CN116958952B - 一种适用于高速公路监控视频下的车牌目标检测方法 - Google Patents
一种适用于高速公路监控视频下的车牌目标检测方法 Download PDFInfo
- Publication number
- CN116958952B CN116958952B CN202310845871.2A CN202310845871A CN116958952B CN 116958952 B CN116958952 B CN 116958952B CN 202310845871 A CN202310845871 A CN 202310845871A CN 116958952 B CN116958952 B CN 116958952B
- Authority
- CN
- China
- Prior art keywords
- license plate
- feature
- plate target
- target detection
- expressway
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000013461 design Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种适用于高速公路监控视频下的车牌目标检测方法,包括以下步骤:采用注意力机制改进SSD的检测分支,将高层特征图通过注意力模块得到的特征掩码与浅层特征图进行逐元素点乘;采用叠加的方式融合各层特征图,然后结合车牌特点,设计适用于高速公路场景下的注意力特征金字塔;在自建的数据集上训练车牌目标检测模型;用训练完毕的模型检测高速公路场景下的车牌目标,获取车牌目标的位置和大小。本发明适用于高速公路监控视频下的车牌目标检测方法,多尺度目标检测性能好,定位精度高,可直接应用于高速公路监控视频下的车牌目标检测。
Description
技术领域
本发明属于图像处理技术领域,具体涉及适用于高速公路监控视频下的车牌目标检测方法。
背景技术
车牌目标检测旨在从监控视频图像中找出图像中的车牌目标,并确定它们的位置和大小。车牌目标检测任务和车牌识别任务相结合才能实现自动车牌识别,且车牌目标检测效果将直接影响车牌识别效果。现有算法主要适用于停车场等图像采集条件较好的场景,对高速公路等复杂场景的适应性较差。
高速公路场景下车牌目标具有小尺度和多尺度的特点,而SSD的特征提取融合策略针对车牌这类尺度较小、跨度较大的目标,检测效果不佳,在实际应用中存在大量车牌目标漏检,进而降低召回率,特别是在高速公路场景下,这个问题更为严重。同时,高速公路车牌目标检测对实时性要求较高,现有车牌目标检测算法大多采用一阶段框架,但一阶段检测算法的多尺度目标检测性能和定位精度偏低。
因此,亟需一种适用于高速公路监控视频下的车牌目标检测方法,在保证车牌目标检测速度的同时,提升车牌目标检测的多尺度目标检测性能和定位精度,这对于高速公路车辆管控具有重要的现实意义。
发明内容
有鉴于此,本发明的目的在于提供一种适用于高速公路监控视频下的车牌目标检测方法。本发明旨解决现有的车牌目标检测算法适用性差,对高速公路等复杂场景,多尺度目标检测性能和定位精度偏低的问题。本发明将在目标检测网络SSD基础上进行改进,针对SSD检测高速公路多尺度车牌效果欠佳的问题,综合注意力机制和特征融合构建注意力特征金字塔,从而提高针对多尺度车牌目标的检测精度。
为达到上述目的,本发明提供了一种适用于高速公路监控视频下的车牌目标检测方法,包括以下步骤:
S1.采用注意力机制改进SSD的检测分支,将高层特征图通过注意力模块得到的特征掩码与浅层特征图进行逐元素点乘;
S2.采用叠加的方式融合各层特征图,然后结合车牌特点,设计适用于高速公路场景下的注意力特征金字塔;
S3.在自建的高速公路车牌目标检测数据集上训练车牌目标检测模型;
S4.用训练完毕的模型检测高速公路场景下的车牌目标,获取车牌目标的位置和大小。
进一步,所述步骤S1包括以下子步骤:
S1.1利用Softmax函数计算更深一层特征对应的注意力掩码,包括通道的Softmax概率和特征位置的Softmax概率;
S1.2各特征层的特征分别与对应的深层特征对应的注意力掩码采用逐元素点乘的方式进行融合。
进一步,所述步骤S1.1中,通道的Softmax概率采用特征图中任一通道位置所对应的像素值求得,通道的Softmax概率C-softmax,如下式所示:
式中,特征图大小为K×K×N,即特征图的宽和高均为K,共有N个通道;表示特征图中c通道位置(i,j)处的像素值;λij表示像素先验特征值,默认设置为1。
进一步,所述步骤S1.1中,特征位置的Softmax概率采用特征图中对应点的像素值求得,特征位置的Softmax概率F-softmax,如下式所示:
式中,特征图大小为K×K×N;表示特征图中c通道位置(i,j)处的像素值;λij表示像素的先验特征值,默认设置为1。
进一步,所述步骤S2包括以下子步骤:
S2.1将需要融合的特征按照叠加的方式求和,得到一个新的特征向量;
S2.2多个特征向量组成注意力特征金字塔,结合车牌尺度与跨度的特点设计特征金字塔的层数和各层的分辨率,然后对注意力特征金字塔进行机器学习模型的训练和预测。
进一步,所述步骤S3的具体步骤如下:
在搭建好的车牌目标检测模型上,使用ADAM优化算法,在训练集上训练,得到并保存车牌目标检测模型的权重。
进一步,所述步骤S4包括以下子步骤:
S4.1使用设计的车牌目标检测模型,加载步骤S3得到的模型权重;
S4.2对输入的高速公路场景下的监控视频图像,使用加载权重的车牌目标检测模型进行检测,得到车牌目标的位置和大小。
本发明的有益效果在于:
本发明与现有技术不同,现有技术只考虑到给浅层特征补充语义上下文信息,而忽略低级特征图和高级特征图之间相互融合的工作。本发明使用高层特征生成的注意力特征图作为低层特征的注意力区域掩码,可有效增强低层特征的表示能力;再结合高速公路场景下车牌目标的特点构建注意力特征金字塔,使得每个层次的特征图都同时含有丰富的位置信息和高层语义上下文信息;最终形成一套完整的适用于高速公路监控视频下的车牌目标检测方法,以切实算法检测高速公路场景下多尺度车牌目标的效果,多尺度目标检测性能好,定位精度高。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究,对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
图1为本发明车牌目标检测方法的流程图;
图2为SSD改进后的检测分支与原始检测分支的对比;
图3为采用叠加的方式进行特征融合的示意图;
图4为SSD改进后的网络结构图。
具体实施方式
为使本发明的技术方案、优点和目的更加清楚,下面将结合本发明实施例的附图,对本发明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发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本申请的保护范围。
如图1所示,本发明提供了一种适用于高速公路监控视频下的车牌目标检测方法,包括以下步骤:
S1.采用注意力机制改进SSD的检测分支,将高层特征图通过注意力模块得到特征掩码与浅层特征图进行逐元素点乘,能够起到特征选择的作用;
S2.采用叠加的方式融合各层特征图,以保留更多细节信息,避免过拟合,并对浅层特征层进行强调,然后结合车牌的特点,设计适用于高速公路场景下的注意力特征金字塔,即车牌目标检测模型;
S3.在自建的高速公路车牌目标检测数据集上训练车牌目标检测模型;
S4.用训练完毕的车牌目标检测模型检测高速公路场景下的车牌目标,获取车牌目标的位置和大小。
步骤S1:采用注意力机制改进SSD的检测分支,如图2所示,更深一层特征通过上采样和注意力模块后得到对应的注意力掩码,包括通道的Softmax概率和特征位置的Softmax概率,具体包括以下子步骤:
S1.1利用Softmax函数计算更深一层特征对应的注意力掩码,包括通道的Softmax概率和特征位置的Softmax概率;
通道的Softmax概率采用特征图中任一通道位置所对应的像素值求得,通道的Softmax概率C-softmax,如下式所示:
式中,特征图大小为K×K×N,即特征图的宽和高均为K,共有N个通道;表示特征图中c通道位置(i,j)处的像素值;λij表示像素先验特征值,默认设置为1。
特征位置的Softmax概率采用特征图中对应点的像素值求得,特征位置的Softmax概率F-softmax,如下式所示:
式中,特征图大小为K×K×N;表示特征图中c通道位置(i,j)处的像素值;λij表示像素的先验特征值,默认设置为1;
S1.2各特征层的特征分别与对应的更深一层特征对应的注意力掩码采用逐元素点乘的方式进行融合;
假设Fi表示SSD中不同层次的特征,Fi′+1表示更深一层特征对应的注意力掩码,则多尺度注意力特征可通过下式计算:
式中,表示两者采用逐元素点乘的方式融合。
步骤S2:采用叠加的方式融合各层特征图,以保留更多细节信息,避免过拟合,并对浅层特征层进行强调,如图3所示,最后结合车牌的特点,设计注意力特征金字塔,具体包括以下子步骤:
S2.1假设有n个特征图F1,F2,...,Fn,每个特征图的大小为H×W×C,其中H表示高度,W表示宽度,C表示通道数,则特征图叠加的公式可以表示为:
式中,Fout表示输出的特征图,(i,j)表示特征图中的位置,k表示通道数,wl表示第l个特征图的权重;
S2.2多个特征向量组成注意力特征金字塔,结合车牌尺度与跨度的特点设计特征金字塔的层数和各层的分辨率,然后对注意力特征金字塔进行机器学习模型的训练和预测;
本发明基于车牌特点对SSD的网络结构进行改进,以Conv4_3和基于注意力改进的Conv7特征融合为基准,额外添加由一个步长为2的1×1卷积和3×3卷积构成的Conv8和Conv9;并且使用注意力模块对添加的检测分支进行改进,得到4个不同尺度的特征图,以此构建注意力特征金字塔,其结果如图4所示;因为高速公路场景下的车牌尺寸普遍较小,因此将输入分辨率修改为512×512,注意力特征金字塔各层分辨率如表1所示。
表1
步骤S3:在自建的高速公路车牌目标检测数据集上训练车牌目标检测模型,直至损失函数收敛,具体步骤如下:
在搭建好的网络模型上,使用ADAM优化算法,对模型进行训练,得到并保存车牌目标检测模型的权重。
步骤S4:用训练完毕的模型检测高速公路场景下的车牌目标,获取车牌目标的位置和大小,具体包括以下子步骤:
S4.1使用设计的车牌目标检测模型,加载步骤S3得到模型的权重;
S4.2对输入的高速公路场景下的监控视频图像,使用加载权重的车牌目标检测模型进行检测,得到车牌目标的位置和大小。
本发明针对SSD式“自底向上”的特征金字塔结构不够完善,对多尺度特征提取不充分的问题,综合注意力机制和特征融合并结合车牌特点构建了注意力特征金字塔,以确保各层特征能更好地关注图像中的重要信息,且均含有丰富的细节信息和上下文语义信息,从而提升多尺度车牌目标的检测效果。之后在自建高速公路车牌目标检测数据集上训练设计好的模型,直至模型收敛,并保存训练好的模型权重;最后依据改进后的适用于高速公路场景的车牌目标检测模型和训练好的权重实现高速公路场景下的车牌目标检测。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的保护范围当中。
Claims (3)
1.一种适用于高速公路监控视频下的车牌目标检测方法,其特征在于,包括以下步骤:
S1.采用注意力机制改进SSD的检测分支,将高层特征图通过注意力模块得到的特征掩码与浅层特征图进行逐元素点乘;
S1.1利用Softmax函数计算深层特征对应的注意力掩码,包括通道的Softmax概率和特征位置的Softmax概率;
通道的Softmax概率采用特征图中任一通道位置所对应的像素值求得,通道的Softmax概率C-softmax,如下式所示:
式中,特征图大小为K×K×N,即特征图的宽和高均为K,共有N个通道;表示特征图中c通道位置(i,j)处的像素值;λij表示像素先验特征值,默认设置为1;
S1.2各特征层的特征分别与对应的深层特征对应的注意力掩码采用逐元素点乘的方式进行融合;
特征位置的Softmax概率采用特征图中对应点的像素值求得,特征位置的Softmax概率F-softmax,如下式所示:
式中,特征图大小为K×K×N,即特征图的宽和高均为K,共有N个通道;表示特征图中c通道位置(i,j)处的像素值;λij表示像素的先验特征值,默认设置为1;
S2.采用叠加的方式融合各层特征图,然后结合车牌特点,设计适用于高速公路场景下的注意力特征金字塔;
S2.1将需要融合的特征按照叠加的方式求和,得到一个新的特征向量;
S2.2多个特征向量组成注意力特征金字塔,结合车牌尺度与跨度的特点设计特征金字塔的层数和各层的分辨率,然后对注意力特征金字塔进行机器学习模型的训练和预测;
S3.在自建的高速公路车牌目标检测数据集上训练车牌目标检测模型;
S4.用训练完毕的模型检测高速公路场景下的车牌目标,获取车牌目标的位置和大小。
2.根据权利要求1所述的一种适用于高速公路监控视频下的车牌目标检测方法,其特征在于,所述步骤S3的具体步骤如下:
在搭建好的车牌目标检测模型上,使用ADAM优化算法,在训练集上训练,得到并保存车牌目标检测模型的权重。
3.根据权利要求2所述的一种适用于高速公路监控视频下的车牌目标检测方法,其特征在于,所述步骤S4包括以下子步骤:
S4.1使用设计的车牌目标检测模型,加载步骤S3得到的模型权重;
S4.2对输入的高速公路场景下的监控视频图像,使用加载权重的车牌目标检测模型进行检测,得到车牌目标的位置和大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310845871.2A CN116958952B (zh) | 2023-07-11 | 2023-07-11 | 一种适用于高速公路监控视频下的车牌目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310845871.2A CN116958952B (zh) | 2023-07-11 | 2023-07-11 | 一种适用于高速公路监控视频下的车牌目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116958952A CN116958952A (zh) | 2023-10-27 |
CN116958952B true CN116958952B (zh) | 2024-04-30 |
Family
ID=88447091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310845871.2A Active CN116958952B (zh) | 2023-07-11 | 2023-07-11 | 一种适用于高速公路监控视频下的车牌目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958952B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533084A (zh) * | 2019-08-12 | 2019-12-03 | 长安大学 | 一种基于自注意力机制的多尺度目标检测方法 |
CN112308092A (zh) * | 2020-11-20 | 2021-02-02 | 福州大学 | 一种基于多尺度注意力机制的轻量型车牌检测与识别方法 |
CN112580536A (zh) * | 2020-12-23 | 2021-03-30 | 深圳市捷顺科技实业股份有限公司 | 一种高位视频车辆及车牌的检测方法及装置 |
CN113989794A (zh) * | 2021-11-12 | 2022-01-28 | 珠海安联锐视科技股份有限公司 | 一种车牌检测和识别方法 |
CN115063785A (zh) * | 2022-08-17 | 2022-09-16 | 深圳联友科技有限公司 | 高速公路场景使用目标识别模型定位车牌的方法及装置 |
-
2023
- 2023-07-11 CN CN202310845871.2A patent/CN116958952B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533084A (zh) * | 2019-08-12 | 2019-12-03 | 长安大学 | 一种基于自注意力机制的多尺度目标检测方法 |
CN112308092A (zh) * | 2020-11-20 | 2021-02-02 | 福州大学 | 一种基于多尺度注意力机制的轻量型车牌检测与识别方法 |
CN112580536A (zh) * | 2020-12-23 | 2021-03-30 | 深圳市捷顺科技实业股份有限公司 | 一种高位视频车辆及车牌的检测方法及装置 |
CN113989794A (zh) * | 2021-11-12 | 2022-01-28 | 珠海安联锐视科技股份有限公司 | 一种车牌检测和识别方法 |
CN115063785A (zh) * | 2022-08-17 | 2022-09-16 | 深圳联友科技有限公司 | 高速公路场景使用目标识别模型定位车牌的方法及装置 |
Non-Patent Citations (3)
Title |
---|
Jingwei Ren ; Hong Li.Implementation of Vehicle and License Plate Detection on Embedded Platform.2020 12th International Conference on Measuring Technology and Mechatronics Automation (ICMTMA).2020,全文. * |
一种基于SSD改进的目标检测算法;苏蒙;李为;;计算机与现代化;20200215(第02期);全文 * |
基于特征金字塔的多尺度特征融合网络;郭启帆,刘磊,张珹,徐文娟,靖稳峰;工程数学学报;20201031;第37卷(第5期);摘要、正文第1-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN116958952A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695448B (zh) | 一种基于视觉传感器的路侧车辆识别方法 | |
CN111008633B (zh) | 一种基于注意力机制的车牌字符分割方法 | |
Xiang et al. | Lightweight fully convolutional network for license plate detection | |
CN112016512A (zh) | 基于反馈式多尺度训练的遥感图像小目标检测方法 | |
CN114330529A (zh) | 一种基于改进YOLOv4的遮挡行人实时检测方法 | |
CN116129390B (zh) | 一种增强曲线感知的车道线精准检测方法 | |
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 | |
CN113850136A (zh) | 基于yolov5与BCNN的车辆朝向识别方法及*** | |
CN114764856A (zh) | 图像语义分割方法和图像语义分割装置 | |
CN111553242B (zh) | 用于预测驾驶行为的生成对抗网络的训练方法和电子设备 | |
CN116994236A (zh) | 一种基于深度神经网络的低质图像车牌检测方法 | |
CN114943888B (zh) | 基于多尺度信息融合的海面小目标检测方法 | |
CN115205855A (zh) | 融合多尺度语义信息的车辆目标识别方法、装置及设备 | |
CN113609904B (zh) | 一种基于动态全局信息建模和孪生网络的单目标跟踪算法 | |
CN111126303B (zh) | 一种面向智能停车的多车位检测方法 | |
CN116958952B (zh) | 一种适用于高速公路监控视频下的车牌目标检测方法 | |
CN112199539A (zh) | 无人机三维地图摄影图像内容自动标注方法、***及设备 | |
CN116129386A (zh) | 可行驶区域检测方法、***及计算机可读介质 | |
CN115690737A (zh) | 一种车位检测方法、装置、电子设备及存储介质 | |
CN114495160A (zh) | 一种基于改进RFBNet算法的行人检测方法及*** | |
CN114639084A (zh) | 一种基于ssd改进算法的路侧端车辆感知方法 | |
Guo et al. | An Effective Module CA-HDC for Lane Detection in Complicated Environment | |
CN114596580B (zh) | 一种多人体目标识别方法、***、设备及介质 | |
CN116486203B (zh) | 一种基于孪生网络和在线模板更新的单目标跟踪方法 | |
CN118072146B (zh) | 一种基于多层级特征融合的无人机航拍小目标检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |