Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
On a Coexisting Scheme for Multiple Flows in Multi-radio Multi-channel Wireless Mesh Networks Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

Electric Bicycle Violation Automatic Detection in Unconstrained Scenarios

verfasst von : Zhao Qiu, Qiaoqiao Chen, Xiangsheng Huang, Xiaoquan Liang

Erschienen in: Parallel Architectures, Algorithms and Programming

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Object detection technology develops rapidly and has broad application prospects. There are few relevant researches on the detection of electric bicycle violation. It is of great practical significance to apply the object detection technology to the detection of electric bicycle violation. The main violations of electric bicycle are not wearing safety helmet, not install license plate, overload and so on. Use YOLOv3 to train the datasets of riding electric bike, safety helmet and license plate to detect electric bicycle violations; The technology of chineseocr is used to identify the electric bicycle license plate number. The experiment proves that the method presented in this paper has a high detection accuracy for the objects of riding electric bike, safety helmet and license plate, but the recognition accuracy for license plate number is a little less.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Old Man Fall Detection Based on Surveillance Video Object Tracking
Nächstes Kapitel Building a Lightweight Container-Based Experimental Platform for HPC Education
Literatur
1.
Wu, Y., Xiong, Y., Wu, Y.: Detection of parking violation based on convolution neural network. Mod. Comput. (Prof. Ed.) (02), 22–27 (2018)
2.
Wang, Y., Xie, G., Shen, X.: A new method of vehicle license plate detection and recognition based on MSER and SWT. Acta Metrol. Sin. 40(01), 82–90 (2019)
3.
Zeng, Q., Tan, B.: License plate recognition system based on SVM and BP neural network. Electron. Sci. Technol. 29(01), 98–101 (2016)
4.
Park, M.W., Palinginis, E., Brilakis, I.: Detection of construction workers in video frames for automatic initialization of vision trackers. In: 2012 Construction Research Congress (2012)
5.
Redmon, J., Divvala, S., Girshick, R., et al.: You only look once: unified, real-time object detection (2015)
6.
Redmon, J., Farhadi, A.: [IEEE 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) - Honolulu, HI (2017.7.21–2017.7.26)]. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) - YOLO9000: Better, Faster, Stronger, pp. 6517–6525 (2017)
7.
Redmon, J., Farhadi, A.: YOLOv3: an incremental improvement (2018)
8.
Lin, T.Y., Dollár, P., Girshick, R., et al.: Feature pyramid networks for object detection (2016)
9.
Liu, W., Anguelov, D., Erhan, D., et al.: SSD: single shot multibox detector (2015)
10.
11.
Shi, B., Bai, X., Yao, C.: An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition. IEEE Trans. Pattern Anal. Mach. Intell. 39(11), 2298–2304 (2015)CrossRef
12.
Simonyan, K., Zisserman, A.: Very deep convolutional networks for large-scale image recognition. Comput. Sci. (2014)
13.
Xu, Z., Yang, W., Meng, A., et al.: Towards end-to-end license plate detection and recognition: a large dataset and baseline. In: Proceedings of the 15th European Conference, Munich, Germany, Part XIII, 8–14 September 2018 (2018)CrossRef
14.
Russakovsky, O., Deng, J., Su, H., et al.: ImageNet large scale visual recognition challenge. Int. J. Comput. Vis. 115(3), 211–252 (2015)MathSciNetCrossRef
15.
Metadaten
Titel
Electric Bicycle Violation Automatic Detection in Unconstrained Scenarios
verfasst von
Zhao Qiu
Qiaoqiao Chen
Xiangsheng Huang
Xiaoquan Liang
Copyright-Jahr
2020
Verlag
Springer Singapore
Buch
Parallel Architectures, Algorithms and Programming

Print ISBN: 978-981-15-2766-1

Electronic ISBN: 978-981-15-2767-8

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-981-15-2767-8_16

Neuer Inhalt

    Bildnachweise