CN110232379A - 一种车辆姿态检测方法及系统 - Google Patents

一种车辆姿态检测方法及系统 Download PDF

Info

Publication number
CN110232379A
CN110232379A CN201910475273.4A CN201910475273A CN110232379A CN 110232379 A CN110232379 A CN 110232379A CN 201910475273 A CN201910475273 A CN 201910475273A CN 110232379 A CN110232379 A CN 110232379A
Authority
CN
China
Prior art keywords
vehicle
image
region
deep learning
target
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
CN201910475273.4A
Other languages
English (en)
Inventor
周康明
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.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control Technology Co Ltd
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 Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN201910475273.4A priority Critical patent/CN110232379A/zh
Publication of CN110232379A publication Critical patent/CN110232379A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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

Abstract

本发明公开了一种车辆姿态检测方法及系统，其方法包括获取待检测图像，其中包含目标车辆；采用目标检测网络模型，检测出待检测图像中目标车辆的图像区域；采用实例分割网络模型，对目标车辆的图像区域进行实例分割；将分割后的目标车辆的图像区域输入至车辆姿态分类模型，获取姿态分类结果；根据姿态分类结果，确定出目标车辆的姿态。其系统包括存储器，被配置为存储数据及计算机程序指令；与存储器建立通信的处理器，处理器执行所述计算机程序指令。本发明主要应用于交通监管以及重点区域监控领域中，其通过场景分割技术实现了车辆姿态的自动检测以及分析，且本方案的属性分析效率和准确度更高。

Description

一种车辆姿态检测方法及系统
技术领域
本发明涉及交通监管技术领域，特别涉及一种车辆姿态检测方法及系统。
背景技术
随着社会经济的不断发展和人民生活水平的持续提高，城市机动车保有量迅猛增长，机动车车辆检测以及行人检测工作量也随之迅速增大，这对于交通监管领域造成了很大的压力。
随着人工智能技术的发展，图像场景分割技术被引入交通监管领域内，为其场景分割等提供了技术基础。然而，现有的技术并不能满足交通监管的需求。
现有技术中，在对场景进行分割时，需要先将视频数据中的每一帧图像作为单独帧图像进行场景分割，从而得到每一帧图像的场景分割结果。然而，这种处理方法的处理速度慢，花费时间长，且在背景情况复杂时识别的准确度较差，后期仍需要人工进行校验检查。
因此，如何准确、快速地对车辆姿态进行检测，同时避免人工校验成本高，易疲劳，易疏忽等弊端，是急需解决的技术问题。
发明内容
本发明目的是：提出一种车辆姿态检测方法及系统，其能够自动检测出车辆姿态，以满足交通管理中对于车辆检测工作效率和准确率的需求。
本发明解决其技术问题所采用的技术方案是：
一种车辆姿态检测方法，其特征在于，包括如下步骤：
S1、获取待检测图像，所述待检测图像中包含目标车辆；
S2、采用基于深度学习的目标检测网络模型，检测出所述待检测图像中目标车辆的图像区域；
S3、采用基于深度学习的实例分割网络模型，对所述目标车辆的图像区域进行实例分割；
S4、将被进行实例分割后的目标车辆的图像区域输入至预构建的基于深度学习的车辆姿态分类模型，获取姿态分类结果；
S5、根据姿态分类结果，确定出所述待检测图像中的目标车辆的姿态。
进一步优化技术方案，在本方案的方法中还包括：
获取不同角度、光照、种类和图像质量的包含车辆的车辆图像样本；
采用矩形框分别对每个车辆图像样本中每张车辆的图像区域进行标记，得到有效标记数据集；其中，每个矩形框在每张样本图像中的位置以坐标值的方式标识出。
进一步优化技术方案，在获取待检测图像之前，本方案的方法还包括以下步骤：
预构建基于深度学习的目标检测网络模型；
预构建基于深度学习的实例分割网络模型；
预构建基于深度学习的车辆姿态分类模型。
进一步优化技术方案，所述预构建基于深度学习的目标检测网络模型的步骤包括：
分别将所述有效标记数据集中的每张图像样本和该张图像样本中每个矩形框的坐标值作为一组训练数据，形成第一训练数据集；
采用卷积神经网络VGG16搭建目标检测深度学习网络，并利用所述第一训练数据集训练所述目标检测深度学习网络，获得基于深度学习的目标检测网络模型。
进一步优化技术方案，所述采用基于深度学习的目标检测网络模型，检测出所述待检测图像中目标车辆的图像区域包括：
将包含目标车辆的待检测图像输入所述基于深度学习的目标检测网络模型；
获取所述基于深度学习的目标检测网络模型输出标记目标车辆的图像区域的矩形框的坐标值；
根据目标车辆的图像区域的矩形框的坐标值，确定矩形框的位置并显示；其中，所述矩形框内的图像区域即为目标车辆的图像区域。
进一步优化技术方案，所述构建基于深度学习的实例分割网络模型的步骤包括：
对所述有效标记数据集中每张样本图像中的每个矩形框内的区域逐像素分割出车辆本体和背景；
对于每个矩形框内的区域进行实例分割，在矩形框的区域内属于车辆本体的像素值保持不变，将不属于车辆本体的像素值变为0，得到分割掩码；
将所述有效标记数据集中的每张图像样本和该张图像样本中每个矩形框的坐标值以及该张图像样本中每个矩形框内区域对应的分割掩码作为一组训练数据，形成第二训练数据集；
采用卷积神经网络VGG16搭建实例分割深度学习网络，使用所述第二训练数据集训练所述实例分割深度学习网络，获得基于深度学习的实例分割网络模型。
进一步优化技术方案，所述采用基于深度学习的实例分割网络模型，对所述目标车辆的图像区域进行实例分割包括：
将被矩形框标记出目标车辆的图像区域的待检测图像输入所述基于深度学习的实例分割网络模型；
获取目标车辆的图像区域的分割掩码，得到实例分割后的目标车辆的图像区域；
其中，实例分割后的目标车辆的图像区域中，属于目标车辆的像素值保持不变，不属于车辆本体的像素值变为0。
