CN110378258B - 一种基于图像的车辆座椅信息检测方法及设备 - Google Patents
一种基于图像的车辆座椅信息检测方法及设备 Download PDFInfo
- Publication number
- CN110378258B CN110378258B CN201910601126.7A CN201910601126A CN110378258B CN 110378258 B CN110378258 B CN 110378258B CN 201910601126 A CN201910601126 A CN 201910601126A CN 110378258 B CN110378258 B CN 110378258B
- Authority
- CN
- China
- Prior art keywords
- seat
- seats
- interior
- information
- image
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请的目的是提供一种基于图像的车辆座椅信息检测方法及设备，本申请通过获取待检测车厢内部图像及从服务器中获取所述待检测车厢对应的座椅数量答案；基于深度学习的车厢内部分类模型判断所述待检测车厢内部图像是否为内部座椅图像；若是，则基于深度学习的车厢内部座椅检测模型定位车厢内部座椅以得到所述待检测车厢内部的座椅信息；对定位到的座椅信息进行优化处理，根据优化处理后的座椅信息及所述座椅数量答案确定所述待检测车厢的检测结果。可以自动实现座椅的检测作用，同时可以将未通过的校验图像及原因传回服务器保存留待取证，既节约了人力又保证了校验工作的公正、公开。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于图像的车辆座椅信息检测方法及设备。
背景技术
随着社会经济的不断发展和人民生活水平的持续提高，城市机动车的数量迅猛增长。机动车车辆查检的工作量也随着迅速增大。已有的对车辆核定载客数进行检测时，一般采用人工审核车辆座椅数量的方法确定车辆核定载客数，人工方式效率低下，耗时耗力；如何准确、快速地对车辆核定载客数进行检测和识别，是急需解决的问题。
发明内容
本申请的一个目的是提供一种基于图像的车辆座椅信息检测法及设备，解决现有技术中人工审核车辆座椅效率低下、耗时耗力的问题。
根据本申请的一个方面，提供了一种基于图像的车辆座椅信息检测方法，该方法包括：
获取待检测车厢内部图像及从服务器中获取所述待检测车厢对应的座椅数量答案；
基于深度学习的车厢内部分类模型判断所述待检测车厢内部图像是否为内部座椅图像；
若是，则基于深度学习的车厢内部座椅检测模型定位车厢内部座椅以得到所述待检测车厢内部的座椅信息；
对定位到的座椅信息进行优化处理，根据优化处理后的座椅信息及所述座椅数量答案确定所述待检测车厢的检测结果。
进一步地，基于深度学习的车厢内部分类模型判断所述待检测车厢内部图像是否为内部座椅图像之前，包括：
获取不同条件下的多个车厢内部图像和多个非车厢内部图像；
将所述多个车厢内部图像归为第一类图像，将所述多个非车厢内部图像归为第二类图像；
使用所述第一类图像和所述第二类图像训练深度神经网络模型，获得基于深度学习的车厢内部分类模型。
进一步地，基于深度学习的车厢内部座椅检测模型定位车厢内部座椅以得到所述待检测车厢内部的座椅信息之前，包括：
获取不同条件下的多个车厢内部图像；
对所述图像中车辆座椅的位置进行矩形框标记，并标记座椅的类别；
根据标记后的车辆座椅的位置及座椅的类别训练SSD目标检测网络，获得基于深度学习的车厢内部座椅检测模型。
进一步地，所述不同条件包括：不同角度、不同光照及不同图像质量中的任一种或任几种组合。
进一步地，所述座椅信息包括座椅的位置信息和座椅的预测框信息，对定位到的座椅信息进行优化处理包括：
按照预设面积阈值及位置规划区域信息对定位到的座椅信息进行过滤处理；
将所述座椅的预测框的重叠面积大于预设阈值的座椅进行合并，得到合并后的座椅信息；
根据过滤后的座椅信息及所述合并后的座椅信息确定优化处理后的座椅信息。
进一步地，基于深度学习的车厢内部分类模型判断所述待检测车厢内部图像是否为内部座椅图像之后，包括：
若是，则将该次判断记录标志为0；
若否，则将获取的待检测车厢的内部图像进行保存，并将该次判断记录标志为1。
进一步地，所述座椅信息包括座椅数量，根据优化处理后的座椅信息及所述座椅数量答案确定所述待检测车厢的检测结果，包括：
比对优化处理后的座椅信息中的座椅数量与所述座椅数量答案是否一致，若是，则将该次比对记录标志为0，若否，则将该次比对记录标志为1。
进一步地，所述方法还包括：
当所述判断记录标志及所述比对记录标志均为0时，确定所述待检测车厢的检测结果为合格状态；
当所述判断记录标志为1或所述比对记录标志为1时，确定所述待检测车厢的检测结果为未合格状态，并根据记录标志定位未合格原因。
根据本申请又一个方面，还提供了一种基于图像的车辆座椅数量检测的设备，所述设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如前述所述方法的操作。
根据本申请再一个方面，还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如前述所述的方法。
与现有技术相比，本申请通过获取待检测车厢内部图像及从服务器中获取所述待检测车厢对应的座椅数量答案；基于深度学习的车厢内部分类模型判断所述待检测车厢内部图像是否为内部座椅图像；若是，则基于深度学习的车厢内部座椅检测模型定位车厢内部座椅以得到所述待检测车厢内部的座椅信息；对定位到的座椅信息进行优化处理，根据优化处理后的座椅信息及所述座椅数量答案确定所述待检测车厢的检测结果。可以自动实现座椅的检测作用，同时可以将未通过的校验图像及原因传回服务器保存留待取证，既节约了人力又保证了校验工作的公正、公开。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出根据本申请的一个方面提供的一种基于图像的车辆座椅信息检测方法的流程示意图；
图2示出本申请一实施例中目标检测模型的检测过程示意图；
图3示出本申请一实施例车辆座椅数量检测的流程示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(例如中央处理器(Central Processing Unit，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(RandomAccess Memory，RAM)和/或非易失性内存等形式，如只读存储器(Read Only Memory，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(Phase-Change RAM，PRAM)、静态随机存取存储器(Static Random Access Memory，SRAM)、动态随机存取存储器(Dynamic RandomAccess Memory，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(Electrically Erasable Programmable Read-Only Memory，EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、数字多功能光盘(Digital Versatile Disk，DVD)或其他光学存储、磁盒式磁带，磁带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非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
图1示出根据本申请的一个方面提供的一种基于图像的车辆座椅信息检测方法的流程示意图，该方法包括：步骤S11～步骤S14，
在步骤S11中，获取待检测车厢内部图像及从服务器中获取所述待检测车厢对应的座椅数量答案；在此，待检测车厢内部图像为需要进行车检的机动车的内部图片，服务器中存储每一型号的机动车的相关信息，如机动车的厂商信息、设备标识信息以及对应的座椅数量信息、座椅位置信息。所述待检测车厢对应的座椅数量答案为该待检测车厢对应的机动车的相关信息在服务器中存储的有关座椅数量的数据信息，比如某一型号的机动车座椅数量为5座，服务器中存储该型号的机动车座椅数量答案为5座。
在步骤S12中，基于深度学习的车厢内部分类模型判断所述待检测车厢内部图像是否为内部座椅图像；在此，采用基于深度学习的车厢内部分类模型判断获取到的待检测车厢内部图像是否为内部座椅图像，比如获取的图像中可能为车辆的外型图片、车检报告图片等，需要确定是否为车辆的内部座椅图像后对该内部座椅的信息进行载客数的审核。
接着，在步骤S13中，若是，则基于深度学习的车厢内部座椅检测模型定位车厢内部座椅以得到所述待检测车厢内部的座椅信息；在此，当待检测车厢内部图像为内部座椅图像时，采用内部座椅检测模型定位出待检测车厢内部的座椅信息，如座椅数量信息、座椅位置信息等，比如识别正副驾驶座为一座、两座或三座。
在步骤S14中，对定位到的座椅信息进行优化处理，根据优化处理后的座椅信息及所述座椅数量答案确定所述待检测车厢的检测结果。在此，对定位得到的座椅信息进行优化处理，以获得更精确的座椅信息，根据优化处理后的座椅信息统计座椅数量，判断是否与从服务器中获得的座椅数量答案一致，从而确定该待检测车厢的检测结果。从而节约了人力又保证了校验工作的公正和公开。
在本申请一实施例中，确定基于深度学习的车厢内部分类模型的步骤如下：
获取不同条件下的多个车厢内部图像和多个非车厢内部图像；
将所述多个车厢内部图像归为第一类图像，将所述多个非车厢内部图像归为第二类图像；
使用所述第一类图像和所述第二类图像训练深度神经网络模型，获得基于深度学习的车厢内部分类模型。
在此，所述不同条件下包括：不同角度、不同光照及不同图像质量中的任一种或任几种组合。比如获取不同角度、不同光照及不同图像质量的车厢内部图像和非车厢内部图像；将车厢内部图像归为一类，非车厢内部图像归为一类；使用该两类图像训练深度神经网络模型，获得车厢内部分类模型，以提高后续座椅检测的精度和速度。
在本申请一实施例中，确定基于深度学习的车厢内部座椅检测模型的步骤如下：
获取不同条件下的多个车厢内部图像；
对所述图像中车辆座椅的位置进行矩形框标记，并标记座椅的类别；
根据标记后的车辆座椅的位置及座椅的类别训练SSD目标检测网络，获得基于深度学习的车厢内部座椅检测模型。
在此，所述不同条件包括：不同角度、不同光照及不同图像质量中的任一种或任几种组合。比如获取不同角度、不同光照及不同图像质量的车厢内部图像；采用矩形框标记获得的车厢内部图像中车辆座椅的位置，并标记座椅的类别，比如为一座、两座、三座或其他座的座椅类别。使用该车厢内部图像中座椅的位置和座椅的类别这些信息训练SSD(SingleShot MultiBox Detector)目标检测网络，获得基于深度学习的车厢内部座椅检测模型。其中，SSD目标检测网络是使用VGG网络作为特征提取器，采用特征金字塔结构，在多个特征图上同时进行分类和回归。使用Softmax得到目标的类别信息，使用bounding boxregression得到目标的位置信息。如图2所示，首先将车厢内部图像输入目标检测模型，得到N个一维数组[class，x，y，width，height]，其中，class表示对象类别，比如为座椅区域还是背景，若目标是座椅区域则为1，否则为0。一维数组中后四个元素表征目标对象所在矩形区域，x和y表示矩形左上角的横、纵坐标，width表示矩形宽度，height表示矩形高度。每个数组均对应一个区域，利用区域矩形框面积大小构建区域远近信息，以矩形框面积最大的数组作为检测结果输出，然后通过矩形框位置信息从图像中提取车辆座椅位置信息。通过本申请所述的检测模型可以有效地剔除背景中其它干扰区域。
在本申请一实施例中，所述座椅信息包括座椅的位置信息和座椅的预测框信息，在步骤S14中，按照预设面积阈值及位置规划区域信息对定位到的座椅信息进行过滤处理；将所述座椅的预测框的重叠面积大于预设阈值的座椅进行合并，得到合并后的座椅信息；根据过滤后的座椅信息及所述合并后的座椅信息确定优化处理后的座椅信息。在此，对通过基于深度学习的车厢内部座椅检测模型预测的座椅信息进行优化处理，处理过程如下：获取预测的座椅信息中的座椅位置信息，采用预设算法(如Soft-NMS，柔性非极大值拟制算法)对座椅位置信息进行过滤，合并重叠座椅的预测框的面积大于一定阈值的座椅，去除面积过小或位置不合理的预测框，从而得到最终的座椅位置信息。
在本申请一实施例中，基于深度学习的车厢内部分类模型判断所述待检测车厢内部图像是否为内部座椅图像，若是，则将该次判断记录标志为0；若否，则将获取的待检测车厢的内部图像进行保存，并将该次判断记录标志为1。在此，判断得到的图像是否属于车厢内部座椅照片，若是，则记录此条判断记录标志为1，若否，则表明该图像不是车厢内部照片，可能为其他无关照片，记录此条标志为0，并保存相关图片。
在本申请一实施例中，所述座椅信息包括座椅数量，在步骤S14中，比对优化处理后的座椅信息中的座椅数量与所述座椅数量答案是否一致，若是，则将该次比对记录标志为0，若否，则将该次比对记录标志为1。在此，根据优化处理后的座椅位置信息统计座椅数量，若与服务器中的座椅数量答案一致，则标志该条比对记录为1，否则为0。
接上述实施例，当所述判断记录标志及所述比对记录标志均为0时，确定所述待检测车厢的检测结果为合格状态；当所述判断记录标志为1或所述比对记录标志为1时，确定所述待检测车厢的检测结果为未合格状态，并根据记录标志定位未合格原因。在此，对整个检测过程的动作结果进行统计分析，记录标志位全部为1，则车辆座椅核定载客数检测通过，若存在标志0，则车辆核定载客数检测不通过，同时，根据标志0出现的位置获取校验不通过的原因及问题图片。具体地，车辆核定载客数检测识别标准如下：待检测图像是否为车厢内部照片；检测出的座椅数量是否与服务器中座椅数量答案一致。本申请实施例中采用一个一维数组[x1，x2]表示校验状态，初始值为[1,1]，标志位x1表示是否为车厢内部照片，若是则x1为1，若否则x1为0；标志位x2表示车辆核定载客数与服务器中座椅数量答案是否一致，若一致则x2为1，若否则x2为0。根据校验标准判断车辆核定载客数检测识别是否通过，若通过则直接返回校验成功标识，若不通过则根据标志位为0的位置返回校验失败原因及相应图片，留待后期审核查证。
在本申请一实施例中，如图3所示，基于图像的车辆座椅信息检测方法的流程示意图，可应用于检测车辆座椅数量，包括以下步骤：
S1，采用基于深度学习的车厢内部分类模型判断获取的图片是否属于车厢内部座椅照片，若是，则记录此条标志为1；若不是，则表明该图片可能为其他无关照片，不再进行后续检测步骤，记录此条标志为0，并保存相关图片，进入统计分析流程；
S2，采用基于深度学习的车厢内部座椅检测模型定位所有得分大于一定阈值的座椅并识别其是一座、两座还是三座等；
S3，采用Soft-NMS(柔性非极大值拟制)对步骤S2中得到的座椅定位结果进行优化，合并重叠面积较大的座椅，去除面积过小或位置不合理的预测框；
S4，根据处理后的位置信息，统计座椅数量，若与座椅数量的标准答案(服务器存储的答案)一致，则标志位为1，反之为0；
S5，对整个过程的动作结果进行统计分析，记录标志位全部为1，则车辆座椅核定载客数检测通过；若存在标志0，则车辆核定载客数检测不通过。同时，根据标志0出现的位置获取校验不通过的原因及问题图片。
通过上述步骤，可以自动实现座椅的检测作用，同时可以将未通过的校验图像及原因传回服务器保存留待取证，既节约了人力又保证了校验工作的公正、公开。
根据本申请又一个方面，还提供了一种基于图像的车辆座椅信息检测的设备，所述设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如前述所述方法的操作。
例如，计算机可读指令在被执行时使所述一个或多个处理器：
获取待检测车厢内部图像及从服务器中获取所述待检测车厢对应的座椅数量答案；
基于深度学习的车厢内部分类模型判断所述待检测车厢内部图像是否为内部座椅图像；
若是，则基于深度学习的车厢内部座椅检测模型定位车厢内部座椅以得到所述待检测车厢内部的座椅信息；
对定位到的座椅信息进行优化处理，根据优化处理后的座椅信息及所述座椅数量答案确定所述待检测车厢的检测结果。
此外，本申请实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述一种基于图像的车辆座椅信息检测方法。
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。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。
Claims (6)
1.一种基于图像的车辆座椅信息检测方法，其特征在于，所述方法包括：
在机动车车辆查检中对车辆核定载客数进行检测时，获取待检测车厢内部图像及从服务器中获取所述待检测车厢对应的座椅数量答案；
基于深度学习的车厢内部分类模型判断所述待检测车厢内部图像是否为内部座椅图像；
若是，则基于深度学习的车厢内部座椅检测模型定位车厢内部座椅以得到所述待检测车厢内部的座椅信息，所述座椅信息包括座椅数量信息和位置信息，所述座椅数量信息是根据座椅类别得到的，所述座椅类别信息包括一座、两座、三座或其他座，所述座椅位置信息包括正副驾驶座；
对定位到的座椅信息进行优化处理，根据优化处理后的座椅信息中的座椅数量信息和位置信息统计座椅数量，并根据所述座椅数量及所述座椅数量答案确定所述待检测车厢的检测结果；
所述座椅信息还包括座椅的预测框信息，对定位到的座椅信息进行优化处理包括：
按照预设面积阈值及位置规划区域信息对定位到的座椅信息进行过滤处理；
将所述座椅的预测框的重叠面积大于预设阈值的座椅进行合并，得到合并后的座椅信息；
根据过滤后的座椅信息及所述合并后的座椅信息确定优化处理后的座椅信息；
基于深度学习的车厢内部座椅检测模型定位车厢内部座椅以得到所述待检测车厢内部的座椅信息之前，包括：
获取不同条件下的多个车厢内部图像；
对所述图像中车辆座椅的位置进行矩形框标记，并标记座椅的类别；
根据标记后的车辆座椅的位置及座椅的类别训练SSD目标检测网络，获得基于深度学习的车厢内部座椅检测模型；
基于深度学习的车厢内部分类模型判断所述待检测车厢内部图像是否为内部座椅图像之前，包括：
获取不同条件下的多个车厢内部图像和多个非车厢内部图像；
将所述多个车厢内部图像归为第一类图像，将所述多个非车厢内部图像归为第二类图像；
使用所述第一类图像和所述第二类图像训练深度神经网络模型，获得基于深度学习的车厢内部分类模型；
所述不同条件下包括：不同角度、不同光照及不同图像质量中的任一种或任几种组合。
2.根据权利要求1所述的方法，其特征在于，基于深度学习的车厢内部分类模型判断所述待检测车厢内部图像是否为内部座椅图像之后，包括：
若是，则将该次判断记录标志为0；
若否，则将获取的待检测车厢的内部图像进行保存，并将该次判断记录标志为1。
3.根据权利要求2所述的方法，其特征在于，所述座椅信息包括座椅数量，根据优化处理后的座椅信息及所述座椅数量答案确定所述待检测车厢的检测结果，包括：
比对优化处理后的座椅信息中的座椅数量与所述座椅数量答案是否一致，若是，则将该次比对记录标志为0，若否，则将该次比对记录标志为1。
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：
当所述判断记录标志及所述比对记录标志均为0时，确定所述待检测车厢的检测结果为合格状态；
当所述判断记录标志为1或所述比对记录标志为1时，确定所述待检测车厢的检测结果为未合格状态，并根据记录标志定位未合格原因。
5.一种基于图像的车辆座椅信息检测的设备，其特征在于，所述设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至4中任一项所述方法的操作。
6.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910601126.7A CN110378258B (zh) | 2019-07-04 | 2019-07-04 | 一种基于图像的车辆座椅信息检测方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910601126.7A CN110378258B (zh) | 2019-07-04 | 2019-07-04 | 一种基于图像的车辆座椅信息检测方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110378258A CN110378258A (zh) | 2019-10-25 |
| CN110378258B true CN110378258B (zh) | 2021-02-09 |
Family
ID=68252041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910601126.7A Expired - Fee Related CN110378258B (zh) | 2019-07-04 | 2019-07-04 | 一种基于图像的车辆座椅信息检测方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378258B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110852230A (zh) * | 2019-11-04 | 2020-02-28 | 上海眼控科技股份有限公司 | 一种用于车辆年检的厢式货车的车厢改装检测方法、系统、装置、平台及存储介质 |
| CN111144475A (zh) * | 2019-12-22 | 2020-05-12 | 上海眼控科技股份有限公司 | 车厢座位的确定方法、装置、电子设备及可读存储介质 |
| CN111144476A (zh) * | 2019-12-22 | 2020-05-12 | 上海眼控科技股份有限公司 | 车厢座位的检测方法、装置、电子设备及可读存储介质 |
| CN111339843A (zh) * | 2020-02-12 | 2020-06-26 | 中车青岛四方车辆研究所有限公司 | 动车组车厢拥挤度检测方法及装置 |
| CN113361413B (zh) * | 2021-06-08 | 2024-06-18 | 南京三百云信息科技有限公司 | 一种里程显示区域检测方法、装置、设备及存储介质 |
| CN113642454B (zh) * | 2021-08-11 | 2024-03-01 | 汇纳科技股份有限公司 | 座椅使用情况的识别方法、系统、设备及计算机存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960107A (zh) * | 2018-06-25 | 2018-12-07 | 安徽百诚慧通科技有限公司 | 一种小微型面包车超员识别方法及装置 |
| CN109784326A (zh) * | 2018-11-27 | 2019-05-21 | 上海眼控科技股份有限公司 | 一种基于深度学习的车辆底盘检测方法 |
| CN109815856A (zh) * | 2019-01-08 | 2019-05-28 | 深圳中兴网信科技有限公司 | 目标车辆的状态标记方法、系统和计算机可读存储介质 |
| CN109858470A (zh) * | 2019-03-06 | 2019-06-07 | 百度在线网络技术（北京）有限公司 | 用于输出信息的方法和装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4438753B2 (ja) * | 2006-01-27 | 2010-03-24 | 株式会社日立製作所 | 車両内状態検知システム，車両内状態検知装置および方法 |
| CN102867188B (zh) * | 2012-07-26 | 2015-06-17 | 中国科学院自动化研究所 | 一种基于级联结构的会场内座位状态检测方法 |
| CN107066953B (zh) * | 2017-03-22 | 2019-06-07 | 北京邮电大学 | 一种面向监控视频的车型识别、跟踪及矫正方法和装置 |
| CN107818322A (zh) * | 2017-10-13 | 2018-03-20 | 上海眼控科技股份有限公司 | 一种用于车辆年检的车辆vin码篡改检测系统及方法 |
| CN107844750B (zh) * | 2017-10-19 | 2020-05-19 | 华中科技大学 | 一种水面全景图像目标检测识别方法 |
| CN109829435B (zh) * | 2019-01-31 | 2023-04-25 | 深圳市商汤科技有限公司 | 一种视频图像处理方法、装置及计算机可读介质 |
-
2019
- 2019-07-04 CN CN201910601126.7A patent/CN110378258B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960107A (zh) * | 2018-06-25 | 2018-12-07 | 安徽百诚慧通科技有限公司 | 一种小微型面包车超员识别方法及装置 |
| CN109784326A (zh) * | 2018-11-27 | 2019-05-21 | 上海眼控科技股份有限公司 | 一种基于深度学习的车辆底盘检测方法 |
| CN109815856A (zh) * | 2019-01-08 | 2019-05-28 | 深圳中兴网信科技有限公司 | 目标车辆的状态标记方法、系统和计算机可读存储介质 |
| CN109858470A (zh) * | 2019-03-06 | 2019-06-07 | 百度在线网络技术（北京）有限公司 | 用于输出信息的方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| Study on Surface Defect Detection of Automobile Seat;X.M.Zhang 等;《International Conference on Computer Information Systems and Industrial Applications (CISIA 2015)》;20151231;第338-341页 * |
| 将车"读"得更透彻;罗超;《CPS评测实验室》;20171101;第156-157页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110378258A (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378258B (zh) | 一种基于图像的车辆座椅信息检测方法及设备 | |
| CN109657716B (zh) | 一种基于深度学习的车辆外观损伤识别方法 | |
| CN110276295B (zh) | 车辆识别号码检测识别方法及设备 | |
| CN110348360B (zh) | 一种检测报告识别方法及设备 | |
| CN104424466A (zh) | 对象检测方法、对象检测设备及图像拾取设备 | |
| CN113033604A (zh) | 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质 | |
| CN110765963A (zh) | 车辆制动检测方法、装置、设备及计算机可读存储介质 | |
| CN110796078A (zh) | 车辆的灯光检测方法、装置、电子设备及可读存储介质 | |
| CN110473211B (zh) | 一种弹簧片的数量的检测方法及设备 | |
| CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
| CN116798036B (zh) | 用于识别和校验答题卡客观题识别结果的方法及装置 | |
| CN112513927A (zh) | 基于卷积神经网络的风力涡轮机叶片缺陷检查 | |
| CN112784675B (zh) | 目标检测方法及装置、存储介质、终端 | |
| CN111507332A (zh) | 车辆vin码检测方法与设备 | |
| CN111881752B (zh) | 一种护栏检测分类方法、装置、电子设备及存储介质 | |
| CN116385380A (zh) | 基于深度特征的缺陷检测方法、系统、设备及存储介质 | |
| CN110728193B (zh) | 一种脸部图像丰富度特征的检测方法及设备 | |
| CN116432237A (zh) | 图像脱敏自动化测试方法、测试装置、设备及介质 | |
| CN111126286A (zh) | 车辆动态检测方法、装置、计算机设备及存储介质 | |
| CN110276347B (zh) | 文本类信息检测识别方法及设备 | |
| CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
| CN117237911A (zh) | 一种基于图像的动态障碍物快速检测方法及系统 | |
| CN111144475A (zh) | 车厢座位的确定方法、装置、电子设备及可读存储介质 | |
| CN107976319B (zh) | 一种轿车加装脚踏板的智能检测系统及方法 | |
| CN110852212A (zh) | 一种用于车辆检测中检验操作对象的方法及设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A vehicle seat information detection method and equipment based on image Effective date of registration: 20220211 Granted publication date: 20210209 Pledgee: Shanghai Bianwei Network Technology Co.,Ltd. Pledgor: SHANGHAI EYE CONTROL TECHNOLOGY Co.,Ltd. Registration number: Y2022310000023 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210209 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |