CN110414329A - 一种基于图像的车辆行驶方向判断方法 - Google Patents
一种基于图像的车辆行驶方向判断方法 Download PDFInfo
- Publication number
- CN110414329A CN110414329A CN201910534145.2A CN201910534145A CN110414329A CN 110414329 A CN110414329 A CN 110414329A CN 201910534145 A CN201910534145 A CN 201910534145A CN 110414329 A CN110414329 A CN 110414329A
- Authority
- CN
- China
- Prior art keywords
- current vehicle
- algorithm
- line
- image
- vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000007796 conventional method Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像的车辆行驶方向判断方法，本发明提供了针对智慧交通领域，在复杂场景下，很难判断出当前车辆的行驶方向，提出了三种基于传统和深度学习相结合的车辆行驶方向判断算法，并将三种算法相结合得到最终判断结果；2)本发明同时提供了当前图像下的灭点检测算法。
Description
技术领域
本发明涉及机动车车辆人工智能检测、识别、分类技术领域，特别涉及一种基于图像通过传统图像处理以及深度学习方法应用在智慧交通中复杂场景下的车辆姿态判断方法。
背景技术
目前基于视频车辆行驶方向判定方法主要依靠车辆运行轨迹、车辆追踪等方式，例如专利CN 107516423 A就是根据运动信息图像获得方向统计值，根据基于方向统计值的判定条件判定车辆经过条件下车辆行驶方向。
但在例如违章二次审核等资源有限的情况下，很难拿到视频，能够得到的只有三帧甚至更少的图像，需要基于几帧图像来判断当前车辆的行驶方向，这也是在众多智能交通领域的工程中急需解决的难点算法之一。
因此本发明基于几帧图像的有限资源，提出了一种车辆行驶方向判断算法，精度较高，算法可以直接应用在工程中。
发明内容
本发明解决其技术问题所采用的技术方案是：采用一种基于图像的车辆行驶方向判断方法，包括以下步骤：
S1、获取通过路口的视频采集设备采集的某时刻的图像、待判定车辆的车牌号；
S2、通过常规的检测算法获取该图像下的所有车辆的位置信息；
S3、通过常规的检测算法检测出该图像下所有车中对应车牌的位置信息；
S4、通过常规的车牌识别算法识别出该图像下所有车的车牌号码；
S5、通过S4中得到车牌号码找到与待判定车辆的车牌号相同的当前车；
S6、通过分割算法对三张图中的黄线、实线即车道线进行语义分割；
S7、通过分割得到的轮廓进行直线拟合；
S8、通过拟合的车道线确定该图像下的灭点；
S9、通过常规方法即第一种方法判断当前车辆的行驶方向；
S10、通过改进算法一即第二种算法再次判断当前车辆的行驶方向；
S11、通过改进算法二即第三种算法再次判断当前车辆的行驶方向；
S12、若方法一和方法二判断结果相同，则直接相信当前结果，结束判断；
S13、若方法一和方法二判断结果不同，当方法三和方法一相同时，则相信方法一/方法三，当方法二和方法三相同时，则相信方法二/方法三，当方法一、方法二、方法三三种方法皆不相同时，则返回不确定，结束判断。
所述步骤S6的语义分割算法具体步骤如下：
S61、收集应用场景的车道线图片，并人工标注出车道线区域，即人工标注包围公交车道的闭合多边形；
S62、将人工标注转换为标签矩阵，即将人工标注的黄线闭合多边形内所有像素点对应标签设置为0、将人工标注的实线闭合多边形内所有像素点对应标签设置为1、将人工标注的虚线闭合多边形内所有像素点对应标签设置为2、其他像素点对应的标签设置为0；
S63、将车道线图片及对应的标签矩阵输入deeplab-v2分割算法训练，deeplab-v2分割算法采用ResNet-34作为骨干网络，psp_module和unet模块作为解码器，并使用skiplayer引入低维细节特征作为模型网络结构，使用a*bce_loss+b*lovasz_loss作为最终loss，其中a和b大于等于0，a和b小于等于1，，并引入辅助损失aux_loss进行训练；
S64、应用训练好的deeplab-v2分割算法预测输入图像像素点类别，将属于黄线、实线以及虚线类别的像素点坐标集合输出，从而实现车道线区域的分割。
所述步骤S8的灭点检测算法具体步骤如下：
S81、通过输入的车道线个数，对灭点的检测分为不同的方法；
S82、若车道线个数为0，则将X轴上图片列数的中点作为灭点；
S83、若车道线个数为1，则将车道线拟合的直线与X轴的交点作为灭点；
S84、若车道线个数为2，则将两条车道线的交点作为灭点；
S85、若车道线个数大于2，在S7中通过轮廓点数对车道线轮廓进行从大到小的排序，因此只选取前两条直线，将这两条直线的交点作为灭点。
所述步骤S9的第一种方法判断当前车辆的行驶方向：
S91、将当前车辆从原图中抠出，人为对其进行四个类别的分类，包括前、左、右以及后，并作为深度学习的训练样本；
S92、采用2个Inception Googlenet裁剪作为训练以及测试网络，输入为步骤S91抠出的原图，输出为4个类别；
S93、当训练网络的loss下降到一定阈值以后，存下该训练model，供算法前向使用；
S94、该算法前向中，直接将当前车辆在原图中抠出，送进模型前向，读取模型输出分类结果即为此方法下求得的当前车辆行驶方向结果。
所述步骤S10的改进算法一判断当前车辆的行驶方向：
S101、通过灭点和当前车辆的中心点确定直线；
S102、在原图上对S101求得的直线用红线画出，红线的宽度随着当前车辆的车寸变大了***；
S103、通过红线，当前车辆的车头若和红线平行则直行，车头朝向左，红线朝右则左转，车头朝右，红线朝左则右转，当前车辆向后，无论红线朝任何方向，都是向后；对行驶方向进行四个类别的分类，包括前、左、右以及后，并将其作为深度学习的训练样本；
S104、采用2个Inception Googlenet裁剪作为训练以及测试网络，输入为步骤S103抠出的带红线的当前车辆，输出为4个类别；
S105、当训练网络的loss下降到一定阈值以后，存下该训练model，供算法前向使用；
S106、该算法前向中，首先通过步骤S8求出灭点位置，再求出灭点到当前车辆的中心点的直线，用红线在原图画出，再将当前车辆在原图中抠出，送进模型前向，读取模型输出分类结果即为此方法下求得的当前车辆行驶方向判断结果。
所述步骤S11的改进算法二判断当前车辆的行驶方向：
S111、通过当前车辆车牌的位置，求出车牌的中心点；
S112、分别求出车牌的中心点到当前车辆检测框的左右边沿的距离，记为L1和L2；
S113、在当前车辆的检测框的上边沿找到分别到左右边沿距离为L2和L1的点；
S114、通过S111和S113求得的两点确定第一条直线；
S115、通过灭点和当前车辆的中心点确定第二条直线；
S116、通过第一条直线和第二条直线的夹角来判定当前车辆的行驶方向，夹角在正负30度之间即为直行，夹角大于30度即为左转，夹角小于负30度即为右转，夹角大小即为转弯幅度，此时结果即为该方法下求得的当前车辆行驶方向判断结果。
本发明的有益效果是：1)本发明提供了针对智慧交通领域，在复杂场景下，很难判断出当前车辆的行驶方向，提出了三种基于传统和深度学习相结合的车辆行驶方向判断算法，并将三种算法相结合得到最终判断结果。
2)本发明同时提供了当前图像下的灭点检测算法。
附图说明
图1本发明流程图。
图2是本发明中语义分割的算法流程图。
图3是本发明中灭点检测算法流程图。
图4是本发明中判断当前车辆的行驶方向算法一流程图。
图5是本发明中判断当前车辆的行驶方向算法二流程图。
图6是本发明中判断当前车辆的行驶方向算法三流程图。
图7是本发明场景示例。
具体实施方式
以下结合附图，对本发明做进一步说明。
如图1，S9、S10、S11分别算法一、算法二、算法三；S12是当算法一和算法二结果相同时执行此步骤，S13是当算法一和算法二结果不同时执行此步骤。
如图2，S82、S83、S84、S85分别是4种不同判断灭点的算法，分别记住算法一、算法二、算法三、算法四。
如图5所示，针对所述步骤S10的改进算法一判断当前车辆的行驶方向：
S101、通过灭点和当前车辆的中心点确定直线；
S102、在原图上对S101求得的直线用红线画出，红线的宽度随着当前车辆的车寸变大了***；
S103、第一种方法的缺陷在于，由于不借助任何参照物，只是通过抠出的当前车辆来判断行驶方向，人为分类就很难判断出当前车辆的行驶方向，何况模型。红线的目的是，当前车辆的车头若和红线平行则直行，车头朝向左，红线朝右则左转，车头朝右，红线朝左则右转，当前车辆向后，无论红线朝任何方向，都是向后。因此，人为可更加清晰的对行驶方向进行四个类别的分类，包括前、左、右以及后，并将其作为深度学习的训练样本；
S104、使用深度学习中的分类框架，其中网络部分采用2个Inception Googlenet裁剪作为训练以及测试网络，其中网络的输入为步骤S103抠出的带红线的当前车辆的图片，输出为4个神经元，通过判断哪个神经元的分数高来判断该车辆应为哪个类别，即什么样的姿态；
S105、当训练网络的loss下降到一定阈值以后，存下该训练model，供算法前向使用；
S106、该算法前向中，首先通过步骤S8得到灭点的坐标，再求出当前车辆的框的坐标，即求得灭点到当前车辆的中心点的直线，用opencv的line()函数将直线用红色画出，再通过当前车辆框的位置将当前车辆在原图中抠出，送进模型前向，读取模型输出分类结果即为此方法下求得的当前车辆行驶方向判断结果；
如图6，针对所述步骤S11的改进算法二判断当前车辆的行驶方向：
S111、通过当前车辆车牌的位置，求出车牌的中心点；
S112、分别求出车牌的中心点到当前车辆检测框的左右边沿的距离，记为L1和L2；
S113、在当前车辆的检测框的上边沿找到分别到左右边沿距离为L2和L1的点；
S114、通过S111和S113求得的两点确定第一条直线；
S115、通过灭点和当前车辆的中心点确定第二条直线；
S116、前两种方法的缺点在于不能将转弯幅度进行量化，即不能区分左转很大的弯和很小的弯。第三种方法通过第一条直线和第二条直线的夹角来判定当前车辆的行驶方向，夹角在正负30度之间即为直行，夹角大于30度即为左转，夹角小于负30度即为右转，夹角大小即为转弯幅度，此时结果即为该方法下求得的当前车辆行驶方向判断结果；
以上显示和描述了本方案的基本原理和主要特征和本方案的优点。本行业的技术人员应该了解，本方案不受上述实施例的限制，上述实施例和说明书中描述的只是说明本方案的原理，在不脱离本方案精神和范围的前提下，本方案还会有各种变化和改进，这些变化和改进都落入要求保护的本方案范围内。本方案要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于图像的车辆行驶方向判断方法，其特征在于，包括以下步骤：
S1、获取通过路口的视频采集设备采集的某时刻的图像、待判定车辆的车牌号；
S2、通过常规的检测算法获取该图像下的所有车辆的位置信息；
S3、通过常规的检测算法检测出该图像下所有车中对应车牌的位置信息；
S4、通过常规的车牌识别算法识别出该图像下所有车的车牌号码；
S5、通过S4中得到车牌号码找到与待判定车辆的车牌号相同的当前车；
S6、通过分割算法对三张图中的黄线、实线即车道线进行语义分割；
S7、通过分割得到的轮廓进行直线拟合；
S8、通过拟合的车道线确定该图像下的灭点；
S9、通过常规方法即第一种方法判断当前车辆的行驶方向；
S10、通过改进算法一即第二种算法再次判断当前车辆的行驶方向；
S11、通过改进算法二即第三种算法再次判断当前车辆的行驶方向；
S12、若方法一和方法二判断结果相同，则直接相信当前结果，结束判断；
S13、若方法一和方法二判断结果不同，当方法三和方法一相同时，则相信方法一/方法三，当方法二和方法三相同时，则相信方法二/方法三，当方法一、方法二、方法三三种方法皆不相同时，则返回不确定，结束判断。
2.如权利要求1所述的一种基于图像的车辆行驶方向判断方法，其特征在于，所述步骤S6的语义分割算法具体步骤如下：
S61、收集应用场景的车道线图片，并人工标注出车道线区域，即人工标注包围公交车道的闭合多边形；
S62、将人工标注转换为标签矩阵，即将人工标注的黄线闭合多边形内所有像素点对应标签设置为0、将人工标注的实线闭合多边形内所有像素点对应标签设置为1、将人工标注的虚线闭合多边形内所有像素点对应标签设置为2、其他像素点对应的标签设置为0；
S63、将车道线图片及对应的标签矩阵输入deeplab-v2分割算法训练，deeplab-v2分割算法采用ResNet-34作为骨干网络，psp_module和unet模块作为解码器，并使用skip layer引入低维细节特征作为模型网络结构，使用a*bce_loss+b*lovasz_loss作为最终loss，其中a和b大于等于0，a和b小于等于1，，并引入辅助损失aux_loss进行训练；
S64、应用训练好的deeplab-v2分割算法预测输入图像像素点类别，将属于黄线、实线以及虚线类别的像素点坐标集合输出，从而实现车道线区域的分割。
3.如权利要求1所述的一种基于图像的车辆行驶方向判断方法，其特征在于，所述步骤S8的灭点检测算法具体步骤如下：
S81、通过输入的车道线个数，对灭点的检测分为不同的方法；
S82、若车道线个数为0，则将X轴上图片列数的中点作为灭点；
S83、若车道线个数为1，则将车道线拟合的直线与X轴的交点作为灭点；
S84、若车道线个数为2，则将两条车道线的交点作为灭点；
S85、若车道线个数大于2，在S7中通过轮廓点数对车道线轮廓进行从大到小的排序，因此只选取前两条直线，将这两条直线的交点作为灭点。
4.如权利要求1所述的一种基于图像的车辆行驶方向判断方法，其特征在于，所述步骤S9的第一种方法判断当前车辆的行驶方向：
S91、将当前车辆从原图中抠出，人为对其进行四个类别的分类，包括前、左、右以及后，并作为深度学习的训练样本；
S92、采用2个Inception Googlenet裁剪作为训练以及测试网络，输入为步骤S91抠出的原图，输出为4个类别；
S93、当训练网络的loss下降到一定阈值以后，存下该训练model，供算法前向使用；
S94、该算法前向中，直接将当前车辆在原图中抠出，送进模型前向，读取模型输出分类结果即为此方法下求得的当前车辆行驶方向结果。
5.如权利要求1所述的一种基于图像的车辆行驶方向判断方法，其特征在于，所述步骤S10的改进算法一判断当前车辆的行驶方向：
S101、通过灭点和当前车辆的中心点确定直线；
S102、在原图上对S101求得的直线用红线画出，红线的宽度随着当前车辆的车寸变大了***；
S103、通过红线，当前车辆的车头若和红线平行则直行，车头朝向左，红线朝右则左转，车头朝右，红线朝左则右转，当前车辆向后，无论红线朝任何方向，都是向后；对行驶方向进行四个类别的分类，包括前、左、右以及后，并将其作为深度学习的训练样本；
S104、采用2个Inception Googlenet裁剪作为训练以及测试网络，输入为步骤S103抠出的带红线的当前车辆，输出为4个类别；
S105、当训练网络的loss下降到一定阈值以后，存下该训练model，供算法前向使用；
S106、该算法前向中，首先通过步骤S8求出灭点位置，再求出灭点到当前车辆的中心点的直线，用红线在原图画出，再将当前车辆在原图中抠出，送进模型前向，读取模型输出分类结果即为此方法下求得的当前车辆行驶方向判断结果。
6.如权利要求1所述的一种基于图像的车辆行驶方向判断方法，其特征在于，所述步骤S11的改进算法二判断当前车辆的行驶方向：
S111、通过当前车辆车牌的位置，求出车牌的中心点；
S112、分别求出车牌的中心点到当前车辆检测框的左右边沿的距离，记为L1和L2；
S113、在当前车辆的检测框的上边沿找到分别到左右边沿距离为L2和L1的点；
S114、通过S111和S113求得的两点确定第一条直线；
S115、通过灭点和当前车辆的中心点确定第二条直线；
S116、通过第一条直线和第二条直线的夹角来判定当前车辆的行驶方向，夹角在正负30度之间即为直行，夹角大于30度即为左转，夹角小于负30度即为右转，夹角大小即为转弯幅度，此时结果即为该方法下求得的当前车辆行驶方向判断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910534145.2A CN110414329A (zh) | 2019-06-19 | 2019-06-19 | 一种基于图像的车辆行驶方向判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910534145.2A CN110414329A (zh) | 2019-06-19 | 2019-06-19 | 一种基于图像的车辆行驶方向判断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110414329A true CN110414329A (zh) | 2019-11-05 |
Family
ID=68359386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910534145.2A Pending CN110414329A (zh) | 2019-06-19 | 2019-06-19 | 一种基于图像的车辆行驶方向判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110414329A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111192327A (zh) * | 2020-01-03 | 2020-05-22 | 北京百度网讯科技有限公司 | 用于确定障碍物朝向的方法和装置 |
| CN111339834A (zh) * | 2020-02-04 | 2020-06-26 | 浙江大华技术股份有限公司 | 车辆行驶方向的识别方法、计算机设备及存储介质 |
| CN112289040A (zh) * | 2020-11-25 | 2021-01-29 | 浙江大华技术股份有限公司 | 一种车辆行驶方向识别的方法、装置及存储介质 |
| CN112329722A (zh) * | 2020-11-26 | 2021-02-05 | 上海西井信息科技有限公司 | 行车方向检测方法、***、设备及存储介质 |
| CN112489450A (zh) * | 2020-12-21 | 2021-03-12 | 北京百度网讯科技有限公司 | 交通路口处的车辆流量控制方法、路侧设备及云控平台 |
| CN112820115A (zh) * | 2021-01-05 | 2021-05-18 | 四川铁投信息技术产业投资有限公司 | 一种行驶车辆转向状态识别方法 |
| CN114037977A (zh) * | 2022-01-07 | 2022-02-11 | 深圳佑驾创新科技有限公司 | 道路灭点的检测方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160034778A1 (en) * | 2013-12-17 | 2016-02-04 | Cloud Computing Center Chinese Academy Of Sciences | Method for detecting traffic violation |
| WO2018130016A1 (zh) * | 2017-01-10 | 2018-07-19 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的停车检测方法及装置 |
| CN108764137A (zh) * | 2018-05-29 | 2018-11-06 | 福州大学 | 基于语义分割的车辆行驶车道定位方法 |
| CN109637151A (zh) * | 2018-12-31 | 2019-04-16 | 上海眼控科技股份有限公司 | 一种高速公路应急车道违章行驶的识别方法 |
| CN109784326A (zh) * | 2018-11-27 | 2019-05-21 | 上海眼控科技股份有限公司 | 一种基于深度学习的车辆底盘检测方法 |
-
2019
- 2019-06-19 CN CN201910534145.2A patent/CN110414329A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160034778A1 (en) * | 2013-12-17 | 2016-02-04 | Cloud Computing Center Chinese Academy Of Sciences | Method for detecting traffic violation |
| WO2018130016A1 (zh) * | 2017-01-10 | 2018-07-19 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的停车检测方法及装置 |
| CN108764137A (zh) * | 2018-05-29 | 2018-11-06 | 福州大学 | 基于语义分割的车辆行驶车道定位方法 |
| CN109784326A (zh) * | 2018-11-27 | 2019-05-21 | 上海眼控科技股份有限公司 | 一种基于深度学习的车辆底盘检测方法 |
| CN109637151A (zh) * | 2018-12-31 | 2019-04-16 | 上海眼控科技股份有限公司 | 一种高速公路应急车道违章行驶的识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 韩功等: "使用物体交互模型的车辆违停事件检测", 《电视技术》 * |
| 高嵩等: "一种基于车道线检测的自动驾驶预行驶区域判别方法", 《激光杂志》 * |
| 高琪等: "基于结构化道路的车道偏离实时预警算法", 《计算机仿真》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111192327A (zh) * | 2020-01-03 | 2020-05-22 | 北京百度网讯科技有限公司 | 用于确定障碍物朝向的方法和装置 |
| CN111192327B (zh) * | 2020-01-03 | 2023-09-29 | 北京百度网讯科技有限公司 | 用于确定障碍物朝向的方法和装置 |
| CN111339834A (zh) * | 2020-02-04 | 2020-06-26 | 浙江大华技术股份有限公司 | 车辆行驶方向的识别方法、计算机设备及存储介质 |
| CN111339834B (zh) * | 2020-02-04 | 2023-06-02 | 浙江大华技术股份有限公司 | 车辆行驶方向的识别方法、计算机设备及存储介质 |
| CN112289040A (zh) * | 2020-11-25 | 2021-01-29 | 浙江大华技术股份有限公司 | 一种车辆行驶方向识别的方法、装置及存储介质 |
| CN112329722A (zh) * | 2020-11-26 | 2021-02-05 | 上海西井信息科技有限公司 | 行车方向检测方法、***、设备及存储介质 |
| CN112489450A (zh) * | 2020-12-21 | 2021-03-12 | 北京百度网讯科技有限公司 | 交通路口处的车辆流量控制方法、路侧设备及云控平台 |
| CN112820115A (zh) * | 2021-01-05 | 2021-05-18 | 四川铁投信息技术产业投资有限公司 | 一种行驶车辆转向状态识别方法 |
| CN112820115B (zh) * | 2021-01-05 | 2021-11-23 | 四川铁投信息技术产业投资有限公司 | 一种行驶车辆转向状态识别方法 |
| CN114037977A (zh) * | 2022-01-07 | 2022-02-11 | 深圳佑驾创新科技有限公司 | 道路灭点的检测方法、装置、设备及存储介质 |
| CN114037977B (zh) * | 2022-01-07 | 2022-04-26 | 深圳佑驾创新科技有限公司 | 道路灭点的检测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414329A (zh) | 一种基于图像的车辆行驶方向判断方法 | |
| CN109829403B (zh) | 一种基于深度学习的车辆防碰撞预警方法及*** | |
| Garcia-Garrido et al. | Fast traffic sign detection and recognition under changing lighting conditions | |
| CN109190444B (zh) | 一种基于视频的收费车道车辆特征识别***的实现方法 | |
| CN107133974B (zh) | 高斯背景建模与循环神经网络相结合的车型分类方法 | |
| CN101916383B (zh) | 基于多摄像机的车辆检测跟踪识别*** | |
| CN103824081B (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
| CN105809184B (zh) | 一种适用于加油站的车辆实时识别跟踪与车位占用判断的方法 | |
| CN105930791A (zh) | 基于ds证据理论的多摄像头融合的路面交通标志识别方法 | |
| CN105335710A (zh) | 一种基于多级分类器的精细车辆型号识别方法 | |
| CN103366190A (zh) | 一种识别交通标志的方法 | |
| Liu et al. | Real-time signal light detection based on yolov5 for railway | |
| CN107316486A (zh) | 基于双摄像头的无人驾驶汽车视觉识别*** | |
| Priese et al. | Ideogram identification in a realtime traffic sign recognition system | |
| CN106845444A (zh) | 一种基于弧‑点结合的车载井盖检测方法 | |
| CN105654073A (zh) | 一种基于视觉检测的速度自动控制方法 | |
| CN106022243A (zh) | 一种基于图像处理的机动车道车辆逆行识别方法 | |
| CN114463715A (zh) | 一种车道线检测方法 | |
| CN107862341A (zh) | 一种车辆检测方法 | |
| Mammeri et al. | North-American speed limit sign detection and recognition for smart cars | |
| CN111209905A (zh) | 一种基于深度学习与ocr技术相结合的污损遮挡号牌识别方法 | |
| CN109816003A (zh) | 一种基于改进hog-lbp特征的智能车辆前方多目标分类方法 | |
| CN105809699A (zh) | 一种基于图分割的车窗提取方法及*** | |
| Zhou et al. | Real-time traffic light recognition based on c-hog features | |
| CN103942541A (zh) | 一种基于车载视觉的盲区内电动车自动检测方法 |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20231103 |
|
| AD01 | Patent right deemed abandoned |