CN108256444B - 一种用于车载视觉系统的目标检测方法 - Google Patents
一种用于车载视觉系统的目标检测方法 Download PDFInfo
- Publication number
- CN108256444B CN108256444B CN201711473781.6A CN201711473781A CN108256444B CN 108256444 B CN108256444 B CN 108256444B CN 201711473781 A CN201711473781 A CN 201711473781A CN 108256444 B CN108256444 B CN 108256444B
- Authority
- CN
- China
- Prior art keywords
- scale
- confidence
- target
- approximate
- detection
- 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.)
- Active
Links
Images
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种用于车载视觉系统的目标检测方法,按照目标在视觉图像中呈现的姿态,构建训练样本库,对训练样本库样本提取近似通道特征金字塔;采用基于soft‑cascade的算法训练多尺度级联分类器模型;对加载的待检测图像使用训练好的多尺度级联分类器进行目标检测;对获得的目标检测窗口进行窗口合并和筛选从而获得最终的目标检测输出。本发明适用于车载视觉系统应用环境中的多种目标检测,如车辆、行人、非机动车等;采用基于近似通道特征金字塔的多模型目标检测算法,大大提升了目标检测性能,同时大大缩短了目标检测时间;通过对重叠检测窗口的置信度进行加权修正,避免了对被遮挡目标的删除。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种用于车载视觉系统的目标检测方法。
背景技术
车载视觉系统在智能交通,汽车自动驾驶,汽车辅助驾驶以及智能机器人等领域中都有着非常广泛的应用前景。从技术层面考虑,基于车载视觉的目标检测方法主要包括特征提取、分类器设计、目标检测及检测结果抑制等部分。
车载视觉系统通过安装在行驶车辆上的前视摄像头摄取道路前方的自然场景图像,输入系统中的目标检测模块完成处理。由于自然场景复杂多变,其比非自然场景下的目标检测更具挑战,难点主要包括易受光照变化、背景变化、目标尺寸和形状变化等影响。
应用于交通场景的目标检测领域国内外学者做出了大量研究,比如通过对车辆的二值轮廓对称特征、灰度对称特征、垂直边缘特征、车底阴影左右边界特征等多视觉特征进行融合,进行后方车辆的检测。又如针对单一特征误检率高的问题,提出了基于决策理论的多特征融合车辆检测方法。
上述方法对于环境变化大、多种角度进入的目标检测,性能准确度低。
发明内容
鉴于上述的分析,本发明旨在提供一种用于车载视觉系统的目标检测方法,提升了目标检测性能,并缩短了目标检测时间。
本发明的目的主要是通过以下技术方案实现的:
一种用于车载视觉系统的目标检测方法,包括以下步骤:
步骤S1、按照目标在视觉图像中呈现的姿态,将目标划分成N个区间,构建由N个训练子集组成的训练样本库,对训练样本库样本提取近似通道特征金字塔;
步骤S2、对提取的近似通道特征金字塔,采用基于soft-cascade的算法训练多尺度级联分类器模型;对于N个训练子集获得N个训练好的多尺度级联分类器模型;
步骤S3、通过滑窗法,对加载的待检测图像使用训练好的多尺度级联分类器进行目标检测,在图像中获得目标的检测窗口;
步骤S4、对获得的目标检测窗口进行窗口合并和筛选从而获得最终的目标检测结果并输出。
进一步地,所述N个区间按照视觉图像中目标呈现的视角等间隔划分。
进一步地,提取近似通道特征金字塔包括:
1)建立图像中的每个像素的基础特征;
2)设置金字塔参数生成尺度列表scales;
3)将生成的尺度列表scales中的所有尺度分为真实尺度列表isR和近似尺度列表isA,对真实尺度列表isR提取真实尺度特征,对近似尺度列表isA获得近似尺度特征;
4)按照尺度列表scales中的顺序,合并真实尺度特征和近似尺度特征,获得当前样本的近似通道特征金字塔。
进一步地,所述基础特征包括a维LUV颜色通道特征、b维梯度幅值通道特征以及c维梯度方向直方图通道特征。
进一步地,所述近似尺度列表isA在所述尺度列表scales中等间隔选取。
进一步地,对于真实尺度列表isR中的尺度,提取的图像中像素的基础特征得到所述真实尺度特征;所述近似尺度特征根据近似比例ratio,对真实尺度特征进行缩放获得;所述近似比例式中,scales(i)是需要近似的尺度值,scales(iR)是真实尺度值,λ为近似常数。
进一步地,所述多尺度级联分类器模型训练中,根据车载视觉系统摄像头视场内目标的形状和大小设定对应分类器的宽、高和宽高比;分类器的最小尺寸大于目标最小检测尺寸,分类器的最大尺寸大于车载视觉系统摄像头视场内目标可能出现的最大尺寸。
进一步地,步骤S3包括以下子步骤:
步骤S301、对待检测图像提取近似通道特征金字塔,输入训练好的多尺度级联分类器模型,获得由分类器决定的特征图块patch;
步骤S302、根据设定的分类器宽高以及滑窗步长,在尺度特征图像上逐一遍历每个特征图块patch,对每个特征图块patch计算级联分类器中每个弱分类器的累加置信度h,所述置信度h是指当前特征图块patch为目标的概率值;
步骤S303、判断当前特征图块patch的置信度h是否超出设定的门限thr,是,则保留当前特征图块patch的位置及置信度h,其中位置信息为当前特征图块patch对应的左上角点和右下角点坐标,所述位置信息构成的窗口即为目标的检测窗口;否,则舍弃当前特征图块patch。
进一步地,步骤S4包括以下子步骤:
步骤S401、将所有检测窗口按置信度从大到小排序,判断置信度最大的检测窗口与其他检测窗口的重叠率,对重叠率大于设定比例的其他检测窗口的置信度进行加权修正后,对置信度进行更新;
步骤S402、保留置信度最大的检测窗口,对其他检测窗口再按步骤S401方法进行置信度更新,直到完成对所有检测窗口重叠率的判断和置信度的修正更新;
步骤S403、设定置信度阈值,保留置信度大于阈值的检测窗口,作为最终的目标检测窗口,输出窗口及对应的位置和置信度,删除置信度小于阈值的检测窗口。
进一步地,所述加权修正公式式中,σ∈[0,1],i=1,…,n,n是检测窗口的个数;si表示当前窗口bi的置信度,iou(M,bi)表示置信度最大的检测窗口与当前的检测窗口之间的重叠率,M为当前置信度最大的检测窗口。
本发明有益效果如下:
本发明适用于车载视觉系统应用环境中的多种目标检测,如车辆、行人、非机动车等;
采用基于近似通道特征金字塔的多模型目标检测算法,大大提升了目标检测性能,同时大大缩短了目标检测时间;
通过对重叠检测窗口的置信度进行加权修正,避免了对被遮挡目标的删除。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明提供的目标检测方法流程图;
图2为多角度行人样本库示意图;
图3为目标检测效果图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理。
本发明的一个具体实施例,公开了一种用于车载视觉系统的目标检测方法;如图1所示,包括以下步骤:
步骤S1、按照目标在视觉图像中呈现的姿态,将目标划分成N个区间,构建由N个训练子集组成的训练样本库,对训练样本库样本提取近似通道特征金字塔;
步骤S101、将由多角度目标图像构成的训练样本库划分为N个训练样本子集;
将目标呈现的视角等间隔划分成N个区间,每个区间分别对应一个训练样本子集,存放目标视角符合的训练样本。
如图2所示,对于图像中的行人目标,按在其在图像中呈现的前、后、左、右四个视角等间隔划分为4个区间,将训练样本集划分为4个行人样本子集。
步骤S102、对每一个训练样本子集的训练样本进行提取近似通道特征金字塔;
1)建立图像中的每个像素的基础特征;
所述基础特征包括a维LUV颜色通道特征、b维梯度幅值通道特征以及c维梯度方向直方图通道特征组成,基础特征维数为x=a+b+c;
2)设置金字塔参数生成尺度列表scales;
3)将生成的尺度列表scales中的所有尺度分为真实尺度列表isR和近似尺度列表isA,获得真实尺度特征和近似尺度特征;所述近似尺度列表利用近似原则获得;
所述近似尺度列表isA在所述尺度列表scales中等间隔选取,近似尺度列表isA的选取比例可根据目标检测速度的需要设定;所述近似尺度列表isA以外的尺度列表为真实尺度列表isR;
根据真实尺度列表isR中的尺度,对当前尺度图像进行基础特征提取,得到真实尺度特征;
对近似尺度列表isA中的尺度特征,利用近似原则确定近似比例ratio,对真实尺度特征进行缩放获得;所述近似比例式中,scales(i)是需要近似的尺度值,scales(iR)是与近似尺度对应的真实尺度值,λ为近似常数。
4)按照列表中的顺序,合并真实尺度特征和近似尺度特征,获得当前样本的近似通道特征金字塔。
步骤S2、对提取的近似通道特征金字塔,采用基于soft-cascade的算法训练多尺度级联分类器模型;对于N个训练子集获得N个级联分类器模型。
在训练过程中,根据车载视觉系统摄像头视场内目标的形状和大小设定对应分类器的宽、高和宽高比,以满足对所有目标进行检测;分类器的最小尺寸大于目标最小检测尺寸,分类器的最大尺寸大于车载视觉系统摄像头视场内目标可能出现的最大尺寸;例如,针对行人目标的4个角度的训练集,为满足对不同身高体态行人目标的检测,每个训练集最终选择3个尺度的分类器,每个分类器的高度和宽度分别为[25 10]、[50 20]和[100 40],即最终级联分类器的个数为4*3=12个。
所述级联分类器的每一级由一个弱分类器构成,每一级的输出为该级之前所有弱分类器输出之和。上述级联分离器的设置方式,使得前面拟合出的性能较好的弱分类器在后面判决中产生作用,极大的提升了分类器的性能。
步骤S3、通过滑窗法,对加载的待检测图像使用训练好的多尺度级联分类器进行目标检测,在图像中获得目标的检测窗口;
步骤S301、对待检测图像提取近似通道特征金字塔,输入训练好的多尺度级联分类器模型,获得由分类器决定的特征图块patch;
步骤S302、根据所设定的分类器的宽高以及滑窗步长,在尺度特征图像上逐一遍历每个特征图块patch,对每个特征图块patch计算级联分类器中每个弱分类器的累加置信度h,所述置信度h是指当前特征图块patch为目标的概率值,取值在0-1之间。
步骤S303、判断当前特征图块patch的置信度h是否超出设定的门限thr,是,则保留当前特征图块patch的位置及置信度h,其中位置信息为当前特征图块patch对应的左上角点和右下角点坐标,所述坐标构成的窗口即为目标的检测窗口;否,则舍弃当前特征图块patch;门限thr可根据目标检测的实际需求设定,一般大于0.6。
步骤S4、对获得目标的检测窗口进行窗口合并和筛选从而获得最终的检测输出
步骤S401、对所有检测窗口按置信度从大到小排序,判断置信度最大的检测窗口与其他检测窗口的重叠率,对重叠率大于设定比例的其他检测窗口的置信度进行加权修正后,对置信度进行更新;
σ∈[0,1],i=1,…,n,n是检测窗口的个数;si表示当前窗口bi的置信度,iou(M,bi)表示置信度最大的检测窗口与当前的检测窗口之间的重叠率,
M为当前置信度最大的检测窗口;
iou与si成反比,即与当前检测框重叠率越大的框为假目标的可能性越大,它对应的置信度衰减应该衰减的更严重。
步骤S402、保留置信度最大的检测窗口,对其他检测窗口再按步骤S401方法进行置信度更新,直到完成对所有检测窗口重叠率的判断和置信度的修正更新;
步骤S403、设定置信度阈值,保留置信度大于阈值的检测窗口,作为最终的目标检测窗口,输出窗口及对应的位置和置信度,删除置信度小于阈值的检测窗口,本实施例中所述置信度阈值设置为0.6到0.8之间。
如图3所示,为经过窗口合并和筛选后输出的检测窗口,图中目标①和②重叠率较大,通过本发明中的方法,保留了目标②。
综上所述,本发明实施例提供的用于车载视觉系统的目标检测方法,适用于车载视觉系统应用环境中的多种目标检测,如车辆、行人、非机动车等;采用基于近似通道特征金字塔的多模型目标检测算法,大大提升了目标检测性能,同时大大缩短了目标检测时间;通过对重叠检测窗口的置信度进行加权修正,避免了对被遮挡目标的删除。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种用于车载视觉系统的目标检测方法,其特征在于,包括以下步骤:
步骤S1、按照目标在视觉图像中呈现的姿态,将目标划分成N个区间,构建由N个训练子集组成的训练样本库,对训练样本库样本提取近似通道特征金字塔;
步骤S2、对提取的近似通道特征金字塔,采用基于soft-cascade的算法训练多尺度级联分类器模型;对于N个训练子集获得N个训练好的多尺度级联分类器模型;所述级联分类器的每一级由一个弱分类器构成,每一级的输出为该级之前所有弱分类器输出之和;
针对行人目标的4个角度的训练集,每个训练集选择3个尺度的分类器,每个分类器的高度和宽度分别为[25 10]、[50 20]和[100 40],级联分类器的个数为4*3=12个;
步骤S3、通过滑窗法,对加载的待检测图像使用训练好的多尺度级联分类器进行目标检测,在图像中获得目标的检测窗口;
步骤S301、对待检测图像提取近似通道特征金字塔,输入训练好的多尺度级联分类器模型,获得由分类器决定的特征图块patch;
步骤S302、根据设定的分类器宽高以及滑窗步长,在尺度特征图像上逐一遍历每个特征图块patch,对每个特征图块patch计算级联分类器中每个弱分类器的累加置信度h,所述置信度h是指当前特征图块patch为目标的概率值;
步骤S303、判断当前特征图块patch的置信度h是否超出设定的门限thr,是,则保留当前特征图块patch的位置及置信度h,其中位置信息为当前特征图块patch对应的左上角点和右下角点坐标,所述位置信息构成的窗口即为目标的检测窗口;否,则舍弃当前特征图块patch;
步骤S4、对获得的目标检测窗口进行窗口合并和筛选从而获得最终的目标检测结果并输出;
步骤S4包括以下子步骤:
步骤S401、对所有检测窗口按置信度从大到小排序,判断置信度最大的检测窗口与其他检测窗口的重叠率,对重叠率大于设定比例的其他检测窗口的置信度进行加权修正后,对置信度进行更新;
采用加权修正公式进行加权修正,式中,σ∈[0,1],i=1,…,n,n是检测窗口的个数;si表示当前窗口bi的置信度,iou(M,bi)表示置信度最大的检测窗口与当前的检测窗口之间的重叠率,M为当前置信度最大的检测窗口;
iou与si成反比,即与当前检测框重叠率越大的框为假目标的可能性越大,它对应的置信度衰减应该衰减的更严重;
步骤S402、保留置信度最大的检测窗口,对其他检测窗口再按步骤S401方法进行置信度更新,直到完成对所有检测窗口重叠率的判断和置信度的修正更新;
步骤S403、设定置信度阈值,保留置信度大于阈值的检测窗口,作为最终的目标检测窗口,输出窗口及对应的位置和置信度,删除置信度小于阈值的检测窗口,所述置信度阈值设置为0.6到0.8之间;
所述N个区间按照视觉图像中目标呈现的视角等间隔划分;
提取近似通道特征金字塔包括:
1)建立图像中的每个像素的基础特征;
2)设置金字塔参数生成尺度列表scales;
3)将生成的尺度列表scales中的所有尺度分为真实尺度列表isR和近似尺度列表isA,对真实尺度列表isR提取真实尺度特征,对近似尺度列表isA获得近似尺度特征;
4)按照尺度列表scales中的顺序,合并真实尺度特征和近似尺度特征,获得当前样本的近似通道特征金字塔;
所述基础特征包括a维LUV颜色通道特征、b维梯度幅值通道特征以及c维梯度方向直方图通道特征;
所述近似尺度列表isA在所述尺度列表scales中等间隔选取;
对于真实尺度列表isR中的尺度,提取图像中像素的基础特征得到所述真实尺度特征;所述近似尺度特征根据近似比例ratio,对真实尺度特征进行缩放获得;所述近似比例式中,scales(i)是需要近似的尺度值,scales(iR)是真实尺度值,λ为近似常数;
所述多尺度级联分类器模型训练中,根据车载视觉系统摄像头视场内目标的形状和大小设定对应分类器的宽、高和宽高比;分类器的最小尺寸大于目标最小检测尺寸,分类器的最大尺寸大于车载视觉系统摄像头视场内目标可能出现的最大尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711473781.6A CN108256444B (zh) | 2017-12-29 | 2017-12-29 | 一种用于车载视觉系统的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711473781.6A CN108256444B (zh) | 2017-12-29 | 2017-12-29 | 一种用于车载视觉系统的目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256444A CN108256444A (zh) | 2018-07-06 |
CN108256444B true CN108256444B (zh) | 2020-10-09 |
Family
ID=62725124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711473781.6A Active CN108256444B (zh) | 2017-12-29 | 2017-12-29 | 一种用于车载视觉系统的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256444B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108922582A (zh) * | 2018-07-19 | 2018-11-30 | 迈克医疗电子有限公司 | 一种测试分析的方法、装置、终端设备和介质 |
CN109117802B (zh) * | 2018-08-21 | 2021-10-29 | 东北大学 | 面向大场景高分遥感影像的舰船检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886308A (zh) * | 2014-04-15 | 2014-06-25 | 中南大学 | 一种使用聚合通道特征和软级联分类器的行人检测方法 |
CN104850844A (zh) * | 2015-05-27 | 2015-08-19 | 成都新舟锐视科技有限公司 | 一种基于快速构建图像特征金字塔的行人检测方法 |
-
2017
- 2017-12-29 CN CN201711473781.6A patent/CN108256444B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886308A (zh) * | 2014-04-15 | 2014-06-25 | 中南大学 | 一种使用聚合通道特征和软级联分类器的行人检测方法 |
CN104850844A (zh) * | 2015-05-27 | 2015-08-19 | 成都新舟锐视科技有限公司 | 一种基于快速构建图像特征金字塔的行人检测方法 |
Non-Patent Citations (1)
Title |
---|
Improving Object DetectionWith One Line of Code;Navaneeth Bodla et al;《arXiv:1704.04503v2 [cs.CV]》;20170808;第2-4,6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108256444A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Data-driven based tiny-YOLOv3 method for front vehicle detection inducing SPP-net | |
US9846946B2 (en) | Objection recognition in a 3D scene | |
CN107301378B (zh) | 图像中多分类器集成的行人检测方法和系统 | |
CN111695514B (zh) | 一种基于深度学习的雾天下车辆检测方法 | |
CN111814621A (zh) | 一种基于注意力机制的多尺度车辆行人检测方法及装置 | |
CN104050481B (zh) | 多模板轮廓特征和灰度相结合的红外图像实时行人检测 | |
CN107833242A (zh) | 一种基于边缘信息和改进vibe运动目标检测方法 | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
CN103824070A (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN112825192B (zh) | 基于机器学习的对象辨识系统及其方法 | |
CN104636724B (zh) | 一种基于目标一致性的车载相机快速行人车辆检测方法 | |
JP2018063680A (ja) | 交通信号認識方法および交通信号認識装置 | |
JP6095817B1 (ja) | 物体検出装置 | |
CN105893963B (zh) | 一种筛选视频中单个行人目标的最佳易识别帧的方法 | |
CN114049572A (zh) | 识别小目标的检测方法 | |
CN110647836A (zh) | 一种鲁棒的基于深度学习的单目标跟踪方法 | |
Liu et al. | Multi-type road marking recognition using adaboost detection and extreme learning machine classification | |
Nguyen et al. | Real-time vehicle detection using an effective region proposal-based depth and 3-channel pattern | |
Laible et al. | Terrain classification with conditional random fields on fused 3D LIDAR and camera data | |
Ghahremannezhad et al. | Automatic road detection in traffic videos | |
CN112489055A (zh) | 融合亮度-时序特征的卫星视频动态车辆目标提取方法 | |
CN115376108A (zh) | 一种复杂天气下障碍物检测方法及装置 | |
CN108256444B (zh) | 一种用于车载视觉系统的目标检测方法 | |
Fusek et al. | Adaboost for parking lot occupation detection | |
CN114463713A (zh) | 一种车辆在3d空间的信息检测方法、装置及电子设备 |
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 |