CN108875803A - 一种基于视频图像的危化品运输车辆检测与识别方法 - Google Patents
一种基于视频图像的危化品运输车辆检测与识别方法 Download PDFInfo
- Publication number
- CN108875803A CN108875803A CN201810541843.0A CN201810541843A CN108875803A CN 108875803 A CN108875803 A CN 108875803A CN 201810541843 A CN201810541843 A CN 201810541843A CN 108875803 A CN108875803 A CN 108875803A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target vehicle
- detection
- harmful influence
- feature
- 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.)
- Granted
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
- 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
-
- 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
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频图像的危化品运输车辆检测与识别方法,涉及算法领域,目的在于:针对交通视频获取单帧图像,通过危化品运输车辆检测方法,提取出包含目标车辆的图像,并完成目标车辆的粗分类和定位,针对检测部分产生的结果,进一步使用识别部分进行目标车辆的细分类,得到图像中目标车辆的精确信息,从而为与汽车电子标识的信息进行融合提供准确依据。
Description
技术领域
本发明属于图像检测与识别技术领域,涉及一种基于视频图像的危化品运输车辆检测与识别方法。
背景技术
随着城市规模的不断扩大,智能交通系统(ITS)逐渐成为国内外机器视觉应用领域的一个研究热点。车辆识别是基于机器视觉的目标检测技术在智能交通系统中的重要应用,其任务就是确定目标车辆属于哪一种已知的车辆类别。但对于车辆的识别的精确度,由于受到天气、车速和光照等的影响,一直达不到很高的准确度,研究者们一直在探索,希望有朝一日能够实现准确识别车辆。
目前的二阶目标检测识别模型有R-CNN、SPPNet和Fast R-CNN等,虽然准确率高但都存在计算速度缓慢的问题。另一种是一阶目标检测识别模型,比如YOLO、YOLO9000和SSD等,提高了计算速度但是对于车辆的细分类问题的准确率依然存在瓶颈。
危化品运输车辆一直以来都是道路交通监控范围的重点,一旦发生危险,后果往往是不可控制的。所以提出一种计算速度快,细分类准确率高的基于视频图像的危化品运输车辆检测与识别的方法对于货运管理部门,交管所以及物流企业都有重要的意义。
发明内容
为解决现有技术中存在的问题,本发明的目的在于提供一种基于视频图像的危化品运输车辆检测与识别方法,该方法计算速度快,并且提高了对交通视频图像中目标的检测与识别的准确率。
为了达到上述目的,本发明采用如下技术方案:
一种基于视频图像的危化品运输车辆检测与识别方法,包括如下步骤:
步骤1,检测包含目标车辆的单帧图像,通过单帧图像对目标车辆进行粗分类,并确定目标车辆在图像中的位置;
步骤2,根据目标车辆在图像中的位置,对目标车辆进行细分类,得到图像中目标车辆的识别信息,根据目标车辆的识别信息对目标车辆进行识别。
步骤1具体包括如下步骤:
步骤1.1,将包含目标车辆的单帧图像放入深度残差网络ResNet50,得到每张图像的特征图A,特征图A包含5个层级;
步骤1.2,将特征图A放入特征金字塔网络,得到每张图像的特征图B,特征图B包含5个层级;
步骤1.3,通过区域推荐网络算法,对特征图B生成一系列锚框,每个锚框携带一个长度为K的one-hot向量,以及一个4维的边框坐标信息,其中,锚框的个数为A,K的长度是A;
步骤1.4,针对每个锚框,根据特征金字塔网络的层级的大小,从任意一个层级取得该层级对应通道的特征图,再将取得的通道的特征图经过卷积神经网络的卷积层进行处理,再采用ReLu激励函数进行处理,然后,再对ReLu激励函数处理后的结果连接一个包含K×A个3*3卷积核的卷积层,最终预测出每张图片中车辆的分类情况,完成车辆的粗分类;
