-
公开(公告)号：CN109190444A
公开(公告)日：2019-01-11
申请号：CN201810705071.X
申请日：2018-07-02
Applicant: 南京大学
Abstract: 本发明提出了一种基于视频的收费车道车辆特征识别系统的实现方法，包含三个模块：车辆检测模块、车辆跟踪模块和车辆特征识别模块。本发明使用SSD目标检测器进行检测，使用特征图直方图对比和距离对比方法进行跟踪，将特征图通过卷积神经网络，进行车辆特征识别。本发明方法能有效地识别特征，并且可以实时运行，减少了计算资源的重复消耗，提升了系统的准确性。
-
公开(公告)号：CN108229319A
公开(公告)日：2018-06-29
申请号：CN201711226281.2
申请日：2017-11-29
Applicant: 南京大学
Abstract: 基于帧间差异与卷积神经网络融合的船舶视频检测方法，包括四个部分：对视频作预处理、获取每一帧的ROI区域并提取浅层特征、用修改的VGG16网络获取每一帧图的高层特征、预测每一帧ROI区域船舶显著图并提取船舶目标。本发明充分利用了视频前后帧之间的联系，减小了背景的干扰，准确定位运动船舶，获得了船舶运动的区域，相比于只利用低层特征的船舶图像显著性检测，既能够直接应用于船舶视频的检测，又减少了检测船舶不全的情况，对复杂内河运动船舶场景的适应性更强，检测精度更高，解决了内河船舶目标显著性检测不准确的问题，具有极高的实际应用价值。
-
公开(公告)号：CN107133974B
公开(公告)日：2019-08-27
申请号：CN201710409429.X
申请日：2017-06-02
Applicant: 南京大学
Abstract: 高斯背景建模与循环神经网络相结合的视频车型分类方法，通过使用混合高斯模型提取运动目标，并将运动目标送循环神经网络提取特征，根据循环神经网络输出的向量判断目标是否为车辆以及车辆类型.本发明提出了将RNN作为高斯混合模型的后续运算，以达到车型分类的目的，首先利用高斯混合模型对视频序列进行背景建模，检测出运动目标区域，利用CNN对检测出的目标区域进行分类,将分类结果输入至RNN网络中得到最后的分类来判别是客车、货车或者非车。本发明创造性的使用了高斯背景建模与循环神经网络结合的方法，该方法有较强鲁棒性，两者结合能够大大提高了车辆检测和车型识别精度。
-
Patent Agency Ranking
公开(公告)号：CN107220982A
公开(公告)日：2017-09-29
申请号：CN201710215079.3
申请日：2017-04-02
Applicant: 南京大学
CPC classification number: G06T7/12 , G06T7/149 , G06T7/215 , G06T7/246 , G06T2207/10016
Abstract: 本发明提出了一种抑制船尾拖纹的船舶显著性视频检测方法，包含两个模块：内河场景显著图计算模块和改进的GrabCut船舶提取模块。该算法通过提取区域显著图，作为GrabCut算法的初始化，通过多次迭代分割操作来逼近目标边缘，从而提取运动船舶。该方法能有效地抑制船尾拖纹对运动船舶检测的干扰，提高内河运动船舶尺寸检测精度，对准确获得船舶尺寸数据具有鲁棒性。
-
公开(公告)号：CN106874863A
公开(公告)日：2017-06-20
申请号：CN201710059676.1
申请日：2017-01-24
Applicant: 南京大学
Abstract: 基于深度卷积神经网络的车辆违停逆行检测方法，用移动终端检测点作为道路摄像头，移动终端检测点通过摄像头获取图像信息，将深度学习引入路面事件识别并加以改进，以显著提高道路事件识别准确率。本发明利用卷积神经网络对获取的图像进行分析，将路面ROI区域划分为多个网络，构建路面—非路面识别模型，通过非路面网格反向识别高速公路非法停车、车辆逆向行驶等目标。本发明应用于路面违停检测、车辆逆行检测等非实时性任务，充分利用移动互联网的特点与优势，以低成本实现区域高覆盖率车辆违停和车辆逆行等路面事件检测。
-
公开(公告)号：CN109190444B
公开(公告)日：2021-05-18
申请号：CN201810705071.X
申请日：2018-07-02
Applicant: 南京大学
Abstract: 本发明提出了一种基于视频的收费车道车辆特征识别系统的实现方法，包含三个模块：车辆检测模块、车辆跟踪模块和车辆特征识别模块。本发明使用SSD目标检测器进行检测，使用特征图直方图对比和距离对比方法进行跟踪，将特征图通过卷积神经网络，进行车辆特征识别。本发明方法能有效地识别特征，并且可以实时运行，减少了计算资源的重复消耗，提升了系统的准确性。
-
公开(公告)号：CN106874863B
公开(公告)日：2020-02-07
申请号：CN201710059676.1
申请日：2017-01-24
Applicant: 南京大学
Abstract: 基于深度卷积神经网络的车辆违停逆行检测方法，用移动终端检测点作为道路摄像头，移动终端检测点通过摄像头获取图像信息，将深度学习引入路面事件识别并加以改进，以显著提高道路事件识别准确率。本发明利用卷积神经网络对获取的图像进行分析，将路面ROI区域划分为多个网络，构建路面—非路面识别模型，通过非路面网格反向识别高速公路非法停车、车辆逆向行驶等目标。本发明应用于路面违停检测、车辆逆行检测等非实时性任务，充分利用移动互联网的特点与优势，以低成本实现区域高覆盖率车辆违停和车辆逆行等路面事件检测。
-
公开(公告)号：CN107133974A
公开(公告)日：2017-09-05
申请号：CN201710409429.X
申请日：2017-06-02
Applicant: 南京大学
Abstract: 高斯背景建模与循环神经网络相结合的视频车型分类方法，通过使用混合高斯模型提取运动目标，并将运动目标送循环神经网络提取特征，根据循环神经网络输出的向量判断目标是否为车辆以及车辆类型.本发明提出了将RNN作为高斯混合模型的后续运算，以达到车型分类的目的，首先利用高斯混合模型对视频序列进行背景建模，检测出运动目标区域，利用CNN对检测出的目标区域进行分类,将分类结果输入至RNN网络中得到最后的分类来判别是客车、货车或者非车。本发明创造性的使用了高斯背景建模与循环神经网络结合的方法，该方法有较强鲁棒性，两者结合能够大大提高了车辆检测和车型识别精度。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.022 seconds)
