CN105160340A - 一种车辆品牌识别***及方法 - Google Patents
一种车辆品牌识别***及方法 Download PDFInfo
- Publication number
- CN105160340A CN105160340A CN201510548325.8A CN201510548325A CN105160340A CN 105160340 A CN105160340 A CN 105160340A CN 201510548325 A CN201510548325 A CN 201510548325A CN 105160340 A CN105160340 A CN 105160340A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- car
- module
- obtains
- mark
- 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
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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种车辆品牌识别***及方法,其***包括监控视频获取模块、车辆检测模块、车标分割模块、车标特征提取模块和车辆品牌识别模块;监控视频获取模块获取交通监控卡口的车辆监控视频;车辆检测模块对车辆监控视频进行车辆检测,获取车辆监控视频中所有车辆出现的位置,并根据车辆的位置信息截取车辆图片;车标分割模块从车辆图片中检测车标,获取车标位置,并根据车标位置分割出车标图片;车标特征提取模块对车标图片进行车标特征提取;车辆品牌识别模块对提取的车标特征信息进行分类,根据特征分类结果得到车辆品牌。相对现有技术,本发明成本低、适用范围广、识别速度快、准确度高。
Description
技术领域
本发明涉及模式识别和智能交通信息技术领域,特别涉及一种车辆品牌识别***及方法。
背景技术
近年来,随着社会的不断进步,智能交通***得到快速发展,同时,计算机视觉和模式识别技术的发展,为智能交通***更有效的应用提供了契机。计算机视觉是利用计算机来模拟人的视觉功能,从客观事物的图像中提取信息,进行处理并加以理解,最终用于实际检测、测量和识别。
在智能交通***中,车辆品牌识别是其重要组成部分。车辆品牌识别是根据不同品牌车辆的外形和车标的唯一性进行车辆品牌识别,在城市交通监控、应急指挥、事故检测、智能路径引导等领域有着广泛的应用前景。
现有的车辆品牌识别方案中,主要由三个部分构成:首先,从车辆图片中截取车头图像块;其次,提取车头图像块的特征信息;最后,将特征信息输入分类器得到车辆品牌识别结果。
在第一部分中,从车辆图片中截取车头图片,虽然车头图片包含一定的车辆的品牌信息,但是同时也包含大量冗余信息和干扰信息,例如车头散热网和车牌的干扰。截取车头图像带来的冗余信息和干扰信息为后续的特征提取和分类带来诸多困难。
在第二部分中,提取车头图像块的特征信息,现有的技术主要是提取图像的表层特征,包括梯度方向直方图(HoG)、线性二值化模型(LBP)等,这类特征能较好地反映图像形状,对光照和角度变化有一定的鲁棒性,但是这类特征信息不够丰富,难以满足车辆品牌大量类别分类的要求。
随着现有交通监控技术的进步,高清摄像头得到广泛应用。尤其是高清摄像头能够从行驶的车辆中获取清晰的车标图片,这也为基于监控视频的车辆品牌识别的技术突破提供了有利条件。针对现有技术存在的不足,本发明提出了一种基于车标图片分析的车辆品牌识别方法和***,该方法从交通监控视频中准确获取车辆的车标图片,并提取车标图片的深层特征信息,对得到的特征信息进行分类最终识别出车辆品牌。
发明内容
本发明所要解决的技术问题是提供一种成本低、适用范围广、识别速度快、准确度高的车辆品牌识别***及方法。
本发明解决上述技术问题的技术方案如下:一种车辆品牌识别***,包括监控视频获取模块、车辆检测模块、车标分割模块、车标特征提取模块和车辆品牌识别模块;所述监控视频获取模块、车辆检测模块、车标分割模块、车标特征提取模块和车辆品牌识别模块依次连接;
所述监控视频获取模块,用于获取交通监控卡口的车辆监控视频;
所述车辆检测模块,用于对车辆监控视频进行车辆检测,获取车辆监控视频中所有车辆出现的位置,并根据车辆的位置信息截取车辆图片;
所述车标分割模块,用于从车辆图片中检测车标,获取车标位置,并根据车标位置分割出车标图片;
所述车标特征提取模块,用于对车标图片进行车标特征提取;
所述车辆品牌识别模块,用于对提取的车标特征信息进行分类,根据特征分类结果得到车辆品牌。
本发明的有益效果是:利用监控视频作为车辆品牌识别***的输入信息,能够减少设备投入,有效降低成本,而且现有的交通卡口监控网络覆盖面广,能够获取大范围的车辆监控视频;车辆检测模块从交通卡口监控视频中提取车辆图片,为车标检测缩小搜索范围,提高车标检测的准确率;车标分割模块对直接对车辆图片进行车标检测并提取车标图片,车标图片作为车辆品牌识别的唯一特征图像,能够有效减少冗余信息和干扰信息,提高车标识别的准确率;车标特征提取模块能提取车标图片的特征信息,不同的车标图片得到不同的特征信息,可以利用车标图片特征信息的差异性进行车标识别;车辆品牌识别模块将车标图片的特征信息进行车标分类,能够识别出不同的车标图形,由于车标图片和车辆品牌是一一对应的,即一种车标图片只对应一种车辆品牌,因此,利用车标图片和车辆品牌的对应关系能够实现车辆品牌识别。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述监控视频获取模块包括一台以上的摄像机。
进一步,所述车辆检测模块使用图像模式识别技术进行车辆检测,获取车辆图片。
采用上述进一步方案的有益效果是:使用图像模式识别技术进行车辆检测提高车辆识别效率。
进一步,所述车辆检测模块对监控视频的单帧画面进行车辆检测,并获取单帧画面中的车辆位置信息,根据车辆的位置信息截取车辆图片。
采用上述进一步方案的有益效果是:对监控视频的单帧画面进行车辆检测,既能够识别行驶中的车辆也能够识别静止的车辆,扩大了***的适用范围。
进一步,所述车标分割模块根据车辆图片的对称性,在车辆图片对称轴的附近进行车标搜索。
采用上述进一步方案的有益效果是:对称搜索可以提高搜索效率,提高识别速度。
进一步,所述车标特征提取模块通过深度神经网络对车标图片进行车标特征提取。
采用上述进一步方案的有益效果是:深度神经网络能提高对车标图片特征的提取准确度,保证车标识别的精确性。
进一步,所述车辆品牌识别模块包括分类器,所述分类器对提取的车标特征信息进行分类,并输出车标图片属于各类车标的概率值。
进一步,所述车辆品牌识别模块将分类器输出的各个概率值与设定的概率阈值作比较,若各个概率值都小于概率阈值,则判定输入的不是车标图片;若只有一个概率值大于概率阈值,则判定该图像为最大概率值对应的车标图片;若有多个概率值大于概率阈值,则重新分类,进行概率值与概率阀值进行比对。
采用上述进一步方案的有益效果是:分类器的输出是的概率值,能够根据各个概率的数值大小情况进行二次判别,有效提高车标识别准确率。
本发明解决上述技术问题的另一技术方案如下:一种车辆品牌识别方法,包括以下步骤:
步骤S1.获取交通监控卡口的车辆监控视频;
步骤S2.对车辆监控视频进行车辆检测,获取车辆监控视频中所有车辆出现的位置,并根据车辆的位置信息截取车辆图片;
步骤S3.从车辆图片中检测车标,获取车标位置,并根据车标位置分割出车标图片;
步骤S4.对车标图片进行车标特征提取;
步骤S5.对提取的车标特征信息进行分类,根据特征分类结果得到车辆品牌。
本发明的有益效果是:利用监控视频作为车辆品牌识别***的输入信息,能够减少设备投入,有效降低成本,扩大***使用范围;从监控视频中提取车辆图像,缩小车标搜索范围;对直接对车辆图像进行车标检测并提取车标图片,能够有效减少冗余信息和干扰信息;提取车标图片的特征信息,不同的车标图像得到不同的特征信息,可以利用车标图片特征信息的差异性进行车标识别;将车标图片的特征信息进行车标分类,能够识别出不同的车标图片,利用车标图片和车辆品牌的对应关系能够实现车辆品牌识别。
进一步,所述步骤S5的具体实现:对提取的车标特征信息进行分类,将分类输出的各个概率值与设定的概率阈值作比较,若各个概率值都小于概率阈值,则判定输入的不是车标图片;若只有一个概率值大于概率阈值,则判定该图像为最大概率值对应的车标图片;若有多个概率值大于概率阈值,则重新分类,进行概率值与概率阀值进行比对。
采用上述进一步方案的有益效果是:分类输出是的概率值,能够根据各个概率的数值大小情况进行二次判别,有效提高车标识别准确率。
附图说明
图1为本发明一种车辆品牌识别***的模块框图;
图2为本发明一种车辆品牌识别方法流程图。
附图中,各标号所代表的部件列表如下:
1、监控视频获取模块,2、车辆检测模块,3、车标分割模块,4、车标特征提取模块,5、车辆品牌识别模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例1:
如图1所示,一种车辆品牌识别***,包括监控视频获取模块1、车辆检测模块2、车标分割模块3、车标特征提取模块4和车辆品牌识别模块5;所述监控视频获取模块1、车辆检测模块2、车标分割模块3、车标特征提取模块4和车辆品牌识别模块5依次连接;
所述监控视频获取模块1,用于获取交通监控卡口的车辆监控视频;
所述车辆检测模块2,用于对车辆监控视频进行车辆检测,获取车辆监控视频中所有车辆出现的位置,并根据车辆的位置信息截取车辆图片;
所述车标分割模块3,用于从车辆图片中检测车标,获取车标位置,并根据车标位置分割出车标图片;
所述车标特征提取模块4,用于对车标图片进行车标特征提取;
所述车辆品牌识别模块5,用于对提取的车标特征信息进行分类,根据特征分类结果得到车辆品牌。
优选的,所述监控视频获取模块1包括一台以上的摄像机。
优选的,所述车辆检测模块2使用图像模式识别技术进行车辆检测,获取车辆图片。
优选的,所述车辆检测模块2对监控视频的单帧画面进行车辆检测,并获取单帧画面中的车辆位置信息,根据车辆的位置信息截取车辆图片。
优选的,所述车标分割模块3根据车辆图片的对称性,在车辆图片对称轴的附近进行车标搜索。
优选的,所述车标特征提取模块4通过深度神经网络对车标图片进行车标特征提取。
优选的,所述车辆品牌识别模块5包括分类器,所述分类器对提取的车标特征信息进行分类,并输出车标图片属于各类车标的概率值。
优选的,所述车辆品牌识别模块5将分类器输出的各个概率值与设定的概率阈值作比较,若各个概率值都小于概率阈值,则判定输入的不是车标图片;若只有一个概率值大于概率阈值,则判定该图像为最大概率值对应的车标图片;若有多个概率值大于概率阈值,则重新分类,进行概率值与概率阀值进行比对。
如图2所示,一种车辆品牌识别方法,包括以下步骤:
步骤S1.获取交通监控卡口的车辆监控视频;
步骤S2.对车辆监控视频进行车辆检测,获取车辆监控视频中所有车辆出现的位置,并根据车辆的位置信息截取车辆图片;
步骤S3.从车辆图片中检测车标,获取车标位置,并根据车标位置分割出车标图片;
步骤S4.对车标图片进行车标特征提取;
步骤S5.对提取的车标特征信息进行分类,根据特征分类结果得到车辆品牌。
优选的,所述步骤S5的具体实现:对提取的车标特征信息进行分类,将分类输出的各个概率值与设定的概率阈值作比较,若各个概率值都小于概率阈值,则判定输入的不是车标图片;若只有一个概率值大于概率阈值,则判定该图像为最大概率值对应的车标图片;若有多个概率值大于概率阈值,则重新分类,进行概率值与概率阀值进行比对。
实施例2:
一种车辆品牌识别方法,包括以下步骤:
步骤1.交通卡口监控视频获取模块由一个或多个高清摄像头组成,获取经过交通监控卡口的车辆视频信息,为整个车辆品牌识别***提供原始视频信息;
步骤2.车辆检测模块对交通卡口监控视频进行车辆检测,获取每一帧视频画面中所有车辆出现的位置,并根据车辆的位置信息截取车辆图片;
其中,车辆检测使用滑动窗口的方式来获取单帧视频画面中的不同位置、不同大小的图像块,并提取这些图像块的梯度方向直方图作为特征信息,将这些图像块的特征信息输入训练好的支持向量机,由支持向量机判断输入的图形块是否为车辆图像,由此检测出单帧视频画面中的所有车辆;
步骤3.车标分割模块首先利用车辆图像的对称性得到车辆图像的对称轴,然后沿对称轴获取车辆图像中部的不同位置、不同大小的图像块;提取图像块的梯度方向直方图作为特征信息,将这些图像块的特征信息输入训练好的支持向量机,由支持向量机判断输入的图形块是否为车标图像,从而检测出车辆图像中的车标并分割出车标图像;
步骤4.使用深度神经网络提取车标图像的深层特征信息,其中深度神经网络由3个卷积层、2个平均池化层、1个全连接层组成,全连接层的输出向量就是该车标图像的深度特征信息;
步骤5.将车标图像的特征信息输入softmax分类器中,softmax分类器的输出向量就是该车标图像属于每一品牌车标的概率值。然后,将分类器输出的各个概率值与设定的概率阈值作比较,若都小于概率阈值,则判定输入的不是车标图像;若只有一个概率值大于概率阈值,则判定输入的车标图像属于最大概率值对应的那一类车标;若有多个概率值大于阈值,则使用新的分类器进行分类,重复上述分类步骤。根据车标图像与车辆品牌的关系识别出该车辆所属的品牌;
以上所述仅为本发明的较佳实施例,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 (10)
1.一种车辆品牌识别***,其特征在于:包括监控视频获取模块(1)、车辆检测模块(2)、车标分割模块(3)、车标特征提取模块(4)和车辆品牌识别模块(5);所述监控视频获取模块(1)、车辆检测模块(2)、车标分割模块(3)、车标特征提取模块(4)和车辆品牌识别模块(5)依次连接;
所述监控视频获取模块(1),用于获取交通监控卡口的车辆监控视频;
所述车辆检测模块(2),用于对车辆监控视频进行车辆检测,获取车辆监控视频中所有车辆出现的位置,并根据车辆的位置信息截取车辆图片;
所述车标分割模块(3),用于从车辆图片中检测车标,获取车标位置,并根据车标位置分割出车标图片;
所述车标特征提取模块(4),用于对车标图片进行车标特征提取;
所述车辆品牌识别模块(5),用于对提取的车标特征信息进行分类,根据特征分类结果得到车辆品牌。
2.根据权利要求1所述一种车辆品牌识别***,其特征在于:所述监控视频获取模块(1)包括一台以上的摄像机。
3.根据权利要求1所述一种车辆品牌识别***,其特征在于:所述车辆检测模块(2)使用图像模式识别技术进行车辆检测,获取车辆图片。
4.根据权利要求1所述一种车辆品牌识别***,其特征在于:所述车辆检测模块(2)对监控视频的单帧画面进行车辆检测,并获取单帧画面中的车辆位置信息,根据车辆的位置信息截取车辆图片。
5.根据权利要求1所述一种车辆品牌识别***,其特征在于:所述车标分割模块(3)根据车辆图片的对称性,在车辆图片对称轴的附近进行车标搜索。
6.根据权利要求1所述一种车辆品牌识别***,其特征在于:所述车标特征提取模块(4)通过深度神经网络对车标图片进行车标特征提取。
7.根据权利要求1至6任一项所述一种车辆品牌识别***,其特征在于:所述车辆品牌识别模块(5)包括分类器,所述分类器对提取的车标特征信息进行分类,并输出车标图片属于各类车标的概率值。
8.根据权利要求7所述一种车辆品牌识别***,其特征在于:所述车辆品牌识别模块(5)将分类器输出的各个概率值与设定的概率阈值作比较,若各个概率值都小于概率阈值,则判定输入的不是车标图片;若只有一个概率值大于概率阈值,则判定该图像为最大概率值对应的车标图片;若有多个概率值大于概率阈值,则重新分类,进行概率值与概率阀值进行比对。
9.一种车辆品牌识别方法,其特征在于,包括以下步骤:
步骤S1.获取交通监控卡口的车辆监控视频;
步骤S2.对车辆监控视频进行车辆检测,获取车辆监控视频中所有车辆出现的位置,并根据车辆的位置信息截取车辆图片;
步骤S3.从车辆图片中检测车标,获取车标位置,并根据车标位置分割出车标图片;
步骤S4.对车标图片进行车标特征提取;
步骤S5.对提取的车标特征信息进行分类,根据特征分类结果得到车辆品牌。
10.根据权利要求9所述一种车辆品牌识别方法,其特征在于:所述步骤S5的具体实现:对提取的车标特征信息进行分类,将分类输出的各个概率值与设定的概率阈值作比较,若各个概率值都小于概率阈值,则判定输入的不是车标图片;若只有一个概率值大于概率阈值,则判定该图像为最大概率值对应的车标图片;若有多个概率值大于概率阈值,则重新分类,进行概率值与概率阀值进行比对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510548325.8A CN105160340A (zh) | 2015-08-31 | 2015-08-31 | 一种车辆品牌识别***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510548325.8A CN105160340A (zh) | 2015-08-31 | 2015-08-31 | 一种车辆品牌识别***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105160340A true CN105160340A (zh) | 2015-12-16 |
Family
ID=54801192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510548325.8A Pending CN105160340A (zh) | 2015-08-31 | 2015-08-31 | 一种车辆品牌识别***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160340A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557579A (zh) * | 2016-11-28 | 2017-04-05 | 中通服公众信息产业股份有限公司 | 一种基于卷积神经网络的车辆型号检索***及方法 |
CN106844503A (zh) * | 2016-12-27 | 2017-06-13 | 北京五八信息技术有限公司 | 图片处理方法及装置 |
CN107301773A (zh) * | 2017-06-16 | 2017-10-27 | 上海肇观电子科技有限公司 | 一种向目标对象提示信息的方法及装置 |
CN107316016A (zh) * | 2017-06-19 | 2017-11-03 | 桂林电子科技大学 | 一种基于Hadoop和监控视频流的车辆轨迹统计方法 |
CN107679078A (zh) * | 2017-08-29 | 2018-02-09 | 银江股份有限公司 | 一种基于深度学习的卡口图像车辆快速检索方法及*** |
CN107832804A (zh) * | 2017-10-30 | 2018-03-23 | 上海寒武纪信息科技有限公司 | 一种信息处理方法及相关产品 |
CN108960234A (zh) * | 2018-06-13 | 2018-12-07 | 山东师范大学 | 一种基于词袋模型的Logo识别方法及*** |
CN109766819A (zh) * | 2019-01-04 | 2019-05-17 | 北京博宇通达科技有限公司 | 车辆身份识别方法及装置 |
CN109766775A (zh) * | 2018-12-18 | 2019-05-17 | 四川大学 | 一种基于深度卷积神经网络的车辆检测*** |
CN110569921A (zh) * | 2019-09-17 | 2019-12-13 | 中控智慧科技股份有限公司 | 一种车标识别方法、***、装置及计算机可读介质 |
CN110765862A (zh) * | 2019-09-17 | 2020-02-07 | 中控智慧科技股份有限公司 | 车标识别的方法及终端设备 |
CN112071076A (zh) * | 2020-08-25 | 2020-12-11 | 浙江省机电设计研究院有限公司 | 一种高速公路车辆唯一标识特征提取方法及*** |
US11990137B2 (en) | 2018-09-13 | 2024-05-21 | Shanghai Cambricon Information Technology Co., Ltd. | Image retouching method and terminal device |
US12050887B2 (en) | 2020-12-11 | 2024-07-30 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587641A (zh) * | 2008-05-21 | 2009-11-25 | 上海新联纬讯科技发展有限公司 | 车辆牌照检测与识别*** |
CN103077407A (zh) * | 2013-01-21 | 2013-05-01 | 信帧电子技术(北京)有限公司 | 车标定位识别方法及*** |
CN103093201A (zh) * | 2013-01-21 | 2013-05-08 | 信帧电子技术(北京)有限公司 | 车标定位识别方法及*** |
CN103488973A (zh) * | 2013-09-12 | 2014-01-01 | 上海依图网络科技有限公司 | 基于图像的车辆品牌识别方法和*** |
CN104504384A (zh) * | 2015-01-15 | 2015-04-08 | 博康智能网络科技股份有限公司 | 车标识别方法及其识别*** |
-
2015
- 2015-08-31 CN CN201510548325.8A patent/CN105160340A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587641A (zh) * | 2008-05-21 | 2009-11-25 | 上海新联纬讯科技发展有限公司 | 车辆牌照检测与识别*** |
CN103077407A (zh) * | 2013-01-21 | 2013-05-01 | 信帧电子技术(北京)有限公司 | 车标定位识别方法及*** |
CN103093201A (zh) * | 2013-01-21 | 2013-05-08 | 信帧电子技术(北京)有限公司 | 车标定位识别方法及*** |
CN103488973A (zh) * | 2013-09-12 | 2014-01-01 | 上海依图网络科技有限公司 | 基于图像的车辆品牌识别方法和*** |
CN104504384A (zh) * | 2015-01-15 | 2015-04-08 | 博康智能网络科技股份有限公司 | 车标识别方法及其识别*** |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557579A (zh) * | 2016-11-28 | 2017-04-05 | 中通服公众信息产业股份有限公司 | 一种基于卷积神经网络的车辆型号检索***及方法 |
CN106557579B (zh) * | 2016-11-28 | 2020-08-25 | 中通服公众信息产业股份有限公司 | 一种基于卷积神经网络的车辆型号检索***及方法 |
CN106844503A (zh) * | 2016-12-27 | 2017-06-13 | 北京五八信息技术有限公司 | 图片处理方法及装置 |
CN106844503B (zh) * | 2016-12-27 | 2020-05-19 | 北京五八信息技术有限公司 | 图片处理方法及装置 |
CN107301773A (zh) * | 2017-06-16 | 2017-10-27 | 上海肇观电子科技有限公司 | 一种向目标对象提示信息的方法及装置 |
CN107316016A (zh) * | 2017-06-19 | 2017-11-03 | 桂林电子科技大学 | 一种基于Hadoop和监控视频流的车辆轨迹统计方法 |
CN107316016B (zh) * | 2017-06-19 | 2020-06-23 | 桂林电子科技大学 | 一种基于Hadoop和监控视频流的车辆轨迹统计方法 |
CN107679078B (zh) * | 2017-08-29 | 2020-01-10 | 银江股份有限公司 | 一种基于深度学习的卡口图像车辆快速检索方法及*** |
CN107679078A (zh) * | 2017-08-29 | 2018-02-09 | 银江股份有限公司 | 一种基于深度学习的卡口图像车辆快速检索方法及*** |
CN107832804A (zh) * | 2017-10-30 | 2018-03-23 | 上海寒武纪信息科技有限公司 | 一种信息处理方法及相关产品 |
US11762631B2 (en) | 2017-10-30 | 2023-09-19 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
US11922132B2 (en) | 2017-10-30 | 2024-03-05 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
CN108960234A (zh) * | 2018-06-13 | 2018-12-07 | 山东师范大学 | 一种基于词袋模型的Logo识别方法及*** |
US11990137B2 (en) | 2018-09-13 | 2024-05-21 | Shanghai Cambricon Information Technology Co., Ltd. | Image retouching method and terminal device |
US11996105B2 (en) | 2018-09-13 | 2024-05-28 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
CN109766775A (zh) * | 2018-12-18 | 2019-05-17 | 四川大学 | 一种基于深度卷积神经网络的车辆检测*** |
CN109766819A (zh) * | 2019-01-04 | 2019-05-17 | 北京博宇通达科技有限公司 | 车辆身份识别方法及装置 |
CN110569921A (zh) * | 2019-09-17 | 2019-12-13 | 中控智慧科技股份有限公司 | 一种车标识别方法、***、装置及计算机可读介质 |
CN110765862A (zh) * | 2019-09-17 | 2020-02-07 | 中控智慧科技股份有限公司 | 车标识别的方法及终端设备 |
CN112071076A (zh) * | 2020-08-25 | 2020-12-11 | 浙江省机电设计研究院有限公司 | 一种高速公路车辆唯一标识特征提取方法及*** |
US12050887B2 (en) | 2020-12-11 | 2024-07-30 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160340A (zh) | 一种车辆品牌识别***及方法 | |
CN105335702B (zh) | 一种基于统计学习的卡口车型识别方法 | |
CN104951784B (zh) | 一种车辆无牌及车牌遮挡实时检测方法 | |
CN113506318B (zh) | 一种车载边缘场景下的三维目标感知方法 | |
Zheng et al. | HLU 2-Net: a residual U-structure embedded U-Net with hybrid loss for tire defect inspection | |
CN102915433B (zh) | 基于字符组合的车牌定位和识别方法 | |
CN104715244A (zh) | 一种基于肤色分割和机器学习的多视角人脸检测方法 | |
EP2813973B1 (en) | Method and system for processing video image | |
Zhang et al. | A multi-feature fusion based traffic light recognition algorithm for intelligent vehicles | |
CN109101932B (zh) | 基于目标检测的多任务及临近信息融合的深度学习方法 | |
CN103077387B (zh) | 视频中货运列车车厢自动检测方法 | |
CN104050684B (zh) | 一种基于在线训练的视频运动目标分类方法与*** | |
CN103136528A (zh) | 一种基于双边缘检测的车牌识别方法 | |
Cai et al. | Real-time arrow traffic light recognition system for intelligent vehicle | |
CN105354533A (zh) | 一种基于词袋模型的卡口无牌车辆车型识别方法 | |
CN111860509A (zh) | 一种由粗到精的两阶段非约束车牌区域精准提取方法 | |
Liu et al. | Real-time on-road vehicle detection combining specific shadow segmentation and SVM classification | |
Li et al. | [Retracted] Yolo‐Based Traffic Sign Recognition Algorithm | |
Ashraf et al. | HVD-net: a hybrid vehicle detection network for vision-based vehicle tracking and speed estimation | |
Yang | Intelligent recognition of traffic signs based on improved YOLO v3 algorithm | |
CN105574490A (zh) | 基于车前灯图像特征的车辆品牌识别方法和*** | |
Zhao et al. | Drmnet: A multi-task detection model based on image processing for autonomous driving scenarios | |
CN111178158B (zh) | 一种骑车人检测方法及*** | |
CN114638989A (zh) | 一种基于目标检测和细粒度识别的故障分类可视化方法 | |
CN112528787A (zh) | 基于深度学习的信号灯故障检测方法 |
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: 20151216 |