CN110276268A - 基于度量学习与ssd网络的畸变行车视频车辆检测方法 - Google Patents
基于度量学习与ssd网络的畸变行车视频车辆检测方法 Download PDFInfo
- Publication number
- CN110276268A CN110276268A CN201910454189.4A CN201910454189A CN110276268A CN 110276268 A CN110276268 A CN 110276268A CN 201910454189 A CN201910454189 A CN 201910454189A CN 110276268 A CN110276268 A CN 110276268A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- sample
- network
- distortion
- metric learning
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- 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
本发明公开了一种基于度量学习与SSD网络的畸变行车视频车辆检测方法;该方法结合度量学习与SSD算法来对畸变行车视频中的车辆进行检测;首先,通过迁移学习方法将算法在公开车辆数据库中学习到的参数迁移到畸变车辆数据库中,以防止过拟合;其次,结合度量学习方法建立前景与背景信息之间的度量,使得提取的前景特征与背景特征差异更大,减少漏检和误检的现象;最后,本发明使用多尺度重叠分块池化(SOPP)的分块池化策略取代金字塔池化,以取得更加鲁棒的特征图池化。本发明可以准确的对畸变行车视频中的车辆进行检测定位,在不同光照、不同道路等场景下均能保持稳定的检测结果;运行效率高,可以满足实时性要求;且硬件成本低,易于在高级辅助驾驶系统中推广,具有良好的应用前景。
Description
技术领域
本发明涉及到用于车辆检测的图像处理方法,具体地说,是一种基于度量学习与SSD算法的目标检测网络对畸变行车视频中的车辆进行检测的方法。
背景技术
随着车辆的流行与保有量的增加,越来越多的人因为司机的分心或粗心死于交通事故。高级辅助驾驶系统(ADAS)技术可以协助司机驾驶,有效的避免交通事故的发生。车辆检测技术在ADAS中扮演着一个重要且有意义的角色,它可以让司机清楚的知道驾驶车辆周围的环境信息从而减少交通事故的发生率。随着硬件设备费用的减少和计算能力的增加,基于计算机视觉的车辆检测技术已经取得了很大的进步,并被广泛的使用到高级辅助驾驶系统中。
近几年,车辆检测技术逐步的发展,不断的将检测准确度提升到一个新的高度。但是,大部分的车辆检测都是基于普通摄像机拍摄的非畸变图像或视频进行检测的。事实上,因为畸变摄像头可以捕获更大的有效视角,在ADAS和其他的全景视频监控环境中,更广泛使用的是畸变摄像头。因此,研究基于畸变图像的目标检测算法是非常有意义的。
在车辆检测方面,主要分为基于传统算法的检测和基于深度学习的车辆检测。传统算法的车辆检测主要使用支持向量机(SVM)方法、HOG和Gabor特征提取等方法。在车辆检测方法中使用SVM算法作为分类任务,使用HOG和Gabor特征来表示车辆特征,也有文献提出线上激励方法改善在遇到新类型的车辆或者不熟悉的环境中车辆检测系统的适应能力和精准率。然而,在实际应用中,这些方法都很容易受到光照变化、道路变化的干扰,出现车辆定位不准确等问题。
在过去的几年中,随着深度学习技术的不断发展,深度神经网络已逐渐的应用到车辆检测方法中。神经网络则有较强的鲁棒性,能够自动学习图像中有效的深层特征,目前在目标检测、目标跟踪等应用上都有非常出色的效果。因此,基于深度学习的车辆检测方法相比传统方法更具鲁棒性,在实际应用中能够更好的应对光照、遮挡和道路变化等问题,具有较高的准确性和实时性。
发明内容
针对传统方法的不足,本发明的目的是提供一种基于度量学习与SSD算法的畸变行车视频车辆检测方法,对所获取的畸变行车视频,利用MLSSD算法检测视频帧中的车辆目标。
为达到上述目的,本发明采用的技术方案如下:
基于度量学习与SSD网络的畸变行车视频车辆检测方法,其特征在于,包括以下步骤:
步骤1:获取ImageNet、KITTI、COCO数据集中的车辆数据,制作车辆数据库B;根据录制的20段不同路段场景下的畸变行车视频,制作畸变车辆数据库 A;
步骤2:搭建基于度量学习和SSD算法(MLSSD)的深度学习网络框架;
步骤3:MLSSD算法的训练过程。
进一步地,步骤1具体如下:
基于ImageNet、KITTI、COCO数据库筛选出有车辆目标的图片与对应标签,组成车辆数据库B;
使用录制的20段不同场景(高速公路、普通公路、白天、夜晚等场景)的畸变行车视频每隔20帧保存1帧作为待用畸变车辆数据集图片,并对这些图片进行标注,获得畸变车辆数据集A。
进一步地,步骤2具体包括:搭建度量学习分类网络框架,搭建SSD深度学习网络框架,建立MLSSD网络的损失函数。
进一步地,所述搭建度量学习分类网络框架具体处理步骤如下:
a:使用VGG网络的Conv 5-3及其之前网络层作为基础网络;
b:在Conv 4-3层和Conv 5-3层使用非冗余样本获得法获取非冗余的车辆样本和背景样本;
c:使用多尺度重叠分块池化的方法,将步骤4-2中获得的不同大小的样本特征图转化为相同的特征向量;
d:度量学习分类网络通过两个损失函数来调节网络参数,即度量损失Lmetric、分类损失Lcls,通过建立整体的损失函数LMLC=a Lcls+(1-a)Lcls来训练网络。
进一步地,步骤b中所述的获得非冗余的车辆样本和背景样本包括以下处理步骤:
a:在Conv 4-3层和Conv 5-3层,通过RPN的方法,可以得到大量的车辆样本边界框和背景样本边界框;
b:对于车辆样本,选出与Ground Truth有最大IOU的车辆样本边界框O,计算其他车辆样本与车辆样本O之间的IOU,删除IOU大于0.5的车辆样本,将 O保留并标记为非冗余目标样本,从未处理的车辆样本中重新选出与Ground Truth有最大IOU的下一个O,重复直到所有的样本均被处理(样本被处理表示样本被删除或被保留标记),最终,可以得到非冗余的车辆样本;
c:对于背景样本,选出有最大面积的背景样本B,计算其他背景样本与背景样本B之间的IOU,删除IOU大于0的背景样本,将B保留并标记为非冗余的背景样本,从未处理的背景样本中重新全出下一个面积最大的背景样本B,重复知道所有的样本均被处理,最终,可以得到非冗余的背景样本。
进一步地,步骤3所述的多尺度重叠分块池化的方法具体如下:
该方法主要分为四个阶段:第一个阶段,从整个特征图中得到一个最大的特征值;第二个阶段,以一个宽为w=Wf和高为h=Hf/2的滑动窗口以Hf/2为步长在特征图上纵向滑动,从滑动窗口所覆盖的特征图中选出一个最大的特征值,此阶段可以得到三个特征值,这里Wf,Hf分别为特征图的宽和高;第三个阶段,以一个宽为w=Wf/2和高为h=Hf的滑动窗口以Wf/2为步长在特征图上横向滑动,从滑动窗口所覆盖的特征图中选一个最大的特征图,此阶段可以得到三个特征值;第四个阶段,以一个宽为w=Wf/2和高为h=Hf/2的滑动窗口以[Wf/2,Hf/2]为步长在特征图的横向和纵向上滑动,从滑动窗口所覆盖的特征图中选一个最大的特征,此阶段可以得到9个特征值,因此通过SOPP方法,可以将不同大小的特征图转化为一个16维的特征向量。
进一步地,所述SSD框架的搭建具体描述如下:
该过程输入网络的图像大小为512*512像素,采用随机梯度下降法微调参数,学习率为0.001,训练批次(batch)大小为32,验证批次(batch)大小为8。 8.根据权利要求3所述的一种基于度量学习与SSD网络的畸变行车视频车辆检测方法,其特征在于:所述建立MLSSD网络的损失函数具体描述如下:
该框架通过两个损失函数来调节网络参数,即度量学习分类损失LMLC、目标检测损失LD,通过建立整体的损失函数LMLSSD=bLMLC+(1-b)LD来训练网络。
进一步地,步骤3所述的MLSSD算法的训练过程包括以下处理步骤:
a:使用ImageNet数据库训练过的VGG网络初始化MLSSD网络层参数;
b:使用的车辆数据库B对MLSSD算法进行预训练,获得预训练模型M;
c:使用畸变车辆数据库A、预训练模型M对MLSSD算法进行训练。
本发明与现有技术相比,其显著有点是:(1)对畸变行车视频中的车辆进行检测,拥有更大的有效视角;(2)车辆检测的准确率较高;(3)对光照变化,场景变化等有较强的鲁棒性;(4)运行速率快,能够满足实际应用的实时性要求;(5)硬件要求简单,易于大规模推广。
附图说明
图1是本发明的网络框架图;
图2是本发明用于度量学习阶段获得目标样本和背景样本的流程图;
图3是本发明用于获取非冗余的目标样本和背景样本的示意图;
图4是本发明用于多尺度重叠分块池化过程的示意图;
图5是本发明的畸变车辆检测结果,其中红框是检测结果,绿框是Ground Truth。
具体实施方式
如图1所示,本发明基于度量学习与SSD网络的畸变行车视频车辆检测方法的步骤如下:
步骤1:获取ImageNet、KITTI、COCO数据集中的车辆数据,制作车辆数据库B;根据录制的20段不同路段场景下的畸变行车视频,制作畸变车辆数据库 A;
步骤2:搭建基于度量学习和SSD算法(MLSSD)的深度学习网络框架;
步骤3:MLSSD算法的训练过程。
具体实施如下:
第一步:数据库的制作。
基于ImageNet、KITTI、COCO数据库筛选出有车辆目标的图片与对应标签,组成车辆数据库B;使用录制的20段不同场景(高速公路、普通公路、白天、夜晚等场景)的畸变行车视频每隔20帧保存1帧作为待用畸变车辆数据集图片,并对这些图片进行标注,获得畸变车辆数据集A。
第二步:MLSSD深度学习网络框架的搭建。
本发明训练了一个基于度量学习与SSD算法的深度学习网络框架,网络的框架图如图1所示,主要是由度量学习分类网络和SSD网络两大网络分支构成。网络输入层的大小为512*512*3的畸变行车视频帧图片,输出层是检测的结果 (目标车辆左上角坐标,右下角坐标,置信度)。
度量学习分类网络框架主要包括以下创新:使用VGG网络的Conv 5-3及其之前网络层作为基础网络;在Conv 4-3层和Conv 5-3层使用非冗余样本获得法获取非冗余的车辆样本和背景样本;使用多尺度重叠分块池化(SOPP)的方法,将步骤4-2中获得的不同大小的样本特征图转化为相同的特征向量;度量学习分类网络通过两个损失函数来调节网络参数,即度量损失Lmetric、分类损失Lcls,通过建立整体的损失函数LMLC=aLcls+(1-a)Lcls来训练网络。
非冗余获得法获取非冗余的车辆样本和背景样本,如图2所示,在Conv 4-3 层和Conv 5-3层,通过RPN的方法,可以得到大量的车辆样本边界框和背景样本边界框如图3(b)所示。对于车辆样本,选出与Ground Truth有最大IOU的车辆样本边界框O,计算其他车辆样本与车辆样本O之间的IOU,删除IOU大于 0.5的车辆样本,将O保留并标记为非冗余目标样本,从未处理的车辆样本中重新选出与Ground Truth有最大IOU的下一个O,重复直到所有的样本均被处理 (样本被处理表示样本被删除或被保留标记),最终,可以得到非冗余的车辆样本,如图3(c)白色框所示。对于背景样本,选出有最大面积的背景样本B,计算其他背景样本与背景样本B之间的IOU,删除IOU大于0的背景样本,将B 保留并标记为非冗余的背景样本,从未处理的背景样本中重新全出下一个面积最大的背景样本B,重复直到所有的样本均被处理,最终,可以得到非冗余的背景样本,如图3(c)灰色框所示。
多尺度重叠分块方法,如图4所示,该方法主要分为四个阶段,第一个阶段,从整个特征图中得到一个最大的特征值;第二个阶段,以一个宽为w=Wf和高为h=Hf/2的滑动窗口以Hf/2为步长在特征图上纵向滑动,从滑动窗口所覆盖的特征图中选出一个最大的特征值,此阶段可以得到三个特征值,这里Wf,Hf分别为特征图的宽和高;第三个阶段,以一个宽为w=Wf/2和高为h=Hf的滑动窗口以Wf/2为步长在特征图上横向滑动,从滑动窗口所覆盖的特征图中选一个最大的特征图,此阶段可以得到三个特征值;第四个阶段,以一个宽为w=Wf/2 和高为h=Hf/2的滑动窗口以[Wf/2,Hf/2]为步长在特征图的横向和纵向上滑动,从滑动窗口所覆盖的特征图中选一个最大的特征,此阶段可以得到9个特征值,因此通过SOPP方法,可以将不同大小的特征图转化为一个16维的特征向量。
SSD框架输入网络的图像大小为512*512像素,采用随机梯度下降法微调参数,学习率为0.001,训练批次(batch)大小为32,验证批次(batch)大小为8。
该框架通过两个损失函数来调节网络参数,即度量学习分类损失LMLC、目标检测损失LD,通过建立整体的损失函数LMLSSD=bLMLC+(1-b)LD来训练网络。
第三步:MLSSD算法的训练过程。
MLSSD算法的训练过程,首先,使用ImageNet数据库训练过的VGG网络初始化MLSSD网络层参数;接着,使用步骤2-1所述的车辆数据库B对MLSSD算法进行预训练,获得预训练模型M;最后,使用步骤2-2所述的畸变车辆数据库A、预训练模型M对MLSSD算法进行训练。
图5给出了本发明的畸变车辆检测结果。其中,白色的矩形框表示Ground Truth,黑色的矩形框表示本发明检测的结果。
Claims (9)
1.基于度量学习与SSD网络的畸变行车视频车辆检测方法,其特征在于,包括以下步骤:
步骤1:获取ImageNet、KITTI、COCO数据集中的车辆数据,制作车辆数据库B;根据录制的20段不同路段场景下的畸变行车视频,制作畸变车辆数据库A:
步骤2:搭建基于度量学习和SSD算法(MLSSD)的深度学习网络框架;
步骤3:MLSSD算法的训练过程。
2.根据权利要求1所述的基于度量学习与SSD网络的畸变行车视频车辆检测方法,其特征在于:
步骤1具体如下:
基于ImageNet、KITTI、COCO数据库筛选出有车辆目标的图片与对应标签,组成车辆数据库B;
使用录制的20段不同场景的畸变行车视频每隔20帧保存1帧作为待用畸变车辆数据集图片,并对这些图片进行标注,获得畸变车辆数据集A。
3.根据权利要求1所述的基于度量学习与SSD网络的畸变行车视频车辆检测方法,其特征在于:
步骤2具体包括:搭建度量学习分类网络框架,搭建SSD深度学习网络框架,建立MLSSD网络的损失函数。
4.根据权利要求3所述的基于度量学习与SSD网络的畸变行车视频车辆检测方法,其特征在于:
所述搭建度量学习分类网络框架具体处理步骤如下:
a:使用VGG网络的Conv 5-3及其之前网络层作为基础网络;
b:在Conv 4-3层和Conv 5-3层使用非冗余样本获得法获取非冗余的车辆样本和背景样本;
c:使用多尺度重叠分块池化的方法,将步骤4-2中获得的不同大小的样本特征图转化为相同的特征向量;
d:度量学习分类网络通过两个损失函数来调节网络参数,即度量损失Lmetric、分类损失Lcls,通过建立整体的损失函数LMLC=a Lcls+(1-a)Lcls来训练网络。
5.根据权利要求4所述的基于度量学习与SSD网络的畸变行车视频车辆检测方法,其特征在于,步骤b中所述的获得非冗余的车辆样本和背景样本包括以下处理步骤:
a:在Conv 4-3层和Conv 5-3层,通过RPN的方法,可以得到大量的车辆样本边界框和背景样本边界框;
b:对于车辆样本,选出与Ground Truth有最大IOU的车辆样本边界框O,计算其他车辆样本与车辆样本O之间的IOU,删除IOU大于0.5的车辆样本,将O保留并标记为非冗余目标样本,从未处理的车辆样本中重新选出与Ground Truth有最大IOU的下一个O,重复直到所有的样本均被处理,最终,可以得到非冗余的车辆样本;
c:对于背景样本,选出有最大面积的背景样本B,计算其他背景样本与背景样本B之间的IOU,删除IOU大于0的背景样本,将B保留并标记为非冗余的背景样本,从未处理的背景样本中重新全出下一个面积最大的背景样本B,重复知道所有的样本均被处理,最终,可以得到非冗余的背景样本。
6.根据权利要求4所述的基于度量学习与SSD网络的畸变行车视频车辆检测方法,其特征在于:步骤3所述的多尺度重叠分块池化的方法具体如下:
该方法主要分为四个阶段:第一个阶段,从整个特征图中得到一个最大的特征值;第二个阶段,以一个宽为w=Wf和高为h=Hf/2的滑动窗口以Hf/2为步长在特征图上纵向滑动,从滑动窗口所覆盖的特征图中选出一个最大的特征值,此阶段可以得到三个特征值,这里Wf,Hf分别为特征图的宽和高;第三个阶段,以一个宽为w=Wf/2和高为h=Hf的滑动窗口以Wf/2为步长在特征图上横向滑动,从滑动窗口所覆盖的特征图中选一个最大的特征图,此阶段可以得到三个特征值;第四个阶段,以一个宽为w=Wf/2和高为h=Hf/2的滑动窗口以[Wf/2,Hf/2]为步长在特征图的横向和纵向上滑动,从滑动窗口所覆盖的特征图中选一个最大的特征,此阶段可以得到9个特征值,因此通过SOPP方法,可以将不同大小的特征图转化为一个16维的特征向量。
7.根据权利要求3所述的基于度量学习与SSD网络的畸变行车视频车辆检测方法,其特征在于:所述SSD框架的搭建具体描述如下:
该过程输入网络的图像大小为512*512像素,采用随机梯度下降法微调参数,学习率为0.001,训练批次大小为32,验证批次大小为8。
8.根据权利要求3所述的一种基于度量学习与SSD网络的畸变行车视频车辆检测方法,其特征在于:所述建立MLSSD网络的损失函数具体描述如下:
该框架通过两个损失函数来调节网络参数,即度量学习分类损失LMLC、目标检测损失LD,通过建立整体的损失函数LMLSSD=b LMLC+(1-b)LD来训练网络。
9.根据权利要求1所述的基于度量学习与SSD网络的畸变行车视频车辆检测方法,其特征在于:
步骤3所述的MLSSD算法的训练过程包括以下处理步骤:
a:使用ImageNet数据库训练过的VGG网络初始化MLSSD网络层参数;
b:使用的车辆数据库B对MLSSD算法进行预训练,获得预训练模型M;
c:使用畸变车辆数据库A、预训练模型M对MLSSD算法进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910454189.4A CN110276268A (zh) | 2019-05-28 | 2019-05-28 | 基于度量学习与ssd网络的畸变行车视频车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910454189.4A CN110276268A (zh) | 2019-05-28 | 2019-05-28 | 基于度量学习与ssd网络的畸变行车视频车辆检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110276268A true CN110276268A (zh) | 2019-09-24 |
Family
ID=67960197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910454189.4A Pending CN110276268A (zh) | 2019-05-28 | 2019-05-28 | 基于度量学习与ssd网络的畸变行车视频车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276268A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991415A (zh) * | 2017-06-05 | 2017-07-28 | 北京汽车集团有限公司 | 用于车载鱼眼相机的图像处理方法和装置 |
CN107730438A (zh) * | 2017-08-23 | 2018-02-23 | 广州市九安光电技术股份有限公司 | 一种基于鱼眼镜头的动态物体跟踪方法和系统 |
CN107944354A (zh) * | 2017-11-10 | 2018-04-20 | 南京航空航天大学 | 一种基于深度学习的车辆检测方法 |
CN108171247A (zh) * | 2017-12-21 | 2018-06-15 | 北京大学 | 一种车辆再识别方法及系统 |
CN109272014A (zh) * | 2018-08-03 | 2019-01-25 | 天津大学 | 一种基于畸变适应卷积神经网络的图像分类方法 |
CN109766769A (zh) * | 2018-12-18 | 2019-05-17 | 四川大学 | 一种基于单目视觉与深度学习的道路目标检测识别方法 |
-
2019
- 2019-05-28 CN CN201910454189.4A patent/CN110276268A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991415A (zh) * | 2017-06-05 | 2017-07-28 | 北京汽车集团有限公司 | 用于车载鱼眼相机的图像处理方法和装置 |
CN107730438A (zh) * | 2017-08-23 | 2018-02-23 | 广州市九安光电技术股份有限公司 | 一种基于鱼眼镜头的动态物体跟踪方法和系统 |
CN107944354A (zh) * | 2017-11-10 | 2018-04-20 | 南京航空航天大学 | 一种基于深度学习的车辆检测方法 |
CN108171247A (zh) * | 2017-12-21 | 2018-06-15 | 北京大学 | 一种车辆再识别方法及系统 |
CN109272014A (zh) * | 2018-08-03 | 2019-01-25 | 天津大学 | 一种基于畸变适应卷积神经网络的图像分类方法 |
CN109766769A (zh) * | 2018-12-18 | 2019-05-17 | 四川大学 | 一种基于单目视觉与深度学习的道路目标检测识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | RENet: Rectangular convolution pyramid and edge enhancement network for salient object detection of pavement cracks | |
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN109460753B (zh) | 一种检测水上漂浮物的方法 | |
CN108647585A (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
CN110287826B (zh) | 一种基于注意力机制的视频目标检测方法 | |
CN108334847A (zh) | 一种真实场景下的基于深度学习的人脸识别方法 | |
CN110378222A (zh) | 一种输电线路防震锤目标检测与缺陷识别方法及装置 | |
CN106408015A (zh) | 基于卷积神经网络的岔路口识别及深度估计方法 | |
CN111144418B (zh) | 一种铁路轨道区域分割提取的方法 | |
CN112633277A (zh) | 基于深度学习的航道船牌检测、定位及识别方法 | |
CN109492596B (zh) | 一种基于K-means聚类和区域推荐网络的行人检测方法及系统 | |
CN113610778B (zh) | 一种基于语义分割的桥梁表面裂纹检测方法与系统 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN111008994A (zh) | 基于MPSoC的运动目标实时检测跟踪系统及方法 | |
CN114565675A (zh) | 一种在视觉slam前端去除动态特征点的方法 | |
CN114723709A (zh) | 隧道病害检测方法、装置和电子设备 | |
CN112700476A (zh) | 一种基于卷积神经网络的红外船视频跟踪方法 | |
CN116071747A (zh) | 一种基于3d点云数据和2d图像数据融合匹配语义分割方法 | |
CN113361528B (zh) | 一种多尺度目标检测方法及系统 | |
Liu et al. | Automatic detection of timber-cracks in wooden architectural heritage using Yolov3 algorithm | |
Guo et al. | A novel transformer-based network with attention mechanism for automatic pavement crack detection | |
Mei et al. | A conditional wasserstein generative adversarial network for pixel-level crack detection using video extracted images | |
CN112446353A (zh) | 基于深度卷积神经网络的视频图像道线检测方法 | |
CN111881914A (zh) | 一种基于自学习阈值的车牌字符分割方法及系统 | |
CN116129327A (zh) | 一种基于改进YOLOv7算法的红外车辆检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190924 |
|
WD01 | Invention patent application deemed withdrawn after publication |