CN114495571A - 基于跨层耦合网络的车位状态检测方法、装置及存储介质 - Google Patents
基于跨层耦合网络的车位状态检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114495571A CN114495571A CN202210402663.0A CN202210402663A CN114495571A CN 114495571 A CN114495571 A CN 114495571A CN 202210402663 A CN202210402663 A CN 202210402663A CN 114495571 A CN114495571 A CN 114495571A
- Authority
- CN
- China
- Prior art keywords
- layer
- cross
- feature map
- convolution
- parking space
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于跨层耦合网络的车位状态检测方法、装置及存储介质,涉及车位检测技术领域,以解决现有技术中的检测技术难以对小尺寸和不同拍摄角度甚至成像畸变下的车位和车辆目标取得良好检测效果的技术问题,该发明包括构建车位状态检测数据集、设计跨层耦合网络、通过车位状态检测数据集训练并测试跨层耦合网络,获得跨层耦合模型、将待检测停车场图像输入跨层耦合模型获得空车位和已停车车位的数量和坐标信息。本发明用于提升跨层耦合网络车位与车辆的检测能力。
Description
技术领域
本发明涉及车位检测技术领域,尤其是涉及基于跨层耦合网络的车位状态检测方法、装置及存储介质。
背景技术
如今,停车资源的匮乏以及由此引发的交通拥堵、违法停车、停车纠纷等一系列问题影响了城市的交通发展和公共秩序维护,因此实现停车场空余车位的位置和数量检测,进而帮助驾驶人进行快速停车,可有效改善停车场的排队和拥堵状况。
目前具有基于深度学习的目标检测技术能够自动进行目标的识别和定位,该项技术具有检测精度高、应用成本低等优势,然而现有基于深度学习的车位检测算法大多采用通用的目标检测网络进行车位检测,针对性不强,难以对小尺寸和不同拍摄角度甚至成像畸变下的车位和车辆目标取得良好的检测效果,因此亟需针对车位检测任务的自身特性,提出一种准确可靠的车位状态检测方法。
发明内容
本发明的目的在于提供一种基于跨层耦合网络的车位状态检测方法,以解决现有技术中的检测技术难以对不同拍摄角度下的车位和车辆目标取得良好的检测效果的技术问题。本发明提供的诸多技术方案中的优选技术方案所能产生的诸多技术效果详见下文阐述。
为实现上述目的,本发明提供了以下技术方案:
本发明提供的一种基于跨层耦合网络的车位状态检测方法,其特征在于:包括以下步骤:
步骤100:构建车位状态检测数据集;
步骤200:设计跨层耦合网络;
步骤300:通过所述车位状态检测数据集训练并测试所述跨层耦合网络,获得跨层耦合模型;
步骤400:将待检测停车场图像输入所述跨层耦合模型,获得空车位和已停车车位的数量和坐标信息。
优选地,在步骤100中,构建车位状态检测数据集的具体步骤为:
步骤101:采集多个停车场的图像,对所述图像进行空余车位标注及已停车辆标注且每一个被标注的图像对应生成一个标注文件;
其中,空余车位标注及已停车辆标注的具体含义为通过软件对图像中空余车位及已停车车位的区域进行圈出并对每个圈出的区域设置标签。
步骤102:基于每个被标注的图像及其对应的标注文件得到车位状态检测数据集并将所述车位状态检测数据集按比例划分为训练集和测试集。
优选地,在步骤200中,设计跨层耦合网络的具体步骤为:
步骤201:选取稠密连接网络作为骨干网络获取车位和车辆的输出特征图;
车位状态检测需要确定从图像中提取车位特征和车辆特征的骨干网络,相比其他骨干网络,DenseNet(稠密连接网络)具有特征利用率高、减缓梯度消失、参数量相对较小等优势。
步骤202:将具有相邻特征图的输出特征图进行特征耦合得到耦合特征图;
在神经网络中,高层特征图比低层特征图包含更多有助于目标分类的语义信息,而低层特征图比高层特征图包含更多有助于准确定位的细节信息,其中高层及底层是相对概念,因此,对低层和高层的特征图进行耦合,能够增强特征图的信息表达能力,对车位线模糊和尺寸较小的车位取得更佳的检测效果。此外,相邻特征层之间特征信息的相关性较强,因此基于相邻层进行特征耦合,不会对原有的特征表示造成干扰和破坏。
步骤203:将耦合特征图依次输入区域建议网络和ROI Align层,获得车位和车辆的候选目标区并将各个所述候选目标区输入Faster RCNN的回归支路和分类支路中,获得所述候选目标区的坐标信息和类别信息。
优选地,将具有相邻特征图的输出特征图进行特征耦合包含以下步骤:
S1:获得输出特征图的相邻低层特征图与相邻高层特征图;
S2:将所述相邻高层特征图输入等尺寸卷积块中得到第一特征图;
S3:将所述第一特征图输入上采样卷积块中得到第二特征图;
S4:将所述输出特征图输入一卷积层中得到第三特征图,使得所述第三特征图的通道数与所述第二特征图的通道数相同,将所述第二特征图与所述第三特征图进行矩阵相乘获得语义特征图;
S5:将所述相邻低层特征图输入等尺寸卷积块中得到第四特征图;
S6:将所述第三特征图输入下采样卷积块中得到第五特征图;
S7:对所述第五特征图与所述语义特征图进行矩阵相乘,从而获得细节特征图;
S8:将所述细节特征图输入非对称卷积网络中并分别用三个并行的卷积层进行卷积运算得到三个中间特征图,对三个所述中间特征图进行加和获得最终的耦合特征图。
优选地,所述等尺寸卷积块包含一个卷积核为1×1、卷积核数量为64的卷积层、一个批量归一化层和Sigmoid激活层,卷积核数量为64是为了将通道数为了统一成64以便进行特征耦合。
优选地,所述上采样卷积块包含一个卷积核为1×1、卷积核数量为64的卷积层、一个2倍的双线性插值上采样操作和Sigmoid激活层。
优选地,所述下采样卷积块包含一个卷积核为1×1、卷积核数量为64的卷积层、一个池化核为2×2的最大池化操作和Sigmoid激活层。
优选地,所述并行的卷积层为卷积核为3×3、1×3和3×1的卷积层。
本发明还提供了一种电子设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的所述程序指令以实现所述的基于跨层耦合网络的车位状态检测方法。
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程序代码,所述程序代码用于实现所述的基于跨层耦合网络的车位状态检测方法。
本发明提供的基于跨层耦合网络的车位状态检测方法、装置及存储介质,通过构建跨层耦合结构,并通过跨层耦合结构对相邻层特征图像进行特征耦合和非对称卷积的操作,使各层特征图在避免初始特征被干扰和破坏的前提下,获得了更丰富的细节和语义信息,同时增强了模型对目标旋转和变形的鲁棒性,从而提升了跨层耦合网络对不同尺寸和拍摄角度甚至成像畸变下车位与车辆的检测能力;
同时该方法能根据可见光摄像头所拍摄的停车场图像,自动检测并输出空余车位的所在位置,以及空余车位和已停车车位的数量,从而帮助工作人员和驾驶人快速了解停车场的整体停车情况以及空余车位的具***置,实现快速停车,有效提升城市车位资源的使用效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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是本发明一种基于跨层耦合网络的车位状态检测方法一实施例的车位状态检测方法的流程示意图;
图2是本发明一种基于跨层耦合网络的车位状态检测方法一实施例的跨层耦合网络的结构示意图;
图3是本发明一种基于跨层耦合网络的车位状态检测方法一实施例的跨层耦合结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
本发明的目的在于提供一种基于跨层耦合网络的车位状态检测方法,其中,车位状态检测方法的流程如图1所示,其具体步骤如下:
步骤1:构建车位状态检测数据集;
步骤2:设计跨层耦合网络;
步骤3:通过车位状态检测数据集训练并测试跨层耦合网络,获得跨层耦合模型;
步骤4:将待检测停车场图像输入跨层耦合模型,获得空车位和已停车车位的数量和坐标信息。
在本实施例中,构建车位状态检测数据集包含:
S1、基于可见光摄像头在不同的停车密集度、光照环境、拍摄高度和拍摄角度环境下对多个停车场的进行俯视图像采集,以确保所采集的图像覆盖实际应用中的各类检测情形;
S2、采用标注软件Labelme对所采集的图像进行图像标注,其中,图像标注的具体含义为通过Labelme软件对图像中空余车位及已停车车位的区域人工进行圈出并对每个圈出的区域设置标签,对于空余车位,在每张停车场图像中标注出每个空余车位的具***置,即在停车场图像中圈出每个空余车位所在的图像区域,并对停车场图像中的每个空余车位或图像区域设置标签为“空车位”;对于被占用的车位,同空余车位标注步骤,针对图像中的已停车辆标注出每个已停车辆的具***置或图像区域,并对圈出的图像区域设置标签为“已停车车位”,通过上述步骤获得每张图像对应的标注文件,其中,标注文件包含了每个车辆或空车位的具***置或图像区域以及其对应的标签;
S3、通过步骤S1及步骤S2得到采集的停车场图像及与其对应的标注文件,所采集的停车场图像及与其对应的标注文件构成车位状态检测数据集,将车位状态检测数据集按7:3的比例随机划分得到训练集和测试集。
由于不同停车场中摄像头的安装位置多样化,为了增强跨层耦合网络对不同尺寸和拍摄角度甚至成像畸变下车位与车辆的检测能力,设计跨层耦合结构并基于稠密连接网络的输出特征图进行跨层耦合结构的构建。
图2为跨层耦合网络的结构示意图,本实施例中以输入一张待检测的维度为2048×2048×3的停车场图像为例,具体展示跨层耦合网络的搭建步骤及运行:
车位状态检测需要确定从图像中提取车位特征和车辆特征的骨干网络,相比其他骨干网络,DenseNet(稠密连接网络)具有特征利用率高、减缓梯度消失、参数量相对较小等优势。
更为具体的,DenseNet系列中的DenseNet-121所采用的卷积运算最少,计算速度会更快,因此本实施例中采用DenseNet-121作为提取车位和车辆特征的骨干网络。骨干网络DenseNet也可以用其他骨干网络替换。
DenseNet-121由五个卷积结构构成,在本实施例中,将各卷积块的输出特征图分别表示为D_1、D_2、D_3、D_4、D_5,经过DenseNet-121图像处理后则五个特征图维度依次为512×512×32、256×256×32、128×128×32、64×64×32、32×32×32。
在神经网络中,高层特征图比低层特征图包含更多有助于目标分类的语义信息,而低层特征图比高层特征图包含更多有助于准确定位的细节信息,其中高层及底层是相对概念,以图2中五个特征图为例,D_3的相邻高层特征图为D_4,则D_4的相邻低层特征图为D_3。
因此,对低层和高层的特征图进行耦合,能够增强特征图的信息表达能力,对车位线模糊和尺寸较小的车位取得更佳的检测效果。此外,相邻特征层之间特征信息的相关性较强,因此基于相邻层进行特征耦合,不会对原有的特征表示造成干扰和破坏。
图3为跨层耦合结构示意图,本实施例中以骨干网络的输出特征图D_3为例,展示跨层耦合结构的设计过程:
首先,将D_3的相邻高层特征图D_4(维度为64×64×32)输入等尺寸卷积块中输出维度为64×64×64的特征图,此时特征图通道从32转换为64。
其中,上述等尺寸卷积块包含一个卷积核为1×1、卷积核数量为64的卷积层、一个批量归一化层和Sigmoid激活层,卷积核数量固定为64是为了将通道数为了统一成64以便进行特征耦合,特征图通过等尺寸卷积块可以提取更丰富的通道特征。
再将上述特征图输入上采样卷积块中输出维度为128×128×64的特征图,此时特征图的空间维度变为原来的2倍,也就是尺寸64×64变为128×128。
其中,上采样卷积块包含一个卷积核为1×1、卷积核数量为64的卷积层一个2倍的双线性插值上采样操作和Sigmoid激活层。
接下来,为了进行后续的耦合操作,将特征图D_3输入卷积核为1×1、卷积核数量为64的卷积层中得到通道数为64的特征图。
随后,将D_4和D_3经处理后所得到的相同维度特征图进行矩阵相乘,从而获得语义特征图S_3,矩阵相乘比矩阵相加能保留更多的特征信息,因此采用矩阵相乘进行特征耦合。
随后,将D_3的相邻低层特征图D_2(维度为256×256×32)输入等尺寸卷积块中输出维度为256×256×64的特征图,此时特征图通道从32转换为64,以提取更丰富的通道特征。
其中,等尺寸卷积块包含一个卷积核为1×1、卷积核数量为64的卷积层、一个批量归一化层和Sigmoid激活层。
再将上述特征图输入下采样卷积块中得到维度为128×128×64的特征图,此时特征图的空间维度变为原来的二分之一。
其中,下采样卷积块包含一个卷积核为1×1、卷积核数量为64的卷积层、一个池化核为2×2的最大池化操作和Sigmoid激活层。
接着,将D_2所输出的特征图与语义特征图S_3进行矩阵相乘,从而获得细节特征图N_3。
将维度为128×128×64的N_3输入非对称卷积网络(Asymmetric convolutionalnetwork, ACNet)中,分别用三个并行的卷积核为3×3、1×3和3×1的卷积层进行卷积运算,并对三个特征图进行加和,获得最终的耦合特征图A_3,维度为128×128×64。
为了增强跨层耦合网络对不同拍摄角度甚至成像畸变下车位和车辆的检测准确性,采用了非对称卷积网络及三个并行的卷积核为3×3、1×3和3×1的卷积层进行卷积运算。
上述构建的跨层耦合结构通过相邻层特征图像的特征耦合和非对称卷积操作,使各层特征图在避免初始特征被干扰和破坏的前提下,获得了更丰富的细节和语义信息,同时增强了模型对目标旋转和变形的鲁棒性,从而提升了跨层耦合网络对不同尺寸和拍摄角度甚至成像畸变下车位与车辆的检测能力。
采用上述方式,对D_2、D_3和D_4进行跨层耦合结构的构建,从而获得耦合特征图A_2、A_3和A_4,如图2所示。
最后,将耦合特征图A_2、A_3和A_4依次输入区域建议网络(Region ProposalNetwork,RPN)和ROI Align层,获得车位和车辆的候选目标区,并将各个候选目标区输入Faster RCNN的两个检测支路,即回归支路和分类支路中,从而获得候选目标区的坐标信息和类别信息,所述类别信息即空车位或已停车车位的标签信息。
基于以上过程完成跨层耦合网络的整体设计。
完成设计后训练跨层耦合网络,获得跨层耦合模型。
采用车位状态检测数据集中的训练集进行跨层耦合网络训练,基于Faster RCNN的损失函数和Adam优化器进行网络参数更新,直到其在测试集上取得符合预设要求的检测速度和精度,得到最终的跨层耦合模型。
将待检测停车场图像输入跨层耦合模型,获得空车位和已停车车位坐标信息,并根据获得的空车位和已停车车位坐标的数量分别得到空车位和已停车车位的数量。
若空车位的数量M大于0,则输出空余车位的数量M和具***置信息,以及已停车车位的总数量N;否则,输出“车位已满,暂时无法停车”的信息。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于跨层耦合网络的车位状态检测方法,其特征在于:包括以下步骤:
步骤100:构建车位状态检测数据集;
步骤200:构建跨层耦合网络;
步骤300:通过所述车位状态检测数据集训练并测试所述跨层耦合网络,获得跨层耦合模型;
步骤400:将待检测停车场图像输入所述跨层耦合模型,获得空车位和已停车车位的数量和坐标信息。
2.根据权利要求1所述的基于跨层耦合网络的车位状态检测方法,其特征在于:在步骤100中,构建车位状态检测数据集的具体步骤为:
步骤101:采集多个停车场的图像,对所述图像进行空余车位标注及已停车辆标注且每一个被标注的图像对应生成一个标注文件;
步骤102:基于每个被标注的图像及其对应的标注文件得到车位状态检测数据集并将所述车位状态检测数据集按比例划分为训练集和测试集。
3.根据权利要求1所述的基于跨层耦合网络的车位状态检测方法,其特征在于:在步骤200中,构建跨层耦合网络的具体步骤为:
步骤201:选取稠密连接网络作为骨干网络获取车位和车辆的输出特征图;
步骤202:将具有相邻特征图的输出特征图进行特征耦合得到耦合特征图;
步骤203:将耦合特征图依次输入区域建议网络和ROI Align层,获得车位和车辆的候选目标区并将各个所述候选目标区输入Faster RCNN的回归支路和分类支路中,获得所述候选目标区的坐标信息和类别信息。
4.根据权利要求3所述的基于跨层耦合网络的车位状态检测方法,其特征在于:将具有相邻特征图的输出特征图进行特征耦合包含以下步骤:
S1:获得输出特征图的相邻低层特征图与相邻高层特征图;
S2:将所述相邻高层特征图输入等尺寸卷积块中得到第一特征图;
S3:将所述第一特征图输入上采样卷积块中得到第二特征图;
S4:将所述输出特征图输入一卷积层中得到第三特征图,使得所述第三特征图的通道数与所述第二特征图的通道数相同,将所述第二特征图与所述第三特征图进行矩阵相乘获得语义特征图;
S5:将所述相邻低层特征图输入等尺寸卷积块中得到第四特征图;
S6:将所述第三特征图输入下采样卷积块中得到第五特征图;
S7:对所述第五特征图与所述语义特征图进行矩阵相乘,从而获得细节特征图;
S8:将所述细节特征图输入非对称卷积网络中并分别用三个并行的卷积层进行卷积运算得到三个中间特征图,对三个所述中间特征图进行加和获得最终的耦合特征图。
5.根据权利要求4所述的基于跨层耦合网络的车位状态检测方法,其特征在于:所述等尺寸卷积块包含一个卷积核为1×1、卷积核数量为64的卷积层、一个批量归一化层和Sigmoid激活层。
6.根据权利要求4所述的基于跨层耦合网络的车位状态检测方法,其特征在于:所述上采样卷积块包含一个卷积核为1×1、卷积核数量为64的卷积层、一个2倍的双线性插值上采样操作和Sigmoid激活层。
7.根据权利要求4所述的基于跨层耦合网络的车位状态检测方法,其特征在于:所述下采样卷积块包含一个卷积核为1×1、卷积核数量为64的卷积层、一个池化核为2×2的最大池化操作和Sigmoid激活层。
8.根据权利要求4所述的基于跨层耦合网络的车位状态检测方法,其特征在于:所述并行的卷积层为卷积核为3×3、1×3和3×1的卷积层。
9.一种电子设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的所述程序指令以实现如权利要求1至8中任一项所述的基于跨层耦合网络的车位状态检测方法。
10.一种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存储有程序代码,所述程序代码用于实现如权利要求1至8中任一项所述的基于跨层耦合网络的车位状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210402663.0A CN114495571B (zh) | 2022-04-18 | 2022-04-18 | 基于跨层耦合网络的车位状态检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210402663.0A CN114495571B (zh) | 2022-04-18 | 2022-04-18 | 基于跨层耦合网络的车位状态检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114495571A true CN114495571A (zh) | 2022-05-13 |
CN114495571B CN114495571B (zh) | 2022-07-26 |
Family
ID=81489407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210402663.0A Active CN114495571B (zh) | 2022-04-18 | 2022-04-18 | 基于跨层耦合网络的车位状态检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114495571B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461211A (zh) * | 2020-03-31 | 2020-07-28 | 中国科学院计算技术研究所 | 一种用于轻量级目标检测的特征提取方法及相应检测方法 |
CN111563508A (zh) * | 2020-04-20 | 2020-08-21 | 华南理工大学 | 一种基于空间信息融合的语义分割方法 |
KR20200119369A (ko) * | 2019-03-22 | 2020-10-20 | 홍익대학교 산학협력단 | 객체 검출 장치 및 방법 |
CN111797782A (zh) * | 2020-07-08 | 2020-10-20 | 上海应用技术大学 | 基于图像特征的车辆检测方法和*** |
CN112016532A (zh) * | 2020-10-22 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 一种车辆检测方法和装置 |
CN112364855A (zh) * | 2021-01-14 | 2021-02-12 | 北京电信易通信息技术股份有限公司 | 一种基于多尺度特征融合的视频目标检测方法及*** |
CN112836633A (zh) * | 2021-02-02 | 2021-05-25 | 蔚来汽车科技(安徽)有限公司 | 停车位检测方法以及停车位检测*** |
CN113033363A (zh) * | 2021-03-15 | 2021-06-25 | 西南交通大学 | 一种基于深度学习的车辆稠密目标检测方法 |
CN113313094A (zh) * | 2021-07-30 | 2021-08-27 | 北京电信易通信息技术股份有限公司 | 一种基于卷积神经网络的车载图像目标检测方法和*** |
CN113723356A (zh) * | 2021-09-15 | 2021-11-30 | 北京航空航天大学 | 异质特征关系互补的车辆重识别方法和装置 |
-
2022
- 2022-04-18 CN CN202210402663.0A patent/CN114495571B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200119369A (ko) * | 2019-03-22 | 2020-10-20 | 홍익대학교 산학협력단 | 객체 검출 장치 및 방법 |
CN111461211A (zh) * | 2020-03-31 | 2020-07-28 | 中国科学院计算技术研究所 | 一种用于轻量级目标检测的特征提取方法及相应检测方法 |
CN111563508A (zh) * | 2020-04-20 | 2020-08-21 | 华南理工大学 | 一种基于空间信息融合的语义分割方法 |
CN111797782A (zh) * | 2020-07-08 | 2020-10-20 | 上海应用技术大学 | 基于图像特征的车辆检测方法和*** |
CN112016532A (zh) * | 2020-10-22 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 一种车辆检测方法和装置 |
CN112364855A (zh) * | 2021-01-14 | 2021-02-12 | 北京电信易通信息技术股份有限公司 | 一种基于多尺度特征融合的视频目标检测方法及*** |
CN112836633A (zh) * | 2021-02-02 | 2021-05-25 | 蔚来汽车科技(安徽)有限公司 | 停车位检测方法以及停车位检测*** |
CN113033363A (zh) * | 2021-03-15 | 2021-06-25 | 西南交通大学 | 一种基于深度学习的车辆稠密目标检测方法 |
CN113313094A (zh) * | 2021-07-30 | 2021-08-27 | 北京电信易通信息技术股份有限公司 | 一种基于卷积神经网络的车载图像目标检测方法和*** |
CN113723356A (zh) * | 2021-09-15 | 2021-11-30 | 北京航空航天大学 | 异质特征关系互补的车辆重识别方法和装置 |
Non-Patent Citations (1)
Title |
---|
姜峰: "基于双路网络特征融合的实时语义分割", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114495571B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN108986465B (zh) | 一种车流量检测的方法、***及终端设备 | |
CN113468967B (zh) | 基于注意力机制的车道线检测方法、装置、设备及介质 | |
CN113537105B (zh) | 一种车位检测方法及装置 | |
CN109714526B (zh) | 智能摄像头及控制*** | |
CN111753682B (zh) | 一种基于目标检测算法的吊装区域动态监控方法 | |
CN112329881B (zh) | 车牌识别模型训练方法、车牌识别方法及装置 | |
CN115035295B (zh) | 一种基于共享卷积核和边界损失函数的遥感图像语义分割方法 | |
CN110334719B (zh) | 一种提取遥感影像中建筑物图像的方法及*** | |
CN111932933B (zh) | 一种城市智能停车位检测方法、设备及可读存储介质 | |
CN114049356A (zh) | 一种结构表观裂缝检测方法、装置及*** | |
CN111931729B (zh) | 基于人工智能的行人检测方法、装置、设备及介质 | |
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 | |
CN111860411A (zh) | 一种基于注意力残差学习的道路场景语义分割方法 | |
CN115482518A (zh) | 一种面向交通场景的可扩展多任务视觉感知方法 | |
CN116168240A (zh) | 基于注意力增强的任意方向密集舰船目标检测方法 | |
CN113361528B (zh) | 一种多尺度目标检测方法及*** | |
CN110119736B (zh) | 车牌位置识别方法、装置及电子设备 | |
CN116229406B (zh) | 车道线检测方法、***、电子设备及存储介质 | |
CN114495571B (zh) | 基于跨层耦合网络的车位状态检测方法、装置及存储介质 | |
CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及*** | |
CN113378642A (zh) | 一种对农村违法占地建筑物进行检测的方法 | |
CN115497075A (zh) | 基于改进型卷积神经网络交通目标检测方法及相关装置 | |
CN111507902A (zh) | 一种高分辨率图像获取方法及装置 | |
CN113011415A (zh) | 基于Grid R-CNN模型改进的目标检测方法及*** |
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 |