CN111582339B - 一种基于深度学习的车辆检测与识别的方法 - Google Patents
一种基于深度学习的车辆检测与识别的方法 Download PDFInfo
- Publication number
- CN111582339B CN111582339B CN202010347978.0A CN202010347978A CN111582339B CN 111582339 B CN111582339 B CN 111582339B CN 202010347978 A CN202010347978 A CN 202010347978A CN 111582339 B CN111582339 B CN 111582339B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data set
- original
- training
- random
- 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
Links
Classifications
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
Abstract
本发明公开了一种基于深度学习的车辆检测与识别的方法,包括如下步骤:S1、采集原始车辆图片数据;S2、制作原始训练数据集;S3、对步骤S2得到的原始训练数据集进行数据增强,形成最终训练数据集;S4、对Faster RCNN网络模型进行改进;S5、利用步骤S3得到的最终训练数据集对步骤S4得到的改进后的Faster RCNN网络模型进行训练;S6、把需要检测的车辆图像输入训练后的预测模型中,得到车辆检测结果。本发明通过对深度学习算法Faster RCNN进行了改进,构建新的目标检测方法,实现更加准确地检测出目标。
Description
技术领域
本发明涉及计算机视觉领域、人工智能与模式识别等领域,具体涉及一种基于改进Faster RCNN的车辆检测与识别的方法。
背景技术
随着人们生活水平得到提高,车辆逐年增多,给道路交通带来的巨大的压力,道路堵塞、交通事故频频发生。通过车载视觉传感器可以实时准确的检测出道路上的车辆,以利于驾驶员提前发现潜在的危险,提醒驾驶员提前控制车辆制动或者转向等措施以避免交通事故的发生。目前,车辆目标检测技术在智能交通系统中有着重要的作用。
传统的车辆检测方法基于方向梯度直方图(HOG)特征和尺度不变特征变换(SIFT)等传统的方法对车辆进行特征提取,将提取出来的特征用支持向量机(SVM)、迭代器(Adaboost)等分类器进行车辆检测。这些方法需要研究人员的大量的先验知识,并且提取的特征为底层特征,在复杂的天气状况下车辆检测效果差,检测精度低,检测速度慢。
随着人工智能的发展,卷积神经网络成为提取图片特征的主要方法。基于深度学习的目标检测算法主要有YOLO和SSD网络,但是在复杂天气和被遮挡的情况下,车辆的检测精度不够高。Faster RCNN在检测物体时有较高的检测精度和检测速度,但是网络模型参数量巨大,难以在计算力有限的移动端硬件平台使用,不能达到实时检测,对于小尺度目标,该算法的精度较低。
发明内容
针对现有技术的不足,本发明旨在提供一种基于深度学习的车辆检测与识别的方法,通过对深度学习算法Faster RCNN进行了改进,构建新的目标检测方法,实现更加准确地检测出目标。
为了实现上述目的,本发明采用如下技术方案:
一种基于深度学习的车辆检测与识别的方法,包括如下步骤:
S1、采集原始车辆图片数据;
S2、制作原始训练数据集;
S3、对步骤S2得到的原始训练数据集进行数据增强,形成最终训练数据集;
S4、对Faster RCNN网络模型进行改进,改进的内容包括:
1)对Faster RCNN网络模型的共享卷积网络VGGNet-16进行改进:
将共享卷积网络VGGNet-16的第3层到第13层的3×3卷积修改为Fire Module;
2)在原有的Faster RCNN网络模型的RPN网络的基础上增加6个更小的anchors,即Faster RCNN网络模型在特征图的每一像素点上抽取15种Anchors,具体尺度为(1282、2562、5122、322、642)和3类长宽比(1:1,2:1,1:2);
3)用ROI Align代替原有的Faster RCNN网络模型中的ROI Pooling;
4)采用多尺度训练作为Faster RCNN网络模型的训练方式;
S5、利用步骤S3得到的最终训练数据集对步骤S4得到的改进后的Faster RCNN网络模型进行训练;
S6、把需要检测的车辆图像输入训练后的预测模型中,得到车辆检测结果。
进一步地,步骤S2的具体过程如下:
S2.1、下载VOC2007数据集,并将步骤S1采集得到的原始车辆图片数据移动到VOC2007数据集的data文件夹下;
S2.2、使用标注工具对原始车辆图片数据进行标注,用矩形框框出原始车辆图片中的车辆,并生成xml文件,xml文件保存矩形框坐标和车辆类型,保存格式为[车辆类型,矩形框中心x坐标,矩形框中心y坐标,车辆宽度w,车辆高度h];删除难以人工标注的原始车辆图片;将得到的xml文件替换VOC2007数据集中Annotations文件夹内的文件;
S2.3、根据步骤S2.2生成的xml文件,对应生成名称为train、test、trainval和val的txt文件,用这四个txt文件替换VOC2007数据集中Main文件夹内的txt文件;
S2.4、初始化模型参数,下载预训练模型将其放在data文件夹下。
进一步地,步骤S3的具体过程为:
先对原始训练数据集依次进行亮度随机调整、对比度随机调整、色相随机调整、饱和度随机调整、通道随机调换光学变换,再依次进行随机扩展、随机剪裁、随机镜像、随机到固定比例几何变换,最后进行去均值变换,得到最终训练数据集。
进一步地,所述多尺度训练中,设置三种输入尺度(600,800,1000),训练时,每张车辆图片被随机分配一种尺度。
本发明的有益效果在于:本发明通过对深度学习算法Faster RCNN进行了改进,将共享卷积网络VGGNet-16轻量化设计,减少模型参数,减小计算量,加快模型的训练速度;在RPN网络上增加更小的anchors、用ROI Align特征池化,有利于提高小目标检测准确率;多尺度训练可提高检测性能。
附图说明
图1为本发明实施例中的总体方法流程示意图;
图2为本发明实施例中数据增强的流程示意图;
图3为本发明实施例中Fire Module的结构图;
图4为本发明实施例中改进的VGGNet-16网络结构示意图。
具体实施方式
以下将结合附图对本发明作进一步的描述,需要说明的是,本实施例以本技术方案为前提,给出了详细的实施方式和具体的操作过程,但本发明的保护范围并不限于本实施例。
本实施例提供一种基于深度学习的车辆检测与识别的方法,如图1所示,包括如下步骤:
S1、采集原始车辆图片数据;
S2、制作原始训练数据集:
S2.1、下载VOC2007数据集,并将步骤S1采集得到的原始车辆图片数据移动到VOC2007数据集的data文件夹下;
S2.2、使用标注工具对原始车辆图片数据进行标注,用矩形框框出原始车辆图片中的车辆,并生成xml文件,xml文件保存矩形框坐标和车辆类型,保存格式为[车辆类型,矩形框中心x坐标,矩形框中心y坐标,车辆宽度w,车辆高度h];删除难以人工标注的原始车辆图片;将得到的xml文件替换VOC2007数据集中Annotations文件夹内的文件;
S2.3、根据步骤S2.2生成的xml文件,对应生成名称为train、test、trainval和val的txt文件,用这四个txt文件替换VOC2007数据集中Main文件夹内的txt文件;
S2.4、初始化模型参数,下载预训练模型将其放在data文件夹下。
S3、对步骤S2得到的原始训练数据集进行数据增强,形成最终训练数据集;
具体流程如图2所示,先对原始训练数据集依次进行亮度随机调整、对比度随机调整、色相随机调整、饱和度随机调整、通道随机调换光学变换,再依次进行随机扩展、随机剪裁、随机镜像、随机到固定比例几何变换,最后进行去均值变换,得到最终训练数据集。
S4、对Faster RCNN网络模型进行改进,改进的内容包括:
1)对Faster RCNN网络模型的共享卷积网络VGGNet-16进行改进,改进后的结构如图4所示:
将共享卷积网络VGGNet-16的第3层到第13层的3×3卷积修改为参数量较少的Fire Module;Fire Module的结构如图3所示,具体包括:
SqueezeNet层:用于首先使用1×1卷积对特征图进行降维,特征图的尺寸不变,减少输入通道的数量,达到压缩的目的;
Expand层:用于对SqueezeNet层得到的特征图并行地使用1×1卷积和3×3卷积获得不同感受野的特征图,达到扩展的目的;
Concat层:用于对Expand层得到的两个特征图进行通道拼接,作为最终输出;
所述Fire Module中,输入的特征图通道数量与融合后的特征图通道数量相同,激活函数使用ReLU函数。
2)在原有的Faster RCNN网络模型的RPN网络的基础上增加6个更小的anchors;具体流程如下:
对特征图进行3×3卷积的操作,得到特征图每一个像素点的维度是512维,这512维的数据对应着原始车辆图片上很多不同的大小与宽高区域的特征,这些区域的中心点都相同,原始车辆图片到特征图的采样率为16,则特征图上每一个点的坐标乘以16即可得到对应的原始车辆图片坐标;
为适应不同的物体大小与宽高,原有的Faster RCNN网络模型的RPN网络在特征图的每一点上抽取9种Anchors,具体尺度为(1282、2562、5122)和3类长宽比(1:1,2:1,1:2),为了使其对小尺度车辆有更好的检测效果,本实施例中,在原有的Faster RCNN网络模型的RPN网络的基础上增加了尺度(322、642),即具体尺度为(1282、2562、5122、322、642),从而增加了6种更小的Anchors,则每个像素点上有15个Anchors。
改进后的共享卷积网络的后面连接3×3×512卷积核提取特征,3×3×512卷积核的后面连接两个并行的1×1×512卷积核的分类层网络和回归层网络,所述分类层网络用于判断Anchors是前景的概率,回归层网络用于预测偏移量,通过作用在Anchors上使得Anchors更接近真实物体;因此,经过分类层网络和回归层网络后,可以得到每一个Anchors的前景概率和偏移量。
3)用ROI Align代替原有的Faster RCNN网络模型中的ROI Pooling;
其中,所述ROI Align是将感兴趣区域固定为7ⅹ7大小的池化层;ROI Align使用双线性插值的方法获得坐标为浮点数的像素点上的图像数值,可以减少误差,对数据集小物体的检测有效的改善。
双线性插值过程如下所示:
假设已知函数f在Q11=(x1,y1),Q12=(x1,y2),Q21=(x2,y1),Q22=(x2,y2)四个点的值,先在x方向进行线性插值,公式如下所示:
R1=(x,y1);
其中,R1为Q11与Q21的插值;
R2=(x,y2);
其中,R1为Q12与Q22的插值;
然后在y方向进行线性插值:
其中,P为两次插值结果;
得到所要的结果f(x,y):
4)采用多尺度训练作为Faster RCNN网络模型的训练方式;
所述多尺度训练具体为,设置三种输入尺度(600,800,1000),训练时,每张车辆图片被随机分配一种尺度以输入Faster RCNN网络模型。
在实际场景中,所采集的数据中远处和近处的车辆及不同类型的车辆尺寸占图比差别较大,原有的Faster RCNN模型中训练样本图片均为单一尺度的图片,对图像中占图比较小的车辆目标会出现漏检的情况。采用多尺度训练,训练出的模型学习特征范围会变广,能够降低目标漏检率,提高车辆检测的精确度,使训练出来的模型对目标大小具有一定的鲁棒性。
S5、利用步骤S3得到的最终训练数据集对步骤S4得到的改进后的Faster RCNN网络模型进行训练;
将步骤S3的最终训练数据集输入改进后的共享卷积网络VGGNet-16中进行特征提取,然后将得到的特征图输入改进的RPN网络生成预测框,读入GT框和预测框信息对RPN网络进行训练获取精确的预测框,然后筛选预测框得到ROIs,采用ROI Align网络生成尺寸大小相同的特征图,其后将得到的特征图输入Fast RCNN网络,将RPN网络和Fast RCNN网络交替训练,最后用多尺度训练方式进行训练,得到训练后的预测模型;
S6、把需要检测的车辆图像输入训练后的预测模型中,得到车辆检测结果。
具体地,将需要检测的车辆图像输入改进后的共享卷积网络VGGNet-16中进行特征提取,改进后的RPN网络在特征图上生成候选区域,采用Soft NMS筛选候选框,然后采用ROI Align固定候选框大小,其后检测网络计算得分和类别,生成尺寸大小相同的特征图,最后输出检测结果。
对于本领域的技术人员来说,可以根据以上的技术方案和构思,给出各种相应的改变和变形,而所有的这些改变和变形,都应该包括在本发明权利要求的保护范围之内。
Claims (3)
1.一种基于深度学习的车辆检测与识别的方法,其特征在于,包括如下步骤:
S1、采集原始车辆图片数据;
S2、制作原始训练数据集;
S3、对步骤S2得到的原始训练数据集进行数据增强,形成最终训练数据集:
先对原始训练数据集依次进行亮度随机调整、对比度随机调整、色相随机调整、饱和度随机调整、通道随机调换光学变换,再依次进行随机扩展、随机剪裁、随机镜像、随机到固定比例几何变换,最后进行去均值变换,得到最终训练数据集;
S4、对Faster RCNN网络模型进行改进,改进的内容包括:
1)对Faster RCNN网络模型的共享卷积网络VGGNet-16进行改进:
将共享卷积网络VGGNet-16的第3层到第13层的3×3卷积修改为Fire Module;
2)在原有的Faster RCNN网络模型的RPN网络的基础上增加6个更小的anchors,即Faster RCNN网络模型在特征图的每一像素点上抽取15种Anchors,具体尺度为(1282、2562、5122、322、642)和3类长宽比(1:1,2:1,1:2);
3)用ROI Align代替原有的Faster RCNN网络模型中的ROI Pooling;
4)采用多尺度训练作为Faster RCNN网络模型的训练方式;
S5、利用步骤S3得到的最终训练数据集对步骤S4得到的改进后的Faster RCNN网络模型进行训练;
S6、把需要检测的车辆图像输入训练后的预测模型中,得到车辆检测结果。
2.根据权利要求1所述的基于深度学习的车辆检测与识别的方法,其特征在于,步骤S2的具体过程如下:
S2.1、下载VOC2007数据集,并将步骤S1采集得到的原始车辆图片数据移动到VOC2007数据集的data文件夹下;
S2.2、使用标注工具对原始车辆图片数据进行标注,用矩形框框出原始车辆图片中的车辆,并生成xml文件,xml文件保存矩形框坐标和车辆类型,保存格式为[车辆类型,矩形框中心x坐标,矩形框中心y坐标,车辆宽度w,车辆高度h];删除难以人工标注的原始车辆图片;将得到的xml文件替换VOC2007数据集中Annotations文件夹内的文件;
S2.3、根据步骤S2.2生成的xml文件,对应生成名称为train、test、trainval和val的txt文件,用这四个txt文件替换VOC2007数据集中Main文件夹内的txt文件;
S2.4、初始化模型参数,下载预训练模型将其放在data文件夹下。
3.根据权利要求1所述的基于深度学习的车辆检测与识别的方法,其特征在于,所述多尺度训练中,设置三种输入尺度(600,800,1000),训练时,每张车辆图片被随机分配一种尺度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010347978.0A CN111582339B (zh) | 2020-04-28 | 2020-04-28 | 一种基于深度学习的车辆检测与识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010347978.0A CN111582339B (zh) | 2020-04-28 | 2020-04-28 | 一种基于深度学习的车辆检测与识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582339A CN111582339A (zh) | 2020-08-25 |
CN111582339B true CN111582339B (zh) | 2023-07-25 |
Family
ID=72125016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010347978.0A Active CN111582339B (zh) | 2020-04-28 | 2020-04-28 | 一种基于深度学习的车辆检测与识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582339B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364686A (zh) * | 2020-09-25 | 2021-02-12 | 江苏师范大学 | 基于深度学习的复杂天气道路场景识别系统的设计方法 |
CN112241950A (zh) * | 2020-10-19 | 2021-01-19 | 福州大学 | 一种塔式起重机裂缝图像的检测方法 |
CN113177912A (zh) * | 2021-04-13 | 2021-07-27 | 北京科技大学 | 一种基于深度学习的胃息肉检测方法及装置 |
CN113158966A (zh) * | 2021-05-08 | 2021-07-23 | 浙江浩腾电子科技股份有限公司 | 基于深度学习的非机动车骑车带人行为识别的检测方法 |
CN113743233B (zh) * | 2021-08-10 | 2023-08-01 | 暨南大学 | 基于YOLOv5和MobileNetV2的车辆型号识别方法 |
CN113673491B (zh) * | 2021-10-22 | 2022-04-01 | 江苏金晓电子信息股份有限公司 | 一种基于龙芯2k1000处理器实现高精度车辆识别的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273836A (zh) * | 2017-06-07 | 2017-10-20 | 深圳市深网视界科技有限公司 | 一种行人检测识别方法、装置、模型和介质 |
CN109886147A (zh) * | 2019-01-29 | 2019-06-14 | 电子科技大学 | 一种基于单网络多任务学习的车辆多属性检测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7128266B2 (en) * | 2003-11-13 | 2006-10-31 | Metrologic Instruments. Inc. | Hand-supportable digital imaging-based bar code symbol reader supporting narrow-area and wide-area modes of illumination and image capture |
CN107368859A (zh) * | 2017-07-18 | 2017-11-21 | 北京华信佳音医疗科技发展有限责任公司 | 病变识别模型的训练方法、验证方法和病变图像识别装置 |
CN107492095A (zh) * | 2017-08-02 | 2017-12-19 | 西安电子科技大学 | 基于深度学习的医学图像肺结节检测方法 |
CN107665336A (zh) * | 2017-09-20 | 2018-02-06 | 厦门理工学院 | 智能冰箱中基于Faster‑RCNN的多目标检测方法 |
CN108182413B (zh) * | 2017-12-29 | 2022-01-25 | 中国矿业大学(北京) | 一种矿井移动目标检测与跟踪识别方法 |
CN109284704A (zh) * | 2018-09-07 | 2019-01-29 | 中国电子科技集团公司第三十八研究所 | 基于cnn的复杂背景sar车辆目标检测方法 |
CN109815802A (zh) * | 2018-12-18 | 2019-05-28 | 中国海洋大学 | 一种基于卷积神经网络的监控视频车辆检测与识别方法 |
CN109816024B (zh) * | 2019-01-29 | 2021-08-31 | 电子科技大学 | 一种基于多尺度特征融合与dcnn的实时车标检测方法 |
CN110688982B (zh) * | 2019-10-14 | 2022-07-01 | 重庆邮电大学 | 基于目标检测技术和aco-bp算法的智能轨道交通时间控制方法 |
CN111016932B (zh) * | 2019-12-02 | 2021-02-12 | 江西理工大学 | 节能型空轨系统的轨道巡检车和检测方法 |
-
2020
- 2020-04-28 CN CN202010347978.0A patent/CN111582339B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273836A (zh) * | 2017-06-07 | 2017-10-20 | 深圳市深网视界科技有限公司 | 一种行人检测识别方法、装置、模型和介质 |
CN109886147A (zh) * | 2019-01-29 | 2019-06-14 | 电子科技大学 | 一种基于单网络多任务学习的车辆多属性检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111582339A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582339B (zh) | 一种基于深度学习的车辆检测与识别的方法 | |
CN110427937B (zh) | 一种基于深度学习的倾斜车牌矫正和不定长车牌识别方法 | |
CN111709416B (zh) | 车牌定位方法、装置、系统及存储介质 | |
CN111814623A (zh) | 一种基于深度神经网络的车辆车道偏离视觉检测方法 | |
CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
CN111898523A (zh) | 一种基于迁移学习的遥感图像特种车辆目标检测方法 | |
CN105354568A (zh) | 基于卷积神经网络的车标识别方法 | |
CN105989334B (zh) | 基于单目视觉的道路检测方法 | |
CN113486886B (zh) | 一种自然场景下的车牌识别方法和装置 | |
CN111709307B (zh) | 一种基于分辨率增强的遥感图像小目标检测方法 | |
CN111898627B (zh) | 一种基于pca的svm云微粒子优化分类识别方法 | |
Zang et al. | Traffic lane detection using fully convolutional neural network | |
CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN110991374B (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
CN116343150A (zh) | 一种基于改进YOLOv7的道路标识目标检测方法 | |
CN116279592A (zh) | 一种用于无人物流车的可行驶区域划分方法 | |
CN111444916A (zh) | 面向无约束条件下的车牌定位及识别方法、系统 | |
CN112053407B (zh) | 一种交通执法影像中基于ai技术的车道线自动检测方法 | |
CN111881914B (zh) | 一种基于自学习阈值的车牌字符分割方法及系统 | |
CN115346206B (zh) | 基于改进超分辨的深度卷积特征识别的车牌检测方法 | |
CN108734170B (zh) | 基于机器学习和模板的车牌字符分割方法 | |
CN114882469B (zh) | 一种基于dl-ssd模型的交通标志检测方法及系统 | |
CN113128500A (zh) | 一种基于Mask-RCNN的非机动车车牌识别方法及系统 | |
CN112347967A (zh) | 一种复杂场景下融合运动信息的行人检测方法 | |
CN115272992B (zh) | 一种车辆姿态估计方法 |
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 |