CN109165602A - 一种基于视频分析的黑烟车检测方法 - Google Patents
一种基于视频分析的黑烟车检测方法 Download PDFInfo
- Publication number
- CN109165602A CN109165602A CN201810983300.4A CN201810983300A CN109165602A CN 109165602 A CN109165602 A CN 109165602A CN 201810983300 A CN201810983300 A CN 201810983300A CN 109165602 A CN109165602 A CN 109165602A
- Authority
- CN
- China
- Prior art keywords
- black smoke
- vehicle
- image
- detection method
- video analysis
- 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
- 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
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频分析的黑烟车检测方法,包括:采集若干车辆图像,进行样本标记,构建训练样本;对训练样本进行图像处理,构建深度学习框架的训练模型;黑烟车检测;粗判定:获取目标车辆图像,采用高斯混合模型判断车尾区域的黑烟值,若黑烟值小于设定的阈值,则为非黑烟车辆,否则进行细判定,粗判定可能为黑烟车型后,采用光流法对该车进行跟踪;细判定:分析多贞车辆图像,采用黑烟能量直方图对称性对黑烟车进行判定,判断目标车辆为黑烟车或非黑烟车。该基于视频分析的黑烟车检测方法能够提高对黑烟车检测的准确性。
Description
技术领域
本发明属于黑烟车检测技术领域,具体地说,涉及一种基于视频分析的黑烟车检测方法。
背景技术
近年来,随着经济的发展,科技的进步,科技的高速发展,伴随而来的是大量的环境污染问题,车辆的排放尾气就是其中环境污染的一个较大的污染源。响应政府的号召,节能减排,有利于对环境进行保护。其中黑烟车对人们的生活水平和生存环境带去了很大的威胁,严重污染空气质量,因此需要对不符合要求的黑烟车统计、审查。
发明内容
针对上述出现的问题,本发明的目的在于提供一种基于视频分析的黑烟车检测方法,能够提高识别黑烟车的准确性。
为解决上述技术问题,本发明采用技术方案的基本构思是:
本发明的基于视频分析的黑烟车检测方法,包括以下步骤:
步骤一、采集若干车辆图像,主要是车辆的尾部图像,进行样本标记,构建训练样本;
步骤二、对训练样本进行图像处理,构建深度学习框架的训练模型;
步骤三、黑烟车检测;
粗判定:获取目标车辆图像,采用高斯混合模型判断车尾区域的黑烟值,若黑烟值小于
设定的阈值,则为非黑烟车辆,否则进行细判定,粗判定可能为黑烟车型后,采用光流
法对该车进行跟踪;
细判定:分析多贞车辆图像,采用黑烟能量直方图对称性对黑烟车进行判定,判断目标
车辆为黑烟车或非黑烟车。
本发明的基于视频分析的黑烟车检测方法,在进行步骤二时,首先采用大数据对目标样本进行分析,对车辆进行检测,首先排除非黑烟车的车型,分析出黑烟车可能的车型,采用深度卷积神经网络进行训练,得到训练模型。
本发明的基于视频分析的黑烟车检测方法,对判定为黑烟车的车辆,对该车的车牌进行识别,将识别到该车的车牌信息存储并报送至监控室。
本发明的基于视频分析的黑烟车检测方法,在步骤三中的光流法跟踪车辆方法为:
a、对一个连续的图像视频帧序列进行处理;
b、针对每一帧图像检测前景目标;
c、如果某一帧出现了前景目标,提取其具有代表性的特征点u;
d、对于之后的两个相邻视频帧,寻找上一帧的特征点在当前帧出现的最佳位置从而得到前景目标在当前帧的中的位置;
e、如此迭代进行,实现目标的跟踪。
本发明的基于视频分析的黑烟车检测方法,黑烟值的判定方法为:
将黑烟区域图像二值化,再对图像的每一列统计像素值出现的次数形成直方图,寻找直方图的峰值位置,以此峰值位置为标准将黑烟图像分为两部分,车尾黑烟区域普遍呈对称性,分析对称性。
本发明的基于视频分析的黑烟车检测方法,对称性分析为:黑烟区域图像为Is,左边黑
烟区域直方图能量为El,右边黑烟区域直方图能量为Er,按照下式:
如果黑烟区域的直方图累计能量比值大于阈值T,则此区域有黑烟出现,否则没有黑烟。
本发明的基于视频分析的黑烟车检测方法,在步骤c、d中的具体方法为:
光流跟踪的方法:给定的图像I中的点u,找到图像J中与之对应的位置v=u+d或找到该点的像素位移量d即可。
本发明的基于视频分析的黑烟车检测方法,该点的像素位移量d通过下式得出:
本发明的基于视频分析的黑烟车检测方法,对于图像I中的特征点u,计算图像J中与该点对应的特征点v的步骤如下:
a、建立图像I和J的金字塔和
b、初始化金字塔的光流估计量
c、定位图像IL上点u的位置:
d、IL对x求偏导:
e、IL对y求偏导:
f、梯度矩阵:
g、在L层上的最终光流:
h、计算下一层L-1层的光流:
i、最后的光流矢量:d=g0+d0,在图像J上的对应特征点:v=u+d。
采用上述技术方案后,本发明与现有技术相比具有以下有益效果:
通过充分利用和改进现有目标检测、目标跟踪等领域的算法,开发一个能适应各种复杂环境情况下的黑烟车抓拍方法,该方法检测效率高,检测准确,能完成黑烟车抓拍的所有工作;通过深度学习的框架训练模型,且采用高斯混合模型判断车尾区域的黑烟值,并通过光流法对车进行跟踪,能够提高黑烟车的识别准确率,识别可靠性更高,并且通过粗判定与细判定两级判定方法,进一步提高判定的准确性。
下面对本发明的具体实施方式作进一步详细的描述。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面对实施例中的技术方案进行清楚、完整地描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
在本发明的描述中,需要说明的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“内”、“外”等指示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例一:
本发明的基于视频分析的黑烟车检测方法,包括以下步骤:
步骤一、采集若干车辆图像,主要是车辆的尾部图像,进行样本标记,构建训练样本;
步骤二、对训练样本进行图像处理,构建深度学习框架的训练模型;
步骤三、黑烟车检测;
粗判定:获取目标车辆图像,采用高斯混合模型判断车尾区域的黑烟值,若黑烟值小于设定的阈值,则为非黑烟车辆,否则进行细判定,粗判定可能为黑烟车型后,采用光流法对该车进行跟踪;
细判定:分析多贞车辆图像,采用黑烟能量直方图对称性对黑烟车进行判定,判断目标车辆为黑烟车或非黑烟车,从而达到识别效率高的效果。
在进行步骤二时,首先采用大数据对目标样本进行分析,对车辆进行检测,首先排除非黑烟车的车型,分析出黑烟车可能的车型,采用深度卷积神经网络进行训练,得到训练模型。在检测中,可首先排除轿车,着重检车货车,先建立货车图像数据库,对数据库进行标注,使用基于darknet框架的深度学习算法训练货车检测模型,使用训练好的模型对输入视频进行货车检测,输入为经过预处理的相机图像,输出为车辆在图像中的位置信息。
对判定为黑烟车的车辆,对该车的车牌进行识别,将识别到该车的车牌信息存储并报送至监控室。
本发明的基于视频分析的黑烟车检测方法,在步骤三中的光流法跟踪车辆方法为:
a、对一个连续的图像视频帧序列进行处理;
b、针对每一帧图像检测前景目标;
c、如果某一帧出现了前景目标,提取其具有代表性的特征点u;
d、对于之后的两个相邻视频帧,寻找上一帧的特征点在当前帧出现的最佳位置从而得到前景目标在当前帧的中的位置;
e、如此迭代进行,实现目标的跟踪。
黑烟值的判定方法为:
将黑烟区域图像二值化,再对图像的每一列统计像素值出现的次数形成直方图,寻找直方图的峰值位置,以此峰值位置为标准将黑烟图像分为两部分,车尾黑烟区域普遍呈对称性,分析对称性。
对称性分析为:黑烟区域图像为Is,左边黑烟区域直方图能量为El,右边黑烟区域直方图
能量为Er,按照下式:
如果黑烟区域的直方图累计能量比值大于阈值T,则此区域有黑烟出现,否则没有黑烟。
在步骤c、d中的具体方法为:
光流跟踪的方法:给定的图像I中的点u,找到图像J中与之对应的位置v=u+d或找到该点的像素位移量d即可,该点的像素位移量d通过下式得出:
对于图像I中的特征点u,计算图像J中与该点对应的特征点v的步骤如下:
a、建立图像I和J的金字塔和
b、初始化金字塔的光流估计量
c、定位图像IL上点u的位置:
d、IL对x求偏导:
e、IL对y求偏导:
f、梯度矩阵:
g、在L层上的最终光流:
h、计算下一层L-1层的光流:
i、最后的光流矢量:d=g0+d0,在图像J上的对应特征点:v=u+d。
从而得出特征点v的位置。
因此,通过该通过充分利用和改进现有目标检测、目标跟踪等领域的算法,开发一个能适应各种复杂环境情况下的黑烟车抓拍方法,该方法检测效率高,检测准确,能完成黑烟车抓拍的所有工作。通过深度学习的框架训练模型,且采用高斯混合模型判断车尾区域的黑烟值,并通过光流法对车进行跟踪,能够提高黑烟车的识别准确率,识别可靠性更高。
以上所述仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专利的技术人员在不脱离本发明技术方案范围内,当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明方案的范围内。
Claims (9)
1.一种基于视频分析的黑烟车检测方法,其特征在于,包括以下步骤:
步骤一、采集若干车辆图像,进行样本标记,构建训练样本;
步骤二、对训练样本进行图像处理,构建深度学习框架的训练模型;
步骤三、黑烟车检测;
粗判定:获取目标车辆图像,采用高斯混合模型判断车尾区域的黑烟值,若黑烟值小于设定的阈值,则为非黑烟车辆,否则进行细判定,粗判定可能为黑烟车型后,采用光流法对该车进行跟踪;
细判定:分析多贞车辆图像,采用黑烟能量直方图对称性对黑烟车进行判定,判断目标车辆为黑烟车或非黑烟车。
2.根据权利要求1所述的基于视频分析的黑烟车检测方法,其特征在于,在进行步骤二时,首先采用大数据对目标样本进行分析,对车辆进行检测,首先排除非黑烟车的车型,分析出黑烟车可能的车型,采用深度卷积神经网络进行训练,得到训练模型。
3.根据权利要求1所述的基于视频分析的黑烟车检测方法,其特征在于,对判定为黑烟车的车辆,对该车的车牌进行识别,将识别到该车的车牌信息存储并报送至监控室。
4.根据权利要求1所述的基于视频分析的黑烟车检测方法,其特征在于,在步骤三中的光流法跟踪车辆方法为:
a、对一个连续的图像视频帧序列进行处理;
b、针对每一帧图像检测前景目标;
c、 如果某一帧出现了前景目标,提取其具有代表性的特征点u;
d、 对于之后的两个相邻视频帧,寻找上一帧的特征点在当前帧出现的最佳位置从而得到前景目标在当前帧的中的位置;
e、如此迭代进行,实现目标的跟踪。
5.根据权利要求1所述的基于视频分析的黑烟车检测方法,其特征在于,黑烟值的判定方法为:
将黑烟区域图像二值化,再对图像的每一列统计像素值出现的次数形成直方图,寻找直方图的峰值位置,以此峰值位置为标准将黑烟图像分为两部分,车尾黑烟区域普遍呈对称性,分析对称性。
6.根据权利要求5所述的基于视频分析的黑烟车检测方法,其特征在于,
对称性分析为:黑烟区域图像为Is,左边黑烟区域直方图能量为El,右边黑烟区域直方图能量为Er,按照下式:
如果黑烟区域的直方图累计能量比值大于阈值T,则此区域有黑烟出现,否则没有黑烟。
7.根据权利要求4所述的基于视频分析的黑烟车检测方法,其特征在于,在步骤c、d中的具体方法为:
光流跟踪的方法:给定的图像I中的点u,找到图像J中与之对应的位置v=u+d或找到该点的像素位移量d即可。
8.根据权利要求7所述的基于视频分析的黑烟车检测方法,其特征在于,该点的像素位移量d通过下式得出:
。
9.根据权利要求7所述的基于视频分析的黑烟车检测方法,其特征在于,对于图像I中的特征点u,计算图像J中与该点对应的特征点v的步骤如下:
a、建立图像I和J的金字塔 和 ;
b、初始化金字塔的光流估计量;
c、定位图像IL上点u的位置: ;
d、IL对x求偏导 :
e、IL对y求偏导 :;
f、梯度矩阵: ;
g、在L层上的最终光流:;
h、计算下一层L-1层的光流 :;
i、最后的光流矢量:,在图像J上的对应特征点:。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810983300.4A CN109165602B (zh) | 2018-08-27 | 2018-08-27 | 一种基于视频分析的黑烟车检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810983300.4A CN109165602B (zh) | 2018-08-27 | 2018-08-27 | 一种基于视频分析的黑烟车检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109165602A true CN109165602A (zh) | 2019-01-08 |
CN109165602B CN109165602B (zh) | 2023-05-19 |
Family
ID=64896839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810983300.4A Active CN109165602B (zh) | 2018-08-27 | 2018-08-27 | 一种基于视频分析的黑烟车检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165602B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378629A (zh) * | 2021-04-27 | 2021-09-10 | 阿里云计算有限公司 | 一种排烟异常车辆的检测方法、装置 |
CN113487544A (zh) * | 2021-06-22 | 2021-10-08 | 杭州鸿泉物联网技术股份有限公司 | 车辆黑烟检测方法、装置、电子设备和存储介质 |
CN113762144A (zh) * | 2021-09-05 | 2021-12-07 | 东南大学 | 一种基于深度学习的黑烟车检测方法 |
CN115082834A (zh) * | 2022-07-20 | 2022-09-20 | 成都考拉悠然科技有限公司 | 一种基于深度学习工程车冒黑烟监测方法及系统 |
CN115604425A (zh) * | 2022-09-09 | 2023-01-13 | 中国铁塔股份有限公司浙江省分公司(Cn) | 应用于耕地智保场景的铁塔视联系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1077826A (ja) * | 1996-09-06 | 1998-03-24 | Nissan Motor Co Ltd | ディーゼルエンジンの黒煙浄化装置 |
CN1412541A (zh) * | 2001-10-08 | 2003-04-23 | 赵桂林 | 对汽车尾气进行实时检测用的红外激光检测系统和方法 |
WO2013125755A1 (ko) * | 2012-02-21 | 2013-08-29 | (주)인펙비전 | 매연차량 검출장치 |
CN103292159A (zh) * | 2013-05-03 | 2013-09-11 | 中国科学院光电研究院 | 一种基于成像的甲烷泄漏检测装置 |
CN204586537U (zh) * | 2015-03-09 | 2015-08-26 | 张睿娴 | 增程式全电驱动低速牵引车 |
CN106875424A (zh) * | 2017-01-16 | 2017-06-20 | 西北工业大学 | 一种基于机器视觉的城市环境行驶车辆行为识别方法 |
CN106951821A (zh) * | 2016-12-27 | 2017-07-14 | 湘潭大学 | 一种基于图像处理技术的黑烟车智能监控识别方法 |
CN107478590A (zh) * | 2017-08-08 | 2017-12-15 | 南京新远见智能科技有限公司 | 一种结合机动车智能视觉识别与尾气遥感检测的方法 |
CN108416316A (zh) * | 2018-03-19 | 2018-08-17 | 中南大学 | 一种黑烟车的检测方法及系统 |
CN109035298A (zh) * | 2018-09-05 | 2018-12-18 | 中南大学 | 一种基于黑烟运动特性的黑烟检测与dg计算方法 |
CN109300314A (zh) * | 2018-11-20 | 2019-02-01 | 北京朗观视觉科技有限公司 | 黑烟车实时监测抓拍装置及方法 |
CN110363104A (zh) * | 2019-06-24 | 2019-10-22 | 中国科学技术大学 | 一种柴油黑烟车的检测方法 |
CN114241189A (zh) * | 2021-11-30 | 2022-03-25 | 东南大学 | 一种基于深度学习的船舶黑烟识别方法 |
-
2018
- 2018-08-27 CN CN201810983300.4A patent/CN109165602B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1077826A (ja) * | 1996-09-06 | 1998-03-24 | Nissan Motor Co Ltd | ディーゼルエンジンの黒煙浄化装置 |
CN1412541A (zh) * | 2001-10-08 | 2003-04-23 | 赵桂林 | 对汽车尾气进行实时检测用的红外激光检测系统和方法 |
WO2013125755A1 (ko) * | 2012-02-21 | 2013-08-29 | (주)인펙비전 | 매연차량 검출장치 |
CN103292159A (zh) * | 2013-05-03 | 2013-09-11 | 中国科学院光电研究院 | 一种基于成像的甲烷泄漏检测装置 |
CN204586537U (zh) * | 2015-03-09 | 2015-08-26 | 张睿娴 | 增程式全电驱动低速牵引车 |
CN106951821A (zh) * | 2016-12-27 | 2017-07-14 | 湘潭大学 | 一种基于图像处理技术的黑烟车智能监控识别方法 |
CN106875424A (zh) * | 2017-01-16 | 2017-06-20 | 西北工业大学 | 一种基于机器视觉的城市环境行驶车辆行为识别方法 |
CN107478590A (zh) * | 2017-08-08 | 2017-12-15 | 南京新远见智能科技有限公司 | 一种结合机动车智能视觉识别与尾气遥感检测的方法 |
CN108416316A (zh) * | 2018-03-19 | 2018-08-17 | 中南大学 | 一种黑烟车的检测方法及系统 |
CN109035298A (zh) * | 2018-09-05 | 2018-12-18 | 中南大学 | 一种基于黑烟运动特性的黑烟检测与dg计算方法 |
CN109300314A (zh) * | 2018-11-20 | 2019-02-01 | 北京朗观视觉科技有限公司 | 黑烟车实时监测抓拍装置及方法 |
CN110363104A (zh) * | 2019-06-24 | 2019-10-22 | 中国科学技术大学 | 一种柴油黑烟车的检测方法 |
CN114241189A (zh) * | 2021-11-30 | 2022-03-25 | 东南大学 | 一种基于深度学习的船舶黑烟识别方法 |
Non-Patent Citations (1)
Title |
---|
彭翔: "基于视频图像的黑烟车检测技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378629A (zh) * | 2021-04-27 | 2021-09-10 | 阿里云计算有限公司 | 一种排烟异常车辆的检测方法、装置 |
CN113487544A (zh) * | 2021-06-22 | 2021-10-08 | 杭州鸿泉物联网技术股份有限公司 | 车辆黑烟检测方法、装置、电子设备和存储介质 |
CN113762144A (zh) * | 2021-09-05 | 2021-12-07 | 东南大学 | 一种基于深度学习的黑烟车检测方法 |
CN113762144B (zh) * | 2021-09-05 | 2024-02-23 | 东南大学 | 一种基于深度学习的黑烟车检测方法 |
CN115082834A (zh) * | 2022-07-20 | 2022-09-20 | 成都考拉悠然科技有限公司 | 一种基于深度学习工程车冒黑烟监测方法及系统 |
CN115082834B (zh) * | 2022-07-20 | 2023-03-17 | 成都考拉悠然科技有限公司 | 一种基于深度学习工程车冒黑烟监测方法及系统 |
CN115604425A (zh) * | 2022-09-09 | 2023-01-13 | 中国铁塔股份有限公司浙江省分公司(Cn) | 应用于耕地智保场景的铁塔视联系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109165602B (zh) | 2023-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165602A (zh) | 一种基于视频分析的黑烟车检测方法 | |
Li et al. | Traffic light recognition for complex scene with fusion detections | |
CN109919974B (zh) | 基于r-fcn框架多候选关联的在线多目标跟踪方法 | |
CN111611905B (zh) | 一种可见光与红外融合的目标识别方法 | |
CN106845364B (zh) | 一种快速自动目标检测方法 | |
CN107403175A (zh) | 一种运动背景下的视觉跟踪方法及视觉跟踪系统 | |
CN109816024A (zh) | 一种基于多尺度特征融合与dcnn的实时车标检测方法 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN106203334B (zh) | 一种室内场景火苗检测方法 | |
CN110969160A (zh) | 一种基于深度学习的车牌图像校正、识别方法及系统 | |
CN110660222A (zh) | 一种智能环保道路黑烟车辆电子抓拍系统 | |
CN106919939B (zh) | 一种交通标识牌跟踪识别方法及系统 | |
CN110555868A (zh) | 一种复杂地面背景下运动小目标检测方法 | |
CN105740835A (zh) | 夜视环境下基于车载相机的前方车辆检测方法 | |
CN106709938A (zh) | 基于改进tld的多目标追踪方法 | |
CN107944354A (zh) | 一种基于深度学习的车辆检测方法 | |
CN112308883A (zh) | 一种基于可见光和红外图像的多船舶融合跟踪方法 | |
CN114463619B (zh) | 基于集成融合特征的红外弱小目标检测方法 | |
CN110059675A (zh) | 一种机器人识别道路交通执法行为并提供规范化辅助的方法 | |
CN109697727A (zh) | 基于相关滤波和度量学习的目标跟踪方法、系统及存储介质 | |
Tao et al. | Smoky vehicle detection based on range filtering on three orthogonal planes and motion orientation histogram | |
CN115376108A (zh) | 一种复杂天气下障碍物检测方法及装置 | |
CN108520528A (zh) | 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法 | |
CN107862341A (zh) | 一种车辆检测方法 | |
CN116665097A (zh) | 一种结合上下文感知的自适应目标跟踪方法 |
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 |