CN111860219B - 一种高速占道判断方法、装置及电子设备 - Google Patents
一种高速占道判断方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111860219B CN111860219B CN202010618919.2A CN202010618919A CN111860219B CN 111860219 B CN111860219 B CN 111860219B CN 202010618919 A CN202010618919 A CN 202010618919A CN 111860219 B CN111860219 B CN 111860219B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- training
- recognition model
- picture
- license plate
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06F18/24—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
- 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
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高速占道判断方法,涉及道路违法判断技术领域,包括如下步骤:预训练车辆检测模型;输入待测车辆图片至车辆检测模型寻找车辆位置,并识别车辆信息;根据预划定坐标对车辆判断是否占道。本方案根据预训练车辆检测模型,实时带入待检测车辆图片,可达到对车辆图片识别精度提高,且识别效率提升;同时,接收的图片尺寸可以任意大小,减小了图片格式的局限性;整个流程分离了检测与分类的步骤,从而使每个网络更具有专一性,发挥每个网络的长处,使得结果更加准确。本发明还公开了一种高速占道判断装置和电子设备。
Description
技术领域
本发明涉及道路违法判断技术领域,尤其涉及一种高速占道判断方法、装置及电子设备。
背景技术
高速公路上车辆众多,人工进行违法判断工作量太大,且长时间工作容易造成工作质量降低,因此高速违法自动化判断日渐重要。市面上兴起了许多车辆检测,车牌识别的***。可根据道路监控摄像头拍下的照片进行车辆检测以及车牌号的识别,对于违法占道车辆进行提示预警。然而现存的方法由于步骤不够细化,使得每一个步骤完成的任务过多,造成精度不够。并且现有的算法多为采用带有全连接层的卷积神经网络完成,需要固定尺度的输入,如果尺寸发生改变则会降低精度。
现存高速占道判断***存在精度不足的问题,造成软件误报率较高。主要原因为以下几点。
1、检测与分类在同一网络进行,由于检测网络的长处在于回归坐标,对于分类能力没有专门的分类网络强。
2、传统检测网络具有全连接层,因此需要固定长度的图像输入,如果长度与预设不一致则要重新拉伸缩放,会造成画面变形失真。
3、传统检测没有关键点信息,因为透视关系无法找到车头准确位置,容易造成误判。
发明内容
为了克服现有技术中存在精度不足、软件误报率较高的问题,本发明的目的之一在于提供一种高速占道判断方法。
本发明的目的之一采用以下技术方案实现:
一种高速占道判断方法,包括如下步骤:
预训练车辆检测模型;
输入待测车辆图片至车辆检测模型寻找车辆位置,并识别车辆信息;
根据预划定坐标对车辆判断是否占道。
进一步地,预训练车辆检测模型包括:预训练车辆位置识别模型、预训练车头角点识别模型、预训练车牌号码识别模型和预训练车辆类型识别模型。
进一步地,预训练车辆位置识别模型,过程包括:
获取用于训练车辆图片,经过卷积神经网络层,输出每类特征图,包括背景类和车辆类,每类输出5个特征图;
对特征图进行处理,将每个特征图的长为输入像素的长缩小32倍,输入图像的宽缩小32倍;
根据处理后的每类特征图,特征图中每个点代表原图中一个区域,故每个点会输出坐标和每类物体中心的概率,计算出车辆位置坐标和置信度。
进一步地,预训练车头角点识别模型,过程包括:
获取车辆图片数据集,经过卷积神经网络层,输出一个1024维的特征向量,再经过4n个向量乘法,得到4n*1维矩阵的输出,其中n代表需要预测的角点个数,最终输出4n维度的向量,每个角点代表x,y,w,h四个坐标,得到4n个结果;
预设置输出特征图为n*n大小,而输入的特征图大小为w*h,则将w*h个像素点分成n*n块,每块取最大的像素点的值。
进一步地,预训练车牌号码识别模型,过程包括:
获取车牌图片数据集,经过卷积神经网络,每类输出(n+1)*5个特征图,n为所有字母和省份简称种类的和,根据车牌的位置,输出每个文字的位置和对应的字符。
进一步地,预训练车牌类型识别模型,过程包括:
使用分类卷积神经网络对车辆图片数据集的类别进行分类,并对应进行标记类型;
将分类后的车辆图片数据集带入resnet神经网络进行训练,得到车辆分类网络模型。
进一步地,识别车辆信息还包括:识别车牌颜色,过程包括:
获取待检测车牌图片,将图片RGB分布统计出三个直方图,范围从0-255,最后汇总成一个256*3维的向量;
将向量输入SVM中进行颜色分类,得出实现训练好的目标颜色种类。
进一步地,步骤根据预划定坐标对车辆判断是否占道,包括:
对车道坐标进行划分;
获取车辆信息,对车辆判断是否占道,包括:根据对车辆信息和当前车道坐标位置进行判断。
本发明的目的之二在于提供一种高速占道判断装置,旨在采用预训练车辆位置识别模型的训练,采用根据车头角点为基点的识别过程,提高对高速占道判断的识别效率。
本发明的目的之二采用以下技术方案实现:
一种高速占道判断装置,包括:
预训练模块,用于生成预训练车辆位置识别模型、预训练车头角点识别模型、预训练车牌号码识别模型和预训练车辆类型识别模型;
车辆查找模块,根据输入待测车辆图片至车辆检测模型寻找车辆位置,并识别车辆信息;
违法判断模块,根据预划定坐标对车辆判断是否占道。
本发明的目的之三在于提供执行发明目的之一的电子设备,其包括处理器、存储介质以及计算机程序,计算机程序存储于存储介质中,计算机程序被处理器执行时实现上述的一种高速占道判断方法。
相比现有技术,本发明的有益效果在于:
本方案接收的图片尺寸可以任意大小,减小了图片格式的局限性;同时,整个流程分离了检测与分类的步骤,从而使每个网络更具有专一性,发挥每个网络的长处,使得结果更加准确。
附图说明
图1为本发明中的运行流程示意图;
图2为本发明中预训练车辆位置识别模型经过卷积神经网络层后输出的特征图效果示意图;
图3为本发明中预训练车头角点识别模型经过卷积神经网络层后输出的特征图效果示意图;
图4为本发明中预训练车头角点识别模型根据预设大小输出的特征图效果示意图;
图5为本发明中一种高速占道判断装置的结构框图;
图6为实施例三的电子设备的结构框图。
具体实施方式
以下将结合附图,对本发明进行更为详细的描述,需要说明的是,下参照附图对本发明进行的描述仅是示意性的,而非限制性的。各个不同实施例之间可以进行相互组合,以构成未在以下描述中示出的其他实施例。
实施例一
本实施例提供一种高速占道判断方法,旨在采用预训练车辆位置识别模型的训练,采用根据车头角点为基点的识别过程,提高对高速占道判断的识别效率。
根据上述原理,对一种高速占道判断方法进行介绍,如图1所示,包括如下步骤:
预训练车辆检测模型;
输入待测车辆图片至车辆检测模型寻找车辆位置,并识别车辆信息;
根据预划定坐标对车辆判断是否占道。
本方案接收的图片尺寸可以任意大小,减小了图片格式的局限性;同时,整个流程分离了检测与分类的步骤,从而使每个网络更具有专一性,发挥每个网络的长处,使得结果更加准确。
本实施例中,预训练车辆检测模型包括:预训练车辆位置识别模型、预训练车头角点识别模型、预训练车牌号码识别模型和预训练车辆类型识别模型。通过以上预测模型训练,可根据待检测的图片数据,代入训练完成的预测模型快速得出目标结果,根据任务分工提高识别精确度。
预训练车辆位置识别模型,过程包括:
获取用于训练车辆图片,经过卷积神经网络层,输出每类特征图,包括背景类和车辆类,每类输出5个特征图;
对特征图进行处理,将每个特征图的长为输入像素的长缩小32倍,输入图像的宽缩小32倍;
根据处理后的每类特征图,特征图中每个点代表原图中一个区域,故每个点会输出坐标和每类物体中心的概率,计算出车辆位置坐标和置信度,如图2所示。
本实施例中,例如原图输入为64*64的图,则输出包括背景和车辆两类共10个2*2的特征图;特征图由原图经过计算与缩放得来,故每个点代表原图中一个区域,故每个点会输出是每种物体中心的概率以及坐标。共有车辆与背景2种分类,每种分类输出x,y,w,h四个坐标以及一个置信度,置信度代表是这类物体的概率。故最终会输出2*2*5*2个数字用于找到带寻找物体的位置。
预训练车头角点识别模型,过程包括:
如图3至图4所示,获取车辆图片数据集,经过卷积神经网络层,输出一个1024维的特征向量,再经过4n个向量乘法,得到4n*1维矩阵的输出,其中n代表需要预测的角点个数,最终输出4n维度的向量,每个角点代表x,y,w,h四个坐标,得到4n个结果;
预设置输出特征图为n*n大小,而输入的特征图大小为w*h,则将w*h个像素点分成n*n块,每块取最大的像素点的值。
本实施例中,全连接层连接了一层空间金字塔池化层,目的为将任意大小的特征图转换成固定大小的特征图,以满足下一层的全连接层的输入,因为全连接层需要固定大小的特征图作为输入,而不同尺寸的图像输出的特征图尺寸是不一样的,空间金字塔池化可以将图像分成固定大小。
预训练车牌号码识别模型,过程包括:
获取车牌图片数据集,经过卷积神经网络,每类输出(n+1)*5个特征图,n为所有字母和省份简称种类的和,根据车牌的位置,输出每个文字的位置和对应的字符。
预训练车牌类型识别模型,过程包括:
使用分类卷积神经网络对车辆图片数据集的类别进行分类,并对应进行标记类型;
将分类后的车辆图片数据集带入resnet神经网络进行训练,得到车辆分类网络模型。
本实施例中,通过车辆分类网络模型,可对识别出车辆图片中,例如客车、货车、小车三类车辆,以此为依据对后续占道是否违法进行判断;
识别车辆信息还包括:识别车牌颜色,过程包括:
获取待检测车牌图片,将图片RGB分布统计出三个直方图,范围从0-255,最后汇总成一个256*3维的向量;
将向量输入SVM中进行颜色分类,得出实现训练好的目标颜色种类。
本实施例中,对车牌的颜色进行判断,如蓝色、绿色、黄色、白色,来对应其车牌颜色对应占道权限和标识。
步骤根据预划定坐标对车辆判断是否占道,包括:
对车道坐标进行划分;
获取车辆信息,对车辆判断是否占道,包括:根据对车辆信息和当前车道坐标位置进行判断。
本实施例中,对车辆的信息进行汇总和获取,再根据车辆信息和当前该车辆位置信息进行判断,如大客车不能行使在快车道上,则判定违法占道,同时记录该车辆照片的车辆信息。
实施例二
实施例二公开了一种对应上述实施例的一种高速占道判断装置,为实施例一的虚拟装置结构,请参照图5所示,包括:
一种高速占道判断装置,包括:
预训练模块210,用于生成预训练车辆位置识别模型、预训练车头角点识别模型、预训练车牌号码识别模型和预训练车辆类型识别模型;
车辆查找模块220,根据输入待测车辆图片至车辆检测模型寻找车辆位置,并识别车辆信息;
违法判断模块230,根据预划定坐标对车辆判断是否占道。
实施例三
图6为本发明实施例三提供的一种电子设备的结构示意图,该电子设备包括处理器310、存储器320、输入装置330和输出装置340;计算机设备中处理器310的数量可以是一个或多个,图5中以一个处理器310为例;电子设备中的处理器310、存储器320、输入装置330和输出装置340可以通过总线或其他方式连接,图6中以通过总线连接为例。存储器320作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例二中的一种高速占道判断方法对应的程序指令/模块(例如,一种高速占道判断装置中的预训练模块210、车辆查找模块220、违法判断模块230)。处理器310通过运行存储在存储器320中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现实施例一的一种高速占道判断方法。存储器320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终端的使用所创建的数据等。此外,存储器320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,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器320可进一步包括相对于处理器310远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置330可用于接收输入信息等。输出装置340可为显示屏等显示设备,可用于显示报警信息。
值得注意的是,上述一种高速占道判断装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (8)
1.一种高速占道判断方法,其特征在于,包括如下步骤:
预训练车辆检测模型;其中,所述预训练车辆检测模型包括:预训练车辆位置识别模型、预训练车头角点识别模型、预训练车牌号码识别模型和预训练车辆类型识别模型;
输入待测车辆图片至训练好的车辆检测模型中寻找车辆位置,并识别车辆信息;
根据预划定坐标对车辆判断是否占道;
预训练车头角点识别模型,过程包括:
获取车辆图片数据集,经过卷积神经网络层,输出一个1024维的特征向量,再经过4n个向量乘法,得到4n*1维矩阵的输出,其中n代表需要预测的角点个数,最终输出4n维度的向量,每个角点代表x,y,w,h四个坐标,得到4n个结果;
预设置输出特征图为n*n大小,而输入的特征图大小为w*h,则将w*h个像素点分成n*n块,每块取最大的像素点的值。
2.如权利要求1所述的一种高速占道判断方法,其特征在于:预训练车辆位置识别模型,过程包括:
获取用于训练车辆图片,经过卷积神经网络层,输出每类特征图,包括背景类和车辆类,每类输出5个特征图;
对特征图进行处理,将每个特征图的长为输入像素的长缩小32倍,输入图像的宽缩小32倍;
根据处理后的每类特征图,特征图中每个点代表原图中一个区域,故每个点会输出坐标和每类物体中心的概率,计算出车辆位置坐标和置信度。
3.如权利要求1所述的一种高速占道判断方法,其特征在于:预训练车牌号码识别模型,过程包括:
获取车牌图片数据集,经过卷积神经网络,每类输出(n+1)*5个特征图,n为所有字母和省份简称种类的和,根据车牌的位置,输出每个文字的位置和对应的字符。
4.如权利要求1所述的一种高速占道判断方法,其特征在于:预训练车牌类型识别模型,过程包括:
使用分类卷积神经网络对车辆图片数据集的类别进行分类,并对应进行标记类型;
将分类后的车辆图片数据集带入resnet神经网络进行训练,得到车辆分类网络模型。
5.如权利要求1所述的一种高速占道判断方法,其特征在于:识别车辆信息还包括:识别车牌颜色,过程包括:
获取待检测车牌图片,将图片RGB分布统计出三个直方图,范围从0-255,最后汇总成一个256*3维的向量;
将向量输入SVM中进行颜色分类,得出实现训练好的目标颜色种类。
6.如权利要求1所述的一种高速占道判断方法,其特征在于:步骤根据预划定坐标对车辆判断是否占道,包括:
对车道坐标进行划分;
获取车辆信息,对车辆判断是否占道,包括:根据对车辆信息和当前车道坐标位置进行判断。
7.一种应用权利要求1~6任一项所述的判断方法的高速占道判断装置,其特征在于,包括:
预训练模块,用于生成预训练车辆位置识别模型、预训练车头角点识别模型、预训练车牌号码识别模型和预训练车辆类型识别模型;
车辆查找模块,根据输入待测车辆图片至车辆检测模型寻找车辆位置,并识别车辆信息;
违法判断模块,根据预划定坐标对车辆判断是否占道。
8.一种电子设备,其包括处理器、存储介质以及计算机程序,计算机程序存储于存储介质中,其特征在于,计算机程序被处理器执行时执行权利要求1至6任一项所述的一种高速占道判断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618919.2A CN111860219B (zh) | 2020-06-30 | 2020-06-30 | 一种高速占道判断方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618919.2A CN111860219B (zh) | 2020-06-30 | 2020-06-30 | 一种高速占道判断方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860219A CN111860219A (zh) | 2020-10-30 |
CN111860219B true CN111860219B (zh) | 2024-01-05 |
Family
ID=72989401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010618919.2A Active CN111860219B (zh) | 2020-06-30 | 2020-06-30 | 一种高速占道判断方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860219B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818834B (zh) * | 2021-01-29 | 2022-11-25 | 山东大学 | 一种交叉口针对应急车辆的避让判定方法、设备及介质 |
CN114882492B (zh) * | 2022-07-11 | 2022-11-22 | 浙江大华技术股份有限公司 | 一种车牌识别方法、装置、终端及计算机可读存储介质 |
CN116704467B (zh) * | 2023-08-04 | 2023-11-03 | 哪吒港航智慧科技(上海)有限公司 | 一种车辆防砸自动识别方法、装置、设备和存储介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003084064A (ja) * | 2001-09-12 | 2003-03-19 | Daihatsu Motor Co Ltd | 前方車両の認識装置及び認識方法 |
CN103268471A (zh) * | 2013-04-17 | 2013-08-28 | 深圳市锐明视讯技术有限公司 | 一种车辆非法占道检测方法及装置 |
CN104063712A (zh) * | 2014-06-27 | 2014-09-24 | 杭州科度科技有限公司 | 一种车辆信息提取方法和*** |
CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
CN105912979A (zh) * | 2016-03-30 | 2016-08-31 | 浙江大华技术股份有限公司 | 一种车辆占道的检测方法及装置 |
CN106203330A (zh) * | 2016-07-08 | 2016-12-07 | 西安理工大学 | 一种基于卷积神经网络的车辆分类方法 |
WO2017125063A1 (zh) * | 2016-01-20 | 2017-07-27 | 中兴通讯股份有限公司 | 违规车辆处理方法及装置 |
CN108171112A (zh) * | 2017-12-01 | 2018-06-15 | 西安电子科技大学 | 基于卷积神经网络的车辆识别与跟踪方法 |
CN109145928A (zh) * | 2017-06-16 | 2019-01-04 | 杭州海康威视数字技术股份有限公司 | 一种基于图像的车头朝向识别方法及装置 |
WO2019019525A1 (zh) * | 2017-07-24 | 2019-01-31 | 图灵通诺(北京)科技有限公司 | 基于卷积神经网络的图像识别技术的结算方法和装置 |
CN109598943A (zh) * | 2018-12-30 | 2019-04-09 | 北京旷视科技有限公司 | 车辆违章的监控方法、装置及*** |
CN109711264A (zh) * | 2018-11-30 | 2019-05-03 | 武汉烽火众智智慧之星科技有限公司 | 一种公交车道占道检测方法及装置 |
CN110210303A (zh) * | 2019-04-29 | 2019-09-06 | 山东大学 | 一种北斗视觉融合精准车道辨识与定位方法及其实现装置 |
CN110633712A (zh) * | 2019-09-17 | 2019-12-31 | 中控智慧科技股份有限公司 | 一种车身颜色识别方法、***、装置及计算机可读介质 |
EP3599572A1 (en) * | 2018-07-27 | 2020-01-29 | JENOPTIK Traffic Solutions UK Ltd | Method and apparatus for recognizing a license plate of a vehicle |
CN110751037A (zh) * | 2019-09-17 | 2020-02-04 | 中控智慧科技股份有限公司 | 车身颜色识别的方法及终端设备 |
CN111259706A (zh) * | 2018-12-03 | 2020-06-09 | 初速度(苏州)科技有限公司 | 一种车辆的车道线压线判断方法和*** |
-
2020
- 2020-06-30 CN CN202010618919.2A patent/CN111860219B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003084064A (ja) * | 2001-09-12 | 2003-03-19 | Daihatsu Motor Co Ltd | 前方車両の認識装置及び認識方法 |
CN103268471A (zh) * | 2013-04-17 | 2013-08-28 | 深圳市锐明视讯技术有限公司 | 一种车辆非法占道检测方法及装置 |
CN104063712A (zh) * | 2014-06-27 | 2014-09-24 | 杭州科度科技有限公司 | 一种车辆信息提取方法和*** |
CN105046196A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于级联卷积神经网络的前车车辆信息结构化输出方法 |
WO2017125063A1 (zh) * | 2016-01-20 | 2017-07-27 | 中兴通讯股份有限公司 | 违规车辆处理方法及装置 |
CN105912979A (zh) * | 2016-03-30 | 2016-08-31 | 浙江大华技术股份有限公司 | 一种车辆占道的检测方法及装置 |
CN106203330A (zh) * | 2016-07-08 | 2016-12-07 | 西安理工大学 | 一种基于卷积神经网络的车辆分类方法 |
CN109145928A (zh) * | 2017-06-16 | 2019-01-04 | 杭州海康威视数字技术股份有限公司 | 一种基于图像的车头朝向识别方法及装置 |
WO2019019525A1 (zh) * | 2017-07-24 | 2019-01-31 | 图灵通诺(北京)科技有限公司 | 基于卷积神经网络的图像识别技术的结算方法和装置 |
CN108171112A (zh) * | 2017-12-01 | 2018-06-15 | 西安电子科技大学 | 基于卷积神经网络的车辆识别与跟踪方法 |
EP3599572A1 (en) * | 2018-07-27 | 2020-01-29 | JENOPTIK Traffic Solutions UK Ltd | Method and apparatus for recognizing a license plate of a vehicle |
CN109711264A (zh) * | 2018-11-30 | 2019-05-03 | 武汉烽火众智智慧之星科技有限公司 | 一种公交车道占道检测方法及装置 |
CN111259706A (zh) * | 2018-12-03 | 2020-06-09 | 初速度(苏州)科技有限公司 | 一种车辆的车道线压线判断方法和*** |
CN109598943A (zh) * | 2018-12-30 | 2019-04-09 | 北京旷视科技有限公司 | 车辆违章的监控方法、装置及*** |
CN110210303A (zh) * | 2019-04-29 | 2019-09-06 | 山东大学 | 一种北斗视觉融合精准车道辨识与定位方法及其实现装置 |
CN110633712A (zh) * | 2019-09-17 | 2019-12-31 | 中控智慧科技股份有限公司 | 一种车身颜色识别方法、***、装置及计算机可读介质 |
CN110751037A (zh) * | 2019-09-17 | 2020-02-04 | 中控智慧科技股份有限公司 | 车身颜色识别的方法及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111860219A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN111860219B (zh) | 一种高速占道判断方法、装置及电子设备 | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN106600977B (zh) | 基于多特征识别的违停检测方法及*** | |
WO2021051601A1 (zh) | 利用Mask R-CNN选择检测框的方法及***、电子装置及存储介质 | |
CN110751012B (zh) | 目标检测评估方法、装置、电子设备及存储介质 | |
CN109740420A (zh) | 车辆违法识别方法及相关产品 | |
CN111931683B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN104766042A (zh) | 交通标志板识别方法及装置 | |
CN109993138A (zh) | 一种车牌检测与识别方法及装置 | |
CN110348463B (zh) | 用于识别车辆的方法和装置 | |
CN105224956A (zh) | 一种基于多特征融合的车牌类别识别方法及*** | |
CN112488083B (zh) | 基于heatmap提取关键点的交通信号灯的识别方法、装置、介质 | |
CN111091023A (zh) | 一种车辆检测方法、装置及电子设备 | |
CN111753592A (zh) | 交通标志识别方法、装置、计算机设备和存储介质 | |
CN110889388A (zh) | 违章识别方法、装置、设备及存储介质 | |
JP7119197B2 (ja) | 車線属性検出 | |
CN115830399A (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
CN111709377B (zh) | 特征提取方法、目标重识别方法、装置及电子设备 | |
CN116682101A (zh) | 车牌号码识别方法以及*** | |
CN113095345A (zh) | 数据匹配方法、装置和数据处理设备 | |
CN113591543B (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN112183485B (zh) | 基于深度学习的交通锥桶检测定位方法、***及存储介质 | |
CN114724128A (zh) | 一种车牌识别方法、装置、设备和介质 | |
CN114119953A (zh) | 快速车牌定位和矫正方法、存储介质及设备 |
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 |