CN108256551A - 一种基于区域卷积神经网络的车辆检测方法 - Google Patents

一种基于区域卷积神经网络的车辆检测方法 Download PDF

Info

Publication number
CN108256551A
CN108256551A CN201711353157.2A CN201711353157A CN108256551A CN 108256551 A CN108256551 A CN 108256551A CN 201711353157 A CN201711353157 A CN 201711353157A CN 108256551 A CN108256551 A CN 108256551A
Authority
CN
China
Prior art keywords
layer
convolutional neural
neural networks
sample
vehicle
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
CN201711353157.2A
Other languages
English (en)
Inventor
王卫
王汉林
郑雅玲
陈昌健
王微
李三菊
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.)
Anhui Sun Create Electronic Co Ltd
Original Assignee
Anhui Sun Create Electronic Co Ltd
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 Anhui Sun Create Electronic Co Ltd filed Critical Anhui Sun Create Electronic Co Ltd
Priority to CN201711353157.2A priority Critical patent/CN108256551A/zh
Publication of CN108256551A publication Critical patent/CN108256551A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • 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
    • 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
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像处理及模式识别技术领域，具体地讲涉及一种基于区域卷积神经网络的车辆检测方法，包括以下步骤：采集至少一个待检测图片，每个待检测图片作为一个样本；利用选择性搜索的快速模型对每个样本提取候选区域；对提取到的候选区域进行调整，再利用卷积神经网络算法提取候选区域的卷积特征；对所述卷积特征进行训练分类，判断每个样本是否为车辆。本发明的车辆检测方法通过区域卷积神经网络来对车辆进行检测，提高了车辆的检测成功率，提升了车辆检测系统的鲁棒性。

Description

一种基于区域卷积神经网络的车辆检测方法
技术领域
本发明属于图像处理及模式识别技术领域，具体地讲涉及一种基于区域卷积神经网络的车辆检测方法。
背景技术
随着汽车数量的上升，城市交通的顺畅运行、交通安全等方面的问题日渐凸显，现代智能交通系统也应运而生并且日趋成熟，其在日常生活中得到了广泛的应用，其中，车辆检测技术是现代智能交通系统中的关键技术。
现有技术中的车辆检测方法，如adaboost算法、SVM方法、高斯背景差算法，容易受所处环境的影响，在恶劣天气、夜晚时光线暗弱或者光照强烈等情况下对车辆的检测成功率并不理想，特别是误检率与漏检率也居高不下。因此需要提出一种车辆检测算法来解决处在恶劣环境下车辆的检测成功率的问题。
发明内容
根据现有技术中存在的问题，本发明提供了一种基于区域卷积神经网络的车辆检测方法，该车辆检测方法减少了检测时间、提高了车辆的检测成功率。
为实现上述发明目的，本发明提供了一种基于区域卷积神经网络的车辆检测方法，包括如下步骤：
S1，采集至少一个待检测图片，每个待检测图片作为一个样本；
S2，利用选择性搜索的快速模型对每个样本提取候选区域；
S3，对提取到的候选区域进行调整，再利用卷积神经网络算法提取候选区域的卷积特征；
S4，对所述卷积特征进行训练分类，判断每个样本是否为车辆。
优选的，步骤S1具体是指从平安城市监控、社区监控、道路交通监控的摄像机设备中获取至少一个待检测图片，并且将每个待检测图片作为一个样本。
进一步优选的，步骤S2的具体过程如下：
S21，利用基于区域的图像分割算法将每个样本的待检测图片分割成初始区域集合R＝{r1,r2,...,ri,rj,...,rn}，ri、rj分别表示第i个和第j个初始区域，且ri和rj为相邻初始区域，并初始化相似度集合S，即S＝φ；
S22，将初始区域集合R中通过欧氏距离算法算出的所有相邻初始区域ri,rj的相似度s(ri,rj)放入相似度集合S中；
S23，找出S中相似度最高的元素s(ri,rj)＝max(S)，合并初始区域集合R中此元素相对应的两个相邻初始区域，即rl＝ri∪rj，得到一个新的初始区域集合，即目标区域集合R，＝{r1,r2,...,rl,...,rn}，并将集合S中涉及ri或rj的相似度元素删除；
S24，将上述目标区域集合R，再作为初始区域集合，重复步骤S22和S23，直至相似度集合S＝φ，得到最终的目标区域集合R，；
S25，从最终的目标区域集合R，中提取所有元素，即候选区域。
更进一步优选的，步骤S3的具体过程如下：
S31，将候选区域的图片大小调整为227*227；利用卷积神经网络算法对候选区域构建卷积神经网络，设置卷积神经网络的第一层参数为：卷积核大小为11*11，输出节点数为95，步长为4,依次经过ReLU、Pooling与Norm之后得到第一层的输出数据；
S32，设置卷积神经网络的第二层参数为：卷积核大小为5*5，输出节点数为256，依次经过ReLU、Pooling与Norm之后得到第二层的输出数据；
S33，设置卷积神经网络的第三层参数为：卷积核大小为3*3，输出节点数为384，依次经过ReLU、Pooling与Norm之后得到第三层的输出数据；
S34，设置卷积神经网络的第四层参数为：卷积核大小为3*3，输出节点数为384，依次经过ReLU、Pooling与Norm之后得到第四层的输出数据；
S35，设置卷积神经网络的第五层参数为：卷积核大小为3*3，输出节点数为256，依次经过ReLU、Pooling之后得到第五层的输出数据；
S36，卷积神经网络的第六层为第一层、第二层、第三层、第四层、第五层的全连接层，第六层依次经过FC、ReLU、Drop之后得到第六层的输出数据；
S37，卷积神经网络的第七层为第一层、第二层、第三层、第四层、第五层、第六层的全连接层，第七层依次经过FC、ReLU、Drop之后得到第七层的输出数据；
S38，对卷积神经网络的前七层进行全连接得到候选区域的卷积特征。
更进一步优选的，步骤S4的具体过程如下：
S41，对候选区域的卷积特征的特征向量{(X1，d1)，(X2，d2)，...(Xp，dp)}进行归一化处理，其中X表示卷积特征的特征向量，d表示类别，d＝1或-1，1表示车辆，-1表示非车辆，p表示第p个样本，Xp表示第p个样本的特征向量，dp表示第p个样本的类别；
S42,利用选择线性核函数计算最优超平面函数h(x)：
其中，K(X,XP)为线性核函数，即K(X,XP)＝X*XP，ap为第p个样本的拉格朗日系数；
S43，通过最优超平面函数h(x)计算最优分类判别函数f(X)：
其中，sgn表示符号函数，b0表示偏置值参数；
S44，根据f(X)的值判断类别，如果f(X)>0表示该样本的类别是车辆，如果f(X)≤0表示该样本的类别为非车辆。
本发明的有益效果在于：
1)本发明的车辆检测方法包括如下步骤：采集至少一个待检测图片，每个待检测图片作为一个样本；利用选择性搜索的快速模型对每个样本提取候选区域；对提取到的候选区域进行调整，再利用卷积神经网络算法提取候选区域的卷积特征；对所述卷积特征进行训练分类，判断每个样本是否为车辆。该车辆检测方法首先通过选择性搜索的快速模型来提取候选区域，大大减少了本发明的训练时间与检测时间，再通过区域卷积神经网络来对车辆进行检测，提高了车辆的检测成功率。
附图说明
图1为本发明的车辆检测方法的总体流程图。
图2a为卷积神经网络的第一层操作流程图。
图2b为卷积神经网络的第二层操作流程图。
图2c为卷积神经网络的第三层操作流程图。
图2d为卷积神经网络的第五层操作流程图。
图2e为卷积神经网络的第六层操作流程图。
图2f为卷积神经网络的对前七层进行全连接的操作流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，一种基于区域卷积神经网络的车辆检测方法，包括如下步骤：
S1，采集至少一个待检测图片，每个待检测图片作为一个样本。
具体的，步骤S1具体是指从平安城市监控、社区监控、道路交通监控的摄像机设备中获取至少一个待检测图片，并且将每个待检测图片作为一个样本。
S2，利用选择性搜索的快速模型对每个样本提取候选区域。
具体的，步骤S2的具体过程如下：
S21，利用基于区域的图像分割算法将每个样本的待检测图片分割成初始区域集合R＝{r1,r2,...,ri,rj,...,rn}，ri、rj分别表示第i个和第j个初始区域，且ri和rj为相邻初始区域，并初始化相似度集合S，即S＝φ；
S22，将初始区域集合R中通过欧氏距离算法算出的所有相邻初始区域ri,rj的相似度s(ri,rj)放入相似度集合S中；
S23，找出S中相似度最高的元素s(ri,rj)＝max(S)，合并初始区域集合R中此元素相对应的两个相邻初始区域，即rl＝ri∪rj，得到一个新的初始区域集合，即目标区域集合R，＝{r1,r2,...,rl,...,rn}，并将集合S中涉及ri或rj的相似度元素删除；
S24，将上述目标区域集合R，再作为初始区域集合，重复步骤S22和S23，直至相似度集合S＝φ，得到最终的目标区域集合R，；
S25，从最终的目标区域集合R，中提取所有元素，即候选区域。
S3，对提取到的候选区域进行调整，再利用卷积神经网络算法提取候选区域的卷积特征。
具体的，步骤S3的具体过程如下：
S31，如图2a所示，将候选区域的图片大小调整为227*227；利用卷积神经网络算法对候选区域构建卷积神经网络，设置卷积神经网络的第一层参数为：卷积核大小为11*11，输出节点数为95，步长为4,依次经过ReLU、Pooling与Norm之后得到第一层的输出数据；
S32，如图2b所示，设置卷积神经网络的第二层参数为：卷积核大小为5*5，输出节点数为256，依次经过ReLU、Pooling与Norm之后得到第二层的输出数据；
S33，如图2c所示，设置卷积神经网络的第三层参数为：卷积核大小为3*3，输出节点数为384，依次经过ReLU、Pooling与Norm之后得到第三层的输出数据；
S34，设置卷积神经网络的第四层参数为：卷积核大小为3*3，输出节点数为384，依次经过ReLU、Pooling与Norm之后得到第四层的输出数据；
S35，如图2d所示，设置卷积神经网络的第五层参数为：卷积核大小为3*3，输出节点数为256，依次经过ReLU、Pooling之后得到第五层的输出数据；
S36，如图2e所示，卷积神经网络的第六层为第一层、第二层、第三层、第四层、第五层的全连接层，第六层依次经过FC、ReLU、Drop之后得到第六层的输出数据；
S37，卷积神经网络的第七层为第一层、第二层、第三层、第四层、第五层、第六层的全连接层，第七层依次经过FC、ReLU、Drop之后得到第七层的输出数据；
S38，如图2f所示，对卷积神经网络的前七层进行全连接得到候选区域的卷积特征。
根据权利要求4所述的一种基于区域卷积神经网络的车辆检测方法，其特征在于，步骤S4的具体过程如下：
S41，对候选区域的卷积特征的特征向量{(X1，d1)，(X2，d2)，...(Xp，dp)}进行归一化处理，其中X表示卷积特征的特征向量，d表示类别，d＝1或-1，1表示车辆，-1表示非车辆，p表示第p个样本，Xp表示第p个样本的特征向量，dp表示第p个样本的类别；
S42,利用选择线性核函数计算最优超平面函数h(x)：
其中，K(X,XP)为线性核函数，即K(X,XP)＝X*XP，ap为第p个样本的拉格朗日系数；
S43，通过最优超平面函数h(x)计算最优分类判别函数f(X)：
其中，sgn表示符号函数，b0表示偏置值参数；
S44，根据f(X)的值判断类别，如果f(X)>0表示该样本的类别是车辆，如果f(X)≤0表示该样本的类别为非车辆。
如表1所示，表1为本发明的车辆检测方法与现有的adaboost算法、SVM方法、高斯背景差算法的测试结果的对比，通过表1可得，本发明的车辆检测方法在检测成功率与时间效率上均优于现有技术中的adaboost算法、SVM方法、高斯背景差算法。
表1：
方法 检测成功率 时间效率
高斯背景差 85％ 200ms
SVM 91.2％ 92ms
adaboost 95.4％ 75ms
本发明的车辆检测方法 98.4％ 68ms
综上所述，本发明的车辆检测方法首先通过选择性搜索的快速模型来提取候选区域，大大减少了本发明的训练时间与检测时间，再通过区域卷积神经网络来对车辆进行检测，提高了车辆的检测成功率。

Claims (5)

1.一种基于区域卷积神经网络的车辆检测方法，其特征在于，包括如下步骤：
S1，采集至少一个待检测图片，每个待检测图片作为一个样本；
S2，利用选择性搜索的快速模型对每个样本提取候选区域；
S3，对提取到的候选区域进行调整，再利用卷积神经网络算法提取候选区域的卷积特征；
S4，对所述卷积特征进行训练和分类，判断出每个样本是否为车辆。
2.根据权利要求1所述的一种基于区域卷积神经网络的车辆检测方法，其特征在于：步骤S1具体是指从平安城市监控、社区监控、道路交通监控的摄像机设备中获取至少一个待检测图片，并且将每个待检测图片作为一个样本。
3.根据权利要求2所述的一种基于区域卷积神经网络的车辆检测方法，其特征在于，步骤S2的具体过程如下：
S21，利用基于区域的图像分割算法将每个样本的待检测图片分割成初始区域集合R＝{r1,r2,...,ri,rj,...,rn}，ri、rj分别表示第i个和第j个初始区域，且ri和rj为相邻初始区域，并初始化相似度集合S，即S＝φ；
S22，将初始区域集合R中通过欧氏距离算法算出的所有相邻初始区域ri,rj的相似度s(ri,rj)放入相似度集合S中；
S23，找出S中相似度最高的元素s(ri,rj)＝max(S)，合并初始区域集合R中此元素相对应的两个相邻初始区域，即rl＝ri∪rj，得到一个新的初始区域集合，即目标区域集合R，＝{r1,r2,...,rl,...,rn}，并将集合S中涉及ri或rj的相似度元素删除；
S24，将上述目标区域集合R，再作为初始区域集合，重复步骤S22和S23，直至相似度集合S＝φ，得到最终的目标区域集合R，；
S25，从最终的目标区域集合R，中提取所有元素，即候选区域。
4.根据权利要求3所述的一种基于区域卷积神经网络的车辆检测方法，其特征在于：步骤S3的具体过程如下：
S31，将候选区域的图片大小调整为227*227；利用卷积神经网络算法对候选区域构建卷积神经网络，设置卷积神经网络的第一层参数为：卷积核大小为11*11，输出节点数为95，步长为4,依次经过ReLU、Pooling与Norm之后得到第一层的输出数据；
S32，设置卷积神经网络的第二层参数为：卷积核大小为5*5，输出节点数为256，依次经过ReLU、Pooling与Norm之后得到第二层的输出数据；
S33，设置卷积神经网络的第三层参数为：卷积核大小为3*3，输出节点数为384，依次经过ReLU、Pooling与Norm之后得到第三层的输出数据；
S34，设置卷积神经网络的第四层参数为：卷积核大小为3*3，输出节点数为384，依次经过ReLU、Pooling与Norm之后得到第四层的输出数据；
S35，设置卷积神经网络的第五层参数为：卷积核大小为3*3，输出节点数为256，依次经过ReLU、Pooling之后得到第五层的输出数据；
S36，卷积神经网络的第六层为第一层、第二层、第三层、第四层、第五层的全连接层，第六层依次经过FC、ReLU、Drop之后得到第六层的输出数据；
S37，卷积神经网络的第七层为第一层、第二层、第三层、第四层、第五层、第六层的全连接层，第七层依次经过FC、ReLU、Drop之后得到第七层的输出数据；
S38，对卷积神经网络的前七层进行全连接得到候选区域的卷积特征。
5.根据权利要求4所述的一种基于区域卷积神经网络的车辆检测方法，其特征在于，步骤S4的具体过程如下：
S41，对候选区域的卷积特征的特征向量{(X1，d1)，(X2，d2)，...(Xp，dp)}进行归一化处理，其中X表示卷积特征的特征向量，d表示类别，d＝1或-1，1表示车辆，-1表示非车辆，p表示第p个样本，Xp表示第p个样本的特征向量，dp表示第p个样本的类别；
S42,利用选择线性核函数计算最优超平面函数h(x)：
其中，K(X,XP)为线性核函数，即K(X,XP)＝X*XP，ap为第p个样本的拉格朗日系数；
S43，通过最优超平面函数h(x)计算最优分类判别函数f(X)：
其中，sgn表示符号函数，b0表示偏置值参数；
S44，根据f(X)的值判断类别，如果f(X)>0表示该样本的类别是车辆，如果f(X)≤0表示该样本的类别为非车辆。
CN201711353157.2A 2017-12-15 2017-12-15 一种基于区域卷积神经网络的车辆检测方法 Pending CN108256551A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711353157.2A CN108256551A (zh) 2017-12-15 2017-12-15 一种基于区域卷积神经网络的车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711353157.2A CN108256551A (zh) 2017-12-15 2017-12-15 一种基于区域卷积神经网络的车辆检测方法

Publications (1)

Publication Number Publication Date
CN108256551A true CN108256551A (zh) 2018-07-06

Family

ID=62723207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711353157.2A Pending CN108256551A (zh) 2017-12-15 2017-12-15 一种基于区域卷积神经网络的车辆检测方法

Country Status (1)

Country Link
CN (1) CN108256551A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271880A (zh) * 2018-08-27 2019-01-25 深圳清创新科技有限公司 车辆检测方法、装置、计算机设备和存储介质
CN112232289A (zh) * 2020-11-06 2021-01-15 珠海大横琴科技发展有限公司 一种船只检索方法、装置、电子设备及存储介质
CN114781768A (zh) * 2022-06-23 2022-07-22 深圳云停智能交通技术研究院有限公司 基于城市资源数据的停车场设施规划方法、装置及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184271A (zh) * 2015-09-18 2015-12-23 苏州派瑞雷尔智能科技有限公司 一种基于深度学习的车辆自动检测方法
US20160140424A1 (en) * 2014-11-13 2016-05-19 Nec Laboratories America, Inc. Object-centric Fine-grained Image Classification
CN105868774A (zh) * 2016-03-24 2016-08-17 西安电子科技大学 基于选择性搜索和卷积神经网络的车标识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160140424A1 (en) * 2014-11-13 2016-05-19 Nec Laboratories America, Inc. Object-centric Fine-grained Image Classification
CN105184271A (zh) * 2015-09-18 2015-12-23 苏州派瑞雷尔智能科技有限公司 一种基于深度学习的车辆自动检测方法
CN105868774A (zh) * 2016-03-24 2016-08-17 西安电子科技大学 基于选择性搜索和卷积神经网络的车标识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘振尧: "交通场景图像中车辆检测和分类研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271880A (zh) * 2018-08-27 2019-01-25 深圳清创新科技有限公司 车辆检测方法、装置、计算机设备和存储介质
CN109271880B (zh) * 2018-08-27 2021-08-24 深圳一清创新科技有限公司 车辆检测方法、装置、计算机设备和存储介质
CN112232289A (zh) * 2020-11-06 2021-01-15 珠海大横琴科技发展有限公司 一种船只检索方法、装置、电子设备及存储介质
CN114781768A (zh) * 2022-06-23 2022-07-22 深圳云停智能交通技术研究院有限公司 基于城市资源数据的停车场设施规划方法、装置及设备

Similar Documents

Publication Publication Date Title
CN109740413B (zh) 行人重识别方法、装置、计算机设备及计算机存储介质
CN107862705B (zh) 一种基于运动特征和深度学习特征的无人机小目标检测方法
CN108509859B (zh) 一种基于深度神经网络的无重叠区域行人跟踪方法
CN107016357B (zh) 一种基于时间域卷积神经网络的视频行人检测方法
CN107220611B (zh) 一种基于深度神经网络的空时特征提取方法
CN111080629A (zh) 一种图像拼接篡改的检测方法
CN109145745B (zh) 一种遮挡情况下的人脸识别方法
CN111611874B (zh) 基于ResNet和Canny的人脸口罩佩戴检测方法
CN111368690A (zh) 基于深度学习的海浪影响下视频图像船只检测方法及系统
CN109190475B (zh) 一种人脸识别网络与行人再识别网络协同训练方法
CN111709311A (zh) 一种基于多尺度卷积特征融合的行人重识别方法
CN108846835A (zh) 基于深度可分离卷积网络的图像变化检测方法
CN108875754B (zh) 一种基于多深度特征融合网络的车辆再识别方法
CN104504395A (zh) 基于神经网络实现人车分类的方法和系统
CN105335716A (zh) 一种基于改进udn提取联合特征的行人检测方法
CN109635726B (zh) 一种基于对称式深度网络结合多尺度池化的滑坡识别方法
CN107545243A (zh) 基于深度卷积模型的黄种人脸识别方法
CN103955496B (zh) 一种快速的现场轮胎痕迹花纹检索算法
CN112766218B (zh) 基于非对称联合教学网络的跨域行人重识别方法和装置
CN108256551A (zh) 一种基于区域卷积神经网络的车辆检测方法
CN103714326A (zh) 一种单样本人脸识别方法
Xu et al. D4Net: De-deformation defect detection network for non-rigid products with large patterns
CN110223273A (zh) 一种结合离散余弦变换与神经网络的图像修复取证方法
CN110348434A (zh) 相机来源鉴别方法、系统、存储介质和计算设备
CN116523881A (zh) 一种电力设备异常温度检测方法及装置

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: 20180706

RJ01 Rejection of invention patent application after publication