CN107038423A - 一种车辆实时检测与跟踪方法 - Google Patents
一种车辆实时检测与跟踪方法 Download PDFInfo
- Publication number
- CN107038423A CN107038423A CN201710261484.9A CN201710261484A CN107038423A CN 107038423 A CN107038423 A CN 107038423A CN 201710261484 A CN201710261484 A CN 201710261484A CN 107038423 A CN107038423 A CN 107038423A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- tracking
- detection
- detected
- 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
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆实时检测与跟踪方法,包括:分类器训练步骤,跟踪目标检测步骤,车辆跟踪步骤。本发明方法可用于多目标车辆的检测与跟踪;跟踪目标检测步骤中对连续三帧图像进行车辆检测,将连续三帧检测到的相同车辆作为跟踪目标进行跟踪,即连续三帧检测到相同车辆才进行跟踪,减小车辆检测出现误检时的影响,提高跟踪的准确率;车辆跟踪步骤中采用方向梯度直方图作为图像特征提取,方向梯度直方图特征对图像几何和光学的形变能保持很好的不变性,提高了车辆跟踪的准确率;只有当所有跟踪目标均跟踪成功才继续跟踪,否则重新进行跟踪目标的检测,而且跟踪只在相邻帧图像之间进行,减少漏检现象的发生,提高检测和跟踪的准确率。
Description
技术领域
本发明涉及汽车图像处理技术领域,具体涉及一种车辆实时检测与跟踪方法。
背景技术
车辆在行驶过程中,由于驾驶员的疏忽、道路情况的突然变化等,很容易造成追尾等交通事故,产生财产或生命的损失。近年来,随着科技的不断发展,安全辅助驾驶技术也得到了不断的进步,采用安全辅助驾驶系统一方面能够减小驾驶员的压力,另一方面能够对道路紧急情况做出预警,从而避免交通事故的发生。
在安全辅助驾驶系统中,车辆的检测与跟踪技术是保障安全行驶的关键技术之一,车辆检测与跟踪是指通过分析视频图像序列自动获取画面中出现的车辆信息,并在连续视频中对相同车辆目标进行稳定跟踪,在避免或者减少交通事故的发生中发挥了巨大作用。
目前,在车辆检测方面有多种方法,比如:背景差分法、光流法、运动矢量法等。其中背景差分法检测运动目标的速度快而且准确,计算的复杂度较低,它是采用图像序列中的当前帧和背景参考模型比较来检测运动物体的一种方法,其性能依赖于所使用的背景建模技术。但是该方法对光照变化的敏感度大,容易将图像中的阴影部分误认为是检测目标。光流法和运动矢量法虽然准确度尚可,但是鲁棒性较差并且处理速度很慢,无法满足实时系统的应用需求。目前目标跟踪的方法主流的主要有三种:Meanshift方法,卡尔曼滤波方法以及Camshif方法。这些方法只是针对单目标跟踪,首先要指定跟踪的目标,然后进行跟踪,优点是提高了检测速率,但也存在不可忽视的缺点,这些方法一般只是在一开始进行车辆检测,检测完成之后便开始跟踪,这样误检结果会直接传输给跟踪器,无法更正,严重的话会直接影响到跟踪器的可靠性。
发明内容
本发明解决的技术问题是现有的车辆检测技术只在一开始进行车辆检测,检测后便开始跟踪,出现误检无法更正,容易漏检,使得跟踪准确率低。
为解决上述问题,本发明提供一种车辆实时检测与跟踪方法,包括以下步骤:
S1、分类器训练:
获得正样本和负样本;对所有样本进行预处理;提取所有样本的特征值,利用所有样本的特征值进行训练,得到车辆检测分类器;
S2、跟踪目标检测:
S201、获取实时视频中的图像Xi进行车辆检测,其中图像帧号i为大于0的正整数,若图像Xi未检测到车辆,则图像帧号i增加1,继续执行S201,否则执行S202;
S202、获取实时视频中的图像Xi+1进行车辆检测,若图像Xi+1未检测到车辆,则图像帧号i增加2,继续执行S201,否则将图像Xi+1中检测出的每个车辆与图像Xi中检测出的所有车辆分别进行比较,若图像Xi+1的车辆中有与图像Xi的车辆满足相似性指标,则将图像Xi+1中满足相似性指标的车辆视为初级目标,执行S203,否则图像帧号i增加1,执行S202;
S203、获取实时视频中的图像Xi+2进行车辆检测,若图像Xi+2未检测到车辆,则图像帧号i增加3,继续执行S201,否则将图像Xi+2检测出的每个车辆与图像Xi+1检测出的视为初级目标的车辆相比较,若图像Xi+2的车辆中有与图像Xi+1中视为初级目标的车辆满足相似性指标,则图像Xi+2中满足相似性指标的车辆视为跟踪目标,用标记框进行标记,将图像Xi+2视为跟踪图像输出,执行S3,否则图像帧号i增加2,执行S202;
S3、车辆跟踪:
S301、提取跟踪图像中每一标记框区域的HOG特征向量;
S302、获取实时视频中的图像Xi+3,提取图像Xi+3所有检测区域的HOG特征向量,其中每个检测区域与跟踪图像的每个标记框区域一一对应;
S303、将跟踪图像的每一标记框区域的HOG特征向量与图像Xi+3对应的检测区域的HOG特征向量相比较,满足相似性指标的标记框区域和检测区域视为目标相同,使用与跟踪图像标记框大小相同的标记框在检测区域中进行标记,若跟踪图像的所有标记框区域与对应的检测区域均目标相同,则跟踪成功,将图像Xi+3视为跟踪图像输出,图像帧号i增加1,执行S302,否则跟踪失败,图像帧号i增加3,执行S2。
作为本发明的进一步改进,S1中提取所有样本的Haar特征值,使用Adaboost算法进行训练,得到车辆检测分类器。
作为本发明的进一步改进,S2中车辆检测的具体步骤为:将当前帧图像进行预处理;提取当前帧图像的感兴趣区域的Haar特征值,其中感兴趣区域为以图像中心为中心,长宽分别为图像长宽的四分之三的方框所勾勒出的区域;将特征值输入车辆检测分类器,检测出当前帧图像中的所有车辆。
本发明将Haar特征与Adaboost算法相结合用于检测车辆,实现简单,检测速度快且准确率高。
本发明的有益效果:(1)本发明可用于多目标车辆的检测与跟踪;(2)本发明对连续三帧图像进行车辆检测,将连续三帧检测到的相同车辆作为跟踪目标进行跟踪,即连续三帧检测到相同车辆才进行跟踪,减小车辆检测出现误检时对车辆跟踪的影响,提高跟踪的准确率;(3)本发明车辆跟踪时采用方向梯度直方图作为图像特征提取,方向梯度直方图特征对图像几何和光学的形变能保持很好的不变性,提高了车辆跟踪的准确率;(4)本发明只有当所有跟踪目标均跟踪成功才继续跟踪,否则重新进行跟踪目标的检测,而且跟踪只在相邻帧图像之间进行,减少漏检现象的发生,提高检测和跟踪的准确率。
附图说明
图1是本发明方法的流程图。
具体实施方式
本发明提出了一种车辆实时检测与跟踪方法,如图1所示,包括如下步骤:
S1、分类器训练,本发明具体实施例中使用Adaboost(Adaptive Boosting自适应增强)算法训练得到车辆检测分类器:
S101、获得正样本和负样本:设定仅仅含有车辆的图片为正样本,包含马路但不含车辆的图片为负样本,正样本与负样本的数量比为1:5;
S102、对所有样本进行预处理:对上述获得的正样本和负样本先进行灰度化处理,再对所有正样本进行尺寸归一化处理,均缩放为20*20大小;
S103、提取所有样本的Haar特征值,根据所有样本的特征值使用Adaboost算法进行训练,得到车辆检测分类器。该步骤方法为现有技术,本发明具体实施例中采用计算机视觉库(OpenCV)提供的Haar traing程序训练得到车辆检测分类器。
S2、跟踪目标检测,具体包括以下步骤:
S201、获取实时视频中的图像Xi进行车辆检测,其中实时视频由连续的图像序列X1,X2,…组成,若图像Xi未检测到车辆,则图像帧号i增加1,继续执行S201,否则执行S202;
S202、获取实时视频中的图像Xi+1进行车辆检测,若图像Xi+1未检测到车辆,则图像帧号i增加2,继续执行S201,否则将图像Xi+1检测出的每个车辆所在区域的Haar特征值与图像Xi检测出的所有车辆所在区域的Haar特征值分别进行比较,计算他们之间的方差,若图像Xi+1的车辆中有与图像Xi的车辆的特征值的方差满足在预设方差范围内,则将图像Xi+1的满足相似性指标的车辆视为初级目标,执行S203,否则图像帧号i增加1,执行S202;
S203、获取实时视频中的图像Xi+2进行车辆检测,若图像Xi+2未检测到车辆,则图像帧号i增加3,继续执行S201,否则将图像Xi+2检测出的每个车辆所在区域的Haar特征值与图像Xi+1检测出的视为初级目标的车辆所在区域的Haar特征值相比较,计算他们之间的方差,若图像Xi+2的车辆中有与图像Xi+1的视为初级目标的车辆的特征值的方差满足在预设方差范围内,则将图像Xi+2的满足相似性指标的车辆视为跟踪目标,用标记框进行标记,将图像Xi+2视为跟踪图像输出,执行S3,否则图像帧号i增加2,执行S202;所述标记框为矩形框,矩形框的大小通过检测出的每辆车的对角坐标来确定。
其中车辆检测的具体步骤为:将当前帧图像进行预处理,即进行灰度化处理;提取当前帧图像的感兴趣区域的Haar特征值,其中感兴趣区域为以图像中心为中心,长宽分别为图像长宽的四分之三的方框所勾勒出的区域;将特征值输入车辆检测分类器,检测出当前帧图像中的所有车辆。
本发明跟踪目标检测步骤对连续三帧图像进行车辆检测,将连续三帧检测到的相同车辆作为跟踪目标进行跟踪,即连续三帧检测到相同车辆才进行跟踪,减小车辆检测出现误检时的影响,提高跟踪的准确率。
S3、车辆跟踪,具体步骤为:
S301、提取跟踪图像中每一标记框区域的HOG特征,具体为:
提取跟踪图像中标记框内的图像,将图像缩放成32*32,再将缩放后的图像截成64个4*4大小的小图像,计算每个小图像的横向和纵向的梯度,得到每个小图像的每个像素的梯度信息,将每个像素的梯度信息按四边形分解法则投影到八个方向上,得到每个像素在每个方向的梯度信息,计算每个小图像的八个方向梯度上的统计直方图,得到该标记框内图像的特征向量,上述特征向量为512维,使用同样的方法得到跟踪图像中每个标记框内区域的特征向量;
S302、获取实时视频中的图像Xi+3,提取图像Xi+3所有检测区域的HOG特征向量,其中每个检测区域与跟踪图像的每个标记框区域一一对应,检测区域也为矩形,每个检测区域的中心分别对应每个标记框的中心,长宽为标记框的1.5倍,具体为:
提取图像Xi+3检测区域内的图像,采用32*32大小的扫描框依次扫描提取出的图像,将扫描框中的图像截成64个4*4大小的小图像,计算每个小图像的横向和纵向的梯度,得到每个小图像中每个像素的梯度信息,将每个像素的梯度信息按四边形分解法则投影到八个方向上,得到每个像素在每个方向的梯度信息,计算每个小图像的八个方向梯度上的统计直方图,得到该扫描框内的特征向量,从而得到该检测区域的特征向量,使用相同方法得到图像Xi+3每个检测区域的特征向量;
S303、将跟踪图像的每一标记框区域的特征向量与图像Xi+3对应的检测区域的特征向量作比较,计算他们之间的方差,若满足在预设方差范围内,则检测区域与对应的标记框区域目标相同,并使用与跟踪图像对应的标记框大小相同的标记框在检测区域中进行标记,并保存检测区域中标记框内的特征向量,使用相同方法遍历图像Xi+3所有检测区域,若所有检测区域与对应的跟踪图像的标记框区域目标均相同,则跟踪成功,将图像Xi+3视为跟踪图像输出,图像帧号i增加1,执行S302,否则跟踪失败,图像帧号i增加3,执行S2。
本发明车辆跟踪步骤只有当所有跟踪目标均跟踪成功后才继续跟踪,否则重新进行跟踪目标的检测,而且跟踪只在相邻帧图像之间进行,减少漏检现象的发生,提高检测和跟踪的准确率。
Claims (3)
1.一种车辆实时检测与跟踪方法,包括以下步骤:
S1、分类器训练:
获得正样本和负样本;对所有样本进行预处理;提取所有样本的特征值,利用所有样本的特征值进行训练,得到车辆检测分类器;
S2、跟踪目标检测:
S201、获取车辆实时视频中的图像Xi进行车辆检测,其中图像帧号i为大于0的正整数,若图像Xi未检测到车辆,则图像帧号i增加1,继续执行S201,否则执行S202;
S202、获取实时视频中的图像Xi+1进行车辆检测,若图像Xi+1未检测到车辆,则图像帧号i增加2,继续执行S201,否则将图像Xi+1中检测出的每个车辆与图像Xi中检测出的所有车辆分别进行比较,若图像Xi+1的车辆中有与图像Xi的车辆满足相似性指标,则将图像Xi+1中满足相似性指标的车辆视为初级目标,执行S203,否则图像帧号i增加1,执行S202;
S203、获取实时视频中的图像Xi+2进行车辆检测,若图像Xi+2未检测到车辆,则图像帧号i增加3,继续执行S201,否则将图像Xi+2检测出的每个车辆与图像Xi+1检测出的视为初级目标的车辆相比较,若图像Xi+2的车辆中有与图像Xi+1中视为初级目标的车辆满足相似性指标,则将图像Xi+2中满足相似性指标的车辆视为跟踪目标,用标记框进行标记,将图像Xi+2视为跟踪图像输出,执行S3,否则图像帧号i增加2,执行S202;
S3、车辆跟踪:
S301、提取跟踪图像中每一标记框区域的HOG特征向量;
S302、获取实时视频中的图像Xi+3,提取图像Xi+3所有检测区域的HOG特征向量,其中每个检测区域与跟踪图像的每个标记框区域一一对应;
S303、将跟踪图像的每一标记框区域的HOG特征向量与图像Xi+3对应的检测区域的HOG特征向量相比较,满足相似性指标的标记框区域和检测区域视为目标相同,使用与跟踪图像标记框大小相同的标记框在检测区域中进行标记,若跟踪图像的所有标记框区域与对应的检测区域均目标相同,则跟踪成功,将图像Xi+3视为跟踪图像输出,图像帧号i增加1,执行S302,否则跟踪失败,图像帧号i增加3,执行S2。
2.根据权利要求1所述的车辆实时检测与跟踪方法,其特征在于,S1中提取所有样本的Haar特征值,使用Adaboost算法进行训练,得到车辆检测分类器。
3.根据权利要求2所述的车辆实时检测与跟踪方法,其特征在于,S2中车辆检测的具体步骤为:将当前帧图像进行预处理;提取当前帧图像的感兴趣区域的Haar特征值;将特征值输入车辆检测分类器,检测出当前帧图像中的所有车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710261484.9A CN107038423B (zh) | 2017-04-20 | 2017-04-20 | 一种车辆实时检测与跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710261484.9A CN107038423B (zh) | 2017-04-20 | 2017-04-20 | 一种车辆实时检测与跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107038423A true CN107038423A (zh) | 2017-08-11 |
CN107038423B CN107038423B (zh) | 2020-03-27 |
Family
ID=59536413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710261484.9A Active CN107038423B (zh) | 2017-04-20 | 2017-04-20 | 一种车辆实时检测与跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107038423B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985233A (zh) * | 2018-07-19 | 2018-12-11 | 常州智行科技有限公司 | 一种基于数字图像相关的高精度车辆跟踪方法 |
CN111428663A (zh) * | 2020-03-30 | 2020-07-17 | 北京百度网讯科技有限公司 | 红绿灯状态的识别方法、装置、电子设备和存储介质 |
CN112183252A (zh) * | 2020-09-15 | 2021-01-05 | 珠海格力电器股份有限公司 | 视频的动作识别方法、装置、计算机设备和存储介质 |
CN113409588A (zh) * | 2021-06-17 | 2021-09-17 | 郑州大学 | 一种基于视频压缩域的多车测速方法 |
WO2023050678A1 (zh) * | 2021-09-30 | 2023-04-06 | 上海商汤智能科技有限公司 | 多目标跟踪方法、装置、电子设备、存储介质和程序 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916383A (zh) * | 2010-08-25 | 2010-12-15 | 浙江师范大学 | 基于多摄像机的车辆检测跟踪识别系统 |
CN104809437A (zh) * | 2015-04-28 | 2015-07-29 | 无锡赛睿科技有限公司 | 一种基于实时视频的车辆检测与跟踪方法 |
CN105184258A (zh) * | 2015-09-09 | 2015-12-23 | 苏州科达科技股份有限公司 | 目标跟踪方法及系统、人员行为分析方法及系统 |
-
2017
- 2017-04-20 CN CN201710261484.9A patent/CN107038423B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916383A (zh) * | 2010-08-25 | 2010-12-15 | 浙江师范大学 | 基于多摄像机的车辆检测跟踪识别系统 |
CN104809437A (zh) * | 2015-04-28 | 2015-07-29 | 无锡赛睿科技有限公司 | 一种基于实时视频的车辆检测与跟踪方法 |
CN105184258A (zh) * | 2015-09-09 | 2015-12-23 | 苏州科达科技股份有限公司 | 目标跟踪方法及系统、人员行为分析方法及系统 |
Non-Patent Citations (3)
Title |
---|
WEN-HUI LI等: "Co-training Algorithm Based on On-line Boosting for Vehicle Tracking", 《PROCEEDING OF THE IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION》 * |
刘洋: "运动目标的检测与跟踪技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
金立生等: "基于Adaboost算法的日间前方车辆检测", 《吉林大学学报(工学版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985233A (zh) * | 2018-07-19 | 2018-12-11 | 常州智行科技有限公司 | 一种基于数字图像相关的高精度车辆跟踪方法 |
CN108985233B (zh) * | 2018-07-19 | 2021-08-03 | 常州智行科技有限公司 | 一种基于数字图像相关的高精度车辆跟踪方法 |
CN111428663A (zh) * | 2020-03-30 | 2020-07-17 | 北京百度网讯科技有限公司 | 红绿灯状态的识别方法、装置、电子设备和存储介质 |
CN111428663B (zh) * | 2020-03-30 | 2023-08-29 | 阿波罗智能技术(北京)有限公司 | 红绿灯状态的识别方法、装置、电子设备和存储介质 |
CN112183252A (zh) * | 2020-09-15 | 2021-01-05 | 珠海格力电器股份有限公司 | 视频的动作识别方法、装置、计算机设备和存储介质 |
CN113409588A (zh) * | 2021-06-17 | 2021-09-17 | 郑州大学 | 一种基于视频压缩域的多车测速方法 |
CN113409588B (zh) * | 2021-06-17 | 2022-07-22 | 郑州大学 | 一种基于视频压缩域的多车测速方法 |
WO2023050678A1 (zh) * | 2021-09-30 | 2023-04-06 | 上海商汤智能科技有限公司 | 多目标跟踪方法、装置、电子设备、存储介质和程序 |
Also Published As
Publication number | Publication date |
---|---|
CN107038423B (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11643076B2 (en) | Forward collision control method and apparatus, electronic device, program, and medium | |
CN107038423A (zh) | 一种车辆实时检测与跟踪方法 | |
Min et al. | A new approach to track multiple vehicles with the combination of robust detection and two classifiers | |
Kuo et al. | Vision-based vehicle detection for a driver assistance system | |
Huang et al. | Robust inter-vehicle distance estimation method based on monocular vision | |
CN105260712B (zh) | 一种车辆前方行人检测方法及系统 | |
CN107463890B (zh) | 一种基于单目前视相机的前车检测与跟踪方法 | |
Cui et al. | Vehicle localisation using a single camera | |
Chougule et al. | Reliable multilane detection and classification by utilizing CNN as a regression network | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN102222341B (zh) | 运动特征点检测方法及装置、运动目标检测方法及装置 | |
Mu et al. | Multiscale edge fusion for vehicle detection based on difference of Gaussian | |
Zhang et al. | A multi-feature fusion based traffic light recognition algorithm for intelligent vehicles | |
CN104463903A (zh) | 一种基于目标行为分析的行人图像实时检测方法 | |
Wang et al. | A video-based traffic violation detection system | |
Rabiu | Vehicle detection and classification for cluttered urban intersection | |
Tian et al. | Road marking detection based on mask R-CNN instance segmentation model | |
Arshad et al. | Lane detection with moving vehicles using color information | |
CN111553214A (zh) | 一种驾驶员吸烟行为检测方法及系统 | |
CN109558877B (zh) | 基于kcf的海上目标跟踪算法 | |
CN115588188A (zh) | 一种机车、车载终端和驾驶员行为识别方法 | |
Dai et al. | A driving assistance system with vision based vehicle detection techniques | |
CN115909199A (zh) | 一种基于多重回溯验证的双背景建模遗留物检测方法 | |
Pan et al. | A new method of vehicle license plate location under complex scenes | |
Said et al. | Real-time detection and classification of traffic light signals |
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 |