CN106874858A - 一种车辆信息识别方法及装置和一种车辆 - Google Patents
一种车辆信息识别方法及装置和一种车辆 Download PDFInfo
- Publication number
- CN106874858A CN106874858A CN201710046690.8A CN201710046690A CN106874858A CN 106874858 A CN106874858 A CN 106874858A CN 201710046690 A CN201710046690 A CN 201710046690A CN 106874858 A CN106874858 A CN 106874858A
- Authority
- CN
- China
- Prior art keywords
- information
- vehicles
- image
- identified
- characteristic pattern
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
一种车辆信息识别方法及装置和一种车辆,其中,车辆信息识别方法,包括:获取待识别车辆信息图像,所述待识别车辆信息图像用于显示车辆状态;根据所述待识别车辆信息图像,得到所述待识别车辆信息图像的灰度特征图;根据所述灰度特征图,确定所述待识别车辆信息图像的1bp特征图、梯度幅值特征图和梯度方向特征图;利用神经网络模型以所述待识别车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图作为所述神经网络模型的输入层数据,确定所述待识别车辆信息图像的车辆信息,解决了现有汽车采用语音通讯方式获取信息,使得信息在传输过程中容错性差,信息存储量低且抗干扰性差,降低了汽车驾驶过程中信息获取的准确性的问题。
Description
技术领域
本发明涉及图像识别领域,具体涉及一种车辆信息识别方法及装置和一种车辆。
背景技术
随着深度学习技术的兴起,基于深度学习的图像识别准确率逐年上涨,人脸识别、行为识别、运动识别等图像识别技术在越来越多场合中被提及,随着硬件、算法及大数据的不断发展,深度学习技术在很多领域均得到了广泛使用,例如车辆自动驾驶领域,是通过电脑系统实现无人驾驶,依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,让电脑可以在没有任何人类主动的操作下,自动安全地操作机动车辆,自动驾驶汽车对外界信息的获取主要基于声音和图像,要实现真正的无人驾驶,必须能够准确感知和识别前方车辆行驶的状态信息,而现有汽车采用语音通讯方式获取信息,使得信息在传输过程中容错性差,信息存储量低且抗干扰性差,降低了汽车驾驶过程中信息获取的准确性。
发明内容
因此,本发明要解决的技术问题在于现有汽车采用语音通讯方式获取信息,使得信息在传输过程中容错性差,信息存储量低且抗干扰性差,降低了汽车驾驶过程中信息获取的准确性。
有鉴于此,本发明提供一种车辆信息识别方法,包括:
获取待识别车辆信息图像,所述待识别车辆信息图像用于显示车辆状态;
根据所述待识别车辆信息图像,得到所述待识别车辆信息图像的灰度特征图;
根据所述灰度特征图,确定所述待识别车辆信息图像的1bp特征图、梯度幅值特征图和梯度方向特征图;
利用神经网络模型以所述待识别车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图作为所述神经网络模型的输入层数据,确定所述待识别车辆信息图像的车辆信息。
优选地,所述待识别车辆信息图像包括包含字符的图像和转向灯图像中的至少一种。
优选地,
所述车辆信息至少包括转向信息和刹车信息;
当根据所述包含字符的图像确定的车辆信息与根据所述转向灯图像确定的车辆信息不一致时,进行提示。优选地,所述获取待识别车辆信息图像步骤之前,包括:
获取车辆信息图像和所述车辆信息图像对应的车辆信息;
根据所述车辆信息图像,得到所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图;
将所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图和所述车辆信息图像对应的车辆信息作为训练数据,对神经网络模型进行训练,直至所述神经网络模型对所述车辆信息图像信息识别的准确度大于预设阈值。
优选地,当所述待识别车辆信息图像是所述包含字符的图像时,
所述获取车辆信息图像和所述车辆信息图像对应的车辆信息,包括:
获取所述车辆信息图像中的字符区域图像;
将所述字符区域图像输入到机器学习模型中进行字符分割,其中所述机器学习模型利用多个字符图像进行训练得到的。
相应地,本发明还提供一种车辆信息识别装置,包括:
获取单元,用于获取待识别车辆信息图像,所述待识别车辆信息图像用于显示车辆状态;
灰度特征图获取单元,用于根据所述待识别车辆信息图像,得到所述待识别车辆信息图像的灰度特征图;
特征图确定单元,用于根据所述灰度特征图,确定所述待识别车辆信息图像的1bp特征图、梯度幅值特征图和梯度方向特征图;
车辆信息确定单元,用于利用神经网络模型以所述待识别车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图作为所述神经网络模型的输入层数据,确定所述待识别车辆信息图像的车辆信息。
优选地,所述待识别车辆信息图像包括包含字符的图像和转向灯图像中的至少一种。
优选地,
所述车辆信息至少包括转向信息和刹车信息;
当根据所述包含字符的图像确定的车辆信息与根据所述转向灯图像确定的车辆信息不一致时,进行提示。
优选地,所述获取单元在获取待识别车辆信息图像之前,包括:
获取子单元,用于获取车辆信息图像和所述车辆信息图像对应的车辆信息;
特征图获取子单元,用于根据所述车辆信息图像,得到所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图;
训练子单元,用于将所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图和所述车辆信息图像对应的车辆信息作为训练数据,对神经网络模型进行训练,直至所述神经网络模型对所述车辆信息图像信息识别的准确度大于预设阈值。
优选地,当所述待识别车辆信息图像是所述包含字符的图像时,
所述获取子单元包括:
字符区域图像获取子单元,用于获取所述车辆信息图像中的字符区域图像;
字符分割单元,用于将所述字符区域图像输入到机器学习模型中进行字符分割,其中所述机器学习模型利用多个字符图像进行训练得到的。
相应地,本发明还提供一种车辆,包括:
采集单元,用于获取车辆信息图像;
控制器,用于执行如上述所述的方法处理所述车辆信息图像,确定车辆信息;
显示器,用于显示所述车辆信息。
优选地,所述显示器为液晶显示牌,设置在车辆尾部。
本发明技术方案具有以下优点:
通过获取待识别车辆信息图像,根据待识别车辆信息图像,得到待识别车辆信息图像的灰度特征图,根据灰度特征图,确定待识别车辆信息图像的1bp特征图、梯度幅值特征图和梯度方向特征图,利用神经网络模型以待识别车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图作为神经网络模型的输入层数据,确定待识别车辆信息图像的车辆信息,解决了现有汽车采用语音通讯方式获取信息,使得信息在传输过程中容错性差,信息存储量低且抗干扰性差,降低了汽车驾驶过程中信息获取的准确性的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,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1提供的一种车辆信息识别方法的流程图;
图2是本发明实施例2提供的一种车辆信息识别装置的结构示意图;
图3是本发明实施例3提供的一种车辆的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明实施例提供一种车辆信息识别方法,车辆在驾驶过程中为了准确识别前车的行驶状态信息,在前车车辆尾部设置一信息显示牌,用于显示本车车辆行驶状态信息,继而车辆状态信息可以通过后车车辆识别信息显示牌信息和车辆转向灯信息进行显示,如图1所示,该方法包括:
S11,获取待识别车辆信息图像,待识别车辆信息图像用于显示车辆状态。其中车辆状态可以包括车辆刹车信息、速度与加速度信息、转向信息以及周围车辆信息与环境信息。
S12,根据待识别车辆信息图像,得到待识别车辆信息图像的灰度特征图。
S13,根据灰度特征图,确定待识别车辆信息图像的1bp特征图、梯度幅值特征图和梯度方向特征图。首先求取车辆信息图像中的每个像素点的1bp特征,当求取图像边缘像素点的灰度特征值时,超出边界的像素点的值设置为零,继而得到整个车辆信息图像的1bp特征图,继而根据灰度特征图,得到1bp特征图、梯度幅值特征图和梯度方向特征图。
S14,利用神经网络模型以待识别车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图作为神经网络模型的输入层数据,确定待识别车辆信息图像的车辆信息。
优选地,待识别车辆信息图像包括包含字符的图像和转向灯图像中的至少一种。当待识别车辆信息图像为包含字符的图像时,通过识别包含字符的图像,可以得到车辆刹车信息、速度与加速度信息、转向信息以及周围车辆信息与环境信息;当待识别车辆信息图像为转向灯图像时,可以得到车辆转向信息。
作为一个优选的实施方式,车辆信息至少包括转向信息和刹车信息;
当根据所述包含字符的图像确定的车辆信息与根据所述转向灯图像确定的车辆信息不一致时,进行提示。
提示的方式可以通过语音报警方式提示,例如当包含字符的图像确定的转向信息与根据转向灯图像确定的转向信息一致时,进行语音报警提示。
在步骤S11步骤之前,包括:
S111,获取车辆信息图像和所述车辆信息图像对应的车辆信息。车辆信息包括车辆速度信息、车辆转向信息和车辆指示灯信息,其中车辆速度信息可以通过速度传感器采集得到,根据采集的车辆速度信息得到车辆速度信号、加速度信号和刹车信号,车辆转向信息可以通过标注获取设置在车牌上方的车辆信息显示牌上的转向信息得到或者通过标注获取的车辆指示灯信息的转向灯信息或刹车信息灯信息。
S112,根据车辆信息图像,得到车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图。
S113,将车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图和车辆信息图像对应的车辆信息作为训练数据,对神经网络模型进行训练,直至神经网络模型对车辆信息图像信息识别的准确度大于预设阈值。所述神经网络模型为深度卷积神经网络模型。深度卷积神经网络(Deep Convolutional Neural Network,简称DCNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有着出色表现,一般由至少一个卷积层(alternating convolutional layer)和至少一个池化层(pooling layer)构成。
优选地,当所述待识别车辆信息图像是所述包含字符的图像时,为了提高神经网络模型的准确性,步骤S111,包括:
S1111,获取车辆信息图像中的字符区域图像;
S1112,将字符区域图像输入到机器学习模型中进行字符分割,其中所述机器学习模型利用多个字符图像进行训练得到的。
本发明实施例提供的建立识别车辆信息的模型的方法,通过获取车辆信息图像和车辆信息图像对应的车辆信息,根据车辆信息图像,得到车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图,将车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图和车辆信息图像对应的车辆信息作为训练数据,对神经网络模型进行训练,直至神经网络模型对车辆信息图像信息识别的准确度大于预设阈值,通过将车辆信息图像转化的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图和车辆信息作为训练数据,训练得到的神经网络模型,提高了神经网络模型的鲁棒性与准确性。
实施例2
相应地,本发明实施例提供一种车辆信息识别装置,如图2所示,包括:
获取单元21,用于获取待识别车辆信息图像,所述待识别车辆信息图像用于显示车辆状态;
灰度特征图获取单元22,用于根据所述待识别车辆信息图像,得到所述待识别车辆信息图像的灰度特征图;
特征图确定单元23,用于根据所述灰度特征图,确定所述待识别车辆信息图像的1bp特征图、梯度幅值特征图和梯度方向特征图;
车辆信息确定单元24,用于利用神经网络模型以所述待识别车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图作为所述神经网络模型的输入层数据,确定所述待识别车辆信息图像的车辆信息。
优选地,所述待识别车辆信息图像包括包含字符的图像和转向灯图像中的至少一种。
优选地,所述车辆信息至少包括转向信息和刹车信息;
当根据所述包含字符的图像确定的车辆信息与根据所述转向灯图像确定的车辆信息不一致时,进行提示。
优选地,所述获取单元在获取待识别车辆信息图像之前,包括:
获取子单元,用于获取车辆信息图像和所述车辆信息图像对应的车辆信息;
特征图获取子单元,用于根据所述车辆信息图像,得到所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图;
训练子单元,用于将所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图和所述车辆信息图像对应的车辆信息作为训练数据,对神经网络模型进行训练,直至所述神经网络模型对所述车辆信息图像信息识别的准确度大于预设阈值。
优选地,当所述待识别车辆信息图像是所述包含字符的图像时,
所述获取子单元包括:
字符区域图像获取子单元,用于获取所述车辆信息图像中的字符区域图像;
字符分割单元,用于将所述字符区域图像输入到机器学习模型中进行字符分割,其中所述机器学习模型利用多个字符图像进行训练得到的。
本发明实施例提供的车辆信息识别装置,通过获取单元获取待识别车辆信息图像,根据待识别车辆信息图像,得到待识别车辆信息图像的灰度特征图,根据灰度特征图,确定待识别车辆信息图像的1bp特征图、梯度幅值特征图和梯度方向特征图,利用神经网络模型以待识别车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图作为神经网络模型的输入层数据,确定待识别车辆信息图像的车辆信息,解决了现有汽车采用语音通讯方式获取信息,使得信息在传输过程中容错性差,信息存储量低且抗干扰性差,降低了汽车驾驶过程中信息获取的准确性的问题。
实施例3
相应地,本发明实施例还提供一种车辆,如图3所示,包括:
采集单元31,用于获取车辆信息图像。车辆信息图像可以通过安装在车辆前端的图像采集装置得到,如摄像机等。
控制器32,用于执行如实施例所述的方法处理车辆信息图像,确定车辆信息。
显示器33,用于显示车辆信息。显示器为液晶显示牌,可以设置在车辆尾部。
本发明实施例提供的车辆,通过采集单元获取车辆信息图像,并利用控制器进行车辆信息图像处理,确定并显示车辆信息,解决了现有汽车采用语音通讯方式获取信息,使得信息在传输过程中容错性差,信息存储量低且抗干扰性差,降低了汽车驾驶过程中信息获取的准确性的问题。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (12)
1.一种车辆信息识别方法,其特征在于,包括:
获取待识别车辆信息图像,所述待识别车辆信息图像用于显示车辆状态;
根据所述待识别车辆信息图像,得到所述待识别车辆信息图像的灰度特征图;
根据所述灰度特征图,确定所述待识别车辆信息图像的1bp特征图、梯度幅值特征图和梯度方向特征图;
利用神经网络模型以所述待识别车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图作为所述神经网络模型的输入层数据,确定所述待识别车辆信息图像的车辆信息。
2.根据权利要求1的方法,其特征在于,所述待识别车辆信息图像包括包含字符的图像和转向灯图像中的至少一种。
3.根据权利要求2的方法,其特征在于,所述车辆信息至少包括转向信息和刹车信息;
当根据所述包含字符的图像确定的车辆信息与根据所述转向灯图像确定的车辆信息不一致时,进行提示。
4.根据权利要求1所述的方法,其特征在于,所述获取待识别车辆信息图像步骤之前,包括:
获取车辆信息图像和所述车辆信息图像对应的车辆信息;
根据所述车辆信息图像,得到所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图;
将所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图和所述车辆信息图像对应的车辆信息作为训练数据,对神经网络模型进行训练,直至所述神经网络模型对所述车辆信息图像信息识别的准确度大于预设阈值。
5.根据权利要求4所述的方法,其特征在于,当所述待识别车辆信息图像是所述包含字符的图像时,
所述获取车辆信息图像和所述车辆信息图像对应的车辆信息,包括:
获取所述车辆信息图像中的字符区域图像;
将所述字符区域图像输入到机器学习模型中进行字符分割,其中所述机器学习模型利用多个字符图像进行训练得到的。
6.一种车辆信息识别装置,其特征在于,包括:
获取单元,用于获取待识别车辆信息图像,所述待识别车辆信息图像用于显示车辆状态;
灰度特征图获取单元,用于根据所述待识别车辆信息图像,得到所述待识别车辆信息图像的灰度特征图;
特征图确定单元,用于根据所述灰度特征图,确定所述待识别车辆信息图像的1bp特征图、梯度幅值特征图和梯度方向特征图;
车辆信息确定单元,用于利用神经网络模型以所述待识别车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图作为所述神经网络模型的输入层数据,确定所述待识别车辆信息图像的车辆信息。
7.根据权利要求6所述的装置,其特征在于,所述待识别车辆信息图像包括包含字符的图像和转向灯图像中的至少一种。
8.根据权利要求7所述的装置,其特征在于,所述车辆信息至少包括转向信息和刹车信息;
当根据所述包含字符的图像确定的车辆信息与根据所述转向灯图像确定的车辆信息不一致时,进行提示。
9.根据权利要求6所述的装置,其特征在于,所述获取单元在获取待识别车辆信息图像之前,包括:
获取子单元,用于获取车辆信息图像和所述车辆信息图像对应的车辆信息;
特征图获取子单元,用于根据所述车辆信息图像,得到所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图;
训练子单元,用于将所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图和所述车辆信息图像对应的车辆信息作为训练数据,对神经网络模型进行训练,直至所述神经网络模型对所述车辆信息图像信息识别的准确度大于预设阈值。
10.根据权利要求9所述的装置,其特征在于,当所述待识别车辆信息图像是所述包含字符的图像时,
所述获取子单元包括:
字符区域图像获取子单元,用于获取所述车辆信息图像中的字符区域图像;
字符分割单元,用于将所述字符区域图像输入到机器学习模型中进行字符分割,其中所述机器学习模型利用多个字符图像进行训练得到的。
11.一种车辆,其特征在于,包括:
采集单元,用于获取车辆信息图像;
控制器,用于执行如权利要求1-5中任一项所述的方法处理所述车辆信息图像,确定车辆信息;
显示器,用于显示所述车辆信息。
12.根据权利要求5所述的车辆,其特征在于,所述显示器为液晶显示牌,设置在车辆尾部。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710046690.8A CN106874858A (zh) | 2017-01-19 | 2017-01-19 | 一种车辆信息识别方法及装置和一种车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710046690.8A CN106874858A (zh) | 2017-01-19 | 2017-01-19 | 一种车辆信息识别方法及装置和一种车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106874858A true CN106874858A (zh) | 2017-06-20 |
Family
ID=59157797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710046690.8A Pending CN106874858A (zh) | 2017-01-19 | 2017-01-19 | 一种车辆信息识别方法及装置和一种车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106874858A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222521A (zh) * | 2018-11-23 | 2020-06-02 | 汕尾比亚迪汽车有限公司 | 汽车及用于其的车轮受困判断方法及装置 |
WO2021017341A1 (zh) * | 2019-07-31 | 2021-02-04 | 浙江商汤科技开发有限公司 | 识别智能行驶设备的行驶状态的方法及装置、设备 |
CN115661850A (zh) * | 2022-12-29 | 2023-01-31 | 武汉大学 | 一种融合多特征的印章识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201729118U (zh) * | 2010-05-14 | 2011-02-02 | 黄卫民 | 汽车尾灯信息显示装置 |
CN104299009A (zh) * | 2014-09-23 | 2015-01-21 | 同济大学 | 基于多特征融合的车牌字符识别方法 |
US20150235095A1 (en) * | 2014-02-14 | 2015-08-20 | Denso Corporation | Turnoff recognition apparatus |
CN105184291A (zh) * | 2015-08-26 | 2015-12-23 | 深圳市捷顺科技实业股份有限公司 | 一种多类型车牌检测方法及系统 |
JP2016020876A (ja) * | 2014-07-16 | 2016-02-04 | 日産自動車株式会社 | 車両用表示装置 |
CN105825235A (zh) * | 2016-03-16 | 2016-08-03 | 博康智能网络科技股份有限公司 | 一种基于多特征图深度学习的图像识别方法 |
CN105975915A (zh) * | 2016-04-28 | 2016-09-28 | 大连理工大学 | 一种基于多任务卷积神经网络的前方车辆参数识别方法 |
CN106295636A (zh) * | 2016-07-21 | 2017-01-04 | 重庆大学 | 基于多特征融合级联分类器的消防通道车辆检测方法 |
-
2017
- 2017-01-19 CN CN201710046690.8A patent/CN106874858A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201729118U (zh) * | 2010-05-14 | 2011-02-02 | 黄卫民 | 汽车尾灯信息显示装置 |
US20150235095A1 (en) * | 2014-02-14 | 2015-08-20 | Denso Corporation | Turnoff recognition apparatus |
JP2016020876A (ja) * | 2014-07-16 | 2016-02-04 | 日産自動車株式会社 | 車両用表示装置 |
CN104299009A (zh) * | 2014-09-23 | 2015-01-21 | 同济大学 | 基于多特征融合的车牌字符识别方法 |
CN105184291A (zh) * | 2015-08-26 | 2015-12-23 | 深圳市捷顺科技实业股份有限公司 | 一种多类型车牌检测方法及系统 |
CN105825235A (zh) * | 2016-03-16 | 2016-08-03 | 博康智能网络科技股份有限公司 | 一种基于多特征图深度学习的图像识别方法 |
CN105975915A (zh) * | 2016-04-28 | 2016-09-28 | 大连理工大学 | 一种基于多任务卷积神经网络的前方车辆参数识别方法 |
CN106295636A (zh) * | 2016-07-21 | 2017-01-04 | 重庆大学 | 基于多特征融合级联分类器的消防通道车辆检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222521A (zh) * | 2018-11-23 | 2020-06-02 | 汕尾比亚迪汽车有限公司 | 汽车及用于其的车轮受困判断方法及装置 |
CN111222521B (zh) * | 2018-11-23 | 2023-12-22 | 汕尾比亚迪汽车有限公司 | 汽车及用于其的车轮受困判断方法及装置 |
WO2021017341A1 (zh) * | 2019-07-31 | 2021-02-04 | 浙江商汤科技开发有限公司 | 识别智能行驶设备的行驶状态的方法及装置、设备 |
CN115661850A (zh) * | 2022-12-29 | 2023-01-31 | 武汉大学 | 一种融合多特征的印章识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104751600B (zh) | 基于虹膜识别的防疲劳驾驶安全设备及其使用方法 | |
CN108537197A (zh) | 一种基于深度学习的车道线检测预警装置及预警方法 | |
CN108995655A (zh) | 一种驾驶员驾驶意图识别方法及系统 | |
CN108773373A (zh) | 用于操作自动驾驶车辆的方法和装置 | |
CN105844257A (zh) | 基于机器视觉雾天行车错失道路标志牌的预警系统及方法 | |
CN109145719B (zh) | 一种驾驶员疲劳状态识别方法及系统 | |
CN105564436A (zh) | 一种高级驾驶辅助系统 | |
CN111209780A (zh) | 车道线属性检测方法、装置、电子设备及可读存储介质 | |
CN106874858A (zh) | 一种车辆信息识别方法及装置和一种车辆 | |
CN110738081B (zh) | 异常路况检测方法及装置 | |
CN110386065A (zh) | 车辆盲区的监控方法、装置、计算机设备及存储介质 | |
CN103847640A (zh) | 提供增强现实的方法和设备 | |
CN108226895A (zh) | 基于激光雷达的静态障碍物识别系统及识别方法 | |
CN111931683B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN111209880A (zh) | 车辆行为识别方法、装置 | |
DE112016007472B4 (de) | Vorwarnungen für fahrer von fahrzeugen vor bevorstehenden schildern | |
US20230419688A1 (en) | Ambiguous Lane Detection Event Miner | |
CN111301420A (zh) | 车辆换道控制方法、装置、可读存储介质及车辆 | |
CN112861683A (zh) | 一种行驶朝向检测方法、装置、计算机设备及存储介质 | |
CN111301428A (zh) | 机动车驾驶员分心检测警示方法、系统及机动车 | |
DE102022125062A1 (de) | System und verfahren zum detektieren von strassen- und fahrspurverbindungen an kreuzungen | |
CN111931644A (zh) | 一种车载人数检测的方法、系统、设备及可读存储介质 | |
CN110727269B (zh) | 车辆控制方法及相关产品 | |
CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
CN110053554B (zh) | 辅助驾驶方法、辅助驾驶装置及车载无人机 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170620 |