CN104537348A - 特种车辆识别方法及其识别系统 - Google Patents

特种车辆识别方法及其识别系统 Download PDF

Info

Publication number
CN104537348A
CN104537348A CN201410831431.2A CN201410831431A CN104537348A CN 104537348 A CN104537348 A CN 104537348A CN 201410831431 A CN201410831431 A CN 201410831431A CN 104537348 A CN104537348 A CN 104537348A
Authority
CN
China
Prior art keywords
model
feature
vehicle
edge
local members
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
CN201410831431.2A
Other languages
English (en)
Other versions
CN104537348B (zh
Inventor
俞喆俊
张如高
贺岳平
虞正华
梁龙飞
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.)
BOCOM SMART NETWORK TECHNOLOGIES Inc
Original Assignee
BOCOM SMART NETWORK TECHNOLOGIES Inc
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 BOCOM SMART NETWORK TECHNOLOGIES Inc filed Critical BOCOM SMART NETWORK TECHNOLOGIES Inc
Priority to CN201410831431.2A priority Critical patent/CN104537348B/zh
Publication of CN104537348A publication Critical patent/CN104537348A/zh
Application granted granted Critical
Publication of CN104537348B publication Critical patent/CN104537348B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种特种车辆识别方法，包括：在视频图像中定位车辆区域步骤；局部构件提取步骤；3d模型信息获取步骤；车种识别步骤。本发明能够有效的识别出特种车辆。

Description

特种车辆识别方法及其识别系统
技术领域
本发明属于车辆识别技术领域，尤其涉及一种特种车辆识别方法及其识别系统。
背景技术
随着智能交通发展的需要，对于车辆车型，尤其是危险品运输车辆车型的分类日益成为城市交通管理的迫切需求。有效识别特种车辆，不仅可以有效执行交通限行，还可以有效预防特种车辆的恐怖袭击。
传统的车辆检测方法只能区分大型车、中型车、小型车，但无法识别特种车辆(油罐车、拖车、吊车、水泥车等)。
发明内容
基于此，针对上述技术问题，提供一种特种车辆识别方法及其识别系统。
为解决上述技术问题，本发明采用如下技术方案：
一种特种车辆识别方法，包括：
在视频图像中定位车辆区域；
局部构件提取：利用颜色以及边缘特性，将所述车辆区域图像分割成多个子区域；对每个子区域进行有效线段检测；根据车辆各部件的不同特征，聚类合并有效线段，并结合相应子区域的纹理信息以及边缘梯度信息，形成每个子区域的特征关联向量；根据特征关联向量，提取每个子区域的局部构件；
3d模型信息获取：对每个局部构件进行特征提取，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；用3d模型特征向量和预训练的3d支持向量回归模型进行对比，估计出车辆的3d模型；用该3d模型对所述局部构件进行2d位置坐标估计，并将估计结果反作用于对每个局部构件的特征提取，经多重迭代拟合后，确定车辆的3d模型信息；
车种识别：根据3d模型的几何特征描述以及边缘特征描述，记录每种特征描述的影响因子；将每种特征描述的影响因子关联起来，形成一维向量，通过相应的分类器计算车种打分值，该打分值乘以对应的影响因子，得出的总值来判断车种。
所述3d支持向量回归模型的预训练包括：将特种车辆的3d模型作为训练库的样本；对3d模型的每个局部构件进行特征提取，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；将该3d模型特征向量进行支持向量回归，利用各种特种车辆的样本形成回归模型。
所述在视频图像中定位车辆区域步骤包括：
对所述视频图像进行高斯图像模糊，将高斯图像模糊后的图像与原图作差得到像素变化值，对变化值作归一化处理，找出有效边缘，形成粗分边缘图；
对所述粗分边缘图进行细分处理，合并以及延长断裂线段，提取规则圆形和线性线条，过滤无效边缘线，定位有效车型边缘轮廓；
通过滑动窗口提取所述有效车型边缘轮廓内的特征，统计这些窗口中的有效特征，通过adaboost算法组合成强分类器，由强分类器定位车辆区域。
所述有效特征包括sift特征以及Fisher特征。
本发明涉及一种特种车辆识别系统，包括：
车辆区域定位单元，用于在视频图像中定位车辆区域；
局部构件提取单元，用于利用颜色以及边缘特性，将所述车辆区域图像分割成多个子区域；对每个子区域进行有效线段检测；根据车辆各部件的不同特征，聚类合并有效线段，并结合相应子区域的纹理信息以及边缘梯度信息，形成每个子区域的特征关联向量；根据特征关联向量，提取每个子区域的局部构件；
3d模型信息获取单元，用于对每个局部构件进行特征提取，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；用3d模型特征向量和预训练的3d支持向量回归模型进行对比，估计出车辆的3d模型；用该3d模型对所述局部构件进行2d位置坐标估计，并将估计结果反作用于对每个局部构件的特征提取，经多重迭代拟合后，确定车辆的3d模型信息；
车种识别单元，用于根据3d模型的几何特征描述以及边缘特征描述，记录每种特征描述的影响因子；将每种特征描述的影响因子关联起来，形成一维向量，通过相应的分类器计算车种打分值，该打分值乘以对应的影响因子，得出的总值来判断车种。
所述3d支持向量回归模型的预训练包括：将特种车辆的3d模型作为训练库的样本；对3d模型的每个局部构件进行特征提取，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；将该3d模型特征向量进行支持向量回归，利用各种特种车辆的样本形成回归模型。
所述在视频图像中定位车辆区域包括：
对所述视频图像进行高斯图像模糊，将高斯图像模糊后的图像与原图作差得到像素变化值，对变化值作归一化处理，找出有效边缘，形成粗分边缘图；
对所述粗分边缘图进行细分处理，合并以及延长断裂线段，提取规则圆形和线性线条，过滤无效边缘线，定位有效车型边缘轮廓；
通过滑动窗口提取所述有效车型边缘轮廓内的特征，统计这些窗口中的有效特征，通过adaboost算法组合成强分类器，由强分类器定位车辆区域。
所述有效特征包括sift特征以及Fisher特征。
本发明能够有效的识别出特种车辆。
附图说明
下面结合附图和具体实施方式本发明进行详细说明：
图1为本发明的一种特种车辆的识别方法的流程图；
图2为本发明的一种特种车辆的识别系统的结构示意图；
图3为本发明的3d模型信息获取示意图。
具体实施方式
如图1所示，一种特种车辆的识别方法，包括：
S101、在视频图像中定位车辆区域。具体过程如下：
对视频图像进行高斯图像模糊，将高斯图像模糊后的图像与原图作差得到像素变化值，对变化值作归一化处理，通过与预设阈值比较找出有效边缘，形成粗分边缘图，其中，大于预设阈值的将被判别为有效边缘。
对粗分边缘图进行细分处理，合并以及延长断裂线段，提取规则圆形和线性线条，过滤无效边缘线，定位有效车型边缘轮廓；
通过滑动窗口提取有效车型边缘轮廓内的特征，统计这些窗口中的有效特征，如sift特征以及Fisher特征等特征，通过adaboost算法组合成强分类器，由强分类器定位车辆区域。
S102、局部构件提取：利用颜色以及边缘特性，将车辆区域图像分割(阈值分割或区域分割)成多个子区域，其目的是屏蔽非兴趣区域，突出车辆的各有效部件；对每个子区域进行有效线段检测；根据车辆各部件的不同特征(车灯、车珊、雾灯、车标、车窗各部件的不同特征)，聚类合并有效线段，并结合相应子区域的纹理信息以及边缘梯度信息(如LBP、hog等)，形成每个子区域的特征关联向量；根据特征关联向量，提取每个子区域的局部构件。
S103、3d模型信息获取：如图3所示，对每个局部构件进行特征提取(可采用角点检测或者梯度边缘检测)，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；用3d模型特征向量和预训练的3d支持向量回归模型进行对比，估计出车辆的3d模型；用该3d模型对局部构件进行2d位置坐标估计，并将估计结果反作用于对每个局部构件的特征提取，经多重迭代拟合后(达到设定阈值)，确定车辆的3d模型信息。
需要指出的是，不同局部构件均存在着许多相同的特征，即无代表性特征，其并不能有效的突出每个局部构件的唯一性，需要提取每个局部构件独有的特征，全局主成份分析的作用就在于此，才能有效避免特征冗余。
其中，3d支持向量回归模型的预训练包括：将特种车辆的3d模型作为训练库的样本；每个3d车辆模型都由车辆中的不同构件组成，对3d模型的每个局部构件进行特征提取，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；将该3d模型特征向量进行支持向量回归，利用各种特种车辆的样本(包括不同视角、尺度、旋转等)形成回归模型。
S104、车种识别：根据3d模型的几何特征描述以及边缘特征描述，记录每种特征描述的影响因子；将每种特征描述的影响因子关联起来(同属一个标记)，形成一维向量，通过相应的分类器(如SVN、boosting分类器)计算车种打分值，每个打分值乘以对应的影响因子，得出的总值来判断车种，不同的车种对应不同的预设范围，将总值与预设范围进行匹配，即可判断为相应的车种。
需要指出的是，3d模型由局部构件组合而成，故自身存在几何特征；构件组合成3d模型后，便有整体边缘的特征，提取整体边缘信息作为模型边缘特征，故不同的构件拥有不同的几何特征与边缘特征。
如图2所示，本发明还涉及一种特种车辆的识别系统，包括车辆区域定位单元110、局部构件提取单元120、3d模型信息获取单元130以及车种识别单元140。
车辆区域定位单元110，用于在视频图像中定位车辆区域。具体过程如下：
对视频图像进行高斯图像模糊，将高斯图像模糊后的图像与原图作差得到像素变化值，对变化值作归一化处理，通过与预设阈值比较找出有效边缘，形成粗分边缘图，其中，大于预设阈值的将被判别为有效边缘。
对粗分边缘图进行细分处理，合并以及延长断裂线段，提取规则圆形和线性线条，过滤无效边缘线，定位有效车型边缘轮廓；
通过滑动窗口提取有效车型边缘轮廓内的特征，统计这些窗口中的有效特征，如sift特征以及Fisher特征等特征，通过adaboost算法组合成强分类器，由强分类器定位车辆区域。
局部构件提取单元120，用于利用颜色以及边缘特性，将车辆区域图像分割成多个子区域；对每个子区域进行有效线段检测；根据车辆各部件的不同特征(车灯、车珊、雾灯、车标、车窗各部件的不同特征)，聚类合并有效线段，并结合相应子区域的纹理信息以及边缘梯度信息(如LBP、hog等)，形成每个子区域的特征关联向量；根据特征关联向量，提取每个子区域的局部构件。
3d模型信息获取单元130，用于对每个局部构件进行特征提取(可采用角点检测或者梯度边缘检测)，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；用3d模型特征向量和预训练的3d支持向量回归模型进行对比，估计出车辆的3d模型；用该3d模型对局部构件进行2d位置坐标估计，并将估计结果反作用于对每个局部构件的特征提取，经多重迭代拟合后(达到设定阈值)，确定车辆的3d模型信息。
需要指出的是，不同局部构件均存在着许多相同的特征，即无代表性特征，其并不能有效的突出每个局部构件的唯一性，需要提取每个局部构件独有的特征，全局主成份分析的作用就在于此，才能有效避免特征冗余。
其中，3d支持向量回归模型的预训练包括：将特种车辆的3d模型作为训练库的样本；对3d模型的每个局部构件进行特征提取，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；将该3d模型特征向量进行支持向量回归，利用各种特种车辆的样本(包括不同视角、尺度、旋转等)形成回归模型。
车种识别单元140，用于根据3d模型的几何特征描述以及边缘特征描述，记录每种特征描述的影响因子；将每种特征描述的影响因子关联起来(同属一个标记)，形成一维向量，通过相应的分类器(如SVN、boosting分类器)计算车种打分值，每个打分值乘以对应的影响因子，得出的总值来判断车种，不同的车种对应不同的预设范围，将总值与预设范围进行匹配，即可判断为相应的车种。
需要指出的是，3d模型由局部构件组合而成，故自身存在几何特征；构件组合成3d模型后，便有整体边缘的特征，提取整体边缘信息作为模型边缘特征，故不同的构件拥有不同的几何特征与边缘特征。
但是，本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (8)

1.一种特种车辆识别方法，其特征在于，包括：
在视频图像中定位车辆区域；
局部构件提取：利用颜色以及边缘特性，将所述车辆区域图像分割成多个子区域；对每个子区域进行有效线段检测；根据车辆各部件的不同特征，聚类合并有效线段，并结合相应子区域的纹理信息以及边缘梯度信息，形成每个子区域的特征关联向量；根据特征关联向量，提取每个子区域的局部构件；
3d模型信息获取：对每个局部构件进行特征提取，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；用3d模型特征向量和预训练的3d支持向量回归模型进行对比，估计出车辆的3d模型；用该3d模型对所述局部构件进行2d位置坐标估计，并将估计结果反作用于对每个局部构件的特征提取，经多重迭代拟合后，确定车辆的3d模型信息；
车种识别：根据3d模型的几何特征描述以及边缘特征描述，记录每种特征描述的影响因子；将每种特征描述的影响因子关联起来，形成一维向量，通过相应的分类器计算车种打分值，该打分值乘以对应的影响因子，得出的总值来判断车种。
2.根据权利要求1所述的一种特种车辆识别方法，其特征在于，所述3d支持向量回归模型的预训练包括：将特种车辆的3d模型作为训练库的样本；对3d模型的每个局部构件进行特征提取，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；将该3d模型特征向量进行支持向量回归，利用各种特种车辆的样本形成回归模型。
3.根据权利要求1或2所述的一种特种车辆识别方法，其特征在于，所述在视频图像中定位车辆区域步骤包括：
对所述视频图像进行高斯图像模糊，将高斯图像模糊后的图像与原图作差得到像素变化值，对变化值作归一化处理，找出有效边缘，形成粗分边缘图；
对所述粗分边缘图进行细分处理，合并以及延长断裂线段，提取规则圆形和线性线条，过滤无效边缘线，定位有效车型边缘轮廓；
通过滑动窗口提取所述有效车型边缘轮廓内的特征，统计这些窗口中的有效特征，通过adaboost算法组合成强分类器，由强分类器定位车辆区域。
4.根据权利要求3所述的一种特种车辆识别方法，其特征在于，所述有效特征包括sift特征以及Fisher特征。
5.一种特种车辆识别系统，其特征在于，包括：
车辆区域定位单元，用于在视频图像中定位车辆区域；
局部构件提取单元，用于利用颜色以及边缘特性，将所述车辆区域图像分割成多个子区域；对每个子区域进行有效线段检测；根据车辆各部件的不同特征，聚类合并有效线段，并结合相应子区域的纹理信息以及边缘梯度信息，形成每个子区域的特征关联向量；根据特征关联向量，提取每个子区域的局部构件；
3d模型信息获取单元，用于对每个局部构件进行特征提取，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；用3d模型特征向量和预训练的3d支持向量回归模型进行对比，估计出车辆的3d模型；用该3d模型对所述局部构件进行2d位置坐标估计，并将估计结果反作用于对每个局部构件的特征提取，经多重迭代拟合后，确定车辆的3d模型信息；
车种识别单元，用于根据3d模型的几何特征描述以及边缘特征描述，记录每种特征描述的影响因子；将每种特征描述的影响因子关联起来，形成一维向量，通过相应的分类器计算车种打分值，该打分值乘以对应的影响因子，得出的总值来判断车种。
6.根据权利要求5所述的一种特种车辆识别系统，其特征在于，所述3d支持向量回归模型的预训练包括：将特种车辆的3d模型作为训练库的样本；对3d模型的每个局部构件进行特征提取，构成3d特征点组合列队；通过全局主成份分析来提取最具代表性的3d模型特征向量；将该3d模型特征向量进行支持向量回归，利用各种特种车辆的样本形成回归模型。
7.根据权利要求5或6所述的一种特种车辆识别系统，其特征在于，所述在视频图像中定位车辆区域包括：
对所述视频图像进行高斯图像模糊，将高斯图像模糊后的图像与原图作差得到像素变化值，对变化值作归一化处理，找出有效边缘，形成粗分边缘图；
对所述粗分边缘图进行细分处理，合并以及延长断裂线段，提取规则圆形和线性线条，过滤无效边缘线，定位有效车型边缘轮廓；
通过滑动窗口提取所述有效车型边缘轮廓内的特征，统计这些窗口中的有效特征，通过adaboost算法组合成强分类器，由强分类器定位车辆区域。
8.根据权利要求7所述的一种特种车辆识别系统，其特征在于，所述有效特征包括sift特征以及Fisher特征。
CN201410831431.2A 2014-12-23 2014-12-23 特种车辆识别方法及其识别系统 Active CN104537348B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410831431.2A CN104537348B (zh) 2014-12-23 2014-12-23 特种车辆识别方法及其识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410831431.2A CN104537348B (zh) 2014-12-23 2014-12-23 特种车辆识别方法及其识别系统

Publications (2)

Publication Number Publication Date
CN104537348A true CN104537348A (zh) 2015-04-22
CN104537348B CN104537348B (zh) 2017-12-26

Family

ID=52852868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410831431.2A Active CN104537348B (zh) 2014-12-23 2014-12-23 特种车辆识别方法及其识别系统

Country Status (1)

Country Link
CN (1) CN104537348B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335702A (zh) * 2015-10-15 2016-02-17 浙江捷尚视觉科技股份有限公司 一种基于统计学习的卡口车型识别方法
CN106886780A (zh) * 2015-12-10 2017-06-23 北京航天长峰科技工业集团有限公司 一种低空遥感影像中特种车辆提取方法
CN107798324A (zh) * 2016-08-29 2018-03-13 北京君正集成电路股份有限公司 一种车牌图像定位方法及设备
CN108009579A (zh) * 2017-11-29 2018-05-08 合肥寰景信息技术有限公司 基于深度学习的特种车辆检测与识别系统
CN108280990A (zh) * 2016-12-30 2018-07-13 纵目科技（上海）股份有限公司 基于车顶信号灯检测的急救车辆检测与避让方法与系统
CN110147707A (zh) * 2018-10-25 2019-08-20 初速度（苏州）科技有限公司 一种高精度车辆识别方法及系统
CN112180913A (zh) * 2020-09-01 2021-01-05 芜湖酷哇机器人产业技术研究院有限公司 特种车辆识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663358A (zh) * 2012-03-29 2012-09-12 山西省电力公司晋中供电分公司 变电站二次保护设备运行状态的视频图像识别方法
CN102930271A (zh) * 2012-09-21 2013-02-13 博康智能网络科技股份有限公司 一种视频图像的出租车实时识别方法
US8874372B1 (en) * 2011-07-13 2014-10-28 Google Inc. Object detection and classification for autonomous vehicles

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8874372B1 (en) * 2011-07-13 2014-10-28 Google Inc. Object detection and classification for autonomous vehicles
CN102663358A (zh) * 2012-03-29 2012-09-12 山西省电力公司晋中供电分公司 变电站二次保护设备运行状态的视频图像识别方法
CN102930271A (zh) * 2012-09-21 2013-02-13 博康智能网络科技股份有限公司 一种视频图像的出租车实时识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
夏东: ""智能视频监控中目标检测、跟踪和识别方法研究"", 《中国博士学位论文全文数据库 信息科技辑》 *
郑胜强等: ""基于3D模型的运加油车辆纵向稳定性校核"", 《后勤工程学院学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335702A (zh) * 2015-10-15 2016-02-17 浙江捷尚视觉科技股份有限公司 一种基于统计学习的卡口车型识别方法
CN105335702B (zh) * 2015-10-15 2018-11-27 浙江捷尚视觉科技股份有限公司 一种基于统计学习的卡口车型识别方法
CN106886780A (zh) * 2015-12-10 2017-06-23 北京航天长峰科技工业集团有限公司 一种低空遥感影像中特种车辆提取方法
CN107798324A (zh) * 2016-08-29 2018-03-13 北京君正集成电路股份有限公司 一种车牌图像定位方法及设备
CN107798324B (zh) * 2016-08-29 2020-12-29 北京君正集成电路股份有限公司 一种车牌图像定位方法及设备
CN108280990A (zh) * 2016-12-30 2018-07-13 纵目科技（上海）股份有限公司 基于车顶信号灯检测的急救车辆检测与避让方法与系统
CN108009579A (zh) * 2017-11-29 2018-05-08 合肥寰景信息技术有限公司 基于深度学习的特种车辆检测与识别系统
CN110147707A (zh) * 2018-10-25 2019-08-20 初速度（苏州）科技有限公司 一种高精度车辆识别方法及系统
CN110147707B (zh) * 2018-10-25 2021-07-20 初速度（苏州）科技有限公司 一种高精度车辆识别方法及系统
CN112180913A (zh) * 2020-09-01 2021-01-05 芜湖酷哇机器人产业技术研究院有限公司 特种车辆识别方法

Also Published As

Publication number Publication date
CN104537348B (zh) 2017-12-26

Similar Documents

Publication Publication Date Title
CN104537348A (zh) 特种车辆识别方法及其识别系统
CN105893949B (zh) 一种复杂路况场景下的车道线检测方法
Wu et al. Lane-mark extraction for automobiles under complex conditions
Mammeri et al. Design of lane keeping assist system for autonomous vehicles
Li et al. Nighttime lane markings recognition based on Canny detection and Hough transform
Danti et al. An image processing approach to detect lanes, pot holes and recognize road signs in Indian roads
CN105335710A (zh) 一种基于多级分类器的精细车辆型号识别方法
CN106650567B (zh) 一种安全带检测方法和装置
CN105224909A (zh) 车道线检测系统中的车道线确认方法
CN104700072A (zh) 基于车道线历史帧的识别方法
CN104299009A (zh) 基于多特征融合的车牌字符识别方法
CN105718916A (zh) 一种基于霍夫变换的车道线检测方法
CN103984949A (zh) 基于高低帽变换和连通域的车牌定位方法及其系统
Mistry et al. Survey: Vision based road detection techniques
CN103902985A (zh) 一种基于roi的强鲁棒性实时车道侦测算法
CN107133588A (zh) 基于车窗特征提取的车辆识别方法
John et al. A reliable method for detecting road regions from a single image based on color distribution and vanishing point location
CN110889342B (zh) 一种减速带的识别方法
Ying et al. An illumination-robust approach for feature-based road detection
CN109086671B (zh) 一种适于无人驾驶的夜间车道标志线视频检测方法
Zarbakht et al. Lane detection under adverse conditions based on dual color space
Khaliluzzaman et al. Zebra-crossing detection based on geometric feature and vertical vanishing point
Duan et al. Lane line recognition algorithm based on threshold segmentation and continuity of lane line
Hota et al. A Simple and Efficient Lane Detection using Clustering and Weighted Regression.
Goel Lane detection techniques-a review

Legal Events

Date Code Title Description
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 201209 Chuansha Road, Shanghai, No. 221, room 11, building 955

Applicant after: Bocom Intelligent Network Technology Co. Ltd.

Address before: 201209 Chuansha Road, Shanghai, No. 221, room 11, building 955

Applicant before: BOCOM Smart Network Technologies Inc.

COR Change of bibliographic data
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 201209 Chuansha Road, Shanghai, No. 221, room 11, building 955

Applicant after: New wisdom cognition Marketing Data Services Ltd

Address before: 201209 Chuansha Road, Shanghai, No. 221, room 11, building 955

Applicant before: Bocom Intelligent Network Technology Co. Ltd.

GR01 Patent grant