CN109063544A - 一种泥头车检测的方法、系统、计算机设备及存储介质 - Google Patents
一种泥头车检测的方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109063544A CN109063544A CN201810598617.6A CN201810598617A CN109063544A CN 109063544 A CN109063544 A CN 109063544A CN 201810598617 A CN201810598617 A CN 201810598617A CN 109063544 A CN109063544 A CN 109063544A
- Authority
- CN
- China
- Prior art keywords
- dump truck
- detection model
- detection
- monitoring image
- image
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种泥头车检测的方法、一种泥头车检测的系统、一种计算机设备以及一种计算机可读存储介质。其中泥头车检测的方法,包括:实时获取至少一处位置的监控图像,其中监控图像包含泥头车图像;使用检测模型对监控图像进行检测,得到泥头车的类型和位置信息;其中,检测模型的网络结构为Alexnet网络结构。本发明在保证对监控图像检测的准确率的前提下,相对于现有检测方法无需过多的训练样本,并且需要的网络层数更低,减少了检测过程中的能源的消耗,从而实现快速识别泥头车的类型以及在视频图像中的位置信息。
Description
技术领域
本发明涉及车辆检测领域,具体涉及一种泥头车检测的方法、一种泥头车检测的系统、一种计算机设备以及一种计算机可读存储介质。
背景技术
现有道路监控系统对于泥头车等大型车辆的检测效果一直无法满足监控要求,尤其是对于出现在复杂环境如建筑工地、厂矿等区域的本身体积较大的泥头车无法实现有效的监控,此外,泥头车通常是批量出现,存在不同泥头车之间的相互遮挡,进一步的增加对于泥头车的监控的难度,因而需要一种专门针对上述情况下的泥头车检测方法,用于快速检测泥头车,从而实现泥头车的监控。
发明内容
本发明旨在至少解决现有技术或技术中存在的技术问题之一。
为此,本发明的一方面在于提出一种泥头车检测的方法。
本发明的另一方面在于提出了一种泥头车检测的系统。
本发明的又一个方面在于提出了一种计算机设备。
本发明的再一方面在于提出了一种计算机可读存储介质。
在本发明的一个方面,提出一种泥头车检测的方法,包括:实时获取至少一处位置的监控图像,其中监控图像包含泥头车图像;使用检测模型对监控图像进行检测,得到泥头车的类型和位置信息;其中,检测模型的网络结构为Alexnet网络结构,Alexnet是一种特征提取方法,用于神经网络检测模型。
本发明提供的泥头车检测的方法,通过使用Alexnet网络结构的检测模型对实时获取的包含泥头车图像的监控图像进行检测,使用Alexnet网络结构的检测模型在保证对监控图像检测的准确率的前提下,相对于现有检测方法无需过多的训练样本,并且需要的网络层数更低,减少了检测过程中的能源的消耗,从而实现快速识别泥头车的类型以及在视频图像中的位置信息。
根据本发明的上述泥头车检测的方法,还可以具有以下技术特征:
在上述技术方案中,优选地,在实时获取至少一处位置监控图像之后,在使用检测模型对所述监控图像进行检测,确定所述泥头车的类型和位置信息之前,还包括:建立SSD目标检测模型,其中SSD目标检测模型是应用SSD算法(single shot multibox detector)的目标检测模型,VGG-16是现有的SSD目标检测模型的主网络结构,将所述SSD目标检测模型的网络结构由VGG-16替换为Alexnet网络结构;修改所述SSD目标检测模型的提取框的边界集合;使用包含所述泥头车的历史监控图像对修改后的SSD目标检测模型进行训练,得到所述检测模型。
在该技术方案中,建立SSD目标检测模型,并将SSD目标检测模型中原有的VGG-16网络结构替换成Alexnet网络结构,替换后的SSD目标检测模型无需过多的训练样本即可实现相同的检测效果;修改所述SSD目标检测模型的提取框的边界集合,将不符合泥头车的边界集合进行修改,避免因为提取框的边界与泥头车图像不匹配致使检测定位不准;通过包含泥头车的历史监控图像对修改后的SSD目标检测模型进行训练,得到的检测模型能够在保证的检测准确的前提下,实现对泥头车的快速检测,有效解决了因为提取框致使的检测定位不准造成的检测结果准确率地的问题。
在上述技术方案中,优选地,修改SSD目标检测模型的提取框的边界集合具体为:修改SSD目标检测模型的提取框的边界集合的宽高比。
在该技术方案中,修改SSD目标检测模型的提取框的边界集合具体为:修改SSD目标检测模型的提取框的边界集合的宽高比,删除不太可能出现的宽高比,并添加可能出现的宽高比,从而在SSD目标检测模型训练过程中能够针对性的对某一类型的泥头车实现专门的检测,从而根据检测模型本身调整检测泥头车的适配性,从而有效提高了检测结果的准确性。
在上述技术方案中,优选地,历史监控图像包含泥头车的头部正面图像以及泥头车的头部侧面图像;以及历史监控图像为TFrecorder文件,其中TFrecorder文件是神经网络进行数据结构分析和处理时建立的一种自有格式的数据文件。
在该技术方案中,根据泥头车的头部正面图像以及头部侧面图像作为训练集对SSD目标检测模型进行训练,取代现有技术方案中使用泥头车整体图像来进行训练,有效避免了因为泥头车前后遮挡致使无法进行泥头车检测,同时也避免因为泥头车在监控图像中占据的画面太大,致使无法进行检测情况的出现。
根据本发明的另一个方面,提出一种泥头车检测的系统,包括:获取单元,用于实时获取至少一处位置的监控图像,其中监控图像包含泥头车图像;识别单元,用于检测模型对监控图像进行检测,确定泥头车的类型和位置信息;其中,目标识别模型的网络结构为Alexnet网络结构,Alexnet是一种特征提取方法,用于神经网络检测模型。
本发明提供的泥头车检测的系统,识别单元通过使用Alexnet网络结构的检测模型对获取单元实时获取的包含泥头车图像的监控图像进行检测,使用Alexnet网络结构的检测模型在保证对监控图像检测的准确率的前提下,相对于现有检测方法无需过多的训练样本,并且需要的网络层数更低,减少了检测过程中的能源的消耗,从而实现快速识别泥头车的类型以及在视频图像中的位置信息。
根据本发明的上述泥头车检测的系统,还可以具有以下技术特征:
在上述技术方案中,优选地,还包括:建立单元,用于建立SSD目标检测模型,其中SSD目标检测模型是应用SSD算法(single shot multibox detector)的目标检测模型,VGG-16是现有的SSD目标检测模型的主网络结构,将SSD目标检测模型的网络结构由VGG-16替换为Alexnet网络结构;修改单元,用于修改SSD目标检测模型的提取框的边界集合;训练单元,用于使用包含泥头车历史监控图像对修改后的SSD目标检测模型进行训练,得到检测模型。
在该技术方案中,建立单元建立SSD目标检测模型,并将SSD目标检测模型中原有的VGG-16网络结构替换成Alexnet网络结构,替换后的SSD目标检测模型无需过多的训练样本即可实现相同的检测效果;修改单元修改所述SSD目标检测模型的提取框的边界集合,将不符合泥头车的边界集合进行修改,避免因为提取框的边界与泥头车图像不匹配致使检测定位不准;训练单元通过包含泥头车的历史监控图像对修改后的SSD目标检测模型进行训练,得到的检测模型能够在保证的检测准确的前提下,实现对泥头车的快速检测,有效解决了因为提取框致使的检测定位不准造成的检测结果准确率地的问题。
在上述技术方案中,优选地,修改单元具体用于修改SSD目标检测模型的提取框的边界集合的宽高比。
在该技术方案中,修改单元修改SSD目标检测模型的提取框的边界集合具体为:修改SSD目标检测模型的提取框的边界集合的宽高比,删除不太可能出现的宽高比,并添加可能出现的宽高比,从而在SSD目标检测模型训练过程中能够针对性的对某一类型的泥头车实现专门的检测,从而根据检测模型本身调整检测泥头车的适配性,从而有效提高了检测结果的准确性。
在上述技术方案中,优选地,历史监控图像包含泥头车的头部正面图像以及泥头车的头部侧面图像;以及历史监控图像为TFrecorder文件,其中TFrecorder文件是神经网络进行数据结构分析和处理时建立的一种自有格式的数据文件。
在该技术方案中,训练单元根据泥头车的头部正面图像以及头部侧面图像作为训练集对SSD目标检测模型进行训练,取代现有技术方案中使用泥头车整体图像来进行训练,有效避免了因为泥头车前后遮挡致使无法进行泥头车检测,同时也避免因为泥头车在监控图像中占据的画面太大,致使无法进行检测情况的出现。
本发明的又一个方面,提出了一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述任一项的泥头车检测的方法的步骤。
根据本发明的计算机设备,其所包含的处理器用于执行如上述任一技术方案中的泥头车检测的方法的步骤,因而该计算机设备能够实现该泥头车检测的方法全部的有益效果,不再赘述。
本发明的再一方面,提出了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一项的泥头车检测的方法的步骤。
根据本发明的计算机可读存储介质,其上存储的计算机程序被处理器执行时实现了如上述任一技术方案中的泥头车检测的方法的步骤,因而该计算机可读存储介质能够实现该泥头车检测的方法全部的有益效果,不再赘述。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了本发明的一个实施例的泥头车检测的方法的流程示意图;
图2示出了本发明的一个实施例的泥头车检测的方法的流程示意图;
图3示出了本发明的一个实施例的泥头车检测的方法的流程示意图;
图4示出了本发明的另一个实施例的泥头车检测的系统的示意框图;
图5示出了本发明的另一个实施例的泥头车检测的系统的示意框图;
图6示出了本发明的一个实施例的计算机设备的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,根据本发明的一个实施例的泥头车检测的方法的流程示意图。其中,泥头车检测的方法包括:
S102,实时获取至少一处位置的监控图像,其中监控图像包含泥头车图像;
S104,使用检测模型对监控图像进行检测,得到泥头车的类型和位置信息。
其中,检测模型的网络结构为Alexnet网络结构。
在该实施例中,通过使用Alexnet网络结构的检测模型对实时获取的包含泥头车图像的监控图像进行检测,使用Alexnet网络结构的检测模型在保证对监控图像检测的准确率的前提下,相对于现有检测方法无需过多的训练样本,并且需要的网络层数更低,减少了检测过程中的能源的消耗,从而实现快速识别泥头车的类型以及在视频图像中的位置信息。
如图2所示,根据本发明的一个实施例的泥头车检测的方法的流程示意图。其中,泥头车检测的方法包括:
S202,实时获取至少一处位置的监控图像,其中监控图像包含泥头车图像;
S204,建立SSD目标检测模型,将所述SSD目标检测模型的网络结构由VGG-16替换为Alexnet网络结构;
S206,修改所述SSD目标检测模型的提取框的边界集合;
S208,使用包含所述泥头车的历史监控图像对修改后的SSD目标检测模型进行训练,得到所述检测模型;
S210,使用检测模型对监控图像进行检测,得到泥头车的类型和位置信息。
在该实施例中,建立SSD目标检测模型,并将SSD目标检测模型中原有的VGG-16网络结构替换成Alexnet网络结构,替换后的SSD目标检测模型无需过多的训练样本即可实现相同的检测效果,其中SSD目标检测模型是应用SSD算法(single shot multiboxdetector)的目标检测模型,VGG-16是现有的SSD目标检测模型的主网络结构,Alexnet是一种特征提取方法;修改所述SSD目标检测模型的提取框的边界集合,将不符合泥头车的边界集合进行修改,避免因为提取框的边界与泥头车图像不匹配致使检测定位不准;通过包含泥头车的历史监控图像对修改后的SSD目标检测模型进行训练,得到的检测模型能够在保证的检测准确的前提下,实现对泥头车的快速检测,有效解决了因为提取框致使的检测定位不准造成的检测结果准确率地的问题。
如图3所示,根据本发明的一个实施例的泥头车检测的方法的流程示意图。其中,泥头车检测的方法包括:
S302,实时获取至少一处位置的监控图像,其中监控图像包含泥头车图像;
S304,建立SSD目标检测模型,将所述SSD目标检测模型的网络结构由VGG-16替换为Alexnet网络结构;
S306,修改SSD目标检测模型的提取框的边界集合的宽高比;
S308,使用包含所述泥头车的历史监控图像对修改后的SSD目标检测模型进行训练,得到所述检测模型
S310,使用检测模型对监控图像进行检测,得到泥头车的类型和位置信息。
在该实施例中,修改SSD目标检测模型的提取框的边界集合具体为:修改SSD目标检测模型的提取框的边界集合的宽高比,删除不太可能出现的宽高比,并添加可能出现的宽高比,从而在SSD目标检测模型训练过程中能够针对性的对某一类型的泥头车实现专门的检测,优选地,针对泥头车的体积以及形状,将SSD目标检测模型中的提取框的边界集合中宽:高=3:1的情况删除,增加适合泥头车头部宽与高的比值,例如宽高比=1:4的情况,即将原有默认的比例值修改为修改后的SSD目标检测模型对泥头车的检测更加准确;同样地,针对卡车的体积以及形状,对SSD目标检测模型中的提取框的边界集合进行修改,能够增加对卡车检测的准确度。根据检测模型本身调整检测泥头车的适配性,有效提高了检测结果的准确性。
在本发明的一个实施例中,优选地,历史监控图像包含泥头车的头部正面图像以及泥头车的头部侧面图像;以及历史监控图像为TFrecorder文件。
在该实施例中,根据泥头车的头部正面图像以及头部侧面图像作为训练集对SSD目标检测模型进行训练,取代现有技术方案中使用泥头车整体图像来进行训练,有效避免了因为泥头车前后遮挡致使无法进行泥头车检测,同时也避免因为泥头车在监控图像中占据的画面太大,致使无法进行检测情况的出现,历史监控图像可由监控管理人员从需要泥头车检测位置处的监控摄像装置录制的视频中挑选得到,并利用标记工具,对图像中一个或者多个泥头车的头部正面图像以及头部侧面图像进行标记,以便于在进行SSD目标检测模型训练时,选取对应的训练集进行训练,从而保证训练得到的检测模型能够有效针对当前环境进行有效的检测,保证检测的准确度。其中TFrecorder文件是神经网络进行数据结构分析和处理时建立的一种自有格式的数据文件。
本发明的第二方面在于提出了一种泥头车检测的系统。图4示出了本发明的另一个实施例的泥头车检测的系统400的示意框图,泥头车检测的系统400包括:获取单元402,用于实时获取至少一处位置的监控图像,其中监控图像包含泥头车图像;识别单元404,用于检测模型对监控图像进行检测,确定泥头车的类型和位置信息;其中,目标识别模型的网络结构为Alexnet网络结构。
本发明提供的泥头车检测的系统,识别单元404通过使用Alexnet网络结构的检测模型对获取单元402实时获取的包含泥头车图像的监控图像进行检测,使用Alexnet网络结构的检测模型在保证对监控图像检测的准确率的前提下,相对于现有检测方法无需过多的训练样本,并且需要的网络层数更低,减少了检测过程中的能源的消耗,从而实现快速识别泥头车的类型以及在视频图像中的位置信息。
在本发明的一个实施例中,图5示出了本发明的另一个实施例的泥头车检测的系统500的示意框图,如图5所示,泥头车检测的系统500包括:获取单元502,用于实时获取至少一处位置的监控图像,其中监控图像包含泥头车图像;建立单元504,用于建立SSD目标检测模型,将SSD目标检测模型的网络结构由VGG-16替换为Alexnet网络结构;修改单元506,用于修改SSD目标检测模型的提取框的边界集合;训练单元508,用于使用包含泥头车历史监控图像对修改后的SSD目标检测模型进行训练,得到检测模型;识别单元510,用于检测模型对监控图像进行检测,确定泥头车的类型和位置信息
在该实施例中,建立单元504建立SSD目标检测模型,并将SSD目标检测模型中原有的VGG-16网络结构替换成Alexnet网络结构,替换后的SSD目标检测模型无需过多的训练样本即可实现相同的检测效果,其中SSD目标检测模型是应用SSD算法(single shotmultibox detector)的目标检测模型,VGG-16是现有的SSD目标检测模型的主网络结构,Alexnet是一种特征提取方法;修改单元506修改所述SSD目标检测模型的提取框的边界集合,将不符合泥头车的边界集合进行修改,避免因为提取框的边界与泥头车图像不匹配致使检测定位不准;训练单元508通过包含泥头车的历史监控图像对修改后的SSD目标检测模型进行训练,得到的检测模型能够在保证的检测准确的前提下,实现对泥头车的快速检测,有效解决了因为提取框致使的检测定位不准造成的检测结果准确率地的问题。
在本发明的一个实施例中,修改单元506具体用于修改SSD目标检测模型的提取框的边界集合的宽高比。
在该实施例中,修改单元506修改SSD目标检测模型的提取框的边界集合具体为:修改SSD目标检测模型的提取框的边界集合的宽高比,删除不太可能出现的宽高比,并添加可能出现的宽高比,从而在SSD目标检测模型训练过程中能够针对性的对某一类型的泥头车实现专门的检测,优选地,针对泥头车的体积以及形状,将SSD目标检测模型中的提取框的边界集合中宽:高=3:1的情况删除,增加适合泥头车头部宽与高的比值,例如宽高比=1:4的情况,即将原有默认的比例值修改为修改后的SSD目标检测模型对泥头车的检测更加准确;同样地,针对卡车的体积以及形状,对SSD目标检测模型中的提取框的边界集合进行修改,能够增加对卡车检测的准确度。根据检测模型本身调整检测泥头车的适配性,有效提高了检测结果的准确性。
