CN106355140A - 车辆检测的方法及装置 - Google Patents
车辆检测的方法及装置 Download PDFInfo
- Publication number
- CN106355140A CN106355140A CN201610702626.6A CN201610702626A CN106355140A CN 106355140 A CN106355140 A CN 106355140A CN 201610702626 A CN201610702626 A CN 201610702626A CN 106355140 A CN106355140 A CN 106355140A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- node
- training
- level
- picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 157
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims description 44
- 239000000284 extract Substances 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 abstract 2
- 230000002596 correlated effect Effects 0.000 abstract 1
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种车辆检测的方法及装置，该方法包括：在接收到包含车辆信息的待检测图片后，通过预定的算法提取待检测图片的基本特征信息；将基本特征信息输入到预先训练生成的And‑Or模型中，以获取各层级节点，并将各层级节点作为关键节点输出；将关键节点进行关联，以将关联的各层级关键节点作为较优的演算分支；将演算分支中的各层级关键节点转化为待检测图片中的位置参数，并根据预定的各层级关键节点与图形模板的关联关系确定出演算分支中的各层级关键节点对应的图形模板；根据演算分支中的各层级关键节点对应的位置参数和图形模板获取待检测图片中的车辆位置信息以及车辆布局关系并输出。本发明能高效识别复杂场景图片中的车辆信息。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种车辆检测的方法及装置。
背景技术
目前，对车辆信息的识别一般是通过自动化的监管系统对车辆信息图片中的目标物体进行检测来实现的，例如检测车辆信息图片中的车牌等。然而，由于现实车辆场景存在多样性、以及车辆间遮挡关系的无规则或可见部位比例的不可控等因素，现行的车辆信息的识别工作往往会遇到较多干扰，识别效果不佳。此外，传统的车辆信息的识别工作往往是采用简单的人工设定特征的模式来进行的，在处理一些复杂场景时，识别工作的效率较低。
发明内容
本发明所要解决的技术问题是提供一种车辆检测的方法及装置。
本发明解决上述技术问题的技术方案如下：一种车辆检测的方法，所述车辆检测的方法包括：
S1，在接收到包含车辆信息的待检测图片后，通过预定的算法提取所述待检测图片的基本特征信息；
S2，将所述基本特征信息输入到预先训练生成的And-Or模型中，以通过该预先训练生成的And-Or模型获取各层级节点，并将获取的各层级节点作为关键节点输出；
S3，将输出的关键节点进行关联，以将关联的各层级关键节点作为较优的演算分支；
S4，将所述演算分支中的各层级关键节点转化为所述待检测图片中的位置参数，并根据预定的各层级关键节点与图形模板的关联关系确定出所述演算分支中的各层级关键节点对应的图形模板；
S5，根据所述演算分支中的各层级关键节点对应的位置参数和图形模板获取所述待检测图片中的车辆位置信息以及车辆布局关系并输出。
优选地，所述层级至少包括以下三个：车辆连通区域层级、每一辆车的分布位置区域层级及车辆内部的各局部部件组成区域层级。
优选地，所述步骤S2包括：
S21，将所述基本特征信息输入到预先训练生成的And-Or模型中，并获取车辆全局区域，所述车辆全局区域以Or节点表示并作为所述And-Or模型的根节点；
S22，在所述车辆连通区域层级，基于所述根节点分解出各个车辆连通区域，所述各个车辆连通区域分别以不同的And节点表示；
S23，在所述每一辆车的分布位置区域层级，从所述各个车辆连通区域中抽取出每一辆车对应的区域，每一辆车对应的区域以Or节点表示；
S24，在所述车辆内部的各局部部件组成区域层级，对于每一辆车的各个局部部件区域分别用And节点表示并进行组织；
S25，将各Or节点及各And节点作为关键节点输出。
优选地，所述步骤S2之前，该方法还包括：
S01，获取预设数量的带有车辆信息的车辆图片作为And-Or模型的训练样本图片；
S02，提取出预设比例的训练样本图片作为训练集，并将剩余的训练样本图片作为测试集，并对训练集中的每张训练样本图片框定出车辆连通区域、每一辆车的分布位置区域及车辆内部的各局部部件组成区域；
S03，利用通过框定处理后的训练样本图片训练所述And-Or模型，以训练生成用于进行图片检测的And-Or模型；
S04，将测试集中的每张训练样本图片输入到训练生成的And-Or模型中以进行测试，若测试的准确率大于等于预设阈值，则训练结束。
优选地，所述步骤S04之后，该方法还还包括：若测试的准确率小于预设阈值，则提示增加训练样本图片的数量。
本发明解决上述技术问题的技术方案还如下：一种车辆检测的装置，所述车辆检测的装置包括：
提取模块，用于在接收到包含车辆信息的待检测图片后，通过预定的算法提取所述待检测图片的基本特征信息；
训练模块，用于将所述基本特征信息输入到预先训练生成的And-Or模型中，以通过该预先训练生成的And-Or模型获取各层级节点，并将获取的各层级节点作为关键节点输出；
关联模块，用于将输出的关键节点进行关联，以将关联的各层级关键节点作为较优的演算分支；
转化模块，用于将所述演算分支中的各层级关键节点转化为所述待检测图片中的位置参数，并根据预定的各层级关键节点与图形模板的关联关系确定出所述演算分支中的各层级关键节点对应的图形模板；
输出模块，用于根据所述演算分支中的各层级关键节点对应的位置参数和图形模板获取所述待检测图片中的车辆位置信息以及车辆布局关系并输出。
优选地，所述层级至少包括以下三个：车辆连通区域层级、每一辆车的分布位置区域层级及车辆内部的各局部部件组成区域层级。
优选地，所述训练模块包括：
获取单元，用于将所述基本特征信息输入到预先训练生成的And-Or模型中，并获取车辆全局区域，所述车辆全局区域以Or节点表示并作为所述And-Or模型的根节点；
分解单元，用于在所述车辆连通区域层级，基于所述根节点分解出各个车辆连通区域，所述各个车辆连通区域分别以不同的And节点表示；
抽取单元，用于在所述每一辆车的分布位置区域层级，从所述各个车辆连通区域中抽取出每一辆车对应的区域，每一辆车对应的区域以Or节点表示；
组织单元，用于在所述车辆内部的各局部部件组成区域层级，对于每一辆车的各个局部部件区域分别用And节点表示并进行组织；
输出单元，用于将各Or节点及各And节点作为关键节点输出。
优选地，还包括：
获取模块，用于获取预设数量的带有车辆信息的车辆图片作为And-Or模型的训练样本图片；
框定模块，用于提取出预设比例的训练样本图片作为训练集，并将剩余的训练样本图片作为测试集，并对训练集中的每张训练样本图片框定出车辆连通区域、每一辆车的分布位置区域及车辆内部的各局部部件组成区域；
生成模块，用于利用通过框定处理后的训练样本图片训练所述And-Or模型，以训练生成用于进行图片检测的And-Or模型；
测试模块，用于将测试集中的每张训练样本图片输入到训练生成的And-Or模型中以进行测试，若测试的准确率大于等于预设阈值，则训练结束。
优选地，还包括：
增加模块，用于若测试的准确率小于预设阈值，则提示增加训练样本图片的数量，触发框定模块以继续训练生成用于进行图片检测的And-Or模型。
本发明的有益效果是：本发明首先将包含车辆信息的待检测图片进行初步处理得到基本特征信息，然后将其输入到预先训练生成的And-Or模型中以获取各层级关键节点，将各层级关键节点关联后作为一较优的演算分支，对于每一演算分支，在获取其各层级关键节点的图形模板及转化各层级的关键节点的位置参数后，可以根据各层级关键节点对应的位置参数和图形模板得到车辆位置信息以及车辆布局关系，本实施例利用And-Or模型对车辆进行检测识别，能够处理具有复杂场景的图片，并对图片中的车辆信息进行有效的识别、识别效率高。
附图说明
图1为本发明车辆检测的方法第一实施例的流程示意图；
图2为图1所示步骤S2的流程示意图；
图3为本发明车辆检测的方法第二实施例的流程示意图；
图4为本发明车辆检测的装置第一实施例的结构示意图；
图5为本发明车辆检测的装置第二实施例的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，图1为本发明车辆检测的方法一实施例的流程示意图，该车辆检测的方法包括以下步骤：
步骤S1，在接收到包含车辆信息的待检测图片后，通过预定的算法提取所述待检测图片的基本特征信息；
本实施例的车辆检测的方法可以应用于具有复杂场景下的交通安全监控、汽车生产及汽车保险等领域，利用具有图片拍摄功能的车辆检测的装置在这些场景下捕获图片，当捕获到包含车辆信息的图片后，以该图片作为待检测图片，并通过一些预定的算法来提取其基本特征信息。
本实施例中，预定的算法为图像处理的一些基本算法，例如为图像边缘检测算法等，基本特征信息为可以直接输入至And-Or模型的图片信息，例如为图片中各部分的位置或相互关系等。优选地，本实施例可以利用方向梯度直方图(Histogram of OrientedGradient,HOG)算法获取待检测图片的梯度边缘信息，然后再采用K-means聚类算法获取各经梯度边缘后的图片的聚类中心或者采用DPM(Deformable Parts Model)算法获取各经梯度边缘后的图片各部分的相互位置关系等。
步骤S2，将所述基本特征信息输入到预先训练生成的And-Or模型中，以通过该预先训练生成的And-Or模型获取各层级节点，并将获取的各层级节点作为关键节点输出；
本实施例中，And-Or模型为预先采用大量的包含车辆信息的图片进行训练得到的，将上述提取得到的基本特征信息输入至该预先训练生成的And-Or模型，通过该预先训练生成的And-Or模型对输入的基本特征信息进行学习，在学习过程中，首先得到根节点，然后基于根节点可以得到各个层级对应的节点，然后将各个层级对应的节点作为关键节点输出。
本实施例的预先训练生成的And-Or模型中，优选地层级至少包括三个，即为车辆连通区域层级、每一辆车的分布位置区域层级及车辆内部的各局部部件组成区域层级。当然层级也可以少于三个或者多于三个。
步骤S3，将输出的关键节点进行关联，以将关联的各层级关键节点作为较优的演算分支；
本实施例中，在关键节点输出后，将输出的关键节点进行关联。其中，可以以上述的根节点为基础将关键节点进行关联，具体地，可以先将每一层级中的关键节点进行关联，例如将同一层级中的关键节点的按照位置关系进行关联，以确定同一层级中的各关键节点的相对位置；然后，将各层级的关键节点按照位置关系进行关联，例如将不同层级中的关键节点的位置进行关联，以确定不同层级中的各关键节点的相对位置，关键节点进行关联后，可以勾勒出待检测图片各部分的架构，然后将关联的各层级关键节点作为上述预先训练生成的And-Or模型在学习过程中的较优的演算分支，以进行下一步操作。
步骤S4，将所述演算分支中的各层级关键节点转化为所述待检测图片中的位置参数，并根据预定的各层级关键节点与图形模板的关联关系确定出所述演算分支中的各层级关键节点对应的图形模板；
本实施例中，将较优的演算分支中的各层级关键节点转化为待检测图片中的位置参数，以得到待检测图片中各部分的具体位置。
另外，对于每一较优的演算分支中的各个层级，可以根据预定的各层级关键节点与图形模板的关联关系确定出每个层级关键节点对应的图形模板，例如某一层级的关键节点为椭圆形，则所关联的图形模板为椭圆。图像模板为通过对不同车辆从不同角度观看时各部分所形成的线条或者图形，通过提取这些线条或图形以形成大量的图形模板，该图形模板具有一个或者多个节点，即图形模板与节点相关联。
步骤S5，根据所述演算分支中的各层级关键节点对应的位置参数和图形模板获取所述待检测图片中的车辆位置信息以及车辆布局关系并输出。
本实施例中，如果已经得到各层级关键节点对应的位置参数(即得到待检测图片中各部分的具体位置)以及对应的图形模板，则可以将各层级关键节点对应的图形模板置于与该位置参数对应的位置，最终得到待检测图片中车辆位置信息以及车辆布局关系，即得到每一辆的具体位置及多辆车(对于待检测图片有多辆车时而言)之间的布局关系。
与现有技术相比，本实施例首先将包含车辆信息的待检测图片进行初步处理得到基本特征信息，然后将其输入到预先训练生成的And-Or模型中以获取各层级关键节点，将各层级关键节点关联后作为一较优的演算分支，对于每一演算分支，在获取其各层级关键节点的图形模板及转化各层级的关键节点的位置参数后，可以根据各层级关键节点对应的位置参数和图形模板得到车辆位置信息以及车辆布局关系，本实施例利用And-Or模型对车辆进行检测识别，能够处理具有复杂场景的图片，并对图片中的车辆信息进行有效的识别、识别效率高。
在一优选的实施例中，如图2所示，在上述图1的实施例的基础上，上述步骤S2包括：
步骤S21，将所述基本特征信息输入到预先训练生成的And-Or模型中，并获取车辆全局区域，所述车辆全局区域以Or节点表示并作为所述And-Or模型的根节点；
步骤S22，在所述车辆连通区域层级，基于所述根节点分解出各个车辆连通区域，所述各个车辆连通区域分别以不同的And节点表示；
步骤S23，在所述每一辆车的分布位置区域层级，从所述各个车辆连通区域中抽取出每一辆车对应的区域，每一辆车对应的区域以Or节点表示；
步骤S24，在所述车辆内部的各局部部件组成区域层级，对于每一辆车的各个局部部件区域分别用And节点表示并进行组织；
步骤S25，将各Or节点及各And节点作为关键节点输出。
本实施例中，以层级至少包括车辆连通区域层级、每一辆车的分布位置区域层级及车辆内部的各局部部件组成区域层级为例进行说明。在将基本特征信息输入到预先训练生成的And-Or模型中可以获取到车辆全局区域，即对应于待检测图片中包含所有车辆的区域所形成的区域，车辆全局区域以Or节点表示并作为该And-Or模型的根节点。
在车辆连通区域层级，基于根节点对各个车辆连通区域进行分解，例如分解出第一辆车与第二辆车的连通区域，直至将所有的车辆的车辆连通区域分解出来，各个车辆连通区域分别以不同的And节点表示。
在所述每一辆车的分布位置区域层级，通过上述的车辆连通区域层级分解出来的车辆连通区域，对每一辆车对应的区域进行抽取，以抽取得到每一辆车所在的区域，每一辆车对应的区域以Or节点表示。
在抽取出每一辆车对应的区域后，在车辆内部的各局部部件组成区域层级，对于每一辆车的各个局部部件区域分别用And节点表示并进行组织。最后，将各Or节点及各And节点作为关键节点输出。
在一优选的实施例中，如图3所示，在上述图1的实施例的基础上，所述步骤S2之前包括：
步骤S01，获取预设数量的带有车辆信息的车辆图片作为And-Or模型的训练样本图片；
步骤S02，提取出预设比例的训练样本图片作为训练集，并将剩余的训练样本图片作为测试集，并对训练集中的每张训练样本图片框定出车辆连通区域、每一辆车的分布位置区域及车辆内部的各局部部件组成区域；
步骤S03，利用通过框定处理后的训练样本图片训练所述And-Or模型，以训练生成用于进行图片检测的And-Or模型；
步骤S04，将测试集中的每张训练样本图片输入到训练生成的And-Or模型中以进行测试，若测试的准确率大于等于预设阈值，则训练结束。
本实施例中，在训练生成And-Or模型前，获取预设数量的带有车辆信息的车辆图片作为And-Or模型的训练样本图片，例如训练样本图片为50万张。提取训练样本图片中预设比例的训练样本图片作为训练集，例如提取其中的70％的训练样本图片作为训练集，剩余的30％作为测试集。在训练时，首先对训练集中的每张训练样本图片框定出车辆连通区域、每一辆车的分布位置区域及车辆内部的各局部部件组成区域，然后，利用通过框定处理后的训练样本图片训练And-Or模型，在该过程中，And-Or模型主要是从三个方面获取和学习车辆信息：第一是根据框定信息学习车辆空间布局的上下文关系，第二是根据框定信息学习车辆的遮挡关系，第三是根据框定信息对车辆可视部分进行学习。在训练生成And-Or模型后，将测试集中的每张训练样本图片输入到训练生成的And-Or模型中以进行测试，以测试准确率。如果测试的准确率大于等于预设阈值，例如大于等于0.95，则训练成功，训练操作结束，该训练生成的And-Or模型可以作为后续使用。
优选地，在上述图3的实施例的基础上，所述步骤S04之后还包括：若测试的准确率小于预设阈值，则提示增加训练样本图片的数量，返回至步骤S02并循环。
本实施例中，如果测试集中的每张训练样本图片输入到训练生成的And-Or模型中后，其测试的准确率大于预设阈值，例如小于0.95，则需要增加训练样本图片的数量，即增加训练集及测试集的训练样本图片，例如可以通过向预定终端发送提示信息，以提示增加训练样本图片的数量，返回至步骤S02，重新进行训练，直至测试的准确率大于等于预设阈值。
如图4所示，图4为本发明车辆检测的装置一实施例的结构示意图，该车辆检测的装置包括：
提取模块101，用于在接收到包含车辆信息的待检测图片后，通过预定的算法提取所述待检测图片的基本特征信息；
本实施例的车辆检测的装置可以应用于具有复杂场景下的交通安全监控、汽车生产及汽车保险等领域，利用具有图片拍摄功能的车辆检测的装置在这些场景下捕获图片，当捕获到包含车辆信息的图片后，以该图片作为待检测图片，并通过一些预定的算法来提取其基本特征信息。
本实施例中，预定的算法为图像处理的一些基本算法，例如为图像边缘检测算法等，基本特征信息为可以直接输入至And-Or模型的图片信息，例如为图片中各部分的位置或相互关系等。优选地，本实施例可以利用方向梯度直方图(Histogram of OrientedGradient,HOG)算法获取待检测图片的梯度边缘信息，然后再采用K-means聚类算法获取各经梯度边缘后的图片的聚类中心或者采用DPM(Deformable Parts Model)算法获取各经梯度边缘后的图片各部分的相互位置关系等。
训练模块102，用于将所述基本特征信息输入到预先训练生成的And-Or模型中，以通过该预先训练生成的And-Or模型获取各层级节点，并将获取的各层级节点作为关键节点输出；
本实施例中，And-Or模型为预先采用大量的包含车辆信息的图片进行训练得到的，将上述提取得到的基本特征信息输入至该预先训练生成的And-Or模型，通过该预先训练生成的And-Or模型对输入的基本特征信息进行学习，在学习过程中，首先得到根节点，然后基于根节点可以得到各个层级对应的节点，然后将各个层级对应的节点作为关键节点输出。
本实施例的预先训练生成的And-Or模型中，优选地层级至少包括三个，即为车辆连通区域层级、每一辆车的分布位置区域层级及车辆内部的各局部部件组成区域层级。当然层级也可以少于三个或者多于三个。
关联模块103，用于将输出的关键节点进行关联，以将关联的各层级关键节点作为较优的演算分支；
本实施例中，在关键节点输出后，将输出的关键节点进行关联。其中，可以以上述的根节点为基础将关键节点进行关联，具体地，可以先将每一层级中的关键节点进行关联，例如将同一层级中的关键节点的按照位置关系进行关联，以确定同一层级中的各关键节点的相对位置；然后，将各层级的关键节点按照位置关系进行关联，例如将不同层级中的关键节点的位置进行关联，以确定不同层级中的各关键节点的相对位置，关键节点进行关联后，可以勾勒出待检测图片各部分的架构，然后将关联的各层级关键节点作为上述预先训练生成的And-Or模型在学习过程中的较优的演算分支，以进行下一步操作。
转化模块104，用于将所述演算分支中的各层级关键节点转化为所述待检测图片中的位置参数，并根据预定的各层级关键节点与图形模板的关联关系确定出所述演算分支中的各层级关键节点对应的图形模板；
本实施例中，将较优的演算分支中的各层级关键节点转化为待检测图片中的位置参数，以得到待检测图片中各部分的具体位置。
另外，对于每一较优的演算分支中的各个层级，可以根据预定的各层级关键节点与图形模板的关联关系确定出每个层级关键节点对应的图形模板，例如某一层级的关键节点为椭圆形，则所关联的图形模板为椭圆。图像模板为通过对不同车辆从不同角度观看时各部分所形成的线条或者图形，通过提取这些线条或图形以形成大量的图形模板，该图形模板具有一个或者多个节点，即图形模板与节点相关联。
输出模块105，用于根据所述演算分支中的各层级关键节点对应的位置参数和图形模板获取所述待检测图片中的车辆位置信息以及车辆布局关系并输出。
本实施例中，如果已经得到各层级关键节点对应的位置参数(即得到待检测图片中各部分的具体位置)以及对应的图形模板，则可以将各层级关键节点对应的图形模板置于与该位置参数对应的位置，最终得到待检测图片中车辆位置信息以及车辆布局关系，即得到每一辆的具体位置及多辆车(对于待检测图片有多辆车时而言)之间的布局关系。
在一优选的实施例中，在上述图4的实施例的基础上，上述训练模块102包括：
获取单元，用于将所述基本特征信息输入到预先训练生成的And-Or模型中，并获取车辆全局区域，所述车辆全局区域以Or节点表示并作为所述And-Or模型的根节点；
分解单元，用于在所述车辆连通区域层级，基于所述根节点分解出各个车辆连通区域，所述各个车辆连通区域分别以不同的And节点表示；
抽取单元，用于在所述每一辆车的分布位置区域层级，从所述各个车辆连通区域中抽取出每一辆车对应的区域，每一辆车对应的区域以Or节点表示；
组织单元，用于在所述车辆内部的各局部部件组成区域层级，对于每一辆车的各个局部部件区域分别用And节点表示并进行组织；
输出单元，用于将各Or节点及各And节点作为关键节点输出。
本实施例中，以层级至少包括车辆连通区域层级、每一辆车的分布位置区域层级及车辆内部的各局部部件组成区域层级为例进行说明。在将基本特征信息输入到预先训练生成的And-Or模型中可以获取到车辆全局区域，即对应于待检测图片中包含所有车辆的区域所形成的区域，车辆全局区域以Or节点表示并作为该And-Or模型的根节点。
在车辆连通区域层级，基于根节点对各个车辆连通区域进行分解，例如分解出第一辆车与第二辆车的连通区域，直至将所有的车辆的车辆连通区域分解出来，各个车辆连通区域分别以不同的And节点表示。
在所述每一辆车的分布位置区域层级，通过上述的车辆连通区域层级分解出来的车辆连通区域，对每一辆车对应的区域进行抽取，以抽取得到每一辆车所在的区域，每一辆车对应的区域以Or节点表示。
在抽取出每一辆车对应的区域后，在车辆内部的各局部部件组成区域层级，对于每一辆车的各个局部部件区域分别用And节点表示并进行组织。最后，将各Or节点及各And节点作为关键节点输出。
在一优选的实施例中，如图5所示，在上述图4的实施例的基础上，该车辆检测的装置还包括：
获取模块201，用于获取预设数量的带有车辆信息的车辆图片作为And-Or模型的训练样本图片；
框定模块202，用于提取出预设比例的训练样本图片作为训练集，并将剩余的训练样本图片作为测试集，并对训练集中的每张训练样本图片框定出车辆连通区域、每一辆车的分布位置区域及车辆内部的各局部部件组成区域；
生成模块203，用于利用通过框定处理后的训练样本图片训练所述And-Or模型，以训练生成用于进行图片检测的And-Or模型；
测试模块204，用于将测试集中的每张训练样本图片输入到训练生成的And-Or模型中以进行测试，若测试的准确率大于等于预设阈值，则训练结束。
本实施例中，在训练生成And-Or模型前，获取预设数量的带有车辆信息的车辆图片作为And-Or模型的训练样本图片，例如训练样本图片为50万张。提取训练样本图片中预设比例的训练样本图片作为训练集，例如提取其中的70％的训练样本图片作为训练集，剩余的30％作为测试集。在训练时，首先对训练集中的每张训练样本图片框定出车辆连通区域、每一辆车的分布位置区域及车辆内部的各局部部件组成区域，然后，利用通过框定处理后的训练样本图片训练And-Or模型，在该过程中，And-Or模型主要是从三个方面获取和学习车辆信息：第一是根据框定信息学习车辆空间布局的上下文关系，第二是根据框定信息学习车辆的遮挡关系，第三是根据框定信息对车辆可视部分进行学习。在训练生成And-Or模型后，将测试集中的每张训练样本图片输入到训练生成的And-Or模型中以进行测试，以测试准确率。如果测试的准确率大于等于预设阈值，例如大于等于0.95，则训练成功，训练操作结束，该训练生成的And-Or模型可以作为后续使用。
优选地，在上述图5的实施例的基础上，该车辆检测的装置还包括：增加模块，用于若测试的准确率小于预设阈值，则提示增加训练样本图片的数量，例如可以通过向预定终端发送提示信息，以提示增加训练样本图片的数量，触发框定模块202以继续训练生成用于进行图片检测的And-Or模型。
本实施例中，如果测试集中的每张训练样本图片输入到训练生成的And-Or模型中后，其测试的准确率小于预设阈值，例如小于0.95，则需要增加训练样本图片的数量，即增加训练集及测试集的训练样本图片，再触发上述的框定模块202，以重新进行训练，直至测试的准确率大于等于预设阈值。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种车辆检测的方法，其特征在于，所述车辆检测的方法包括：
S1，在接收到包含车辆信息的待检测图片后，通过预定的算法提取所述待检测图片的基本特征信息；
S2，将所述基本特征信息输入到预先训练生成的And-Or模型中，以通过该预先训练生成的And-Or模型获取各层级节点，并将获取的各层级节点作为关键节点输出；
S3，将输出的关键节点进行关联，以将关联的各层级关键节点作为较优的演算分支；
S4，将所述演算分支中的各层级关键节点转化为所述待检测图片中的位置参数，并根据预定的各层级关键节点与图形模板的关联关系确定出所述演算分支中的各层级关键节点对应的图形模板；
S5，根据所述演算分支中的各层级关键节点对应的位置参数和图形模板获取所述待检测图片中的车辆位置信息以及车辆布局关系并输出。
2.根据权利要求1所述的车辆检测的方法，其特征在于，所述层级至少包括以下三个：车辆连通区域层级、每一辆车的分布位置区域层级、及车辆内部的各局部部件组成区域层级。
3.根据权利要求2所述的车辆检测的方法，其特征在于，所述步骤S2包括：
S21，将所述基本特征信息输入到预先训练生成的And-Or模型中，并获取车辆全局区域，所述车辆全局区域以Or节点表示并作为所述And-Or模型的根节点；
S22，在所述车辆连通区域层级，基于所述根节点分解出各个车辆连通区域，所述各个车辆连通区域分别以不同的And节点表示；
S23，在所述每一辆车的分布位置区域层级，从所述各个车辆连通区域中抽取出每一辆车对应的区域，每一辆车对应的区域以Or节点表示；
S24，在所述车辆内部的各局部部件组成区域层级，对于每一辆车的各个局部部件区域分别用And节点表示并进行组织；
S25，将各Or节点及各And节点作为关键节点输出。
4.根据权利要求1至3任一项所述的车辆检测的方法，其特征在于，所述步骤S2之前，该方法还包括：
S01，获取预设数量的带有车辆信息的车辆图片作为And-Or模型的训练样本图片；
S02，提取出预设比例的训练样本图片作为训练集，并将剩余的训练样本图片作为测试集，并对训练集中的每张训练样本图片框定出车辆连通区域、每一辆车的分布位置区域及车辆内部的各局部部件组成区域；
S03，利用通过框定处理后的训练样本图片训练所述And-Or模型，以训练生成用于进行图片检测的And-Or模型；
S04，将测试集中的每张训练样本图片输入到训练生成的And-Or模型中以进行测试，若测试的准确率大于等于预设阈值，则训练结束。
5.根据权利要求4所述的车辆检测的方法，其特征在于，所述步骤S04之后，该方法还包括：
若测试的准确率小于预设阈值，则提示增加训练样本图片的数量。
6.一种车辆检测的装置，其特征在于，所述车辆检测的装置包括：
提取模块，用于在接收到包含车辆信息的待检测图片后，通过预定的算法提取所述待检测图片的基本特征信息；
训练模块，用于将所述基本特征信息输入到预先训练生成的And-Or模型中，以通过该预先训练生成的And-Or模型获取各层级节点，并将获取的各层级节点作为关键节点输出；
关联模块，用于将输出的关键节点进行关联，以将关联的各层级关键节点作为较优的演算分支；
转化模块，用于将所述演算分支中的各层级关键节点转化为所述待检测图片中的位置参数，并根据预定的各层级关键节点与图形模板的关联关系确定出所述演算分支中的各层级关键节点对应的图形模板；
输出模块，用于根据所述演算分支中的各层级关键节点对应的位置参数和图形模板获取所述待检测图片中的车辆位置信息以及车辆布局关系并输出。
7.根据权利要求6所述的车辆检测的装置，其特征在于，所述层级至少包括以下三个：车辆连通区域层级、每一辆车的分布位置区域层级及车辆内部的各局部部件组成区域层级。
8.根据权利要求7所述的车辆检测的装置，其特征在于，所述训练模块包括：
获取单元，用于将所述基本特征信息输入到预先训练生成的And-Or模型中，并获取车辆全局区域，所述车辆全局区域以Or节点表示并作为所述And-Or模型的根节点；
分解单元，用于在所述车辆连通区域层级，基于所述根节点分解出各个车辆连通区域，所述各个车辆连通区域分别以不同的And节点表示；
抽取单元，用于在所述每一辆车的分布位置区域层级，从所述各个车辆连通区域中抽取出每一辆车对应的区域，每一辆车对应的区域以Or节点表示；
组织单元，用于在所述车辆内部的各局部部件组成区域层级，对于每一辆车的各个局部部件区域分别用And节点表示并进行组织；
输出单元，用于将各Or节点及各And节点作为关键节点输出。
9.根据权利要求6至8任一项所述的车辆检测的装置，其特征在于，还包括：
获取模块，用于获取预设数量的带有车辆信息的车辆图片作为And-Or模型的训练样本图片；
框定模块，用于提取出预设比例的训练样本图片作为训练集，并将剩余的训练样本图片作为测试集，并对训练集中的每张训练样本图片框定出车辆连通区域、每一辆车的分布位置区域及车辆内部的各局部部件组成区域；
生成模块，用于利用通过框定处理后的训练样本图片训练所述And-Or模型，以训练生成用于进行图片检测的And-Or模型；
测试模块，用于将测试集中的每张训练样本图片输入到训练生成的And-Or模型中以进行测试，若测试的准确率大于等于预设阈值，则训练结束。
10.根据权利要求9所述的车辆检测的装置，其特征在于，还包括：
增加模块，用于若测试的准确率小于预设阈值，则提示增加训练样本图片的数量，触发框定模块以继续训练生成用于进行图片检测的And-Or模型。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610702626.6A CN106355140B (zh) | 2016-08-22 | 2016-08-22 | 车辆检测的方法及装置 |
| PCT/CN2017/091307 WO2018036277A1 (zh) | 2016-08-22 | 2017-06-30 | 车辆检测的方法、装置、服务器及存储介质 |
| TW106128491A TWI635467B (zh) | 2016-08-22 | 2017-08-22 | 車輛檢測的方法及裝置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610702626.6A CN106355140B (zh) | 2016-08-22 | 2016-08-22 | 车辆检测的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106355140A true CN106355140A (zh) | 2017-01-25 |
| CN106355140B CN106355140B (zh) | 2018-03-02 |
Family
ID=57843768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610702626.6A Active CN106355140B (zh) | 2016-08-22 | 2016-08-22 | 车辆检测的方法及装置 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN106355140B (zh) |
| TW (1) | TWI635467B (zh) |
| WO (1) | WO2018036277A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018036277A1 (zh) * | 2016-08-22 | 2018-03-01 | 平安科技（深圳）有限公司 | 车辆检测的方法、装置、服务器及存储介质 |
| CN107766929A (zh) * | 2017-05-05 | 2018-03-06 | 平安科技（深圳）有限公司 | 模型分析方法及装置 |
| CN108647680A (zh) * | 2018-04-28 | 2018-10-12 | 北京盒子鱼教育科技有限公司 | 图像定位框检测方法和装置 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570388A (zh) * | 2018-08-31 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 车辆的部件检测方法、装置及设备 |
| CN110091342B (zh) * | 2019-05-20 | 2024-04-26 | 金瓜子科技发展（北京）有限公司 | 车况检测方法、装置和检测机器人 |
| CN110135517B (zh) * | 2019-05-24 | 2023-04-07 | 北京百度网讯科技有限公司 | 用于获取车辆相似度的方法及装置 |
| CN110991337B (zh) * | 2019-12-02 | 2023-08-25 | 山东浪潮科学研究院有限公司 | 一种基于自适应双路检测网络的车辆检测方法 |
| CN111144372A (zh) * | 2019-12-31 | 2020-05-12 | 上海眼控科技股份有限公司 | 车辆检测方法、装置、计算机设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101645036A (zh) * | 2009-09-11 | 2010-02-10 | 兰雨晴 | 基于测试执行机能力度的测试任务自动分配方法 |
| CN101770571A (zh) * | 2009-12-29 | 2010-07-07 | 北京世纪高通科技有限公司 | 夜间车辆检测的方法和装置 |
| US20100278420A1 (en) * | 2009-04-02 | 2010-11-04 | Siemens Corporation | Predicate Logic based Image Grammars for Complex Visual Pattern Recognition |
| CN104346833A (zh) * | 2014-10-28 | 2015-02-11 | 燕山大学 | 一种基于单目视觉的车辆重构算法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8385971B2 (en) * | 2008-08-19 | 2013-02-26 | Digimarc Corporation | Methods and systems for content processing |
| US8692826B2 (en) * | 2009-06-19 | 2014-04-08 | Brian C. Beckman | Solver-based visualization framework |
| US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
| US20130201316A1 (en) * | 2012-01-09 | 2013-08-08 | May Patents Ltd. | System and method for server based control |
| CN103295021A (zh) * | 2012-02-24 | 2013-09-11 | 北京明日时尚信息技术有限公司 | 一种静态图片中车辆特征检测及识别的方法及系统 |
| CN106355140B (zh) * | 2016-08-22 | 2018-03-02 | 平安科技（深圳）有限公司 | 车辆检测的方法及装置 |
-
2016
- 2016-08-22 CN CN201610702626.6A patent/CN106355140B/zh active Active
-
2017
- 2017-06-30 WO PCT/CN2017/091307 patent/WO2018036277A1/zh active Application Filing
- 2017-08-22 TW TW106128491A patent/TWI635467B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100278420A1 (en) * | 2009-04-02 | 2010-11-04 | Siemens Corporation | Predicate Logic based Image Grammars for Complex Visual Pattern Recognition |
| CN101645036A (zh) * | 2009-09-11 | 2010-02-10 | 兰雨晴 | 基于测试执行机能力度的测试任务自动分配方法 |
| CN101770571A (zh) * | 2009-12-29 | 2010-07-07 | 北京世纪高通科技有限公司 | 夜间车辆检测的方法和装置 |
| CN104346833A (zh) * | 2014-10-28 | 2015-02-11 | 燕山大学 | 一种基于单目视觉的车辆重构算法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018036277A1 (zh) * | 2016-08-22 | 2018-03-01 | 平安科技（深圳）有限公司 | 车辆检测的方法、装置、服务器及存储介质 |
| CN107766929A (zh) * | 2017-05-05 | 2018-03-06 | 平安科技（深圳）有限公司 | 模型分析方法及装置 |
| CN107766929B (zh) * | 2017-05-05 | 2019-05-24 | 平安科技（深圳）有限公司 | 模型分析方法及装置 |
| US11507963B2 (en) | 2017-05-05 | 2022-11-22 | Ping An Technology (Shenzhen) Co., Ltd. | Method and device of analysis based on model, and computer readable storage medium |
| CN108647680A (zh) * | 2018-04-28 | 2018-10-12 | 北京盒子鱼教育科技有限公司 | 图像定位框检测方法和装置 |
| CN108647680B (zh) * | 2018-04-28 | 2021-11-12 | 北京盒子鱼教育科技有限公司 | 图像定位框检测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201812718A (zh) | 2018-04-01 |
| TWI635467B (zh) | 2018-09-11 |
| WO2018036277A1 (zh) | 2018-03-01 |
| CN106355140B (zh) | 2018-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106355140A (zh) | 车辆检测的方法及装置 | |
| CN105719188B (zh) | 基于多张图片一致性实现保险理赔反欺诈的方法及服务器 | |
| CN103902976B (zh) | 一种基于红外图像的行人检测方法 | |
| CN105095856B (zh) | 基于掩模的有遮挡人脸识别方法 | |
| CN106407928B (zh) | 基于雨滴识别的变压器复合绝缘子套管监测方法及系统 | |
| CN102915432B (zh) | 一种车载微机图像视频数据提取方法及装置 | |
| CN105404886B (zh) | 特征模型生成方法和特征模型生成装置 | |
| CN103886760B (zh) | 实时的基于交通视频的车型检测系统 | |
| Han et al. | Deep learning-based workers safety helmet wearing detection on construction sites using multi-scale features | |
| CN103971097B (zh) | 一种基于多尺度笔画模型的车牌识别方法与系统 | |
| CN101996401B (zh) | 基于强度图像和深度图像的目标分析方法及设备 | |
| CN109359697A (zh) | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 | |
| CN108090429A (zh) | 一种分级前脸卡口车型识别方法 | |
| CN104361314A (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
| CN105095905A (zh) | 目标识别方法和目标识别装置 | |
| CN110516518A (zh) | 一种非机动车违法载人检测方法、装置及电子设备 | |
| CN105426863B (zh) | 检测车道线的方法和装置 | |
| CN106778650A (zh) | 基于多类型信息融合的场景自适应行人检测方法和系统 | |
| CN107993488A (zh) | 一种基于鱼眼相机的车位识别方法、系统及介质 | |
| CN110276265A (zh) | 基于智能三维立体监控设备的行人监测方法及装置 | |
| CN102073872B (zh) | 基于图像的寄生虫虫卵形状识别方法 | |
| CN109935080A (zh) | 一种交通线路上的车流量实时计算的监测系统及方法 | |
| CN106251362A (zh) | 一种基于快速相关邻域特征点的滑窗目标跟踪方法及系统 | |
| CN103279744A (zh) | 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 | |
| CN101908153A (zh) | 低分辨率图像处理中的头部姿态估计的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |