CN111881843B - 一种基于人脸检测的出租车载客人数统计方法 - Google Patents
一种基于人脸检测的出租车载客人数统计方法 Download PDFInfo
- Publication number
- CN111881843B CN111881843B CN202010750404.8A CN202010750404A CN111881843B CN 111881843 B CN111881843 B CN 111881843B CN 202010750404 A CN202010750404 A CN 202010750404A CN 111881843 B CN111881843 B CN 111881843B
- Authority
- CN
- China
- Prior art keywords
- passenger
- model
- taxi
- face
- face 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000029305 taxis Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 239000003086 colorant Substances 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于人脸检测的出租车载客人数统计方法，通过设置在出租车内的摄像头获取出租车内的照片；通过训练好的低层特征金字塔网络对人脸进行判断，然后对判断得到的人脸进行提取框标记；根据一般出租车内业务场景下的人脸分布范围，过滤掉该范围外的提取框，得到初步的乘客模型情况；通过HSV颜色模型处理照片，计算像素区域的大小，辅助判断后座的乘客分布情况，最终得到一个先验的乘客模型；将该先验的乘客模型引入贝叶斯模型，根据对应的实际乘客模型，最终得到车内的具体乘客人数。该方法通过人脸检测技术、HSV颜色模型和贝叶斯模型相结合，获取更为准确的出租车载客人数，弥补人脸检测技术不够准确的缺陷。
Description
技术领域
本发明涉及交通工具载客算法识别技术领域，具体的说，涉及了一种基于人脸检测的出租车载客人数统计方法。
背景技术
目前，在出租车运营过程中，存在司机私自拉客不打表不开揽客灯、出租车载客量无法或统计不准确等问题。传统解决方案主要是通过在座位上增加压力传感器来实现乘客上车后的检测。但压力传感器存在人员统计准确率低、安装实施成本高等问题。
随着信息技术的快速发展，车载视频在出租车行业已得到普遍应用，车辆在运营过程中会根据空重车状态变化、定时上报等策略将车内照片抓拍，并上传至平台。
人脸识别的易用性和普适性，在身份核验、刷脸支付等场景已得到成功应用，自动在图像中检测和跟踪人脸的技术近年来被广泛用于交通、商业、公共安全等领域。
在交通领域，由于隐私原因，除支付需要人脸识别外，多数场景仅需要对交通工具封闭环境的视频图像中进行人脸检测，用于一般记数等功能，例如娄康等在2017《基于代价敏感深度决策树的公交车环境人脸检测》一文中提出光照变化、模糊、遮挡、低分辨率和姿势变化等问题，马登辉在2016年《出租车视频监控的异常图像检测与乘客识别研究》提出副驾驶位置乘客识别方法，朱萍等在2016年《移动视频监控系统在公安行业中的应用》提出利用出租车移动视频监控采集的相关信息进行挖掘分析等。
但是单纯的人脸检测算法仍然存在误判的缺陷，缺乏有效的数据清洗和进一步提高精度的能力，目前也有多种手段在研究开发阶段，是公共交通领域的一项急需突破的技术难题。
发明内容
本发明的目的是针对现有技术的不足，从而提供一种提高预测准确率、弥补简单人脸检测缺陷、借助人脸检测的现有技术优化出租车运营环境而不增加额外设备投入的一种基于人脸检测的出租车载客人数统计方法。
为了实现上述目的，本发明所采用的技术方案是：一种基于人脸检测的出租车载客人数统计方法，通过设置在出租车内的摄像头获取出租车内的照片；通过训练好的低层特征金字塔网络对人脸进行判断，然后对判断得到的人脸进行提取框标记；根据一般出租车内业务场景下的人脸分布范围，过滤掉该范围外的提取框，得到初步的乘客模型情况；通过HSV颜色模型处理过滤提取框后的照片，计算照片上与后排座椅一致颜色的像素区域，得到照片中与后排座椅一致颜色的像素区域大小，辅助判断后座的乘客分布情况，最终得到一个由提取框和颜色分布组合构成的先验的乘客模型；将该先验的乘客模型引入贝叶斯模型，根据先验的乘客模型得到与其对应的实际乘客模型，最终得到车内的具体乘客人数。