在本发明的一个实施例中,优选地,历史监控图像包含泥头车的头部正面图像以及泥头车的头部侧面图像;以及历史监控图像为TFrecorder文件。
在该实施例中,训练单元508根据泥头车的头部正面图像以及头部侧面图像作为训练集对SSD目标检测模型进行训练,取代现有技术方案中使用泥头车整体图像来进行训练,有效避免了因为泥头车前后遮挡致使无法进行泥头车检测,同时也避免因为泥头车在监控图像中占据的画面太大,致使无法进行检测情况的出现,历史监控图像可由监控管理人员从需要泥头车检测位置处的监控摄像装置录制的视频中挑选得到,并利用标记工具,对图像中一个或者多个泥头车的头部正面图像以及头部侧面图像进行标记,以便于在进行SSD目标检测模型训练时,选取对应的训练集进行训练,从而保证训练得到的检测模型能够有效针对当前环境进行有效的检测,保证检测的准确度。其中TFrecorder文件是神经网络进行数据结构分析和处理时建立的一种自有格式的数据文件。
本发明第三方面的实施例,提出一种计算机设备,图6示出了本发明的一个实施例的计算机设备600的示意框图。其中,该计算机设备600包括:
存储器602、处理器604及存储在所述存储器602上并可在所述处理器604上运行的计算机程序,所述处理器604执行计算机程序时实现如上述任一项泥头车检测的方法的步骤。
本发明提供的计算机设备600,处理器604执行计算机程序时实现如上述任一技术方案中的泥头车检测的方法的步骤,因而该计算机可读存储介质能够实现该泥头车检测的方法全部的有益效果,不再赘述。
本发明第四方面的实施例,提出了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一项泥头车检测的方法的步骤。
在该实施例中,本发明的计算机可读存储介质,其上存储的计算机程序被处理器执行时实现了如上述任一技术方案中的泥头车检测的方法的步骤,因而该计算机可读存储介质能够实现该泥头车检测的方法全部的有益效果,不再赘述。
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 (10)
1.一种泥头车检测的方法,其特征在于,包括:
实时获取至少一处位置的监控图像,其中所述监控图像包含所述泥头车图像;
使用检测模型对所述监控图像进行检测,得到所述泥头车的类型和位置信息;
其中,所述检测模型的网络结构为Alexnet网络结构。
2.根据权利要求1所述的泥头车检测的方法,其特征在于,在实时获取至少一处位置监控图像之后,在使用检测模型对所述监控图像进行检测,确定所述泥头车的类型和位置信息之前,还包括:
建立SSD目标检测模型,将所述SSD目标检测模型的网络结构由VGG-16替换为Alexnet网络结构;
修改所述SSD目标检测模型的提取框的边界集合;
使用包含所述泥头车的历史监控图像对修改后的SSD目标检测模型进行训练,得到所述检测模型。
3.根据权利要求2所述的泥头车检测的方法,其特征在于,所述修改所述SSD目标检测模型的提取框的边界集合具体为:修改所述SSD目标检测模型的提取框的边界集合的宽高比。
4.根据权利要求3所述的泥头车检测的方法,其特征在于,所述历史监控图像包含所述泥头车的头部正面图像以及所述泥头车的头部侧面图像;以及
所述历史监控图像为TFrecorder文件。
5.一种泥头车检测的系统,其特征在于,包括:
获取单元,用于实时获取至少一处位置的监控图像,其中所述监控图像包含所述泥头车图像;
识别单元,用于检测模型对所述监控图像进行检测,确定所述泥头车的类型和位置信息;
其中,所述目标识别模型的网络结构为Alexnet网络结构。
6.根据权利要求5所述的泥头车检测的系统,其特征在于,还包括:
建立单元,用于建立SSD目标检测模型,将所述SSD目标检测模型的网络结构由VGG-16替换为Alexnet网络结构;
修改单元,用于修改所述SSD目标检测模型的提取框的边界集合;
训练单元,用于使用包含所述泥头车历史监控图像对修改后的SSD目标检测模型进行训练,得到所述检测模型。
7.根据权利要求6所述的泥头车检测的系统,其特征在于,
所述修改单元具体用于修改所述SSD目标检测模型的提取框的边界集合的宽高比。
8.根据权利要求7所述的泥头车检测的系统,其特征在于,
所述历史监控图像包含所述泥头车的头部正面图像以及所述泥头车的头部侧面图像;以及
