CN108573244B - 一种车辆检测方法、装置及系统 - Google Patents

一种车辆检测方法、装置及系统 Download PDF

Info

Publication number
CN108573244B
CN108573244B CN201810398326.2A CN201810398326A CN108573244B CN 108573244 B CN108573244 B CN 108573244B CN 201810398326 A CN201810398326 A CN 201810398326A CN 108573244 B CN108573244 B CN 108573244B
Authority
CN
China
Prior art keywords
image
complex
vehicle
network model
target
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
CN201810398326.2A
Other languages
English (en)
Other versions
CN108573244A (zh
Inventor
袭肖明
于治楼
段成德
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.)
Shandong Inspur Science Research Institute Co Ltd
Original Assignee
Inspur Group Co Ltd
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 Inspur Group Co Ltd filed Critical Inspur Group Co Ltd
Priority to CN201810398326.2A priority Critical patent/CN108573244B/zh
Publication of CN108573244A publication Critical patent/CN108573244A/zh
Application granted granted Critical
Publication of CN108573244B publication Critical patent/CN108573244B/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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种车辆检测方法、装置及系统，方法包括：将目标图像输入SSD网络模型，以分割出至少一个易识别车辆图像，并在目标图像上对各个易识别车辆图像进行标记以形成标记图像；将标记图像输入ROI网络模型，使得ROI网络模型对标记图像进行识别以提取至少一个复杂区域图像，并标记各个复杂区域图像在标记图像上的位置；针对于每一个复杂区域图像，将复杂区域图像输入复杂图像车辆检测模型，复杂图像车辆检测模型在能够对复杂区域图像进行识别时，从复杂区域图像中分割出目标车辆图像；根据各个复杂区域图像在标记图像上的位置，利用各个目标车辆图像与标记图像集成检测图像。通过本发明的技术方案对车辆进行检测时，检测精度较高。

