CN111008554A - 一种基于深度学习的动态交通斑马线内不礼让行人识别方法 - Google Patents
一种基于深度学习的动态交通斑马线内不礼让行人识别方法 Download PDFInfo
- Publication number
- CN111008554A CN111008554A CN201910981853.0A CN201910981853A CN111008554A CN 111008554 A CN111008554 A CN 111008554A CN 201910981853 A CN201910981853 A CN 201910981853A CN 111008554 A CN111008554 A CN 111008554A
- Authority
- CN
- China
- Prior art keywords
- image
- deep learning
- images
- segmented
- convolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 241000283070 Equus zebra Species 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000013136 deep learning model Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims abstract description 5
- 238000003709 image segmentation Methods 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009466 transformation 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
- 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
- G06F18/24—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明提供了一种基于深度学习的动态交通斑马线内不礼让行人识别方法,应用于交通自动识别技术领域,包括:获取连续时间段内的多个待检测图像,其中,目标图像为包含斑马线区域的行人和/或车辆的图像;将每一个待检测图像进行图像分割处理,获得分割图像,并对分割图像按照时间顺序和图像的位置顺序进行编号;将编号后的分割图像分别输入至深度学习模型中,通过所述深度学习模型进行识别是否存在不礼让行为的机动车,并记录该机动车的车牌号。应用本发明实施例,自动识别不礼让行人的车辆,提高了识别效率。
Description
技术领域
本发明涉及车道识别技术领域,尤其涉及一种基于深度学习的动态交通斑马线内不礼让行人识别方法。
背景技术
目前对于机动车辆的违规主要可以通过电子摄像头进行图像的采集、识别,获得违章结果,而对于非机动车道的车辆则没有明确的检测方法。
现有技术中,有的采用对非机动车道区域进行图像获取,并通过霍夫变换用于在二值图像中找到直线,这通常对应于车道边界。但是通过霍夫变换,通常很难确定一条线是否与车道边界相对应。在色彩分割方法中,RGB图像经常转换为HSI或自定义色彩空间,由于这些方法在像素级别运行,它们通常对来自路灯或类似照明源的环境光颜色的变化敏感。
目前车道识别技术主要是通过对普通可见光图像进行车道线边缘的识别来实现,但该方法局限性较大,会受到很多外界因素如强光、阴影等的干扰,导致系统识别效率低,准确性差,普适性不高。
发明内容
本发明的目的在于克服现有技术之缺陷,提供了一种基于深度学习的动态交通斑马线内不礼让行人识别方法,旨在自动识别斑马线处不礼让行人的车辆,提高识别效率。
本发明是这样实现的:
本发明提供一种基于深度学习的动态交通斑马线内不礼让行人识别方法,包括步骤:
S101,获取连续时间段内的多个待检测图像,其中,目标图像为包含斑马线区域的行人和/或车辆的图像;
S102,将每一个待检测图像进行图像分割处理,获得分割图像,并对分割图像按照时间顺序和图像的位置顺序进行编号;
S103,将编号后的分割图像分别输入至深度学习模型中,通过所述深度学习模型进行识别是否存在不礼让行为的机动车,并记录该机动车的车牌号,其中,所述深度学习模型的识别过程包括:识别与行人距离最小、且位于斑马线上的机动车;根据相邻两幅待检测图像确定车辆是否为减速状态,如果否,则确认车辆为非礼让行人状态,并识别该车辆的车牌号。
一种实现方式中,所述深度学习模型包括:
第一卷积层,包括两个卷积层,每一个卷积层为多个3*3的卷积核,对包含非机动车道的输入图像进行卷积操作,获得第一图像特征;
第一池化层,接收所输入的第一图像特征,并对所述第一图像特征进行压缩;
第二卷积层,包括三个卷积层,每一个卷积层为多个3*3的卷积核,对包含非机动车道的输入图像进行卷积操作,获得第二图像特征;
第二池化层,接收所输入的第二图像特征,并对所述第二图像特征进行压缩;
第三卷积层,包括二个卷积层,每一个卷积层为多个3*3的卷积核,对包含非机动车道的输入图像进行卷积操作,获得第三图像特征;
第三池化层,接收所输入的第三图像特征,并对所述第三图像特征进行压缩;
所述第一卷积层与上采样层相连逆卷积层后接一个向上采样层,每一个卷积层与激活函数相连,第二卷积层后接一个向上采样层,采用上采样层进行内容复制并扩充特征映射图;
接收原始车道图片,通过多个卷积层提取车道区域特征信息,以及经过上采样层进行填充处理,获得与行人距离最小的车辆,并获得车辆是否为减速状态的结果。
一种实现方式中,所述将编号后的分割图像分别输入至深度学习模型中的步骤,包括
将分割后图像输入深度学习模型中,判定所述分割后图像中各像素点的类别并赋予类别标签,得到分割出车道区域的各分割后图像,其中,所述类别标签包括减速状态和非减速状态。
一种实现方式中,所述深度学习模型的识别过程包括的步骤,包括:
根据所述类别标签,获取每一分割后图像中每一个像素点所对应的类别标签;
统计该分割后图像中,每一个类别标签的数量;
获取所述数量的最大值;
将该最大值对应的类别标签确定为该分割后图像做对应的区域;
获取类别标签为非减速状态的车辆,并识别该车辆的车牌号。
一种实现方式中,所述深度学习模型的训练方法包括:
从分割后图像中随机选取第一数量张图像输入卷积神经网络中,第一数量为正整数,其中,第一数量张图像包含正样本和负样本,其中,正样本为不礼让行人的图像、负样本为礼让行人的图像;
通过所述卷积神经网络提取所述第一数量分割后图像的特征;
根据提取的特征将所述第一数量分割后图像划分为减速状态和非减速状态,得到区域划分结果;
根据所述区域划分结果调整所述卷积神经网络的参数。
一种实现方式中,所述方法还包括:
从分割后图像中随机选取第二数量张图像输入卷积神经网络中进行测试;
通过所述卷积神经网络获得所述第二数量分割后图像中每一个图像的分类结果;
根据分类结果确定划分正确的样本数量,并获取分类正确率;
在分类正确率不小于预设阈值的情况下,并基于当前该卷积神经网络的参数确定为深度学习模型。
应用本发明的基于深度学习的动态交通斑马线内不礼让行人识别方法,通过获取连续时间段内的多个待检测图像,然后将每一个待检测图像进行图像分割处理,获得分割图像,并对分割图像按照时间顺序和图像的位置顺序进行编号;再将编号后的分割图像分别输入至深度学习模型中,通过所述深度学习模型进行识别是否存在不礼让行为的机动车,并记录该机动车的车牌号。实现了通过深度学习模型自动识别车辆在斑马线距离行人最近时是否处于加速状态,如果是则判断为不礼让行人。因此,识别效率较高。
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它的附图。
图1为本发明实施例提供的基于深度学习的动态交通斑马线内不礼让行人识别方法的流程示意图。
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它实施例,都属于本发明保护的范围。
参见图1,本发明实施例提供一种基于深度学习的动态交通斑马线内不礼让行人识别方法,包括步骤如下:
S101,获取连续时间段内的多个待检测图像,其中,目标图像为包含斑马线区域的行人和/或车辆的图像。
需要说明的是,视频是不断的采集图像的,且每一帧图像均对应有采集的时间,所以根据设置的一个时间段,能够获得在这段时间内所对应的视频图像,这些视频图像是需要进行检测的图像,即待检测图像。
本发明实施例旨在对不礼让行人的车辆进行检测,所以需要具备特定的时间和地点,时间是必须在行人可以通过的绿灯时间,此时也是车辆的左转或者右转时间,地点是在斑马线地区,所以目标图像必须具备的条件是包含斑马线的人、车辆所对应的图像。
S102,将每一个待检测图像进行图像分割处理,获得分割图像,并对分割图像按照时间顺序和图像的位置顺序进行编号。
可以理解的是,每一个图像均对应有一个时间,所以将一个时间点所唯一对应的待检测图像进行编码,编码后得到编号,因此,编号与时间点是一一对应的,然后对每一个待分割图像进行分割,从而对于分割后的图像即包含了其在该待检测图像中的位置,也对应有该待检测图像所对应的编号。
S103,将编号后的分割图像分别输入至深度学习模型中,通过所述深度学习模型进行识别是否存在不礼让行为的机动车,并记录该机动车的车牌号;其中,所述深度学习模型的识别过程包括:识别与行人距离最小、且位于斑马线上的机动车;根据相邻两幅待检测图像确定车辆是否为减速状态,如果否,则确认车辆为非礼让行人状态,并识别该车辆的车牌号。
需要说明的是,深度学习模型是本发明实施例所实现的基础,本发明实施例提供的一种具体实现中,对于深度学习模型的结构包括:第一卷积层,包括两个卷积层,每一个卷积层为多个3*3的卷积核,对包含非机动车道的输入图像进行卷积操作,获得第一图像特征;第一池化层,接收所输入的第一图像特征,并对所述第一图像特征进行压缩;第二卷积层,包括三个卷积层,每一个卷积层为多个3*3的卷积核,对包含非机动车道的输入图像进行卷积操作,获得第二图像特征;第二池化层,接收所输入的第二图像特征,并对所述第二图像特征进行压缩;第三卷积层,包括二个卷积层,每一个卷积层为多个3*3的卷积核,对包含非机动车道的输入图像进行卷积操作,获得第三图像特征;第三池化层,接收所输入的第三图像特征,并对所述第三图像特征进行压缩;
所述第一卷积层与上采样层相连逆卷积层后接一个向上采样层,每一个卷积层与激活函数相连,第二卷积层后接一个向上采样层,采用上采样层进行内容复制并扩充特征映射图;接收原始车道图片,通过多个卷积层提取车道区域特征信息,以及经过上采样层进行填充处理,获得与行人距离最小的车辆,并获得车辆是否为减速状态的结果。
需要说明的是,将分割后图像输入深度学习模型中进行检测,检测的结果是判定所述分割后图像中各像素点的类别并赋予类别标签,得到分割出车道区域的各分割后图像,其中,所述类别标签包括减速状态和非减速状态。
可以理解的是,模型是需要进行训练,作为成熟的模型才可以使用的,本发明提供的模型训练过程包括:根据所述类别标签,获取每一分割后图像中每一个像素点所对应的类别标签;统计该分割后图像中,每一个类别标签的数量;获取所述数量的最大值;将该最大值对应的类别标签确定为该分割后图像做对应的区域;获取类别标签为非减速状态的车辆,并识别该车辆的车牌号。
一种实现方式中,所述深度学习模型的训练方法包括:从分割后图像中随机选取第一数量张图像输入卷积神经网络中,第一数量为正整数,其中,第一数量张图像包含正样本和负样本,其中,正样本为不礼让行人的图像、负样本为礼让行人的图像;通过所述卷积神经网络提取所述第一数量分割后图像的特征;根据提取的特征将所述第一数量分割后图像划分为减速状态和非减速状态,得到区域划分结果;根据所述区域划分结果调整所述卷积神经网络的参数。
以及在模型训练以后,需要对模型进行测试,以保证模型的识别结果,例如模型的识别结果必须保证在98%方可投入使用,因此,本发明实施例中,首先从分割后图像中随机选取第二数量张图像输入卷积神经网络中进行测试;通过所述卷积神经网络获得所述第二数量分割后图像中每一个图像的分类结果;根据分类结果确定划分正确的样本数量,并获取分类正确率;在分类正确率不小于预设阈值的情况下,并基于当前该卷积神经网络的参数确定为深度学习模型。
可以理解的是,进行测试和进行训练的样本是一样的,首先可以进行样本的采集工作,然后对样本进行检验,挑选出不合格样品,然后对数据进行归一化处理,以便输入神经网络模型中进行训练和测试,然后进行样品的比例划分,例如为7:3,也就是训练样本为总数量的70%、测试样本为总数量的30%,在进行模型的训练以后进行测试,在测试的准确率达到要求以后就作为合格的模型进行投入使用。
可以理解的是,在模型的使用过程中,由于硬件或者软件等原因会发生改变,因此需要不断的进行模型的检验,可以通过增加或者更新测试样本,以检验当前模型的测试准确率,当模型的测试准确率不低于预设值时,则可以继续使用,否则需要采用新的训练样本继续进行训练,再执行样本测试的步骤,直至模型的测试准确率不低于预设值。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (6)
1.一种基于深度学习的动态交通斑马线内不礼让行人识别方法,其特征在于,所述方法包括:
S101,获取连续时间段内的多个待检测图像,其中,目标图像为包含斑马线区域的行人和/或车辆的图像;
S102,将每一个待检测图像进行图像分割处理,获得分割图像,并对分割图像按照时间顺序和图像的位置顺序进行编号;
S103,将编号后的分割图像分别输入至深度学习模型中,通过所述深度学习模型进行识别是否存在不礼让行为的机动车,并记录该机动车的车牌号,其中,所述深度学习模型的识别过程包括:识别与行人距离最小、且位于斑马线上的机动车;根据相邻两幅待检测图像确定车辆是否为减速状态,如果否,则确认车辆为非礼让行人状态,并识别该车辆的车牌号。
2.根据权利要求1所述的基于深度学习的动态交通斑马线内不礼让行人识别方法,其特征在于,所述深度学习模型包括:
第一卷积层,包括两个卷积层,每一个卷积层为多个3*3的卷积核,对包含非机动车道的输入图像进行卷积操作,获得第一图像特征;
第一池化层,接收所输入的第一图像特征,并对所述第一图像特征进行压缩;
第二卷积层,包括三个卷积层,每一个卷积层为多个3*3的卷积核,对包含非机动车道的输入图像进行卷积操作,获得第二图像特征;
第二池化层,接收所输入的第二图像特征,并对所述第二图像特征进行压缩;
第三卷积层,包括二个卷积层,每一个卷积层为多个3*3的卷积核,对包含非机动车道的输入图像进行卷积操作,获得第三图像特征;
第三池化层,接收所输入的第三图像特征,并对所述第三图像特征进行压缩;
所述第一卷积层与上采样层相连逆卷积层后接一个向上采样层,每一个卷积层与激活函数相连,第二卷积层后接一个向上采样层,采用上采样层进行内容复制并扩充特征映射图;
接收原始车道图片,通过多个卷积层提取车道区域特征信息,以及经过上采样层进行填充处理,获得与行人距离最小的车辆,并获得车辆是否为减速状态的结果。
3.根据权利要求1或2所述的基于深度学习的动态交通斑马线内不礼让行人识别方法,其特征在于,所述将编号后的分割图像分别输入至深度学习模型中的步骤,包括:
将分割后图像输入深度学习模型中,判定所述分割后图像中各像素点的类别并赋予类别标签,得到分割出车道区域的各分割后图像,其中,所述类别标签包括减速状态和非减速状态。
4.根据权利要求3所述的基于深度学习的动态交通斑马线内不礼让行人识别方法,其特征在于,所述深度学习模型的识别过程包括的步骤,包括:
根据所述类别标签,获取每一分割后图像中每一个像素点所对应的类别标签;
统计该分割后图像中,每一个类别标签的数量;
获取所述数量的最大值;
将该最大值对应的类别标签确定为该分割后图像做对应的区域;
获取类别标签为非减速状态的车辆,并识别该车辆的车牌号。
5.根据权利要求2所述的基于深度学习的动态交通斑马线内不礼让行人识别方法,其特征在于,所述深度学习模型的训练方法包括:
从分割后图像中随机选取第一数量张图像输入卷积神经网络中,第一数量为正整数,其中,第一数量张图像包含正样本和负样本,其中,正样本为不礼让行人的图像、负样本为礼让行人的图像;
通过所述卷积神经网络提取所述第一数量分割后图像的特征;
根据提取的特征将所述第一数量分割后图像划分为减速状态和非减速状态,得到区域划分结果;
根据所述区域划分结果调整所述卷积神经网络的参数。
6.根据权利要求5所述的基于深度学习的动态交通斑马线内不礼让行人识别方法,其特征在于,所述方法还包括:
从分割后图像中随机选取第二数量张图像输入卷积神经网络中进行测试;
通过所述卷积神经网络获得所述第二数量分割后图像中每一个图像的分类结果;
根据分类结果确定划分正确的样本数量,并获取分类正确率;
在分类正确率不小于预设阈值的情况下,并基于当前该卷积神经网络的参数确定为深度学习模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910981853.0A CN111008554B (zh) | 2019-10-16 | 2019-10-16 | 一种基于深度学习的动态交通斑马线内不礼让行人识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910981853.0A CN111008554B (zh) | 2019-10-16 | 2019-10-16 | 一种基于深度学习的动态交通斑马线内不礼让行人识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008554A true CN111008554A (zh) | 2020-04-14 |
CN111008554B CN111008554B (zh) | 2024-02-02 |
Family
ID=70111235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910981853.0A Active CN111008554B (zh) | 2019-10-16 | 2019-10-16 | 一种基于深度学习的动态交通斑马线内不礼让行人识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008554B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111653125A (zh) * | 2020-05-28 | 2020-09-11 | 长安大学 | 一种无人驾驶汽车斑马线礼让行人模式的确定方法 |
CN111695409A (zh) * | 2020-04-24 | 2020-09-22 | 合肥湛达智能科技有限公司 | 一种基于嵌入式终端的深度学习不礼让斑马线检测方法 |
CN112686136A (zh) * | 2020-12-29 | 2021-04-20 | 上海高德威智能交通系统有限公司 | 一种对象检测方法、装置及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592450A (zh) * | 2012-02-22 | 2012-07-18 | 杭州海康威视数字技术股份有限公司 | 机动车斑马线不礼让行人行为抓拍系统及其方法 |
CN107730906A (zh) * | 2017-07-11 | 2018-02-23 | 银江股份有限公司 | 斑马线车辆不礼让行人行为的视觉检测系统 |
WO2018064874A1 (zh) * | 2016-10-09 | 2018-04-12 | 无锡职业技术学院 | 机动车礼让指示器 |
CN109493609A (zh) * | 2018-12-11 | 2019-03-19 | 杭州炬视科技有限公司 | 一种便携式未礼让行人自动识别抓拍的装置和方法 |
CN109712406A (zh) * | 2019-02-12 | 2019-05-03 | 合肥极光科技股份有限公司 | 一种行人闯红灯及机动车不礼让行人监控抓拍系统 |
CN109871909A (zh) * | 2019-04-16 | 2019-06-11 | 京东方科技集团股份有限公司 | 图像识别方法及装置 |
WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
CN110163041A (zh) * | 2018-04-04 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 视频行人再识别方法、装置及存储介质 |
-
2019
- 2019-10-16 CN CN201910981853.0A patent/CN111008554B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592450A (zh) * | 2012-02-22 | 2012-07-18 | 杭州海康威视数字技术股份有限公司 | 机动车斑马线不礼让行人行为抓拍系统及其方法 |
WO2018064874A1 (zh) * | 2016-10-09 | 2018-04-12 | 无锡职业技术学院 | 机动车礼让指示器 |
CN107730906A (zh) * | 2017-07-11 | 2018-02-23 | 银江股份有限公司 | 斑马线车辆不礼让行人行为的视觉检测系统 |
WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
CN110163041A (zh) * | 2018-04-04 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 视频行人再识别方法、装置及存储介质 |
CN109493609A (zh) * | 2018-12-11 | 2019-03-19 | 杭州炬视科技有限公司 | 一种便携式未礼让行人自动识别抓拍的装置和方法 |
CN109712406A (zh) * | 2019-02-12 | 2019-05-03 | 合肥极光科技股份有限公司 | 一种行人闯红灯及机动车不礼让行人监控抓拍系统 |
CN109871909A (zh) * | 2019-04-16 | 2019-06-11 | 京东方科技集团股份有限公司 | 图像识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
李晓燃;: "基于深度学习的倾斜车牌矫正识别" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695409A (zh) * | 2020-04-24 | 2020-09-22 | 合肥湛达智能科技有限公司 | 一种基于嵌入式终端的深度学习不礼让斑马线检测方法 |
CN111695409B (zh) * | 2020-04-24 | 2024-02-02 | 合肥湛达智能科技有限公司 | 一种基于嵌入式终端的深度学习不礼让斑马线检测方法 |
CN111653125A (zh) * | 2020-05-28 | 2020-09-11 | 长安大学 | 一种无人驾驶汽车斑马线礼让行人模式的确定方法 |
CN111653125B (zh) * | 2020-05-28 | 2021-09-28 | 长安大学 | 一种无人驾驶汽车斑马线礼让行人模式的确定方法 |
CN112686136A (zh) * | 2020-12-29 | 2021-04-20 | 上海高德威智能交通系统有限公司 | 一种对象检测方法、装置及系统 |
CN112686136B (zh) * | 2020-12-29 | 2023-04-18 | 上海高德威智能交通系统有限公司 | 一种对象检测方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111008554B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991221B (zh) | 一种基于深度学习的动态交通闯红灯识别方法 | |
WO2019223586A1 (zh) | 车位使用状况的检测方法、装置、电子设备及存储介质 | |
CN110909598B (zh) | 一种基于深度学习的非机动车道交通违法行驶识别方法 | |
CN106373426B (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN105373794B (zh) | 一种车牌识别方法 | |
CN109637151B (zh) | 一种高速公路应急车道违章行驶的识别方法 | |
CN111008554B (zh) | 一种基于深度学习的动态交通斑马线内不礼让行人识别方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN105335710A (zh) | 一种基于多级分类器的精细车辆型号识别方法 | |
CN108268867B (zh) | 一种车牌定位方法及装置 | |
CN112329881B (zh) | 车牌识别模型训练方法、车牌识别方法及装置 | |
CN106886778B (zh) | 一种监控场景下车牌字符分割与识别方法 | |
CN104766042A (zh) | 交通标志板识别方法及装置 | |
CN114332513B (zh) | 一种面向智慧城市的新能源汽车异常停放大数据检测方法 | |
CN102880859A (zh) | 一种车牌识别方法 | |
CN109657664A (zh) | 一种车牌类型的识别方法、装置及电子设备 | |
CN111435446A (zh) | 一种基于LeNet车牌识别方法及装置 | |
CN112712057A (zh) | 交通信号识别方法、装置、电子设备及存储介质 | |
CN113205107A (zh) | 一种基于改进高效率网络的车型识别方法 | |
CN111524121A (zh) | 一种基于机器视觉技术的路桥病害自动检测方法 | |
Sahu et al. | A comparative analysis of deep learning approach for automatic number plate recognition | |
CN107392115B (zh) | 一种基于分层特征提取的交通标志识别方法 | |
CN113158954A (zh) | 交通非现场的基于ai技术的斑马线区域自动检测方法 | |
CN111199228B (zh) | 一种车牌定位的方法及装置 | |
TWI498830B (zh) | 不均勻光線下的車牌辨識方法及系統 |
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 |