CN112329569A - 一种基于图像深度学习系统的货运车辆状态实时识别方法 - Google Patents
一种基于图像深度学习系统的货运车辆状态实时识别方法 Download PDFInfo
- Publication number
- CN112329569A CN112329569A CN202011161085.3A CN202011161085A CN112329569A CN 112329569 A CN112329569 A CN 112329569A CN 202011161085 A CN202011161085 A CN 202011161085A CN 112329569 A CN112329569 A CN 112329569A
- Authority
- CN
- China
- Prior art keywords
- image
- freight vehicle
- truck
- training set
- frame
- 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
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 138
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000003672 processing method Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims description 27
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000013136 deep learning model Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000007635 classification algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 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
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012857 repacking Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于图像深度学习系统的货运车辆状态实时识别方法。本发明系统:道路监控摄像头、计算处理主机、显示屏。本发明方法首先人工标注货运车辆图像数据集构建深度学习图像训练集,输入到YOLOv3深度学习网络进行优化训练;然后对实时采集的初始图像进行处理,经过背景差分法、数字图像处理得到前景图像,并提取运动目标区域的外接矩形以构建识别图像;使用训练后的深度学习网络对识别图像进行预测,最后得到货运车辆的预测矩形边框及预测矩形边框中对应的货运车辆状态,并输出显示。本发明通过深度学习方法实现了对货运车辆不同货载状态的识别,并结合图像处理方法提高了深度学习对货车目标识别的准确性。本发明提高了道路货运的安全性。
Description
技术领域
本发明属于车辆识别技术领域,特别是涉及一种基于图像深度学习系统的货运车辆状态实时识别方法。
背景技术
在道路交通安全领域,道路交通事故频发,由货车引起的交通事故具有占比高,死亡率高,财产损失严重等特点。载运货车的不安全性与货载状态有很大关系,货车载货量高,货车的制动性就会下降,事故发生可能性就会增大,同时发生事故后的人员伤亡与财产损失也相应增加。目前针对货车货载状态的一般检测手段包括静态检测和动态检测。静态检测一般为人工检测或改造公路加装称重系统,此类手段的安装维护成本较高,而改装道路也会对道路产生一定的破坏性。动态检测通常需要加装传感器,如在货车车身上加装压力传感器等,一旦人为私自改装装置,那么这类手段将无法产生效果。总体而言,现阶段对于道路货运车辆的监管普遍存在人力物力耗费高和监管效率低的问题。
随着目标检测技术的迅速发展,对图像和视频可进行更大程度的信息挖掘。中国专利申请CN104966049A提出了一种基于图像的货车检测方法,该方法基于图像处理方法利用多个车辆特征对货车进行识别,首先根据车牌颜色和车牌像素值等分三次定位车牌,然后利用平整度和车牌占比判断是否为大车,最后根据车牌与地面的相对位置和车牌与挡风窗范围来判定是否为货车。然而实际应用中存在车牌容易遮挡、车牌在各种类型车辆位置不定等因素,导致此方法效果适用范围有限。中国专利申请CN109409337A涉及到一种基于卷积神经网络识别渣土车特征的方法,首先通过图像识别技术检测车辆区域,然后对车辆区域进行车辆位置分类识别,然后针对车头区域和车尾区域分别训练识别算法模型,其中共涉及到车辆图像识别技术、车辆位置识别技术、车头用九分类算法模型、车头用二分类算法模型、车尾用九分类算法模型、车尾用二分类算法模型、后盖识别二分类算法模型、车牌号放大二分类识别算法模型,方法流程繁琐,训练这些模型需要海量数据,且并未具体阐述如何设计这些算法模型。
发明内容
为了解决上述问题,本发明提出了一种基于图像深度学习的货运车辆状态实时识别系统和方法,来提高工作人员的检测效率,提高道路货运的安全性。
本发明的技术方案为一种基于图像深度学习系统的货运车辆状态实时识别方法。
所述的图像深度学习系统,其特征在于,包括:道路监控摄像头、计算处理主机、显示屏;
所述的道路监控摄像头、计算处理主机、显示屏依次连接;
所述道路监控摄像头用于采集货运车辆的初始图像,并传输至所述计算处理主机;
所述计算处理主机,用于对货运车辆的初始图像进行货运车辆状态识别,得到货运车辆的预测矩形边框以及货运车辆的预测矩形边框中对应的货运车辆状态;
所述显示屏用于显示货运车辆的预测矩形边框以及货运车辆的预测矩形边框中对应的货运车辆状态。
所述货运车辆状态实时识别方法,其特征在于,包括以下步骤:
步骤1:引入货运车辆的图像数据集,人工标注货运车辆的图像数据集中货车外接矩形边框,并进一步人工标记货车状态,构建深度学习模型训练集;
步骤2:引入YOLOv3深度学习网络,构建深度学习网络损失函数模型,将深度学习模型图像训练集输入到YOLOv3深度学习网络进行优化训练,得到训练后YOLOv3深度学习网络;
步骤3:通过道路监控摄像头实时采集初始图像并传输至计算处理主机;
步骤4:将初始图像通过混合高斯模型提取背景图像,将初始图像进行灰度化得到灰度图像,将灰度图像与背景图像作差得到前景图像;
步骤5:对前景图像作数字图像处理,提取前景图像中运动目标区域像素点的外接矩形,根据前景图像中运动目标区域像素点的外接矩形,将前景图像中运动目标区域像素点的外接矩形外的像素信息置零以构建识别图像;
步骤6:将识别图像通过训练后YOLOv3深度学习网络进行预测,得到识别图像中货运车辆的预测矩形边框以及货运车辆的预测矩形边框中对应的货运车辆状态,将识别图像中货运车辆的预测矩形边框以及货运车辆的预测矩形边框中对应的货运车辆状态通过显示屏输出显示。
作为优选,步骤1所述货运车辆的图像训练集为:
{datak(x,y),k∈[1,K],x∈[1,X],y∈[1,Y]}
其中,datak(x,y)表示货运车辆的图像训练集中第k幅货运车辆图像第x行第y列像素信息,K表示货运车辆的图像训练集中图像的数量,X为货运车辆的图像训练集中货运车辆图像的行数,Y为货运车辆的图像训练集中货运车辆图像的列数;
步骤1所述货运车辆图像训练集中货车外接矩形边框坐标为:
其中,表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框左上角坐标,表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框的左上角横坐标,表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框的左上角纵坐标;表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框右下角坐标,表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框的右下角横坐标,表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框的右下角纵坐标;Nk表示货运车辆图像训练集中第k幅货运车辆图像中货运车辆目标的数量即货车外接矩形边框的数量;
步骤1所述货运车辆图像训练集中货车状态为:
types,s∈[1,4]
其中,type1表示货车空箱,type2表示货车封箱,type3表示货车载货,type4表示货车不完整;
步骤1所述深度学习模型图像训练集为:
其中,datak(x,y)表示货运车辆的图像训练集中第k幅货运车辆图像第x行第y列像素信息,typek,n,s表示货运车辆的图像训练集中第k幅货运车辆图像第n个货车外接矩形边框中货车第s个状态类型;
表示货运车辆的图像训练集中第k幅货运车辆图像第n个货车外接矩形边框中矩形边框左上横坐标,表示货运车辆的图像训练集中第k幅货运车辆图像第n个货车外接矩形边框中矩形边框左上角纵坐标,表示货运车辆的图像训练集中第k幅货运车辆图像第n个货车外接矩形边框中矩形边框右下角横坐标,表示货运车辆的图像训练集中第k幅货运车辆图像第n个货车外接矩形边框中矩形边框右下角纵坐标,typek,n,s表示货运车辆的图像训练集中第k幅货运车辆图像第n个货车外接矩形边框中货车第s个状态类型;
作为优选,步骤2所述YOLOv3深度学习网络结构为:
YOLOv3由DarkNet-53主干网络、目标特征提取网络构成;
目标特征提取网络的输出预测量包括预测识别框X轴偏移量、Y轴偏移量、高度、宽度、置信度5个目标数据信息和目标类别信息,由预测识别框X轴偏移量、Y轴偏移量、高度、宽度信息可得到第k幅图像第i个网格预测的第n个货车目标边框右下角横坐标图像训练集第k幅图像第i个网格预测的第n个货车目标边框左上角横坐标图像训练集第k幅图像第i个网格预测的第n个货车目标边框左上角纵坐标图像训练集第k幅图像第i个网格预测的第n个货车目标边框右下角纵坐标目标类别信息为图像训练集第k幅图像第i个网格预测的第n个货车目标边框货车状态类别置信度信息为图像训练集第k幅图像第i个网格预测的第n个货车目标边框货车状态类别置信度可
步骤2所述深构建深度学习网络损失函数模型为:
所述深度学习网络损失函数包括:目标边界框损失、类别损失、置信度损失;
所述目标边界框损失的定义为:
其中,G为图像划分的网格数,B为每个网格中预测的边界框数,i表示单元格个数,j表示锚框个数;表示第i个单元格第j个锚框是否负责预测物体,取值为1或0;表示图像训练集第k幅图像第i个网格预测的第n个货车目标边框右下角横坐标,表示图像训练集第k幅图像第i个网格预测的第n个货车目标边框左上角横坐标,表示图像训练集第k幅图像第i个网格预测的第n个货车目标边框左上角纵坐标,表示图像训练集第k幅图像第i个网格预测的第n个货车目标边框右下角纵坐标;表示图像训练集第k幅图像第i个网格真实的第n个货车目标边框左上角横坐标,表示图像训练集第k幅图像第i个网格真实的第n个货车目标边框左上角纵坐标,表示图像训练集第k幅图像第i个网格真实的第n个货车目标边框右下角纵坐标,表示图像训练集第k幅图像第i个网格真实的第n个货车目标边框右下角纵坐标。
所述类别损失的定义为:
其中,typek,n,s,i表示图像训练集第k幅图像第i个网格真实的第n个货车目标边框货车状态类别,表示图像训练集第k幅图像第i个网格预测的第n个货车目标边框货车状态类别;表示i个网格的第j个锚框是否不存在目标,λnoobj表示没有物体时置信度惩罚权重系数。
所述置信度损失的定义为:
所述深度学习网络损失函数为:
loss(object)=loss(box)+loss(confidence)+loss(type)
步骤2所述将深度学习模型图像训练集输入到YOLOv3深度学习网络进行优化训练为:
步骤2所述训练后YOLOv3深度学习网络为:
作为优选,步骤3所述初始图像为:
datat(x,y),x∈[1,X],y∈[1,Y]
其中,X表示初始图像的行数,Y表示初始图像的列数,datat(x,y)表示初始图像第x行第y列像素信息;
作为优选,步骤4所述背景图像为:
dataBG(x,y),x∈[1,X],y∈[1,Y]
其中,X表示背景图像的行数,Y表示背景图像的列数,dataBG(x,y)表示背景图像第x行第y列像素点信息;
步骤4所述灰度图像为:
datat,g(x,y),x∈[1,X],y∈[1,Y]
其中,datat,g(x,y)表示灰度图像第x行第y列像素点信息;
步骤4所述将灰度图像与背景图像作差得到前景图像为:
datat,f(x,y)=datat(x,y)-dataBG(x,y),x∈[1,X],y∈[1,Y]
其中,X表示背景图像的行数,Y表示背景图像的列数,datat,f(x,y)表示前景图像第x行第y列像素点信息;
作为优选,步骤5所述对前景图像作数字图像处理为:
使用高斯滤波过滤掉前景图像上的噪声,得到高斯滤波前景图像;
将高斯滤波前景图像通过形态学处理方法,集通过图像开运算和闭运算操作进一步去除高斯滤波前景图像中噪声并填充空洞区域,增强运动目标区域,得到形态学前景图像;
对形态学前景图像进行像素阈值分割划分运动目标区域和背景区域,得到阈值分割前景图像;
检测阈值分割前景图像中每个运动目标区域的轮廓外接矩形,并提取阈值分割前景图像中运动目标区域轮廓外接矩形的边框信息,构建前景图像中运动目标区域像素点的外接矩形区域信息;
步骤5所述前景图像中运动目标区域像素点的外接矩形为:
其中,表示阈值分割前景图像第m个运动目标区域边框坐标信息,表示阈值分割前景图像第m个运动目标区域边框左上角横坐标,表示阈值分割前景图像第m个运动目标区域边框左上角纵坐标,表示阈值分割前景图像第m个运动目标区域边框右下角横坐标,表示阈值分割前景图像第m个运动目标区域边框右下角纵坐标,Mt表示阈值分割前景图像运动目标区域的数量即外接矩形边框的数量;
步骤5所述构建识别图像;
所述识别图像为:
datat,v(x,y),x∈[1,X],y∈[1,Y]
其中,X表示识别图像的行数,Y表示识别图像的列数,datat,v(x,y)表示表示识别图像第x行第y列像素点信息;
作为优选,步骤6所述货运车辆的预测矩形边框为:
其中,表示识别图像识别到的第q个货运车辆边框坐标信息和货车状态类别信息,表示识别图像识别到的第q个货运车辆边框左上角横坐标,表示识别图像识别到的第q个货运车辆边框左上角纵坐标,表示识别图像识别到的第q个货运车辆边框右下角横坐标,表示识别图像识别到的第q个货运车辆边框右下角纵坐标,Qt表示识别图像识别到的货运车辆的数量即外接矩形边框的数量。
本发明的有益之处在于通过深度学习方法实现了对货运车辆不同货载状态的识别,并通过图像处理方法提高了深度学习方法对货车目标识别的准确性。本发明提高工作人员的检测效率,提高道路货运的安全性。
附图说明
图1:本发明装置图。
图2:本发明场景示意图。
图3:本发明方法流程图。
图4:本发明方法网络结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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作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。
如图1所示,一种基于图像深度学习系统的货运车辆状态实时识别方法。
所述的图像深度学习系统,其特征在于,包括:道路监控摄像头、计算处理主机、显示屏;
所述的道路监控摄像头、计算处理主机、显示屏依次连接;
所述道路监控摄像头用于采集货运车辆的初始图像,并传输至所述计算处理主机;
所述计算处理主机,用于对货运车辆的初始图像进行货运车辆状态识别,得到货运车辆的预测矩形边框以及货运车辆的预测矩形边框中对应的货运车辆状态;
所述显示屏用于显示货运车辆的预测矩形边框以及货运车辆的预测矩形边框中对应的货运车辆状态。
所述道路监控摄像头选型为:海康威视DS-2CD1221D-I3型号摄像头;
所述计算处理主机的配置为:i7 9700k型号CPU;RTX2080型号GPU;华硕PRIMEZ390-A型号主板;DDR4 3000HZ 16G内存条两条;GW-EPS1250DA型号电源;
所述显示屏选型为:AOC22B2H型号显示屏。
如图2所示,为装置应用场景图,所述道路监控摄像头布置于道路路侧,摄像头实时对道路实况进行图像采集。
如图3所示,为基于图像深度学习系统的货运车辆状态实时识别方法流程图,具体包括以下步骤:
步骤1:引入货运车辆的图像数据集,人工标注货运车辆的图像数据集中货车外接矩形边框,并进一步人工标记货车状态,构建深度学习模型训练集;
步骤1所述货运车辆的图像训练集为:
{datak(x,y),k∈[1,K],x∈[1,X],y∈[1,Y]}
其中,datak(x,y)表示货运车辆的图像训练集中第k幅货运车辆图像第x行第y列像素信息,K表示货运车辆的图像训练集中图像的数量,K=6025幅,X为货运车辆的图像训练集中货运车辆图像的行数,X=416行,Y为货运车辆的图像训练集中货运车辆图像的列数,Y=416列;
步骤1所述货运车辆图像训练集中货车外接矩形边框坐标为:
其中,表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框左上角坐标,表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框的左上角横坐标,表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框的左上角纵坐标;表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框右下角坐标,表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框的右下角横坐标,表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框的右下角纵坐标;Nk表示货运车辆图像训练集中第k幅货运车辆图像中货运车辆目标的数量即货车外接矩形边框的数量;
步骤1所述货运车辆图像训练集中货车状态为:
types,s∈[1,4]
其中,type1表示货车空箱,type2表示货车封箱,type3表示货车载货,type4表示货车不完整;
步骤1所述深度学习模型图像训练集为:
其中,datak(x,y)表示货运车辆的图像训练集中第k幅货运车辆图像第x行第y列像素信息,typek,n,s表示货运车辆的图像训练集中第k幅货运车辆图像第n个货车外接矩形边框中货车第s个状态类型;
表示货运车辆的图像训练集中第k幅货运车辆图像第n个货车外接矩形边框中矩形边框左上横坐标,表示货运车辆的图像训练集中第k幅货运车辆图像第n个货车外接矩形边框中矩形边框左上角纵坐标,表示货运车辆的图像训练集中第k幅货运车辆图像第n个货车外接矩形边框中矩形边框右下角横坐标,表示货运车辆的图像训练集中第k幅货运车辆图像第n个货车外接矩形边框中矩形边框右下角纵坐标,typek,n,s表示货运车辆的图像训练集中第k幅货运车辆图像第n个货车外接矩形边框中货车第s个状态类型;
步骤2:引入YOLOv3深度学习网络,构建深度学习网络损失函数模型,将深度学习模型图像训练集输入到YOLOv3深度学习网络进行优化训练,得到训练后YOLOv3深度学习网络;
如图4所示,步骤2所述YOLOv3深度学习网络结构为:
YOLOv3由DarkNet-53主干网络、目标特征提取网络构成;
目标特征提取网络的输出预测量包括预测识别框X轴偏移量、Y轴偏移量、高度、宽度、置信度5个目标数据信息和目标类别信息,由预测识别框X轴偏移量、Y轴偏移量、高度、宽度信息可得到第k幅图像第i个网格预测的第n个货车目标边框右下角横坐标图像训练集第k幅图像第i个网格预测的第n个货车目标边框左上角横坐标图像训练集第k幅图像第i个网格预测的第n个货车目标边框左上角纵坐标图像训练集第k幅图像第i个网格预测的第n个货车目标边框右下角纵坐标目标类别信息为图像训练集第k幅图像第i个网格预测的第n个货车目标边框货车状态类别置信度信息为图像训练集第k幅图像第i个网格预测的第n个货车目标边框货车状态类别置信度可因此目标提取网络输出通道为3×(5+4)=27,其中表示3表示不同尺度数量,为常量;5表示识别框X轴偏移量、Y轴偏移量、高度、宽度以及置信度5个信息;4表示识别类别的数量;
步骤2所述深构建深度学习网络损失函数模型为:
所述深度学习网络损失函数包括:目标边界框损失、类别损失、置信度损失;
所述目标边界框损失的定义为:
其中,G为图像划分的网格数,B为每个网格中预测的边界框数,i表示单元格个数,j表示锚框个数;表示第i个单元格第j个锚框是否负责预测物体,取值为1或0;表示图像训练集第k幅图像第i个网格预测的第n个货车目标边框右下角横坐标,表示图像训练集第k幅图像第i个网格预测的第n个货车目标边框左上角横坐标,表示图像训练集第k幅图像第i个网格预测的第n个货车目标边框左上角纵坐标,表示图像训练集第k幅图像第i个网格预测的第n个货车目标边框右下角纵坐标;表示图像训练集第k幅图像第i个网格真实的第n个货车目标边框左上角横坐标,表示图像训练集第k幅图像第i个网格真实的第n个货车目标边框左上角纵坐标,表示图像训练集第k幅图像第i个网格真实的第n个货车目标边框右下角纵坐标,表示图像训练集第k幅图像第i个网格真实的第n个货车目标边框右下角纵坐标。
所述类别损失的定义为:
其中,typek,n,s,i表示图像训练集第k幅图像第i个网格真实的第n个货车目标边框货车状态类别,表示图像训练集第k幅图像第i个网格预测的第n个货车目标边框货车状态类别;表示i个网格的第j个锚框是否不存在目标,λnoobj表示没有物体时置信度惩罚权重系数。
所述置信度损失的定义为:
所述深度学习网络损失函数为:
loss(object)=loss(box)+loss(confidence)+loss(type)
步骤2所述将深度学习模型图像训练集输入到YOLOv3深度学习网络进行优化训练为:
步骤2所述训练后YOLOv3深度学习网络为:
步骤2所述训练后YOLOv3深度学习网络识别图像测试效果如表1所示:
表1:YOLOv3算法识别结果分析表
其中,精确度表示所有预测为正的样本中,实际为正的样本所占得比例,召回率表示实际为正的样本中预测为正的样本所占比例,AP表示每一类类别平均精确度,mAP表示所有类别平均AP值;
步骤3:通过道路监控摄像头实时采集初始图像并传输至计算处理主机;
步骤3所述初始图像为:
datat(x,y),x∈[1,X],y∈[1,Y]
其中,X表示初始图像的行数,X=416行,Y表示初始图像的列数,Y=416列,datat(x,y)表示初始图像第x行第y列像素信息;
步骤4:将初始图像通过混合高斯模型提取背景图像,将初始图像进行灰度化得到灰度图像,将灰度图像与背景图像作差得到前景图像;
步骤4所述背景图像为:
dataBG(x,y),x∈[1,X],y∈[1,Y]
其中,X表示背景图像的行数,X=416行,Y表示背景图像的列数,Y=416列,dataBG(x,y)表示背景图像第x行第y列像素点信息;
步骤4所述灰度图像为:
datat,g(x,y),x∈[1,X],y∈[1,Y]
其中,datat,g(x,y)表示灰度图像第x行第y列像素点信息;
步骤4所述将灰度图像与背景图像作差得到前景图像为:
datat,f(x,y)=datat(x,y)-dataBG(x,y),x∈[1,X],y∈[1,Y]
其中,X表示背景图像的行数,X=416行,Y表示背景图像的列数,Y=416列,datat,f(x,y)表示前景图像第x行第y列像素点信息;
步骤5:对前景图像作数字图像处理,提取前景图像中运动目标区域像素点的外接矩形,根据前景图像中运动目标区域像素点的外接矩形,将前景图像中运动目标区域像素点的外接矩形外的像素信息置零以构建识别图像;
步骤5所述对前景图像作数字图像处理为:
使用高斯滤波过滤掉前景图像上的噪声,得到高斯滤波前景图像;
将高斯滤波前景图像通过形态学处理方法,集通过图像开运算和闭运算操作进一步去除高斯滤波前景图像中噪声并填充空洞区域,增强运动目标区域,得到形态学前景图像;
对形态学前景图像进行像素阈值分割划分运动目标区域和背景区域,得到阈值分割前景图像;
检测阈值分割前景图像中每个运动目标区域的轮廓外接矩形,并提取阈值分割前景图像中运动目标区域轮廓外接矩形的边框信息,构建前景图像中运动目标区域像素点的外接矩形区域信息;
步骤5所述前景图像中运动目标区域像素点的外接矩形为:
其中,表示阈值分割前景图像第m个运动目标区域边框坐标信息,表示阈值分割前景图像第m个运动目标区域边框左上角横坐标,表示阈值分割前景图像第m个运动目标区域边框左上角纵坐标,表示阈值分割前景图像第m个运动目标区域边框右下角横坐标,表示阈值分割前景图像第m个运动目标区域边框右下角纵坐标,Mt表示阈值分割前景图像运动目标区域的数量即外接矩形边框的数量;
步骤5所述构建识别图像;
所述识别图像为:
datat,v(x,y),x∈[1,X],y∈[1,Y]
其中,X表示识别图像的行数,X=416行,Y表示识别图像的列数,Y=416列,datat,v(x,y)表示表示识别图像第x行第y列像素点信息;
步骤6:将识别图像通过训练后YOLOv3深度学习网络进行预测,得到识别图像中货运车辆的预测矩形边框以及货运车辆的预测矩形边框中对应的货运车辆状态,将识别图像中货运车辆的预测矩形边框以及货运车辆的预测矩形边框中对应的货运车辆状态输出显示;
步骤6所述货运车辆的预测矩形边框为:
其中,表示识别图像识别到的第q个货运车辆边框坐标信息和货车状态类别信息,表示识别图像识别到的第q个货运车辆边框左上角横坐标,表示识别图像识别到的第q个货运车辆边框左上角纵坐标,表示识别图像识别到的第q个货运车辆边框右下角横坐标,表示识别图像识别到的第q个货运车辆边框右下角纵坐标,Qt表示识别图像识别到的货运车辆的数量即外接矩形边框的数量。
步骤6所述将识别图像通过训练后YOLOv3深度学习网络进行预测的效果与初始图像通过训练后YOLOv3深度学习网络进行预测的效果对比如表2所示:
表2:效果对比统计表
其中,测试的视频道路监控直播视频,共录制了41段视频,平均时长在1分钟以内,货车目标数量表示识别到的货车目标数量,小目标数量表示图像上半部分识别的货车目标数量,不稳定框数量表示定位不准的识别框数量。经计算,处理后的识别数量平均增长15.60%,对小目标识别数量平均提高8.28%,不稳定识别框消除率为99.25%。
通过对深度学习模型权重的评价效果,可知本发明对货车不同货载状态的识别有一定效果;通过对比数字图像处理前后的识别结果对比,可知数字图像处理对深度学习识别算法有改进作用。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于图像深度学习系统的货运车辆状态实时识别方法,其特征在于:
所述的图像深度学习系统包括:道路监控摄像头、计算处理主机、显示屏;
所述的道路监控摄像头、计算处理主机、显示屏依次连接;
所述道路监控摄像头用于采集货运车辆的初始图像,并传输至所述计算处理主机;
所述计算处理主机,用于对货运车辆的初始图像进行货运车辆状态识别,得到货运车辆的预测矩形边框以及货运车辆的预测矩形边框中对应的货运车辆状态;
所述显示屏用于显示货运车辆的预测矩形边框以及货运车辆的预测矩形边框中对应的货运车辆状态;
所述货运车辆状态实时识别方法包括以下步骤:
步骤1:引入货运车辆的图像数据集,人工标注货运车辆的图像数据集中货车外接矩形边框,并进一步人工标记货车状态,构建深度学习模型训练集;
步骤2:引入YOLOv3深度学习网络,构建深度学习网络损失函数模型,将深度学习模型图像训练集输入到YOLOv3深度学习网络进行优化训练,得到训练后YOLOv3深度学习网络;
步骤3:通过道路监控摄像头实时采集初始图像并传输至计算处理主机;
步骤4:将初始图像通过混合高斯模型提取背景图像,将初始图像进行灰度化得到灰度图像,将灰度图像与背景图像作差得到前景图像;
步骤5:对前景图像作数字图像处理,提取前景图像中运动目标区域像素点的外接矩形,根据前景图像中运动目标区域像素点的外接矩形,将前景图像中运动目标区域像素点的外接矩形外的像素信息置零以构建识别图像;
步骤6:将识别图像通过训练后YOLOv3深度学习网络进行预测,得到识别图像中货运车辆的预测矩形边框以及货运车辆的预测矩形边框中对应的货运车辆状态,将识别图像中货运车辆的预测矩形边框以及货运车辆的预测矩形边框中对应的货运车辆状态通过显示屏输出显示。
2.根据权利要求1所述的基于图像深度学习系统的货运车辆状态实时识别方法,其特征在于,包括以下步骤:
步骤1所述货运车辆的图像训练集为:
{datak(x,y),k∈[1,K],x∈[1,X],y∈[1,Y]}
其中,datak(x,y)表示货运车辆的图像训练集中第k幅货运车辆图像第x行第y列像素信息,K表示货运车辆的图像训练集中图像的数量,X为货运车辆的图像训练集中货运车辆图像的行数,Y为货运车辆的图像训练集中货运车辆图像的列数;
步骤1所述货运车辆图像训练集中货车外接矩形边框坐标为:
其中,表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框左上角坐标,表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框的左上角横坐标,表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框的左上角纵坐标;表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框右下角坐标,表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框的右下角横坐标,表示货运车辆图像训练集中第k幅货运车辆图像中第n个货车外接矩形边框的右下角纵坐标;Nk表示货运车辆图像训练集中第k幅货运车辆图像中货运车辆目标的数量即货车外接矩形边框的数量;
步骤1所述货运车辆图像训练集中货车状态为:
types,s∈[1,4]
其中,type1表示货车空箱,type2表示货车封箱,type3表示货车载货,type4表示货车不完整;
步骤1所述深度学习模型图像训练集为:
其中,datak(x,y)表示货运车辆的图像训练集中第k幅货运车辆图像第x行第y列像素信息,typek,n,s表示货运车辆的图像训练集中第k幅货运车辆图像第n个货车外接矩形边框中货车第s个状态类型;
3.根据权利要求1所述的基于图像深度学习系统的货运车辆状态实时识别方法,其特征在于,包括以下步骤:
步骤2所述YOLOv3深度学习网络结构为:
YOLOv3由DarkNet-53主干网络、目标特征提取网络构成;
目标特征提取网络的输出预测量包括预测识别框X轴偏移量、Y轴偏移量、高度、宽度、置信度5个目标数据信息和目标类别信息,由预测识别框X轴偏移量、Y轴偏移量、高度、宽度信息可得到第k幅图像第i个网格预测的第n个货车目标边框右下角横坐标图像训练集第k幅图像第i个网格预测的第n个货车目标边框左上角横坐标图像训练集第k幅图像第i个网格预测的第n个货车目标边框左上角纵坐标图像训练集第k幅图像第i个网格预测的第n个货车目标边框右下角纵坐标目标类别信息为图像训练集第k幅图像第i个网格预测的第n个货车目标边框货车状态类别置信度信息为图像训练集第k幅图像第i个网格预测的第n个货车目标边框货车状态类别置信度可
步骤2所述深构建深度学习网络损失函数模型为:
所述深度学习网络损失函数包括:目标边界框损失、类别损失、置信度损失;
所述目标边界框损失的定义为:
其中,G为图像划分的网格数,B为每个网格中预测的边界框数,i表示单元格个数,j表示锚框个数;表示第i个单元格第j个锚框是否负责预测物体,取值为1或0;表示图像训练集第k幅图像第i个网格预测的第n个货车目标边框右下角横坐标,表示图像训练集第k幅图像第i个网格预测的第n个货车目标边框左上角横坐标,表示图像训练集第k幅图像第i个网格预测的第n个货车目标边框左上角纵坐标,表示图像训练集第k幅图像第i个网格预测的第n个货车目标边框右下角纵坐标;表示图像训练集第k幅图像第i个网格真实的第n个货车目标边框左上角横坐标,表示图像训练集第k幅图像第i个网格真实的第n个货车目标边框左上角纵坐标,表示图像训练集第k幅图像第i个网格真实的第n个货车目标边框右下角纵坐标,表示图像训练集第k幅图像第i个网格真实的第n个货车目标边框右下角纵坐标;
所述类别损失的定义为:
其中,typek,n,s,i表示图像训练集第k幅图像第i个网格真实的第n个货车目标边框货车状态类别,表示图像训练集第k幅图像第i个网格预测的第n个货车目标边框货车状态类别;表示i个网格的第j个锚框是否不存在目标,λnoobj表示没有物体时置信度惩罚权重系数;
所述置信度损失的定义为:
所述深度学习网络损失函数为:
loss(object)=loss(box)+loss(confidence)+loss(type)
步骤2所述将深度学习模型图像训练集输入到YOLOv3深度学习网络进行优化训练为:
步骤2所述训练后YOLOv3深度学习网络为:
4.根据权利要求1所述的基于图像深度学习系统的货运车辆状态实时识别方法,其特征在于,包括以下步骤:
步骤3所述初始图像为:
datat(x,y),x∈[1,X],y∈[1,Y]
其中,X表示初始图像的行数,Y表示初始图像的列数,datat(x,y)表示初始图像第x行第y列像素信息。
5.根据权利要求1所述的基于图像深度学习系统的货运车辆状态实时识别方法,其特征在于,包括以下步骤:
步骤4所述背景图像为:
dataBG(x,y),x∈[1,X],y∈[1,Y]
其中,X表示背景图像的行数,Y表示背景图像的列数,dataBG(x,y)表示背景图像第x行第y列像素点信息;
步骤4所述灰度图像为:
datat,g(x,y),x∈[1,X],y∈[1,Y]
其中,datat,g(x,y)表示灰度图像第x行第y列像素点信息;
步骤4所述将灰度图像与背景图像作差得到前景图像为:
datat,f(x,y)=datat(x,y)-dataBG(x,y),x∈[1,X],y∈[1,Y]
其中,X表示背景图像的行数,Y表示背景图像的列数,datat,f(x,y)表示前景图像第x行第y列像素点信息。
6.根据权利要求1所述的基于图像深度学习系统的货运车辆状态实时识别方法,其特征在于,包括以下步骤:
步骤5所述对前景图像作数字图像处理为:
使用高斯滤波过滤掉前景图像上的噪声,得到高斯滤波前景图像;
将高斯滤波前景图像通过形态学处理方法,集通过图像开运算和闭运算操作进一步去除高斯滤波前景图像中噪声并填充空洞区域,增强运动目标区域,得到形态学前景图像;
对形态学前景图像进行像素阈值分割划分运动目标区域和背景区域,得到阈值分割前景图像;
检测阈值分割前景图像中每个运动目标区域的轮廓外接矩形,并提取阈值分割前景图像中运动目标区域轮廓外接矩形的边框信息,构建前景图像中运动目标区域像素点的外接矩形区域信息;
步骤5所述前景图像中运动目标区域像素点的外接矩形为:
其中,表示阈值分割前景图像第m个运动目标区域边框坐标信息,表示阈值分割前景图像第m个运动目标区域边框左上角横坐标,表示阈值分割前景图像第m个运动目标区域边框左上角纵坐标,表示阈值分割前景图像第m个运动目标区域边框右下角横坐标,表示阈值分割前景图像第m个运动目标区域边框右下角纵坐标,Mt表示阈值分割前景图像运动目标区域的数量即外接矩形边框的数量;
步骤5所述构建识别图像;
所述识别图像为:
datat,v(x,y),x∈[1,X],y∈[1,Y]
其中,X表示识别图像的行数,Y表示识别图像的列数,datat,v(x,y)表示表示识别图像第x行第y列像素点信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011161085.3A CN112329569B (zh) | 2020-10-27 | 2020-10-27 | 一种基于图像深度学习系统的货运车辆状态实时识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011161085.3A CN112329569B (zh) | 2020-10-27 | 2020-10-27 | 一种基于图像深度学习系统的货运车辆状态实时识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329569A true CN112329569A (zh) | 2021-02-05 |
CN112329569B CN112329569B (zh) | 2024-02-09 |
Family
ID=74310514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011161085.3A Active CN112329569B (zh) | 2020-10-27 | 2020-10-27 | 一种基于图像深度学习系统的货运车辆状态实时识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329569B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884816A (zh) * | 2021-03-23 | 2021-06-01 | 武汉理工大学 | 一种基于图像系统的车辆特征深度学习识别轨迹跟踪方法 |
CN114022791A (zh) * | 2021-10-15 | 2022-02-08 | 武汉理工大学 | 一种基于高空视角识别系统的车辆轨迹运动特征识别方法 |
CN114399458A (zh) * | 2021-11-30 | 2022-04-26 | 中国电子科技集团公司第十五研究所 | 一种基于深度学习目标检测的翻越栅栏检测方法和系统 |
CN114964445A (zh) * | 2022-05-23 | 2022-08-30 | 西安交通大学 | 基于车辆识别的多模块动态称重方法 |
CN116958914A (zh) * | 2023-09-21 | 2023-10-27 | 广州一链通互联网科技有限公司 | 货运车辆的监控方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709528A (zh) * | 2017-01-10 | 2017-05-24 | 深圳大学 | 基于多目标函数深度学习的车辆重识别方法及装置 |
CN107679452A (zh) * | 2017-08-28 | 2018-02-09 | 中国电子科技集团公司第二十八研究所 | 大数据下基于卷积神经网络的货运列车车号实时识别系统 |
AU2018102037A4 (en) * | 2018-12-09 | 2019-01-17 | Ge, Jiahao Mr | A method of recognition of vehicle type based on deep learning |
CN109919072A (zh) * | 2019-02-28 | 2019-06-21 | 桂林电子科技大学 | 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法 |
-
2020
- 2020-10-27 CN CN202011161085.3A patent/CN112329569B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709528A (zh) * | 2017-01-10 | 2017-05-24 | 深圳大学 | 基于多目标函数深度学习的车辆重识别方法及装置 |
CN107679452A (zh) * | 2017-08-28 | 2018-02-09 | 中国电子科技集团公司第二十八研究所 | 大数据下基于卷积神经网络的货运列车车号实时识别系统 |
AU2018102037A4 (en) * | 2018-12-09 | 2019-01-17 | Ge, Jiahao Mr | A method of recognition of vehicle type based on deep learning |
CN109919072A (zh) * | 2019-02-28 | 2019-06-21 | 桂林电子科技大学 | 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法 |
Non-Patent Citations (1)
Title |
---|
高策;褚端峰;何书贤;贺宜;吴超仲: "基于卡尔曼-高斯联合滤波的车辆位置跟踪", 交通信息与安全 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884816A (zh) * | 2021-03-23 | 2021-06-01 | 武汉理工大学 | 一种基于图像系统的车辆特征深度学习识别轨迹跟踪方法 |
CN112884816B (zh) * | 2021-03-23 | 2023-12-15 | 武汉理工大学 | 一种基于图像系统的车辆特征深度学习识别轨迹跟踪方法 |
CN114022791A (zh) * | 2021-10-15 | 2022-02-08 | 武汉理工大学 | 一种基于高空视角识别系统的车辆轨迹运动特征识别方法 |
CN114022791B (zh) * | 2021-10-15 | 2024-05-28 | 武汉理工大学 | 一种基于高空视角识别系统的车辆轨迹运动特征识别方法 |
CN114399458A (zh) * | 2021-11-30 | 2022-04-26 | 中国电子科技集团公司第十五研究所 | 一种基于深度学习目标检测的翻越栅栏检测方法和系统 |
CN114964445A (zh) * | 2022-05-23 | 2022-08-30 | 西安交通大学 | 基于车辆识别的多模块动态称重方法 |
CN116958914A (zh) * | 2023-09-21 | 2023-10-27 | 广州一链通互联网科技有限公司 | 货运车辆的监控方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112329569B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329569A (zh) | 一种基于图像深度学习系统的货运车辆状态实时识别方法 | |
CN106845424B (zh) | 基于深度卷积网络的路面遗留物检测方法 | |
CN111626170B (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
CN102073846B (zh) | 基于航拍图像的交通信息获取方法 | |
US10572741B2 (en) | Image-based vehicle classification system | |
CN111428625A (zh) | 一种基于深度学习的交通场景目标检测方法及系统 | |
CN111626169B (zh) | 一种基于图像的铁路危险落石尺寸判断方法 | |
CN101286239A (zh) | 航拍交通视频车辆快速检测方法 | |
CN112699967B (zh) | 一种基于改进深度神经网络的远距离机场目标检测方法 | |
CN112307989B (zh) | 路面物体识别方法、装置、计算机设备和存储介质 | |
CN109934170B (zh) | 一种基于计算机视觉的矿山资源统计方法 | |
CN111523415A (zh) | 一种基于图像的两客一危车辆检测方法和装置 | |
CN104463220A (zh) | 一种车牌检测方法和系统 | |
CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN111091551A (zh) | 一种铁路货车制动梁支柱开口销丢失故障检测方法 | |
CN111667655A (zh) | 基于红外图像的高速铁路安全区入侵警报装置及方法 | |
CN113609895A (zh) | 基于改进Yolov3的获取道路交通信息方法 | |
CN115601682A (zh) | 井下皮带运输机异物检测方法和装置 | |
CN113065454B (zh) | 一种高空抛物目标识别比较的方法及装置 | |
CN114627286A (zh) | 基于PSPNet和改进YOLOv4的地磅人员入侵的检测方法 | |
CN113378690A (zh) | 一种基于视频数据的路内不规范停车识别方法 | |
CN113158954A (zh) | 交通非现场的基于ai技术的斑马线区域自动检测方法 | |
de Almeida et al. | Vehicle Occurrence-based Parking Space Detection | |
CN115346206B (zh) | 基于改进超分辨的深度卷积特征识别的车牌检测方法 | |
CN116543308A (zh) | 一种基于多模型融合的滑坡检测预警模型及预警方法 |
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 |