TWI640964B - 以影像為基礎之車輛計數與分類系統 - Google Patents

以影像為基礎之車輛計數與分類系統 Download PDF

Info

Publication number
TWI640964B
TWI640964B TW106127881A TW106127881A TWI640964B TW I640964 B TWI640964 B TW I640964B TW 106127881 A TW106127881 A TW 106127881A TW 106127881 A TW106127881 A TW 106127881A TW I640964 B TWI640964 B TW I640964B
Authority
TW
Taiwan
Prior art keywords
image
vehicle
category
images
counting
Prior art date
Application number
TW106127881A
Other languages
English (en)
Other versions
TW201913594A (zh
Inventor
Chung-I Huang
黃仲誼
Chien-Hao Tseng
曾建澔
Fang-Pang Lin
林芳邦
Original Assignee
National Applied Research Laboratories
財團法人國家實驗研究院
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 National Applied Research Laboratories, 財團法人國家實驗研究院 filed Critical National Applied Research Laboratories
Priority to TW106127881A priority Critical patent/TWI640964B/zh
Priority to US15/957,473 priority patent/US10572741B2/en
Application granted granted Critical
Publication of TWI640964B publication Critical patent/TWI640964B/zh
Publication of TW201913594A publication Critical patent/TW201913594A/zh

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

一種以影像為基礎之車輛計數與分類系統，包含一攝影機及一影像伺服器。該攝影機拍攝一連串道路影像，並將對應於該等道路影像的一影像串流向外傳送。該影像伺服器耦接該攝影機，並包括一通訊單元及一處理單元。該通訊單元接收該攝影機傳來的影像串流。該處理單元電連接該通訊單元，並接收該通訊單元傳來的該影像串流，且用以：對該影像串流中之數個影像之每一者進行影像分割，以將每一影像分割為一前景部分以及一背景部分，其中，該前景部分包括數個分別對應數台車輛且互相遮蔽的車輛影像；對該前景部分進行細線化處理；對該前景部分中之經細線化處理後的該等車輛影像之間的連結線條進行侵蝕處理，以使該等車輛影像分離而不互相遮蔽；對該等車輛影像進行膨脹處理；對該等車輛影像進行編號；判定每一車輛影像是否通過一計數線；及若其中一車輛影像通過該計數線，則利用一類神經網路分類器將該車輛影像分類成一大型車類別、一小客車類別，或一機車類別。

Description

以影像為基礎之車輛計數與分類系統
本發明是有關於一種車輛計數與分類系統，特別是指一種以影像為基礎之車輛計數與分類系統。
目前，為了根據實際車流量來調整路口交通號誌的燈號變換時間，必須以人力來進行調整。例如，若要根據實際車流量來調整十字路口紅綠燈的燈號變換時間，通常僅能由交通警察根據其對車流量的主觀判斷，以操作交通號誌箱的方式調整燈號變換時間。然而，此種以人力調整交通號誌的燈號變換時間之現有作法，不僅無法最佳化交通號誌的燈號變換時間，且相當耗費人力。因此，有必要尋求解決之道。
因此，本發明之目的，即在提供一種以影像為基礎之車輛計數與分類系統。
於是，本發明以影像為基礎之車輛計數與分類系統，包含一攝影機及一影像伺服器。該攝影機拍攝一連串道路影像，並將對應於該等道路影像的一影像串流向外傳送。該影像伺服器耦接該攝影機，並包括一通訊單元及一處理單元。該通訊單元接收該攝影機傳來的影像串流。該處理單元電連接該通訊單元，並接收該通訊單元傳來的該影像串流，且用以：對該影像串流中之數個影像之每一者進行影像分割，以將每一影像分割為一前景部分以及一背景部分，其中，該前景部分包括數個分別對應數台車輛且互相遮蔽的車輛影像；對該前景部分進行細線化處理；對該前景部分中之經細線化處理後的該等車輛影像之間的連結線條進行侵蝕處理，以使該等車輛影像分離而不互相遮蔽；對該等車輛影像進行膨脹處理；對該等車輛影像進行編號；判定每一車輛影像是否通過一計數線；及若其中一車輛影像通過該計數線，則利用一類神經網路分類器將該車輛影像分類成一大型車類別、一小客車類別，或一機車類別。
本發明之功效在於：藉由攝影機以及影像伺服器之通訊單元、處理單元與類神經網路分類器等軟硬體元件之間的協同運作，可提供有用的即時交通流量資訊以最佳化交通號誌的燈號變換時間，且相當節省人力。
參閱圖1，本發明以影像為基礎之車輛計數與分類系統之實施例，包含一攝影機1及一影像伺服器2。該攝影機1用以拍攝一連串道路影像，並將對應於該等道路影像的一影像串流向外傳送。
該影像伺服器2耦接該攝影機1，並包括一通訊單元21、一處理單元22、一記憶體23，及一顯示器24。該通訊單元21用以接收該攝影機1傳來的影像串流，並傳送給該處理單元22。在本實施例中，該攝影機1是基於行動通訊技術(例如4G等)將該影像串流向外無線傳送，故該影像伺服器2之該通訊單元21也是基於對應的行動通訊技術接收該攝影機1傳來的影像串流。
該記憶體23用以儲存一以影像為基礎之車輛計數與分類程式231。其中，在本實施例中，該以影像為基礎之車輛計數與分類程式231包括一類神經網路分類器2310。
該處理單元22電連接該通訊單元21及該記憶體23，並接收該通訊單元21傳來的該影像串流，且用以執行該記憶體23中的以影像為基礎之車輛計數與分類程式231，以對該影像串流中的車輛影像進行車輛計數與分類。
參閱圖1、2、3，在本實施例中，當該影像伺服器2之處理單元22執行該記憶體23中的以影像為基礎之車輛計數與分類程式231之後，便可進行如圖2所示之運作流程。首先，如圖2步驟30所示，該處理單元22接收攝影機1傳來的道路影像串流。接著，如步驟31所示，該處理單元22對該影像串流中之數個影像之每一者進行影像分割，以將每一影像分割為一前景部分以及一背景部分，其中，該前景部分包括數個分別對應數台車輛且互相遮蔽的車輛影像。其中，該處理單元22是利用一背景相減法、一移動物體偵測法，或一建構式背景法，將每一影像分割為該前景部分以及該背景部分。
當該步驟31以建構式背景法進行時，該建構式背景法是根據以下像素 y出現之機率 p( y)公式(1)來進行：
……………………………………(1)
其中， K為影像中混合成分(mixture components)的個數， ω j 為每個成分之重要度，且 G( y, μ, ∑)是平均數(mean) μ與共變數(covariance)之多變數高斯分佈(multivariate Gaussian distribution)。
此外，由 於影像二值化閾值的設定將直接影響影像品質，且錯誤的閾值將導致前景部分與背景部分之間的雜亂，因而該影像二值化閾值若隨意設定，將導致無法辨識出前景部分中的車流影像與背景部分。而透過人工來定義該影像二值化閾值則會相當地費時費力，故在本實施例中，採用了基於統計學背景的統計式自動閾值演算法(例如大津(Otsu)自動閾值演算法)來自動設定該影像二值化閾值，以將前景部分與背景部分有效的分割。
接著，如步驟32所示，該處理單元22對該前景部分進行細線化(Thinning)處理。由於該前景部分中的車輛影像會互相遮蔽，導致車流判斷不易，故在本實施例中，採用了影像處理之細線化技術，將車輛影像之邊界進行細線化處哩，如此可以有效地縮減車流主體碰觸的情況。
接著，如步驟33所示，由於細線化後的車輛影像彼此之間仍有細小的連結線條，故在本實施例中，該處理單元22進一步採用了型態學中的侵蝕法 (Erosion)，對該前景部分中之經細線化處理後的該等車輛影像之間的連結線條進行侵蝕處理，以使該等車輛影像分離而不互相遮蔽。
接著，由於上述步驟32進行細線化處理後會使車輛影像之面積縮小，故需如步驟34所示，該處理單元22對該等車輛影像進行膨脹(Dilation)處理，以使車輛影像之面積恢復至正確大小。
接著，如步驟35所示，該處理單元22對該等車輛影像編號(Labeling)，並運算每一車輛影像之車輛影像寬度、車輛影像長度，及車輛影像面積(等於車輛影像寬度與車輛影像長度之乘積)。
在本實施例中，為了判定獨立車流，處理單元22採用了編號的方式對每一獨立的車輛影像進行編號。亦即，處理單元22會對完成步驟34後所得的二值化影像中的白色區域(即前景點)給予數個獨立的連通區域不同的編號。而編號的方式，是在逐行逐列掃描前景影像時，將遇到的第一塊連通區域給予編號1，第二塊連通區域給予編號2，以此類推，依序累計編碼，亦即，前景影像中的連通區域個數不同，其編號數目也會不同。因此，同一連通區域中的所有像素會具有相同的編號，其代表某一車輛，而隸屬於另一不同連通區域的所有像素，則會有不同編號，其代表另一車輛。
至於計算每一車輛影像之車輛影像寬度、車輛影像長度，及車輛影像面積之後，如圖3所示，在本實施例中，該處理單元22僅會在車輛影像面積大於30(單位為平方像素)之車輛影像周圍表示一車輛影像框及車輛影像面積。例如，圖3中車輛影像面積大於30之車輛影像為車輛影像241、242、243、244，故其等上分別標示有142、94、102、57之車輛影像面積。
接著，如步驟36所示，該處理單元22判定每一車輛影像是否通過一計數線240。在本實施例中，該處理單元22是根據車輛影像之中心點是否通過計數線240而判定車輛影像是否通過計數線240。
若步驟36之判定結果為否，則處理單元22再度進行步驟31~36等步驟。反之，若步驟36之判定至少一車輛影像正通過該計數線240，則接著如步驟37所示，該處理單元22利用該類神經網路分類器2310將該通過該計數線240之車輛影像分類成大型車類別、小客車類別，或機車類別。其中，該類神經網路分類器2310可以是例如為卷積類神經網路(Convolutional Neural Network，CNN)分類器或倒傳遞類神經網路(Backpropagation Neural Network，BPN)分類器等。
在本實施例中，當處理單元22判定至少一車輛影像通過該計數線240時，該處理單元22會先以影像處理的方法，對該通過計數線240之車輛影像抽取車輛影像寬度、車輛影像長度，及車輛影像面積等資訊，再將每一個經編號後的車輛影像放入倒傳遞類神經網路分類器2310進行車輛種類之分析，以分類出通過計數線240的車輛影像是大型車類別、小客車類別，或機車類別。
參閱圖4，例如，本實施例中倒傳遞類神經網路分類器2310根據即時車流之車輛影像寬度、車輛影像長度，及車輛影像面積之資訊對車輛進行分類之前，必須先透過大量的資料訓練，將群組分為三群，分別是大型車類別、小客車類別，及機車類別。如圖4所示，本發明中所使用的倒傳遞類神經網路分類器2310包括一具有三個輸入參數的輸入層2311、一具有三個輸出值的輸出層2313，以及至少一層介於該輸入層2311與該輸出層2313之間的隱藏層，例如如圖4所示的具有十個神經元之單一層隱藏層2312。其中，該等輸入參數包括該車輛影像寬度、該車輛影像長度，及該車輛影像面積，而該等輸出值包括該大型車類別、該小客車類別，及該機車類別。
該倒傳遞類神經網路分類器2310以監督式學習方式來處理輸入和輸出間的非線性映射關係。輸出值 Y 經由一活化函數而得，如下式:
………………………………………….(2)
其中， X 為輸入向量， W 為權重向量， 為活化函數。該活化函數 可如下式：
………………………………………(3)
其中，α表示活躍度，例如可為0.1。
倒傳遞類神經網路分類器2310之演算法的網路訓練方式包含兩個階段：前饋階段以及倒傳遞階段。在前饋階段，在輸入層2311引入輸入向量，再經由隱藏層2312傳導至輸出層2313，並計算出網路輸出值。此時，網路的連結值權重值是固定的。接著，在倒傳遞階段，網路的連結值權重值會根據誤差修正法則來進行修正。所謂誤差修正法則是以目標輸出值減去網路輸出值以得到誤差，若此誤差值不在容忍範圍內，則將此誤差倒傳遞回網路中，並修改各層神經元的權重值。因此，透過訓練樣本來調整各層與各神經元間的權重，便可完成學習目標的收斂。
接著，如步驟38所示，當倒傳遞類神經網路分類器2310將正通過該計數線240的車輛影像分類成大型車類別、小客車類別，或機車類別的其中一者時，該處理單元22將該被分類出的類別所對應的計數值加一。然後，如步驟39所示，該顯示器24顯示該影像串流，以及該大型車類別、該小客車類別，及該機車類別所分別對應的計數值。例如，圖3顯示器24顯示畫面之左上方顯示的L、M、S分別表示大型車、小客車、機車，且各英文字母後方的數字表示各類型車輛的數量，即已有10輛小客車及7輛機車通過該計數線240，且尚未有大型車通過該計數線240。此外，圖3顯示畫面之右上方顯示的數字〝17〞則代表已通過該計數線240之三種類別車輛之總數。
參閱圖5表格，其中數據是本發明以影像為基礎之車輛計數與分類系統於6月27日及6月28日針對台中市市政路某路段所獲得的道路交通流量。例如，在6月27日上午6:15時段所獲得的大型車、小客車、機車之數量分別為3輛、328輛、415輛。因此，由上述實施例可知，本發明以影像為基礎之車輛計數與分類系統先以攝影機1拍攝道路影像，再以影像伺服器2之以影像為基礎之車輛計數與分類程式231對車輛自動分類與計數，不僅可提供有用的即時交通流量資訊以最佳化交通號誌的燈號變換時間，且還相當節省人力。
綜上所述，本發明以影像為基礎之車輛計數與分類系統，藉由攝影機1以及影像伺服器2之以影像為基礎之車輛計數與分類程式231(包括類神經網路分類器2310)等軟硬體元件之間的協同運作，可提供有用的即時交通流量資訊以最佳化交通號誌的燈號變換時間，且相當節省人力，故確實能達成本發明的目的。
惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。
1‧‧‧攝影機
2‧‧‧影像伺服器
21‧‧‧通訊單元
22‧‧‧處理單元
23‧‧‧記憶體
231‧‧‧以影像為基礎之車輛計數與分類程式
2310‧‧‧類神經網路分類器
2311‧‧‧輸入層
2312‧‧‧隱藏藏
2313‧‧‧輸出層
24‧‧‧顯示器
240‧‧‧計數線
241~244‧‧‧車輛影像
30~39‧‧‧步驟
本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中： 圖1是一功能方塊圖，說明本發明以影像為基礎之車輛計數與分類系統之實施例； 圖2是一流程圖，說明本發明以影像為基礎之車輛計數與分類系統之運作流程； 圖3是一電腦顯示畫面，說明本實施例中影像伺服器之顯示器所顯示的台中市台灣大道三段某路段之影像串流畫面； 圖4是一架構圖，說明本實施例中所使用的倒傳遞類神經網路分類器之架構；及 圖5是一表格，說明本發明以影像為基礎之車輛計數與分類系統對台中市市政路某路段所估測的道路交通流量。

Claims (8)

  1. 一種以影像為基礎之車輛計數與分類系統，包含：一攝影機，用以拍攝一連串道路影像，並將對應於該等道路影像的一影像串流向外傳送；及一影像伺服器，耦接該攝影機，並包括：一顯示器；一通訊單元，用以接收該攝影機傳來的影像串流；及一處理單元，電連接該通訊單元及該顯示器，並接收該通訊單元傳來的該影像串流，且用以：對該影像串流中之數個影像之每一者進行影像分割，以將每一影像分割為一前景部分以及一背景部分，其中，該前景部分包括數個分別對應數台車輛且互相遮蔽的車輛影像；對該前景部分進行細線化處理；對該前景部分中之經細線化處理後的該等車輛影像之間的連結線條進行侵蝕處理，以使該等車輛影像分離而不互相遮蔽；對該等車輛影像進行膨脹處理；對該等車輛影像進行編號；判定每一車輛影像是否通過一計數線；若至少一車輛影像通過該計數線，則利用一類神經網路分類器將該通過該計數線之車輛影像分類成一大型車類別、一小客車類別，或一機車類別；及當該類神經網路分類器將該車輛影像分類成該大型車類別、該小客車類別，及該機車類別的其中一者時，將該被分類出的類別所對應的計數值加一；其中，該顯示器用以顯示該影像串流，以及該大型車類別、該小客車類別，及該機車類別所分別對應的計數值。
  2. 如請求項1所述以影像為基礎之車輛計數與分類系統，其中，該攝影機是基於行動通訊技術將該影像串流向外無線傳送，且該影像伺服器之該通訊單元是基於對應的行動通訊技術接收該攝影機傳來的影像串流。
  3. 如請求項1所述以影像為基礎之車輛計數與分類系統，其中，該影像伺服器之該處理單元是利用一背景相減法、一移動物體偵測法，或一建構式背景法，將每一影像分割為該前景部分以及該背景部分。
  4. 如請求項1所述以影像為基礎之車輛計數與分類系統，其中，在該影像伺服器之該處理單元將每一影像分割為該前景部分以及該背景部分之過程中，是利用一統計式自動閾值演算法來自動設定一影像二值化閾值。
  5. 如請求項1所述以影像為基礎之車輛計數與分類系統，其中，該類神經網路分類器為一卷積類神經網路分類器。
  6. 如請求項1所述以影像為基礎之車輛計數與分類系統，其中，該類神經網路分類器為一倒傳遞類神經網路分類器。
  7. 如請求項6所述以影像為基礎之車輛計數與分類系統，其中，該倒傳遞類神經網路分類器包括一具有三個輸入參數的輸入層、一具有三個輸出值的輸出層，及至少一介於該輸入層與該輸出層之間的隱藏層，該等輸入參數包括一車輛影像寬度、一車輛影像長度，及一等於該車輛影像寬度與該車輛影像長度之乘積的車輛影像面積，該等輸出值包括該大型車類別、該小客車類別，及該機車類別。
  8. 如請求項7所述以影像為基礎之車輛計數與分類系統，其中，該隱藏層具有十個神經元。
TW106127881A 2017-08-17 2017-08-17 以影像為基礎之車輛計數與分類系統 TWI640964B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW106127881A TWI640964B (zh) 2017-08-17 2017-08-17 以影像為基礎之車輛計數與分類系統
US15/957,473 US10572741B2 (en) 2017-08-17 2018-04-19 Image-based vehicle classification system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW106127881A TWI640964B (zh) 2017-08-17 2017-08-17 以影像為基礎之車輛計數與分類系統

Publications (2)

Publication Number Publication Date
TWI640964B true TWI640964B (zh) 2018-11-11
TW201913594A TW201913594A (zh) 2019-04-01

Family

ID=65034512

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106127881A TWI640964B (zh) 2017-08-17 2017-08-17 以影像為基礎之車輛計數與分類系統

Country Status (2)

Country Link
US (1) US10572741B2 (zh)
TW (1) TWI640964B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI779962B (zh) * 2021-11-17 2022-10-01 瑞昱半導體股份有限公司 視頻分類系統、視頻分類方法、神經網路訓練系統以及神經網路訓練方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10417527B2 (en) * 2017-09-06 2019-09-17 Irdeto B.V. Identifying an object within content
EP3905217A4 (en) * 2018-12-29 2022-07-27 UISEE Technologies (Beijing) Ltd. METHOD AND DEVICE FOR CONTROL OF TRAFFIC LIGHTS
CN110009800B (zh) * 2019-03-14 2023-04-07 北京京东乾石科技有限公司 一种识别方法和设备
TWI707812B (zh) * 2019-11-09 2020-10-21 長庚大學 智慧資源回收桶
KR102423207B1 (ko) * 2020-01-10 2022-07-20 한국해양과학기술원 딥러닝 기반의 크레인 대기 컨테이너 트럭 계수 시스템 및 컨테이너 트럭 계수 방법
TWI797468B (zh) * 2020-04-22 2023-04-01 義碩智能股份有限公司 交通號誌燈的控制系統及方法
CN112071093A (zh) 2020-04-22 2020-12-11 义硕智能股份有限公司 交通号志灯的控制系统及方法
CN112201061B (zh) * 2020-09-27 2021-09-03 同济大学 一种基于电警卡口数据的交叉口配时方案估计方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6304321B1 (en) * 1992-11-23 2001-10-16 Schwartz Electro-Optics, Inc. Vehicle classification and axle counting sensor system and method
CN101030259A (zh) * 2006-02-28 2007-09-05 沈阳东软软件股份有限公司 Svm分类器、利用svm分类器识别车辆图像的方法和装置
TW201624437A (zh) * 2014-12-31 2016-07-01 Nat Inst Chung Shan Science & Technology 基於混合粒子濾波器之夜間車輛計數之方法
CN106097725A (zh) * 2016-08-18 2016-11-09 马平 一种基于动态特征提取的车辆分类流量检测方法
CN205809905U (zh) * 2016-06-07 2016-12-14 东方桐科技（天津）有限公司 一种道路交通车辆分类计数设备
CN106710230A (zh) * 2017-01-24 2017-05-24 杨茂君 机动车车型分类自动识别系统及其所采用的识别方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5434927A (en) * 1993-12-08 1995-07-18 Minnesota Mining And Manufacturing Company Method and apparatus for machine vision classification and tracking
US6828920B2 (en) * 2001-06-04 2004-12-07 Lockheed Martin Orincon Corporation System and method for classifying vehicles
US7725348B1 (en) * 2001-10-17 2010-05-25 United Toll Systems, Inc. Multilane vehicle information capture system
US7639841B2 (en) * 2004-12-20 2009-12-29 Siemens Corporation System and method for on-road detection of a vehicle using knowledge fusion
JP4973008B2 (ja) * 2006-05-26 2012-07-11 富士通株式会社 車両判別装置及びそのプログラム
US8379926B2 (en) * 2007-12-13 2013-02-19 Clemson University Vision based real time traffic monitoring
CN103518230B (zh) * 2011-03-14 2017-02-22 加州大学评议会 用于车辆分类的方法和系统
US9466000B2 (en) * 2011-05-19 2016-10-11 The Regents Of The University Of California Dynamic Bayesian Networks for vehicle classification in video
US9514366B2 (en) * 2014-02-03 2016-12-06 Xerox Corporation Vehicle detection method and system including irrelevant window elimination and/or window score degradation
US9489581B2 (en) * 2014-08-11 2016-11-08 Nokia Technologies Oy Vehicle counting and emission estimation
US9665802B2 (en) * 2014-11-13 2017-05-30 Nec Corporation Object-centric fine-grained image classification
CN105809088B (zh) * 2014-12-30 2019-07-19 清华大学 车辆识别方法和系统
US9710712B2 (en) * 2015-01-16 2017-07-18 Avigilon Fortress Corporation System and method for detecting, tracking, and classifiying objects
US9514391B2 (en) * 2015-04-20 2016-12-06 Xerox Corporation Fisher vectors meet neural networks: a hybrid visual classification architecture
US20180268252A1 (en) * 2015-09-30 2018-09-20 Panasonic Intellectual Property Management Co., Ltd. Vehicle model identification device, vehicle model identification system comprising same, and vehicle model identification method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6304321B1 (en) * 1992-11-23 2001-10-16 Schwartz Electro-Optics, Inc. Vehicle classification and axle counting sensor system and method
CN101030259A (zh) * 2006-02-28 2007-09-05 沈阳东软软件股份有限公司 Svm分类器、利用svm分类器识别车辆图像的方法和装置
TW201624437A (zh) * 2014-12-31 2016-07-01 Nat Inst Chung Shan Science & Technology 基於混合粒子濾波器之夜間車輛計數之方法
CN205809905U (zh) * 2016-06-07 2016-12-14 东方桐科技（天津）有限公司 一种道路交通车辆分类计数设备
CN106097725A (zh) * 2016-08-18 2016-11-09 马平 一种基于动态特征提取的车辆分类流量检测方法
CN106710230A (zh) * 2017-01-24 2017-05-24 杨茂君 机动车车型分类自动识别系统及其所采用的识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Ali Tourani、Asadollah Shahbahrami,"Vehicle Counting Method Based on Digital Image Processing Algorithms ",<http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&amp;arnumber=7161621>,2015 2nd International Conference on Pattern Recognition and Image Analysis (IPRIA 2015) March 11-12
Ali Tourani、Asadollah Shahbahrami,"Vehicle Counting Method Based on Digital Image Processing Algorithms ",<http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7161621>,2015 2nd International Conference on Pattern Recognition and Image Analysis (IPRIA 2015) March 11-12 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI779962B (zh) * 2021-11-17 2022-10-01 瑞昱半導體股份有限公司 視頻分類系統、視頻分類方法、神經網路訓練系統以及神經網路訓練方法

Also Published As

Publication number Publication date
US10572741B2 (en) 2020-02-25
US20190057260A1 (en) 2019-02-21
TW201913594A (zh) 2019-04-01

Similar Documents

Publication Publication Date Title
TWI640964B (zh) 以影像為基礎之車輛計數與分類系統
CN107798335B (zh) 一种融合滑动窗口与Faster R-CNN卷积神经网络的车标识别方法
CN108304798B (zh) 基于深度学习及运动一致性的街面秩序事件视频检测方法
CN108388879B (zh) 目标的检测方法、装置和存储介质
US20170124415A1 (en) Subcategory-aware convolutional neural networks for object detection
CN110678901A (zh) 信息处理设备、信息处理方法和程序
CN111967313B (zh) 一种深度学习目标检测算法辅助的无人机图像标注方法
KR101935010B1 (ko) 영상 기반 차량 번호판 인식 장치 및 방법
CN111767878B (zh) 嵌入式设备中基于深度学习的交通标志检测方法及系统
CN111160249A (zh) 基于跨尺度特征融合的光学遥感图像多类目标检测方法
WO2020258077A1 (zh) 一种行人检测方法及装置
KR20210080459A (ko) 차선 검출방법, 장치, 전자장치 및 가독 저장 매체
CN107563299B (zh) 一种利用ReCNN融合上下文信息的行人检测方法
CN111860439A (zh) 一种无人机巡检图像缺陷检测方法、系统及设备
GB2526658A (en) An efficient method of offline training a special-type parked vehicle detector for video-based on-street parking occupancy detection systems
Khalifa et al. Malaysian Vehicle License Plate Recognition.
CN109858327B (zh) 一种基于深度学习的字符分割方法
CN112997190A (zh) 车牌识别方法、装置及电子设备
CN110969171A (zh) 基于改进卷积神经网络的图像分类模型、方法及应用
CN113516853B (zh) 一种针对复杂监控场景的多车道车流量检测方法
CN109313699A (zh) 用于对一车辆的输入图像进行目标识别的装置和方法
DE102015207047A1 (de) Verfahren und System automatisierten Sequenzieren von Fahrzeugen in nebeneinander angeordneten Durchfahrtskonfigurationen über eine bildbasierte Einstufung
CN112766273A (zh) 一种车牌识别方法
CN107247967B (zh) 一种基于r-cnn的车窗年检标检测方法
CN115661757A (zh) 一种受电弓拉弧自动检测方法