CN111881833B - 一种车辆检测方法、装置、设备及存储介质 - Google Patents

一种车辆检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111881833B
CN111881833B CN202010740477.9A CN202010740477A CN111881833B CN 111881833 B CN111881833 B CN 111881833B CN 202010740477 A CN202010740477 A CN 202010740477A CN 111881833 B CN111881833 B CN 111881833B
Authority
CN
China
Prior art keywords
bounding box
target bounding
image
target
vehicle
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
CN202010740477.9A
Other languages
English (en)
Other versions
CN111881833A (zh
Inventor
林春伟
刘莉红
刘玉宇
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010740477.9A priority Critical patent/CN111881833B/zh
Publication of CN111881833A publication Critical patent/CN111881833A/zh
Application granted granted Critical
Publication of CN111881833B publication Critical patent/CN111881833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V2201/07—Target detection
    • 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)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例提供了一种车辆检测方法，涉及目标检测技术领域，获取图像，并依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的区域信息；依据所述目标包围框的区域信息确定所述目标包围框的不确定度；依据所述目标包围框的区域信息以及所述目标包围框的不确定度确定所述车辆的位置。本申请利用不确定度，可提高检测车辆的精度。本申请检测车辆的方法鲁棒性强，在不同光照、背景、角度、车辆尺寸等条件下均可对车辆进行较好的检测，帮助交通和公安等部门完成交通监控等任务，极大地降低人力成本。并且，本方法用于自动驾驶领域，实时检测道路上的车辆，为自动驾驶***提供帮助。

Description

一种车辆检测方法、装置、设备及存储介质
技术领域
本申请涉及目标检测技术领域，特别是涉及一种车辆检测方法、装置、设备及存储介质。
背景技术
近年来，随着人工智能理论和技术的不断完善和发展，高级驾驶辅助***对汽车行业的发展起到了举足轻重的作用，各大车企也在逐渐从传统车向智能车方向过渡。车辆检测是无人驾驶***中的一个重要环节。在真实的交通场景下，目标检测受到光照、遮挡等诸多因素的影响。准确地对复杂交通场景下的车辆目标进行识别和定位，能提高无人驾驶技术的安全性。在视频中把目标提取出来，这个领域综合了很多学科的知识，包括计算机视觉、图像处理、人工智能、数学建模等一系列的知识。从计算机存储的角度来看，视频数据由一系列的图像组成，而每一帧的图像都由固定数量的像素点组成。
现有技术中，实时基于目标检测算法YOLOv3提出了Attention-YOLOv3算法，该算法借鉴了基于项的注意力机制，将通道注意力及空间注意力机制加入特征提取网络之中，使用经过筛选加权的特征向量来替换原有的特征向量进行残差融合。同时对YOLOv3的anchor选取进行优化，对视频车辆图像数据集的目标候选框进行维度聚类分析，选择最优anchor个数。
在目前市场中，难以实现准确对车辆进行检测。并且在真实的交通场景下，目标检测受到光照、遮挡等诸多因素的影响，影响对车辆的检测，无法保证车辆检测的精度。
发明内容
鉴于上述问题，提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种车辆检测方法、装置、设备及存储介质。
为了解决上述问题，本申请实施例公开了一种车辆检测方法，所述方法应用于在自动驾驶过程中对附近车辆位置的检测，包括：
获取图像，并依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的区域信息，其中，所述目标包围框的区域信息包括所述目标包围框的中心点在所述图像中的坐标、所述目标包围框的宽度和所述目标包围框的高度；
依据所述目标包围框的区域信息确定所述目标包围框的不确定度；
依据所述目标包围框的区域信息以及所述目标包围框的不确定度确定所述车辆的位置。
优选的，所述获取图像，并依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的区域信息的步骤，包括：
依据所述图像的图像信息确定所述图像中包含有车辆的目标包围框的方差和所述图像中包含有车辆的目标包围框的均值；
依据目标包围框的方差和所述目标包围框的均值确定所述目标包围框的区域信息t。
优选的，所述依据所述目标包围框的方差确定所述目标包围框的不确定度，包括依据所述目标包围框的方差确定所述目标包围框的不确定度。
优选的，所述依据所述图像的图像信息确定所述图像中包含有车辆的目标包围框的方差和所述图像中包含有车辆的目标包围框的均值的步骤，包括：
依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的初始方差和所述图像中包含有车辆的目标包围框的初始均值；
将所述目标包围框的初始方差和所述目标包围框的初始均值映射得到所述目标包围框的方差和所述目标包围框的均值。
优选的，所述将所述目标包围框的初始方差和所述目标包围框的初始均值映射得到所述目标包围框的方差和所述目标包围框的均值的步骤，包括：
将所述目标包围框的初始方差和所述目标包围框的初始均值映射到0和1之间，得到所述目标包围框的方差∑t和所述目标包围框的均值μt。
优选的，所述依据所述目标包围框的方差确定所述目标包围框的不确定度的步骤，包括：
根据所述目标包围框的方差的平均值结合所述目标包围框的置信度做为检测判据Cr；
所述检测判据Cr由以下公式得出：
Cr＝σ(object)×σ(Classi)×(1-Uncertaintyaver)；
其中，σ(Object)是所述图像中网格含有所述目标的置信度，σ(Classi)是所述目标属于第i个类别的置信度；Uncertaintyaver是所述目标包围框的方差的平均值。
优选的，所述依据目标包围框的方差和所述目标包围框的均值确定所述目标包围框的区域信息t的步骤，包括：
依据所述目标包围框的方差和所述目标包围框的均值构建函数确定所述目标包围框t；
所述目标包围框t由以下公式得出：
其中，Lt表示t的所述损失函数，N表示高斯分布的概率密度函数，W和H分别为所述目标包围框宽度和所述目标包围框高度在所述图像中包含的网格数，K为先验框的数目，μt(tijk)表示算法的检测层在坐标为(i,j)的网格的第k个所述先验框的输出结果t的均值，∑t(tijk)是t的方差，是t的groundtruth，其中ε取10-9。
所述是t的groundtruth包括：
是目标包围框中心的横坐标tx的groundtruth；
是目标包围框中心的纵坐标ty的groundtruth；
是目标包围框的宽度tw的groundtruth；
是目标包围框的高度th的groundtruth；
具体计算方式如下：
ωscale＝2-wG×hG
在训练阶段，ωscale根据目标大小提供不同的权重；
的值规定如下：/>的值规定如下：当/>和坐标为(i,j)的网格的第k个所述先验框的交并比最大时/>为1；其他情况下，/>为0。
此外，为实现上述目的，本申请还提供车辆检测装置包括：
接收模块：用于获取图像，并依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的区域信息，其中，所述目标包围框的区域信息包括所述目标包围框的中心点在所述图像中的坐标、所述目标包围框的宽度和所述目标包围框的高度；
不确定度模块：用于所述依据所述目标包围框的方差确定所述目标包围框的不确定度。
车辆模块：用于依据所述目标包围框的区域信息以及所述目标包围框的不确定度确定所述车辆的位置。
本申请还提供车辆检测电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，实现车辆检测方法的步骤。
本申请还提供车辆检测的计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，实现车辆检测方法的步骤。
本申请实施例包括，获取图像，并依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的区域信息，其中，所述目标包围框的区域信息包括所述目标包围框的中心点在所述图像中的坐标、所述目标包围框的宽度和所述目标包围框的高度；依据所述目标包围框的区域信息以及所述目标包围框的不确定度确定所述车辆的位置。本申请利用该不确定度，可以进一步提升检测精度。本申请鲁棒性强，在不同光照、背景、角度、车辆尺寸等条件下均可对车辆进行较好的检测，帮助交通和公安等部门完成交通监控等任务，极大地降低人力成本。此外，本方法可用于自动驾驶领域，实时检测道路上的车辆，为自动驾驶***提供帮助。
附图说明
图1是本申请的一种车辆检测方法实施例的步骤流程图；
图2示意性示出了本申请的一种车辆检测方法实施例的步骤流程图；
图3示意性示出了本申请的一种车辆检测方法实施例的步骤流程图；
图4是本申请的一种车辆检测装置实施例的结构框图；
图5是本申请的一种车辆检测方法实施例的建模示意图；
图6是本发明实现车辆检测方法的电子设备。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
本申请实施例的核心构思之一在于，采用高斯建模，得到目标包围框的的不确定度，此不确定度作为检测判据的影响因素之一。后续的步骤中，丢弃检测判据低于阈值的检测结果。目标包围框回归的损失函数采用结合了高斯分布的负对数似然函数。
参照图1，示出了本申请的一种车辆检测方法实施例的步骤流程图，具体可以包括如下步骤：
步骤S100，获取图像，并依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的区域信息，其中，所述目标包围框的区域信息包括所述目标包围框的中心点在所述图像中的坐标、所述目标包围框的宽度和所述目标包围框的高度。
依据所述图像的图像信息确定所述图像中包含有车辆的目标包围框的方差和所述图像中包含有车辆的目标包围框的均值；
依据目标包围框的方差和所述目标包围框的均值确定所述目标包围框的区域信息t。
依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的初始方差和所述图像中包含有车辆的目标包围框的初始均值；
将所述目标包围框的初始方差和所述目标包围框的初始均值映射得到所述目标包围框的方差和所述目标包围框的均值。
步骤S200，依据所述目标包围框的区域信息确定所述目标包围框的不确定度。
将所述目标包围框的初始方差和所述目标包围框的初始均值映射到0和1之间，得到所述目标包围框的方差∑t和所述目标包围框的均值μt。
所述依据所述目标包围框的方差确定所述目标包围框的不确定度的步骤，包括根据所述目标包围框的方差的平均值结合所述目标包围框的置信度做为检测判据Cr；
所述检测判据Cr由以下公式得出：
Cr＝σ(object)×σ(Classi)×(1-Uncertaintyaver)
其中，σ(Object)是所述图像中网格含有所述目标的置信度，σ(Classi)是所述目标属于第i个类别的置信度；Uncertaintyaver是所述目标包围框的方差的平均值。
依据目标包围框的方差和所述目标包围框的均值确定所述目标包围框的区域信息t的步骤，包括：依据所述目标包围框的方差和所述目标包围框的均值构建函数确定所述目标包围框t；
所述目标包围框t由以下公式得出：
其中，Lt表示t的所述损失函数，N表示高斯分布的概率密度函数，W和H分别为所述目标包围框宽度和所述目标包围框高度在所述图像中包含的网格数，K为先验框的数目，μt(tijk)表示算法的检测层在坐标为(i,j)的网格的第k个所述先验框的输出结果t的均值，∑t(tijk)是t的方差，是t的groundtruth，其中ε取10-9。
所述是t的groundtruth包括：
是目标包围框中心的横坐标tx的groundtruth；
是目标包围框中心的纵坐标ty的groundtruth；
是目标包围框的宽度tw的groundtruth；
是目标包围框的高度th的groundtruth；
具体计算方式如下：
ωscale＝2-wG×hG
在训练阶段，ωscale根据目标大小提供不同的权重；
的值规定如下：/>的值规定如下：当/>和坐标为(i,j)的网格的第k个所述先验框的交并比最大时/>为1；其他情况下，/>为0。
步骤S300，依据所述目标包围框的区域信息以及所述目标包围框的不确定度确定所述车辆的位置。
参照图2，示出了本申请的一种车辆检测方法实施例的步骤流程图，具体包括以下步骤：
步骤110，依据所述图像的图像信息确定所述图像中包含有车辆的目标包围框的方差和所述图像中包含有车辆的目标包围框的均值；
步骤120，依据目标包围框的方差和所述目标包围框的均值确定所述目标包围框的区域信息t。
参照图3，示出了本申请的一种车辆检测方法实施例的步骤流程图，具体包括以下步骤：
步骤111，依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的初始方差和所述图像中包含有车辆的目标包围框的初始均值。
步骤112，将所述目标包围框的初始方差和所述目标包围框的初始均值映射得到所述目标包围框的方差和所述目标包围框的均值。所述将所述目标包围框的初始方差和所述目标包围框的初始均值映射得到所述目标包围框的方差和所述目标包围框的均值的步骤，包括：将所述目标包围框的初始方差和所述目标包围框的初始均值映射到0和1之间，得到所述目标包围框的方差∑t和所述目标包围框的均值μt。
本申请是基于YOLOv3基础进行改进的方法，在YOLOv3中，通过特征网络对输入图像提取特征，得到一定尺寸的特征图；输入图像采用448*448，特征网络采用Darknet-53架构。Darknet-53包含卷积层，池化层，Softmax层；卷积层采用全卷积深层网络，引入残差结构；Softmax层采用Softmax分类器进行训练；池化层采用平均池化方式，同时将最大池化的Padding模式设为SAME。采用批量标准化对权重参数和偏置参数进行迭代训练。
在YOLOv3中，对物体的预测由该物体的groundtruth的中心坐标所在网格网络单元负责。一个网格网络单元的多个先验框中和物体的groundtruth的交并比最大者负责预测该物体。每个先验框回归预测一个物体的得分，如果预测的这个先验框与物体的groundtruth重合度超过0.5且优于其他所有预测，那么这个值就为1；如果交并比没有达到设定的阈值，那么这个预测的先验框显示为没有损失值。
YOLOv3采用类似特征金字塔网络的方式，利用上采样结合拼接的方法，保留细粒度体征，提高了小物体的检测精度。使用K-Means聚类来得到先验框，选择9个簇以及3个尺度，在3个尺度上进行检测。将这9个簇均匀的分布在这3个尺度上。具体地，输入RGB3个通道的图片时，3个不同的检测层将分别进行检测，输出包围框的坐标、该位置含有物体的置信度以及物体属于某类别的置信度。3个检测结果被结合在一起，并进行非极大值抑制后处理。
当输入图片的分辨率为512×512，且目标类别数为10时，YOLOv3需要99×109FLOPs的计算开销。采用本申请所提出的方法，只需要99.04×109FLOPs的计算开销，几乎与高斯模型建模前保持一致。本申请能较好地保持YOLOv3的检测速度，且检测精度比YOLOv3有明显提升。
参照图4，示出了本申请的一种车辆检测装置实施例的结构框图，具体可以包括如下模块：
接收模块100，用于获取图像，并依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的区域信息，其中，所述目标包围框的区域信息包括所述目标包围框的中心点在所述图像中的坐标、所述目标包围框的宽度和所述目标包围框的高度。
不确定度模块200，依据所述目标包围框的区域信息确定所述目标包围框的不确定度。
车辆模块300，用于依据所述目标包围框的区域信息以及所述目标包围框的不确定度确定所述车辆的位置。
可选的，接收模块100还包括均值和方差模块以及区域信息模块。
均值和方差模块，用于依据所述图像的图像信息确定所述图像中包含有车辆的目标包围框的方差和所述图像中包含有车辆的目标包围框的均值。
区域信息模块，用于依据目标包围框的方差和所述目标包围框的均值确定所述目标包围框的区域信息t。
可选的，所述不确定度模块200，包括方差模块。
方差模块，用于所述依据所述目标包围框的方差确定所述目标包围框的不确定度。
可选的，均值和方差模块包括初始模块和映射模块。
初始模块，用于依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的初始方差和所述图像中包含有车辆的目标包围框的初始均值；
映射模块，用于将所述目标包围框的初始方差和所述目标包围框的初始均值映射得到所述目标包围框的方差和所述目标包围框的均值。
可选的，映射模块包括范围模块。
范围模块，用于将所述目标包围框的初始方差和所述目标包围框的初始均值映射到0和1之间，得到所述目标包围框的方差∑t和所述目标包围框的均值μt。
可选的，方差模块包括判据模块。
判据模块，用于根据所述目标包围框的方差的平均值结合所述目标包围框的置信度做为检测判据Cr；
所述检测判据Cr由以下公式得出：
Cr＝σ(object)×σ(Classi)×(1-Uncertaintyaver)
其中，σ(Object)是所述图像中网格含有所述目标的置信度，σ(Classi)是所述目标属于第i个类别的置信度；Uncertaintyaver是所述目标包围框的方差的平均值。
可选的，区域信息模块包括函数模块。
函数模块，用于依据所述目标包围框的方差和所述目标包围框的均值构建函数确定所述目标包围框t；
所述目标包围框t由以下公式得出：
其中，Lt表示t的所述损失函数，N表示高斯分布的概率密度函数，W和H分别为所述目标包围框宽度和所述目标包围框高度在所述图像中包含的网格数，K为先验框的数目，μt(tijk)表示算法的检测层在坐标为(i,j)的网格的第k个所述先验框的输出结果t的均值，∑t(tijk)是t的方差，是t的groundtruth，其中ε取10-9。
其中，是t的groundtruth包括：
是目标包围框中心横坐标tx的groundtruth；
是目标包围框中心纵坐标ty的groundtruth；
是目标包围框宽度tw的groundtruth；
是目标包围框中心纵坐标th的groundtruth；
具体计算方式如下：
ωscale＝2-wG×hG
在训练阶段，ωscale根据目标大小提供不同的权重；
的值规定如下：/>的值规定如下：当/>和坐标为(i,j)的网格的第k个所述先验框的交并比最大时/>为1；其他情况下，/>为0。
车辆检测是无人驾驶***中的一个重要环节。在真实的交通场景下，目标检测受到光照、遮挡等诸多因素的影响。快速、准确地对复杂交通场景下的车辆前目标进行识别和定位，能提高无人驾驶技术的安全性。
目前，比较成熟的车辆检测算法可以分为以下几类：
基于光流的目标检测算法。这类算法利用光流方程，计算出每个像素点的运动状态矢量，从而发现运动的像素点，并且能够跟踪这些像素点。光流的计算容易受到噪声、光照变化和背景扰动的影响。而且该方法的计算复杂度高，在缺少专用硬件支持的情况下，难以实时检测。
基于特征的车辆检测算法。目前使用最多的特征主要包括对称性、车灯、颜色、边缘以及阴影等。这类算法的鲁棒性较差，面对外部环境的变化和道路中的与车辆特征相似的物体时，很可能无法检测到车辆。
基于统计学习的算法，它利用了独立或成组的像素特征来构建或者更新背景模型，采用学习概率来抑制误识的概率。
但随着深度学习的不断发展，为目标检测领域带来了巨大变化。卷积神经网络可以很好的提取图像特征，避免了早期手工提取特征的缺点。基于深度学习的目标检测算法可分为一阶段算法和二阶段算法。
一般而言，二阶段检测算法的检测精度较高，但速度较慢，难以实现实时监测。以YOLO为代表的一阶段检测算法，因为不存在候选区提名网络，能达到较快的检测速度，但检测精度以及定位准确度与二阶段检测算法存在一定差距。并且YOLOv3由于检测精度与速度俱佳，被广泛应用于无人驾驶领域。但其检测精度以及定位准确度与先进的二阶段检测算法仍存在差距。
本申请的另一实施例中，是基于YOLO的算法，具体包括：获取图像，并依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的区域信息，其中，所述目标包围框的区域信息包括所述目标包围框的中心点在所述图像中的坐标、所述目标包围框的宽度和所述目标包围框的高度；
依据所述目标包围框的区域信息以及所述目标包围框的不确定度确定所述车辆的位置。
参照图5，依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的初始方差和所述图像中包含有车辆的目标包围框的初始均值；具体为通过高斯建模对所述图像处理得到初始方差和初始均值；
将所述目标包围框的初始方差和所述目标包围框的初始均值通过sigmoid函数映射到0和1之间，得到所述方差∑t和所述均值μt。
所述sigmoid函数为：
通过sigmoid函数，将所述目标包围框中心的横坐标、所述纵坐标以及所述目标包围框的方差映射到0和1之间，即将映射到0和1之间；
具体为：
根据所述目标包围框的方差的平均值结合所述目标包围框的置信度做为检测判据Cr；
所述检测判据Cr由以下公式得出：
Cr＝σ(object)×σ(Classi)×(1-Uncertaintyaver)
其中，σ(Object)是所述图像中网格含有车辆的置信度，σ(Classi)是所述目标属于第i个类别的置信度；Uncertaintyaver是目标包围框的方差的平均值。
依据所述目标包围框的方差和所述目标包围框的均值构建函数确定所述目标包围框t；具体为建立所述目标包围框t的损失函数；
所述损失函数采用结合所述方差和所述均值的负对数似然函数；
所述结合所述方差和所述均值的负对数似然函数由以下公式得出：
其中，Lt表示t的所述损失函数，N表示高斯分布的概率密度函数，W和H分别为所述目标包围框宽度和所述目标包围框高度包含的网格数，K为先验框的数目，μt(tijk)表示算法的检测层在坐标为(i,j)的网格的第k个所述先验框的输出结果t的均值，∑t(tijk)是t的方差，是t的groundtruth，其中ε取10-9。
在训练阶段，wscale根据物体大小提供不同的权重。
的值规定如下：当/>和坐标为(i,j)的网格的第k个先验框的交并比最大时为1；其他情况下，/>为0。
所述是t的groundtruth包括：
是目标包围框中心的横坐标tx的groundtruth；
是目标包围框中心的纵坐标ty的groundtruth；
是目标包围框的宽度tw的groundtruth；
是目标包围框的高度th的groundtruth；
具体计算方式如下：
ωscale＝2-wG×hG
在训练阶段，ωscale根据目标大小提供不同的权重；
的值规定如下：/>的值规定如下：当/>和坐标为(i,j)的网格的第k个所述先验框的交并比最大时/>为1；其他情况下，/>为0。
其中，Lx表示tx的所述损失函数，Ly表示ty的所述损失函数，Lw表示tw的所述损失函数，Lh表示th的所述损失函数。
在一个具体的实施例中，以目标包围框中心横坐标为例损失函数包括：
其中，Lx表示tx的损失函数，同样Ly表示ty的损失函数，Lw表示tw的损失函数，Lh表示th的损失函数，同样带入，N表示高斯分布的概率密度函数。W和H分别为宽度和高度包含的网格数，K为先验框的数目，表示所述算法的检测层在坐标为(i,j)的网格的第k个先验框的输出结果tx的均值，/>是上述tx的方差，/>是tx的groundtruth；
本申请对于车辆检测，涉及计算机视觉与深度学习技术。
在另一实施例中，采用高斯建模对所述图像处理得到初始方差和初始均值；将所述初始方差和初始均值进行映射得到方差和均值。具体实施例如下，通过高斯建模，采用sigmoid函数，将特定信息映射到0和1之间包括：
通过高斯建模计算初始方差和初始均值；
其中初始方差包括，目标包围框中心横坐标的初始方差、目标包围框中心纵坐标的初始方差、目标包围框宽度的初始方差和目标包围框高度的初始方差；
其中初始均值包括，目标包围框中心横坐标的初始均值、目标包围框中心纵坐标的初始均值、目标包围框宽度的初始均值和目标包围框高度的初始均值。
其中特定信息包括初始方差、目标包围框中心横坐标的初始均值、目标包围框中心纵坐标的初始均值；表示；
sigmoid函数，为：
映射后得到均值和方差，μt分别代表均值，∑t代表方差；在本申请中目标包围框包括：目标包围框中心横坐标，用tx表示；
目标包围框中心纵坐标，用ty表示；
目标包围框宽度，用tw表示；
目标包围框高度，用th表示；
方差包括：目标包围框中心横坐标的方差，用表示；
目标包围框中心纵坐标的方差，用表示；
目标包围框宽度的方差，用表示；
目标包围框高度的方差，用表示；
均值包括：目标包围框中心横坐标的均值，用表示；
目标包围框中心纵坐标的均值，用表示；
目标包围框宽度的均值，用表示；
目标包围框高度的均值，用表示；
通过sigmoid函数，即将映射到0和1之间；目标包围框的中心必须落在网格单元里，故数值必须在0和1之间。目标包围框的均值作为该坐标的输出值，方差表示不确定度的主要因素。
在本申请中重新建立包围框回归的损失函数采用负对数似然函数，
负对数似然函数具体公式为：
其中，Lx表示tx的损失函数，Ly表示ty的损失函数，Lw表示tw的损失函数，Lh表示th的损失函数，N表示高斯分布的概率密度函数。W和H分别为目标包围框宽度和目标包围框高度包含的网格数，K为先验框的数目，表示所述算法的检测层在坐标为(i,j)的网格的第k个先验框的输出结果tx的均值，/>是上述tx的方差，/>是tx的groundtruth；
其中目标包围框的groundtruth的计算方式如下：
ωscale＝2-wG×hG/>
在训练阶段，wscale根据物体大小提供不同的权重。
根据所述不确定度排除低于预设阈值的所述目标包围框，输出车辆信息。方差的平均值结合所述目标包围框的置信度做为不确定度。
通过检测判据是否在预设阈值内，若不在则排除，若在则保留；
所述检测判断具体公式为：
Cr＝σ(object)×σ(Classi)×(1-Uncertaintyaver)
其中，σ(Object)是网格含有物体的置信度，σ(Classi)是物体属于第i个类别的置信度；Uncertaintyaver是所述包围框的坐标的平均不确定度，取值在0和1之间。其中，Uncertaintyaver是方差的平均值。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
参照图6，在本发明实施例中，本发明还提供一种计算机设备，上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，***存储器28，连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，***总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线18，微通道体系结构(MAC)总线18，增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及***组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)31和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储***34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD～ROM，DVD～ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具41，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作***、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图所示，网络适配器21通过总线18与计算机设备12的其他模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***34等。
处理单元16通过运行存储在***存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的通过图像检测车辆的处理方法。
即上述处理单元16执行上述程序时实现：获取图像，并依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的区域信息，其中，所述目标包围框的区域信息包括所述目标包围框的中心点在所述图像中的坐标、所述目标包围框的宽度和所述目标包围框的高度；依据所述目标包围框的区域信息确定所述目标包围框的不确定度；依据所述目标包围框的区域信息以及所述目标包围框的不确定度确定所述车辆的位置。
在本发明实施例中，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，该程序被处理器执行时实现如本申请所有实施例提供的检测车辆的方法。
也即，给程序被处理器执行时实现：获取图像，并依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的区域信息，其中，所述目标包围框的区域信息包括所述目标包围框的中心点在所述图像中的坐标、所述目标包围框的宽度和所述目标包围框的高度；依据所述目标包围框的区域信息确定所述目标包围框的不确定度；依据所述目标包围框的区域信息以及所述目标包围框的不确定度确定所述车辆的位置。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD～ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，改计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种车辆检测方法、装置、设备及存储介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (6)

1.一种车辆检测方法，所述方法应用于在自动驾驶过程中对附近车辆位置的检测，其特征在于，包括：
获取图像，并依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的区域信息，其中，所述目标包围框的区域信息包括所述目标包围框的中心点在所述图像中的坐标、所述目标包围框的宽度和所述目标包围框的高度；具体的，依据所述图像的图像信息确定所述图像中包含有车辆的目标包围框的方差和所述图像中包含有车辆的目标包围框的均值；依据目标包围框的方差和所述目标包围框的均值确定所述目标包围框的区域信息t；
依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的初始方差和所述图像中包含有车辆的目标包围框的初始均值；将所述目标包围框的初始方差和所述目标包围框的初始均值映射得到所述目标包围框的方差和所述目标包围框的均值；
依据所述目标包围框的区域信息确定所述目标包围框的不确定度；具体的，依据所述目标包围框的方差确定所述目标包围框的不确定度；
根据所述目标包围框的方差的平均值结合所述目标包围框的置信度做为检测判据Cr；
所述检测判据Cr由以下公式得出：
Cr＝σ(object)×σ(Classi)×(1-Uncertaintyaver)；
其中，σ(Object)是所述图像中网格含有所述目标的置信度，σ(Classi)是所述目标属于第i个类别的置信度；Uncertaintyaver是所述目标包围框的方差的平均值；
依据所述目标包围框的区域信息以及所述目标包围框的不确定度确定所述车辆的位置。
2.根据权利要求1所述的车辆检测方法，其特征在于，所述将所述目标包围框的初始方差和所述目标包围框的初始均值映射得到所述目标包围框的方差和所述目标包围框的均值的步骤，包括：
将所述目标包围框的初始方差和所述目标包围框的初始均值映射到0和1之间，得到所述目标包围框的方差∑t和所述目标包围框的均值μt。
3.根据权利要求1所述的车辆检测方法，其特征在于，所述依据目标包围框的方差和所述目标包围框的均值确定所述目标包围框的区域信息t的步骤，包括：
依据所述目标包围框的方差和所述目标包围框的均值构建函数确定所述目标包围框t；
所述目标包围框t由以下公式得出：
其中，Lt表示t的损失函数，N表示高斯分布的概率密度函数，W和H分别为所述目标包围框宽度和所述目标包围框高度在所述图像中包含的网格数，K为先验框的数目，μt(tijk)表示算法的检测层在坐标为(i,j)的网格的第k个所述先验框的输出结果t的均值，∑t(tijk)是t的方差，是t的groundtruth，其中ε取10-9；
所述是t的groundtruth包括：
是目标包围框中心的横坐标tx的groundtruth；
是目标包围框中心的纵坐标ty的groundtruth；
是目标包围框的宽度tw的groundtruth；
是目标包围框的高度th的groundtruth；
具体计算方式如下：
在训练阶段，ωscale根据目标大小提供不同的权重；
的值规定如下：当/>和坐标为(i,j)的网格的第k个所述先验框的交并比最大时为1；其他情况下，/>为0。
4.一种车辆检测装置，其特征在于，包括：
接收模块：用于获取图像，并依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的区域信息，其中，所述目标包围框的区域信息包括所述目标包围框的中心点在所述图像中的坐标、所述目标包围框的宽度和所述目标包围框的高度；具体的，依据所述图像的图像信息确定所述图像中包含有车辆的目标包围框的方差和所述图像中包含有车辆的目标包围框的均值；依据目标包围框的方差和所述目标包围框的均值确定所述目标包围框的区域信息t；
依据所述图像的图像信息确定在所述图像中包含有车辆的目标包围框的初始方差和所述图像中包含有车辆的目标包围框的初始均值；将所述目标包围框的初始方差和所述目标包围框的初始均值映射得到所述目标包围框的方差和所述目标包围框的均值；
不确定度模块：用于所述依据所述目标包围框的方差确定所述目标包围框的不确定度；具体的，依据所述目标包围框的方差确定所述目标包围框的不确定度；
根据所述目标包围框的方差的平均值结合所述目标包围框的置信度做为检测判据Cr；
所述检测判据Cr由以下公式得出：
Cr＝σ(object)×σ(Classi)×(1-Uncertaintyaver)；
其中，σ(Object)是所述图像中网格含有所述目标的置信度，σ(Classi)是所述目标属于第i个类别的置信度；Uncertaintyaver是所述目标包围框的方差的平均值；
车辆模块：用于依据所述目标包围框的区域信息以及所述目标包围框的不确定度确定所述车辆的位置。
5.电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的车辆检测方法的步骤。
6.计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的车辆检测方法的步骤。
CN202010740477.9A 2020-07-28 2020-07-28 一种车辆检测方法、装置、设备及存储介质 Active CN111881833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010740477.9A CN111881833B (zh) 2020-07-28 2020-07-28 一种车辆检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010740477.9A CN111881833B (zh) 2020-07-28 2020-07-28 一种车辆检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111881833A CN111881833A (zh) 2020-11-03
CN111881833B true CN111881833B (zh) 2024-05-10

Family

ID=73201413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010740477.9A Active CN111881833B (zh) 2020-07-28 2020-07-28 一种车辆检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111881833B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428625A (zh) * 2020-03-23 2020-07-17 武汉理工大学 一种基于深度学习的交通场景目标检测方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9594978B2 (en) * 2015-08-07 2017-03-14 Raytheon Company Temporally adaptive processing

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428625A (zh) * 2020-03-23 2020-07-17 武汉理工大学 一种基于深度学习的交通场景目标检测方法及***

Also Published As

Publication number Publication date
CN111881833A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN111444821B (zh) 一种城市道路标志自动识别方法
CN109978893B (zh) 图像语义分割网络的训练方法、装置、设备及存储介质
CN111062413B (zh) 一种道路目标检测方法、装置、电子设备及存储介质
CN107563372B (zh) 一种基于深度学习ssd框架的车牌定位方法
CN110929577A (zh) 一种基于YOLOv3的轻量级框架改进的目标识别方法
CN109784293B (zh) 多类目标对象检测方法、装置、电子设备、存储介质
CN111914698B (zh) 图像中人体的分割方法、分割***、电子设备及存储介质
CN111428625A (zh) 一种基于深度学习的交通场景目标检测方法及***
CN111626295B (zh) 车牌检测模型的训练方法和装置
CN114898327B (zh) 一种基于轻量化深度学习网络的车辆检测方法
CN112232371A (zh) 一种基于YOLOv3与文本识别的美式车牌识别方法
CN111414807A (zh) 一种基于yolo技术的潮水识别与危机预警方法
CN115512251A (zh) 基于双分支渐进式特征增强的无人机低照度目标跟踪方法
CN110659601A (zh) 基于中心点的深度全卷积网络遥感图像密集车辆检测方法
CN110705338A (zh) 车辆检测方法、装置及监控设备
CN114882215A (zh) 一种煤矸光电分选图像颗粒集料区域形选识别方法
CN111368634B (zh) 基于神经网络的人头检测方法、***及存储介质
CN111524113A (zh) 提升链异常识别方法、***、设备及介质
US20220335572A1 (en) Semantically accurate super-resolution generative adversarial networks
CN113963333B (zh) 一种基于改进yolof模型的交通标志牌检测方法
CN113076889B (zh) 集装箱铅封识别方法、装置、电子设备和存储介质
CN113112479A (zh) 基于关键区块提取的渐进式目标检测方法和装置
CN111881833B (zh) 一种车辆检测方法、装置、设备及存储介质
CN110765900A (zh) 一种基于dssd的自动检测违章建筑方法及***
CN115240163A (zh) 一种基于一阶段检测网络的交通标志检测方法及***

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