CN110119726A - 一种基于YOLOv3模型的车辆品牌多角度识别方法 - Google Patents
一种基于YOLOv3模型的车辆品牌多角度识别方法 Download PDFInfo
- Publication number
- CN110119726A CN110119726A CN201910419456.4A CN201910419456A CN110119726A CN 110119726 A CN110119726 A CN 110119726A CN 201910419456 A CN201910419456 A CN 201910419456A CN 110119726 A CN110119726 A CN 110119726A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- brand
- image
- model
- yolov3 model
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
-
- 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
Abstract
本发明公开了一种基于YOLOv3模型的车辆品牌多角度识别方法,包括以下步骤:采集路口监控图像,标注图像中车辆的位置和方向,构建数据集,根据数据集中的目标标注信息聚类得到聚类中心一次训练YOLOv3模型。将车辆在视频中出现位置按照帧数间隔保存起来,根据车辆方向进行分类,将每一类中置信度最高的图像作为车辆品牌识别数据。对车辆在每个方向上的图像进行品牌识别,根据投票的方式得到最终结果,具有优秀的泛化能力和稳定性。
Description
技术领域
本发明涉及计算机视觉领域和智能交通信息技术技术领域,具体的说,是一种基于YOLOv3模型的车辆品牌多角度识别方法。
背景技术
随着社会的不断发展,经济实力不断增强,人民群众对于机动车的需求越来越大。大量的车辆给交通管制,监控带来了极大的挑战,智能交通系统的发展成了大势所趋。同时,随着近年来深度学习在计算机视觉方面的不断突破,使得计算机视觉在智能交通系统中有着广泛的应用。
在智能交通系统中,准确并快速的识别车辆的品牌在城市交通统计,违章检测以及交通安全等方面起着重要的作用。由于交通监控视频中的车辆较多,同时车辆分布的比较密集,加上复杂环境中的光线过曝、阴影,部分遮挡以及车辆角度的问题都会让车辆品牌的检测和识别愈加困难,复杂环境下车辆品牌识别不准确。
发明内容
本发明的目的在于提供一种基于YOLOv3模型的车辆品牌多角度识别方法,用于解决现有技术中由于车辆较密集和环境因素而导致的车辆品牌检测不准确的问题。
本发明通过下述技术方案解决上述问题:
一种基于YOLOv3模型的车辆品牌多角度识别方法,所述方法包括如下步骤:
步骤1:采集图片,并对采集到的每张图片都进行标注,分别标注出车辆区域左上角和右上角在原图像上面的坐标,以及车辆的方向,并分类为正面、反面和侧面;
步骤2:对每张图片中每个标注了的车辆的长宽比进行统计,用无监督学习算法K-Means对所有目标的长宽比进行聚类得到9个聚类中心;
步骤3:使用步骤2所得的聚类中心优化YOLOv3模型;
步骤4:根据步骤3优化后的YOLOv3模型检测监控视频中车辆的位置信息和车身方向;
步骤5:根据步骤4中检测得到的目标车辆的位置信息将车辆区域截取并筛选,然后进行数据预处理;
步骤6:收集数据,选择不同场景,不同天气,各种光线下只包含整个车辆区域,背景尽可能少的图像作为训练集对YOLOv3模型进行优化;
步骤7:利用改进后的YOLOv3模型检测识别S4中车辆图像的品牌,并比较步骤6中得到的品牌识别结果,并筛选出车辆的品牌。
由于道路卡口的监控视频中的车辆目标相对较小,因此为了提高模型对小目标的敏感度,将原模型的输入尺寸由416*416改进成672*672,大大提高了模型的准确度。同时为了提高由于角度带来的问题,比如阴影遮挡,光线过曝等问题,将指定车辆每个方向的图片中置信度最高的图片提取出来进行车辆品牌识别,相比于对现有的车辆品牌识别中对某一帧的图像进行识别提高了准确度,而且对车辆每个方向的品牌识别结果进行投票处理,提高了模型在复杂场景下的适用性和稳定性。
优选地,所述步骤3中对YOLOv3模型的优化是将原模型的输入尺寸由416*416改成672*672,使得模型对小目标的敏感度更高。
优选地,所述步骤4检测监控视频中车辆的位置信息和车身方向的过程为:首先利用改进后的yolov3模型与利用相似度比较的模板匹配算法结合对视频中的车辆进行检测并跟踪,模型通过多尺度特征提取对输入的每一帧图像提取特征;
然后Yolov3将darknet-53作为神经网络模型,拥有53层卷积网络,其中有5层卷积网络作为下采样层;
最后,模型分别将第三次,第四次,第五次下采样层输出的特征图依次融合,得到含有特征尺寸为21*21,,42*42,84*84的多尺寸特征图,让网络同时学习深层和浅层的特征,模型最后输出值为:
其中class为类别种类,i为类别索引,Pi为置信度,IOU是预测的位置和真实位置的交并比。
优选地,所述步骤5中对目标车辆的位置信息将车辆区域截取和筛选时,按照目标的预测坐标将车辆图像从每一帧原始图像中截取下来根据类别存储,然后将每一类中置信度最大的车辆图像提取出来作为车辆品牌识别的数据;预处理包括对图像进行滤波和压缩的处理。
优选地,所述步骤6对YOLOv3模型进行优化包括如下步骤:
步骤6.1:收集数据,选择不同场景,不同天气,各种光线下只包含整个车辆区域,背景尽可能少的图像作为训练集;
步骤6.2:对每张图片进行标注,画出车头或者车尾部位包含车标的那一部分的区域,将区域左上角和右下角的坐标和品牌类别标注出来;
步骤6.3:根据标注的坐标计算每张图片中标注区域的长宽比并进行统计,将统计结果作为数据,采用无监督学习算法K-Means对所有感兴趣区域的长宽比进行聚类,得到3个聚类中心;
步骤6.4:使用步骤6.3所得3个聚类中心的长宽比值将原模型的输入尺寸由416*416改进成224*224,减小了不必要的计算量,完成对yolov3模型的优化。
优选地,所述步骤7检测车辆品牌时,先修改过模型的输入尺寸后,经过5次下采样处理得到7*7的特征图;模型检测识别后,得到车辆正面图像的品牌分类结果class1置信度P1,车辆反面图像的品牌分类结果class0信度P0及车辆侧面图像的分类结果class2置信度P2。
优选地,检测完毕后比较车辆三个方向的图像的品牌检测结果;
如果三个图像品牌分类结果一样,则目标车辆品牌为class1;
如果三个图像品牌分类结果有两个相同,另一个不相同,则目标车辆的品牌为那两个结果一样的品牌;
如果三个图像品牌分类结果均不一致,则比较置信度P1、P0和P2的大小,选择置信度最大的分类结果作为目标车辆的品牌。
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明将原模型的输入尺寸由416*416改进成672*672,大大提高了模型的准确度。同时为了提高由于角度带来的问题,比如阴影遮挡,光线过曝等问题,将指定车辆每个方向的图片中置信度最高的图片提取出来进行车辆品牌识别,相比于对现有的车辆品牌识别中对某一帧的图像进行识别提高了准确度,而且对车辆每个方向的品牌识别结果进行投票处理,提高了模型在复杂场景下的适用性和稳定性。
附图说明
图1为本发明一种基于YOLOv3模型的车辆品牌多角度识别方法流程图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例1:
一种基于YOLOv3模型的车辆品牌多角度识别方法包括以下的步骤:
步骤1:采集交通路口监控视频,间隔若干帧获取一次视频帧图像,将图像中各个车辆的位置和方向标注出来,构建车辆目标检测数据集;
步骤2:对每张图片中每个标注了的车辆的长宽比进行统计,用无监督学习算法K-Means对所有目标的长宽比进行聚类得到9个聚类中心,同时将原模型的输入尺寸由416*416改成672*672,使得模型对小目标的敏感度更高。用以上的方法优化YOLOv3模型,并用步骤1采集到的数据进行训练;
步骤3:用步骤2种训练好的YOLOv3模型与采用相似度比较的模板匹配算法结合对交通路路口监测视频中的车辆进行检测并跟踪,在指定车辆出现的监测视频的这段时间内,对视频每隔若干帧检测一次,将指定车辆区域部分按照检测得到的位置坐标从原视频帧中截取下来,按照识别得到的车辆方向进行分类存储,每个车辆区域图像包含当前帧指定车辆的方向置信度;
步骤4:构建基于DenseNet的卷积神经网络,训练网络对车辆的品牌进行识别。步骤3中按照车辆方向分类存储的车辆区域图像都对应着车辆方向分类的置信度,将各个方向中置信度最高的车辆区域图像提取出来,分为正面,侧面,反面三张车辆不同方向的图像。用训练好的车辆品牌识别模型对三种不同方向的车辆区域图像进行分类,得到结果y1,y2,y3;
步骤5:对步骤4种得到的三种不同方向的车辆图像采用Voting的方式进行分析,如果y1,y2,y3的结果均不相同,则选择其中品牌识别概率最大的值作为指定车辆的品牌识别结果。如果y1,y2,y3种存在相同的品牌是被结果,则按照多数表决的结果得到指定车辆的品牌;
结合附图1所示,本方法的具体步骤如下:
步骤S201,采集交通路口监控数据,标注车辆的位置和方向,构建数据集;
步骤S202,优化并训练YOLOv3车辆检测模型;
步骤S203,对交通路通监控视频进行检测,得到指定车辆的位置坐标和车辆方向;
步骤S204,根据得到的车辆位置坐标将车辆区域图像从原视频帧中截取下来;
步骤S205,构建并训练基于DenseNet的卷积神经网络对车辆区域图像进行车辆品牌识别;
步骤S206,对S204种截取下来的车辆图像按照YOLOv3检测到的车辆方向进行分类,将每个方向的车辆区域图像进行识别;
步骤S207,通过Voting的方法分析各个车辆方向的车辆品牌识别结果,得到最终结果。
