CN110969065A - 车辆检测方法、装置、前车防撞预警设备及存储介质 - Google Patents
车辆检测方法、装置、前车防撞预警设备及存储介质 Download PDFInfo
- Publication number
- CN110969065A CN110969065A CN201811160659.8A CN201811160659A CN110969065A CN 110969065 A CN110969065 A CN 110969065A CN 201811160659 A CN201811160659 A CN 201811160659A CN 110969065 A CN110969065 A CN 110969065A
- Authority
- CN
- China
- Prior art keywords
- scaling
- front vehicle
- positive sample
- vehicle
- sample 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 97
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种车辆检测方法、装置、前车防撞预警设备及计算机可读存储介质，其中，车辆检测方法包括：采集前方车辆正样本图像；获取该前方车辆正样本图像的大小分布和/或长宽比分布；依据该大小分布和/或长宽比分布对该前方车辆正样本图像进行缩放得到缩放后的图像；根据该缩放后的图像对该前方车辆正样本图像进行检测。通过对前方车辆图像的上述处理，解决了现有技术中在车辆检测过程中，没有针对车辆检测的实际情景优化搜索空间，导致车辆检测方法计算开销较大以及准确率较低的问题，通过优化搜索空间，降低了计算开销，提高了准确率和召回率。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种车辆检测方法、装置、前车防撞预警设备及计算机可读存储介质。
背景技术
汽车作为现代化先进的交通工具，改善了人们的生活方式，推动了社会经济的发展。随着电子技术的飞速发展，使得运动车辆的目标检测与跟踪技术成为可能。
目前前方车辆检测主要有两种解决方案。第一种是传统机器学习方法，先使用滑动窗口(Sliding Window)、选择搜索(Selective Search)等算法产生一定数量的候选proposal，再通过迭代算法(Adaboost)，支持向量机(Support Vector Machine，简称为SVM)等机器学习算法学习相关特征，进行正样本与负样本的分类，最终生成前方车辆的检测结果。其中Sliding Window在整个视频帧或图像上滑动固定大小的检测窗口，从左向右，从上到下，依次遍历图像所有可能的位置，再放大检测窗口，反复滚动，直到检测窗口大小大于一定阈值，于是无差别地暴力穷举出了所有可能的proposals，没有考虑到特征上的优化，非常耗时；Selective Search则考虑了颜色、边缘、角点等低级特征，一样靠滑动窗口遍历，但过滤了特征比较差的proposals,实现了一定的特征优化。机器学习算法监督学习事先有标注的正样本，以及采集自Sliding Window、Selective Search且与正样本IoU小于一定阈值的proposals即负样本，学习正样本与负样本的分类。便可以之后对同样由Proposal生成算法产生的Proposals进行Inference分类，实现前方车辆的检测结果。在机器学习领域中，一些基于SVM的前方车辆检测方法计算开销同样较大，不具备实时性；一些基于Adaboost的前方车辆检测方法使用性能较差的HOG等特征，也没有针对前方车辆检测的实际情境而优化搜索空间。第二种是深度神经网络，如R-CNN系列，SSD，YOLO等端到端网络，可以直接输出检测结果。深度神经网络内部集成了AlexNet或VGGNet或GoogLeNet或ResNet等预先训练好的分类网络，可以高效地提取特征以及Proposals，其实产生Proposals的算法本质还是Sliding Window，但具有高效特征和矢量化加速优势，再加上对特征分类的神经网络后端，后端的监督学习算法原理和机器学习一致。深度神经网络通过海量的数据集自发提取特征并学习可以有效回归或分类的大量参数，带来了一定的尺度不变性、平移不变性和旋转不变性，拟合复杂场景即搜索空间的性能十分卓越。但这同时意味着巨大的参数储存空间和依赖于图形处理器(Graphics Processing Unit，简称为GPU)加速技术的巨大开销，难以在移动设备会嵌入式设备上达到实时检测。
发明内容
有鉴于此，本发明实施例提供了一种车辆检测方法、装置、前车防撞预警设备及计算机可读存储介质，以解决现有技术中在车辆检测过程中，没有针对车辆检测的实际情景优化搜索空间，导致车辆检测方法计算开销较大以及准确率较低的问题。
为此，本发明实施例提供了如下技术方案：
本发明第一方面，提供了一种车辆检测方法，包括：采集前方车辆正样本图像；获取所述前方车辆正样本图像的大小分布和/或长宽比分布；依据所述大小分布和/或长宽比分布对所述前方车辆正样本图像进行缩放得到缩放后的图像；根据所述缩放后的图像对所述前方车辆正样本图像进行检测。
可选地，根据所述缩放后的图像对前方车辆进行检测包括：将所述缩放后的图像输入指定LBP特征分类器得到输出结果，将所述输出结果作为对所述前方车辆进行检测的结果；其中，所述指定LBP特征分类器是通过Adaboost算法由多张车辆正样本对LBP特征分类器进行训练得到的。
可选地，根据所述前方车辆正样本图像的大小分布对所述前方车辆正样本图像进行缩放得到缩放后的图像包括：获取第一缩放比例；其中，所述第一缩放比例为将前方车辆正样本图像缩放至预定检测窗口大小的缩放比例；根据所述第一缩放比例对所述前方车辆正样本图像进行缩放得到所述缩放后的图像。
可选地，根据所述前方车辆正样本图像的长宽比分布对所述前方车辆正样本图像进行缩放得到缩放后的图像包括：获取第二缩放比例；其中，所述第二缩放比例为第一类型车辆的长宽比与第二类型车辆的长宽比的比值；根据所述第二缩放比例对所述前方车辆正样本图像进行缩放得到所述缩放后的图像。
本发明第二方面，提供了一种车辆检测装置，包括：采集模块，用于采集前方车辆正样本图像；获取模块，用于获取所述前方车辆正样本图像的大小分布和/或长宽比分布；缩放模块，用于依据所述大小分布和/或长宽比分布对所述前方车辆正样本图像进行缩放得到缩放后的图像；检测模块，用于根据所述缩放后的图像对所述前方车辆正样本图像进行检测。
可选地，所述检查模块还用于将所述缩放后的图像输入指定LBP特征分类器得到输出结果，将所述输出结果作为对所述前方车辆进行检测的结果；其中，所述指定LBP特征分类器是通过Adaboost算法由多张车辆正样本对LBP特征分类器进行训练得到的。
可选地，所述缩放模块包括：第一获取单元，用于获取第一缩放比例；其中，所述第一缩放比例为将前方车辆正样本图像缩放至预定检测窗口大小的缩放比例；第一缩放单元，用于根据所述第一缩放比例对所述前方车辆正样本图像进行缩放得到所述缩放后的图像。
可选地，所述缩放模块包括：第二获取单元，用于获取第二缩放比例；其中，所述第二缩放比例为第一类型车辆的长宽比与第二类型车辆的长宽比的比值；第二缩放单元，用于根据所述第二缩放比例对所述前方车辆正样本图像进行缩放得到所述缩放后的图像。
本发明第三方面，提供了一种前车防撞预警设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述第一方面中任一所述的车辆检测方法。
本发明第四方面，提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述第一方面中任一所述的车辆检测方法。
本发明实施例技术方案，具有如下优点：
本发明实施例提供了一种车辆检测方法、装置、前车防撞预警设备及计算机可读存储介质，其中，车辆检测方法包括：采集前方车辆正样本图像；获取该前方车辆正样本图像的大小分布和/或长宽比分布；依据该大小分布和/或长宽比分布对该前方车辆正样本图像进行缩放得到缩放后的图像；根据该缩放后的图像对该前方车辆正样本图像进行检测。通过对前方车辆图像的上述处理，解决了现有技术中在车辆检测过程中，没有针对车辆检测的实际情景优化搜索空间，导致车辆检测方法计算开销较大以及准确率较低的问题，通过优化搜索空间，降低了计算开销，提高了准确率和召回率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的车辆检测方法的流程图；
图2是图像大小的三维直方图参考图；
图3是车辆图像的相对位置示意图；
图4为车辆图像正样本的长宽比的直方图参考图；
图5是根据本发明实施例的车辆检测装置的结构框图；
图6是本发明实施例提供的前车防撞预警设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域技术人员在没有作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。
在本实施例中提供了一种车辆检测方法，图1是根据本发明实施例的车辆检测方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，采集前方车辆正样本图像。其中，前方车辆图像可以包括当前车辆前方的一个或者多个车辆的图像。具体地，通过车辆的单目摄像头实地采集多场景下的视频数据，在采集到的视频数据上间隔一定帧数地读取图片，采集到彼此较为独立的不同图片，例如间隔帧数可以为20个，人工标注准确框住前方完整车辆的长方形框，不标注被截断的车辆，生成原始的标注数据集，即上述前方车辆正样本图像。此外为了便于图像识别，所有前方车辆正样本图像的大小可以一致，例如可以是1280*720。