Description

一种车辆检测方法、装置及系统
技术领域
本发明涉及计算机技术领域，特别涉及一种车辆检测方法、装置及系统 。
背景技术
随着车载自动驾驶中，经常需要实时采集道路的实时图像，对采集的实时图像进行识别以对实时图像中的车辆图像进行分割并标记以形成检测图像，从而实现对实时图像中的车辆进行检测。
目前，主要通过基于卷积神经网络的SSD(Single Shot Multi Box Detector) 网络模型对实时图像中的车辆进行检测。
但是，由于实时图像中的车辆图像可能因光照以及大雾等原因而导致不清晰，使得部分车辆所对应的图像区域相对复杂而不易被识别，从而导致SSD 网络模型输出的检测图像中未能对不易被识别的车辆图像进行分割并标记，检测精度较低。
发明内容
本发明实施例提供了一种车辆检测方法、装置及系统，检测精度较高。
第一方面，本发明提供了一种车辆检测方法，包括：
预先训练出SSD网络模型、ROI(Region of Interesting，感兴趣区域) 网络模型以及基于卷积神经网络的复杂图像车辆检测模型；
将目标图像输入SSD网络模型，使得所述SSD网络模型对所述目标图像进行识别以分割出至少一个易识别车辆图像，并在所述目标图像上对各个所述易识别车辆图像进行标记以形成标记图像后输出；
将所述SSD网络模型输出的所述标记图像输入ROI网络模型，使得所述ROI网络模型对所述标记图像进行识别以提取至少一个复杂区域图像，并标记提取的各个所述复杂区域图像在所述标记图像上的位置信息；
针对于每一个所述复杂区域图像，将所述复杂区域图像输入所述复杂图像车辆检测模型，使得所述复杂图像车辆检测模型在能够对所述复杂区域图像进行识别时，从所述复杂区域图像中分割出目标车辆图像；
根据各个所述复杂区域图像在所述标记图像上的位置信息，利用分割的各个所述目标车辆图像与所述标记图像集成检测图像。
优选地，
还包括：
预先训练基于卷积神经网络的复杂图像障碍物检测模型；
针对于每一个所述复杂区域图像，在所述复杂图像车辆检测模型未能对所述复杂区域图像进行识别时，将所述复杂区域图像输入所述复杂图像障碍物检测模型，使得所述复杂障碍物检测模型对所述复杂区域图像进行识别以提取目标障碍物图像；
则，所述根据各个所述复杂区域图像在所述标记图像上的位置信息，利用分割的各个所述目标车辆图像与所述标记图像集成检测图像，包括：
根据各个所述复杂区域图像在所述标记图像上的位置信息，利用分割的各个所述目标车辆图像、各个所述目标障碍物图像与所述标记图像集成检测图像。
优选地，
还包括：针对于所述ROI网络模型所提取的每一个所述复杂区域图像，执行：生成所述标记图像所对应的灰度图像，将所述复杂区域图像对应在所述灰度图像中的各个当前像素点的灰度值标记为255，并将所述灰度图像中除各个所述当前像素点以外的每一个像素点的灰度值均标记为0，以形成二值化复杂区域图像；
则，所述针对于每一个所述复杂区域图像，将所述复杂区域图像输入所述复杂图像车辆检测模型，包括：针对于每一个所述二值化复杂区域图像，将所述二值化复杂区域图像输入所述复杂图像车辆检测模型。
第二方面，本发明实施例提供了一种车辆检测装置，包括：
训练处理模块，用于预先训练出SSD网络模型、ROI网络模型以及基于卷积神经网络的复杂图像车辆检测模型；
第一交互模块，用于将目标图像输入SSD网络模型，使得所述SSD网络模型对所述目标图像进行识别以分割出至少一个易识别车辆图像，并在所述目标图像上对各个所述易识别车辆图像进行标记以形成标记图像后输出；
第二交互模块，用于将所述SSD网络模型输出的所述标记图像输入ROI 网络模型，使得所述ROI网络模型对所述标记图像进行识别以提取至少一个复杂区域图像，并标记提取的各个所述复杂区域图像在所述标记图像上的位置信息；
第三交互模块，用于针对于每一个所述复杂区域图像，将所述复杂区域图像输入所述复杂图像车辆检测模型，使得所述复杂图像车辆检测模型在能够对所述复杂区域图像进行识别时，从所述复杂区域图像中分割出目标车辆图像；
集成处理模块，用于根据各个所述复杂区域图像在所述标记图像上的位置信息，利用分割的各个所述目标车辆图像与所述标记图像集成检测图像。
优选地，
所述训练处理模块，进一步用于预先训练基于卷积神经网络的复杂图像障碍物检测模型；
还包括：第四交互模块；其中，
所述第四交互模块，用于针对于每一个所述复杂区域图像，在所述复杂图像车辆检测模型未能对所述复杂区域图像进行识别时，将所述复杂区域图像输入所述复杂图像障碍物检测模型，使得所述复杂障碍物检测模型对所述复杂区域图像进行识别以提取目标障碍物图像；
则，所述集成处理模块，用于根据各个所述复杂区域图像在所述标记图像上的位置信息，利用分割的各个所述目标车辆图像、各个所述目标障碍物图像与所述标记图像集成检测图像。
优选地，
还包括：二值化处理模块；其中，
所述二值化处理模块，用于针对于所述ROI网络模型所提取的每一个所述复杂区域图像，执行：生成所述标记图像所对应的灰度图像，将所述复杂区域图像对应在所述灰度图像中的各个当前像素点的灰度值标记为255，并将所述灰度图像中除各个所述当前像素点以外的每一个像素点的灰度值均标记为0，以形成二值化复杂区域图像；
则，所述第三交互模块，用于针对于每一个所述二值化复杂区域图像，将所述二值化复杂区域图像输入所述复杂图像车辆检测模型。
第三方面，本发明实施例提供了一种车辆检测系统，包括：
SSD网络模型、ROI网络模型、基于卷积神经网络的复杂图像车辆检测模型，以及如上述第二方面中任一所述的车辆检测装置；其中，
所述SSD网络模型、所述ROI网络模型以及所述复杂图像车辆检测模型均与所述车辆检测装置相连。
优选地，
进一步包括：基于卷积神经网络的复杂图像障碍物检测模型；其中，
所述复杂图像障碍物检测模型与所述车辆检测装置相连。
本发明实施例提供了一种车辆检测方法、装置及系统，该方法中，通过预先训练出SSD网络模型、ROI网络模型以及基于卷积神经网络的复杂图像车辆检测模型，当SSD网络模型对目标图像进行识别，并在目标图像上分割并标记出至少一个易识别车辆图像以形成标记图像之后，可将SSD网络模型输出的标记图像再次输入ROI网络模型，ROI网络模型则可对输入的标记图像进行识别，以从输入的标记图像中提取出未能被SSD网络模型分割并标记的至少一个复杂区域图像，并同时标记各个复杂区域图像在标记图像中的位置信息，后续则可通过基于卷积神经网络的复杂图像车辆检测模型对每一个复杂区域图像分别进行识别，当输入的复杂区域图像中存在不易被识别的目标车辆图像时，复杂图像车辆检测模型则可从输入的复杂区域图像中提取出目标车辆图像，后续的，则可根据各个复杂区域图像在标记图像上的位置信息，利用分割的各个目标车辆图像与标记图像集成检测图像；如此，各个易识别车辆图像以及各个不易被识别的车辆图像均可在检测图像中体现，检测精度较高。
附图说明
为了更清楚地说明本发明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，下面描述中的附图是本发明的一些实施例，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是本发明一实施例提供的一种车辆检测方法的流程图；
图2是本发明一实施例提供的一种车辆检测装置的结构示意图；
图3是本发明一实施例提供的另一种车辆检测装置的结构示意图；
图4是本发明一实施例提供的一种车辆检测系统的结构示意图；
图5是本发明一实施例提供的另一种车辆检测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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的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。
如图1所示，本发明实施例提供了一种车辆检测方法，包括：
步骤101，预先训练出SSD网络模型、ROI网络模型以及基于卷积神经网络的复杂图像车辆检测模型；
步骤102，将目标图像输入SSD网络模型，使得所述SSD网络模型对所述目标图像进行识别以分割出至少一个易识别车辆图像，并在所述目标图像上对各个所述易识别车辆图像进行标记以形成标记图像后输出；
步骤103，将所述SSD网络模型输出的所述标记图像输入ROI网络模型，使得所述ROI网络模型对所述标记图像进行识别以提取至少一个复杂区域图像，并标记提取的各个所述复杂区域图像在所述标记图像上的位置信息；
步骤104，针对于每一个所述复杂区域图像，将所述复杂区域图像输入所述复杂图像车辆检测模型，使得所述复杂图像车辆检测模型在能够对所述复杂区域图像进行识别时，从所述复杂区域图像中分割出目标车辆图像；
步骤105，根据各个所述复杂区域图像在所述标记图像上的位置信息，利用分割的各个所述目标车辆图像与所述标记图像集成检测图像。
如图1所示的实施例，通过预先训练出SSD网络模型、ROI网络模型以及基于卷积神经网络的复杂图像车辆检测模型，当SSD网络模型对目标图像进行识别，并在目标图像上分割并标记出至少一个易识别车辆图像以形成标记图像之后，可将SSD网络模型输出的标记图像再次输入ROI网络模型， ROI网络模型则可对输入的标记图像进行识别，以从输入的标记图像中提取出未能被SSD网络模型分割并标记的至少一个复杂区域图像，并同时标记各个复杂区域图像在标记图像中的位置信息，后续则可通过基于卷积神经网络的复杂图像车辆检测模型对每一个复杂区域图像分别进行识别，当输入的复杂区域图像中存在不易被识别的目标车辆图像时，复杂图像车辆检测模型则可从输入的复杂区域图像中提取出目标车辆图像，后续的，则可根据各个复杂区域图像在标记图像上的位置信息，利用分割的各个目标车辆图像与标记图像集成检测图像；如此，各个易识别车辆图像以及各个不易被识别的车辆图像均可在检测图像中体现，检测精度较高。
本领域技术人员应当理解的，ROI网络模型对输入的检测图像进行识别时，各个易识别的车辆图像以及易识别的背景区域可以被ROI网络模型去除，即从检测图像中直接提取出不易被识别的复杂区域图像，这些不易被识别的复杂区域图像中可能存在不易被识别的目标车辆图像，也可能存在不易被识别的目标障碍物图像，基于卷积神经网络的复杂图像车辆检测模型则仅能对携带有不易被识别的目标车辆图像的复杂区域图像进行识别，因此，一旦复杂区域图像被输入复杂图像车辆检测模型后，复杂图像车辆检测模型能够对其进行识别时，则可从输入的复杂区域图像中提取出相应的不易被识别的目标车辆图像。
具体地，SSD网络模型可以包括一个特征提取层和后面接入4个卷积层，每个卷积层利用3*3的卷积来对每种分辨率的目标进行检测，通过融合多分辨率的结果，可以达到较高的检测精度。另外，相比较其他的经典检测网络模型，SSD只有一个阶段，并且放弃了参数复杂的全连接网络，使用参数较少的卷积进行类别与位置的预测，极大地提高了检测精度，能够较为精准的分割并标记出目标图像中易于被识别的车辆图像。
上述实施例中，根据各个复杂区域图像在标记图像上的位置信息，利用分割的各个目标车辆图像与标记图像集成检测图像时，举例来说，对复杂区域图像A在标记图像上的位置信息进行记录之后，从复杂区域图像A中提取的目标车辆图像A1则可根据该位置信息集成到标记图像中与该位置信息相对应的位置，具体地，可根据A的位置信息，利用A1的轮廓线在标记图像中分割并标记出目标车辆图像A1。
本发明一个实施例中，还包括：预先训练基于卷积神经网络的复杂图像障碍物检测模型；
针对于每一个所述复杂区域图像，在所述复杂图像车辆检测模型未能对所述复杂区域图像进行识别时，将所述复杂区域图像输入所述复杂图像障碍物检测模型，使得所述复杂障碍物检测模型对所述复杂区域图像进行识别以提取目标障碍物图像；
则，所述根据各个所述复杂区域图像在所述标记图像上的位置信息，利用分割的各个所述目标车辆图像与所述标记图像集成检测图像，包括：
根据各个所述复杂区域图像在所述标记图像上的位置信息，利用分割的各个所述目标车辆图像、各个所述目标障碍物图像与所述标记图像集成检测图像。
本发明上述实施例中，当基于卷积神经网络的复杂图像车辆检测模型未能对一个复杂区域图像进行识别时，则说明该复杂区域图像中并不存在不易被识别的目标车辆图像，而是存在不易被识别的目标障碍物图像，因此，可通过基于卷积神经网络的复杂图像障碍物检测模型对该复杂区域图像进行识别，以从该复杂区域图像中提取出目标障碍物图像，后续根据各个复杂区域图像在标记图像上的位置信息，利用分割的各个目标车辆图像、各个目标障碍物图像与标记图像集成检测图像时，不易被识别的障碍物图像也可体现在检测图像中，可方便后续根据检测图像实现车辆的自动驾驶时，确保车辆能够更为准确的避让障碍物。
本发明一个实施例中，还包括：针对于所述ROI网络模型所提取的每一个所述复杂区域图像，执行：生成所述标记图像所对应的灰度图像，将所述复杂区域图像对应在所述灰度图像中的各个当前像素点的灰度值标记为255，并将所述灰度图像中除各个所述当前像素点以外的每一个像素点的灰度值均标记为0，以形成二值化复杂区域图像；
则，所述针对于每一个所述复杂区域图像，将所述复杂区域图像输入所述复杂图像车辆检测模型，包括：针对于每一个所述二值化复杂区域图像，将所述二值化复杂区域图像输入所述复杂图像车辆检测模型。
上述实施例中，通过将复杂区域图像转换成二值化复杂区域图像，可在一定程度上降低复杂区域图像的复杂程度，使得基于卷积神经网络的复杂图像车辆检测模型及复杂图像障碍物检测模型能够对输入的二值化复杂区域图像进行更为快速而精准的识别。
如图2所示，本发明实施例提供了一种车辆检测装置，包括：
训练处理模块201，用于预先训练出SSD网络模型、ROI网络模型以及基于卷积神经网络的复杂图像车辆检测模型；
第一交互模块202，用于将目标图像输入SSD网络模型，使得所述SSD 网络模型对所述目标图像进行识别以分割出至少一个易识别车辆图像，并在所述目标图像上对各个所述易识别车辆图像进行标记以形成标记图像后输出；
第二交互模块203，用于将所述SSD网络模型输出的所述标记图像输入 ROI网络模型，使得所述ROI网络模型对所述标记图像进行识别以提取至少一个复杂区域图像，并标记提取的各个所述复杂区域图像在所述标记图像上的位置信息；
第三交互模块204，用于针对于每一个所述复杂区域图像，将所述复杂区域图像输入所述复杂图像车辆检测模型，使得所述复杂图像车辆检测模型在能够对所述复杂区域图像进行识别时，从所述复杂区域图像中分割出目标车辆图像；
集成处理模块205，用于根据各个所述复杂区域图像在所述标记图像上的位置信息，利用分割的各个所述目标车辆图像与所述标记图像集成检测图像。
如图3所示，本发明一个实施例中，所述训练处理模块201，进一步用于预先训练基于卷积神经网络的复杂图像障碍物检测模型；
还包括：第四交互模块301；其中，
所述第四交互模块301，用于针对于每一个所述复杂区域图像，在所述复杂图像车辆检测模型未能对所述复杂区域图像进行识别时，将所述复杂区域图像输入所述复杂图像障碍物检测模型，使得所述复杂障碍物检测模型对所述复杂区域图像进行识别以提取目标障碍物图像；
则，所述集成处理模块205，用于根据各个所述复杂区域图像在所述标记图像上的位置信息，利用分割的各个所述目标车辆图像、各个所述目标障碍物图像与所述标记图像集成检测图像。
如图3所示，本发明一个实施例中，还包括：二值化处理模块302；其中，
所述二值化处理模块302，用于针对于所述ROI网络模型所提取的每一个所述复杂区域图像，执行：生成所述标记图像所对应的灰度图像，将所述复杂区域图像对应在所述灰度图像中的各个当前像素点的灰度值标记为255，并将所述灰度图像中除各个所述当前像素点以外的每一个像素点的灰度值均标记为0，以形成二值化复杂区域图像；
则，所述第三交互模块204，用于针对于每一个所述二值化复杂区域图像，将所述二值化复杂区域图像输入所述复杂图像车辆检测模型。
上述装置内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
如图4所示，本发明实施例提供了一种车辆检测系统，包括：
SSD网络模型401、ROI网络模型402、基于卷积神经网络的复杂图像车辆检测模型403，以及本发明任意一个实施例中提供的车辆检测装置404；其中，
所述SSD网络模型401、所述ROI网络模型402以及所述复杂图像车辆检测模型403均与所述车辆检测装置404相连。
如图5所示，本发明一个实施例中，所述车辆检测系统，进一步包括：基于卷积神经网络的复杂图像障碍物检测模型501；其中，
所述复杂图像障碍物检测模型501与所述车辆检测装置404相连。
综上所述，本发明各个实施例至少具有如下有益效果：
1、本发明一实施例中，通过预先训练出SSD网络模型、ROI网络模型以及基于卷积神经网络的复杂图像车辆检测模型，当SSD网络模型对目标图像进行识别，并在目标图像上分割并标记出至少一个易识别车辆图像以形成标记图像之后，可将SSD网络模型输出的标记图像再次输入ROI网络模型， ROI网络模型则可对输入的标记图像进行识别，以从输入的标记图像中提取出未能被SSD网络模型分割并标记的至少一个复杂区域图像，并同时标记各个复杂区域图像在标记图像中的位置信息，后续则可通过基于卷积神经网络的复杂图像车辆检测模型对每一个复杂区域图像分别进行识别，当输入的复杂区域图像中存在不易被识别的目标车辆图像时，复杂图像车辆检测模型则可从输入的复杂区域图像中提取出目标车辆图像，后续的，则可根据各个复杂区域图像在标记图像上的位置信息，利用分割的各个目标车辆图像与标记图像集成检测图像；如此，各个易识别车辆图像以及各个不易被识别的车辆图像均可在检测图像中体现，检测精度较高。
2、本发明一实施例中，当基于卷积神经网络的复杂图像车辆检测模型未能对一个复杂区域图像进行识别时，则说明该复杂区域图像中并不存在不易被识别的目标车辆图像，而是存在不易被识别的目标障碍物图像，因此，可通过基于卷积神经网络的复杂图像障碍物检测模型对该复杂区域图像进行识别，以从该复杂区域图像中提取出目标障碍物图像，后续根据各个复杂区域图像在标记图像上的位置信息，利用分割的各个目标车辆图像、各个目标障碍物图像与标记图像集成检测图像时，不易被识别的障碍物图像也可体现在检测图像中，可方便后续根据检测图像实现车辆的自动驾驶时，确保车辆能够更为准确的避让障碍物。
3、本发明一实施例中，通过将复杂区域图像转换成二值化复杂区域图像，可在一定程度上降低复杂区域图像的复杂程度，使得基于卷积神经网络的复杂图像车辆检测模型及复杂图像障碍物检测模型能够对输入的二值化复杂区域图像进行更为快速而精准的识别。
需要说明的是，在本文中，诸如第一和第二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因素。
最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (8)

1.一种车辆检测方法，其特征在于，包括：
预先训练出SSD网络模型、ROI网络模型以及基于卷积神经网络的复杂图像车辆检测模型；
将目标图像输入SSD网络模型，使得所述SSD网络模型对所述目标图像进行识别以分割出至少一个易识别车辆图像，并在所述目标图像上对各个所述易识别车辆图像进行标记以形成标记图像后输出；
将所述SSD网络模型输出的所述标记图像输入感兴趣区域ROI网络模型，使得所述ROI网络模型对所述标记图像进行识别以提取至少一个复杂区域图像，并标记提取的各个所述复杂区域图像在所述标记图像上的位置信息；
针对于每一个所述复杂区域图像，将所述复杂区域图像输入所述复杂图像车辆检测模型，使得所述复杂图像车辆检测模型在能够对所述复杂区域图像进行识别时，从所述复杂区域图像中分割出目标车辆图像；
根据各个所述复杂区域图像在所述标记图像上的位置信息，利用分割的各个所述目标车辆图像与所述标记图像集成检测图像。
2.根据权利要求1所述的方法，其特征在于，
还包括：
预先训练基于卷积神经网络的复杂图像障碍物检测模型；
针对于每一个所述复杂区域图像，在所述复杂图像车辆检测模型未能对所述复杂区域图像进行识别时，将所述复杂区域图像输入所述复杂图像障碍物检测模型，使得所述复杂障碍物检测模型对所述复杂区域图像进行识别以提取目标障碍物图像；
则，所述根据各个所述复杂区域图像在所述标记图像上的位置信息，利用分割的各个所述目标车辆图像与所述标记图像集成检测图像，包括：
根据各个所述复杂区域图像在所述标记图像上的位置信息，利用分割的各个所述目标车辆图像、各个所述目标障碍物图像与所述标记图像集成检测图像。
3.根据权利要求1或2所述的方法，其特征在于，
还包括：针对于所述ROI网络模型所提取的每一个所述复杂区域图像，执行：生成所述标记图像所对应的灰度图像，将所述复杂区域图像对应在所述灰度图像中的各个当前像素点的灰度值标记为255，并将所述灰度图像中除各个所述当前像素点以外的每一个像素点的灰度值均标记为0，以形成二值化复杂区域图像；
则，所述针对于每一个所述复杂区域图像，将所述复杂区域图像输入所述复杂图像车辆检测模型，包括：针对于每一个所述二值化复杂区域图像，将所述二值化复杂区域图像输入所述复杂图像车辆检测模型。
4.一种车辆检测装置，其特征在于，包括：
训练处理模块，用于预先训练出SSD网络模型、ROI网络模型以及基于卷积神经网络的复杂图像车辆检测模型；
第一交互模块，用于将目标图像输入SSD网络模型，使得所述SSD网络模型对所述目标图像进行识别以分割出至少一个易识别车辆图像，并在所述目标图像上对各个所述易识别车辆图像进行标记以形成标记图像后输出；
第二交互模块，用于将所述SSD网络模型输出的所述标记图像输入感兴趣区域ROI网络模型，使得所述ROI网络模型对所述标记图像进行识别以提取至少一个复杂区域图像，并标记提取的各个所述复杂区域图像在所述标记图像上的位置信息；
第三交互模块，用于针对于每一个所述复杂区域图像，将所述复杂区域图像输入所述复杂图像车辆检测模型，使得所述复杂图像车辆检测模型在能够对所述复杂区域图像进行识别时，从所述复杂区域图像中分割出目标车辆图像；
集成处理模块，用于根据各个所述复杂区域图像在所述标记图像上的位置信息，利用分割的各个所述目标车辆图像与所述标记图像集成检测图像。
5.根据权利要求4所述的装置，其特征在于，
所述训练处理模块，进一步用于预先训练基于卷积神经网络的复杂图像障碍物检测模型；
还包括：第四交互模块；其中，
所述第四交互模块，用于针对于每一个所述复杂区域图像，在所述复杂图像车辆检测模型未能对所述复杂区域图像进行识别时，将所述复杂区域图像输入所述复杂图像障碍物检测模型，使得所述复杂障碍物检测模型对所述复杂区域图像进行识别以提取目标障碍物图像；
则，所述集成处理模块，用于根据各个所述复杂区域图像在所述标记图像上的位置信息，利用分割的各个所述目标车辆图像、各个所述目标障碍物图像与所述标记图像集成检测图像。
6.根据权利要求5所述的装置，其特征在于，
还包括：二值化处理模块；其中，
所述二值化处理模块，用于针对于所述ROI网络模型所提取的每一个所述复杂区域图像，执行：生成所述标记图像所对应的灰度图像，将所述复杂区域图像对应在所述灰度图像中的各个当前像素点的灰度值标记为255，并将所述灰度图像中除各个所述当前像素点以外的每一个像素点的灰度值均标记为0，以形成二值化复杂区域图像；
则，所述第三交互模块，用于针对于每一个所述二值化复杂区域图像，将所述二值化复杂区域图像输入所述复杂图像车辆检测模型。
7.一种车辆检测系统，其特征在于，包括：
SSD网络模型、感兴趣区域ROI网络模型、基于卷积神经网络的复杂图像车辆检测模型，以及如上述权利要求4至6中任一所述的车辆检测装置；其中，
所述SSD网络模型、所述ROI网络模型以及所述复杂图像车辆检测模型均与所述车辆检测装置相连。
8.根据权利要求7所述的系统，其特征在于，
进一步包括：基于卷积神经网络的复杂图像障碍物检测模型；其中，
所述复杂图像障碍物检测模型与所述车辆检测装置相连。
CN201810398326.2A 2018-04-28 2018-04-28 一种车辆检测方法、装置及系统 Active CN108573244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810398326.2A CN108573244B (zh) 2018-04-28 2018-04-28 一种车辆检测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810398326.2A CN108573244B (zh) 2018-04-28 2018-04-28 一种车辆检测方法、装置及系统

Publications (2)

Publication Number Publication Date
CN108573244A CN108573244A (zh) 2018-09-25
CN108573244B true CN108573244B (zh) 2020-07-14

Family

ID=63575368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810398326.2A Active CN108573244B (zh) 2018-04-28 2018-04-28 一种车辆检测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN108573244B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210357640A1 (en) * 2018-10-12 2021-11-18 Nokia Technologies Oy Method, apparatus and computer readable media for object detection
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
CN111753661B (zh) * 2020-05-25 2022-07-12 山东浪潮科学研究院有限公司 一种基于神经网路的目标识别方法、设备及介质
CN112884845B (zh) * 2021-01-14 2023-03-31 山东浪潮科学研究院有限公司 一种基于单摄像机室内机器人障碍物定位的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106611162A (zh) * 2016-12-20 2017-05-03 西安电子科技大学 基于深度学习ssd框架的道路车辆实时检测方法
CN106683119A (zh) * 2017-01-09 2017-05-17 河北工业大学 基于航拍视频图像的运动车辆检测方法
CN107066968A (zh) * 2017-04-12 2017-08-18 湖南源信光电科技股份有限公司 基于目标识别和跟踪的融合策略的车载行人检测方法
US9773174B2 (en) * 2015-12-15 2017-09-26 National Chung Shan Institute Of Science And Technology Vehicle detection method based on thermal imaging
CN107316001A (zh) * 2017-05-31 2017-11-03 天津大学 一种自动驾驶场景中小且密集的交通标志检测方法
CN107844769A (zh) * 2017-11-01 2018-03-27 济南浪潮高新科技投资发展有限公司 一种复杂场景下的车辆检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9773174B2 (en) * 2015-12-15 2017-09-26 National Chung Shan Institute Of Science And Technology Vehicle detection method based on thermal imaging
CN106611162A (zh) * 2016-12-20 2017-05-03 西安电子科技大学 基于深度学习ssd框架的道路车辆实时检测方法
CN106683119A (zh) * 2017-01-09 2017-05-17 河北工业大学 基于航拍视频图像的运动车辆检测方法
CN107066968A (zh) * 2017-04-12 2017-08-18 湖南源信光电科技股份有限公司 基于目标识别和跟踪的融合策略的车载行人检测方法
CN107316001A (zh) * 2017-05-31 2017-11-03 天津大学 一种自动驾驶场景中小且密集的交通标志检测方法
CN107844769A (zh) * 2017-11-01 2018-03-27 济南浪潮高新科技投资发展有限公司 一种复杂场景下的车辆检测方法及系统

Also Published As

Publication number Publication date
CN108573244A (zh) 2018-09-25

Similar Documents

Publication Publication Date Title
CN108573244B (zh) 一种车辆检测方法、装置及系统
US20210213961A1 (en) Driving scene understanding
Zhangyu et al. A camera and LiDAR data fusion method for railway object detection
González et al. Automatic traffic signs and panels inspection system using computer vision
Zakaria et al. Lane detection in autonomous vehicles: A systematic review
US11371851B2 (en) Method and system for determining landmarks in an environment of a vehicle
CN111191611B (zh) 基于深度学习的交通标志标号识别方法
JP6226368B2 (ja) 車両監視装置、および車両監視方法
CN111967368B (zh) 一种交通灯识别的方法和装置
CN111409070B (zh) 检测方法及装置、智能机器人及存储介质
CN110657812A (zh) 车辆定位方法、装置及车辆
KR102619326B1 (ko) 이미지 피라미드를 이용한 차량 인식 장치 및 방법
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
CN108596115A (zh) 一种基于卷积神经网络的车辆检测方法、装置及系统
Behrendt et al. Deep learning lane marker segmentation from automatically generated labels
CN112307840A (zh) 指示灯检测方法、装置、设备及计算机可读存储介质
CN110909598A (zh) 一种基于深度学习的非机动车道交通违法行驶识别方法
CN108344997B (zh) 一种基于点迹特征的道路护栏快速检测方法
CN112052907A (zh) 基于图像边缘信息的目标检测方法、装置及存储介质
Sahu et al. A comparative analysis of deep learning approach for automatic number plate recognition
WO2018030103A1 (ja) 表示内容認識装置、および車両制御装置
CN111325811B (zh) 一种车道线数据的处理方法及处理装置
Jain et al. Vehicle license plate recognition
Al Mamun et al. Efficient lane marking detection using deep learning technique with differential and cross-entropy loss.
CN117789160A (zh) 一种基于聚类优化的多模态融合目标检测方法及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20200611

Address after: 250100 Ji'nan high tech Zone, Shandong, No. 1036 wave road

Applicant after: INSPUR GROUP Co.,Ltd.

Address before: 250100, Ji'nan province high tech Zone, Sun Village Branch Road, No. 2877, building, floor, building, on the first floor

Applicant before: JINAN INSPUR HIGH-TECH TECHNOLOGY DEVELOPMENT Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230324

Address after: 250000 building S02, No. 1036, Langchao Road, high tech Zone, Jinan City, Shandong Province

Patentee after: Shandong Inspur Scientific Research Institute Co.,Ltd.

Address before: No. 1036, Shandong high tech Zone wave road, Ji'nan, Shandong

Patentee before: INSPUR GROUP Co.,Ltd.

TR01 Transfer of patent right