CN109447033A - 基于yolo的车辆前方障碍物检测方法 - Google Patents

基于yolo的车辆前方障碍物检测方法 Download PDF

Info

Publication number
CN109447033A
CN109447033A CN201811353905.1A CN201811353905A CN109447033A CN 109447033 A CN109447033 A CN 109447033A CN 201811353905 A CN201811353905 A CN 201811353905A CN 109447033 A CN109447033 A CN 109447033A
Authority
CN
China
Prior art keywords
neural networks
convolutional neural
target
grid
training set
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
CN201811353905.1A
Other languages
English (en)
Inventor
王超
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.)
Beijing Information Science and Technology University
Original Assignee
Beijing Information Science and Technology University
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 Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN201811353905.1A priority Critical patent/CN109447033A/zh
Publication of CN109447033A publication Critical patent/CN109447033A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

基于YOLO的车辆前方障碍物检测方法，本发明涉及车辆前方障碍物检测方法。本发明的目的是为了解决现有目标检测算法检测准确率低、检测速度慢的问题。具体过程为:一、获取数据集，利用标注框标注训练集图像中每一个目标；二、初始化卷积神经网络，将标注框标注完的训练集输入卷积神经网络；三、对训练集图像进行预处理；四、分割成7*7的网格；五、网格选取初始候选框；六、得到目标类别M的类别置信度；七、根据类别置信度设置卷积神经网络输出，得到最终预测框；八、得到最终权值和训练完的卷积神经网络；九、利用训练完的卷积神经网络对测试集图像进行测试，确定车辆前方障碍物。本发明用于车辆前方障碍物检测领域。

Description

基于YOLO的车辆前方障碍物检测方法
技术领域
本发明涉及车辆前方障碍物检测方法。
背景技术
随着人工智能的不断发展，以及市场需求的逐渐提升，无人驾驶逐渐成为了国内外专家研究的热点。车辆前方障碍物检测是无人驾驶系统中的一个重要环节。在真实的交通场景下，目标检测受到很多因素，例如:光照、遮挡等的影响。如何快速、准确地对复杂交通场景下的车辆前方目标进行识别和定位，关系着无人驾驶领域的安全性，是一个值得深入研究的课题。
随着深度学习的不断发展，研究人员开始将其应用在目标检测领域，它为整个领域带来了巨大变化。卷积神经网络可以很好的提取图像特征，避免了早起手工提取特征的缺点。一个卷积神经网络便可将特征提取和分类融合在一起，这使检测准确度和速度大大提升。在2014年，Girshick等人基于卷积神经网络提出了R－CNN目标检测模型。该模型将深度学习和传统的分类器思想结合起来，通过卷积神经网络提取特征并使用SVM进行分类，最终的准确率相较于传统算法有了很大的提升，但检测准确率并不能达到要求，检测准确率低。由于在选择候选区域时所花费的时间较多且算法较复杂，该模型的检测速度并不能达到实时要求，检测速度慢。
发明内容
本发明的目的是为了解决现有目标检测算法检测准确率低、检测速度慢的问题，而提出基于YOLO的车辆前方障碍物检测方法。
基于YOLO的车辆前方障碍物检测方法具体过程为:
步骤一、获取数据集，数据集分为训练集和测试集，利用标注框标注训练集图像中每一个目标，得到训练集图像中每一个目标的位置信息与类别信息；
步骤二、初始化卷积神经网络，将标注框标注完的训练集输入卷积神经网络；
步骤三、对训练集图像进行预处理；
步骤四、将预处理后的训练集图像分割成网格；
步骤五、网格选取初始候选框；
每个网格随机生成两个初始候选框；
步骤六、网格进行目标检测，得到目标类别M的类别置信度；
步骤七、根据类别置信度设置卷积神经网络输出，得到最终预测框；
步骤八、将步骤一中标注框标注的训练集图像作为卷积神经网络的输入，步骤七得到的最终预测框的训练集图像作为卷积神经网络的输出，训练卷积神经网络，得到最终权值和训练完的卷积神经网络；
步骤九、利用训练完的卷积神经网络和最终权值对测试集图像进行测试，确定车辆前方障碍物。
本发明的有益效果为：
本发明基于YOLO的车辆前方障碍物检测方法,首次将YOLO模型应用在自动驾驶中复杂场景下的车辆目标检测，YOLO模型结构简单，检测准确率高，同时检测速度快，能够满足目标检测的要求，并对YOLOv2和YOLOv3版本进行对比。结果表明，YOLOv2对车辆目标检测的mAP(mean Average Precision)可以达到53.58％，检测速度达到了62帧每秒，而YOLOv3对车辆目标检测的mAP可以达到70.22％，检测速度达到了34帧每秒，可基本满足目标检测要求。
附图说明
图1为本发明流程图；
图2为本发明YOLOv2版本下的PR图，vehicle为汽车，cyclist为骑自行车的人，pedestrain为行人，precision为准确率，recall为召回率；
图3为本发明YOLOv3版本下的PR图。
具体实施方式
具体实施方式一：结合图1说明本实施方式，本实施方式基于YOLO的车辆前方障碍物检测方法具体过程为：
步骤一、获取数据集，数据集分为训练集和测试集，利用标注框标注训练集图像中每一个目标，得到训练集图像中每一个目标的位置信息与类别信息；
步骤二、初始化卷积神经网络，将标注框标注完的训练集输入卷积神经网络；
步骤三、对训练集图像进行预处理；
步骤四、将预处理后的训练集图像分割成网格；
在YOLO中分割成的网格担任着检测目标物体的任务；
步骤五、网格选取初始候选框；
每个网格随机生成两个初始候选框，或根据经验提前定义其初始宽高；
步骤六、网格进行目标检测，得到目标类别M的类别置信度；
步骤七、根据类别置信度设置卷积神经网络输出，得到最终预测框；
步骤八、将步骤一中标注框标注的训练集图像作为卷积神经网络的输入，步骤七得到的最终预测框的训练集图像作为卷积神经网络的输出，训练卷积神经网络，得到最终权值和训练完的卷积神经网络；
步骤九、利用训练完的卷积神经网络和最终权值对测试集图像进行测试，确定车辆前方障碍物。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤一中获取数据集，数据集分为训练集和测试集，利用标注框标注训练集图像中每一个目标，得到训练集图像中每一个目标的位置信息与类别信息；具体过程为：
步骤一一、从行车纪录仪中截取一万张图像作为数据集，数据集中八千张图像做训练集，剩余两千张图像做测试集；
数据集中图像为驾驶员前方视野路况，图像包括行人、骑自行车的人和汽车三类目标；
步骤一二、利用标注框标注训练集图像中每一个目标(行人、骑自行车的人或汽车)，得到训练集图像中每一个目标的位置信息与类别信息；
其中位置信息为标注框中心点坐标和标注框宽、高，类别信息即为目标所属类别，以xml格式存储；
步骤一三、将标注完成的xml格式文件转换为适用于YOLO的txt格式文件。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤二中初始化卷积神经网络；具体过程为：
YOLO检测网络包括24个卷积层和2个全连接层(24个卷积层后面接2个全连接层)；
其中卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值；
卷积神经网络参数包括冲量Momentum、权值衰减Decay、最大迭代次数Maxbatches、学习率Learning rate、学习率变化迭代次数Steps和学习率变化比率Scales。
定义卷积神经网络中训练参数如表1；
表1网络配置参数
Momentum Decay Max batches Learning rate Steps Scales
0.9 0.000 5 50 000 0.001 20 000,40 000 0.1,0.1
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述步骤三中对训练集图像进行预处理；过程为：
将训练集图像大小调整为448*448；
所述步骤四中将预处理后的训练集图像分割成7*7的网格。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述步骤六中网格进行目标检测，得到目标类别M的类别置信度；具体过程为：
训练时，数据集中的每一张图片都对包含物体的中心坐标进行了标注，当某物体落到某网格内时，此网格便担负着检测该物体的任务，此网格生成的两个候选框共享此类别，一个网格只能检测一个类别；
每一个候选框预测5个数据；
5个数据包含归一化后的目标坐标x、y，归一化后的候选框的宽和高w、h，以及网格检测此类别目标的置信度confidence；
置信度计算公式如下；
式中，Pr(object)为候选框是否存在目标，若一个网格中出现了目标，则Pr(object)的值为1；若没有出现目标，则Pr(object)的值为0，即置信度confidence的值也为0；*为乘号；
为候选框与标注框(标注框为手工标注的数据，此为训练部分，测试部分将直接进行置信度预测，无准确IOU值)的面积交并比，计算公式如下：
式中，DetectionResult为候选框，GroundTruth为标注框；
训练时，当网格中存在目标，还需要对目标类别M进行预测，用条件概率Pr(classM|object)进行表示，目标类别M的类别置信度计算公式如下：
式中，Pr(classM|object)为在网格中有物体的条件下，物体类别为M的概率；训练时，当物体M落在网格内此值为1，网格内有物体但不是类别M此值为0；
测试时，网络直接输出目标类别M的类别置信度confidence(M)。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述步骤七中根据类别置信度设置卷积神经网络输出，得到最终预测框；具体过程为：
测试时，每一个网格输入卷积神经网络都输出一个13通道向量；
所述1～3通道为汽车、行人、骑自行车的人三个类别的类别置信度confidence(M)，4、5通道为网格对应的两个候选框的置信度，6～13通道为网格对应的两个候选框的归一化后的目标坐标x、y，归一化后的候选框的宽和高w、h；
最终卷积神经网络输出一个7*7*13的大矩阵称为score矩阵；
其中7*7为将图片分割成的网格数49，13即为每个网格输出的13通道向量；
Score矩阵包含了每个候选框的预测概率信息和位置信息，为了得到最终的预测框，将小于第一阈值的类别置信度confidence(M)置0，对剩余候选框进行非极大值抑制操作，得到最终预测框。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述第一阈值为0.3。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八：本实施方式与具体实施方式一至七之一不同的是，所述对剩余候选框进行非极大值抑制操作，得到最终预测框；具体过程为：
非极大值抑制操作即选择每一类中类别置信度confidence(M)最大的候选框为目标，对比类别中剩余候选框与目标候选框之间的交叉区域，当此交叉区域占两候选框并集覆盖区域的比率大于第二阈值时，即将剩余候选框在score矩阵中对应的类别置信度confidence(M)置0，依次对剩余候选框重复上述过程，直到遍历完所有的候选框，最终类别置信度confidence(M)不为0的即为最终预测框。
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九：本实施方式与具体实施方式一至八之一不同的是，所述第二阈值为0.5。
其它步骤及参数与具体实施方式一至八之一相同。
具体实施方式十：本实施方式与具体实施方式一至九之一不同的是，所述将步骤八中步骤一中标注框标注的训练集图像作为卷积神经网络的输入，步骤七得到的最终预测框的训练集图像作为卷积神经网络的输出，训练卷积神经网络，得到最终权值和训练完的卷积神经网络；具体过程为：
将步骤一中标注框标注的训练集图像作为卷积神经网络的输入，从官方预训练模型darknet19_448.conv.23开始训练，前一万轮，每100轮生成一次权值，一万轮之后每1000轮生成一次权值，训练次数达到50000轮时，生成一个最终权值和训练完的卷积神经网络
其它步骤及参数与具体实施方式一至九之一相同。
采用以下实施例验证本发明的有益效果：
实施例一：
本实施例具体是按照以下步骤制备的：
初始化YOLOv2与YOLOv3的卷积神经网络，并用相同8000张图片的数据集对其进行训练，分别得到YOLOv2与YOLOv3的最终权值，分别用此权值对测试集进行测试，分别计算其准确率如下表：
表2 YOLOv2与YOLOv3的mAP值
如上表所示，YOLOv3检测行人的准确率几乎成倍的提升，检测骑自行车的人的准确率也大幅提升了20％，由此可见，YOLOv2检测小物体的瓶颈得到了很大的改善；对于原本准确率已经很高的汽车，也继续提升了7％；更深度的卷积神经网络，更多级的预测状态，使YOLOv3在提升大物体检测准确率的同时，也真的兼顾了小物体，但也正因如此，YOLOv3的检测速度要低于YOLOv2，如图2、图3所示。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.基于YOLO的车辆前方障碍物检测方法，其特征在于：所述方法具体过程为:
步骤一、获取数据集，数据集分为训练集和测试集，利用标注框标注训练集图像中每一个目标，得到训练集图像中每一个目标的位置信息与类别信息；
步骤二、初始化卷积神经网络，将标注框标注完的训练集输入卷积神经网络；
步骤三、对训练集图像进行预处理；
步骤四、将预处理后的训练集图像分割成网格；
步骤五、网格选取初始候选框；
每个网格随机生成两个初始候选框；
步骤六、网格进行目标检测，得到目标类别M的类别置信度；
步骤七、根据类别置信度设置卷积神经网络输出，得到最终预测框；
步骤八、将步骤一中标注框标注的训练集图像作为卷积神经网络的输入，步骤七得到的最终预测框的训练集图像作为卷积神经网络的输出，训练卷积神经网络，得到最终权值和训练完的卷积神经网络；
步骤九、利用训练完的卷积神经网络和最终权值对测试集图像进行测试，确定车辆前方障碍物。
2.根据权利要求1所述基于YOLO的车辆前方障碍物检测方法，其特征在于：所述步骤一中获取数据集，数据集分为训练集和测试集，利用标注框标注训练集图像中每一个目标，得到训练集图像中每一个目标的位置信息与类别信息；具体过程为：
步骤一一、从行车纪录仪中截取数据集，数据集中图像分为训练集和测试集；
数据集中图像为驾驶员前方视野路况，图像包括行人、骑自行车的人和汽车三类目标；
步骤一二、利用标注框标注训练集图像中每一个目标，得到训练集图像中每一个目标的位置信息与类别信息；
其中位置信息为标注框中心点坐标和标注框宽、高，类别信息即为目标所属类别，以xml格式存储；
步骤一三、将标注完成的xml格式文件转换为txt格式文件。
3.根据权利要求1或2所述基于YOLO的车辆前方障碍物检测方法，其特征在于：所述步骤二中初始化卷积神经网络；具体过程为：
YOLO检测网络包括24个卷积层和2个全连接层；
其中卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值；
卷积神经网络参数包括冲量Momentum、权值衰减Decay、最大迭代次数Max batches、学习率Learning rate、学习率变化迭代次数Steps和学习率变化比率Scales。
4.根据权利要求3所述基于YOLO的车辆前方障碍物检测方法，其特征在于：所述步骤三中对训练集图像进行预处理；过程为：
将训练集图像大小调整为448*448；
所述步骤四中将预处理后的训练集图像分割成7*7的网格。
5.根据权利要求4所述基于YOLO的车辆前方障碍物检测方法，其特征在于：所述步骤六中网格进行目标检测，得到目标类别M的类别置信度；具体过程为：
每一个候选框预测5个数据；
5个数据包含归一化后的目标坐标x、y，归一化后的候选框的宽和高w、h，以及网格检测此类别目标的置信度confidence；
置信度计算公式如下；
式中，Pr(object)为候选框是否存在目标，若一个网格中出现了目标，则Pr(object)的值为1；若没有出现目标，则Pr(object)的值为0，即置信度confidence的值也为0；*为乘号；
为候选框与标注框的面积交并比，计算公式如下：
式中，DetectionResult为候选框，GroundTruth为标注框；
训练时，当网格中存在目标，还需要对目标类别M进行预测，用条件概率Pr(classM|object)进行表示，目标类别M的类别置信度计算公式如下：
式中，Pr(classM|object)为在网格中有物体的条件下，物体类别为M的概率；训练时，当物体M落在网格内此值为1，网格内有物体但不是类别M此值为0；
测试时，网络直接输出目标类别M的类别置信度confidence(M)。
6.根据权利要求5所述基于YOLO的车辆前方障碍物检测方法，其特征在于：所述步骤七中根据类别置信度设置卷积神经网络输出，得到最终预测框；具体过程为：
每一个网格输入卷积神经网络都输出一个13通道向量；
所述1～3通道为汽车、行人、骑自行车的人三个类别的类别置信度confidence(M)，4、5通道为网格对应的两个候选框的置信度，6～13通道为网格对应的两个候选框的归一化后的目标坐标x、y，归一化后的候选框的宽和高w、h；
最终卷积神经网络输出一个7*7*13的矩阵称为score矩阵；
其中7*7为将图片分割成的网格数49，13即为每个网格输出的13通道向量；
将小于第一阈值的类别置信度confidence(M)置0，对剩余候选框进行非极大值抑制操作，得到最终预测框。
7.根据权利要求6所述基于YOLO的车辆前方障碍物检测方法，其特征在于：所述第一阈值为0.3。
8.根据权利要求7所述基于YOLO的车辆前方障碍物检测方法，其特征在于：所述对剩余候选框进行非极大值抑制操作，得到最终预测框；具体过程为：
非极大值抑制操作即选择每一类中类别置信度confidence(M)最大的候选框为目标，对比类别中剩余候选框与目标候选框之间的交叉区域，当此交叉区域占两候选框并集覆盖区域的比率大于第二阈值时，即将剩余候选框在score矩阵中对应的类别置信度confidence(M)置0，依次对剩余候选框重复上述过程，直到遍历完所有的候选框，最终类别置信度confidence(M)不为0的即为最终预测框。
9.根据权利要求8所述基于YOLO的车辆前方障碍物检测方法，其特征在于：所述第二阈值为0.5。
10.根据权利要求9所述基于YOLO的车辆前方障碍物检测方法，其特征在于：所述步骤八中步骤一中标注框标注的训练集图像作为卷积神经网络的输入，步骤七得到的最终预测框的训练集图像作为卷积神经网络的输出，训练卷积神经网络，得到最终权值和训练完的卷积神经网络；具体过程为：
将步骤一中标注框标注的训练集图像作为卷积神经网络的输入，开始训练，前一万轮，每100轮生成一次权值，一万轮之后每1000轮生成一次权值，训练次数达到50000轮时，生成一个最终权值和训练完的卷积神经网络。
CN201811353905.1A 2018-11-14 2018-11-14 基于yolo的车辆前方障碍物检测方法 Pending CN109447033A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811353905.1A CN109447033A (zh) 2018-11-14 2018-11-14 基于yolo的车辆前方障碍物检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811353905.1A CN109447033A (zh) 2018-11-14 2018-11-14 基于yolo的车辆前方障碍物检测方法

Publications (1)

Publication Number Publication Date
CN109447033A true CN109447033A (zh) 2019-03-08

Family

ID=65553573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811353905.1A Pending CN109447033A (zh) 2018-11-14 2018-11-14 基于yolo的车辆前方障碍物检测方法

Country Status (1)

Country Link
CN (1) CN109447033A (zh)

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097109A (zh) * 2019-04-25 2019-08-06 湖北工业大学 一种基于深度学习的道路环境障碍物检测系统及方法
CN110263628A (zh) * 2019-05-09 2019-09-20 杭州飞步科技有限公司 障碍物检测方法、装置、电子设备以及存储介质
CN110298265A (zh) * 2019-06-10 2019-10-01 东南大学 一种基于yolo神经网络的电梯中特定目标检测方法
CN110334594A (zh) * 2019-05-28 2019-10-15 昆明理工大学 一种基于批再规范化处理的yolo算法的目标检测方法
CN110363182A (zh) * 2019-07-24 2019-10-22 北京信息科技大学 基于深度学习的车道线检测方法
CN110414389A (zh) * 2019-07-12 2019-11-05 黑龙江御林湾科技有限公司 一种基于深度学习的快速区域搜索的目标检测方法
CN110532893A (zh) * 2019-08-05 2019-12-03 西安电子科技大学 电竞小地图图像中的图标检测方法
CN110751076A (zh) * 2019-10-09 2020-02-04 上海应用技术大学 车辆检测方法
CN110781836A (zh) * 2019-10-28 2020-02-11 深圳市赛为智能股份有限公司 人体识别方法、装置、计算机设备及存储介质
CN110796168A (zh) * 2019-09-26 2020-02-14 江苏大学 一种基于改进YOLOv3的车辆检测方法
CN110852177A (zh) * 2019-10-17 2020-02-28 北京全路通信信号研究设计院集团有限公司 基于单目相机的障碍物检测方法及系统
CN111126359A (zh) * 2019-11-15 2020-05-08 西安电子科技大学 基于自编码器与yolo算法的高清图像小目标检测方法
CN111275082A (zh) * 2020-01-14 2020-06-12 中国地质大学（武汉） 一种基于改进端到端神经网络的室内物体目标检测方法
CN111339895A (zh) * 2020-02-21 2020-06-26 魔视智能科技(上海)有限公司 大类非极大值抑制方法及其系统
CN111612002A (zh) * 2020-06-04 2020-09-01 广州市锲致智能技术有限公司 一种基于神经网络的多目标物体运动追踪方法
CN111783700A (zh) * 2020-07-06 2020-10-16 中国交通通信信息中心 一种路面异物自动识别预警方法和系统
CN111815573A (zh) * 2020-06-17 2020-10-23 科大智能物联技术有限公司 一种基于深度学习的接箍外壁检测方法及系统
CN111860072A (zh) * 2019-04-30 2020-10-30 广州汽车集团股份有限公司 泊车控制方法、装置、计算机设备及计算机可读存储介质
CN112633052A (zh) * 2020-09-15 2021-04-09 北京华电天仁电力控制技术有限公司 一种皮带撕裂检测方法
CN113112866A (zh) * 2021-04-14 2021-07-13 深圳市旗扬特种装备技术工程有限公司 一种智能交通预警方法及智能交通预警系统
CN113111708A (zh) * 2021-03-10 2021-07-13 北京爱笔科技有限公司 车辆匹配样本生成方法、装置、计算机设备和存储介质
CN113486726A (zh) * 2021-06-10 2021-10-08 广西大学 一种基于改进卷积神经网络的轨道交通障碍物检测方法
CN113537257A (zh) * 2020-04-13 2021-10-22 山西农业大学 基于YoLov3网络实现的小麦检测方法
CN113837086A (zh) * 2021-09-24 2021-12-24 南通大学 一种基于深度卷积神经网络的水库钓鱼人检测方法
WO2022134842A1 (zh) * 2020-12-24 2022-06-30 广东博智林机器人有限公司 一种建筑特征的识别方法及装置
WO2023160290A1 (zh) * 2022-02-23 2023-08-31 京东方科技集团股份有限公司 神经网络推理加速方法、目标检测方法、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335716A (zh) * 2015-10-29 2016-02-17 北京工业大学 一种基于改进udn提取联合特征的行人检测方法
US9476970B1 (en) * 2012-03-19 2016-10-25 Google Inc. Camera based localization
CN106599832A (zh) * 2016-12-09 2017-04-26 重庆邮电大学 一种基于卷积神经网络的多类障碍物检测与识别方法
CN108229366A (zh) * 2017-12-28 2018-06-29 北京航空航天大学 基于雷达和图像数据融合的深度学习车载障碍物检测方法
CN108805070A (zh) * 2018-06-05 2018-11-13 合肥湛达智能科技有限公司 一种基于嵌入式终端的深度学习行人检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9476970B1 (en) * 2012-03-19 2016-10-25 Google Inc. Camera based localization
CN105335716A (zh) * 2015-10-29 2016-02-17 北京工业大学 一种基于改进udn提取联合特征的行人检测方法
CN106599832A (zh) * 2016-12-09 2017-04-26 重庆邮电大学 一种基于卷积神经网络的多类障碍物检测与识别方法
CN108229366A (zh) * 2017-12-28 2018-06-29 北京航空航天大学 基于雷达和图像数据融合的深度学习车载障碍物检测方法
CN108805070A (zh) * 2018-06-05 2018-11-13 合肥湛达智能科技有限公司 一种基于嵌入式终端的深度学习行人检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘弋锋: "基于浅层学习引导深度学习的行人检测", 《中国博士学位论文全文数据库信息科技辑》 *
唐诗: "基于车载视频的道路车辆及行人检测", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
李云鹏等: "基于YOLOv2的复杂场景下车辆目标检测", 《电视技术》 *
陈工一: "YOLO_原理详述", 《HTTPS://BLOG.CSDN.NET/QQ_28123095/ARTICLE/DETAILS/80052308》 *

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097109A (zh) * 2019-04-25 2019-08-06 湖北工业大学 一种基于深度学习的道路环境障碍物检测系统及方法
CN110097109B (zh) * 2019-04-25 2022-12-16 湖北工业大学 一种基于深度学习的道路环境障碍物检测系统及方法
CN111860072A (zh) * 2019-04-30 2020-10-30 广州汽车集团股份有限公司 泊车控制方法、装置、计算机设备及计算机可读存储介质
CN110263628A (zh) * 2019-05-09 2019-09-20 杭州飞步科技有限公司 障碍物检测方法、装置、电子设备以及存储介质
CN110263628B (zh) * 2019-05-09 2021-11-23 杭州飞步科技有限公司 障碍物检测方法、装置、电子设备以及存储介质
CN110334594A (zh) * 2019-05-28 2019-10-15 昆明理工大学 一种基于批再规范化处理的yolo算法的目标检测方法
CN110298265A (zh) * 2019-06-10 2019-10-01 东南大学 一种基于yolo神经网络的电梯中特定目标检测方法
CN110414389A (zh) * 2019-07-12 2019-11-05 黑龙江御林湾科技有限公司 一种基于深度学习的快速区域搜索的目标检测方法
CN110363182A (zh) * 2019-07-24 2019-10-22 北京信息科技大学 基于深度学习的车道线检测方法
CN110363182B (zh) * 2019-07-24 2021-06-18 北京信息科技大学 基于深度学习的车道线检测方法
CN110532893A (zh) * 2019-08-05 2019-12-03 西安电子科技大学 电竞小地图图像中的图标检测方法
CN110796168A (zh) * 2019-09-26 2020-02-14 江苏大学 一种基于改进YOLOv3的车辆检测方法
CN110751076B (zh) * 2019-10-09 2023-03-28 上海应用技术大学 车辆检测方法
CN110751076A (zh) * 2019-10-09 2020-02-04 上海应用技术大学 车辆检测方法
CN110852177A (zh) * 2019-10-17 2020-02-28 北京全路通信信号研究设计院集团有限公司 基于单目相机的障碍物检测方法及系统
CN110781836A (zh) * 2019-10-28 2020-02-11 深圳市赛为智能股份有限公司 人体识别方法、装置、计算机设备及存储介质
CN111126359A (zh) * 2019-11-15 2020-05-08 西安电子科技大学 基于自编码器与yolo算法的高清图像小目标检测方法
CN111275082A (zh) * 2020-01-14 2020-06-12 中国地质大学（武汉） 一种基于改进端到端神经网络的室内物体目标检测方法
CN111339895A (zh) * 2020-02-21 2020-06-26 魔视智能科技(上海)有限公司 大类非极大值抑制方法及其系统
CN111339895B (zh) * 2020-02-21 2023-03-24 魔视智能科技(上海)有限公司 大类非极大值抑制方法及其系统
CN113537257A (zh) * 2020-04-13 2021-10-22 山西农业大学 基于YoLov3网络实现的小麦检测方法
CN111612002A (zh) * 2020-06-04 2020-09-01 广州市锲致智能技术有限公司 一种基于神经网络的多目标物体运动追踪方法
CN111815573A (zh) * 2020-06-17 2020-10-23 科大智能物联技术有限公司 一种基于深度学习的接箍外壁检测方法及系统
CN111815573B (zh) * 2020-06-17 2021-11-02 科大智能物联技术股份有限公司 一种基于深度学习的接箍外壁检测方法及系统
CN111783700A (zh) * 2020-07-06 2020-10-16 中国交通通信信息中心 一种路面异物自动识别预警方法和系统
CN111783700B (zh) * 2020-07-06 2023-11-24 中国交通通信信息中心 一种路面异物自动识别预警方法和系统
CN112633052A (zh) * 2020-09-15 2021-04-09 北京华电天仁电力控制技术有限公司 一种皮带撕裂检测方法
WO2022134842A1 (zh) * 2020-12-24 2022-06-30 广东博智林机器人有限公司 一种建筑特征的识别方法及装置
CN113111708A (zh) * 2021-03-10 2021-07-13 北京爱笔科技有限公司 车辆匹配样本生成方法、装置、计算机设备和存储介质
CN113111708B (zh) * 2021-03-10 2023-12-29 北京爱笔科技有限公司 车辆匹配样本生成方法、装置、计算机设备和存储介质
CN113112866A (zh) * 2021-04-14 2021-07-13 深圳市旗扬特种装备技术工程有限公司 一种智能交通预警方法及智能交通预警系统
CN113486726A (zh) * 2021-06-10 2021-10-08 广西大学 一种基于改进卷积神经网络的轨道交通障碍物检测方法
CN113837086A (zh) * 2021-09-24 2021-12-24 南通大学 一种基于深度卷积神经网络的水库钓鱼人检测方法
WO2023160290A1 (zh) * 2022-02-23 2023-08-31 京东方科技集团股份有限公司 神经网络推理加速方法、目标检测方法、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109447033A (zh) 基于yolo的车辆前方障碍物检测方法
CN109977812B (zh) 一种基于深度学习的车载视频目标检测方法
CN111091105B (zh) 基于新的边框回归损失函数的遥感图像目标检测方法
CN111553201B (zh) 一种基于YOLOv3优化算法的交通灯检测方法
CN111178213B (zh) 一种基于深度学习的航拍车辆检测方法
CN105160309B (zh) 基于图像形态学分割及区域生长的三车道检测方法
CN109284669A (zh) 基于Mask RCNN的行人检测方法
CN107862261A (zh) 基于多尺度卷积神经网络的图像人群计数方法
CN109145769A (zh) 融合图像分割特征的目标检测网络设计方法
CN107368787A (zh) 一种面向深度智驾应用的交通标志识别算法
CN106778835A (zh) 融合场景信息和深度特征的遥感图像机场目标识别方法
CN107122776A (zh) 一种基于卷积神经网络的交通标志检测与识别方法
CN106599827A (zh) 一种基于深度卷积神经网络的小目标快速检测方法
CN105354568A (zh) 基于卷积神经网络的车标识别方法
CN106096561A (zh) 基于图像块深度学习特征的红外行人检测方法
CN114299417A (zh) 一种基于雷视融合的多目标跟踪方法
CN110009648A (zh) 基于深浅特征融合卷积神经网络的路侧图像车辆分割方法
CN105512720A (zh) 一种公交车辆客流统计方法和系统
CN109190444A (zh) 一种基于视频的收费车道车辆特征识别系统的实现方法
CN105046673B (zh) 基于自学习的高光谱图像和可见光图像融合分类方法
CN110378210A (zh) 一种基于轻量化YOLOv3的车辆和车牌检测及长短焦融合测距方法
CN109766936A (zh) 基于信息传递和注意力机制的图像变化检测方法
CN104573685A (zh) 一种基于线性结构提取的自然场景文本检测方法
CN109902676A (zh) 一种基于动态背景的违停检测算法
CN104182985A (zh) 遥感图像变化检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190308