CN109102026B - 一种车辆图像检测方法、装置及系统 - Google Patents

一种车辆图像检测方法、装置及系统 Download PDF

Info

Publication number
CN109102026B
CN109102026B CN201810936536.2A CN201810936536A CN109102026B CN 109102026 B CN109102026 B CN 109102026B CN 201810936536 A CN201810936536 A CN 201810936536A CN 109102026 B CN109102026 B CN 109102026B
Authority
CN
China
Prior art keywords
vehicle image
suspicious
image
position information
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
Application number
CN201810936536.2A
Other languages
English (en)
Other versions
CN109102026A (zh
Inventor
陈安猛
彭莉
谯帅
吴香莲
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.)
Ennew Digital Technology Co Ltd
Original Assignee
Ennew Digital Technology 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 Ennew Digital Technology Co Ltd filed Critical Ennew Digital Technology Co Ltd
Priority to CN201810936536.2A priority Critical patent/CN109102026B/zh
Publication of CN109102026A publication Critical patent/CN109102026A/zh
Application granted granted Critical
Publication of CN109102026B publication Critical patent/CN109102026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车辆图像检测方法、装置及系统，方法包括：将待检测图像输入全卷积神经网络模型，使其对待检测神经网络模型进行识别，以输出至少一个可疑车辆图像的可疑位置信息及可疑概率；根据各个可疑概率及可疑位置信息，提取至少一个目标可疑车辆图像；将目标可疑车辆图像输入级联卷积神经网络模型，使其对目标可疑车辆图像进行识别，以输出候选车辆图像所对应的候选位置信息及车灯位置信息；根据各张目标可疑车辆图像的可疑位置信息及其分别携带的候选车辆图像所分别对应的候选位置信息及车灯位置信息，确定各个车辆图像的位置信息。通过本发明的技术方案，可更为准确的确定出待检测图像所携带的各个车辆图像的位置信息。

