CN110555464A - 一种基于深度学习模型的车辆颜色识别方法 - Google Patents

一种基于深度学习模型的车辆颜色识别方法 Download PDF

Info

Publication number
CN110555464A
CN110555464A CN201910722185.XA CN201910722185A CN110555464A CN 110555464 A CN110555464 A CN 110555464A CN 201910722185 A CN201910722185 A CN 201910722185A CN 110555464 A CN110555464 A CN 110555464A
Authority
CN
China
Prior art keywords
vehicle
color
image
mask
deep learning
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
Application number
CN201910722185.XA
Other languages
English (en)
Inventor
毛亮
孙洁睿
李俊民
朱婷婷
王祥雪
黄仝宇
汪刚
宋一兵
侯玉清
刘双广
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.)
Xian University of Electronic Science and Technology
Gosuncn Technology Group Co Ltd
Original Assignee
Xian University of Electronic Science and Technology
Gosuncn Technology Group 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 Xian University of Electronic Science and Technology, Gosuncn Technology Group Co Ltd filed Critical Xian University of Electronic Science and Technology
Priority to CN201910722185.XA priority Critical patent/CN110555464A/zh
Publication of CN110555464A publication Critical patent/CN110555464A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明属于图形处理技术领域，具体涉及一种基于深度学习模型的车辆颜色识别方法。本方案首先基于分割的深度学习模型进行车辆颜色区域提取，再通过K‑means聚类算法对提取的颜色特征进行处理，提高整体的车辆颜色识别效率。通过图像实例分割算法，同时选取发动机盖和车顶区域作为颜色截取区域；根据检测位置生成掩膜并与原图结合处理得到只包含发动机盖和车顶部分的待识别图像；将待识别图像映射到RGB颜色空间中，用K‑means算法进行聚类，最终得到颜色识别结果。

Description

一种基于深度学习模型的车辆颜色识别方法
技术领域
本发明属于图形处理技术领域，具体涉及一种基于深度学习模型的车辆颜色识别方法。
背景技术
车辆颜色作为车辆可靠显著的特征，为车辆识别、监控、跟踪等方面提供了有用的信息。车辆颜色识别是一种根据输入的车辆图像或视频，来确定图像或视频中车辆颜色的技术，已被广泛应用于公安执法、车辆追踪等领域。现有的车辆颜色识别技术通常基于颜色区域的选择和深度学习中分类算法。筛选具有代表性的颜色区域是准确识别车辆颜色的前提，但在现实情况中，由于光照条件和复杂背景等自然因素，会对选择的颜色区域造成误差。有些学者选取车窗部分作为颜色识别区域，有些学者采用整个车身颜色作为识别区域，然后用传统方法统计颜色识别结果进而确定车辆颜色。车辆颜色识别属于一种分类问题，基于深度学习的分类算法在车辆颜色识别问题上应用广泛。例如将获得的车辆图片进行颜色分类并标注，输入到卷积神经网络中进行训练，进而获得准确率高的分类网络以后续应用。
现有的根据选择代表性颜色区域的识别方法，在选取颜色区域块的过程中，会受到光照、车辆姿态等因素的较大干扰造成识别结果错误，并且在区域选择时，有可能会截取到部分车窗、车栅栏、天窗区域，将带有非颜色信息的区域进行识别同样会造成误识别。而基于深度学习中的分类算法进行车辆颜色识别的方法，由于卷积神经网络的特性，高层信息很可能会覆盖低层信息，无法全面提取车辆的颜色特征，导致分类错误率较高，需要将不同特征层提取的特征进行融合，目前的分类网络达不到较好的特征融合效果。
发明内容
为了解决现有技术中存在的技术缺陷，本发明提出了一种基于深度学习模型的车辆颜色识别方法。
本发明通过以下技术方案实现：
一种基于深度学习模型的车辆颜色识别方法，其包括步骤：
(1)输入车辆图像，基于改进的Mask RCNN进行车辆图像分割，获取发动机盖和车顶区域的轮廓信息；在所述改进的Mask RCNN中，将Inception模块引入ResNet50中，分别在res2_、res3_、res4_三个部分的ReLU层后添加，采用3×3、1×1大小的卷积堆叠构成三个支路，第一条支路由1×1卷积层构成，第二条支路由1×1卷积层后接3×3卷积层构成，第三条支路由1×1卷积层后接两个3×3卷积层构成，最终将三个支路的输出进行融合；
(2)对分割后的车辆图像进行掩膜处理，根据检测位置生成掩膜并与原车辆图像结合处理得到只包含发动机盖和车顶区域的新的待识别图像；
(3)将新的待识别图像映射到RGB颜色空间中；
(4)用K-means算法对颜色特征进行聚类，最终得到颜色识别结果。
进一步地，所述改进的Mask RCNN的主干网络设定为ResNet50和特征金字塔网络的结合。
进一步地，所述改进的Mask RCNN还包括，每个卷积层后跟随BatchNormalization层和非线性函数ReLU层，最终将三个支路的输出进行融合，融合层后跟随一个1×1的卷积层及Batch Normalization层。
进一步地，所述改进的Mask RCNN还包括，将生成掩膜分支的部分移到检测部分后，得到检测结果后再做分割。
进一步地，所述步骤(2)中进一步包括，根据分割后的车辆图像，获得发动机盖以及车顶区域较为精确的轮廓信息，设置与输入的车辆图像尺寸一致的二进制掩膜矩阵，当像素属于目标的所在位置时标识为一，其它位置标识为零；根据分割后的位置信息，将发动机盖及车顶位置的矩阵元素置为一，包括发动机盖和车顶区域的边缘位置，其余位置的矩阵元素置为零；将掩膜矩阵与输入的车辆图像矩阵进行点乘，得到只包含发动机盖及车顶区域的新的待识别图像。
进一步地，所述步骤(3)中进一步包括，得到新的待识别图像后，通过每一个像素点的信息，可以将所述待识别图像映射到RGB颜色空间中，以三维颜色空间中点阵的形式体现图像的颜色信息。
进一步地，所述步骤(4)中，所述的用K-means算法对颜色特征进行聚类具体为使用K-means算法对映射到RGB颜色空间中的车辆颜色信息点进行分类，划分为曝光、阴影和正常区域三类。
进一步地，所述步骤(4)中进一步包括，将聚类后曝光和阴影区域的颜色信息点删除，只留下正常区域的点集，对正常区域点集中所有像素点取平均，可以在RGB颜色空间中找到平均点所对应的R、G、B值，最终得到待识别图像的颜色输出。
本发明还包括一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现所述的车辆颜色识别方法的步骤。
本发明还包括一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中所述处理器执行所述程序时实现所述的车辆颜色识别方法的步骤。
与现有技术相比，本发明至少具有下述的有益效果或优点：加强了卷积神经网络的特征提取能力，提升了图像分割的速度同时保证了分割区域的准确性，并且能很好地适应强光照，多姿态的复杂车辆场景，达到较好的车辆颜色识别效果。
附图说明
以下将结合附图对本发明做进一步详细说明；
图1为本发明的改进的Mask RCNN网络结构图；
图2为本发明的车辆颜色识别流程图。
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。
本发明提供一种基于深度学习模型的车辆颜色识别方法，首先基于分割的深度学习模型进行车辆颜色区域提取，再通过K-means聚类算法对提取的颜色特征进行处理，提高整体的车辆颜色识别效率。通过图像实例分割算法，同时选取发动机盖和车顶区域作为颜色截取区域；根据检测位置生成掩膜并与原图结合处理得到只包含发动机盖和车顶部分的待识别图像；将待识别图像映射到RGB颜色空间中，用K-means算法进行聚类，最终得到颜色识别结果。
基于深度学习中的分割模型为基础，主要采用Mask RCNN模型，它是在FasterRCNN分类加回归模型的基础上再添加一个分割任务(生成掩膜)，在实现目标检测的同时，实现在像素级场景中识别不同目标，利用图像分割技术定位每个目标的精确像素。主要由残差网络和特征金字塔网络结合作为主干网络，残差网络有较强的特征表达能力并且特征金字塔网络可以更好地融合多尺度的特征信息，使得对车辆颜色区域的分割更加精细。基于此对Mask RCNN网络作出进一步改进，本技术方案主干网络设定为ResNet50和特征金字塔网络的结合。改进一：将Inception模块引入ResNet50中，分别在res2_、res3_、res4_三个部分的ReLU层后添加，采用3×3、1×1大小的卷积堆叠构成三个支路，第一条支路由1×1卷积层构成，第二条支路由1×1卷积层后接3×3卷积层构成，第三条支路由1×1卷积层后接两个3×3卷积层构成，每个卷积层后跟随Batch Normalization层和非线性函数ReLU层(用于提高网络的非线性特征)，最终将三个支路的输出进行融合，融合层后跟随一个1×1的卷积层及Batch Normalization层，其目的是保证输出的维度一致，并作为下一部分的输入。改进二：由于Mask RCNN算法需要进行像素级别语义分割的区域仅仅是在检测最终结果的窗口内部区域，并且网络中最终输出的候选框进行过滤后剩余的较少，网络学习能力得不到泛化，因此网络结构中，将生成掩膜分支的部分移到检测部分后，改变了原始网络检测、分类、分割三者并行的方式，得到检测结果后再做分割，具体改进见图1。
基于这种改进方案的Mask RCNN算法中，Inception模块在保证网络深度不变的同时增加了网络的宽度，并且增强了网络对尺度的适应性，采用多尺度卷积增大了感受野，可以提取更加丰富的车辆特征，对标识的发动机盖和车顶区域的分割更加精准，同时小尺度卷积核保证网络训练中有相同的特征提取能力同时不会造成参数冗余。将分割放在检测后进行，提高了网络的收敛速度，加快了整体的车辆颜色识别流程。
本实施例基于改进的Mask RCNN对输入的车辆图片首先进行预处理，可以得到分割后的发动机盖及车顶区域。根据分割后的车辆图像，获得发动机盖以及车顶区域较为精确的轮廓信息，设置与输入的车辆图像尺寸一致的二进制掩膜矩阵，当像素属于目标的所在位置时标识为一，其它位置标识为零。根据分割后的位置信息，将发动机盖及车顶位置的矩阵元素置为一，包括发动机盖和车顶区域的边缘位置，其余位置的矩阵元素置为零。将掩膜矩阵与输入的车辆图像矩阵进行点乘，得到只包含发动机盖及车顶部分的车辆图像新的待识别样本。
得到车辆图像新的待识别样本后，通过每一个像素点的信息，可以将待识别样本映射到RGB颜色空间中，以三维颜色空间中点阵的形式体现图像的颜色信息。K-means聚类算法是将数据对象分组成为多个类或者簇，使得在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。本技术方案使用K-means聚类算法对映射到RGB颜色空间中的车辆颜色信息点进行分类，划分为曝光、阴影和正常区域三类，分别对应待识别样本中过于曝光、阴影和能够正常识别颜色的区域。将聚类后曝光和阴影的部分删除，只留下正常区域的点集，对正常区域点集中所有像素点取平均，可以在RGB颜色空间中找到平均点所对应的R、G、B值，最终得到待识别样本的颜色输出。其流程图如图2所示，包括步骤：
S1：输入车辆图像；
S2：基于改进的Mask RCNN进行图像分割；
S3：对分割后的图像进行掩膜处理；
S4：图像映射到RGB颜色空间特征提取；
S5：K-means对颜色特征进行分类；
S6：输出车辆颜色。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现车辆颜色识别方法的步骤。
本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中所述处理器执行所述程序时实现车辆颜色识别方法的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。在不脱离本发明之精神和范围内，所做的任何修改、等同替换、改进等，同样属于本发明的保护范围之内。

Claims (10)

1.一种基于深度学习模型的车辆颜色识别方法，其特征在于，包括步骤：
(1)输入车辆图像，基于改进的Mask RCNN进行车辆图像分割，获取发动机盖和车顶区域的轮廓信息；在所述改进的Mask RCNN中，将Inception模块引入ResNet50中，分别在res2_、res3_、res4_三个部分的ReLU层后添加，采用3×3、1×1大小的卷积堆叠构成三个支路，第一条支路由1×1卷积层构成，第二条支路由1×1卷积层后接3×3卷积层构成，第三条支路由1×1卷积层后接两个3×3卷积层构成，最终将三个支路的输出进行融合；
(2)对分割后的车辆图像进行掩膜处理，根据检测位置生成掩膜并与原车辆图像结合处理得到只包含发动机盖和车顶区域的新的待识别图像；
(3)将新的待识别图像映射到RGB颜色空间中；
(4)用K-means算法对颜色特征进行聚类，最终得到颜色识别结果。
2.根据权利要求1所述的基于深度学习模型的车辆颜色识别方法，其特征在于，所述改进的Mask RCNN的主干网络设定为ResNet50和特征金字塔网络的结合。
3.根据权利要求2所述的基于深度学习模型的车辆颜色识别方法，其特征在于，所述改进的Mask RCNN还包括，每个卷积层后跟随Batch Normalization层和非线性函数ReLU层，最终将三个支路的输出进行融合，融合层后跟随一个1×1的卷积层及BatchNormalization层。
4.根据权利要求3所述的基于深度学习模型的车辆颜色识别方法，其特征在于，所述改进的Mask RCNN还包括，将生成掩膜分支的部分移到检测部分后，得到检测结果后再做分割。
5.根据权利要求1所述的基于深度学习模型的车辆颜色识别方法，其特征在于，所述步骤(2)中进一步包括，根据分割后的车辆图像，获得发动机盖以及车顶区域较为精确的轮廓信息，设置与输入的车辆图像尺寸一致的二进制掩膜矩阵，当像素属于目标的所在位置时标识为一，其它位置标识为零；根据分割后的位置信息，将发动机盖及车顶位置的矩阵元素置为一，包括发动机盖和车顶区域的边缘位置，其余位置的矩阵元素置为零；将掩膜矩阵与输入的车辆图像矩阵进行点乘，得到只包含发动机盖及车顶区域的新的待识别图像。
6.根据权利要求5所述的基于深度学习模型的车辆颜色识别方法，其特征在于，所述步骤(3)中进一步包括，得到新的待识别图像后，通过每一个像素点的信息，可以将所述待识别图像映射到RGB颜色空间中，以三维颜色空间中点阵的形式体现图像的颜色信息。
7.根据权利要求6所述的基于深度学习模型的车辆颜色识别方法，其特征在于，所述步骤(4)中，所述的用K-means算法对颜色特征进行聚类具体为使用K-means算法对映射到RGB颜色空间中的车辆颜色信息点进行分类，划分为曝光、阴影和正常区域三类。
8.根据权利要求7所述的基于深度学***均，可以在RGB颜色空间中找到平均点所对应的R、G、B值，最终得到待识别图像的颜色输出。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8任一所述的车辆颜色识别方法的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中所述处理器执行所述程序时实现权利要求1-8任一所述的车辆颜色识别方法的步骤。
CN201910722185.XA 2019-08-06 2019-08-06 一种基于深度学习模型的车辆颜色识别方法 Pending CN110555464A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910722185.XA CN110555464A (zh) 2019-08-06 2019-08-06 一种基于深度学习模型的车辆颜色识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910722185.XA CN110555464A (zh) 2019-08-06 2019-08-06 一种基于深度学习模型的车辆颜色识别方法

Publications (1)

Publication Number Publication Date
CN110555464A true CN110555464A (zh) 2019-12-10

Family

ID=68736982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910722185.XA Pending CN110555464A (zh) 2019-08-06 2019-08-06 一种基于深度学习模型的车辆颜色识别方法

Country Status (1)

Country Link
CN (1) CN110555464A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353444A (zh) * 2020-03-04 2020-06-30 上海眼控科技股份有限公司 标志灯具监测方法、装置、计算机设备和存储介质
CN111738229A (zh) * 2020-08-05 2020-10-02 江西小马机器人有限公司 一种指针表盘刻度的自动读取方法
CN112016433A (zh) * 2020-08-24 2020-12-01 高新兴科技集团股份有限公司 一种基于深度神经网络的车辆颜色识别方法
CN112132212A (zh) * 2020-09-22 2020-12-25 福州大学 一种容忍异常原料的木材原料选色方法
CN112268901A (zh) * 2020-11-04 2021-01-26 南京龙渊微电子科技有限公司 一种基于k-means算法的溶液浓度识别方法
CN112489060A (zh) * 2020-12-07 2021-03-12 北京医准智能科技有限公司 一种用于肺炎病灶分割的***及方法
CN113052194A (zh) * 2019-12-27 2021-06-29 杭州深绘智能科技有限公司 一种基于深度学习的服装色彩认知***及其认知方法
CN113468978A (zh) * 2021-05-26 2021-10-01 北京邮电大学 基于深度学习的细粒度车身颜色分类方法、装置和设备
CN113902938A (zh) * 2021-10-26 2022-01-07 稿定（厦门）科技有限公司 一种图像的聚类方法和装置以及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2063393A1 (en) * 2006-06-29 2009-05-27 Fujitsu Ltd. Color classifying method, color recognizing method, color classifying device, color recognizing device, color recognizing system, computer program, and recording medium
CN103544480A (zh) * 2013-10-17 2014-01-29 公安部第三研究所 车辆颜色识别方法
CN105184299A (zh) * 2015-08-29 2015-12-23 电子科技大学 基于局部约束线性编码的车身颜色识别方法
CN106599869A (zh) * 2016-12-22 2017-04-26 安徽大学 一种基于多任务卷积神经网络的车辆属性识别方法
CN107067011A (zh) * 2017-03-20 2017-08-18 北京邮电大学 一种基于深度学习的车辆颜色识别方法与装置
CN107729812A (zh) * 2017-09-18 2018-02-23 南京邮电大学 一种适用于监控场景中的车辆颜色识别的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2063393A1 (en) * 2006-06-29 2009-05-27 Fujitsu Ltd. Color classifying method, color recognizing method, color classifying device, color recognizing device, color recognizing system, computer program, and recording medium
CN103544480A (zh) * 2013-10-17 2014-01-29 公安部第三研究所 车辆颜色识别方法
CN105184299A (zh) * 2015-08-29 2015-12-23 电子科技大学 基于局部约束线性编码的车身颜色识别方法
CN106599869A (zh) * 2016-12-22 2017-04-26 安徽大学 一种基于多任务卷积神经网络的车辆属性识别方法
CN107067011A (zh) * 2017-03-20 2017-08-18 北京邮电大学 一种基于深度学习的车辆颜色识别方法与装置
CN107729812A (zh) * 2017-09-18 2018-02-23 南京邮电大学 一种适用于监控场景中的车辆颜色识别的方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052194A (zh) * 2019-12-27 2021-06-29 杭州深绘智能科技有限公司 一种基于深度学习的服装色彩认知***及其认知方法
CN111353444A (zh) * 2020-03-04 2020-06-30 上海眼控科技股份有限公司 标志灯具监测方法、装置、计算机设备和存储介质
CN111738229A (zh) * 2020-08-05 2020-10-02 江西小马机器人有限公司 一种指针表盘刻度的自动读取方法
CN111738229B (zh) * 2020-08-05 2020-11-24 江西小马机器人有限公司 一种指针表盘刻度的自动读取方法
CN112016433A (zh) * 2020-08-24 2020-12-01 高新兴科技集团股份有限公司 一种基于深度神经网络的车辆颜色识别方法
CN112132212B (zh) * 2020-09-22 2022-08-09 福州大学 一种容忍异常原料的木材原料选色方法
CN112132212A (zh) * 2020-09-22 2020-12-25 福州大学 一种容忍异常原料的木材原料选色方法
CN112268901A (zh) * 2020-11-04 2021-01-26 南京龙渊微电子科技有限公司 一种基于k-means算法的溶液浓度识别方法
CN112489060A (zh) * 2020-12-07 2021-03-12 北京医准智能科技有限公司 一种用于肺炎病灶分割的***及方法
CN113468978A (zh) * 2021-05-26 2021-10-01 北京邮电大学 基于深度学习的细粒度车身颜色分类方法、装置和设备
CN113468978B (zh) * 2021-05-26 2023-11-24 北京邮电大学 基于深度学习的细粒度车身颜色分类方法、装置和设备
CN113902938A (zh) * 2021-10-26 2022-01-07 稿定（厦门）科技有限公司 一种图像的聚类方法和装置以及设备
CN113902938B (zh) * 2021-10-26 2022-08-30 稿定（厦门）科技有限公司 一种图像的聚类方法和装置以及设备

Similar Documents

Publication Publication Date Title
CN110555464A (zh) 一种基于深度学习模型的车辆颜色识别方法
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
CN105046196B (zh) 基于级联卷积神经网络的前车车辆信息结构化输出方法
CN112686812B (zh) 银行卡倾斜矫正检测方法、装置、可读存储介质和终端
CN108121991B (zh) 一种基于边缘候选区域提取的深度学习舰船目标检测方法
CN107316036B (zh) 一种基于级联分类器的害虫识别方法
CN107103317A (zh) 基于图像融合和盲反卷积的模糊车牌图像识别算法
Nandi et al. Traffic sign detection based on color segmentation of obscure image candidates: a comprehensive study
CN110263712B (zh) 一种基于区域候选的粗精行人检测方法
CN103824091B (zh) 一种用于智能交通***的车牌识别方法
CN107273832B (zh) 基于积分通道特征与卷积神经网络的车牌识别方法及***
CN108921120B (zh) 一种适应广泛零售场景下的香烟识别方法
CN111666842B (zh) 一种基于双流空洞卷积神经元网络的阴影检测方法
CN111325769A (zh) 一种目标对象检测方法及装置
CN110008900B (zh) 一种由区域到目标的可见光遥感图像候选目标提取方法
CN110781882A (zh) 一种基于yolo模型的车牌定位和识别方法
CN111191611A (zh) 基于深度学习的交通标志标号识别方法
CN112819840B (zh) 一种融合深度学习与传统处理的高精度图像实例分割方法
CN113435319B (zh) 一种联合多目标跟踪和行人角度识别的分类方法
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
CN113989794B (zh) 一种车牌检测和识别方法
BR112021014182A2 (pt) Método implementado por computador para gerar uma região de interesse em uma imagem digital de um flanco de um pneu, método para leitura de marcações em relevo e/ou gravadas em um flanco de um pneu, aparelho de processamento de dados, programa de computador, e, meio de armazenamento legível por computador
CN110751619A (zh) 一种绝缘子缺陷检测方法
CN111339932B (zh) 一种掌纹图像预处理方法和***

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191210