CN116563770A - 车辆颜色的检测方法、装置及设备和介质 - Google Patents
车辆颜色的检测方法、装置及设备和介质 Download PDFInfo
- Publication number
- CN116563770A CN116563770A CN202310833587.3A CN202310833587A CN116563770A CN 116563770 A CN116563770 A CN 116563770A CN 202310833587 A CN202310833587 A CN 202310833587A CN 116563770 A CN116563770 A CN 116563770A
- Authority
- CN
- China
- Prior art keywords
- color
- target
- vehicle
- image
- determining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 65
- 239000003086 colorant Substances 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 238000002372 labelling Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013145 classification model Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/77—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种车辆颜色的检测方法、装置及设备和介质,可以提高车辆颜色检测的准确度和稳定性,并降低成本,所述方法包括:对视频数据进行车辆检测,得到目标车辆所在区域的第一图像;根据目标模型、以及所述第一图像,确定所述目标车辆的颜色分类结果;根据所述颜色分类结果,判断所述目标车辆的车辆颜色是否为第一目标颜色组中的颜色;在所述目标车辆的车辆颜色为所述第一目标颜色组中的颜色的情况下,获取所述目标模型对所述第一图像提取出的第一图像特征,并根据所述第一图像特征、以及数据库中的所述第一目标颜色组中的各个颜色各自所关联的第二图像特征,确定所述目标车辆的颜色。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种车辆颜色的检测方法、装置及设备和介质。
背景技术
由于车辆颜色的多样性,传统车辆颜色检测技术的检测准确度和稳定性较低,且由于传统车辆颜色检测技术主要基于推理模型实现,其模型训练阶段依赖于海量的数据标注,存在较高的人力成本和时间成本。
发明内容
本申请实施例的目的是提供一种车辆颜色的检测方法、装置及设备和介质,可以提高车辆颜色检测的准确度和稳定性,并降低成本。
为解决上述技术问题,第一方面,本申请实施例提供了一种车辆颜色的检测方法,所述方法包括:
对视频数据进行车辆检测,得到目标车辆所在区域的第一图像;
根据目标模型、以及所述第一图像,确定所述目标车辆的颜色分类结果;
根据所述颜色分类结果,判断所述目标车辆的车辆颜色是否为第一目标颜色组中的颜色;
在所述目标车辆的车辆颜色为所述第一目标颜色组中的颜色的情况下,根据所述颜色分类结果,确定所述目标车辆的颜色;
在所述目标车辆的车辆颜色为不常见车辆颜色的情况下,获取所述目标模型对所述第一图像提取出的第一图像特征,并根据所述第一图像特征、以及数据库中的所述第一目标颜色组中的各个颜色各自所关联的第二图像特征,确定所述目标车辆的颜色。
可选地,根据所述第一图像特征、以及数据库中的所述第一目标颜色组中的各个颜色各自所关联的第二图像特征,确定所述目标车辆的颜色,包括:
分别确定所述第一图像特征与所述数据库中的每个所述第二图像特征之间的相似度;
将相似度最高的所述第二图像特征所关联的所述第一目标颜色组中的颜色,确定为所述目标车辆的颜色。
可选地,将相似度最高的所述第二图像特征所关联的所述第一目标颜色组中的颜色,确定为所述目标车辆的颜色之前,所述方法还包括:
从各个所述第二图像特征各自对应的相似度中确定最高相似度;
判断所述最高相似度是否低于设置阈值;
在所述最高相似度低于所述设置阈值的情况下,将所述第一图像和所述第一图像特征确定为待标记特征并保存至所述数据库,在获取到所述待标记特征的车辆颜色标记的情况下,根据所述待标记特征和所述车辆颜色标记,更新所述数据库中的第一目标颜色组和第二图像特征;
将相似度最高的所述第二图像特征所关联的所述第一目标颜色组中的颜色,确定为所述目标车辆的颜色,包括:
在所述最高相似度不低于所述设置阈值的情况下,将相似度最高的所述第二图像特征所关联的所述第一目标颜色组中的颜色,确定为所述目标车辆的颜色。
可选地,所述目标模型用于输出以下任一颜色分类结果:定义的第二目标颜色组中的各个颜色类别;其他颜色类别,所述其他颜色类别用于表征除所述第二目标颜色组之外的其他所有颜色;
根据所述颜色分类结果,判断所述目标车辆的车辆颜色是否为第一目标颜色组中的颜色,包括:
在所述颜色分类结果为所述第二目标颜色组中的任一颜色类别的情况下,判定所述目标车辆的车辆颜色不为所述第一目标颜色组中的颜色;
在所述颜色分类结果为所述其他颜色类别的情况下,判定所述目标车辆的车辆颜色为所述第一目标颜色组中的颜色。
可选地,对视频数据进行车辆检测,得到目标车辆所在区域的第一图像之前,所述方法还包括:
根据训练所述目标模型所使用的训练样本的亮度信息、以及建立所述数据库所使用的图像样本的亮度信息,确定目标亮度信息;
根据所述目标亮度信息,对所述视频数据进行亮度调整;
对视频数据进行车辆检测,得到目标车辆所在区域的第一图像,包括:
对亮度调整后的所述视频数据进行车辆检测,得到所述目标车辆所在区域的第一图像。
可选地,根据目标模型、以及所述第一图像,确定所述目标车辆的颜色分类结果之前,所述方法还包括:
根据训练所述目标模型所使用的训练样本的亮度信息、以及建立所述数据库所使用的图像样本的亮度信息,确定目标亮度信息;
将所述第一图像的RGB色彩空间转换为HSV颜色空间;
根据所述目标亮度信息,对转换为HSV颜色空间的所述第一图像进行亮度调整;
根据目标模型、以及所述第一图像,确定所述目标车辆的颜色分类结果,包括:
根据所述目标模型、以及亮度调整后的所述第一图像,确定所述目标车辆的颜色分类结果。
可选地,所述方法还包括:
在所述目标车辆的车辆颜色不为所述第一目标颜色组中的颜色的情况下,根据所述颜色分类结果,确定所述目标车辆的颜色。
第二方面,本申请实施例还提供了一种车辆颜色的检测装置,所述装置包括:
第一检测模块,用于对视频数据进行车辆检测,得到目标车辆所在区域的第一图像;
第一分类模块,用于根据目标模型、以及所述第一图像,确定所述目标车辆的颜色分类结果;
第一判断模块,用于根据所述颜色分类结果,判断所述目标车辆的车辆颜色是否为第一目标颜色组中的颜色;
第一处理模块,用于在所述目标车辆的车辆颜色为所述第一目标颜色组中的颜色的情况下,获取所述目标模型对所述第一图像提取出的第一图像特征,并根据所述第一图像特征、以及数据库中的所述第一目标颜色组中的各个颜色各自所关联的第二图像特征,确定所述目标车辆的颜色。
第三方面,本申请实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上的计算机程序,所述处理器执行所述计算机程序以实现如第一方面所述的车辆颜色的检测方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序/指令,该计算机程序/指令被处理器执行时实现如第一方面所述的车辆颜色的检测方法。
第五方面,本申请实施例还提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现如第一方面所述的车辆颜色的检测方法。
由上述技术方案可以看出,本申请利用车辆检测技术,提取目标车辆所在区域的第一图像,以减少其他图像区域对后续车辆颜色检测的干扰,再根据目标模型所确定的目标车辆的颜色分类结果,判断目标车辆的车辆颜色是否为第一目标颜色组中的颜色(即不常见车辆颜色),对于目标模型误判率较高或较难采集大量标注数据的不常见车辆颜色,利用目标模型提取第一图像特征,并结合数据库中不常见车辆颜色所关联的第二图像特征以确定目标车辆的颜色,可以提高车辆颜色检测的准确度和稳定性,且可以有效减少模型训练所需的人力成本和时间成本。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本申请实施例提供的一种传统车辆颜色检测方法的示意图;
图2为本申请实施例提供的一种车辆颜色的检测方法的实施流程图;
图3为本申请实施例提供的一种车辆颜色检测方法的实现过程的示意图;
图4为本申请实施例提供的一种车辆颜色的检测装置的结构示意图;
图5为本申请实施例提供的一种电子设备的示意图;
图6为本申请实施例提供的一种计算机可读存储介质的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本申请保护范围。
本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
由于车辆颜色的多样性,使得车辆颜色的准确检测是一个具有挑战性的问题。传统的车辆颜色检测技术主要有以下两种实现方案。
方案1:采集监控视频中车辆的像素信息,通过比对像素信息确定车辆颜色。
由于使用像素运算来判断车辆颜色容易受到光照等环境因素影响,且难以判断多种颜色共存的车辆颜色,使得检测的准确度和稳定性较低。
方案2:将监控视频帧直接输入至训练好的推理模型,得到推理模型输出的车辆颜色检测结果。
如图1所示,由于车辆颜色检测属于细粒度的检测,在数据准备阶段需要采集大量车辆数据,在对该大量车辆数据完成标注(即标记车辆颜色)和清洗后,需要对不同的深度模型(即推理模型)进行训练和测试,将通过测试的深度模型进行量化和裁剪后,再上线部署运行。
上述方案主要存在以下问题:1、人力成本高:深度模型训练过程中的大量数据采集、标注和清洗等步骤均需要大量人力;2、时间成本高:直接使用深度模型完成车辆颜色检测时,需要颜色种类特别丰富的样本集对深度模型进行训练,且针对某些使用特别少的颜色(即不常见车辆颜色),需要花费大量时间成本才能采集到足够数量的模型训练和测试所需的数据样本;3、误报率高:因车辆颜色的种类特别丰富,在数据量较大的情况下难以保证标注质量,以致影响深度模型的准确性和稳定性。
针对上述相关技术中存在的问题,本申请将图像检测技术、分类技术、特征相似度计算等多个技术相融合以满足现有车辆颜色检测对精确度的高要求,且可以有效减少人力成本和时间成本。
下面结合附图,通过一些实施例及其应用场景对本申请实施例提供的一种车辆颜色的检测方法进行详细地说明。
第一方面,参见图2所示,为本申请实施例所提供的一种车辆颜色的检测方法的实施流程图,该方法可以包括以下步骤:
步骤S101:对视频数据进行车辆检测,得到目标车辆所在区域的第一图像。
在具体实施时,如图3所示,该视频数据可以是各个摄像头实时拍摄的视频流,其中,该摄像头可以是至少200万像素(1920*1080)、ipx6级防水的高清防爆摄像头,且布防区域距离摄像头应小于10米且大于1米。使用yolo系列网络、rcnn系列网络等深度网络建立车辆检测模型,并通过计算平台进行模型训练,随后即可使用训练完成的车辆检测模型检测视频流中的车辆区域。其中,该计算平台可以包含配置了1张1080Ti及以上GPU的计算机,其内存不少于8G,处理器主频不低于2.3GHz。
例如,可以使用yolov5模型对视频数据进行车辆检测,并将检测出的目标车辆(如yolov5模型针对目标车辆输出的锚框区域)裁剪下来,得到该目标车辆所在区域的第一图像。
步骤S102:根据目标模型、以及所述第一图像,确定所述目标车辆的颜色分类结果。
在具体实施时,为保证车辆颜色检测效果,可以对该第一图像进行预处理,如对该第一图像先进行亮度增强(可以对第一图像的亮度进行设定幅度的增强),再对第一图像中的亮暗区域进行亮度统一,随后将亮度统一后的第一图像输入至目标模型,得到目标模型针对该目标车辆输出的颜色分类结果,
步骤S103:根据所述颜色分类结果,判断所述目标车辆的车辆颜色是否为第一目标颜色组中的颜色。
其中,第一目标颜色组(即不常见车辆颜色)可以包含除预先定义的第二目标颜色组(即常见车辆颜色,如黑色、白色、灰色)之外的其他车辆颜色,如黄色、黑黄拼接等不常见车辆颜色。
可以理解的是,该不常见车辆颜色应为难以获取大量数据样本(即使用较少)、或深度模型较难检测(如多种颜色共存)的车辆颜色。通过目标模型输出的颜色分类结果,将具有不常见车辆颜色的目标车辆分离出来,以便通过除推理模型之外的其他方式实现对这类目标车辆的车辆颜色检测,从而提高车辆颜色检测的准确性和稳定性。
作为一种可能的实施方式,在所述目标车辆的车辆颜色不为所述第一目标颜色组中的颜色的情况下,根据所述颜色分类结果,确定所述目标车辆的颜色。
在具体实施时,该颜色分类结果可以为目标模型输出的具体车辆颜色类型(如灰色),此时可以将该颜色分类结果直接确定为目标车辆的颜色;该颜色分类结果也可以为目标模型针对定义的各个常见车辆颜色类别检测出的分类概率,如目标模型检测出目标车辆为灰色的分类概率为0.8,目标车辆为黑色的分类概率为0.1,此时可以将最高分类概率的定义车辆颜色类别(即灰色)确定为目标车辆的颜色。
步骤S104:在所述目标车辆的车辆颜色为所述第一目标颜色组中的颜色的情况下,获取所述目标模型对所述第一图像提取出的第一图像特征,并根据所述第一图像特征、以及数据库中的所述第一目标颜色组中的各个颜色各自所关联的第二图像特征,确定所述目标车辆的颜色。
可以理解的是,相比于直接使用图像的像素信息,利用图像特征(如512维度特征)确定目标车辆的颜色,可以降低光照、天气条件等环境因素对车辆颜色检测的影响,从而提高检测的准确性和稳定性。且建立数据库所需的图像样本量要小于训练目标模型所需的训练样本数量,故可以有效减少获取不常见车辆颜色的标注数据所花费的时间成本和人力成本。
由上述技术方案可以看出,本申请利用车辆检测技术,提取目标车辆所在区域的第一图像,以减少其他图像区域对后续车辆颜色检测的干扰,再根据目标模型所确定的目标车辆的颜色分类结果,判断目标车辆的车辆颜色是否为第一目标颜色组中的颜色(即不常见车辆颜色),对于目标模型误判率较高或较难采集大量标注数据的不常见车辆颜色,利用目标模型提取第一图像特征,并结合数据库中不常见车辆颜色所关联的第二图像特征以确定目标车辆的颜色,可以提高车辆颜色检测的准确度和稳定性,且可以有效减少模型训练所需的人力成本和时间成本。
可选地,在一个实施例中,分别确定所述第一图像特征与所述数据库中的每个所述第二图像特征之间的相似度;将相似度最高的所述第二图像特征所关联的所述第一目标颜色组中的颜色,确定为所述目标车辆的颜色。
在具体实施时,可以利用convnext网络等建立车辆颜色分类模型(即目标模型),该目标模型的输入为目标车辆所在区域的第一图像,输出为车辆颜色分类结果和所述目标模型对所述第一图像提取的512维度特征。
可以理解的是,为便于进行特征比对,此时数据库中的第二图像特征也可以均为512维度特征。例如,在建立数据库时,可以将获取到的各个不常见车辆颜色各自关联的图像样本输入至目标模型,从而将目标模型输出的各个512维度特征对应确定为各个不常见车辆颜色各自关联的第二图像特征。
随后分别确定上述目标模型对第一图像提取出的512维度特征,与数据库中记录的每个不常见车辆颜色关联的512维度特征之间的相似度,将数据库中记录的相似度最高的512维度特征所关联的不常见车辆颜色,确定为该目标车辆的颜色。
作为一种可能的实施方式,为保证车辆颜色检测的准确性,可以从各个所述第二图像特征各自对应的相似度中确定最高相似度,并判断所述最高相似度是否低于设置阈值。
在所述最高相似度低于所述设置阈值的情况下,将所述第一图像和所述第一图像特征确定为待标记特征并保存至所述数据库,便于用户查看该待标记特征,并标记车辆颜色。
例如,在数据库中的待标记特征达到数量阈值时,提醒用户及时对数据库中的待标记特征进行标注(即添加车辆颜色标记),并在获取到所述待标记特征的车辆颜色标记的情况下,根据所述待标记特征和所述车辆颜色标记,更新所述数据库中的第一目标颜色组和第二图像特征。如将该车辆颜色标记作为不常见车辆颜色,且将该待标记特征中的第一图像特征作为该不常见车辆颜色所关联的第二图像特征,再将两者一并添加到数据库,从而实现数据库的更新。
在所述最高相似度不低于所述设置阈值的情况下,将相似度最高的所述第二图像特征所关联的所述第一目标颜色组中的颜色,确定为所述目标车辆的颜色。
可以理解的是,本申请基于深度学习方式,通过对第一图像先提取特征再进行车辆颜色分类,相较于直接比对图像像素信息的方式,可以提升车辆颜色检测的鲁棒性,且通过结合模型检测和特征相似度计算两种方式进行车辆颜色检测,相较于直接使用模型检测,可以有效降低实现成本,并提高检测的准确性,能够解决车辆颜色多样性导致的误报问题。
可选地,在一个实施例中,目标模型用于输出以下任一颜色分类结果:定义的第二目标颜色组中的各个颜色类别;其他颜色类别,所述其他颜色类别用于表征除所述第二目标颜色组之外的其他所有颜色;
在目标模型对第一图像输出的颜色分类结果为所述第二目标颜色组中的任一颜色类别的情况下,判定所述目标车辆的车辆颜色不为所述第一目标颜色组中的颜色;
在目标模型对第一图像输出的颜色分类结果为所述其他颜色类别的情况下,判定所述目标车辆的车辆颜色为所述第一目标颜色组中的颜色。
在该实施例中,可以获取定义的各个常见车辆颜色类别各自对应的标注数据,以及除该定义的各个常见车辆颜色类别之外的其他颜色类别(即不常见车辆颜色)的标注数据,再利用得到标注数据训练目标模型,由于目标模型无需识别其他颜色类别下的具体车辆颜色,故可以避免对其他颜色类别下的每个具体车辆颜色分别采集大量标注数据,从而降低成本。作为一种可能的实施方式,可以根据建立数据库所使用的图像样本,确定该其他颜色类别的标注数据。
以定义的各个常见车辆颜色类别包括黑色、白色和灰色为例,对于黑色车辆所在区域的第一图像,目标模型将输出表征“黑色”的文本信息,而对于黄色车辆所在区域的第一图像,目标模型将输出表征“其他颜色”的文本信息。
可选地,在一个实施例中,根据训练所述目标模型所使用的训练样本的亮度信息、以及建立所述数据库所使用的图像样本的亮度信息,确定目标亮度信息;根据所述目标亮度信息,对所述视频数据进行亮度调整;对亮度调整后的所述视频数据进行车辆检测,得到所述目标车辆所在区域的第一图像。
在该实施例中,根据目标亮度信息对监控数据进行预处理,可以对监控数据中各帧图像的亮暗区域进行统一,以保证车辆检测的准确性,且由于亮度对车辆颜色的检测精度有较大影响,通过将监控数据中各帧图像调整至目标模型和数据库进行车辆颜色检测时更为适应的亮度,可以进一步保证后续车辆颜色检测的精度。
可选地,在一个实施例中,在进行车辆颜色检测之前,针对第一目标颜色组中的颜色采集设定亮度下的图像样本,对该图像样本提取第二图像特征以建立上述数据库,针对第二目标颜色组中的颜色采集该设定亮度下的标注数据,以训练得到上述目标模型。在进行车辆颜色检测时,根据该设定亮度确定目标亮度信息,以将用于车辆颜色检测的第一图像同样调整至该设定亮度,从而提高车辆颜色检测准确精度。
作为一种可能的实施方式,可以采集不同亮度下的各个常见车辆颜色各自的标注数据,如采集摄像头在不同天气、时间段下拍摄的监控视频,并对监控视频中具有预先定义的常见车辆颜色的车辆进行车辆颜色标记,从而得到不同亮度的常见车辆颜色的标注数据。根据该不同亮度的常见车辆颜色的标注数据分别训练分类模型并进行测试,根据检测精度最高的分类模型所关联的亮度,确定目标亮度信息,将该检测精度最高的分类模型确定为目标模型,并根据该目标亮度信息采集建立数据库所使用的图像样本,从而保证目标模型和数据库在该目标亮度信息所关联的亮度下均能够具备较好的车辆颜色检测性能,且通过统一图像亮度,使得本申请可以在不同的环境(如不同光线强度、天气)下实现车辆颜色的准确、稳定检测。
可选地,在一个实施例中,根据训练所述目标模型所使用的训练样本的亮度信息、以及建立所述数据库所使用的图像样本的亮度信息,确定目标亮度信息;将所述第一图像的RGB色彩空间转换为HSV颜色空间,以便后续进行亮度调整和车辆颜色检测;根据所述目标亮度信息,对转换为HSV颜色空间的所述第一图像进行亮度调整;根据所述目标模型、以及亮度调整后的所述第一图像,确定所述目标车辆的颜色分类结果。
基于上述实施例,考虑到由于车辆颜色的多样性,直接使用基于监督学习的端到端深度模型进行车辆颜色检测,需依赖于海量的数据标注,在数据采集、清洗、标注方面所需投入的成本过高,此外,在完成参数学习后,推理模型也容易因为颜色的边界不易区分而导致误报。本申请首先将视频数据输入至车辆检测模型,检测出车辆区域,对车辆区域进行图像提取,将提取到的车辆图像输入至车辆颜色分类模型,得到分类结果和特征,并根据分类结果判断车辆颜色是否为常见车辆颜色,是则输出该分类结果,不是则利用车辆分类模型输出的特征和数据库中记录的特征进行对比以确定车辆颜色。该方法可以减少相关推理模型建立所需的样本量,可以有效提升车辆颜色检测的准确率。
第二方面,本申请实施例提供了一种车辆颜色的检测装置,如图4所示,该装置包括:
第一检测模块21,用于对视频数据进行车辆检测,得到目标车辆所在区域的第一图像;
第一分类模块22,用于根据目标模型、以及所述第一图像,确定所述目标车辆的颜色分类结果;
第一判断模块23,用于根据所述颜色分类结果,判断所述目标车辆的车辆颜色是否为第一目标颜色组中的颜色;
第一处理模块24,用于在所述目标车辆的车辆颜色为所述第一目标颜色组中的颜色的情况下,获取所述目标模型对所述第一图像提取出的第一图像特征,并根据所述第一图像特征、以及数据库中的所述第一目标颜色组中的各个颜色各自所关联的第二图像特征,确定所述目标车辆的颜色。
可选地,所述装置还包括:
第二处理模块,用于在所述目标车辆的车辆颜色不为所述第一目标颜色组中的颜色的情况下,根据所述颜色分类结果,确定所述目标车辆的颜色。
可选地,所述第一处理模块24包括:
第一处理子模块,用于分别确定所述第一图像特征与所述数据库中的每个所述第二图像特征之间的相似度;
第二处理子模块,用于将相似度最高的所述第二图像特征所关联的所述第一目标颜色组中的颜色,确定为所述目标车辆的颜色。
可选地,所述装置还包括:
第三处理模块,用于从各个所述第二图像特征各自对应的相似度中确定最高相似度;
第二判断模块,用于判断所述最高相似度是否低于设置阈值;
第四处理模块,用于在所述最高相似度低于所述设置阈值的情况下,将所述第一图像和所述第一图像特征确定为待标记特征并保存至所述数据库,在获取到所述待标记特征的车辆颜色标记的情况下,根据所述待标记特征和所述车辆颜色标记,更新所述数据库中的第一目标颜色组和第二图像特征;
所述第二处理子模块包括:
第三处理子模块,用于在所述最高相似度不低于所述设置阈值的情况下,将相似度最高的所述第二图像特征所关联的所述第一目标颜色组中的颜色,确定为所述目标车辆的颜色。
可选地,所述目标模型用于输出以下任一颜色分类结果:定义的第二目标颜色组中的各个颜色类别;其他颜色类别,所述其他颜色类别用于表征除所述第二目标颜色组之外的其他所有颜色;
所述第一判断模块23包括:
第一判定模块,用于在所述颜色分类结果为所述第二目标颜色组中的任一颜色类别的情况下,判定所述目标车辆的车辆颜色不为所述第一目标颜色组中的颜色;
第二判定模块,用于在所述颜色分类结果为所述其他颜色类别的情况下,判定所述目标车辆的车辆颜色为所述第一目标颜色组中的颜色。
可选地,所述装置还包括:
第五处理模块,用于根据训练所述目标模型所使用的训练样本的亮度信息、以及建立所述数据库所使用的图像样本的亮度信息,确定目标亮度信息;
第一调整模块,用于根据所述目标亮度信息,对所述视频数据进行亮度调整;
所述第一检测模块21包括:
第一检测子模块,用于对亮度调整后的所述视频数据进行车辆检测,得到所述目标车辆所在区域的第一图像。
可选地,所述装置还包括:
第六处理模块,用于根据训练所述目标模型所使用的训练样本的亮度信息、以及建立所述数据库所使用的图像样本的亮度信息,确定目标亮度信息;
第一转换模块,用于将所述第一图像的RGB色彩空间转换为HSV颜色空间;
第二调整模块,用于根据所述目标亮度信息,对转换为HSV颜色空间的所述第一图像进行亮度调整;
所述第一分类模块22包括:
第一分类子模块,用于根据所述目标模型、以及亮度调整后的所述第一图像,确定所述目标车辆的颜色分类结果。
由上述技术方案可以看出,本申请利用车辆检测技术,提取目标车辆所在区域的第一图像,以减少其他图像区域对后续车辆颜色检测的干扰,再根据目标模型所确定的目标车辆的颜色分类结果,判断目标车辆的车辆颜色是否为第一目标颜色组中的颜色(即不常见车辆颜色),对于目标模型误判率较高或较难采集大量标注数据的不常见车辆颜色,利用目标模型提取第一图像特征,并结合数据库中不常见车辆颜色所关联的第二图像特征以确定目标车辆的颜色,可以提高车辆颜色检测的准确度和稳定性,且可以有效减少模型训练所需的人力成本和时间成本。
需要说明的是,装置实施例与方法实施例相近,故描述的较为简单,相关之处参见方法实施例即可。
本申请实施例还提供了一种电子设备,参照图5,图5是本申请实施例提出的电子设备的示意图。如图5所示,电子设备100包括:存储器110和处理器120,存储器110与处理器120之间通过总线通信连接,存储器110中存储有计算机程序,该计算机程序可在处理器120上运行,进而实现本申请实施例公开的所述车辆颜色的检测方法中的步骤。
本申请实施例还提供了一种计算机可读存储介质,参见图6,图6是本申请实施例提出的计算机可读存储介质的示意图。如图6所示,计算机可读存储介质200上存储有计算机程序/指令210,该计算机程序/指令210被处理器执行时实现如本申请实施例公开的所述车辆颜色的检测方法中的步骤。
本申请实施例还提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现如本申请实施例公开的所述车辆颜色的检测方法中的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、系统、设备、存储介质及程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种基于车辆颜色的检测方法、装置及设备和介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种车辆颜色的检测方法,其特征在于,所述方法包括:
对视频数据进行车辆检测,得到目标车辆所在区域的第一图像;
根据目标模型、以及所述第一图像,确定所述目标车辆的颜色分类结果;
根据所述颜色分类结果,判断所述目标车辆的车辆颜色是否为第一目标颜色组中的颜色;
在所述目标车辆的车辆颜色为所述第一目标颜色组中的颜色的情况下,获取所述目标模型对所述第一图像提取出的第一图像特征,并根据所述第一图像特征、以及数据库中的所述第一目标颜色组中的各个颜色各自所关联的第二图像特征,确定所述目标车辆的颜色。
2.根据权利要求1所述的方法,其特征在于,根据所述第一图像特征、以及数据库中的所述第一目标颜色组中的各个颜色各自所关联的第二图像特征,确定所述目标车辆的颜色,包括:
分别确定所述第一图像特征与所述数据库中的每个所述第二图像特征之间的相似度;
将相似度最高的所述第二图像特征所关联的所述第一目标颜色组中的颜色,确定为所述目标车辆的颜色。
3.根据权利要求2所述的方法,其特征在于,将相似度最高的所述第二图像特征所关联的所述第一目标颜色组中的颜色,确定为所述目标车辆的颜色之前,所述方法还包括:
从各个所述第二图像特征各自对应的相似度中确定最高相似度;
判断所述最高相似度是否低于设置阈值;
在所述最高相似度低于所述设置阈值的情况下,将所述第一图像和所述第一图像特征确定为待标记特征并保存至所述数据库,在获取到所述待标记特征的车辆颜色标记的情况下,根据所述待标记特征和所述车辆颜色标记,更新所述数据库中的第一目标颜色组和第二图像特征;
将相似度最高的所述第二图像特征所关联的所述第一目标颜色组中的颜色,确定为所述目标车辆的颜色,包括:
在所述最高相似度不低于所述设置阈值的情况下,将相似度最高的所述第二图像特征所关联的所述第一目标颜色组中的颜色,确定为所述目标车辆的颜色。
4.根据权利要求1所述的方法,其特征在于,所述目标模型用于输出以下任一颜色分类结果:定义的第二目标颜色组中的各个颜色类别;其他颜色类别,所述其他颜色类别用于表征除所述第二目标颜色组之外的其他所有颜色;
根据所述颜色分类结果,判断所述目标车辆的车辆颜色是否为第一目标颜色组中的颜色,包括:
在所述颜色分类结果为所述第二目标颜色组中的任一颜色类别的情况下,判定所述目标车辆的车辆颜色不为所述第一目标颜色组中的颜色;
在所述颜色分类结果为所述其他颜色类别的情况下,判定所述目标车辆的车辆颜色为所述第一目标颜色组中的颜色。
5.根据权利要求1所述的方法,其特征在于,对视频数据进行车辆检测,得到目标车辆所在区域的第一图像之前,所述方法还包括:
根据训练所述目标模型所使用的训练样本的亮度信息、以及建立所述数据库所使用的图像样本的亮度信息,确定目标亮度信息;
根据所述目标亮度信息,对所述视频数据进行亮度调整;
对视频数据进行车辆检测,得到目标车辆所在区域的第一图像,包括:
对亮度调整后的所述视频数据进行车辆检测,得到所述目标车辆所在区域的第一图像。
6.根据权利要求1所述的方法,其特征在于,根据目标模型、以及所述第一图像,确定所述目标车辆的颜色分类结果之前,所述方法还包括:
根据训练所述目标模型所使用的训练样本的亮度信息、以及建立所述数据库所使用的图像样本的亮度信息,确定目标亮度信息;
将所述第一图像的RGB色彩空间转换为HSV颜色空间;
根据所述目标亮度信息,对转换为HSV颜色空间的所述第一图像进行亮度调整;
根据目标模型、以及所述第一图像,确定所述目标车辆的颜色分类结果,包括:
根据所述目标模型、以及亮度调整后的所述第一图像,确定所述目标车辆的颜色分类结果。
7.根据权利要求1-6任一所述的方法,其特征在于,所述方法还包括:
在所述目标车辆的车辆颜色不为所述第一目标颜色组中的颜色的情况下,根据所述颜色分类结果,确定所述目标车辆的颜色。
8.一种车辆颜色的检测装置,其特征在于,所述装置包括:
第一检测模块,用于对视频数据进行车辆检测,得到目标车辆所在区域的第一图像;
第一分类模块,用于根据目标模型、以及所述第一图像,确定所述目标车辆的颜色分类结果;
第一判断模块,用于根据所述颜色分类结果,判断所述目标车辆的车辆颜色是否为第一目标颜色组中的颜色;
第一处理模块,用于在所述目标车辆的车辆颜色为所述第一目标颜色组中的颜色的情况下,获取所述目标模型对所述第一图像提取出的第一图像特征,并根据所述第一图像特征、以及数据库中的所述第一目标颜色组中的各个颜色各自所关联的第二图像特征,确定所述目标车辆的颜色。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现如权利要求1至7中任一项所述的车辆颜色的检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现如权利要求1至7中任一项所述的车辆颜色的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310833587.3A CN116563770B (zh) | 2023-07-10 | 2023-07-10 | 车辆颜色的检测方法、装置及设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310833587.3A CN116563770B (zh) | 2023-07-10 | 2023-07-10 | 车辆颜色的检测方法、装置及设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116563770A true CN116563770A (zh) | 2023-08-08 |
CN116563770B CN116563770B (zh) | 2023-09-29 |
Family
ID=87486484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310833587.3A Active CN116563770B (zh) | 2023-07-10 | 2023-07-10 | 车辆颜色的检测方法、装置及设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563770B (zh) |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436252A (zh) * | 2008-12-22 | 2009-05-20 | 北京中星微电子有限公司 | 一种车辆视频图像中车身颜色识别方法及系统 |
US7844078B1 (en) * | 2007-06-05 | 2010-11-30 | Gianni Arcaini | Method and apparatus for automatic zone occupation detection via video capture |
US20130088600A1 (en) * | 2011-10-05 | 2013-04-11 | Xerox Corporation | Multi-resolution video analysis and key feature preserving video reduction strategy for (real-time) vehicle tracking and speed enforcement systems |
CN103150904A (zh) * | 2013-02-05 | 2013-06-12 | 中山大学 | 一种基于图像特征的卡口车辆图像识别方法 |
DE102014111818A1 (de) * | 2013-08-21 | 2015-02-26 | GM Global Technology Operations LLC | Systeme und Verfahren zur Farberkennung in Systemen für maschinelles Sehen |
CN105005766A (zh) * | 2015-07-01 | 2015-10-28 | 深圳市迈科龙电子有限公司 | 一种车身颜色识别方法 |
US20150363865A1 (en) * | 2014-06-13 | 2015-12-17 | Truecar, Inc. | Systems and methods for vehicle purchase recommendations |
CN107480676A (zh) * | 2017-07-28 | 2017-12-15 | 浙江大华技术股份有限公司 | 一种车辆颜色识别方法、装置和电子设备 |
WO2018040756A1 (zh) * | 2016-09-05 | 2018-03-08 | 华为技术有限公司 | 一种车身颜色识别的方法及装置 |
US20180253613A1 (en) * | 2017-03-06 | 2018-09-06 | Honda Motor Co., Ltd. | System and method for vehicle control based on red color and green color detection |
US20180260974A1 (en) * | 2017-03-09 | 2018-09-13 | Hewlett Packard Enterprise Development Lp | Color recognition through learned color clusters |
CN108875600A (zh) * | 2018-05-31 | 2018-11-23 | 银江股份有限公司 | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 |
CN110222593A (zh) * | 2019-05-18 | 2019-09-10 | 四川弘和通讯有限公司 | 一种基于小规模神经网络的车辆实时检测方法 |
CN110348505A (zh) * | 2019-07-02 | 2019-10-18 | 高新兴科技集团股份有限公司 | 车辆颜色分类模型训练方法、装置和车辆颜色识别方法 |
CN110751037A (zh) * | 2019-09-17 | 2020-02-04 | 中控智慧科技股份有限公司 | 车身颜色识别的方法及终端设备 |
CN111325211A (zh) * | 2020-02-13 | 2020-06-23 | 上海眼控科技股份有限公司 | 车辆颜色的自动识别方法、电子装置、计算机设备和介质 |
CN111611824A (zh) * | 2019-02-25 | 2020-09-01 | 高新兴科技集团股份有限公司 | 一种识别车辆颜色的方法 |
US10776655B1 (en) * | 2019-04-09 | 2020-09-15 | Banjo, Inc. | Estimating color of vehicles on a roadway |
US20200342630A1 (en) * | 2019-04-23 | 2020-10-29 | L'oreal | Machine image colour extraction and machine image construction using an extracted colour |
US20210027048A1 (en) * | 2017-10-20 | 2021-01-28 | Beijing Dajia Internet Information Technology Co., Ltd. | Human face image classification method and apparatus, and server |
CN113762164A (zh) * | 2021-09-09 | 2021-12-07 | 北京海航中软科技有限公司 | 一种消防通道障碍物识别方法及系统 |
CN114359582A (zh) * | 2022-01-11 | 2022-04-15 | 平安科技(深圳)有限公司 | 一种基于神经网络的小样本特征提取方法及相关设备 |
CN114998619A (zh) * | 2022-05-13 | 2022-09-02 | 浙江大华技术股份有限公司 | 目标颜色分类方法、装置及计算机可读存储介质 |
-
2023
- 2023-07-10 CN CN202310833587.3A patent/CN116563770B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7844078B1 (en) * | 2007-06-05 | 2010-11-30 | Gianni Arcaini | Method and apparatus for automatic zone occupation detection via video capture |
CN101436252A (zh) * | 2008-12-22 | 2009-05-20 | 北京中星微电子有限公司 | 一种车辆视频图像中车身颜色识别方法及系统 |
US20130088600A1 (en) * | 2011-10-05 | 2013-04-11 | Xerox Corporation | Multi-resolution video analysis and key feature preserving video reduction strategy for (real-time) vehicle tracking and speed enforcement systems |
CN103150904A (zh) * | 2013-02-05 | 2013-06-12 | 中山大学 | 一种基于图像特征的卡口车辆图像识别方法 |
DE102014111818A1 (de) * | 2013-08-21 | 2015-02-26 | GM Global Technology Operations LLC | Systeme und Verfahren zur Farberkennung in Systemen für maschinelles Sehen |
US20150363865A1 (en) * | 2014-06-13 | 2015-12-17 | Truecar, Inc. | Systems and methods for vehicle purchase recommendations |
CN105005766A (zh) * | 2015-07-01 | 2015-10-28 | 深圳市迈科龙电子有限公司 | 一种车身颜色识别方法 |
WO2018040756A1 (zh) * | 2016-09-05 | 2018-03-08 | 华为技术有限公司 | 一种车身颜色识别的方法及装置 |
US20180253613A1 (en) * | 2017-03-06 | 2018-09-06 | Honda Motor Co., Ltd. | System and method for vehicle control based on red color and green color detection |
US20180260974A1 (en) * | 2017-03-09 | 2018-09-13 | Hewlett Packard Enterprise Development Lp | Color recognition through learned color clusters |
CN107480676A (zh) * | 2017-07-28 | 2017-12-15 | 浙江大华技术股份有限公司 | 一种车辆颜色识别方法、装置和电子设备 |
US20210027048A1 (en) * | 2017-10-20 | 2021-01-28 | Beijing Dajia Internet Information Technology Co., Ltd. | Human face image classification method and apparatus, and server |
CN108875600A (zh) * | 2018-05-31 | 2018-11-23 | 银江股份有限公司 | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 |
CN111611824A (zh) * | 2019-02-25 | 2020-09-01 | 高新兴科技集团股份有限公司 | 一种识别车辆颜色的方法 |
US10776655B1 (en) * | 2019-04-09 | 2020-09-15 | Banjo, Inc. | Estimating color of vehicles on a roadway |
US20200342630A1 (en) * | 2019-04-23 | 2020-10-29 | L'oreal | Machine image colour extraction and machine image construction using an extracted colour |
CN110222593A (zh) * | 2019-05-18 | 2019-09-10 | 四川弘和通讯有限公司 | 一种基于小规模神经网络的车辆实时检测方法 |
CN110348505A (zh) * | 2019-07-02 | 2019-10-18 | 高新兴科技集团股份有限公司 | 车辆颜色分类模型训练方法、装置和车辆颜色识别方法 |
CN110751037A (zh) * | 2019-09-17 | 2020-02-04 | 中控智慧科技股份有限公司 | 车身颜色识别的方法及终端设备 |
CN111325211A (zh) * | 2020-02-13 | 2020-06-23 | 上海眼控科技股份有限公司 | 车辆颜色的自动识别方法、电子装置、计算机设备和介质 |
CN113762164A (zh) * | 2021-09-09 | 2021-12-07 | 北京海航中软科技有限公司 | 一种消防通道障碍物识别方法及系统 |
CN114359582A (zh) * | 2022-01-11 | 2022-04-15 | 平安科技(深圳)有限公司 | 一种基于神经网络的小样本特征提取方法及相关设备 |
CN114998619A (zh) * | 2022-05-13 | 2022-09-02 | 浙江大华技术股份有限公司 | 目标颜色分类方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
王英瑾: "基于深度学习的车身颜色细粒度分类算法的研究和实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 01, pages 034 - 1361 * |
Also Published As
Publication number | Publication date |
---|---|
CN116563770B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845890B (zh) | 一种基于视频监控的仓储监控方法及装置 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN110533950A (zh) | 车位使用状况的检测方法、装置、电子设备及存储介质 | |
CN106251333B (zh) | 元件反件检测方法和系统 | |
CN111583180B (zh) | 一种图像的篡改识别方法、装置、计算机设备及存储介质 | |
CN108921099A (zh) | 一种基于深度学习的航道内运动船舶目标检测方法 | |
CN111325769A (zh) | 一种目标对象检测方法及装置 | |
CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
CN110324583A (zh) | 一种视频监控方法、视频监控装置及计算机可读存储介质 | |
CN112200193B (zh) | 基于多属性融合的分布式车牌识别方法、系统、装置 | |
CN115035328A (zh) | 转炉图像增量自动机器学习系统及其建立训练方法 | |
CN113128522B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN103913150A (zh) | 智能电能表电子元器件一致性检测方法 | |
CN112733864B (zh) | 模型训练方法、目标检测方法、装置、设备及存储介质 | |
CN116563770B (zh) | 车辆颜色的检测方法、装置及设备和介质 | |
CN111402185B (zh) | 一种图像检测方法及装置 | |
CN114550129B (zh) | 一种基于数据集的机器学习模型处理方法和系统 | |
CN116259021A (zh) | 一种车道线检测方法、存储介质和电子设备 | |
CN116110030A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN112949630B (zh) | 基于边框分级筛选的弱监督目标检测方法 | |
CN113989774A (zh) | 一种交通灯检测方法、装置、车辆和可读存储介质 | |
CN114140879A (zh) | 基于多头级联注意网络与时间卷积网络的行为识别方法及装置 | |
CN112070164A (zh) | 干湿污泥分类方法和装置 | |
US20200184216A1 (en) | Machine continuous learning method of neural network object classifier and related monitoring camera apparatus | |
KR102635911B1 (ko) | 지능형 운량 측정 장치 및 방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |