CN106056102A - 基于视频图像分析的道路车型分类方法 - Google Patents
基于视频图像分析的道路车型分类方法 Download PDFInfo
- Publication number
- CN106056102A CN106056102A CN201610511830.XA CN201610511830A CN106056102A CN 106056102 A CN106056102 A CN 106056102A CN 201610511830 A CN201610511830 A CN 201610511830A CN 106056102 A CN106056102 A CN 106056102A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- layer
- inputted
- length
- vehicle type
- 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
- G06F18/24—Classification techniques
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明公开了一种基于视频图像分析的道路车型分类方法,其特征在于,包括:获取视频图像中的每一帧;将视频图像中的每一帧输入至高斯混合模型中,得到前景车辆中心点;将视频图像中的每相邻两帧以及前景车辆中心点输入至卡尔曼滤波器中,得到最优帧;将最优帧输入至卷积神经网络中,得到高维特征向量;将高维特征向量输入车型分类模型中,得到车型分析结果。本发明对于光照变化、车辆形变的不利因素有很好的抑制作用,通过双线程使得车型检测和车型分类同时进行,明显地提高了分类的速度,并且通过使用中值流算法克服了车辆重合引起的识别准确度低的问题。
Description
技术领域
本发明涉及一种车型分类方法,更具体地,涉及一种基于视频图像分析的道路车型分类方法。
背景技术
目标识别是计算机视觉一个重要的研究领域,由此延伸出的车辆型号识别具有重要的实际应用价值,特别是在当今交通状况复杂的大城市,智能交通系统成为发展趋势,这离不开对车辆型号进行识别和分类的工作。针对车辆型号识别的主要步骤有:车辆检测,用于识别的区域选择和定位,趋于的特征提取以及分类器的分类。车辆型号分类效果很大程度上取决于两个方面,一个是能够提取描述车辆型号的特征,这些特征需要很强的鲁棒性能来应对一定角度偏移,一定范围内光照的变化以及图像尺寸大小的变化;另一方便就是针对特征进行分类器的选择。多数研究都是集中在特征提取上面,因此分类器的好坏很大程度上取决于所选择的特征好坏。
现有技术中通过尺寸信息以及特征识别进行分类,前者从二值图像中提取高度和宽度信息,判别车辆是否为轿车,精确度达到60%。后者从图片中提取一种11维的特征对街道上的车辆进行识别,这些特征包括高度,宽度,轮廓面积和轮廓形状以及各种形状矩。正确率能够达到80%,但是鲁棒性能不强,变化了的光照强度会使得分类准确率下降很多。
发明内容
本发明的一个目的是解决现有技术中分类准确率低,对于光照变化、车辆形变等因素抑制性差的问题。
本发明提供了一种基于视频图像分析的道路车型分类方法,其特征在于,包括:
步骤一:获取视频图像中的每一帧;
步骤二:将所述视频图像中的每一帧输入至高斯混合模型中,得到前景车辆中心点;
步骤三:将所述视频图像中的每相邻两帧以及所述前景车辆中心点输入至卡尔曼滤波器中,得到最优帧;
步骤四:将所述最优帧输入至基于深度学习的卷积神经网络中,得到高维特征向量;
步骤五:将所述高维特征向量输入车型分类模型中,得到车型分析结果。
优选地,步骤四中由卡尔曼滤波器得到最优帧的过程中,还包括中值流算法。
优选地,车型分类模型通过车型样本图片进行训练过程得到,其中:所述车型样本图片通过高速公路行驶环境中的摄像头拍摄获得;所述车型样本图片包括车型正面照以及车型背面照,所述车型正面照以及所述车型背面照在数量上各占50%;所述车型正面照以及所述车型背面照分别还包括早晨、中午、黄昏以及夜晚的车型样本图片。
优选地,车型样本图片经过高斯白噪声预处理获得。
