CN115565141A - 一种基于视觉红外融合的货车轴型检测方法 - Google Patents

一种基于视觉红外融合的货车轴型检测方法 Download PDF

Info

Publication number
CN115565141A
CN115565141A CN202211173896.4A CN202211173896A CN115565141A CN 115565141 A CN115565141 A CN 115565141A CN 202211173896 A CN202211173896 A CN 202211173896A CN 115565141 A CN115565141 A CN 115565141A
Authority
CN
China
Prior art keywords
image
infrared
truck
camera
fusion
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
Application number
CN202211173896.4A
Other languages
English (en)
Inventor
李卫
郭唐仪
周竹萍
彭富明
周洋
胡春纲
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.)
Jiangsu Zijinshan Technology Co ltd
Nanjing University of Science and Technology
Original Assignee
Jiangsu Zijinshan Technology Co ltd
Nanjing University of Science and 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 Jiangsu Zijinshan Technology Co ltd, Nanjing University of Science and Technology filed Critical Jiangsu Zijinshan Technology Co ltd
Priority to CN202211173896.4A priority Critical patent/CN115565141A/zh
Publication of CN115565141A publication Critical patent/CN115565141A/zh
Pending legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/48—Thermography; Techniques using wholly visual means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于视觉和红外融合的货车轴型检测方法，其包括红外热像仪、摄像头和数据处理装置，所述红外热像仪采集货车红外图像，所述摄像头采集RGB图像，当数据处理装置在红外图像检测到货车时，获取该时刻红外图像和摄像头图像，经过图像预处理之后采用图像融合算法判断货车轴型。本发明可以解决现有技术采用单一手段对货车轴型进行识别，识别结果不够精准的问题。

