CN116091530A - 一种基于机器视觉的汽车覆盖件轮廓检测算法 - Google Patents

一种基于机器视觉的汽车覆盖件轮廓检测算法 Download PDF

Info

Publication number
CN116091530A
CN116091530A CN202310158472.9A CN202310158472A CN116091530A CN 116091530 A CN116091530 A CN 116091530A CN 202310158472 A CN202310158472 A CN 202310158472A CN 116091530 A CN116091530 A CN 116091530A
Authority
CN
China
Prior art keywords
contour
image
automobile panel
group
machine vision
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.)
Withdrawn
Application number
CN202310158472.9A
Other languages
English (en)
Inventor
张美琪
李磊
朱伟
张卓
林鑫焱
樊永胜
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.)
Yancheng Institute of Technology
Original Assignee
Yancheng 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 Yancheng Institute of Technology filed Critical Yancheng Institute of Technology
Priority to CN202310158472.9A priority Critical patent/CN116091530A/zh
Publication of CN116091530A publication Critical patent/CN116091530A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器视觉的汽车覆盖件轮廓检测算法，属于轮廓检测领域，该检测算法具体步骤如下：(1)采集并处理汽车覆盖件轮廓图像；(2)将采集到的轮廓图像进行分类记录；(3)对汽车覆盖件轮廓图像边缘进行提取；(4)喷涂机器人对汽车覆盖件进行喷涂；本发明能够避免虚假边缘出现的，增强了识别虚实轮廓的能力，有效的提高了抗噪声能力，保证了汽车覆盖件轮廓提取的稳定性，无需人工找寻神经网络模型的参数，操作简单便捷，非专业人员也可使用，同时找寻的参数更加精确，提高对汽车覆盖件轮廓的提取效率。

Description

一种基于机器视觉的汽车覆盖件轮廓检测算法
技术领域
本发明涉及轮廓检测领域，尤其涉及一种基于机器视觉的汽车覆盖件轮廓检测算法。
背景技术
随着汽车行业的蓬勃发展，人们对汽车的整体性能及外观提出了更高的要求,对汽车制造技术以及车型识别也带来极大的挑战。而图像所含的信息非常丰富,利用图像处理技术来辅助汽车制造或者识别车型已是研究热点,在汽车制造以及识别系统领域内占据着重要地位。在实际生活中,相机所捕获的图像不但包含了车体本身,而且囊括周围事物与背景特别是在恶劣天气或者复杂环境下,对汽车识别带来了一定的障碍。因此,要准确对汽车进行识别,首先要将车体本身与周围事物分离出来,获取完整信息的整体车型,才能准确地对其进行轮廓提取，随着机器视觉技术的不断成熟，汽车覆盖件轮廓提取成为当代汽车覆盖件喷涂上色的重要手段；因此，发明出一种基于机器视觉的汽车覆盖件轮廓检测算法变得尤为重要；
经检索，现有的基于机器视觉的汽车覆盖件轮廓检测算法抗噪声能力差，容易出现虚假边缘，虚实轮廓识别能力差；此外，现有的基于机器视觉的汽车覆盖件轮廓检测算法需人工找寻神经网络模型的参数，非专业人员操作困难，同时寻找的参数并不精确；为此，我们提出一种基于机器视觉的汽车覆盖件轮廓检测算法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于机器视觉的汽车覆盖件轮廓检测算法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于机器视觉的汽车覆盖件轮廓检测算法，该检测算法具体步骤如下：
(1)采集并处理汽车覆盖件轮廓图像；
(2)将采集到的轮廓图像进行分类记录；
(3)对汽车覆盖件轮廓图像边缘进行提取；
(4)喷涂机器人对汽车覆盖件进行喷涂。
作为本发明的进一步方案，步骤(1)中所述汽车覆盖件具体包括汽车的前后保险杠、发动机盖、叶子板、车门、车顶盖以及后备箱盖。
作为本发明的进一步方案，步骤(1)中所述轮廓图像具体处理步骤如下：
步骤一：依据各组轮廓图像的显示比例确定分块数量，根据确定的分块数量对相关轮廓图像进行分块处理，之后对分块后的各组轮廓图像通过傅里叶正变换将轮廓图像从图像空间转换至频率空间；
步骤二：对频率空间中的高频成分进行提取，并通过高斯函数对其进行平滑处理，之后通过傅里叶反变换将轮廓图像从频率空间转换至图像空间。
作为本发明的进一步方案，步骤二中所述高斯函数具体公式如下：
Figure BDA0004093371410000031
式中，x、y分别代表轮廓图像中各像素点横坐标以及纵坐标，σ代表平滑参数，其中，σ较小时，边缘定位精度高，但图像平滑作用较弱，抑制噪声的能力差；σ较大时，会导致高斯半滑模板增大，使边缘位置偏移严重，增加运算量。
作为本发明的进一步方案，步骤(3)中所述轮廓图像边缘具体提取步骤如下：
步骤Ⅰ：构建并训练一组神经网络模型，之后将处理后的轮廓图像导入该神经网络模型中，神经网络模型对各组轮廓图像进行归一化处理；
步骤Ⅱ：神经网络模型依据各组轮廓图像数据构建相对应的S变换模型，依据各组轮廓图像的傅里叶变换获取关于图像连续信号的S变换模型，再相关嵌入相位函数以及标准因子；
步骤Ⅲ：通过S变换模型对轮廓图像中的中频系数进行非极大值滤波处理并获取极大值，并计算各组轮廓图像阈值消除噪声，之后通过canny算法计算各组轮廓图像的信噪比以获取图像边缘点信息，再提取距离实际点最小的边缘点以获取汽车覆盖件轮廓。
作为本发明的进一步方案，步骤Ⅱ所述S变换模型具体表达形式如下：
Figure BDA0004093371410000041
Figure BDA0004093371410000042
式中，h(t)代表信号，f代表频率，μ代表时间，e-i2πft代表相位函数，
Figure BDA0004093371410000043
代表标准因子；
步骤Ⅲ中所述canny算法具体计算公式如下：
Figure BDA0004093371410000044
式中，G代表2D高斯方差，Gn代表方向n的2D高斯方程，I代表图像函数。
作为本发明的进一步方案，步骤Ⅰ中所述神经网络模型具体训练步骤如下：
步骤①：神经网络模型从云服务器中提取多组测试数据，并从中选择一组测试数据作为验证数据，使用剩下的测试数据拟合一个测试模型，并用选择的验证数据来验证测试模型的精度，并通过均方根误差对该测试模型的预测能力进行计算以获取精度参数；
步骤②：对生成的精度参数进行参数优化处理，初始化参数范围后，再依据设置的学习率以及步长列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，通过训练集训练模型后，对测试集进行预测，并统计测试结果的均方根误差；
步骤③：将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为神经网络模型的最优的参数。
相比于现有技术，本发明的有益效果在于：
1、该基于机器视觉的汽车覆盖件轮廓检测算法相较于以往轮廓检测方法，本发明通过神经网络模型对各组轮廓图像进行归一化处理，神经网络模型依据各组轮廓图像数据构建相对应的S变换模型，依据各组轮廓图像的傅里叶变换获取关于图像连续信号的S变换模型，再相关嵌入相位函数以及标准因子，通过S变换模型对轮廓图像中的中频系数进行非极大值滤波处理并获取极大值，并计算各组轮廓图像阈值消除噪声，之后通过canny算法计算各组轮廓图像的信噪比以获取图像边缘点信息，再提取距离实际点最小的边缘点以获取汽车覆盖件轮廓，能够避免虚假边缘出现的，增强了识别虚实轮廓的能力，有效的提高了抗噪声能力，保证了汽车覆盖件轮廓提取的稳定性；
2、该基于机器视觉的汽车覆盖件轮廓检测算法通过神经网络模型从云服务器中提取多组测试数据，并拟合一个测试模型，并用选择的一组测试数据来验证测试模型的精度，再通过均方根误差对该测试模型的预测能力进行计算以获取精度参数，之后对生成的精度参数进行参数优化处理，初始化参数范围后，再依据设置的学习率以及步长列出所有可能的数据结果，选取任意一个子集作为测试集，其余子集作为训练集，通过训练集训练模型后，对测试集进行预测，并统计测试结果的均方根误差，然后将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为神经网络模型的最优的参数，无需人工找寻神经网络模型的参数，操作简单便捷，非专业人员也可使用，同时找寻的参数更加精确，提高对汽车覆盖件轮廓的提取效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的一种基于机器视觉的汽车覆盖件轮廓检测算法的流程框图。
具体实施方式
实施例1
参照图1，一种基于机器视觉的汽车覆盖件轮廓检测算法，该检测算法具体步骤如下：
采集并处理汽车覆盖件轮廓图像。
具体的，依据各组轮廓图像的显示比例确定分块数量，根据确定的分块数量对相关轮廓图像进行分块处理，之后对分块后的各组轮廓图像通过傅里叶正变换将轮廓图像从图像空间转换至频率空间，对频率空间中的高频成分进行提取，并通过高斯函数对其进行平滑处理，之后通过傅里叶反变换将轮廓图像从频率空间转换至图像空间。
需要进一步说明的是，高斯函数具体公式如下：
Figure BDA0004093371410000071
式中，x、y分别代表轮廓图像中各像素点横坐标以及纵坐标，σ代表平滑参数，其中，σ较小时，边缘定位精度高，但图像平滑作用较弱，抑制噪声的能力差；σ较大时，会导致高斯半滑模板增大，使边缘位置偏移严重，增加运算量。
本实施例中，汽车覆盖件具体包括汽车的前后保险杠、发动机盖、叶子板、车门、车顶盖以及后备箱盖。
将采集到的轮廓图像进行分类记录。
实施例2
参照图1，一种基于机器视觉的汽车覆盖件轮廓检测算法，该检测算法具体步骤如下：
对汽车覆盖件轮廓图像边缘进行提取。
具体的，构建并训练一组神经网络模型，之后将处理后的轮廓图像导入该神经网络模型中，神经网络模型对各组轮廓图像进行归一化处理，神经网络模型依据各组轮廓图像数据构建相对应的S变换模型，依据各组轮廓图像的傅里叶变换获取关于图像连续信号的S变换模型，再相关嵌入相位函数以及标准因子，通过S变换模型对轮廓图像中的中频系数进行非极大值滤波处理并获取极大值，并计算各组轮廓图像阈值消除噪声，之后通过canny算法计算各组轮廓图像的信噪比以获取图像边缘点信息，再提取距离实际点最小的边缘点以获取汽车覆盖件轮廓。
需要进一步说明的是，S变换模型具体表达形式如下：
Figure BDA0004093371410000081
Figure BDA0004093371410000082
式中，h(t)代表信号，f代表频率，μ代表时间，e-i2πft代表相位函数，
Figure BDA0004093371410000083
代表标准因子；
canny算法具体计算公式如下：
Figure BDA0004093371410000084
式中，G代表2D高斯方差，Gn代表方向n的2D高斯方程，I代表图像函数。
本实施例中，神经网络模型从云服务器中提取多组测试数据，并从中选择一组测试数据作为验证数据，使用剩下的测试数据拟合一个测试模型，并用选择的验证数据来验证测试模型的精度，并通过均方根误差对该测试模型的预测能力进行计算以获取精度参数，再对生成的精度参数进行参数优化处理，初始化参数范围后，再依据设置的学习率以及步长列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，通过训练集训练模型后，对测试集进行预测，并统计测试结果的均方根误差，然后将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为神经网络模型的最优的参数。
喷涂机器人对汽车覆盖件进行喷涂。

Claims (7)

1.一种基于机器视觉的汽车覆盖件轮廓检测算法，其特征在于，该检测算法具体步骤如下：
(1)采集并处理汽车覆盖件轮廓图像；
(2)将采集到的轮廓图像进行分类记录；
(3)对汽车覆盖件轮廓图像边缘进行提取；
(4)喷涂机器人对汽车覆盖件进行喷涂。
2.根据权利要求1所述的一种基于机器视觉的汽车覆盖件轮廓检测算法，其特征在于，步骤(1)中所述汽车覆盖件具体包括汽车的前后保险杠、发动机盖、叶子板、车门、车顶盖以及后备箱盖。
3.根据权利要求1所述的一种基于机器视觉的汽车覆盖件轮廓检测算法，其特征在于，步骤(1)中所述轮廓图像具体处理步骤如下：
步骤一：依据各组轮廓图像的显示比例确定分块数量，根据确定的分块数量对相关轮廓图像进行分块处理，之后对分块后的各组轮廓图像通过傅里叶正变换将轮廓图像从图像空间转换至频率空间；
步骤二：对频率空间中的高频成分进行提取，并通过高斯函数对其进行平滑处理，之后通过傅里叶反变换将轮廓图像从频率空间转换至图像空间。
4.根据权利要求3所述的一种基于机器视觉的汽车覆盖件轮廓检测算法，其特征在于，步骤二中所述高斯函数具体公式如下：
Figure FDA0004093371400000011
(1)
式中，x、y分别代表轮廓图像中各像素点横坐标以及纵坐标，σ代表平滑参数，其中，σ较小时，边缘定位精度高，但图像平滑作用较弱，抑制噪声的能力差；σ较大时，会导致高斯半滑模板增大，使边缘位置偏移严重，增加运算量。
5.根据权利要求3所述的一种基于机器视觉的汽车覆盖件轮廓检测算法，其特征在于，步骤(3)中所述轮廓图像边缘具体提取步骤如下：
步骤Ⅰ：构建并训练一组神经网络模型，之后将处理后的轮廓图像导入该神经网络模型中，神经网络模型对各组轮廓图像进行归一化处理；
步骤Ⅱ：神经网络模型依据各组轮廓图像数据构建相对应的S变换模型，依据各组轮廓图像的傅里叶变换获取关于图像连续信号的S变换模型，再相关嵌入相位函数以及标准因子；
步骤Ⅲ：通过S变换模型对轮廓图像中的中频系数进行非极大值滤波处理并获取极大值，并计算各组轮廓图像阈值消除噪声，之后通过canny算法计算各组轮廓图像的信噪比以获取图像边缘点信息，再提取距离实际点最小的边缘点以获取汽车覆盖件轮廓。
6.根据权利要求5所述的一种基于机器视觉的汽车覆盖件轮廓检测算法，其特征在于，步骤Ⅱ所述S变换模型具体表达形式如下：
Figure FDA0004093371400000021
Figure FDA0004093371400000031
Figure FDA0004093371400000032
式中，h(t)代表信号，f代表频率，μ代表时间，e-i2πft代表相位函数，
Figure FDA0004093371400000033
代表标准因子；
步骤Ⅲ中所述canny算法具体计算公式如下：
Figure FDA0004093371400000034
式中，G代表2D高斯方差，Gn代表方向n的2D高斯方程，I代表图像函数。
7.根据权利要求5所述的一种基于机器视觉的汽车覆盖件轮廓检测算法，其特征在于，步骤Ⅰ中所述神经网络模型具体训练步骤如下：
步骤①：神经网络模型从云服务器中提取多组测试数据，并从中选择一组测试数据作为验证数据，使用剩下的测试数据拟合一个测试模型，并用选择的验证数据来验证测试模型的精度，并通过均方根误差对该测试模型的预测能力进行计算以获取精度参数；
步骤②：对生成的精度参数进行参数优化处理，初始化参数范围后，再依据设置的学习率以及步长列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，通过训练集训练模型后，对测试集进行预测，并统计测试结果的均方根误差；
步骤③：将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为神经网络模型的最优的参数。
CN202310158472.9A 2023-02-22 2023-02-22 一种基于机器视觉的汽车覆盖件轮廓检测算法 Withdrawn CN116091530A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310158472.9A CN116091530A (zh) 2023-02-22 2023-02-22 一种基于机器视觉的汽车覆盖件轮廓检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310158472.9A CN116091530A (zh) 2023-02-22 2023-02-22 一种基于机器视觉的汽车覆盖件轮廓检测算法

Publications (1)

Publication Number Publication Date
CN116091530A true CN116091530A (zh) 2023-05-09

Family

ID=86208368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310158472.9A Withdrawn CN116091530A (zh) 2023-02-22 2023-02-22 一种基于机器视觉的汽车覆盖件轮廓检测算法

Country Status (1)

Country Link
CN (1) CN116091530A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117030275A (zh) * 2023-05-29 2023-11-10 盐城工学院 一种满足国六排放法规的电控柴油机的标定方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117030275A (zh) * 2023-05-29 2023-11-10 盐城工学院 一种满足国六排放法规的电控柴油机的标定方法

Similar Documents

Publication Publication Date Title
CN103049892B (zh) 基于相似块矩阵秩最小化的非局部图像去噪方法
CN110991272A (zh) 一种基于视频跟踪的多目标车辆轨迹识别方法
CN101996401B (zh) 基于强度图像和深度图像的目标分析方法及设备
CN110826389B (zh) 基于注意力3d频率卷积神经网络的步态识别方法
CN110837768A (zh) 一种面向珍稀动物保护的在线检测与识别方法
CN109559273B (zh) 一种面向车底图像的快速拼接方法
CN114627447A (zh) 基于注意力机制和多目标跟踪的公路车辆跟踪方法及系统
CN116091530A (zh) 一种基于机器视觉的汽车覆盖件轮廓检测算法
CN109657599B (zh) 距离自适应的车辆外观部件的图片识别方法
CN106251362A (zh) 一种基于快速相关邻域特征点的滑窗目标跟踪方法及系统
CN112115871B (zh) 适用于行人目标检测的高低频交织边缘特征增强方法
CN105787950A (zh) 一种基于行梯度累加的红外图像海天线检测算法
CN111009005A (zh) 几何信息与光度信息相结合的场景分类点云粗配准方法
CN109410248B (zh) 一种基于r-K算法的浮选泡沫运动特征提取方法
CN114038011A (zh) 一种室内场景下人体异常行为的检测方法
CN114266805A (zh) 一种用于无人机目标跟踪的孪生区域建议网络模型
CN111951234B (zh) 模型检测方法
CN117037085A (zh) 基于改进YOLOv5的车辆识别及数量统计的监控方法
CN104331700A (zh) 基于轨迹能量扩散图的组行为识别方法
CN115656958A (zh) 实时航迹起始和航迹分类的检测方法及检测装置
CN115035164A (zh) 一种运动目标识别方法及装置
CN113723563A (zh) 一种基于fcos改进的车辆检测算法
CN117152083B (zh) 一种基于类别激活映射的探地雷达道路病害图像预测可视化方法
CN109711455A (zh) 一种基于无人驾驶汽车的交警手势识别方法
Rasyidy et al. A Framework for Road Boundary Detection based on Camera-LIDAR Fusion in World Coordinate System and Its Performance Evaluation Using Carla Simulator

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20230509

WW01 Invention patent application withdrawn after publication