所述历史监控图像为TFrecorder文件。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于:所述处理器用于执行如权利要求1至4中任一项所述的泥头车检测的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现了如权利要求1至4中任一项所述的泥头车检测的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810598617.6A CN109063544A (zh) | 2018-06-12 | 2018-06-12 | 一种泥头车检测的方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810598617.6A CN109063544A (zh) | 2018-06-12 | 2018-06-12 | 一种泥头车检测的方法、系统、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109063544A true CN109063544A (zh) | 2018-12-21 |
Family
ID=64820216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810598617.6A Pending CN109063544A (zh) | 2018-06-12 | 2018-06-12 | 一种泥头车检测的方法、系统、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063544A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712429A (zh) * | 2019-02-27 | 2019-05-03 | 深圳集智云创科技开发有限公司 | 一种基于大数据的城市智慧停车系统 |
CN109803127A (zh) * | 2019-03-08 | 2019-05-24 | 重庆启迪国信科技有限公司 | 基于大数据和物联网技术的城市安全工地监控系统和方法 |
CN111931545A (zh) * | 2019-05-13 | 2020-11-13 | 杭州海康威视数字技术股份有限公司 | 号牌识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140003708A1 (en) * | 2012-06-28 | 2014-01-02 | International Business Machines Corporation | Object retrieval in video data using complementary detectors |
CN107066953A (zh) * | 2017-03-22 | 2017-08-18 | 北京邮电大学 | 一种面向监控视频的车型识别、跟踪及矫正方法和装置 |
CN107316007A (zh) * | 2017-06-07 | 2017-11-03 | 浙江捷尚视觉科技股份有限公司 | 一种基于深度学习的监控图像多类物体检测与识别方法 |
US9916755B1 (en) * | 2016-12-20 | 2018-03-13 | Jayant Ratti | On-demand roadway stewardship system |
-
2018
- 2018-06-12 CN CN201810598617.6A patent/CN109063544A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140003708A1 (en) * | 2012-06-28 | 2014-01-02 | International Business Machines Corporation | Object retrieval in video data using complementary detectors |
US9916755B1 (en) * | 2016-12-20 | 2018-03-13 | Jayant Ratti | On-demand roadway stewardship system |
CN107066953A (zh) * | 2017-03-22 | 2017-08-18 | 北京邮电大学 | 一种面向监控视频的车型识别、跟踪及矫正方法和装置 |
CN107316007A (zh) * | 2017-06-07 | 2017-11-03 | 浙江捷尚视觉科技股份有限公司 | 一种基于深度学习的监控图像多类物体检测与识别方法 |
Non-Patent Citations (1)
Title |
---|
樊峻畅: "红外图像中基于卷积神经网络的车辆检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712429A (zh) * | 2019-02-27 | 2019-05-03 | 深圳集智云创科技开发有限公司 | 一种基于大数据的城市智慧停车系统 |
CN109803127A (zh) * | 2019-03-08 | 2019-05-24 | 重庆启迪国信科技有限公司 | 基于大数据和物联网技术的城市安全工地监控系统和方法 |
CN111931545A (zh) * | 2019-05-13 | 2020-11-13 | 杭州海康威视数字技术股份有限公司 | 号牌识别方法及装置 |
CN111931545B (zh) * | 2019-05-13 | 2023-10-31 | 杭州海康威视数字技术股份有限公司 | 号牌识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160125B (zh) | 基于铁路监控的铁路异物入侵检测方法 | |
KR101926561B1 (ko) | 블랙박스 영상을 이용한 딥러닝 기반의 패치 단위 도로 크랙 검출 장치 및 그 방법, 그리고 이 방법을 실행시키기 위해 컴퓨터가 판독 가능한 기록매체에 저장된 컴퓨터 프로그램 | |
US20170053192A1 (en) | Systems and methods for detecting parking occupancy status | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
CN111310645A (zh) | 货物堆积量的溢仓预警方法、装置、设备及存储介质 | |
CN109063544A (zh) | 一种泥头车检测的方法、系统、计算机设备及存储介质 | |
CN108579094B (zh) | 一种用户界面检测方法及相关装置、系统和存储介质 | |
CN108171104A (zh) | 一种文字检测方法及装置 | |
CN105744232A (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN105631418A (zh) | 一种人数统计的方法和装置 | |
CN110826429A (zh) | 一种基于景区视频的旅游突发事件自动监测的方法及系统 | |
CN106303158A (zh) | 一种视频图像中的条纹异常检测方法 | |
KR102042629B1 (ko) | 영상 기반의 건설 현장 상황 인지 시스템 및 방법, 그리고 이를 이용한 토공 생산성 분석 방법 | |
CN107578021A (zh) | 基于深度学习网络的行人检测方法、装置及系统 | |
CN103096121A (zh) | 一种摄像头移动检测方法及装置 | |
CN111723656B (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
CN103093179A (zh) | 视频条纹量化计算方法 | |
CN105654032A (zh) | 基于人脸检测的公交车人数统计系统及统计方法 | |
CN109993098A (zh) | 城市车辆黑烟智能识别大数据分析系统及方法 | |
CN111583324A (zh) | 单目图像深度估测装载率识别方法和装置 | |
CN113139495A (zh) | 一种基于深度学习的隧道侧装视频交通流检测方法和系统 | |
CN111009136A (zh) | 一种高速公路行驶速度异常车辆检测方法、装置及系统 | |
CN112597995B (zh) | 车牌检测模型训练方法、装置、设备及介质 | |
CN112417978A (zh) | 基于视觉的列车与屏蔽门之间异物检测方法及装置 | |
WO2023071874A1 (zh) | 道路救援工作节点确定方法、装置及电子设备、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: 20181221 |
|
RJ01 | Rejection of invention patent application after publication |