无人机室内导航和车牌识别技术
本文提出了一种新颖的嫌疑人调查架构,可轻松嵌入无人机中进行自动化停车违规检测。所提出的框架包括 SwiftFlow、Flow-RCNN 和违规停车车辆候选调查模块,并成功地嵌入了 ATG 机器人的无人机中。实验结果表明,我们提出的 SwiftFlow 在速度和精度方面优于所有其他最先进的无监督光流估计方法,Flow-RCNN 可以有效地检测 IPC 并比 Faster-RCNN 获得更好的性能;在无人机重定位后,我们的调查模块可以成功验证实际的 IPC。
Aug, 2020
本研究提出了一个自动化的框架,由三个步骤组成:车型识别、车牌定位和阅读。我们使用深度学习算法,在新采集的多样化车型和车牌数据集上进行训练, 最终在车型识别、车牌定位和阅读三个任务中,YOLOv4 算法获得了最佳表现,同时我们也发布了我们的数据集和训练代码。
Feb, 2022
通过使用最先进的深度学习模型,我们自动化了车辆入口和停车的过程,确保车辆和人员已在组织中注册,提供高效的车辆检测、精确的识别、简化的记录保留和优化的停车位分配,增强了便利性、准确性和安全性。
Dec, 2023
本研究提出了一种新方法,通过整合深度学习、图像处理和几何计算来解决观测车辆定位问题,通过移动传感器或 MV 上搭载的单目摄像头,可以成功地动态地估计车辆的经纬度信息。
Mar, 2022
本文提出了一种自动停车位检测方法,使用实例分割来识别汽车并生成停车位的热图,结果表明该方法可以在 PKLot 和 CNRPark-EXT 停车场数据集的 12 个不同子集上实现高达 95.60%的 AP25 分数和高达 79.90%的 AP50 分数。
Jun, 2023
本研究提出了一种融合深度神经网络的方法,在单个前向传递中同时定位车牌并识别车牌上的字符。与现有方法不同的是,我们的方法可以避免中间误差的积累,并加快处理速度,并在三个数据集上进行实验,证明了我们的方法的有效性和效率。
Sep, 2017
本文提出一种在室内使用单一摄像头实现四旋翼自主导航和寻找目标物体(例如书包)的方法,使用卷积神经网络 (ConvNet) 进行深度学习,使用可视化技术来更好地理解训练网络。
Nov, 2015
该篇论文提出了一种针对车牌内文本检测问题的方法,通过合并多个不同角度的图像帧,从车牌的角点和面积等特征中提取描述性特征,使用相似度估计和距离度量来恢复同一车牌行中的文本组件。随后,采用 CnOCR 方法进行车牌内文本识别。对自收集的数据集 (PTITPlates) 和公开的 Stanford Cars 数据集进行的实验结果表明,该方法在各种情景下都优于现有方法。
Sep, 2023
本文提出了一种使用深度密集局部特征匹配和车辆检测器相结合的视觉定位框架,以消除车辆造成的虚假匹配,实现对室内停车场的定位,并在基准数据集上取得了 86.9% 的准确率,表现优于现有方法。
May, 2022