CN117830718A - 基于深度学习的车辆颜色识别方法、系统、介质及设备 - Google Patents
基于深度学习的车辆颜色识别方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN117830718A CN117830718A CN202311849888.1A CN202311849888A CN117830718A CN 117830718 A CN117830718 A CN 117830718A CN 202311849888 A CN202311849888 A CN 202311849888A CN 117830718 A CN117830718 A CN 117830718A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- color recognition
- trained
- data set
- training
- 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 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的车辆颜色识别方法、系统、介质及设备，其方法包括以下步骤：获取训练数据集；构建待训练的颜色识别模型，使用所述训练数据集对所述待训练的颜色识别模型进行训练，获取训练完成的颜色识别模型；利用所述训练完成的颜色识别模型对待识别目标车辆进行车辆颜色识别；因此通过使用深度学习训练的方法，有效的减少了占用的计算机资源，且加快了识别时间，同时提升了识别的准确度。
Description
技术领域
本发明涉及车辆颜色识别技术领域，特别涉及一种基于深度学习的车辆颜色识别方法、系统、介质及设备。
背景技术
在自动驾驶系统中，车辆颜色识别可以帮助车辆识别和区分不同的车辆，从而提供更准确的环境感知和障碍物检测。通过识别车辆的颜色，自动驾驶系统可以更好地判断周围交通状况，例如判断前方是否有其他车辆、识别交通信号灯等。这对于实现安全、高效的自动驾驶至关重要。此外，车辆颜色识别也可以用于车辆跟踪和识别特定车辆，例如出租车或紧急救援车辆。因此，车辆颜色识别在自动驾驶系统中具有重要的应用价值。
当前的颜色识别算法主要采用HSV空间识别算法，采用将RGB色域转到HSV空间，来计算颜色块来达到识别颜色的目的，这种算法存在两个缺点，第一：因为图像的像素点达到百万级别，该种算法传统遍历，会导致计算量比较大，处理的时间比较长，比较占用机器资源。第二：该算法会因为光照的反射或者天气变化等影响导致提取出来的颜色不准。然而新的颜色识别算法，经过深度学习训练可以有效的减少天气或者光照的影响，并且提高识别速度
因此当前的颜色识别算法主要是基于传统的识别算法，会导致颜色识别不准确等。因此需开发一种新的基于深度学习的颜色识别方案，提高准确率及识别速度。
发明内容
本发明提供一种基于深度学习的车辆颜色识别方法、系统、介质及设备，通过使用深度学习训练的方法，有效的减少了占用的计算机资源，且加快了识别时间，同时提升了识别的准确度。
第一方面，提供一种基于深度学习的车辆颜色识别方法，包括以下步骤：
获取训练数据集；
构建待训练的颜色识别模型，使用所述训练数据集对所述待训练的颜色识别模型进行训练，获取训练完成的颜色识别模型；
利用所述训练完成的颜色识别模型对待识别目标车辆进行车辆颜色识别。
根据第一方面，在第一方面的第一种可能的实现方式中，所述“获取训练数据集”步骤，具体包括以下步骤：
获取车辆数据集，基于目标检测算法识别所述车辆数据集中每一车辆的车身位置，对所述车身位置进行图像切割得到车身像素区域数据集；
将切割出的所述车身像素区域数据集进行图像尺寸调整、像素调整及颜色标注，得到训练数据集。
根据第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述“将切割出的所述车身像素区域数据集进行图像尺寸调整、像素调整及颜色标注”步骤，具体包括以下步骤：
将切割出的所述车身像素区域数据集中每一车身图像的图像尺寸均调整为预设图像尺寸；
将所述每一车身图像的图像分辨率调整为预设图像分辨率；
对所述每一车身图像进行车身真实颜色标注。
根据第一方面，在第一方面的第三种可能的实现方式中，所述“构建待训练的颜色识别模型，使用所述训练数据集对所述待训练的颜色识别模型进行训练，获取训练完成的颜色识别模型”步骤，具体包括以下步骤：
构建待训练的mobilenet神经网络模型，并在所述mobilenet神经网络模型中的3*3卷积后面添加1*1卷积；
基于自适应优化算法及使用所述训练数据集对进行卷积调整后的所述待训练的mobilenet神经网络模型进行训练，获取训练完成的颜色识别模型。
根据第一方面的第一种可能的实现方式，在第一方面的第四种可能的实现方式中，所述“基于目标检测算法识别所述车辆数据集中每一车辆的车身位置”步骤之前，具体包括以下步骤：
调整目标检测算法的预测层的预测类型为车类预测，并在目标检测算法的backbone网络骨架中添加特征金字塔层。
第二方面，提供了一种基于深度学习的车辆颜色识别系统，包括：
数据获取模块，用于获取训练数据集；
训练模块，与所述数据获取模块通信连接，用于构建待训练的颜色识别模型，使用所述训练数据集对所述待训练的颜色识别模型进行训练，获取训练完成的颜色识别模型；以及，
识别模块，与所述训练模块通信连接，用于利用所述训练完成的颜色识别模型对待识别目标车辆进行车辆颜色识别。
第三方面，提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述基于深度学习的车辆颜色识别方法。
第四方面，提供了一种电子设备，包括存储介质、处理器以及存储在所述存储介质中并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时实现如上述所述基于深度学习的车辆颜色识别方法。
与现有技术相比，本发明的优点如下：通过构建待训练的颜色识别模型，使用训练数据集对待训练的颜色识别模型进行训练，获取训练完成的颜色识别模型；最后利用所述训练完成的颜色识别模型对待识别目标车辆进行车辆颜色识别。因此通过使用深度学习训练的方法，有效的减少了占用的计算机资源，且加快了识别时间，同时提升了识别的准确度。
附图说明
图1是本发明一种基于深度学习的车辆颜色识别方法的流程示意图；
图2是本发明的模型卷积调整示意图；
图3是本发明的自适应优化算法的流程示意图；
图4是本发明一种基于深度学习的车辆颜色识别系统的结构示意图。
具体实施方式
现在将详细参照本发明的具体实施例，在附图中例示了本发明的例子。尽管将结合具体实施例描述本发明，但将理解，不是想要将本发明限于所述的实施例。相反，想要覆盖由所附权利要求限定的在本发明的精神和范围内包括的变更、修改和等价物。应注意，这里描述的方法步骤都可以由任何功能块或功能布置来实现，且任何功能块或功能布置可被实现为物理实体或逻辑实体、或者两者的组合。
为了使本领域技术人员更好地理解本发明，下面结合附图和具体实施方式对本发明作进一步详细说明。
注意：接下来要介绍的示例仅是一个具体的例子，而不作为限制本发明的实施例必须为如下具体的步骤、数值、条件、数据、顺序等等。本领域技术人员可以通过阅读本说明书来运用本发明的构思来构造本说明书中未提到的更多实施例。
参见图1所示，本发明实施例提供一种基于深度学习的车辆颜色识别方法，包括以下步骤：
S100，获取训练数据集；
S200，构建待训练的颜色识别模型，使用所述训练数据集对所述待训练的颜色识别模型进行训练，获取训练完成的颜色识别模型；
S300，利用所述训练完成的颜色识别模型对待识别目标车辆进行车辆颜色识别。
具体地，本实施例中，传统的车辆颜色识别算法，通过遍历图像的像素点来进行颜色识别，耗费大量的算力，且受到天气和光照的影响。因此本发明通过构建待训练的颜色识别模型，使用训练数据集对待训练的颜色识别模型进行训练，获取训练完成的颜色识别模型；最后利用所述训练完成的颜色识别模型对待识别目标车辆进行车辆颜色识别。因此通过使用深度学习训练的方法，有效的减少了占用的计算机资源，且加快了识别时间，同时提升了识别的准确度。
优选地，在本申请另外的实施例中，所述“S100，获取训练数据集”步骤，具体包括以下步骤：
S110，获取车辆数据集，基于目标检测算法识别所述车辆数据集中每一车辆的车身位置，对所述车身位置进行图像切割得到车身像素区域数据集；
S120，将切割出的所述车身像素区域数据集进行图像尺寸调整、像素调整及颜色标注，得到训练数据集。
需要说明的是，目标识别算法可使用“You Only Look Once算法”，You Only LookOnce(yolo)算法是一种使用卷积神经网络进行目标检测的算法。
优选地，在本申请另外的实施例中，所述“S120，将切割出的所述车身像素区域数据集进行图像尺寸调整、像素调整及颜色标注”步骤，具体包括以下步骤：
将切割出的所述车身像素区域数据集中每一车身图像的图像尺寸均调整为预设图像尺寸；
将所述每一车身图像的图像分辨率调整为预设图像分辨率；
对所述每一车身图像进行车身真实颜色标注。
具体地，本实施例中，将目标检测算法识别到的车身位置，通过坐标计算和图像切割，并将车身位置的图像区域截取出来。
由于切割出的车身像素区域数据集中每一车身图像为不规则大小的图像，因此需要将车身像素区域数据集做成规则大小的数据集。例如将每一车身图像的尺寸大小统一为20*20的大小。
同时为了降低颜色识别模型训练输入图像的分辨率，由于通过切割原图得到原始车身像素区域数据集图片的分辨率通常在50*50左右。因此可缩小图像分辨率到50*50来减少颜色识别模型的训练计算量。
最后还需要给每一车身图像做颜色标注，标注给车身的实际颜色真值，比如车身颜色为红色，那么将该图片的标签值标红色，依次给车身像素区域数据集中的每一车身图像打上标签，完成训练集的标注工作。
优选地，在本申请另外的实施例中，所述“S200，构建待训练的颜色识别模型，使用所述训练数据集对所述待训练的颜色识别模型进行训练，获取训练完成的颜色识别模型”步骤，具体包括以下步骤：
构建待训练的mobilenet神经网络模型，并在所述mobilenet神经网络模型中的3*3卷积后面添加1*1卷积；
基于自适应优化算法及使用所述训练数据集对进行卷积调整后的所述待训练的mobilenet神经网络模型进行训练，获取训练完成的颜色识别模型。
具体地，本实施例中，由于颜色识别模型需要部署在端侧，因此需要考虑轻量化，搭建模型时在mobilenet模型的基础上，在原本模型的一些3*3卷积后面加一个1×1卷积来实现通道数量的减少，这样减少3*3卷积的输入通道数量从而可以降低模型复杂度和参数量，加快推理速度，具体参见图2所示。
mobilenet神经网络模型是移动端或者嵌入式设备中的轻量级CNN，相比于传统卷积神经网络，在准确率小幅度降低的前提下大大减少模型参数与运算量。
自适应优化算法是一种优化算法，其特点是可以自适应的调整学习率，与传统的优化算法不同，自适应优化算法可以在训练过程中自动调整学习率，以适应不同的数据和模型。
使用自适应优化算法来调节模型参数，在学习的过程中，随着训练的迭代，学习率不应该固定不变，需要根据迭代的步数，使得学习率动态变化，因此设计自适应优化算法，随着迭代步数动态的调整学习率，使得收敛更快，得到训练完成颜色识别模型。
具体的自适应优化算法的具体实现步骤参见图3所示，通过图3优化算法过程，将动态的学习率输出，完成学习率快速迭代。
选用的AC函数如下：
f(x)为x的目标函数值，f(x+)为目前为止最优的x目标函数值。σ(x)和μ(x)分别是高斯过程所得到的目标函数的均值和方差。即f(x)的后验分布。ξ为trade-off系数,如果没有该系数，POI函数会倾向于exploit而不是explore，因此加入该项进行权衡。而我们要做的，就是尝试新的X，使得POI(x)最大。此时即可算出最优的学习率。
优选地，在本申请另外的实施例中，所述“基于目标检测算法识别所述车辆数据集中每一车辆的车身位置”步骤之前，具体包括以下步骤：
调整目标检测算法的预测层的预测类型为车类预测，并在目标检测算法的backbone网络骨架中添加特征金字塔层。
具体地，本实施例中，该目标检测算法在现有的yolo算法基础上修改最后的预测层，将原有预测层的预测种类修改成仅有车类，并且加入仅有车辆数据进行训练，提高识别车身的准确度；在算法的backbone阶段加入特征金字塔层提升网络模型的提取特征的能力，从而能够使得检测车身的能力和准确度提升。
特征金字塔层(Feature Pyramid Networks)是目前用于目标检测、语义分割、行为识别等方面比较重要的的算法层，对于提高模型性能具有非常重要的表现性能。
特征金字塔具有在不同尺度下右不同分辨率的特变，不同大小的目标都可以在相应尺度下拥有合适的特征表示，通过融合多尺度信息，在不同尺度下对于不同大小的目标进行预测，从而很好地提升了模型的性能。
同时参见图4所示，本发明实施例还提供了一种基于深度学习的车辆颜色识别系统，包括：
数据获取模块，用于获取训练数据集；
训练模块，与所述数据获取模块通信连接，用于构建待训练的颜色识别模型，使用所述训练数据集对所述待训练的颜色识别模型进行训练，获取训练完成的颜色识别模型；以及，
识别模块，与所述训练模块通信连接，用于利用所述训练完成的颜色识别模型对待识别目标车辆进行车辆颜色识别。
因此，本发明通过构建待训练的颜色识别模型，使用训练数据集对待训练的颜色识别模型进行训练，获取训练完成的颜色识别模型；最后利用所述训练完成的颜色识别模型对待识别目标车辆进行车辆颜色识别。因此通过使用深度学习训练的方法，有效的减少了占用的计算机资源，且加快了识别时间，同时提升了识别的准确度。
具体的，本实施例与上述方法实施例一一对应，各个模块的功能在相应的方法实施例中已经进行详细说明，因此不再一一赘述。
基于同一发明构思，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，计算机程序被处理器执行时实现上述方法的所有方法步骤或部分方法步骤。
本发明实现上述方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
基于同一发明构思，本申请实施例还提供一种电子设备，包括存储器和处理器，存储器上储存有在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法中的所有方法步骤或部分方法步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(例如声音播放功能、图像播放功能等)；存储数据区可存储根据手机的使用所创建的数据(例如音频数据、视频数据等)。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、服务器或计算机程序产品。因此，本发明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，本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、服务器和计算机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设备上，使得在计算机或其他可编程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。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于深度学习的车辆颜色识别方法，其特征在于，包括以下步骤：
获取训练数据集；
构建待训练的颜色识别模型，使用所述训练数据集对所述待训练的颜色识别模型进行训练，获取训练完成的颜色识别模型；
利用所述训练完成的颜色识别模型对待识别目标车辆进行车辆颜色识别。
2.如权利要求1所述的基于深度学习的车辆颜色识别方法，其特征在于，所述“获取训练数据集”步骤，具体包括以下步骤：
获取车辆数据集，基于目标检测算法识别所述车辆数据集中每一车辆的车身位置，对所述车身位置进行图像切割得到车身像素区域数据集；
将切割出的所述车身像素区域数据集进行图像尺寸调整、像素调整及颜色标注，得到训练数据集。
3.如权利要求2所述的基于深度学习的车辆颜色识别方法，其特征在于，所述“将切割出的所述车身像素区域数据集进行图像尺寸调整、像素调整及颜色标注”步骤，具体包括以下步骤：
将切割出的所述车身像素区域数据集中每一车身图像的图像尺寸均调整为预设图像尺寸；
将所述每一车身图像的图像分辨率调整为预设图像分辨率；
对所述每一车身图像进行车身真实颜色标注。
4.如权利要求1所述的基于深度学习的车辆颜色识别方法，其特征在于，所述“构建待训练的颜色识别模型，使用所述训练数据集对所述待训练的颜色识别模型进行训练，获取训练完成的颜色识别模型”步骤，具体包括以下步骤：
构建待训练的mobilenet神经网络模型，并在所述mobilenet神经网络模型中的3*3卷积后面添加1*1卷积；
基于自适应优化算法及使用所述训练数据集对进行卷积调整后的所述待训练的mobilenet神经网络模型进行训练，获取训练完成的颜色识别模型。
5.如权利要求2所述的基于深度学习的车辆颜色识别方法，其特征在于，所述“基于目标检测算法识别所述车辆数据集中每一车辆的车身位置”步骤之前，具体包括以下步骤：
调整目标检测算法的预测层的预测类型为车类预测，并在目标检测算法的backbone网络骨架中添加特征金字塔层。
6.一种基于深度学习的车辆颜色识别系统，其特征在于，包括：
数据获取模块，用于获取训练数据集；
训练模块，与所述数据获取模块通信连接，用于构建待训练的颜色识别模型，使用所述训练数据集对所述待训练的颜色识别模型进行训练，获取训练完成的颜色识别模型；以及，
识别模块，与所述训练模块通信连接，用于利用所述训练完成的颜色识别模型对待识别目标车辆进行车辆颜色识别。
7.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述基于深度学习的车辆颜色识别方法。
8.一种电子设备，包括存储介质、处理器以及存储在所述存储介质中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时实现如权利要求1至5中任一项所述基于深度学习的车辆颜色识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311849888.1A CN117830718A (zh) | 2023-12-28 | 2023-12-28 | 基于深度学习的车辆颜色识别方法、系统、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311849888.1A CN117830718A (zh) | 2023-12-28 | 2023-12-28 | 基于深度学习的车辆颜色识别方法、系统、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117830718A true CN117830718A (zh) | 2024-04-05 |
Family
ID=90511021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311849888.1A Pending CN117830718A (zh) | 2023-12-28 | 2023-12-28 | 基于深度学习的车辆颜色识别方法、系统、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117830718A (zh) |
-
2023
- 2023-12-28 CN CN202311849888.1A patent/CN117830718A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109753913B (zh) | 计算高效的多模式视频语义分割方法 | |
| CN106845487A (zh) | 一种端到端的车牌识别方法 | |
| CN110751037A (zh) | 车身颜色识别的方法及终端设备 | |
| CN112307978B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
| KR20210080291A (ko) | 차량 번호판 인식 방법, 차량 번호판 인식 모델의 트레이닝 방법 및 장치 | |
| CN110390314B (zh) | 一种视觉感知方法及设备 | |
| CN111191611A (zh) | 基于深度学习的交通标志标号识别方法 | |
| CN107909638A (zh) | 虚拟物体的渲染方法、介质、系统和电子设备 | |
| CN114120289B (zh) | 一种行车区域与车道线识别方法及系统 | |
| CN114495060B (zh) | 一种道路交通标线识别方法及装置 | |
| CN111723805B (zh) | 一种信号灯的前景区域识别方法及相关装置 | |
| CN115588188A (zh) | 一种机车、车载终端和驾驶员行为识别方法 | |
| CN110210425B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
| CN111127503A (zh) | 检测车辆轮胎的花纹的方法、设备和存储介质 | |
| CN117830718A (zh) | 基于深度学习的车辆颜色识别方法、系统、介质及设备 | |
| CN114283087A (zh) | 一种图像去噪方法及相关设备 | |
| CN112560853A (zh) | 图像处理的方法、装置及存储介质 | |
| CN112446230A (zh) | 车道线图像的识别方法及装置 | |
| CN116912889B (zh) | 行人重识别方法及装置 | |
| CN113781374B (zh) | 一种低光照场景下车道线检测增强方法、装置及终端设备 | |
| CN112434591B (zh) | 车道线确定方法、装置 | |
| CN117095244B (zh) | 一种红外目标识别方法、装置、设备及介质 | |
| CN114495061B (zh) | 一种道路交通标志牌识别方法及装置 | |
| US20240177499A1 (en) | Method for detecting lane lines and electronic device | |
| TWI807904B (zh) | 深度識別模型訓練方法、圖像深度識別方法及相關設備 |
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 |