CN110555347B - 具有危险载货行为的车辆目标识别方法、装置及电子设备 - Google Patents

具有危险载货行为的车辆目标识别方法、装置及电子设备 Download PDF

Info

Publication number
CN110555347B
CN110555347B CN201810557515.XA CN201810557515A CN110555347B CN 110555347 B CN110555347 B CN 110555347B CN 201810557515 A CN201810557515 A CN 201810557515A CN 110555347 B CN110555347 B CN 110555347B
Authority
CN
China
Prior art keywords
vehicle
area
image
cargo
vehicle target
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
CN201810557515.XA
Other languages
English (en)
Other versions
CN110555347A (zh
Inventor
杜磊
余声
罗兵华
钮毅
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.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital 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 Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN201810557515.XA priority Critical patent/CN110555347B/zh
Publication of CN110555347A publication Critical patent/CN110555347A/zh
Application granted granted Critical
Publication of CN110555347B publication Critical patent/CN110555347B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供了一种具有危险载货行为的车辆目标识别方法、装置及电子设备，具有危险载货行为的车辆目标识别方法包括：对待检测图像进行车辆目标检测，确定待检测图像中车辆目标所处区域；根据车辆目标所处区域在待检测图像中的位置关系，对车辆目标所处区域进行调整，定位出待检测图像中的车辆载货感兴趣区域，其中，车辆目标所处区域为待检测图像中仅包含车辆目标的车头或者车尾的区域，车辆载货感兴趣区域中包括车辆目标的载货特征；采用预先训练的神经网络模型，对车辆载货感兴趣区域中的车辆目标进行分类识别，判断车辆目标是否为具有危险载货行为的车辆目标。通过本方案可以准确识别具有危险载货行为的车辆目标。

Description

具有危险载货行为的车辆目标识别方法、装置及电子设备
技术领域
本发明涉及智能交通技术领域，特别是涉及一种具有危险载货行为的车辆目标识别方法、装置及电子设备。
背景技术
在公共交通中，车辆常常会出现危险载货的行为，如图1a及图1b所示的货车超载货物，图1c及图1d所示的三轮车超载货物，图1e及图1f所示的轿车车顶悬挂、捆绑货物等等，车辆的危险载货行为容易造成交通安全事故。因此，为了便于公共交通安全相关部门的管理工作，需要对道路中这类存在危险载货行为的车辆进行识别。传统的识别方法中，通过人工筛选的方式，从大量的视频监控图像数据中筛选出具有危险载货行为的车辆，而视频监控图像数据的数据量往往是非常庞大的，这将消耗大量的人工时间和精力，且极易出现漏检、误检的情况。
近年来，随着人工智能的快速发展，深度学习方法逐渐成为图像中目标识别的主流技术。在公共交通中，基于深度学习的识别方法中对于车辆是否具有危险载货行为还无法进行准确识别。
发明内容
本发明实施例的目的在于提供一种具有危险载货行为的车辆目标识别方法、装置及电子设备，以准确识别具有危险载货行为的车辆目标。具体技术方案如下：
第一方面，本发明实施例提供了一种具有危险载货行为的车辆目标识别方法，所述方法包括：
对待检测图像进行车辆目标检测，确定所述待检测图像中车辆目标所处区域；
根据所述车辆目标所处区域在所述待检测图像中的位置关系，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域，所述车辆目标所处区域为所述待检测图像中仅包含所述车辆目标的车头或者车尾的区域，所述车辆载货感兴趣区域中包括所述车辆目标的载货特征；
采用预先训练的神经网络模型，对所述车辆载货感兴趣区域中的所述车辆目标进行分类识别，判断所述车辆目标是否为具有危险载货行为的车辆目标。
可选的，在所述根据所述车辆目标所处区域在所述待检测图像中的位置关系，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域之前，所述方法还包括：
判断所述车辆目标所处区域的尺寸是否大于预设尺寸；
若是，则执行所述根据所述车辆目标所处区域在所述待检测图像中的位置关系，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域。
可选的，所述根据所述车辆目标所处区域在所述待检测图像中的位置关系，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域，包括：
确定所述车辆目标所处区域中的预设坐标点；
以所述预设坐标点为基准，按照预设比例放大所述车辆目标所处区域，得到车辆载货感兴趣区域。
可选的，所述根据所述车辆目标所处区域在所述待检测图像中的位置关系，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域，包括：
获取所述车辆目标所处区域的下边框的宽度，所述车辆目标所处区域为所述车辆目标的车头或者车尾所处的矩形区域；
通过将所述下边框的中点设置为车辆载货感兴趣区域的下边框中点、将第一高度设置为所述车辆载货感兴趣区域的高度、将第一宽度设置为所述车辆载货感兴趣区域的宽度，来定位所述车辆载货感兴趣区域，其中，所述第一高度为所述下边框的宽度与第一预设倍数的乘积，所述第一宽度为所述下边框的宽度与第二预设倍数的乘积。
可选的，所述神经网络模型的训练过程，包括：
获取多个包含具有危险载货行为的车辆目标的正样本，以及多个包含不具有危险载货行为的车辆目标的负样本；
根据标定的各正样本及各负样本中包含有车辆目标的车辆载货感兴趣区域坐标信息，提取各正样本图像及各负样本图像，其中，所述正样本图像为正样本中车辆载货感兴趣区域内的图像，所述负样本图像为负样本中车辆载货感兴趣区域内的图像；
基于各正样本图像及各负样本图像，训练所述神经网络模型。
第二方面，本发明实施例提供了一种具有危险载货行为的车辆目标识别装置，所述装置包括：
检测模块，用于对待检测图像进行车辆目标检测，确定所述待检测图像中车辆目标所处区域；
定位模块，用于根据所述车辆目标所处区域在所述待检测图像中的位置关系，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域，所述车辆目标所处区域为所述待检测图像中仅包含所述车辆目标的车头或者车尾的区域，所述车辆载货感兴趣区域中包括所述车辆目标的载货特征；
识别模块，用于采用预先训练的神经网络模型，对所述车辆载货感兴趣区域中的所述车辆目标进行分类识别，判断所述车辆目标是否为具有危险载货行为的车辆目标。
可选的，所述装置还包括：
判断模块，用于判断所述车辆目标所处区域的尺寸是否大于预设尺寸；
所述定位模块，具体用于若所述判断模块的判断结果为是，则执行所述根据所述车辆目标所处区域在所述待检测图像中的位置关系，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域。
可选的，所述定位模块，具体用于：
确定所述车辆目标所处区域中的预设坐标点；
以所述预设坐标点为基准，按照预设比例放大所述车辆目标所处区域，得到车辆载货感兴趣区域。
可选的，所述定位模块，具体用于：
获取所述车辆目标所处区域的下边框的宽度，所述车辆目标所处区域为所述车辆目标的车头或者车尾所处的矩形区域；
通过将所述下边框的中点设置为车辆载货感兴趣区域的下边框中点、将第一高度设置为所述车辆载货感兴趣区域的高度、将第一宽度设置为所述车辆载货感兴趣区域的宽度，来定位所述车辆载货感兴趣区域，其中，所述第一高度为所述下边框的宽度与第一预设倍数的乘积，所述第一宽度为所述下边框的宽度与第二预设倍数的乘积。
可选的，所述装置还包括：
获取模块，用于获取多个包含具有危险载货行为的车辆目标的正样本，以及多个包含不具有危险载货行为的车辆目标的负样本；
提取模块，用于根据标定的各正样本及各负样本中包含有车辆目标的车辆载货感兴趣区域坐标信息，提取各正样本图像及各负样本图像，其中，所述正样本图像为正样本中车辆载货感兴趣区域内的图像，所述负样本图像为负样本中车辆载货感兴趣区域内的图像；
训练模块，用于基于各正样本图像及各负样本图像，训练所述神经网络模型。
第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器，其中，
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的计算机程序时，实现本发明实施例第一方面所述的方法步骤。
本发明实施例提供的一种具有危险载货行为的车辆目标识别方法、装置及电子设备，通过对待检测图像进行车辆目标检测，得到待检测图像中车辆目标所处区域，根据车辆目标所处区域在待检测图像中的位置关系，对车辆目标所处区域进行调整，定位出包含有载货特征的车辆载货感兴趣区域，通过采用预先训练的神经网络模型，对车辆载货感兴趣区域中的车辆目标进行分类识别，即可以判断车辆目标是否为具有危险载货行为的车辆目标。由于具有危险载货行为的车辆目标相较于不具有危险载货行为的目标，目标的***轮廓大小不同，车辆目标所处区域为仅包含车辆目标的车头或者车尾的区域，因此，通过对车辆目标所处区域进行调整，保证调整后的车辆载货感兴趣区域可以包括车辆目标的载货特征，再采用预先训练的神经网络模型，即可准确地分类识别出车辆目标是否具有危险载货行为。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1a为一种货车超载货物的示意图；
图1b为另一种货车超载货物的示意图；
图1c为一种三轮车超载货物的示意图；
图1d为另一种三轮车超载货物的示意图；
图1e为一种轿车车顶悬挂自行车的示意图；
图1f为另一种轿车车顶悬挂自行车的示意图；
图2为本发明实施例的具有危险载货行为的车辆目标识别方法的流程简图；
图3为本发明一实施例的具有危险载货行为的车辆目标识别方法的流程示意图；
图4为本发明一实施例的车辆载货感兴趣区域定位方法的流程示意图；
图5a为本发明实施例基于车头的车辆载货感兴趣区域的示意图；
图5b为本发明实施例基于车尾的车辆载货感兴趣区域的示意图；
图6为本发明另一实施例的车辆载货感兴趣区域定位方法的流程示意图；
图7a为本发明实施例基于车头的车辆载货感兴趣区域的定位效果图；
图7b为本发明实施例基于车尾的车辆载货感兴趣区域的定位效果图；
图8为本发明另一实施例的具有危险载货行为的车辆目标识别方法的流程示意图；
图9为本发明一实施例的具有危险载货行为的车辆目标识别装置的结构示意图；
图10为本发明另一实施例的具有危险载货行为的车辆目标识别装置的结构示意图；
图11为本发明又一实施例的具有危险载货行为的车辆目标识别装置的结构示意图；
图12为本发明实施例的电子设备的结构示意图。
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。
为了准确识别具有危险载货行为的车辆目标，本发明实施例提供了一种具有危险载货行为的车辆目标识别方法、装置及电子设备。
本发明实施例中的术语解释如下：
Machine Learning(机器学习)：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。
智能交通：是将先进的信息技术、数据通讯传输技术、电子传感技术、控制技术及计算机技术等有效地集成运用于整个地面交通管理***而建立的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合交通运输管理***。它的突出特点是以信息的收集、处理、发布、交换、分析、利用为主线，为交通参与者提供多样性的服务。
车辆危险载货行为：是指车辆载货存在安全隐患的行为，如：三轮车超载货物；货车超载货物；轿车或客车车顶悬挂、捆绑货物等等。这类危险载货行为容易造成交通安全事故。
CNN(Convolutional Neural Networks，卷积神经网络)，是一种深度的监督学习下的机器学习模型，是第一个真正成功训练多层网络结构的学习算法。它利用空间关系减少需要学习的参数数目以提高一般前向BP算法的训练性能。
下面首先对本发明实施例所提供的一种具有危险载货行为的车辆目标识别方法进行介绍。
本发明实施例所提供的一种具有危险载货行为的车辆目标识别方法的执行主体可以为执行智能算法的电子设备，该电子设备可以为执行智能算法的相机(例如，智能照相机、网络摄像机等)，为了能够实现目标识别的功能，执行主体中应该至少包括搭载有核心处理芯片的处理器。实现本发明实施例所提供的一种具有危险载货行为的车辆目标识别方法可以为设置于执行主体中的软件、硬件电路和逻辑电路中的至少一种方式。
如图2所示，为本发明实施例所提供的一种具有危险载货行为的车辆目标识别方法的流程简图。方法流程步骤主要包括：获取图像数据；获取车辆检测信息；车辆载货感兴趣区域定位；识别目标车辆是否存在危险载货行为。
下面，对本发明实施例所提供的一种具有危险载货行为的车辆目标识别方法的各步骤进行详细介绍，如图3所示。
S301，对待检测图像进行车辆目标检测，确定待检测图像中车辆目标所处区域。
待检测图像为需要进行车辆目标检测的图像，判断该图像中是否存在具有危险载货行为的车辆目标，并且确定具有危险载货行为的车辆目标在该图像中的位置。待检测图像可以是架设在路口、检测站、限宽(或限高)卡口等位置的相机拍摄的道路交通视频图像，为了便于车辆目标检测，待检测图像可以是相机拍摄的图像经过归一化、平移、翻转、分割等预处理后得到的图像。
对待检测图像进行车辆目标检测的方式，可以为传统的将待检测图像中各目标与车辆目标模板进行比对，相似度大于一定阈值则确定为车辆目标；也可以为神经网络检测的方法，将待检测图像输入预先训练好的用于车辆目标检测的神经网络模型中，输出即为车辆目标的信息；还可以为多特征决策融合的方法，通过将待检测图像进行前背景分离，提取到初步的运动前景团块，接着在提取的运动前景团块中进行运动前景团块筛选，得到前景感兴趣区域，然后基于多特征决策融合的车辆检测方法，得到最终的检测结果。上述对待检测图像进行车辆目标检测的方式以及其他能够检测图像中车辆目标的方式均属于本发明实施例的保护范围，这里不做具体限定。通过车辆目标检测，得到的车辆目标所处区域往往为包含车头或者车尾所有特征的最小区域，该区域可能为矩形区域，也可能为圆形区域、多边形区域等。
S302，根据车辆目标所处区域在待检测图像中的位置关系，对车辆目标所处区域进行调整，定位出待检测图像中的车辆载货感兴趣区域。
其中，车辆目标所处区域为待检测图像中仅包含车辆目标的车头或者车尾的区域，车辆载货感兴趣区域中包括车辆目标的载货特征。具有危险载货行为的车辆通常为超载货物的车辆，具有危险载货行为的车辆的***轮廓往往大于安全载货的车辆，当然，具有危险载货行为的车辆还有可能为所载货物超长、超宽等情况，因此，在进行对具有危险载货行为的车辆目标识别之前，需要将检测得到的车辆目标所处区域进行调整，尽可能的可以包含车辆目标的载货特征，将调整后的区域确定为车辆载货感兴趣区域。
具体车辆载货感兴趣区域定位方式如图4所示，主要包括：检测车辆目标的位置坐标；根据位置坐标，运算位置关系；根据位置关系来定位车辆载货感兴趣区域。
可选的，S302具体可以为：确定车辆目标所处区域中的预设坐标点；以预设坐标点为基准，按照预设比例放大车辆目标所处区域，得到车辆载货感兴趣区域。
预设坐标点可以为车辆目标所处区域的中心点，例如，若车辆目标所处区域为圆形区域，则预设坐标点可以选择圆形区域的圆心；若车辆目标所处区域为矩形区域，则预设坐标点可以选择矩形区域对角线的交点；若车辆目标所处区域为正多边形区域，则预设坐标点可以选择正多边形区域的外接圆圆心。预设坐标点还可以为车辆目标所处区域的边框上的某一点，例如，边框的顶点、边框的中点等。
将车辆目标所处区域进行放大，实际就是将车辆目标所处区域的面积扩大，例如，针对圆形区域，可以是圆心为基准，将原圆形区域的半径增大预设比例，得到半径更大的新的同心圆作为车辆载货感兴趣区域；又例如，针对矩形区域，可以是以边框中心为基准，将矩形区域的长和宽均增大预设比例，得到面积更大的矩形区域作为车辆载货感兴趣区域。
由于车辆目标的车头及车尾一般为矩形，其他形状的相对较少，因此，在进行车辆目标检测时，得到的车辆目标所处区域往往为矩形区域。针对车辆目标所处区域为矩形区域，可选的，S302具体可以为：获取车辆目标所处区域的下边框的宽度，其中，车辆目标所处区域为车辆目标的车头或车尾所处的矩形区域；通过将下边框的中点设置为车辆载货感兴趣区域的下边框中点、将第一高度设置为车辆载货感兴趣区域的高度、将第一宽度设置为车辆载货感兴趣区域的宽度，来定位车辆载货感兴趣区域，其中，第一高度为下边框的宽度与第一预设倍数的乘积，第一宽度为下边框的宽度与第二预设倍数的乘积。
一般情况下，车辆目标载货特征在车辆的顶部，具有危险载货行为的车辆目标的顶部大于普通的车辆目标，因此，在通过车辆目标检测得到车辆目标所处区域后，可以向车辆目标所处区域的顶部放大该区域，并且，一般情况下，为了防止车辆出现侧翻的情况，车辆在载货时，货物的布置往往是左右对称的，因此，可以基于车辆目标所处区域的下边框的中点放大车辆目标所处区域。
具体的，通过公式h＝b*width，w＝c*width即可分别计算出车辆载货感兴趣区域下边框中点至车辆载货感兴趣区域上边框和左/右边框的距离，其中，h为车辆载货感兴趣区域下边框中点至车辆载货感兴趣区域上边框的距离，w为车辆载货感兴趣区域下边框中点至车辆载货感兴趣区域左/右边框的距离，width为车辆目标所处区域的下边框宽度，b为第一预设倍数、c为第二预设倍数，b和c可以为实验统计得到的数值，例如b＝1.2、c＝0.6。最后，结合车辆载货感兴趣区域下边框中点、车辆载货感兴趣区域下边框中点至车辆载货感兴趣区域上边框的距离h，车辆载货感兴趣区域下边框中点至车辆载货感兴趣区域左/右边框的距离w，即可计算出车辆载货感兴趣区域。如图5a与图5b中虚线矩形框区域，图中实线矩形框区域为车辆目标所处区域。
在定位车辆载货感兴趣区域的具体使用时，如图6所示，首先判断车辆检测结果是否有效，即需要判断所识别的车辆目标是否为真是有效的车辆目标，如果无效，则不检测车辆目标是否存在危险载货行为。
基于图5a及图5b所示，最终的车辆载货感兴趣区域的定位效果如图7a及图7b所示。
S303，采用预先训练的神经网络模型，对车辆载货感兴趣区域中的车辆目标进行分类识别，判断车辆目标是否为具有危险载货行为的车辆目标。
在得到车辆载货感兴趣区域后，可以采用预先训练的神经网络模型对具有危险载货行为的车辆目标进行识别。具体的，可以通过CNN模型对车辆载货感兴趣区域中的车辆目标进行分类识别处理，进而输出结果。由于在识别车辆目标是否具有危险载货行为时，一般只需要识别有危险载货行为或者没有危险载货行为，因此，通常情况下，可以选择CNN模型为一个二分类模型。
可选的，神经网络模型的训练过程可以包括：获取多个包含具有危险载货行为的车辆目标的正样本，以及多个包含不具有危险载货行为的车辆目标的负样本；根据标定的各正样本及各负样本中包含有车辆目标的车辆载货感兴趣区域坐标信息，提取各正样本图像及各负样本图像，其中，正样本图像为正样本中车辆载货感兴趣区域内的图像，负样本图像为负样本中车辆载货感兴趣区域内的图像；基于各正样本图像及各负样本图像，训练神经网络模型。
所训练的神经网络模型实际是一种分类模型，可以对车辆目标是否具有载货行为进行分类，可以将包含具有危险载货行为的车辆目标的样本作为正样本、将包含不具有危险载货行为的车辆目标的样本作为负样本，这样，训练得到的分类模型可以为二分类模型。在获取正样本和负样本时，理论上样本越多越好，但实际获取到具有危险载货行为的车辆是有限的，因此满足一定数量即可，但需要保证正、负样本的数量相近。
对于所获取到的正、负样本，需要进行车辆载货感兴趣区域中的图像截图处理，车辆载货感兴趣区域可以为基于现有的车辆目标所处区域放大的方式确定，如上述放大的方式，这里不再赘述，截图处理可以理解为通过对车辆载货感兴趣区域坐标信息的标定，提取其中的图像，基于正样本图像和负样本图像，训练神经网络模型，即可得到二分类模型。
通过将待检测图像输入二分类模型，可以快速识别出待检测图像中是否存在具有危险载货行为的车辆目标，并确定该车辆目标的位置，二分类模型实际就是多个卷积层的运算，最后通过分类器得到车辆目标的类别，训练的过程就是各卷积层的网络层参数的调整过程，保证输出的为识别具有危险载货行为的车辆目标的结果，具体的运算过程在这里不再赘述。
将图7a或者图7b输入预先训练的神经网络模型，即可得到车辆目标具有危险载货行为的识别结果。
应用本实施例，通过对待检测图像进行车辆目标检测，得到待检测图像中车辆目标所处区域，根据车辆目标所处区域在待检测图像中的位置关系，对车辆目标所处区域进行调整，定位出包含有载货特征的车辆载货感兴趣区域，通过采用预先训练的神经网络模型，对车辆载货感兴趣区域中的车辆目标进行分类识别，即可以判断车辆目标是否为具有危险载货行为的车辆目标。由于具有危险载货行为的车辆目标相较于不具有危险载货行为的目标，目标的***轮廓大小不同，车辆目标所处区域为仅包含车辆目标的车头或者车尾的区域，因此，通过对车辆目标所处区域进行调整，保证调整后的车辆载货感兴趣区域可以包括车辆目标的载货特征，再采用预先训练的神经网络模型，即可准确地分类识别出车辆目标是否具有危险载货行为。
基于图3所示实施例，本发明实施例还提供了一种具有危险载货行为的车辆目标识别方法，如图8所示，该具有危险载货行为的车辆目标识别方法可以包括如下步骤。
S801，对待检测图像进行车辆目标检测，确定待检测图像中车辆目标所处区域。
S802，判断车辆目标所处区域的尺寸是否大于预设尺寸。若是则执行S803，否则执行S805。
S803，根据车辆目标所处区域在待检测图像中的位置关系，对车辆目标所处区域进行调整，定位出待检测图像中的车辆载货感兴趣区域。
S804，采用预先训练的神经网络模型，对车辆载货感兴趣区域中的车辆目标进行分类识别，判断车辆目标是否为具有危险载货行为的车辆目标。
S805，丢弃车辆目标所处区域。
相机在拍摄道路图像时，车辆目标可能离相机较远，则通过检测得到的车辆目标所处区域为非常小的区域，即便对车辆目标所处区域进行调整，也无法准确识别出该车辆目标是否为具有危险载货行为的车辆目标，因此，设置一预设尺寸，例如255*255，在车辆目标所处区域的尺寸大于255*255，才可以进行区域调整、具有危险载货行为的车辆目标识别的操作，这样保证了识别的准确性。如果车辆目标所处区域的尺寸小于或等于预设尺寸，说明识别错误的可能性较大，则对该车辆目标所处区域丢弃，即不进行区域调整、具有危险载货行为的车辆目标识别的操作。
应用本实施例，通过对待检测图像进行车辆目标检测，得到待检测图像中车辆目标所处区域，根据车辆目标所处区域在待检测图像中的位置关系，对车辆目标所处区域进行调整，定位出包含有载货特征的车辆载货感兴趣区域，通过采用预先训练的神经网络模型，对车辆载货感兴趣区域中的车辆目标进行分类识别，即可以判断车辆目标是否为具有危险载货行为的车辆目标。由于具有危险载货行为的车辆目标相较于不具有危险载货行为的目标，目标的***轮廓大小不同，车辆目标所处区域为仅包含车辆目标的车头或者车尾的区域，因此，通过对车辆目标所处区域进行调整，保证调整后的车辆载货感兴趣区域可以包括车辆目标的载货特征，再采用预先训练的神经网络模型，即可准确地分类识别出车辆目标是否具有危险载货行为。并且，通过判断检测的车辆目标所处区域的尺寸是否大于预设尺寸来决定是否进行区域调整、具有危险载货行为的车辆目标识别的操作，从而保证了目标识别的准确性。
相应于上述方法实施例，本发明实施例提供了一种具有危险载货行为的车辆目标识别装置，如图9所示，该具有危险载货行为的车辆目标识别装置可以包括如下模块。
检测模块910，用于对待检测图像进行车辆目标检测，确定所述待检测图像中车辆目标所处区域。
定位模块920，用于根据所述车辆目标所处区域在所述待检测图像中的位置关系，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域，所述车辆目标所处区域为所述待检测图像中仅包含所述车辆目标的车头或者车尾的区域，所述车辆载货感兴趣区域中包括所述车辆目标的载货特征。
识别模块930，用于采用预先训练的神经网络模型，对所述车辆载货感兴趣区域中的所述车辆目标进行分类识别，判断所述车辆目标是否为具有危险载货行为的车辆目标。
可选的，所述定位模块920，具体可以用于：确定所述车辆目标所处区域中的预设坐标点；以所述预设坐标点为基准，按照预设比例放大所述车辆目标所处区域，得到包含载货特征的车辆载货感兴趣区域。
可选的，所述定位模块920，具体可以用于：获取所述车辆目标所处区域的下边框的宽度，所述车辆目标所处区域为所述车辆目标的车头或者车尾所处的矩形区域；通过将所述下边框的中点设置为车辆载货感兴趣区域的下边框中点、将第一高度设置为所述车辆载货感兴趣区域的高度、将第一宽度设置为所述车辆载货感兴趣区域的宽度，来定位所述车辆载货感兴趣区域，其中，所述第一高度为所述下边框的宽度与第一预设倍数的乘积，所述第一宽度为所述下边框的宽度与第二预设倍数的乘积。
应用本实施例，通过对待检测图像进行车辆目标检测，得到待检测图像中车辆目标所处区域，根据车辆目标所处区域在待检测图像中的位置关系，对车辆目标所处区域进行调整，定位出包含有载货特征的车辆载货感兴趣区域，通过采用预先训练的神经网络模型，对车辆载货感兴趣区域中的车辆目标进行分类识别，即可以判断车辆目标是否为具有危险载货行为的车辆目标。由于具有危险载货行为的车辆目标相较于不具有危险载货行为的目标，目标的***轮廓大小不同，车辆目标所处区域为仅包含车辆目标的车头或者车尾的区域，因此，通过对车辆目标所处区域进行调整，保证调整后的车辆载货感兴趣区域可以包括车辆目标的载货特征，再采用预先训练的神经网络模型，即可准确地分类识别出车辆目标是否具有危险载货行为。
基于图9所示实施例，本发明实施例还提用了一种具有危险载货行为的车辆目标识别装置，如图10所示，该具有危险载货行为的车辆目标识别装置可以包括如下模块。
检测模块1010，用于对待检测图像进行车辆目标检测，确定所述待检测图像中车辆目标所处区域。
判断模块1020，用于判断所述车辆目标所处区域的尺寸是否大于预设尺寸。
定位模块1030，用于若所述判断模块1020的判断结果为是，则根据所述车辆目标所处区域在所述待检测图像中的位置关系，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域，所述车辆目标所处区域为所述待检测图像中仅包含所述车辆目标的车头或者车尾的区域，所述车辆载货感兴趣区域中包括所述车辆目标的载货特征。
识别模块1040，用于采用预先训练的神经网络模型，对所述车辆载货感兴趣区域中的所述车辆目标进行分类识别，判断所述车辆目标是否为具有危险载货行为的车辆目标。
应用本实施例，通过对待检测图像进行车辆目标检测，得到待检测图像中车辆目标所处区域，根据车辆目标所处区域在待检测图像中的位置关系，对车辆目标所处区域进行调整，定位出包含有载货特征的车辆载货感兴趣区域，通过采用预先训练的神经网络模型，对车辆载货感兴趣区域中的车辆目标进行分类识别，即可以判断车辆目标是否为具有危险载货行为的车辆目标。由于具有危险载货行为的车辆目标相较于不具有危险载货行为的目标，目标的***轮廓大小不同，车辆目标所处区域为仅包含车辆目标的车头或者车尾的区域，因此，通过对车辆目标所处区域进行调整，保证调整后的车辆载货感兴趣区域可以包括车辆目标的载货特征，再采用预先训练的神经网络模型，即可准确地分类识别出车辆目标是否具有危险载货行为。并且，通过判断检测的车辆目标所处区域的尺寸是否大于预设尺寸来决定是否进行区域调整、具有危险载货行为的车辆目标识别的操作，从而保证了目标识别的准确性。
基于图9所示实施例，本发明实施例还提用了一种具有危险载货行为的车辆目标识别装置，如图11所示，该具有危险载货行为的车辆目标识别装置可以包括如下模块。
检测模块1110，用于对待检测图像进行车辆目标检测，确定所述待检测图像中车辆目标所处区域。
定位模块1120，用于根据所述车辆目标所处区域在所述待检测图像中的位置关系，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域，所述车辆目标所处区域为所述待检测图像中仅包含所述车辆目标的车头或者车尾的区域，所述车辆载货感兴趣区域中包括所述车辆目标的载货特征。
获取模块1130，用于获取多个包含具有危险载货行为的车辆目标的正样本，以及多个包含不具有危险载货行为的车辆目标的负样本。
提取模块1140，用于根据标定的各正样本及各负样本中包含有车辆目标的车辆载货感兴趣区域坐标信息，提取各正样本图像及各负样本图像，其中，所述正样本图像为正样本中车辆载货感兴趣区域内的图像，所述负样本图像为负样本中车辆载货感兴趣区域内的图像。
训练模块1150，用于基于各正样本图像及各负样本图像，训练所述神经网络模型。
识别模块1160，用于采用预先训练的神经网络模型，对所述车辆载货感兴趣区域中的所述车辆目标进行分类识别，判断所述车辆目标是否为具有危险载货行为的车辆目标。
应用本实施例，通过对待检测图像进行车辆目标检测，得到待检测图像中车辆目标所处区域，根据车辆目标所处区域在待检测图像中的位置关系，对车辆目标所处区域进行调整，定位出包含有载货特征的车辆载货感兴趣区域，通过采用预先训练的神经网络模型，对车辆载货感兴趣区域中的车辆目标进行分类识别，即可以判断车辆目标是否为具有危险载货行为的车辆目标。由于具有危险载货行为的车辆目标相较于不具有危险载货行为的目标，目标的***轮廓大小不同，车辆目标所处区域为仅包含车辆目标的车头或者车尾的区域，因此，通过对车辆目标所处区域进行调整，保证调整后的车辆载货感兴趣区域可以包括车辆目标的载货特征，再采用预先训练的神经网络模型，即可准确地分类识别出车辆目标是否具有危险载货行为。
本发明实施例还提供了一种电子设备，如图12所示，包括处理器1201和存储器1202，其中，
存储器1202，用于存放计算机程序；
处理器1201，用于执行存储器1202上所存放的计算机程序时，实现如上述具有危险载货行为的车辆目标识别方法的所有步骤。
电子设备可以为相机，则在电子设备中还可以包括图像采集器，例如IPC(IPCamera，网络摄像机)、智能照相机等。
上述存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-Volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processing，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本实施例中，该相机的处理器通过读取存储器中存储的计算机程序，并通过运行该计算机程序，能够实现：通过对待检测图像进行车辆目标检测，得到待检测图像中车辆目标所处区域，根据车辆目标所处区域在待检测图像中的位置关系，对车辆目标所处区域进行调整，定位出包含有载货特征的车辆载货感兴趣区域，通过采用预先训练的神经网络模型，对车辆载货感兴趣区域中的车辆目标进行分类识别，即可以判断车辆目标是否为具有危险载货行为的车辆目标。由于具有危险载货行为的车辆目标相较于不具有危险载货行为的目标，目标的***轮廓大小不同，车辆目标所处区域为仅包含车辆目标的车头或者车尾的区域，因此，通过对车辆目标所处区域进行调整，保证调整后的车辆载货感兴趣区域可以包括车辆目标的载货特征，再采用预先训练的神经网络模型，即可准确地分类识别出车辆目标是否具有危险载货行为。
另外，相应于上述实施例所提供的具有危险载货行为的车辆目标识别方法，本发明实施例提供了一种机器可读存储介质，用于存储计算机程序，所述计算机程序被处理器执行时，实现上述具有危险载货行为的车辆目标识别方法的所有步骤。
本实施例中，机器可读存储介质存储有在运行时执行本发明实施例所提供的具有危险载货行为的车辆目标识别方法的应用程序，因此能够实现：通过对待检测图像进行车辆目标检测，得到待检测图像中车辆目标所处区域，根据车辆目标所处区域在待检测图像中的位置关系，对车辆目标所处区域进行调整，定位出包含有载货特征的车辆载货感兴趣区域，通过采用预先训练的神经网络模型，对车辆载货感兴趣区域中的车辆目标进行分类识别，即可以判断车辆目标是否为具有危险载货行为的车辆目标。由于具有危险载货行为的车辆目标相较于不具有危险载货行为的目标，目标的***轮廓大小不同，车辆目标所处区域为仅包含车辆目标的车头或者车尾的区域，因此，通过对车辆目标所处区域进行调整，保证调整后的车辆载货感兴趣区域可以包括车辆目标的载货特征，再采用预先训练的神经网络模型，即可准确地分类识别出车辆目标是否具有危险载货行为。
对于电子设备以及机器可读存储介质实施例而言，由于其所涉及的方法内容基本相似于前述的方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备以及机器可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (11)

1.一种具有危险载货行为的车辆目标识别方法，其特征在于，所述方法包括：
对待检测图像进行车辆目标检测，确定所述待检测图像中车辆目标所处区域；
根据所述车辆目标所处区域在所述待检测图像中的位置，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域，所述车辆目标所处区域为所述待检测图像中仅包含所述车辆目标的车头或者车尾的区域，所述车辆载货感兴趣区域中包括所述车辆目标的载货特征；
采用预先训练的神经网络模型，对所述车辆载货感兴趣区域中的所述车辆目标进行分类识别，判断所述车辆目标是否为具有危险载货行为的车辆目标。
2.根据权利要求1所述的方法，其特征在于，在所述根据所述车辆目标所处区域在所述待检测图像中的位置，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域之前，所述方法还包括：
判断所述车辆目标所处区域的尺寸是否大于预设尺寸；
若是，则执行所述根据所述车辆目标所处区域在所述待检测图像中的位置，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述车辆目标所处区域在所述待检测图像中的位置，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域，包括：
确定所述车辆目标所处区域中的预设坐标点；
以所述预设坐标点为基准，按照预设比例放大所述车辆目标所处区域，得到车辆载货感兴趣区域。
4.根据权利要求1或2所述的方法，其特征在于，所述根据所述车辆目标所处区域在所述待检测图像中的位置，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域，包括：
获取所述车辆目标所处区域的下边框的宽度，所述车辆目标所处区域为所述车辆目标的车头或者车尾所处的矩形区域；
通过将所述下边框的中点设置为车辆载货感兴趣区域的下边框中点、将第一高度设置为所述车辆载货感兴趣区域的高度、将第一宽度设置为所述车辆载货感兴趣区域的宽度，来定位所述车辆载货感兴趣区域，其中，所述第一高度为所述下边框的宽度与第一预设倍数的乘积，所述第一宽度为所述下边框的宽度与第二预设倍数的乘积。
