CN108515967B - 一种基于车牌识别的防撞预警方法及装置 - Google Patents
一种基于车牌识别的防撞预警方法及装置 Download PDFInfo
- Publication number
- CN108515967B CN108515967B CN201810379924.5A CN201810379924A CN108515967B CN 108515967 B CN108515967 B CN 108515967B CN 201810379924 A CN201810379924 A CN 201810379924A CN 108515967 B CN108515967 B CN 108515967B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- region
- early warning
- license plate
- interest
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000012888 cubic function Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 11
- 238000005259 measurement Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于车牌识别的防撞预警方法及装置，方法包括：通过单摄像头获取车辆前方路况信息；通过多尺度滑动窗口在第一感兴趣区域内提取Haar特征输入到级联分类器中，构成车辆检测器，对第一感兴趣区域中车辆进行识别，将识别到的区域定为第二感兴趣区域，使用多尺度滑动窗口提取图像块，输入到设计并训练好的深度卷积神经网络中，获取车牌在整个图像中的位置和大小信息；根据不同车距所对应的前车车牌所占像素数，通过三次函数获取两车间距；通过GPS测速仪获得当前车辆的速度，结合摄像头帧率获得前车速度，再判断车辆是否处于危险状态。装置包括：单摄像头、车辆检测器、微控制器、GPS测速仪、以及灰度均衡模块。
Description
技术领域
本发明涉及智能驾驶技术领域，尤其涉及一种基于车牌识别的防撞预警方法及装置。
背景技术
近年来，随着经济的快速发展，全球人均车辆保有量逐年提高，而交通事故的高发生率也成了各国关注的热点问题。在众多交通事故原因中，除超载、超速、酒驾外，司机疲劳驾驶、吸烟、玩手机等行为也是十分常见的安全隐患。因此，ADAS(高级辅助驾驶系统)应运而生。ADAS是利用安装在车上的各种传感器，在汽车行驶过程中感应周围的环境，通过运算与分析来判断车辆是否处于安全行驶的状态，预先让驾驶者察觉到可能发生的危险。前向防撞预警系统(Forward Collision Warning,FCW)是ADAS的重要组成部分，主要包括车辆检测模块、测距模块、以及报警决断模块。
目前国内外在前向防撞预警系统中采用的技术主要有雷达系统和机器视觉两种。雷达具有抗干扰性强、测距准确等优点，但雷达系统多在出厂前与车辆进行一体安装，往往成本较高，且无法对障碍物进行分类，为用户提供的有用信息较少；机器视觉方式是通过车载摄像机采集车辆行驶时的前方道路信息，通过计算机处理后，根据前方车辆的距离判断是否会发生危险。这种系统可通过不断训练提高检测精度，且安装方便，灵活性强。基于机器视觉的测距方法主要包括单目和双目两种，目前国内外研究较多的是基于双目视觉的测距方法，而基于单目视觉的测距方法应用较少。
基于机器视觉的防撞预警系统的主要问题有：安装成本高、检测精度不够、方法单一、以及实时性差等。
发明内容
本发明提供了一种基于车牌识别的防撞预警方法及装置，本发明使用单摄像头获取车辆前方信息，大大减少了所需花费，通过前车车牌的面积大小来判断位置的远近，方法简单，实时性强，详见下文描述：
一种基于车牌识别的防撞预警方法，所述防撞预警方法包括：
通过单摄像头获取车辆前方路况信息；选取当前车辆所在车道正前方区域为第一感兴趣区域，通过多尺度滑动窗口在第一感兴趣区域内提取Haar特征，输入到Haar级联分类器中，以此构成车辆检测器；
通过车辆检测器对第一感兴趣区域中的车辆进行识别，并将识别到的车辆区域确定为第二感兴趣区域；
在第二感兴趣区域使用多尺度滑动窗口提取图像块，将图像块输入到设计并训练好的深度卷积神经网络中进行分类，获取车牌在整个图像中的位置和大小信息；
在确定的摄像头分辨率下，根据不同车距所对应的前车车牌所占像素数，通过三次函数获取距离，再减去当前车辆的车头长度即为两车间距；
通过GPS测速仪获得当前车辆的速度，结合摄像头帧率获得前车速度，再判断车辆是否处于危险状态。
进一步地，所述获取到车辆前方路况信息后，还包括：对路况信息的图像进行灰度均衡。
优选地，所述方法将第一感兴趣区域的分辨率设置为整个图像分辨率的五分之一。
具体实现时，所述设计并训练好的深度卷积神经网络具体为：
收集大量关于我国通用车牌的正负样本构成数据库；
深度卷积神经网络的结构从下至上依次包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、以及输出层；
使用ReLU激活函数，交叉熵损失函数，采用随机梯度下降法对交叉熵损失函数进行优化。
进一步地，所述三次函数具体为：
y＝ax3+bx2+cx+d
其中，x为车牌所占像素数，y为对应车距，a、b和c均为系数。
另一实施例，
一种基于车牌识别的防撞预警装置，所述防撞预警装置包括：
单摄像头，用于获取车辆前方路况信息、以及结合摄像头帧率获取前车速度；
车辆检测器，用于选取当前车辆所在车道正前方区域为第一感兴趣区域，通过多尺度滑动窗口在第一感兴趣区域内提取Haar特征，输入到Haar级联分类器中；对第一感兴趣区域中的车辆进行识别，并将识别到的车辆区域确定为第二感兴趣区域；
微控制器，用于在第二感兴趣区域使用多尺度滑动窗口提取图像块，将图像块输入到设计并训练好的深度卷积神经网络中进行分类，获取车牌在整个图像中的位置和大小信息；
所述微控制器，还用于在确定的摄像头分辨率下，根据不同车距所对应的前车车牌所占像素数，通过三次函数获取距离，再减去当前车辆的车头长度即为两车间距；
GPS测速仪，用于获得当前车辆的速度；
所述微控制器，还用于判断车辆是否处于危险状态。
所述防撞预警装置还包括：灰度均衡模块，设置在单摄像头与车辆检测器之间，用于对路况信息的图像进行灰度均衡处理。
另一实施例，所述防撞预警装置、与车道线检测装置组成车载辅助驾驶系统。
另一实施例，所述防撞预警装置、与驾驶行为分析装置组成车载辅助驾驶系统。
另一实施例，所述防撞预警装置、车道线检测装置、以及驾驶行为分析装置组成车载辅助驾驶系统。
本发明提供的技术方案的有益效果是：
1、本发明使用单摄像头，大大减小了产品成本，使防撞预警系统能够更好的与其他功能(如车道线检测系统、驾驶行为分析系统、测速系统等)结合于一体；
2、由于道路上的汽车大小不一，但我国的机动车车牌尺寸一致，因此本发明的不确定因素少，十分稳定，提高了防撞预警精度；
3、本发明采用的算法简单，大大提高了防撞预警的实时性。
附图说明
图1为一种基于车牌识别的防撞预警方法的流程图；
图2为一种基于车牌识别的防撞预警方法的另一流程图；
图3为第一、第二感兴趣区域的效果示意图；
图4为一种基于车牌识别的防撞预警装置的结构示意图；
图5为一种基于车牌识别的防撞预警装置的另一结构示意图。
附图中，各标号所代表的部件列表如下：
1：单摄像头； 2：车辆检测器；
3：微控制器； 4：GPS测速仪；
5：灰度均衡模块。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
实施例1
一种基于车牌识别的防撞预警方法，参见图1，该防撞预警方法包括以下步骤：
101：通过单摄像头获取车辆前方路况信息；选取当前车辆所在车道正前方区域为第一感兴趣区域，通过多尺度滑动窗口在第一感兴趣区域内提取Haar特征，输入到Haar级联分类器中，以此构成车辆检测器；
102：通过车辆检测器对第一感兴趣区域中的车辆进行识别，并将识别到的车辆区域确定为第二感兴趣区域；
103：在第二感兴趣区域使用多尺度滑动窗口提取图像块，将图像块输入到设计并训练好的深度卷积神经网络中进行分类，获取车牌在整个图像中的位置和大小信息；
104：在确定的摄像头分辨率下，根据不同车距所对应的前车车牌所占像素数，通过三次函数获取距离，再减去当前车辆的车头长度即为两车间距；
105：通过GPS测速仪获得当前车辆的速度，结合摄像头帧率获得前车速度，再判断车辆是否处于危险状态。
其中，获取到车辆前方路况信息后，还包括：对路况信息的图像进行灰度均衡。
综上所述，本发明实施例通过上述步骤101-步骤105实现了使用单摄像头，减小了产品成本，使防撞预警系统能够更好的与车道线检测系统、驾驶行为分析系统、测速系统等结合于一体。
实施例2
下面结合具体的计算公式、实例、图2-图3、以及表1对实施例1中的方案进行进一步地介绍，详见下文描述：
201：通过单摄像头获取车辆前方路况信息，即当前车辆所在车道正前方视野内是否存在其他车辆；
其中，本发明实施例对单摄像头的型号不做限制，例如可以为：图像传感器使用Sony IMX224，镜头选择视场角在52°至92°范围中的定焦镜头等。
具体实现时，本发明实施例对上述的车辆类别不做限制，例如可以为摩托车、轿车、货车、客车等，即车尾部有车牌均可。
202：对上述包含车辆前方路况信息的图像进行灰度均衡，并选取当前车辆所在车道正前方区域为第一感兴趣区域A，将第一感兴趣区域A的分辨率设置为整个图像分辨率的五分之一；
其中，上述灰度均衡的步骤为本领域技术人员所公知，本发明实施例对此不做赘述。
进一步地，本发明实施例优选将第一感兴趣区域A的分辨率设置为整个图像分辨率的五分之一，具体实现时，还可以根据实际应用中的需要进行设定，本发明实施例对此不做限制。
203：通过多尺度滑动窗口在第一感兴趣区域A内提取Haar特征，将提取到的Haar特征输入到Haar级联分类器中，以此构成车辆检测器；
其中，上述多尺度滑动窗口、Haar特征、以及Haar级联分类器为本领域技术人员所公知的技术术语，本发明实施例对此不做赘述。
204：通过车辆检测器对第一感兴趣区域A中的车辆进行识别，并将识别到的车辆区域确定为第二感兴趣区域B；
在实际应用中，第一感兴趣区域A与第二感兴趣区域B的位置关系如图3所示，其中，大矩形框内为第一感兴趣区域A，即车辆正前方车道区域，小矩形框内为第二感兴趣区域B，即识别到的车辆区域。
205：在第二感兴趣区域B使用多尺度滑动窗口提取图像块，将图像块输入到深度卷积神经网络中进行分类，实现车牌检测，从而得到车牌在整个图像中的位置和大小等信息；
具体实现时，还需要收集大量关于我国通用车牌的正负样本构成数据库，设计并训练深度卷积神经网络。
其中，上述正样本为车牌或车牌中某一部分的图片，负样本为非车牌图片，例如：车尾部的图片、马路的图片、以及车灯的图片等，优选正负样本的数量比例为1:2。
具体实现时，本发明实施例对正负样本的数量比例不做限制，根据实际应用中的需要进行设定。
其中，每个深度卷积神经网络的结构如表1所示。使用ReLU激活函数，交叉熵损失函数，采用随机梯度下降法对交叉熵损失函数进行优化，每次读入的图片数量为600，即batch_size＝600，迭代次数为3000。
在检测过程中，在第二感兴趣区域B使用多尺度滑动窗口提取图像块，将图像块输入到深度卷积神经网络中进行分类，实现车牌检测，从而得到车牌在整个图像中的位置和大小等信息；
表1
通过表1中的内容可知深度卷积神经网络的结构从下至上依次包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、以及输出层。在第一卷积层、第二卷积层、以及第三卷积层中，又设计了滤波器结构(用长*宽*个数表示)，分别为：5*5*24；3*3*48；3*3*96。每一层对应的输出的图像大小分别为：64*24*3；60*20*24；30*10*24；28*8*48；14*4*48；12*2*96；输出层输出的数值为2(即给图像进行分类，如果是车牌图像就输出1 0，不是就输出0 1)。
具体实现时，本发明实施例仅以上述数值为例进行说明，本发明实施例对此不做限制。
在研发前期预先统计大量数据，即在确定的摄像头分辨率下，不同车距所对应的前车车牌所占像素数，构建三次函数模型；
其中，三次函数具体为：
y＝ax3+bx2+cx+d
其中，x为车牌所占像素数(即车牌宽度像素数乘以车牌长度像素数)，y为对应车距，选取1000组数据进行三次拟合，得到a、b、c、d的值，进而得到对应函数表达式。
例如，在1280*720的摄像头分辨率下得到的函数关系如式(1)所示。
y＝-0.0088x3+0.2887x2-3.2138x+19.6923 (1)
206：根据三次函数获取距离d，再减去当前车辆的车头长度l即为两车间距s；
其中，s＝d-l (2)
207：获取两车间距s后，通过GPS测速仪获得当前车辆的速度v1，结合摄像头帧率f等信息获得前车速度v2(见公式(3))，再根据公式(4)判断车辆是否处于危险状态，一旦所得预计相撞时间t小于安全时间，则处于危险状态，输出报警信息，提醒驾驶人，然后重新执行步骤201；否则，当车辆不处于危险状态，重新执行步骤201。
公式如下：
v2-v1＝(s2-s1)·f (3)
其中，S2为当前帧的车距，s1为前一帧的车距。
综上所述，本发明实施例通过上述步骤201-步骤207使用单摄像头，减小了产品成本；通过前车车牌的面积大小来判断位置的远近，方法简单，实时性强。
实施例3
一种基于车牌识别的防撞预警装置，参见图4，该防撞预警装置包括：
单摄像头1，用于获取车辆前方路况信息、以及结合摄像头帧率获取前车速度；
车辆检测器2，用于选取当前车辆所在车道正前方区域为第一感兴趣区域，通过多尺度滑动窗口在第一感兴趣区域内提取Haar特征，输入到Haar级联分类器中；对第一感兴趣区域中的车辆进行识别，并将识别到的车辆区域确定为第二感兴趣区域；
微控制器3的第一任务：用于在第二感兴趣区域使用多尺度滑动窗口提取图像块，将图像块输入到设计并训练好的深度卷积神经网络中进行分类，获取车牌在整个图像中的位置和大小信息；
微控制器的第二任务：用于在确定的摄像头分辨率下，根据不同车距所对应的前车车牌所占像素数，通过三次函数获取距离，再减去当前车辆的车头长度即为两车间距；
GPS测速仪4，用于获得当前车辆的速度；
微控制器3的第三任务，用于判断车辆是否处于危险状态。
具体实现时，当整个防撞预警装置处于电量耗尽时，循环流程结束。
其中，本发明实施例对上述的微控制器3的型号不做限制，根据实际应用中的需要，还可以为单片机、PC机等器件。
具体实现时，上述微控制器3可以集成为一个微控制器或二个或三个等，本发明实施例对此不做限制。
进一步地，本发明实施例对GPS测速仪4的型号不做限制，根据实际应用中的需要进行选择。
参见图5，该防撞预警装置还包括：灰度均衡模块5，设置在单摄像头1与车辆检测器2之间，用于对路况信息的图像进行灰度均衡处理。
综上所述，本发明实施例通过上述器件使用单摄像头，减小了产品成本；通过前车车牌的面积大小来判断位置的远近，方法简单，实时性强。
实施例4
一种车载辅助驾驶系统，该车载辅助驾驶系统包括实施例3中的防撞预警装置，还包括：车道线检测装置，具体为：
防撞预警装置和车道线检测装置使用同一前向摄像头获得车辆前方路况信息，通过防撞预警装置的处理来判断本车与前车是否存在碰撞危险，同时通过车道线检测装置判断本车是否偏离当前车道，当其中任一系统检测到危险时即输出报警信号，同时实现车道偏移和防撞两种功能。
实施例5
一种车载辅助驾驶系统，该车载辅助驾驶系统包括实施例3中的防撞预警装置，还包括：驾驶行为分析装置，具体为：
该车载辅助驾驶系统包含一个前向摄像头和一个后向摄像头，其中，防撞预警装置通过前向摄像头获得车辆前方路况信息，判断本车与前车是否存在碰撞危险，同时驾驶行为分析装置通过后向摄像头监控司机的驾驶行为，同时实现防撞和驾驶行为监测两种功能。
实施例6
一种车载辅助驾驶系统，该车载辅助驾驶系统包括实施例3中的防撞预警装置，还包括：车道线检测装置与驾驶行为分析装置，具体为：
使用前向摄像头获得车辆前方路况信息，通过防撞预警装置的处理来判断本车与前车是否存在碰撞危险，同时通过车道线检测装置判断本车是否偏离当前车道，使用后向摄像头监控驾驶人的驾驶状态，通过驾驶行为分析装置判断司机是否处于危险驾驶状态，当其中任一系统检测到危险时即输出报警信号，达到预警效果。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于车牌识别的防撞预警方法，其特征在于，所述防撞预警方法包括：
通过单摄像头获取车辆前方路况信息；选取当前车辆所在车道正前方区域为第一感兴趣区域，通过多尺度滑动窗口在第一感兴趣区域内提取Haar特征，输入到Haar级联分类器中，以此构成车辆检测器；
通过车辆检测器对第一感兴趣区域中的车辆进行识别，并将识别到的车辆区域确定为第二感兴趣区域；
在第二感兴趣区域使用多尺度滑动窗口提取图像块，将图像块输入到设计并训练好的深度卷积神经网络中进行分类，获取车牌在整个图像中的位置和大小信息；
在确定的摄像头分辨率下，根据不同车距所对应的前车车牌所占像素数，通过三次函数获取距离，再减去当前车辆的车头长度即为两车间距；
通过GPS测速仪获得当前车辆的速度，结合摄像头帧率获得前车速度，再判断车辆是否处于危险状态；
其中，所述设计并训练好的深度卷积神经网络具体为：
收集大量关于我国通用车牌的正负样本构成数据库；
深度卷积神经网络的结构从下至上依次包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、以及输出层；
使用ReLU激活函数，交叉熵损失函数，采用随机梯度下降法对交叉熵损失函数进行优化；
所述三次函数具体为：
v＝ax3+bx2+cx+d
其中，x为车牌所占像素数，y为对应车距，a、b和c均为系数。
2.根据权利要求1所述的一种基于车牌识别的防撞预警方法，其特征在于，所述获取到车辆前方路况信息后，还包括：对路况信息的图像进行灰度均衡。
3.根据权利要求1所述的一种基于车牌识别的防撞预警方法，其特征在于，所述方法将第一感兴趣区域的分辨率设置为整个图像分辨率的五分之一。
4.一种用于实施权利要求1所述的基于车牌识别的防撞预警方法的防撞预警装置，其特征在于，所述防撞预警装置包括：
单摄像头，用于获取车辆前方路况信息、以及结合摄像头帧率获取前车速度；
车辆检测器，用于选取当前车辆所在车道正前方区域为第一感兴趣区域，通过多尺度滑动窗口在第一感兴趣区域内提取Haar特征，输入到Haar级联分类器中；对第一感兴趣区域中的车辆进行识别，并将识别到的车辆区域确定为第二感兴趣区域；
微控制器，用于在第二感兴趣区域使用多尺度滑动窗口提取图像块，将图像块输入到设计并训练好的深度卷积神经网络中进行分类，获取车牌在整个图像中的位置和大小信息；
所述微控制器，还用于在确定的摄像头分辨率下，根据不同车距所对应的前车车牌所占像素数，通过三次函数获取距离，再减去当前车辆的车头长度即为两车间距；
GPS测速仪，用于获得当前车辆的速度；
所述微控制器，还用于判断车辆是否处于危险状态。
5.根据权利要求4所述的基于车牌识别的防撞预警方法的防撞预警装置，其特征在于，所述防撞预警装置还包括：
灰度均衡模块，设置在单摄像头与车辆检测器之间，用于对路况信息的图像进行灰度均衡处理。
6.根据权利要求4或5所述的基于车牌识别的防撞预警方法的防撞预警装置，其特征在于，所述防撞预警装置、与车道线检测装置组成车载辅助驾驶系统。
7.根据权利要求4或5所述的基于车牌识别的防撞预警方法的防撞预警装置，其特征在于，所述防撞预警装置、与驾驶行为分析装置组成车载辅助驾驶系统。
8.根据权利要求4或5所述的基于车牌识别的防撞预警方法的防撞预警装置，其特征在于，所述防撞预警装置、车道线检测装置、以及驾驶行为分析装置组成车载辅助驾驶系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810379924.5A CN108515967B (zh) | 2018-04-25 | 2018-04-25 | 一种基于车牌识别的防撞预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810379924.5A CN108515967B (zh) | 2018-04-25 | 2018-04-25 | 一种基于车牌识别的防撞预警方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108515967A CN108515967A (zh) | 2018-09-11 |
| CN108515967B true CN108515967B (zh) | 2020-02-07 |
Family
ID=63430192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810379924.5A Active CN108515967B (zh) | 2018-04-25 | 2018-04-25 | 一种基于车牌识别的防撞预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108515967B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110807360A (zh) * | 2019-09-19 | 2020-02-18 | 潍柴动力股份有限公司 | 基于摄像头侦测挡车墙的方法、装置和系统 |
| CN111746545A (zh) * | 2020-06-29 | 2020-10-09 | 中国联合网络通信集团有限公司 | 车距检测方法及装置，和车距提醒方法及装置 |
| CN113380048B (zh) * | 2021-06-25 | 2022-09-02 | 中科路恒工程设计有限公司 | 基于神经网络的高危路段车辆驾驶行为识别方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4451315B2 (ja) * | 2005-01-06 | 2010-04-14 | 富士重工業株式会社 | 車両の運転支援装置 |
| CN101016053A (zh) * | 2007-01-25 | 2007-08-15 | 吉林大学 | 高等级公路上车辆防追尾碰撞预警方法和系统 |
| CN101458078A (zh) * | 2007-12-10 | 2009-06-17 | 鸿富锦精密工业（深圳）有限公司 | 一种汽车防撞系统及方法 |
| CN104298976B (zh) * | 2014-10-16 | 2017-09-26 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
| CN105825185B (zh) * | 2016-03-15 | 2018-02-06 | 深圳市中天安驰有限责任公司 | 车辆防碰撞预警方法及装置 |
-
2018
- 2018-04-25 CN CN201810379924.5A patent/CN108515967B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108515967A (zh) | 2018-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992683B (zh) | 一种基于动态图像感知的交叉口盲区预警方法及系统 | |
| CN102765365B (zh) | 基于机器视觉的行人检测方法及行人防撞预警系统 | |
| CN111311914B (zh) | 车辆行驶事故监控方法、装置和车辆 | |
| CN104392629B (zh) | 检测车距的方法和装置 | |
| CN108515967B (zh) | 一种基于车牌识别的防撞预警方法及装置 | |
| GB2559250A (en) | Parking-lot-navigation system and method | |
| CN102167041A (zh) | 一种基于加速度传感器的车辆行驶状态的判定方法 | |
| KR101735557B1 (ko) | 실시간 목표 탐지에 의한 교통 정보 수집 시스템 및 방법 | |
| CN103465857A (zh) | 一种基于手机的汽车主动安全的预警方法 | |
| CN108960074B (zh) | 基于深度学习的小尺寸行人目标检测方法 | |
| CN111210100B (zh) | 评价系统、评价方法及存储介质 | |
| DE112018004953T5 (de) | Informationsverarbeitungsvorrichtung, informationsverarbeitungsverfahren, programm und sich bewegender körper | |
| CN111310696B (zh) | 基于泊车异常行为分析的泊车事故识别方法、装置和车辆 | |
| CN114119955A (zh) | 一种潜在危险目标检测方法及装置 | |
| CN113313182B (zh) | 一种基于雷达和视频融合的目标识别方法及终端 | |
| CN107264526A (zh) | 一种横向车辆预警方法、系统、存储介质及终端设备 | |
| CN108074395B (zh) | 一种身份识别的方法及装置 | |
| CN210760742U (zh) | 智能车辆辅助驾驶系统 | |
| CN114868139A (zh) | 信息处理装置、信息处理系统、信息处理方法和信息处理程序 | |
| Xu et al. | Roadside estimation of a vehicle’s center of gravity height based on an improved single-stage detection algorithm and regression prediction technology | |
| US20230001922A1 (en) | System providing blind spot safety warning to driver, method, and vehicle with system | |
| CN202771439U (zh) | 基于matlab交通标志自动识别装置 | |
| Ziadia et al. | Using an intelligent vision system for obstacle detection in winter condition | |
| CN114255452A (zh) | 目标测距方法及装置 | |
| Takemura et al. | Embedded image recognition systems for advanced safety vehicles |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240103 Address after: No. 139 Zhenxing Road, Madang Town, Pengze County, Jiujiang City, Jiangxi Province, 332719 Patentee after: Sun Shengqiang Address before: 518063, Room 502, Block A, Skyworth Building, Gaoxin South 1st Road, Science and Technology Park, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province Patentee before: SHENZHEN KAANXING TECHNOLOGY Co.,Ltd. |