CN107067015A - 一种基于多特征深度学习的车辆检测方法及装置 - Google Patents
一种基于多特征深度学习的车辆检测方法及装置 Download PDFInfo
- Publication number
- CN107067015A CN107067015A CN201610952774.3A CN201610952774A CN107067015A CN 107067015 A CN107067015 A CN 107067015A CN 201610952774 A CN201610952774 A CN 201610952774A CN 107067015 A CN107067015 A CN 107067015A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- characteristic
- pond
- sobel
- information
- 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.)
- Granted
Links
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于多特征深度学习的车辆检测方法及装置,通过获得智能网络摄像机采集标准的抓拍车辆图像,对车辆图像提取三个通道的特征信息,主要包括:灰度信息、X方向上的Sobel边缘检测、Y方向上的Sobel边缘检测,将三个通道的特征信息,输入到预先训练得到的组合特征卷积神经网络模型中进行车辆检测,输出检测结果。本发明针对车辆的外观信息和和形状信息,提取了三个特征通道,舍弃了原始的RGB颜色特征,增加了我们对特征的先验知识,并利用组合特征的卷积神经网络方法,能够减少训练所需计算量,缩短检测时间,同时提高了车辆定位的准确率。
Description
技术领域
本发明涉及智能交通管理领域,更具体的说,是涉及一种基于多特征深度学习的车辆检测方法及装置。
背景技术
智能交通装置(ITS)采用图像处理、人工智能、嵌入式、传感器和模式识别等多种技术手段,解决交通拥堵、交通事故等问题,从而提高道路交通装置安全性和有效性。其中,车辆检测是智能交通装置的重要组成部分,交通疏导、辅助驾驶装置道路监控等领域有着广阔的应用前景。
目前,常用的车辆检测方法有:基于建模和模板匹配的方法和基于统计学习的方法。基于建模和模板匹配的方法利用局部特征描述车辆,并利用模版匹配方法进行车辆定位,该方法容易受到背景环境、复杂光照和复杂天气的影响,且对所建模型的要求较高,算法的稳定性不够好。基于统计学习的方法首先对车辆样本提取特征,再利用分类器对样本特征进行训练,获得前景车辆和复杂背景的差异特征后,利用差异特征进行车辆定位。目前利用神经网络自主学习识别对象特征的方法已成功实现,如利用卷积神经网络(Convolutional Neural Network,CNN)自主选取车辆特征进行学习与识别,但是采用单纯的CNN方案摆脱不了运算量大、所需时间长的缺点。
发明内容
有鉴于此,有必要针对上述问题,提供一种基于多特征深度学习的车辆检测方法及装置,用组合特征的卷积神经网络方法,能够减少训练所需计算量,缩短检测时间,同时提高了车辆定位的准确率。
为了实现上述目的,本发明的技术方案如下:
一种基于多特征深度学习的车辆检测方法,包括以下步骤:
S1、通过组合特征卷积神经网络训练得到的车辆检测模型;
S2、抓拍获取车辆图像数据;
S3、提取车辆图像数据中的特征信息;
S4、将特征信息输入到车辆检测模型中进行车辆检测,得到检测结果。
作为优选的,在步骤S1中,所述组合特征卷积神经网络的训练过程包括:
S11、获取若干车辆样本图像,组成源样本,并标注样本图像中每辆车的有外接矩形框;
S12、提取源样本中每一个样本图像的灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息;
S13、将步骤S12中获取的信息输入到组合特征卷积神经网络中进行训练,得到车辆监测模型。
作为优选的,在步骤S2中,所述特征信息包括灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息。
作为优选的,所述步骤S3具体包括:对源图像分别进行灰度变换、X方向上的Sobel边缘检测、Y方向上的Sobel边缘检测,得到灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息三个单通道图像,并舍弃原来的RGB颜色特征。
作为优选的,所述步骤S4具体包括:
S41、在组合特征卷积神经网络中输入灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息;
S42、灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息分别经过第一卷积层、第一池化层,得到三个维度为n的特征向量;
S43、将三个特征向量进行组合,得到维度为3*n的组合特征向量;将组合特征向量作为下一个卷积层的输入,经过若干组卷积层计算并均值池化后,输入到全连接层,最终输出车辆坐标位置。
作为优选的,所述步骤S42具体包括:
S421、灰度图像经过第一卷积层进行卷积计算Conv(5,1,32),卷积核大小为5*5,滑动时每次移动1个像素,总共32个特征图像;经过第一池化层采用最大池化Pooling(3,2),池化范围大小为3*3,每次移动2个像素,得到灰度图像的特征向量(x1,x2,...,xn);
S422、X方向上的Sobel边缘图像经过经过第一卷积层进行卷积计算Conv(5,1,32),卷积核大小为5*5,滑动时每次移动1个像素,总共32个特征图像;经过第一池化层采用最大池化Pooling(3,2),池化范围大小为3*3,每次移动2个像素,得到X方向上的Sobel边缘图像的特征向量(y1,y2,...,yn);
S422、Y方向上的Sobel边缘图像经过经过卷积层进行卷积计算Conv(5,1,32),卷积核大小为5*5,滑动时每次移动1个像素,总共32个特征图像;经过池化层采用最大池化Pooling(3,2),池化范围大小为3*3,每次移动2个像素,得到Y方向上的Sobel边缘图像的特征向量(z1,z2,...,zn)。
作为优选的,所述步骤S43具体包括:
S431、将步骤S2中的三个特征向量进行组合,得到维度为3*n的组合特征向量(x1,x2,...,xn,y1,y2,...,yn,z1,z2,...,zn),作为下一个卷积层的输入;
S431、经过第二卷积层进行卷积计算Conv2(5,1,32),卷积核大小为5*5,滑动时每次移动1个像素,总共32个特征图像;
S432、经过第二池化层采用均值池化Pooling(3,2),池化范围大小为3*3,每次移动2个像素;
S433、经过第三卷积层进行卷积计算Conv3(5,1,64),卷积核大小为3*3,滑动时每次移动2个像素,总共64个特征图像;
S434、经过第三池化层采用均值池化Pooling(3,2),池化范围大小为3*3,每次移动2个像素;
S435、经过第一全连接层FC(512),全连接层的节点个数为64个;
S436、经过第二全连接层FC(4),全连接层的节点个数为4个,最终输出四个数字输出(4),表示车辆位置的坐标。
作为优选的,所述步骤S436还包括:经过损失函数层,最终输出四个数字输出(4)转换为真实坐标数值。
一种根据上述的方法进行车辆检测的装置,包括获取单元、图像预处理单元、训练单元和检测单元;
所述获取单元用于获取抓拍的检测车辆图像;
所述图像预处理单元用于用于对车辆图像提取三个通道的特征信息,包括:灰度信息、X方向上的Sobel边缘检测、Y方向上的Sobel边缘检测;
所述训练单元用于通过组合特征卷积神经网络训练得到的车辆检测模型;
所述检测单元用于将预处理之后的图像输入到车辆检测模型中进行车辆检测,输出车辆的相对位置。
作为优选的,所述训练单元具体包括:获取若干车辆样本图像,组成源样本,并标注样本图像中每辆车的有外接矩形框;提取样本集中每一个样本图片的三通道信息:灰度信息、X方向上的Sobel边缘检测、Y方向上的Sobel边缘检测;将三个通道信息输入到组合特征卷积神经网络中进行训练,根据检测结果与所述外接矩形框调整所述卷积核内的参数和全连接层的参数,直至所述检测结果中车辆的位置与所述外接矩形框尽可能接近,得到车辆检测模型。
与现有技术相比,本发明的有益效果在于:本发明通过获得智能网络摄像机采集标准的抓拍车辆图像,对车辆图像提取三个通道的特征信息,主要包括:灰度信息、X方向上的Sobel边缘检测、Y方向上的Sobel边缘检测,将三个通道的特征信息,输入到预先训练得到的组合特征卷积神经网络模型中进行车辆检测,输出检测结果。本发明针对车辆的外观信息和和形状信息,提取了三个特征通道,舍弃了原始的RGB颜色特征,增加了我们对特征的先验知识,并利用组合特征的卷积神经网络方法,能够减少训练所需计算量,缩短检测时间,同时提高了车辆定位的准确率。
附图说明
图1为本发明实施例的方法流程图;
图2为本发明实施例组合特征卷积神经网络的工作流程图;
图3为本发明实施例的装置结构框图。
具体实施方式
下面结合附图和实施例对本发明所述的一种基于多特征深度学习的车辆检测方法及装置作进一步说明。
以下是本发明所述的一种基于多特征深度学习的车辆检测方法及装置的最佳实例,并不因此限定本发明的保护范围。
图1示出了一种基于多特征深度学习的车辆检测方法,包括以下步骤:
S1、通过组合特征卷积神经网络训练得到的车辆检测模型;
S2、抓拍获取车辆图像数据;
S3、提取车辆图像数据中的特征信息;
S4、将特征信息输入到车辆检测模型中进行车辆检测,得到检测结果。
作为优选的,在步骤S1中,所述组合特征卷积神经网络的训练过程包括:
S11、获取若干车辆样本图像,组成源样本,并标注样本图像中每辆车的有外接矩形框;
S12、提取源样本中每一个样本图像的灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息;
S13、将步骤S12中获取的信息输入到组合特征卷积神经网络中进行训练,得到车辆监测模型。
作为优选的,在步骤S2中,所述特征信息包括灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息。
作为优选的,所述步骤S3具体包括:对源图像分别进行灰度变换、X方向上的Sobel边缘检测、Y方向上的Sobel边缘检测,得到灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息三个单通道图像,并舍弃原来的RGB颜色特征。
如图2所示,图中,Conv(m,n,k)表示卷积核大小为m*m,滑动时每次移动n个像素,总共有k个特征图像;MaxPooling(m,n)表示采用最大池化(max pooling),范围大小是m*m,每次移动n个像素;AvePooling(m,n)表示采用均值池化(Average pooling);FC(m)表示这是一个全连接层,节点个数为m个;Loss表示这是一个损失函数层。所述步骤S4具体包括:
S41、在组合特征卷积神经网络中输入灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息(灰度图像128*128,X方向上的Sobel边缘图像128*128,Y方向上的Sobel边缘图像128*128);
S42、灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息分别经过第一卷积层、第一池化层,得到三个维度为n的特征向量;
S43、将三个特征向量进行组合,得到维度为3*n的组合特征向量;将组合特征向量作为下一个卷积层的输入,经过若干组卷积层计算并均值池化后,输入到全连接层,最终输出车辆坐标位置。
作为优选的,所述步骤S42具体包括:
S421、灰度图像经过第一卷积层进行卷积计算Conv(5,1,32),卷积核大小为5*5,滑动时每次移动1个像素,总共32个特征图像;经过第一池化层采用最大池化Pooling(3,2),池化范围大小为3*3,每次移动2个像素,得到灰度图像的特征向量(x1,x2,...,xn);
S422、X方向上的Sobel边缘图像经过经过第一卷积层进行卷积计算Conv(5,1,32),卷积核大小为5*5,滑动时每次移动1个像素,总共32个特征图像;经过第一池化层采用最大池化Pooling(3,2),池化范围大小为3*3,每次移动2个像素,得到X方向上的Sobel边缘图像的特征向量(y1,y2,...,yn);
S422、Y方向上的Sobel边缘图像经过经过卷积层进行卷积计算Conv(5,1,32),卷积核大小为5*5,滑动时每次移动1个像素,总共32个特征图像;经过池化层采用最大池化Pooling(3,2),池化范围大小为3*3,每次移动2个像素,得到Y方向上的Sobel边缘图像的特征向量(z1,z2,...,zn)。
作为优选的,所述步骤S43具体包括:
S431、将步骤S2中的三个特征向量进行组合,得到维度为3*n的组合特征向量(x1,x2,...,xn,y1,y2,...,yn,z1,z2,…,zn),作为下一个卷积层的输入;
S431、经过第二卷积层进行卷积计算Conv2(5,1,32),卷积核大小为5*5,滑动时每次移动1个像素,总共32个特征图像;
S432、经过第二池化层采用均值池化Pooling(3,2),池化范围大小为3*3,每次移动2个像素;
S433、经过第三卷积层进行卷积计算Conv3(5,1,64),卷积核大小为3*3,滑动时每次移动2个像素,总共64个特征图像;
S434、经过第三池化层采用均值池化Pooling(3,2),池化范围大小为3*3,每次移动2个像素;
S435、经过第一全连接层FC(512),全连接层的节点个数为64个;
S436、经过第二全连接层FC(4),全连接层的节点个数为4个,最终输出四个数字输出(4),表示车辆位置的坐标。
作为优选的,所述步骤S436还包括:经过损失函数层,最终输出四个数字输出(4)转换为真实坐标数值。
车辆检测模型的训练可以利用反向传播(BP,backpropagation)算法调整参数,使得在测试集上输出的结果与真实的标注尽可能接近。反向传播除了在全链接层进行调整之外,在灰度通图像、X方向上的Sobel边缘图像和Y方向上的Sobel边缘图像输入到卷积神经网络时卷积层分别进行调整,从而提取不同的特征卷积参数。
图3示出了一种根据上述的方法进行车辆检测的装置,包括获取单元、图像预处理单元、训练单元和检测单元;
所述获取单元用于获取抓拍的检测车辆图像;
所述图像预处理单元用于用于对车辆图像提取三个通道的特征信息,包括:灰度信息、X方向上的Sobel边缘检测、Y方向上的Sobel边缘检测;
所述训练单元用于通过组合特征卷积神经网络训练得到的车辆检测模型;
所述检测单元用于将预处理之后的图像输入到车辆检测模型中进行车辆检测,输出车辆的相对位置。
作为优选的,所述训练单元具体包括:获取若干车辆样本图像,组成源样本,并标注样本图像中每辆车的有外接矩形框;提取样本集中每一个样本图片的三通道信息:灰度信息、X方向上的Sobel边缘检测、Y方向上的Sobel边缘检测;将三个通道信息输入到组合特征卷积神经网络中进行训练,根据检测结果与所述外接矩形框调整所述卷积核内的参数和全连接层的参数,直至所述检测结果中车辆的位置与所述外接矩形框尽可能接近,得到车辆检测模型。
与现有技术相比,本发明的有益效果在于:本发明通过获得智能网络摄像机采集标准的抓拍车辆图像,对车辆图像提取三个通道的特征信息,主要包括:灰度信息、X方向上的Sobel边缘检测、Y方向上的Sobel边缘检测,将三个通道的特征信息,输入到预先训练得到的组合特征卷积神经网络模型中进行车辆检测,输出检测结果。本发明针对车辆的外观信息和和形状信息,提取了三个特征通道,舍弃了原始的RGB颜色特征,增加了我们对特征的先验知识,并利用组合特征的卷积神经网络方法,能够减少训练所需计算量,缩短检测时间,同时提高了车辆定位的准确率。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于多特征深度学习的车辆检测方法,其特征在于,包括以下步骤:
S1、通过组合特征卷积神经网络训练得到的车辆检测模型;
S2、抓拍获取车辆图像数据;
S3、提取车辆图像数据中的特征信息;
S4、将特征信息输入到车辆检测模型中进行车辆检测,得到检测结果。
2.根据权利要求1所述的基于多特征深度学习的车辆检测方法,其特征在于,在步骤S1中,所述组合特征卷积神经网络的训练过程包括:
S11、获取若干车辆样本图像,组成源样本,并标注样本图像中每辆车的有外接矩形框;
S12、提取源样本中每一个样本图像的灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息;
S13、将步骤S12中获取的信息输入到组合特征卷积神经网络中进行训练,得到车辆监测模型。
3.根据权利要求2所述的基于多特征深度学习的车辆检测方法,其特征在于,在步骤S2中,所述特征信息包括灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息。
4.根据权利要求3所述的基于多特征深度学习的车辆检测方法,其特征在于,所述步骤S3具体包括:对源图像分别进行灰度变换、X方向上的Sobel边缘检测、Y方向上的Sobel边缘检测,得到灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息三个单通道图像,并舍弃原来的RGB颜色特征。
5.根据权利要求3所述的基于多特征深度学习的车辆检测方法,其特征在于,所述步骤S4具体包括:
S41、在组合特征卷积神经网络中输入灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息;
S42、灰度信息、X方向上的Sobel边缘检测信息、Y方向上的Sobel边缘检测信息分别经过第一卷积层、第一池化层,得到三个维度为n的特征向量;
S43、将三个特征向量进行组合,得到维度为3*n的组合特征向量;将组合特征向量作为下一个卷积层的输入,经过若干组卷积层计算并均值池化后,输入到全连接层,最终输出车辆坐标位置。
6.根据权利要求5所述的基于多特征深度学习的车辆检测方法,其特征在于,所述步骤S42具体包括:
S421、灰度图像经过第一卷积层进行卷积计算Conv(5,1,32),卷积核大小为5*5,滑动时每次移动1个像素,总共32个特征图像;经过第一池化层采用最大池化Pooling(3,2),池化范围大小为3*3,每次移动2个像素,得到灰度图像的特征向量(x1,x2,...,xn);
S422、X方向上的Sobel边缘图像经过经过第一卷积层进行卷积计算Conv(5,1,32),卷积核大小为5*5,滑动时每次移动1个像素,总共32个特征图像;经过第一池化层采用最大池化Pooling(3,2),池化范围大小为3*3,每次移动2个像素,得到X方向上的Sobel边缘图像的特征向量(y1,y2,...,yn);
S422、Y方向上的Sobel边缘图像经过经过卷积层进行卷积计算Conv(5,1,32),卷积核大小为5*5,滑动时每次移动1个像素,总共32个特征图像;经过池化层采用最大池化Pooling(3,2),池化范围大小为3*3,每次移动2个像素,得到Y方向上的Sobel边缘图像的特征向量(z1,z2,...,zn)。
7.根据权利要求5所述的基于多特征深度学习的车辆检测方法,其特征在于,所述步骤S43具体包括:
S431、将步骤S2中的三个特征向量进行组合,得到维度为3*n的组合特征向量(x1,x2,...,xn,y1,y2,...,yn,z1,z2,...,zn),作为下一个卷积层的输入;
S431、经过第二卷积层进行卷积计算Conv2(5,1,32),卷积核大小为5*5,滑动时每次移动1个像素,总共32个特征图像;
S432、经过第二池化层采用均值池化Pooling(3,2),池化范围大小为3*3,每次移动2个像素;
S433、经过第三卷积层进行卷积计算Conv3(5,1,64),卷积核大小为3*3,滑动时每次移动2个像素,总共64个特征图像;
S434、经过第三池化层采用均值池化Pooling(3,2),池化范围大小为3*3,每次移动2个像素;
S435、经过第一全连接层FC(512),全连接层的节点个数为64个;
S436、经过第二全连接层FC(4),全连接层的节点个数为4个,最终输出四个数字输出(4),表示车辆位置的坐标。
8.根据权利要求7所述的基于多特征深度学习的车辆检测方法,其特征在于,所述步骤S436还包括:经过损失函数层,最终输出四个数字输出(4)转换为真实坐标数值。
9.一种根据权利要求1至8任一所述的方法进行车辆检测的装置,其特征在于,包括获取单元、图像预处理单元、训练单元和检测单元;
所述获取单元用于获取抓拍的检测车辆图像;
所述图像预处理单元用于用于对车辆图像提取三个通道的特征信息,包括:灰度信息、X方向上的Sobel边缘检测、Y方向上的Sobel边缘检测;
所述训练单元用于通过组合特征卷积神经网络训练得到的车辆检测模型;
所述检测单元用于将预处理之后的图像输入到车辆检测模型中进行车辆检测,输出车辆的相对位置。
10.根据权利要求9所述的车辆检测装置,其特征在于,所述训练单元具体包括:获取若干车辆样本图像,组成源样本,并标注样本图像中每辆车的有外接矩形框;提取样本集中每一个样本图片的三通道信息:灰度信息、X方向上的Sobel边缘检测、Y方向上的Sobel边缘检测;将三个通道信息输入到组合特征卷积神经网络中进行训练,根据检测结果与所述外接矩形框调整所述卷积核内的参数和全连接层的参数,直至所述检测结果中车辆的位置与所述外接矩形框尽可能接近,得到车辆检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610952774.3A CN107067015B (zh) | 2016-10-27 | 2016-10-27 | 一种基于多特征深度学习的车辆检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610952774.3A CN107067015B (zh) | 2016-10-27 | 2016-10-27 | 一种基于多特征深度学习的车辆检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107067015A true CN107067015A (zh) | 2017-08-18 |
CN107067015B CN107067015B (zh) | 2020-09-11 |
Family
ID=59617174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610952774.3A Active CN107067015B (zh) | 2016-10-27 | 2016-10-27 | 一种基于多特征深度学习的车辆检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107067015B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108074244A (zh) * | 2017-09-07 | 2018-05-25 | 汉鼎宇佑互联网股份有限公司 | 一种融合深度学***安城市车流统计方法 |
CN108615358A (zh) * | 2018-05-02 | 2018-10-02 | 安徽大学 | 一种道路拥堵检测方法及装置 |
CN109753885A (zh) * | 2018-12-14 | 2019-05-14 | 中国科学院深圳先进技术研究院 | 一种目标检测方法、装置以及行人检测方法、*** |
CN109993789A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 一种共享单车的违停判定方法、装置及相机 |
CN110991201A (zh) * | 2019-11-25 | 2020-04-10 | 浙江大华技术股份有限公司 | 条码检测方法及相关装置 |
CN111079744A (zh) * | 2019-12-06 | 2020-04-28 | 鲁东大学 | 适用于复杂光照环境的车辆车牌智能识别方法及装置 |
CN111400040A (zh) * | 2020-03-12 | 2020-07-10 | 重庆大学 | 基于深度学习和边缘计算的工业互联网***及工作方法 |
CN111428796A (zh) * | 2020-03-27 | 2020-07-17 | 上海媒智科技有限公司 | 一种基于深度学习的通用物品检测方法及*** |
CN111507162A (zh) * | 2019-01-30 | 2020-08-07 | 斯特拉德视觉公司 | 基于车辆间通信的协作的盲点警告方法及装置 |
US11388223B2 (en) | 2019-07-29 | 2022-07-12 | Hitachi, Ltd. | Management device, management method, and management program |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105354572A (zh) * | 2015-12-10 | 2016-02-24 | 苏州大学 | 一种基于简化卷积神经网络的车牌自动识别*** |
WO2016097758A1 (en) * | 2014-12-19 | 2016-06-23 | Apical Limited | Sensor noise profile |
-
2016
- 2016-10-27 CN CN201610952774.3A patent/CN107067015B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2016097758A1 (en) * | 2014-12-19 | 2016-06-23 | Apical Limited | Sensor noise profile |
CN105354572A (zh) * | 2015-12-10 | 2016-02-24 | 苏州大学 | 一种基于简化卷积神经网络的车牌自动识别*** |
Non-Patent Citations (1)
Title |
---|
张贵英等: "基于计算机视觉的自动驾驶算法研究综述", 《贵州师范学院学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108074244A (zh) * | 2017-09-07 | 2018-05-25 | 汉鼎宇佑互联网股份有限公司 | 一种融合深度学***安城市车流统计方法 |
CN108074244B (zh) * | 2017-09-07 | 2021-05-25 | 汉鼎宇佑互联网股份有限公司 | 一种融合深度学***安城市车流统计方法 |
CN109993789A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 一种共享单车的违停判定方法、装置及相机 |
CN109993789B (zh) * | 2017-12-29 | 2021-05-25 | 杭州海康威视数字技术股份有限公司 | 一种共享单车的违停判定方法、装置及相机 |
CN108615358A (zh) * | 2018-05-02 | 2018-10-02 | 安徽大学 | 一种道路拥堵检测方法及装置 |
CN109753885A (zh) * | 2018-12-14 | 2019-05-14 | 中国科学院深圳先进技术研究院 | 一种目标检测方法、装置以及行人检测方法、*** |
CN111507162A (zh) * | 2019-01-30 | 2020-08-07 | 斯特拉德视觉公司 | 基于车辆间通信的协作的盲点警告方法及装置 |
CN111507162B (zh) * | 2019-01-30 | 2023-11-07 | 斯特拉德视觉公司 | 基于车辆间通信的协作的盲点警告方法及装置 |
US11388223B2 (en) | 2019-07-29 | 2022-07-12 | Hitachi, Ltd. | Management device, management method, and management program |
CN110991201B (zh) * | 2019-11-25 | 2023-04-18 | 浙江大华技术股份有限公司 | 条码检测方法及相关装置 |
CN110991201A (zh) * | 2019-11-25 | 2020-04-10 | 浙江大华技术股份有限公司 | 条码检测方法及相关装置 |
CN111079744B (zh) * | 2019-12-06 | 2020-09-01 | 鲁东大学 | 适用于复杂光照环境的车辆车牌智能识别方法及装置 |
CN111079744A (zh) * | 2019-12-06 | 2020-04-28 | 鲁东大学 | 适用于复杂光照环境的车辆车牌智能识别方法及装置 |
CN111400040A (zh) * | 2020-03-12 | 2020-07-10 | 重庆大学 | 基于深度学习和边缘计算的工业互联网***及工作方法 |
CN111428796A (zh) * | 2020-03-27 | 2020-07-17 | 上海媒智科技有限公司 | 一种基于深度学习的通用物品检测方法及*** |
CN111428796B (zh) * | 2020-03-27 | 2024-04-02 | 上海媒智科技有限公司 | 一种基于深度学习的通用物品检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107067015B (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107067015A (zh) | 一种基于多特征深度学习的车辆检测方法及装置 | |
CN108776772B (zh) | 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质 | |
CN107561738B (zh) | 基于fcn的tft-lcd表面缺陷快速检测方法 | |
US10346720B2 (en) | Rotation variant object detection in Deep Learning | |
CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和*** | |
CN104050471B (zh) | 一种自然场景文字检测方法及*** | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN103679168B (zh) | 文字区域检测方法及装置 | |
CN108197623A (zh) | 用于检测目标的方法和装置 | |
CN108681692A (zh) | 一种基于深度学习的遥感图像内新增建筑识别方法 | |
CN107886080A (zh) | 一种泊车位检测方法 | |
CN107229929A (zh) | 一种基于r‑cnn的车牌定位方法 | |
CN112488046B (zh) | 一种基于无人机高分辨率影像的车道线提取方法 | |
CN107545263B (zh) | 一种物体检测方法及装置 | |
CN111160328B (zh) | 一种基于语义分割技术的交通标线自动提取的方法 | |
CN111008632B (zh) | 一种基于深度学习的车牌字符分割方法 | |
CN106709518A (zh) | 基于Android平台的盲道识别*** | |
CN113298024A (zh) | 一种基于轻量化神经网络的无人机对地小目标识别方法 | |
US20090257650A1 (en) | Image processing method and medium to extract a building region from an image | |
CN109961013A (zh) | 车道线的识别方法、装置、设备及计算机可读存储介质 | |
WO2020151148A1 (zh) | 基于神经网络的黑白照片色彩恢复方法、装置及存储介质 | |
CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN113392930B (zh) | 基于多层次分治网络的交通标志目标检测方法 | |
CN109993806A (zh) | 一种颜色识别方法、装置及电子设备 | |
CN111062381B (zh) | 一种基于深度学习的车牌位置检测方法 |
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 |