CN111339895B - 大类非极大值抑制方法及其*** - Google Patents

大类非极大值抑制方法及其*** Download PDF

Info

Publication number
CN111339895B
CN111339895B CN202010107223.3A CN202010107223A CN111339895B CN 111339895 B CN111339895 B CN 111339895B CN 202010107223 A CN202010107223 A CN 202010107223A CN 111339895 B CN111339895 B CN 111339895B
Authority
CN
China
Prior art keywords
class
detection
subclass
detection frame
confidence
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
CN202010107223.3A
Other languages
English (en)
Other versions
CN111339895A (zh
Inventor
袁施薇
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.)
Motovis Technology Shanghai Co ltd
Original Assignee
Motovis Technology Shanghai 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 Motovis Technology Shanghai Co ltd filed Critical Motovis Technology Shanghai Co ltd
Priority to CN202010107223.3A priority Critical patent/CN111339895B/zh
Publication of CN111339895A publication Critical patent/CN111339895A/zh
Application granted granted Critical
Publication of CN111339895B publication Critical patent/CN111339895B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

一种大类非极大值抑制方法，包括以下步骤：一、将多个目标类别聚合分成多个大类；二、通过小类检测框生成大类检测框；三、通过非极大值抑制对各大类检测框进行筛选，得到最终的大类检测框；四、将步骤三得到的每个大类检测框转化为小类检测框。本发明对于类别较多的检测任务，利用目标类相同大类的其它小类的检测信息，使得结果更加稳定，检测类别和检测框的位置更加稳定和准确，对于训练时数量较少的目标类，也可以借助其相同大类的其它小类的检测信息，得到比较精准的检测框。

Description

大类非极大值抑制方法及其***
技术领域
本发明涉及目标检测技术领域，尤其涉及一种大类非极大值抑制方法及其***。
背景技术
在实际应用中，很多任务通过视觉方法来检测我们需要的目标。其中，在目标检测任务中最为常用的一种方法是对每张图片产生大量的长方形候选框，来表示我们想要检测出来的物体，一般来说，每个候选框都会预测得到一个置信度和候选框的坐标。同一个目标会有大量重叠的候选框，为了得到最终的检测目标，非极大值抑制方法是一种最为有效和高速的方法。
针对于多类检测的时候，普通的非极大值抑值方法一方面由于类别较多且多类别之间目标不均衡，另一方面仅仅依赖于分类中置信度最高的类别对应的检测而舍弃全部其他类得到的信息，会使得检测的目标类别置信度低甚至类别判断不准，且某些类别的检测框不稳定。
发明内容
基于此，针对上述技术问题，提供一种大类非极大值抑制方法及其***。
为解决上述技术问题，本发明采用如下技术方案：
一种大类非极大值抑制方法，包括以下骤：
一、将多类别检测任务预设的多个目标类别作为小类，聚合分成多个大类；
二、在通过目标检测算法进行多类别检测任务时，通过小类检测框生成大类检测框：
a、归一化小类检测框对于每个大类中的各小类的置信度，对于第K个大类中的第ki个小类，归一化后的置信度为
Figure BDA0002388780830000021
其中，小类检测框由所述目标检测算法得到，cls[ki]为小类检测框对于第ki个小类的置信度，∑icls[ki]表示对小类检测框对于第K个大类中的各小类的置信度求和；
b、计算大类检测框对于各大类的置信度CLS[K]＝Ei(cls[ki])，其中，Ei(cls[ki])代表对小类检测框对于第K个大类中的各小类的置信度求平均值；
c、计算大类检测框的坐标BBX[K]＝∑i(bbx[ki]*cls_uni[ki])，其中，bbx[ki]代表小类检测框对于步骤b中置信度最大的大类中第ki个小类的坐标；
三、通过非极大值抑制对各大类检测框进行筛选，得到最终的大类检测框；
四、将步骤三得到的每个大类检测框转化为小类检测框：大类检测框的坐标保持不变，将所述大类检测框的大类类别中置信度最大的小类的类别和置信度作为该大类检测框的类别和置信度。
所述步骤一根据外观相似或者任务相似对各类别聚合分成多个大类。
本发明还涉及一种大类非极大值抑制***，包括存储模块，所述存储模块包括由处理器加载并执行的多条指令：
一、将多类别检测任务预设的多个目标类别作为小类，聚合分成多个大类；
二、在通过目标检测算法进行多类别检测任务时，通过小类检测框生成大类检测框：
a、归一化小类检测框对于每个大类中的各小类的置信度，对于第K个大类中的第ki个小类，归一化后的置信度为
Figure BDA0002388780830000022
其中，小类检测框由所述目标检测算法得到，cls[ki]为小类检测框对于第ki个小类的置信度，∑icls[ki]表示对小类检测框对于第K个大类中的各小类的置信度求和；
b、计算大类检测框对于各大类的置信度CLS[K]＝Ei(cls[ki])，其中，Ei(cls[ki])代表对小类检测框对于第K个大类中的各小类的置信度求平均值；
c、计算大类检测框的坐标BBX[K]＝∑i(bbx[ki]*cls_uni[ki])，其中，bbx[ki]代表小类检测框对于步骤b中置信度最大的大类中第ki个小类的坐标；
三、通过非极大值抑制对各大类检测框进行筛选，得到最终的大类检测框；
四、将步骤三得到的每个大类检测框转化为小类检测框：大类检测框的坐标保持不变，将所述大类检测框的大类类别中置信度最大的小类的类别和置信度作为该大类检测框的类别和置信度。
所述步骤一根据外观相似或者任务相似对各类别聚合分成多个大类。
本发明针对于多类别目标检测，在已有非极大值抑制方法的基础上，将各类别聚合分成多个大类，进行大类非极大值抑制，利用除了目标类外其他类的检测信息，使得结果更加稳定，检测类别和检测框的位置更加稳定和准确，对于训练时数量较少的类别，也可以借助其相似类别，得到比较精准的检测框。
附图说明
下面结合附图和具体实施方式对本发明进行详细说明：
图1为本发明的流程图。
具体实施方式
如图1所示，一种大类非极大值抑制方法，包括以下步骤：
S101、将多类别检测任务预设的多个目标类别作为小类，聚合分成多个大类。多类别检测任务的目的就是在图片中把属于目标类别的物体全部通过检测框框出来，并显示类别和置信度。
在本实施例中，根据外观相似或者任务相似对各类别聚合分成多个大类。
如检测任务的多个目标类别为：小汽车、suv、三轮车、摩托车、自行车、成年人、儿童、大巴、公交，那么根据外观相似，我们可以分成以下四个大类：||小汽车、suv||、||三轮车、摩托车、自行车||、||成年人、儿童||、||大巴、公交||，因为以上每个大类中的小类之间的外观比价接近；或者可以分成以下三个大类：||小汽车、suv、大巴、公交||、||三轮车、摩托车、自行车||、||成年人、儿童||，此种分类在外观变化不是特别大的情况下，根据任务来分类，因为在自动驾驶中，检测成年人和儿童往往便于避免状上他们，且他们的速度比较小；而机动车和非机动车往往也有机动车的平均速度。一方面，相似的外观可以帮助提取相似的特征便于分类和回归，另一方面，即使偶有错误造成的后果也不至于过大。
我们将各类别聚合分成N个大类，对于第K个大类，其包含多个小类：k1，k2，…。
S102、在通过目标检测算法进行多类别检测任务时，通过小类检测框生成大类检测框，即需要计算大类检测框对于各大类的置信度以及坐标：
a、归一化小类检测框对于每个大类中的各小类的置信度，对于第K个大类中的第ki个小类，归一化后的置信度为
Figure BDA0002388780830000041
其中，小类检测框由所述目标检测算法得到，cls[ki]为小类检测框对于第ki个小类的置信度，∑icls[ki]表示对小类检测框对于第K个大类中的各小类的置信度求和，i＝1，2，3，4…。
使用边界框的目标检测方法(bounding box detection)都适用于本发明，在本实施例中，目标检测算法采用Faster RCNN算法，通过其rpn模块得到各个小类候选框及其置信度，当然，也可以使用滑窗法、anchor法或者anchor-free法。
b、计算大类检测框对于各大类的置信度CLS[K]＝Ei(cls[ki])，其中，Ei(cls[ki])代表对小类检测框对于第K个大类中的各小类的置信度求平均值。
c、计算大类检测框的坐标BBX[K]＝∑i(bbx[ki]*cls_uni[ki])，其中，bbx[ki]代表小类检测框对于步骤b中置信度最大的大类中第ki个小类的坐标。
如表1所示，以一个大类检测框为例，行人大类中的两个小类的置信度进行归一化之后分别为0.543以及0.457，该大类检测框对于各大类的置信度分别为0.055、0.875以及0.011，可以看到置信度最大的大类为行人，然后通过行人大类下的各小类的坐标计算该大类检测框的坐标。
其中，(xmin，ymax)是小类检测框的左上顶点坐标，(xmax，ymin)是小类检测框的右下顶点坐标，(Xmin，Ymax)是大类检测框的左上顶点坐标，(Xmax，Ymin)是大类检测框的右下顶点坐标。
Figure BDA0002388780830000051
表1
S103、通过非极大值抑制对各大类检测框进行筛选，得到最终的大类检测框。
非极大值抑制为现有方法，通过带有滑动窗口的检测模型，主要是深度学习中的监测模型，步骤S102得到的多个大类检测框的集合为S，S中的任一个元素记做det(x，y)，表示像素坐标为(x，y)的大类检测框，其由类别置信度cls以及边界框坐标bbx构成。对于有n个类别的任务，cls是一个n维的向量，其中每个元素是一个0-1的值，而边界框坐标bbx则包含左上顶点和右下顶点的坐标，具体步骤如下：
1)对于S中每个元素，我们按照置信度由大到小对元素进行排序。
2)取出S中置信度最大的元素。
3)依次遍历S剩下的全部元素，去掉与步骤2)所取置信度最大的元素的重叠率iou大于阈值thres1的元素。
其中，iou为intersection over union的缩写，两个元素的坐标分别记做b1和b2。
inter＝max(min(b1[2]，b2[2])-max(b1[0]，b2[0])，0)*max(min(b1[3]，b2[3])-max(b1[1]，b2[1])，0)，
Figure BDA0002388780830000061
inter表示重叠面积，union表示总面积。
4)重复执行步骤2)以及3)，直到S中剩余所有的元素的置信度都小于阈值thres2。
上述过程中取出的元素为最终的大类检测框，包括其类别和检测框的坐标。
其中，thres1和thres2可以分别取0.5。
S104、将步骤S103得到的每个大类检测框转化为小类检测框：大类检测框的坐标保持不变，将大类检测框的大类类别中置信度最大的小类的类别和置信度作为该大类检测框的类别和置信度。
以表1为例，假设根据步骤S103得到的一个大类检测框的大类类别为行人，则该大类检测框的坐标不变，并且将置信度最大的小类对应的类别和置信度作为该大类检测框的类别和置信度：成年人，置信度0.95。
本发明还涉及一种大类非极大值抑制***，包括存储模块，所述存储模块包括由处理器加载并执行的多条指令：
S101、将多类别检测任务预设的多个目标类别作为小类，聚合分成多个大类。多类别检测任务的目的就是在图片中把属于目标类别的物体全部通过检测框框出来，并显示类别和置信度。
在本实施例中，根据外观相似或者任务相似对各类别聚合分成多个大类。
如检测任务的多个目标类别为：小汽车、suv、三轮车、摩托车、自行车、成年人、儿童、大巴、公交，那么根据外观相似，我们可以分成以下四个大类：||小汽车、suv||、||三轮车、摩托车、自行车||、||成年人、儿童||、||大巴、公交||，因为以上每个大类中的小类之间的外观比价接近；或者可以分成以下三个大类：||小汽车、suv、大巴、公交||、||三轮车、摩托车、自行车||、||成年人、儿童||，此种分类在外观变化不是特别大的情况下，根据任务来分类，因为在自动驾驶中，检测成年人和儿童往往便于避免状上他们，且他们的速度比较小；而机动车和非机动车往往也有机动车的平均速度。一方面，相似的外观可以帮助提取相似的特征便于分类和回归，另一方面，即使偶有错误造成的后果也不至于过大。
我们将各类别聚合分成N个大类，对于第K个大类，其包含多个小类：k1，k2，…。
S102、在通过目标检测算法进行多类别检测任务时，通过小类检测框生成大类检测框，即需要计算大类检测框对于各大类的置信度以及坐标：
a、归一化小类检测框对于每个大类中的各小类的置信度，对于第K个大类中的第ki个小类，归一化后的置信度为
Figure BDA0002388780830000071
其中，小类检测框由所述目标检测算法得到，cls[ki]为小类检测框对于第ki个小类的置信度，∑i cls[ki]表示对小类检测框对于第K个大类中的各小类的置信度求和，i＝1，2，3，4…。
使用边界框的目标检测方法(bounding box detection)都适用于本发明，在本实施例中，目标检测算法采用Faster RCNN算法，通过其rpn模块得到各个小类候选框及其置信度，当然，也可以使用滑窗法、anchor法或者anchor-free法。
b、计算大类检测框对于各大类的置信度CLS[K]＝Ei(cls[ki])，其中，Ei(cls[ki])代表对小类检测框对于第K个大类中的各小类的置信度求平均值。
c、计算大类检测框的坐标BBX[K]＝∑i(bbx[ki]*cls_uni[ki])，其中，bbx[ki]代表小类检测框对于步骤b中置信度最大的大类中第ki个小类的坐标。
如表1所示，以一个大类检测框为例，行人大类中的两个小类的置信度进行归一化之后分别为0.543以及0.457，该大类检测框对于各大类的置信度分别为0.055、0.875以及0.011，可以看到置信度最大的大类为行人，然后通过行人大类下的各小类的坐标计算该大类检测框的坐标。
其中，(xmin，ymax)是小类检测框的左上顶点坐标，(xmax，ymin)是小类检测框的右下顶点坐标，(Xmin，Ymax)是大类检测框的左上顶点坐标，(Xmax，Ymin)是大类检测框的右下顶点坐标。
S103、通过非极大值抑制对各大类检测框进行筛选，得到最终的大类检测框。
非极大值抑制为现有方法，通过带有滑动窗口的检测模型，主要是深度学习中的监测模型，步骤S102得到的多个大类检测框的集合为S，S中的任一个元素记做det(x，y)，表示像素坐标为(x，y)的大类检测框，其由类别置信度cls以及边界框坐标bbx构成。对于有n个类别的任务，cls是一个n维的向量，其中每个元素是一个0-1的值，而边界框坐标bbx则包含左上顶点和右下顶点的坐标，具体步骤如下：
1)对于S中每个元素，我们按照置信度由大到小对元素进行排序。
2)取出S中置信度最大的元素。
3)依次遍历S剩下的全部元素，去掉与步骤2)所取置信度最大的元素的重叠率iou大于阈值thres1的元素。
其中，iou为intersection over union的缩写，两个元素的坐标分别记做b1和b2。
inter＝max(min(b1[2]，b2[2])-max(b1[0]，b2[0])，0)*max(min(b1[3]，b2[3])-max(b1[1]，b2[1])，0)，
Figure BDA0002388780830000081
inter表示重叠面积，union表示总面积。
4)重复执行步骤2)以及3)，直到S中剩余所有的元素的置信度都小于阈值thres2。
上述过程中取出的元素为最终的大类检测框，包括其类别和检测框的坐标。
其中，thres1和thres2可以分别取0.5。
S104、将步骤S103得到的每个大类检测框转化为小类检测框：大类检测框的坐标保持不变，将大类检测框的大类类别中置信度最大的小类的类别和置信度作为该大类检测框的类别和置信度。
以表1为例，假设根据步骤S103得到的一个大类检测框的大类类别为行人，则该大类检测框的坐标不变，并且将置信度最大的小类对应的类别和置信度作为该大类检测框的类别和置信度：成年人，置信度0.95。
本发明针对于多类别目标检测，在已有非极大值抑制方法的基础上，将各类别聚合分成多个大类，进行大类非极大值抑制，利用目标类相同大类的其它小类的检测信息，使得结果更加稳定，检测类别和检测框的位置更加稳定和准确，对于训练时数量较少的目标类，也可以借助其相同大类的其它小类的检测信息，得到比较精准的检测框。
但是，本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (4)

1.一种大类非极大值抑制方法，其特征在于，包括以下步骤：
一、将多类别检测任务预设的多个目标类别作为小类，聚合分成多个大类；
二、在通过目标检测算法进行多类别检测任务时，通过小类检测框生成大类检测框：
a、归一化小类检测框对于每个大类中的各小类的置信度，对于第K个大类中的第ki个小类，归一化后的置信度为
Figure FDA0002388780820000011
其中，小类检测框由所述目标检测算法得到，cls[ki]为小类检测框对于第ki个小类的置信度，∑icls[ki]表示对小类检测框对于第K个大类中的各小类的置信度求和；
b、计算大类检测框对于各大类的置信度CLS[K]＝Ei(cls[ki])，其中，Ei(Cls[ki])代表对小类检测框对于第K个大类中的各小类的置信度求平均值；
c、计算大类检测框的坐标BBX[K]＝Σi(bbx[ki]*cls_uni[ki])，其中，bbx[ki]代表小类检测框对于步骤b中置信度最大的大类中第ki个小类的坐标；
三、通过非极大值抑制对各大类检测框进行筛选，得到最终的大类检测框；
四、将步骤三得到的每个大类检测框转化为小类检测框：大类检测框的坐标保持不变，将所述大类检测框的大类类别中置信度最大的小类的类别和置信度作为该大类检测框的类别和置信度。
2.根据权利要求1所述的一种大类非极大值抑制方法，其特征在于，所述步骤一根据外观相似或者任务相似对各类别聚合分成多个大类。
3.一种大类非极大值抑制***，其特征在于，包括存储模块，所述存储模块包括由处理器加载并执行的多条指令：
一、将多类别检测任务预设的多个目标类别作为小类，聚合分成多个大类；
二、在通过目标检测算法进行多类别检测任务时，通过小类检测框生成大类检测框：
a、归一化小类检测框对于每个大类中的各小类的置信度，对于第K个大类中的第ki个小类，归一化后的置信度为
Figure FDA0002388780820000021
其中，小类检测框由所述目标检测算法得到，cls[ki]为小类检测框对于第ki个小类的置信度，∑icls[ki]表示对小类检测框对于第K个大类中的各小类的置信度求和；
b、计算大类检测框对于各大类的置信度CLS[K]＝Ei(cls[ki])，其中，Ei(cls[ki])代表对小类检测框对于第K个大类中的各小类的置信度求平均值；
c、计算大类检测框的坐标BBX[K]＝∑i(bbx[ki]*cls_uni[ki])，其中，bbx[ki]代表小类检测框对于步骤b中置信度最大的大类中第ki个小类的坐标；
三、通过非极大值抑制对各大类检测框进行筛选，得到最终的大类检测框；
四、将步骤三得到的每个大类检测框转化为小类检测框：大类检测框的坐标保持不变，将所述大类检测框的大类类别中置信度最大的小类的类别和置信度作为该大类检测框的类别和置信度。
4.根据权利要求3 所述的一种大类非极大值抑制***，其特征在于，所述步骤一根据外观相似或者任务相似对各类别聚合分成多个大类。
CN202010107223.3A 2020-02-21 2020-02-21 大类非极大值抑制方法及其*** Active CN111339895B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010107223.3A CN111339895B (zh) 2020-02-21 2020-02-21 大类非极大值抑制方法及其***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010107223.3A CN111339895B (zh) 2020-02-21 2020-02-21 大类非极大值抑制方法及其***

Publications (2)

Publication Number Publication Date
CN111339895A CN111339895A (zh) 2020-06-26
CN111339895B true CN111339895B (zh) 2023-03-24

Family

ID=71181732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010107223.3A Active CN111339895B (zh) 2020-02-21 2020-02-21 大类非极大值抑制方法及其***

Country Status (1)

Country Link
CN (1) CN111339895B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106557778A (zh) * 2016-06-17 2017-04-05 北京市商汤科技开发有限公司 通用物体检测方法和装置、数据处理装置和终端设备
WO2017166098A1 (en) * 2016-03-30 2017-10-05 Xiaogang Wang A method and a system for detecting an object in a video
CN107563387A (zh) * 2017-09-14 2018-01-09 成都掌中全景信息技术有限公司 一种基于循环神经网络的图像目标检测选框方法
CN107665336A (zh) * 2017-09-20 2018-02-06 厦门理工学院 智能冰箱中基于Faster‑RCNN的多目标检测方法
CN109447033A (zh) * 2018-11-14 2019-03-08 北京信息科技大学 基于yolo的车辆前方障碍物检测方法
CN109886357A (zh) * 2019-03-13 2019-06-14 哈尔滨工程大学 一种基于特征融合的自适应权重深度学习目标分类方法
CN110245620A (zh) * 2019-06-18 2019-09-17 杭州电子科技大学 一种基于注意力的非最大化抑制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9965719B2 (en) * 2015-11-04 2018-05-08 Nec Corporation Subcategory-aware convolutional neural networks for object detection

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017166098A1 (en) * 2016-03-30 2017-10-05 Xiaogang Wang A method and a system for detecting an object in a video
CN106557778A (zh) * 2016-06-17 2017-04-05 北京市商汤科技开发有限公司 通用物体检测方法和装置、数据处理装置和终端设备
CN107563387A (zh) * 2017-09-14 2018-01-09 成都掌中全景信息技术有限公司 一种基于循环神经网络的图像目标检测选框方法
CN107665336A (zh) * 2017-09-20 2018-02-06 厦门理工学院 智能冰箱中基于Faster‑RCNN的多目标检测方法
CN109447033A (zh) * 2018-11-14 2019-03-08 北京信息科技大学 基于yolo的车辆前方障碍物检测方法
CN109886357A (zh) * 2019-03-13 2019-06-14 哈尔滨工程大学 一种基于特征融合的自适应权重深度学习目标分类方法
CN110245620A (zh) * 2019-06-18 2019-09-17 杭州电子科技大学 一种基于注意力的非最大化抑制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
改进的非极大值抑制算法的目标检测;赵文清等;《中国图象图形学报》;20181116(第11期);全文 *

Also Published As

Publication number Publication date
CN111339895A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN109829403B (zh) 一种基于深度学习的车辆防碰撞预警方法及***
CN106934346B (zh) 一种目标检测性能优化的方法
CN107045629B (zh) 一种多车道线检测方法
WO2019228211A1 (zh) 基于车道线的智能驾驶控制方法和装置、电子设备
JP6188400B2 (ja) 画像処理装置、プログラム及び画像処理方法
CN109190444B (zh) 一种基于视频的收费车道车辆特征识别***的实现方法
US20190012548A1 (en) Unified deep convolutional neural net for free-space estimation, object detection and object pose estimation
US10878259B2 (en) Vehicle detecting method, nighttime vehicle detecting method based on dynamic light intensity and system thereof
CN105809184B (zh) 一种适用于加油站的车辆实时识别跟踪与车位占用判断的方法
CN108334881B (zh) 一种基于深度学习的车牌识别方法
CN101087365B (zh) 一种滤除图像混合噪声的方法
CN107315998B (zh) 基于车道线的车辆种类划分方法和***
CN112184799B (zh) 车道线空间坐标确定方法、装置、存储介质和电子设备
CN108960074B (zh) 基于深度学习的小尺寸行人目标检测方法
CN105426863A (zh) 检测车道线的方法和装置
CN112862845A (zh) 一种基于置信度评估的车道线重构方法及装置
Grigoryev et al. Vision-Based Vehicle Wheel Detector And Axle Counter.
CN111339895B (zh) 大类非极大值抑制方法及其***
CN107862341A (zh) 一种车辆检测方法
CN113221739B (zh) 基于单目视觉的车距测量方法
CN108932471B (zh) 一种车辆检测方法
Karungaru et al. Road traffic signs recognition using genetic algorithms and neural networks
WO2023201951A1 (zh) 一种生成车道中心线的方法和装置
Tan et al. Shape template based side-view car detection algorithm
She et al. Vanishing point estimation for challenging road images

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