CN113221760A - 一种高速公路摩托车检测方法 - Google Patents
一种高速公路摩托车检测方法 Download PDFInfo
- Publication number
- CN113221760A CN113221760A CN202110532458.1A CN202110532458A CN113221760A CN 113221760 A CN113221760 A CN 113221760A CN 202110532458 A CN202110532458 A CN 202110532458A CN 113221760 A CN113221760 A CN 113221760A
- Authority
- CN
- China
- Prior art keywords
- m2det
- model
- improved
- data
- training
- 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.)
- Withdrawn
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种高速公路摩托车检测方法,包括:在高速公路采集摩托车图像数据,制作数据集;然后构建改进M2Det算法模型,在ImageNet 2012数据集上进行迁移学习,得到改进M2Det模型的初始权重;将预处理后的数据集输入到改进模型中训练提取特征,保存模型;将待检测图片输入到训练好的改进M2Det中进行预测,得到摩托车检测结果,发出预警信息。本发明引入多实例预测方法来提高M2Det模型在拥挤场景下的目标识别率,并在预测层部分分别使用一个全连接头进行分类任务,一个卷积头进行回归任务,代替原来的只使用单个卷积头进行分类和回归任务,这既保留了M2Det算法多层次特征金字塔网络的特点,又在此基础上提高M2Det模型在分类和回归任务上的准确性,以及在不同场景的检测精度。
Description
技术领域
本发明涉及计算机视觉目标识别技术领域,具体是一种高速公路摩托车检测方法。
背景技术
高速公路作为国家交通出行的一种主要承担载体,长期以来一直发挥着重要作用。目前,中国高速公路行业仍处在产业扩张期,而随着社会经济快速发展,摩托车虽已逐渐退出交通舞台,但在一些经济不发达地区,不可否认它仍是一种重要的交通工具。摩托车属于机动车,《中华人民共和国道路交通安全法》规定摩托车可以在高速公路上行驶,但各地方性政策存在偏差,部分省份是有地方法规禁止摩托车上高速的。因此,在这些路段就需要对摩托车进行检测,向交通中心及时发出报警信息。而当前还没有专门的摩托车检测模型,检测方法主要还是依靠传统的人工检测,效率极低且浪费人力成本。
目标检测是计算机视觉和数字图像处理的一个热门方向。近些年来,由于深度学习的广泛应用,基于神经网络的目标检测算法得到了快速发展。但目前先进的具有特征金字塔结构的目标检测算法,因为只是根据主干网络中用于目标分类任务的多尺度金字塔来简单构造特征金字塔,对特征信息的提取具有一定局限性。而由于在高速公路上,不同时段可能出现的高峰期带来的拥挤场景情形,这就要求目标检测算法需要有更强大的特征提取能力,以避免候选框因具有非常相似的特征导致遗漏检测目标,造成检测精度的下降。另外,在高速公路上摄像机的位置是固定的,再加上大雾等天气的影响,在抓捕摩托车时会经常产生目标模糊或出现小目标情况,所以这还需要对图片进行特殊的预处理操作。
发明内容
为解决上述背景技术中提到的不足,本发明的目的在于提供一种高速公路摩托车检测方法,解决了在高速公路上摄像机所拍摄的照片中,摩托车在高峰期的重叠场景检测问题,以及受摄像机位置与大雾等天气影响,出现的目标模糊和小目标情况,实际这在重叠的拥挤场景中很容易遗漏检测目标,造成检测精度下降的问题。
本发明的目的可以通过以下技术方案实现:
一种高速公路摩托车检测方法,包括以下步骤:
步骤一:数据采集
依靠高速公路各路口设置的摄像头所记录的监控画面,人工截取出现摩托车的图片,对其中重复和模糊的图片进行筛选。然后使用LabelMe图片标注工具对筛选后的图片进行标注,内容包括摩托车类别以及在图片中的相对位置,位置信息以摩托车中心点坐标x、y和摩托车高度h、宽度w表示。最后,将标注后的图片制成VOC格式的数据集。
步骤二:搭建改进M2Det算法模型
a.保留M2Det算法的MLFPN模块,对M2Det的候选框预测部分作改进,对每一个候选框,预测一组可能高度重叠的实例G(bi),进行多个实例的预测,同时引入K个检测函数生成一组预测P(bi);
b.使用新的损失函数EMD Loss;
c.使用改进的NMS后处理代替原来的带有线性内核的Soft-NMS进行后处理;
d.在预测层部分,使用双头结构代替原有的单个头结构进行分类和回归任务;
步骤二所述的G(bi)、P(bi)、EMD Loss计算公式如下:
(1)G(bi)={gj∈M∣IOU(bi,gj)≥θ},
式中,i、j代表下标,bi表示第i个候选框,M是所有真实标记信息的集合,θ是给定的IOU阈值;
式中,i表示下标,ci是有置信度的类标签,li是相对坐标,K是常数,代表数据集G(bi)的最大数;
(3)用L(bi)表示损失函数EMD Loss:
步骤三:在训练整个网络之前,主干网络ResNet-101需要在ImageNet 2012数据集上进行迁移学习,获得主干网络权重,以增强训练效果。
步骤四:将步骤一得到的数据集分为两部分:第一部分作为训练集、验证集;第二部分作为测试集;用第一部分数据集训练M2Det模型参数,第二部分数据集检验模型效果。在对目标图片进行预处理后,载入主干网络训练模型。
训练过程分为两个阶段:第一阶段冻结改进后的M2Det模型前十二层,只对后面参数进行更新,训练50轮。第二阶段对整个网络参数进行更新,训练时利用学习率衰减对训练过程进行监控,学习率随训练轮数持续降低,训练100轮后停止训练。
步骤五:加载改进后的M2Det模型,为该改进后的M2Det模型模型选择训练得到的最优权重,将测试集数据输入改进后的M2Det模型模型中进行检测。
进一步地,所述步骤一中截取的图片尺寸为1920×1080,数据以.jpg格式存在文件夹下,图片标注数据以.xml格式存放在文件夹下。其中.xml文件中主要包含摩托车类别及真实框坐标信息。
进一步地,所述步骤二中改进后M2Det算法模型主要包括主干特征提取网络、MLFPN特征金字塔构建、预测层双头结构进行分类和回归。
进一步地,所述步骤二中为增强多实例预测效果,使用改进的NMS后处理方法,具体是在NMS算法中增加一个判断,即在NMS算法中一个候选框抑制另一个候选框前,先判断这两个候选框是否属于同一组实例,如果是就跳过抑制,否则按照NMS算法抑制处理。
进一步地,所述步骤二中预测层部分使用的双头结构,分别包括一个全连接头和一个卷积头,并使用全连接头进行分类任务,卷积头进行回归任务,这与使用单个卷积头进行分类和回归相比,可以提高检测结果的精准度。
进一步地,所述步骤四中目标图片预处理包括以下步骤:
a.预先设定一个真实框像素点面积阈值,阈值范围为1600-1800;
b.计算目标图片中标注过的真实框像素点面积,并与所设阈值对比,筛除小于阈值的目标图片,以保证小目标物体的特征信息;
c.将保留后的一张原始尺寸为1920×1080的图片,左右切割成两张尺寸为1080×1080的图片,两张图片会有部分重叠,若目标处于重叠部分,则切割后的两张图片都包含目标,同步更新相应的目标坐标信息;
d.对图片进行随机扭曲、翻转、截取和加入噪音等图片增强操作;
e.循环b-d步骤,直至处理所有图片,最后将所有标注数据随机打乱,训练时从数据集中按照既定比例抽取。
进一步地,所述步骤四中所有标注后的数据按4:1的比例划分为第一部分数据和第二部分数据,第一部分数据再按照9:1的比例划分为训练数据和验证数据。
本发明的有益效果:
1、通过设计一种能自动识别高速公路摩托车的目标检测模型,代替以往人工识别的方法,提高了预判的准确性和智能化,降低人工识别的误差和遗漏。
2、本发明通过引入候选框的多实例预测,代替M2Det算法原有的单实例预测,并使用新的EMD Loss损失函数和改进的NMS后处理,明显提高模型在重叠场景下对摩托车的检测精度。另外,针对高速公路上出现的实际情况,通过对摄像头截取图片进行特殊的预处理,对目标模糊或小目标的图片也有着较好的识别效果。
3、在模型的预测层部分,使用双头结构代替原有的单头结构进行分类和回归任务,即使用一个全连接头进行分类任务,一个卷积头进行回归任务。这与原有只使用单个卷积头进行分类和回归相比,可以得到更精确的结果。
附图说明
图1是本发明的整体流程图;
图2是具体实施方式流程图;
图3是多实例预测示意图;
图4是改进后的整体网络结构图。
具体实施方式
下面将结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明公开的一种高速公路摩托车检测方法,整体流程图如附图1所示,具体实施方式流程图如附图2所示,包括以下步骤:
步骤一:数据采集,借助高速公路各路口设置的摄像头所记录的监控画面,人工截取出现摩托车的图片,对其中重复和模糊的图片进行筛选。然后,再对这些图片进行标注,制成VOC格式的数据集。
其中,所述人工截取出现摩托车的图片尺寸为1920×1080,数据以.jpg格式存在文件夹下。
所述模糊图片指大雾天目标模糊或出现重影的图片。
所述图片标注是使用LabelMe图片标注工具对筛选后的图片进行标注,内容包括摩托车类别以及在图片中的相对位置,位置信息以摩托车中心点坐标x、y和摩托车高度h、宽度w表示,图片标注数据以.xml格式存放在文件夹下。
步骤二:搭建改进M2Det算法模型,保留M2Det算法的MLFPN模块,对M2Det的候选框预测部分作改进,对每一个候选框,预测一组可能高度重叠的实例G(bi),进行多个实例的预测,同时引入K个检测函数生成一组预测P(bi);使用新的损失函数EMD Loss;使用改进的NMS后处理代替原来的带有线性内核的Soft-NMS进行后处理;在预测层部分,使用双头结构代替原有的单头结构进行分类和回归任务;
所述多实例预测示意图如附图3所示。
所述改进后M2Det算法模型主要包括主干特征提取网络、MLFPN特征金字塔构建、预测层双头结构进行分类和回归。
所述MLFPN模块包含特征融合模块(FFM)、细化U形模块(TUM)和尺度特征聚合模块(SFAM)。
所述G(bi)计算公式如下:
G(bi)={gj∈M∣IOU(bi,gj)≥θ},
式中,i、j代表下标,bi表示第i个候选框,M是所有真实标记信息的集合,θ是给定的IOU阈值。
所述P(bi)计算公式如下:
式中,i表示下标,ci是有置信度的类标签,li是相对坐标,K是常数,代表数据集G(bi)的最大数。
所述EMD Loss损失函数用L(bi)表示,计算公式如下:
所述改进的NMS后处理方法,具体是在NMS算法中增加一个判断,即在NMS算法中一个候选框抑制另一个候选框前,先判断这两个候选框是否属于同一组实例,如果是就跳过抑制,否则按照NMS算法抑制处理。
所述预测层双头结构,分别包括一个全连接头(fc)和一个卷积头(conv),并使用全连接头进行分类任务(class),卷积头进行回归任务(regress)。改进后的整体网络结构图如附图4所示。
步骤三:在训练整个网络之前,主干网络ResNet-101需要在ImageNet 2012数据集上进行迁移学习,得到主干网络的权重。
步骤四:载入主干网络迁移学习权重,开始训练改进的M2Det算法模型,将步骤一得到的数据集进行预处理后输入模型训练,输入尺寸选择800×800。
所述改进的M2Det算法模型使用8个TUM模块,每个TUM模块设置256通道数,批处理大小设置为8。
所述步骤一得到的数据集分为两部分:第一部分作为训练集、验证集;第二部分作为测试集;用第一部分数据集训练改进后的M2Det模型参数,第二部分数据集检验模型效果。其中,所有标注后的数据按4:1的比例划分为第一部分数据和第二部分数据,第一部分数据再按照9:1的比例划分为训练数据和验证数据。
所述目标图片预处理包括以下步骤:
a.预先设定一个真实框像素点面积阈值,阈值范围为1600-1800;
b.计算目标图片中标注过的真实框像素点面积,并与所设阈值对比,筛除小于阈值的目标图片,以保证小目标物体的特征信息;
c.将保留后的一张原始尺寸为1920×1080的图片,左右切割成两张尺寸为1080×1080的图片,两张图片会有部分重叠,若目标处于重叠部分,则切割后的两张图片都包含目标,同步更新相应的目标坐标信息;
d.对图片进行随机扭曲、翻转、截取和加入噪音等图片增强操作;
e.循环b-d步骤,直至处理所有图片,最后将所有标注数据随机打乱,训练时从数据集中按照既定比例抽取。
所述训练过程分为两个阶段:第一阶段冻结模型前十二层,只对后面参数进行更新,训练50轮。第二阶段对整个网络参数进行更新,训练时利用学习率衰减对训练过程进行监控,学习率随训练轮数持续降低,训练100轮后停止训练。
所述训练第一阶段,初始学习率取0.002,冻结模型前十二层权重保持不变,更新未冻结层的参数,模型在训练集上训练50轮,得到新的权重。
所述训练第二阶段,解冻模型所有层,保持第50轮得到的模型结构和参数权重,利用训练集继续训练。在第90轮时,学习率降至0.0002,在第120轮时,学习率降至0.00002,并在第150轮时停止训练。
步骤五:为改进后的M2Det模型选择训练得到的最优权重,将测试集数据输入该改进后的M2Det模型进行检测。
所述最优权重是指每轮训练都会生成一个权重文件.h5,选择其中损失值最小的权重作为改进后的M2Det模型的最终权重。
实施例
以下将以某高速公路段摩托车识别情况为例对本发明的技术方案进行详细说明。
以某高速公路段为目标路段,获取该路段各路口安装摄像头所记录的监控画面,人工截取出现摩托车的图片,图片尺寸为1920×1080,对其中重复和模糊的图片进行筛选,以.jpg格式存在文件夹下。对筛选后的图片使用LabelMe图片标注工具进行标注,内容包括摩托车类别以及在图片中的相对位置,位置信息以摩托车中心点坐标x、y和摩托车高度h、宽度w表示,图片标注数据以.xml格式存放在文件夹下。最终共得到有效图片1000张,制成VOC格式的数据集。
搭建改进后的M2Det算法模型,将所得图片按照4:1的比例划分为训练用数据和测试用数据,其中训练用数据再按照9:1的比例划分为训练数据和验证数据。
在训练整个网络之前,先将主干网络ResNet-101在ImageNet 2012数据集上进行迁移学习,得到主干网络的权重。
训练改进后的M2Det算法模型,将预处理后的图片输入模型训练,预处理中真实框像素点面积阈值设置为1700,输入尺寸选择800×800,训练使用2块特斯拉p100的GPU,批处理大小设置为8,初始学习率为0.002,在第90轮和第120轮时,学习率分别降至为0.0002,0.00002,至训练完150轮时,停止训练。
从每轮训练生成的权重中,选择损失值最小的权重作为改进后的M2Det模型的最终权重。将完成的改进后的M2Det模型嵌入到交通信息中心的***中,定时截取高速公路摄像机传回的图像数据,输入改进后的M2Det模型进行检测,当判断有摩托车出现时触发报警,对比原有的单实例预测和预测层单头结构具有较好的识别效果。另外,通过对摄像头截取图片进行特殊的预处理,对高速公路上大雾天气时,出现的摩托车模糊或小目标的情况,也能够准确识别。
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、物品或者设备中还存在另外的相同要素。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (7)
1.一种高速公路摩托车检测方法,其特征在于,包括数据采集、搭建改进M2Det算法模型、得到主干网络的权重、训练模型参数和加载改进后的M2Det模型这五个步骤,其中详细步骤如下:
步骤一:数据采集
a.依靠高速公路各路口设置的摄像头所记录的监控画面,人工截取出现摩托车的图片;
b.对这些图片进行标注,制成VOC格式的数据集;
步骤二:搭建改进M2Det算法模型
a.保留M2Det算法的MLFPN模块,对M2Det的候选框预测部分作改进,对每一个候选框,预测一组可能高度重叠的实例G(bi),进行多个实例的预测,同时引入K个检测函数生成一组预测P(bi);
b.使用新的损失函数EMDLoss;
c.使用改进的NMS后处理代替原来的带有线性内核的Soft-NMS进行后处理;
d.在预测层部分,使用双头结构进行分类和回归任务;
步骤二所述的G(bi)、P(bi)、EMDLoss计算公式如下:
(1)G(bi)={gj∈M∣IOU(bi,gj)≥θ},
式中,i、j代表下标,bi表示第i个候选框,M是所有真实标记信息的集合,θ是给定的IOU阈值;
式中,i表示下标,ci是有置信度的类标签,li是相对坐标,K是常数,代表数据集G(bi)的最大数;
(3)用L(bi)表示损失函数EMDLoss:
式中,π表示一组排列(1,2,3,…,K),第k项为πk,gπk∈G(bi),Lcls和Lreg分别是分类损失和回归损失;
步骤三:在训练整个网络之前,主干网络ResNet-101需要在ImageNet 2012数据集上进行迁移学习,获得主干网络权重;
步骤四:将步骤一得到的数据集分为两部分:第一部分作为训练集、验证集;第二部分作为测试集;用第一部分数据集训练改进后的M2Det模型参数,第二部分数据集检验该模型效果;在对目标图片进行预处理后,载入主干网络训练模型;
训练过程分为两个阶段:第一阶段冻结改进后的M2Det模型前十二层,只对后面参数进行更新,第二阶段对整个网络参数进行更新;训练时利用学习率衰减对训练过程进行监控,学习率随训练轮数持续降低;
步骤五:加载改进后的M2Det模型,为该改进后的M2Det模型选择训练得到的最优权重,将测试集数据输入改进后的M2Det模型中进行检测。
2.根据权利要求1所述的一种高速公路摩托车检测方法,其特征在于,所述步骤一中:截取的图片尺寸为1920×1080,数据以.jpg格式存放在文件夹下,图像标注数据以.xml格式存放在文件夹下;其中.xml文件中主要包含摩托车类别及真实框坐标信息。
3.根据权利要求1所述的一种高速公路摩托车检测方法,其特征在于,所述步骤二中:改进后的M2Det算法模型主要包括主干特征提取网络、MLFPN特征金字塔构建、预测层双头结构进行分类和回归。
4.根据权利要求1所述的一种高速公路摩托车检测方法,其特征在于,所述步骤二中:为增强多实例预测效果,使用改进的NMS后处理方法,具体是在NMS算法中增加一个判断,即在NMS算法中一个候选框抑制另一个候选框前,先判断这两个候选框是否属于同一组实例,如果是就跳过抑制,否则按照NMS算法抑制处理。
5.根据权利要求1所述的一种高速公路摩托车检测方法,其特征在于,所述步骤二中:预测层部分使用的双头结构,分别包括一个全连接头和一个卷积头,并使用全连接头进行分类任务,卷积头进行回归任务。
6.根据权利要求1所述的一种高速公路摩托车检测方法,其特征在于,所述步骤四中:目标图片预处理包括以下步骤:
a.预先设定一个真实框像素点面积阈值;
b.计算目标图片中标注过的真实框像素点面积,并与所设阈值对比,筛除小于阈值的目标图片,以保证小目标物体的特征信息;
c.将保留后的一张原始尺寸为1920×1080的图片,左右切割成两张尺寸为1080×1080的图片,两张图片会有部分重叠,若目标处于重叠部分,则切割后的两张图片都包含目标,同步更新相应的目标坐标信息;
d.对图片进行随机扭曲、翻转、截取和加入噪音等图片增强操作;
e.循环b-d步骤,直至处理所有图片,最后将所有标注数据随机打乱,训练时从数据集中按照既定比例抽取。
7.根据权利要求6所述的一种高速公路摩托车检测方法,其特征在于,所述步骤四中:所有标注后的数据按4:1的比例划分为第一部分数据和第二部分数据,第一部分数据再按照9:1的比例划分为训练数据和验证数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532458.1A CN113221760A (zh) | 2021-05-17 | 2021-05-17 | 一种高速公路摩托车检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532458.1A CN113221760A (zh) | 2021-05-17 | 2021-05-17 | 一种高速公路摩托车检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113221760A true CN113221760A (zh) | 2021-08-06 |
Family
ID=77092268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110532458.1A Withdrawn CN113221760A (zh) | 2021-05-17 | 2021-05-17 | 一种高速公路摩托车检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221760A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114220163A (zh) * | 2021-11-18 | 2022-03-22 | 北京百度网讯科技有限公司 | 人体姿态估计方法、装置、电子设备及存储介质 |
CN114648513A (zh) * | 2022-03-29 | 2022-06-21 | 华南理工大学 | 一种基于自标注数据增广的摩托车检测方法 |
-
2021
- 2021-05-17 CN CN202110532458.1A patent/CN113221760A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114220163A (zh) * | 2021-11-18 | 2022-03-22 | 北京百度网讯科技有限公司 | 人体姿态估计方法、装置、电子设备及存储介质 |
CN114648513A (zh) * | 2022-03-29 | 2022-06-21 | 华南理工大学 | 一种基于自标注数据增广的摩托车检测方法 |
CN114648513B (zh) * | 2022-03-29 | 2022-11-29 | 华南理工大学 | 一种基于自标注数据增广的摩托车检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pereira et al. | A deep learning-based approach for road pothole detection in timor leste | |
CN111104903B (zh) | 一种深度感知交通场景多目标检测方法和*** | |
CN108694386B (zh) | 一种基于并联卷积神经网络的车道线检测方法 | |
Rasheed et al. | Automated number plate recognition using hough lines and template matching | |
CN112232349A (zh) | 模型训练方法、图像分割方法及装置 | |
CN111368687A (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 | |
CN110826429A (zh) | 一种基于景区视频的旅游突发事件自动监测的方法及*** | |
CN105320923A (zh) | 车型识别方法及装置 | |
CN113221760A (zh) | 一种高速公路摩托车检测方法 | |
CN112651293B (zh) | 一种公路违法设摊事件视频检测方法 | |
CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
Abidin et al. | A systematic review of machine-vision-based smart parking systems | |
CN111508269A (zh) | 一种基于图像识别的开放式停车位车辆判别方法与装置 | |
CN110276318A (zh) | 夜间公路下雨识别方法、装置、计算机设备及存储介质 | |
Tao et al. | Smoky vehicle detection based on range filtering on three orthogonal planes and motion orientation histogram | |
CN115546742A (zh) | 一种基于单目热红外摄像头的铁轨异物识别方法及*** | |
Katsamenis et al. | A few-shot attention recurrent residual U-Net for crack segmentation | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
CN110688512A (zh) | 基于ptgan区域差距与深度神经网络的行人图像搜索算法 | |
Liu et al. | Multi-lane detection by combining line anchor and feature shift for urban traffic management | |
CN116229336B (zh) | 视频移动目标识别方法、***、存储介质及计算机 | |
Zhang et al. | A front vehicle detection algorithm for intelligent vehicle based on improved gabor filter and SVM | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及*** | |
Kročka et al. | Extending parking occupancy detection model for night lighting and snowy weather conditions | |
Pramanik et al. | Detection of Potholes using Convolutional Neural Network Models: A Transfer Learning Approach |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210806 |