CN109509368A - 一种基于车顶模型的停车行为算法 - Google Patents
一种基于车顶模型的停车行为算法 Download PDFInfo
- Publication number
- CN109509368A CN109509368A CN201811573650.XA CN201811573650A CN109509368A CN 109509368 A CN109509368 A CN 109509368A CN 201811573650 A CN201811573650 A CN 201811573650A CN 109509368 A CN109509368 A CN 109509368A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- model
- roof
- license plate
- parking
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- 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
- G06T2207/20068—Projection on vertical or horizontal image axis
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于车顶模型的停车行为算法,包括:车位框定及世界坐标系建模;采用高分辨率相机实时检测其正下方视频图像;判断当前视频图像中是否存在车辆;当视频图像中存在车辆时,判断所述车辆是否有车牌,当检测到车牌模型时,进行车牌的实时矫正及跟踪识别,然后对车辆在世界坐标系下进行精准定位;当检测到车顶模型却检测不到车牌模型时,直接对车辆在世界坐标系下进行精准定位;然后对定位后的车辆进行跟踪及状态抓拍;继而通过车顶跟踪确定车辆的运动轨迹,并结合泊车位内是否存在车辆状态,来判断车辆的停车状态;最后输出车辆信息及其停车状态。本发明可对正下方的车顶模型进行检测及车辆跟踪,准确判断车位内的车辆状态。
Description
技术领域
本发明涉及停车管理技术领域,尤其涉及一种基于车顶模型的停车行为算法。
背景技术
现今,路内泊车位视频监控管理领域,因应用方案及其他因素的限制,对泊车位内的车辆进行监控时,仍存在不少问题。例如,高点视频监控对泊车位进行管理,是不能监控相机正下方停车位的停车行为的,因为现今的视频监控只能对车头和车尾模型进行车辆跟踪,对于正下方的车顶模型跟踪很难实现,只能采用视频桩等低位方案去弥补,如此高位视频监控方案的灵活度大大减小。
发明内容
针对上述现有技术中存在的不足之处,本发明提供一种基于车顶模型的停车行为算法,该算法包括:
步骤一、进行车位框定及世界坐标系建模;
步骤二、采用高分辨率相机实时检测其正下方视频图像;
步骤三、判断当前视频图像中是否存在车辆,当视频图像中不存在车辆时,进入步骤二;当视频图像中存在车辆时,进入步骤四;
步骤四、判断所述车辆是否有车牌,当检测到车顶模型却检测不到车牌模型时,直接进入步骤六;当检测到车牌模型时,则进入步骤五;
步骤五、进行车牌的实时矫正及跟踪识别;
步骤六、对所述车辆在世界坐标系下进行精准定位;
步骤七、对所述车辆的运动轨迹进行跟踪,并对车辆运动状态进行抓拍;
步骤八、通过车顶跟踪确定所述车辆的运动轨迹,并结合泊车位内是否存在车辆状态,来判断车辆的停车状态;
步骤九、输出车辆信息及其停车状态。
进一步地,所述步骤一中采用相机标定法对各个泊车位进行框定,在此基础上对地面的泊位边缘进行世界坐标系平面建模,用于对场景中所有图形对象的空间定位。
进一步地,所述步骤二中通过模型训练的方法,利用样本训练获得车顶模型、车牌模型,然后根据车顶模型和车牌模型对视频图像进行对比检测。
进一步地,所述判断当前视频图像中是否存在车辆的方式为:当所述步骤二中搜索到与车顶模型相似的区域时,则判断视频图像中存在车辆;当步骤二中没有搜索到与车顶模型相似的区域时,则判断视频图像中不存在车辆。
进一步地,所述步骤五中利用Radon变换对车牌进行矫正。
进一步地,所述步骤六中对车辆进行精确定位所采用的方式为:将车顶边缘映射到路面,确定映射点在世界坐标系中的坐标,从而计算车辆位置及车辆与各个停车位之间的距离。
进一步地,所述步骤七中对车辆运动状态的抓拍针对连续的视频流图像进行抓拍。
进一步地,所述步骤八中判断车辆的停车状态采用的技术有连续多帧车顶检测、基于灰度图的haar特征算法和基于灰度图的广义hough变换中的至少一种。
进一步地,所述步骤九中输出的车辆信息包括车牌信息、车型、车标和车身颜色中的至少一种;停车状态包括车辆所在的泊位号和停车时间。
进一步地,所述步骤九中对于车牌信息的获得采用的技术为:综合矫正后的各帧车牌质量,对不同角度的车牌分别识别,然后采用投票机制确定最终的车牌信息。
本发明的基于车顶模型的停车行为算法采用一个高分辨率的鱼眼镜头相机,实时检测正下方两个车位,利用鱼眼镜头的广角优势可对正下方的车顶模型进行检测及车辆跟踪,从而准确判断车位内的车辆状态。进而提高了方案对车位管理的适应性与灵活度。
附图说明
图1为发明实施例提供的基于车顶模型的停车行为算法的流程图。
具体实施方式
为使发明实施例的目的、技术方案和优点更加清楚,下面将结合发明实施例中的附图,对发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是发明的一部分实施例,而不是全部的实施例。基于发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于发明保护的范围。
请参阅图1,图1示出了本实施例的基于车顶模型的停车行为算法的流程图,其具体步骤如下:
S101,进行车位框定及世界坐标系建模,然后进入S102;
需要说明的是,上述S101为基本的初始化过程。也即安装好设备后,采用相机标定法对各个泊车位进行框定,在此基础上对地面的泊位边缘进行世界坐标系平面建模,主要用于对场景中所有图形对象的空间定位。
S102,采用高分辨率相机实时检测其正下方视频图像,然后进入S103;
需要说明的是,上述S102中采用的是高分辨率相机对正下方全画面进行实时检测。通过模型训练的方法,利用大量样本训练获得车顶模型、车牌模型,然后根据车顶模型和车牌模型对视频图像进行对比检测。具体为,使用区域扫描的方式在视频图像中搜索与车顶模型或车牌模型相似的区域。
S103,判断当前视频图像中是否存在车辆,当视频图像中不存在车辆时,进入S102;当视频图像中存在车辆时,进入S104;
需要说明的是,上述S103中判断视频图像中是否存在车辆的方法为:当S102中搜索到与车顶模型相似的区域时,则判断视频图像中存在车辆;当S102中没有搜索到与车顶模型相似的区域时,则判断视频图像中不存在车辆。
S104,判断车辆是否有车牌,当检测到车顶模型却检测不到车牌模型时,直接进入S106;当检测到车牌模型时,则进入S105;
S105,进行车牌的实时矫正及跟踪识别,然后进入S106;
需要说明的是,由于从相机照的是正下方的图像,所以车牌在图像中会有较大的形变,必须要进行实时矫正,才能更利于识别。具体地,在本实施例中,此处利用Radon变换进行车牌矫正:
从上往正下方照,车牌会大角度的垂直倾斜,将车牌图像上每一个点向一个旋转的新坐标系y′作投影,在投影集合中找到最大投影就能知道图像的最大化偏角,利用旋转公式就能将图像矫正回来。
S106,对车辆在世界坐标系下进行精准定位,然后进入S107;
需要说明的是,上述S106中对车辆进行精确定位所采用的技术是将车顶边缘映射到路面,确定映射点在世界坐标系中的坐标,从而计算车辆位置及车辆与各个停车位之间的距离。
假设像平面中车顶边缘上的一点P(X,Y)。根据成像投影关系有:
其中,f为焦距,s为比例因子,P为透视投影矩阵。P′(x,y,z)为点P(X,Y)在相机坐标系下的坐标。又相机坐标系与世界坐标系之间的关系为:
式中,α为u轴上尺度因子,或称为u轴上归一化焦距,M为3*3矩阵,称为投影矩阵;M1由αx,αy,u0,v0决定。
因此,确定像平面中车顶边缘上的一点P(x,y),可以根据上述两个矩阵变换式,得到该点的世界坐标系的坐标Pw(Xw,Yw,Zw)。令Z=0,即可求出点P(x,y)映射在路面的世界坐标系的坐标Pw'(Xw,Yw,0)。
S107,对车辆的运动轨迹进行跟踪,并对车辆运动状态进行抓拍,然后进入S108;
需要说明的是,上述S107中的状态抓拍是针对连续的视频流图像进行抓拍。在视频流图像中,结合车牌质量(矫正后的可信度)、车顶位置(处于泊车位边缘线)等关键信息,等时机适合,则进行抓拍。
S108,通过车顶跟踪确定所述车辆的运动轨迹,并结合泊车位内是否存在车辆状态,来判断车辆的停车状态,然后进入S109;
需要说明的是,上述S108判断车辆是否停稳采用的技术有连续多帧车顶检测、基于灰度图的haar特征算法、基于灰度图的广义hough变换等。
S109,输出车辆信息及其停车状态。
需要说明的是,上述S109输出的车辆信息主要包括车牌信息、车型、车标、车身颜色等;停车状态主要包括车辆所在的泊位号及停车时间等。车牌信息的获得采用的技术为矫正后多帧识别投票机制。具体为,综合各帧车牌(矫正后)质量,对不同角度的车牌分别识别,然后采用投票机制确定最终的车牌信息。
本实施例的基于车顶模型的停车行为算法通过车位框定及对路面进行世界坐标系建模;采用高分辨率相机实时检测正下方视频图像,判断所述视频图像中是否存在车辆;当所述视频图像中存在车辆时,判断该车辆是否有车牌,识别所述车辆的车辆特征,并对所述车辆进行精确定位;对所述车辆进行跟踪及状态抓拍;判断所述车辆的停车状态;输出所述车辆信息及停车状态。从而可对车辆正下方两个车位进行准确的监控,解决了高位视频无法监控正下方车位的问题,增加了高位视频的灵活性。
此外,还需要说明的是,本发明实施例中,术语“包括”、“包含”或其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上仅为发明的优选实施例而已,并不用于限制发明,对于本领域的技术人员来说,发明可以有各种更改和变化。凡在发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在发明的保护范围之内。
Claims (10)
1.一种基于车顶模型的停车行为算法,其特征在于,所述算法包括:
步骤一、进行车位框定及世界坐标系建模;
步骤二、采用高分辨率相机实时检测其正下方视频图像;
步骤三、判断当前视频图像中是否存在车辆,当视频图像中不存在车辆时,进入步骤二;当视频图像中存在车辆时,进入步骤四;
步骤四、判断所述车辆是否有车牌,当检测到车顶模型却检测不到车牌模型时,直接进入步骤六;当检测到车牌模型时,则进入步骤五;
步骤五、进行车牌的实时矫正及跟踪识别;
步骤六、对所述车辆在世界坐标系下进行精准定位;
步骤七、对所述车辆的运动轨迹进行跟踪,并对车辆运动状态进行抓拍;
步骤八、通过车顶跟踪确定所述车辆的运动轨迹,并结合泊车位内是否存在车辆状态,来判断车辆的停车状态;
步骤九、输出车辆信息及其停车状态。
2.如权利要求1所述的基于车顶模型的停车行为算法,其特征在于,所述步骤一中采用相机标定法对各个泊车位进行框定,在此基础上对地面的泊位边缘进行世界坐标系平面建模,用于对场景中所有图形对象的空间定位。
3.如权利要求1所述的基于车顶模型的停车行为算法,其特征在于,所述步骤二中通过模型训练的方法,利用样本训练获得车顶模型、车牌模型,然后根据车顶模型和车牌模型对视频图像进行对比检测。
4.如权利要求1所述的基于车顶模型的停车行为算法,其特征在于,所述判断当前视频图像中是否存在车辆的方式为:当所述步骤二中搜索到与车顶模型相似的区域时,则判断视频图像中存在车辆;当步骤二中没有搜索到与车顶模型相似的区域时,则判断视频图像中不存在车辆。
5.如权利要求1所述的基于车顶模型的停车行为算法,其特征在于,所述步骤五中利用Radon变换对车牌进行矫正。
6.如权利要求1所述的基于车顶模型的停车行为算法,其特征在于,所述步骤六中对车辆进行精确定位所采用的方式为:将车顶边缘映射到路面,确定映射点在世界坐标系中的坐标,从而计算车辆位置及车辆与各个停车位之间的距离。
7.如权利要求1所述的基于车顶模型的停车行为算法,其特征在于,所述步骤七中对车辆运动状态的抓拍是针对连续的视频流图像进行抓拍。
8.如权利要求1所述的基于车顶模型的停车行为算法,其特征在于,所述步骤八中判断车辆的停车状态采用的技术有连续多帧车顶检测、基于灰度图的haar特征算法和基于灰度图的广义hough变换中的至少一种。
9.如权利要求1所述的基于车顶模型的停车行为算法,其特征在于,所述步骤九中输出的车辆信息包括车牌信息、车型、车标和车身颜色中的至少一种;停车状态包括车辆所在的泊位号和停车时间。
10.如权利要求9所述的基于车顶模型的停车行为算法,其特征在于,所述步骤九中对于车牌信息的获得采用的技术为:综合矫正后的各帧车牌质量,对不同角度的车牌分别识别,然后采用投票机制确定最终的车牌信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811573650.XA CN109509368A (zh) | 2018-12-21 | 2018-12-21 | 一种基于车顶模型的停车行为算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811573650.XA CN109509368A (zh) | 2018-12-21 | 2018-12-21 | 一种基于车顶模型的停车行为算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109509368A true CN109509368A (zh) | 2019-03-22 |
Family
ID=65754641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811573650.XA Pending CN109509368A (zh) | 2018-12-21 | 2018-12-21 | 一种基于车顶模型的停车行为算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109509368A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910655A (zh) * | 2019-12-11 | 2020-03-24 | 深圳市捷顺科技实业股份有限公司 | 一种停车管理方法、装置及设备 |
CN111986508A (zh) * | 2020-08-24 | 2020-11-24 | 广州信息投资有限公司 | 基于多目标跟踪和视觉定位的路侧停车管理方法及系统 |
CN113255486A (zh) * | 2021-05-13 | 2021-08-13 | 华设设计集团股份有限公司 | 一种基于高位视频监控的车位占用检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN102708356A (zh) * | 2012-03-09 | 2012-10-03 | 沈阳工业大学 | 一种基于复杂背景下的车牌自动定位和识别方法 |
CN102915638A (zh) * | 2012-10-07 | 2013-02-06 | 复旦大学 | 基于监控视频的智能停车场管理系统 |
US8836788B2 (en) * | 2012-08-06 | 2014-09-16 | Cloudparc, Inc. | Controlling use of parking spaces and restricted locations using multiple cameras |
CN105022991A (zh) * | 2015-06-29 | 2015-11-04 | 叶秀兰 | 一种车牌处理与自动识别方法 |
CN105160887A (zh) * | 2015-08-26 | 2015-12-16 | 深圳市傲天智能系统有限公司 | 一种车辆图像处理装置及其图像处理方法 |
CN106485248A (zh) * | 2016-10-20 | 2017-03-08 | 江苏商贸职业学院 | 一种渣土车车牌倾斜校正方法 |
CN106529534A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于混合倾斜校正和投影法的不定长车牌字符分割方法 |
CN107292277A (zh) * | 2017-06-30 | 2017-10-24 | 深圳信路通智能技术有限公司 | 一种路侧双车位停车跟踪方法 |
CN108288386A (zh) * | 2018-01-29 | 2018-07-17 | 深圳信路通智能技术有限公司 | 基于视频的路内停车跟踪方法 |
-
2018
- 2018-12-21 CN CN201811573650.XA patent/CN109509368A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN102708356A (zh) * | 2012-03-09 | 2012-10-03 | 沈阳工业大学 | 一种基于复杂背景下的车牌自动定位和识别方法 |
US8836788B2 (en) * | 2012-08-06 | 2014-09-16 | Cloudparc, Inc. | Controlling use of parking spaces and restricted locations using multiple cameras |
CN102915638A (zh) * | 2012-10-07 | 2013-02-06 | 复旦大学 | 基于监控视频的智能停车场管理系统 |
CN105022991A (zh) * | 2015-06-29 | 2015-11-04 | 叶秀兰 | 一种车牌处理与自动识别方法 |
CN105160887A (zh) * | 2015-08-26 | 2015-12-16 | 深圳市傲天智能系统有限公司 | 一种车辆图像处理装置及其图像处理方法 |
CN106485248A (zh) * | 2016-10-20 | 2017-03-08 | 江苏商贸职业学院 | 一种渣土车车牌倾斜校正方法 |
CN106529534A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于混合倾斜校正和投影法的不定长车牌字符分割方法 |
CN107292277A (zh) * | 2017-06-30 | 2017-10-24 | 深圳信路通智能技术有限公司 | 一种路侧双车位停车跟踪方法 |
CN108288386A (zh) * | 2018-01-29 | 2018-07-17 | 深圳信路通智能技术有限公司 | 基于视频的路内停车跟踪方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910655A (zh) * | 2019-12-11 | 2020-03-24 | 深圳市捷顺科技实业股份有限公司 | 一种停车管理方法、装置及设备 |
CN111986508A (zh) * | 2020-08-24 | 2020-11-24 | 广州信息投资有限公司 | 基于多目标跟踪和视觉定位的路侧停车管理方法及系统 |
CN113255486A (zh) * | 2021-05-13 | 2021-08-13 | 华设设计集团股份有限公司 | 一种基于高位视频监控的车位占用检测方法 |
CN113255486B (zh) * | 2021-05-13 | 2024-02-13 | 华设设计集团股份有限公司 | 一种基于高位视频监控的车位占用检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288386A (zh) | 基于视频的路内停车跟踪方法 | |
CN104796612B (zh) | 高清雷达联动跟踪控制摄像系统及联动跟踪方法 | |
CN102867417B (zh) | 一种出租车防伪系统及方法 | |
CN1223964C (zh) | 用于测量车辆队列长度的装置和方法 | |
CN105059190B (zh) | 基于视觉的汽车开门碰撞预警装置及方法 | |
CN109872483B (zh) | 一种入侵警戒光电监测系统及方法 | |
CA3100569A1 (en) | Ship identity recognition method base on fusion of ais data and video data | |
CN109509368A (zh) | 一种基于车顶模型的停车行为算法 | |
CN111179345A (zh) | 基于车载机器视觉的前方车辆越线违章行为自动检测方法及系统 | |
CN112329776B (zh) | 基于改进CenterNet网络的车牌检测方法及装置 | |
CN105654732A (zh) | 一种基于深度图像的道路监控系统及方法 | |
WO2023155483A1 (zh) | 一种车型识别方法、装置和系统 | |
CN102915433A (zh) | 基于字符组合的车牌定位和识别方法 | |
CN110334625A (zh) | 一种面向自动泊车的停车位视觉识别系统及其识别方法 | |
CN109949231B (zh) | 一种用于城市管理信息采集和处理的方法及装置 | |
CN110379168A (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
JP2018535457A (ja) | 人体頭頂部の識別に基づく通行人の統計方法及び装置 | |
CN112132874A (zh) | 无标定板异源图像配准方法、装置、电子设备及存储介质 | |
CN111414861A (zh) | 基于深度学习实现行人及非机动车辆检测处理的方法 | |
CN205890910U (zh) | 可见光与红外光结合的轨道异物侵限探测装置 | |
CN107045630B (zh) | 一种基于rgbd的行人检测和身份识别方法及系统 | |
CN113379848A (zh) | 基于双目ptz相机的目标定位方法 | |
CN109117702A (zh) | 目标车辆的检测与跟踪计数方法及系统 | |
CN113743286A (zh) | 一种多源信号融合的目标监测系统及方法 | |
CN111598950A (zh) | 一种基于机器视觉的客车列车自动铰接方法及系统 |
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: 20190322 |
|
RJ01 | Rejection of invention patent application after publication |