CN115240133A - 一种公交车拥挤度分析方法、装置和设备 - Google Patents
一种公交车拥挤度分析方法、装置和设备 Download PDFInfo
- Publication number
- CN115240133A CN115240133A CN202210746499.5A CN202210746499A CN115240133A CN 115240133 A CN115240133 A CN 115240133A CN 202210746499 A CN202210746499 A CN 202210746499A CN 115240133 A CN115240133 A CN 115240133A
- Authority
- CN
- China
- Prior art keywords
- image
- bus
- area
- crowded area
- density map
- 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
- 238000004458 analytical method Methods 0.000 title claims description 17
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000013135 deep learning Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010191 image analysis Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 229910052731 fluorine Inorganic materials 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 125000001153 fluoro group Chemical group F* 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
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种公交车拥挤度分析方法、装置和设备。该方法通过获取公交车车厢内部图像,并提取出公交车车厢内部图像中的拥挤区域图像,根据拥挤区域图像从而生成密度图;根据密度图,获取拥挤区域图像的面积及乘客数量;根据预设的算法,获得公交车拥挤度,解决了现有技术中,无法检测车内乘客拥挤度的问题。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种公交车拥挤度分析方法、装置和设备。
背景技术
近年来,随着“绿色交通,智慧出行”理念的普及和智慧城市建设的提出,各个城市在推进新能源智能公交系统的建设上投入了大量的资源。但是目前公交车的运营调度和服务水平仍然有待提高,乘客拥挤等问题依然存在。因此,如何高效、实时地监测公交车上的乘客拥挤情况,并在满足大多数乘客需求的前提下,合理、准确地动态调度每条公交线路和车辆,已经成为一个紧迫的问题。随着计算机视觉的不断发展和深度学习相关算法的完善,当前的新能源智能公交已经配备了疲劳驾驶监测、危险驾驶监测等功能。但在车内乘客拥挤度分析方面一直缺乏有效的方法和技术。
发明内容
有鉴于此,本发明的目的在于提供一种公交车拥挤度分析方法、装置和设备,以克服目前无法检测车内乘客拥挤度的问题。
为实现以上目的,本发明采用如下技术方案:
第一方面本发明提供了一种公交车拥挤度分析方法,包括:
获取公交车车厢内部图像;
提取所述公交车车厢内部图像中的拥挤区域图像;
根据所述拥挤区域图像生成密度图;
根据所述密度图,获得所述拥挤区域图像的面积和乘客数量,并通过预设算法,获得公交车拥挤度。
进一步的,以上所述的方法,所述获取公交车车厢内部图像,包括:
向所述公交车车厢内部投射结构光;
获取带有结构光的所述公交车车厢内部图像。
进一步的,以上所述的方法,所述提取所述公交车车厢内部图像中的拥挤区域图像,包括:
获取所述公交车车厢内部图像的深度信息;
根据所述深度信息,提取所述公交车车厢内部图像的拥挤区域图像。
进一步的,以上所述的方法,所述根据所述拥挤区域图像生成密度图,包括:
标记所述拥挤区域图像内所有乘客的头部位置;
通过DB-CNN深度学习框架对带有所户乘客头部标记的所述拥挤区域图像进行深度学习,获得密度图。
进一步的,以上所述的方法,所述通过DB-CNN深度学习框架对带有所户乘客头部标记的所述拥挤区域图像进行深度学习,获得密度图,包括:
应用堆叠池化层通过DB-CNN深度学习框架对带有所户乘客头部标记的所述拥挤区域图像进行深度学习,获得密度图。
进一步的,以上所述的方法,所述根据所述密度图,获得所述拥挤区域图像的面积和乘客数量,并通过预设算法,获得公交车拥挤度,包括:
根据所述密度图,获取所述拥挤区域图像面积及乘客数;
将所述拥挤区域图像乘客数除以所述拥挤区域图像面积,获得公交车拥挤度。
第二方面本发明提供了一种公交车拥挤度分析装置,包括:图像获取模块、拥挤区域提取模块、图像分析模块和拥挤度生成模块;
所述图像获取模块,用于获取公交车车厢内部图像;
所述拥挤区域提取模块,用于提取所述公交车车厢内部图像中的拥挤区域图像;
所述图像分析模块,用于根据所述拥挤区域图像生成密度图;
