CN106651881B - 车辆检查***、车辆部位识别方法及*** - Google Patents
车辆检查***、车辆部位识别方法及*** Download PDFInfo
- Publication number
- CN106651881B CN106651881B CN201611236364.5A CN201611236364A CN106651881B CN 106651881 B CN106651881 B CN 106651881B CN 201611236364 A CN201611236364 A CN 201611236364A CN 106651881 B CN106651881 B CN 106651881B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- identified
- vehicle body
- reconstruction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000007689 inspection Methods 0.000 title claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims description 58
- 238000003062 neural network model Methods 0.000 claims description 14
- 125000004122 cyclic group Chemical group 0.000 claims description 12
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q99/00—Subject matter not provided for in other groups of this subclass
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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
- 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
- G06T2207/30248—Vehicle exterior or interior
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开公开了一种车辆部位识别方法、***及车辆检查***。其中该方法包括:通过获取待识别车辆的车体图像序列,并利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构,以获取所述待识别车辆的车体重构图像,基于待识别车辆的车体重构图像识别待识别车辆的分界标识。本公开增加了分界标识识别的准确率,加快了识别速度。
Description
技术领域
本公开涉及车辆识别以及车辆安全检查技术领域,具体而言,涉及一种车辆部位识别方法、车辆部位识别***以及应用该车辆部位识别***的车辆检查***。
背景技术
随着人民生活水平的不断提高,汽车等车辆的总拥有量也开始迅猛增长。人们对车辆管理的要求也越来越高,各停车场、公路收费站、机关单位、小区等的车辆出入口都需要根据具体的需求对车辆的某一部位进行识别。
举例而言,在车辆安全检查领域,需要对集装箱卡车和各种货车在不停车的情况下进行检查,这样可以大大提高安全检查效率。在这种情况下就要求驾驶员开车通过射线照射区域,而由于加速器或放射源的能量及剂量通常很高,对驾驶员会造成很大伤害,因此如何准确的识别驾驶员所在的驾驶室(车头部分),从而控制射线源对驾驶室不进行照射或低剂量地进行照射就显得尤为重要。
目前常用的方法是通过图像数据采集设备采集待检车辆的全部或者大部分的车体图像,基于采集到的车体图形并结合根据经验值及分析得到的规律判断车体图像中的信息,进而对车头和车身进行分离。基于对待检车辆的车体图像中的车头和车身的分离结果判断待检车辆的车头通过射线照射区域后,对车头后面的车厢进行照射。
在上述方式中,一方面,需要采集待检车辆的全部或者大部分车体图像才能识别车头位置,降低了车头位置识别的速度,进而降低了车辆安全检查的速度,同时增加了识别成本;另一方面,通过经验值及分析得到的规律判断车体图像中车头的位置,只能识别出部分特定车辆的车头位置,在识别其他车辆的车头位置时,会出现识别速度慢或者出现误判的情况,降低了车头位置识别的效率,同时若出现误判会给驾驶员的安全造成极大的隐患。
需要说明的是,上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种车辆部位识别方法、车辆部位识别***以及应用该车辆部位识别***的车辆检查***,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开的一个方面,提供一种车辆部位识别方法,包括:
对待识别车辆进行车体图像采集以获取所述待识别车辆的车体图像序列;
利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构,以获取所述待识别车辆的车体重构图像;
基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。
在本公开的一种示例性实施例中,所述方法还包括:
基于所述待识别车辆的车体重构图像判断所述待识别车辆的类型;
其中,在判断所述待识别车辆的类型属于预设类型后,基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。
在本公开的一种示例性实施例中,还包括通过深度学习算法生成所述第一车体重构模型,包括:
获取多个被标识出所述预设部位的第一样本车体图像;
获取多个待标识出所述预设部位的第二样本车体图像;
通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数;
将所述第一样本车体图像输入所述第二车体重构模型以对所述第一参数进行校正以得到所述第一车体重构模型。
在本公开的一种示例性实施例中,所述通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数,包括:
对一受限玻尔兹曼机模型中的所述第一参数进行初始化,并设定所述受限玻尔兹曼机模型的训练周期、学习率以及一训练算法的参数k;
在所述训练周期内,调用所述训练算法并结合所述学习率以及参数k,向受限玻尔兹曼机模型输入所述第二样本车体图像进行k次训练,得到所述第一参数的增量;
根据所述第一参数的增量对所述第一参数进行更新,并基于所述受限玻尔兹曼机模型以及更新后的所述第一参数得到所述第二车体重构模型。
在本公开的一种示例性实施例中,所述通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数,包括:
设定一循环神经网络模型中的训练周期、运行时间;
在所述运行时间为t时刻时,判断所述训练周期是否结束;
在判断所述训练周期未结束时,向所述循环神经网络模型输入所述第二样本车体图像得到第n输出,基于所述第n输出对所述分界标识进行第n次识别,并基于所述分界标识的第n次识别对第n-1次调整后的所述第一参数进行第n次调整;
在判断所述训练周期结束时,基于第n-1次调整后的所述第一参数,得到所述第二车体重构模型。
在本公开的一种示例性实施例中,在所述利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构之前还包括:
将采集到的所述待识别车辆的车体图像的分辨率缩放到一预设分辨率,并对缩放后的所述待识别车辆的车体图像进行灰度拉伸,得到所述待识别车辆的车体图像的归一化图像;
采用固定的阈值对所述归一化图像进行分割,所述归一化图像中大于所述阈值的像素作为车体,所述归一化图像中小于或者等于所述阈值的像素作为背景。
在本公开的一种示例性实施例中,所述对待识别车辆进行车体图像采集包括:
判断是否已经获取所述预设部位的位置;
在判断尚未获取所述预设部位的位置时,将当前时刻以及当前时刻之前采集的所述车体图像输入到所述第一车体重构模型中。
在本公开的一种示例性实施例中,所述待识别车辆的预设部位为车头。
根据本公开的一个方面,提供一种车辆部位识别***,包括:
图像采集模块,用于对待识别车辆进行车体图像采集以获取所述待识别车辆的车体图像序列;
图像重构模块,用于利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构,以获取所述待识别车辆的车体重构图像;
第一识别模块,用于基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。
在本公开的一种示例性实施例中,所述***还包括:
第一判断模块,用于基于所述待识别车辆的车体重构图像判断所述待识别车辆的类型;
所述第一识别模块用于在判断所述待识别车辆的类型属于预设类型后,基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。
在本公开的一种示例性实施例中,还包括一第一车体重构模块,包括:
第一获取单元,用于获取多个被标识出所述预设部位的第一样本车体图像;
第二获取单元,用于获取多个待标识出所述预设部位的第二样本车体图像;
参数确定单元,用于通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数;
车体重构单元,用于将所述第一样本车体图像输入所述第二车体重构模型以对所述第一参数进行校正以得到所述第一车体重构模型。
在本公开的一种示例性实施例中,所述通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数包括:
对一受限玻尔兹曼机模型中的所述第一参数进行初始化,并设定所述受限玻尔兹曼机模型的训练周期、学习率以及一训练算法的参数k;
在所述训练周期内,调用所述训练算法并结合所述学习率以及参数k,向受限玻尔兹曼机模型输入所述第二样本车体图像进行k次训练,得到所述第一参数的增量;
根据所述第一参数的增量对所述第一参数进行更新,并基于所述受限玻尔兹曼机模型以及更新后的所述第一参数得到所述第二车体重构模型。
在本公开的一种示例性实施例中,所述通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数,包括:
设定一循环神经网络模型中的训练周期、运行时间;
在所述运行时间为t时刻时,判断所述训练周期是否结束;
在判断所述训练周期未结束时,向所述循环神经网络模型输入所述第二样本车体图像得到第n输出,基于所述第n输出对所述分界标识进行第n次识别,并基于所述分界标识的第n次识别对第n-1次调整后的所述第一参数进行第n次调整;
在判断所述训练周期结束时,基于第n-1次调整后的所述第一参数,得到所述第二车体重构模型。
在本公开的一种示例性实施例中,在所述图像重构模块之前还包括:
图像归一化模块,用于将采集到的所述待识别车辆的车体图像的分辨率缩放到一预设分辨率,并对缩放后的所述待识别车辆的车体图像进行灰度拉伸,得到所述待识别车辆的车体图像的归一化图像;
阈值分割模块,用于采用固定的阈值对所述归一化图像进行分割,所述归一化图像中大于所述阈值的像素作为车体,所述归一化图像中小于或者等于所述阈值的像素作为背景。
在本公开的一种示例性实施例中,所述图像采集模块包括:
第二判断单元,用于判断是否已经获取所述预设部位的位置;
图像输入单元,用于在判断尚未获取所述预设部位的位置时,将当前时刻以及当前时刻之前采集的所述车体图像输入到所述第一车体重构模型中。
在本公开的一种示例性实施例中,所述待识别车辆的预设部位为车头。
根据本公开的一个方面,提供一种车辆检查***,该***包括上述任意一项所述的车辆部位识别***。
本公开一种示例性实施例提供的车辆部位识别方法、车辆部位识别***以及应用该车辆部位识别***的车辆检查***,利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构,以获取所述待识别车辆的车体重构图像,并基于待识别车辆的车体重构图像识别待识别车辆的分界标识,进而获取所述预设部位的位置。通过深度学习算法生成的第一车体重构模型即可对各种车型的待识别车辆的车体图像进行重构,并基于车体重构图像对分界标识进行识别,不会出现上述背景技术中基于规律只能对特定的车辆进行识别的情况,增加了分界标识识别的准确率,加快了识别速度,进而,在很大程度上排除了安全隐患。
附图说明
通过参照附图来详细描述其示例实施例,本公开的上述和其它特征及优点将变得更加明显。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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。在附图中:
图1为本公开一种车辆部位识别方法的流程图。
图2为本公开一车体重构图像中分界标识的示意图。
图3为本公开一种车辆部位识别***的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例性实施例中首先公开了一种车辆部位识别方法,参考图1所示,该车辆部位识别方法可以包括:
步骤S110.对待识别车辆进行车体图像采集以获取所述待识别车辆的车体图像序列;
步骤S120.利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构,以获取所述待识别车辆的车体重构图像;
步骤S130.基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。
通过本示例性实施例中的车辆部位识别方法,仅仅通过深度学习算法生成的第一车体重构模型即可对各种车型的待识别车辆的车体图像进行重构,并基于车体重构图像对分界标识进行识别,不会出现上述背景技术中基于规律只能对特定的车辆进行识别的情况,增加了分界标识识别的准确率,加快了识别速度,进而,在很大程度上排除了安全隐患。
下面,将对本示例性实施例中的车辆部位识别方法中的各步骤作进一步的说明。
在步骤S110中,对待识别车辆进行车体图像采集以获取所述待识别车辆的车体图像序列。
在本示例实施例中,待识别车辆可以为带车厢的货车、不带车厢的货车、集装箱卡车和客车等机动车辆。当待识别车辆进入需要识别的地点时,可以通过摄像装置采集待识别车辆的车体图像,进而获得车体图像序列。需要说明的是,所述车体图像可以为待识别车辆侧面的图像,也可以是待识别车辆的正面的图像,本示例性实施例对此不作特殊限定。
进一步的,在步骤S120之前还可以包括:将采集到的所述待识别车辆的车体图像的分辨率缩放到一预设分辨率,并对缩放后的所述待识别车辆的车体图像进行灰度拉伸,得到所述待识别车辆的车体图像的归一化图像;采用固定的阈值对所述归一化图像进行分割,所述归一化图像中大于阈值的像素作为车体,所述归一化图像中小于或者等于阈值的像素作为背景。举例说明,首先可以将采集到的图像的分辨率缩放到5mm/像素,然后对缩放后的图像进行灰度拉伸,得到归一化的图像。由于归一化的图像可能包括一些噪音,这时可以采用中值滤波的方法对归一化图像进行降噪处理。例如,可以采用固定的阈值a对归一化图像进行阈值分割,归一化图像中大于阈值a的像素作为车体,归一化图像中小于或者等于阈值a的像素作为背景。通过对获取到的车体图像进行归一化和降噪处理,可以使图像适用于深度学习算法。
再进一步的,所述对待识别车辆进行车体图像采集可以包括:首先,判断是否已经获取所述预设部位的位置。然后,在判断尚未获取所述预设部位的位置时,将当前时刻以及当前时刻之前采集的所述车体图像输入到所述第一车体重构模型中,即执行步骤S120。举例而言,***判断是否已经获取到所述待识别车辆的所述预设部位的位置,在判断尚未获取到上述预设部位的位置,将当前时刻以及当前时刻之前采集到的车体图像输入到所述第一车体重构模型中,对待识别车辆的车体图像进行重构。在判断已经获取到上述预设部位的位置时,即刻停止采集待识别车辆的车体图像。由上可知,在获取到所述待识别车辆的预设部位的位置时,即刻停止对待识别车辆的车体图像采集。不再需要采集待识别车辆的全部车体图像或者大部分车体图像,即可完成待识别车辆的分界标识的识别,提高了分界标识的识别速度,进一步的提高了车辆安全检查的速度,同时降低了识别成本。
在另一示例性实施例中,所述待识别车辆的预设部位为车头。举例而言,在车辆检查***中,首先,通过对待识别车辆的车体重构图像中的分界标识进行识别,获取车头位置。然后,在车辆进入安全检查区域时,根据获取到的车头位置,可以避开车头,只对车厢进行射线照射,进而完成车辆的安全检查。
在步骤S120中,利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构,以获取所述待识别车辆的车体重构图像。
在本示例实施例中,将所述待识别车辆的车体图像序列输入到所述通过深度学习算法生成的第一车体重构模型中,用以获取待识别车辆的车体重构图像。仅仅通过深度学习算法生成的第一车体重构模型即可对各种车型的待识别车辆的车体图像进行重构,并基于车图重构图像对分界标识进行识别,不会出现上述背景技术中基于规律只能对特定的车辆进行识别的情况,增加了分界标识识别的准确率,加快了识别速度,进而,在很大程度上排除了安全隐患。
进一步的,通过深度学习算法生成所述第一车体重构模型可以包括:获取多个被标识出所述预设部位的第一样本车体图像;获取多个待标识出所述预设部位的第二样本车体图像;通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数;将所述第一样本车体图像输入所述第二车体重构模型以对所述第一参数进行校正以得到所述第一车体重构模型。举例说明,设第一样本车体图像为测试样本,第二样本车体图像为训练样本,先通过预设深度学习算法对训练样本中所述预设部位进行识别以确定第二车体重构模型的第一参数,然后将测试样本输入到第二车体重构模型中,对所述第一参数进行校正,进而得到所述第一车体重构图像。
再进一步的,所述通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数可以通过以下方式实现:
例如,首先,对一受限玻尔兹曼机模型中的所述第一参数进行初始化,并设定所述受限玻尔兹曼机模型的训练周期、学习率以及一训练算法的参数k。然后,在所述训练周期内,调用所述训练算法并结合所述学习率以及参数k,向受限玻尔兹曼机模型输入所述第二样本车体图像进行k次训练,得到所述第一参数的增量。再然后,根据所述第一参数的增量对所述第一参数进行更新,并基于所述受限玻尔兹曼机模型以及更新后的所述第一参数得到所述第二车体重构模型。举例而言,首先,设第一参数为a、b、W,第二样本车体图像为训练样本,并对第一参数为a、b、W进行初始化操作,设定训练周期J,学习率η,训练算法的参数k,其中所述训练算法为CD-k算法。然后,在训练周期J内,调用CD-k算法并结合学习率η以及参数k,同时向受限玻尔兹曼机模型输入训练样本进行k次训练,得到初始化的第一参数的增量△a、△b、△W。再然后,基于初始化的第一参数的增量△a、△b、△W对初始化的第一参数a、b、W进行更新。其中, 最后,基于所述受限玻尔兹曼机模型以及更新后的所述第一参数a、b、W得到所述第二车体重构模型。
再例如,首先,设定一循环神经网络模型中的训练周期、运行时间。然后,在所述运行时间为t时刻时,判断所述训练周期是否结束。在判断所述训练周期未结束时,向所述循环神经网络模型中输入所述第二样本车体图像得到第n输出,基于所述第n输出对所述分界标识进行第n次识别,并基于所述分界标识的第n次识别对第n-1次调整后的所述第一参数进行第n次调整。在判断所述训练周期结束时,基于第n-1次调整后的所述第一参数,得到所述第二车体重构模型。举例而言,先设定循环神经网络模型中的训练周期及运行时间。然后,在运行时间t=2时刻,并判断运行周期未结束时,向所述循环神经网络模型中输入第二样本车体图像得到一第2输出,基于所述第2输出对所述分界标识进行第2次识别,并基于所述分界标识的第2次识别对第1次调整后的所述第一参数进行第2次调整,得到第2次调整后的所述第一参数。依次进行上述过程,直至运行周期结束,即可得到第二车体重构模型。在运行时间t=2时刻,并判断运行周期结束时,基于第1次调整后的所述第一参数,得到所述第二车体重构模型。
再进一步的,在获取到所述待识别车辆的车体重构图象之后,还可以包括:基于所述待识别车辆的车体重构图像判断所述待识别车辆的类型;其中,在判断所述待识别车辆的类型属于预设类型后,基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。在本示例性实施例中,所述待识别车辆的类型可以包括客车、货车、卡车,但本示例性实施例中的车辆类型不限于此。上述预设类型可以为货车,也可以为客车,具体的预设类型可以根据应用场景进行设定。举例说明,假设预设类型为货车,在车辆进入到识别区域时,根据该车辆的车体重构图像判断出该车辆的类型。并且在判断该车辆的类型为货车时,才根据该车辆的车体重构图像识别该车辆的预设部位与其他部位之间的分界标识以获取预设部位的位置。通过对待识别车辆的车体重构图像的判断,实现了对待识别车辆的类型的判断。
步骤S130中,基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。
在本示例性实施例中,***会在待识别车辆的车体重构图像中识别分界标识,进而获取预设部位的位置。其中,所述预设部位可以根据应用场景自由设定。例如,在小区入口处,预设部位可以是车牌;在安全检查中,预设部位可以是车头。本示例性实施例对此不作特殊限定。分界标识是指用于区分预设部位与其他部位的图标,如图2所示,分界标识为图中待识别车辆上方的小长方形,但在本示例性实施例中,分界标识的表现方式不限于此。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
在本公开的示例性实施例中,还提供了一种车辆部位识别***,参照图3所示,该车辆部位识别***300可以包括:图像采集模块301、图像重构模块302、第一识别模块303。其中:
图像采集模块301可以用于对待识别车辆进行车体图像采集以获取所述待识别车辆的车体图像序列;
图像重构模块302可以用于利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构,以获取所述待识别车辆的车体重构图像;
第一识别模块303可以用于基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。
本公开的一种示例性实施例中,所述***还可以包括:
第一判断模块可以用于基于所述待识别车辆的车体重构图像判断所述待识别车辆的类型;
所述第一识别模块可以用于在判断所述待识别车辆的类型属于预设类型后,基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。
本公开的一种示例性实施例中,还可以包括一第一车体重构模块,包括:
第一获取单元可以用于获取多个被标识出所述预设部位的第一样本车体图像;
第二获取单元可以用于获取多个待标识出所述预设部位的第二样本车体图像;
参数确定单元可以用于通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数;
车体重构单元可以用于将所述第一样本车体图像输入所述第二车体重构模型以对所述第一参数进行校正以得到所述第一车体重构模型。
本公开的一种示例性实施例中,所述通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数,可以包括:
对一受限玻尔兹曼机模型中的所述第一参数进行初始化,并设定所述受限玻尔兹曼机模型的训练周期、学习率以及一训练算法的参数k;
在所述训练周期内,调用所述训练算法并结合所述学习率以及参数k,向受限玻尔兹曼机模型输入所述第二样本车体图像进行k次训练,得到所述第一参数的增量;
根据所述第一参数的增量对所述第一参数进行更新,并基于所述受限玻尔兹曼机模型以及更新后的所述第一参数得到所述第二车体重构模型。
本公开的一种示例性实施例中,所述通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数,可以包括:
设定一循环神经网络模型中的训练周期、运行时间;
在所述运行时间为t时刻时,判断所述训练周期是否结束;
在判断所述训练周期未结束时,向所述循环神经网络模型输入所述第二样本车体图像得到第n输出,基于所述第n输出对所述分界标识进行第n次识别,并基于所述分界标识的第n次识别对第n-1次调整后的所述第一参数进行第n次调整;
在判断所述训练周期结束时,基于第n-1次调整后的所述第一参数,得到所述第二车体重构模型。
本公开的一种示例性实施例中,在所述图像重构模块之前还可以包括:
图像归一化模块可以用于将采集到的所述待识别车辆的车体图像的分辨率缩放到一预设分辨率,并对缩放后的所述待识别车辆的车体图像进行灰度拉伸,得到所述待识别车辆的车体图像的归一化图像;
阈值分割模块可以用于采用固定的阈值对所述归一化图像进行分割,所述归一化图像中大于所述阈值的像素作为车体,所述归一化图像中小于或者等于所述阈值的像素作为背景。
本公开的一种示例性实施例中,所述图像采集模块可以包括:
第二判断单元可以用于判断是否已经获取所述预设部位的位置;
图像输入单元可以用于在判断尚未获取所述预设部位的位置时,将当前时刻以及当前时刻之前采集的所述车体图像输入到所述第一车体重构模型中。
本公开的一种示例性实施例中,所述待识别车辆的预设部位可以为车头。
根据本公开的一个方面,提供一种车辆检查***,该***可以包括上述任意一项所述的车辆部位识别***。
在本示例性实施例中,例如,上述车辆检查***可以包括车辆部位识别***、控制***以及辐射成像***。其中,车辆部位识别***可以用于识别出待检查车辆的车头位置。控制***可以用于根据待检查车辆的车头位置控制射线源发射射线照射待检查车辆。辐射成像装置可以包括用于发射射线的射线源和用于检测透过所述待检查车辆的射线和/或发生散射的射线的探测器,以及用于根据所述探测器检测到的射线对待检查车辆进行成像。如上所述,在待检查车辆进入到车辆检查区域时,首先,识别待检查车辆的车头位置。然后,控制***可以根据待检查车辆的车头位置控制射线源发射射线照射待检查车辆。在待检查车辆的车头进入射线扫描区域时,控制***控制射线源以低剂量扫描。在待检查车辆的车厢进入射线扫描区时,控制***控制射线源以较高剂量扫描。最后,辐射成像***根据探测器探测到的射线对待检查车辆进行成像,进而完成对待检查车辆的检查。
上述中各车辆部位识别***的具体细节已经在对应的车辆部位识别方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、电子设备、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (15)
1.一种车辆部位识别方法,其特征在于,包括:
对待识别车辆进行车体图像采集以获取所述待识别车辆的车体图像序列;
利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构,以获取所述待识别车辆的车体重构图像;
基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置;
其中,在利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构,以获取所述待识别车辆的车体重构图像之前,所述方法还包括:
获取多个被标识出所述预设部位的第一样本车体图像;
获取多个待标识出所述预设部位的第二样本车体图像;
通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数;
将所述第一样本车体图像输入所述第二车体重构模型以对所述第一参数进行校正以得到所述第一车体重构模型。
2.根据权利要求1所述的车辆部位识别方法,其特征在于,所述方法还包括:
基于所述待识别车辆的车体重构图像判断所述待识别车辆的类型;
其中,在判断所述待识别车辆的类型属于预设类型后,基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。
3.根据权利要求1所述的车辆部位识别方法,其特征在于,所述通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数包括:
对一受限玻尔兹曼机模型中的所述第一参数进行初始化,并设定所述受限玻尔兹曼机模型的训练周期、学习率以及一训练算法的参数k;
在所述训练周期内,调用所述训练算法并结合所述学习率以及参数k,向受限玻尔兹曼机模型输入所述第二样本车体图像进行k次训练,得到所述第一参数的增量;
根据所述第一参数的增量对所述第一参数进行更新,并基于所述受限玻尔兹曼机模型以及更新后的所述第一参数得到所述第二车体重构模型。
4.根据权利要求1所述的车辆部位识别方法,其特征在于,所述通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数,包括:
设定一循环神经网络模型中的训练周期、运行时间;
在所述运行时间为t时刻时,判断所述训练周期是否结束;
在判断所述训练周期未结束时,向所述循环神经网络模型输入所述第二样本车体图像得到第n输出,基于所述第n输出对所述分界标识进行第n次识别,并基于所述分界标识的第n次识别对第n-1次调整后的所述第一参数进行第n次调整;
在判断所述训练周期结束时,基于第n-1次调整后的所述第一参数,得到所述第二车体重构模型。
5.根据权利要求1所述的车辆部位识别方法,其特征在于,在所述利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构之前还包括:
将采集到的所述待识别车辆的车体图像的分辨率缩放到一预设分辨率,并对缩放后的所述待识别车辆的车体图像进行灰度拉伸,得到所述待识别车辆的车体图像的归一化图像;
采用固定的阈值对所述归一化图像进行分割,所述归一化图像中大于所述阈值的像素作为车体,所述归一化图像中小于或者等于所述阈值的像素作为背景。
6.根据权利要求1所述的车辆部位识别方法,其特征在于,所述对待识别车辆进行车体图像采集包括:
判断是否已经获取所述预设部位的位置;
在判断尚未获取所述预设部位的位置时,将当前时刻以及当前时刻之前采集的所述车体图像输入到所述第一车体重构模型中。
7.根据权利要求6所述的车辆部位识别方法,其特征在于,所述待识别车辆的预设部位为车头。
8.一种车辆部位识别***,其特征在于,包括:
图像采集模块,用于对待识别车辆进行车体图像采集以获取所述待识别车辆的车体图像序列;
图像重构模块,用于利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构,以获取所述待识别车辆的车体重构图像;
第一识别模块,用于基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置;
所述***还包括第一车体重构模块,所述第一车体重构模块包括:
第一获取单元,用于获取多个被标识出所述预设部位的第一样本车体图像;
第二获取单元,用于获取多个待标识出所述预设部位的第二样本车体图像;
参数确定单元,用于通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数;
车体重构单元,用于将所述第一样本车体图像输入所述第二车体重构模型以对所述第一参数进行校正以得到所述第一车体重构模型。
9.根据权利要求8所述的车辆部位识别***,其特征在于,所述***还包括:
第一判断模块,用于基于所述待识别车辆的车体重构图像判断所述待识别车辆的类型;
所述第一识别模块用于在判断所述待识别车辆的类型属于预设类型后,基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。
10.根据权利要求8所述的车辆部位识别***,其特征在于,所述通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数,包括:
对一受限玻尔兹曼机模型中的所述第一参数进行初始化,并设定所述受限玻尔兹曼机模型的训练周期、学习率以及一训练算法的参数k;
在所述训练周期内,调用所述训练算法并结合所述学习率以及参数k,向受限玻尔兹曼机模型输入所述第二样本车体图像进行k次训练,得到所述第一参数的增量;
根据所述第一参数的增量对所述第一参数进行更新,并基于所述受限玻尔兹曼机模型以及更新后的所述第一参数得到所述第二车体重构模型。
11.根据权利要求8所述的车辆部位识别***,其特征在于,所述通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数,包括:
设定一循环神经网络模型中的训练周期、运行时间;
在所述运行时间为t时刻时,判断所述训练周期是否结束;
在判断所述训练周期未结束时,向所述循环神经网络模型输入所述第二样本车体图像得到第n输出,基于所述第n输出对所述分界标识进行第n次识别,并基于所述分界标识的第n次识别对第n-1次调整后的所述第一参数进行第n次调整;
在判断所述训练周期结束时,基于第n-1次调整后的所述第一参数,得到所述第二车体重构模型。
12.根据权利要求8所述的车辆部位识别***,其特征在于,在所述图像重构模块之前还包括:
图像归一化模块,用于将采集到的所述待识别车辆的车体图像的分辨率缩放到一预设分辨率,并对缩放后的所述待识别车辆的车体图像进行灰度拉伸,得到所述待识别车辆的车体图像的归一化图像;
阈值分割模块,用于采用固定的阈值对所述归一化图像进行分割,所述归一化图像中大于所述阈值的像素作为车体,所述归一化图像中小于或者等于所述阈值的像素作为背景。
13.根据权利要求8所述的车辆部位识别***,其特征在于,所述图像采集模块包括:
第二判断单元,用于判断是否已经获取所述预设部位的位置;
图像输入单元,用于在判断尚未获取所述预设部位的位置时,将当前时刻以及当前时刻之前采集的所述车体图像输入到所述第一车体重构模型中。
14.根据权利要求13所述的车辆部位识别***,其特征在于,所述待识别车辆的预设部位为车头。
15.一种车辆检查***,其特征在于,该***包括权利要求8~14中任意一项所述的车辆部位识别***。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611236364.5A CN106651881B (zh) | 2016-12-28 | 2016-12-28 | 车辆检查***、车辆部位识别方法及*** |
US15/852,103 US10497144B2 (en) | 2016-12-28 | 2017-12-22 | Vehicle inspection system, and method and system for identifying part of vehicle |
MYPI2017705034A MY191004A (en) | 2016-12-28 | 2017-12-27 | Vehicle inspection system, and method and system for identifying part of vehicle |
BR102017028319A BR102017028319A8 (pt) | 2016-12-28 | 2017-12-27 | Método e sistema para identificar uma parte de um veículo e sistema de inspeção de veículos |
EP17210936.5A EP3343442A1 (en) | 2016-12-28 | 2017-12-28 | Vehicle inspection system, and method and system for identifying part of vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611236364.5A CN106651881B (zh) | 2016-12-28 | 2016-12-28 | 车辆检查***、车辆部位识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106651881A CN106651881A (zh) | 2017-05-10 |
CN106651881B true CN106651881B (zh) | 2023-04-28 |
Family
ID=58832274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611236364.5A Active CN106651881B (zh) | 2016-12-28 | 2016-12-28 | 车辆检查***、车辆部位识别方法及*** |
Country Status (5)
Country | Link |
---|---|
US (1) | US10497144B2 (zh) |
EP (1) | EP3343442A1 (zh) |
CN (1) | CN106651881B (zh) |
BR (1) | BR102017028319A8 (zh) |
MY (1) | MY191004A (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2556941B (en) * | 2016-11-28 | 2021-10-20 | Smiths Heimann Sas | Detection of irregularities using registration |
CN109304306B (zh) * | 2018-09-19 | 2020-08-11 | 广东省智能制造研究所 | 生产线物体分拣方法、***和物体分拣*** |
CN113496563B (zh) * | 2020-03-19 | 2023-04-25 | 杭州海康威视数字技术股份有限公司 | 一种智慧闸口的管理方法、装置及设备 |
CN112200231B (zh) * | 2020-09-29 | 2024-04-30 | 深圳市信义科技有限公司 | 一种危险品车辆识别方法、***、装置及介质 |
CN112329772B (zh) * | 2020-11-06 | 2024-03-05 | 浙江大搜车软件技术有限公司 | 车辆部件识别方法、装置、电子装置和存储介质 |
CN113723258B (zh) * | 2021-08-24 | 2024-05-28 | 广州邦讯信息***有限公司 | 危险品车辆图像识别方法及其相关设备 |
CN114677255A (zh) * | 2022-03-17 | 2022-06-28 | 北京中交兴路信息科技有限公司 | 一种货车图片中车身识别方法、装置、存储介质及终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749030A (zh) * | 2012-06-14 | 2012-10-24 | 北京理工大学 | 基于脉冲飞行时间激光测距的货车车厢体积分割方法 |
CN102867416A (zh) * | 2012-09-13 | 2013-01-09 | 中国科学院自动化研究所 | 一种基于车辆部位特征的车辆检测与跟踪方法 |
CN103593981A (zh) * | 2013-01-18 | 2014-02-19 | 西安通瑞新材料开发有限公司 | 一种基于视频的车型识别方法 |
CN104091181A (zh) * | 2014-07-15 | 2014-10-08 | 中国科学院合肥物质科学研究院 | 基于深度受限玻尔兹曼机的害虫图像自动识别方法及*** |
CN105427614A (zh) * | 2015-08-28 | 2016-03-23 | 北京动视元科技有限公司 | 一种车型分类***及其方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010038905A1 (de) * | 2010-08-04 | 2012-02-09 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Bestimmen von Rad- und Karosseriebewegungen eines Fahrzeuges |
CN104391339B (zh) | 2014-12-17 | 2018-02-09 | 同方威视技术股份有限公司 | 车型识别方法以及利用该方法的车辆快速检查*** |
CN105809088B (zh) | 2014-12-30 | 2019-07-19 | 清华大学 | 车辆识别方法和*** |
CN107358596B (zh) * | 2017-04-11 | 2020-09-18 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及*** |
-
2016
- 2016-12-28 CN CN201611236364.5A patent/CN106651881B/zh active Active
-
2017
- 2017-12-22 US US15/852,103 patent/US10497144B2/en active Active
- 2017-12-27 MY MYPI2017705034A patent/MY191004A/en unknown
- 2017-12-27 BR BR102017028319A patent/BR102017028319A8/pt active IP Right Grant
- 2017-12-28 EP EP17210936.5A patent/EP3343442A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749030A (zh) * | 2012-06-14 | 2012-10-24 | 北京理工大学 | 基于脉冲飞行时间激光测距的货车车厢体积分割方法 |
CN102867416A (zh) * | 2012-09-13 | 2013-01-09 | 中国科学院自动化研究所 | 一种基于车辆部位特征的车辆检测与跟踪方法 |
CN103593981A (zh) * | 2013-01-18 | 2014-02-19 | 西安通瑞新材料开发有限公司 | 一种基于视频的车型识别方法 |
CN104091181A (zh) * | 2014-07-15 | 2014-10-08 | 中国科学院合肥物质科学研究院 | 基于深度受限玻尔兹曼机的害虫图像自动识别方法及*** |
CN105427614A (zh) * | 2015-08-28 | 2016-03-23 | 北京动视元科技有限公司 | 一种车型分类***及其方法 |
Also Published As
Publication number | Publication date |
---|---|
US20180182126A1 (en) | 2018-06-28 |
EP3343442A1 (en) | 2018-07-04 |
CN106651881A (zh) | 2017-05-10 |
MY191004A (en) | 2022-05-27 |
BR102017028319A8 (pt) | 2023-04-25 |
BR102017028319A2 (pt) | 2019-01-02 |
US10497144B2 (en) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651881B (zh) | 车辆检查***、车辆部位识别方法及*** | |
DE102011117585B4 (de) | Systeme und Verfahren zum Verfolgen von Objekten | |
US9317752B2 (en) | Method for detecting large size and passenger vehicles from fixed cameras | |
Kim et al. | A Novel On-Road Vehicle Detection Method Using $\pi $ HOG | |
DE102017208718A1 (de) | Verfahren zur Erkennung von Objekten in einem Bild einer Kamera | |
Kumtepe et al. | Driver aggressiveness detection via multisensory data fusion | |
CN104573680A (zh) | 图像检测方法、图像检测装置以及交通违法检测*** | |
CN113408364B (zh) | 一种临时车牌识别方法、***、装置及存储介质 | |
US20200298847A1 (en) | Systems for determining object importance in on-road driving scenarios and methods thereof | |
CN106778473A (zh) | 一种车型识别方法 | |
CN110235177B (zh) | 图像处理装置、图像识别装置、以及存储介质 | |
Keser et al. | Interpretable model-agnostic plausibility verification for 2d object detectors using domain-invariant concept bottleneck models | |
DE102016217331A1 (de) | Verfahren und Vorrichtung zum Ermitteln einer Anwesenheit wenigstens eines Fahrgasts in einem Fahrzeug | |
DE102018220114A1 (de) | Vorrichtung und Verfahren zum Erkennen einer Sensorblockade eines Umgebungssensors | |
CN117292338A (zh) | 基于视频流解析的车辆事故识别和分析方法 | |
US20130202152A1 (en) | Selecting Visible Regions in Nighttime Images for Performing Clear Path Detection | |
US11989787B2 (en) | Remote vehicle damage assessment | |
DE102019202266A1 (de) | Verfahren und Computerprogrammprodukt zum Adaptieren einer Auflösung eines Multisensorsystems eines Straßenfahrzeuges und Steuergerät für ein Multisensorsystem und Computerprogrammprodukt | |
CN115240170A (zh) | 一种基于事件相机的道路行人检测跟踪方法及*** | |
Fernández-Llorca et al. | Parking Assistance System for Leaving Perpendicular Parking Lots: Experiments in Daytime\/Nighttime Conditions | |
CN111161542B (zh) | 车辆识别方法及装置 | |
Wang et al. | Enhancing YOLOv7-Based Fatigue Driving Detection through the Integration of Coordinate Attention Mechanism | |
Saffarini et al. | Survey of road anomalies detection methods | |
CN110414357A (zh) | 一种基于车辆类型识别的前方车辆定位方法 | |
CN111860092B (zh) | 司机身份验证方法、装置、控制设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |