CN111523492A - 一种黑烟车的检测方法 - Google Patents
一种黑烟车的检测方法 Download PDFInfo
- Publication number
- CN111523492A CN111523492A CN202010341560.9A CN202010341560A CN111523492A CN 111523492 A CN111523492 A CN 111523492A CN 202010341560 A CN202010341560 A CN 202010341560A CN 111523492 A CN111523492 A CN 111523492A
- Authority
- CN
- China
- Prior art keywords
- black smoke
- vehicle
- continuous multi
- moving
- frame
- 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
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种黑烟车的检测方法,其包括以下步骤:提取运动目标的连续多帧图片,并去除其中的非车辆目标;提取同一个运动车辆的连续多帧图片及候选黑烟区域,并将候选黑烟区域转换为设定规格;利用卷积神经网络提取候选黑烟区域的静态特征;将同一个运动车辆的静态特征按时间顺序依次输入长短期记忆网络,得到长短期记忆网络在每一个时间步对应的隐藏状态;基于注意力机制获取同一个运动车辆在各时间步对应的隐藏状态的注意力权重,并根据注意力权重对各时间步对应的隐藏状态进行加权平均,得到背景向量;背景向量输入一层全连接层,通过全连接层输出的概率数值来识别黑烟车。本发明能够提高黑烟车检测的准确率,降低误判率。
Description
技术领域
本发明涉及环境监测领域,特别涉及一种黑烟车的检测方法。
背景技术
近年来,随着生活水平的提高,城市汽车保有量快速上升,其中不乏相当数量的黑烟车辆。黑烟车一般指使用柴油发动机且排放不达标的大中型工程车辆及货车,其在行驶过程中会排放大量含有空气污染物(PM2.5、PM10等)的黑烟尾气,对城市环境及人类健康造成了严重的危害。因此,准确高效地检测道路上的黑烟车辆对于改善空气质量及保障群众生命健康具有重要的意义。
传统黑烟车检测的方法有公众举报、定期道路检查、夜间巡视、汽车尾气分析装置及人工视频监控等。但是上述方法不仅成本昂贵,且需要耗费大量的人力物力。随着城市摄像头的日益增多及计算机视觉技术的发展,基于视频监控的黑烟车自动检测方法成为主流,该方法可以实现24小时无人值守,自动检测黑烟车辆并抓拍上传凭证。
目前,基于视频监控的黑烟车自动检测方法一般分为两步:1、通过背景差分算法(混合高斯模型、ViBe、CodeBook等)检测目标车辆并提取候选黑烟区域;2、提取黑烟区域特征进行黑烟识别,有两种实现方案,第一种提取黑烟区域的颜色、纹理、梯度等特征并通过传统机器学习算法(神经网络、支持向量机等)进行黑烟识别,第二种直接通过卷积神经网络提取候选黑烟区域的特征进行黑烟识别。
受复杂的户外场景影响(如光照、阴影、天气、路面纹理等),基于单帧图像的黑烟车检测方法存在准确率低、误判率高、鲁棒性差的缺点。为了提高黑烟车检测方法的鲁棒性,专利文献CN109409242A公开了一种基于循环卷积神经网络的黑烟车检测方法,该方法结合连续多帧黑烟区域进行黑烟识别,利用卷积神经网络(CNN,Convolutional NeuralNetworks)提取单帧黑烟区域的特征,再将特征输入长短期记忆网络(LSTM,Long Short-Term Memory)以捕捉目标车辆在时间线上的信息,最后通过LSTM网络最后一个时间步的隐藏状态(hidden state)表征多帧黑烟区域的信息,将该隐藏状态输入一层全连接层进行黑烟识别。受LSTM网络限制,当黑烟序列较长时(时间跨度较大),序列初始阶段的黑烟信息可能丢失,进而导致出现误判的情况。
发明内容
为解决上述问题,本发明公开了一种黑烟车的检测方法,该方法能够提高黑烟车检测的准确率,降低误判率。
为了达到上述目的,本发明提供如下技术方案:一种黑烟车的检测方法,包括以下步骤:
前景目标检测模块通过监控视频提取运动目标的连续多帧图片,并去除其中的非车辆目标,得到包含多个运动车辆的连续多帧图片;
在包含多个运动车辆的连续多帧图片中,前景目标检测模块判定并提取同一个所述运动车辆的连续多帧图片;
黑烟识别模块提取每一个所述运动车辆的候选黑烟区域的连续多帧图片,并将候选黑烟区域的连续多帧图片分别转换为设定规格;
黑烟识别模块利用卷积神经网络提取每一个所述候选黑烟区域的连续多帧图片的静态特征;
黑烟识别模块将同一个所述运动车辆的静态特征按时间顺序依次输入长短期记忆网络,得到长短期记忆网络在每一个时间步对应的隐藏状态;
黑烟识别模块基于注意力机制,获取同一个所述运动车辆在各时间步对应的隐藏状态的注意力权重,并根据注意力权重对各时间步对应的隐藏状态进行加权平均,得到背景向量;
黑烟识别模块将所述背景向量输入一层全连接层,通过全连接层输出的概率数值来识别黑烟车。
可选的,所述前景目标检测模块在去除所述非车辆目标的步骤为:
去除外接矩形面积小于Smin的运动目标,Smin的取值范围是1500~2000个像素;
去除外接矩形的宽高比在0.4~1.3以外的运动目标;
通过上述步骤筛选出的目标为所述运动车辆。
可选的,所述前景目标检测模块判定并提取同一个运动车辆的连续多帧图片的步骤为:
前景检测模块获取后一帧中每个运动车辆中心坐标与前一帧中每个运动车辆中心坐标之间的欧氏距离,
前景检测模块判定连续两帧中的两个运动车辆中心坐标之间的欧式距离最小,且后一帧中的高度坐标小于前一帧中的高度坐标的两个运动车辆为同一个运动车辆。
可选的,所述候选黑烟区域在经过黑烟识别模块转换后的规格为299*299。
可选的,所述卷积神经网络为VGG卷积网络、ResNet卷积网络、GoogleNet卷积网络(Inception v1)、Inception v2卷积网络、Inception v3卷积网络、Inception-ResNet卷积网络中的任意一种。
可选的,所述卷积神经网络在ImageNet数据集上进行预训练,并去除预训练模型的1000分类输出层,得到一个多维的特征向量。
可选的,所述长短期记忆网络层数为1~2层,每层神经元个数为128~1024。
可选的,所述全连接层由两个神经元组成。
采用上述技术方案,本发明与现有技术相比,具有以下有益效果:
1、本发明通过面积及宽高比过滤非车辆目标,避免了无效的计算及明显的误判。
2、本发明基于注意力机制对各时间步的隐藏状态进行加权平均,得到一个背景向量,并将背景向量输入一层全连接层进行黑烟识别,因而能够保留各时间步的黑烟特征,解决了长短期记忆网络处理长时间序列时容易丢失初始阶段特征的限制,进一步提高了黑烟车识别的准确率及降低误判率。
附图说明
图1是本发明的流程图。
图2是本发明的模型结构示意图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明提出了一种黑烟车的检测方法,该方法结合了卷积神经网络、长短期记忆网络及注意力机制,提取道路监控视频中运动车辆的连续多帧图片进行黑烟识别,可以快速准确地识别黑烟车辆。本发明通过卷积神经网络提取单帧黑烟图片的多维静态特征,再将连续多帧图片的候选黑烟区域的静态特征按时间顺序输入长短期记忆网络,引入注意力机制对长短期记忆网络各时间步隐藏状态进行加权平均得到背景向量,保留了各时间步的黑烟特征,提高了黑烟识别的准确率。
本发明提供的黑烟车检测方法,该方法是基于黑烟车检测系统来实现黑烟车的检测的,其中,黑烟车系统包括前景目标检测模块和黑烟识别模块,前景目标检测模块用于检测、获取运动目标,并将非车辆目标去除,黑烟识别模块用于提取并识别黑烟区域,并且输出最终的判断结果。
具体地说,如图1所示,本发明提供的黑烟车检测方法,包括如下步骤:
S1、前景目标检测模块采用混合高斯模型从监控视频中获取运动目标的连续多帧图片。
S101:背景建模。
对于视频中每个像素点建立一个混合高斯模型:
其中,BG为背景模型,FG为前景模型,T为数据保留时间,为像素点对应的训练数据集,M为高斯分布的个数,πm为高斯分布的权重,与分别为高斯模型的均值及协方差矩阵,以第一帧图片对模型进行初始化,取权重最大的B个高斯分布作为像素点的背景模型:
其中,cf为表征像素点属于前景目标的最大度量,取值范围为0.1~0.3。
S102:对像素点进行分类。
前景目标检测模块计算像素点与其对应的各高斯分布之间的马氏距离Dm,其计算依据为:
若像素点马氏距离小于4,则称像素点与该高斯分布“匹配”,若该高斯分布属于背景模型,则将像素点判定为背景像素点,否则为前景像素点(即运动目标)。
S103:模型更新。
在步骤S102后,根据下式对像素点各高斯模型进行更新:
πm←πm+α(om-πm)-αcT;
S104:重复步骤S102和S103,直至对每个像素点判定完成。
S2、前景目标检测模块提取所有的前景目标(即运动目标),并去除其中的非车辆目标,得到包含多个运动车辆的连续多帧图片。
S201:前景目标检测模块去除外接矩形面积小于Smin的运动目标,Smin为常见车辆的最小值,一般为1500~2000个像素;
S202:前景目标检测模块去除外接矩形宽高比不符合要求的运动目标,常见车辆宽高比范围一般为0.4~1.3。
S3、前景目标检测模块提取同一车辆的连续多帧图片。
S301:前景目标检测模块计算后一帧中每个运动车辆的中心坐标与前一帧中每个运动车辆的中心坐标之间的欧氏距离;
S302:判定距离最小,且后一帧高度坐标小于前一帧的两个运动车辆为同一个运动车辆;
S303:对视频中的每一帧,按照S301及S302循环处理,对运动车辆进行跟踪,提取所有的运动车辆的连续多帧图片。
S4、黑烟识别模块提取候选黑烟区域并转换成指定的尺寸。
S401:提取运动车辆的下半部分区域作为候选黑烟区域;
S402:利用双线性插值算法将候选黑烟区域转换成299×299的图片。
S5、黑烟识别模块利用卷积神经网络提取单帧候选黑烟区域的静态特征,采用VGG、ResNet、GoogleNet(Inception v1)、Inception v2、Inception v3、Inception-ResNet中的一种卷积网络进行模型迁移,上述卷积网络已经在ImageNet数据集(1000分类)上进行了预训练,去除上述预训练模型的1000分类输出层,得到一个多维的特征向量,例如使用Inception v3可以得到2048维的特征向量。
S6、如图2所示,黑烟识别模块将同一运动车辆经上述卷积神经网络提取的多维特征向量按时间顺序依次输入一个1~2层且每层神经元个数为128~1024的长短期记忆网络,得到长短期记忆网络各时间步的隐藏状态。
S7:黑烟识别模块基于注意力机制获取各时间步隐藏状态的注意力权重,并根据注意力权重对各时间步隐藏状态进行加权平均得到背景向量。
S701:利用下式获取各时间步隐藏状态的注意力权重:
其中,ht为长短期记忆网络在时间步t的隐藏状态,at为时间步t的注意力权重,T为总时间步数,v、Wd、b为模型参数;
S8:黑烟识别模块将背景向量输入一层全连接层进行分类,全连接层由两个神经元组成,并使用softmax函数进行分类,softmax函数按次序输出两个数值K1、K2,其表达式为:
L为全连接层输出向量维度,ei为全连接层输出向量中的元素。
其中,K1排列在前,K2排列在后,并且K1+K2=1。当K1>0.5时,则判定候选黑烟区域的运动车辆为黑烟车,否则判定为非黑烟车。
本发明通过混合高斯模型检测运动目标,通过面积及宽高比去除非车辆目标,避免了无效的后续计算及明显的误判;针对长短期记忆网络处理长时间序列存在的不足,引入注意力机制对各时间步隐藏状态进行加权平均,能有效地保留多帧黑烟图片的信息,进一步提高黑烟车识别准确率的同时降低了误判率。
需要说明的是,在图2中,h1......ht-1、ht为长短期记忆网络各时间步的隐藏状态。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种黑烟车的检测方法,其特征在于,包括以下步骤:
前景目标检测模块通过监控视频提取运动目标的连续多帧图片,并去除其中的非车辆目标,得到包含多个运动车辆的连续多帧图片;
在包含多个运动车辆的连续多帧图片中,前景目标检测模块判定并提取同一个所述运动车辆的连续多帧图片;
黑烟识别模块提取每一个所述运动车辆的候选黑烟区域的连续多帧图片,并将候选黑烟区域的连续多帧图片分别转换为设定规格;
黑烟识别模块利用卷积神经网络提取每一个所述候选黑烟区域的连续多帧图片的静态特征;
黑烟识别模块将同一个所述运动车辆的静态特征按时间顺序依次输入长短期记忆网络,得到长短期记忆网络在每一个时间步对应的隐藏状态;
黑烟识别模块基于注意力机制,获取同一个所述运动车辆在各时间步对应的隐藏状态的注意力权重,并根据注意力权重对各时间步对应的隐藏状态进行加权平均,得到背景向量;
黑烟识别模块将所述背景向量输入一层全连接层,通过全连接层输出的概率数值来识别黑烟车。
2.根据权利要求1所述的黑烟车检测方法,其特征在于,所述前景目标检测模块在去除所述非车辆目标的步骤为:
去除外接矩形面积小于Smin的运动目标,Smin的取值范围是1500~2000个像素;
去除外接矩形的宽高比在0.4~1.3以外的运动目标;
通过上述步骤筛选出的目标为所述运动车辆。
3.根据权利要求2所述的黑烟车的检测方法,其特征在于,所述前景目标检测模块判定并提取同一个运动车辆的连续多帧图片的步骤为:
前景检测模块获取后一帧中每个运动车辆中心坐标与前一帧中每个运动车辆中心坐标之间的欧氏距离,
前景检测模块判定连续两帧中的两个运动车辆中心坐标之间的欧式距离最小,且后一帧中的高度坐标小于前一帧中的高度坐标的两个运动车辆为同一个运动车辆。
4.根据权利要求3所述的黑烟车的检测方法,其特征在于,所述候选黑烟区域在经过黑烟识别模块转换后的规格为299*299。
5.根据权利要求4所述的黑烟车的检测方法,其特征在于,所述卷积神经网络为VGG卷积网络、ResNet卷积网络、GoogleNet卷积网络(Inception v1)、Inception v2卷积网络、Inception v3卷积网络、Inception-ResNet卷积网络中的任意一种。
6.根据权利要求5所述的黑烟车的检测方法,其特征在于,所述卷积神经网络在ImageNet数据集上进行预训练,并去除预训练模型的1000分类输出层,得到一个多维的特征向量。
7.根据权利要求6所述的黑烟车的检测方法,其特征在于,所述长短期记忆网络层数为1~2层,每层神经元个数为128~1024。
8.根据权利要求7所述的黑烟车的检测方法,其特征在于,所述全连接层由两个神经元组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010341560.9A CN111523492B (zh) | 2020-04-26 | 2020-04-26 | 一种黑烟车的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010341560.9A CN111523492B (zh) | 2020-04-26 | 2020-04-26 | 一种黑烟车的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523492A true CN111523492A (zh) | 2020-08-11 |
CN111523492B CN111523492B (zh) | 2023-04-18 |
Family
ID=71904567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010341560.9A Active CN111523492B (zh) | 2020-04-26 | 2020-04-26 | 一种黑烟车的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523492B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002022827A (ja) * | 2000-07-13 | 2002-01-23 | Denso Corp | 物体認識方法及び装置、記録媒体 |
US20160318368A1 (en) * | 2015-04-29 | 2016-11-03 | International Business Machines Corporation | Automatic Vehicle Climate Control Based on Predicted Air Quality |
CN107133974A (zh) * | 2017-06-02 | 2017-09-05 | 南京大学 | 高斯背景建模与循环神经网络相结合的车型分类方法 |
WO2018130016A1 (zh) * | 2017-01-10 | 2018-07-19 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的停车检测方法及装置 |
CN109190455A (zh) * | 2018-07-18 | 2019-01-11 | 东南大学 | 基于高斯混合和自回归滑动平均模型的黑烟车识别方法 |
CN109191495A (zh) * | 2018-07-17 | 2019-01-11 | 东南大学 | 基于自组织背景差模型和多特征融合的黑烟车检测方法 |
CN109409242A (zh) * | 2018-09-28 | 2019-03-01 | 东南大学 | 一种基于循环卷积神经网络的黑烟车检测方法 |
WO2019237567A1 (zh) * | 2018-06-14 | 2019-12-19 | 江南大学 | 基于卷积神经网络的跌倒检测方法 |
-
2020
- 2020-04-26 CN CN202010341560.9A patent/CN111523492B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002022827A (ja) * | 2000-07-13 | 2002-01-23 | Denso Corp | 物体認識方法及び装置、記録媒体 |
US20160318368A1 (en) * | 2015-04-29 | 2016-11-03 | International Business Machines Corporation | Automatic Vehicle Climate Control Based on Predicted Air Quality |
WO2018130016A1 (zh) * | 2017-01-10 | 2018-07-19 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的停车检测方法及装置 |
CN107133974A (zh) * | 2017-06-02 | 2017-09-05 | 南京大学 | 高斯背景建模与循环神经网络相结合的车型分类方法 |
WO2019237567A1 (zh) * | 2018-06-14 | 2019-12-19 | 江南大学 | 基于卷积神经网络的跌倒检测方法 |
CN109191495A (zh) * | 2018-07-17 | 2019-01-11 | 东南大学 | 基于自组织背景差模型和多特征融合的黑烟车检测方法 |
CN109190455A (zh) * | 2018-07-18 | 2019-01-11 | 东南大学 | 基于高斯混合和自回归滑动平均模型的黑烟车识别方法 |
CN109409242A (zh) * | 2018-09-28 | 2019-03-01 | 东南大学 | 一种基于循环卷积神经网络的黑烟车检测方法 |
Non-Patent Citations (2)
Title |
---|
封晶;: "基于区域卷积神经网络的车辆检测方法" * |
查伟伟;白天;: "公路视频实时车辆检测分类与车流量统计算法" * |
Also Published As
Publication number | Publication date |
---|---|
CN111523492B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902732B (zh) | 车辆自动分类方法及相关装置 | |
CN111368687B (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
CN109165623B (zh) | 基于深度学习的水稻病斑检测方法及系统 | |
CN111611905B (zh) | 一种可见光与红外融合的目标识别方法 | |
CN113436169B (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统 | |
CN111539343B (zh) | 一种基于卷积注意力网络的黑烟车检测方法 | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN112287941B (zh) | 一种基于自动字符区域感知的车牌识别方法 | |
CN110969160A (zh) | 一种基于深度学习的车牌图像校正、识别方法及系统 | |
CN111274942A (zh) | 一种基于级联网络的交通锥识别方法及装置 | |
CN111709416A (zh) | 车牌定位方法、装置、系统及存储介质 | |
CN112633149A (zh) | 一种域自适应雾天图像目标检测方法和装置 | |
CN113780132A (zh) | 一种基于卷积神经网络的车道线检测方法 | |
CN111008632A (zh) | 一种基于深度学习的车牌字符分割方法 | |
CN111985314B (zh) | 一种基于ViBe与改进LBP的烟雾检测方法 | |
CN113205107A (zh) | 一种基于改进高效率网络的车型识别方法 | |
CN110969164A (zh) | 基于深度学习端对端的低照度成像车牌识别方法及装置 | |
CN114332942A (zh) | 基于改进YOLOv3的夜间红外行人检测方法及系统 | |
CN115376108A (zh) | 一种复杂天气下障碍物检测方法及装置 | |
CN111461076A (zh) | 帧差法与神经网络结合的烟雾检测方法和检测系统 | |
CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
CN111160282B (zh) | 一种基于二值化Yolov3网络的红绿灯检测方法 | |
CN110503049B (zh) | 基于生成对抗网络的卫星视频车辆数目估计方法 | |
CN111523492B (zh) | 一种黑烟车的检测方法 | |
CN117197687A (zh) | 一种面向无人机航拍密集小目标的检测方法 |
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 |