CN113688706B - 一种车辆检测方法、装置、设备及存储介质 - Google Patents
一种车辆检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113688706B CN113688706B CN202110934666.4A CN202110934666A CN113688706B CN 113688706 B CN113688706 B CN 113688706B CN 202110934666 A CN202110934666 A CN 202110934666A CN 113688706 B CN113688706 B CN 113688706B
- Authority
- CN
- China
- Prior art keywords
- candidate
- detection
- frame
- box
- detection frame
- 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 112
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车辆检测方法、装置、设备及存储介质,其方法包括:对输入图像的尺寸进行归一化处理;根据预设的规格在处理后的图像上划分出多个子窗口;根据预设的宽高比在子窗口上生成多个候选框;基于聚类算法从候选框中选取检测框;对检测框进行检测并输出检测结果。本发明能够对图片中车辆定位更准确以及提高有遮挡情形的车辆检测的准确率。
Description
技术领域
本发明涉及一种车辆检测方法、装置、设备及存储介质,属于交通设备技术领域。
背景技术
目标检测是计算机视觉领域中的一个极具挑战性的研究题目。而目标检测中的一个分支就是车辆检测,它可以应用在道路监控和无人驾驶领域。车辆检测将车辆定位和分类相结合,利用机器学习和图像处理技术确定感兴趣的目标区域。
一般可以由区域分割、特征提取和分类组成传统的目标检测。区域分割需要用滑动窗口遍历整个图像,从而确定目标的位置。接下来需要通过HAAR、SIFT、SURF、HOG、BRISK等特征提取算法来提取图像特征。最后,利用AdaBoost、SVM等分类提取的特征,具体流程如图1所示。其过程较为繁琐,容易产生一定的误差,从而影响检测精度;为了解决上述问题,本申请提出一种车辆检测方法、装置、设备及存储介质。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种车辆检测方法、装置、设备及存储介质,能够达到检测准确率高且简单实用的效果。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种车辆检测方法,包括:
对输入图像的尺寸进行归一化处理;
根据预设的规格在处理后的图像上划分出多个子窗口;
根据预设的宽高比在子窗口上生成多个候选框;
基于聚类算法从候选框中选取检测框;
对检测框进行检测并输出检测结果。
优选的,所述基于聚类算法从候选框中选取检测框包括:
依次计算每个候选框和每个聚类中心之间的距离,并将每个候选框分配至距离最近的聚类中心所在的簇;
当所有候选框均分配完成后,分别计算各个簇的候选框中心坐标、宽度和高度的平均值;
通过各个簇的候选框中心坐标、宽度和高度的平均值更新其聚类中心;
重复执行上述步骤,直至收敛,输出每个簇最终的聚类中心;
依次计算每个候选框和最终的聚类中心之间的距离,并将距离每个最终的聚类中心最近的候选框输出作为检测框。
优选的,所述计算每个候选框和每个聚类中心之间的距离,其表达式如下:
d(box,centrd)=1-IOU(box,centrd)
其中,centrd表示聚类中心,box表示候选框,IOU(box,centrd)表示聚类中心与候选框之间的重叠度,d(box,centrd)表示候选框box与聚类中心centrd之间的距离。
优选的,所述对检测框进行检测并输出检测结果包括:
基于检测框和最终的聚类中心计算相应检测框的置信度;
基于图像识别技术识别检测框中是否有车辆;
获取检测框的中心点坐标、宽度和高度;
将检测框的置信度、是否有车辆、中心点坐标、宽度和高度作为检测结果输出。
优选的,所述基于检测框和最终的聚类中心计算相应检测框的置信度包括:
基于检测框和最终的聚类中心重叠得出初级置信度Si;
其中,boxgt表示检测框,centrdgt表示最终的聚类中心;
基于与检测框重叠的候选框和预设的置信度阈值得出最终置信度
其中,bi表示与检测框重叠的候选框,IOU(boxgt,bi)表示检测框与候选框bi的重叠度,Nt为预设的置信度阈值。
第二方面,本发明提供了一种车辆检测装置,所述装置包括:
预处理模块:用于对输入图像的尺寸进行归一化处理;
窗口划分模块:用于根据预设的规格在处理后的图像上划分出多个子窗口;
候选框生成模块:用于根据预设的宽高比在子窗口上生成多个候选框;
检测框生成模块:用于基于聚类算法从候选框中选取检测框;
检测输出模块:用于对检测框进行检测并输出检测结果。
第三方面,本发明提供了一种车辆检测设备,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明提供的一种车辆检测方法、装置、设备及存储介质,其方法采用聚类的方法对矩形框进行聚类分析,从而确定矩形候选框的大小,使车辆定位更准确;并进一步通过置信度提高有遮挡情形的车辆检测的准确率。
附图说明
图1是本发明背景技术提供的传统目标检测方法示意图;
图2是本发明实施例提供的车辆检测方法流程示意图;
图3是本发明实施例提供的候选框发生遮挡情况示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
如图2所示,本实施例提供一种车辆检测方法,包括以下步骤:
步骤1、对输入图像的尺寸进行归一化处理。
步骤2、根据预设的规格在处理后的图像上划分出多个子窗口。
步骤3、根据预设的宽高比在子窗口上生成多个候选框。
步骤4、基于K-means聚类算法从候选框中选取检测框。
步骤4.1、依次计算每个候选框和每个聚类中心之间的距离,并将每个候选框分配至距离最近的聚类中心所在的簇。
其中,计算每个候选框和每个聚类中心之间的距离,其表达式如下:
d(box,centrd)=1-IOU(box,centrd)
其中,centrd表示聚类中心,box表示候选框,IOU(box,centrd)表示聚类中心与候选框之间的重叠度,d(box,centrd)表示候选框box与聚类中心centrd之间的距离。
步骤4.2、当所有候选框均分配完成后,分别计算各个簇的候选框中心坐标、宽度和高度的平均值。
步骤4.3、通过各个簇的候选框中心坐标、宽度和高度的平均值更新其聚类中心。
步骤4.4、重复执行上述步骤,直至收敛,输出每个簇最终的聚类中心。
步骤4.5、依次计算每个候选框和最终的聚类中心之间的距离,并将距离每个最终的聚类中心最近的候选框输出作为检测框。
步骤5、对检测框进行检测并输出检测结果。
步骤5.1、基于检测框和最终的聚类中心基于YOLO-v3算法计算相应检测框的置信度;
步骤5.1.1、基于检测框和最终的聚类中心重叠得出初级置信度Si;
其中,boxgt表示检测框,centrdgt表示最终的聚类中心;
如图3所示,YOLO-v3中的NMS(Non-maximum suppression)算法选取邻域中置信度最高的矩形候选框而抑制置信度较低的矩形候选框,但是在车辆比较密集的情况下,实线候选框置信度值为0.95而虚线候选框置信度值为0.8的情况下,当实线候选框和虚线候选框的置信度值大于之前设置的阈值的时候,虚线候选框就将会被过滤掉,这将会导致车辆漏检。为了解决这一问题,执行步骤5.1.2;
步骤5.1.2、基于与检测框重叠的候选框和预设的置信度阈值得出最终置信度
其中,bi表示与检测框重叠的候选框,IOU(boxgt,bi)表示检测框与候选框bi的重叠度,Nt为预设的置信度阈值。
步骤5.2、基于图像识别技术识别检测框中是否有车辆;
步骤5.3、获取检测框的中心点坐标、宽度和高度;
步骤5.4、将检测框的置信度、是否有车辆、中心点坐标、宽度和高度作为检测结果输出。
例如:
步骤S1、对输入图像的尺寸进行归一化处理为416*416;
步骤S2、根据预设的规格在处理后的图像上划分出三个子窗口,分别为52*52,26*26,13*13;
步骤S3、根据预设的宽高比在子窗口上生成三个候选框;候选框表示为:
{Pi(xi,yi),Wi,Hi}
其中,Pi(xi,yi)表示第i个矩形框中心点相对于图像左上角顶点的坐标,Wi为候选框的宽度,Hi为候选框的高度;i=1、2、3;
步骤S4、基于K-means聚类算法从候选框中选取检测框。
依次计算每个候选框和每个聚类中心之间的距离,并将每个候选框分配至距离最近的聚类中心所在的簇。
预设三个聚类中心,表示为:
{Ci(mi,ni),wi,hi}
其中,Ci(mi,ni)表示第i个聚类中心相对于图像左上角顶点的坐标,wi为聚类中心的宽度,hi为聚类中心的高度;i=1、2、3;
计算每个候选框和每个聚类中心之间的距离,其表达式如下:
d(box,centrd)=1-IOU(box,centrd)
其中,centrd表示聚类中心,box表示候选框,IOU(box,centrd)表示聚类中心与候选框之间的重叠度,d(box,centrd)表示候选框box与聚类中心centrd之间的距离。
当三个候选框均分配完成后,分别计算各个簇的候选框中心坐标、宽度和高度的平均值。
通过各个簇的候选框中心坐标、宽度和高度的平均值更新其聚类中心。
重复执行上述步骤,直至收敛,输出每个簇最终的聚类中心。
依次计算每个候选框和最终的聚类中心之间的距离,并将距离每个最终的聚类中心最近的候选框输出作为检测框。
步骤S5、对检测框进行检测并输出检测结果。
基于检测框和最终的聚类中心基于YOLO-v3算法计算相应检测框的置信度;
基于图像识别技术识别检测框中是否有车辆;
获取检测框的中心点坐标、宽度和高度;
将检测框的置信度、是否有车辆、中心点坐标、宽度和高度作为检测结果输出。
实施例二:
本实施例提供了一种车辆检测装置,装置包括:
预处理模块:用于对输入图像的尺寸进行归一化处理;
窗口划分模块:用于根据预设的规格在处理后的图像上划分出多个子窗口;
候选框生成模块:用于根据预设的宽高比在子窗口上生成多个候选框;
检测框生成模块:用于基于聚类算法从候选框中选取检测框;
检测输出模块:用于对检测框进行检测并输出检测结果。
实施例三:
本实施例提供了一种车辆检测设备,包括处理器及存储介质;
存储介质用于存储指令;
处理器用于根据指令进行操作以执行实施例一中方法的步骤。
实施例四:
本实施例提供了计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现实施例一中方法的步骤。
综上,本发明(1)采用K-means聚类的方法对矩形框进行聚类分析,从而确定矩形候选框的大小,使车辆定位更准确。(2)对YOLO-v3算法的非极大值抑制模块进行重构,提高有遮挡情形的车辆检测的准确率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种车辆检测方法,其特征在于,包括:
对输入图像的尺寸进行归一化处理;
根据预设的规格在处理后的图像上划分出多个子窗口;
根据预设的宽高比在子窗口上生成多个候选框;
基于聚类算法从候选框中选取检测框;
对检测框进行检测并输出检测结果;
其中,所述基于聚类算法从候选框中选取检测框包括:
依次计算每个候选框和每个聚类中心之间的距离,并将每个候选框分配至距离最近的聚类中心所在的簇;
当所有候选框均分配完成后,分别计算各个簇的候选框中心坐标、宽度和高度的平均值;
通过各个簇的候选框中心坐标、宽度和高度的平均值更新其聚类中心;
重复执行上述步骤,直至收敛,输出每个簇最终的聚类中心;
依次计算每个候选框和最终的聚类中心之间的距离,并将距离每个最终的聚类中心最近的候选框输出作为检测框;
其中,所述对检测框进行检测并输出检测结果包括:
基于检测框和最终的聚类中心计算相应检测框的置信度;
基于图像识别技术识别检测框中是否有车辆;
获取检测框的中心点坐标、宽度和高度;
将检测框的置信度、是否有车辆、中心点坐标、宽度和高度作为检测结果输出。
2.根据权利要求1所述的一种车辆检测方法,其特征在于,所述计算每个候选框和每个聚类中心之间的距离,其表达式如下:
d(box,centrd)=1-IOU(box,centrd)
其中,centrd表示聚类中心,box表示候选框,IOU(box,centrd)表示聚类中心与候选框之间的重叠度,IOU(box,d(box,centrd)表示候选框box与聚类中心centrd之间的距离。
3.根据权利要求1所述的一种车辆检测方法,其特征在于,所述基于检测框和最终的聚类中心计算相应检测框的置信度包括:
基于检测框和最终的聚类中心重叠得出初级置信度Si;
其中,boxgt表示检测框,centrdgt表示最终的聚类中心;
基于与检测框重叠的候选框和预设的置信度阈值得出最终置信度
其中,bi表示与检测框重叠的候选框,IOU(boxgt,bi)表示检测框与候选框bi的重叠度,Nt为预设的置信度阈值。
4.一种车辆检测装置,其特征在于,采用如权利要求1-3任一项所述方法,所述装置包括:
预处理模块:用于对输入图像的尺寸进行归一化处理;
窗口划分模块:用于根据预设的规格在处理后的图像上划分出多个子窗口;
候选框生成模块:用于根据预设的宽高比在子窗口上生成多个候选框;
检测框生成模块:用于基于聚类算法从候选框中选取检测框;
检测输出模块:用于对检测框进行检测并输出检测结果。
5.一种车辆检测设备,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-3任一项所述方法的步骤。
6.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-3任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934666.4A CN113688706B (zh) | 2021-08-16 | 2021-08-16 | 一种车辆检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934666.4A CN113688706B (zh) | 2021-08-16 | 2021-08-16 | 一种车辆检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113688706A CN113688706A (zh) | 2021-11-23 |
CN113688706B true CN113688706B (zh) | 2023-12-05 |
Family
ID=78580259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110934666.4A Active CN113688706B (zh) | 2021-08-16 | 2021-08-16 | 一种车辆检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688706B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982559A (zh) * | 2012-11-28 | 2013-03-20 | 大唐移动通信设备有限公司 | 车辆跟踪方法及系统 |
CN109993101A (zh) * | 2019-03-28 | 2019-07-09 | 华南理工大学 | 基于多分支循环自注意力网络与循环边框回归的车辆检测方法 |
CN111476159A (zh) * | 2020-04-07 | 2020-07-31 | 哈尔滨工业大学 | 一种基于双角回归的检测模型训练、检测方法及装置 |
CN111626993A (zh) * | 2020-05-07 | 2020-09-04 | 武汉科技大学 | 一种基于嵌入式FEFnet网络的图像自动检测计数方法及系统 |
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 |
CN111860679A (zh) * | 2020-07-29 | 2020-10-30 | 浙江理工大学 | 一种基于YOLO v3改进算法的车辆检测方法 |
CN112052837A (zh) * | 2020-10-09 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 基于人工智能的目标检测方法以及装置 |
WO2021003823A1 (zh) * | 2019-07-11 | 2021-01-14 | 平安科技(深圳)有限公司 | 基于视频帧图片分析的车辆违停检测方法及装置 |
CN112381062A (zh) * | 2020-12-04 | 2021-02-19 | 哈尔滨工业大学 | 一种基于卷积神经网络的目标检测方法及装置 |
CN112766170A (zh) * | 2021-01-21 | 2021-05-07 | 广西财经学院 | 基于簇类无人机图像的自适应分割检测方法及装置 |
-
2021
- 2021-08-16 CN CN202110934666.4A patent/CN113688706B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982559A (zh) * | 2012-11-28 | 2013-03-20 | 大唐移动通信设备有限公司 | 车辆跟踪方法及系统 |
CN109993101A (zh) * | 2019-03-28 | 2019-07-09 | 华南理工大学 | 基于多分支循环自注意力网络与循环边框回归的车辆检测方法 |
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 |
WO2021003823A1 (zh) * | 2019-07-11 | 2021-01-14 | 平安科技(深圳)有限公司 | 基于视频帧图片分析的车辆违停检测方法及装置 |
CN111476159A (zh) * | 2020-04-07 | 2020-07-31 | 哈尔滨工业大学 | 一种基于双角回归的检测模型训练、检测方法及装置 |
CN111626993A (zh) * | 2020-05-07 | 2020-09-04 | 武汉科技大学 | 一种基于嵌入式FEFnet网络的图像自动检测计数方法及系统 |
CN111860679A (zh) * | 2020-07-29 | 2020-10-30 | 浙江理工大学 | 一种基于YOLO v3改进算法的车辆检测方法 |
CN112052837A (zh) * | 2020-10-09 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 基于人工智能的目标检测方法以及装置 |
CN112381062A (zh) * | 2020-12-04 | 2021-02-19 | 哈尔滨工业大学 | 一种基于卷积神经网络的目标检测方法及装置 |
CN112766170A (zh) * | 2021-01-21 | 2021-05-07 | 广西财经学院 | 基于簇类无人机图像的自适应分割检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
Data-driven based tiny-YOLOv3 method for front vehicle detection inducing SPP-net;Wang X等;《IEEE Access》;110227-110236 * |
基于深度学习的无人机航拍车辆检测;赵爽等;《计算机应用》(第S2期);96-101 * |
基于难分样本挖掘的快速区域卷积神经网络目标检测研究;张烨等;《电子与信息学报》;第41卷(第6期);正文第1498页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113688706A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11107225B2 (en) | Object recognition device and computer readable storage medium | |
CN108038474B (zh) | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 | |
Keller et al. | A new benchmark for stereo-based pedestrian detection | |
CN110363047B (zh) | 人脸识别的方法、装置、电子设备和存储介质 | |
CN111310645B (zh) | 货物堆积量的溢仓预警方法、装置、设备及存储介质 | |
US9552642B2 (en) | Apparatus and method for tracking object using feature descriptor, and apparatus and method for removing garbage feature | |
US8509526B2 (en) | Detection of objects in digital images | |
WO2017059576A1 (en) | Apparatus and method for pedestrian detection | |
US11205276B2 (en) | Object tracking method, object tracking device, electronic device and storage medium | |
WO2014174932A1 (ja) | 画像処理装置、プログラム及び画像処理方法 | |
US9443137B2 (en) | Apparatus and method for detecting body parts | |
WO2016138838A1 (zh) | 基于投影极速学习机的唇语识别方法和装置 | |
EP2863335A1 (en) | Method, device and storage medium for locating feature points on human face | |
KR101780676B1 (ko) | 트레이닝 이미지를 이용하여 분류 트리를 구성함으로써 rejector를 학습하고 상기 rejector를 이용하여 테스트 이미지 상의 객체를 검출하는 방법 | |
US8090151B2 (en) | Face feature point detection apparatus and method of the same | |
CN108256454B (zh) | 一种基于cnn模型的训练方法、人脸姿态估测方法及装置 | |
US20160162757A1 (en) | Multi-class object classifying method and system | |
JP2019536164A (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
US20190043168A1 (en) | An image processing device, an image processing method, and computer-readable recording medium | |
CN109726621B (zh) | 行人检测方法、装置及设备 | |
CN113688706B (zh) | 一种车辆检测方法、装置、设备及存储介质 | |
CN110728229B (zh) | 图像处理方法、装置、设备和存储介质 | |
CN116824333A (zh) | 一种基于深度学习模型的鼻咽癌检测系统 | |
EP2887261A2 (en) | Information processing device, information processing method, and program | |
KR20160107590A (ko) | 객체 인식방법 및 이를 이용한 객체 인식장치 |
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 |