CN107292297A - 一种基于深度学习和重叠率跟踪的视频车流量检测方法 - Google Patents

一种基于深度学习和重叠率跟踪的视频车流量检测方法 Download PDF

Info

Publication number
CN107292297A
CN107292297A CN201710674811.3A CN201710674811A CN107292297A CN 107292297 A CN107292297 A CN 107292297A CN 201710674811 A CN201710674811 A CN 201710674811A CN 107292297 A CN107292297 A CN 107292297A
Authority
CN
China
Prior art keywords
vehicle
frame
deep learning
image
duplication
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
Application number
CN201710674811.3A
Other languages
English (en)
Inventor
牛新征
齐硕
王崇屹
赖道亮
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201710674811.3A priority Critical patent/CN107292297A/zh
Publication of CN107292297A publication Critical patent/CN107292297A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (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)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习和重叠率跟踪的视频车流量检测方法，所述方案中，利用深度学习建立一个深度学习模型，然后向建立的深度学习模型中输入大量已标注的数据进行训练，以实现检测一张图像中物体的功能。最后达到的效果就是提供一张图像，输入深度网络，提取出该图像出现车的位置，即框。然后利用深度学习模型检测出的车辆结果进行车流量的统计。本发明所记述的方案中，通过计算车辆检测过程中提取出的框的重叠率来判断车辆数量是否增加。本方案统计车流量的方法能够在实时检测车流量的同时，解决视频车流量检测中多次出现同一辆车的问题。

Description

一种基于深度学习和重叠率跟踪的视频车流量检测方法
技术领域
本发明涉及车辆检测技术领域，尤其涉及一种基于深度学习和重叠率跟踪的视频车流量检测方法。
背景技术
目前，现有的道路车流量统计通常采用于道路上预埋压力感应传感器的方法实现，这种方法需要在道路施工时同步的进行压力感应传感器的埋设工作，这种方法会因为各种原因造成无法进行统计，而压力感应传感器的维护或者更换都需要挖开路面，造成现有的道路车流量统计系统可靠性差，且维护困难，维护成本高。
随着图像识别技术的发展，也出现了通过图像识别检测车流量的方法。深度学习为机器学习中的一种，主要是实现一个模型来实现预测分类等功能。其中卷积神经网络是一种前馈神经网络，人工神经元可以响应周围单元，可以用于图像处理，提取图像特征等。现有的方法中用于分类的模型一般都是用SVM实现的。现有的基于视频的车流量统计都是要分车道统计车流量的，主要方法就是在视频中的每一个车道上先标记出检测车辆区域的位置，然后把每一帧中标记出的区域拿去判断是否是一辆车，如果是一辆车，则计数。目标检测算法SSD就是利用深度学习实现，该模型利用大量已标注的数据训练，实现检测一张图像中物体的功能，最后提供一张图像，输入深度网络，提取出该图像可能出现车的位置(框)。传统的车流量检测中，无法判断相隔几帧中的车是同一辆车，所以对于同一辆车很久之后再一次检测到会被判断为一辆新车车流量误判率极高。现有技术中，根据视频图像检测车辆时，往往是通过对视频的图像进行变换和提取，图像处理过程的工作量大，计算复杂，从而导致车辆检测不及时的问题。
发明内容
本发明的目的在于：针对上述现有道路车流量检测中，当视频中多次出现同一辆车时，容易误检的问题，本发明提供一种基于深度学习和重叠率跟踪的视频车流量检测方法。
本发明采用的技术方案如下：
一种基于深度学习和重叠率跟踪的视频车流量检测方法，包括以下步骤：
(1)获取视频帧图像，对视频帧图像进行车辆检测，直至第一张检测到车辆的视频帧图像；然后，获取视频帧图像上的车辆框，判断所检测到的车辆框是否为定义的边界框，如果不是，将车辆框添加进框队列，即队列框，并将车辆数加一，执行步骤(2)；
(2)检测下一帧图像中的车辆，获取相应图像中的车辆框，分别判断所检测图像中每个车辆框与每个队列框的重叠率，如果车辆框与框队列中的框匹配，则用车辆框替换与车辆框匹配的框；否则，判断车辆框中图像与队列框中图像的相似度，如果相似度低于定义的相似度阈值，将车辆框加入队列框，同时判断所检测到的车辆框是否为边界框，如果不是边界框，则将车辆数加一；
(3)删除框队列中的边界框；
(4)判断是否满足终止条件，如果满足，则退出车流量检测过程，否则重复执行步骤(2)。
具体地，步骤(1)所述车辆检测过程为：
(11)初始化深度学习网络；
(12)向初始化后的深度学习网络中输入一张图像，深度学习网络对输入的图像进行预处理，然后将图像放入输入层；
(13)深度学习网络计算输出，筛选出车辆框，然后去除超出图像边界的车辆框；
(14)返回车辆检测结果；其中，返回的车辆检测结果包括车辆框的坐标信息以及车辆的置信度。
具体地，车辆框的坐标信息包括：所判断车辆框左上角点的横坐标xmin，所判断车辆框左上角点的纵坐标ymin，所判断车辆框右下角点的横坐标xmax，所判断车辆框右下角点的纵坐标ymax。
具体地，步骤(1)、(2)、(3)中所述边界框的判断方法为：车辆框的坐标信息xmin，ymin，xmax，ymax四个值中的任一一个与边界的距离小于图像宽或者高的10％时，则该车辆框是边界框。
具体地，步骤(1)的车辆检测过程中，采用GPU对车辆检测过程进行加速。
具体地，步骤(2)中重叠率的计算公式为:
r＝s/(a+b-s)；
其中，测出的车辆框面积为a，用于与车辆框比对的队列框面积为b，两个框重叠部分的面积为s，重叠率为r。
具体地，步骤(2)中，两个框的匹配标准为：若两个框的重叠率大于预设的重叠率阈值，则匹配，否则不匹配。
检测车辆采用深度学习模型为SSD目标检测模型。
具体地，图像相似度匹配的步骤为：
(21)提取图像特征；
(22)根据步骤(21)计算特征匹配相似度。
具体地，通过卷积进行相似度计算。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本方案中，能够准确区别车辆与其他物体。利用深度学习来进行车辆的分类，其对车辆判断的准确率要高于传统方法SVM分类器。本方案还利用计算重叠率的方法来跟踪车辆并统计流量，解决了视频中检测车辆时，同一辆车多次出现的问题，现有的方法在车辆接近已经画好的位置时，相邻几帧都会判断为新车辆，从而增加了误检率。本方案采用重叠率跟踪的方法，在一定程度上减小了误检率。
2.当两辆车在同一帧视频中的图像重叠时，该方案同样能检测出辆车，从而对两辆车分别进行判断，降低车辆漏检率。
3.本方案还具有算法简单，速度快，能实时检测车辆的特点。4.本发明可以在整个视频内检测车辆，因此出现在视频内任意位置的车辆都可以检测到，而不是只检测车道上的车辆。
5.本方案不需要在视频上画线画框，减少了很多人为的操作，更加自动化。
6.本发明中，对重叠率小于重叠率阈值的车辆框，进一步进行车辆图像的相似度计算，从而，进一步判断框中车辆是否为新车辆。因此，本发明的方案能够进一步提高车辆检测的准确率。
附图说明
图1是本发明的流程图；
图2是本发明重叠率计算原理图；
图3是车辆检测流程图；
图4是车流量统计流程图；
图5是卷积计算原理图。
具体实施方式
本说明书中公开的所有特征，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
下面结合图1对本发明作详细说明。
本发明的方案中，首先在车道上标记一个预定的标识范围，用以作为车辆检测时的标准点，然后获取该范围内车辆的车辆框信息，通过车辆框信息来计算相邻两帧图像中的车辆框的重叠率，从而便可准确判断车辆是否为新驶进区域的车辆，从而进行车流量检测。当车辆重叠时，会分别提取出所有重叠车辆框，因此，不会发生车辆漏检的情形。
一种基于深度学习和重叠率跟踪的视频车流量检测方法，包括以下步骤：
(1)获取视频帧图像，对视频帧图像进行车辆检测，直至第一张检测到车辆的视频帧图像；然后，获取视频帧图像上的车辆框，判断所检测到的车辆框是否为定义的边界框，如果不是，将车辆框添加进框队列，即队列框，并将车辆数加一，执行步骤(2)；
(2)检测下一帧图像中的车辆，获取相应图像中的车辆框，分别判断所检测图像中每个车辆框与每个队列框的重叠率，如果车辆框与框队列中的框匹配，则用车辆框替换与车辆框匹配的框；否则，判断车辆框中图像与队列框中图像的相似度，如果相似度低于定义的相似度阈值，将车辆框加入队列框，同时判断所检测到的车辆框是否为边界框，如果不是边界框，则将车辆数加一；
(3)删除框队列中的边界框；
(4)判断是否满足终止条件，如果满足，则退出车流量检测过程，否则重复执行步骤(2)。
所述的一种基于深度学习和重叠率跟踪的视频车流量检测方法，步骤(1)所述车辆检测过程为：
(11)初始化车辆检测模型，优选地，采用深度学习网络作为车辆检测模型；
(12)向初始化后的深度学习网络中输入一张图像，深度学习网络对输入的图像进行预处理，然后将图像放入输入层；
(13)深度学习网络计算输出，筛选出车辆框，然后去除超出图像边界的车辆框；
(14)返回车辆检测结果；其中，返回的车辆检测结果包括车辆框的坐标信息以及车辆的置信度。
所述的一种基于深度学习和重叠率跟踪的视频车流量检测方法，车辆框的坐标信息包括：所判断车辆框左上角点的横坐标xmin，所判断车辆框左上角点的纵坐标ymin，所判断车辆框右下角点的横坐标xmax，所判断车辆框右下角点的纵坐标ymax。
所述的一种基于深度学习和重叠率跟踪的视频车流量检测方法，步骤(1)、(2)、(3)中所述边界框的判断方法为：车辆框的坐标信息xmin，ymin，xmax，ymax四个值中的任一一个与边界的距离小于图像宽或者高的10％时，则该车辆框是边界框。
所述的一种基于深度学习和重叠率跟踪的视频车流量检测方法，步骤(1)的车辆检测过程中，采用GPU对车辆检测过程进行加速。
所述的一种基于深度学习和重叠率跟踪的视频车流量检测方法，步骤(2)中重叠率的计算公式为:
r＝s/(a+b-s)；
其中，测出的车辆框面积为a，用于与车辆框比对的队列框面积为b，两个框重叠部分的面积为s，重叠率为r。
具体地，步骤(2)中，两个框的匹配标准为：若两个框的重叠率大于预设的重叠率阈值，则匹配，否则不匹配。
检测车辆采用深度学习模型为SSD目标检测模型。
具体地，图像相似度匹配的步骤为：
(21)提取图像特征；
(22)根据步骤(21)计算特征匹配相似度。
具体地，通过卷积进行相似度计算。
车流量检测的具体流程为：
由于车辆检测具有不连续性(同一辆车在视频中出现的这些帧中，会有一些帧检测不到车辆)，所以若车辆检测在连续多帧没有检测到车辆之后又重新检测到车辆，这时该车辆可能已经移动了很远，检测到的框和之前该车辆的框重叠率就可能小于重叠率阈值，从而匹配失败，判断这辆车为一辆新来的车。
所以此时我们就采用图像相似度匹配的技术来解决这个问题，在重叠率跟踪时如果重叠率小于重叠率阈值且大于零，那么我们采用图像相似度匹配技术来计算这两个框内图像的相似度，如果相似度达到相似度阈值，我们则可以继续跟踪，若相似度小于相似度阈值，我们再判断这辆车为一辆新来的车。
图像相似度匹配主要分为两步。
第一步为提取图像特征，即输入一张图像，输出这张图像的特征图。提取图像特征的算法也是利用深度学习实现，本方案截取了Alex_Net网络中的提取特征部分，由于提取特征部分是全卷积网络，所以在输入图像为三通道长宽均为224像素的前提下，提取的特征为一张长宽都为17像素，一共128通道的图像。
第二步为特征匹配计算相似度，因为我们提取的特征是一张特征图，所以不能采用传统向量内积的方式来计算相似度，我们采用卷积的方式来计算。
卷积原理如图5所示，我们假设A为一张长宽都为4个像素的图像，卷积核B为一个长宽都为2的图像，利用卷积核B遍历图像A上的每一个位置，并且在每一个位置上对应的像素值相乘相加得到输出结果图像C的像素值。所以C为一张长宽都为(4-2+1)大小的图像。如图5所示，图像C第一个位置的像素值2＝1*1+1*0+1*1+0*1，以此类推得到输出的图像C。
在进行卷积运算的时候，假设图像A的长宽分别为aw和ah，卷积核B的长宽分别为bw和bh，那么输出图像C的长宽cw＝(aw-bw+1)，ch＝(ah-bh+1)。当图像A与卷积核B的图像大小相同时，即aw＝bw、ah＝bh时，输出图像C的长宽都为1，也就是图像C就是一个数值。所以在计算图像相似度的第二步中，我们得到的两个图像的特征图是相同大小的，所以把一张特征图当做输入图像，另一张特征图当做卷积核来进行卷积运算，我们得到的就是一个值，这个值就是这两个图像的相似度。
图像相似度匹配的整体流程如下：
a.输入两张图像A和B，并且利用resize函数修改到同一大小。
b.将图像前后分别输入到提取特征网络得到特征图Fa和Fb。
c.将Fa和Fb进行卷积运算得到相似度值
我们假设输入图像为A与B，提取特征的网络看做函数f()，修改图像大小函数为resize()，卷积运算为#,相似度值为sim，那么计算这两张图像的相似度的公式如下：
sim＝f(resize(A))#f(resize(B))
本发明中，由于视频采集的频率非常大，远远超过车速，因此，不会出现在连续两帧视频中出现相同外形的车辆的检测出的车辆框发生重叠的情况。因为同一辆车在连续两帧之间位置变化较小，所有用连续两帧车辆框的重叠率可以判定是否是同一辆车。

Claims (10)

1.一种基于深度学习和重叠率跟踪的视频车流量检测方法，其特征在于，包括以下步骤：
(1)获取视频帧图像，对视频帧图像进行车辆检测，直至第一张检测到车辆的视频帧图像；然后，获取视频帧图像上的车辆框，并截取车辆框内对应的车辆图像，判断所检测到的车辆框是否为定义的边界框，如果不是，将车辆框添加进框队列，变为队列框，并将车辆数加一，执行步骤(2)；
(2)检测下一帧图像中的车辆，获取相应图像中的车辆框，分别判断所检测图像中每个车辆框与每个队列框的重叠率，如果车辆框与框队列中的框匹配，则用车辆框替换与车辆框匹配的框；否则，判断车辆框中图像与队列框中图像的相似度，如果相似度低于定义的相似度阈值，将车辆框加入队列框，同时判断所检测到的车辆框是否为边界框，如果不是边界框，则将车辆数加一；
(3)删除框队列中的边界框；
(4)判断是否满足终止条件，如果满足，则退出车流量检测过程，否则重复执行步骤(2)。
2.根据权利要求1所述的一种基于深度学习和重叠率跟踪的视频车流量检测方法，其特征在于，步骤(1)所述车辆检测过程为：
(11)初始化深度学习网络；
(12)向初始化后的深度学习网络中输入一张图像，深度学习网络对输入的图像进行预处理，然后将图像放入输入层；
(13)深度学习网络计算输出，筛选出车辆框，然后去除超出图像边界的车辆框；
(14)返回车辆检测结果；其中，返回的车辆检测结果包括车辆框的坐标信息以及车辆的置信度。
3.根据权利要求2所述的一种基于深度学习和重叠率跟踪的视频车流量检测方法，其特征在于，车辆框的坐标信息包括：所判断车辆框左上角点的横坐标xmin，所判断车辆框左上角点的纵坐标ymin，所判断车辆框右下角点的横坐标xmax，所判断车辆框右下角点的纵坐标ymax。
4.根据权利要求3所述的一种基于深度学习和重叠率跟踪的视频车流量检测方法，其特征在于，步骤(1)、(2)、(3)中所述边界框的判断方法为：车辆框的坐标信息xmin，ymin，xmax，ymax四个值中的任一一个与边界的距离小于图像宽或者高的10％时，则该车辆框是边界框。
5.根据权利要求1所述的一种基于深度学习和重叠率跟踪的视频车流量检测方法，其特征在于，步骤(1)的车辆检测过程中，采用GPU对车辆检测过程进行加速。
6.根据权利要求1所述的一种基于深度学习和重叠率跟踪的视频车流量检测方法，其特征在于，步骤(2)中重叠率的计算公式为:
r＝s/(a+b-s)；
其中，测出的车辆框面积为a，用于与车辆框比对的队列框面积为b，两个框重叠部分的面积为s，重叠率为r。
7.根据权利要求1所述的一种基于深度学习和重叠率跟踪的视频车流量检测方法，其特征在于，步骤(2)中，两个框的匹配标准为：若两个框的重叠率大于预设的重叠率阈值，则匹配，否则不匹配。
8.根据权利要求2所述的一种基于深度学习和重叠率跟踪的视频车流量检测方法，其特征在于，检测车辆采用深度学习模型为SSD目标检测模型。
9.根据权利要求1所述的一种基于深度学习和重叠率跟踪的视频车流量检测方法，其特征在于，图像相似度匹配的步骤为：
(21)提取图像特征；
(22)根据步骤(21)计算特征匹配相似度。
10.根据权利要求9所述的一种基于深度学习和重叠率跟踪的视频车流量检测方法，其特征在于，通过卷积进行相似度计算。
CN201710674811.3A 2017-08-09 2017-08-09 一种基于深度学习和重叠率跟踪的视频车流量检测方法 Pending CN107292297A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710674811.3A CN107292297A (zh) 2017-08-09 2017-08-09 一种基于深度学习和重叠率跟踪的视频车流量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710674811.3A CN107292297A (zh) 2017-08-09 2017-08-09 一种基于深度学习和重叠率跟踪的视频车流量检测方法

Publications (1)

Publication Number Publication Date
CN107292297A true CN107292297A (zh) 2017-10-24

Family

ID=60104729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710674811.3A Pending CN107292297A (zh) 2017-08-09 2017-08-09 一种基于深度学习和重叠率跟踪的视频车流量检测方法

Country Status (1)

Country Link
CN (1) CN107292297A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108288075A (zh) * 2018-02-02 2018-07-17 沈阳工业大学 一种改进ssd的轻量化小目标检测方法
CN108364301A (zh) * 2018-02-12 2018-08-03 中国科学院自动化研究所 基于跨时重叠率的视觉跟踪算法稳定性评估方法及装置
CN108537826A (zh) * 2018-05-28 2018-09-14 深圳市芯汉感知技术有限公司 一种基于人工干预的舰船目标跟踪方法
CN109191839A (zh) * 2018-09-13 2019-01-11 江南大学 基于深度学习的车辆分类与计数方法
CN109859240A (zh) * 2017-11-30 2019-06-07 比亚迪股份有限公司 视频对象跟踪方法和装置、车辆
CN109949336A (zh) * 2019-02-26 2019-06-28 中科创达软件股份有限公司 一种连续视频帧中目标快速跟踪方法及装置
CN110414443A (zh) * 2019-07-31 2019-11-05 苏州市科远软件技术开发有限公司 一种目标跟踪方法、装置及枪球联动跟踪方法
CN110556000A (zh) * 2018-06-04 2019-12-10 义硕智能股份有限公司 人工智慧交通检测系统
CN110717361A (zh) * 2018-07-13 2020-01-21 长沙智能驾驶研究院有限公司 本车停车检测方法、前车起步提醒方法及存储介质
CN111932908A (zh) * 2020-08-05 2020-11-13 浙江工业大学 一种基于深度学习的转向比及车流量统计方法
CN113257005A (zh) * 2021-06-25 2021-08-13 之江实验室 一种基于关联度量的车流量统计方法
CN114495509A (zh) * 2022-04-08 2022-05-13 四川九通智路科技有限公司 基于深度神经网络监控隧道运行状态的方法
CN114565863A (zh) * 2022-02-18 2022-05-31 广州市城市规划勘测设计研究院 无人机图像的正射影像实时生成方法、装置、介质及设备
CN114973033A (zh) * 2022-05-30 2022-08-30 青岛科技大学 一种无人机自动检测目标和跟踪方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09128514A (ja) * 1995-05-19 1997-05-16 Lg Ind Syst Co Ltd エレベータの待機乗客数検出方法及びその装置
CN101303727A (zh) * 2008-07-08 2008-11-12 北京中星微电子有限公司 基于视频人数统计的智能管理方法及其系统
CN101477641A (zh) * 2009-01-07 2009-07-08 北京中星微电子有限公司 基于视频监控的人数统计方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09128514A (ja) * 1995-05-19 1997-05-16 Lg Ind Syst Co Ltd エレベータの待機乗客数検出方法及びその装置
CN101303727A (zh) * 2008-07-08 2008-11-12 北京中星微电子有限公司 基于视频人数统计的智能管理方法及其系统
CN101477641A (zh) * 2009-01-07 2009-07-08 北京中星微电子有限公司 基于视频监控的人数统计方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周标: "交通监控视频中的车辆检测技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
蒋良卫: "图像序列中目标跟踪技术研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859240B (zh) * 2017-11-30 2021-06-18 比亚迪股份有限公司 视频对象跟踪方法和装置、车辆
CN109859240A (zh) * 2017-11-30 2019-06-07 比亚迪股份有限公司 视频对象跟踪方法和装置、车辆
CN108288075A (zh) * 2018-02-02 2018-07-17 沈阳工业大学 一种改进ssd的轻量化小目标检测方法
CN108288075B (zh) * 2018-02-02 2019-06-14 沈阳工业大学 一种改进ssd的轻量化小目标检测方法
CN108364301A (zh) * 2018-02-12 2018-08-03 中国科学院自动化研究所 基于跨时重叠率的视觉跟踪算法稳定性评估方法及装置
CN108537826A (zh) * 2018-05-28 2018-09-14 深圳市芯汉感知技术有限公司 一种基于人工干预的舰船目标跟踪方法
CN110556000A (zh) * 2018-06-04 2019-12-10 义硕智能股份有限公司 人工智慧交通检测系统
CN110717361A (zh) * 2018-07-13 2020-01-21 长沙智能驾驶研究院有限公司 本车停车检测方法、前车起步提醒方法及存储介质
CN109191839A (zh) * 2018-09-13 2019-01-11 江南大学 基于深度学习的车辆分类与计数方法
CN109949336A (zh) * 2019-02-26 2019-06-28 中科创达软件股份有限公司 一种连续视频帧中目标快速跟踪方法及装置
CN110414443A (zh) * 2019-07-31 2019-11-05 苏州市科远软件技术开发有限公司 一种目标跟踪方法、装置及枪球联动跟踪方法
CN111932908A (zh) * 2020-08-05 2020-11-13 浙江工业大学 一种基于深度学习的转向比及车流量统计方法
CN111932908B (zh) * 2020-08-05 2021-07-23 浙江工业大学 一种基于深度学习的转向比及车流量统计方法
CN113257005A (zh) * 2021-06-25 2021-08-13 之江实验室 一种基于关联度量的车流量统计方法
CN114565863A (zh) * 2022-02-18 2022-05-31 广州市城市规划勘测设计研究院 无人机图像的正射影像实时生成方法、装置、介质及设备
CN114565863B (zh) * 2022-02-18 2023-03-24 广州市城市规划勘测设计研究院 无人机图像的正射影像实时生成方法、装置、介质及设备
CN114495509A (zh) * 2022-04-08 2022-05-13 四川九通智路科技有限公司 基于深度神经网络监控隧道运行状态的方法
CN114973033A (zh) * 2022-05-30 2022-08-30 青岛科技大学 一种无人机自动检测目标和跟踪方法
CN114973033B (zh) * 2022-05-30 2024-03-01 青岛科技大学 一种无人机自动检测目标和跟踪方法

Similar Documents

Publication Publication Date Title
CN107292297A (zh) 一种基于深度学习和重叠率跟踪的视频车流量检测方法
CN102542289B (zh) 一种基于多高斯计数模型的人流量统计方法
CA3094424C (en) Safety monitoring and early-warning method for man-machine interaction behavior of underground conveyor belt operator
CN102222346B (zh) 一种车辆检测和跟踪方法
CN103310444B (zh) 一种基于头顶摄像头的监控行人计数的方法
CN105760846B (zh) 基于深度数据的目标检测与定位方法及系统
CN104637058B (zh) 一种基于图像信息的客流量识别统计方法
CN103400157B (zh) 一种基于视频分析的道路行人及非机动车检测方法
CN102799883B (zh) 一种从视频图像中提取运动目标的方法及装置
CN103150549B (zh) 一种基于烟雾早期运动特征的公路隧道火灾检测方法
CN109598211A (zh) 一种实时动态人脸识别方法及系统
CN102609720B (zh) 一种基于位置校正模型的行人检测方法
CN104778727A (zh) 基于视频监控处理技术的浮动车统计方法
CN104183142A (zh) 一种基于图像视觉处理技术的车流量统计方法
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
CN109657581A (zh) 基于双目相机行为检测的城市轨道交通闸机通行控制方法
CN108985169A (zh) 基于深度学习目标检测与动态背景建模的商店跨门经营检测方法
CN109684996A (zh) 基于视频的实时车辆进出识别方法
CN106682573B (zh) 一种单摄像头的行人跟踪方法
CN106778633B (zh) 一种基于区域分割的行人识别方法
CN109636771A (zh) 基于图像处理的飞行目标检测方法及系统
CN104992453A (zh) 基于极限学习机的复杂背景下目标跟踪方法
CN107452015A (zh) 一种具有重检测机制的目标跟踪系统
CN112734761B (zh) 工业品图像边界轮廓提取方法
CN103413149B (zh) 复杂背景中实现静态目标检测和识别的方法

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

Application publication date: 20171024

RJ01 Rejection of invention patent application after publication