步骤S102，获取前方车辆正样本图像的大小分布和/或长宽比分布。例如图像的大小分布包括近景尺度图像和远景尺度图像。
步骤S103，依据该大小分布和/或长宽比分布对前方车辆正样本图像进行缩放得到缩放后的图像。
步骤S104，根据缩放后的图像对前方车辆正样本图像进行检测。具体地，将该缩放后的图像输入指定LBP特征分类器得到输出结果，将该输出结果作为对该前方车辆进行检测的结果；其中，该指定LBP特征分类器是通过Adaboost算法由多张车辆正样本对LBP特征分类器进行训练得到的。本领域技术人员应当知晓，通过LBP特征分类器得到输出结果并非用于限制本实施例，根据实际需要而选择根据缩放后的图像对前方车辆正样本图像进行检测的其他方式亦在本实施例的保护范围之内。
通过上述步骤，利用获取到的大小分布及长宽比分布对车辆正样本图像进行缩放处理，从而在对图像进行检测时，优化了搜索空间，当然为了更好的优化搜索空间，不限于采用大小分布及长宽比分布进行缩放处理，还可以包括更多尺度图像，根据多尺度图像对前方车辆进行检测，从而解决了现有技术中在车辆检测过程中，没有针对车辆检测的实际情景优化搜索空间，导致车辆检测方法计算开销较大以及准确率较低的问题，通过优化搜索空间，降低了计算开销，提高了准确率和召回率。
上述步骤S102涉及到依据所述大小分布和/或长宽比分布对所述前方车辆正样本图像进行缩放得到缩放后的图像。在一个可选实施例中，获取第一缩放比例；其中，第一缩放比例为将前方车辆正样本图像缩放至预定检测窗口大小的缩放比例，根据该第一缩放比例对前方车辆正样本图像进行缩放得到缩放后的图像。具体地，统计出每个前方车辆的大小，进行聚类处理，得到若干大小的车辆图像。获取分别将近景车辆图像或者远景车辆图像缩放至预定检测窗口大小的第一缩放比例，根据该第一缩放比例得到缩放后的图像。该第一缩放比例是通过缩放这些前方车辆大小到检测窗口大小得到的。在检测阶段就用这些比例来缩放近景图像或远景图像本身，以致里面的车辆比较接近检测窗口大小，以使得能够让检测窗口能检测到车辆。具体地，对于大小，用机器学习算法K-means对所有正样本做聚点处理，一般指定聚点结果分为两种集合，那么可以得到两种大小，其中一种为较近前方车辆的聚集点，可看作前景，另一种为较远车辆的聚集点，可看作远景，得出把它们分别缩放到接近一定检测窗口大小的合适缩放比例，设为第一个缩放比例，按这些比例缩放可以得到多个尺度图像，从而减少不停放大检测窗口以扫描所需的额外时间。图2是图像大小的三维直方图参考图，可见较近前方车辆的大小比较集中，较远车辆的大小比较广泛，可以取中心点作为平均大小。用在大小的聚点集合上得出的多个缩放比例缩放图像，得到多尺度图像。为了保证实时性，可以只需得到近景和远景上的两种尺度图像。对于四个坐标，分别针对大小的不同聚点集合，根据其坐标的分布直方图，找出在横轴纵轴下合适的两个横坐标阈值(x1,x2)和两个纵坐标阈值(y1,y2)，使绝大部分标注框的四个坐标均落于其内。如图3所示，可见x1,x2,y1,y2的阈值可分别设为0.2,0.8,0.2,0.8。
前方车辆车尾图像的大小不一样，可以统计出来，根据大小的分布密度，可以根据不同比例缩放图像。模型检测窗口是有大小的，过大检测不到较小的目标，过小时又不得消耗放大的计算时间，若事先统计好大小的分布，并以此为据相应地缩放图像，得到多尺度图像，有利于同时检测到过大过小的图像，提高了检测效果。比如说前方近距离的车往往分布在左中右，且车尾很大，这时可以根据大小分布比例缩小图像，这样一来可以在尺寸较小的图像上检测，显然要比在尺寸较大图像上检测节省时间。
在另一个可选实施例中，获取第二缩放比例；其中，该第二缩放比例为第一类型车辆的长宽比与第二类型车辆的长宽比的比值；根据该第二缩放比例对该前方车辆正样本图像进行缩放得到该缩放后的图像。具体地，对于长宽比，用机器学习算法K-means对所有车辆正样本做聚类处理，即找出k个中心点，根据其他点到中心点的距离进行分类。一般分为两种集合，第一类型车辆的长宽比接近于1.1，即正方形的小车，第二类型车辆的长宽比接近于0.75，即高耸的大车。设模型检测窗口的宽度为20像素,宽度乘以第一个长宽比得到检测窗口的长度。第一类型车辆的长宽比除以第二类型车辆的长宽比得到宽度上的缩放比例，设为第二缩放比例。若图像在宽度上按该比例缩放，大车集合会被压缩的长宽比接近于小车，如果检测窗口本身的长宽比就接近小车，那么它也能在被缩放的图像上检测到已被缩放的大车。如图3所示为车辆图像正样本的长宽比的直方图参考图，可见聚类得到的两个中心点比较接近1.1和0.75。通过本可选实施例，用在长宽比的聚点集合上得出的多个缩放比例缩放所有新图像，得到多尺度图像。若其中一个长宽比和检测窗口的长宽比一致，可不按其长宽比上的缩放比例缩放图像。这样避免需要训练多个不同的模型并各自运行检测，只需用同一个检测窗口的模型就可以检测不同长宽比的目标，优化搜索空间，从而加快检测速度。
