CN105404859A - 一种基于池化车辆图片原始特征的车型识别方法 - Google Patents
一种基于池化车辆图片原始特征的车型识别方法 Download PDFInfo
- Publication number
- CN105404859A CN105404859A CN201510738891.5A CN201510738891A CN105404859A CN 105404859 A CN105404859 A CN 105404859A CN 201510738891 A CN201510738891 A CN 201510738891A CN 105404859 A CN105404859 A CN 105404859A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- block
- image
- vector
- topography
- 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
- G06V20/56—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (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)
Abstract
一种基于池化车辆图片原始特征的车型识别方法,首先对于训练的车型图像库,设置车型图像的M种图像块大小,分别提取车型图像的每种大小的局部图像块;将每个局部图像块视为一个行向量,对其进行归一化和PCA降维;然后进行极性分离,构成新的局部图像块向量;接着在当前局部图像块的基础上对整个图像进行空间金字塔池化,联合金字塔每一层池化后的特征向量,构成当前大小的图像块的图像表示;级联每种大小的图像块的图像表示,得到车型图像的空间池化特征表示;将得到的N类车型的空间池化特征表示进行线性SVM训练,得到一个具有N类车型类别的识别系统。对于测试车辆图像,求得其空间池化特征表示,导入车型识别系统,识别出测试车辆车型。
Description
技术领域
本发明属于模式分类和物体识别技术领域,特别涉及一种基于池化车辆图片原始特征的车型识别方法。
背景技术
随着社会生产和经济发展的突飞猛进,人民生活水平的迅速提高,车辆的数目及种类也随之迅速增加,随之而来的问题也逐渐涌现并且有越来越多的趋势,交通事故的日益增多,车辆犯罪越来越多等等一系列的问题迫使我们对交通的管理需要更加的智能化和高效化,因此智能交通系统应运而生,而套牌车辆、假牌照车辆、无牌车辆、灰牌照车辆钻法律的空子逃避处罚,犯罪分子借此逃避追查等等一系列问题使得需要开发一种大范围全方位发挥作用的实时、高效、准确的无人值守的智能交通管理系统。
要实现自动车辆识别、分类,需要做的第一步是探测、摄取车辆的某些特征信息。在车辆的所有特征中,可以用来识别和区分车型的通常有车辆的外型(长、宽、高等)、车辆的轴重或轴距、车辆轴重及总重、车辆牌号、发动机排气量、车辆可以乘载的人员数或载重量等特征。在这些特征中,只有部分可以用于自动车辆识别和分类,因为有的特征可以用仪器不停车探测、提取,有的则不然,如排气量、司乘人员数等。目前,车型识别技术主要有轮廓扫描方法、车轴计数方法、磁场变化方法、车牌识别方法、基于交通视频技术的方法、基于图像处理的方法等。
在智能交通系统中,基于图像的车辆识别技术是自动采集车辆特征信息产品的重要基础,也是目前相对薄弱的技术环节。以之为核心的技术产品是智能交通系统的重要前端设备,在交通调查、交通管理和车辆管理中起着重要的作用。
在此基础之上,本专利结合基于图像的原始像素特征和空间金字塔池化编码的优点,提出了一种基于池化车辆图片原始特征的车型识别方法来解决上述问题。本发明能够实现大规模车辆图像的车型识别,且运行速度快,实现简单,消耗内存少,识别率高,实用性较强且具有较高的鲁棒性。
发明内容
本发明中所述方法是为了克服上述现有技术的缺点,主要针对车辆图像的原始像素特征,提取其图像像素块对车型进行细分识别的问题,提出了一种基于池化车辆图片原始特征的车型识别方法。具体的技术方案如下所述。
本发明为了解决上述技术问题,采用以下技术方案:
本发明中所述方法是为了克服上述现有技术的缺点,主要针对车辆图像的原始像素特征,提取其图像像素块对车型进行细分识别的问题,提出了一种基于池化车辆图片原始特征的车型识别方法,包括以下步骤:
步骤1:设置车型图像的M种图像块大小,分别提取车型图像在每种大小下的局部图像块;
步骤2:将每个局部特征块视为一个行向量,对其进行归一化和PCA降维;
步骤3:将降维后的局部图像块向量进行极性分离,构成新的局部图像块向量;
步骤4:在当前局部图像块的基础上对整幅图像进行空间金字塔池化;
步骤5:联合金字塔每一层池化后的特征向量,构成当前图像块大小的整幅图像表示;
步骤6:级联每种图像块大小的整幅图像表示,构成最终的车型图像的空间池化特征表示;
步骤7:将得到的N类车型的空间池化特征表示进行线性SVM训练,得到一个具有N类车型类别的识别系统;
步骤8:对于测试车辆图像,同样求得其空间池化特征表示,导入训练好的车型识别系统,识别出测试车辆车型。
上述技术方案中,所述步骤1中对用于训练的车型图像数据库,设置车型图像的M种图像块大小,分别提取车型图像在每种大小下的局部图像块,包括以下几个步骤:
步骤1.1:设置M种需提取的图像块的大小;
步骤1.2:设车型图像大小为d×d,设滑动步长像素s为1;
步骤1.3:按设置的步长滑动叠加,提取设置的每种大小的局部图像块;
步骤1.4:整幅车型图像被划分为l×l个局部图像块,其中:其中当前图像块的大小为r×r,s为滑动步长像素;
上述技术方案中,所述步骤2中将每个局部特征块视为一个行向量,对其进行归一化和PCA降维,包括以下几个步骤:
步骤2.1:将每个局部图像块视为一个行向量x;
步骤2.2:对向量x执行归一化:其中,xi为向量x的第i个元素,m为其均值,v为其标准差;
步骤2.3:进行PCA降维,首先进行特征中心化,即对每个局部图像块的每一维的数据都减去该维的均值,得到新的局部图像块矩阵;
步骤2.4:求取新的图像块矩阵的协方差矩阵;
步骤2.5:计算协方差矩阵的特征值和特征向量;
步骤2.6:选取大的特征值对应的特征向量,构成降维后的局部图像块向量。
上述技术方案中,所述步骤3中将降维后的局部图像块向量进行极性分离,构成新的局部图像块向量,包括以下几个步骤:
步骤3.1:将降维后的局部图像块向量进行极性分离,将降维后的每个局部图像块向量x的正值和负值分成两个部分:max{0,x}和max{0,-x};
步骤3.2:联合极性分离后的两个部分,构成新的局部图像块向量xnew,其中向量xnew的长度是原向量x的两倍。
上述技术方案中,所述步骤4中在当新的局部图像块向量块的基础上对整个图像进行空间金字塔池化,包括以下几个步骤:
步骤4.1:设置L层空间金字塔为{c1,…cL},L一般取8层较为合适,其中cl为对原图像的网格层次划分,第l层被划分为cl×cl个网格,则对车型图像总共有个网格细胞块,l属于[1,L]中任一个;
步骤4.2:对金字塔里的每一层的每个网格细胞块,都对其里面新得到的局部图像块向量进行均值池化:其中是当前池化网格细胞块中的第j个局部图像块向量,步骤3.2中的xnew的第i个元素;步骤4.3:得到当前细胞块的特征向量表示:f=[f1,…,fi,…],级联该层金字塔的每一个网格细胞块的特征表示,构成当前层的特征向量表示。
上述技术方案中,所述步骤7中将得到的N类车型的空间池化特征向量表示进行线性SVM训练,得到一个具有N类车型类别的识别系统,包括以下几个步骤:
步骤7.1:通过步骤1到步骤6的提取,得到N类车型图像的空间池化特征向量表示;
步骤7.2:将N类车型图像的空间池化特征向量进行线性SVM训练,得到一个具有N类车型类别的识别系统。
上述技术方案中,所述步骤8包括以下步骤:步骤8.1:对于测试车辆图像,同样通过步骤1到步骤6的提取,得到其空间池化特征向量;
步骤8.2:将其导入步骤7.2训练得到的具有N类车型类别的识别系统进行测试,识别出测试车辆车型。
本发明基于池化图片的原始特征来构成模型,并将该模型运用到车型识别当中。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明基于池化车辆图像的原始特征(像素)进行操作,算法简单且效率高,运算速度快,通过级联不同图像块大小的图像表示,保留了更多的图像结构特征,大大提高了车型识别率,具有较高的实用性。
附图说明
图1为池化图片的原始特征的整个算法的示意图;
图2为空间池化金字塔示意图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
下面结合图1、图2对本发明作详细说明。
为详细说明本发明的技术内容、构造特征、所实现目的及效果,以下结合实施方式并配合附图详予说明。
本发明提出了一种基于池化车辆图片原始特征的车型识别方法,在车辆车型识别上取得良好的效果。整个算法的实现示意图如图1,包括步骤:
步骤1:设置车型图像的M种图像块大小,分别提取车型图像在每种大小下的局部图像块;
本专利需要提取几种不同大小的图像块进行特征提取,不失一般性,设原始车型图像大小为d×d个像素,采取滑动叠加方式提取车型图像的局部图像块,为了提高车型识别率,将滑动步长像素值设为1,进行滑动提取,包括以下几个步骤:
步骤1.1:设置M种需提取的图像块的大小,一般取2×2、4×4、6×6和8×8这几种;
步骤1.2:设车型图像大小为d×d,设滑动步长像素为1;
步骤1.3:按设置的步长滑动叠加,提取设置的每种大小的局部图像块;
步骤1.4:整幅车型图像被划分为l×l个局部图像块,其中:其中当前图像块的大小为r×r,s为滑动步长像素;
步骤2:将每个局部特征块视为一个行向量,对其进行归一化和PCA降维;
