CN110874598A - 一种基于深度学习的高速公路水痕检测方法 - Google Patents
一种基于深度学习的高速公路水痕检测方法 Download PDFInfo
- Publication number
- CN110874598A CN110874598A CN201911068509.9A CN201911068509A CN110874598A CN 110874598 A CN110874598 A CN 110874598A CN 201911068509 A CN201911068509 A CN 201911068509A CN 110874598 A CN110874598 A CN 110874598A
- Authority
- CN
- China
- Prior art keywords
- water mark
- pixel
- area
- semantic segmentation
- data set
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的高速公路水痕检测方法,包括以下步骤:步骤1:构建高速公路水痕数据集;步骤2:对步骤1构建的数据集进行自适应聚类分割;步骤3:对步骤1得到的数据集进行语义分割;步骤4:对步骤3和步骤4得到的分割结果进行融合,即得到所需高速公路水痕检测结果;本发明于深度学习的方法,将语义分割与自适应聚类分割相结合,可以高效率、高精度的进行高速公路水痕检测,可在高速公路水痕检测上取得很好的应用效果。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种基于深度学习的高速公路水痕检测方法。
背景技术
恶劣的天气条件严重威胁着高速公路上行驶的车辆的安全,特别是在雨天,路面存在积水,这可能会导致交通事故的发生,带来昂贵的损失。因此,高速公路水痕检测对交通管理中心做气象监测是至关重要的。恶劣天气会严重影响高速公路的安全,尤其是雨天。雨天存在路面摩擦减小和降雨期间低能见度的情况,这些现象会降低车流速度,降低道路容量并增加碰撞风险。FHWA的一项研究估计,在美国的交通事故中,大约47%与天气相关的碰撞事故发生在雨天。恶劣天气的检测对交通管理部分至关重要,但道路中水痕的检测是人们尚未研究的领域。
监控摄像机广泛安装高速公路上,相关人员可以通过摄像机直观判断路面是否有积水。然而,手动监控大量的摄像机对于管理部门来说是一种昂贵且低效的方式。为了解决这个问题,自动积水检测***成立成了管理部门的迫切需求。在交通监控视频中,道路环境差异很大,天气条件(雾、雨和雪)多样,照明变化复杂,摄像机视角不同,使得高速公路的路面水痕检测成为一项具有挑战性的任务。
目前,现有的方法都是基于视觉的方法以及基于传感器、雷达等设备的方法。由于有些恶劣天气的视觉属性弱,且高速公路摄像头采集数据时,由于摄像头视觉远,角度多变,导致路面积水很难辨别。现有的基于视觉的方法难以取得令人满意的效果。基于传感器、雷达等方法在路面雨水的检测上虽然能取得一定的检测效果,但存在设备昂贵、操作复杂的问题。
发明内容
本发明提供一种高效率、高精度的进行高速公路水痕检测的基于深度学习的高速公路水痕检测方法。
本发明采用的技术方案是:一种基于深度学习的高速公路水痕检测方法,包括以下步骤:
步骤1:构建高速公路水痕数据集;
步骤2:对步骤1构建的数据集进行自适应聚类分割;
步骤3:对步骤1得到的数据集进行语义分割;
步骤4:对步骤3和步骤4得到的分割结果进行融合,即得到所需高速公路水痕检测结果。
进一步的,所述步骤2对步骤1构建的数据集进行自适应聚类分割具体过程如下:
S11:采用训练后的目标检测模型,将步骤1得到的数据集进行检测,获取车辆的位置坐标和大小;
S12:采用多目标跟踪算法对车辆进行实时跟踪,获取车辆的前进方向;
S13:根据步骤S11和S12获取得到的车辆位置坐标、车辆大小和车辆的前进方向提取车尾水痕可能出现的小区域;
S14:采用自适应聚类分割方法,对步骤S13提出的小区域进行水痕区域的检测和提取。
进一步的,所述步骤3对步骤1得到的数据集进行语义分割具体过程如下:
S21:构建具有编码-解码结构的语义分割网络,其中下采样中采用VGG16特征提取结构;
S22:步骤S21语义分割网络中上采样过程中重用池化索引;
S23:在语义分割网络中进行特征融合;
S24:采用预训练的VGG16网络作为预训练模型,训练语义分割网络;
S25:采用训练好的模型进行水痕区域检测与提取。
进一步的,所述步骤4中融合过程如下:
步骤S13中得到的车尾小区域的像素集设为A={A1,A2,...,An},n为小区域的像素数目;小区域中非水痕区域的像素集设为a={a1,a2,...,am},m为小区域中非水痕区域的像素数目;经语义分割后区域的像素集设为B={B1,B2,...,Bk},k为语义分割区域的像素数目;融合后的水痕区域像素集为C;
进一步的,所述步骤S14具体过程如下:
S31:将步骤1数据集中的图片转换成灰度图并获取小区域的像素集A,A={A1,A2,...,Ai};
S32:初始化聚类中心ck,k=1,2;c1初始值设置为小区域中最小像素值,c2初始值为小区域中最大像素值,设λ=1;
S33:计算每个像素点Ai到聚类中心c1和c2的距离dik:
dik=(Ai-ck)2
S34:对于像素集A中的每个像素,对比每个像素点Ai到聚类中心ck的距离dik,dik={di1,di2};
S35:判断是否满足di1<λdi2,若满足,则Ai∈a,否则Ai∈A-a;其中,a为输出的非水痕区域的像素集a,a={a1,a2,...,ai};水痕区域的像素集为A-a;
S37:输出A-a和a。
本发明的有益效果是:
本发明将基于自适应聚类分割与语义分割相融合用于水痕的检测和提取,可以高效率、高精度的进行高速公路水痕检测,可在高速公路水痕检测上取得很好的应用效果。
附图说明
图1为本发明流程示意图。
图2为本发明基于自适应聚类分割的水痕检测与提取流程示意图。
图3为本发明中自适应聚类分割算法的流程示意图。
图4为本发明中基于语义分割的水痕检测与提取流程示意图。
图5为本发明中WNet432语义分割网络的网络结构图。
图6为本发明中WNet543语义分割网络的网络结构图。
图7为本发明检测效果图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
如图1所示,一种基于深度学习的高速公路水痕检测方法,包括以下步骤:
步骤1:构建高速公路水痕数据集D;使用高速公路上安装的监控摄像头,采集高速公路视频数据,整理形成所需高速公路车辆检测数据集。在收集数据的过程中获取多个场景的雨天和非雨天数据,非雨天的数据加入水痕数据集中,使模型学习没有水痕的场景。
步骤2:步骤2:对步骤1构建的数据集进行自适应聚类分割CL;具体过程如图2所示:
S11:采用训练后的目标检测模型,将步骤1得到的数据集进行检测,获取车辆的位置坐标和大小;使用高速公路车辆检测数据集,目标检测模型采用Faster R-CNN,主干分类网络选择ResNet101,通过结合高精度的Faster R-CNN和ResNet101,训练得到高精度的高速公路车辆检测模型。基于高速公路监控视频流实现高速公路行驶车辆的检测,获取车辆的位置坐标和大小。
S12:采用多目标跟踪算法对车辆进行实时跟踪,获取车辆的前进方向;采用DeepSort多目标跟踪算法对高速公路行驶车辆进行实时跟踪。当然也可以选择其他的多目标跟踪算法。
S13:根据步骤S11和S12获取得到的车辆位置坐标、车辆大小和车辆的前进方向提取车尾水痕可能出现的小区域;通过几何方法提取车尾水痕可能出现的小区域。
S14:采用自适应聚类分割方法,对步骤S13提出的小区域进行水痕区域的检测和提取。自适应聚类算法流程如图3所示。
其输入为一张包含提取的小区域的RGB图片,小区域的像素集设为A,A={A1,A2,...,An},n为小区域的像素数目;输出为非水痕区域的像素集a,a={a1,a2,...,am},m为小区域中非水痕区域的像素数目;非水痕区域的像素集为A-a。
S31:将步骤1数据集中的图片转换成灰度图并获取小区域的像素集A,A={A1,A2,...,Ai};
S32:初始化聚类中心ck,k=1,2;c1初始值设置为小区域中最小像素值,c2初始值为小区域中最大像素值,设λ=1;
S33:计算每个像素点Ai到聚类中心c1和c2的距离dik:
dik=(Ai-ck)2
S34:对于像素集A中的每个像素,对比每个像素点Ai到聚类中心ck的距离dik,dik={di1,di2};
S35:判断是否满足di1<λdi2,若满足,则Ai∈a,否则Ai∈A-a;其中,a为输出的非水痕区域的像素集a,a={a1,a2,...,ai};水痕区域的像素集为A-a;
S37:输出A-a和a。
步骤3:对步骤1得到的数据集进行语义分割S;具体过程如图4所示。
S21:构建具有编码-解码结构的语义分割网络,其中下采样中采用VGG16特征提取结构;编码解码结构分别对应下采样和上采样步骤,网络的特征提取部分,也就是下采样部分使用稳定、高精度的VGG16特征提取结构,上采样部分与之相对应。
S22:步骤S21语义分割网络中上采样过程中重用池化索引;在设计的语义分割网络的上采样过程中重用池化索引,提高网络的效率。池化索引重用的网络结构如图5和图6所示。
S23:在语义分割网络中进行特征融合;根据融合方式不同,分别得到两个语义分割网络,WNet432和WNet543。WNet432对编码结构的浅层特征图进行上采样,之后再融合到解码结构中对应的上采样图里;WNet543则是直接将编码结构里的浅层特征图直接融合到解码结构中对应的上采样图里。两个语义分割网络的网络结构和特征融合模块分别如图5和图6所示。
S24:采用预训练的VGG16网络作为预训练模型,训练语义分割网络;在水痕数据集上,实用预训练的VGG16网络作为预训练模型,训练语义分割网络,训练过程中注意语义分割指标IoU等的变化,模型训练拟合后保存训练好的模型。
S25:采用训练好的模型进行水痕区域检测与提取;采用之前训练好的两个语义分割模型WNet432和WNet543在整张图上进行水痕区域检测与提取,保留检测效果最好的那个语义分割网络的检测结果。
检测完成后,查看WNet432和WNet543的语义分割效果,如图7所示,分割的效果很好,模型对水痕的提取结果很准确。
步骤4:对步骤3和步骤4得到的分割结果进行融合,即得到所需高速公路水痕检测结果。
步骤S13中得到的车尾小区域的像素集设为A={A1,A2,...,An},n为小区域的像素数目;小区域中非水痕区域的像素集设为a={a1,a2,...,am},m为小区域中非水痕区域的像素数目;经语义分割后区域的像素集设为B={B1,B2,...,Bk},k为语义分割区域的像素数目;融合后的水痕区域像素集为C;
本发明基于深度学习的方法,将语义分割与自适应聚类分割相结合,可以高效率、高精度的进行高速公路水痕检测,可在高速公路水痕检测上取得很好的应用效果。
Claims (5)
1.一种基于深度学习的高速公路水痕检测方法,其特征在于,包括以下步骤:
步骤1:构建高速公路水痕数据集;
步骤2:对步骤1构建的数据集进行自适应聚类分割;
步骤3:对步骤1得到的数据集进行语义分割;
步骤4:对步骤3和步骤4得到的分割结果进行融合,即得到所需高速公路水痕检测结果。
2.根据权利要求1所述的一种基于深度学习的高速公路水痕检测方法,其特征在于,所述步骤2对步骤1构建的数据集进行自适应聚类分割具体过程如下:
S11:采用训练后的目标检测模型,将步骤1得到的数据集进行检测,获取车辆的位置坐标和大小;
S12:采用多目标跟踪算法对车辆进行实时跟踪,获取车辆的前进方向;
S13:根据步骤S11和S12获取得到的车辆位置坐标、车辆大小和车辆的前进方向提取车尾水痕可能出现的小区域;
S14:采用自适应聚类分割方法,对步骤S13提出的小区域进行水痕区域的检测和提取。
3.根据权利要求1所述的一种基于深度学习的高速公路水痕检测方法,其特征在于,所述步骤3对步骤1得到的数据集进行语义分割具体过程如下:
S21:构建具有编码-解码结构的语义分割网络,其中下采样中采用VGG16特征提取结构;
S22:步骤S21语义分割网络中上采样过程中重用池化索引;
S23:在语义分割网络中进行特征融合;
S24:采用预训练的VGG16网络作为预训练模型,训练语义分割网络;
S25:采用训练好的模型进行水痕区域检测与提取。
4.根据权利要求2所述的一种基于深度学习的高速公路水痕检测方法,其特征在于,所述步骤4中融合过程如下:
步骤S13中得到的车尾小区域的像素集设为A={A1,A2,...,An},n为小区域的像素数目;小区域中非水痕区域的像素集设为a={a1,a2,...,am},m为小区域中非水痕区域的像素数目;经语义分割后区域的像素集设为B={B1,B2,...,Bk},k为语义分割区域的像素数目;融合后的水痕区域像素集为C;
5.根据权利要求2所述的一种基于深度学习的高速公路水痕检测方法,其特征在于,所述步骤S14具体过程如下:
S31:将步骤1数据集中的图片转换成灰度图并获取小区域的像素集A,A={A1,A2,...,Ai};
S32:初始化聚类中心ck,k={1,2};c1初始值设置为小区域中最小像素值,c2初始值为小区域中最大像素值,设λ=1;
S33:计算每个像素点Ai到聚类中心c1和c2的距离dik:
dik=(Ai-ck)2
S34:对于像素集A中的每个像素,对比每个像素点Ai到聚类中心ck的距离dik,dik={di1,di2};
S35:判断是否满足di1<λdi2,若满足,则Ai∈a,否则Ai∈A-a;其中,a为输出的非水痕区域的像素集a,a={a1,a2,...,ai};水痕区域的像素集为A-a;
S37:输出A-a和a。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911068509.9A CN110874598B (zh) | 2019-11-05 | 2019-11-05 | 一种基于深度学习的高速公路水痕检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911068509.9A CN110874598B (zh) | 2019-11-05 | 2019-11-05 | 一种基于深度学习的高速公路水痕检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110874598A true CN110874598A (zh) | 2020-03-10 |
CN110874598B CN110874598B (zh) | 2022-09-27 |
Family
ID=69717953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911068509.9A Active CN110874598B (zh) | 2019-11-05 | 2019-11-05 | 一种基于深度学习的高速公路水痕检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874598B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402301A (zh) * | 2020-03-17 | 2020-07-10 | 浙江大华技术股份有限公司 | 积水检测方法及装置、存储介质及电子装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008230512A (ja) * | 2007-03-22 | 2008-10-02 | Toyoda Gosei Co Ltd | 車載用外気温度表示装置 |
CN101609606A (zh) * | 2009-07-10 | 2009-12-23 | 清华大学 | 一种路面湿滑状态识别方法 |
US20150178572A1 (en) * | 2012-05-23 | 2015-06-25 | Raqib Omer | Road surface condition classification method and system |
US20160001780A1 (en) * | 2014-07-02 | 2016-01-07 | Lg Electronics Inc. | Driver assistance apparatus capable of recognizing a road surface state and vehicle including the same |
CN106530305A (zh) * | 2016-09-23 | 2017-03-22 | 北京市商汤科技开发有限公司 | 语义分割模型训练和图像分割方法及装置、计算设备 |
CN107424159A (zh) * | 2017-07-28 | 2017-12-01 | 西安电子科技大学 | 基于超像素边缘和全卷积网络的图像语义分割方法 |
CN108230330A (zh) * | 2018-01-30 | 2018-06-29 | 北京同方软件股份有限公司 | 一种快速的高速公路路面分割和摄像机定位的方法 |
CN108491889A (zh) * | 2018-04-02 | 2018-09-04 | 深圳市易成自动驾驶技术有限公司 | 图像语义分割方法、装置及计算机可读存储介质 |
CN108805882A (zh) * | 2018-05-29 | 2018-11-13 | 杭州视氪科技有限公司 | 一种水面和水坑检测方法 |
CN109902600A (zh) * | 2019-02-01 | 2019-06-18 | 清华大学 | 一种道路区域检测方法 |
-
2019
- 2019-11-05 CN CN201911068509.9A patent/CN110874598B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008230512A (ja) * | 2007-03-22 | 2008-10-02 | Toyoda Gosei Co Ltd | 車載用外気温度表示装置 |
CN101609606A (zh) * | 2009-07-10 | 2009-12-23 | 清华大学 | 一种路面湿滑状态识别方法 |
US20150178572A1 (en) * | 2012-05-23 | 2015-06-25 | Raqib Omer | Road surface condition classification method and system |
US20160001780A1 (en) * | 2014-07-02 | 2016-01-07 | Lg Electronics Inc. | Driver assistance apparatus capable of recognizing a road surface state and vehicle including the same |
CN106530305A (zh) * | 2016-09-23 | 2017-03-22 | 北京市商汤科技开发有限公司 | 语义分割模型训练和图像分割方法及装置、计算设备 |
CN107424159A (zh) * | 2017-07-28 | 2017-12-01 | 西安电子科技大学 | 基于超像素边缘和全卷积网络的图像语义分割方法 |
CN108230330A (zh) * | 2018-01-30 | 2018-06-29 | 北京同方软件股份有限公司 | 一种快速的高速公路路面分割和摄像机定位的方法 |
CN108491889A (zh) * | 2018-04-02 | 2018-09-04 | 深圳市易成自动驾驶技术有限公司 | 图像语义分割方法、装置及计算机可读存储介质 |
CN108805882A (zh) * | 2018-05-29 | 2018-11-13 | 杭州视氪科技有限公司 | 一种水面和水坑检测方法 |
CN109902600A (zh) * | 2019-02-01 | 2019-06-18 | 清华大学 | 一种道路区域检测方法 |
Non-Patent Citations (9)
Title |
---|
CAOJIA LIANG等: "Winter Road Surface Status Recognition Using Deep Semantic Segmentation Network", 《PROCEEDINGS – INT. WORKSHOP ON ATMOSPHERIC ICING OF STRUCTURES》 * |
GUANGYUAN PAN等: "Winter Road Surface Condition Recognition Using A Pretrained Deep Convolutional Network", 《PROCEEDINGS – INT. WORKSHOP ON ATMOSPHERIC ICING OF STRUCTURES》 * |
JIAN-JUN QIAO等: "SWNet: A Deep Learning Based Approach for Splashed Water Detection on Road", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
YIKANG GAO等: "Host lane detection method using semantic segmentation combined with hierarchy clustering algorithm", 《TENTH INTERNATIONAL CONFERENCE ON GRAPHICS AND IMAGE PROCESSING》 * |
姜立标等: "基于实例分割方法的复杂场景下车道线检测", 《机械设计与制造工程》 * |
张学涛: "基于深度学习的道路图像语义分割算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
杜明芳: "基于视觉的自主车道路环境理解技术研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
梁敏健: "智能车行车环境视觉感知关键技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
袁萍: "高速公路恶劣天气及交通状况智能分析***研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402301A (zh) * | 2020-03-17 | 2020-07-10 | 浙江大华技术股份有限公司 | 积水检测方法及装置、存储介质及电子装置 |
CN111402301B (zh) * | 2020-03-17 | 2023-06-13 | 浙江大华技术股份有限公司 | 积水检测方法及装置、存储介质及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110874598B (zh) | 2022-09-27 |
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 | |
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
US20180124319A1 (en) | Method and apparatus for real-time traffic information provision | |
CN112215306B (zh) | 一种基于单目视觉与毫米波雷达融合的目标检测方法 | |
CN110097762B (zh) | 一种道路视频图像低能见度刻度估算方法及*** | |
CN113052159B (zh) | 一种图像识别方法、装置、设备及计算机存储介质 | |
CN110826412B (zh) | 高速公路能见度检测***和方法 | |
CN112990065B (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
CN112861700B (zh) | 基于DeepLabv3+的车道线网络识别模型建立及车辆速度检测方法 | |
CN112666553B (zh) | 一种基于毫米波雷达的道路积水识别方法及设备 | |
CN111415533A (zh) | 弯道安全预警监控方法、装置以及*** | |
CN112818935B (zh) | 基于深度学习的多车道拥堵检测及持续时间预测方法及*** | |
CN111414861A (zh) | 基于深度学习实现行人及非机动车辆检测处理的方法 | |
CN111259796A (zh) | 一种基于图像几何特征的车道线检测方法 | |
CN118038386B (zh) | 一种高密度复杂交通场景下动态目标检测*** | |
Cheng et al. | Semantic segmentation of road profiles for efficient sensing in autonomous driving | |
CN112419745A (zh) | 一种基于深度融合网络的高速公路团雾预警*** | |
CN115880658A (zh) | 一种夜间场景下汽车车道偏离预警方法及*** | |
CN110874598B (zh) | 一种基于深度学习的高速公路水痕检测方法 | |
CN111768373A (zh) | 基于深度学习的层级式路面标记破损检测方法 | |
CN116630702A (zh) | 一种基于语义分割网络的路面附着系数预测方法 | |
CN114882205A (zh) | 基于注意力机制的目标检测方法 | |
CN115170467A (zh) | 基于多光谱行人检测与车速检测的交通指示方法及*** | |
Pan et al. | Identifying Vehicles Dynamically on Freeway CCTV Images through the YOLO Deep Learning Model. | |
Qiu et al. | Intelligent Highway Adaptive Lane Learning System in Multiple ROIs of Surveillance Camera Video |
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 |