车型长宽比同样有分布规律，而检测窗口的长宽比是固定的，与其训练多个不同检测窗口的模型以一起检测，不如事先统计长宽比的分布，采取其中一个长宽比作为检测窗口的长宽比，至于其他长宽比，可以以此为据缩放图像，得到多尺度图像，从而使得车辆正样本图像的长宽比与检测窗口的长宽比一致，得以检测不同长宽比的前方车辆，避免了漏检情况的出现。
为了进一步优化搜索空间，加快检测速度，在一个可选实施例中，采集前方车辆图像之后，对前方车辆图像进行裁剪处理，得到裁剪后的图像；其中，裁剪后的图像为仅包括车辆部分的最小尺寸的图像。在另一个可选实施例中，上述采集前方车辆图像的过程本身可以是仅采集车辆部分图像的过程，例如获取当前车辆前方摄像范围中的指定范围，该指定范围可以是识别到完整前方车辆的最小范围，再根据该指定范围获取前方车辆图像。
具体地，遍历数据集，统计人工标注框的每一个四个坐标的相对位置的直方图，即框的左上角、右上角、左下角和右下角的x,y坐标，坐标轴的原点是左上角，横轴为x轴，纵轴为y轴，分别取向右和向下为正方向，计数从零开始。再统计人工标注框的长宽比和大小，准备做聚类处理。在不同的多尺度图像上用各自数据统计得出的四个坐标(x1,x2,y1,y2)裁剪各自尺度的图像，得到新的多尺度图像，因为由四个坐标组成的框之外基本没有车辆，可裁剪去掉，从而减少了所需的搜索空间，加快了检测速度。即，交通上前方车辆在图像的分布往往有一定的统计规律，比如车顶往往低于一定图像高度，于是通过统计得到该高度并裁剪图像，可以避免在很大程度上不存在前车的高度进行检测，提高了检测效果。
一般情况下，前方车辆车尾在图像上的分布不是均匀的，统计出该分布情况，根据分布密度，可以裁剪掉图像上车尾分布稀疏乃至没有车尾的部分，这样一来检测时可以避免在该图像部分上检测，减少计算开销。比如很远的车往往分布在中间且很小，即小车尾比较集中在中间，这时就裁剪出图像中间部分，这时可以只在图像中间部分检测出小车尾，比直接在整个图像上检测减小了计算开支，节省了时间。
在最终的多尺度图像上均用同一个模型检测，进行多尺度上的检测。极大值抑制处理检测结果，以去除重复的检测结果。
在实际应用过程中，在道路上采集交通视频，人工标注前方车辆，得到车尾数据集。通过Cascade算法训练分类模型并部署到移动设备上，后者通过单目摄像头在已优化的搜索空间里实时检测前方车辆。本发明实施例中的车辆检测方法应用在ADAS产品的前车防撞预警(FCW)功能中，为前车防撞提供最基本的目标检测以及目标大小能力，是前车防撞的最底层核心能力，是该产品其它模块的基础。在本实施例中还提供了一种车辆检测模型训练装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的车辆检测装置的结构框图，如图5所示，该装置包括：采集模块51，用于采集前方车辆正样本图像；获取模块52，用于获取所述前方车辆正样本图像的大小分布和/或长宽比分布；缩放模块53，用于依据所述大小分布和/或长宽比分布对所述前方车辆正样本图像进行缩放得到缩放后的图像；检测模块54，用于根据所述缩放后的图像对所述前方车辆正样本图像进行检测。
可选地，该检查模块还用于将该缩放后的图像输入指定LBP特征分类器得到输出结果，将该输出结果作为对该前方车辆进行检测的结果；其中，该指定LBP特征分类器是通过Adaboost算法由多张车辆正样本对LBP特征分类器进行训练得到的。
可选地，该缩放模块包括：第一获取单元，用于获取第一缩放比例；其中，该第一缩放比例为将前方车辆正样本图像缩放至预定检测窗口大小的缩放比例；第一缩放单元，用于根据该第一缩放比例对该前方车辆正样本图像进行缩放得到该缩放后的图像。
可选地，该缩放模块包括：第二获取单元，用于获取第二缩放比例；其中，该第二缩放比例为第一类型车辆的长宽比与第二类型车辆的长宽比的比值；第二缩放单元，用于根据该第二缩放比例对该前方车辆正样本图像进行缩放得到该缩放后的图像。
本实施例中的车辆检测模型训练装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
如图6所示，前车防撞预警设备可以包括：至少一个处理器601，例如CPU(CentralProcessing Unit，中央处理器)，至少一个通信接口603，存储器604，至少一个通信总线602。其中，通信总线602用于实现这些组件之间的连接通信。其中，通信接口603可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口603还可以包括标准的有线接口、无线接口。存储器604可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述处理器601的存储装置。其中处理器601可以结合图5所描述的装置，存储器604中存储一组程序代码，且处理器601调用存储器604中存储的程序代码，以用于执行上述实施例中的车辆检测模型训练方法或者车辆检测方法。
其中，通信总线602可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线602可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器604可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器604还可以包括上述种类的存储器的组合。
其中，处理器601可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器601还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器604还用于存储程序指令。处理器601可以调用程序指令，实现如本申请图1实施例中所示的车辆检测方法。
本发明实施例还提供了一种非暂态计算机存储介质，该计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的车辆检测方法。其中，该存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；该存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种车辆检测方法，其特征在于，包括：
采集前方车辆正样本图像；
获取所述前方车辆正样本图像的大小分布和/或长宽比分布；
依据所述大小分布和/或长宽比分布对所述前方车辆正样本图像进行缩放得到缩放后的图像；
根据所述缩放后的图像对所述前方车辆正样本图像进行检测。
2.根据权利要求1所述的方法，其特征在于，根据所述缩放后的图像对前方车辆进行检测包括：
将所述缩放后的图像输入指定LBP特征分类器得到输出结果，将所述输出结果作为对所述前方车辆进行检测的结果；其中，所述指定LBP特征分类器是通过Adaboost算法由多张车辆正样本对LBP特征分类器进行训练得到的。
3.根据权利要求1或者2所述的方法，其特征在于，根据所述前方车辆正样本图像的大小分布对所述前方车辆正样本图像进行缩放得到缩放后的图像包括：
获取第一缩放比例；其中，所述第一缩放比例为将前方车辆正样本图像缩放至预定检测窗口大小的缩放比例；
根据所述第一缩放比例对所述前方车辆正样本图像进行缩放得到所述缩放后的图像。
4.根据权利要求1或者2所述的方法，其特征在于，根据所述前方车辆正样本图像的长宽比分布对所述前方车辆正样本图像进行缩放得到缩放后的图像包括：
获取第二缩放比例；其中，所述第二缩放比例为第一类型车辆的长宽比与第二类型车辆的长宽比的比值；
根据所述第二缩放比例对所述前方车辆正样本图像进行缩放得到所述缩放后的图像。
5.一种车辆检测装置，其特征在于，包括：
采集模块，用于采集前方车辆正样本图像；
获取模块，用于获取所述前方车辆正样本图像的大小分布和/或长宽比分布；
缩放模块，用于依据所述大小分布和/或长宽比分布对所述前方车辆正样本图像进行缩放得到缩放后的图像；
检测模块，用于根据所述缩放后的图像对所述前方车辆正样本图像进行检测。
6.根据权利要求5所述的装置，其特征在于，所述检查模块还用于将所述缩放后的图像输入指定LBP特征分类器得到输出结果，将所述输出结果作为对所述前方车辆进行检测的结果；其中，所述指定LBP特征分类器是通过Adaboost算法由多张车辆正样本对LBP特征分类器进行训练得到的。
7.根据权利要求5或者6所述的装置，其特征在于，所述缩放模块包括：
第一获取单元，用于获取第一缩放比例；其中，所述第一缩放比例为将前方车辆正样本图像缩放至预定检测窗口大小的缩放比例；
第一缩放单元，用于根据所述第一缩放比例对所述前方车辆正样本图像进行缩放得到所述缩放后的图像。
8.根据权利要求5或者6所述的装置，其特征在于，所述缩放模块包括：
第二获取单元，用于获取第二缩放比例；其中，所述第二缩放比例为第一类型车辆的长宽比与第二类型车辆的长宽比的比值；
第二缩放单元，用于根据所述第二缩放比例对所述前方车辆正样本图像进行缩放得到所述缩放后的图像。
9.一种前车防撞预警设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述权利要求1-4中任一所述的车辆检测方法。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现上述权利要求1-4中任一所述的车辆检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811160659.8A CN110969065B (zh) | 2018-09-30 | 2018-09-30 | 车辆检测方法、装置、前车防撞预警设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811160659.8A CN110969065B (zh) | 2018-09-30 | 2018-09-30 | 车辆检测方法、装置、前车防撞预警设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110969065A true CN110969065A (zh) | 2020-04-07 |
| CN110969065B CN110969065B (zh) | 2023-11-28 |
Family
ID=70029206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811160659.8A Active CN110969065B (zh) | 2018-09-30 | 2018-09-30 | 车辆检测方法、装置、前车防撞预警设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110969065B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113076962A (zh) * | 2021-05-14 | 2021-07-06 | 电子科技大学 | 一种基于可微神经网络搜索技术的多尺度目标检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1992874A (zh) * | 2005-12-29 | 2007-07-04 | 宏碁股份有限公司 | 可调式图像缩放系统与图像长宽比的操控方法 |
| CN105654067A (zh) * | 2016-02-02 | 2016-06-08 | 北京格灵深瞳信息技术有限公司 | 一种车辆检测方法及装置 |
| CN106028117A (zh) * | 2016-05-24 | 2016-10-12 | 青岛海信电器股份有限公司 | 一种图像处理方法及装置 |
| CN106114505A (zh) * | 2016-07-04 | 2016-11-16 | 浙江工商大学 | 一种车辆辅助驾驶系统的前车碰撞预警方法 |
| CN106503627A (zh) * | 2016-09-30 | 2017-03-15 | 西安翔迅科技有限责任公司 | 一种基于视频分析的车辆避让行人检测方法 |
| CN107704833A (zh) * | 2017-10-13 | 2018-02-16 | 杭州电子科技大学 | 一种基于机器学习的前方车辆检测与跟踪方法 |
| CN108133231A (zh) * | 2017-12-14 | 2018-06-08 | 江苏大学 | 一种尺度自适应的实时车辆检测方法 |
| CN108364027A (zh) * | 2018-03-04 | 2018-08-03 | 南京理工大学 | 一种快速的前向多车型车辆检测方法 |
| CN108510084A (zh) * | 2018-04-04 | 2018-09-07 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
-
2018
- 2018-09-30 CN CN201811160659.8A patent/CN110969065B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1992874A (zh) * | 2005-12-29 | 2007-07-04 | 宏碁股份有限公司 | 可调式图像缩放系统与图像长宽比的操控方法 |
| CN105654067A (zh) * | 2016-02-02 | 2016-06-08 | 北京格灵深瞳信息技术有限公司 | 一种车辆检测方法及装置 |
| CN106028117A (zh) * | 2016-05-24 | 2016-10-12 | 青岛海信电器股份有限公司 | 一种图像处理方法及装置 |
| CN106114505A (zh) * | 2016-07-04 | 2016-11-16 | 浙江工商大学 | 一种车辆辅助驾驶系统的前车碰撞预警方法 |
| CN106503627A (zh) * | 2016-09-30 | 2017-03-15 | 西安翔迅科技有限责任公司 | 一种基于视频分析的车辆避让行人检测方法 |
| CN107704833A (zh) * | 2017-10-13 | 2018-02-16 | 杭州电子科技大学 | 一种基于机器学习的前方车辆检测与跟踪方法 |
| CN108133231A (zh) * | 2017-12-14 | 2018-06-08 | 江苏大学 | 一种尺度自适应的实时车辆检测方法 |
| CN108364027A (zh) * | 2018-03-04 | 2018-08-03 | 南京理工大学 | 一种快速的前向多车型车辆检测方法 |
| CN108510084A (zh) * | 2018-04-04 | 2018-09-07 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113076962A (zh) * | 2021-05-14 | 2021-07-06 | 电子科技大学 | 一种基于可微神经网络搜索技术的多尺度目标检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110969065B (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109918969B (zh) | 人脸检测方法及装置、计算机装置和计算机可读存储介质 | |
| CN108475331B (zh) | 用于对象检测的方法、装置、系统和计算机可读介质 | |
| CN108388879B (zh) | 目标的检测方法、装置和存储介质 | |
| Wang et al. | Real‐Time Vehicle Detection Algorithm Based on Vision and Lidar Point Cloud Fusion | |
| WO2018103608A1 (zh) | 一种文字检测方法、装置及存储介质 | |
| CN107833213B (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
| CN107358258B (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
| CN110097050B (zh) | 行人检测方法、装置、计算机设备及存储介质 | |
| CN107730553B (zh) | 一种基于伪真值搜寻法的弱监督物体检测方法 | |
| CN111709923A (zh) | 一种三维物体检测方法、装置、计算机设备和存储介质 | |
| CN113255605A (zh) | 一种路面病害检测方法、装置、终端设备及存储介质 | |
| CN110766061B (zh) | 一种道路场景匹配方法及装置 | |
| CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
| CN114049499A (zh) | 用于连续轮廓的目标对象检测方法、设备及存储介质 | |
| EP2813973A1 (en) | Method and system for processing video image | |
| CN113869449A (zh) | 一种模型训练、图像处理方法、装置、设备及存储介质 | |
| CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
| CN110991310A (zh) | 人像检测方法、装置、电子设备及计算机可读介质 | |
| CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
| CN114037839B (zh) | 一种小目标识别方法、系统、电子设备及介质 | |
| CN113657370B (zh) | 一种文字识别方法及其相关设备 | |
| CN110969065B (zh) | 车辆检测方法、装置、前车防撞预警设备及存储介质 | |
| CN113657369A (zh) | 一种文字识别方法及其相关设备 | |
| CN117315406A (zh) | 一种样本图像处理方法、装置及设备 | |
| CN112949584A (zh) | 一种图像筛选方法及装置、电子设备和存储介质 |
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 |