将每个局部特征块视为一个行向量,为了均衡局部亮度和对比度归一化,需要对每一个局部特征块进行归一化,由于提取的局部图像块很多,会影响运算速度和消耗过多内存,也会产生噪声,所以也需要归一化后的局部图像块实行PCA降维,包括以下几个步骤:
步骤2.1:将每个局部图像块视为一个行向量x;
步骤2.2:对向量x执行归一化:其中,xi为向量x的第i个元素,m为其均值,v为其标准差。
步骤2.3:对归一化后的局部图像块向量进行PCA降维,首先进行特征中心化,即对每个局部图像块的每一维的数据都减去该维的均值,得到新的局部图像块矩阵;
步骤2.4:求取新的图像块矩阵的协方差矩阵;
步骤2.5:计算协方差矩阵的特征值和特征向量;
步骤2.6:选取大的特征值对应的特征向量,构成降维后的局部图像快。
步骤3:将降维后的局部图像块向量进行极性分离,构成新的局部图像块向量;
在进行池化之前将局部图像块向量进行极性分离,可以提高类别间的区分度,增强分类器的性能,包括以下几个步骤:
步骤3.1:将降维后的局部图像块向量进行极性分离,将降维后的每个局部图像块向量x的正值和负值分成两个部分:max{0,x}和max{0,-x};
步骤3.2:联合极性分离后的两个部分,构成新的局部图像块向量xnew,其中向量xnew的长度是原向量x的两倍。
步骤4:在当前局部图像块的基础上对整个图像进行空间金字塔池化;
将新得到的局部图像块进行空间金字塔池化,不同于之前的一些特征编码方式,这里是直接对原整幅图像进行空间金子塔池化,包括以下几个步骤:
步骤4.1:设置L层空间金字塔为{c1,…cL},L一般取8层较为合适,其中cl为对原图像的网格层次划分,第l层被划分为cl×cl个网格,则对车型图像总共有个网格细胞块,例如8层金字塔设为{1,2,4,6,8,10,12,15},则每层分别被划分成1×1,2×2,…,15×15个网格细胞块,示意图如图2(401)所示;
步骤4.2:对金字塔里的每一层的每个网格细胞块,都对其里面的新得到局部图像块向量进行均值池化:其中是当前池化网格细胞块中的第j个局部图像块(步骤4.2中的xnew)的第i个元素,示意图如图2(402)所示;
步骤4.3:得到当前细胞块的特征向量表示:f=[f1,…,fi,…],级联该层金字塔的每一个网格细胞块的特征表示,构成当前层的特征向量表示。
步骤5:联合金字塔每一层池化后的特征向量,构成当前图像块大小的整幅图像表示,示意图如图2(5)所示;
步骤6:级联每种图像块大小的整幅图像表示,得到最终的车型图像的空间池化特征表示,示意图如图2(6)所示;
步骤7:将得到的N类车型的空间池化特征表示进行线性SVM训练,得到一个具有N类车型类别的识别系统;
对于训练模块的车型图像数据库,提取其每张车型图像的空间池化特征向量,构成一个训练样本,然后进行线性SVM训练,得到一个具有N类车型类别的识别系统,包括以下几个步骤:
步骤7.1:通过步骤1到步骤6的提取,得到N类车型图像的空间池化特征向量表示;
步骤7.2:将N类车型图像的空间池化特征向量进行线性SVM训练,得到一个具有N类车型类别的识别系统。
步骤8:对于测试的车辆图像,求得其空间池化特征表示,导入训练好的车型识别系统,识别出测试车辆车型。
对于测试车辆图像,同样通过步骤1到步骤6的提取,得到其空间池化特征向量,将其导入步骤7.2训练得到的具有N类车型类别的识别系统进行测试,识别出测试车辆车型,包括以下几个步骤:
步骤8.1:对于测试车辆图像,同样通过步骤1到步骤6的提取,得到其空间池化特征向量;
步骤8.2:将其导入步骤8.2训练得到的具有N类车型类别的识别系统进行测试,识别出测试车辆车型。
Claims (7)
1.一种基于池化车辆图片原始特征的车型识别方法,包括以下步骤:
步骤1:设置车型图像的M种图像块大小,分别提取车型图像在每种大小下的局部图像块;
步骤2:将每个局部特征块视为一个行向量,对其进行归一化和PCA降维;
步骤3:将降维后的局部图像块向量进行极性分离,构成新的局部图像块向量;
步骤4:在当前局部图像块的基础上对整幅图像进行空间金字塔池化;
步骤5:联合金字塔每一层池化后的特征向量,构成当前图像块大小的整幅图像表示;
步骤6:级联每种图像块大小的整幅图像表示,构成最终的车型图像的空间池化特征表示;
步骤7:将得到的N类车型的空间池化特征表示进行线性SVM训练,得到一个具有N类车型类别的识别系统;
步骤8:对于测试车辆图像,同样求得其空间池化特征表示,导入训练好的车型识别系统,识别出测试车辆车型。
2.根据权利要求1所述基于池化车辆图片原始特征的车型识别方法,其特征在于,所述步骤1中对用于训练的车型图像数据库,设置车型图像的M种图像块大小,分别提取车型图像在每种大小下的局部图像块,包括以下几个步骤:
步骤1.1:设置M种需提取的图像块的大小;
步骤1.2:设车型图像大小为d×d,设滑动步长像素s为1;
步骤1.3:按设置的步长滑动叠加,提取设置的每种大小的局部图像块;
步骤1.4:整幅车型图像被划分为l×l个局部图像块,其中:其中当前图像块的大小为r×r,s为滑动步长像素。
3.根据权利要求1所述基于池化车辆图片原始特征的车型识别方法,其特征在于,所述步骤2中将每个局部特征块视为一个行向量,对其进行归一化和PCA降维,包括以下几个步骤:
步骤2.1:将每个局部图像块视为一个行向量x;
步骤2.2:对向量x执行归一化:其中,xi为向量x的第i个元素,m为其均值,v为其标准差;
步骤2.3:进行PCA降维,首先进行特征中心化,即对每个局部图像块的每一维的数据都减去该维的均值,得到新的局部图像块矩阵;
步骤2.4:求取新的图像块矩阵的协方差矩阵;
步骤2.5:计算协方差矩阵的特征值和特征向量;
步骤2.6:选取大的特征值对应的特征向量,构成降维后的局部图像块向量。
4.根据权利要求1所述基于池化车辆图片原始特征的车型识别方法,其特征在于,所述步骤3中将降维后的局部图像块向量进行极性分离,构成新的局部图像块向量,包括以下几个步骤:
步骤3.1:将降维后的局部图像块向量进行极性分离,将降维后的每个局部图像块向量x的正值和负值分成两个部分:max{0,x}和max{0,-x};
步骤3.2:联合极性分离后的两个部分,构成新的局部图像块向量xnew,其中向量xnew的长度是原向量x的两倍。
5.根据权利要求1所述基于池化车辆图片原始特征的车型识别方法,其特征在于,所述步骤4中在当前新的局部图像块向量块的基础上对整个图像进行空间金字塔池化,包括以下几个步骤:
步骤4.1:设置L层空间金字塔为{c1,…cL},L一般取8层较为合适,其中cl为对原图像的网格层次划分,第l层被划分为cl×cl个网格,则对车型图像总共有个网格细胞块,l属于[1,L]中任一个;
步骤4.2:对金字塔里的每一层的每个网格细胞块,都对其里面新得到的局部图像块向量进行均值池化:其中是当前池化网格细胞块中的第j个局部图像块向量的第i个元素,也即步骤3.2中的xnew的第i个元素;步骤4.3:得到当前细胞块的特征向量表示:f=[f1,…,fi,…],级联该层金字塔的每一个网格细胞块的特征表示,构成当前层的特征向量表示。
6.根据权利要求1所述基于池化车辆图片原始特征的车型识别方法,其特征在于,所述步骤7中将得到的N类车型的空间池化特征向量表示进行线性SVM训练,得到一个具有N类车型类别的识别系统,包括以下几个步骤:
步骤7.1:通过步骤1到步骤6的提取,得到N类车型图像的空间池化特征向量表示;
步骤7.2:将N类车型图像的空间池化特征向量进行线性SVM训练,得到一个具有N类车型类别的识别系统。
7.根据权利要求6所述基于池化车辆图片原始特征的车型识别方法,其特征在于,所述步骤8包括以下步骤:步骤8.1:对于测试车辆图像,同样通过步骤1到步骤6的提取,得到其空间池化特征向量;
步骤8.2:将其导入步骤7.2训练得到的具有N类车型类别的识别系统进行测试,识别出测试车辆车型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510738891.5A CN105404859A (zh) | 2015-11-03 | 2015-11-03 | 一种基于池化车辆图片原始特征的车型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510738891.5A CN105404859A (zh) | 2015-11-03 | 2015-11-03 | 一种基于池化车辆图片原始特征的车型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105404859A true CN105404859A (zh) | 2016-03-16 |
Family
ID=55470336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510738891.5A Pending CN105404859A (zh) | 2015-11-03 | 2015-11-03 | 一种基于池化车辆图片原始特征的车型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105404859A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787466A (zh) * | 2016-03-18 | 2016-07-20 | 中山大学 | 一种车辆类型的精细识别方法及系统 |
CN105894045A (zh) * | 2016-05-06 | 2016-08-24 | 电子科技大学 | 一种基于空间金字塔池化的深度网络模型的车型识别方法 |
CN105956560A (zh) * | 2016-05-06 | 2016-09-21 | 电子科技大学 | 一种基于池化多尺度深度卷积特征的车型识别方法 |
CN106529578A (zh) * | 2016-10-20 | 2017-03-22 | 中山大学 | 一种基于深度学习的车辆品牌型号精细识别方法与系统 |
CN106570509A (zh) * | 2016-11-04 | 2017-04-19 | 天津大学 | 一种用于提取数字图像特征的字典学习及编码方法 |
CN107463895A (zh) * | 2017-07-28 | 2017-12-12 | 中国科学院西安光学精密机械研究所 | 基于邻域向量pca的弱小损伤目标检测方法 |
CN108133217A (zh) * | 2017-11-22 | 2018-06-08 | 北京达佳互联信息技术有限公司 | 图像特征确定方法、装置及终端 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120213426A1 (en) * | 2011-02-22 | 2012-08-23 | The Board Of Trustees Of The Leland Stanford Junior University | Method for Implementing a High-Level Image Representation for Image Analysis |
CN102651075A (zh) * | 2011-02-28 | 2012-08-29 | 中兴智能交通系统(北京)有限公司 | 车辆识别模型训练方法、车辆识别方法及装置 |
CN104021375A (zh) * | 2014-05-29 | 2014-09-03 | 银江股份有限公司 | 一种基于机器学习的车型识别方法 |
CN104239898A (zh) * | 2014-09-05 | 2014-12-24 | 浙江捷尚视觉科技股份有限公司 | 一种快速卡口车辆比对和车型识别方法 |
CN104299008A (zh) * | 2014-09-23 | 2015-01-21 | 同济大学 | 基于多特征融合的车型分类方法 |
CN104463241A (zh) * | 2014-10-31 | 2015-03-25 | 北京理工大学 | 一种智能交通监控系统中的车辆类型识别方法 |
-
2015
- 2015-11-03 CN CN201510738891.5A patent/CN105404859A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120213426A1 (en) * | 2011-02-22 | 2012-08-23 | The Board Of Trustees Of The Leland Stanford Junior University | Method for Implementing a High-Level Image Representation for Image Analysis |
CN102651075A (zh) * | 2011-02-28 | 2012-08-29 | 中兴智能交通系统(北京)有限公司 | 车辆识别模型训练方法、车辆识别方法及装置 |
CN104021375A (zh) * | 2014-05-29 | 2014-09-03 | 银江股份有限公司 | 一种基于机器学习的车型识别方法 |
CN104239898A (zh) * | 2014-09-05 | 2014-12-24 | 浙江捷尚视觉科技股份有限公司 | 一种快速卡口车辆比对和车型识别方法 |
CN104299008A (zh) * | 2014-09-23 | 2015-01-21 | 同济大学 | 基于多特征融合的车型分类方法 |
CN104463241A (zh) * | 2014-10-31 | 2015-03-25 | 北京理工大学 | 一种智能交通监控系统中的车辆类型识别方法 |
Non-Patent Citations (1)
Title |
---|
FUMIN SHEN 等: ""Face Image Classification by Pooling Raw Features"", 《RESEARCHGATE》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787466A (zh) * | 2016-03-18 | 2016-07-20 | 中山大学 | 一种车辆类型的精细识别方法及系统 |
CN105787466B (zh) * | 2016-03-18 | 2019-07-16 | 中山大学 | 一种车辆类型的精细识别方法及系统 |
CN105894045B (zh) * | 2016-05-06 | 2019-04-26 | 电子科技大学 | 一种基于空间金字塔池化的深度网络模型的车型识别方法 |
CN105894045A (zh) * | 2016-05-06 | 2016-08-24 | 电子科技大学 | 一种基于空间金字塔池化的深度网络模型的车型识别方法 |
CN105956560A (zh) * | 2016-05-06 | 2016-09-21 | 电子科技大学 | 一种基于池化多尺度深度卷积特征的车型识别方法 |
CN105956560B (zh) * | 2016-05-06 | 2019-07-09 | 电子科技大学 | 一种基于池化多尺度深度卷积特征的车型识别方法 |
CN106529578A (zh) * | 2016-10-20 | 2017-03-22 | 中山大学 | 一种基于深度学习的车辆品牌型号精细识别方法与系统 |
CN106570509A (zh) * | 2016-11-04 | 2017-04-19 | 天津大学 | 一种用于提取数字图像特征的字典学习及编码方法 |
CN106570509B (zh) * | 2016-11-04 | 2019-09-27 | 天津大学 | 一种用于提取数字图像特征的字典学习及编码方法 |
CN107463895A (zh) * | 2017-07-28 | 2017-12-12 | 中国科学院西安光学精密机械研究所 | 基于邻域向量pca的弱小损伤目标检测方法 |
CN107463895B (zh) * | 2017-07-28 | 2019-09-20 | 中国科学院西安光学精密机械研究所 | 基于邻域向量pca的弱小损伤目标检测方法 |
CN108133217B (zh) * | 2017-11-22 | 2018-10-30 | 北京达佳互联信息技术有限公司 | 图像特征确定方法、装置及终端 |
CN108133217A (zh) * | 2017-11-22 | 2018-06-08 | 北京达佳互联信息技术有限公司 | 图像特征确定方法、装置及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105404859A (zh) | 一种基于池化车辆图片原始特征的车型识别方法 | |
CN103810505B (zh) | 基于多层描述子的车辆标识方法与系统 | |
WO2017156772A1 (zh) | 一种乘客拥挤度的计算方法及其系统 | |
CN109190444B (zh) | 一种基于视频的收费车道车辆特征识别系统的实现方法 | |
WO2021238019A1 (zh) | 基于Ghost卷积特征融合神经网络实时车流量检测系统及方法 | |
CN103971097B (zh) | 一种基于多尺度笔画模型的车牌识别方法与系统 | |
CN103886760B (zh) | 实时的基于交通视频的车型检测系统 | |
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 | |
CN105354568A (zh) | 基于卷积神经网络的车标识别方法 | |
CN102915453B (zh) | 一种实时反馈更新的车辆检测方法 | |
CN103324920A (zh) | 基于车辆正面图像与模板匹配的车型自动识别方法 | |
CN109948643A (zh) | 一种基于深层网络融合模型的车辆类型分类方法 | |
CN103164697B (zh) | 一种处理时间与识别精度自适应的车牌识别方法 | |
CN104143091B (zh) | 基于改进mLBP的单样本人脸识别方法 | |
CN104200228A (zh) | 一种安全带识别方法与系统 | |
CN106919939B (zh) | 一种交通标识牌跟踪识别方法及系统 | |
CN107315998A (zh) | 基于车道线的车辆种类划分方法和系统 | |
CN106503748A (zh) | 一种基于s‑sift特征和svm训练器的车型识别算法 | |
CN110569819A (zh) | 一种公交车乘客再识别方法 | |
CN105404858A (zh) | 一种基于深度费舍尔网络的车型识别方法 | |
CN117197763A (zh) | 基于交叉注意引导特征对齐网络的道路裂缝检测方法和系统 | |
CN104751197A (zh) | 基于视频分析的车辆行驶中驾驶员人脸识别装置及其识别方法 | |
CN102930242A (zh) | 一种公交车车型识别方法 | |
CN110334572A (zh) | 一种多角度下车型精细识别方法 | |
CN108805183A (zh) | 一种融合局部聚合描述符和局部线性编码的图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160316 |
|
RJ01 | Rejection of invention patent application after publication |