CN107578048A - 一种基于车型粗分类的远视场景车辆检测方法 - Google Patents
一种基于车型粗分类的远视场景车辆检测方法 Download PDFInfo
- Publication number
- CN107578048A CN107578048A CN201710653791.1A CN201710653791A CN107578048A CN 107578048 A CN107578048 A CN 107578048A CN 201710653791 A CN201710653791 A CN 201710653791A CN 107578048 A CN107578048 A CN 107578048A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- bwl
- rectangle
- msub
- mrow
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 231100000241 scar Toxicity 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于车型粗分类的远视场景车辆检测方法，本发明先对远视场景车辆进行粗分类得到候选大型车和候选小型车，然后用相应车型的车窗分类器对候选车辆进行检测，提高了车辆检测的精确度和实时性。
Description
技术领域
本发明属于智慧交通领域，涉及一种车辆检测方法，尤其涉及在远视场景车辆检测过程中，对车辆进行车型粗分类后用不同分类器对相应车型车辆进行检测的方法。
背景技术
目前，机动车拥有量迅速增长，超过同期城市道路和交通设施的增长速度，城市道路拥堵情况十分严重。交通拥堵会导致出行时间增加、车辆启停次数增加、能耗大幅上升、加剧环境污染等不利后果。车辆排队长度作为智能交通中的重要参数，有助于对路口的车流量进行预测，提前做好应对措施,减少路口拥堵情况的产生，具有重大意义。
在车辆检测方法中，与本发明最接近的技术方案包括：公开号为CN104978567A的中国专利申请公开了基于场景分类的车辆检测方法，该方法对输入视频进行场景分类，得到简单场景和复杂场景。对所述简单场景采用平均帧背景建模法进行建模，对所述复杂场景采用高斯背景建模法进行建模。对背景建模得到的前景二值图进行筛选，得到候选车辆区域。然后提取Hog和LBP特征作为级联分类器特征，训练得到分类器后对车辆进行检测。该方法将道路卡口监控场景分类为简单和复杂场景，再对不同场景采用不同的方法进行背景建模，提高前景提取的效果，但该方法未对候选车辆进行分类，仍采用单个分类器对车辆进行检测；公开号为CN104239898A的中国专利申请公开了一种快速卡口车辆比对和车型识别方法，该方法先进行前景车辆检测获得车辆区域，然后提取车辆区域的SIFT特征描述子，查询车型数据库后实现车型粗匹配，再使用SIFT对候选车型图像进行精确匹配，通过几何信息验证后得到最终车型比对结果。该方法需要提前建立车型数据库，提取sift特征及匹配车型库计算量较大，不适合实时的车辆检测，而本发明提出的车辆检测方法在高清场景下也能达到实时检测；在远视场景下进行车辆检测，道路拥堵时车辆不可避免出现前后部分遮挡问题，这对车辆检测造成干扰。此外，为了保证车辆排队长度的精度，需要对大型车和小型车进行车型分类。当采用背景建模方法提取车辆前景时，为了检测到大型车辆，检测区域往往设置较大，导致车辆检测耗时较长，严重影响视频分析系统的实时性。
发明内容
针对上述问题，本发明提供了一种基于车型粗分类的远视场景车辆检测方法。本发明包括以下步骤：
步骤1：训练分类器，采集远视场景中的大型车辆和小型车辆车窗的正、负样本，分别提取每一张正负样本的HOG特征，使用SVM分类器训练得到大型车和小型车的车窗分类器；
步骤2：预处理，从道路监控视频中手动标定远视场景中大型车辆检测区域，然后在大型车辆检测区域中手动标定小型车检测区域；分别标定大型车辆和小型车辆车窗高度、宽度和面积的最小阈值；
步骤3：读取图像序列，获取当前帧中的大型车辆检测区域M；
步骤4：对M进行背景建模，得到前景二值图；
步骤5：对步骤4中的前景二值图进行筛选得到候选车辆，然后对候选车辆进行车型粗分类，具体为：
步骤5.1：先对步骤4中的前景二值图进行中值滤波和膨胀操作，得到处理后的前景二值图G；
步骤5.2：截取G中的小型车辆检测区域得到前景二值图GS，找到GS中所有连通区域的最小外接矩形，构成小型车车窗外接矩形集合SWL＝{swli|i＝1,2,3...n}，n表示外接矩形个数，使其同时满足式(1)、(2)：
swli.W＞SCar.W且swli.H＞SCar.H (1)
swli.S＞SCar.S (2)
式中，swli表示第i个小型车车窗外接矩形，swli.H、swli.W、swli.S分别表示swli的高度、宽度和面积；SCar.H、SCar.W、SCar.S分别表示小型车辆车窗矩形最小高度、最小宽度和最小面积的阈值；
步骤5.3：找到G中所有连通区域的最小外接矩形，构成大型车车窗外接矩形集合BWL＝{bwli|i＝1,2,3...m},m表示外接矩形个数，使其同时满足式(3)、(4)：
bwli.W＞BCar.W且bwli.H＞BCar.H (3)
bwli.S＞BCar.S (4)
式中，bwli表示第i个大型车车窗外接矩形，bwli.H、bwli.W、bwli.S分别表示bwli的高度、宽度和面积,BCar.H、BCar.W、BCar.S分别表示大型车辆车窗外接矩形最小高度、宽度和面积的阈值；
步骤5.4：记跟踪车辆外接矩形集合TL＝{tli|i＝1,2,3,...,p}，其中p为跟踪车辆总数，若bwli满足式(5)或式(6)，则判定bwli为虚假候选大型车辆，进一步从BWL中剔除该矩形；重复这一过程，直至遍历BWL中所有外接矩形；
式中，tlj∩bwli表示矩形tlj和bwli相交区域，表示相交区域的面积；tlj.X、tlj.W分别表示矩形tlj的左上角点X坐标和宽度；bwli.X、bwlj.W分别表示矩形bwli的左上角点X坐标和宽度；tlj.center.Y表示矩形中心点的Y坐标，G.Buttom表示大型车辆检测区域矩形底部Y坐标；
步骤6：车辆检测，利用训练好的车窗分类器对相应车型的候选车辆进行检测，具体为：
步骤6.1：截取BWL在大型车辆检测区域中对应的外接矩形子图，用大型车辆车窗分类器对截取的子图进行检测，得到精确定位的大型车辆车窗外接矩形集合NTLB＝{ntlbi|i＝1,2,...,r}，其中r表示检测到的车窗个数，ntlbi表示第i个大车车窗外接矩形；
步骤6.2：截取SWL在小型车辆检测区域中对应外接矩形子图，用小型车辆车窗分类器对截取的子图进行检测，得到精确定位的小型车辆车窗外接矩形集合NTLS＝{ntlsi|i＝1,2,...,q}，其中q表示检测到的车窗个数，ntlsi表示第i个小车车窗外接矩形；
步骤6.3：若NTLB中任意矩形ntlbi满足式(7)，则认为该矩形为新检测到的大型车辆，将其加入TL，否则将其剔除；
式中，ntlbi∩tlj表示矩形ntlbi和tlj相交区域，表示相交区域的面积；
步骤6.4：若NTLS中任意矩形ntlsi满足式(8)，则认为该矩形为新检测到的的小型车辆，将其加入TL，否则将其剔除；
式中，ntlsi∩tlj表示矩形ntlsi和tlj相交区域，表示相交区域的面积；
步骤7：判断当前帧数是否小于序列图像编号最大值，若小于转到执行步骤3，否则结束；
本发明的优点及有益效果是：本发明先对远视场景车辆进行粗分类得到候选大型车和候选小型车，然后用相应车型的车窗分类器对候选车辆进行检测，提高了车辆检测的精确度和实时性。
附图说明
图1为一种基于车窗的远视场景车辆检测方法的流程图。
图2为本发明实施例中的远视场景某视频帧全图。
图3为本发明实施例中远视场景大型车车辆检测区域。
图4为本发明实施例中远视场景小型车车辆检测区域。
图5为本发明实施例中背景建模得到的前景二值图。
图6为本发明实施例中车辆检测结果。
具体实施方式
下面结合实施例来详细阐述本发明的基于车型粗分类的远视场景车辆检测方法的具体实施方式。在本实施例中，参照图1，对一种基于车型粗分类的远视场景车辆检测方法进行具体介绍：
步骤1：训练分类器，采集远视场景中的大型车辆和小型车辆车窗的正、负样本，分别提取每一张正负样本的HOG特征，使用SVM分类器训练得到大型车和小型车的车窗分类器；在本实施例中，在实际监控视频中对于车辆在多个不同场景的道路视频监控中，人工截取2000张像素为200*100左右的小型车车窗图片和2000张像素像素为400*400左右的大型车车窗，这些正样本图片应包含完整车窗且包含尽可能少的背景。车辆的负样本图片的采集过程为：采集与正样本大小相似的非车窗图片，在这些图片中至少选取4000张作为负样本；
步骤2：预处理，从道路监控视频中手动标定远视场景中大型车辆检测区域，然后在大型车辆检测区域中手动标定小型车检测区域；分别标定大型车辆和小型车辆车窗高度、宽度和面积的最小阈值；在本实施例中，视频帧全图如图2所示，截取的大型车辆检测区域如图3所示，小型车辆检测区域如图4所示；大型车车窗最小高度和宽度阈值分别为150、150和23000，小型车车窗最小高度和宽度阈值分别为32、64和2500；
步骤3：读取图像序列，获取当前帧中的大型车辆检测区域M；在本实施例中，图像序列数最大值为Count；
步骤4：对M进行背景建模，得到前景二值图；
步骤5：对步骤4中的前景二值图进行筛选得到候选车辆，然后对候选车辆进行车型粗分类，具体为：
步骤5.1：先对步骤4中的前景二值图进行中值滤波和膨胀操作，得到处理后的前景二值图G；在本实施例中，背景建模得到的前景二值图G如图5所示；
步骤5.2：截取G中的小型车辆检测区域得到前景二值图GS，找到GS中所有连通区域的最小外接矩形，构成小型车车窗外接矩形集合SWL＝{swli|i＝1,2,3...n}，n表示外接矩形个数，使其同时满足式(1)、(2)：
swli.W＞SCar.W且swli.H＞SCar.H (1)
swli.S＞SCar.S (2)
式中，swli表示第i个小型车车窗外接矩形，swli.H、swli.W、swli.S分别表示swli的高度、宽度和面积；SCar.H、SCar.W、SCar.S分别表示小型车辆车窗矩形最小高度、最小宽度和最小面积的阈值；
步骤5.3：找到G中所有连通区域的最小外接矩形，构成大型车车窗外接矩形集合BWL＝{bwli|i＝1,2,3...m},m表示外接矩形个数，使其同时满足式(3)、(4)：
bwli.W＞BCar.W且bwli.H＞BCar.H (3)
bwli.S＞BCar.S (4)
式中，bwli表示第i个大型车车窗外接矩形，bwli.H、bwli.W、bwli.S分别表示bwli的高度、宽度和面积,BCar.H、BCar.W、BCar.S分别表示大型车辆车窗外接矩形最小高度、宽度和面积的阈值；
步骤5.4：记跟踪车辆外接矩形集合TL＝{tli|i＝1,2,3,...,p}，其中p为跟踪车辆总数，若bwli满足式(5)或式(6)，则判定bwli为虚假候选大型车辆，进一步从BWL中剔除该矩形；重复这一过程，直至遍历BWL中所有外接矩形；
式中，tlj∩bwli表示矩形tlj和bwli相交区域，表示相交区域的面积；tlj.X、tlj.W分别表示矩形tlj的左上角点X坐标和宽度；bwli.X、bwlj.W分别表示矩形bwli的左上角点X坐标和宽度；tlj.center.Y表示矩形中心点的Y坐标，G.Buttom表示大型车辆检测区域矩形底部Y坐标；
步骤6：车辆检测，利用训练好的车窗分类器对相应车型的候选车辆进行检测，具体为：
步骤6.1：截取BWL在大型车辆检测区域中对应的外接矩形子图，用大型车辆车窗分类器对截取的子图进行检测，得到精确定位的大型车辆车窗外接矩形集合NTLB＝{ntlbi|i＝1,2,...,r}，其中r表示检测到的车窗个数，ntlbi表示第i个大车车窗外接矩形；
步骤6.2：截取SWL在小型车辆检测区域中对应外接矩形子图，用小型车辆车窗分类器对截取的子图进行检测，得到精确定位的小型车辆车窗外接矩形集合NTLS＝{ntlsi|i＝1,2,...,q}，其中q表示检测到的车窗个数，ntlsi表示第i个小车车窗外接矩形；
步骤6.3：若NTLB中任意矩形ntlbi满足式(7)，则认为该矩形为新检测到的大型车辆，将其加入TL，否则将其剔除；
式中，ntlbi∩tlj表示矩形ntlbi和tlj相交区域，表示相交区域的面积；在本实施例中，车辆检测的结果如图6所示；
步骤6.4：若NTLS中任意矩形ntlsi满足式(8)，则认为该矩形为新检测到的的小型车辆，将其加入TL，否则将其剔除；
式中，ntlsi∩tlj表示矩形ntlsi和tlj相交区域，表示相交区域的面积；
步骤7：判断当前帧数是否小于序列图像编号最大值，若小于转到执行步骤3，否则结束；
本说明书实施例所述的内容仅仅是对本发明构思实现形式的举例，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能想到的等同技术手段。
Claims (3)
1.一种基于车型粗分类的远视场景车辆检测方法，包括如下步骤：
步骤1：训练分类器，采集远视场景中的大型车辆和小型车辆车窗的正、负样本，分别提取每一张正负样本的HOG特征，使用SVM分类器训练得到大型车和小型车的车窗分类器；
步骤2：预处理，从道路监控视频中手动标定远视场景中大型车辆检测区域，然后在大型车辆检测区域中手动标定小型车检测区域；分别标定大型车辆和小型车辆车窗高度、宽度和面积的最小阈值；
步骤3：读取图像序列，获取当前帧中的大型车辆检测区域M；在本实施例中，图像序列数最大值为Count；
步骤4：对M进行背景建模，得到前景二值图；
步骤5：对步骤4中的前景二值图进行筛选得到候选车辆，然后对候选车辆进行车型粗分类；
步骤6：车辆检测，利用训练好的车窗分类器对相应车型的候选车辆进行检测
步骤7：判断当前帧数是否小于序列图像编号最大值，若小于转到执行步骤3，否则结束。
2.如权利要求1所述的基于车型粗分类的远视场景车辆检测方法，其特征在于：步骤5具体为：
步骤5.1：先对步骤4中的前景二值图进行中值滤波和膨胀操作，得到处理后的前景二值图G；在本实施例中，背景建模得到的前景二值图G如图5所示；
步骤5.2：截取G中的小型车辆检测区域得到前景二值图GS，找到GS中所有连通区域的最小外接矩形，构成小型车车窗外接矩形集合SWL＝{swli|i＝1,2,3...n}，n表示外接矩形个数，使其同时满足式(1)、(2)：
swli.W＞SCar.W且swli.H＞SCar.H (1)
swli.S＞SCar.S (2)
式中，swli表示第i个小型车车窗外接矩形，swli.H、swli.W、swli.S分别表示swli的高度、宽度和面积；SCar.H、SCar.W、SCar.S分别表示小型车辆车窗矩形最小高度、最小宽度和最小面积的阈值；
步骤5.3：找到G中所有连通区域的最小外接矩形，构成大型车车窗外接矩形集合BWL＝{bwli|i＝1,2,3...m},m表示外接矩形个数，使其同时满足式(3)、(4)：
bwli.W＞BCar.W且bwli.H＞BCar.H (3)
bwli.S＞BCar.S (4)
式中，bwli表示第i个大型车车窗外接矩形，bwli.H、bwli.W、bwli.S分别表示bwli的高度、宽度和面积,BCar.H、BCar.W、BCar.S分别表示大型车辆车窗外接矩形最小高度、宽度和面积的阈值；
步骤5.4：记跟踪车辆外接矩形集合TL＝{tli|i＝1,2,3,...,p}，其中p为跟踪车辆总数，若bwli满足式(5)或式(6)，则判定bwli为虚假候选大型车辆，进一步从BWL中剔除该矩形；重复这一过程，直至遍历BWL中所有外接矩形；
<mrow>
<msub>
<mi>S</mi>
<mrow>
<msub>
<mi>tl</mi>
<mi>j</mi>
</msub>
<mo>&cap;</mo>
<msub>
<mi>bwl</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>></mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，tlj∩bwli表示矩形tlj和bwli相交区域，表示相交区域的面积；tlj.X、tlj.W分别表示矩形tlj的左上角点X坐标和宽度；bwli.X、bwlj.W分别表示矩形bwli的左上角点X坐标和宽度；tlj.center.Y表示矩形中心点的Y坐标，G.Buttom表示大型车辆检测区域矩形底部Y坐标。
3.如权利要求1所述的基于车型粗分类的远视场景车辆检测方法，其特征在于：步骤6具体为：
步骤6.1：截取BWL在大型车辆检测区域中对应的外接矩形子图，用大型车辆车窗分类器对截取的子图进行检测，得到精确定位的大型车辆车窗外接矩形集合NTLB＝{ntlbi|i＝1,2,...,r}，其中r表示检测到的车窗个数，ntlbi表示第i个大车车窗外接矩形；
步骤6.2：截取SWL在小型车辆检测区域中对应外接矩形子图，用小型车辆车窗分类器对截取的子图进行检测，得到精确定位的小型车辆车窗外接矩形集合NTLS＝{ntlsi|i＝1,2,...,q}，其中q表示检测到的车窗个数，ntlsi表示第i个小车车窗外接矩形；
步骤6.3：若NTLB中任意矩形ntlbi满足式(7)，则认为该矩形为新检测到的大型车辆，将其加入TL，否则将其剔除；
<mrow>
<msub>
<mi>S</mi>
<mrow>
<msub>
<mi>ntlb</mi>
<mi>i</mi>
</msub>
<mo>&cap;</mo>
<msub>
<mi>tl</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
<mo>=</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，ntlbi∩tlj表示矩形ntlbi和tlj相交区域，表示相交区域的面积；在本实施例中，车辆检测的结果如图6所示；
步骤6.4：若NTLS中任意矩形ntlsi满足式(8)，则认为该矩形为新检测到的的小型车辆，将其加入TL，否则将其剔除；
<mrow>
<msub>
<mi>S</mi>
<mrow>
<msub>
<mi>ntls</mi>
<mi>i</mi>
</msub>
<mo>&cap;</mo>
<msub>
<mi>tl</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
<mo>=</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，ntlsi∩tlj表示矩形ntlsi和tlj相交区域，表示相交区域的面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710653791.1A CN107578048B (zh) | 2017-08-02 | 2017-08-02 | 一种基于车型粗分类的远视场景车辆检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710653791.1A CN107578048B (zh) | 2017-08-02 | 2017-08-02 | 一种基于车型粗分类的远视场景车辆检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107578048A true CN107578048A (zh) | 2018-01-12 |
| CN107578048B CN107578048B (zh) | 2020-11-13 |
Family
ID=61035431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710653791.1A Expired - Fee Related CN107578048B (zh) | 2017-08-02 | 2017-08-02 | 一种基于车型粗分类的远视场景车辆检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107578048B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364466A (zh) * | 2018-02-11 | 2018-08-03 | 金陵科技学院 | 一种基于无人机交通视频的车流量统计方法 |
| CN108470145A (zh) * | 2018-01-31 | 2018-08-31 | 浙江工业大学 | 一种基于曲线斜率变化的汽车方向盘检测方法 |
| CN109064495A (zh) * | 2018-09-19 | 2018-12-21 | 东南大学 | 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法 |
| CN109272482A (zh) * | 2018-07-20 | 2019-01-25 | 浙江浩腾电子科技股份有限公司 | 一种基于序列图像的城市路口车辆排队检测系统 |
| CN109410598A (zh) * | 2018-11-09 | 2019-03-01 | 浙江浩腾电子科技股份有限公司 | 一种基于计算机视觉的交通路口拥堵检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8503725B2 (en) * | 2010-04-15 | 2013-08-06 | National Chiao Tung University | Vehicle tracking system and tracking method thereof |
| CN103593981A (zh) * | 2013-01-18 | 2014-02-19 | 西安通瑞新材料开发有限公司 | 一种基于视频的车型识别方法 |
| CN104978567A (zh) * | 2015-06-11 | 2015-10-14 | 武汉大千信息技术有限公司 | 基于场景分类的车辆检测方法 |
| CN106529461A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于积分特征通道和svm训练器的车型识别算法 |
| CN106940784A (zh) * | 2016-12-26 | 2017-07-11 | 无锡高新兴智能交通技术有限公司 | 一种基于视频的公交车检测与识别方法及系统 |
-
2017
- 2017-08-02 CN CN201710653791.1A patent/CN107578048B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8503725B2 (en) * | 2010-04-15 | 2013-08-06 | National Chiao Tung University | Vehicle tracking system and tracking method thereof |
| CN103593981A (zh) * | 2013-01-18 | 2014-02-19 | 西安通瑞新材料开发有限公司 | 一种基于视频的车型识别方法 |
| CN104978567A (zh) * | 2015-06-11 | 2015-10-14 | 武汉大千信息技术有限公司 | 基于场景分类的车辆检测方法 |
| CN106529461A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于积分特征通道和svm训练器的车型识别算法 |
| CN106940784A (zh) * | 2016-12-26 | 2017-07-11 | 无锡高新兴智能交通技术有限公司 | 一种基于视频的公交车检测与识别方法及系统 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108470145A (zh) * | 2018-01-31 | 2018-08-31 | 浙江工业大学 | 一种基于曲线斜率变化的汽车方向盘检测方法 |
| CN108470145B (zh) * | 2018-01-31 | 2021-03-16 | 浙江工业大学 | 一种基于曲线斜率变化的汽车方向盘检测方法 |
| CN108364466A (zh) * | 2018-02-11 | 2018-08-03 | 金陵科技学院 | 一种基于无人机交通视频的车流量统计方法 |
| CN108364466B (zh) * | 2018-02-11 | 2021-01-26 | 金陵科技学院 | 一种基于无人机交通视频的车流量统计方法 |
| CN109272482A (zh) * | 2018-07-20 | 2019-01-25 | 浙江浩腾电子科技股份有限公司 | 一种基于序列图像的城市路口车辆排队检测系统 |
| CN109272482B (zh) * | 2018-07-20 | 2021-08-24 | 浙江浩腾电子科技股份有限公司 | 一种基于序列图像的城市路口车辆排队检测系统 |
| CN109064495A (zh) * | 2018-09-19 | 2018-12-21 | 东南大学 | 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法 |
| CN109064495B (zh) * | 2018-09-19 | 2021-09-28 | 东南大学 | 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法 |
| CN109410598A (zh) * | 2018-11-09 | 2019-03-01 | 浙江浩腾电子科技股份有限公司 | 一种基于计算机视觉的交通路口拥堵检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107578048B (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wei et al. | Multi-vehicle detection algorithm through combining Harr and HOG features | |
| CN107578048A (zh) | 一种基于车型粗分类的远视场景车辆检测方法 | |
| CN109977782B (zh) | 基于目标位置信息推理的跨店经营行为检测方法 | |
| CN104933710B (zh) | 基于监控视频下的商店人流轨迹智能分析方法 | |
| 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 | |
| CN101872416B (zh) | 对道路图像进行车牌识别的方法和系统 | |
| CN103077407B (zh) | 车标定位识别方法及系统 | |
| CN103093201B (zh) | 车标定位识别方法及系统 | |
| CN104951784A (zh) | 一种车辆无牌及车牌遮挡实时检测方法 | |
| CN105404857A (zh) | 一种基于红外的夜间智能车前方行人检测方法 | |
| EP2813973B1 (en) | Method and system for processing video image | |
| CN103400113B (zh) | 基于图像处理的高速公路隧道行人检测方法 | |
| CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
| CN113822285A (zh) | 一种用于复杂应用场景的车辆违停识别方法 | |
| CN113095301B (zh) | 占道经营监测方法、系统与服务器 | |
| CN110443142B (zh) | 一种基于路面提取与分割的深度学习车辆计数方法 | |
| CN103049788B (zh) | 基于计算机视觉的待过行人数目的检测系统及方法 | |
| CN111008574A (zh) | 一种基于形体识别技术的重点人员轨迹分析方法 | |
| CN104463138A (zh) | 基于视觉结构属性的文本定位方法及系统 | |
| CN112651293A (zh) | 一种公路违法设摊事件视频检测方法 | |
| Chen et al. | A precise information extraction algorithm for lane lines | |
| CN104331708B (zh) | 一种人行横道线自动检测分析方法及系统 | |
| CN110378935B (zh) | 基于图像语义信息的抛物识别方法 | |
| CN105069407B (zh) | 一种基于视频的交通流量获取方法 | |
| Tan et al. | Shape template based side-view car detection algorithm |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201113 |