CN114419552A - 基于目标检测的违章车辆追踪方法及系统 - Google Patents
基于目标检测的违章车辆追踪方法及系统 Download PDFInfo
- Publication number
- CN114419552A CN114419552A CN202210054049.XA CN202210054049A CN114419552A CN 114419552 A CN114419552 A CN 114419552A CN 202210054049 A CN202210054049 A CN 202210054049A CN 114419552 A CN114419552 A CN 114419552A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- target vehicle
- license plate
- violation
- 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
- G06F18/21—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于目标检测的违章车辆追踪方法及系统，其中所述方法包括：获取待监测视频；对待监测视频进行车辆违规行为识别，将识别出来的违规车辆作为目标车辆；对目标车辆进行车牌识别，得到目标车辆的车牌特征；对目标车辆进行车辆特征识别，得到目标车辆的车辆特征；将车牌特征与车辆特征进行特征融合，得到目标车辆的融合特征；基于目标车辆的融合特征，在待监测视频的后续帧图像中，对目标车辆进行跟踪，分析目标车辆的行动路线，对目标车辆的位置进行定位。当发现违章车辆之后，迅速对车辆进行车牌识别以及车辆特征识别，然后在全城的交通摄像头锁定车辆踪迹，进行定位跟踪。
Description
技术领域
本发明涉及目标追踪技术领域，特别是涉及基于目标检测的违章车辆追踪方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
交通检测系统时智慧交通的重要环节，可以采集城市道路交通的各种参数。近年来，私家车的数量急剧增长，各地城市交通都面临着极大的压力，于此同时，交通事故率也越来越高，肇事逃逸等情况也越来越多。
发明人发现，目前已经存在基于视频的车辆检测方法，包括帧间差分法、光流场法、背景差法等，但是其方法准确率低、速度慢无法及时跟踪。
现有技术，要么使用非深度学习的方法，检测准确率较低，使得追踪准确率低下，使用深度学习的模型较大，检测速度较慢，实时性较低。
已存在的车辆跟踪方法，未使用深度学习方法或者使用检测速度较慢、准确率较低的深度学习方法，无法准确且及时的检测出违规车辆并进行监测追踪。
发明内容
为了解决现有技术的不足，本发明提供了基于目标检测的违章车辆追踪方法及系统；本发明针对城市交通违章频发并可能存在逃逸的问题，提出了一种基于目标检测的违章车辆追踪系统。当发现违章车辆之后，迅速对车辆进行车牌识别以及车辆特征识别，然后在全城的交通摄像头锁定车辆踪迹，进行定位跟踪。
第一方面，本发明提供了基于目标检测的违章车辆追踪方法；
基于目标检测的违章车辆追踪方法，包括：
获取待监测视频；对待监测视频进行车辆违规行为识别，将识别出来的违规车辆作为目标车辆；
对目标车辆进行车牌识别，得到目标车辆的车牌特征；对目标车辆进行车辆特征识别，得到目标车辆的车辆特征；将车牌特征与车辆特征进行特征融合，得到目标车辆的融合特征；
基于目标车辆的融合特征，在待监测视频的后续帧图像中，对目标车辆进行跟踪，分析目标车辆的行动路线，对目标车辆的位置进行定位。
第二方面，本发明提供了基于目标检测的违章车辆追踪系统；
基于目标检测的违章车辆追踪系统，包括：
获取模块，其被配置为：获取待监测视频；对待监测视频进行车辆违规行为识别，将识别出来的违规车辆作为目标车辆；
特征融合模块，其被配置为：对目标车辆进行车牌识别，得到目标车辆的车牌特征；对目标车辆进行车辆特征识别，得到目标车辆的车辆特征；将车牌特征与车辆特征进行特征融合，得到目标车辆的融合特征；
车辆追踪模块，其被配置为：基于目标车辆的融合特征，在待监测视频的后续帧图像中，对目标车辆进行跟踪，分析目标车辆的行动路线，对目标车辆的位置进行定位。
第三方面，本发明还提供了一种电子设备，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
第四方面，本发明还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
第五方面，本发明还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
与现有技术相比，本发明的有益效果是：
1、基于深度学习Yolov5算法，利用城市各地收集的车辆数据建立深度学习模型，训练出高准确率的模型，为违规车辆的检测提供精准模型；
2、基于大数据分析，获取到车辆的信息之后调用可能存在的路口的摄像头试试监测违规车辆进行分析跟踪；
3、本发明准确率高，实现智慧交通，智能车辆跟踪。
4、本发明利用yolov5目标检测算法以及车牌检测算法，可以准确实时检测出违规车辆，并利用大数据分析车辆轨迹调用相关的摄像头分析跟踪轨迹，有效提升了追踪的准确率和及时性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为实施例一的方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
实施例一
本实施例提供了基于目标检测的违章车辆追踪方法；
如图1所示，基于目标检测的违章车辆追踪方法，包括：
S101：获取待监测视频；对待监测视频进行车辆违规行为识别，将识别出来的违规车辆作为目标车辆；
S102：对目标车辆进行车牌识别，得到目标车辆的车牌特征；对目标车辆进行车辆特征识别，得到目标车辆的车辆特征；将车牌特征与车辆特征进行特征融合，得到目标车辆的融合特征；
S103：基于目标车辆的融合特征，在待监测视频的后续帧图像中，对目标车辆进行跟踪，分析目标车辆的行动路线，对目标车辆的位置进行定位。
进一步地，所述S101：获取待监测视频；具体是：
采用高速摄像头对公路上的车辆进行视频采集；其中，摄像头安装在交通信号灯杆上。
进一步地，所述S101：对待监测视频进行车辆违规行为识别，将识别出来的违规车辆作为目标车辆；具体包括：
采用训练后的第一深度学习模型，对待监测视频进行车辆违规行为识别，将识别出来的违规车辆作为目标车辆。
进一步地，所述训练后的第一深度学习模型，训练过程包括：
构建第一深度学习模型；其中，第一深度学习模型为Yolov5模型；
构建第一训练集；其中，所述第一训练集为已知车辆违规行为标签的车辆图像；所述车辆违规行为标签，包括：遮挡号牌的车辆、无后视镜的车辆或超载车辆；
采用第一训练集对第一深度学习模型进行训练，当第一损失函数值停止下降时，得到训练后的第一深度学习模型。
进一步地，S102：对目标车辆进行车牌识别，得到目标车辆的车牌特征；具体包括：
采用训练后的第二深度学习模型，对目标车辆进行车牌识别，得到目标车辆的车牌特征。
进一步地，所述训练后的第二深度学习模型，训练过程包括：
构建第二深度学习模型；其中，第二深度学习模型为支持向量机模型；
构建第二训练集；其中，第二训练集为已知车牌识别结果的车辆图像；所述车牌识别结果，包括：汉字、数字和字母的组合；
采用第二训练集对第二深度学习模型进行训练，当第二损失函数值停止下降时，得到训练后的第二深度学习模型。
进一步地，S102：对目标车辆进行车辆特征识别，得到目标车辆的车辆特征；具体包括：
采用训练后的第三深度学习模型，对目标车辆进行车辆特征识别，得到目标车辆的车辆特征。
进一步地，所述训练后的第三深度学习模型，训练过程包括：
构建第三深度学习模型；其中，第三深度学习模型为卷积神经网络；
构建第三训练集；其中，第三训练集为已知车辆特征的车辆图像；所述车辆特征，包括：颜色特征、纹理特征或尺寸特征；
采用第三训练集对第三深度学习模型进行训练，当第三损失函数值停止下降时，得到训练后的第三深度学习模型。
进一步地，S102：将车牌特征与车辆特征进行特征融合，得到目标车辆的融合特征；具体的特征融合方式为串联融合。
进一步地，基于目标车辆的融合特征，在待监测视频的后续帧图像中，对目标车辆进行跟踪，分析目标车辆的行动路线，对目标车辆的位置进行定位；具体包括：
在待监测视频的后续帧图像中，提取每一帧图像中每一个被检测车辆的车牌特征；并且，提取每一帧图像中每一个被检测车辆的车辆特征；
将每一个被检测车辆的车牌特征与车辆特征进行特征融合，得到每一个被检测车辆的融合特征；
计算每一个被检测车辆的融合特征与目标车辆的融合特征之间的欧式距离，将欧式距离视为相似度，距离越小表示相似度越高，将相似度最高的被检测车辆作为目标车辆的重识别结果输出；
将每一帧的目标车辆重识别结果进行车辆位置经纬度提取，将所提取出的经纬度进行连线，得到目标车辆的行动路线，进而对目标车辆的当前位置进行定位。
Yolov5是目前流行的深度学习目标检测算法，具有高准确率、速度快的特性，实时检测准确率可以达到45fps以上，完全可以达到实时监测的目的。
实施例二
本实施例提供了基于目标检测的违章车辆追踪系统；
基于目标检测的违章车辆追踪系统，包括：
获取模块，其被配置为：获取待监测视频；对待监测视频进行车辆违规行为识别，将识别出来的违规车辆作为目标车辆；
特征融合模块，其被配置为：对目标车辆进行车牌识别，得到目标车辆的车牌特征；对目标车辆进行车辆特征识别，得到目标车辆的车辆特征；将车牌特征与车辆特征进行特征融合，得到目标车辆的融合特征；
车辆追踪模块，其被配置为：基于目标车辆的融合特征，在待监测视频的后续帧图像中，对目标车辆进行跟踪，分析目标车辆的行动路线，对目标车辆的位置进行定位。
此处需要说明的是，上述获取模块、特征融合模块和车辆追踪模块对应于实施例一中的步骤S101至S103，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于目标检测的违章车辆追踪方法，其特征是，包括：
获取待监测视频；对待监测视频进行车辆违规行为识别，将识别出来的违规车辆作为目标车辆；
对目标车辆进行车牌识别，得到目标车辆的车牌特征；对目标车辆进行车辆特征识别，得到目标车辆的车辆特征；将车牌特征与车辆特征进行特征融合，得到目标车辆的融合特征；
基于目标车辆的融合特征，在待监测视频的后续帧图像中，对目标车辆进行跟踪，分析目标车辆的行动路线，对目标车辆的位置进行定位。
2.如权利要求1所述的基于目标检测的违章车辆追踪方法，其特征是，对待监测视频进行车辆违规行为识别，将识别出来的违规车辆作为目标车辆；具体包括：
采用训练后的第一深度学习模型，对待监测视频进行车辆违规行为识别，将识别出来的违规车辆作为目标车辆。
3.如权利要求2所述的基于目标检测的违章车辆追踪方法，其特征是，所述训练后的第一深度学习模型，训练过程包括：
构建第一深度学习模型；其中，第一深度学习模型为Yolov5模型；
构建第一训练集；其中，所述第一训练集为已知车辆违规行为标签的车辆图像；所述车辆违规行为标签，包括：遮挡号牌的车辆、无后视镜的车辆或超载车辆；
采用第一训练集对第一深度学习模型进行训练，当第一损失函数值停止下降时，得到训练后的第一深度学习模型。
4.如权利要求1所述的基于目标检测的违章车辆追踪方法，其特征是，对目标车辆进行车牌识别，得到目标车辆的车牌特征；具体包括：
采用训练后的第二深度学习模型，对目标车辆进行车牌识别，得到目标车辆的车牌特征；
所述训练后的第二深度学习模型，训练过程包括：
构建第二深度学习模型；其中，第二深度学习模型为支持向量机模型；
构建第二训练集；其中，第二训练集为已知车牌识别结果的车辆图像；所述车牌识别结果，包括：汉字、数字和字母的组合；
采用第二训练集对第二深度学习模型进行训练，当第二损失函数值停止下降时，得到训练后的第二深度学习模型。
5.如权利要求1所述的基于目标检测的违章车辆追踪方法，其特征是，对目标车辆进行车辆特征识别，得到目标车辆的车辆特征；具体包括：
采用训练后的第三深度学习模型，对目标车辆进行车辆特征识别，得到目标车辆的车辆特征；
所述训练后的第三深度学习模型，训练过程包括：
构建第三深度学习模型；其中，第三深度学习模型为卷积神经网络；
构建第三训练集；其中，第三训练集为已知车辆特征的车辆图像；所述车辆特征，包括：颜色特征、纹理特征或尺寸特征；
采用第三训练集对第三深度学习模型进行训练，当第三损失函数值停止下降时，得到训练后的第三深度学习模型。
6.如权利要求1所述的基于目标检测的违章车辆追踪方法，其特征是，将车牌特征与车辆特征进行特征融合，得到目标车辆的融合特征；具体的特征融合方式为串联融合。
7.如权利要求1所述的基于目标检测的违章车辆追踪方法，其特征是，基于目标车辆的融合特征，在待监测视频的后续帧图像中，对目标车辆进行跟踪，分析目标车辆的行动路线，对目标车辆的位置进行定位；具体包括：
在待监测视频的后续帧图像中，提取每一帧图像中每一个被检测车辆的车牌特征；并且，提取每一帧图像中每一个被检测车辆的车辆特征；
将每一个被检测车辆的车牌特征与车辆特征进行特征融合，得到每一个被检测车辆的融合特征；
计算每一个被检测车辆的融合特征与目标车辆的融合特征之间的欧式距离，将欧式距离视为相似度，距离越小表示相似度越高，将相似度最高的被检测车辆作为目标车辆的重识别结果输出；
将每一帧的目标车辆重识别结果进行车辆位置经纬度提取，将所提取出的经纬度进行连线，得到目标车辆的行动路线，进而对目标车辆的当前位置进行定位。
8.基于目标检测的违章车辆追踪系统，其特征是，包括：
获取模块，其被配置为：获取待监测视频；对待监测视频进行车辆违规行为识别，将识别出来的违规车辆作为目标车辆；
特征融合模块，其被配置为：对目标车辆进行车牌识别，得到目标车辆的车牌特征；对目标车辆进行车辆特征识别，得到目标车辆的车辆特征；将车牌特征与车辆特征进行特征融合，得到目标车辆的融合特征；
车辆追踪模块，其被配置为：基于目标车辆的融合特征，在待监测视频的后续帧图像中，对目标车辆进行跟踪，分析目标车辆的行动路线，对目标车辆的位置进行定位。
9.一种电子设备，其特征是，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1-7任一项所述的方法。
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210054049.XA CN114419552A (zh) | 2022-01-18 | 2022-01-18 | 基于目标检测的违章车辆追踪方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210054049.XA CN114419552A (zh) | 2022-01-18 | 2022-01-18 | 基于目标检测的违章车辆追踪方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114419552A true CN114419552A (zh) | 2022-04-29 |
Family
ID=81273741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210054049.XA Pending CN114419552A (zh) | 2022-01-18 | 2022-01-18 | 基于目标检测的违章车辆追踪方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114419552A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115240434A (zh) * | 2022-06-16 | 2022-10-25 | 安徽超清科技股份有限公司 | 一种基于大数据的车辆跟踪系统 |
| CN115294560A (zh) * | 2022-08-10 | 2022-11-04 | 青岛文达通科技股份有限公司 | 基于属性匹配与运动轨迹预测的车辆跟踪方法及系统 |
| CN115588170A (zh) * | 2022-11-29 | 2023-01-10 | 城云科技（中国）有限公司 | 渣土车重识别方法及其应用 |
| CN116071688A (zh) * | 2023-03-06 | 2023-05-05 | 台州天视智能科技有限公司 | 一种车辆的行为分析方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-18 CN CN202210054049.XA patent/CN114419552A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115240434A (zh) * | 2022-06-16 | 2022-10-25 | 安徽超清科技股份有限公司 | 一种基于大数据的车辆跟踪系统 |
| CN115294560A (zh) * | 2022-08-10 | 2022-11-04 | 青岛文达通科技股份有限公司 | 基于属性匹配与运动轨迹预测的车辆跟踪方法及系统 |
| CN115294560B (zh) * | 2022-08-10 | 2024-03-01 | 青岛文达通科技股份有限公司 | 基于属性匹配与运动轨迹预测的车辆跟踪方法及系统 |
| CN115588170A (zh) * | 2022-11-29 | 2023-01-10 | 城云科技（中国）有限公司 | 渣土车重识别方法及其应用 |
| CN115588170B (zh) * | 2022-11-29 | 2023-02-17 | 城云科技（中国）有限公司 | 渣土车重识别方法及其应用 |
| CN116071688A (zh) * | 2023-03-06 | 2023-05-05 | 台州天视智能科技有限公司 | 一种车辆的行为分析方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114419552A (zh) | 基于目标检测的违章车辆追踪方法及系统 | |
| WO2020042984A1 (zh) | 一种车辆行为检测方法及装置 | |
| KR102015947B1 (ko) | 자율주행을 위한 학습대상 이미지 추출 장치 및 방법 | |
| CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
| CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
| CN106652468A (zh) | 车辆道路前车违规检测和自车违规预警提醒装置及方法 | |
| WO2019223655A1 (zh) | 非机动车载人的检测 | |
| EP3751480A1 (en) | System and method for detecting on-street parking violations | |
| CN110956081B (zh) | 车辆与交通标线位置关系的识别方法、装置及存储介质 | |
| KR102015945B1 (ko) | 자율주행을 위한 학습대상 이미지 패키징 장치 및 방법 | |
| US11482012B2 (en) | Method for driving assistance and mobile device using the method | |
| CN114005074B (zh) | 交通事故的确定方法、装置及电子设备 | |
| CN113723273A (zh) | 一种车辆轨迹信息确定方法、装置及计算机设备 | |
| CN112651326B (zh) | 一种基于深度学习的驾驶员手部检测方法及系统 | |
| CN110751040A (zh) | 一种三维物体的检测方法和装置、电子设备、存储介质 | |
| CN111145569A (zh) | 一种道路监测、车辆行驶控制方法、装置及车路协同系统 | |
| CN111079621A (zh) | 检测对象的方法、装置、电子设备和存储介质 | |
| CN112949470A (zh) | 车辆变道转向灯识别方法、装置、设备及存储介质 | |
| CN114937248A (zh) | 用于跨相机的车辆跟踪方法、装置、电子设备、存储介质 | |
| CN112784817B (zh) | 车辆所在车道检测方法、装置、设备及存储介质 | |
| CN114241373A (zh) | 一种端到端的车辆行为检测方法、系统、设备及存储介质 | |
| CN112528944B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
| JP2019192201A (ja) | 自律走行のための学習対象イメージ抽出装置及び方法 | |
| CN114037976A (zh) | 一种道路交通标志识别方法及装置 | |
| CN111339834B (zh) | 车辆行驶方向的识别方法、计算机设备及存储介质 |
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 |