CN113723258A - 危险品车辆图像识别方法及其相关设备 - Google Patents
危险品车辆图像识别方法及其相关设备 Download PDFInfo
- Publication number
- CN113723258A CN113723258A CN202110974882.1A CN202110974882A CN113723258A CN 113723258 A CN113723258 A CN 113723258A CN 202110974882 A CN202110974882 A CN 202110974882A CN 113723258 A CN113723258 A CN 113723258A
- Authority
- CN
- China
- Prior art keywords
- medium
- vehicle
- vehicles
- sized
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013145 classification model Methods 0.000 claims description 46
- 238000010606 normalization Methods 0.000 claims description 15
- 239000013056 hazardous product Substances 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 6
- 239000000383 hazardous chemical Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 4
- 238000004880 explosion Methods 0.000 description 3
- 231100001261 hazardous Toxicity 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000000605 extraction 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
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于危险品车辆识别技术领域,具体涉及一种危险品车辆图像识别方法及其相关设备。其中方法包括:获取待识别图片;对待识别图片进行分类识别,得到二分类结果,对二分类结果为非大中型车辆标记识别为普通车辆或无车辆;当二分类结果为大中型车辆后,判断是否存在第一特殊标识,第一特殊标识的个数大于等于预设标识数量时,对大中型车辆标记识别为危险品车辆;当存在的第一特殊标识的个数小于预设标识数量时,判断是否存在第二特殊标识,若存在第二特殊标识,则标记识别为疑似危险品车辆,否则标记识别为普通车辆;输出标记识别结果。本发明通过三阶段递进识别过程,有效降低one‑stage这类识别算法存在漏报导致管理漏洞。
Description
技术领域
本发明属于危险品车辆识别技术领域,具体涉及一种危险品车辆图像识别方法及其相关设备。
背景技术
随着改革开放的进程加快,我国的危化品的需求量在不断地增长,基于安全和成本的考虑,目前仍然使用的是陆地运输的方式。危化品车辆是一个移动的危险源,据不完全统计有77%的危化品事故是发生在运输过程中。目前危化车辆的管理更多的是靠运输公司自行管理,道路管理部门比较难以进行监管。
基于人工智能的危险品车辆识别也是近年来一个研究和应用方向。目前目前为止,公开的资料显示,危险品车辆识别主要以one-stage的方式,如基于YOLO进行一阶段识别,通过不断完善样本库,调整模型参数提高识别的效果。但在实际应用中,危险品车辆由于安全隐患大,往往需要保证不能漏报。传统的方式是通过调整识别输出分类的阈值,存在漏报导致管理漏洞。
发明内容
本发明针对现有的危险品车辆识别只进行单次检测的方式,容易存在漏报导致管理漏洞的技术问题,目的在于提供一种危险品车辆图像识别方法及其相关设备。
一种危险品车辆图像识别方法,包括:
获取待识别图片;
通过预设的第一分类模型对所述待识别图片进行分类识别,得到二分类结果,所述二分类结果为大中型车辆或非大中型车辆,对所述二分类结果为非大中型车辆标记识别为普通车辆或无车辆;
当所述二分类结果为大中型车辆后,通过预设的第二分类模型判断所述大中型车辆是否存在第一特殊标识,所述第一特殊标识的个数大于等于预设标识数量时,对所述大中型车辆标记识别为危险品车辆;
当所述大中型车辆存在的所述第一特殊标识的个数小于预设标识数量时,通过预设的第三分类模型判断所述大中型车辆是否存在第二特殊标识,若存在所述第二特殊标识,则标记识别为疑似危险品车辆,否则标记识别为普通车辆;
输出标记识别结果。
可选的,所述获取待识别图片,包括:
接收视频监控系统发送的图片作为所述待识别图片;
或接收摄像头发送的视频流,通过对所述视频流截取单帧图片作为所述待识别图片。
可选的,所述预设的第一分类模型为预设的YOLO目标检测模型。
可选的,所述大中型车辆包括轿车、摩托车和三轮车之外的汽车,所述大中型车辆包括客车和货车。
可选的,当所述二分类结果为大中型车辆后,通过预设的第二分类模型判断所述大中型车辆是否存在第一特殊标识之前,包括当所述二分类结果为大中型车辆后,将所述待识别图片进行图像归一化:
将所述二分类结果为大中型车辆对应的待识别图片中的所述大中型车辆进行提取,得到目标图像;
对所述目标图像进行归一化处理,得到归一化处理后的图像,对所述归一化处理后的图像输入所述第二分类模型来判断所述大中型车辆是否存在第一特殊标识。
可选的,所述对所述目标图像进行归一化处理,包括:
使用图像金字塔向上采样后归一化为512*512的图像,得到归一化处理后的图像。
可选的,所述通过预设的第二分类模型判断所述大中型车辆是否存在第一特殊标识,包括:
采用预设的残差神经网络模型判断所述归一化处理后的图像中所述大中型车辆是否存在所述第一特殊标识;
可选的,所述通过预设的第三分类模型判断所述大中型车辆是否存在第二特殊标识,包括:
采用经机器学习方法进行训练后的所述第三分类模型判断所述归一化处理后的图像中所述大中型车辆是否存在所述第二特殊标识。
一种危险品车辆图像识别装置,包括:
获取数据模块,用于获取待识别图片;
第一次识别模块,用于通过预设的第一分类模型对所述待识别图片进行分类识别,得到二分类结果,所述二分类结果为大中型车辆或非大中型车辆,对所述二分类结果为非大中型车辆标记识别为普通车辆或无车辆;
第二次识别模块,用于当所述二分类结果为大中型车辆后,通过预设的第二分类模型判断所述大中型车辆是否存在第一特殊标识,所述第一特殊标识的个数大于等于预设标识数量时,对所述大中型车辆标记识别为危险品车辆;
第三次识别模块,用于当所述大中型车辆存在的所述第一特殊标识的个数小于预设标识数量时,通过预设的第三分类模型判断所述大中型车辆是否存在第二特殊标识,若存在所述第二特殊标识,则标记识别为疑似危险品车辆,否则标记识别为普通车辆;
输出模块,用于输出标记识别结果。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行上述危险品车辆图像识别方法的步骤。
一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述危险品车辆图像识别方法的步骤。
本发明的积极进步效果在于:本发明采用危险品车辆图像识别方法及其相关设备,具有如下显著优点:
1、通过三次识别的方式实现三阶段递进识别过程,采用特征分阶段进行识别,有效降低one-stage这类识别算法存在漏报导致管理漏洞;
2、通过三阶段递进识别过程,在工程实践中可以根据应用效果针对性地对“疑似危险品车辆”进行人工正确分类,从而不断完善算法样本库,提供检测识别准确率。
附图说明
图1为本发明的一种整体流程图;
图2为本发明的一种识别过程具体流程图;
图3为本发明的一种待识别的大中型车辆的图像;
图4为本发明的另一种待识别的大中型车辆的图像。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示进一步阐述本发明。
参照图1,一种危险品车辆图像识别方法,包括如下步骤:
S1,获取数据:获取待识别图片。
本发明的待识别图片是通过外部其他设备发送得到的,外部其他设备可以是视频监控系统或摄像头等。
在一个实施例中,可以将接收到的视频监控系统发送的图片作为待识别图片。也可以接收摄像头发送的视频流,采集视频流中的单帧图片作为待识别图片。该摄像头优选为卡口摄像头。
S2,第一次识别:通过预设的第一分类模型对待识别图片进行分类识别,得到二分类结果,二分类结果为大中型车辆或非大中型车辆,对二分类结果为非大中型车辆标记识别为普通车辆或无车辆。
本步骤的分类识别是指模式识别技术中的分类识别技术。分类识别的输入为S1获取的待识别图片,分类识别输出为二分类结果,即是否存在大中型车辆,因此二分类结果为存在大中型车辆,或存在非大中型车辆。
在一个实施例中,步骤S2中的预设的第一分类模型为预设的YOLO目标检测模型。
通过采用以YOLO的目标检测框架,实现较为优越的二分类结果。
在一个实施例中,步骤S2中的大中型车辆包括轿车、摩托车和三轮车之外的汽车,大中型车辆包括客车和货车。
本步骤中的二分类结果以json格式描述时,数据结构如下:
其中,'confidence'是指置信度,'feature'是指特征,'postion'是指该特征在待识别图片中的定位。
在步骤S2中,通过预设的第一分类模型对待识别图片进行分类识别,得到的二分类结果为非大中型车辆,如轿车、摩托车或三轮车时,判定为不存在大中型车辆,对该待识别图片标记识别为普通车辆或无车辆。
S3,第二次识别:当二分类结果为大中型车辆后,通过预设的第二分类模型判断大中型车辆是否存在第一特殊标识,第一特殊标识的个数大于等于预设标识数量时,对大中型车辆标记识别为危险品车辆。
本步骤中的第一特殊标识具体可以为橘黄色线条,通过的第二分类模型判断大中型车辆是否存在橘黄色线条,该橘黄色线条为大中型车辆车身上的橘黄色线条。
在一个实施例中,第二分类模型优选采用残差神经网络模型,更优选采用ResNet101残差神经网络模型。
本步骤中的预设标识数量可以优选为2。
通过第二分类模型进行识别后,得到的结果可以是没有橘黄色线条,一条或多条橘黄色线条,因此本步骤对橘黄色线条的个数还进行判断。对于橘黄色线条大于或等于2条的大中型车辆标记识别为危险品车辆。对于橘黄色线条小于2条的大中型车辆将进一步进行识别判定。
S4,第三次识别:当大中型车辆存在的第一特殊标识的个数小于预设标识数量时,通过预设的第三分类模型判断大中型车辆是否存在第二特殊标识,若存在第二特殊标识,则标记识别为疑似危险品车辆,否则标记识别为普通车辆。
本步骤中对于S3识别后确定的橘黄色线条小于2条的大中型车辆进行再次识别。第三分类模型的输出为是否存在第二特殊标识,该第二特殊标识可以是菱形爆炸标志或圆形“爆”字标志等特定标志。
在一个实施例中,第三分类模型为采用经机器学习方法进行训练后的第三分类模型,该第三分类模型进行“有”与“无”的二分类,最终得到二分类结果为“有”或“无”。对于识别为“有”,即存在第二特殊标识的大中型车辆标记识别为疑似危险品车辆,对于识别为“无”,即不存在第二特殊标识的大中型车辆标记识别为普通车辆。
S5,输出:输出标记识别结果。
将最终得到的标记识别结果进行输出,输出时可以在待识别图片上进行特征对应的定位进行标记,比如方框标记等。在待识别图片上也可以直接标记识别结果,将标记识别结果的待识别图片进行输出。
本步骤标记的识别结果包括普通车辆或无车辆、危险品车辆、疑似危险品车辆三种情况。
在一个实施例中,本发明的方法还包括步骤S6,图像归一化。步骤S6在步骤S2之后,在步骤S3之前,步骤S6是可选。
S6,图像归一化:将待识别图片进行图像归一化。
具体的图像归一化过程为:
S601,将待识别图片中的大中型车辆进行提取,得到目标图像。
提取时可以根据大中型车辆的特征对应的定位信息,从待识别图片中进行提取得到去除其他无关图像的目标图像。
S602,对目标图像进行归一化处理,得到归一化处理后的图像。
本步骤优选使用图像金字塔向上采样后归一化为512*512的图像,得到归一化处理后的图像。
通过步骤S6后得到的归一化处理后的图像输入第二分类模型来判断大中型车辆是否存在第一特殊标识,通过步骤S6后得到的归一化处理后的图像输入第三分类模型来判断大中型车辆是否存在第二特殊标识。即在步骤S3中,采用预设的第二分类模型判断归一化处理后的图像中大中型车辆是否存在第一特殊标识。在步骤S4中,采用预设的第三分类模型判断归一化处理后的图像中大中型车辆是否存在第二特殊标识。
参照图2,在一个实施例中,本发明的一种识别方法过程如下:
1、获取待识别图片;
2、通过第一分类模型对待识别图片进行识别,判断待识别图片中是否存在大中型车辆;
3、若不存在大中型车辆,则输出“普通车辆/无车辆”结果;
4、若存在大中型车辆,则对待识别图片进行图像归一化;
5、通过第二分类模型对图像归一化后的图像进行识别,判断待识别图片中橘黄色线条的数量;
6、若橘黄色线条的数量不小于2条,则输出“危险品车辆”结果;
7、若橘黄色线条的数量小于2条,则通过第三分类模型对图像归一化后的图像进行识别,判断特定标志数量;
如图3中所示,该中大型车辆对应的图像中具有1条橘黄色线条,则需要继续进行特定标志数量的判断。
8、若无特定标志,则输出“普通车辆”结果;
9、若不少于1个特定标志,则输出“疑似危险品车辆”结果。
如图4中所示,该中大型车辆对应的图像中具有特定标志“爆”,则判定该中大型车辆是“疑似危险品车辆”。
在一个实施例中,本发明还提出了一种危险品车辆图像识别装置,包括:
获取数据模块,用于获取待识别图片;
第一次识别模块,用于通过预设的第一分类模型对待识别图片进行分类识别,得到二分类结果,二分类结果为大中型车辆或非大中型车辆,对二分类结果为非大中型车辆标记识别为普通车辆或无车辆;
第二次识别模块,用于当二分类结果为大中型车辆后,通过预设的第二分类模型判断大中型车辆是否存在第一特殊标识,第一特殊标识的个数大于等于预设标识数量时,对大中型车辆标记识别为危险品车辆;
第三次识别模块,用于当大中型车辆存在的第一特殊标识的个数小于预设标识数量时,通过预设的第三分类模型判断大中型车辆是否存在第二特殊标识,若存在第二特殊标识,则标记识别为疑似危险品车辆,否则标记识别为普通车辆;
输出模块,用于输出标记识别结果。
在一个实施例中,提出了一种计算机设备,包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例危险品车辆图像识别方法中的步骤。
在一个实施例中,提出了一种存储有计算机可读指令的存储介质,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述各实施例危险品车辆图像识别方法中的步骤。其中,存储介质可以为非易失性存储介质。
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,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
以上各实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种危险品车辆图像识别方法,其特征在于,包括:
获取待识别图片;
通过预设的第一分类模型对所述待识别图片进行分类识别,得到二分类结果,所述二分类结果为大中型车辆或非大中型车辆,对所述二分类结果为非大中型车辆标记识别为普通车辆或无车辆;
当所述二分类结果为大中型车辆后,通过预设的第二分类模型判断所述大中型车辆是否存在第一特殊标识,所述第一特殊标识的个数大于等于预设标识数量时,对所述大中型车辆标记识别为危险品车辆;
当所述大中型车辆存在的所述第一特殊标识的个数小于预设标识数量时,通过预设的第三分类模型判断所述大中型车辆是否存在第二特殊标识,若存在所述第二特殊标识,则标记识别为疑似危险品车辆,否则标记识别为普通车辆;
输出标记识别结果。
2.如权利要求1所述的危险品车辆图像识别方法,其特征在于,所述获取待识别图片,包括:
接收视频监控系统发送的图片作为所述待识别图片;
或接收摄像头发送的视频流,通过对所述视频流截取单帧图片作为所述待识别图片。
3.如权利要求1所述的危险品车辆图像识别方法,其特征在于,所述预设的第一分类模型为预设的YOLO目标检测模型。
4.如权利要求1所述的危险品车辆图像识别方法,其特征在于,所述大中型车辆包括轿车、摩托车和三轮车之外的汽车,所述大中型车辆包括客车和货车。
5.如权利要求1至4中任意一项所述的危险品车辆图像识别方法,其特征在于,当所述二分类结果为大中型车辆后,通过预设的第二分类模型判断所述大中型车辆是否存在第一特殊标识之前,包括当所述二分类结果为大中型车辆后,将所述待识别图片进行图像归一化:
将所述二分类结果为大中型车辆对应的待识别图片中的所述大中型车辆进行提取,得到目标图像;
对所述目标图像进行归一化处理,得到归一化处理后的图像,对所述归一化处理后的图像输入所述第二分类模型来判断所述大中型车辆是否存在第一特殊标识。
6.如权利要求5所述的危险品车辆图像识别方法,其特征在于,所述对所述目标图像进行归一化处理,包括:
使用图像金字塔向上采样后归一化为512*512的图像,得到归一化处理后的图像。
7.如权利要求5所述的危险品车辆图像识别方法,其特征在于,所述通过预设的第二分类模型判断所述大中型车辆是否存在第一特殊标识,包括:
采用预设的残差神经网络模型判断所述归一化处理后的图像中所述大中型车辆是否存在所述第一特殊标识;
所述通过预设的第三分类模型判断所述大中型车辆是否存在第二特殊标识,包括:
采用经机器学习方法进行训练后的所述第三分类模型判断所述归一化处理后的图像中所述大中型车辆是否存在所述第二特殊标识。
8.一种危险品车辆图像识别装置,其特征在于,包括:
获取数据模块,用于获取待识别图片;
第一次识别模块,用于通过预设的第一分类模型对所述待识别图片进行分类识别,得到二分类结果,所述二分类结果为大中型车辆或非大中型车辆,对所述二分类结果为非大中型车辆标记识别为普通车辆或无车辆;
第二次识别模块,用于当所述二分类结果为大中型车辆后,通过预设的第二分类模型判断所述大中型车辆是否存在第一特殊标识,所述第一特殊标识的个数大于等于预设标识数量时,对所述大中型车辆标记识别为危险品车辆;
第三次识别模块,用于当所述大中型车辆存在的所述第一特殊标识的个数小于预设标识数量时,通过预设的第三分类模型判断所述大中型车辆是否存在第二特殊标识,若存在所述第二特殊标识,则标记识别为疑似危险品车辆,否则标记识别为普通车辆;
输出模块,用于输出标记识别结果。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项权利要求所述的危险品车辆图像识别方法的步骤。
10.一种存储有计算机可读指令的存储介质,其特征在于,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述的危险品车辆图像识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110974882.1A CN113723258B (zh) | 2021-08-24 | 危险品车辆图像识别方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110974882.1A CN113723258B (zh) | 2021-08-24 | 危险品车辆图像识别方法及其相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723258A true CN113723258A (zh) | 2021-11-30 |
CN113723258B CN113723258B (zh) | 2024-05-28 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882708A (zh) * | 2022-07-11 | 2022-08-09 | 临沂市公路事业发展中心 | 一种基于监控视频的车辆识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003323689A (ja) * | 2002-05-01 | 2003-11-14 | Sumitomo Electric Ind Ltd | 特殊車両検出装置および特殊車両検出方法 |
US20150278609A1 (en) * | 2014-03-26 | 2015-10-01 | Xerox Corporation | Efficient method of offline training a special-type parked vehicle detector for video-based on-street parking occupancy detection systems |
CN105373782A (zh) * | 2015-11-16 | 2016-03-02 | 深圳市哈工大交通电子技术有限公司 | 一种从图片或者视频中自动识别危化品车辆的方法 |
US20180182126A1 (en) * | 2016-12-28 | 2018-06-28 | Nuctech Company Limited | Vehicle inspection system, and method and system for identifying part of vehicle |
DE102018123367A1 (de) * | 2018-09-24 | 2020-03-26 | Connaught Electronics Ltd. | Verfahren zum Verbessern der Fahrsicherheit basierend auf der Erkennung spezieller Schilder |
CN111523415A (zh) * | 2020-04-13 | 2020-08-11 | 北京巨视科技有限公司 | 一种基于图像的两客一危车辆检测方法和装置 |
CN111814562A (zh) * | 2020-06-11 | 2020-10-23 | 浙江大华技术股份有限公司 | 车辆的识别方法、车辆识别模型的训练方法及相关装置 |
CN112001269A (zh) * | 2020-08-03 | 2020-11-27 | 浙江大华技术股份有限公司 | 车辆识别方法、装置、计算机设备和存储介质 |
CN112861567A (zh) * | 2019-11-12 | 2021-05-28 | 上海高德威智能交通系统有限公司 | 一种车型分类方法及装置 |
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003323689A (ja) * | 2002-05-01 | 2003-11-14 | Sumitomo Electric Ind Ltd | 特殊車両検出装置および特殊車両検出方法 |
US20150278609A1 (en) * | 2014-03-26 | 2015-10-01 | Xerox Corporation | Efficient method of offline training a special-type parked vehicle detector for video-based on-street parking occupancy detection systems |
CN105373782A (zh) * | 2015-11-16 | 2016-03-02 | 深圳市哈工大交通电子技术有限公司 | 一种从图片或者视频中自动识别危化品车辆的方法 |
US20180182126A1 (en) * | 2016-12-28 | 2018-06-28 | Nuctech Company Limited | Vehicle inspection system, and method and system for identifying part of vehicle |
DE102018123367A1 (de) * | 2018-09-24 | 2020-03-26 | Connaught Electronics Ltd. | Verfahren zum Verbessern der Fahrsicherheit basierend auf der Erkennung spezieller Schilder |
CN112861567A (zh) * | 2019-11-12 | 2021-05-28 | 上海高德威智能交通系统有限公司 | 一种车型分类方法及装置 |
CN111523415A (zh) * | 2020-04-13 | 2020-08-11 | 北京巨视科技有限公司 | 一种基于图像的两客一危车辆检测方法和装置 |
CN111814562A (zh) * | 2020-06-11 | 2020-10-23 | 浙江大华技术股份有限公司 | 车辆的识别方法、车辆识别模型的训练方法及相关装置 |
CN112001269A (zh) * | 2020-08-03 | 2020-11-27 | 浙江大华技术股份有限公司 | 车辆识别方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
贾磊;: "基于深度学习的危化品车辆货物类型识别技术研究", 山西交通科技, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882708A (zh) * | 2022-07-11 | 2022-08-09 | 临沂市公路事业发展中心 | 一种基于监控视频的车辆识别方法 |
CN114882708B (zh) * | 2022-07-11 | 2022-09-30 | 临沂市公路事业发展中心 | 一种基于监控视频的车辆识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019105342A1 (zh) | 车辆套牌检测方法、装置、可读存储介质及电子设备 | |
CN110969130B (zh) | 一种基于yolov3司机危险动作识别方法及系统 | |
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 | |
CN109993138A (zh) | 一种车牌检测与识别方法及装置 | |
CN111368696A (zh) | 基于视觉协同的危化品运输车违规驾驶行为检测方法及系统 | |
CN110619277A (zh) | 一种多社区智慧布控方法以及系统 | |
CN104766042A (zh) | 交通标志板识别方法及装置 | |
KR102089298B1 (ko) | 범용 문자 시퀀스 검출을 통한 다국적 차량번호판 인식 시스템 및 그 방법 | |
WO2019144416A1 (zh) | 信息处理方法、系统、云处理设备以及计算机程序产品 | |
CN110969213A (zh) | 一种基于Faster RCNN的船只检测方法、装置及电子设备 | |
CN110826415A (zh) | 一种场景图像中车辆的重识别方法及设备 | |
CN107967445A (zh) | 一种轿车加装天窗的智能检测系统及方法 | |
CN106327876B (zh) | 一种基于行车记录仪的套牌车捕捉系统及方法 | |
CN115810134A (zh) | 一种车险反欺诈的图像采集质检方法、系统和装置 | |
CN116189063B (zh) | 一种用于智能视频监控的关键帧优化方法及装置 | |
CN114141022A (zh) | 应急车道占用行为检测方法、装置、电子设备及存储介质 | |
Amin et al. | An automatic number plate recognition of Bangladeshi vehicles | |
CN113723258A (zh) | 危险品车辆图像识别方法及其相关设备 | |
CN113723258B (zh) | 危险品车辆图像识别方法及其相关设备 | |
CN110634120B (zh) | 一种车辆损伤判别方法及装置 | |
CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN105206060A (zh) | 一种基于sift特征的车型识别装置及其方法 | |
CN113177431B (zh) | 一种基于机器视觉和深度学习的集卡防吊起方法、系统 | |
CN115880632A (zh) | 超时停留检测方法、监控设备、计算机可读存储介质和芯片 | |
Thaiparnit et al. | Tracking vehicles system based on license plate recognition |
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 |