CN104657748A - 一种基于卷积神经网络的车型识别方法 - Google Patents
一种基于卷积神经网络的车型识别方法 Download PDFInfo
- Publication number
- CN104657748A CN104657748A CN201510071919.4A CN201510071919A CN104657748A CN 104657748 A CN104657748 A CN 104657748A CN 201510071919 A CN201510071919 A CN 201510071919A CN 104657748 A CN104657748 A CN 104657748A
- Authority
- CN
- China
- Prior art keywords
- vehicle type
- neural network
- type recognition
- layer
- convolutional neural
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出了一种基于卷积神经网络的车型识别方法,基于特征提取模块与车型识别模块,包括以下步骤:通过设计卷积与池化层,全连接层,分类器来构建车型识别的神经网络,其中卷积与池化层和全连接层用来提取车型特征,分类器用来车型分类识别;利用包含不同车型特征的数据库训练该神经网络,训练方式为带标签的数据进行的有监督的学习,并用随机梯度下降法进行权重参数矩阵和偏移量的调整;得到训练好的各层中的权重参数矩阵和偏移量,把它们对应地赋值给该神经网络中的各个层,则该网络具有车型特征提取及识别的功能。本发明创造性的将卷积神经网络和车型识别结合起来,有别于传统的车型识别方法,可以明显提高车型识别的准确度。
Description
技术领域
本发明涉及物联网领域,特别涉及到一种基于卷积神经网络的车型识别方法
背景技术
卷积神经网络是人工神经网络中的一种,当前已经成为图像识别和语音分析领域的研究热点。最接近本发明的技术有:
(1)论文《卷积神经网络的研究及其在车牌识别***中的应用》,里面介绍了卷积神经网络的概念及发展,并利用卷积神经网络对预处理的车牌进行了识别,取得了比较满意的识别率,其它一些论文里也把人工神经网络应用到了车牌的识别当中;
(2)在《基于视频的汽车车型识别研究》论文中,利用SURF特征提取方法来提取车型特征进而进行分类;.
(3)在《Vehicle Logo Detection Using Convolutional Neural Network andPyramid of Histogram of Oriented Gradients》中,提出了结合卷积神经网络和方向梯度直方图来进行车标检测。
目前利用卷积神经网络进行手写数字识别的正确率很高,在最具有代表性的mnist手写数字库上的最高识别率已经达到99.77%,把卷积神经网络应用到车牌数字识别当中是比较成熟可行的。但是,以《基于视频的汽车车型识别研究》为代表的研究是基于传统的人工特征提取方法,该方法有较大的局限,不具备机器自学习的能力。
发明内容
为解决现有技术中机器不具备自学习能力,本发明提出了一种基于卷积神经网络的车型识别方法,创造性地把卷积神经网络与车型识别结合起来,有针对地进行设计、训练、改进,以达到较高的车型识别准确率。
本发明的技术方案为:
一种基于卷积神经网络的车型识别方法,基于特征提取模块与车型识别模块,包括以下步骤:
步骤(1)、通过设计卷积与池化层、全连接层、分类器来构建车型识别的神经网络,其中卷积与池化层和全连接层用来提取车型特征,分类器用来车型分类识别;
步骤(2)、利用包含不同车型特征的数据库训练该神经网络,训练方式为带标签的数据进行的有监督的学习,并用随机梯度下降法进行权重参数矩阵和偏移量的调整;
步骤(3)、得到训练好的各层中的权重参数矩阵和偏移量,把它们对应地赋值给该神经网络中的各个层,则该神经网络具有车型特征提取及识别的功能。
可选地,本发明的基于卷积神经网络的车型识别方法,包括:三个卷积与池化层,一层全连接层,最后一层是softmax回归分类器层。
可选地,卷积模版过滤器大小依次为5x5、5x5、4x4像素,特征图个数依次为30、60、40,池化为大小为2x2的最大池,隐蔽层的神经元个数为500个,最后输出四类车型:大货车,面包车,轿车,公交车。
本发明的有益效果:
(1)把卷积神经网络与车型识别结合起来,有针对地进行设计、训练、改进,以达到较高的车型识别准确率;
(2)利用机器自学习车型特征并进行车型识别,减少了人为干预。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于卷积神经网络的车型识别方法的***结构图;
图2为本发明中的卷积神经网络的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明的基于卷积神经网络的车型识别方法,包括两个模块,特征提取模块与车型识别模块,经过原始数据训练后的包含卷积与池化层和全连接层的卷积神经网络进行车型的特征提取,提取后的特征再利用softmax等分类器进行识别。
本发明的具体流程如下:
步骤(1)、通过设计卷积与池化层、全连接层、分类器来构建车型识别的神经网络,其中卷积与池化层和全连接层用来提取车型特征,分类器用来车型分类识别;
步骤(2)、利用包含不同车型特征的数据库训练该神经网络,训练方式为带标签的数据进行的有监督的学习,并用随机梯度下降法进行权重参数矩阵和偏移量的调整;
步骤(3)、得到训练好的各层中的权重参数矩阵和偏移量,把它们对应地赋值给该神经网络中的各个层,则该网络具有车型特征提取及识别的功能。
如图2所示,本发明在实施过程中构建的神经网络,整体包含3个卷积与池化层,一层全连接层,最后一层是softmax回归分类器层。3个卷积与池化层的卷积模版过滤器大小依次为5x5、5x5、4x4像素,特征图个数依次为30、60、40,池化为大小为2x2的最大池,隐蔽层的神经元个数为500个,最后输出四类车型:大货车,面包车,轿车,公交车。
本发明的数据库为自建的车辆车型数据库,包含了不同车型的多角度图像(正面,侧面,前、后面,斜面等)的复杂背景图像,图片来源为百度搜索,规范化后高和宽分别为96和136像素。训练集大小为9600张,验证集大小为400张,测试集大小为400张,最终的识别准确率达到82%左右,基于部分图片在规范化中产生形变及数据库设计因素的情况,最终的识别率是比较满意的。
本发明把卷积神经网络与车型识别结合起来,有针对地进行设计、训练、改进,以达到较高的车型识别准确率;而且,利用机器自学习车型特征并进行车型识别,减少了人为干预。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于卷积神经网络的车型识别方法,其特征在于,基于特征提取模块与车型识别模块,包括以下步骤:
步骤(1)、通过设计卷积与池化层、全连接层、分类器来构建车型识别的神经网络,其中卷积与池化层和全连接层用来提取车型特征,分类器用来车型分类识别;
步骤(2)、利用包含不同车型特征的数据库训练该神经网络,训练方式为带标签的数据进行的有监督的学习,并用随机梯度下降法进行权重参数矩阵和偏移量的调整;
步骤(3)、得到训练好的各层中的权重参数矩阵和偏移量,把它们对应地赋值给该神经网络中的各个层,则该神经网络具有车型特征提取及识别的功能。
2.如权利要求1所述的一种基于卷积神经网络的车型识别方法,其特征在于,包括:三个卷积与池化层,一层全连接层,最后一层是softmax回归分类器层。
3.如权利要求2所述的一种基于卷积神经网络的车型识别方法,其特征在于,卷积模版过滤器大小依次为5x5、5x5、4x4像素,特征图个数依次为30、60、40,池化为大小为2x2的最大池,隐蔽层的神经元个数为500个,最后输出四类车型:大货车,面包车,轿车,公交车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510071919.4A CN104657748A (zh) | 2015-02-06 | 2015-02-06 | 一种基于卷积神经网络的车型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510071919.4A CN104657748A (zh) | 2015-02-06 | 2015-02-06 | 一种基于卷积神经网络的车型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104657748A true CN104657748A (zh) | 2015-05-27 |
Family
ID=53248847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510071919.4A Pending CN104657748A (zh) | 2015-02-06 | 2015-02-06 | 一种基于卷积神经网络的车型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104657748A (zh) |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335757A (zh) * | 2015-11-03 | 2016-02-17 | 电子科技大学 | 一种基于局部特征聚合描述符的车型识别方法 |
CN105335710A (zh) * | 2015-10-22 | 2016-02-17 | 合肥工业大学 | 一种基于多级分类器的精细车辆型号识别方法 |
CN105654135A (zh) * | 2015-12-30 | 2016-06-08 | 成都数联铭品科技有限公司 | 一种基于递归神经网络的图像文字序列识别*** |
CN105740906A (zh) * | 2016-01-29 | 2016-07-06 | 中国科学院重庆绿色智能技术研究院 | 一种基于深度学习的车辆多属性联合分析方法 |
CN105930402A (zh) * | 2016-04-15 | 2016-09-07 | 乐视控股(北京)有限公司 | 基于卷积神经网络的视频检索方法及*** |
CN105938560A (zh) * | 2016-03-23 | 2016-09-14 | 吉林大学 | 一种基于卷积神经网络的车型精细分类*** |
CN105975941A (zh) * | 2016-05-31 | 2016-09-28 | 电子科技大学 | 一种基于深度学习的多方向车型检测识别*** |
CN106056102A (zh) * | 2016-07-01 | 2016-10-26 | 哈尔滨工业大学 | 基于视频图像分析的道路车型分类方法 |
CN106096670A (zh) * | 2016-06-17 | 2016-11-09 | 北京市商汤科技开发有限公司 | 级联卷积神经网络训练和图像检测方法、装置及*** |
CN106203330A (zh) * | 2016-07-08 | 2016-12-07 | 西安理工大学 | 一种基于卷积神经网络的车辆分类方法 |
CN106203464A (zh) * | 2016-06-23 | 2016-12-07 | 长安大学 | 一种基于建立隶属度函数的车型识别方法 |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN106372402A (zh) * | 2016-08-30 | 2017-02-01 | 中国石油大学(华东) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 |
CN106384099A (zh) * | 2016-09-28 | 2017-02-08 | 北京信路威科技股份有限公司 | 一种车型决策机制的分析方法及*** |
CN106384080A (zh) * | 2016-08-31 | 2017-02-08 | 广州精点计算机科技有限公司 | 一种基于卷积神经网络的表观年龄估计方法及装置 |
CN106446834A (zh) * | 2016-09-27 | 2017-02-22 | 东软集团股份有限公司 | 一种基于图像的车型识别方法及装置 |
CN106651916A (zh) * | 2016-12-29 | 2017-05-10 | 深圳市深网视界科技有限公司 | 一种目标的定位跟踪方法及装置 |
CN106682649A (zh) * | 2017-01-24 | 2017-05-17 | 成都容豪电子信息科技有限公司 | 一种基于深度学习的车型识别方法 |
CN106778646A (zh) * | 2016-12-26 | 2017-05-31 | 北京智芯原动科技有限公司 | 基于卷积神经网络的车型识别方法及装置 |
CN106845487A (zh) * | 2016-12-30 | 2017-06-13 | 佳都新太科技股份有限公司 | 一种端到端的车牌识别方法 |
GB2545661A (en) * | 2015-12-21 | 2017-06-28 | Nokia Technologies Oy | A method for analysing media content |
CN106919949A (zh) * | 2017-01-23 | 2017-07-04 | 中国石油大学(华东) | 一种基于卷积神经网络的实时车型匹配方法 |
CN107590492A (zh) * | 2017-08-28 | 2018-01-16 | 浙江工业大学 | 一种基于卷积神经网络的车标定位与识别方法 |
CN107909016A (zh) * | 2017-11-03 | 2018-04-13 | 车智互联(北京)科技有限公司 | 一种卷积神经网络生成方法及车系识别方法 |
CN108021909A (zh) * | 2017-12-28 | 2018-05-11 | 北京悦畅科技有限公司 | 一种停车场车型预测方法及装置 |
CN108052866A (zh) * | 2017-11-17 | 2018-05-18 | 克立司帝控制***(上海)有限公司 | 基于人工神经网络的车牌识别学习方法及*** |
CN108280490A (zh) * | 2018-02-28 | 2018-07-13 | 北京邮电大学 | 一种基于卷积神经网络的细粒度车型识别方法 |
CN108764134A (zh) * | 2018-05-28 | 2018-11-06 | 江苏迪伦智能科技有限公司 | 一种适用于巡检机器人的多类型仪表自动定位与识别方法 |
CN108932857A (zh) * | 2017-05-27 | 2018-12-04 | 西门子(中国)有限公司 | 一种控制交通信号灯的方法和装置 |
CN109191855A (zh) * | 2018-08-07 | 2019-01-11 | 安徽金赛弗信息技术有限公司 | 机动车未按规定粘贴反光标识识别方法、***及存储介质 |
CN109614940A (zh) * | 2018-12-14 | 2019-04-12 | 长沙致天信息科技有限责任公司 | 一种车箱盖的开关状态监测方法和相关装置 |
CN109902563A (zh) * | 2019-01-17 | 2019-06-18 | 桂林远望智能通信科技有限公司 | 一种多角度车型识别方法及*** |
WO2020210290A1 (en) * | 2019-04-12 | 2020-10-15 | The Board Of Regents Of The University Of Texas System | Passive infrared sensing and detection for traffic |
CN113454638A (zh) * | 2018-12-19 | 2021-09-28 | 艾奎菲股份有限公司 | 用于使用计算机视觉进行复杂视觉检查任务的联合学习的***和方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793718A (zh) * | 2013-12-11 | 2014-05-14 | 台州学院 | 一种基于深度学习的人脸表情识别方法 |
CN104036323A (zh) * | 2014-06-26 | 2014-09-10 | 叶茂 | 一种基于卷积神经网络的车辆检测方法 |
-
2015
- 2015-02-06 CN CN201510071919.4A patent/CN104657748A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793718A (zh) * | 2013-12-11 | 2014-05-14 | 台州学院 | 一种基于深度学习的人脸表情识别方法 |
CN104036323A (zh) * | 2014-06-26 | 2014-09-10 | 叶茂 | 一种基于卷积神经网络的车辆检测方法 |
Non-Patent Citations (1)
Title |
---|
ZHEN DONG 等: "Vehicle Type Classification Using Unsupervised Convolutional Neural Network", 《2014 22ND INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》 * |
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335710A (zh) * | 2015-10-22 | 2016-02-17 | 合肥工业大学 | 一种基于多级分类器的精细车辆型号识别方法 |
CN105335757A (zh) * | 2015-11-03 | 2016-02-17 | 电子科技大学 | 一种基于局部特征聚合描述符的车型识别方法 |
US10242289B2 (en) | 2015-12-21 | 2019-03-26 | Nokia Technologies Oy | Method for analysing media content |
GB2545661A (en) * | 2015-12-21 | 2017-06-28 | Nokia Technologies Oy | A method for analysing media content |
CN105654135A (zh) * | 2015-12-30 | 2016-06-08 | 成都数联铭品科技有限公司 | 一种基于递归神经网络的图像文字序列识别*** |
CN105740906B (zh) * | 2016-01-29 | 2019-04-02 | 中国科学院重庆绿色智能技术研究院 | 一种基于深度学习的车辆多属性联合分析方法 |
CN105740906A (zh) * | 2016-01-29 | 2016-07-06 | 中国科学院重庆绿色智能技术研究院 | 一种基于深度学习的车辆多属性联合分析方法 |
CN105938560A (zh) * | 2016-03-23 | 2016-09-14 | 吉林大学 | 一种基于卷积神经网络的车型精细分类*** |
CN105938560B (zh) * | 2016-03-23 | 2017-03-22 | 吉林大学 | 一种基于卷积神经网络的车型精细分类*** |
CN105930402A (zh) * | 2016-04-15 | 2016-09-07 | 乐视控股(北京)有限公司 | 基于卷积神经网络的视频检索方法及*** |
CN105975941A (zh) * | 2016-05-31 | 2016-09-28 | 电子科技大学 | 一种基于深度学习的多方向车型检测识别*** |
CN106096670A (zh) * | 2016-06-17 | 2016-11-09 | 北京市商汤科技开发有限公司 | 级联卷积神经网络训练和图像检测方法、装置及*** |
CN106096670B (zh) * | 2016-06-17 | 2019-07-30 | 深圳市商汤科技有限公司 | 级联卷积神经网络训练和图像检测方法、装置及*** |
CN106203464A (zh) * | 2016-06-23 | 2016-12-07 | 长安大学 | 一种基于建立隶属度函数的车型识别方法 |
CN106056102A (zh) * | 2016-07-01 | 2016-10-26 | 哈尔滨工业大学 | 基于视频图像分析的道路车型分类方法 |
CN106203330A (zh) * | 2016-07-08 | 2016-12-07 | 西安理工大学 | 一种基于卷积神经网络的车辆分类方法 |
CN106250812B (zh) * | 2016-07-15 | 2019-08-20 | 汤一平 | 一种基于快速r-cnn深度神经网络的车型识别方法 |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN109800863B (zh) * | 2016-08-30 | 2023-05-23 | 中国石油大学(华东) | 一种基于模糊理论和神经网络的测井相识别方法 |
CN106372402B (zh) * | 2016-08-30 | 2019-04-30 | 中国石油大学(华东) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 |
CN109800863A (zh) * | 2016-08-30 | 2019-05-24 | 中国石油大学(华东) | 一种基于模糊理论和神经网络的测井相识别方法 |
CN106372402A (zh) * | 2016-08-30 | 2017-02-01 | 中国石油大学(华东) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 |
CN106384080A (zh) * | 2016-08-31 | 2017-02-08 | 广州精点计算机科技有限公司 | 一种基于卷积神经网络的表观年龄估计方法及装置 |
CN106446834A (zh) * | 2016-09-27 | 2017-02-22 | 东软集团股份有限公司 | 一种基于图像的车型识别方法及装置 |
CN106384099A (zh) * | 2016-09-28 | 2017-02-08 | 北京信路威科技股份有限公司 | 一种车型决策机制的分析方法及*** |
CN106778646A (zh) * | 2016-12-26 | 2017-05-31 | 北京智芯原动科技有限公司 | 基于卷积神经网络的车型识别方法及装置 |
CN106651916B (zh) * | 2016-12-29 | 2019-09-03 | 深圳市深网视界科技有限公司 | 一种目标的定位跟踪方法及装置 |
CN106651916A (zh) * | 2016-12-29 | 2017-05-10 | 深圳市深网视界科技有限公司 | 一种目标的定位跟踪方法及装置 |
CN106845487B (zh) * | 2016-12-30 | 2020-04-17 | 佳都新太科技股份有限公司 | 一种端到端的车牌识别方法 |
CN106845487A (zh) * | 2016-12-30 | 2017-06-13 | 佳都新太科技股份有限公司 | 一种端到端的车牌识别方法 |
CN106919949A (zh) * | 2017-01-23 | 2017-07-04 | 中国石油大学(华东) | 一种基于卷积神经网络的实时车型匹配方法 |
CN106682649A (zh) * | 2017-01-24 | 2017-05-17 | 成都容豪电子信息科技有限公司 | 一种基于深度学习的车型识别方法 |
CN108932857A (zh) * | 2017-05-27 | 2018-12-04 | 西门子(中国)有限公司 | 一种控制交通信号灯的方法和装置 |
CN107590492A (zh) * | 2017-08-28 | 2018-01-16 | 浙江工业大学 | 一种基于卷积神经网络的车标定位与识别方法 |
CN107590492B (zh) * | 2017-08-28 | 2019-11-19 | 浙江工业大学 | 一种基于卷积神经网络的车标定位与识别方法 |
CN107909016A (zh) * | 2017-11-03 | 2018-04-13 | 车智互联(北京)科技有限公司 | 一种卷积神经网络生成方法及车系识别方法 |
CN107909016B (zh) * | 2017-11-03 | 2020-09-01 | 车智互联(北京)科技有限公司 | 一种卷积神经网络生成方法及车系识别方法 |
CN108052866A (zh) * | 2017-11-17 | 2018-05-18 | 克立司帝控制***(上海)有限公司 | 基于人工神经网络的车牌识别学习方法及*** |
CN108021909A (zh) * | 2017-12-28 | 2018-05-11 | 北京悦畅科技有限公司 | 一种停车场车型预测方法及装置 |
CN108280490A (zh) * | 2018-02-28 | 2018-07-13 | 北京邮电大学 | 一种基于卷积神经网络的细粒度车型识别方法 |
CN108764134A (zh) * | 2018-05-28 | 2018-11-06 | 江苏迪伦智能科技有限公司 | 一种适用于巡检机器人的多类型仪表自动定位与识别方法 |
CN109191855A (zh) * | 2018-08-07 | 2019-01-11 | 安徽金赛弗信息技术有限公司 | 机动车未按规定粘贴反光标识识别方法、***及存储介质 |
CN109614940A (zh) * | 2018-12-14 | 2019-04-12 | 长沙致天信息科技有限责任公司 | 一种车箱盖的开关状态监测方法和相关装置 |
CN113454638A (zh) * | 2018-12-19 | 2021-09-28 | 艾奎菲股份有限公司 | 用于使用计算机视觉进行复杂视觉检查任务的联合学习的***和方法 |
CN109902563A (zh) * | 2019-01-17 | 2019-06-18 | 桂林远望智能通信科技有限公司 | 一种多角度车型识别方法及*** |
WO2020210290A1 (en) * | 2019-04-12 | 2020-10-15 | The Board Of Regents Of The University Of Texas System | Passive infrared sensing and detection for traffic |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104657748A (zh) | 一种基于卷积神经网络的车型识别方法 | |
CN108108761B (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
Hu et al. | Vehicle color recognition with spatial pyramid deep learning | |
CN103218831B (zh) | 一种基于轮廓约束的视频运动目标分类识别方法 | |
CN108256544A (zh) | 图片分类方法和装置、机器人 | |
Pastor-Pellicer et al. | Insights on the use of convolutional neural networks for document image binarization | |
CN103258213B (zh) | 一种用于智能交通***中的动态车辆车型识别方法 | |
CN106845487A (zh) | 一种端到端的车牌识别方法 | |
CN104463241A (zh) | 一种智能交通监控***中的车辆类型识别方法 | |
CN105335710A (zh) | 一种基于多级分类器的精细车辆型号识别方法 | |
CN107122776A (zh) | 一种基于卷积神经网络的交通标志检测与识别方法 | |
CN106529578A (zh) | 一种基于深度学习的车辆品牌型号精细识别方法与*** | |
CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
CN108830196A (zh) | 基于特征金字塔网络的行人检测方法 | |
CN101408933A (zh) | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 | |
CN107016362B (zh) | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和*** | |
CN109271991A (zh) | 一种基于深度学习的车牌检测方法 | |
CN104484658A (zh) | 一种基于多通道卷积神经网络的人脸性别识别方法及装置 | |
CN108664969B (zh) | 基于条件随机场的路标识别方法 | |
CN111428556A (zh) | 一种基于胶囊神经网络的交通标志识别方法 | |
CN104200228A (zh) | 一种安全带识别方法与*** | |
CN111428735B (zh) | 一种基于迁移学习深层网络融合模型的货车品牌分类方法 | |
CN112464731B (zh) | 一种基于图像处理的交通标志检测识别方法 | |
CN108021879A (zh) | 一种基于视频图像的交通车辆类型识别方法 | |
CN104598928A (zh) | 一种基于类字典稀疏识别的车辆分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150527 |