CN106919900A - 一种建立车窗定位模型和车窗定位方法及装置 - Google Patents

一种建立车窗定位模型和车窗定位方法及装置 Download PDF

Info

Publication number
CN106919900A
CN106919900A CN201710039443.5A CN201710039443A CN106919900A CN 106919900 A CN106919900 A CN 106919900A CN 201710039443 A CN201710039443 A CN 201710039443A CN 106919900 A CN106919900 A CN 106919900A
Authority
CN
China
Prior art keywords
vehicle
vehicle window
image
machine learning
learning model
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.)
Pending
Application number
CN201710039443.5A
Other languages
English (en)
Inventor
张旺
彭莉
刘麒
张晓明
张如高
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bocom Intelligent Information Technology Co Ltd Shanghai Branch
Original Assignee
Bocom Intelligent Information Technology Co Ltd Shanghai Branch
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bocom Intelligent Information Technology Co Ltd Shanghai Branch filed Critical Bocom Intelligent Information Technology Co Ltd Shanghai Branch
Priority to CN201710039443.5A priority Critical patent/CN106919900A/zh
Publication of CN106919900A publication Critical patent/CN106919900A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种建立车窗定位模型和车窗定位方法及装置，其中，所述建立车窗定位模型的方法，包括：获取多个车辆图像和对应所述车辆图像中已标注出的四个车窗角点的坐标；将所述多个车辆图像和对应所述车辆图像中已标注出的四个车窗角点的坐标作为训练数据，对机器学习模型进行训练，直至所述机器学习模型的输出结果满足预设条件，解决了现有车窗定位方法的车窗定位精度往往难以满足需求，从而造成车辆内部信息识别错误的问题。

Description

一种建立车窗定位模型和车窗定位方法及装置
技术领域
本发明涉及图像识别领域，具体涉及一种建立车窗定位模型和车窗定位方法及装置。
背景技术
随着经济的发展，汽车保有量与日俱增，大量的汽车在道路上行驶，给交通管理部门带来了巨大的管理压力，已有的汽车管理自动化手段主要是电子警察和卡口系统，实时捕获车辆高清图片，分析出驾驶员信息，包括驾驶员是否系安全带、打电话、人脸相貌等信息，对交通安全监管和刑事案件侦查具有至关重要的作用，但若要准确判断车辆内部的人员或其它目标的具体属性，需要对能清楚观察到驾驶员的车窗目标做出准确定位，继而通过车窗对车辆内部信息进行识别。
现有车窗定位方法一般都是充分利用已经成熟的车牌检测并结合车型等其它信息，估计出车窗区域，再对此估计区域作进一步的相关检测识别，判断目标属性，而现有车窗区域定位精度往往难以满足后续属性(例如，对车内司机人脸面貌和司机动作)的判定需求，从而造成车辆内部信息识别错误。
发明内容
因此，本发明要解决的技术问题在于现有车窗定位方法的车窗定位精度往往难以满足需求，从而造成车辆内部信息识别错误。
有鉴于此，本发明提供一种建立车窗定位模型的方法，包括：
获取多个车辆图像和对应所述车辆图像中已标注出的四个车窗角点的坐标；
将所述多个车辆图像和对应所述车辆图像中已标注出的四个车窗角点的坐标作为训练数据，对机器学习模型进行训练，直至所述机器学习模型的输出结果满足预设条件。
优选地，所述车辆图像为车辆前部车身图像。
优选地，所述机器学习模型的输出结果为车窗角点的坐标，
在对机器学习模型进行训练的步骤中，直至所述机器学习模型的输出的车窗角点的坐标误差在预设阈值范围内。
相应地，本发明提供一种建立车窗定位模型的装置，包括：
获取单元，用于获取多个车辆图像和对应所述车辆图像中已标注出的四个车窗角点的坐标；
训练单元，用于将所述多个车辆图像和对应所述车辆图像中已标注出的四个车窗角点的坐标作为训练数据，对机器学习模型进行训练，直至所述机器学习模型的输出结果满足预设条件。
优选地，所述车辆图像为车辆前部车身图像。
优选地，所述机器学习模型的输出结果为车窗角点的坐标，
利用训练单元进行训练，直至所述机器学习模型的输出的车窗角点的坐标误差在预设阈值范围内。
本发明还提供一种车窗定位方法，包括：
获取待识别车辆图像；
将所述待识别车辆图像输入到如上述所述方法所建立的模型中，确定所述待识别车辆图像中车窗位置。
相应地，本发明还提供一种车窗定位装置，包括：
车辆图像获取单元，用于获取待识别车辆图像；
车窗位置确定单元，用于将所述待识别车辆图像输入到如上述所述方法所建立的模型中，确定所述待识别车辆图像中车窗位置。
本发明技术方案具有以下优点：
通过获取多个车辆图像和对应车辆图像中已标注出的四个车窗角点的坐标，将多个车辆图像和对应车辆图像中已标注出的四个车窗角点的坐标作为训练数据，对机器学习模型进行训练，直至机器学习模型的输出结果满足预设条件，利用该机器学习模型对待识别车辆图像进行识别，继而确定待识别车辆图像的车窗位置，解决了现有车窗定位方法的车窗定位精度往往难以满足需求，从而造成车辆内部信息识别错误的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种建立车窗定位模型的方法的流程图；
图2是本发明实施例提供的一种建立车窗定位模型的装置的结构示意图；
图3是本发明另一实施例提供的一种车窗定位方法的流程图；
图4是本发明另一实施例提供的一种车窗定位装置的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种建立车窗定位模型的方法，如图1所示，包括：
S11，获取多个车辆图像和对应车辆图像中已标注出的四个车窗角点的坐标。其中车辆图像的车窗角点坐标通过人工预先进行大量样本标注作为深度学习的训练数据。
S12，将多个车辆图像和对应车辆图像中已标注出的四个车窗角点的坐标作为训练数据，对机器学习模型进行训练，直至机器学习模型的输出结果满足预设条件。
优选地，车辆图像为车辆前部车身图像。在通过车辆图像准确定位到车窗位置后，继而透过车窗图像识别出车辆内的驾驶员行为状态，故在路口设置的摄像头等图像获取装置一般拍摄车辆前部车身图像，在对大量车辆前部车身图像进行训练后，提高了车辆前部车身图像的车窗位置的识别率，继而也提高了车辆内部驾驶员行为状态的识别率。
优选地，机器学习模型的输出结果为车窗角点的坐标，在对机器学习模型进行训练的步骤中，直至机器学习模型的输出的车窗角点的坐标误差在预设阈值范围内。
本发明实施例提供的建立车窗定位模型的方法，通过获取多个车辆图像和对应车辆图像中已标注出的四个车窗角点的坐标，将多个车辆图像和对应车辆图像中已标注出的四个车窗角点的坐标作为训练数据，对机器学习模型进行训练，直至机器学习模型的输出结果满足预设条件，利用该机器学习模型对待识别车辆图像进行识别，继而确定待识别车辆图像的车窗位置，解决了现有车窗定位方法的车窗定位精度往往难以满足需求，从而造成车辆内部信息识别错误的问题。
相应地，本发明实施例还提供一种建立车窗定位模型的装置，如图2所示，包括：
获取单元21，用于获取多个车辆图像和对应车辆图像中已标注出的四个车窗角点的坐标；
训练单元22，用于将多个车辆图像和对应车辆图像中已标注出的四个车窗角点的坐标作为训练数据，对机器学习模型进行训练，直至机器学习模型的输出结果满足预设条件。
优选地，车辆图像为车辆前部车身图像。
优选地，机器学习模型的输出结果为车窗角点的坐标，利用训练单元22进行训练，直至机器学习模型的输出的车窗角点的坐标误差在预设阈值范围内。
本发明实施例提供的建立车窗定位模型的装置，通过获取单元获取多个车辆图像和对应车辆图像中已标注出的四个车窗角点的坐标，利用训练单元将多个车辆图像和对应车辆图像中已标注出的四个车窗角点的坐标作为训练数据，对机器学习模型进行训练，直至机器学习模型的输出结果满足预设条件，继而利用训练好的机器学习模型进行车窗定位，解决了现有车窗定位方法的车窗定位精度往往难以满足需求，从而造成车辆内部信息识别错误的问题。
本发明另一实施例还提供一种车窗定位方法，如图3所示，包括：
S31，获取待识别车辆图像；
S32，将待识别车辆图像输入到上述方法所建立的模型中，确定待识别车辆图像中车窗位置。在利用机器学习模型识别过程中，当获取车窗的角点坐标后，通过将车窗角点坐标所构成的四边形矫正为规则的矩形，车窗的角点坐标矫正成矩形区域的方法可以是最小矩形覆盖方法或者边界外扩等方法得到，可应用与车辆内部的目标检测和属性识别，例如当确定车窗坐标后，利用头检测方法检测出驾驶员位置或者用于识别驾驶员是否系安全带等目标的识别。
本发明另一实施例提供的车窗定位方法，通过获取待识别车辆图像，继而将待识别车辆图像输入到建立的车窗定位模型中确定待识别车辆图像中的车窗位置，解决了现有车窗定位方法的车窗定位精度往往难以满足需求，从而造成车辆内部信息识别错误的问题。
本发明另一实施例还提供一种车窗定位装置，如图4所示，包括：
车辆图像获取单元41，用于获取待识别车辆图像；
车窗位置确定单元42，用于将待识别车辆图像输入到上述所述方法所建立的模型中，确定待识别车辆图像中车窗位置。
本发明另一实施例提供的车窗定位装置，通过车辆图像获取单元获取待识别车辆图像，并将待识别车辆图像输入到建立的车窗定位模型中确定待识别车辆图像中的车窗位置，解决了现有车窗定位方法的车窗定位精度往往难以满足需求，从而造成车辆内部信息识别错误的问题。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种建立车窗定位模型的方法，其特征在于，包括：
获取多个车辆图像和对应所述车辆图像中已标注出的四个车窗角点的坐标；
将所述多个车辆图像和对应所述车辆图像中已标注出的四个车窗角点的坐标作为训练数据，对机器学习模型进行训练，直至所述机器学习模型的输出结果满足预设条件。
2.根据权利要求1所述的方法，其特征在于，所述车辆图像为车辆前部车身图像。
3.根据权利要求1所述的方法，其特征在于，所述机器学习模型的输出结果为车窗角点的坐标，
在对机器学习模型进行训练的步骤中，直至所述机器学习模型的输出的车窗角点的坐标误差在预设阈值范围内。
4.一种建立车窗定位模型的装置，其特征在于，包括：
获取单元，用于获取多个车辆图像和对应所述车辆图像中已标注出的四个车窗角点的坐标；
训练单元，用于将所述多个车辆图像和对应所述车辆图像中已标注出的四个车窗角点的坐标作为训练数据，对机器学习模型进行训练，直至所述机器学习模型的输出结果满足预设条件。
5.根据权利要求4所述的装置，其特征在于，所述车辆图像为车辆前部车身图像。
6.根据权利要求4所述的装置，其特征在于，所述机器学习模型的输出结果为车窗角点的坐标，
利用训练单元进行训练，直至所述机器学习模型的输出的车窗角点的坐标误差在预设阈值范围内。
7.一种车窗定位方法，其特征在于，包括：
获取待识别车辆图像；
将所述待识别车辆图像输入到如权利要求1-3中任一项所述方法所建立的模型中，确定所述待识别车辆图像中车窗位置。
8.一种车窗定位装置，其特征在于，包括：
车辆图像获取单元，用于获取待识别车辆图像；
车窗位置确定单元，用于将所述待识别车辆图像输入到如权利要求1-3中任一项所述方法所建立的模型中，确定所述待识别车辆图像中车窗位置。
CN201710039443.5A 2017-01-19 2017-01-19 一种建立车窗定位模型和车窗定位方法及装置 Pending CN106919900A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710039443.5A CN106919900A (zh) 2017-01-19 2017-01-19 一种建立车窗定位模型和车窗定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710039443.5A CN106919900A (zh) 2017-01-19 2017-01-19 一种建立车窗定位模型和车窗定位方法及装置

Publications (1)

Publication Number Publication Date
CN106919900A true CN106919900A (zh) 2017-07-04

Family

ID=59454089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710039443.5A Pending CN106919900A (zh) 2017-01-19 2017-01-19 一种建立车窗定位模型和车窗定位方法及装置

Country Status (1)

Country Link
CN (1) CN106919900A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107529659A (zh) * 2017-07-14 2018-01-02 深圳云天励飞技术有限公司 安全带佩戴检测方法、装置及电子设备
CN108108656A (zh) * 2017-11-15 2018-06-01 浙江工业大学 一种基于车窗角点检测和多方向投影的车窗精确定位方法
CN109697397A (zh) * 2017-10-24 2019-04-30 高德软件有限公司 一种目标检测方法及装置
CN110610519A (zh) * 2019-09-25 2019-12-24 江苏鸿信系统集成有限公司 一种基于深度学习的车窗定位方法
CN110969162A (zh) * 2019-12-05 2020-04-07 四川大学 一种机动车车窗定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854029A (zh) * 2014-02-21 2014-06-11 杭州奥视图像技术有限公司 一种前车窗右上角点检测方法
CN105373783A (zh) * 2015-11-17 2016-03-02 高新兴科技集团股份有限公司 基于混合多尺度可变形部件模型的未系安全带检测方法
CN105447490A (zh) * 2015-11-19 2016-03-30 浙江宇视科技有限公司 基于梯度回归树的车辆关键点检测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854029A (zh) * 2014-02-21 2014-06-11 杭州奥视图像技术有限公司 一种前车窗右上角点检测方法
CN105373783A (zh) * 2015-11-17 2016-03-02 高新兴科技集团股份有限公司 基于混合多尺度可变形部件模型的未系安全带检测方法
CN105447490A (zh) * 2015-11-19 2016-03-30 浙江宇视科技有限公司 基于梯度回归树的车辆关键点检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郜伟: "复杂环境下车牌定位的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107529659A (zh) * 2017-07-14 2018-01-02 深圳云天励飞技术有限公司 安全带佩戴检测方法、装置及电子设备
CN107529659B (zh) * 2017-07-14 2018-12-11 深圳云天励飞技术有限公司 安全带佩戴检测方法、装置及电子设备
CN109697397A (zh) * 2017-10-24 2019-04-30 高德软件有限公司 一种目标检测方法及装置
CN109697397B (zh) * 2017-10-24 2021-07-30 阿里巴巴（中国）有限公司 一种目标检测方法及装置
CN108108656A (zh) * 2017-11-15 2018-06-01 浙江工业大学 一种基于车窗角点检测和多方向投影的车窗精确定位方法
CN108108656B (zh) * 2017-11-15 2020-07-07 浙江工业大学 一种基于车窗角点检测和多方向投影的车窗精确定位方法
CN110610519A (zh) * 2019-09-25 2019-12-24 江苏鸿信系统集成有限公司 一种基于深度学习的车窗定位方法
CN110969162A (zh) * 2019-12-05 2020-04-07 四川大学 一种机动车车窗定位方法

Similar Documents

Publication Publication Date Title
CN106919900A (zh) 一种建立车窗定位模型和车窗定位方法及装置
CN110443225B (zh) 一种基于特征像素统计的虚实车道线识别方法及其装置
CN110858295B (zh) 一种交警手势识别方法、装置、整车控制器及存储介质
CN105809152B (zh) 一种基于多源信息融合的驾驶员认知分心监测方法
CN110659543B (zh) 基于手势识别的车辆控制方法、系统及车辆
DE102011117585B4 (de) Systeme und Verfahren zum Verfolgen von Objekten
CN109583415A (zh) 一种基于激光雷达与摄像机融合的交通灯检测与识别方法
CN108447091A (zh) 目标定位方法、装置、电子设备及存储介质
CN110459064A (zh) 车辆违法行为检测方法、装置、计算机设备
CN101593352A (zh) 基于面部朝向和视觉焦点的驾驶安全监测系统
CN104751600A (zh) 基于虹膜识别的防疲劳驾驶安全设备及其使用方法
CN110211420A (zh) 判断当前场景是否为停车场的方法、系统及计算机可读存储介质
CN109426800A (zh) 一种车道线检测方法和装置
CN103500330A (zh) 一种基于多传感器、多特征融合的半监督的人检测方法
EP3380810A1 (de) Verfahren, vorrichtung, kartenverwaltungseinrichtung und system zum punktgenauen lokalisieren eines kraftfahrzeugs in einem umfeld
CN110516633A (zh) 一种基于深度学习的车道线检测方法及系统
CN104077568A (zh) 一种高精度的驾驶员行为识别与监控方法及系统
CN108108680A (zh) 一种基于双目视觉的后方车辆识别与测距方法
CN104112141A (zh) 一种基于公路监控设备的货车安全带系挂状态的检测方法
Mistry et al. Survey: Vision based road detection techniques
CN106650635A (zh) 一种驾驶员后视镜查看行为检测方法及系统
CN112614260A (zh) 一种基于人脸识别和定位的智能安防系统
DE102018216795A1 (de) Verfahren und Vorrichtung zum Betreiben eines Fahrzeugs
WO2016164834A4 (en) Augmenting transport services using driver profiling
DE102021204687A1 (de) Verfahren zur Szeneninterpretation eines Umfelds eines Fahrzeugs

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170704

RJ01 Rejection of invention patent application after publication