所述拥挤度生成模块,根据所述密度图,获得所述拥挤区域图像的面积和乘客数量,并通过预设算法,获得公交车拥挤度。
进一步的,以上所述的装置,还包括结构光投射模块,
所述结构光投射模块,用于向所述公交车车厢内部投射结构光。
第三方面本发明提供了一种公交车拥挤度分析设备,包括处理器和存储器,所述处理器与存储器相连:
其中,所述处理器,用于调用并执行所述存储器中存储的程序;
所述存储器,用于存储所述程序,所述程序至少用于执行以上任一项所述的公交车拥挤度分析方法。
本发明的有益效果为:
本申请通过获取公交车车厢内部图像,并提取出公交车车厢内部图像中的拥挤区域图像,根据拥挤区域图像从而生成密度图,并且根据密度图,获取拥挤区域图像的面积及乘客数量,并根据预设的算法,获得公交车拥挤度,解决了现有技术中,无法检测车内乘客拥挤度的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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是本发明一种公交车拥挤度分析方法一种实施例提供的流程图;
图2是本发明一种公交车拥挤度分析装置一种实施例提供的结构示意图;
图3是本发明一种公交车拥挤度分析设备一种实施例提供的结构示意图。
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,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅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的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
近年来,随着“绿色交通,智慧出行”理念的普及和智慧城市建设的提出,各个城市在推进新能源智能公交系统的建设上投入了大量的资源。但是目前公交车的运营调度和服务水平仍然有待提高,乘客拥挤等问题依然存在。因此,如何高效、实时地监测公交车上的乘客拥挤情况,并在满足大多数乘客需求的前提下,合理、准确地动态调度每条公交线路和车辆,已经成为一个紧迫的问题。随着计算机视觉的不断发展和深度学习相关算法的完善,当前的新能源智能公交已经配备了疲劳驾驶监测、危险驾驶监测等功能。但在车内乘客拥挤度分析方面一直缺乏有效的方法和技术。
有鉴于此,本发明的目的在于提供一种公交车拥挤度分析方法、装置和设备,以克服目前无法检测车内乘客拥挤度的问题。
实施例一
图1是本发明一种公交车拥挤度分析方法一种实施例提供的流程图。请参阅图1,本实施例可以包括以下步骤:
S1、获取公交车车厢内部图像。
S2、提取公交车车厢内部图像中的拥挤区域图像。
S3、根据拥挤区域图像生成密度图。
S4、根据密度图,获得拥挤区域图像的面积和乘客数量,并通过预设算法,获得公交车拥挤度。
可以理解的是,本实施例通过获取公交车车厢内部图像,并提取出公交车车厢内部图像中的拥挤区域图像,根据拥挤区域图像从而生成密度图,并且根据密度图,获取拥挤区域图像的面积及乘客数量,并根据预设的算法,获得公交车拥挤度,解决了现有技术中,无法检测车内乘客拥挤度的问题。
在一些可选的实施例中,步骤S1,具体为:
向公交车车厢内部投射结构光;
获取带有结构光的公交车车厢内部图像。
可以理解的是,由于公交车中的监控摄像机通常不是双目相机,所以在公交车环境下采用双目立体视觉,通过从两个摄像机图像中估计场景深度信息的难度很大且容易被公交车运行时的环境影响。此外,双目立体视觉受限于算法本身,其获得的具有深度信息的图像精度较低。结构光不用依赖于物体自身的特征和颜色且环境条件要求低,将结构光投射至公交车内部车厢,并由图像传感器捕获相应的带有结构光的图像。它提供的深度信息,能更好地让乘客拥挤区域和特征明显区域区分开来。
在一些可选的实施例中,步骤S2,具体为:
获取公交车车厢内部图像的深度信息;
根据深度信息,提取公交车车厢内部图像的拥挤区域图像。
可以理解的是,带有结构光的图像提供的深度信息,能更好地让乘客拥挤区域和特征明显区域区分开来,根据图像的深度信息,也就是摄像头和乘客之间的距离信息,就可以提取一幅图像中的拥挤区域。
在一些可选的实施例中,步骤S3,具体为:
标记拥挤区域图像内所有乘客的头部位置;
通过DB-CNN深度学习框架对带有所户乘客头部标记的拥挤区域图像进行深度学习,获得密度图。
可以理解的是,通过红点符号标记每个乘客头部在人群图像中的位置,在坐标(xh,yh)处有一个乘客头部,它表示为函数δ(x-xh,y-yh),带有N个头标记的图像由等式
表示,并通过将H(x)与高斯函数G(x)进行卷积运算得到密度图的表达式Dg,即
其中,h是由每个头部位置(xh,yh)与其他头部位置的k最近邻距离确定的大小,f是手动确定的用于缩放h的函数,决定高斯函数的核大小。
在密度图生成上,通过将红点符号标记后的拥挤区域图像,进行DB-CNN深度学习框架进行学习,采用双分支CNN提取特征和转置卷积层来检索通过堆叠池化进行的密度图的细节损失。内核大小从11*11到7*7的第一个分支,可用于对更大区域的密度图进行建模的密度图。通过两个堆叠的池化层,第一个分支的输出分辨率变为原始图像分辨率的四分之一。第二个分支只有3*3内核,预测一个密度图,该密度图为较小区域的密度图建模。第二个分支的输出分辨率也是原始图像的四分之一。转置卷积层有助于恢复输出密度图的细节信息。每个转置卷积层将输入分辨率加倍,以确保输出的分辨率与输入的分辨率相同。使用本网络进行输入可以是任意大小的图像,输出是其相对应的乘客密度图。
优选的,应用堆叠池化层通过DB-CNN深度学习框架对带有所户乘客头部标记的拥挤区域图像进行深度学习,获得密度图。
可以理解的是,堆叠池化层提高卷积神经网络的尺度不变性,优化了乘客密度的估计和计数。堆叠池化层包含一个具有多个接收域的池内核,以在多尺度本地范围内捕获响应。
在网络中应用堆叠池化具有以下两个优点,首先堆叠池化层不将额外的参数和超参数带入模型,从而确保模型效率并防止学习中的过度拟合。其次堆叠池化层简洁且易于实现,它们可以在需要时代替普通池化层。
其中,θ意味着提出的网络的可学习参数。xi表示输入图像,Fi和F(xi;θ)是对应真实图像的实况密度图和估计的密度图。
需要说明的是,实况密度图是人工标注出来的真实密度估计,估计密度图是通过深度学习网络推测出来的估计图。
在一些可选的实施例中,步骤S4,具体为:
根据密度图,获取拥挤区域图像面积及乘客数;
将拥挤区域图像乘客数除以拥挤区域图像面积,获得公交车拥挤度。
可以理解的是,拥挤度是根据公交车中单位面积中乘客数量来计算(例如1平方米多少人)。
实施例二
本发明还提供了一种公交车拥挤度分析装置,用于实现上述方法实施例。图2是本发明一种公交车拥挤度分析装置一种实施例提供的结构示意图。如图2所示,该装置包括:图像获取模块1、拥挤区域提取模块2、图像分析模块3和拥挤度生成模块4;
图像获取模块1,用于获取公交车车厢内部图像;
拥挤区域提取模块2,用于提取公交车车厢内部图像中的拥挤区域图像;
图像分析模块3,用于根据拥挤区域图像生成密度图;
拥挤度生成模块4,根据密度图,获得拥挤区域图像的面积和乘客数量,并通过预设算法,获得公交车拥挤度。
在一些可选的实施例中,还包括:结构光投射模块,
结构光投射模块,用于向公交车车厢内部投射结构光。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例三
本发明还提供了一种公交车拥挤度分析设备,用于实现上述方法实施例。图3是本发明一种公交车拥挤度分析设备一种实施例提供的结构示意图。如图3所示,本实施例的一种公交车拥挤度分析设备包括处理器101和存储器102,处理器101与存储器102相连。其中,处理器101用于调用并执行所述存储器102中存储的程序;存储器102用于存储所述程序,所述程序至少用于执行以上实施例中的公交车拥挤度分析方法。
本申请实施例提供的具体实施方案可以参考以上任意实施例的方法的实施方式,此处不再赘述。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种公交车拥挤度分析方法,其特征在于,包括:
获取公交车车厢内部图像;
提取所述公交车车厢内部图像中的拥挤区域图像;
根据所述拥挤区域图像生成密度图;
根据所述密度图,获得所述拥挤区域图像的面积和乘客数量,并通过预设算法,获得公交车拥挤度。
2.根据权利要求1所述的方法,其特征在于,所述获取公交车车厢内部图像,包括:
向所述公交车车厢内部投射结构光;
获取带有结构光的所述公交车车厢内部图像。
3.根据权利要求2所述的方法,其特征在于,所述提取所述公交车车厢内部图像中的拥挤区域图像,包括:
获取所述公交车车厢内部图像的深度信息;
根据所述深度信息,提取所述公交车车厢内部图像的拥挤区域图像。
4.根据权利要求3所述的方法,其特征在于,所述根据所述拥挤区域图像生成密度图,包括:
标记所述拥挤区域图像内所有乘客的头部位置;
通过DB-CNN深度学习框架对带有所户乘客头部标记的所述拥挤区域图像进行深度学习,获得密度图。
5.根据权利要求4所述的方法,其特征在于,所述通过DB-CNN深度学习框架对带有所户乘客头部标记的所述拥挤区域图像进行深度学习,获得密度图,包括:
应用堆叠池化层通过DB-CNN深度学习框架对带有所户乘客头部标记的所述拥挤区域图像进行深度学习,获得密度图。
6.根据权利要求5所述的方法,其特征在于,所述根据所述密度图,获得所述拥挤区域图像的面积和乘客数量,并通过预设算法,获得公交车拥挤度,包括:
根据所述密度图,获取所述拥挤区域图像面积及乘客数;
将所述拥挤区域图像乘客数除以所述拥挤区域图像面积,获得公交车拥挤度。
7.一种公交车拥挤度分析装置,其特征在于,包括:图像获取模块、拥挤区域提取模块、图像分析模块和拥挤度生成模块;
所述图像获取模块,用于获取公交车车厢内部图像;
所述拥挤区域提取模块,用于提取所述公交车车厢内部图像中的拥挤区域图像;
所述图像分析模块,用于根据所述拥挤区域图像生成密度图;
所述拥挤度生成模块,用于根据所述密度图,获得所述拥挤区域图像的面积和乘客数量,并通过预设算法,获得公交车拥挤度。
8.根据权利要求7所述的装置,其特征在于,还包括结构光投射模块,
所述结构光投射模块,用于向所述公交车车厢内部投射结构光。
9.一种公交车拥挤度分析设备,其特征在于,包括处理器和存储器,所述处理器与存储器相连:
其中,所述处理器,用于调用并执行所述存储器中存储的程序;
所述存储器,用于存储所述程序,所述程序至少用于执行权利要求1-6任一项所述的公交车拥挤度分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210746499.5A CN115240133A (zh) | 2022-06-29 | 2022-06-29 | 一种公交车拥挤度分析方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210746499.5A CN115240133A (zh) | 2022-06-29 | 2022-06-29 | 一种公交车拥挤度分析方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115240133A true CN115240133A (zh) | 2022-10-25 |
Family
ID=83671705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210746499.5A Pending CN115240133A (zh) | 2022-06-29 | 2022-06-29 | 一种公交车拥挤度分析方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115240133A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363598A (zh) * | 2023-05-29 | 2023-06-30 | 深圳市捷易科技有限公司 | 人群拥挤预警方法、装置、电子设备及可读存储介质 |
-
2022
- 2022-06-29 CN CN202210746499.5A patent/CN115240133A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363598A (zh) * | 2023-05-29 | 2023-06-30 | 深圳市捷易科技有限公司 | 人群拥挤预警方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7430277B2 (ja) | 障害物検出方法及び装置、コンピュータデバイス、並びにコンピュータプログラム | |
WO2021249071A1 (zh) | 一种车道线的检测方法及相关设备 | |
EP3822852A2 (en) | Method, apparatus, computer storage medium and program for training a trajectory planning model | |
CN112287912B (zh) | 基于深度学习的车道线检测方法以及装置 | |
CN111295666A (zh) | 一种车道线检测方法、装置、控制设备及存储介质 | |
US11790640B1 (en) | Method for detecting densely occluded fish based on YOLOv5 network | |
CN111931683A (zh) | 图像识别方法、装置及计算机可读存储介质 | |
US11651191B2 (en) | Methods, apparatuses, and computer program products using a repeated convolution-based attention module for improved neural network implementations | |
CN114495060B (zh) | 一种道路交通标线识别方法及装置 | |
CN115240133A (zh) | 一种公交车拥挤度分析方法、装置和设备 | |
CN111626241A (zh) | 一种人脸检测方法及装置 | |
CN112668675B (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
CN113408550B (zh) | 基于图像处理的智能称重管理系统 | |
CN115019274A (zh) | 一种融合追踪与检索算法的路面病害识别方法 | |
JP7400118B2 (ja) | 駐車スペース検出方法、装置、デバイス及び記憶媒体 | |
EP3764335A1 (en) | Vehicle parking availability map systems and methods | |
EP4332910A1 (en) | Behavior detection method, electronic device, and computer readable storage medium | |
CN116363628A (zh) | 标志检测方法、装置、非易失性存储介质及计算机设备 | |
Acun et al. | D3net (divide and detect drivable area net): deep learning based drivable area detection and its embedded application | |
CN113887536B (zh) | 一种基于高层语义引导的多阶段高效人群密度估计方法 | |
CN116009581A (zh) | 输电线路的无人机巡检方法、无人机控制终端及存储介质 | |
CN112446292B (zh) | 一种2d图像显著目标检测方法及系统 | |
CN113673478B (zh) | 基于深度学习全景拼接的港口大型设备检测与识别方法 | |
CN114639084A (zh) | 一种基于ssd改进算法的路侧端车辆感知方法 | |
CN111160255B (zh) | 一种基于三维卷积网络的捕鱼行为识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |