CN110378321A - 一种基础深度神经网络的车辆识别与抓拍技术 - Google Patents
一种基础深度神经网络的车辆识别与抓拍技术 Download PDFInfo
- Publication number
- CN110378321A CN110378321A CN201910740069.0A CN201910740069A CN110378321A CN 110378321 A CN110378321 A CN 110378321A CN 201910740069 A CN201910740069 A CN 201910740069A CN 110378321 A CN110378321 A CN 110378321A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- central server
- neural network
- picture
- depth
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 239000013307 optical fiber Substances 0.000 claims description 4
- 230000006735 deficit Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 239000000835 fiber Substances 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 4
- 238000000034 method Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
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
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于交通技术领域,尤其为一种基础深度神经网络的车辆识别与抓拍技术,包括用于采集图像信号的输入图片,用于采集图像信号的输入图片将信息图片分解提取图像特征提取并根据图像特征对图像进行分类并将分类信号传输给所述中心服务器,中心服务器通过计算锁定车辆坐标以及车辆概率。本发明车辆位置识别模型基于深度神经网络,基于深度神经网络算法的模型的复杂度较低,可以利用中心服务器进行运算加速,加快模型的训练速度,同时提高模型的分类速度和准确度,从而提高了车辆身份识别的精确度。
Description
技术领域
本发明涉及交通技术领域,具体为一种基础深度神经网络的车辆识别与抓拍技术。
背景技术
目前,公共交通车辆在进入站点前,司机仅靠目视来判断车辆与站点之间的距离,无法实现精确的进站路线规划和速度控制。为了能让车辆在进站前实现精确的进站路线规划和速度控制,需要精确定位车辆与站点之间的距离。目前,车辆定位技术主要采用GPS技术和高精地图匹配定位。
GPS技术在使用时存在以下几个问题:使用普通GPS模式定位时,定位误差达到米级,不能满足车辆靠站精度要求;若使用GPS的RTK模式,需要同时获取卫星信息和地面的参考定位信息,需要在道路沿线布设参考定位通信设备,设备成本以及使用成本较高;当车辆进入卫星信号较差路段例如密林,隧道内时,GPS信号容易丢失,从而失去定位信息。
高精地图匹配定位一般采用点云数据匹配或立体视觉匹配,需要预先建立地图数据并存储于车辆上,车辆运行时,通过外部激光雷达或摄像装置来获取车辆当前环境的点云数据或图像数据,并与预先存储的地图数据进行匹配。该定位技术地图制作成本以及匹配计算的软硬件成本较高。
车辆身份识别对于交通安全问题具有重要意义,而车辆品牌是车辆身份的一个重要组成部分,对肇事车辆排查、套牌车自动检测具有极其重要的作用。
车辆品牌识别可以包括图像中的车辆定位及品牌识别,车辆定位即从背景中识别出车辆。现有的车辆品牌高达几百种,部分品牌之间差异较小,而现有的车辆品牌识别方式容易产生识别错误。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基础深度神经网络的车辆识别与抓拍技术,解决了上述背景技术中的问题。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种基础深度神经网络的车辆识别与抓拍技术,包括用于采集图像信号的输入图片,用于采集图像信号的输入图片将信息图片分解提取图像特征提取并根据图像特征对图像进行分类并将分类信号传输给所述中心服务器,中心服务器通过计算锁定车辆坐标以及车辆概率。
所述特征提取包括提前一步骤的目标输入,继而所述特征提取通过不同的特征输入经过不同的网络神经分类器进行分类,进而不同的网络神经分类器通过决策融合将整合后的信息进行目标输入。
所述中心服务器还分别连接着分控中心以及领导中心,进而所述中心服务器通过光纤以及光纤收发器连接嵌入式管理单元,同时所述嵌入式管理单元分别连接着不同的成像单元,不同的所述成像单元分别分别配合不同的不光单元进行使用,所述成像单元分别连接着统一测速抓控制器,同一的所述测速抓控制器分别连接着不同的车辆检测器
作为本发明的一种优选技术方案,所述特征提取提前一步骤的目标输入包括输入图片信息,图片信息全部包含车辆形状、特征、颜色、大小。
作为本发明的一种优选技术方案,所述中心服务器还包括信号转换模块,信号转换模块将分类信息转换成数据库处理系统能够识别的数据信号,数据信号传输并存储。
作为本发明的一种优选技术方案,所述中心服务器中采用深度学习分类算法进行局部车辆图片方位识别。
作为本发明的一种优选技术方案,所述中心服务器中采用深度学习的分割算法进行局部车辆图片或细节图片中车辆总成部件及子部件识别。
作为本发明的一种优选技术方案,所述中心服务器中采用目标检测算法进行细节图片损伤区域检测。
作为本发明的一种优选技术方案,所述中心服务器中采用深度学习的分类网络设计多个输出分类标签进行损伤区域的多维度损伤类型及程度识别。
(三)有益效果
与现有技术相比,本发明提供了一种基础深度神经网络的车辆识别与抓拍技术,具备以下有益效果:
该基础深度神经网络的车辆识别与抓拍技术,车辆位置识别模型基于深度神经网络,基于深度神经网络算法的模型的复杂度较低,可以利用中心服务器进行运算加速,加快模型的训练速度,同时提高模型的分类速度和准确度,从而提高了车辆身份识别的精确度。
附图说明
图1为本发明系统图;
图2为本发明特征提取系统图;
图3为本发明结构中心服务器连接系统图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
请参阅图1-3,本发明提供以下技术方案:一种基础深度神经网络的车辆识别与抓拍技术,包括用于采集图像信号的输入图片,用于采集图像信号的输入图片将信息图片分解提取图像特征提取并根据图像特征对图像进行分类并将分类信号传输给中心服务器,中心服务器通过计算锁定车辆坐标以及车辆概率。
特征提取包括提前一步骤的目标输入,继而特征提取通过不同的特征输入经过不同的网络神经分类器进行分类,进而不同的网络神经分类器通过决策融合将整合后的信息进行目标输入。
中心服务器还分别连接着分控中心以及领导中心,进而中心服务器通过光纤以及光纤收发器连接嵌入式管理单元,同时嵌入式管理单元分别连接着不同的成像单元,不同的成像单元分别分别配合不同的不光单元进行使用,成像单元分别连接着统一测速抓控制器,同一的测速抓控制器分别连接着不同的车辆检测器。
本实施方案中,车辆位置识别模型基于深度神经网络,基于深度神经网络算法的模型的复杂度较低,可以利用中心服务器进行运算加速,加快模型的训练速度,同时提高模型的分类速度和准确度,从而提高了车辆身份识别的精确度。
具体的,特征提取提前一步骤的目标输入包括输入图片信息,图片信息全部包含车辆形状、特征、颜色、大小。
本实施例中,图像样本采集步骤:在不同光照或天气条件下,使用拍摄装置对道路标识图形进行拍摄,分别在车辆的前进方向以及与车辆前进方向垂直的方向上,改变拍摄装置的光轴与路面的夹角角度,使得拍摄装置在其光轴与路面夹角呈一定范围内每隔一定角度拍摄一张道路标识图形的图像样本。
具体的,中心服务器还包括信号转换模块,信号转换模块将分类信息转换成数据库处理系统能够识别的数据信号,数据信号传输并存储。
本实施例中,中心服务器与云端计算机相连,继而计算速率快,功能齐全。
具体的,中心服务器中采用深度学习分类算法进行局部车辆图片方位识别。
具体的,中心服务器中采用深度学习的分割算法进行局部车辆图片或细节图片中车辆总成部件及子部件识别。
具体的,中心服务器中采用目标检测算法进行细节图片损伤区域检测。
具体的,中心服务器中采用深度学习的分类网络设计多个输出分类标签进行损伤区域的多维度损伤类型及程度识别。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基础深度神经网络的车辆识别与抓拍技术,包括用于采集图像信号的输入图片,其特征在于:用于采集图像信号的输入图片将信息图片分解提取图像特征提取并根据图像特征对图像进行分类并将分类信号传输给所述中心服务器,中心服务器通过计算锁定车辆坐标以及车辆概率;
所述特征提取包括提前一步骤的目标输入,继而所述特征提取通过不同的特征输入经过不同的网络神经分类器进行分类,进而不同的网络神经分类器通过决策融合将整合后的信息进行目标输入;
所述中心服务器还分别连接着分控中心以及领导中心,进而所述中心服务器通过光纤以及光纤收发器连接嵌入式管理单元,同时所述嵌入式管理单元分别连接着不同的成像单元,不同的所述成像单元分别分别配合不同的不光单元进行使用,所述成像单元分别连接着统一测速抓控制器,同一的所述测速抓控制器分别连接着不同的车辆检测器。
2.根据权利要求1所述的一种基础深度神经网络的车辆识别与抓拍技术,其特征在于:所述特征提取提前一步骤的目标输入包括输入图片信息,图片信息全部包含车辆形状、特征、颜色、大小。
3.根据权利要求1所述的一种基础深度神经网络的车辆识别与抓拍技术,其特征在于:所述中心服务器还包括信号转换模块,信号转换模块将分类信息转换成数据库处理系统能够识别的数据信号,数据信号传输并存储。
4.根据权利要求1所述的一种基础深度神经网络的车辆识别与抓拍技术,其特征在于:所述中心服务器中采用深度学习分类算法进行局部车辆图片方位识别。
5.根据权利要求1所述的一种基础深度神经网络的车辆识别与抓拍技术,其特征在于:所述中心服务器中采用深度学习的分割算法进行局部车辆图片或细节图片中车辆总成部件及子部件识别。
6.根据权利要求1所述的一种基础深度神经网络的车辆识别与抓拍技术,其特征在于:所述中心服务器中采用目标检测算法进行细节图片损伤区域检测。
7.根据权利要求1所述的一种基础深度神经网络的车辆识别与抓拍技术,其特征在于:所述中心服务器中采用深度学习的分类网络设计多个输出分类标签进行损伤区域的多维度损伤类型及程度识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740069.0A CN110378321A (zh) | 2019-08-12 | 2019-08-12 | 一种基础深度神经网络的车辆识别与抓拍技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740069.0A CN110378321A (zh) | 2019-08-12 | 2019-08-12 | 一种基础深度神经网络的车辆识别与抓拍技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110378321A true CN110378321A (zh) | 2019-10-25 |
Family
ID=68259007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910740069.0A Pending CN110378321A (zh) | 2019-08-12 | 2019-08-12 | 一种基础深度神经网络的车辆识别与抓拍技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378321A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101633358A (zh) * | 2008-07-24 | 2010-01-27 | 通用汽车环球科技运作公司 | 具有集成驾驶风格识别的自适应车辆控制系统 |
CN103679214A (zh) * | 2013-12-20 | 2014-03-26 | 华南理工大学 | 基于在线面积估计和多特征决策融合的车辆检测方法 |
CN106529578A (zh) * | 2016-10-20 | 2017-03-22 | 中山大学 | 一种基于深度学习的车辆品牌型号精细识别方法与系统 |
CN106651175A (zh) * | 2016-12-21 | 2017-05-10 | 驭势科技(北京)有限公司 | 无人驾驶车辆运营管理系统、总控平台、分控平台、车载计算装置和计算机可读存储介质 |
US10169680B1 (en) * | 2017-12-21 | 2019-01-01 | Luminar Technologies, Inc. | Object identification and labeling tool for training autonomous vehicle controllers |
JP2019006280A (ja) * | 2017-06-26 | 2019-01-17 | 本田技研工業株式会社 | 車両制御システム、車両制御方法、および車両制御プログラム |
CN109815997A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技(深圳)有限公司 | 基于深度学习的识别车辆损伤的方法和相关装置 |
CN109871728A (zh) * | 2017-12-01 | 2019-06-11 | 北京万集科技股份有限公司 | 一种车型识别方法及装置 |
-
2019
- 2019-08-12 CN CN201910740069.0A patent/CN110378321A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101633358A (zh) * | 2008-07-24 | 2010-01-27 | 通用汽车环球科技运作公司 | 具有集成驾驶风格识别的自适应车辆控制系统 |
CN103679214A (zh) * | 2013-12-20 | 2014-03-26 | 华南理工大学 | 基于在线面积估计和多特征决策融合的车辆检测方法 |
CN106529578A (zh) * | 2016-10-20 | 2017-03-22 | 中山大学 | 一种基于深度学习的车辆品牌型号精细识别方法与系统 |
CN106651175A (zh) * | 2016-12-21 | 2017-05-10 | 驭势科技(北京)有限公司 | 无人驾驶车辆运营管理系统、总控平台、分控平台、车载计算装置和计算机可读存储介质 |
JP2019006280A (ja) * | 2017-06-26 | 2019-01-17 | 本田技研工業株式会社 | 車両制御システム、車両制御方法、および車両制御プログラム |
CN109871728A (zh) * | 2017-12-01 | 2019-06-11 | 北京万集科技股份有限公司 | 一种车型识别方法及装置 |
US10169680B1 (en) * | 2017-12-21 | 2019-01-01 | Luminar Technologies, Inc. | Object identification and labeling tool for training autonomous vehicle controllers |
CN109815997A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技(深圳)有限公司 | 基于深度学习的识别车辆损伤的方法和相关装置 |
Non-Patent Citations (2)
Title |
---|
WEI JIAN SAN 等: "Efficient Vehicle Recognition and Classification using Convolutional Neural Network", 《2018 IEEE INTERNATIONAL CONFERENCE ON AUTOMATIC CONTROL AND INTELLIGENT SYSTEMS (I2CACIS)》 * |
阮航: "基于卷积神经网络的车辆识别", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al-qaness et al. | An improved YOLO-based road traffic monitoring system | |
CN107025642B (zh) | 基于点云数据的车辆轮廓检测方法和装置 | |
CN108764187A (zh) | 提取车道线的方法、装置、设备、存储介质以及采集实体 | |
CN105844257B (zh) | 基于机器视觉雾天行车错失道路标志牌的预警系统及方法 | |
CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
CN110781757B (zh) | 一种机场道面异物识别定位方法及系统 | |
CN108091141B (zh) | 车牌识别系统 | |
CN105930819A (zh) | 基于单目视觉和gps组合导航系统的实时城区交通灯识别系统 | |
CN102867417B (zh) | 一种出租车防伪系统及方法 | |
CN105160309A (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
CN108694882A (zh) | 用于标注地图的方法、装置和设备 | |
CN109931939A (zh) | 车辆的定位方法、装置、设备及计算机可读存储介质 | |
US20130004017A1 (en) | Context-Based Target Recognition | |
CN111079586A (zh) | 基于深度学习与双目摄像的自动驾驶目标检测系统及方法 | |
CN115717894B (zh) | 一种基于gps和普通导航地图的车辆高精度定位方法 | |
US20210158157A1 (en) | Artificial neural network learning method and device for aircraft landing assistance | |
KR102308456B1 (ko) | 라이다 및 카메라 수집정보 기반 수종탐지 시스템 및 이를 이용한 수종탐지방법, 수종탐지방법을 수행하는 프로그램이 수록된 기록매체 | |
EP4105600A2 (en) | Method for automatically producing map data, related apparatus and computer program product | |
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 | |
CN111488854A (zh) | 一种道路交通标志自动识别与分类方法 | |
Liu et al. | Deep-learning and depth-map based approach for detection and 3-D localization of small traffic signs | |
CN103390166B (zh) | 基于车前脸特征的车辆型号一致性判别方法 | |
Soilán et al. | Automatic road sign inventory using mobile mapping systems | |
CN115273005A (zh) | 一种基于改进yolo算法的视觉导航车环境感知方法 | |
CN112507891B (zh) | 自动化识别高速路口并构建路口向量的方法及装置 |
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: 20191025 |
|
RJ01 | Rejection of invention patent application after publication |