CN108717789A - 一种车辆样本的采集标注方法及装置 - Google Patents

一种车辆样本的采集标注方法及装置 Download PDF

Info

Publication number
CN108717789A
CN108717789A CN201810683947.5A CN201810683947A CN108717789A CN 108717789 A CN108717789 A CN 108717789A CN 201810683947 A CN201810683947 A CN 201810683947A CN 108717789 A CN108717789 A CN 108717789A
Authority
CN
China
Prior art keywords
vehicle
sample
identified
obu
picture frame
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
CN201810683947.5A
Other languages
English (en)
Inventor
吴继葵
杨耿
周正锦
何小川
苏世耀
赵烈庆
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 CN201810683947.5A priority Critical patent/CN108717789A/zh
Publication of CN108717789A publication Critical patent/CN108717789A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及了一种车辆样本的采集标注方法及装置，该采集标注方法包括：获取摄像头所拍摄的视频流，并对视频流中第一时间对应的图片帧中的车辆进行识别，且对识别出的车辆位置进行标识；从路侧单元获取OBU中存储的车辆信息及第一时间的OBU的定位信息；将图片帧中标识出的车辆位置与所述OBU的定位信息进行匹配，并判断是否匹配成功；若匹配成功，则对图片帧中标识出的车辆位置与所述OBU中存储的车辆信息进行融合，以形成车辆样本。实施本发明的技术方案，提高样本标注效率，降低样本的误标注率。

Description

一种车辆样本的采集标注方法及装置
技术领域
本发明涉及智慧交通领域，尤其涉及一种车辆样本的采集标注方法及装置。
背景技术
随着技术的发展，人工智能技术已经发展到一定的深度。如今，人工智能技术的大部分算法的基本框架是开源的，所以大部分企业的竞争力不在于算法和人才。真正决定企业核心竞争力的是海量的行业数据，没有海量数据，算法本身无法得到广泛验证，从而算法模型的鲁棒性和兼容性得不到保障。所以在人工智能时代，行业数据是最关键的战略资源之一。
目前，高速公路偷逃通行费问题依旧广泛存在，而且高速公路ETC也存在一系列问题，例如大车小标、跟车干扰等。业主迫切需要可行的方法解决这一系列问题。人工智能车辆检测识别结合ETC相控阵天线提供的车载单元(OBU)定位及OBU对应的车辆信息，可以实现车辆外部信息(车型、车牌、车标、车辆细节特征)及OBU一一匹配，能够有效解决高速公路ETC大车小标、套牌换牌、跟车干扰等问题。
高速公路的人工智能车辆检测识别应用需要海量行业数据(车辆图片及其对应的车辆信息)作为支撑。目前在该领域，人工智能应用的样本主要是通过人工手动标注形成样本数据，人工标注的方式效率低且容易出错。
发明内容
本发明要解决的技术问题在于，针对现有技术中人工标注的方式效率低且容易出错的缺陷，提供一种车辆样本的采集标注方法及装置。
本发明解决其技术问题所采用的技术方案是：构造一种车辆样本的采集标注方法，包括：
获取摄像头所拍摄的视频流，并对视频流中第一时间对应的图片帧中的车辆进行识别，且对识别出的车辆位置进行标识；
从路侧单元获取OBU中存储的车辆信息及第一时间的OBU的定位信息；
将图片帧中标识出的车辆位置与所述OBU的定位信息进行匹配，并判断是否匹配成功；
若匹配成功，则对图片帧中标识出的车辆位置与所述OBU中存储的车辆信息进行融合，以形成车辆样本。
优选地，将图片帧中标识出的车辆位置与所述OBU的定位信息进行匹配，并判断是否匹配成功，包括：
将OBU的定位信息转换成图片帧中的定位点；
判断所述定位点是否位于图片帧中标识出的车辆位置内。
优选地，将图片帧中标识出的车辆位置与所述OBU的定位信息进行匹配，并判断是否匹配成功，包括：
将图片帧中标识出的车辆位置转换成车辆的位置范围信息；
判断所述定位信息是否位于车辆的位置范围信息内。
优选地，在形成车辆样本之后，还包括：
显示所述车辆样本；
判断是否接收到用户输入的修正信息；
若接收到修正信息，则根据所述修正信息修正所述车辆样本。
优选地，还包括：
预先通过人工标注的方式建立初版样本库，并利用所述初版样本库训练车辆检测模型，所述车辆检测模型用于对视频流中第一时间对应的图片帧中的车辆进行识别，所述初版样本库包括多个车辆样本。
优选地，在训练出车辆检测模型之后，还包括：
将初版样本库中的车辆样本输入所述车辆检测模型，并判断所输出的识别结果的成功率是否大于预设值；
若不大于预设值，则扩大初版样本库，并利用扩大后的初版样本库训练车辆检测模型。
本发明还构造一种车辆样本的采集标注装置，包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如以上所述的车辆样本的采集标注方法的步骤。
本发明还构造一种车辆样本的采集标注装置，与摄像头及路侧单元相连，还括：
第一处理模块，用于获取摄像头所拍摄的视频流，并对视频流中第一时间对应的图片帧中的车辆进行识别，且对识别出的车辆位置进行标识；
第二处理模块，用于从路侧单元获取OBU中存储的车辆信息及第一时间的OBU的定位信息；
匹配处理模块，用于将图片帧中标识出的车辆位置与所述OBU的定位信息进行匹配，并判断是否匹配成功；
样本生成模块，用于在匹配成功时，对图片帧中标识出的车辆位置与所述OBU中存储的车辆信息进行融合，以形成车辆样本。
优选地，还包括：
显示模块，用于显示所述车辆样本；
输入模块，用于接收用户输入的修正信息；
修正模块，用于在接收到修正信息时，根据所述修正信息修正所述车辆样本
优选地，还包括：
模型建立模块，用于预先通过人工标注的方式建立初版样本库，并利用所述初版样本库训练车辆检测模型，所述车辆检测模型用于对视频流中第一时间对应的图片帧中的车辆进行识别，所述初版样本库包括多个车辆样本。
实施本发明的技术方案，具有以下有益效果：
1.提高样本标注效率，减少人工机械化的工作，降低人工成本，提高人力劳动的价值；
2.降低样本的误标注率，提高样本的可靠性(因为样本标注是简单重复的工作，人工会有较高的错误率)，为人工智能算法验证和相关应用提供高可靠性、高兼容性的样本库。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例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是本发明车辆样本的采集标注方法实施例一的流程图；
图2是本发明车辆样本的采集标注装置实施例一的结构图；
图3是本发明车辆样本的采集标注装置实施例二的逻辑结构图。
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。
图1是本发明本发明车辆样本的采集标注方法实施例一的流程图，该实施例的采集标注方法应用在采集标注装置中，该采集标注装置与摄像头、ETC系统中的路侧单元通讯连接，而且，摄像头的拍摄区域与路侧单元的相控阵天线的辐射区域至少部分重叠。该实施例的采集标注方法包括以下步骤：
S11.获取摄像头所拍摄的视频流，并对视频流中第一时间对应的图片帧中的车辆进行识别，且对识别出的车辆位置进行标识；
在该步骤中，实时地从摄像头接收视频流，视频流包括多个时间下的图片帧，然后利用预先建立的车辆检测模型对视频流中第一时间对应的图片帧中的车辆进行图像识别，然后可使用预设的标识框(例如矩形框)对车辆位置进行标识。
S12.从路侧单元获取OBU中存储的车辆信息及第一时间的OBU的定位信息；
在该步骤中，实时地从路侧单元读取OBU中包含的车辆信息，以及读取OBU的定位信息形成定位信息流，定位信息流包括多个多个时间下的定位信息。另外，需说明的是，该步骤与步骤S11并无时间顺序关系，在其它实施例中，可先执行步骤S12，再执行步骤S11；或者，两者同时执行。
S13.将图片帧中标识出的车辆位置与所述OBU的定位信息进行匹配，并判断是否匹配成功，若是，则执行步骤S14；若否，则执行步骤S15；
在该步骤中，车辆的识别结果与OBU数据的匹配处理是进行车辆样本采集标注的重要环节。应理解，在执行该步骤前，需提前部署匹配算法，以实现相应时间下图片帧中标识出的车辆位置与OBU的定位信息的匹配处理。
S14.对图片帧中标识出的车辆位置与所述OBU中存储的车辆信息进行融合，以形成车辆样本；可以理解的，通过图片帧除了可以识别出车辆的位置外，还可以识别出车型等车辆特征。因此在其他实施例中，车辆样本还可以包括图片帧中标识出的车辆特征。为了方便观察，融合后的车辆样本可以为在图片帧中标记车辆范围并标记车辆特征、车辆信息等。
S15.丢弃数据。
在该实施例中，通过结合人工智能车辆识别技术和ETC技术来获取标注有车辆基本信息(例如车牌、车型、车标等)的车辆图片样本，其中，使用人工智能技术对车辆进行图像识别，并结合ETC系统返回的车辆信息(OBU登记的车辆信息，如车牌、车型)，对识别出来的车辆进行相应的标注形成由多特征精确的样本构成的样本库，为更多和车辆相关的高速公路、城市道路等人工智能运用场景提供兼容性更高的样本，提升企业的竞争力，并能够带来一定的经济效益。
而且，这种标注方法相对于人工标注方法，具有以下有益效果：
1.提高样本标注效率，减少目前行业样本获取的人工投入，减少人工机械化的工作，降低人工成本，提高人力劳动的价值；
2.降低样本的误标注率，提高样本的可靠性(因为样本标注是简单重复的工作，人工会有较高的错误率)，为人工智能算法验证和相关应用提供高可靠性、高兼容性的样本库。
在一个可选实施例中，步骤S13包括：
将OBU的定位信息转换成图片帧中的定位点；
判断所述定位点是否位于图片帧中标识出的车辆位置内。
在该实施例中，首先说明的是，由于摄像头的安装位置及角度固定，其拍摄区域也是固定的，即，图片帧的显示区域是固定的，所以，可将第一时间下的OBU的定位信息转换成第一时间下的图片帧中的定位点。然后，再判断定位点是否位于图片帧中标识出的车辆位置内，即，判断定位点是否落入车辆标识框内。
在一个可选实施例中，步骤S13包括：
将图片帧中标识出的车辆位置转换成车辆的位置范围信息；
判断所述定位信息是否位于车辆的位置范围信息内。
在该实施例中，同样需说明的是，由于摄像头的安装位置及角度固定，其拍摄区域也是固定的，所以，可将第一时间下的图片帧中标识出的车辆位置转换成车辆的实际位置范围信息。然后，再判断第一时间下的定位信息是否位于第一时间下的车辆的位置范围信息内。
在上述实施例的基础上，进一步地，在步骤S14之后，还包括以下步骤：
显示所述车辆样本；
判断是否接收到用户输入的修正信息；
若接收到修正信息，则根据所述修正信息修正所述车辆样本。
在该实施例中，为进一步提高样本信息的精确度，在形成车辆样本后，还可加入人工批量审阅环节，具体地，向工作人员显示所形成的车辆样本，由人工对该些车辆样本进行审阅，如果发现误标记，工作人员可输入修正信息，然后根据输入的修正信息修正误标记的车辆样本，当车辆样本审核有效后再加入样本库。
在上述实施例的基础上，进一步地，还包括以下步骤：
预先通过人工标注的方式建立初版样本库，并利用所述初版样本库训练车辆检测模型，所述车辆检测模型用于对视频流中第一时间对应的图片帧中的车辆进行识别，所述初版样本库包括多个车辆样本。
在该实施例中，在进行步骤S11之前，先建立含有一定量车辆样本的初版样本库，该样本库可包含OBU中存储的车辆信息，也可不包含。然后，利用初版样本库训练出车辆检测模型，该车辆检测模型最小的功能要求是能够区分高速公路上的车辆与环境，即，实现车辆的检测识别，当然，也可进一步对车辆的其他信息(例如车型、车牌、车标等)进行识别。
在一个可选实施例中，可基于Region CNN(Region-based Convolutional NeuralNetwork，区域卷积神经网络)算法、faster R-CNN(FasterRegion-based ConvolutionalNeural Network，快速区域卷积神经网络算法)方法、YOLO(You Only Look Once)网络或SSD(Single Deep Nerual Network)深度学习框架来建立车辆检测模型。
关于SSD深度学习框架，需说明的是，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。下面说明采用SSD深度学习框架建立车辆检测模型的过程，具体包括以下步骤：
预先采集覆盖区域内的图片生成复数个训练图片数据；
对所述训练图片数据进行预处理；
对复数个预处理过的所述训练图片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，最终得到获得所述车辆检测模型。
在该实施例中，SSD深度学习属于有监督学习，先在现场采集得到2000张不同车辆的样本图片，通过人工对样本中的车辆进行框定标识工作，即对样本中的车辆位置进行车辆标识。然后将标识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，获得到相对应的车辆检测模型。
进一步地，在训练出车辆检测模型之后，还包括以下步骤：
将初版样本库中的车辆样本输入所述车辆检测模型，并判断所输出的识别结果的成功率是否大于预设值；
若不大于预设值，则扩大初版样本库，并利用扩大后的初版样本库训练车辆检测模型。
在该实施例中，当训练出车辆检测模型之后，还进一步根据初版样本库中的车辆样本对车辆检测模型进行测试，如果成功率较高，例如大于预设值98％，则可使用该车辆检测模型对视频流中的车辆进行识别；如果成功率不高，则需要扩大初版样本库，以对初版样本库进行优化，然后再利用扩大后的初版样本库继续训练车辆检测模型，直至车辆检测模型在测试时的成功率达到预设值。
图2是本发明车辆样本的采集标注装置实施例一的结构图，该实施例的采集标注装置包括处理器10和存储器20，而且，处理器10用于执行存储器20中存储的计算机程序时实现如上述实施例的车辆样本的采集标注方法的步骤。
图3是本发明车辆样本的采集标注装置实施例二的逻辑结构图，该实施例的采集标注装置与摄像头及路侧单元相连，摄像头的拍摄区域与路侧单元相控阵天线的有效区域至少部分重叠。该实施例的采集标注装置还括：第一处理模块11、第二处理模块12、匹配处理模块13及样本生成模块14。其中，第一处理模块11用于获取摄像头所拍摄的视频流，并对视频流中第一时间对应的图片帧中的车辆进行识别，且对识别出的车辆位置进行标识；第二处理模块12用于从路侧单元获取OBU中存储的车辆信息及第一时间的OBU的定位信息；匹配处理模块13用于将图片帧中标识出的车辆位置与所述OBU的定位信息进行匹配，并判断是否匹配成功；样本生成模块14用于在匹配成功时，对图片帧中标识出的车辆位置与所述OBU中存储的车辆信息进行融合，以形成车辆样本。
进一步地，本发明的车辆样本的采集标注装置还包括：显示模块、输入模块和修正模块，而且，显示模块用于显示所述车辆样本；输入模块用于接收用户输入的修正信息；修正模块用于在接收到修正信息时，根据所述修正信息修正所述车辆样本。
进一步地，本发明的车辆样本的采集标注装置还包括：模型建立模块，该模型建立模块用于预先通过人工标注的方式建立初版样本库，并利用所述初版样本库训练车辆检测模型，所述车辆检测模型用于对视频流中第一时间对应的图片帧中的车辆进行识别，所述初版样本库包括多个车辆样本。
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)

1.一种车辆样本的采集标注方法，其特征在于，包括：
获取摄像头所拍摄的视频流，并对视频流中第一时间对应的图片帧中的车辆进行识别，且对识别出的车辆位置进行标识；
从路侧单元获取OBU中存储的车辆信息及第一时间的OBU的定位信息；
将图片帧中标识出的车辆位置与所述OBU的定位信息进行匹配，并判断是否匹配成功；
若匹配成功，则对图片帧中标识出的车辆位置与所述OBU中存储的车辆信息进行融合，以形成车辆样本。
2.根据权利要求1所述的车辆样本的采集标注方法，其特征在于，将图片帧中标识出的车辆位置与所述OBU的定位信息进行匹配，并判断是否匹配成功，包括：
将OBU的定位信息转换成图片帧中的定位点；
判断所述定位点是否位于图片帧中标识出的车辆位置内。
3.根据权利要求1所述的车辆样本的采集标注方法，其特征在于，将图片帧中标识出的车辆位置与所述OBU的定位信息进行匹配，并判断是否匹配成功，包括：
将图片帧中标识出的车辆位置转换成车辆的位置范围信息；
判断所述定位信息是否位于车辆的位置范围信息内。
4.根据权利要求1-3任一项所述的车辆样本的采集标注方法，其特征在于，在形成车辆样本之后，还包括：
显示所述车辆样本；
判断是否接收到用户输入的修正信息；
若接收到修正信息，则根据所述修正信息修正所述车辆样本。
5.根据权利要求1所述的车辆样本的采集标注方法，其特征在于，还包括：
预先通过人工标注的方式建立初版样本库，并利用所述初版样本库训练车辆检测模型，所述车辆检测模型用于对视频流中第一时间对应的图片帧中的车辆进行识别，所述初版样本库包括多个车辆样本。
6.根据权利要求5所述的车辆样本的采集标注方法，其特征在于，在训练出车辆检测模型之后，还包括：
将初版样本库中的车辆样本输入所述车辆检测模型，并判断所输出的识别结果的成功率是否大于预设值；
若不大于预设值，则扩大初版样本库，并利用扩大后的初版样本库训练车辆检测模型。
7.一种车辆样本的采集标注装置，包括处理器和存储器，其特征在于，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1-6任一项所述的车辆样本的采集标注方法的步骤。
8.一种车辆样本的采集标注装置，与摄像头及路侧单元相连，其特征在于，还括：
第一处理模块，用于获取摄像头所拍摄的视频流，并对视频流中第一时间对应的图片帧中的车辆进行识别，且对识别出的车辆位置进行标识；
第二处理模块，用于从路侧单元获取OBU中存储的车辆信息及第一时间的OBU的定位信息；
匹配处理模块，用于将图片帧中标识出的车辆位置与所述OBU的定位信息进行匹配，并判断是否匹配成功；
样本生成模块，用于在匹配成功时，对图片帧中标识出的车辆位置与所述OBU中存储的车辆信息进行融合，以形成车辆样本。
9.根据权利要求8所述的车辆样本的采集标注装置，其特征在于，还包括：
显示模块，用于显示所述车辆样本；
输入模块，用于接收用户输入的修正信息；
修正模块，用于在接收到修正信息时，根据所述修正信息修正所述车辆样本。
10.根据权利要求8所述的车辆样本的采集标注装置，其特征在于，还包括：
模型建立模块，用于预先通过人工标注的方式建立初版样本库，并利用所述初版样本库训练车辆检测模型，所述车辆检测模型用于对视频流中第一时间对应的图片帧中的车辆进行识别，所述初版样本库包括多个车辆样本。
CN201810683947.5A 2018-06-28 2018-06-28 一种车辆样本的采集标注方法及装置 Pending CN108717789A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810683947.5A CN108717789A (zh) 2018-06-28 2018-06-28 一种车辆样本的采集标注方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810683947.5A CN108717789A (zh) 2018-06-28 2018-06-28 一种车辆样本的采集标注方法及装置

Publications (1)

Publication Number Publication Date
CN108717789A true CN108717789A (zh) 2018-10-30

Family

ID=63913320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810683947.5A Pending CN108717789A (zh) 2018-06-28 2018-06-28 一种车辆样本的采集标注方法及装置

Country Status (1)

Country Link
CN (1) CN108717789A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345435A (zh) * 2018-12-07 2019-02-15 山东晴天环保科技有限公司 占道经营管理装置及方法
CN110164135A (zh) * 2019-01-14 2019-08-23 腾讯科技（深圳）有限公司 一种定位方法、定位装置及定位系统
CN110596639A (zh) * 2019-07-22 2019-12-20 深圳市金溢科技股份有限公司 车辆跟踪定位方法、信息标记方法、系统及控制终端
CN111626106A (zh) * 2020-04-17 2020-09-04 惠州市德赛西威智能交通技术研究院有限公司 一种摄像头车辆检测率统计方法及装置
CN111862623A (zh) * 2020-07-27 2020-10-30 上海福赛特智能科技有限公司 一种车辆侧面图拼接装置和方法
CN112102618A (zh) * 2020-09-14 2020-12-18 广东新时空科技股份有限公司 一种基于边缘计算的行人数量和车辆数量识别方法
CN114333347A (zh) * 2022-01-07 2022-04-12 深圳市金溢科技股份有限公司 车辆信息融合方法、装置、计算机设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574946A (zh) * 2015-12-21 2016-05-11 天津中兴智联科技有限公司 一种手持式etc读写器及其采用的rfid与ar的融合方法
CN105678322A (zh) * 2015-12-31 2016-06-15 百度在线网络技术（北京）有限公司 样本标注方法和装置
CN107578483A (zh) * 2017-08-21 2018-01-12 深圳市金溢科技股份有限公司 一种电子不停车收费交易方法、服务器及系统
US20180151063A1 (en) * 2016-11-30 2018-05-31 University Of Macau Real-time detection system for parked vehicles
CN108205895A (zh) * 2016-12-16 2018-06-26 杭州海康威视数字技术股份有限公司 一种构建车款型号训练样本图库的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574946A (zh) * 2015-12-21 2016-05-11 天津中兴智联科技有限公司 一种手持式etc读写器及其采用的rfid与ar的融合方法
CN105678322A (zh) * 2015-12-31 2016-06-15 百度在线网络技术（北京）有限公司 样本标注方法和装置
US20180151063A1 (en) * 2016-11-30 2018-05-31 University Of Macau Real-time detection system for parked vehicles
CN108205895A (zh) * 2016-12-16 2018-06-26 杭州海康威视数字技术股份有限公司 一种构建车款型号训练样本图库的方法及装置
CN107578483A (zh) * 2017-08-21 2018-01-12 深圳市金溢科技股份有限公司 一种电子不停车收费交易方法、服务器及系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345435A (zh) * 2018-12-07 2019-02-15 山东晴天环保科技有限公司 占道经营管理装置及方法
CN110164135A (zh) * 2019-01-14 2019-08-23 腾讯科技（深圳）有限公司 一种定位方法、定位装置及定位系统
CN110164135B (zh) * 2019-01-14 2022-08-02 腾讯科技（深圳）有限公司 一种定位方法、定位装置及定位系统
CN110596639A (zh) * 2019-07-22 2019-12-20 深圳市金溢科技股份有限公司 车辆跟踪定位方法、信息标记方法、系统及控制终端
CN111626106A (zh) * 2020-04-17 2020-09-04 惠州市德赛西威智能交通技术研究院有限公司 一种摄像头车辆检测率统计方法及装置
CN111862623A (zh) * 2020-07-27 2020-10-30 上海福赛特智能科技有限公司 一种车辆侧面图拼接装置和方法
CN112102618A (zh) * 2020-09-14 2020-12-18 广东新时空科技股份有限公司 一种基于边缘计算的行人数量和车辆数量识别方法
CN114333347A (zh) * 2022-01-07 2022-04-12 深圳市金溢科技股份有限公司 车辆信息融合方法、装置、计算机设备及存储介质
CN114333347B (zh) * 2022-01-07 2024-03-01 深圳市金溢科技股份有限公司 车辆信息融合方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN108717789A (zh) 一种车辆样本的采集标注方法及装置
CN110569856B (zh) 样本标注方法及装置、损伤类别的识别方法及装置
CN110501018A (zh) 一种服务于高精度地图生产的交通标志牌信息采集方法
CN107085696A (zh) 一种基于卡口图像的车辆定位及型号识别方法
CN109886928A (zh) 一种目标细胞标记方法、装置、存储介质及终端设备
CN113822247A (zh) 基于航拍影像的违章建筑识别方法及系统
CN109740479A (zh) 一种车辆重识别方法、装置、设备及可读存储介质
CN109993163A (zh) 一种基于人工智能的非标铭牌识别系统及其识别方法
CN113011331B (zh) 机动车是否礼让行人的检测方法、装置、电子设备及介质
CN109410628A (zh) 路内泊位的状态检测方法、系统及其数据处理装置
CN112487894B (zh) 基于人工智能的轨道交通保护区自动巡查方法及装置
CN110941684A (zh) 一种地图数据的生产方法、相关装置及系统
CN111008574A (zh) 一种基于形体识别技术的重点人员轨迹分析方法
CN115810134B (zh) 一种车险反欺诈的图像采集质检方法、系统和装置
CN111612058A (zh) 一种基于深度学习的人工智能学习方法
CN115035251A (zh) 一种基于领域增强合成数据集的桥面车辆实时追踪方法
CN114219073A (zh) 属性信息的确定方法、装置、存储介质及电子装置
WO2022135242A1 (zh) 虚拟定位方法及装置、虚拟定位系统
CN116363605A (zh) 一种高速公路应急车道占用检测方法
CN113824880B (zh) 一种基于目标检测和uwb定位的车辆跟踪方法
CN108847035A (zh) 车流量评估方法及装置
CN114120393A (zh) 一种基于对抗网络原理的行人道路违章检测方法及装置
CN114693722A (zh) 一种车辆行驶行为检测方法、检测装置及检测设备
CN114998689A (zh) 一种轨道数据集的生成方法、轨道识别方法和系统
CN112633163A (zh) 一种基于机器学习算法实现非法运营车辆检测的检测方法

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: 20181030

RJ01 Rejection of invention patent application after publication