CN106647758A - 一种目标物体检测方法、装置及自动引导车的跟随方法 - Google Patents
一种目标物体检测方法、装置及自动引导车的跟随方法 Download PDFInfo
- Publication number
- CN106647758A CN106647758A CN201611225765.0A CN201611225765A CN106647758A CN 106647758 A CN106647758 A CN 106647758A CN 201611225765 A CN201611225765 A CN 201611225765A CN 106647758 A CN106647758 A CN 106647758A
- Authority
- CN
- China
- Prior art keywords
- sample image
- target object
- image
- convolutional neural
- neural networks
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 claims description 39
- 230000001537 neural effect Effects 0.000 claims description 21
- 239000000284 extract Substances 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000007935 neutral effect Effects 0.000 abstract description 5
- 230000001360 synchronised effect Effects 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 2
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种目标物体检测方法，包括以下步骤：获取含有六通道信息正样品图像和负样品图像；对正样品图像和负样品图像进行预处理；对预处理之后的正样品图像和负样品图像提取RGB三通道信息以及HHA三通道信息，形成训练集；将所述训练集输入到卷积神经网络，进行训练，得到适用于目标物体检测的卷积神经网络模型；利用所述卷积神经网络模型对待检测目标物体进行检测。本发明提供的目标物体检测及跟随方法，由于通过六通道信息进行训练以及得到相应的模型，其能解决目前RGB图像检测精度不够以及精确计算前车运动方式以控制后车同步跟随的问题。
Description
技术领域
本发明涉及视觉图像检测以及运动控制领域，尤其涉及一种目标物体检测方法、装置及自动引导车的跟随方法
背景技术
现有市场上的自动引导车(AGV)的一般驱动方式主要分为有轨导航与无轨导航。采用有轨导航方式的自动引导车(AGV)主要依靠拖拽，牵引，以及依靠轨道的跟随方式，对场地要求比较高。相对有轨方式，无轨扩大了适用范围，减少了场地面积，带来更大的便利性。
在现有自动导引车(AGV)在无轨导航跟随运动中，图像处理方面的检测或识别技术所采用的原始数据基本都是RGB三通道图像，提取特征带入各种模型进行学习。这就对原始RGB图像的质量提出了一定的要求:清晰度，明暗，饱和度等，还需要做一定的前处理。单纯的利用卷积神经网络学习RGB图像，检测识别还不够精确。并且不能很好精确计算出前车的运动方式，以控制后车同步跟随。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种目标物体检测跟随方法及装置，其能解决目前RGB图像检测精度不够以及精确计算前车运动方式以控制后车同步跟随的问题。
本发明的目的采用以下技术方案实现：
一种目标物体检测方法，包括以下步骤：
获取含有六通道信息正样品图像和负样品图像；
对正样品图像和负样品图像进行预处理；
对预处理之后的正样品图像和负样品图像提取RGB三通道信息以及HHA三通道信息，形成训练集；
将所述训练集输入到卷积神经网络，进行训练，得到适用于目标物体检测的各个参数；
利用所述卷积神经网络模型对待检测目标物体进行检测。
优选的，所述正样品包括不同角度的完整车尾图像以及与其一一对应的深度信息；所述负样品包括不完整的车尾图像和不含车尾的图像。
优选的，所述负样品还可以包括完整车尾图像以及与其不对应的深度信息。
优选的，所述卷积神经网络为两个ZF-net并列架构，所述并列的两个ZF-net的第5池化层拼接一起与全连接层FC6连接，全连接层FC6后面再接神经元层FC7，神经元层FC7再接神经元层FC8；神经元层FC7的神经元数量与全连接层FC6相等，神经元层FC8中的神经元数量为2个。
优选的，所述全连接层FC6中的每个神经元权重参数数量为1个ZF-net权重参数数量的两倍；所述权重参数在卷积神经网络中同时被训练。
优选的，将所述训练集输入到卷积神经网络，具体地，为将RGB三通道信息输入第一个ZF-net结构，将HHA三通道信息输入第二个ZF-net结构。
本发明还提供了一种目标物体检测装置，包括：
获取模块，用于获取含有六通道信息正样品图像和负样品图像；
预处理模块，用于对正样品图像和负样品图像进行预处理；
提取模块，用于对预处理之后的正样品图像和附样品图像提取RGB信息以及HHA三通道信息，形成训练集；
训练模块，用于将所述训练集输入到卷积神经网络，进行训练，得到适用于目标物体检测的各个参数；
检测模块，用于利用所述卷积神经网络模型对待检测目标物体进行检测。
进一步的，本发明还提供又一种目标物体检测装置，包括：处理器和用于存储处理器可执行指令的存储器；
所述处理器被配置为：
获取含有六通道信息正样品图像和负样品图像；
对正样品图像和负样品图像进行预处理；
对预处理之后的正样品图像和附样品图像提取RGB信息以及HHA三通道信息，形成训练集；
将所述训练集输入到卷积神经网络，进行训练，得到适用于目标物体检测的各个参数；
利用所述卷积神经网络模型对待检测目标物体进行检测。
进一步的，本发明还提供了一种使用上述目标物体检测方法的自动引导车的跟随方法，包括以下步骤：
利用上述目标物体检测方法检测目标物体；
如检测到自动引导车车尾，则定位自动引导车车尾图像坐标；
计算自动引导车车尾预设距离的实际坐标；
将所述实际坐标设为跟随目标坐标。
优选的，所述自动引导车车尾图像坐标的坐标原点为车尾图像左上边缘点，横向为X轴，纵向为Y轴。
相比现有技术，本发明的有益效果在于：通过获取六通道信息图像进行处理后形成训练集，通过采取两个并列的ZF-net结构形成卷积神经网络，并将训练集输入到该卷积神经网络进行训练，训练集除RGB信息，还含有HHA信息，使得检测准确率明显高于单纯的RGB信息的训练集，同时又因为设置了两个并列的ZF-net结构形成卷积神经网络，使得六通道信息能更有效果的被训练。
附图说明
图1为本发明实施例中的目标物体检测方法的流程示意图；
图2为本发明实施例中的目标物体跟随方法的流程示意图；
图3为本发明实施例中的一目标物体检测装置的结构示意图；
图4为本发明实施例中的另一目标物体检测装置的结构示意图；
图5为本发明实施例中的卷积神经网络架构的结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述：
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。
实施例一：
如图1，一种目标物体检测方法，包括以下步骤：
001步骤：获取含有六通道信息正样品图像和负样品图像；
六通道信息包括RGB三通道信息以及HHA三通道信息，其中RGB为目前现有红绿蓝三色通道，HHA三通道信息为水平视差horizon disparity、水平高度horizon high、相对图像中心的水平角度angular angle三通道信息，HHA为该三通道信息的英文第一个字母组合。
通常，RGB图像可以由RGB摄像头拍摄获得，六通道信息图像在RGB图像基础上，可以使用结合激光雷达与RGB图像摄像头拍摄获得。
获得图像的样品分为正样本与负样本。优选的，正样品图像获取方式为通过对目标物体从多个不同角度进行拍摄，拍摄的图像需为完整的目标物体图像，拍摄的同时，经激光雷达也获取了与图像一一对应的深度信息。优选的，负样品图像获取方式为通过对目标物体从多个不同角度进行拍摄，拍摄的图像中仅包含目标物体的一部分或者不包含目标物体。还可以通过拍摄完整的目标物体图像，但不对应相应的深度信息，对其进行一定的扰乱，增加负样本的干扰性，干扰性越大对后面的训练效果越好。
002步骤：对正样品图像和负样品图像进行预处理；
基于上步骤采取的激光雷达与RGB图像摄像头结合获取的正负样品图像，其带有稀疏噪声的点云数据，需对正负样品图像进行预处理，优选的，可以采取联合双边滤波上采样方式对正负样品图像进行滤波采用处理，之后可进行降噪等处理。此方式为现有图像经常采用的技术方式，在此不做重点说明。
003步骤：对预处理之后的正样品图像和负样品图像提取RGB三通道信息以及HHA三通道信息，形成训练集；
通过雷达激光获取的深度信息以及图像坐标解析出HHA三通道信息，与RGB三通道信息共形成训练集。
004步骤：将所述训练集输入到卷积神经网络，进行训练，得到适用于目标物体检测的各个参数；
通常，对RGB三通道信息学习，大多采取典型的ZF-net型卷积神经网络，将RGB三通道信息输入到一个ZF-net结构卷积神经网络进行训练即可。
