CN111079543A - 一种基于深度学习的高效车辆颜色识别方法 - Google Patents
一种基于深度学习的高效车辆颜色识别方法 Download PDFInfo
- Publication number
- CN111079543A CN111079543A CN201911143268.XA CN201911143268A CN111079543A CN 111079543 A CN111079543 A CN 111079543A CN 201911143268 A CN201911143268 A CN 201911143268A CN 111079543 A CN111079543 A CN 111079543A
- Authority
- CN
- China
- Prior art keywords
- feature
- color
- vehicle
- depth
- information
- 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 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 2
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 abstract 1
- 238000010223 real-time analysis Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 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
- G06V20/58—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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的高效车辆颜色识别方法。它包括:将车辆图像的测试样本与训练样本归一化到224×224像素;使用训练样本训练卷积神经网络,提取车辆图像的深层颜色特征信息;使用深层颜色特征训练分类器识别测试样本的车辆颜色,通过车辆颜色识别可以更好的用于车辆的识别和追踪,可以为快速行动的执法提供直观的视觉提示,为视频监控和执法部门提供了重大的帮助。本发明能够提高车辆颜色识别的准确率,精简结构参数,缩减模型内存体积,实现在CPU设备上实时分析,适用于低性能设备的车辆颜色检测。
Description
技术领域
本发明属于智能交通技术领域,具体涉及一种基于深度学习的高效车辆颜色识别方法,它是通过卷积神经网络实现高效车辆颜色识别。
背景技术
随着我国交通事业的迅速发展,道路摄像头所采集的车辆视频信息形成了海量的数据存储。汽车颜色识别可以更好的用于车辆的识别和追踪,可以为快速行动的执法提供直观的视觉提示。目前,汽车的颜色识别成为了智慧交通的重要研究任务,为视频监控和执法部门提供了重大的帮助。
但是在复杂的交通监控场景中,受照明变化、天气等因素影响,传统的算法很难达到更好的识别效果。另外,在交通监控检测的场景下,检测算法必须达到实时性的要求。
目前涉及车辆颜色识别的方法有:发明专利(申请号:CN201510108662.5,名称:一种基于显著性检测和颜色直方图模型的车辆识别方法)基于局部特征的显著性检测方法从场景图像中提取显著性区域作为候选区域,统计HSV中H分量的直方图分布情况,将含有两个主要颜色等级分量的候选区确定为车辆区域。由于其受限于局部特征,容易受到图像场景噪音的影响,准确度仍需要提升;发明专利(申请号:CN201710165620.4,名称:一种基于深度学习的车辆颜色识别方法与装置)利用残差结构和Inception结构组合构建深度神经网络。虽然该方法可以达到较高的识别精度,但是其结构过于复杂因而会出现参数冗余,且对设备的性能要求高,无法在CPU设备上达到实时的运行效果。
虽然在自然场景下的车辆颜色识别准确率逐年升高,但是复杂的网络层次出现了参数冗余,无法达到实时的识别效果。尤其是在嵌入式设备上,复杂的网络结构对检测设备的存储、内存要求较高,对GPU设备有较大的依赖性。
综上所述,当前类似的方案都未能解决如何在低性能嵌入式设备上实现高效、准确的识别车辆颜色的问题。
发明内容
为克服现有技术的上述缺点,本发明提供一种基于深度学习的高效车辆颜色识别方法,能够降低网络的冗余,减小对设备内存的消耗,并且能够在CPU环境下提高车辆颜色识别的准确率和运行速率。
所述的一种基于深度学习的高效车辆颜色识别方法,其特征在于包括如下步骤:
步骤1:将车辆图像的测试样本与训练样本归一化到224×224像素;
步骤2:利用训练样本进行卷积神经网络模型训练,提取车辆图像的深层颜色特征信息:
步骤3:通过式(1)对特征向量进行归一化,得到不同类别颜色的概率分布;
其中,γj表示上述步骤获取的不同颜色类别的特征向量,j表示颜色类别索引,C表示总的颜色类别个数;
步骤4:根据步骤3获取的不同车辆颜色类别的概率列表,并输出最大概率的车辆颜色类别,即为识别出的车辆样本图像中的车辆颜色。
所述的一种基于深度学习的高效车辆颜色识别方法,其特征在于步骤2中的利用训练样本进行卷积神经网络模型训练,提取车辆图像的深层颜色特征信息的具体过程为:
步骤2.1:使用3×3卷积核在特征维度上进行卷积操作,融合图像空间位置信息到低尺度特征图,并从3通道增加特征通道深度到32通道;
步骤2.2:将不同深度特征信息通过式(2)的ReLu公式进行激活操作:
其中,yi表示特征向量的值,f(yi)表示激活后的特征向量;
步骤2.3:将激活后的特征图通过式(3)-(6)进行Batch Normalization操作并融合为深层的颜色特征;
其中,表示小批次训练的样本集,m表示小批次训练的样本数量,xi表示激活后的特征向量,表示样本均值,表示标准差,∈表示附加到小批量数据方差上的常量,表示归一化后的特征向量,γ和β表示为偏移量,yi表示变换后的归一化向量;
步骤2.4:将步骤2.1)-步骤2.3)获得的特征图送入级联旁路特征的倒转残差结构中,经过多次特征提取获得深度颜色特征作为下层输入;
步骤2.5:将倒转残差结构中的旁路结构的1×1卷积核替换为3×3卷积核,实现降采样的同时提取深度颜色特征;
步骤2.6:重复执行4次步骤2.4和步骤2.5得到提取后的深度颜色特征信息;
步骤2.7:对在深度颜色特征全局邻域内的特征点做平均池化操作,扩大特征图的感受野,输出融合特征信息的特征向量,即提取到车辆图像的深层颜色特征信息。
所述的一种基于深度学习的高效车辆颜色识别方法,其特征在于步骤2.4中的特征图送入级联旁路特征的倒转残差结构中,经过多次特征提取获得深度颜色特征作为下层输入的具体过程为:
步骤2.4.1:通过1×1卷积核扩张通道深度,增大不同通道之间的空间相关性连接,获得具有丰富通道间信息的深度特征图,并使用步骤2.2激活和步骤2.3归一化;
步骤2.4.2:将步骤2.4.1获得的深度特征图进行3×3卷积核的组卷积操作,对组内通道特征进行随机稀疏连接,降低卷积操作的连接密度和参数复杂度,并使用步骤2.2激活和步骤2.3归一化;
步骤2.4.3:再通过1×1卷积将通道数降低,复原特征信息的通道深度,避免提取的特征出现冗余;
步骤2.4.4:同时将输入到步骤2.4.1的原始特征图再送入1×1卷积核的滤波器获取丰富空间相关信息的特征图,并使用步骤2.2激活和步骤2.3归一化;
步骤2.4.5:将步骤2.4.3获取的特征图和步骤2.4.4获得的特征图进行级联操作,融合成包含丰富维度的深度颜色特征信息;
步骤2.4.6:将步骤2.4.5获得的深度特征图进行混洗操作,调整深度特征图的通道排列顺序,增加通道间信息的交流,使组内特征信息得到丰富,增加空间相关性的表达能力。
通过采用上述技术,与现有技术相比,本发明的有益效果如下:本发明通过深度学习自动提取特征,避免手工设计特征区域的局限性,更能克服车辆图片复杂环境噪音的干扰,并且能通过精简的网络参数,减小对设备内存、存储的占用,在CPU环境下达到准确高效的识别车辆的颜色。
附图说明
图1为本发明的实施例选取的车辆颜色图像;
图2为据本发明实施例的一种基于深度学习的高效车辆颜色识别方法的示意图;
图3为根据本发明实施例的一种基于深度学习的高效车辆颜色识别方法中,级联旁路特征的倒转残差结构示意图;
图4为根据本发明实施例的一种基于深度学习的高效车辆颜色识别方法中,特征混洗操作的示意图。
具体实施方式
以下结合说明书附图及实施例对本发明作进一步的描述,但本发明的保护范围并不仅限于此:
本发明实施例的技术方案适用于对车辆样本图像进行车辆颜色识别的应用场景,采用本发明的技术方案,可以克服光照的环境影响,减小对设备内存的消耗,并且能够在CPU环境下准确高效的识别出车辆样本图像中的车辆颜色。
如1-4图所示,本发明的一种基于深度学习的高效车辆颜色识别方法,包括以下步骤:
步骤1:将如图1所示的车辆图像的测试样本与训练样本归一化到224×224像素;
步骤2:利用训练样本进行卷积神经网络模型训练,提取车辆图像的深层颜色特征信息,具体为:
步骤2.1:使用3×3卷积核在特征维度上进行随机和稀疏连接,融合图像空间位置信息到低尺度特征图,并从3通道增加特征通道深度到32通道;
步骤2.2:将不同深度特征信息通过式(7)的ReLu公式进行激活操作:
其中,yi表示特征向量的值,f(yi)表示激活后的特征向量;
步骤2.3:将激活后的特征图通过式(8)-(11)进行Batch Normalization操作并融合为深层的颜色特征;
其中,表示小批次训练的样本集,m表示小批次训练的样本数量,xi表示激活后的特征向量,f(yi)输入到xi中,表示样本均值,表示标准差,∈表示附加到小批量数据方差上的常量,表示归一化后的特征向量,γ和β表示为偏移量,yi表示变换后的归一化向量;
步骤2.4:将步骤2.1)-步骤2.3)获得的特征图送入级联旁路特征的倒转残差结构中,经过多次特征提取获得深度颜色特征作为下层输入,如图3所示,具体为:
步骤2.4.1:通过1×1卷积核扩张通道深度,增大不同通道之间的空间相关性连接,获得具有丰富通道间信息的深度特征图,并使用步骤2.2激活和步骤2.3归一化;
步骤2.4.2:将步骤2.4.1获得的深度特征图进行3×3卷积核的组卷积操作,对组内通道特征进行随机稀疏连接,降低卷积操作的连接密度和参数复杂度,并使用步骤2.2激活和步骤2.3归一化;
步骤2.4.3:再通过1×1卷积将通道数降低,复原特征信息的通道深度,避免提取的特征出现冗余;
步骤2.4.4:同时将输入到步骤2.4.1的原始特征图再送入1×1卷积核的滤波器获取丰富空间相关信息的特征图,并使用步骤2.2激活和步骤2.3归一化;
步骤2.4.5:将步骤2.4.3获取的特征图进行级联操作,融合成包含丰富维度的深度颜色特征信息;
步骤2.4.6:将步骤2.4.5获得的深度特征图进行混洗操作,调整深度特征图的通道排列顺序,增加通道间信息的交流,使组内特征信息得到丰富,增加空间相关性的表达能力,如图4所示;
步骤2.5:将2.4.4中的1×1卷积核替换为3×3卷积核,并执行步骤2.4,实现降采样的同时提取深度颜色特征;
步骤2.6:重复执行4次步骤2.4和步骤2.5得到提取后的深度颜色特征信息;
步骤2.7:对在深度颜色特征全局邻域内的特征点做平均池化操作,扩大特征图的感受野,输出融合特征信息的特征向量,即提取到车辆图像的深层颜色特征信息;
步骤3:通过式(12)对特征向量进行归一化,得到不同类别颜色的概率分布;
其中,γj表示上述步骤获取的不同颜色类别的特征向量,j表示颜色类别索引,C表示总的颜色类别个数;
步骤4:根据上述步骤获取的不同车辆颜色类别的概率列表,并输出最大概率的车辆颜色类别,即为识别出的车辆样本图像中的车辆颜色。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (3)
2.根据权利要求1所述的一种基于深度学习的高效车辆颜色识别方法,其特征在于步骤2中的利用训练样本进行卷积神经网络模型训练,提取车辆图像的深层颜色特征信息的具体过程为:
步骤2.1:使用3×3卷积核在特征维度上进行卷积操作,融合图像空间位置信息到低尺度特征图,并从3通道增加特征通道深度到32通道;
步骤2.2:将不同深度特征信息通过式(2)的ReLu公式进行激活操作:
其中,yi表示特征向量的值,f(yi)表示激活后的特征向量;
步骤2.3:将激活后的特征图通过式(3)-(6)进行Batch Normalization操作并融合为深层的颜色特征;
其中,表示小批次训练的样本集,m表示小批次训练的样本数量,xi表示激活后的特征向量,表示样本均值,表示标准差,∈表示附加到小批量数据方差上的常量,表示归一化后的特征向量,γ和β表示为偏移量,yi表示变换后的归一化向量;
步骤2.4:将步骤2.1)-步骤2.3)获得的特征图送入级联旁路特征的倒转残差结构中,经过多次特征提取获得深度颜色特征作为下层输入;
步骤2.5:将倒转残差结构中的旁路结构的1×1卷积核替换为3×3卷积核,实现降采样的同时提取深度颜色特征;
步骤2.6:重复执行4次步骤2.4和步骤2.5得到提取后的深度颜色特征信息;
步骤2.7:对在深度颜色特征全局邻域内的特征点做平均池化操作,扩大特征图的感受野,输出融合特征信息的特征向量,即提取到车辆图像的深层颜色特征信息。
3.根据权利要求2所述的一种基于深度学习的高效车辆颜色识别方法,其特征在于步骤2.4中的特征图送入级联旁路特征的倒转残差结构中,经过多次特征提取获得深度颜色特征作为下层输入的具体过程为:
步骤2.4.1:通过1×1卷积核扩张通道深度,增大不同通道之间的空间相关性连接,获得具有丰富通道间信息的深度特征图,并使用步骤2.2激活和步骤2.3归一化;
步骤2.4.2:将步骤2.4.1获得的深度特征图进行3×3卷积核的组卷积操作,对组内通道特征进行随机稀疏连接,降低卷积操作的连接密度和参数复杂度,并使用步骤2.2激活和步骤2.3归一化;
步骤2.4.3:再通过1×1卷积将通道数降低,复原特征信息的通道深度,避免提取的特征出现冗余;
步骤2.4.4:同时将输入到步骤2.4.1的原始特征图再送入1×1卷积核的滤波器获取丰富空间相关信息的特征图,并使用步骤2.2激活和步骤2.3归一化;
步骤2.4.5:将步骤2.4.3获取的特征图和步骤2.4.4获得的特征图进行级联操作,融合成包含丰富维度的深度颜色特征信息;
步骤2.4.6:将步骤2.4.5获得的深度特征图进行混洗操作,调整深度特征图的通道排列顺序,增加通道间信息的交流,使组内特征信息得到丰富,增加空间相关性的表达能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143268.XA CN111079543B (zh) | 2019-11-20 | 2019-11-20 | 一种基于深度学习的高效车辆颜色识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143268.XA CN111079543B (zh) | 2019-11-20 | 2019-11-20 | 一种基于深度学习的高效车辆颜色识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079543A true CN111079543A (zh) | 2020-04-28 |
CN111079543B CN111079543B (zh) | 2022-02-15 |
Family
ID=70311304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911143268.XA Active CN111079543B (zh) | 2019-11-20 | 2019-11-20 | 一种基于深度学习的高效车辆颜色识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079543B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489129A (zh) * | 2020-12-18 | 2021-03-12 | 深圳市优必选科技股份有限公司 | 位姿识别模型训练方法、装置、位姿识别方法和终端设备 |
CN112507801A (zh) * | 2020-11-14 | 2021-03-16 | 武汉中海庭数据技术有限公司 | 车道路面数字颜色识别方法、限速信息识别方法及系统 |
CN113065521A (zh) * | 2021-04-26 | 2021-07-02 | 北京航空航天大学杭州创新研究院 | 物体识别方法、装置、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067011A (zh) * | 2017-03-20 | 2017-08-18 | 北京邮电大学 | 一种基于深度学习的车辆颜色识别方法与装置 |
CN109508636A (zh) * | 2018-10-08 | 2019-03-22 | 百度在线网络技术(北京)有限公司 | 车辆属性识别方法、装置、存储介质及电子设备 |
CN109886079A (zh) * | 2018-12-29 | 2019-06-14 | 杭州电子科技大学 | 一种车辆检测与跟踪方法 |
CN110147794A (zh) * | 2019-05-21 | 2019-08-20 | 东北大学 | 一种基于深度学习的无人车室外场景实时分割方法 |
US20190278994A1 (en) * | 2018-03-08 | 2019-09-12 | Capital One Services, Llc | Photograph driven vehicle identification engine |
CN110378236A (zh) * | 2019-06-20 | 2019-10-25 | 西安电子科技大学 | 基于深度学习的车辆身份识别模型构建、识别方法和系统 |
AU2019101133A4 (en) * | 2019-09-30 | 2019-10-31 | Bo, Yaxin MISS | Fast vehicle detection using augmented dataset based on RetinaNet |
CN110458084A (zh) * | 2019-08-06 | 2019-11-15 | 南京邮电大学 | 一种基于倒置残差网络的人脸年龄估计方法 |
CN110458077A (zh) * | 2019-08-05 | 2019-11-15 | 高新兴科技集团股份有限公司 | 一种车辆颜色识别方法及系统 |
-
2019
- 2019-11-20 CN CN201911143268.XA patent/CN111079543B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067011A (zh) * | 2017-03-20 | 2017-08-18 | 北京邮电大学 | 一种基于深度学习的车辆颜色识别方法与装置 |
US20190278994A1 (en) * | 2018-03-08 | 2019-09-12 | Capital One Services, Llc | Photograph driven vehicle identification engine |
CN109508636A (zh) * | 2018-10-08 | 2019-03-22 | 百度在线网络技术(北京)有限公司 | 车辆属性识别方法、装置、存储介质及电子设备 |
CN109886079A (zh) * | 2018-12-29 | 2019-06-14 | 杭州电子科技大学 | 一种车辆检测与跟踪方法 |
CN110147794A (zh) * | 2019-05-21 | 2019-08-20 | 东北大学 | 一种基于深度学习的无人车室外场景实时分割方法 |
CN110378236A (zh) * | 2019-06-20 | 2019-10-25 | 西安电子科技大学 | 基于深度学习的车辆身份识别模型构建、识别方法和系统 |
CN110458077A (zh) * | 2019-08-05 | 2019-11-15 | 高新兴科技集团股份有限公司 | 一种车辆颜色识别方法及系统 |
CN110458084A (zh) * | 2019-08-06 | 2019-11-15 | 南京邮电大学 | 一种基于倒置残差网络的人脸年龄估计方法 |
AU2019101133A4 (en) * | 2019-09-30 | 2019-10-31 | Bo, Yaxin MISS | Fast vehicle detection using augmented dataset based on RetinaNet |
Non-Patent Citations (3)
Title |
---|
AIHUA ZHENG 等: "Attributes Guided Feature Learning for Vehicle Re-identification", 《ARXIV》 * |
MARK SANDLER等: "MobileNetV2: Inverted Residuals and Linear Bottlenecks", 《ARXIV》 * |
张文辉: "基于深度学习的监控视频车辆实时监测", 《软件导刊》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507801A (zh) * | 2020-11-14 | 2021-03-16 | 武汉中海庭数据技术有限公司 | 车道路面数字颜色识别方法、限速信息识别方法及系统 |
CN112489129A (zh) * | 2020-12-18 | 2021-03-12 | 深圳市优必选科技股份有限公司 | 位姿识别模型训练方法、装置、位姿识别方法和终端设备 |
CN113065521A (zh) * | 2021-04-26 | 2021-07-02 | 北京航空航天大学杭州创新研究院 | 物体识别方法、装置、设备及介质 |
CN113065521B (zh) * | 2021-04-26 | 2024-01-26 | 北京航空航天大学杭州创新研究院 | 物体识别方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111079543B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188705B (zh) | 一种适用于车载系统的远距离交通标志检测识别方法 | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
CN111460968B (zh) | 基于视频的无人机识别与跟踪方法及装置 | |
CN111079543B (zh) | 一种基于深度学习的高效车辆颜色识别方法 | |
CN106650731B (zh) | 一种鲁棒的车牌、车标识别方法 | |
CN108090906B (zh) | 一种基于区域提名的宫颈图像处理方法及装置 | |
CN105868700A (zh) | 一种基于监控视频的车型识别与跟踪方法及系统 | |
CN111160205B (zh) | 一种交通场景嵌入式多类目标端对端统一检测方法 | |
CN109409384A (zh) | 基于细粒度图像的图像识别方法、装置、介质及设备 | |
CN111738114B (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
CN113255837A (zh) | 工业环境下基于改进的CenterNet网络目标检测方法 | |
CN110717493B (zh) | 一种基于深度学习的含堆叠字符的车牌识别方法 | |
CN111461039A (zh) | 基于多尺度特征融合的地标识别方法 | |
CN110826415A (zh) | 一种场景图像中车辆的重识别方法及设备 | |
CN110852327A (zh) | 图像处理方法、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 | |
CN110555125A (zh) | 一种基于局部特征的车辆检索方法 | |
CN113449676B (zh) | 一种基于双路互促进解纠缠学习的行人重识别方法 | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
CN111310820A (zh) | 基于交叉验证深度cnn特征集成的地基气象云图分类方法 | |
CN114022703A (zh) | 一种基于深度学习的高效车辆细粒度识别方法 | |
CN114037886A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN113505640A (zh) | 一种基于多尺度特征融合的小尺度行人检测方法 | |
CN117612136A (zh) | 一种基于增量小样本学习的自动驾驶目标检测方法 | |
CN112149496A (zh) | 一种基于卷积神经网络的实时道路场景分割方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231227 Address after: NO.160 Yuele West Street, Lucheng District, Wenzhou City, Zhejiang Province 325000 Patentee after: SENKEN GROUP Co.,Ltd. Address before: No.18 Chaowang Road, Chaohui 6 District, Xiacheng District, Hangzhou City, Zhejiang Province Patentee before: JIANG University OF TECHNOLOGY |