CN107134144B - 一种用于交通监控的车辆检测方法 - Google Patents

一种用于交通监控的车辆检测方法 Download PDF

Info

Publication number
CN107134144B
CN107134144B CN201710288019.4A CN201710288019A CN107134144B CN 107134144 B CN107134144 B CN 107134144B CN 201710288019 A CN201710288019 A CN 201710288019A CN 107134144 B CN107134144 B CN 107134144B
Authority
CN
China
Prior art keywords
vehicle
layer
picture
convolutional
neural network
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.)
Expired - Fee Related
Application number
CN201710288019.4A
Other languages
English (en)
Other versions
CN107134144A (zh
Inventor
王宇宁
庞智恒
吕晨阳
袁德明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201710288019.4A priority Critical patent/CN107134144B/zh
Publication of CN107134144A publication Critical patent/CN107134144A/zh
Application granted granted Critical
Publication of CN107134144B publication Critical patent/CN107134144B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/21—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (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)

Abstract

一种用于交通监控的车辆检测方法，包括步骤：S1、首先将收集到的交通监控图片拆分成上下两部分，上半部分图片的车辆离监控摄像头较远，车辆呈现小而模糊的状态，裁剪出其中的车辆并标注车辆类别信息，组成第一训练样本集；下半部分图片的车辆离监控摄像头较近，车辆呈现大而清晰的状态，直接在下半部分图片中标注出车辆类别信息和位置信息，并组成第二训练样本集；S2、构建并训练卷积神经网络；S3、构建并训练YOLO神经网络；S4、结合卷积神经网络和YOLO神经网络输出结果，检测出整张交通监控图片中的车辆。本发明能够同时克服检测卷积神经网络检测速度较慢和YOLO神经网络召回率低的缺点，快速准确地检测出交通监控中的车辆。

Description

一种用于交通监控的车辆检测方法
技术领域
本发明属于车辆图像检测领域，具体涉及一种用于交通监控的车辆检测方法。
背景技术
近年来随着车辆的增多，交通道路的拥堵情况越来越严重，因此交通部门对能够实时检测各条道路上的行驶车辆数量的技术需求显得愈加强烈。传统上采用的人工检测的方式既消耗人力又缺乏准确率。并且当前的主流的基于机器视觉的车辆检测方法仅在静态图片中有较好的性能表现，而在动态视频中的性能表现不能够满足技术需求。
现有的车辆检测方法主要有以下几种：
1、HOG特征检测：HOG检测法特征是一种在计算机视觉和图像处理中用来进行车辆检测的特征描述。它通过计算和统计图像局部区域的梯度方向直方图来构成特征，然后将HOG特征与SVM分类器相结合进行车辆检测。HOG特征检测具有较高的检测速率，但HOG特征检测对环境噪声较为敏感，鲁棒性较差。
2、卷积神经网络：卷积神经网络主要由多个卷积层、池化层和全连接层组成，其中，卷积层用于提取图片中车辆的特征；池化层用于降低维度，减小运算量；全连接层用于特征分类。卷积神经网络的训练样本需要标注类型信息才能用于训练。卷积神经网络法具有较高的识别率以及较强的鲁棒性。由于卷积神经网络主要用于物体识别任务，因此通常需要结合滑动窗口才能完成检测任务。而为了保证检测任务的召回率，滑动窗口步数通常较小，从而降低了卷积神经网络在检测任务中的检测速度。
3、YOLO神经网络：YOLO神经网络的主体部分也是卷积神经网络，但YOLO神经网络可以直接完成车辆检测任务。YOLO神经网络的训练样本不光需要标注图片中样本的类别信息还要标注位置信息。在检测过程中，将图片分割成若干网格，然后每个网格直接预测车辆所在位置的边界框和物体为车辆的概率。YOLO神经网络法具有很快的检测速率，满足视频检测的速率要求。但检测结果的召回率通常不如卷积神经网络，主要表现为容易漏检视频中的小物体。
由此可见，车辆检测技术在静态图片中具较好地表现。但受检测速率、准确率以及召回率的影响，现有方法在视频方面仍存在着很多技术难题。因而基于视频的车辆检测技术仍是国内外一些科研机构重要的研究课题。
发明内容
本发明要解决的技术问题是，针对现有车辆检测方法存在的上述不足，提供一种用于交通监控的车辆检测方法，同时克服检测卷积神经网络检测速度较慢和YOLO神经网络召回率低的缺点，快速准确地检测交通监控中的车辆，具有较高速率、准确率和召回率。
本发明为解决上述技术问题所采用的技术方案是：
一种用于交通监控的车辆检测方法，对交通监控图片中的车辆进行检测，包括如下步骤：
S1、首先将收集到的交通监控图片拆分成上下两部分，上半部分图片的车辆离监控摄像头较远，车辆呈现小而模糊的状态，裁剪出其中的车辆并标注车辆类别信息，组成第一训练样本集；下半部分图片的车辆离监控摄像头较近，车辆呈现大而清晰的状态，直接在下半部分图片中标注出车辆类别信息和位置信息，并组成第二训练样本集；
S2、构建并训练卷积神经网络：
i)构建含有10层的卷积神经网络，10层依次是卷积层Conv1，卷积层Conv2，最大池化层MaxPool3，卷积层Conv4，卷积层Conv5，卷积层Conv6，最大池化层MaxPool7，全连接层Fc8，全连接层Fc9，输出层out10(Softmax10)；
ii)输入第一训练样本集，训练卷积神经网络，直到卷积神经网络的损失函数≤0.0001，得到经过训练的卷积神经网络；
S3、构建并训练YOLO神经网络：
i)构建含有11层的卷积神经网络，11层依次是卷积层Conv1，卷积层Conv2，最大池化层MaxPool3，卷积层Conv4，卷积层Conv5，卷积层Conv6，卷积层Conv7，最大池化层MaxPool8，全连接层Fc9，全连接层Fc10，输出层out11；
ii)输入已标注出车辆类别信息和位置信息的第二训练样本集，训练YOLO神经网络，直到YOLO神经网络的损失函数≤0.0001，得到经过训练的YOLO神经网络；
S4、检测过程中，结合步骤S2中卷积神经网络输出结果和步骤S3中YOLO神经网络输出结果，检测出整张交通监控图片中的车辆。
按上述方案，步骤S2所述的卷积神经网络是一种深度学习理论基础上的权值共享多层神经网络；卷积神经网络由输入图像、隐藏层和输出层组成：
卷积神经网络的输入图像为标注车辆类别信息的RGB图像；
卷积神经网络的隐藏层由5个卷积层，2个最大池化层和2个全连接层组成；其中，卷积层主要进行卷积操作和利用线性修正激活函数ReLU修正特征图；最大池化层主要进行下采样操作；全连接层主要进行加权输入和激活操作，具体表现形式如下：
a.卷积层的表现形式为：
式(1)中，f(·)为线性修正激活函数ReLU；表示第l卷积层的第j个神经元输出值；表示第l-1卷积层的第i个输入神经元的输出值；为卷积核；Mj代表选择的输入特征图的集合；是偏置量；
b.最大池化层的表现形式为：
式(2)中，代表第l最大池化层的第j个输出值，X″l-1表示第l-1层中的待池化输入值；
c.全连接层的表现形式为：
式(3)中，f(·)为线性修正激活函数ReLU；表示第l全连接层的第j个神经元的输出值；表示前一层的第i个神经元的输出值；为权重；m等于前一层的神经元个数；是偏置量；
卷积神经网络的输出层是Softmax函数，其中神经元个数与第一训练样本集中的类别数相等。
按上述方案，步骤S3所述的YOLO神经网络是一种基于卷积神经网络的目标检测网络；YOLO神经网络由输入图像、隐含层和输出层组成：
YOLO神经网络的输入图像为标注车辆类别信息和位置信息的RGB图像；
YOLO神经网络的隐藏层由6个卷积层，2个最大池化层和2个全连接层组成；各层操作方式与卷积神经网络相同；
YOLO神经网络的输出层的神经元个数为(5*num+classed)*size*size；输出结果构成一个三维矩阵，其中，classed为第二训练样本集中的类别数，size代表YOLO神经网络将输入图片拆分成size*size个网格，num代表每个网络预测的包围框数。
按上述方案，其特征在于，交通监控图片大小为448×448像素，拆分成上下两部分图片后，大小均为448×224像素。
按上述方案，其特征在于，从大小为448×224像素的上半部分图片中裁剪出车辆图片，标注类别信息并将图片大小统一调整为120×120像素，经过标注和大小调整的车辆图片组成所述第一训练样本集，对应卷积神经网络的输入图像大小为120×120像素。
按上述方案，直接在大小为448×224像素的下半部分图片中标注车辆类别信息和位置信息，经过标注的下半部分图片组成所述第二训练样本集，对应YOLO神经网络的输入图像大小为448×224像素。
按上述方案，所述的卷积神经网络输出层的损失函数表示为：
式(4)中，J1(θ)表示卷积神经网络的损失函数；m为每批量的图片数；hθ(α(i))表示Softmax分类的期望函数；α表示卷积神经网络中全连接层Fc9输出的特征向量；β表示与卷积神经网络中全连接层Fc9输出的特征向量α对应的标签；θ表示为模型参数。
按上述方案，所述的YOLO神经网络输出层的损失函数表示为：
式(5)中，J2(θ)表示YOLO神经网络的损失函数；λcoord＝5；λnoobj＝0.5；S2为网格数；wi、hi分别为网格i的预测边界框的宽和高；分别为网格i的标签边界框的宽和高；xi、yi表示为网格i的预测边界框中心相对于网格i的位置；为网格i的标签边界框中心相对于网格i的位置；pi(c)为网格i的预测边界框关于类别c的置信度；为网格i的标签边界框关于类别c的置信度；classes为第二训练样本集中的样本类别数；Ci为网格i的预测边界框的预测类别；为网格i的标签边界框的标签类别。
按上述方案，所述卷积神经网络和YOLO神经网络均采用小批量随机梯度下降法训练。
按上述方案，步骤S4具体为，将交通监控图片拆分成上下两部分，上部分利用滑动窗口采样图片，将其输入卷积神经网络，检测出上半部分中的车辆；将下半部分直接输入YOLO神经网络，检测出下半部分中的车辆；结合卷积神经网络输出结果和YOLO神经网络输出结果，检测出交通监控图片中的车辆。
本发明具有以下有益效果：
1、本发明同时克服检测卷积神经网络检测速度较慢和YOLO神经网络召回率低的缺点，能够快速准确地检测交通监控中的车辆，满足交通监控的技术需求且实现难度较低；
2、检测速率、准确率和召回率均高于卷积神经网络或YOLO神经网络的单独使用，既适用于图片，也适用于视频，具有广阔的应用前景。
附图说明
图1为本发明用于交通监控的车辆检测方法的训练流程示意图；
图2为本发明实施例卷积神经网络结构图；
图3为本发明实施例YOLO神经网络结构图。
具体实施方式
以下结合附图和实施例对本发明的原理和特征进一步的描述。
如图1所示，本发明实施例所述的用于交通监控的车辆检测方法，对交通监控视频中的车辆进行检测，由于视频是由一帧帧的图片构成，因此本质是快速地对交通监控图片中的车辆进行检测，车辆检测方法通过将经过训练的卷积神经网络和YOLO神经网络联合使用，向其输入交通监控图片、并由所述的卷积神经网络和YOLO神经网络输出检测结果而实现。即该方法的实现首先要训练好卷积神经网络和YOLO神经网络，在检测过程中，结合经过训练的卷积神经网络和YOLO神经网络进行判别。
首先分别建立卷积神经网络和YOLO神经网络的训练样本集。
训练样本集建立如下：首先将收集到的交通监控图片都拆分成上下两部分，上半部分图片中的车辆由于离交通监控摄像头较远，因此在图片中呈现小而模糊的状态，将其中的车辆裁剪出来并标注车辆类别信息，组成第一训练样本集；下半部分图片中的车辆由于离交通监控摄像头较近，因此在图片中呈现大而清晰的状态，直接在下半部分图片中标注出车辆类别信息和位置信息，组成第二训练样本集。
接着将第一训练样本集用于训练卷积神经网络，同时将第二训练样本集用于训练YOLO神经网络。训练卷积神经网络和YOLO神经网络的方法按如下步骤实现：
A.卷积神经网络的构建与训练
参照图2所示，本发明实施例中卷积神经网络的输入图像为标注车辆类别信息的RGB图像，大小为120×120像素。
本发明实施例中的卷积神经网络的隐藏层由5个卷积层，2个最大池化层和2个全连接层组成；其中，卷积层主要进行卷积操作和利用线性修正激活函数ReLU修正特征图；最大池化层主要进行下采样操作；全连接层主要进行加权输入和激活操作。卷积层的形式如公式(1)所示，最大池化层的形式如公式(2)所示，全连接层的形式如公式(3)所示
本发明的卷积神经网络的输出层是Softmax函数；其中神经元个数与第一训练样本集中的类别数相等。
通过卷积神经网络输出值和样本标签值计算卷积神经网络的损失函数，如公式(4)所示。
通过反向传播法和小批量随机梯度下降法更新卷积神经网络中的参数，根据上述方法进行迭代。当卷积神经网络的损失函数J1(θ)≤0.0001时，卷积神经网络的训练完成。
B.YOLO神经网络的构建与训练
参照图3所示，本发明实施例中YOLO神经网络的输入图像为标注车辆类别信息和位置信息的的RGB图像，大小为448×224像素。
本发明实施例中的YOLO神经网络的隐藏层由6个卷积层，2个最大池化层和2个全连接层组成；各层操作方式与卷积神经网络相同。
YOLO神经网络的输出层的神经元个数为(5*num+classed)*size*size；输出结果构成一个三维矩阵，其中，classed为第二训练样本集中的类别数，size代表YOLO神经网络将输入图片拆分成size*size个网格，num代表每个网络预测的包围框数。
通过YOLO神经网络输出值和样本标签值计算YOLO神经网络的损失函数，如公式(5)所示。
通过反向传播法和小批量随机梯度下降法更新YOLO神经网络中的参数，根据上述方法进行迭代。当YOLO神经网络的损失函数J2(θ)≤0.0001时，YOLO神经网络的训练完成。
检测过程中，将交通监控图片拆分成上下两部分，上部分利用滑动窗口采样图片，将其输入卷积神经网络，检测出上半部分中的车辆；将下半部分直接输入YOLO神经网络，检测出下半部分中的车辆；结合卷积神经网络输出结果和YOLO神经网络输出结果，检测出交通监控图片中的车辆。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之类，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种用于交通监控的车辆检测方法，对交通监控图片中的车辆进行检测，其特征在于，包括如下步骤：
S1、首先将收集到的交通监控图片拆分成上下两部分，上半部分图片的车辆离监控摄像头较远，车辆呈现小而模糊的状态，裁剪出其中的车辆并标注车辆类别信息，组成第一训练样本集；下半部分图片的车辆离监控摄像头较近，车辆呈现大而清晰的状态，直接在下半部分图片中标注出车辆类别信息和位置信息，并组成第二训练样本集；
S2、构建并训练卷积神经网络：
i)构建含有10层的卷积神经网络，10层依次是卷积层Conv1，卷积层Conv2，最大池化层MaxPool3，卷积层Conv4，卷积层Conv5，卷积层Conv6，最大池化层MaxPool7，全连接层Fc8，全连接层Fc9，输出层out 10；
ii)输入第一训练样本集，训练卷积神经网络，直到卷积神经网络的损失函数≤0.0001，得到经过训练的卷积神经网络；
S3、构建并训练YOLO神经网络：
i)构建含有11层的卷积神经网络，11层依次是卷积层Conv1，卷积层Conv2，最大池化层MaxPool3，卷积层Conv4，卷积层Conv5，卷积层Conv6，卷积层Conv7，最大池化层MaxPool8，全连接层Fc9，全连接层Fc10，输出层out11；
ii)输入已标注出车辆类别信息和位置信息的第二训练样本集，训练YOLO神经网络，直到YOLO神经网络的损失函数≤0.0001，得到经过训练的YOLO神经网络；
S4、检测过程中，将整张交通监控图片拆分成上下两部分，上部分利用滑动窗口采样图片，将其输入步骤S2中卷积神经网络，检测出上半部分中的车辆；将下半部分直接输入步骤S3中YOLO神经网络，检测出下半部分中的车辆；结合经过训练的卷积神经网络输出结果和经过训练的YOLO神经网络输出结果，检测出整张交通监控图片中的车辆。
2.根据权利要求1所述的用于交通监控的车辆检测方法，其特征在于，步骤S2所述的卷积神经网络是一种深度学习理论基础上的权值共享多层神经网络；卷积神经网络由输入图像、隐藏层和输出层组成：
卷积神经网络的输入图像为标注车辆类别信息的RGB图像；
卷积神经网络的隐藏层由5个卷积层，2个最大池化层和2个全连接层组成；其中，卷积层主要进行卷积操作和利用线性修正激活函数ReLU修正特征图；最大池化层主要进行下采样操作；全连接层主要进行加权输入和激活操作，具体表现形式如下：
a.卷积层的表现形式为：
式(1)中，f(·)为线性修正激活函数ReLU；表示第l卷积层的第j个神经元输出值；表示第l-1卷积层的第i个输入神经元的输出值；为卷积核；Mj代表选择的输入特征图的集合；是偏置量；
b.最大池化层的表现形式为：
式(2)中，代表第l最大池化层的第j个输出值，X″l-1表示第l-1层中的待池化输入值；
c.全连接层的表现形式为：
式(3)中，f(·)为线性修正激活函数ReLU；表示第l全连接层的第j个神经元的输出值；表示前一层的第i个神经元的输出值；为权重；m等于前一层的神经元个数；是偏置量；
卷积神经网络的输出层是Softmax函数，其中神经元个数与第一训练样本集中的类别数相等。
3.据权利要求1所述的用于交通监控的车辆检测方法，其特征在于，步骤S3所述的YOLO神经网络是一种基于卷积神经网络的目标检测网络；YOLO神经网络由输入图像、隐含层和输出层组成：
YOLO神经网络的输入图像为标注车辆类别信息和位置信息的RGB图像；
YOLO神经网络的隐藏层由6个卷积层，2个最大池化层和2个全连接层组成；各层操作方式与卷积神经网络相同；
YOLO神经网络的输出层的神经元个数为(5*num+classed)*size*size；输出结果构成一个三维矩阵，其中，classed为第二训练样本集中的类别数，size代表YOLO神经网络将输入图片拆分成size*size个网格，num代表每个网络预测的包围框数。
4.根据权利要求2或3所述的用于交通监控的车辆检测方法，其特征在于，交通监控图片大小为448×448像素，拆分成上下两部分图片后，大小均为448×224像素。
5.根据权利要求4所述的用于交通监控的车辆检测方法，其特征在于，从大小为448×224像素的上半部分图片中裁剪出车辆图片，标注类别信息并将图片大小统一调整为120×120像素，经过标注和大小调整的车辆图片组成所述第一训练样本集，对应卷积神经网络的输入图像大小为120×120像素。
6.根据权利要求4所述的用于交通监控的车辆检测方法，其特征在于，直接在大小为448×224像素的下半部分图片中标注车辆类别信息和位置信息，经过标注的下半部分图片组成所述第二训练样本集，对应YOLO神经网络的输入图像大小为448×224像素。
7.根据权利要求1所述的用于交通监控的车辆检测方法，其特征在于，所述的卷积神经网络输出层的损失函数表示为：
式(4)中，J1(θ)表示卷积神经网络的损失函数；m为每批量的图片数；hθ(α(i))表示Softmax分类的期望函数；α表示卷积神经网络中全连接层Fc9输出的特征向量；β表示与卷积神经网络中全连接层Fc9输出的特征向量α对应的标签；θ表示为模型参数。
8.根据权利要求1所述的用于交通监控的车辆检测方法，其特征在于，所述的YOLO神经网络输出层的损失函数表示为：
式(5)中，J2(θ)表示YOLO神经网络的损失函数；λcoord＝5；λnoobj＝0.5；S2为网格数；wi、hi分别为网格i的预测边界框的宽和高；分别为网格i的标签边界框的宽和高；xi、yi表示为网格i的预测边界框中心相对于网格i的位置；为网格i的标签边界框中心相对于网格i的位置；pi(c)为网格i的预测边界框关于类别c的置信度；为网格i的标签边界框关于类别c的置信度；classes为第二训练样本集中的样本类别数；Ci为网格i的预测边界框的预测类别；为网格i的标签边界框的标签类别。
9.根据权利要求1所述的用于交通监控的车辆检测方法，其特征在于，所述卷积神经网络和YOLO神经网络均采用小批量随机梯度下降法训练。
CN201710288019.4A 2017-04-27 2017-04-27 一种用于交通监控的车辆检测方法 Expired - Fee Related CN107134144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710288019.4A CN107134144B (zh) 2017-04-27 2017-04-27 一种用于交通监控的车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710288019.4A CN107134144B (zh) 2017-04-27 2017-04-27 一种用于交通监控的车辆检测方法

Publications (2)

Publication Number Publication Date
CN107134144A CN107134144A (zh) 2017-09-05
CN107134144B true CN107134144B (zh) 2019-07-12

Family

ID=59716214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710288019.4A Expired - Fee Related CN107134144B (zh) 2017-04-27 2017-04-27 一种用于交通监控的车辆检测方法

Country Status (1)

Country Link
CN (1) CN107134144B (zh)

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644224A (zh) * 2017-09-30 2018-01-30 旗瀚科技有限公司 一种基于darknet框架的物体检测系统
CN107844769B (zh) * 2017-11-01 2021-06-01 浪潮集团有限公司 一种复杂场景下的车辆检测方法及系统
CN108012121A (zh) * 2017-12-14 2018-05-08 安徽大学 一种边缘计算和云计算融合的实时视频监控方法及系统
CN108806243B (zh) * 2018-04-24 2020-09-29 东南大学 一种基于Zynq-7000的交通流量信息采集终端
CN108711172B (zh) * 2018-04-24 2020-07-03 中国海洋大学 基于细粒度分类的无人机识别与定位方法
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
CN108875600A (zh) * 2018-05-31 2018-11-23 银江股份有限公司 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质
CN110598511A (zh) * 2018-06-13 2019-12-20 杭州海康威视数字技术股份有限公司 一种对闯绿灯事件检测方法、装置、电子设备及系统
CN110718064A (zh) * 2018-07-11 2020-01-21 杭州海康威视数字技术股份有限公司 一种车辆违章检测方法和装置
CN109063594A (zh) * 2018-07-13 2018-12-21 吉林大学 基于YOLOv2的遥感图像快速目标检测方法
CN108960185A (zh) * 2018-07-20 2018-12-07 泰华智慧产业集团股份有限公司 基于YOLOv2的车辆目标检测方法及系统
CN109142371A (zh) * 2018-07-31 2019-01-04 华南理工大学 基于深度学习的高密度柔性基板外观缺陷检测系统与方法
CN109285376B (zh) * 2018-08-09 2022-04-19 同济大学 一种基于深度学习的公交车客流统计分析系统
CN110826379B (zh) * 2018-08-13 2022-03-22 中国科学院长春光学精密机械与物理研究所 一种基于特征复用与YOLOv3的目标检测方法
CN109377441B (zh) * 2018-08-20 2023-02-03 清华大学 具有隐私保护功能的舌像采集方法和系统
CN109241896B (zh) * 2018-08-28 2022-08-23 腾讯数码（天津）有限公司 一种通道安全检测方法、装置及电子设备
CN109409197A (zh) * 2018-08-31 2019-03-01 广州市派客朴食信息科技有限责任公司 一种基于神经网络的碗碟检测方法
CN109145931B (zh) 2018-09-03 2019-11-05 百度在线网络技术（北京）有限公司 物体检测方法、装置及存储介质
CN109345562A (zh) * 2018-09-26 2019-02-15 贵州优易合创大数据资产运营有限公司 一种交通图片智能标注系统
CN109472734B (zh) * 2018-10-18 2022-12-27 江苏第二师范学院（江苏省教育科学研究院） 一种基于fpga的目标检测网络及其实现方法
CN109506628A (zh) * 2018-11-29 2019-03-22 东北大学 一种基于深度学习的卡车环境下目标物测距方法
CN109670517A (zh) * 2018-12-24 2019-04-23 北京旷视科技有限公司 目标检测方法、装置、电子设备和目标检测模型
CN109949579A (zh) * 2018-12-31 2019-06-28 上海眼控科技股份有限公司 一种基于深度学习的闯红灯违法自动审核方法
CN109919002B (zh) * 2019-01-23 2024-02-27 平安科技（深圳）有限公司 黄色禁停线识别方法、装置、计算机设备及存储介质
CN109829421B (zh) * 2019-01-29 2020-09-08 西安邮电大学 车辆检测的方法、装置及计算机可读存储介质
CN111754781A (zh) * 2019-03-27 2020-10-09 杭州海康威视数字技术股份有限公司 一种车辆违章检测的方法、装置、系统及摄像机
CN109993138A (zh) * 2019-04-08 2019-07-09 北京易华录信息技术股份有限公司 一种车牌检测与识别方法及装置
CN110084222B (zh) * 2019-05-08 2022-10-21 大连海事大学 一种基于多目标角点池化神经网络的车辆检测方法
CN110555384A (zh) * 2019-07-31 2019-12-10 四川省草原科学研究院 基于图像数据的牛肉大理石纹自动分级系统及方法
CN110852358A (zh) * 2019-10-29 2020-02-28 中国科学院上海微系统与信息技术研究所 一种基于深度学习的车辆类型判别方法
CN114424253B (zh) * 2019-11-08 2024-10-15 深圳市欢太科技有限公司 模型训练方法、装置、存储介质及电子设备
CN113313716B (zh) * 2020-02-27 2024-03-01 北京车和家信息技术有限公司 一种自动驾驶语义分割模型的训练方法及装置
CN113449545A (zh) * 2020-03-24 2021-09-28 阿里巴巴集团控股有限公司 数据处理方法、装置、存储介质和处理器
CN111986240A (zh) * 2020-09-01 2020-11-24 交通运输部水运科学研究所 基于可见光和热成像数据融合的落水人员检测方法及系统
CN112766068A (zh) * 2020-12-31 2021-05-07 罗普特科技集团股份有限公司 一种基于网格化标注的车辆检测方法及系统
CN113158922A (zh) * 2021-04-26 2021-07-23 平安科技（深圳）有限公司 基于yolo神经网络的车流量统计方法、装置及设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6498511B2 (ja) * 2015-04-28 2019-04-10 日野自動車株式会社 運転支援装置
CN104809443B (zh) * 2015-05-05 2018-12-28 上海交通大学 基于卷积神经网络的车牌检测方法及系统
CN105354568A (zh) * 2015-08-24 2016-02-24 西安电子科技大学 基于卷积神经网络的车标识别方法
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
CN105975915B (zh) * 2016-04-28 2019-05-21 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

Also Published As

Publication number Publication date
CN107134144A (zh) 2017-09-05

Similar Documents

Publication Publication Date Title
CN107134144B (zh) 一种用于交通监控的车辆检测方法
CN106446930B (zh) 基于深层卷积神经网络的机器人工作场景识别方法
CN112150821B (zh) 轻量化车辆检测模型构建方法、系统及装置
WO2017190574A1 (zh) 一种基于聚合通道特征的快速行人检测方法
Zhang et al. Tiny YOLO optimization oriented bus passenger object detection
CN109285139A (zh) 一种基于深度学习的x射线成像焊缝检测方法
CN108764228A (zh) 一种图像中文字目标检测方法
CN109829893A (zh) 一种基于注意力机制的缺陷目标检测方法
CN108564030A (zh) 面向车载热成像行人检测的分类器训练方法和装置
CN111860160B (zh) 一种室内检测口罩佩戴的方法
CN108549864A (zh) 面向车载热成像行人检测的感兴趣区域过滤方法和装置
CN108009509A (zh) 车辆目标检测方法
CN108520516A (zh) 一种基于语义分割的桥梁路面裂缝检测和分割方法
CN104134068B (zh) 基于稀疏编码的监控车辆特征表示及分类方法
CN108647625A (zh) 一种表情识别方法及装置
CN112560675B (zh) Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法
CN104050684B (zh) 一种基于在线训练的视频运动目标分类方法与系统
CN106408030A (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN104715244A (zh) 一种基于肤色分割和机器学习的多视角人脸检测方法
CN108648211A (zh) 一种基于深度学习的小目标检测方法、装置、设备和介质
CN103745233B (zh) 基于空间信息迁移的高光谱图像分类方法
CN110119688A (zh) 一种利用视觉注意力协同网络的图像情感分类方法
CN108256462A (zh) 一种商场监控视频中的人数统计方法
CN106874929A (zh) 一种基于深度学习的珍珠分类方法
CN106960176A (zh) 一种基于超限学习机和颜色特征融合的行人性别识别方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190712

Termination date: 20200427

CF01 Termination of patent right due to non-payment of annual fee