CN111428550A - 一种基于改进YOLOv3的车辆检测方法 - Google Patents
一种基于改进YOLOv3的车辆检测方法 Download PDFInfo
- Publication number
- CN111428550A CN111428550A CN201911212601.8A CN201911212601A CN111428550A CN 111428550 A CN111428550 A CN 111428550A CN 201911212601 A CN201911212601 A CN 201911212601A CN 111428550 A CN111428550 A CN 111428550A
- Authority
- CN
- China
- Prior art keywords
- target
- model
- image
- vehicle
- vehicle detection
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进YOLOv3的车辆检测方法。本发明将特征权重优化结构SEnet引入YOLOv3中特征提取网络Darknet53的残差结构内,对YOLOv3所提取特征进行优化;对引入SEnet结构后的特征提取网络进行残差模块上的缩减;对车辆数据集中车辆标注的高宽采用k‑means方法进行聚类,用以对原YOLOv3目标检测先验框进行优化。批量测试时,改进的YOLOv3在车辆检测map达到96.49%,检测速度达到45图/秒,达到了交通检测的实时性和准确性要求,在交通检测中具有较高的应用价值。
Description
技术领域
本发明涉及计算机视觉领域和智能交通信息技术技术领域,具体的说,是一种 基于改进YOLOv3模型的车辆检测和识别方法。
背景技术
当前应用较为广泛的传统车辆检测方法需要人工参与特征选择等工作,泛化能力差,识别精度不高。
YOLOv3深度学习网络,由Darknet53与YOLO两个网络组成,通过卷积方式 学习目标特征,对特征进行多尺度融合,能自动学习特征并增强特征的表达能力,在目标检 测领域比很多机器学习方法取得了更高的识别速度与识别精度但仍然不能满足各种复杂背 景和环境条件下车辆的实时检测和识别要求。
对于YOLO v3的改进,目前主要是从增加网络层数、增加融合尺度等角度提 高YOLO v3对车辆检测的识别精度,但这类方法增加了网络的计算负担,降低了网络的识 别速度,不适于车辆的实时检测。
Senet作为一种神经网络结构,在对输入量特征的学习过程中,学习各个特征 的重要性,激发作用较大特征抑制作用相对较低特征,提高网络的学习能力。
K-means聚类方法能通过不断的迭代,将无标签样本进行聚类,使得同类簇间 距减少,异类簇间距增加。
发明内容
本发明的目的在于解决目前交通车辆检测方法实时性和精度不足的问题,设计一种在保证车辆检测精度情况下,检测时间大幅度降低的快速车辆识别方法。通过对大量不 同背景和环境下道路车辆图像的高效率学习,更准确快速地检测车辆,减少阴影等干扰因素 对于检测正确率的影响。
本发明基于YOLOv3,提出了一种结合K-means聚类算法寻找网络检测的优质 先验框数量以及大小的方法;
发明了适用于车辆检测的YOLOv3中Darknet53网络层数;
引入SEnet网络结构,增强YOLO v3网络的特征学习能力。
为实现上述发明目的,本发明采用以下技术方案:
S1.采集道路上大量包含各种车辆的原始视频并进行帧提取、预处理得到图像集;
获取道路车辆实时监控视频作为原始视频数据;视频应具备以下特征:
视频中图像清晰;
视频中涵盖的各类车型案例数量丰富;
视频中图像涉及的时间段丰富;
视频中车辆背景丰富;
从原始视频数据中提取大量帧图像作为原始图像集;
对原始图像集集进行降噪处理;
对原始图像集集进行降噪处理,筛选并删除原始图像集中的噪声图像,如:相 同的目标图像、模糊图像等。
S2.标注图像内目标车辆的矩形包围框,获取矩形包围框在原图像的高宽与位置信息以及类别信息并存储,获得数据训练集。
使用图像标注软件(例:labelimg)对图像集进行标注,人工将图像中车辆目 标用矩形框标出得到目标包围框,通过标注软件输出包围框在图像中的高宽信息和位置信息以及类别信息。将输出的目标信息与图像对应存储得到训练集。
将数据集按一定比例划分为训练集与测试集。
统计出数据集中各个目标的高宽信息。
S3.构建特征提取网络
将特征权重优化结构(SEnet)引入至预设好的YOLOv3模型得到SE-YOLOv3模 型,在Darknet53网络的每一个残差模块内添加权重学习功能模块SEnet得到SE-YOLOv3 网络,SEnet功能模块实现过程如下:
(a)提取残差模块中卷积层输出的特征图
(b)采用全局平均池化法对特征图进行池化操作,得到的数组作为初始权重;
(c)采用1×1卷积核对初始权重进行降维操作;
(d)采用relu激活函数增加权重的非线性因素;
(e)采用1×1卷积核对降维后的权重进行升维还原;
(f)采用sigmoid激活函数增加权重的非线性因素;
(g)得到的权重值与特征图对应相乘,更新权重并输出。
对SE-YOLOv3模型的特征提取网络部分进行层数修减得到SSE-YOLOv3模型, 删除Darknet53中第4、5、6、7、12、13、14、15、20、21个残差模块得到SSE-YOLOv3 网络。
在SSE-YOLOv3网络的第7、11、13个残差模块后输出特征图。
(a)第7个残差模块输出特征图的感受野相对偏小,作用于检测小型目标,其大小为 52×52×3×(4+1+C).
(b)第11个残差模块输出特征图的感受野相对适中,作用于检测中型目标,其大小为26×26×3×(4+1+C)。
(c)第13个残差模块输出特征图的感受野相对偏大,作用于检测大型目标,其大小为13×13×3×(4+1+C)。
S4.构建输出网络。
对S3中SSE-YOLO网络输出的特征图进行信息融合,输出大小为13×13×3×(4+1+C)、26×26×3×(4+1+C)、52×52×3×(4+1+C)的张量,将其格式记为S×S×B×(4+1+C)。其中:张量维度13、26、52为单通道特征图大小,张量维度3为先验框数量,张量维度4为 目标在图像的位置信息,张量维度1为图像内目标的置信度,张量维度C为目标类别数。 输出的位置信息tx、ty、tw、th通过以下公式变换:
bx=σ(tx)+cx
by=σ(ty)+cy
式中的cx、cy为S×S左上角顶点位置;σ为sigmoid函数;pw、ph分别为先验框的宽 高,经过公式处理得到预测的坐标信息。bx、by、bw、bh分别为网络预测位置信息。
S5.对训练集中目标的包围框的高宽进行聚类,获取目标包围框大小的先验大小
统计S2中所记录目标的高宽信息;
将目标高宽信息相对于图像高宽进行标准化处理,得到聚类样本;
采用K-means聚类算法对样本进行聚类,其中聚类簇数量取6,聚类距离度量 如下:
(a)距离度量为1-MaxIOU,其中MaxIOU定义如下:
(b)得到的聚类中心按三个为一组作为先验框。
S6.将训练集数据送入至SSE-YOLOv3模型中进行训练,得到车辆检测模型;
S7.将待检测视频按帧提取得到待检测图像,将待检测图像送入至车辆检测模型,得到车辆检测结果,图中目标将被包围框标记出。
有益效果
本发明所提供的基于改进YOLOv3的车辆检测方法,通过引入残差结构、SEnet 特征权重结构、FPN的多尺度融合以及K-means对先验框聚类算法,提高了特征提取网络 对特征提取的效率;对特征提取网络高层重复卷积层进行简化,降低了训练以及检测的计算 量从而达到降低时间损耗的目的;采用了思想,将提取的高层信息与低层信息融合,对低层信息特征进行补充;采用了进行优化,增强本方法在特定场景的使用性。较其他的深度学习或者神经网络的学习方法相比,本算法对目标进行检测时,在保证准确率的前提下,极大的降低了目标检测的时间代价。
附图说明
附图1,为了减少高层重复卷积过程中的计算量,对Darknet53第3、4、5个 重复块进行缩减,缩减后的重复度如附图1;除此之外,降低重复度可减少高层特征感受野 的区域,提高特征的边缘信息表达能力。
附图2,SEnet的引入位置为残差结构内,卷积层后位置。
附图3,本发明具体流程如附图3所示,S1所采集的图像作为原始视频;S2、 S3步骤对原始视频进行处理得到带标注的数据集;S4-S5步骤得到改进的车辆检测模型; S6步骤将带标注的数据集送入至车辆检测模型进行训练;S7步骤为待检测的道路检测图像 送入训练完成的模型进行检测,最后输出带目标包围框以及目标类别信息的车辆图像。
具体实施方式
下面结合附图和具体实施例,对本发明的技术方案进行详细说明:
本发明旨在构建一种快速高效的车辆检测方法,以下为本发明的具体实施涉及的具体实施步骤:
S1.采集原始视频并进行帧提取、预处理,得到图像集;
本实例待学习目标类别涉及客车、SUV、轿车三个类别。
