CN105574543A - 一种基于深度学习的车辆品牌型号识别方法和系统 - Google Patents
一种基于深度学习的车辆品牌型号识别方法和系统 Download PDFInfo
- Publication number
- CN105574543A CN105574543A CN201510940932.9A CN201510940932A CN105574543A CN 105574543 A CN105574543 A CN 105574543A CN 201510940932 A CN201510940932 A CN 201510940932A CN 105574543 A CN105574543 A CN 105574543A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- car plate
- model
- degree
- 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
Links
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
Abstract
本发明适用于计算机视觉、图像识别领域,提供了一种基于深度学习的车辆品牌型号识别方法和系统,包括:步骤1,训练数据建立SVM车牌判别模型;步骤2,基于深度学习法训练建立车型识别模型;步骤3,对视频中图像的背景进行建模获取运动目标,跟踪运动目标获取运动目标轨迹,得到包含车牌的图片;步骤4,将所述图片通过图像处理技术处理,获取包含车牌的若干个图块,用所述SVM车牌判别模型判别保留包含车牌的图块;步骤5,根据车牌的位置,分别向上、下、左、右四个方向扩展设定区域,得到车头的位置区域;步骤6,基于所述车型识别模型根据所述车头的位置区域对车型进行识别。具有可自主学习特征、可直接输入图像等优点。
Description
技术领域
本发明属于计算机视觉、图像识别领域,尤其涉及一种基于深度学习的车辆品牌型号识别方法和系统。
背景技术
车型识别是利用计算机分析通过摄像头和图像采集卡获取视频图像,通过对特定区域的视频图像处理分析,完成车辆检测和车辆分类识别。该技术绿色、环保,使用简洁,维护方便,只需在路面上方架设一部或几部摄像机,或利用交通部门现有的电视监控设备,将路面实时视频图像输入系统中,可以立刻进行分析,提取出需要的交通流信息。将车型识别技术应用于高速公路和城市道路具有很大的可行性,将全面提高公路和信息采集和安全管理的水平,在智能交通系统中一定会发挥越来越重要的作用。
对于车型识别算法,常用的方法种类比较多,比如基于模板匹配、统计模式等。
例如名称为“基于静态图片的自动套牌车检测方法(申请号:201310397152.5)”的中国发明专利申请公开的技术方案中,提取静态图片中车辆前部图片,确定车头灯、散热器、品牌和保险杠区域;提取车辆图片的特征,并采用随机子空间分类器集成方法合并图片特征;根据车头灯、散热器、品牌和保险杠信息确定车辆品牌。名称为“基于图像的车辆品牌识别方法和系统(申请号:201310416016.6)”的中国发明专利申请公开的技术方案中,通过检测车牌在输入图像中的位置;根据车牌位置计算多个车辆部件位置;从该多个车辆部件位置的每一个抽取特征向量;以及对所抽取的特征向量进行分类并输出车辆的品牌信息,该特征向量包括外形特征和形状特征。
上述车辆品牌型号的识别方法,通过提取车辆的特征进行识别,检测率低同时误报较多。
发明内容
本发明实施例的目的在于提供一种基于深度学习的车辆品牌型号识别方法和系统,至少可克服现有技术的部分缺陷。
本发明实施例涉及的一种基于深度学习的车辆品牌型号识别方法,包括:
步骤1,训练数据建立SVM车牌判别模型;
步骤2,基于深度学习法训练建立车型识别模型;
步骤3,对视频中图像的背景进行建模获取运动目标,跟踪运动目标获取运动目标轨迹,得到包含车牌的图片;
步骤4,将所述图片通过图像处理技术处理,获取包含车牌的若干个图块,用所述SVM车牌判别模型判别保留包含车牌的图块;
步骤5,根据车牌的位置,分别向上、下、左、右四个方向扩展设定区域,得到车头的位置区域;
步骤6,基于所述车型识别模型根据所述车头的位置区域对车型进行识别。
作为实施例一涉及的一种基于深度学习的车辆品牌型号识别方法,训练数据建立SVM车牌判别模型的过程包括:
步骤101,获取多个视频的图像信息进行所述步骤3的操作;
步骤102,对获取的图片通过图像处理技术处理,得到包含车牌的若干个图块;
步骤103,对所述步骤102中获取的图块,进行人工分类;
步骤104,将分类后包括车牌的图块聚集到设定的数量后,放入SVM模型进行训练,得到所述SVM车牌判别模型。
所述步骤4和所述步骤102中,所述图像处理技术包括Sobel算子或闭操作。
所述步骤2中,利用深度卷积网络进行计算图像类别特征,所述深度卷积网络采用预先标注好的车头数据集训练得到车型识别模型,利用训练好的深度卷积神经网络来识别图像,提取输出层的结果作为车型类别。
所述步骤3中采用VIBE算法对视频中图像的背景进行建模,背景模型建立后,将当前的图像与背景模型进行比较,根据比较结果确定是否为前景的所述运动目标。
所述步骤3中获得所述运动目标后,利用最近邻法来跟踪运动目标获取所述运动目标轨迹。
本发明实施例涉及的一种基于深度学习的车辆品牌型号识别系统,包括:所述系统包括依次连接的图像输入平台、综合接入网关、智能管理服务器和智能分析服务器;
所述图像输入平台接受用户的实时图像录入、传输、存储和处理请求;
所述综合接入网关对所述图像输入平台进行统计;
所述智能分析服务器根据智能管理服务器的车型识别分析请求,从所述图像输入平台获取图像利用所述实施例一的基于深度学习的车辆品牌型号识别方法进行分析,将分析结果上报给智能管理服务器。
作为实施例二涉及的一种基于深度学习的车辆品牌型号识别系统,所述智能分析服务器包括至少两个的图像分析单元,每个所述图像分析单元独立完成一个图像输入平台分析。
本发明实施例提供的一种基于深度学习的车辆品牌型号识别方法和系统的有益效果包括:
本发明实施例提供的一种基于深度学习的车辆品牌型号识别方法,利用车牌识别技术准确率可高达99%这一特点,根据车牌的位置对车头进行定位,可准确获得待识别的图像区域,保证了参与识别的车型图像的稳定性,保留充分的有用信息,过滤无用冗余信息,具有可自主学习特征、可直接输入图像等优点。
利用深度卷积神经网络产生出高级特征,帮助对图像类别分析,保证了车型识别的准确率、稳定性。
采用VIBE算法对视频中图像的背景进行建模,面对复杂的背景环境变化,VIBE算法可以随机选择需要替换的像素的样本,随机选择邻域像素对背景模型进行更新,能更好的区分背景与前景图像。
利用最近邻法来跟踪运动目标获取运动目标轨迹,易于实现,运算速度快,可应用于卡口图像运动目标跟踪问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于深度学习的车辆品牌型号识别方法的流程图;
图2是本发明实施例提供的一种基于深度学习的车辆品牌型号识别系统的结构框图;
图中,10为图像输入平台,11为第1图像输入平台,12为第2图像输入平台,……1N为第N图像输入平台,N是自然数,N<10;20为综合接入网关;30为智能管理服务器;40为智能分析服务器,41为第1智能分析服务器,……4N为第N智能分析服务器,N是自然数,N<100。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一
本发明提供的实施例一为本发明提供的一种基于深度学习的车辆品牌型号识别方法的实施例,本发明提供的基于深度学习的车辆品牌型号识别方法的实施例包括:
步骤1,训练数据建立SVM(SupportVectorMachine,支持向量机)车牌判别模型。
步骤2,基于深度学习法训练建立车型识别模型。
步骤3,对视频中图像的背景进行建模获取运动目标,跟踪运动目标获取运动目标轨迹,得到包含车牌的图片。
步骤4,将图片通过图像处理技术处理,获取包含车牌的若干个图块,用SVM车牌判别模型判别保留包含车牌的图块。
步骤5,根据车牌的位置,分别向上、下、左、右四个方向扩展设定区域,得到车头的位置区域。
步骤6,基于车型识别模型根据车头的位置区域对车型进行识别。
本发明实施例提供的一种基于深度学习的车辆品牌型号识别方法,具有可自主学习特征、可直接输入图像等优点。利用车牌识别技术准确率可高达99%这一特点,根据车牌的位置对车头进行定位,可准确获得待识别的图像区域,保证了参与识别的车型图像的稳定性,保留充分的有用信息,过滤无用冗余信息。
如图1所示为本发明实施例提供的基于深度学习的车辆品牌型号识别方法的流程图,由图1可知,步骤1中,训练数据建立SVM车牌判别模型的过程包括:
步骤101,获取多个视频的图像信息进行步骤3的操作。
步骤102,对步骤3获取的图片通过图像处理技术处理,得到包含车牌的若干个图块。
步骤103,对步骤102中获取的图块,进行人工分类。
步骤104,将分类后包括车牌的图块聚集到设定的数量后,放入SVM模型进行训练,得到该SVM车牌判别模型。
步骤4和步骤102中,图像处理技术包括Sobel算子或闭操作等。对获取的图片还进行旋转等适应性处理。
步骤2中,利用深度卷积网络进行计算图像类别特征,深度卷积网络采用预先标注好的车头数据集训练得到车型识别模型,利用训练好的深度卷积神经网络来识别图像,提取输出层的结果作为车型类别。训练样本量可以为100万张有标注图像,
本发明提供的一种基于深度学习的车辆品牌型号识别方法,利用深度卷积神经网络产生出高级特征,帮助对图像类别分析,保证了车型识别的准确率、稳定性。
在本发明实施例中,步骤3中采用VIBE算法对视频中图像的背景进行建模,背景模型建立后,将当前的图像与背景模型进行比较,根据比较结果确定是否为前景的运动目标。
面对复杂的背景环境变化,VIBE算法可以随机选择需要替换的像素的样本,随机选择邻域像素对背景模型进行更新,能更好的区分背景与前景图像。
步骤3中获得运动目标后,利用最近邻法来跟踪运动目标获取运动目标轨迹。
最近邻法是根据样本在特征空间中的最近邻的样本大多数归属的类别来确定这个样本的归属类别,易于实现,运算速度快,可应用于卡口图像运动目标跟踪问题。
实施例二
本发明提供的实施例二为本发明提供的一种基于深度学习的车辆品牌型号识别系统的实施例,如图2所示为本发明实施例提供的基于深度学习的车辆品牌型号识别系统的结构框图,由图2可知,本发明提供的基于深度学习的车辆品牌型号识别系统的实施例包括:
依次连接的图像输入平台10、综合接入网关20、智能管理服务器30和智能分析服务器40。
图像输入平台10接受用户的实时图像录入、传输、存储和处理请求。
综合接入网关20对图像输入平台10进行统计。
智能分析服务器40根据智能管理服务器30的车型识别分析请求,从图像输入平台10获取图像利用本发明实施例一提供的一种基于深度学习的车辆品牌型号识别方法进行分析,将分析结果上报给智能管理服务器30。
智能分析服务器40是智能以图搜图的功能实体,在物理分布上对应一台服务器。智能分析服务器40由多个图像分析单元组成,每个图像分析单元可独立完成一个图像输入平台分析。
本领域普通技术人员还可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,所述的存储介质,包括ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的车辆品牌型号识别方法,其特征在于,所述方法包括:
步骤1,训练数据建立SVM车牌判别模型;
步骤2,基于深度学习法训练建立车型识别模型;
步骤3,对视频中图像的背景进行建模获取运动目标,跟踪运动目标获取运动目标轨迹,得到包含车牌的图片;
步骤4,将所述图片通过图像处理技术处理,获取包含车牌的若干个图块,用所述SVM车牌判别模型判别保留包含车牌的图块;
步骤5,根据车牌的位置,分别向上、下、左、右四个方向扩展设定区域,得到车头的位置区域;
步骤6,基于所述车型识别模型根据所述车头的位置区域对车型进行识别。
2.如权利要求1所述的方法,其特征在于,所述步骤1中,训练数据建立SVM车牌判别模型的过程包括:
步骤101,获取多个视频的图像信息进行所述步骤3的操作;
步骤102,对获取的图片通过图像处理技术处理,得到包含车牌的若干个图块;
步骤103,对所述步骤102中获取的图块,进行人工分类;
步骤104,将分类后包括车牌的图块聚集到设定的数量后,放入SVM模型进行训练,得到所述SVM车牌判别模型。
3.如权利要求2所述的方法,其特征在于,所述步骤4和所述步骤102中,所述图像处理技术包括Sobel算子或闭操作。
4.如权利要求1所述的方法,其特征在于,所述步骤2中,利用深度卷积网络进行计算图像类别特征,所述深度卷积网络采用预先标注好的车头数据集训练得到车型识别模型,利用训练好的深度卷积神经网络来识别图像,提取输出层的结果作为车型类别。
5.如权利要求1所述的方法,其特征在于,所述步骤3中采用VIBE算法对视频中图像的背景进行建模,背景模型建立后,将当前的图像与背景模型进行比较,根据比较结果确定是否为前景的所述运动目标。
6.如权利要求1所述的方法,其特征在于,所述步骤3中获得所述运动目标后,利用最近邻法来跟踪运动目标获取所述运动目标轨迹。
7.一种基于深度学习的车辆品牌型号识别系统,其特征在于,所述系统包括依次连接的图像输入平台、综合接入网关、智能管理服务器和智能分析服务器;
所述图像输入平台接受用户的实时图像录入、传输、存储和处理请求;
所述综合接入网关对所述图像输入平台进行统计;
所述智能分析服务器根据智能管理服务器的车型识别分析请求,从所述图像输入平台获取图像利用所述步骤1-6任一项所述的基于深度学习的车辆品牌型号识别方法进行分析,将分析结果上报给智能管理服务器。
8.如权利要求7所述的系统,其特征在于,所述智能分析服务器包括至少两个的图像分析单元,每个所述图像分析单元独立完成一个图像输入平台分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510940932.9A CN105574543B (zh) | 2015-12-16 | 2015-12-16 | 一种基于深度学习的车辆品牌型号识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510940932.9A CN105574543B (zh) | 2015-12-16 | 2015-12-16 | 一种基于深度学习的车辆品牌型号识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105574543A true CN105574543A (zh) | 2016-05-11 |
CN105574543B CN105574543B (zh) | 2019-09-06 |
Family
ID=55884649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510940932.9A Active CN105574543B (zh) | 2015-12-16 | 2015-12-16 | 一种基于深度学习的车辆品牌型号识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574543B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203330A (zh) * | 2016-07-08 | 2016-12-07 | 西安理工大学 | 一种基于卷积神经网络的车辆分类方法 |
CN106372652A (zh) * | 2016-08-28 | 2017-02-01 | 乐视控股(北京)有限公司 | 发型识别方法及发型识别装置 |
CN106529511A (zh) * | 2016-12-13 | 2017-03-22 | 北京旷视科技有限公司 | 图像结构化方法及装置 |
CN106874418A (zh) * | 2017-01-24 | 2017-06-20 | 成都容豪电子信息科技有限公司 | 一种服务于深度学习的汽车型号数据集建立方法 |
CN107016344A (zh) * | 2017-03-08 | 2017-08-04 | 上海极链网络科技有限公司 | 视频中品牌识别系统及其实现方法 |
CN107085696A (zh) * | 2016-10-15 | 2017-08-22 | 安徽百诚慧通科技有限公司 | 一种基于卡口图像的车辆定位及型号识别方法 |
CN107506759A (zh) * | 2016-06-14 | 2017-12-22 | 杭州海康威视数字技术股份有限公司 | 一种机动车品牌识别方法及装置 |
CN108072385A (zh) * | 2017-12-06 | 2018-05-25 | 爱易成技术(天津)有限公司 | 移动目标的空间坐标定位方法、装置及电子设备 |
CN108154127A (zh) * | 2017-12-27 | 2018-06-12 | 天津智芯视界科技有限公司 | 一种基于视频和雷达的车辆识别方法 |
CN108256554A (zh) * | 2017-12-20 | 2018-07-06 | 深圳市金溢科技股份有限公司 | 基于深度学习的车辆逆向停车判断方法、服务器及系统 |
CN109344890A (zh) * | 2018-09-20 | 2019-02-15 | 浪潮软件股份有限公司 | 一种基于深度学习的烟柜卷烟识别方法 |
CN110494902A (zh) * | 2017-02-03 | 2019-11-22 | 西门子交通有限责任公司 | 用于管理地理位置中的交通的系统、设备和方法 |
CN110503062A (zh) * | 2019-08-28 | 2019-11-26 | 深圳市摩马汽车服务有限公司 | 车辆在位识别系统和方法 |
CN111553368A (zh) * | 2020-05-12 | 2020-08-18 | 上海眼控科技股份有限公司 | 伪造车牌的识别方法、训练方法、装置、设备及存储介质 |
CN115761659A (zh) * | 2023-01-09 | 2023-03-07 | 南京隼眼电子科技有限公司 | 识别模型构建方法、车型识别方法、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308543A (zh) * | 2008-07-04 | 2008-11-19 | 刘显福 | 一种数据流图像帧的分割识别方法及其装置 |
US20140140578A1 (en) * | 2012-11-22 | 2014-05-22 | APARC Systems Inc. | Parking enforcement system and method of parking enforcement |
-
2015
- 2015-12-16 CN CN201510940932.9A patent/CN105574543B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308543A (zh) * | 2008-07-04 | 2008-11-19 | 刘显福 | 一种数据流图像帧的分割识别方法及其装置 |
US20140140578A1 (en) * | 2012-11-22 | 2014-05-22 | APARC Systems Inc. | Parking enforcement system and method of parking enforcement |
Non-Patent Citations (1)
Title |
---|
孙晔 等: "基于卷积神经网络的车标识别", 《图形图像》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506759A (zh) * | 2016-06-14 | 2017-12-22 | 杭州海康威视数字技术股份有限公司 | 一种机动车品牌识别方法及装置 |
CN106203330A (zh) * | 2016-07-08 | 2016-12-07 | 西安理工大学 | 一种基于卷积神经网络的车辆分类方法 |
CN106372652A (zh) * | 2016-08-28 | 2017-02-01 | 乐视控股(北京)有限公司 | 发型识别方法及发型识别装置 |
CN107085696A (zh) * | 2016-10-15 | 2017-08-22 | 安徽百诚慧通科技有限公司 | 一种基于卡口图像的车辆定位及型号识别方法 |
CN106529511A (zh) * | 2016-12-13 | 2017-03-22 | 北京旷视科技有限公司 | 图像结构化方法及装置 |
CN106874418A (zh) * | 2017-01-24 | 2017-06-20 | 成都容豪电子信息科技有限公司 | 一种服务于深度学习的汽车型号数据集建立方法 |
CN110494902A (zh) * | 2017-02-03 | 2019-11-22 | 西门子交通有限责任公司 | 用于管理地理位置中的交通的系统、设备和方法 |
CN107016344A (zh) * | 2017-03-08 | 2017-08-04 | 上海极链网络科技有限公司 | 视频中品牌识别系统及其实现方法 |
CN108072385A (zh) * | 2017-12-06 | 2018-05-25 | 爱易成技术(天津)有限公司 | 移动目标的空间坐标定位方法、装置及电子设备 |
CN108256554A (zh) * | 2017-12-20 | 2018-07-06 | 深圳市金溢科技股份有限公司 | 基于深度学习的车辆逆向停车判断方法、服务器及系统 |
CN108154127A (zh) * | 2017-12-27 | 2018-06-12 | 天津智芯视界科技有限公司 | 一种基于视频和雷达的车辆识别方法 |
CN109344890A (zh) * | 2018-09-20 | 2019-02-15 | 浪潮软件股份有限公司 | 一种基于深度学习的烟柜卷烟识别方法 |
CN110503062A (zh) * | 2019-08-28 | 2019-11-26 | 深圳市摩马汽车服务有限公司 | 车辆在位识别系统和方法 |
CN110503062B (zh) * | 2019-08-28 | 2022-03-25 | 深圳市智车云科技有限公司 | 车辆在位识别系统和方法 |
CN111553368A (zh) * | 2020-05-12 | 2020-08-18 | 上海眼控科技股份有限公司 | 伪造车牌的识别方法、训练方法、装置、设备及存储介质 |
CN115761659A (zh) * | 2023-01-09 | 2023-03-07 | 南京隼眼电子科技有限公司 | 识别模型构建方法、车型识别方法、电子设备及存储介质 |
CN115761659B (zh) * | 2023-01-09 | 2023-04-11 | 南京隼眼电子科技有限公司 | 识别模型构建方法、车型识别方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105574543B (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574543A (zh) | 一种基于深度学习的车辆品牌型号识别方法和系统 | |
CN110148196B (zh) | 一种图像处理方法、装置以及相关设备 | |
KR101589711B1 (ko) | 비디오 데이터의 처리 방법 및 시스템 | |
CN108364466B (zh) | 一种基于无人机交通视频的车流量统计方法 | |
CN102902955B (zh) | 一种车辆行为的智能分析方法及系统 | |
CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
CN103093201B (zh) | 车标定位识别方法及系统 | |
CN105303153A (zh) | 一种车辆车牌识别方法及装置 | |
CN112016605B (zh) | 一种基于边界框角点对齐和边界匹配的目标检测方法 | |
CN104134222A (zh) | 基于多特征融合的车流监控图像检测和跟踪系统及方法 | |
EP2813973B1 (en) | Method and system for processing video image | |
CN105321350A (zh) | 套牌车检测方法及装置 | |
CN104239867A (zh) | 车牌定位方法及系统 | |
CN105320923A (zh) | 车型识别方法及装置 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN110163109B (zh) | 一种车道线标注方法及装置 | |
CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN107590486B (zh) | 运动目标识别方法和系统、自行车流量统计方法和设备 | |
CN103679186A (zh) | 检测和跟踪目标的方法和装置 | |
Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
CN111091023A (zh) | 一种车辆检测方法、装置及电子设备 | |
CN112784724A (zh) | 一种车辆变道检测方法、装置、设备及存储介质 | |
CN113255444A (zh) | 图像识别模型的训练方法、图像识别方法和装置 | |
CN110443142B (zh) | 一种基于路面提取与分割的深度学习车辆计数方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |