CN113591959A - 一种车辆检测方法及相关设备 - Google Patents
一种车辆检测方法及相关设备 Download PDFInfo
- Publication number
- CN113591959A CN113591959A CN202110827574.6A CN202110827574A CN113591959A CN 113591959 A CN113591959 A CN 113591959A CN 202110827574 A CN202110827574 A CN 202110827574A CN 113591959 A CN113591959 A CN 113591959A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- training set
- target
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F18/23—Clustering 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
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供了一种车辆检测方法及相关设备,属于车辆检测的技术领域,解决了现有方案中对充电站内车位管理不及时、车位管理部准确的问题。所述方法包括:获取历史车辆数据,其中,所述历史车辆数据包括车辆数据与车牌数据;根据所述车辆数据与所述车牌数据生成初始训练集与验证集;对所述初始训练集进行数据扩增生成目标训练集;将所述目标训练集进行模型训练,得到训练结果;根据所述训练结果与所述验证集选择最优模型;将实时车辆数据导入所述最优模型。
Description
技术领域
本申请实施例涉及电动汽车技术领域,尤其是涉及一种车辆检测方法及相关设备。
背景技术
随着电动汽车的普及,对电动汽车的充电站车位的管理要求越来越高,现有的技术方案中,对充电站内车辆的检测速度较慢,具有滞后性,从而无法实现对充电站车位的管理,无法实时监测充电站车位有无车辆。
发明内容
本申请实施例的目的在于提供一种车辆检测方法,解决了现有技术中充电站内车辆的检测速度较慢的技术问题。
第一方面,本申请实施例提供一种车辆检测方法,包括:
获取历史车辆数据,其中,上述历史车辆数据包括车辆停放数据与车牌数据;
根据上述车辆停放数据与上述车牌数据分别生成初始训练集与验证集;
对上述初始训练集进行数据扩增生成目标训练集;
将上述目标训练集进行模型训练,得到训练结果;
根据上述训练结果与上述验证集选择最优模型;
将实时车辆数据导入上述最优模型进行车辆检测。
可选的,上述获取历史车辆数据的步骤,包括:
获取历史车辆图片数据;
将上述历史车辆图片数据进行标注;
根据标注后的历史车辆图片数据获取上述历史车辆数据,其中,上述历史车辆数据为车辆坐标。
可选的,上述获取历史车辆数据的步骤,包括:
在上述历史车辆图片数据中选取目标车辆;
对上述目标车辆进行标注;
根据标注后的目标车辆获取上述目标车辆的左上角坐标、上述目标车辆的宽度数据和上述目标车辆的高度数据。
可选的,上述根据上述车辆停放数据与上述车牌数据生成初始训练集与验证集的步骤,包括:
将上述车辆停放数据与上述车牌数据按照9:1的比例生成上述模型的初始训练集与验证集,其中,上述车辆停放数据生成上述模型的初始训练集,上述车牌数据生成上述模型的验证集。
可选的,上述对上述初始训练集进行数据扩增生成目标训练集的步骤,包括:
将上述初始训练集进行HSL变换;
对进行HSL变换后的初始训练集进行筛选,得到上述目标训练集。
可选的,在上述将上述目标训练集进行模型训练,得到训练结果的步骤之前,还包括:
将上述目标训练集转换为VOC数据集格式,其中,VOC数据集格式的目标训练集至少包括XML标签、TXT标签和数据类别中的一种数据。
可选的,上述将上述目标训练集进行模型训练,得到训练结果的步骤,包括:
将上述VOC数据集格式的目标训练集导入YoloV3模型,其中,上述YoloV3模型的基础网络为Darknet-53网络;
得到上述VOC数据集格式的目标训练集进行YoloV3模型训练的训练结果。
第二方面,本申请实施例提供了一种车辆检测装置,包括:
数据采集模块,用于获取历史车辆数据,其中,上述历史车辆数据包括车辆停放数据与车牌数据;
数据转化模块,用于根据上述车辆停放数据与上述车牌数据生成初始训练集与验证集;
数据扩增模块,用于对上述初始训练集进行数据扩增生成目标训练集;
数据训练模块,用于将上述目标训练集进行模型训练,得到训练结果;
选择模块,用于根据上述训练结果与上述验证集选择最优模型;
数据导入模块,用于将实时车辆数据导入上述最优模型。
第三方面,本申请实施例提供了一种电子设备,包括:储存器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序,上述处理器用于执行存储器中存储的计算机程序时实现如上述的车辆检测方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序:上述计算机程序被处理器执行时实现如上述的车辆检测方法的步骤。
本申请实施例提供的一种车辆检测方法,通过获取历史车辆数据,其中,上述历史车辆数据包括车辆停放数据与车牌数据;根据上述车辆停放数据与上述车牌数据分别生成初始训练集与验证集;对上述初始训练集进行数据扩增生成目标训练集;将上述目标训练集进行模型训练,得到训练结果;根据上述训练结果与上述验证集选择最优模型;将实时车辆数据导入上述最优模型进行车辆检测。通过根据历史车辆数据对模型进行训练,并通过对训练后的模型进行筛选得到最优模型,既保证了车辆检测的速度也提高了车辆检测准确度,可以实现实时监测的充电站车位有无车辆,从而避免了对充电站车位监测具有滞后性的问题。通过对上述初始训练集进行数据扩增生成目标训练集,使得训练后的模型具有更广泛应用场景,减少了外界因素对充电站车位监测结果的影响。
附图说明
为了更清楚地说明本申请实施例具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请实施例的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的车辆检测方法流程图;
图2为本申请实施例提供的车辆检测装置的示意图;
图3为本申请实施例提供的一种存储电子设备结构示意图;
图4为本申请实施例提供的一种计算机可读存储介质结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,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,都属于本申请实施例保护的范围。
本申请实施例中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括其他没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例提供的车辆检测方法,如图1所示,包括:
S101、获取历史车辆数据,其中,上述历史车辆数据包括车辆停放数据与车牌数据;
示例性的,上述历史车辆数据包括:互联网上的车辆数据、充电站每个停车位的摄像头采集到的车辆停放数据,各种天气情况下的各种车型数据。
S102、根据上述车辆停放数据与上述车牌数据分别生成初始训练集与验证集;
在一种可能的实施方式中,包括:
获取历史车辆图片数据;
将上述历史车辆图片数据进行标注;
根据标注后的历史车辆图片数据获取上述历史车辆数据,其中,上述历史车辆数据为车辆坐标。
示例性的,在上述历史车辆图片数据中选取目标车辆;对上述目标车辆进行标注;根据标注后的目标车辆获取上述目标车辆的左上角坐标、上述目标车辆的宽度数据和上述目标车辆的高度数据。
示例性的,根据上述历史车辆图片数据的条件,选择获取上述目标车辆的坐标,例如,当根据上述历史车辆图片数据无法直观地获取上述目标车辆的左上角坐标,则选择根据上述历史车辆图片数据能够直观获取的上述目标车辆的坐标,能够适应不同场景的历史车辆图片数据,以适应不同停车场通过不同角度获取的历史车辆图片数据,提高了本申请方案的适用性,可以将本方案运用在更多场景。
在一种可能的实施方式中,上述根据上述车辆停放数据与上述车牌数据生成初始训练集与验证集的步骤,包括:
将上述车辆停放数据与上述车牌数据按照9:1的比例生成上述模型的初始训练集与验证集,其中,上述车辆停放数据生成上述模型的初始训练集,上述车牌数据生成上述模型的验证集。
示例性的,将上述车辆停放数据与上述车牌数据按照9:1的比例生成上述模型的初始训练集与验证集,保证了在后续根据上述验证集选择最优的训练后的模型时的准确性,避免了上述车辆停放数据与上述车牌数据的比例过小,造成所选的最优训练后模型不准确,引起车辆检测误差较大的风险,同时,将上述车辆停放数据与上述车牌数据按照9:1的比例生成上述模型的初始训练集与验证集,也避免了上述车辆停放数据与上述车牌数据的比例过大,造成所选的最优训练后模型过于精确,引起车辆检测所耗费的时间过长,影响车辆检测的实时性。
示例性的,对上述目标车辆进行标注时,可以采用人工标注,将每一张图片中的车辆都用矩形框框出,对应产生一个xml文件,xml文件中记录下图中每一辆车的坐标,记录格式为[左上角x坐标,左上角y坐标,车辆宽度w,车辆高度h],同时删掉车辆模糊或者难以标注的图片,使得生成的上述训练集与上述验证集更加准确,从而使得训练后的模型更加准确。
S103、对上述初始训练集进行数据扩增生成目标训练集;
在一种可能的实施方式中,上述对上述初始训练集进行数据扩增生成目标训练集的步骤,包括:
将上述初始训练集进行HSL变换;
对进行HSL变换后的初始训练集进行筛选,得到上述目标训练集。
示例性的,将上述初始训练集进行HSL变换,采用将RGB色彩模型中的点在圆柱坐标系中的表示,进而使得上述初始训练集更直观,其中,RGB色彩模型为一种彩色信息表达方式,仅仅采用红、绿、蓝三原色的亮度来定量表示颜色。
示例性的,将已经标注好的图片相当于上述初始训练集,进行HSL变换、或者做一定角度旋转或者加白噪声模拟雾天情况,再经过筛选,选出合理的图片,构造成新的训练集,对上述初始训练集中的内容进行了扩增,生成上述目标训练集,利用上述目标训练集对模型进行训练,使得训练后的模型可以适应更多场景,实现对更多图像信息的识别。
在一种可能的实施方式中,在上述将上述目标训练集进行模型训练,得到训练结果的步骤之前,还包括:
将上述目标训练集转换为VOC数据集格式,其中,VOC数据集格式的目标训练集至少包括XML标签、TXT标签和数据类别中的一种数据。
示例性的,将上述目标训练集转换为VOC数据集格式使得上述目标训练集能够导入YoloV3模型的数据集,进而使得通过YoloV3模型对充电站车位的车辆进行检测可以实现。
S104、将上述目标训练集进行模型训练,得到训练结果;
在一种可能的实施方式中,上述将上述目标训练集进行模型训练,得到训练结果的步骤,包括:
将上述VOC数据集格式的目标训练集导入YoloV3模型,其中,上述YoloV3模型的基础网络为Darknet-53网络;
得到上述VOC数据集格式的目标训练集进行YoloV3模型训练的训练结果。
示例性的,上述YoloV3模型是一种基于深度神经网络的对象识别和定位算法,上述YoloV3模型最大的特点是运行速度很快,可以用于实时***,使得实现对车辆的实时检测。
S105、根据上述训练结果与上述验证集选择最优模型;
示例性的,在训练过程,每经过半个epoch存储一次模型,并在验证集上测试,根据车辆的误检率和漏检率两个指标选择出最优的模型,其中,当一个完整的数据集通过了神经网络一次并且返回了一次,这个过程称为一个完整的epoch,每经过半个epoch存储一次模型,减少了计算资源的占用。
S106、将实时车辆数据导入上述最优模型进行车辆检测。
示例性的,将每一张待预测图像,首先保持长宽比不变,将短边缩放为600个像素,输入到模型中,设定一定的概率阈值,然后得到带预测图像中的车辆检测框以及属于车辆概率。
通过获取历史车辆数据,其中,上述历史车辆数据包括车辆停放数据与车牌数据;根据上述车辆停放数据与上述车牌数据分别生成初始训练集与验证集;对上述初始训练集进行数据扩增生成目标训练集;将上述目标训练集进行模型训练,得到训练结果;根据上述训练结果与上述验证集选择最优模型;将实时车辆数据导入上述最优模型进行车辆检测。通过根据历史车辆数据对模型进行训练,并通过对训练后的模型进行筛选得到最优模型,既保证了车辆检测的速度也提高了车辆检测准确度,可以实现实时监测的充电站车位有无车辆,从而避免了对充电站车位监测具有滞后性的问题。通过对上述初始训练集进行数据扩增生成目标训练集,使得训练后的模型具有更广泛应用场景,减少了外界因素对充电站车位监测结果的影响。
示例性的,上述YoloV3模型,定义了多尺度预测,每种尺度预测3个区域box,节点anchor的设计方式使用聚类,得到9个聚类中心,将聚类中心按照大小均分给3种尺度的区域box,增加了检测的准确性,避免了只采用一种尺度预测的单一性。
第二方面,本申请实施例提供了一种车辆检测装置,包括:
数据采集模块201,用于获取历史车辆数据,其中,上述历史车辆数据包括车辆停放数据与车牌数据;
数据转化模块202,用于根据上述车辆停放数据与上述车牌数据生成初始训练集与验证集;
数据扩增模块203,用于对上述初始训练集进行数据扩增生成目标训练集;
数据训练模块204,用于将上述目标训练集进行模型训练,得到训练结果;
选择模块205,用于根据上述训练结果与上述验证集选择最优模型;
数据导入模块206,用于将实时车辆数据导入上述最优模型。
在一种可能的实施方式中,请参考图3,本申请实施例提供了一种电子设备,包括存储器310、处理器320及存储在存储器320上并可在处理器320上运行的计算机程序311,处理器320执行计算机程序311时,实现如上述的车辆检测方法的步骤。
在一种可能的实施方式中,请参考图4,本申请实施例提供了一种计算机可读存储介质400,其上存储有计算机程序411,该计算机程序411被处理器执行时实现如上述的车辆检测方法的步骤。
在本申请实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
又例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,再例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请实施例提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请实施例各个实施例上述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上上述实施例,仅为本申请实施例的具体实施方式,用以说明本申请实施例的技术方案,而非对其限制,本申请实施例的保护范围并不局限于此,尽管参照前述实施例对本申请实施例进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请实施例的保护范围之内。因此,本申请实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种车辆检测方法,其特征在于,包括:
获取历史车辆数据,其中,所述历史车辆数据包括车辆停放数据与车牌数据;
根据所述车辆停放数据与所述车牌数据分别生成初始训练集与验证集;
对所述初始训练集进行数据扩增生成目标训练集;
将所述目标训练集进行模型训练,得到训练结果;
根据所述训练结果与所述验证集选择最优模型;
将实时车辆数据导入所述最优模型进行车辆检测。
2.根据权利要求1所述的车辆检测方法,其特征在于,所述获取历史车辆数据的步骤,包括:
获取历史车辆图片数据;
将所述历史车辆图片数据进行标注;
根据标注后的历史车辆图片数据获取所述历史车辆数据,其中,所述历史车辆数据为车辆坐标。
3.根据权利要求2所述的车辆检测方法,其特征在于,所述获取历史车辆数据的步骤,包括:
在所述历史车辆图片数据中选取目标车辆;
对所述目标车辆进行标注;
根据标注后的目标车辆获取所述目标车辆的左上角坐标、所述目标车辆的宽度数据和所述目标车辆的高度数据。
4.根据权利要求1所述的车辆检测方法,其特征在于,所述根据所述车辆停放数据与所述车牌数据生成初始训练集与验证集的步骤,包括:
将所述车辆停放数据与所述车牌数据按照9:1的比例生成所述模型的初始训练集与验证集,其中,所述车辆停放数据生成所述模型的初始训练集,所述车牌数据生成所述模型的验证集。
5.根据权利要求1所述的车辆检测方法,其特征在于,所述对所述初始训练集进行数据扩增生成目标训练集的步骤,包括:
将所述初始训练集进行HSL变换;
对进行HSL变换后的初始训练集进行筛选,得到所述目标训练集。
6.根据权利要求1所述的车辆检测方法,其特征在于,在所述将所述目标训练集进行模型训练,得到训练结果的步骤之前,还包括:
将所述目标训练集转换为VOC数据集格式,其中,VOC数据集格式的目标训练集至少包括XML标签、TXT标签和数据类别中的一种数据。
7.根据权利要求6所述的车辆检测方法,其特征在于,所述将所述目标训练集进行模型训练,得到训练结果的步骤,包括:
将所述VOC数据集格式的目标训练集导入YoloV3模型,其中,所述YoloV3模型的基础网络为Darknet-53网络;
得到所述VOC数据集格式的目标训练集进行YoloV3模型训练的训练结果。
8.一种车辆检测装置,其特征在于,包括:
数据采集模块,用于获取历史车辆数据,其中,所述历史车辆数据包括车辆停放数据与车牌数据;
数据转化模块,用于根据所述车辆停放数据与所述车牌数据生成初始训练集与验证集;
数据扩增模块,用于对所述初始训练集进行数据扩增生成目标训练集;
数据训练模块,用于将所述目标训练集进行模型训练,得到训练结果;
选择模块,用于根据所述训练结果与所述验证集选择最优模型;
数据导入模块,用于将实时车辆数据导入所述最优模型。
9.一种电子设备,包括:储存器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任一项所述的车辆检测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,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7中任一项所述的车辆检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110827574.6A CN113591959A (zh) | 2021-07-21 | 2021-07-21 | 一种车辆检测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110827574.6A CN113591959A (zh) | 2021-07-21 | 2021-07-21 | 一种车辆检测方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113591959A true CN113591959A (zh) | 2021-11-02 |
Family
ID=78249058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110827574.6A Pending CN113591959A (zh) | 2021-07-21 | 2021-07-21 | 一种车辆检测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591959A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829469A (zh) * | 2018-11-08 | 2019-05-31 | 电子科技大学 | 一种基于深度学习的车辆检测方法 |
CN110705338A (zh) * | 2018-07-10 | 2020-01-17 | 浙江宇视科技有限公司 | 车辆检测方法、装置及监控设备 |
-
2021
- 2021-07-21 CN CN202110827574.6A patent/CN113591959A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705338A (zh) * | 2018-07-10 | 2020-01-17 | 浙江宇视科技有限公司 | 车辆检测方法、装置及监控设备 |
CN109829469A (zh) * | 2018-11-08 | 2019-05-31 | 电子科技大学 | 一种基于深度学习的车辆检测方法 |
Non-Patent Citations (1)
Title |
---|
王萍萍;仇润鹤;: "基于YOLOv3的车辆多目标检测", 科技与创新, no. 3, pages 68 - 70 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944450B (zh) | 一种车牌识别方法及装置 | |
US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN112329702B (zh) | 一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质 | |
CN116188821A (zh) | 版权检测方法、***、电子设备和存储介质 | |
CN110245673B (zh) | 车位检测方法及装置 | |
US20210406607A1 (en) | Systems and methods for distributed data analytics | |
CN111767878A (zh) | 嵌入式设备中基于深度学习的交通标志检测方法及*** | |
CN114169381A (zh) | 图像标注方法、装置、终端设备及存储介质 | |
CN111582032A (zh) | 行人检测方法、装置、终端设备及存储介质 | |
CN108900895B (zh) | 一种对视频流的目标区域的屏蔽方法及其装置 | |
CN117455762A (zh) | 基于全景行车记录仪的记录画面分辨率提升方法及*** | |
JP2014016710A (ja) | 対象物検出装置及びプログラム | |
CN116486153A (zh) | 图像分类方法、装置、设备及存储介质 | |
CN115019218B (zh) | 图像处理方法和处理器 | |
EP4332910A1 (en) | Behavior detection method, electronic device, and computer readable storage medium | |
CN114267076B (zh) | 一种图像识别方法、装置、设备及存储介质 | |
CN113591959A (zh) | 一种车辆检测方法及相关设备 | |
CN113505860B (zh) | 盲区检测训练集的筛选方法、装置、服务器及存储介质 | |
CN115713750A (zh) | 一种车道线检测方法、装置、电子设备及存储介质 | |
CN112989924B (zh) | 目标检测方法、目标检测装置及终端设备 | |
CN111400534B (zh) | 图像数据的封面确定方法、装置及计算机存储介质 | |
CN111950644A (zh) | 模型的训练样本选择方法、装置及计算机设备 | |
US20200184216A1 (en) | Machine continuous learning method of neural network object classifier and related monitoring camera apparatus | |
CN112800930A (zh) | 非机动车计数方法、装置、设备及存储介质 | |
CN112394809A (zh) | 一种实现增强现实的方法、装置及通信设备 |
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 |