[go: up one dir, main page]

CN112329567A - 自动驾驶场景中目标检测的方法及系统、服务器及介质 - Google Patents

自动驾驶场景中目标检测的方法及系统、服务器及介质 Download PDF

Info

Publication number
CN112329567A
CN112329567A CN202011159990.5A CN202011159990A CN112329567A CN 112329567 A CN112329567 A CN 112329567A CN 202011159990 A CN202011159990 A CN 202011159990A CN 112329567 A CN112329567 A CN 112329567A
Authority
CN
China
Prior art keywords
model
training
target
automatic driving
target detection
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.)
Withdrawn
Application number
CN202011159990.5A
Other languages
English (en)
Inventor
朱敦尧
周风明
郝江波
彭珊
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 Kotei Informatics Co Ltd
Original Assignee
Wuhan Kotei Informatics 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 Kotei Informatics Co Ltd filed Critical Wuhan Kotei Informatics Co Ltd
Priority to CN202011159990.5A priority Critical patent/CN112329567A/zh
Publication of CN112329567A publication Critical patent/CN112329567A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种自动驾驶场景中目标检测的方法及系统、服务器及存储介质，其采集自动驾驶场景中人脸与车牌的不同环境下各个视角的照片，并进行标注，制作专有数据集；并搭建具有yolov5模型结构的pytorch框架；然后采用所述专用数据集对预训练模型进行训练，并根据训练结果对预训练模型进行超参数微调，得到目标检测模型；最后利用目标检测模型对待检测图像进行识别分类，得到准确的检测目标。本发明利用专有的数据集训练得到目标检测模型能够准确快速的识别人脸、车牌的位置信息，通过搭建pytorch框架，使目标检测模型不仅能够提高行人及车辆检测的效率，还能快速移植于其他的移动设备，通用性强。

Description

自动驾驶场景中目标检测的方法及系统、服务器及介质
技术领域
本发明涉及车辆自动驾驶技术领域，尤其是涉及一种自动驾驶场景中目标检测的方法及系统、服务器及介质。
背景技术
目标检测即对待检测对象的精准定位与准确识别，确定目标所在的位置和具体类别，当前对于目标检测方法的研究已经相当成熟了，但是许多场景中传统的检测方法无法满足要求。在驾驶场景、一些环境比较复杂的工矿这些特殊场景中对于目标检测的实时性、精确度都有着相当高的要求，如在驾驶情况下，要快速的将周遭环境中可能存在的行人、车辆及其他的障碍物识别出来，并给出准确的应答反应，提前将危险规避，将深度学习的方法应用到这些场景中能极大地改善性能，对于驾驶场景中需要规避的对象包括人和来往车辆等，即要进行的是行人和车辆的检测，不过出于对数据的保护，大多数采用的是公用数据集作为模型基础，而这些数据中目标检测物的分类状态较为常规，缺乏多样性，此种方式下机器学习到的特征信息都是比较单一的，而真正的识别环境下是有不同的场景，对于这些外在的干扰特征信息，机器很多情况下无法做出准确判断，目标检测物的实时性、精确度较低，且通用性不强。
发明内容
本发明的目的在于克服上述技术不足，提出一种自动驾驶场景中目标检测的方法及系统、服务器及介质，解决现有目标检测物的实时性、精确度较低，且通用性不强问题。
为达到上述技术目的，本发明的技术方案第一方面提供一种自动驾驶场景中目标检测的方法，其包括如下步骤：
采集自动驾驶场景中人脸与车牌的不同环境下各个视角的照片，并进行标注，制作专有数据集；
搭建具有yolov5模型结构的pytorch框架；
采用所述专用数据集对预训练模型进行训练，并根据训练结果对预训练模型进行超参数微调，得到目标检测模型；
利用目标检测模型对待检测图像进行识别分类，得到准确的检测目标。
本发明第二方面提供一种自动驾驶场景中目标检测的系统，其包括如下功能模块：
数据采集模块，用于采集自动驾驶场景中人脸与车牌的不同环境下各个视角的照片，并进行标注，制作专有数据集；
环境搭建模块，用于搭建具有yolov5模型结构的pytorch框架；
模型训练模块，用于采用所述专用数据集对预训练模型进行训练，并根据训练结果对预训练模型进行超参数微调，得到目标检测模型；
目标检测模块，用于利用目标检测模型对待检测图像进行识别分类，得到准确的检测目标。
本发明第三方面提供一种服务器，包括存储器、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，所述处理器执行所述计算机程序时实现上述一种自动驾驶场景中目标检测的方法的步骤。
本发明第四方面提供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计算机程序，所述计算机程序被处理器执行时实现上述一种自动驾驶场景中目标检测的方法的步骤。
与现有技术相比，本发明通过提取目标检测物不同环境下各个视角的图片数据制作专有数据集，专有数据集具有多样性，使得利用专有的数据集训练得到目标检测模型能够准确快速的识别人脸、车牌的位置信息，另外通过搭建具有yolov5模型结构的pytorch框架，使得到的目标检测模型不仅具有高速数据处理能力，能够提高行人及车辆检测的效率，还能快速移植于其他的移动设备，通用性强。
附图说明
图1是本发明实施例所述的一种自动驾驶场景中目标检测的方法的流程框图；
图2是本发明实施例所述的一种自动驾驶场景中目标检测的系统的模块框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明的实施例提供了一种自动驾驶场景中目标检测的方法，其包括如下步骤：
S1、采集自动驾驶场景中人脸与车牌的不同环境下各个视角的照片，并进行标注，制作专有数据集。
具体是将不同环境下行车过程中采集的视频流数据转换为图像数据，挑选出其中包含目标检测物各种视角的图像，所述视角包括常规视角和特殊视角，本发明重点检测人脸和车牌信息，因此尽可能采集人脸和/或车牌的各种状态视角图像。采用标注软件对图像中的进行标注，并将标注后得到的标签数据的格式转化为模型训练格式。具体的是将标签文件的.yaml、.xml或者是.json格式转换为模型训练过程中学习使用的标签文件为.txt格式。最后按照目标检测物的类别对转化后的标签数据进行分类，整理得到专有数据集。
S2、搭建具有yolov5模型结构的pytorch框架。
pytorch框架能快速移植于其他移动设备，支持图像、视频等各种数据源处理，基于该框架下的yolov5模型结构，在GPU等硬件支持下进行并行计算，能够提高目标检测性能。
具体的，本发明使用的yolov5是one-stage网络，不同于之前的two-stage网络，one-stage网络生成的anchor框只是一个逻辑结构，或者只是一个数据块，只需要对这个数据块进行分类和回归就可以，数据处理简单，因而能够准确快速的识别人脸、车牌的位置信息，而原有的two-stage网络生成的anchor框会映射到featuremap的区域，然后将该区域重新输入到全连接层进行分类和回归，每个ancor映射的区域都要进行这样的分类和回归，所以它非常耗时。
S3、采用所述专用数据集对预训练模型进行训练，并根据训练结果对预训练模型进行超参数微调，得到目标检测模型。
根据检测任务修改网络配置，不同的数据集、不同的硬件环境，参数的设置也不尽相同，利用采集的专用数据集进行预训练。参数调整有很多，具体的参数有学习率、批次量、优化器的选择、数据增强等，如：初始学习率设置过小时，收敛过程将变得十分缓慢，学习率设置的过大时，梯度可能会在最小值附近来回震荡，甚至可能无法收敛；因此，具体的参数设置要依据训练结果进行调整。
S4、利用目标检测模型对待检测图像进行识别分类，得到准确的检测目标。
具体的，在Yolov5目标检测模型对待检测的图像进行识别的过程中会产生大量的矩形框，首先从中选取分类得分大于设定值conf的矩形框，而后采用重叠度IOU值，即判断某一矩形框与置信度最高的矩形框重叠度是否大于设定IOU值，如果大于，则判定为重复的矩形框，并丢弃掉，反之则保留下来，根据上述判断方法找到所有最可能存在目标的矩形框(具体是根据检测过程中对矩形框的得分判断，得分越高，越有可能存在目标)，从而剔除那些不包含对象的图像，减少计算量，保留存在对象的图像。
本发明所述自动驾驶场景中目标检测的方法，其通过提取目标检测物不同环境下各个视角的图片数据制作专有数据集，专有数据集具有多样性，使得利用专有的数据集训练得到目标检测模型能够准确快速的识别人脸、车牌的位置信息，另外通过搭建具有yolov5模型结构的pytorch框架，使得到的目标检测模型不仅具有高速数据处理能力，能够提高行人及车辆检测的效率，还能快速移植于其他的移动设备，通用性强。
如图2所示，本发明实施例还公开了一种自动驾驶场景中目标检测的系统，其包括如下功能模块：
数据采集模块10，用于采集自动驾驶场景中人脸与车牌的不同环境下各个视角的照片，并进行标注，制作专有数据集；
环境搭建模块20，用于搭建具有yolov5模型结构的pytorch框架；
模型训练模块30，用于采用所述专用数据集对预训练模型进行训练，并根据训练结果对预训练模型进行超参数微调，得到目标检测模型；
目标检测模块40，用于利用目标检测模型对待检测图像进行识别分类，得到准确的检测目标。
本实施例一种自动驾驶场景中目标检测的系统的执行方式与上述自动驾驶场景中目标检测的方法基本相同，故不作详细赘述。
本实施例服务器为提供计算服务的设备，通常指具有较高计算能力，通过网络提供给多个消费者使用的计算机。该实施例的服务器包括：存储器、处理器以及系统总线，所述存储器包括存储其上的可运行的程序，本领域技术人员可以理解，本实施例的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在存储器上包含一种自动驾驶场景中目标检测的方法的可运行程序，所述可运行程序可以被分割成一个或多个模块/单元，所述一个或多个模块/单元被存储在所述存储器中，并由处理器执行，以完成信息的获取及实现过程，所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述服务器中的执行过程。例如，所述计算机程序可以被分割为数据采集模块、环境搭建模块、模型训练模块以及目标检测模块。
处理器是服务器的控制中心，利用各种接口和线路连接整个终端设备的各个部分，通过运行或执行存储在存储器内的软件程序和/或模块，以及调用存储在存储器内的数据，执行终端的各种功能和处理数据，从而对终端进行整体监控。可选的，处理器可包括一个或多个处理单元；优选的，处理器可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器中。
系统总线是用来连接计算机内部各功能部件，可以传送数据信息、地址信息、控制信息，其种类可以是例如PCI总线、ISA总线、VESA总线等。处理器的指令通过总线传递至存储器，存储器反馈数据给处理器，系统总线负责处理器与存储器之间的数据、指令交互。当然系统总线还可以接入其他设备，例如网络接口、显示设备等。
所述服务器应至少包括CPU、芯片组、内存、磁盘系统等，其他构成部件在此不再赘述。
在本发明实施例中，该终端所包括的处理器执行的可运行程序具体为：一种自动驾驶场景中目标检测的方法，其包括如下步骤：
将采集的视频流数据转换为图像数据，并对图像进行标注；
将标注后得到的标签数据的格式转化为模型训练格式；
按照目标检测物的类别对转化后的标签数据进行分类，整理得到专有数据集；
搭建具有yolov5模型结构的pytorch框架；
采用所述专用数据集对预训练模型进行训练，并根据训练结果对预训练模型进行超参数微调，得到目标检测模型；
采用目标检测模型对待检测的图像等进行识别；
对识别得到的矩形框依次进行选取分类得分、重叠度IOU值进行判定，找到所有最可能存在目标的矩形框；
通过目标检测模型的分类器判断这些保留下来的矩形框所属类别信息，同时输出位置信息。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种自动驾驶场景中目标检测的方法，其特征在于，包括如下步骤：
采集自动驾驶场景中人脸与车牌的不同环境下各个视角的照片，并进行标注，制作专有数据集；
搭建具有yolov5模型结构的pytorch框架；
采用所述专用数据集对预训练模型进行训练，并根据训练结果对预训练模型进行超参数微调，得到目标检测模型；
利用目标检测模型对待检测图像进行识别分类，得到准确的检测目标。
2.根据权利要求1所述自动驾驶场景中目标检测的方法，其特征在于，所述采集自动驾驶场景中人脸与车牌的不同环境下各个视角的照片，并进行标注，制作专有数据集；包括：
将采集的视频流数据转换为图像数据，并对图像进行标注；
将标注后得到的标签数据的格式转化为模型训练格式；
按照目标检测物的类别对转化后的标签数据进行分类，整理得到专有数据集。
3.根据权利要求2所述自动驾驶场景中目标检测的方法，其特征在于，所述将标注后得到的标签数据的格式转化为模型训练格式，具体是将标签文件的.yaml、.xml或者是.json格式转换为模型训练过程中学习使用的标签文件为.txt格式。
4.根据权利要求1所述自动驾驶场景中目标检测的方法，其特征在于，所述pytorch框架具有GPU硬件支持。
5.根据权利要求1所述自动驾驶场景中目标检测的方法，其特征在于，所述利用目标检测模型对待检测图像进行识别分类，得到准确的检测目标，包括：
采用目标检测模型对待检测的图像等进行识别；
对识别得到的矩形框依次进行选取分类得分、重叠度IOU值进行判定，找到所有最可能存在目标的矩形框；
通过目标检测模型的分类器判断这些保留下来的矩形框所属类别信息，同时输出位置信息。
6.一种自动驾驶场景中目标检测的系统，其特征在于，包括如下功能模块：
数据采集模块，用于采集自动驾驶场景中人脸与车牌的不同环境下各个视角的照片，并进行标注，制作专有数据集；
环境搭建模块，用于搭建具有yolov5模型结构的pytorch框架；
模型训练模块，用于采用所述专用数据集对预训练模型进行训练，并根据训练结果对预训练模型进行超参数微调，得到目标检测模型；
目标检测模块，用于利用目标检测模型对待检测图像进行识别分类，得到准确的检测目标。
7.一种服务器，包括存储器、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，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述自动驾驶场景中目标检测的方法的步骤。
8.一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5任一项所述自动驾驶场景中目标检测的方法的步骤。
CN202011159990.5A 2020-10-27 2020-10-27 自动驾驶场景中目标检测的方法及系统、服务器及介质 Withdrawn CN112329567A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011159990.5A CN112329567A (zh) 2020-10-27 2020-10-27 自动驾驶场景中目标检测的方法及系统、服务器及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011159990.5A CN112329567A (zh) 2020-10-27 2020-10-27 自动驾驶场景中目标检测的方法及系统、服务器及介质

Publications (1)

Publication Number Publication Date
CN112329567A true CN112329567A (zh) 2021-02-05

Family

ID=74312231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011159990.5A Withdrawn CN112329567A (zh) 2020-10-27 2020-10-27 自动驾驶场景中目标检测的方法及系统、服务器及介质

Country Status (1)

Country Link
CN (1) CN112329567A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112784821A (zh) * 2021-03-06 2021-05-11 深圳市安比智慧科技有限公司 基于YOLOv5的工地行为安全检测识别方法及系统
CN113743459A (zh) * 2021-07-29 2021-12-03 深圳云天励飞技术股份有限公司 目标检测方法、装置、电子设备及存储介质
CN114399742A (zh) * 2021-12-03 2022-04-26 南京佑驾科技有限公司 一种基于神经网络的被遮挡车辆尾框回归方法、装置及存储介质
CN114529888A (zh) * 2022-01-12 2022-05-24 盛视科技股份有限公司 非机动车驾驶识别方法、装置、计算机及可读存储介质
CN114548363A (zh) * 2021-12-29 2022-05-27 淮阴工学院 一种基于YOLOv5的无人车辆搭载摄像头目标检测方法
CN116189066A (zh) * 2021-11-18 2023-05-30 重庆药羚科技有限公司 实验室ppe合规穿戴监测方法及系统、存储介质及终端
CN116246200A (zh) * 2023-01-06 2023-06-09 中国电子科技集团公司第十研究所 一种基于视觉识别的屏显信息偷拍检测方法及系统
CN117893978A (zh) * 2022-10-09 2024-04-16 比亚迪股份有限公司 环境感知方法、装置、存储介质及车辆

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629823A (zh) * 2018-04-10 2018-10-09 北京京东尚科信息技术有限公司 多视角图像的生成方法和装置
CN109496316A (zh) * 2018-07-28 2019-03-19 合刃科技（深圳）有限公司 图像识别系统
CN110263607A (zh) * 2018-12-07 2019-09-20 电子科技大学 一种用于无人驾驶的道路级全局环境地图生成方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629823A (zh) * 2018-04-10 2018-10-09 北京京东尚科信息技术有限公司 多视角图像的生成方法和装置
CN109496316A (zh) * 2018-07-28 2019-03-19 合刃科技（深圳）有限公司 图像识别系统
CN110263607A (zh) * 2018-12-07 2019-09-20 电子科技大学 一种用于无人驾驶的道路级全局环境地图生成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
个人图书馆: "《深入浅出YOLOv5》", 《360DOC.COM/CONTENT/20/0827/20/99071_932541065.SHTML》 *
孙明军: "《无人驾驶中的行人检测与重识别算法研究》", 《中国优秀博硕士学位论文全文数据库（硕士） 工程科技Ⅱ辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112784821A (zh) * 2021-03-06 2021-05-11 深圳市安比智慧科技有限公司 基于YOLOv5的工地行为安全检测识别方法及系统
CN113743459A (zh) * 2021-07-29 2021-12-03 深圳云天励飞技术股份有限公司 目标检测方法、装置、电子设备及存储介质
CN113743459B (zh) * 2021-07-29 2024-04-02 深圳云天励飞技术股份有限公司 目标检测方法、装置、电子设备及存储介质
CN116189066A (zh) * 2021-11-18 2023-05-30 重庆药羚科技有限公司 实验室ppe合规穿戴监测方法及系统、存储介质及终端
CN114399742A (zh) * 2021-12-03 2022-04-26 南京佑驾科技有限公司 一种基于神经网络的被遮挡车辆尾框回归方法、装置及存储介质
CN114548363A (zh) * 2021-12-29 2022-05-27 淮阴工学院 一种基于YOLOv5的无人车辆搭载摄像头目标检测方法
CN114529888A (zh) * 2022-01-12 2022-05-24 盛视科技股份有限公司 非机动车驾驶识别方法、装置、计算机及可读存储介质
CN114529888B (zh) * 2022-01-12 2024-10-15 盛视科技股份有限公司 非机动车驾驶识别方法、装置、计算机及可读存储介质
CN117893978A (zh) * 2022-10-09 2024-04-16 比亚迪股份有限公司 环境感知方法、装置、存储介质及车辆
CN116246200A (zh) * 2023-01-06 2023-06-09 中国电子科技集团公司第十研究所 一种基于视觉识别的屏显信息偷拍检测方法及系统

Similar Documents

Publication Publication Date Title
CN112329567A (zh) 自动驾驶场景中目标检测的方法及系统、服务器及介质
US12293557B2 (en) Image processing method and device, equipment, and computer-readable storage medium
CN111767882B (zh) 一种基于改进yolo模型的多模态行人检测方法
US10268893B2 (en) System and method for automatic detection of spherical video content
US8538141B2 (en) Classifier learning image production program, method, and system
CN107273832B (zh) 基于积分通道特征与卷积神经网络的车牌识别方法及系统
CN111767831B (zh) 用于处理图像的方法、装置、设备及存储介质
WO2018130016A1 (zh) 一种基于监控视频的停车检测方法及装置
CN105262991B (zh) 一种基于二维码的变电站设备对象识别方法
CN111950723A (zh) 神经网络模型训练方法、图像处理方法、装置及终端设备
CN107636589A (zh) 用于减少多个限界区的系统和方法
CN108564052A (zh) 基于mtcnn的多摄像头动态人脸识别系统与方法
US20060110029A1 (en) Pattern recognizing method and apparatus
WO2018113523A1 (zh) 一种图像处理方法及装置、存储介质
KR20050117276A (ko) 비디오 영상으로부터 이동 물체를 추출하는 장치 및 방법
CN116363532A (zh) 基于注意力机制和重参数化的无人机图像交通目标检测方法
CN113723157B (zh) 一种农作物病害识别方法、装置、电子设备及存储介质
AU2006252252A1 (en) Image processing method and apparatus
CN116310875A (zh) 卫星遥感影像的目标检测方法及装置
CN111046746A (zh) 一种车牌检测方法及装置
CN111598124A (zh) 图像处理及装置、处理器、电子设备、存储介质
CN111581679A (zh) 一种基于深度网络的防范屏幕拍照方法
CN116883383A (zh) 基于嵌入式前端的列车受电弓结构异常检测方法及系统
CN118196484B (zh) 基于图像增强与场景语义优化的视觉地点识别方法及系统
CN106777071B (zh) 一种图像识别获取参考信息的方法和装置

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210205