CN112464841B - 一种用于专用道路违规行驶车辆检测的方法、存储介质 - Google Patents
一种用于专用道路违规行驶车辆检测的方法、存储介质 Download PDFInfo
- Publication number
- CN112464841B CN112464841B CN202011407190.0A CN202011407190A CN112464841B CN 112464841 B CN112464841 B CN 112464841B CN 202011407190 A CN202011407190 A CN 202011407190A CN 112464841 B CN112464841 B CN 112464841B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- special
- special lane
- lane
- road
- 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
Images
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
- G06V20/52—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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于专用道路违规行驶车辆检测的方法,其特征在于,包括:首先通过目标检测算法定位并分类车辆类型,判断有无非专用道路类型车辆;然后通过语义分割算法进一步精准分割专用车道和车辆语义信息;然后根据车辆类型、位置框信息和专用车道语义及车辆语义信息,共同计算单个非专用道路车辆占专用车道区域与该非专用道路车辆整体所占区域的比值,超过阈值则判定为疑似占用专用车道的违规车辆。本发明的方法采用深度卷积神经网络中的目标检测算法和语义分割算法,提升违规使用专用车道的车辆的检测准确率。
Description
技术领域
本发明涉及智能交通技术领域,特别涉及一种用于专用道路违规行驶车辆检测的方法、存储介质。
背景技术
随着人民生活水平的提高和消费观念的转变,汽车需求量不断增大,我国成为汽车大国。2013年至今,我国汽车保有量逐年增长。相关数据显示,截止2019年中国机动车保有量达3.48亿辆,其中汽车保有量达2.6亿辆,与2018年相比增长了8.83%,在不断的发展中,汽车已经融入我们的生活,在日常生活和经济等方面都扮演着重要角色。汽车在便利人们生活的同时也产生了很多问题,随着公路机动车流量日益增加,专用道路违规行驶车辆的检测因人力缺乏而难以得到有效的监管。
目前,关于违规使用专用车道车辆检测的方法主要是:直接通过语义分割检测车道线,再使用目标检测算法确定车辆大致位置,根据两者关系判断车辆是否违规。一般性的,语义分割算法比目标检测算法的速度慢。这种方案主要缺陷在于画面中不存在非专用车道车辆时仍然会执行全部运算,消耗资源;或是由于目标检测得到的为车辆外接矩形,存在较高的误判几率。
基于此,针对违规使用专用车道车辆检测中存在的问题,有必要提供一种更加可靠、稳定地专用道路违规行驶车辆检测的方案。首先通过目标检测算法进行车型识别和车辆数目的检测,对图像内车辆情况进行初步判定,过滤不需要执行后续计算的情况;然后通过语义分割来精确分割车辆以及专用车道图像,更加准确的检测存在违规使用专用车道的非专用道路车辆。
发明内容
本发明的目的是克服上述背景技术中不足,提供一种用于专用道路违规行驶车辆检测的方法、存储介质,采用深度卷积神经网络中的目标检测算法和语义分割算法,提升违规使用专用车道的车辆的检测准确率。
为了达到上述的技术效果,本发明采取以下技术方案:
一种用于专用道路违规行驶车辆检测的方法,包括:首先通过目标检测算法定位并分类车辆类型,判断有无非专用道路类型车辆;然后通过语义分割算法进一步精准分割专用车道和车辆语义信息;然后根据车辆类型、位置框信息和专用车道语义及车辆语义信息,共同计算单个非专用道路车辆占专用车道区域与该非专用道路车辆整体所占区域的比值,超过阈值则判定为疑似占用专用车道的违规车辆;
本发明的方法中,通过深度学习目标检测算法先对图像进行初步信息获取,判断是否需要进一步运算,再通过语义分割算法获取精准的车辆位置和专用车道信息以检测非专用车道车型车辆是否可能存在违规占用专用车道行驶的行为,可以较好的实现专用道路违规行驶车辆检测并减少计算消耗,提高判断准确率等特征。
进一步地,具体包括以下步骤:
步骤1.采集N幅含有不同车型车辆的专用车道图像;
步骤2.对采集的N幅图像进行车型类别标注,训练车辆目标检测模型;
步骤3.对N幅图像进行专用车道分割标注,训练专用车道语义分割模型;
步骤4.对N幅图像进行车辆语义分割标注,训练车辆语义分割模型;
步骤5.将待识别图像使用车辆目标检测模型进行识别,得到待识别图像中车型的类别、置信度和大致位置框,统计非专用车道车型数量并记为M;
步骤6.根据步骤5的识别结果判断是否有非专用车道车辆车型,若没有,则判定为正常行驶图像,等待下一张待识别图像输入;否则,进入步骤7;
步骤7.使用专用车道语义分割模型和车辆语义分割模型对待识别图像进行专用车道和车辆的语义分割,分别得到专用车道分割图和车辆分割图;
步骤8.将步骤5得到的非专用车道车型位置框与步骤7中得到的车辆分割图做交集,得到非专用车道车辆分割图;
步骤9.判断步骤8中的非专用车道车辆分割图的每辆非专用车道车型车辆与步骤7的专用车道分割图的专用车道是否相交,若该车辆与专用车道无相交区域则判定为正常图像,等待下一张待识别图像输入;如有相交区域,则进一步判断相交区域与该车辆所占区域之比是否小于阈值,若大于阈值,则判定该车辆为疑似违规车辆;否则,则判定该车辆为正常行驶;
即在本发明的方法中,通过先进行一次目标检测判断有无必要检测,再结合语义分割实现准确的专用道路违规行驶车辆检测,可较好的解决现用解决方案中计算消耗大且误判几率较大的问题,具体通过采用深度卷积神经网络中的目标检测算法和语义分割算法,可提升违规使用专用车道的车辆的检测准确率。
进一步地,所述车辆目标检测模型为SSD卷积神经网络模型。
进一步地,对所述SSD卷积神经网络模型进行训练时,将SSD卷积神经网络中的损失函数替换为焦点损失函数,每批次样本为a张,学习率初始为b,动量为c,之后每d步衰减为上一次学习率的e倍,共设置f步。
进一步地,a等于16,b等于4×10-3,c等于0.9,d等于20000,e等于0.95,f等于200000。
进一步地,所述专用车道语义分割模型和/或车辆语义分割模型由U-net卷积神经网络模型实现。
进一步地,对所述U-net卷积神经网络模型进行训练时,参数初始化方法使用MSRA,设置迭代次数为g,批次训练样本为h张,初始学习率为i。
进一步地,g等于150000,h等于16,i等于0.001。
进一步地,若所述步骤9中,相交区域与该车辆所占区域之比为V,则V=(Ncarx∪Nroad)/Ncarx,其中,Ncarx为被判断的单辆车所占区域,Nroad为专用车道分割图的专用车道所占区域。
同时,本发明还公开了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如上述用于专用道路违规行驶车辆检测的方法的步骤。
本发明与现有技术相比,具有以下的有益效果:
本发明的用于专用道路违规行驶车辆检测的方法,通过使用深度卷积神经网络的方式,先分类判断有无车辆及车型信息,再分割专用车道和车辆语义,然后通过计算非专用车道车型车辆与专用车道相交区域与非专用车道车型车辆的比值,来判断车辆是否为疑似违规使用专用车道的非专用车道车辆,以此达到优化检测违规使用专用车道车辆的效果,同时,采用的深度卷积神经网络中的目标检测算法和语义分割算法可提升违规使用专用车道的车辆的检测准确率。
附图说明
图1是本发明的用于专用道路违规行驶车辆检测的方法的流程示意图。
具体实施方式
下面结合本发明的实施例对本发明作进一步的阐述和说明。
实施例:
实施例一:
一种用于专用道路违规行驶车辆检测的方法,其基本原理为:首先通过目标检测算法定位并分类车辆类型,判断有无非专用道路类型车辆;然后通过语义分割算法进一步精准分割专用车道和车辆语义信息;然后根据车辆类型、位置框信息和专用车道语义及车辆语义信息,共同计算单个非专用道路车辆占专用车道区域与该非专用道路车辆整体所占区域的比值,超过阈值则判定为疑似占用专用车道的违规车辆。
具体的,如图1所示,包括以下步骤:
步骤一、采集N幅含有不同车型车辆和专用车道的真实图像。
具体的,本实施例中,图像采集工作可以采用专业相机或智能手机于天桥拍摄,符合常见监控角度即可。
步骤二、对N幅图像按照缩放、翻转进行增强,使用labelImg工具对车型类别标注和位置进行人工标注,将标注信息保存为.xml格式并按照7:3的比例分为训练集和验证集并转换为csv文件;最后,由csv转换为Tensorflow框架训练网络所需要输入的TFRecords格式文件。
具体的,本实施例中,在标注时,可以选取非目标区域标注为背景类,从而提高目标检测准确率。
本实施例中,分类车型并粗略定位车辆位置的网络为SSD,基础网络采用VGG16中全连接层之前的网络结构,由多组交替出现的卷积池化结构构成,并添加卷积层conv6:3×3×1024的、conv7:1×1×1024、conv8:3×3×512、conv9:3×3×256、conv10:3×3×256和conv11:3×3×256。
对SSD卷积神经网络模型进行训练时,将SSD卷积神经网络中的损失函数替换为焦点损失函数,每批次样本为16张,学习率初始为4×10-3,动量为0.9,之后每20000步衰减为上一次学习率的0.95倍,共设置200000步。
本实施例中,车辆类型分为公交车、小巴、小型货车、轿车、SUV和卡车;其中公交车为专用车道车型,其余五种为非专用车道车型。
步骤三、对采集到的N幅图像使用labelme工具进行专用车道人工标注,其中,进入专用车道的车辆部分按照车道轨迹划分为车道,标注结果保存为json格式并转换为RGB三通道彩图,然后具体按照7:3的比例分为训练集和验证集训练专用车道语义分割模型;
本实施例中,精准划分专用车道的网络为U-net,整个网络共有23个卷积层,下采样采用3×3的卷积核、Relu和最大池化组成,上采样采用反卷积恢复目标细节和通道数,最后使用1×1的卷积输出类别。
具体的,本实施例中,对U-net卷积神经网络进行训练时,参数初始化方法使用MSRA,初始学习率为0.001,批次训练样本为16张,共设置150000步。
步骤四、按照步骤三相同方法,对N幅图像进行车辆语义分割标注,训练车辆语义分割模型。
步骤五、将待识别图像使用车型分类模型进行分类识别,得到待识别图像中车型的类别、置信度和车辆位置框,并统计非专用车道车型数量记为M,并对非专用车道车型进行编号。
步骤六、根据步骤五中的识别结果判断是否有非专用车道车辆车型,如果没有,判定为正常图像,等待下一张图像输入;如果有非专用车道车型,进入下一个步骤。
步骤七、使用专用车道分割模型和车辆分割模型对待识别图像进行专用车道和车辆的分割,得到专用车道精准位置和车辆精准位置。
步骤八、结合步骤五中得到的车型类别及位置框与步骤七中得到的车辆分割图,得到位置更加精准且含有车型信息的车辆分割图。
步骤九、按照步骤五中的编号依次计算每个非专用车道车型车辆分割区域与专用车道分割区域的相交区域,判断相交区域与当前判断车辆分割区域之比是否小于阈值Vval,若大于阈值,则判定该车辆为疑似违规车辆,输出图像信息,继续判断下一个编号;若小于阈值,继续计算下一个编号;直至遍历全部编号,结束本图像判断,等待下一张图像输入。
具体地,本实施例中,非专用车道车辆相交区域与车辆比值的计算具体包括:
按单辆车进行示例,设步骤八中所得单辆车区域为Ncarx,步骤七中所得的专用车道分割区域为Nroad,则相交区域与车辆的比值V可以通过公式:V=(Ncarx∩Nroad)/Ncarx来计算。
实施例二
本实施例中公开了一种计算机设备,该计算机设备可以是服务器,该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储用于专用道路违规行驶车辆检测的方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现用于专用道路违规行驶车辆检测的方法。
在另一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例一中用于专用道路违规行驶车辆检测的方法的步骤,为避免重复,这里不再赘述。
在另一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例一中用于专用道路违规行驶车辆检测的方法的步骤。为避免重复,这里不再赘述。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (6)
1.一种用于专用道路违规行驶车辆检测的方法,其特征在于,包括:首先通过目标检测算法定位并分类车辆类型,判断有无非专用道路类型车辆;然后通过语义分割算法进一步精准分割专用车道和车辆语义信息;然后根据车辆类型、位置框信息和专用车道语义及车辆语义信息,共同计算单个非专用道路车辆占专用车道区域与该非专用道路车辆整体所占区域的比值,超过阈值则判定为疑似占用专用车道的违规车辆;
具体包括以下步骤:
步骤1.采集N幅含有不同车型车辆的专用车道图像;
步骤2.对采集的N幅图像进行车型类别标注,训练车辆目标检测模型;
步骤3.对N幅图像进行专用车道分割标注,训练专用车道语义分割模型;
步骤4.对N幅图像进行车辆语义分割标注,训练车辆语义分割模型;
步骤5.将待识别图像使用车辆目标检测模型进行识别,得到待识别图像中车型的类别、置信度和大致位置框,统计非专用车道车型数量并记为M;
步骤6.根据步骤5的识别结果判断是否有非专用车道车辆车型,若没有,则判定为正常行驶图像,等待下一张待识别图像输入;否则,进入步骤7;
步骤7.使用专用车道语义分割模型和车辆语义分割模型对待识别图像进行专用车道和车辆的语义分割,分别得到专用车道分割图和车辆分割图;
步骤8.将步骤5得到的非专用车道车型位置框与步骤7中得到的车辆分割图做交集,得到非专用车道车辆分割图;
步骤9.判断步骤8中的非专用车道车辆分割图的每辆非专用车道车型车辆与步骤7的专用车道分割图的专用车道是否相交,若该车辆与专用车道无相交区域则判定为正常图像,等待下一张待识别图像输入;如有相交区域,则进一步判断相交区域与该车辆所占区域之比是否小于阈值,若大于阈值,则判定该车辆为疑似违规车辆;否则,则判定该车辆为正常行驶;
所述车辆目标检测模型为SSD卷积神经网络模型;
对所述SSD卷积神经网络模型进行训练时,将SSD卷积神经网络中的损失函数替换为焦点损失函数,每批次样本为a张,学习率初始为b,动量为c,之后每d步衰减为上一次学习率的e倍,共设置f步;
a等于16,b等于4×10-3,c等于0.9,d等于20000,e等于0.95,f等于200000。
2.根据权利要求1所述的一种用于专用道路违规行驶车辆检测的方法,其特征在于,所述专用车道语义分割模型和/或车辆语义分割模型由U-net卷积神经网络模型实现。
3.根据权利要求2所述的一种用于专用道路违规行驶车辆检测的方法,其特征在于,对所述U-net卷积神经网络模型进行训练时,参数初始化方法使用MSRA,设置迭代次数为g,批次训练样本为h张,初始学习率为i。
4.根据权利要求3所述的一种用于专用道路违规行驶车辆检测的方法,其特征在于,g等于150000,h等于16,i等于0.001。
5.根据权利要求1所述的一种用于专用道路违规行驶车辆检测的方法,其特征在于,若所述步骤9中,相交区域与该车辆所占区域之比为V,则V=(Ncarx∩Nroad)/Ncarx,其中,Ncarx为被判断的单辆车所占区域,Nroad为专用车道分割图的专用车道所占区域。
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至5中任一项所述用于专用道路违规行驶车辆检测的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011407190.0A CN112464841B (zh) | 2020-12-04 | 2020-12-04 | 一种用于专用道路违规行驶车辆检测的方法、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011407190.0A CN112464841B (zh) | 2020-12-04 | 2020-12-04 | 一种用于专用道路违规行驶车辆检测的方法、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112464841A CN112464841A (zh) | 2021-03-09 |
CN112464841B true CN112464841B (zh) | 2022-08-19 |
Family
ID=74805480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011407190.0A Active CN112464841B (zh) | 2020-12-04 | 2020-12-04 | 一种用于专用道路违规行驶车辆检测的方法、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464841B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
CN110136447A (zh) * | 2019-05-23 | 2019-08-16 | 杭州诚道科技股份有限公司 | 行车变道检测及违法变道识别的方法 |
CN110490188A (zh) * | 2019-07-02 | 2019-11-22 | 天津大学 | 一种基于ssd网络改进型的目标物体快速检测方法 |
CN111368687A (zh) * | 2020-02-28 | 2020-07-03 | 成都市微泊科技有限公司 | 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 |
CN111996883A (zh) * | 2020-08-28 | 2020-11-27 | 四川长虹电器股份有限公司 | 一种检测公路路面宽度的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10296794B2 (en) * | 2016-12-20 | 2019-05-21 | Jayant Rtti | On-demand artificial intelligence and roadway stewardship system |
CN110569696A (zh) * | 2018-08-31 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 用于车辆部件识别的神经网络***、方法和装置 |
CN110077399B (zh) * | 2019-04-09 | 2020-11-06 | 魔视智能科技(上海)有限公司 | 一种基于道路标线、车轮检测融合的车辆防碰撞方法 |
CN111666921B (zh) * | 2020-06-30 | 2022-05-20 | 腾讯科技(深圳)有限公司 | 车辆控制方法、装置、计算机设备和计算机可读存储介质 |
-
2020
- 2020-12-04 CN CN202011407190.0A patent/CN112464841B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
CN110136447A (zh) * | 2019-05-23 | 2019-08-16 | 杭州诚道科技股份有限公司 | 行车变道检测及违法变道识别的方法 |
CN110490188A (zh) * | 2019-07-02 | 2019-11-22 | 天津大学 | 一种基于ssd网络改进型的目标物体快速检测方法 |
CN111368687A (zh) * | 2020-02-28 | 2020-07-03 | 成都市微泊科技有限公司 | 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 |
CN111996883A (zh) * | 2020-08-28 | 2020-11-27 | 四川长虹电器股份有限公司 | 一种检测公路路面宽度的方法 |
Non-Patent Citations (1)
Title |
---|
基于无人机的车辆和车道检测***的设计与实现;赵凯迪;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20190215(第2期);C034-495 * |
Also Published As
Publication number | Publication date |
---|---|
CN112464841A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097044B (zh) | 基于深度学习的一阶段车牌检测识别方法 | |
US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN109190444B (zh) | 一种基于视频的收费车道车辆特征识别***的实现方法 | |
CN109948707B (zh) | 模型训练方法、装置、终端及存储介质 | |
CN111898491B (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN113033604A (zh) | 一种基于SF-YOLOv4网络模型的车辆检测方法、***及存储介质 | |
CN111027539A (zh) | 一种基于空间位置信息的车牌字符分割方法 | |
CN113723377A (zh) | 一种基于ld-ssd网络的交通标志检测方法 | |
CN112381014A (zh) | 一种基于城市道路的违停车辆检测及管理方法及*** | |
WO2020258894A1 (zh) | 车道线属性检测 | |
CN114913498A (zh) | 一种基于关键点估计的并行多尺度特征聚合车道线检测方法 | |
CN112329684A (zh) | 一种基于注视检测和交通场景识别的行人穿越马路意图识别方法 | |
CN115205855B (zh) | 融合多尺度语义信息的车辆目标识别方法、装置及设备 | |
CN111931683A (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN114463715A (zh) | 一种车道线检测方法 | |
CN112289022A (zh) | 基于时空背景比对的黑烟车检测判定及*** | |
CN115830399A (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
CN111046723A (zh) | 一种基于深度学习的车道线检测方法 | |
CN112464841B (zh) | 一种用于专用道路违规行驶车辆检测的方法、存储介质 | |
CN114973169A (zh) | 基于多目标检测和跟踪的车辆分类计数方法及*** | |
CN115482672A (zh) | 车辆逆行检测的方法、装置、终端设备及存储介质 | |
CN115359438A (zh) | 一种基于计算机视觉的车辆加塞的检测方法、***和装置 | |
CN113470385B (zh) | 基于机器视觉的交通灯控制方法、***、装置及存储介质 | |
CN112016534B (zh) | 车辆违停检测的神经网络的训练方法、检测方法和装置 | |
CN114169247A (zh) | 仿真交通流的生成方法、装置、设备和计算机可读存储介质 |
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 |