CN107292222B - 一种车辆违章检测方法及装置 - Google Patents
一种车辆违章检测方法及装置 Download PDFInfo
- Publication number
- CN107292222B CN107292222B CN201610206164.9A CN201610206164A CN107292222B CN 107292222 B CN107292222 B CN 107292222B CN 201610206164 A CN201610206164 A CN 201610206164A CN 107292222 B CN107292222 B CN 107292222B
- Authority
- CN
- China
- Prior art keywords
- area
- skylight
- width
- target
- vehicle
- 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.)
- Active
Links
Images
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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
Abstract
本申请实施例公开了一种车辆违章检测方法及装置,涉及智能交通技术领域,其中,上述方法包括:获得目标图像中目标车辆的天窗区域;根据预先构建的目标检测模型,检测所述天窗区域是否存在疑似人体部位,其中,所述目标检测模型为:采用样本图像对预设的目标检测算法进行训练得到的;若存在,判定所述目标车辆为违章车辆。应用本申请实施例提供的方案进行车辆违章检测,减轻了工作人员的工作压力,提高了工作效率。
Description
技术领域
本申请涉及智能交通技术领域,特别涉及一种车辆违章检测方法及装置。
背景技术
现有大多数机动车的车顶安装有天窗,这样不仅能够使得汽车外形更加美观,而且能够有效地使车内空气流通,增加新鲜空气进入,调节车内的温度,为车主带来健康、舒适的享受。
然而,在汽车行驶的过程中,有的乘客尤其是年轻乘客喜欢站起身来,将身体的一些部位伸出天窗,观看风景,感受大自然的韵味,这样的做法存在安全隐患,属于车辆违章行为。
现有技术中,针对人体伸出天窗的车辆违章行为,一般采用人工筛选的方法确定,即:工作人员从大量的视频监控图像中人工筛选出这类情形,这样工作人员的工作压力大,工作效率低。
发明内容
本申请实施例公开了一种车辆违章检测方法及装置,以减轻工作人员的工作压力,提高工作效率。
为达到上述目的,本申请实施例公开了一种车辆违章检测方法,所述方法包括:
获得目标图像中目标车辆的天窗区域;
根据预先构建的目标检测模型,检测所述天窗区域是否存在疑似人体部位,其中,所述目标检测模型为:采用样本图像对预设的目标检测算法进行训练得到的;
若存在,判定所述目标车辆为违章车辆。
在本申请的一种具体实现方式中,在检测到所述天窗区域存在疑似人体部位的情况下,还包括:
根据预设的深度学习算法,判断所述疑似人体部位是否为真实人体部位;
若为是,执行所述判定所述目标车辆为违章车辆的步骤。
在本申请的一种具体实现方式中,所述获得目标图像中目标车辆的天窗区域,包括:
根据以下方式中的至少一种获得目标图像中目标车辆的天窗区域:
根据目标图像中目标车辆的车牌区域,获得所述目标车辆的天窗区域;
根据目标图像中目标车辆的车头区域,获得所述目标车辆的天窗区域;
根据目标图像中目标车辆的车窗区域,获得所述目标车辆的天窗区域。
在本申请的一种具体实现方式中,根据目标图像中目标车辆的车牌区域,获得所述目标车辆的天窗区域,包括:
获得目标图像中目标车辆的车牌区域;
根据所述车牌区域的中心点,确定所述目标车辆的天窗区域的中心点;
根据预设的第一宽度系数、预设的第一高度系数以及所述车牌区域的宽度,计算所述天窗区域的宽度和所述天窗区域的高度;
根据所述天窗区域的中心点、所述天窗区域的宽度和所述天窗区域的高度,获得所述天窗区域。
在本申请的一种具体实现方式中,所述根据所述车牌区域的中心点,确定所述目标车辆的天窗区域的中心点,包括:
沿着与所述车牌区域的水平方向垂直向上的方向,确定与所述车牌区域中心点的距离等于目标距离的点为所述目标车辆的天窗区域的中心点,其中,所述目标距离为:根据所述车牌区域的宽度和预设的距离系数确定的距离。
在本申请的一种具体实现方式中,所述根据预设的第一宽度系数、预设的第一高度系数以及所述车牌区域的宽度,计算所述天窗区域的宽度和所述天窗区域的高度,包括:
按照以下公式,计算所述天窗区域的宽度widthS和所述天窗区域的高度heightS:
widthS=2*Cw*widthP;heightS=2*Ch*widthP;
其中,widthP表示所述车牌区域的宽度,Cw、Ch分别表示所述预设的第一宽度系数和所述预设的第一高度系数。
在本申请的一种具体实现方式中,所述根据目标图像中目标车辆的车头区域,获得所述目标车辆的天窗区域,包括:
获得目标图像中目标车辆的车头区域;
根据所述车头区域上边界的中心点,确定所述目标车辆的天窗区域下边界的中心点;
根据预设的第二宽度系数、预设的第二高度系数以及所述车头区域上边界的宽度,计算所述天窗区域的宽度和所述天窗区域的高度;
根据所述天窗区域下边界的中心点、所述天窗区域的宽度和所述天窗区域的高度,获得所述天窗区域。
在本申请的一种具体实现方式中,所述根据所述车头区域上边界的中心点,确定所述目标车辆的天窗区域下边界的中心点,包括:
沿着与所述车头区域上边界垂直向下的方向,确定与所述车头区域上边界的中心点的距离为预设距离的点为所述目标车辆的天窗区域下边界的中心点。
在本申请的一种具体实现方式中,所述根据目标图像中目标车辆的车窗区域,获得所述目标车辆的天窗区域,包括:
获得目标图像中目标车辆的车窗区域;
根据所述车窗区域上边界的中心点,确定所述目标车辆的天窗区域下边界的中心点;
根据预设的第三宽度系数、预设的第三高度系数以及所述车窗区域上边界的宽度,计算所述天窗区域的宽度和所述天窗区域的高度;
根据所述天窗区域下边界的中心点、所述天窗区域的宽度和所述天窗区域的高度,获得所述天窗区域。
为达到上述目的,本申请实施例公开了一种车辆违章检测装置,所述装置包括:
天窗区域获得模块,用于获得目标图像中目标车辆的天窗区域;
疑似人体部位检测模块,用于根据预先构建的目标检测模型,检测所述天窗区域是否存在疑似人体部位,其中,所述目标检测模型为:采用样本图像对预设的目标检测算法进行训练得到的;
违章判定模块,用于在所述疑似人体部位检测模块的检测结果为是的情况下,判定所述目标车辆为违章车辆。
在本申请的一种具体实现方式中,所述车辆违章检测装置还包括:
真实人体部位判断模块,用于在所述疑似人体部位检测模块的检测结果为是的情况下,根据预设的深度学习算法,判断所述疑似人体部位是否为真实人体部位,若为是,触发所述违章判定模块判定车辆违章。
在本申请的一种具体实现方式中,所述天窗区域获得模块,具体用于根据以下方式中的至少一种获得目标图像中目标车辆的天窗区域:
根据目标图像中目标车辆的车牌区域,获得所述目标车辆的天窗区域;
根据目标图像中目标车辆的车头区域,获得所述目标车辆的天窗区域;
根据目标图像中目标车辆的车窗区域,获得所述目标车辆的天窗区域。
在本申请的一种具体实现方式中,所述天窗区域获得模块,包括:
车牌区域获得子模块,用于获得目标图像中目标车辆的车牌区域;
第一中心点确定子模块,用于根据所述车牌区域的中心点,确定所述目标车辆的天窗区域的中心点;
第一宽度高度计算子模块,用于根据预设的第一宽度系数、预设的第一高度系数以及所述车牌区域的宽度,计算所述天窗区域的宽度和所述天窗区域的高度;
第一天窗区域获得子模块,用于根据所述天窗区域的中心点、所述天窗区域的宽度和所述天窗区域的高度,获得所述天窗区域。
在本申请的一种具体实现方式中,所述第一中心点确定子模块,具体用于沿着与所述车牌区域的水平方向垂直向上的方向,确定与所述车牌区域中心点的距离等于目标距离的点为所述目标车辆的天窗区域的中心点,其中,所述目标距离为:根据所述车牌区域的宽度和预设的距离系数确定的距离。
在本申请的一种具体实现方式中,所述第一宽度高度计算子模块,具体用于按照以下公式,计算所述天窗区域的宽度widthS和所述天窗区域的高度heightS:
widthS=2*Cw*widthP;heightS=2*Ch*widthP;
其中,widthP表示所述车牌区域的宽度,Cw、Ch分别表示所述预设的第一宽度系数和所述预设的第一高度系数。
在本申请的一种具体实现方式中,所述天窗区域获得模块,包括:
车头区域获得子模块,用于获得目标图像中目标车辆的车头区域;
第二中心点确定子模块,用于根据所述车头区域上边界的中心点,确定所述目标车辆的天窗区域下边界的中心点;
第二宽度高度计算子模块,用于根据预设的第二宽度系数、预设的第二高度系数以及所述车头区域上边界的宽度,计算所述天窗区域的宽度和所述天窗区域的高度;
第二天窗区域获得子模块,用于根据所述天窗区域下边界的中心点、所述天窗区域的宽度和所述天窗区域的高度,获得所述天窗区域。
在本申请的一种具体实现方式中,所述第二中心点确定子模块,具体用于沿着与所述车头区域上边界垂直向下的方向,确定与所述车头区域上边界的中心点的距离为预设距离的点为所述目标车辆的天窗区域下边界的中心点。
在本申请的一种具体实现方式中,所述天窗区域获得模块,包括:
车窗区域获得子模块,用于获得目标图像中目标车辆的车窗区域;
第三中心点确定子模块,用于根据所述车窗区域上边界的中心点,确定所述目标车辆的天窗区域下边界的中心点;
第三宽度高度计算子模块,用于根据预设的第三宽度系数、预设的第三高度系数以及所述车窗区域上边界的宽度,计算所述天窗区域的宽度和所述天窗区域的高度;
第三天窗区域获得子模块,用于根据所述天窗区域下边界的中心点、所述天窗区域的宽度和所述天窗区域的高度,获得所述天窗区域。
由以上可见,本申请实施例提供的方案中,首先获得目标图像中目标车辆的天窗区域,然后在根据预先构建的目标检测模型检测到天窗区域中存在疑似人体部位时,判定目标车辆为违章车辆。可见,应用本申请实施例提供的方案检测人体伸出天窗外的车辆违章行为时,无需工作人员人工筛选,减轻了工作人员的工作压力,提高了工作效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本申请的一些实施例,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为本申请实施例提供的一种车辆违章检测方法的流程示意图;
图2a为本申请实施例提供的第一种获得天窗区域的方法的流程示意图;
图2b为本申请实施例提供的第一种天窗区域的图例;
图3a为本申请实施例提供的第二种获得天窗区域的方法的流程示意图;
图3b为本申请实施例提供的第二种天窗区域的图例;
图4a为本申请实施例提供的第三种获得天窗区域的方法的流程示意图;
图4b为本申请实施例提供的第三种天窗区域的图例;
图5为本申请实施例提供的一种车辆违章检测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请实施例提供的一种车辆违章检测方法的流程示意图,该方法包括:
S101:获得目标图像中目标车辆的天窗区域。
现有技术中,基于图像的车辆信息检测中车牌区域检测、车头区域检测以及车窗区域检测相对比较成熟,且车辆中天窗区域与车牌区域、车头区域、车窗区域等区域的位置相对固定,所以,在本申请的一种具体实现方式中,获得目标图像中目标车辆的天窗区域时,可以根据以下方式中的至少一种获得目标图像中目标车辆的天窗区域:
根据目标图像中目标车辆的车牌区域,获得目标车辆的天窗区域;
根据目标图像中目标车辆的车头区域,获得目标车辆的天窗区域;
根据目标图像中目标车辆的车窗区域,获得目标车辆的天窗区域。
另外,受现有检测算法精确度的影响,可以为上述三种方式设置优先级,例如,可以优先根据车牌区域获得天窗区域,在检测车牌区域失败的情况下,可以考虑根据车头区域获得天窗区域,在检测车头区域也失败的情况下,可以考虑根据车窗区域获得天窗区域。当然,本申请只是以上述为例进行说明,实际应用中上述三种方式的优先级并不仅限于此。
进一步的,在检测上述车牌区域、车头区域、车窗区域中的两种或者三种均成功的情况下,还可以考虑根据检测成功的区域获得的多个天窗区域,获得最终的天窗区域。
例如,根据车牌区域获得的天窗区域记为天窗区域1;
根据车头区域获得的天窗区域记为天窗区域2;
根据车窗区域获得的天窗区域记为天窗区域3;
此时可以根据上述三个天窗区域的交集获得最终的天窗区域,还可以根据上述三个天窗区域的并集获得最终的天窗区域等等,本申请并不对此进行限定。
在获得天窗区域时,综合考虑车牌区域、车头区域和车窗区域可以有效减小环境因素对结果的影响,如光线暗、成像模糊等因素带来的影响,使得获得的天窗区域的准确率较高。
具体根据车牌区域、车头区域、车窗区域获得天窗区域的方法可以参见后面图2a、图3a和图4a所示实施例,这里暂不详述。
S102:根据预先构建的目标检测模型,检测天窗区域是否存在疑似人体部位,若为是,执行S103。
由于人在车中站立能够伸出天窗外的部位有限,一般为人体头部、人体头肩部以及人体上半身,所以上述疑似人体部位可以是疑似人体头部、疑似人体头肩部以及疑似人体上半身。
其中,上述目标检测模型可以为:采用样本图像对预设的目标检测算法进行训练得到的。
目标检测算法只是进行目标检测的算法,其中,目标检测也可以称之为目标提取,是指将人们感兴趣的物体从复杂的背景图像中提取出来。
在本申请的一种可选实现方式中,上述目标检测算法可以是DPM(DeformableParts Model)目标检测算法。DPM目标检测算法可以看做是HOG(Histograms of OrientedGradients,方向梯度直方图)的扩展,大体思路与HOG一致。主要是先计算HOG特征,然后用SVM(Support Vector Machine,支持向量机)训练得到物体的梯度模型。DPM在模型上做了一些改进。当然,上述目标检测算法并不仅限于DPM目标检测算法,本申请并不对此进行限定。
具体的,可以通过采集大量样本图像对上述DPM目标检测算法进行训练,得到DPM目标检测模型,训练过程简单描述如下:
分析样本图像,确定每一张样本图像中的天窗区域,对所确定的天窗区域进行归类处理,即:根据人的身体伸出天窗区域的不同情形分成不同的类别,例如分为:只伸出头部、伸出头肩部、伸出人体上半身、天窗区域没有人四类,这四类中前三类属于正样本,第四类属于负样本。
然后对上述四类样本进行人工标定,例如:
对于只伸出头部的样本,只需标定出人的头部所在的矩形区域;对于伸出头肩部的样本,需要标定出包括头部和肩部在内的矩形区域;对于伸出人体上半身的样本,需要标出整个人体上半身所在的矩形区域;对于天窗区域没有人的负样本,仅需标出天窗位置的矩形区域。
然后根据上述标定后的样本图像对上述DPM目标检测算法进行训练,得到DPM目标检测模型。
在本申请的一种具体实现方式中,可以训练得到多个基于DPM的目标检测模型,如基于DPM的头部检测模型,基于DPM的头肩部检测模型,基于DPM的人体上半身检测模型,这样在后期检测中可以得到更佳的检测结果。
可以理解的,应用上述预先构建的目标检测模型检测天窗区域是否存在疑似人体部位时,若检测到疑似人体部分,则可以输出该疑似人体部位对应的区域。
由于目标检测模型的检测精度有限,在本申请的一种可选实现方式中,在检测到天窗区域存在疑似人体部位的情况下,还可以根据预设的深度学习算法,判断上述疑似人体部位是否为真实人体部位,若为是,执行下述S103判定目标车辆为违章车辆。
具体的,上述预设的深度学习算法可以是基于CNN(Convolutional NeuralNetworks,卷积神经网络)的深度学习算法,CNN是一种深度的监督学习下的机器学习模型,是一个能够训练多层网络结构的学习算法。它利用空间关系减少需要学习的参数数目以提高一般前向BP算法的训练性能。当然,本申请只是以此为例进行说明,实际应用中预设的深度学习算法并不仅限于此。
将CNN引入上述本方案中时,需结合上述样本图像对其进行训练以适应对天窗区域人体部分的检测,具体的,可以根据前述经过标定的样本图像中的天窗区域对CNN进行训练得到CNN模型,CNN模型为二分类模型,本申请实施例中该模型所要识别的区域即为根据前述预先构建的目标检测模型获得的疑似人体区域,能够有效识别出这些区域是“人”区域还是“非人”区域。
S103:判定目标车辆为违章车辆。
下面分情况介绍如何获得目标车辆的天窗区域:
第一种情况,参见图2a,提供了第一种获得天窗区域的方法的流程示意图,该方法中根据目标车辆的车牌区域,获得目标车辆的天窗区域,下面结合图2b对该获得天窗区域的方法进行详细介绍。
上述获得天窗区域的方法具体包括:
S101A:获得目标图像中目标车辆的车牌区域。
基于图像的车牌检测算法已比较成熟,本领域内的技术人员可以从现有技术中获知,这里暂不详述。
可以理解的,应用现有技术提供的车牌检测算法检测到的车牌区域一般为规则性区域,例如,矩形区域。
S101B:根据车牌区域的中心点,确定目标车辆的天窗区域的中心点。
本领域内的技术人员可以理解的是,通常采集的包含车辆的图像中车辆是车牌在下、车顶在上放置的,所以,可以认为天窗的位置位于车牌区域的上方。另外,一旦所采集的图像中车辆不符合上述要求,可以对图像进行旋转等处理以达到上述要求,然后再进行车牌区域检测等处理。
基于上述情况,在本申请的一种具体实现方式中,根据车牌区域的中心点,确定目标车辆的天窗区域的中心点时,可以沿着与车牌区域的水平方向垂直向上的方向,确定与车牌区域中心点的距离等于目标距离的点为目标车辆的天窗区域的中心点。
其中,上述目标距离为:根据车牌区域的宽度和预设的距离系数确定的距离。
在本申请的一种可选实现方式中,上述目标距离可以等于车牌区域的宽度与上述预设的距离系数之间的乘积。上述预设的距离系数可以是开发人员根据大量实验分析统计得到的数值,本申请并不对此进行限定。
具体的,参见图2b,其中,点O1表示车牌区域的中心点,点O2表示天窗区域的中心点,距离D表示上述目标距离。
S101C:根据预设的第一宽度系数、预设的第一高度系数以及车牌区域的宽度,计算天窗区域的宽度和天窗区域的高度。
为便于后期进行进一步的图像处理,上述天窗区域可以是形状规则的天窗区域,例如,矩形区域等等。
在本申请的一种可选实现方式中,根据预设的第一宽度系数、预设的第一高度系数以及车牌区域的宽度,计算天窗区域的宽度和天窗区域的高度时,可以按照以下公式,计算天窗区域的宽度widthS和天窗区域的高度heightS:
widthS=2*Cw1*widthP1;heightS=2*Ch1*widthP1;
其中,widthP1表示车牌区域的宽度,Cw1、Ch1分别表示预设的第一宽度系数和预设的第一高度系数。
需要说明的是,与上述预设距离系数类似,上述预设的第一宽度系数和预设的第一高度系数也可以是开发人员根据大量实验分析统计得到的数值。
以所获得的天窗区域为矩形区域为例,参见图2b,dist_w表示天窗区域的中心点与天窗区域的左右边界之间的距离,dist_h表示天窗区域的中心点O2与天窗区域上下边界之间的距离。其中,dist_w=Cw1*widthP1,dist_h=Ch1*widthP1,则天窗区域的宽度widthS=2*dist_w=2*Cw1*widthP1,天窗区域的高度heightS=2*dist_h=2*Ch1*widthP1。
S101D:根据天窗区域的中心点、天窗区域的宽度和天窗区域的高度,获得天窗区域。
第二种情况,参见图3a,提供了第二种获得天窗区域的方法的流程示意图,该方法中根据目标车辆的车头区域,获得目标车辆的天窗区域,下面结合图3b对该获得天窗区域的方法进行详细介绍。
上述获得天窗区域的方法具体包括:
S101E:获得目标图像中目标车辆的车头区域。
基于图像的车头检测算法已比较成熟,本领域内的技术人员可以从现有技术中获知,这里暂不详述。
可以理解的,应用现有技术提供的车头检测算法检测到的车头区域一般为规则性区域,例如,矩形区域,当然也可以为平行四边形、梯形等等形状的区域,本申请并不对此进行限定。参见图3b,所获得的车头区域为矩形区域.
S101F:根据车头区域上边界的中心点,确定目标车辆的天窗区域下边界的中心点。
本领域内的技术人员可以理解的是,通常采集的包含车辆的图像中车辆是车头在下、车顶在上放置的,所以,可以认为天窗的位置位于车头区域的上方,然而由于车头区域一般较大,且一般认为车头区域的上部比较靠近车顶,所以,有些情况下也可以认为车头区域与天窗区域存在重叠区域。另外,一旦所采集的图像中车辆不符合上述要求,可以对图像进行旋转等处理以达到上述要求,然后再进行车头区域检测等处理。
基于上述情况,在本申请的一种具体实现方式中,根据车头区域上边界的中心点,确定目标车辆的天窗区域下边界的中心点时,可以沿着与车头区域上边界垂直向下的方向,确定与车头区域上边界的中心点的距离为预设距离的点为目标车辆的天窗区域下边界的中心点。
需要说明的是,上述预设距离可以是开发人员根据大量实验分析统计得到的数值,本申请并不对此进行限定。
当然,实际应用中也可以认为车头区域与车窗区域之间不存在重叠区域,这种情况下,可以理解为天窗区域位于车头区域的上方,所以,在本申请的一种可选实现方式中,根据车头区域上边界的中心点,确定目标车辆的天窗区域下边界的中心点时,还可以沿着与车头区域上边界垂直向上的方向,确定与车头区域下边界中心点的距离为预设距离的点为目标车辆的天窗区域下边界的中心点。
具体的,参见图3b,其中,点O1表示车头区域上边界的中心点,点O2表示天窗区域下边界的中心点,距离D表示上述预设距离。
S101G:根据预设的第二宽度系数、预设的第二高度系数以及车头区域上边界的宽度,计算天窗区域的宽度和天窗区域的高度。
为便于后期进行进一步的图像处理,上述天窗区域可以是形状规则的天窗区域,例如,矩形区域等等。
在本申请的一种可选实现方式中,可以按照以下公式,计算天窗区域的宽度widthS和天窗区域的高度heightS:
widthS=2*Cw2*widthP2;heightS=Ch2*widthP2;
其中,widthP2表示车头区域上边界的宽度,Cw2、Ch2分别表示预设的第二宽度系数和预设的第二高度系数。
需要说明的是,上述预设的第二宽度系数和预设的第二高度系数可以是开发人员根据大量实验分析统计得到的数值,本申请并不对此进行限定。
以所获得的天窗区域为矩形区域为例,参见图3b,dist_w表示天窗区域下边界的中心点与天窗区域左右边界之间的距离,dist_h表示天窗区域下边界的中心点O2与天窗区域上边界之间的距离。其中,dist_w=Cw2*widthP2,dist_h=Ch2*widthP2,则天窗区域的宽度widthS=2*dist_w=2*Cw2*widthP2,天窗区域的高度heightS=dist_h=Ch2*widthP2。
S101H:根据天窗区域下边界的中心点、天窗区域的宽度和天窗区域的高度,获得天窗区域。
第三种情况,参见图4a,提供了第三种获得天窗区域的方法的流程示意图,该方法中根据目标车辆的车窗区域,获得目标车辆的天窗区域,下面结合图4b对该获得天窗区域的方法进行详细介绍。
上述获得天窗区域的方法具体包括:
S101I:获得目标图像中目标车辆的车窗区域。
基于图像的车窗检测算法已比较成熟,本领域内的技术人员可以从现有技术中获知,这里暂不详述。
考虑到车辆的车窗的实际形状以及车辆的前车窗是倾斜放置的,所以可以理解的,应用现有技术提供的车窗检测算法检测到的车窗区域可能为矩形区域,也可能为梯形区域等等,本申请并不对此进行限定。参见图4b,所获得的车窗区域为梯形区域。
S101J:根据车窗区域上边界的中心点,确定目标车辆的天窗区域下边界的中心点。
本领域内的技术人员可以理解的是,通常采集的包含车辆的图像中车辆是车窗在下、车顶在上放置的,所以,可以认为天窗的位置位于车窗区域的上方,然而由于车窗区域的上部一般认为比较靠近车顶,所以,有些情况下也可以认为车窗区域与天窗区域存在重叠区域。另外,一旦所采集的图像中车辆不符合上述要求,可以对图像进行旋转等处理以达到上述要求,然后再进行车窗区域检测等处理。
基于上述情况,在本申请的一种具体实现方式中,根据车窗区域上边界的中心点,确定目标车辆的天窗区域下边界的中心点时,可以沿着与车窗区域上边界垂直向下的方向,确定与车窗区域下边界中心点的距离为预设距离的点为目标车辆的天窗区域下边界的中心点。
需要说明的是,上述预设距离可以是开发人员根据大量实验分析统计得到的数值,本申请并不对此进行限定。
具体的,参见图4b,其中,点O1表示车窗区域上边界的中心点,点O2表示天窗区域下边界的中心点,距离D表示上述预设距离。
S101K:根据预设的第三宽度系数、预设的第三高度系数以及车窗区域上边界的宽度,计算天窗区域的宽度和天窗区域的高度。
为便于后期进行进一步的图像处理,上述天窗区域可以是形状规则的天窗区域,例如,矩形区域等等。
在本申请的一种可选实现方式中,可以按照以下公式,计算天窗区域的宽度widthS和天窗区域的高度heightS:
widthS=2*Cw3*widthP3;heightS=Ch3*widthP3;
其中,widthP3表示车窗区域上边界的宽度,Cw3、Ch3分别表示预设的第三宽度系数和预设的第三高度系数。
需要说明的是,与上述预设距离系数类似,上述预设的第三宽度系数和预设的第三高度系数也可以是开发人员根据大量实验分析统计得到的数值,本申请并不对此进行限定。
以所获得的天窗区域为矩形区域为例,参见图4b,dist_w表示天窗区域下边界的中心点与天窗区域左右边界之间的距离,dist_h表示天窗区域下边界的中心点O2与天窗区域上边界之间的距离。其中,dist_w=Cw3*widthP3,dist_h=Ch3*widthP3,则天窗区域的宽度widthS=2*dist_w=2*Cw3*widthP3,天窗区域的高度heightS=dist_h=Ch3*widthP3。
S101L:根据天窗区域下边界的中心点、天窗区域的宽度和天窗区域的高度,获得天窗区域。
由以上可见,上述各个实施例提供的方案中,首先获得目标图像中目标车辆的天窗区域,然后在根据预先构建的目标检测模型检测到天窗区域中存在疑似人体部位时,判定目标车辆为违章车辆。可见,应用上述各个实施例提供的方案检测人体伸出天窗外的车辆违章行为时,无需工作人员人工筛选,减轻了工作人员的工作压力,提高了工作效率。
与上述车辆违章检测方法相对应,本申请实施例还提供了一种车辆违章检测装置。
图5为本申请实施例提供的一种车辆违章检测装置的结构示意图,该装置包括:
天窗区域获得模块501,用于获得目标图像中目标车辆的天窗区域;
疑似人体部位检测模块502,用于根据预先构建的目标检测模型,检测所述天窗区域是否存在疑似人体部位,其中,所述目标检测模型为:采用样本图像对预设的目标检测算法进行训练得到的;
违章判定模块503,用于在所述疑似人体部位检测模块502的检测结果为是的情况下,判定所述目标车辆为违章车辆。
在本申请的一种可选实现方式中,上述车辆检测装置还包括:
真实人体部位判断模块,用于在所述疑似人体部位检测模块502的检测结果为是的情况下,根据预设的深度学习算法,判断所述疑似人体部位是否为真实人体部位,若为是,触发所述违章判定模块判定车辆违章。
具体的,所述天窗区域获得模块,具体用于根据以下方式中的至少一种获得目标图像中目标车辆的天窗区域:
根据目标图像中目标车辆的车牌区域,获得所述目标车辆的天窗区域;
根据目标图像中目标车辆的车头区域,获得所述目标车辆的天窗区域;
根据目标图像中目标车辆的车窗区域,获得所述目标车辆的天窗区域。
具体的,所述天窗区域获得模块可以包括:
车牌区域获得子模块,用于获得目标图像中目标车辆的车牌区域;
第一中心点确定子模块,用于根据所述车牌区域的中心点,确定所述目标车辆的天窗区域的中心点;
第一宽度高度计算子模块,用于根据预设的第一宽度系数、预设的第一高度系数以及所述车牌区域的宽度,计算所述天窗区域的宽度和所述天窗区域的高度;
第一天窗区域获得子模块,用于根据所述天窗区域的中心点、所述天窗区域的宽度和所述天窗区域的高度,获得所述天窗区域。
具体的,所述第一中心点确定子模块,具体用于沿着与所述车牌区域的水平方向垂直向上的方向,确定与所述车牌区域中心点的距离等于目标距离的点为所述目标车辆的天窗区域的中心点,其中,所述目标距离为:根据所述车牌区域的宽度和预设的距离系数确定的距离。
具体的,所述第一宽度高度计算子模块,具体用于按照以下公式,计算所述天窗区域的宽度widthS和所述天窗区域的高度heightS:
widthS=2*Cw*widthP;heightS=2*Ch*widthP;
其中,widthP表示所述车牌区域的宽度,Cw、Ch分别表示所述预设的第一宽度系数和所述预设的第一高度系数。
具体的,所述天窗区域获得模块可以包括:
车头区域获得子模块,用于获得目标图像中目标车辆的车头区域;
第二中心点确定子模块,用于根据所述车头区域上边界的中心点,确定所述目标车辆的天窗区域下边界的中心点;
第二宽度高度计算子模块,用于根据预设的第二宽度系数、预设的第二高度系数以及所述车头区域上边界的宽度,计算所述天窗区域的宽度和所述天窗区域的高度;
第二天窗区域获得子模块,用于根据所述天窗区域下边界的中心点、所述天窗区域的宽度和所述天窗区域的高度,获得所述天窗区域。
具体的,所述第二中心点确定子模块,具体用于沿着与所述车头区域上边界垂直向下的方向,确定与所述车头区域上边界的中心点的距离为预设距离的点为所述目标车辆的天窗区域下边界的中心点。
具体的,所述天窗区域获得模块可以包括:
车窗区域获得子模块,用于获得目标图像中目标车辆的车窗区域;
第三中心点确定子模块,用于根据所述车窗区域上边界的中心点,确定所述目标车辆的天窗区域下边界的中心点;
第三宽度高度计算子模块,用于根据预设的第三宽度系数、预设的第三高度系数以及所述车窗区域上边界的宽度,计算所述天窗区域的宽度和所述天窗区域的高度;
第三天窗区域获得子模块,用于根据所述天窗区域下边界的中心点、所述天窗区域的宽度和所述天窗区域的高度,获得所述天窗区域。
由以上可见,上述各个实施例提供的方案中,首先获得目标图像中目标车辆的天窗区域,然后在根据预先构建的目标检测模型检测到天窗区域中存在疑似人体部位时,判定目标车辆为违章车辆。可见,应用上述各个实施例提供的方案检测人体伸出天窗外的车辆违章行为时,无需工作人员人工筛选,减轻了工作人员的工作压力,提高了工作效率。
对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,这里所称得的存储介质,如:ROM/RAM、磁碟、光盘等。
以上所述仅为本申请的可选实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (10)
1.一种车辆违章检测方法,其特征在于,所述方法包括:
获得目标图像中目标车辆的天窗区域;
根据预先构建的目标检测模型,检测所述天窗区域是否存在疑似人体部位,其中,所述目标检测模型为:采用样本图像对预设的目标检测算法进行训练得到的;
若存在,判定所述目标车辆为违章车辆;
所述获得目标图像中目标车辆的天窗区域,包括:
根据以下方式中的至少一种获得目标图像中目标车辆的天窗区域:
根据目标图像中目标车辆的车牌区域,获得所述目标车辆的天窗区域;
根据目标图像中目标车辆的车头区域,获得所述目标车辆的天窗区域;
根据目标图像中目标车辆的车窗区域,获得所述目标车辆的天窗区域;
其中,所述根据目标图像中目标车辆的车牌区域,获得所述目标车辆的天窗区域,包括:
获得目标图像中目标车辆的车牌区域;
根据所述车牌区域的中心点,确定所述目标车辆的天窗区域的中心点;
根据预设的第一宽度系数、预设的第一高度系数以及所述车牌区域的宽度,计算所述天窗区域的宽度和所述天窗区域的高度;
根据所述天窗区域的中心点、所述天窗区域的宽度和所述天窗区域的高度,获得所述天窗区域;
所述根据目标图像中目标车辆的车头区域,获得所述目标车辆的天窗区域,包括:
获得目标图像中目标车辆的车头区域;
根据所述车头区域上边界的中心点,确定所述目标车辆的天窗区域下边界的中心点;
根据预设的第二宽度系数、预设的第二高度系数以及所述车头区域上边界的宽度,计算所述天窗区域的宽度和所述天窗区域的高度;
根据所述天窗区域下边界的中心点、所述天窗区域的宽度和所述天窗区域的高度,获得所述天窗区域;
所述根据目标图像中目标车辆的车窗区域,获得所述目标车辆的天窗区域,包括:
获得目标图像中目标车辆的车窗区域;
根据所述车窗区域上边界的中心点,确定所述目标车辆的天窗区域下边界的中心点;
根据预设的第三宽度系数、预设的第三高度系数以及所述车窗区域上边界的宽度,计算所述天窗区域的宽度和所述天窗区域的高度;
根据所述天窗区域下边界的中心点、所述天窗区域的宽度和所述天窗区域的高度,获得所述天窗区域。
2.根据权利要求1所述的方法,其特征在于,在检测到所述天窗区域存在疑似人体部位的情况下,还包括:
根据预设的深度学习算法,判断所述疑似人体部位是否为真实人体部位;
若为是,执行所述判定所述目标车辆为违章车辆的步骤。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述车牌区域的中心点,确定所述目标车辆的天窗区域的中心点,包括:
沿着与所述车牌区域的水平方向垂直向上的方向,确定与所述车牌区域中心点的距离等于目标距离的点为所述目标车辆的天窗区域的中心点,其中,所述目标距离为:根据所述车牌区域的宽度和预设的距离系数确定的距离。
4.根据权利要求1或2所述的方法,其特征在于,所述根据预设的第一宽度系数、预设的第一高度系数以及所述车牌区域的宽度,计算所述天窗区域的宽度和所述天窗区域的高度,包括:
按照以下公式,计算所述天窗区域的宽度widthS和所述天窗区域的高度heightS:
widthS=2*Cw*widthP;heightS=2*Ch*widthP;
其中,widthP表示所述车牌区域的宽度,Cw、Ch分别表示所述预设的第一宽度系数和所述预设的第一高度系数。
5.根据权利要求1或2所述的方法,其特征在于,所述根据所述车头区域上边界的中心点,确定所述目标车辆的天窗区域下边界的中心点,包括:
沿着与所述车头区域上边界垂直向下的方向,确定与所述车头区域上边界的中心点的距离为预设距离的点为所述目标车辆的天窗区域下边界的中心点。
6.一种车辆违章检测装置,其特征在于,所述装置包括:
天窗区域获得模块,用于获得目标图像中目标车辆的天窗区域;
疑似人体部位检测模块,用于根据预先构建的目标检测模型,检测所述天窗区域是否存在疑似人体部位,其中,所述目标检测模型为:采用样本图像对预设的目标检测算法进行训练得到的;
违章判定模块,用于在所述疑似人体部位检测模块的检测结果为是的情况下,判定所述目标车辆为违章车辆;
所述天窗区域获得模块,具体用于根据以下方式中的至少一种获得目标图像中目标车辆的天窗区域:
根据目标图像中目标车辆的车牌区域,获得所述目标车辆的天窗区域;
根据目标图像中目标车辆的车头区域,获得所述目标车辆的天窗区域;
根据目标图像中目标车辆的车窗区域,获得所述目标车辆的天窗区域;
其中,所述天窗区域获得模块,包括:
车牌区域获得子模块,用于获得目标图像中目标车辆的车牌区域;
第一中心点确定子模块,用于根据所述车牌区域的中心点,确定所述目标车辆的天窗区域的中心点;
第一宽度高度计算子模块,用于根据预设的第一宽度系数、预设的第一高度系数以及所述车牌区域的宽度,计算所述天窗区域的宽度和所述天窗区域的高度;
第一天窗区域获得子模块,用于根据所述天窗区域的中心点、所述天窗区域的宽度和所述天窗区域的高度,获得所述天窗区域;
所述天窗区域获得模块,包括:
车头区域获得子模块,用于获得目标图像中目标车辆的车头区域;
第二中心点确定子模块,用于根据所述车头区域上边界的中心点,确定所述目标车辆的天窗区域下边界的中心点;
第二宽度高度计算子模块,用于根据预设的第二宽度系数、预设的第二高度系数以及所述车头区域上边界的宽度,计算所述天窗区域的宽度和所述天窗区域的高度;
第二天窗区域获得子模块,用于根据所述天窗区域下边界的中心点、所述天窗区域的宽度和所述天窗区域的高度,获得所述天窗区域;
所述天窗区域获得模块,包括:
车窗区域获得子模块,用于获得目标图像中目标车辆的车窗区域;
第三中心点确定子模块,用于根据所述车窗区域上边界的中心点,确定所述目标车辆的天窗区域下边界的中心点;
第三宽度高度计算子模块,用于根据预设的第三宽度系数、预设的第三高度系数以及所述车窗区域上边界的宽度,计算所述天窗区域的宽度和所述天窗区域的高度;
第三天窗区域获得子模块,用于根据所述天窗区域下边界的中心点、所述天窗区域的宽度和所述天窗区域的高度,获得所述天窗区域。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
真实人体部位判断模块,用于在所述疑似人体部位检测模块的检测结果为是的情况下,根据预设的深度学习算法,判断所述疑似人体部位是否为真实人体部位,若为是,触发所述违章判定模块判定车辆违章。
8.根据权利要求6或7所述的装置,其特征在于,
所述第一中心点确定子模块,具体用于沿着与所述车牌区域的水平方向垂直向上的方向,确定与所述车牌区域中心点的距离等于目标距离的点为所述目标车辆的天窗区域的中心点,其中,所述目标距离为:根据所述车牌区域的宽度和预设的距离系数确定的距离。
9.根据权利要求6或7所述的装置,其特征在于,
所述第一宽度高度计算子模块,具体用于按照以下公式,计算所述天窗区域的宽度widthS和所述天窗区域的高度heightS:
widthS=2*Cw*widthP;heightS=2*Ch*widthP;
其中,widthP表示所述车牌区域的宽度,Cw、Ch分别表示所述预设的第一宽度系数和所述预设的第一高度系数。
10.根据权利要求6或7所述的装置,其特征在于,
所述第二中心点确定子模块,具体用于沿着与所述车头区域上边界垂直向下的方向,确定与所述车头区域上边界的中心点的距离为预设距离的点为所述目标车辆的天窗区域下边界的中心点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610206164.9A CN107292222B (zh) | 2016-04-01 | 2016-04-01 | 一种车辆违章检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610206164.9A CN107292222B (zh) | 2016-04-01 | 2016-04-01 | 一种车辆违章检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292222A CN107292222A (zh) | 2017-10-24 |
CN107292222B true CN107292222B (zh) | 2020-02-28 |
Family
ID=60093000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610206164.9A Active CN107292222B (zh) | 2016-04-01 | 2016-04-01 | 一种车辆违章检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292222B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409215A (zh) * | 2018-09-14 | 2019-03-01 | 广州大学 | 基于深度卷积神经网络的前方车辆半遮挡人体的检测方法 |
JP7330758B2 (ja) * | 2018-10-05 | 2023-08-22 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 情報処理方法、及び、情報処理システム |
CN111027365B (zh) * | 2019-04-29 | 2020-11-17 | 宿州市龙石电子工程有限公司 | 基于人脸对象位置分析的定位方法 |
CN111723775A (zh) * | 2020-07-03 | 2020-09-29 | 上海眼控科技股份有限公司 | 图像处理方法、装置、计算机设备和计算机可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6754663B1 (en) * | 1998-11-23 | 2004-06-22 | Nestor, Inc. | Video-file based citation generation system for traffic light violations |
CN101527079A (zh) * | 2008-03-07 | 2009-09-09 | 上海宝康电子控制工程有限公司 | 闯红灯兼卡口电子警察设备及其监测方法 |
CN102298844A (zh) * | 2011-08-15 | 2011-12-28 | 无锡中星微电子有限公司 | 自动违章车辆检测系统和方法 |
CN102750544A (zh) * | 2012-06-01 | 2012-10-24 | 浙江捷尚视觉科技有限公司 | 基于车牌识别的未扣紧安全带违章驾驶检测系统及方法 |
CN102855758A (zh) * | 2012-08-27 | 2013-01-02 | 无锡北邮感知技术产业研究院有限公司 | 一种违章车辆检测方法 |
CN102999749A (zh) * | 2012-12-21 | 2013-03-27 | 广东万安科技股份有限公司 | 基于人脸检测的安全带违章事件智能检测方法 |
CN104574998A (zh) * | 2015-01-24 | 2015-04-29 | 北京信路威科技股份有限公司 | 一种车载型违章检测装置及方法 |
CN104573680A (zh) * | 2015-02-10 | 2015-04-29 | 深圳市哈工大交通电子技术有限公司 | 图像检测方法、图像检测装置以及交通违法检测系统 |
CN105185123A (zh) * | 2015-10-08 | 2015-12-23 | 南京信息工程大学 | 一种套牌车识别系统及方法 |
-
2016
- 2016-04-01 CN CN201610206164.9A patent/CN107292222B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6754663B1 (en) * | 1998-11-23 | 2004-06-22 | Nestor, Inc. | Video-file based citation generation system for traffic light violations |
CN101527079A (zh) * | 2008-03-07 | 2009-09-09 | 上海宝康电子控制工程有限公司 | 闯红灯兼卡口电子警察设备及其监测方法 |
CN102298844A (zh) * | 2011-08-15 | 2011-12-28 | 无锡中星微电子有限公司 | 自动违章车辆检测系统和方法 |
CN102750544A (zh) * | 2012-06-01 | 2012-10-24 | 浙江捷尚视觉科技有限公司 | 基于车牌识别的未扣紧安全带违章驾驶检测系统及方法 |
CN102855758A (zh) * | 2012-08-27 | 2013-01-02 | 无锡北邮感知技术产业研究院有限公司 | 一种违章车辆检测方法 |
CN102999749A (zh) * | 2012-12-21 | 2013-03-27 | 广东万安科技股份有限公司 | 基于人脸检测的安全带违章事件智能检测方法 |
CN104574998A (zh) * | 2015-01-24 | 2015-04-29 | 北京信路威科技股份有限公司 | 一种车载型违章检测装置及方法 |
CN104573680A (zh) * | 2015-02-10 | 2015-04-29 | 深圳市哈工大交通电子技术有限公司 | 图像检测方法、图像检测装置以及交通违法检测系统 |
CN105185123A (zh) * | 2015-10-08 | 2015-12-23 | 南京信息工程大学 | 一种套牌车识别系统及方法 |
Non-Patent Citations (4)
Title |
---|
"Traffic video based cross road violation detection";Jun Zhang等;《2009 International Conference on Measuring Technology and Mechatronics Automation》;20091231(第3期);第645-648页 * |
"一种基于视频图像处理的车辆违章检测算法";刘振华等;《公路交通科技》;20120229;第29卷(第2期);第106-114页 * |
"智能交通在违章检测系统中的应用";刘素枝;《微处理机》;20090430(第2期);第116-118页 * |
"智能视频分析,应用正当时——2015年智能视频分析技术发展调查";罗超等;《视点 调查》;20150630;第105-107页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107292222A (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292222B (zh) | 一种车辆违章检测方法及装置 | |
US9418546B1 (en) | Traffic detection with multiple outputs depending on type of object detected | |
US9633267B2 (en) | Robust windshield detection via landmark localization | |
CN107665327B (zh) | 一种车道线检测方法及装置 | |
US9626599B2 (en) | Reconfigurable clear path detection system | |
CN109800682B (zh) | 驾驶员属性识别方法及相关产品 | |
DE102011078615B4 (de) | Objekterfassungsvorrichtung und objekterfassungsprogramm | |
JP5223675B2 (ja) | 車両検知装置,車両検知方法並びに車両検知プログラム | |
KR101697161B1 (ko) | 열 영상에서 온라인 랜덤 펀 학습을 이용하여 보행자를 추적하는 장치 및 방법 | |
CN111178272B (zh) | 一种识别驾驶员行为的方法、装置及设备 | |
CN110555347B (zh) | 具有危险载货行为的车辆目标识别方法、装置及电子设备 | |
CN102289660A (zh) | 一种基于手部姿态跟踪的违规驾驶行为检测方法 | |
JP4674179B2 (ja) | 影認識方法及び影境界抽出方法 | |
CN102073852A (zh) | 基于最优阈值和随机标号法的多车辆分割方法 | |
CN112307840A (zh) | 指示灯检测方法、装置、设备及计算机可读存储介质 | |
JP2019106193A (ja) | 情報処理装置、情報処理プログラム、及び、情報処理方法 | |
CN111553214B (zh) | 一种驾驶员吸烟行为检测方法及系统 | |
CN110991264A (zh) | 前方车辆检测方法和装置 | |
US8948449B2 (en) | Selecting visible regions in nighttime images for performing clear path detection | |
CN110634120B (zh) | 一种车辆损伤判别方法及装置 | |
JP6472504B1 (ja) | 情報処理装置、情報処理プログラム、及び、情報処理方法 | |
CN108873097B (zh) | 无人停车库中载车板停车时的安全检测方法及装置 | |
US20220138860A1 (en) | Remote Vehicle Damage Assessment | |
CN114882451A (zh) | 一种图像处理方法、装置、设备及介质 | |
JP7264428B2 (ja) | 道路標識認識装置及びそのプログラム |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |