- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习AI算法工程
车辆目标检测
车辆是视频场景中最关键的对象之一，车辆 和 人 是视频检测永恒的话题。 车辆检测 是车辆分析中关键的一步，是后续进行 车型识别、车标识别、车牌识别、车辆特征 的基础。 ： 关于目标检测的框架及代码非常多，这里列出来几个： 名声在外的 DPM Deformable Part Models，专业做行人检测，对于车辆检测等刚体目标 并无太多优势 • 开放训练数据集 （车辆检测）： MIT - CBCL 车辆数据集 由 MIT 提供的车辆数据集（2000年），主要用于车辆检测和识别中，共有516张128*128格式为ppm 下载地址：http://cbcl.mit.edu/software-datasets/CarData.html KITTI 这是一个测试交通场景中 车辆检测、追踪、语义分割等算法的公开数据集 下载地址：http://www.cvlibs.net/datasets/kitti/index.php UA-DETRAC 车辆检测和跟踪的大规模数据集，可以作为 KITTI
3.5K40发布于 2018-06-07 - 来自专栏计算机视觉战队
简单车辆检测源码
简单车牌检测 main： clc; clear; close all; I=imread('1.png'); figure(1),imshow(I);title('原图'); I1=rgb2gray( 1,2,2),imhist(I1);title('灰度图直方图'); I2=edge(I1,'canny',[0.2,0.55]); figure(3),imshow(I2);title('canny算子边缘检测
1.3K60发布于 2018-04-17 - 来自专栏燧机科技-视频AI智能分析
车辆逆行识别检测系统
车辆逆行识别检测系统通过opencv+yolo网络深度学习技术，车辆逆行识别检测系统对现场画面中车辆逆向行驶行为进行检测抓拍预警。 若车辆逆行识别检测系统检测到道路上有车辆逆向行驶时，车辆逆行识别检测系统则抓拍预警。 图片我们使用YOLO(你只看一次)算法进行对象检测。YOLO是一个聪明的卷积神经网络(CNN)，用于实时进行目标检测。 图片Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框） 的位置及其所属的类别。 YOLO系列算法是一类典型的one-stage目标检测算法，其利用anchor box将分类与目标定位的回归问题结合起来，从而做到了高效、灵活和泛化性能好。图片
1.4K50编辑于 2023-01-11 - 来自专栏AI算法与图像处理
基于OpenCV的车辆变道检测
本期教程我们将和小伙伴们一起研究如何使用计算机视觉和图像处理技术来检测汽车在行驶中时汽车是否在改变车道！ canny边缘检测器与霍夫线变换一起用于检测车道。 canny边缘检测（作者提供的图像） 04. 边缘检测 诸如canny边缘检测器之类的算法用于查找将图像中的边缘像素，但是由于我们无法融合某些点和边缘，因此它无法找到实际对象，在这里我们可以使用OpenCV中的cv2.findContours（）实现轮廓的查找 总结 在本教程中，使用车道变更检测方法探索了智能汽车导航的小型演示。
1.6K10发布于 2020-12-07 - 来自专栏深度学习和计算机视觉
基于OpenCV的车辆变道检测
本期教程我们将和小伙伴们一起研究如何使用计算机视觉和图像处理技术来检测汽车在行驶中时汽车是否在改变车道！ canny边缘检测器与霍夫线变换一起用于检测车道。 canny边缘检测（作者提供的图像） 04. 边缘检测 诸如canny边缘检测器之类的算法用于查找将图像中的边缘像素，但是由于我们无法融合某些点和边缘，因此它无法找到实际对象，在这里我们可以使用OpenCV中的cv2.findContours（）实现轮廓的查找 总结 在本教程中，使用车道变更检测方法探索了智能汽车导航的小型演示。
1.5K10发布于 2020-12-07 - 来自专栏贾志刚-OpenCV学堂
OpenVINO + OpenCV实现车辆检测与道路分割
模型介绍 OpenVINO支持道路分割与车辆检测，预训练模型分别为： - road-segmentation-adas-0001 - vehicle-detection-adas-0002 其中道路分割模型的输出四个分类 ，格式如下： BG, road, curb, mark， 输出格式[NCHW]=[1x4x512x896] 车辆检测模型基于SSD MobileNetv1实现，输出格式为： NCHW = [1x1xNx7 加载车辆检测模型，推理与解析SSD输出结果的代码如下： # 车辆检测 vnet = ie.read_network(model=vehicel_xml, weights=vehicel_bin) vehicle_input_blob input_data.shape print(n, c, h, w) vehicle_exec_net = ie.load_network(network=vnet, device_name="CPU") # 车辆检测 image.transpose(2, 0, 1) vec_res = vehicle_exec_net.infer(inputs={vehicle_input_blob:[image]}) # 解析车辆检测结果
1.2K41发布于 2020-11-06 - 来自专栏机器学习AI算法工程
yolov5 行人 车辆 跟踪 检测 计数
显示检测类别。 默认是 南/北 方向检测，若要检测不同位置和方向，可在 main.py 文件第13行和21行，修改2个polygon的点。 默认检测类别：行人、自行车、小汽车、摩托车、公交车、卡车。 检测类别可在 detector.py 文件第60行修改。 在 main.py 文件中第66行，设置要检测的视频文件路径，默认为 '.
1.4K30编辑于 2021-12-17 - 来自专栏TSINGSEE青犀视频
AI车辆检测人脸检测智能分析网关新增烟火检测识别与烟火告警
智能分析网关V2版现已经可支持烟火识别，当检测到疑似烟火的场景时，将通过主动预警推送的方式，对现场进行抓拍、保存、上传至平台，并将预警消息通过短信、电话、邮件、微信等方式推送给相关管理人员。 图片如图所示，开启AI算法烟火检测，当通过视频画面检测出明火或烟雾时，将发出告警。同理，开启AI算法车辆检测时，可检测出经过车辆的型号、车牌、颜色，并能触发车辆违停告警。 参考代码：图片图片后台管理页面展示：图片烟火检测技术可应用在工地、煤矿、石油化工、水利水电、森林防火、仓储物流、秸秆焚烧等场景中，能弥补传统视频监控的不足，减少人工监控的工作强度。
98720编辑于 2022-10-21 - 来自专栏机器学习、深度学习
车辆检测--DAVE: A Unified Framework for Fast Vehicle Detection and Annotation
DAVE: A Unified Framework for Fast Vehicle Detection and Annotation ECCV2016 本文使用深度学习进行车辆检测和属性学习 如下图所示： DAVE 由两个模块构成：车辆检测模块 fast vehicle proposal network (FV**)，车辆属性提取模块 attributes learning network 对于 FV** 检测模块，有三个卷积层，两个池化层，随后分叉为三个 1×1 卷积层，这三个 1×1 卷积层分别对应Conv_fc_class 检测有无车辆， Conv_fc_bbr 坐标回归， Conv_fc_knowledge 从 ALN 学习到的信息，辅助检测。 对于 ALN，我们使用 GoogLeNet，在GoogLeNet后面加了4个全链接层 表示：V , P, C and T，V表示是否是车辆， P, C 和 T分别表示 pose, color and type
71210发布于 2019-05-27 - 来自专栏算法工程师的学习日志
16个车辆信息检测数据集收集汇总
UA-DETRAC http://detrac-db.rit.albany.edu/ UA-DETRAC是一个具有挑战性的现实世界多目标检测和多目标跟踪基准。 我们还对目标检测和多目标跟踪方面的最新方法进行基准测试，以及本网站中详细介绍的评估指标。 车辆分为四类，即轿车、公共汽车、厢式货车和其他车辆。 天气情况分为四类，即多云、夜间、晴天和雨天。 数据集内容除了有车辆拍摄的图像，还包含车辆本身的属性和参数信息，例如经纬度、制动器、油门、转向度、转速。主要应用方向：目标检测，自动驾驶； 12. 赛事：D²-City & BDD100K 目标检测迁移学习挑战赛 在目标检测迁移学习挑战赛中，参赛者需要利用采集自美国的BDD100K数据，训练目标检测模型用于采集自中国的D²-City数据。 数据集中可能包含稀有或有挑战性的状况下采集的数据，如光线不足、雨雾天气、道路拥堵等，参赛者需要提供在各状况下准确的目标检测结果。 13.
12.8K30编辑于 2022-07-27 - 来自专栏机器学习、深度学习
车辆检测--A Closer Look at Faster R-CNN for Vehicle Detection
R-CNN for Vehicle Detection Intelligent Vehicles Symposium , 2016 :124-129 本文主要分析了 Faster R-CNN 对于车辆检测这个问题的性能表现 数据集上车辆尺寸分布图 ? B. What training scale is appropriate? 主要是降采样太多，车辆特征变小导致检测精度低 我们尝试了不同的训练图像尺寸 ? 上图显示随着训练图像尺寸的增加，车辆检测精度是一直提升的。
42930发布于 2019-05-26 - 来自专栏深度学习和计算机视觉
单镜头视觉系统检测车辆的测距方法
关于单目测距的问题，检测的障碍物2-D框加上摄像头的姿态和路面假设。 2 车辆和车道综合检测与距离估计 算法流程如下： 先是从3个消失点估算摄像头焦距，然后6个2D-3D对应点得到摄像头姿态： 基于车道宽度的假设（3.75米），可以算出投影矩阵，随之得到距离公式： 下图是一些结果 然后可以计算出车辆距离： 5 不良光照条件下车辆检测与距离估计 碰撞报警需要估算安全距离。 ，下面是流程图： 计算公式： 车边框的位置以及光流大小可以确定碰撞的可能性： 这里主要是通过简单的几何关系，直接估算检测的路上车辆距离并给出可能的撞击时间。 现在深度学习越来越强大，理论上得到车检测边框的同时，也可以回归车的距离。
1.8K40发布于 2021-08-05 - 来自专栏机器学习AI算法工程
车辆检测及型号识别，准确率接近90%
车辆检测及型号识别广泛应用于物业，交通等的管理场景中。通过在停车场出入口，路口，高速卡口等位置采集的图片数据，对车辆的数量型号等进行识别，可以以较高的效率对车型，数量信息等进行采集。 如商场停车位的规划，路况规划，或者公安系统追踪肇事车辆等等。 代码获取方式： 关注微信公众号 datayx 然后回复 车辆 即可获取。 本项目中，将实现一个车辆检测的工业级系统。 需要利用tensorflow提供的slim图片分类框架和物体检测框架实现一个可以对任意图片进行车辆检测的系统 评价标准 系统要求能检测任意图片并给出合理的输出，需要给出合理的评价指标，例如map等。 从任意图片网站上，随机下载一张有汽车在内的图片，送入系统进行检测。可以输出并显示图片中车辆的位置和型号等信息。没有车辆的图片可以给出没有检测到的提示。 本项目用到一个车辆分类的数据集。 显示检测结果 搭建一个web系统，在web页上显示结果 搭建一个native程序，使用pyqt等GUI框架搭建GUI界面 训练数据集为分类数据，在1080Ti显卡上，以inceptionv4网络，0.001
1.4K10发布于 2019-10-28 - 来自专栏点云PCL
单镜头视觉系统检测车辆的测距方法
本文是来自黄浴博士的知乎专栏，主要概述了几篇论文中使用单目摄像头的传统方法检测车辆并测距的方法，所以深度学习的方法并不在此文的讨论范围。本文已获得黄浴博士授权，未经原作者许可不得转载。 本车A，前方车B和C，摄像头P焦距f，高度H，和障碍物B/C距离Z1/Z2，B/C检测框着地点在图像的投影是y1/y2。那么y=fH/Z，所以Z=fH/y。下面是三个不同距离的估计结果： ? Hc为摄像头高度，Yb是车辆框底部的垂直位置。然后可以计算出车辆距离： ? 7 Forward Collision Warning with a Single Camera time to contact (TTC) 直接从车辆的大小和位置得到，下面是流程图： ? 这里主要是通过简单的几何关系，直接估算检测的路上车辆距离并给出可能的撞击时间。现在深度学习越来越强大，理论上得到车检测边框的同时，也可以回归车的距离。
3.4K41发布于 2019-07-30 基于 YOLO 的无人机视角车辆检测系统
基于YOLO的无人机视角车辆检测系统项目演示地址：【基于YOLO深度学习的无人机视角车辆检测系统】代码获取地址：https://mbd.pub/o/bread/YZWckpdsZw==基本功能演示本项目是一个基于 YOLO目标检测网络和PyQt5开发的无人机视角车辆检测系统。 研究背景随着无人机技术在交通监控、城市安防等领域的广泛应用，无人机航拍视角的车辆检测成为重要的研究方向。 检测结果说明检测结束后，界面会显示以下信息：标签与置信度显示开关：用户可勾选是否在检测结果的红框上方，直接打印对应的类别名称和置信度概率数字。总目标数：统计当前最新画面中检测到的车辆对象累计数量。 目标位置框信息：中心点坐标：检测框几何中心点在图像上的位置。检测框长：该车辆横向边界框的像素长度。检测框宽：该车辆纵向边界框的像素宽度。
21710编辑于 2026-03-22- 来自专栏计算机视觉战队
国庆堵车 | AI“高速”车辆检测轻而易举监测大家安全
作者：Edison_G 国庆节不管是离开小城镇还是进入大城市，每个高速路口都是堵车，现在人工智能愈来愈发达，不再用通过交警得知高速公路上的案发事件，现在都是摄像机覆盖，AI可以通过镜头&算法检测到行驶的车辆 一、简要 Single-stage目标检测方法因其具有实时性强、检测精度高等特点，近年来受到广泛关注。 好比在国庆节的高速路上，车辆较多，而且车辆的行驶速度不一，大多数都是高速行驶状态中，所以有研究者研究了一个single-stage检测框架，它结合了微调预训练模型和从零开始训练的优点。 然而在新的检测框架中引入了一个双向网络，它可以有效地传递中低层次和高层次的语义信息。 二、背景&动机 研究表明，训练检测模型从零开始解决这个问题，导致精确定位。 现在遇到的问题： 小目标检测的难点 小目标检测是一个具有挑战性的问题，它既需要精确描述对象的低层/中层信息，也需要区分目标对象与背景或其他对象类别的高级语义信息。
50820编辑于 2022-01-26 - 来自专栏计算机视觉战队
五一堵车 | AI“高速”车辆检测轻而易举监测大家安全
计算机视觉研究院专栏 作者：Edison_G 五一节不管是离开小城镇还是进入大城市，每个高速路口都是堵车，现在人工智能愈来愈发达，不再用通过交警得知高速公路上的案发事件，现在都是摄像机覆盖，AI可以通过镜头&算法检测到行驶的车辆 一、简要 Single-stage目标检测方法因其具有实时性强、检测精度高等特点，近年来受到广泛关注。 好比在国庆节的高速路上，车辆较多，而且车辆的行驶速度不一，大多数都是高速行驶状态中，所以有研究者研究了一个single-stage检测框架，它结合了微调预训练模型和从零开始训练的优点。 然而在新的检测框架中引入了一个双向网络，它可以有效地传递中低层次和高层次的语义信息。 二、背景&动机 研究表明，训练检测模型从零开始解决这个问题，导致精确定位。 ，基于差异和共性的半监督方法用于图像表面缺陷检测 CLCNet：用分类置信网络重新思考集成建模（附源代码下载） YOLOS：通过目标检测重新思考Transformer（附源代码） 工业检测：基于密集尺度特征融合
36650编辑于 2023-08-24 - 来自专栏物联网解决方案
地磁车辆检测器道路侧安装解决方案
车辆地磁车辆地磁检测器安装所需要注意的有哪些呢？相信多数人都不是那么的了解，下面就请跟随车辆地磁车辆地磁检测器小编去详细了解下吧。 一、车辆地磁车辆地磁检测器安装车辆地磁检测器应尽可能安装在防潮防湿的干燥环境里，并与其它设备或装置保持一定间隔，以便接线和维护。 线圈安装由于车辆地磁车辆地磁检测器的电感自调谐范围较大，所以车辆地磁检测器对于感应线圈的电感量(包括馈线)适应范围较宽，馈线长度最长可达 500米，有利于工程应用。 一、安装位置地磁车辆检测器是通过地面感应线圈检测车辆是否经过，因此安装位置至关重要，通常需要安装在车道中央的地方。 由于车辆地磁车辆地磁检测器的电感自调谐范围较大，所以车辆地磁检测器对于感应线圈的电感量(包括馈线)适应范围较宽，馈线长度最长可达 500米，有利于工程应用。线圈和馈线推荐使用整根电缆(无接头)。
22110编辑于 2025-10-13 - 来自专栏拓端tecdat
Python路面平整度检测车辆数据——速度修正
检测前需要将车辆行驶至标准路段（即已知IRI真值的路段）上来回行驶对传感器进行标定，完成标定后驾驶车辆前往待检测路段进行平整度检测。 在标定工作中，车辆会被要求已恒定速度行驶进行标定，而实际测量时，车辆的速度往往会随道路交通状况、路况、天气等因素无法维持恒定的速度，导致车辆在检测过程中时的车辆行驶速度时快时慢，严重影响检测结果精度。 解决方案任务目标基于不同车速下的平整度检测车辆振动数据结果，探究车速与检测结果之间的关系，根据此关系进行速度修正，将不同车速下的检测结果转换成当量速度下的检测结果。 数据清洗将57天车辆轨迹散点（红）画于图中，同时标注待检测路段桩号点（蓝），发现检测车辆并不是完全按照预定路线进行检测，有诸多路段是多检路段，将影响后续计算结果。将相邻桩号点连接形成若干个线段。 图6 拟合直线截距分布直方图图7 改进后的拟合结果得出平整度检测车辆检测结果速度修正方案，对于每一条路段在不同车辆速度下的振动数据统计指标RMS，减去同一截距0.07。
69100编辑于 2023-01-12 - 来自专栏LB说IOT
联网车辆
工业标准C-V2X C-V2X（蜂窝式车辆到所有车辆）是一项技术，它将使联网车辆市场充分发挥其潜力。C-V2X是一个增强的3GPP LTE标准，描述了一组支持车辆、基础设施和人之间通信信息的技术。 V2V V2V（Vehicle-to-Vehicle）技术允许车辆相互通信。例如，用例包括在交通转弯处和交叉口发送和接收碰撞警告，以提高交通安全，以及关于紧急制动或静止车辆的警告，以避免追尾碰撞。 V2I V2I（车辆到基础设施）技术允许车辆与道路基础设施（如红绿灯、速度标志和收费站）通信。例如，当驾驶员可以监视红绿灯的状态和改变时间时，他们可以预测何时减速和加速。 这项安全关键服务可通过两种方式提供：利用蜂窝网络，通过智能手机上的应用程序，车辆可以看到行人或骑自行车的人；或车辆和易受伤害的道路使用者之间的直接通信，从而将C-V2X技术直接嵌入智能手机中。 V2N V2N（车辆到网络）技术允许车辆与移动网络通信，通过使用现有的蜂窝基础设施，在车辆（V2N2V）、基础设施（V2N2I）和易受攻击的道路用户（V2N2P）之间实现高度可靠的远距离通信。
66120编辑于 2022-04-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号