CN111126303A - 一种面向智能停车的多车位检测方法 - Google Patents

一种面向智能停车的多车位检测方法 Download PDF

Info

Publication number
CN111126303A
CN111126303A CN201911363240.7A CN201911363240A CN111126303A CN 111126303 A CN111126303 A CN 111126303A CN 201911363240 A CN201911363240 A CN 201911363240A CN 111126303 A CN111126303 A CN 111126303A
Authority
CN
China
Prior art keywords
parking
model
training
space detection
default
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
Application number
CN201911363240.7A
Other languages
English (en)
Other versions
CN111126303B (zh
Inventor
黎海涛
王胜果
申保晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201911363240.7A priority Critical patent/CN111126303B/zh
Publication of CN111126303A publication Critical patent/CN111126303A/zh
Application granted granted Critical
Publication of CN111126303B publication Critical patent/CN111126303B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种面向智能停车的多车位检测方法。首先，制作训练多车位检测模型所需的数据集，并对数据样本进行增强处理。然后对Resnet网络结构进行优化，即把Resnet网络结构中的线性整流函数(ReLU)替换为带参数的线性整流函数，并把批量归一化(BN)和带参数的线性整流函数置于权重层之前，基于该优化的Resnet网络构建全卷积神经网络模型。最后，基于制作的数据集对所构建的全卷积神经网络模型进行训练，并利用训练所得的模型对采集的停车场图像进行多车位检测，以获得车位检测结果。本发明提高了基于图像的多车位检测精度，满足了智能停车系统中实时车位检测需求。

Description

一种面向智能停车的多车位检测方法
技术领域
本发明涉及智能停车系统技术领域，是一种针对停车场中多车位检测的方法。
背景技术
目前，在大型露天停车场的多车位出口处能够了解到总体车位占用情况，但很少能具体精确到每个车位的占用信息。多车位检测技术的进步是解决这一问题的关键。在节约社会资源享受科技生活同时，还能不断提高人们出行的便利性，进而节省更多的个人时间。多车位检测技术应用于智能交通停车系统中，在促进停车场车位利用率、提高停车场管理效率、缓解交通压力、节省驾驶员时间、减少污染、为国家交通环节中的道路管理和交通控制提供强大的数据支持等方面具有重要的现实意义。
现有的多车位检测技术大致有两类：一种是基于RCNN系列算法的多车位检测方法；另一种是基于YOLO算法的多车位检测方法。RCNN系列算法通过选择性搜索或者RPN网络产生一系列稀疏的候选框，然后对这些候选框进行分类和回归，此系列方法检测速度极慢，无法满足现实中多车位情况下车位状况能够及时更新的实时性要求。YOLO算法在多车位检测中，回归框定位不精准，检测精度不高，在多车位检测中经常出现漏判和误判等问题。因此，本发明提出了一种面向智能停车的多车位检测方法，在满足检测精度要求的同时还有较好的实时性。
发明内容
本发明要解决的技术问题是在智能停车系统中，如何提高停车场中多车位检测技术的实时性和检测精度。
本发明的基本原理为：首先，采集不同场景下的停车场图像制作数据集，同时为丰富图像数据集且更好地获取各类图像特征、提高模型的泛化能力，对采集的样本数据进行增强处理。然后，基于优化的Resnet101网络构建全卷积神经网络模型。进一步，基于所制作的数据集对所构建的全卷积神经网络模型进行训练。最后，实时采集停车场图像，利用完成训练的全卷积神经网络模型对采集图像进行多车位检测，获得当前多车位检测结果。
本发明提出的一种面向智能停车的多车位检测方法，具体实现步骤如下：
步骤(1)：利用图像采集系统，在不同场景条件下采集停车场图像，制作训练模型所需的数据集；
步骤(2)：在训练数据集中随机抽取图片进行随机旋转、随机调整图片的属性，如亮度、对比度、色相等，对数据样本进行增强处理，使得模型可以识别不同场景下的车位情况，用以增强模型的泛化能力；
步骤(3)：基于优化后的Resnet101网络构建全卷积神经网络模型；Resnet101网络由一个卷积层、33个Resnet残差学习模块、一个全连接层组成。Resnet残差学习模块由权重层、批量归一化、线性整流函数(ReLU)等三部分组成；
步骤(3.1)：对Resnet残差学习模块进行优化，在Resnet残差学习模块中，采用带参数的线性整流函数(PReLU)作为其激活函数，并将PReLU和批量归一化(BN)置于权重层之前，该前置处理能够提高模型的正则化，防止发生过拟合现象；
步骤(3.2)：基于优化后的残差学习模块构建Resnet101网络，并将其最后的全连接层改为卷积层；
步骤(3.3):在Resnet101网络之后添加X层卷积层，得到各卷积层输出的特征图，并设置各个卷积层的卷积核大小为W×W和T×T两类，用于提取不同大小的多尺度特征图中隐含的高层次特征；
步骤(3.4):对大小为M×M特征图进行划分,共得M*M个单元，即特征图中的每一个像素点为一个单元，每个单元设置P个尺度和长宽比不同的默认框；
步骤(3.5):加入非极大值抑制算法，用于过滤掉重叠较大的预测框，得到准确的全卷积神经网络模型输出结果；
步骤(4)：基于步骤(1)制作的数据集对所构建的全卷积神经网络模型进行训练；
步骤(4.1):对图片中每个正确标记的边界框(ground truth)，找到与其交并比(IOU)最大的默认框，则该默认框与其匹配；对于未匹配的默认框，将其与每个正确标记的边界框比较，若所得IOU值大于阈值K，则此默认框与该正确标记的边界框相匹配；
步骤(4.2):令步骤(4.1)中与正确标记的边界框相匹配的默认框为正样本，不相匹配的默认框为负样本，并保证正负样本数量的平衡；
步骤(4.3):设置全卷积神经网络模型的损失函数，其为预测框相对于真实标记边界框的位置误差与置信度误差的加权和；
步骤(4.4)：设置模型的初始学习率、批处理参数、迭代次数训练参数值；
步骤(4.5)：对全卷积神经网络模型进行训练，直至设定的损失函数满足规定精度要求或者达到设定的迭代训练次数，则停止训练；
步骤(5)：将完成训练的多目标检测模型保存到服务器或其它硬件设备端；
步骤(6)：利用网络把采集到的停车场实时图像数据传送到服务器等设备端；
步骤(7)：服务器端利用训练得到的模型对采集到的图像进行多车位检测，以获得检测结果。
有益效果
本发明提出的一种面向智能停车的多车位检测方法，在满足检测实时性的同时其平均精确度(mAP)相较于传统目标检测方法有较大的提高，且由本方法所构建模型更容易训练，模型的泛化能力更强。
附图说明
图1面向智能停车的多车位目标检测方法实施步骤
图2数据集图片
图3优化前的Resnet残差学习模块
图4优化后的Resnet残差学习模块
图5特征图中单元的默认框
图6多车位检测结果图
具体实施方式
以该检测模型在停车场中对多车位的实际检测为例，并结合附图说明本发明所提供方法的具体实施步骤,如附图1：
步骤(1)：制作训练模型所需的数据集MSPSD_DT，数据集中图片如附图2所示。该数据集共有12000张图片，每张图片包括2类图像分别是被占用车位和空车位。综合了PKLot数据集与实际外景车位拍摄采集到的图像数据集，该数据集涵盖了不同角度，不同天气，不同停车场背景，不同摄像头拍摄，目标遮挡的多种类型停车场多车位图片，可以很好的提高训练集的多车位检测模型的鲁棒性。
步骤(2)：对样本数据进行增强处理，在训练数据集中随机抽取图片，进行随机旋转；并对数据的亮度、对比度、色相等进行随机调整，使模型可以识别不同角度的车位情况，增强模型的泛化能力；
步骤(3)：基于优化后的Resnet101网络构建全卷积神经网络模型；Resnet101网络由一个卷积层、33个Resnet残差学习模块、一个全连接层组成。Resnet残差学习模块由权重层、批量归一化、线性整流函数(ReLU)等三部分组成，如附图3所示；
步骤(3.1)：对Resnet残差学习模块进行优化，在Resnet残差学习模块中，采用带参数的线性整流函数(PReLU)作为其激活函数，并将PReLU和批量归一化(BN)置于权重层之前，如附图4所示，该前置处理能够提高模型的正则化，防止发生过拟合现象；
步骤(3.2)：基于优化后的残差学习模块构建Resnet101网络，并将其最后的全连接层改为卷积层；
步骤(3.3):在Resnet101网络之后添加5层卷积层，得到各卷积层输出的特征图，并设置多层卷积层的卷积核大小为3×3和1×1两类，用于提取不同大小的多尺度特征图中隐含的高层次特征；对于300×300大小的输入图像，Resnet101网络的输出加上之后5层卷积层共提取6个特征图，其大小分别为38×38、19×19、10×10、5×5、3×3、1×1；
步骤(3.4):特征图中的每一个单元设置5个尺度和长宽比不同的默认框，如附图5所示，特征图中单元的默认框即图中虚线框；预测的边界框以这些默认框为基准，默认框尺度Sk按如下规则设置：
Figure BDA0002336276370000061
Sk表示默认框大小相对于图片的比例，令m＝5，Smin＝0.2，Smax＝0.9，对于Resnet101之后的卷积层所提取的特征图而言，其默认框尺度按上述公式线性增加，但先将尺度比例扩大100倍，此时增长步长约为17，则S1＝0.2×100+17×0＝20
S2＝0.2×100+17×1＝37
S3＝0.2×100+17×2＝54
S4＝0.2×100+17×3＝71
S5＝0.2×100+17×4＝88
各个特征图的尺度便为
Figure BDA0002336276370000062
选取长宽比
Figure BDA0002336276370000071
依据
Figure BDA0002336276370000072
计算默认框的宽度和高度；
步骤(3.5):加入非极大值抑制算法，用于过滤掉重叠较大的预测框，得到准确的全卷积神经模型输出结果；
步骤(4)：基于步骤(1)制作的数据集MSPSD_DT对所构建的全卷积神经网络模型进行训练；
步骤(4.1):默认框匹配，首先对图片中每个正确标记的边界框(ground truth)，找到与其交并比(IOU)最大的默认框，则该默认框与其匹配；对于未匹配的默认框，若与某个正确标记的边界框(ground truth)的IOU大于阈值0.5，则此默认框与该正确标记的边界框相匹配；
步骤(4.2):令步骤(4.1)中与正确标记的边界框相匹配的默认框为正样本，不相匹配的默认框为负样本，并保证正负样本数量的平衡；
步骤(4.3):设置本方法模型的损失函数，其为预测框相对于真实标记边界框的位置误差与置信度误差的加权和；
Figure BDA0002336276370000073
其中N是先验框的正样本数量，x∈{1,0}为指示参数，当x＝1表示该先验框与真实标记边界框(ground truth)相匹配，c为类别置信度的预测值，l为先验框的所对应边界框的位置预测值，而g是ground truth的位置参数，权重系数α＝1；对于位置误差Lloc，采用平滑L1损失(Smooth L1 loss)；对于置信度误差Lconf，采用柔性最大值损失(Softmax loss)；
步骤(4.4)：设置模型的初始学习率为0.001、批处理参数为128、迭代次数为721；
步骤(4.5)：基于数据集MSPSD_DT对模型进行训练，直至设定的损失函数满足规定精度要求或者迭代训练次数达到721，则停止训练；
步骤(5)：把完成训练的多车位检测模型保存到服务器或其他硬件设备端；
步骤(6)：利用网络把采集到的停车场实时图像数据传送到服务器等设备端；
步骤(7)：服务器设备端利用训练得到的模型对采集到的图像进行多车位检测，获得车位检测结果，如附图6所示。

Claims (2)

1.一种面向智能停车的多车位检测方法，其特征在于：包括以下实现步骤：
步骤(1)：利用图像采集系统，在不同场景条件下采集停车场图像，制作训练模型所需的数据集；
步骤(2)：在训练数据集中随机抽取图片进行增强处理，用以增强模型的泛化能力；
步骤(3)：基于优化后的Resnet101网络构建全卷积神经网络模型；Resnet101网络由一个卷积层、33个Resnet残差学习模块、一个全连接层组成，其中，Resnet残差学习模块由权重层、批量归一化、线性整流函数(ReLU)三部分组成；
步骤(3.1)：对Resnet残差学习模块进行优化，在Resnet残差学习模块中，采用带参数的线性整流函数(PReLU)作为其激活函数，并将PReLU和批量归一化(BN)置于权重层之前，该前置处理能够提高模型的正则化，防止发生过拟合现象；
步骤(3.2)：基于优化后的残差学习模块构建Resnet101网络，并将其最后的全连接层改为卷积层；
步骤(3.3):在优化后的Resnet101网络之后添加X层卷积层，得到各卷积层输出的特征图，并设置各个卷积层的卷积核大小为W×W和T×T两类，用于提取不同大小的多尺度特征图中隐含的高层次特征；
步骤(3.4):对大小为M×M特征图进行划分,共得M*M个单元，即特征图中的每一个像素点为一个单元，每个单元设置P个尺度和长宽比不同的默认框；
步骤(3.5):加入非极大值抑制算法，用于过滤掉重叠较大的预测框，得到准确的全卷积神经网络模型输出结果；
步骤(4)：基于步骤(1)制作的数据集对所构建的全卷积神经网络模型进行训练；
步骤(4.1):对图片中每个正确标记的边界框(ground truth)，找到与其交并比(IOU)最大的默认框，则该默认框与其匹配；对于未匹配的默认框，将其与每个正确标记的边界框比较，若所得IOU值大于阈值K，则此默认框与该正确标记的边界框相匹配；
步骤(4.2):令步骤(4.1)中与正确标记的边界框相匹配的默认框为正样本，不相匹配的默认框为负样本，并保证正负样本数量的平衡；
步骤(4.3):设置全卷积神经网络模型的损失函数，其为预测框相对于真实标记边界框的位置误差与置信度误差的加权和；
步骤(4.4)：设置模型的初始学习率、批处理参数、迭代次数训练参数值；
步骤(4.5)：对全卷积神经网络模型进行训练，直至设定的损失函数满足规定精度要求或者达到设定的迭代训练次数，则停止训练；
步骤(5)：将完成训练的多目标检测模型保存到服务器或其它硬件设备端；
步骤(6)：利用网络把采集到的停车场实时图像数据传送到服务器等设备端；
步骤(7)：服务器端利用训练得到的模型对采集到的图像进行多车位检测，以获得检测结果。
2.根据权利要求所述的一种面向智能停车的多车位检测方法，其特征在于：步骤2中所述增强处理包括随机旋转、随机调整图片的属性，所述属性包括亮度、对比度、色相。
CN201911363240.7A 2019-12-25 2019-12-25 一种面向智能停车的多车位检测方法 Active CN111126303B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911363240.7A CN111126303B (zh) 2019-12-25 2019-12-25 一种面向智能停车的多车位检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911363240.7A CN111126303B (zh) 2019-12-25 2019-12-25 一种面向智能停车的多车位检测方法

Publications (2)

Publication Number Publication Date
CN111126303A true CN111126303A (zh) 2020-05-08
CN111126303B CN111126303B (zh) 2023-06-09

Family

ID=70502767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911363240.7A Active CN111126303B (zh) 2019-12-25 2019-12-25 一种面向智能停车的多车位检测方法

Country Status (1)

Country Link
CN (1) CN111126303B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111818449A (zh) * 2020-06-15 2020-10-23 华南师范大学 一种基于改进的人工神经网络的可见光室内定位方法
WO2021174877A1 (zh) * 2020-09-18 2021-09-10 平安科技（深圳）有限公司 基于智能决策的目标检测模型的处理方法、及其相关设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284669A (zh) * 2018-08-01 2019-01-29 辽宁工业大学 基于Mask RCNN的行人检测方法
US20190147318A1 (en) * 2017-11-14 2019-05-16 Google Llc Highly Efficient Convolutional Neural Networks
CN110110719A (zh) * 2019-03-27 2019-08-09 浙江工业大学 一种基于注意层区域卷积神经网络的目标检测方法
CN110163215A (zh) * 2018-06-08 2019-08-23 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机可读介质及电子设备
CN110532859A (zh) * 2019-07-18 2019-12-03 西安电子科技大学 基于深度进化剪枝卷积网的遥感图像目标检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190147318A1 (en) * 2017-11-14 2019-05-16 Google Llc Highly Efficient Convolutional Neural Networks
CN110163215A (zh) * 2018-06-08 2019-08-23 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机可读介质及电子设备
CN109284669A (zh) * 2018-08-01 2019-01-29 辽宁工业大学 基于Mask RCNN的行人检测方法
CN110110719A (zh) * 2019-03-27 2019-08-09 浙江工业大学 一种基于注意层区域卷积神经网络的目标检测方法
CN110532859A (zh) * 2019-07-18 2019-12-03 西安电子科技大学 基于深度进化剪枝卷积网的遥感图像目标检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ABHIRAM NATARAJAN;KESHAV BHARAT;GURU RAJESH KAUSTUBH;SAI PRAVEEN P N;MINAL MOHARIR;N K SRINATH;K N SUBRAMANYA;: "An Approach to Real Time Parking Management using Computer Vision", PROCEEDINGS OF THE 2ND INTERNATIONAL CONFERENCE ON CONTROL AND COMPUTER VISION(ICCCV 2019),工程科技Ⅱ辑;信息科技 *
HOANG TRAN VU等: "Parking Space Status Inference upon a Deep CNN and Multi-task Contrastive Network with Spatial Transform", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》 *
XIANGWU DING;RUIDI YANG: "Vehicle and Parking Space Detection Based on Improved YOLO Network Model", PROCEEDINGS OF 2019 INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE TECHNOLOGIES AND APPLICATIONS(ICAITA 2019)(VOL.2),工程科技Ⅱ辑;信息科技 *
XUEZHI XIANG: "Real-Time Parking Occupancy Detection for Gas Stations Based on Haar-AdaBoosting and CNN", 《 IEEE SENSORS JOURNAL》 *
安旭骁: "基于迷你卷积神经网络的停车场空车位检测方法", 计算机应用 *
王马成、黎海涛: "基于深度卷积神经网络的停车位检测", 电子测量技术 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111818449A (zh) * 2020-06-15 2020-10-23 华南师范大学 一种基于改进的人工神经网络的可见光室内定位方法
CN111818449B (zh) * 2020-06-15 2022-04-15 华南师范大学 一种基于改进的人工神经网络的可见光室内定位方法
WO2021174877A1 (zh) * 2020-09-18 2021-09-10 平安科技（深圳）有限公司 基于智能决策的目标检测模型的处理方法、及其相关设备

Also Published As

Publication number Publication date
CN111126303B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN109800629B (zh) 一种基于卷积神经网络的遥感图像目标检测方法
CN111695448B (zh) 一种基于视觉传感器的路侧车辆识别方法
CN110222769B (zh) 一种基于YOLOV3-tiny的改进目标检测方法
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
CN112200143A (zh) 一种基于候选区域网络和机器视觉的道路病害检测方法
CN109801297B (zh) 一种基于卷积实现的图像全景分割预测优化方法
CN112464911A (zh) 基于改进YOLOv3-tiny的交通标志检测与识别方法
CN110298227B (zh) 一种基于深度学习的无人机航拍图像中的车辆检测方法
CN107038416A (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN114973207B (zh) 一种基于目标检测的路标识别方法
CN113052106B (zh) 一种基于PSPNet网络的飞机起降跑道识别方法
Xiang et al. Lightweight fully convolutional network for license plate detection
CN111738114B (zh) 基于无锚点精确采样遥感图像车辆目标检测方法
CN112070070A (zh) 一种用于城市遥感场景识别的lw-cnn方法和系统
CN111353396A (zh) 一种基于SCSEOCUnet的混凝土裂缝分割方法
CN114913498A (zh) 一种基于关键点估计的并行多尺度特征聚合车道线检测方法
CN111126303B (zh) 一种面向智能停车的多车位检测方法
CN111540203B (zh) 基于Faster-RCNN调节绿灯通行时间的方法
CN110717921A (zh) 改进型编码解码结构的全卷积神经网络语义分割方法
CN112766056A (zh) 一种基于深度神经网络的弱光环境车道线检测方法、装置
CN116524189A (zh) 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法
CN113011338B (zh) 一种车道线检测方法及系统
CN114445442A (zh) 基于非对称交叉融合的多光谱图像语义分割方法
CN106971402B (zh) 一种基于光学辅助的sar图像变化检测方法
CN113628180A (zh) 一种基于语义分割网络的遥感建筑物检测方法及系统

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