CN108932453A - 一种车辆备胎检测方法及装置 - Google Patents
一种车辆备胎检测方法及装置 Download PDFInfo
- Publication number
- CN108932453A CN108932453A CN201710367772.2A CN201710367772A CN108932453A CN 108932453 A CN108932453 A CN 108932453A CN 201710367772 A CN201710367772 A CN 201710367772A CN 108932453 A CN108932453 A CN 108932453A
- Authority
- CN
- China
- Prior art keywords
- spare tyre
- tailstock
- vehicle
- detection
- detection zone
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种车辆备胎检测方法及装置,该方法中,获取备胎待检测图像,并对所获取的备胎待检测图像进行车尾检测;根据车尾检测结果,确定所获取的备胎待检测图像中至少一辆车辆对应的备胎检测区域;判断所述备胎检测区域中是否存在参考备胎目标,并根据判断结果确定是否存在备胎。本发明实施例中,首先对获取的备胎待检测图像进行车尾检测,其次,根据车尾检测结果确定备胎检测区域,最后,判断备胎检测区域中是否存在参考备胎目标,并根据判断结果确定是否存在备胎,由此,通过确定备胎可能存在的备胎检测区域,并对备胎检测区域进行备胎检测的方式确定是否存在备胎,以实现对道路中行驶的车辆的车辆备胎检测。
Description
技术领域
本发明涉及智能交通技术领域,特别是涉及一种车辆备胎检测方法及装置。
背景技术
随着视频监控技术的不断发展,视频监控设备已广泛应用于道路交通。
通过分析道路视频监控设备采集的图像,可以对城市道路的交通状态和交通状况例如交通拥堵或交通事故进行判别,还可以对城市道路中行驶的车辆进行跟踪。
在道路上行驶的车辆中存在很多悬挂备胎的车辆,其中,悬挂备胎的方式可以为在车底悬挂备胎或车尾悬挂备胎,目前,由于各种原因会存在需要查找道路中车尾悬挂备胎的车辆,例如:为了统计道路上行驶的车辆中,存在多少辆车尾悬挂备胎的车辆,因此,如何对道路中行驶的车辆进行车辆备胎检测是亟需解决的问题。
发明内容
本发明实施例的目的在于提供一种车辆备胎检测方法及装置,以实现对道路中行驶的车辆进行车辆备胎检测。具体技术方案如下:
一种车辆备胎检测方法,所述方法包括:
获取备胎待检测图像,并对所获取的备胎待检测图像进行车尾检测;
根据车尾检测结果,确定所获取的备胎待检测图像中至少一辆车辆对应的备胎检测区域;
判断所述备胎检测区域中是否存在参考备胎目标,并根据判断结果确定是否存在备胎。
可选的,所述车尾检测为车尾区域检测和/或车尾车牌区域检测。
可选的,在所述车尾检测为车尾区域检测时,所述根据车尾检测结果,确定所获取的备胎待检测图像中至少一辆车辆对应的备胎检测区域的步骤,包括:
根据车尾区域检测所得到的至少一辆车辆的车尾区域,确定每辆车辆的车尾区域底部中点位置和车尾区域的宽度;
根据每辆车辆的车尾区域底部中点位置和车尾区域的宽度,确定所获取的备胎待检测图像中每辆车辆对应的备胎检测区域。
可选的,在所述车尾检测为车尾车牌区域检测时,所述根据车尾检测结果,确定所获取的备胎待检测图像中至少一辆车辆对应的备胎检测区域的步骤,包括:
确定车尾车牌区域检测所得到的至少一辆车辆的车尾车牌区域的中心点位置和车尾车牌区域的宽度;
根据每辆车辆的车尾车牌区域的中心点位置,确定每辆车辆的车尾区域底部中点位置;
根据每辆车辆的车尾区域底部中点位置和车尾车牌区域的宽度,确定所获取的备胎待检测图像中每辆车辆对应的备胎检测区域。
可选的,所述判断所述备胎检测区域中是否存在参考备胎目标,并根据判断结果确定是否存在备胎的步骤,包括:
对所述备胎检测区域进行目标检测;
根据检测结果确定所述备胎检测区域中是否存在参考备胎目标;
如果确定所述备胎检测区域中存在参考备胎目标,则确定存在备胎。
可选的,所述判断所述备胎检测区域中是否存在参考备胎目标,并根据判断结果确定是否存在备胎的步骤,包括:
对所述备胎检测区域进行目标检测;
根据检测结果确定所述备胎检测区域中是否存在参考备胎目标;
如果确定所述备胎检测区域中存在参考备胎目标,将所存在的参考备胎目标的特征与备胎的特征进行匹配;
如果所存在的参考备胎目标的特征与备胎的特征匹配,确定存在备胎。
可选的,所述对所述备胎检测区域进行目标检测的步骤,包括:
采用区域卷积神经网络Faster RCNN目标检测算法对所述备胎检测区域进行目标检测。
可选的,所述将所存在的参考备胎目标的特征与备胎的特征进行匹配的步骤,包括:
采用卷积神经网络CNN分类算法将所存在的参考备胎目标的特征与备胎的特征进行匹配。
一种车辆备胎检测装置,所述装置包括:
获取模块,用于获取备胎待检测图像,并对所获取的备胎待检测图像进行车尾检测;
备胎检测区域确定模块,用于根据车尾检测结果,确定所获取的备胎待检测图像中至少一辆车辆对应的备胎检测区域;
判断模块,用于判断所述备胎检测区域中是否存在参考备胎目标,并根据判断结果确定是否存在备胎。
可选的,所述车尾检测为车尾区域检测和/或车尾车牌区域检测。
可选的,所述备胎检测区域确定模块,包括:
第一确定单元,用于在所述车尾检测为车尾区域检测时,根据车尾区域检测所得到的至少一辆车辆的车尾区域,确定每辆车辆的车尾区域底部中点位置和车尾区域的宽度;
第二确定单元,用于根据每辆车辆的车尾区域底部中点位置和车尾区域的宽度,确定所获取的备胎待检测图像中每辆车辆对应的备胎检测区域。
可选的,所述备胎检测区域确定模块,包括:
第三确定单元,用于在所述车尾检测为车尾车牌区域检测时,确定车尾车牌区域检测所得到的至少一辆车辆的车尾车牌区域的中心点位置和车尾车牌区域的宽度;
第四确定单元,用于根据每辆车辆的车尾车牌区域的中心点位置,确定每辆车辆的车尾区域底部中点位置;
第五确定单元,用于根据每辆车辆的车尾区域底部中点位置和车尾车牌区域的宽度,确定所获取的备胎待检测图像中每辆车辆对应的备胎检测区域。
可选的,所述判断模块,包括:
目标检测单元,用于对所述备胎检测区域进行目标检测;
备胎确定单元,用于根据检测结果确定所述备胎检测区域中是否存在参考备胎目标,如果确定所述备胎检测区域中存在参考备胎目标,则确定存在备胎。
可选的,所述判断模块,包括:
目标检测单元,用于对所述备胎检测区域进行目标检测;
参考备胎目标判断单元,用于根据检测结果确定所述备胎检测区域中是否存在参考备胎目标,如果确定所述备胎检测区域中存在参考备胎目标,触发匹配单元;
所述匹配单元,用于将所存在的参考备胎目标的特征与备胎的特征进行匹配,如果所存在的参考备胎目标的特征与备胎的特征匹配,确定存在备胎。
可选的,所述目标检测单元,具体用于:
采用区域卷积神经网络Faster RCNN目标检测算法对所述备胎检测区域进行目标检测。
可选的,所述匹配单元,具体用于:
采用卷积神经网络CNN分类算法将所存在的参考备胎目标的特征与备胎的特征进行匹配。
本发明实施例中,首先对获取的备胎待检测图像进行车尾检测,其次,根据车尾检测结果确定备胎检测区域,最后,判断备胎检测区域中是否存在参考备胎目标,并根据判断结果确定是否存在备胎,由此,通过确定备胎可能存在的备胎检测区域,并对备胎检测区域进行备胎检测的方式确定是否存在备胎,以实现对道路中行驶的车辆的车辆备胎检测。
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,下面描述中的附图仅仅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为本发明实施例提供的车辆备胎检测方法的流程示意图;
图2为本发明实施例确定备胎检测区域的第一种流程示意图;
图3为本发明实施例通过车尾区域检测所得到的备胎检测区域的示意图;
图4为本发明实施例确定备胎检测区域的第二种流程示意图;
图5为本发明实施例通过车尾车牌区域检测所得到的备胎检测区域的示意图;
图6为本发明实施例检测到的车尾悬挂备胎的示意图;
图7为本发明实施例提供的车辆备胎检测装置的结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
为了解决现有技术问题,本发明实施例提供了一种车辆备胎检测方法及装置。
下面首先对本发明实施例所提供的一种车辆备胎检测方法进行介绍。
如图1所示,本发明实施例提供的一种车辆备胎检测方法,可以包括:
S101:获取备胎待检测图像,并对所获取的备胎待检测图像进行车尾检测。
本发明实施例的执行主体可以为服务器,也可以为视频监控设备,当执行主体为服务器时,服务器从视频监控设备中获取备胎待检测图像;当执行主体为视频监控设备时,视频监控设备获取自身采集的备胎待检测图像,其中,视频监控设备持续采集道路实时场景图像。
由于本发明实施例需要确定车尾悬挂备胎的车辆,因此,在获得备胎待检测图像后,对所获取的备胎待检测图像进行车尾检测,其中,车尾检测可以为车尾区域检测和/或车尾车牌区域检测。
S102:根据车尾检测结果,确定所获取的备胎待检测图像中至少一辆车辆对应的备胎检测区域。
在对所获取的备胎待检测图像进行车尾检测后,根据车尾检测结果,即可定位到备胎可能存在的备胎检测区域,由于对所获取的备胎待检测图像进行车尾检测的方式有多种,因此,定位到备胎检测区域的方式也有多种,下面进行详细介绍:
在车尾检测为车尾区域检测时,上述根据车尾检测结果,确定所获取的备胎待检测图像中至少一辆车辆对应的备胎检测区域,可以为:根据每辆车辆的车尾区域位置,确定每辆车辆对应的备胎检测区域,参考图2,S102可以包括:
S1021:根据车尾区域检测所得到的至少一辆车辆的车尾区域,确定每辆车辆的车尾区域底部中点位置和车尾区域的宽度;
S1022:根据每辆车辆的车尾区域底部中点位置和车尾区域的宽度,确定所获取的备胎待检测图像中每辆车辆对应的备胎检测区域。
