CN107341490A - 一种基于凸包分析的遮挡车辆检测方法和系统 - Google Patents
一种基于凸包分析的遮挡车辆检测方法和系统 Download PDFInfo
- Publication number
- CN107341490A CN107341490A CN201710580443.6A CN201710580443A CN107341490A CN 107341490 A CN107341490 A CN 107341490A CN 201710580443 A CN201710580443 A CN 201710580443A CN 107341490 A CN107341490 A CN 107341490A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- convex
- region
- convex closure
- cut
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- 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
Abstract
本发明公开了一种基于凸包分析的遮挡车辆检测方法和系统,其中方法的实现包括:对包含车辆的待检测图像,提取车辆前景区域;标记车辆前景区域的轮廓和凸包,将凸包与车辆前景区域相减,得到车辆的凸形差区域,若车辆的凸形差区域面积与凸包面积的比值大于阈值,则车辆发生遮挡,当车辆发生遮挡时,利用凸包和凸形差区域得到分割线,通过分割线将遮挡车辆和未遮挡车辆分离。本发明实现了图片中车辆的遮挡检测,并利用凸包和凸形差对可能存在的误检结果进行修正,从而提高检测的准确性和稳定性。
Description
技术领域
本发明属于图像处理与模式识别领域,更具体地,涉及一种基于凸包分析的遮挡车辆检测方法和系统。
背景技术
随着人工智能和计算机视觉的飞速发展,智能交通系统成为了现代交通系统的发展方向,其中车辆检测是智能交通系统的重要组成部分。车辆检测主要分为两大部分。第一部分是基于视频的车辆实时检测,基于视频的运动目标检测是计算机视觉研究的一个重要研究方向,把运动车辆目标从图像中快速、准确的分离出来是进一步研究的基础,进一步的是对运动车辆的跟踪,可以获取很多交通信息,在交通监控、交通事件检测等系统中有着广泛的应用;第二部分是基于单张静态图片的车辆检测,由于没有视频序列,所以无法获取车辆的运动信息,只能从静态图片的视觉信息中检测出车辆。
基于视频的车辆检测,通常的思路是突出车辆目标或者是消除背景,常用的运动车辆检测方法主要有:帧间差分法、背景差分法、光流场法等。视频中的车辆发生遮挡时,一般可以采用跟踪算法对车辆进行检测。在当前帧的车辆检测时,可以利用上一帧的车辆位置估计当前帧的车辆位置,再进行搜索匹配,从而定位出被遮挡的车辆位置。针对遮挡情况,还可以通过背景建模找到遮挡的两辆车的前景区域,然后通过车辆的形状特点进行分割。这些方法都需要利用视频中的图像序列信息,如果无法获取视频时则不再适用。基于静态图片的车辆检测,传统的方法主要有基于车牌定位的方法和基于车辆边缘检测的方法。基于车牌定位的方法无法解决无车牌或者车牌模糊不清的车辆检测问题,尤其是当车辆发生遮挡时,被遮挡的车牌信息无法获取时,该方法显得无能为力。基于车辆边缘检测的方法,当出现车辆颜色与道路颜色相近或者车辆之间发生遮挡时,无法提取出理想的车辆边缘,检测效果也不好。
由此可见,现有技术存在检测准确率低、适用范围窄且检测稳定性差的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于凸包分析的遮挡车辆检测方法和系统,由此解决现有技术存在检测准确率低、适用范围窄且检测稳定性差的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于凸包分析的遮挡车辆检测方法,包括:
(1)对包含车辆的待检测图像,提取车辆前景区域;
(2)标记车辆前景区域的轮廓和凸包,将凸包与车辆前景区域相减,得到车辆的凸形差区域,若车辆的凸形差区域面积与凸包面积的比值大于阈值,则车辆发生遮挡,否则车辆未发生遮挡;
(3)当车辆发生遮挡时,利用凸包和凸形差区域得到分割线,通过分割线将遮挡车辆和未遮挡车辆分离。
进一步的,步骤(1)包括:
(1-1)将包含车辆的待检测图像输入RPN网络生成多个车辆目标的ROI,选取N个得分最高的ROI为含有车辆目标的候选区域;
(1-2)将候选区域输入训练好的FCIS模型,得到车辆前景区域。
进一步的,步骤(1-1)还包括对N个得分最高的ROI进行boundingbox回归,得到新的N个ROI为含有车辆目标的候选区域。
进一步的,步骤(1-2)的具体实现方式为:
FCIS模型采用ResNet框架,去掉最后的全连接层,利用大量包含遮挡车辆的样本图像训练FCIS模型,得到训练好的FCIS模型,将候选区域输入训练好的FCIS模型,得到车辆前景区域。
进一步的,步骤(3)包括:
(3-1)当车辆发生遮挡时,计算所有凸形差区域的面积,选取其中面积最大的第一凸形差区域和面积次大的第二凸形差区域;
(3-2)第一凸形差区域与凸包重合的边缘是第一直线,计算第一凸形差区域内部的每一个像素点到第一直线的距离,选取距离最大值对应的像素点为第一分割点,第二凸形差区域与凸包重合的边缘是第二直线,计算第二凸形差区域内部的每一个像素点到第二直线的距离,选取距离最大值对应的像素点为第二分割点,
(3-3)连接第一分割点和第二分割点,得到分割线,通过分割线将遮挡车辆和未遮挡车辆分离。
按照本发明的另一方面,提供了一种基于凸包分析的遮挡车辆检测系统,包括:
提取前景区域模块,用于对包含车辆的待检测图像,提取车辆前景区域;
判断车辆遮挡模块,用于标记车辆前景区域的轮廓和凸包,将凸包与车辆前景区域相减,得到车辆的凸形差区域,若车辆的凸形差区域面积与凸包面积的比值大于阈值,则车辆发生遮挡,否则车辆未发生遮挡;
分割模块,用于当车辆发生遮挡时,利用凸包和凸形差区域得到分割线,通过分割线将遮挡车辆和未遮挡车辆分离。
进一步的,提取前景区域模块包括:
选取候选区域子模块,用于将包含车辆的待检测图像输入RPN网络生成多个车辆目标的ROI,选取N个得分最高的ROI为含有车辆目标的候选区域;
得到前景区域子模块,用于将候选区域输入训练好的FCIS模型,得到车辆前景区域。
进一步的,选取候选区域子模块还包括对N个得分最高的ROI进行boundingbox回归,得到新的N个ROI为含有车辆目标的候选区域,N=300。
进一步的,得到前景区域子模块的具体实现方式为:
FCIS模型采用ResNet框架,去掉最后的全连接层,利用大量包含遮挡车辆的样本图像训练FCIS模型,得到训练好的FCIS模型,将候选区域输入训练好的FCIS模型,得到车辆前景区域。
进一步的,分割模块包括:
计算凸形差区域面积子模块,用于当车辆发生遮挡时,计算所有凸形差区域的面积,选取其中面积最大的第一凸形差区域和面积次大的第二凸形差区域;
选取分割点子模块,用于当第一凸形差区域与凸包重合的边缘是第一直线时,计算第一凸形差区域内部的每一个像素点到第一直线的距离,选取距离最大值对应的像素点为第一分割点,第二凸形差区域与凸包重合的边缘是第二直线,计算第二凸形差区域内部的每一个像素点到第二直线的距离,选取距离最大值对应的像素点为第二分割点,
车辆分割子模块,用于连接第一分割点和第二分割点,得到分割线,通过分割线将遮挡车辆和未遮挡车辆分离。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明利用车辆凸形差区域面积和凸包面积的比值来判别遮挡并对遮挡进行分离,可以有效修正误检情况,使检测精度得到进一步提高,适用范围扩大且检测稳定性增强。
(2)优选的,本发明利用FCIS模型,将将车辆遮挡检测细化到像素级,有效提高了检测精度,可以有效解决车辆之间的遮挡导致检测车辆时将两辆遮挡车辆误检为一辆车的情况。
(3)优选的,本发明利用RPN网络选取ROI,选取N个得分最高的ROI进行boundingbox回归,由此得到的候选区域精度较高,保证了后续检测的准确性。
附图说明
图1是本发明实施例提供的一种基于凸包分析的遮挡车辆检测方法的流程图;
图2(a)是本发明实施例提供的车辆的前景区域图;
图2(b)是本发明实施例提供的车辆的凸包区域图;
图2(c)是本发明实施例提供的车辆的凸形差区域图;
图3(a)中点A和点B是本发明实施例提供的两辆遮挡车辆的分割点;
图3(b)中线段AB是本发明实施例提供的两辆遮挡车辆的分割线;
图4是本发明实施例提供的基于FCIS进行车辆遮挡检测的效果图;
图5是本发明实施例提供的使用凸包和凸形差对FCIS的检测结果进行修正后的效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,一种基于凸包分析的遮挡车辆检测方法,包括:
(1)对包含车辆的待检测图像,提取车辆前景区域,车辆前景区域如图2(a)所示;
(2)标记车辆前景区域的轮廓和凸包,图2(b)是本发明实施例提供的车辆的凸包区域图;将凸包与车辆前景区域相减,得到车辆的凸形差区域,图2(c)是本发明实施例提供的车辆的凸形差区域图;若车辆的凸形差区域面积与凸包面积的比值大于阈值,则车辆发生遮挡,否则车辆未发生遮挡;
(3)当车辆发生遮挡时,利用凸包和凸形差区域得到分割线,通过分割线将遮挡车辆和未遮挡车辆分离。
在本发明实施例中,步骤(1)包括:
(1-1)将包含车辆的待检测图像输入RPN网络生成多个车辆目标的ROI,选取N个得分最高的ROI为含有车辆目标的候选区域;
(1-2)将候选区域输入训练好的FCIS模型,得到车辆前景区域。
在本发明实施例中,步骤(1-1)还包括对N个得分最高的ROI进行boundingbox回归,得到新的N个ROI为含有车辆目标的候选区域,回归后得到的新的ROI会更加接近实际车辆目标。
在本发明实施例中,步骤(1-2)的具体实现方式为:
FCIS模型采用ResNet框架,去掉最后的全连接层,利用大量包含遮挡车辆的样本图像训练FCIS模型,得到训练好的FCIS模型,将候选区域输入训练好的FCIS模型,得到车辆前景区域。
优选的,对车辆前景区域内的每个像素点生成两个得分值,第一个值表示该像素点属于车辆前景部分的似然,第二个值表示该像素点包含在车辆矩形区域但属于背景的似然。然后对这两个值进行softmax处理,得到每个像素点属于车辆前景部分的概率,并根据概率大小生成掩码图像,进而得到最终的车辆的前景区域。
在本发明实施例中,步骤(3)包括:
(3-1)当车辆发生遮挡时,计算所有凸形差区域的面积,选取其中面积最大的第一凸形差区域和面积次大的第二凸形差区域;
(3-2)第一凸形差区域与凸包重合的边缘是第一直线,计算第一凸形差区域内部的每一个像素点到第一直线的距离,选取距离最大值对应的像素点为第一分割点A,第二凸形差区域与凸包重合的边缘是第二直线,计算第二凸形差区域内部的每一个像素点到第二直线的距离,选取距离最大值对应的像素点为第二分割点B,如图3(a)所示;
(3-3)连接第一分割点和第二分割点,得到分割线,如图3(b)所示,通过分割线将遮挡车辆和未遮挡车辆分离。
图4是本发明实施例提供的基于FCIS进行车辆遮挡检测的效果图;可以看到其将两辆车辆检测为同一辆车辆。
图5是本发明实施例提供的使用凸包和凸形差对FCIS的检测结果进行修正后的效果图。可以看到使用凸包和凸形差方法对FCIS的检测结果进行修正的结果,两辆遮挡车辆被成功分离了。
本发明可以较好的解决单张图片中的遮挡车辆检测问题,为智能交通系统中的车流量统计、车辆抓拍等应用提供有力的技术支持。深度卷积网络的应用、像素级别的车辆检测和误检结果的修正提高了检测的精度。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于凸包分析的遮挡车辆检测方法,其特征在于,包括:
(1)对包含车辆的待检测图像,提取车辆前景区域;
(2)标记车辆前景区域的轮廓和凸包,将凸包与车辆前景区域相减,得到车辆的凸形差区域,若车辆的凸形差区域面积与凸包面积的比值大于阈值,则车辆发生遮挡,否则车辆未发生遮挡;
(3)当车辆发生遮挡时,利用凸包和凸形差区域得到分割线,通过分割线将遮挡车辆和未遮挡车辆分离。
2.如权利要求1所述的一种基于凸包分析的遮挡车辆检测方法,其特征在于,所述步骤(1)包括:
(1-1)将包含车辆的待检测图像输入RPN网络生成多个车辆目标的ROI,选取N个得分最高的ROI为含有车辆目标的候选区域;
(1-2)将候选区域输入训练好的FCIS模型,得到车辆前景区域。
3.如权利要求2所述的一种基于凸包分析的遮挡车辆检测方法,其特征在于,所述步骤(1-1)还包括对N个得分最高的ROI进行boundingbox回归,得到新的N个ROI为含有车辆目标的候选区域。
4.如权利要求2所述的一种基于凸包分析的遮挡车辆检测方法,其特征在于,所述步骤(1-2)的具体实现方式为:
FCIS模型采用ResNet框架,去掉最后的全连接层,利用大量包含遮挡车辆的样本图像训练FCIS模型,得到训练好的FCIS模型,将候选区域输入训练好的FCIS模型,得到车辆前景区域。
5.如权利要求1-4任一所述的一种基于凸包分析的遮挡车辆检测方法,其特征在于,所述步骤(3)包括:
(3-1)当车辆发生遮挡时,计算所有凸形差区域的面积,选取其中面积最大的第一凸形差区域和面积次大的第二凸形差区域;
(3-2)第一凸形差区域与凸包重合的边缘是第一直线,计算第一凸形差区域内部的每一个像素点到第一直线的距离,选取距离最大值对应的像素点为第一分割点,第二凸形差区域与凸包重合的边缘是第二直线,计算第二凸形差区域内部的每一个像素点到第二直线的距离,选取距离最大值对应的像素点为第二分割点,
(3-3)连接第一分割点和第二分割点,得到分割线,通过分割线将遮挡车辆和未遮挡车辆分离。
6.一种基于凸包分析的遮挡车辆检测系统,其特征在于,包括:
提取前景区域模块,用于对包含车辆的待检测图像,提取车辆前景区域;
判断车辆遮挡模块,用于标记车辆前景区域的轮廓和凸包,将凸包与车辆前景区域相减,得到车辆的凸形差区域,若车辆的凸形差区域面积与凸包面积的比值大于阈值,则车辆发生遮挡,否则车辆未发生遮挡;
分割模块,用于当车辆发生遮挡时,利用凸包和凸形差区域得到分割线,通过分割线将遮挡车辆和未遮挡车辆分离。
7.如权利要求6所述的一种基于凸包分析的遮挡车辆检测系统,其特征在于,所述提取前景区域模块包括:
选取候选区域子模块,用于将包含车辆的待检测图像输入RPN网络生成多个车辆目标的ROI,选取N个得分最高的ROI为含有车辆目标的候选区域;
得到前景区域子模块,用于将候选区域输入训练好的FCIS模型,得到车辆前景区域。
8.如权利要求7所述的一种基于凸包分析的遮挡车辆检测系统,其特征在于,所述选取候选区域子模块还包括对N个得分最高的ROI进行boundingbox回归,得到新的N个ROI为含有车辆目标的候选区域。
9.如权利要求7所述的一种基于凸包分析的遮挡车辆检测系统,其特征在于,所述得到前景区域子模块的具体实现方式为:
FCIS模型采用ResNet框架,去掉最后的全连接层,利用大量包含遮挡车辆的样本图像训练FCIS模型,得到训练好的FCIS模型,将候选区域输入训练好的FCIS模型,得到车辆前景区域。
10.如权利要求6-9任一所述的一种基于凸包分析的遮挡车辆检测系统,其特征在于,所述分割模块包括:
计算凸形差区域面积子模块,用于当车辆发生遮挡时,计算所有凸形差区域的面积,选取其中面积最大的第一凸形差区域和面积次大的第二凸形差区域;
选取分割点子模块,用于当第一凸形差区域与凸包重合的边缘是第一直线时,计算第一凸形差区域内部的每一个像素点到第一直线的距离,选取距离最大值对应的像素点为第一分割点,第二凸形差区域与凸包重合的边缘是第二直线,计算第二凸形差区域内部的每一个像素点到第二直线的距离,选取距离最大值对应的像素点为第二分割点,
车辆分割子模块,用于连接第一分割点和第二分割点,得到分割线,通过分割线将遮挡车辆和未遮挡车辆分离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710580443.6A CN107341490A (zh) | 2017-07-17 | 2017-07-17 | 一种基于凸包分析的遮挡车辆检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710580443.6A CN107341490A (zh) | 2017-07-17 | 2017-07-17 | 一种基于凸包分析的遮挡车辆检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107341490A true CN107341490A (zh) | 2017-11-10 |
Family
ID=60218724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710580443.6A Pending CN107341490A (zh) | 2017-07-17 | 2017-07-17 | 一种基于凸包分析的遮挡车辆检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107341490A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344886A (zh) * | 2018-09-17 | 2019-02-15 | 公安部交通管理科学研究所 | 基于卷积神经网络的遮挡号牌判别方法 |
CN110517502A (zh) * | 2019-07-12 | 2019-11-29 | 云宝宝大数据产业发展有限责任公司 | 一种单摄像机的违停车牌识别方法 |
CN110867083A (zh) * | 2019-11-20 | 2020-03-06 | 浙江宇视科技有限公司 | 车辆监控方法、装置、服务器和机器可读存储介质 |
CN111814788A (zh) * | 2020-06-28 | 2020-10-23 | 浙江大华技术股份有限公司 | 车牌定位方法及其相关装置 |
CN112734689A (zh) * | 2020-12-16 | 2021-04-30 | 广州大学 | 垫片质量检测方法、系统、装置和存储介质 |
CN112819745A (zh) * | 2019-10-31 | 2021-05-18 | 合肥美亚光电技术股份有限公司 | 坚果籽仁中心虫蚀缺陷检测方法及装置 |
CN113469173A (zh) * | 2020-03-31 | 2021-10-01 | 珠海格力电器股份有限公司 | 一种信号灯遮挡检测方法、装置、终端及计算机可读介质 |
CN113468914A (zh) * | 2020-03-30 | 2021-10-01 | 杭州海康威视数字技术股份有限公司 | 一种商品纯净度的确定方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156989A (zh) * | 2011-02-25 | 2011-08-17 | 崔志明 | 视频帧中车辆遮挡检测与分割方法 |
CN103632376A (zh) * | 2013-12-12 | 2014-03-12 | 江苏大学 | 一种两级框架的车辆部分遮挡消除方法 |
CN105930833A (zh) * | 2016-05-19 | 2016-09-07 | 重庆邮电大学 | 一种基于视频监控的车辆跟踪与分割方法 |
-
2017
- 2017-07-17 CN CN201710580443.6A patent/CN107341490A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156989A (zh) * | 2011-02-25 | 2011-08-17 | 崔志明 | 视频帧中车辆遮挡检测与分割方法 |
CN103632376A (zh) * | 2013-12-12 | 2014-03-12 | 江苏大学 | 一种两级框架的车辆部分遮挡消除方法 |
CN105930833A (zh) * | 2016-05-19 | 2016-09-07 | 重庆邮电大学 | 一种基于视频监控的车辆跟踪与分割方法 |
Non-Patent Citations (5)
Title |
---|
SHAOQING REN ET AL.: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
YI LI ET AL.: "Fully Convolutional Instance-aware Semantic Segmentation", 《ARXIV》 * |
任建新: "车辆遮挡检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》 * |
熊昌镇等: "一种基于轮廓的车辆遮挡检测与分割方法", 《系统仿真学报》 * |
肖建军: "车辆遮挡检测的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344886A (zh) * | 2018-09-17 | 2019-02-15 | 公安部交通管理科学研究所 | 基于卷积神经网络的遮挡号牌判别方法 |
CN109344886B (zh) * | 2018-09-17 | 2022-05-13 | 公安部交通管理科学研究所 | 基于卷积神经网络的遮挡号牌判别方法 |
CN110517502A (zh) * | 2019-07-12 | 2019-11-29 | 云宝宝大数据产业发展有限责任公司 | 一种单摄像机的违停车牌识别方法 |
CN112819745A (zh) * | 2019-10-31 | 2021-05-18 | 合肥美亚光电技术股份有限公司 | 坚果籽仁中心虫蚀缺陷检测方法及装置 |
CN112819745B (zh) * | 2019-10-31 | 2023-02-28 | 合肥美亚光电技术股份有限公司 | 坚果籽仁中心虫蚀缺陷检测方法及装置 |
CN110867083A (zh) * | 2019-11-20 | 2020-03-06 | 浙江宇视科技有限公司 | 车辆监控方法、装置、服务器和机器可读存储介质 |
CN110867083B (zh) * | 2019-11-20 | 2021-06-01 | 浙江宇视科技有限公司 | 车辆监控方法、装置、服务器和机器可读存储介质 |
CN113468914A (zh) * | 2020-03-30 | 2021-10-01 | 杭州海康威视数字技术股份有限公司 | 一种商品纯净度的确定方法、装置及设备 |
CN113468914B (zh) * | 2020-03-30 | 2023-08-29 | 杭州海康威视数字技术股份有限公司 | 一种商品纯净度的确定方法、装置及设备 |
CN113469173A (zh) * | 2020-03-31 | 2021-10-01 | 珠海格力电器股份有限公司 | 一种信号灯遮挡检测方法、装置、终端及计算机可读介质 |
CN111814788A (zh) * | 2020-06-28 | 2020-10-23 | 浙江大华技术股份有限公司 | 车牌定位方法及其相关装置 |
CN112734689A (zh) * | 2020-12-16 | 2021-04-30 | 广州大学 | 垫片质量检测方法、系统、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341490A (zh) | 一种基于凸包分析的遮挡车辆检测方法和系统 | |
Heinzler et al. | Cnn-based lidar point cloud de-noising in adverse weather | |
Rezaei et al. | Robust vehicle detection and distance estimation under challenging lighting conditions | |
Huang et al. | Vehicle detection and inter-vehicle distance estimation using single-lens video camera on urban/suburb roads | |
Lai et al. | Vehicle type classification from visual-based dimension estimation | |
Bertozzi et al. | Obstacle detection and classification fusing radar and vision | |
US8019157B2 (en) | Method of vehicle segmentation and counting for nighttime video frames | |
Mu et al. | Multiscale edge fusion for vehicle detection based on difference of Gaussian | |
CN105989334A (zh) | 基于单目视觉的道路检测方法 | |
Al-Ariny et al. | An efficient vehicle counting method using mask r-cnn | |
CN106803262A (zh) | 利用双目视觉自主解算汽车速度的方法 | |
Nizar et al. | Multi-object tracking and detection system based on feature detection of the intelligent transportation system | |
El Jaafari et al. | A novel approach for on-road vehicle detection and tracking | |
CN111738228A (zh) | 一种面向治超证据链校验的多视角车辆特征匹配方法 | |
Kim | Vehicle detection and speed estimation for automated traffic surveillance systems at nighttime | |
Huang et al. | An improved cascade R-CNN-Based target detection algorithm for UAV Aerial Images | |
CN112347967B (zh) | 一种复杂场景下融合运动信息的行人检测方法 | |
Tursun et al. | A video based real-time vehicle counting system using optimized virtual loop method | |
CN115937827B (zh) | 用于汽车紧急主动避险的监控视频处理方法 | |
Sheng et al. | A faster R-CNN based high-normalization sample calibration method for dense subway passenger flow detection | |
CN111353481A (zh) | 基于激光点云与视频图像的道路障碍物识别方法 | |
Deng et al. | An integrated forward collision warning system based on monocular vision | |
Oh et al. | Development of an integrated system based vehicle tracking algorithm with shadow removal and occlusion handling methods | |
CN114419531A (zh) | 目标检测方法、目标检测系统以及计算机可读存储介质 | |
CN112634299A (zh) | 一种排除飞虫干扰的遗留物检测方法 |
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: 20171110 |