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 PDF

Info

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
Application number
CN202310036691.XA
Other languages
English (en)
Inventor
李乐乐
赵鑫鑫
姜凯
李锐
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.)
Shandong Inspur Science Research Institute Co Ltd
Original Assignee
Shandong Inspur Science Research Institute Co Ltd
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 Shandong Inspur Science Research Institute Co Ltd filed Critical Shandong Inspur Science Research Institute Co Ltd
Priority to CN202310036691.XA priority Critical patent/CN116092302A/zh
Publication of CN116092302A publication Critical patent/CN116092302A/zh
Pending legal-status Critical Current

Links

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

一种基于FPGA的智能抓拍系统及方法
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。
CN202310036691.XA 2023-01-10 2023-01-10 一种基于fpga的智能抓拍系统及方法 Pending CN116092302A (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (11)

* Cited by examiner, † Cited by third party
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