CN113392852B - 一种基于深度学习的车辆检测方法及系统 - Google Patents
一种基于深度学习的车辆检测方法及系统 Download PDFInfo
- Publication number
- CN113392852B CN113392852B CN202110478842.8A CN202110478842A CN113392852B CN 113392852 B CN113392852 B CN 113392852B CN 202110478842 A CN202110478842 A CN 202110478842A CN 113392852 B CN113392852 B CN 113392852B
- Authority
- CN
- China
- Prior art keywords
- feature
- network
- vehicle
- improved
- convolution
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明属于机器视觉技术领域，提供了一种基于深度学习的车辆检测方法，包括步骤：S1、通过图像获取装置获取预设时间的路面车辆图像；S2、将获取的路面车辆图像进行预处理；S3、将预处理后的车辆图像经过特征增强的YOLOv3网络训练模型进行图像内车辆识别；S4、将图像内识别的车辆根据分类进行标记。本发明还提供了一种基于深度学习的车辆检测系统，本发明的优点在于在主干网络中采用跨级结构和跨阶段密集特征重用块，以提高特征的可重用性；本发明设计了特征金字塔的特征融合网络，极大地提高了特征提取的完整性和有效性，进而提高了算法的检测精度；本发明采用改进的深度可分离卷积代替普通卷积，降低了特征增强带来的计算复杂度。
Description
技术领域
本发明涉及机器视觉技术领域，尤其涉及一种基于深度学习的车辆检测方法及系统。
背景技术
车辆目标检测作为计算机视觉的一个重要分支，也是智能交通、车辆跟踪等领域的基础。因此，该领域已成为近年来工业界和学术界的研究热点之一，尤其是对精度和实时性的要求越来越高。
作为目标检测算法的一个分支，车辆检测算法可以分为两大类：传统的车辆检测算法和基于深度学习的车辆检测算法。传统的车辆检测算法主要基于人工特征提取。人工特征提取算法首先利用滑动窗口滤波等方法提取候选区域，然后人工提取特征，最后利用分类器进行分类识别。人工特征提取算法计算量大、精度低、鲁棒性差。
基于深度学习的车辆检测算法克服了上述算法的不足。目前基于深度学习的车辆检测算法形成两大类别：基于候选区域的车辆检测算法和基于回归的车辆检测算法。基于候选区域的车辆检测算法首先采用图像分割算法选择感兴趣区域（ROI）。然后，利用滑动窗口的思想将这些图像输入到卷积神经网络中进行分类和定位。上述算法的优点是可以充分提取图像特征，实现准确的分类和定位。然而，基于候选区域的车辆检测算法存在运行速度慢、效率低等缺点。基于回归的车辆检测算法直接对预测的车辆目标进行回归，效率高，但是准确率有所下降。
发明内容
本发明的目的在于提供一种基于深度学习的车辆检测方法，用以解决车辆检测精度和速度的问题。
为了实现上述目的，本发明采用的技术方案为：
一种基于深度学习的车辆检测方法，包括步骤：
S1、通过图像获取装置获取预设时间的路面车辆图像；
S2、将获取的路面车辆图像进行预处理；
S3、将预处理后的车辆图像经过特征增强的YOLOv3网络训练模型进行图像内车辆识别；
S4、将图像内识别的车辆根据分类进行标记。
进一步的，得到特征增强的YOLOv3网络训练模型的步骤为：
A1、通过预设方式获取路面车辆图像并建立对应的数据集；
A2、通过数据增强技术对数据集中的路面车辆图像进行预处理；
A3、通过聚类算法对建立的数据集进行聚类；
A4、通过数据集对特征增强的YOLOv3网络模型进行训练，得到特征增强的YOLOv3网络训练模型。
进一步的，对特征增强的YOLOv3网络模型进行训练的步骤为：
A41、将路面车辆图像经过改进的Darknet-53卷积神经网络进行特征提取，获得特征图；
A42、通过改进后的特征金字塔网络对特征图进行融合并进行车辆位置和类别预测。
进一步的，步骤A41中获得特征图的步骤为：
A411、通过跨级残差块获得不同梯度的特征信息；
A412、通过跨级密集特征重用块对不同梯度的特征信息进行重用，生成不同梯度的特征图，并将不同梯度的特征图输入到特征金字塔网络中。
进一步的，在步骤A41中是通过深度可分离卷积计算获得特征图的。
本发明的目的还在于提供一种一种基于深度学习的车辆检测系统，包括：
图像获取模块，用于通过图像获取装置获取预设时间的路面车辆图像；
图像处理模块，用于将获取的路面车辆图像进行预处理；
车辆检测模块，用于将预处理后的车辆图像经过特征增强的YOLOv3网络训练模型进行图像内车辆识别；
标记模块，用于将图像内识别的车辆进行根据分类进行标记。
进一步的，车辆检测模块包括：
数据集建立单元，用于通过预设方式获取路面车辆图像并建立对应的数据集；
数据预处理单元，用于通过数据增强技术对数据集中的路面车辆图像进行预处理；
聚类单元，用于通过聚类算法对建立的数据集进行聚类；
训练单元，用于通过数据集对特征增强的YOLOv3网络模型进行训练，得到特征增强的YOLOv3网络训练模型。
进一步的，特征增强的YOLOv3网络模型包括：
特征提取单元，用于将路面车辆图像经过改进的Darknet-53卷积神经网络进行特征提取，获得特征图；
预测识别单元，用于通过改进后的特征金字塔网络对特征图进行融合并进行车辆位置和类别预测。
进一步的，特征提取单元包括：
特征分层子单元，用于通过跨级残差块获得不同梯度的特征信息；
特征重用子单元，用于通过跨级密集特征重用块对不同梯度的特征信息进行重用，生成不同梯度的特征图，并将不同梯度的特征图输入到特征金字塔网络中。
本发明与现有技术相比，至少包含以下有益效果：
（1）本发明在主干网罗中采用跨级结构和跨阶段密集特征重用块，以提高特征的可重用性；
（2）本发明设计了特征金字塔的特征融合网络，补充位置信息，收集更多的原始信息特征，极大地提高了特征提取的完整性和有效性，进而提高了算法的检测精度；
（3）本发明采用改进的深度可分离卷积代替普通卷积，降低了特征增强带来的计算复杂度，保证了算法的实时性。
附图说明
图1是本发明实施例一的总体流程图；
图2是本发明实施例一中建立训练模型的流程图；
图3是本发明实施例一中训练特征增强的YOLOv3网络模型的流程图；
图4是本发明实施例一中特征增强的YOLOv3网络模型的结构示意图；
图5是本发明实施例一中深度可分离卷积的示意图；
图6是本发明实施例一中特征金字塔网络的结构示意图；
图7是本发明实施例二的架构示意图。
具体实施方式
以下是本发明的具体实施例，并结合附图对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
实施例一
如图1所示，本发明一种基于深度学习的车辆检测方法，包括步骤：
S1、通过图像获取装置获取预设时间的路面车辆图像；
S2、将获取的路面车辆图像进行预处理；
S3、将预处理后的车辆图像经过特征增强的YOLOv3网络训练模型进行图像内车辆识别；
S4、将图像内识别的车辆根据分类进行标记。
其中，如图2所示，得到特征增强的YOLOv3网络训练模型的步骤为：
A1、通过预设方式获取路面车辆图像并建立对应的数据集；
基于深度学习的车辆检测需要从数据样本中学习特征，并且数据集必须具有代表性。本发明自建的数据集涵盖了三种常见的车辆类型：轿车、卡车和公共汽车，且所有数据都是通过收集在线图像和拍照获得的。
此数据集中的图像反映了各种复杂情况，例如多辆卡车和汽车出现在同一图像中，或者多辆卡车、公共汽车和汽车出现在同一图像中。这些图像包括不同的照明条件、车辆拍摄角度、分辨率、道路环境和道路状况。
A2、通过数据增强技术对数据集中的路面车辆图像进行预处理；
本发明采用随机剪枝和翻转等数据增强技术，增加数据集中数据样本的比例和数量，以满足样本多样性的要求。
A3、通过聚类算法对建立的数据集进行聚类；
YOLOv3网络模型中的锚属于原始作者对COCO数据集的聚类。然而，我们自建的数据集中的卡车、公共汽车和小汽车的图像特征与公共COCO数据集中的不同，这些差异主要体现在对象的大小、形状和位置上。
因此，本发明采用K-means聚类算法对新建立的数据集进行重新聚类，以提高预测边界盒的精度。
A4、通过数据集对特征增强的YOLOv3网络模型进行训练，得到特征增强的YOLOv3网络训练模型。
进一步的，如图3所示，对特征增强的YOLOv3网络模型进行训练的步骤为：
A41、将路面车辆图像经过改进的Darknet-53卷积神经网络进行特征提取，获得特征图；
其中，步骤A41中获得特征图的步骤为：
A411、通过跨级残差块获得不同梯度的特征信息；
A412、通过跨级密集特征重用块对不同梯度的特征信息进行重用，生成不同梯度的特征图，并将不同梯度的特征图输入到特征金字塔网络中。
本发明采用的特征增强的YOLOv3的网络结构主要分为两部分：基于Darknet-53卷积神经网络的特征提取和特征图预测识别，其网络结构如图4所示，本发明在Darknet-53卷积神经网络中加入了跨级残差块（CSRes块）和跨级密集重用块（CSDense块），从而更有效地从输入图像中提取出丰富的信息特征。
本发明还用改进的深度可分离卷积（IDS-Conv）代替这些块中的一些普通卷积，以减少参数个数和计算复杂度，并且增加了SPP块以更有效地增加主干特征的接收范围，其中改进的深度可分离卷积过程如图5所示。
具体的，为了防止特征增强的加入对车辆目标检测算法的实时性造成损害，本发明采用IDS-Conv代替骨干网CSRes块和CSDense块中的普通卷积，加快了计算速度，降低了计算成本。
在图5中，输入信道的数目被设置为3，并且输出信道的数目被设置为256。普通卷积直接与一个3×3×256卷积核相连，参数个数为3×3×3×256=6912。本发明提出的IDSConv分为1×1卷积、3×3纵深卷积和1×1卷积三个步骤完成，因此参数个数为1×1×1×256+3×3×3+3×1×1×256=1051，大大少于普通卷积的参数个数。用IDS-Conv代替了普通的卷积运算，大大提高了计算效率。加入1×1卷积可以在不增加接收场的情况下增加网络的深度和非线性度。
A42、通过改进后的特征金字塔网络对特征图进行融合并进行车辆位置和类别预测。
在生成特征金字塔之前，通过下采样融合骨干网中两层的特征，以获取更多的原始信息特征，加入自底向上的特征金字塔结构，使得该算法能够更好地传输信息特征。此外，本发明使用Mish激活函数使信息特征深入神经网络，因此所提出的算法的最小成分由conv2d+BN+Mish（CBM）单位组成。
如图6所示，YOLOv3网络结构的特征预测和识别部分使用特征金字塔网络（FPN）来融合深特征信息和浅特征信息。多尺度位置和类别预测是通过融合从高级采样获得的语义信息和低级位置信息来实现的；本发明在FPN之后添加了一个自底向上的金字塔网络，是对特征金字塔网络的补充，并转移了强大的低层定位功能，增强了信息传播。
另外，为了充分利用从主干网中提取的信息特征，在生成特征金字塔之前，将两层特征融合在一起，以获取更多的原始信息特征。
本发明首先在网络模型中采用跨阶段结构和跨阶段密集特征重用块，以提高特征的可重用性。同时，设计了特征金字塔的特征融合网络，补充位置信息，收集更多的原始信息特征。这些改进极大地提高了特征提取的完整性和有效性，进而提高了算法的检测精度。其次，本方法采用改进的深度可分离卷积代替普通卷积，降低了特征增强带来的计算复杂度，保证了算法的实时性。
实施例二
如图7所示，本发明一种基于深度学习的车辆检测系统，包括：
图像获取模块，用于通过图像获取装置获取预设时间的路面车辆图像；
图像处理模块，用于将获取的路面车辆图像进行预处理；
车辆检测模块，用于将预处理后的车辆图像经过特征增强的YOLOv3网络训练模型进行图像内车辆识别；
标记模块，用于将图像内识别的车辆进行根据分类进行标记。
进一步的，车辆检测模块包括：
数据集建立单元，用于通过预设方式获取路面车辆图像并建立对应的数据集；
数据预处理单元，用于通过数据增强技术对数据集中的路面车辆图像进行预处理；
聚类单元，用于通过聚类算法对建立的数据集进行聚类；
训练单元，用于通过数据集对特征增强的YOLOv3网络模型进行训练，得到特征增强的YOLOv3网络训练模型。
进一步的，特征增强的YOLOv3网络模型包括：
特征提取单元，用于将路面车辆图像经过改进的Darknet-53卷积神经网络进行特征提取，获得特征图；
预测识别单元，用于通过改进后的特征金字塔网络对特征图进行融合并进行车辆位置和类别预测。
进一步的，特征提取单元包括：
特征分层子单元，用于通过跨级残差块获得不同梯度的特征信息；
特征重用子单元，用于通过跨级密集特征重用块对不同梯度的特征信息进行重用，生成不同梯度的特征图，并将不同梯度的特征图输入到特征金字塔网络中。
本系统首先在网络模型中采用跨阶段结构和跨阶段密集特征重用块，以提高特征的可重用性。同时，设计了特征金字塔的特征融合网络，补充位置信息，收集更多的原始信息特征。这些改进极大地提高了特征提取的完整性和有效性，进而提高了算法的检测精度。其次，采用改进的深度可分离卷积代替普通卷积，降低了特征增强带来的计算复杂度，保证了算法的实时性。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (2)
1.一种基于深度学习的车辆检测方法，其特征在于，包括步骤：
S1、通过图像获取装置获取预设时间的路面车辆图像；
S2、将获取的路面车辆图像进行预处理；
S3、将预处理后的车辆图像经过特征增强的YOLOv3网络训练模型进行图像内车辆识别；
S4、将图像内识别的车辆根据分类进行标记；
其中，得到特征增强的YOLOv3网络训练模型的步骤为：
A1、通过预设方式获取路面车辆图像并建立对应的数据集；
A2、通过数据增强技术对数据集中的路面车辆图像进行预处理；
A3、通过K-means聚类算法对建立的数据集进行聚类；
A4、通过数据集对特征增强的YOLOv3网络模型进行训练，得到特征增强的YOLOv3网络训练模型；
对特征增强的YOLOv3网络模型进行训练的步骤为：
A41、将路面车辆图像经过改进的Darknet-53卷积神经网络进行特征提取，获得特征图；所述改进的Darknet-53卷积神经网络表示为在Darknet-53卷积神经网络中加入了跨级残差块和跨级密集特征重用块；
A42、通过改进后的特征金字塔网络对特征图进行融合并进行车辆位置和类别预测；所述改进后的特征金字塔网络表示为在特征金字塔网络之后添加了一个自底向上的金字塔网络，并在生成特征金字塔网络之前通过下采样融合骨干网中两层的特征；
步骤A41中获得特征图的步骤为：
A411、通过跨级残差块获得不同梯度的特征信息；
A412、通过跨级密集特征重用块对不同梯度的特征信息进行重用，生成不同梯度的特征图，并将不同梯度的特征图输入到改进后的特征金字塔网络中；
在步骤A41中是通过改进的深度可分离卷积计算获得特征图的；所述改进的深度可分离卷积被用于代替骨干网跨级残差块和跨级密集特征重用块中的普通卷积，所述改进的深度可分离卷积包括1×1卷积、3×3纵深卷积和1×1卷积；
所述特征增强的YOLOv3网络训练模型中采用Mish激活函数使信息特征深入神经网络且增加了SPP块以增加主干特征的接收范围。
2.一种基于深度学习的车辆检测系统，其特征在于，包括：
图像获取模块，用于通过图像获取装置获取预设时间的路面车辆图像；
图像处理模块，用于将获取的路面车辆图像进行预处理；
车辆检测模块，用于将预处理后的车辆图像经过特征增强的YOLOv3网络训练模型进行图像内车辆识别；所述特征增强的YOLOv3网络训练模型中采用Mish激活函数使信息特征深入神经网络且增加了SPP块以增加主干特征的接收范围；
标记模块，用于将图像内识别的车辆进行根据分类进行标记；
车辆检测模块包括：
数据集建立单元，用于通过预设方式获取路面车辆图像并建立对应的数据集；
数据预处理单元，用于通过数据增强技术对数据集中的路面车辆图像进行预处理；
聚类单元，用于K-means通过聚类算法对建立的数据集进行聚类；
训练单元，用于通过数据集对特征增强的YOLOv3网络模型进行训练，得到特征增强的YOLOv3网络训练模型；
特征增强的YOLOv3网络模型包括：
特征提取单元，用于将路面车辆图像经过改进后的Darknet-53卷积神经网络进行特征提取，获得特征图；所述改进的Darknet-53卷积神经网络表示为在Darknet-53卷积神经网络中加入了跨级残差块和跨级密集特征重用块；
预测识别单元，用于通过改进后的特征金字塔网络对特征图进行融合并进行车辆位置和类别预测；所述改进后的特征金字塔网络表示为在特征金字塔网络之后添加了一个自底向上的金字塔网络，并在生成特征金字塔网络之前通过下采样融合骨干网中两层的特征；
特征提取单元包括：
特征分层子单元，用于通过跨级残差块获得不同梯度的特征信息；
特征重用子单元，用于通过跨级密集特征重用块对不同梯度的特征信息进行重用，生成不同梯度的特征图，并将不同梯度的特征图输入到改进后的特征金字塔网络中；
特征重用子单元中包括有卷积运算单元，其被配置为通过改进的深度可分离卷积计算获得特征图；所述改进的深度可分离卷积被用于代替骨干网跨级残差块和跨级密集特征重用块中的普通卷积，所述改进的深度可分离卷积包括1×1卷积、3×3纵深卷积和1×1卷积。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110478842.8A CN113392852B (zh) | 2021-04-30 | 2021-04-30 | 一种基于深度学习的车辆检测方法及系统 |
| IE20210204U IES87348Y1 (en) | 2021-04-30 | 2021-12-03 | Vehicle object detection method based on deep learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110478842.8A CN113392852B (zh) | 2021-04-30 | 2021-04-30 | 一种基于深度学习的车辆检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113392852A CN113392852A (zh) | 2021-09-14 |
| CN113392852B true CN113392852B (zh) | 2024-02-13 |
Family
ID=77617933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110478842.8A Active CN113392852B (zh) | 2021-04-30 | 2021-04-30 | 一种基于深度学习的车辆检测方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113392852B (zh) |
| IE (1) | IES87348Y1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116755081A (zh) * | 2023-05-25 | 2023-09-15 | 东风柳州汽车有限公司 | 视觉与雷达融合的目标检测技术 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2019101142A4 (en) * | 2019-09-30 | 2019-10-31 | Dong, Qirui MR | A pedestrian detection method with lightweight backbone based on yolov3 network |
| AU2020100705A4 (en) * | 2020-05-05 | 2020-06-18 | Chang, Jiaying Miss | A helmet detection method with lightweight backbone based on yolov3 network |
| AU2020101011A4 (en) * | 2019-06-26 | 2020-07-23 | Zhejiang University | Method for identifying concrete cracks based on yolov3 deep learning model |
| WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
| CN112232214A (zh) * | 2020-10-16 | 2021-01-15 | 天津大学 | 一种基于深度特征融合和注意力机制的实时目标检测方法 |
| CN112529090A (zh) * | 2020-12-18 | 2021-03-19 | 天津大学 | 一种基于改进YOLOv3的小目标检测方法 |
| CN115456938A (zh) * | 2022-07-20 | 2022-12-09 | 河南科技大学 | 一种基于深度学习和超声红外图像的金属部件裂纹检测方法 |
-
2021
- 2021-04-30 CN CN202110478842.8A patent/CN113392852B/zh active Active
- 2021-12-03 IE IE20210204U patent/IES87348Y1/en unknown
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
| AU2020101011A4 (en) * | 2019-06-26 | 2020-07-23 | Zhejiang University | Method for identifying concrete cracks based on yolov3 deep learning model |
| AU2019101142A4 (en) * | 2019-09-30 | 2019-10-31 | Dong, Qirui MR | A pedestrian detection method with lightweight backbone based on yolov3 network |
| AU2020100705A4 (en) * | 2020-05-05 | 2020-06-18 | Chang, Jiaying Miss | A helmet detection method with lightweight backbone based on yolov3 network |
| CN112232214A (zh) * | 2020-10-16 | 2021-01-15 | 天津大学 | 一种基于深度特征融合和注意力机制的实时目标检测方法 |
| CN112529090A (zh) * | 2020-12-18 | 2021-03-19 | 天津大学 | 一种基于改进YOLOv3的小目标检测方法 |
| CN115456938A (zh) * | 2022-07-20 | 2022-12-09 | 河南科技大学 | 一种基于深度学习和超声红外图像的金属部件裂纹检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Small Object Detection in Traffic Scene Based on Improved Convolutional Neural Network;Zheng Qiumei等;Computer Engineering;第46卷(第6期);26-33 * |
| 基于改进 YOLOv3 的船舶目标检测算法;盛明伟等;导航与控制;第2卷(第20期);95-109 * |
| 基于改进的 YOLOv3 的实时车辆检测;刘婷娜等;浙江万里学院学报;第35卷(第1期);81-87 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113392852A (zh) | 2021-09-14 |
| IES87348Y1 (en) | 2022-12-21 |
| IE20210204U1 (en) | 2022-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
| CN108875608B (zh) | 一种基于深度学习的机动车交通信号识别方法 | |
| CN109190752A (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
| CN112200172B (zh) | 一种可行驶区域的检测方法及装置 | |
| CN105260712A (zh) | 一种车辆前方行人检测方法及系统 | |
| Zang et al. | Traffic sign detection based on cascaded convolutional neural networks | |
| Yan et al. | Automated asphalt highway pavement crack detection based on deformable single shot multi-box detector under a complex environment | |
| CN112836677B (zh) | 一种利用深度学习的弱监督车辆重识别方法 | |
| CN113177518A (zh) | 一种利用弱监督区域推荐的车辆重识别方法 | |
| CN112560932A (zh) | 一种基于双分支网络特征融合的车辆重识别方法 | |
| KR102105954B1 (ko) | 사고위험 감지시스템 및 감지방법 | |
| CN115311241B (zh) | 一种基于图像融合和特征增强的煤矿井下行人检测方法 | |
| CN109815802A (zh) | 一种基于卷积神经网络的监控视频车辆检测与识别方法 | |
| Sugiharto et al. | Traffic sign detection based on HOG and PHOG using binary SVM and k-NN | |
| CN113159024A (zh) | 一种基于改进YOLOv4的车牌识别技术 | |
| Yao et al. | Coupled multivehicle detection and classification with prior objectness measure | |
| CN111079543B (zh) | 一种基于深度学习的高效车辆颜色识别方法 | |
| CN113392852B (zh) | 一种基于深度学习的车辆检测方法及系统 | |
| Wei et al. | Detection of lane line based on Robert operator | |
| Agbeyangi et al. | Automatic identification of vehicle plate number using raspberry pi | |
| Chang | Intelligent text detection and extraction from natural scene images | |
| Khinchi et al. | A review on automatic number plate recognition technology and methods | |
| Shima | Extraction of number plate images based on image category classification using deep learning | |
| CN109753880B (zh) | 一种自然场景车载视频道路限速标志的检测与识别方法 | |
| Li et al. | Incremental learning of infrared vehicle detection method based on SSD |
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 |