CN112183325A - 基于图像对比的公路车辆检测方法 - Google Patents

基于图像对比的公路车辆检测方法 Download PDF

Info

Publication number
CN112183325A
CN112183325A CN202011033639.1A CN202011033639A CN112183325A CN 112183325 A CN112183325 A CN 112183325A CN 202011033639 A CN202011033639 A CN 202011033639A CN 112183325 A CN112183325 A CN 112183325A
Authority
CN
China
Prior art keywords
image
images
background
normal
vehicle
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.)
Granted
Application number
CN202011033639.1A
Other languages
English (en)
Other versions
CN112183325B (zh
Inventor
龙施洋
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.)
Harbin Kejia General Mechanical and Electrical Co Ltd
Original Assignee
Harbin Kejia General Mechanical and Electrical 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 Harbin Kejia General Mechanical and Electrical Co Ltd filed Critical Harbin Kejia General Mechanical and Electrical Co Ltd
Priority to CN202011033639.1A priority Critical patent/CN112183325B/zh
Publication of CN112183325A publication Critical patent/CN112183325A/zh
Application granted granted Critical
Publication of CN112183325B publication Critical patent/CN112183325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

基于图像对比的公路车辆检测方法，涉及公路运输领域。本发明是为了解决现有公路车辆检测方法采用人工检测效率低、成本高且依赖异常图像数据的问题。本发明的具体步骤为：获取采集并识别车辆图像并建立的数据库；将原始图像转换为灰度图像并进行背景消除；将处理后的正常与待检测图像进行配准；检测异常区域。

Description

基于图像对比的公路车辆检测方法
技术领域
本发明涉及公路运输领域的车辆故障检测方法。
背景技术
随着公路运输行业的迅猛发展，车辆的故障检测成为公路运输领域的关注重点。随车公路车辆行驶密度越来越大，行驶的速度不断提高，对公路车辆故障检测就产生了一定的要求，合理的公路车辆检测方法可以在快速检测公路车辆故障的同时保证故障检测准确率，从而提升行车安全。
目前检测车辆故障采用人工检测的方法有一定的人为干扰因素，导致目前检测车辆故障不仅人力成本偏高且检测效率低下；目前采用的深度学习目标检测方法对车辆进行故障检测需要依赖异常图像数据，但是公路车辆种类众多，结构差异大，因此异常图像数据不容易获得，因此使用深度学习目标检测方法应用起来有一定的现实困难。
发明内容
本发明目的是为了解决现有公路车辆检测方法采用人工检测效率低、成本高且依赖异常图像数据问题，而提出了基于图像对比的公路车辆检测方法。
基于图像对比的公路车辆检测方法具体过程为：
步骤一、获取采集并识别车辆图像并建立的数据库；
所述数据库中存储正常车辆底盘的图像和待检测车辆底盘的图像；
步骤二、将原始图像转换为灰度图像并进行背景消除；
所述原始图像包含正常图像和待检测图像
步骤三、将步骤二处理后的正常图像与待检测图像进行配准；
步骤四、检测异常区域。
本发明的有益效果为：
本发明利用图像自动识别方式代替人工检测排除了人为干扰、降低了人力成本进而提高了车辆检测效率；本发明采用历史图像对比方法结合改进的基于梯度图像配准方法，对比同一车辆正常图像与待检测图像，不仅减少了检测中对异常图像数据的依赖，还提升了图像配准的准确率进而提升了故障检测的准确率。
附图说明
图1为基于图像对比的公路检测方法整体流程图；
图2为待检测车辆底盘图像；
图3为正常车辆底盘图像；
图4为去除背景的待检测车辆底盘图像；
图5为去除背景并配准的正常图像，通过仿射变换和列像素平移进行配准；
图6为去除背景并配准的正常图像，只通过仿射变换进行配准。
具体实施方式
具体实施方式一：基于图像对比的公路车辆检测方法，具体过程为：
步骤一、获取采集并识别车辆图像并建立的数据库：
采用线阵相机采集正常车辆和待检测车辆的底盘图像；
采用高清相机采集并识别正常车辆和待检测车辆的车牌号图像；
所述数据库存储正常车辆的底盘图像和车牌号，一个车牌号对应一个正常底盘图像。
步骤二、将原始图像转换为灰度图像并进行背景消除，具体过程为：
所述原始图像包含正常图像和待检测图像；
步骤二一、确定车辆底盘图像的背景区域：
根据线阵相机的特点，相机拍摄位置固定，在不存在运动物体时其拍摄的每列图像都为同一背景，像素值比较相似，将每一列像素看成一个向量，图像第一列像素为背景，且与第一列向量余弦相似度小于0.9的区域都是背景区域；
所述背景为图像中没有出现车体的部分。
步骤二二、消除原始图像的背景：
(1)求出图像a的背景向量的平均向量；
所述图像a为阵列相机拍摄的车辆底盘图像；
(2)获得背景区域像素值接近0的图像b；
所述图像b的获得方法为：将原始图像的每一列都减去图像a的背景向量的平均向量并取绝对值；
(3)用opencv中的threshold函数和findContours函数对图像b进行二值化并检测图像b中的物体轮廓，保留轮廓面积大于图像面积十分之一的轮廓；
(4)利用(3)中求出的图像b中保留的物体轮廓的坐标在图像a中定位得到图像a中的物体轮廓，轮廓内的像素为前景，轮廓外的像素为背景；
(5)将图像b的背景与(4)中获得的图像a中的前景结合，获得消除背景后的图像。
步骤三、将步骤二处理后的正常图像与待检测图像进行配准，具体过程为：
步骤三一、将消除背景后的正常图像仿射变换；
仿射变换包括图像整体的平移、旋转、缩放。
如果仅发生由于车辆行驶角度不同造成的图片中车身不同程度旋转，由于车速不同造成的车辆整体长度变化，以及由于车辆行驶位置不同造的成车身在图片中上下方向的偏移量变化的问题；
步骤三二、将消除背景后图像整列像素平移：
Qij＝Pij+Sj
其中，Qij图像平移后像素的位置，Pij为像素所在的初始位置，i表示像素所在的行，j表示像素所在的列，Sj为第j列像素平移的距离；
加入正则项限制列像素的平移：
Figure BDA0002704532950000031
Sj代表第j列的平移距离，k代表两列编号的差距，m代表限制的范围，只对相距m列以内的列进行限制，L1是图像的列数；
所述限制列像素平移的方式为：正则项计算后乘以系数(通过试验选择合适的系数，系数过大平移效果不明显，过小会使图像失真)，通过系数调整正则项对平移限制的程度。
步骤三三、运用插值法计算平移后图像的每个像素，从而获得平移后的图像；
步骤三四、计算平移后图像与待检测图像的SSIM值：
Figure BDA0002704532950000032
其中，x是待检测图像，y是变换后的正常图像，μx是x所有像素的平均值，μy是y所有像素的平均值，
Figure BDA0002704532950000033
是x所有像素的方差，
Figure BDA0002704532950000034
是y所有像素的方差,σxy是x和y所有像素的协方差，c1＝(k1L’)2,c1＝(k1L’)2是用来维持稳定的常数，L’是像素值的动态范围，k1＝0.01，k2＝0.03，SSIM(x，y)是待检测图像和正常图像的结构相似性。
步骤三五、根据SSIM值计算损失函数；
所述损失函数为SSIM值的相反数与正则项的和；
步骤三六、对损失函数进行迭代优化，达到迭代次数时停止优化；
步骤三七、根据优化后得到的变换参数对消除背景后的正常图像进行变换，得到配准后的图像。
步骤四、检测异常区域，具体过程为：
步骤四一、获取配准后图像的局部特征图：
所述图像高为H，宽为W；
配准后的图像在Resent 50网络中经过5次下采样，获得高度变为原图的1/32，宽度变为原图的1/32，通道数变为2048的P5层特征；
将图像进行一次步长为2的卷积后，得到高为H/64，宽为W/64，通道数为256的局部特征图；
所述特征图中每个位置是一个256维的向量，每个向量代表原图对应位置64*64局部图像的特征；
步骤四二、分别计算正常图像与待检测图像的局部特征向量：
所述局部特征向量通过局部相似性网络训练获得，训练后相似的局部图像其对应的向量接近，不同的局部图像对应的向量距离较远；
所述局部特征向量是对局部特征图的向量表示；
所述局部相似性网络训练的具体过程为：
(1)采集样本：
相同车辆不同时间的两张图像为一组样本；
(2)对每组样本进行配准：
所述配准方法为步骤三中的配准方法；
(3)对配准后的每组样本中取一张图像进行处理：
首先，对图像进行分格，每个格子对应64*64的子图；
然后，随机选取一定数量的子图保持不变，剩余子图进行随机赋值并组成大图，然后进行标记；
所述赋值为取图像其他位置的局部图像对子图进行赋值；
所述标记方法为将不变的子图标记为1，其余子图标记为0；
最后，将重组后的图像输入网络，得到一组特征向量(每个特征向量对应一个子图)；
(4)将另一张图像直接输入网络，得到与(3)相同数量的特征向量。
(5)将两张图像相同区域的特征向量作为一对特征向量，计算每一对特征向量的contrastive loss值：
Figure BDA0002704532950000051
L是contrastive loss的值，N是向量对的个数，其中每一个n代表一对特征向量，d表示两个特征向量的欧氏距离，y是向量是否相似的标签，相似取1，不相似取0，margin为设定的阈值。
(6)采用Adam优化方法对网络进行训练：
所述对网络进行训练时采用数据增强的方法扩增数据；
所述数据增强的方法为：(1)对于一组样本，两张图像同时进行随机平移，两张图像平移距离相同；(2)水平方向随机缩放，两张图片同时缩放，缩放比例相同；(3)图像进行随机亮度和对比度调整，两张图片分别调整。
步骤四三、对比两张图像相同位置的局部特征向量，如果局部特征向量的阈值大于6.0则将该区域标记为异常区域。

Claims (5)

1.基于图像对比的公路车辆检测方法，其特征在于所述方法具体过程为：
步骤一、获取采集并识别车辆图像建立的数据库；
所述数据库中包含正常车辆底盘图像与待检测车辆底盘图像；
步骤二、将原始图像转换为灰度图像并进行背景消除；
所述原始图像为正常车辆底盘图像和待检测车辆底盘图像
步骤三、将步骤二处理后的正常图像与待检测图像进行配准；
步骤四、检测异常区域。
2.根据权利要求1所述的基于图像对比的公路车辆检测方法，其特征在于：所述步骤一中获取采集并识别车辆图像建立的数据库，具体过程为：
采用线阵相机采集正常车辆和待检测车辆的底盘图像；
采用高清相机采集并识别正常车辆和待检测车辆的车牌号图像；
所述数据库存储正常车辆的底盘图像和车牌号，一个车牌号对应一个正常底盘图像。
3.根据权利要求2所述的基于图像对比的公路车辆检测方法，其特征在于：所述步骤二中将原始图转换成灰度图像并进行背景消除，具体过程为：
步骤二一、确定正常车辆底盘图像的背景区域：
第一列像素是图像的背景，原始图像每一列像素看成一个向量，与第一列向量余弦相似度小于0.9的区域都是图像的背景；
步骤二二、消除原始图像的背景：
(1)求出图像a的背景向量的平均向量；
所述图像a为阵列相机拍摄的车辆底盘图像；
(2)获得背景区域像素值接近0的图像b；
所述图像b的获得方法为：将原始图像的每一列都减去图像a的背景向量的平均向量并取绝对值；
(3)用opencv中的threshold函数和findContours函数对图像b进行二值化并检测图像b中的物体轮廓，保留轮廓面积大于图像面积十分之一的轮廓；
(4)利用(3)中求出的图像b中保留的物体轮廓的坐标在图像a中定位得到图像a中的物体轮廓，轮廓内的像素为前景，轮廓外的像素为背景；
(5)将图像b的背景与(4)中获得的图像a中的前景结合，获得消除背景后的图像。
4.根据权利要求3所述的基于图像对比的公路车辆检测方法，其特征在于：所述步骤三中将步骤二处理后的正常图像与待检测图像进行配准，具体过程为：
步骤三一、将消除背景后的正常图像仿射变换：
所述仿射变换包括将图像整体进行平移、旋转、缩放；
步骤三二、将消除背景后的正常图像整列像素平移：
Qij＝Pij+Sj
其中，Qij图像平移后像素的位置，Pij为像素所在的初始位置，i表示像素所在的行，j表示像素所在的列，Sj为第j列像素平移的距离；
加入正则项限制列像素的平移：
Figure FDA0002704532940000021
Sj是第j列的平移距离，k是两列编号的差距，m是限制的范围，只对相距m列以内的列进行限制，L1是图像的列数；
所述限制列像素平移的方式为：正则项计算后乘以系数，通过系数调整正则项对平移限制的程度；
步骤三三、运用插值法计算平移后图像的每个像素，从而获得平移后的图像；
步骤三四、计算平移后图像与模板图像的SSIM值：
Figure FDA0002704532940000022
其中，x是待检测图像，y是变换后的正常图像，μx是x所有像素的平均值，μy是y所有像素的平均值，σx 2是x所有像素的方差，σy 2是y所有像素的方差,σxy是x和y所有像素的协方差，c1＝(k1L’)2,c1＝(k1L’)2是用来维持稳定的常数，L’是像素值的动态范围，k1＝0.01，k2＝0.03；
步骤三五、根据SSIM值计算损失函数；
所述损失函数为SSIM值的相反数与正则项的和；
步骤三六、对损失函数进行迭代优化，达到迭代次数时停止优化；
步骤三七、根据优化后得到的变换参数对消除背景后的正常图像进行变换，得到配准后的图像。
5.根据权利要求4所述的基于图像对比的公路车辆检测方法，其特征在于：所述步骤四中检测异常区域，具体过程为：
步骤四一、获取配准后图像的局部特征图；
所述配准后的图像高为H，宽为W；
将配准后的图像输入Resent 50网络中经过5次下采样，得到高度变为原图的1/32，宽度变为原图的1/32，通道数变为2048的P5层的特征；
将图像进行一次步长为2的卷积后，得到高为H/64，宽为W/64，通道数为256的局部特征图；
所述特征图中每个位置是一个256维的向量，每个向量代表原图对应位置64*64局部图像的特征；
步骤四二、分别计算正常图像与待检测图像的局部特征向量：
所述局部特征向量通过局部相似性网络训练获得，训练后相似的局部图像其对应的向量接近，不同的局部图像对应的向量距离较远；
所述局部特征向量是对局部特征图的向量表示；
所述局部相似性网络训练的具体过程为：
(1)采集样本：
相同车辆不同时间的两张图像为一组样本；
(2)对每组样本进行配准：
所述配准方法为步骤三中的配准方法；
(3)对配准后的每组样本中取一张图像进行处理：
首先，对图像进行分格，每个格子对应64*64的子图；
然后，随机选取一定数量的子图保持不变，剩余子图进行随机赋值并组成大图，然后进行标记；
所述赋值为取图像其他位置的局部图像对子图进行赋值；
所述标记方法为将不变的子图标记为1，其余子图标记为0；
最后，将重组后的图像输入网络，得到一组特征向量(每个特征向量对应一个子图)；
(4)将另一张图像直接输入网络，得到与(3)相同数量的特征向量；
(5)将两张图片相同区域的特征向量作为一对特征向量，计算每一对特征向量的contrastive loss值：
Figure FDA0002704532940000031
L是contrastive loss的值，N是向量对的个数，其中每一个n代表一对特征向量，d表示两个特征向量的欧氏距离，y是向量是否相似的标签，相似取1，不相似取0，margin为设定的阈值；
(6)采用Adam优化方法对网络进行训练：
所述对网络进行训练时采用数据增强的方法扩增数据；
所述数据增强的方法为：(1)对于一组样本，两张图像同时进行随机平移，两张图像平移距离相同；(2)水平方向随机缩放，两张图片同时缩放，缩放比例相同；(3)图像进行随机亮度和对比度调整，两张图片分别调整；
步骤四三、对比两张图像相同位置的局部特征向量，局部特征向量的阈值大于6.0则将该区域标记为异常区域。
CN202011033639.1A 2020-09-27 2020-09-27 基于图像对比的公路车辆检测方法 Active CN112183325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011033639.1A CN112183325B (zh) 2020-09-27 2020-09-27 基于图像对比的公路车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011033639.1A CN112183325B (zh) 2020-09-27 2020-09-27 基于图像对比的公路车辆检测方法

Publications (2)

Publication Number Publication Date
CN112183325A true CN112183325A (zh) 2021-01-05
CN112183325B CN112183325B (zh) 2021-04-06

Family

ID=73943610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011033639.1A Active CN112183325B (zh) 2020-09-27 2020-09-27 基于图像对比的公路车辆检测方法

Country Status (1)

Country Link
CN (1) CN112183325B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112509A (zh) * 2021-04-12 2021-07-13 深圳思谋信息科技有限公司 图像分割模型训练方法、装置、计算机设备和存储介质
CN113516853A (zh) * 2021-06-24 2021-10-19 南京邮电大学 一种针对复杂监控场景的多车道车流量检测方法
CN114061614A (zh) * 2021-09-28 2022-02-18 岚图汽车科技有限公司 一种展示道路优先通行权的导航模式及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637033A (zh) * 2012-04-28 2012-08-15 成都西物信安智能系统有限公司 一种用于车底安全检查的控制系统
EP2662825A1 (en) * 2012-05-10 2013-11-13 Thomson Licensing Method and device for generating a super-resolution version of a low resolution input data structure
CN103646248A (zh) * 2013-11-28 2014-03-19 西安理工大学 基于双目线阵ccd汽车底盘成像的异物检测方法
US20140192046A1 (en) * 2013-01-07 2014-07-10 Ecole Centrale Paris Method and device for elastic registration between a two-dimensional digital image and a slice of a three-dimensional volume with overlapping content
CN103984961A (zh) * 2014-05-30 2014-08-13 成都西物信安智能系统有限公司 一种用于检测车底异物的图像检测方法
CN106204478A (zh) * 2016-07-06 2016-12-07 电子科技大学 基于背景噪声特征空间的磁光图像增强算法
CN108171320A (zh) * 2017-12-06 2018-06-15 西安工业大学 一种基于生成式对抗网络的图像域转换网络和转换方法
CN109272443A (zh) * 2018-09-30 2019-01-25 东北大学 一种基于全卷积神经网络的pet与ct图像配准方法
CN109300148A (zh) * 2018-09-19 2019-02-01 西北工业大学 基于方法协同的多源图像配准方法
CN109784326A (zh) * 2018-11-27 2019-05-21 上海眼控科技股份有限公司 一种基于深度学习的车辆底盘检测方法
CN109859153A (zh) * 2019-01-18 2019-06-07 武汉大学 一种基于自适应光谱-空间梯度稀疏正则化的多光谱图像融合方法
US20190295261A1 (en) * 2018-03-26 2019-09-26 Samsung Electronics Co., Ltd. Method and apparatus with image segmentation
CN110598019A (zh) * 2019-09-11 2019-12-20 腾讯科技（深圳）有限公司 重复图像识别方法及装置
CN111091111A (zh) * 2019-12-25 2020-05-01 河北工业大学 一种车底危险目标识别方法
CN111325794A (zh) * 2020-02-23 2020-06-23 哈尔滨工业大学 一种基于深度卷积自编码器的视觉同时定位与地图构建方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637033A (zh) * 2012-04-28 2012-08-15 成都西物信安智能系统有限公司 一种用于车底安全检查的控制系统
EP2662825A1 (en) * 2012-05-10 2013-11-13 Thomson Licensing Method and device for generating a super-resolution version of a low resolution input data structure
US20140192046A1 (en) * 2013-01-07 2014-07-10 Ecole Centrale Paris Method and device for elastic registration between a two-dimensional digital image and a slice of a three-dimensional volume with overlapping content
CN103646248A (zh) * 2013-11-28 2014-03-19 西安理工大学 基于双目线阵ccd汽车底盘成像的异物检测方法
CN103984961A (zh) * 2014-05-30 2014-08-13 成都西物信安智能系统有限公司 一种用于检测车底异物的图像检测方法
CN106204478A (zh) * 2016-07-06 2016-12-07 电子科技大学 基于背景噪声特征空间的磁光图像增强算法
CN108171320A (zh) * 2017-12-06 2018-06-15 西安工业大学 一种基于生成式对抗网络的图像域转换网络和转换方法
US20190295261A1 (en) * 2018-03-26 2019-09-26 Samsung Electronics Co., Ltd. Method and apparatus with image segmentation
CN109300148A (zh) * 2018-09-19 2019-02-01 西北工业大学 基于方法协同的多源图像配准方法
CN109272443A (zh) * 2018-09-30 2019-01-25 东北大学 一种基于全卷积神经网络的pet与ct图像配准方法
CN109784326A (zh) * 2018-11-27 2019-05-21 上海眼控科技股份有限公司 一种基于深度学习的车辆底盘检测方法
CN109859153A (zh) * 2019-01-18 2019-06-07 武汉大学 一种基于自适应光谱-空间梯度稀疏正则化的多光谱图像融合方法
CN110598019A (zh) * 2019-09-11 2019-12-20 腾讯科技（深圳）有限公司 重复图像识别方法及装置
CN111091111A (zh) * 2019-12-25 2020-05-01 河北工业大学 一种车底危险目标识别方法
CN111325794A (zh) * 2020-02-23 2020-06-23 哈尔滨工业大学 一种基于深度卷积自编码器的视觉同时定位与地图构建方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHEN HUANG 等: "Local Similarity-Aware Deep Feature Embedding", 《ARXIV:1610.08904V1》 *
HANG ZHAO 等: "Loss Functions for Neural Networks for Image Processing", 《ARXIV:1511.08861V2》 *
文韬 等: "基于图像处理的烟条段搭口宽度测量方法", 《信息技术与网络安全》 *
段嘉旭 等: "基于抽样随机一致性和图像特征的图像配准", 《信息技术》 *
王欣盛 等: "基于卷积神经网络的单目深度估计", 《基于卷积神经网络的单目深度估计》 *
迟大钊 等: "基于X射线图像处理的单搭接焊缝缺陷识别", 《焊接》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112509A (zh) * 2021-04-12 2021-07-13 深圳思谋信息科技有限公司 图像分割模型训练方法、装置、计算机设备和存储介质
CN113516853A (zh) * 2021-06-24 2021-10-19 南京邮电大学 一种针对复杂监控场景的多车道车流量检测方法
CN114061614A (zh) * 2021-09-28 2022-02-18 岚图汽车科技有限公司 一种展示道路优先通行权的导航模式及系统

Also Published As

Publication number Publication date
CN112183325B (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN112183325B (zh) 基于图像对比的公路车辆检测方法
CN110569704B (zh) 一种基于立体视觉的多策略自适应车道线检测方法
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
CN112819772B (zh) 一种高精度快速图形检测识别方法
CN111640157B (zh) 一种基于神经网络的棋盘格角点检测方法及其应用
CN111444778B (zh) 一种车道线检测方法
CN104574347B (zh) 基于多源遥感数据的在轨卫星图像几何定位精度评价方法
CN107945111B (zh) 一种基于surf特征提取结合cs-lbp描述符的图像拼接方法
CN106683119B (zh) 基于航拍视频图像的运动车辆检测方法
CN108961235A (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN106485182A (zh) 一种基于仿射变换的模糊qr码复原方法
CN108122256A (zh) 一种逼近状态下旋转目标位姿测量的方法
CN110263716B (zh) 一种基于街景图像的遥感影像超分辨率土地覆被制图方法
CN111553845B (zh) 一种基于优化的三维重建的快速图像拼接方法
CN103353941B (zh) 基于视角分类的自然标志物注册方法
CN116279592A (zh) 一种用于无人物流车的可行驶区域划分方法
CN115272306B (zh) 利用梯度运算的太阳能电池板栅线增强方法
CN111382658A (zh) 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法
CN116152068A (zh) 一种可用于太阳能板图像的拼接方法
CN113793309B (zh) 一种基于形态学特征的亚像素级椭圆检测方法
CN118115473A (zh) 带钢表面微小缺陷检测网络及方法
CN116977316A (zh) 一种复杂外形构件损伤缺陷全场检测与量化评估方法
CN114972453A (zh) 改进的基于lsd与模板匹配的sar图像区域配准方法
CN111833384B (zh) 一种可见光和红外图像快速配准方法及装置
CN115937205A (zh) 表面缺陷瓷砖图像生成方法、装置、设备及存储介质

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