CN104966066A - 一种面向交通卡口监控的车内人脸检测方法及系统 - Google Patents
一种面向交通卡口监控的车内人脸检测方法及系统 Download PDFInfo
- Publication number
- CN104966066A CN104966066A CN201510364106.4A CN201510364106A CN104966066A CN 104966066 A CN104966066 A CN 104966066A CN 201510364106 A CN201510364106 A CN 201510364106A CN 104966066 A CN104966066 A CN 104966066A
- Authority
- CN
- China
- Prior art keywords
- car
- area
- port monitoring
- block port
- traffic block
- 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.)
- Pending
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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种面向交通卡口监控的车内人脸检测方法及系统,包括读取交通卡口监控图像,检测并定位车辆的车牌区域;根据所得车辆的车牌区域,利用车牌的位置和大小确定车内驾驶区域;在提取的车内驾驶区域里进行人脸检测。该方法有效的提高了人脸检测的精度。
Description
技术领域
本发明涉及计算机视觉以及智能交通识别领域,更具体地涉及一种面向交通卡口监控的车内人脸检测技术。
背景技术
虽然随着道路上监控摄像头的增加与覆盖范围的完善,交警可以对路上的行车进行更有效的监管。其中车牌的检测与识别、超速主驾驶、闯红灯等都可以由计算机自动完成识别,但在对驾乘人员身份的认证的方面,现阶段仍以人工识别为主,效率低下并且耗费人力。主要原因是没有一种技术能从卡口图像中很好的检测到人脸,从而提取人脸图像做识别。
目前,Haar特征加上AdaBoost分类器的方法是常用的人脸检测方法,并且利用opencv开源库可以很简单的实现,但是对于车内的人脸检测效果不佳。因为,车内人脸存在光照多样性、遮挡以及姿势多样性等检测难点。
发明内容
本发明目的是针对现有交通卡口监控的车内人脸检测技术的不足和缺陷,提供了一种面向交通卡口监控的车内人脸检测技术。
本发明提供一种面向交通卡口监控的车内人脸检测方法,包括以下步骤:
步骤1,读取交通卡口监控图像,检测并定位车辆的车牌区域;
步骤2,根据步骤1所得车辆的车牌区域,利用车牌的位置和大小确定车内驾驶区域;
步骤3,在步骤2提取的车内驾驶区域里进行人脸检测。
而且,所述步骤1包括以下子步骤,
步骤1.1,读取交通卡口监控图像进行预处理,包括进行灰度化和固定比例缩放;
步骤1.2,对缩放后的图像进行边缘检测;
步骤1.3,对边缘检测图进行二值化处理,并进行形态学操作;
步骤1.4,提取连通区轮廓,根据所提取出来的矩形框的长宽比以及面积进行筛选定位车牌,得到矩形的车牌区域。
而且,所述步骤2包括以下子步骤,
步骤2.1,先以车牌位置与大小粗定位主驾驶区域:
步骤2.2,将车牌区域映射到HSV色彩空间,根据HSV色彩空间中像素颜色对应的H、S、V各值的区间得出像素是否为蓝色、黄色或者不为以上两种颜色,当根据区域占比最多的颜色为蓝色或黄色,且占总像素数比重超过预设的限定值时,相应确定为车牌底色;
步骤2.3,当车牌底色为黄色时认为车型是大型车,当车牌底色为蓝色时认为车型是小型车,根据车型对粗定位的主驾驶区域进行微调;
步骤2.4,将微调后的主驾驶区域沿区域左边缘水平翻转得到副主驾驶区域,两区域合并得到车内驾驶区域。
而且,所述步骤3中是利用卷积神经网络在车内驾驶区域内进行多尺度人脸检测。
一种面向交通卡口监控的车内人脸检测系统,包括以下模块:
车牌区域定位模块,用于读取交通卡口监控图像,检测并定位车辆的车牌区域;
车内驾驶区域定位模块,用于根据车辆的车牌区域,利用车牌的位置和大小确定车内驾驶区域;
人脸检测模块,在车内驾驶区域里进行人脸检测。
而且,所述车牌区域定位模块包括以下子模块,
预处理子模块,用于先读取交通卡口监控图像进行预处理,包括进行灰度化和固定比例缩放;边缘检测子模块,对缩放后的图像进行边缘检测;
二值化子模块,用于对边缘检测图进行二值化处理,并进行形态学操作;
车牌定位子模块,用于提取连通区轮廓,根据所提取出来的矩形框的长宽比以及面积进行筛选定位车牌,得到矩形的车牌区域。
而且,所述车内驾驶区域定位模块包括以下子模块,
粗定位子模块,用于先以车牌位置与大小粗定位主驾驶区域:
车牌底色识别子模块,用于将车牌区域映射到HSV色彩空间,根据HSV色彩空间中像素颜色对应的H、S、V各值的区间得出像素是否为蓝色、黄色或者不为以上两种颜色,当根据区域占比最多的颜色为蓝色或黄色,且占总像素数比重超过预设的限定值时,相应确定为车牌底色;
定位调整子模块,用于当车牌底色为黄色时认为车型是大型车,当车牌底色为蓝色时认为车型是小型车,根据车型对粗定位的主驾驶区域进行微调;
车内驾驶区域合成子模块,用于将微调后的主驾驶区域沿区域左边缘水平翻转得到副主驾驶区域,两区域合并得到车内驾驶区域。
而且,所述人脸检测模块中是利用卷积神经网络在车内驾驶区域内进行多尺度人脸检测。
本发明面向交通卡口监控提供了车内人脸检测技术方案,首次提出,通过车牌的定位定位到车内驾驶区域,再在这个车内驾驶区域里检测人脸,设计巧妙,实施简便。该方法有效的提高了人脸检测的精度。
附图说明
图1为本发明实施例的交通卡口监控图像车内人脸检测方法流程图。
图2为本发明实施例的车牌定位步骤流程图。
图3为本发明实施例边缘检测后的效果示例图。
图4为本发明实施例形态学处理后的效果示例图。
图5为本发明实施例对小型车确定的车内主驾驶区域示意图。
图6为本发明实施例对大型车确定的车内主驾驶区域示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式做进一步说明:
具体实施时,本发明技术方案可由本领域技术人员采用计算机软件技术实现自动运行流程。如图1所示,本发明一种面向交通卡口监控的车内人脸检测技术主要包括以下步骤:
步骤1,读取交通卡口监控图像,检测并定位车辆的车牌区域,其流程如图2所示。
按照交通部规范,交通卡口监控图像为1600×1200像素,本发明技术方案也按此设计。具体实施时,若有其他大小的图像,可以先一致处理为1600×1200像素。
1-1,读取交通卡口监控图像,即检测图像数据,对其进行预处理,包括做滤波等图像增强常用的预处理,并灰度化。由于车辆前面的牌照按标准为440mm×140mm,实施例进一步提出进行固定比例缩放,包括在后续操作前对图像长度缩小4.4,宽度缩小1.4,使车牌的字符变得更紧密更容易在后续的处理中形成连通域。
1-2,使用Roberts算子对缩放后的图像进行边缘检测,产生的边缘图如图3所示。
Roberts算子是一种最简单的边缘检测算子,它利用局部差分来寻找边缘,采用对角线方向相邻两象素之差近似梯度幅值检测边缘。相比于其他算子,Robert算子能以更快的速度取得不错的边缘检测效果。
1-3,二值化边缘检测图像并进行形态学操作,结果如图4所示。
选取合适的阈值,对边缘检测图进行二值化处理。利用数学形态学开、闭运算的不同模版多次组合,对二值化图像进行处理使得车牌区域连通。
实施例借助像素积分图,自适应算出阈值对边缘检测图进行二值化处理。具体实施时,可以首先计算出边缘检测图的像素积分图,然后以每个像素为中心取预设尺寸(经验值,例如60×60)的区域,若该区域超出图像边界,则以图像边界做为区域边界。借助积分图快速计算出区域像素和,如果该点像素小于区域均值的一半或小于经验设定的阈值,就将其像素值更新为0,否则为255。
利用数学形态学开运算消除小物体,用闭运算填充物体内细小空洞,最终使得车牌区域连通。
1-4,提取连通区轮廓,根据所提取出来的矩形框的长宽比以及面积进行筛选定位车牌,结果即如图4所示最下方矩形区域。
步骤2,根据车辆的先验信息,利用车牌的位置和大小,可以利用预先进行的实验所得经验确定主驾驶区域。
2-1,先以车牌位置与大小粗定位主驾驶区域:
■主驾驶区域左上角横坐标=车牌左上角横坐标+0.5×车牌宽度;
■主驾驶区域左上角纵坐标=车牌左上角纵坐标–3.9×车牌宽度;
■主驾驶区域右下角横坐标=车牌左上角横坐标+2.3×车牌宽度,且需使主驾驶区域宽度在400像素以下;
■主驾驶区域右下角纵坐标=车牌左上角纵坐标–1.5×车牌宽度,且需使主驾驶区域
高度在300像素以上。
2-2,将车牌区域映射到HSV色彩空间,本发明仅考虑蓝色与黄色车牌,即可根据表1,HSV色彩空间中像素颜色对应的H(色调)、S(饱和度)、V(亮度)各值的区间得出像素是否为蓝色、黄色或者不为以上两种颜色。根据区域占比最多的颜色来获取车牌底色,即当根据区域占比最多的颜色为蓝色或黄色时,确定为车牌底色。同时为防止误判,进一步判断其占总像素数比重需超过限定值(本领域技术人员可自行确定取值),超过则进入2-3,否则判为非车牌,流程结束并判别为没有检测到人脸。
表1 HSV色彩空间中像素颜色对应的H、S、V各值的区间
蓝色 | 84<H<134 | 62<S<282 | 36<V<256 |
黄色 | 10<H<50 | 44<S<264 | 7<V<227 |
车牌的底色有蓝色、黄色、白色、黑色,其中蓝色的是小车车牌(包括小吨位的货车),黄色的是大车或农用车用的车牌及教练车车牌,及新产品未定型的试验车,摩托车也是黄牌的,白色是特种车车牌(如军车警车车牌及赛车车牌),黑色是外商及外商的企业由国外自带车的车牌。
2-3,本发明仅考虑蓝色与黄色车牌,并且对于黄色车牌均认为是大车。根据车型对粗定位所得主驾驶区域进行微调,结果如图5和图6所示,w表示车牌横向长度,h表示车牌纵向长度。0.5w表示车牌横向长度的一半,即0.5与w的乘积,其他2.3w、1.5w等类似。&&表示逻辑关系并且。
具体如下:
■对于大型车:主驾驶区域左上角纵坐标向上移动250像素,主驾驶区域右下角纵坐标向右移动1.5个车牌宽度的距离,且需使主驾驶区域宽度在350像素以下,高度限制在700像素以下(且一般在300像素以上)。图6中主驾驶区域上方到车牌的高度差为3.9w+250像素。
■对于小型车:将主驾驶区域宽度限制在300像素以下,高度限制在700像素以下(且一般在300像素以上)。图6中主驾驶区域上方到车牌的高度差为3.9w像素。
2-4,将微调后的主驾驶区域沿区域左边缘水平翻转得到副主驾驶区域,两区域合并即可得到从车辆头部确定的车内驾驶区域。
步骤3,在提取的车内驾驶区域里进行人脸检测。
卷积神经网络是近年来广泛应用于模式识别、图像处理等领域的一种高效识别算法,是深度学习主要技术手段之一。相比于其他人工神经网络,它具有结构简单、训练参数少和适应性强等特点。在人脸方面达到最好效果的就是卷积神经网络。因此,优选使用卷积神经网络。实施例该步骤中的人脸检测是通过卷积神经网络(CNN)的方法进行检测的(传统用人工设计的特征进行检测的效果不佳),为便于实施参考起见,提供具体实现解释如下:
3-1,卷积神经网络(CNN)训练样本的获取,具体操作如下:
(1)利用OpenCV开源库中基于Haar+AdaBoost的人脸检测算法,采用Haarcascade_frontalface_alt_tree.xml模型文件进行检测;
Haar特征是计算机视觉领域中一种常用的特征描述算子,最早由Papageorigi等人用于人脸描述。相对于基于像素的人脸检测算法所需要消耗的大量的计算成本,Haar特征则是基于“块”的特征,能够有效地降低计算成本。目前常用的Haar特征可以分为四类:边缘特征、线特征、中心环绕特征与对角线特征。
AdaBoost(Adaptive Boosting,自适应增强)算法最早由Yoav Freund和Robert Schapire提出。AdaBoost分类器在训练过程中只选择可以提高模型的预测能力的那些特征,由于不需要计算不相关的特征,降低了特征的维数和潜在的用于改进的时间。
(2)将检测所得的目标矩形区域沿长宽向四周拓展10像素并保存拓展后的图像数据,以获得具有上下文信息的样本;
具体实施时,本领域技术人员可自行设定拓展宽度。为获得具有上下文信息的样本,将检测所得的目标矩形区域沿长宽向四周拓展一定像素。拓展太多易引入更多的噪声,太少无法很好的获得上下文信息,综合考虑本发明实施例拓展10像素。
(3)把经过人工分类后的人脸正负样本进行水平翻转,并进行尺度变换将图片放缩为80×80像素。
具体实施时,本领域技术人员可自行预设图片放缩尺寸。实施例取图片大小分布的中间值80×80像素。
3-2,按照CNN网络模型结构进行学习,用随机梯度下降的方法调节网络参数,最终使得网络收敛,选取最优模型。
卷积神经网络(Convolutional Neural Networks,简称CNN),是一个多层感知器,这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。这些良好的性能是网络在有监督方式下学会的,网络的结构主要有稀疏连接和权值共享两个特点。网络通过卷积对特征进行提取,通过激活函数实现特征的非线性映射,通过池化(pooling)使特征映射的分辨率降低,在高层里学习到基础特征的高层的抽象表达,从而实现精准的分类。随机梯度下降(Stochastic Gradient Descent,SGD)是随机和优化相结合的产物,是一种通过迭代最小化风险函数、损失函数的一种常用的优化方法,属于梯度下降的一种,适用于大规模的问题。
例如本发明实施例所采用的卷积神经网络有5个卷积层2个全连接层。第一个卷积层所用滤波器大小为5×5像素,其余的为3×3像素。除第四个卷积层外,其余各卷积层后面都进行最大值pooling处理。第2个全连接层的输出作为softmax层的输入,用逻辑回归模型进行分类。在后向传播中用随机梯度下降方法调节权重W以及偏置量b,使整体代价函数最小。Softmax是回归模型,该模型是逻辑回归模型在多分类问题上的推广。
3-3,利用3-2得到的CNN模型,在训练所用的大图里面进行人脸检测,挖掘里面的难例(被检测出来的负样本)并进行二次训练得到一个更优的CNN模型。二次训练时将两次获得的正负样本综合在一起再进行训练。
3-4,在车内驾驶区域里,采用多尺度滑窗的策略利用3-3所得CNN模型进行人脸的检测(选取多种尺度的模版用滑窗的方法遍历候选区域,对每个窗口用CNN模型进行分类,实现检测),通过非极大值抑制的处理得最终的人脸区域。
基于以上方式,本发明训练出CNN模型。通过实验比较了CNN方法和Haar+Adaboost方法在交通卡口监控的车内人脸检测方面的性能,见表2,表3。可见本发明技术方案的效果更佳。
表2 基于卷积神经网络的人脸检测结果
表3 基于Haar+Adaboost的人脸检测结果
具体实施时,还可以采用模块化方式提供相应系统。本发明实施例相应提供一种面向交通卡口监控的车内人脸检测系统,包括以下模块:
车牌区域定位模块,用于读取交通卡口监控图像,检测并定位车辆的车牌区域;
车内驾驶区域定位模块,用于根据车辆的车牌区域,利用车牌的位置和大小确定车内驾驶区域;
人脸检测模块,在车内驾驶区域里进行人脸检测。
进一步地,所述车牌区域定位模块包括以下子模块,
预处理子模块,用于先读取交通卡口监控图像进行预处理,包括进行灰度化和固定比例缩放;边缘检测子模块,对缩放后的图像进行边缘检测;
二值化子模块,用于对边缘检测图进行二值化处理,并进行形态学操作;
车牌定位子模块,用于提取连通区轮廓,根据所提取出来的矩形框的长宽比以及面积进行筛选定位车牌,得到矩形的车牌区域。
进一步地,所述车内驾驶区域定位模块包括以下子模块,
粗定位子模块,用于先以车牌位置与大小粗定位主驾驶区域:
车牌底色识别子模块,用于将车牌区域映射到HSV色彩空间,根据HSV色彩空间中像素颜色对应的H、S、V各值的区间得出像素是否为蓝色、黄色或者不为以上两种颜色,当根据区域占比最多的颜色为蓝色或黄色,且占总像素数比重超过预设的限定值时,相应确定为车牌底色;
定位调整子模块,用于当车牌底色为黄色时认为车型是大型车,当车牌底色为蓝色时认为车型是小型车,根据车型对粗定位的主驾驶区域进行微调;
车内驾驶区域合成子模块,用于将微调后的主驾驶区域沿区域左边缘水平翻转得到副主驾驶区域,两区域合并得到车内驾驶区域。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种面向交通卡口监控的车内人脸检测方法,其特征在于,包括以下步骤:
步骤1,读取交通卡口监控图像,检测并定位车辆的车牌区域;
步骤2,根据步骤1所得车辆的车牌区域,利用车牌的位置和大小确定车内驾驶区域;
步骤3,在步骤2提取的车内驾驶区域里进行人脸检测。
2.根据权利要求1所述面向交通卡口监控的车内人脸检测方法,其特征在于:所述步骤1 包括以下子步骤,
步骤1.1,读取交通卡口监控图像进行预处理,包括进行灰度化和固定比例缩放;
步骤1.2,对缩放后的图像进行边缘检测;
步骤1.3,对边缘检测图进行二值化处理,并进行形态学操作;
步骤1.4,提取连通区轮廓,根据所提取出来的矩形框的长宽比以及面积进行筛选定位车牌,得到矩形的车牌区域。
3.根据权利要求1所述一种面向交通卡口监控的车内人脸检测方法,其特征在于:所述步骤2 包括以下子步骤,
步骤2.1,先以车牌位置与大小粗定位主驾驶区域:
步骤2.2,将车牌区域映射到HSV色彩空间,根据HSV色彩空间中像素颜色对应的H、S、V各值的区间得出像素是否为蓝色、黄色或者不为以上两种颜色,当根据区域占比最多的颜色为蓝色或黄色,且占总像素数比重超过预设的限定值时,相应确定为车牌底色;
步骤2.3,当车牌底色为黄色时认为车型是大型车,当车牌底色为蓝色时认为车型是小型车,根据车型对粗定位的主驾驶区域进行微调;
步骤2.4,将微调后的主驾驶区域沿区域左边缘水平翻转得到副主驾驶区域,两区域合并得到车内驾驶区域。
4.根据权利要求1或2或3所述面向交通卡口监控的车内人脸检测方法,其特征在于:所述步骤3 中是利用卷积神经网络在车内驾驶区域内进行多尺度人脸检测。
5.一种面向交通卡口监控的车内人脸检测系统,其特征在于,包括以下模块:
车牌区域定位模块,用于读取交通卡口监控图像,检测并定位车辆的车牌区域;
车内驾驶区域定位模块,用于根据车辆的车牌区域,利用车牌的位置和大小确定车内驾驶区域;
人脸检测模块,在车内驾驶区域里进行人脸检测。
6.根据权利要求1所述面向交通卡口监控的车内人脸检测系统,其特征在于:所述车牌区域定位模块包括以下子模块,
预处理子模块,用于先读取交通卡口监控图像进行预处理,包括进行灰度化和固定比例缩放;
边缘检测子模块,对缩放后的图像进行边缘检测;
二值化子模块,用于对边缘检测图进行二值化处理,并进行形态学操作;
车牌定位子模块,用于提取连通区轮廓,根据所提取出来的矩形框的长宽比以及面积进行筛选定位车牌,得到矩形的车牌区域。
7.根据权利要求1所述面向交通卡口监控的车内人脸检测系统,其特征在于:所述车内驾驶区域定位模块包括以下子模块,
粗定位子模块,用于先以车牌位置与大小粗定位主驾驶区域:
车牌底色识别子模块,用于将车牌区域映射到HSV色彩空间,根据HSV色彩空间中像素颜色对应的H、S、V各值的区间得出像素是否为蓝色、黄色或者不为以上两种颜色,当根据区域占比最多的颜色为蓝色或黄色,且占总像素数比重超过预设的限定值时,相应确定为车牌底色;
定位调整子模块,用于当车牌底色为黄色时认为车型是大型车,当车牌底色为蓝色时认为车型是小型车,根据车型对粗定位的主驾驶区域进行微调;
车内驾驶区域合成子模块,用于将微调后的主驾驶区域沿区域左边缘水平翻转得到副主驾驶区域,两区域合并得到车内驾驶区域。
8.根据权利要求5或6或7所述面向交通卡口监控的车内人脸检测系统,其特征在于:所述人脸检测模块中是利用卷积神经网络在车内驾驶区域内进行多尺度人脸检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510364106.4A CN104966066A (zh) | 2015-06-26 | 2015-06-26 | 一种面向交通卡口监控的车内人脸检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510364106.4A CN104966066A (zh) | 2015-06-26 | 2015-06-26 | 一种面向交通卡口监控的车内人脸检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104966066A true CN104966066A (zh) | 2015-10-07 |
Family
ID=54220102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510364106.4A Pending CN104966066A (zh) | 2015-06-26 | 2015-06-26 | 一种面向交通卡口监控的车内人脸检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104966066A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373586A (zh) * | 2015-10-14 | 2016-03-02 | 浙江宇视科技有限公司 | 一种车辆查询方法及装置 |
CN106228137A (zh) * | 2016-07-26 | 2016-12-14 | 广州市维安科技股份有限公司 | 一种基于关键点定位的atm机异常人脸检测方法 |
CN106339673A (zh) * | 2016-08-19 | 2017-01-18 | 中山大学 | 一种基于人脸识别的atm机身份验证方法 |
CN106529437A (zh) * | 2016-10-25 | 2017-03-22 | 广州酷狗计算机科技有限公司 | 一种人脸检测的方法和装置 |
CN107609555A (zh) * | 2017-09-15 | 2018-01-19 | 北京文安智能技术股份有限公司 | 车牌检测方法、应用其的车型识别方法及相关装置 |
CN107944341A (zh) * | 2017-10-27 | 2018-04-20 | 荆门程远电子科技有限公司 | 基于交通监控图像的司机未系安全带自动检测系统 |
CN107977643A (zh) * | 2017-12-18 | 2018-05-01 | 浙江工业大学 | 一种基于道路摄像头的公务车监控方法 |
CN108399357A (zh) * | 2017-02-08 | 2018-08-14 | 浙江宇视科技有限公司 | 一种人脸定位方法及装置 |
CN108491796A (zh) * | 2018-03-22 | 2018-09-04 | 电子科技大学 | 一种时域周期点目标检测方法 |
CN108710857A (zh) * | 2018-05-22 | 2018-10-26 | 深圳前海华夏智信数据科技有限公司 | 基于红外补光的人车识别方法及装置 |
CN109271991A (zh) * | 2018-09-06 | 2019-01-25 | 公安部交通管理科学研究所 | 一种基于深度学习的车牌检测方法 |
CN110796112A (zh) * | 2019-11-05 | 2020-02-14 | 青岛志泊电子信息科技有限公司 | 一种基于matlab的车内人脸识别系统 |
CN111462099A (zh) * | 2020-04-05 | 2020-07-28 | 中国人民解放军总医院 | 一种基于快速积分图监测的图像细胞区域定位方法 |
CN112697066A (zh) * | 2020-12-02 | 2021-04-23 | 王刚 | 车辆部件定位方法、装置及计算机存储介质 |
CN112749599A (zh) * | 2019-10-31 | 2021-05-04 | 北京金山云网络技术有限公司 | 图像增强方法、装置和服务器 |
CN113255395A (zh) * | 2020-02-07 | 2021-08-13 | 深圳云天励飞技术有限公司 | 驾驶人员区域定位方法、装置、电子设备及存储介质 |
CN113449589A (zh) * | 2021-05-16 | 2021-09-28 | 桂林电子科技大学 | 一种无人驾驶汽车在城市交通场景中驾驶策略计算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693423A (zh) * | 2012-05-15 | 2012-09-26 | 公安部第三研究所 | 一种在强光条件下车牌精确定位的方法 |
CN102880863A (zh) * | 2012-09-20 | 2013-01-16 | 北京理工大学 | 一种基于可变形部件模型的车牌及驾驶员人脸定位方法 |
CN103077611A (zh) * | 2013-01-06 | 2013-05-01 | 山东鼎讯智能交通科技有限公司 | 一种具有人脸识别及安全带检测的公路车辆记录系统 |
CN103268468A (zh) * | 2012-07-06 | 2013-08-28 | 华南理工大学 | 机动车前排就坐者是否扣带安全带的自动检测方法 |
CN103544481A (zh) * | 2013-10-24 | 2014-01-29 | 深圳市飞瑞斯科技有限公司 | 一种基于人脸识别的道路卡口监控方法及系统 |
-
2015
- 2015-06-26 CN CN201510364106.4A patent/CN104966066A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693423A (zh) * | 2012-05-15 | 2012-09-26 | 公安部第三研究所 | 一种在强光条件下车牌精确定位的方法 |
CN103268468A (zh) * | 2012-07-06 | 2013-08-28 | 华南理工大学 | 机动车前排就坐者是否扣带安全带的自动检测方法 |
CN102880863A (zh) * | 2012-09-20 | 2013-01-16 | 北京理工大学 | 一种基于可变形部件模型的车牌及驾驶员人脸定位方法 |
CN103077611A (zh) * | 2013-01-06 | 2013-05-01 | 山东鼎讯智能交通科技有限公司 | 一种具有人脸识别及安全带检测的公路车辆记录系统 |
CN103544481A (zh) * | 2013-10-24 | 2014-01-29 | 深圳市飞瑞斯科技有限公司 | 一种基于人脸识别的道路卡口监控方法及系统 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373586A (zh) * | 2015-10-14 | 2016-03-02 | 浙江宇视科技有限公司 | 一种车辆查询方法及装置 |
CN106228137A (zh) * | 2016-07-26 | 2016-12-14 | 广州市维安科技股份有限公司 | 一种基于关键点定位的atm机异常人脸检测方法 |
CN106339673A (zh) * | 2016-08-19 | 2017-01-18 | 中山大学 | 一种基于人脸识别的atm机身份验证方法 |
CN106529437B (zh) * | 2016-10-25 | 2020-03-03 | 广州酷狗计算机科技有限公司 | 一种人脸检测的方法和装置 |
CN106529437A (zh) * | 2016-10-25 | 2017-03-22 | 广州酷狗计算机科技有限公司 | 一种人脸检测的方法和装置 |
CN108399357A (zh) * | 2017-02-08 | 2018-08-14 | 浙江宇视科技有限公司 | 一种人脸定位方法及装置 |
CN108399357B (zh) * | 2017-02-08 | 2020-12-29 | 浙江宇视科技有限公司 | 一种人脸定位方法及装置 |
CN107609555A (zh) * | 2017-09-15 | 2018-01-19 | 北京文安智能技术股份有限公司 | 车牌检测方法、应用其的车型识别方法及相关装置 |
CN107609555B (zh) * | 2017-09-15 | 2020-10-27 | 北京文安智能技术股份有限公司 | 车牌检测方法、应用其的车型识别方法及相关装置 |
CN107944341A (zh) * | 2017-10-27 | 2018-04-20 | 荆门程远电子科技有限公司 | 基于交通监控图像的司机未系安全带自动检测系统 |
CN107977643A (zh) * | 2017-12-18 | 2018-05-01 | 浙江工业大学 | 一种基于道路摄像头的公务车监控方法 |
CN108491796A (zh) * | 2018-03-22 | 2018-09-04 | 电子科技大学 | 一种时域周期点目标检测方法 |
CN108491796B (zh) * | 2018-03-22 | 2021-10-22 | 电子科技大学 | 一种时域周期点目标检测方法 |
CN108710857A (zh) * | 2018-05-22 | 2018-10-26 | 深圳前海华夏智信数据科技有限公司 | 基于红外补光的人车识别方法及装置 |
CN109271991A (zh) * | 2018-09-06 | 2019-01-25 | 公安部交通管理科学研究所 | 一种基于深度学习的车牌检测方法 |
CN109271991B (zh) * | 2018-09-06 | 2022-03-22 | 公安部交通管理科学研究所 | 一种基于深度学习的车牌检测方法 |
CN112749599A (zh) * | 2019-10-31 | 2021-05-04 | 北京金山云网络技术有限公司 | 图像增强方法、装置和服务器 |
CN110796112A (zh) * | 2019-11-05 | 2020-02-14 | 青岛志泊电子信息科技有限公司 | 一种基于matlab的车内人脸识别系统 |
CN113255395A (zh) * | 2020-02-07 | 2021-08-13 | 深圳云天励飞技术有限公司 | 驾驶人员区域定位方法、装置、电子设备及存储介质 |
CN113255395B (zh) * | 2020-02-07 | 2024-06-11 | 深圳云天励飞技术有限公司 | 驾驶人员区域定位方法、装置、电子设备及存储介质 |
CN111462099A (zh) * | 2020-04-05 | 2020-07-28 | 中国人民解放军总医院 | 一种基于快速积分图监测的图像细胞区域定位方法 |
CN111462099B (zh) * | 2020-04-05 | 2024-01-23 | 中国人民解放军总医院 | 一种基于快速积分图监测的图像细胞区域定位方法 |
CN112697066A (zh) * | 2020-12-02 | 2021-04-23 | 王刚 | 车辆部件定位方法、装置及计算机存储介质 |
CN113449589A (zh) * | 2021-05-16 | 2021-09-28 | 桂林电子科技大学 | 一种无人驾驶汽车在城市交通场景中驾驶策略计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104966066A (zh) | 一种面向交通卡口监控的车内人脸检测方法及系统 | |
CN105160309B (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
CN108108761B (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
Kong et al. | General road detection from a single image | |
CN102375982B (zh) | 一种融合多字符特征的车牌定位方法 | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN101398894B (zh) | 机动车车牌自动识别方法及其实现装置 | |
CN110619327A (zh) | 一种复杂场景下基于深度学习的实时车牌识别方法 | |
CN102663760B (zh) | 一种对图像中的车辆挡风镜区域进行定位分割的方法 | |
CN103824081B (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
CN109086687A (zh) | 基于pca降维的hog-mblbp融合特征的交通标志识别方法 | |
CN107545239A (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
CN104809443A (zh) | 基于卷积神经网络的车牌检测方法及系统 | |
CN105160691A (zh) | 基于颜色直方图的车身颜色识别方法 | |
CN106650553A (zh) | 车牌识别方法及系统 | |
CN110232316A (zh) | 一种基于改进的dsod模型的车辆检测与识别方法 | |
CN105354530A (zh) | 一种车身颜色识别方法及装置 | |
CN108765443A (zh) | 一种自适应颜色阈值分割的标志增强处理方法 | |
CN107506760A (zh) | 基于gps定位与视觉图像处理的交通信号检测方法及系统 | |
CN110310241A (zh) | 一种融合深度区域分割的多大气光值交通图像去雾方法 | |
CN107609555A (zh) | 车牌检测方法、应用其的车型识别方法及相关装置 | |
CN108021879A (zh) | 一种基于视频图像的交通车辆类型识别方法 | |
CN109726717A (zh) | 一种车辆综合信息检测系统 | |
CN107704853A (zh) | 一种基于多分类器的交通信号灯的识别方法 | |
CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151007 |