CN110688935A - 一种基于快速搜索的单车道车辆检测方法 - Google Patents
一种基于快速搜索的单车道车辆检测方法 Download PDFInfo
- Publication number
- CN110688935A CN110688935A CN201910903979.6A CN201910903979A CN110688935A CN 110688935 A CN110688935 A CN 110688935A CN 201910903979 A CN201910903979 A CN 201910903979A CN 110688935 A CN110688935 A CN 110688935A
- Authority
- CN
- China
- Prior art keywords
- lane
- score
- matrix
- positive
- word
- 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
Images
Classifications
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06F18/24—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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于快速搜索的单车道车辆检测方法,标记一定数量的车道监控图像样本,密集提取SIFT点聚类得到单词表;然后利用正负样本的直方图特征训练一个线性的支持向量机模型,进而得到每个单词的得分;对于待检测的车道图像,搜索其中得分大于偏执项相反数的矩形区域为检测到的车辆。在搜索过程中,根据车道车辆的先验知识,选择性地搜索部分区域,大大降低搜索的次数。同时使用正负积分图,大大提高区域得分的计算效率。
Description
技术领域
本发明属于模式识别领域,涉及一种基于快速搜索的单车道车辆检测方法。
背景技术
在有些应用场景下,比如可变车道的自动控制系统当中,需要识别某个目标车道的车流量,这个需求可以通过单车道的车辆检测来完成。经过几十年的技术迭代,目前最优的车辆检测技术多依赖于深度卷积神经网络,但是复杂的卷积计算和不断堆叠的网络深度需要巨大的计算资源。当把这些基于深度卷积神经网络的车辆检测算法应用于可变车道自动控制系统中时,会带来一些技术难题:算法的实现对很多工具箱的依赖使其很难嵌入到前段控制器当中;另外高昂的计算复杂度依赖于性能强大的硬件资源,而GPU等设备的引入会带来硬件成本的大幅度增加,使得新产品难以普及。因此针对路口车道环境的特殊结构,设计技术上更加优化的检测算法,使其可以嵌入前端控制器进行快速的处理,具有重要的意义。
发明内容
为了解决上述问题,本发明提出一种基于快速搜索的单车道车辆检测方法。标记一定数量的车道监控图像样本,密集提取SIFT点聚类得到单词表,然后利用正负样本的直方图特征训练一个线性的支持向量机模型,进而得到每个单词的得分。对于待检测的车道图像,搜索其中得分大于偏执项相反数的矩形区域为检测到的车辆。在搜索过程中,根据车道车辆的先验知识,选择性地搜索部分区域,大大降低搜索的次数。同时使用正负积分图,大大提高区域得分的计算效率。
本发明中主要采用的技术方案为,一种基于快速搜索的单车道车辆检测方法,具体步骤如下:
步骤S1:将摄像头安装在目标车道正上方的标识牌上,收集若干幅图像,并手动将其中的车辆位置用矩形框标记;
步骤S2:对所有收集的每一幅图像以步长s=5密集提取SIFT特征,并聚类成k=100个类别,取每一个类中心构成单词表{C1,C2,…,Ck};
步骤S3:用步骤S1中标记的车和非车的图像区域构造正负样本,并分别用步骤S2中的单词表计算每个样本的直方图特征;
步骤S4:用正负样本的直方图特征训练支持向量机分类器,并由训练结果得到每个单词的得分;
步骤S5:构造待检测车道区域外接矩形的得分表;
步骤S6:构造待检测车道区域外接矩形的正负积分表I+,I-;
步骤S7:对于任一帧待检测图像,用快速搜索的方法检测该区域内的车辆;
步骤S8:用非极大抑制对以上检测结果进行筛选,得到最终的检测结果;
作为本发明的优选,所述步骤S3的具体步骤如下:
步骤S3.1:用每幅图像中标记的每个车的矩形区域作为一个正样本;
步骤S3.2:对于每一个正样本,在所在图像内随机选取一个同等大小且与之无重合的区域作为负样本;
步骤S3.3:对每个样本内的每个SIFT点,计算其与每个单词的距离,并将其归类为距离最近的单词,然后统计归类到每个单词的点的个数,得到该样本的直方图特征表示;
作为本发明的优选,所述步骤S4的具体步骤如下:
步骤S4.1:解如下的二次规划问题,得到W和b:
其中C是由交叉验证得到的超参数,hi为第i个样本的直方图特征,li为其标签;
步骤S4.2:将向量W的第j个元素作为第j个单词的得分;
作为本发明的优选,所述步骤S5的具体步骤如下:
步骤S5.1:建立一个与车道区域的外接矩形相对应的全0矩阵,其中每一个元素对应图像中的一个像素;
步骤S5.2:对于以上矩阵中所有提取过SIFT特征的元素,若该SIFT点属于第j个单词,则该矩阵元素值为wj;
作为本发明的优选,所述步骤S6的具体步骤如下:
步骤S6.1:建立一个与得分表相同大小的全0矩阵,对于矩阵的每个元素(m,n),计算以(0,0)为左上角和(m,n)为右下角的矩阵中所有正的得分之和,得到正积分表;
步骤S6.2:建立一个与得分表相同大小的全0矩阵,对于矩阵的每个元素(m,n),计算以(0,0)为左上角和(m,n)为右下角的矩阵中所有负的得分之和,得到负积分表;
作为本发明的优选,所述步骤S7中快速搜索的具体步骤如下:
步骤S7.1:对待检测的区域以左上角为原点建立坐标系,记纵坐标为y,并令初始值y=0;
步骤S7.2:对于y,计算左侧车道线上纵坐标值为y的点的横坐标,记为x=f(y),横向扫描指定区域;
步骤S7.3:更新y=y+5,然后重复执行步骤S7.2,直至到达图像边缘;
所述步骤S7.2中横向扫描的具体步骤如下:
步骤S7.2.1:计算点(x,y)和点(x+a,y+d)之间的矩形区域的得分,
I+(x+a,y+d)-I+(x+a,y)-I+(x,y+d)+I+(x,y)
+I-(x+a,y+d)-I-(x+a,y)-I-(x,y+d)+I-(x,y)
其中d=0.43*y+0.1*h,a=0.75r(y),r(y)为纵坐标y处两车道线的横向距离;
步骤S7.2.1:更新x=x+5,重复步骤S7.2.1,直到矩形框接触到右侧的车道线;
作为本发明的优选,所述步骤S8的具体步骤如下:
步骤S8.1:每一个得分大于-b的矩形框为一个初步的车辆检测结果;
步骤S8.2:计算上述步骤中每一个框与其他框的重合率,若融合率大于0.7,则取得分最大的框,放弃其余的框。
有益效果:
本发明提供的基于快速搜索的单车道车辆检测方法,在搜索过程中,根据车道车辆的先验知识,选择性地搜索部分区域,大大降低搜索的次数。同时使用正负积分图,大大提高区域得分的计算效率。
附图说明
图1为本发明方法流程图;
图2为标记样本示例图;
图3为待检测区域得分表示意图;
图4为待检测图像帧;
图5为积分图计算得分示意图;
图6为区域搜索示意图;
图7为检测结果展示图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
下面结合以某焊件的超声扫描图像为例附图对本发明的技术方案做了进一步的详细说明。
一种基于快速搜索的单车道车辆检测方法,如图1所示,具体步骤如下:
具体步骤如下:
步骤S1:将摄像头安装在目标车道正上方的标识牌上,收集了100幅图像,并手动将其中的车辆位置用矩形框标记,部分图片如图2所示;
步骤S2:对所有收集的每一幅图像以步长s=5密集提取SIFT特征,并聚类成k=100个类别,取每一个类中心构成单词表{C1,C2,…,Ck};
步骤S3:用步骤S1中标记的车和非车的图像区域构造正负样本,并分别用步骤S2中的单词表计算每个样本的直方图特征;
步骤S4:用正负样本的直方图特征训练支持向量机分类器,并由训练结果得到每个单词的得分;
步骤S5:构造待检测车道区域外接矩形的得分表,其示意图如图3所示;
步骤S6:构造待检测车道区域外接矩形的正负积分表I+,I-;
步骤S7:对于如图4所示的一帧待检测图像,黑框范围为目标车道,用快速搜索的方法检测该区域内的车辆;
步骤S8:用非极大抑制对以上检测结果进行筛选,得到最终的检测结果如图7所示;
所述步骤S3的具体步骤如下:
步骤S3.1:用每幅图像中标记的每个车的矩形区域作为一个正样本;
步骤S3.2:对于每一个正样本,在所在图像内随机选取一个同等大小且与之无重合的区域作为负样本;
步骤S3.3:对每个样本内的每个SIFT点,计算其与每个单词的距离,并将其归类为距离最近的单词,然后统计归类到每个单词的点的个数,得到该样本的直方图特征表示;
所述步骤S4的具体步骤如下:
步骤S4.1:解如下的二次规划问题,得到W和b:
其中C是由交叉验证得到的超参数,hi为第i个样本的直方图特征,li为其标签;
步骤S4.2:将向量W的第j个元素作为第j个单词的得分;
所述步骤S5的具体步骤如下:
步骤S5.1:建立一个与车道区域的外接矩形相对应的全0矩阵,其中每一个元素对应图像中的一个像素;
步骤S5.2:对于以上矩阵中所有提取过SIFT特征的元素,若该SIFT点属于第j个单词,则该矩阵元素值为wj;
所述步骤S6的具体步骤如下:
步骤S6.1:建立一个与得分表相同大小的全0矩阵,对于矩阵的每个元素(m,n),计算以(0,0)为左上角和(m,n)为右下角的矩阵中所有正的得分之和,得到正积分表;
步骤S6.2:建立一个与得分表相同大小的全0矩阵,对于矩阵的每个元素(m,n),计算以(0,0)为左上角和(m,n)为右下角的矩阵中所有负的得分之和,得到负积分表;
所述步骤S7中快速搜索的具体步骤如下:
步骤S7.1:对待检测的区域以左上角为原点建立坐标系,记纵坐标为y,并令初始值y=0;
步骤S7.2:对于y,计算左侧车道线上纵坐标值为y的点的横坐标,记为x=f(y),横向扫描指定区域;
步骤S7.3:更新y=y+5,然后重复执行步骤S7.2,直至到达图像边缘,搜索过程的示意图如图6所示;
所述步骤S7.2中横向扫描的具体步骤如下:
步骤S7.2.1:计算点(x,y)和点(x+a,y+d)之间的矩形区域的得分,
I+(x+a,y+d)-I+(x+a,y)-I+(x,y+d)+I+(x,y)+I-(x+a,y+d)-I-(x+a,y)-I-(x,y+d)+I-(x,y)
其中d=0.43*y+0.1*h,a=0.75r(y),r(y)为纵坐标y处两车道线的横向距离,用积分图快速计算某矩形区域得分的原理示意图如图5所示。
步骤S7.2.1:更新x=x+5,重复步骤S7.2.1,直到矩形框接触到右侧的车道线;
所述步骤S8的具体步骤如下:
步骤S8.1:每一个得分大于-b的矩形框为一个初步的车辆检测结果;
步骤S8.2:计算上述步骤中每一个框与其他框的重合率,若融合率大于0.7,则取得分最大的框,放弃其余的框。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于快速搜索的单车道车辆检测方法,其特征在于,具体步骤如下:
步骤S1:将摄像头安装在目标车道正上方的标识牌上,收集若干幅图像,并手动将其中的车辆位置用矩形框标记;
步骤S2:对所有收集的每一幅图像以步长s=5密集提取SIFT特征,并聚类成k=100个类别,取每一个类中心构成单词表{C1,C2,…,Ck};
步骤S3:用步骤S1中标记的车和非车的图像区域构造正负样本,并分别用步骤S2中的单词表计算每个样本的直方图特征;
步骤S4:用正负样本的直方图特征训练支持向量机分类器,并由训练结果得到每个单词的得分;
步骤S5:构造待检测车道区域外接矩形的得分表;
步骤S6:构造待检测车道区域外接矩形的正负积分表I+,I-;
步骤S7:对于任一帧待检测图像,用快速搜索的方法检测该区域内的车辆;
步骤S8:用非极大抑制对以上检测结果进行筛选,得到最终的检测结果。
2.根据权利要求1所述的一种基于快速搜索的单车道车辆检测方法,其特征在于,所述步骤S3的具体步骤如下:
步骤S3.1:用每幅图像中标记的每个车的矩形区域作为一个正样本;
步骤S3.2:对于每一个正样本,在所在图像内随机选取一个同等大小且与之无重合的区域作为负样本;
步骤S3.3:对每个样本内的每个SIFT点,计算其与每个单词的距离,并将其归类为距离最近的单词,然后统计归类到每个单词的点的个数,得到该样本的直方图特征表示。
4.根据权利要求1所述的一种基于快速搜索的单车道车辆检测方法,其特征在于,所述步骤S5的具体步骤如下:
步骤S5.1:建立一个与车道区域的外接矩形相对应的全0矩阵,其中每一个元素对应图像中的一个像素;
步骤S5.2:对于以上矩阵中所有提取过SIFT特征的元素,若该SIFT点属于第j个单词,则该矩阵元素值为wj。
5.根据权利要求1所述的一种基于快速搜索的单车道车辆检测方法,其特征在于,所述步骤S6的具体步骤如下:
步骤S6.1:建立一个与得分表相同大小的全0矩阵,对于矩阵的每个元素(m,n),计算以(0,0)为左上角和(m,n)为右下角的矩阵中所有正的得分之和,得到正积分表;
步骤S6.2:建立一个与得分表相同大小的全0矩阵,对于矩阵的每个元素(m,n),计算以(0,0)为左上角和(m,n)为右下角的矩阵中所有负的得分之和,得到负积分表。
6.根据权利要求1所述的一种基于快速搜索的单车道车辆检测方法,其特征在于,所述步骤S7中快速搜索的具体步骤如下:
步骤S7.1:对待检测的区域以左上角为原点建立坐标系,记纵坐标为y,并令初始值y=0;
步骤S7.2:对于y,计算左侧车道线上纵坐标值为y的点的横坐标,记为x=f(y),横向扫描指定区域;
步骤S7.3:更新y=y+5,然后重复执行步骤S7.2,直至到达图像边缘。
7.根据权利要求6所述的一种基于快速搜索的单车道车辆检测方法,其特征在于,所述步骤S7.2中横向扫描的具体步骤如下:
步骤S7.2.1:计算点(x,y)和点(x+a,y+d)之间的矩形区域的得分,
I+(x+a,y+d)-I+(x+a,y)-I+(x,y+d)+I+(x,y)+I-(x+a,y+d)-I-(x+a,y)-I-(x,y+d)+I-(x,y)
其中d=0.43*y+0.1*h,a=0.75r(y),r(y)为纵坐标y处两车道线的横向距离;
步骤S7.2.1:更新x=x+5,重复步骤S7.2.1,直到矩形框接触到右侧的车道线。
8.根据权利要求1所述的一种基于快速搜索的单车道车辆检测方法,其特征在于,所述步骤S8的具体步骤如下:
步骤S8.1:每一个得分大于-b的矩形框为一个初步的车辆检测结果;
步骤S8.2:计算上述步骤中每一个框与其他框的重合率,若融合率大于0.7,则取得分最大的框,放弃其余的框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910903979.6A CN110688935B (zh) | 2019-09-24 | 2019-09-24 | 一种基于快速搜索的单车道车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910903979.6A CN110688935B (zh) | 2019-09-24 | 2019-09-24 | 一种基于快速搜索的单车道车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110688935A true CN110688935A (zh) | 2020-01-14 |
CN110688935B CN110688935B (zh) | 2021-01-05 |
Family
ID=69110058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910903979.6A Active CN110688935B (zh) | 2019-09-24 | 2019-09-24 | 一种基于快速搜索的单车道车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688935B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100246890A1 (en) * | 2009-03-26 | 2010-09-30 | Microsoft Corporation | Detection of objects in images |
US9213913B1 (en) * | 2013-08-05 | 2015-12-15 | Raytheon Company | Rapid iterative detection (RID) |
CN105868734A (zh) * | 2016-04-22 | 2016-08-17 | 江苏电力信息技术有限公司 | 基于bow图像表征模型的输电线路大型施工车辆识别方法 |
CN106203401A (zh) * | 2016-08-11 | 2016-12-07 | 电子科技大学 | 一种车道线的快速检测方法 |
US20160358039A1 (en) * | 2015-06-02 | 2016-12-08 | Electronics And Telecommunications Research Institute | Apparatus and method for detecting object |
CN106529424A (zh) * | 2016-10-20 | 2017-03-22 | 中山大学 | 一种基于选择性搜索算法的车标检测识别方法及系统 |
CN108604415A (zh) * | 2016-01-22 | 2018-09-28 | 日产自动车株式会社 | 行人的判定方法和判定装置 |
CN109740595A (zh) * | 2018-12-27 | 2019-05-10 | 武汉理工大学 | 一种基于机器视觉的斜向车辆检测与跟踪系统及方法 |
CN109948626A (zh) * | 2019-03-08 | 2019-06-28 | 旺微科技(浙江)有限公司 | 一种目标检测方法及装置 |
-
2019
- 2019-09-24 CN CN201910903979.6A patent/CN110688935B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100246890A1 (en) * | 2009-03-26 | 2010-09-30 | Microsoft Corporation | Detection of objects in images |
US9213913B1 (en) * | 2013-08-05 | 2015-12-15 | Raytheon Company | Rapid iterative detection (RID) |
US20160358039A1 (en) * | 2015-06-02 | 2016-12-08 | Electronics And Telecommunications Research Institute | Apparatus and method for detecting object |
CN108604415A (zh) * | 2016-01-22 | 2018-09-28 | 日产自动车株式会社 | 行人的判定方法和判定装置 |
CN105868734A (zh) * | 2016-04-22 | 2016-08-17 | 江苏电力信息技术有限公司 | 基于bow图像表征模型的输电线路大型施工车辆识别方法 |
CN106203401A (zh) * | 2016-08-11 | 2016-12-07 | 电子科技大学 | 一种车道线的快速检测方法 |
CN106529424A (zh) * | 2016-10-20 | 2017-03-22 | 中山大学 | 一种基于选择性搜索算法的车标检测识别方法及系统 |
CN109740595A (zh) * | 2018-12-27 | 2019-05-10 | 武汉理工大学 | 一种基于机器视觉的斜向车辆检测与跟踪系统及方法 |
CN109948626A (zh) * | 2019-03-08 | 2019-06-28 | 旺微科技(浙江)有限公司 | 一种目标检测方法及装置 |
Non-Patent Citations (4)
Title |
---|
KUMAR S. RAY等: "Detection, Recognition and Tracking of Moving Objects from Real-time Video via Visual Vocabulary Model and Species Inspired PSO", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
SEBASTIEN RAZAKARIVONY等: "Vehicle detection in aerial imagery : A small target detection benchmark", 《JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION》 * |
朱斌等: "基于自适应双分数阶光流模型的运动目标分割", 《华南理工大学学报(自然科学版)》 * |
盛雷等: "基于多源特征后融合的分层目标检测算法", 《计算机科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110688935B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444821B (zh) | 一种城市道路标志自动识别方法 | |
CN110188807B (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
CN110543837B (zh) | 一种基于潜在目标点的可见光机场飞机检测方法 | |
CN111695514B (zh) | 一种基于深度学习的雾天下车辆检测方法 | |
CN111079674B (zh) | 一种基于全局和局部信息融合的目标检测方法 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN108334881B (zh) | 一种基于深度学习的车牌识别方法 | |
CN105260749B (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN104036284A (zh) | 基于Adaboost算法的多尺度行人检测方法 | |
CN105303153A (zh) | 一种车辆车牌识别方法及装置 | |
CN112766170B (zh) | 基于簇类无人机图像的自适应分割检测方法及装置 | |
CN112926522B (zh) | 一种基于骨骼姿态与时空图卷积网络的行为识别方法 | |
CN111915583A (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 | |
Kavitha et al. | Pothole and object detection for an autonomous vehicle using yolo | |
Asgarian Dehkordi et al. | Vehicle type recognition based on dimension estimation and bag of word classification | |
CN113516853B (zh) | 一种针对复杂监控场景的多车道车流量检测方法 | |
CN104517127A (zh) | 一种基于Bag-of-features模型的自学习行人计数方法及装置 | |
CN109657577B (zh) | 一种基于熵和运动偏移量的动物检测方法 | |
CN110688935B (zh) | 一种基于快速搜索的单车道车辆检测方法 | |
CN111860113A (zh) | 车道线检测方法及系统 | |
CN114512052B (zh) | 融合遥感影像和轨迹数据的分歧合流路口生成方法及装置 | |
CN116385374A (zh) | 基于卷积神经网络的细胞计数方法 | |
Li et al. | Vehicle detection with a part-based model for complex traffic conditions | |
Batapati et al. | Video analysis for traffic anomaly detection using support vector machines |
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 |