CN111428688B - 基于mask矩阵的车辆的行驶车道智能识别方法、系统 - Google Patents

基于mask矩阵的车辆的行驶车道智能识别方法、系统 Download PDF

Info

Publication number
CN111428688B
CN111428688B CN202010300613.2A CN202010300613A CN111428688B CN 111428688 B CN111428688 B CN 111428688B CN 202010300613 A CN202010300613 A CN 202010300613A CN 111428688 B CN111428688 B CN 111428688B
Authority
CN
China
Prior art keywords
lane
pixel
matrix
pixel point
vehicle
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.)
Active
Application number
CN202010300613.2A
Other languages
English (en)
Other versions
CN111428688A (zh
Inventor
张峻领
鲍朝莉
董辉
相峥
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.)
Chengdu Yanggu Information Technology Co ltd
Original Assignee
Chengdu Yanggu Information Technology Co ltd
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 Chengdu Yanggu Information Technology Co ltd filed Critical Chengdu Yanggu Information Technology Co ltd
Priority to CN202010300613.2A priority Critical patent/CN111428688B/zh
Publication of CN111428688A publication Critical patent/CN111428688A/zh
Application granted granted Critical
Publication of CN111428688B publication Critical patent/CN111428688B/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
    • G06V20/50—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于mask矩阵的车辆的行驶车道智能识别方法、系统，该方法通过识别视频图像中的车辆并生成车辆的车辆像素点mask矩阵以及识别视频图像中的车道并生成车道的车道像素点mask矩阵，并将相乘结果的各项元素逐项累加，累加值最大的车道像素点mask矩阵对应的车道则为车辆的行驶车道。应用本发明能够准确识别车辆的行驶车道。

Description

基于mask矩阵的车辆的行驶车道智能识别方法、系统
技术领域
本发明涉及图像识别技术领域，特别是涉及一种基于mask矩阵的车辆的行驶车道智能识别方法、系统。
背景技术
交通流量是指在选定时间段内通过道路某一车道的车辆数，从车流量的大小可以判定交通的拥挤状况，从而决定采取何种交通管理措施，因此对交通流量的准确检测在交通工程中占有十分重要的位置。而交通流量监测的前提是要准确识别车辆在哪条车道上行驶。
目前，车辆的行驶车道识别只能简单通过图像对比等方式来识别，准确率低，因此，有必要对现有的车辆的行驶车道识别方式进行改进。
发明内容
本发明的目的在于提供一种基于mask矩阵的车辆的行驶车道智能识别方法、系统，能够准确识别车辆的行驶车道。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于mask矩阵的车辆的行驶车道智能识别方法，包括以下步骤：S1：采集监控区域的视频图像，所述监控区域包含道路的每条车道；S2：识别视频图像中的目标车辆以及每条车道的车道线；S3：根据目标车辆在视频图像中的位置生成与所述视频图像尺寸相同的车辆像素点mask矩阵，其中，所述目标车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；S4：根据每条车道的车道线在视频图像中的位置生成与所述视频图像尺寸相同的每条车道的车道像素点mask矩阵，其中，对于当前车道，当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；S5：将所述车辆像素点mask矩阵分别与每条车道的车道像素点mask矩阵相乘得到车道识别矩阵，并将每个车道识别矩阵的各项元素逐项累加得到计算结果；S6：将计算结果最大的车道识别矩阵对应的车道识别为目标车辆的行驶车道。
优选的，所述步骤S2中，所述目标车辆通过mask-rcnn算法进行识别。
优选的，所述目标车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。
为解决上述技术问题，本发明采用的另一个技术方案是：提供一种基于mask矩阵的车辆的行驶车道智能识别系统，所述行驶车道智能识别系统包括图像采集模块、图像识别模块、第一矩阵构建模块、第二矩阵构建模块、矩阵计算模块和车道识别模块；所述图像采集模块用于采集监控区域的视频图像，所述监控区域包含道路的每条车道；所述图像识别模块用于识别视频图像中的目标车辆以及每条车道的车道线；所述第一矩阵构建模块用于根据目标车辆在视频图像中的位置生成与所述视频图像尺寸相同的车辆像素点mask矩阵，其中，所述目标车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；所述第二矩阵构建模块用于根据每条车道的车道线在视频图像中的位置生成与所述视频图像尺寸相同的每条车道的车道像素点mask矩阵，其中，对于当前车道，当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；所述矩阵计算模块用于将所述车辆像素点mask矩阵分别与每条车道的车道像素点mask矩阵相乘得到车道识别矩阵，并将每个车道识别矩阵的各项元素逐项累加得到计算结果；所述车道识别模块用于将计算结果最大的车道识别矩阵对应的车道识别为目标车辆的行驶车道。
优选的，所述目标车辆通过mask-rcnn算法进行识别。
优选的，所述目标车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。
区别于现有技术的情况，本发明的有益效果是：可以迅速、准确地车辆的行驶车道。
附图说明
图1是本发明实施例提供的基于mask矩阵的车辆的行驶车道智能识别方法的流程示意图；
图2是一种应用场景中的监控区域的视频图像的示意图；
图3是目标车辆的车辆像素点mask矩阵示意图；
图4是左车道的车道像素点mask矩阵示意图；
图5是本发明实施例提供的基于mask矩阵的车辆的行驶车道智能识别系统的原理框图。
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，所描述的实施例仅是本发明的一部分实施例，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他实施例，都属于本发明保护的范围。
参阅图1，本发明实施例的基于mask矩阵的车辆的行驶车道智能识别方法包括以下步骤：
S1：采集监控区域的视频图像，监控区域包含道路的每条车道。
其中，视频图像的采集方式可以是直接通过摄像头采集，也可以是接收从其他设备传输的视频图像。监控区域可以根据实际需要划定，如图2所示，是一种应用场景中的监控区域的视频图像的示意图，图中，监控区域包含道路的左车道、中车道和右车道。通常，每一帧所采集的视频图像包括很多张，在本实施例中，每一帧视频图像仅保留一张。
S2：识别视频图像中的目标车辆以及每条车道的车道线。
其中，步骤S2中，目标车辆通过mask-rcnn算法进行识别。具体而言，通过大量的训练素材(主要是已经标记过的车辆)对mask-rcnn算法进行训练，从而使得mask-rcnn算法能够从视频图像中识别出车辆。如图2所示，目标车辆为虚线框所标识的车辆。
S3：根据目标车辆在视频图像中的位置生成与视频图像尺寸相同的车辆像素点mask矩阵，其中，目标车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同。
S4：根据每条车道的车道线在视频图像中的位置生成与视频图像尺寸相同的每条车道的车道像素点mask矩阵，其中，对于当前车道，当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同。
其中，视频图像包含的像素点有多少列和多少行，则车辆像素点mask矩阵和车道像素点mask矩阵就有多少行和多少列像素点。在本实施例中，目标车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。如图3所示，是目标车辆的车辆像素点mask矩阵示意图。车辆像素点mask矩阵中，只有目标车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。如图4所示，是左车道的车道像素点mask矩阵示意图。左车道的车道像素点mask矩阵中，只有左车道的车道线在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。车辆像素点mask矩阵和车道像素点mask矩阵的行的像素点长度为W，列的像素点长度为H，同样，视频图像的像素尺寸也是为W×H。
S5：将车辆像素点mask矩阵分别与每条车道的车道像素点mask矩阵相乘得到车道识别矩阵，并将每个车道识别矩阵的各项元素逐项累加得到计算结果。
其中，以图2所示的视频图像为例，目标车辆的车辆像素点mask矩阵以M车表示，左车道的车道像素点mask矩阵以M左表示，中车道的车道像素点mask矩阵以M中表示，右车道的车道像素点mask矩阵以M右表示，首先，将M车与M左相乘得到一个车道识别矩阵、将M车与M中相乘得到一个车道识别矩阵，将M车与M右相乘得到一个车道识别矩阵，然后分别将每个车道识别矩阵的各项元素逐项累加得到计算结果。
S6：将计算结果最大的车道识别矩阵对应的车道识别为目标车辆的行驶车道。
其中，经过步骤S5之后，得到三个计算结果，这三个计算结果分别对应左车道、中车道和右车道，以图2为例，计算结果最大的车道识别矩阵对应的车道为中车道，那么将中车道识别为目标车辆的行驶车道。
参阅图5，本发明实施例的基于mask矩阵的车辆的行驶车道智能识别系统包括图像采集模块10、图像识别模块20、第一矩阵构建模块30、第二矩阵构建模块40、矩阵计算模块50和车道识别模块60。
图像采集模块10用于采集监控区域的视频图像，监控区域包含道路的每条车道。其中，图像采集模块10可以是直接通过摄像头采集，也可以是接收从其他设备传输的视频图像。监控区域可以根据实际需要划定，如图2所示，是一种应用场景中的监控区域的视频图像的示意图，图中，监控区域包含道路的左车道、中车道和右车道。通常，每一帧所采集的视频图像包括很多张，在本实施例中，每一帧视频图像仅保留一张。
图像识别模块20用于识别视频图像中的目标车辆以及每条车道的车道线。其中，目标车辆通过mask-rcnn算法进行识别。具体而言，通过大量的训练素材(主要是已经标记过的车辆)对mask-rcnn算法进行训练，从而使得mask-rcnn算法能够从视频图像中识别出车辆。
第一矩阵构建模块30用于根据目标车辆在视频图像中的位置生成与所述视频图像尺寸相同的车辆像素点mask矩阵，其中，所述目标车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同。
第二矩阵构建模块40用于根据每条车道的车道线在视频图像中的位置生成与所述视频图像尺寸相同的每条车道的车道像素点mask矩阵，其中，对于当前车道，当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同。其中，视频图像包含的像素点有多少列和多少行，则车辆像素点mask矩阵和车道像素点mask矩阵就有多少行和多少列像素点。在本实施例中，目标车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。
矩阵计算模块50用于将车辆像素点mask矩阵分别与每条车道的车道像素点mask矩阵相乘得到车道识别矩阵，并将每个车道识别矩阵的各项元素逐项累加得到计算结果。其中，如果道路包含左车道、中车道和右车道，目标车辆的车辆像素点mask矩阵以M车表示，左车道的车道像素点mask矩阵以M左表示，中车道的车道像素点mask矩阵以M中表示，右车道的车道像素点mask矩阵以M右表示，首先，将M车与M左相乘得到一个车道识别矩阵、将M车与M中相乘得到一个车道识别矩阵，将M车与M右相乘得到一个车道识别矩阵，然后分别将每个车道识别矩阵的各项元素逐项累加得到计算结果。
车道识别模块60用于将计算结果最大的车道识别矩阵对应的车道识别为目标车辆的行驶车道。其中，矩阵计算模块50得到三个计算结果，这三个计算结果分别对应左车道、中车道和右车道，以图2为例，计算结果最大的车道识别矩阵对应的车道为中车道，那么将中车道识别为目标车辆的行驶车道。
通过上述方式，本发明的基于mask矩阵的车辆的行驶车道智能识别方法、系统通过识别视频图像中的车辆并生成车辆的车辆像素点mask矩阵以及识别视频图像中的车道并生成车道的车道像素点mask矩阵，并将相乘结果的各项元素逐项累加，累加值最大的车道像素点mask矩阵对应的车道则为车辆的行驶车道，从而能够准确识别车辆的行驶车道，可以迅速、准确地车辆的行驶车道。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (4)

1.一种基于mask矩阵的车辆的行驶车道智能识别方法，其特征在于，包括以下步骤：
S1：采集监控区域的视频图像，所述监控区域包含道路的每条车道；
S2：识别视频图像中的目标车辆以及每条车道的车道线；
S3：根据目标车辆在视频图像中的位置生成与所述视频图像尺寸相同的车辆像素点mask矩阵，其中，所述目标车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；
所述目标车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；
S4：根据每条车道的车道线在视频图像中的位置生成与所述视频图像尺寸相同的每条车道的车道像素点mask矩阵，其中，对于当前车道，当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；
当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；
S5：将所述车辆像素点mask矩阵分别与每条车道的车道像素点mask矩阵相乘得到车道识别矩阵，并将每个车道识别矩阵的各项元素逐项累加得到计算结果；
S6：将计算结果最大的车道识别矩阵对应的车道识别为目标车辆的行驶车道。
2.根据权利要求1所述的行驶车道智能识别方法，其特征在于，所述步骤S2中，所述目标车辆通过mask-rcnn算法进行识别。
3.一种基于mask矩阵的车辆的行驶车道智能识别系统，其特征在于，所述行驶车道智能识别系统包括图像采集模块、图像识别模块、第一矩阵构建模块、第二矩阵构建模块、矩阵计算模块和车道识别模块；
所述图像采集模块用于采集监控区域的视频图像，所述监控区域包含道路的每条车道；
所述图像识别模块用于识别视频图像中的目标车辆以及每条车道的车道线；所述第一矩阵构建模块用于根据目标车辆在视频图像中的位置生成与所述视频图像尺寸相同的车辆像素点mask矩阵，其中，所述目标车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；
所述目标车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；
所述第二矩阵构建模块用于根据每条车道的车道线在视频图像中的位置生成与所述视频图像尺寸相同的每条车道的车道像素点mask矩阵，其中，对于当前车道，当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；
当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；
所述矩阵计算模块用于将所述车辆像素点mask矩阵分别与每条车道的车道像素点mask矩阵相乘得到车道识别矩阵，并将每个车道识别矩阵的各项元素逐项累加得到计算结果；
所述车道识别模块用于将计算结果最大的车道识别矩阵对应的车道识别为目标车辆的行驶车道。
4.根据权利要求3所述的行驶车道智能识别系统，其特征在于，所述目标车辆通过mask-rcnn算法进行识别。
CN202010300613.2A 2020-04-16 2020-04-16 基于mask矩阵的车辆的行驶车道智能识别方法、系统 Active CN111428688B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010300613.2A CN111428688B (zh) 2020-04-16 2020-04-16 基于mask矩阵的车辆的行驶车道智能识别方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010300613.2A CN111428688B (zh) 2020-04-16 2020-04-16 基于mask矩阵的车辆的行驶车道智能识别方法、系统

Publications (2)

Publication Number Publication Date
CN111428688A CN111428688A (zh) 2020-07-17
CN111428688B true CN111428688B (zh) 2022-07-26

Family

ID=71557078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010300613.2A Active CN111428688B (zh) 2020-04-16 2020-04-16 基于mask矩阵的车辆的行驶车道智能识别方法、系统

Country Status (1)

Country Link
CN (1) CN111428688B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0477712A2 (en) * 1990-09-24 1992-04-01 Destiny Technology Corporation Edge enhancement method and apparatus for dot matrix devices
EP0632404A1 (en) * 1993-07-01 1995-01-04 International Business Machines Corporation Pattern recognition by generating and using zonal features and anti-features
US5396584A (en) * 1992-05-29 1995-03-07 Destiny Technology Corporation Multi-bit image edge enhancement method and apparatus
JP2001038303A (ja) * 1999-07-30 2001-02-13 Toshiba Corp 宛名読取装置
CN101064011A (zh) * 2006-04-26 2007-10-31 电子科技大学 基于小波变换的复杂背景中的车牌提取方法
CN102495998A (zh) * 2011-11-10 2012-06-13 西安电子科技大学 基于视觉选择性注意计算模型的静态目标检测方法
CN102663743A (zh) * 2012-03-23 2012-09-12 西安电子科技大学 一种复杂场景中多摄影机协同的人物追踪方法
CN106971155A (zh) * 2017-03-21 2017-07-21 电子科技大学 一种基于高度信息的无人车车道场景分割方法
WO2018033285A1 (de) * 2016-08-15 2018-02-22 Ifm Electronic Gmbh Verfahren zur vollständigkeitsprüfung
CN109190513A (zh) * 2018-08-14 2019-01-11 中山大学 结合图像显著性检测和神经网络的车辆重识别方法与系统
CN109711264A (zh) * 2018-11-30 2019-05-03 武汉烽火众智智慧之星科技有限公司 一种公交车道占道检测方法及装置
CN110084236A (zh) * 2019-04-29 2019-08-02 北京朗镜科技有限责任公司 一种图像的矫正方法及装置
CN110222587A (zh) * 2019-05-13 2019-09-10 杭州电子科技大学 一种基于特征图的商品定位检测重识别方法
CN110363211A (zh) * 2018-04-10 2019-10-22 北京四维图新科技股份有限公司 检测网络模型和目标检测方法
CN110517487A (zh) * 2019-08-16 2019-11-29 重庆特斯联智慧科技股份有限公司 基于热力图变化识别的城市区域交通资源调控方法及系统
CN110717552A (zh) * 2019-10-23 2020-01-21 智洋创新科技股份有限公司 一种输电线路通道可视化机械类连续告警的确定方法
CN110781956A (zh) * 2019-10-24 2020-02-11 精硕科技（北京）股份有限公司 一种目标检测的方法、装置、电子设备及可读存储介质
CN110852320A (zh) * 2019-11-08 2020-02-28 积成电子股份有限公司 基于深度学习的输电通道异物入侵检测方法
CN110852353A (zh) * 2019-10-22 2020-02-28 上海眼控科技股份有限公司 路口分类方法及设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7646886B2 (en) * 2005-05-11 2010-01-12 Lockheed Martin Corporation Closely-spaced multiple targets detection using a regional window as a discriminant function
CA2617119A1 (en) * 2008-01-08 2009-07-08 Pci Geomatics Enterprises Inc. Service oriented architecture for earth observation image processing
EP3621850B1 (en) * 2017-06-05 2023-08-30 Adasky, Ltd. Shutterless far infrared (fir) camera for automotive safety and driving systems

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0477712A2 (en) * 1990-09-24 1992-04-01 Destiny Technology Corporation Edge enhancement method and apparatus for dot matrix devices
US5396584A (en) * 1992-05-29 1995-03-07 Destiny Technology Corporation Multi-bit image edge enhancement method and apparatus
EP0632404A1 (en) * 1993-07-01 1995-01-04 International Business Machines Corporation Pattern recognition by generating and using zonal features and anti-features
JP2001038303A (ja) * 1999-07-30 2001-02-13 Toshiba Corp 宛名読取装置
CN101064011A (zh) * 2006-04-26 2007-10-31 电子科技大学 基于小波变换的复杂背景中的车牌提取方法
CN102495998A (zh) * 2011-11-10 2012-06-13 西安电子科技大学 基于视觉选择性注意计算模型的静态目标检测方法
CN102663743A (zh) * 2012-03-23 2012-09-12 西安电子科技大学 一种复杂场景中多摄影机协同的人物追踪方法
WO2018033285A1 (de) * 2016-08-15 2018-02-22 Ifm Electronic Gmbh Verfahren zur vollständigkeitsprüfung
CN106971155A (zh) * 2017-03-21 2017-07-21 电子科技大学 一种基于高度信息的无人车车道场景分割方法
CN110363211A (zh) * 2018-04-10 2019-10-22 北京四维图新科技股份有限公司 检测网络模型和目标检测方法
CN109190513A (zh) * 2018-08-14 2019-01-11 中山大学 结合图像显著性检测和神经网络的车辆重识别方法与系统
CN109711264A (zh) * 2018-11-30 2019-05-03 武汉烽火众智智慧之星科技有限公司 一种公交车道占道检测方法及装置
CN110084236A (zh) * 2019-04-29 2019-08-02 北京朗镜科技有限责任公司 一种图像的矫正方法及装置
CN110222587A (zh) * 2019-05-13 2019-09-10 杭州电子科技大学 一种基于特征图的商品定位检测重识别方法
CN110517487A (zh) * 2019-08-16 2019-11-29 重庆特斯联智慧科技股份有限公司 基于热力图变化识别的城市区域交通资源调控方法及系统
CN110852353A (zh) * 2019-10-22 2020-02-28 上海眼控科技股份有限公司 路口分类方法及设备
CN110717552A (zh) * 2019-10-23 2020-01-21 智洋创新科技股份有限公司 一种输电线路通道可视化机械类连续告警的确定方法
CN110781956A (zh) * 2019-10-24 2020-02-11 精硕科技（北京）股份有限公司 一种目标检测的方法、装置、电子设备及可读存储介质
CN110852320A (zh) * 2019-11-08 2020-02-28 积成电子股份有限公司 基于深度学习的输电通道异物入侵检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Lane Detection Method Based on Spatial Dilated Convolutional Neural Network;Shaojiang Wang;《International Journal of Computational and Engineering》;20200325;第5卷(第1期);1-5 *
Lane Line Detection based on Mask R-CNN;Bin Liu;《Proceedings of the 3rd International Conference on Mechatronics Engineering and Information Technology (ICMEIT 2019)》;20190430;1-5 *

Also Published As

Publication number Publication date
CN111428688A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
KR102197946B1 (ko) 딥러닝 인공지능 기술을 이용한 객체인식 및 카운팅 방법
CN108877269B (zh) 一种交叉路口车辆状态检测及v2x广播方法
CN105718872B (zh) 两侧车道快速定位及检测车辆偏转角度的辅助方法及系统
KR20200132714A (ko) 불법 주차를 검출하는 방법과 장치, 전자 기기, 컴퓨터 판독가능 매체
CN113139482A (zh) 交通异常检测的方法和装置
CN110738150B (zh) 相机联动抓拍方法、装置以及计算机存储介质
CN110942038A (zh) 基于视觉的交通场景识别方法、装置、介质及电子设备
CN109685062B (zh) 一种目标检测方法、装置、设备及存储介质
US11398054B2 (en) Apparatus and method for detecting fog on road
CN110225236B (zh) 为视频监控系统配置参数的方法、装置和视频监控系统
US20200272885A1 (en) Vehicle driving assist system with enhanced data processing
JP6139493B2 (ja) ナンバープレート検出装置及びナンバープレート検出方法
CN115909240A (zh) 一种基于车道线和车辆识别的道路拥堵检测方法
CN112149471B (zh) 一种基于语义点云的回环检测方法及装置
CN111695627A (zh) 路况检测方法、装置、电子设备及可读存储介质
CN111428688B (zh) 基于mask矩阵的车辆的行驶车道智能识别方法、系统
CN111339834B (zh) 车辆行驶方向的识别方法、计算机设备及存储介质
CN111540217B (zh) 基于mask矩阵的平均车速智能监测方法、系统
CN111508239B (zh) 基于mask矩阵的车流量智能识别方法、系统
CN111325178A (zh) 警示物检测结果获取方法、装置、计算机设备和存储介质
CN108389177B (zh) 一种车辆保险杠破损检测方法及交通安全预警方法
CN104537618A (zh) 图像处理方法及装置
CN114241373A (zh) 一种端到端的车辆行为检测方法、系统、设备及存储介质
KR102089230B1 (ko) 영상을 이용한 차량의 속도 예측 장치 및 방법
CN107901907B (zh) 一种基于色块统计的车道线检测方法

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
GR01 Patent grant
GR01 Patent grant