CN110543827B - 一种基于高斯混合模型与深度学习的多类别车辆检测方法 - Google Patents
一种基于高斯混合模型与深度学习的多类别车辆检测方法 Download PDFInfo
- Publication number
- CN110543827B CN110543827B CN201910726408.XA CN201910726408A CN110543827B CN 110543827 B CN110543827 B CN 110543827B CN 201910726408 A CN201910726408 A CN 201910726408A CN 110543827 B CN110543827 B CN 110543827B
- Authority
- CN
- China
- Prior art keywords
- detection
- video
- gaussian mixture
- mixture model
- frame
- 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
Links
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/30—Noise filtering
-
- 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
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于高斯混合模型与深度学习的多类别车辆检测方法。本发明同时检测多种类别的车辆,将传统算法与深度学习模型进行了结合,具体包括A通过高清摄像头获得道路高清监控视频,并将其传递给后台服务器;B通过高斯混合模型背景差分法进行前景提取,同时进行轮廓检测,获得待检测的ROI区域。C将ROI区域传入到改进后的SqueezeNet网络进行类别检测,并显示结果。D.将每一类别的车辆进行汇总,同时计算视频检测的检测速度。E.将每一帧的视频检测结果汇成视频流显示,同时进行备份供用户备份检查。本发明使用少量预训练样本,并达到较高的检测准确率,同时本发明改进了SqueezeNet网络,在保证准确率的前提下,使网络模型和参数量尽可能少,使其更具实用性。
Description
技术领域
本发明涉及多类别车辆检测技术领域,尤其是涉及一种基于高斯混合模型与深度学习的多类别车辆检测方法。
背景技术
传统的交通视频检测主要致力于检测行人与非行人、检测车辆与非车辆等二分类问题。通过Harr、Hog等特征、SVM,Adaboost等分类器则可以达到较好的检测效果。
在深度学习兴起前,交通视频检测的研究人员们主要通过传统目标检测算法完成检测任务。传统车辆检测方法主要分为光流法、帧差法、背景差分法等。但是传统的车辆检测方法却存在很多局限性,例如:光流法很容易受到光源以及阴影变化的影响;帧差法对光线变化不是很敏感,但是不容易检测到运动缓慢的车辆;背景差分法则对背景场景的变化比较敏感。
近年来伴随着深度学习的飞速发展,基于卷积神经网络的车辆检测方法在计算机视觉领域内脱颖而出。通常使用的深度学习算法包括one-stage目标检测算法与two-stage目标检测算法。其中以YOLO、SSD等为代表的one-stage目标检测算法目标检测速度快,已经满足了实时检测的需求,但是准确率却相对较低;以R-CNN、Fast R-CNN、Faster R-CNN等为代表的two-stage目标检测算法准确率相对较高,但是检测速度却相对较低,不能满足实时检测的需求。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于高斯混合模型与深度学习的多类别车辆检测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于高斯混合模型与深度学习的多类别车辆检测方法,该方法包括以下步骤:
步骤A:获取道路高清监控视频并将其分解为单帧图像;
步骤B:通过高斯混合模型背景差分法对单帧图像进行前景提取并同时进行轮廓检测,获得待检测的ROI区域;
步骤C:将ROI区域传入至改进的SqueezeNet网络进行类别检测,获得检测结果;
步骤D:将每一类别的车辆对应的检测结果进行汇总并同时获取视频检测的检测速度;
步骤E:将每一帧的视频对应的由检测结果和检测速度组成的最终结果通过显示反馈给用户并同时将最终结果备份以用于检查补漏。
进一步地,所述的步骤A具体包括:将道路高清监控视频分解成与原视频分辨率相一致的单帧图像,并同时初始化与道路高清监控视频分辨率相一致的备份视频。
进一步地,所述分辨率的范围为(640*480,1920*1080)。
进一步地,所述的步骤B包括以下分步骤:
步骤B1:通过高斯混合模型背景差分法对对单帧图像进行前景提取;
步骤B2:对提取的前景分别进行二值化操作、腐蚀操作和膨胀操作以去除噪声和毛刺,获得经过形态学操作的前景;
步骤B3:对经过形态学操作的前景提取初始ROI区域并进行阈值判定,将大于阈值的ROI区域作为待检测的ROI区域。
进一步地,所述的步骤C的SqueezeNet网络的改进包括只使用5个fire module模块和将fire module4和fire module5的输出进行相加。
进一步地,所述的步骤C包括以下分步骤:
步骤C1:收集不同时间段内的视频流,并按照设定的帧数间隔对视频帧进行存储;
步骤C2:将视频帧中的不同类别的车辆提取并制作训练数据集;
步骤C3:对改进的SqueezeNet网络保留初始权重,对其添加全连接层和softmax层后利用训练数据集训练改进的SqueezeNet网络;
步骤C4:将ROI区域传入至经过训练的改进的SqueezeNet网络进行类别检测,获得检测结果。
进一步地,所述的步骤D包括以下分步骤:
步骤D1:每一帧图像的各类别车辆检测结束获得检测结果后,在新一帧的图像开始检测之前,将各类别车辆计数器重置;
步骤D2:在每一帧图像处理前和处理后记录计时周期数,同时记录CPU频率,根据计时周期数和CPU频率获取FPS,即视频检测的检测速度。
进一步地,所述步骤E具体包括:将每一帧的视频检测结果汇成视频流实时显示出来,供用户在后台或者远程进行监控,同时对视频检测结果进行备份,备份视频分辨率与输入视频保持一致,设置分辨率、帧数和视频格式,供用户备份检查以防漏检或错检。
与现有技术相比,本发明具有以下优点:
1、本发明做到了传统算法与深度学习算法的相结合,将高斯混合模型与深度学习模型结合使用,充分利用传统算法与深度学习算法的优势,检测速度快且准确。
2、本发明将原始的SqueezeNet网络架构进行了改进,在不减少检测精度的条件下使用更少的模型参数量,从而获得更小的检测模型,使该方法更加具有应用可行性。
3、本发明在正式检测之前,只需要使用少量的样本预训练改进的SqueezeNet网络则可以达到较好的检测效果,同时将模型后面的输出进行相结合,在没有增加参数量的情况下增加模型感受野进一步提升检测准确率。
附图说明
图1为本发明一种基于高斯混合模型与深度学习的多类别车辆检测方法的流程框图;
图2为本发明实施例的ROI区域获取流程框图;
图3为本发明实施例的改进的SqueezeNet网络结构框图。
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,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
本发明提出了一种基于高斯混合模型与深度学习的多类别车辆检测方法(如图1所示),包括如下步骤:
A.通过高清摄像头(路口监控摄像头)获得道路高清监控视频,并将其通过网络传递给后台服务器供接下来使用。
A步骤中细节:
A1.将视频分解成连续单帧图像供接下来使用,单帧图像与原视频分辨率保持一致,推荐分辨率位于(640*480,1920*1080)。
A2.获取输入视频的分辨率,同时初始化检测备份视频,备份视频分辨率与输入原始视频保持一致,推荐分辨率位于(640*480,1920*1080)。
B.通过高斯混合模型背景差分法进行前景提取,同时进行轮廓检测,获得待检测的ROI区域,将ROI区域进行临时存储准备下面的检测工作。
B步骤中细节:
B1.对提取的前景分别进行二值化、腐蚀、膨胀等形态学操作,去除噪声、毛刺等形态学问题。
B2.轮廓检测后对提取出来的初始ROI(region of interest)区域进行阈值判定(如图2所示),将小于阈值的ROI区域进行抑制不予以检测,只检测大于阈值的ROI区域。
C.将ROI区域传入到改进后的SqueezeNet网络进行类别检测,对道路中的car、bus、truck进行检测并将检测结果显示出来。
C步骤中细节:
C步骤还使用了改进后的SqueezeNet网络架构,SqueezeNet原始架构由firemodule,数据输入层,卷积层,池化层,softmax层等组成。其中每一个fire module由一个squeeze层和一个expand层组成。
其中,
所述fire module,是SqueezeNet中的基础构建模块;
所述数据输入层,用于接收特征数据;
所述卷积层,用于提取特征数据的特征;
所述池化层,用于降采样;
所述softmax层,用于分类。
进一步,
所使用的改进后的SqueezeNet网络架构(如图3所示),在原先SqueezeNet架构的基础上,只使用了5个fire module模块,同时将fire module4与fire module5的输出进行了相加,在不增加模型参数的基础上,增加了模型的感受野,使模型增加检测准确率。在使用之前要先对改进后的SqueezeNet网络模型进行微调,其中C步骤中的细节还包括:
C1.收集少量视频流,并按照一定的帧数间隔对视频帧进行存储,此时推荐使用不同时间段内的视频流,以保证模型的泛化能力。
C2.将视频帧中的不同类别的车辆提取出来制作数训练据集,将不同类别的车辆图像放置在不同的文件夹内,每类图像数量不超过一百张即可。
C3.利用收集到的少量数据对改进后的SqueezeNet进行微调,不冻结原始SqueezeNet网络的初始权重,添加全连接层、softmax层进行微调,学习率为0.0001,在训练500轮左右即可达到较好的结果,将微调模型存储用于之后的分类检测任务。
D.将bus、car、truck每一类别的车辆进行检测分类汇总,同时计算视频检测的检测速度。
D步骤中细节:
D1.每一帧图像检测各类别车辆检测结束后,在新一帧图像开始之前要将各类别车辆计数器重置,准备下一帧图像的检测。
D2.在每一帧图像处理前和处理后记录计时周期数,并且记录CPU频率。用于计算图像的处理速度,进一步计算FPS。
E.将每一帧的视频检测结果汇成视频流实时显示出来,供用户在后台或者远程进行监控,同时对检测视频结果进行备份,备份视频分辨率与输入视频保持一致,推荐分辨率位于(640*480,1920*1080),帧数25,视频格式MP4等,供用户备份检查,以防漏检或错检。
E步骤中细节:
E1.将各类别车辆统计结果、视频检测速度反馈给用户。
E2.将备份视频备份到指定路径,其中检测视频的备份文件与原视频格式保持一致。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于高斯混合模型与深度学习的多类别车辆检测方法,其特征在于,该方法包括以下步骤:
步骤A:获取道路高清监控视频并将其分解为单帧图像;
步骤B:通过高斯混合模型背景差分法对单帧图像进行前景提取并同时进行轮廓检测,获得待检测的ROI;
步骤C:将ROI传入至改进的SqueezeNet网络进行类别检测,获得检测结果;
步骤D:将每一类别的车辆对应的检测结果进行汇总并同时获取视频检测的检测速度;
步骤E:将每一帧的视频对应的由检测结果和检测速度组成的最终结果通过显示反馈给用户并同时将最终结果备份以用于检查补漏;
所述的步骤C包括以下分步骤:
步骤C1:收集不同时间段内的视频流,并按照设定的帧数间隔对视频帧进行存储;
步骤C2:将视频帧中的不同类别的车辆提取并制作训练数据集;
步骤C3:对改进的SqueezeNet网络保留初始权重,对其添加全连接层和softmax层后利用训练数据集训练改进的SqueezeNet网络;
步骤C4:将ROI传入至经过训练的改进的SqueezeNet网络进行类别检测,获得检测结果。
2.根据权利要求1所述的一种基于高斯混合模型与深度学习的多类别车辆检测方法,其特征在于,所述的步骤A具体包括:将道路高清监控视频分解成与原视频分辨率相一致的单帧图像,并同时初始化与道路高清监控视频分辨率相一致的备份视频。
3.根据权利要求2所述的一种基于高斯混合模型与深度学习的多类别车辆检测方法,其特征在于,所述分辨率的范围为(640*480,1920*1080)。
4.根据权利要求1所述的一种基于高斯混合模型与深度学习的多类别车辆检测方法,其特征在于,所述的步骤B包括以下分步骤:
步骤B1:通过高斯混合模型背景差分法对单帧图像进行前景提取;
步骤B2:对提取的前景分别进行二值化操作、腐蚀操作和膨胀操作以去除噪声和毛刺,获得经过形态学操作的前景;
步骤B3:对经过形态学操作的前景提取初始ROI并进行阈值判定,将大于阈值的ROI作为待检测的ROI。
5.根据权利要求1所述的一种基于高斯混合模型与深度学习的多类别车辆检测方法,其特征在于,所述的步骤C的SqueezeNet网络的改进包括只使用5个fire module模块和将fire module4和fire module5的输出进行相加。
6.根据权利要求1所述的一种基于高斯混合模型与深度学习的多类别车辆检测方法,其特征在于,所述的步骤D包括以下分步骤:
步骤D1:每一帧图像的各类别车辆检测结束获得检测结果后,在新一帧的图像开始检测之前,将各类别车辆计数器重置;
步骤D2:在每一帧图像处理前和处理后记录计时周期数,同时记录CPU频率,根据计时周期数和CPU频率获取FPS,即视频检测的检测速度。
7.根据权利要求1所述的一种基于高斯混合模型与深度学习的多类别车辆检测方法,其特征在于,所述步骤E具体包括:将每一帧的视频检测结果汇成视频流实时显示出来,供用户在后台或者远程进行监控,同时对视频检测结果进行备份,备份视频分辨率与输入视频保持一致,设置分辨率、帧数和视频格式,供用户备份检查以防漏检或错检。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910726408.XA CN110543827B (zh) | 2019-08-07 | 2019-08-07 | 一种基于高斯混合模型与深度学习的多类别车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910726408.XA CN110543827B (zh) | 2019-08-07 | 2019-08-07 | 一种基于高斯混合模型与深度学习的多类别车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110543827A CN110543827A (zh) | 2019-12-06 |
CN110543827B true CN110543827B (zh) | 2023-06-02 |
Family
ID=68710102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910726408.XA Active CN110543827B (zh) | 2019-08-07 | 2019-08-07 | 一种基于高斯混合模型与深度学习的多类别车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110543827B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183204A (zh) * | 2020-08-26 | 2021-01-05 | 深圳市诺龙技术股份有限公司 | 一种停车事件的检测方法和装置 |
CN112883813B (zh) * | 2021-01-26 | 2022-02-01 | 南京公路发展(集团)有限公司 | 一种基于监控视频的高速公路路面抛洒物检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886795A (zh) * | 2017-02-17 | 2017-06-23 | 北京维弦科技有限责任公司 | 基于图像中的显著物体的物体识别方法 |
CN108156519A (zh) * | 2017-12-25 | 2018-06-12 | 深圳Tcl新技术有限公司 | 图像分类方法、电视设备及计算机可读存储介质 |
CN108288047A (zh) * | 2018-02-07 | 2018-07-17 | 成都新舟锐视科技有限公司 | 一种行人/车辆检测方法 |
CN109002807A (zh) * | 2018-07-27 | 2018-12-14 | 重庆大学 | 一种基于ssd神经网络的驾驶场景车辆检测方法 |
-
2019
- 2019-08-07 CN CN201910726408.XA patent/CN110543827B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886795A (zh) * | 2017-02-17 | 2017-06-23 | 北京维弦科技有限责任公司 | 基于图像中的显著物体的物体识别方法 |
CN108156519A (zh) * | 2017-12-25 | 2018-06-12 | 深圳Tcl新技术有限公司 | 图像分类方法、电视设备及计算机可读存储介质 |
CN108288047A (zh) * | 2018-02-07 | 2018-07-17 | 成都新舟锐视科技有限公司 | 一种行人/车辆检测方法 |
CN109002807A (zh) * | 2018-07-27 | 2018-12-14 | 重庆大学 | 一种基于ssd神经网络的驾驶场景车辆检测方法 |
Non-Patent Citations (3)
Title |
---|
OpenCV3-Python之MOG2、KNN和GMG背景分割器;admin;《https://www.yyearth.com/index.php?aid=243》;20180912;网页全文 * |
基于卷积神经网络的车辆和行人检测算法;潘婷等;《浙江科技学院学报》;20181030(第05期);第398-403页 * |
基于稀疏特征的交通流视频检测算法;张鹏等;《南京大学学报(自然科学)》;20150330(第02期);第264-270页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110543827A (zh) | 2019-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368687B (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
CN107292386B (zh) | 使用深度学习的基于视觉的雨水检测 | |
CN111899227A (zh) | 基于无人机作业的铁路扣件缺陷自动采集辨识方法 | |
CN110263706B (zh) | 一种雾霾天气车载视频动态目标检测和识别的方法 | |
CN111461083A (zh) | 基于深度学习的快速车辆检测方法 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
WO2022237139A1 (zh) | 一种基于LaneSegNet的车道线检测方法及*** | |
CN110222596B (zh) | 一种基于视觉的驾驶员行为分析防作弊方法 | |
CN107563299B (zh) | 一种利用ReCNN融合上下文信息的行人检测方法 | |
CN110543827B (zh) | 一种基于高斯混合模型与深度学习的多类别车辆检测方法 | |
CN111027370A (zh) | 一种多目标跟踪及行为分析检测方法 | |
CN110245577A (zh) | 目标车辆识别方法、装置及车辆实时监控*** | |
CN114332942A (zh) | 基于改进YOLOv3的夜间红外行人检测方法及*** | |
CN112232240A (zh) | 一种基于优化交并比函数的道路抛洒物检测与识别方法 | |
CN114037834B (zh) | 一种基于振动信号和rgb图像融合的语义分割方法及装置 | |
CN116258940A (zh) | 一种多尺度特征及自适应权重的小目标检测方法 | |
CN115115973A (zh) | 一种基于多感受野与深度特征的弱小目标检测方法 | |
CN110008834B (zh) | 一种基于视觉的方向盘干预检测与统计方法 | |
Zhao et al. | Image dehazing based on haze degree classification | |
CN101320477A (zh) | 一种人体跟踪方法及其设备 | |
CN112052829B (zh) | 一种基于深度学习的飞行员行为监控方法 | |
CN110889347B (zh) | 基于时空计数特征的密度交通流计数方法及*** | |
Muniruzzaman et al. | Deterministic algorithm for traffic detection in free-flow and congestion using video sensor | |
CN114882469A (zh) | 一种基于dl-ssd模型的交通标志检测方法及*** | |
Pillai et al. | Fine-Tuned EfficientNetB4 Transfer Learning Model for Weather Classification |
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 |