获取道路车辆实时监控视频作为原始视频数据。视频录制涉及晴天、雨天、阴 天、轻雾天四个天气;视频录制时间为8:00-18:00;
按定时方式从原始视频数据中提取帧图像作为原始图像集。获取不同天气不同时间下6000张车辆图像。
对原始图像集集进行降噪处理,筛选出原始图像集中未包含目标图像并予以删除。
S2.获取图像内目标包围框的位置信息以及该目标的类别信息。
使用图像标注软件(例:labelimg)对图像集进行标注,人工将图像中车辆目标用矩形框标 出得到目标包围框,通过标注软件输出包围框在图像中的高宽信息和位置信息以及类别信息。 将输出的目标信息与图像对应存储得到训练集;
位置信息为矩形框左上角与右下角坐标信息。
将数据集按一定比例划分为训练集与测试集。
从6000张图像中随机选取4800张作为训练集图像,剩下的1200张作为测试 集图像。
统计出数据集中各个目标的高宽信息。
S3.构建特征提取网络
将特征权重优化结构(SEnet)引入至预设好的YOLOv3模型得到SE-YOLOv3模 型,在Darknet53网络的每一个残差模块内添加权重学习功能模块SEnet得到SE-YOLOv3 网络,SEnet功能模块实现过程如下:
(a)提取残差模块中卷积层输出的特征图:
(b)采用全局平均池化法对特征图进行池化操作,得到的数组作为初始权重;全局平均池化计算如下:
(c)采用1×1卷积核对初始权重进行降维操作;
(d)采用relu激活函数增加权重的非线性因素;
(e)采用1×1卷积核对降维后的权重进行升维还原;
(f)采用sigmoid激活函数增加权重的非线性因素;
(g)得到的权重值与特征图对应相乘,更新权重并输出。
对SE-YOLOv3模型的特征提取网络部分进行层数修减得到SSE-YOLOv3模型, 删除Darknet53中第4、5、6、7、12、13、14、15、20、21个残差模块得到SSE-YOLOv3 网络。
在SSE-YOLOv3网络的第7、11、13个残差模块后输出特征图。
(a)第7个残差模块输出特征图的感受野相对偏小,作用于检测小型目标,其大小为 52×52×3×(4+1+C)。
(b)第11个残差模块输出特征图的感受野相对适中,作用于检测中型目标,其大小为26×26×3×(4+1+C)。
(c)第13个残差模块输出特征图的感受野相对偏大,作用于检测大型目标,其大小为13×13×3×(4+1+C)。
S4.构建输出网络,对S3输出的特征图进行信息融合,输出大小为13×13×3× (4+1+C)、26×26×3×(4+1+C)、52×52×3×(4+1+C)的张量。其中:
(a)张量维度13、26、52为单通道特征图大小。
(b)张量维度3为先验框数量。
(c)张量维度4为目标在图像的位置信息。
(d)输出的位置信息tx、ty、tw、th通过以下公式变换:
bx=σ(tx)+cx
by=σ(ty)+cy
式中的cx、cy为S×S左上角顶点位置;σ为sigmoid函数;pw、ph分别为先验框的 宽高,经过公式处理得到预测的坐标信息。bx、by、bw、bh分别为网络预测位置信息。
(e)张量维度1为图像内目标的置信度。
(f)张量维度C为目标类别数。
(g)张量13×13×3×(4+1+C)由S3第13个残差模块后输出的特征13×13×1024依次经过:
①卷积核个数为512大小为1×1步长为1的卷积层、
②卷积核个数为1024大小为3×3步长为1的卷积层、
③卷积核个数为512大小为1×1步长为1的卷积层、
④卷积核个数为1024大小为3×3步长为1的卷积层、
⑤卷积核个数为512大小为1×1步长为1的卷积层得到O1,
⑥O1再依次经过卷积核个数为1024大小为3×3步长为1的卷积层、卷积核个数为 3*(C+5)大小为1×1步长为1的卷积层后得到。
(h)张量26×26×3×(4+1+C)由S3第11个残差模块后输出的特征26×26×512与O1
进行维度拼接得到26×26×768;依次经过
①卷积核个数为256大小为1×1步长为1的卷积层、
②卷积核个数为512大小为3×3步长为1的卷积层、
③卷积核个数为256大小为1×1步长为1的卷积层、
④卷积核个数为512大小为3×3步长为1的卷积层、
⑤卷积核个数为256大小为1×1步长为1的卷积层得到O2,
⑥O2再依次经过卷积核个数为512大小为3×3的步长为1卷积层、卷积核个数为 3*(C+5)大小为1×1步长为1的卷积层后得到。
(i)张量52×52×3×(4+1+C)由S3第7个残差模块后输出的特征52×52×256与O2进行维度拼接得到52×52×384;依次经过
①卷积核个数为128大小为1×1步长为1的卷积层、
②卷积核个数为256大小为3×3步长为1的卷积层、
③卷积核个数为128大小为1×1步长为1的卷积层、
④卷积核个数为256大小为3×3步长为1的卷积层、
⑤卷积核个数为128大小为1×1步长为1的卷积层、
⑥卷积核个数为256大小为3×3步长为1的卷积层、
⑦卷积核个数为3*(C+5)大小为1×1步长为1的卷积层后得到。
S5.对训练集中目标的包围框的高宽进行聚类,获取目标包围框大小的先验大小,采用k-means聚类算法对S2中统计到的目标高宽进行聚类。
(a)距离度量为1-MaxIOU,MaxIOU定义如下:
(b)将9个先验框分为三组:(68*131)、(79*166)、(93*207)检测小目标;
(133*167)、(142*184)、(152*204)检测中型目标;(160*232)、(173*275)、
(232*257)检测大型目标。
S6.将训练集数据送入至SSE-YOLOv3模型中进行训练,得到车辆检测模型, 模型训练过程:
(a)从训练集随机选取20%对初始模型进行预训练;
(b)将整个训练集对预训练模型进行训练。
(c)学习率为从小增大再减小的变学习率。
(d)初始学习率从0.0006至0.001递增。
(e)学习率为0.001时,步长为5周期,衰减率为0.05递减。
(f)设置置信度阈值、IOU忽略阈值、置信度得分阈值。
(g)待训练至loss值小于设定阈值,停止训练,保存模型;
S7.将待检测视频按帧提取得到待检测图像,将待检测图像送入至车辆检测模型,得到车辆检测结果,图中目标将被包围框标记出。
为了检验模型的泛化能力,将1800张测试图像放至S6中840张图像预训练保 存的模型中进行测试,客车、SUV、小轿车的平均识别分别为0.56、0.48、0.24,效果良 好。
将1800张测试图像放S9中保存的模型进行测试,客车、SUV、小轿车的平均 识别精度分别为0.98、0.97、0.997,YOLOv3对客车、SUV、小轿的平均识别精度分别为 0.97、0.97、0.94,本发明方法在识别精度上相对于YOLOv3稍有提高。
在该6000张图片的训练过程中,本发明的模型训练一个周期耗时约7分钟, 相比于YOLO v3的9分钟减少了约22%的时间,在训练耗时上取得了较大的突破。
在该1200张图片的检测过程中,本文模型每秒能检测45张左右图像,相比于 YOLOv3的每秒36张图像提高了约25%的检测速度,在检测耗时取得了较大的突破。
以上实施方式仅用于说明本发明,而非对本发明的限制。尽管参照实施例对本 发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行各种组合、修改或者等同替换,都不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于改进YOLOv3模型的车辆检测方法,其特征在于,所述方法包括如下步骤:
S1采集道路上包含各种车辆的大量原始视频并进行帧提取得到图像集。
S2标注图像内目标车辆的矩形包围框,获取矩形包围框在原图像的高宽与位置信息以及类别信息并存储,获得数据集。
S3改进特征提取网络,将特征权重优化结构(SEnet)引入至预设好的YOLOv3模型得到SE-YOLOv3模型;对SE-YOLOv3模型的特征提取网络部分进行层数修减得到SSE-YOLOv3模型。
S4构建输出网络,对S3输出的特征图进行信息融合。
S5先验框优化,对S2中统计到的目标车辆包围框的高宽进行聚类,获取目标包围框大小的先验大小。
S6将训练集数据送入至SSE-YOLOv3模型中进行训练,得到车辆检测模型。
S7将待检测视频按帧提取得到待检测图像,将图像送入至车辆检测模型,得到车辆检测结果,图像中检测出的车辆由矩形包围框标记出。
2.根据权利要求书1所述的一种快速车辆检测方法,其特征在于,将特征权重优化结构(SEnet)引入至预设好的YOLOv3模型得到SE-YOLOv3模型;对SE-YOLOv3模型的特征提取网络部分进行层数修减得到SSE-YOLOv3模型。
3.根据权利要求书1所述的一种快速车辆检测方法,其特征在于,首先对图像进行规范化,得到相同尺寸的图像;其次将目标高宽相对于图像高宽进行归一化;最后采用k-means聚类方法将归一化的目标高宽进行聚类,得到先验包围框高宽。
4.根据权利要求书1所述的一种快速车辆检测方法,其特征在于,层数修剪目标为SE-YOLOv3的Darknet53部分,删除目标未Darknet的第4、5、6、7、12、13、14、15、20、21个残差模块。
5.根据权利要求书1所述的一种快速车辆检测方法,其特征在于,模型的训练过程为:待训练图像经过SSE-YOLOv3进行维度转换,得到S×S×B×(4+1+C);即将训练图像划分为S×S个网格;每个网格对应B个先验框;每个先验框进行一次目标预测;其中4代表预测目标的位置及大小信息,1代表是否包含目标,C为目标的类别,目标属于第c类,则C的第c类接近于1,其余接近0;将SSE-YOLOv3输出的张量与原图像对应的目标真实张量送入至原YOLOv3损失函数进行计算,得到损失值,根据损失值更新SSE-YOLOv3变量参数;通过多次迭代,使得SSE-YOLOv3对图像的预测值接近真实值,得到车辆检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911212601.8A CN111428550A (zh) | 2019-11-29 | 2019-11-29 | 一种基于改进YOLOv3的车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911212601.8A CN111428550A (zh) | 2019-11-29 | 2019-11-29 | 一种基于改进YOLOv3的车辆检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111428550A true CN111428550A (zh) | 2020-07-17 |
Family
ID=71546869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911212601.8A Pending CN111428550A (zh) | 2019-11-29 | 2019-11-29 | 一种基于改进YOLOv3的车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428550A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882554A (zh) * | 2020-08-06 | 2020-11-03 | 桂林电子科技大学 | 一种基于SK-YOLOv3的电力线故障智能检测方法 |
CN112132032A (zh) * | 2020-09-23 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 交通标志牌检测方法、装置、电子设备及存储介质 |
CN112580439A (zh) * | 2020-12-01 | 2021-03-30 | 中国船舶重工集团公司第七0九研究所 | 小样本条件下的大幅面遥感图像舰船目标检测方法及系统 |
CN112733929A (zh) * | 2021-01-07 | 2021-04-30 | 南京工程学院 | 一种改进Yolo水下图像小目标和遮挡目标的检测方法 |
CN112801169A (zh) * | 2021-01-25 | 2021-05-14 | 中国人民解放军陆军工程大学 | 一种基于改进yolo算法的伪装目标检测方法 |
CN112884090A (zh) * | 2021-04-14 | 2021-06-01 | 安徽理工大学 | 基于改进YOLOv3的火灾检测识别方法 |
CN112926482A (zh) * | 2021-03-10 | 2021-06-08 | 辽宁工程技术大学 | 一种基于多尺度残差卷积神经网络的道路提取方法 |
CN113128563A (zh) * | 2021-03-23 | 2021-07-16 | 武汉泰沃滋信息技术有限公司 | 一种高速工程车辆检测方法、装置、设备及存储介质 |
CN113205019A (zh) * | 2021-04-22 | 2021-08-03 | 上海电力大学 | 一种缺陷绝缘子的检测方法 |
CN113269161A (zh) * | 2021-07-16 | 2021-08-17 | 四川九通智路科技有限公司 | 一种基于深度学习的交通标识牌检测方法 |
CN113822375A (zh) * | 2021-11-08 | 2021-12-21 | 北京工业大学 | 一种改进的交通图像目标检测方法 |
CN114241792A (zh) * | 2022-02-28 | 2022-03-25 | 科大天工智能装备技术(天津)有限公司 | 一种车流量检测方法及系统 |
CN114529836A (zh) * | 2022-02-23 | 2022-05-24 | 安徽大学 | 一种sar图像目标检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214399A (zh) * | 2018-10-12 | 2019-01-15 | 清华大学深圳研究生院 | 一种嵌入SENet结构的改进YOLOV3目标识别算法 |
CN109815886A (zh) * | 2019-01-21 | 2019-05-28 | 南京邮电大学 | 一种基于改进YOLOv3的行人和车辆检测方法及系统 |
CN109935080A (zh) * | 2019-04-10 | 2019-06-25 | 武汉大学 | 一种交通线路上的车流量实时计算的监测系统及方法 |
-
2019
- 2019-11-29 CN CN201911212601.8A patent/CN111428550A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214399A (zh) * | 2018-10-12 | 2019-01-15 | 清华大学深圳研究生院 | 一种嵌入SENet结构的改进YOLOV3目标识别算法 |
CN109815886A (zh) * | 2019-01-21 | 2019-05-28 | 南京邮电大学 | 一种基于改进YOLOv3的行人和车辆检测方法及系统 |
CN109935080A (zh) * | 2019-04-10 | 2019-06-25 | 武汉大学 | 一种交通线路上的车流量实时计算的监测系统及方法 |
Non-Patent Citations (1)
Title |
---|
叶青等: "基于电磁感应的道路车辆车型在线分类方法研究", 《湖南大学学报(自然科学版)》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882554B (zh) * | 2020-08-06 | 2022-05-03 | 桂林电子科技大学 | 一种基于SK-YOLOv3的电力线故障智能检测方法 |
CN111882554A (zh) * | 2020-08-06 | 2020-11-03 | 桂林电子科技大学 | 一种基于SK-YOLOv3的电力线故障智能检测方法 |
CN112132032A (zh) * | 2020-09-23 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 交通标志牌检测方法、装置、电子设备及存储介质 |
CN112580439A (zh) * | 2020-12-01 | 2021-03-30 | 中国船舶重工集团公司第七0九研究所 | 小样本条件下的大幅面遥感图像舰船目标检测方法及系统 |
CN112580439B (zh) * | 2020-12-01 | 2024-03-19 | 中国船舶重工集团公司第七0九研究所 | 小样本条件下的大幅面遥感图像舰船目标检测方法及系统 |
CN112733929A (zh) * | 2021-01-07 | 2021-04-30 | 南京工程学院 | 一种改进Yolo水下图像小目标和遮挡目标的检测方法 |
CN112801169A (zh) * | 2021-01-25 | 2021-05-14 | 中国人民解放军陆军工程大学 | 一种基于改进yolo算法的伪装目标检测方法 |
CN112801169B (zh) * | 2021-01-25 | 2024-02-06 | 中国人民解放军陆军工程大学 | 一种基于改进yolo算法的伪装目标检测方法、系统、装置及存储介质 |
CN112926482A (zh) * | 2021-03-10 | 2021-06-08 | 辽宁工程技术大学 | 一种基于多尺度残差卷积神经网络的道路提取方法 |
CN113128563A (zh) * | 2021-03-23 | 2021-07-16 | 武汉泰沃滋信息技术有限公司 | 一种高速工程车辆检测方法、装置、设备及存储介质 |
CN113128563B (zh) * | 2021-03-23 | 2023-11-17 | 武汉泰沃滋信息技术有限公司 | 一种高速工程车辆检测方法、装置、设备及存储介质 |
CN112884090A (zh) * | 2021-04-14 | 2021-06-01 | 安徽理工大学 | 基于改进YOLOv3的火灾检测识别方法 |
CN113205019A (zh) * | 2021-04-22 | 2021-08-03 | 上海电力大学 | 一种缺陷绝缘子的检测方法 |
CN113269161A (zh) * | 2021-07-16 | 2021-08-17 | 四川九通智路科技有限公司 | 一种基于深度学习的交通标识牌检测方法 |
CN113822375A (zh) * | 2021-11-08 | 2021-12-21 | 北京工业大学 | 一种改进的交通图像目标检测方法 |
CN113822375B (zh) * | 2021-11-08 | 2024-04-26 | 北京工业大学 | 一种改进的交通图像目标检测方法 |
CN114529836A (zh) * | 2022-02-23 | 2022-05-24 | 安徽大学 | 一种sar图像目标检测方法 |
CN114241792A (zh) * | 2022-02-28 | 2022-03-25 | 科大天工智能装备技术(天津)有限公司 | 一种车流量检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428550A (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
Zhao et al. | Cloud shape classification system based on multi-channel cnn and improved fdm | |
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN110929577A (zh) | 一种基于YOLOv3的轻量级框架改进的目标识别方法 | |
CN110929593B (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN108830196A (zh) | 基于特征金字塔网络的行人检测方法 | |
CN112232371B (zh) | 一种基于YOLOv3与文本识别的美式车牌识别方法 | |
CN111914698B (zh) | 图像中人体的分割方法、分割系统、电子设备及存储介质 | |
CN108133235B (zh) | 一种基于神经网络多尺度特征图的行人检测方法 | |
CN109919223B (zh) | 基于深度神经网络的目标检测方法及装置 | |
CN111738114B (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
CN109886086B (zh) | 基于hog特征和线性svm级联分类器的行人检测方法 | |
CN113487576B (zh) | 一种基于通道注意力机制的虫害图像检测方法 | |
CN113139594B (zh) | 一种机载图像无人机目标自适应检测方法 | |
CN114049572A (zh) | 识别小目标的检测方法 | |
CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
CN110991374B (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
CN111882000A (zh) | 一种应用于小样本细粒度学习的网络结构及方法 | |
CN111639697A (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
CN114723010A (zh) | 一种异步事件数据的自动学习增强方法及系统 | |
CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
CN111860361B (zh) | 一种绿色通道货物扫描图像夹带自动识别器及识别方法 | |
CN110751005A (zh) | 融合深度感知特征和核极限学习机的行人检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200717 |