Description

一种基于视觉红外融合的货车轴型检测方法
技术领域
本发明属于轴型检测技术，具体为一种基于视觉红外融合的货车轴型检测方法。
背景技术
随着社会的发展，物流运输行业需求逐渐增大，高速公路货车日渐增加，伴随着巨大的安全隐患。货车种类繁多，不同轴型的货车管治方案也不一样，因此对货车轴型进行检测，是实现货车监管的重要基础之一，同时也是实现智能交通发展的重要一环。
目前货车轴型检测方法主要以视频检测为主，但基于视频的方法在对图像质量和环境有较高的要求，在雨雪天气等光线较差的情况下难以进行准确识别，且部分货车颜色会与环境颜色较为相似导致误检，因此，现在亟需一种货车轴型检测方法，能克服视频检测方法的缺陷，实现对货车轴型的精准检测。
发明内容
为了解决现有技术中的上述技术缺陷，本发明提出了一种基于视觉红外融合的货车轴型检测方法。
实现本发明目的的技术方案为：一种基于视觉红外融合的货车轴型检测方法，具体步骤为：
S1、将红外热像仪以及摄像头安装在道路侧面；
S2、数据处理装置安装红外热像仪控制程序和摄像头控制程序，统一设置红外热像仪视频帧数和摄像头视频帧数；
S3、数据处理装置采用训练好的红外图像货车轴型检测算法对红外图像进行实时检测，当检测到红外图像中存在完整货车，获取当前帧摄像头RGB图像和红外热像仪BMP格式图像；
S4、基于红外热像仪图像在摄像头图像上进行位置标定；
S5、数据处理装置对红外图像进行图像配准，使红外图像尺度与摄像头拍摄的RGB图像保持一致；
S6、数据处理装置将处理后的图像输入到训练好的扩展MASKR-CNN图像融合算法进行轴型检测，输出货车轴型。
优选地，红外热像仪以及摄像头的安装要求为：
红外热像仪安装在距离道路4.5m处，具体安装要求为：水平方向为向货车前进方向倾斜45°拍摄，铅锤方向为水平向下倾斜10°，安装高度为1.9m，保证红外热像仪能完整拍摄到货车；摄像头安装在距离道路1m处，水平方向为向货车前进方向倾斜45°拍摄，铅锤方向为水平向下倾斜5°，使摄像头完全包括红外热像仪的视野且角度一致。
优选地，红外热像仪以及摄像头在同一网段进行通信和数据传输，实时获取红外图像和RGB图像。
优选地，红外图像货车轴型检测算法采用基于SA注意力机制的YOLOv5货车目标检测算法，具体为在YOLOv5图像特征层添加SA注意力机制。
优选地，SA注意力机制具体为：
(i)对输入特征X按照通道维度分组X1…Xg，每个子特征的通道数位n计算公式如下：
n＝c/g
其中，c为通道数，g为组数；
(ii)对每个子特征继续分割成两份，分别提取通道注意力和空间注意力；
(iii)将所有分组的模块进行聚合，使得SA模块最终的输出与X的维度大小相等。
优选地，基于红外热像仪图像在摄像头图像上进行位置标定的具体方法为：
红外图像左下角对应摄像头图像坐标为(X1，Y1)，红外图像右上角对应摄像头图像坐标为(X2，Y2)，直接截取摄像头图像上从左下(X1，Y1)到右上(X2，Y2)区域的图像。
优选地，对红外图像进行图像配准的具体公式为：
Figure BDA0003864415600000021
(X，Y)为红外图像像素坐标，(x，y)为RGB图像像素坐标，T为坐标变换矩阵，a1～a8为待求解参数，求解方法如下：
(1)利用棋盘标注图像获得多组对应的(x,y)和(X，Y)坐标。
(2)通过最佳平方逼近法求得超定方程组的最小二乘解，得到矩阵T。
优选地，扩展MASKR-CNN模型对图像的处理过程为：
输入当前帧的红外图像和RGB图像，维度为4维即R、G、B、红外图像，对图像进行预处理即将图片缩放至640*448；
利用卷积神经网络进行特征提取；
将提取的特征输入到预训练好的RPN网络中获得含感兴趣区域的特征图；
将候选的感兴趣区域送入特征金字塔融合网络进行二值分析和回归分析，过滤掉一部分候选的感兴趣区域；
对剩下的感兴趣区域进行区域特征聚集操作，将卷积神经网络提取的特征与特征层网络的像素值对应起来，将特征层网络和卷积神经网络提取的特征对应起来；
对匹配后的网络进行分类、回归和MASK掩码生成，随机返还掩码区域即检测到的轮胎的位置，根据轮胎位置进行轴型判断。
本发明与现有技术相比，其显著优点为：(1)采用多传感器融合的思路，避免了复杂环境下摄像头进行货车轴型检测准确率低的问题，输出高鲁棒性和准确率的货车轴型检测结果；
(2)本发明采用扩展MSAKR-CNN图像融合算法，将原本的R、G、B融合增加一维红外图像，准确率更高且实时性强，能很好地分割出图像上的轮胎，进而实现货车轴型识别；
(3)本发明中的红外热像仪还能提取货车温度信息，视频也可以提取货车货物高度等信息，为后续货车超载检测做铺垫；
(4)本发明辅助高速公路实现货车监管，进而有利于智慧交通的建设，具备较好的发展前景。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1是本发明的流程图。
图2是本发明的扩展MASKR-CNN框架示意图。
具体实施方式
容易理解，依据本发明的技术方案，在不变更本发明的实质精神的情况下，本领域的一般技术人员可以想象出本发明的多种实施方式。因此，以下具体实施方式和附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。相反，提供这些实施例的目的是为了使本领域的技术人员更透彻地理解本发明。下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的创新构思。
本发明构思为，如图1所示，一种基于视觉红外融合的货车轴型检测方法，包括以下步骤：
S1、红外热像仪安装在距离道路4.5m处，具体安装要求为：水平方向为向货车前进方向倾斜45°拍摄，铅锤方向为水平向下倾斜10°，安装高度为1.9m，保证红外热像仪能完整拍摄到货车；摄像头安装在距离道路1m处，水平方向为向货车前进方向倾斜45°拍摄，铅锤方向为水平向下倾斜5°，使其完全包括红外热像仪的视野且角度一致；
S2、数据处理装置安装红外热像仪控制程序和摄像头控制程序，将红外热像仪视频帧数和摄像头视频帧数统一设置为每秒30帧。并在同一网段进行通信和数据传输，实时获取红外图像和RGB图像。
S3、数据处理装置采用训练好的红外图像货车轴型检测算法对红外图像进行实时检测，当检测到红外图像中存在完整货车，获取当前帧摄像头RGB图像和红外热像仪BMP格式图像。
检测算法为基于SA(置换)注意力机制的YOLOv5货车目标检测，即对传统YOLOv5图像特征层添加SA注意力机制，以提升目标检测的精度，SA注意力机制具体为：
(i)对输入特征X按照通道维度分组X1…Xg，每个子特征的通道数位n计算公式如下：
n＝c/g
其中，c为通道数，g为组数。
(ii)对每个子特征继续分割成两份，分别提取通道注意力和空间注意力。
(iii)将所有分组的模块进行聚合，使得SA模块最终的输出与X的维度大小相等。
S4、基于红外热像仪图像在摄像头图像上进行位置标定，即红外图像左下角对应摄像头图像坐标为(X1，Y1)，红外图像右上角对应摄像头图像坐标为(X2，Y2)，直接截取摄像头图像上从左下(X1，Y1)到右上(X2，Y2)区域的图像。
S5、数据处理装置对红外图像进行图像配准，使其图像尺度与摄像头拍摄的RGB图像保持一致。红外图像像素坐标(X，Y)与RGB图像像素坐标的转换关系式为：
Figure BDA0003864415600000051
式中，T为坐标变换矩阵，a1～a8为待求解参数，求解方法如下：
(1)利用棋盘标注图像获得多组对应的(x,y)和(X，Y)坐标。
(2)通过最佳平方逼近法求得超定方程组的最小二乘解，得到矩阵T。
S6、数据处理装置将处理后的图像输入到训练好的扩展MASKR-CNN图像融合算法进行轴型检测，输出货车轴型。
进一步的实施例中，扩展MASKR-CNN图像融合算法的训练过程如下：
进行货车实验，分别获取超载货车和不超载货车的红外图像以及RGB图像。
使用labelme对图像进行标注，生成json文件，运行labelme自带的My_json_to_dataset.py，生成labelme_json文件，提取labelme_json中png格式的label文件，将其重命名为“原图名.png”汇总到文件夹命名为cv2_mask，将json文件夹、labelme_json文件夹、原图pic文件夹和cv2_mask文件夹放在同一文件夹下。
将Mytrain.py中数据集类别修改为货车轴型：“2轴”、“3轴”、“4轴”等，修改类别数为总类别数+1，下载预训练权重，运行训练文件。
将生成的权重文件替换预训练权重，得到基于融合图像的货车轴型检测算法。
如图2所示，扩展MASKR-CNN模型具体如下：
输入当前帧的红外图像和RGB图像，维度为4维即R、G、B、红外图像，对图像进行预处理即将图片缩放至640*448。
利用卷积神经网络进行特征提取；
将提取的特征输入到预训练好的RPN网络中获得含感兴趣区域的特征图；
将候选的感兴趣区域送入特征金字塔融合网络进行二值分析和回归分析，过滤掉一部分候选的感兴趣区域；
对剩下的感兴趣区域进行区域特征聚集操作，将卷积神经网络提取的特征与特征层网络的像素值对应起来，将特征层网络和卷积神经网络提取的特征对应起来；
对匹配后的网络进行分类、回归和MASK掩码生成，随机返还掩码区域即检测到的轮胎的位置，根据轮胎位置进行轴型判断。
数据处理装置将处理后的图像输入到训练好的扩展MASKR-CNN图像融合算法进行轴型检测，输出货车轴型。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
应当理解，为了精简本发明并帮助本领域的技术人员理解本发明的各个方面，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时在单个实施例中进行描述，或者参照单个图进行描述。但是，不应将本发明解释成示例性实施例中包括的特征均为本专利权利要求的必要技术特征。
应当理解，可以对本发明的一个实施例的设备中包括的模块、单元、组件等进行自适应性地改变以把它们设置在与该实施例不同的设备中。可以把实施例的设备包括的不同模块、单元或组件组合成一个模块、单元或组件，也可以把它们分成多个子模块、子单元或子组件。

Claims (8)

1.一种基于视觉红外融合的货车轴型检测方法，其特征在于，具体步骤为：
S1、将红外热像仪以及摄像头安装在道路侧面；
S2、数据处理装置安装红外热像仪控制程序和摄像头控制程序，统一设置红外热像仪视频帧数和摄像头视频帧数；
S3、数据处理装置采用训练好的红外图像货车轴型检测算法对红外图像进行实时检测，当检测到红外图像中存在完整货车，获取当前帧摄像头RGB图像和红外热像仪BMP格式图像；
S4、基于红外热像仪图像在摄像头图像上进行位置标定；
S5、数据处理装置对红外图像进行图像配准，使红外图像尺度与摄像头拍摄的RGB图像保持一致；
S6、数据处理装置将处理后的图像输入到训练好的扩展MASK R-CNN图像融合算法进行轴型检测，输出货车轴型。
2.根据权利要求1所述的基于视觉红外融合的货车轴型检测方法，其特征在于，红外热像仪以及摄像头的安装要求为：
红外热像仪安装在距离道路4.5m处，具体安装要求为：水平方向为向货车前进方向倾斜45°拍摄，铅锤方向为水平向下倾斜10°，安装高度为1.9m，保证红外热像仪能完整拍摄到货车；摄像头安装在距离道路1m处，水平方向为向货车前进方向倾斜45°拍摄，铅锤方向为水平向下倾斜5°，使摄像头完全包括红外热像仪的视野且角度一致。
3.根据权利要求1所述的基于视觉红外融合的货车轴型检测方法，其特征在于，红外热像仪以及摄像头在同一网段进行通信和数据传输，实时获取红外图像和RGB图像。
4.根据权利要求1所述的基于视觉红外融合的货车轴型检测方法，其特征在于，红外图像货车轴型检测算法采用基于SA注意力机制的YOLOv5货车目标检测算法，具体为在YOLOv5图像特征层添加SA注意力机制。
5.根据权利要求4所述的基于视觉红外融合的货车轴型检测方法，其特征在于，SA注意力机制具体为：
(i)对输入特征X按照通道维度分组X1…Xg，每个子特征的通道数位n计算公式如下：
n＝c/g
其中，c为通道数，g为组数；
(ii)对每个子特征继续分割成两份，分别提取通道注意力和空间注意力；
(iii)将所有分组的模块进行聚合，使得SA模块最终的输出与X的维度大小相等。
6.根据权利要求1所述的基于视觉红外融合的货车轴型检测方法，其特征在于，基于红外热像仪图像在摄像头图像上进行位置标定的具体方法为：
红外图像左下角对应摄像头图像坐标为(X1，Y1)，红外图像右上角对应摄像头图像坐标为(X2，Y2)，直接截取摄像头图像上从左下(X1，Y1)到右上(X2，Y2)区域的图像。
7.根据权利要求1所述的基于视觉红外融合的货车轴型检测方法，其特征在于，对红外图像进行图像配准的具体公式为：
Figure FDA0003864415590000021
(X，Y)为红外图像像素坐标，(x，y)为RGB图像像素坐标，T为坐标变换矩阵，a1～a8为待求解参数，求解方法如下：
(1)利用棋盘标注图像获得多组对应的(x,y)和(X，Y)坐标。
(2)通过最佳平方逼近法求得超定方程组的最小二乘解，得到矩阵T。
8.根据权利要求1所述的基于视觉红外融合的货车轴型检测方法，其特征在于，扩展MASK R-CNN模型对图像的处理过程为：
输入当前帧的红外图像和RGB图像，维度为4维即R、G、B、红外图像，对图像进行预处理即将图片缩放至640*448；
利用卷积神经网络进行特征提取；
将提取的特征输入到预训练好的RPN网络中获得含感兴趣区域的特征图；
将候选的感兴趣区域送入特征金字塔融合网络进行二值分析和回归分析，过滤掉一部分候选的感兴趣区域；
对剩下的感兴趣区域进行区域特征聚集操作，将卷积神经网络提取的特征与特征层网络的像素值对应起来，将特征层网络和卷积神经网络提取的特征对应起来；
对匹配后的网络进行分类、回归和MASK掩码生成，随机返还掩码区域即检测到的轮胎的位置，根据轮胎位置进行轴型判断。
CN202211173896.4A 2022-09-26 2022-09-26 一种基于视觉红外融合的货车轴型检测方法 Pending CN115565141A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211173896.4A CN115565141A (zh) 2022-09-26 2022-09-26 一种基于视觉红外融合的货车轴型检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211173896.4A CN115565141A (zh) 2022-09-26 2022-09-26 一种基于视觉红外融合的货车轴型检测方法

Publications (1)

Publication Number Publication Date
CN115565141A true CN115565141A (zh) 2023-01-03

Family

ID=84743097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211173896.4A Pending CN115565141A (zh) 2022-09-26 2022-09-26 一种基于视觉红外融合的货车轴型检测方法

Country Status (1)

Country Link
CN (1) CN115565141A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994947A (zh) * 2023-03-22 2023-04-21 万联易达物流科技有限公司 基于定位的智能打卡的估算方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994947A (zh) * 2023-03-22 2023-04-21 万联易达物流科技有限公司 基于定位的智能打卡的估算方法

Similar Documents

Publication Publication Date Title
CN110069986B (zh) 一种基于混合模型的交通信号灯识别方法及系统
CN112819094B (zh) 一种基于结构相似度度量的目标检测与识别方法
CN105844257B (zh) 基于机器视觉雾天行车错失道路标志牌的预警系统及方法
CN110728200A (zh) 一种基于深度学习的实时行人检测方法及系统
CN114155527A (zh) 一种场景文本识别方法和装置
CN111965636A (zh) 一种基于毫米波雷达和视觉融合的夜间目标检测方法
CN102880863B (zh) 一种基于可变形部件模型的车牌及驾驶员人脸定位方法
CN108875803B (zh) 一种基于视频图像的危化品运输车辆检测与识别方法
CN111860509A (zh) 一种由粗到精的两阶段非约束车牌区域精准提取方法
CN111598855B (zh) 一种基于深度学习和迁移学习的2c设备高铁接触网吊弦缺陷检测方法
CN113888754B (zh) 一种基于雷达视觉融合的车辆多属性识别方法
CN111967313A (zh) 一种深度学习目标检测算法辅助的无人机图像标注方法
CN111414861A (zh) 基于深度学习实现行人及非机动车辆检测处理的方法
Luo et al. Stationary vehicle detection in aerial surveillance with a UAV
CN115601717B (zh) 基于深度学习的交通违法行为分类检测方法及SoC芯片
CN111079675A (zh) 基于目标检测与目标跟踪的行驶行为分析方法
CN111444916A (zh) 面向无约束条件下的车牌定位及识别方法、系统
CN112861700A (zh) 基于DeepLabv3+的车道线网络识别模型建立及车辆速度检测方法
CN115565141A (zh) 一种基于视觉红外融合的货车轴型检测方法
CN112818935A (zh) 基于深度学习的多车道拥堵检测及持续时间预测方法及系统
CN110837769B (zh) 一种图像处理与深度学习的嵌入式远红外行人检测方法
CN115272850A (zh) 一种铁路货车bab型闸调器拉杆头折断故障识别方法
CN115294558A (zh) 一种大角度车牌识别系统及其方法
CN117876329A (zh) 一种基于雷达、视频和数据分析的道路病害实时检测方法
CN112053407B (zh) 一种交通执法影像中基于ai技术的车道线自动检测方法

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