CN113989722A - 一种渣土车合规判别方法、系统和存储介质 - Google Patents
一种渣土车合规判别方法、系统和存储介质 Download PDFInfo
- Publication number
- CN113989722A CN113989722A CN202111291549.7A CN202111291549A CN113989722A CN 113989722 A CN113989722 A CN 113989722A CN 202111291549 A CN202111291549 A CN 202111291549A CN 113989722 A CN113989722 A CN 113989722A
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- muck
- vehicle body
- pictures
- 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
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种渣土车合规判别方法、系统和存储介质。在渣土车经过的地点,采集渣土车的高清视频信息;确定渣土车的图片库;对上述图片库,进行图片有效性分析,将满足一定有效性条件的图片,判断为有效图片;对判断为有效的图片,提取图片的图像特征;与数据模板中的判别标准进行匹配判别,获取渣土车车辆车体是否存在苫盖问题的车辆车体苫盖信息M;获取车牌信息H和车标信息L;根据所获取的车辆车体苫盖信息M、车牌信息H、车标信息L,以及所获取的时域信息特征,对通过工地出入口、渣土回填点的渣土车进行合规判别。
Description
技术领域
本发明涉及人工智能领域,特别涉及智能判别领域,是一种渣土车合规判别方法、系统和存储介质。
背景技术
近20年来,随着城市现代化进程不断加快,城市建设呈井喷式发展,拆迁工地和建筑土方运输、垃圾渣土消纳量剧增,渣土运输车辆作为运输工具数量也在大幅增加,但由于其无苫盖、车辆冲洗不干净、沿途遗撒等不合规问题,影响了市容环境。
现阶段渣土车城市治理,整合城管、住建、交通、环保等车辆档案信息,利用汽车“身份证”的汽车车牌,通过在城市主要干路安装视频设备监控各个路段通过车辆的情况,实现渣土车的车牌识别、违法特征研判。通过人工判别的手段来判断车辆是否存在无苫盖、车辆冲洗不干净等不合规问题。
基于现有方法去解决渣土车不合规所造成的市容环境问题时,会导致人力成本较高,并有可能造成误判。
如何科学有效得利用智能判别技术做好渣土运输车辆治理工作,解决由渣土运输车辆所引发的破坏环境、影响市容等诸多社会问题,已经成为当前亟待解决的问题。
发明内容
针对渣土车在整个行驶过程中无苫盖、车辆冲洗不干净等不合规问题,所造成的严重的交通安全隐患和环境污染,本发明公开一种渣土车合规判别方法,所述方法包括以下步骤:
步骤1,在渣土车经过的地点,采集渣土车的高清视频信息;确定该地点的搜索域;确定渣土车经过该搜索域的时间范围,作为时域信息特征;根据渣土车的时域信息特征,获取与时域信息特征相关的视频帧,作为搜索域内渣土车的图片库;
步骤2,对上述图片库,根据其时域信息特征,进行图片有效性分析,将满足一定有效性条件的图片,判断为有效图片;对判断为有效的图片,提取图片的图像特征;与数据模板中的判别标准进行匹配判别,获取渣土车车辆车体是否存在苫盖问题的车辆车体苫盖信息M;获取车牌信息H和车标信息L;
步骤3,根据步骤2所获取的车辆车体苫盖信息M、车牌信息H、车标信息L,以及步骤1所获取的时域信息特征,对通过工地出入口、渣土回填点的渣土车进行合规判别。
在步骤1中,碴土车经过的地点,具体可以是工地出入口、渣土回填点;更进一步地,可以是工地出入口、渣土回填点的车辆冲洗池前方;采集渣土车的高清视频信息,具体可以是安装微卡口摄像机,对微卡口采集视频,对视频中的图像信息进行分析处理;搜索域,具体可以是冲洗池区域;渣土车的时域信息特征,具体可以是渣土车经过冲洗池的冲洗时间。
在步骤1中,其具体步骤可以包括,在工地出入口、渣土回填点的车辆冲洗池前方安装微卡口摄像机,通过微卡口摄像机采集渣土车出入高清视频信息;采集高清视频图像进行冲洗池区域确定;假设在t时刻车辆驶入S区域,t′时刻车辆驶离冲洗池,定位车牌,其冲洗时间Δt=t′-t;对Δt时间内车辆对应S区域构建图片库P={P1,P2,Λ,Pn}Δt,其中P1,P2,......,Pn表示n个图片,n∈N。
步骤2可以包括如下子步骤:
步骤2.1,根据其时域信息特征,进行图片有效性分析,将满足一定有效性条件的图片,判断为有效图片;
步骤2.2,对判断为有效的图片,提取图片的图像特征;对搜索域内渣土车的图片库,将图片转换为灰度图像;对图片进行网格划分,计算每个网格内像素点灰度的均值,依据各个网格灰度均值属性标签确定图片库中基元的特征向量;
步骤2.3,将样本从原始空间映射到一个更高维的特征空间,使得样本在这个特征空间内线性可分;
步骤2.6,获取车牌信息H和车标信息L。
其中,步骤2.1具体可以是:分析搜索域面积与车型尺寸的时域比例关系;计算好搜索域与车型尺寸的时域比例关系后,可以将每个图片的时域比例关系与预先设置的阈值进行对比,将满足预先设置的阈值条件的图片,标记为有效图片。
其中,步骤2.2具体可以是:对判断为有效的图片,提取图片的图像特征;具体可以是描绘车辆的最终的轮廓边缘,从而实现对车辆轮廓边缘的细化;
若原始图片Pn为24位RGB真彩图像,先将图片转换为灰度图像,转换公式为:
Gray=0.299R+0.587G+0.114B(1),
式中:Gray为变换后像素点的灰度值;R、G、B分别为变换前像素点的红色分量、绿色分量、蓝色分量值;
将图片进行40*40网格划分,计算每个网格内像素点灰度的均值,依据各个网格灰度均值属性标签确定图片库中基元的特征向量;建立搜索域S的特征向量样本集Pn(xi,yi)Δt;i=1,2,3,...,n;xi∈Rd,yi∈{+1,-1}是类别标号。
其中,步骤2.3具体可以是:令φ(x)表示将x映射后的特征向量,在特征空间中划分超平面(w,b)所对应的模型可表示为:
f(x)=wTφ(x)+b(2),其中w,b是超平面参数,w是列向量,b是一个实数,
根据公式(2),有:
其对偶问题是:
拉格朗日乘子C即惩罚系数,其大小表示对分错的点加入多少惩罚;当C较大时,分错的点则会变少,但过拟合的情况会较为严重,当C较小时,分错的点增多,由此得到的车辆轮廓边缘模型也会不准确。
具体地,在车辆合规识别中,C取1时识别率较低,C取10时识别效果达到最佳点,然而C再增加到50一直到100,识别率均保持不变;因此惩罚系数C取10。
通过匹配计算得出待测数据的决策值,匹配计算完所有的分类器,累计各类别的得分,选择得分最高者为的所属类别,最后将该类别作为最终识别的决策结果,获取车辆车体苫盖信息M。
步骤2.6具体可以是:输入车牌字符模板的特征向量集x′,通过决策函数进行匹配,提取所识别字符信息,对其进行整理,获取车牌信息H,实现车牌识别。
输入车标字符模板的特征向量集x″,通过决策函数进行匹配,提取所识别字符信息,对其进行整理,获取车标信息L,实现车标识别。
步骤3具体可以是:根据步骤2所获取的车辆车体苫盖信息M、车牌信息H、车标信息L,以及车辆经过冲洗区域的冲洗时间Δt,对通过工地出入口、渣土回填点的渣土车进行合规判别;其决策函数为:
S为最小的合规冲洗时间,当Δt≥S时,表示车辆经过冲洗区域的冲洗时间超过规定冲洗最短时间,即已经冲洗干净;当M=1时,表示车辆车体没有苫盖问题;Q为车辆运营报备信息集合,当H∈Q时,表示车辆是已经报备过的合法运营建筑垃圾运营车辆;当L=1时,表示车辆车标识别为“建筑垃圾运输”;即车辆车体不存在问题,则判别为合规。
本发明还公开了一种渣土车合规判别系统,包括:
时域信息采集和图片库构建模块;在渣土车经过的地点,采集渣土车的高清视频信息;确定该地点的搜索域;确定渣土车经过该搜索域的时间范围,作为时域信息特征;根据渣土车的时域信息特征,获取与时域信息特征相关的视频帧,作为搜索域内渣土车的图片库;
车辆车体问题、车牌信息、车标信息获取模块;对上述图片库,根据其时域信息特征,进行图片有效性分析,将满足一定有效性条件的图片,判断为有效图片;对判断为有效的图片,提取图片的图像特征;与数据模板中的判别标准进行匹配判别,获取渣土车车辆车体是否存在苫盖问题的车辆车体苫盖信息M;获取车牌信息H和车标信息L;
合规判别模块;根据车辆车体苫盖信息M、车牌信息H、车标信息L,以及时域信息特征,对通过工地出入口、渣土回填点的渣土车进行合规判别。
为解决上述技术问题,本发明提供的一种计算机可读存储介质,其特征在于,
所述存储介质中存储有多条指令;所述多条指令,用于由处理器加载并执行上述渣土车合规判别方法。
本发明通过对工地出入口、渣土回填点等渣土车出入点安装微卡口视频录像,并对其进行车牌、车标、车体苫盖、车体冲洗干净进行判别,与车辆运营的报备信息与渣土运输车辆管理的实际业务相结合,判断其是否合规。所建模型所需的图像库容量小,识别耗费时间短,准确率高,模型对图像灰度梯度的依赖性小。
采用上述技术方案,本发明提供的渣土车合规判别方法、系统和存储介质,分析其图像信息与时域信息特征,获得对被测渣土车的一致性解释与描述,进而实现相应的决策和估计,使系统获得比它的各组成部分更充分的信息,进行渣土车的车辆信息、合规清洁冲洗特征研判等不合规问题,有效的从源头上解决渣土运输车辆治理问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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是渣土车视频采集安装示意图;
图2是算法结构示意图;
图3是车辆轮廓边缘灰度图像;
图4是超平面模型示意图;
图5车辆车牌灰度图像;
图6车辆车标灰度图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,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。
步骤1:如图1所示,在工地出入口、渣土回填点的车辆冲洗池前方安装微卡口摄像机,通过微卡口摄像机采集渣土车出入高清视频信息。所采集高清视频图像进行冲洗池区域确定;假设在t时刻车辆驶入S区域时,t′时刻车辆驶离冲洗池,定位车牌,其冲洗时间Δt=t′-t;对Δt时间内车辆对应S区域构建图片库P={P1,P2,Λ,Pn}Δt,其中P1,P2,......,Pn表示n个图片,n∈N。
步骤2:根据搜索域S区域面积与车型比例关系,当车辆即将离开S区域时,车体在S区域占比最大,图片有效分析结果最可信;如图2所示,描绘车辆的最终的轮廓边缘,从而实现对车辆轮廓边缘的细化,与数据模板中标准苫盖车体模板进行匹配判别,通过分类判别函数和分类规划,实现对车体的识别。
如图3所示,若原始图Pn为24位RGB真彩图像,先将图像转换为灰度图像,转换公式为:
Gray=0.299R+0.587G+0.114B(1)
式中:Gray为变换后像素点的灰度值;R、G、B分别为变换前像素点的红色分量、绿色分量、蓝色分量值。
然后将图片进行40*40网格划分,计算每个网格内像素点灰度的均值,依据各个网格灰度均值属性标签确定图片库中基元的特征向量;同理建立搜索域S的特征向量样本集Pn(xi,yi)Δt;n=n,n-1,n-2,...,1;i=1,2,3,...,n;xi∈Rd,yi∈{+1,-1}是类别标号。
因原样本空间不是线性可分的,将样本从原始空间映射到一个更高维的特征空间,使得样本在这个特征空间内线性可分;如果原始空间是有限维,即属性数有限,将其映射到使样本可分的高维特征空;令φ(x)表示将x映射后的特征向量,如图4所示,在特征空间中划分超平面(w,b)所对应的模型可表示为:
f(x)=wTφ(x)+b(2),其中w,b是超平面参数,w是列向量,b是一个实数,
根据公式(2),有:
其对偶问题是:
拉格朗日乘子C即惩罚系数,其大小表示对分错的点加入多少惩罚;当C较大时,分错的点则会变少,但过拟合的情况会较为严重,当C较小时,分错的点增多,由此得到的车辆轮廓边缘模型也会不准确。
具体地,在车车辆识别中,C取1时识别率较低,C取10时识别效果达到最佳点,然而C再增加到50一直到100,识别率均保持不变;因此惩罚系数C取10。
通过匹配计算得出待测数据的决策值,匹配计算完所有的分类器,累计各类别的得分,选择得分最高者为的所属类别,最后将该类别作为最终识别的决策结果,从而实现对车辆轮廓边缘的细化,实现对车辆车体苫盖识别,获取车辆车体苫盖信息M;
具体地,M的取值可以是,车辆车体没有问题时M=1。车辆车体有问题时M=0。
同理,如图5所示,输入车牌字符模板的特征向量集x′,通过决策函数(式.5)进行匹配,提取所识别字符信息,对其进行整理,获取车牌信息H,实现车牌识别。
同理,如图5所示,输入车标字符模板的特征向量集x″,通过决策函数(式.5)进行匹配,提取所识别字符信息,对其进行整理,获取车标信息L,实现车标识别。
步骤3:根据步骤2所获取的车辆车体苫盖信息M、车牌信息H、车标信息L,以及车辆经过冲洗区域的冲洗时间Δt,对通过工地出入口、渣土回填点等渣土车进行合规判别;其决策函数为:
S为最小的合规冲洗时间,当Δt≥S时,表示车辆经过冲洗区域的冲洗时间超过规定冲洗最短时间,即已经冲洗干净;当M=1时,表示车辆车体没有苫盖问题;Q为车辆运营报备信息集合,当H∈Q时,表示车辆是已经报备过的合法运营建筑垃圾运营车辆;当L=1时,表示车辆车标识别为“建筑垃圾运输”;即车辆车体不存在问题,则判别为合规。用大量真车试验图片对模型进行测试,结果表明:所建模型所需的图像库容量小,识别耗费时间短,准确率高。模型对图像灰度梯度的依赖性小。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (10)
1.一种渣土车合规判别方法,其特征在于,
步骤1,在渣土车经过的地点,采集渣土车的高清视频信息;确定该地点的搜索域;确定渣土车经过该搜索域的时间范围,作为时域信息特征;根据渣土车的时域信息特征,获取与时域信息特征相关的视频帧,作为搜索域内渣土车的图片库;
步骤2,对上述图片库,根据其时域信息特征,进行图片有效性分析,将满足一定有效性条件的图片,判断为有效图片;对判断为有效的图片,提取图片的图像特征;与数据模板中的判别标准进行匹配判别,获取渣土车车辆车体是否存在苫盖问题的车辆车体苫盖信息M;获取车牌信息H和车标信息L;
步骤3,根据步骤2所获取的车辆车体苫盖信息M、车牌信息H、车标信息L,以及步骤1所获取的时域信息特征,对通过工地出入口、渣土回填点的渣土车进行合规判别。
2.根据权利要求1所述的方法,其特征在于,步骤1中,
渣土车经过的地点,具体可以是工地出入口、渣土回填点;更进一步地,渣土车经过的地点可以是工地出入口、渣土回填点的车辆冲洗池前方;采集渣土车的高清视频信息,具体可以是安装微卡口摄像机,对微卡口采集视频,对视频中的图像信息进行分析处理;搜索域,具体可以是冲洗池区域;渣土车的时域信息特征,具体可以是渣土车经过冲洗池的冲洗时间。
3.根据权利要求2所述的方法,其特征在于,步骤1中,
在工地出入口、渣土回填点的车辆冲洗池前方安装微卡口摄像机,通过微卡口摄像机采集渣土车出入高清视频信息;采集高清视频图像进行冲洗池区域确定;假设在t时刻车辆驶入S区域,t′时刻车辆驶离冲洗池,定位车牌,其冲洗时间Δt=t′-t;对Δt时间内车辆对应S区域构建图片库P={P1,P2,......,Pn}Δt,其中P1,P2,......,Pn表示n个图片,n∈N。
4.根据权利要求1所述的方法,其特征在于,步骤2可以包括如下子步骤:
步骤2.1,根据其时域信息特征,进行图片有效性分析,将满足一定有效性条件的图片,判断为有效图片;
步骤2.2,对判断为有效的图片,提取图片的图像特征;对搜索域内渣土车的图片库,将图片转换为灰度图像;对图片进行网格划分,计算每个网格内像素点灰度的均值,依据各个网格灰度均值属性标签确定图片库中基元的特征向量;
步骤2.3,将样本从原始空间映射到一个更高维的特征空间,使得样本在这个特征空间内线性可分;
步骤2.6,获取车牌信息H和车标信息L。
6.根据权利要求4所述的方法,其特征在于,步骤2.1具体可以是:分析搜索域面积与车型尺寸的时域比例关系;计算好搜索域与车型尺寸的时域比例关系后,可以将每个图片的时域比例关系与预先设置的阈值进行对比,将满足预先设置的阈值条件的图片,标记为有效图片;
步骤2.2具体可以是:对判断为有效的图片,提取图片的图像特征;具体可以是描绘车辆的最终的轮廓边缘,从而实现对车辆轮廓边缘的细化;
若原始图片Pn为24位RGB真彩图像,先将图片转换为灰度图像,转换公式为:
Gray=0.299R+0.587G+0.114B (1),
式中:Gray为变换后像素点的灰度值;R、G、B分别为变换前像素点的红色分量、绿色分量、蓝色分量值;
将图片进行40*40网格划分,计算每个网格内像素点灰度的均值,依据各个网格灰度均值属性标签确定图片库中基元的特征向量;建立搜索域S的特征向量样本集Pn(xi,yi)Δt;i=1,2,3,...,n;xi∈Rd,yi∈{+1,-1}是类别标号。
9.一种渣土车合规判别系统,其特征在于,包括:
时域信息采集和图片库构建模块;在渣土车经过的地点,采集渣土车的高清视频信息;确定该地点的搜索域;确定渣土车经过该搜索域的时间范围,作为时域信息特征;根据渣土车的时域信息特征,获取与时域信息特征相关的视频帧,作为搜索域内渣土车的图片库;
车辆车体问题、车牌信息、车标信息获取模块;对上述图片库,根据其时域信息特征,进行图片有效性分析,将满足一定有效性条件的图片,判断为有效图片;对判断为有效的图片,提取图片的图像特征;与数据模板中的判别标准进行匹配判别,获取渣土车车辆车体是否存在苫盖问题的车辆车体苫盖信息M;获取车牌信息H和车标信息L;
合规判别模块;根据车辆车体苫盖信息M、车牌信息H、车标信息L,以及时域信息特征,对通过工地出入口、渣土回填点的渣土车进行合规判别。
10.一种计算机可读存储介质,其特征在于,
所述存储介质中存储有多条指令;所述多条指令,用于由处理器加载并执行上述权利要求1-8任一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111291549.7A CN113989722A (zh) | 2021-11-03 | 2021-11-03 | 一种渣土车合规判别方法、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111291549.7A CN113989722A (zh) | 2021-11-03 | 2021-11-03 | 一种渣土车合规判别方法、系统和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989722A true CN113989722A (zh) | 2022-01-28 |
Family
ID=79745991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111291549.7A Pending CN113989722A (zh) | 2021-11-03 | 2021-11-03 | 一种渣土车合规判别方法、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989722A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821485A (zh) * | 2022-06-28 | 2022-07-29 | 中关村科学城城市大脑股份有限公司 | 施工现场裸露识别处理方法、装置、电子设备及存储介质 |
CN115064000A (zh) * | 2022-08-18 | 2022-09-16 | 中关村科学城城市大脑股份有限公司 | 渣土车定位坐标识别系统 |
CN117392618A (zh) * | 2023-09-27 | 2024-01-12 | 重庆欣荣土地房屋勘测技术研究所有限责任公司 | 一种基于大数据的储备土地智慧管护平台 |
-
2021
- 2021-11-03 CN CN202111291549.7A patent/CN113989722A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821485A (zh) * | 2022-06-28 | 2022-07-29 | 中关村科学城城市大脑股份有限公司 | 施工现场裸露识别处理方法、装置、电子设备及存储介质 |
CN115064000A (zh) * | 2022-08-18 | 2022-09-16 | 中关村科学城城市大脑股份有限公司 | 渣土车定位坐标识别系统 |
CN115064000B (zh) * | 2022-08-18 | 2022-11-01 | 中关村科学城城市大脑股份有限公司 | 渣土车定位坐标识别系统 |
CN117392618A (zh) * | 2023-09-27 | 2024-01-12 | 重庆欣荣土地房屋勘测技术研究所有限责任公司 | 一种基于大数据的储备土地智慧管护平台 |
CN117392618B (zh) * | 2023-09-27 | 2024-05-07 | 重庆欣荣土地房屋勘测技术研究所有限责任公司 | 一种基于大数据的储备土地智慧管护平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Survey on performance of deep learning models for detecting road damages using multiple dashcam image resources | |
CN110533684B (zh) | 一种染色体核型图像切割方法 | |
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN111444821B (zh) | 一种城市道路标志自动识别方法 | |
CN113989722A (zh) | 一种渣土车合规判别方法、系统和存储介质 | |
CN109816024B (zh) | 一种基于多尺度特征融合与dcnn的实时车标检测方法 | |
CN105373794B (zh) | 一种车牌识别方法 | |
Chen et al. | Vehicle detection, tracking and classification in urban traffic | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN112329569B (zh) | 一种基于图像深度学习系统的货运车辆状态实时识别方法 | |
CN110826429A (zh) | 一种基于景区视频的旅游突发事件自动监测的方法及系统 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN105046259B (zh) | 基于多特征融合的日冕物质抛射检测方法 | |
CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
CN114882400A (zh) | 一种基于ai智能机器视觉技术的骨料检测分类方法 | |
CN116109986A (zh) | 一种基于激光雷达和视频技术互补的车辆轨迹提取方法 | |
CN106845458A (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
CN115035442A (zh) | 基于改进的YOLOv3网络的垃圾分类收运监管方法 | |
de Almeida et al. | Vehicle occurrence-based parking space detection | |
Cano-Ortiz et al. | An end-to-end computer vision system based on deep learning for pavement distress detection and quantification | |
Pratomo et al. | Parking detection system using background subtraction and HSV color segmentation | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN111881833A (zh) | 一种车辆检测方法、装置、设备及存储介质 | |
CN115359346B (zh) | 基于街景图片的小微空间识别方法、装置及电子设备 | |
Li et al. | A video-based algorithm for moving objects detection at signalized intersection |
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 |