System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及停车位图像识别,具体涉及一种基于卷积神经网络的低分辨率停车位图像识别方法。
技术介绍
1、停车位图像识别是一个重要的智能交通和智能停车管理领域的应用。它通常用于监控停车场,实时检测停车位的占用情况,以提供停车场实时信息,减少寻找停车位的时间,提高停车效率。尤其在城市拥堵和停车位紧缺的情况下,这项技术对缓解交通压力和提升用户体验具有重要价值。
2、传统方法通常采用图像增强、边缘检测、形态学运算等技术来处理低分辨率图像。然后使用特征提取方法,如haar特征、hog特征等,结合分类器(如svm或knn)来实现停车位识别。这些方法在一些情况下表现良好,但对于复杂场景和低质量图像的性能有限。
3、近年来,深度学习方法已经在计算机视觉领域取得了显著的进展。卷积神经网络(cnn)被广泛应用于停车位识别任务。虽然基于cnn模型的停车位图像识别方法准确率高,适用性强,但是在一些公共场所架设摄像头容易侵犯私人隐私,停车场的图像中包含了大量的现实信息,一些摄像头可以清楚的拍摄到车牌号,甚至司机、行人的面部,从而进行人脸识别等等。这些信息很有可能被人利用,比如分析司机的出行意图、收集个人信息售卖、广告骚扰等等。
技术实现思路
1、针对上述
技术介绍
指出的技术问题,本专利技术的目的是提供一种基于卷积神经网络的低分辨率停车位图像识别方法。
2、为实现本专利技术的目的,本专利技术提供的技术方案如下:
3、一种基于卷积神经网络的低分辨率停车位图像识别方法
4、获取低分辨率的停车位图像;
5、利用训练好的卷积神经网络模型,对低分辨率的停车位图像进行识别。
6、其中,所述获取低分辨率的停车位图像的方式如下:
7、利用低分辨率传感器获取低分辨率的停车位图像和/或对采集的原始分辨率的图像进行降维处理,获取低分辨率的停车位图像。
8、其中,所述低分辨率传感器安装在停车场。
9、其中,所述对采集的原始分辨率的图像进行降维处理使用双线性插值的算法进行。
10、其中,包括利用低分辨率的停车位图像对构建的卷积神经网络模型进行训练,以获得训练好的卷积神经网络模型的步骤。
11、其中,所述卷积神经网络模型为具有两个卷积层和两个全连接层的卷积神经网络模型,能够对固定输入大小的图像进行二分类。
12、其中,所述低分辨率的停车位图像的大小为9×9至7×7。
13、其中,还包括对低分辨率传感器进行一次标定的步骤。
14、其中,利用制作停车位掩膜的方法对低分辨率传感器进行标定。
15、与现有技术相比,本专利技术构建了卷积神经网络模型对低分辨率的停车位图像进行识别,在有效保护隐私的同时,还具备识别速度快、软硬件成本低等优势,在智慧城市、自动驾驶等领域有很强的应用潜力。
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络的低分辨率停车位图像识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于卷积神经网络的低分辨率停车位图像识别方法,其特征在于,所述获取低分辨率的停车位图像的方式如下:
3.根据权利要求2所述的一种基于卷积神经网络的低分辨率停车位图像识别方法,其特征在于,所述低分辨率传感器安装在停车场。
4.根据权利要求2所述的一种基于卷积神经网络的低分辨率停车位图像识别方法,其特征在于,所述对采集的原始分辨率的图像进行降维处理使用双线性插值的算法进行。
5.根据权利要求1所述的一种基于卷积神经网络的低分辨率停车位图像识别方法,其特征在于,包括利用低分辨率的停车位图像对构建的卷积神经网络模型进行训练,以获得训练好的卷积神经网络模型的步骤。
6.根据权利要求1所述的一种基于卷积神经网络的低分辨率停车位图像识别方法,其特征在于,所述卷积神经网络模型为具有两个卷积层和两个全连接层的卷积神经网络模型,能够对固定输入大小的图像进行二分类。
7.根据权利要求1所述的一种基于卷积神经网络的低分辨率停
8.根据权利要求1所述的一种基于卷积神经网络的低分辨率停车位图像识别方法,其特征在于,还包括对低分辨率传感器进行一次标定的步骤。
9.根据权利要求8所述的一种基于卷积神经网络的低分辨率停车位图像识别方法,其特征在于,利用制作停车位掩膜的方法对低分辨率传感器进行标定。
...【技术特征摘要】
1.一种基于卷积神经网络的低分辨率停车位图像识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于卷积神经网络的低分辨率停车位图像识别方法,其特征在于,所述获取低分辨率的停车位图像的方式如下:
3.根据权利要求2所述的一种基于卷积神经网络的低分辨率停车位图像识别方法,其特征在于,所述低分辨率传感器安装在停车场。
4.根据权利要求2所述的一种基于卷积神经网络的低分辨率停车位图像识别方法,其特征在于,所述对采集的原始分辨率的图像进行降维处理使用双线性插值的算法进行。
5.根据权利要求1所述的一种基于卷积神经网络的低分辨率停车位图像识别方法,其特征在于,包括利用低分辨率的停车位图像对构建的卷积神经网络模型进行训练,以...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。