以车尾区域检测所得到的一辆车辆为例,车尾区域检测所得到该车辆的车尾区域为如图3所示的虚线所框出的矩形区域,根据几何计算法则,确定该车辆的车尾区域的宽度width1,即该矩形区域的长度,确定该车辆的车尾区域底部中点位置O1,即该矩形区域的下边框中点位置。
在确定该车辆的车尾区域的宽度width1后,根据以下公式确定该车辆对应的备胎检测区域的长度和一半宽度:
dist_h1=b1×width1
dist_w1=c1×width1
其中,dist_h1为备胎检测区域的长度,dist_w1为备胎检测区域的一半宽度,width1为车尾区域的宽度,b1为长度系数,c1为宽度系数,b1和c1为通过大量的实验得到的统计值,例如,b1可以为1.2,c1可以为0.6。
由此,得到备胎检测区域的长度和一半宽度,继续参见图3,通过备胎检测区域的长度和一半宽度以及车尾区域底部中点位置O1确定备胎检测区域的过程为:
首先,将车尾区域下边框作为备胎检测区域的下边框,将车尾区域底部中点位置O1作为备胎检测区域的下边框的中点位置;
其次,根据所得到的备胎检测区域的长度dist_h1和车尾区域底部中点位置O1,确定备胎检测区域的上边框的位置;
再次,根据所得到的备胎检测区域的一半宽度dist_w1和车尾区域底部中点位置O1,确定备胎检测区域的左边框的位置和右边框的位置;
最后,将备胎检测区域的下边框、上边框、左边框和右边框所围成的矩形区域确定为备胎检测区域(即图3中实线所框出的矩形区域)。
通过以上方式,即可确定所获取的备胎待检测图像中至少一辆车辆对应的备胎检测区域。
在车尾检测为车尾车牌区域检测时,上述根据车尾检测结果,确定所获取的备胎待检测图像中至少一辆车辆对应的备胎检测区域,可以为:根据每辆车辆的车尾车牌区域位置,确定每辆车辆对应的备胎检测区域,参考图4,S102可以包括:
S1023:确定车尾车牌区域检测所得到的至少一辆车辆的车尾车牌区域的中心点位置和车尾车牌区域的宽度;
S1024:根据每辆车辆的车尾车牌区域的中心点位置,确定每辆车辆的车尾区域底部中点位置;
S1025:根据每辆车辆的车尾区域底部中点位置和车尾车牌区域的宽度,确定所获取的备胎待检测图像中每辆车辆对应的备胎检测区域。
以车尾车牌区域检测所得到的一辆车辆为例,车尾车牌区域检测所得到该车辆的车尾车牌区域为如图5所示的虚线所框出的矩形区域,根据几何计算法则,确定该车辆的车尾车牌区域的宽度width2,即该矩形区域的长度,确定该车辆的车尾车牌区域的中心点位置O2,即该矩形区域的中心点位置。
在确定该车辆的车尾车牌区域的宽度width2和车尾车牌区域的中心点位置O2后,通过该中心点位置O2作与车尾车牌水平方向垂直的直线,将该直线上位于车尾车牌下方且距离车尾车牌的距离为D的点确定为该车辆的车尾区域底部中点位置O3,其中,根据以下公式确定距离D:
D=a×width2
其中,width2为车尾车牌区域的宽度,a为距离系数,a为通过大量的实验得到的统计值,a可以为0.35。
根据以下公式确定该车辆对应的备胎检测区域的长度和一半宽度:
dist_h2=b2×width2
dist_w2=c2×width2
其中,dist_h2为备胎检测区域的长度,dist_w2为备胎检测区域的一半宽度,width2为车尾车牌区域的宽度,b2为长度系数,c2为宽度系数,b2和c2为通过大量的实验得到的统计值,b2可以为4,c2可以为2。
由此,得到备胎检测区域的长度和一半宽度,通过备胎检测区域的长度和一半宽度以及车尾区域底部中点位置O3确定备胎检测区域的过程为:
首先,通过车尾区域底部中点位置O3作与车尾车牌水平方向平行的直线,将该直线作为备胎检测区域的下边框,将车尾区域底部中点位置O3作为备胎检测区域的下边框的中点位置;
其次,根据所得到的备胎检测区域的长度dist_h2和车尾区域底部中点位置O3,确定备胎检测区域的上边框的位置;
再次,根据所得到的备胎检测区域的一半宽度dist_w2和车尾区域底部中点位置O3,确定备胎检测区域的左边框的位置和右边框的位置;
最后,将备胎检测区域的下边框、上边框、左边框和右边框所围成的矩形区域确定为备胎检测区域(即图5中实线所框出的矩形区域)。
通过以上方式,即可确定所获取的备胎待检测图像中至少一辆车辆对应的备胎检测区域。
另外,由于车尾区域的大小大于车尾车牌区域的大小,使得车尾区域检测的准确率高于车尾车牌区域的检测,因此,可以优先使用车尾区域检测,在车尾区域检测无法确定备胎检测区域时,再使用车尾车牌区域检测。
同时,先使用车尾区域检测再使用车尾车牌区域检测的方式,可以有效的减少环境因素对检测结果的影响,达到尽可能准确的确定出备胎检测区域的目的,例如:光线暗导致备胎待检测图像中车尾车牌模糊无法通过车尾车牌区域检测确定备胎检测区域,此时应用车尾区域检测即可确定备胎检测区域。
S103:判断备胎检测区域中是否存在参考备胎目标,并根据判断结果确定是否存在备胎。
在确定所获取的备胎待检测图像中至少一辆车辆对应的备胎检测区域后,需要对所确定的每辆车辆对应的备胎检测区域进行备胎检测,以确定该备胎检测区域中是否存在备胎。
在本申请的一种实现方式中,为了确定备胎检测区域中是否存在备胎,对备胎检测区域进行目标检测,根据检测结果确定是否存在参考备胎目标,如果确定备胎检测区域中存在参考备胎目标,则确定存在备胎。
详细的,可以采用区域卷积神经网络Faster RCNN目标检测算法对备胎检测区域进行目标检测,其中,Faster RCNN中的R为区域Region,CNN为卷积神经网络Convolutionalneural networks,其过程为:
1)样本收集:可以收集大量的图像正负样本,如各5000,其中,图像正样本可以为不同天气、不同时间段内的车尾悬挂备胎的背向车辆的图象;图像负样本可以为不同天气、不同时间段内的车尾未悬挂备胎的背向车辆的图象等;
2)样本整理:通过本发明实施例中所提供的车尾区域检测对所收集到的图像正负样本进行车尾检测,确定图像正负样本的车尾区域,从图像正负样本中截取出所确定的车尾区域,对所截取出的车尾区域图像进行分类处理,得到车尾悬挂备胎的车尾区域正样本和车尾未悬挂备胎的车尾区域负样本;
3)模型训练:根据车尾区域正样本和车尾区域负样本调整Faster RCNN模型,训练备胎相关参数,设置预设层数的训练层,如可以为6层,设置预设类别的目标类别,如可以为类别2;
4)完成训练,生成Faster RCNN备胎检测模型;
5)对备胎检测区域进行备胎检测,将备胎待检测图像输入到Faster RCNN备胎检测模型中,即判断该备胎待检测图像中的备胎检测区域中是否存在与车尾区域正样本中的备胎匹配的参考备胎目标,如果存在,即可确定存在备胎。
由于Faster RCNN备胎检测模型中的正负样本为车尾悬挂备胎的车尾区域正样本和车尾未悬挂备胎的车尾区域负样本,因此,通过Faster RCNN备胎检测模型进行目标检测时,很有可能出现误检,例如:由于游泳圈的形状特征和备胎相似,将车尾悬挂的游泳圈检测为备胎。
因此,在本申请的另一种实现方式中,为了提高备胎检测的准确率,在通过FasterRCNN备胎检测模型检测后,还可以通过特征匹配的方式进一步确定参考备胎目标是否为备胎,即上述判断备胎检测区域中是否存在参考备胎目标,并根据判断结果确定是否存在备胎,可以包括:
对备胎检测区域进行目标检测;
根据检测结果确定备胎检测区域中是否存在参考备胎目标;
如果确定备胎检测区域中存在参考备胎目标,将所存在的参考备胎目标的特征与备胎的特征进行匹配;
如果所存在的参考备胎目标的特征与备胎的特征匹配,确定存在备胎。
其中,对备胎检测区域进行目标检测以确定存在参考备胎目标的方式与上一实现方式相同,在此不再赘述,在确定存在参考备胎目标后,可以通过CNN(Convolutionalneural networks,卷积神经网络)分类算法将参考备胎目标的特征与备胎的特征进行匹配,并根据匹配结果确定是否存在备胎,其过程为:
1)备胎样本收集:可以收集大量的备胎正负样本,如各5000,其中,正样本可以为不同天气、不同时间段内的车尾悬挂的备胎样本;负样本可以为游泳圈等;
2)模型训练:调整CNN模型训练备胎相关参数,设置预设层数的训练层,如可以为6层,设置预设类别的目标类别,如可以为类别2;
3)完成训练,将训练生成的相关数据模型添加到备胎校验模块中;
4)对参考备胎目标进行校验,将参考备胎目标的特征输入到备胎校验模块中,即判断参考备胎目标的特征是否与备胎的特征匹配,若输出预设标签及预设置信度,如标签label=0,且置信度大于0.2(经验阈值),说明参考备胎的特征与备胎的特征匹配,则确定参考备胎目标为备胎,如图6所示为检测到车尾悬挂备胎的示意图,其中,图6中实线框出的部分即为备胎。
本发明实施例中,首先对获取的备胎待检测图像进行车尾检测,其次,根据车尾检测结果确定备胎检测区域,最后,判断备胎检测区域中是否存在参考备胎目标,并根据判断结果确定是否存在备胎,由此,通过确定备胎可能存在的备胎检测区域,并对备胎检测区域进行备胎检测的方式确定是否存在备胎,以实现对道路中行驶的车辆的车辆备胎检测。
在实现了对道路中行驶的车辆的车辆备胎检测后,可以统计道路上行驶的车辆中,存在多少车尾悬挂备胎的车辆;还可以对车尾悬挂备胎的车辆进行追踪,例如:刑侦过程中,罪犯所驾驶的车辆为车尾悬挂备胎的车辆,通过本发明实施例提供的车辆备胎检测方法可以确定道路中行驶的车尾悬挂备胎的车辆,由此,迅速减少了查找范围,能够尽快查找到罪犯所驾驶的车辆。
相对于上述方法实施例,如图7所示,本发明实施例还提供了一种车辆备胎检测装置,所述装置可以包括:
获取模块401,用于获取备胎待检测图像,并对所获取的备胎待检测图像进行车尾检测;
备胎检测区域确定模块402,用于根据车尾检测结果,确定所获取的备胎待检测图像中至少一辆车辆对应的备胎检测区域;
判断模块403,用于判断所述备胎检测区域中是否存在参考备胎目标,并根据判断结果确定是否存在备胎。
本发明实施例中,首先对获取的备胎待检测图像进行车尾检测,其次,根据车尾检测结果确定备胎检测区域,最后,判断备胎检测区域中是否存在参考备胎目标,并根据判断结果确定是否存在备胎,由此,通过确定备胎可能存在的备胎检测区域,并对备胎检测区域进行备胎检测的方式确定是否存在备胎,以实现对道路中行驶的车辆的车辆备胎检测。
在一种实现方式中,所述车尾检测可以为车尾区域检测和/或车尾车牌区域检测。
在一种实现方式中,所述备胎检测区域确定模块402,可以包括:
第一确定单元,用于在所述车尾检测为车尾区域检测时,根据车尾区域检测所得到的至少一辆车辆的车尾区域,确定每辆车辆的车尾区域底部中点位置和车尾区域的宽度;
第二确定单元,用于根据每辆车辆的车尾区域底部中点位置和车尾区域的宽度,确定所获取的备胎待检测图像中每辆车辆对应的备胎检测区域。
在一种实现方式中,所述备胎检测区域确定模块402,可以包括:
第三确定单元,用于在所述车尾检测为车尾车牌区域检测时,确定车尾车牌区域检测所得到的至少一辆车辆的车尾车牌区域的中心点位置和车尾车牌区域的宽度;
第四确定单元,用于根据每辆车辆的车尾车牌区域的中心点位置,确定每辆车辆的车尾区域底部中点位置;
第五确定单元,用于根据每辆车辆的车尾区域底部中点位置和车尾车牌区域的宽度,确定所获取的备胎待检测图像中每辆车辆对应的备胎检测区域。
在一种实现方式中,所述判断模块403,可以包括:
目标检测单元,用于对所述备胎检测区域进行目标检测;
备胎确定单元,用于根据检测结果确定所述备胎检测区域中是否存在参考备胎目标,如果确定所述备胎检测区域中存在参考备胎目标,则确定存在备胎。
在一种实现方式中,所述判断模块403,可以包括:
目标检测单元,用于对所述备胎检测区域进行目标检测;
参考备胎目标判断单元,用于根据检测结果确定所述备胎检测区域中是否存在参考备胎目标,如果确定所述备胎检测区域中存在参考备胎目标,触发匹配单元;
所述匹配单元,用于将所存在的参考备胎目标的特征与备胎的特征进行匹配,如果所存在的参考备胎目标的特征与备胎的特征匹配,确定存在备胎。
在一种实现方式中,所述目标检测单元,可以具体用于:
采用区域卷积神经网络Faster RCNN目标检测算法对所述备胎检测区域进行目标检测。
在一种实现方式中,所述匹配单元,可以具体用于:
采用卷积神经网络CNN分类算法将所存在的参考备胎目标的特征与备胎的特征进行匹配。
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。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,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。
以上所述仅为本发明的较佳实施例而已,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作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (16)
1.一种车辆备胎检测方法,其特征在于,所述方法包括:
获取备胎待检测图像,并对所获取的备胎待检测图像进行车尾检测;
根据车尾检测结果,确定所获取的备胎待检测图像中至少一辆车辆对应的备胎检测区域;
判断所述备胎检测区域中是否存在参考备胎目标,并根据判断结果确定是否存在备胎。
2.根据权利要求1所述的方法,其特征在于,所述车尾检测为车尾区域检测和/或车尾车牌区域检测。
3.根据权利要求2所述的方法,其特征在于,在所述车尾检测为车尾区域检测时,所述根据车尾检测结果,确定所获取的备胎待检测图像中至少一辆车辆对应的备胎检测区域的步骤,包括:
根据车尾区域检测所得到的至少一辆车辆的车尾区域,确定每辆车辆的车尾区域底部中点位置和车尾区域的宽度;
根据每辆车辆的车尾区域底部中点位置和车尾区域的宽度,确定所获取的备胎待检测图像中每辆车辆对应的备胎检测区域。
4.根据权利要求2所述的方法,其特征在于,在所述车尾检测为车尾车牌区域检测时,所述根据车尾检测结果,确定所获取的备胎待检测图像中至少一辆车辆对应的备胎检测区域的步骤,包括:
确定车尾车牌区域检测所得到的至少一辆车辆的车尾车牌区域的中心点位置和车尾车牌区域的宽度;
根据每辆车辆的车尾车牌区域的中心点位置,确定每辆车辆的车尾区域底部中点位置;
根据每辆车辆的车尾区域底部中点位置和车尾车牌区域的宽度,确定所获取的备胎待检测图像中每辆车辆对应的备胎检测区域。
5.根据权利要求1所述的方法,其特征在于,所述判断所述备胎检测区域中是否存在参考备胎目标,并根据判断结果确定是否存在备胎的步骤,包括:
对所述备胎检测区域进行目标检测;
根据检测结果确定所述备胎检测区域中是否存在参考备胎目标;
如果确定所述备胎检测区域中存在参考备胎目标,则确定存在备胎。
6.根据权利要求1所述的方法,其特征在于,所述判断所述备胎检测区域中是否存在参考备胎目标,并根据判断结果确定是否存在备胎的步骤,包括:
对所述备胎检测区域进行目标检测;
根据检测结果确定所述备胎检测区域中是否存在参考备胎目标;
如果确定所述备胎检测区域中存在参考备胎目标,将所存在的参考备胎目标的特征与备胎的特征进行匹配;
如果所存在的参考备胎目标的特征与备胎的特征匹配,确定存在备胎。
7.根据权利要求5或6所述的方法,其特征在于,所述对所述备胎检测区域进行目标检测的步骤,包括:
采用区域卷积神经网络Faster RCNN目标检测算法对所述备胎检测区域进行目标检测。
8.根据权利要求6所述的方法,其特征在于,所述将所存在的参考备胎目标的特征与备胎的特征进行匹配的步骤,包括:
采用卷积神经网络CNN分类算法将所存在的参考备胎目标的特征与备胎的特征进行匹配。
9.一种车辆备胎检测装置,其特征在于,所述装置包括:
获取模块,用于获取备胎待检测图像,并对所获取的备胎待检测图像进行车尾检测;
备胎检测区域确定模块,用于根据车尾检测结果,确定所获取的备胎待检测图像中至少一辆车辆对应的备胎检测区域;
判断模块,用于判断所述备胎检测区域中是否存在参考备胎目标,并根据判断结果确定是否存在备胎。
10.根据权利要求9所述的装置,其特征在于,所述车尾检测为车尾区域检测和/或车尾车牌区域检测。
11.根据权利要求10所述的装置,其特征在于,所述备胎检测区域确定模块,包括:
第一确定单元,用于在所述车尾检测为车尾区域检测时,根据车尾区域检测所得到的至少一辆车辆的车尾区域,确定每辆车辆的车尾区域底部中点位置和车尾区域的宽度;
第二确定单元,用于根据每辆车辆的车尾区域底部中点位置和车尾区域的宽度,确定所获取的备胎待检测图像中每辆车辆对应的备胎检测区域。
12.根据权利要求10所述的装置,其特征在于,所述备胎检测区域确定模块,包括:
第三确定单元,用于在所述车尾检测为车尾车牌区域检测时,确定车尾车牌区域检测所得到的至少一辆车辆的车尾车牌区域的中心点位置和车尾车牌区域的宽度;
第四确定单元,用于根据每辆车辆的车尾车牌区域的中心点位置,确定每辆车辆的车尾区域底部中点位置;
第五确定单元,用于根据每辆车辆的车尾区域底部中点位置和车尾车牌区域的宽度,确定所获取的备胎待检测图像中每辆车辆对应的备胎检测区域。
13.根据权利要求9所述的装置,其特征在于,所述判断模块,包括:
目标检测单元,用于对所述备胎检测区域进行目标检测;
备胎确定单元,用于根据检测结果确定所述备胎检测区域中是否存在参考备胎目标,如果确定所述备胎检测区域中存在参考备胎目标,则确定存在备胎。
14.根据权利要求9所述的装置,其特征在于,所述判断模块,包括:
目标检测单元,用于对所述备胎检测区域进行目标检测;
参考备胎目标判断单元,用于根据检测结果确定所述备胎检测区域中是否存在参考备胎目标,如果确定所述备胎检测区域中存在参考备胎目标,触发匹配单元;
所述匹配单元,用于将所存在的参考备胎目标的特征与备胎的特征进行匹配,如果所存在的参考备胎目标的特征与备胎的特征匹配,确定存在备胎。
15.根据权利要求13或14所述的装置,其特征在于,所述目标检测单元,具体用于:
采用区域卷积神经网络Faster RCNN目标检测算法对所述备胎检测区域进行目标检测。
16.根据权利要求14所述的装置,其特征在于,所述匹配单元,具体用于:
采用卷积神经网络CNN分类算法将所存在的参考备胎目标的特征与备胎的特征进行匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710367772.2A CN108932453B (zh) | 2017-05-23 | 2017-05-23 | 一种车辆备胎检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710367772.2A CN108932453B (zh) | 2017-05-23 | 2017-05-23 | 一种车辆备胎检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108932453A true CN108932453A (zh) | 2018-12-04 |
CN108932453B CN108932453B (zh) | 2021-04-09 |
Family
ID=64449757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710367772.2A Active CN108932453B (zh) | 2017-05-23 | 2017-05-23 | 一种车辆备胎检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108932453B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709416A (zh) * | 2020-05-15 | 2020-09-25 | 珠海亿智电子科技有限公司 | 车牌定位方法、装置、系统及存储介质 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及系统 |
CN102025772A (zh) * | 2009-09-21 | 2011-04-20 | 福特全球技术公司 | 检测车辆部件的方法 |
CN103198531A (zh) * | 2013-04-10 | 2013-07-10 | 北京速通科技有限公司 | 一种多车道自由流车辆图像抓拍的方法 |
US20140055342A1 (en) * | 2012-08-21 | 2014-02-27 | Fujitsu Limited | Gaze detection apparatus and gaze detection method |
CN103778786A (zh) * | 2013-12-17 | 2014-05-07 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于显著车辆部件模型的交通违章检测方法 |
CN104157143A (zh) * | 2014-08-15 | 2014-11-19 | 青岛比特信息技术有限公司 | 违章停车检测系统及其检测方法 |
CN104200213A (zh) * | 2014-08-12 | 2014-12-10 | 合肥工业大学 | 一种基于多部件的车辆检测方法 |
CN104281851A (zh) * | 2014-10-28 | 2015-01-14 | 浙江宇视科技有限公司 | 车标信息的提取方法及装置 |
CN104298976A (zh) * | 2014-10-16 | 2015-01-21 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
CN104417489A (zh) * | 2013-08-29 | 2015-03-18 | 同观科技(深圳)有限公司 | 一种汽车安全带检测方法及汽车安全带检测装置 |
CN104417490A (zh) * | 2013-08-29 | 2015-03-18 | 同观科技(深圳)有限公司 | 一种汽车安全带检测方法及装置 |
US20150293640A1 (en) * | 2014-04-09 | 2015-10-15 | Kabushiki Kaisha Tokai Rika Denki Seisakusho | Operation device |
CN105046225A (zh) * | 2015-07-14 | 2015-11-11 | 安徽清新互联信息科技有限公司 | 一种基于车尾检测的车距检测方法 |
WO2015170869A1 (ko) * | 2014-05-07 | 2015-11-12 | 서울대학교산학협력단 | 협력 통신을 이용하여 주변 이동체를 탐지하는 방법 및 시스템 |
CN105160324A (zh) * | 2015-09-08 | 2015-12-16 | 长安大学 | 一种基于部件空间关系的车辆检测方法 |
CN105373779A (zh) * | 2015-11-10 | 2016-03-02 | 北京汉王智通科技有限公司 | 一种车辆安全带智能检测方法及智能检测系统 |
CN106295528A (zh) * | 2016-08-01 | 2017-01-04 | 长安大学 | 一种基于多部件空间位置关系gmm建模的车辆检测方法 |
-
2017
- 2017-05-23 CN CN201710367772.2A patent/CN108932453B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及系统 |
CN102025772A (zh) * | 2009-09-21 | 2011-04-20 | 福特全球技术公司 | 检测车辆部件的方法 |
US20140055342A1 (en) * | 2012-08-21 | 2014-02-27 | Fujitsu Limited | Gaze detection apparatus and gaze detection method |
CN103198531A (zh) * | 2013-04-10 | 2013-07-10 | 北京速通科技有限公司 | 一种多车道自由流车辆图像抓拍的方法 |
CN104417489A (zh) * | 2013-08-29 | 2015-03-18 | 同观科技(深圳)有限公司 | 一种汽车安全带检测方法及汽车安全带检测装置 |
CN104417490A (zh) * | 2013-08-29 | 2015-03-18 | 同观科技(深圳)有限公司 | 一种汽车安全带检测方法及装置 |
CN103778786A (zh) * | 2013-12-17 | 2014-05-07 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于显著车辆部件模型的交通违章检测方法 |
US20150293640A1 (en) * | 2014-04-09 | 2015-10-15 | Kabushiki Kaisha Tokai Rika Denki Seisakusho | Operation device |
WO2015170869A1 (ko) * | 2014-05-07 | 2015-11-12 | 서울대학교산학협력단 | 협력 통신을 이용하여 주변 이동체를 탐지하는 방법 및 시스템 |
CN104200213A (zh) * | 2014-08-12 | 2014-12-10 | 合肥工业大学 | 一种基于多部件的车辆检测方法 |
CN104157143A (zh) * | 2014-08-15 | 2014-11-19 | 青岛比特信息技术有限公司 | 违章停车检测系统及其检测方法 |
CN104298976A (zh) * | 2014-10-16 | 2015-01-21 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
CN104281851A (zh) * | 2014-10-28 | 2015-01-14 | 浙江宇视科技有限公司 | 车标信息的提取方法及装置 |
CN105046225A (zh) * | 2015-07-14 | 2015-11-11 | 安徽清新互联信息科技有限公司 | 一种基于车尾检测的车距检测方法 |
CN105160324A (zh) * | 2015-09-08 | 2015-12-16 | 长安大学 | 一种基于部件空间关系的车辆检测方法 |
CN105373779A (zh) * | 2015-11-10 | 2016-03-02 | 北京汉王智通科技有限公司 | 一种车辆安全带智能检测方法及智能检测系统 |
CN106295528A (zh) * | 2016-08-01 | 2017-01-04 | 长安大学 | 一种基于多部件空间位置关系gmm建模的车辆检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709416A (zh) * | 2020-05-15 | 2020-09-25 | 珠海亿智电子科技有限公司 | 车牌定位方法、装置、系统及存储介质 |
CN111709416B (zh) * | 2020-05-15 | 2024-02-02 | 珠海亿智电子科技有限公司 | 车牌定位方法、装置、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108932453B (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
Lekshmipathy et al. | Vibration vs. vision: Best approach for automated pavement distress detection | |
CN103985182B (zh) | 一种公交客流自动计数方法及自动计数系统 | |
CN104408925B (zh) | 基于陈列雷达的交叉口运行状态评价方法 | |
CN106097755A (zh) | 用于识别泊车场地和/或空出场地的方法 | |
CN108765404A (zh) | 一种基于深度学习图像分类的道路破损检测方法及装置 | |
CN105868691A (zh) | 基于快速区域卷积神经网络的城市车辆追踪方法 | |
CN107909010A (zh) | 一种道路障碍物检测方法与装置 | |
CN105825169B (zh) | 一种基于道路影像的路面裂缝识别方法 | |
CN108229256A (zh) | 一种道路施工检测方法及装置 | |
CN104123532B (zh) | 对目标对象进行检测、确定目标对象数量的方法和设备 | |
CN109479206A (zh) | 一种使用wi-fi探针检测道路行人流量的方法 | |
CN110991221B (zh) | 一种基于深度学习的动态交通闯红灯识别方法 | |
CN106462757A (zh) | 一种成对车道线的快速检测方法和装置 | |
CN103954277B (zh) | 检测兴趣点位置的方法及装置 | |
CN105117737A (zh) | 一种基于车辆轨迹向量确定车辆实际方向的方法及装置 | |
CN107977596A (zh) | 一种车牌状态识别方法及装置 | |
CN107194393A (zh) | 一种检测临时车牌的方法及装置 | |
CN108764075A (zh) | 岸桥下集装箱卡车定位的方法 | |
CN110517500A (zh) | 一种人车关联处理方法及装置 | |
CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
Thiruppathiraj et al. | Automatic pothole classification and segmentation using android smartphone sensors and camera images with machine learning techniques | |
CN108763533A (zh) | 一种城市道路交通污染物排放监控系统 | |
CN108520528A (zh) | 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法 | |
CN108932453A (zh) | 一种车辆备胎检测方法及装置 |
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 |