进一步优化技术方案，所述预构建基于深度学习的车辆姿态分类模型的步骤包括：
对有效标记数据集中的每个车辆图像样本中被矩形框标记出的车辆的图像区域进行实例分割，获取相应的分割掩码，得到实例分割后的车辆图像样本中的车辆的图像区域；
设置N个车辆姿态标签，每个车辆姿态标签分别用于标识一种车辆姿态；
使用所述车辆姿态标签对得到的实例分割后的车辆图像样本中的车辆的图像区域进行标记；
以得到的实例分割后的车辆图像样本中的车辆的图像区域及标记该车辆的图像区域的车辆姿态标签作为一组训练数据，形成第三训练数据集；
采用深度学习卷积神经网络googlenet搭建车辆姿态分类深度学习网络，使用所述第三训练数据集训练所述车辆姿态分类深度学习网络，获得基于深度学习的车辆姿态分类模型。
进一步优化技术方案，在步骤S4中所述获取姿态分类结果包括：
获取所述基于深度学习的车辆姿态分类模型响应于被进行实例分割后的目标车辆的图像区域的输入进而输出的实例分割后的目标车辆的图像区域在N个所述车辆姿态标签上的分布概率；
进一步优化技术方案，在步骤S5中所述根据姿态分类结果，确定出所述待检测图像中的目标车辆的姿态包括：
将分布概率最大的车辆姿态标签所标识的车辆姿态作为目标车辆的车辆姿态。
一种车辆姿态检测系统，包括：
存储器，被配置为存储数据及计算机程序指令；
与所述存储器建立通信的处理器，所述处理器执行所述计算机程序指令以执行权利要求1至9任一项所述一种车辆姿态检测方法的步骤。
本发明的有益效果是：本发明主要应用于交通监管以及重点区域监控领域中，其通过场景分割技术实现了车辆姿态的自动检测以及分析，且本方案的属性分析效率和准确度更高。
附图说明
图1是基于深度学习的目标检测网络模型的获取流程图。
图2是基于深度学习的实例分割网络模型的获取流程图。
图3是基于深度学习的车辆姿态分类模型的获取流程图。
图4是本发明中车辆姿态检测方法的流程图。
图5是本发明中车辆姿态检测系统的框图。
具体实施方式
以下结合附图。对本发明做进一步说明。
在具体实施本方案的方法时，需预先采集数据集，然后利用数据集预先构建网络模型。具体步骤如下：
预先采集数据集：获取不同角度、光照、种类和图像质量的包含车辆的车辆图像样本；采用矩形框分别对每个车辆图像样本中每张车辆的图像区域进行标记，得到有效标记数据集；其中，每个矩形框在每张样本图像中的位置以坐标值的方式标识出。
预先构建网络模型：
预构建基于深度学习的目标检测网络模型，如图1所示，包括如下步骤：
分别将所述有效标记数据集中的每张图像样本和该张图像样本中每个矩形框的坐标值作为一组训练数据，形成第一训练数据集；
采用卷积神经网络VGG16搭建目标检测深度学习网络，并利用所述第一训练数据集训练所述目标检测深度学习网络，获得基于深度学习的目标检测网络模型。
预构建基于深度学习的实例分割网络模型，如图2所示，包括如下步骤：
对所述有效标记数据集中每张样本图像中的每个矩形框内的区域逐像素分割出车辆本体和背景；
对于每个矩形框内的区域进行实例分割，在矩形框的区域内属于车辆本体的像素值保持不变，将不属于车辆本体的像素值变为0，得到分割掩码；
将所述有效标记数据集中的每张图像样本和该张图像样本中每个矩形框的坐标值以及该张图像样本中每个矩形框内区域对应的分割掩码作为一组训练数据，形成第二训练数据集；
采用卷积神经网络VGG16搭建实例分割深度学习网络，使用所述第二训练数据集训练所述实例分割深度学习网络，获得基于深度学习的实例分割网络模型。
预构建基于深度学习的车辆姿态分类模型，如图3所示，包括如下步骤：
对有效标记数据集中的每个车辆图像样本中被矩形框标记出的车辆的图像区域进行实例分割，获取相应的分割掩码，得到实例分割后的车辆图像样本中的车辆的图像区域；
设置N个车辆姿态标签，每个车辆姿态标签分别用于标识一种车辆姿态；
使用所述车辆姿态标签对得到的实例分割后的车辆图像样本中的车辆的图像区域进行标记；
以得到的实例分割后的车辆图像样本中的车辆的图像区域及标记该车辆的图像区域的车辆姿态标签作为一组训练数据，形成第三训练数据集；
