CN109101934A - 车型识别方法、装置与计算机可读存储介质 - Google Patents
车型识别方法、装置与计算机可读存储介质 Download PDFInfo
- Publication number
- CN109101934A CN109101934A CN201810948918.7A CN201810948918A CN109101934A CN 109101934 A CN109101934 A CN 109101934A CN 201810948918 A CN201810948918 A CN 201810948918A CN 109101934 A CN109101934 A CN 109101934A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- images
- recognized
- model
- cab recognition
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Abstract
本发明提供了一种车型识别方法、装置与计算机可读存储介质,该车型识别方法通过构建车型识别模型,并采用车型识别模型对摄像头抓拍的斑马线区域及其周边的车辆待识别图像进行车型识别,以得到待识别图像中对应车辆的车型识别信息;其中,车型识别信息包括:车辆类别信息、车辆坐标、车辆垂直像素以及车辆水平像素;根据车辆垂直像素、车辆水平像素以及待识别图像中斑马线的比例尺,计算待识别图像中对应车辆的尺寸及比例;从网站中搜索出符合上述尺寸及比例的第一车型信息;将待识别图像转换为HSV图像,并从第一车型信息中搜索出与HSV图像中的车辆的色相值对应的第二车辆信息;通过上述方法能够有效缩小车型的判断范围,提高车型识别的准确率。
Description
技术领域
本发明涉及车型识别技术领域,具体涉及一种车型识别方法、装置与计算机可读存储介质。
背景技术
智能交通,是未来交通的发展方向,可以有效地减少交通负荷,提高运输效率;而车辆识别技术是智能交通系统的重要组成部分,从车辆分类标准出发,对各种车辆进行信息采集,然后利用这些信息对车辆进行分类识别。该技术广泛应用于车辆盗窃打击、交通秩序规范、道路交通流量调查、用户车辆偏好统计等方面。
随着计算机多媒体技术和图像处理技术的迅猛发展,基于图像的车辆识别技术在现代交通控制系统中的分量越来越大,社会各界投入的研究力量也越来越多,能适应动态交通状况的变化。根据调查研究,市面基于图像的车型识别方法,主要有:1)基于特征识别,该类方法依赖于特征自身特点,如:Harris的角点特征检测,Gabort的边界特征检测;当图像存在光照变化、视角变化以及遮挡时,对特征识别产生影响。2)基于模板识别,该类方法存在提取难度大,计算复杂等特点。3)基于神经网络识别,该类方法依赖于网络结构和样本选取,神经元数目较多,运算时间较长,并且需要对大量车型样本图像进行训练,以获取训练好的分类模型。综上所述可见,现有的车型识别技术都需要把待识别车型图像与所有车型样本图像进行特征比对、识别操作;由于样本图像数据量大且图像特征依赖于外在条件变化,导致识别工作量大、运算时间长、工作效率低、识别准确率不高的问题。
发明内容
基于此,本发明提供了一种车型识别方法、装置与计算机可读存储介质,能够有效缩小车型的判断范围、提高车型识别的准确率。
本发明实施例提供了一种车型识别方法,包括:
采用卷积神经网络算法对预先采集的图像样本进行训练,构建车型识别模型;
通过摄像头对斑马线区域及其周边的车辆进行抓拍,以得到待识别图像;
采用所述车型识别模型对所述待识别图像进行车型识别,以得到所述待识别图像中对应车辆的车型识别信息;其中,所述车型识别信息包括:车辆类别信息、车辆坐标、车辆垂直像素以及车辆水平像素;
根据所述车辆垂直像素、所述车辆水平像素以及所述待识别图像中斑马线的比例尺,计算所述待识别图像中对应车辆的尺寸及比例;
从网站中搜索出符合所述待识别图像中对应车辆的尺寸及比例的第一车型信息;
将所述待识别图像转换为HSV图像,并从所述第一车型信息中搜索出与所述HSV图像中的车辆的色相值对应的第二车辆信息。
优选地,所述采用卷积神经网络算法对预先采集的图像样本进行训练,构建车型识别模型,具体包括:
将预先采集的图像样本划分为训练图像样本和测试图像样本;
采用卷积神经网络算法对所述训练图像样本进行训练,构建所述车型识别模型;
将所述测试图像样本输入到所述车型识别模型,得到车型识别测试结果;其中,所述车型识别测试结果为所述车型识别模型中损失函数输出的结果;
根据所述车型识别测试结果,判断所述车型识别模型的识别准确率是否达到预设阈值;若否,则调整所述车型识别模型中的车辆类别信息并重新训练所述训练图像样本;若是,确定所述车型识别模型构建完成。
优选地,所述将预先采集的图像样本划分为训练图像样本和测试图像样本之前还包括:
按照设定的帧数从预先抓拍的斑马线区域及其周边车辆的视频中提取若干张图像;
采用加权平均算法对所述图像进行灰度处理,以获得所述图像样本。
优选地,所述预设阈值为80%。
优选地,根据所述车辆垂直像素、所述车辆水平像素以及所述待识别图像中斑马线的比例尺,计算所述待识别图像中对应车辆的尺寸及比例,具体包括:
根据所述斑马线区域中斑马线的实际长度和实际宽度、所述待识别图像中斑马线的垂直像素和水平像素,计算所述待识别图像中斑马线的比例尺;
根据所述车辆垂直像素、所述车辆水平像素以及所述待识别图像中斑马线的比例尺,采用等比例换算法计算所述待识别图像中对应车辆的长度、宽度,并计算所述待识别图像中对应车辆的长宽比。
优选地,所述将所述待识别图像转换为HSV图像,具体包括:
根据公式(1)、(2)和(3),将将所述待识别图像转换为HSV图像;
V=Cmax (3)
其中,R′=R/255,G′=R/255,B′=R/255,Cmax=max(R',G',B'),Cmin=min(R',G',B'),△=Cmax-Cmin。
本发明实施例还提供了一种车型识别装置,包括:
模型构建模块,用于采用卷积神经网络算法对预先采集的图像样本进行训练,构建车型识别模型;
图像抓拍模块,用于通过摄像头对斑马线区域及其周边的车辆进行抓拍,以得到待识别图像;
车型识别模块,用于采用所述车型识别模型对所述待识别图像进行车型识别,以得到所述待识别图像中对应车辆的车型识别信息;其中,所述车型识别信息包括:车辆类别信息、车辆坐标、车辆垂直像素以及车辆水平像素;
尺寸比例计算模块,用于根据所述车辆垂直像素、所述车辆水平像素以及所述待识别图像中斑马线的比例尺,计算所述待识别图像中对应车辆的尺寸及比例;
第一搜索模块,用于从网站中搜索出符合所述待识别图像中对应车辆的尺寸及比例的第一车型信息;
第二搜索模块,用于将所述待识别图像转换为HSV图像,并从所述第一车型信息中搜索出与所述HSV图像中的车辆的色相值对应的第二车辆信息。
优选地,所述模型构建模块包括:
样本划分单元,用于将预先采集的图像样本划分为训练图像样本和测试图像样本;
车型识别模型构建单元,用于采用卷积神经网络算法对所述训练图像样本进行训练,构建所述车型识别模型;
车型识别模型测试单元,用于将所述测试图像样本输入到所述车型识别模型,得到车型识别测试结果;其中,所述车型识别测试结果为所述车型识别模型中损失函数输出的结果;
车型识别模型调整单元,用于根据所述车型识别测试结果,判断所述车型识别模型的识别准确率是否达到预设阈值;若否,则调整所述车型识别模型中的车辆类别信息并重新训练所述训练图像样本;若是,确定所述车型识别模型构建完成。
本发明实施例还提供了一种车型识别方法,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的车型识别方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的车型识别方法。
相对于现有技术,本发明实施例提供的一种车型识别方法的有益效果在于:所述车型识别方法采用卷积神经网络算法对预先采集的图像样本进行训练,构建车型识别模型;通过摄像头对斑马线区域及其周边的车辆进行抓拍,以得到待识别图像;采用所述车型识别模型对所述待识别图像进行车型识别,以得到所述待识别图像中对应车辆的车型识别信息;其中,所述车型识别信息包括:车辆类别信息、车辆坐标、车辆垂直像素以及车辆水平像素;根据所述车辆垂直像素、所述车辆水平像素以及所述待识别图像中斑马线的比例尺,计算所述待识别图像中对应车辆的尺寸及比例;从网站中搜索出符合所述待识别图像中对应车辆的尺寸及比例的第一车型信息;将所述待识别图像转换为HSV图像,并从所述第一车型信息中搜索出与所述HSV图像中的车辆的色相值对应的第二车辆信息;通过上述方法能够有效缩小车型的判断范围,提高车型识别的准确率。
附图说明
图1是本发明实施例提供的一种车型识别方法的流程图;
图2是本发明实施例提供的一种车型识别方法的整体流程图;
图3是本发明实施例提供的一种车型识别装置的示意图。
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作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。
请参阅图1,其是本发明实施例提供的一种车型识别方法的流程图。
所述车型识别方法,包括:
S100:采用卷积神经网络算法对预先采集的图像样本进行训练,构建车型识别模型;
卷积神经网络算法,是对存储在数据库中大量图像样本,交替进行卷积和池化操作,逐渐提取图像的高层特征,对特征进行分类,完成识别功能。所述高层特征,是从大样本数据中学习,能应对一定程度的偏移、尺度变化以及形变,保证特征较强的可分性,对特征分类具有理想的检测效果,降低了模型的复杂度。
S200:通过摄像头对斑马线区域及其周边的车辆进行抓拍,以得到待识别图像;
S300:采用所述车型识别模型对所述待识别图像进行车型识别,以得到所述待识别图像中对应车辆的车型识别信息;其中,所述车型识别信息包括:车辆类别信息、车辆坐标、车辆垂直像素以及车辆水平像素;
S400:根据所述车辆垂直像素、所述车辆水平像素以及所述待识别图像中斑马线的比例尺,计算所述待识别图像中对应车辆的尺寸及比例;
S500:从网站中搜索出符合所述待识别图像中对应车辆的尺寸及比例的第一车型信息;
所述网址包括车型官方网站。基于上述车辆的尺寸及比例(所述尺寸指的是车辆的长度、宽度,所述比例指的是长宽比),对车型官方网站的数据实现一次筛选,保留与之相符的车型信息,例如:车辆的实际尺寸及比例符合“宽度180cm、长度460cm,宽度与长度的比例关系是1:2.6”条件的车型信息。
S600:将所述待识别图像转换为HSV图像,并从所述第一车型信息中搜索出与所述HSV图像中的车辆的色相值对应的第二车辆信息。
由于摄像头现场抓拍的视频图像是RGB图像,该颜色标准是通过对红、绿、蓝三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色;相比HSV图像,后者更接近用户的视觉颜色,直观地表达色彩的明暗、色调以及鲜艳程度,便于颜色之间的分离、对比。
因此,通过将所述待识别图像转换为HSV图像,可以基于所述HSV图像中车辆的H值,得出车辆的色相值。基于上述色相值以及一次筛选结果,对车型官方网站数据实现二次筛选,保留所述第一车辆信息中与所述色相值相符合的第二车型信息,即:车辆的色相值、实际尺寸及比例符合“H=240°,宽度180cm、长度460cm,宽度与长度的比例关系是1:2.6”条件的车型信息,实现对车型官方网站数据的二次筛选操作,大大缩小车型判断范围。若车型唯一,则输出车辆的具体车型信息;若车型不唯一,则输出符合条件的车型信息。
根据系统预先设置的车辆类别信息,如:微型车、小型车、中型车、中大型车、大型车等,把所述图像样本对应各个类别进行分类。通过卷积神经网络算法,对分类后的所述图像样本进行特征提取、反复识别训练,将提取的特征向量对应各个类别进行存储,从而完成的车型识别模型的构建。进一步地,对于待识别图像,首先通过所述车型识别模型进行初步识别,得到车辆的车辆类别信息、车辆坐标、车辆垂直像素以及车辆水平像素;然后根据计算所得的车辆的实际尺寸及比例,对车型官方网站的数据进行车辆信息的一次筛选,得到第一车型信息;最后根据所述待识别图像中的车辆的色相值,对第一车型信息进行二次筛选,得到第二车型信息,并输出到终端显示。上述方法能够有效缩小车型的判断范围,计算过程简单有效,资源成本低廉,相对于传统的基于图像的车辆识别技术大大减少识别工作量,缩短运算时间,提高工作效率以及识别准确率;同时可以减少外在条件对图像识别的影响性。
在一种可选的实施例中,S100:采用卷积神经网络算法对预先采集的图像样本进行训练,构建车型识别模型,具体包括:
将预先采集的图像样本划分为训练图像样本和测试图像样本;
采用卷积神经网络算法对所述训练图像样本进行训练,构建所述车型识别模型;
将所述测试图像样本输入到所述车型识别模型,得到车型识别测试结果;其中,所述车型识别测试结果为所述车型识别模型中损失函数输出的结果;
根据所述车型识别测试结果,判断所述车型识别模型的识别准确率是否达到预设阈值;若否,则调整所述车型识别模型中的车辆类别信息并重新训练所述训练图像样本;若是,确定所述车型识别模型构建完成。
在本实施例中,基于所述图像样本的总数量,把车辆图像分成两类,一类是训练图像样本,一类是测试图像样本。所述训练图像样本为所述图像样本的90%,用于模型识别训练时使用;所述测试图像样本为所述图像样本的10%,用户模型识别训练完毕后,试运行测试时使用。所述训练图像样本存储在本地服务器的训练图像数据库中,所述测试图像样本存储在本地服务器的测试图像数据库中。
当所述训练图像数据库中的训练图像样本反复训练的次数达到系统设定数值,模型训练停止,得到所述车型识别模型。进一步地,所述设定数值为20万次。
根据损失函数的输出结果,判断所述车型识别模型识别的准确性。若准确性达到系统预设阀值,模型视为理想,可与测试图像数据库的测试图像样本进行试运行测试;否则,模型视为不理想,需重新调整参数,继续与所述训练图像数据库的训练图像样本反复训练。所述参数是指所述车辆识别模型的车辆类别信息,如上述的“微型车、小型车、中型车、中大型车、大型车”等几个类别。进一步地,所述预设阈值为80%。
在一种可选的实施例中,所述将预先采集的图像样本划分为训练图像样本和测试图像样本之前还包括:
按照设定的帧数从预先抓拍的斑马线区域及其周边车辆的视频中提取若干张图像;
通过安装在斑马线区域附近的摄像头,大量抓拍关于斑马线区域及其周边车辆的视频。系统提取视频,并按照设定的帧数,把视频拆分成多张图像。上述采集方式,可以从不同角度收集车辆信息,为接下来的车型识别提供更为准确的保障。进一步地,所述设定的帧数为30帧。
采用加权平均算法对所述图像进行灰度处理,以获得所述图像样本。
由于从视频中提取出来的图像是RGB彩色图像,其具体由多个像素点组成,且每个像素点都由RGB三个值表示;对所述图像进行灰度处理,并不会影响图像的纹理特征信息,而且每个像素点只需一个灰度值便可表示,大大提高了车辆图像处理效率。具体地,通过以下灰度处理加权平均算法公式对所述图像进行灰度处理:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,i、j代表一个像素点在二维空间向量的位置,即:第i行,第j列。
根据上述公式,计算所述图像中每个像素点的灰度值,取值范围是0-255,使所述图像呈现黑白灰状态。通过上述方法完成图像样本的采集,并在本地服务器中建立对应的数据库以存储所述图像样本。
在一种可选的实施例中,S400:根据所述车辆垂直像素、所述车辆水平像素以及所述待识别图像中斑马线的比例尺,计算所述待识别图像中对应车辆的尺寸及比例,具体包括:
根据所述斑马线区域中斑马线的实际长度和实际宽度、所述待识别图像中斑马线的垂直像素和水平像素,计算所述待识别图像中斑马线的比例尺;
在本实施例中,可以根据《道路交通标志和标线》抽取出人行过街斑马线的长度、宽度、间隔等信息,例如:宽45厘米,间距60厘米,长度500厘米。而现场抓拍的斑马线在所述待识别图像中对应的垂直像素、水平像素是已确定的。基于上述斑马线的实际尺寸(即长度、宽度)以及在所述待识别图像中对应的垂直像素、水平像素,得出所述待识别图像中斑马线的比例尺。具体地,可调用画图工具,确定所述待识别图像中对应的垂直像素、水平像素;进一步地,通过调用Photoshop测量所述待识别图像中对应的垂直像素、水平像素。例如:现场抓拍的斑马线在所述待识别图像中对应的垂直像素是50px,其实际长度是500cm;那么,该斑马线的比例尺是50:500,即:图像中的1px对应实际尺寸的10cm。
根据所述车辆垂直像素、所述车辆水平像素以及所述待识别图像中斑马线的比例尺,采用等比例换算法计算所述待识别图像中对应车辆的长度、宽度,并计算所述待识别图像中对应车辆的长宽比。
基于上述斑马线的比例尺,以等比例换算法得出识别车辆的实际尺寸及比例(即车辆的长度、宽度以及长宽比)。例如:识别车辆在所述待识别图像中的垂直像素是18px、水平像素是46px,基于上述1px:10cm的比例尺,可以推算出该车辆的实际尺寸及比例是:宽度180cm、长度460cm,宽度与长度的比例关系是1:2.6。
在一种可选的实施例中,所述将所述待识别图像转换为HSV图像,具体包括:
根据公式(1)、(2)和(3),将将所述待识别图像转换为HSV图像;
V=Cmax (3)
其中,R′=R/255,G′=R/255,B′=R/255,Cmax=max(R',G',B'),Cmin=mi n(R',G',B'),△=Cmax-Cmin。
如图2所示,所述车型识别方法的车辆识别流程如下:
步骤1:采集斑马线区域及其周边车辆的视频,建立车辆的图像样本数据库;
步骤2:建立车型识别模型,基于上述车辆的图像样本反复训练,自动识别图像车辆;
步骤3:训练达到系统设置阀值,如:20万次。若是,训练停止,通过损失函数,得出车型识别模型的识别准确率;若否,返回步骤2;
步骤4:准确率达到某一阀值,如:80%。?若否,重新调整车辆类别信息;若是,把车型识别模型应用于现场抓拍;
步骤5:摄像头现场抓拍斑马线区域及其周边车辆的视频;
步骤6:基于车型识别模型,识别视频图像车辆;
步骤7:基于斑马线在待识别图像中的比例尺,得出识别车辆的实际尺寸及比例;
步骤8:基于上述车辆的实际尺寸及比例,对车型官方网站数据进行一次筛选;
步骤9:把待识别图像转换成HSV图像,得出识别车辆的色相值;
步骤10:基于上述色相值,对上述一次筛选结果进行二次筛选;
步骤11:输出与识别车辆相符的车型信息。
相对于现有技术,所述车型识别方法有如下优势:
(1)以车型官方网站的数据以及斑马线在待识别图像中对应的像素尺寸(比例尺)为基准,根据识别车辆的尺寸、比例及颜色,对车型信息进行二次筛选,实现缩小车型判断范围的作用;
(2)本发明的车型识别流程简单有效,资源成本低廉,相对于传统的基于图像的车辆识别技术大大减少识别工作量,缩短运算时间,提高工作效率以及识别准确率;同时可以减少外在条件对图像识别的影响性。
请参阅图3,其是本发明实施例提供的一种车型识别装置的示意图;所述车型识别装置是执行上述车型识别方法对应的装置,并具体包括:
模型构建模块1,用于采用卷积神经网络算法对预先采集的图像样本进行训练,构建车型识别模型;
卷积神经网络算法,是对存储在数据库中大量图像样本,交替进行卷积和池化操作,逐渐提取图像的高层特征,对特征进行分类,完成识别功能。所述高层特征,是从大样本数据中学习,能应对一定程度的偏移、尺度变化以及形变,保证特征较强的可分性,对特征分类具有理想的检测效果,降低了模型的复杂度。
图像抓拍模块2,用于通过摄像头对斑马线区域及其周边的车辆进行抓拍,以得到待识别图像;
车型识别模块3,用于采用所述车型识别模型对所述待识别图像进行车型识别,以得到所述待识别图像中对应车辆的车型识别信息;其中,所述车型识别信息包括:车辆类别信息、车辆坐标、车辆垂直像素以及车辆水平像素;
尺寸比例计算模块4,用于根据所述车辆垂直像素、所述车辆水平像素以及所述待识别图像中斑马线的比例尺,计算所述待识别图像中对应车辆的尺寸及比例;
第一搜索模块5,用于从网站中搜索出符合所述待识别图像中对应车辆的尺寸及比例的第一车型信息;
所述网址包括车型官方网站。基于上述车辆的尺寸及比例(所述尺寸指的是车辆的长度、宽度,所述比例指的是长宽比),对车型官方网站的数据实现一次筛选,保留与之相符的车型信息,例如:车辆的实际尺寸及比例符合“宽度180cm、长度460cm,宽度与长度的比例关系是1:2.6”条件的车型信息。
第二搜索模块6,用于将所述待识别图像转换为HSV图像,并从所述第一车型信息中搜索出与所述HSV图像中的车辆的色相值对应的第二车辆信息。
由于摄像头现场抓拍的视频图像是RGB图像,该颜色标准是通过对红、绿、蓝三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色;相比HSV图像,后者更接近用户的视觉颜色,直观地表达色彩的明暗、色调以及鲜艳程度,便于颜色之间的分离、对比。
因此,通过将所述待识别图像转换为HSV图像,可以基于所述HSV图像中车辆的H值,得出车辆的色相值。基于上述色相值以及一次筛选结果,对车型官方网站数据实现二次筛选,保留所述第一车辆信息中与所述色相值相符合的第二车型信息,即:车辆的色相值、实际尺寸及比例符合“H=240°,宽度180cm、长度460cm,宽度与长度的比例关系是1:2.6”条件的车型信息,实现对车型官方网站数据的二次筛选操作,大大缩小车型判断范围。若车型唯一,则输出车辆的具体车型信息;若车型不唯一,则输出符合条件的车型信息。
根据系统预先设置的车辆类别信息,如:微型车、小型车、中型车、中大型车、大型车等,把所述图像样本对应各个类别进行分类。通过卷积神经网络算法,对分类后的所述图像样本进行特征提取、反复识别训练,将提取的特征向量对应各个类别进行存储,从而完成的车型识别模型的构建。进一步地,对于待识别图像,首先通过所述车型识别模型进行初步识别,得到车辆的车辆类别信息、车辆坐标、车辆垂直像素以及车辆水平像素;然后根据计算所得的车辆的实际尺寸及比例,对车型官方网站的数据进行车辆信息的一次筛选,得到第一车型信息;最后根据所述待识别图像中的车辆的色相值,对第一车型信息进行二次筛选,得到第二车型信息,并输出到终端显示。上述装置能够有效缩小车型的判断范围,计算过程简单有效,资源成本低廉,相对于传统的基于图像的车辆识别技术大大减少识别工作量,缩短运算时间,提高工作效率以及识别准确率;同时可以减少外在条件对图像识别的影响性。
在一种可选的实施例中,所述模型构建模块1包括:
样本划分单元,用于将预先采集的图像样本划分为训练图像样本和测试图像样本;
车型识别模型构建单元,用于采用卷积神经网络算法对所述训练图像样本进行训练,构建所述车型识别模型;
车型识别模型测试单元,用于将所述测试图像样本输入到所述车型识别模型,得到车型识别测试结果;其中,所述车型识别测试结果为所述车型识别模型中损失函数输出的结果;
车型识别模型调整单元,用于根据所述车型识别测试结果,判断所述车型识别模型的识别准确率是否达到预设阈值;若否,则调整所述车型识别模型中的车辆类别信息并重新训练所述训练图像样本;若是,确定所述车型识别模型构建完成。
在本实施例中,基于所述图像样本的总数量,把车辆图像分成两类,一类是训练图像样本,一类是测试图像样本。所述训练图像样本为所述图像样本的90%,用于模型识别训练时使用;所述测试图像样本为所述图像样本的10%,用户模型识别训练完毕后,试运行测试时使用。所述训练图像样本存储在本地服务器的训练图像数据库中,所述测试图像样本存储在本地服务器的测试图像数据库中。
当所述训练图像数据库中的训练图像样本反复训练的次数达到系统设定数值,模型训练停止,得到所述车型识别模型。进一步地,所述设定数值为20万次。
根据损失函数的输出结果,判断所述车型识别模型识别的准确性。若准确性达到系统预设阀值,模型视为理想,可与测试图像数据库的测试图像样本进行试运行测试;否则,模型视为不理想,需重新调整参数,继续与所述训练图像数据库的训练图像样本反复训练。所述参数是指所述车辆识别模型的车辆类别信息,如上述的“微型车、小型车、中型车、中大型车、大型车”等几个类别。进一步地,所述预设阈值为80%。
在一种可选的实施例中,所述车型识别装置还包括:
图像提取模块,用于按照设定的帧数从预先抓拍的斑马线区域及其周边车辆的视频中提取若干张图像;
通过安装在斑马线区域附近的摄像头,大量抓拍关于斑马线区域及其周边车辆的视频。系统提取视频,并按照设定的帧数,把视频拆分成多张图像。上述采集方式,可以从不同角度收集车辆信息,为接下来的车型识别提供更为准确的保障。进一步地,所述设定的帧数为30帧。
灰度处理模块,用于采用加权平均算法对所述图像进行灰度处理,以获得所述图像样本。
由于从视频中提取出来的图像是RGB彩色图像,其具体由多个像素点组成,且每个像素点都由RGB三个值表示;对所述图像进行灰度处理,并不会影响图像的纹理特征信息,而且每个像素点只需一个灰度值便可表示,大大提高了车辆图像处理效率。具体地,通过以下灰度处理加权平均算法公式对所述图像进行灰度处理:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,i、j代表一个像素点在二维空间向量的位置,即:第i行,第j列。
根据上述公式,计算所述图像中每个像素点的灰度值,取值范围是0-255,使所述图像呈现黑白灰状态。通过上述方法完成图像样本的采集,并在本地服务器中建立对应的数据库以存储所述图像样本。
在一种可选的实施例中,所述尺寸比例计算模块4包括:
比例尺计算单元,用于根据所述斑马线区域中斑马线的实际长度和实际宽度、所述待识别图像中斑马线的垂直像素和水平像素,计算所述待识别图像中斑马线的比例尺;
在本实施例中,可以根据《道路交通标志和标线》抽取出人行过街斑马线的长度、宽度、间隔等信息,例如:宽45厘米,间距60厘米,长度500厘米。而现场抓拍的斑马线在所述待识别图像中对应的垂直像素、水平像素是已确定的。基于上述斑马线的实际尺寸(即长度、宽度)以及在所述待识别图像中对应的垂直像素、水平像素,得出所述待识别图像中斑马线的比例尺。具体地,可调用画图工具,确定所述待识别图像中对应的垂直像素、水平像素;进一步地,通过调用Photoshop测量所述待识别图像中对应的垂直像素、水平像素。例如:现场抓拍的斑马线在所述待识别图像中对应的垂直像素是50px,其实际长度是500cm;那么,该斑马线的比例尺是50:500,即:图像中的1px对应实际尺寸的10cm。
车辆尺寸比例计算单元,用于根据所述车辆垂直像素、所述车辆水平像素以及所述待识别图像中斑马线的比例尺,采用等比例换算法计算所述待识别图像中对应车辆的长度、宽度,并计算所述待识别图像中对应车辆的长宽比。
基于上述斑马线的比例尺,以等比例换算法得出识别车辆的实际尺寸及比例(即车辆的长度、宽度以及长宽比)。例如:识别车辆在所述待识别图像中的垂直像素是18px、水平像素是46px,基于上述1px:10cm的比例尺,可以推算出该车辆的实际尺寸及比例是:宽度180cm、长度460cm,宽度与长度的比例关系是1:2.6。
在一种可选的实施例中,上述第二搜索模块6,具体用于根据公式(1)、(2)和(3),将将所述待识别图像转换为HSV图像;
V=Cmax (3)
其中,R′=R/255,G′=R/255,B′=R/255,Cmax=max(R',G',B'),Cmin=mi n(R',G',B'),△=Cmax-Cmin。
如图2所示,所述车型识别方法的车辆识别流程如下:
步骤1:采集斑马线区域及其周边车辆的视频,建立车辆的图像样本数据库;
步骤2:建立车型识别模型,基于上述车辆的图像样本反复训练,自动识别图像车辆;
步骤3:训练达到系统设置阀值,如:20万次。若是,训练停止,通过损失函数,得出车型识别模型的识别准确率;若否,返回步骤2;
步骤4:准确率达到某一阀值,如:80%。?若否,重新调整车辆类别信息;若是,把车型识别模型应用于现场抓拍;
步骤5:摄像头现场抓拍斑马线区域及其周边车辆的视频;
步骤6:基于车型识别模型,识别视频图像车辆;
步骤7:基于斑马线在待识别图像中的比例尺,得出识别车辆的实际尺寸及比例;
步骤8:基于上述车辆的实际尺寸及比例,对车型官方网站数据进行一次筛选;
步骤9:把待识别图像转换成HSV图像,得出识别车辆的色相值;
步骤10:基于上述色相值,对上述一次筛选结果进行二次筛选;
步骤11:输出与识别车辆相符的车型信息。
相对于现有技术,所述车型识别方法有如下优势:
(1)以车型官方网站的数据以及斑马线在待识别图像中对应的像素尺寸(比例尺)为基准,根据识别车辆的尺寸、比例及颜色,对车型信息进行二次筛选,实现缩小车型判断范围的作用;
(2)本发明的车型识别流程简单有效,资源成本低廉,相对于传统的基于图像的车辆识别技术大大减少识别工作量,缩短运算时间,提高工作效率以及识别准确率;同时可以减少外在条件对图像识别的影响性。
本发明实施例还提供了一种车型识别方法,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的车型识别方法。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述车型识别装置中的执行过程。例如,所述计算机程序可以被分割成如图3所示的车型识别装置的功能模块。
所述车型识别装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述车型识别装置可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是车型识别装置的示例,并不构成对车型识别装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述车型识别装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述车型识别装置的控制中心,利用各种接口和线路连接整个车型识别装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述车型识别装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述车型识别装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本发明实施例还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的车型识别方法。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种车型识别方法,其特征在于,包括:
采用卷积神经网络算法对预先采集的图像样本进行训练,构建车型识别模型;
通过摄像头对斑马线区域及其周边的车辆进行抓拍,以得到待识别图像;
采用所述车型识别模型对所述待识别图像进行车型识别,以得到所述待识别图像中对应车辆的车型识别信息;其中,所述车型识别信息包括:车辆类别信息、车辆坐标、车辆垂直像素以及车辆水平像素;
根据所述车辆垂直像素、所述车辆水平像素以及所述待识别图像中斑马线的比例尺,计算所述待识别图像中对应车辆的尺寸及比例;
从网站中搜索出符合所述待识别图像中对应车辆的尺寸及比例的第一车型信息;
将所述待识别图像转换为HSV图像,并从所述第一车型信息中搜索出与所述HSV图像中的车辆的色相值对应的第二车辆信息。
2.如权利要求1所述的车型识别方法,其特征在于,所述采用卷积神经网络算法对预先采集的图像样本进行训练,构建车型识别模型,具体包括:
将预先采集的图像样本划分为训练图像样本和测试图像样本;
采用卷积神经网络算法对所述训练图像样本进行训练,构建所述车型识别模型;
将所述测试图像样本输入到所述车型识别模型,得到车型识别测试结果;其中,所述车型识别测试结果为所述车型识别模型中损失函数输出的结果;
根据所述车型识别测试结果,判断所述车型识别模型的识别准确率是否达到预设阈值;若否,则调整所述车型识别模型中的车辆类别信息并重新训练所述训练图像样本;若是,确定所述车型识别模型构建完成。
3.如权利要求2所述的车型识别方法,其特征在于,所述将预先采集的图像样本划分为训练图像样本和测试图像样本之前还包括:
按照设定的帧数从预先抓拍的斑马线区域及其周边车辆的视频中提取若干张图像;
采用加权平均算法对所述图像进行灰度处理,以获得所述图像样本。
4.如权利要求2所述的车型识别方法,其特征在于,所述预设阈值为80%。
5.如权利要求1所述的车型识别方法,其特征在于,根据所述车辆垂直像素、所述车辆水平像素以及所述待识别图像中斑马线的比例尺,计算所述待识别图像中对应车辆的尺寸及比例,具体包括:
根据所述斑马线区域中斑马线的实际长度和实际宽度、所述待识别图像中斑马线的垂直像素和水平像素,计算所述待识别图像中斑马线的比例尺;
根据所述车辆垂直像素、所述车辆水平像素以及所述待识别图像中斑马线的比例尺,采用等比例换算法计算所述待识别图像中对应车辆的长度、宽度,并计算所述待识别图像中对应车辆的长宽比。
6.如权利要求1所述的车型识别方法,其特征在于,所述将所述待识别图像转换为HSV图像,具体包括:
根据公式(1)、(2)和(3),将将所述待识别图像转换为HSV图像;
V=Cmax (3)
其中,R′=R/255,G′=R/255,B′=R/255,Cmax=max(R',G',B'),Cmin=min(R',G',B'),△=Cmax-Cmin。
7.一种车型识别装置,其特征在于,包括:
模型构建模块,用于采用卷积神经网络算法对预先采集的图像样本进行训练,构建车型识别模型;
图像抓拍模块,用于通过摄像头对斑马线区域及其周边的车辆进行抓拍,以得到待识别图像;
车型识别模块,用于采用所述车型识别模型对所述待识别图像进行车型识别,以得到所述待识别图像中对应车辆的车型识别信息;其中,所述车型识别信息包括:车辆类别信息、车辆坐标、车辆垂直像素以及车辆水平像素;
尺寸比例计算模块,用于根据所述车辆垂直像素、所述车辆水平像素以及所述待识别图像中斑马线的比例尺,计算所述待识别图像中对应车辆的尺寸及比例;
第一搜索模块,用于从网站中搜索出符合所述待识别图像中对应车辆的尺寸及比例的第一车型信息;
第二搜索模块,用于将所述待识别图像转换为HSV图像,并从所述第一车型信息中搜索出与所述HSV图像中的车辆的色相值对应的第二车辆信息。
8.如权利要求7所述的车型识别装置,其特征在于,所述模型构建模块包括:
样本划分单元,用于将预先采集的图像样本划分为训练图像样本和测试图像样本;
车型识别模型构建单元,用于采用卷积神经网络算法对所述训练图像样本进行训练,构建所述车型识别模型;
车型识别模型测试单元,用于将所述测试图像样本输入到所述车型识别模型,得到车型识别测试结果;其中,所述车型识别测试结果为所述车型识别模型中损失函数输出的结果;
车型识别模型调整单元,用于根据所述车型识别测试结果,判断所述车型识别模型的识别准确率是否达到预设阈值;若否,则调整所述车型识别模型中的车辆类别信息并重新训练所述训练图像样本;若是,确定所述车型识别模型构建完成。
9.一种车型识别方法,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的车型识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的车型识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810948918.7A CN109101934A (zh) | 2018-08-20 | 2018-08-20 | 车型识别方法、装置与计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810948918.7A CN109101934A (zh) | 2018-08-20 | 2018-08-20 | 车型识别方法、装置与计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109101934A true CN109101934A (zh) | 2018-12-28 |
Family
ID=64850250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810948918.7A Pending CN109101934A (zh) | 2018-08-20 | 2018-08-20 | 车型识别方法、装置与计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109101934A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859489A (zh) * | 2019-01-30 | 2019-06-07 | 驭势科技(北京)有限公司 | 一种车距估计方法、装置、车载设备及存储介质 |
CN110414477A (zh) * | 2019-08-06 | 2019-11-05 | 广东三维家信息科技有限公司 | 图像比例尺检测方法及装置 |
CN110619304A (zh) * | 2019-09-17 | 2019-12-27 | 中控智慧科技股份有限公司 | 一种车型识别方法、系统、装置及计算机可读介质 |
CN110633690A (zh) * | 2019-09-24 | 2019-12-31 | 北京邮电大学 | 基于桥梁监控的车辆特征识别方法及系统 |
CN110956093A (zh) * | 2019-11-08 | 2020-04-03 | 武汉东湖大数据交易中心股份有限公司 | 基于大数据的模型识别方法、装置、设备及介质 |
CN111122390A (zh) * | 2019-12-30 | 2020-05-08 | 徐开 | 一种基于人工智能模型的界面张力测量方法 |
CN111652087A (zh) * | 2020-05-15 | 2020-09-11 | 泰康保险集团股份有限公司 | 验车方法、装置、电子设备和存储介质 |
CN111931557A (zh) * | 2020-06-19 | 2020-11-13 | 广州图匠数据科技有限公司 | 瓶装饮品的规格识别方法、装置、终端设备及可读存介质 |
CN112115737A (zh) * | 2019-06-19 | 2020-12-22 | 初速度(苏州)科技有限公司 | 一种车辆朝向的确定方法、装置及车载终端 |
CN112419740A (zh) * | 2019-08-23 | 2021-02-26 | 杭州海康威视系统技术有限公司 | 车辆状态识别方法及装置 |
CN113920751A (zh) * | 2021-10-19 | 2022-01-11 | 深圳市一诺成电子有限公司 | 高清数码相框动态追踪控制系统及方法 |
CN114202927A (zh) * | 2021-12-27 | 2022-03-18 | 招商局重庆公路工程检测中心有限公司 | 一种基于多传感器融合的车型检测方法 |
CN114871120A (zh) * | 2022-05-26 | 2022-08-09 | 江苏省徐州医药高等职业学校 | 基于图像数据处理的药品确定分拣方法及装置 |
RU2786450C1 (ru) * | 2022-03-04 | 2022-12-21 | Общество с ограниченной ответственностью "МЕГАПОЛИС ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ" | Комплекс для регулирования дорожного движения и способ регулирования дорожного движения |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246553A (zh) * | 2008-03-07 | 2008-08-20 | 北京航空航天大学 | 一种基于三角剖分变换的车型识别方法 |
CN102375982A (zh) * | 2011-10-18 | 2012-03-14 | 华中科技大学 | 一种融合多字符特征的车牌定位方法 |
CN103198300A (zh) * | 2013-03-28 | 2013-07-10 | 南通大学 | 基于双层背景的停车事件检测方法 |
CN103530366A (zh) * | 2013-10-12 | 2014-01-22 | 湖北微模式科技发展有限公司 | 一种基于自定义特征的车辆搜索方法与系统 |
CN103528531A (zh) * | 2013-10-29 | 2014-01-22 | 山东理工大学 | 小型车车辆参数的物联网图像智能检测系统 |
CN105975941A (zh) * | 2016-05-31 | 2016-09-28 | 电子科技大学 | 一种基于深度学习的多方向车型检测识别系统 |
CN106096531A (zh) * | 2016-05-31 | 2016-11-09 | 安徽省云力信息技术有限公司 | 一种基于深度学习的交通图像多类型车辆检测方法 |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN106446834A (zh) * | 2016-09-27 | 2017-02-22 | 东软集团股份有限公司 | 一种基于图像的车型识别方法及装置 |
CN106570477A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院自动化研究所 | 基于深度学习的车型识别模型构建方法及车型识别方法 |
CN106652487A (zh) * | 2016-11-28 | 2017-05-10 | 重庆交通大学 | 一种交通密度检测系统及其检测方法 |
CN106776943A (zh) * | 2016-12-01 | 2017-05-31 | 中科唯实科技(北京)有限公司 | 一种基于AutoEncoder和属性标签的车辆检索方法 |
CN107067752A (zh) * | 2017-05-17 | 2017-08-18 | 北京联合大学 | 基于无人机航拍图像的车速估算系统及方法 |
CN107145487A (zh) * | 2016-03-01 | 2017-09-08 | 深圳中兴力维技术有限公司 | 图像搜索方法和装置 |
-
2018
- 2018-08-20 CN CN201810948918.7A patent/CN109101934A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246553A (zh) * | 2008-03-07 | 2008-08-20 | 北京航空航天大学 | 一种基于三角剖分变换的车型识别方法 |
CN102375982A (zh) * | 2011-10-18 | 2012-03-14 | 华中科技大学 | 一种融合多字符特征的车牌定位方法 |
CN103198300A (zh) * | 2013-03-28 | 2013-07-10 | 南通大学 | 基于双层背景的停车事件检测方法 |
CN103530366A (zh) * | 2013-10-12 | 2014-01-22 | 湖北微模式科技发展有限公司 | 一种基于自定义特征的车辆搜索方法与系统 |
CN103528531A (zh) * | 2013-10-29 | 2014-01-22 | 山东理工大学 | 小型车车辆参数的物联网图像智能检测系统 |
CN107145487A (zh) * | 2016-03-01 | 2017-09-08 | 深圳中兴力维技术有限公司 | 图像搜索方法和装置 |
CN106096531A (zh) * | 2016-05-31 | 2016-11-09 | 安徽省云力信息技术有限公司 | 一种基于深度学习的交通图像多类型车辆检测方法 |
CN105975941A (zh) * | 2016-05-31 | 2016-09-28 | 电子科技大学 | 一种基于深度学习的多方向车型检测识别系统 |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN106446834A (zh) * | 2016-09-27 | 2017-02-22 | 东软集团股份有限公司 | 一种基于图像的车型识别方法及装置 |
CN106570477A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院自动化研究所 | 基于深度学习的车型识别模型构建方法及车型识别方法 |
CN106652487A (zh) * | 2016-11-28 | 2017-05-10 | 重庆交通大学 | 一种交通密度检测系统及其检测方法 |
CN106776943A (zh) * | 2016-12-01 | 2017-05-31 | 中科唯实科技(北京)有限公司 | 一种基于AutoEncoder和属性标签的车辆检索方法 |
CN107067752A (zh) * | 2017-05-17 | 2017-08-18 | 北京联合大学 | 基于无人机航拍图像的车速估算系统及方法 |
Non-Patent Citations (2)
Title |
---|
XUEZHI WEN ET AL.: "An Algorithm Based on Imbalance Samples for Vehicle Recognition", 《2009 FIRST INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND ENGINEERING》 * |
彭春柳: "基于多特征融合的车辆检索", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859489A (zh) * | 2019-01-30 | 2019-06-07 | 驭势科技(北京)有限公司 | 一种车距估计方法、装置、车载设备及存储介质 |
CN112115737B (zh) * | 2019-06-19 | 2022-06-10 | 魔门塔(苏州)科技有限公司 | 一种车辆朝向的确定方法、装置及车载终端 |
CN112115737A (zh) * | 2019-06-19 | 2020-12-22 | 初速度(苏州)科技有限公司 | 一种车辆朝向的确定方法、装置及车载终端 |
CN110414477B (zh) * | 2019-08-06 | 2021-11-23 | 广东三维家信息科技有限公司 | 图像比例尺检测方法及装置 |
CN110414477A (zh) * | 2019-08-06 | 2019-11-05 | 广东三维家信息科技有限公司 | 图像比例尺检测方法及装置 |
CN112419740A (zh) * | 2019-08-23 | 2021-02-26 | 杭州海康威视系统技术有限公司 | 车辆状态识别方法及装置 |
CN110619304A (zh) * | 2019-09-17 | 2019-12-27 | 中控智慧科技股份有限公司 | 一种车型识别方法、系统、装置及计算机可读介质 |
CN110633690A (zh) * | 2019-09-24 | 2019-12-31 | 北京邮电大学 | 基于桥梁监控的车辆特征识别方法及系统 |
CN110633690B (zh) * | 2019-09-24 | 2022-07-01 | 北京邮电大学 | 基于桥梁监控的车辆特征识别方法及系统 |
CN110956093A (zh) * | 2019-11-08 | 2020-04-03 | 武汉东湖大数据交易中心股份有限公司 | 基于大数据的模型识别方法、装置、设备及介质 |
CN111122390A (zh) * | 2019-12-30 | 2020-05-08 | 徐开 | 一种基于人工智能模型的界面张力测量方法 |
CN111652087A (zh) * | 2020-05-15 | 2020-09-11 | 泰康保险集团股份有限公司 | 验车方法、装置、电子设备和存储介质 |
CN111652087B (zh) * | 2020-05-15 | 2023-07-18 | 泰康保险集团股份有限公司 | 验车方法、装置、电子设备和存储介质 |
CN111931557A (zh) * | 2020-06-19 | 2020-11-13 | 广州图匠数据科技有限公司 | 瓶装饮品的规格识别方法、装置、终端设备及可读存介质 |
CN113920751A (zh) * | 2021-10-19 | 2022-01-11 | 深圳市一诺成电子有限公司 | 高清数码相框动态追踪控制系统及方法 |
CN113920751B (zh) * | 2021-10-19 | 2022-08-26 | 深圳市一诺成电子有限公司 | 高清数码相框动态追踪控制系统及方法 |
CN114202927A (zh) * | 2021-12-27 | 2022-03-18 | 招商局重庆公路工程检测中心有限公司 | 一种基于多传感器融合的车型检测方法 |
CN114202927B (zh) * | 2021-12-27 | 2022-11-15 | 招商局重庆公路工程检测中心有限公司 | 一种基于多传感器融合的车型检测方法 |
RU2786450C1 (ru) * | 2022-03-04 | 2022-12-21 | Общество с ограниченной ответственностью "МЕГАПОЛИС ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ" | Комплекс для регулирования дорожного движения и способ регулирования дорожного движения |
CN114871120A (zh) * | 2022-05-26 | 2022-08-09 | 江苏省徐州医药高等职业学校 | 基于图像数据处理的药品确定分拣方法及装置 |
CN114871120B (zh) * | 2022-05-26 | 2023-11-07 | 江苏省徐州医药高等职业学校 | 基于图像数据处理的药品确定分拣方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101934A (zh) | 车型识别方法、装置与计算机可读存储介质 | |
CN108764372B (zh) | 数据集的构建方法和装置、移动终端、可读存储介质 | |
CN109165623B (zh) | 基于深度学习的水稻病斑检测方法及系统 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN108717524B (zh) | 一种基于双摄手机和人工智能系统的手势识别系统 | |
WO2017092431A1 (zh) | 基于肤色的人手检测方法及装置 | |
CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
CN112651438A (zh) | 多类别图像的分类方法、装置、终端设备和存储介质 | |
CN111935479B (zh) | 一种目标图像确定方法、装置、计算机设备及存储介质 | |
CN104063686B (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
CN103164687B (zh) | 一种色情图像侦测的方法和系统 | |
CN112257526B (zh) | 一种基于特征交互学习的动作识别方法及终端设备 | |
CN109829924B (zh) | 一种基于主体特征分析的图像质量评价方法 | |
CN108154102A (zh) | 一种道路交通标志识别方法 | |
CN104484658A (zh) | 一种基于多通道卷积神经网络的人脸性别识别方法及装置 | |
US20130342694A1 (en) | Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device | |
CN110298281B (zh) | 视频结构化方法、装置、电子设备及存储介质 | |
CN109190456B (zh) | 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法 | |
CN112307853A (zh) | 航拍图像的检测方法、存储介质和电子装置 | |
CN112464766A (zh) | 一种农田地头自动识别方法及系统 | |
CN111881849A (zh) | 图像场景检测方法、装置、电子设备及存储介质 | |
CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN111161281A (zh) | 一种人脸区域识别方法、装置及存储介质 | |
CN110569716A (zh) | 一种货架图像翻拍检测方法 | |
CN108052918A (zh) | 一种笔迹比对系统及方法 |
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 |