- 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 - 来自专栏雷达应用
雾天安全行车诱导系统车辆检测雷达工作原理与技术方案
针对雾区车辆检测，一款功耗极低，性价比极高的WTR-562-X雾区车辆检测雷达产品，可有效替代红外对射检测技术！ 目前，用于雾天安全行车诱导的车辆检测技术主要包括红外对射与毫米波雷达。 当车检器检测到车辆通过时，触发上游特定组诱导装置的“防撞警示灯”由黄色变为红色，同步闪烁的红色灯光带随着车辆移动，形成移动的“红色尾迹”，尾迹长度可以根据车辆速度动态调整。 三、毫米波雷达雾区车辆检测方案1、方案介绍WTR-562-X安装在道路侧面，检测断面垂直于道路断面，工作时发射探测波束，覆盖一定区域，可对检测区域内的动态车辆目标进行快速捕捉，探测目标准确，安装施工方便 采用环境自适应算法、灵敏度调节等先进技术，可灵活适用于高速公路、城市道路、国道、乡道、隧道进出口、急坡、长坡等雾霾、夜间、雨天等能见度低环境下的车辆检测。
67460编辑于 2023-11-16 - 来自专栏学习笔记（宝藏）
matlab利用雷达检测器模块对驾驶场景中的车辆进行识别仿真
创建含有毫米波雷达的驾驶场景 首先，输入： drivingScenarioDesigner 进入 Driving Scenario Designer 应用程序。 [在这里插入图片描述] [在这里插入图片描述] [在这里插入图片描述] [在这里插入图片描述] 结果为： 该驾驶场景表示主车辆自南向北行驶，执行穿过十字路口，包含一个毫米波雷达。 [在这里插入图片描述] 生成Simulink模型 选择“Export”➡“Export Simulink Model”选项，生成驾驶场景和毫米波雷达的Simulink模型。 [在这里插入图片描述] 仿真识别 单击“BIRD'S-EYE Scope”选型，打开鸟瞰图，单击“Find Signals”➡“Run”按钮，车辆开始运动并进行识别。 [在这里插入图片描述]
85200发布于 2021-09-11 - 来自专栏雷达应用
隧道车辆检测雷达在智能照明调光系统中的应用
基于巍泰技术TBR-510/511车辆检测雷达的隧道跟随式照明智能调光系统可通过隧道外固定式和隧道内分段式车辆检测雷达对车辆进行实时监测，为照明控制系统提供有效数据，从而实时管理隧道照明，实施分段独立控制 一、系统组成隧道跟随式照明智能调光系统主要由隧道外固定式车辆检测雷达、隧道内分段式车辆检测雷达、数据采集及调光一体机、隧道实时状况监控软件平台等组成。 1、隧道外固定式车辆检测雷达：检测车辆是否进入隧道。2、隧道内分段式车辆检测雷达：检测隧道内车辆行驶的位置信息，实时上报。3、数据采集及调光一体机：分析雷达车辆检测数据，实现命令传输及调光操作。 二、雷达选型隧道车辆检测雷达可根据检测距离、安装位置、安装方式等不同需求，选择巍泰技术TBR-511或TBR-510两款型号。 7、24.15GHz频段，与车载雷达互不干扰8、产品功耗低，用电少9、连接方式简单，雷达可直接控制装置连接四、雷达应用当隧道入口或隧道内无车接近或通行时，TBR-511/510车辆检测雷达获得无车通行信号
63210编辑于 2024-01-03 - 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s09g的技术博客
雷达检测 Radar Measurement
雷达检测 Radar Measurement 激光可以获得车辆的位置信息，要完成传感融合还需要从雷达获取速度信息 雷达信息包含了三个变量：Range范围(与路人的距离); Bearing方位(从x轴开始逆时针转向路人方向的角度
52810编辑于 2022-07-06 - 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 - 来自专栏点云PCL
基于相机和低分辨率激光雷达的三维车辆检测
摘要 目前，LiDAR已广泛应用于自动驾驶车辆的感知与定位系统中。然而，高分辨率激光雷达的成本仍然昂贵得让人望而却步，相反低分辨率激光雷达的成本要便宜得多。 图2：16线激光雷达（底部）和64线激光雷达（中部）的深度图与其RGB图像（顶部）的对比，红色框表示近程车辆，橙色框表示中距离车辆，远程车辆用蓝色框标记。绿色方框表示阻挡的车辆。 因此，我们认为当融合稀疏深度图和RGB图像时，目标检测成为可能。 主要内容 本文研究了低分辨率激光雷达用于BEV目标检测的可能性。在图2中，红色框、橙色框和蓝色框分别表示短程、中程和远程车辆。 对于中远程车辆（橙色和蓝色方框），即使使用64线激光雷达，也只能获得少量的点。而在16线激光雷达的稀疏深度图中，扫描击中点的数目很少甚至没有。 蓝框中的远程车辆（图2（e）和（h）中）得到的点太少，无法正确定位和分类。通过以上分析，我们发现与64线激光雷达的深度图不同，16线激光雷达深度图显示的不是可靠的背景信息，而是准确的距离信息。
71220编辑于 2022-02-10 - 来自专栏点云PCL
激光雷达目标检测
本文为美团点评无人配送部技术团队主笔，为您带来的是自动驾驶中的激光雷达目标检测。 现在自动驾驶中一般关注鸟瞰图中物体检测的效果，主要原因是直接在三维中做物体检测的精确度不够高，而且目前来说路径规划和车辆控制一般也只考虑在二维平面中车体的运动。 这个方法可以在减少物体检测的噪声、增加召回率同时增加检测结果的稳定性。例如当道路上某辆车突然被其他其他的车辆遮挡，由于前面若干帧中是存在这个车的点云的，所以此时是可以通过网络猜测到其当前真实的位置。 当被遮挡的车辆逐渐脱离遮挡区域时，虽然历史时刻中没有其对应的点云信息，但是当前时刻存在其点云，所以同样也可以检测到其位置。 本文是来自美团无人配送文章，主要是自动驾驶中激光雷达的目标检测。
2.9K30发布于 2019-07-30 - 来自专栏Gnep's_Technology_Blog
雷达检测及MATLAB仿真
前言 本文对雷达检测的内容以思维导图的形式呈现，有关仿真部分进行了讲解实现。 一、雷达检测 思维导图如下图所示，如有需求请到文章末尾端自取。 从图中可以明显看出， P_{fa} 对门限值的小变化非常敏感 3、检测概率相对于单个脉冲 SNR 的关系曲线 检测概率 P_D ： Q 称为 Marcum Q 函数。 ，此外，虚警概率越小，随着信噪比的增加，检测概率增加的越快。 ，则积累损失会逐渐减小 5、起伏目标检测概率 ①、Swerling V 型目标的检测 检测概率 P_D ： n_p=1,10 时检测概率相对于 SNR 的曲线 1）MATLAB 源码 pd_swerling5 n_p 越大，那么达到同一检测概率的 SNR 越小。
88590编辑于 2023-11-11 - 来自专栏Gnep's_Technology_Blog
雷达检测及MATLAB仿真
前言 本文对雷达检测的内容以思维导图的形式呈现，有关仿真部分进行了讲解实现。 一、雷达检测 思维导图如下图所示，如有需求请到文章末尾端自取。 从图中可以明显看出， P_{fa} 对门限值的小变化非常敏感 3、检测概率相对于单个脉冲 SNR 的关系曲线 检测概率 P_D ： Q 称为 Marcum Q 函数。 ，此外，虚警概率越小，随着信噪比的增加，检测概率增加的越快。 ，则积累损失会逐渐减小 5、起伏目标检测概率 ①、Swerling V 型目标的检测 检测概率 P_D ： n_p=1,10 时检测概率相对于 SNR 的曲线 1）MATLAB 源码 pd_swerling5 n_p 越大，那么达到同一检测概率的 SNR 越小。
1.3K91编辑于 2023-11-11 - 来自专栏点云PCL
自动驾驶中基于激光雷达的车辆道路和人行道实时检测（代码开源）
摘要 在自动驾驶领域，城市场景中的道路和人行道检测是一项具有挑战性的任务，传统的可行驶空间和地面滤波算法对较小的高度差不够敏感，基于摄像头或传感器融合的解决方案被广泛用于将可行驶道路与人行道或路面区检测区分出来 ，激光雷达传感器包含可以进行特征提取的所有必要信息，因此，本文主要研究基于激光雷达的特征提取，对于道路和人行道检测，本文提出了一种实时（20Hz+）解决方案，此解决方案也可用于局部路径规划，人行道边缘检测是三种并行算法的结合 人行道检测 人行道边缘的检测方法是星形搜索、X-zero和Z-zero方法的组合，所有方法都有相同的目的，但它们的工作原理不同，最终的结果是这些方法输出的逻辑结果，值得注意的是，上述方法以并行方式运行， 体素比例基于激光雷达强度 总结 本文介绍了一种新的道路和人行道检测方法，人行道路沿检测是3D体素中引入的星形搜索、X-zero和Z-zero方法的组合方法，此外，该方法还提供了多边形输出，可直接用于局部轨迹规划 ，虽然这是一种常见的传感器设置，并且我们的车辆是以这种方式配备的，但在一些值得注特殊的情况下，建议以不同的方式进行设置。
1K40编辑于 2022-01-27 - 来自专栏防止网络攻击
基于51单片机的车辆倒车雷达报警系统
一、设计要求 1.设计一个以51单片机为核心的超声波倒车雷达系统； 2.超声波测量范围在2cm~4m，测量精度3mm； 3.扩展DS18B20温度测量模块，读取环境温度和补偿超声波测距声速； 4.超声波模块测量距离和温度数据通过 完成按键设计，用户可通过按键设置倒车预警距离，并在LCD1602上显示； 6.设置报警功能，当测量距离低于预警值时，蜂鸣器鸣叫提醒驾驶员注意； 二、系统概述 本课题以AT89C51单片机为核心设计一种超声波倒车雷达系统
50510编辑于 2024-05-14 - 来自专栏AI科技大本营的专栏
无人驾驶汽车系统入门：基于VoxelNet的激光雷达点云车辆检测及ROS实现
本文介绍一种基于点云的Voxel（三维体素）特征的深度学习方法，实现对点云中目标的准确检测，并提供一个简单的ROS实现，供大家参考。 VoxelNet结构 VoxelNet是一个端到端的点云目标检测网络，和图像视觉中的深度学习方法一样，其不需要人为设计的目标特征，通过大量的训练数据集，即可学习到对应的目标的特征，从而检测出点云中的目标 随机采样 很显然，按照这种方法分组出来的单元会存在有些体素格点很多，有些格子点很少的情况，64线的激光雷达一次扫描包含差不多10万个点，全部处理需要的计算力和内存都很高，而且高密度的点势必会给神经网络的计算结果带来偏差 对于具体的车辆检测问题，我们取沿着Lidar坐标系的(Z,Y,X) (Z,Y,X)(Z,Y,X)方向取[−3,1]×[−40,40]×[0,70.4] [−3, 1] × [−40, 40] × [0, 对于车辆检测而言，设计的卷积中间层如下： Conv3D(128, 64, 3,(2,1,1), (1,1,1)) Conv3D(64, 64, 3, (1,1,1), (0,1,1)) Conv3D(64
2.3K10发布于 2018-12-24 - 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 - 来自专栏雷达应用
探究 TurMass™ 通信技术如何帮助优化车辆检测雷达在道路风险防控中的作用与效果
导语：车辆检测雷达与 TurMass™ 无线通信技术的深度融合，不仅革新了传统交通安全管理手段，更为实现道路交通安全雷达风险防控提供了智能化、信息化的解决方案，对于推动智慧交通建设，降低交通事故发生率， 其中，WTR-510/511 弯道与路口预警雷达采用 24.15 GHz 频段，与车载雷达互不干扰；检测距离远，可达 80~200 米；覆盖范围广，可覆盖 1~4 个车道，降低检测成本；功能多样，可检测车辆与行人 二、智能雾灯诱导系统车辆检测与 TurMass™ 无线通信方案智能雾灯诱导系统涉及到无线通信传输需求的主要部件包括：雾灯中心控制主机、LED 智能雾灯（包含控制分机、车辆检测雷达）等。 其中，WTR-562-X/563 雾区车辆检测雷达不受天气条件、光照强度、温度变化影响，可全天候全天时运作；检测范围广，可覆盖 1~5 个车道；安装维护方便，无需考虑对射问题，一个雷达便可完成雷达连续波的发射与接收 综上所述，弯道与路口预警雷达、雾区车辆检测雷达等车辆检测雷达作为一种先进的传感器技术，能够实时、准确地获取道路上车辆的位置、速度、行驶方向等信息，并通过智能系统及时发现道路交通路况、车况或异常情况。
39710编辑于 2024-03-15 - 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。
97520编辑于 2022-10-21
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