采用深度学习卷积神经网络googlenet搭建车辆姿态分类深度学习网络，使用所述第三训练数据集训练所述车辆姿态分类深度学习网络，获得基于深度学习的车辆姿态分类模型。
当完成上述准备工作后，正式开始检测步骤：
如图4所示，本发明中车辆姿态检测方法，包括如下步骤：
S1、获取待检测图像，所述待检测图像中包含目标车辆；
S2、采用基于深度学习的目标检测网络模型，检测出所述待检测图像中目标车辆的图像区域；
S3、采用基于深度学习的实例分割网络模型，对所述目标车辆的图像区域进行实例分割；
S4、将被进行实例分割后的目标车辆的图像区域输入至预构建的基于深度学习的车辆姿态分类模型，获取姿态分类结果；
S5、根据姿态分类结果，确定出所述待检测图像中的目标车辆的姿态。
其中，步骤S2中采用基于深度学习的目标检测网络模型，检测出所述待检测图像中目标车辆的图像区域包括：
将包含目标车辆的待检测图像输入所述基于深度学习的目标检测网络模型；
获取所述基于深度学习的目标检测网络模型输出标记目标车辆的图像区域的矩形框的坐标值；
根据目标车辆的图像区域的矩形框的坐标值，确定矩形框的位置并显示；其中，所述矩形框内的图像区域即为目标车辆的图像区域。
其中，步骤S3中采用基于深度学习的实例分割网络模型，对所述目标车辆的图像区域进行实例分割包括：
将被矩形框标记出目标车辆的图像区域的待检测图像输入所述基于深度学习的实例分割网络模型；
获取目标车辆的图像区域的分割掩码，得到实例分割后的目标车辆的图像区域；
在实例分割后的目标车辆的图像区域中，属于目标车辆的像素值保持不变，不属于车辆本体的像素值变为0。
其中，在步骤S4中获取姿态分类结果包括：
获取所述基于深度学习的车辆姿态分类模型响应于被进行实例分割后的目标车辆的图像区域的输入进而输出的实例分割后的目标车辆的图像区域在N个所述车辆姿态标签上的分布概率；
其中，在步骤S5中根据姿态分类结果，确定出所述待检测图像中的目标车辆的姿态包括：
将分布概率最大的车辆姿态标签所标识的车辆姿态作为目标车辆的车辆姿态。
一种车辆姿态检测系统，如图5所示，包括：
存储器，被配置为存储数据及计算机程序指令；
与存储器建立通信的处理器，处理器执行所述计算机程序指令以执行任一项所述车辆姿态检测方法的步骤。
以上显示和描述了本方案的基本原理和主要特征和本方案的优点。本行业的技术人员应该了解，本方案不受上述实施例的限制，上述实施例和说明书中描述的只是说明本方案的原理，在不脱离本方案精神和范围的前提下，本方案还会有各种变化和改进，这些变化和改进都落入要求保护的本方案范围内。本方案要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种车辆姿态检测方法，其特征在于，包括如下步骤：
S1、获取待检测图像，所述待检测图像中包含目标车辆；
S2、采用基于深度学习的目标检测网络模型，检测出所述待检测图像中目标车辆的图像区域；
S3、采用基于深度学习的实例分割网络模型，对所述目标车辆的图像区域进行实例分割；
S4、将被进行实例分割后的目标车辆的图像区域输入至预构建的基于深度学习的车辆姿态分类模型，获取姿态分类结果；
S5、根据姿态分类结果，确定出所述待检测图像中的目标车辆的姿态。
2.根据权利要求1所述的一种车辆姿态检测方法，，其特征在于，所述方法还包括：
获取不同角度、光照、种类和图像质量的包含车辆的车辆图像样本；
采用矩形框分别对每个车辆图像样本中每张车辆的图像区域进行标记，得到有效标记数据集；其中，每个矩形框在每张样本图像中的位置以坐标值的方式标识出。
3.如权利要求1或2所述的一种车辆姿态检测方法，其特征在于，在获取待检测图像之前，所述方法还包括：
预构建基于深度学习的目标检测网络模型；
预构建基于深度学习的实例分割网络模型；
预构建基于深度学习的车辆姿态分类模型。
4.如权利要求3所述的一种车辆姿态检测方法，其特征在于，所述预构建基于深度学习的目标检测网络模型的步骤包括：
分别将所述有效标记数据集中的每张图像样本和该张图像样本中每个矩形框的坐标值作为一组训练数据，形成第一训练数据集；
采用卷积神经网络VGG16搭建目标检测深度学习网络，并利用所述第一训练数据集训练所述目标检测深度学习网络，获得基于深度学习的目标检测网络模型。
5.如权利要求4所述的一种车辆姿态检测方法，其特征在于，所述采用基于深度学习的目标检测网络模型，检测出所述待检测图像中目标车辆的图像区域包括：
将包含目标车辆的待检测图像输入所述基于深度学习的目标检测网络模型；
获取所述基于深度学习的目标检测网络模型输出标记目标车辆的图像区域的矩形框的坐标值；
根据目标车辆的图像区域的矩形框的坐标值，确定矩形框的位置并显示；其中，所述矩形框内的图像区域即为目标车辆的图像区域。
6.如权利要求3至5任一项所述的一种车辆姿态检测方法，其特征在于，所述构建基于深度学习的实例分割网络模型的步骤包括：
对所述有效标记数据集中每张样本图像中的每个矩形框内的区域逐像素分割出车辆本体和背景；
对于每个矩形框内的区域进行实例分割，在矩形框的区域内属于车辆本体的像素值保持不变，将不属于车辆本体的像素值变为0，得到分割掩码；
将所述有效标记数据集中的每张图像样本和该张图像样本中每个矩形框的坐标值以及该张图像样本中每个矩形框内区域对应的分割掩码作为一组训练数据，形成第二训练数据集；
采用卷积神经网络VGG16搭建实例分割深度学习网络，使用所述第二训练数据集训练所述实例分割深度学习网络，获得基于深度学习的实例分割网络模型。
7.如权利要求6所述的一种车辆姿态检测方法，其特征在于，所述采用基于深度学习的实例分割网络模型，对所述目标车辆的图像区域进行实例分割包括：
将被矩形框标记出目标车辆的图像区域的待检测图像输入所述基于深度学习的实例分割网络模型；
获取目标车辆的图像区域的分割掩码，得到实例分割后的目标车辆的图像区域；
其中，实例分割后的目标车辆的图像区域中，属于目标车辆的像素值保持不变，不属于车辆本体的像素值变为0。
8.如权利要求6所述的一种车辆姿态检测方法，其特征在于，所述预构建基于深度学习的车辆姿态分类模型的步骤包括：
对所述有效标记数据集中的每个车辆图像样本中被矩形框标记出的车辆的图像区域进行实例分割，获取相应的分割掩码，得到实例分割后的车辆图像样本中的车辆的图像区域；
设置N个车辆姿态标签，每个车辆姿态标签分别用于标识一种车辆姿态；
使用所述车辆姿态标签对得到的实例分割后的车辆图像样本中的车辆的图像区域进行标记；
以得到的实例分割后的车辆图像样本中的车辆的图像区域及标记该车辆的图像区域的车辆姿态标签作为一组训练数据，形成第三训练数据集；
采用深度学习卷积神经网络googlenet搭建车辆姿态分类深度学习网络，使用所述第三训练数据集训练所述车辆姿态分类深度学习网络，获得基于深度学习的车辆姿态分类模型。
9.如权利要求8所述的一种车辆姿态检测方法，其特征在于，所述获取姿态分类结果包括：
获取所述基于深度学习的车辆姿态分类模型响应于被进行实例分割后的目标车辆的图像区域的输入进而输出的实例分割后的目标车辆的图像区域在N个所述车辆姿态标签上的分布概率；
所述根据姿态分类结果，确定出所述待检测图像中的目标车辆的姿态包括：
将分布概率最大的车辆姿态标签所标识的车辆姿态作为目标车辆的车辆姿态。
10.一种车辆姿态检测系统，其特征在于，包括：
存储器，被配置为存储数据及计算机程序指令；
与所述存储器建立通信的处理器，所述处理器执行所述计算机程序指令以执行权利要求1至9任一项所述一种车辆姿态检测方法的步骤。
CN201910475273.4A 2019-06-03 2019-06-03 一种车辆姿态检测方法及系统 Pending CN110232379A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910475273.4A CN110232379A (zh) 2019-06-03 2019-06-03 一种车辆姿态检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910475273.4A CN110232379A (zh) 2019-06-03 2019-06-03 一种车辆姿态检测方法及系统

Publications (1)

Publication Number Publication Date
CN110232379A true CN110232379A (zh) 2019-09-13

Family

ID=67859114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910475273.4A Pending CN110232379A (zh) 2019-06-03 2019-06-03 一种车辆姿态检测方法及系统

Country Status (1)

Country Link
CN (1) CN110232379A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751633A (zh) * 2019-10-11 2020-02-04 上海眼控科技股份有限公司 基于深度学习的多轴大车制动检测方法、装置、系统
CN110765961A (zh) * 2019-10-29 2020-02-07 上海眼控科技股份有限公司 车辆制动状态判断方法、装置、计算机设备和存储介质
CN110765963A (zh) * 2019-10-29 2020-02-07 上海眼控科技股份有限公司 车辆制动检测方法、装置、设备及计算机可读存储介质
CN110889328A (zh) * 2019-10-21 2020-03-17 大唐软件技术股份有限公司 检测道路交通状况的方法、装置、电子设备和存储介质
CN111507231A (zh) * 2020-04-10 2020-08-07 三一重工股份有限公司 工序步骤正确性自动化检测方法和系统
CN111784444A (zh) * 2020-06-09 2020-10-16 深圳市金溢科技股份有限公司 共享单车管理方法和系统
CN112037249A (zh) * 2020-07-21 2020-12-04 贵州宽凳智云科技有限公司北京分公司 一种对摄像装置影像中物体进行跟踪的方法及装置
CN112232317A (zh) * 2020-12-14 2021-01-15 智道网联科技(北京)有限公司 用于目标朝向识别的目标检测方法及装置、设备及介质
CN112733703A (zh) * 2021-01-07 2021-04-30 深圳市捷顺科技实业股份有限公司 一种车辆停放状态检测方法及系统
CN113408375A (zh) * 2021-06-03 2021-09-17 南京佑驾科技有限公司 一种道路车辆行驶姿态分类方法、装置及其系统
WO2022217794A1 (zh) * 2021-04-12 2022-10-20 深圳大学 一种动态环境移动机器人的定位方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751633A (zh) * 2019-10-11 2020-02-04 上海眼控科技股份有限公司 基于深度学习的多轴大车制动检测方法、装置、系统
CN110889328A (zh) * 2019-10-21 2020-03-17 大唐软件技术股份有限公司 检测道路交通状况的方法、装置、电子设备和存储介质
CN110765961A (zh) * 2019-10-29 2020-02-07 上海眼控科技股份有限公司 车辆制动状态判断方法、装置、计算机设备和存储介质
CN110765963A (zh) * 2019-10-29 2020-02-07 上海眼控科技股份有限公司 车辆制动检测方法、装置、设备及计算机可读存储介质
CN111507231A (zh) * 2020-04-10 2020-08-07 三一重工股份有限公司 工序步骤正确性自动化检测方法和系统
CN111507231B (zh) * 2020-04-10 2023-06-23 盛景智能科技(嘉兴)有限公司 工序步骤正确性自动化检测方法和系统
CN111784444A (zh) * 2020-06-09 2020-10-16 深圳市金溢科技股份有限公司 共享单车管理方法和系统
CN112037249A (zh) * 2020-07-21 2020-12-04 贵州宽凳智云科技有限公司北京分公司 一种对摄像装置影像中物体进行跟踪的方法及装置
CN112232317A (zh) * 2020-12-14 2021-01-15 智道网联科技(北京)有限公司 用于目标朝向识别的目标检测方法及装置、设备及介质
CN112733703A (zh) * 2021-01-07 2021-04-30 深圳市捷顺科技实业股份有限公司 一种车辆停放状态检测方法及系统
WO2022217794A1 (zh) * 2021-04-12 2022-10-20 深圳大学 一种动态环境移动机器人的定位方法
CN113408375A (zh) * 2021-06-03 2021-09-17 南京佑驾科技有限公司 一种道路车辆行驶姿态分类方法、装置及其系统

Similar Documents

Publication Publication Date Title
CN110232379A (zh) 一种车辆姿态检测方法及系统
CN106407981B (zh) 一种车牌识别方法、装置及系统
CN108898085B (zh) 一种基于手机视频的道路病害智能检测方法
CN105608456B (zh) 一种基于全卷积网络的多方向文本检测方法
CN103632158B (zh) 森林防火监控方法及森林防火监控系统
CN108875600A (zh) 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质
CN105809651B (zh) 基于边缘非相似性对比的图像显著性检测方法
CN103646257B (zh) 一种基于视频监控图像的行人检测和计数方法
CN108090423A (zh) 一种基于热力图和关键点回归的深度车牌检测方法
CN111967313B (zh) 一种深度学习目标检测算法辅助的无人机图像标注方法
CN110119726A (zh) 一种基于YOLOv3模型的车辆品牌多角度识别方法
CN111401419A (zh) 基于改进RetinaNet的员工着装规范检测方法
CN103605978A (zh) 基于三维实景数据的城市违章建筑识别系统及方法
CN104463869B (zh) 一种视频火焰图像复合识别方法
CN107301376B (zh) 一种基于深度学习多层刺激的行人检测方法
CN112001219B (zh) 一种多角度多人脸识别考勤方法及系统
CN106503170B (zh) 一种基于遮挡维度的图像库构建方法
CN110428449A (zh) 目标检测跟踪方法、装置、设备及存储介质
CN105095867A (zh) 基于深度学习的快速动态人脸提取、识别方法
WO2020114116A1 (zh) 一种基于密集人群的行人检测方法、存储介质及处理器
CN106529432A (zh) 一种深度融合显著性检测与先验知识的手部区域分割方法
CN108549901A (zh) 一种基于深度学习的快速迭代目标检测方法
CN110827312A (zh) 一种基于协同视觉注意力神经网络的学习方法
CN110245544A (zh) 一种确定停车状态的方法及装置
CN112150804A (zh) 一种基于MaskRCNN算法的城市多类型交叉口识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190913

WD01 Invention patent application deemed withdrawn after publication