CN108921013B - 一种基于深度神经网络的视觉场景识别***及方法 - Google Patents

一种基于深度神经网络的视觉场景识别***及方法 Download PDF

Info

Publication number
CN108921013B
CN108921013B CN201810472012.2A CN201810472012A CN108921013B CN 108921013 B CN108921013 B CN 108921013B CN 201810472012 A CN201810472012 A CN 201810472012A CN 108921013 B CN108921013 B CN 108921013B
Authority
CN
China
Prior art keywords
scene
network
time
neural network
weather
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
Application number
CN201810472012.2A
Other languages
English (en)
Other versions
CN108921013A (zh
Inventor
缪其恒
王江明
许炜
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.)
Zhejiang Zero Run Technology Co Ltd
Original Assignee
Zhejiang Leapmotor Technology 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 Zhejiang Leapmotor Technology Co Ltd filed Critical Zhejiang Leapmotor Technology Co Ltd
Priority to CN201810472012.2A priority Critical patent/CN108921013B/zh
Publication of CN108921013A publication Critical patent/CN108921013A/zh
Application granted granted Critical
Publication of CN108921013B publication Critical patent/CN108921013B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06N3/045—Combinations of 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

一种基于深度神经网络的视觉场景识别***，包括：车载视觉***，用于采集车辆前视视觉图像；离线训练模块，用于利用深度卷积神经网络对视觉输入对从车载视觉***采集的车辆前视视觉图像中进行样本采集，进行标注，生成样本标签，并进行神经网络参数分步训练；所述深度卷积神经网络由共享两层浅层卷积特征的三分支分类网络构成，通过样本和训练任务训练网络参数；以及，在线分析模块，采用网络压缩和分时并行分析策略对所述离线训练模块训练后的样本进行实时场景分析，输出车载视觉***所处道路场景的天时、天候以及场景异常状态。

Description

一种基于深度神经网络的视觉场景识别***及方法
技术领域
本发明涉及车辆安全领域，特别涉及一种基于深度神经网络的视觉场景识别***及方法。
背景技术
智能化如今成为了汽车行业的重要发展方向，基于视觉传感器的感知技术日趋成熟，并且在车辆主动安全领域的应用愈发广泛。对于视觉***而言，针对不同道路环境，从图像采集到应用层算法都会从参数以及策略层面做相应的调整，因而准确的识别视觉输入中的场景信息具有很强的应用价值与意义，并且，视觉场景的异常诊断可以进一步增强***的鲁棒性与容错性。
现有视觉***大多不具备完善的此类基本算法，现有的天时判断大多基于***时钟，天气判断则基于雨量等辅助传感器，此类方法与视觉***输入本身并不具备强关联性，因而在一些边界情况效果较差。视觉场景的异常诊断则基于视觉输入的分块亮度统计，阈值难以设定，鲁棒性较差。
发明内容
本发明的一个目的在于解决上述现有技术存在的现有天时判断大多基于***时钟，天气判断则基于雨量等辅助传感器，此类方法与视觉***输入本身并不具备强关联性，因而在一些边界情况效果较差的问题，提供了一种基于深度神经网络的视觉场景识别***及方法。
本发明解决其技术问题所采用的技术方案是：一种基于深度神经网络的视觉场景识别***，包括：车载视觉***，用于采集车辆前视视觉图像；离线训练模块，用于利用深度卷积神经网络对视觉输入对从车载视觉***采集的车辆前视视觉图像中进行样本采集，进行标注，生成样本标签，并进行神经网络参数分步训练；所述深度卷积神经网络由共享两层浅层卷积特征的三分支分类网络构成，通过样本和训练任务训练网络参数；以及，在线分析模块，采用网络压缩和分时并行分析策略并利用所述离线训练模块训练后的深度卷积神经网络进行实时场景分析，输出车载视觉***所处道路场景的天时、天候以及场景异常状态。
本发明利用多任务深度卷积神经网络，对视觉场景所处的天时、天气以及场景异常状况进行识别，输入与视觉***本身相关性更强，因而对于视觉***的底层采集以及上层应用所需的配置参数设置更准确且鲁棒性更强，从而可以进一步提升视觉***本身的感知能力与鲁棒性，输出一方面可以为图像采集以及应用算法提供相关先验信息，如曝光参数、检测分类器选择以及图像处理阈值等，另一方面可以为视觉***提供图像输入异常的常见诊断，如图像模糊、镜头遮挡等。
进一步地，所述深度卷积神经网络由共享两层浅层卷积特征的三分支分类网络构成，包括：天时识别网络：天时识别网络输入为共享浅层特征，输出为白天、黄昏以及夜晚三种天时分类；天候识别网络：天候识别网络输入为共享浅层特征，输出为晴天、多云、雨天、雪天以及雾天五种天候分类；以及，场景异常识别网络：场景异常识别网络输入为共享浅层特征，输出为场景正常、场景遮挡、场景模糊、场景过暗以及场景过曝五种异常场景分类。
进一步地，所述离线训练模块包括样本采集与标注单元、神经网络参数分步训练单元；所述样本采集与标注单元，用于离线采集车辆前视视觉图像，提取离散时序训练样本，利用空间变换，进行样本扩充；均衡各任务各类别样本分布，进行标注，生成样本标签；所述任务包括：天时识别、天候识别以及场景异常识别；所述类别包括：天时类别、天候类别以及场景异常类别；对于天时类别的样本标签：0-白天，1-黄昏，2-夜晚；对于天候类别的样本标签：0-晴天，1-多云，2-雨天，3-雪天，4-雾天；以及，对于场景异常类别的样本标签：0-正常，1-遮挡，2-模糊，3-过亮，4-过暗；
所述神经网络参数分步训练单元，用于分类任务训练，采用交叉熵作为损失函数，首先训练共享特征层参数，各任务对权重更新贡献系数相同，即：
Loss＝1/3*L_time+1/3*L_weather+1/3*L_abnormal；然后固化共享特征层卷积参数，各任务按各自损失函数更新各分支网络权重系数。
进一步地，所述在线分析模块，包括网络压缩单元和分时并行分析单元；所述网络压缩单元，用于将离线网络训练所得的神经网络参数进行量化与稀疏化，利用测试集评测压缩后网络的输出精度损失，并确定是否对量化后模型按照量化后数据精度重新训练；所述分时并行分析单元，用于对场景异常检测每帧优先执行，天气及天候检测采用隔帧或跳帧执行方式；前端应用中，采用双线程或多线程并行的方式，一个线程执行场景异常识别，另一个线程分时交替进行天时与天候识别，卷积神经网络硬件加速单元申请优先级以场景异常识别网络优先。
本发明还提供了一种基于深度神经网络的视觉场景识别方法，通过车载视觉***采集车辆前视视觉图像，利用深度卷积神经网络对视觉图像进行离线网络训练，再进行在线场景分析，输出车载视觉***所处道路场景的天时、天候以及场景异常状态；所述深度卷积神经网络由共享两层浅层卷积特征的三分支分类网络构成，通过样本以及训练任务训练网络参数。
进一步地，所述深度卷积神经网络由共享两层浅层卷积特征的三分支分类网络构成，包括：天时识别网络：天时识别网络输入为共享浅层特征，输出为白天、黄昏以及夜晚三种天时分类；天候识别网络：天候识别网络输入为共享浅层特征，输出为晴天、多云、雨天、雪天以及雾天五种天候分类；以及，场景异常识别网络：场景异常识别网络输入为共享浅层特征，输出为场景正常、场景遮挡、场景模糊、场景过暗以及场景过曝五种异常场景分类。
进一步地，所述离线网络训练包括：样本采集与标注，神经网络参数分步训练；所述样本采集与标注是指：离线采集车辆前视视觉图像，提取离散时序训练样本，利用空间变换，进行样本扩充；均衡各任务各类别样本分布，进行标注，生成样本标签；所述任务包括：天时识别、天候识别以及场景异常识别；所述类别包括：天时类别、天候类别以及场景异常类别；对于天时类别的样本标签：0-白天，1-黄昏，2-夜晚；对于天候类别的样本标签：0-晴天，1-多云，2-雨天，3-雪天，4-雾天；以及，对于场景异常类别的样本标签：0-正常，1-遮挡，2-模糊，3-过亮，4-过暗；所述神经网络参数分步训练是指：采用分类任务训练，损失函数采用交叉熵，首先训练共享特征层参数，各任务对权重更新贡献系数相同，即：
Loss＝1/3*L_time+1/3*L_weather+1/3*L_abnormal；
然后固化共享特征层卷积参数，各任务按各自损失函数更新各分支网络权重系数。
进一步地，所述在线场景分析，包括网络压缩和分时并行分析策略；所述网络压缩是指：将离线网络训练所得的神经网络参数进行量化与稀疏化，其中，量化数据位长以及稀疏化程度为配置参数；利用测试集评测压缩后网络输出精度损失，并确定是否对用量化后模型按照量化后数据精度重新训练；所述分时并行分析策略是指：场景异常检测每帧优先执行，天气及天候检测采用隔帧或跳帧执行方式；前端应用中，采用双线程或多线程并行的方式，一个线程执行场景异常识别，另一个线程分时交替进行天时与天候识别，卷积神经网络硬件加速单元申请优先级以场景异常识别网络优先。
本发明的实质性效果：本发明利用深度卷积神经网络对输入图像进行场景信息识别，可以有效识别当前车辆所处的环境信息，包括天时、天候等，此类信息可以通过优化相关参数配置来有效提升视觉***的采集图像质量以及应用算法运行效率与效果。同时，本发明所提出的方法还能够对视觉输入场景中的镜头遮挡、模糊以及亮度异常进行识别，能够有效提升视觉***的故障诊断能力与容错性。并且本发明的网络结构具有可延展性，可以通过添加其他分类任务分支以丰富场景分类结果。
附图说明
图1为本发明的一种***结构总图；
图2为本发明的一种多任务场景识别深度神经网络架构图。
具体实施方式
下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的具体说明。
本发明基于车载相机视觉输入，对车辆所处的驾驶环境以及视觉***场景状态判断，为相关算法提供基础配置信息，***输入为前视车载相机输入，输出为天气状况、天时状况以及摄像头遮挡状况等，提供了一种基于深度神经网络的视觉场景识别***，如图1所示，包括：车载视觉***，用于采集车辆前视视觉图像；离线训练模块，用于从车载视觉***采集的车辆前视视觉图像中进行样本采集，并进行标注，生成样本标签，并进行神经网络参数分步训练，得到深度卷积神经网络；在线分析模块，基于车载视觉***的输入，利用离线训练模块训练所得的深度卷积神经网络，进行实时场景分析；以及，输出模块，用于输出车载视觉***所处道路场景的天时、天候以及场景异常状态。
离线训练模块包括样本采集与标注单元、神经网络参数分步训练单元。样本采集与标注单元，用于离线采集车辆前视视觉图像，提取离散时序训练样本，利用空间变换，进行样本扩充；均衡各任务各类别样本分布，进行标注，生成样本标签；所述任务包括：天时识别、天候识别以及场景异常识别；所述类别包括：天时类别、天候类别以及场景异常类别；对于天时类别的样本标签：0-白天，1-黄昏，2-夜晚；对于天候类别的样本标签：0-晴天，1-多云，2-雨天，3-雪天，4-雾天；以及，对于场景异常类别的样本标签：0-正常，1-遮挡，2-模糊，3-过亮，4-过暗；所述神经网络参数分步训练单元，用于分类任务训练，采用交叉熵作为损失函数，首先训练共享特征层参数，各任务对权重更新贡献系数相同，即：
Loss＝1/3*L_time+1/3*L_weather+1/3*L_abnormal；然后固化共享特征层卷积参数，各任务按各自损失函数更新各分支网络权重系数。
在线分析模块，包括网络压缩单元和分时并行分析单元；所述网络压缩单元，用于将离线网络训练所得的神经网络参数进行量化与稀疏化，利用测试集评测压缩后网络的输出精度损失，并确定是否对量化后模型按照量化后数据精度重新训练；所述分时并行分析单元，用于对场景异常检测每帧优先执行，天气及天候检测采用隔帧或跳帧执行方式；前端应用中，采用双线程或多线程并行的方式，一个线程执行场景异常识别，另一个线程分时交替进行天时与天候识别，卷积神经网络硬件加速单元申请优先级以场景异常识别网络优先。
一种基于深度神经网络的视觉场景识别方法，通过车载视觉***采集车辆前视视觉图像，对采集的车辆前视视觉图像进行离线网络训练，得到深度卷积神经网络；基于车载视觉***的输入，利用离线训练模块训练所得的深度卷积神经网络，进行在线场景分析，输出车载视觉***所处道路场景的天时、天候以及场景异常状态。
1、多任务深度神经网络架构：本发明所采用的深度卷积神经网络由共享两层浅层卷积特征的三分支分类网络构成，网络架构如图2所示，各分支网络结构复用，通过不同样本以及训练任务训练不同网络参数，具体分支网络结构如下：
1.1天时识别网络：天时识别网络输入为共享浅层特征，输出为白天、黄昏及夜晚(包含隧道)三种天时以及天时类似分类。
1.2天候识别网络：天候识别网络输入为共享浅层特征，输出为晴天、多云(阴天)、雨天、雪天以及雾天五种天候分类。
1.3场景异常识别网络：场景异常识别网络输入为共享浅层特征，输出为场景正常、场景遮挡、场景模糊、场景过暗以及场景过曝五种异常场景分类。
2离线网络训练：采集前视驾驶场景数据样本，并作相应标注，分三类识别任务分别训练各分支网络参数：
2.1样本采集与标注：离线采集车载前视驾驶场景数据，提取离散时序训练样本100000张，均衡各任务各类别样本分布，人工标注生成样本标签。标签内容包含：天时类别(0-白天，1-黄昏，2-夜晚)，天候类别(0-晴天，1-多云(阴天)，2-雨天，3-雪天，4-雾天)以及场景异常类别(0-正常，1-遮挡，2-模糊，3-过亮，4-过暗)。利用图像色域、几何等空间变换，进行样本扩充(若采集样本进一步扩充，此步骤可省略)。
2.2网络参数分步训练：由于训练均为分类任务，损失函数采用交叉熵。
首先训练共享特征层参数，各任务对权重更新贡献系数相同，即：
Loss＝1/3*L_time+1/3*L_weather+1/3*L_abnormal
然后固化共享特征层卷积参数，各任务按各自损失函数更新各分支网络权重系数。
3、在线场景分析：基于车载视觉输入，利用2中训练所得的深度卷积神经网络，进行实时场景分析，包括网络压缩和分时并行分析策略。
3.1网络压缩：将2中训练所得的神经网络参数进行量化(8/16位)与稀疏化(20％-50％)，其中，量化数据位长以及稀疏化程度为可配置参数，利用测试集评测压缩后网络输出精度损失，并确定是否对用量化后模型按照量化后数据精度重新训练。
3.2分时并行分析策略：场景异常检测优先级较高，需要每帧优先执行，天气及天候检测相对结果更新频率较低，可采用隔帧或跳帧执行的方式，前端应用中，可采用双线程(或多线程)并行的方式，一个线程执行场景异常识别，另一个线程分时交替做天时与天候识别，卷积神经网络硬件加速单元申请优先级以场景异常识别网络优先。以上所述实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其他的变体及改型。

Claims (6)

1.一种基于深度神经网络的视觉场景识别***，其特征在于，包括：
车载视觉***，用于采集车辆前视视觉图像；
离线训练模块，用于利用深度卷积神经网络对从车载视觉***采集的车辆前视视觉图像中进行样本采集，进行标注，生成样本标签，并进行神经网络参数分步训练；所述深度卷积神经网络由共享两层浅层卷积特征的三分支分类网络构成，通过样本和训练任务训练网络参数；以及，
在线分析模块，采用网络压缩和分时并行分析策略并利用所述离线训练模块训练后的深度卷积神经网络进行实时场景分析，输出车载视觉***所处道路场景的天时、天候以及场景异常状态；
所述离线训练模块包括样本采集与标注单元、神经网络参数分步训练单元；
所述样本采集与标注单元，用于离线采集车辆前视视觉图像，提取离散时序训练样本，利用空间变换，进行样本扩充；均衡各任务各类别样本分布，进行标注，生成样本标签；
所述任务包括：天时识别、天候识别以及场景异常识别；
所述类别包括：天时类别、天候类别以及场景异常类别；
对于天时类别的样本标签：0-白天，1-黄昏，2-夜晚；
对于天候类别的样本标签：0-晴天，1-多云，2-雨天，3-雪天，4-雾天；以及，
对于场景异常类别的样本标签：0-正常，1-遮挡，2-模糊，3-过亮，4-过暗；所述神经网络参数分步训练单元，用于分类任务训练，采用交叉熵作为损失函数，首先训练共享特征层参数，各任务对权重更新贡献系数相同，即：
Loss＝1/3*L_time+1/3*L_weather+1/3*L_abnormal；
然后固化共享特征层卷积参数，各任务按各自损失函数更新各分支网络权重系数。
2.根据权利要求1所述的一种基于深度神经网络的视觉场景识别***，其特征在于，所述深度卷积神经网络由共享两层浅层卷积特征的三分支分类网络构成，包括：
天时识别网络：天时识别网络输入为共享浅层特征，输出为白天、黄昏以及夜晚三种天时分类；
天候识别网络：天候识别网络输入为共享浅层特征，输出为晴天、多云、雨天、雪天以及雾天五种天候分类；以及，
场景异常识别网络：场景异常识别网络输入为共享浅层特征，输出为场景正常、场景遮挡、场景模糊、场景过暗以及场景过曝五种异常场景分类。
3.根据权利要求1所述的一种基于深度神经网络的视觉场景识别***，其特征在于，所述在线分析模块，包括网络压缩单元和分时并行分析单元；
所述网络压缩单元，用于将离线网络训练所得的神经网络参数进行量化与稀疏化，利用测试集评测压缩后网络的输出精度损失，并确定是否对量化后模型按照量化后数据精度重新训练；
所述分时并行分析单元，用于对场景异常检测每帧优先执行，天气及天候检测采用隔帧或跳帧执行方式；前端应用中，采用双线程或多线程并行的方式，一个线程执行场景异常识别，另一个线程分时交替进行天时与天候识别，卷积神经网络硬件加速单元申请优先级以场景异常识别网络优先。
4.一种基于深度神经网络的视觉场景识别方法，其特征在于，通过车载视觉***采集车辆前视视觉图像，利用深度卷积神经网络对视觉图像进行离线网络训练，再进行在线场景分析，输出车载视觉***所处道路场景的天时、天候以及场景异常状态；
所述深度卷积神经网络由共享两层浅层卷积特征的三分支分类网络构成，通过样本以及训练任务训练网络参数；
所述离线网络训练包括：样本采集与标注以及神经网络参数分步训练；
所述样本采集与标注是指：离线采集车辆前视视觉图像，提取离散时序训练样本，利用空间变换，进行样本扩充；均衡各任务各类别样本分布，进行标注，生成样本标签；
所述任务包括：天时识别、天候识别以及场景异常识别；所述类别包括：天时类别、天候类别以及场景异常类别；
对于天时类别的样本标签：0-白天，1-黄昏，2-夜晚；
对于天候类别的样本标签：0-晴天，1-多云，2-雨天，3-雪天，4-雾天；以及，
对于场景异常类别的样本标签：0-正常，1-遮挡，2-模糊，3-过亮，4-过暗；
所述神经所述网络参数分步训练是指：采用分类任务训练，损失函数采用交叉熵，首先训练共享特征层参数，各任务对权重更新贡献系数相同，即：
Loss＝1/3*L_time+1/3*L_weather+1/3*L_abnormal；
然后固化共享特征层卷积参数，各任务按各自损失函数更新各分支网络权重系数。
5.根据权利要求4所述的一种基于深度神经网络的视觉场景识别方法，其特征在于，所述深度卷积神经网络由共享两层浅层卷积特征的三分支分类网络构成，包括：
天时识别网络：天时识别网络输入为共享浅层特征，输出为白天、黄昏以及夜晚三种天时分类；
天候识别网络：天候识别网络输入为共享浅层特征，输出为晴天、多云、雨天、雪天以及雾天五种天候分类；以及，
场景异常识别网络：场景异常识别网络输入为共享浅层特征，输出为场景正常、场景遮挡、场景模糊、场景过暗以及场景过曝五种异常场景分类。
6.根据权利要求4所述的一种基于深度神经网络的视觉场景识别方法，其特征在于，所述在线场景分析，包括网络压缩和分时并行分析策略；
所述网络压缩是指：将离线网络训练所得的神经网络参数进行量化与稀疏化，其中，量化数据位长以及稀疏化程度为配置参数；利用测试集评测压缩后网络输出精度损失，并确定是否对用量化后模型按照量化后数据精度重新训练；
所述分时并行分析策略是指：场景异常检测每帧优先执行，天气及天候检测采用隔帧或跳帧执行方式；前端应用中，采用双线程或多线程并行的方式，一个线程执行场景异常识别，另一个线程分时交替进行天时与天候识别，卷积神经网络硬件加速单元申请优先级以场景异常识别网络优先。
CN201810472012.2A 2018-05-16 2018-05-16 一种基于深度神经网络的视觉场景识别***及方法 Active CN108921013B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810472012.2A CN108921013B (zh) 2018-05-16 2018-05-16 一种基于深度神经网络的视觉场景识别***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810472012.2A CN108921013B (zh) 2018-05-16 2018-05-16 一种基于深度神经网络的视觉场景识别***及方法

Publications (2)

Publication Number Publication Date
CN108921013A CN108921013A (zh) 2018-11-30
CN108921013B true CN108921013B (zh) 2020-08-18

Family

ID=64402563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810472012.2A Active CN108921013B (zh) 2018-05-16 2018-05-16 一种基于深度神经网络的视觉场景识别***及方法

Country Status (1)

Country Link
CN (1) CN108921013B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858372B (zh) * 2018-12-29 2021-04-27 浙江零跑科技有限公司 一种车道级精度自动驾驶结构化数据分析方法
CN109740551A (zh) * 2019-01-09 2019-05-10 贵州宽凳智云科技有限公司 一种基于计算机视觉的夜间车道线识别方法及***
CN109934096B (zh) * 2019-01-22 2020-12-11 浙江零跑科技有限公司 基于特征时序相关性的自动驾驶视觉感知优化方法
CN109784298A (zh) * 2019-01-28 2019-05-21 南京航空航天大学 一种基于深度学习的室外非固定场景天气识别方法
CN109766873B (zh) * 2019-02-01 2021-04-06 中国人民解放军陆军工程大学 一种混合可变形卷积的行人再识别方法
CN110135261A (zh) * 2019-04-15 2019-08-16 北京易华录信息技术股份有限公司 一种训练道路异常识别模型、道路异常识别的方法及***
CN110119768B (zh) * 2019-04-24 2023-10-31 苏州感测通信息科技有限公司 用于车辆定位的视觉信息融合***及方法
CN110186471A (zh) * 2019-05-06 2019-08-30 平安科技（深圳）有限公司 基于历史视频的导航方法、装置、计算机设备及存储介质
CN111950572A (zh) * 2019-05-14 2020-11-17 北京字节跳动网络技术有限公司 训练分类器的方法、装置、电子设备和计算机可读存储介质
CN110543600A (zh) * 2019-09-11 2019-12-06 上海携程国际旅行社有限公司 基于神经网络的搜索排序方法、***、设备和存储介质
CN111259719B (zh) * 2019-10-28 2023-08-25 浙江零跑科技股份有限公司 一种基于多目红外视觉***的驾驶室场景分析方法
CN113011216B (zh) * 2019-12-19 2024-04-02 合肥君正科技有限公司 一种多分类阈值自适应的遮挡检测方法
CN111178253B (zh) * 2019-12-27 2024-02-27 佑驾创新(北京)技术有限公司 自动驾驶的视觉感知方法、装置、计算机设备和存储介质
CN111797763A (zh) * 2020-07-02 2020-10-20 北京灵汐科技有限公司 一种场景识别方法和***
CN111967577B (zh) * 2020-07-29 2024-04-05 华北电力大学 一种基于变分自编码器的能源互联网场景生成方法
CN111950656B (zh) * 2020-08-25 2021-06-25 深圳思谋信息科技有限公司 图像识别模型生成方法、装置、计算机设备和存储介质
CN112669316B (zh) * 2021-01-29 2023-05-30 南方电网调峰调频发电有限公司 电力生产异常监控方法、装置、计算机设备和存储介质
CN113252058B (zh) * 2021-05-24 2024-06-28 北京航迹科技有限公司 一种imu数据处理方法、***、装置及存储介质
CN113903081A (zh) * 2021-09-29 2022-01-07 北京许继电气有限公司 一种水电厂图像视觉识别人工智能报警方法及装置
CN115107832A (zh) * 2022-08-09 2022-09-27 中车唐山机车车辆有限公司 列车前照灯控制方法、车载终端、控制***及存储介质
CN115631482B (zh) * 2022-11-30 2023-04-04 广汽埃安新能源汽车股份有限公司 驾驶感知信息采集方法、装置、电子设备和可读介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9734425B2 (en) * 2015-02-11 2017-08-15 Qualcomm Incorporated Environmental scene condition detection
CN105069472B (zh) * 2015-08-03 2018-07-27 电子科技大学 一种基于卷积神经网络自适应的车辆检测方法
CN105184271A (zh) * 2015-09-18 2015-12-23 苏州派瑞雷尔智能科技有限公司 一种基于深度学习的车辆自动检测方法
CN105539326A (zh) * 2015-12-24 2016-05-04 百利得汽车主动安全***（苏州）有限公司 一种基于车载摄像头的天气识别***及方法
CN105575119B (zh) * 2015-12-29 2018-06-19 大连楼兰科技股份有限公司 路况气候深度学习及识别方法和装置
US20180040248A1 (en) * 2016-08-04 2018-02-08 Herman L. Bigham Anti-Collision, Accident Prevention Car Safety Systems to Provide Visibility when Passing, Pulling or Backing out of Parking Spaces/Driveways and Entering or Crossing Intersections

Also Published As

Publication number Publication date
CN108921013A (zh) 2018-11-30

Similar Documents

Publication Publication Date Title
CN108921013B (zh) 一种基于深度神经网络的视觉场景识别***及方法
CN111339882B (zh) 基于实例分割的输电线路隐患检测方法
CN108304813B (zh) 一种智能识别圆形交通信号灯状态的方法
CN110310241B (zh) 一种融合深度区域分割的多大气光值交通图像去雾方法
CN103258332B (zh) 一种抗光照变化的运动目标的检测方法
CN110866879B (zh) 一种基于多密度雨纹感知的图像去雨方法
EP2549759B1 (en) Method and system for facilitating color balance synchronization between a plurality of video cameras as well as method and system for obtaining object tracking between two or more video cameras
Zhang et al. Bridge damage detection using a single-stage detector and field inspection images
CN111161160A (zh) 一种雾天障碍物检测方法、装置、电子设备和存储介质
CN212009589U (zh) 一种基于深度学习的视频识别行车车轨迹获取装置
CN114663352A (zh) 一种输电线路缺陷高精度检测方法、***及存储介质
CN114359196A (zh) 雾气检测方法及***
CN113177528A (zh) 基于多任务学习策略训练网络模型的车牌识别方法及***
CN117636227A (zh) 基于低光增强策略的输电线路通道智能可视化监测方法
CN102592125A (zh) 基于标准差特征的运动目标检测方法
CN112232226A (zh) 通过判别式模型检测目标对象的方法和***
CN113689399B (zh) 一种用于电网识别遥感图像处理方法及***
Li et al. Multiple linear regression haze-removal model based on dark channel prior
Wang et al. Low-light traffic objects detection for automated vehicles
CN114140698A (zh) 一种基于FasterR-CNN的水系信息提取算法
CN112766174A (zh) 一种铁路列车车厢组底板丢失故障检测方法
CN111275027A (zh) 实现高速公路雾天检测预警处理的方法
CN111626339A (zh) 一种抗光影和抖动影响的注塑机模腔异常检测方法
CN117115097B (zh) 基于异常检测的teds检测方法及***
CN117690096B (zh) 一种适应不同场景的接触网安全巡检***

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 310051 1st and 6th floors, no.451 Internet of things street, Binjiang District, Hangzhou City, Zhejiang Province

Patentee after: Zhejiang Zero run Technology Co.,Ltd.

Address before: 310051 1st and 6th floors, no.451 Internet of things street, Binjiang District, Hangzhou City, Zhejiang Province

Patentee before: ZHEJIANG LEAPMOTOR TECHNOLOGY Co.,Ltd.