CN111783604A - 基于目标识别的车辆控制方法、装置、设备及车辆 - Google Patents
基于目标识别的车辆控制方法、装置、设备及车辆 Download PDFInfo
- Publication number
- CN111783604A CN111783604A CN202010592537.7A CN202010592537A CN111783604A CN 111783604 A CN111783604 A CN 111783604A CN 202010592537 A CN202010592537 A CN 202010592537A CN 111783604 A CN111783604 A CN 111783604A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- edge
- feature vector
- target
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Abstract
本发明实施例公开了一种基于目标识别的车辆控制方法、装置、设备及车辆。包括:对采集的车辆前方图像进行灰度化处理,获得灰度图像;对所述灰度图像进行边缘提取,获得边缘图像;对所述边缘图像进行特征提取,获得特征向量;将所述特征向量输入非平衡决策树分类器中,获得目标类别;根据所述目标类别确定控制策略,并根据所述控制策略对车辆进行控制。本实施例提供的目标识别的车辆控制方法,通过边缘检测及特征提取获得车辆前方图像的特征向量,并将特征向量输入训练好的非平衡决策树分类器中,获得目标类别,以根据目标类别对车辆进行控制,可以提高对车辆前方目标识别的准确率,从而提高车辆控制的安全性。
Description
技术领域
本发明实施例涉及车辆控制技术领域,尤其涉及一种基于目标识别的车辆控制方法、装置、设备及车辆。
背景技术
随着机器学习技术的崛起,自动驾驶技术也越来越受到关注。汽车主动安全技术(Autonomous Emergency Braking,AEB)是自动驾驶中主要的环节。当车辆前方出现行人、二轮车及机动车等目标时,需要采用对应的控制策略对车辆进行控制,减小行车中的危险,保护前方目标同时也是对驾驶车辆的保护,由此可见,对前方目标识别尤为重要。
发明内容
本发明实施例提供一种基于目标识别的车辆控制方法、装置、设备及车辆,可以提高对车辆前方目标识别的准确率,从而提高车辆控制的安全性。
第一方面,本发明实施例提供了一种基于目标识别的车辆控制方法,包括:
对采集的车辆前方图像进行灰度化处理,获得灰度图像;
对所述灰度图像进行边缘提取,获得边缘图像;
对所述边缘图像进行特征提取,获得特征向量;
将所述特征向量输入非平衡决策树分类器中,获得目标类别;
根据所述目标类别确定控制策略,并根据所述控制策略对车辆进行控制。
进一步地,对采集的车辆前方图像进行灰度化处理,获得灰度图像,包括:
对于车辆前方图像的每个像素点,获取像素点的RGB值;
对所述RGB值进行加权求和计算,获得每个像素点的灰度值。
进一步地,对所述灰度图像进行边缘提取,获得边缘图像,包括:
采用设定边缘检测算法对所述灰度图像进行边缘提取,获得边缘图像。
进一步地,所述设定边缘检测算法为Canny边缘检测算法。
进一步地,对所述边缘图像进行特征提取,获得特征向量,包括:
提取所述边缘图像的方向梯度直方图特征,获得特征向量。
进一步地,根据所述控制策略对车辆进行控制,包括:
根据所述控制策略生成控制信号;
将所述控制信号发送至车身稳定控制器和/或发动机控制器,使得车身稳定控制器和/或发动机控制器根据所述控制信号对车辆进行控制。
进一步地,对非平衡决策树分类器的训练方式为:
从设定数据库中获取车辆行驶场景的图像样本集;
对所述图像样本集中的每个图像依次进行灰度化处理、边缘提取及特征提取,获得特征向量集;
根据所述特征向量集对所述非平衡决策树分类器进行训练。
第二方面,本发明实施例还提供了一种基于目标识别的车辆控制装置,包括:
灰度图像获取模块,用于对采集的车辆前方图像进行灰度化处理,获得灰度图像;
边缘图像获取模块,用于对所述灰度图像进行边缘提取,获得边缘图像;
特征向量获取模块,用于对所述边缘图像进行特征提取,获得特征向量;
目标类别获取模块,用于将所述特征向量输入非平衡决策树分类器中,获得目标类别;
车辆控制模块,用于根据所述目标类别确定控制策略,并根据所述控制策略对车辆进行控制。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例所述的基于目标识别的车辆控制方法。
第四方面,本发明实施例还提供了一种车辆,包括车辆定位装置,所述车辆定位装置用于实现如本发明实施例所述的基于目标识别的车辆控制方法。
本发明实施例,首先对采集的车辆前方图像进行灰度化处理,获得灰度图像,然后对灰度图像进行边缘提取,获得边缘图像,然后对边缘图像进行特征提取,获得特征向量,再然后将特征向量输入非平衡决策树分类器中,获得目标类别,最后根据类别确定控制策略,并根据控制策略对车辆进行控制。本实施例提供的目标识别的车辆控制方法,通过边缘检测及特征提取获得车辆前方图像的特征向量,并将特征向量输入训练好的非平衡决策树分类器中,获得目标类别,以根据目标类别对车辆进行控制,可以提高对车辆前方目标识别的准确率,从而提高车辆控制的安全性。
附图说明
图1是本发明实施例一中的一种基于目标识别的车辆控制方法的流程图;
图2是本发明实施例二中的一种基于目标识别的车辆控制装置的结构示意图;
图3是本发明实施例三中的一种计算机设备的结构示意图;
图4是本发明实施例四中的一种车辆的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种基于目标识别的车辆控制方法的流程图,本实施例可适用于对车辆进行自动化控制的情况,该方法可以由基于目标识别的车辆控制装置来执行。如图1所示,该方法具体包括如下步骤:
步骤110,对采集的车辆前方图像进行灰度化处理,获得灰度图像。
其中,车辆前方图像可以是由安装于车辆前方的摄像头(前视摄像头)采集的图像,本实施例中,摄像头可以采用100°视场角的感光镜头。
对采集的车辆前方图像进行灰度化处理的过程可以理解为将彩色图像转换为灰度图像的过程。
具体的,对采集的车辆前方图像进行灰度化处理,获得灰度图像的方式可以是:对于车辆前方图像的每个像素点,获取像素点的RGB值;对RGB值进行加权求和计算,获得每个像素点的灰度值。
本实施例中,在获取到各像素点的RGB值后,确定R值、G值及B值的权重,根据确定的权重对RGB值进行加权求和计算,获得各像素点的灰度值。示例性的,假设某个像素点的RGB值为R(i,j)、G(i,j)、B(i,j),且确定的权重分别为0.3、0.59和0.11,则该像素点的灰度值为g(i,j)=0.3R(i,j)+0.59G(i,j)+0.11G(i,j)。获得每个像素点的灰度值后,就获得灰度图像。
步骤120,对灰度图像进行边缘提取,获得边缘图像。
本实施例中,对灰度图像进行边缘提取,获得边缘图像的方式可以是:采用设定边缘检测算法对灰度图像进行边缘提取,获得边缘图像。
其中,设定边缘检测算法可以是Canny边缘检测算法。
具体的,Canny边缘检测算法的原理可以是:1)采用高斯滤波器对灰度图像进行平滑处理;2)采用设定梯度算子计算平滑处理后的灰度图像各像素点的梯度幅度及方向;3)根据角度对幅值进行非极大值抑制;4)采用双阈值算法检测和连接边缘;5)抑制孤立的弱边缘。
步骤130,对边缘图像进行特征提取,获得特征向量。
本实施例中,对边缘图像进行特征提取,获得特征向量的方式可以是:提取边缘图像的方向梯度直方图特征(Histogram of Oriented Gridients,HOG),获得特征向量。
其中,提取边缘图像的HOG特征的过程可以是:首先对图像进行分割,然后计算每个区块的方向梯度直方图,最后每个区块的方向梯度直方图进行组合,获得HOG特征向量。
步骤140,将特征向量输入非平衡决策树分类器中,获得目标类别。
其中,非平衡决策树分类器可以是基于支持向量机(Support Vector Machine,SVM)算法建立的机器学习模型。非平衡决策树分类器是通过大量训练样本训练获得的,可以对图像中的目标类别进行识别。本实施例中,目标类别可以包括行人、二轮车及机动车辆等。
具体的,获得特征向量后,将特征向量输入非平衡决策树分类器中,获得目标类别。
可选的,对非平衡决策树分类器的训练方式可以是:从设定数据库中获取车辆行驶场景的图像样本集;对图像样本集中的每个图像依次进行灰度化处理、边缘提取及特征提取,获得特征向量集;根据特征向量集对非平衡决策树分类器进行训练。
其中,设定数据库可以是KITTI数据库,该数据库中包含市区、乡村和高速公路等各种场景的真实图像数据。示例性的,从KITTI数据集筛选行人、二轮车、汽车的图片集,筛选出行人数据集1800组,二轮车数据集1600组,汽车数据集2000组。将每组中的80%图像筛选出来作为训练集,剩余20%的照片做为测试集。对样本图像进行灰度化处理、边缘提取及特征提取的过程可参见上述实施例,此处不再赘述。
步骤150,根据目标类别确定控制策略,并根据控制策略对车辆进行控制。
本实施例中,目标类别和控制策略一一对应,可以预先建立目标类别与控制策略的映射表。
具体的,根据控制策略对车辆进行控制的方式可以是:根据控制策略生成控制信号;将控制信号发送至车身稳定控制器和/或发动机控制器,使得车身稳定控制器和/或发动机控制器根据控制信号对车辆进行控制。
本实施例的技术方案,首先对采集的车辆前方图像进行灰度化处理,获得灰度图像,然后对灰度图像进行边缘提取,获得边缘图像,然后对边缘图像进行特征提取,获得特征向量,再然后将特征向量输入非平衡决策树分类器中,获得目标类别,最后根据类别确定控制策略,并根据控制策略对车辆进行控制。本实施例提供的目标识别的车辆控制方法,通过边缘检测及特征提取获得车辆前方图像的特征向量,并将特征向量输入训练好的非平衡决策树分类器中,获得目标类别,以根据目标类别对车辆进行控制,可以提高对车辆前方目标识别的准确率,从而提高车辆控制的安全性。
实施例二
图2为本发明实施例二提供的一种基于目标识别的车辆控制装置的结构示意图。如图2所示,该装置包括:灰度图像获取模块210,边缘图像获取模块220,特征向量获取模块230,目标类别获取模块240和车辆控制模块250。
灰度图像获取模块210,用于对采集的车辆前方图像进行灰度化处理,获得灰度图像;
边缘图像获取模块220,用于对灰度图像进行边缘提取,获得边缘图像;
特征向量获取模块230,用于对边缘图像进行特征提取,获得特征向量;
目标类别获取模块240,用于将特征向量输入非平衡决策树分类器中,获得目标类别;
车辆控制模块250,用于根据目标类别确定控制策略,并根据控制策略对车辆进行控制。
可选的,灰度图像获取模块210,还用于:
对于车辆前方图像的每个像素点,获取像素点的RGB值;
对RGB值进行加权求和计算,获得每个像素点的灰度值。
可选的,边缘图像获取模块220,还用于:
采用设定边缘检测算法对灰度图像进行边缘提取,获得边缘图像。
可选的,设定边缘检测算法为Canny边缘检测算法。
可选的,特征向量获取模块230,还用于:
提取边缘图像的方向梯度直方图特征,获得特征向量。
可选的,车辆控制模块250,还用于:
根据控制策略生成控制信号;
将控制信号发送至车身稳定控制器和/或发动机控制器,使得车身稳定控制器和/或发动机控制器根据控制信号对车辆进行控制。
可选的,对非平衡决策树分类器的训练方式为:
从设定数据库中获取车辆行驶场景的图像样本集;
对图像样本集中的每个图像依次进行灰度化处理、边缘提取及特征提取,获得特征向量集;
根据特征向量集对非平衡决策树分类器进行训练。
上述装置可执行本发明前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明前述所有实施例所提供的方法。
实施例三
图3为本发明实施例三提供的一种计算机设备的结构示意图。图3示出了适于用来实现本发明实施方式的计算机设备312的框图。图3显示的计算机设备312仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。设备312是典型的基于目标识别的车辆控制功能的计算设备。
如图3所示,计算机设备312以通用计算设备的形式表现。计算机设备312的组件可以包括但不限于:一个或者多个处理器316,存储装置328,连接不同系统组件(包括存储装置328和处理器316)的总线318。
总线318表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
计算机设备312典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备312访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置328可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)330和/或高速缓存存储器332。计算机设备312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统334可以用于读写不可移动的、非易失性磁介质(图3未显示,通常称为“硬盘驱动器”)。尽管图3中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储装置328可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块326的程序336,可以存储在例如存储装置328中,这样的程序模块326包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块326通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备312也可以与一个或多个外部设备314(例如键盘、指向设备、摄像头、显示器324等)通信,还可与一个或者多个使得用户能与该计算机设备312交互的设备通信,和/或与使得该计算机设备312能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口322进行。并且,计算机设备312还可以通过网络适配器320与一个或者多个网络(例如局域网(Local AreaNetwork,LAN),广域网Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器320通过总线318与计算机设备312的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备312使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器316通过运行存储在存储装置328中的程序,从而执行各种功能应用以及数据处理,例如实现本发明上述实施例所提供的基于目标识别的车辆控制方法。
实施例四
图4是本发明实施例提供的一种车辆的结构示意图,如图4所示,该车辆包括本发明实施例的基于目标识别的车辆控制装置,该装置包括:灰度图像获取模块,用于对采集的车辆前方图像进行灰度化处理,获得灰度图像;边缘图像获取模块,用于对所述灰度图像进行边缘提取,获得边缘图像;特征向量获取模块,用于对所述边缘图像进行特征提取,获得特征向量;目标类别获取模块,用于将所述特征向量输入非平衡决策树分类器中,获得目标类别;车辆控制模块,用于根据所述目标类别确定控制策略,并根据所述控制策略对车辆进行控制。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于目标识别的车辆控制方法,其特征在于,包括:
对采集的车辆前方图像进行灰度化处理,获得灰度图像;
对所述灰度图像进行边缘提取,获得边缘图像;
对所述边缘图像进行特征提取,获得特征向量;
将所述特征向量输入非平衡决策树分类器中,获得目标类别;
根据所述目标类别确定控制策略,并根据所述控制策略对车辆进行控制。
2.根据权利要求1所述的方法,其特征在于,对采集的车辆前方图像进行灰度化处理,获得灰度图像,包括:
对于车辆前方图像的每个像素点,获取像素点的RGB值;
对所述RGB值进行加权求和计算,获得每个像素点的灰度值。
3.根据权利要求1所述的方法,其特征在于,对所述灰度图像进行边缘提取,获得边缘图像,包括:
采用设定边缘检测算法对所述灰度图像进行边缘提取,获得边缘图像。
4.根据权利要求3所述的方法,其特征在于,所述设定边缘检测算法为Canny边缘检测算法。
5.根据权利要求1所述的方法,其特征在于,对所述边缘图像进行特征提取,获得特征向量,包括:
提取所述边缘图像的方向梯度直方图特征,获得特征向量。
6.根据权利要求1所述的方法,其特征在于,根据所述控制策略对车辆进行控制,包括:
根据所述控制策略生成控制信号;
将所述控制信号发送至车身稳定控制器和/或发动机控制器,使得车身稳定控制器和/或发动机控制器根据所述控制信号对车辆进行控制。
7.根据权利要求1所述的方法,其特征在于,对非平衡决策树分类器的训练方式为:
从设定数据库中获取车辆行驶场景的图像样本集;
对所述图像样本集中的每个图像依次进行灰度化处理、边缘提取及特征提取,获得特征向量集;
根据所述特征向量集对所述非平衡决策树分类器进行训练。
8.一种基于目标识别的车辆控制装置,其特征在于,包括:
灰度图像获取模块,用于对采集的车辆前方图像进行灰度化处理,获得灰度图像;
边缘图像获取模块,用于对所述灰度图像进行边缘提取,获得边缘图像;
特征向量获取模块,用于对所述边缘图像进行特征提取,获得特征向量;
目标类别获取模块,用于将所述特征向量输入非平衡决策树分类器中,获得目标类别;
车辆控制模块,用于根据所述目标类别确定控制策略,并根据所述控制策略对车辆进行控制。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一所述的基于目标识别的车辆控制方法。
10.一种车辆,其特征在于,包括车辆定位装置,所述车辆定位装置用于实现如权利要求1-7任一所述的基于目标识别的车辆控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010592537.7A CN111783604A (zh) | 2020-06-24 | 2020-06-24 | 基于目标识别的车辆控制方法、装置、设备及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010592537.7A CN111783604A (zh) | 2020-06-24 | 2020-06-24 | 基于目标识别的车辆控制方法、装置、设备及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111783604A true CN111783604A (zh) | 2020-10-16 |
Family
ID=72761136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010592537.7A Pending CN111783604A (zh) | 2020-06-24 | 2020-06-24 | 基于目标识别的车辆控制方法、装置、设备及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783604A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013200648A (ja) * | 2012-03-23 | 2013-10-03 | Toyota Auto Body Co Ltd | 濃淡画像のエッジ抽出方法、エッジ抽出装置並びに濃淡画像のエッジ抽出プログラム |
CN103942546A (zh) * | 2014-05-08 | 2014-07-23 | 奇瑞汽车股份有限公司 | 一种城市环境中导向交通标线识别系统及方法 |
CN107316486A (zh) * | 2017-07-11 | 2017-11-03 | 湖南星云智能科技有限公司 | 基于双摄像头的无人驾驶汽车视觉识别系统 |
CN107704797A (zh) * | 2017-08-08 | 2018-02-16 | 深圳市安软慧视科技有限公司 | 基于安防视频中行人和车辆的实时检测方法和系统及设备 |
CN108090459A (zh) * | 2017-12-29 | 2018-05-29 | 北京华航无线电测量研究所 | 一种适用于车载视觉系统的交通标志检测识别方法 |
CN109409190A (zh) * | 2018-08-21 | 2019-03-01 | 南京理工大学 | 基于梯度直方图和Canny边缘检测器的行人检测方法 |
CN109740595A (zh) * | 2018-12-27 | 2019-05-10 | 武汉理工大学 | 一种基于机器视觉的斜向车辆检测与跟踪系统及方法 |
CN109886210A (zh) * | 2019-02-25 | 2019-06-14 | 百度在线网络技术(北京)有限公司 | 一种交通图像识别方法、装置、计算机设备和介质 |
CN109886086A (zh) * | 2019-01-04 | 2019-06-14 | 南京邮电大学 | 基于hog特征和线性svm级联分类器的行人检测方法 |
CN110263635A (zh) * | 2019-05-14 | 2019-09-20 | 中国人民解放军火箭军工程大学 | 基于结构森林和PCANet的标志物检测与识别方法 |
-
2020
- 2020-06-24 CN CN202010592537.7A patent/CN111783604A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013200648A (ja) * | 2012-03-23 | 2013-10-03 | Toyota Auto Body Co Ltd | 濃淡画像のエッジ抽出方法、エッジ抽出装置並びに濃淡画像のエッジ抽出プログラム |
CN103942546A (zh) * | 2014-05-08 | 2014-07-23 | 奇瑞汽车股份有限公司 | 一种城市环境中导向交通标线识别系统及方法 |
CN107316486A (zh) * | 2017-07-11 | 2017-11-03 | 湖南星云智能科技有限公司 | 基于双摄像头的无人驾驶汽车视觉识别系统 |
CN107704797A (zh) * | 2017-08-08 | 2018-02-16 | 深圳市安软慧视科技有限公司 | 基于安防视频中行人和车辆的实时检测方法和系统及设备 |
CN108090459A (zh) * | 2017-12-29 | 2018-05-29 | 北京华航无线电测量研究所 | 一种适用于车载视觉系统的交通标志检测识别方法 |
CN109409190A (zh) * | 2018-08-21 | 2019-03-01 | 南京理工大学 | 基于梯度直方图和Canny边缘检测器的行人检测方法 |
CN109740595A (zh) * | 2018-12-27 | 2019-05-10 | 武汉理工大学 | 一种基于机器视觉的斜向车辆检测与跟踪系统及方法 |
CN109886086A (zh) * | 2019-01-04 | 2019-06-14 | 南京邮电大学 | 基于hog特征和线性svm级联分类器的行人检测方法 |
CN109886210A (zh) * | 2019-02-25 | 2019-06-14 | 百度在线网络技术(北京)有限公司 | 一种交通图像识别方法、装置、计算机设备和介质 |
CN110263635A (zh) * | 2019-05-14 | 2019-09-20 | 中国人民解放军火箭军工程大学 | 基于结构森林和PCANet的标志物检测与识别方法 |
Non-Patent Citations (1)
Title |
---|
赵春晖: "基于 EEMD-SVM 非平衡决策树的人员及车辆识别方法", 《沈阳大学学报(自然科学版) 【信息与控制】》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020592B (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
CN105512683B (zh) | 基于卷积神经网络的目标定位方法及装置 | |
CN111027481B (zh) | 基于人体关键点检测的行为分析方法及装置 | |
JP6345147B2 (ja) | ステレオ画像の対において物体を検出する方法 | |
CN111723691B (zh) | 一种三维人脸识别方法、装置、电子设备及存储介质 | |
US20210056715A1 (en) | Object tracking method, object tracking device, electronic device and storage medium | |
CN111144207A (zh) | 一种基于多模态信息感知的人体检测和跟踪方法 | |
CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
CN113920538B (zh) | 目标检测方法、装置、设备、存储介质及计算机程序产品 | |
CN112052807B (zh) | 车辆位置检测方法、装置、电子设备及存储介质 | |
CN113490947A (zh) | 检测模型训练方法、装置、检测模型使用方法及存储介质 | |
CN114663389A (zh) | 光伏组件热斑检测方法、设备及存储介质 | |
AG | Development of portable automatic number plate recognition (ANPR) system on Raspberry Pi | |
CN113343989A (zh) | 一种基于前景选择域自适应的目标检测方法及系统 | |
CN112837404B (zh) | 一种平面对象的三维信息的构建方法及装置 | |
CN112991374A (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
CN115496923B (zh) | 一种基于不确定性感知的多模态融合目标检测方法及装置 | |
CN111783604A (zh) | 基于目标识别的车辆控制方法、装置、设备及车辆 | |
CN116051873A (zh) | 关键点匹配方法、装置及电子设备 | |
CN112907728B (zh) | 基于摄像头和边缘计算的船舶场景还原和定位方法及系统 | |
CN112950787B (zh) | 一种基于图像序列的目标物体三维点云生成方法 | |
CN115273013B (zh) | 车道线检测方法、系统、计算机及可读存储介质 | |
Leipnitz et al. | The effect of image resolution in the human presence detection: A case study on real-world image data | |
CN113610114B (zh) | 一种车辆重识别方法、系统、计算机设备和存储介质 | |
CN114119506A (zh) | 基于背景信息的图像显著性检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201016 |