CN117423093B - 基于行车记录仪的行车检测方法、装置、设备及存储介质 - Google Patents
基于行车记录仪的行车检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117423093B CN117423093B CN202311735411.0A CN202311735411A CN117423093B CN 117423093 B CN117423093 B CN 117423093B CN 202311735411 A CN202311735411 A CN 202311735411A CN 117423093 B CN117423093 B CN 117423093B
- Authority
- CN
- China
- Prior art keywords
- driving
- detection
- target
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 334
- 238000002834 transmittance Methods 0.000 claims description 32
- 238000010586 diagram Methods 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 21
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 241000283070 Equus zebra Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000003068 static 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
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
- G07C5/0866—Registering performance data using electronic data carriers the electronic data carrier being a digital video recorder in combination with video camera
-
- 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
- G06V2201/07—Target detection
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于行车记录仪技术领域,公开了一种基于行车记录仪的行车检测方法、装置、设备及存储介质。本发明通过在获取到目标行车记录仪所采集的行车图像时,确定当前天气类型;在所述当前天气类型为预设天气类型时,根据所述行车图像的图像梯度和目标天气参数对所述行车图像进行图像处理,得到行车处理图像;根据所述行车处理图像进行目标检测,确定行车交通标识和对象检测框;根据所述行车交通标识和所述对象检测框进行行车检测,确定行车检测结果。通过上述方式,实现了基于行车记录仪对目标车辆和目标车辆的周边车辆的行车检测,保证了行车检测的准确性和效率,同时进一步拓展了行车记录仪的使用场景,提升了资源利用率。
Description
技术领域
本发明涉及行车记录仪技术领域,尤其涉及一种基于行车记录仪的行车检测方法、装置、设备及存储介质。
背景技术
随着车辆的日益增多,交通事故发生率也大幅度增长。目前绝大部分车辆上均搭载有行车记录仪,行车记录仪普及度高、辐射范围广,能够有效的扩大交通监管力度,如何利用行车记录仪所采集的图像,快速且准确的检测出行车过程中所存在的危险情况是目前亟待解决的问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于行车记录仪的行车检测方法、装置、设备及存储介质,旨在解决如何利用行车记录仪所采集的图像,快速且准确的检测出行车过程中所存在的危险情况的技术问题。
为实现上述目的,本发明提供了一种基于行车记录仪的行车检测方法,所述方法包括以下步骤:
在获取到目标行车记录仪所采集的行车图像时,确定当前天气类型;
在所述当前天气类型为预设天气类型时,根据所述行车图像的图像梯度和目标天气参数对所述行车图像进行图像处理,得到行车处理图像;
根据所述行车处理图像进行目标检测,确定行车交通标识和对象检测框;
根据所述行车交通标识和所述对象检测框进行行车检测,确定行车检测结果。
可选地,所述根据所述行车图像的图像梯度和目标天气参数对所述行车图像进行图像处理,得到行车处理图像,包括:
根据所述行车图像的颜色通道和随机窗口区域构建第一处理函数;
根据目标天气参数和所述第一处理函数确定目标透射率;
根据所述目标透射率和所述行车图像的图像梯度对所述行车图像进行图像处理,得到行车处理图像。
可选地,所述根据所述目标透射率和所述行车图像的图像梯度对所述行车图像进行图像处理,得到行车处理图像,包括:
根据所述行车图像的图像梯度对所述行车图像进行区域划分,得到多个处理标记区域;
根据各处理标记区域中的各像素点计算各处理标记区域的灰度均值;
根据各处理标记区域的灰度均值和预设灰度系数对所述行车图像进行像素点筛选,确定所述行车图像中的多个处理标记点位;
根据多个处理标记点位和所述目标透射率对所述行车图像进行图像处理,得到行车处理图像。
可选地,所述根据多个处理标记点位和所述目标透射率对所述行车图像进行图像处理,得到行车处理图像,包括:
根据多个处理标记点位进行像素和计算,确定目标像素值;
根据所述目标像素值、处理标记点位的数量以及目标天气参数确定处理天气参数;
根据所述处理天气参数对所述目标透射率进行调整,确定调整透射率;
根据所述调整透射率对所述行车图像进行图像处理,得到行车处理图像。
可选地,所述根据所述行车交通标识和所述对象检测框进行行车检测,确定行车检测结果,包括:
根据所述对象检测框确定所述对象检测框对应的对象类型和各检测对象之间的相对距离;
根据所述对象检测框对应的对象类型和各检测对象之间的相对距离构建目标对象图结构;
根据所述目标对象图结构进行第一行车检测,确定第一检测结果;
根据所述行车交通标识进行第二行车检测,确定第二检测结果;
根据所述第一检测结果和所述第二检测结果得到目标车辆的行车检测结果。
可选地,所述根据所述目标对象图结构进行第一行车检测,确定第一检测结果,包括:
对所述目标对象图结构进行空间特征提取,确定所述目标对象图结构的目标空间特征;
根据所述目标对象图结构的目标空间特征构建时间序列,确定所述行车图像的目标时序特征;
对所述目标时序特征进行维度变换,确定变换时序特征;
根据所述时序变换特征进行风险预测,确定行车危险概率值;
根据所述行车危险概率值得到第一检测结果。
可选地,所述根据所述行车交通标识进行第二行车检测,确定第二检测结果,包括:
根据所述对象检测框确定目标检测对象的目标检测框;
根据所述目标检测框确定所述目标检测对象的偏移距离;
根据所述偏移距离确定所述目标检测对象的行驶状态;
根据所述行驶状态、所述行车交通标识以及所述目标检测对象的当前所处位置进行行车规范检测,得到第二检测结果。
此外,为实现上述目的,本发明还提出一种基于行车记录仪的行车检测装置,所述基于行车记录仪的行车检测装置包括:
处理模块,用于在获取到目标行车记录仪所采集的行车图像时,确定当前天气类型;
所述处理模块,还用于在所述当前天气类型为预设天气类型时,根据所述行车图像的图像梯度和目标天气参数对所述行车图像进行图像处理,得到行车处理图像;
检测模块,用于根据所述行车处理图像进行目标检测,确定行车交通标识和对象检测框;
所述检测模块,还用于根据所述行车交通标识和所述对象检测框进行行车检测,确定行车检测结果。
此外,为实现上述目的,本发明还提出一种基于行车记录仪的行车检测设备,所述基于行车记录仪的行车检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于行车记录仪的行车检测程序,所述基于行车记录仪的行车检测程序配置为实现如上文所述的基于行车记录仪的行车检测方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于行车记录仪的行车检测程序,所述基于行车记录仪的行车检测程序被处理器执行时实现如上文所述的基于行车记录仪的行车检测方法的步骤。
本发明通过在获取到目标行车记录仪所采集的行车图像时,确定当前天气类型;在所述当前天气类型为预设天气类型时,根据所述行车图像的图像梯度和目标天气参数对所述行车图像进行图像处理,得到行车处理图像;根据所述行车处理图像进行目标检测,确定行车交通标识和对象检测框;根据所述行车交通标识和所述对象检测框进行行车检测,确定行车检测结果。通过上述方式,在当前天气类型为预设天气类型时,基于行车图像的图像梯度和目标天气参数对行车图像进行图像处理,基于得到的行车处理图像进行目标检测,确定行车交通标识和对象检测框,基于行车交通标识和对象检测框进行行车检测,确定行车检测结果,实现了基于行车记录仪对目标车辆和目标车辆的周边车辆的行车检测,得到行车过程中所存在的危险情况,并保证了行车检测的准确性和效率,同时进一步拓展了行车记录仪的使用场景,提升了资源利用率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于行车记录仪的行车检测设备的结构示意图;
图2为本发明基于行车记录仪的行车检测方法第一实施例的流程示意图;
图3为本发明基于行车记录仪的行车检测方法第二实施例的流程示意图;
图4为本发明基于行车记录仪的行车检测方法一实施例的图结构示意图;
图5为本发明基于行车记录仪的行车检测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于行车记录仪的行车检测设备结构示意图。
如图1所示,该基于行车记录仪的行车检测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU)、通信总线1002、用户接口1003、网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对基于行车记录仪的行车检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于行车记录仪的行车检测程序。
在图1所示的基于行车记录仪的行车检测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明基于行车记录仪的行车检测设备中的处理器1001、存储器1005可以设置在基于行车记录仪的行车检测设备中,所述基于行车记录仪的行车检测设备通过处理器1001调用存储器1005中存储的基于行车记录仪的行车检测程序,并执行本发明实施例提供的基于行车记录仪的行车检测方法。
本发明实施例提供了一种基于行车记录仪的行车检测方法,参照图2,图2为本发明一种基于行车记录仪的行车检测方法第一实施例的流程示意图。
本实施例中,所述基于行车记录仪的行车检测方法包括以下步骤:
步骤S10:在获取到目标行车记录仪所采集的行车图像时,确定当前天气类型。
需要说明的是,本实施例的执行主体是基于行车记录仪的行车检测设备,其中,该基于行车记录仪的行车检测设备具有数据处理,数据通信及程序运行等功能,所述基于行车记录仪的行车检测设备可以为集成控制器,控制计算机等设备,当然还可以为其他具备相似功能的设备,本实施例对此不做限制。
可以理解的是,行车图像指的是目标行车记录仪所采集的一帧图像或多帧图像,目标行车记录仪搭载在目标车辆上,在获取到目标行车记录仪所采集的行车图像后,获取目标车辆的当前所处环境的温湿度,基于当前所处环境的温湿度以及行车图像进行天气类型的判断,确定每一帧行车图像所对应的当前天气类型,天气类型包括但不限于晴天、雨天、雾天以及雨夹雾等。
步骤S20:在所述当前天气类型为预设天气类型时,根据所述行车图像的图像梯度和目标天气参数对所述行车图像进行图像处理,得到行车处理图像。
需要说明的是,预设天气类型指的是存在雾气的天气类型,目标天气参数指的是基于行车图像所计算出的图像环境光值,在当前天气类型为存在雾气的天气类型时,确定行车图像上各像素点的图像梯度,并基于行车图像计算出行车图像所对应的目标天气参数。
可以理解的是,基于行车图像的图像梯度和目标天气参数对行车图像进行图像处理,确保处理后的行车图像的清晰度,处理后的行车图像即为行车处理图像。
在具体实现中,为了保证基于图像梯度和目标天气参数进行图像处理的准确性,进一步地,所述根据所述行车图像的图像梯度和目标天气参数对所述行车图像进行图像处理,得到行车处理图像,包括:根据所述行车图像的颜色通道和随机窗口区域构建第一处理函数;根据目标天气参数和所述第一处理函数确定目标透射率;根据所述目标透射率和所述行车图像的图像梯度对所述行车图像进行图像处理,得到行车处理图像。
需要说明的是,随机窗口区域指的是行车图像上以任意一个像素点x为中心的局部窗口区域,根据颜色通道r和随机窗口区域可构建第一处理函数,y为随机窗口区域中的任意一个像素点,/>为暗通道图像。在第一处理函数的基础上,采用暗通道理论和目标天气参数A进行函数构建,可确定针对雾气的目标透射率为/>,其中/>为预先设定的系数,其范围为(0.6,09),/>为行车图像的某一颜色通道,/>为颜色通道r的目标天气参数。
可以理解的是,为了基于图像梯度和目标透射率准确得到行车处理图像,进一步地,所述根据所述目标透射率和所述行车图像的图像梯度对所述行车图像进行图像处理,得到行车处理图像,包括:根据所述行车图像的图像梯度对所述行车图像进行区域划分,得到多个处理标记区域;根据各处理标记区域中的各像素点计算各处理标记区域的灰度均值;根据各处理标记区域的灰度均值和预设灰度系数对所述行车图像进行像素点筛选,确定所述行车图像中的多个处理标记点位;根据多个处理标记点位和所述目标透射率对所述行车图像进行图像处理,得到行车处理图像。
在具体实现中,基于行车图像上各像素点的图像梯度和梯度阈值进行区域划分,对图像梯度不大于梯度阈值的像素点进行标记,基于标记的像素点得到多个处理标记区域,并计算各个处理标记区域的灰度均值。
需要说明的是,在各处理标记区域的灰度均值的基础上乘上预设灰度系数,从而得到各处理标记区域的目标灰度阈值,针对各处理标记区域的目标灰度阈值对各处理标记区域中的各像素点进行筛选,将各处理标记区域中像素点的灰度值大于目标灰度阈值的像素点作为处理标记点位。
可以理解的是,为了根据处理标记点位和目标透射率保证图像处理过程的准确性,进一步地,所述根据多个处理标记点位和所述目标透射率对所述行车图像进行图像处理,得到行车处理图像,包括:根据多个处理标记点位进行像素和计算,确定目标像素值;根据所述目标像素值、处理标记点位的数量以及目标天气参数确定处理天气参数;根据所述处理天气参数对所述目标透射率进行调整,确定调整透射率;根据所述调整透射率对所述行车图像进行图像处理,得到行车处理图像。
在具体实现中,基于多个处理标记点位进行像素总和计算,得到的像素和即为目标像素值,针对目标像素值和处理标记点位的数量n对目标天气参数进行调整,得到调整后的目标天气参数,调整后的目标天气参数即为处理天气参数/>,其中为预设的调整参数。
需要说明的是,基于处理天气参数对目标透射率进行调整,从而得到调整透射率,基于目标透射率对行车图像上非处理标记点位进行处理,基于调整透射率对行车图像上处理标记点位进行处理,从而得到行车处理图像。
步骤S30:根据所述行车处理图像进行目标检测,确定行车交通标识和对象检测框。
需要说明的是,行车交通标识指的是目标车辆当前所处环境中所存在的与交通规范有关的标识,例如,车道线、红绿灯以及斑马线等,对象检测框指的是目标车辆周边存在对象所对应的包围框,对象包括但不限于车辆和行人等。
可以理解的是,利用训练好的目标检测算法对行车处理图像进行目标检测,从而得到行车处理图像中所存在的行车交通标识以及对象检测框,目标检测算法可为R-CNN算法、row-wise classification以及其他可实现相同功能的算法,本实施例对此不加以限制。
步骤S40:根据所述行车交通标识和所述对象检测框进行行车检测,确定行车检测结果。
需要说明的是,基于行车交通标识对目标车辆和周边车辆进行行车违规检测,基于对象检测框对目标车辆和周边车辆进行行车碰撞检测,从而确定行车检测结果。
本实施例通过在获取到目标行车记录仪所采集的行车图像时,确定当前天气类型;在所述当前天气类型为预设天气类型时,根据所述行车图像的图像梯度和目标天气参数对所述行车图像进行图像处理,得到行车处理图像;根据所述行车处理图像进行目标检测,确定行车交通标识和对象检测框;根据所述行车交通标识和所述对象检测框进行行车检测,确定行车检测结果。通过上述方式,在当前天气类型为预设天气类型时,基于行车图像的图像梯度和目标天气参数对行车图像进行图像处理,基于得到的行车处理图像进行目标检测,确定行车交通标识和对象检测框,基于行车交通标识和对象检测框进行行车检测,确定行车检测结果,实现了基于行车记录仪对目标车辆和目标车辆的周边车辆的行车检测,得到行车过程中所存在的危险情况,并保证了行车检测的准确性和效率,同时进一步拓展了行车记录仪的使用场景,提升了资源利用率。
参考图3,图3为本发明一种基于行车记录仪的行车检测方法第二实施例的流程示意图。
基于上述第一实施例,本实施例基于行车记录仪的行车检测方法在所述步骤S40,包括:
步骤S41:根据所述对象检测框确定所述对象检测框对应的对象类型和各检测对象之间的相对距离。
需要说明的是, 基于对象检测框确定各对象检测框中所存在检测对象的类型,并计算各对象检测框中心点之间的欧式距离/>,基于对象检测框中心点之间的欧式距离可确定各检测对象之间的相对距离/>。
步骤S42:根据所述对象检测框对应的对象类型和各检测对象之间的相对距离构建目标对象图结构。
需要说明的是,基于各对象检测框对应的对象类型在多个检测对象中进行筛选,确定对象类型为车辆和行人的检测对象,基于对象类型为车辆的检测对象所对应的特征,结合各检测对象之间的相对距离构建每一个图像帧对对应的目标对象图结构,目标对象图结构中每个节点代表一个检测对象的特征标识,可指代一个检测对象。
可以理解的是,利用全连接层将对象检测框内的特征以及行车图像中所有图像帧的特征维度均变换成低维度,将变换后的对象检测框内的特征以及所有图像帧的特征连接,从而得到检测对象的特征标识,其中/>表示全连接层,/>表示t时刻所对应的图像帧中第i个对象检测框的高维特征,/>表示t时刻所对应的图像帧的高维特征,/>为特征维度之间的连接关系,最终构建的目标对象图结构如图4所示,目标对象图结构T={F,A}。
步骤S43:根据所述目标对象图结构进行第一行车检测,确定第一检测结果。
需要说明的是,基于目标对象图结构可进行碰撞风险检测,从而得到目标车辆是否会与周边对象发生碰撞的第一检测结果,为了保证检测的准确性,进一步地,所述根据所述目标对象图结构进行第一行车检测,确定第一检测结果,包括:对所述目标对象图结构进行空间特征提取,确定所述目标对象图结构的目标空间特征;根据所述目标对象图结构的目标空间特征构建时间序列,确定所述行车图像的目标时序特征;对所述目标时序特征进行维度变换,确定变换时序特征;根据所述时序变换特征进行风险预测,确定行车危险概率值;根据所述行车危险概率值得到第一检测结果。
可以理解的是,基于训练完成的目标卷积神经网络对目标对象图结构进行空间特征提取,目标卷积神经网络中包括两个图卷积层,每个图卷积层中均包含一个滤波层和一个粗化层,从而得到行车图像中每个图像帧的目标对象图结构的目标空间特征。
在具体实现中,基于训练完成的循环神经网络对行车图像中每个图像帧的目标对象图结构进行时序建模,基于每个图像帧的目标对象图结构对应的目标空间特征得到行车图像的目标时序特征。
需要说明的是,基于全连接层对目标时序特征进行维度变换,从而得到二维的时序关系特征,二维的时序关系特征即为变换时序特征,基于归一化指数函数和变换时序特征进行碰撞风险计算,从而得到行车危险概率值。将行车危险概率值和碰撞阈值进行比较,当行车危险概率值大于碰撞阈值时,则说明目标车辆与检测对象之间存在行车危险,从而得到第一检测结果。
步骤S44:根据所述行车交通标识进行第二行车检测,确定第二检测结果。
需要说明的是,基于行车交通标识进行目标车辆和周边车辆的行车违规检测,从而目标车辆和周边车辆是否存在行车违规的第二检测结果,为了保证检测结果的准确性,进一步地,所述根据所述行车交通标识进行第二行车检测,确定第二检测结果,包括:根据所述对象检测框确定目标检测对象的目标检测框;根据所述目标检测框确定所述目标检测对象的偏移距离;根据所述偏移距离确定所述目标检测对象的行驶状态;根据所述行驶状态、所述行车交通标识以及所述目标检测对象的当前所处位置进行行车规范检测,得到第二检测结果。
可以理解的是,目标检测对象指的是对象检测框所对应的对象类型为车辆的的检测对象,基于对象检测框所对应的对象类型在多个对象检测框中确定目标检测对象所对应的对象检测框,目标检测对象所对应的对象检测框即为目标检测对象的目标检测框。
在具体实现中,基于每个行车图像的图像帧中目标检测框的变化情况可计算目标检测对象的行驶速度,基于目标检测框确定目标检测对象在单位时刻内,在水平方向和垂直方向上在图像中的坐标偏离值(u,v),基于目标检测框在单位时刻内的坐标偏离值,可计算目标检测对象在单位时间内在图像帧上的偏移距离,对偏移距离进行平滑计算,得到平滑后的偏移距离,将平滑后的偏移距离和预设距离阈值进行比较,当平滑后的偏移距离不小于预设距离阈值时,则说明目标检测对象的行驶状态为正常运行状态,当平滑后的偏移距离小于预设距离阈值时,则说明目标检测对象的行驶状态为缓慢运行状态或静止状态。
需要说明的是,基于目标检测对象的行驶状态、行车交通标识以及目标检测对象的当前所处位置进行行车规范检测,确定目标车辆是否存在违规情况,从而得到第二检测结果。例如,目标检测对象的行驶状态为正常运行状态,但行车交通标识为红灯标识,且目标检测对象的当前所处位置正处于红灯等待线正前方,说明目标检测对象存在闯红灯的违规现象。
步骤S45:根据所述第一检测结果和所述第二检测结果得到目标车辆的行车检测结果。
需要说明的是,基于第一检测结果和第二检测结果得到目标车辆是否存在碰撞风险,目标车辆的周边车辆和目标车辆是否存在违规情况存在,最终得到目标车辆的行车检测结果。
本实施例通过根据所述对象检测框确定所述对象检测框对应的对象类型和各检测对象之间的相对距离;根据所述对象检测框对应的对象类型和各检测对象之间的相对距离构建目标对象图结构;根据所述目标对象图结构进行第一行车检测,确定第一检测结果;根据所述行车交通标识进行第二行车检测,确定第二检测结果;根据所述第一检测结果和所述第二检测结果得到目标车辆的行车检测结果。基于目标对象图结构和行车交通标识进行行车检测,保证了检测结果的准确性和检测效率。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于行车记录仪的行车检测程序,所述基于行车记录仪的行车检测程序被处理器执行时实现如上文所述的基于行车记录仪的行车检测方法的步骤。
参照图5,图5为本发明基于行车记录仪的行车检测装置第一实施例的结构框图。
如图5所示,本发明实施例提出的基于行车记录仪的行车检测装置包括:
处理模块10,用于在获取到目标行车记录仪所采集的行车图像时,确定当前天气类型。
所述处理模块10,还用于在所述当前天气类型为预设天气类型时,根据所述行车图像的图像梯度和目标天气参数对所述行车图像进行图像处理,得到行车处理图像。
检测模块20,用于根据所述行车处理图像进行目标检测,确定行车交通标识和对象检测框。
所述检测模块20,还用于根据所述行车交通标识和所述对象检测框进行行车检测,确定行车检测结果。
本实施例通过在获取到目标行车记录仪所采集的行车图像时,确定当前天气类型;在所述当前天气类型为预设天气类型时,根据所述行车图像的图像梯度和目标天气参数对所述行车图像进行图像处理,得到行车处理图像;根据所述行车处理图像进行目标检测,确定行车交通标识和对象检测框;根据所述行车交通标识和所述对象检测框进行行车检测,确定行车检测结果。通过上述方式,在当前天气类型为预设天气类型时,基于行车图像的图像梯度和目标天气参数对行车图像进行图像处理,基于得到的行车处理图像进行目标检测,确定行车交通标识和对象检测框,基于行车交通标识和对象检测框进行行车检测,确定行车检测结果,实现了基于行车记录仪对目标车辆和目标车辆的周边车辆的行车检测,得到行车过程中所存在的危险情况,并保证了行车检测的准确性和效率,同时进一步拓展了行车记录仪的使用场景,提升了资源利用率。
在一实施例中,所述处理模块10,还用于根据所述行车图像的颜色通道和随机窗口区域构建第一处理函数;
根据目标天气参数和所述第一处理函数确定目标透射率;
根据所述目标透射率和所述行车图像的图像梯度对所述行车图像进行图像处理,得到行车处理图像。
在一实施例中,所述处理模块10,还用于根据所述行车图像的图像梯度对所述行车图像进行区域划分,得到多个处理标记区域;
根据各处理标记区域中的各像素点计算各处理标记区域的灰度均值;
根据各处理标记区域的灰度均值和预设灰度系数对所述行车图像进行像素点筛选,确定所述行车图像中的多个处理标记点位;
根据多个处理标记点位和所述目标透射率对所述行车图像进行图像处理,得到行车处理图像。
在一实施例中,所述处理模块10,还用于根据多个处理标记点位进行像素和计算,确定目标像素值;
根据所述目标像素值、处理标记点位的数量以及目标天气参数确定处理天气参数;
根据所述处理天气参数对所述目标透射率进行调整,确定调整透射率;
根据所述调整透射率对所述行车图像进行图像处理,得到行车处理图像。
在一实施例中,所述检测模块20,还用于根据所述对象检测框确定所述对象检测框对应的对象类型和各检测对象之间的相对距离;
根据所述对象检测框对应的对象类型和各检测对象之间的相对距离构建目标对象图结构;
根据所述目标对象图结构进行第一行车检测,确定第一检测结果;
根据所述行车交通标识进行第二行车检测,确定第二检测结果;
根据所述第一检测结果和所述第二检测结果得到目标车辆的行车检测结果。
在一实施例中,所述检测模块20,还用于对所述目标对象图结构进行空间特征提取,确定所述目标对象图结构的目标空间特征;
根据所述目标对象图结构的目标空间特征构建时间序列,确定所述行车图像的目标时序特征;
对所述目标时序特征进行维度变换,确定变换时序特征;
根据所述时序变换特征进行风险预测,确定行车危险概率值;
根据所述行车危险概率值得到第一检测结果。
在一实施例中,所述检测模块20,还用于根据所述对象检测框确定目标检测对象的目标检测框;
根据所述目标检测框确定所述目标检测对象的偏移距离;
根据所述偏移距离确定所述目标检测对象的行驶状态;
根据所述行驶状态、所述行车交通标识以及所述目标检测对象的当前所处位置进行行车规范检测,得到第二检测结果。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
应该理解的是,虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
此外,需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于行车记录仪的行车检测方法,其特征在于,所述基于行车记录仪的行车检测方法,包括:
在获取到目标行车记录仪所采集的行车图像时,确定当前天气类型;
在所述当前天气类型为预设天气类型时,根据所述行车图像的图像梯度和目标天气参数对所述行车图像进行图像处理,得到行车处理图像;
根据所述行车处理图像进行目标检测,确定行车交通标识和对象检测框;
根据所述行车交通标识和所述对象检测框进行行车检测,确定行车检测结果;
其中,所述根据所述行车交通标识和所述对象检测框进行行车检测,确定行车检测结果,包括:
根据所述对象检测框确定所述对象检测框对应的对象类型和各检测对象之间的相对距离;
根据所述对象检测框对应的对象类型和各检测对象之间的相对距离构建目标对象图结构;
根据所述目标对象图结构进行第一行车检测,确定第一检测结果;
根据所述行车交通标识进行第二行车检测,确定第二检测结果;
根据所述第一检测结果和所述第二检测结果得到目标车辆的行车检测结果;
其中,所述根据所述目标对象图结构进行第一行车检测,确定第一检测结果,包括:
对所述目标对象图结构进行空间特征提取,确定所述目标对象图结构的目标空间特征;
根据所述目标对象图结构的目标空间特征构建时间序列,确定所述行车图像的目标时序特征;
对所述目标时序特征进行维度变换,确定变换时序特征;
根据所述时序变换特征进行风险预测,确定行车危险概率值;
根据所述行车危险概率值得到第一检测结果;
其中,所述根据所述行车交通标识进行第二行车检测,确定第二检测结果,包括:
根据所述对象检测框确定目标检测对象的目标检测框;
根据所述目标检测框确定所述目标检测对象的偏移距离;
根据所述偏移距离确定所述目标检测对象的行驶状态;
根据所述行驶状态、所述行车交通标识以及所述目标检测对象的当前所处位置进行行车规范检测,得到第二检测结果。
2.如权利要求1所述的基于行车记录仪的行车检测方法,其特征在于,所述根据所述行车图像的图像梯度和目标天气参数对所述行车图像进行图像处理,得到行车处理图像,包括:
根据所述行车图像的颜色通道和随机窗口区域构建第一处理函数;
根据目标天气参数和所述第一处理函数确定目标透射率;
根据所述目标透射率和所述行车图像的图像梯度对所述行车图像进行图像处理,得到行车处理图像。
3.如权利要求2所述的基于行车记录仪的行车检测方法,其特征在于,所述根据所述目标透射率和所述行车图像的图像梯度对所述行车图像进行图像处理,得到行车处理图像,包括:
根据所述行车图像的图像梯度对所述行车图像进行区域划分,得到多个处理标记区域;
根据各处理标记区域中的各像素点计算各处理标记区域的灰度均值;
根据各处理标记区域的灰度均值和预设灰度系数对所述行车图像进行像素点筛选,确定所述行车图像中的多个处理标记点位;
根据多个处理标记点位和所述目标透射率对所述行车图像进行图像处理,得到行车处理图像。
4.如权利要求3所述的基于行车记录仪的行车检测方法,其特征在于,所述根据多个处理标记点位和所述目标透射率对所述行车图像进行图像处理,得到行车处理图像,包括:
根据多个处理标记点位进行像素和计算,确定目标像素值;
根据所述目标像素值、处理标记点位的数量以及目标天气参数确定处理天气参数;
根据所述处理天气参数对所述目标透射率进行调整,确定调整透射率;
根据所述调整透射率对所述行车图像进行图像处理,得到行车处理图像。
5.一种基于行车记录仪的行车检测装置,其特征在于,所述基于行车记录仪的行车检测装置包括:
处理模块,用于在获取到目标行车记录仪所采集的行车图像时,确定当前天气类型;
所述处理模块,还用于在所述当前天气类型为预设天气类型时,根据所述行车图像的图像梯度和目标天气参数对所述行车图像进行图像处理,得到行车处理图像;
检测模块,用于根据所述行车处理图像进行目标检测,确定行车交通标识和对象检测框;
所述检测模块,还用于根据所述行车交通标识和所述对象检测框进行行车检测,确定行车检测结果;
所述检测模块,还用于根据所述对象检测框确定所述对象检测框对应的对象类型和各检测对象之间的相对距离;
根据所述对象检测框对应的对象类型和各检测对象之间的相对距离构建目标对象图结构;
根据所述目标对象图结构进行第一行车检测,确定第一检测结果;
根据所述行车交通标识进行第二行车检测,确定第二检测结果;
根据所述第一检测结果和所述第二检测结果得到目标车辆的行车检测结果;
所述检测模块,还用于对所述目标对象图结构进行空间特征提取,确定所述目标对象图结构的目标空间特征;
根据所述目标对象图结构的目标空间特征构建时间序列,确定所述行车图像的目标时序特征;
对所述目标时序特征进行维度变换,确定变换时序特征;
根据所述时序变换特征进行风险预测,确定行车危险概率值;
根据所述行车危险概率值得到第一检测结果;
所述检测模块,还用于根据所述对象检测框确定目标检测对象的目标检测框;
根据所述目标检测框确定所述目标检测对象的偏移距离;
根据所述偏移距离确定所述目标检测对象的行驶状态;
根据所述行驶状态、所述行车交通标识以及所述目标检测对象的当前所处位置进行行车规范检测,得到第二检测结果。
6.一种基于行车记录仪的行车检测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于行车记录仪的行车检测程序,所述基于行车记录仪的行车检测程序配置为实现如权利要求1至4中任一项所述的基于行车记录仪的行车检测方法的步骤。
7.一种存储介质,其特征在于,所述存储介质上存储有基于行车记录仪的行车检测程序,所述基于行车记录仪的行车检测程序被处理器执行时实现如权利要求1至4任一项所述的基于行车记录仪的行车检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311735411.0A CN117423093B (zh) | 2023-12-18 | 2023-12-18 | 基于行车记录仪的行车检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311735411.0A CN117423093B (zh) | 2023-12-18 | 2023-12-18 | 基于行车记录仪的行车检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117423093A CN117423093A (zh) | 2024-01-19 |
CN117423093B true CN117423093B (zh) | 2024-03-29 |
Family
ID=89528731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311735411.0A Active CN117423093B (zh) | 2023-12-18 | 2023-12-18 | 基于行车记录仪的行车检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117423093B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103578115A (zh) * | 2012-07-31 | 2014-02-12 | 电装It研究所 | 移动体识别系统以及移动体识别方法 |
CN109664820A (zh) * | 2018-09-25 | 2019-04-23 | 平安科技(深圳)有限公司 | 基于行车记录仪的驾驶提示方法、装置、设备和存储介质 |
WO2019175686A1 (en) * | 2018-03-12 | 2019-09-19 | Ratti Jayant | On-demand artificial intelligence and roadway stewardship system |
CN116798242A (zh) * | 2022-10-26 | 2023-09-22 | 中移(苏州)软件技术有限公司 | 一种车辆辅助驾驶方法及装置、电子设备、存储介质 |
CN117083575A (zh) * | 2021-03-15 | 2023-11-17 | 动态Ad有限责任公司 | 轨迹检查器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210197720A1 (en) * | 2019-12-27 | 2021-07-01 | Lyft, Inc. | Systems and methods for incident detection using inference models |
