CN110490156A - 一种基于卷积神经网络的快速车辆检测方法 - Google Patents
一种基于卷积神经网络的快速车辆检测方法 Download PDFInfo
- Publication number
- CN110490156A CN110490156A CN201910782686.7A CN201910782686A CN110490156A CN 110490156 A CN110490156 A CN 110490156A CN 201910782686 A CN201910782686 A CN 201910782686A CN 110490156 A CN110490156 A CN 110490156A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- frame
- video
- layers
- carries out
- 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
- G06F18/21—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
- G06F18/24—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的快速车辆检测方法,通过摄像机采集道路图像,对图像进行预处理,制作车辆检测训练数据集。以VGG16为基础网络搭建SSD卷积神经网络框架。用训练数据集进行训练,得到训练好的检测模型。设定阈值,将检测视频输入检测模型中,进行车辆检测。本发明相较于现有方法,对车辆目标的检测速度更快,具有较好的实时性,并且识别精度较高。
Description
技术领域
本发明属于目标检测领域,具体涉及一种基于卷积神经网络的快速车辆检测方法。
背景技术
车辆检测是目标检测的重要分支,是近几年的研究热点。随着卷积神经被用于目标检测,采用深度学习算法对视频中的车辆进行实时性的车辆检测的方法已被广泛应用于先进驾驶员辅助系统。但是,由于网络结构复杂,在目标识别、距离测量、相对速度计算等方面计算量较大,难以达到较好的实时性。
发明内容
为了解决车辆检测过程中检测速度较慢和检测精度较低以及难以识别的问题,本发明提供一种基于卷积神经网络的快速车辆检测方法,包括步骤。
步骤(1)获取基础图像数据并进行样本预处理,得到训练数据集。
步骤(2)搭建卷积神经网络架构、SSD网络和VGG16网络。
步骤(3)将训练数据输入搭建好的网络进行训练,得到训练模型。
步骤(4)利用训练好的模型进行视频车辆检测。
进一步的,步骤(1)具体为:在车辆前方安装摄像头,在车辆行驶过程中,拍摄若干前方道路的视频,将这些视频每隔10帧保存为图片,并对每一张图片中的车辆进行标注,构建训练数据集。
进一步的,步骤(2)具体为:对VGG16网络进行修改,将两个全连接层替换为卷积层,并在之后接入多个卷积层。
然后利用处理后的SSD网络计算目标的位置,类别和置信度,其中目标的位置指的是目标物体框在图片中的位置,主要有四个参数x,y,w,h,分别表示目标物体框的左上角坐标,以及物体框的高度和宽度。
根据标注信息设置不同提取框的特征层的宽高比。
Anchor的高宽比有1,2,3,1/2,1/3共5种,可以生成包含高宽比为1,2,1/2的4种anchor,也可生成包含高宽比有1,2,3,1/2,1/3的6种anchor。
Anchor是输入图片上单个固定的矩形区域,该区域中anchor与Ground Truth的IoU大于0.2,则此anchor输出障碍物类型,反之则此区域为背景。
设置总体的损失函数,包括分类损失函数与回归损失函数,称为联合损失函数,定义为:
式中N是待预测anchor的个数,x,c,l,g,分别表示属于,预测框,真实框,预测框与真实框匹配的标记以及某个类别的概率,α是权重调节参数。
损失函数式中第一项为分类损失函数,具体为:
式中,xij定义为与第j个Ground Truth匹配的第i个anchor内是否存在指定类别的物体且IoU大于0.2,满足以上条件则xij=1,反之xij=0。
ci对应着n_label个类别的评分,由softmax函数计算得出:
损失函数式中第二项是回归损失函数,具体为:
式中,当xij=1时,才会开始计算回归损失。
是网络层预测第i个固定anchor附近障碍物所在方框bbox坐标信息,是与第i个anchor对应的第j个Ground Truth的bbox坐标信息, 是第i个固定anchor的bbox坐标信息。
进一步的,步骤(3)具体为:用K个随机取值的卷积核对图像进行卷积,得到K个特征图。
分别获取SSD模型中的Fc7层,Conv8_2层,Conv9_2层,Conv10_2层,Conv11_2层的特征图信息,使用全局平均池化进行降维再接入并行的分类和边框回归层进行筛选并输出预测框的位置和目标检测类别。
同时基于再训练的SSD模型的参数进行特征提取,通过多轮多次迭代以及参数调整获取优化模型。
进一步的,步骤(4)具体为:将任意待测的视频输入到训练好的模型中。
对于输入视频的每帧图像,模型随机选取多个区域,并对区域进行打分。
设定一个阈值δ=0.2,将选取的每个区域的得分与阈值δ对比,得分高于δ的区域,则判定为包含车辆并进行标注。
得分低于δ的区域,则判定为不包含车辆或包含不完整车辆,直到所有区域标注完毕。
当所有帧图像处理完成后,得到相应的输出视频,视频中将标注出所有车辆。
完成一段视频中对所有车辆的检测。
附图说明
图1是本发明的一种基于神经网络的快速车辆检测方法流程图。
图2是本发明的SSD卷积神经网络结构图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,本发明的一种基于神经网络的快速车辆检测方法,包括以下步骤。
步骤(1)获取基础图像数据并进行样本预处理,得到训练数据集。
步骤(2)搭建卷积神经网络架构、SSD网络和VGG16网络。
步骤(3)将训练数据输入搭建好的网络进行训练,得到训练模型。步骤(4)利用训练好的模型进行视频车辆检测。
步骤(4)利用训练好的模型进行视频车辆检测。
所述步骤(1)中得到训练数据集步骤为:在车辆前方安装摄像头,在车辆行驶过程中,拍摄若干前方道路的视频,将这些视频每隔10帧保存为图片,并对每一张图片中的车辆进行标注,构建训练数据集。
所述步骤(2)中搭建卷积神经网络架构步骤为:如图2所示为搭建的SSD卷积神经网络结构图,对VGG16网络进行修改,将两个全连接层替换为卷积层,并在之后接入多个卷积层。
然后利用处理后的SSD网络计算目标的位置,类别和置信度,其中目标的位置指的是目标物体框在图片中的位置,主要有四个参数x,y,w,h,分别表示目标物体框的左上角坐标,以及物体框的高度和宽度。
根据标注信息设置不同提取框的特征层的宽高比。
Anchor的高宽比有1,2,3,1/2,1/3共5种,可以生成包含高宽比为1,2,1/2的4种anchor,也可生成包含高宽比有1,2,3,1/2,1/3的6种anchor。
Anchor是输入图片上单个固定的矩形区域,该区域中anchor与Ground Truth的IoU大于0.2,则此anchor输出障碍物类型,反之则此区域为背景。
设置总体的损失函数,包括分类损失函数与回归损失函数,称为联合损失函数,定义为:
式中N是待预测anchor的个数,x,c,l,g,分别表示属于,预测框,真实框,预测框与真实框匹配的标记以及某个类别的概率,α是权重调节参数。
损失函数式中第一项为分类损失函数,具体为:
式中,xij定义为与第j个Ground Truth匹配的第i个anchor内是否存在指定类别的物体且IoU大于0.2,满足以上条件则xij=1,反之xij=0。
ci对应着n_label个类别的评分,由softmax函数计算得出:
损失函数式中第二项是回归损失函数,具体为:
式中,当xij=1时,才会开始计算回归损失。
是网络层预测第i个固定anchor附近障碍物所在方框bbox坐标信息,是与第i个anchor对应的第j个Ground Truth的bbox坐标信息, 是第i个固定anchor的bbox坐标信息。
所述步骤(3)中训练得到最终模型步骤为:用K个随机取值的卷积核对图像进行卷积,得到K个特征图。
分别获取SSD模型中的Fc7层,Conv8_2层,Conv9_2层,Conv10_2层,Conv11_2层的特征图信息,使用全局平均池化进行降维再接入并行的分类和边框回归层进行筛选并输出预测框的位置和目标检测类别。
同时基于再训练的SSD模型的参数进行特征提取,通过多轮多次迭代以及参数调整获取优化模型。
所述步骤(4)中利用训练好的模型进行视频车辆检测步骤为:将任意待测的视频输入到训练好的模型中。
对于输入视频的每帧图像,模型随机选取多个区域,并对区域进行打分。
设定一个阈值δ=0.2,将选取的每个区域的得分与阈值δ对比,得分高于δ的区域,则判定为包含车辆并进行标注。
得分低于δ的区域,则判定为不包含车辆或包含不完整车辆,直到所有区域标注完毕。
当所有帧图像处理完成后,得到相应的输出视频,视频中将标注出所有车辆。
完成一段视频中对所有车辆的检测。
Claims (5)
1.一种基于卷积神经网络的快速车辆检测方法,其特征在于包括以下步骤:
步骤(1)获取基础图像数据并进行样本预处理,得到训练数据集;
步骤(2)搭建卷积神经网络架构、SSD网络和VGG16网络;
步骤(3)将训练数据输入搭建好的网络进行训练,得到训练模型;
步骤(4)利用训练好的模型进行视频车辆检测。
2.如权利要求1所述的车辆检测方法,其特征在于:步骤(1)具体为:在车辆前方安装摄像头,在车辆行驶过程中,拍摄若干前方道路的视频,将这些视频每隔10帧保存为图片,并对每一张图片中的车辆进行标注,构建训练数据集。
3.如权利要求1所述的车辆检测方法,其特征在于:步骤(2)具体为:对VGG16网络进行修改,将两个全连接层替换为卷积层,并在之后接入多个卷积层;
然后利用处理后的SSD网络计算目标的位置,类别和置信度,其中目标的位置指的是目标物体框在图片中的位置,主要有四个参数x,y,w,h,分别表示目标物体框的左上角坐标,以及物体框的高度和宽度;根据标注信息设置不同提取框的特征层的宽高比;
设置总体的损失函数,包括分类损失函数与回归损失函数,称为联合损失函数,定义为:
式中N是待预测anchor的个数,x,c,l,g,分别表示属于,预测框,真实框,预测框与真实框匹配的标记以及某个类别的概率,α是权重调节参数。
4.如权利要求1所述的车辆检测方法,其特征在于:步骤(3)具体为:用K个随机取值的卷积核对图像进行卷积,得到K个特征图;
分别获取SSD模型中的Fc7层,Conv8_2层,Conv9_2层,Conv10_2层,Conv11_2层的特征图信息,使用全局平均池化进行降维再接入并行的分类和边框回归层进行筛选并输出预测框的位置和目标检测类别;同时基于再训练的SSD模型的参数进行特征提取,通过多轮多次迭代以及参数调整获取优化模型。
5.如权利要求1所述的车辆检测方法,其特征在于:步骤(4)具体为:将任意待测的视频输入到训练好的模型中;对于输入视频的每帧图像,模型随机选取多个区域,并对区域进行打分;
设定一个阈值δ=0.2,将选取的每个区域的得分与阈值δ对比,得分高于δ的区域,则判定为包含车辆并进行标注;得分低于δ的区域,则判定为不包含车辆或包含不完整车辆,直到所有区域标注完毕;当所有帧图像处理完成后,得到相应的输出视频,视频中将标注出所有车辆;完成一段视频中对所有车辆的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782686.7A CN110490156A (zh) | 2019-08-23 | 2019-08-23 | 一种基于卷积神经网络的快速车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782686.7A CN110490156A (zh) | 2019-08-23 | 2019-08-23 | 一种基于卷积神经网络的快速车辆检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110490156A true CN110490156A (zh) | 2019-11-22 |
Family
ID=68553092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910782686.7A Pending CN110490156A (zh) | 2019-08-23 | 2019-08-23 | 一种基于卷积神经网络的快速车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490156A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991421A (zh) * | 2019-12-24 | 2020-04-10 | 高新兴科技集团股份有限公司 | 卡口抓拍图像车辆检测方法、计算机存储介质及电子设备 |
CN111126271A (zh) * | 2019-12-24 | 2020-05-08 | 高新兴科技集团股份有限公司 | 卡口抓拍图像车辆检测方法、计算机存储介质及电子设备 |
CN111597902A (zh) * | 2020-04-16 | 2020-08-28 | 浙江工业大学 | 机动车违停监测方法 |
CN111652087A (zh) * | 2020-05-15 | 2020-09-11 | 泰康保险集团股份有限公司 | 验车方法、装置、电子设备和存储介质 |
CN111753797A (zh) * | 2020-07-02 | 2020-10-09 | 浙江工业大学 | 一种基于视频分析的车辆测速方法 |
CN111797782A (zh) * | 2020-07-08 | 2020-10-20 | 上海应用技术大学 | 基于图像特征的车辆检测方法和系统 |
CN112101175A (zh) * | 2020-09-09 | 2020-12-18 | 沈阳帝信人工智能产业研究院有限公司 | 基于局部图像的高速公路车辆检测及多属性特征提取方法 |
CN112149575A (zh) * | 2020-09-24 | 2020-12-29 | 新华智云科技有限公司 | 从视频中自动筛选具有汽车部位片段的方法 |
CN112150821A (zh) * | 2020-10-14 | 2020-12-29 | 清华大学 | 轻量化车辆检测模型构建方法、系统及装置 |
CN112926495A (zh) * | 2021-03-19 | 2021-06-08 | 高新兴科技集团股份有限公司 | 一种基于多级卷积特征级联的车辆检测方法 |
CN113255500A (zh) * | 2021-05-18 | 2021-08-13 | 山东交通学院 | 一种车辆随意变道检测的方法及装置 |
CN113569716A (zh) * | 2021-07-23 | 2021-10-29 | 闽江学院 | 一种货车车轴快速识别与计数方法 |
CN113673298A (zh) * | 2021-06-11 | 2021-11-19 | 温州大学 | 一种基于时序门控循环单元模型的溢出监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009526A (zh) * | 2017-12-25 | 2018-05-08 | 西北工业大学 | 一种基于卷积神经网络的车辆识别与检测方法 |
CN108846830A (zh) * | 2018-05-25 | 2018-11-20 | 妙智科技(深圳)有限公司 | 对ct中腰椎自动定位的方法、装置以及存储介质 |
CN109784190A (zh) * | 2018-12-19 | 2019-05-21 | 华东理工大学 | 一种基于深度学习的自动驾驶场景关键目标检测提取方法 |
-
2019
- 2019-08-23 CN CN201910782686.7A patent/CN110490156A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009526A (zh) * | 2017-12-25 | 2018-05-08 | 西北工业大学 | 一种基于卷积神经网络的车辆识别与检测方法 |
CN108846830A (zh) * | 2018-05-25 | 2018-11-20 | 妙智科技(深圳)有限公司 | 对ct中腰椎自动定位的方法、装置以及存储介质 |
CN109784190A (zh) * | 2018-12-19 | 2019-05-21 | 华东理工大学 | 一种基于深度学习的自动驾驶场景关键目标检测提取方法 |
Non-Patent Citations (3)
Title |
---|
CHENGCHENG NING ET AL: "INCEPTION SINGLE SHOT MULTIBOX DETECTOR FOR OBJECT DETECTION", 《PROCEEDINGS OF THE IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO WORKSHOPS (ICMEW) 2017》 * |
吴水清 等: "基于SSD的车辆目标检测", 《计算机与现代化》 * |
陈幻杰 等: "多尺度卷积特征融合的SSD目标检测算法", 《计算机科学与探索》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126271A (zh) * | 2019-12-24 | 2020-05-08 | 高新兴科技集团股份有限公司 | 卡口抓拍图像车辆检测方法、计算机存储介质及电子设备 |
CN110991421A (zh) * | 2019-12-24 | 2020-04-10 | 高新兴科技集团股份有限公司 | 卡口抓拍图像车辆检测方法、计算机存储介质及电子设备 |
CN111126271B (zh) * | 2019-12-24 | 2023-08-29 | 高新兴科技集团股份有限公司 | 卡口抓拍图像车辆检测方法、计算机存储介质及电子设备 |
CN110991421B (zh) * | 2019-12-24 | 2023-08-25 | 高新兴科技集团股份有限公司 | 卡口抓拍图像车辆检测方法、计算机存储介质及电子设备 |
CN111597902A (zh) * | 2020-04-16 | 2020-08-28 | 浙江工业大学 | 机动车违停监测方法 |
CN111597902B (zh) * | 2020-04-16 | 2023-08-11 | 浙江工业大学 | 机动车违停监测方法 |
CN111652087A (zh) * | 2020-05-15 | 2020-09-11 | 泰康保险集团股份有限公司 | 验车方法、装置、电子设备和存储介质 |
CN111652087B (zh) * | 2020-05-15 | 2023-07-18 | 泰康保险集团股份有限公司 | 验车方法、装置、电子设备和存储介质 |
CN111753797B (zh) * | 2020-07-02 | 2022-02-22 | 浙江工业大学 | 一种基于视频分析的车辆测速方法 |
CN111753797A (zh) * | 2020-07-02 | 2020-10-09 | 浙江工业大学 | 一种基于视频分析的车辆测速方法 |
CN111797782A (zh) * | 2020-07-08 | 2020-10-20 | 上海应用技术大学 | 基于图像特征的车辆检测方法和系统 |
CN111797782B (zh) * | 2020-07-08 | 2024-04-16 | 上海应用技术大学 | 基于图像特征的车辆检测方法和系统 |
CN112101175A (zh) * | 2020-09-09 | 2020-12-18 | 沈阳帝信人工智能产业研究院有限公司 | 基于局部图像的高速公路车辆检测及多属性特征提取方法 |
CN112101175B (zh) * | 2020-09-09 | 2024-05-10 | 沈阳帝信人工智能产业研究院有限公司 | 基于局部图像的高速公路车辆检测及多属性特征提取方法 |
CN112149575A (zh) * | 2020-09-24 | 2020-12-29 | 新华智云科技有限公司 | 从视频中自动筛选具有汽车部位片段的方法 |
CN112149575B (zh) * | 2020-09-24 | 2024-05-24 | 新华智云科技有限公司 | 从视频中自动筛选具有汽车部位片段的方法 |
CN112150821A (zh) * | 2020-10-14 | 2020-12-29 | 清华大学 | 轻量化车辆检测模型构建方法、系统及装置 |
CN112926495A (zh) * | 2021-03-19 | 2021-06-08 | 高新兴科技集团股份有限公司 | 一种基于多级卷积特征级联的车辆检测方法 |
CN113255500A (zh) * | 2021-05-18 | 2021-08-13 | 山东交通学院 | 一种车辆随意变道检测的方法及装置 |
CN113673298A (zh) * | 2021-06-11 | 2021-11-19 | 温州大学 | 一种基于时序门控循环单元模型的溢出监测方法 |
CN113569716A (zh) * | 2021-07-23 | 2021-10-29 | 闽江学院 | 一种货车车轴快速识别与计数方法 |
CN113569716B (zh) * | 2021-07-23 | 2023-10-27 | 闽江学院 | 一种货车车轴快速识别与计数方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490156A (zh) | 一种基于卷积神经网络的快速车辆检测方法 | |
CN111553201B (zh) | 一种基于YOLOv3优化算法的交通灯检测方法 | |
CN107330396B (zh) | 一种基于多属性和多策略融合学习的行人再识别方法 | |
CN110348376B (zh) | 一种基于神经网络的行人实时检测方法 | |
CN109117701B (zh) | 基于图卷积的行人意图识别方法 | |
CN111460919B (zh) | 一种基于改进YOLOv3的单目视觉道路目标检测及距离估计方法 | |
CN112348849B (zh) | 一种孪生网络视频目标跟踪方法及装置 | |
CN110796168A (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
CN111079602A (zh) | 基于多尺度区域特征约束的车辆细粒度识别方法及装置 | |
CN106650913A (zh) | 一种基于深度卷积神经网络的车流密度估计方法 | |
CN106707296A (zh) | 一种基于双孔径光电成像系统的无人机检测与识别方法 | |
CN109800629A (zh) | 一种基于卷积神经网络的遥感图像目标检测方法 | |
CN107563349A (zh) | 一种基于VGGNet的人数估计方法 | |
CN107220603A (zh) | 基于深度学习的车辆检测方法及装置 | |
CN107833239B (zh) | 一种基于加权模型约束的寻优匹配目标跟踪方法 | |
CN110516633B (zh) | 一种基于深度学习的车道线检测方法及系统 | |
CN109299644A (zh) | 一种基于区域全卷积网络的车辆目标检测方法 | |
CN101551809A (zh) | 基于高斯混合模型分类的sar图像检索方法 | |
CN110032952B (zh) | 一种基于深度学习的道路边界点检测方法 | |
CN108830246B (zh) | 一种交通环境行人多维运动特征视觉提取方法 | |
CN111915583B (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN107730889B (zh) | 一种基于交通视频的目标车辆检索方法 | |
CN105447490A (zh) | 基于梯度回归树的车辆关键点检测方法及装置 | |
CN114299456B (zh) | 一种基于实时轨迹检测的交叉口行人过街风险评估方法 | |
CN107315998A (zh) | 基于车道线的车辆种类划分方法和系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191122 |