CN111083362A - 一种车辆出入库自动聚焦的实现方法 - Google Patents

一种车辆出入库自动聚焦的实现方法 Download PDF

Info

Publication number
CN111083362A
CN111083362A CN201911279602.4A CN201911279602A CN111083362A CN 111083362 A CN111083362 A CN 111083362A CN 201911279602 A CN201911279602 A CN 201911279602A CN 111083362 A CN111083362 A CN 111083362A
Authority
CN
China
Prior art keywords
vehicle
picture
automatic focusing
garage
steps
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
Application number
CN201911279602.4A
Other languages
English (en)
Inventor
苏广源
翟超
彭云龙
支百图
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.)
Shandong Inspur Genersoft Information Technology Co Ltd
Original Assignee
Shandong Inspur Genersoft Information 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 Shandong Inspur Genersoft Information Technology Co Ltd filed Critical Shandong Inspur Genersoft Information Technology Co Ltd
Priority to CN201911279602.4A priority Critical patent/CN111083362A/zh
Publication of CN111083362A publication Critical patent/CN111083362A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/67—Focus control based on electronic image sensor signals
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种车辆出入库自动聚焦的实现方法，属于智能设备、图像处理技术领域。本发明的车辆出入库自动聚焦的实现方法，通过训练阶段形成训练模型，利用训练模型对车辆进行检测，对车辆的感兴趣区域进行拍摄形成图片，并使车辆信息占据图片最大面积。该发明的车辆出入库自动聚焦的实现方法能够较少认为干预，从而减少作弊行为，来实现不同车型的自动聚焦、自动拍照，具有很好的推广应用价值。

Description

一种车辆出入库自动聚焦的实现方法
技术领域
本发明涉及智能设备、图像处理技术领域，具体提供一种车辆出入库自动聚焦的实现方法。
背景技术
随着物联网、智能设备的快速发展，各行业对智能化、无人化的需求也呈现较快的增长。如何利用物联网、人工智能、智能化设备等降低重复性劳动、防止某些作业的作弊行为已经成为诸多行业和企业的痛点。本发明针对车辆出入库环节，利用通用球形摄像头，减少人为干预，减少作弊行为，实现不同车型的自动聚焦、自动拍照。
发明内容
本发明的技术任务是针对上述存在的问题，提供一种能够较少认为干预，从而减少作弊行为，来实现不同车型的自动聚焦、自动拍照的车辆出入库自动聚焦的实现方法。
为实现上述目的，本发明提供了如下技术方案：
一种车辆出入库自动聚焦的实现方法，该方法通过训练阶段形成训练模型，利用训练模型对车辆进行检测，对车辆的感兴趣区域进行拍摄形成图片，并使车辆信息占据图片最大面积。
作为优选，该车辆出入库自动聚焦的实现方法包括车辆预置位旋转过程和车辆追踪过程。
作为优选，所述车辆预置位旋转过程包括以下步骤：
S1、对出入库场景内的车辆图片进行收集，形成车辆图片库；
其中，在其他条件固定的情况下，图片数量越多，检测识别率越高。
S2、对图片中感兴趣区域进行截取和标记；
S3、对标记的图片进行训练，形成模型文件；
S4、现场调试并预制好各车辆的预置位信息；
S5、现场调试并预制好各车辆的变倍值；
S6、在出入库扣开启摄像头闯入侦测时间，对当前车辆进行检测；
S7、车辆停止后触发，根据步骤S6识别的车辆信息及步骤S4中车辆的预置位信息，调用摄像头旋转接口，旋转摄像头；
此处车辆停止后触发的状态可利用减帧判断。
S8、检测车辆感兴趣区域是否拍摄完全，若未拍摄完全，依次旋转摄像头至所有预置位，直至拍摄完全感兴趣区域；
S9、根据步骤S6识别的车辆信息及步骤S5中车辆的变倍值信息，在保证车辆拍摄完全时进行变倍，使车辆感兴趣区域占据图片最大面积；
S10、触发拍照。
作为优选，步骤S2中采用人工和机器相结合的半自动方式对图片中感兴趣区域进行截取和标记。
作为优选，步骤S3中基于深度学习环境，对标记的图片进行训练，形成模型文件。
本发明中基于深度学习环境如如tensorflow，如条件不具备可配置简单的机器学习环境。
作为优选，步骤S6中，利用深度学习算法与步骤S3得到的模型文件对当前车辆进行检测，可同时识别车型。
作为优选，所述车辆追踪过程包括以下步骤：
Sa、对现场车辆图片进行收集，形成车辆图片库；
其中，在其他条件固定的情况下，图片数量越多，检测识别率越高。
Sb、对图片中感兴趣区域进行截取和标记；
Sc、对标记的图片进行训练，形成模型文件；
Sd、在车入库口开启摄像头闯入侦测时间，对当前车辆进行检测；
Se、根据当前车辆感兴趣区域的位置，调用摄像头旋转接口，旋转摄像头使感兴趣区域处于图片中心；
Sf、循环执行步骤Sd和步骤Se，直至车辆停止；
此处车辆停止的状态可利用减帧判断。
Sg、停止条件触发后，对不同车型的车辆进行放大，使车辆信息占据图片最大面积；
Sh、触发拍照。
作为优选，步骤Sb中，采用人工和机器相结合的半自动方式对图片中感兴趣区域进行截取和标记。
作为优选，步骤Sc中基于深度学习环境，对标记的图片进行训练，形成模型文件。
本发明中基于深度学习环境如如tensorflow，如条件不具备可配置简单的机器学习环境。
作为优选，步骤Sd利用深度学习算法和步骤Sc得到的模型文件对当前车辆进行检测，并得到感兴趣区域在图片中的位置坐标。
与现有技术相比，本发明的车辆出入库自动聚焦的实现方法具有以下突出的有益效果：本发明所述的车辆出入库自动聚焦的实现方法针对车辆出入库环节，利用通用球形摄像头，通过车辆预置位旋转过程和车辆追踪过程，能够较少认为干预，从而减少作弊行为，来实现不同车型的自动聚焦、自动拍照，具有良好的推广应用价值。
附图说明
图1是本发明所述车辆出入库自动聚焦的实现方法的车辆预置位旋转过程流程图；
图2是本发明所述车辆出入库自动聚焦的实现方法的车辆追踪过程流程图。
具体实施方式
下面将结合附图和实施例，对本发明的车辆出入库自动聚焦的实现方法作进一步详细说明。
实施例
本发明的车辆出入库自动聚焦的实现方法通过训练阶段形成训练模型，利用训练模型对车辆进行检测，对车辆的感兴趣区域进行拍摄形成图片，并使车辆信息占据图片最大面积。
其中，该车辆出入库自动聚焦的实现方法包括车辆预置位旋转过程和车辆追踪过程。
如图1所示，车辆预置位旋转过程包括以下步骤：
S1、对出入库场景内的车辆图片进行收集，形成车辆图片库。
其中，在其他条件固定的情况下，图片数量越多，检测识别率越高。
S2、对图片中感兴趣区域进行截取和标记。
采用人工和机器相结合的半自动方式对图片中感兴趣区域进行截取和标记。
S3、对标记的图片进行训练，形成模型文件。
基于深度学习环境如tensorflow，如条件不具备可配置简单的机器学习环境，对标记的图片进行训练，形成模型文件。
S4、现场调试并预制好各车辆的预置位信息。
S5、现场调试并预制好各车辆的变倍值。
S6、在出入库扣开启摄像头闯入侦测时间，对当前车辆进行检测。
利用深度学习算法与步骤S3得到的模型文件对当前车辆进行检测，可同时识别车型。
S7、车辆停止后触发，根据步骤S6识别的车辆信息及步骤S4中车辆的预置位信息，调用摄像头旋转接口，旋转摄像头。
此处车辆停止后触发的状态可利用减帧判断。
S8、检测车辆感兴趣区域是否拍摄完全，若未拍摄完全，依次旋转摄像头至所有预置位，直至拍摄完全感兴趣区域。
S9、根据步骤S6识别的车辆信息及步骤S5中车辆的变倍值信息，在保证车辆拍摄完全时进行变倍，使车辆感兴趣区域占据图片最大面积。
S10、触发拍照。
如图2所示，所述车辆追踪过程包括以下步骤：
Sa、对现场车辆图片进行收集，形成车辆图片库。
其中，在其他条件固定的情况下，图片数量越多，检测识别率越高。
Sb、对图片中感兴趣区域进行截取和标记。
采用人工和机器相结合的半自动方式对图片中感兴趣区域进行截取和标记。
Sc、对标记的图片进行训练，形成模型文件。
基于深度学习环境，对标记的图片进行训练，形成模型文件。本发明中基于深度学习环境如tensorflow，如条件不具备可配置简单的机器学习环境。
Sd、在车入库口开启摄像头闯入侦测时间，对当前车辆进行检测。
利用深度学习算法和步骤Sc得到的模型文件对当前车辆进行检测，并得到感兴趣区域在图片中的位置坐标。
Se、根据当前车辆感兴趣区域的位置，调用摄像头旋转接口，旋转摄像头使感兴趣区域处于图片中心。
Sf、循环执行步骤Sd和步骤Se，直至车辆停止。
此处车辆停止的状态可利用减帧判断。
Sg、停止条件触发后，对不同车型的车辆进行放大，使车辆信息占据图片最大面积；
Sh、触发拍照。
以上所述的实施例，只是本发明较优选的具体实施方式，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。

Claims (10)

1.一种车辆出入库自动聚焦的实现方法，其特征在于：该方法通过训练阶段形成训练模型，利用训练模型对车辆进行检测，对车辆的感兴趣区域进行拍摄形成图片，并使车辆信息占据图片最大面积。
2.根据权利要求1所述的车辆出入库自动聚焦的实现方法，其特征在于：该方法包括车辆预置位旋转过程和车辆追踪过程。
3.根据权利要求2所述的车辆出入库自动聚焦的实现方法，其特征在于：所述车辆预置位旋转过程包括以下步骤：
S1、对出入库场景内的车辆图片进行收集，形成车辆图片库；
S2、对图片中感兴趣区域进行截取和标记；
S3、对标记的图片进行训练，形成模型文件；
S4、现场调试并预制好各车辆的预置位信息；
S5、现场调试并预制好各车辆的变倍值；
S6、在出入库扣开启摄像头闯入侦测时间，对当前车辆进行检测；
S7、车辆停止后触发，根据步骤S6识别的车辆信息及步骤S4中车辆的预置位信息，调用摄像头旋转接口，旋转摄像头；
S8、检测车辆感兴趣区域是否拍摄完全，若未拍摄完全，依次旋转摄像头至所有预置位，直至拍摄完全感兴趣区域；
S9、根据步骤S6识别的车辆信息及步骤S5中车辆的变倍值信息，在保证车辆拍摄完全时进行变倍，使车辆感兴趣区域占据图片最大面积；
S10、触发拍照。
4.根据权利要求3所述的车辆出入库自动聚焦的实现方法，其特征在于：步骤S2中采用人工和机器相结合的半自动方式对图片中感兴趣区域进行截取和标记。
5.根据权利要求4所述的车辆出入库自动聚焦的实现方法，其特征在于：步骤S3中基于深度学习环境，对标记的图片进行训练，形成模型文件。
6.根据权利要求5所述的车辆出入库自动聚焦的实现方法，其特征在于：步骤S6中，利用深度学习算法与步骤S3得到的模型文件对当前车辆进行检测，可同时识别车型。
7.根据权利要求6所述的车辆出入库自动聚焦的实现方法，其特征在于：所述车辆追踪过程包括以下步骤：
Sa、对现场车辆图片进行收集，形成车辆图片库；
Sb、对图片中感兴趣区域进行截取和标记；
Sc、对标记的图片进行训练，形成模型文件；
Sd、在车入库口开启摄像头闯入侦测时间，对当前车辆进行检测；
Se、根据当前车辆感兴趣区域的位置，调用摄像头旋转接口，旋转摄像头使感兴趣区域处于图片中心；
Sf、循环执行步骤Sd和步骤Se，直至车辆停止；
Sg、停止条件触发后，对不同车型的车辆进行放大，使车辆信息占据图片最大面积；
Sh、触发拍照。
8.根据权利要求7所述的车辆出入库自动聚焦的实现方法，其特征在于：步骤Sb中，采用人工和机器相结合的半自动方式对图片中感兴趣区域进行截取和标记。
9.根据权利要求8所述的车辆出入库自动聚焦的实现方法，其特征在于：步骤Sc中基于深度学习环境，对标记的图片进行训练，形成模型文件。
10.根据权利要求9所述的车辆出入库自动聚焦的实现方法，其特征在于：步骤Sd利用深度学习算法和步骤Sc得到的模型文件对当前车辆进行检测，并得到感兴趣区域在图片中的位置坐标。
CN201911279602.4A 2019-12-13 2019-12-13 一种车辆出入库自动聚焦的实现方法 Pending CN111083362A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911279602.4A CN111083362A (zh) 2019-12-13 2019-12-13 一种车辆出入库自动聚焦的实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911279602.4A CN111083362A (zh) 2019-12-13 2019-12-13 一种车辆出入库自动聚焦的实现方法

Publications (1)

Publication Number Publication Date
CN111083362A true CN111083362A (zh) 2020-04-28

Family

ID=70314449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911279602.4A Pending CN111083362A (zh) 2019-12-13 2019-12-13 一种车辆出入库自动聚焦的实现方法

Country Status (1)

Country Link
CN (1) CN111083362A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101263539A (zh) * 2005-09-15 2008-09-10 曼海姆投资股份有限公司 自动拍摄待出售或拍卖的机动车辆及其他物品的图像的方法和装置
CN104512327A (zh) * 2013-09-27 2015-04-15 比亚迪股份有限公司 盲区车辆检测方法、系统、车辆变道预警方法及系统
CN105868786A (zh) * 2016-04-01 2016-08-17 山东正晨科技股份有限公司 一种基于自编码预训练深度神经网络的车标识别方法
CN105975941A (zh) * 2016-05-31 2016-09-28 电子科技大学 一种基于深度学习的多方向车型检测识别系统
US20160328971A1 (en) * 2014-10-02 2016-11-10 Omid B. Nakhjavani Parking Lot Surveillance
CN106375666A (zh) * 2016-09-26 2017-02-01 成都臻识科技发展有限公司 一种基于车牌的自动对焦方法及装置
CN110008360A (zh) * 2019-04-09 2019-07-12 河北工业大学 包含特定背景图像的车辆目标图像数据库建立方法
CN110136449A (zh) * 2019-06-17 2019-08-16 珠海华园信息技术有限公司 基于深度学习的交通视频车辆违停自动识别抓拍的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101263539A (zh) * 2005-09-15 2008-09-10 曼海姆投资股份有限公司 自动拍摄待出售或拍卖的机动车辆及其他物品的图像的方法和装置
CN104512327A (zh) * 2013-09-27 2015-04-15 比亚迪股份有限公司 盲区车辆检测方法、系统、车辆变道预警方法及系统
US20160328971A1 (en) * 2014-10-02 2016-11-10 Omid B. Nakhjavani Parking Lot Surveillance
CN105868786A (zh) * 2016-04-01 2016-08-17 山东正晨科技股份有限公司 一种基于自编码预训练深度神经网络的车标识别方法
CN105975941A (zh) * 2016-05-31 2016-09-28 电子科技大学 一种基于深度学习的多方向车型检测识别系统
CN106375666A (zh) * 2016-09-26 2017-02-01 成都臻识科技发展有限公司 一种基于车牌的自动对焦方法及装置
CN110008360A (zh) * 2019-04-09 2019-07-12 河北工业大学 包含特定背景图像的车辆目标图像数据库建立方法
CN110136449A (zh) * 2019-06-17 2019-08-16 珠海华园信息技术有限公司 基于深度学习的交通视频车辆违停自动识别抓拍的方法

Similar Documents

Publication Publication Date Title
CN105654512A (zh) 一种目标跟踪方法和装置
CN103246896B (zh) 一种鲁棒性车辆实时检测与跟踪方法
CN105844659B (zh) 运动部件的跟踪方法和装置
CN105872363A (zh) 人脸对焦清晰度的调整方法及调整装置
Dong et al. Visual UAV detection method with online feature classification
CN109447030A (zh) 一种用于火灾场景的消防机器人动作实时指导算法
CN103810718A (zh) 一种剧烈运动目标检测方法和装置
CN102065275A (zh) 智能视频监控系统中多目标跟踪方法
CN111368727A (zh) 配电室巡检人员着装检测方法、存储介质、系统、装置
CN110839127A (zh) 巡检机器人抓拍方法、装置、系统及巡检机器人
Cai et al. Towards a practical PTZ face detection and tracking system
WO2022227548A1 (zh) 抛洒事件检测方法、装置、电子设备、存储介质及计算机程序产品
CN103607558A (zh) 一种视频监控系统及其目标匹配方法和装置
CN111445442A (zh) 基于神经网络的人群计数方法、装置、服务器及存储介质
CN111083362A (zh) 一种车辆出入库自动聚焦的实现方法
Keawboontan et al. Toward real-time uav multi-target tracking using joint detection and tracking
CN112784675B (zh) 目标检测方法及装置、存储介质、终端
CN112422895A (zh) 基于无人机的图像分析跟踪、定位系统及方法
CN113554682B (zh) 一种基于目标跟踪的安全帽检测方法
CN110728846B (zh) 一种车辆抓拍精准控制方法
Jiang et al. Depth image-based obstacle avoidance for an in-door patrol robot
CN112949606B (zh) 工服穿戴状态检测方法、装置、存储介质及电子装置
CN114422776A (zh) 摄像设备的检测方法及装置、存储介质、电子装置
CN114155487A (zh) 一种基于多组卷积融合的电力作业人员检测方法
CN107356232A (zh) 一种视觉检测系统用图像处理方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200428

RJ01 Rejection of invention patent application after publication