CN109584300A - 一种确定车头朝向角度的方法及装置 - Google Patents

一种确定车头朝向角度的方法及装置 Download PDF

Info

Publication number
CN109584300A
CN109584300A CN201811381236.9A CN201811381236A CN109584300A CN 109584300 A CN109584300 A CN 109584300A CN 201811381236 A CN201811381236 A CN 201811381236A CN 109584300 A CN109584300 A CN 109584300A
Authority
CN
China
Prior art keywords
vehicle
image
region
vehicle region
angle
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
Application number
CN201811381236.9A
Other languages
English (en)
Other versions
CN109584300B (zh
Inventor
朱梦超
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN201811381236.9A priority Critical patent/CN109584300B/zh
Publication of CN109584300A publication Critical patent/CN109584300A/zh
Application granted granted Critical
Publication of CN109584300B publication Critical patent/CN109584300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • 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
    • G06T2207/20081—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
    • 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

本发明公开了一种确定车头朝向角度的方法及装置，包括：将第一图像输入车辆检测模型中，确定目标车辆区域；将每个目标车辆区域输入角度回归模型中，确定每个目标车辆的归一化角度值，根据对应关系式，确定每个目标车辆的车头朝向角度。由于在本发明实施例中，基于车辆检测模型，可以确定第一图像中的每个第一车辆区域，根据任意两个第一车辆区域的重叠面积，确定每个目标车辆区域，基于角度回归模型，可以确定每个目标车辆的归一化角度值，根据归一化角度值和车头朝向角度的对应关系式，确定每个目标车辆的车头朝向角度。因此可以确定出单帧图像中的车头朝向角度，并且在环境干扰场景中也能准确确定出车头朝向角度。

Description

一种确定车头朝向角度的方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种确定车头朝向角度的方法及装置。
背景技术
随着近年来智能交通相关技术的快速发展，通过车头朝向角度的检测判断车辆的行驶方向的应用越来越广泛，例如应用在高速路中车辆行驶轨迹追踪、交通事故中对车辆行驶方向的判定、停车场进出口处车辆行驶方向判定、自动驾驶中车辆行驶方向的判定等等。
现有技术在确定车头朝向角度时，一般是基于视频中连续多帧图像，确定出车辆的运动信息，根据车辆的运动信息确定车头朝向角度。具体包括：从视频采集设备中采集视频；获取视频流中的运动信息图像；根据运动信息图像获得方向统计值，其中，方向统计值根据运动信息图像和衍生运动信息图像得出，统计运动信息图像和衍生运动信息图像中所有像素值的最大值的个数Nmax和最小值的个数Nmin，得方向统计值N＝Nmax-Nmin；根据基于方向统计值的判定条件判定车头朝向角度。
现有技术中确定车头朝向角度的方法存在的问题是，无法确定出单帧图像中的车头朝向角度，并且受车辆阴影、雨天倒影、夜间车灯光晕等环境干扰影响较大，在环境干扰场景中无法准确确定出车头朝向角度。
发明内容
本发明实施例提供了一种确定车头朝向角度的方法及装置，用以解决现有技术中无法确定出单帧图像中的车头朝向角度，并且在环境干扰场景中无法准确确定出车头朝向角度的问题。
本发明实施例提供了一种确定车头朝向角度的方法，所述方法包括：
将获取到的第一图像输入预先训练完成的车辆检测模型中；
基于所述车辆检测模型，确定所述第一图像中的每个第一车辆区域；
针对任意两个第一车辆区域，根据该两个第一车辆区域的重叠面积，确定该两个第一车辆区域对应的目标车辆区域；
将所述每个目标车辆区域输入预先训练完成的角度回归模型中；
基于所述角度回归模型，确定所述第一图像中每个目标车辆区域中的目标车辆的归一化角度值；根据所述归一化角度值和车头朝向角度的对应关系式，确定所述每个目标车辆的车头朝向角度。
进一步地，确定了第一图像中每个目标车辆区域之后，将所述每个目标车辆区域输入预先训练完成的角度回归模型中之前，所述方法还包括：
以所述第一图像的垂直中线为轴，对所述第一图像进行镜像处理，得到镜像后的图像；
将镜像后的图像输入所述预先训练完成的车辆检测模型中，基于所述车辆检测模型，确定所述镜像后的图像中的每个第二车辆区域，针对任意两个第二车辆区域，根据该两个第二车辆区域的重叠面积，确定该两个第二车辆区域对应的第三车辆区域；根据预设的区域映射关系，将所述镜像后的图像中的每个第三车辆区域映射到所述第一图像中，得到所述第一图像中的每个第四车辆区域；
针对所述第一图像中的每个目标车辆区域，确定与该目标车辆区域对应的第四车辆区域，采用该目标车辆区域与对应的第四车辆区域的交集区域，对该目标车辆区域进行更新。
进一步地，对所述第一图像进行镜像处理之前，所述方法还包括：
判断目标车辆区域的数量是否大于一个，如果是，进行后续步骤。
进一步地，如果目标车辆区域的数量为一个，对所述第一图像进行镜像处理包括：
对所述第一图像中的目标车辆区域进行镜像处理。
进一步地，对所述第一图像中的目标车辆区域进行镜像处理包括：
确定所述第一图像中的目标车辆区域的外接框，按照预设的长宽扩大尺寸扩大所述外接框，将扩大后的外接框中的区域进行镜像处理。
进一步地，针对任意两个车辆区域，根据该两个车辆区域的重叠面积，确定该两个车辆区域对应的车辆区域包括：
针对任意两个车辆区域，根据该两个车辆区域的重叠面积和该两个车辆区域的面积的和，确定该两个车辆区域面积的交并比，判断所述交并比是否大于预设的交并比阈值，如果是，将该两个车辆区域合并，将该两个第一车辆区域合并后的区域作为该两个车辆区域对应的车辆区域；如果否，将该两个车辆区域分别作为对应的车辆区域。
进一步地，所述方法还包括：
基于所述车辆检测模型，分别确定所述每个第一车辆区域的第一方向类别以及所述第一方向类别的第一置信度、所述每个第二车辆区域、每个第二车辆区域的第二方向类别，以及所述第二方向类别的第二置信度；
针对每个目标车辆区域，根据该目标车辆区域对应的两个第一车辆区域的第一方向类别和第一置信度，确定该目标车辆区域的候选方向类别和候选置信度；针对每个第四车辆区域，根据该第四车辆区域对应的两个第二车辆区域的第二方向类别和第二置信度，确定该第四车辆区域的第四方向类别和对应的第四置信度；
针对每个目标车辆区域，根据该目标车辆区域的候选方向类别的候选置信度和对应的第四车辆区域的第四方向类别的第四置信度的大小关系，确定该目标车辆区域的目标方向类别；
根据确定的每个目标车辆的车头朝向角度，和每个目标车辆的目标方向类别，将每个目标车辆的车头朝向角度转换为0至360°范围内。
进一步地，车辆检测模型的训练过程包括：
针对第一训练集中每个第二图像，确定该第二图像中每个车辆的车身角度线，其中，车身角度线为车辆任意一侧的前后轮胎中心点连线，该连线方向指向车头；
根据每个车辆的车身角度线，确定所述每个车辆的方向类别，并为所述每个车辆添加方向类别标签；确定所述每个车辆的车辆区域位置信息，并为所述每个车辆添加位置信息标签；针对每个第二图像，将添加有标签的第二图像作为该第二图像对应的第一标定图像；
针对所述每个第二图像，将该第二图像和该第二图像对应的第一标定图像输入到车辆检测模型中，对所述车辆检测模型进行训练。
进一步地，角度回归模型的训练过程包括：
将所述每个第二图像中的每个车辆区域，作为第二训练集中的每个第三图像；针对所述每个第三图像，根据该第三图像对应的车身角度线，采用如下公式，确定该第三图像对应的归一化角度值；
式中，α为归一化角度值，车身角度线的车头端坐标为(x2，y2)，车尾端坐标为(x1，y1)；
为每个第三图像添加归一化角度值标签，针对每个第三图像，将添加有标签的第三图像作为该第三图像对应的第二标定图像；
针对所述每个第三图像，将该第三图像和该第三图像对应的第二标定图像输入到角度回归模型中，对所述角度回归模型进行训练。
另一方面，本发明实施例提供了一种确定车头朝向角度的装置，所述装置包括：
第一输入模块，用于将获取到的第一图像输入预先训练完成的车辆检测模型中；
第一确定模块，用于基于所述车辆检测模型，确定所述第一图像中的每个第一车辆区域；
第二确定模块，用于针对任意两个第一车辆区域，根据该两个第一车辆区域的重叠面积，确定该两个第一车辆区域对应的目标车辆区域；
第二输入模块，用于将所述每个目标车辆区域输入预先训练完成的角度回归模型中；
第三确定模块，用于基于所述角度回归模型，确定所述第一图像中每个目标车辆区域中的目标车辆的归一化角度值；根据所述归一化角度值和车头朝向角度的对应关系式，确定所述每个目标车辆的车头朝向角度。
进一步地，所述装置还包括：
镜像处理模块，用于以所述第一图像的垂直中线为轴，对所述第一图像进行镜像处理，得到镜像后的图像；
将镜像后的图像输入所述预先训练完成的车辆检测模型中，基于所述车辆检测模型，确定所述镜像后的图像中的每个第二车辆区域，针对任意两个第二车辆区域，根据该两个第二车辆区域的重叠面积，确定该两个第二车辆区域对应的第三车辆区域；根据预设的区域映射关系，将所述镜像后的图像中的每个第三车辆区域映射到所述第一图像中，得到所述第一图像中的每个第四车辆区域；
针对所述第一图像中的每个目标车辆区域，确定与该目标车辆区域对应的第四车辆区域，采用该目标车辆区域与对应的第四车辆区域的交集区域，对该目标车辆区域进行更新。
进一步地，所述装置还包括：
判断模块，用于判断目标车辆区域的数量是否大于一个，如果是，触发所述镜像处理模块。
进一步地，如果所述判断模块的判断结果为目标车辆区域的数量为一个，所述镜像处理模块，还用于对所述第一图像中的目标车辆区域进行镜像处理。
进一步地，所述镜像处理模块，还用于确定所述第一图像中的目标车辆区域的外接框，按照预设的长宽扩大尺寸扩大所述外接框，将扩大后的外接框中的区域进行镜像处理。
进一步地，所述第二确定模块，具体用于针对任意两个车辆区域，根据该两个车辆区域的重叠面积和该两个车辆区域的面积的和，确定该两个车辆区域面积的交并比，判断所述交并比是否大于预设的交并比阈值，如果是，将该两个车辆区域合并，将该两个第一车辆区域合并后的区域作为该两个车辆区域对应的车辆区域；如果否，将该两个车辆区域分别作为对应的车辆区域。
进一步地，所述第三确定模块，还用于基于所述车辆检测模型，分别确定所述每个第一车辆区域的第一方向类别以及所述第一方向类别的第一置信度、所述每个第二车辆区域、每个第二车辆区域的第二方向类别，以及所述第二方向类别的第二置信度；
针对每个目标车辆区域，根据该目标车辆区域对应的两个第一车辆区域的第一方向类别和第一置信度，确定该目标车辆区域的候选方向类别和候选置信度；针对每个第四车辆区域，根据该第四车辆区域对应的两个第二车辆区域的第二方向类别和第二置信度，确定该第四车辆区域的第四方向类别和对应的第四置信度；
针对每个目标车辆区域，根据该目标车辆区域的候选方向类别的候选置信度和对应的第四车辆区域的第四方向类别的第四置信度的大小关系，确定该目标车辆区域的目标方向类别；
根据确定的每个目标车辆的车头朝向角度，和每个目标车辆的目标方向类别，将每个目标车辆的车头朝向角度转换为0至360°范围内。
进一步地，所述装置还包括：
第一训练模块，用于针对第一训练集中每个第二图像，确定该第二图像中每个车辆的车身角度线，其中，车身角度线为车辆任意一侧的前后轮胎中心点连线，该连线方向指向车头；根据每个车辆的车身角度线，确定所述每个车辆的方向类别，并为所述每个车辆添加方向类别标签；确定所述每个车辆的车辆区域位置信息，并为所述每个车辆添加位置信息标签；针对每个第二图像，将添加有标签的第二图像作为该第二图像对应的第一标定图像；针对所述每个第二图像，将该第二图像和该第二图像对应的第一标定图像输入到车辆检测模型中，对所述车辆检测模型进行训练。
进一步地，所述装置还包括：
第二训练模块，用于将所述每个第二图像中的每个车辆区域，作为第二训练集中的每个第三图像；针对所述每个第三图像，根据该第三图像对应的车身角度线，采用如下公式，确定该第三图像对应的归一化角度值；
式中，α为归一化角度值，车身角度线的车头端坐标为(x2，y2)，车尾端坐标为(x1，y1)；
为每个第三图像添加归一化角度值标签，针对每个第三图像，将添加有标签的第三图像作为该第三图像对应的第二标定图像；
针对所述每个第三图像，将该第三图像和该第三图像对应的第二标定图像输入到角度回归模型中，对所述角度回归模型进行训练。
本发明实施例提供了一种确定车头朝向角度的方法及装置，所述方法包括：将获取到的第一图像输入预先训练完成的车辆检测模型中；基于所述车辆检测模型，确定所述第一图像中的每个第一车辆区域；针对任意两个第一车辆区域，根据该两个第一车辆区域的重叠面积，确定该两个第一车辆区域对应的目标车辆区域；将所述每个目标车辆区域输入预先训练完成的角度回归模型中；基于所述角度回归模型，确定所述第一图像中每个目标车辆区域中的目标车辆的归一化角度值；根据所述归一化角度值和车头朝向角度的对应关系式，确定所述每个目标车辆的车头朝向角度。
由于在本发明实施例中，基于预先训练完成的车辆检测模型，可以确定第一图像中的每个第一车辆区域，根据任意两个第一车辆区域的重叠面积，确定每个目标车辆区域，基于预先训练完成的角度回归模型，可以确定每个目标车辆的归一化角度值，根据归一化角度值和车头朝向角度的对应关系式，确定每个目标车辆的车头朝向角度。因此在本发明实施例中，可以确定出单帧图像中的车头朝向角度，并且由于基于车辆检测模型和角度回归模型确定车头朝向角度，因此受车辆阴影、雨天倒影、夜间车灯光晕等环境干扰影响小，在环境干扰场景中也能准确确定出车头朝向角度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，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1提供的确定车头朝向角度的过程示意图，；
图2为本发明实施例2提供的第一图像和镜像后的图像示意图；
图3为本发明实施例2提供的对目标车辆区域进行更新后的示意图；
图4为本发明实施例6提供的每个子范围对应一个方向类别示意图；
图5为本发明实施例4提供的一种将扩大后的外接框中的区域进行镜像处理的示意图；
图6为本发明实施例4提供的另一种将扩大后的外接框中的区域进行镜像处理的示意图；
图7为本发明实施例6提供的确定车头朝向角度的流程示意图；
图8为本发明实施例提供的确定车头朝向角度的装置结构示意图。
具体实施方式
下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。
实施例1：
图1为本发明实施例提供的确定车头朝向角度的过程示意图，该过程包括以下步骤：
S101：将获取到的第一图像输入预先训练完成的车辆检测模型中。
本发明实施例提供的确定车头朝向角度的方法应用于电子设备，该电子设备可以是PC、平板电脑等设备，也可以是图像采集设备。
电子设备中保存有预先训练完成的车辆检测模型，如果电子设备是图像采集设备，电子设备在采集到待确定车头朝向角度的图像，也就是第一图像后，直接将第一图像输入预先训练完成的车辆检测模型中。如果电子设备是PC、平板电脑等设备，图像采集设备在采集到第一图像后，先将第一图像发送至电子设备，然后电子设备将获取的第一图像输入预先训练完成的车辆检测模型中。
S102：基于所述车辆检测模型，确定所述第一图像中的每个第一车辆区域。
本发明实施例中的车辆检测模型可以是YOLO2神经网络模型，也可以是卷积神经网络模型CNN等等。电子设备将第一图像输入预先训练完成的车辆检测模型中之后，车辆检测模型可以输出第一图像中的每个第一车辆区域。
S103：针对任意两个第一车辆区域，根据该两个第一车辆区域的重叠面积，确定该两个第一车辆区域对应的目标车辆区域。
电子设备基于车辆检测模型确定第一图像中的每个第一车辆区域之后，确定每个第一车辆区域的面积。针对任意两个第一车辆区域，确定该两个第一车辆区域的重叠面积，根据该两个第一车辆区域的重叠面积，确定该两个第一车辆区域对应的目标车辆区域。
具体的，电子设备中可以保存预设的面积阈值，针对任意两个第一车辆区域，确定该两个第一车辆区域的重叠面积后，判断该两个第一车辆区域的重叠面积是否大于预设的面积阈值，如果是，则将该两个第一车辆区域合并，将该两个第一车辆区域合并后的区域作为目标车辆区域，如果否，则将该两个第一车辆区域分别作为目标车辆区域。其中，将该两个第一车辆区域合并可以是取该两个第一车辆区域的并集，较佳的，可以是取该两个第一车辆区域的最小外接矩形区域。
