CN106935035A - 基于ssd神经网络的违章停车车辆实时检测方法 - Google Patents
基于ssd神经网络的违章停车车辆实时检测方法 Download PDFInfo
- Publication number
- CN106935035A CN106935035A CN201710225416.7A CN201710225416A CN106935035A CN 106935035 A CN106935035 A CN 106935035A CN 201710225416 A CN201710225416 A CN 201710225416A CN 106935035 A CN106935035 A CN 106935035A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- ssd
- cluster
- parking
- video
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于SSD神经网络的违章停车车辆实时检测方法,主要解决现有技术在道路复杂、天气光照多变的情况下检测准确率低和鲁棒性弱的问题。其实现方案是:1.拍摄若干不同场景和天气下的车辆行驶视频,构建训练数据集;2.通过K‑Means聚类算法对数据集中车辆的长宽比进行聚类;3.利用聚类结果优化SSD网络模型,并进行训练;4.设定禁止停车区域,用训练好的网络模型对车辆进行检测,将识别到的车辆使用追踪算法进行追踪,获得车辆的运动状态,在设定时间阈值内保持静止的车辆判断为违章停车车辆。本发明不仅提高了检测的准确率,而且增强了鲁棒性,可用于各种复杂场景和不同天气状况下违章停车车辆的检测。
Description
技术领域
本发明属于图像识别和计算机视觉技术领域,尤其涉及一种停车车辆的检测方法,可用于城市环境中对违章停车车辆的检测。
背景技术
随着现代社会经济的快速发展和城市化的普及,汽车作为一种重要的交通工具,其数量呈井喷式增长,据公安部交管局统计,截止2016年底,全国汽车保有量达1.94亿辆,新注册量和年增长量均达历史最高水平。汽车数量的增长给人们带来便利的同时,也引发了诸如交通堵塞等一系列问题,其中汽车的违章停车现象是导致交通堵塞的一种重要原因。因此,急需一种实时可靠的违章停车的检测方法。
目前,针对违章停车检测方法的研究,主要集中在利用视频目标识别和跟踪技术对禁停区域内的违章停车车辆进行检测。其实现方案是利用背景分割技术,先提取可能的运动前景目标,再结合人工车辆特征判断前景目标是否为车辆,最后利用跟踪算法判断车辆是否违章停车。这种利用背景分割提取前景的方法,易受天气和光照的影响,在复杂场景下无法准确获得前景车辆目标,并且人工设计的特征具有设计难度大,不具有鲁棒性等缺点,不适用于复杂多变的城市交通环境。
发明内容
本发明的目的在于针对上述已有的违章停车检测方法的不足,提出一种基于SSD神经网络的违章停车车辆实时检测方法,以提高检测的准确率和鲁棒性。
本发明的技术思路是:利用SSD神经网络能快速和精确识别目标的优势,通过K-means聚类方法,对训练数据集进行聚类;根据聚类结果搭建针对车辆检测的SSD网络框架,识别禁停区域内的行驶车辆;通过模板匹配算法对检测的行驶车辆进行追踪,根据其运动轨迹判断车辆是否为违章停车。其实现步骤包括如下:
1)构建训练数据集:
1a)采集若干个不同场景、不同拍摄角度、不同光照变化和天气情况下的车辆行驶视频,将这些视频每隔25帧保存成一张图片;
1b)在每张图片上划定感兴趣区域,并对感兴趣区域内的车辆进行标注,再将标注车辆的坐标、宽高以及类别信息存入到txt格式的标签文件中;
1c)合并所有标签文件,并将文件的txt格式转换为xml格式,获得与训练图像相对应的车辆类别以及位置信息的标签文件,即训练数据集;
2)K-Means聚类获得车辆宽高比的K个聚类中心:
2a)使用MATLAB函数importdata()读入1b)生成的txt格式的标注文件,获取标注车辆的坐标、宽高以及类别信息,将所有标注车辆的宽和高存成一个二维矩阵X,其中矩阵的列代表车辆的宽高,矩阵的行代表不同的标注车辆;
2b)使用MATLAB函数Kmeans()对二维矩阵X进行K-Means聚类,得到K个聚类的车辆宽高,用聚类后的宽除以高得到K个宽高比的聚类中心;
3)使用2b)得到的车辆聚类宽高比,对SSD网络模型进行优化,得到优化后的SSD网络模型;
4)利用优化后的SSD网络模型和跟踪算法进行违章停车检测:
4a)读取视频,得到视频流,并在视频图像中设定禁止停车区域;
4b)从视频流中取第1帧图像,使用优化后的SSD网络模型对图像中禁停区域内的行驶车辆进行检测,获取车辆的位置信息;
4c)取视频流中第2~25帧图像,对4b)获取的目标车辆,调用Opencv函数matchTemplate()使用模板匹配算法进行追踪,得到目标车辆的运动状态和位置信息;
4d)设定交叠率阈值U=0.6,重复4b),根据本次SSD检测到的车辆位置与4c)跟踪结束后的车辆位置,计算交叠率u,将交叠率与交叠率阈值进行比较:若u>U,则将本次SSD检测出的目标车辆与追踪后的目标车辆判断为同一辆车,若u≤U,则判断本次SSD检测出的目标车辆为新进入禁止停车区域的车辆;
4e)重复4c)-4d),直到视频流结束,得到车辆的运动轨迹,将在设定时间阈值内保持静止的车辆判断为违章停车车辆。
本发明与现有技术相比具有以下优点:
1.检测准确率高:
现有的违章停车检测方法是通过背景分割的方法进行车辆的提取,对光照天气的变化过于敏感,易出现误检漏检的情况。而本发明采用深度学习的方法,搭建适用于车辆检测的SSD神经网络,对视频中的车辆直接进行识别,无需对车辆进行提取的步骤,规避了背景分割的弊端,提升了检测的准确率;另外,相较于人工车辆特征的检测算法,SSD网络能自学习车辆的多尺度特征,可以准确检测出各种不同大小和角度的车辆,进一步提高了检测的准确率。经实际测试,本发明对汽车违章停车的检测准确率可以达到99%。
2.鲁棒性好:
现有的违章停车检测方法只能在交通状况良好、天气状况优良的前提下有相对较好的检测效果,监控视频拍摄角度、拍摄场景的不同以及监控探头的抖动都会影响检测结果。而本发明基于SSD神经网络对违章停车车辆进行检测,对各种交通状况及天气情况都有很好的普适性,能克服不同角度、场景以及监控探头抖动对检测带来的不良影响,具有较强的鲁棒性。
附图说明
图1为本发明的实现流程图;
图2为本发明中的K-Means聚类车辆宽高比的结果图;
图3为用本发明在不同道路状况和不同天气下对车辆的检测效果图。
具体实施方式
下面结合附图和实例对本发明进行详细说明。
参照图1,本发明的实现步骤如下:
步骤1,构建训练数据集。
1a)采集若干个不同场景、不同拍摄角度、不同光照变化和天气情况下的车辆行驶视频,将这些视频每隔25帧保存成一张图片,根据视频分辨率设置图片大小为1280*720,放入JPEGImages文件夹中,本实例生成的训练图像为2000张;
1b)在采集的车辆行驶视频中,将视频内下方三分之二的车道形成的T型区域作为感兴趣区域,并在每张图片上划定出该感兴趣区域,并对感兴趣区域内的车辆进行标注,再将标注车辆的坐标、宽高以及类别信息存入到txt格式的标签文件中,标注完成后,每一张图片对应一个标签文件;
1c)合并所有标签文件,并将文件txt格式转换为xml格式,获得与训练图像相对应的车辆类别以及位置信息的标签文件,即构成训练数据集。
步骤2,通过K-Means聚类获得车辆宽高比的K个聚类中心。
2a)通过商业软件MATLAB的函数importdata()读入(1b)生成的txt格式的标注文件,把标注车辆的宽和高导入MATLAB工作区,再把导入工作区的数据存入矩阵X,其中矩阵的列代表车辆的宽高,矩阵的行代表不同的标注车辆;
2b)通过商业软件MATLAB的函数Kmeans()对(2a)中生成的二维矩阵X进行聚类计算,得到K个聚类的车辆宽和高,用聚类后的宽除以高得到K个宽高比的聚类中心,本实例中K取值为10;
2c)将车辆宽高比的K个聚类中心保存到txt文档中,结果如图2所示,从图2中能够得出普遍适用的车辆宽高比为:0.5,0.6,0.7;
所述的importdata()函数和Kmeans()函数,均为商业软件MATLAB的自带函数。
步骤3,使用(2c)得到的车辆聚类宽高比,对SSD网络模型进行优化,得到优化后的SSD网络模型。
本发明网络的搭建以及训练参数的设置均以python文件的方式编辑实现,其实现步骤如下:
3a)在linux系统下,下载和安装caffe-ssd深度学习平台;
3b)根据(2c)中K-Means宽高比聚类结果修改文件ssd_pascal.py中aspect_ratios的参数,本实例修改为:aspect_ratios=[0.5,0.6,0.7];
3c)修改caffe_ssd平台下的标签字典labelmap_voc.prototxt,将标签字典改为“汽车”和“背景”这两个类别;
3d)运行create_data.sh程序,将(1)中准备好的数据集转换为lmdb格式文件;
3e)运行ssd_pascal.py文件,开始训练SSD网络,直到网络训练收敛,得到最终的网络模型;
所述的create_data.sh程序为caffe-ssd深度学习平台自带程序。
步骤4,利用优化后的SSD网络模型和跟踪算法进行违章停车检测。
本发明的违章停车检测算法的具体实现以C++语言和opencv视觉库为载体,实现过程如下:
4a)读取视频,得到视频流,并在视频图像中设定禁止停车区域;
4b)从视频流中取第1帧图像,使用优化后的SSD网络模型对图像中禁停区域内的行驶车辆进行检测,获取车辆的位置信息;
4c)取视频流中第1~25帧图像,调用opencv函数matchTemplate(),利用(4b)获取的目标车辆作为模版,在视频流中找出目标车辆的位置,实现对车辆的追踪,得到目标车辆的运动状态和位置信息,所述的matchTemplate()函数,为Opencv开源计算机视觉库的自带函数;
4d)设定交叠率阈值U=0.6,重复(4b),根据本次SSD检测到的车辆位置与(4c)跟踪结束后的车辆位置,计算交叠率u,将交叠率与交叠率阈值进行比较:
若u>U,则将本次SSD检测出的目标车辆与追踪后的目标车辆判断为同一辆车;
若u≤U,则判断本次SSD检测出的目标车辆为新进入禁止停车区域的车辆;
4e)重复4c)-4d),直到视频流结束,得到车辆的运动轨迹,将在设定时间阈值内保持静止的车辆判断为违章停车车辆,本实例时间阈值设为15秒,检测结果如图3所示,其中图3(a)为晴天下检测效果图,图3(b)为雨天下检测效果图;
从图3的检测结果可以明显的看出:本发明的基于深度学习的违章停车检测方法适用于各种复杂的交通环境,对各种恶劣天气下的检测具有鲁棒性,准确率高且能达到实时检测,满足实际违章停车检测的需求。
Claims (8)
1.基于SSD神经网络的违章停车车辆实时检测方法,包括如下步骤:
1)构建训练数据集:
1a)采集若干个不同场景、不同拍摄角度、不同光照变化和天气情况下的车辆行驶视频,将这些视频每隔25帧保存成一张图片;
1b)在每张图片上划定感兴趣区域,并对感兴趣区域内的车辆进行标注,再将标注车辆的坐标、宽高以及类别信息存入到txt格式的标签文件中;
1c)合并所有标签文件,并将文件的txt格式转换为xml格式,获得与训练图像相对应的车辆类别以及位置信息的标签文件,即训练数据集;
2)通过K-Means聚类获得车辆宽高比的K个聚类中心:
2a)使用MATLAB函数importdata()读入1b)生成的txt格式的标注文件,获取标注车辆的坐标、宽高以及类别信息,将所有标注车辆的宽和高存成一个二维矩阵X,其中矩阵的列代表车辆的宽高,矩阵的行代表不同的标注车辆;
2b)使用MATLAB函数Kmeans()对二维矩阵X进行K-Means聚类,得到K个聚类的车辆宽高,用聚类后的宽除以高得到K个宽高比的聚类中心;
3)使用2b)得到的车辆聚类宽高比,对SSD网络模型进行优化,得到优化后的SSD网络模型;
4)利用优化后的SSD网络模型和跟踪算法进行违章停车检测:
4a)读取视频,得到视频流,并在视频图像中设定禁止停车区域;
4b)从视频流中取第1帧图像,使用优化后的SSD网络模型对图像中禁停区域内的行驶车辆进行检测,获取车辆的位置信息;
4c)取视频流中第2~25帧图像,对4b)获取的目标车辆,调用Opencv函数matchTemplate()使用模板匹配算法进行追踪,得到目标车辆的运动状态和位置信息;
4d)设定交叠率阈值U=0.6,重复4b),根据本次SSD检测到的车辆位置与4c)跟踪结束后的车辆位置,计算交叠率u,将交叠率与交叠率阈值进行比较:若u>U,则将本次SSD检测出的目标车辆与追踪后的目标车辆判断为同一辆车,若u≤U,则判断本次SSD检测出的目标车辆为新进入禁止停车区域的车辆;
4e)重复4c)-4d),直到视频流结束,得到车辆的运动轨迹,将在设定时间阈值内保持静止的车辆判断为违章停车车辆。
2.根据权利要求1所述的方法,其中步骤1b)中的感兴趣区域,是指在采集的车辆行驶视频中,视频内下方三分之二的车道形成的T型区域。
3.根据权利要求1所述的方法,其中步骤2a)中使用函数importdata()读入标注文件,是指通过商业软件MATLAB,把标注车辆的宽和高导入MATLAB工作区,再把导入工作区的数据存入矩阵X。
4.根据权利要求1所述的方法,其中步骤2b)中使用的函数Kmeans()聚类车辆的宽和高,是指通过商业软件MATLAB,对二维矩阵X进行聚类计算,求出车辆宽和高的K个聚类中心。
5.根据权利要求1所述的方法,其中步骤2a)和2b)中使用的importdata()函数和Kmeans()函数,为商业软件MATLAB的自带函数。
6.根据权利要求1所述的方法,其中步骤3)中对SSD网络模型进行优化,得到优化后的网络模型,按如下步骤进行:
3a)下载和安装caffe-ssd深度学习平台;
3b)根据K-Means宽高比聚类结果修改文件ssd_pascal.py中的aspect_ratios参数;
3c)修改caffe_ssd平台下的标签字典labelmap_voc.prototxt,使标签字典与检测类别一致;
3d)运行create_data.sh程序,将1)中准备好的数据集转换为lmdb格式文件;
3e)运行ssd_pascal.py文件,开始训练SSD网络,直到网络训练收敛,得到最终的网络模型。
7.根据权利要求1所述的方法,其中步骤4c)中调用Opencv计算机视觉库中的函数matchTemplate()使用模板匹配算法进行追踪,是利用SSD网络模型识别到的目标车辆作为模版,在视频流中找出目标车辆的位置,实现对车辆的追踪。
8.根据权利要求1所述的方法,其中步骤4c)中使用的matchTemplate()函数,为Opencv开源计算机视觉库的自带函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710225416.7A CN106935035B (zh) | 2017-04-07 | 2017-04-07 | 基于ssd神经网络的违章停车车辆实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710225416.7A CN106935035B (zh) | 2017-04-07 | 2017-04-07 | 基于ssd神经网络的违章停车车辆实时检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106935035A true CN106935035A (zh) | 2017-07-07 |
CN106935035B CN106935035B (zh) | 2019-07-23 |
Family
ID=59425039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710225416.7A Active CN106935035B (zh) | 2017-04-07 | 2017-04-07 | 基于ssd神经网络的违章停车车辆实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106935035B (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850868A (zh) * | 2015-06-12 | 2015-08-19 | 四川友联信息技术有限公司 | 一种基于k-means和神经网络聚类的客户细分方法 |
CN107590834A (zh) * | 2017-08-10 | 2018-01-16 | 北京博思廷科技有限公司 | 一种道路交通事件视频检测方法及系统 |
CN107609491A (zh) * | 2017-08-23 | 2018-01-19 | 中国科学院声学研究所 | 一种基于卷积神经网络的车辆违章停车检测方法 |
CN107657815A (zh) * | 2017-10-26 | 2018-02-02 | 成都九洲电子信息系统股份有限公司 | 一种高效的车辆图像定位识别方法 |
CN107680092A (zh) * | 2017-10-12 | 2018-02-09 | 中科视拓(北京)科技有限公司 | 一种基于深度学习的集装箱锁扣检测及预警方法 |
CN107943837A (zh) * | 2017-10-27 | 2018-04-20 | 江苏理工学院 | 一种前景目标关键帧化的视频摘要生成方法 |
CN108647665A (zh) * | 2018-05-18 | 2018-10-12 | 西安电子科技大学 | 基于深度学习的航拍车辆实时检测方法 |
CN108960175A (zh) * | 2018-07-12 | 2018-12-07 | 天津艾思科尔科技有限公司 | 一种基于深度学习的车牌识别方法 |
CN109326124A (zh) * | 2018-10-17 | 2019-02-12 | 江西洪都航空工业集团有限责任公司 | 一种基于机器视觉的城市环境停放车辆行为识别系统 |
CN109658688A (zh) * | 2017-10-11 | 2019-04-19 | 深圳市哈工大交通电子技术有限公司 | 基于深度学习的路口交通流的检测方法及装置 |
CN109784306A (zh) * | 2019-01-30 | 2019-05-21 | 南昌航空大学 | 一种基于深度学习的智能停车管理方法及系统 |
CN109919053A (zh) * | 2019-02-24 | 2019-06-21 | 太原理工大学 | 一种基于监控视频的深度学习车辆停车检测方法 |
CN109948436A (zh) * | 2019-02-01 | 2019-06-28 | 深兰科技(上海)有限公司 | 一种监控道路上车辆的方法及装置 |
CN109993789A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 一种共享单车的违停判定方法、装置及相机 |
CN110119726A (zh) * | 2019-05-20 | 2019-08-13 | 四川九洲视讯科技有限责任公司 | 一种基于YOLOv3模型的车辆品牌多角度识别方法 |
CN110135356A (zh) * | 2019-05-17 | 2019-08-16 | 北京百度网讯科技有限公司 | 违章停车的检测方法及装置、电子设备、计算机可读介质 |
WO2019175686A1 (en) | 2018-03-12 | 2019-09-19 | Ratti Jayant | On-demand artificial intelligence and roadway stewardship system |
CN110619747A (zh) * | 2019-09-27 | 2019-12-27 | 山东奥邦交通设施工程有限公司 | 一种高速公路道路智能监控方法及系统 |
CN110659546A (zh) * | 2018-06-29 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种违法摊位检测方法及装置 |
CN110837837A (zh) * | 2019-11-05 | 2020-02-25 | 安徽工业大学 | 一种基于卷积神经网络的违章检测方法 |
CN112364686A (zh) * | 2020-09-25 | 2021-02-12 | 江苏师范大学 | 基于深度学习的复杂天气道路场景识别系统的设计方法 |
CN113112813A (zh) * | 2021-02-22 | 2021-07-13 | 浙江大华技术股份有限公司 | 违章停车检测方法及装置 |
CN113362610A (zh) * | 2021-05-27 | 2021-09-07 | 北京万集科技股份有限公司 | 识别违规交通参与对象的方法、系统和计算机可读存储介质 |
WO2021217977A1 (zh) * | 2020-04-28 | 2021-11-04 | 平安科技(深圳)有限公司 | 多机器人的协作控制方法、装置及计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0944021B1 (en) * | 1992-06-19 | 2005-05-11 | United Parcel Service Of America, Inc. | Method and apparatus for training for generating and for adjusting a neuron |
CN105448103A (zh) * | 2015-12-24 | 2016-03-30 | 北京旷视科技有限公司 | 车辆套牌检测方法与系统 |
US20160140424A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Object-centric Fine-grained Image Classification |
CN106469299A (zh) * | 2016-08-31 | 2017-03-01 | 北京邮电大学 | 一种车辆搜索方法及装置 |
-
2017
- 2017-04-07 CN CN201710225416.7A patent/CN106935035B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0944021B1 (en) * | 1992-06-19 | 2005-05-11 | United Parcel Service Of America, Inc. | Method and apparatus for training for generating and for adjusting a neuron |
US20160140424A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Object-centric Fine-grained Image Classification |
CN105448103A (zh) * | 2015-12-24 | 2016-03-30 | 北京旷视科技有限公司 | 车辆套牌检测方法与系统 |
CN106469299A (zh) * | 2016-08-31 | 2017-03-01 | 北京邮电大学 | 一种车辆搜索方法及装置 |
Non-Patent Citations (4)
Title |
---|
LIU W ET AL.: ""SSD:Single Shot MultiBox Detector"", 《COMPUTER SCIENCE》 * |
SZEGEDY C ET AL.: ""High-Quality Object Detection"", 《COMPUTER SCIENCE》 * |
Z. DONG ET AL.: ""Vehicle Type Classification Using a Semi-Supervised Convolutional Neural Network"", 《IEEE TRANS.INTELLIGENT TRANSPORTATION SYSTEMS》 * |
季彦婕 等: ""基于小波变换和粒子群小波神经网络组合模型的有效停车泊位短时预测"", 《吉林大学学报(工学版)》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850868A (zh) * | 2015-06-12 | 2015-08-19 | 四川友联信息技术有限公司 | 一种基于k-means和神经网络聚类的客户细分方法 |
CN107590834A (zh) * | 2017-08-10 | 2018-01-16 | 北京博思廷科技有限公司 | 一种道路交通事件视频检测方法及系统 |
CN107609491A (zh) * | 2017-08-23 | 2018-01-19 | 中国科学院声学研究所 | 一种基于卷积神经网络的车辆违章停车检测方法 |
CN107609491B (zh) * | 2017-08-23 | 2020-05-26 | 中国科学院声学研究所 | 一种基于卷积神经网络的车辆违章停车检测方法 |
CN109658688A (zh) * | 2017-10-11 | 2019-04-19 | 深圳市哈工大交通电子技术有限公司 | 基于深度学习的路口交通流的检测方法及装置 |
CN107680092A (zh) * | 2017-10-12 | 2018-02-09 | 中科视拓(北京)科技有限公司 | 一种基于深度学习的集装箱锁扣检测及预警方法 |
CN107680092B (zh) * | 2017-10-12 | 2020-10-27 | 中科视拓(北京)科技有限公司 | 一种基于深度学习的集装箱锁扣检测及预警方法 |
CN107657815A (zh) * | 2017-10-26 | 2018-02-02 | 成都九洲电子信息系统股份有限公司 | 一种高效的车辆图像定位识别方法 |
CN107943837A (zh) * | 2017-10-27 | 2018-04-20 | 江苏理工学院 | 一种前景目标关键帧化的视频摘要生成方法 |
CN107943837B (zh) * | 2017-10-27 | 2022-09-30 | 江苏理工学院 | 一种前景目标关键帧化的视频摘要生成方法 |
CN109993789A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 一种共享单车的违停判定方法、装置及相机 |
CN109993789B (zh) * | 2017-12-29 | 2021-05-25 | 杭州海康威视数字技术股份有限公司 | 一种共享单车的违停判定方法、装置及相机 |
WO2019175686A1 (en) | 2018-03-12 | 2019-09-19 | Ratti Jayant | On-demand artificial intelligence and roadway stewardship system |
CN108647665A (zh) * | 2018-05-18 | 2018-10-12 | 西安电子科技大学 | 基于深度学习的航拍车辆实时检测方法 |
CN108647665B (zh) * | 2018-05-18 | 2021-07-27 | 西安电子科技大学 | 基于深度学习的航拍车辆实时检测方法 |
CN110659546A (zh) * | 2018-06-29 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种违法摊位检测方法及装置 |
CN110659546B (zh) * | 2018-06-29 | 2022-11-01 | 杭州海康威视数字技术股份有限公司 | 一种违法摊位检测方法及装置 |
CN108960175A (zh) * | 2018-07-12 | 2018-12-07 | 天津艾思科尔科技有限公司 | 一种基于深度学习的车牌识别方法 |
CN109326124A (zh) * | 2018-10-17 | 2019-02-12 | 江西洪都航空工业集团有限责任公司 | 一种基于机器视觉的城市环境停放车辆行为识别系统 |
CN109784306A (zh) * | 2019-01-30 | 2019-05-21 | 南昌航空大学 | 一种基于深度学习的智能停车管理方法及系统 |
CN109948436B (zh) * | 2019-02-01 | 2020-12-08 | 深兰科技(上海)有限公司 | 一种监控道路上车辆的方法及装置 |
CN109948436A (zh) * | 2019-02-01 | 2019-06-28 | 深兰科技(上海)有限公司 | 一种监控道路上车辆的方法及装置 |
CN109919053A (zh) * | 2019-02-24 | 2019-06-21 | 太原理工大学 | 一种基于监控视频的深度学习车辆停车检测方法 |
US11380104B2 (en) | 2019-05-17 | 2022-07-05 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting illegal parking, and electronic device |
CN110135356A (zh) * | 2019-05-17 | 2019-08-16 | 北京百度网讯科技有限公司 | 违章停车的检测方法及装置、电子设备、计算机可读介质 |
CN110119726A (zh) * | 2019-05-20 | 2019-08-13 | 四川九洲视讯科技有限责任公司 | 一种基于YOLOv3模型的车辆品牌多角度识别方法 |
CN110619747A (zh) * | 2019-09-27 | 2019-12-27 | 山东奥邦交通设施工程有限公司 | 一种高速公路道路智能监控方法及系统 |
CN110837837A (zh) * | 2019-11-05 | 2020-02-25 | 安徽工业大学 | 一种基于卷积神经网络的违章检测方法 |
CN110837837B (zh) * | 2019-11-05 | 2023-10-17 | 安徽工业大学 | 一种基于卷积神经网络的车辆违章检测方法 |
WO2021217977A1 (zh) * | 2020-04-28 | 2021-11-04 | 平安科技(深圳)有限公司 | 多机器人的协作控制方法、装置及计算机设备 |
CN112364686A (zh) * | 2020-09-25 | 2021-02-12 | 江苏师范大学 | 基于深度学习的复杂天气道路场景识别系统的设计方法 |
CN113112813A (zh) * | 2021-02-22 | 2021-07-13 | 浙江大华技术股份有限公司 | 违章停车检测方法及装置 |
CN113362610A (zh) * | 2021-05-27 | 2021-09-07 | 北京万集科技股份有限公司 | 识别违规交通参与对象的方法、系统和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106935035B (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106935035B (zh) | 基于ssd神经网络的违章停车车辆实时检测方法 | |
CN104183127B (zh) | 交通监控视频检测方法和装置 | |
CN109190444B (zh) | 一种基于视频的收费车道车辆特征识别系统的实现方法 | |
CN111145545A (zh) | 基于深度学习的道路交通行为无人机监测系统及方法 | |
CN103400157B (zh) | 一种基于视频分析的道路行人及非机动车检测方法 | |
CN108596129A (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
CN111563469A (zh) | 一种不规范停车行为识别方法及装置 | |
CN106845487A (zh) | 一种端到端的车牌识别方法 | |
CN100435160C (zh) | 一种用于交通信息实时采集的视频图像处理方法及系统 | |
CN103425967A (zh) | 一种基于行人检测和跟踪的人流监控方法 | |
CN105608431A (zh) | 一种基于车辆数目与车流速度的高速公路拥堵检测方法 | |
CN109325935A (zh) | 一种基于无人机图像的输电线路检测方法 | |
CN105513342A (zh) | 一种基于视频跟踪的车辆排队长度计算方法 | |
CN106096504A (zh) | 一种基于无人机机载平台的车型识别方法 | |
CN110009023A (zh) | 智慧交通中的车流统计方法 | |
CN111008574A (zh) | 一种基于形体识别技术的重点人员轨迹分析方法 | |
CN105761507B (zh) | 一种基于三维轨迹聚类的车辆计数方法 | |
CN109165602A (zh) | 一种基于视频分析的黑烟车检测方法 | |
CN108520528B (zh) | 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法 | |
CN108090457A (zh) | 一种基于视频的机动车不礼让行人检测方法 | |
CN105243354B (zh) | 一种基于目标特征点的车辆检测方法 | |
CN111127520B (zh) | 一种基于视频分析的车辆跟踪方法和系统 | |
CN109191492A (zh) | 一种基于轮廓分析的智能视频黑烟车检测方法 | |
CN107635188A (zh) | 一种基于Docker平台的视频车辆跟踪分析方法 | |
CN111597992B (zh) | 一种基于视频监控的场景物体异常的识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |