CN114882449A - 一种基于Car-Det网络模型的车辆检测方法及装置 - Google Patents

一种基于Car-Det网络模型的车辆检测方法及装置 Download PDF

Info

Publication number
CN114882449A
CN114882449A CN202210373395.4A CN202210373395A CN114882449A CN 114882449 A CN114882449 A CN 114882449A CN 202210373395 A CN202210373395 A CN 202210373395A CN 114882449 A CN114882449 A CN 114882449A
Authority
CN
China
Prior art keywords
size
layer
car
branch
module
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
Application number
CN202210373395.4A
Other languages
English (en)
Other versions
CN114882449B (zh
Inventor
高尚兵
张秦涛
刘宇
张莹莹
胡序洋
李�杰
李少凡
刘步实
任珂
张海艳
汪长春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202210373395.4A priority Critical patent/CN114882449B/zh
Publication of CN114882449A publication Critical patent/CN114882449A/zh
Application granted granted Critical
Publication of CN114882449B publication Critical patent/CN114882449B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles
    • 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)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于Car‑Det网络模型的车辆检测方法及装置，Car‑Det网络模型包括RcNet主干特征提取模块，HNet加强特征提取模块以及YoloHead目标检测模块。检测方法的具体步骤为：将待检测的图像或视频输入到特征提取模块中得到图像的多尺度特征，将所得的多尺度特征统一为中间尺度后，计算它们的平均特征，并通过空间通道注意力模块对特征进行加强，最后将其叠加到原本多尺度特征的每一层，使用YoloHead目标检测模块定位图中的目标物体。本发明通过使用深度可分离卷积，通道注意力机制以及残差思想构建主干网络，大幅减少参数量，通过HNet加强特征提取模块和YoloHead目标检测模块提高了检测目标的准确率。

Description

一种基于Car-Det网络模型的车辆检测方法及装置
技术领域
本发明属于计算机视觉技术领域，具体涉及一种基于Car-Det网络模型的车辆检测方法及装置。
背景技术
近几年伴随着人工智能的快速发展，以及城市化进程的不断加快，智能交通系统已经成为社会的发展趋势。车辆目标检测是智能交通管理系统的重要组成部分之一，广泛应用在智能监控系统领域，极大的缓解了交通压力和交通事故死亡率，提高了交通管理的效率。所以，优化车辆目标检测问题对增强交通管理系统具有重要意义和应用价值。
目前，车辆目标检测算法被分为传统的目标检测算法和基于深度学习的目标检测算法两大类。传统的目标检测算法是基于机器学习的分类器与人工提取的局部特征相结合的算法，主要包括提取特征和分类两个方面，提取的特征通常是梯度方向直方图或类haar特征，结合支持向量机或AdaBoost进行目标检测。容易损失信息从而造成误差，不能满足高精度和高检测速度的场景。
与传统的目标检测算法相比，基于深度学习的目标检测算法具有更高的准确率、更快的检测速度和更强的鲁棒性。例如RCNN、Fast RCNN、Yolo等，但其在智能交通领域针对复杂环境和小目标的检测仍然表现出检测时间长，准确率低，鲁棒性差等问题，难以满足实际场景中的要求。
发明内容
发明目的：针对现有的车辆检测鲁棒性差，过程复杂，检测时间较长，准确率低的问题，本发明提出一种基于Car-Det网络模型的车辆检测方法及装置。
技术方案：一种基于Car-Det网络模型的车辆检测方法，包括以下步骤：
(1)对预先获取的交通标志原始图像进行预处理，分为训练图像和测试图像；
(2)构建Car-Det网络模型；所述Car-Det网络模型包括RcNet主干网络模块、HNet加强特征提取模块以及三个YoloHead目标检测模块；所述RcNet主干网络模块用于提取图像中的目标特征信息，HNet模块用于加强特征信息提取，YoloHead目标检测模块用于检测目标对象；
(3)将训练图像输入到Car-Det网络模型中进行训练；
(4)将测试图像输入到训练好的Car-Det网络模型中，评估模型的性能。
进一步地，步骤(2)所述RcNet主干网络模块包括一个Focus模块、一个CBS模块和四个Rc Block模块；所述Focus模块在一张图片中每隔一个像素取一个值，获得四个独立的特征层，将其进行堆叠使输入通道数扩充为原来的四倍；所述CBS模块包含一个卷积层，一个Batch Normalization层和一个SiLu激活层；所述Rc Block模块将一条主干分为a，b，c三条支路，a支路包含卷积核大小为1×1,步长为2，输入通道为C，输出通道为2C的卷积层；b支路包括一个卷积核大小为3×3，步长为1，输入输出通道数为C的Depthwise卷积和一个卷积核大小1×1，步长为1，输入通道数为C，输出通道数为2C的普通卷积；c支路包括一个卷积核大小为5×5，步长为1，输入输出通道数为C的Depthwise卷积和一个卷积核大小1×1，步长为1，输入通道数为C，输出通道数为2C的普通卷积；将b支路和c支路进行相加操作使其合并为一条线路，再将一个普通的1×1卷积之后分为d,e两条支路，d支路包含一个SE通道注意力模块，通道数为2C和一个卷积核大小为3×3，步长为2通道数为2C的卷积层，e支路包含一个MaxPooling层，最后使其a支路和d、e两条支路进行相加操作，使其更好的特征融合。
进一步地，步骤(2)所述HNet加强特征提取模首先对第一层大小为4A×4A，通道数为C的特征层进行卷积核大小为1×1，步长为1，输入通道数为C，输出通道数为2C的卷积操作，再进行向下采样使其特征大小降为原来的一半，最终得到大小为2A×2A，通道数为2C的特征；对第三层大小为A×A，通道数为4C的特征层进行卷积核大小为1×1，步长为1，输入通道数为4C，输出通道数为2C的卷积操作，再进行向上采样使其特征大小变为原来的2倍，最终得到大小为2A×2A，通道数为2C的特征；让其第一层、第三层得到的大小为2A×2A，通道数为2C的特征与第二层特征进行融，再进行空间通道注意力机制和卷积核大小为1×1的卷积操作让其融合的更加充分；之后再分出编号为f，h，g三条支路，h支路使其与初始的第二层大小为2A×2A，通道数为2C的特征进行融合；f支路首先进行上采样使其恢复为第一层的特征大小再与其初始的第一层大小为4A×4A，通道数为C的特征层进行融合；对g支路进行下采样使其恢复为第三层的特征大小再与其初始的第三层大小为A×A，通道数为4C的特征层进行融合，最终分配到检测器中。
进一步地，所述步骤(3)包括以下步骤：
(31)把训练样本输入到的Car-Det网络模型中使其进行训练；
(32)计算Car-Det网络的损失函数，以损失函数最小作为目标对网络中的参数进行优化；
(33)当损失值收敛时保存网络模型参数，得到最终的Car-Det检测模型。
基于相同的发明构思，本发明还提供一种基于Car-Det网络模型的车辆检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现上述的基于Car-Det网络模型的车辆检测方法。
有益效果：与现有技术相比，本发明的有益效果：本发明提出的Car-Det模型架构，结构简单，参数量较少，能实现道路图像中的车辆的准确识别，且识别准确率较高；RcNet主干网络和加HNet加强特征提取网络融合了多尺度车辆的特征信息并分配到目标检测模块中，充分利用现有特征，使参数量减少，准确率提高。
附图说明
图1为基于Car-Det网络模型的车辆检测方法流程图；
图2为本发明构建的的Car-Det模型网络结构示意图；
图3为CBS网络结构示意图；
图4为Rc Block网络结构示意图；
图5为HNet网络结构示意图；
图6为采用本发明车辆检测效果图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种基于Car-Det网络模型的车辆检测方法，首先对训练图像进行预处理，包括归一化，缩放；构建Car-Det网络，主要包括RcNet主干网络模块、HNet加强特征提取模块以及三个YoloHead目标检测模块；将预处理之后的训练图像输入到Car-Det网络模型中进行训练；将预处理之后的测试图像输入到训练好的模型中，评估模型的性能；如图1所示，具体包括以下步骤：
步骤1：对预先获取的交通标志原始图像进行预处理，分为训练图像和测试图像。
存放数据文件夹为Datasets，包括两个子文件夹，分别为Images，Labels，其中Images保存训练图像，Labels保存与训练图像对应的×ml文件，其中训练集与测试集的比例为8：2，训练集图像路径保存在train.t×t,测试集图像路径保存在test.t×t,其中存放的是训练图像和标签的相对路径。
步骤2：构建Car-Det网络模型，如图2所示，构建的Car-Det模型主要包括RcNet主干网络模块、HNet加强特征提取模块以及三个YoloHead目标检测模块。RcNet主干网络模块用于提取图像中的目标特征信息，HNet模块用于加强特征信息提取，YoloHead目标检测模块用于检测目标对象。
RcNet主干网络主要包括：一个focus模块，一个CBS模块和四个RcBlock模块。主干网络在提取图像中的车辆特征信息的同时，也逐步的减少图像尺寸使其通道数不断增加。将最终的三个RcBlock所提取的特征信息输出到HNet加强特征提取模块。HNet加强特征提取模块，用于融合来自于主干网络所输出的多尺度信息，最后将其融合的多尺度信息特征和初始的特征信息结合统一的分配给检测器，YoloHead检测网络主要用来检测图像中是否含有车辆以及车辆的类别。
如图3，CBS模块包含一个卷积层，一个Batch Normalization层和一个SiLu激活层。
如图4，Rc Block模块将一条主干分为a,b,c三条支路，a支路包含卷积核大小为1×1,步长为2，输入通道为C，输出通道为2C的卷积层；b支路包括一个卷积核大小为3×3，步长为1，输入输出通道数为C的Depthwise卷积和一个卷积核大小1×1，步长为1，输入通道数为C，输出通道数为2C的普通卷积；c支路包括一个卷积核大小为5×5，步长为1，输入输出通道数为C的Depthwise卷积和一个卷积核大小1×1，步长为1，输入通道数为C，输出通道数为2C的普通卷积；将b支路和c支路进行相加操作使其合并为一条线路，再将一个普通的1×1卷积之后分为d,e两条支路，d支路包含一个SE通道注意力模块，通道数为2C和一个卷积核大小为3×3，步长为2通道数为2C的卷积层，e支路包含一个MaxPooling层，最后使其a支路和d,e两条支路进行相加操作，使其得到更好的特征信息。
如图5，HNet加强特征提取模块对从主干网络获取的三层不同尺寸的特征进行进一步特征信息的加强。HNet加强特征提取模块，首先对第一层大小为4A×4A，通道数为C的特征层进行卷积核大小为1×1，步长为1，输入通道数为C，输出通道数为2C的卷积操作，再进行向下采样使其特征大小降为原来的一半，最终得到大小为2A×2A，通道数为2C的特征。对第三层大小为A×A，通道数为4C的特征层进行卷积核大小为1×1，步长为1，输入通道数为4C，输出通道数为2C的卷积操作，再进行向上采样使其特征大小变为原来的2倍，最终得到大小为2A×2A，通道数为2C的特征；让其第一层、第三层得到的大小为2A×2A，通道数为2C的特征与第二层特征进行融，再进行空间通道注意力机制和卷积核大小为1×1的卷积操作让其融合的更加充分；之后再分出编号为f，g，h三条支路，g支路使其与初始的第二层大小为2A×2A，通道数为2C的特征进行融合；f支路首先进行上采样使其恢复为第一层的特征大小再与其初始的第一层大小为4A×4A，通道数为C的特征层进行融合；对h支路进行下采样使其恢复为第三层的特征大小再与其初始的第三层大小为A×A，通道数为4C的特征层进行融合，最终分配到检测器中。
步骤3：将训练图像输入到Car-Det网络模型中进行训练。
把训练样本输入到的Car-Det网络模型中使其进行训练；设置相应的参数后，进行模型训练；计算Car-Det网络的损失函数：
Figure BDA0003589701260000051
其中，n表示数据的类别个数，ti表示每个真实框对应的特征点，pi表示特征点的种类预测结果。根据真实框的种类和特征点的种类预测结果计算交叉熵损失。
以损失函数最小作为目标对网络中的参数进行优化。当损失值收敛时保存网络模型参数，得到最终的Car-Det检测模型。
步骤4：将测试图像输入到训练好的Car-Det网络模型中，评估模型的性能。
设置参数，包括学习率、Epochs大小、批大小等，其中初始学习率为1e-4，最终下降到1.9e-5。其中batch-size为4，Epochs为100。对数据进行训练，基于设置的参数，对图像进行训练及预测，预测效果如图6所示。
基于相同的发明构思，本发明实施例公开的一种基于Car-Det的车辆检测网络模型及检测方法，包括预处理模块，用于对道路图像进行预处理，包括图像归一化，图像去噪，反转，获取合适的训练集图像；车辆识别模块，用于将道路图像数据输入到训练好的Car-Det网络模型中，得到含有识别信息的图像。所述的Car-Det包括主干网络，HNet加强特征提取模块以及YoloHead目标检测模。RcNet主干网络由一个focus模块，一个CBS模块和四个RcBlock模块组成。主干网络在提取图像中的车辆特征信息的同时，也逐步的减少图像尺寸使其通道数不断增加。将最终的三个RcBlock所提取的特征信息输出到HNet加强特征提取模块。HNet加强特征提取模块，用于融合来自于主干网络所输出的多尺度信息，最后将其融合的多尺度信息特征和初始的特征信息结合统一的分配给检测器，YoloHead检测网络主要用来检测图像中是否含有车辆以及车辆的类别。
基于相同的发明构思，本发明实施例提供的一种基于Car-Det网络模型的车辆检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该计算机程序被加载至处理器时实现上述的基于Car-Det网络模型的车辆检测方法。

Claims (5)

1.一种基于Car-Det网络模型的车辆检测方法，其特征在于，包括以下步骤：
(1)对预先获取的交通标志原始图像进行预处理，分为训练图像和测试图像；
(2)构建Car-Det网络模型；所述Car-Det网络模型包括RcNet主干网络模块、HNet加强特征提取模块以及三个YoloHead目标检测模块；所述RcNet主干网络模块用于提取图像中的目标特征信息，HNet模块用于加强特征信息提取，YoloHead目标检测模块用于检测目标对象；
(3)将训练图像输入到Car-Det网络模型中进行训练；
(4)将测试图像输入到训练好的Car-Det网络模型中，评估模型的性能。
2.根据权利要求1所述的基于Car-Det网络模型的车辆检测方法，其特征在于，步骤(2)所述RcNet主干网络模块包括一个Focus模块、一个CBS模块和四个Rc Block模块；所述Focus模块在一张图片中每隔一个像素取一个值，获得四个独立的特征层，将其进行堆叠使输入通道数扩充为原来的四倍；所述CBS模块包含一个卷积层，一个Batch Normalization层和一个SiLu激活层；所述Rc Block模块将一条主干分为a，b，c三条支路，a支路包含卷积核大小为1×1,步长为2，输入通道为C，输出通道为2C的卷积层；b支路包括一个卷积核大小为3×3，步长为1，输入输出通道数为C的Depthwise卷积和一个卷积核大小1×1，步长为1，输入通道数为C，输出通道数为2C的普通卷积；c支路包括一个卷积核大小为5×5，步长为1，输入输出通道数为C的Depthwise卷积和一个卷积核大小1×1，步长为1，输入通道数为C，输出通道数为2C的普通卷积；将b支路和c支路进行相加操作使其合并为一条线路，再将一个普通的1×1卷积之后分为d,e两条支路，d支路包含一个SE通道注意力模块，通道数为2C和一个卷积核大小为3×3，步长为2通道数为2C的卷积层，e支路包含一个MaxPooling层，最后使其a支路和d、e两条支路进行相加操作，使其更好的特征融合。
3.根据权利要求1所述的基于Car-Det网络模型的车辆检测方法，其特征在于，步骤(2)所述HNet加强特征提取模首先对第一层大小为4A×4A，通道数为C的特征层进行卷积核大小为1×1，步长为1，输入通道数为C，输出通道数为2C的卷积操作，再进行向下采样使其特征大小降为原来的一半，最终得到大小为2A×2A，通道数为2C的特征；对第三层大小为A×A，通道数为4C的特征层进行卷积核大小为1×1，步长为1，输入通道数为4C，输出通道数为2C的卷积操作，再进行向上采样使其特征大小变为原来的2倍，最终得到大小为2A×2A，通道数为2C的特征；让其第一层、第三层得到的大小为2A×2A，通道数为2C的特征与第二层特征进行融，再进行空间通道注意力机制和卷积核大小为1×1的卷积操作让其融合的更加充分；之后再分出编号为f，h，g三条支路，h支路使其与初始的第二层大小为2A×2A，通道数为2C的特征进行融合；f支路首先进行上采样使其恢复为第一层的特征大小再与其初始的第一层大小为4A×4A，通道数为C的特征层进行融合；对g支路进行下采样使其恢复为第三层的特征大小再与其初始的第三层大小为A×A，通道数为4C的特征层进行融合，最终分配到检测器中。
4.根据权利要求1所述的基于Car-Det网络模型的车辆检测方法，其特征在于，所述步骤(3)包括以下步骤：
(31)把训练样本输入到的Car-Det网络模型中使其进行训练；
(32)计算Car-Det网络的损失函数，以损失函数最小作为目标对网络中的参数进行优化；
(33)当损失值收敛时保存网络模型参数，得到最终的Car-Det检测模型。
5.一种基于Car-Det网络模型的车辆检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-4任一项所述的基于Car-Det网络模型的车辆检测方法。
CN202210373395.4A 2022-04-11 2022-04-11 一种基于Car-Det网络模型的车辆检测方法及装置 Active CN114882449B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210373395.4A CN114882449B (zh) 2022-04-11 2022-04-11 一种基于Car-Det网络模型的车辆检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210373395.4A CN114882449B (zh) 2022-04-11 2022-04-11 一种基于Car-Det网络模型的车辆检测方法及装置

Publications (2)

Publication Number Publication Date
CN114882449A true CN114882449A (zh) 2022-08-09
CN114882449B CN114882449B (zh) 2023-08-22

Family

ID=82669567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210373395.4A Active CN114882449B (zh) 2022-04-11 2022-04-11 一种基于Car-Det网络模型的车辆检测方法及装置

Country Status (1)

Country Link
CN (1) CN114882449B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826457A (zh) * 2019-10-31 2020-02-21 上海融军科技有限公司 一种复杂场景下的车辆检测方法及装置
US20210224609A1 (en) * 2019-03-07 2021-07-22 Institute Of Automation, Chinese Academy Of Sciences Method, system and device for multi-label object detection based on an object detection network
CN113657287A (zh) * 2021-08-18 2021-11-16 河南工业大学 一种基于深度学习改进YOLOv3的目标检测方法
CN114299366A (zh) * 2022-03-10 2022-04-08 青岛海尔工业智能研究院有限公司 一种图像检测方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210224609A1 (en) * 2019-03-07 2021-07-22 Institute Of Automation, Chinese Academy Of Sciences Method, system and device for multi-label object detection based on an object detection network
CN110826457A (zh) * 2019-10-31 2020-02-21 上海融军科技有限公司 一种复杂场景下的车辆检测方法及装置
CN113657287A (zh) * 2021-08-18 2021-11-16 河南工业大学 一种基于深度学习改进YOLOv3的目标检测方法
CN114299366A (zh) * 2022-03-10 2022-04-08 青岛海尔工业智能研究院有限公司 一种图像检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN114882449B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN112464910A (zh) 一种基于YOLO v4-tiny的交通标志识别方法
CN112380921A (zh) 一种基于车联网的道路检测方法
CN111461083A (zh) 基于深度学习的快速车辆检测方法
WO2010141369A1 (en) Semantic scene segmentation using random multinomial logit (rml)
CN110781744A (zh) 一种基于多层次特征融合的小尺度行人检测方法
US20220156528A1 (en) Distance-based boundary aware semantic segmentation
CN110781850A (zh) 道路识别的语义分割系统和方法、计算机存储介质
CN111353544A (zh) 一种基于改进的Mixed Pooling-YOLOV3目标检测方法
CN114495029A (zh) 一种基于改进YOLOv4的交通目标检测方法及系统
CN116188999B (zh) 一种基于可见光和红外图像数据融合的小目标检测方法
CN112990065A (zh) 一种基于优化的YOLOv5模型的车辆分类检测方法
CN117037119A (zh) 基于改进YOLOv8的道路目标检测方法及系统
US20230154157A1 (en) Saliency-based input resampling for efficient object detection
CN114913498A (zh) 一种基于关键点估计的并行多尺度特征聚合车道线检测方法
CN111523439A (zh) 一种基于深度学习的目标检测的方法、系统、设备及介质
CN114494248B (zh) 基于点云和不同视角下的图像的三维目标检测系统及方法
CN114359554A (zh) 一种基于多感受野上下文语义信息的图像语义分割方法
CN115761552B (zh) 面向无人机机载平台的目标检测方法、设备及介质
Cho et al. Modified perceptual cycle generative adversarial network-based image enhancement for improving accuracy of low light image segmentation
CN111476190A (zh) 用于无人驾驶的目标检测方法、设备及存储介质
CN116630917A (zh) 一种车道线检测方法
CN116311154A (zh) 一种基于YOLOv5模型优化的车辆检测与识别方法
CN115953744A (zh) 一种基于深度学习的车辆识别追踪方法
CN114882449B (zh) 一种基于Car-Det网络模型的车辆检测方法及装置
CN112686147B (zh) 车辆与车轮从属关系预测方法、系统、存储介质及终端

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220809

Assignee: Jiangsu Kesheng Xuanyi Technology Co.,Ltd.

Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY

Contract record no.: X2023980048436

Denomination of invention: A Vehicle Detection Method and Device Based on Car Net Network Model

Granted publication date: 20230822

License type: Common License

Record date: 20231129