-
2023
- 2023-12-18 CN CN202311735411.0A patent/CN117423093B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103578115A (zh) * | 2012-07-31 | 2014-02-12 | 电装It研究所 | 移动体识别系统以及移动体识别方法 |
WO2019175686A1 (en) * | 2018-03-12 | 2019-09-19 | Ratti Jayant | On-demand artificial intelligence and roadway stewardship system |
CN109664820A (zh) * | 2018-09-25 | 2019-04-23 | 平安科技(深圳)有限公司 | 基于行车记录仪的驾驶提示方法、装置、设备和存储介质 |
CN117083575A (zh) * | 2021-03-15 | 2023-11-17 | 动态Ad有限责任公司 | 轨迹检查器 |
CN116798242A (zh) * | 2022-10-26 | 2023-09-22 | 中移(苏州)软件技术有限公司 | 一种车辆辅助驾驶方法及装置、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117423093A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10037604B2 (en) | Multi-cue object detection and analysis | |
CN112163543B (zh) | 一种车辆违法占道的检测方法及系统 | |
CN111353512B (zh) | 障碍物分类方法、装置、存储介质和计算机设备 | |
CN111699519A (zh) | 用于检测地理位置中的异常交通事件的系统、设备和方法 | |
CN111709416A (zh) | 车牌定位方法、装置、系统及存储介质 | |
CN111931683B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN111460917B (zh) | 基于多模态信息融合的机场异常行为检测系统及方法 | |
CN114841910A (zh) | 车载镜头遮挡识别方法及装置 | |
CN117218622A (zh) | 路况检测方法、电子设备及存储介质 | |
Ahn et al. | Research of automatic recognition of car license plates based on deep learning for convergence traffic control system | |
CN117423093B (zh) | 基于行车记录仪的行车检测方法、装置、设备及存储介质 | |
CN111539360B (zh) | 安全带佩戴识别方法、装置及电子设备 | |
JP2019003343A (ja) | 運転支援装置および運転支援方法 | |
CN116503820A (zh) | 一种基于道路车型的检测方法及检测设备 | |
CN116304986A (zh) | 车辆事件融合方法、装置、设备及可读存储介质 | |
CN113971762A (zh) | 一种旋转机械作业安全风险智能识别方法及系统 | |
CN116109711A (zh) | 一种驾驶辅助方法、装置和电子设备 | |
CN113408456A (zh) | 一种环境感知算法、系统、装置、电子设备及存储介质 | |
Pan et al. | Metamorphic testing for autonomous driving systems in fog based on quantitative measurement | |
CN112183413B (zh) | 一种车位检测方法、装置、存储介质及车辆 | |
Kim et al. | Small object detection (SOD) system for comprehensive construction site safety monitoring | |
CN114999183B (zh) | 一种交通路口车流量检测方法 | |
CN116681955B (zh) | 用于交通护栏异常识别的方法及计算设备 | |
CN114360291A (zh) | 驾驶员危险预警方法、装置、设备及存储介质 | |
Chumachenko et al. | Traffic Sign Detection and Recognition Using Single Shot Multibox Detector |
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 |