CN115830509A - 一种基于视频流特征的智能化货车空厢识别审核方法 - Google Patents
一种基于视频流特征的智能化货车空厢识别审核方法 Download PDFInfo
- Publication number
- CN115830509A CN115830509A CN202211639930.2A CN202211639930A CN115830509A CN 115830509 A CN115830509 A CN 115830509A CN 202211639930 A CN202211639930 A CN 202211639930A CN 115830509 A CN115830509 A CN 115830509A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- state
- compartment
- video stream
- empty
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像识别技术领域，提供了一种基于视频流特征的智能化货车空厢识别审核方法，包含视频流图像获取、车辆目标检测与跟踪、车辆运动状态监测、车辆厢体状态识别和车辆厢体状态上报共5大模块，主要流程有获取视频流图像、车辆目标检测与跟踪、车辆运动状态检测、车辆厢体状态识别和车辆厢体状态上报；本发明通过MCN网络对车辆车厢状态进行识别，提升了车厢特征的表征能力和判别力，其使用IBN‑Net结构有效解决光照、颜色等环境变化对车辆特征提取的影响，保证模型在不同域之间的泛化能力，同时通过SENet结构引导模型自动学习特征图通道维度的重要性，增强了模型对通道特征的感知能力。
Description
技术领域
本发明涉及图像识别技术领域，更具体地说是一种基于视频流特征，提升车辆空厢识别精度和效率的智能化货车空厢识别审核方法。
背景技术
随着我国经济的高速发展，我国货物贸易进出口量连创新高，已经成为全球货物贸易第一大国，每年均会有大量集装箱入关，为有效保证进出口环境安全，因此集装箱空箱检测识别需求与日俱增，空厢检测即检测车厢是否为空厢状态。
目前集装箱空箱检测主要有三种方法：一种是集装箱进出关都需根据报关情况进行人工开箱查验，此类方法需要专门人员在卡口通道现场介入处理，人工查验时间长则十几分钟，短则四五分钟，严重影响货物进出关效率，存在操作效率低下、大量机械性并且无效的检查易流于形式、存在潜在廉政隐患等缺陷；第二种方法是采用国内厂家开发的超声仪对空箱进行检测，原理是利用预先采集的空集装箱的超声特征与实测的集装箱超声特征进行对比从而判断是否空箱；虽然第二中方法能够改善人工查验存在效率低下，无法全面检查的缺陷，但是第二种方法仍存在以下缺陷：
一、超声发生器和声呐必须扫描整个集装箱，车辆检查通关耗时长；
二、集装箱的材质厚度不一，对超声波的回声特征标定采集有很大影响，从而无法进行准确判断；
三、卡口车辆等其他设备在运行中会产生超声干扰，影响设备进行空箱判断，实际应用中准确率不高。
另外，第三种方法是通过大型X光机扫描，X光机扫描需借助人工图像识别判别集装箱是否为空，但是X光机扫描是一种非智能化处理方式，而且检验过程中会产生辐射，对通过检查的司机和周围工作人员会造成较为严重的身体伤害。
发明内容
为了解决上述技术问题，本发明提供一种基于视频流特征的智能化货车空厢识别审核方法，通过利用摄相机获取的视频流图像，实现对车辆厢体的实时智能化分析，分析***与监控***共同运行，以解决背景技术中目前存在的车辆车厢识别等问题。
本发明具体的技术方案如下：
一种基于视频流特征的智能化货车空厢识别审核方法，包括以下步骤：
S101：获取视频流图像，前端抓拍设备实时获取视频流并上传至***服务器，在接收到上传的实时视频流信息后，对应帧图像会被送入后续智能化货车空厢识别的相关处理模块；
S102：车辆目标检测与跟踪，接收到S101中待处理的图像后，开始基于Yo l ov5算法执行车辆目标检测，确认车辆位置信后，进一步使用DeepSort算法确定各车辆目标的运动轨迹；
S103：车辆运动状态监测，车辆运动状态的判断是执行后续车辆厢体识别的前置基础，对于驶出卡口的车辆，通过S102得到目标车辆在各输入帧图像上的具***置和连续帧的运动轨迹后，需要对车辆的运动状态进行判断，车辆运动状态的检测以相邻帧中车辆的相对运动距离为依据进行判断；
S104：车辆厢体状态识别，车厢状态识别是货车空厢识别审核方法的核心环节，该环节输入为暂停后的车厢图像，输出为车厢识别状态，其中车厢状态识别网络MCN是一种双子结构的分类网络，其基于SENet和I BN-Net网络构建而成，具体涉及图像输入、数据预处理、图像特征提取和特征分类四个部分；
S105：车辆厢体状态上报，车厢状态的上报由实时预警模块完成，该模块的核心是通过建立车厢状态识别结果表来记录各个车辆厢体状态的识别情况。
作为本方案的进一步改进，步骤S102中，基于Yo l ov5算法执行车辆目标检测流程，通过结合各摄像头对应的ROI坐标信息，以获取感兴趣区域内的目标车辆，进而对检测到的车辆目标进行过滤，仅保留ROI区域内的车辆，以减少无关目标的干扰。
作为本方案的进一步改进，步骤S102中，基于DeepSort算法确定各车辆目标的运动轨迹，在不同车辆目标的运动信息关联阶段，引入深度车辆重识别特征，该特征由离线训练的SCAN车辆重识别网络进行提取；SCAN是一种经典的车辆重识别算法，其创新性地提出了交叉切分机制，保证了对车辆目标在多视角、多尺度下进行有效而完备的表征学习，并提出了多种边信息融合应用策略，其在多个车辆重识别公开数据集上均达到了SOTA效果，通过运动信息和深度表征特征的双重关联来更新车辆的路径信息。
作为本方案的进一步改进，步骤S103中，当车辆暂停后执行车辆空厢识别流程，车辆运动状态的检测以相邻帧中车辆的相对运动距离为依据进行判断，当相邻帧中车辆的运动距离大于所设置的距离阈值时，则认为车辆处于运动状态，否则车辆处于暂停状态，其中距离阈值设为T1。
作为本方案的进一步改进，步骤S103中，车辆的运动距离等于相邻帧中车辆目标位置框主对角线中心点之间的距离，具体计算如下列公式：
式1、2中，Pt、Pt+1分别表示t、t+1帧图像中目标车辆位置框主对角线的中心点坐标，其中0表示车辆位置框主对角线的起点坐标，3表示车辆位置框主对角线的终点坐标，x和y分别对应横坐标点和纵坐标点；式3中，D i st表示相邻两帧中同一车辆的运动距离；式4中，veh i c l e_state变量表示车辆运动状态，当其等于0时表示车辆停止，等于1时表示车辆处于运动状态。
作为本方案的进一步改进，步骤S104中，货车空厢识别输入为暂停后的车厢图像，对于暂停后的车辆目标，车厢状态可划分为三种：未开门、空厢和非空厢，其中未开门表示车辆暂停后车厢门未打开，空厢表示车辆厢体识别为空厢状态，非空厢表示车辆厢体识别为非空厢状态。
作为本方案的进一步改进，步骤S104中，SENet网络的核心就是引导模型关注通道维度的差异性，自动学习不同通道特征之间的非线性关系，用以提高模型对重要通道特征的关注力；SENet网络的核心结构由Squeeze和Exc itat i on两种操作组成，其中Squeeze模块通过G l oba l Poo l i ng操作提取通道上的全局特征，然后Exc itat i on模块通过FC、ReLU和S i gmo i d操作获得各通道的重要性权重参数，最后将权重大小映射到各通道特征，从而提高模型对重要通道特征的关注力。
作为本方案的进一步改进，步骤S104中，I BN-net网络用以提高模型对图像外观变化的适应能力；因为模型的训练集不可能完全覆盖到所有场景下的数据，这些均造成了深度模型的使用可能面临训练域和测试域存在差异的情况，如果两个域之间的差异性过大则会导致模型的实际应用效果变差。
作为本方案的进一步改进，步骤S105中，在实时预警模块中设置实时预警阈值和未开门超时预警阈值，其中，实时预警阈值表示可以确认空厢或者非空厢结果的连续对应状态帧数，超时预警阈值则表示可以确认未开门结果的连续未开门状态帧数。其中设实时预警阈值以T2表示，超时预警阈值以T3表示。
作为本方案的进一步改进，步骤S105中，连续出现的未开门状态帧数大于超时预警阈值时，则上报对应车厢识别结果为未开门超时；连续出现的空厢状态帧数或非空厢状态帧数大于实时预警阈值时，则上报空厢或者非空厢结果。
与现有技术相比，本发明具有如下有益效果：
1、本发明通过在不同车辆目标的运动信息关联阶段，引入深度车辆重识别特征，建立深度关联度量判定依据，该特征由离线训练的SCAN车辆重识别网络进行提取，SCAN是一种经典的车辆重识别算法，解决了车辆跟踪过程的目标丢失问题，有效提升了车辆跟踪的准确性。
2、本发明通过采用MCN双子网络的设计，显著提升了车厢特征的表征能力和判别力，其使用IBN-Net结构有效解决光照、颜色等环境变化对车辆特征提取的影响，保证模型在不同域之间的泛化能力，同时通过SENet结构引导模型自动学习特征图通道维度的重要性，增强了模型对通道特征的感知能力。
3、本发明通过实时预警模块建立车厢状态识别结果表来记录各个车辆厢体状态的识别情况，构建了车厢状态识别结果统计和监测机制，通过实时预警模块提升了上报结果的准确率，有效提升了车辆空厢识别的精度和效率，大大节约了人力等资源成本，并且无需采用X光进行扫描，提升了工作人员的安全。
附图说明
图1是本发明车厢识别审核方法步骤流程图；
图2是本发明车厢识别审核方法中MCN网络识别流程图；
图3是本发明车厢识别审核方法SENet Modu l e运行流程图；
图4是本发明车厢识别审核方法IBN-Net Modu l e运行流程图；
图5是本发明车厢识别审核方法中实时预警模块运行图；
图6是本发明车厢识别审核方法实施过程流程图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
本实施例中，如图1-6所示，一种基于视频流特征的智能化货车空厢识别审核方法，货车空厢识别审核方法主要包括视频流图像获取、车辆目标检测与跟踪、车辆运动状态监测、车辆厢体状态识别和车辆厢体状态上报共5大模块；其中具体步骤如下：
第一步：获取视频流图像
如图1所示，首先会实时获取视频流并上传至***服务器中，通过获取目标摄像头拍摄的实时流图像数据，接入后续处理流程中。
第二步：车辆目标检测与跟踪
接收到实时流帧图像数据后，车辆目标检测流程开始工作，检测输入图像中的车辆目标，并保存车辆的位置信息，即车辆目标框的左上角、左下角、右下角和右上角共4个坐标点；
具体车辆目标检测及跟踪过程为，当接收到待处理图像后，首先基于Yo l ov5算法执行车辆目标检测流程，然后结合各摄像头对应的ROI坐标信息，获取感兴趣区域内的目标车辆，对检测到的车辆目标进行过滤，仅保留ROI区域内的车辆，以减少无关目标的干扰，并时有利于节省机器资源，提高后续处理的效率；
需要说明的是：感兴趣区域的设置能够有效避免区域外物体造成的干扰；并且感兴趣区域的设置有利于节省机器资源，提高后续处理的效率。
同时在获得目标车辆的位置信息后，使用DeepSort算法确定各车辆目标的运动轨迹，在不同车辆目标的运动信息关联阶段，引入深度车辆重识别特征，该特征由离线训练的SCAN车辆重识别网络进行提取，SCAN是一种经典的车辆重识别算法，其创新性地提出了交叉切分机制，保证了对车辆目标在多视角、多尺度下进行有效而完备的表征学习，并提出了多种边信息融合应用策略，其在多个车辆重识别公开数据集上均达到了SOTA效果，通过运动信息和深度表征特征的双重关联来更新车辆的路径信息。
如图6所示，结合输入图像中检测到的车辆目标位置信息，创建跟踪车辆目标，基于ka lman滤波算法计算车辆的运动状态预测结果和目标检测结果之间的马氏距离，完成车辆运动信息的关联，此外，基于车辆重识别网络获取的深度车辆表征特征完成车辆外观信息的关联，最后，联合运动信息和车辆深度特征的关联结果确定下一帧中该车辆的指派ID，完成车辆运动轨迹建立。
第三步：车辆运动状态检测
车辆运动状态的判断是执行后续车辆空厢识别模块的前置基础，对于驶出卡口的车辆，通过第二步得到目标车辆在各输入帧图像上的具***置和连续帧的运动轨迹后，需要对车辆的运动状态进行判断，当车辆暂停后方可执行车辆空厢识别流程。
车辆运动状态的检测以相邻帧中车辆的相对运动距离为依据进行判断，在获取到同一车辆的运动轨迹后，计算相邻两帧中车辆的运动距离，即两帧中车辆目标框的主对角线中心点之间的欧式距离，再与已知距离阈值T1进行比较，获取并记录车辆状态信息，即车辆暂停或者车辆运动；
当相邻帧中车辆的运动距离大于所设置的距离阈值T1时，认为车辆处于运动状态；否则车辆处于暂停状态；此处，车辆的运动距离等于相邻帧中车辆目标位置框主对角线中心点之间的距离。具体计算如下列公式：
其中式1、2中，Pt、Pt+1分别表示t、t+1帧图像中目标车辆位置框主对角线的中心点坐标，其中0表示车辆位置框主对角线的起点坐标，3表示车辆位置框主对角线的终点坐标，x和y分别对应横坐标点和纵坐标点；式3中，D i st表示相邻两帧中同一车辆的运动距离；式4中，veh i c l e_state变量表示车辆运动状态，当其等于0时表示车辆停止，等于1时表示车辆处于运动状态。
第四步：车辆厢体状态识别
4.1、车厢状态识别是货车空厢识别审核方法的核心环节，该环节输入为暂停后的车厢图像，输出为车厢识别状态，对于暂停后的车辆目标而言，车厢状态可划分为三种：未开门、空厢和非空厢，其中未开门表示车辆暂停后车厢门未打开，空厢表示车辆厢体识别为空厢状态，非空厢表示车辆厢体识别为非空厢状态；
4.2、当车辆停止后，提取车厢图像输入车厢状态识别网络MCN，车厢状态识别网络MCN(Mu l t i-branch Co l l obrat i ve Network)是一种双子结构的分类网络，MCN网络的具体流程如图2所示，其基于SENet和I BN-Net网络构建而成，MCN网络中的SENet和IBN-Net核心结构如图3、图4所示，具体涉及图像输入、数据预处理、图像特征提取和特征分类四个部分；其中图像输入模块接收车厢图像，为提高模型的性能和泛化能力，数据预处理模块针对输入车厢图像进行尺寸变换、随机水平翻转、颜色抖动、图像填充和随机裁剪操作；图像特征提取部分基于不同路的分支网络提取输入图像对应的深度特征向量，在SE和IBN分支的协同作用下获得最终的车厢特征f，最后经过特征分类层得到输入车厢图像对应的车厢状态分类结果；
4.3、通常CNN网络的结构优化大多表现为提高卷积操作的感受野大小或者是建立多尺度机制，来促使模型挖掘出更多的空间信息，进而提高模型的表现能力；相比较之下，卷积操作基本上默认对通道维度下所有特征进行融合，缺少了对不同通道重要性的感知和挖掘。而本方案中的SENet网络的核心就是引导模型关注通道维度的差异性，自动学习不同通道特征之间的非线性关系，SENet网络的核心结构由Squeeze和Excitat ion两种操作组成，其中Squeeze模块通过G l oba l Poo l i ng操作提取通道上的全局特征，然后Excitat ion模块通过FC、ReLU和S igmo id操作获得各通道的重要性权重参数，最后将权重大小映射到各通道特征，从而提高模型对重要通道特征的关注力。
4.4、深度神经网路的输入图像由实际设备拍摄而得，因此不同场景下的光照、颜色、风格等差异因素使得图像外观出现不同，除此之外，模型的训练集不可能完全覆盖到所有场景下的数据，这些均造成了深度模型的使用可能面临训练域和测试域存在差异的情况，如果两个域之间的差异性过大则会导致模型的实际应用效果变差，综上，如何提高模型对图像外观变化的适应能力成为了模型实际表现好坏的关键之一，IBN-net则是为解决该问题而设计；
模型的浅层特征差异往往表现为图像的外观特征差异，而深层特征差异则表现为图像内容的特征差异；I N通常被用于处理底层视觉任务，因为其可以过滤图像外观的复杂差异表现，如图像风格化；而BN则被用于处理高层视觉任务，如目标检测和图像识别等。IBN-Net则创新性地将两者结合起来，联合I N和BN解决浅层特征差异，并使用BN解决深层特征差异，同时提高模型的学习能力和泛化能力。
4.5、MCN空厢识别双子网络，获得空厢识别结果(未开门、空厢或者非空厢)，并建立并更新车辆车厢状态识别结果表，将识别结果***识别结果表中对应车辆I D下。车厢状态识别结果表示例如下所示：
第五步：车辆厢体状态上报
统计车厢状态识别结果表中未开门、空厢和非空厢类别的识别次数，认为次数最大的对应类别为该车辆的空厢识别结果，然后进行上报。
具体过程如图5所示：车厢状态的上报由实时预警模块完成，该模块的核心是通过建立车厢状态识别结果表来记录各个车辆厢体状态的识别情况，同时设置实时预警阈值T2和未开门超时预警阈值T3共两个参数，其中，实时预警阈值表示可以确认空厢或者非空厢结果的连续对应状态帧数，超时预警阈值则表示可以确认未开门结果的连续未开门状态帧数。
本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。
Claims (10)
1.一种基于视频流特征的智能化货车空厢识别审核方法，其特征在于，包括以下步骤：
S101：获取视频流图像，前端抓拍设备实时获取视频流并上传至***服务器，在接收到上传的实时视频流信息后，对应帧图像会被送入后续智能化货车空厢识别的相关处理模块；
S102：车辆目标检测与跟踪，接收到S101中待处理的图像后，开始基于Yolov5算法执行车辆目标检测，确认车辆位置信后，进一步使用DeepSort算法确定各车辆目标的运动轨迹；
S103：车辆运动状态监测，车辆运动状态的判断是执行后续车辆厢体识别的前置基础，对于驶出卡口的车辆，通过S102得到目标车辆在各输入帧图像上的具***置和连续帧的运动轨迹后，需要对车辆的运动状态进行判断，车辆运动状态的检测以相邻帧中车辆的相对运动距离为依据进行判断；
S104：车辆厢体状态识别，车厢状态识别是货车空厢识别审核方法的核心环节，该环节输入为暂停后的车厢图像，输出为车厢识别状态，其中车厢状态识别网络MCN是一种双子结构的分类网络，其基于SENet和IBN-Net网络构建而成，具体涉及图像输入、数据预处理、图像特征提取和特征分类四个部分；
S105：车辆厢体状态上报，车厢状态的上报由实时预警模块完成，该模块的核心是通过建立车厢状态识别结果表来记录各个车辆厢体状态的识别情况。
2.如权利要求1所述基于视频流特征的智能化货车空厢识别审核方法，其特征在于：步骤S102中，基于Yolov5算法执行车辆目标检测流程，通过结合各摄像头对应的ROI坐标信息，以获取感兴趣区域内的目标车辆，感兴趣区域的设置能够有效避免区域外物体造成的干扰。
3.如权利要求1所述基于视频流特征的智能化货车空厢识别审核方法，其特征在于：步骤S102中，基于DeepSort算法确定各车辆目标的运动轨迹，在不同车辆目标的运动信息关联阶段，引入深度车辆重识别特征，该特征由离线训练的SCAN车辆重识别网络进行提取。
4.如权利要求1所述基于视频流特征的智能化货车空厢识别审核方法，其特征在于：步骤S103中，车辆运动状态的检测以相邻帧中车辆的相对运动距离为依据进行判断，当相邻帧中车辆的运动距离大于所设置的距离阈值时，则认为车辆处于运动状态，否则车辆处于暂停状态，其中距离阈值设为T1。
5.如权利要求4所述基于视频流特征的智能化货车空厢识别审核方法，其特征在于：步骤S103中，车辆的运动距离等于相邻帧中车辆目标位置框主对角线中心点之间的距离，具体计算如下列公式：
式1、2中，Pt、Pt+1分别表示t、t+1帧图像中目标车辆位置框主对角线的中心点坐标，其中0表示车辆位置框主对角线的起点坐标，3表示车辆位置框主对角线的终点坐标，x和y分别对应横坐标点和纵坐标点；式3中，Dist表示相邻两帧中同一车辆的运动距离；式4中，vehicle_state变量表示车辆运动状态，当其等于0时表示车辆停止，等于1时表示车辆处于运动状态。
6.如权利要求1所述基于视频流特征的智能化货车空厢识别审核方法，其特征在于：步骤S104中，货车空厢识别输入为暂停后的车厢图像，对于暂停后的车辆目标，车厢状态可划分为三种：未开门、空厢和非空厢，其中未开门表示车辆暂停后车厢门未打开，空厢表示车辆厢体识别为空厢状态，非空厢表示车辆厢体识别为非空厢状态。
7.如权利要求6所述基于视频流特征的智能化货车空厢识别审核方法，其特征在于：步骤S104中，SENet网络的核心就是引导模型关注通道维度的差异性，自动学习不同通道特征之间的非线性关系，用以提高模型对重要通道特征的关注力。
8.如权利要求6所述基于视频流特征的智能化货车空厢识别审核方法，其特征在于：步骤S104中，IBN-net网络用以提高模型对图像外观变化的适应能力。
9.如权利要求1所述基于视频流特征的智能化货车空厢识别审核方法，其特征在于：步骤S105中，在实时预警模块中设置实时预警阈值和未开门超时预警阈值，其中，实时预警阈值表示可以确认空厢或者非空厢结果的连续对应状态帧数，超时预警阈值则表示可以确认未开门结果的连续未开门状态帧数。
10.如权利要求9所述基于视频流特征的智能化货车空厢识别审核方法，其特征在于：步骤S105中，连续出现的未开门状态帧数大于超时预警阈值时，则上报对应车厢识别结果为未开门超时；连续出现的空厢状态帧数或非空厢状态帧数大于实时预警阈值时，则上报空厢或者非空厢结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211639930.2A CN115830509A (zh) | 2022-12-20 | 2022-12-20 | 一种基于视频流特征的智能化货车空厢识别审核方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211639930.2A CN115830509A (zh) | 2022-12-20 | 2022-12-20 | 一种基于视频流特征的智能化货车空厢识别审核方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115830509A true CN115830509A (zh) | 2023-03-21 |
Family
ID=85516976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211639930.2A Pending CN115830509A (zh) | 2022-12-20 | 2022-12-20 | 一种基于视频流特征的智能化货车空厢识别审核方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115830509A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116863205A (zh) * | 2023-06-15 | 2023-10-10 | 深圳市软筑信息技术有限公司 | 一种用于海关的集装箱空箱检测方法和*** |
-
2022
- 2022-12-20 CN CN202211639930.2A patent/CN115830509A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116863205A (zh) * | 2023-06-15 | 2023-10-10 | 深圳市软筑信息技术有限公司 | 一种用于海关的集装箱空箱检测方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102914545B (zh) | 一种基于计算机视觉的齿轮缺陷检测方法及*** | |
| Sampedro et al. | A supervised approach to electric tower detection and classification for power line inspection | |
| CN105513349B (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
| CN103324913B (zh) | 一种基于形状特征和轨迹分析的行人事件检测方法 | |
| CN110751099B (zh) | 一种基于深度学习的无人机航拍视频轨迹高精度提取方法 | |
| CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
| CN102915432B (zh) | 一种车载微机图像视频数据提取方法及装置 | |
| CN104637058B (zh) | 一种基于图像信息的客流量识别统计方法 | |
| CN103324937A (zh) | 标注目标的方法和装置 | |
| CN107478590A (zh) | 一种结合机动车智能视觉识别与尾气遥感检测的方法 | |
| CN103985182A (zh) | 一种公交客流自动计数方法及自动计数*** | |
| CN111862029A (zh) | 一种铁路动车组垂向减震器螺栓部件故障检测方法 | |
| CN105184229A (zh) | 一种动态场景下基于在线学习的实时行人检测方法 | |
| CN106127812A (zh) | 一种基于视频监控的客运站非出入口区域的客流统计方法 | |
| CN113788051A (zh) | 列车在站运行状态监测分析*** | |
| CN115830509A (zh) | 一种基于视频流特征的智能化货车空厢识别审核方法 | |
| CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测*** | |
| CN103679214A (zh) | 基于在线面积估计和多特征决策融合的车辆检测方法 | |
| Liu et al. | Metro anomaly detection based on light strip inductive key frame extraction and MAGAN network | |
| CN107506753A (zh) | 一种面向动态视频监控的多车辆跟踪方法 | |
| Dong et al. | An end-to-end abnormal fastener detection method based on data synthesis | |
| Guo et al. | Surface defect detection of civil structures using images: Review from data perspective | |
| CN107247967A (zh) | 一种基于r‑cnn的车窗年检标检测方法 | |
| Zhou et al. | BV-Net: Bin-based Vector-predicted Network for tubular solder joint detection | |
| CN110889347A (zh) | 基于时空计数特征的密度交通流计数方法及*** |
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 |