CN116092302A - 一种基于fpga的智能抓拍系统及方法 - Google Patents
一种基于fpga的智能抓拍系统及方法 Download PDFInfo
- Publication number
- CN116092302A CN116092302A CN202310036691.XA CN202310036691A CN116092302A CN 116092302 A CN116092302 A CN 116092302A CN 202310036691 A CN202310036691 A CN 202310036691A CN 116092302 A CN116092302 A CN 116092302A
- Authority
- CN
- China
- Prior art keywords
- image data
- chip
- module
- data
- fpga
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 101100498818 Arabidopsis thaliana DDR4 gene Proteins 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000006399 behavior Effects 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000013139 quantization Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 5
- 230000003213 activating effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于FPGA的智能抓拍系统及方法,涉及图像处理技术领域,其实现涉及:CCM,板卡,部署于板卡的ISP芯片、FPGA芯片和DDR4;CCM采集车辆与周边环境的图像数据,传输到板卡上部署的ISP芯片;ISP芯片对CCM采集的图像数据进行优化处理;FPGA芯片集成有Cortex‑A53处理器,Cortex‑A53处理器中部署有模型文件Loadable,模型文件Loadable是Caffe深度学习框架和ResNet‑18神经网络架构基于违章图片训练得到的模型经TensorRT量化、Compiler编译得到的;FPGA芯片读取优化处理后的图像数据,对读取的图像数据进行特征提取,并将提取的特征数据传送至Cortex‑A53处理器,Cortex‑A53处理器的模型文件Loadable根据特征数据进行图像识别,实现违章行为的抓拍。本发明可以快速识别违章行为,实现违章行为的及时抓拍和存储。
Description
技术领域
本发明涉及图像处理技术领域,具体的说是一种基于FPGA的智能抓拍系统及方法。
背景技术
目前机动车在行驶过程中存在较多的违章行为,在行驶过程中如果车主遇到其他车主的恶意违章行为,往往来不及及时抓拍,或者用手机抓拍,这时就存在一定的驾驶风险。虽然传统的行车记录仪有视频录制功能,但缺少及时性、针对性的记录手段。
发明内容
本发明针对目前技术发展的需求和不足之处,提供一种基于FPGA的智能抓拍系统及方法。
首先,本发明的一种基于FPGA的智能抓拍系统,解决上述技术问题采用的技术方案如下:
一种基于FPGA的智能抓拍系统,包括CCM,板卡,部署于板卡的ISP芯片、FPGA芯片、DDR4、电源芯片和时钟芯片,其中,
CCM用于采集车辆与周边环境的图像数据,传输到板卡上部署的ISP芯片;
ISP芯片用于对CCM采集的图像数据进行优化处理;
FPGA芯片集成有Cortex-A53处理器,Cortex-A53处理器中部署有模型文件Loadable,模型文件Loadable是Caffe深度学习框架和ResNet-18神经网络架构基于违章图片训练得到的模型经TensorRT量化、Compiler编译得到的;FPGA芯片用于读取优化处理后的图像数据,对读取的图像数据进行特征提取,并将提取的特征数据传送至Cortex-A53处理器,Cortex-A53处理器的模型文件Loadable根据特征数据进行图像识别,实现违章行为的抓拍。
可选的,ISP芯片将优化处理后的图像数据通过MIPI接口传送到FPGA芯片;
FPGA芯片首先接收图像数据存储到DDR4中,随后从DDR4中读取图像数据进行特征提取,再后将提取的特征数据回写入DDR4中;
Cortex-A53处理器从DDR4中读取特征数据,并根据特征数据进行图像识别,实现违章行为的抓拍,抓拍后的图像数据存储于TF卡。
可选的,FPGA芯片包括数据接收模块、数据写入模块、数据读取模块、格式转换模块、卷积模块、函数激活模块、池化模块,其中,
数据接收模块通过MIPI接口接收ISP芯片输出的图像数据,
数据写入模块将数据接收模块接收的图像数据写入DDR4中,
数据读取模块读取DDR4中的图像数据,并依次传送至格式转换模块、卷积模块、函数激活模块、池化模块进行格式转换、卷积、函数激活、池化操作,完成特征提取。
可选的,FPGA芯片采用Zynq UltraScale+MPSoc芯片;
CCM采用IMX291图像传感器;
ISP芯片采用AP1362BD。
其次,本发明的一种基于FPGA的智能抓拍方法,解决上述技术问题采用的技术方案如下:
一种基于FPGA的智能抓拍方法,其实现过程包括:
第一步,获取违章图片,将违章图片随机划分到训练集和验证集,
利用训练集的违章图片训练基于Caffe深度学习框架和ResNet-18神经网络架构的模型,
利用验证集的违章图片验证训练所得模型的准确率,在准确率超过设定的训练阈值时完成模型训练,对完成训练的模型进行TensorRT量化、Compiler编译得到的模型文件Loadable,将模型文件Loadable写入Cortex-A53处理器;
第二步,在板卡上部署于ISP芯片、FPGA芯片、DDR4、电源芯片和时钟芯片,其中,FPGA芯片集成有Cortex-A53处理器;
第三步,使用CCM采集车辆与周边环境的图像数据,传输到ISP芯片,ISP芯片对图像数据进行优化处理;
第四步,FPGA芯片读取优化处理后的图像数据,对读取的图像数据进行特征提取,并将提取的特征数据传送至Cortex-A53处理器,Cortex-A53处理器的模型文件Loadable根据特征数据进行图像识别,实现违章行为的抓拍。
可选的,执行第三步时,ISP芯片将优化处理后的图像数据通过MIPI接口传送到FPGA芯片;
执行第四步时,FPGA芯片首先接收图像数据存储到DDR4中,随后从DDR4中读取图像数据进行特征提取,再后将提取的特征数据回写入DDR4中,
Cortex-A53处理器从DDR4中读取特征数据,并根据特征数据进行图像识别,实现违章行为的抓拍,抓拍后的图像数据存储于TF卡。
可选的,FPGA芯片包括数据接收模块、数据写入模块、数据读取模块、格式转换模块、卷积模块、函数激活模块、池化模块,其中,
数据接收模块通过MIPI接口接收ISP芯片输出的图像数据,
数据写入模块将数据接收模块接收的图像数据写入DDR4中,
数据读取模块读取DDR4中的图像数据,并依次传送至格式转换模块、卷积模块、函数激活模块、池化模块进行格式转换、卷积、函数激活、池化操作,完成特征提取。
优选的,FPGA芯片采用Zynq UltraScale+MPSoc芯片;
CCM采用IMX291图像传感器;
ISP芯片采用AP1362BD。
本发明的一种基于FPGA的智能抓拍系统及方法,与现有技术相比具有的有益效果是:
(1)本发明利用FPGA强大的并行运算、存储转发能力,加速深度学习推理过程,高速、准确识别提取特定的违章行为,另外,FPGA集成的Cortex-A53处理器依据识别结果实现快速、准确的检测,并及时存储周围的恶意违章行为;
(2)本发明利用摄像头采集的实时图像,一旦检测到车辆附近的违章行为,智能化拍照记录保存,方便快捷,适应多种应用场景。
附图说明
附图1是本发明实施例一的连接框图;
附图2是本发明中FPGA芯片的模块连接框图。
具体实施方式
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白,以下结合具体实施例,对本发明的技术方案进行清楚、完整的描述。
实施例一:
结合附图1,本实施例提出一种基于FPGA的智能抓拍系统,包括CCM,板卡,部署于板卡的ISP芯片、FPGA芯片、DDR4、电源芯片和时钟芯片,其中,
CCM即摄像头模组,用于采集车辆与周边环境的图像数据,传输到板卡上部署的ISP芯片;
ISP芯片用于对CCM采集的图像数据进行优化处理,并将优化处理后的图像数据通过MIPI接口传送到FPGA芯片;
FPGA芯片集成有Cortex-A53处理器,Cortex-A53处理器中部署有模型文件Loadable,模型文件Loadable是Caffe深度学习框架和ResNet-18神经网络架构基于违章图片训练得到的模型经TensorRT量化、Compiler编译得到的;FPGA芯片首先接收图像数据存储到DDR4中,随后从DDR4中读取图像数据进行特征提取,再后将提取的特征数据回写入DDR4中;Cortex-A53处理器从DDR4中读取特征数据,Cortex-A53处理器的模型文件Loadable根据特征数据进行图像识别,实现违章行为的抓拍,抓拍后的图像数据存储于TF卡。
本实施例中,结合附图2,FPGA芯片包括数据接收模块mipi_rev、数据写入模块ddr_wrdma、数据读取模块ddr_rddma、格式转换模块format_cvt、卷积模块dir_conv、函数激活模块wb_preproc、池化模块planar_proc,其中:数据接收模块mipi_rev通过MIPI接口接收ISP芯片输出的图像数据,数据写入模块ddr_wrdma将数据接收模块mipi_rev接收的图像数据写入DDR4中,数据读取模块ddr_rddma读取DDR4中的图像数据,并依次传送至格式转换模块format_cvt、卷积模块dir_conv、函数激活模块wb_preproc、池化模块planar_proc进行格式转换、卷积、函数激活、池化操作,完成特征提取。
本实施例中,FPGA芯片采用Zynq UltraScale+MPSoc芯片;
CCM采用IMX291图像传感器;
ISP芯片采用AP1362BD。
实施例二:
结合附图1,本实施例提出一种基于FPGA的智能抓拍方法,其实现过程包括:
第一步,获取违章图片,将违章图片随机划分到训练集和验证集,
利用训练集的违章图片训练基于Caffe深度学习框架和ResNet-18神经网络架构的模型,
利用验证集的违章图片验证训练所得模型的准确率,在准确率超过设定的训练阈值时完成模型训练,对完成训练的模型进行TensorRT量化、Compiler编译得到的模型文件Loadable,将模型文件Loadable写入Cortex-A53处理器。
第二步,结合附图1,在板卡上部署于ISP芯片、FPGA芯片、DDR4、电源芯片和时钟芯片,其中,FPGA芯片集成有Cortex-A53处理器。
第三步,使用CCM采集车辆与周边环境的图像数据,传输到ISP芯片,ISP芯片对图像数据进行优化处理,并将优化处理后的图像数据通过MIPI接口传送到FPGA芯片。
第四步,FPGA芯片首先接收图像数据存储到DDR4中,随后从DDR4中读取图像数据进行特征提取,再后将提取的特征数据回写入DDR4中;
Cortex-A53处理器从DDR4中读取特征数据,Cortex-A53处理器的模型文件Loadable根据特征数据进行图像识别,实现违章行为的抓拍,抓拍后的图像数据存储于TF卡。
本实施例中,结合附图2,FPGA芯片包括数据接收模块mipi_rev、数据写入模块ddr_wrdma、数据读取模块ddr_rddma、格式转换模块format_cvt、卷积模块dir_conv、函数激活模块wb_preproc、池化模块planar_proc,其中:数据接收模块mipi_rev通过MIPI接口接收ISP芯片输出的图像数据,数据写入模块ddr_wrdma将数据接收模块mipi_rev接收的图像数据写入DDR4中,数据读取模块ddr_rddma读取DDR4中的图像数据,并依次传送至格式转换模块format_cvt、卷积模块dir_conv、函数激活模块wb_preproc、池化模块planar_proc进行格式转换、卷积、函数激活、池化操作,完成特征提取。
本实施例中,FPGA芯片采用Zynq UltraScale+MPSoc芯片;
CCM采用IMX291图像传感器;
ISP芯片采用AP1362BD。
综上可知,采用本发明的一种基于FPGA的智能抓拍系统及方法,可以快速识别违章行为,实现违章行为的及时抓拍和存储。
基于本发明的上述具体实施例,本技术领域的技术人员在不脱离本发明原理的前提下,对本发明所作出的任何改进和修饰,皆应落入本发明的专利保护范围。
Claims (8)
1.一种基于FPGA的智能抓拍系统,其特征在于,包括CCM,板卡,部署于板卡的ISP芯片、FPGA芯片、DDR4、电源芯片和时钟芯片,其中,
CCM用于采集车辆与周边环境的图像数据,传输到板卡上部署的ISP芯片;
ISP芯片用于对CCM采集的图像数据进行优化处理;
FPGA芯片集成有Cortex-A53处理器,Cortex-A53处理器中部署有模型文件Loadable,模型文件Loadable是Caffe深度学习框架和ResNet-18神经网络架构基于违章图片训练得到的模型经TensorRT量化、Compiler编译得到的;FPGA芯片用于读取优化处理后的图像数据,对读取的图像数据进行特征提取,并将提取的特征数据传送至Cortex-A53处理器,Cortex-A53处理器的模型文件Loadable根据特征数据进行图像识别,实现违章行为的抓拍。
2.根据权利要求1所述的一种基于FPGA的智能抓拍系统,其特征在于,ISP芯片将优化处理后的图像数据通过MIPI接口传送到FPGA芯片;
FPGA芯片首先接收图像数据存储到DDR4中,随后从DDR4中读取图像数据进行特征提取,再后将提取的特征数据回写入DDR4中;
Cortex-A53处理器从DDR4中读取特征数据,并根据特征数据进行图像识别,实现违章行为的抓拍,抓拍后的图像数据存储于TF卡。
3.根据权利要求2所述的一种基于FPGA的智能抓拍系统,其特征在于,FPGA芯片包括数据接收模块、数据写入模块、数据读取模块、格式转换模块、卷积模块、函数激活模块、池化模块,其中,
数据接收模块通过MIPI接口接收ISP芯片输出的图像数据,
数据写入模块将数据接收模块接收的图像数据写入DDR4中,
数据读取模块读取DDR4中的图像数据,并依次传送至格式转换模块、卷积模块、函数激活模块、池化模块进行格式转换、卷积、函数激活、池化操作,完成特征提取。
4.根据权利要求1所述的一种基于FPGA的智能抓拍系统,其特征在于,FPGA芯片采用Zynq UltraScale+MPSoc芯片;
CCM采用IMX291图像传感器;
ISP芯片采用AP1362BD。
5.一种基于FPGA的智能抓拍方法,其特征在于,其实现过程包括:
第一步,获取违章图片,将违章图片随机划分到训练集和验证集,
利用训练集的违章图片训练基于Caffe深度学习框架和ResNet-18神经网络架构的模型,
利用验证集的违章图片验证训练所得模型的准确率,在准确率超过设定的训练阈值时完成模型训练,对完成训练的模型进行TensorRT量化、Compiler编译得到的模型文件Loadable,将模型文件Loadable写入Cortex-A53处理器;
第二步,在板卡上部署于ISP芯片、FPGA芯片、DDR4、电源芯片和时钟芯片,其中,FPGA芯片集成有Cortex-A53处理器;
第三步,使用CCM采集车辆与周边环境的图像数据,传输到ISP芯片,ISP芯片对图像数据进行优化处理;
第四步,FPGA芯片读取优化处理后的图像数据,对读取的图像数据进行特征提取,并将提取的特征数据传送至Cortex-A53处理器,Cortex-A53处理器的模型文件Loadable根据特征数据进行图像识别,实现违章行为的抓拍。
6.根据权利要求5所述的一种基于FPGA的智能抓拍方法,其特征在于,执行第三步时,ISP芯片将优化处理后的图像数据通过MIPI接口传送到FPGA芯片;
执行第四步时,FPGA芯片首先接收图像数据存储到DDR4中,随后从DDR4中读取图像数据进行特征提取,再后将提取的特征数据回写入DDR4中,
Cortex-A53处理器从DDR4中读取特征数据,并根据特征数据进行图像识别,实现违章行为的抓拍,抓拍后的图像数据存储于TF卡。
7.根据权利要求6所述的一种基于FPGA的智能抓拍方法,其特征在于,FPGA芯片包括数据接收模块、数据写入模块、数据读取模块、格式转换模块、卷积模块、函数激活模块、池化模块,其中,
数据接收模块通过MIPI接口接收ISP芯片输出的图像数据,
数据写入模块将数据接收模块接收的图像数据写入DDR4中,
数据读取模块读取DDR4中的图像数据,并依次传送至格式转换模块、卷积模块、函数激活模块、池化模块进行格式转换、卷积、函数激活、池化操作,完成特征提取。
8.根据权利要求5所述的一种基于FPGA的智能抓拍方法,其特征在于,FPGA芯片采用Zynq UltraScale+MPSoc芯片;
CCM采用IMX291图像传感器;
ISP芯片采用AP1362BD。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310036691.XA CN116092302A (zh) | 2023-01-10 | 2023-01-10 | 一种基于fpga的智能抓拍系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310036691.XA CN116092302A (zh) | 2023-01-10 | 2023-01-10 | 一种基于fpga的智能抓拍系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116092302A true CN116092302A (zh) | 2023-05-09 |
Family
ID=86204065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310036691.XA Pending CN116092302A (zh) | 2023-01-10 | 2023-01-10 | 一种基于fpga的智能抓拍系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116092302A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081847A (zh) * | 2009-11-27 | 2011-06-01 | 西安费斯达自动化工程有限公司 | 基于fpga的车辆越线自动监测及压缩传输 |
CN202339636U (zh) * | 2011-11-01 | 2012-07-18 | 杭州海康威视系统技术有限公司 | 一种图像采集装置 |
CN103647899A (zh) * | 2013-11-15 | 2014-03-19 | 天津天地伟业数码科技有限公司 | 基于fpga的交通智能摄像机抓拍系统及抓拍方法 |
CN108154686A (zh) * | 2018-02-12 | 2018-06-12 | 苏州清研微视电子科技有限公司 | 一种车载违章行为抓拍系统 |
CN110046547A (zh) * | 2019-03-06 | 2019-07-23 | 深圳市麦谷科技有限公司 | 违章举报方法、系统、计算机设备及存储介质 |
CN110188717A (zh) * | 2019-06-03 | 2019-08-30 | 中国通信建设第四工程局有限公司 | 图像获取方法及装置 |
CN111149141A (zh) * | 2017-09-04 | 2020-05-12 | Nng软件开发和商业有限责任公司 | 用于收集并使用来自交通工具的传感器数据的方法和装置 |
CN114419885A (zh) * | 2022-01-14 | 2022-04-29 | 重庆长安汽车股份有限公司 | 基于高精定位和车载感知能力的车辆违章抓拍方法及系统 |
CN115035726A (zh) * | 2022-05-16 | 2022-09-09 | 中铁十九局集团第六工程有限公司 | 隧道施工过程违章数据回放和分析的方法、计算机装置、计算机可读存储介质 |
CN115131973A (zh) * | 2021-03-25 | 2022-09-30 | 上海博泰悦臻网络技术服务有限公司 | 车辆预警的方法、装置及系统 |
CN115511694A (zh) * | 2022-09-16 | 2022-12-23 | 山东浪潮科学研究院有限公司 | 基于fpga的资源回收结算方法及系统 |
-
2023
- 2023-01-10 CN CN202310036691.XA patent/CN116092302A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081847A (zh) * | 2009-11-27 | 2011-06-01 | 西安费斯达自动化工程有限公司 | 基于fpga的车辆越线自动监测及压缩传输 |
CN202339636U (zh) * | 2011-11-01 | 2012-07-18 | 杭州海康威视系统技术有限公司 | 一种图像采集装置 |
CN103647899A (zh) * | 2013-11-15 | 2014-03-19 | 天津天地伟业数码科技有限公司 | 基于fpga的交通智能摄像机抓拍系统及抓拍方法 |
CN111149141A (zh) * | 2017-09-04 | 2020-05-12 | Nng软件开发和商业有限责任公司 | 用于收集并使用来自交通工具的传感器数据的方法和装置 |
CN108154686A (zh) * | 2018-02-12 | 2018-06-12 | 苏州清研微视电子科技有限公司 | 一种车载违章行为抓拍系统 |
CN110046547A (zh) * | 2019-03-06 | 2019-07-23 | 深圳市麦谷科技有限公司 | 违章举报方法、系统、计算机设备及存储介质 |
CN110188717A (zh) * | 2019-06-03 | 2019-08-30 | 中国通信建设第四工程局有限公司 | 图像获取方法及装置 |
CN115131973A (zh) * | 2021-03-25 | 2022-09-30 | 上海博泰悦臻网络技术服务有限公司 | 车辆预警的方法、装置及系统 |
CN114419885A (zh) * | 2022-01-14 | 2022-04-29 | 重庆长安汽车股份有限公司 | 基于高精定位和车载感知能力的车辆违章抓拍方法及系统 |
CN115035726A (zh) * | 2022-05-16 | 2022-09-09 | 中铁十九局集团第六工程有限公司 | 隧道施工过程违章数据回放和分析的方法、计算机装置、计算机可读存储介质 |
CN115511694A (zh) * | 2022-09-16 | 2022-12-23 | 山东浪潮科学研究院有限公司 | 基于fpga的资源回收结算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1841187A (zh) | 图像摄取设备及其控制方法 | |
US20100272364A1 (en) | Image editing system and method | |
CN101163207A (zh) | 数码相机 | |
CN111259977A (zh) | 一种基于深度学习的垃圾分类装置 | |
WO2020155790A1 (zh) | 理赔信息提取方法和装置、电子设备 | |
CN102469244A (zh) | 用于对被摄体进行连续摄像的摄像装置 | |
CN1936930A (zh) | 一种识别第二代居民身份证的方法 | |
JP5153478B2 (ja) | 画像処理装置及び画像処理方法 | |
CN116597406A (zh) | 基于多模态的用户意图车型识别方法及装置、存储介质 | |
CN112464940A (zh) | 一种基于深度学习的车辆前挡风玻璃vin码识别方法及系统 | |
CN107977392B (zh) | 绘本识别方法、装置、系统及电子设备 | |
CN103458173A (zh) | 一种图像相关数据处理的装置、方法和终端 | |
CN110386087B (zh) | 基于车辆的拍摄方法、存储介质、电子设备、及车辆 | |
CN107615746A (zh) | 用于智能成像的集成方案 | |
CN116092302A (zh) | 一种基于fpga的智能抓拍系统及方法 | |
CN106815584A (zh) | 一种基于ocr技术的相机手动取景图片转化系统 | |
CN115331386B (zh) | 一种基于计算机视觉的防垂钓检测告警系统 | |
CN116170682A (zh) | 图像采集装置、方法及电子设备 | |
CN113011497B (zh) | 图像比对方法和系统 | |
CN112185158B (zh) | 基于反向寻车的停车位与车辆信息匹配方法及停车系统 | |
CN201965633U (zh) | 人脸侦测辨识系统 | |
CN103269419B (zh) | 视频记录系统 | |
CN116597237B (zh) | 皮带启动检测方法、系统、存储介质及计算机 | |
JP6922447B2 (ja) | 情報処理システム、サーバおよび通信方法 | |
CN110909619A (zh) | 一种基于智慧警务车载摄像头前置图像处理的识别方法 |
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 |