基上所述，所述的低层特征金字塔网络采用PyramidBox人脸框检测模型，利用大量的出租车内场景照片进行训练而得到。
基上所述，所述的人脸分布范围为标记在照片中的一个坐标范围，该坐标范围根据一般业务场景下的人脸分布范围而定。
基上所述，HSV颜色模型处理照片时，出租车后排座椅的颜色像素值预存在系统中。
基上所述，出租车后排座椅的颜色像素值为纯色且相同。
基上所述，在过滤掉一般出租车内业务场景以外的提取框后，再检查是否有重叠的提取框，将重叠的提取框中较小的删除掉，标记为一个提取框。
基上所述，引入贝叶斯模型的公式为：
其中，
p(H)，先验概率，即为经过人脸检测网络检测出的乘客模型；
p(E丨H)，在样本乘客模型H中，能测出乘客模型为E的概率；
p(E)，在总体样本中各类乘客模型的概率；
p(H丨E)，已知检测出的乘客模型E，实际乘客模型为H的概率。
基上所述，贝叶斯模型中，若检测得到的后排人数小于2人，将真实乘客人数为满座的可能性剔除，若检测得到的后排人数大于等于2人，将真实乘客人数小于2人的预测可能性剔除。
基上所述，根据检测出的乘客模型E所对应的经过贝叶斯模型测出的若干种实际乘客模型的样本分布比例，运算得到最终的乘客数量，采用的运算公式如下：
其中，Pi为检测出的乘客模型E所对应的经过贝叶斯模型测出的若干种实际乘客模型的样本分布比例；
Ni为检测出的乘客模型E所对应的经过贝叶斯模型测出的若干种实际乘客模型中的后排人数；
N0为先验所得的前排乘客人数；
N为最终确定的乘客总人数。
所述贝叶斯模型由大量的出租车内乘车图像借助神经网络训练生成，用于输入先验的乘客模型，得到最大概率的实际乘客模型。
本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说，本发明在现有的人脸检测技术的基础上，以及出租车的稳定乘车环境下，对出租车内乘客的人数进行更高精度的统计，具体的，对人脸检测后的人脸进行提取画框，然后对严重超出合理范围的提取框进行剔除，此时，通常能够确定前排座位处的乘客是否存在，后排座位上的乘客是统计的难题，然后引入HSV颜色模型对图片进行处理，提取后排座椅的颜色像素，与标准的像素范围进行对比，进而能够判断出后排是否有乘客，通过提取框和HSV颜色模型相结合，基本上能够确定出后排大致的乘客分布情况，得到一个先验的乘客模型，然后将该模型导入到贝叶斯模型中，最终得到一个相对正确的乘客模型。
该方案在现有的人脸检测的基础上，增加了HSV颜色模型，降低了人脸检测技术对于后排乘客识别不准的概率，增加贝叶斯模型，得到经过统计所指向的最准确的乘客模型。
为了进一步提高精度，人脸检测技术采用PyramidBox人脸框检测模型。
进一步的，贝叶斯模型的最终输出过程中，运用加权取值，将数据进行进一步的运算，得到概率分布更为接近的实际乘客人数。
附图说明
图1是本发明中基于人脸检测的出租车载客人数统计方法的工作流程图。
图2是本发明中进行人脸提取框的效果示意图。
图3是本发明中进行HSV颜色模型处理后的效果图。
图4是本发明中贝叶斯模型的预测原理图。
图5是本发明中贝叶斯模型的预测结果图。
具体实施方式
下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。
如图1所示，一种基于人脸检测的出租车载客人数统计方法，用遇见解决出租车内的乘客分布统计问题，解决现有人脸检测技术不够准确的问题。
首先需要训练两个模型，一个是基于低层特征金字塔网络的PyramidBox人脸框检测模型，利用大量的出租车内场景照片进行训练而得到；第二个是基于贝叶斯模型，利用大量的出租车内场景照片进行训练而得到的先验预测模型，训练完成后，将其投入使用。
另外，本实施例中，设定出租车座椅的颜色为白色。
1)通过设置在出租车内的摄像头获取出租车内的照片，该照片的拍摄范围应当覆盖出租车的副驾驶和后排座位空间，否则无法实施。
2)通过训练好的低层特征金字塔网络对人脸进行判断，然后对判断得到的人脸进行提取框标记，效果如图2所示。
3)根据一般出租车内业务场景下的人脸分布范围，所述的人脸分布范围为标记在照片中的一个坐标范围，该坐标范围根据一般业务场景下的人脸分布范围而定，如图2所示，右侧图中的小方块明显超出范围，可将其滤除。
过滤掉该范围外的提取框，得到初步的乘客模型情况，在这一步，副驾驶位置的乘客由于接近摄像头且区域无遮挡，空间的局限性，必然能够得到副驾驶是否有乘客的结果，且只要有乘客，必然是1个，若没有乘客，必然是0个，贝叶斯模型中，若检测得到的后排人数小于2人，将真实乘客人数为满座的可能性剔除，若检测得到的后排人数大于等于2人，将真实乘客人数小于2人的预测可能性剔除。
在进一步优化的技术方案中，还可以再检查是否有重叠的提取框，将重叠的提取框删除掉一个，标记为一个提取框，在出租车场景下，后排乘客基本上处在相同的位面，人脸重叠的概率极低。
4)通过HSV颜色模型处理过滤提取框后的照片，如图3所示，白色区域十分明显，计算照片上白色像素的区域大小，与预设的阈值进行比对，若白色范围过大，表明后排座位的人数趋少，如小于2个，若白色范围过小，表明后排座位的人数趋多，如大于等于2个，结合提取框，进一步辅助判断后座的乘客分布情况，最终得到一个由提取框和颜色分布组合构成的先验的乘客模型。
例如，以0表示座位上无人，1表示为座位上有人，副驾驶排在首位，后排左至右依次排列，HSV所判断的结果以“黑”和“白”进行区分，排在模型的尾端，得到一个先验的乘客模型数据，例如：E＝{0，1，0，0，白}的分布模式，代表副驾驶无乘客，副驾驶后排有1个乘客，副驾驶斜后方没有乘客。
将该先验的乘客模型引入贝叶斯模型，引入贝叶斯模型的公式为：
其中，
p(H)，先验概率，即为经过人脸检测网络检测出的乘客模型；
p(E丨H)，在样本乘客模型H中，能测出乘客模型为E的概率；
p(E)，在总体样本中各类乘客模型的概率；
p(H丨E)，已知检测出的乘客模型E，实际乘客模型为H的概率。
在贝叶斯模型中，该乘客模型所对应的情形有以下几种：{0，1，0，0}、{0，1，1，0}、{0，1，1，1}、{0，1，0，1}，假设这四种模型的样本总数为100，分布按照顺序依次为：40份、35份、10份、15份，即分布的概率Pi依次为0.4、0.35、0.1、0.15。
在一种简化的判断模型下，取其样本分布概率最大的一组模型即可，即100份模型中，分布概率为0.4的{0，1，0，0}模型，作为最终判断得到的实际模型H。
注：此处仅用于举例，样本数量必然远超这一数量级。
在另一种进一步提高精度的判断模型下，还需要对四种模型进行加权运算，即根据检测出的乘客模型E所对应的经过贝叶斯模型测出的若干种实际乘客模型{0，1，0，0}、{0，1，1，0}、{0，1，1，1}、{0，1，0，1}的样本分布比例0.4、0.35、0.1、0.15，运算得到最终的乘客数量，采用的运算公式如下：
其中，Pi为检测出的乘客模型E所对应的经过贝叶斯模型测出的若干种实际乘客模型的样本分布比例；
Ni为检测出的乘客模型E所对应的经过贝叶斯模型测出的若干种实际乘客模型中的后排乘客人数；
N0为先验所得的前排乘客人数；
N为最终确定的乘客总人数。
将上述数字代入公式，N0＝0，Pi依次为0.4、0.35、0.1、0.15，Ni为后排乘客人数，依次为0、1、2、1。
具体表示为：
N＝N0+0.4*0+0.35*1+0.1*2+0.15*1＝0.7，按照四舍五入的方式进行推演，最终N＝1。
最终得到车内的乘客人数为1，最终得到车内的乘客人数分布的各种可能性如图5所示。
如图4所示，是贝叶斯模型中的预测原理图，每种先验的乘客模型所对应的真实模型是特定的。
为了简化该模型，同时提高准确率，贝叶斯模型中，若检测得到的后排人数小于2人，将真实乘客人数为满座的可能性剔除，若检测得到的后排人数大于等于2人，将真实乘客人数小于2人的预测可能性剔除，图4提供的是经过剔除后的概率模型分布图。
本方案结合了金字塔网络进行人脸检测、HSV颜色模型进行进一步校准确定、贝叶斯模型进行最终确定，得到最终的乘客人数，提高了传统仅依赖于人脸检测技术的准确度缺陷。
特别的，当后排处于中间位置的乘客和后排座椅颜色一致时，HSV提取模块的误差较大，例如白色上衣的乘客与白色座椅颜色一致，或者黑色上衣的乘客与黑色座椅颜色一致，这种情形比较难检测。在实际情况中的这种特例样本极少，可以忽略不计。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (9)
1.一种基于人脸检测的出租车载客人数统计方法，其特征在于：通过设置在出租车内的摄像头获取出租车内的照片；通过训练好的低层特征金字塔网络对人脸进行判断，然后对判断得到的人脸进行提取框标记；根据出租车内业务场景下的人脸分布范围，过滤掉该范围外的提取框，得到初步的乘客模型情况；通过HSV颜色模型处理过滤提取框后的照片，计算照片上与后排座椅一致颜色的像素区域，得到照片中与后排座椅一致颜色的像素区域大小，辅助判断后座的乘客分布情况，最终得到一个由提取框和颜色分布组合构成的先验的乘客模型；将该先验的乘客模型引入贝叶斯模型，根据先验的乘客模型得到与其对应的实际乘客模型，最终得到车内的具体乘客人数；
具体的，根据检测出的乘客模型所对应的经过贝叶斯模型测出的若干种实际乘客模型的样本分布比例，运算得到最终的乘客数量，采用的运算公式如下：
其中，Pi为检测出的乘客模型所对应的经过贝叶斯模型测出的若干种实际乘客模型的样本分布比例；
Ni为检测出的乘客模型所对应的经过贝叶斯模型测出的若干种实际乘客模型中的后排人数；
N0为先验所得的前排乘客人数；
N为最终确定的乘客总人数。
2.根据权利要求1所述的基于人脸检测的出租车载客人数统计方法，其特征在于：所述的低层特征金字塔网络采用PyramidBox人脸框检测模型，利用大量的出租车内场景照片进行训练而得到。
3.根据权利要求2所述的基于人脸检测的出租车载客人数统计方法，其特征在于：所述的人脸分布范围为标记在照片中的一个坐标范围，该坐标范围根据业务场景下的人脸分布范围而定。
4.根据权利要求3所述的基于人脸检测的出租车载客人数统计方法，其特征在于：HSV颜色模型处理照片时，出租车后排座椅的颜色像素值预存在系统中。
5.根据权利要求4所述的基于人脸检测的出租车载客人数统计方法，其特征在于：出租车后排座椅的颜色像素值为纯色且相同。
6.根据权利要求5所述的基于人脸检测的出租车载客人数统计方法，其特征在于：在过滤掉出租车内业务场景以外的提取框后，再检查是否有重叠的提取框，将重叠的提取框中较小的删除掉，标记为一个提取框。
7.根据权利要求6所述的基于人脸检测的出租车载客人数统计方法，其特征在于：引入贝叶斯模型的公式为：
其中，
p(H)，先验概率，即为经过人脸检测网络检测出的乘客模型；
p(E丨H)，在样本乘客模型H中，能测出乘客模型为E的概率；
p(E)，在总体样本中各类乘客模型的概率；
p(H丨E)，已知检测出的乘客模型E，实际乘客模型为H的概率。
8.根据权利要求7所述的基于人脸检测的出租车载客人数统计方法，其特征在于：贝叶斯模型中，若检测得到的后排人数小于2人，将真实乘客人数为满座的可能性剔除，若检测得到的后排人数大于等于2人，将真实乘客人数小于2人的预测可能性剔除。
9.根据权利要求7所述的基于人脸检测的出租车载客人数统计方法，其特征在于：所述贝叶斯模型由大量的出租车内乘车图像借助神经网络训练生成，用于输入先验的乘客模型，得到最大概率的实际乘客模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010750404.8A CN111881843B (zh) | 2020-07-30 | 2020-07-30 | 一种基于人脸检测的出租车载客人数统计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010750404.8A CN111881843B (zh) | 2020-07-30 | 2020-07-30 | 一种基于人脸检测的出租车载客人数统计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111881843A CN111881843A (zh) | 2020-11-03 |
| CN111881843B true CN111881843B (zh) | 2023-12-29 |
Family
ID=73205699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010750404.8A Active CN111881843B (zh) | 2020-07-30 | 2020-07-30 | 一种基于人脸检测的出租车载客人数统计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111881843B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014013448A (ja) * | 2012-07-03 | 2014-01-23 | Daiwa House Industry Co Ltd | 不快度推定システム及び不快度推定方法 |
| CN103632132A (zh) * | 2012-12-11 | 2014-03-12 | 广西工学院 | 一种基于肤色分割和模板匹配的人脸检测与识别方法 |
| CN106682679A (zh) * | 2016-06-24 | 2017-05-17 | 大连理工大学 | 一种基于水平集超像素和贝叶斯框架的显著性检测方法 |
| WO2018148896A1 (zh) * | 2017-02-16 | 2018-08-23 | 深圳市锐明技术股份有限公司 | 一种车辆内乘客人数统计方法及装置 |
| CN109101898A (zh) * | 2018-07-23 | 2018-12-28 | 南京邮电大学 | 公交车载人数实时监测系统及其监测方法 |
| CN109344690A (zh) * | 2018-08-09 | 2019-02-15 | 上海青识智能科技有限公司 | 一种基于深度相机的人数统计方法 |
| CN109784296A (zh) * | 2019-01-27 | 2019-05-21 | 武汉星巡智能科技有限公司 | 客车乘客数量统计方法、装置及计算机可读存储介质 |
| CN110263703A (zh) * | 2019-06-18 | 2019-09-20 | 腾讯科技（深圳）有限公司 | 人员流量统计方法、装置和计算机设备 |
| CN110415001A (zh) * | 2019-07-26 | 2019-11-05 | 博康姆(深圳)云科技有限公司 | 出租车空车监管方法及装置 |
| CN110555386A (zh) * | 2019-08-02 | 2019-12-10 | 天津理工大学 | 一种基于动态贝叶斯的人脸识别身份认证方法 |
-
2020
- 2020-07-30 CN CN202010750404.8A patent/CN111881843B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014013448A (ja) * | 2012-07-03 | 2014-01-23 | Daiwa House Industry Co Ltd | 不快度推定システム及び不快度推定方法 |
| CN103632132A (zh) * | 2012-12-11 | 2014-03-12 | 广西工学院 | 一种基于肤色分割和模板匹配的人脸检测与识别方法 |
| CN106682679A (zh) * | 2016-06-24 | 2017-05-17 | 大连理工大学 | 一种基于水平集超像素和贝叶斯框架的显著性检测方法 |
| WO2018148896A1 (zh) * | 2017-02-16 | 2018-08-23 | 深圳市锐明技术股份有限公司 | 一种车辆内乘客人数统计方法及装置 |
| CN109101898A (zh) * | 2018-07-23 | 2018-12-28 | 南京邮电大学 | 公交车载人数实时监测系统及其监测方法 |
| CN109344690A (zh) * | 2018-08-09 | 2019-02-15 | 上海青识智能科技有限公司 | 一种基于深度相机的人数统计方法 |
| CN109784296A (zh) * | 2019-01-27 | 2019-05-21 | 武汉星巡智能科技有限公司 | 客车乘客数量统计方法、装置及计算机可读存储介质 |
| CN110263703A (zh) * | 2019-06-18 | 2019-09-20 | 腾讯科技（深圳）有限公司 | 人员流量统计方法、装置和计算机设备 |
| CN110415001A (zh) * | 2019-07-26 | 2019-11-05 | 博康姆(深圳)云科技有限公司 | 出租车空车监管方法及装置 |
| CN110555386A (zh) * | 2019-08-02 | 2019-12-10 | 天津理工大学 | 一种基于动态贝叶斯的人脸识别身份认证方法 |
Non-Patent Citations (4)
| Title |
|---|
| Human Skin Detection Using RGB, HSV and YCbCr Color Models;S. Kolkur等;《ICCASP/ICMMD-2016》;第137卷;第324-332页 * |
| 公安智能视频实战应用系统研究;徐海亮;《中国优秀硕士学位论文全文数据库 信息科技辑》(第2期);第I136-1345页 * |
| 基于最小二乘支持向量机的交通安全预测模型;张卫华 等;《系统管理学报》;第18卷(第6期);第706-710页 * |
| 基于贝叶斯理论的人脸识别算法的研究;张明华;《中国优秀硕士学位论文全文数据库 信息科技辑》(第3期);第I138-1571页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111881843A (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110969160B (zh) | 一种基于深度学习的车牌图像校正、识别方法及系统 | |
| CN108898044B (zh) | 装载率获取方法、装置、系统及存储介质 | |
| TWI384408B (zh) | 影像辨識以及輸出方法與其系統 | |
| CN110322522B (zh) | 一种基于目标识别区域截取的车辆颜色识别方法 | |
| WO2023155483A1 (zh) | 一种车型识别方法、装置和系统 | |
| CN111553214B (zh) | 一种驾驶员吸烟行为检测方法及系统 | |
| CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
| CN108629334A (zh) | 一种基于人脸检测的公交车逃票检验装置及检验方法 | |
| CN103699880A (zh) | 基于物联网的交通违法车辆牌照检测与识别方法 | |
| WO2024037408A1 (zh) | 一种基于图像融合和特征增强的煤矿井下行人检测方法 | |
| CN103927548A (zh) | 一种新的避免车辆碰撞的刹车行为检测方法 | |
| CN108182691B (zh) | 识别限速标志的方法、装置及车辆 | |
| CN111950499A (zh) | 一种检测车载人员统计信息的方法 | |
| CN112115800A (zh) | 一种基于深度学习目标检测的车辆组合识别系统及方法 | |
| CN112085018A (zh) | 基于神经网络的车牌识别系统 | |
| CN108875641B (zh) | 高速公路长期并排行驶识别方法及系统 | |
| CN115984830A (zh) | 安全带佩戴检测方法、装置、设备及存储介质 | |
| CN114708532A (zh) | 一种监控视频质量评估方法、系统及存储介质 | |
| CN106778765B (zh) | 一种车牌识别的方法及装置 | |
| CN111881843B (zh) | 一种基于人脸检测的出租车载客人数统计方法 | |
| CN108985197B (zh) | 基于多算法融合的出租车驾驶员吸烟行为的自动检测方法 | |
| CN111179452A (zh) | 一种基于etc通道客车扣费的系统和方法 | |
| CN110796099A (zh) | 一种车辆超限检测方法及装置 | |
| CN110119769A (zh) | 一种基于多模态车辆特征的检测预警方法 | |
| CN113723258B (zh) | 危险品车辆图像识别方法及其相关设备 |
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 |