优选地,基于深度学习的卷积神经网络包括八层神经网络,其中第一层为卷积层,卷积核矩阵大小为5×5,步长为1,填充边缘为2;第二层为最大值的池化层,步长为2,卷积核矩阵大小为3×3,选择sigmoid激活函数;第三层为卷积层,卷积核矩阵大小为5×5,步长为1,填充边缘为2;第四层为平均池化层,步长为2,卷积核矩阵大小为3×3,选择sigmoid激活函数,第五层为卷积层,卷积核矩阵大小为5×5,步长为1,填充边缘为2;第六层为平均池化层步长为2,卷积核矩阵大小为3×3;第七层和第八层为全连接层。
优选地,步骤一至步骤四为第一线程,步骤五和步骤六为第二线程,第一线程与第二线程同时进行。
优选地,基于深度学习的卷积神经网络的训练过程使用随机梯度下降迭代逼近损失函数全局最优解的最优化方法,其中,mini-batch值为256,固定步长为0.00001。
本发明的第一个技术效果是,通过使用基于深度学习的神经网络,以及按照早晨、中午、黄昏、夜晚分类的样本图片,使得训练出的神经网络模型对于光照变化、车辆形变的不利因素有很好的抑制作用。
本发明的第二个技术效果是,通过使用中值流算法克服了多个车辆重合的问题。
本发明的第三个技术效果是,通过双线程使得车型检测和车型分类同时进行,明显地提高了分类的速度。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是本发明的基于视频图像分析的道路车型分类方法的流程图。
图2是本发明实施例中的训练样本的典型车型图像实例图。
图3是本发明实施例的部分检测结果实例图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
具体实施方式一:下面结合图1来说明本实施方式。
图1是本发明的基于视频图像分析的道路车型分类方法的流程图。
在步骤一中,获取视频图像中的每一帧。
在步骤二中,将视频图像中的每一帧输入至高斯混合模型中,得到前景车辆中心点;
在步骤三中,将视频图像中的每相邻两帧以及所述前景车辆中心点输入至卡尔曼滤波器中,得到最优帧;
在步骤四中,将最优帧输入至卷积神经网络中,得到高维特征向量;
在步骤五中,将高维特征向量输入车型分类模型中,得到车型分析结果。
具体而言,本发明针对记录有车辆信息的视频进行分析,此处所指的视频可以是通过高速公路行驶环境中的摄像头拍摄获得。
先将视频分解为每一帧,然后将每一帧的图像通过高斯混合模型的处理得到前景车辆的中心点。这里高斯混合模型用于区分前景和背景,即从视频中将移动的目标识别为车辆,将不动的部分视为背景。
再通过卡尔曼滤波器的跟踪车辆的运动过程,从中选取出车辆所占面积最大的一帧,认为这一帧获得的图像是最清晰、最易识别的。在此过程中,可能会出现所跟踪的目标车辆被其他车辆覆盖的情况,因此还要借助于中值流跟踪算法,最终得到最清晰的最优帧。其中图像可以为400×400大小,24位深的彩色图像。
然后将最优帧通过卷积神经网络中,得到高维的特征向量。此处的卷积神经网络的建立使用了深度学习技术,使用随机梯度下降迭代逼近损失函数全局最优解的优化方法,采用mini-batch的方法合理选择迭代补偿,明显地降低了训练所用的时间。其中,所选的mini-batch值可以为256,固定步长可以为0.00001。
最后将高维特征向量输入至车型分类模型中,得到车型分类结果。
具体实施方式二:本实施方式与具体实施方式一的不同点在于,车型分类模型通过车型样本图片进行训练过程得到。其中车型样本图片通过高速公路行驶环境中的摄像头拍摄获得;车型样本图片包括车型正面照以及车型背面照,车型正面照以及车型背面照在数量上各占50%;车型正面照以及车型背面照分别还包括早晨、中午、黄昏以及夜晚的车型样本图片。
这样设置的好处是,可以克服现有技术中对于光照因素难以抑制的缺陷,本实施方式将样本图片分为早晨、中午、黄昏以及夜晚,也就增加了车型分类模型对于不同光照条件、不同天气下的识别精度。
本实施方式中的其他步骤与具体实施方式一中相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是,车型样本图片经过高斯白噪声预处理获得,这样做的好处是,可以使得训练出的模型具有良好的鲁棒性。
本实施方式中的其他步骤与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三种任一方式不同的是,卷积神经网络包括八层神经网络,其中第一层为卷积层,卷积核矩阵大小为5×5,步长为1,填充边缘为2;第二层为最大值的池化层,步长为2,卷积核矩阵大小为3×3,选择sigmoid激活函数;第三层为卷积层,卷积核矩阵大小为5×5,步长为1,填充边缘为2;第四层为平均池化层,步长为2,卷积核矩阵大小为3×3,选择sigmoid激活函数,第五层为卷积层,卷积核矩阵大小为5×5,步长为1,填充边缘为2;第六层为平均池化层步长为2,卷积核矩阵大小为3×3;第七层和第八层为全连接层。
本算法的核心部分为卷积神经网络的构建,包括神经网络参数的选取,以及训练模型采取的最优化策略。卷积神经网络包括1个输入层,3个卷积层,3个池化层,2个全连接层和1个输出层,其中:输入层为将经过预处理、用于训练模型的图像输入至所述卷积神经网络;卷积层为提取图像特征所用,3层卷积层采用5×5的卷积模板;池化层为,将所述图像特征的数据维度降低,并且防止过拟合的出现采用均值池话的方式使得深度学习神经网络对特征的提取具平移旋转不变性;全连接层为当层神经元与上层神经元的连接;输出层为分类结果。网络层数选取:当网络层数过少时,无法很好提取特征且速度较慢,层数过多时所得有效信息反而减少,故通过分类识别效果来确定层数。
卷积层设计:卷积层用以提取图像特征。假设给定了r×c的大尺寸图像首先通过从大尺寸图像中抽取的a×b的小尺寸图像样本x训练稀疏自编码,计算σ=f(W(1)x+b(1))得到了k个特征,其中W(1)和b(1)是可视层单元和隐含单元之间的权重和偏差值。对于每一个小图像x,计算出对应的值σ=f(W(1)x+b(1)),其中f(·)为sigmoid函数,作为非线性激活函数对这些σ值做卷积,就可以得到卷积核个数个卷积后k×(r-a+1)×(c-b+1)的特征的矩阵。
前向传播得到图像特征其中,l代表神经网络第l层,在第l层中,N代表该层神经元个数,Wi,j代表该层第i个输入第j个输出的卷积权重,bj代表该层第j个输出的偏置。卷积核矩阵的大小为5×5。
卷积层大小与数目:每层滤波器较少时,提取特征图相应减少,特征可能提取不全面;每层滤波器较多时,训练速度下降。故要兼顾二者,通过测试选取合适大小与数目的卷积层。
池化层为使数据降维,同时一定程度上防止过拟合,抽取9个像素的均值作为该区域特征提取出来,将数据维度降为原来的1/9分之一。
通过分类函数softmax构建分类器计算结果
其中,k代表输出层的类别数,即k=5;U为输出层前全连接层神经元数,L代表卷积神经网络总层数,g(*)为softmax函数
用批量梯度下降法来求解神经网络,梯度下降法中每一次迭代都对参数W和b进行更新,利用反向传播算法求代价函数偏导数从而计算代价函数最小情况下的参数权重W及偏置b
代价函数J(W,b;x,y)为
残差为
偏置b为
权重W为
当代价函数足够小时,训练结束,得到参数,最终完成对卷积神经网络的训练。期间利用归一化和正则化处理数据以防止过拟合。
训练好模型后运用测试图像进行检测,通过多次实验,对所得参数再进行微调,以期达到最佳车型分类效果。
其他步骤与具体实施方式一至三种任一方式相同。
具体实施方式五:本实施方式与一至四种任一方式不同之处在于,步骤一至步骤四为第一线程,步骤五和步骤六为第二线程,第一线程与第二线程同时进行。即通过步骤一至步骤四得到最优帧时,一方面可以执行步骤五和步骤六的分类识别步骤,另一方面也同时进行步骤一至步骤四,开始下一轮的最优帧获取。这样设置可以大大加快处理的效率,加快分类的速度。在一个实施例中,最多可以达到每秒30帧的处理速度,可以实现实时监测和后台分类的功能。
其他步骤与具体实施方式一至四中任一方式相同。
本发明可以应用于智能交通领域,可以通过自动检测车型,来广泛地引用雨不同车型的限速、限行管制的监督执法之中。例如,可以实时监控是否有轿车非法占用公交车专用路线;或者实时监控是否有客车以轿车的时速违章行驶等。
图2和图3分别示出了本发明实施例中的训练样本的典型车型图像实例图以及本发明实施例的部分检测结果实例图。
从图3中可以看出,本发明的分类方法可以准确地检测出车型,平均识别率达到99%以上。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (7)
1.一种基于视频图像分析的道路车型分类方法,其特征在于,包括:
步骤一:获取视频图像中的每一帧;
步骤二:将所述视频图像中的每一帧输入至高斯混合模型中,得到前景车辆中心点;
步骤三:将所述视频图像中的每相邻两帧以及所述前景车辆中心点输入至卡尔曼滤波器中,得到最优帧;
步骤四:将所述最优帧输入至基于深度学习的卷积神经网络中,得到高维特征向量;
步骤五:将所述高维特征向量输入车型分类模型中,得到车型分析结果。
2.根据权利要求1所述的方法,其特征在于,所述步骤四中由卡尔曼滤波器得到最优帧的过程中,还包括中值流算法。
