CN108256554A - 基于深度学习的车辆逆向停车判断方法、服务器及系统 - Google Patents

基于深度学习的车辆逆向停车判断方法、服务器及系统 Download PDF

Info

Publication number
CN108256554A
CN108256554A CN201711387388.5A CN201711387388A CN108256554A CN 108256554 A CN108256554 A CN 108256554A CN 201711387388 A CN201711387388 A CN 201711387388A CN 108256554 A CN108256554 A CN 108256554A
Authority
CN
China
Prior art keywords
parking
default
vehicle
target vehicle
target
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
CN201711387388.5A
Other languages
English (en)
Inventor
张�成
杨耿
周正锦
何小川
吴继葵
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.)
Shenzhen Genvict Technology Co Ltd
Original Assignee
Shenzhen Genvict Technology 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 Shenzhen Genvict Technology Co Ltd filed Critical Shenzhen Genvict Technology Co Ltd
Priority to CN201711387388.5A priority Critical patent/CN108256554A/zh
Publication of CN108256554A publication Critical patent/CN108256554A/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
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

本发明涉及一种基于深度学习的车辆逆向停车判断方法，包括：车辆确定步骤：通过摄像头获取所述摄像头覆盖区域内的图像，并基于深度学习识别所述图像内目标车辆的停车朝向及目标车辆位置；车位确定步骤：确定所述目标车辆所在的目标停车位，并获取所述目标停车位的预设车位朝向，其中所述预设车位朝向是指所述目标停车位的预设停车方向；违章判断步骤：根据所述目标车辆的停车朝向和所述预设车位朝向判断所述目标车辆的停车状态。本发明基于深度学习识别停车方向，精准性高，抗环境因素强，搭建系统的工程量小。

Description

基于深度学习的车辆逆向停车判断方法、服务器及系统
技术领域
本发明涉及智能交通(Intelligent Transportation System，简称ITS)领域，尤其基于深度学习的车辆逆向停车判断方法、服务器及系统。
背景技术
随着社会经济、科技的不断发展，物资生活水平的不断提高，城市机动车数量迅速膨胀，城市交通环境逐渐恶化，停车问题越来越受到人们的关注。目前在停车场、路内停车管理等系统中，由于停车泊位缺乏、随意停放现象严重，核心需求是对泊位上停放车辆的管理与检测，其中对单个泊位停车方向的设定要求，使车辆逆向停车的违停检测的需求也越来越迫切。
发明内容
为解决上述问题，一种基于深度学习的车辆逆向停车判断方法，包括：
车辆确定步骤：通过摄像头获取所述摄像头覆盖区域内的图像，并基于深度学习识别所述图像内目标车辆的停车朝向及目标车辆位置；
车位确定步骤：确定所述目标车辆所在的目标停车位，并获取所述目标停车位的预设车位朝向，其中所述预设车位朝向是指所述目标停车位的预设停车方向；
违章判断步骤：根据所述目标车辆的停车朝向和所述预设车位朝向判断所述目标车辆的停车状态。
进一步的，在所述车辆确定步骤之前还包括：建立数据库步骤，所述数据库包括所述摄像头覆盖区域内停车位的范围、所述摄像头覆盖区域内停车位的ID号码及所述摄像头覆盖区域内停车位的预设车位朝向。
进一步的，所述车辆确定步骤具体为：
通过摄像头获取所述摄像头覆盖区域内的图像；
将所述图像输入预设训练模型，通过预设训练模型识别所述目标车辆的停车朝向及所述目标车辆的位置。
进一步的，在所述车辆确定步骤之前，还包括建立预设训练模型步骤，所述建立预设训练模型步骤具体为基于Region CNN算法、faster R-CNN方法、YOLO网络或SSD深度学习框架建立所述预设训练模型。
进一步的，所述基于SSD深度学习框架建立所述预设训练模型具体为：
预先采集覆盖区域内的图像生成复数个训练图像数据；
对所述训练图像数据进行预处理，其中预处理为对所述训练图像数据中的车辆停车朝向进行分类标注；
对复数个预处理过的所述训练图像数据进行深度学习训练，即点对点损失函数的计算以及反向传播计算的更新，最终得到获得所述预设训练模型。
进一步的，将所述图像输入预设训练模型，通过预设训练模型识别所述目标车辆的停车朝向及所述目标车辆的位置步骤具体为：
将所述图像输入所述预设训练模型，得到所述目标车辆的停车方向、目标车辆在所述覆盖区域图像中的位置范围。同时获得对应的预测结果分数值prob，当分数值prob不小于预设值时，确定此时的停车方向为目标车辆的停车朝向。
进一步的，所述违章判断步骤之后还包括，违停处理步骤：若违章判断步骤中判断所述目标车辆的停车朝向和所述目标停车位的预设车位朝向不一致，则发出警报并保存相应记录。
再一个方面，本发明还提供了一种基于深度学习的车辆逆向停车判断服务器，包括：
车辆确定模块：用于通过摄像头获取所述摄像头覆盖区域内的图像，并基于深度学习识别所述图像内目标车辆的停车朝向及目标车辆位置；
车位确定模块：用于确定所述目标车辆所在的目标停车位，并获取所述目标停车位的预设车位朝向，其中所述预设车位朝向是指所述目标停车位的预设停车方向；
预设违章判断模块：用于根据所述目标车辆的停车朝向和所述预设车位朝向判断所述目标车辆的停车状态。
再一个方面，本发明还提供了一种基于深度学习的车辆逆向停车判断服务器，包括处理器和存储器，所述存储器用于存储程序指令，以使所述处理器加载所述程序指令，完成如上所述的方法步骤。
再一个方面，本发明还提供了一种基于深度学习的车辆逆向停车判断系统，包括至少一个如上所述的服务器，和所述服务器相连的摄像头。
本发明基于深度学习识别停车方向，精准性高，抗环境因素强，搭建系统的工程量小。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图中：
图1是本发明一种基于深度学习的车辆逆向停车判断方法的流程图。
具体实施方式
本发明基于深度学习不仅可以识别图像中的目标车辆，还可以识别目标车辆的停车朝向，再结合服务器中预存的对应停车位的停车方向要求进行判断，实现违停检测中逆向停车的检测。
实施例1，基于深度学习的车辆逆向停车判断方法包括：
车辆确定步骤：通过摄像头获取所述摄像头覆盖区域内的图像，并基于深度学习识别所述图像内目标车辆的停车朝向及目标车辆位置；
车位确定步骤：确定所述目标车辆所在的目标停车位，并获取所述目标停车位的预设车位朝向，其中所述预设车位朝向是指所述目标停车位的预设停车方向；
具体的，在车辆确定步骤之前还有建立数据库步骤，所述数据库包括所述摄像头覆盖区域内停车位的范围、所述摄像头覆盖区域内停车位的ID号码及所述摄像头覆盖区域内停车位的预设车位朝向。可以理解的，当摄像头安装好后，其覆盖范围已经确定。可以通过人工手动标定或者通过深度学习确定覆盖范围内每个停车位的范围、并和其对应的ID号码、预设车位朝向一并保存。
获取目标车辆的停车时的位置后，在数据库中查找目标车辆停车时的位置在那一个停车位的范围内，并获取该停车位的预设车位朝向。
违章判断步骤：根据所述目标车辆的停车朝向和所述预设车位朝向判断所述目标车辆的停车状态。
可以理解的，在确定了目标车辆的停车朝向和目标停车位的预设车位朝向之后。目标车辆的停车朝向和目标停车位的预设车位朝向一致且目标车辆整个在目标停车位内，则目标车辆为正常停车。相对的，如果目标车辆的停车朝向和目标停车位的预设车位朝向不一致，则目标车辆为逆向停车。
本发明基于深度学习识别停车方向，精准性高，抗环境因素强，搭建系统的工程量小。
实施例2，在实施例1的基础上，在所述车辆确定步骤之前，还包括建立预设训练模型步骤，所述建立预设训练模型步骤具体为基于Region CNN(Region-basedConvolutional Neural Network，区域卷积神经网络)算法、faster R-CNN(FasterRegion-based Convolutional Neural Network，快速区域卷积神经网络算法)方法、YOLO(YouOnly Look Once)网络或SSD(Single Deep Nerual Network)深度学习框架建立所述预设训练模型。SSD深度学习的核心是预测物体，以及计算其归属类别的得分。SSD深度学习是基于一个向前传播CNN网络，通过输入单帧图像数据，根据深度学习训练模式计算，输出一系列固定大小的边界框，以及每一个边框中包括物体实例的可能性，即分数。通过进行一个非极大值抑制，得到最终的预测结果。SSD方法在检测时间、检测精度上都有比较好的表现。本实施例采用SSD深度学习框架建立预设训练模型。
则，基于SSD深度学习建立所述预设训练模型具体为：
预先采集覆盖区域内的图像生成复数个训练图像数据；
对所述训练图像数据进行预处理，其中预处理为对所述训练图像数据中的车辆停车朝向进行分类标注；
对复数个预处理过的所述训练图像数据进行深度学习训练，即点对点损失函数的计算以及反向传播计算的更新，最终得到获得所述预设训练模型。
具体的，SSD深度学习属于有监督学习，先在现场采集得到2000张不同机动车辆的样本图片，通过人工对样本中的车辆进行框定标注工作，即对样本中的车辆进行车辆停车朝向标注。然后将标注好的样本图片进行基于SSD深度学习的训练，即点对点的损失函数的计算以及反向传播计算的更新。最终，获得到相对应的预设训练模型。
在此基础上，将所述图像输入预设训练模型，通过预设训练模型识别所述目标车辆的停车朝向及所述目标车辆的位置步骤具体为：
将所述图像输入所述预设训练模型，得到所述目标车辆的停车方向、目标车辆在所述覆盖区域图像中的位置范围。同时获得对应的预测结果分数值prob，当分数值prob不小于预设值时，确定此时的停车方向为目标车辆的停车朝向。
实际工作中，将摄像头实时采集的视频以间隔3分钟取一帧的图像作为输入，通过SSD深度学习框架训练好的预设训练模型，即可得到图像中目标车辆的停车方向，以及目标车辆在的图像坐标系下的位置范围,同时得到预测结果的分数值prob，分数值prob越大说明是车辆朝向类型的可能性就越大，一般分数值prob≥0.68时(满分为1.0)，就可以确定此时获取目标车辆的停车方向就是目标车辆停车朝向。
在其他实施例中，所述违章判断步骤之后还包括，违停处理步骤：若违章判断步骤中判断所述目标车辆的停车朝向和所述目标停车位的预设车位朝向不一致，则发出警报并保存相应记录。
在路边停车、停车场等应用中，若违章判断步骤中判断所述目标车辆的停车朝向和所述目标停车位的预设车位朝向不一致则实时通知停车管理系统，使其能够及时进行扣费、通知车主等动作，并且要将违停的目标车辆图片结合其时间、地点一并保存，作为后期的证据资料提供。
再一个实施例中，本发明还公开了一种基于深度学习的车辆逆向停车判断服务器，包括：
车辆确定模块：用于通过摄像头获取所述摄像头覆盖区域内的图像，并基于深度学习识别所述图像内目标车辆的停车朝向及目标车辆位置；
车位确定模块：用于确定所述目标车辆所在的目标停车位，并获取所述目标停车位的预设车位朝向，其中所述预设车位朝向是指所述目标停车位的预设停车方向；
预设违章判断模块：用于根据所述目标车辆的停车朝向和所述预设车位朝向判断所述目标车辆的停车状态。
再一个实施例中，本发明还公开了一种基于深度学习的车辆逆向停车判断服务器，包括处理器和存储器，所述存储器用于存储程序指令，以使所述处理器加载所述程序指令，完成实施例1或2所述的方法步骤。
同时还公开了一种基于深度学习的车辆逆向停车判断系统，包括至少一个如上所述的服务器，和所述服务器相连的摄像头。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何纂改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种基于深度学习的车辆逆向停车判断方法，其特征在于，包括：
车辆确定步骤：通过摄像头获取所述摄像头覆盖区域内的图像，并基于深度学习识别所述图像内目标车辆的停车朝向及目标车辆位置；
车位确定步骤：确定所述目标车辆所在的目标停车位，并获取所述目标停车位的预设车位朝向，其中所述预设车位朝向是指所述目标停车位的预设停车方向；
违章判断步骤：根据所述目标车辆的停车朝向和所述预设车位朝向判断所述目标车辆的停车状态。
2.根据权利要求1所述的方法，其特征在于，在所述车辆确定步骤之前还包括：建立数据库步骤，所述数据库包括所述摄像头覆盖区域内停车位的范围、所述摄像头覆盖区域内停车位的ID号码及所述摄像头覆盖区域内停车位的预设车位朝向。
3.根据权利要求1所述的方法，其特征在于，所述车辆确定步骤具体为：
通过摄像头获取所述摄像头覆盖区域内的图像；
将所述图像输入预设训练模型，通过预设训练模型识别所述目标车辆的停车朝向及所述目标车辆的位置。
4.根据权利要求3所述的方法，其特征在于，在所述车辆确定步骤之前，还包括建立预设训练模型步骤，所述建立预设训练模型步骤具体为基于Region CNN算法、faster R-CNN方法、YOLO网络或SSD深度学习框架建立所述预设训练模型。
5.根据权利要求4所述的方法，其特征在于，所述基于SSD深度学习框架建立所述预设训练模型具体为：
预先采集覆盖区域内的图像生成复数个训练图像数据；
对所述训练图像数据进行预处理，其中预处理为对所述训练图像数据中的车辆停车朝向进行分类标注；
对复数个预处理过的所述训练图像数据进行深度学习训练，即点对点损失函数的计算以及反向传播计算的更新，最终得到获得所述预设训练模型。
6.根据权利要求5所述的方法，其特征在于，将所述图像输入预设训练模型，通过预设训练模型识别所述目标车辆的停车朝向及所述目标车辆的位置步骤具体为：
将所述图像输入所述预设训练模型，得到所述目标车辆的停车方向、目标车辆在所述覆盖区域图像中的位置范围。同时获得对应的预测结果分数值prob，当分数值prob不小于预设值时，确定此时的停车方向为目标车辆的停车朝向。
7.根据权利要求6所述的方法，其特征在于，所述违章判断步骤之后还包括，违停处理步骤：若违章判断步骤中判断所述目标车辆的停车朝向和所述目标停车位的预设车位朝向不一致，则发出警报并保存相应记录。
8.一种基于深度学习的车辆逆向停车判断服务器，其特征在于，包括：
车辆确定模块：用于通过摄像头获取所述摄像头覆盖区域内的图像，并基于深度学习识别所述图像内目标车辆的停车朝向及目标车辆位置；
车位确定模块：用于确定所述目标车辆所在的目标停车位，并获取所述目标停车位的预设车位朝向，其中所述预设车位朝向是指所述目标停车位的预设停车方向；
预设违章判断模块：用于根据所述目标车辆的停车朝向和所述预设车位朝向判断所述目标车辆的停车状态。
9.一种基于深度学习的车辆逆向停车判断服务器，其特征在于，包括处理器和存储器，所述存储器用于存储程序指令，以使所述处理器加载所述程序指令，完成如权利要求1-7任一项所述的方法步骤。
10.一种基于深度学习的车辆逆向停车判断系统，其特征在于，包括至少一个如权利要求8或9所述的服务器，和所述服务器相连的摄像头。
CN201711387388.5A 2017-12-20 2017-12-20 基于深度学习的车辆逆向停车判断方法、服务器及系统 Pending CN108256554A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711387388.5A CN108256554A (zh) 2017-12-20 2017-12-20 基于深度学习的车辆逆向停车判断方法、服务器及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711387388.5A CN108256554A (zh) 2017-12-20 2017-12-20 基于深度学习的车辆逆向停车判断方法、服务器及系统

Publications (1)

Publication Number Publication Date
CN108256554A true CN108256554A (zh) 2018-07-06

Family

ID=62722636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711387388.5A Pending CN108256554A (zh) 2017-12-20 2017-12-20 基于深度学习的车辆逆向停车判断方法、服务器及系统

Country Status (1)

Country Link
CN (1) CN108256554A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508710A (zh) * 2018-10-23 2019-03-22 东华大学 基于改进YOLOv3网络的无人车夜间环境感知方法
CN109543617A (zh) * 2018-11-23 2019-03-29 于兴虎 基于yolo目标检测技术的智能车辆运动路况信息的检测方法
CN109584300A (zh) * 2018-11-20 2019-04-05 浙江大华技术股份有限公司 一种确定车头朝向角度的方法及装置
CN109658698A (zh) * 2019-01-25 2019-04-19 合肥市智信汽车科技有限公司 一种基于深度学习的机动车违法行驶检测及抓拍方法
CN110490117A (zh) * 2019-08-14 2019-11-22 智慧互通科技有限公司 一种基于图像深度信息的停车事件确定方法及系统
CN110688902A (zh) * 2019-08-30 2020-01-14 智慧互通科技有限公司 一种检测停车位内车辆区域的方法及装置
CN111105619A (zh) * 2019-11-28 2020-05-05 智慧互通科技有限公司 一种路侧逆向停车的判断方法及装置
CN111785007A (zh) * 2020-04-27 2020-10-16 宁波小遛共享信息科技有限公司 还车指示方法、装置及电子设备
WO2021027569A1 (zh) * 2019-08-14 2021-02-18 平安国际智慧城市科技股份有限公司 执法分析方法、装置、电子设备及存储介质
CN112861701A (zh) * 2021-02-04 2021-05-28 北京百度网讯科技有限公司 违章停车识别方法、装置、电子设备以及计算机可读介质
CN114613021A (zh) * 2020-12-03 2022-06-10 丰田自动车株式会社 信息处理装置、信息处理方法、非临时性存储介质以及车辆系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060278705A1 (en) * 2003-02-21 2006-12-14 Accenture Global Services Gmbh Electronic Toll Management and Vehicle Identification
CN105574543A (zh) * 2015-12-16 2016-05-11 武汉烽火众智数字技术有限责任公司 一种基于深度学习的车辆品牌型号识别方法和系统
CN105809975A (zh) * 2016-05-30 2016-07-27 北京精英智通科技股份有限公司 一种异常停车判断方法和装置
CN106297317A (zh) * 2016-09-29 2017-01-04 深圳市金溢科技股份有限公司 一种车辆停车检测方法、终端、服务器和系统
CN106874863A (zh) * 2017-01-24 2017-06-20 南京大学 基于深度卷积神经网络的车辆违停逆行检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060278705A1 (en) * 2003-02-21 2006-12-14 Accenture Global Services Gmbh Electronic Toll Management and Vehicle Identification
CN105574543A (zh) * 2015-12-16 2016-05-11 武汉烽火众智数字技术有限责任公司 一种基于深度学习的车辆品牌型号识别方法和系统
CN105809975A (zh) * 2016-05-30 2016-07-27 北京精英智通科技股份有限公司 一种异常停车判断方法和装置
CN106297317A (zh) * 2016-09-29 2017-01-04 深圳市金溢科技股份有限公司 一种车辆停车检测方法、终端、服务器和系统
CN106874863A (zh) * 2017-01-24 2017-06-20 南京大学 基于深度卷积神经网络的车辆违停逆行检测方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508710A (zh) * 2018-10-23 2019-03-22 东华大学 基于改进YOLOv3网络的无人车夜间环境感知方法
CN109584300A (zh) * 2018-11-20 2019-04-05 浙江大华技术股份有限公司 一种确定车头朝向角度的方法及装置
CN109543617A (zh) * 2018-11-23 2019-03-29 于兴虎 基于yolo目标检测技术的智能车辆运动路况信息的检测方法
CN109658698A (zh) * 2019-01-25 2019-04-19 合肥市智信汽车科技有限公司 一种基于深度学习的机动车违法行驶检测及抓拍方法
WO2021027569A1 (zh) * 2019-08-14 2021-02-18 平安国际智慧城市科技股份有限公司 执法分析方法、装置、电子设备及存储介质
CN110490117A (zh) * 2019-08-14 2019-11-22 智慧互通科技有限公司 一种基于图像深度信息的停车事件确定方法及系统
CN110688902A (zh) * 2019-08-30 2020-01-14 智慧互通科技有限公司 一种检测停车位内车辆区域的方法及装置
CN110688902B (zh) * 2019-08-30 2022-02-11 智慧互通科技股份有限公司 一种检测停车位内车辆区域的方法及装置
CN111105619A (zh) * 2019-11-28 2020-05-05 智慧互通科技有限公司 一种路侧逆向停车的判断方法及装置
CN111785007A (zh) * 2020-04-27 2020-10-16 宁波小遛共享信息科技有限公司 还车指示方法、装置及电子设备
CN114613021A (zh) * 2020-12-03 2022-06-10 丰田自动车株式会社 信息处理装置、信息处理方法、非临时性存储介质以及车辆系统
CN114613021B (zh) * 2020-12-03 2024-03-19 丰田自动车株式会社 信息处理装置、信息处理方法、非临时性存储介质以及车辆系统
CN112861701A (zh) * 2021-02-04 2021-05-28 北京百度网讯科技有限公司 违章停车识别方法、装置、电子设备以及计算机可读介质
CN112861701B (zh) * 2021-02-04 2023-09-22 北京百度网讯科技有限公司 违章停车识别方法、装置、电子设备以及计算机可读介质

Similar Documents

Publication Publication Date Title
CN108256554A (zh) 基于深度学习的车辆逆向停车判断方法、服务器及系统
US11380104B2 (en) Method and device for detecting illegal parking, and electronic device
CN105913685A (zh) 一种基于视频监控的车位识别及智能引导方法
CN110533950A (zh) 车位使用状况的检测方法、装置、电子设备及存储介质
CN108875803B (zh) 一种基于视频图像的危化品运输车辆检测与识别方法
CN107909012B (zh) 一种基于视差图的实时车辆跟踪检测方法与装置
CN113343461A (zh) 自动驾驶车辆的仿真方法、装置、电子设备及存储介质
JP6700373B2 (ja) ビデオ動画の人工知能のための学習対象イメージパッケージング装置及び方法
CN111967396A (zh) 障碍物检测的处理方法、装置、设备及存储介质
CN113313006A (zh) 基于无人机的城市违建监管方法、系统和存储介质
CN114627394B (zh) 一种基于无人机的渣土车套牌识别方法及系统
CN113409194B (zh) 泊车信息获取方法及装置、泊车方法及装置
KR102296471B1 (ko) 인공지능 기반 차량 적재불량 검출 시스템
Zhang et al. Image-based approach for parking-spot detection with occlusion handling
CN109934161B (zh) 基于卷积神经网络的车辆识别与检测方法及系统
CN110210324B (zh) 一种道路目标快速检测预警方法和系统
JP7097215B2 (ja) 車両推定装置、学習装置、及び車両推定方法
CN114882709A (zh) 车辆拥堵检测方法、装置及计算机存储介质
JP2019192201A (ja) 自律走行のための学習対象イメージ抽出装置及び方法
Liu et al. Multi-lane detection by combining line anchor and feature shift for urban traffic management
Hedeya et al. A low-cost multi-sensor deep learning system for pavement distress detection and severity classification
KR102286250B1 (ko) Cctv를 이용한 차량 번호 인식 시스템
CN114792411A (zh) 公交车礼让行人检测方法、系统、设备及存储介质
CN114724107A (zh) 一种图像检测方法、装置、设备及介质
CN114495028A (zh) 一种车辆套牌的识别方法、装置、电子设备及存储介质

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