CN103390167A - 一种多特征的分层交通标志识别方法 - Google Patents

一种多特征的分层交通标志识别方法 Download PDF

Info

Publication number
CN103390167A
CN103390167A CN201310301771XA CN201310301771A CN103390167A CN 103390167 A CN103390167 A CN 103390167A CN 201310301771X A CN201310301771X A CN 201310301771XA CN 201310301771 A CN201310301771 A CN 201310301771A CN 103390167 A CN103390167 A CN 103390167A
Authority
CN
China
Prior art keywords
traffic sign
image
training
classification
tone
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
Application number
CN201310301771XA
Other languages
English (en)
Inventor
孙锐
王继贞
陈军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chery Automobile Co Ltd
Original Assignee
SAIC Chery Automobile Co Ltd
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 SAIC Chery Automobile Co Ltd filed Critical SAIC Chery Automobile Co Ltd
Priority to CN201310301771XA priority Critical patent/CN103390167A/zh
Publication of CN103390167A publication Critical patent/CN103390167A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明涉及一种多特征的分层交通标志识别方法，其设计了由粗到细的多特征的分层分类策略，先采用颜色、形状特征形成第一层粗放的类别判断，再提取方向梯度直方图特征输入到adaboost集成分类器中实现精细的识别。本发明采用颜色、形状、方向梯度直方图多个特征提高了交通标志识别的准确性。

Description

一种多特征的分层交通标志识别方法
技术领域
本发明涉及一种计算机视觉领域中图像识别方法，具体涉及一种多特征的粗精结合的分层交通标志识别方法。
背景技术
交通标志是一种图形与文字相结合的公共标识，用以管理交通、指示行车方向以保证道路畅通与行车安全的设施。交通标志是交通信息的重要载体，可以给司机、行人准确的交通引导，及时准确地识别交通标志信息对于交通安全至关重要。交通标志识别是通过图像采集设备获取外界道路交通图像，然后将获取的图像进行处理和识别分类的过程，它可以及时地向驾驶员做出指示或预警，有利于保持交通通畅和预防交通事故的发生。
我国的公路交通标志分为禁令标志、警告标志、指示标志三类，其中禁令标志40种，警告标志45种，指示标志29种。根据对交通标志图片的归纳可以发现，禁令标志以红色为主色，形状大多为圆形；警告标志以黄色为主色，形状为三角形；指示标志以蓝色为主色，形状大多为矩形。所以根据颜色和形状特征可以快速地实现交通标志三种类别的划分。
交通标志的识别过程包括交通标志的检测，特征提取和分类识别，检测过程可以采用阈值分割、模板匹配等方法，提取的特征多为颜色或形状不变矩，分类方法可以采用神经网络或决策树等，总体来说现阶段交通标志识别方法识别准确率不高，运算时间较长，不满足车载实时性的需求。针对以上问题，本发明设计了由粗到细的多特征的分层分类策略，先采用颜色、形状特征形成第一层粗放的类别判断，再提取方向梯度直方图特征输入到adaboost集成分类器中实现精细的识别。
发明内容
本发明设计了一种多特征的分层交通标志识别方法，其解决了交通标志识别中准确率不高，实时性差的问题。
为了解决上述存在的技术问题，本发明采用了以下方案： 
一种多特征的分层交通标志识别方法，包括以下步骤：步骤1：对检测到的交通标志图像进行                                                
Figure 259060DEST_PATH_IMAGE001
的中值滤波，并规整到标准的
Figure 201310301771X100002DEST_PATH_IMAGE002
的待处理图像
Figure 618278DEST_PATH_IMAGE003
；步骤2：提取图像
Figure 145818DEST_PATH_IMAGE003
的RGB彩色信息，分别计算红色、黄色、蓝色像素数占总像素数的比例，取占最大比例的颜色为此图像的主色；步骤3：对图像
Figure 603344DEST_PATH_IMAGE003
进行颜色分割，并进行二值化处理，即红色、黄色、蓝色为白色，其它颜色为黑色，并用形态开闭滤波器去除孤立点；步骤4：对二值图像从左右边缘向中间扫描，当遇到满***通标志颜色的像素点时即停止，获得标志的若干个外边缘特征点坐标，再结合最小二乘法对这些特征点进行曲线拟合，获得
Figure 201310301771X100002DEST_PATH_IMAGE004
的一组解，(x,y)是边缘点的坐标；步骤5：由
Figure 990911DEST_PATH_IMAGE005
判断交通标志的形状特征；步骤6：根据颜色和形状进行第一层快速的标志分类，即若主色是黄色，形状为三角形，为警告标志；若主色是蓝色，形状为矩形或三角形，为指示标志；若主色是红色，形状为圆形，为禁令标志；为满足以上条件者，为禁令标志；步骤7：提取图像
Figure 133311DEST_PATH_IMAGE003
的方向梯度直方图（HOG）特征，即将
Figure 198788DEST_PATH_IMAGE002
的待处理图像
Figure 743033DEST_PATH_IMAGE003
取其亮度分量，划分成
Figure 201310301771X100002DEST_PATH_IMAGE006
的重叠子块，计算每块梯度，将0到180度划分成9个方向计算方向直方图，并经过归一化处理形成
Figure 611763DEST_PATH_IMAGE007
维HOG特征；步骤8：对标准的每类交通标志分别采用Adaboost分类器进行T轮训练；步骤9：将图像
Figure 179142DEST_PATH_IMAGE003
的HOG特征输入组合分类器，得到最终识别结果。
进一步，步骤5中由判断交通标志的形状特征，判断方法如下：步骤51、如果
Figure 201310301771X100002DEST_PATH_IMAGE008
，判定标志为圆形，否者转步骤52；步骤52、如果
Figure 311975DEST_PATH_IMAGE009
，判定标志为矩形，否者转步骤53；步骤53、判定标志为三角形。
进一步，步骤8中设定训练样本为，
Figure 804137DEST_PATH_IMAGE011
为样本HOG特征，
Figure 201310301771X100002DEST_PATH_IMAGE012
为样本
Figure DEST_PATH_IMAGE013
对应地类别标记，
Figure 201310301771X100002DEST_PATH_IMAGE014
为训练样本数，初始权值分布为
Figure 734178DEST_PATH_IMAGE015
，训练过程如下：81、从训练样本集中生成本轮的训练样本子集；82、调用基分类学习算法，基于训练样本子集生成本轮基分类器
Figure 201310301771X100002DEST_PATH_IMAGE016
；83、计算错误分类率
Figure 884667DEST_PATH_IMAGE017
；84、若
Figure 201310301771X100002DEST_PATH_IMAGE018
，放弃本轮训练子集和基分类器，转1重新开始；85、若
Figure 590455DEST_PATH_IMAGE019
，计算基分类权值
Figure 201310301771X100002DEST_PATH_IMAGE020
；86、更新权值分布并标准化；经过T轮训练生成组合分类器
Figure 201310301771X100002DEST_PATH_IMAGE022
。
该多特征的分层交通标志识别方法具有以下有益效果：
（1）本发明由于采用颜色、形状、方向梯度直方图多个特征提高了交通标志识别的准确性。
（2）本发明由于采用粗精结合的分层检测方法提高了交通标志识别的实时性。
附图说明
图1：本发明多特征的分层交通标志识别方法的流程图。
具体实施方式
下面结合图1，对本发明做进一步说明：
图1给出了本发明所述的多特征的分层交通标志识别方法的流程图，其分为识别和训练两个部分，训练部分主要步骤如下：
（1） 将标准
Figure 345888DEST_PATH_IMAGE002
的交通标志图像分成禁令标志、警告标志、指示标志三类。
（2） 提取每类图像的方向梯度直方图（HOG）特征，即将的待处理图像
Figure 984997DEST_PATH_IMAGE003
取其亮度分量，划分成
Figure 569693DEST_PATH_IMAGE006
的重叠子块，计算每块梯度，将0到180度划分成9个方向计算方向直方图，并经过归一化处理形成
Figure 520332DEST_PATH_IMAGE007
维HOG特征。
（3） 每类交通标志分别采用Adaboost分类器进行T轮训练，设训练样本为
Figure 465154DEST_PATH_IMAGE010
，为样本HOG特征，
Figure 635553DEST_PATH_IMAGE012
为样本
Figure 73487DEST_PATH_IMAGE013
对应地类别标记，
Figure 304224DEST_PATH_IMAGE014
为训练样本数，初始权值分布为
Figure 839110DEST_PATH_IMAGE015
，训练过程如下：
1.  从训练样本集中生成本轮的训练样本子集；
2.  调用基分类学习算法，基于训练样本子集生成本轮基分类器；
3.  计算错误分类率
Figure 690840DEST_PATH_IMAGE017
；
4.  若
Figure 915148DEST_PATH_IMAGE018
，放弃本轮训练子集和基分类器，转1重新开始；
5.  若
Figure 38962DEST_PATH_IMAGE019
，计算基分类权值
Figure 136362DEST_PATH_IMAGE020
；
6.  更新权值分布并标准化；
7.  若已进行T轮训练，结束。
（4） 组合T轮训练基分类器
Figure 639204DEST_PATH_IMAGE016
的生成组合分类器
Figure 633836DEST_PATH_IMAGE022
。
识别部分主要步骤如下：
（1） 对检测到的交通标志图像进行
Figure 823509DEST_PATH_IMAGE001
的中值滤波，并规整到标准的
Figure 785649DEST_PATH_IMAGE002
的待处理图像
Figure 179457DEST_PATH_IMAGE003
。
（2） 提取图像
Figure 481126DEST_PATH_IMAGE003
的RGB彩色信息，分别计算红色、黄色、蓝色像素数占总像素数的比例，取占最大比例的颜色为此图像的主色；具体判断时可将RGB转换成HIS格式，若
Figure 904017DEST_PATH_IMAGE023
，则判定该点为蓝色；若
Figure 201310301771X100002DEST_PATH_IMAGE024
或
Figure 104185DEST_PATH_IMAGE025
，则判定该点为红色；若
Figure 201310301771X100002DEST_PATH_IMAGE026
，则判定该点为黄色。
（3） 对图像
Figure 349353DEST_PATH_IMAGE003
进行颜色分割，并进行二值化处理，即红色、黄色、蓝色为白色，其它颜色为黑色，并用形态开闭滤波器去除孤立噪声点。
（4） 对二值图像从左右边缘向中间扫描，当遇到满***通标志颜色的像素点时即停止，获得标志的若干个外边缘特征点坐标，代入方程对这些特征点进行曲线拟合，获得方程解
Figure 99320DEST_PATH_IMAGE005
。
（5）  由
Figure 521205DEST_PATH_IMAGE005
判断交通标志的形状特征，判断方法如下
1.  如果，判定标志为圆形，否者转2步；
2.  如果
Figure 577815DEST_PATH_IMAGE009
，判定标志为矩形，否者转3步；
3.  判定标志为三角形。
（6） 根据提取的颜色和形状特征进行第一层的标志分类，即若主色是黄色，形状为三角形，为警告标志；若主色是蓝色，形状为矩形或三角形，为指示标志；若主色是红色，形状为圆形，为禁令标志；为满足以上条件者，为禁令标志。
（7） 提取图像
Figure 545771DEST_PATH_IMAGE003
的方向梯度直方图（HOG）特征，即将
Figure 704220DEST_PATH_IMAGE002
的待处理图像
Figure 228873DEST_PATH_IMAGE003
取其亮度分量，划分成
Figure 156378DEST_PATH_IMAGE006
的重叠子块，计算每块梯度，将0到180度划分成9个方向计算方向直方图，并经过归一化处理形成维HOG特征。
（8） 将图像
Figure 691713DEST_PATH_IMAGE003
的HOG特征输入组合分类器，得到最终识别结果。
该多特征的分层交通标志识别方法具有以下有益效果：
（1）本发明由于采用颜色、形状、方向梯度直方图多个特征提高了交通标志识别的准确性。
（2）本发明由于采用粗精结合的分层检测方法提高了交通标志识别的实时性。
上面结合附图对本发明进行了示例性的描述，显然本发明的实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。

Claims (3)

1.一种多特征的分层交通标志识别方法，包括以下步骤：
步骤1：对检测到的交通标志图像进行                                                
Figure 109236DEST_PATH_IMAGE001
的中值滤波，并规整到标准的
Figure 271227DEST_PATH_IMAGE002
的待处理图像
Figure 270407DEST_PATH_IMAGE003
；
步骤2：提取图像
Figure 492441DEST_PATH_IMAGE003
的RGB彩色信息，分别计算红色、黄色、蓝色像素数占总像素数的比例，取占最大比例的颜色为此图像的主色；
步骤3：对图像
Figure 904968DEST_PATH_IMAGE003
进行颜色分割，并进行二值化处理，即红色、黄色、蓝色为白色，其它颜色为黑色，并用形态开闭滤波器去除孤立点；
步骤4：对二值图像从左右边缘向中间扫描，当遇到满***通标志颜色的像素点时即停止，获得标志的若干个外边缘特征点坐标，再结合最小二乘法对这些特征点进行曲线拟合，获得的一组解
Figure 989915DEST_PATH_IMAGE005
，(x,y)是边缘点的坐标；
步骤5：由判断交通标志的形状特征；
步骤6：根据颜色和形状进行第一层快速的标志分类，即若主色是黄色，形状为三角形，为警告标志；若主色是蓝色，形状为矩形或三角形，为指示标志；若主色是红色，形状为圆形，为禁令标志；为满足以上条件者，为禁令标志；
步骤7：提取图像
Figure 17094DEST_PATH_IMAGE003
的方向梯度直方图（HOG）特征，即将
Figure 520888DEST_PATH_IMAGE002
的待处理图像
Figure 822556DEST_PATH_IMAGE003
取其亮度分量，划分成
Figure 123743DEST_PATH_IMAGE006
的重叠子块，计算每块梯度，将0到180度划分成9个方向计算方向直方图，并经过归一化处理形成
Figure 448545DEST_PATH_IMAGE007
维HOG特征；
步骤8：对标准的每类交通标志分别采用Adaboost分类器进行T轮训练；
步骤9：将图像
Figure 818347DEST_PATH_IMAGE003
的HOG特征输入组合分类器，得到最终识别结果。
2.根据权利要求1所述多特征的分层交通标志识别方法，其特征在于：步骤5中由判断交通标志的形状特征，判断方法如下：
步骤51、如果，判定标志为圆形，否者转步骤52；
步骤52、如果
Figure 990199DEST_PATH_IMAGE009
，判定标志为矩形，否者转步骤53；
步骤53、判定标志为三角形。
3.根据权利要求1或2所述多特征的分层交通标志识别方法，其特征在于：步骤8中设定训练样本为
Figure 101375DEST_PATH_IMAGE010
，
Figure 49739DEST_PATH_IMAGE011
为样本HOG特征，
Figure 17695DEST_PATH_IMAGE012
为样本
Figure 51510DEST_PATH_IMAGE013
对应地类别标记，
Figure 700797DEST_PATH_IMAGE014
为训练样本数，初始权值分布为，训练过程如下：
81、从训练样本集中生成本轮的训练样本子集；
82、调用基分类学习算法，基于训练样本子集生成本轮基分类器
Figure 639596DEST_PATH_IMAGE016
；
83、计算错误分类率
Figure 160707DEST_PATH_IMAGE017
；
84、若
Figure 410423DEST_PATH_IMAGE018
，放弃本轮训练子集和基分类器，转1重新开始；
85、若
Figure 333379DEST_PATH_IMAGE019
，计算基分类权值
Figure 580821DEST_PATH_IMAGE020
；
86、更新权值分布并标准化；经过T轮训练生成组合分类器
Figure 642635DEST_PATH_IMAGE022
。
CN201310301771XA 2013-07-18 2013-07-18 一种多特征的分层交通标志识别方法 Pending CN103390167A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310301771XA CN103390167A (zh) 2013-07-18 2013-07-18 一种多特征的分层交通标志识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310301771XA CN103390167A (zh) 2013-07-18 2013-07-18 一种多特征的分层交通标志识别方法

Publications (1)

Publication Number Publication Date
CN103390167A true CN103390167A (zh) 2013-11-13

Family

ID=49534434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310301771XA Pending CN103390167A (zh) 2013-07-18 2013-07-18 一种多特征的分层交通标志识别方法

Country Status (1)

Country Link
CN (1) CN103390167A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971128A (zh) * 2014-05-23 2014-08-06 北京理工大学 一种面向无人驾驶车的交通标志识别方法
CN104881856A (zh) * 2014-02-27 2015-09-02 株式会社理光 检测图像中的规则形状的方法及其装置
CN104978570A (zh) * 2015-06-25 2015-10-14 西北工业大学 基于增量学习的行车视频中交通标志的检测和识别方法
CN104992165A (zh) * 2015-07-24 2015-10-21 天津大学 基于极限学习机的交通标志识别方法
CN105184809A (zh) * 2014-05-26 2015-12-23 富士通株式会社 运动对象检测方法和运动对象检测装置
CN105787475A (zh) * 2016-03-29 2016-07-20 西南交通大学 一种复杂环境下的交通标志检测与识别方法
CN106295546A (zh) * 2016-08-05 2017-01-04 淮阴工学院 一种基于视频的交通标志检测与识别方法
CN106709412A (zh) * 2015-11-17 2017-05-24 腾讯科技（深圳）有限公司 交通标志检测方法和装置
CN108090459A (zh) * 2017-12-29 2018-05-29 北京华航无线电测量研究所 一种适用于车载视觉***的交通标志检测识别方法
CN108734123A (zh) * 2018-05-18 2018-11-02 武昌理工学院 高速公路标志识别方法、电子设备、存储介质及***
CN111310806A (zh) * 2020-01-22 2020-06-19 北京迈格威科技有限公司 分类网络及图像处理方法、装置、***和存储介质
CN112560670A (zh) * 2020-12-15 2021-03-26 武汉大学 一种基于深度学习的交通标志符号与文本的检测识别方法及装置
CN112802338A (zh) * 2020-12-31 2021-05-14 山东奥邦交通设施工程有限公司 一种基于深度学习的高速公路实时预警方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011154978A2 (en) * 2010-06-10 2011-12-15 Tata Consultancy Services Limited An illumination invariant and robust apparatus and method for detecting and recognizing various traffic signs
CN102819728A (zh) * 2012-07-17 2012-12-12 中国航天科工集团第三研究院第八三五七研究所 一种基于分类模板匹配的交通标志检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011154978A2 (en) * 2010-06-10 2011-12-15 Tata Consultancy Services Limited An illumination invariant and robust apparatus and method for detecting and recognizing various traffic signs
CN102819728A (zh) * 2012-07-17 2012-12-12 中国航天科工集团第三研究院第八三五七研究所 一种基于分类模板匹配的交通标志检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
卢盛荣等: "基于颜色分割和多特征融合的交通标志检测", 《厦门大学学报(自然科学版)》 *
李福才: "流行学习在交通标志识别中的应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
肖学钢: "序列图像中交通标志定位检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881856A (zh) * 2014-02-27 2015-09-02 株式会社理光 检测图像中的规则形状的方法及其装置
CN104881856B (zh) * 2014-02-27 2018-01-16 株式会社理光 检测图像中的规则形状的方法及其装置
CN103971128A (zh) * 2014-05-23 2014-08-06 北京理工大学 一种面向无人驾驶车的交通标志识别方法
CN103971128B (zh) * 2014-05-23 2017-04-05 北京理工大学 一种面向无人驾驶车的交通标志识别方法
CN105184809A (zh) * 2014-05-26 2015-12-23 富士通株式会社 运动对象检测方法和运动对象检测装置
CN104978570B (zh) * 2015-06-25 2018-10-23 西北工业大学 基于增量学习的行车视频中交通标志的检测和识别方法
CN104978570A (zh) * 2015-06-25 2015-10-14 西北工业大学 基于增量学习的行车视频中交通标志的检测和识别方法
CN104992165A (zh) * 2015-07-24 2015-10-21 天津大学 基于极限学习机的交通标志识别方法
CN106709412B (zh) * 2015-11-17 2021-05-11 腾讯科技（深圳）有限公司 交通标志检测方法和装置
CN106709412A (zh) * 2015-11-17 2017-05-24 腾讯科技（深圳）有限公司 交通标志检测方法和装置
CN105787475A (zh) * 2016-03-29 2016-07-20 西南交通大学 一种复杂环境下的交通标志检测与识别方法
CN106295546A (zh) * 2016-08-05 2017-01-04 淮阴工学院 一种基于视频的交通标志检测与识别方法
CN108090459A (zh) * 2017-12-29 2018-05-29 北京华航无线电测量研究所 一种适用于车载视觉***的交通标志检测识别方法
CN108734123A (zh) * 2018-05-18 2018-11-02 武昌理工学院 高速公路标志识别方法、电子设备、存储介质及***
CN108734123B (zh) * 2018-05-18 2021-09-17 武昌理工学院 高速公路标志识别方法、电子设备、存储介质及***
CN111310806A (zh) * 2020-01-22 2020-06-19 北京迈格威科技有限公司 分类网络及图像处理方法、装置、***和存储介质
CN111310806B (zh) * 2020-01-22 2024-03-15 北京迈格威科技有限公司 分类网络及图像处理方法、装置、***和存储介质
CN112560670A (zh) * 2020-12-15 2021-03-26 武汉大学 一种基于深度学习的交通标志符号与文本的检测识别方法及装置
CN112560670B (zh) * 2020-12-15 2022-08-16 武汉大学 一种基于深度学习的交通标志符号与文本的检测识别方法及装置
CN112802338A (zh) * 2020-12-31 2021-05-14 山东奥邦交通设施工程有限公司 一种基于深度学习的高速公路实时预警方法及***
CN112802338B (zh) * 2020-12-31 2022-07-12 山东奥邦交通设施工程有限公司 一种基于深度学习的高速公路实时预警方法及***

Similar Documents

Publication Publication Date Title
CN103390167A (zh) 一种多特征的分层交通标志识别方法
CN105930791B (zh) 基于ds证据理论的多摄像头融合的路面交通标志识别方法
CN102999753B (zh) 车牌定位方法
CN103810505B (zh) 基于多层描述子的车辆标识方法与***
CN103971128B (zh) 一种面向无人驾驶车的交通标志识别方法
CN103824081B (zh) 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法
CN105335710A (zh) 一种基于多级分类器的精细车辆型号识别方法
CN103136528B (zh) 一种基于双边缘检测的车牌识别方法
CN102968646B (zh) 一种基于机器学习的车牌检测方法
CN109949579A (zh) 一种基于深度学习的闯红灯违法自动审核方法
CN103198315B (zh) 基于字符轮廓和模板匹配的车牌字符分割算法
CN107016362B (zh) 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和***
CN103226696B (zh) 车牌的识别***及方法
US20140294291A1 (en) Image Sign Classifier
CN103440503B (zh) 一种车辆车身颜色检测识别方法
CN102880863B (zh) 一种基于可变形部件模型的车牌及驾驶员人脸定位方法
CN103425989A (zh) 一种基于显著性分析的车辆颜色识别方法
CN102819728A (zh) 一种基于分类模板匹配的交通标志检测方法
CN102880859A (zh) 一种车牌识别方法
CN106940784A (zh) 一种基于视频的公交车检测与识别方法及***
CN103268468A (zh) 机动车前排就坐者是否扣带安全带的自动检测方法
CN103544480A (zh) 车辆颜色识别方法
CN105184301B (zh) 一种利用四轴飞行器判别车辆方位的方法
CN107292933A (zh) 一种基于bp神经网络的车辆颜色识别方法
CN106503748A (zh) 一种基于s‑sift特征和svm训练器的车型识别算法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20131113

RJ01 Rejection of invention patent application after publication