CN110929613A - 一种智能交通违法审核的图像筛选算法 - Google Patents
一种智能交通违法审核的图像筛选算法 Download PDFInfo
- Publication number
- CN110929613A CN110929613A CN201911112090.2A CN201911112090A CN110929613A CN 110929613 A CN110929613 A CN 110929613A CN 201911112090 A CN201911112090 A CN 201911112090A CN 110929613 A CN110929613 A CN 110929613A
- Authority
- CN
- China
- Prior art keywords
- pictures
- picture
- screening
- judging
- image
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 53
- 238000012550 audit Methods 0.000 title abstract description 5
- 238000001514 detection method Methods 0.000 claims description 47
- 230000011218 segmentation Effects 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 20
- 238000013135 deep learning Methods 0.000 claims description 14
- 238000012552 review Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 1
- 101100153581 Bacillus anthracis topX gene Proteins 0.000 description 3
- 101150041570 TOP1 gene Proteins 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种智能交通违法审核的图像筛选算法,涉及智能交通违法审核领域,解决了目前在违法审核图片筛选精度低,影响后续模块的处理精度的弊端,其技术方案要点是获取若干张图片,对获取的图片均进行语义分割,对分割结果不为全黑的图片形成轮廓并进行填充;对填充后的结果图一一进行比较,判断相比较的两张图片是否相同,对两张图的ID进行记录;根据每张图片被记录的次数进行排序、筛选判断出全景图及特写图;分别将语义分割时全黑的图片以及筛选获得的全景图及特写图进行车辆检测,再次进行判断筛选,本发明的一种智能交通违法审核的图像筛选算法,能够高精度的进行审核图片的全景图和特写图的区分,为后续模块提供高精度的支持。
Description
技术领域
本发明涉及智能交通违法审核,特别涉及一种智能交通违法审核的图像筛选算法。
背景技术
通过计算机视觉技术来判断交通的违法审核是现阶段智能交通的大趋势,违法审核中前端传来的数据大多包含几张全景图以及几张特写图,并且它们的出现顺序都很随机,后续模块在使用的时候,需要先将全景图和特写图分辨区分开,而目前对于新路口的数据,很难分辨,精度较低,会影响后续模块使用时的效率及精度,还有待改进的空间。
发明内容
本发明的目的是提供一种智能交通违法审核的图像筛选算法,能够高精度的进行审核图片的全景图和特写图的区分,为后续模块提供高精度的支持。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种智能交通违法审核的图像筛选算法,包括有以下步骤:
接收获取前端传送的用于交通违法审核的若干张图片,每张图片均对应有一唯一识别的ID号;
对获取的图片均进行语义分割,对分割结果不为全黑的图片按照不同类别的语义分割结果形成轮廓并进行填充;
对填充后的结果图一一进行比较,判断相比较的两张图片中的场景是否相同,并且在判断为不相同的时候对两张图的ID进行记录;
根据每张图片被记录的次数进行排序,通过排序结果筛选判断出全景图及特写图;
分别将语义分割时全黑的图片以及筛选获得的全景图及特写图基于深度学习的YOLO v3检测方法进行车辆检测,再次对图片的全景图及特写图进行判断筛选。
作为优选,对填充后的结果图进行比较的具体步骤如下:
将填充的结果图提取HOG特征的特征向量;
分别对每张图片的特征向量一一进行余弦相似度比较,得到余弦相似度分数;
设定有分数阈值,当比较获得的余弦相似度分数低于分数阈值时,判定为两种场景不同,记录与之对应的两张图片的ID。
作为优选,每次获取的所述图片为四张,对于排序筛选的具体步骤如下:
按照每张图片被记录的次数从多到少排序,对于记录次数相同的,则按照图片的ID号从大到小排序;
根据排序结果可得到,
若输出排序第一位结果为0时,则判定为获取的图片均为全景图,无特写图;
若输出排序第一位结果为3时,则判定为获取的图片中存在三张全景图及一张特写图;
若输出排序第一位结果为2时,则判定为获取的图片中全景图及特写图均存在两张。
作为优选,基于车辆检测后对图片再次进行判断筛选的具体步骤如下:
基于深度学习的YOLO v3检测方法检测车辆获得图片中的检测框;
获得每张图片中检测框最小的车辆,为最小框;
分别判断每张图片中最小框与设定的检测框阈值进行比较,若大于检测框阈值则判定为特写图,反之小于检测框阈值则判定为全景图。
一种智能交通违法审核的图像筛选装置,所述图像筛选装置包括存储器;以及
耦合到所述存储器的处理器,该处理器被配置为执行存储在所述存储器中的指令,所述处理器执行以下操作:
接收获取前端传送的用于交通违法审核的若干张图片,每张图片均对应有一唯一识别的ID号;
对获取的图片均进行语义分割,对分割结果不为全黑的图片按照不同类别的语义分割结果形成轮廓并进行填充;
对填充的结果图提取HOG特征得到特征向量,分别将每张图片的特征向量一一进行余弦相似度比较,获得余弦相似度分数;
根据余弦相似度分数与设定的分数阈值进行比较判断,将余弦相似度分数低于分数阈值的场景判定为不同,并且记录与之对应的两张图片的ID;
按照每张图片被记录的次数进行排序,并根据排序进行全景图和特征图的筛选;
分别将语义分割时全黑的图片以及筛选获得的全景图及特写图基于深度学习的YOLO v3检测方法进行车辆检测,再次对图片的全景图及特写图进行判断筛选。
一种智能交通违法审核的图像筛选平台,所述平台包括服务器,服务器具有存储器;以及
耦合到所述存储器的处理器,该处理器被配置为执行存储在所述存储器中的指令,所述处理器执行以下操作:
接收获取前端传送的用于交通违法审核的若干张图片,每张图片均对应有一唯一识别的ID号;
对获取的图片均进行语义分割,对分割结果不为全黑的图片按照不同类别的语义分割结果形成轮廓并进行填充;
对填充的结果图提取HOG特征得到特征向量,分别将每张图片的特征向量一一进行余弦相似度比较,获得余弦相似度分数;
根据余弦相似度分数与设定的分数阈值进行比较判断,将余弦相似度分数低于分数阈值的场景判定为不同,并且记录与之对应的两张图片的ID;
按照每张图片被记录的次数进行排序,并根据排序进行全景图和特征图的筛选;
分别将语义分割时全黑的图片以及筛选获得的全景图及特写图基于深度学习的YOLO v3检测方法进行车辆检测,再次对图片的全景图及特写图进行判断筛选。
综上所述,本发明具有以下有益效果:
通过对接收的图片进行语义分割、填充以及分析比较,能够初步精确的对全景图及特写图进行区分筛选,并且配合于二次判断筛选,能够精确的进行筛选区分,能为后续模块提供高精度的支持。
附图说明
图1为本实施例的流程示意图;
具体实施方式
以下结合附图对本发明作进一步详细说明。
根据一个或多个实施例,本发明公开的一种智能交通违法审核的图像筛选算法,包括有以下步骤:
接收获取若干张用于交通违法审核的图片,每张图片均对应有唯一识别的ID号;
对获取的每一张图片均进行语义分割,并且对语义分割后的图片进行计算分析,以将图片中的特写图和全景图进行区分筛选;
基于深度学习的YOLO v3检测方法对获取的图片进行车辆检测,再次判断筛选若干张图片中的特写图和全景图。
其中,对语义分割后的图片的计算分析具体步骤如下:
对图片的分割结果进行判断,若为全黑时,则直接传送图片以基于深度学习的YOLO v3检测方法进行车辆检测;
反之,若不为全黑时:
将每张图片的不同类别的语义分割结果形成轮廓并填充;
对填充后的结果图一一进行比较,判断相比较的两张图片中的场景是否相同,并且在判断为不相同的时候对两张图的ID进行记录;
根据每张图片被记录的次数进行排序,通过排序结果筛选判断出全景图及特写图,并分别将全景图和特写图送入到后续的检测中。
进一步的,对填充后的结果图进行比较的具体步骤如下:
将填充的结果图提取HOG特征的特征向量;
分别对每张图片的特征向量一一进行余弦相似度比较,得到余弦相似度分数;
设定有分数阈值,当比较获得的余弦相似度分数低于分数阈值时,判定为另两种场景不同,记录与之对应的两张图片的ID。
每次获取的图片为四张,对于排序筛选的具体步骤如下:
按照每张图片被记录的次数从多到少排序,对于记录次数相同的,则按照图片的ID号从大到小排序;
根据排序结果可得到,
若输出排序第一位结果为0时,则判定为获取的图片均为全景图,无特写图;
若输出排序第一位结果为3时,则判定为获取的图片中存在三张全景图及一张特写图;
若输出排序第一位结果为2时,则判定为获取的图片中全景图及特写图均各存在两张。
其中,基于车辆检测后对图片再次进行判断筛选的具体步骤如下:
基于深度学习的YOLO v3检测方法检测车辆获得图片中的检测框;
获得每张图片中检测框最小的车辆,为最小框;
分别判断每张图片中最小框与设定的检测框阈值进行比较,若大于检测框阈值则判定为特写图,反之小于检测框阈值则判定为全景图。
具体的整体步骤如下:
S1、对前端传进来的每张图片,共4张图片,进行路面标线的语义分割,其中语义分割算法采用Pspnet的网络框架,对实线、黄线、停止线等路面信息进行分割。若所有的图片的分割结果是全黑时,执行下面步骤S9,否则执行S2;分割结果为全黑时,则表征无法分割出实线、黄线、停止线等路面信息,此时则结束分割流程;
S2、将每张图片的不同类别的语义分割结果形成轮廓并填充;
S3、将填充的结果图提取HOG特征得到特征向量,其中HOG特征是通过计算和统计图像局部区域的梯度方向直方图来构成特征;
S4、分别将每张图片的特征向量进行一一余弦相似度比较,得到余弦相似度分数;
S5、余弦相似度分数低于某一阈值时,认为两种场景并不相同,记录与之对应的两张图片的ID;
S6、按照每张图片被记录的次数进行从多到少的排序,记录次数相同的,由于特写图的ID更可能大于全景图的ID,所以按照它们的ID号从大到小排序;
S7、前端传进来的图片默认是四张图,可能出现4张都是全景图、3张全景图1张特写图、2张全景图2张特写图这三种可能,一般情况下不存在3张特写图1张全景图的情况,通过S6输出的排序结果可以得到:
1)top1=0时,认为此时应该属于4张全景图,无特写图
2)top1=3时,3张全景图1张特写图
3)top1=2时,2张全景图2张特写图
S8、分别将全景图以及特写图送到后续判断模块;根据对应图片的ID排序进行特写图与全景图的区分;
S9、判断模块对前端传进来的每张图片进行车辆检测,其中检测算法是深度学习中较为常用的YOLOv3检测方法;
S10、通过S9得到检测框,找到每张图片中检测框最小的车辆,再分别判断每张图片最小框是否大于阈值,若大于阈值则认为是特写图,小于阈值则认为是全景图;
根据一个或多个实施例,本发明公开的一种智能交通违法审核的图像筛选装置,图像筛选装置包括存储器;以及
耦合到存储器的处理器,该处理器被配置为执行存储在存储器中的指令,处理器执行以下操作:
接收获取前端传送的用于交通违法审核的若干张图片,每张图片均对应有一唯一识别的ID号;
对获取的图片均进行语义分割,对分割结果不为全黑的图片按照不同类别的语义分割结果形成轮廓并进行填充;
对填充的结果图提取HOG特征得到特征向量,分别将每张图片的特征向量一一进行余弦相似度比较,获得余弦相似度分数;
根据余弦相似度分数与设定的分数阈值进行比较判断,将余弦相似度分数低于分数阈值的场景判定为不同,并且记录与之对应的两张图片的ID;
按照每张图片被记录的次数进行排序,并根据排序进行全景图和特征图的筛选;
分别将语义分割时全黑的图片以及筛选获得的全景图及特写图基于深度学习的YOLO v3检测方法进行车辆检测,再次对图片的全景图及特写图进行判断筛选。
根据一个或多个实施例,本发明公开的一种智能交通违法审核的图像筛选平台,平台包括服务器,服务器具有存储器;以及
耦合到存储器的处理器,该处理器被配置为执行存储在存储器中的指令,处理器执行以下操作:
接收获取前端传送的用于交通违法审核的若干张图片,每张图片均对应有一唯一识别的ID号;
对获取的图片均进行语义分割,对分割结果不为全黑的图片按照不同类别的语义分割结果形成轮廓并进行填充;
对填充的结果图提取HOG特征得到特征向量,分别将每张图片的特征向量一一进行余弦相似度比较,获得余弦相似度分数;
根据余弦相似度分数与设定的分数阈值进行比较判断,将余弦相似度分数低于分数阈值的场景判定为不同,并且记录与之对应的两张图片的ID;
按照每张图片被记录的次数进行排序,并根据排序进行全景图和特征图的筛选;
分别将语义分割时全黑的图片以及筛选获得的全景图及特写图基于深度学习的YOLO v3检测方法进行车辆检测,再次对图片的全景图及特写图进行判断筛选。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (7)
1.一种智能交通违法审核的图像筛选算法,其特征是,包括有以下步骤:
接收获取前端传送的用于交通违法审核的若干张图片,每张图片均对应有一唯一识别的ID号;
对获取的图片均进行语义分割,对分割结果不为全黑的图片按照不同类别的语义分割结果形成轮廓并进行填充;
对填充后的结果图一一进行比较,判断相比较的两张图片中的场景是否相同,并且在判断为不相同的时候对两张图的ID进行记录;
根据每张图片被记录的次数进行排序,通过排序结果筛选判断出全景图及特写图;
分别将语义分割时全黑的图片以及筛选获得的全景图及特写图基于深度学习的YOLOv3检测方法进行车辆检测,再次对图片的全景图及特写图进行判断筛选。
2.根据权利要求1所述的智能交通违法审核的图像筛选算法,其特征是,对填充后的结果图进行比较的具体步骤如下:
将填充的结果图提取HOG特征的特征向量;
分别对每张图片的特征向量一一进行余弦相似度比较,得到余弦相似度分数;
设定有分数阈值,当比较获得的余弦相似度分数低于分数阈值时,判定为两种场景不同,记录与之对应的两张图片的ID。
3.根据权利要求2所述的智能交通违法审核的图像筛选算法,其特征是:每次获取的所述图片为四张,对于排序筛选的具体步骤如下:
按照每张图片被记录的次数从多到少排序,对于记录次数相同的,则按照图片的ID号从大到小排序;
根据排序结果可得到,
若输出排序第一位结果为0时,则判定为获取的图片均为全景图,无特写图;
若输出排序第一位结果为3时,则判定为获取的图片中存在三张全景图及一张特写图;
若输出排序第一位结果为2时,则判定为获取的图片中全景图及特写图均存在两张。
4.根据权利要求3所述的智能交通违法审核的图像筛选算法,其特征是,基于车辆检测后对图片再次进行判断筛选的具体步骤如下:
基于深度学习的YOLO v3检测方法检测车辆获得图片中的检测框;
获得每张图片中检测框最小的车辆,为最小框;
分别判断每张图片中最小框与设定的检测框阈值进行比较,若大于检测框阈值则判定为特写图,反之小于检测框阈值则判定为全景图。
5.一种智能交通违法审核的图像筛选装置,其特征在于,所述图像筛选装置包括存储器;以及
耦合到所述存储器的处理器,该处理器被配置为执行存储在所述存储器中的指令,所述处理器执行以下操作:
接收获取前端传送的用于交通违法审核的若干张图片,每张图片均对应有一唯一识别的ID号;
对获取的图片均进行语义分割,对分割结果不为全黑的图片按照不同类别的语义分割结果形成轮廓并进行填充;
对填充的结果图提取HOG特征得到特征向量,分别将每张图片的特征向量一一进行余弦相似度比较,获得余弦相似度分数;
根据余弦相似度分数与设定的分数阈值进行比较判断,将余弦相似度分数低于分数阈值的场景判定为不同,并且记录与之对应的两张图片的ID;
按照每张图片被记录的次数进行排序,并根据排序进行全景图和特征图的筛选;
分别将语义分割时全黑的图片以及筛选获得的全景图及特写图基于深度学习的YOLOv3检测方法进行车辆检测,再次对图片的全景图及特写图进行判断筛选。
6.一种智能交通违法审核的图像筛选平台,其特征在于,所述平台包括服务器,服务器具有存储器;以及
耦合到所述存储器的处理器,该处理器被配置为执行存储在所述存储器中的指令,所述处理器执行以下操作:
接收获取前端传送的用于交通违法审核的若干张图片,每张图片均对应有一唯一识别的ID号;
对获取的图片均进行语义分割,对分割结果不为全黑的图片按照不同类别的语义分割结果形成轮廓并进行填充;
对填充的结果图提取HOG特征得到特征向量,分别将每张图片的特征向量一一进行余弦相似度比较,获得余弦相似度分数;
根据余弦相似度分数与设定的分数阈值进行比较判断,将余弦相似度分数低于分数阈值的场景判定为不同,并且记录与之对应的两张图片的ID;
按照每张图片被记录的次数进行排序,并根据排序进行全景图和特征图的筛选;
分别将语义分割时全黑的图片以及筛选获得的全景图及特写图基于深度学习的YOLOv3检测方法进行车辆检测,再次对图片的全景图及特写图进行判断筛选。
7.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时,实现如权利要求1至5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911112090.2A CN110929613A (zh) | 2019-11-14 | 2019-11-14 | 一种智能交通违法审核的图像筛选算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911112090.2A CN110929613A (zh) | 2019-11-14 | 2019-11-14 | 一种智能交通违法审核的图像筛选算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110929613A true CN110929613A (zh) | 2020-03-27 |
Family
ID=69853927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911112090.2A Pending CN110929613A (zh) | 2019-11-14 | 2019-11-14 | 一种智能交通违法审核的图像筛选算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929613A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652137A (zh) * | 2020-06-03 | 2020-09-11 | 上海眼控科技股份有限公司 | 违法车辆检测方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012182856A (ja) * | 2012-06-29 | 2012-09-20 | Fujifilm Corp | 撮像装置及び撮像方法 |
CN103778786A (zh) * | 2013-12-17 | 2014-05-07 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于显著车辆部件模型的交通违章检测方法 |
WO2018076212A1 (zh) * | 2016-10-26 | 2018-05-03 | 中国科学院自动化研究所 | 基于反卷积神经网络的场景语义分割方法 |
CN109949578A (zh) * | 2018-12-31 | 2019-06-28 | 上海眼控科技股份有限公司 | 一种基于深度学习的车辆压线违法自动审核方法 |
-
2019
- 2019-11-14 CN CN201911112090.2A patent/CN110929613A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012182856A (ja) * | 2012-06-29 | 2012-09-20 | Fujifilm Corp | 撮像装置及び撮像方法 |
CN103778786A (zh) * | 2013-12-17 | 2014-05-07 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于显著车辆部件模型的交通违章检测方法 |
WO2018076212A1 (zh) * | 2016-10-26 | 2018-05-03 | 中国科学院自动化研究所 | 基于反卷积神经网络的场景语义分割方法 |
CN109949578A (zh) * | 2018-12-31 | 2019-06-28 | 上海眼控科技股份有限公司 | 一种基于深度学习的车辆压线违法自动审核方法 |
Non-Patent Citations (1)
Title |
---|
曾强;: "人工智能在交通违法证据审核中的应用" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652137A (zh) * | 2020-06-03 | 2020-09-11 | 上海眼控科技股份有限公司 | 违法车辆检测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN109117773B (zh) | 一种图像特征点检测方法、终端设备及存储介质 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN112016464A (zh) | 检测人脸遮挡的方法、装置、电子设备及存储介质 | |
CN111612104B (zh) | 车辆定损图像获取方法、装置、介质和电子设备 | |
Türkyılmaz et al. | License plate recognition system using artificial neural networks | |
CN106295502A (zh) | 一种人脸检测方法及装置 | |
CN111914911B (zh) | 一种基于改进深度相对距离学习模型的车辆再识别方法 | |
Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
CN108052931A (zh) | 一种车牌识别结果融合方法及装置 | |
CN112116556A (zh) | 一种客流量统计方法、装置和计算机设备 | |
CN114782770A (zh) | 一种基于深度学习的车牌检测与车牌识别方法及系统 | |
CN110245673A (zh) | 车位检测方法及装置 | |
Gunawan et al. | Design of automatic number plate recognition on android smartphone platform | |
CN106327531A (zh) | 全景视频的识别方法及设备、播放视频方法及设备 | |
CN116071089A (zh) | 一种欺诈识别方法、装置、电子设备及存储介质 | |
CN110135428B (zh) | 图像分割处理方法和装置 | |
CN104966109A (zh) | 医疗化验单图像分类方法及装置 | |
CN114897872A (zh) | 一种适用于细胞团中细胞的识别方法、装置及电子设备 | |
CN108280388A (zh) | 训练面部检测模型的方法和装置以及面部检测方法和装置 | |
CN110929613A (zh) | 一种智能交通违法审核的图像筛选算法 | |
CN106778765B (zh) | 一种车牌识别的方法及装置 | |
CN116704490A (zh) | 车牌识别方法、装置和计算机设备 | |
CN112446375A (zh) | 车牌识别方法、装置、设备及存储介质 |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240112 |