CN104537359B - 一种车辆目标检测方法及装置 - Google Patents
一种车辆目标检测方法及装置 Download PDFInfo
- Publication number
- CN104537359B CN104537359B CN201510021266.9A CN201510021266A CN104537359B CN 104537359 B CN104537359 B CN 104537359B CN 201510021266 A CN201510021266 A CN 201510021266A CN 104537359 B CN104537359 B CN 104537359B
- Authority
- CN
- China
- Prior art keywords
- classifier
- shape
- training
- sample
- vehicle target
- 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.)
- Active
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
- G06F18/24—Classification techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种车辆目标检测方法及装置,应用于图像处理设备上,该方法包括:使用预设的多个正样本图像以及多个负样本图像训练生成第一分类器;其中第一分类器为类Haar分类器,且在训练过程中使用包括T形类Haar特征在内的多个类Haar特征;使用多个正样本图像以及多个负样本图像训练生成与第一分类器不同类型的第二分类器;将待检测的图像转化为灰度图像;使用第一分类器及第二分类器对该灰度图像进行车辆目标检测并输出检测结果。相较于现有技术而言,本申请使用更加符合车辆特点的特征来完成分类器的训练,使得分类器训练过程更为快速,训练得到的分类器误检率的降低更加令人满意。
Description
技术领域
本申请涉及图像处理技术,尤其涉及一种车辆目标检测方法及装置。
背景技术
基于视频的车辆目标检测技术是智能交通系统中重要组成部分,为许多应用提供车辆位置、大小等重要信息,如违章车辆捕获、交通视频监控系统、车辆目标提取等。最原始的车辆目标检测主要由人工方式通过现场或视频监控获取,该方法太耗费人力物力,后续业界提出通过前背景检测提取运动目标,再结合车灯检测和车牌检测来确定车辆目标,该方法缺点是前背景提取运动目标信息量较大,检测准确率指标依赖于图像质量的好坏,对过小过模糊的车准确率较低。在实际交通场景中存在强顺光、强逆光、阴影等各种复杂交通场景。在复杂场景下的提升车辆目标检测指标和性能的方法是一个具有挑战性技术问题。
发明内容
有鉴于此,本申请提供一种车辆目标检测装置,应用于图像处理设备上,该装置包括:
第一训练单元,用于使用预设的多个正样本图像以及多个负样本图像训练生成第一分类器;其中第一分类器为类Haar分类器,且在训练过程中使用包括T形类Haar特征在内的多个类Haar特征;
第二训练单元,用于使用多个正样本图像以及多个负样本图像训练生成与第一分类器不同类型的第二分类器;
图像转换单元,用于将待检测的图像转化为灰度图像;
分类检测单元,用于使用第一分类器及第二分类器对该灰度图像进行车辆目标检测并输出检测结果。
本申请还提供一种车辆目标检测方法,应用于图像处理设备上,该方法包括:
使用预设的多个正样本图像以及多个负样本图像训练生成第一分类器;其中第一分类器为类Haar分类器,且在训练过程中使用包括T形类Haar特征在内的多个类Haar特征;
使用多个正样本图像以及多个负样本图像训练生成与第一分类器不同类型的第二分类器;
将待检测的图像转化为灰度图像;
使用第一分类器及第二分类器对该灰度图像进行车辆目标检测并输出检测结果。
相较于现有技术而言,本申请使用新更加符合车辆特点的特征来完成分类器的训练,使得分类器训练过程更为快速,训练得到的分类器误检率的降低更加令人满意。
附图说明
图1A是本申请一个例子中图像处理设备的结构图。
图1B是本申请一个例子中车辆目标检测装置的结构图。
图2是本申请一个例子中车辆目标检测方法的流程图。
图3A是本申请一个例子中各种类Haar特征的示意图。
图3B是本申请一个例子中第一T形类Haar特征的示意图。
图3C是本申请一个例子中第二T行类Haar特征的示意图。
图4A是一个例子中使用传统技术对特定图像的检测结果示意图。
图4B是本申请一个例子中对同一特定图像的检测结果示意图。
具体实施方式
本申请提供一种车辆目标检测解决方案,该方案可以基于计算机软件实现,当然也可以采用硬件或逻辑器件等其他方式来实现。请参考图1A,以计算机软件实现为例,本申请提供一种车辆目标检测装置,该装置运行于计算机(比如服务器)上。所述计算机可以包括处理器、内存、非易失性存储器(比如硬盘)以及内部总线。所述处理器可以将车辆目标检测装置所对应的计算机程序指令从非易失性存储器读入内存中然后运行,在逻辑意义上形成该车辆目标检测装置。请查考图1B和图2,在逻辑层面,该车辆目标检测装置包括:第一训练单元、第二训练单元、图像转换单元以及分类检测单元。该装置在图像处理设备上运行的过程中,执行如下处理方法。
步骤201,第一训练单元,用于使用预设的多个正样本图像以及多个负样本图像训练生成第一分类器;其中第一分类器为类Haar分类器,且在训练过程中使用包括T形类Haar特征在内的多个类Haar特征;
步骤202,第二训练单元,用于使用多个正样本图像以及多个负样本图像训练生成与第一分类器不同类型的第二分类器;
步骤203,图像转换单元,用于将待检测的图像转化为灰度图像;
步骤204,分类检测单元,用于使用第一分类器及第二分类器对该灰度图像进行车辆目标检测并输出检测结果。
样本图像是分类器训练过程必须的数据。在本申请一个例子中同样需要准备较大数量的样本图像。样本图像包括正样本图像(以下简称“正样本”)以及负样本图像(以下简称“负样本”)。所谓正样本是指包括车辆目标的图像,也就是说图像中拍摄到了车辆;而负样本则是没有车辆目标的图像,比如行人等其他目标,当然也可以包括有缺乏实际意义的车辆少部分目标的图像,比如说只包括一个车门的图像。因此正样本和负样本本质上是一种自定义。对于使用者而言,可以自行准备这些样本数据,也可以使用开发者随产品附带的样本数据。在一个例子中,本申请使用的原始样本数量为10万张,其中5万张为原始正样本,而5万张为原始负样本。
在一个例子中,所述车辆目标检测装置还包括预处理单元,用于在训练开始之前原始正样本以及原始负样本进行预处理,对于原始正样本统一缩放至同一尺寸(比如24×24)的灰度图,对于原始负样本则对其进行灰度化处理,使其变为灰度图;在优选的例子中,原始负样本的灰度图的尺寸保持不变。
在本申请中,所述第一分类器为类Haar分类器。类Haar分类器的训练过程中可以使用多种用来检测车辆的类Haar特征,请参考图3A所示的5中类Haar特征,这些特征可以在本申请中使用。本申请为了提高车辆目标检测的准确性以及效率,引入了T形类Haar特征。请参考图3B以及图3C,本申请提供两个T形类Haar特征,分别为第一T形类Haar特征(如图3B)以及第二T形类Haar特征(图3C),引入两个尺寸上有差异的T形类Haar特征可以加快训练过程的收敛速度,本领域普通技术人员可以根据需要引入更多的T形类Haar特征来实施,当然同时也需要考虑计算资源的合理安排。具体来说,在一个例子中,其中第一T形类Haar特征的高宽比(H12/W1)大于第二形类Haar特征的高宽比(H21/W2),这里所说的高宽比中的高是指沿着T形正着摆放时其垂直延伸方向的长度,而宽则是水平延伸方向的长度。从特征的T形部分来看,通过一些典型应用的测试,优选的例子中,第一T形类Haar特征的T形部分的压缩比(H10/H11)以及第二T形类Haar特征的T形部分的压缩比(H20/H21)均位于[0.3,0.5]这一区间内;而第一T形类Haar特征的高宽比以及第二T形类Haar特征的高宽比均位于[0.4,1]区间内在一个较佳的的例子中,上述两个T形部分的压缩比为0.4时,整体的表现效果比较突出。值得注意的是,上述第一及第二T形类Haar特征可以单独使用也可以一起使用。公式1为使用T形类Haar特征进行特征值计算的过程,其中FeatrueI为黑色区域像素和(像素灰度值之和)和白色区域的像素和之差,其中wi为矩形的权重,RecSum(ri)为矩形ri所围成区域的灰度积分值,N是组成的矩形个数。
公式1
本申请上述两个新增的T形类Haar特征的优势在于:第一及第二T形类Haar特征更加符合车辆特点加快了分类器训练的收敛速度,节省训练时间;车辆目标检测效果也较不含新特征的分类器好。在一个简单的实验中,实验平台采用的计算机为Intel(R)Core(TM)i7-3770CPU@3.40GHz,内存4G;软件平台为WIN7;训练程序由C语言编写。使用了两个T形类Haar特征的可以使整个分类器的离线训练过程收敛更快,训练时间相对于没有使用的情况减少了5%至15%;假设训练20级强分类器,使用了上述两个T形特征之后,最终收敛时约选出1000个弱分类器,而未使用上述两个T形特征时,整个训练过程通常需要选出约1500个弱分类器,训练时间通常较长。
在一个优选例子中,所述第二分类器为MB-LBP分类器。MB-LBP通常采用多分支树形结构来构造弱分类器,这个树形分类器可以包括58个分支,每一个分支的函数值与Uniform LBP特征值一一对应。请参考公式2以及公式3,其中gc是中心子块的灰度平均值,gi(i=1,2,...,8)是周围8邻域的灰度平均值。s(x)表示取0或者取1运算。
公式2
公式3
在处理过程中,可以将检测窗口划分为8*8个小区域;针对每个区域求平均像素值(灰度值),将相邻的9个小区域的像素均值进行比较,若周围像素大于中心像素值,则该区域标记为1,否则为0,得到8位二进制数,再将其转换为Uniform LBP模式。接着向右或向下滑动检测窗口,计算其LBP值,最后得到整幅图的LBP值统计直方图,同时对全图求LBP统计直方图,对其归一化处理,将统计直方图连接成一个特征向量,即样本的LBP纹理特征向量,最后利用Adaboost算法进行分类器训练和目标分类。
一般来说类Haar分类器或者MB-LBP分类器均会包括多个强分类器,而每个强分类器又会包括若干弱分类器。通常分类器的生成过程是:先通过样本训练找到可用的弱分类器,然后使用大量弱分类器生成多个强分类器,使用多个强分类器生成Haar分类器或者MB-LBP分类器。换个角度来说,第一或第二分类器事实上可以理解为多个强分类器的组合。
针对之前准备n个正样本以及负样本:(x1,y1),(x2,y2),...,(xn,yn)进行样本特征向量的计算,特征向量可以形象地理解为多个特征值的“连线”,其中xi为计算得到的样本特征向量,yi={-1,+1},分别对应于车辆负样本和正样本,训练样本包含k个正样本和l个负样本(即n=k+l)。
对于每个特征而言,可以按公式4生成弱分类器。值得注意的是,图3A,图3B以及图3C中的特征事实上表示的多个类型的类Haar特征。针对其中每一类特征,通过变化尺寸可以演化出数量很大的特征。对于公式4来说,其中j表示某个特征的序号,hj(x)表示与特征对应的弱分类器的值,θj为阈值,pj表示不等号的方向,只能取+1或-1,fj(x)表示特征值。
公式4
训练过程使用的样本数量非常庞大,比如10万甚至几十万时,而且类Haar特征和MB-LBP特征数也很庞大,若采用单机离线训练则可能会耗时较大。在一个优选的例子中本申请采用Hadoop环境下的集群训练,基于MapReduce架构快速训练强分类器。在一个例子中,可以将所有特征<yi,featureij>的数据输入到Map函数进行处理,在每个Map函数中对输入数据求类Haar和MB-LBP特征值,并对特征值进行排序,其中yi是样本类别标签,featureij为经过标记的特征向量(与前述的xi是同一个概念)。后续将数据传送到Reduce节点,输出最优的弱分类器(a,b,w,h),其中a,b为矩形框点的坐标,w和h分别为宽和高。在得到一个最优弱分类器后需要对样本权重进行调整,再将调整后的样本数据继续输入至Map函数,重复上述过程生成下一个最优弱分类器。
训练过程中,为了避免发生对重噪声样本和个别奇特样本的过分学习,在一个优选的例子中,本申请设计了一种新的样本权重更新方式,在进行第一分类器或第二分类器训练过程中,使用加减速算法调整样本权重,其中加减速算法包括:该在第t轮的样本权重大于等于权重门限值时,减速第t+1轮的样本权重的调整;在第t轮的样本权重小于权重门限值时,加速第t+1轮的样本权重的调整,其中t为大于1的自然数。在一个例子中,本申请引入了更新速率因子αt,其按照公式5进行权重更新迭代。
公式5
对于上述公式5来说,其中:
公式6
公式7
公式8
在上述公式5-8中,wt,i表示第t轮第i个样本的权重;εt表示第t轮选出的弱分类器的加权错误率;WT表示权重门限值;yi表示第i个样本的类别;ft(xi)表示第t轮选出的最优弱分类器检测到的第i个样本的类别。
请参考公式5到公式8,本方案先引入权重门限值WT,假设当前进行了t轮的最优弱分类器筛选,权重门限值是由公式8计算出来的前t轮的平均值。在本例子中,将门限值作为权重调整分界线。假设第t轮使用的权重大于等于该门限值,则放缓权重调整速率,也就是说第t轮的权重wt,i属于(0,WT)这一区间,即小于WT,此时使用公式7中上部与之对应的公式来计算更新速率因子αt,使用公式5调整权重后再进行t+1轮的弱分类器训练。反之,若前述第t轮的权重小于该门限值,此时使用公式7中下部与之对应的公式来计算αt。对于公式7来说,其包括的上下两个公式计算出αt分别对应着减速(放缓)样本权重调整以及加速样本权重调整两种情况。这样的处理优势非常显著:体现在可以有效避免个别样本出现权值扭曲现象,同时在对分类正确的样本进行权值减少时控制了速率。训练好的分类器对处于强顺光、强逆光、阴影等复杂场景下的检出率更高,而不会仅局限于重噪声或强烈扭曲的车辆。总体上来说,相比较与普通权重更新方案,该方案对复杂场景适应性更佳,车辆目标检测指标有一定的提升。
经过若干轮训练之后,如果弱分类器数量达到预定数量或者最低误检率条件得到满足,此时一个强分类器的训练就完成了。在训练下一个强分类器之前需要更新负样本,正样本可以维持不变。如前所述原始负样本的尺寸是图像的原始尺寸,并没有进行尺寸的统一处理。因此事实上基于原始负样本可以生成海量的负样本,比如原始负样本5万张,但通过尺寸的选择可以变换出数千万乃至数亿的负样本。在更新后负样本之后,继续用Mapreduce架构重新训练得到新的强分类器,如此循环下去直到最终训练完成,得到类Haar分类器和MB-LBP分类器。
以上描述了第一和第二分类器的训练生成过程。在训练完成之后就可以使用两个分类器进行车辆目标的检测了。在一个优选的例子中,可以先将待检测图片转化为灰度图像,然后送入类Haar分类器检测进行检测。Haar分类器检测过程中,最小的矩形检测框为车辆训练正样本图像的尺寸,处理时分别给定X和Y方向的步长,按上述尺寸从图像的左上角进行向右和向下平移,直至图像的右下边缘,待这一轮全部矩形框检测完成。考虑到待检测图像的大小是变化的,因此可以对待检测图像按一定倍率进行缩放,循环上述检测过程。在检测过程中,任何一个分类器不能通过的矩形检测框都判为非车辆目标。经过若干轮检测之后,将被确定为车辆目标的矩形区域进行区域融合,作为第一轮车辆目标检测结果输出。
经过Haar分类器检测之后,复杂场景中的车辆目标基本已检出,但仍然有可能存在一些误检,特别是纹理丰富的非车辆目标,误检率可能会偏高。此时可以MB-LBP分类器进行将误检过滤,这样可以降低误检率。这也就是说,Haar分类器检测的车辆目标是一个待确定的车辆目标。接下来可以使用MB-LBP分类器对待确定的车辆目标进行再次进行检测。也就是说本申请使用Haar分类器和MB-LBP分类器对待检测图像进行串联检测,任何一个分类器检测不通过都可以视为一个目标不是车辆目标。
在一个优化的例子中,考虑两个分类器串联的检测意味着更多的计算消耗,更长的检测延时,但其特点是准确性较高。为了在准确性和效率之间取得更好的平衡,在另一个优选的例子中,本申请引入一个预设的经验阈值ε。在类Haar分类器检测出待确定的车辆目标后,将类Haar分类器的返回值与经验阈值ε进行比较,若大于等于ε,则判断该待确定车辆目标为车辆目标,若小于ε,则送入MB-LBP分类器对该待确定的车辆目标进行再次检测,以降低误检率。
一般来说,待检测图像的Haar分类器返回值与图像中目标被判为车辆目标的正确率成正比,经验阈值ε可以通过对实验室样本进行大规模验证,对所有通过Haar分类器的返回值进行划分,利用经验得到当返回值阈值在ε时,大于ε的目标判为车辆目标正确率非常高,而小于ε的目标需要再送入MB-LBP分类器进行将误检过滤。引入经验阈值ε可以在保障较高准确性的前提下,节约车辆目标检测耗时。
请参考图4,在一个实际的例子中,在使用传统技术进行检测时,对图4A中的图像进行检测,车辆目标会被以方框的方式显著标识出来,此时图4A中出现将一个行人误检为车辆目标的情况。反观图4B,此时采用本申请技术方案对同一张图像进行检测,其中同一个目标(图4A中误检为车辆的行人)被正确地识别为非车辆目标。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (12)
1.一种车辆目标检测装置,应用于图像处理设备上,其特征在于:该装置包括:
第一训练单元,用于使用预设的多个正样本图像以及多个负样本图像训练生成第一分类器;其中第一分类器为类Haar分类器,且在训练过程中使用包括T形类Haar特征在内的多个类Haar特征;
第二训练单元,用于使用多个正样本图像以及多个负样本图像训练生成与第一分类器不同类型的第二分类器;
图像转换单元,用于将待检测的图像转化为灰度图像;
分类检测单元,用于使用第一分类器及第二分类器对该灰度图像进行车辆目标检测并输出检测结果;
其中,在进行第一分类器或第二分类器训练过程中,使用加减速算法调整样本权重,其中加减速算法包括:在第t轮的样本权重大于等于权重门限值时,减速第t+1轮的样本权重的调整;在第t轮的样本权重小于权重门限值时,加速第t+1轮的样本权重的调整,其中t为大于1的自然数。
2.如权利要求1所述的装置,其特征在于:所述第二分类器为MB-LBP分类器。
3.如权利要求1所述的装置,其特征在于:多个类Haar特征包括第一T形类Haar特征以及第二T形类Haar特征。
4.如权利要求3所述的装置,其特征在于:第一T形类Haar特征的T形部分的压缩比以及第二T形类Haar特征的T形部分的的压缩比均位于[0.3,0.5]区间内;第一T形类Haar特征的高宽比以及第二T形类Haar特征的高宽比均位于[0.4,1]区间内。
5.如权利要求1所述的装置,其特征在于:使用第一及第二分类器对该灰度图像进行检测的过程包括:
S1,使用第一分类器对灰度图像进行检测获得待确定的车辆目标;
S2,判断第一分类器的返回值是否达到预设的阈值,如果是将待确定的车辆目标确定为车辆目标,如果否,则转入S3进行处理;
S3,将待确定的车辆目标使用第二分类器继续进行检测。
6.如权利要求1所述的装置,其特征在于:所述加减速算法具体为:
其中wt,i表示第t轮第i个样本的权重;εt表示第t轮选出的弱分类器的加权错误率;WT表示权重门限值;yi表示第i个样本的类别;ft(xi)表示第t轮选出的最优弱分类器检测到的第i个样本的类别。
7.一种车辆目标检测方法,应用于图像处理设备上,其特征在于:该方法包括:
使用预设的多个正样本图像以及多个负样本图像训练生成第一分类器;其中第一分类器为类Haar分类器,且在训练过程中使用包括T形类Haar特征在内的多个类Haar特征;
使用多个正样本图像以及多个负样本图像训练生成与第一分类器不同类型的第二分类器;
将待检测的图像转化为灰度图像;
使用第一分类器及第二分类器对该灰度图像进行车辆目标检测并输出检测结果;
其中,在进行第一分类器或第二分类器训练过程中,使用加减速算法调整样本权重,其中加减速算法包括:在第t轮的样本权重大于等于权重门限值时,减速第t+1轮的样本权重的调整;在第t轮的样本权重小于权重门限值时,加速第t+1轮的样本权重的调整,其中t为大于1的自然数。
8.如权利要求7所述的方法,其特征在于:所述第二分类器为MB-LBP分类器。
9.如权利要求7所述的方法,其特征在于:多个类Haar特征包括第一T形类Haar特征以及第二T形类Haar特征。
10.如权利要求9所述的方法,其特征在于:第一T形类Haar特征的T形部分的压缩比以及第二T形类Haar特征的T形部分的的压缩比均位于[0.3,0.5]区间内;第一T形类Haar特征的高宽比以及第二T形类Haar特征的高宽比均位于[0.4,1]区间内。
11.如权利要求7所述的方法,其特征在于:使用第一及第二分类器对该灰度图像进行检测的过程包括:
S1,使用第一分类器对灰度图像进行检测获得待确定的车辆目标;
S2,判断第一分类器的返回值是否达到预设的阈值,如果是将待确定的车辆目标确定为车辆目标,如果否,则转入S3进行处理;
S3,将待确定的车辆目标使用第二分类器继续进行检测。
12.如权利要求7所述的方法,其特征在于:所述加减速算法具体为:
其中wt,i表示第t轮第i个样本的权重;at表示加速因子;εt表示第t轮选出的弱分类器的加权错误率;WT表示权重门限值;yi表示第i个样本的类别;ft(xi)表示第t轮选出的最优弱分类器检测到的第i个样本的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510021266.9A CN104537359B (zh) | 2015-01-15 | 2015-01-15 | 一种车辆目标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510021266.9A CN104537359B (zh) | 2015-01-15 | 2015-01-15 | 一种车辆目标检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104537359A CN104537359A (zh) | 2015-04-22 |
CN104537359B true CN104537359B (zh) | 2019-02-15 |
Family
ID=52852879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510021266.9A Active CN104537359B (zh) | 2015-01-15 | 2015-01-15 | 一种车辆目标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104537359B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106257494B (zh) * | 2015-06-19 | 2019-11-05 | 浙江宇视科技有限公司 | 复杂场景下的车牌检测方法及装置 |
CN105138989B (zh) * | 2015-08-26 | 2019-06-11 | 浙江宇视科技有限公司 | 一种车辆遮阳板状态检测方法及装置 |
CN105225523B (zh) * | 2015-10-15 | 2018-01-02 | 浙江宇视科技有限公司 | 一种车位状态检测方法及装置 |
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 |
CN105260723A (zh) * | 2015-10-22 | 2016-01-20 | 四川膨旭科技有限公司 | 车辆行驶过程中对车辆进行识别的系统 |
CN109564632A (zh) * | 2017-05-24 | 2019-04-02 | 深圳配天智能技术研究院有限公司 | 一种视觉检测方法、设备、系统及具有存储功能的装置 |
CN108830332A (zh) * | 2018-06-22 | 2018-11-16 | 安徽江淮汽车集团股份有限公司 | 一种视觉车辆检测方法及系统 |
CN109977814A (zh) * | 2019-03-13 | 2019-07-05 | 武汉大学 | 一种基于一致化LBP的AdaBoost行人检测方法 |
CN110399803B (zh) * | 2019-07-01 | 2022-04-22 | 北京邮电大学 | 一种车辆检测方法及装置 |
CN110415229B (zh) * | 2019-07-25 | 2022-04-26 | 广西科技大学 | 基于Haar特征和AdaBoost算法的纹理图像质量估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156983A (zh) * | 2011-03-31 | 2011-08-17 | 上海交通大学 | 基于模式识别与目标跟踪的异常行人位置检测方法 |
CN102163278A (zh) * | 2011-03-03 | 2011-08-24 | 苏州市慧视通讯科技有限公司 | 一种公交车道非法车辆闯入检测方法 |
CN104036284A (zh) * | 2014-05-12 | 2014-09-10 | 沈阳航空航天大学 | 基于Adaboost算法的多尺度行人检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2471036B (en) * | 2008-03-03 | 2012-08-22 | Videoiq Inc | Object matching for tracking, indexing, and search |
-
2015
- 2015-01-15 CN CN201510021266.9A patent/CN104537359B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163278A (zh) * | 2011-03-03 | 2011-08-24 | 苏州市慧视通讯科技有限公司 | 一种公交车道非法车辆闯入检测方法 |
CN102156983A (zh) * | 2011-03-31 | 2011-08-17 | 上海交通大学 | 基于模式识别与目标跟踪的异常行人位置检测方法 |
CN104036284A (zh) * | 2014-05-12 | 2014-09-10 | 沈阳航空航天大学 | 基于Adaboost算法的多尺度行人检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104537359A (zh) | 2015-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104537359B (zh) | 一种车辆目标检测方法及装置 | |
CN111784685B (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
CN108470172B (zh) | 一种文本信息识别方法及装置 | |
CN109241985B (zh) | 一种图像识别方法及装置 | |
CN111160469B (zh) | 一种目标检测系统的主动学习方法 | |
CN107330027B (zh) | 一种弱监督的深度台标检测方法 | |
CN111723815B (zh) | 模型训练方法、图像处理方法、装置、计算机系统和介质 | |
CN110533046B (zh) | 一种图像实例分割方法、装置、计算机可读存储介质及电子设备 | |
CN109815800A (zh) | 基于回归算法的目标检测方法及系统 | |
CN111626342B (zh) | 一种图像样本处理方法、装置及存储介质 | |
CN113076992A (zh) | 一种生活垃圾检测方法及装置 | |
CN109002831A (zh) | 一种基于卷积神经网络的乳腺密度分类方法、系统及装置 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN111680705A (zh) | 适于目标检测的mb-ssd方法和mb-ssd特征提取网络 | |
CN115601682A (zh) | 井下皮带运输机异物检测方法和装置 | |
CN114612847A (zh) | 一种Deepfake视频篡改检测方法以及系统 | |
CN115170988A (zh) | 基于深度学习的电网线路故障识别方法及系统 | |
CN113222043B (zh) | 一种图像分类方法、装置、设备及存储介质 | |
CN113536896B (zh) | 基于改进Faster RCNN的绝缘子缺陷检测方法、装置及存储介质 | |
CN113901924A (zh) | 一种文档表格的检测方法及装置 | |
CN110728229B (zh) | 图像处理方法、装置、设备和存储介质 | |
CN111079744B (zh) | 适用于复杂光照环境的车辆车牌智能识别方法及装置 | |
CN115512207A (zh) | 一种基于多路特征融合及高阶损失感知采样的单阶段目标检测方法 | |
CN107330470A (zh) | 识别图片的方法和装置 | |
CN115424250A (zh) | 一种车牌识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |