CN106919925A - 一种基于小波熵与人工神经网络的福特汽车检测方法 - Google Patents
一种基于小波熵与人工神经网络的福特汽车检测方法 Download PDFInfo
- Publication number
- CN106919925A CN106919925A CN201710130212.5A CN201710130212A CN106919925A CN 106919925 A CN106919925 A CN 106919925A CN 201710130212 A CN201710130212 A CN 201710130212A CN 106919925 A CN106919925 A CN 106919925A
- Authority
- CN
- China
- Prior art keywords
- neural network
- image
- automobile
- wavelet
- motor
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 238000002790 cross-validation Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于小波熵与人工神经网络的福特汽车检测方法,该方法包括:获取各个品牌的汽车样本图像,对汽车样本图像进行图像处理,得到汽车车身图像;对每个汽车车身图像,进行灰度变换并利用二级小波变换方法提取经灰度变换后汽车车身图像上的七个特征;将所有特征集合在一起并利用K折交叉验证方法对BP神经网络进行训练,得到训练好的BP神经网络;获取新的汽车样本图像,并进行图像处理,利用训练好的BP神经网络对新的汽车样本图像进行分类,得到分类结果。本发明的应用范围较广泛,可以应用于各个汽车公司对其品牌汽车的检测,相当于对售后汽车的使用情况进行“跟踪”,有利于各汽车公司改进产品性能。
Description
技术领域
本发明涉及一种基于小波熵与人工神经网络的福特汽车检测方法,属于特定品牌汽车识别技术领域。
背景技术
随着经济的快速发展和人们生活水平的显著提高,汽车的普及度在不断提高,各个汽车公司对其品牌下汽车的售后使用情况非常关注。在汽车售出后,公司需要对汽车的使用情况进行了解,因此研究人员必须采取相应的技术方法对各个品牌的汽车进行自动识别和分类。
众所周知,汽车使用的范围基本都在道路交通中,包括高速公路、车辆收费站和停车场。同时由于道路交通日趋复杂和汽车数量的增加,汽车在行驶途中总会出现一些无法预知的意外。各个品牌的汽车在同样的路况下所经受的伤害程度不同,各公司可通过监测汽车售后的使用情况,对自身品牌下的汽车进行性能分析和质量改进。虽然可以通过汽车品牌标志来识别汽车所属类别,但这种方法在很多时候都不适用。例如,在时速较高的高速公路和光线昏暗的地下停车场的情况下,汽车的品牌标志不太明显,这很难辨识出来,因此,需要一种针对汽车车身整体进行特征提取和分类的方法,这种方法无需通过汽车品牌标志,也能够更快速准确地找到所需品牌的汽车。
发明内容
本发明所要解决的技术问题是:提供一种基于小波熵与人工神经网络的福特汽车检测方法,该方法能够在不同种类的汽车中快速有效地识别出福特旗下汽车,能够辅助福特汽车公司的售后服务。
本发明为解决上述技术问题采用以下技术方案:
一种基于小波熵与人工神经网络的福特汽车检测方法,包括如下步骤:
步骤1,获取各个品牌的汽车样本图像,对汽车样本图像进行图像处理,得到汽车车身图像;
步骤2,对每个汽车车身图像,进行灰度变换并利用二级小波变换方法提取经灰度变换后汽车车身图像上的七个特征;
步骤3,将所有特征集合在一起并利用K折交叉验证方法对BP神经网络进行训练,得到训练好的BP神经网络;
步骤4,获取新的汽车样本图像,并进行图像处理,利用训练好的BP神经网络对新的汽车样本图像进行分类,得到分类结果。
作为本发明的一种优选方案,步骤1所述图像处理的具体方法是:利用通道方式去除汽车样本图像上的背景干扰,保留汽车车身图像。
作为本发明的一种优选方案,步骤2所述二级小波变换方法的具体过程为:a.对经灰度变换后的汽车车身图像进行二维小波分解;b.提取第一级小波变换系数,获得图像在水平、垂直和对角线的细节系数,即小波信号的高频部分,同时通过二维小波分析函数获得小波信号的低频部分;c.提取第二级小波变换系数;d.获得经过小波变换后的汽车车身的七个特征。
作为本发明的一种优选方案,步骤3所述利用K折交叉验证方法对BP神经网络进行训练的具体方法是:将所有特征随机分为三个包,每次将其中一个包作为测试集,剩下的两个包作为训练集对BP神经网络进行训练,得到训练好的BP神经网络。
作为本发明的一种优选方案,步骤4所述利用训练好的BP神经网络对新的汽车样本图像进行分类的具体方法是:利用训练好的BP神经网络对新的汽车样本图像进行分类,若为福特汽车则标记为1,否则标记为0,并输出分类结果。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明方法能够在不同种类的汽车中快速有效地识别出福特旗下汽车,能够辅助福特汽车公司的售后服务。
2、本发明方法采用了小波熵对简单处理过的汽车图像进行特征提取,提取出有助于汽车识别的显著特征。
3、本发明方法的应用范围较广泛,可以应用于各个汽车公司对其品牌汽车的检测,相当于对售后汽车的使用情况进行“跟踪”,有利于各汽车公司改进产品性能。
附图说明
图1是本发明基于小波熵与人工神经网络的福特汽车检测方法的识别流程图。
图2是本发明实施例中未经处理的汽车样本数据图。
图3是本发明方法中小波变换的实现流程图。
图4是本发明实施例中小波变换提取的汽车车身七个特征图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
由于福特汽车作为性价比较高的代步工具,福特品牌旗下的汽车使用量增长最为迅速,因此,本发明就以福特旗下的部分车型为样本来进行实验。
如图1所示,为本发明基于小波熵与人工神经网络的福特汽车检测方法的识别流程图,具体步骤如下:
1.一种基于小波熵与人工神经网络的福特汽车检测方法包括:
a.汽车特征提取,通过二级小波变换方法提取出汽车二维图像中的七个特征;
b.福特汽车检测,通过BP神经网络对所有输入图像进行分类,将所有样本图像快速准确地分出福特汽车;
c.检测方法的性能必须达到一定要求。
2.图片样本的获取和处理
拍摄照片以获取各种品牌的汽车图片,先通过简单的图像处理技术对图片进行简单的处理,利用通道等方式去除部分背景干扰,这是由于考虑到拍摄的图片中存在许多干扰因素,为了便于之后的特征提取和汽车识别步骤,在这个过程中,做到最大化去除外因影响,从而提取出本次汽车品牌识别实验中最需要和最感兴趣的部分——汽车车身,这是因为本发明是以汽车车身为主要研究对象。
简单处理过后的图片中,由于汽车图片为三维彩色图片,这加大了特征提取和图片分类的难度,在此之前,对这类图片整体进行了变换,将原彩色图像转化为灰度图像,这样便减少了待处理图像的原始数据量,加快了后续对图像做进一步处理的速度。
3.小波变换提取每个汽车样本的车身特征
小波变换为一种信号分解的思想,它将信号分解为一个个频带信号的叠加。
a.逐个对样本图片进行二维小波分解;
b.提取小波变换系数。第一,提取第一级小波变换系数,获得样本图片在水平、垂直和对角线的细节系数,该系数代表信号的高频部分,即为一个个小波分量的叠加,同时通过二维小波分析函数获得代表信号低频部分的近似系数。第二,提取第二级小波变换系数;
小波分解的最低频分量代表了图像的大部分信息,一级分解中,LL1是汽车样本图像的最佳逼近,而其他三个分量LH1、HL1、HH1分别代表了水平、垂直和对角线方向的细节信息;二级分解中,继续对LL1分解,这时LL2是汽车样本图像的最佳逼近,其他三个分量LH2、HL2、HH2是第二级中的细节信息,相对于一级分解中三个分量来说尺度变大,小波分解系数也变大,在整幅样本图像中更加重要。
c.获得经过小波变换后的汽车车身的七个特征,该特征用来描述输入图像的纹理;
d.所有经过处理后的样本图片作为样本数据进行实验。
对输入图像进行两级小波变换系数的提取,这样的方式提取出来的特征数目最利于之后对图像做进一步的识别和分类,若提取过多的特征,处理速度会大打折扣,但准确率不一定会提高。汽车图像经过两次小波变换之后,概貌信息大多集中在低频部分,而其余部分只有微弱的细节信息,只经过两次小波变换可以省略图像部分细节信息,保留相关的主要信息,这种方式既能够保证提取出足够的汽车特征用于汽车样本的识别分类又能够减少多余的工作量。
4.K折交叉验证分组样本数据集
训练识别福特汽车的BP神经网络之前需将所输入的样本数据集分组为测试集和训练集,使用K折交叉验证方法的优势在于同时重复运用随机产生的子样本进行训练和验证,每次的结果都验证一次。
在本次发明中,由于汽车图像的样本量不充足,为了充分利用汽车样本数据集对分类识别算法进行有效的测试,采用了K折交叉验证方法,在此方法的过程中将汽车样本数据集随机分为3个包,每次将其中一个包作为测试集,剩下的2个包作为训练集进行训练,在这样情况下,充分利用了样本数据集,在一定程度上保证了结果的准确性。
5.BP神经网络对样本数据进行识别进而检测出福特汽车
BP神经网络是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系。将BP神经网络用于识别汽车车牌,获取所需的目标样本可行性强。使用不同品牌的汽车样本数据(输入+对应的期望输出)作为训练,然后给出输入一组新的汽车样本数据,该训练好的BP神经网络分类器就能通过所给的汽车样本数据判定该汽车是否属于福特品牌类别。
a.使用样本数据来训练一个BP网络,训练一个BP网络就是相当于在训练一个神经系统,然后将这个已经具备分析能力的神经系统应用于分析输入新的样本数据。这样的方式在对大量样本数据进行分析的时候就节省了时间成本。
b.将已经训练好的BP神经网络作为一个分类器应用于本次仿真实验,即在已经训练好的BP网络中输入新的样本数据,输出得到的数据就是仿真实验的结果。
在此过程中采用BP神经网络是由于考虑到BP神经网络在训练时具有高度的自学习和自适应能力;同时,BP网络在保证对汽车训练样本进行正确的分类时,在训练后具有将学习成果应用于新汽车样本的能力;而且,BP神经网络具有一定程度的容错能力,即在其局部信息遭到破坏的情况下,全局的训练结果不会造成很大的影响。
6.根据汽车车身显著特征识别福特汽车
对所输入并经过处理后的汽车图像进行分类,具体分类结果是若测试样本经过识别为福特汽车则标记为1,若识别为非福特汽车则标记为0,输出测试样本预测序列,计算准确率。本发明中所提出的方法的分类准确率达到83%,预测结果较为准确。本发明中所提出来的检测方法是针对于某一品牌的汽车,这种方法利于各个汽车企业不必跟踪检测旗下的所有汽车,只需对使用中出现意外情况的车辆进行售后的分析处理,便于对旗下产品进行有针对的改进。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (5)
1.一种基于小波熵与人工神经网络的福特汽车检测方法,其特征在于,包括如下步骤:
步骤1,获取各个品牌的汽车样本图像,对汽车样本图像进行图像处理,得到汽车车身图像;
步骤2,对每个汽车车身图像,进行灰度变换并利用二级小波变换方法提取经灰度变换后汽车车身图像上的七个特征;
步骤3,将所有特征集合在一起并利用K折交叉验证方法对BP神经网络进行训练,得到训练好的BP神经网络;
步骤4,获取新的汽车样本图像,并进行图像处理,利用训练好的BP神经网络对新的汽车样本图像进行分类,得到分类结果。
2.根据权利要求1所述基于小波熵与人工神经网络的福特汽车检测方法,其特征在于,步骤1所述图像处理的具体方法是:利用通道方式去除汽车样本图像上的背景干扰,保留汽车车身图像。
3.根据权利要求1所述基于小波熵与人工神经网络的福特汽车检测方法,其特征在于,步骤2所述二级小波变换方法的具体过程为:a.对经灰度变换后的汽车车身图像进行二维小波分解;b.提取第一级小波变换系数,获得图像在水平、垂直和对角线的细节系数,即小波信号的高频部分,同时通过二维小波分析函数获得小波信号的低频部分;c.提取第二级小波变换系数;d.获得经过小波变换后的汽车车身的七个特征。
4.根据权利要求1所述基于小波熵与人工神经网络的福特汽车检测方法,其特征在于,步骤3所述利用K折交叉验证方法对BP神经网络进行训练的具体方法是:将所有特征随机分为三个包,每次将其中一个包作为测试集,剩下的两个包作为训练集对BP神经网络进行训练,得到训练好的BP神经网络。
5.根据权利要求1所述基于小波熵与人工神经网络的福特汽车检测方法,其特征在于,步骤4所述利用训练好的BP神经网络对新的汽车样本图像进行分类的具体方法是:利用训练好的BP神经网络对新的汽车样本图像进行分类,若为福特汽车则标记为1,否则标记为0,并输出分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710130212.5A CN106919925A (zh) | 2017-03-07 | 2017-03-07 | 一种基于小波熵与人工神经网络的福特汽车检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710130212.5A CN106919925A (zh) | 2017-03-07 | 2017-03-07 | 一种基于小波熵与人工神经网络的福特汽车检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106919925A true CN106919925A (zh) | 2017-07-04 |
Family
ID=59462010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710130212.5A Pending CN106919925A (zh) | 2017-03-07 | 2017-03-07 | 一种基于小波熵与人工神经网络的福特汽车检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106919925A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516069A (zh) * | 2017-07-27 | 2017-12-26 | 中国船舶重工集团公司第七二四研究所 | 基于几何重构和多尺度分析的目标识别方法 |
CN107944450A (zh) * | 2017-11-16 | 2018-04-20 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及装置 |
CN111239549A (zh) * | 2020-02-18 | 2020-06-05 | 国网信通亿力科技有限责任公司 | 一种基于离散小波变换的配电故障快速定位方法 |
CN113484336A (zh) * | 2021-07-06 | 2021-10-08 | 杭州电子科技大学 | 基于表面波和bp神经网络的亚表面裂纹尺寸测量方法 |
CN115113168A (zh) * | 2022-08-25 | 2022-09-27 | 南京宇安防务科技有限公司 | 一种基于神经网络的雷达杂波抑制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030018599A1 (en) * | 2001-04-23 | 2003-01-23 | Weeks Michael C. | Embedding a wavelet transform within a neural network |
CN1996346A (zh) * | 2005-12-29 | 2007-07-11 | 电子科技大学 | 基于轮廓的车型识别方法 |
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路口交通事件自动检测系统 |
RU2467384C1 (ru) * | 2011-06-28 | 2012-11-20 | Андрей Борисович Степанов | Способ анализа электроэнцефалограмм |
KR20130001760A (ko) * | 2011-06-28 | 2013-01-07 | 삼성탈레스 주식회사 | 가변 블록을 이용한 감독 기법 기반의 지형 인지 방법 |
CN105809088A (zh) * | 2014-12-30 | 2016-07-27 | 清华大学 | 车辆识别方法和系统 |
-
2017
- 2017-03-07 CN CN201710130212.5A patent/CN106919925A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030018599A1 (en) * | 2001-04-23 | 2003-01-23 | Weeks Michael C. | Embedding a wavelet transform within a neural network |
CN1996346A (zh) * | 2005-12-29 | 2007-07-11 | 电子科技大学 | 基于轮廓的车型识别方法 |
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路口交通事件自动检测系统 |
RU2467384C1 (ru) * | 2011-06-28 | 2012-11-20 | Андрей Борисович Степанов | Способ анализа электроэнцефалограмм |
KR20130001760A (ko) * | 2011-06-28 | 2013-01-07 | 삼성탈레스 주식회사 | 가변 블록을 이용한 감독 기법 기반의 지형 인지 방법 |
CN105809088A (zh) * | 2014-12-30 | 2016-07-27 | 清华大学 | 车辆识别方法和系统 |
Non-Patent Citations (1)
Title |
---|
张友兵等: "基于小波变换的汽车车型识别", 《汽车工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516069A (zh) * | 2017-07-27 | 2017-12-26 | 中国船舶重工集团公司第七二四研究所 | 基于几何重构和多尺度分析的目标识别方法 |
CN107944450A (zh) * | 2017-11-16 | 2018-04-20 | 深圳市华尊科技股份有限公司 | 一种车牌识别方法及装置 |
CN111239549A (zh) * | 2020-02-18 | 2020-06-05 | 国网信通亿力科技有限责任公司 | 一种基于离散小波变换的配电故障快速定位方法 |
CN113484336A (zh) * | 2021-07-06 | 2021-10-08 | 杭州电子科技大学 | 基于表面波和bp神经网络的亚表面裂纹尺寸测量方法 |
CN115113168A (zh) * | 2022-08-25 | 2022-09-27 | 南京宇安防务科技有限公司 | 一种基于神经网络的雷达杂波抑制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106919925A (zh) | 一种基于小波熵与人工神经网络的福特汽车检测方法 | |
CN103971097B (zh) | 一种基于多尺度笔画模型的车牌识别方法与系统 | |
CN104361343B (zh) | 车辆类型识别方法及其装置 | |
CN104463241A (zh) | 一种智能交通监控系统中的车辆类型识别方法 | |
Won et al. | DeepWiTraffic: Low cost WiFi-based traffic monitoring system using deep learning | |
CN110516633B (zh) | 一种基于深度学习的车道线检测方法及系统 | |
CN103605977A (zh) | 一种车道线的提取方法及装置 | |
CN105488453A (zh) | 一种基于图像处理的驾驶员未系安全带检测识别方法 | |
CN104881661B (zh) | 基于结构相似度的车辆检测方法 | |
CN103164697B (zh) | 一种处理时间与识别精度自适应的车牌识别方法 | |
CN106845444A (zh) | 一种基于弧‑点结合的车载井盖检测方法 | |
CN102214290B (zh) | 车牌定位方法及车牌定位模板训练方法 | |
CN107886727B (zh) | 一种基于地磁传感器的汽车分类方法、系统及电子设备 | |
CN106778646A (zh) | 基于卷积神经网络的车型识别方法及装置 | |
CN104200670B (zh) | 一种基于车辆地磁感应特征的车辆车型识别方法 | |
CN112710273A (zh) | 一种基于智能手机传感器和机器学习的众包路面坑洼检测方法 | |
CN103544487A (zh) | 基于单目视觉的前车识别方法 | |
CN109977862A (zh) | 一种车位限位器的识别方法 | |
CN106960192A (zh) | 自动驾驶中基于前向摄像头的道路标线提取系统 | |
CN106778473A (zh) | 一种车型识别方法 | |
CN112509190B (zh) | 基于屏蔽门客流计数的地铁车辆断面客流统计方法 | |
CN115497303A (zh) | 一种复杂检测条件下的高速公路车速检测方法及系统 | |
CN107464220A (zh) | 一种基于重力叠加模型的公路面层病害图像增强方法 | |
CN103440769B (zh) | 积分提取地磁曲线信息实现车型识别的方法 | |
CN112613394A (zh) | 一种基于深度学习的驾驶员安全带检测装置及检测方法 |
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: 20170704 |