CN109543617A - 基于yolo目标检测技术的智能车辆运动路况信息的检测方法 - Google Patents
基于yolo目标检测技术的智能车辆运动路况信息的检测方法 Download PDFInfo
- Publication number
- CN109543617A CN109543617A CN201811408503.7A CN201811408503A CN109543617A CN 109543617 A CN109543617 A CN 109543617A CN 201811408503 A CN201811408503 A CN 201811408503A CN 109543617 A CN109543617 A CN 109543617A
- Authority
- CN
- China
- Prior art keywords
- training
- intelligent vehicle
- target detection
- traffic information
- convolutional layer
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
基于YOLO目标检测技术的智能车辆运动路况信息的检测方法,它属于智能车运动路况信息检测领域。本发明解决了传统的采集智能车辆运动路况信息的方法的准确率较低、速度较慢的问题。本发明通过将摄像头固定于一定的高度,以一定的角度采集智能车辆所在的路况信息,用心形和星形固定于智能车辆上表示智能车辆,用箭头表示障碍物,用长方形和三角形表示终点,通过加载训练好的模型并对其输入摄像头采集到的信息,能够实时检测出智能车辆所在的路况信息,帧数能够达到每秒40帧,准确率到95%以上。因为运用了深度学习,所以该方法具有鲁棒性高,准确率高,速度快的优点。本发明可以应用于智能车运动路况信息检测领域用。
Description
技术领域
本发明属于智能车运动路况信息检测领域,具体涉及一种智能车辆运动路况信息的检测方法。
背景技术
随着科技的不断发展和进步,智能车的应用也变得越来越普遍,智能车的不断应用在给人们的生活带来便捷的同时,也给人们的研究工作带来了新的挑战。由于智能车辆的运行过程中要完成前进、倒车、转向等一些基本操作,所以为了保证智能车辆的行车安全,必须能够快速、并实时地掌握和了解智能车辆的运动路况信息,传统的智能车辆控制***往往是基于前置摄像头采集路况信息进而进行智能车辆运动的控制,但是这种采集智能车辆运动路况信息的方法的准确率较低、速度较慢。
发明内容
本发明的目的是为解决传统的采集智能车辆运动路况信息的方法的准确率较低、速度较慢的问题。
本发明为解决上述技术问题采取的技术方案是:
基于YOLO目标检测技术的智能车辆运动路况信息的检测方法,该方法包括以下步骤:
步骤一、利用ImageNet数据库对YOLO目标检测模型做预训练,预训练完成后保留YOLO目标检测模型的卷积层和最大池化层,在保留的最后一个卷积层后依次添加一个平均池化层和一个全连接层用于分类任务;
载入预训练好的参数值,并去掉添加的平均池化层和全连接层,在最后一个卷积层后再依次添加四个卷积层和两个全连接层,初始化全连接层的权重值以及偏置值,得到预训练好的YOLO目标检测模型;
步骤二、利用摄像头采集智能车辆路况信息图像,每张图像均包括智能车辆、障碍物和终点三类目标;
步骤三、采用添加随机椒盐噪声、添加高斯噪声和平移的方式对步骤二采集的图像进行图像数据增广,将增广后的图像数据分为训练集和测试集两部分;
步骤四、将训练集样本输入到预训练好的YOLO目标检测模型中,采用计算机图形处理器GPU训练预训练好的YOLO目标检测模型,训练过程中输出损失函数的损失值;
用TensorBoard实时可视化当前的损失值和正确率,训练停止后加载训练的模型,用测试集进行测试,测试完成后将训练结果存入计算机硬盘作为最终的训练模型;
步骤五、利用摄像头采集包含智能车辆运动路况信息的图像,将采集到的图像输入到最终的训练模型中进行目标检测。
本发明的有益效果是:本发明提供了一种基于YOLO目标检测技术的智能车辆运动路况信息的检测方法,本发明通过将摄像头固定于一定的高度,以一定的角度采集智能车辆所在的路况信息,用心形和星形固定于智能车辆上表示智能车辆,用箭头表示障碍物,用长方形和三角形表示终点,通过加载训练好的模型并对其输入摄像头采集到的信息,能够实时检测出智能车辆所在的路况信息,帧数能够达到每秒40帧,准确率到95%以上。因为运用了深度学习,所以该方法具有鲁棒性高,准确率高,速度快的优点。
附图说明
图1为本发明方法的流程图;
图2为本发明训练所使用的图片类别的示意图;
图3为本发明训练过程中总损失值的变化曲线图;
图4为本发明的目标检测结果展示图。
具体实施方式
具体实施方式一:结合图1说明本实施方式。本实施方式所述的基于YOLO目标检测技术的智能车辆运动路况信息的检测方法,该方法具体包括以下步骤:
步骤一、利用ImageNet数据库对YOLO目标检测模型做预训练,预训练完成后保留YOLO目标检测模型的卷积层和最大池化层,在保留的最后一个卷积层后依次添加一个平均池化层和一个全连接层用于分类任务;
载入预训练好的参数值,并去掉添加的平均赤化层和全连接层,在最后一个卷积层后再依次添加四个卷积层和两个全连接层,初始化全连接层的权重值以及偏置值,得到预训练好的YOLO目标检测模型;
步骤二、利用摄像头采集智能车辆路况信息图像,每张图像均包括智能车辆、障碍物和终点三类目标;
步骤三、采用添加随机椒盐噪声、添加高斯噪声和平移的方式对步骤二采集的图像进行图像数据增广,将增广后的图像数据分为训练集和测试集两部分;
步骤四、将训练集样本输入到预训练好的YOLO目标检测模型中,采用计算机图形处理器GPU训练预训练好的YOLO目标检测模型,训练过程中输出损失函数的损失值;
用TensorBoard实时可视化当前的损失值和正确率,训练停止后加载训练的模型,用测试集进行测试,测试完成后将训练结果存入计算机硬盘作为最终的训练模型;
步骤五、将摄像头固定于距离地面2-3m高度,以俯视角35°-55°的角度采集包含智能车辆运动路况信息的图像,将采集到的图像输入到最终的训练模型中进行目标检测。
YOLO算法将检测问题看做是回归问题,采用单个神经网络,利用整个图像的信息来预测目标的边框、识别目标的类别,实现端到端的目标检测,YOLO相比于之前的算法有如下优点:
1)非常快。YOLO的流程简单,速度很快,可以实现实时检测;
2)YOLO采用全图信息进行预测。与滑动窗口、region proposals不同,YOLO在训练、预测过程中利用全图信息。Fast R-CNN方法错误地将背景块检测为目标,原因在于FastR-CNN方法在检测时无法看到全局图像。相比于Fast R-CNN,YOLO可以将背景预测错误率降低一半;
3)YOLO可以学习到目标的概括信息。我们采用自然图像训练YOLO,然后采用艺术图像来预测,YOLO比其他目标检测算法的准确率高很多。
近年来,深度学习已经成为了一种十分热门且应用领域十分广泛的技术,在计算机视觉领域,具有快速性,高准确率的目标检测方法是其核心技术。基于卷积神经网络的图像分类以及目标检测技术与传统的方法相比在准确率以及速度上有十分大的优势。在场景复杂,光线强度变化较大的环境,基于深度学习的目标检测算法具有很强的鲁棒性,能够适应复杂的环境变化。
本次发明是采用放置于高处的摄像头采集整个路况信息,包括智能车辆,障碍物以及终点等信息,与传统方法相比,本发明采用了YOLO模型作为目标检测的算法,具有实时性以及快速性,能够快速检测到图像中智能车辆,障碍物以及终点等重要信息。
具体实施方式二:本实施方式与具体实施方式一不同的是:步骤一的具体过程为:
预训练的YOLO目标检测模型是一个卷积神经网络,它包括20个卷积层、5个池化层和1个全连接层,分别是:
1个卷积核尺寸为7*7,个数为64的卷积层;
1个2*2的最大池化层;
1个卷积核尺寸为3*3,个数为192的卷积层;
1个2*2的最大池化层;
1个卷积核尺寸为1*1,个数为128的卷积层;
1个卷积核尺寸为3*3,个数为256的卷积层;
1个卷积核尺寸为1*1,个数为256的卷积层;
1个卷积核尺寸为3*3,个数为512的卷积层;
1个2*2的最大池化层;
4个卷积核尺寸为1*1,个数为256的卷积层;
4个卷积核尺寸为3*3,个数为512的卷积层;
1个卷积核尺寸为1*1,个数为512的卷积层;
1个卷积核尺寸为3*3,个数为1024的卷积层;
1个2*2的最大池化层;
2个卷积核尺寸为1*1,个数为512的卷积层;
2个卷积核尺寸为3*3,个数为1024的卷积层;
1个2*2的平均池化层:
一个全连接层;
利用ImageNet数据库对YOLO目标检测模型的前20层卷积层做预训练,设置学习率为0.0001,batch_size为256,不断进行迭代训练调整YOLO目标检测模型的卷积层的权重值以及偏置值,直到分类任务top5准确率不小于85%时,得到YOLO目标检测预模型前20层卷积层的权值;
在YOLO目标检测模型的20层卷积层后依次添加一个平均池化层和一个全连接层用于分类任务,载入预训练好的参数值,并去掉添加的平均池化层和全连接层,在最后一个卷积层后再依次添加四个卷积层和两个全连接层;
添加的四个卷积层为:
2个卷积核尺寸为3*3,个数为1024的卷积层;
2个卷积核尺寸为3*3,个数为1024的卷积层;
初始化全连接层的权重值以及偏置值,得到预训练好的YOLO目标检测模型。
具体实施方式三:本实施方式与具体实施方式二不同的是:步骤二的具体过程为:
利用摄像头采集智能车辆路况信息图片,每张图片均包括智能车辆、障碍物和终点三类目标;
摄像头采集的图片为3000张至4000张,如图2所示,摄像头采集完图片之后进行手工打标签,其中,采用箭头表示障碍物,考虑到智能车的控制需要确定小车的方向,采用星形和心形图片固定于智能车辆上,以确定小车的方向,采用长方形和三角形确定终点。
具体实施方式四:本实施方式与具体实施方式三不同的是:步骤三的具体过程为:
考虑到训练的数据量较少,所以需要进行数据增广;为了使训练的结果具有较强的鲁棒性,采用添加随机椒盐噪声、添加高斯噪声和平移的方式对步骤二采集的图片进行图片数据增广;
添加随机椒盐噪声是利用Opencv库在每一张图片的随机位置添加500个点的黑白噪声;给每一张图片添加高斯噪声是利用高斯模糊来实现;平移是将每一张图片向x轴和y轴正方向平移20%;
按照9:1的比例将增广后的图片数据集分为训练集和测试集,训练集用于训练神经网络,测试集用于在结束训练之后检验最终训练结果如何。
具体实施方式五:本实施方式与具体实施方式四不同的是:步骤四的具体过程为:
将训练集样本输入到预训练好的YOLO目标检测模型中,采用四块英伟达1080ti计算机图形处理器GPU训练预训练好的YOLO目标检测模型,训练过程中输出损失函数的损失值,损失函数为:
其中:表示在单元格i中有物体且第j个边界框预测器对单元格i中预测的物体负责,λcoord为物体在损失函数中所占的比重系数,λnoobj为边界框在损失函数中所占的比重系数,S表示每个图像被分成了S*S(即S2)的单元格,B表示每个单元格预测两个边界框,xi,yi,wi,hi表示实际物体的中心点坐标值以及边界框的宽和高,表示预测到的物体的中心点坐标值以及边界框的宽和高,ci表示实际物体的类别,表示预测到的物体的类别,pi(c)表示存在物体的可能性,表示预测到的存在物体的可能性,Classes表示物体的种类总数,c表示具体的种类。
由于物体和边界框在损失函数中所占的比重不同,所以λcoord、λnoobj为这两个系数是为了区别二者所占的比重,防止发散,前者一般设置成5,后者为0.5。
用TensorBoard实时可视化当前的损失值和正确率,如图3所示,当训练集损失值低于2.00时停止训练,加载训练的模型用测试集进行测试,若测试集上需要检测的物体都能被检测到且检测准确率不低于95%,则将训练结果存入计算机硬盘作为最终的训练模型,否则加载停止训练时刻的训练模型继续进行训练;
直至测试集上需要检测的物体都能被检测到且检测准确率不低于95%时,将此时刻的训练结果存入计算机硬盘作为最终的训练模型。
具体实施方式六:本实施方式与具体实施方式五不同的是:步骤四中的计算机图形处理器GPU为四块英伟达1080ti计算机图形处理器GPU。
实施例
本发明的使用YOLO进行快速目标检测适用于各种复杂多变环境下智能小车的运动路况信息的动态检测,本发明通过采集预训练数据,如图2所示,分别为三角形,心形,星形,长方形以及箭头来表示小车,障碍物,以及终点等信息,为了方便确定小车以及终点的方向,所以用了两个图形表示小车和终点,用其中心的连线方向确定其方向,这是为了方便以后对智能车的控制。
本发明首先采集预训练数据,通过将以上图形以各种位置摆放模拟实际情况中可能出现的各种位置情况,大约采集三千张左右的图片,然后进行数据增广,数据增广的方式有添加椒盐噪声,高斯噪声,平移,改变HSV空间的曝光度和饱和度等方式,这是为了增加数据的多样性,以使模型训练的结果具有鲁棒性,将采集到的数据分为训练集以及测试集,训练集是训练神经网络所用的数据集,测试集是为了测试最终的结果如何,训练集以及测试集的比例为9:1。
加载预训练模型到YOLO网络上,初始化全连接层,输入训练数据开始训练,用TensorBoard实时可视化训练的损失值以及验证集的准确率,如图3所示,当损失值较小,且准确率较高时,停止训练,加载训练好的模型用测试集数据进行测试,如果结果较为满意,则将模型保存,否则继续进行训练。
加载训练好的模型,输入摄像头采集到的图像,进行实时预测,结果如图4所示,处理的帧数能够达到每秒40帧左右,准确率达到95%以上。
本发明还可有其它多种实施例,在不背离本发明精祌及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.基于YOLO目标检测技术的智能车辆运动路况信息的检测方法,其特征在于,该方法包括以下步骤:
步骤一、利用ImageNet数据库对YOLO目标检测模型做预训练,预训练完成后保留YOLO目标检测模型的卷积层和最大池化层,在保留的最后一个卷积层后依次添加一个平均池化层和一个全连接层用于分类任务;
载入预训练好的参数值,并去掉添加的平均池化层和全连接层,在最后一个卷积层后再依次添加四个卷积层和两个全连接层,初始化全连接层的权重值以及偏置值,得到预训练好的YOLO目标检测模型;
步骤二、利用摄像头采集智能车辆路况信息图像,每张图像均包括智能车辆、障碍物和终点三类目标;
步骤三、采用添加随机椒盐噪声、添加高斯噪声和平移的方式对步骤二采集的图像进行图像数据增广,将增广后的图像数据分为训练集和测试集两部分;
步骤四、将训练集样本输入到预训练好的YOLO目标检测模型中,采用计算机图形处理器GPU训练预训练好的YOLO目标检测模型,训练过程中输出损失函数的损失值;
用TensorBoard实时可视化当前的损失值和正确率,训练停止后加载训练的模型,用测试集进行测试,测试完成后将训练结果存入计算机硬盘作为最终的训练模型;
步骤五、利用摄像头采集包含智能车辆运动路况信息的图像,将采集到的图像输入到最终的训练模型中进行目标检测。
2.根据权利要求1所述的基于YOLO目标检测技术的智能车辆运动路况信息的检测方法,其特征在于,所述步骤一的具体过程为:
预训练的YOLO目标检测模型是一个卷积神经网络,它包括20个卷积层、5个池化层和1个全连接层,分别是:
1个卷积核尺寸为7*7,个数为64的卷积层;
1个2*2的最大池化层;
1个卷积核尺寸为3*3,个数为192的卷积层;
1个2*2的最大池化层;
1个卷积核尺寸为1*1,个数为128的卷积层;
1个卷积核尺寸为3*3,个数为256的卷积层;
1个卷积核尺寸为1*1,个数为256的卷积层;
1个卷积核尺寸为3*3,个数为512的卷积层;
1个2*2的最大池化层;
4个卷积核尺寸为1*1,个数为256的卷积层;
4个卷积核尺寸为3*3,个数为512的卷积层;
1个卷积核尺寸为1*1,个数为512的卷积层;
1个卷积核尺寸为3*3,个数为1024的卷积层;
1个2*2的最大池化层;
2个卷积核尺寸为1*1,个数为512的卷积层;
2个卷积核尺寸为3*3,个数为1024的卷积层;
1个2*2的平均池化层:
一个全连接层;
利用ImageNet数据库对YOLO目标检测模型的前20层卷积层做预训练,设置学习率为0.0001,batch_size为256,不断进行迭代训练调整YOLO目标检测模型的卷积层的权重值以及偏置值,直到分类任务top5准确率不小于85%时,得到YOLO目标检测预模型前20层卷积层的权值;
在YOLO目标检测模型的20层卷积层后依次添加一个平均池化层和一个全连接层用于分类任务,载入预训练好的参数值,并去掉添加的平均池化层和全连接层,在最后一个卷积层后再依次添加四个卷积层和两个全连接层;
添加的四个卷积层为:
2个卷积核尺寸为3*3,个数为1024的卷积层;
2个卷积核尺寸为3*3,个数为1024的卷积层;
初始化全连接层的权重值以及偏置值,得到预训练好的YOLO目标检测模型。
3.根据权利要求2所述的基于YOLO目标检测技术的智能车辆运动路况信息的检测方法,其特征在于,所述步骤二的具体过程为:
利用摄像头采集智能车辆路况信息图片,每张图片均包括智能车辆、障碍物和终点三类目标;
摄像头采集的图片为3000张至4000张,摄像头采集完图片之后进行手工打标签,其中,采用箭头表示障碍物,采用星形和心形图片固定于智能车辆上,采用长方形和三角形确定终点。
4.根据权利要求3所述的基于YOLO目标检测技术的智能车辆运动路况信息的检测方法,其特征在于,所述步骤三的具体过程为:
采用添加随机椒盐噪声、添加高斯噪声和平移的方式对步骤二采集的图片进行图片数据增广;
添加随机椒盐噪声是利用Opencv库在每一张图片的随机位置添加500个点的黑白噪声;给每一张图片添加高斯噪声是利用高斯模糊来实现;平移是将每一张图片向x轴和y轴正方向平移20%;
按照9:1的比例将增广后的图片数据集分为训练集和测试集。
5.根据权利要求4所述的基于YOLO目标检测技术的智能车辆运动路况信息的检测方法,其特征在于,所述步骤四的具体过程为:
将训练集样本输入到预训练好的YOLO目标检测模型中,采用计算机图形处理器GPU训练预训练好的YOLO目标检测模型,训练过程中输出损失函数的损失值,损失函数为:
其中:表示在单元格i中有物体且第j个边界框预测器对单元格i中预测的物体负责,λcoord为物体在损失函数中所占的比重系数,λnoobj为边界框在损失函数中所占的比重系数,S表示每个图像被分成了S*S的单元格,B表示每个单元格预测两个边界框,xi,yi,wi,hi表示实际物体的中心点坐标值以及边界框的宽和高,表示预测到的物体的中心点坐标值以及边界框的宽和高,ci表示实际物体的类别,表示预测到的物体的类别,pi(c)表示存在物体的可能性,表示预测到的存在物体的可能性,Classes表示物体的种类总数,c表示具体的种类;
用TensorBoard实时可视化当前的损失值和正确率,当训练集损失值低于2.00时停止训练,加载训练的模型用测试集进行测试,若测试集上需要检测的物体都能被检测到且检测准确率不低于95%,则将训练结果存入计算机硬盘作为最终的训练模型,否则加载停止训练时刻的训练模型继续进行训练;
直至测试集上需要检测的物体都能被检测到且检测准确率不低于95%时,将此时刻的训练结果存入计算机硬盘作为最终的训练模型。
6.根据权利要求5所述的基于YOLO目标检测技术的智能车辆运动路况信息的检测方法,其特征在于,所述步骤四中的计算机图形处理器GPU为四块英伟达1080ti计算机图形处理器GPU。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811408503.7A CN109543617A (zh) | 2018-11-23 | 2018-11-23 | 基于yolo目标检测技术的智能车辆运动路况信息的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811408503.7A CN109543617A (zh) | 2018-11-23 | 2018-11-23 | 基于yolo目标检测技术的智能车辆运动路况信息的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109543617A true CN109543617A (zh) | 2019-03-29 |
Family
ID=65849836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811408503.7A Pending CN109543617A (zh) | 2018-11-23 | 2018-11-23 | 基于yolo目标检测技术的智能车辆运动路况信息的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543617A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222557A (zh) * | 2019-04-22 | 2019-09-10 | 北京旷视科技有限公司 | 路况的实时检测方法、装置、***和存储介质 |
CN110604597A (zh) * | 2019-09-09 | 2019-12-24 | 李胜利 | 基于超声四腔心切面智能获取胎儿心动周期图像的方法 |
CN112329768A (zh) * | 2020-10-23 | 2021-02-05 | 上善智城(苏州)信息科技有限公司 | 一种基于改进的yolo的加油站卸油停车牌标志的识别方法 |
CN115311869A (zh) * | 2022-07-29 | 2022-11-08 | 重庆长安汽车股份有限公司 | 一种基于智能网联汽车算力共享的道路事件获取方法及***、汽车 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327920A (zh) * | 2016-08-31 | 2017-01-11 | 深圳天珑无线科技有限公司 | 路况检测方法和路况检测*** |
CN108229366A (zh) * | 2017-12-28 | 2018-06-29 | 北京航空航天大学 | 基于雷达和图像数据融合的深度学习车载障碍物检测方法 |
CN108256554A (zh) * | 2017-12-20 | 2018-07-06 | 深圳市金溢科技股份有限公司 | 基于深度学习的车辆逆向停车判断方法、服务器及*** |
-
2018
- 2018-11-23 CN CN201811408503.7A patent/CN109543617A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327920A (zh) * | 2016-08-31 | 2017-01-11 | 深圳天珑无线科技有限公司 | 路况检测方法和路况检测*** |
CN108256554A (zh) * | 2017-12-20 | 2018-07-06 | 深圳市金溢科技股份有限公司 | 基于深度学习的车辆逆向停车判断方法、服务器及*** |
CN108229366A (zh) * | 2017-12-28 | 2018-06-29 | 北京航空航天大学 | 基于雷达和图像数据融合的深度学习车载障碍物检测方法 |
Non-Patent Citations (5)
Title |
---|
JOSEPH REDMON等: "You Only Look Once: Unified, Real-Time Object Detection", 《2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
-牧野-: "YOLO v1检测原理", 《HTTPS://BLOG.CSDN.NET/DCRMG/ARTICLE/DETAILS/81582620》 * |
王宇宁等: "基于YOLO算法的车辆实时检测", 《武汉理工大学学报》 * |
王超等: "基于YOLO v2模型的交通标识检测算法", 《计算机应用》 * |
黎洲等: "基于YOLO_v2模型的车辆实时检测", 《中国机械工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222557A (zh) * | 2019-04-22 | 2019-09-10 | 北京旷视科技有限公司 | 路况的实时检测方法、装置、***和存储介质 |
CN110222557B (zh) * | 2019-04-22 | 2021-09-21 | 北京旷视科技有限公司 | 路况的实时检测方法、装置、***和存储介质 |
CN110604597A (zh) * | 2019-09-09 | 2019-12-24 | 李胜利 | 基于超声四腔心切面智能获取胎儿心动周期图像的方法 |
CN112329768A (zh) * | 2020-10-23 | 2021-02-05 | 上善智城(苏州)信息科技有限公司 | 一种基于改进的yolo的加油站卸油停车牌标志的识别方法 |
CN115311869A (zh) * | 2022-07-29 | 2022-11-08 | 重庆长安汽车股份有限公司 | 一种基于智能网联汽车算力共享的道路事件获取方法及***、汽车 |
CN115311869B (zh) * | 2022-07-29 | 2023-07-18 | 重庆长安汽车股份有限公司 | 一种基于智能网联汽车算力共享的道路事件获取方法及***、汽车 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Automatic detection and counting system for pavement cracks based on PCGAN and YOLO-MF | |
CN108171112A (zh) | 基于卷积神经网络的车辆识别与跟踪方法 | |
CN109543617A (zh) | 基于yolo目标检测技术的智能车辆运动路况信息的检测方法 | |
CN112070729B (zh) | 一种基于场景增强的anchor-free遥感图像目标检测方法及*** | |
CN110533084A (zh) | 一种基于自注意力机制的多尺度目标检测方法 | |
CN109559302A (zh) | 基于卷积神经网络的管道视频缺陷检测方法 | |
CN107563412A (zh) | 一种基于深度学习的红外图像电力设备实时检测方法 | |
CN110298387A (zh) | 融入像素级attention机制的深度神经网络目标检测方法 | |
CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及*** | |
CN109117876A (zh) | 一种稠密小目标检测模型构建方法、模型及检测方法 | |
CN107480730A (zh) | 电力设备识别模型构建方法和***、电力设备的识别方法 | |
CN109558815A (zh) | 一种实时多人脸的检测及跟踪方法 | |
CN110363104A (zh) | 一种柴油黑烟车的检测方法 | |
CN107529650A (zh) | 网络模型的构建和闭环检测方法、相应装置及计算机设备 | |
CN107292875A (zh) | 一种基于全局‑局部特征融合的显著性检测方法 | |
CN106469304A (zh) | 基于深度卷积神经网络的票据中手写签名位置定位方法 | |
CN113111727B (zh) | 一种基于特征对齐的遥感场景下旋转目标检测方法 | |
CN108230354A (zh) | 目标跟踪、网络训练方法、装置、电子设备和存储介质 | |
CN111242144B (zh) | 电网设备异常的检测方法和装置 | |
Cepni et al. | Vehicle detection using different deep learning algorithms from image sequence | |
CN109886147A (zh) | 一种基于单网络多任务学习的车辆多属性检测方法 | |
Liu et al. | Coastline extraction method based on convolutional neural networks—A case study of Jiaozhou Bay in Qingdao, China | |
CN110390673A (zh) | 一种监控场景下基于深度学习的香烟自动检测方法 | |
CN116824335A (zh) | 一种基于YOLOv5改进算法的火灾预警方法及*** | |
CN114511710A (zh) | 一种基于卷积神经网络的图像目标检测方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 150001 Harbin, Nangang, West District, large straight street, No. 92 Applicant after: Yu Xinghu Address before: 264006 No. 32, Yantai economic and Technological Development Zone, Shandong, Zhujianglu Road Applicant before: Yu Xinghu |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |