CN113128563A - 一种高速工程车辆检测方法、装置、设备及存储介质 - Google Patents
一种高速工程车辆检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113128563A CN113128563A CN202110309989.4A CN202110309989A CN113128563A CN 113128563 A CN113128563 A CN 113128563A CN 202110309989 A CN202110309989 A CN 202110309989A CN 113128563 A CN113128563 A CN 113128563A
- Authority
- CN
- China
- Prior art keywords
- layer
- feature
- module
- image
- feature extraction
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 88
- 239000013598 vector Substances 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 80
- 230000004927 fusion Effects 0.000 claims description 22
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种高速工程车辆检测方法、装置、设备及存储介质,所述方法包括:获取应急车道上待检测图像并预处理;改进YOLOv3网络的结构,作为高速车辆检测模型;将预处理后的待检测图像输入预训练的高速车辆检测模型,预测得到目标的边界框及对应的置信度;去除重复边界框,保留置信度最高的边界框并提取框内图像;提取框内图像的特征向量,计算框内图像的特征向量与预训练的工程车特征向量之间的余弦距离,根据余弦距离判断是否为非工程车;计算待检测图像上非工程车所在区域与预先标注的施工区域之间的IOU,若IOU大于第二预设阈值,输出报警信息。本发明能对应急车道停车进行检测,对非工程车停在应急车道施工区域的情况进行报警输出,减少误报。
Description
技术领域
本发明属于目标检测技术领域,具体涉及一种高速工程车辆检测方法、装置、设备及存储介质。
背景技术
随着我国经济的发展和高速公路通车里程的增加、高速公路车流量的日益增长,高速公路监控系统的作用越来越突出,交通流数据采集和交通事故检测是监控系统的重中之重。车辆检测器作为交通信息采集的一个重要组成部分,以机动车辆为检测目标,检测车辆的通过或存在状况,其作用是为智能交通控制系统提供足够的信息以便进行最优的控制。
其中应急车道停车是检查的重点之一,但是很多情况下,应急车道停的是道路养护的工程车辆,而且停车时间较长,如果一直报警会让监控人员无法及时处理其他报警信息,造成信息遗漏的问题。
发明内容
有鉴于此,本发明提出了一种高速工程车辆检测方法、装置及电子设备,用于解决高速公路车辆检测误报警率高的问题,实现应急车道工程车辆检测,减少误报。
本发明第一方面,提出一种高速工程车辆检测方法,所述方法包括:
获取应急车道上待检测图像并预处理;
改进YOLOv3网络的结构,作为高速车辆检测模型;所述高速车辆检测模型包括第一特征提取模块、第二特征提取模块、特征融合模块和目标探测模块;
将预处理后的待检测图像输入预训练的高速车辆检测模型,预测得到目标的边界框及对应的置信度;
去除重复边界框,保留置信度最高的边界框并提取框内图像;
提取框内图像的特征向量,计算框内图像的特征向量与预训练的工程车特征向量之间的余弦距离,若余弦距离小于第一预设阈值,则定义为工程车,否则定义为非工程车。
优选的,所述高速车辆检测模型中,所述第一特征提取模块包括多各卷积层、三个特征提取子模块Extract block、三个route层及三个池化层;每个route层用于将当前卷积层的输出结果与当前特征提取子模块的输出结果拼接,并将拼接结果输出到当前池化层,其中,所述当前特征提取子模块的输入为所述当前卷积层的输出结果;所述特征提取子模块包括多个卷积层和一个route层,用于将包括依次连接的两个卷积层一个route层和第三个卷积层,所述route层还与第一个卷积层连接。
优选的,所述高速车辆检测模型中,所述第二特征提取模块包括依次连接的卷积层、池化层、多个Residual block层,其中每个Residual block层包括三个卷积层。
优选的,所述高速车辆检测模型中,所述特征融合模块用于将第一特征提取模块和第二特征提取模块中提取出的不同特征进行跨层次的特征融合,包括卷积层、第一上采样层、第一拼接层、第二上采样层、第二拼接层以及第三拼接层、第四拼接层、第五拼接层;
预处理后的待检测图像经过第一特征提取模块进行特征提取之后,再经过多个卷积层,输出第一层特征图;
将第一层特征图上采样后与第一特征提取模块中的第三个特征提取子模块Extract block 3的结果通过第一拼接层拼接,得到第二层特征图;
将第二层特征图上采样后与第一特征提取模块中的第二个特征提取子模块Extract block 2的结果通过第二拼接层拼接,得到第三层特征图。
优选的,所述高速车辆检测模型中,所述特征融合模块还包括:
将第二特征提取模块的最终输出结果经过一层卷积层后与第一层特征图通过第三拼接层拼接,输出第一层特征图的检测结果;
将第二特征提取模块中第三Residual block层的输出结果经过一层卷积层后与第二层特征图通过第四拼接层拼接,输出第二层特征图的检测结果;
将第二特征提取模块中第一Residual block层的输出结果经过一层卷积层后与第二层特征图通过第五拼接层拼接,输出第三层特征图的检测结果。
优选的,所述高速车辆检测模型中,所述目标探测模块包括三个yolo层和三个Detection层,用于输出各层目标检测结果,包括预测得到的边界框位置及每个边界框的置信度。
优选的,所述方法还包括:
计算待检测图像上非工程车所在区域与预先标注的施工区域之间的IOU,若IOU大于第二预设阈值,输出报警信息。
本发明第二方面,公开一种高速工程车辆检测装置,所述装置包括:
数据获取模块:用于获取应急车道上待检测图像并预处理;
模型构建模块:用于改进YOLOv3网络的结构,作为高速车辆检测模型;所述高速车辆检测模型包括第一特征提取模块、第二特征提取模块、特征融合模块和目标探测模块;
目标检测模块:用于将预处理后的待检测图像输入预训练的高速车辆检测模型,预测得到目标的边界框及对应的置信度;去除重复边界框,保留置信度最高的边界框并提取框内图像;
目标识别模块:用于提取框内图像的特征向量,计算框内图像的特征向量与预训练的工程车特征向量之间的余弦距离,若余弦距离小于第一预设阈值,则定义为工程车,否则定义为非工程车;
报警输出模块:用于计算待检测图像上非工程车所在区域与预先标注的施工区域之间的IOU,若IOU大于第二预设阈值,输出报警信息。
本发明第三方面,公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明第一方面所述的方法。
本发明第四方面,一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果:
1)本发明在YOLOv3网络结构的基础上,设计了新的网络结构作为高速车辆检测模型,该高速车辆检测模型将输入的图像分成两路进行特征提取,其中第一特征提取模块,通过多个特征提取子模块对不同尺度的图像数据进行特征提取,通过多个route层进行多特征融合,通过多个池化层对数据降维,去除冗余信息,本发明的第一特征提取层可以更好的提取不同尺度的特征,并通过特征融合模块与第二特征提取模块中提取出的不同尺度特征进行跨层次的特征融合,提升了小尺度目标的校测效果;
2)本发明能对应急车道停车进行检测,区分工程车与非工程车,对非工程车停在应急车道的情况进行报警输出,减少误报。
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为本发明高速工程车辆检测方法流程示意图;
图2为本发明高速车辆检测模型的网络结构示意图;
图3为本发明特征提取子模块的结构示意图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
请参阅图1,本发明提出一种高速工程车辆检测方法,所述方法包括:
S1、获取应急车道上待检测图像并预处理;
S2、改进YOLOv3网络的结构,作为高速车辆检测模型;所述高速车辆检测模型包括第一特征提取模块、第二特征提取模块、特征融合模块和目标探测模块;
请参阅图2,本发明实施例提供的高速车辆检测模型的网络结构示意图,所述第一特征提取模块包括多各卷积层、三个特征提取子模块Extract block、三个route层及三个池化层;每个route层用于将当前卷积层的输出结果与当前特征提取子模块的输出结果拼接,并将拼接结果输出到当前池化层,其中,所述当前特征提取子模块的输入为所述当前卷积层的输出结果;请参阅图3,所述特征提取子模块包括多个卷积层和一个route层,用于将包括依次连接的两个卷积层一个route层和第三个卷积层,所述route层还与第一个卷积层连接。
所述第二特征提取模块包括依次连接的卷积层、池化层、多个Residual block层,其中每个Residual block层包括三个卷积层。
本发明实施例中,每个卷积层后都会跟一个BN层和一个Leaky层/Linear层。
本发明实施例中,输入图像大小为608*608,第一特征提取模块输出76*76、38*38、19*19三个尺度的特征图,第二特征提取模块也输出76*76、38*38、19*19三个尺度的特征图,通过特征融合模块将第一特征提取模块和第二特征提取模块中提取出的各个尺度特征进行同尺度特征融合和跨层次特征连接。
所述特征融合模块用于将第一特征提取模块和第二特征提取模块中提取出的不同尺度特征进行跨层次的特征融合,所述特征融合模块包括卷积层、第一上采样层、第一拼接层、第二上采样层、第二拼接层以及第三拼接层、第四拼接层、第五拼接层;
预处理后的待检测图像经过第一特征提取模块进行特征提取之后,再经过多个卷积层,输出大小为19*19的第一层特征图;
将第一层特征图上采样后与第一特征提取模块中的第三个特征提取子模块Extract block 3的结果通过第一拼接层拼接,得到大小为38*38的第二层特征图;
将第二层特征图上采样后与第一特征提取模块中的第二个特征提取子模块Extract block 2的结果通过第二拼接层拼接,得到大小为76*76的第三层特征图。
将第二特征提取模块的最终输出结果经过一层卷积层后与第一层特征图通过第三拼接层拼接,输出第一层特征图的检测结果;
将第二特征提取模块中第三Residual block层(Residual block 3)的输出结果经过一层卷积层后与第二层特征图通过第四拼接层拼接,输出第二层特征图的检测结果;
将第二特征提取模块中第一Residual block层(Residual block 1)的输出结果经过一层卷积层后与第二层特征图通过第五拼接层拼接,输出第三层特征图的检测结果。
所述目标探测模块包括三个Yolo层和三个Detection层,用于输出各层目标检测结果,包括预测得到的边界框位置及每个边界框的置信度。其中Yolo 1用于接收特征融合模块输出的大小为19*19的第一层特征图,Yolo 2用于接收特征融合模块输出的大小为38*38的第二层特征图,Yolo 3用于接收特征融合模块输出的大小为76*76的第三层特征图。Detection 1用于输出第一层特征图的目标检测结果,Detection 2用于输出第二层特征图的检测结果;Detection 3用于输出第三层特征图的检测结果。
本发明的第一特征提取层可以更好的提取不同尺度的特征,并通过特征融合模块与第二特征提取模块中提取出的不同尺度特征进行跨层次的特征融合,提升了小尺度目标的校测效果。
S3、将预处理后的待检测图像输入预训练的高速车辆检测模型,预测得到目标的边界框及对应的置信度;
S4、去除重复边界框,保留置信度最高的边界框并提取框内图像;
具体可采用非极大值抑制法去除重复边界框。
S5、提取框内图像的特征向量,计算框内图像的特征向量与各个预训练的工程车特征向量之间的余弦距离,若某一余弦距离小于第一预设阈值,则框内图像定义为工程车,否则定义为非工程车。
S6、计算待检测图像上非工程车所在区域与预先标注的施工区域之间的IOU,若IOU大于第二预设阈值,输出报警信息。
本发明能对应急车道停车进行检测,区分工程车与非工程车,对非工程车停在应急车道施工区域的情况进行报警输出,减少误报。
与所述方法实施例相对应,本发明还提出一种高速工程车辆检测装置,其特征在于,所述装置包括:
数据获取模块:用于获取应急车道上待检测图像并预处理;
模型构建模块:用于改进YOLOv3网络的结构,作为高速车辆检测模型;所述高速车辆检测模型包括第一特征提取模块、第二特征提取模块、特征融合模块和目标探测模块;
目标检测模块:用于将预处理后的待检测图像输入预训练的高速车辆检测模型,预测得到目标的边界框及对应的置信度;去除重复边界框,保留置信度最高的边界框并提取框内图像;
目标识别模块:用于提取框内图像的特征向量,计算框内图像的特征向量与预训练的工程车特征向量之间的余弦距离,若余弦距离小于第一预设阈值,则定义为工程车,否则定义为非工程车;
报警输出模块:用于计算待检测图像上非工程车所在区域与预先划分的施工区域之间的IOU,若IOU大于第二预设阈值,输出报警信息。
本发明还公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括:U盘、移动硬盘、只议存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以分布到多个网络单元上。可以根据实际的衙要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种高速工程车辆检测方法,其特征在于,所述方法包括:
获取应急车道上待检测图像并预处理;
改进YOLOv3网络的结构,作为高速车辆检测模型;所述高速车辆检测模型包括第一特征提取模块、第二特征提取模块、特征融合模块和目标探测模块;
将预处理后的待检测图像输入预训练的高速车辆检测模型,预测得到目标的边界框及对应的置信度;
去除重复边界框,保留置信度最高的边界框并提取框内图像;
提取框内图像的特征向量,计算框内图像的特征向量与预训练的工程车特征向量之间的余弦距离,若余弦距离小于第一预设阈值,则定义为工程车,否则定义为非工程车。
2.根据权利要求1所述高速工程车辆检测方法,其特征在于,所述高速车辆检测模型中,所述第一特征提取模块包括多各卷积层、三个特征提取子模块Extract block、三个route层及三个池化层;每个route层用于将当前卷积层的输出结果与当前特征提取子模块的输出结果拼接,并将拼接结果输出到当前池化层,其中,所述当前特征提取子模块的输入为所述当前卷积层的输出结果;所述特征提取子模块包括多个卷积层和一个route层,用于将包括依次连接的两个卷积层一个route层和第三个卷积层,所述route层还与第一个卷积层连接。
3.根据权利要求2所述高速工程车辆检测方法,其特征在于,所述高速车辆检测模型中,所述第二特征提取模块包括依次连接的卷积层、池化层、多个Residualblock层,其中每个Residualblock层包括三个卷积层。
4.根据权利要求3所述高速工程车辆检测方法,其特征在于,所述高速车辆检测模型中,所述特征融合模块用于将第一特征提取模块和第二特征提取模块中提取出的不同特征进行跨层次的特征融合,包括卷积层、第一上采样层、第一拼接层、第二上采样层、第二拼接层以及第三拼接层、第四拼接层、第五拼接层;
预处理后的待检测图像经过第一特征提取模块进行特征提取之后,再经过多个卷积层,输出第一层特征图;
将第一层特征图上采样后与第一特征提取模块中的第三个特征提取子模块Extractblock 3的结果通过第一拼接层拼接,得到第二层特征图;
将第二层特征图上采样后与第一特征提取模块中的第二个特征提取子模块Extractblock 2的结果通过第二拼接层拼接,得到第三层特征图。
5.根据权利要求4所述高速工程车辆检测方法,其特征在于,所述高速车辆检测模型中,所述特征融合模块还包括:
将第二特征提取模块的最终输出结果经过一层卷积层后与第一层特征图通过第三拼接层拼接,输出第一层特征图的检测结果;
将第二特征提取模块中第三Residual block层的输出结果经过一层卷积层后与第二层特征图通过第四拼接层拼接,输出第二层特征图的检测结果;
将第二特征提取模块中第一Residual block层的输出结果经过一层卷积层后与第二层特征图通过第五拼接层拼接,输出第三层特征图的检测结果。
6.根据权利要求5所述高速工程车辆检测方法,其特征在于,所述高速车辆检测模型中,所述目标探测模块包括三个yolo层和三个Detection层,用于输出各层目标检测结果,包括预测得到的边界框位置及每个边界框的置信度。
7.根据权利要求1所述高速工程车辆检测方法,其特征在于,所述方法还包括:
计算待检测图像上非工程车所在区域与预先标注的施工区域之间的IOU,若IOU大于第二预设阈值,输出报警信息。
8.一种高速工程车辆检测装置,其特征在于,所述装置包括:
数据获取模块:用于获取应急车道上待检测图像并预处理;
模型构建模块:用于改进YOLOv3网络的结构,作为高速车辆检测模型;所述高速车辆检测模型包括第一特征提取模块、第二特征提取模块、特征融合模块和目标探测模块;
目标检测模块:用于将预处理后的待检测图像输入预训练的高速车辆检测模型,预测得到目标的边界框及对应的置信度;去除重复边界框,保留置信度最高的边界框并提取框内图像;
目标识别模块:用于提取框内图像的特征向量,计算框内图像的特征向量与预训练的工程车特征向量之间的余弦距离,若余弦距离小于第一预设阈值,则定义为工程车,否则定义为非工程车;
报警输出模块:用于计算待检测图像上非工程车所在区域与预先划分的施工区域之间的IOU,若IOU大于第二预设阈值,输出报警信息。
9.一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现如权利要求1~7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110309989.4A CN113128563B (zh) | 2021-03-23 | 2021-03-23 | 一种高速工程车辆检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110309989.4A CN113128563B (zh) | 2021-03-23 | 2021-03-23 | 一种高速工程车辆检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128563A true CN113128563A (zh) | 2021-07-16 |
CN113128563B CN113128563B (zh) | 2023-11-17 |
Family
ID=76773835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110309989.4A Active CN113128563B (zh) | 2021-03-23 | 2021-03-23 | 一种高速工程车辆检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128563B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912603A (zh) * | 2023-09-12 | 2023-10-20 | 浙江大华技术股份有限公司 | 预标注筛选方法及相关装置、设备和介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10205457B1 (en) * | 2018-06-01 | 2019-02-12 | Yekutiel Josefsberg | RADAR target detection system for autonomous vehicles with ultra lowphase noise frequency synthesizer |
CN111428550A (zh) * | 2019-11-29 | 2020-07-17 | 长沙理工大学 | 一种基于改进YOLOv3的车辆检测方法 |
WO2020164270A1 (zh) * | 2019-02-15 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于深度学习的行人检测方法、系统、装置及存储介质 |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
CN111681259A (zh) * | 2020-05-17 | 2020-09-18 | 天津理工大学 | 基于无Anchor机制检测网络的车辆跟踪模型建立方法 |
CN112132033A (zh) * | 2020-09-23 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 车型识别方法、装置、电子设备及存储介质 |
CN112380918A (zh) * | 2020-10-23 | 2021-02-19 | 西安科锐盛创新科技有限公司 | 一种道路车辆状态识别方法、装置、电子设备及存储介质 |
-
2021
- 2021-03-23 CN CN202110309989.4A patent/CN113128563B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10205457B1 (en) * | 2018-06-01 | 2019-02-12 | Yekutiel Josefsberg | RADAR target detection system for autonomous vehicles with ultra lowphase noise frequency synthesizer |
WO2020164270A1 (zh) * | 2019-02-15 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于深度学习的行人检测方法、系统、装置及存储介质 |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
CN111428550A (zh) * | 2019-11-29 | 2020-07-17 | 长沙理工大学 | 一种基于改进YOLOv3的车辆检测方法 |
CN111681259A (zh) * | 2020-05-17 | 2020-09-18 | 天津理工大学 | 基于无Anchor机制检测网络的车辆跟踪模型建立方法 |
CN112132033A (zh) * | 2020-09-23 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 车型识别方法、装置、电子设备及存储介质 |
CN112380918A (zh) * | 2020-10-23 | 2021-02-19 | 西安科锐盛创新科技有限公司 | 一种道路车辆状态识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
KUAN TANG: "Pedestrian-Vehicle Detection Model Based on Optimized YOLOv3", 《 2020 CHINESE AUTOMATION CONGRESS (CAC)》 * |
梁思源;王平;罗凡波;徐桂菲;王伟;: "基于改进YOLO v3的相似外部特征人员检测算法", 平顶山学院学报, no. 02 * |
裴嘉欣;孙韶媛;王宇岚;李大威;黄荣;: "基于改进YOLOv3网络的无人车夜间环境感知", 应用光学, no. 03 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912603A (zh) * | 2023-09-12 | 2023-10-20 | 浙江大华技术股份有限公司 | 预标注筛选方法及相关装置、设备和介质 |
CN116912603B (zh) * | 2023-09-12 | 2023-12-15 | 浙江大华技术股份有限公司 | 预标注筛选方法及相关装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113128563B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147763B (zh) | 基于卷积神经网络的视频语义分割方法 | |
CN111415533B (zh) | 弯道安全预警监控方法、装置以及系统 | |
CN111079627A (zh) | 一种铁路货车制动梁梁体折断故障图像识别方法 | |
CN106980113A (zh) | 物体检测装置和物体检测方法 | |
CN106951898B (zh) | 一种车辆候选区域推荐方法及系统、电子设备 | |
CN111626170B (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
CN104504377A (zh) | 一种公交车乘客拥挤程度识别系统及方法 | |
CN112666553B (zh) | 一种基于毫米波雷达的道路积水识别方法及设备 | |
CN113807220A (zh) | 交通事件检测方法、装置、电子设备和可读存储介质 | |
CN112883948B (zh) | 一种语义分割与边缘检测模型建立及护栏异常监测方法 | |
Sindhu | Vehicle identification from traffic video surveillance using YOLOv4 | |
CN114359181A (zh) | 一种基于图像和点云的智慧交通目标融合检测方法及系统 | |
CN112464914A (zh) | 一种基于卷积神经网络的护栏分割方法 | |
CN113128563A (zh) | 一种高速工程车辆检测方法、装置、设备及存储介质 | |
CN113393442A (zh) | 列车零部件异常检测方法、系统、电子设备及存储介质 | |
CN116935631A (zh) | 基于雷视融合的异常交通态势检测方法、装置及系统 | |
Lincy et al. | Road Pothole Detection System | |
CN112861701B (zh) | 违章停车识别方法、装置、电子设备以及计算机可读介质 | |
CN115457486A (zh) | 基于二阶段的卡车检测方法、电子设备及存储介质 | |
CN115497303A (zh) | 一种复杂检测条件下的高速公路车速检测方法及系统 | |
CN112686956A (zh) | 一种城市道路信号灯杆倾斜故障的检测方法 | |
CN118043864A (zh) | 障碍物识别方法、装置、存储介质及电子设备 | |
CN113989731A (zh) | 一种信息的检测方法、计算设备及存储介质 | |
CN112380986A (zh) | 抗复杂街道背景干扰的车型检测方法、系统及存储介质 | |
Dang et al. | A Vision Based System Design for Over-Sized Vessel Detecting and Warning Using Convolutional Neural Network |
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 |