而在此发明中，训练集含有六通道信息，即RGB三通道信息和HHA三通道信息，优选的，参照图5，采取由两个ZF-net结构并列组成的卷积神经网络架构，其中两个ZF-net结构中的第五池化层pool5拼接一起与全连接层FC6连接一起，全连接层FC6后面再接神经元层FC7，神经元层FC7再接神经元层FC8；神经元层FC7的神经元数量与全连接层FC6相等，神经元层FC8中的神经元数量为2个。
RGB三通道信息输入到第一个ZF-net结构800中，RGB三通道信息输入到第二个ZF-net结构900中。因全连接层FC6连接了两个ZF-net结构中的第五池化层，所以全连接层FC6中的每个神经元的权重参数数量为1个ZF-net卷积神经架构中的神经元的权重参数数量的两倍，这些权重参数在卷积神经网络中同时被训练。卷积神经网络权重参数初始化采取高斯初始化方式。通过训练集的输入，不断地调节权重参数，直到得到精确的权重参数，形成适合目标物体的卷积神经网络模型。
005步骤：利用所述卷积神经网络模型对待检测目标物体进行检测。
利用004步骤中训练合适的卷积神经网络模型，将待检测目标物体的图像输入到卷积神经网络模型，在FC8层中2个神经元得到检测结果，2个神经元分别表示处理结果是车尾图像和不是车尾图像。
实施例二：
本发明实施例还提供了一种目标物体检测装置，参照图3，该目标检测装置包括：
获取模块100，用于获取含有六通道信息正样品图像和负样品图像；优选的，可以采用激光雷达和结合RGB的摄像头。
六通道信息正样品图像可以是深度信息与RGB信息一一对应的完整目标物体图像；六通道信息正样品图像可以是深度信息与RGB信息不向对应的完整目标物体图像，也可以是深度信息与RGB信息对应的不完整目标物体图像，其中不完整目标物体图像指目标物体的某部分图像或不含目标物体的图像。
预处理模块200，用于对正样品图像和负样品图像进行预处理。
提取模块300，用于对预处理之后的正样品图像和附样品图像提取RGB信息以及HHA三通道信息，形成训练集；
训练模块400，用于将所述训练集输入到卷积神经网络，进行训练，得到适用于目标物体检测的各个参数；
检测模块500，用于利用所述卷积神经网络模型对待检测目标物体进行检测。
本实施例中的系统与前述实施例一中的方法是基于同一发明构思下的两个方面，在前面已经对方法流程作了详细的描述，所以本领域技术人员可根据前述描述清楚地了解本实施中的系统，为了说明书的简洁，在此就不再赘述。
实施例三：
参照图4，图4是本发明实施例提供了又一种目标物体检测装置的结构框图，该目标物体检测装置包括：处理器600和用于存储处理器可执行指令的存储器700；
所述处理器600被配置为：
获取含有六通道信息正样品图像和负样品图像；
对正样品图像和负样品图像进行预处理；
对预处理之后的正样品图像和附样品图像提取RGB信息以及HHA三通道信息，形成训练集；
将所述训练集输入到卷积神经网络，进行训练，得到适用于目标物体检测的各个参数；
利用所述卷积神经网络模型对待检测目标物体进行检测。
本实施例中的系统与前述实施例一中的方法是基于同一发明构思下的两个方面，在前面已经对方法流程作了详细的描述，所以本领域技术人员可根据前述描述清楚地了解本实施中的系统，为了说明书的简洁，在此就不再赘述。
实施例四：
如图2，本发明实施例还提供了一种使用实施例1中目标物体检测方法的自动引导车的跟随方法，包括以下步骤：
010步骤：对前方物体进行检测，如检测的结果是自动引导车车尾图像，则进入011步骤；如检测的结果不是自动引导车车尾图像，则进入012步骤。
011步骤：检测到自动引导车车尾，定位自动引导车车尾图像坐标，优选的，还可以通过激光雷达的深度信息计算出前车尾面相对于当前AGV的位姿；自动引导车车尾图像坐标的坐标原点为车尾图像左上边缘点，横向为X轴，纵向为Y轴。
012步骤：输出检测结果，指示出不是自动引导车或引导车丢失的信息，优选的，进行警报报警方式示出。
020步骤：011步骤定位坐标后，计算出自动引导车车尾预设距离的实际坐标，根据实际需求设置，比如可以是0.5m等。
030步骤：将所述计算出的实际坐标设为跟随目标坐标。
040步骤：发出运动控制命令，驱动前往该目标点位置。
当然该运动方式，可根据实际规划进行设置控制。
相比现有技术，本发明的有益效果在于：通过获取六通道信息图像进行处理后形成训练集，通过采取两个并列的ZF-net结构形成卷积神经网络，并将训练集输入到该卷积神经网络进行训练，训练集除RGB信息，还含有HHA信息，使得检测准确率明显高于单纯的RGB信息的训练集；同时又因为设置了两个并列的ZF-net结构形成卷积神经网络，使得六通道信息能更有效果的被训练；自动引导车利用此检测方法对前方目标物体进行检测，计算出跟随坐标，进行运动控制跟随。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (10)
1.一种目标物体检测方法，其特征在于，包括以下步骤：
获取含有六通道信息正样品图像和负样品图像；
对正样品图像和负样品图像进行预处理；
对预处理之后的正样品图像和负样品图像提取RGB三通道信息以及HHA三通道信息，形成训练集；
将所述训练集输入到卷积神经网络，进行训练，得到适用于目标物体检测的各个参数；
利用所述卷积神经网络模型对待检测目标物体进行检测。
2.根据权利要求1所述的方法，其特征在于，所述正样品包括不同角度的完整车尾图像以及与其一一对应的深度信息；所述负样品包括不完整的车尾图像和不含车尾的图像。
3.根据权利要求2所述的方法，其特征在于，所述负样品还包括完整车尾图像以及与其不对应的深度信息。
4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络包括两个ZF-net并列架构，所述并列的两个ZF-net的第5池化层拼接一起与全连接层FC6连接，全连接层FC6后面再接神经元层FC7，神经元层FC7再接神经元层FC8；神经元层FC7的神经元数量与全连接层FC6相等，神经元层FC8中的神经元数量为2个。
5.根据权利要求4所述的方法，其特征在于，所述全连接层FC6中的每个神经元权重参数数量为1个ZF-net结构中的权重参数数量的两倍；所述权重参数在卷积神经网络中同时被训练。
6.根据权利要求5所述的方法，其特征在于，将所述训练集输入到卷积神经网络，具体包括：将RGB三通道信息输入第一个ZF-net结构，将HHA三通道信息输入第二个ZF-net结构。
7.一种目标物体检测装置，其特征在于，包括：
获取模块，用于获取含有六通道信息正样品图像和负样品图像；
预处理模块，用于对正样品图像和负样品图像进行预处理；
提取模块，用于对预处理之后的正样品图像和附样品图像提取RGB信息以及HHA三通道信息，形成训练集；
训练模块，用于将所述训练集输入到卷积神经网络，进行训练，得到适用于目标物体检测的卷积神经网络模型；
检测模块，用于利用所述卷积神经网络模型对待检测目标物体进行检测。
8.一种目标物体检测装置，其特征在于，包括：处理器和用于存储处理器可执行指令的存储器；
所述处理器被配置为：
获取含有六通道信息正样品图像和负样品图像；
对正样品图像和负样品图像进行预处理；
对预处理之后的正样品图像和附样品图像提取RGB信息以及HHA三通道信息，形成训练集；
将所述训练集输入到卷积神经网络，进行训练，得到适用于目标物体检测的卷积神经网络模型；
利用所述卷积神经网络模型对待检测目标物体进行检测。
9.一种使用权利要求1-6之一所述目标物体检测方法的自动引导车的跟随方法，其特征在于，包括以下步骤：
利用权利要求1-6之一所述的目标物体检测方法检测目标物体；
如检测到自动引导车车尾，则定位自动引导车车尾图像坐标；
计算自动引导车车尾预设距离的实际坐标；
将所述实际坐标设为跟随目标坐标。
10.根据权利要求9所述的方法，其特征在于，所述自动引导车车尾图像坐标的坐标原点为车尾图像左上边缘点，横向为X轴，纵向为Y轴。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611225765.0A CN106647758A (zh) | 2016-12-27 | 2016-12-27 | 一种目标物体检测方法、装置及自动引导车的跟随方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611225765.0A CN106647758A (zh) | 2016-12-27 | 2016-12-27 | 一种目标物体检测方法、装置及自动引导车的跟随方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106647758A true CN106647758A (zh) | 2017-05-10 |
Family
ID=58832589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611225765.0A Pending CN106647758A (zh) | 2016-12-27 | 2016-12-27 | 一种目标物体检测方法、装置及自动引导车的跟随方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106647758A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108121986A (zh) * | 2017-12-29 | 2018-06-05 | 深圳云天励飞技术有限公司 | 目标检测方法及装置、计算机装置和计算机可读存储介质 |
| CN109063586A (zh) * | 2018-07-11 | 2018-12-21 | 东南大学 | 一种基于候选优化的Faster R-CNN驾驶员检测方法 |
| CN109801337A (zh) * | 2019-01-21 | 2019-05-24 | 同济大学 | 一种基于实例分割网络和迭代优化的6d位姿估计方法 |
| CN110378285A (zh) * | 2019-07-18 | 2019-10-25 | 北京小狗智能机器人技术有限公司 | 一种充电座的识别方法、装置、机器人及存储介质 |
| CN110781720A (zh) * | 2019-09-05 | 2020-02-11 | 国网江苏省电力有限公司 | 基于图像处理的多传感器融合的物体识别方法 |
| CN110799030A (zh) * | 2017-05-30 | 2020-02-14 | 沃尔塔机器人有限责任公司 | 基于图像处理控制土壤工作装置的方法及相关系统 |
| CN110945449A (zh) * | 2018-11-15 | 2020-03-31 | 灵动科技（北京）有限公司 | 现场环境的实时监督式机器学习系统与方法 |
| CN112068603A (zh) * | 2020-08-10 | 2020-12-11 | 上海交通大学 | 一种基于事件相机的无人驾驶跟车系统及方法 |
| CN112287772A (zh) * | 2020-10-10 | 2021-01-29 | 深圳市中达瑞和科技有限公司 | 指纹痕迹检测方法、指纹检测装置及计算机可读存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050100208A1 (en) * | 2003-11-10 | 2005-05-12 | University Of Chicago | Image modification and detection using massive training artificial neural networks (MTANN) |
| US20140079297A1 (en) * | 2012-09-17 | 2014-03-20 | Saied Tadayon | Application of Z-Webs and Z-factors to Analytics, Search Engine, Learning, Recognition, Natural Language, and Other Utilities |
| CN104850825A (zh) * | 2015-04-18 | 2015-08-19 | 中国计量学院 | 一种基于卷积神经网络的人脸图像颜值计算方法 |
| CN104992179A (zh) * | 2015-06-23 | 2015-10-21 | 浙江大学 | 一种基于精粒度卷积神经网络的衣物推荐方法 |
| CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
| CN105184271A (zh) * | 2015-09-18 | 2015-12-23 | 苏州派瑞雷尔智能科技有限公司 | 一种基于深度学习的车辆自动检测方法 |
| CN105590102A (zh) * | 2015-12-30 | 2016-05-18 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的前车车脸识别方法 |
| CN105930830A (zh) * | 2016-05-18 | 2016-09-07 | 大连理工大学 | 一种基于卷积神经网络的路面交通标志识别方法 |
| CN106203506A (zh) * | 2016-07-11 | 2016-12-07 | 上海凌科智能科技有限公司 | 一种基于深度学习技术的行人检测方法 |
| CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
-
2016
- 2016-12-27 CN CN201611225765.0A patent/CN106647758A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050100208A1 (en) * | 2003-11-10 | 2005-05-12 | University Of Chicago | Image modification and detection using massive training artificial neural networks (MTANN) |
| US20140079297A1 (en) * | 2012-09-17 | 2014-03-20 | Saied Tadayon | Application of Z-Webs and Z-factors to Analytics, Search Engine, Learning, Recognition, Natural Language, and Other Utilities |
| CN104850825A (zh) * | 2015-04-18 | 2015-08-19 | 中国计量学院 | 一种基于卷积神经网络的人脸图像颜值计算方法 |
| CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
| CN104992179A (zh) * | 2015-06-23 | 2015-10-21 | 浙江大学 | 一种基于精粒度卷积神经网络的衣物推荐方法 |
| CN105184271A (zh) * | 2015-09-18 | 2015-12-23 | 苏州派瑞雷尔智能科技有限公司 | 一种基于深度学习的车辆自动检测方法 |
| CN105590102A (zh) * | 2015-12-30 | 2016-05-18 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的前车车脸识别方法 |
| CN105930830A (zh) * | 2016-05-18 | 2016-09-07 | 大连理工大学 | 一种基于卷积神经网络的路面交通标志识别方法 |
| CN106203506A (zh) * | 2016-07-11 | 2016-12-07 | 上海凌科智能科技有限公司 | 一种基于深度学习技术的行人检测方法 |
| CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 常亮等: "《图像理解中的卷积神经网络》", 《自动化学报》 * |
| 蔡强等: "《基于ANNet网络的RGB-D图像的目标检测》", 《系统仿真学报》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11297755B2 (en) | 2017-05-30 | 2022-04-12 | Volta Robots S.R.L. | Method for controlling a soil working means based on image processing and related system |
| CN110799030A (zh) * | 2017-05-30 | 2020-02-14 | 沃尔塔机器人有限责任公司 | 基于图像处理控制土壤工作装置的方法及相关系统 |
| CN108121986A (zh) * | 2017-12-29 | 2018-06-05 | 深圳云天励飞技术有限公司 | 目标检测方法及装置、计算机装置和计算机可读存储介质 |
| CN108121986B (zh) * | 2017-12-29 | 2019-12-17 | 深圳云天励飞技术有限公司 | 目标检测方法及装置、计算机装置和计算机可读存储介质 |
| CN109063586A (zh) * | 2018-07-11 | 2018-12-21 | 东南大学 | 一种基于候选优化的Faster R-CNN驾驶员检测方法 |
| CN110945449B (zh) * | 2018-11-15 | 2023-10-17 | 灵动科技（北京）有限公司 | 现场环境的实时监督式机器学习系统与方法 |
| US11682193B2 (en) | 2018-11-15 | 2023-06-20 | Lingdong Technology (Beijing) Co. Ltd. | System and method for real-time supervised machine learning in on-site environment |
| CN110945449A (zh) * | 2018-11-15 | 2020-03-31 | 灵动科技（北京）有限公司 | 现场环境的实时监督式机器学习系统与方法 |
| CN109801337B (zh) * | 2019-01-21 | 2020-10-02 | 同济大学 | 一种基于实例分割网络和迭代优化的6d位姿估计方法 |
| CN109801337A (zh) * | 2019-01-21 | 2019-05-24 | 同济大学 | 一种基于实例分割网络和迭代优化的6d位姿估计方法 |
| CN110378285A (zh) * | 2019-07-18 | 2019-10-25 | 北京小狗智能机器人技术有限公司 | 一种充电座的识别方法、装置、机器人及存储介质 |
| CN110781720A (zh) * | 2019-09-05 | 2020-02-11 | 国网江苏省电力有限公司 | 基于图像处理的多传感器融合的物体识别方法 |
| CN110781720B (zh) * | 2019-09-05 | 2022-08-19 | 国网江苏省电力有限公司 | 基于图像处理的多传感器融合的物体识别方法 |
| CN112068603A (zh) * | 2020-08-10 | 2020-12-11 | 上海交通大学 | 一种基于事件相机的无人驾驶跟车系统及方法 |
| CN112287772A (zh) * | 2020-10-10 | 2021-01-29 | 深圳市中达瑞和科技有限公司 | 指纹痕迹检测方法、指纹检测装置及计算机可读存储介质 |
| CN112287772B (zh) * | 2020-10-10 | 2023-02-10 | 深圳市中达瑞和科技有限公司 | 指纹痕迹检测方法、指纹检测装置及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106647758A (zh) | 一种目标物体检测方法、装置及自动引导车的跟随方法 | |
| CN106228110B (zh) | 一种基于车载双目相机的障碍物及可行驶区域检测方法 | |
| WO2020097840A1 (en) | Systems and methods for correcting a high-definition map based on detection of obstructing objects | |
| CN109270534A (zh) | 一种智能车激光传感器与相机在线标定方法 | |
| CN112036210B (zh) | 一种检测障碍物的方法、装置、存储介质和移动机器人 | |
| CN108731587A (zh) | 一种基于视觉的无人机动态目标跟踪与定位方法 | |
| CN110207951B (zh) | 一种基于视觉的飞机线缆支架装配状态检测方法 | |
| CN104268882A (zh) | 基于双线阵摄像头的高速运动物体检测与测速方法及系统 | |
| DE102014005688A1 (de) | Spurenschätzvorrichtung und verfahren | |
| CN103593671B (zh) | 基于三摄像机协同的大范围车道线视觉检测方法 | |
| CN105608417A (zh) | 交通信号灯检测方法及装置 | |
| CN105786016A (zh) | 无人机以及rgbd图像的处理方法 | |
| CN107563373B (zh) | 基于立体视觉的无人机降落区域主动安全检测方法及应用 | |
| CN108009494A (zh) | 一种基于无人机的道路交叉口车辆跟踪方法 | |
| CN111738033B (zh) | 基于平面分割的车辆行驶信息确定方法及装置、车载终端 | |
| EP3980968A1 (de) | Detektion, 3d-rekonstruktion und nachverfolgung von mehreren relativ zueinander bewegten starren objekten | |
| CN114463303B (zh) | 一种基于双目相机和激光雷达融合的道路目标检测方法 | |
| CN107796373A (zh) | 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法 | |
| CN105444741A (zh) | 基于双视野窗口的路径特征识别、偏差测量与精确定位方法 | |
| CN112489106A (zh) | 基于视频的车辆尺寸测量方法、装置、终端及存储介质 | |
| CN104021552A (zh) | 一种基于图论分割过程的多目标粒子群参数优化方法 | |
| CN112750194A (zh) | 一种无人驾驶汽车避障方法、装置 | |
| CN115760893A (zh) | 一种基于核相关滤波算法的单雾滴粒径和速度测量方法 | |
| CN114428259A (zh) | 一种基于地图车采集的地库激光点云中车辆自动提取方法 | |
| AT511460B1 (de) | Verfahren zur bestimmung der position eines luftfahrzeugs |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170510 |
|
| RJ01 | Rejection of invention patent application after publication |