CN103279756B - 基于集成分类器的车辆检测分析***及其检测分析方法 - Google Patents
基于集成分类器的车辆检测分析***及其检测分析方法 Download PDFInfo
- Publication number
- CN103279756B CN103279756B CN201310233696.8A CN201310233696A CN103279756B CN 103279756 B CN103279756 B CN 103279756B CN 201310233696 A CN201310233696 A CN 201310233696A CN 103279756 B CN103279756 B CN 103279756B
- Authority
- CN
- China
- Prior art keywords
- car
- detection
- image
- sample
- vehicle
- 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.)
- Expired - Fee Related
Links
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于集成分类器的车辆检测分析***及其检测分析方法，其通过级联分类器对交通摄像头抓拍的图像进行车辆图像分拣，分拣出单一车辆的图像，然后通过车牌检测***获取车牌的具***置并通过车牌从车辆信息库中获得车牌所对应的车辆信息，在获取到车牌具***置的前提下，向车牌上方提取带有车标的候选区域，在候选区域中通过Adaboost与SVM级联分类器检测车标，检测出车标即可得出车辆的品牌信息，再与通过车牌从车辆信息库中获得的车辆信息进行比对，如比对不符，即可判别得出车牌可能存在假牌或者套牌的行为，进而实现对交通安全的智能化管理。
Description
技术领域
本发明涉及智能交通领域，具体涉及一种基于集成分类器的车辆检测分析***及其检测分析方法。
背景技术
随着世界经济和我国经济的不断发展，交通运输越来越成为国民经济生活中的一个极其重要、不可或缺的因素。现代化的交通需要现代化的交通管理，为解决城市及国道主要路段和路口的交通拥挤和阻塞状况，减少事故、违章现象，建立现代化的交通指挥控制***是非常必要的。实现交通管理的自动化和智能化是21世纪世界道路交通的发展趋势，智能交通***(IntelligentTransportationSystem，简称ITS)就是将先进的信息采集技术、数据通讯技术、自动控制技术及计算机技术、网络技术等高新技术有效地运用于整个交通管理体系中，使人、车、路密切配合，形成和谐统一的、在大范围内持续发挥作用的优良高效的交通状况。
公路交通基础建设的不断发展和车辆管理体制的不断完善，使交通图像场景日益简单化和标准化，为以视觉监控为基础的智能交通***的实际应用打下了良好的基础。视频交通流检测及车辆识别***，是利用图像处理与识别技术、计算机视觉技术等实现对交通目标自动检测的计算机处理***。通过对交通目标的各种行为的实时检测，实现对交通路段上行驶的机动车的数量、速度、违章(如超速、逆行、停车等)以及类别等交通参数的自动统计，达到监测道路交通状况的目的。同时，将检测和识别到的交通信息存储起来，为交通状况的科学管理提供依据，因此车辆检测及车标的检测是智能交通***的重要组成部分，而汽车牌照的检测又是该***的关键性环节。汽车车标的自动检测能够自动实时地将行驶着的汽车信息识别出阿里，是图像处理、计算机视觉与模式识别技术应用在智能交通领域的重要研究课题之一。它具有广泛的应用前景，其应用场合包括：高速公路、桥梁、隧道等自动收费管理***；城市交通车辆管理，如超速车和违规车辆的识别、记录，电子警察，海关边境交通监控，以及管制区、国家重要机关部门的进入控制；智能小区、智能停车场管理；车牌验证，被盗车辆的检测、跟踪；车流量统计等。其中车牌识别***又可以是一个相对独立的***，主要包括图像采集、车牌定位、字符分割、字符识别等工作模块，***同时具有良好的维护性和扩展性，可在无需为车辆加装其他特殊装置情况下实现对车辆的自动检测。车牌识别***是实现交通管理智能化的重要环节，在高速公路、城市交通和停车场等项目的管理中占有举足轻重的作用。因此，通用、高效、抗噪的车牌自动识别方法的研究与实现具有极其重要的现实意义。正是利用了先验知识——车标的位置普遍位于车牌的上方，因此对于车辆中的车牌的检测对于车标的检测是关键一步。
发明内容
本发明目的在于提供一种基于集成分类器的车辆检测分析***及其检测分析方法，其通过级联分类器对车辆车标实现智能分析判定车辆信息(车辆品牌、颜色等)，再结合根据车牌得出的车辆信息，实现对车辆牌照真伪的智能判别，实现交通管理智能化。
为了解决现有技术中的这些问题，本发明提供的技术方案是：
一种基于集成分类器的车辆检测分析***，车辆检测分析***依序包括基于图像的多车检测***、车牌检测***以及车标检测***三个组成部分，多车检测***用于分拣出抓拍图像中的单一车辆图像，车牌检测***用于检测多车检测***中每一车辆图像中的车牌信息并从车辆信息库中调取车牌对应的车辆信息，车标检测***用于检测每一车辆图像中的车标信息并与车牌检测***中得到的车辆信息进行比对。
对于上述技术方案，发明人还有进一步的优化实施方案。
作为优化，多车检测***首先通过分别提取样本集中若干样本的HOG和Haar特征作为样本特征描述，然后根据样本特征描述通过级联的AdaBoost分类器对抓拍图像中的车辆图像进行分拣。
进一步，样本集包括若干正样本即车辆样本与若干负样本即非车辆样本，所述级联的AdaBoost分类器的第一级分类器将样本集中的样本均输入到分类器中，第一级分类器的分类结果中分类正确的正样本、分类错误的负样本提取出来作为下一级分类器训练使用，如此类推。
更进一步，多车检测***通过对检测样本利用高斯金字塔模型将检测图像(1024*1360像素)变化到128*128，256*256和512*512像素，然后分别对变换后的图像提取HOG和Haar特征输入到已经得到的级联Adaboost分类器中，对于不同尺寸大小的图像的检测结果按照2倍、4倍、8倍的比例映射会原有的图像尺寸中，进行检测窗口融合。如果检测窗口的尺寸小于64*64直接过滤；如果检测窗口之间存在包含的关系我们将最小的检测窗口直接删除；如果检测窗口之间存在交集的关系即两者覆盖面积超过2/3，则对两个检测窗口取其平均值得到新的检测窗口。
作为优化，车牌检测***首先对多车检测***分拣到的车辆图像进行灰度值转化后进行预分割，将车辆图像的车前脸分割出来，再利用梯度Sobel算子提取图像的边缘梯度利用边缘信息来得到车牌的具***置，或者对处理后的图像利用膨胀、腐蚀等形态学处理的方法来获取车牌的具***置；在得到车牌的具***置后，就可以利用车牌与车标的位置关系来确定车标，假设提取出的车牌的长、宽分别是W、H，利用车标位于车牌的上方的先验知识，我们提取带有车标的候选区域(mask)，即Wmask＝WandHmask＝3×H，在得到候选区域之后就可以应用车标检测***来确定车标的具***置。
作为优化，所述车标检测***包括利用Adaboost与SVM级联后的分类器来进行车标的检测，首先将提取特征后的检测样本通过Adaboost进行检测，如果该分类器得到了车标的样本的位置，则将该区域输出；如果该分类器没有检测到车标，则将特征输入到SVM中再次检测。
本发明还提供了一种基于集成分类器的车辆检测分析方法，所述方法具体包括以下工作步骤：
首先抓拍车辆图像并分拣出抓拍图像中的单一车辆图像：通过分别提取样本集中若干样本的HOG和Haar特征作为样本特征描述，然后根据样本特征描述通过级联的AdaBoost分类器对抓拍图像中的车辆图像进行分拣；
然后检测上一步骤中每一车辆图像中的车牌信息并从车辆信息库中调取车牌对应的车辆信息：对上一步骤分拣到的车辆图像进行灰度值转化后进行预分割，将车辆图像的车前脸分割出来，再利用梯度Sobel算子提取图像的边缘梯度利用边缘信息来得到车牌的具***置，或者对处理后的图像利用膨胀、腐蚀等形态学处理的方法来获取车牌的具***置，在得到车牌的具***置后，就可以利用车牌与车标的位置关系来确定车标，假设提取出的车牌的长、宽分别是W、H，利用车标位于车牌的上方的先验知识，我们提取带有车标的候选区域(mask)，即Wmask＝WandHmask＝3×H，在得到候选区域之后就可以确定车标的具***置；
紧接着，检测每一车辆图像中的车标信息并与车牌检测***中得到的车辆信息进行比对：利用Adaboost与SVM级联后的分类器来进行车标的检测，首先将提取特征后的检测样本通过Adaboost进行检测，如果该分类器得到了车标的样本的位置，则将该区域输出；如果该分类器没有检测到车标，则将特征输入到SVM中再次检测。
对于上述车辆检测分析方法，发明人同样还有进一步的优化实施方案。
作为优化，在分拣出抓拍图像中的单一车辆图像时，首先通过分别提取样本集中若干样本的HOG和Haar特征作为样本特征描述，然后根据样本特征描述通过级联的AdaBoost分类器对抓拍图像中的车辆图像进行分拣。
进一步，样本集包括若干正样本即车辆样本与若干负样本即非车辆样本，所述级联的AdaBoost分类器的第一级分类器将样本集中的样本均输入到分类器中，第一级分类器的分类结果中分类正确的正样本、分类错误的负样本提取出来作为下一级分类器训练使用，如此类推。
更进一步，在对抓拍图像进行分拣时，通过对检测样本利用高斯金字塔模型将检测图像(1024*1360像素)变化到128*128，256*256和512*512像素，然后分别对变换后的图像提取HOG和Haar特征输入到已经得到的级联Adaboost分类器中，对于不同尺寸大小的图像的检测结果按照2倍、4倍、8倍的比例映射会原有的图像尺寸中，进行检测窗口融合，如果检测窗口的尺寸小于64*64直接过滤；如果检测窗口之间存在包含的关系我们将最小的检测窗口直接删除；如果检测窗口之间存在交集的关系即两者覆盖面积超过2/3，则对两个检测窗口取其平均值得到新的检测窗口。
相对于现有技术中的方案，本发明的优点是：
本发明通过级联分类器对交通摄像头抓拍的图像进行车辆图像分拣，分拣出单一车辆的图像，然后通过车牌检测***获取车牌的具***置并通过车牌从车辆信息库中获得车牌所对应的车辆信息，在获取到车牌具***置的前提下，向车牌上方提取带有车标的候选区域，在候选区域中通过Adaboost与SVM级联分类器检测车标，检测出车标即可得出车辆的品牌信息，再与通过车牌从车辆信息库中获得的车辆信息进行比对，如比对不符，即可判别得出车牌可能存在假牌或者套牌的行为，进而实现对交通安全的智能化管理。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1为本发明实施例的多车检测***中的正样本图像集示意图；
图2为本发明实施例的多车检测***中的负样本图像集示意图；
图3为本发明实施例的多车检测***中的Haar特征集示意图；
图4为本发明实施例的多车检测***中的检测窗口包含关系下的结构示意图；
图5为本发明实施例的多车检测***中的检测窗口相交关系下的结构示意图；
图6为本发明实施例的车牌检测***中的利用边缘信息得到车牌的示意图；
图7为本发明实施例的车牌检测***中的利用形态学处理得到车牌的示意图；
图8为本发明实施例的车标检测***的结构框图。
具体实施方式
以下结合具体实施例对上述方案做进一步说明。应理解，这些实施例是用于说明本发明而不限于限制本发明的范围。实施例中采用的实施条件可以根据具体厂家的条件做进一步调整，未注明的实施条件通常为常规实验中的条件。
实施例：
本实施例描述了一种基于集成分类器的车辆检测分析***，车辆检测分析***依序包括基于图像的多车检测***、车牌检测***以及车标检测***三个组成部分，多车检测***用于分拣出抓拍图像中的单一车辆图像，车牌检测***用于检测多车检测***中每一车辆图像中的车牌信息并从车辆信息库中调取车牌对应的车辆信息，车标检测***用于检测每一车辆图像中的车标信息并与车牌检测***中得到的车辆信息进行比对。
多车检测***首先通过分别提取样本集中若干样本的HOG和Haar特征作为样本特征描述，然后根据样本特征描述通过级联的AdaBoost分类器对抓拍图像中的车辆图像进行分拣。样本集包括若干正样本即车辆样本与若干负样本即非车辆样本，(正样本图像集如图1所示，负样本图像集如图2所示)本实施例使用参数来控制分类器级联，对于第一级分类器将图像集中的正样本和部分负样本输入到分类器中，将最后分类结果中分类正确的正样本和分类错误的负样本提取出来，用于下一级分类器训练所用。通过此法不断地重复训练，通过设置三个指标来控制其训练：1、对于每一个分类器迭代的次数设置为200次；2、检测率和误报率分别为0.98和7*10-5；3、负样本全部训练完，最终得到一个级联的Adaboost的分类器组。所述级联的AdaBoost分类器的第一级分类器将样本集中的样本均输入到分类器中，第一级分类器的分类结果中分类正确的正样本、分类错误的负样本提取出来作为下一级分类器训练使用，如此类推。
多车检测***通过对检测样本利用高斯金字塔模型将检测图像(1024*1360像素)变化到128*128，256*256和512*512像素，然后分别对变换后的图像提取HOG和Haar特征输入到已经得到的级联Adaboost分类器中，对于不同尺寸大小的图像的检测结果按照2倍、4倍、8倍的比例映射会原有的图像尺寸中，进行检测窗口融合。如果检测窗口的尺寸小于64*64直接过滤；如果检测窗口之间存在包含的关系我们将最小的检测窗口直接删除，如图4所示；如果检测窗口之间存在交集的关系即两者覆盖面积超过2/3，则对两个检测窗口取其平均值得到新的检测窗口，如图5所示。
HOG特征是通过统计图像边缘的梯度来作为车辆特征的描述，是通过计算每一个block中的cell中的梯度，来得到图像的特征表述。本实施例中参数选取采用9bins，2*2cells和3*3blocks。Haar特征是通过计算矩形区域当中不同部分的像素差值来对图像进行描述。如图3所示，发明利用四种不同的Haar特征集的描述算子来描述图像特征，通过计算黑色区域与白色区域的差值来作为该区域的特征。
对用上述方法检测到的车辆图像统一压缩到320*320像素，利用车辆的先验知识，即车标的位置一般位于车牌的上方，因此车牌的检测对于后续车标的检测有着重要的基础，为此我们对检测到的车辆先进行车牌检测同时进行车标的区域定位。
车牌检测***首先对多车检测***分拣到的车辆图像进行灰度值转化后进行预分割，将车辆图像的车前脸分割出来，再利用梯度Sobel算子提取图像的边缘梯度利用边缘信息来得到车牌的具***置(如图6所示)，或者对处理后的图像利用膨胀、腐蚀等形态学处理的方法来获取车牌的具***置(如图7所示)；在得到车牌的具***置后，就可以利用车牌与车标的位置关系来确定车标，假设提取出的车牌的长、宽分别是W、H，利用车标位于车牌的上方的先验知识，我们提取带有车标的候选区域(mask)，即Wmask＝WandHmask＝3×H，在得到候选区域之后就可以应用车标检测***来确定车标的具***置。
所述车标检测***如图8所示，包括利用Adaboost与SVM(支持向量机)级联后的分类器来进行车标的检测，首先将提取特征后的检测样本通过Adaboost进行检测，如果该分类器得到了车标的样本的位置，则将该区域输出；如果该分类器没有检测到车标，则将特征输入到SVM中再次检测。
本实施例还描述了一种基于集成分类器的车辆检测分析方法，所述方法具体包括以下工作步骤：
首先抓拍车辆图像并分拣出抓拍图像中的单一车辆图像：通过分别提取样本集中若干样本的HOG和Haar特征作为样本特征描述，然后根据样本特征描述通过级联的AdaBoost分类器对抓拍图像中的车辆图像进行分拣；
然后检测上一步骤中每一车辆图像中的车牌信息并从车辆信息库中调取车牌对应的车辆信息：对上一步骤分拣到的车辆图像进行灰度值转化后进行预分割，将车辆图像的车前脸分割出来，再利用梯度Sobel算子提取图像的边缘梯度利用边缘信息来得到车牌的具***置，或者对处理后的图像利用膨胀、腐蚀等形态学处理的方法来获取车牌的具***置，在得到车牌的具***置后，就可以利用车牌与车标的位置关系来确定车标，假设提取出的车牌的长、宽分别是W、H，利用车标位于车牌的上方的先验知识，我们提取带有车标的候选区域(mask)，即Wmask＝WandHmask＝3×H，在得到候选区域之后就可以确定车标的具***置；
紧接着，检测每一车辆图像中的车标信息并与车牌检测***中得到的车辆信息进行比对：利用Adaboost与SVM级联后的分类器来进行车标的检测，首先将提取特征后的检测样本通过Adaboost进行检测，如果该分类器得到了车标的样本的位置，则将该区域输出；如果该分类器没有检测到车标，则将特征输入到SVM中再次检测。
对于上述车辆检测分析方法，发明人同样还有进一步的优化实施方案。
作为优化，在分拣出抓拍图像中的单一车辆图像时，首先通过分别提取样本集中若干样本的HOG和Haar特征作为样本特征描述，然后根据样本特征描述通过级联的AdaBoost分类器对抓拍图像中的车辆图像进行分拣。
进一步，样本集包括若干正样本即车辆样本与若干负样本即非车辆样本，所述级联的AdaBoost分类器的第一级分类器将样本集中的样本均输入到分类器中，第一级分类器的分类结果中分类正确的正样本、分类错误的负样本提取出来作为下一级分类器训练使用，如此类推。
更进一步，在对抓拍图像进行分拣时，通过对检测样本利用高斯金字塔模型将检测图像(1024*1360像素)变化到128*128，256*256和512*512像素，然后分别对变换后的图像提取HOG和Haar特征输入到已经得到的级联Adaboost分类器中，对于不同尺寸大小的图像的检测结果按照2倍、4倍、8倍的比例映射会原有的图像尺寸中，进行检测窗口融合，如果检测窗口的尺寸小于64*64直接过滤；如果检测窗口之间存在包含的关系我们将最小的检测窗口直接删除；如果检测窗口之间存在交集的关系即两者覆盖面积超过2/3，则对两个检测窗口取其平均值得到新的检测窗口。
上述实例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人是能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于集成分类器的车辆检测分析***，其特征在于，车辆检测分析***依序包括基于图像的多车检测***、车牌检测***以及车标检测***三个组成部分，多车检测***用于分拣出抓拍图像中的单一车辆图像，车牌检测***用于检测多车检测***中每一车辆图像中的车牌信息并从车辆信息库中调取车牌对应的车辆信息，车标检测***用于检测每一车辆图像中的车标信息并与车牌检测***中得到的车辆信息进行比对；
多车检测***首先通过分别提取样本集中若干样本的HOG和Haar特征作为样本特征描述，然后根据样本特征描述通过级联的AdaBoost分类器对抓拍图像中的车辆图像进行分拣；
样本集包括若干正样本即车辆样本与若干负样本即非车辆样本，所述级联的AdaBoost分类器的第一级分类器将样本集中的样本均输入到分类器中，第一级分类器的分类结果中分类正确的正样本、分类错误的负样本提取出来作为下一级分类器训练使用，如此类推；
多车检测***通过对检测样本利用高斯金字塔模型将1024*1360像素的检测图像变化到128*128,256*256和512*512像素，然后分别对变换后的图像提取HOG和Haar特征输入到已经得到的级联AdaBoost分类器中，对于不同尺寸大小的图像的检测结果按照2倍、4倍、8倍的比例映射到原有的图像尺寸中，进行检测窗口融合，如果检测窗口的尺寸小于64*64直接过滤；如果检测窗口之间存在包含的关系我们将最小的检测窗口直接删除；如果检测窗口之间存在交集的关系即两者覆盖面积超过2/3，则对两个检测窗口取其平均值得到新的检测窗口。
2.根据权利要求1所述的基于集成分类器的车辆检测分析***，其特征在于，车牌检测***首先对多车检测***分拣到的车辆图像进行灰度值转化后进行预分割，将车辆图像的车前脸分割出来，再利用梯度Sobel算子提取图像的边缘梯度利用边缘信息来得到车牌的具***置，或者对处理后的图像利用膨胀、腐蚀等形态学处理的方法来获取车牌的具***置；在得到车牌的具***置后，就可以利用车牌与车标的位置关系来确定车标，假设提取出的车牌的长、宽分别是W、H，利用车标位于车牌的上方的先验知识，我们提取带有车标的候选区域mask，即Wmask=WandHmask=3×H，在得到候选区域之后就可以应用车标检测***来确定车标的具***置。
3.根据权利要求1或2所述的基于集成分类器的车辆检测分析***，其特征在于，所述车标检测***包括利用AdaBoost与SVM级联后的分类器来进行车标的检测，首先将提取特征后的检测样本通过AdaBoost进行检测，如果该分类器得到了车标的样本的位置，则将车标所在的区域输出；如果该分类器没有检测到车标，则将特征输入到SVM中再次检测。
4.一种基于集成分类器的车辆检测分析方法，其特征在于，所述方法具体包括以下工作步骤：
首先抓拍车辆图像并分拣出抓拍图像中的单一车辆图像：通过分别提取样本集中若干样本的HOG和Haar特征作为样本特征描述，然后根据样本特征描述通过级联的AdaBoost分类器对抓拍图像中的车辆图像进行分拣；
然后检测上一步骤中每一车辆图像中的车牌信息并从车辆信息库中调取车牌对应的车辆信息：对上一步骤分拣到的车辆图像进行灰度值转化后进行预分割，将车辆图像的车前脸分割出来，再利用梯度Sobel算子提取图像的边缘梯度利用边缘信息来得到车牌的具***置，或者对处理后的图像利用膨胀、腐蚀等形态学处理的方法来获取车牌的具***置，在得到车牌的具***置后，就可以利用车牌与车标的位置关系来确定车标，假设提取出的车牌的长、宽分别是W、H，利用车标位于车牌的上方的先验知识，我们提取带有车标的候选区域mask，即Wmask=WandHmask=3×H，在得到候选区域之后就可以确定车标的具***置；
紧接着，检测每一车辆图像中的车标信息并与车牌检测***中得到的车辆信息进行比对：利用AdaBoost与SVM级联后的分类器来进行车标的检测，首先将提取特征后的检测样本通过AdaBoost进行检测，如果该分类器得到了车标的样本的位置，则将车标所在的区域输出；如果该分类器没有检测到车标，则将特征输入到SVM中再次检测；
在分拣出抓拍图像中的单一车辆图像时，首先通过分别提取样本集中若干样本的HOG和Haar特征作为样本特征描述，然后根据样本特征描述通过级联的AdaBoost分类器对抓拍图像中的车辆图像进行分拣；
样本集包括若干正样本即车辆样本与若干负样本即非车辆样本，所述级联的AdaBoost分类器的第一级分类器将样本集中的样本均输入到分类器中，第一级分类器的分类结果中分类正确的正样本、分类错误的负样本提取出来作为下一级分类器训练使用，如此类推；
在对抓拍图像进行分拣时，通过对检测样本利用高斯金字塔模型将1024*1360像素的检测图像变化到128*128,256*256和512*512像素，然后分别对变换后的图像提取HOG和Haar特征输入到已经得到的级联AdaBoost分类器中，对于不同尺寸大小的图像的检测结果按照2倍、4倍、8倍的比例映射到原有的图像尺寸中，进行检测窗口融合，如果检测窗口的尺寸小于64*64直接过滤；如果检测窗口之间存在包含的关系我们将最小的检测窗口直接删除；如果检测窗口之间存在交集的关系即两者覆盖面积超过2/3，则对两个检测窗口取其平均值得到新的检测窗口。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310233696.8A CN103279756B (zh) | 2013-06-13 | 2013-06-13 | 基于集成分类器的车辆检测分析***及其检测分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310233696.8A CN103279756B (zh) | 2013-06-13 | 2013-06-13 | 基于集成分类器的车辆检测分析***及其检测分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103279756A CN103279756A (zh) | 2013-09-04 |
| CN103279756B true CN103279756B (zh) | 2016-06-22 |
Family
ID=49062271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310233696.8A Expired - Fee Related CN103279756B (zh) | 2013-06-13 | 2013-06-13 | 基于集成分类器的车辆检测分析***及其检测分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103279756B (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646454A (zh) * | 2013-12-24 | 2014-03-19 | 深圳市捷顺科技实业股份有限公司 | 一种停车场管理***及方法 |
| CN103793716B (zh) * | 2014-03-11 | 2017-01-25 | 山东大学 | 一种基于分流级联的多类别交通标示牌的检测方法 |
| CN103927549A (zh) * | 2014-04-14 | 2014-07-16 | 江南大学 | 基于斑点及直方图分析的车辆检测判别方法 |
| CN104182728A (zh) * | 2014-07-26 | 2014-12-03 | 佳都新太科技股份有限公司 | 一种基于模式识别的车标自动定位与识别方法 |
| CN105321350B (zh) * | 2014-08-05 | 2018-01-23 | 北京大学 | ***检测方法及装置 |
| CN104268589B (zh) * | 2014-09-16 | 2017-09-12 | 奇瑞汽车股份有限公司 | 一种前方车辆检测方法 |
| CN104331691A (zh) * | 2014-11-28 | 2015-02-04 | 深圳市捷顺科技实业股份有限公司 | 一种车标分类器训练方法、车标识别方法及装置 |
| CN105574485A (zh) * | 2015-11-11 | 2016-05-11 | 北京四象网讯科技有限公司 | 一种车辆信息识别方法及*** |
| CN105488532B (zh) * | 2015-12-03 | 2019-03-05 | 深圳市捷顺科技实业股份有限公司 | 一种车牌筛选方法及装置 |
| CN105718866B (zh) * | 2016-01-15 | 2019-02-01 | 北京大学 | 一种视觉目标检测与识别方法 |
| CN105787437B (zh) * | 2016-02-03 | 2017-04-05 | 东南大学 | 一种基于级联集成分类器的车辆品牌类型识别方法 |
| CN105551261A (zh) * | 2016-03-04 | 2016-05-04 | 博康智能网络科技股份有限公司 | 换牌车辆检测方法及其*** |
| CN106066936A (zh) * | 2016-05-30 | 2016-11-02 | 北京千安哲信息技术有限公司 | 一种提高药物不良反应预测精度的方法及*** |
| CN106228179A (zh) * | 2016-07-13 | 2016-12-14 | 乐视控股（北京）有限公司 | 车辆比对的方法和*** |
| CN106778913B (zh) * | 2017-01-13 | 2020-11-10 | 山东大学 | 一种基于像素级联特征的模糊车牌检测方法 |
| CN107730905A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的多任务***辆视觉检测***及方法 |
| CN108446698B (zh) * | 2018-03-15 | 2020-08-21 | 腾讯大地通途（北京）科技有限公司 | 在图像中检测文本的方法、装置、介质及电子设备 |
| CN109961057B (zh) * | 2019-04-03 | 2021-09-03 | 罗克佳华科技集团股份有限公司 | 一种车辆位置获得方法及装置 |
| CN110331876A (zh) * | 2019-04-09 | 2019-10-15 | 武汉理工大学 | 共享单车立体车库控制*** |
| CN111091056B (zh) * | 2019-11-14 | 2023-06-16 | 泰康保险集团股份有限公司 | 图像中的墨镜识别方法及装置、电子设备、存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101183427A (zh) * | 2007-12-05 | 2008-05-21 | 浙江工业大学 | 基于计算机视觉的违章停车检测装置 |
| CN102163278A (zh) * | 2011-03-03 | 2011-08-24 | 苏州市慧视通讯科技有限公司 | 一种公交车道非法车辆闯入检测方法 |
-
2013
- 2013-06-13 CN CN201310233696.8A patent/CN103279756B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101183427A (zh) * | 2007-12-05 | 2008-05-21 | 浙江工业大学 | 基于计算机视觉的违章停车检测装置 |
| CN102163278A (zh) * | 2011-03-03 | 2011-08-24 | 苏州市慧视通讯科技有限公司 | 一种公交车道非法车辆闯入检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 夏琳琳."车辆与车标识别技术的研究".《中国优秀硕士学位论文全文数据库 信息科技辑》.2012,(第07期), * |
| 庞锋."车辆特征检测研究与实现".《中国优秀硕士学位论文全文数据库 信息科技辑》.2013,(第01期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103279756A (zh) | 2013-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103279756B (zh) | 基于集成分类器的车辆检测分析***及其检测分析方法 | |
| CN111368687B (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
| Maeda et al. | Road damage detection using deep neural networks with images captured through a smartphone | |
| CN102637257B (zh) | 一种基于视频的交通车辆检测识别***和方法 | |
| CN105335710A (zh) | 一种基于多级分类器的精细车辆型号识别方法 | |
| CN112712057B (zh) | 交通信号识别方法、装置、电子设备及存储介质 | |
| CN110969160A (zh) | 一种基于深度学习的车牌图像校正、识别方法及*** | |
| CN101937508A (zh) | 一种基于高清图像的车牌定位与识别方法 | |
| CN109993138A (zh) | 一种车牌检测与识别方法及装置 | |
| CN104766042A (zh) | 交通标志板识别方法及装置 | |
| CN111242002B (zh) | 基于计算机视觉的共享单车规范化停放判定方法 | |
| KR102089298B1 (ko) | 범용 문자 시퀀스 검출을 통한 다국적 차량번호판 인식 시스템 및 그 방법 | |
| CN105184301B (zh) | 一种利用四轴飞行器判别车辆方位的方法 | |
| CN112381014A (zh) | 一种基于城市道路的违停车辆检测及管理方法及*** | |
| CN111209923A (zh) | 一种基于深度学习技术的渣土车是否盖盖识别方法 | |
| CN111209905B (zh) | 一种基于深度学习与ocr技术相结合的污损遮挡号牌识别方法 | |
| CN113903008A (zh) | 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法 | |
| CN103679214A (zh) | 基于在线面积估计和多特征决策融合的车辆检测方法 | |
| Yaseen et al. | Development of new Anpr dataset for automatic number plate detection and recognition in north of Iraq | |
| CN112085018A (zh) | 基于神经网络的车牌识别*** | |
| Lu et al. | Traffic light recognition | |
| CN103778790B (zh) | 一种基于视频序列的车流量方波统计法 | |
| KR100942409B1 (ko) | 고속 이동 차량 검지 방법 | |
| Nguwi et al. | Number plate recognition in noisy image | |
| Faisal et al. | Automated traffic detection system based on image processing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160622 Termination date: 20200613 |