CN110807430A - 一种实况全景交通标志图片预处理方法 - Google Patents
一种实况全景交通标志图片预处理方法 Download PDFInfo
- Publication number
- CN110807430A CN110807430A CN201911073996.8A CN201911073996A CN110807430A CN 110807430 A CN110807430 A CN 110807430A CN 201911073996 A CN201911073996 A CN 201911073996A CN 110807430 A CN110807430 A CN 110807430A
- Authority
- CN
- China
- Prior art keywords
- image
- traffic sign
- traffic
- panoramic
- detected
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
Abstract
本发明公开了一种实况全景交通标志图片预处理方法,依靠几何透视的原理对实况全景交通图像训练集中的交通标志进行统计分析,主要统计交通标志在全景图像中的数量分布规律,根据统计结果对待检测全景交通图像进行预处理,将处理后所得到的图像块送入推理网络进行预测,预测结果经过NMS算法处理,选出最优预测框,将其映射到原始全景交通图像上输出,解决了实况全景交通标志图片预测阶段由于压缩图片,造成预测结果不理想以及直接对原始图像进行滑动窗口处理,过多消耗计算资源的问题。
Description
技术领域
本发明涉及交通标志检测与识别技术领域,尤其涉及一种实况全景交通标志图片预处理方法。
背景技术
交通标志检测与识别是无人驾驶系统与智能交通系统中必不可少的一个重要环节,具有很高的研究与应用价值。经过长时间的研究与努力,该领域已经取得丰硕的成果。现阶段,目标检测模型在深度学习的带领下,速度和准确度都有较大提升,但是在智能交通系统中通常捕获的是全景图像,交通标志的尺寸在图像中占比较小,并且边缘不明显,这会给检测识别带来很大困难。
现阶段大部分深度学习算法对输入图片大小都有要求,或某一特定输入大小会取得更好的结果,所以很多网络在输入时就将图片压缩到相应规定尺寸,之后送入网络进行后续推理预测。但是针对实况全景交通标志图片,交通标志的尺寸在图像中占比较小,进行压缩后交通标志甚至肉眼无法观测,以至于无法准确检测出交通标志。
为解决这个问题,有学者提出滑动窗口算法,即将原始实况全景交通标志图,通过滑动窗口进行滑窗处理,滑窗的尺寸即为网络要求输入尺寸,并且使相邻两个滑窗产生的图片之间有一定范围的重叠,这样可以避免某些交通标志因为被切开而无法成功检测。滑动窗口直接将原图裁剪成相应推理网络输入尺寸,未进行压缩,因而完全保留了原图的信息,确保小的交通标志信息完整性,增加了小交通标志检出的概率,但一定程度上增加了计算的开销。
还有学者通过观察训练集,先将原始实况全景交通图片进行裁剪,裁去图片顶端和图片底端的一部分,这些不可能出现交通标志的地方,进而缩小检测范围,进一步,为降低检测时间,其将原图进行一定比例压缩,对压缩后的图片进行滑动窗口处理,处理方法同上。此方法极大的减少了预测时间,而且在一定比例上压缩原图确实不会影响大部分交通标志的检出,但对于小交通标志,其尺寸在2000*2000像素的全景交通标志图中甚至只有几到十几像素,此方法对这类交通标志检出是十分不利的。
在实况全景交通标志的环境下,捕获的交通标志都是大分辨率下的图像,将大分辨率图像压缩送入网络检测,会造成小交通标志被压缩而严重失真,造成无法成功被检测,或单纯的将大分辨率图像进行滑动窗口处理,会大大增加运算开销等缺点。
发明内容
本发明提出一种基于几何透视的实况全景交通图像预处理方法,根据此规律对待预测的全景交通标志图像进行预处理,以解决实况全景交通标志图片预测阶段,由于推理网络输入限制,将高分辨率图片压缩使图片中的目标发生失真,造成预测结果不理想的问题,或直接将原始图像进行滑动窗口处理,大大增加运算开销等缺点。
本发明提出基于几何透视法的实况全景交通图像预处理方法包括:
选取全景交通图像中的训练集,并根据所述训练集分析统计出存在交通标志的上界和下界;
根据上界和下界对待检测图像进行截取操作得到存在交通标志的区域图像;
缩放得到的区域图像并进行滑动窗口处理,得到第一待检测图像块;
将所述训练集中所有交通标志映射到尺寸与全景交通图像相同的空白图像上,对该图像以预设尺寸的矩形框进行移动,并记录下矩形框中完整交通标志数量最多的矩形框位置;
对待检测图像中所述矩形框位置进行滑动窗口处理,截取出第二待检测图形块;
将原始的待检测全景交通图像缩放至推理网络输入尺寸,获得第三待检测的图像块;
将所得的第一待检测图像块、第二待检测图像块和第三待检测图像块送入推理网络进行预测得到候选交通标志预测框和类别;
将候选交通标志预测框和类别进行算法处理后,找出存在于待检测图像块中的优选交通标志预测框;
将得到的优选交通标志预测框进行坐标换算,确定其在全景交通图像中的位置并进行映射,以此完成检测。
其中,所述选取训练集并统计分析上下界是指选取带有交通标志的全景交通图像,通过对所选训练集中交通标志在图像中出现位置统计,得出全景交通图像存在交通标志的上界和下界。
其中,所述根据上界和下界得到存在交通标志的区域图像是指对训练集统计得到的上界和下界,对待检测全景交通图像进行截取,截除不存在交通标志的区域。
其中,所述得到第一待检测图像块是指以推理网络输入尺寸作为滑动窗口尺寸,通过滑动窗口截取出待检测图像块。
其中,所述预设尺寸是指宽度为全景交通图像的宽度,高度为推理网络输入的高度。
其中,所述截取出第二待检测图形块是指将得到的矩形框按照滑动步长从左向右进行滑动处理,裁剪出图像块。
其中,所述推理网络输入尺寸为416*416像素值。
其中,所述推理网络是基于YOLO v3改进的网络。
其中,所述算法处理采用NMS算法进行处理。
本发明依靠几何透视的原理对实况全景交通图像中的交通标志进行统计分析,几何透视即在空间中,同一目标由于与拍摄设备的相对距离不同,该目标的大小与位置在成像后的全景交通图片中呈现一定规律。在实况交通全景图中,越接近地平线的位置,交通标志数量就越密集,尺寸就越小,而距离地平线越远的位置,即靠近图片上方和下方,交通标志就越少,尺寸越大,主要统计交通标志在全景图像中的数量分布规律,根据统计结果对全景交通图像进行预处理,将处理后所得到的图像块送入推理网络进行预测,预测结果经过NMS处理,选出最优预测框,将其映射到原始全景交通图像上输出,解决了实况全景交通标志图片预测阶段由于压缩图片,造成预测结果不理想以及直接对原始图像进行滑动窗口处理,过多消耗计算资源的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的实况全景交通标志图片预处理方法的流程结构示意图。
图2是本发明的实况全景交通标志图片预处理方法的指定区间内包含完整交通标志数量。
图3是本发明的实况全景交通标志图片预处理方法的交通标志数量在全景交通图像中的分布规律。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1至图3,本发明提供一种技术方案:
S101:选取全景交通图像中的训练集,并根据所述训练集分析统计出存在交通标志的上界和下界;
选取所述训练集并统计分析上下界是指选取带有交通标志的全景交通图像,通过对所选训练集中交通标志在图像中出现位置统计,得出全景交通图像存在交通标志的上界和下界。
在本实施方式中,采用清华可视媒体研究中心制作的腾讯街景全景的交通标志数据集Tsinghua-Tencent 100K作为实验的数据集,数据集中包含100000张腾讯对中国街景拍摄的全景图,有30000张包含了交通标志。图片分辨率为2048*2048像素值,这些图片覆盖了不同光照和天气状况。在训练集中每个交通标志都被标注了类别,目标框和像素掩码。交通标志大小在8*8-400*400像素值之间,约占整张图片的0.001%-4%,同时,基于几何透视的原理,越靠近地平线位置交通标志越多,而离其越远的位置交通标志越少,数量逐渐趋向于0。所以根据所述训练集分析统计出存在交通标志纵向坐标的上界和下界。
S102:根据上界和下界对待检测图像进行截取操作得到存在交通标志的区域图像;
所述根据上界和下界得到存在交通标志的区域图像是指对训练集统计得到的上界和下界,对待检测全景交通图像进行截取,截除不存在交通标志的区域。
在本实施方式中,找出全景交通图像中存在交通标志的上界与下界,原始2048*2048像素值图像左上角的坐标为(0,0),上界为0,下界为1600,当纵坐标≥1600时,左上角坐标(0,1600),右下角坐标(2048,2048)的区域为完全不包括交通标志的任何一部分,将待预测全景交通图像的纵坐标大于1600区域截除,得到含有交通标志的区域。
S103:缩放得到的区域图像并进行滑动窗口处理,得到第一待检测图像块;
所述得到第一待检测图像块是指以推理网络输入尺寸作为滑动窗口尺寸,通过滑动窗口截取出待检测图像块。
在本实施方式中,为提高大交通标志及交通标志低密度区域的检测速度,将处理过后保留的含有交通标志的区域进行基于图像金字塔的图像缩放处理,缩放后尺寸为缩放前的T倍,T选取根据实际需求所定。缩放后的尺寸为1040*812像素值,对缩放后的图像进行滑动窗口处理,该图像左上角坐标为(0,0),滑动窗口尺寸为416*416像素值,每次滑动的步长为312像素值由左向右,由上到下的步长为396像素值,产生第一待检测图像块,其数量为6。
S104:将所述训练集中所有交通标志映射到尺寸与全景交通图像相同的空白图像上,对该图像以预设尺寸的矩形框进行移动,并记录下矩形框中完整交通标志数量最多的矩形框位置;
所述预设尺寸是指宽度为全景交通图像的宽度,高度为推理网络输入的高度。
在本实施方式中,根据几何透视,全景交通图像的地平线附近交通标志密度最大且尺寸较小,我们通过统计交通标志数量的方法得到地平线附近区域。统计区域为一个矩形框,其宽度为全景交通图像的宽度即2048像素值,高度为推理网络输入的高度即416像素值。该矩形框在映射了训练集所有交通标志的图像中由上到下按一定步长即20像素值进行移动,每次移动都统计出矩形框中包含完整交通标志的数量,该矩形框左上角坐标记为(x0,y0)右下角坐标记为(x1,y1),y0=620到y1=1036区域交通标志数量最多,包含13112个,占总交通标志数量的84.7%。
S105:对待检测图像中所述矩形框位置进行滑动窗口处理,截取出第二待检测图形块;
所述截取出第二待检测图形块是指将得到的矩形框按照滑动步长从左向右进行滑动处理,裁剪出图像块。
在本实施方式中,将待检测图片交通标志最多的区域的矩形框,即y0=620到y1=1036区域由左向右进行滑动窗口处理,每次滑动的步长为326即像素值,滑动窗口尺寸为推理网络输入尺寸416*416像素值,通过滑动窗口裁剪出第二待检测图像块,数量为6。
S106:将原始的待检测全景交通图像缩放至推理网络输入尺寸,获得第三待检测的图像块;
所述推理网络输入尺寸为416*416像素值。
在本实施方式中,由于在截取第一待检测图像块和第二待检测图像块时,滑动窗口步长较大,可能导致某些较大交通标志被分割开,以至无法被成功检测,为成功检测由于滑动窗口步长较大而被分割开的大交通标志及图像中的特大交通标志,所以将原始的全景交通图进行缩放,缩放后的尺寸为推理网络所要求的输入尺寸416*416像素值,得到第三待检测图像块,数量为1。
S107:将所得的第一待检测图像块、第二待检测图像块和第三待检测的图像块送入推理网络进行预测得到候选交通标志预测框和类别;
所述推理网络是基于YOLO v3改进的网络。
在本实施方式中,将得到的一共13个待检测图像块送入基于YOLO v3改进的网络进行预测,得到候选交通标志预测框和类别。
S108:将候选交通标志预测框和类别进行算法处理后,找出存在于待检测图像块中的优选交通标志预测框;
所述算法处理采用NMS算法进行处理。
S109:将得到的优选交通标志预测框进行坐标换算,确定其在全景交通图像中的位置并进行映射,以此完成检测。
本发明依靠几何透视的原理对实况全景交通图像中的交通标志进行统计分析,主要统计交通标志在全景图像中的数量分布规律,根据统计结果对全景交通图像进行预处理,将处理后所得到的图像块送入推理网络进行预测,预测结果经过NMS算法处理,选出最优预测框,将其映射到原始全景交通图像上输出,解决了实况全景交通标志图片预测阶段由于压缩图片,造成预测结果不理想以及直接对原始图像进行滑动窗口处理,过多消耗计算资源的问题。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (9)
1.本发明提出一种实况全景交通标志图片预处理方法,其中包括:
选取全景交通图像中的训练集,并根据所述训练集分析统计出存在交通标志的上界和下界;
根据上界和下界对待检测图像进行截取操作得到存在交通标志的区域图像;
缩放得到的区域图像并进行滑动窗口处理,得到第一待检测图像块;
将所述训练集中所有交通标志映射到尺寸与全景交通图像相同的空白图像上,对该图像以预设尺寸的矩形框进行移动,并记录下矩形框中完整交通标志数量最多的矩形框位置;
对待检测图像中所述矩形框位置进行滑动窗口处理,截取出第二待检测图形块;
将原始的待检测全景交通图像缩放至推理网络输入尺寸,获得第三待检测的图像块;
将所得的第一待检测图像块、第二待检测图像块和第三待检测图像块送入推理网络进行预测得到候选交通标志预测框和类别;
将候选交通标志预测框和类别进行算法处理后,找出存在于待检测图像块中的优选交通标志预测框;
将得到的优选交通标志预测框进行坐标换算,确定其在全景交通图像中的位置并进行映射,以此完成检测。
2.如权利要求1所述的实况全景交通标志图片预处理方法,其特征在于,所述选取训练集并统计分析上下界是指选取带有交通标志的全景交通图像,通过对所选训练集中交通标志在图像中出现位置统计,得出全景交通图像存在交通标志的上界和下界。
3.如权利要求1所述的实况全景交通标志图片预处理方法,其特征在于,所述根据上界和下界得到存在交通标志的区域图像是指对训练集统计得到的上界和下界,对待检测全景交通图像进行截取,截除不存在交通标志的区域。
4.如权利要求1所述的实况全景交通标志图片预处理方法,其特征在于,所述得到第一待检测图像块是指以推理网络输入尺寸作为滑动窗口尺寸,通过滑动窗口截取出待检测图像块。
5.如权利要求1所述的实况全景交通标志图片预处理方法,其特征在于,所述预设尺寸是指宽度为全景交通图像的宽度,高度为推理网络输入的高度。
6.如权利要求1所述的实况全景交通标志图片预处理方法,其特征在于,所述截取出第二待检测图形块是指将得到的矩形框按照滑动步长从左向右进行滑动处理,裁剪出图像块。
7.如权利要求1所述的实况全景交通标志图片预处理方法,其特征在于,所述推理网络输入尺寸为416*416像素值。
8.如权利要求1所述的实况全景交通标志图片预处理方法,其特征在于,所述推理网络是基于YOLO v3改进的网络。
9.如权利要求1所述的实况全景交通标志图片预处理方法,其特征在于,所述算法处理采用NMS算法进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911073996.8A CN110807430B (zh) | 2019-11-06 | 2019-11-06 | 一种实况全景交通标志图片预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911073996.8A CN110807430B (zh) | 2019-11-06 | 2019-11-06 | 一种实况全景交通标志图片预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110807430A true CN110807430A (zh) | 2020-02-18 |
CN110807430B CN110807430B (zh) | 2022-06-21 |
Family
ID=69501349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911073996.8A Active CN110807430B (zh) | 2019-11-06 | 2019-11-06 | 一种实况全景交通标志图片预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807430B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862806A (zh) * | 2021-03-05 | 2021-05-28 | 中冶赛迪重庆信息技术有限公司 | 一种皮带机打滑检测方法、系统、介质及电子终端 |
CN113553938A (zh) * | 2021-07-19 | 2021-10-26 | 黑芝麻智能科技(上海)有限公司 | 安全带检测方法、装置、计算机设备和存储介质 |
CN117274957A (zh) * | 2023-11-23 | 2023-12-22 | 西南交通大学 | 一种基于深度学习的道路交通标志检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101938786A (zh) * | 2009-07-01 | 2011-01-05 | 华为技术有限公司 | 调度授权的分配方法与通信设备 |
CN106326858A (zh) * | 2016-08-23 | 2017-01-11 | 北京航空航天大学 | 一种基于深度学习的公路交通标志自动识别与管理系统 |
US20170053167A1 (en) * | 2015-08-18 | 2017-02-23 | Qualcomm Incorporated | Systems and methods for object tracking |
US20180001899A1 (en) * | 2015-03-26 | 2018-01-04 | Lightmetrics Technologies Pvt. Ltd. | Method and system for driver monitoring by fusing contextual data with event data to determine context as cause of event |
CN108319894A (zh) * | 2017-12-28 | 2018-07-24 | 杭州乔戈里科技有限公司 | 基于深度学习的水果识别方法及装置 |
CN108805018A (zh) * | 2018-04-27 | 2018-11-13 | 淘然视界(杭州)科技有限公司 | 道路交通标志检测识别方法、电子设备、存储介质及系统 |
CN108985145A (zh) * | 2018-05-29 | 2018-12-11 | 同济大学 | 小尺寸交通标志检测识别的反向连接深度神经网络模型方法 |
CN109325438A (zh) * | 2018-09-18 | 2019-02-12 | 桂林电子科技大学 | 实况全景交通标志的实时识别方法 |
-
2019
- 2019-11-06 CN CN201911073996.8A patent/CN110807430B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101938786A (zh) * | 2009-07-01 | 2011-01-05 | 华为技术有限公司 | 调度授权的分配方法与通信设备 |
US20180001899A1 (en) * | 2015-03-26 | 2018-01-04 | Lightmetrics Technologies Pvt. Ltd. | Method and system for driver monitoring by fusing contextual data with event data to determine context as cause of event |
US20170053167A1 (en) * | 2015-08-18 | 2017-02-23 | Qualcomm Incorporated | Systems and methods for object tracking |
CN106326858A (zh) * | 2016-08-23 | 2017-01-11 | 北京航空航天大学 | 一种基于深度学习的公路交通标志自动识别与管理系统 |
CN108319894A (zh) * | 2017-12-28 | 2018-07-24 | 杭州乔戈里科技有限公司 | 基于深度学习的水果识别方法及装置 |
CN108805018A (zh) * | 2018-04-27 | 2018-11-13 | 淘然视界(杭州)科技有限公司 | 道路交通标志检测识别方法、电子设备、存储介质及系统 |
CN108985145A (zh) * | 2018-05-29 | 2018-12-11 | 同济大学 | 小尺寸交通标志检测识别的反向连接深度神经网络模型方法 |
CN109325438A (zh) * | 2018-09-18 | 2019-02-12 | 桂林电子科技大学 | 实况全景交通标志的实时识别方法 |
Non-Patent Citations (8)
Title |
---|
JOSEPH REDMON: "YOLOv3: An Incremental Improvement", 《COMPUTER SCIENCE》 * |
MATE KISANTAL: "Augmentation for small object detection", 《COMPUTER VISION AND PATTRTN RECOGNITION》 * |
TSUNG-YI LIN: "Microsoft COCO: Common Objects in Context", 《ECCV 2014》 * |
XIANGSONG MENG: "Real-time Detection and Recognition of Live Panoramic Traffic Signs Based on Deep Learning", 《2018 IEEE 9TH INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING AND SERVICE SCIENCE(ICSESS)》 * |
ZHE ZHU: "Traffic-Sign Detection and Classification in the Wild", 《CVPR 2016》 * |
ZIBO MENG: "Detecting Small Signs from Large Images", 《HTTPS://WWW.RESEARCHGATE.NET/PUBLICATION/317724082》 * |
李彬: "基于深度学习的行人与交通标识牌检测研究", 《数码世界》 * |
谭台哲等: "应用卷积神经网络与RPN的交通标志识别", 《计算机工程与应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862806A (zh) * | 2021-03-05 | 2021-05-28 | 中冶赛迪重庆信息技术有限公司 | 一种皮带机打滑检测方法、系统、介质及电子终端 |
CN112862806B (zh) * | 2021-03-05 | 2023-01-20 | 中冶赛迪信息技术(重庆)有限公司 | 一种皮带机打滑检测方法、系统、介质及电子终端 |
CN113553938A (zh) * | 2021-07-19 | 2021-10-26 | 黑芝麻智能科技(上海)有限公司 | 安全带检测方法、装置、计算机设备和存储介质 |
CN117274957A (zh) * | 2023-11-23 | 2023-12-22 | 西南交通大学 | 一种基于深度学习的道路交通标志检测方法及系统 |
CN117274957B (zh) * | 2023-11-23 | 2024-03-01 | 西南交通大学 | 一种基于深度学习的道路交通标志检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110807430B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784685B (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
CN110807430B (zh) | 一种实况全景交通标志图片预处理方法 | |
CN109345547B (zh) | 基于深度学习多任务网络的交通车道线检测方法及装置 | |
CN105631418A (zh) | 一种人数统计的方法和装置 | |
CN111652097A (zh) | 一种图像毫米波雷达融合目标检测方法 | |
CN111291587A (zh) | 一种基于密集人群的行人检测方法、存储介质及处理器 | |
CN105303153A (zh) | 一种车辆车牌识别方法及装置 | |
WO2023155482A1 (zh) | 一种人群快速聚集行为的识别方法、系统、设备及介质 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN113822180A (zh) | 空气开关分合状态识别方法、装置、电子设备及存储介质 | |
CN112637550B (zh) | 多路4k准实时拼接视频的ptz动目标跟踪方法 | |
CN111383244A (zh) | 一种目标检测跟踪方法 | |
CN113706584A (zh) | 基于计算机视觉的街景流量信息采集方法 | |
CN111009136A (zh) | 一种高速公路行驶速度异常车辆检测方法、装置及系统 | |
CN112802027A (zh) | 一种目标对象的分析方法、存储介质及电子装置 | |
CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
CN113160209A (zh) | 用于建筑外立面损伤检测的目标标注方法及目标识别方法 | |
CN113111728A (zh) | 面向变电站内电力生产作业风险的智能识别方法及系统 | |
CN112926426A (zh) | 基于监控视频的船舶识别方法、系统、设备及存储介质 | |
CN111696142A (zh) | 一种快速人脸检测方法及系统 | |
CN111523583B (zh) | 一种利用无人机对设备铭牌照片自动识别分类的方法 | |
CN108334823A (zh) | 基于机器学习的高分辨率遥感影像集装箱区域检测方法 | |
CN114549628A (zh) | 一种电力杆倾斜检测方法、装置、设备及存储介质 | |
CN114565906A (zh) | 障碍物检测方法、装置、电子设备及存储介质 | |
CN114821364A (zh) | 一种基于无人机运动状态的DeepSort园林垃圾统计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |