CN110647852A - 一种车流量统计方法、终端设备及存储介质 - Google Patents
一种车流量统计方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN110647852A CN110647852A CN201910922733.3A CN201910922733A CN110647852A CN 110647852 A CN110647852 A CN 110647852A CN 201910922733 A CN201910922733 A CN 201910922733A CN 110647852 A CN110647852 A CN 110647852A
- Authority
- CN
- China
- Prior art keywords
- loss
- network model
- traffic flow
- picture
- yolo network
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- 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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于车流量统计方法、终端设备及存储介质,该方法中包括:S1:采集多张道路图片,并对每张道路图片中的车辆目标进行标注,将所有标注好的图片组成训练集;S2:构建车辆识别YOLO网络模型,通过训练集对车辆识别YOLO网络模型进行训练后,得到最终模型;所述车辆识别YOLO网络模型在YOLO网络模型基础上增加一层全连接层,并使用dropout函数防止过拟合;将待统计道路的图片输入训练后的最终模型,对图片中的车辆目标进行检测和定位,进而根据图片对道路的车流量进行统计。本发明通过对YOLO网络模型进行改进,克服了其本身存在的容易误统计或漏统计和准确率低的问题,提高了统计的准确率。
Description
技术领域
本发明涉及车流量统计领域,尤其涉及一种车流量统计方法、终端设备及存储介质。
背景技术
随着车辆数的增加,交通拥挤已经严重影响到了人们的生活与出行,智能交通***因此得到了快速发展,且得到了交通管理部门的重视。交通流作为其数据决策的基础,交通部门可以根据车流了解道路信息,进而判断道路是否拥挤,更好的引导人们出行,因此车流监测研究具有重要的应用价值。
在人工智能迅速发展的今天,深度学习被用于目标检测、语义分割、图片分类等任务。基于区域方法是最为常见的目标检测方法,主要有R-CNN、SPP-net、Fast R-CNN、FasterR-CNN等。R-CNN算法中,使用选择性搜索算法选取区域建议框,但测试速度慢;SPP-net算法,使网络输入不受限制,将SPP-net思想融入R-CNN形成的Fast R-CNN算法,速度和精度得到提升;Faster R-CNN使用RPN网络替代选择性搜索算法,极大缩短提取候选框的时间,但对视频检测每秒仅有7帧,仍未达到实时监测要求。鉴于实时监测问题,需要速度快、计算量小且易于优化的模型。
发明内容
为了解决上述问题,本发明提出了一种车流量统计方法、终端设备及存储介质。
具体方案如下:
一种车流量统计方法,包括以下步骤:
S1:采集多张道路图片,并对每张道路图片中的车辆目标进行标注,将所有标注好的图片组成训练集;
S2:构建车辆识别YOLO网络模型,通过训练集对车辆识别YOLO网络模型进行训练后,得到最终模型;
所述车辆识别YOLO网络模型在基础YOLO网络模型基础上增加一层全连接层,并使用dropout函数防止过拟合;
S3:将待统计道路的图片输入训练后的最终模型,对图片中的车辆目标进行检测和定位,进而根据图片对道路的车流量进行统计。
进一步的,车辆识别YOLO网络模型中的损失函数包括坐标损失、置信度损失、类别损失和通用交并比损失,通用交并比损失lossGIOU的计算公式为:
其中,A、B分别为两个边框的面积,Sy为两个边框重叠区域的面积,Sr为两个边框围城的图形的外接矩形的面积,其中该外接矩形的边分别平行于横坐标轴和纵坐标轴。
进一步的,网络的损失函数LOSStotal的计算公式为:
其中,loss为坐标损失、置信度损失、类别损失和通用交并比损失四种损失函数的和,β为L2正则化的超参数,wk为网络模型中所有权重的平方和,k表示权重的数量。
进一步的,车辆识别YOLO网络模型中权重的更新公式为:
其中,LOSStotal为网络的损失函数,wnew为更新后的权重,w为更新前的权重,μ为网络的学习率。
一种车流量统计终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案,通过对基础YOLO网络模型进行改进,克服了其本身存在的容易误统计或漏统计和准确率低的问题,提高了统计的准确率。
附图说明
图1所示为本发明实施例一的流程图。
图2所示为该实施例中改进YOLO网络的结构图。
图3所示为该实施例中未使用dropout函数的结构图。
图4所示为该实施例中使用dropout函数的结构图。
图5所示为该实施例中两边框不同方式重叠的示意图。
图6所示为该实施例中通用交并比的计算方法示意图。
图7所示为该实施例中使用基础YOLO网络的流程图。
图8所示为该实施例中使用改进YOLO网络的流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
本发明实施例提供了一种车流量统计方法,如图1所示,所述方法包括以下步骤:
步骤1:采集多张道路图片,并对每张道路图片中的车辆对象进行标注,将所有标注好的图片组成训练集。
该实施例中所述标注包括但不限于包含车辆对象的矩形框的左上角顶点的坐标(xmin,ymin)和右下角顶点的坐标(xmax,ymax)。
步骤2:构建车辆识别YOLO网络模型,通过训练集对车辆识别YOLO网络模型进行训练后,得到最终模型。
YOLO(You Only Look Once)为一种一步走(one-stage)算法,直接对输入图像应用算法并输出类别和相应的定位,能够实现端到端的检测,可以兼顾检测速度与准确度。
YOLO网络由多个卷积层、池化层和全连接层构成,卷积层中重在使用1×1与3×3交替卷积核。通过多层级联卷积层提取目标特征,使用池化层对目标特征进行降维处理,然后将目标特征送入全连接层;最后由全连接层预测物体类别及坐标。
基础YOLO中每个网格仅预测两个目标对象的边框(bounding box),低于FasterR-CNN网络中锚框的数量,因此检测存在严重的定位与误检问题,容易引发车流重复统计或漏统计等问题,影响统计准确率,因此,该实施例中对基础YOLO网络进行改进,提高检测精度。
参考图7和图8所示,所述车辆识别YOLO网络模型在基础YOLO网络模型的基础上进行了以下三点改进:
(1)增加一层全连接层。
该实施例中车辆识别YOLO网络模型在基础YOLO网络模型的机构中增加了一层全连接层,如图2所示,其中的灰色框为增加的全连接层,其位于级联卷积层与全连接层之间。
通过增加全连接层,可以增强网络的非线性能力,以使得网络能更准确的定位图片中目标的位置及类别。
(2)使用dropout函数防止过拟合。
在基础YOLO网络中,由于网络规模大,数据量小,容易产生局部最优,为防止这种过拟合问题产生,该实施例中使用dropout函数来防止过拟合。
dropout函数的原理如下:
如图3和图4所示,图中每一个圆圈代表一个神经元,未使用dropout函数前,每个神经元都将参与到网络的训练过程中,以致神经元之间产生某种依赖性的关系,这种依赖关系会导致网络的不稳定性。使用dropout函数后,网络在每次训练过程中自身会以一定的概率随机舍弃部分神经元,使其不参与计算。在训练过程中发现,使用dropout函数由于会随机舍弃部分神经元,相当于得到多个不同版本的网络模型,因此,网络模型的稳定性会更好。
使用dropout函数有以下几点优点:
(a)减少神经元之间的共适应关系:在迭代训练时,隐含层节点以一定概率随机出现(或消失),因此不能保证每两个节点同时出现,这样,权值的更新不再依赖于有固定关系的隐层节点,阻止了某些特征在其他特征下才有效果的情况,迫使网络学习的鲁棒性更高。
(b)模型平均作用:Dropout删除不同的神经元,类似于每次训练不同的网络,整个训练过程相当于对不同的模型取平均,而且不同的网络结构共享权值参数。
(3)对模型的损失函数进行优化。
回归边界框是计算机视觉中最重要的部分,目标检测、追踪等皆依赖于精确的回归边界框。基础YOLO网络中使用更深的主干网络或更好的方法提取局部特征提高网络性能,却忽略对损失函数的优化。交并比(Intersection Over Union,IOU)是一种重叠区域度量参数,对尺度变化不敏感,具有非负性。若直接使用IOU优化损失函数,易出现两框无相交IOU等于0的问题,相当于损失函数无优化。此外,IOU不能反映两框重叠对齐方式,如图5所示。黑实线框为目标框,黑色区域为相交区域,三种情形下IOU相同,但重叠方式不同,左边效果最优,右边效果最差。
针对上述缺点该实施例中对网络的损失函数进行了改进,设定车辆识别YOLO网络模型中的损失函数除包括基础YOLO网络中的坐标损失、置信度损失和类别损失之外,还增加了通用交并比(Generalized Intersection Over Unio,GIOU)损失。
GIOU为IOU减去非两框区域占最小闭包区域的比重,最小闭包区域由两框左上角最小坐标与两框右下角最大坐标所围成,如图5中的黑虚线部分,取值范围[-1,1]。下面具体介绍GIOU的计算方法。
如图6所示,存在A、B两个边界框,这两个框可以以任意形式相交。A、B两框重叠区域面积设为Sy,A、B两框合成的最小闭区间面积为Sr(虚线框区域面积);不属于A、B两框的补区域面积为Sg,则:
IOU=Sy/(A+B-Sy)
Sg=Sr-(A+B-Sy)
GIOU=IOU-Sg/Sr
设输入车辆识别YOLO网络模型的训练集中图片中车辆所在边框的坐标为其中表示边框的左上角顶点坐标,表示边框的右下角顶点坐标。该实施例中,下标min均表示边框的左上角顶点,下标max均表示边框的右下角顶点,x、y分别表示横坐标和纵坐标。图片中车辆真实位置坐标为通过式(1)计算预测框和真实框的相交面积Si。
通过式(2)计算预测框p与真实框t的面积,分别为Sp和St。
通过式(3)计算交并比IOU,即相交面积占预测框面积与真实框面积并集的比例:
IOU=Si/(Sp+St-Si) (3)
用交并比IOU减去非两框合并区域占最小闭包区域的权重,即得GIOU,如式(4)。
GIOU与IOU类似,对尺度不敏感,且总小于IOU。若GIOU大于0时,两框相交,若GIOU等于1时,则两框完全重叠;GIOU等于0时,两框无限接近;若GIOU小于0时,两框无相交,若GIOU等于-1时两框无限远。
GIOU既关注了重叠区域,也关注非重叠区域,可反映出两框如何发生重叠。实际上,GIOU值随两框重叠区域的增大而增大,在网络损失函数中加入(1-GIOU),损失函数值随迭代次数的增加而逐渐减小,重叠度则越来越大,可有效的解决YOLO算法定位不准确等问题。
因此,车辆识别YOLO网络模型的损失函数loss的计算公式为:
其中,系数γcood=5.0,γo=1.0,γc=2.0,γnoobj=1.0,(x,y,w,h)为中心点坐标相对网格左上角偏移,xi,yi,wi,hi,Ci,pi(c)为预测值,为真实值,表示第i个网格预测的第j个bounding box含有目标。
为防止出现过度拟合现象,使用L2正则化来增强车辆识别YOLO网络模型的泛化性,如式(6)所示。
其中,β为超参数,该值越大则表示正则化越重要,loss为网络预测框值与真实框的差值,loss的计算参考式(9),wk为网络模型中所有权重的平方和,k表示权重的数量。
此时,网络权重更新如式(7)所示:
其中,μ为网络的学习率,正则化其实是让所有权重更新时乘以(1-2μβ)。
步骤3:将待统计道路的图片输入训练后的最终模型,对图片中的车辆目标进行检测和定位,进而根据图片对道路的车流量进行统计。
实验结果
(1)通过与基础YOLO网络模型进行比较,其结果如表1所示,在实际车流基数较大的前提下,本实施例中的车辆识别YOLO网络模型统计准确率仍提升13%,召回率提高约12%。
表1
网络模型 | 实际个数/辆 | 统计个数/辆 | 准确率/(%) | 召回率/(%) |
基础YOLO | 34 760 | 22 936 | 65.98 | 64.81 |
改进YOLO | 34 760 | 27 743 | 78.95 | 76.76 |
(2)在不同场景、天气下进行适应性实验,其与基础YOLO网络模型进行对比,表2所示为使用基础YOLO网络模型的统计结果,表3所示为使用车辆识别YOLO网络模型的统计结果,使用车辆识别YOLO网络模型统计平均准确率提升约22%,平均召回率提高约21%,网络性能大幅提升,对场景与天气适应性好,能可靠完成车流监测任务。
表2
天气 | 实际个数/辆 | 统计个数/辆 | 准确率/(%) | 召回率/(%) |
晴天 | 6 823 | 4 590 | 67.27 | 65.87 |
阴天 | 5 922 | 4 853 | 81.95 | 80.50 |
雨天 | 8 517 | 5 461 | 64.11 | 63.05 |
夜晚 | 5 731 | 4 259 | 74.31 | 63.64 |
表3
天气 | 实际个数/辆 | 统计个数/辆 | 准确率/(%) | 召回率/(%) |
晴天 | 6 823 | 6 480 | 94.97 | 92.37 |
阴天 | 5 922 | 5 895 | 99.54 | 94.23 |
雨天 | 8 517 | 7 106 | 83.53 | 80.40 |
夜晚 | 5 731 | 5 727 | 99.90 | 90.00 |
另外,YOLO模型无法预测多尺度多比例的anchor框,每个网格仅预测两个边框,对大小不同的目标定位存在局限性,在车辆监测统计中易造成误统计问题,从而间接影响车辆统计准确率。优化后的改进网络误检与漏检问题得到改善,网络泛化性更好。
本发明实施例一通过对基础YOLO网络模型进行改进,克服了其本身存在的容易误统计或漏统计和准确率低的问题,提高了统计的准确率。
实施例二:
本发明还提供一种车流量统计终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地,作为一个可执行方案,所述车流量统计终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述车流量统计终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述车流量统计终端设备的组成结构仅仅是车流量统计终端设备的示例,并不构成对车流量统计终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述车流量统计终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述车流量统计终端设备的控制中心,利用各种接口和线路连接整个车流量统计终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述车流量统计终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述车流量统计终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (6)
1.一种车流量统计方法,其特征在于,包括以下步骤:
S1:采集多张道路图片,并对每张道路图片中的车辆目标进行标注,将所有标注好的图片组成训练集;
S2:构建车辆识别YOLO网络模型,通过训练集对车辆识别YOLO网络模型进行训练后,得到最终模型;
所述车辆识别YOLO网络模型在YOLO网络模型基础上增加一层全连接层,并使用dropout函数防止过拟合;
S3:将待统计道路的图片输入训练后的最终模型,对图片中的车辆目标进行检测和定位,进而根据图片对道路的车流量进行统计。
5.一种车流量统计终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~4中任一所述方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~4中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910922733.3A CN110647852A (zh) | 2019-09-27 | 2019-09-27 | 一种车流量统计方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910922733.3A CN110647852A (zh) | 2019-09-27 | 2019-09-27 | 一种车流量统计方法、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110647852A true CN110647852A (zh) | 2020-01-03 |
Family
ID=69011596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910922733.3A Withdrawn CN110647852A (zh) | 2019-09-27 | 2019-09-27 | 一种车流量统计方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647852A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680556A (zh) * | 2020-04-29 | 2020-09-18 | 平安国际智慧城市科技股份有限公司 | 交通卡口车辆类型的识别方法、装置、设备及存储介质 |
CN111696135A (zh) * | 2020-06-05 | 2020-09-22 | 深兰人工智能芯片研究院(江苏)有限公司 | 基于交并比的违禁停车检测方法 |
CN111696353A (zh) * | 2020-06-15 | 2020-09-22 | 许昌学院 | 一种公路交通量测量仪 |
CN111738072A (zh) * | 2020-05-15 | 2020-10-02 | 北京百度网讯科技有限公司 | 目标检测模型的训练方法、装置及电子设备 |
CN111915583A (zh) * | 2020-07-29 | 2020-11-10 | 西安电子科技大学 | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 |
CN112001247A (zh) * | 2020-07-17 | 2020-11-27 | 浙江大华技术股份有限公司 | 多目标检测方法、设备及存储装置 |
CN112380985A (zh) * | 2020-11-13 | 2021-02-19 | 广东电力信息科技有限公司 | 变电站入侵异物实时检测方法 |
CN113158922A (zh) * | 2021-04-26 | 2021-07-23 | 平安科技(深圳)有限公司 | 基于yolo神经网络的车流量统计方法、装置及设备 |
CN113178073A (zh) * | 2021-04-25 | 2021-07-27 | 南京工业大学 | 一种基于时间卷积网络的车流量短期预测优化应用方法 |
CN113450557A (zh) * | 2020-03-24 | 2021-09-28 | 支付宝(杭州)信息技术有限公司 | 针对车辆客流量的预测模型进行更新的方法及装置 |
CN113468974A (zh) * | 2021-06-08 | 2021-10-01 | 深圳依时货拉拉科技有限公司 | 一种车流量统计方法、计算机可读存储介质及移动终端 |
CN113591936A (zh) * | 2021-07-09 | 2021-11-02 | 厦门市美亚柏科信息股份有限公司 | 一种车辆姿态估计方法、终端设备及存储介质 |
CN114241792A (zh) * | 2022-02-28 | 2022-03-25 | 科大天工智能装备技术(天津)有限公司 | 一种车流量检测方法及*** |
CN114241140A (zh) * | 2022-02-24 | 2022-03-25 | 武汉图景空间信息技术有限公司 | 一种基于gis的车流实景三维建模方法和*** |
CN115294776A (zh) * | 2022-06-23 | 2022-11-04 | 北京北大千方科技有限公司 | 基于时间切片统计车辆通行量的方法、装置、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816024A (zh) * | 2019-01-29 | 2019-05-28 | 电子科技大学 | 一种基于多尺度特征融合与dcnn的实时车标检测方法 |
-
2019
- 2019-09-27 CN CN201910922733.3A patent/CN110647852A/zh not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816024A (zh) * | 2019-01-29 | 2019-05-28 | 电子科技大学 | 一种基于多尺度特征融合与dcnn的实时车标检测方法 |
Non-Patent Citations (1)
Title |
---|
CHANGYU CAO等: ""Investigation of a Promoted You Only Look Once Algorithm and Its Application in Traffic Flow Monitoring"", 《APPLIED SCIENCES》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450557A (zh) * | 2020-03-24 | 2021-09-28 | 支付宝(杭州)信息技术有限公司 | 针对车辆客流量的预测模型进行更新的方法及装置 |
CN111680556B (zh) * | 2020-04-29 | 2024-06-07 | 平安国际智慧城市科技股份有限公司 | 交通卡口车辆类型的识别方法、装置、设备及存储介质 |
CN111680556A (zh) * | 2020-04-29 | 2020-09-18 | 平安国际智慧城市科技股份有限公司 | 交通卡口车辆类型的识别方法、装置、设备及存储介质 |
CN111738072A (zh) * | 2020-05-15 | 2020-10-02 | 北京百度网讯科技有限公司 | 目标检测模型的训练方法、装置及电子设备 |
CN111696135A (zh) * | 2020-06-05 | 2020-09-22 | 深兰人工智能芯片研究院(江苏)有限公司 | 基于交并比的违禁停车检测方法 |
CN111696353A (zh) * | 2020-06-15 | 2020-09-22 | 许昌学院 | 一种公路交通量测量仪 |
CN112001247A (zh) * | 2020-07-17 | 2020-11-27 | 浙江大华技术股份有限公司 | 多目标检测方法、设备及存储装置 |
CN111915583A (zh) * | 2020-07-29 | 2020-11-10 | 西安电子科技大学 | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 |
CN111915583B (zh) * | 2020-07-29 | 2024-02-09 | 西安电子科技大学 | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 |
CN112380985A (zh) * | 2020-11-13 | 2021-02-19 | 广东电力信息科技有限公司 | 变电站入侵异物实时检测方法 |
CN113178073A (zh) * | 2021-04-25 | 2021-07-27 | 南京工业大学 | 一种基于时间卷积网络的车流量短期预测优化应用方法 |
CN113158922A (zh) * | 2021-04-26 | 2021-07-23 | 平安科技(深圳)有限公司 | 基于yolo神经网络的车流量统计方法、装置及设备 |
WO2022227194A1 (zh) * | 2021-04-26 | 2022-11-03 | 平安科技(深圳)有限公司 | 基于yolo神经网络的车流量统计方法、装置及设备 |
CN113468974A (zh) * | 2021-06-08 | 2021-10-01 | 深圳依时货拉拉科技有限公司 | 一种车流量统计方法、计算机可读存储介质及移动终端 |
CN113468974B (zh) * | 2021-06-08 | 2024-04-19 | 深圳依时货拉拉科技有限公司 | 一种车流量统计方法、计算机可读存储介质及移动终端 |
CN113591936B (zh) * | 2021-07-09 | 2022-09-09 | 厦门市美亚柏科信息股份有限公司 | 一种车辆姿态估计方法、终端设备及存储介质 |
CN113591936A (zh) * | 2021-07-09 | 2021-11-02 | 厦门市美亚柏科信息股份有限公司 | 一种车辆姿态估计方法、终端设备及存储介质 |
CN114241140A (zh) * | 2022-02-24 | 2022-03-25 | 武汉图景空间信息技术有限公司 | 一种基于gis的车流实景三维建模方法和*** |
CN114241792B (zh) * | 2022-02-28 | 2022-05-20 | 科大天工智能装备技术(天津)有限公司 | 一种车流量检测方法及*** |
CN114241792A (zh) * | 2022-02-28 | 2022-03-25 | 科大天工智能装备技术(天津)有限公司 | 一种车流量检测方法及*** |
CN115294776A (zh) * | 2022-06-23 | 2022-11-04 | 北京北大千方科技有限公司 | 基于时间切片统计车辆通行量的方法、装置、设备及介质 |
CN115294776B (zh) * | 2022-06-23 | 2024-04-12 | 北京北大千方科技有限公司 | 基于时间切片统计车辆通行量的方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647852A (zh) | 一种车流量统计方法、终端设备及存储介质 | |
CN110059554B (zh) | 一种基于交通场景的多支路目标检测方法 | |
CN111062413B (zh) | 一种道路目标检测方法、装置、电子设备及存储介质 | |
Li et al. | Automatic localization and count of agricultural crop pests based on an improved deep learning pipeline | |
Adarsh et al. | YOLO v3-Tiny: Object Detection and Recognition using one stage improved model | |
CN111127513B (zh) | 一种多目标跟踪方法 | |
CN109635694B (zh) | 一种行人检测方法、装置、设备及计算机可读存储介质 | |
CN112270252A (zh) | 一种改进YOLOv2模型的多车辆目标识别方法 | |
Yin et al. | Region search based on hybrid convolutional neural network in optical remote sensing images | |
CN111027493A (zh) | 一种基于深度学习多网络软融合的行人检测方法 | |
CN109492576B (zh) | 图像识别方法、装置及电子设备 | |
CN108986453A (zh) | 一种基于情境信息的交通状况预测方法、***及装置 | |
CN111898432B (zh) | 一种基于改进YOLOv3算法的行人检测***及方法 | |
CN110610143B (zh) | 多任务联合训练的人群计数网络方法、***、介质及终端 | |
CN113239924A (zh) | 一种基于迁移学习的弱监督目标检测方法及*** | |
WO2020258077A1 (zh) | 一种行人检测方法及装置 | |
CN112418212A (zh) | 一种基于EIoU改进的YOLOv3算法 | |
CN113361432A (zh) | 一种基于深度学习的视频文字端到端检测与识别的方法 | |
CN114332921A (zh) | 基于改进聚类算法的Faster R-CNN网络的行人检测方法 | |
Yu et al. | A novel segmentation method for uneven lighting image with noise injection based on non-local spatial information and intuitionistic fuzzy entropy | |
Chew et al. | Large-scale 3D point-cloud semantic segmentation of urban and rural scenes using data volume decomposition coupled with pipeline parallelism | |
Tian et al. | Object localization via evaluation multi-task learning | |
CN114882423A (zh) | 一种基于改进Yolov5m模型和DeepSort的货车入库货物识别方法 | |
Xiao et al. | A point selection method in map generalization using graph convolutional network model | |
Lv et al. | Memory‐augmented neural networks based dynamic complex image segmentation in digital twins for self‐driving vehicle |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200103 |
|
WW01 | Invention patent application withdrawn after publication |