CN111860690A - 基于深度学习的危险品车辆检测与识别方法 - Google Patents

基于深度学习的危险品车辆检测与识别方法 Download PDF

Info

Publication number
CN111860690A
CN111860690A CN202010758716.3A CN202010758716A CN111860690A CN 111860690 A CN111860690 A CN 111860690A CN 202010758716 A CN202010758716 A CN 202010758716A CN 111860690 A CN111860690 A CN 111860690A
Authority
CN
China
Prior art keywords
dangerous goods
goods vehicle
identification
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
Application number
CN202010758716.3A
Other languages
English (en)
Inventor
李广
闫满囤
李忠辉
张倩倩
孙计山
尹春辉
田森
罗晓瑶
韩二伟
高曼
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.)
Hebei Intelligent Transportation Technologyy Co ltd Of Hebtig
Original Assignee
Hebei Intelligent Transportation Technologyy Co ltd Of Hebtig
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 Hebei Intelligent Transportation Technologyy Co ltd Of Hebtig filed Critical Hebei Intelligent Transportation Technologyy Co ltd Of Hebtig
Priority to CN202010758716.3A priority Critical patent/CN111860690A/zh
Publication of CN111860690A publication Critical patent/CN111860690A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F18/24—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
    • G06N3/045—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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker
    • 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
    • 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
    • G06V2201/09—Recognition of logos
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Abstract

本发明公开了一种基于深度学习的危险品车辆检测与识别方法，涉及公路智能交通技术与人工智能领域。所述方法包括如下步骤：获取危险品车辆样本图像，并标注样本图像中目标区域坐标信息和类别；构建基于深度神经网络的危险品车辆标识检测与识别模型，利用采集和标注的危险品车辆样本训练危险品车辆标识检测与识别模型；利用危险品车辆标识检测与识别模型对待检测图像进行检测与识别；利用BP神经网络模型进行字符识别，确定危险品车辆标识。所述方法能够提高危险品车辆识别的准确率，可以有效提高高速入口车辆通行效率和高速通行安全性。

Description

基于深度学习的危险品车辆检测与识别方法
技术领域
本发明涉及公路智能交通技术与人工智能领域，尤其涉及一种基于深度学习的危险品车辆检测与识别方法。
背景技术
为了保证高速公路的通行安全，国内很多高速公路对危险化学品运输车辆采取了限时、限段、限路或完全禁行等相关措施，在禁行的路段和时段内，禁止危险化学品车辆驶入高速公路。目前高速公路入口的危险品车辆识别和管制主要依赖于人工判断，通行效率较低。无人值守发卡机设备虽然已在收费广场入口车道广泛应用，并在一定程度上提高了发卡效率且节省了人力，但很难对危险品车辆进行有效的识别和管制，导致部分危险品车辆在限行时间段进入高速公路，增加了高速公路安全隐患。
发明内容
本发明所要解决的技术问题是如何提供一种能够提高危险品车辆识别的准确率，可以有效提高高速入口车辆通行效率和高速通行安全性的方法。
为解决上述技术问题，本发明所采取的技术方案是：一种基于深度学习的危险品车辆检测与识别方法，其特征在于包括如下步骤：
获取危险品车辆样本图像，并标注样本图像中目标区域坐标信息和类别；
构建基于深度神经网络的危险品车辆标识检测与识别模型，利用采集和标注的危险品车辆样本训练危险品车辆标识检测与识别模型；
利用危险品车辆标识检测与识别模型对待检测图像进行检测与识别；
利用BP神经网络模型进行字符识别，确定危险品车辆标识。
优选的，所述危险品车辆样本图像包括特定天气条件下分别对应的危险品车辆图像数据，同时包括具有一定尺度变化和一定倾斜角度的危险品车辆图像。
优选的，所述标注是指标记图像中目标的位置和所属的类别，即目标的左上角和右下角坐标信息及目标为危险品车辆标识牌。
优选的，采用基于YOLOv2深度神经网络的危险品车辆标识检测与识别模型。
进一步的技术方案在于，所述的采用基于YOLOv2深度神经网络的危险品车辆标识检测与识别模型的方法如下：
利用摄像机获取全天时、全天候的危险品车辆图像；
依据VOC数据格式制作危险品车辆样本数据集，对危险品车辆图像中危险品标识进行人工标注；
根据Fast YOLO网络架构，训练危险品车辆标识检测与识别模型；
利用验证数据集对危险品车辆标识检测与识别模型进行模型验证，验证模型的参数；
利用测试数据集对危险品车辆标识检测与识别模型进行性能测试，测试模型的泛化能力。
进一步的技术方案在于，所述的利用危险品车辆标识检测与识别模型对待检测图像进行检测与识别的方法如下：
待检测图像直接作为输入，输入到危险品车辆标识检测与识别模型，输出识别结果，将输出的识别结果与预先设定的阈值T0进行对比，若大于等于T0，则直接输出是危险品车辆；若小于T0，则需要进行进一步判断是否为危险品车辆。
进一步的技术方案在于，根据危险品车辆标识检测与识别模型输出中的坐标信息，获得检测到的标识牌图像，对其进行字符分割处理，获得的字符作为BP神经网络模型的输入数据。
进一步的技术方案在于，所述的利用BP神经网络模型进行字符识别，确定危险品车辆标识的方法如下：
获取大量已知类别的字符图像作为样本数据；
利用特征提取方法提取字符样本特征，将提取的字符样本特征与字符类别标签作为训练数据，训练BP神经网络模型；
利用特征提取方法提取待分类字符的特征，并利用BP神经网络模型对其进行分类；
筛选出分类结果置信度高的字符，添加到BP神经网络模型的训练样本库中，更新BP神经网络模型。
进一步的技术方案在于，利用BP神经网络模型对待分类字符进行分类辨识，将输出的辨识结果与设定的阈值进行对比，得出字符的类别。
进一步的技术方案在于，根据分割出的字符个数和BP神经网络模型输出的类别，比较危险品车辆标识牌字符的数目D0和非危险车辆标识牌字符的数目N0，若D0＞N0，则输出是危险品车辆。
采用上述技术方案所产生的有益效果在于：通过所述方法，可以对YOLOv2网络进行训练，使得其可以对图片或者视频中的危险品车辆具有检测与识别的能力。使用经过训练后的YOLOv2网络，能够满足多种应用环境的要求，并且准确快速地实现危险品车辆的识别。所述方法在现有无人值守发卡装置的基础上，结合现有高速公路收费站的基础设施和现有设备，应用于高速公路入口的无人值守发卡车道，能够快速有效地实现高速公路入口对危险品车辆的识别与管制。可以自动对危险品车辆进行识别和通行管制，并通过综合使用危险品标志灯识别、危险品标志牌识别和危险品矩形标牌识别三种识别方式，保证了危险品车辆识别的正确率，可以有效提高高速入口车辆通行效率和高速通行安全性。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例所述方法的主流程图；
图2是本发明实施例所述方法中步骤S102的详细流程图；
图3是本发明实施例所述方法中步骤S104的详细流程图。
具体实施方式
下面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。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
如图1所示，本发明实施例公开了一种基于深度学习的危险品车辆检测与识别方法，包括如下步骤：
S101：获取危险品车辆样本图像，并标注样本图像中目标区域坐标信息和类别；
S102：构建基于YOLOv2深度神经网络的危险品车辆标识检测与识别模型，利用采集和标注的危险品车辆样本训练危险品车辆标识检测与识别模型；
S103：利用危险品车辆标识检测与识别模型对待检测图像进行检测与识别；
S104：利用BP神经网络模型进行字符识别，确定危险品车辆标识。
进一步的，所述的危险品车辆样本图像包括白天、黑夜以及雨天、雾天、大雪等特定天气条件下分别对应的图像数据，同时还包括具有一定尺度变化和一定倾斜角度的危险品车辆图像，需要说明的是，本申请所述方法还可以包括其他特定条件下的图像数据。
进一步的，所述的标注是指标记图像中目标的位置和所属的类别，即目标的左上角和右下角坐标信息及目标为危险品车辆标识牌，需要说明的是，所述标注信息还可以为其它信息，在此不做赘述。
进一步的，如图2所示，所述的基于YOLOv2深度神经网络的危险品车辆标识检测与识别模型的训练过程包括：
S1021：利用摄像机获取全天时、全天候的危险品车辆图像；
S1022：依据VOC数据格式制作危险品车辆样本数据集，对危险品车辆图像中危险品标识进行人工标注；
S1023：根据Fast YOLO网络架构，训练危险品车辆标识检测与识别模型；
S1024：利用验证数据集对危险品车辆标识检测与识别模型进行模型验证，验证模型的参数；
S1025：利用测试数据集对危险品车辆标识检测与识别模型进行性能测试，测试模型的泛化能力；
进一步的，所述步骤S103包括：待检测图像直接作为输入，读入到危险品车辆标识检测与识别模型，输出识别结果，将输出的识别结果与预先设定的阈值T0进行对比，若大于等于T0，则直接输出是危险品车辆；若小于T0，则需要进行进一步判断。
进一步的，根据步骤S103中，危险品车辆标识检测与识别模型输出中的坐标信息，获得检测到的标识牌图像，对其进行字符分割处理，获得的字符作为BP神经网络模型的输入数据。
进一步的，如图3所示，所述步骤S104包括如下步骤：
S1041、获取大量已知类别的字符图像作为样本数据，包含数字、字母、省份简称等；
S1042、利用特征提取方法提取字符样本特征，将提取的特征与字符类别标签作为训练数据，训练BP神经网络模型；
S1043、利用特征提取方法提取待分类字符的特征，并利用BP神经网络模型对其进行分类；
S1044、筛选出步骤S1043中分类结果置信度高的字符，添加到BP神经网络模型的训练样本库中，更新BP神经网络模型。
进一步的，步骤S1043中利用BP神经网络模型对待分类字符进行分类辨识，将输出的辨识结果与设定的阈值进行对比，得出字符的类别。
进一步的，根据分割出的字符个数和BP神经网络模型输出的类别，比较危险品车辆标识牌字符的数目D0和非危险车辆标识牌字符的数目N0，若D0＞N0，则输出是危险品车辆。
表1为所述方法中YOLOv2神经网络的结构示意图
滤波器 滤波器规格 输入规格
Conv 3×3/1 416×416×3
Max 2×2/2 416×416×16
Conv 3×3/1 208×208×16
Max 2×2/2 208×208×32
Conv 3×3/1 104×104×32
Max 2×2/2 104×104×64
Conv 3×3/1 52×52×64
Max 2×2/2 52×52×128
Conv 3×3/1 26×26×128
Max 2×2/2 26×26×256
Conv 3×3/1 13×13×256
Max 2×2/1 13×13×512
Conv 3×3/1 13×13×512
Conv 3×3/1 13×13×1024
Conv 1×1/1 13×13×1024
Detection
通过所述方法，可以对YOLOv2网络进行训练，使得其可以对图片或者视频中的危险品车辆具有检测与识别的能力。使用经过训练后的YOLOv2网络，能够满足多种应用环境的要求，并且准确快速地实现危险品车辆的识别。所述方法在现有无人值守发卡装置的基础上，结合现有高速公路收费站的基础设施和现有设备，应用于高速公路入口的无人值守发卡车道，能够快速有效地实现高速公路入口对危险品车辆的识别与管制。可以自动对危险品车辆进行识别和通行管制，并通过综合使用危险品标志灯识别、危险品标志牌识别和危险品矩形标牌识别三种识别方式，保证了危险品车辆识别的正确率，可以有效提高高速入口车辆通行效率和高速通行安全性。

Claims (10)

1.一种基于深度学习的危险品车辆检测与识别方法，其特征在于包括如下步骤：
获取危险品车辆样本图像，并标注样本图像中目标区域坐标信息和类别；
构建基于深度神经网络的危险品车辆标识检测与识别模型，利用采集和标注的危险品车辆样本训练危险品车辆标识检测与识别模型；
利用危险品车辆标识检测与识别模型对待检测图像进行检测与识别；
利用BP神经网络模型进行字符识别，确定危险品车辆标识。
2.如权利要求1所述的基于深度学习的危险品车辆检测与识别方法，其特征在于：
所述危险品车辆样本图像包括特定天气条件下分别对应的危险品车辆图像数据，同时包括具有一定尺度变化和一定倾斜角度的危险品车辆图像。
3.如权利要求1所述的基于深度学习的危险品车辆检测与识别方法，其特征在于：
所述标注是指标记图像中目标的位置和所属的类别，即目标的左上角和右下角坐标信息及目标为危险品车辆标识牌。
4.如权利要求1所述的基于深度学习的危险品车辆检测与识别方法，其特征在于：采用基于YOLOv2深度神经网络的危险品车辆标识检测与识别模型。
5.如权利要求4所述的基于深度学习的危险品车辆检测与识别方法，其特征在于，所述的采用基于YOLOv2深度神经网络的危险品车辆标识检测与识别模型的方法如下：
利用摄像机获取全天时、全天候的危险品车辆图像；
依据VOC数据格式制作危险品车辆样本数据集，对危险品车辆图像中危险品标识进行人工标注；
根据Fast YOLO网络架构，训练危险品车辆标识检测与识别模型；
利用验证数据集对危险品车辆标识检测与识别模型进行模型验证，验证模型的参数；
利用测试数据集对危险品车辆标识检测与识别模型进行性能测试，测试模型的泛化能力。
6.如权利要求1所述的基于深度学习的危险品车辆检测与识别方法，其特征在于，所述的利用危险品车辆标识检测与识别模型对待检测图像进行检测与识别的方法如下：
待检测图像直接作为输入，输入到危险品车辆标识检测与识别模型，输出识别结果，将输出的识别结果与预先设定的阈值T0进行对比，若大于等于T0，则直接输出是危险品车辆；若小于T0，则需要进行进一步判断是否为危险品车辆。
7.如权利要求6所述的基于深度学习的危险品车辆检测与识别方法，其特征在于：
根据危险品车辆标识检测与识别模型输出中的坐标信息，获得检测到的标识牌图像，对其进行字符分割处理，获得的字符作为BP神经网络模型的输入数据。
8.如权利要求1所述的基于深度学习的危险品车辆检测与识别方法，其特征在于，所述的利用BP神经网络模型进行字符识别，确定危险品车辆标识的方法如下：
获取大量已知类别的字符图像作为样本数据；
利用特征提取方法提取字符样本特征，将提取的字符样本特征与字符类别标签作为训练数据，训练BP神经网络模型；
利用特征提取方法提取待分类字符的特征，并利用BP神经网络模型对其进行分类；
筛选出分类结果置信度高的字符，添加到BP神经网络模型的训练样本库中，更新BP神经网络模型。
9.如权利要求8所述的基于深度学习的危险品车辆检测与识别方法，其特征在于，利用BP神经网络模型对待分类字符进行分类辨识，将输出的辨识结果与设定的阈值进行对比，得出字符的类别。
10.如权利要求8所述的基于深度学习的危险品车辆检测与识别方法，其特征在于：根据分割出的字符个数和BP神经网络模型输出的类别，比较危险品车辆标识牌字符的数目D0和非危险车辆标识牌字符的数目N0，若D0＞N0，则输出是危险品车辆。
CN202010758716.3A 2020-07-31 2020-07-31 基于深度学习的危险品车辆检测与识别方法 Pending CN111860690A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010758716.3A CN111860690A (zh) 2020-07-31 2020-07-31 基于深度学习的危险品车辆检测与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010758716.3A CN111860690A (zh) 2020-07-31 2020-07-31 基于深度学习的危险品车辆检测与识别方法

