CN107944354A - 一种基于深度学习的车辆检测方法 - Google Patents
一种基于深度学习的车辆检测方法 Download PDFInfo
- Publication number
- CN107944354A CN107944354A CN201711104408.3A CN201711104408A CN107944354A CN 107944354 A CN107944354 A CN 107944354A CN 201711104408 A CN201711104408 A CN 201711104408A CN 107944354 A CN107944354 A CN 107944354A
- Authority
- CN
- China
- Prior art keywords
- image
- characteristic pattern
- vehicle
- average
- deep learning
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于深度学习的车辆检测方法,特别是利用深度网络中的最后一个卷积层的特征图权值相加的方法实现对车辆的精确定位。属于计算机视觉技术领域。本发明首先利用车辆数据库训练深度学习网络,然后将待检测图片送入训练好的网络,经过一次前向传播得到该图片的类别信息,依据类别信息获得参数中权值最大的权重,与最后一层卷积层的特征图进行叠加,然后与待检测图片进行图像融合,最后实现车辆的准确定位,该算法具有较好的准确性以及适应性。有效解决了传统图像处理算法实现车辆检测时的环境干扰,光照影响,障碍物影响和准确率低等问题,可适用于不同场景下的车辆检测。
Description
技术领域
本发明属于计算机视觉技术领域,具体涉及一种基于深度学习的车辆检测方法,利用深度网络中的最后一层卷积层的特征图进行权值相加的方法实现对车辆的精确定位。
背景技术
近年来随着经济的不断增长,汽车的数量也在持续增加,由此引发了一系列的交通问题,为解决这些问题智能交通系统成为研究热点。而车辆检测属于智能交通系统中最重要的环节,精确的定位车辆位置对智能交通系统的车辆计数、车辆分类等研究领域有着关键性作用。
目前车辆检测算法主要有基于特征的车辆检测算法、基于视觉的车辆检测算法、基于帧间差分的车辆检测算法等。其中基于视觉和基于帧间差分的车辆检测算法主要基于运动车辆检测,而基于特征的车辆检测算法更常用于静态图像检测。
目前,对于基于特征的车辆检测算法通常需要图像预处理、图像特征提取、图像分类等步骤。李云翀等人将直方图分析和自适应阈值结合来分割阴影和边缘特征,从而得到车辆区域,但该方法对图像光照情况的要求比较高,没有很好的鲁棒性(李云翀,何克忠,贾培发.基于阴影特征和Adaboost的前向车辆检测系统[J].清华大学学报:自然科学版,2007,47(10):1713-1716.)。文献提取图像的Harr-like特征并用Adaboost分类器识别车辆来实现车辆检测,该方法对需要提取大量的Harr-like特征,计算量大(金立生,王岩,刘景华,等.基于Adaboost算法的日间前方车辆检测[J].吉林大学学报:工学版,2014,44(6):1604-1608.)。李琳辉等人提出根据车底阴影特征结合卷积神经网络进行前方车辆检测,将日间道路环境分为弱光照、正常光照、强光照三类,进行自适应阴影分割生成阴影区域。但是该方法在光照微弱,车辆灰度与道路灰度接近时无法适用,而且光照的划分具有一定的人为限定性,没有很好的鲁棒性和适应性(李琳辉,伦智梅,连静,等.基于卷积神经网络的道路车辆检测方法[J].吉林大学学报(工),2017,47(2):384-391.)。赵英男等人提出Gabor滤波器提取特征,并用SVM分类器分类的方式实现车辆检测,该方法主要适用于红外车辆,而且应用阈值分割进行候选区域确定,该算法对阈值要求比较高,有一定的局限性。
发明内容
发明目的:为解决现有车辆检测算法过度依赖图像的光照、质量的问题,使车辆检测具有更好的适应性和可应用性,本发明提供一种基于深度学习的车辆检测方法。
技术方案:一种基于深度学习的车辆检测方法,包括以下步骤:
步骤S1:将带有车辆品牌标注信息的车辆数据库进行去均值处理,选取ImageNet数据库训练好的深度学习模型作为基本网络模型,在基本网络模型的基础上用去均值的车辆数据库采取微调的方式训练网络,得到最终用于车辆检测的深度学习网络;
步骤S2:将待检测图像缩放到固定尺寸,并对待检测图像进行去均值处理,得到去均值的待检测图像;
步骤S3:将去均值的待检测图像送入深度学习网络中,经过卷积层、池化层、全连接层得到最大分类概率,依据最大分类概率得到对应的全连接层的权值;
步骤S4:将去均值的待检测图像输入到深度学习网络,在最后一层卷积层得到特征图结果,对特征图与步骤S3得到的权值进行叠加,将叠加后的多张特征图结果进行像素值相加,并进行归一化操作,得到最终的特征图结果;
步骤S5:将得到的最终的特征图结果与原始的待检测图像进行图像融合,依据图像处理中的自适应阈值选取,设定图像阈值找到融合后的图像的像素值较大的区域,即最大响应区域,然后依据轮廓查找找到响应最大区域的外接矩形,实现车辆的精确定位和检测。
进一步的,所述步骤S1中微调的步骤包括:固定卷积层的学习率为0.01,将全连接层的学习率调整至0.001,依据训练图像数量=迭代次数*批处理次数,修改迭代次数,批处理次数选为128或64。
进一步的,所述步骤S1中车辆数据库去均值的步骤包括:对车辆数据库中每张图像进行每个位置的像素值累加,然后除以图像总数,得到均值图像,车辆数据库中每张训练图像均减去所述均值图像,得到去均值的车辆数据库数据。
进一步的,所述步骤S2的方法为:图像缩放尺寸的选取依据网络结构,如深度学习网络为LeNet或AlexNet则缩放至227*227,如深度学习网络为GoogLeNet则缩放至224*224;缩放方法的选取为最近邻插值或双线性插值;去均值的方法为:对车辆数据库中每张图像进行每个位置的像素值累加,然后除以图像总数,得到均值图像,待检测图像减去所述均值图像得到去均值的待检测图像。
进一步的,所述步骤S3获得最大分类概率的权值的方法包括:
步骤S31:将去均值的待检测图像输入深度学习网络;
步骤S32:去均值的待检测图像依次经过不同的卷积核的卷积层,通过二维卷积核对图像进行二维离散卷积,得到卷积层特征图;
步骤S33:将步骤S32中得到的卷积层特征图输入到池化层,对特征图大小进行压缩,池化方法为平均值池化,压缩尺寸选取为2倍窗口,输出池化层特征图;
步骤S34:将去均值的待检测图像输入至深度学习网络中,重复上述S31、S32步骤至池化层特征图大小为7*7,其中卷积层的卷积核大小分别为7*7,5*5,3*3,依次递减,池化层选取为2倍窗口大小;
步骤S35:将步骤S34中的7*7大小的特征图输入全连接层,连接所有的特征,将输出值输入至分类器中,得到最大分类概率;
步骤S36:依据最大分类概率值,获得全连接层的对应的权值。
进一步的,所述步骤S35中分类器选取为:Softmax分类器;得到最大分类概率的方法为:遍历分类结果,找到最大值。
进一步的,步骤S4中权值叠加的方法为:将对特征图中的每张特征图都乘以对应的权值,得到新的特征图,然后累加这组新的特征图,将累加结果除以255进行归一化处理得到最终的特征图结果。
进一步的,步骤S5具体包括:
步骤S51,对特征图与原图像采用加权平均值的方式进行图像融合得到最终图像;
步骤S52,设定最终图像中最大像素值的80%作为阈值,二值化该图像;
步骤S53,对步骤S52中二值化后的图像进行轮廓查找,找到响应最大位置的外边界,并依据外边界位置得到轮廓的外接矩形。
进一步的,所述步骤S51中,加权平均值的具体计算方法为:分别遍历特征图和原图像,对二者图像的像素值取不同的权值,融合后图像的相应位置的像素值为特征图相应位置的像素值与原图相应位置像素值的和,具体的权值选取为:特征图的像素值乘以0.3,原图的像素值乘以0.7。
有益效果:相比于现有技术,本发明提供一种基于深度学习的车辆检测方法,具有以下有益效果:减少复杂的图像预处理过程,降低了图像的质量的要求,算法简单,检测效率高,检测精度高,实用性强,具有较好的适应性以及可靠性。有效解决了光照变化,提取特征不丰富,以及噪声的干扰给车辆检测带来的影响。
附图说明
图1是本发明一种基于深度学习的车辆检测方法的使用流程图;
图2是本发明一种基于深度学习的车辆检测方法的训练流程图;
图3是深度学习网络模型GoogLeNet网络结构示意图;
图4是输入的带有车辆目标的原始图像;
图5是将图像输入深度学习网络得到的特征图;
图6是原始图像与特征图像叠加后的示意图;
图7是车辆检测的结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
本发明属于深度学习技术领域,具体涉及一种基于深度学习的车辆检测方法,利用深度网络中的最后一层卷积层的特征图进行权值相加的方法实现对车辆的精确定位。方法流程见图1和图2。
步骤S1:将带有车辆品牌标注信息的车辆数据库进行去均值处理,选取ImageNet数据库训练好的深度学习模型作为基本网络模型,在基本网络模型的基础上用去均值的车辆数据库采取微调的方式训练网络,得到最终训练好的用于车辆检测的深度学习网络。深度学习网络模型见图3。
微调的参数设置为:固定卷积层的学习率为0.01,将全连接层的学习率调整至0.001,依据训练图像数量=迭代次数*批处理次数,修改迭代次数,批处理次数可选为128或64。
去均值处理的方法为:对车辆数据库中每张图像进行每个位置的像素值累加,然后除以图像总数,得到均值图像,车辆数据库中每张训练图像均减去这个均值图像,得到去均值的车辆数据库数据。
步骤S2:将待检测图像缩放到固定尺寸,并进行待检测图像去均值处理,得到去均值的待检测图像。待检测图像见图4。
图像缩放方法为:图像缩放尺寸的选取依据网络结构,如深度学习网络为LeNet或AlexNet则缩放至227*227,如深度学习网络为GoogLeNet则缩放至224*224;缩放方法的选取为最近邻插值或双线性插值。
去均值的方法为:待检测图像减去均值图像得到去均值的待检测图像。
步骤S3:将去均值的待检测图像送入深度学习网络中,经过卷积层、池化层、全连接层得到最大分类概率,依据最大分类概率得到对应的全连接层的权值。
步骤S31:将去均值的待检测图像输入深度学习网络;
步骤S32:去均值的待检测图像依次经过不同的卷积核的卷积层,通过二维卷积核对图像进行二维离散卷积,得到卷积层特征图;
步骤S33:将步骤S32中得到的卷积层特征图输入到池化层,对特征图大小进行压缩,池化方法为平均值池化,压缩尺寸选取为2倍窗口,输出池化层特征图;
步骤S34:将去均值的待检测图像输入至深度学习网络中,重复上述S31、S32步骤至池化层特征图大小为7*7,其中卷积层的卷积核大小分别为7*7,5*5,3*3,依次递减,池化层选取为2倍窗口大小;
步骤S35:将步骤S34中的7*7大小的特征图输入全连接层,连接所有的特征,将输出值输入至分类器中,得到最大分类概率;
步骤S36:依据最大分类概率值,获得全连接层的对应的权值。
步骤S4:待检测图像输入到深度学习网络,在最后一层卷积层得到特征图结果,对特征图与步骤S3得到的权值进行叠加,将叠加后的多张特征图结果进行像素值相加,并进行归一化操作,得到最终的特征图。最终的特征图见图5。
权值叠加的具体方法为:将对特征图中的每张特征图都乘以对应的权值,得到新的特征图,然后累加这组新的特征图,将累加结果除以255进行归一化处理得到最终的特征图结果。
步骤S5:将得到的最终的特征图结果与原始的待检测图像进行图像融合,依据图像处理中的自适应阈值选取,设定图像阈值找到融合后的图像的像素值较大的区域,即最大响应区域,然后依据轮廓查找找到响应最大区域的外接矩形,实现车辆的精确定位和检测。热图与待检测图像融合后结果见图6。车辆检测的结果图见图7。
步骤S51,对特征图与原图像采用加权平均值的方式进行图像融合得到最终图像。
加权平均值的具体实现方法为:分别遍历特征图和原图像,对二者图像的像素值取不同的权值,融合后图像的相应位置的像素值为特征图相应位置的像素值与原图相应位置像素值的和,具体的权值选取为:特征图的像素值乘以0.3,原图的像素值乘以0.7。
步骤S52,设定最终图像中最大像素值的80%作为阈值,二值化该图像。
步骤S53,对步骤S52中二值化后的图像进行轮廓查找,找到响应最大位置的外边界,并依据外边界位置得到轮廓的外接矩形。
本发明对车辆检测的准确率达到97%以上,单次检测时间小于0.5s,对于不同类型的车辆检测适应性较广,对于由于拍摄原因产生的畸变同样具有较好的效果,适用于多个车辆的检测。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于深度学习的车辆检测方法,其特征在于,包括以下步骤:
步骤S1:将带有车辆品牌标注信息的车辆数据库进行去均值处理,选取ImageNet数据库训练好的深度学习模型作为基本网络模型,在基本网络模型的基础上用去均值的车辆数据库采取微调的方式训练网络,得到最终用于车辆检测的深度学习网络;
步骤S2:将待检测图像缩放到固定尺寸,并对待检测图像进行去均值处理,得到去均值的待检测图像;
步骤S3:将去均值的待检测图像送入深度学习网络中,经过卷积层、池化层、全连接层得到最大分类概率,依据最大分类概率得到对应的全连接层的权值;
步骤S4:将去均值的待检测图像输入到深度学习网络,在最后一层卷积层得到特征图结果,对特征图与步骤S3得到的权值进行叠加,将叠加后的多张特征图结果进行像素值相加,并进行归一化操作,得到最终的特征图结果;
步骤S5:将得到的最终的特征图结果与原始的待检测图像进行图像融合,依据图像处理中的自适应阈值选取,设定图像阈值找到融合后的图像的像素值较大的区域,即最大响应区域,然后依据轮廓查找找到响应最大区域的外接矩形,实现车辆的精确定位和检测。
2.根据权利要求1所述的一种基于深度学习的车辆检测方法,其特征在于,所述步骤S1中微调的步骤包括:固定卷积层的学习率为0.01,将全连接层的学习率调整至0.001,依据训练图像数量=迭代次数*批处理次数,修改迭代次数,批处理次数选为128或64。
3.根据权利要求1所述的一种基于深度学习的车辆检测方法,其特征在于,所述步骤S1中车辆数据库去均值的步骤包括:对车辆数据库中每张图像进行每个位置的像素值累加,然后除以图像总数,得到均值图像,车辆数据库中每张训练图像均减去所述均值图像,得到去均值的车辆数据库数据。
4.根据权利要求1所述的一种基于深度学习的车辆检测方法,其特征在于,所述步骤S2的方法为:图像缩放尺寸的选取依据网络结构;缩放方法的选取为最近邻插值或双线性插值;去均值的方法为:对车辆数据库中每张图像进行每个位置的像素值累加,然后除以图像总数,得到均值图像,待检测图像减去所述均值图像得到去均值的待检测图像。
5.根据权利要求1所述的基于一种基于深度学习的车辆检测方法,其特征在于,所述步骤S3获得最大分类概率的权值的方法包括:
步骤S31:将去均值的待检测图像输入深度学习网络;
步骤S32:去均值的待检测图像依次经过不同的卷积核的卷积层,通过二维卷积核对图像进行二维离散卷积,得到卷积层特征图;
步骤S33:将步骤S32中得到的卷积层特征图输入到池化层,对特征图大小进行压缩,池化方法为平均值池化,压缩尺寸选取为2倍窗口,输出池化层特征图;
步骤S34:将去均值的待检测图像输入至深度学习网络中,重复上述S31、S32步骤至池化层特征图大小为7*7,其中卷积层的卷积核大小分别为7*7,5*5,3*3,依次递减,池化层选取为2倍窗口大小;
步骤S35:将步骤S34中的7*7大小的特征图输入全连接层,连接所有的特征,将输出值输入至分类器中,得到最大分类概率;
步骤S36:依据最大分类概率值,获得全连接层的对应的权值。
6.根据权利要求5所述的基于一种基于深度学习的车辆检测方法,其特征在于,所述步骤S35中分类器选取为:Softmax分类器;得到最大分类概率的方法为:遍历分类结果,找到最大值。
7.根据权利要求1所述的基于一种基于深度学习的车辆检测方法,其特征在于,步骤S4中权值叠加的方法为:将对特征图中的每张特征图都乘以对应的权值,得到新的特征图,然后累加这组新的特征图,将累加结果除以255进行归一化处理得到最终的特征图结果。
8.根据权利要求1所述的基于一种基于深度学习的车辆检测方法,其特征在于,步骤S5具体包括:
步骤S51,对特征图与原图像采用加权平均值的方式进行图像融合得到最终图像;
步骤S52,设定最终图像中最大像素值的80%作为阈值,二值化该图像;
步骤S53,对步骤S52中二值化后的图像进行轮廓查找,找到响应最大位置的外边界,并依据外边界位置得到轮廓的外接矩形。
9.根据权利要求8所述的基于一种基于深度学习的车辆检测方法,其特征在于:所述步骤S51中,加权平均值的具体计算方法为:分别遍历特征图和原图像,对二者图像的像素值取不同的权值,融合后图像的相应位置的像素值为特征图相应位置的像素值与原图相应位置像素值的和,具体的权值选取为:特征图的像素值乘以0.3,原图的像素值乘以0.7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711104408.3A CN107944354B (zh) | 2017-11-10 | 2017-11-10 | 一种基于深度学习的车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711104408.3A CN107944354B (zh) | 2017-11-10 | 2017-11-10 | 一种基于深度学习的车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107944354A true CN107944354A (zh) | 2018-04-20 |
CN107944354B CN107944354B (zh) | 2021-09-17 |
Family
ID=61934657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711104408.3A Active CN107944354B (zh) | 2017-11-10 | 2017-11-10 | 一种基于深度学习的车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944354B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596115A (zh) * | 2018-04-27 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络的车辆检测方法、装置及系统 |
CN110119728A (zh) * | 2019-05-23 | 2019-08-13 | 哈尔滨工业大学 | 基于多尺度融合语义分割网络的遥感图像云检测方法 |
CN110276268A (zh) * | 2019-05-28 | 2019-09-24 | 江苏金海星导航科技有限公司 | 基于度量学习与ssd网络的畸变行车视频车辆检测方法 |
CN110298227A (zh) * | 2019-04-17 | 2019-10-01 | 南京航空航天大学 | 一种基于深度学习的无人机航拍图像中的车辆检测方法 |
CN111340877A (zh) * | 2020-03-25 | 2020-06-26 | 北京爱笔科技有限公司 | 一种车辆定位方法及装置 |
CN113643235A (zh) * | 2021-07-07 | 2021-11-12 | 青岛高重信息科技有限公司 | 一种基于深度学习的芯片计数方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110229025A1 (en) * | 2010-02-10 | 2011-09-22 | Qi Zhao | Methods and systems for generating saliency models through linear and/or nonlinear integration |
EP2431919A1 (en) * | 2010-09-16 | 2012-03-21 | Thomson Licensing | Method and device of determining a saliency map for an image |
CN103971116A (zh) * | 2014-04-24 | 2014-08-06 | 西北工业大学 | 基于Kinect的感兴趣区域检测方法 |
CN104573731A (zh) * | 2015-02-06 | 2015-04-29 | 厦门大学 | 基于卷积神经网络的快速目标检测方法 |
CN105488515A (zh) * | 2014-09-17 | 2016-04-13 | 富士通株式会社 | 训练卷积神经网路分类器的方法和图像处理装置 |
CN106570477A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院自动化研究所 | 基于深度学习的车型识别模型构建方法及车型识别方法 |
DE102016116818A1 (de) * | 2016-01-27 | 2017-07-27 | Baidu Online Network Technology (Beijing) Co., Ltd. | Verfahren und Vorrichtung zum Erfassen einer Fahrzeugkontur durch Punktwolkendaten |
CN107203765A (zh) * | 2017-03-30 | 2017-09-26 | 腾讯科技(上海)有限公司 | 敏感图像检测方法和装置 |
CN107204025A (zh) * | 2017-04-18 | 2017-09-26 | 华北电力大学 | 基于视觉感知的自适应服装动画建模方法 |
-
2017
- 2017-11-10 CN CN201711104408.3A patent/CN107944354B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110229025A1 (en) * | 2010-02-10 | 2011-09-22 | Qi Zhao | Methods and systems for generating saliency models through linear and/or nonlinear integration |
EP2431919A1 (en) * | 2010-09-16 | 2012-03-21 | Thomson Licensing | Method and device of determining a saliency map for an image |
CN103971116A (zh) * | 2014-04-24 | 2014-08-06 | 西北工业大学 | 基于Kinect的感兴趣区域检测方法 |
CN105488515A (zh) * | 2014-09-17 | 2016-04-13 | 富士通株式会社 | 训练卷积神经网路分类器的方法和图像处理装置 |
CN104573731A (zh) * | 2015-02-06 | 2015-04-29 | 厦门大学 | 基于卷积神经网络的快速目标检测方法 |
DE102016116818A1 (de) * | 2016-01-27 | 2017-07-27 | Baidu Online Network Technology (Beijing) Co., Ltd. | Verfahren und Vorrichtung zum Erfassen einer Fahrzeugkontur durch Punktwolkendaten |
CN106570477A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院自动化研究所 | 基于深度学习的车型识别模型构建方法及车型识别方法 |
CN107203765A (zh) * | 2017-03-30 | 2017-09-26 | 腾讯科技(上海)有限公司 | 敏感图像检测方法和装置 |
CN107204025A (zh) * | 2017-04-18 | 2017-09-26 | 华北电力大学 | 基于视觉感知的自适应服装动画建模方法 |
Non-Patent Citations (5)
Title |
---|
BO LI 等: ""Vehicle detection from 3D lidar using fully convolutional network"", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
TANG HE 等: ""Visual Saliency Detection via sparse residual and outlier detection"", 《IEEE SIGNAL PROCESSING LETTERS》 * |
孟莎莎 等: ""基于多重特征信息的图像显著性检测方法"", 《计算机应用与软件》 * |
杨钊: ""面向图像分类和识别的视觉特征表达与学习的研究"", 《中国博士学位论文全文数据库信息科技辑》 * |
王刚毅: ""交通标志检测与分类算法研究"", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596115A (zh) * | 2018-04-27 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络的车辆检测方法、装置及系统 |
CN110298227A (zh) * | 2019-04-17 | 2019-10-01 | 南京航空航天大学 | 一种基于深度学习的无人机航拍图像中的车辆检测方法 |
CN110298227B (zh) * | 2019-04-17 | 2021-03-30 | 南京航空航天大学 | 一种基于深度学习的无人机航拍图像中的车辆检测方法 |
CN110119728A (zh) * | 2019-05-23 | 2019-08-13 | 哈尔滨工业大学 | 基于多尺度融合语义分割网络的遥感图像云检测方法 |
CN110119728B (zh) * | 2019-05-23 | 2023-12-05 | 哈尔滨工业大学 | 基于多尺度融合语义分割网络的遥感图像云检测方法 |
CN110276268A (zh) * | 2019-05-28 | 2019-09-24 | 江苏金海星导航科技有限公司 | 基于度量学习与ssd网络的畸变行车视频车辆检测方法 |
CN111340877A (zh) * | 2020-03-25 | 2020-06-26 | 北京爱笔科技有限公司 | 一种车辆定位方法及装置 |
CN111340877B (zh) * | 2020-03-25 | 2023-10-27 | 北京爱笔科技有限公司 | 一种车辆定位方法及装置 |
CN113643235A (zh) * | 2021-07-07 | 2021-11-12 | 青岛高重信息科技有限公司 | 一种基于深度学习的芯片计数方法 |
CN113643235B (zh) * | 2021-07-07 | 2023-12-29 | 青岛高重信息科技有限公司 | 一种基于深度学习的芯片计数方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107944354B (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113065558B (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
Zhu et al. | AR-Net: Adaptive attention and residual refinement network for copy-move forgery detection | |
Jiang et al. | HDCB-Net: A neural network with the hybrid dilated convolution for pixel-level crack detection on concrete bridges | |
CN107944354A (zh) | 一种基于深度学习的车辆检测方法 | |
Xu et al. | Inter/intra-category discriminative features for aerial image classification: A quality-aware selection model | |
CN108346159A (zh) | 一种基于跟踪-学习-检测的视觉目标跟踪方法 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN111723693B (zh) | 一种基于小样本学习的人群计数方法 | |
CN109598268A (zh) | 一种基于单流深度网络的rgb-d显著目标检测方法 | |
CN109726627A (zh) | 一种神经网络模型训练及通用接地线的检测方法 | |
CN105069472A (zh) | 一种基于卷积神经网络自适应的车辆检测方法 | |
CN109583321A (zh) | 一种基于深度学习的结构化道路中小物体的检测方法 | |
CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN109034184A (zh) | 一种基于深度学习的均压环检测识别方法 | |
CN113158943A (zh) | 一种跨域红外目标检测方法 | |
CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN110969164A (zh) | 基于深度学习端对端的低照度成像车牌识别方法及装置 | |
Zhu et al. | Towards automatic wild animal detection in low quality camera-trap images using two-channeled perceiving residual pyramid networks | |
CN110751667B (zh) | 基于人类视觉系统的复杂背景下红外弱小目标检测方法 | |
CN110097524B (zh) | 基于融合卷积神经网络的sar图像目标检测方法 | |
CN111027542A (zh) | 一种基于Faster RCNN算法改进的目标检测方法 | |
CN113627481A (zh) | 一种面向智慧园林的多模型组合的无人机垃圾分类方法 | |
CN111881914B (zh) | 一种基于自学习阈值的车牌字符分割方法及系统 | |
CN110490053B (zh) | 一种基于三目摄像头深度估计的人脸属性识别方法 | |
Chen et al. | An image restoration and detection method for picking robot based on convolutional auto-encoder |
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 |