3.根据权利要求1所述的方法,其特征在于,所述车型分类模型通过车型样本图片进行训练过程得到,其中:
所述车型样本图片通过高速公路行驶环境中的摄像头拍摄获得;
所述车型样本图片包括车型正面照以及车型背面照,所述车型正面照以及所述车型背面照在数量上各占50%;
所述车型正面照以及所述车型背面照分别还包括早晨、中午、黄昏以及夜晚的车型样本图片。
4.根据权利要求3所述的方法,其特征在于,所述车型样本图片经过高斯白噪声预处理获得。
5.根据权利要求1所述的方法,其特征在于,所述基于深度学习的卷积神经网络包括八层神经网络,其中第一层为卷积层,卷积核矩阵大小为5×5,步长为1,填充边缘为2;第二层为最大 值的池化层,步长为2,卷积核矩阵大小为3×3,选择sigmoid激活函数;第三层为卷积层,卷积核矩阵大小为5×5,步长为1,填充边缘为2;第四层为平均池化层,步长为2,卷积核矩阵大小为3×3,选择sigmoid激活函数,第五层为卷积层,卷积核矩阵大小为5×5,步长为1,填充边缘为2;第六层为平均池化层步长为2,卷积核矩阵大小为3×3;第七层和第八层为全连接层。
6.根据权利要求1所述的方法,其特征在于,所述步骤一至步骤四为第一线程,所述步骤五和步骤六为第二线程,所述第一线程与所述第二线程同时进行。
7.根据权利要求1所述的方法,其特征在于,所述基于深度学习的卷积神经网络的训练过程使用随机梯度下降迭代逼近损失函数全局最优解的最优化方法,其中,mini-batch值为256,固定步长为0.00001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610511830.XA CN106056102A (zh) | 2016-07-01 | 2016-07-01 | 基于视频图像分析的道路车型分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610511830.XA CN106056102A (zh) | 2016-07-01 | 2016-07-01 | 基于视频图像分析的道路车型分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106056102A true CN106056102A (zh) | 2016-10-26 |
Family
ID=57201507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610511830.XA Pending CN106056102A (zh) | 2016-07-01 | 2016-07-01 | 基于视频图像分析的道路车型分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106056102A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776943A (zh) * | 2016-12-01 | 2017-05-31 | 中科唯实科技(北京)有限公司 | 一种基于AutoEncoder和属性标签的车辆检索方法 |
CN108182428A (zh) * | 2018-01-31 | 2018-06-19 | 福州大学 | 前车状态识别和车辆跟随的方法 |
CN108909611A (zh) * | 2018-06-21 | 2018-11-30 | 上汽通用汽车有限公司 | 近距离情况下车辆提示方法、模块和系统 |
CZ307563B6 (cs) * | 2017-08-25 | 2018-12-05 | Certicon A.S. | Způsob dynamického rozdělování výpočetních procesů jednomu či více grafickým procesorům |
CN109465676A (zh) * | 2018-09-13 | 2019-03-15 | 成都数之联科技有限公司 | 一种刀具寿命预测方法 |
CN110100774A (zh) * | 2019-05-08 | 2019-08-09 | 安徽大学 | 基于卷积神经网络的河蟹雌雄识别方法 |
CN111291812A (zh) * | 2020-02-11 | 2020-06-16 | 浙江大华技术股份有限公司 | 属性类别的获取方法及装置、存储介质、电子装置 |
CN112634219A (zh) * | 2020-12-17 | 2021-04-09 | 五邑大学 | 一种金属表面缺陷检测方法、系统、装置和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102646199A (zh) * | 2012-02-29 | 2012-08-22 | 湖北莲花山计算机视觉和信息科学研究院 | 复杂场景中的车型识别方法 |
US20140205141A1 (en) * | 2013-01-22 | 2014-07-24 | Qualcomm Incorporated | Systems and methods for tracking and detecting a target object |
CN104657748A (zh) * | 2015-02-06 | 2015-05-27 | 中国石油大学(华东) | 一种基于卷积神经网络的车型识别方法 |
CN104660994A (zh) * | 2015-02-09 | 2015-05-27 | 武汉理工大学 | 海事专用摄像机及海事智能监控方法 |
CN105160324A (zh) * | 2015-09-08 | 2015-12-16 | 长安大学 | 一种基于部件空间关系的车辆检测方法 |
US20160140424A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Object-centric Fine-grained Image Classification |
-
2016
- 2016-07-01 CN CN201610511830.XA patent/CN106056102A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102646199A (zh) * | 2012-02-29 | 2012-08-22 | 湖北莲花山计算机视觉和信息科学研究院 | 复杂场景中的车型识别方法 |
US20140205141A1 (en) * | 2013-01-22 | 2014-07-24 | Qualcomm Incorporated | Systems and methods for tracking and detecting a target object |
US20160140424A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Object-centric Fine-grained Image Classification |
CN104657748A (zh) * | 2015-02-06 | 2015-05-27 | 中国石油大学(华东) | 一种基于卷积神经网络的车型识别方法 |
CN104660994A (zh) * | 2015-02-09 | 2015-05-27 | 武汉理工大学 | 海事专用摄像机及海事智能监控方法 |
CN105160324A (zh) * | 2015-09-08 | 2015-12-16 | 长安大学 | 一种基于部件空间关系的车辆检测方法 |
Non-Patent Citations (2)
Title |
---|
林立原 陈林: "基于高斯混合模型和卡尔曼滤波的车辆检测与跟踪方法", 《武汉科技大学学报》 * |
袁爱龙: "基于视频的汽车车型识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776943A (zh) * | 2016-12-01 | 2017-05-31 | 中科唯实科技(北京)有限公司 | 一种基于AutoEncoder和属性标签的车辆检索方法 |
CZ307563B6 (cs) * | 2017-08-25 | 2018-12-05 | Certicon A.S. | Způsob dynamického rozdělování výpočetních procesů jednomu či více grafickým procesorům |
CN108182428A (zh) * | 2018-01-31 | 2018-06-19 | 福州大学 | 前车状态识别和车辆跟随的方法 |
CN108909611A (zh) * | 2018-06-21 | 2018-11-30 | 上汽通用汽车有限公司 | 近距离情况下车辆提示方法、模块和系统 |
CN109465676A (zh) * | 2018-09-13 | 2019-03-15 | 成都数之联科技有限公司 | 一种刀具寿命预测方法 |
CN109465676B (zh) * | 2018-09-13 | 2020-10-16 | 成都数之联科技有限公司 | 一种刀具寿命预测方法 |
CN110100774A (zh) * | 2019-05-08 | 2019-08-09 | 安徽大学 | 基于卷积神经网络的河蟹雌雄识别方法 |
CN111291812A (zh) * | 2020-02-11 | 2020-06-16 | 浙江大华技术股份有限公司 | 属性类别的获取方法及装置、存储介质、电子装置 |
CN111291812B (zh) * | 2020-02-11 | 2023-10-17 | 浙江大华技术股份有限公司 | 属性类别的获取方法及装置、存储介质、电子装置 |
CN112634219A (zh) * | 2020-12-17 | 2021-04-09 | 五邑大学 | 一种金属表面缺陷检测方法、系统、装置和存储介质 |
CN112634219B (zh) * | 2020-12-17 | 2024-02-20 | 五邑大学 | 一种金属表面缺陷检测方法、系统、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056102A (zh) | 基于视频图像分析的道路车型分类方法 | |
CN109977793B (zh) | 基于变尺度多特征融合卷积网络的路侧图像行人分割方法 | |
CN108985194B (zh) | 一种基于图像语义分割的智能车辆可行驶区域的识别方法 | |
CN107133974B (zh) | 高斯背景建模与循环神经网络相结合的车型分类方法 | |
CN105938560B (zh) | 一种基于卷积神经网络的车型精细分类系统 | |
CN107633220A (zh) | 一种基于卷积神经网络的车辆前方目标识别方法 | |
CN103578119B (zh) | 基于超像素的Codebook动态场景中目标检测方法 | |
CN103258213B (zh) | 一种用于智能交通系统中的动态车辆车型识别方法 | |
CN108549926A (zh) | 一种用于精细化识别车辆属性的深度神经网络及训练方法 | |
CN108921875A (zh) | 一种基于航拍数据的实时车流检测与追踪方法 | |
CN110929578A (zh) | 一种基于注意力机制的抗遮挡行人检测方法 | |
CN108491797A (zh) | 一种基于大数据的车辆图像精确检索方法 | |
CN106096602A (zh) | 一种基于卷积神经网络的中文车牌识别方法 | |
CN105184271A (zh) | 一种基于深度学习的车辆自动检测方法 | |
CN110097145A (zh) | 一种基于cnn和特征金字塔的交通违禁品识别方法 | |
CN104463241A (zh) | 一种智能交通监控系统中的车辆类型识别方法 | |
CN107122777A (zh) | 一种基于视频文件的车辆分析系统及分析方法 | |
CN104537387A (zh) | 利用神经网络实现车型分类的方法和系统 | |
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 | |
CN109034024B (zh) | 基于图像目标检测的物流车辆车型分类识别方法 | |
Yin et al. | Research on highway vehicle detection based on faster R-CNN and domain adaptation | |
CN107985189A (zh) | 面向高速驾驶环境下的驾驶员变道深度预警方法 | |
CN109886147A (zh) | 一种基于单网络多任务学习的车辆多属性检测方法 | |
CN110991257B (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
CN105893971A (zh) | 一种基于Gabor和稀疏表示的交通信号灯识别方法 |
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: 20161026 |