CN109711274A - 车辆检测方法、装置、设备和存储介质 - Google Patents
车辆检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN109711274A CN109711274A CN201811479490.2A CN201811479490A CN109711274A CN 109711274 A CN109711274 A CN 109711274A CN 201811479490 A CN201811479490 A CN 201811479490A CN 109711274 A CN109711274 A CN 109711274A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- detected
- image
- detection block
- model
- 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.)
- Pending
Links
Abstract
本发明提供一种车辆检测方法、装置、设备和存储介质，该方法包括：获取双目摄像头采集的待检测车辆的第一图像和第二图像，将待检测车辆的第一图像输入到预先得到的第一车辆检测模型，得到待检测车辆的第一检测框，第一车辆检测模型为基于神经网络对多个车辆的第一图像进行训练得到的模型，将待检测车辆的第二图像输入到预先得到的第二车辆检测模型，得到所述待检测车辆的第二检测框，第一车辆检测模型为基于神经网络对多个车辆的第二图像进行训练得到的模型，根据第一检测框和第二检测框，获取待检测车辆的高度和宽度，提高了车辆高度和宽度的准确性。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种车辆检测方法、装置、设备和存储介质。
背景技术
随着经济的高速发展，交通运输量也在不断增大。其中，有不少大型货车出现违章超载超限的现象，导致道路路面受到严重的损坏。
现有技术中，在车辆违章检测中，一种方案是通过一些传统的传感器，如红外线探头、激光传感器等检测车辆的高度和宽度，另一种方案是采用单目摄像机采集车辆的图像，从而获取车辆的高度和宽度。
然而，现有的一种传感器只能检测一种参数，不够智能化和自动化，而且单目摄像机由于自身局限性，检测出的车辆宽度和高度存在较大误差。
发明内容
为解决现有技术中存在的问题，本发明提供一种车辆检测方法、装置、设备和存储介质，以对车辆的高度和宽度进行检测，提高车辆宽度和高度的准确性。
第一方面，本发明实施例提供一种车辆检测方法，包括：
获取双目摄像头采集的待检测车辆的第一图像和第二图像；
将所述待检测车辆的第一图像输入到预先得到的第一车辆检测模型，得到所述待检测车辆的第一检测框，所述第一车辆检测模型为基于神经网络对多个车辆的图像进行训练得到的模型；
将所述待检测车辆的第二图像输入到预先得到的第二车辆检测模型，得到所述待检测车辆的第二检测框，所述第二车辆检测模型为基于神经网络对多个车辆的图像进行训练得到的模型；
根据所述第一检测框和所述第二检测框，获取所述待检测车辆的高度和宽度。
可选的，所述第一车辆检测模型按照如下训练方式得到：
获取多个车辆的第一图像样本；
基于卷积神经网络，对所述多个车辆的第一图像样本进行训练，得到所述车辆的第一车辆检测模型；
相应的，所述第二车辆检测模型按照如下训练方式得到：
获取多个车辆的第二图像样本；
基于卷积神经网络，对所述多个车辆的第二图像样本进行训练，得到所述车辆的第二车辆检测模型。
可选的，所述根据所述第一检测框和所述第二检测框，获取所述待检测车辆的高度和宽度，包括：
将所述第一检测框输入到预先得到的第一回归模型，得到最终的第一检测框，所述第一回归模型为基于神经网络，对检测框训练集进行训练得到的模型；
将所述第二检测框输入到预先得到的第二回归模型，得到最终的第二检测框，所述第二回归模型为基于神经网络，对检测框训练集进行训练得到的模型；
根据所述最终的第一检测框和所述最终的第二检测框，得到所述待检测车辆在三维坐标系中的检测框；
根据所述待检测车辆在三维坐标系中的检测框，确定所述待检测车辆的顶点坐标；
根据所述顶点坐标，计算得到所述待检测车辆的高度和宽度。
可选的，所述方法还包括：
所述待检测车辆的高度大于预设高度，向交警推送超高告警消息；
所述待检测车辆的宽度大于预设宽度，向交警推送超宽告警消息。
可选的，所述方法还包括：
获取所述待检测车辆在至少两个不同时刻的位置；
根据所述至少两个不同时刻的位置，获取所述待检测车辆在所述至少两个不同时刻的速度。
可选的，所述根据所述至少两个不同时刻的位置，获取所述待检测车辆在所述至少两个不同时刻的速度，包括：
根据所述至少两个不同时刻的位置，得到在所述至少两个不同时刻所述待检测车辆在三维坐标系中的位置；
根据所述待检测车辆在三维坐标系中的位置，获取所述待检测车辆在所述至少两个不同时刻的速度。
可选的，所述方法还包括：
所述待检测车辆的速度大于预设速度，向交警推送超速告警消息。
第二方面，本发明实施例提供一种车辆检测装置，包括：
获取模块，用于获取双目摄像头采集的待检测车辆的第一图像和第二图像；
处理模块，用于将所述待检测车辆的第一图像输入到预先得到的第一车辆检测模型，得到所述待检测车辆的第一检测框，所述第一车辆检测模型为基于神经网络对多个车辆的图像进行训练得到的模型；
所述处理模块，还用于将所述待检测车辆的第二图像输入到预先得到的第二车辆检测模型，得到所述待检测车辆的第二检测框，所述第二车辆检测模型为基于神经网络对多个车辆的图像进行训练得到的模型；
所述获取模块，还用于根据所述第一检测框和所述第二检测框，获取所述待检测车辆的高度和宽度。
可选的，所述获取模块还用于：
获取多个车辆的第一图像样本；
所述处理模块，还用于基于卷积神经网络，对所述多个车辆的第一图像样本进行训练，得到所述车辆的第一车辆检测模型；
相应的，
所述获取模块，还用于获取多个车辆的第二图像样本；
所述处理模块，还用于基于卷积神经网络，对所述多个车辆的第二图像样本进行训练，得到所述车辆的第二车辆检测模型。
可选的，所述处理模块还用于：
将所述第一检测框输入到预先得到的第一回归模型，得到最终的第一检测框，所述第一回归模型为基于神经网络，对检测框训练集进行训练得到的模型；
将所述第二检测框输入到预先得到的第二回归模型，得到最终的第二检测框，所述第二回归模型为基于神经网络，对检测框训练集进行训练得到的模型；
根据所述最终的第一检测框和所述最终的第二检测框，得到所述待检测车辆在三维坐标系中的检测框；
所述装置还包括:
确定模块，用于根据所述待检测车辆在三维坐标系中的检测框，确定所述待检测车辆的顶点坐标；
所述处理模块，还用于根据所述顶点坐标，计算得到所述待检测车辆的高度和宽度。
可选的，所述装置还包括：
发送模块，用于所述待检测车辆的高度大于预设高度，向交警推送超高告警消息；
所述待检测车辆的宽度大于预设宽度，向交警推送超宽告警消息。
可选的，所述获取模块，还用于获取所述待检测车辆在所述至少两个不同时刻的位置；
根据所述至少两个不同时刻的位置，获取所述待检测车辆在所述至少两个不同时刻的速度。
可选的，所述处理模块，还用于根据所述至少两个不同时刻的位置，得到在所述至少两个不同时刻所述待检测车辆在三维坐标系中的位置；
所述获取模块，还用于根据所述待检测车辆在三维坐标系中的位置，获取所述待检测车辆在所述至少两个不同时刻的速度。
可选的，所述发送模块，还用于所述待检测车辆的速度大于预设速度，向交警推送超速告警消息。
第三方面，本发明实施例提供一种电子设备，包括：
处理器；
存储器；以及
计算机程序；
其中，所述计算机程序被存储在所述存储器中，并且被配置为由所述处理器执行，所述计算机程序包括用于执行如第一方面所述的方法的指令。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序使得电子设备执行第一方面所述的方法。
本发明提供的车辆检测方法、装置、设备和存储介质，该方法包括：获取双目摄像头采集的待检测车辆的第一图像和第二图像，将待检测车辆的第一图像输入到预先得到的第一车辆检测模型，得到待检测车辆的第一检测框，第一车辆检测模型为基于神经网络对多个车辆的第一图像进行训练得到的模型，将待检测车辆的第二图像输入到预先得到的第二车辆检测模型，得到待检测车辆的第二检测框，第二车辆检测模型为基于神经网络对多个车辆的第二图像进行训练得到的模型，根据第一检测框和第二检测框，获取待检测车辆的高度和宽度，提高了车辆高度和宽度的准确性。
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为本发明实施例提供的车辆检测方法流程示意图一；
图2为本发明实施例提供的双目立体成像原理的示意图；
图3为本发明实施例提供的车辆检测方法流程示意图二；
图4为本发明实施例提供的车辆检测框的示意图；
图5为本发明实施例提供的车辆检测方法流程示意图三；
图6为本发明实施例提供的车辆检测装置的结构示意图一；
图7为本发明实施例提供的车辆检测装置的结构示意图二；
图8为本发明实施例提供的电子设备的硬件结构示意图。
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。
本发明实施例提供的车辆检测方法用于检测车辆的宽度和高度，可以应用于道路车辆的违章检测中。目前，在一种方法中，设置传感器(如红外线探头、激光传感器)检测高度和高度，在另一种方法中，采用单目摄像头采集车辆的图像，基于图像处理算法，计算得到车辆的高度和宽度。然而，上述方式中，由于一种传感器只能检测同一种参数，即只能采用一个传感器检测高度或者高度，不能同时检测高度和宽度，不够智能化和自动化，并且采用单目摄像机获取的车辆的高度和宽度，精确度不高，存在较大的误差。
本发明实施例考虑到上述问题，提出一种车辆检测方法，该方法中电子设备获取双目摄像头采集的待检测车辆的第一图像和第二图像，将待检测车辆的第一图像输入到预先得到的第一车辆检测模型，得到待检测车辆的第一检测框，第一车辆检测模型为基于神经网络对多个车辆的第一图像进行训练得到的模型，将待检测车辆的第二图像输入到预先得到的第二车辆检测模型，得到待检测车辆的第二检测框，第二车辆检测模型为基于神经网络对多个车辆的第二图像进行训练得到的模型，根据第一检测框和第二检测框，获取待检测车辆的高度和宽度，提高了车辆高度和宽度的准确性。
下面以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供的双目摄像头可以架设在道路上，用于采集道路上的车辆的图像，并将采集的图像发送给电子设备，具体的发送方式可以为无线传输方式，本方案对此不做限制。电子设备可以为工业控制计算机(工控机)，电子设备对双目摄像头采集的图像进行处理后，得到该图像中车辆的高度和宽度。
图1为本发明实施例提供的车辆检测方法流程示意图一。本发明实施例提供了一种车辆检测方法，该方法可以由任意执行车辆检测方法的装置来执行，该装置可以通过软件和/或硬件实现。本实施例中，该装置可以集成在电子设备中，例如：工业控制计算机。如图1所示，本发明实施例提供的车辆检测方法包括如下步骤：
步骤101、获取双目摄像头采集的待检测车辆的第一图像和第二图像。
双目摄像头中包括了两个摄像头，在本步骤中，双目摄像头可以架设在公路上，两个摄像头分别采集车辆图像并反馈给电子设备。因此，电子设备在同一时刻就可以获取到待检测车辆的两张图像，记为第一图像和第二图像。
在步骤101之前，所述方法还包括：
获取目标物在三维坐标下的位置和双目摄像头采集的目标物的第一图像和目标物的第二图像的对应关系。
图2为本发明实施例提供的双目立体成像原理的示意图，如图2所示，基线距B＝两摄像机的投影中心连线的距离，相机焦距为f。
假设两摄像机在同一时刻观看空间物体的同一特征点P(xc,yc,zc)，分别在“左眼”和“右眼”上获取了点P的左图像和右图像(即第一图像和第二图像)，它们的图像坐标分别为pleft＝(Xleft,Yleft)，pright＝(Xright,Yright)。
由于两摄像机的图像在同一个平面上，则特征点P在第一图像和第二图像中的坐标Y坐标相同，即Yleft＝Yright＝Y，则由三角几何关系得到：
则左图像和右图像之间的视差Disparity＝Xleft-Xright，由此可计算出特征点P在实际三维标下的位置：
由此可知，第一图像上的任意一点只要能在第二图像上找到对应的匹配点，则可以确定在实际三维坐标系下的该点的坐标。通过公式(1)和公式(2)建立了目标物在三维坐标下的位置和双目摄像头采集的目标物的第一图像和目标物的第二图像的对应关系。
步骤102、将待检测车辆的第一图像输入到预先得到的第一车辆检测模型，得到待检测车辆的第一检测框。
步骤103、将待检测车辆的第二图像输入到预先得到的第二车辆检测模型，得到待检测车辆的第二检测框。
第一车辆检测模型、第二车辆检测图像均为基于神经网络对多个车辆的图像进行训练得到的模型。可选的，第一车辆检测模型按照如下训练方式得到：获取多个车辆的第一图像样本，基于卷积神经网络，对多个车辆图像样本进行训练，得到车辆检测模型。
相应的，第二车辆检测模型可以按照如下训练方式得到：获取多个车辆的第二图像样本，基于卷积神经网络，对多个车辆的第二图像样本进行训练，得到车辆的第二车辆检测模型。
第一检测模型、第二车辆检测图像均用于预测当前输入图像中的车辆的检测框。
可选的，卷积神经网络(Convolutional Neural Networks，CNN)可以为残差网络(Deep residual network，ResNet)，例如：ResNet-18。
在上述步骤中，训练得到第一车辆检测模型和第二车辆检测模型后，将待检测车辆的第一图像输入到第一检测模型，得到第一图像的第一检测框。相应的，将第二图像输入到第二车辆检测模型，得到第二图像的第二检测框。
可选的，第一检测框可以表示为检测框坐标和检测框的大小尺度，其中，检测框坐标可以为左上角坐标，例如：M(0,1)，检测框的大小尺度可以为检测框的宽和高，例如：宽20，高30。
第二检测框也可以表示为检测框坐标和检测框的大小尺度，在此不再赘述。另外，本方案对于步骤102和步骤103的执行顺序不做限制。
步骤104、根据第一检测框和第二检测框，获取待检测车辆的高度和宽度。
在一种可能的实现方式中，第一图像包括第一检测框，第二图像包括第二检测框，则根据公式(2)中的第一图像、第二图像以及三维坐标系的对应关系，得到三维坐标系中的检测框。
进一步，可以根据三维坐标系中的检测框的位置，得到待检测车辆各个顶点位置，包括极左点、极右点、最高点和最低点。举例来说，假设三维坐标系中检测框在第一象限，三维坐标系中检测框的位置坐标表示为检测框的左上角的坐标(x,y)，宽为w，高为h，则极左点为x，极右点为x+w，最高点为y，最低点为y-h。
再根据各个顶点位置，得到待检测车辆的高度和宽度。
可选的，假设极左点为xleft，极右点为xright，最高点为ytop，最低点为ybottom，根据欧式距离计算得到待检测车辆的高度h1和宽度w1，参见公式(3)、参见公式(4)。
本实施例提供的车辆检测方法，通过获取双目摄像头采集的待检测车辆的第一图像和第二图像，将待检测车辆的第一图像输入到预先得到的第一车辆检测模型，得到待检测车辆的第一检测框，第一车辆检测模型为基于神经网络对多个车辆的第一图像进行训练得到的模型，将待检测车辆的第二图像输入到预先得到的第二车辆检测模型，得到待检测车辆的第二检测框，第一车辆检测模型为基于神经网络对多个车辆的第二图像进行训练得到的模型，根据第一检测框和第二检测框，获取待检测车辆的高度和宽度，提高了车辆高度和宽度的准确性。
图3为本发明实施例提供的车辆检测方法流程示意图二，如图3所示，步骤104具体包括以下几个步骤：
步骤201、将第一检测框输入到预先得到的第一回归模型，得到最终的第一检测框。
步骤202、将第二检测框输入到预先得到的第二回归模型，得到最终的第二检测框。
为了使图1实施例中得到待检测车辆的第一检测框和第二检测框更加精准，本步骤采用第一回归模型和第二回归模型，以得到精准的第一检测框和第二检测框。
图4为本发明实施例提供的车辆检测框的示意图，如图4所示，O为步骤104中得到的第一检测框或第二检测框，G为真实的检测框，这里寻求一种映射关系，使得第一检测框或第二检测框经过一种映射关系后，得到一个和真实的检测框更接近的回归检测框
具体地，第一回归模型和第二回归模型均为基于级联回归，对检测框训练集进行训练得到的模型。具体地，基于级联回归，以多个车辆的多个第一检测框为样本，训练得到第一回归模型。相应的，基于级联回归，以多个车辆的多个第二检测框为样本，训练得到第二回归模型。
其中，第一回归模型和第二回归模型分别包括多个回归函数，级联回归是指学习多个回归函数来逼近真实值，当前函数的输入依赖于上一级函数的输出，而每一个函数的目标都是逼近真实值。
可选的，当前函数的输入为上一级函数的输出加上上一级函数的输出和真实值的差。可选的，采用最小二乘法，得到上一级函数的输出和真实值差的最小值，则当前函数的输入为上一级函数的输出加上上一级函数的输出和真实值的差的最小值。
在上述步骤中，将第一检测框输入到第一回归模型中，得到最终的精准的第一检测框，相应的，将第二检测框输入到第二回归模型，得到最终的精准的第二检测框。
步骤203、根据最终的第一检测框和最终的第二检测框，得到待检测车辆在三维坐标系中的检测框。
根据最终得到的第一检测框、最终得到的第二检测框以及公式(2)中的第一图像、第二图像以及三维坐标系的对应关系，得到待检测车辆在三维坐标系中的检测框。
步骤204、根据待检测车辆在三维坐标系中的检测框，确定待检测车辆的顶点坐标。
步骤205、根据顶点坐标，计算得到待检测车辆的高度和宽度。
顶点坐标包括最左点的坐标、最右点的坐标、最高点的坐标、最低点的坐标。举例来说，若三维坐标系中的检测框在第一象限，三维坐标系中的检测框坐标为(m，n，w，h)，m、n表示检测框的中心点坐标，w、h分别表示检测框的宽度和高度，则三维坐标系中检测框则极左点为极右点为最高点为最低点为
再根据各个顶点位置，得到待检测车辆的高度和宽度。根据顶点坐标，计算得到待检测车辆的高度和宽度的过程和步骤104中的过程类似，在此不再赘述。
可选的，得到待检测车辆的高度、宽度后，所述方法还包括：
待检测车辆的高度大于预设高度，向交警推送超高告警消息；
待检测车辆的宽度大于预设宽度，向交警推送超宽告警消息。
预设高度和预设宽度可以根据经验或历史值来选取，对此不做限制。当待检测车辆的高度大于预设高度，电子设备可以将超高告警消息推送给交警，可选的，推送至交警的对讲机上，以提醒交警该车辆超高违章，提高了违章检测的效率。
相应的，当待检测车辆的宽度大于预设宽度，电子设备也可以将超宽告警消息推送给交警的对讲机上，以提醒交警该车辆超宽违章。
本发明实施例提供的车辆检测方法，第一检测框输入到预先得到的第一回归模型，得到最终的第一检测框，将第二检测框输入到预先得到的第二回归模型，得到最终的第二检测框，根据最终的第一检测框和最终的第二检测框，得到待检测车辆在三维坐标系中的检测框，根据待检测车辆在三维坐标系中的检测框，确定待检测车辆的顶点坐标，根据顶点坐标，计算得到待检测车辆的高度和宽度，提高了车辆高度和宽度的准确性，并且当高度或宽度超过预设值时，能够向交警推送告警消息，提高了违章检测的效率。
图5为本发明实施例提供的车辆检测方法流程示意图二，如图5所示，在上述图2实施例的基础上，所述方法还包括以下几个步骤：
步骤301、获取待检测车辆在至少两个不同时刻的位置。
其中，位置为待检测车辆的检测框位置。
获取待检测车辆在至少两个不同时刻的第一图像和/或第二图像，根据步骤102、103得到第一检测框和/或第二检测框，从而得到待检测车辆的检测框位置。
步骤302、根据至少两个不同时刻的位置，获取待检测车辆在至少两个不同时刻的平均速度。
可选的，根据至少两个不同时刻的位置和公式(2)，获取至少两个不同时刻待检测车辆在三维坐标系中的位置，计算得到待检测车辆在三维坐标系中的位移。
进一步，根据待检测车辆在三维坐标系中的位移，获取待检测车辆在至少两个不同时刻的速度。
可选的，若得到的至少两个不同时刻的速度大于预设速度，向交警推送超速告警消息，可选的，电子设备将超速告警消息推送给交警，可选的，推送至交警的对讲机上，以提醒交警该车辆超速。
本实施例提供的车辆检测方法，通过获取待检测车辆在所述至少两个不同时刻的位置，根据至少两个不同时刻的位置，获取待检测车辆在至少两个不同时刻的速度，能够根据至少两个不同时刻的位置得到待检测车辆的速度，提高了车辆速度的准确性，并且，将超速告警消息推送给交警，提高了违章检测的效率。
图6为本发明实施例提供的车辆检测装置的结构示意图一，该车辆检测装置可以为独立的电子设备，也可以为集成在电子设备中的装置，该装置可以通过软件、硬件或者软硬件结合的方式实现。如图6所示，该车辆检测装置40包括：获取模块401、处理模块402，其中：
获取模块401，用于获取双目摄像头采集的待检测车辆的第一图像和第二图像；
处理模块402，用于将所述待检测车辆的第一图像输入到预先得到的第一车辆检测模型，得到所述待检测车辆的第一检测框，所述第一车辆检测模型为基于神经网络对多个车辆的图像进行训练得到的模型；
所述处理模块402，还用于将所述待检测车辆的第二图像输入到预先得到的第二车辆检测模型，得到所述待检测车辆的第二检测框，所述第二车辆检测模型为基于神经网络对多个车辆的图像进行训练得到的模型；
所述获取模块401，还用于根据所述第一检测框和所述第二检测框，获取所述待检测车辆的高度和宽度。
本发明实施例提供的车辆检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图7为本发明实施例提供的车辆检测装置的结构示意图一，在上述图6实施例基础上，该车辆检测装置40还包括：确定模块403、发送模块404。
可选的，所述获取模块401还用于：
获取多个车辆的第一图像样本；
所述处理模块402，还用于基于卷积神经网络，对所述多个车辆的第一图像样本进行训练，得到所述车辆的第一车辆检测模型；
相应的，
所述获取模块401，还用于获取多个车辆的第二图像样本；
所述处理模块402，还用于基于卷积神经网络，对所述多个车辆的第二图像样本进行训练，得到所述车辆的第二车辆检测模型。
可选的，所述处理模块402还用于：
将所述第一检测框输入到预先得到的第一回归模型，得到最终的第一检测框，所述第一回归模型为基于神经网络，对检测框训练集进行训练得到的模型；
将所述第二检测框输入到预先得到的第二回归模型，得到最终的第二检测框，所述第二回归模型为基于神经网络，对检测框训练集进行训练得到的模型；
根据所述最终的第一检测框和所述最终的第二检测框，得到所述待检测车辆在三维坐标系中的检测框；
所述确定模块403，用于根据所述待检测车辆在三维坐标系中的检测框，确定所述待检测车辆的顶点坐标；
所述处理模块402，还用于根据所述顶点坐标，计算得到所述待检测车辆的高度和宽度。
可选的，所述装置还包括：
发送模块404，用于所述待检测车辆的高度大于预设高度，向交警推送超高告警消息；
所述待检测车辆的宽度大于预设宽度，向交警推送超宽告警消息。
可选的，所述获取模块401，还用于获取所述待检测车辆在所述至少两个不同时刻的位置信息；
根据所述至少两个不同时刻的位置信息，获取所述待检测车辆在所述至少两个不同时刻的平均速度。
可选的，所述处理模块402，还用于根据所述至少两个不同时刻的位置信息，得到在所述至少两个不同时刻所述待检测车辆在三维坐标系中的位置信息；
所述获取模块401，还用于根据所述待检测车辆在三维坐标系中的位置信息，获取所述待检测车辆在所述至少两个不同时刻的平均速度。
可选的，所述发送模块，还用于所述待检测车辆的速度大于预设速度，向交警推送超速告警消息。
本发明实施例提供的车辆检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图8为本发明实施例提供的电子设备的硬件结构示意图，如图8所示，本实施例的语音交互设备60包括：处理器601以及存储器602；其中
存储器602，用于存储计算机执行指令；
处理器601，用于执行存储器存储的计算机执行指令，以实现上述实施例中接收设备所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地，存储器602既可以是独立的，也可以跟处理器601集成在一起。
当存储器602独立设置时，该语音交互设备还包括总线603，用于连接所述存储器602和处理器601。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的车辆检测方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。
应理解，上述处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application Specific Integrated Circuit，简称：ASIC)等。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。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称：ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种车辆检测方法，其特征在于，包括：
获取双目摄像头采集的待检测车辆的第一图像和第二图像；
将所述待检测车辆的第一图像输入到预先得到的第一车辆检测模型，得到所述待检测车辆的第一检测框，所述第一车辆检测模型为基于神经网络对多个车辆的图像进行训练得到的模型；
将所述待检测车辆的第二图像输入到预先得到的第二车辆检测模型，得到所述待检测车辆的第二检测框，所述第二车辆检测模型为基于神经网络对多个车辆的图像进行训练得到的模型；
根据所述第一检测框和所述第二检测框，获取所述待检测车辆的高度和宽度。
2.根据权利要求1所述的方法，其特征在于，所述第一车辆检测模型按照如下训练方式得到：
获取多个车辆的第一图像样本；
基于卷积神经网络，对所述多个车辆图像样本进行训练，得到所述车辆检测模型
相应的，所述第二车辆检测模型按照如下训练方式得到：
获取多个车辆的第二图像样本；
基于卷积神经网络，对所述多个车辆的第二图像样本进行训练，得到所述车辆的第二车辆检测模型。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第一检测框和所述第二检测框，获取所述待检测车辆的高度和宽度，包括：
将所述第一检测框输入到预先得到的第一回归模型，得到最终的第一检测框，所述第一回归模型为基于级联回归，对第一检测框训练集进行训练得到的模型；
将所述第二检测框输入到预先得到的第二回归模型，得到最终的第二检测框，所述第二回归模型为基于级联回归，对第二检测框训练集进行训练得到的模型；
根据所述最终的第一检测框和所述最终的第二检测框，得到所述待检测车辆在三维坐标系中的检测框；
根据所述待检测车辆在三维坐标系中的检测框，确定所述待检测车辆的顶点坐标；
根据所述顶点坐标，计算得到所述待检测车辆的高度和宽度。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
所述待检测车辆的高度大于预设高度，向交警推送超高告警消息；
所述待检测车辆的宽度大于预设宽度，向交警推送超宽告警消息。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
获取所述待检测车辆在至少两个不同时刻的位置；
根据所述至少两个不同时刻的位置，获取所述待检测车辆在所述至少两个不同时刻的速度。
6.根据权利要求5所述的方法，其特征在于，所述根据所述至少两个不同时刻的位置，获取所述待检测车辆在所述至少两个不同时刻的速度，包括：
根据所述至少两个不同时刻的位置，得到在所述至少两个不同时刻所述待检测车辆在三维坐标系中的位置；
根据所述待检测车辆在三维坐标系中的位置，获取所述待检测车辆在所述至少两个不同时刻的速度。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
所述待检测车辆的速度大于预设速度，向交警推送超速告警消息。
8.一种车辆检测装置，其特征在于，包括
获取模块，用于获取双目摄像头采集的待检测车辆的第一图像和第二图像；
处理模块，用于将所述待检测车辆的第一图像输入到预先得到的第一车辆检测模型，得到所述待检测车辆的第一检测框，所述第一车辆检测模型为基于神经网络对多个车辆的图像进行训练得到的模型；
所述处理模块，还用于将所述待检测车辆的第二图像输入到预先得到的第二车辆检测模型，得到所述待检测车辆的第二检测框，其中，所述车辆检测模型为基于神经网络对多个车辆的图像进行训练得到的模型；
所述获取模块，还用于根据所述第一检测框和所述第二检测框，获取所述待检测车辆的高度和宽度。
9.一种电子设备，其特征在于，包括：
处理器；
存储器；以及
计算机程序；
其中，所述计算机程序被存储在所述存储器中，并且被配置为由所述处理器执行，所述计算机程序包括用于执行如权利要求1-7任一项所述的方法的指令。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序使得电子设备执行权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811479490.2A CN109711274A (zh) | 2018-12-05 | 2018-12-05 | 车辆检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811479490.2A CN109711274A (zh) | 2018-12-05 | 2018-12-05 | 车辆检测方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109711274A true CN109711274A (zh) | 2019-05-03 |
Family
ID=66254594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811479490.2A Pending CN109711274A (zh) | 2018-12-05 | 2018-12-05 | 车辆检测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109711274A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110530336A (zh) * | 2019-09-04 | 2019-12-03 | 合肥市极点科技有限公司 | 对称高度差测量方法、装置、系统、电子设备及存储介质 |
| CN111178126A (zh) * | 2019-11-20 | 2020-05-19 | 北京迈格威科技有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
| CN111597959A (zh) * | 2020-05-12 | 2020-08-28 | 三一重工股份有限公司 | 行为检测方法、装置及电子设备 |
| CN111753663A (zh) * | 2020-05-25 | 2020-10-09 | 上海欧菲智能车联科技有限公司 | 目标检测方法及装置 |
| CN112052812A (zh) * | 2020-09-14 | 2020-12-08 | 贵州黔岸科技有限公司 | 一种车辆载人识别方法、系统、终端及介质 |
| CN112308100A (zh) * | 2019-07-30 | 2021-02-02 | 顺丰科技有限公司 | 装卸口状态检测方法、装置、服务器及存储器 |
| CN112348035A (zh) * | 2020-11-11 | 2021-02-09 | 东软睿驰汽车技术（沈阳）有限公司 | 车辆关键点检测方法、装置及电子设备 |
| CN113469952A (zh) * | 2021-06-09 | 2021-10-01 | 浙江大华技术股份有限公司 | 运输带上大块物的检测方法、检测装置及存储介质 |
| WO2021218124A1 (zh) * | 2020-04-29 | 2021-11-04 | 北京百度网讯科技有限公司 | 用于检测车辆的方法和装置 |
| CN114347844A (zh) * | 2022-03-18 | 2022-04-15 | 蔚来汽车科技(安徽)有限公司 | 用于基于车辆尺寸检测来控制换电操作的方法和系统 |
| CN117132948A (zh) * | 2023-10-27 | 2023-11-28 | 南昌理工学院 | 景区游客流量监控方法、系统、可读存储介质及计算机 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102941864A (zh) * | 2012-11-09 | 2013-02-27 | 武汉翔翼科技有限公司 | 一种列车装载状态高清监控及超限检测方法 |
| CN103162640A (zh) * | 2013-01-16 | 2013-06-19 | 吉林大学 | 便携式营运汽车尺寸双目全景视觉检测系统 |
| CN103196371A (zh) * | 2013-03-29 | 2013-07-10 | 南京工业大学 | 一种主动实时三维测量大型车厢的方法及系统 |
| CN104504912A (zh) * | 2014-12-31 | 2015-04-08 | 长安大学 | 一种基于三维水平逆投影面的车速检测方法 |
| CN104700414A (zh) * | 2015-03-23 | 2015-06-10 | 华中科技大学 | 一种基于车载双目相机的前方道路行人快速测距方法 |
| CN105157608A (zh) * | 2015-08-31 | 2015-12-16 | 浙江大华技术股份有限公司 | 一种超限车辆的检测方法、装置及系统 |
| CN105716530A (zh) * | 2016-03-04 | 2016-06-29 | 山东大学 | 一种基于双目立体视觉的车辆几何尺寸的测量方法 |
| CN106370884A (zh) * | 2016-09-09 | 2017-02-01 | 成都通甲优博科技有限责任公司 | 基于双目相机计算机视觉技术的车辆测速方法 |
| CN106372662A (zh) * | 2016-08-30 | 2017-02-01 | 腾讯科技（深圳）有限公司 | 安全帽佩戴的检测方法和装置、摄像头、服务器 |
| CN106778615A (zh) * | 2016-12-16 | 2017-05-31 | 中新智擎有限公司 | 一种识别用户身份的方法、装置和物业服务机器人 |
| CN106952303A (zh) * | 2017-03-09 | 2017-07-14 | 北京旷视科技有限公司 | 车距检测方法、装置和系统 |
| WO2017139927A1 (en) * | 2016-02-17 | 2017-08-24 | Intel Corporation | Region proposal for image regions that include objects of interest using feature maps from multiple layers of a convolutional neural network model |
| CN107481270A (zh) * | 2017-08-10 | 2017-12-15 | 上海体育学院 | 乒乓球目标跟踪和轨迹预测方法、装置、存储介质和计算机设备 |
| CN108363953A (zh) * | 2018-01-12 | 2018-08-03 | 浙江大华技术股份有限公司 | 一种行人检测的方法及双目监控设备 |
| US10121227B1 (en) * | 2017-08-31 | 2018-11-06 | Ulsee Inc. | Method and system of reconstructing videos by using super-resolution algorithm |
| CN108898628A (zh) * | 2018-06-21 | 2018-11-27 | 北京纵目安驰智能科技有限公司 | 基于单目的车辆三维目标姿态估计方法、系统、终端和存储介质 |
-
2018
- 2018-12-05 CN CN201811479490.2A patent/CN109711274A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102941864A (zh) * | 2012-11-09 | 2013-02-27 | 武汉翔翼科技有限公司 | 一种列车装载状态高清监控及超限检测方法 |
| CN103162640A (zh) * | 2013-01-16 | 2013-06-19 | 吉林大学 | 便携式营运汽车尺寸双目全景视觉检测系统 |
| CN103196371A (zh) * | 2013-03-29 | 2013-07-10 | 南京工业大学 | 一种主动实时三维测量大型车厢的方法及系统 |
| CN104504912A (zh) * | 2014-12-31 | 2015-04-08 | 长安大学 | 一种基于三维水平逆投影面的车速检测方法 |
| CN104700414A (zh) * | 2015-03-23 | 2015-06-10 | 华中科技大学 | 一种基于车载双目相机的前方道路行人快速测距方法 |
| CN105157608A (zh) * | 2015-08-31 | 2015-12-16 | 浙江大华技术股份有限公司 | 一种超限车辆的检测方法、装置及系统 |
| WO2017139927A1 (en) * | 2016-02-17 | 2017-08-24 | Intel Corporation | Region proposal for image regions that include objects of interest using feature maps from multiple layers of a convolutional neural network model |
| CN105716530A (zh) * | 2016-03-04 | 2016-06-29 | 山东大学 | 一种基于双目立体视觉的车辆几何尺寸的测量方法 |
| CN106372662A (zh) * | 2016-08-30 | 2017-02-01 | 腾讯科技（深圳）有限公司 | 安全帽佩戴的检测方法和装置、摄像头、服务器 |
| CN106370884A (zh) * | 2016-09-09 | 2017-02-01 | 成都通甲优博科技有限责任公司 | 基于双目相机计算机视觉技术的车辆测速方法 |
| CN106778615A (zh) * | 2016-12-16 | 2017-05-31 | 中新智擎有限公司 | 一种识别用户身份的方法、装置和物业服务机器人 |
| CN106952303A (zh) * | 2017-03-09 | 2017-07-14 | 北京旷视科技有限公司 | 车距检测方法、装置和系统 |
| CN107481270A (zh) * | 2017-08-10 | 2017-12-15 | 上海体育学院 | 乒乓球目标跟踪和轨迹预测方法、装置、存储介质和计算机设备 |
| US10121227B1 (en) * | 2017-08-31 | 2018-11-06 | Ulsee Inc. | Method and system of reconstructing videos by using super-resolution algorithm |
| CN108363953A (zh) * | 2018-01-12 | 2018-08-03 | 浙江大华技术股份有限公司 | 一种行人检测的方法及双目监控设备 |
| CN108898628A (zh) * | 2018-06-21 | 2018-11-27 | 北京纵目安驰智能科技有限公司 | 基于单目的车辆三维目标姿态估计方法、系统、终端和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| ZEKUN LUO 等: "Object Detection Based on Binocular Vision with Convolutional Neural Network", 《SPML"18》 * |
| 张琦 等: "改进Fast-RCNN的双目视觉车辆检测方法", 《应用光学》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308100A (zh) * | 2019-07-30 | 2021-02-02 | 顺丰科技有限公司 | 装卸口状态检测方法、装置、服务器及存储器 |
| CN110530336B (zh) * | 2019-09-04 | 2021-05-25 | 合肥市极点科技有限公司 | 对称高度差测量方法、装置、系统、电子设备及存储介质 |
| CN110530336A (zh) * | 2019-09-04 | 2019-12-03 | 合肥市极点科技有限公司 | 对称高度差测量方法、装置、系统、电子设备及存储介质 |
| CN111178126A (zh) * | 2019-11-20 | 2020-05-19 | 北京迈格威科技有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
| WO2021218124A1 (zh) * | 2020-04-29 | 2021-11-04 | 北京百度网讯科技有限公司 | 用于检测车辆的方法和装置 |
| CN111597959A (zh) * | 2020-05-12 | 2020-08-28 | 三一重工股份有限公司 | 行为检测方法、装置及电子设备 |
| CN111597959B (zh) * | 2020-05-12 | 2023-09-26 | 盛景智能科技(嘉兴)有限公司 | 行为检测方法、装置及电子设备 |
| CN111753663A (zh) * | 2020-05-25 | 2020-10-09 | 上海欧菲智能车联科技有限公司 | 目标检测方法及装置 |
| CN111753663B (zh) * | 2020-05-25 | 2023-12-12 | 上海欧菲智能车联科技有限公司 | 目标检测方法及装置 |
| CN112052812A (zh) * | 2020-09-14 | 2020-12-08 | 贵州黔岸科技有限公司 | 一种车辆载人识别方法、系统、终端及介质 |
| CN112348035A (zh) * | 2020-11-11 | 2021-02-09 | 东软睿驰汽车技术（沈阳）有限公司 | 车辆关键点检测方法、装置及电子设备 |
| CN113469952A (zh) * | 2021-06-09 | 2021-10-01 | 浙江大华技术股份有限公司 | 运输带上大块物的检测方法、检测装置及存储介质 |
| CN114347844A (zh) * | 2022-03-18 | 2022-04-15 | 蔚来汽车科技(安徽)有限公司 | 用于基于车辆尺寸检测来控制换电操作的方法和系统 |
| CN117132948A (zh) * | 2023-10-27 | 2023-11-28 | 南昌理工学院 | 景区游客流量监控方法、系统、可读存储介质及计算机 |
| CN117132948B (zh) * | 2023-10-27 | 2024-01-30 | 南昌理工学院 | 景区游客流量监控方法、系统、可读存储介质及计算机 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711274A (zh) | 车辆检测方法、装置、设备和存储介质 | |
| CN110322702B (zh) | 一种基于双目立体视觉系统的车辆智能测速方法 | |
| CN111079619B (zh) | 用于检测图像中的目标对象的方法和装置 | |
| CN112444242B (zh) | 一种位姿优化方法及装置 | |
| CN109690622A (zh) | 多相机系统中的相机登记 | |
| JP6353175B1 (ja) | 視覚特徴を使用した画像の自動結合 | |
| WO2022217988A1 (zh) | 传感器配置方案确定方法、装置、计算机设备、存储介质及程序 | |
| CN113030990B (zh) | 车辆的融合测距方法、装置、测距设备及介质 | |
| CN107590444A (zh) | 静态障碍物的检测方法、装置及存储介质 | |
| CN108668108A (zh) | 一种视频监控的方法、装置及电子设备 | |
| CN112562005A (zh) | 一种空间标定方法和系统 | |
| KR101996241B1 (ko) | 실시간 관심 지역을 나타내는 3차원 지도를 제공하는 장치 및 방법 | |
| CN112507891B (zh) | 自动化识别高速路口并构建路口向量的方法及装置 | |
| CN109829401A (zh) | 基于双拍摄设备的交通标志识别方法及装置 | |
| Subedi et al. | Development of a multiple‐camera 3D vehicle tracking system for traffic data collection at intersections | |
| CN114494618A (zh) | 地图的生成方法、装置、电子设备及存储介质 | |
| CN112529006A (zh) | 全景图片的检测方法、装置、终端及存储介质 | |
| CN112381873A (zh) | 一种数据标注方法及装置 | |
| CN110191284B (zh) | 对房屋进行数据采集的方法、装置、电子设备和存储介质 | |
| CN115830073A (zh) | 地图要素重建方法、装置、计算机设备和存储介质 | |
| CN114913470A (zh) | 一种事件检测方法及装置 | |
| CN114943809A (zh) | 一种地图模型的生成方法、装置及存储介质 | |
| CN114299161A (zh) | 数据处理方法、装置、设备及计算机存储介质 | |
| CN111882675A (zh) | 一种模型呈现方法、装置、电子设备及计算机存储介质 | |
| CN116758517B (zh) | 基于多目图像的三维目标检测方法、装置和计算机设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190503 |
|
| RJ01 | Rejection of invention patent application after publication |