CN112133100B - 一种基于r-cnn的车辆检测方法 - Google Patents

一种基于r-cnn的车辆检测方法 Download PDF

Info

Publication number
CN112133100B
CN112133100B CN202010975107.3A CN202010975107A CN112133100B CN 112133100 B CN112133100 B CN 112133100B CN 202010975107 A CN202010975107 A CN 202010975107A CN 112133100 B CN112133100 B CN 112133100B
Authority
CN
China
Prior art keywords
layer
cnn
vehicle
image
boundary
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
Application number
CN202010975107.3A
Other languages
English (en)
Other versions
CN112133100A (zh
Inventor
宋旭博
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.)
Beijing Moviebook Science And Technology Co ltd
Original Assignee
Beijing Moviebook Science And Technology Co ltd
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 Beijing Moviebook Science And Technology Co ltd filed Critical Beijing Moviebook Science And Technology Co ltd
Priority to CN202010975107.3A priority Critical patent/CN112133100B/zh
Publication of CN112133100A publication Critical patent/CN112133100A/zh
Application granted granted Critical
Publication of CN112133100B publication Critical patent/CN112133100B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • 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
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于R‑CNN的车辆检测方法，对采集得到的车辆图像进行优化处理，再采用特别配置的残差学习网络对所收集车辆图像进行训练，训练后的图像数据送至深度卷积神经网络以提取特征，其中，所述残差学习网络中至少配置有边界框回归层、ROI(Region of Interest，目标物体位置)最大池层和RPN层来对采集得到的车辆图像进行训练，所述边界框回归层、ROI最大池层和RPN层用于对象的最终分类，最终分类的输出图层包括车辆图层和背景图层。本发明能够在R‑CNN方法中引入评估参数调整的影响，缩短图片处理的时间，以提供几乎实时和高精度的性能，实现对于鲁棒性和实时性的提高。

Description

一种基于R-CNN的车辆检测方法
技术领域
本申请涉及车辆检测方法，特别是涉及一种基于R-CNN的车辆检测方法。
背景技术
高速率的智能交通系统(ITS)利用基于视频的工具，因为它们具有各种优势，例如更好的性能，更低的维护成本和更高的开发潜力。在这些系统中，摄像机是数据采集的主要工具，它们的视频输出能够使用图像/视频处理技术提供有用的信息。
深度学习已成为机器学习的热门研究课题，与传统方法相比有很大的优势。将深度神经网络(DNN)用于分类场景被证明是解决与识别和检测物体相关的挑战的绝佳解决方案。常见的DNN由多个输入层、至少两个隐藏层和多个输出层组成。隐藏层被称为DNN的主要结构，其通过几个神经元及其权重来执行数学运算，参考神经元在生成模型中的影响。对于视觉数据分析，由于图像中多个特征之间存在位置关系，因此在大多数常见情况下使用称为深度卷积神经网络(CNN)的特殊类型的DNN。为了物体检测的目的，已经开发了一些基于CNN的更多算法来克服从图像构建物体检测模型的常见挑战，例如不同的空间位置或纵横比。
将DNN应用于车辆检测应用已被认为是一种高度可靠的解决方案，在研究中表明其具备出色的准确性，在大多数情况下，根据车辆外观生成DNN模型，以便在视频帧中检测它们。例如：一种使用DNN验证检测到的车辆的实时车辆检测方法，使用AdaBoost分类器检测车辆特征，并应用DNN生成的模型来验证检测到的车辆，尽管在他们的研究中最终的精确率增加，但系统需要至少15帧来验证车辆，这就造成了检测耗时长、效率低的问题。
发明内容
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。
根据本申请的一个方面，提供了一种基于R-CNN的车辆检测方法，对采集得到的车辆图像进行优化处理，再采用特别配置的残差学习网络对所收集车辆图像进行训练，训练后的图像数据送至深度卷积神经网络以提取特征，其中，所述残差学习网络中至少配置有边界框回归层、ROI(Region of Interest，目标物体位置)最大池层和RPN(区域建议网络)层来对采集得到的车辆图像进行训练，所述边界框回归层、ROI最大池层和RPN层用于对象的最终分类，最终分类的输出图层包括车辆图层和背景图层。
可选地，所述残差学习网络对对采集得到的车辆图像进行预训练的过程包括：
所述边界框回归层包括一个全连接层，所述全连接层后跟设置一个R-CNN边界框回归层，采集得到的车辆图像中每个类的R-CNN边界框回归层根据所述全连接层输出设置的数量实现背景偏移，得到经由R-CNN优化的特征图；
ROI最大池层由所述特征图中映射构成，所述ROI最大池层中的每个输入ROI从所述特征图中选择相应部分并缩放为固定大小的二次特征图；
所述RPN层从所述二次特征图中提取包含车辆特征并进行最终分类，完成图层的检测输出。
可选地，所述边界框回归层包括一个全连接层，所述全连接层后跟设置一个R-CNN边界框回归层，采集得到的车辆图像中每个类的R-CNN边界框回归层根据所述全连接层输出设置的数量实现背景偏移的过程中：
每个R-CNN边界框回归层中对应于每一个类分别配置有多个边界框，每个类的多个边界框分别根据相关的背景偏移。
可选地，所述RPN层从所述二次特征图中提取包含车辆特征并进行最终分类，完成图层的检测输出的过程中：
RPN层采用的区域建议网络生成建议窗口，并使用所述建议窗口检测包含车辆特征的图。
可选地，所述建议窗口采用的是矩形框，且长宽比为1:1或者1:2。
可选地，对采集得到的车辆图像进行优化处理的过程包括对于图像进行的噪声滤除、对比度增强、锐化或直方图均衡。
可选地，所述残差学习网络采用的是ResNet-50的残差学习框架。
特别地，本发明还提供了一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上所述的方法。
本发明还提供了一种计算机可读存储介质，优选为非易失性可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如上所述的方法。
本发明还提供了一种计算机程序产品，包括计算机可读代码，当所述计算机可读代码由计算机设备执行时，导致所述计算机设备执行如上所述的方法。
本申请的基于R-CNN的车辆检测方法，能够在R-CNN方法中引入评估参数调整的影响，缩短图片处理的时间，以提供几乎实时和高精度的性能，实现对于鲁棒性和实时性的提高。
根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1是根据本申请一个实施例的基于R-CNN的车辆检测优化方法流程图；
图2是根据本申请一个实施例的车辆检测优化方法中残差学习网络的特殊层对图像进行处理的方法流程图；
图3是根据本申请另一个实施例的计算设备结构图；
图4是根据本申请另一个实施例的计算机可读存储介质结构图。
具体实施方式
本方案提出了基于R-CNN的车辆检测优化方法，如图1所示，该方法包括如下处理步骤：
步骤101：对采集得到的车辆图像进行优化处理，
步骤102：采用特别配置的残差学习网络对所收集车辆图像进行训练，训练后的图像数据送至深度卷积神经网络以提取特征，其中，所述残差学习网络中至少配置有边界框回归层、ROI(Region of Interest，目标物体位置)最大池层和RPN层来对采集得到的车辆图像进行训练，所述边界框回归层、ROI最大池层和RPN层用于对象的最终分类，最终分类的输出图层包括车辆图层和背景图层。
本实施例采用的实验数据集为斯坦福大学提供的汽车数据集，其中包含由不同摄像机捕获的19619类车辆的16185张图像，其中包括了车辆的后视图和前视图，图像的分辨率不同，为了保证一致的宽高比，因此我们将图像的宽度调整为300，最终模型是对在数据集的8144个训练图像上进行训练，剩余的8041个图像用于测试。对采集得到的车辆图像进行优化处理时第一步是图像预处理，设置为通过低通滤波器去除可能的噪声。如有必要，还可以进行更多操作，例如对比度增强，锐化或直方图均衡。此阶段的输出图像是一系列具有改进外观和更多细节的图像。
为了生成用于车辆检测的模型，应该清楚地指定隐藏层的结构，每层中的神经元的数量和每个神经元的优化权重。为了简化训练深度神经网络用于车辆检测的艰难过程，在本实施例中所述残差学习网络使用了“ResNet-50”的残差学习框架。在残差学习网络中，可以连接直接学习特征，将第n层直接映射到第n+m th层，这加快了学习网络的全局特征的速度。ResNet-50是一个50层的残差网络，利用这个框架的主要目的是改进分类结果，同时防止训练更深层的精度下降。将预先训练的ResNet-50残留网络的主要架构转换为更快的R-CNN，以便进行分类。该操作具有相同的学习过程，即对其他相关问题应用预先训练的模型。该过程是通过向残差学习网络添加三个新层，即边界框回归层、ROI最大池层和RPN层来完成的。此外，ResNet-50的最后三层用于对象的最终分类，这些图层应由具有两个输出对象类的新图层替换，即车辆或背景(非车辆)。
为了提供除了适当精度之外几乎实时的性能，在这项工作中使用了优化的基于目标的深度卷积神经网络方法，具体进行车辆检测的过程包括：
步骤201：通过改进的ResNet-50网络运行车辆图像以提取车辆特征，利用边界框回归层来学习训练数据中的边界框偏移并提高快速R-CNN的性能。该边界框回归层包括一个全连接层，后跟一个R-CNN边界框回归层，本实施例中全连接层输出的数量设置为4，即每个类的四个边界框根据相关的背景偏移，得到经由R-CNN优化的特征图。
步骤202：修改后的ResNet-50中的第二个新层是ROI最大池层，ROI最大池层由所述特征图中映射构成，所述ROI最大池层中的每个输入ROI从所述特征图中选择相应部分并缩放为固定大小的二次特征图。ROI最大池层为每个输入ROI从特征图中选择相应的部分，并将其缩放为14×14的固定大小。这些固定大小的特征图可以为进一步的处理节省大量时间，因为在其他对象处理中可以重用。
步骤203：ResNet-50残差学习框架中的最后一个新层是RPN层，用于为优化的R-CNN生成区域建议，所述RPN层从所述二次特征图中提取包含车辆特征并进行最终分类，完成图层的检测输出。RPN的主要作用是采用的区域建议网络生成建议窗口，并使用所述建议窗口检测包含车辆特征的图。RPN层提取特征的建议窗口应调整大小以便为CNN提供更好的区域以提取特征，在这项工作中，我们考虑采用的长宽比为1：1和1：2比率的矩形框，至于最终采用的矩形框的长宽比的比率选取是依赖矩形框和真实值的交并比最终由神经网络做回归来确定使用的。最后，输入图像区域被分类为上述两类之一，车辆或非车辆。因此，系统的最终输出是一系列图像，其中仅通过边界框指定检测到的车辆。
本实施例所描述的方法可用于基于其视觉特征检测静止图像中的车辆，并且可通过将所提供的所生成的模型应用于各个视频帧作为在线车辆检测系统来扩展其应用范围。
根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
本申请实施例还提供了一种计算设备，参照图3，该计算设备包括存储器1120、处理器1110和存储在所述存储器1120内并能由所述处理器1110运行的计算机程序，该计算机程序存储于存储器1120中的用于程序代码的空间1130，该计算机程序在由处理器1110执行时实现用于执行任一项根据本发明的方法步骤1131。
本申请实施例还提供了一种计算机可读存储介质。参照图4，该计算机可读存储介质包括用于程序代码的存储单元，该存储单元设置有用于执行根据本发明的方法步骤的程序1131′，该程序被处理器执行。
本申请实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时，使得计算机执行根据本发明的方法步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、获取其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性(英文：non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(英文：magnetic tape)，软盘(英文：floppy disk)，光盘(英文：optical disc)及其任意组合。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种基于R-CNN 的车辆检测方法，对采集得到的车辆图像进行优化处理，再采用特别配置的残差学习网络对所收集车辆图像进行训练，训练后的图像数据送至深度卷积神经网络以提取特征，其中，所述残差学习网络中至少配置有边界框回归层、ROI 最大池层和RPN 层来对采集得到的车辆图像进行训练，所述边界框回归层、ROI 最大池层和RPN 层用于对象的最终分类，最终分类的输出图层包括车辆图层和背景图层；所述残差学习网络对采集得到的车辆图像进行预训练的过程包括：所述边界框回归层包括一个全连接层，所述全连接层后跟设置一个R-CNN边界框回归层，采集得到的车辆图像中每个类的R-CNN 边界框回归层根据所述全连接层输出设置的数量实现背景偏移，得到经由R-CNN 优化的特征图；ROI 最大池层由所述特征图中映射构成，所述ROI 最大池层中的每个输入ROI 从所述特征图中选择相应部分并缩放为固定大小的二次特征图；所述RPN 层从所述二次特征图中提取包含车辆特征并进行最终分类，完成图层的检测输出。
2.根据权利要求1 所述的基于R-CNN 的车辆检测方法，其特征在于，所
述边界框回归层包括一个全连接层，所述全连接层后跟设置一个R-CNN 边界
框回归层，采集得到的车辆图像中每个类的R-CNN 边界框回归层根据所述全
连接层输出设置的数量实现背景偏移的过程中：
每个R-CNN 边界框回归层中对应于每一个类分别配置有多个边界框，每
个类的多个边界框分别根据相关的背景偏移。
3.根据权利要求1 所述的基于R-CNN 的车辆检测方法，其特征在于，所
述RPN 层从所述二次特征图中提取包含车辆特征并进行最终分类，完成图层的
检测输出的过程中：
RPN 层采用的区域建议网络生成建议窗口，并使用所述建议窗口检测包含
车辆特征的图。
4.根据权利要求3 所述的基于R-CNN 的车辆检测方法，其特征在于，所
述建议窗口采用的是矩形框，且长宽比为1:1 或者1:2。
5.根据权利要求1 所述的基于R-CNN 的车辆检测方法，其特征在于，对
采集得到的车辆图像进行优化处理的过程包括对于图像进行的噪声滤除、对比
度增强、锐化或直方图均衡。
6.根据权利要求1 至5 中任一项所述的基于R-CNN 的车辆检测方法，其
特征在于，所述残差学习网络采用的是ResNet-50 的残差学习框架。
7.一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述
处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权
利要求1-6中任一项所述的方法。
8.一种计算机可读存储介质，为非易失性可读存储介质，其内存储有计算
机程序，所述计算机程序在由处理器执行时实现如权利要求1-6 中任一项所述
的方法。
9.一种计算机程序产品，包括计算机可读代码，当所述计算机可读代码由
计算机设备执行时，导致所述计算机设备执行如权利要求1-6 中任一项所述的
方法。
CN202010975107.3A 2020-09-16 2020-09-16 一种基于r-cnn的车辆检测方法 Active CN112133100B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010975107.3A CN112133100B (zh) 2020-09-16 2020-09-16 一种基于r-cnn的车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010975107.3A CN112133100B (zh) 2020-09-16 2020-09-16 一种基于r-cnn的车辆检测方法

Publications (2)

Publication Number Publication Date
CN112133100A CN112133100A (zh) 2020-12-25
CN112133100B true CN112133100B (zh) 2022-04-22

Family

ID=73845955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010975107.3A Active CN112133100B (zh) 2020-09-16 2020-09-16 一种基于r-cnn的车辆检测方法

Country Status (1)

Country Link
CN (1) CN112133100B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012439B (zh) * 2021-03-29 2022-06-21 北京百度网讯科技有限公司 车辆检测方法、装置、设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063586A (zh) * 2018-07-11 2018-12-21 东南大学 一种基于候选优化的Faster R-CNN驾驶员检测方法
CN109165589A (zh) * 2018-08-14 2019-01-08 北京颂泽科技有限公司 基于深度学习的车辆重识别方法和装置
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
KR101970442B1 (ko) * 2018-12-04 2019-04-19 주식회사 넥스파시스템 Fast R-CNN 기반 차량검출을 이용한 불법 주정차 단속 시스템
CN109902572A (zh) * 2019-01-24 2019-06-18 哈尔滨理工大学 一种基于深度学习的车辆检测方法
CN111027547A (zh) * 2019-12-06 2020-04-17 南京大学 一种针对二维图像中的多尺度多形态目标的自动检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063586A (zh) * 2018-07-11 2018-12-21 东南大学 一种基于候选优化的Faster R-CNN驾驶员检测方法
CN109165589A (zh) * 2018-08-14 2019-01-08 北京颂泽科技有限公司 基于深度学习的车辆重识别方法和装置
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
KR101970442B1 (ko) * 2018-12-04 2019-04-19 주식회사 넥스파시스템 Fast R-CNN 기반 차량검출을 이용한 불법 주정차 단속 시스템
CN109902572A (zh) * 2019-01-24 2019-06-18 哈尔滨理工大学 一种基于深度学习的车辆检测方法
CN111027547A (zh) * 2019-12-06 2020-04-17 南京大学 一种针对二维图像中的多尺度多形态目标的自动检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
区域建议网络的细粒度车型识别;杨娟 等;《中国图象图形学报》;20180630(第06期);第837-845页 *

Also Published As

Publication number Publication date
CN112133100A (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
CN109978893B (zh) 图像语义分割网络的训练方法、装置、设备及存储介质
CN107563372B (zh) 一种基于深度学习ssd框架的车牌定位方法
CN109087510B (zh) 交通监测方法及装置
CN110472627B (zh) 一种端到端的sar图像识别方法、装置及存储介质
DE102020102230A1 (de) Missbrauchsindex für erklärbare künstliche intelligenz in computerumgebungen
CN110633610B (zh) 一种基于yolo的学员状态检测方法
CN103020978B (zh) 结合多阈值分割与模糊聚类的sar图像变化检测方法
CN104537647B (zh) 一种目标检测方法及装置
CN109948616B (zh) 图像检测方法、装置、电子设备及计算机可读存储介质
CN107545263B (zh) 一种物体检测方法及装置
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
CN108805016B (zh) 一种头肩区域检测方法及装置
CN105938559A (zh) 使用卷积神经网络的数字图像处理
CN101470809B (zh) 一种基于扩展混合高斯模型的运动目标检测方法
EP3690741A2 (en) Method for automatically evaluating labeling reliability of training images for use in deep learning network to analyze images, and reliability-evaluating device using the same
US9330336B2 (en) Systems, methods, and media for on-line boosting of a classifier
CN105654066A (zh) 一种车辆识别方法及装置
CN111738055B (zh) 多类别文本检测系统和基于该系统的票据表单检测方法
CN104866868A (zh) 基于深度神经网络的金属币识别方法和装置
CN109492596B (zh) 一种基于K-means聚类和区域推荐网络的行人检测方法及系统
CN109087337B (zh) 基于分层卷积特征的长时间目标跟踪方法及系统
CN112232371A (zh) 一种基于YOLOv3与文本识别的美式车牌识别方法
Pavel et al. Recurrent convolutional neural networks for object-class segmentation of RGB-D video
CN112101114B (zh) 一种视频目标检测方法、装置、设备以及存储介质
CN110569971A (zh) 一种基于LeakyRelu激活函数的卷积神经网络单目标识别方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Vehicle Detection Method Based on R-CNN

Effective date of registration: 20230713

Granted publication date: 20220422

Pledgee: Bank of Jiangsu Limited by Share Ltd. Beijing branch

Pledgor: BEIJING MOVIEBOOK SCIENCE AND TECHNOLOGY Co.,Ltd.

Registration number: Y2023110000278

PE01 Entry into force of the registration of the contract for pledge of patent right
PP01 Preservation of patent right

Effective date of registration: 20241008

Granted publication date: 20220422