Publications (1)

Publication Number Publication Date
CN111860690A true CN111860690A (zh) 2020-10-30

Family

ID=72953536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010758716.3A Pending CN111860690A (zh) 2020-07-31 2020-07-31 基于深度学习的危险品车辆检测与识别方法

Country Status (1)

Country Link
CN (1) CN111860690A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464895A (zh) * 2020-12-14 2021-03-09 深圳市优必选科技股份有限公司 姿态识别模型训练方法、装置、姿态识别方法和终端设备
CN113055658A (zh) * 2021-04-25 2021-06-29 广州大广高速公路有限公司 一种基于全景拼接技术的隧道危化品车辆识别方法及系统
CN113469158A (zh) * 2021-09-06 2021-10-01 智广海联(天津)大数据技术有限公司 基于卷积神经网络的非法危化品运输车辆识别方法及系统
CN113537891A (zh) * 2021-07-16 2021-10-22 浙江高速信息工程技术有限公司 危险品运输车监测方法、装置、计算机设备及存储介质
CN114882342A (zh) * 2022-05-11 2022-08-09 北京国泰星云科技有限公司 基于机器视觉和深度学习的集装箱危险品标识检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407981A (zh) * 2016-11-24 2017-02-15 北京文安智能技术股份有限公司 一种车牌识别方法、装置及系统
CN109815956A (zh) * 2018-12-28 2019-05-28 安徽清新互联信息科技有限公司 一种基于自适应位置分割的车牌字符识别方法
CN109961029A (zh) * 2019-03-15 2019-07-02 Oppo广东移动通信有限公司 一种危险物品检测方法、装置及计算机可读存储介质
CN110119655A (zh) * 2018-02-07 2019-08-13 中国石油化工股份有限公司 一种石化企业厂区内车辆与人员聚集预警系统及预警方法
CN110378332A (zh) * 2019-06-14 2019-10-25 上海咪啰信息科技有限公司 一种集装箱码头箱号和车号识别方法及系统
CN110837807A (zh) * 2019-11-11 2020-02-25 内蒙古大学 一种套牌车辆的识别方法及系统
KR102131716B1 (ko) * 2020-03-27 2020-07-08 정병석 차량번호인식 기술을 활용한 영상감시 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407981A (zh) * 2016-11-24 2017-02-15 北京文安智能技术股份有限公司 一种车牌识别方法、装置及系统
CN110119655A (zh) * 2018-02-07 2019-08-13 中国石油化工股份有限公司 一种石化企业厂区内车辆与人员聚集预警系统及预警方法
CN109815956A (zh) * 2018-12-28 2019-05-28 安徽清新互联信息科技有限公司 一种基于自适应位置分割的车牌字符识别方法
CN109961029A (zh) * 2019-03-15 2019-07-02 Oppo广东移动通信有限公司 一种危险物品检测方法、装置及计算机可读存储介质
CN110378332A (zh) * 2019-06-14 2019-10-25 上海咪啰信息科技有限公司 一种集装箱码头箱号和车号识别方法及系统
CN110837807A (zh) * 2019-11-11 2020-02-25 内蒙古大学 一种套牌车辆的识别方法及系统
KR102131716B1 (ko) * 2020-03-27 2020-07-08 정병석 차량번호인식 기술을 활용한 영상감시 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
QIANYING HOU 等: "Home Cyber Security Intelligence and Analytics Conference paper Recognition for Dangerous Goods Vehicles in Road Based on Dangerous Goods Mark Detection", CSIA 2020: CYBER SECURITY INTELLIGENCE AND ANALYTICS, vol. 1147, 11 March 2020 (2020-03-11), pages 96 *
曹鑫胜: "基于深度学习的服务区危化品车辆识别算法研究", 山西电子技术, no. 03, 15 June 2019 (2019-06-15), pages 84 - 86 *
赵明艳: "基于深度学习的危化品车辆识别", 中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑, no. 08, 15 August 2019 (2019-08-15), pages 123 - 286 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464895A (zh) * 2020-12-14 2021-03-09 深圳市优必选科技股份有限公司 姿态识别模型训练方法、装置、姿态识别方法和终端设备
CN112464895B (zh) * 2020-12-14 2023-09-01 深圳市优必选科技股份有限公司 姿态识别模型训练方法、装置、姿态识别方法和终端设备
CN113055658A (zh) * 2021-04-25 2021-06-29 广州大广高速公路有限公司 一种基于全景拼接技术的隧道危化品车辆识别方法及系统
CN113537891A (zh) * 2021-07-16 2021-10-22 浙江高速信息工程技术有限公司 危险品运输车监测方法、装置、计算机设备及存储介质
CN113469158A (zh) * 2021-09-06 2021-10-01 智广海联(天津)大数据技术有限公司 基于卷积神经网络的非法危化品运输车辆识别方法及系统
CN114882342A (zh) * 2022-05-11 2022-08-09 北京国泰星云科技有限公司 基于机器视觉和深度学习的集装箱危险品标识检测方法

Similar Documents

Publication Publication Date Title
CN111860690A (zh) 基于深度学习的危险品车辆检测与识别方法
CN105373794B (zh) 一种车牌识别方法
Balali et al. Evaluation of multiclass traffic sign detection and classification methods for US roadway asset inventory management
CN103279756B (zh) 基于集成分类器的车辆检测分析系统及其检测分析方法
CN112016605B (zh) 一种基于边界框角点对齐和边界匹配的目标检测方法
Malik et al. Detection and recognition of traffic signs from road scene images
CN103605977A (zh) 一种车道线的提取方法及装置
CN101937508A (zh) 一种基于高清图像的车牌定位与识别方法
CN110991221B (zh) 一种基于深度学习的动态交通闯红灯识别方法
CN110619279A (zh) 一种基于跟踪的路面交通标志实例分割方法
CN104766042A (zh) 交通标志板识别方法及装置
Borkar et al. An efficient method to generate ground truth for evaluating lane detection systems
CN109697397B (zh) 一种目标检测方法及装置
CN104408475A (zh) 一种车牌识别方法及车牌识别设备
CN110245583A (zh) 一种车辆尾气检验报告的智能识别方法
KR102089298B1 (ko) 범용 문자 시퀀스 검출을 통한 다국적 차량번호판 인식 시스템 및 그 방법
CN111078946A (zh) 一种基于多目标区域特征聚合的卡口车辆检索方法及系统
CN113327248B (zh) 一种基于视频的隧道车流量统计方法
Azad et al. A novel and robust method for automatic license plate recognition system based on pattern recognition
CN111898491A (zh) 一种车辆逆向行驶的识别方法、装置及电子设备
CN110909598A (zh) 一种基于深度学习的非机动车道交通违法行驶识别方法
CN111488854A (zh) 一种道路交通标志自动识别与分类方法
CN112541372A (zh) 一种困难样本筛选方法及装置
CN111008554B (zh) 一种基于深度学习的动态交通斑马线内不礼让行人识别方法
CN107403162B (zh) 车辆公告号数据采集和分类的系统及方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 050000 Floor 19, Aviation Building, No. 9, Shiqing Road, Xinhua District, Shijiazhuang City, Hebei Province

Applicant after: Hebei Jiaotou Intelligent Technology Co.,Ltd.

Address before: 050051 No.52, Xinshi North Road, Qiaoxi District, Shijiazhuang City, Hebei Province

Applicant before: HEBEI INTELLIGENT TRANSPORTATION TECHNOLOGYY CO.,LTD. OF HEBTIG