基于深度学习的高速公路上汽车检测和跟踪系统，自动驾驶，可以作为行车记录仪分析

基于机器学习的高速车辆检测系统

KITTI数据集，共5G 数据已处理，可直接用于yolov训练 darknet标注信息的数据格式：0，center_x，center_y，w，h 本数据集只保留了car类型 需要其他类型的可单独私聊发原始label

基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于win10系统，实用anaconda配置python环境，在anaconda里面下载vscode对项目进行编辑，基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于win10系统，实用anaconda配置python环境，在anaconda里面下载vscode对项目进行编辑

YOLO车辆检测数据集+对任意车辆图片进行车辆检测和型号分类的识别系统。对数据集中部分图片使用LabelImg工具进行了Bounding Box标注，使用MobileNet模型的SSD检测框架，借助其预训练模型并利用这些标注图片，训练和实现了车辆的位置检测模型；训练并调优了InceptionV4模型实现对车辆类型的分类；将位置检测结果的裁剪子图送入型号分类模型，以此完成对两个模型串行的衔接，并最终形成了一套完整的可以运行演示的web产品。YOLO车辆检测数据集+对任意车辆图片进行车辆检测和型号分类的识别系统。对数据集中部分图片使用LabelImg工具进行了Bounding Box标注，使用MobileNet模型的SSD检测框架，借助其预训练模型并利用这些标注图片，训练和实现了车辆的位置检测模型；训练并调优了InceptionV4模型实现对车辆类型的分类；将位置检测结果的裁剪子图送入型号分类模型，以此完成对两个模型串行的衔接，并最终形成了一套完整的可以运行演示的web产品。

先进的交通管理系统，内容包括现代化交通控制中心、先进的交通监视服务及规范、完整的道路指示信息，使车辆得到良好的服务。

1、YOLOv3训练好的汽车检测模型，包含YOLOv3和YOLOv3_tiny两种训练好的汽车识别权重，从自动驾驶场景KITTI汽车检测数据集训练得到。 2、自动驾驶场景KITTI汽车检测数据集：https://download.csdn.net/download/zhiqingAI/85208797 3、并包含1000多张标注好的城市交通场景的数据集，标签格式为xml和txt两种，类别名为car，配置好环境后可以直接使用 4、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 5、采用pytrch框架，python代码

提出了一种基于卷积神经网络的前方车辆检测方法。首先，根据车底阴影特征，运用基于边缘增强的路面检测算法以及车底阴影自适应分割算法来分割并形成车底候选区域，以解决路面灰度分布不均及光照条件变化问题；其次，运用针对道路交通环境的卷积神经网络结 构，建立图像样本库进行网络训练；在此基础上，采用基于卷积神经网络识别的方法以验证并剔除被误检测为车底阴影的候选区域，进而确定真正的车辆目标；最后，修改网络为三分类识别，以验证本文方法的强扩展性的优势。实验结果表明：本文提出的车辆检测方法能够很好地区分车底阴影和非车底阴影干扰，有效地提高车辆检测的准确率和可靠性，降低误检率。

车辆检测器 使用带有OpenCVHOG描述符进行车辆检测

它将使用斑​​点分析方法检测车辆