CN112633062A - 一种基于嵌入式终端的深度学习占用公交车道检测方法 - Google Patents
一种基于嵌入式终端的深度学习占用公交车道检测方法 Download PDFInfo
- Publication number
- CN112633062A CN112633062A CN202011292647.8A CN202011292647A CN112633062A CN 112633062 A CN112633062 A CN 112633062A CN 202011292647 A CN202011292647 A CN 202011292647A CN 112633062 A CN112633062 A CN 112633062A
- Authority
- CN
- China
- Prior art keywords
- lane
- detection
- bus
- license plate
- detected
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- 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)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及智能交通技术领域,具体涉及一种基于嵌入式终端的深度学习占用公交车道检测方法,本发明利用嵌入式终端获取视频图像,然后进入公交车道的检测与判别模块,检测出公交车道;如果在ROI区域检测出的两条车道均为公交车道,则进入车牌检测与分类模块;对车牌进行检测,将车道检测数据和车牌检测数据作为样本输入深度学习神经网络进行学习训练;通过使用状态机对车道进行稳定性判断,然后判断车牌是否在公交车道范围内,进而判定该车辆是否占道违章。本发明有效解决了原有的违章检测方法所带来的工作量大、难度高的缺点,而且检测速度快,准确率高,促进了基于视频检测技术的进步,提高公交车的运行速度,为广大市民的出行提供极大的方便。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种基于嵌入式终端的深度学习占用公交车道检测方法。
背景技术
公交车优先是公交优先中的重要组成部分1。中国很多城市都规划出了公交专用车道,但是社会车辆占用公交车道严重影响了公交车的效率,让公交车到站时间不能有一个预估值,这样会让市民出行必须给出乘坐公交车一个时间的提前量。大大浪费了市民的时间。
目前交通管理部门对公交专用道进行管理、对违法占用公交专用道的车辆取证等,依靠的是人工现场取证的方法,尽管一部分地区已经有电子眼监视公交专用道的情况,但是由于其受到监控范围的限制,固定摄像头的监控只能作为辅助性的执法取证设备。由于人工执法的方式会需要较多的交警参与执法,而固定点的电子设备监控比较适合在复杂路段路口进行监控,其对专用道的监控效果一般。
发明内容
针对现有技术的不足,本发明公开了一种基于嵌入式终端的深度学习占用公交车道检测方法,用于解决现有的很多时候公交车和社会车辆共用非公交车道,这个时候如果进行前方车辆的取证抓拍,会导致系统输出结果中包含很多无效的图片,这大大降低了执法的有效率的问题。
本发明通过以下技术方案予以实现:
本发明公开一种基于嵌入式终端的深度学习占用公交车道检测方法,所述方法包括以下步骤:
S1利用嵌入式终端获取视频图像,并进行视频图像预处理;
S2确定检测的ROI区域,然后进入公交车道的检测与判别模块,检测出公交车道;
S3如果在ROI区域检测出的两条车道均为公交车道,则进入车牌检测与分类模块;
S4对车牌进行检测,并判定车牌是否属于普通车牌,然后使用帧内判别和帧间判别;
S5将车道检测数据和车牌检测数据作为样本输入深度学习神经网络进行学习训练;
S6通过使用状态机对车道进行稳定性判断,然后判断车牌是否在公交车道范围内,进而判定该车辆是否占道违章。
更进一步的,所述方法中,公交车道的检测时,首先对目标检测区域进行了划分,提取出了车道检测的ROI区域,同时对ROI区域进行预处理工作,并进行边缘检测。
更进一步的,所述方法中,公交车道的检测时,使用状态机进行过程状态的判定和转移,只有连续检测到N帧合理的车道线,才能够确定检测到了车道线;如果连续N帧图像中检测到的车道线不稳定,说明此时路况复杂,不适于车道检测。
更进一步的,所述方法中,预处理是对摄像头实时采集的图像进行前期处理,图像预处理后在有效区域内,利用边缘检测的结果进行 Hough变换,提出车道线信息,并基于ROI区域的车道线检测算法,通过当前车道线位置预测其在下一帧车道位置,实现车道线跟踪。
更进一步的,所述方法中,结合GPS判断其所在位置范围内有无 BRT车道,若有则建立颜色模型判断车道线颜色是否为黄色,对车道线上的每一点颜色进行标记,综合判断其左右车道线是否是黄色车道线, 当车道线上较亮色区域大于一定阈值时,判断其为BRT车道。
更进一步的,所述方法中,车辆检测到的矩形框内包含车牌区域,首先对车辆区域的中间部分用Sobel垂直边缘检测算法检测出车辆垂直边缘,接着利用车辆的垂直方向积分投影,投影结果最大值所在的行值为车牌中心位置,边缘检测中统计模板内白点最多的位置就定位车牌区域。
更进一步的,所述方法中,当检测区域内出现了多组可能的合理的车道时,根据前后帧的信息,对当前帧内出现的车道进行判断,当前后帧中检测到的车道线相差小于设定的阈值时,认为前后帧中检测到的直线为同一条车道线;当前后帧中检测到的车道线相差大于阈值,则认定前后帧中检测到的车道线不一致。
本发明的有益效果为:
本发明有效解决了原有的违章检测方法所带来的工作量大、难度高的缺点,而且检测速度快,准确率高,促进了基于视频检测技术的进步,并且实现了目标识别处理的自动化,不仅检测准确率高,针对性强,而且还降低了由人工检测违章事件的工作强度,避免了由于人工检测法所引起的大量非目标信息的干扰。保证专用道(路)执法的高效、可靠,大大节约了警力资源的投入。提高公交车的运行速度,为广大市民的出行提供极大的方便。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是一种基于嵌入式终端的深度学习占用公交车道检测方法原理步骤图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例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。
实施例1
本实施例公开如图1所示的一种基于嵌入式终端的深度学习占用公交车道检测方法,包括以下步骤:
S1利用嵌入式终端获取视频图像,并进行视频图像预处理;
S2确定检测的ROI区域,然后进入公交车道的检测与判别模块,检测出公交车道;
S3如果在ROI区域检测出的两条车道均为公交车道,则进入车牌检测与分类模块;
S4对车牌进行检测,并判定车牌是否属于普通车牌,然后使用帧内判别和帧间判别;
S5将车道检测数据和车牌检测数据作为样本输入深度学习神经网络进行学习训练;
S6通过使用状态机对车道进行稳定性判断,然后判断车牌是否在公交车道范围内,进而判定该车辆是否占道违章。
本实施例在公交车道的检测时,首先对目标检测区域进行了划分,提取出了车道检测的ROI区域,同时对ROI区域进行预处理工作,并进行边缘检测。并使用状态机进行过程状态的判定和转移,只有连续检测到N帧合理的车道线,才能够确定检测到了车道线;如果连续N帧图像中检测到的车道线不稳定,说明此时路况复杂,不适于车道检测。
本实施例预处理是对摄像头实时采集的图像进行前期处理,图像预处理后在有效区域内,利用边缘检测的结果进行Hough变换,提出车道线信息,并基于ROI区域的车道线检测算法,通过当前车道线位置预测其在下一帧车道位置,实现车道线跟踪。
本实施例结合GPS判断其所在位置范围内有无BRT车道,若有则建立颜色模型判断车道线颜色是否为黄色,对车道线上的每一点颜色进行标记,综合判断其左右车道线是否是黄色车道线,当车道线上较亮色区域大于一定阈值时,判断其为BRT车道。
本实施例车辆检测到的矩形框内包含车牌区域,首先对车辆区域的中间部分用Sobel垂直边缘检测算法检测出车辆垂直边缘,接着利用车辆的垂直方向积分投影,投影结果最大值所在的行值为车牌中心位置,边缘检测中统计模板内白点最多的位置就定位车牌区域。
本实施例当检测区域内出现了多组可能的合理的车道时,根据前后帧的信息,对当前帧内出现的车道进行判断,当前后帧中检测到的车道线相差小于设定的阈值时,认为前后帧中检测到的直线为同一条车道线;当前后帧中检测到的车道线相差大于阈值,则认定前后帧中检测到的车道线不一致。
实施例2
本实施例公开在车道检测与识别模块,首先对目标检测区域进行了划分,提取出了车道检测的ROI区域,大大提高了算法处理速度与检测的准确率。同时对ROI区域进行预处理工作,一定程度上去除了由于各种干扰造成的噪声,并进行了边缘检测。在车道检测过程中,使用了改进的霍夫变换算法检测出ROI区域左右两侧的行车道,增加了车道线检测算法的速度。
实际情况下,由于车道线受到不同程度的杂光干扰,以及车道线上积累的灰尘污垢,会对车道线的颜色造成不同程度的影响,普通的颜色判别不能很好的进行分类。我们使用SVM分类器,对实际车道线采集了大量的正负样本进行了统计特征的提取,训练出SVM分类器,然后对车道进行判断分类,从而检测出ROI区域中的公交车道。
对于检测稳定性来说,有可能前后帧中检测的车道是完全不同的,这时候就会出现检测结果的跳变,因此我们加入了帧内约束和帧间约束两个约束条件,然后我们使用了状态机进行过程状态的判定和转移,确保了检测到的直线为车道线,并且保证了视频的前后帧之间不会出现检测车道线的突变。
通过使用状态机,我们达到了这样的目的:只有连续检测到N帧合理的车道线,我们才能够确定我们检测到了车道线;如果连续N帧图像中检测到的车道线不稳定,说明此时路况复杂,不适于车道检测。状态机的使用,确保了检测结果的一致性,不会出现突变的结果。
本实施例公开在车牌检测与分类模块,我们先使用基于Haar特征的Adaboost级联分类器对感兴趣区域中的目标进行分析检测,对于可能出现的误检情况,我们又分析了车牌的边缘和颜色特征,提出了 Sobel边缘特征验证和RGB特征验证的双重验证方法对车牌进行验证,当确定目标是车牌后,我们通过将车牌区域从RGB空间转换到HSV空间,提取出待检测区域的H(色调)特征,利用蓝色像素比例的阈值判断和SVM分类器对车牌的颜色进行分类,判断车牌是否属于普通车牌。
为了防止相邻两帧图像的检测结果出现很大的分歧,我们使用了 LK光流法对前一帧的检测结果进行了分析,并预计下一帧可能出现车牌区域的位置,然后对该区域进行判断验证,这样就保证了结果的连续性和可靠性。经过大量实验证明,该检测模块能够准确的定位检测区域中的车牌,并能很好的对车牌进行分类,而且处理速度快,能够满足实时检测的速度要求。
综上,本发明有效解决了原有的违章检测方法所带来的工作量大、难度高的缺点,而且检测速度快,准确率高,促进了基于视频检测技术的进步,并且实现了目标识别处理的自动化,不仅检测准确率高,针对性强,而且还降低了由人工检测违章事件的工作强度,避免了由于人工检测法所引起的大量非目标信息的干扰。保证专用道(路)执法的高效、可靠,大大节约了警力资源的投入。提高公交车的运行速度,为广大市民的出行提供极大的方便。
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)
1.一种基于嵌入式终端的深度学习占用公交车道检测方法,其特征在于,所述方法包括以下步骤:
S1利用嵌入式终端获取视频图像,并进行视频图像预处理;
S2确定检测的ROI区域,然后进入公交车道的检测与判别模块,检测出公交车道;
S3如果在ROI区域检测出的两条车道均为公交车道,则进入车牌检测与分类模块;
S4对车牌进行检测,并判定车牌是否属于普通车牌,然后使用帧内判别和帧间判别;
S5将车道检测数据和车牌检测数据作为样本输入深度学习神经网络进行学习训练;
S6通过使用状态机对车道进行稳定性判断,然后判断车牌是否在公交车道范围内,进而判定该车辆是否占道违章。
2.根据权利要求1所述的基于嵌入式终端的深度学习占用公交车道检测方法,其特征在于,所述方法中,公交车道的检测时,首先对目标检测区域进行了划分,提取出了车道检测的ROI区域,同时对ROI区域进行预处理工作,并进行边缘检测。
3.根据权利要求2所述的基于嵌入式终端的深度学习占用公交车道检测方法,其特征在于,所述方法中,公交车道的检测时,使用状态机进行过程状态的判定和转移,只有连续检测到N帧合理的车道线,才能够确定检测到了车道线;如果连续N帧图像中检测到的车道线不稳定,说明此时路况复杂,不适于车道检测。
4.根据权利要求1所述的基于嵌入式终端的深度学习占用公交车道检测方法,其特征在于,所述方法中,预处理是对摄像头实时采集的图像进行前期处理,图像预处理后在有效区域内,利用边缘检测的结果进行Hough变换,提出车道线信息,并基于ROI区域的车道线检测算法,通过当前车道线位置预测其在下一帧车道位置,实现车道线跟踪。
5.根据权利要求1所述的基于嵌入式终端的深度学习占用公交车道检测方法,其特征在于,所述方法中,结合GPS判断其所在位置范围内有无BRT车道,若有则建立颜色模型判断车道线颜色是否为黄色,对车道线上的每一点颜色进行标记,综合判断其左右车道线是否是黄色车道线,当车道线上较亮色区域大于一定阈值时,判断其为BRT车道。
6.根据权利要求1所述的基于嵌入式终端的深度学习占用公交车道检测方法,其特征在于,所述方法中,车辆检测到的矩形框内包含车牌区域,首先对车辆区域的中间部分用Sobel垂直边缘检测算法检测出车辆垂直边缘,接着利用车辆的垂直方向积分投影,投影结果最大值所在的行值为车牌中心位置,边缘检测中统计模板内白点最多的位置就定位车牌区域。
7.根据权利要求1所述的基于嵌入式终端的深度学习占用公交车道检测方法,其特征在于,所述方法中,当检测区域内出现了多组可能的合理的车道时,根据前后帧的信息,对当前帧内出现的车道进行判断,当前后帧中检测到的车道线相差小于设定的阈值时,认为前后帧中检测到的直线为同一条车道线;当前后帧中检测到的车道线相差大于阈值,则认定前后帧中检测到的车道线不一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011292647.8A CN112633062A (zh) | 2020-11-18 | 2020-11-18 | 一种基于嵌入式终端的深度学习占用公交车道检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011292647.8A CN112633062A (zh) | 2020-11-18 | 2020-11-18 | 一种基于嵌入式终端的深度学习占用公交车道检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633062A true CN112633062A (zh) | 2021-04-09 |
Family
ID=75303333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011292647.8A Pending CN112633062A (zh) | 2020-11-18 | 2020-11-18 | 一种基于嵌入式终端的深度学习占用公交车道检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633062A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642412A (zh) * | 2021-07-16 | 2021-11-12 | 盛视科技股份有限公司 | 占用公交车道的车辆检测方法、装置及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268471A (zh) * | 2013-04-17 | 2013-08-28 | 深圳市锐明视讯技术有限公司 | 一种车辆非法占道检测方法及装置 |
CN105070077A (zh) * | 2015-07-27 | 2015-11-18 | 福建工程学院 | 一种违章占用公交车道的取证、警示方法及其系统 |
CN106503640A (zh) * | 2016-10-15 | 2017-03-15 | 北海益生源农贸有限责任公司 | 一种占用公交车道的检测方法 |
CN108734189A (zh) * | 2017-04-20 | 2018-11-02 | 天津工业大学 | 浓雾天气下基于大气散射模型和深度学习的车牌识别系统 |
CN109711264A (zh) * | 2018-11-30 | 2019-05-03 | 武汉烽火众智智慧之星科技有限公司 | 一种公交车道占道检测方法及装置 |
CN110659539A (zh) * | 2018-06-28 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种信息处理方法及其装置 |
CN110689724A (zh) * | 2018-12-31 | 2020-01-14 | 上海眼控科技股份有限公司 | 一种基于深度学习的机动车斑马线礼让行人自动审核方法 |
-
2020
- 2020-11-18 CN CN202011292647.8A patent/CN112633062A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268471A (zh) * | 2013-04-17 | 2013-08-28 | 深圳市锐明视讯技术有限公司 | 一种车辆非法占道检测方法及装置 |
CN105070077A (zh) * | 2015-07-27 | 2015-11-18 | 福建工程学院 | 一种违章占用公交车道的取证、警示方法及其系统 |
CN106503640A (zh) * | 2016-10-15 | 2017-03-15 | 北海益生源农贸有限责任公司 | 一种占用公交车道的检测方法 |
CN108734189A (zh) * | 2017-04-20 | 2018-11-02 | 天津工业大学 | 浓雾天气下基于大气散射模型和深度学习的车牌识别系统 |
CN110659539A (zh) * | 2018-06-28 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种信息处理方法及其装置 |
CN109711264A (zh) * | 2018-11-30 | 2019-05-03 | 武汉烽火众智智慧之星科技有限公司 | 一种公交车道占道检测方法及装置 |
CN110689724A (zh) * | 2018-12-31 | 2020-01-14 | 上海眼控科技股份有限公司 | 一种基于深度学习的机动车斑马线礼让行人自动审核方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642412A (zh) * | 2021-07-16 | 2021-11-12 | 盛视科技股份有限公司 | 占用公交车道的车辆检测方法、装置及设备 |
CN113642412B (zh) * | 2021-07-16 | 2023-12-26 | 盛视科技股份有限公司 | 占用公交车道的车辆检测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN103235938B (zh) | 车牌检测与识别的方法及系统 | |
CN102496282B (zh) | 一种rgb颜色变换的交通路口信号灯状态识别方法 | |
CN103279756B (zh) | 基于集成分类器的车辆检测分析系统及其检测分析方法 | |
CN106991820B (zh) | 违规车辆处理方法及装置 | |
CN106682586A (zh) | 一种复杂光照条件下基于视觉的实时车道线检测的方法 | |
CN105744232A (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN105354530A (zh) | 一种车身颜色识别方法及装置 | |
CN111815959A (zh) | 一种车辆违章的检测方法、装置以及计算机可读存储介质 | |
KR20090130977A (ko) | 영상처리기법을 이용한 신호교차로의 교통상충 판단 시스템및 방법 | |
CN102915433A (zh) | 基于字符组合的车牌定位和识别方法 | |
CN112509325B (zh) | 一种基于视频深度学习的非现场违法自动甄别方法 | |
CN113033275B (zh) | 基于深度学习的车辆变道不打转向灯分析系统 | |
CN103544480A (zh) | 车辆颜色识别方法 | |
CN106503640A (zh) | 一种占用公交车道的检测方法 | |
CN112651293A (zh) | 一种公路违法设摊事件视频检测方法 | |
CN112381014A (zh) | 一种基于城市道路的违停车辆检测及管理方法及系统 | |
CN111079621A (zh) | 检测对象的方法、装置、电子设备和存储介质 | |
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 | |
CN114530042A (zh) | 一种基于物联网技术的城市交通大脑监控系统 | |
CN109325426B (zh) | 一种基于三正交平面时空特征的黑烟车检测方法 | |
CN110782409A (zh) | 一种去除多运动物体阴影的方法 | |
CN112633062A (zh) | 一种基于嵌入式终端的深度学习占用公交车道检测方法 | |
CN114049306A (zh) | 一种基于图像摄像机和高性能显卡的交通异常检测系统设计 | |
CN113076852A (zh) | 一种基于5g通信的占用公交车道车载抓拍处理系统 |
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 |