CN112597917B - 一种基于深度学习的车辆停车检测方法 - Google Patents
一种基于深度学习的车辆停车检测方法 Download PDFInfo
- Publication number
- CN112597917B CN112597917B CN202011573540.0A CN202011573540A CN112597917B CN 112597917 B CN112597917 B CN 112597917B CN 202011573540 A CN202011573540 A CN 202011573540A CN 112597917 B CN112597917 B CN 112597917B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- central point
- refinedet
- model
- distance
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 230000006399 behavior Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V20/56—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
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30264—Parking
-
- 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)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及图像处理技术领域,一种基于深度学习的车辆停车检测方法,将深度学习与车辆位置判断算法相结合,以判断图像中的车辆是否发生停车。其中,使用自制隧道内车辆目标数据集对深度学习目标检测模型RefineDet进行预训练,并针对车辆特征对RefineDet模型结构进行改进;使用改进后的RefineDet模型进行实时隧道内车辆目标检测,获得车辆位置信息;以车辆面积交并比、车辆中心点距离设计车辆位置判断算法,根据车辆位置信息进行车辆停车行为检测。通过本发明,能够及时地检测到车道上车辆停车行为,避免发生二次事故,减少损失。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种基于深度学习的车辆停车检测方法。
背景技术
近年来,随着国民经济的快速发展,机动车保有量快速增加,这极大地促进了我国公路车流量的迅猛发展,增加了通行、管理压力。在高速公路隧道内场景下,其环境具有车道窄小、照明条件不佳、空间封闭、可视范围小等诸多特点。由于上述诸多特征,发生在高速公路隧道内的事故多、较难处理,并对事故后续处理、救援等工作产生了较大的限制。因此及时对高速公路隧道内的车辆进行异常停车行为识别对交通管理工作具有重大的意义。
现阶段对于隧道内停车行为的检测,主要通过人工对监控视频进行观察,不仅耗费大量的人力,而且长时间的观看监控视频会造成视觉疲劳,不能常常第一时间观察到停车事件的发生。由于高速公路隧道内一般已安装较为完善的道路监控视频,因此利用图像处理的方法对视频进行检测有着极大的应用前景。
发明内容
本发明的目的是为解决上述现有技术的不足之处而提供一种基于深度学习的车辆停车检测方法。
本发明所采用的技术方案是:一种基于深度学习的车辆停车检测方法,按如下步骤进行
步骤一、实时提取拍摄的交通运行图像,并对图像进行缩放预处理,缩放尺寸为320*320像素;
步骤二、使用改进后的RefineDet模型对实时拍摄的交通运行图像中每间隔20帧的图像进行车辆目标检测,并输出相应的车辆位置信息,目标检测模型所输出的信息为:车辆目标左上角坐标(x1,y1),右下角坐标(x2,y2);
步骤三、分别计算前后两个间隔帧中车辆位置之间的中心点距离,中心点距离阈值设置为20像素,若中心点距离小于中心点距离阈值,则进入下一步,否则舍弃;
步骤四、设置面积交并比阈值0.85,计算中心点距离小于中心点距离阈值的一对车辆位置的面积交并比,若大于面积交并比阈值,则认为出现停车行为,否则舍弃;
步骤五、重复上述检测,若在某一中心点存在中心点距离小于中心点距离阈值、面积交并比大于面积交并比阈值的检测结果,则认为出现了停车行为。
步骤二改进后的RefineDet模型是指,结合区域卷积神经网络RCNN与目标检测算法SSD的优势(2018年张士峰等人在IEEE计算机视觉与模式识别会议上提出),使用经典分类模型VGG16作为基网络的目标检测模型RefineDet进行优化,优化实现方法为在RefineDet特征提取部分额外添加卷积层Conv7_1、Con7_2、Conv8_1和Conv8_2以加深网络结构;通过在RefineDet模型的分类损失上采用新的Focal Loss损失,优化网络的损失函数,使用隧道内车辆目标数据集对目标检测模型RefineDet进行训练,得到改进后的RefineDet模型。
步骤二中,在经过经典分类模型VGG16后将320*320像素的图片输入到区域优化模块ARM中,ARM模块能提取出大小不同的特征图,并进行粗略预估车辆的位置,去掉无效的车辆位置框,减少输入到目标检测模块ODM中需要分类和回归的车辆位置框数量,区域优化模块ARM的特征图通过特征图连接模块TCB输入到ODM模块中,在特征图连接模块TCB中利用FPN(Feature Pyramid Networks)网络结构及上采样的方式,将低层特征图与高层特征图语义相融合,保证了检测层特征图可以进行不同尺寸的车辆的检测,在维持原来的结构的基础上,新增了Conv7_2、Conv8_2作为检测层,Conv8_2通过反卷积操作进行上采样,传递到Conv7_2中并进行相加,同样的,Conv7_2进行上采样后传递到上一层特征图中,逐层完成信息融合;
新的Focal Loss损失函数为
FL(pt)=-αt(1-pt)γlog(pt)
其中,pt为不同类别的分类概率,αt用于调节正负样本比例,γ用于调节权重比例。
中心点计算公式如下:
(x1,y1)、(x2,y2)为目标检测模型的输出结果,(x,y)为中心点坐标,
中心点距离计算公式如上式,(x,y)、(X,Y)为间隔帧中两个车辆位置坐标的中心点,d为中心点距离。
面积交并比IoU的计算公式如下:
C、G分别为中心点距离满足阈值时所对应的两个车辆位置框。
IoU越大,表明两个位置的重合度越高,当IoU计算结果大于面积交并比阈值时,判断可能发生停车行为。当在某位置满足中心点阈值、交并比阈值的检测结果,则认为出现了停车行为,此时进行报警操作。
本发明的有益效果是:将深度学习目标检测模型与停车检测算法相结合,以判断图片中的车辆是否出现停车行为。其中,通过优化深度学习目标检测模型RefineDet以精确检测图片中的车辆目标位置;通过计算每间隔20帧的图像中的车辆位置的中心点距离、IoU,并与阈值比较,判断是否有疑似停车行为的发生,当连续发生满足阈值的情况时,判断出现停车行为,此时进行报警操作。通过本发明,能够有效检测道路中发生的停车行为,具有较好的实时性。
附图说明
图1是本发明提供的一种基于深度学习的车辆停车检测方法的流程示意图。
图2是本发明提供的一种基于深度学习的车辆停车检测方法的RefineDet模型的结构改进示意图。
具体实施方式
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。但是本发明能够以很多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的限制。其次,本发明利用示意图进行详细描述,在详述本发明实施例时,为便于说明,示意图只是实例,其在此不应限制本发明保护的范围。
如图1所示,为本发明提供的一种基于深度学习的车辆停车检测方法的流程示意图,包括:实时提取拍摄的交通运行图像,并对图像进行缩放预处理;
使用改进后的RefineDet模型对实时视频流中每间隔20帧的交通图像进行车辆目标检测,并输出相应的车辆位置信息;
分别计算前后两个间隔帧中车辆位置之间的中心点距离,若中心点距离小于中心点距离阈值,则进入下一步,否则舍弃;
计算中心点距离小于中心点距离阈值的一对车辆位置的面积交并比,若小于面积交并比阈值,则认为可能出现停车行为,否则舍弃;
重复上述检测,若在某一中心点满足阈值、交并比阈值的检测结果,则认为出现了停车行为。
其中,在对深度学习模型RefineDet进行优化的步骤中,包括步骤:
针对大车辆目标难以检测的特性,改进RefineDet模型结构如图1所示,通过在RefineDet特征提取部分额外添加Conv7_1、Conv7_2、Conv8_1和Conv8_2,选择Conv7_2、Conv8_2作为检测层,加强对大车辆目标的检测精度。
针对RefineDet中的损失函数,使用新型损失函数Focal Loss进行损失计算,改进其检测效果,其公式如下:
FL(pt)=-αt(1-pt)γlog(pt)
式中,pt为不同类别的分类概率,αt用于调节正负样本比例,γ用于调节权重比例。
将图像的大小缩放,对图像进行目标检测,计算前后两个间隔帧中车辆位置之间的中心点距离,再与阈值比较过程中,包括:
实时提取拍摄的交通运行图像,并对图像进行缩放预处理,缩放尺寸为320*320像素,使其吻合中改进的RefineDet目标检测模型的输入尺寸,深度学习目标检测模型若检测到车辆目标,则会输出两个坐标,分别为车辆目标左上角坐标(x1,y1),右下角坐标(x2,y2)。
获得车辆目标位置坐标后,进行中心点的计算,计算公式为:
式中,(x1,y1)、(x2,y2)为目标检测模型的输出结果,(x,y)为中心点坐标。
获得中心点坐标后,对前后两个间隔帧中的车辆目标中心点距离进行计算,中心点距离计算公式为:
(x,y)、(X,Y)为间隔帧中两个车辆位置坐标的中心点。
其中,当中心点距离小于中心点距离阈值时,进行两个中心点所对应的车辆位置的面积交并比计算,并判断停车行为的发生,包括步骤:
计算车辆位置的面积交并比,方式为两个区域的交集比两个区域的并集,计算公式为:
上式为IoU计算公式,C、G分别为中心点距离满足阈值时所对应的两个车辆位置框。
IoU越大,表明两个位置的重合度越高,当IoU计算结果大于面积交并比阈值时,判断可能发生停车行为。当在某位置满足中心点阈值、交并比阈值的检测结果,则认为出现了停车行为,此时进行报警操作。
对于深度学习目标检测模型RefineDet的训练,目的是训练RefineDet模型中的参数,即各层中的参数,使得训练后的模型能对图片进行车辆目标检测。在训练时需要训练集图片,训练集的每张图片包含若干车辆目标,训练集中的图片是人为进行标注,以便于模型进行学习。对于深度学习中的目标检测模型来说,模型的输入是图片。而RefineDet模型所具备的功能是图片的目标检测,通过一系列的卷积、反卷积、池化、全连接操作后,RefineDet目标检测模型能输出图片中目标的位置,本专利中可以输出图片的车辆目标位置。
构建一个能对图片中的车辆目标进行检测的RefineDet模型的过程如下:
对RefineDet目标检测模型的结构进行优化,包括网络结构的优化、损失函数的优化;使用训练集图片进行训练,训练时,将训练集图片输入RefineDet目标检测模型,并得到检测结果,将模型检测结果与正确结果对比,修正模型结构中的参数,重复训练步骤多次;完成训练,得到训练后的模型;将需要进行车辆目标检测的图片输入RefineDet目标检测模型,得到车辆目标检测结果,这个结果是图片中所有车辆的位置信息,即车辆的坐标。
区别于现有技术,本发明的基于深度学习的车辆停车检测方法,将深度学习目标检测模型与停车检测算法相结合,以判断图片中的车辆是否出现停车行为。其中,通过优化深度学习目标检测模型RefineDet以精确检测图片中的车辆目标位置;通过计算间隔一定帧数的两张图像中的车辆位置的中心点距离、IoU,并与阈值比较,判断是否有疑似停车行为的发生,当连续发生满足阈值的情况时,判断出现停车行为,此时进行报警操作。通过本发明,能够有效检测道路中发生的停车行为,具有较好的实时性。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (4)
1.一种基于深度学习的车辆停车检测方法,其特征在于:按如下步骤进行
步骤一、实时提取拍摄的交通运行图像,并对图像进行缩放预处理,缩放尺寸为320*320像素;
步骤二、使用改进后的RefineDet模型对实时拍摄的交通运行图像中每间隔20帧的图像进行车辆目标检测,并输出相应的车辆位置信息,目标检测模型所输出的信息为:车辆目标左上角坐标(x1,y1),右下角坐标(x2,y2);改进后的RefineDet模型是指,结合区域卷积神经网络RCNN与目标检测算法SSD的优势,使用经典分类模型VGG16作为基网络的目标检测模型RefineDet进行优化,优化实现方法为在RefineDet特征提取部分额外添加卷积层Conv7_1、Con7_2、Conv8_1和Conv8_2以加深网络结构;通过在RefineDet模型的分类损失上采用新的Focal Loss损失,优化网络的损失函数,使用隧道内车辆目标数据集对目标检测模型RefineDet进行训练,得到改进后的RefineDet模型;
步骤三、分别计算前后两个间隔帧中车辆位置之间的中心点距离,中心点距离阈值设置为20像素,若中心点距离小于中心点距离阈值,则进入下一步,否则舍弃;
步骤四、设置面积交并比阈值0.85,计算中心点距离小于中心点距离阈值的一对车辆位置的面积交并比,若大于面积交并比阈值,则认为出现停车行为,否则舍弃;
步骤五、重复上述检测,若在某一中心点存在中心点距离小于中心点距离阈值、面积交并比大于面积交并比阈值的检测结果,则认为出现了停车行为。
2.根据权利要求1所述的一种基于深度学习的车辆停车检测方法,其特征在于:步骤二中,在经过经典分类模型VGG16后将320*320像素的图片输入到区域优化模块ARM中,ARM模块能提取出大小不同的特征图,并进行粗略预估车辆的位置,去掉无效的车辆位置框,减少输入到目标检测模块ODM中需要分类和回归的车辆位置框数量,区域优化模块ARM的特征图通过特征图连接模块TCB输入到ODM模块中,在特征图连接模块TCB中利用FPN网络结构及上采样的方式,将低层特征图与高层特征图语义相融合,保证了检测层特征图可以进行不同尺寸的车辆的检测,在维持原来的结构的基础上,新增了Conv7_2、Conv8_2作为检测层,Conv8_2通过反卷积操作进行上采样,传递到Conv7_2中并进行相加,同样的,Conv7_2进行上采样后传递到上一层特征图中,逐层完成信息融合;新的Focal Loss损失函数为
FL(pt)=-αt(1-pt)γlog(pt)
其中,pt为不同类别的分类概率,αt用于调节正负样本比例,γ用于调节权重比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011573540.0A CN112597917B (zh) | 2020-12-25 | 2020-12-25 | 一种基于深度学习的车辆停车检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011573540.0A CN112597917B (zh) | 2020-12-25 | 2020-12-25 | 一种基于深度学习的车辆停车检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112597917A CN112597917A (zh) | 2021-04-02 |
CN112597917B true CN112597917B (zh) | 2022-09-30 |
Family
ID=75203059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011573540.0A Expired - Fee Related CN112597917B (zh) | 2020-12-25 | 2020-12-25 | 一种基于深度学习的车辆停车检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597917B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009202609A (ja) * | 2008-02-26 | 2009-09-10 | Hitachi Ltd | 駐車支援装置 |
KR20100081964A (ko) * | 2010-01-26 | 2010-07-15 | 주식회사 이미지넥스트 | 주변 영상 생성 방법 및 장치 |
CN103770704A (zh) * | 2012-10-24 | 2014-05-07 | 现代自动车株式会社 | 用于识别车辆的停车位标志线的系统和方法 |
EP3103673A1 (en) * | 2014-01-30 | 2016-12-14 | Nissan Motor Co., Ltd. | Parking assistance device and parking assistance method |
CN106828388A (zh) * | 2016-12-30 | 2017-06-13 | 浙江吉利控股集团有限公司 | 针对行人的车辆主动报警系统及方法和车辆 |
CN109919053A (zh) * | 2019-02-24 | 2019-06-21 | 太原理工大学 | 一种基于监控视频的深度学习车辆停车检测方法 |
CN111696135A (zh) * | 2020-06-05 | 2020-09-22 | 深兰人工智能芯片研究院(江苏)有限公司 | 基于交并比的违禁停车检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446942B (zh) * | 2018-10-12 | 2020-10-16 | 北京旷视科技有限公司 | 目标跟踪方法、装置和系统 |
CN110443210B (zh) * | 2019-08-08 | 2021-11-26 | 北京百度网讯科技有限公司 | 一种行人跟踪方法、装置以及终端 |
-
2020
- 2020-12-25 CN CN202011573540.0A patent/CN112597917B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009202609A (ja) * | 2008-02-26 | 2009-09-10 | Hitachi Ltd | 駐車支援装置 |
KR20100081964A (ko) * | 2010-01-26 | 2010-07-15 | 주식회사 이미지넥스트 | 주변 영상 생성 방법 및 장치 |
CN103770704A (zh) * | 2012-10-24 | 2014-05-07 | 现代自动车株式会社 | 用于识别车辆的停车位标志线的系统和方法 |
EP3103673A1 (en) * | 2014-01-30 | 2016-12-14 | Nissan Motor Co., Ltd. | Parking assistance device and parking assistance method |
CN106828388A (zh) * | 2016-12-30 | 2017-06-13 | 浙江吉利控股集团有限公司 | 针对行人的车辆主动报警系统及方法和车辆 |
CN109919053A (zh) * | 2019-02-24 | 2019-06-21 | 太原理工大学 | 一种基于监控视频的深度学习车辆停车检测方法 |
CN111696135A (zh) * | 2020-06-05 | 2020-09-22 | 深兰人工智能芯片研究院(江苏)有限公司 | 基于交并比的违禁停车检测方法 |
Non-Patent Citations (3)
Title |
---|
丁洁,刘晋峰,杨祖莨,阎高伟."基于深度学习的交通拥堵检测".《重庆大学学报》.2020,全文. * |
刘肯."基于深度学习的车辆检测算法研究".《中国优秀硕士学位论文全文数据库》.2020,全文. * |
杨祖莨,丁洁,刘晋峰."一种新的结合卷积神经网络的隧道停车检测方法".《重庆大学学报》.2020,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112597917A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368687B (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
US8902053B2 (en) | Method and system for lane departure warning | |
CN111611905B (zh) | 一种可见光与红外融合的目标识别方法 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN111461083A (zh) | 基于深度学习的快速车辆检测方法 | |
CN112200143A (zh) | 一种基于候选区域网络和机器视觉的道路病害检测方法 | |
CN116310785B (zh) | 基于YOLO v4的无人机影像路面病害检测方法 | |
CN107909012B (zh) | 一种基于视差图的实时车辆跟踪检测方法与装置 | |
CN110309765B (zh) | 一种视频运动目标高效检测方法 | |
CN110610153A (zh) | 一种用于自动驾驶的车道识别方法及系统 | |
CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN113313031B (zh) | 一种基于深度学习的车道线检测和车辆横向定位方法 | |
CN111144301A (zh) | 一种基于深度学习的道路路面缺陷快速预警装置 | |
CN107346547A (zh) | 基于单目平台的实时前景提取方法及装置 | |
CN114724063B (zh) | 一种基于深度学习的公路交通事件检测方法 | |
CN112085018A (zh) | 基于神经网络的车牌识别系统 | |
CN111444916A (zh) | 面向无约束条件下的车牌定位及识别方法、系统 | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
CN112597917B (zh) | 一种基于深度学习的车辆停车检测方法 | |
CN115994901A (zh) | 一种道路病害自动检测方法与系统 | |
CN113553953B (zh) | 车辆抛物检测方法、装置、电子装置及可读存储介质 | |
CN115240163A (zh) | 一种基于一阶段检测网络的交通标志检测方法及系统 | |
Xiang et al. | A new model for daytime visibility index estimation fused average sobel gradient and dark channel ratio | |
CN113963233A (zh) | 一种基于双阶段卷积神经网络的目标检测方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220930 |