CN114550023A - 一种交通目标静态信息提取装置 - Google Patents

一种交通目标静态信息提取装置 Download PDF

Info

Publication number
CN114550023A
CN114550023A CN202111675958.7A CN202111675958A CN114550023A CN 114550023 A CN114550023 A CN 114550023A CN 202111675958 A CN202111675958 A CN 202111675958A CN 114550023 A CN114550023 A CN 114550023A
Authority
CN
China
Prior art keywords
traffic
target
static information
dimensional
network
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
Application number
CN202111675958.7A
Other languages
English (en)
Inventor
闵泉
郭志杰
王恩师
肖嵩松
杨涛
邓文慧
刘卓
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.)
Wuhan Cccc Traffic Engineering Co ltd
Original Assignee
Wuhan Cccc Traffic Engineering 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 Wuhan Cccc Traffic Engineering Co ltd filed Critical Wuhan Cccc Traffic Engineering Co ltd
Priority to CN202111675958.7A priority Critical patent/CN114550023A/zh
Publication of CN114550023A publication Critical patent/CN114550023A/zh
Pending legal-status Critical Current

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
    • G06F18/24—Classification techniques
    • 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
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种交通目标静态信息提取装置，包括：图像采集模块，用于采集交通场景内的交通目标的视频图像；静态信息提取模块，用于将所述视频图像的关键帧输入至已经训练好的检测网络中，得到交通目标的多个静态信息；其中，所述检测网络包括：特征提取单元，用于对所述关键帧进行特征提取，得到若干ROI区域；组合单元，用于将所述若干ROI区域进行组合，得到组合特征；多分支预测单元，用于将对所述组合特征进行分析处理得到所述交通目标的多个静态信息；存储模块，用于存储所述静态信息。本发明能够获取丰富的交通目标静态信息，完成从车辆属性的各个层次描述交通目标的任务。

Description

一种交通目标静态信息提取装置
技术领域
本发明涉及交通目标信息提取技术领域，特别是涉及一种交通目标静态信息提取装置。
背景技术
车辆静态属性描述的关键是实现目标的检测，并通过目标检测结果从二维图像中获取目标的位置和类别信息，以为特征模型的建立提供数据基础。现有目标检测方法主要可分为两大类：传统方法和深度学习方法。传统方法主要依赖人工设计的特征，算法简单且计算量小，但在面对相机抖动、目标遮挡、光照变化及天气变化等因素影响时，普遍存在特征提取不全面、误检率高、鲁棒性差等缺点。利用深度学习技术，目标检测算法有了重大突破。深度学习方法按算法流程可分为two-stage和one-stage两类框架。其中，前者的代表性算法为Faster R-CNN，该算法提出RPN网络代替原先的滑动窗口机制，并结合anchor进行目标区域粗定位，然后经过边界框回归分类网络对目标位置进行精修，大大提高了算法性能。后者的代表性算法为SSD，该算法将回归思想和Faster R-CNN的anchor结合，利用原图像卷积后各个位置的多尺度feature map进行回归与分类，保持检测速度的同时，提升了目标区域定位精度，对于小目标也有较好的适应性。为了避免预先设置anchor，CenterNet将边界框的检测看作关键点检测，使用中心点、左上角点和右下角点作为关键点，充分利用目标内部特征，提高了算法精度。目前的深度学习目标检测算法几乎都基于这两类框架建立而来。
对于多任务识别问题，由于需完成的任务包括：车牌提取与识别、关键帧抓取、目标检测与跟踪等任务。现有的方法多采用深度学习网络，但该类网络只能解决几个任务，无法将多个任务通过一个网络解决，因此，如何设计出一个多任务深度网络，将车牌提取与识别、关键帧抓取、目标检测跟踪任务直接解决，是亟需解决的问题。
发明内容
本发明所要解决的技术问题是提供一种交通目标静态信息提取装置，能够获取丰富的交通目标静态信息，完成从车辆属性的各个层次描述交通目标的任务。
本发明解决其技术问题所采用的技术方案是：提供一种交通目标静态信息提取装置，包括：
图像采集模块，用于采集交通场景内的交通目标的视频图像；
静态信息提取模块，用于将所述视频图像的关键帧输入至已经训练好的检测网络中，得到交通目标的多个静态信息；其中，所述检测网络包括：特征提取单元，用于对所述关键帧进行特征提取，得到若干ROI区域；组合单元，用于将所述若干ROI区域进行组合，得到组合特征；多分支预测单元，用于将对所述组合特征进行分析处理得到所述交通目标的多个静态信息；
存储模块，用于存储所述静态信息。
所述检测网络在训练时使用的交通场景目标特征集包括实际场景目标特征集与模拟场景目标特征集，所述实际场景目标特征集是收集实际监控视频得到的交通场景视频，所述模拟场景目标特征集是通过在虚拟交通场景中放置虚拟相机，利用所述虚拟相机录制生成虚拟的交通场景视频。
所述的交通目标静态信息提取装置还包括关键帧提取模块，所述关键帧提取模块用于从所述视频图像中提取出有价值的视频帧作为关键帧。
所述关键帧提取模块包括依次相连的卷积网络层、全连接层和分类层，所述卷积网络层的输入为需要筛选的视频帧及所述视频帧的前一帧图像，输出为一个一维特征向量；所述全连接层用于对所述一维特征向量进行组合；所述分类层用于对组合后的一维特征向量进行分析，完成对所述需要筛选的视频帧的分类。
所述特征提取单元将输入的关键帧进行卷积处理生成一组卷积特征图，再通过使用区域提议网络基于所述卷积特征图获得一组提议，根据所述提议的大小得到若干ROI区域；其中，所述区域提议网络利用反卷积与双线性核进行池化。
所述多分支预测单元包括全连接层，所述全连接层后设有三维预测分支和多层次预测分支，所述三维预测分支用于检测车辆的关键点，同时加入金字塔机制以适应多尺度的车辆目标；所述多层次预测分支用于检测目标车牌、车色和车辆轴数以获得不同的车辆静态特征。
所述检测网络的损失函数为：
Figure BDA0003451961890000031
其中，losstotal为总体的损失函数，L1,L2,L3,L4为四个损失部分，P为标准的softmax损失，C为该批中的提议，提议为正例时C＝1，R为平滑L1损失，λcls,λreg为类别和回归的正则化常量，d*,d分别为所述检测网络预测得到的二维目标矩形框回归向量及二维目标框真实的回归向量；λ3d为三维预测分支的正则化常量，v*,v分别为所述检测网络预测得到的三维回归向量以及真实三维回归向量；λsim为模板相似程度的正则化参数，t*,t分别为所述检测网络预测得到的模板向量和真实的模板向量；λpart为部件检测的正则化参数，s*,s分别为所述检测网络预测得到的目标部件向量和真实的目标部件向量位置。
所述存储模块在存储所述静态信息前还对所述静态信息进行编码。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过设计出的一个一体化多任务深度检测网络，该检测网络能够获取丰富的交通目标静态信息，完成从车辆属性的各个层次描述交通目标的任务。为了提高整个网络的计算速度，本发明还预先通过关键帧筛选网络对视频帧是否为关键帧进行判断。本发明还对提取出的目标信息进行编码，使得提取出的目标信息能够在多种环境中使用，使得实现方式更为灵活。
附图说明
图1是本发明实施方式的结构示意图；
图2是本发明实施方式中关键帧提取模块的结构示意图；
图3是本发明实施方式中检测网络的结构示意图；
图4是本发明实施方式中存储模块编码示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种交通目标静态信息提取装置，如图1所示，包括：图像采集模块，用于采集交通场景内的交通目标的视频图像；静态信息提取模块，用于将所述视频图像的关键帧输入至已经训练好的检测网络中，得到交通目标的多个静态信息；存储模块，用于存储所述静态信息。
本实施方式中交通目标静态信息提取装置还包括关键帧提取模块，所述关键帧提取模块用于从所述视频图像中提取出有价值的视频帧作为关键帧。如图2所示，所述关键帧提取模块包括依次相连的卷积网络层、全连接层和分类层，所述卷积网络层的输入为需要筛选的视频帧及所述视频帧的前一帧图像，输出为一个一维特征向量；所述全连接层用于对所述一维特征向量进行组合；所述分类层用于对组合后的一维特征向量进行分析，完成对所述需要筛选的视频帧的分类。
在交通视频序列中，常常存在大量的冗余视频帧，若对每一个视频帧都进行分析，则会严重影响计算速度。因此，对于原始视频序列，首先送入关键帧筛选网络(即关键帧提取模块)，提取出原始视频序列中有价值的视频帧，进行后续的分析，从而提升处理效率，。首先，需要构建大规模的视频帧筛选图像库，该图像库通过人工标注涵盖两类图像：无用帧(标签0)和关键帧(标签1)，无用帧即场景中交通目标较少或没有交通目标的帧、路面区域在场景中占比较低的帧，关键帧即图像中有大量交通目标、路面区域在图像中占比较高的帧。其次，关键帧筛选网络的设计如下所述，将需要筛选的帧图像及其前一帧图像(作为对比参考)送入卷积网络，得到一个一维向量，其中包括了两幅图像的特征，再使用全连接层将图像特征组合，并利用softmax完成对该图像帧的分类。最终输出分类结果，即该图像是关键帧或不是关键帧。
本实施方式中的检测网络包括：特征提取单元，用于对所述关键帧进行特征提取，得到若干ROI区域；组合单元，用于将所述若干ROI区域进行组合，得到组合特征；多分支预测单元，用于将对所述组合特征进行分析处理得到所述交通目标的多个静态信息。
其中，所述特征提取单元将输入的关键帧进行卷积处理生成一组卷积特征图，再通过使用区域提议网络基于所述卷积特征图获得一组提议，根据所述提议的大小得到若干ROI区域；其中，所述区域提议网络利用反卷积与双线性核进行池化。
所述多分支预测单元包括全连接层，所述全连接层后设有三维预测分支和多层次预测分支，所述三维预测分支用于检测车辆的关键点，同时加入金字塔机制以适应多尺度的车辆目标；所述多层次预测分支用于检测目标车牌、车色和车辆轴数以获得不同的车辆静态特征。
对于交通目标而言，需要感知其在交通场景中的二维、三维等静态属性信息，从而在多相机联动的大范围交通场景下，提供丰富完备的目标描述。交通目标的二维、三维静态信息包括：目标位置、目标类别、目标尺寸、车辆轴数、车牌、车色等一系列信息。根据关键帧筛选网络得到关键帧，将该关键帧输入至检测网络，通过网络运算，输出以上目标静态信息，该检测网络的设计方案如图3所示。首先，输入交通场景视频帧，经过卷积层，生成一组卷积特征图，通过使用区域提议网络(RPN)基于这些特征图获得一组提议。RPN预测有可能包含对象的边界框。利用反卷积与双线性核进行池化，以扩大小的提议区特征，从而避免用重复的值表示较小的交通目标造成的小目标检测不敏感的问题。该池化操作应用于卷积神经网络的多个层级中，并且这些不同卷积层的池化要素串联在一起，以融合低层详细信息和高层语义信息。之后，根据提议区的大小将网络划分为多个分支，从而减轻了不同规模和尺度的交通目标的训练负担，从而提高大型物体和小型物体的检测精度。基于上述，将ROI区域的特征组合后，对于不同尺度大小的目标，采用不同的分支预测，本检测网络分为三个预测分支，分别对应小型目标、中等大小的目标和大型目标。在三个预测分支中加入全连接层，紧接着在多层次预测分支中加入三维预测分支，负责检测车辆的关键点(即顶点的位置)，同时加入金字塔机制以适应多尺度的车辆目标；同时加入检测目标车牌、车色、车辆轴数的多层次预测分支，用以获得不同的车辆静态特征。最后，将来自多个分支的所有预测结果融合到最终检测结果中。本实施方式中该检测网络的损失函数如下：
Figure BDA0003451961890000051
其中，总体的损失函数losstotal由四个部分组成，分别为L1,L2,L3和L4。P为标准的softmax损失，C为该批中的提议，提议为正例时C＝1，R为平滑L1损失。在L1中，λcls,λreg为类别和回归的正则化常量，d*,d分别为一体化网络预测得到的二维目标矩形框回归向量及二维目标框真实的回归向量；在L2中，λ3d为三维检测分支的正则化常量，v*,v分别为一体化网络预测得到的三维回归向量以及真实三维回归向量；在L3中，λsim为模板相似程度的正则化参数，t*,t分别为一体化网络预测得到的模板向量和真实的模板向量；在L4中，λpart为部件检测的正则化参数，s*,s分别为一体化网络预测得到的目标部件向量和真实的目标部件向量位置。通过损失函数的传播计算，从而获得每一个交通场景内目标的位置、类别、尺寸、车辆轴数、车牌、车色等静态属性，完成交通目标二维、三维检测一体化多层次描述网络设计。该网络能够获取丰富的交通目标静态信息，完成从车辆属性的各个层次描述交通目标的任务。
值得一提的是，为了描述目标的静态特征，需要采集大量的目标样本。对于多相机联动的大范围交通场景而言，交通目标在数目和种类上都较为丰富。虽然目前公开的大规模的目标数据集，如COCO、PascalVoc数据集，BIT车辆数据集，其包括了众多常见物品特征，但对于交通场景而言，是不能够满足需要的。由于本实施方式需考虑大范围的交通场景，相机拍摄范围较广，道路上目标在驶向相机、驶离相机时会产生剧烈形变，同时为了满***通场景的多样性并考虑在复杂交通环境下的交通目标情况，因此在对检测网络训练时，需要构建多个面向于交通场景的数据集。本实施方式构建的交通场景目标特征集分为两部分：实际场景目标特征集与模拟场景目标特征集。在实际交通场景目标特征集中，收集国内外实际路桥隧监控摄像机的高清分辨率图像万余张，涵盖了多种尺度变化、形状变化的交通目标特征，并考虑了阴天、雨天等恶劣的天气条件造成的光线不足的问题。在模拟交通场景目标特征集中，使用无人驾驶与自动驾驶平台CARLA仿真的真实场景，通过在虚拟交通场景中放置虚拟相机，利用虚拟相机录制生成虚拟的交通场景视频。通过视频，可获取众多场景描述信息：相机的位置角度、相机的内外参矩阵、场景内的天气、场景内车辆的拥挤程度等；还可获取众多交通目标描述信息：交通目标的位置、速度、种类、数目等。本实施方式收集在模拟交通场景目标特征集中的300余个交通场景，4000余个交通视频包括2000万余个视频帧。上述实际场景与模拟场景目标特征集，优势互补，既考虑了交通目标运行时的真实状态，也丰富了交通场景的多样性，为检测网络提供完备的目标和场景特征信息。
本实施方式中的存储模块在存储所述静态信息前还对所述静态信息进行编码。具体地说，基于构建的检测网络，由于已经获得了交通目标的目标位置、目标类别、目标尺寸、车辆轴数、车牌、车色等静态信息，基于这些静态信息，构建属于该目标的特征模型。将获取的目标静态属性统一信息编码格式，并存储为二进制格式。具体的编码格式如图4所示。在图4中可以看出，当前需要建模的交通目标为一辆红色的车辆，其图像位置、类别、尺寸、车轴数、车牌、颜色都已使用交通目标二维、三维检测一体化多层次描述网络得到，将这些信息使用编码器转换后并存储，即完成了对该交通目标特征模型的建模，在需要该目标的具体交通信息时，可通过解码器恢复目标的具体信息。该交通目标特征模型可以唯一地描述该目标的静态属性，从而交通目标特征模型可以用于对多相机联动交通场景下目标的唯一性判断，同时，交通目标特征模型记录的目标信息可通过编解码在多种环境中使用。
不难发现，本发明通过设计出的一个一体化多任务深度检测网络，该检测网络能够获取丰富的交通目标静态信息，完成从车辆属性的各个层次描述交通目标的任务。为了提高整个网络的计算速度，本发明还预先通过关键帧筛选网络对视频帧是否为关键帧进行判断。本发明还对提取出的目标信息进行编码，使得提取出的目标信息能够在多种环境中使用，使得实现方式更为灵活。

Claims (8)

1.一种交通目标静态信息提取装置，其特征在于，包括：
图像采集模块，用于采集交通场景内的交通目标的视频图像；
静态信息提取模块，用于将所述视频图像的关键帧输入至已经训练好的检测网络中，得到交通目标的多个静态信息；其中，所述检测网络包括：特征提取单元，用于对所述关键帧进行特征提取，得到若干ROI区域；组合单元，用于将所述若干ROI区域进行组合，得到组合特征；多分支预测单元，用于将对所述组合特征进行分析处理得到所述交通目标的多个静态信息；
存储模块，用于存储所述静态信息。
2.根据权利要求1所述的交通目标静态信息提取装置，其特征在于，所述检测网络在训练时使用的交通场景目标特征集包括实际场景目标特征集与模拟场景目标特征集，所述实际场景目标特征集是收集实际监控视频得到的交通场景视频，所述模拟场景目标特征集是通过在虚拟交通场景中放置虚拟相机，利用所述虚拟相机录制生成虚拟的交通场景视频。
3.根据权利要求1所述的交通目标静态信息提取装置，其特征在于，还包括关键帧提取模块，所述关键帧提取模块用于从所述视频图像中提取出有价值的视频帧作为关键帧。
4.根据权利要求3所述的交通目标静态信息提取装置，其特征在于，所述关键帧提取模块包括依次相连的卷积网络层、全连接层和分类层，所述卷积网络层的输入为需要筛选的视频帧及所述视频帧的前一帧图像，输出为一个一维特征向量；所述全连接层用于对所述一维特征向量进行组合；所述分类层用于对组合后的一维特征向量进行分析，完成对所述需要筛选的视频帧的分类。
5.根据权利要求1所述的交通目标静态信息提取装置，其特征在于，所述特征提取单元将输入的关键帧进行卷积处理生成一组卷积特征图，再通过使用区域提议网络基于所述卷积特征图获得一组提议，根据所述提议的大小得到若干ROI区域；其中，所述区域提议网络利用反卷积与双线性核进行池化。
6.根据权利要求1所述的交通目标静态信息提取装置，其特征在于，所述多分支预测单元包括全连接层，所述全连接层后设有三维预测分支和多层次预测分支，所述三维预测分支用于检测车辆的关键点，同时加入金字塔机制以适应多尺度的车辆目标；所述多层次预测分支用于检测目标车牌、车色和车辆轴数以获得不同的车辆静态特征。
7.根据权利要求1所述的交通目标静态信息提取装置，其特征在于，所述检测网络的损失函数为：
Figure FDA0003451961880000021
其中，losstotal为总体的损失函数，L1,L2,L3,L4为四个损失部分，P为标准的softmax损失，C为该批中的提议，提议为正例时C＝1，R为平滑L1损失，λcls,λreg为类别和回归的正则化常量，d*,d分别为所述检测网络预测得到的二维目标矩形框回归向量及二维目标框真实的回归向量；λ3d为三维预测分支的正则化常量，v*,v分别为所述检测网络预测得到的三维回归向量以及真实三维回归向量；λsim为模板相似程度的正则化参数，t*,t分别为所述检测网络预测得到的模板向量和真实的模板向量；λpart为部件检测的正则化参数，s*,s分别为所述检测网络预测得到的目标部件向量和真实的目标部件向量位置。
8.根据权利要求1所述的交通目标静态信息提取装置，其特征在于，所述存储模块在存储所述静态信息前还对所述静态信息进行编码。
CN202111675958.7A 2021-12-31 2021-12-31 一种交通目标静态信息提取装置 Pending CN114550023A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111675958.7A CN114550023A (zh) 2021-12-31 2021-12-31 一种交通目标静态信息提取装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111675958.7A CN114550023A (zh) 2021-12-31 2021-12-31 一种交通目标静态信息提取装置

Publications (1)

Publication Number Publication Date
CN114550023A true CN114550023A (zh) 2022-05-27

Family

ID=81669387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111675958.7A Pending CN114550023A (zh) 2021-12-31 2021-12-31 一种交通目标静态信息提取装置

Country Status (1)

Country Link
CN (1) CN114550023A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116524474A (zh) * 2023-07-04 2023-08-01 武汉大学 一种基于人工智能的车辆目标检测方法及***
CN117670938A (zh) * 2024-01-30 2024-03-08 江西方兴科技股份有限公司 一种基于治超机器人的多目标时空跟踪方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116524474A (zh) * 2023-07-04 2023-08-01 武汉大学 一种基于人工智能的车辆目标检测方法及***
CN116524474B (zh) * 2023-07-04 2023-09-15 武汉大学 一种基于人工智能的车辆目标检测方法及***
CN117670938A (zh) * 2024-01-30 2024-03-08 江西方兴科技股份有限公司 一种基于治超机器人的多目标时空跟踪方法
CN117670938B (zh) * 2024-01-30 2024-05-10 江西方兴科技股份有限公司 一种基于治超机器人的多目标时空跟踪方法

Similar Documents

Publication Publication Date Title
CN108694386B (zh) 一种基于并联卷积神经网络的车道线检测方法
CN110929593B (zh) 一种基于细节辨别区别的实时显著性行人检测方法
CN110781262B (zh) 基于视觉slam的语义地图的构建方法
CN114550023A (zh) 一种交通目标静态信息提取装置
CN114049572A (zh) 识别小目标的检测方法
WO2023030182A1 (zh) 图像生成方法及装置
CN112766136A (zh) 一种基于深度学习的空间车位检测方法
CN115861619A (zh) 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与***
CN117079163A (zh) 一种基于改进yolox-s的航拍图像小目标检测方法
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
CN113160283A (zh) 一种基于sift的多摄像头场景下的目标跟踪方法
Petrovai et al. Semantic cameras for 360-degree environment perception in automated urban driving
CN115937736A (zh) 基于注意力和上下文感知的小目标检测方法
CN115147644A (zh) 图像描述模型的训练和描述方法、***、设备及存储介质
CN112785610B (zh) 一种融合低层特征的车道线语义分割方法
CN114170422A (zh) 一种煤矿井下图像语义分割方法
CN114049541A (zh) 基于结构化信息特征解耦与知识迁移的视觉场景识别方法
CN118015490A (zh) 一种无人机航拍图像小目标检测方法、***及电子设备
CN116863227A (zh) 一种基于改进YOLOv5的危化品车辆检测方法
US20230298335A1 (en) Computer-implemented method, data processing apparatus and computer program for object detection
CN114782915B (zh) 基于辅助监督和知识蒸馏的智能汽车端到端车道线检测***及设备
CN117197687A (zh) 一种面向无人机航拍密集小目标的检测方法
CN116310970A (zh) 基于深度学习的自动驾驶场景分类算法
CN115909276A (zh) 基于改进YOLOv5的复杂天气下小交通标志目标检测方法
CN115439926A (zh) 一种基于关键区域和场景深度的小样本异常行为识别方法

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