CN110458225A - 一种车辆检测和姿态分类联合识别方法 - Google Patents
一种车辆检测和姿态分类联合识别方法 Download PDFInfo
- Publication number
- CN110458225A CN110458225A CN201910729142.4A CN201910729142A CN110458225A CN 110458225 A CN110458225 A CN 110458225A CN 201910729142 A CN201910729142 A CN 201910729142A CN 110458225 A CN110458225 A CN 110458225A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- posture
- detection
- module
- vehicle detection
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及车辆检测识别技术领域,且公开了一种车辆检测和姿态分类联合识别方法,所述车辆检测和姿态分类联合识别所需模块有车辆检测模块、检测后处理模块、特征尺寸统一模块以及姿态分类模块,由各模块依次按流程处理车辆图像,且各个所述模块均采用交替训练方式。该车辆检测和姿态分类联合识别方法,通过聚焦于在不影响检测任务的前提下通过交替联合训练后同时输出车辆的位置和姿态信息;采用回归方法在特征输出层定位车辆位置并经nms后处理后通过敏感区域池化将检测候选框统一为相同尺寸,最后接入全连接进行姿态分类;车辆姿态分类复用了检测任务的特征,且与检测一同输出姿态分类结果,效率更高。
Description
技术领域
本发明涉及车辆检测识别技术领域,具体为一种车辆检测和姿态分类联合识别方法。
背景技术
在车辆监控中,首先对视频中每一帧中的车辆进行定位,再通过连续帧中车辆位置关联确定其运行轨迹,但由于视频中车辆频繁交错致使关联判断错误导致同一条轨迹关联不同方向的车辆,通过车辆姿态可辅助判断运行方向进而确定其运行轨迹,且在静态图像中因没有视频帧间运动信息无法根据关联信息判断车辆方向,可通过姿态信息判断车辆朝向。
发明专利(申请号:201811309235.3)公开了一种基于深度学习的车辆姿态分类方法,该方法包括:训练数据构建、验证数据集构建、构建mobile-net网络、网络训练、预测;该申请充分考虑了各个车型、各个角度、各种场景,使用mobile-net网络,可以快速地得到识别结果,并且保有较高的准确率。
发明专利(申请号:201811309235.3)公开了一种基于SSD和车辆姿态分类的车辆检测方法和***,所述方法包括:根据车头与水平轴的角度对车辆姿态进行划分,在原始SSD网络模型上加入车辆姿态进行划分,在原始SSD检测损失和车辆姿态分类任务,将车辆检测损失和车辆姿态分类结合起来形成多任务损失,将原始SSD模型的softmax损失替换为focal loss损失,训练得到检测模型,利用检测模型对待检测图片进行车辆检测,实现多尺度、角度的车辆检测;较好的解决了多尺度、多角度使得视频中车辆频繁交错,致使关联判断错误导致同一条轨迹关联不同方向的车辆。
然而,专利申请1公开的一种基于深度学***衡调节机制进行训练拟合。该方法将姿态分类任务和检测任务整合为并列多任务,单一的车辆检测由一类变为多姿态分类,导致单类的数据锐减以及出现不稳定的类间平衡问题,不利于检测任务训练稳定。
发明内容
本发明提供了一种车辆检测和姿态分类联合识别方法,具备车辆检测训练稳定的同时效率更好的优点,解决了背景技术中提到的技术问题。
本发明提供如下技术方案:一种车辆检测和姿态分类联合识别方法,所述车辆检测和姿态分类联合识别所需模块有车辆检测模块、检测后处理模块、特征尺寸统一模块以及姿态分类模块,由各模块依次按流程处理车辆图像,且各个所述模块均采用交替训练方式。
优选的,所述车辆检测模型处理方法如下:
A1、人工标记图像中车辆的矩形区域组成正样本,并为每个车辆正样本标注姿态,包括向前,向后,向左,向右四个方向,共同构成车辆检测和姿态分类训练图像集;
A2、将训练图像集归一化到固定尺度,并做随机剪切、镜像,镜像操作时对应修改姿态标签;
A3、构建CNN(卷积神经网络)网络,以***net全卷积网络为基础网络进行训练提取图像中车辆的纹理特征;
A4、采用sigmod函数对步骤A3提取的特征进行激活,并结合检测标签采用交叉熵损失函数对当前模型进行惩罚训练;
A5、采用1loss对车辆坐标进行回归,计算四个坐标的差绝对值之和对坐标进行回归训练。
优选的,所述检测后处理模块的处理方法如下:
B1、对车辆检测模块处理的图像进行输出设置信度排序,以设定超参阈值进行截取,并舍弃低于阈值的车辆候选;
B2、去除与检测标签交并比较小的框,保留重合度较高的所有车辆候选框,以增加正样本的数量,达到数据增广的目的;
B3、选取排序靠前的一定数量候选框输出到下一个阶段。
优选的,所述特征尺寸统一模块处理方法如下:
C1、将2.3获取的车辆候选框特征数据通过敏感区域池化方法池化成大小相同的特征图;
C2、将所有等尺度候选框特征图拼接成NxCxHxW序列,将数量作为第一维,通道作为第二维,候选框特征图像的高和宽作为第三维和第四维;
C3、将NxCxHxW候选框特征图作为输入接入下一步中的全连接网络。
优选的,所述姿态分类模块的处理方法如下:
D1、采用全连接网络进行姿态特征的进一步提取数据图像;
D2、采用softmax函数进行激活,结合姿态分类标签采用交叉熵损失函数对模型进行惩罚训练。
优选的,所述训练检测任务时关闭姿态分类,当训练收敛到一定程度后开启姿态识别进行联合多任务训练。
本发明具备以下有益效果:
该车辆检测和姿态分类联合识别方法,通过聚焦于在不影响检测任务的前提下通过交替联合训练后同时输出车辆的位置和姿态信息;采用回归方法在特征输出层定位车辆位置并经nms后处理后通过敏感区域池化将检测候选框统一为相同尺寸,最后接入全连接进行姿态分类;车辆姿态分类复用了检测任务的特征,且与检测一同输出姿态分类结果,效率更高。
附图说明
图1为本发明车辆检测和姿态分类联合识别方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,一种车辆检测和姿态分类联合识别方法,车辆检测和姿态分类联合识别所需模块有车辆检测模块、检测后处理模块、特征尺寸统一模块以及姿态分类模块,由各模块依次按流程处理车辆图像,且各个模块均采用交替训练方式,训练检测任务时关闭姿态分类,当训练收敛到一定程度后开启姿态识别进行联合多任务训练。
车辆检测模型处理方法如下:
A1、人工标记图像中车辆的矩形区域组成正样本,并为每个车辆正样本标注姿态,包括向前,向后,向左,向右四个方向,共同构成车辆检测和姿态分类训练图像集,设定分类标签和目标框标签;
A2、将训练图像集归一化到固定尺度,并做随机剪切、镜像,镜像操作时对应修改姿态标签;
A3、构建CNN(卷积神经网络)网络,以***net全卷积网络为基础网络进行训练提取图像中车辆的纹理特征,即对车辆定位分类处理,在训练时,使用nms(非最大值抑制)对预测框进行越界剔除,剔除掉与检测标签重叠度较小的框,即仅保留覆盖率超过预设阈值的目标框(粗筛),在测试时,同样使用nms(非最大值抑制)对预测框进行越界剔除,剔除掉重叠度较大的框,即仅保留覆盖率不超过预设阈值的局部最大分数的目标框。在进行下一步处理,以保证映***度更高的候选框,还可使用roialign等方式,以获得固定大小候选框特征层的方式代替敏感区域池化;
A4、采用sigmod函数对步骤A3提取的特征进行激活,并结合检测标签采用交叉熵损失函数对当前模型进行惩罚训练;
A5、采用L1loss对车辆坐标进行回归,计算四个坐标的差绝对值之和对坐标进行回归训练。
检测后处理模块的处理方法如下:
B1、对车辆检测模块处理的图像进行输出设置信度排序,以设定超参阈值进行截取,并舍弃低于阈值的车辆候选;
B2、去除与检测标签交并比较小的框,保留重合度较高的所有车辆候选框,以增加正样本的数量,达到数据增广的目的;
B3、选取排序靠前的一定数量候选框输出到下一个阶段。
特征尺寸统一模块处理方法如下:
C1、将2.3获取的车辆候选框特征数据通过敏感区域池化方法池化成大小相同的特征图;
C2、将所有等尺度候选框特征图拼接成NxCxHxW序列,将数量作为第一维,通道作为第二维,候选框特征图像的高和宽作为第三维和第四维,其中的x为对应四维坐标值,有利于进一步确定候选框的精确性;
C3、将NxCxHxW候选框特征图作为输入接入下一步中的全连接网络。
姿态分类模块的处理方法如下:
D1、采用全连接网络进行姿态特征的进一步提取数据图像;
D2、采用softmax函数进行激活,结合姿态分类标签采用交叉熵损失函数对模型进行惩罚训练。
通过聚焦于在不影响检测任务的前提下通过交替联合训练后同时输出车辆的位置和姿态信息,并采用回归方法在特征输出层定位车辆位置并经nms后处理后通过敏感区域池化将检测候选框统一为相同尺寸,最后接入全连接进行姿态分类,车辆姿态分类复用了检测任务的特征,且与检测一同输出姿态分类结果,效率更高。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种车辆检测和姿态分类联合识别方法,其特征在于:所述车辆检测和姿态分类联合识别所需模块有车辆检测模块、检测后处理模块、特征尺寸统一模块以及姿态分类模块,由各模块依次按流程处理车辆图像,且各个所述模块均采用交替训练方式。
2.根据权利要求1所述的一种车辆检测和姿态分类联合识别方法,其特征在于:所述车辆检测模型处理方法如下:
A1、人工标记图像中车辆的矩形区域组成正样本,并为每个车辆正样本标注姿态,包括向前,向后,向左,向右四个方向,共同构成车辆检测和姿态分类训练图像集;
A2、将训练图像集归一化到固定尺度,并做随机剪切、镜像,镜像操作时对应修改姿态标签;
A3、构建CNN(卷积神经网络)网络,以***net全卷积网络为基础网络进行训练提取图像中车辆的纹理特征;
A4、采用sigmod函数对步骤A3提取的特征进行激活,并结合检测标签采用交叉熵损失函数对当前模型进行惩罚训练;
A5、采用1loss对车辆坐标进行回归,计算四个坐标的差绝对值之和对坐标进行回归训练。
3.根据权利要求1所述的一种车辆检测和姿态分类联合识别方法,其特征在于:所述检测后处理模块的处理方法如下:
B1、对车辆检测模块处理的图像进行输出设置信度排序,以设定超参阈值进行截取,并舍弃低于阈值的车辆候选;
B2、去除与检测标签交并比较小的框,保留重合度较高的所有车辆候选框,以增加正样本的数量,达到数据增广的目的;
B3、选取排序靠前的一定数量候选框输出到下一个阶段。
4.根据权利要求1所述的一种车辆检测和姿态分类联合识别方法,其特征在于:所述特征尺寸统一模块处理方法如下:
C1、将2.3获取的车辆候选框特征数据通过敏感区域池化方法池化成大小相同的特征图;
C2、将所有等尺度候选框特征图拼接成NxCxHxW序列,将数量作为第一维,通道作为第二维,候选框特征图像的高和宽作为第三维和第四维;
C3、将NxCxHxW候选框特征图作为输入接入下一步中的全连接网络。
5.根据权利要求1所述的一种车辆检测和姿态分类联合识别方法,其特征在于:所述姿态分类模块的处理方法如下:
D1、采用全连接网络进行姿态特征的进一步提取数据图像;
D2、采用softmax函数进行激活,结合姿态分类标签采用交叉熵损失函数对模型进行惩罚训练。
6.根据权利要求1所述的一种车辆检测和姿态分类联合识别方法,其特征在于:所述训练检测任务时关闭姿态分类,当训练收敛到一定程度后开启姿态识别进行联合多任务训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729142.4A CN110458225A (zh) | 2019-08-08 | 2019-08-08 | 一种车辆检测和姿态分类联合识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729142.4A CN110458225A (zh) | 2019-08-08 | 2019-08-08 | 一种车辆检测和姿态分类联合识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458225A true CN110458225A (zh) | 2019-11-15 |
Family
ID=68485322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910729142.4A Pending CN110458225A (zh) | 2019-08-08 | 2019-08-08 | 一种车辆检测和姿态分类联合识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458225A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008608A (zh) * | 2019-12-11 | 2020-04-14 | 湖南大学 | 一种基于深度学习的夜间车辆检测方法 |
CN113408375A (zh) * | 2021-06-03 | 2021-09-17 | 南京佑驾科技有限公司 | 一种道路车辆行驶姿态分类方法、装置及其*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324938A (zh) * | 2012-03-21 | 2013-09-25 | 日电(中国)有限公司 | 训练姿态分类器及物体分类器、物体检测的方法及装置 |
CN106250838A (zh) * | 2016-07-27 | 2016-12-21 | 乐视控股(北京)有限公司 | 车辆识别方法及*** |
US20170168586A1 (en) * | 2015-12-15 | 2017-06-15 | Purdue Research Foundation | Method and System for Hand Pose Detection |
CN107871126A (zh) * | 2017-11-22 | 2018-04-03 | 西安翔迅科技有限责任公司 | 基于深层神经网络的车型识别方法和*** |
CN107895150A (zh) * | 2016-11-30 | 2018-04-10 | 奥瞳***科技有限公司 | 基于嵌入式***小规模卷积神经网络模块的人脸检测和头部姿态角评估 |
CN108038474A (zh) * | 2017-12-28 | 2018-05-15 | 深圳云天励飞技术有限公司 | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 |
CN108062521A (zh) * | 2017-12-12 | 2018-05-22 | 深圳大学 | 基于卷积神经网络的人脸检测方法、装置、终端及介质 |
CN108596053A (zh) * | 2018-04-09 | 2018-09-28 | 华中科技大学 | 一种基于ssd和车辆姿态分类的车辆检测方法和*** |
CN109299644A (zh) * | 2018-07-18 | 2019-02-01 | 广东工业大学 | 一种基于区域全卷积网络的车辆目标检测方法 |
CN109447171A (zh) * | 2018-11-05 | 2019-03-08 | 电子科技大学 | 一种基于深度学习的车辆姿态分类方法 |
CN109624850A (zh) * | 2017-10-05 | 2019-04-16 | 斯特拉德视觉公司 | 监视车辆的盲点的方法及使用该方法的盲点监视器 |
CN110096962A (zh) * | 2019-04-04 | 2019-08-06 | 苏州千视通视觉科技股份有限公司 | 基于区域卷积网络的车辆细节识别二次结构化方法及装置 |
-
2019
- 2019-08-08 CN CN201910729142.4A patent/CN110458225A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324938A (zh) * | 2012-03-21 | 2013-09-25 | 日电(中国)有限公司 | 训练姿态分类器及物体分类器、物体检测的方法及装置 |
US20170168586A1 (en) * | 2015-12-15 | 2017-06-15 | Purdue Research Foundation | Method and System for Hand Pose Detection |
CN106250838A (zh) * | 2016-07-27 | 2016-12-21 | 乐视控股(北京)有限公司 | 车辆识别方法及*** |
CN107895150A (zh) * | 2016-11-30 | 2018-04-10 | 奥瞳***科技有限公司 | 基于嵌入式***小规模卷积神经网络模块的人脸检测和头部姿态角评估 |
CN109624850A (zh) * | 2017-10-05 | 2019-04-16 | 斯特拉德视觉公司 | 监视车辆的盲点的方法及使用该方法的盲点监视器 |
CN107871126A (zh) * | 2017-11-22 | 2018-04-03 | 西安翔迅科技有限责任公司 | 基于深层神经网络的车型识别方法和*** |
CN108062521A (zh) * | 2017-12-12 | 2018-05-22 | 深圳大学 | 基于卷积神经网络的人脸检测方法、装置、终端及介质 |
CN108038474A (zh) * | 2017-12-28 | 2018-05-15 | 深圳云天励飞技术有限公司 | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 |
CN108596053A (zh) * | 2018-04-09 | 2018-09-28 | 华中科技大学 | 一种基于ssd和车辆姿态分类的车辆检测方法和*** |
CN109299644A (zh) * | 2018-07-18 | 2019-02-01 | 广东工业大学 | 一种基于区域全卷积网络的车辆目标检测方法 |
CN109447171A (zh) * | 2018-11-05 | 2019-03-08 | 电子科技大学 | 一种基于深度学习的车辆姿态分类方法 |
CN110096962A (zh) * | 2019-04-04 | 2019-08-06 | 苏州千视通视觉科技股份有限公司 | 基于区域卷积网络的车辆细节识别二次结构化方法及装置 |
Non-Patent Citations (5)
Title |
---|
DI WU 等: "6D-VNet: End-to-end 6DoF Vehicle Pose Estimation from Monocular RGB Images", 《CVPRW 2019》 * |
MARKUS BRAUN 等: "Pose-RCNN: Joint Object Detection and Pose Estimation Using 3D Object Proposals", 《2016 IEEE 19TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》 * |
MICHAEL HO¨DLMOSER 等: "Classification and Pose Estimation of Vehicles in Videos by 3D Modeling within Discrete-Continuous Optimization", 《2012 SECOND INTERNATIONAL CONFERENCE ON 3D IMAGING,MODELING,PROCESSING,VISUALIZATION & TRANSMISSION》 * |
PATRICK POIRSON 等: "Fast Single Shot Detection and Pose Estimation", 《ARXIV》 * |
阮航 等: "基于Faster R-CNN的车辆多属性识别", 《计算机技术与发展》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008608A (zh) * | 2019-12-11 | 2020-04-14 | 湖南大学 | 一种基于深度学习的夜间车辆检测方法 |
CN111008608B (zh) * | 2019-12-11 | 2023-08-01 | 湖南大学 | 一种基于深度学习的夜间车辆检测方法 |
CN113408375A (zh) * | 2021-06-03 | 2021-09-17 | 南京佑驾科技有限公司 | 一种道路车辆行驶姿态分类方法、装置及其*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107134144B (zh) | 一种用于交通监控的车辆检测方法 | |
CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN109711320B (zh) | 一种值班人员违规行为检测方法及*** | |
CN106097346B (zh) | 一种自学习的视频火灾探测方法 | |
CN103324937B (zh) | 标注目标的方法和装置 | |
CN106897738B (zh) | 一种基于半监督学习的行人检测方法 | |
CN109102025A (zh) | 基于深度学习联合优化的行人重识别方法 | |
CN101447082B (zh) | 一种运动目标实时检测方法 | |
CN110837778A (zh) | 一种基于骨架关节点序列的交警指挥手势识别方法 | |
Mallikarjuna et al. | Traffic data collection under mixed traffic conditions using video image processing | |
CN109859163A (zh) | 一种基于特征金字塔卷积神经网络的lcd缺陷检测方法 | |
CN109242884A (zh) | 基于JCFNet网络的遥感视频目标跟踪方法 | |
CN106373143A (zh) | 一种自适应跨摄像机多目标跟踪方法及*** | |
CN110348437A (zh) | 一种基于弱监督学习与遮挡感知的目标检测方法 | |
CN101221623B (zh) | 一种物体类型的在线训练和识别方法及其*** | |
CN109919934A (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
CN105069477A (zh) | AdaBoost级联分类器检测图像目标的方法 | |
CN106295532B (zh) | 一种视频图像中的人体动作识别方法 | |
CN109508664A (zh) | 一种基于深度学习的菜品识别计价方法 | |
CN111368690A (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及*** | |
CN105608431A (zh) | 一种基于车辆数目与车流速度的高速公路拥堵检测方法 | |
CN111274886B (zh) | 一种基于深度学习的行人闯红灯违法行为分析方法及*** | |
CN107145862A (zh) | 一种基于霍夫森林的多特征匹配多目标跟踪方法 | |
CN108764373A (zh) | 一种用于自动驾驶中的传感器数据过滤及融合方法 | |
CN103246896A (zh) | 一种鲁棒性车辆实时检测与跟踪方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191115 |
|
WD01 | Invention patent application deemed withdrawn after publication |