值,则判定该窗口对应在检测图像中的区域包含车辆,否则判定为
进旦冃月^ ;
[0070] S13:合并检测窗口并输出:待所有金字塔层都检测完后,采用非最大压制的方法合并所有相交的检测结果,在检测图像中画出车辆检测结果,并将结果输出,完成车辆检测。
[0071] 具体地,所述的步骤SOl包括以下子步骤:
[0072] Sl-1:从网络上或者自己拍摄的车辆视频中截取大量车辆的样本,组成车辆样本集,车辆样本集包含了车辆的各个视角;
[0073] S1-2:按照车辆样本的长宽比,用K-means算法分为三类:正面和背面车辆样本、侧面车辆样本、斜侧面车辆样本,针对这三类车辆样本分别训练三个车辆检测器。
[0074] 训练CNN车辆检测器需要大量的样本。而目前公开的车辆数据集样本数量太少,不足以充分训练网络,因此我们从网络上和自己拍摄的视频中截取了 3500张车辆样本作为正样本,涵盖了车辆的大部分视角。受到卷积神经网络固定输入大小的限制,不能同时处理多个视角的车辆,因此将数据集划分为三类:正面和背面车辆样本、侧面车辆样本、斜侧面车辆样本:侧面车辆包含1100个样本,图像大小归一化为宽度78个像素和高度36个像素,车辆在图像的中心,周围围绕6个像素作为背景;斜侧面车辆包含1200个样本,图像大小归一化为宽度48个像素和高度36个像素,周围围绕5个像素作为背景;正面和背面车辆包含1200张车辆样本,图像大小归一化为宽度28个像素和高度24个像素,周围围绕4个像素作为背景。所有负样本从100张未包含车辆的图片中随机截取非车辆样本,其数量与正样本数量相同。
[0075] 为了增加检测器的鲁棒性,对样本进行随机地微小的尺度变换([0.9,1.1]倍)、平移变换([_2,+2]像素)和旋转变换([-15,+15]度),侧面车辆样本和斜侧面车辆样本还可以进行水平翻转,形成6600张侧面车辆样本,7200张斜侧面车辆样本,3600张正面和背面车辆样本。所有样本从RGB空间变换到YUV空间,并只保留Y空间数据,样本的像素值的取值范围归一化为[-1,I]。
[0076] CNN车辆检测器在分类时,用不含隐藏层的全连接神经网络对第二阶段输出特征分类,根据输出值即可判定输入图像是否是车辆。网络输出值的范围为[0,1],大于设定阈值0.8表示图像是车辆,反之表示背景。三种CNN车辆检测器结构的具体参数参见表1。
[0077] 表1三种车辆检测器网络结构的参数表
[0078]
Figure CN104036323AD00101
[0079] CNN车辆检测器在训练过程中没有要求同一层提取到不同的特征图。我们发现当卷积神经网络规模较大时,同一层中确实存在数量较多相似的特征图,这样的网络存在一定冗余的结构。因此我们想要对已经训练好的CNN车辆检测器通过合并相似特征图的方式优化网络结构,避免进行重复的特征提取,在一定程度上加快单个样本的检测速度。
[0080] 由于特征提取分为多个阶段,因此优化网络要逐阶段进行。在第二阶段的高层特征由数量多且尺寸小的特征图组成,最容易形成相似特征图,所以我们选择从最有可能形成冗余结构的地方着手,先优化第二阶段的特征图,再优化第一阶段的特征图。
[0081] 具体地,所述的步骤S04计算特征图的平均相似度表包括以下子步骤:
[0082] S4-1:对每个车辆样本,计算它在已训练完成的CNN检测器中降采样层的特征图,计算方法为:交替地包含卷积层和降采样层,执行卷积、降采样和非线性变换,从低层到高层逐阶段地进行,假定第k阶段输入和输出的特征图集合表示为Xk ={x|^|m= I,…
和Zk = {znk|n = I,-,Rk],其中Rk-1和Rk分别表示Xk和Zk中特征图的数量,因为每个阶段都有一个卷积层和一个降采样层,因此在这两层之间的特征图集合表示为yk ={yMn = I,…,Rk},在卷积层,特征图的计算公式为:
Figure CN104036323AD00111
[0084] 其中,(g)表示特征四与卷积核inkn之间的卷积操作表示偏移量,sigm(.)为sigmoid激活函数,在卷积层之后,降采样层无重叠地用一个固定大小的均值核扫描特征图#,形成第k阶段降采样层对应的特征图硓:
[0085]
Figure CN104036323AD00112
[0086] 特征图集合Zk作为下一个阶段的输入,按照同样的方式提取更高层的特征;
[0087] S4-2:计算降采样层特征图之间的余弦相似度,形成单个样本的相似度表Φ15:
Figure CN104036323AD00113
[0089] 其中,ρ和q为降采样层特征图的索引,相似度表的长和宽为降采样层特征图数量;
[0090] S4-3:累加所有车辆样本的相似度表,求均值,获得采样层特征图的平均相似度表φk[0091]
Figure CN104036323AD00114
[0092] 其中,N表示车辆样本的总数量。
[0093] 然后,根据平均相似度表,运用层次分析法建立特征图集合Zk的阶梯层次结
构,根据设定的相似度阈值0.9,将特征图划分为多个特征图组,也就是将相似的特征图聚在一起,形成一个特征图组。
[0094] 具体地,所述的步骤S06包括以下子步骤:
[0095] S6-1:如果特征图组仅包含一张特征图,则不做合并;如果特征图组包含多张特征图,则随机选择其中的一张特征图作为保留特征图,其余作为非保留特征图,设#和#是
第k阶段的相似特征图,选择保留特征图#,则第k+Ι阶段的特征图yp1表示为:
[0096] Yr+1 = sigm(----H Zp®f,!f,+1 + Zq®frkq+1 +----l.bf+1)
[0097]由于得到:
[0098] Yr+1 « Sigm(".+ Zp®(frp+1 + frkq+1) ^----+ 咕+1)
[0099]令frkp+1 frkp+1 + frkq+1,那么上式整理为:
[0100] Yr+1 = sigm(".+ zt^(g)fr^+1 H-----l.bji+1);
[0101] S6-2:删除非保留特征图的前向连接,包括对应的卷积层连接和降采样层连接;
[0102] S6-3:根据S6-1的计算方法将非保留特征图的后向连接合并到保留特征图的后向连接上,完成当前阶段的优化工程,当所有阶段的优化全部完成后,获得优化的CNN车辆检测器,称为CNN-OP车辆检测器。
[0103] 本方案采用的检测流程与传统车辆检测技术流程的不同之处在于特征提取和窗口扫描这两步骤的顺序。传统车辆检测技术大多都是先按照设定的窗口大小,从检测图像上逐像素扫描窗口,再对每个窗口中的子图像提取特征。而在本方案中,由于卷积神经网络特征提取器不受图像大小的限制,一旦学习到卷积核的具体形式,就可以从任意大小图像中提取特征,因此我们充分利用这一特性,先对检测图像整体进行特征提取,形成多个检测图像的特征图,再在多个特征图上同时扫描窗口,将窗口中的特征值串连在一起,由分类器进行分类。其具体流程是:(I)从监控摄像头、硬盘录像机(DVR)或者本地视频中解析数据,获得检测图片;(2)用大小为5*5的均值核对检测图片进行一次均值滤波,以去除图像中的噪声,再对检测图片进行归一化,像素值取值范围控制在[_1,+1]之间;(3)对检测图像构建图像金字塔,尺度变换分为6个等级:[0.5,0.6,0.7,0.8,0.9,1.0],便于多尺度检测车辆;(4)将CNN-OP车辆检测器分为两部分:特征提取器和分类器,特征提取器包括网络前端的输入层、卷积层和降采样层,分类器包括网络后端的全连接层,然后利用CNN-OP车辆检测器的特征提取器对整个检测图像进行特征提取,通过多次卷积和降采样形成多张特征图;(5)根据设定的窗口大小(此窗口尺寸是待检测车辆的实际尺寸的六分之一或者四分之一),同时扫描第二阶段降采样层生成的多张特征图,将窗口中的特征值串连在一起,形成特征向量;(6)利用CNN-OP车辆检测器的分类器对特征向量进行分类,如果分类器输出值大于设定的阈值0.8,则判定该窗口对应在检测图像中的区域包含车辆,否则判定为背景;(7)待CNN车辆检测器对所有金字塔层的图像检测完后,使用非最大压制的方法合并所有相交的检测结果,在检测图像中画出车辆检测结果,并将结果输出,完成车辆检测。
[0104] 车辆检测完成后,在CaltechlOl数据集和MIT交通场景数据集上测试CNN车辆检测器。CaltechlOl数据集只有侧面车辆的测试图片,每张图片只有一个车辆且场景简单,而MIT交通场景数据集包含了多种视角的车辆,车流量大且场景复杂。在每张图片的平均误报为0.25的情况下,CNN侧面车辆检测器在CaltechlOl数据集上达到了 95.1%的检测准确度;在每张图片的平均误报为I的情况下,在MIT交通场景数据集上整合三种车辆检测器的结果,准确率达到了 81.3%,证明本发明的检测方法能够提高系统的检测速度和检测准确率。

Claims (4)

1.一种基于卷积神经网络的车辆检测方法,其特征在于:包括离线训练、离线优化和在线检测三个阶段,所述的离线训练阶段包括以下步骤: 51:收集车辆样本和非车辆样本,并对车辆样本进行分类; 52:对车辆样本和非车辆样本进行预处理:根据设定的样本尺寸,对车辆样本随机地进行水平翻转、平移变换、尺度变换和旋转变换,以增加车辆样本数量,对非车辆样本进行尺度变换,然后对所有样本就行归一化处理; 53:训练CNN车辆检测器:采用BP算法训练CNN车辆检测器,每次迭代采用最小批的方式计算网络误差和更新权重,当在验证集上正确率不再提高时终止网络训练,获得CNN车辆检测器; 所述的离线优化阶段包括以下步骤: 54:计算特征图的平均相似度表; 55:构建相似特征图组:运用层次分析法分析平均相似度表,建立阶梯层次结构,根据设定的阈值将特征图划分为多个特征图组,每组包含相似的特征图; S6:合并相似特征图,将非保留特征图的后向连接合并到保留特征图的后向连接上,进行优化,获得优化的CNN车辆检测器,称为CNN-OP车辆检测器; 所述的在线检测阶段包括以下步骤: 57:获取检测图片: 从监控摄像头、硬盘录像机或者本地视频中获取检测图片; 58:对获取的检测图片进行预处理:将检测图片进行均值滤波后进行归一化处理; 59:对检测图片构建图像金字塔; 510:特征提取:利用CNN-OP车辆检测器的特征提取器对整个检测图像进行特征提取,通过多次卷积和降采样形成多张特征图; 511:扫描特征图:根据设定的窗口大小,同时扫描最后降采样层生成的多张特征图,将窗口中的特征值串连在一起,形成特征向量; 512:特征分类:利用CNN-OP车辆检测器的分类器对特征向量进行分类,如果分类器输出值大于设定的阈值,则判定该窗口对应在检测图像中的区域包含车辆,否则判定为背旦牙、; 513:合并检测窗口并输出:待所有金字塔层都检测完后,采用非最大压制的方法合并所有相交的检测结果,在检测图像中画出车辆检测结果,并将结果输出,完成车辆检测。
2.根据权利要求1所述的一种基于卷积神经网络的车辆检测方法,其特征在于:所述的步骤SI包括以下子步骤: Sl-1:从网络上或者自己拍摄的车辆视频中截取大量车辆的样本,组成车辆样本集,车辆样本集包含了车辆的各个视角; S1-2:按照车辆样本的长宽比,用K-means算法分为三类:正面和背面车辆样本、侧面车辆样本、斜侧面车辆样本,针对这三类车辆样本分别训练三个车辆检测器。
3.根据权利要求1所述的一种基于卷积神经网络的车辆检测方法,其特征在于:所述的步骤S4计算特征图的平均相似度表包括以下子步骤: S4-1:对每个车辆样本,计算它在已训练完成的CNN检测器中降采样层的特征图,计算方法为:交替地包含卷积层和降采样层,执行卷积、降采样和非线性变换,从低层到高层逐阶段地进行,假定第k阶段输入和输出的特征图集合表示为Xk = {x^lm = I,…,Rk-1]和Zk = {ζ^Ιη = I,-,Rk],其中RH和Rk分别表示xk和zk中特征图的数量,因为每个阶段都有一个卷积层和一个降采样层,因此在这两层之间的特征图集合表示为Yk = {yiiln 二 I,…,Rk},在卷积层,特征图的计算公式为:
Figure CN104036323AC00031
其中,_表示特征图与卷积核fnkm之间的卷积操作,b纟表示偏移量,sigm(.)为sigmoid激活函数,在卷积层之后,降采样层无重叠地用一个固定大小的均值核扫描特征图姥形成第k阶段降采样层对应的特征图蛄Zn = subsampling(yS) 特征图集合Zk作为下一个阶段的输入,按照同样的方式提取更高层的特征; S4-2:计算降采样层特征图之间的余弦相似度,形成单个样本的相似度表Φ15:
Figure CN104036323AC00032
其中,P和q为降采样层特征图的索引,相似度表的长和宽为降采样层特征图数量; S4-3:累加所有车辆样本的相似度表,求均值,获得采样层特征图的平均相似度表
Figure CN104036323AC00033
其中,N表示车辆样本的总数量。
4.根据权利要求3所述的一种基于卷积神经网络的车辆检测方法,其特征在于:所述的步骤S6包括以下子步骤: S6-1:如果特征图组仅包含一张特征图,则不做合并;如果特征图组包含多张特征图,则随机选择其中的一张特征图作为保留特征图,其余作为非保留特征图,设味和4是第k阶段的相似特征图,选择保留特征图4,则第k+Ι阶段的特征图yj5+1表示为:
Figure CN104036323AC00034
S6-2:删除非保留特征图的前向连接,包括对应的卷积层连接和降采样层连接;S6-3:根据S6-1的计算方法将非保留特征图的后向连接合并到保留特征图的后向连接上,完成当前阶段的优化工程,当所有阶段的优化全部完成后,获得优化的CNN车辆检测器,称为CNN -OP车辆检测器。
CN201410299644.5A 2014-06-26 2014-06-26 一种基于卷积神经网络的车辆检测方法 Expired - Fee Related CN104036323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410299644.5A CN104036323B (zh) 2014-06-26 2014-06-26 一种基于卷积神经网络的车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410299644.5A CN104036323B (zh) 2014-06-26 2014-06-26 一种基于卷积神经网络的车辆检测方法

Publications (2)

Publication Number Publication Date
CN104036323A true CN104036323A (zh) 2014-09-10
CN104036323B CN104036323B (zh) 2016-11-09

Family

ID=51467087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410299644.5A Expired - Fee Related CN104036323B (zh) 2014-06-26 2014-06-26 一种基于卷积神经网络的车辆检测方法

Country Status (1)

Country Link
CN (1) CN104036323B (zh)

Cited By (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104244113A (zh) * 2014-10-08 2014-12-24 中国科学院自动化研究所 一种基于深度学习技术的视频摘要生成方法
CN104268521A (zh) * 2014-09-23 2015-01-07 朱毅 一种基于非限定类别的卷积神经网络的图像识别方法
CN104281858A (zh) * 2014-09-15 2015-01-14 中安消技术有限公司 三维卷积神经网络训练方法、视频异常事件检测方法及装置
CN104616032A (zh) * 2015-01-30 2015-05-13 浙江工商大学 基于深度卷积神经网络的多摄像机系统目标匹配方法
CN104657748A (zh) * 2015-02-06 2015-05-27 中国石油大学(华东) 一种基于卷积神经网络的车型识别方法
CN104700099A (zh) * 2015-03-31 2015-06-10 百度在线网络技术(北京)有限公司 识别交通标志的方法和装置
CN104954741A (zh) * 2015-05-29 2015-09-30 东方浩联(北京)智能科技有限公司 深层次自我学习网络实现矿车空满状态的检测方法和系统
CN105069472A (zh) * 2015-08-03 2015-11-18 电子科技大学 一种基于卷积神经网络自适应的车辆检测方法
CN105184362A (zh) * 2015-08-21 2015-12-23 中国科学院自动化研究所 基于参数量化的深度卷积神经网络的加速与压缩方法
CN105279556A (zh) * 2015-11-05 2016-01-27 国家卫星海洋应用中心 一种浒苔检测方法和装置
CN105654067A (zh) * 2016-02-02 2016-06-08 北京格灵深瞳信息技术有限公司 一种车辆检测方法及装置
CN105718890A (zh) * 2016-01-22 2016-06-29 北京大学 一种基于卷积神经网络的特定视频检测方法
CN105808610A (zh) * 2014-12-31 2016-07-27 中国科学院深圳先进技术研究院 一种互联网图片过滤方法及装置
WO2016124103A1 (zh) * 2015-02-03 2016-08-11 阿里巴巴集团控股有限公司 一种图片检测方法及设备
CN105868691A (zh) * 2016-03-08 2016-08-17 中国石油大学(华东) 基于快速区域卷积神经网络的城市车辆追踪方法
WO2016145547A1 (en) * 2015-03-13 2016-09-22 Xiaoou Tang Apparatus and system for vehicle classification and verification
CN106096531A (zh) * 2016-05-31 2016-11-09 安徽省云力信息技术有限公司 一种基于深度学习的交通图像多类型车辆检测方法
CN106203350A (zh) * 2016-07-12 2016-12-07 北京邮电大学 一种运动目标跨尺度跟踪方法和装置
CN106228106A (zh) * 2016-06-27 2016-12-14 开易(北京)科技有限公司 一种改进的实时车辆检测过滤方法及系统
CN106250838A (zh) * 2016-07-27 2016-12-21 乐视控股(北京)有限公司 车辆识别方法及系统
CN106295124A (zh) * 2016-07-27 2017-01-04 广州麦仑信息科技有限公司 利用多种图像检测技术综合分析基因子图相似概率量的方法
CN106408015A (zh) * 2016-09-13 2017-02-15 电子科技大学成都研究院 基于卷积神经网络的岔路口识别及深度估计方法
CN106407931A (zh) * 2016-09-19 2017-02-15 杭州电子科技大学 一种新型深度卷积神经网络运动车辆检测方法
CN106855944A (zh) * 2016-12-22 2017-06-16 浙江宇视科技有限公司 行人标志物识别方法及装置
CN106875373A (zh) * 2016-12-14 2017-06-20 浙江大学 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN106971563A (zh) * 2017-04-01 2017-07-21 中国科学院深圳先进技术研究院 智能交通信号灯控制方法及系统
CN106971544A (zh) * 2017-05-15 2017-07-21 安徽大学 一种直接利用静态图像来检测车辆拥堵的方法
CN107067015A (zh) * 2016-10-27 2017-08-18 武汉烽火众智数字技术有限责任公司 一种基于多特征深度学习的车辆检测方法及装置
CN107169402A (zh) * 2016-03-08 2017-09-15 福特全球技术公司 车辆车道定位
CN107330437A (zh) * 2017-07-03 2017-11-07 贵州大学 基于卷积神经网络目标实时检测模型的特征提取方法
CN107479501A (zh) * 2017-09-28 2017-12-15 广州智能装备研究院有限公司 基于深度学习的3d零部件吸取方法
CN107516060A (zh) * 2016-06-15 2017-12-26 阿里巴巴集团控股有限公司 目标检测方法和装置
CN107527007A (zh) * 2016-06-20 2017-12-29 戴尔菲技术公司 用于检测关注对象的图像处理系统
CN107609491A (zh) * 2017-08-23 2018-01-19 中国科学院声学研究所 一种基于卷积神经网络的车辆违章停车检测方法
CN107644426A (zh) * 2017-10-12 2018-01-30 中国科学技术大学 基于金字塔池化编解码结构的图像语义分割方法
CN108320510A (zh) * 2018-04-03 2018-07-24 深圳市智绘科技有限公司 一种基于无人机航拍视频交通信息统计方法及系统
CN108475331A (zh) * 2016-02-17 2018-08-31 英特尔公司 使用来自卷积神经网络模型的多个层的特征图谱的针对包括感兴趣的对象的图像区域的候选区域
CN108509828A (zh) * 2017-02-28 2018-09-07 深圳市朗驰欣创科技股份有限公司 一种人脸识别方法和人脸识别装置
CN108830188A (zh) * 2018-05-30 2018-11-16 西安理工大学 基于深度学习的车辆检测方法
CN108932471A (zh) * 2018-05-23 2018-12-04 浙江科技学院 一种车辆检测方法
CN109001833A (zh) * 2018-06-22 2018-12-14 天和防务技术(北京)有限公司 一种基于深度学习的太赫兹危险品检测方法
CN104809443B (zh) * 2015-05-05 2018-12-28 上海交通大学 基于卷积神经网络的车牌检测方法及系统
CN109117826A (zh) * 2018-09-05 2019-01-01 湖南科技大学 一种多特征融合的车辆识别方法
CN109145717A (zh) * 2018-06-30 2019-01-04 东南大学 一种在线学习的人脸识别方法
CN109448070A (zh) * 2018-11-06 2019-03-08 明峰医疗系统股份有限公司 一种ct宽展视野的重建方法
CN109635744A (zh) * 2018-12-13 2019-04-16 合肥工业大学 一种基于深度分割网络的车道线检测方法
CN109668610A (zh) * 2019-01-11 2019-04-23 东南大学 基于神经网络回归的车辆动态测重方法及其采用的系统
CN109961057A (zh) * 2019-04-03 2019-07-02 罗克佳华科技集团股份有限公司 一种车辆位置获得方法及装置
TWI696124B (zh) * 2017-12-15 2020-06-11 香港商阿里巴巴集團服務有限公司 模型整合方法及裝置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750544A (zh) * 2012-06-01 2012-10-24 浙江捷尚视觉科技有限公司 基于车牌识别的未扣紧安全带违章驾驶检测系统及方法
JP2014049118A (ja) * 2012-08-31 2014-03-17 Fujitsu Ltd 畳み込みニューラルネットワーク分類器システム、その訓練方法、分類方法および用途

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750544A (zh) * 2012-06-01 2012-10-24 浙江捷尚视觉科技有限公司 基于车牌识别的未扣紧安全带违章驾驶检测系统及方法
JP2014049118A (ja) * 2012-08-31 2014-03-17 Fujitsu Ltd 畳み込みニューラルネットワーク分類器システム、その訓練方法、分類方法および用途

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钱志明等: "基于视频的车辆检测与跟踪研究进展", 《中南大学学报》 *

Cited By (77)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104281858B (zh) * 2014-09-15 2018-07-10 中安消技术有限公司 三维卷积神经网络训练方法、视频异常事件检测方法及装置
CN104281858A (zh) * 2014-09-15 2015-01-14 中安消技术有限公司 三维卷积神经网络训练方法、视频异常事件检测方法及装置
CN104268521A (zh) * 2014-09-23 2015-01-07 朱毅 一种基于非限定类别的卷积神经网络的图像识别方法
CN104244113A (zh) * 2014-10-08 2014-12-24 中国科学院自动化研究所 一种基于深度学习技术的视频摘要生成方法
CN105808610A (zh) * 2014-12-31 2016-07-27 中国科学院深圳先进技术研究院 一种互联网图片过滤方法及装置
CN104616032A (zh) * 2015-01-30 2015-05-13 浙江工商大学 基于深度卷积神经网络的多摄像机系统目标匹配方法
CN104616032B (zh) * 2015-01-30 2018-02-09 浙江工商大学 基于深度卷积神经网络的多摄像机系统目标匹配方法
CN105989330A (zh) * 2015-02-03 2016-10-05 阿里巴巴集团控股有限公司 一种图片检测方法及设备
WO2016124103A1 (zh) * 2015-02-03 2016-08-11 阿里巴巴集团控股有限公司 一种图片检测方法及设备
CN104657748A (zh) * 2015-02-06 2015-05-27 中国石油大学(华东) 一种基于卷积神经网络的车型识别方法
WO2016145547A1 (en) * 2015-03-13 2016-09-22 Xiaoou Tang Apparatus and system for vehicle classification and verification
WO2016155371A1 (zh) * 2015-03-31 2016-10-06 百度在线网络技术(北京)有限公司 识别交通标志的方法和装置
CN104700099A (zh) * 2015-03-31 2015-06-10 百度在线网络技术(北京)有限公司 识别交通标志的方法和装置
CN104700099B (zh) * 2015-03-31 2017-08-11 百度在线网络技术(北京)有限公司 识别交通标志的方法和装置
CN104809443B (zh) * 2015-05-05 2018-12-28 上海交通大学 基于卷积神经网络的车牌检测方法及系统
CN104954741B (zh) * 2015-05-29 2019-01-04 东方浩联(北京)智能科技有限公司 深层次自我学习网络实现矿车空满状态的检测方法和系统
CN104954741A (zh) * 2015-05-29 2015-09-30 东方浩联(北京)智能科技有限公司 深层次自我学习网络实现矿车空满状态的检测方法和系统
CN105069472A (zh) * 2015-08-03 2015-11-18 电子科技大学 一种基于卷积神经网络自适应的车辆检测方法
CN105069472B (zh) * 2015-08-03 2018-07-27 电子科技大学 一种基于卷积神经网络自适应的车辆检测方法
CN105184362A (zh) * 2015-08-21 2015-12-23 中国科学院自动化研究所 基于参数量化的深度卷积神经网络的加速与压缩方法
CN105184362B (zh) * 2015-08-21 2018-02-02 中国科学院自动化研究所 基于参数量化的深度卷积神经网络的加速与压缩方法
CN105279556A (zh) * 2015-11-05 2016-01-27 国家卫星海洋应用中心 一种浒苔检测方法和装置
CN105279556B (zh) * 2015-11-05 2017-11-07 国家卫星海洋应用中心 一种浒苔检测方法和装置
CN105718890A (zh) * 2016-01-22 2016-06-29 北京大学 一种基于卷积神经网络的特定视频检测方法
CN105654067A (zh) * 2016-02-02 2016-06-08 北京格灵深瞳信息技术有限公司 一种车辆检测方法及装置
CN108475331A (zh) * 2016-02-17 2018-08-31 英特尔公司 使用来自卷积神经网络模型的多个层的特征图谱的针对包括感兴趣的对象的图像区域的候选区域
CN105868691B (zh) * 2016-03-08 2019-05-21 青岛邃智信息科技有限公司 基于快速区域卷积神经网络的城市车辆追踪方法
CN107169402B (zh) * 2016-03-08 2021-10-08 福特全球技术公司 车辆车道定位
CN105868691A (zh) * 2016-03-08 2016-08-17 中国石油大学(华东) 基于快速区域卷积神经网络的城市车辆追踪方法
CN107169402A (zh) * 2016-03-08 2017-09-15 福特全球技术公司 车辆车道定位
CN106096531A (zh) * 2016-05-31 2016-11-09 安徽省云力信息技术有限公司 一种基于深度学习的交通图像多类型车辆检测方法
CN106096531B (zh) * 2016-05-31 2019-06-14 安徽省云力信息技术有限公司 一种基于深度学习的交通图像多类型车辆检测方法
CN107516060A (zh) * 2016-06-15 2017-12-26 阿里巴巴集团控股有限公司 目标检测方法和装置
CN107527007A (zh) * 2016-06-20 2017-12-29 戴尔菲技术公司 用于检测关注对象的图像处理系统
CN107527007B (zh) * 2016-06-20 2021-11-02 戴尔菲技术公司 在车辆图像处理系统中检测关注对象的方法
CN106228106A (zh) * 2016-06-27 2016-12-14 开易(北京)科技有限公司 一种改进的实时车辆检测过滤方法及系统
CN106228106B (zh) * 2016-06-27 2019-05-10 开易(北京)科技有限公司 一种改进的实时车辆检测过滤方法及系统
CN106203350A (zh) * 2016-07-12 2016-12-07 北京邮电大学 一种运动目标跨尺度跟踪方法和装置
CN106295124B (zh) * 2016-07-27 2018-11-27 广州麦仑信息科技有限公司 多种图像检测技术综合分析基因子图相似概率量的方法
CN106295124A (zh) * 2016-07-27 2017-01-04 广州麦仑信息科技有限公司 利用多种图像检测技术综合分析基因子图相似概率量的方法
CN106250838A (zh) * 2016-07-27 2016-12-21 乐视控股(北京)有限公司 车辆识别方法及系统
CN106408015A (zh) * 2016-09-13 2017-02-15 电子科技大学成都研究院 基于卷积神经网络的岔路口识别及深度估计方法
CN106407931B (zh) * 2016-09-19 2019-11-22 杭州电子科技大学 一种深度卷积神经网络运动车辆检测方法
CN106407931A (zh) * 2016-09-19 2017-02-15 杭州电子科技大学 一种新型深度卷积神经网络运动车辆检测方法
CN107067015B (zh) * 2016-10-27 2020-09-11 武汉烽火众智数字技术有限责任公司 一种基于多特征深度学习的车辆检测方法及装置
CN107067015A (zh) * 2016-10-27 2017-08-18 武汉烽火众智数字技术有限责任公司 一种基于多特征深度学习的车辆检测方法及装置
CN106875373B (zh) * 2016-12-14 2019-12-20 惠州旭鑫智能技术有限公司 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN106875373A (zh) * 2016-12-14 2017-06-20 浙江大学 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN106855944A (zh) * 2016-12-22 2017-06-16 浙江宇视科技有限公司 行人标志物识别方法及装置
CN106855944B (zh) * 2016-12-22 2020-01-14 浙江宇视科技有限公司 行人标志物识别方法及装置
CN108509828A (zh) * 2017-02-28 2018-09-07 深圳市朗驰欣创科技股份有限公司 一种人脸识别方法和人脸识别装置
CN106971563A (zh) * 2017-04-01 2017-07-21 中国科学院深圳先进技术研究院 智能交通信号灯控制方法及系统
CN106971563B (zh) * 2017-04-01 2020-05-19 中国科学院深圳先进技术研究院 智能交通信号灯控制方法及系统
CN106971544A (zh) * 2017-05-15 2017-07-21 安徽大学 一种直接利用静态图像来检测车辆拥堵的方法
CN106971544B (zh) * 2017-05-15 2019-07-16 安徽大学 一种直接利用静态图像来检测车辆拥堵的方法
CN107330437A (zh) * 2017-07-03 2017-11-07 贵州大学 基于卷积神经网络目标实时检测模型的特征提取方法
CN107330437B (zh) * 2017-07-03 2021-01-08 贵州大学 基于卷积神经网络目标实时检测模型的特征提取方法
CN107609491B (zh) * 2017-08-23 2020-05-26 中国科学院声学研究所 一种基于卷积神经网络的车辆违章停车检测方法
CN107609491A (zh) * 2017-08-23 2018-01-19 中国科学院声学研究所 一种基于卷积神经网络的车辆违章停车检测方法
CN107479501A (zh) * 2017-09-28 2017-12-15 广州智能装备研究院有限公司 基于深度学习的3d零部件吸取方法
CN107644426A (zh) * 2017-10-12 2018-01-30 中国科学技术大学 基于金字塔池化编解码结构的图像语义分割方法
TWI696124B (zh) * 2017-12-15 2020-06-11 香港商阿里巴巴集團服務有限公司 模型整合方法及裝置
CN108320510B (zh) * 2018-04-03 2020-12-04 深圳市智绘科技有限公司 一种基于无人机航拍视频交通信息统计方法及系统
CN108320510A (zh) * 2018-04-03 2018-07-24 深圳市智绘科技有限公司 一种基于无人机航拍视频交通信息统计方法及系统
CN108932471A (zh) * 2018-05-23 2018-12-04 浙江科技学院 一种车辆检测方法
CN108932471B (zh) * 2018-05-23 2020-06-26 浙江科技学院 一种车辆检测方法
CN108830188A (zh) * 2018-05-30 2018-11-16 西安理工大学 基于深度学习的车辆检测方法
CN109001833A (zh) * 2018-06-22 2018-12-14 天和防务技术(北京)有限公司 一种基于深度学习的太赫兹危险品检测方法
CN109145717A (zh) * 2018-06-30 2019-01-04 东南大学 一种在线学习的人脸识别方法
CN109145717B (zh) * 2018-06-30 2021-05-11 东南大学 一种在线学习的人脸识别方法
CN109117826B (zh) * 2018-09-05 2020-11-24 湖南科技大学 一种多特征融合的车辆识别方法
CN109117826A (zh) * 2018-09-05 2019-01-01 湖南科技大学 一种多特征融合的车辆识别方法
CN109448070A (zh) * 2018-11-06 2019-03-08 明峰医疗系统股份有限公司 一种ct宽展视野的重建方法
CN109635744A (zh) * 2018-12-13 2019-04-16 合肥工业大学 一种基于深度分割网络的车道线检测方法
CN109635744B (zh) * 2018-12-13 2020-04-14 合肥工业大学 一种基于深度分割网络的车道线检测方法
CN109668610A (zh) * 2019-01-11 2019-04-23 东南大学 基于神经网络回归的车辆动态测重方法及其采用的系统
CN109961057A (zh) * 2019-04-03 2019-07-02 罗克佳华科技集团股份有限公司 一种车辆位置获得方法及装置

Also Published As

Publication number Publication date
CN104036323B (zh) 2016-11-09

Similar Documents

Publication Publication Date Title
CN104036323A (zh) 一种基于卷积神经网络的车辆检测方法
CN101800890B (zh) 一种高速公路监控场景下多车辆视频跟踪方法
CN104616032A (zh) 基于深度卷积神经网络的多摄像机系统目标匹配方法
CN105069472A (zh) 一种基于卷积神经网络自适应的车辆检测方法
CN105184271A (zh) 一种基于深度学习的车辆自动检测方法
CN105701483B (zh) 一种融合多光谱遥感数据和夜间灯光遥感数据的城市边界提取方法
CN104077613A (zh) 一种基于级联多级卷积神经网络的人群密度估计方法
CN103198332A (zh) 一种实时鲁棒的远红外车载行人检测方法
CN104537387A (zh) 利用神经网络实现车型分类的方法和系统
CN104268528A (zh) 一种人群聚集区域检测方法和装置
CN104134068B (zh) 基于稀疏编码的监控车辆特征表示及分类方法
Derpanis et al. Classification of traffic video based on a spatiotemporal orientation analysis
CN104504395A (zh) 基于神经网络实现人车分类的方法和系统
CN108009518A (zh) 一种基于快速二分卷积神经网络的层次化交通标识识别方法
CN101017573A (zh) 一种基于视频监控的运动目标检测与识别方法
CN105404857A (zh) 一种基于红外的夜间智能车前方行人检测方法
CN106203260A (zh) 基于多摄像机监控网络的行人识别与跟踪方法
CN108921875A (zh) 一种基于航拍数据的实时车流检测与追踪方法
CN102855758A (zh) 一种违章车辆检测方法
CN102163286B (zh) 一种色情图像评价方法
CN103679205A (zh) 基于阴影假设和分层hog对称特征验证的前车检测方法
CN104978567A (zh) 基于场景分类的车辆检测方法
CN107092884A (zh) 一种快速粗精级联行人检测方法
CN109101859A (zh) 使用高斯惩罚检测图像中行人的方法
Wang et al. Vehicle detection based on drone images with the improved faster R-CNN

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: 20170401

Address after: 610041 Sichuan Province, Chengdu hi tech Zone, Park Road, No. two, building C, No. 105, No. 1

Patentee after: CHENGDU LIUHUO TECHNOLOGY CO., LTD.

Address before: 610065 Jinjiang District, Chengdu, Guangxi, Guangxi, Guangxi Road, No. 168, building 4, unit 5, building 15, No. 1

Patentee before: Ye Mao

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: 20161109

Termination date: 20180626