并且,针对步骤1.3产生的每个锚框,使每个锚框经过全卷积网络,获得锚框和标定框的相对偏移坐标,通过相对偏移坐标确定车辆在图像中的位置。
步骤1.2中,标记特征图A的5个层级分别为C1、C2、C3、C4和C5,标记特征图B的5个层级分别为P3、P4、P5、P6和P7,C1经过特征金字塔网络得到P3,C2经过特征金字塔网络得到P4,C3经过特征金字塔网络得到P5,C4经过特征金字塔网络得到P6,C5经过特征金字塔网络得到P7。
步骤1.3中,锚框在特征图B的5个层级上的像素大小分别为32*32,64*64,128*128,256*256,512*512。
步骤1.4中,采用Sigmoid函数来对目标车辆进行粗分类。
还包括对步骤1.1至步骤1.4进行数据的训练,数据训练时采用的损失函数FL(pt)如下:
FL(pt)=-αt(1-pt)γlog(pt)
其中,γ是一个预设参数,γ≥0,pt的定义如下式:
其中,y表示人工输入的车辆的标签,1代表的是危化品运输车辆;p表示车辆粗分类时预测图像属于1的概率;
αt的定义如下式:
其中,y表示人工输入的车辆的标签,1代表的是危化品运输车辆,α是一个预设参数,0<α<1。
步骤2具体包括如下步骤:
步骤2.1,根据目标车辆在图像中的位置,然后对图像进行变换和裁剪,裁剪得到的图像包含目标车辆区域且为正方形;
步骤2.2,再使用卷积神经网络A对裁剪后的图像中目标车辆外部部位的位置进行特征提取,得到目标车辆外部部位位置的特征A1;
步骤2.3,对于步骤2.2提取的目标车辆外部部位,再使用卷积神经网络B对裁剪后的图像进行特征提取,得到包含目标车辆外部部位位置的特征B1,卷积神经网络A与卷积神经网络B不同;
步骤2.4,将特征A1和特征B1使用矩阵外积进行组合,再采用最大值池化的方法形成与裁剪得到的图像对应的双线性特征向量;
步骤2.5,根据步骤2.4所得到的双线性特征向量,使用Softmax分类器进行车辆的细分类,得到车辆种类,实现对目标车辆的识别。
步骤2.1中,对图像变换采用图像随机翻转、随机切割或反复变换的方式。
所述包含目标车辆的单帧图像为由原始交通视频所得的单帧图像。
与现有技术相比,本发明具有如下有益效果:
本发明结合了传统的直接检测方法与识别方法,先通过包含目标车辆的单帧图像对目标车辆进行粗分类,并确定目标车辆的在图像中的位置;再根据目标车辆在图像中的位置,对目标车辆进行细分类,得到图像中目标车辆的识别信息,根据目标车辆的识别信息对目标车辆进行识别。本发明在识别方法,即步骤2中,不直接使用包含目标车辆的单帧图像,而是使用经过步骤1处理之后的单帧图像。经过步骤1处理之后的单帧图像相较于未经步骤1处理的单帧图像,包含的目标车辆的范围更大,背景的范围更小,这样提取出的目标车辆的特征就更加准确,从而提高了对交通视频图像中目标车辆识别的准确率。
附图说明
图1为本发明的基于视频图像的危化品运输车辆检测与识别方法的流程图;
图2为本发明的基于视频图像的危化品运输车辆检测与识别方法的结构示意图。
具体实施方式
下面将结合附图对本发明进行详细的描述。
参照图1和图2,本发明的基于视频图像的危化品运输车辆检测与识别方法,包括如下步骤:
步骤1,检测包含目标车辆的单帧图像,通过单帧图像对目标车辆进行粗分类,并确定目标车辆在图像中的位置;步骤1具体包括如下步骤:
步骤1.1,将包含目标车辆的单帧图像放入深度残差网络ResNet50,得到每张图像的特征图A,特征图A包含5个层级;
步骤1.2,将特征图A放入特征金字塔网络,得到每张图像的特征图B,特征图B包含5个层级;
步骤1.3,通过区域推荐网络算法,对特征图B生成一系列锚框,每个锚框携带一个长度为K的one-hot向量,以及一个4维的边框坐标信息,其中,锚框的个数为A,K的长度为锚框的个数,即K的长度是A;
步骤1.4,针对每个锚框,根据特征金字塔网络的层级的大小,从任意一个层级取得该层级对应通道的特征图,再将取得的通道的特征图经过卷积神经网络的卷积层进行处理,再采用ReLu激励函数进行处理,然后,再对ReLu激励函数处理后的结果连接一个包含K×A个3*3卷积核的卷积层,最终预测出每张图片中车辆的分类情况,完成车辆的粗分类;
与此同时,针对步骤1.3产生的每个锚框,使每个锚框经过全卷积网络,获得锚框和标定框的相对偏移坐标,通过相对偏移坐标确定车辆在图像中的位置;
步骤2,根据目标车辆在图像中的位置,对目标车辆进行细分类,得到图像中目标车辆的识别信息,根据目标车辆的识别信息对目标车辆进行识别;步骤2具体包括如下步骤:
步骤2.1,根据目标车辆在图像中的位置,然后对图像进行变换和裁剪,裁剪得到的图像包含目标车辆区域且为正方形;