本方法采用的系统包括车辆检测模块、车辆区域提取模块、车辆方向分类模块、车辆品牌识别模块和车辆品牌分析模块;车辆检测模块、车辆区域提取模块、车辆方向分类模块和车辆品牌分析模块依次连接。
其中,车辆检测模块包括训练后的YOLOv3模型,根据标注了车辆位置和车辆方向的数据集进行训练,用于对交通路口的检测视频中的车辆进行检测;车辆区域提取模块,用于将车辆检测模块检测到的车辆,根据车辆的坐标位置将车辆区域截取下来;车辆方向分类模块,用于对车辆区域提取模块截取下来的车辆区域图片根据车辆的方向进行分类;辆品牌识别模块包括了基于DenseNet的卷积神经网络,用于对车辆方向分类模块中各个方向的车辆区域图片进行车辆品牌识别;车辆品牌分析模块,采用Voting的方法,用于对车辆品牌识别模块中各个车辆方向的品牌识别结果进行分析,得到最终的车辆品牌结果。
尽管这里参照本发明的解释性实施例对本发明进行了描述,上述实施例仅为本发明较佳的实施方式,本发明的实施方式并不受上述实施例的限制,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式将落在本申请公开的原则范围和精神之内。
Claims (7)
1.一种基于YOLOv3模型的车辆品牌多角度识别方法,其特征在于,所述方法包括如下步骤:
步骤1:采集图片,并对采集到的每张图片都进行标注,分别标注出车辆区域左上角和右上角在原图像上面的坐标,以及车辆的方向,并分类为正面、反面和侧面;
步骤2:对每张图片中每个标注了的车辆的长宽比进行统计,用无监督学习算法K-Means对所有目标的长宽比进行聚类得到9个聚类中心;
步骤3:使用步骤2所得的聚类中心优化YOLOv3模型;
步骤4:根据步骤3优化后的YOLOv3模型检测监控视频中车辆的位置信息和车身方向;
步骤5:根据步骤4中检测得到的目标车辆的位置信息将车辆区域截取并筛选,然后进行数据预处理;
步骤6:收集数据,选择不同场景,不同天气,各种光线下只包含整个车辆区域,背景尽可能少的图像作为训练集对YOLOv3模型进行优化;
步骤7:利用改进后的YOLOv3模型检测识别S4中车辆图像的品牌,并比较步骤6中得到的品牌识别结果,并筛选出车辆的品牌。
2.根据权利要求1所述的基于YOLOv3模型的车辆品牌多角度识别方法,其特征在于,所述步骤3中对YOLOv3模型的优化是将原模型的输入尺寸由416*416改成672*672,使得模型对小目标的敏感度更高。
3.根据权利要求1所述的基于YOLOv3模型的车辆品牌多角度识别方法,其特征在于,所述步骤4检测监控视频中车辆的位置信息和车身方向的过程为:
首先利用改进后的yolov3模型与利用相似度比较的模板匹配算法结合对视频中的车辆进行检测并跟踪,模型通过多尺度特征提取对输入的每一帧图像提取特征;
然后Yolov3将darknet-53作为神经网络模型,拥有53层卷积网络,其中有5层卷积网络作为下采样层;
最后,模型分别将第三次,第四次,第五次下采样层输出的特征图依次融合,得到含有特征尺寸为21*21,,42*42,84*84的多尺寸特征图,让网络同时学习深层和浅层的特征,模型最后输出值为:
其中class为类别种类,i为类别索引,Pi为置信度,IOU是预测的位置和真实位置的交并比。
4.根据权利要求1所述的基于YOLOv3模型的车辆品牌多角度识别方法,其特征在于,所述步骤5中对目标车辆的位置信息将车辆区域截取和筛选时,按照目标的预测坐标将车辆图像从每一帧原始图像中截取下来根据类别存储,然后将每一类中置信度最大的车辆图像提取出来作为车辆品牌识别的数据;预处理包括对图像进行滤波和压缩的处理。
5.根据权利要求1所述的基于YOLOv3模型的车辆品牌多角度识别方法,其特征在于,所述步骤6对YOLOv3模型进行优化包括如下步骤:
步骤6.1:收集数据,选择不同场景,不同天气,各种光线下只包含整个车辆区域,背景尽可能少的图像作为训练集;
步骤6.2:对每张图片进行标注,画出车头或者车尾部位包含车标的那一部分的区域,将区域左上角和右下角的坐标和品牌类别标注出来;
步骤6.3:根据标注的坐标计算每张图片中标注区域的长宽比并进行统计,将统计结果作为数据,采用无监督学习算法K-Means对所有感兴趣区域的长宽比进行聚类,得到3个聚类中心;
步骤6.4:使用步骤6.3所得3个聚类中心的长宽比值将原模型的输入尺寸由416*416改进成224*224,减小了不必要的计算量,完成对yolov3模型的优化。
6.根据权利要求1所述的基于YOLOv3模型的车辆品牌多角度识别方法,其特征在于,所述步骤7检测车辆品牌时,先修改过模型的输入尺寸后,经过5次下采样处理得到7*7的特征图;模型检测识别后,得到车辆正面图像的品牌分类结果class1置信度P1,车辆反面图像的品牌分类结果class0信度P0及车辆侧面图像的分类结果class2置信度P2。
7.根据权利要求6所述的基于YOLOv3模型的车辆品牌多角度识别方法,其特征在于,检测完毕后比较车辆三个方向的图像的品牌检测结果;
如果三个图像品牌分类结果一样,则目标车辆品牌为class1;
如果三个图像品牌分类结果有两个相同,另一个不相同,则目标车辆的品牌为那两个结果一样的品牌;
如果三个图像品牌分类结果均不一致,则比较置信度P1、P0和P2的大小,选择置信度最大的分类结果作为目标车辆的品牌。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419456.4A CN110119726B (zh) | 2019-05-20 | 2019-05-20 | 一种基于YOLOv3模型的车辆品牌多角度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419456.4A CN110119726B (zh) | 2019-05-20 | 2019-05-20 | 一种基于YOLOv3模型的车辆品牌多角度识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110119726A true CN110119726A (zh) | 2019-08-13 |
CN110119726B CN110119726B (zh) | 2023-04-25 |
Family
ID=67522837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910419456.4A Active CN110119726B (zh) | 2019-05-20 | 2019-05-20 | 一种基于YOLOv3模型的车辆品牌多角度识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119726B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717395A (zh) * | 2019-09-06 | 2020-01-21 | 平安城市建设科技(深圳)有限公司 | 图片物体处理方法、装置及存储介质 |
CN110852243A (zh) * | 2019-11-06 | 2020-02-28 | 中国人民解放军战略支援部队信息工程大学 | 一种基于改进YOLOv3的道路交叉口检测方法及装置 |
CN111881906A (zh) * | 2020-06-18 | 2020-11-03 | 广州万维创新科技有限公司 | 一种基于注意力机制图像检索的logo识别方法 |
CN111950367A (zh) * | 2020-07-08 | 2020-11-17 | 中国科学院大学 | 一种面向航拍影像的无监督车辆重识别方法 |
CN113095240A (zh) * | 2021-04-16 | 2021-07-09 | 青岛海尔电冰箱有限公司 | 冰箱内物品信息识别方法、冰箱和计算机存储介质 |
CN113205133A (zh) * | 2021-04-30 | 2021-08-03 | 成都国铁电气设备有限公司 | 一种基于多任务学习的隧道水渍智能识别方法 |
CN113408465A (zh) * | 2021-06-30 | 2021-09-17 | 平安国际智慧城市科技股份有限公司 | 身份识别方法、装置及相关设备 |
CN113435439A (zh) * | 2021-06-30 | 2021-09-24 | 青岛海尔科技有限公司 | 单据的审核方法及装置、存储介质、电子装置 |
CN114550464A (zh) * | 2022-04-25 | 2022-05-27 | 北京信路威科技股份有限公司 | 车辆信息确定方法、装置、计算机设备和存储介质 |
KR102594256B1 (ko) * | 2022-11-15 | 2023-10-26 | 주식회사 에딘트 | 인공지능 기반 행동 모니터링 방법, 프로그램 및 장치 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004042673A2 (en) * | 2002-11-04 | 2004-05-21 | Imperial Vision Ltd. | Automatic, real time and complete identification of vehicles |
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 |
CN106127107A (zh) * | 2016-06-14 | 2016-11-16 | 宁波熵联信息技术有限公司 | 基于车牌信息和车辆轮廓的多路视频信息融合的车型识别方法 |
CN106295541A (zh) * | 2016-08-03 | 2017-01-04 | 乐视控股(北京)有限公司 | 车辆类型识别方法及系统 |
CN106935035A (zh) * | 2017-04-07 | 2017-07-07 | 西安电子科技大学 | 基于ssd神经网络的违章停车车辆实时检测方法 |
US9760806B1 (en) * | 2016-05-11 | 2017-09-12 | TCL Research America Inc. | Method and system for vision-centric deep-learning-based road situation analysis |
CN109508710A (zh) * | 2018-10-23 | 2019-03-22 | 东华大学 | 基于改进YOLOv3网络的无人车夜间环境感知方法 |
CN109766819A (zh) * | 2019-01-04 | 2019-05-17 | 北京博宇通达科技有限公司 | 车辆身份识别方法及装置 |
-
2019
- 2019-05-20 CN CN201910419456.4A patent/CN110119726B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004042673A2 (en) * | 2002-11-04 | 2004-05-21 | Imperial Vision Ltd. | Automatic, real time and complete identification of vehicles |
US9760806B1 (en) * | 2016-05-11 | 2017-09-12 | TCL Research America Inc. | Method and system for vision-centric deep-learning-based road situation analysis |
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 |
CN106127107A (zh) * | 2016-06-14 | 2016-11-16 | 宁波熵联信息技术有限公司 | 基于车牌信息和车辆轮廓的多路视频信息融合的车型识别方法 |
CN106295541A (zh) * | 2016-08-03 | 2017-01-04 | 乐视控股(北京)有限公司 | 车辆类型识别方法及系统 |
CN106935035A (zh) * | 2017-04-07 | 2017-07-07 | 西安电子科技大学 | 基于ssd神经网络的违章停车车辆实时检测方法 |
CN109508710A (zh) * | 2018-10-23 | 2019-03-22 | 东华大学 | 基于改进YOLOv3网络的无人车夜间环境感知方法 |
CN109766819A (zh) * | 2019-01-04 | 2019-05-17 | 北京博宇通达科技有限公司 | 车辆身份识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
BILEL BENJDIRA等: "Car Detection using Unmanned Aerial Vehicles: Comparison between Faster R-CNN and YOLOv3" * |
郭沛: "基于卷积神经网络的车型检测方法的研究与实现" * |
黎哲明等: "基于卷积神经网络的车辆品牌和型号识别", 《东华大学学报(自然科学版)》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717395A (zh) * | 2019-09-06 | 2020-01-21 | 平安城市建设科技(深圳)有限公司 | 图片物体处理方法、装置及存储介质 |
CN110852243A (zh) * | 2019-11-06 | 2020-02-28 | 中国人民解放军战略支援部队信息工程大学 | 一种基于改进YOLOv3的道路交叉口检测方法及装置 |
CN111881906A (zh) * | 2020-06-18 | 2020-11-03 | 广州万维创新科技有限公司 | 一种基于注意力机制图像检索的logo识别方法 |
CN111950367A (zh) * | 2020-07-08 | 2020-11-17 | 中国科学院大学 | 一种面向航拍影像的无监督车辆重识别方法 |
CN113095240B (zh) * | 2021-04-16 | 2023-08-29 | 青岛海尔电冰箱有限公司 | 冰箱内物品信息识别方法、冰箱和计算机存储介质 |
CN113095240A (zh) * | 2021-04-16 | 2021-07-09 | 青岛海尔电冰箱有限公司 | 冰箱内物品信息识别方法、冰箱和计算机存储介质 |
CN113205133A (zh) * | 2021-04-30 | 2021-08-03 | 成都国铁电气设备有限公司 | 一种基于多任务学习的隧道水渍智能识别方法 |
CN113205133B (zh) * | 2021-04-30 | 2024-01-26 | 成都国铁电气设备有限公司 | 一种基于多任务学习的隧道水渍智能识别方法 |
CN113408465A (zh) * | 2021-06-30 | 2021-09-17 | 平安国际智慧城市科技股份有限公司 | 身份识别方法、装置及相关设备 |
CN113435439B (zh) * | 2021-06-30 | 2023-11-28 | 青岛海尔科技有限公司 | 单据的审核方法及装置、存储介质、电子装置 |
CN113435439A (zh) * | 2021-06-30 | 2021-09-24 | 青岛海尔科技有限公司 | 单据的审核方法及装置、存储介质、电子装置 |
CN114550464B (zh) * | 2022-04-25 | 2022-07-26 | 北京信路威科技股份有限公司 | 车辆信息确定方法、装置、计算机设备和存储介质 |
CN114550464A (zh) * | 2022-04-25 | 2022-05-27 | 北京信路威科技股份有限公司 | 车辆信息确定方法、装置、计算机设备和存储介质 |
KR102594256B1 (ko) * | 2022-11-15 | 2023-10-26 | 주식회사 에딘트 | 인공지능 기반 행동 모니터링 방법, 프로그램 및 장치 |
Also Published As
Publication number | Publication date |
---|---|
CN110119726B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119726A (zh) | 一种基于YOLOv3模型的车辆品牌多角度识别方法 | |
Li et al. | Traffic light recognition for complex scene with fusion detections | |
WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN102609686B (zh) | 一种行人检测方法 | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN110009679A (zh) | 一种基于多尺度特征卷积神经网络的目标定位方法 | |
CN105590099B (zh) | 一种基于改进卷积神经网络的多人行为识别方法 | |
CN109344736A (zh) | 一种基于联合学习的静态图像人群计数方法 | |
CN109948707B (zh) | 模型训练方法、装置、终端及存储介质 | |
Cui et al. | 3D semantic map construction using improved ORB-SLAM2 for mobile robot in edge computing environment | |
CN106295532B (zh) | 一种视频图像中的人体动作识别方法 | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN104504395A (zh) | 基于神经网络实现人车分类的方法和系统 | |
CN1561503A (zh) | 通过模型集合体的对象分类 | |
CN110728252B (zh) | 一种应用于区域人员运动轨迹监控的人脸检测方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN114241548A (zh) | 一种基于改进YOLOv5的小目标检测算法 | |
CN107085723A (zh) | 一种基于深度学习模型的车牌字符整体识别方法 | |
CN108647695A (zh) | 基于协方差卷积神经网络的低对比度图像显著性检测方法 | |
Espinosa et al. | Motorcycle detection and classification in urban Scenarios using a model based on Faster R-CNN | |
CN106570490A (zh) | 一种基于快速聚类的行人实时跟踪方法 | |
CN107038442A (zh) | 一种基于深度学习的车牌检测和整体识别方法 | |
CN110263731B (zh) | 一种单步人脸检测系统 | |
CN103971106A (zh) | 多视角人脸图像性别识别方法及装置 | |
CN105893971A (zh) | 一种基于Gabor和稀疏表示的交通信号灯识别方法 |
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 |