CN108388871B - 一种基于车身回归的车辆检测方法 - Google Patents

一种基于车身回归的车辆检测方法 Download PDF

Info

Publication number
CN108388871B
CN108388871B CN201810167455.0A CN201810167455A CN108388871B CN 108388871 B CN108388871 B CN 108388871B CN 201810167455 A CN201810167455 A CN 201810167455A CN 108388871 B CN108388871 B CN 108388871B
Authority
CN
China
Prior art keywords
vehicle
tail
head
vehicle body
regression
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
Application number
CN201810167455.0A
Other languages
English (en)
Other versions
CN108388871A (zh
Inventor
杨力
黄赣
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.)
China Jiliang University
Original Assignee
China Jiliang University
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 China Jiliang University filed Critical China Jiliang University
Priority to CN201810167455.0A priority Critical patent/CN108388871B/zh
Publication of CN108388871A publication Critical patent/CN108388871A/zh
Application granted granted Critical
Publication of CN108388871B publication Critical patent/CN108388871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/56—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Abstract

本发明公开了一种基于车身回归的车辆标识方法，用以解决标注整个车身存在的局限性问题。当识别检测出车辆的一部分，如特征比较明显的车头或车尾。然后可以先用神经网络分析出他的朝向，在根据朝向进一步扩大标注长方形框的范围，而非直接向整个周围扩大。最后根据扩大的长方形框中的车身图像来回归出更精准的标注范围。

Description

一种基于车身回归的车辆检测方法
技术领域
本发明涉及一种车辆标识的方法，更具体地讲，涉及利用车身图像在卷积神经网络中进行回归得到长方形框标识的方法。
背景技术
目前智能交通领域中的车辆识别主要依靠车牌识别，但可能存在无牌、故意遮挡或污痕无法进行清晰识别，这时就需要从复杂的背景中检测出车辆，并将其标注出来进行进一步处理。
一般的检测算法采用Adaboost来构造分类器，并将其运用到人脸检测中能取得比较好的实验效果，由于车头或车尾似于人脸，包含了汽车重要特征的区域，特征显著，结构性强，且为刚体，有利于车辆特征提取。
发明内容
鉴于上述的分析，本发明旨在提供一种基于车身回归的车辆标识方法，用以解决标注整个车身存在的局限性问题。当识别检测出车辆的一部分，如特征比较明显的车头或车尾。然后可以先用神经网络分析出他的朝向，在根据朝向进一步扩大标注长方形框的范围，而非直接向整个周围扩大。最后根据扩大的长方形框中的车身图像来回归出更精准的标注范围。具体技术方案如下：
一种基于车身回归的车辆检测方法，包括检测车辆头部或尾部、判断车身朝向、车身回归三个步骤，
所述检测车辆头部或尾部步骤，采用机器学习方法训练检测器，用正方形框检测出车头或车尾；
所述判断车辆朝向步骤，输入车辆头部或尾部图像，通过分类器判断车辆朝向是左或右；
所述车身回归步骤，根据车辆朝向，将正方形框扩展为长方形框，再通过卷积神经网络，输入长方形框内的图像信息，输出车辆真实长方形边框位置信息。
进一步的，将Adaboost算法应用与车头车或尾检测，使得通过所有的强分类器的图像为车头或车尾窗口，用正方形框来进行标定。
进一步的，通过给定朝向标签的车头或车尾图像，训练卷积神经网络对其左右朝向进行分类；再将标定的车头或车尾图像作为输入，判断车身朝向为左或右。
进一步的，通过车头或车尾朝向来扩大整个车身的范围；再训练神经网络，训练数据集的标签为人为标定的车辆标识长方形框线，通过对扩展后的长方形图像进行输入，回归得到包含整个车身的真实长方形边框的位置及其宽高。
附图说明
图1a是朝向向左的车头图像；
图1b是朝向向右的车头图像；
图2是通过车头或车尾朝向来扩大整个车身的范围的示意图；
图3是车辆真实长方形边框在整张图像中的位置示意图；
图4是本发明的流程框图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明的基于车身回归的车辆检测方法，包括检测车辆头部或尾部、判断车身朝向、车身回归三个步骤。所述检测车辆头部或尾部步骤，采用机器学习方法训练检测器，用正方形框检测出车头或车尾；所述判断车辆朝向步骤，输入车辆头部或尾部图像，通过分类器判断车辆朝向是左或右；所述车身回归步骤，根据车辆朝向，将正方形框扩展为长方形框，再通过卷积神经网络，输入长方形框内的图像信息，输出车辆真实长方形边框位置信息。
作为优选，将检测算法例如Adaboost算法应用与车头或车尾检测，Adaboost算法的基本思想是利用大量的分类能力一般的简单分类器通过一定的方法叠加起来，构成一个分类能力很强的强分类器，再将若干个强分类器串联成为分级分类器完成图像搜索检测，串联的级数依赖于系统对错误率和识别速度的要求。训练的物理意义可以表达为，当已经获得的分类器对于某些样本分类正确，那么减小这些样本的权重；当分类错误，增加这些样本的权重。这样，后面训练提取的简单分类器就会更加强化对这些分类错误样本的训练。最终，通过权重组合所有的弱分类器以形成强分类器。
在扫描过程中，每一个扫描的长方形区域都要进行级联分类器的判决，也就是说需要通过级联分类器中每一个强分类器的判决。如果该长方形区域能够通过所有级联分类器则说明这个区域为车辆窗口，对于车辆窗口使用正方形边框对其进行标注。
作为优选，通过给定朝向标签的车头或车尾图像，训练一个卷积神经网络对其左右朝向进行分类。再将标定的车头或车尾图像作为输入，判断车身朝向为左或右，如图1a和1b所示分别为朝向向左和向右的车头图像。
作为优选，通过车头或车尾朝向来扩大整个车身的范围，而不是一般方法中向四周扩展。若车头或车尾朝向向右，则将正方形框向左扩大一定倍数得到能包含整个车身的长方形框。而具体扩大的范围可以在开始时人为设定，由于车身的姿势多样，所以在设定时用尽可能大的倍数，如附图2所示。
再通过卷积神经网络，输入长方形框内的图像信息，输出车辆真实长方形边框在整张图像中的位置信息，包括左上角坐标位置（x,y）以及长方形的宽w、高h。

Claims (4)

1.一种基于车身回归的车辆检测方法，包括在图像中检测车辆头部或尾部、判断车身朝向、车身回归三个步骤，其特征在于：
所述检测车辆头部或尾部步骤，用正方形框检测出车头或车尾；
所述判断车辆朝向步骤，输入车头或车尾图像，判断出车辆朝向是左或者右；
所述车身回归步骤，根据车辆朝向来决定将正方形框向左或向右扩展为长方形框，根据框内图像信息回归得到车辆真实长方形边框位置信息。
2.根据权利要求1所述的基于车身回归的车辆检测方法，其特征在于，采用机器学习方法训练检测器，将Adaboost算法应用于 车头车或尾检测，使得通过所有的强分类器的图像为车头或车尾窗口，用正方形框来进行标定。
3.根据权利要求1所述的基于车身回归的车辆检测方法，其特征在于，通过给定朝向标签的车头或车尾图像，训练卷积神经网络对其左右朝向进行分类；再将车头或车尾图像作为输入，判断车身朝向为左或右。
4.根据权利要求1所述的基于车身回归的车辆检测方法，其特征在于，通过车头或车尾朝向来扩大整个车身的范围；再训练神经网络，训练数据集的标签为人工标注的车辆标识长方形框线，通过对扩展后的长方形框内的图像信息输入卷积神经网络，回归得到包含整个车身的真实长方形边框的位置及其宽高。
CN201810167455.0A 2018-02-28 2018-02-28 一种基于车身回归的车辆检测方法 Active CN108388871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810167455.0A CN108388871B (zh) 2018-02-28 2018-02-28 一种基于车身回归的车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810167455.0A CN108388871B (zh) 2018-02-28 2018-02-28 一种基于车身回归的车辆检测方法

Publications (2)

Publication Number Publication Date
CN108388871A CN108388871A (zh) 2018-08-10
CN108388871B true CN108388871B (zh) 2021-05-18

Family

ID=63069097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810167455.0A Active CN108388871B (zh) 2018-02-28 2018-02-28 一种基于车身回归的车辆检测方法

Country Status (1)

Country Link
CN (1) CN108388871B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389064B (zh) * 2018-09-27 2021-02-23 东软睿驰汽车技术（沈阳）有限公司 一种车辆特征获取方法及装置
CN110738181B (zh) * 2019-10-21 2022-08-05 东软睿驰汽车技术（沈阳）有限公司 一种确定车辆朝向信息的方法及装置
CN110766009A (zh) * 2019-10-31 2020-02-07 深圳市捷顺科技实业股份有限公司 尾牌识别方法、装置以及计算机可读存储介质
CN113470110A (zh) * 2020-03-30 2021-10-01 北京四维图新科技股份有限公司 测距方法和装置
CN112016532B (zh) * 2020-10-22 2021-02-05 腾讯科技（深圳）有限公司 一种车辆检测方法和装置
CN112613339B (zh) * 2020-11-24 2024-03-22 北京中电普华信息技术有限公司 一种电气图纸自动化识别与审查方法及装置
CN115410280B (zh) * 2022-11-03 2023-06-16 合肥中科类脑智能技术有限公司 一种基于人体朝向判断的钓鱼行为检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855759A (zh) * 2012-07-05 2013-01-02 中国科学院遥感应用研究所 高分辨率卫星遥感交通流信息自动采集方法
CN103530640A (zh) * 2013-11-07 2014-01-22 沈阳聚德视频技术有限公司 基于AdaBoost与SVM的无牌车辆检测方法
CN104463170A (zh) * 2014-12-04 2015-03-25 江南大学 一种卡口系统下基于多重检测的无牌车辆检测方法
CN105787437A (zh) * 2016-02-03 2016-07-20 东南大学 一种基于级联集成分类器的车辆品牌类型识别方法
CN106096531A (zh) * 2016-05-31 2016-11-09 安徽省云力信息技术有限公司 一种基于深度学习的交通图像多类型车辆检测方法
CN106934360A (zh) * 2017-03-06 2017-07-07 广州英卓电子科技有限公司 一种基于高速图像识别的车辆精确位移测量方法
CN107067439A (zh) * 2017-04-26 2017-08-18 北京航天自动控制研究所 一种基于车头检测的集装箱卡车定位与引导方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6487255B2 (ja) * 2015-03-31 2019-03-20 日本電産サンキョー株式会社 文字切り出し装置、文字認識装置、および文字切り出し方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855759A (zh) * 2012-07-05 2013-01-02 中国科学院遥感应用研究所 高分辨率卫星遥感交通流信息自动采集方法
CN103530640A (zh) * 2013-11-07 2014-01-22 沈阳聚德视频技术有限公司 基于AdaBoost与SVM的无牌车辆检测方法
CN104463170A (zh) * 2014-12-04 2015-03-25 江南大学 一种卡口系统下基于多重检测的无牌车辆检测方法
CN105787437A (zh) * 2016-02-03 2016-07-20 东南大学 一种基于级联集成分类器的车辆品牌类型识别方法
CN106096531A (zh) * 2016-05-31 2016-11-09 安徽省云力信息技术有限公司 一种基于深度学习的交通图像多类型车辆检测方法
CN106934360A (zh) * 2017-03-06 2017-07-07 广州英卓电子科技有限公司 一种基于高速图像识别的车辆精确位移测量方法
CN107067439A (zh) * 2017-04-26 2017-08-18 北京航天自动控制研究所 一种基于车头检测的集装箱卡车定位与引导方法

Also Published As

Publication number Publication date
CN108388871A (zh) 2018-08-10

Similar Documents

Publication Publication Date Title
CN108388871B (zh) 一种基于车身回归的车辆检测方法
CN108830188B (zh) 基于深度学习的车辆检测方法
CN104951784B (zh) 一种车辆无牌及车牌遮挡实时检测方法
CN103559791B (zh) 一种融合雷达和ccd摄像机信号的车辆检测方法
CN101916383B (zh) 基于多摄像机的车辆检测跟踪识别系统
CN103390164B (zh) 基于深度图像的对象检测方法及其实现装置
CN108171112A (zh) 基于卷积神经网络的车辆识别与跟踪方法
US20090309966A1 (en) Method of detecting moving objects
CN107506763A (zh) 一种基于卷积神经网络的多尺度车牌精准定位方法
CN106709530A (zh) 基于视频的车牌识别方法
CN101980245B (zh) 一种基于自适应模板匹配的客流统计方法
CN106682586A (zh) 一种复杂光照条件下基于视觉的实时车道线检测的方法
CN109325404A (zh) 一种公交场景下的人数统计方法
CN110569843B (zh) 一种矿井目标智能检测与识别方法
CN111553201A (zh) 一种基于YOLOv3优化算法的交通灯检测方法
CN106600955A (zh) 检测交通状态的方法、装置和电子设备
CN103065163B (zh) 一种基于静态图片的快速目标检测识别系统及方法
CN111325146A (zh) 一种货车车型和轴型识别方法和系统
CN111460924B (zh) 一种基于目标检测的闸机通过逃票行为检测方法
CN110674674A (zh) 一种基于yolo v3的旋转目标检测方法
CN111523415A (zh) 一种基于图像的两客一危车辆检测方法和装置
CN111368682A (zh) 一种基于faster RCNN台标检测与识别的方法及系统
CN107247967A (zh) 一种基于r‑cnn的车窗年检标检测方法
CN113947714A (zh) 一种视频监控和遥感的多模态协同优化方法及系统
CN104331708B (zh) 一种人行横道线自动检测分析方法及系统

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