步骤2.2,再使用卷积神经网络A对裁剪后的图像中目标车辆外部部位的位置进行特征提取,得到目标车辆外部部位位置的特征A1;
步骤2.3,对于步骤2.2提取的目标车辆外部部位,再使用卷积神经网络B对裁剪后的图像进行特征提取,得到包含目标车辆外部部位位置的特征B1,卷积神经网络A与卷积神经网络B不同;
步骤2.4,将特征A1和特征B1使用矩阵外积进行组合,再采用最大值池化的方法形成与裁剪得到的图像对应的双线性特征向量;
步骤2.5,根据步骤2.4所得到的双线性特征向量,使用Softmax分类器进行车辆的细分类,得到车辆种类,实现对目标车辆的识别。
本发明的基于视频图像的危化品运输车辆检测与识别方法在进行识别前,需要进行数据的训练,训练包括对步骤1.1至步骤1.4进行数据的训练,数据训练时采用的损失函数FL(pt)如下:
FL(pt)=-αt(1-pt)γlog(pt)
其中,γ是一个预设参数,γ≥0,pt的定义如下式:
其中,y表示人工输入的车辆的标签,1代表的是危化品运输车辆;p表示车辆粗分类时预测图像属于1的概率;
αt的定义如下式:
其中,y表示人工输入的车辆的标签,1代表的是危化品运输车辆,α是一个预设参数,0<α<1。
实施例
本实施例按照上述的方法进行,其中,包含目标车辆的单帧图像为由原始交通视频所得的单帧图像;标记特征图A的5个层级分别为C1、C2、C3、C4和C5,标记特征图B的5个层级分别为P3、P4、P5、P6和P7,C1经过特征金字塔网络得到P3,C2经过特征金字塔网络得到P4,C3经过特征金字塔网络得到P5,C4经过特征金字塔网络得到P6,C5经过特征金字塔网络得到P7;锚框在特征图B的5个层级上的像素大小分别为32*32,64*64,128*128,256*256,512*512;采用Sigmoid函数来对目标车辆进行粗分类;对图像变换采用图像随机翻转、随机切割或反复变换的方式,以此来丰富原有的数据集。
与现有技术相比,本发明在检测方法步骤1中用到损失函数FL(pt),使得检测过程可以很有效率的区别出目标车辆和背景。在识别方法步骤2中,不直接使用从交通视频中获得的单帧图像,而是使用经过步骤1处理之后的单帧图像。经过步骤1处理之后的单帧图像相较于未步骤1处理之后的单帧图像包含的目标车辆的范围更大,背景的范围更小,这样提取出的目标车辆的特征就更加准确。步骤2.4中将特征A1和特征B1使用矩阵外积进行组合,这样会使目标车辆细小部件的特征更加突出,从而提高对交通视频图像中目标车辆识别的准确率。
本发明的方法是针对交通视频图像提出的一种危化品车辆检测与识别方法,利用深度学习相关算法,在检测部分针对从交通视频获取的单帧图像,提取出包含目标车辆的图像,并完成目标车辆的粗分类和定位,针对检测部分产生的结果,进一步使用识别部分进行目标车辆的细分类,得到图像中目标车辆的精确信息,从而为与汽车电子标识的信息进行融合提供准确依据。最后说明的是,以上优选实施例仅以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其做各种各样的改变而不要求本发明要求权限书而限定的范围。
Claims (9)
1.一种基于视频图像的危化品运输车辆检测与识别方法,其特征在于,包括如下步骤:
步骤1,检测包含目标车辆的单帧图像,通过单帧图像对目标车辆进行粗分类,并确定目标车辆在图像中的位置;
步骤2,根据目标车辆在图像中的位置,对目标车辆进行细分类,得到图像中目标车辆的识别信息,根据目标车辆的识别信息对目标车辆进行识别。
2.根据权利要求1所述的一种基于视频图像的危化品运输车辆检测与识别方法,其特征在于,步骤1具体包括如下步骤:
步骤1.1,将包含目标车辆的单帧图像放入深度残差网络ResNet50,得到每张图像的特征图A,特征图A包含5个层级;
步骤1.2,将特征图A放入特征金字塔网络,得到每张图像的特征图B,特征图B包含5个层级;
步骤1.3,通过区域推荐网络算法,对特征图B生成一系列锚框,每个锚框携带一个长度为K的one-hot向量,以及一个4维的边框坐标信息,其中,锚框的个数为A,K的长度是A;
步骤1.4,针对每个锚框,根据特征金字塔网络的层级的大小,从任意一个层级取得该层级对应通道的特征图,再将取得的通道的特征图经过卷积神经网络的卷积层进行处理,再采用ReLu激励函数进行处理,然后,再对ReLu激励函数处理后的结果连接一个包含K×A个3*3卷积核的卷积层,最终预测出每张图片中车辆的分类情况,完成车辆的粗分类;
并且,针对步骤1.3产生的每个锚框,使每个锚框经过全卷积网络,获得锚框和标定框的相对偏移坐标,通过相对偏移坐标确定车辆在图像中的位置。
3.根据权利要求2所述的一种基于视频图像的危化品运输车辆检测与识别方法,其特征在于,步骤1.2中,标记特征图A的5个层级分别为C1、C2、C3、C4和C5,标记特征图B的5个层级分别为P3、P4、P5、P6和P7,C1经过特征金字塔网络得到P3,C2经过特征金字塔网络得到P4,C3经过特征金字塔网络得到P5,C4经过特征金字塔网络得到P6,C5经过特征金字塔网络得到P7。
4.根据权利要求2所述的一种基于视频图像的危化品运输车辆检测与识别方法,其特征在于,步骤1.3中,锚框在特征图B的5个层级上的像素大小分别为32*32,64*64,128*128,256*256,512*512。
5.根据权利要求2所述的一种基于视频图像的危化品运输车辆检测与识别方法,其特征在于,步骤1.4中,采用Sigmoid函数来对目标车辆进行粗分类。
6.根据权利要求2-5任意一项所述的一种基于视频图像的危化品运输车辆检测与识别方法,其特征在于,还包括对步骤1.1至步骤1.4进行数据的训练,数据训练时采用的损失函数FL(pt)如下:
FL(pt)=-αt(1-pt)γlog(pt)
其中,γ是一个预设参数,γ≥0,pt的定义如下式:
其中,y表示人工输入的车辆的标签,1代表的是危化品运输车辆;p表示车辆粗分类时预测图像属于1的概率;
αt的定义如下式:
其中,y表示人工输入的车辆的标签,1代表的是危化品运输车辆,α是一个预设参数,0<α<1。
7.根据权利要求1所述的一种基于视频图像的危化品运输车辆检测与识别方法,其特征在于,步骤2具体包括如下步骤:
步骤2.1,根据目标车辆在图像中的位置,然后对图像进行变换和裁剪,裁剪得到的图像包含目标车辆区域且为正方形;
步骤2.2,再使用卷积神经网络A对裁剪后的图像中目标车辆外部部位的位置进行特征提取,得到包含目标车辆外部部位位置的特征A1;
步骤2.3,对于步骤2.2提取的目标车辆的外部部位,再使用卷积神经网络B对裁剪后的图像进行特征提取,得到包含目标车辆外部部位位置的特征B1,卷积神经网络A与卷积神经网络B不同;
步骤2.4,将特征A1和特征B1使用矩阵外积进行组合,再采用最大值池化的方法形成与裁剪得到的图像对应的双线性特征向量;
步骤2.5,根据步骤2.4所得到的双线性特征向量,使用Softmax分类器进行车辆的细分类,得到车辆种类,实现对目标车辆的识别。
8.根据权利要求7所述的一种基于视频图像的危化品运输车辆检测与识别方法,其特征在于,步骤2.1中,对图像变换采用图像随机翻转、随机切割或反复变换的方式。
9.根据权利要求1所述的一种基于视频图像的危化品运输车辆检测与识别方法,其特征在于,所述包含目标车辆的单帧图像为由原始交通视频所得的单帧图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810541843.0A CN108875803B (zh) | 2018-05-30 | 2018-05-30 | 一种基于视频图像的危化品运输车辆检测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810541843.0A CN108875803B (zh) | 2018-05-30 | 2018-05-30 | 一种基于视频图像的危化品运输车辆检测与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108875803A true CN108875803A (zh) | 2018-11-23 |
CN108875803B CN108875803B (zh) | 2022-06-17 |
Family
ID=64335931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810541843.0A Active CN108875803B (zh) | 2018-05-30 | 2018-05-30 | 一种基于视频图像的危化品运输车辆检测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875803B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919239A (zh) * | 2019-03-15 | 2019-06-21 | 尹显东 | 一种基于深度学习的农作物病虫害智能检测方法 |
CN110334572A (zh) * | 2019-04-04 | 2019-10-15 | 南京航空航天大学 | 一种多角度下车型精细识别方法 |
CN110516703A (zh) * | 2019-07-18 | 2019-11-29 | 平安科技(深圳)有限公司 | 基于人工智能的车辆识别方法、装置及存储介质 |
CN111814562A (zh) * | 2020-06-11 | 2020-10-23 | 浙江大华技术股份有限公司 | 车辆的识别方法、车辆识别模型的训练方法及相关装置 |
CN112766092A (zh) * | 2021-01-05 | 2021-05-07 | 北京航空航天大学 | 基于类脑神经网络的背景类别快速识别方法及其应用 |
CN113191205A (zh) * | 2021-04-03 | 2021-07-30 | 国家计算机网络与信息安全管理中心 | 一种识别视频中特殊场景、物体、人物和噪声因素的方法 |
CN113469158A (zh) * | 2021-09-06 | 2021-10-01 | 智广海联(天津)大数据技术有限公司 | 基于卷积神经网络的非法危化品运输车辆识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335710A (zh) * | 2015-10-22 | 2016-02-17 | 合肥工业大学 | 一种基于多级分类器的精细车辆型号识别方法 |
CN107491720A (zh) * | 2017-04-01 | 2017-12-19 | 江苏移动信息系统集成有限公司 | 一种基于改进型卷积神经网络的车型识别方法 |
CN107680684A (zh) * | 2017-10-12 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于获取信息的方法及装置 |
CN108009518A (zh) * | 2017-12-19 | 2018-05-08 | 大连理工大学 | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 |
CN108038501A (zh) * | 2017-12-08 | 2018-05-15 | 桂林电子科技大学 | 基于多模态压缩双线性池化的高光谱图像分类方法 |
-
2018
- 2018-05-30 CN CN201810541843.0A patent/CN108875803B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335710A (zh) * | 2015-10-22 | 2016-02-17 | 合肥工业大学 | 一种基于多级分类器的精细车辆型号识别方法 |
CN107491720A (zh) * | 2017-04-01 | 2017-12-19 | 江苏移动信息系统集成有限公司 | 一种基于改进型卷积神经网络的车型识别方法 |
CN107680684A (zh) * | 2017-10-12 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于获取信息的方法及装置 |
CN108038501A (zh) * | 2017-12-08 | 2018-05-15 | 桂林电子科技大学 | 基于多模态压缩双线性池化的高光谱图像分类方法 |
CN108009518A (zh) * | 2017-12-19 | 2018-05-08 | 大连理工大学 | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 |
Non-Patent Citations (1)
Title |
---|
TSUNG-YI LIN等: ""Focal Loss for Dense Object Detection"", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919239A (zh) * | 2019-03-15 | 2019-06-21 | 尹显东 | 一种基于深度学习的农作物病虫害智能检测方法 |
CN110334572A (zh) * | 2019-04-04 | 2019-10-15 | 南京航空航天大学 | 一种多角度下车型精细识别方法 |
CN110334572B (zh) * | 2019-04-04 | 2021-07-13 | 南京航空航天大学 | 一种多角度下车型精细识别方法 |
CN110516703A (zh) * | 2019-07-18 | 2019-11-29 | 平安科技(深圳)有限公司 | 基于人工智能的车辆识别方法、装置及存储介质 |
WO2021008018A1 (zh) * | 2019-07-18 | 2021-01-21 | 平安科技(深圳)有限公司 | 基于人工智能的车辆识别方法、装置、程序及存储介质 |
CN111814562A (zh) * | 2020-06-11 | 2020-10-23 | 浙江大华技术股份有限公司 | 车辆的识别方法、车辆识别模型的训练方法及相关装置 |
CN112766092A (zh) * | 2021-01-05 | 2021-05-07 | 北京航空航天大学 | 基于类脑神经网络的背景类别快速识别方法及其应用 |
CN113191205A (zh) * | 2021-04-03 | 2021-07-30 | 国家计算机网络与信息安全管理中心 | 一种识别视频中特殊场景、物体、人物和噪声因素的方法 |
CN113469158A (zh) * | 2021-09-06 | 2021-10-01 | 智广海联(天津)大数据技术有限公司 | 基于卷积神经网络的非法危化品运输车辆识别方法及系统 |
CN113469158B (zh) * | 2021-09-06 | 2021-11-19 | 智广海联(天津)大数据技术有限公司 | 基于卷积神经网络的非法危化品运输车辆识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108875803B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875803A (zh) | 一种基于视频图像的危化品运输车辆检测与识别方法 | |
Kong et al. | A federated learning-based license plate recognition scheme for 5G-enabled internet of vehicles | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN108596055B (zh) | 一种复杂背景下高分辨遥感图像的机场目标检测方法 | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
US10198657B2 (en) | All-weather thermal-image pedestrian detection method | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN107133570B (zh) | 一种车辆/行人检测方法及系统 | |
CN111027511B (zh) | 基于感兴趣区块提取的遥感图像舰船检测方法 | |
Le et al. | Real time traffic sign detection using color and shape-based features | |
CN104134079A (zh) | 一种基于极值区域和极限学习机的车牌识别方法 | |
CN108334881A (zh) | 一种基于深度学习的车牌识别方法 | |
CN110084205A (zh) | 一种基于改进的面向对象高分辨率遥感影像分类方法 | |
CN112417931B (zh) | 一种基于视觉显著性的水面物体检测和分类的方法 | |
CN104778470A (zh) | 基于组件树和霍夫森林的文字检测和识别方法 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN111611933B (zh) | 文档图像的信息提取方法及系统 | |
Fan et al. | Improving robustness of license plates automatic recognition in natural scenes | |
CN108537816A (zh) | 一种基于超像素和背景连接先验的显著物体分割方法 | |
CN109448000A (zh) | 一种交通指路标志图像的分割方法 | |
CN111967313A (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 | |
CN109101932A (zh) | 基于目标检测的多任务及临近信息融合的深度学习算法 | |
CN111259796A (zh) | 一种基于图像几何特征的车道线检测方法 | |
CN107330365A (zh) | 基于最大稳定极值区域和svm的交通标志识别方法 | |
CN111488854A (zh) | 一种道路交通标志自动识别与分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |