CN108595576A - 一种基于数据库的车辆以图搜图方法 - Google Patents
一种基于数据库的车辆以图搜图方法 Download PDFInfo
- Publication number
- CN108595576A CN108595576A CN201810343167.6A CN201810343167A CN108595576A CN 108595576 A CN108595576 A CN 108595576A CN 201810343167 A CN201810343167 A CN 201810343167A CN 108595576 A CN108595576 A CN 108595576A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- feature
- image
- vehicle body
- body region
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于数据库的车辆以图搜图方法,包括步骤:获取目标车辆图像中的车身区域;提取目标车辆图像中的车身区域的特征并显示所述特征;根据车身区域的特征检索数据库,得到与所述目标车辆的车身区域相似的图像。本发明的有益效果在于基于数据库的车辆以图搜图的方法可以有效地的解决深度学习带来的复杂、大量计算、成本等问题,不需要考虑深度学习所带来的复杂计算、模型验证的等问题,并且基于数据库的以图搜图可以在秒级检索相似度很高的图片出来。
Description
技术领域
本发明涉及智能交通领域,特别是涉及一种基于数据库的车辆以图搜图方法。
背景技术
随着城市的快速发展和进步,城市安全也越来越受到关注。在进行视频侦查、套牌车查找、嫌疑车搜索时,需要根据目标车辆的图片从数据库中找出同一车辆的图片。以图搜图,是通过输入图片来检索相似图片的一种技术,涉及数据库、计算机视觉、图像识别等技术。以图搜图主要关键技术包括特征的提取、相似度比较。
现有技术中,采用深度学习的方法进行以图搜图。深度学习是一种目的在于建立、模拟人脑进行分析学习的深度网络,它模拟人脑的机制进行解释数据,例如声音、文本、图像,通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示,是机器学习中一种基于对数据进行表征学习的方法。其优点是可以抽象出高级特征,构建出复杂高性能的模型。虽然深度学习可以抽象出高级特征,但是训练耗时、模型正确性验证复杂且麻烦,有些深度网络不仅训练而且线上部署也需要GPU支持,模型有些很复杂,它们需要大量的计算性能来构建。
发明内容
为解决上述问题,本发明提供了一种基于数据库的车辆以图搜图方法,解决深度学习带来的复杂、大量计算、成本等问题。
一种基于数据库的车辆以图搜图方法,包括步骤:获取目标车辆图像中的车身区域;提取目标车辆图像中的车身区域的特征并显示所述特征;根据车身区域的特征检索数据库,得到与所述目标车辆的车身区域相似的图像。
本发明获取目标车辆图像中的车身区域,接着从所述目标车辆图像中的车身区域中提取目标车辆图像的特征信息并显示特征信息。目标车辆图像的特征可以包括车辆品牌、车辆子品牌、车身颜色、车辆类型、车牌颜色、车牌类型、纸巾盒、挂饰等特征。根据目标车辆图像的特征,查询数据库中存储的样本记录,从而得到所述目标车辆的车身区域相似的图像。另外,从数据库中得到的车辆特征与目标车辆的车身区域特征进行相似度比较,按相似度由高到低排列从数据库中获取数据。基于数据库的车辆以图搜图方法可以有效地的解决深度学习带来的复杂、大量计算、成本等问题,不需要考虑深度学习所带来的复杂计算、模型验证的等问题,基于数据库的以图搜图可以在秒级检索相似度很高的图片出来。
进一步地,所述数据库根据卡口系统中的车辆图像确定,包括步骤:获取卡口系统中每张车辆图像;提取卡口系统中每张车辆图像的特征存储到数据库中。获取卡口图像并通过识别出来的目标车辆特征存储到数据库中。卡口系统采用先进的光电技术、图像处理技术、模式识别技术对过往的每一辆汽车均拍下车辆的图像,所采集到的卡口图像均保存在服务器数据库中。本发明获取卡口图像并通过识别出来的目标车辆特征存储到数据库中。
进一步地,所述提取目标车辆图像中的车身区域的特征,根据车身区域的特征检索数据库,得到与所述目标车辆的车身区域相似的图像的步骤包括:将车身区域的特征划分为若干个优先级层级,按照优先级的层级,提取车身区域的特征,根据所述车身区域的特征检索,得到与所述目标车辆的车身区域的特征相似的图像,车身区域特征的检索范围为上一层级优先级车身区域的特征所检索到的相似的图像,最高级优先级车身区域的特征的检索范围为数据库。为了提高了从卡口数据库中查找相似车辆图像的精度,有必要对车身区域的特征进行等于划分,明确先提取哪些区域,后识别哪些区域,一般来说,先提取特征明显的车身区域或者容易提取的车身区域。为了提高从卡口数据库中查找相似车辆图像的速度,每次检索在上一次检索得到的相似的图像中进行检索,那么则无需每次都在数据量庞大的数据库中进行检索。
进一步地,所述车身区域的优先级级层级设置为五层,分别为最高优先级、高优先级、普通优先级、低优先级、最低优先级;最高优先级为车辆正面整体轮廓特征;高优先级为车灯特征、车牌字符特征、车标特征、车前端格栅特征、保险杠风口特征中的一个或多个;普通优先级为保险标识字符特征、年检标识字符特征、司乘人员的上半身轮廓和面部特征、悬挂件特征中的一个或多个;低优先级为天窗结构特征;最低优先级为车辆颜色特征。首先,车辆整体轮廓特征是最容易判断的,车型号不同,车辆轮廓也会不同,能够筛选出相同或近似型号的车。其次,车灯特征、车牌字符特征、车标特征、车前端格栅特征、保险杠风口特征中任何一个都能作为提取的特征信息,并且车灯特征、车牌字符特征、车标特征、车前端格栅特征、保险杠风口特征均位于车辆正面区域的中下部,为避免车辆上重复或缺失以上的信息特征,可以采取选择多个相邻的特征信息进行组合的方式提取。接下来,选择车辆正面的车前窗区域作为下一级的优先级进行提取。天窗结构特征和车辆颜色特征都是容易变化的特征,所以设置为低的优先级。
进一步地,所述数据库至少一年更新一次。以保险标识、年检标识为例,存在更新的情况,所以为了提高查找相似车辆图像的精度,有必要对数据库进行至少每年一次的更新。
进一步地,所述获取目标车辆图像中的车身区域之后,还包括步骤:在获取的目标车辆图像中的车身区域设置四个标定点,所述四个标定点分别为左侧倒车镜、右侧倒车镜、车左侧前轮胎、车右侧前轮胎;根据所述标定点对获取目标车辆图像中的车身区域进行梯形畸变校正;输出梯形畸变校正后的目标车辆图像中的车身区域。本发明采用以图搜图的方法在数据库中查找与目标车辆的车身区域相似的图像。由于摄像机使用的场地限制、安装限制等,在实际操作中摄像机要完全保持最佳的摄像角度几乎不可能,拍摄的车辆的车身区域可能会歪斜或者不在图像的中央,所以梯形校正功能就显得重要,如果不能维持最佳的画面,那么以车身区域的图像为基础的以图搜图方法的精度会降低。本发明矫正的方法采用梯形矫正方法,在车身区域选择依次连接为梯形的四个标定点。与方法为选择依次连接为矩形的四个标定点的矩形矫正相比,梯形矫正的矫正效果更好。
进一步地,所述获取目标车辆图像中的车身区域之前,还包括步骤:获取车道线图像,判断车道线图像进行几何校正处理前后是否一致;若几何校正处理前后车道线图像不一致,则校正获取车道线图像的摄像头位置。本发明需要矫正获取的目标车辆图像,在获取的目标车辆图像中包含车道线,所以对于车道线,可以预先一次性矫正完毕,根据矫正的结果固定摄像头位置。
进一步地,所述数据库根据车身后面的图像确定,包括获取每张车辆的车身后面的图像,提取每张车辆的车身后面的图像的特征存储到数据库中;所述提取目标车辆图像中的车身区域的特征包括车辆后面整体轮廓特征、行李框特征、车牌字符特征、车尾镀铬字字符特征、车贴特征。本发明中的数据库还可以是包括车身后面的图像的数据库。
本发明的有益效果在于基于数据库的车辆以图搜图方法可以有效地的解决深度学习带来的复杂、大量计算、成本等问题,不需要考虑深度学习所带来的复杂计算、模型验证的等问题,并基于数据库的以图搜图可以在秒级检索相似度很高的图片出来。对车身区域的特征进行等于优先级划分,先提取特征明显的或容易提取的,并且对获取目标车辆图像进行矫正,这些都提高了从卡口数据库中查找相似车辆图像的精度;每次检索在上一次检索得到的相似的图像中进行检索,提高从卡口数据库中查找相似车辆图像的速度。
附图说明
图1为本发明方法一个实施例的流程图。
图2为一个卡口图像示意图。
具体实施方式
以下结合附图对本发明进行进一步说明。
实施例一
一种基于数据库的车辆以图搜图方法,如图1所示,包括步骤:
S1.获取目标车辆图像中的车身区域;
S2.提取目标车辆图像中的车身区域的特征并显示所述特征;
S3.根据车身区域的特征检索数据库,得到与所述目标车辆的车身区域相似的图像。
本发明获取目标车辆图像中的车身区域,接着从所述目标车辆图像中的车身区域中提取目标车辆图像的特征信息并显示特征信息,目标车辆图像的特征,可以包括车辆品牌、车辆子品牌、车身颜色、车辆类型、车牌颜色、车牌类型、纸巾盒、挂饰等特征。根据目标车辆图像的特征,查询数据库中存储的样本记录,从而得到所述目标车辆的车身区域相似的图像。另外,从数据中得到其车辆特征与目标车辆的车身区域特征进行相似度比较,按相似度由高到低排列从数据库中获取数据。基于数据库的车辆以图搜图方法可以有效地的解决深度学习带来的复杂、大量计算、成本等问题,不需要考虑深度学习所带来的复杂计算、模型验证的等问题,基于数据库的以图搜图可以在秒级检索相似度很高的图片出来。
具体地,所述数据库根据卡口系统中的车辆图像确定,包括步骤:获取卡口系统中每张车辆图像;提取卡口系统中每张车辆图像的特征存储到数据库中。获取卡口图像并通过识别出来的目标车辆特征存储到数据库中。卡口系统采用先进的光电技术、图像处理技术、模式识别技术对过往的每一辆汽车均拍下车辆的图像,所采集到的卡口图像均保存在服务器数据库中。获取卡口图像并通过识别出来的目标车辆特征存储到数据库中。
实施例二
实施例二包括如图1所示的一种基于数据库的车辆以图搜图方法。具体地,所述提取目标车辆图像中的车身区域的特征,根据车身区域的特征检索数据库,得到与所述目标车辆的车身区域相似的图像的步骤包括:将车身区域的特征划分为若干个优先级层级,按照优先级的层级,提取车身区域的特征,根据所述车身区域的特征检索,得到与所述目标车辆的车身区域的特征相似的图像,车身区域特征的检索范围为上一层级优先级车身区域的特征所检索到的相似的图像,最高级优先级车身区域的特征的检索范围为数据库。为了提高了从卡口数据库中查找相似车辆图像的精度,有必要对车身区域的特征进行等于划分,明确先提取哪些区域,后识别哪些区域,一般来说,先提取特征明显的车身区域或者容易提取的车身区域。为了提高从卡口数据库中查找相似车辆图像的速度,每次检索在上一次检索得到的相似的图像中进行检索,则无需每次都在数据量庞大的数据库中检索。实施例二将所述车身区域的优先级级层级设置为五层,分别为最高优先级、高优先级、普通优先级、低优先级、最低优先级;最高优先级为车辆正面整体轮廓特征;高优先级为车灯特征、车牌字符特征、车标特征、车前端格栅特征、保险杠风口特征中的一个或多个;普通优先级为保险标识字符特征、年检标识字符特征、司乘人员的上半身轮廓和面部特征、悬挂件特征中的一个或多个;低优先级为天窗结构特征;最低优先级为车辆颜色特征。首先,车辆整体轮廓特征是最容易判断的,车型号不同,车辆轮廓也会不同,则就能够筛选出相同或近似型号的车。其次,车灯特征、车牌字符特征、车标特征、车前端格栅特征、保险杠风口特征中任何一个都能作为提取的特征信息,并且车灯特征、车牌字符特征、车标特征、车前端格栅特征、保险杠风口特征均位于车辆正面区域的中下部,为避免车辆上重复或缺失以上的信息特征,可以采取选择多个相邻的特征信息进行组合的方式提取。如图2所示,可以选择图框所示的组合方式,框选的区域从上至下依次为车标、保险杠风口与车牌,特点在于,三个框选区域是相邻相近的,所以可以一并提取。接下来,选择车辆正面的车前窗区域作为下一级的优先级进行提取。天窗结构特征和车辆颜色特征都是容易变化的特征,所以设置为较低的优先级。优选地,所述数据库至少一年更新一次。以保险标识、年检标识为例,存在更新的情况,所以为了提高查找相似车辆图像的精度,有必要对数据库进行更新。
所述获取目标车辆图像中的车身区域之后,还包括步骤:在获取的目标车辆图像中的车身区域设置四个标定点,所述四个标定点分别为左侧倒车镜、右侧倒车镜、车左侧前轮胎、车右侧前轮胎;根据所述标定点对获取目标车辆图像中的车身区域进行梯形畸变校正;输出梯形畸变校正后的目标车辆图像中的车身区域。本发明采用以图搜图的方法在数据库中查找与目标车辆的车身区域相似的图像。由于摄像机使用的场地限制、安装限制等,在实际操作中摄像机要完全保持最佳的摄像角度几乎不可能,拍摄的车辆的车身区域可能会歪斜或者不在图像的中央,所以梯形校正功能就显得重要,如果不能维持最佳的画面,那么以车身区域的图像为基础的以图搜图方法的精度会降低。本发明矫正的方法采用梯形矫正方法,在车身区域选择依次连接为梯形的四个标定点。与方法为选择依次连接为矩形的四个标定点的矩形矫正相比,梯形矫正的优点在于矫正效果更好。 所述获取目标车辆图像中的车身区域之前,还包括步骤:获取车道线图像,判断车道线图像进行几何校正处理前后是否一致;若几何校正处理前后车道线图像不一致,则校正获取车道线图像的摄像头位置。本发明需要矫正获取的目标车辆图像在获取的目标车辆图像中包含车道线,所以对于车道线,可以预先一次性矫正完毕,固定好摄像头位置。
实施例三
实施例三包括如图1所示的一种基于数据库的车辆以图搜图方法,不同于实施例一的是,实施例三中的数据库是包括车身后面的图像的数据库。所述数据库根据车身后面的图像确定,包括获取每张车辆的车身后面的图像,提取每张车辆的车身后面的图像的特征存储到数据库中;所述提取目标车辆图像中的车身区域的特征包括车辆后面整体轮廓特征、行李框特征、车牌字符特征、车尾镀铬字字符特征、车贴特征。
基于数据库的车辆以图搜图方法可以有效地的解决深度学习带来的复杂、大量计算、成本等问题,不需要考虑深度学习所带来的复杂计算、模型验证的等问题,并基于数据库的以图搜图可以在秒级检索相似度很高的图片出来。对车身区域的特征进行等于优先级划分,先提取特征明显的或容易提取的,并且对获取目标车辆图像进行矫正,这些都提高了从卡口数据库中查找相似车辆图像的精度;每次检索在上一次检索得到的相似的图像中进行检索,提高从卡口数据库中查找相似车辆图像的速度。
Claims (8)
1.一种基于数据库的车辆以图搜图方法,其特征在于,包括步骤:
获取目标车辆图像中的车身区域;
提取目标车辆图像中的车身区域的特征并显示所述特征;
根据车身区域的特征检索数据库,得到与所述目标车辆的车身区域相似的图像。
2.根据权利要求1所述的一种基于数据库的车辆以图搜图方法,其特征在于,所述数据库根据卡口系统中的车辆图像确定,包括步骤:
获取卡口系统中每张车辆图像;
提取卡口系统中每张车辆图像的特征存储到数据库中。
3.根据权利要求1所述的一种基于数据库的车辆以图搜图方法,其特征在于,所述提取目标车辆图像中的车身区域的特征,根据车身区域的特征检索数据库,得到与所述目标车辆的车身区域相似的图像的步骤包括:
将车身区域的特征划分为若干个优先级层级,按照优先级的层级,提取车身区域的特征,根据所述车身区域的特征检索,得到与所述目标车辆的车身区域的特征相似的图像,车身区域特征的检索范围为上一层级优先级车身区域的特征所检索到的相似的图像,最高级优先级车身区域的特征的检索范围为数据库。
4.根据权利要求3所述的一种基于数据库的车辆以图搜图方法,其特征在于,所述车身区域的优先级层级设置为五层,分别为最高优先级、高优先级、普通优先级、低优先级、最低优先级;
最高优先级为车辆正面整体轮廓特征;
高优先级为车灯特征、车牌字符特征、车标特征、车前端格栅特征、保险杠风口特征中的一个或多个;
普通优先级为保险标识字符特征、年检标识字符特征、司乘人员的上半身轮廓和面部特征、悬挂件特征中的一个或多个;
低优先级为天窗结构特征;
最低优先级为车辆颜色特征。
5.根据权利要求4所述的一种基于数据库的车辆以图搜图方法,其特征在于,所述数据库至少一年更新一次。
6.根据权利要求1所述的一种基于数据库的车辆以图搜图方法,其特征在于,所述获取目标车辆图像中的车身区域之后,还包括步骤:
在获取的目标车辆图像中的车身区域设置四个标定点,所述四个标定点分别为左侧倒车镜、右侧倒车镜、车左侧前轮胎、车右侧前轮胎;
根据所述标定点对获取目标车辆图像中的车身区域进行梯形畸变校正;
输出梯形畸变校正后的目标车辆图像中的车身区域。
7.根据权利要求1所述的一种基于数据库的车辆以图搜图方法,其特征在于,所述获取目标车辆图像中的车身区域之前,还包括步骤:
获取车道线图像,判断车道线图像进行几何校正处理前后是否一致;
若几何校正处理前后车道线图像不一致,则校正获取车道线图像的摄像头位置。
8.根据权利要求1所述的一种基于数据库的车辆以图搜图方法,其特征在于,所述数据库根据车身后面的图像确定,包括获取每张车辆的车身后面的图像,提取每张车辆的车身后面的图像的特征存储到数据库中;
所述提取目标车辆图像中的车身区域的特征包括车辆后面整体轮廓特征、行李框特征、车牌字符特征、车尾镀铬字字符特征、车贴特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810343167.6A CN108595576A (zh) | 2018-04-17 | 2018-04-17 | 一种基于数据库的车辆以图搜图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810343167.6A CN108595576A (zh) | 2018-04-17 | 2018-04-17 | 一种基于数据库的车辆以图搜图方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108595576A true CN108595576A (zh) | 2018-09-28 |
Family
ID=63622835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810343167.6A Pending CN108595576A (zh) | 2018-04-17 | 2018-04-17 | 一种基于数据库的车辆以图搜图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108595576A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059101A (zh) * | 2019-04-16 | 2019-07-26 | 北京科基中意软件开发有限公司 | 一种基于图像识别的车辆数据查找系统和查找方法 |
CN111444363A (zh) * | 2020-03-02 | 2020-07-24 | 高新兴科技集团股份有限公司 | 一种图片检索方法、装置、终端设备及存储介质 |
CN111666789A (zh) * | 2019-03-07 | 2020-09-15 | 高新兴科技集团股份有限公司 | 一种基于以图搜图的一车多牌分析方法及系统 |
CN111814751A (zh) * | 2020-08-14 | 2020-10-23 | 深延科技(北京)有限公司 | 基于深度学习目标检测和图像识别的车辆属性分析方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354273A (zh) * | 2015-10-29 | 2016-02-24 | 浙江高速信息工程技术有限公司 | 一种快速检索高速公路逃费车辆高相似度图像的方法 |
CN106557579A (zh) * | 2016-11-28 | 2017-04-05 | 中通服公众信息产业股份有限公司 | 一种基于卷积神经网络的车辆型号检索系统及方法 |
CN106981082A (zh) * | 2017-03-08 | 2017-07-25 | 驭势科技(北京)有限公司 | 车载摄像头标定方法、装置及车载设备 |
CN107729502A (zh) * | 2017-10-18 | 2018-02-23 | 公安部第三研究所 | 一种卡口车辆个性化特征智能检索系统及方法 |
-
2018
- 2018-04-17 CN CN201810343167.6A patent/CN108595576A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354273A (zh) * | 2015-10-29 | 2016-02-24 | 浙江高速信息工程技术有限公司 | 一种快速检索高速公路逃费车辆高相似度图像的方法 |
CN106557579A (zh) * | 2016-11-28 | 2017-04-05 | 中通服公众信息产业股份有限公司 | 一种基于卷积神经网络的车辆型号检索系统及方法 |
CN106981082A (zh) * | 2017-03-08 | 2017-07-25 | 驭势科技(北京)有限公司 | 车载摄像头标定方法、装置及车载设备 |
CN107729502A (zh) * | 2017-10-18 | 2018-02-23 | 公安部第三研究所 | 一种卡口车辆个性化特征智能检索系统及方法 |
Non-Patent Citations (1)
Title |
---|
郑宏达等著: "《人工智能视频分析 智能终端的崛起》", 31 August 2017, 杭州:浙江工商大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666789A (zh) * | 2019-03-07 | 2020-09-15 | 高新兴科技集团股份有限公司 | 一种基于以图搜图的一车多牌分析方法及系统 |
CN110059101A (zh) * | 2019-04-16 | 2019-07-26 | 北京科基中意软件开发有限公司 | 一种基于图像识别的车辆数据查找系统和查找方法 |
CN111444363A (zh) * | 2020-03-02 | 2020-07-24 | 高新兴科技集团股份有限公司 | 一种图片检索方法、装置、终端设备及存储介质 |
CN111444363B (zh) * | 2020-03-02 | 2023-03-17 | 高新兴科技集团股份有限公司 | 一种图片检索方法、装置、终端设备及存储介质 |
CN111814751A (zh) * | 2020-08-14 | 2020-10-23 | 深延科技(北京)有限公司 | 基于深度学习目标检测和图像识别的车辆属性分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729818B (zh) | 一种基于深度学习的多特征融合车辆重识别方法 | |
CN108595576A (zh) | 一种基于数据库的车辆以图搜图方法 | |
CN109857889B (zh) | 一种图像检索方法、装置、设备及可读存储介质 | |
CN105160309B (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
CN103578119B (zh) | 基于超像素的Codebook动态场景中目标检测方法 | |
CN106250870B (zh) | 一种联合局部和全局相似性度量学习的行人再识别方法 | |
CN102289686B (zh) | 一种基于迁移学习的运动目标分类识别方法 | |
CN102662949B (zh) | 一种基于多特征融合的指定目标检索方法及系统 | |
CN106557579B (zh) | 一种基于卷积神经网络的车辆型号检索系统及方法 | |
CN109886238A (zh) | 基于语义分割的无人机航拍图像变化检测算法 | |
CN104598885B (zh) | 街景图像中的文字标牌检测与定位方法 | |
CN107103314B (zh) | 一种基于机器视觉的套牌车辆检索识别系统 | |
CN107341517A (zh) | 一种基于深度学习层级间特征融合的多尺度小物体检测方法 | |
CN106650731A (zh) | 一种鲁棒的车牌、车标识别方法 | |
CN103324677B (zh) | 一种可分级的快速图像gps位置估计方法 | |
CN110111338A (zh) | 一种基于超像素时空显著性分割的视觉跟踪方法 | |
CN107016362B (zh) | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统 | |
CN103679205B (zh) | 基于阴影假设和分层hog对称特征验证的前车检测方法 | |
CN111967313B (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
CN109948690A (zh) | 一种基于深度学习和结构信息的高铁场景感知方法 | |
CN104156734A (zh) | 一种基于随机蕨分类器的全自主在线学习方法 | |
Xia et al. | The study of license plate character segmentation algorithm based on vetical projection | |
CN107273832A (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 | |
CN110009015A (zh) | 基于轻量化网络和半监督聚类的高光谱小样本分类方法 | |
CN106971397B (zh) | 基于改进jseg算法的城市高分辨率遥感影像分割方法 |
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: 20180928 |
|
RJ01 | Rejection of invention patent application after publication |