智慧交通的搜索结果_文章_第7页-阿里云开发者社区

LiBiGo

|

11月前

|

博文

智慧交通day04-特定目标车辆追踪03：siamese在目标跟踪中的应用-SiamRPN(2017)

Siam-RPN提出了一种基于RPN的孪生网络结构，由孪生子网络和RPN网络组成，前者用来提取特征，后者用来产生候选区域。其中，RPN子网络由两个分支组成，一个是用来区分目标和背景的分类分支，另外一个是微调候选区域的回归分支，使整个网络实现了端到端的训练。

# 数据挖掘 # 计算机视觉 # 智慧交通

LiBiGo

|

11月前

|

博文

智慧交通day04-特定目标车辆追踪03：siamese在目标跟踪中的应用-SiamFC(2016)

SiamFC采用了全卷积式的Siamese网络实现目标跟踪，其网络结构如下图所示，具有两个权值共享的分支。其中，z为127×127的模板图像相当于要追踪的目标，x为255×255的搜索图像，我们要完成的就是在x中找到z的位置。

# 图像搜索 # 机器学习/深度学习 # Web App开发 # BI # 计算机视觉 # 智慧交通

LiBiGo

|

11月前

|

博文

智慧交通day04-特定目标车辆追踪02：Siamese网络+单样本学习

Siamese network就是“连体的神经网络”，神经网络的“连体”是通过共享权值来实现的，如下图所示。共享权值意味着两边的网络权重矩阵一模一样，甚至可以是同一个网络。

# 机器学习/深度学习 # 算法 # 智慧交通

LiBiGo

|

11月前

|

博文

智慧交通day04-特定目标车辆追踪01:总览概述

通过对目标外观模型进行建模, 然后在之后的帧中找到目标. 例如, 区域匹配、特征点跟踪、基于主动轮廓的跟踪算法、光流法等. 最常用的是特征匹配法, 首先提取目标特征, 然后在后续的帧中找到最相似的特征进行目标定位, 常用的特征有: SIFT特征、SURF特征、Harris角点等.

# 机器学习/深度学习 # 编解码 # 监控 # 算法 # 人机交互 # 数据处理 # 计算机视觉 # 智慧交通

LiBiGo

|

11月前

|

博文

智慧交通day03-车道线检测实现09：车道线检测代码汇总（Python3.8）

# 智慧交通

LiBiGo

|

11月前

|

博文

智慧交通day03-车道线检测实现08：在离线视频(非实时)中检测车道线+代码实现

在前面几节中一步步完成摄像机标定、图像畸变校正、透视变换、提取车道线、检测车道线、计算曲率和偏离距离后，在图像上实现了复杂环境下的车道线检测算法。现在我们将视频转化为图片，然后一帧帧地对视频数据进行处理

# 算法 # 智慧交通

LiBiGo

|

11月前

|

博文

智慧交通day03-车道线检测实现07：车道曲率和中心点偏离距离计算+代码实现

曲线的曲率就是针对曲线上某个点的切线方向角对弧长的转动率，通过微分来定义，表明曲线偏离直线的程度。数学上表明曲线在某一点的弯曲程度的数值。曲率越大，表示曲线的弯曲程度越大。曲率的倒数就是曲率半径。

# 智慧交通

LiBiGo

|

11月前

|

博文

智慧交通day03-车道线检测实现06：车道线定位及拟合+代码实现

我们根据前面检测出的车道线信息，利用直方图和滑动窗口的方法，精确定位车道线，并进行拟合。

# 智慧交通

LiBiGo

|

11月前

|

博文

智慧交通day03-车道线检测实现05：透视变换+代码实现

为了方便后续的直方图滑窗对车道线进行准确的定位，我们在这里利用透视变换将图像转换成俯视图，也可将俯视图恢复成原有的图像

# 智慧交通

LiBiGo

|

11月前

|

博文

智慧交通day03-车道线检测实现04：车道线提取原理+代码实现+效果图

在车道线检测中，我们使用的是HSL颜色空间，其中H表示色相，即颜色，S表示饱和度，即颜色的纯度，L表示颜色的明亮程度。

# 算法 # 智慧交通 # 计算机视觉