S104：将所述每个目标车辆区域输入预先训练完成的角度回归模型中。
电子设备中保存有预先训练完成的角度回归模型，电子设备在确定出第一图像中的每个目标车辆区域后，将每个目标车辆区域输入预先训练完成的角度回归模型中。
S105：基于所述角度回归模型，确定所述第一图像中每个目标车辆区域中的目标车辆的归一化角度值；根据所述归一化角度值和车头朝向角度的对应关系式，确定所述每个目标车辆的车头朝向角度。
电子设备将每个目标车辆区域输入预先训练完成的角度回归模型中，基于角度回归模型，确定每个目标车辆区域中的目标车辆的归一化角度值。另外，为了确定车头朝向角度，电子设备中还保存有归一化角度值和车头朝向角度的对应关系式，确定每个目标车辆区域中的目标车辆的归一化角度值后，根据归一化角度值和对应关系式，可以确定每个目标车辆的车头朝向角度。其中，在本发明实施例中确定的车头朝向角度，是以第一图像中水平向右为0°，顺时针为正，逆时针为负的角度。
由于在本发明实施例中，基于预先训练完成的车辆检测模型，可以确定第一图像中的每个第一车辆区域和第一方向类别，根据每个第一车辆区域和第一方向类别，确定每个目标车辆区域，基于预先训练完成的角度回归模型，可以确定每个目标车辆的归一化角度值，根据归一化角度值和车头朝向角度的对应关系式，确定每个目标车辆的车头朝向角度。因此在本发明实施例中，可以确定出单帧图像中的车头朝向角度，并且由于基于车辆检测模型和角度回归模型确定车头朝向角度，因此受车辆阴影、雨天倒影、夜间车灯光晕等环境干扰影响小，在环境干扰场景中也能准确确定出车头朝向角度。
在本发明实施例中，所述对应关系式包括：
式中，α为归一化角度值，θ为车头朝向角度。
电子设备确定每个目标车辆区域中的目标车辆的归一化角度值后，将归一化角度值代入上述公式，可以得到每个目标车辆的车头朝向角度。其中，车头朝向角度，是以第一图像中水平向右为0°，顺时针为正，逆时针为负的角度。
例如，电子设备确定某个目标车辆区域中的目标车辆的归一化角度值为0.8，则确定该目标车辆区域中的目标车辆的车头朝向角度为(0.8-1/2)×180°＝54°，即该目标车辆区域中的目标车辆的车头朝向角度为右下朝向54°。
实施例2：
为了使得确定的目标车辆区域更准确，在上述各实施例的基础上，在本发明实施例中，确定了第一图像中每个目标车辆区域之后，将所述每个目标车辆区域输入预先训练完成的角度回归模型中之前，所述方法还包括：
以所述第一图像的垂直中线为轴，对所述第一图像进行镜像处理，得到镜像后的图像；
将镜像后的图像输入所述预先训练完成的车辆检测模型中，基于所述车辆检测模型，确定所述镜像后的图像中的每个第二车辆区域，针对任意两个第二车辆区域，根据该两个第二车辆区域的重叠面积，确定该两个第二车辆区域对应的第三车辆区域；根据预设的区域映射关系，将所述镜像后的图像中的每个第三车辆区域映射到所述第一图像中，得到所述第一图像中的每个第四车辆区域；
针对所述第一图像中的每个目标车辆区域，确定与该目标车辆区域对应的第四车辆区域，采用该目标车辆区域与对应的第四车辆区域的交集区域，对该目标车辆区域进行更新。
电子设备在确定出第一图像中每个目标车辆区域之后，将第一图像进行水平翻转，也就是确定第一图像的垂直中线，以第一图像的垂直中线为轴，对第一图像进行镜像处理，得到镜像后的图像。然后确定镜像后的图像中的每个第二车辆区域。
具体的，电子设备在确定镜像后的图像之后，将镜像后的图像输入预先训练完成的车辆检测模型中，基于车辆检测模型，确定镜像后的图像中的每个第二车辆区域。其中，基于车辆检测模型，确定镜像后的图像中的每个第二车辆区域的过程与确定第一图像中的每个第一车辆区域的过程类似，在此不再进行赘述。
电子设备基于车辆检测模型确定镜像后的图像中的每个第二车辆区域之后，确定每个第二车辆区域的面积。针对任意两个第二车辆区域，确定该两个第二车辆区域的重叠面积，根据该两个第二车辆区域的重叠面积，确定该两个第二车辆区域对应的第三车辆区域。
具体的，电子设备中可以保存预设的面积阈值，针对任意两个第二车辆区域，确定该两个第二车辆区域的重叠面积后，判断该两个第二车辆区域的重叠面积是否大于预设的面积阈值，如果是，则将该两个第二车辆区域合并，将该两个第二车辆区域合并后的区域作为第三车辆区域，如果否，则将该两个第二车辆区域分别作为第三车辆区域。其中，将该两个第二车辆区域合并可以是取该两个第二车辆区域的并集，较佳的，可以是取该两个第二车辆区域的最小外接矩形区域。
电子设备中保存有预设的区域映射关系，在确定出镜像后的图像中的每个第三车辆区域后，根据预设的区域映射关系，将镜像后的图像中的每个第三车辆区域映射到第一图像中，得到第一图像中的每个第四车辆区域。
具体的，预设的区域映射关系式包括：
镜像后的图像中的第三车辆区域坐标为：R1((x1，y1)，(x2，y1)，(x1，y2)，(x2，y2))，映射到所述第一图像中，得到所述第一图像中的第四车辆区域坐标为R2((W-a-x1，y1+b)，(W-a-x2，y1+b)，(W-a-x1，y2+b)，(W-a-x2，y2+b))。
式中，W为待镜像处理的图像的水平方向长度，(a，b)为待镜像处理的图像的左上角坐标。
需要说明的是，以第一图像的垂直中线为轴，对第一图像进行镜像处理，得到镜像后的图像的同时，也对第一图像的坐标系进行了镜像处理。
例如，第一图像以左上角为原点，水平向右为x轴正方向，垂直向下为y轴正方向，则镜像后的图像为以右上角为原点，水平向左为x轴正方向，垂直向下为y轴正方向。
图2为第一图像和镜像后的图像示意图，第一图像中确定出的目标车辆区域分别为O1、O2和O3，镜像后的图像中确定出的第三车辆区域分别为O1’、O2’和O3’。
电子设备针对第一图像中的每个目标车辆区域，可以确定与该目标车辆区域对应的第四车辆区域，然后电子设备确定该目标车辆区域与对应的第四车辆区域的交集区域，采用该交集区域，对该目标车辆区域进行更新。
例如第一图像中确定出的目标车辆区域O1，其对应的镜像后的图像中的第三车辆区域为O1’，第三车辆区域O1’映射到第一图像中，得到的第四车辆区域为O1”，则目标车辆区域O1对应的第四车辆区域为O1”。
图3为本发明实施例提供的对目标车辆区域进行更新后的示意图，如图3所示，更新后的目标车辆区域相较于目标车辆区域以及第四车辆区域都更准确。
由于在本发明实施例中，对第一图像进行镜像处理，得到镜像后的图像，确定镜像后的图像中的每个第三车辆区域，将镜像后的图像中的每个第三车辆区域映射到第一图像中，得到第一图像中的每个第四车辆区域，然后针对第一图像中的每个目标车辆区域，确定与该目标车辆区域对应的第四车辆区域，采用该目标车辆区域与对应的第四车辆区域的交集区域，对该目标车辆区域进行更新。这样使得确定的目标车辆区域更准确，尤其对于目标车辆区域在第一图像中分布不均匀的情况，效果提升明显。
实施例3：
在上述各实施例的基础上，在本发明实施例中，对所述第一图像进行镜像处理之前，所述方法还包括：
判断目标车辆区域的数量是否大于一个，如果是，进行后续步骤。
电子设备在对第一图像进行镜像处理之前，先识别第一图像中的目标车辆区域的数量，判断第一图像中的目标车辆区域的数量是否大于一个，如果是，则对第一图像进行镜像处理。
如果目标车辆区域的数量为一个，对所述第一图像进行镜像处理包括：
对所述第一图像中的目标车辆区域进行镜像处理。
如果目标车辆区域的数量为一个，第一图像中该目标车辆区域外的像素点对确定镜像后的图像中的车辆区域没有影响，为了减少图像处理的数据量，在本发明实施例中，仅仅对第一图像中的目标车辆区域进行镜像处理，得到镜像处理后的图像。需要说明的是，在对第一图像中的目标车辆区域进行镜像处理时，需要保持目标车辆区域在第一图像中的坐标，而不是以目标车辆区域左上角为原点的坐标。
实施例4：
为了使确定镜像后的图像中的第二车辆区域更准确，在上述各实施例的基础上，在本发明实施例中，对所述第一图像中的目标车辆区域进行镜像处理包括：
确定所述第一图像中的目标车辆区域的外接框，按照预设的长宽扩大尺寸扩大所述外接框，将扩大后的外接框中的区域进行镜像处理。
电子设备在确定出第一图像中只有一个目标车辆区域后，有可能存在目标车辆区域中未能完全包含车辆的情况，如果将未能完全包含车辆的目标车辆区域进行镜像处理，有可能导致确定镜像后的图像中的第二车辆区域不准确。
在本发明实施例中，确定出第一图像中的目标车辆区域后，确定该目标车辆区域的外接框，电子设备中保存有预设的长宽扩大尺寸，按照预设的长宽扩大尺寸扩大外接框，将扩大后的外接框中的区域进行镜像处理。其中，预设的长宽扩大尺寸可以是像素数量，例如外接框的长扩大20个像素数量，宽扩大10个像素数量；预设的长宽扩大尺寸也可以是长宽扩大比例，例如外接框的长宽各扩大四分之一等等。
电子设备确定出的第一图像中的目标车辆区域为根据两个第一车辆区域的重叠面积，合并后的目标车辆区域时，如图5所示，第一图像中的第一车辆区域O1和O2，合并为目标车辆区域，此时对合并后的目标车辆区域的外接框进行扩大，然后再将扩大后的外接框中的区域进行镜像处理。电子设备确定出的第一图像中的目标车辆区域为未经过合并后的目标车辆区域，如图6所述，第一图像中的第一车辆区域O即为目标车辆区域，此时对目标车辆区域O的外接框进行扩大，然后再将扩大后的外接框中的区域进行镜像处理。图4和图5中的虚线区域为镜像处理的区域。
由于在本发明实施例中，电子设备对第一图像中的目标车辆区域进行镜像处理时，确定第一图像中的目标车辆区域的外接框，按照预设的长宽扩大尺寸扩大外接框，将扩大后的外接框中的区域进行镜像处理。这样可以保证扩大后的外接框中的区域中包含完整车辆，从而使得确定镜像后的图像中的第二车辆区域更准确。
实施例5：
为了进一步使确定目标车辆区域更准确，在上述各实施例的基础上，在本发明实施例中，针对任意两个车辆区域，根据该两个车辆区域的重叠面积，确定该两个车辆区域对应的车辆区域包括：
针对任意两个车辆区域，根据该两个车辆区域的重叠面积和该两个车辆区域的面积的和，确定该两个车辆区域面积的交并比，判断所述交并比是否大于预设的交并比阈值，如果是，将该两个车辆区域合并，将该两个第一车辆区域合并后的区域作为该两个车辆区域对应的车辆区域；如果否，将该两个车辆区域分别作为对应的车辆区域。
针对任意两个第一车辆区域，根据该两个第一车辆区域的重叠面积，确定该两个第一车辆区域对应的目标车辆区域的过程，与针对任意两个第二车辆区域，根据该两个第二车辆区域的重叠面积，确定该两个第二车辆区域对应的第三车辆区域的过程类似，在本发明实施例中，以确定两个第一车辆区域对应的目标车辆区域的过程进行说明。
电子设备基于车辆检测模型确定第一图像中的每个第一车辆区域之后，确定每个第一车辆区域的面积。针对任意两个第一车辆区域，确定该两个第一车辆区域的重叠面积，和该两个第一车辆区域的面积的和。根据该两个第一车辆区域的重叠面积，以及该两个第一车辆区域的面积的和，可以确定该两个第一车辆区域面积的交并比IOU。
例如，针对任意两个第一车辆区域，确定该两个第一车辆区域的重叠面积为a，该两个第一车辆区域的面积的和为b，则确定该两个第一车辆区域面积的交并比IOU为a/(b-a)。
电子设备中可以保存预设的交并比阈值，预设的交并比阈值可以是0.45、0.55等，针对任意两个第一车辆区域，确定该两个第一车辆区域的交并比后，判断该两个第一车辆区域的交并比是否大于预设的交并比阈值，如果是，则将该两个第一车辆区域合并，将该两个第一车辆区域合并后的区域作为目标车辆区域，如果否，则将该两个第一车辆区域分别作为目标车辆区域。其中，将该两个第一车辆区域合并可以是取该两个第一车辆区域的并集，较佳的，可以是取该两个第一车辆区域的最小外接矩形区域。
由于在本发明实施例中，针对任意两个车辆区域，确定该两个车辆区域面积的交并比，如果交并比大于预设的交并比阈值，将该两个车辆区域合并，将两个车辆区域合并后的区域作为该两个车辆区域对应的车辆区域；否则，将该两个车辆区域分别作为对应的车辆区域。因此进一步使得确定的目标车辆区域更准确。
实施例6：
为了将每个目标车辆的车头朝向角度转换为0至360°范围内，在上述各实施例的基础上，在本发明实施例中，所述方法还包括：
基于所述车辆检测模型，分别确定所述每个第一车辆区域的第一方向类别以及所述第一方向类别的第一置信度、所述每个第二车辆区域、每个第二车辆区域的第二方向类别，以及所述第二方向类别的第二置信度；
针对每个目标车辆区域，根据该目标车辆区域对应的两个第一车辆区域的第一方向类别和第一置信度，确定该目标车辆区域的候选方向类别和候选置信度；针对每个第四车辆区域，根据该第四车辆区域对应的两个第二车辆区域的第二方向类别和第二置信度，确定该第四车辆区域的第四方向类别和对应的第四置信度；
针对每个目标车辆区域，根据该目标车辆区域的候选方向类别的候选置信度和对应的第四车辆区域的第四方向类别的第四置信度的大小关系，确定该目标车辆区域的目标方向类别；
根据确定的每个目标车辆的车头朝向角度，和每个目标车辆的目标方向类别，将每个目标车辆的车头朝向角度转换为0至360°范围内。
电子设备在上述各实施例中确定的每个目标车辆的车头朝向角度为-90°至90°，为了将每个目标车辆的车头朝向角度转换为0至360°范围内，在本发明实施例中，电子设备将第一图像输入预先训练完成的车辆检测模型中之后，车辆检测模型可以输出第一图像中的每个第一车辆区域，以及所述每个第一车辆区域的第一方向类别。
其中，车辆区域的方向类别为车头的朝向归属的类别。具体的，电子设备基于车辆检测模型，可以将第一图像中的360°范围划分为预设数量的子范围，每个子范围对应一个方向类别，其中可以平均划分，也可以不平均划分。例如将360°平均划分为6份，得到6个子范围，每个子范围对应60°。然后确定车头的朝向归属的子范围，该子范围对应的方向类别即为车头的朝向归属的方向类别。
较佳的，可以将第一图像中的360°范围划分为如图4所示的子范围，每个子范围对应一个方向类别。如图4所示，每个方向类别对应的车头朝向分别为左上朝向、中上朝向、右上朝向、左下朝向、中下朝向和右下朝向。其中，每个子范围对应的角度大小可以根据用户需要进行设置，例如中上朝向和中下朝向对应的角度大小为5°，10°等，中上朝向和中下朝向对应的角度大小可以相同也可以不同。另外需要说明的是，对于相邻两个子范围的交界线，可以预先规定该交界线归属的方向类别。例如图4中水平向右的交界线可以规定为右上朝向对应的方向类别，水平向左的交界线可以规定为左下朝向对应的方向类别等等。这样针对第一图像中任意车头朝向的第一车辆区域，都可以确定该第一车辆区域的第一方向类别。
根据确定了第一图像中每个目标车辆区域之后，针对每个目标车辆区域，根据该目标车辆区域对应的两个第一车辆区域的第一方向类别，确定该目标车辆区域的目标方向类别，其中，可以将该两个第一车辆区域的第一方向类别，作为该目标车辆区域的目标方向类别。
电子设备确定每个目标车辆的车头朝向角度此时车头朝向角度位于一、四象限内，也就是每个目标车辆的车头朝向角度为-90°至90°。采用如下公式添加偏移项将第四象限角度值移动到第二象限：
然后基于上述公式和每个目标车辆的目标方向类别，采用如下公式，将每个目标车辆的车头朝向角度转换为0至360°范围内；
式中，α为归一化角度值，θ为车头朝向角度，μ为角度转换参数值，其中，目标方向类别对应的朝向为左上朝向、中上朝向和右上朝向时，μ为1，目标方向类别对应的朝向为左下朝向、中下朝向和右下朝向时，μ为2。
为了使确定目标车辆区域的目标方向类别更准确，进而使得将每个目标车辆的车头朝向角度转换为0至360°范围内更准确，在本发明实施例中，电子设备将第一图像输入到车辆检测模型中，基于车辆检测模型，可以确定第一图像中的每个第一车辆区域，每个第一车辆区域的第一方向类别以及第一方向类别的第一置信度。
电子设备在确定出第一图像中每个目标车辆区域之后，如果确定出的第一图像中的目标车辆区域为根据两个第一车辆区域的重叠面积，合并后的目标车辆区域，此时分别识别该两个第一车辆区域的第一方向类别和第一方向类别的第一置信度，然后将该两个第一车辆区域的第一方向类别的第一置信度中较高的第一置信度作为该两个第一车辆区域对应的目标车辆区域的候选置信度，将较高的第一置信度对应的第一方向类别作为该两个第一车辆区域对应的目标车辆区域的候选方向类别。
电子设备将镜像后的图像输入到车辆检测模型中，基于车辆检测模型，可以确定镜像后的图像中的每个第二车辆区域，每个第二车辆区域的第二方向类别以及第二方向类别的第二置信度。
电子设备在确定出镜像后的图像中每个第三车辆区域之后，如果确定出的第三车辆区域为根据两个第二车辆区域的重叠面积，合并后的第三车辆区域，此时分别识别该两个第二车辆区域的第二方向类别和第二方向类别的第二置信度，然后将该两个第二车辆区域的第二方向类别的第二置信度中较高的第二置信度作为该两个第二车辆区域对应的第三车辆区域的第三置信度，将较高的第三置信度对应的第三方向类别作为该两个第二车辆区域对应的第三车辆区域的第三方向类别。
电子设备中保存有预设的类别映射关系，电子设备确定镜像后的图像中的每个第三车辆区域、每个第三车辆区域的第三方向类别，以及第三方向类别的第三置信度之后，根据预设的类别映射关系，将每个第三车辆区域的第三方向类别，映射到第一图像中，得到每个第四车辆区域的第四方向类别，将每个第三车辆区域的第三方向类别的第三置信度，作为对应的每个第四车辆区域的第四方向类别的第四置信度。
预设的类别映射关系如下：
第三方向类别 0 1 2 3 4 5
第四方向类别 2 1 0 5 4 3
其中，方向类别0对应的朝向为左下朝向，方向类别1对应的朝向为中下朝向，方向类别2对应的朝向为右下朝向，方向类别3对应的朝向为左上朝向，方向类别4对应的朝向为中上朝向，方向类别5对应的朝向为右上朝向。
电子设备在确定目标车辆区域的候选方向类别和候选方向类别的候选置信度，以及对应的第四车辆区域的第四方向类别和第四方向类别的第四置信度之后，确定候选置信度和第四置信度的大小关系，然后将较高的置信度对应的方向类别作为更新后的目标车辆区域的目标方向类别。
例如，目标车辆区域的候选方向类别为C1，候选方向类别的候选置信度为P1，该目标车辆区域对应的第四车辆区域的第四方向类别为C2，第四方向类别的第四置信度为P2。当P1＞P2时，确定更新后的目标车辆区域的目标方向类别为C1，否则，确定更新后的目标车辆区域的目标方向类别为C2。
由于在本发明实施例中，电子设备可以确定出目标车辆区域的候选方向类别和候选方向类别的候选置信度，以及对应的第四车辆区域的第四方向类别和第四方向类别的第四置信度，然后将较高的置信度对应的方向类别作为更新后的目标车辆区域的目标方向类别。这样使得确定目标车辆区域的目标方向类别更准确，进而使得将每个目标车辆的车头朝向角度转换为0至360°范围内更准确。
在本发明实施例中，车辆检测模型的训练过程包括：
针对第一训练集中每个第二图像，确定该第二图像中每个车辆的车身角度线，其中，车身角度线为车辆任意一侧的前后轮胎中心点连线，该连线方向指向车头；
根据每个车辆的车身角度线，确定所述每个车辆的方向类别，并为所述每个车辆添加方向类别标签；确定所述每个车辆的车辆区域位置信息，并为所述每个车辆添加位置信息标签；针对每个第二图像，将添加有标签的第二图像作为该第二图像对应的第一标定图像；
针对所述每个第二图像，将该第二图像和该第二图像对应的第一标定图像输入到车辆检测模型中，对所述车辆检测模型进行训练。
电子设备中预先采集有第一训练集，第一训练集中的每个第二图像用于对车辆检测模型进行训练。电子设备在训练车辆检测模型时，建立坐标系，该坐标系以图像左上角为原点，水平向右为x轴正向，垂直向下为y轴正向。针对第一训练集中每个第二图像，识别该第二图像中的车辆任意一侧的前后轮胎中心点，将车辆任意一侧的前后轮胎中心点连线作为车身角度线其中，P2为前轮胎中心点，坐标为(x2，y2)，P1为后轮胎中心点，坐标为(x1，y1)，车身角度线方向指向车头。
其中，识别第二图像中的车辆任意一侧的前后轮胎中心点的过程属于现有技术，在此不再对该过程进行赘述。
根据每个车辆的车身角度线，确定每个车辆的方向类别，并为每个车辆添加方向类别标签。其中，车辆的方向类别可以为0、1、2、3、4、5。方向类别与车头朝向的对应关系如下：
左 中 右
下 0 1 2
上 3 4 5
可见，方向类别0对应的朝向为左下朝向，方向类别1对应的朝向为中下朝向，方向类别2对应的朝向为右下朝向，方向类别3对应的朝向为左上朝向，方向类别4对应的朝向为中上朝向，方向类别5对应的朝向为右上朝向。
另外，电子设备还可以确定第二图像中每个车辆的车辆区域位置信息，该位置信息可以是车辆区域中心点坐标以及车辆区域的长和宽。并为每个车辆添加位置信息标签。为了便于车辆检测模型训练，电子设备确定第二图像中每个车辆的车辆区域中心点坐标以及车辆区域的长和宽后，可以基于第二图像的长宽对车辆区域中心点坐标以及车辆区域的长和宽进行归一化处理。具体的，将车辆区域中心点横坐标和车辆区域的长分别除以第二图像的长，将车辆区域中心点纵坐标和车辆区域的宽分别除以第二图像的宽。
电子设备针对每个第二图像，将添加有方向类别标签和位置信息标签的第二图像作为该第二图像对应的第一标定图像，将该第二图像和该第二图像对应的第一标定图像输入到车辆检测模型中，对车辆检测模型进行训练。
在本发明实施例中，可以但并不限于在darknet框架下对车辆检测模型进行训练，由于车辆检测模型涉及到角度的分类，因此去除了darknet框架对样本数据处理过程中的旋转、反转等影响样本原始朝向的操作。车辆检测模型中的卷积网络可以采用原始图像尺寸输入，也可以采用224*224*3的输入，采用8个卷积层进行卷积处理，其中卷积核为3*3，经过卷积处理，得到7*7*40的输出。然后利用YOLO2的region回归方法得到目标定位分类器，用于检测车辆区域、车辆区域的方向类别、以及方向类别的置信度。其中，在训练车辆检测模型时，可以采用Euclidean Loss作为损失函数进行训练。
需要说明的是，在进行车辆检测模型训练时，如果输入的图像尺寸为224*224，则在实际应用训练完成的车辆检测模型时，也需要对原始图像进行归一化处理，得到224*224尺寸的图像，再输入到训练完成的车辆检测模型中。
在本发明实施例中角度回归模型的训练过程包括：
将所述每个第二图像中的每个车辆区域，作为第二训练集中的每个第三图像；针对所述每个第三图像，根据该第三图像对应的车身角度线，采用如下公式，确定该第三图像对应的归一化角度值；
式中，α为归一化角度值，车身角度线的车头端坐标为(x2，y2)，车尾端坐标为(x1，y1)；
为每个第三图像添加归一化角度值标签，针对每个第三图像，将添加有标签的第三图像作为该第三图像对应的第二标定图像；
针对所述每个第三图像，将该第三图像和该第三图像对应的第二标定图像输入到角度回归模型中，对所述角度回归模型进行训练。
电子设备将车辆检测模型输出的每个第二图像中的每个车辆区域，作为第二训练集中的每个第三图像。针对每个第三图像，根据该第三图像对应的车身角度线结合三角函数相关知识可知，x1≠x2，其中，θ为车头朝向角度，P2(x2，y2)为车身角度线的车头端坐标，P1(x1，y1)为车身角度线的车尾端坐标。结合三角函数相关知识可知，两边加上改变值域为：再除以π归一化到0至1之间为：至此，得到归一化角度值为x1≠x2。当x1＝x2时，α＝1。
在确定出每个第三图像的归一化角度值后，为每个第三图像添加归一化角度值标签，针对每个第三图像，将添加有归一化角度值标签的第三图像作为该第三图像对应的第二标定图像。将该第三图像和该第三图像对应的第二标定图像输入到角度回归模型中，对所述角度回归模型进行训练。
图7为本发明实施例提供的确定车头朝向角度的流程示意图，如果在训练车辆检测模型时，对第一训练集中的图像进行了归一化处理，则在确定车头朝向角度时，也需要对第一图像进行归一化处理。如图7所示，电子设备对获取的第一图像进行归一化处理，得到预设尺寸的图像，预设尺寸可以是224*224。然后将归一化后的第一图像输入到预先训练完成的车辆检测模型中，基于车辆检测模型确定归一化后的第一图像中的每个第一车辆区域，第一方向类别以及第一置信度，对每个第一车辆区域进行合并，得到目标车辆区域。电子设备对获取的第一图像进行镜像处理，然后对镜像处理后的图像进行归一化处理，将归一化处理后的图像输入到预先训练完成的车辆检测模型中，基于车辆检测模型确定每个第二车辆区域，第二方向类别以及第二置信度，对每个第一车辆区域进行合并，得到第三车辆区域，然后将第三车辆区域映射到归一化后的第一图像中，得到第四车辆区域。根据目标车辆区域和第四车辆区域的交集，对目标车辆区域进行更新，将更新后的目标车辆区域输入预先训练完成的角度回归模型，基于角度回归模型，确定每个目标车辆区域中的目标车辆的归一化角度值；进而确定每个目标车辆的车头朝向角度。再根据每个车辆区域的置信度确定目标车辆区域的目标方向类别，根据确定的每个目标车辆的车头朝向角度，和每个目标车辆的目标方向类别，将每个目标车辆的车头朝向角度转换为0至360°范围内。
图8为本发明实施例提供的确定车头朝向角度的装置结构示意图，该装置包括：
第一输入模块81，用于将获取到的第一图像输入预先训练完成的车辆检测模型中；
第一确定模块82，用于基于所述车辆检测模型，确定所述第一图像中的每个第一车辆区域；
第二确定模块83，用于针对任意两个第一车辆区域，根据该两个第一车辆区域的重叠面积，确定该两个第一车辆区域对应的目标车辆区域；
第二输入模块84，用于将所述每个目标车辆区域输入预先训练完成的角度回归模型中；
第三确定模块85，用于基于所述角度回归模型，确定所述第一图像中每个目标车辆区域中的目标车辆的归一化角度值；根据所述归一化角度值和车头朝向角度的对应关系式，确定所述每个目标车辆的车头朝向角度。
所述装置还包括：
镜像处理模块86，用于以所述第一图像的垂直中线为轴，对所述第一图像进行镜像处理，得到镜像后的图像；
将镜像后的图像输入所述预先训练完成的车辆检测模型中，基于所述车辆检测模型，确定所述镜像后的图像中的每个第二车辆区域，针对任意两个第二车辆区域，根据该两个第二车辆区域的重叠面积，确定该两个第二车辆区域对应的第三车辆区域；根据预设的区域映射关系，将所述镜像后的图像中的每个第三车辆区域映射到所述第一图像中，得到所述第一图像中的每个第四车辆区域；
针对所述第一图像中的每个目标车辆区域，确定与该目标车辆区域对应的第四车辆区域，采用该目标车辆区域与对应的第四车辆区域的交集区域，对该目标车辆区域进行更新。
所述装置还包括：
判断模块87，用于判断目标车辆区域的数量是否大于一个，如果是，触发所述镜像处理模块86。
如果所述判断模块87的判断结果为目标车辆区域的数量为一个，所述镜像处理模块86，还用于对所述第一图像中的目标车辆区域进行镜像处理。
所述镜像处理模块86，还用于确定所述第一图像中的目标车辆区域的外接框，按照预设的长宽扩大尺寸扩大所述外接框，将扩大后的外接框中的区域进行镜像处理。
所述第二确定模块83，具体用于针对任意两个车辆区域，根据该两个车辆区域的重叠面积和该两个车辆区域的面积的和，确定该两个车辆区域面积的交并比，判断所述交并比是否大于预设的交并比阈值，如果是，将该两个车辆区域合并，将该两个第一车辆区域合并后的区域作为该两个车辆区域对应的车辆区域；如果否，将该两个车辆区域分别作为对应的车辆区域。
所述第三确定模块85，还用于基于所述车辆检测模型，分别确定所述每个第一车辆区域的第一方向类别以及所述第一方向类别的第一置信度、所述每个第二车辆区域、每个第二车辆区域的第二方向类别，以及所述第二方向类别的第二置信度；
针对每个目标车辆区域，根据该目标车辆区域对应的两个第一车辆区域的第一方向类别和第一置信度，确定该目标车辆区域的候选方向类别和候选置信度；针对每个第四车辆区域，根据该第四车辆区域对应的两个第二车辆区域的第二方向类别和第二置信度，确定该第四车辆区域的第四方向类别和对应的第四置信度；
针对每个目标车辆区域，根据该目标车辆区域的候选方向类别的候选置信度和对应的第四车辆区域的第四方向类别的第四置信度的大小关系，确定该目标车辆区域的目标方向类别；
根据确定的每个目标车辆的车头朝向角度，和每个目标车辆的目标方向类别，将每个目标车辆的车头朝向角度转换为0至360°范围内。
所述装置还包括：
第一训练模块88，用于针对第一训练集中每个第二图像，确定该第二图像中每个车辆的车身角度线，其中，车身角度线为车辆任意一侧的前后轮胎中心点连线，该连线方向指向车头；根据每个车辆的车身角度线，确定所述每个车辆的方向类别，并为所述每个车辆添加方向类别标签；确定所述每个车辆的车辆区域位置信息，并为所述每个车辆添加位置信息标签；针对每个第二图像，将添加有标签的第二图像作为该第二图像对应的第一标定图像；针对所述每个第二图像，将该第二图像和该第二图像对应的第一标定图像输入到车辆检测模型中，对所述车辆检测模型进行训练。
所述装置还包括：
第二训练模块89，用于将所述每个第二图像中的每个车辆区域，作为第二训练集中的每个第三图像；针对所述每个第三图像，根据该第三图像对应的车身角度线，采用如下公式，确定该第三图像对应的归一化角度值；
式中，α为归一化角度值，车身角度线的车头端坐标为(x2，y2)，车尾端坐标为(x1，y1)；
为每个第三图像添加归一化角度值标签，针对每个第三图像，将添加有标签的第三图像作为该第三图像对应的第二标定图像；
针对所述每个第三图像，将该第三图像和该第三图像对应的第二标定图像输入到角度回归模型中，对所述角度回归模型进行训练。
本发明实施例提供了一种确定车头朝向角度的方法及装置，所述方法包括：将获取到的第一图像输入预先训练完成的车辆检测模型中；基于所述车辆检测模型，确定所述第一图像中的每个第一车辆区域；针对任意两个第一车辆区域，根据该两个第一车辆区域的重叠面积，确定该两个第一车辆区域对应的目标车辆区域；将所述每个目标车辆区域输入预先训练完成的角度回归模型中；基于所述角度回归模型，确定所述第一图像中每个目标车辆区域中的目标车辆的归一化角度值；根据所述归一化角度值和车头朝向角度的对应关系式，确定所述每个目标车辆的车头朝向角度。
由于在本发明实施例中，基于预先训练完成的车辆检测模型，可以确定第一图像中的每个第一车辆区域，根据任意两个第一车辆区域的重叠面积，确定每个目标车辆区域，基于预先训练完成的角度回归模型，可以确定每个目标车辆的归一化角度值，根据归一化角度值和车头朝向角度的对应关系式，确定每个目标车辆的车头朝向角度。因此在本发明实施例中，可以确定出单帧图像中的车头朝向角度，并且由于基于车辆检测模型和角度回归模型确定车头朝向角度，因此受车辆阴影、雨天倒影、夜间车灯光晕等环境干扰影响小，在环境干扰场景中也能准确确定出车头朝向角度。
对于系统/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一个操作与另一个实体或者另一个操作区分开来，而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全应用实施例、或结合应用和硬件方面的实施例的形式。而且，本申请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。
本申请是参照根据本申请实施例的方法、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。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (18)

1.一种确定车头朝向角度的方法，其特征在于，所述方法包括：
将获取到的第一图像输入预先训练完成的车辆检测模型中；
基于所述车辆检测模型，确定所述第一图像中的每个第一车辆区域；
针对任意两个第一车辆区域，根据该两个第一车辆区域的重叠面积，确定该两个第一车辆区域对应的目标车辆区域；
将所述每个目标车辆区域输入预先训练完成的角度回归模型中；
基于所述角度回归模型，确定所述第一图像中每个目标车辆区域中的目标车辆的归一化角度值；根据所述归一化角度值和车头朝向角度的对应关系式，确定所述每个目标车辆的车头朝向角度。
2.如权利要求1所述的方法，其特征在于，确定了所述第一图像中每个目标车辆区域之后，将所述每个目标车辆区域输入预先训练完成的角度回归模型中之前，所述方法还包括：
以所述第一图像的垂直中线为轴，对所述第一图像进行镜像处理，得到镜像后的图像；
将镜像后的图像输入所述预先训练完成的车辆检测模型中，基于所述车辆检测模型，确定所述镜像后的图像中的每个第二车辆区域，针对任意两个第二车辆区域，根据该两个第二车辆区域的重叠面积，确定该两个第二车辆区域对应的第三车辆区域；根据预设的区域映射关系，将所述镜像后的图像中的每个第三车辆区域映射到所述第一图像中，得到所述第一图像中的每个第四车辆区域；
针对所述第一图像中的每个目标车辆区域，确定与该目标车辆区域对应的第四车辆区域，采用该目标车辆区域与对应的第四车辆区域的交集区域，对该目标车辆区域进行更新。
3.如权利要求2所述的方法，其特征在于，对所述第一图像进行镜像处理之前，所述方法还包括：
判断目标车辆区域的数量是否大于一个，如果是，进行后续步骤。
4.如权利要求3所述的方法，其特征在于，如果目标车辆区域的数量为一个，对所述第一图像进行镜像处理包括：
对所述第一图像中的目标车辆区域进行镜像处理。
5.如权利要求4所述的方法，其特征在于，对所述第一图像中的目标车辆区域进行镜像处理包括：
确定所述第一图像中的目标车辆区域的外接框，按照预设的长宽扩大尺寸扩大所述外接框，将扩大后的外接框中的区域进行镜像处理。
6.如权利要求1或2所述的方法，其特征在于，所述针对任意两个车辆区域，根据该两个车辆区域的重叠面积，确定该两个车辆区域对应的车辆区域包括：
针对任意两个车辆区域，根据该两个车辆区域的重叠面积和该两个车辆区域的面积的和，确定该两个车辆区域面积的交并比，判断所述交并比是否大于预设的交并比阈值，如果是，将该两个车辆区域合并，将该两个第一车辆区域合并后的区域作为该两个车辆区域对应的车辆区域；如果否，将该两个车辆区域分别作为对应的车辆区域。
7.如权利要求2所述的方法，其特征在于，所述方法还包括：
基于所述车辆检测模型，分别确定所述每个第一车辆区域的第一方向类别以及所述第一方向类别的第一置信度、所述每个第二车辆区域、每个第二车辆区域的第二方向类别，以及所述第二方向类别的第二置信度；
针对每个目标车辆区域，根据该目标车辆区域对应的两个第一车辆区域的第一方向类别和第一置信度，确定该目标车辆区域的候选方向类别和候选置信度；针对每个第四车辆区域，根据该第四车辆区域对应的两个第二车辆区域的第二方向类别和第二置信度，确定该第四车辆区域的第四方向类别和对应的第四置信度；
针对每个目标车辆区域，根据该目标车辆区域的候选方向类别的候选置信度和对应的第四车辆区域的第四方向类别的第四置信度的大小关系，确定该目标车辆区域的目标方向类别；
根据确定的每个目标车辆的车头朝向角度，和每个目标车辆的目标方向类别，将每个目标车辆的车头朝向角度转换为0至360°范围内。
8.如权利要求7所述的方法，其特征在于，所述车辆检测模型的训练过程包括：
针对第一训练集中每个第二图像，确定该第二图像中每个车辆的车身角度线，其中，车身角度线为车辆任意一侧的前后轮胎中心点连线，该连线方向指向车头；
根据每个车辆的车身角度线，确定所述每个车辆的方向类别，并为所述每个车辆添加方向类别标签；确定所述每个车辆的车辆区域位置信息，并为所述每个车辆添加位置信息标签；针对每个第二图像，将添加有标签的第二图像作为该第二图像对应的第一标定图像；
针对所述每个第二图像，将该第二图像和该第二图像对应的第一标定图像输入到车辆检测模型中，对所述车辆检测模型进行训练。
9.如权利要求8所述的方法，其特征在于，所述角度回归模型的训练过程包括：
将所述每个第二图像中的每个车辆区域，作为第二训练集中的每个第三图像；针对所述每个第三图像，根据该第三图像对应的车身角度线，采用如下公式，确定该第三图像对应的归一化角度值；
式中，α为归一化角度值，车身角度线的车头端坐标为(x2，y2)，车尾端坐标为(x1，y1)；
为每个第三图像添加归一化角度值标签，针对每个第三图像，将添加有标签的第三图像作为该第三图像对应的第二标定图像；
针对所述每个第三图像，将该第三图像和该第三图像对应的第二标定图像输入到角度回归模型中，对所述角度回归模型进行训练。
10.一种确定车头朝向角度的装置，其特征在于，所述装置包括：
第一输入模块，用于将获取到的第一图像输入预先训练完成的车辆检测模型中；
第一确定模块，用于基于所述车辆检测模型，确定所述第一图像中的每个第一车辆区域；
第二确定模块，用于针对任意两个第一车辆区域，根据该两个第一车辆区域的重叠面积，确定该两个第一车辆区域对应的目标车辆区域；
第二输入模块，用于将所述每个目标车辆区域输入预先训练完成的角度回归模型中；
第三确定模块，用于基于所述角度回归模型，确定所述第一图像中每个目标车辆区域中的目标车辆的归一化角度值；根据所述归一化角度值和车头朝向角度的对应关系式，确定所述每个目标车辆的车头朝向角度。
11.如权利要求10所述的装置，其特征在于，所述装置还包括：
镜像处理模块，用于以所述第一图像的垂直中线为轴，对所述第一图像进行镜像处理，得到镜像后的图像；
将镜像后的图像输入所述预先训练完成的车辆检测模型中，基于所述车辆检测模型，确定所述镜像后的图像中的每个第二车辆区域，针对任意两个第二车辆区域，根据该两个第二车辆区域的重叠面积，确定该两个第二车辆区域对应的第三车辆区域；根据预设的区域映射关系，将所述镜像后的图像中的每个第三车辆区域映射到所述第一图像中，得到所述第一图像中的每个第四车辆区域；
针对所述第一图像中的每个目标车辆区域，确定与该目标车辆区域对应的第四车辆区域，采用该目标车辆区域与对应的第四车辆区域的交集区域，对该目标车辆区域进行更新。
12.如权利要求11所述的装置，其特征在于，所述装置还包括：
判断模块，用于判断目标车辆区域的数量是否大于一个，如果是，触发所述镜像处理模块。
13.如权利要求12所述的装置，其特征在于，如果所述判断模块的判断结果为目标车辆区域的数量为一个，所述镜像处理模块，还用于对所述第一图像中的目标车辆区域进行镜像处理。
14.如权利要求13所述的装置，其特征在于，所述镜像处理模块，还用于确定所述第一图像中的目标车辆区域的外接框，按照预设的长宽扩大尺寸扩大所述外接框，将扩大后的外接框中的区域进行镜像处理。
15.如权利要求10或11所述的装置，其特征在于，所述第二确定模块，具体用于针对任意两个车辆区域，根据该两个车辆区域的重叠面积和该两个车辆区域的面积的和，确定该两个车辆区域面积的交并比，判断所述交并比是否大于预设的交并比阈值，如果是，将该两个车辆区域合并，将该两个第一车辆区域合并后的区域作为该两个车辆区域对应的车辆区域；如果否，将该两个车辆区域分别作为对应的车辆区域。
16.如权利要求11所述的装置，其特征在于，所述第三确定模块，还用于基于所述车辆检测模型，分别确定所述每个第一车辆区域的第一方向类别以及所述第一方向类别的第一置信度、所述每个第二车辆区域、每个第二车辆区域的第二方向类别，以及所述第二方向类别的第二置信度；
针对每个目标车辆区域，根据该目标车辆区域对应的两个第一车辆区域的第一方向类别和第一置信度，确定该目标车辆区域的候选方向类别和候选置信度；针对每个第四车辆区域，根据该第四车辆区域对应的两个第二车辆区域的第二方向类别和第二置信度，确定该第四车辆区域的第四方向类别和对应的第四置信度；
针对每个目标车辆区域，根据该目标车辆区域的候选方向类别的候选置信度和对应的第四车辆区域的第四方向类别的第四置信度的大小关系，确定该目标车辆区域的目标方向类别；
根据确定的每个目标车辆的车头朝向角度，和每个目标车辆的目标方向类别，将每个目标车辆的车头朝向角度转换为0至360°范围内。
17.如权利要求16所述的装置，其特征在于，所述装置还包括：
第一训练模块，用于针对第一训练集中每个第二图像，确定该第二图像中每个车辆的车身角度线，其中，车身角度线为车辆任意一侧的前后轮胎中心点连线，该连线方向指向车头；根据每个车辆的车身角度线，确定所述每个车辆的方向类别，并为所述每个车辆添加方向类别标签；确定所述每个车辆的车辆区域位置信息，并为所述每个车辆添加位置信息标签；针对每个第二图像，将添加有标签的第二图像作为该第二图像对应的第一标定图像；针对所述每个第二图像，将该第二图像和该第二图像对应的第一标定图像输入到车辆检测模型中，对所述车辆检测模型进行训练。
18.如权利要求17所述的装置，其特征在于，所述装置还包括：
第二训练模块，用于将所述每个第二图像中的每个车辆区域，作为第二训练集中的每个第三图像；针对所述每个第三图像，根据该第三图像对应的车身角度线，采用如下公式，确定该第三图像对应的归一化角度值；
式中，α为归一化角度值，车身角度线的车头端坐标为(x2，y2)，车尾端坐标为(x1，y1)；
为每个第三图像添加归一化角度值标签，针对每个第三图像，将添加有标签的第三图像作为该第三图像对应的第二标定图像；
针对所述每个第三图像，将该第三图像和该第三图像对应的第二标定图像输入到角度回归模型中，对所述角度回归模型进行训练。
CN201811381236.9A 2018-11-20 2018-11-20 一种确定车头朝向角度的方法及装置 Active CN109584300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811381236.9A CN109584300B (zh) 2018-11-20 2018-11-20 一种确定车头朝向角度的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811381236.9A CN109584300B (zh) 2018-11-20 2018-11-20 一种确定车头朝向角度的方法及装置

Publications (2)

Publication Number Publication Date
CN109584300A true CN109584300A (zh) 2019-04-05
CN109584300B CN109584300B (zh) 2022-08-19

Family

ID=65922948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811381236.9A Active CN109584300B (zh) 2018-11-20 2018-11-20 一种确定车头朝向角度的方法及装置

Country Status (1)

Country Link
CN (1) CN109584300B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084230A (zh) * 2019-04-11 2019-08-02 北京百度网讯科技有限公司 基于图像的车身方向检测方法和装置
CN111028331A (zh) * 2019-11-20 2020-04-17 天津市测绘院 一种高性能的车辆动态三维建模与轨迹实时渲染方法及装置
CN111368639A (zh) * 2020-02-10 2020-07-03 浙江大华技术股份有限公司 车辆越线判定方法、装置、计算机设备和存储介质
CN111461026A (zh) * 2020-04-02 2020-07-28 北京爱笔科技有限公司 车辆姿态识别方法、停车场内车辆状态的检测方法及装置
CN111709301A (zh) * 2020-05-21 2020-09-25 哈尔滨工业大学 一种冰壶球运动状态估计方法
CN112613363A (zh) * 2020-12-11 2021-04-06 浙江大华技术股份有限公司 一种车辆图像划分的方法、装置及存储介质
CN113129460A (zh) * 2021-03-17 2021-07-16 深圳成谷软件有限公司 智能交通系统中的车辆的行驶方向确定方法及车载单元
CN113569911A (zh) * 2021-06-28 2021-10-29 北京百度网讯科技有限公司 车辆识别方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070263901A1 (en) * 2006-05-12 2007-11-15 National Chiao Tung University Real-time nighttime vehicle detection and recognition system based on computer vision
JP2009020818A (ja) * 2007-07-13 2009-01-29 Konami Digital Entertainment:Kk 画像生成装置、画像生成方法、ならびに、プログラム
CN103310213A (zh) * 2012-03-07 2013-09-18 株式会社理光 车辆检测方法和装置
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
CN108154146A (zh) * 2017-12-25 2018-06-12 陈飞 一种基于图像识别的车辆追踪方法
CN108256554A (zh) * 2017-12-20 2018-07-06 深圳市金溢科技股份有限公司 基于深度学习的车辆逆向停车判断方法、服务器及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070263901A1 (en) * 2006-05-12 2007-11-15 National Chiao Tung University Real-time nighttime vehicle detection and recognition system based on computer vision
JP2009020818A (ja) * 2007-07-13 2009-01-29 Konami Digital Entertainment:Kk 画像生成装置、画像生成方法、ならびに、プログラム
CN103310213A (zh) * 2012-03-07 2013-09-18 株式会社理光 车辆检测方法和装置
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
CN108256554A (zh) * 2017-12-20 2018-07-06 深圳市金溢科技股份有限公司 基于深度学习的车辆逆向停车判断方法、服务器及系统
CN108154146A (zh) * 2017-12-25 2018-06-12 陈飞 一种基于图像识别的车辆追踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BEATRIZ L.BOADA等: "A robust observer based on H1 filtering with parameter", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 *
苏昂 等: "航拍图像车辆检测中的圆形滤波器HOG特征快速计算", 《国防科技大学学报》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084230B (zh) * 2019-04-11 2021-05-28 北京百度网讯科技有限公司 基于图像的车身方向检测方法和装置
CN110084230A (zh) * 2019-04-11 2019-08-02 北京百度网讯科技有限公司 基于图像的车身方向检测方法和装置
CN111028331A (zh) * 2019-11-20 2020-04-17 天津市测绘院 一种高性能的车辆动态三维建模与轨迹实时渲染方法及装置
CN111028331B (zh) * 2019-11-20 2023-08-25 天津市测绘院有限公司 一种高性能的车辆动态三维建模与轨迹实时渲染方法及装置
CN111368639B (zh) * 2020-02-10 2022-01-11 浙江大华技术股份有限公司 车辆越线判定方法、装置、计算机设备和存储介质
CN111368639A (zh) * 2020-02-10 2020-07-03 浙江大华技术股份有限公司 车辆越线判定方法、装置、计算机设备和存储介质
CN111461026A (zh) * 2020-04-02 2020-07-28 北京爱笔科技有限公司 车辆姿态识别方法、停车场内车辆状态的检测方法及装置
CN111461026B (zh) * 2020-04-02 2024-03-12 北京爱笔科技有限公司 车辆姿态识别方法、停车场内车辆状态的检测方法及装置
CN111709301A (zh) * 2020-05-21 2020-09-25 哈尔滨工业大学 一种冰壶球运动状态估计方法
CN111709301B (zh) * 2020-05-21 2023-04-28 哈尔滨工业大学 一种冰壶球运动状态估计方法
CN112613363A (zh) * 2020-12-11 2021-04-06 浙江大华技术股份有限公司 一种车辆图像划分的方法、装置及存储介质
CN112613363B (zh) * 2020-12-11 2024-04-05 浙江大华技术股份有限公司 一种车辆图像划分的方法、装置及存储介质
CN113129460A (zh) * 2021-03-17 2021-07-16 深圳成谷软件有限公司 智能交通系统中的车辆的行驶方向确定方法及车载单元
CN113129460B (zh) * 2021-03-17 2024-01-02 深圳成谷科技有限公司 智能交通系统中的车辆的行驶方向确定方法及车载单元
CN113569911A (zh) * 2021-06-28 2021-10-29 北京百度网讯科技有限公司 车辆识别方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN109584300B (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
CN109584300A (zh) 一种确定车头朝向角度的方法及装置
CN112084869B (zh) 一种基于紧致四边形表示的建筑物目标检测方法
CN100550039C (zh) 一种图像特征点定位方法及装置
CN105205486A (zh) 一种车标识别方法及装置
CN105809651B (zh) 基于边缘非相似性对比的图像显著性检测方法
Jimenez et al. Traffic sign shape classification and localization based on the normalized FFT of the signature of blobs and 2D homographies
CN105260749B (zh) 基于方向梯度二值模式和软级联svm的实时目标检测方法
CN110232389A (zh) 一种基于绿色作物特征提取不变性的立体视觉导航方法
CN103699905A (zh) 一种车牌定位方法及装置
CN110427908A (zh) 一种人物检测的方法、装置及计算机可读存储介质
TWI522934B (zh) 智慧型手機之陀螺儀感測器車牌辨識系統及其方法
CN109074490A (zh) 通路检测方法、相关装置及计算机可读存储介质
CN104809433A (zh) 一种基于最大稳定区域和随机采样的斑马线检测方法
CN106971185A (zh) 一种基于全卷积网络的车牌定位方法及装置
CN105427333A (zh) 视频序列图像的实时配准方法、系统及拍摄终端
CN104463138A (zh) 基于视觉结构属性的文本定位方法及系统
CN110222658A (zh) 道路灭点位置的获取方法及装置
CN109101932A (zh) 基于目标检测的多任务及临近信息融合的深度学习算法
CN103914829B (zh) 一种含噪图像边缘检测方法
CN109190639A (zh) 一种车辆颜色识别方法、装置及系统
US8068673B2 (en) Rapid and high precision centroiding method and system for spots image
CN104239843A (zh) 一种人脸特征点定位方法及装置
CN104680194A (zh) 基于随机蕨丛和随机投影的在线目标跟踪方法
CN111881752A (zh) 一种护栏检测分类方法、装置、电子设备及存储介质
CN107146215A (zh) 一种基于颜色直方图和凸包的显著性检测方法

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