5.根据权利要求1所述的方法，其特征在于，所述神经网络模型的训练过程，包括：
获取多个包含具有危险载货行为的车辆目标的正样本，以及多个包含不具有危险载货行为的车辆目标的负样本；
根据标定的各正样本及各负样本中包含有车辆目标的车辆载货感兴趣区域坐标信息，提取各正样本图像及各负样本图像，其中，所述正样本图像为正样本中车辆载货感兴趣区域内的图像，所述负样本图像为负样本中车辆载货感兴趣区域内的图像；
基于各正样本图像及各负样本图像，训练所述神经网络模型。
6.一种具有危险载货行为的车辆目标识别装置，其特征在于，所述装置包括：
检测模块，用于对待检测图像进行车辆目标检测，确定所述待检测图像中车辆目标所处区域；
定位模块，用于根据所述车辆目标所处区域在所述待检测图像中的位置，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域，所述车辆目标所处区域为所述待检测图像中仅包含所述车辆目标的车头或者车尾的区域，所述车辆载货感兴趣区域中包括所述车辆目标的载货特征；
识别模块，用于采用预先训练的神经网络模型，对所述车辆载货感兴趣区域中的所述车辆目标进行分类识别，判断所述车辆目标是否为具有危险载货行为的车辆目标。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
判断模块，用于判断所述车辆目标所处区域的尺寸是否大于预设尺寸；
所述定位模块，具体用于若所述判断模块的判断结果为是，则执行所述根据所述车辆目标所处区域在所述待检测图像中的位置，对所述车辆目标所处区域进行调整，定位出所述待检测图像中的车辆载货感兴趣区域。
8.根据权利要求6或7所述的装置，其特征在于，所述定位模块，具体用于：
确定所述车辆目标所处区域中的预设坐标点；
以所述预设坐标点为基准，按照预设比例放大所述车辆目标所处区域，得到车辆载货感兴趣区域。
9.根据权利要求6或7所述的装置，其特征在于，所述定位模块，具体用于：
获取所述车辆目标所处区域的下边框的宽度，所述车辆目标所处区域为所述车辆目标的车头或者车尾所处的矩形区域；
通过将所述下边框的中点设置为车辆载货感兴趣区域的下边框中点、将第一高度设置为所述车辆载货感兴趣区域的高度、将第一宽度设置为所述车辆载货感兴趣区域的宽度，来定位所述车辆载货感兴趣区域，其中，所述第一高度为所述下边框的宽度与第一预设倍数的乘积，所述第一宽度为所述下边框的宽度与第二预设倍数的乘积。
10.根据权利要求6所述的装置，其特征在于，所述装置还包括：
获取模块，用于获取多个包含具有危险载货行为的车辆目标的正样本，以及多个包含不具有危险载货行为的车辆目标的负样本；
提取模块，用于根据标定的各正样本及各负样本中包含有车辆目标的车辆载货感兴趣区域坐标信息，提取各正样本图像及各负样本图像，其中，所述正样本图像为正样本中车辆载货感兴趣区域内的图像，所述负样本图像为负样本中车辆载货感兴趣区域内的图像；
训练模块，用于基于各正样本图像及各负样本图像，训练所述神经网络模型。
11.一种电子设备，其特征在于，包括处理器和存储器，其中，
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的计算机程序时，实现权利要求1-5任一所述的方法步骤。
CN201810557515.XA 2018-06-01 2018-06-01 具有危险载货行为的车辆目标识别方法、装置及电子设备 Active CN110555347B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810557515.XA CN110555347B (zh) 2018-06-01 2018-06-01 具有危险载货行为的车辆目标识别方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810557515.XA CN110555347B (zh) 2018-06-01 2018-06-01 具有危险载货行为的车辆目标识别方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN110555347A CN110555347A (zh) 2019-12-10
CN110555347B true CN110555347B (zh) 2022-06-03

Family

ID=68735275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810557515.XA Active CN110555347B (zh) 2018-06-01 2018-06-01 具有危险载货行为的车辆目标识别方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN110555347B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523417A (zh) * 2020-04-13 2020-08-11 北京巨视科技有限公司 一种基于图像匹配的货车超载识别方法和装置
CN111507958B (zh) * 2020-04-15 2023-05-26 全球能源互联网研究院有限公司 目标检测方法、检测模型的训练方法及电子设备
CN111985295A (zh) * 2020-06-05 2020-11-24 深圳市金溢科技股份有限公司 一种电动自行车行为识别方法、***、工控机及摄像头
CN111798698B (zh) * 2020-06-24 2022-04-08 中国第一汽车股份有限公司 一种前方目标车辆的确定方法、装置及车辆
CN112232449B (zh) * 2020-12-14 2021-04-27 浙江大华技术股份有限公司 神经网络的训练方法、电子设备及存储介质
CN112598084B (zh) * 2021-03-02 2021-06-29 深圳金三立视频科技股份有限公司 一种基于图像处理的车辆类型识别方法及终端
JP7447870B2 (ja) * 2021-06-04 2024-03-12 トヨタ自動車株式会社 情報処理サーバ、情報処理サーバの処理方法、プログラム

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101436253B (zh) * 2007-11-14 2012-04-25 东软集团股份有限公司 一种用于验证车辆感兴趣区域的方法和装置
CN101996494A (zh) * 2009-08-31 2011-03-30 深圳市中交科科技有限公司 基于视频甄别技术的交通图像智能分析监控***
CN104537387A (zh) * 2014-12-16 2015-04-22 广州中国科学院先进技术研究所 利用神经网络实现车型分类的方法和***
CN106295459A (zh) * 2015-05-11 2017-01-04 青岛若贝电子有限公司 基于机器视觉和级联分类器的车辆检测和预警方法
CN105469052B (zh) * 2015-11-25 2018-10-19 东方网力科技股份有限公司 一种车辆检测跟踪方法和装置
CN106114681B (zh) * 2016-08-30 2021-01-29 北京华力兴科技发展有限责任公司 车辆泊车预警***和载车
CN106874863B (zh) * 2017-01-24 2020-02-07 南京大学 基于深度卷积神经网络的车辆违停逆行检测方法
CN206921292U (zh) * 2017-05-21 2018-01-23 曹进 一种运输车辆违规监管***
CN108061595A (zh) * 2017-12-14 2018-05-22 四川奇石缘科技股份有限公司 一种交警治理货车超限超载非现场执法检测***及方法

Also Published As

Publication number Publication date
CN110555347A (zh) 2019-12-10

Similar Documents

Publication Publication Date Title
CN110555347B (zh) 具有危险载货行为的车辆目标识别方法、装置及电子设备
Chen et al. Pothole detection using location-aware convolutional neural networks
CN109993031B (zh) 一种畜力车目标违章行驶行为检测方法、装置及相机
CN109087510B (zh) 交通监测方法及装置
Adu-Gyamfi et al. Automated vehicle recognition with deep convolutional neural networks
CN109190444B (zh) 一种基于视频的收费车道车辆特征识别***的实现方法
CN110119726B (zh) 一种基于YOLOv3模型的车辆品牌多角度识别方法
CN106250838A (zh) 车辆识别方法及***
CN109993032B (zh) 一种共享单车目标识别方法、装置及相机
Sharma et al. Vehicle identification using modified region based convolution network for intelligent transportation system
CN111967396A (zh) 障碍物检测的处理方法、装置、设备及存储介质
Onim et al. Traffic surveillance using vehicle license plate detection and recognition in bangladesh
Achmad Gaussian Mixture Models optimization for counting the numbers of vehicle by adjusting the Region of Interest under heavy traffic condition
Arthi et al. Object detection of autonomous vehicles under adverse weather conditions
Chen Road vehicle recognition algorithm in safety assistant driving based on artificial intelligence
Tumas et al. Acceleration of HOG based pedestrian detection in FIR camera video stream
CN112766046A (zh) 一种目标检测方法及相关装置
Zhang et al. A front vehicle detection algorithm for intelligent vehicle based on improved gabor filter and SVM
CN110634120B (zh) 一种车辆损伤判别方法及装置
CN113326831B (zh) 交通违法数据的筛选方法及装置、电子设备、存储介质
CN111161542B (zh) 车辆识别方法及装置
CN114926815A (zh) 基于信号灯识别的驾驶行为预警方法及***
CN111126271B (zh) 卡口抓拍图像车辆检测方法、计算机存储介质及电子设备
Hasan Yusuf et al. Real-Time Car Parking Detection with Deep Learning in Different Lighting Scenarios
CN112232124A (zh) 人群态势分析方法、视频处理装置及具有存储功能的装置

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