CN104700396B - 从图像中确定用于估计交通量的参数的方法和系统 - Google Patents

从图像中确定用于估计交通量的参数的方法和系统 Download PDF

Info

Publication number
CN104700396B
CN104700396B CN201410670093.9A CN201410670093A CN104700396B CN 104700396 B CN104700396 B CN 104700396B CN 201410670093 A CN201410670093 A CN 201410670093A CN 104700396 B CN104700396 B CN 104700396B
Authority
CN
China
Prior art keywords
image
corner
described image
characteristic value
threshold
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.)
Expired - Fee Related
Application number
CN201410670093.9A
Other languages
English (en)
Other versions
CN104700396A (zh
Inventor
西村真衣
牟田英正
胜木孝行
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.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
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 International Business Machines Corp filed Critical International Business Machines Corp
Publication of CN104700396A publication Critical patent/CN104700396A/zh
Application granted granted Critical
Publication of CN104700396B publication Critical patent/CN104700396B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

为了提供一种从图像确定用于估计交通量的特征值的方法。本发明的方法包括：步骤S12，(a)将包括多个车辆的图像分割成多个矩形区域；步骤S13，(b)从所述图像中，检测角落并且提取所检测到的角落的位置，其中所述角落的像素值与邻居像素值相比有变化；以及步骤S14，(c)从所述矩形区域中提取包括所述角落位置的矩形区域的数目作为特征值。

Description

从图像中确定用于估计交通量的参数的方法和系统
技术领域
本发明涉及一种从图像中确定用于估计交通量的参数的方法，更具体地涉及一种从包括多个车辆的相对低质量的图像中确定用于估计车辆数目的特征值的方法。
背景技术
虽然需要诸如交通量之类的交通数据作为输入以执行交通仿真，但是存在一个问题：为了获取精确的交通数据而安装GPS和传感器的成本很高。另一方面，由于大量的交通信息不但被包含在传感器中而且还包含在许多区域中已经安装的交通摄像机(也称为交通监控摄像机或实时摄像机)中，因此考虑从这些交通摄像机图像获取交通数据。然而，当前的情况是：由于一些交通摄像机图像具有低分辨率，因此无法使用诸如模板匹配之类的图像识别技术。
在这样的现状下，本发明人提议：在无监督学习作为从交通摄像机等等的低质量图像中测量车辆数目的方法中，使用通过利用阈值处理的二值化所获得的特征值(白色像素的区域)。在无监督学习中，需要使用相对于车辆数目而线性地变化的特征值。然而，通过利用阈值处理的二值化的特征提取可能无法令人满意地处理各种环境变化(例如光环境的变化、车辆规模的变化以及本地环境的变化)。
专利文献1和2公开了从摄像机图像检测车辆的方法。然而，这些方法既没有从诸如交通摄像机图像之类的低质量图像中测量车辆数目也没有在无监督学习中使用特征值。
[引用表]
[专利文献]
[专利文献1]日本专利申请公开号H06-337998
[专利文献2]日本专利申请公开号2002-74368
发明内容
本发明的一个目的是提供一种在从用交通摄像机等拍摄的低质量图像中测量车辆数目的方法中提取相对于车辆数目具有较高线性的特征值的方法，其中，与在无监督学习中使用的通过由本发明人已经提议的二值化所获得的特征值(白色像素的区域)的情况相比，该方法可以更灵活且更适当地应对环境变化。
本发明提供一种使用计算机从图像中确定用于估计交通量的特征值的方法。该方法包括如下步骤：
(a)将包括多个车辆的图像分割成多个矩形区域；
(b)从图像中检测角落并且提取检测到的角落的位置，其中所述角落的像素值与邻居像素值相比有变化；以及
(c)从所述矩形区域中提取包括所述角落位置的矩形区域的数目作为特征值。
在本发明的一个方面中，将所述图像分割成所述多个矩形区域的步骤(a)可以包括：在分割之前通过相似区域平滑滤波器处理所述图像。该方法还可以被配置为使得图像是用广视角摄像机拍摄的低分辨率图像。
在本发明的另一个方面中，将所述图像分割成所述多个矩形区域的步骤(a)可以包括：通过使用用于评估函数的阈值X的四叉树方法对经受了滤波器处理之后的图像进行分割。当所述评估函数大于或等于所述阈值X时，通过四叉树方法的分割步骤可以包括：对分割之后的相应矩形区域进行进一步分割。所述评估函数可以包括所述图像的所述矩形区域中的像素强度值的离差。
在本发明的又一个方面中，该方法可以进一步包括：对多个图像中的每一个图像执行步骤(a)，同时变化阈值X；执行步骤(b)和(c)以提取针对所述多个图像中的每一个图像的特征值；分析在所提取的特征值与相应图像中的车辆数目之间的线性；以及选择具有最高线性的阈值XL作为用于所述评估函数的阈值X。
在本发明的又一个方面中，该方法可以被配置为使得提取所述角落位置的步骤(b)包括：在检测所述角落之前通过边界加重滤波器对所述图像进行处理。
附图说明
图1是示出用于执行本发明方法的系统的配置示例的图；
图2是示出用于执行本发明方法的计算机的配置示例的框图；
图3是示出本发明的方法流程的图示；
图4包含用于描述本发明的方法流程的图像；
图5是示出本发明方法的示例的图示；以及
图6是示出本发明方法的另一示例的图示。
具体实现方式
将参考附图描述本发明的实施例。图1是示出用于执行本发明方法的系统的配置示例的图表。系统100包括主机(服务器)10、PC(终端)20、网络驱动30、交通摄像机50、以及摄像机控制器60，其通过通信网络40相连接以便彼此是可通信的。网络驱动30包括诸如HDD或磁带驱动之类的存储装置。虽然在图1中，主机(服务器)10、网络驱动30以及摄像机控制器60的每一个都被示出为一个组件，并且示出了两个PC(终端)20和三个交通摄像机50，但是这仅仅是示例。不言而喻，任何数量的机器或设备都可以作为每个组件被包括。网络40可以包括任何有线和无线通信网络。
例如，交通摄像机50安装在建筑物的屋顶以便以固定的时间间隔拍摄那周围道路上的静止图像或运动图像(定点摄影)。交通照相机50不需要是被重新引入以计算那周围道路上行驶的车辆数量的专用摄像机。现有的通用交通摄像机足以作为交通摄像机50并且性能可以是相对低的质量(例如，约几百万个像素)。用交通摄像机50拍摄的图像通过通信网络40被发送到摄像机控制器60，并从那儿向主机10/PC 20发送。接收到的图像在主机10/PC20内被处理，然后根据需要或定期地被存储在网络驱动器30中。注意，用交通摄像机50拍摄的图像也可以不使用摄像机控制器60而是通过通信网络直接被发送给主机10/PC 20。
本发明方法的细节将稍后描述，本发明的方法在图1的配置中以这样一种方式被执行：例如，每个PC 20调用并执行从服务器10或网络设备30下载的软件，或者调用并执行在结合在PC 20中的存储装置中存储的软件。
图2是示出用于执行本发明方法的计算机的配置示例的框图。图2示出了图1中的每个PC 20的配置示例。PC 20包括通过总线230彼此连接的处理器(CPU)200、存储装置210和各种I/F 220。各种I/F 220被用作通用术语，其包括输入I/F、输出I/F、外部存储I/F、外部通信I/F等等。每个I/F连接到相应的装置，即诸如键盘和鼠标之类的输入装置240、诸如CRT或LCD之类的显示装置250、或者诸如通过USB连接的半导体存储器或HDD之类的外部存储装置260。存储装置210可以包括诸如RAM和ROM之类的半导体存储器和HDD。
参见图3和图4，将描述本发明的方法流程。图3是示出本发明的方法流程的图示。图4包含用于描述本发明的方法流程的图像。在图3的步骤S11中，获取摄像机图像。摄像机图像在此是用交通摄像机50等等拍摄并存储在主机10/PC 20的存储装置或网络设备30中的图像数据。在步骤S11中，图像数据(此后简称为“图像”)从存储器中被读取并使用。例如，在图4(a)中图像对应于包括道路上的车辆的相对宽区域的图像。下面将用图4(a)中的这个图像作为示例进行描述。
在图3的步骤S12中，在步骤S11中获取的图像被分割。在分割之前，图像被用于平滑图像的相似区域的滤波器(相似区域平滑滤波器)处理，从而使整个图像可以钝化或散焦。可以设置(选择)用于相似区域平滑滤波器的每个参数，以提高将稍后描述的在特征值与车辆数目之间的线性。图4(b)示出了在经受了滤波器处理之后的图像的示例。接下来，在经受了滤波器处理之后图像被分割。例如，图像通过四叉树方法被分割成多个矩形区域。作为在通过四叉树方法的区域分割中使用的评估函数，可以使用像素强度值或者其统计(例如其离差(dispersion))。之所以使用四叉树方法作为示例是因为没有必要使用任何其他高精度的图像分割方法，因为本发明是针对低分辨率图像的，精确检测矩形车辆区域不是必须的。
图4(c)示出了作为本发明的一个实施例，使用像素强度值的离差的四叉树方法的区域分割的示例。在分割中，针对强度值的离差设置预确定的阈值。当每个区域中的像素强度值的离差大于或等于阈值时，确定该像素强度值在该区域中变化很大，并且因此该区域被进一步分割。另一方面，当离差小于门限值，确定该像素强度值在该区域中变化很小，即，该区域由一组相似的像素组成，并且因此停止该区域的进一步分割。在被分割之后关于每个区域的信息(坐标)被存储在存储器中。阈值的设置将稍后描述。
在图3的步骤S13中，检测在步骤S11中获得的图像中的(尤其是道路区域中的)像素值与邻居像素值相比有变化的角落的位置(坐标)。更具体地，角落例如被检测为点(位置)，在该点处，相邻像素之间的强度值的梯度在X和Y方向上都大于预确定值。在检测角落位置之前，图像可以被边界加重滤波器处理。图4(d)示出了在被边界加重滤波器处理之后的图像的示例。图4(e)示出了作为从图4(d)中的图像的道路区域中检测到其中假设了车辆的角落位置的结果的图像。图4(e)中的白点(圆圈)代表角落位置。角落位置的坐标被存储在存储器中。
在图3的步骤S14中，从步骤S12和S13中获得的区域和位置中提取特征值。特征值表示在使用机器学习作为通用规则的对象识别中所利用的对象信息(参数、矢量等等)。更具体地，在本发明中，它是指来自图像中的用于估计车辆数目的特征值。在步骤S14中，例如，将在分割步骤S12中获得的图4(c)中的每个区域与在步骤S13中获得的角落位置整合(结合)，以提取(选择)包括角落位置的矩形区域，如图4(f)中的图像中所示。
在图4(f)中，七个矩形区域A到G(数目上为7)被提取作为特征值。如矩形区域B、E和F中所示出的那样，取决于被分割的矩形区域的大小或者角落位置之间的接近度(相邻度)，在一个矩形区域中可以存在两个或更多角落位置。甚至在这样的情形中，其中存在两个或更多角落位置的矩形区域被提取作为一个特征值(数目上为1)。
因此，本发明具有一个创造性特征：把使用预确定的评估函数分割的区域和角落位置相结合来确定特征值，而不是使用单个参数(例如图像中的角落(边缘)位置)来确定特征值。这能导致确定一个有效的/高精度的特征值来估计甚至在用低质量(低分辨率)摄像机拍摄的相对低分辨率图像中的车辆数目。所获得的特征值被保存在存储器中，并且在下一步骤S25中被用于在任何车辆数目估计模型中估计车辆数目。
本发明进一步采用接下来的方法以提高在特征值与车辆数目之间的线性。也即是说，用于在图3的步骤S12中的图像分割中使用的评估函数的阈值(例如像素强度值的离差)可以通过以下方法来确定。进一步，可以按照类似的方式确定用于分割预处理的相似区域平滑滤波器的每个参数。
(i)对可在图3的步骤S11中获取的多个图像的每一个图像顺序地执行图3中的步骤S12到S14，同时改变阈值X的值以提取每个图像的特征值并将其存储在存储器中。
(ii)分析在每个所提取的特征值与每个相应图像中的车辆数目之间的线性。具体而言，例如，将车辆数目设置为目标函数(因变量)，而将特征值设置为解释变量(自变量)来执行回归分析。作为每个图像中的车辆数目，例如，通过视觉观察计数的道路区域中的车辆数目被使用。
(iii)将具有最高线性的阈值XL选择作为评估函数的阈值X。当作为示例采用上面提及的在(ii)中的回归分析时，当来自回归线的差被最小化时的阈值XL被选择。
参见图5和图6，将描述本发明的示例。图5和图6每一个都示出了特征值和车辆数目之间的相关性的图示。图5是关于天气好时获取的图像的相关性图示。图6是关于天气多云时的图像的相关性图示。在两幅图中，(a)示出了通过本发明的方法所获取的特征值被使用的情况，以及(b)示出了通过利用阈值处理的二值化所获得的特征值(白色像素的区域)被使用的情况，作为参考示例。
针对好天气和多云天气的每个图像分别准备了200幅图像作为被监督图像。用交通摄像机拍摄的并且包括道路上的多个车辆的相对宽区域的图像被用作这些图像。在两个图示的(a)处本发明的方法的情况中，当上述的线性变得最高时的用于评估函数(离差)的阈值XL，以及当用于分割预处理的相似区域平滑滤波器的每个参数被使用时的特征值被使用。此外，在两个图示的参考示例(b)中，作为针对通过现有二值化所获得的特征值将阈值从0到255变化的结果，相对于车辆数目变成最线性的特征值被使用。
从图5和图6中的(a)和(b)的比较可以发现：在好天气和多云天气的两幅图示中，相比较于参考示例中的那些而言，本发明的方法获得的特征值展现出相对于车辆数目的高线性。具体而言，在图6的多云天气的图像中，可以发现：相比较于参考示例(b)而言，本发明的方法显著地提高了线性。因此，根据本发明的方法，可以抑制由于拍摄条件/包括天气在内的环境的变化所引起的相对于车辆数目的线性的降低，并且这可以导致提供用于车辆估计的稳定且精确的特征值。
已经参考附图描述了本发明的实施例。然而，本发明不限于该实施例。例如，关于相邻像素的关系的统计可以用作评估函数，该评估函数被用来通过四叉树方法对图像进行分割。也可以通过使用除了四叉树方法之外的算法(比如最近邻居算法)来执行区域分割。此外，可以直接从通过本发明的方法获得的特征值来估计车辆数目，而不使用车辆数目估计模型。应当注意：可以以其他形式执行本发明，本领域技术人员基于他们的知识以这些其他形式应用各种改善、修改以及变形而不偏离本发明的精神。
附图标记列表
10 服务器(主机)
20 计算机(PC)
30 网络驱动
40 网络
50 摄像机(交通摄像机)
60 摄像机控制器
100 系统

Claims (13)

1.一种使用计算机从图像中确定用于估计交通量的特征值的方法，包括如下步骤：
(a)将包括多个车辆的图像分割成多个矩形区域；
(b)从所述图像中检测角落并且提取检测到的角落的位置，其中所述角落的像素值与邻居像素值相比有变化；以及
(c)从所述矩形区域中提取包括所述角落位置的矩形区域的数目作为特征值。
2.根据权利要求1的方法，其中，将所述图像分割成所述多个矩形区域的步骤(a)包括：
在分割之前通过相似区域平滑滤波器处理所述图像。
3.根据权利要求2的方法，其中，将所述图像分割成所述多个矩形区域的步骤(a)包括：
通过使用用于评估函数的阈值X的四叉树方法，对经受了滤波器处理之后的图像进行分割。
4.根据权利要求3的方法，其中，当所述评估函数大于或等于所述阈值X时，通过四叉树方法的分割步骤包括：
对分割之后的相应矩形区域进行进一步分割。
5.根据权利要求4的方法，进一步包括如下步骤：
对多个图像中的每一个图像执行步骤(a)同时变化所述阈值X；
执行步骤(b)和(c)以提取针对所述多个图像中的每一个图像的所述特征值；
分析在所提取的特征值与相应图像中的车辆数目之间的线性；以及
选择具有最高线性的阈值XL作为用于所述评估函数的阈值X。
6.根据权利要求4或5的方法，其中，所述评估函数包括所述图像的所述矩形区域中的像素强度值的离差。
7.根据权利要求1到5任一个的方法，其中，提取所述角落位置的步骤(b)包括：在检测所述角落之前通过边界加重滤波器对所述图像进行处理。
8.根据权利要求6的方法，其中，提取所述角落位置的步骤(b)包括：在检测所述角落之前通过边界加重滤波器对所述图像进行处理。
9.根据权利要求1到5任一个的方法，其中，所述图像是用广视角摄像机拍摄的低分辨率图像。
10.根据权利要求6的方法，其中，所述图像是用广视角摄像机拍摄的低分辨率图像。
11.根据权利要求7的方法，其中，所述图像是用广视角摄像机拍摄的低分辨率图像。
12.根据权利要求8的方法，其中，所述图像是用广视角摄像机拍摄的低分辨率图像。
13.一种系统，被配置成执行根据权利要求1到12任一个的方法的每个步骤。
CN201410670093.9A 2013-12-10 2014-11-20 从图像中确定用于估计交通量的参数的方法和系统 Expired - Fee Related CN104700396B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2013255475A JP6292708B2 (ja) 2013-12-10 2013-12-10 画像情報から交通量推定のためのパラメータを求める方法
JP2013-255475 2013-12-10

Publications (2)

Publication Number Publication Date
CN104700396A CN104700396A (zh) 2015-06-10
CN104700396B true CN104700396B (zh) 2017-11-24

Family

ID=53185438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410670093.9A Expired - Fee Related CN104700396B (zh) 2013-12-10 2014-11-20 从图像中确定用于估计交通量的参数的方法和系统

Country Status (3)

Country Link
JP (1) JP6292708B2 (zh)
CN (1) CN104700396B (zh)
DE (1) DE102014117588A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077657B (zh) * 2021-03-30 2022-07-05 上海华兴数字科技有限公司 车辆间安全距离报警方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06337998A (ja) * 1993-05-31 1994-12-06 Nec Corp 車両検出装置および車両追跡装置および車両監視装置
JP2002074368A (ja) * 2000-08-25 2002-03-15 Matsushita Electric Ind Co Ltd 移動物体認識追跡装置
CN102542492A (zh) * 2012-01-10 2012-07-04 清华大学 视觉广告效果评估系统及方法
CN102722725A (zh) * 2012-06-04 2012-10-10 西南交通大学 一种基于主动场景学习的对象跟踪方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10283478A (ja) * 1997-03-31 1998-10-23 Omron Corp 特徴抽出方法およびその方法を用いた物体認識装置
JP2001043371A (ja) * 1999-07-29 2001-02-16 Canon Inc 画像処理方法、画像処理装置及び記憶媒体
JP4464523B2 (ja) * 2000-03-31 2010-05-19 名古屋電機工業株式会社 混雑状況判定装置
JP2010128732A (ja) * 2008-11-27 2010-06-10 Japan Traffic Management Technology Association 車両台数密度観測装置及び車両台数密度観測装置用のプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06337998A (ja) * 1993-05-31 1994-12-06 Nec Corp 車両検出装置および車両追跡装置および車両監視装置
JP2002074368A (ja) * 2000-08-25 2002-03-15 Matsushita Electric Ind Co Ltd 移動物体認識追跡装置
CN102542492A (zh) * 2012-01-10 2012-07-04 清华大学 视觉广告效果评估系统及方法
CN102722725A (zh) * 2012-06-04 2012-10-10 西南交通大学 一种基于主动场景学习的对象跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Vehicle Detection Using Partial Least Squares;Aniruddha Kembhvi 等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20110630;第33卷(第6期);1250-1265 *
视频监控中的群体运动分析研究;童俊艳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100115;I140-299 *

Also Published As

Publication number Publication date
JP2015114782A (ja) 2015-06-22
JP6292708B2 (ja) 2018-03-14
CN104700396A (zh) 2015-06-10
DE102014117588A1 (de) 2015-06-11

Similar Documents

Publication Publication Date Title
EP3806064B1 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN108986465B (zh) 一种车流量检测的方法、系统及终端设备
CN107944450B (zh) 一种车牌识别方法及装置
Akagic et al. Pothole detection: An efficient vision based method using rgb color space image segmentation
CN113421305B (zh) 目标检测方法、装置、系统、电子设备及存储介质
JP2008046903A (ja) 対象個数検出装置および対象個数検出方法
CN113112480B (zh) 视频场景变换检测方法、存储介质和电子设备
CN110176024B (zh) 在视频中对目标进行检测的方法、装置、设备和存储介质
CN103581620A (zh) 图像处理设备、图像处理方法及程序
CN112307989B (zh) 路面物体识别方法、装置、计算机设备和存储介质
CN114332708A (zh) 交通行为检测方法、装置、电子设备及存储介质
CN112132892B (zh) 目标位置标注方法、装置及设备
CN112085778A (zh) 基于超像素和形态学的倾斜摄影违法建筑检测方法及系统
CN114898154A (zh) 一种增量式目标检测方法、装置、设备及介质
CN113344906B (zh) 车路协同中相机评估方法、装置、路侧设备和云控平台
CN113012215A (zh) 一种空间定位的方法、系统及设备
CN113505643A (zh) 违章目标物检测方法及相关装置
CN116109698B (zh) 目标虚拟车位坐标值的确定方法、装置及存储介质
CN104700396B (zh) 从图像中确定用于估计交通量的参数的方法和系统
CN112926426A (zh) 基于监控视频的船舶识别方法、系统、设备及存储介质
JP7156527B2 (ja) 路面検査装置、路面検査方法、およびプログラム
CN112597995A (zh) 车牌检测模型训练方法、装置、设备及介质
JP4918615B2 (ja) 対象個数検出装置および対象個数検出方法
CN114821513B (zh) 一种基于多层网络的图像处理方法及装置、电子设备
CN113743151A (zh) 一种检测路面抛洒物的方法、装置及存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20171124

Termination date: 20181120

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