CN113239836A - 一种车辆车身颜色识别方法、存储介质和终端 - Google Patents

一种车辆车身颜色识别方法、存储介质和终端 Download PDF

Info

Publication number
CN113239836A
CN113239836A CN202110554335.8A CN202110554335A CN113239836A CN 113239836 A CN113239836 A CN 113239836A CN 202110554335 A CN202110554335 A CN 202110554335A CN 113239836 A CN113239836 A CN 113239836A
Authority
CN
China
Prior art keywords
color
vehicle body
mask
representing
image
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
Application number
CN202110554335.8A
Other languages
English (en)
Inventor
张华俊
黄跃珍
黄宇恒
金晓峰
潘新生
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.)
GRG Banking Equipment Co Ltd
Original Assignee
GRG Banking Equipment 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 GRG Banking Equipment Co Ltd filed Critical GRG Banking Equipment Co Ltd
Priority to CN202110554335.8A priority Critical patent/CN113239836A/zh
Priority to PCT/CN2021/095968 priority patent/WO2022241807A1/zh
Publication of CN113239836A publication Critical patent/CN113239836A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种车辆车身颜色识别方法、存储介质和终端，交通领域的图形识别技术，方法包括提取车辆车身、车窗及车牌的掩模区域，获取待颜色识别的车身候选区域图像，填充车身候选区域图像和识别颜色。通过本方案可快速识别车身颜色，提高识别的准确率。

Description

一种车辆车身颜色识别方法、存储介质和终端
技术领域
本发明属于交通领域的图形识别技术，具体涉及一种车辆车身颜色识别方法、存储介质和终端。
背景技术
车辆的车身颜色作为机动车辆的重要信息，在车辆自动驾驶、刑侦判案、交警道路管理、违章处罚等车辆相关的算法应用中起到重要的作用。由于颜色信息是连续的信息，受到光照、天气、背景干扰、摄像机成像等各种因素制约，在识别精度上难以获得高的准确率。
专利CN106384117A提出了一种通过米字型分割车辆获得感兴趣区域ROI(regionofinterest)，并通过统计RGB颜色直方图及HSV颜色直方图的方法达到颜色识别。但该方法无法区分车辆ROI内的车身外区域的背景色，加上统计颜色直方图的分析方法对光照敏感，无法有效增大各颜色类间距离，容易造成类别的重叠和误判。
专利CN108563976A提出了一种通过车窗定位获得车脸及车身的局部颜色识别候选区域，以此进行颜色识别。该方法一定程度上能够排除掉车身以外的伪识别区域，但候选的局部区域过小，在车辆多拼色、车身反射阳光、车辆角度过大、树影、建筑物阴影、遮挡等形况下无法得到整体的颜色判定。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种车辆车身颜色识别方法、存储介质和终端，其能解决上述问题。
发明目的：通过图像分割得到实际的车辆车身区域，能够提取车辆的车身整体区域进行颜色判定分析，对拼色、反光、遮挡、树影等恶劣环境都具有较高的识别准确率。
设计方案：
一种车辆车身颜色识别方法，方法包括以下步骤：
步骤S1、提取车辆车身、车窗及车牌的掩模区域，所述掩模区域通过对监控图像进行语义分割检测器提取；
步骤S2、获取待颜色识别的车身候选区域图像；
步骤S3、填充车身候选区域图像；
步骤S4、识别颜色，车身颜色的识别包括：
4.1建立多任务卷积神经网络目标检测模型Mask-RCNN；目标检测模型 Mask-RCNN中的多任务损失函数式为：L＝Lcls+Lbox+Lmask+Lclr；
式中L代表多任务损失函数总的损失，Lcls代表目标分类损失，Lbox代表目标检测矩形区域损失，Lmask代表目标掩模损失，Lclr代表目标颜色分类损失；
4.2将步骤S3颜色填充后的车身候选区域图像输入到卷积神经网络颜色分类模型(包含并不限于Mobilenet、ResNet等)，得到车身颜色的识别概率 Pj；
4.3结果融合，获得最后识别的颜色类别C和置信度P。
优选的，步骤S2中，通过将车身、车窗及车牌的掩模区域取并集，再与原图取交集，得到待颜色识别的车身候选区域图像Im，即Im＝Is∩(Mb∪Mw∪Mp)；
式中，Im代表待颜色识别的车身候选区域图像，Is代表抓拍原图，Mb代表车身掩模区域，Mw代表车窗掩模区域，Mp代表车牌掩模区域。
优选的，步骤S3中，采用中心填充方式填充车身候选区域图像，具体包括以下步骤：
步骤S31、将车身候选区域图像从中心点等角度均分成m个图像块，m为≥2的正整数；
步骤S32、求解每个图像块的颜色直方图；
步骤S33、求解前n个图像块颜色直方图的平均颜色灰度Di：
Figure BDA0003076569140000031
式中，Di代表第i个角度图像块的平均颜色灰度，Hj代表前第j个颜色的灰度值，G(Hj)代表该灰度值的像素个数，n代表颜色直方图取数量最多的前n 个颜色灰度索引；
步骤34、对每个角度的图像块，将掩模外区域按照该角度平均颜色进行填充。
优选的，m取10，n取20。
本发明还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行前述的方法。
一种终端，包括存储器和处理器，所述存储器上储存有包括训练集和测试集的图形数据集以及能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行前述的方法。
相比现有技术，本发明的有益效果在于：通过本方案可快速识别车身颜色，提高识别的准确率。
附图说明
图1为本发明车辆车身颜色识别方法的流程示意图；
图2为掩模区域提取示意图；
图3为车身颜色填充示意图；
图4为车身图像数据集训练和测试示意图。
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的一部分实施例，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做出创造性劳动的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。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
第一实施例
一种车辆车身颜色识别方法，参见图1，方法包括以下步骤：
步骤S1、提取车辆车身、车窗及车牌的掩模区域，参见图2，所述掩模区域通过对监控图像进行语义分割检测器提取。语义分割检测器采用常规RCNN 语义分割检测器即可，此处不再赘述。
步骤S2、获取待颜色识别的车身候选区域图像。
具体的，步骤S2中，通过将车身、车窗及车牌的掩模区域取并集，再与原图取交集，得到待颜色识别的车身候选区域图像Im：
Im＝Is∩(Mb∪Mw∪Mp)……………………………………式1；
式中，Im代表待颜色识别的车身候选区域图像，Is代表抓拍原图，Mb代表车身掩模区域，Mw代表车窗掩模区域，Mp代表车牌掩模区域。
步骤S3、填充车身候选区域图像,参见图3；具体的，步骤S3中，采用中心填充方式填充车身候选区域图像，具体包括以下步骤：
步骤S31、将车身候选区域图像从中心点等角度均分成m个图像块，m为≥2的正整数。
分成m等分个图像块，每一份的角度为360/m。其中，m越大，分块越细致，车身掩模外区域的填充越平滑，但增大栅栏效益，加重计算负担；m越小，栅栏效益越不明显，但对于车身掩模外区域的填充不够平滑。实验表明，m取 10时，算法效果好且通用性强。
步骤S32、求解每个图像块的颜色直方图。
步骤S33、求解前n个图像块颜色直方图的平均颜色灰度Di：
Figure BDA0003076569140000051
式中，Di代表第i个角度图像块的平均颜色灰度，Hj代表前第j个颜色的灰度值，G(Hj)代表该灰度值的像素个数，n代表颜色直方图取数量最多的前n 个颜色灰度索引。
其中，n越大，参与计算平均颜值灰度的范围越广，会加入降低众数颜色的权重，且增大计算负担；n越小，平均颜色的偶然性越大。实验表明，n取 20时，算法效果好且通用性强。
步骤34、对每个角度的图像块，将掩模外区域按照该角度平均颜色进行填充。
步骤S4、识别颜色，车身颜色的识别包括：
4.1建立多任务卷积神经网络目标检测模型Mask-RCNN。
目标检测模型Mask-RCNN中的多任务损失函数式为：
L＝Lcls+Lbox+Lmask+Lclr…………………………式3；
式中，L代表多任务损失函数总的损失，Lcls代表目标分类损失，Lbox代表目标检测矩形区域损失，Lmask代表目标掩模损失，Lclr代表目标颜色分类损失。
4.2将步骤S3颜色填充后的车身候选区域图像输入到卷积神经网络颜色分类模型(包含并不限于Mobilenet、ResNet等常规颜色分类模型即可，形式不限)，得到车身颜色的识别概率Pj；具体的，通过均色填充后的车辆图像输入到分类网络2中，得到颜色的识别概率Pj。
步骤4.1中，参见图4，卷积神经网络目标检测模型Mask-RCNN的车身颜色识别包括以下步骤：
步骤421、获取以车身候选区域图像为检测目标的车身图像数据集。
步骤412、车身颜色标注，从而将车身图像数据集分成训练集和测试集。
步骤413、数据集导入目标检测模型Mask-RCNN，数据集的训练集预处理后通过模型进行半监督模型训练，得到训练后的颜色分类模型；数据集的测试集通过训练后的颜色分类模型进行颜色分类推理颜色分类。
步骤414、标签匹配输出结果，通过颜色推理后，利用车辆颜色候选区域和车辆颜色输出结果做匹配，实现数据分类标签的分类，进行加权融合得到最终输出结果。
4.3结果融合，获得最后识别的颜色类别C和置信度P。
第二实施例
本发明还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行前述方法的步骤。其中，所述方法请参见前述部分的详细介绍，此处不再赘述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
第三实施例
一种终端，包括存储器和处理器，其特征在于：所述存储器上储存有包括训练集和测试集的图形数据集以及能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行第一实施例所述的方法。其中，所述方法请参见前述部分的详细介绍，此处不再赘述。
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)

1.一种车辆车身颜色识别方法，其特征在于，方法包括以下步骤：
步骤S1、提取车辆车身、车窗及车牌的掩模区域，所述掩模区域通过对监控图像进行语义分割检测器提取；
步骤S2、获取待颜色识别的车身候选区域图像；
步骤S3、填充车身候选区域图像；
步骤S4、识别颜色，车身颜色的识别包括：
4.1建立多任务卷积神经网络目标检测模型Mask-RCNN；目标检测模型Mask-RCNN中的多任务损失函数式为：L＝Lcls+Lbox+Lmask+Lclr；
式中L代表多任务损失函数总的损失，Lcls代表目标分类损失，Lbox代表目标检测矩形区域损失，Lmask代表目标掩模损失，Lclr代表目标颜色分类损失；
4.2将步骤S3颜色填充后的车身候选区域图像输入到卷积神经网络颜色分类模型，得到车身颜色的识别概率Pj；
4.3结果融合，获得最后识别的颜色类别C和置信度P。
2.根据权利要求1所述的方法，其特征在于：步骤S2中，通过将车身、车窗及车牌的掩模区域取并集，再与原图取交集，得到待颜色识别的车身候选区域图像Im，即Im＝Is∩(Mb∪Mw∪Mp)；
式中，Im代表待颜色识别的车身候选区域图像，Is代表抓拍原图，Mb代表车身掩模区域，Mw代表车窗掩模区域，Mp代表车牌掩模区域。
3.根据权利要求1所述的方法，其特征在于：步骤S3中，采用中心填充方式填充车身候选区域图像，具体包括以下步骤：
步骤S31、将车身候选区域图像从中心点等角度均分成m个图像块，m为≥2的正整数；
步骤S32、求解每个图像块的颜色直方图；
步骤S33、求解前n个图像块颜色直方图的平均颜色灰度Di：
Figure FDA0003076569130000021
式中，Di代表第i个角度图像块的平均颜色灰度，Hj代表前第j个颜色的灰度值，G(Hj)代表该灰度值的像素个数，n代表颜色直方图取数量最多的前n个颜色灰度索引；
步骤34、对每个角度的图像块，将掩模外区域按照该角度平均颜色进行填充。
4.根据权利要求3所述的方法，其特征在于：m取10，n取20。
5.根据权利要求1所述的方法，其特征在于：步骤4.1中，卷积神经网络目标检测模型Mask-RCNN的车身颜色识别包括以下步骤：
步骤411、获取以车身候选区域图像为检测目标的车身图像数据集；
步骤412、车身颜色标注，从而将车身图像数据集分成训练集和测试集；
步骤413、数据集导入目标检测模型Mask-RCNN，数据集的训练集预处理后通过模型进行半监督模型训练，得到训练后的颜色分类模型；数据集的测试集通过训练后的颜色分类模型进行颜色分类推理颜色分类；
步骤414、标签匹配输出结果，通过颜色推理后，利用车辆颜色候选区域和车辆颜色输出结果做匹配，实现数据分类标签的分类，进行加权融合得到最终输出结果。
6.一种计算机可读存储介质，其上存储有计算机指令，其特征在于：所述计算机指令运行时执行权利要求1-5任一项所述的方法。
7.一种终端，包括存储器和处理器，其特征在于：所述存储器上储存有包括训练集和测试集的图形数据集以及能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行权利要求1-5任一项所述的方法。
CN202110554335.8A 2021-05-20 2021-05-20 一种车辆车身颜色识别方法、存储介质和终端 Pending CN113239836A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110554335.8A CN113239836A (zh) 2021-05-20 2021-05-20 一种车辆车身颜色识别方法、存储介质和终端
PCT/CN2021/095968 WO2022241807A1 (zh) 2021-05-20 2021-05-26 一种车辆车身颜色识别方法、存储介质和终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110554335.8A CN113239836A (zh) 2021-05-20 2021-05-20 一种车辆车身颜色识别方法、存储介质和终端

Publications (1)

Publication Number Publication Date
CN113239836A true CN113239836A (zh) 2021-08-10

Family

ID=77138061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110554335.8A Pending CN113239836A (zh) 2021-05-20 2021-05-20 一种车辆车身颜色识别方法、存储介质和终端

Country Status (2)

Country Link
CN (1) CN113239836A (zh)
WO (1) WO2022241807A1 (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874840A (zh) * 2016-12-30 2017-06-20 东软集团股份有限公司 车辆信息识别方法及装置
CN107729801A (zh) * 2017-07-11 2018-02-23 银江股份有限公司 一种基于多任务深度卷积神经网络的车辆颜色识别系统
EP3432214A1 (en) * 2017-07-19 2019-01-23 Beijing ICETech Science & Technology Co. Ltd. Method and system for vehicle recognition
CN109583349A (zh) * 2018-11-22 2019-04-05 北京市首都公路发展集团有限公司 一种用于在真实环境对目标车辆的颜色进行识别的方法及系统
CN109741406A (zh) * 2019-01-03 2019-05-10 广州广电银通金融电子科技有限公司 一种监控场景下的车身颜色识别方法
CN110633712A (zh) * 2019-09-17 2019-12-31 中控智慧科技股份有限公司 一种车身颜色识别方法、系统、装置及计算机可读介质
CN110751037A (zh) * 2019-09-17 2020-02-04 中控智慧科技股份有限公司 车身颜色识别的方法及终端设备

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830277B (zh) * 2018-04-20 2020-04-21 平安科技（深圳）有限公司 语义分割模型的训练方法、装置、计算机设备和存储介质
CN110569693B (zh) * 2018-08-16 2023-05-12 创新先进技术有限公司 车体颜色识别方法及装置
US10467500B1 (en) * 2018-12-31 2019-11-05 Didi Research America, Llc Method and system for semantic segmentation involving multi-task convolutional neural network
US11138469B2 (en) * 2019-01-15 2021-10-05 Naver Corporation Training and using a convolutional neural network for person re-identification
CN110378236B (zh) * 2019-06-20 2023-04-07 西安电子科技大学 基于深度学习的车辆身份识别模型构建、识别方法和系统
CN110569792A (zh) * 2019-09-09 2019-12-13 吉林大学 一种基于卷积神经网络的自动驾驶汽车前方物体检测方法
CN111325211A (zh) * 2020-02-13 2020-06-23 上海眼控科技股份有限公司 车辆颜色的自动识别方法、电子装置、计算机设备和介质
CN111862119A (zh) * 2020-07-21 2020-10-30 武汉科技大学 基于Mask-RCNN的语义信息提取方法
CN112329680B (zh) * 2020-11-13 2022-05-03 重庆邮电大学 基于类激活图的半监督遥感影像目标检测和分割方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874840A (zh) * 2016-12-30 2017-06-20 东软集团股份有限公司 车辆信息识别方法及装置
CN107729801A (zh) * 2017-07-11 2018-02-23 银江股份有限公司 一种基于多任务深度卷积神经网络的车辆颜色识别系统
EP3432214A1 (en) * 2017-07-19 2019-01-23 Beijing ICETech Science & Technology Co. Ltd. Method and system for vehicle recognition
CN109583349A (zh) * 2018-11-22 2019-04-05 北京市首都公路发展集团有限公司 一种用于在真实环境对目标车辆的颜色进行识别的方法及系统
CN109741406A (zh) * 2019-01-03 2019-05-10 广州广电银通金融电子科技有限公司 一种监控场景下的车身颜色识别方法
CN110633712A (zh) * 2019-09-17 2019-12-31 中控智慧科技股份有限公司 一种车身颜色识别方法、系统、装置及计算机可读介质
CN110751037A (zh) * 2019-09-17 2020-02-04 中控智慧科技股份有限公司 车身颜色识别的方法及终端设备

Also Published As

Publication number Publication date
WO2022241807A1 (zh) 2022-11-24

Similar Documents

Publication Publication Date Title
CN110310264B (zh) 一种基于dcnn的大尺度目标检测方法、装置
CN107563372B (zh) 一种基于深度学习ssd框架的车牌定位方法
CN112132119B (zh) 客流统计方法、装置、电子设备和存储介质
CN110210475B (zh) 一种非二值化和边缘检测的车牌字符图像分割方法
CN110119726B (zh) 一种基于YOLOv3模型的车辆品牌多角度识别方法
KR20210013216A (ko) 멀티 레벨 타겟 분류 및 교통 표지 검출 방법 및 장치, 기기, 매체
CN114022830A (zh) 一种目标确定方法以及目标确定装置
CN108305260B (zh) 一种图像中角点的检测方法、装置及设备
Tao et al. Scene context-driven vehicle detection in high-resolution aerial images
KR102105954B1 (ko) 사고위험 감지시스템 및 감지방법
CN112801227B (zh) 一种台风识别模型的生成方法、装置、设备及存储介质
CN112488083B (zh) 基于heatmap提取关键点的交通信号灯的识别方法、装置、介质
Naufal et al. Preprocessed mask RCNN for parking space detection in smart parking systems
CN113034378B (zh) 一种区分电动汽车与燃油汽车的方法
Farag et al. Deep learning versus traditional methods for parking lots occupancy classification
CN111695373A (zh) 斑马线的定位方法、系统、介质及设备
Parvin et al. Vehicle number plate detection and recognition techniques: a review
CN117037103A (zh) 一种道路检测方法和装置
CN112699267A (zh) 车辆车型的识别方法
CN111881984A (zh) 一种基于深度学习的目标检测方法和装置
B Nair et al. Machine vision based flood monitoring system using deep learning techniques and fuzzy logic on crowdsourced image data
Zhao et al. Vehicle counting in very low-resolution aerial images via cross-resolution spatial consistency and Intraresolution time continuity
Arthi et al. Object detection of autonomous vehicles under adverse weather conditions
Chughtai et al. Traffic Surveillance System: Robust Multiclass Vehicle Detection and Classification
CN111832463A (zh) 一种基于深度学习的交通标志检测方法

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