Description

一种车辆图像检测方法、装置及系统
技术领域
本发明涉及计算机技术领域，尤其涉及一种车辆图像的检测方法、装置及系统。
背景技术
业界通常采用全卷积神经网络对携带有车辆图像的待检测图像进行识别，以实现确定待检测图像所携带的各个车辆图像在该待检测图像上的位置信息。
全卷积神经网络对待检测图像进行识别时，具体需要提取待检测图像的特征信息(比如，图像边缘点、纹理、色彩等)，进而根据提取的特征信息确定各个车辆图像在待检测图像上的位置信息；若待检测图像中因存在局部光照不均、局部油污甚至形成近似于车辆图像的干扰图像时，全卷积神经网络识别的车辆图像中则可能存在干扰图像或携带非车辆图像区域，无法准确确定出待检测图像所携带的各个车辆图像的位置信息。
发明内容
本发明提供一种车辆图像检测方法、装置、系统、可读介质及电子设备，可更为准确的确定出待检测图像所携带的各个车辆图像的位置信息。
第一方面，本发明提供了一种车辆图像检测方法，包括：
将待检测图像输入预先设置的全卷积神经网络模型，使得所述全卷积神经网络模型对所述待检测神经网络模型进行识别，以输出所述待检测图像所携带的至少一个可疑车辆图像的可疑位置信息及可疑概率；
根据各个所述可疑车辆图像所分别对应的可疑概率及可疑位置信息，从所述待检测图像中提取至少一个目标可疑车辆图像；
针对于每一张所述目标可疑车辆图像，将所述目标可疑车辆图像输入预先设置的级联卷积神经网络模型，使得所述级联卷积神经网络模型对所述目标可疑车辆图像进行识别，以输出所述目标可疑车辆图像携带的候选车辆图像所对应的候选位置信息及车灯位置信息；
根据各张所述目标可疑车辆图像的所述可疑位置信息以及各张所述目标可疑车辆图像分别携带的所述候选车辆图像所分别对应的所述候选位置信息及所述车灯位置信息，确定所述待检测图像所携带的各个车辆图像的位置信息。
优选地，
所述根据各张所述目标可疑车辆图像的所述可疑位置信息以及各张所述目标可疑车辆图像分别携带的所述候选车辆图像所分别对应的所述候选位置信息及所述车灯位置信息，确定所述待检测图像所携带的各个车辆图像的位置信息，包括：
针对于每一张所述目标可疑车辆图像，检测所述可疑车辆图像携带的所述候选车辆图像所对应的所述车灯位置信息是否为预设参数，其中，所述车灯位置信息为所述预设参数时，表征所述级联卷积神经网络模型未检测到所述目标可疑车辆图像携带的所述候选车辆图像的车灯图像区域；
当所述车灯位置信息不是所述预设参数时，根据所述目标可疑车辆图像的可疑位置信息以及所述目标可疑车辆图像携带的所述候选车辆图像所对应的所述候选位置信息确定所述待检测图像所携带的一个车辆图像的位置信息。
优选地，
在所述将所述目标可疑车辆图像输入预先设置的级联卷积神经网络模型之前，进一步包括：
将所述目标可疑车辆图像放大至预设尺寸，其中，所述预设尺寸大于所述待检测图像的当前尺寸；
则，所述将所述目标可疑车辆图像输入预先设置的级联卷积神经网络模型，包括：
将放大至预设尺寸的所述目标可疑车辆图像输入所述级联卷积神经网络模型。
优选地，
进一步包括：根据各个所述车辆图像的位置信息，在所述待检测图像中标记所述待检测图像携带的各个所述车辆图像的位置。
优选地，
所述根据各个所述可疑车辆图像所分别对应的可疑概率及可疑位置信息，从所述待检测图像中提取至少一个目标可疑车辆图像，包括：
从所述全卷积神经网络模型输出的各个所述可疑概率中选择出大于预设概率阈值的至少一个目标可疑概率；
根据各个所述目标可疑概率所分别对应的目标可疑车辆图像的所述可疑位置信息，从所述待检测图像中提取各个所述目标可疑车辆图像。
第二方面，本发明提供了一种车辆图像检测装置，包括：
第一交互模块，用于将待检测图像输入预先设置的全卷积神经网络模型，使得所述全卷积神经网络模型对所述待检测神经网络模型进行识别，以输出所述待检测图像所携带的至少一个可疑车辆图像的可疑位置信息及可疑概率；
图像提取模块，用于根据各个所述可疑车辆图像所分别对应的可疑概率及可疑位置信息，从所述待检测图像中提取至少一个目标可疑车辆图像；
第二交互模块，用于针对于每一张所述目标可疑车辆图像，将所述目标可疑车辆图像输入预先设置的级联卷积神经网络模型，使得所述级联卷积神经网络模型对所述目标可疑车辆图像进行识别，以输出所述目标可疑车辆图像携带的候选车辆图像所对应的候选位置信息及车灯位置信息；
位置确定模块，用于根据各张所述目标可疑车辆图像的所述可疑位置信息以及各张所述目标可疑车辆图像分别携带的所述候选车辆图像所分别对应的所述候选位置信息及所述车灯位置信息，确定所述待检测图像所携带的各个车辆图像的位置信息。
优选地，
所述位置确定模块，包括：检测单元和确定单元；其中，
所述检测单元，用于针对于每一张所述目标可疑车辆图像，检测所述可疑车辆图像携带的所述候选车辆图像所对应的所述车灯位置信息是否为预设参数，其中，所述车灯位置信息为所述预设参数时，表征所述级联卷积神经网络模型未检测到所述目标可疑车辆图像携带的所述候选车辆图像的车灯图像区域；
所述确定单元，用于当所述车灯位置信息不是所述预设参数时，根据所述目标可疑车辆图像的可疑位置信息以及所述目标可疑车辆图像携带的所述候选车辆图像所对应的所述候选位置信息确定所述待检测图像所携带的一个车辆图像的位置信息。
优选地，
还包括：标记处理模块，用于根据各个所述车辆图像的位置信息，在所述待检测图像中标记所述待检测图像携带的各个所述车辆图像的位置。
优选地，
所述图像提取模块，用于执行：从所述全卷积神经网络模型输出的各个所述可疑概率中选择出大于预设概率阈值的至少一个目标可疑概率；根据各个所述目标可疑概率所分别对应的目标可疑车辆图像的所述可疑位置信息，从所述待检测图像中提取各个所述目标可疑车辆图像。
第三方面，本发明提供了一种车辆图像检测系统，包括：
全卷积神经网络模型、级联卷积神经网络模型，以及如权利要求5所述的车辆图像检测装置；其中，
所述全卷积神经网络模型，用于接收所述车辆图像检测装置输入的待检测图像，对所述待检测神经网络模型进行识别以输出所述待检测图像所携带的至少一个可疑车辆图像的可疑位置信息及可疑概率至所述车辆图像检测装置；
所述级联卷积神经网络模型，用于接收所述车辆图像检测装置输入的目标可疑车辆图像，对所述目标可疑车辆图像进行识别以输出所述目标可疑车辆图像携带的候选车辆图像所对应的候选位置信息及车灯位置信息至所述车辆图像检测装置。
第四方面，本发明提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如第一方面中任一所述的方法。
第五方面，本发明提供了一种电子设备，包括：处理器、存储器和总线；所述存储器用于存储执行指令，所述处理器与所述存储器通过所述总线连接，当所述电子设备运行时，所述处理器执行所述存储器存储的所述执行指令，以使所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种车辆图像检测方法、装置、系统、可读介质及电子设备，该方法中，待检测图像可能携带有个车辆图像以及近似于车辆图像的干扰图像，通过预先设置的全卷积神经网络模型检测出待检测图像所携带的各个可疑车辆图像的可疑位置信息及可疑概率之后，可根据各个可疑车辆图像的可疑位置信息及可疑概率，从待检测图像中提取出较大概率携带车辆图像的目标可疑车辆图像而滤除一部分较小概率携带车辆图像的可疑车辆图像；由于提取的每一张目标可疑车辆图像中应当存在一张车辆图像或不存在车辆图像，后续通过级联卷积神经网络模型对每一张目标可疑车辆图像进行识别时，一方面，可更为准确的识别出目标可疑车辆图像中所携带的候选车辆图像而去除该目标可疑车辆图像中携带的非车辆图像区域，即确定出目标可疑车辆图像所携带的候选车辆图像在该目标可疑车辆图像中的候选位置信息，另一方面，级联神经网络模型能够对目标可疑车辆图像携带的候选车辆图像所对应的车灯位置信息进行确定并输出，确定并输出的车灯位置信息则能够反映相应候选车辆图像具体是否为车辆图像(比如，若车灯位置信息为空或表征未检测到车灯位置信息，则说明相应的候选车辆图像为近似于车辆图像的干扰图像而不是车辆图像)；因此，后续过程中根据各张目标可疑车辆图像的可疑位置信息以及各张目标可疑车辆图像分别携带的候选车辆图像所对应的候选位置信息及车灯位置信息，确定待检测图像所携带的各个车辆图像的位置信息时，则可在实现滤除近似于车辆图像的干扰图像，且确定的各个位置信息在待检测图像中所分别对应的图像区域也应当完全为车辆图像而不存在非车辆图像区域。综上可见，通过本发明提供的技术方案，可更为准确的确定出待检测图像所携带的各个车辆图像的位置信息。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案，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中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种车辆图像检测方法的流程示意图；
图2为本发明一实施例提供的一种车辆图像检测装置的结构示意图；
图3为本发明一实施例提供的另一种车辆图像检测装置的结构示意图；
图4为本发明一实施例提供的一种车辆图像检测系统的结构示意图；
图5为本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的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。
如图1所示，本发明实施例提供了一种车辆图像检测方法，包括：
步骤101，将待检测图像输入预先设置的全卷积神经网络模型，使得所述全卷积神经网络模型对所述待检测神经网络模型进行识别，以输出所述待检测图像所携带的至少一个可疑车辆图像的可疑位置信息及可疑概率；
步骤102，根据各个所述可疑车辆图像所分别对应的可疑概率及可疑位置信息，从所述待检测图像中提取至少一个目标可疑车辆图像；
步骤103，针对于每一张所述目标可疑车辆图像，将所述目标可疑车辆图像输入预先设置的级联卷积神经网络模型，使得所述级联卷积神经网络模型对所述目标可疑车辆图像进行识别，以输出所述目标可疑车辆图像携带的候选车辆图像所对应的候选位置信息及车灯位置信息；
步骤104，根据各张所述目标可疑车辆图像的所述可疑位置信息以及各张所述目标可疑车辆图像分别携带的所述候选车辆图像所分别对应的所述候选位置信息及所述车灯位置信息，确定所述待检测图像所携带的各个车辆图像的位置信息。
如图1所示的实施例，待检测图像可能携带有个车辆图像以及近似于车辆图像的干扰图像，通过预先设置的全卷积神经网络模型检测出待检测图像所携带的各个可疑车辆图像的可疑位置信息及可疑概率之后，可根据各个可疑车辆图像的可疑位置信息及可疑概率，从待检测图像中提取出较大概率携带车辆图像的目标可疑车辆图像而滤除一部分较小概率携带车辆图像的可疑车辆图像；由于提取的每一张目标可疑车辆图像中应当存在一张车辆图像或不存在车辆图像，后续通过级联卷积神经网络模型对每一张目标可疑车辆图像进行识别时，一方面，可更为准确的识别出目标可疑车辆图像中所携带的候选车辆图像而去除该目标可疑车辆图像中携带的非车辆图像区域，即确定出目标可疑车辆图像所携带的候选车辆图像在该目标可疑车辆图像中的候选位置信息，另一方面，级联神经网络模型能够对目标可疑车辆图像携带的候选车辆图像所对应的车灯位置信息进行确定并输出，确定并输出的车灯位置信息则能够反映相应候选车辆图像具体是否为车辆图像(比如，若车灯位置信息为空或表征未检测到车灯位置信息，则说明相应的候选车辆图像为近似于车辆图像的干扰图像而不是车辆图像)；因此，后续过程中根据各张目标可疑车辆图像的可疑位置信息以及各张目标可疑车辆图像分别携带的候选车辆图像所对应的候选位置信息及车灯位置信息，确定待检测图像所携带的各个车辆图像的位置信息时，则可在实现滤除近似于车辆图像的干扰图像，且确定的各个位置信息在待检测图像中所分别对应的图像区域也应当完全为车辆图像而不存在非车辆图像区域。综上可见，通过本发明提供的技术方案，可更为准确的确定出待检测图像所携带的各个车辆图像的位置信息。
本领域技术人员应当理解的，本发明各个实施例中所述的位置信息具体指的是相应的图像区域在其所属的图像中的位置，具体可以利用相应图像区域的多个边缘点进行表示，相应图像区域的边缘点应当能够描述该图像区域的轮廓信息；举例来说，针对于可疑车辆图像的位置信息，具体可以利用该可疑车辆图像在待检测图像中所对应的矩形图像区域的任意两个呈对角的顶点的像素坐标进行表示，也可以利用待检测图像中构成该矩形区域图像的轮廓的大量边缘像素点的像素坐标进行表示。
本领域技术人员应当理解的，需要分别利用相应数量及规格的样本图像预先对全卷积神经网络模型进行训练，使得全卷积神经网络模型能够对输入的同一张样本图像中携带的多个车辆图像进行识别，并较为准确的输出该样本图像所携带的各个车辆图像在该样本图像中的位置信息，利用样本图像训练具有一车辆图像识别功能的神经网络模型的方法可以使用一种或多种现有技术实现，这里不再赘述。显而易见的，也需要利用相应数量及规格的样本图像预先对级联卷积神经网络模型进行训练。
本发明一个优选实施例中，级联卷积神经网络模型还可以同时输出相应目标可疑车辆图像携带的候选车辆图像是车辆图像的当前概率值，以便后续过程中结合候选车辆图像所对应的当前概率值以及车灯位置信息综合考虑候选车辆图像是否为车辆图像。
具体地，本发明一个优选实施例中，所述根据各张所述目标可疑车辆图像的所述可疑位置信息以及各张所述目标可疑车辆图像分别携带的所述候选车辆图像所分别对应的所述候选位置信息及所述车灯位置信息，确定所述待检测图像所携带的各个车辆图像的位置信息，包括：
针对于每一张所述目标可疑车辆图像，检测所述可疑车辆图像携带的所述候选车辆图像所对应的所述车灯位置信息是否为预设参数，其中，所述车灯位置信息为所述预设参数时，表征所述级联卷积神经网络模型未检测到所述目标可疑车辆图像携带的所述候选车辆图像的车灯图像区域；
当所述车灯位置信息不是所述预设参数时，根据所述目标可疑车辆图像的可疑位置信息以及所述目标可疑车辆图像携带的所述候选车辆图像所对应的所述候选位置信息确定所述待检测图像所携带的一个车辆图像的位置信息。
在需要对指定区域内车辆的运动轨迹进行跟踪的具体业务场景中，摄像头通常以一定的俯视角度正向采集车辆在指定区域内运动时的视频图像，如此，针对于视频图像的每一帧分别进行滤波及缩放处理以形成一定尺寸的待检测图像之后，针对于待检测图像所携带的每一个车辆图像区域(或，车辆图像)，均应当存在一个或多个车灯图像区域。
对级联卷积神经网络模型进行训练后，级联卷积神经网络模型具有从车辆图像(或，候选车辆图像)中识别出车灯图像区域(即确定出车灯位置信息)的能力，若级联卷积神经网络未能从输入的图像中识别出车灯图像区域，其输出的车灯位置信息即应当为表征未能从输入的图像中识别出车灯图像区域的预设参数，反之，若能够从输入的图像中识别出车灯图像区域，则其输出的车灯位置信息则应当能够用于描述各个车灯图像区域在车辆图像中的实时位置。
因此，该实施例中，针对于输入级联卷积神经网络的一张目标可疑车辆图像，若级联卷积神经网络对其进行识别时对应输出的车灯位置信息表征未检测到相应候选车辆图像的车灯图像区域，则说明该目标可疑车辆图像或该目标可疑车辆图像携带的候选车辆图像对应在待检测图像上的图像区域为因光照不均或局部油污等现象造成的干扰图像；相应的，对于对应车灯位置信息不为预设信息的各个目标可疑车辆图像，其携带的候选车辆图像对应在待检测图像中的图像区域则应当为待检测图像所携带的一个车辆图像；如此，则可避免将因光照不均或局部油污等现象造成的干扰图像错误的确定为车辆图像，最终实现更为准确的确定待检测图像携带的各个车辆图像的位置信息。
各个目标可疑车辆图像时根据相应的可疑位置信息从待检测图像中所提取的，针对于各个目标可疑车辆图像分别携带的候选车辆图像，待检测图像中存在多个域各个候选车辆图像一一对应的候选车辆图像区域；因此，在目标可疑车辆图像携带的候选车辆图像所对应的车灯位置信息不为预设参数时，即该候选车辆图像为已经滤除非车辆图像区域的车辆图像时，在候选车辆图像在该目标车辆图像中所对应的的候选位置信息已知的情况下，即可根据该目标可疑车辆图像的可疑位置信息以及该候选车辆图像所对应的候选位置信息，确定构成候选车辆图像的每一个像素点分别对应在待检测图像中的当前像素点，进而确定出由待检测图像中由各个当前像素点构成的与该候选车辆图像相对应的车辆图像区域，该车辆图像区域即为一个滤除非车辆图像区域的车辆图像。
需要说明的是，为了更为准确的确定待检测图像所携带的各个车辆图像的位置信息，由于车辆的车灯以及车身之间存在一定的位置关系，即使车灯位置信息不为预设参数时，还可以结合级联卷积神经网络模型所输出的车灯位置信息以及候选位置信息之间的位置关系，进一步判断相应目标可疑车辆图像所携带的候选车辆图像是否为车辆图像，当且仅当在确定出输入级联卷积神经网络模型的目标可疑车辆图像携带的候选车辆图像是车辆图像时，才根据目标可疑车辆图像的可疑位置信息以及目标可疑车辆图像携带的候选车辆图像所对应的候选位置信息确定待检测图像所携带的一个车辆图像的位置信息。
为了待检测图像中存在尺寸较小的车辆图像而导致该车辆图像无法被准确识别，本发明一个优选实施例中，在所述将所述目标可疑车辆图像输入预先设置的级联卷积神经网络模型之前，进一步包括：
将所述目标可疑车辆图像放大至预设尺寸，其中，所述预设尺寸大于所述待检测图像的当前尺寸；
则，所述将所述目标可疑车辆图像输入预先设置的级联卷积神经网络模型，包括：
将放大至预设尺寸的所述目标可疑车辆图像输入所述级联卷积神经网络模型。
通过全卷积神经网络模型对待检测图像进行识别时，为了避免车辆图像无法被全卷积神经网络所识别，预先设置的全卷积神经网络的深度通常较浅，即全卷积神经网络模型能够识别出大量携带车辆图像或近似于车辆图像可疑车辆图像，相应的，被全卷积神经网络模型识别然后提取的各个具有较大概率携带车辆图像的目标可疑车辆图像中，则可能携带除车辆图像外的大量非车辆图像区域，若被提取的目标可疑车辆图像尺寸较小，则其携带的非车辆图像区域与车辆图像之间的边缘不易被识别；该实施例中，通过将目标可疑车辆图像放大至大于待检测图像的当前尺寸的预设尺寸后再输入至级联卷积神经网络模型，级联卷积神经网络模型则可对尺寸相对较大的目标可疑车辆图像进行识别以滤除非车辆图像区域。
本发明一个优选实施例中，进一步包括：根据各个所述车辆图像的位置信息，在所述待检测图像中标记所述待检测图像携带的各个所述车辆图像的位置。
该实施例中，在待检测图像中标记各个车辆图像的位置，具体可以是针对各个车辆图像的轮廓进行标记；通过本发明实施例的技术方案对视频图像中连续采集的多张待检测图像进行处理时，则可根据每一张待检测图像中标记的车辆图像对相应车辆的移动轨迹进行跟踪。
具体地，为了具体实现去除各个较小概率携带车辆图像的可疑车辆图像，降低级联卷积神经网络模型的计算量，本发明一个优选实施例中，所述根据各个所述可疑车辆图像所分别对应的可疑概率及可疑位置信息，从所述待检测图像中提取至少一个目标可疑车辆图像，包括：
从所述全卷积神经网络模型输出的各个所述可疑概率中选择出大于预设概率阈值的至少一个目标可疑概率；
根据各个所述目标可疑概率所分别对应的目标可疑车辆图像的所述可疑位置信息，从所述待检测图像中提取各个所述目标可疑车辆图像。
显而易见的，预设概率阈值可以结合实际业务需求设置的经验值。
基于与本发明方法实施例相同的构思，如图2所示，本发明实施例提供了一种车辆图像检测装置，包括：
第一交互模块201，用于将待检测图像输入预先设置的全卷积神经网络模型，使得所述全卷积神经网络模型对所述待检测神经网络模型进行识别，以输出所述待检测图像所携带的至少一个可疑车辆图像的可疑位置信息及可疑概率；
图像提取模块202，用于根据各个所述可疑车辆图像所分别对应的可疑概率及可疑位置信息，从所述待检测图像中提取至少一个目标可疑车辆图像；
第二交互模块203，用于针对于每一张所述目标可疑车辆图像，将所述目标可疑车辆图像输入预先设置的级联卷积神经网络模型，使得所述级联卷积神经网络模型对所述目标可疑车辆图像进行识别，以输出所述目标可疑车辆图像携带的候选车辆图像所对应的候选位置信息及车灯位置信息；
位置确定模块204，用于根据各张所述目标可疑车辆图像的所述可疑位置信息以及各张所述目标可疑车辆图像分别携带的所述候选车辆图像所分别对应的所述候选位置信息及所述车灯位置信息，确定所述待检测图像所携带的各个车辆图像的位置信息。
本发明一个实施例中，所述位置确定模块204，包括：检测单元和确定单元；其中，
所述检测单元，用于针对于每一张所述目标可疑车辆图像，检测所述可疑车辆图像携带的所述候选车辆图像所对应的所述车灯位置信息是否为预设参数，其中，所述车灯位置信息为所述预设参数时，表征所述级联卷积神经网络模型未检测到所述目标可疑车辆图像携带的所述候选车辆图像的车灯图像区域；
所述确定单元，用于当所述车灯位置信息不是所述预设参数时，根据所述目标可疑车辆图像的可疑位置信息以及所述目标可疑车辆图像携带的所述候选车辆图像所对应的所述候选位置信息确定所述待检测图像所携带的一个车辆图像的位置信息。
请参考图3，本发明一个优选实施例中，还包括：标记处理模块301，用于根据各个所述车辆图像的位置信息，在所述待检测图像中标记所述待检测图像携带的各个所述车辆图像的位置。
本发明一个优选实施例中，所述图像提取模块202，用于执行：从所述全卷积神经网络模型输出的各个所述可疑概率中选择出大于预设概率阈值的至少一个目标可疑概率；根据各个所述目标可疑概率所分别对应的目标可疑车辆图像的所述可疑位置信息，从所述待检测图像中提取各个所述目标可疑车辆图像。
基于与本发明方法/装置实施例相同的构思，请参考图4，本发明实施例还提供了一种车辆图像检测系统，包括：
全卷积神经网络模型401、级联卷积神经网络模型402，以及如本发明任意一个实施例中提供的车辆图像检测装置403；其中，
所述全卷积神经网络模型401，用于接收所述车辆图像检测装置输入的待检测图像，对所述待检测神经网络模型进行识别以输出所述待检测图像所携带的至少一个可疑车辆图像的可疑位置信息及可疑概率至所述车辆图像检测装置；
所述级联卷积神经网络模型402，用于接收所述车辆图像检测装置输入的目标可疑车辆图像，对所述目标可疑车辆图像进行识别以输出所述目标可疑车辆图像携带的候选车辆图像所对应的候选位置信息及车灯位置信息至所述车辆图像检测装置。
部署该系统时，可利用端到端的模式对该系统进行部署，比兔将全卷积神经网络模型以及级联卷积神经网络部署到计算机存储能力较高的云平台，将车辆图像检测装置部署到通过网络与云平台进行连接的电子设备。
显而易见的，在不考虑计算资源以及存储资源的情况下，为了实现更为准确的确定待检测图像所携带的各个车辆图像的位置信息，这里还可以部署多个深度逐渐递增、且所处理图像的图像尺寸逐渐递增的级联卷积神经网络模型对目标可疑车辆图像进行分段处理，后置的级联卷积神经网络模型根据前置的级联卷积神经网络模型所识别并输出的当前位置信息，对进行不同尺度缩放后的车辆图像进行识别，实现更为准确的滤除目标可疑车辆图像中携带的非车辆图像区域。
本领域技术人员应当理解的，可通过调整卷积层、计算单元的数量以及卷积神经网络模型的结构来实现调节卷积神经网络模型的图像识别能力，本领域技术人员可根据本发明各个实施例的描述得到多种不同结构的全卷积神经网络模型或级联卷积神经网络模型，这里不再针对全卷积神经网络模型或级联卷积神经网络模型的结构进行赘述。
图5是本发明的一个实施例电子设备的结构示意图。在硬件层面，该电子设备包括处理器，可选地还包括总线、网络接口及存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatilememory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过总线相互连接，该总线可以是ISA(IndustryStandardArchitecture，工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended IndustryStandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存储执行指令。具体地，执行指令可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，也可从其它设备上获取相应的计算机程序，以在逻辑层面上形成车辆图像检测装置。处理器，执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的车辆图像检测方法。
上述如本发明图5所示实施例提供的车辆图像检测装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
本发明实施例还提出了一种可读存储介质，该可读存储介质存储执行指令，该执行指令被电子设备执行时，能够使该电子设备执行本发明任一实施例中提供的车辆检测方法，并具体执行如图1所示的方法。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述，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实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (8)

1.一种车辆图像检测方法，其特征在于，包括：
将待检测图像输入预先设置的全卷积神经网络模型，使得所述全卷积神经网络模型对所述待检测神经网络模型进行识别，以输出所述待检测图像所携带的至少一个可疑车辆图像的可疑位置信息及可疑概率；
根据各个所述可疑车辆图像所分别对应的可疑概率及可疑位置信息，从所述待检测图像中提取至少一个目标可疑车辆图像；
针对于每一张所述目标可疑车辆图像，将所述目标可疑车辆图像输入预先设置的级联卷积神经网络模型，使得所述级联卷积神经网络模型对所述目标可疑车辆图像进行识别，以输出所述目标可疑车辆图像携带的候选车辆图像所对应的候选位置信息及车灯位置信息；
根据各张所述目标可疑车辆图像的所述可疑位置信息以及各张所述目标可疑车辆图像分别携带的所述候选车辆图像所分别对应的所述候选位置信息及所述车灯位置信息，确定所述待检测图像所携带的各个车辆图像的位置信息；
所述根据各个所述可疑车辆图像所分别对应的可疑概率及可疑位置信息，从所述待检测图像中提取至少一个目标可疑车辆图像，包括：
从所述全卷积神经网络模型输出的各个所述可疑概率中选择出大于预设概率阈值的至少一个目标可疑概率；
根据各个所述目标可疑概率所分别对应的目标可疑车辆图像的所述可疑位置信息，从所述待检测图像中提取各个所述目标可疑车辆图像；
所述根据各张所述目标可疑车辆图像的所述可疑位置信息以及各张所述目标可疑车辆图像分别携带的所述候选车辆图像所分别对应的所述候选位置信息及所述车灯位置信息，确定所述待检测图像所携带的各个车辆图像的位置信息，包括：
针对于每一张所述目标可疑车辆图像，检测所述可疑车辆图像携带的所述候选车辆图像所对应的所述车灯位置信息是否为预设参数，其中，所述车灯位置信息为所述预设参数时，表征所述级联卷积神经网络模型未检测到所述目标可疑车辆图像携带的所述候选车辆图像的车灯图像区域；
当所述车灯位置信息不是所述预设参数时，根据所述目标可疑车辆图像的可疑位置信息以及所述目标可疑车辆图像携带的所述候选车辆图像所对应的所述候选位置信息确定所述待检测图像所携带的一个车辆图像的位置信息。
2.根据权利要求1所述的方法，其特征在于，
在所述将所述目标可疑车辆图像输入预先设置的级联卷积神经网络模型之前，进一步包括：
将所述目标可疑车辆图像放大至预设尺寸，其中，所述预设尺寸大于所述待检测图像的当前尺寸；
则，所述将所述目标可疑车辆图像输入预先设置的级联卷积神经网络模型，包括：
将放大至预设尺寸的所述目标可疑车辆图像输入所述级联卷积神经网络模型。
3.根据权利要求1至2中任一所述的方法，其特征在于，
进一步包括：根据各个所述车辆图像的位置信息，在所述待检测图像中标记所述待检测图像携带的各个所述车辆图像的位置。
4.一种车辆图像检测装置，其特征在于，包括：
第一交互模块，用于将待检测图像输入预先设置的全卷积神经网络模型，使得所述全卷积神经网络模型对所述待检测神经网络模型进行识别，以输出所述待检测图像所携带的至少一个可疑车辆图像的可疑位置信息及可疑概率；
图像提取模块，用于根据各个所述可疑车辆图像所分别对应的可疑概率及可疑位置信息，从所述待检测图像中提取至少一个目标可疑车辆图像；
第二交互模块，用于针对于每一张所述目标可疑车辆图像，将所述目标可疑车辆图像输入预先设置的级联卷积神经网络模型，使得所述级联卷积神经网络模型对所述目标可疑车辆图像进行识别，以输出所述目标可疑车辆图像携带的候选车辆图像所对应的候选位置信息及车灯位置信息；
位置确定模块，用于根据各张所述目标可疑车辆图像的所述可疑位置信息以及各张所述目标可疑车辆图像分别携带的所述候选车辆图像所分别对应的所述候选位置信息及所述车灯位置信息，确定所述待检测图像所携带的各个车辆图像的位置信息；
所述图像提取模块，用于执行：从所述全卷积神经网络模型输出的各个所述可疑概率中选择出大于预设概率阈值的至少一个目标可疑概率；根据各个所述目标可疑概率所分别对应的目标可疑车辆图像的所述可疑位置信息，从所述待检测图像中提取各个所述目标可疑车辆图像；
所述位置确定模块，包括：检测单元和确定单元；其中，
所述检测单元，用于针对于每一张所述目标可疑车辆图像，检测所述可疑车辆图像携带的所述候选车辆图像所对应的所述车灯位置信息是否为预设参数，其中，所述车灯位置信息为所述预设参数时，表征所述级联卷积神经网络模型未检测到所述目标可疑车辆图像携带的所述候选车辆图像的车灯图像区域；
所述确定单元，用于当所述车灯位置信息不是所述预设参数时，根据所述目标可疑车辆图像的可疑位置信息以及所述目标可疑车辆图像携带的所述候选车辆图像所对应的所述候选位置信息确定所述待检测图像所携带的一个车辆图像的位置信息。
5.根据权利要求4所述的装置，其特征在于，
还包括：标记处理模块，用于根据各个所述车辆图像的位置信息，在所述待检测图像中标记所述待检测图像携带的各个所述车辆图像的位置。
6.一种车辆图像检测系统，其特征在于，包括：
全卷积神经网络模型、级联卷积神经网络模型，以及如权利要求4所述的车辆图像检测装置；其中，
所述全卷积神经网络模型，用于接收所述车辆图像检测装置输入的待检测图像，对所述待检测神经网络模型进行识别以输出所述待检测图像所携带的至少一个可疑车辆图像的可疑位置信息及可疑概率至所述车辆图像检测装置；
所述级联卷积神经网络模型，用于接收所述车辆图像检测装置输入的目标可疑车辆图像，对所述目标可疑车辆图像进行识别以输出所述目标可疑车辆图像携带的候选车辆图像所对应的候选位置信息及车灯位置信息至所述车辆图像检测装置。
7.一种可读介质，包括执行指令，其特征在于，当电子设备的处理器执行所述执行指令时，所述电子设备执行如权利要求1至3中任一所述的方法。
8.一种电子设备，包括：处理器、存储器和总线；所述存储器用于存储执行指令，所述处理器与所述存储器通过所述总线连接，当所述电子设备运行时，所述处理器执行所述存储器存储的所述执行指令，以使所述处理器执行如权利要求1至3中任一所述的方法。
CN201810936536.2A 2018-08-16 2018-08-16 一种车辆图像检测方法、装置及系统 Active CN109102026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810936536.2A CN109102026B (zh) 2018-08-16 2018-08-16 一种车辆图像检测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810936536.2A CN109102026B (zh) 2018-08-16 2018-08-16 一种车辆图像检测方法、装置及系统

Publications (2)

Publication Number Publication Date
CN109102026A CN109102026A (zh) 2018-12-28
CN109102026B true CN109102026B (zh) 2021-06-25

Family

ID=64849966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810936536.2A Active CN109102026B (zh) 2018-08-16 2018-08-16 一种车辆图像检测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN109102026B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110047102A (zh) * 2019-04-18 2019-07-23 北京字节跳动网络技术有限公司 用于输出信息的方法、装置和系统
WO2021078133A1 (en) * 2019-10-24 2021-04-29 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for image processing
CN113255407A (zh) * 2020-02-12 2021-08-13 阿里巴巴集团控股有限公司 单目图像中目标的检测方法、车辆定位方法、装置及设备
CN112927502B (zh) * 2021-01-21 2023-02-03 广州小鹏自动驾驶科技有限公司 一种数据处理的方法和装置
CN113920425A (zh) * 2021-09-03 2022-01-11 佛山中科云图智能科技有限公司 一种基于神经网络模型的目标违建点获取方法和获取系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106910206A (zh) * 2017-01-17 2017-06-30 邢惠钧 一种目标跟踪方法及装置
CN106971187A (zh) * 2017-04-12 2017-07-21 华中科技大学 一种基于车辆特征点的车辆部件检测方法和系统
CN107145867A (zh) * 2017-05-09 2017-09-08 电子科技大学 基于多任务深度学习的人脸及人脸遮挡物检测方法
US9886771B1 (en) * 2016-05-20 2018-02-06 Ccc Information Services Inc. Heat map of vehicle damage
CN108319907A (zh) * 2018-01-26 2018-07-24 腾讯科技（深圳）有限公司 一种车辆识别方法、装置和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070250501A1 (en) * 2005-09-27 2007-10-25 Grubb Michael L Search result delivery engine

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9886771B1 (en) * 2016-05-20 2018-02-06 Ccc Information Services Inc. Heat map of vehicle damage
CN106910206A (zh) * 2017-01-17 2017-06-30 邢惠钧 一种目标跟踪方法及装置
CN106971187A (zh) * 2017-04-12 2017-07-21 华中科技大学 一种基于车辆特征点的车辆部件检测方法和系统
CN107145867A (zh) * 2017-05-09 2017-09-08 电子科技大学 基于多任务深度学习的人脸及人脸遮挡物检测方法
CN108319907A (zh) * 2018-01-26 2018-07-24 腾讯科技（深圳）有限公司 一种车辆识别方法、装置和存储介质

Also Published As

Publication number Publication date
CN109102026A (zh) 2018-12-28

Similar Documents

Publication Publication Date Title
CN109102026B (zh) 一种车辆图像检测方法、装置及系统
CN107403424B (zh) 一种基于图像的车辆定损方法、装置及电子设备
CN107392218B (zh) 一种基于图像的车辆定损方法、装置及电子设备
CN107358596B (zh) 一种基于图像的车辆定损方法、装置、电子设备及系统
CN109086734B (zh) 一种对人眼图像中瞳孔图像进行定位的方法及装置
US20170103258A1 (en) Object detection method and object detection apparatus
CN109034266A (zh) 一种目标图像检测方法、装置及系统
CN108875731B (zh) 目标识别方法、装置、系统及存储介质
CN112926531B (zh) 特征信息提取方法、模型训练方法、装置及电子设备
CN109509166B (zh) 印刷电路板图像检测方法和装置
CN112991349B (zh) 图像处理方法、装置、设备和存储介质
CN113160161A (zh) 目标边缘处缺陷的检测方法和装置
CN112200851B (zh) 一种基于点云的目标检测方法、装置及其电子设备
CN109190639A (zh) 一种车辆颜色识别方法、装置及系统
US20230384120A1 (en) Method and Apparatus for Updating High-Precision Map
CN112634201A (zh) 目标检测方法、装置和电子设备
US20180210451A1 (en) System and method for controlling navigation of a vehicle
CN111985438A (zh) 一种静态人脸处理方法、装置及设备
CN113903014B (zh) 车道线预测方法、装置及电子设备、计算机可读存储介质
CN109190687A (zh) 一种神经网络系统及其识别车辆属性的方法
CN110223320B (zh) 物体检测跟踪方法和检测跟踪装置
CN112287905A (zh) 车辆损伤识别方法、装置、设备及存储介质
CN109033797B (zh) 一种权限设置方法及装置
CN113902742B (zh) 一种基于tft-lcd检测缺陷真假判定方法和系统
CN110782439B (zh) 一种辅助检测图像标注质量的方法及装置

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