CN111091023B - 一种车辆检测方法、装置及电子设备 - Google Patents
一种车辆检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111091023B CN111091023B CN201811235964.9A CN201811235964A CN111091023B CN 111091023 B CN111091023 B CN 111091023B CN 201811235964 A CN201811235964 A CN 201811235964A CN 111091023 B CN111091023 B CN 111091023B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- detected
- lane line
- information corresponding
- road
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 86
- 238000003825 pressing Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种车辆检测方法、装置及电子设备,其中,所述车辆检测方法包括:获取道路摄像头采集的道路图像;利用车辆检测模型,对所述道路图像进行检测,得到所述道路图像中各个车道方向上的待检测车辆的位置信息;该车辆检测模型是利用收集的道路图像样本预先训练得到。本发明的方案,不仅可以提高车辆检测的准确率,还可以满足复杂交通情况下的多种需求,比如借助得到的各个车道方向上的待检测车辆的位置信息,分析当前道路的路况信息和车辆行进方向,以及进行压线违章检测等操作。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种车辆检测方法、装置及电子设备。
背景技术
随着科学技术的进步,图像目标检测已成为当今研究的热门课题,在社会生活的各个方面有着广泛的应用,而将图像目标检测应用到智能交通领域更是热门之一。具体的,当将图像目标检测应用到智能交通领域时,主要可进行在智能交通领域中有着广泛应用的车辆检测。
当前,在利用图像目标检测进行车辆检测时,通常是通过提取图像中的各个特征来进行车辆检测。但是,这种车辆检测方法的检测准确率低。
发明内容
本发明实施例提供一种车辆检测方法、装置及电子设备,以解决现有的车辆检测方法的检测准确率低的问题。
第一方面,本发明实施例提供了一种车辆检测方法,包括:
获取道路摄像头采集的道路图像;
利用车辆检测模型,对所述道路图像进行检测,得到所述道路图像中各个车道方向上的待检测车辆的位置信息;
其中,所述车辆检测模型是利用收集的道路图像样本预先训练得到。
第二方面,本发明实施例提供了一种车辆检测装置,包括:
第一获取模块,用于获取道路摄像头采集的道路图像;
第一检测模块,用于利用车辆检测模型,对所述道路图像进行检测,得到所述道路图像中各个车道方向上的待检测车辆的位置信息;
其中,所述车辆检测模型是利用收集的道路图像样本预先训练得到。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述计算机程序被所述处理器执行时可实现上述车辆检测方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时可实现上述车辆检测方法的步骤。
本发明实施例中,通过获取道路摄像头采集的道路图像,利用车辆检测模型,对道路图像进行检测,得到道路图像中各个车道方向上的待检测车辆的位置信息,不仅可以提高车辆检测的准确率,还可以满足复杂交通情况下的多种需求,比如借助得到的各个车道方向上的待检测车辆的位置信息,分析当前道路的路况信息,以及进行压线违章检测等操作。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例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为本发明实施例的车辆检测方法的流程图;
图2为本发明实施例中利用目标框框出待检测车辆的示意图;
图3A为本发明具体实例中压线违章的示意图;
图3B为本发明具体实例中未压线违章的示意图;
图4为本发明具体实例中待检测车辆的目标框的划分示意图;
图5为本发明具体实例中进行车辆红灯压线检测的示意图;
图6为本发明具体实例中建立的三维坐标系的示意图;
图7为本发明实施例的车辆检测装置的结构示意图;
图8为本发明实施例的电子设备的结构示意图。
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。
参见图1所示,本发明实施例提供了一种车辆检测方法,应用于电子设备,所述方法包括如下步骤:
步骤101:获取道路摄像头采集的道路图像。
可以理解的,上述道路摄像头包括但不限于十字路口摄像头、交叉路口摄像头和路边摄像头等。在获取道路摄像头采集的道路图像时,如果相应电子设备的处理能力允许,可以实时获取道路摄像头采集的道路图像并进行检测。
步骤102:利用车辆检测模型,对道路图像进行检测,得到道路图像中各个车道方向上的待检测车辆的位置信息。
其中,上述车辆检测模型是利用收集的道路图像样本预先训练得到。进一步的,上述车辆检测模型可以是预先基于深度神经网络训练得到的,而此深度神经网络的结构可为YOLO-Net。具体实现时,在执行步骤102之后,可将道路图像中各个车道方向上的待检测车辆利用目标框框出并进行标注,以备后续使用。
本发明实施例的车辆检测方法,通过获取道路摄像头采集的道路图像,利用预先训练的车辆检测模型,对道路图像进行检测,得到道路图像中各个车道方向上的待检测车辆的位置信息,不仅可以提高车辆检测的准确率,还可以满足复杂交通情况下的多种需求,比如借助得到的各个车道方向上的待检测车辆的位置信息,分析当前道路的路况信息和车辆行进方向,以及进行压线违章检测等操作。
本发明实施例中,可选的,上述车辆检测模型的训练过程可为:首先,收集多个道路摄像头采集到的各个时段的道路图像作为训练样本,并按照车头(front)、车尾(tail)和车侧(body)这3类以VOC数据格式为训练样本打标,以使训练样本中每张道路图像具有相应目标的位置坐标信息;然后,利用上述训练样本进行深度学习算法训练即模型训练,并结合样本本身调整学习率、迭代次数等参数,进而得到符合要求的车辆检测模型。而在利用此车辆检测模型检测道路图像之后,可以将该道路图像上的待检测车辆利用目标框框处并标注类别,如图2所示。
需说明的是,为了保证训练得到的车辆检测模型的检测准确率,在收集训练样本时,优选视角相似、所处路口结构也相似的道路摄像头采集的道路图像作为训练样本,并进一步对类似道路摄像头采集的道路图像进行车辆检测。
举例来说,上述训练样本中的每张道路图像可为416x 416像素的彩色图片,模型训练时的学习率可设定为0.001,最大迭代次数可预设为50000次,并当达到预设的最大迭代次数时终止训练;而训练迭代可包括了8组,每组具有8张图片;若采用随机梯度下降,则可以设定权值衰减为0.0005,并在特定迭代次数后减少学习率。
可选的,上述模型训练选择的深度神经网络的结构可以为YOLO-Net。而YOLO-Net可以采用并优化深度学习中各种提高模型学习效率的技巧,主要包括但不限于AnchorBox、Batch Normalization(批量归一化)和Residual Block(残差块)等。并且与现有常规的神经网络相比,当利用基于YOLO-Net训练得到的车辆检测模型进行车辆检测时,可以一步对道路图像中的目标进行分类识别,从而精简算法复杂度以及提高检测精度。
例如,基于YOLO-Net训练模型时,可以首先将训练样本中的每张道路图像划分为13x 13的网格,然后对于每一个网格,预测得到k个Boxes以及相应类别的概率,最后将预测得到的类别概率与实际训练样本中的信息进行比较构造损失函数。其中为了增加目标位置预测的准确度,YOLO-Net也可将所有Boxes的位置参数同实际目标位置进行比较并加入到损失函数之中,上述k为预设值,可为大于或等于1的正整数。
又例如,在基于YOLO-Net训练模型时,训练样本中的每张道路图像中可具有3个类别标签即车头、车尾和车侧,如果输入的道路图像中某一目标位置对应的类别概率大于预设阈值(比如为0.8),那么可将该目标位置利用目标框框出并标注,反之不进行任何处理。
本发明实施例中,在检测得到道路图像中各个车道方向上的待检测车辆的位置信息之后,可基于待检测车辆的位置信息进行压线违章检测。可选的,步骤102之后,所述方法还可包括:
获取待检测车辆对应的车道线信息;
根据待检测车辆的位置信息和待检测车辆对应的车道线信息,对待检测车辆进行压线违章检测。
其中,上述待检测车辆对应的车道线信息可以理解为相应道路图像中的实线信息。为了获取待检测车辆对应的车道线信息,可预先对摄像区域的道路实线即车道线进行标注划分,以使相应道路图像中包括标注的车道线信息。
这样,可以实现借助得到的待检测车辆的位置信息,对待检测车辆进行压线违章检测。
通常,道路中的实线是不允许被车辆压住的。基于此,并考虑到模型的检测误差,可以根据道路图像中的待检测车辆压线的程度,对待检测车辆进行压线违章检测。
可选的,本发明实施例中可以选用如下两种方法进行压线违章检测,分别说明如下。
方法一
方法一中,待检测车辆的位置信息可选为相应道路图像中待检测车辆的目标框的四个顶点的坐标(a1,b1)、(a2,b1)、(a2,b2)和(a1,b2),而待检测车辆对应的车道线信息可选为待检测车辆对应的车道线在相应道路图像中的两个端点的坐标(x1,y1)和(x2,y2),如图3A和图3B所示。可以理解的,具体实现时,有关待检测车辆的坐标和有关其对应的车道线的坐标同属一个坐标系,但本发明实施例不对该坐标系进行限制。
并且可假定若待检测车辆对应的车道线同时穿过待检测车辆的目标框的任意一对平行边,则确定该待检测车辆压线违章,否则没有压线违章。例如,由于图3A中的车道线穿过待检测车辆的目标框的上下水平边,待检测车辆压线违章;而由于图3B中的车道线未穿过待检测车辆的目标框的任意一对平行边(即上下水平边或左右水平边),待检测车辆没有压线违章。
基于此,上述根据待检测车辆的位置信息和待检测车辆对应的车道线信息,对待检测车辆进行压线违章检测的过程可以为:
当且/>时,确定待检测车辆压线违章。
需说明的是,此压线违章检测的方法不仅可适用于直线型的车道线(如图3A和图3B所示),还可适用于弯曲型的车道线。
例如,参见图5所示,采用此方法可进行车辆红灯压线检测。当路口的红绿灯为红灯时,若检测到车辆目标框被车道线穿过预设程度,则可确定当前车辆压线,比如图5中车辆A压线,否则确定当前车辆没有压线。
方法二
方法二中,可采用面积法进行压线违章检测。具体的,上述根据待检测车辆的位置信息和待检测车辆对应的车道线信息,对待检测车辆进行压线违章检测的过程可以为:
根据待检测车辆的位置信息和待检测车辆对应的车道线信息,确定待检测车辆的目标框被待检测车辆对应的车道线所划分出的两个区域的面积S1和S2;
当x<S1/S2<1/x时,确定待检测车辆压线违章;
其中,x为预设的小于1的正数,S1小于S2。
需说明的是,此压线违章检测的方法比较适合于弯曲型的车道线。比如参见图4所示,待检测车辆的位置信息可为相应道路图像中待检测车辆的目标框的四个顶点的坐标(a1,b1)、(a2,b1)、(a2,b2)和(a1,b2),待检测车辆对应的车道线信息可为待检测车辆对应的车道线在相应道路图像中的两个端点的坐标(x1,y1)和(x2,y2),而待检测车辆的目标框被待检测车辆对应的车道线所划分出的两个区域的面积S1和S2可如图4所示。
本发明实施例中,上述道路摄像头可为视角不会调整的固定摄像头,也可为视角会调整的移动摄像头。而基于上述道路摄像头是固定摄像头还是移动摄像头,可采用不同的方法获取待检测车辆对应的车道线信息。
可选的,上述获取待检测车辆对应的车道线信息的过程可为:
当道路摄像头为固定摄像头时,根据所述固定摄像头对应的预设车道线信息,确定待检测车辆对应的车道线信息。
其中,上述固定摄像头对应的预设车道线信息可以理解为,预先在该固定摄像头的相应道路图像中标注的车道线的信息。若固定摄像头对应的预设车道线信息是一条车道线的信息,则可以直接选取该车道线的信息作为待检测车辆对应的车道线信息;而若固定摄像头对应的预设车道线信息是多条车道线的信息,则可以优选距离待检测车辆最近的车道线的信息作为待检测车辆对应的车道线信息。
可选的,上述获取待检测车辆对应的车道线信息的过程可为:
当道路摄像头为移动摄像头,且所述移动摄像头处于预设位置时,根据所述移动摄像头对应的预设车道线信息,确定待检测车辆对应的车道线信息。
其中,上述移动摄像头对应的预设车道线信息可以理解为,预先在该移动摄像头处于预设位置时的相应道路图像中标注的车道线的信息。
或者,上述获取待检测车辆对应的车道线信息的过程可为:
当道路摄像头为移动摄像头,且所述移动摄像头相对于预设位置发生偏转时,确定所述移动摄像头相对于预设位置的偏转信息;
根据所述偏转信息和所述移动摄像头对应的预设车道线信息,确定所述移动摄像头对应的当前车道线信息;
根据所述移动摄像头对应的当前车道线信息,确定待检测车辆对应的车道线信息。
这样,在移动摄像头视角发生变化时,可以自适应更新移动摄像头对应的车道线信息,从而保证压线违章检测的准确性。
可选的,在移动摄像头发生偏转的情况下,可以利用预先建立的三维坐标系,结合偏转信息和移动摄像头对应的预设车道线信息,确定移动摄像头对应的当前车道线信息。例如,参见图6所示,当移动摄像头处于预设位置时,可针对此预设位置建立三维坐标系,其中以路面为XoY平面,以移动摄像头到XoY平面的投影点为原点O,道路方向为X轴,道路方向的垂直方向为Y轴,以过移动摄像头并垂直于XoY平面的直线为Z轴,并记移动摄像头的坐标为(0,0,h)(其中h大于0,为移动摄像头距离路面的高度)。而移动摄像头的水平朝向的单位方向向量可记为(dx1,dy1),与XoY平面的夹角可记为θ1。
当确定移动摄像头对应的当前车道线信息时,可以首先选取相应车道线上的若干点,然后计算这些点在移动摄像头发生偏转的前后在相应道路图像中对应的位置信息,最后基于计算的位置信息,结合移动摄像头对应的预设车道线信息,确定移动摄像头对应的当前车道线信息。
例如以图6中的X0点为例,X0的坐标为(x,y,0),此时以移动摄像头拍摄的图像中心为原点o,水平方向为x轴,竖直方向为y轴,对于图像建立二维坐标,并计点X0在图像中的坐标为(px1,py1)(px1,py1均不为0)。假设移动摄像头仅仅移动视角,即改变水平与竖直方向的夹角,也就是(dx1,dy1)与θ1,在摄像头移动后,可根据摄像头内部舵机获得新的水平朝向单位向量(dx2,dy2)与夹角θ2。那么根据相机成像原理可以得到点X0在新图像中的坐标为(px2,py2):
其中,r=x/y,r1=dx1/dy1,r2=dx2/dy2,
这样,通过车道线以及各个车道的关键节点进行更新,可以实时动态的更新图像中的车道线以及车道区域位置信息。
上述实施例对本发明的车辆检测方法进行了说明,下面将结合实施例和附图对本发明的车辆检测装置进行说明。
参见图7所示,本发明实施例还提供了一种车辆检测装置,应用于电子设备,所述装置包括:
第一获取模块71,用于获取道路摄像头采集的道路图像;
第一检测模块72,用于利用车辆检测模型,对所述道路图像进行检测,得到所述道路图像中各个车道方向上的待检测车辆的位置信息;
其中,所述车辆检测模型是利用收集的道路图像样本预先训练得到。
本发明实施例的车辆检测装置,通过获取道路摄像头采集的道路图像,利用预先训练的车辆检测模型,对道路图像进行检测,得到道路图像中各个车道方向上的待检测车辆的位置信息,不仅可以提高车辆检测的准确率,还可以满足复杂交通情况下的多种需求,比如借助得到的各个车道方向上的待检测车辆的位置信息,分析当前道路的路况信息和车辆行进方向,以及进行压线违章检测等操作。
本发明实施例中,可选的,所述装置还包括:
第二获取模块,用于获取所述待检测车辆对应的车道线信息;
第二检测模块,用于根据所述待检测车辆的位置信息和所述待检测车辆对应的车道线信息,对所述待检测车辆进行压线违章检测。
可选的,所述待检测车辆的位置信息为所述道路图像中所述待检测车辆的目标框的四个顶点的坐标(a1,b1)、(a2,b1)、(a2,b2)和(a1,b2),所述待检测车辆对应的车道线信息为所述待检测车辆对应的车道线在所述道路图像中的两个端点的坐标(x1,y1)和(x2,y2);所述第二检测模块具体用于:
当且/>时,确定所述待检测车辆压线违章。
可选的,所述第二检测模块包括:
第一确定单元,用于根据所述待检测车辆的位置信息和所述待检测车辆对应的车道线信息,确定所述待检测车辆的目标框被所述待检测车辆对应的车道线所划分出的两个区域的面积S1和S2;
第二确定单元,用于当x<S1/S2<1/x时,确定所述待检测车辆压线违章;
其中,x为预设的小于1的正数,S1小于S2。
可选的,所述第二获取模块具体用于:
当所述道路摄像头为固定摄像头时,根据所述固定摄像头对应的预设车道线信息,确定所述待检测车辆对应的车道线信息。
可选的,所述第二获取模块具体用于:
当所述道路摄像头为移动摄像头,且所述移动摄像头处于预设位置时,根据所述移动摄像头对应的预设车道线信息,确定所述待检测车辆对应的车道线信息;
或者,
当所述道路摄像头为移动摄像头,且所述移动摄像头相对于预设位置发生偏转时,确定所述移动摄像头相对于预设位置的偏转信息;
根据所述偏转信息和所述移动摄像头对应的预设车道线信息,确定所述移动摄像头对应的当前车道线信息;
根据所述移动摄像头对应的当前车道线信息,确定所述待检测车辆对应的车道线信息。
此外,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述计算机程序被所述处理器执行时可实现上述车辆检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
具体的,参见8所示,本发明实施例还提供了一种电子设备,包括总线81、收发机82、天线83、总线接口84、处理器85和存储器86。
在本发明实施例中,所述电子设备还包括:存储在存储器86上并可在处理器85上运行的计算机程序。具体的,所述计算机程序被处理器85执行时可实现如下步骤:
获取道路摄像头采集的道路图像;利用车辆检测模型,对所述道路图像进行检测,得到所述道路图像中各个车道方向上的待检测车辆的位置信息;所述车辆检测模型是利用收集的道路图像样本预先训练得到。
在图8中,总线架构(用总线81来代表),总线81可以包括任意数量的互联的总线和桥,总线81将包括由处理器85代表的一个或多个处理器和存储器86代表的存储器的各种电路链接在一起。总线81还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口84在总线81和收发机82之间提供接口。收发机82可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器85处理的数据通过天线83在无线介质上进行传输,进一步,天线83还接收数据并将数据传送给处理器85。
处理器85负责管理总线81和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器86可以被用于存储处理器85在执行操作时所使用的数据。
可选的,处理器85可以是CPU、ASIC、FPGA或CPLD。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时可实现上述车辆检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
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(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(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(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁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暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种车辆检测方法,其特征在于,所述方法包括:
获取道路摄像头采集的道路图像;
利用车辆检测模型,对所述道路图像进行检测,得到所述道路图像中各个车道方向上的待检测车辆的位置信息;
其中,所述车辆检测模型是利用收集的道路图像样本预先训练得到;
其中,所述得到所述道路图像中各个车道方向上的待检测车辆的位置信息之后,所述方法还包括:
获取所述待检测车辆对应的车道线信息;
根据所述待检测车辆的位置信息和所述待检测车辆对应的车道线信息,对所述待检测车辆进行压线违章检测;
其中,所述待检测车辆的位置信息为所述道路图像中所述待检测车辆的目标框的四个顶点的坐标(a1,b1)、(a2,b1)、(a2,b2)和(a1,b2),所述待检测车辆对应的车道线信息为所述待检测车辆对应的车道线在所述道路图像中的两个端点的坐标(x1,y1)和(x2,y2);
所述根据所述待检测车辆的位置信息和所述待检测车辆对应的车道线信息,对所述待检测车辆进行压线违章检测,包括:
当且/>时,确定所述待检测车辆压线违章;
或者,所述根据所述待检测车辆的位置信息和所述待检测车辆对应的车道线信息,对所述待检测车辆进行压线违章检测,包括:
根据所述待检测车辆的位置信息和所述待检测车辆对应的车道线信息,确定所述待检测车辆的目标框被所述待检测车辆对应的车道线所划分出的两个区域的面积S1和S2;
当x<S1/S2<1/x时,确定所述待检测车辆压线违章;
其中,x为预设的小于1的正数,S1小于S2。
2.根据权利要求1所述的方法,其特征在于,所述获取所述待检测车辆对应的车道线信息,包括:
当所述道路摄像头为固定摄像头时,根据所述固定摄像头对应的预设车道线信息,确定所述待检测车辆对应的车道线信息。
3.根据权利要求1所述的方法,其特征在于,所述获取所述待检测车辆对应的车道线信息,包括:
当所述道路摄像头为移动摄像头,且所述移动摄像头处于预设位置时,根据所述移动摄像头对应的预设车道线信息,确定所述待检测车辆对应的车道线信息;
或者,
当所述道路摄像头为移动摄像头,且所述移动摄像头相对于预设位置发生偏转时,确定所述移动摄像头相对于预设位置的偏转信息;
根据所述偏转信息和所述移动摄像头对应的预设车道线信息,确定所述移动摄像头对应的当前车道线信息;
根据所述移动摄像头对应的当前车道线信息,确定所述待检测车辆对应的车道线信息。
4.一种车辆检测装置,其特征在于,所述装置包括:
第一获取模块,用于获取道路摄像头采集的道路图像;
第一检测模块,用于利用车辆检测模型,对所述道路图像进行检测,得到所述道路图像中各个车道方向上的待检测车辆的位置信息;
其中,所述车辆检测模型是利用收集的道路图像样本预先训练得到;
其中,所述装置还包括:
第二获取模块,用于获取所述待检测车辆对应的车道线信息;
第二检测模块,用于根据所述待检测车辆的位置信息和所述待检测车辆对应的车道线信息,对所述待检测车辆进行压线违章检测;
其中,所述待检测车辆的位置信息为所述道路图像中所述待检测车辆的目标框的四个顶点的坐标(a1,b1)、(a2,b1)、(a2,b2)和(a1,b2),所述待检测车辆对应的车道线信息为所述待检测车辆对应的车道线在所述道路图像中的两个端点的坐标(x1,y1)和(x2,y2);所述第二检测模块具体用于:
当且/>时,确定所述待检测车辆压线违章;
或者,所述第二检测模块包括:
第一确定单元,用于根据所述待检测车辆的位置信息和所述待检测车辆对应的车道线信息,确定所述待检测车辆的目标框被所述待检测车辆对应的车道线所划分出的两个区域的面积S1和S2;
第二确定单元,用于当x<S1/S2<1/x时,确定所述待检测车辆压线违章;
其中,x为预设的小于1的正数,S1小于S2。
5.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的车辆检测方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的车辆检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811235964.9A CN111091023B (zh) | 2018-10-23 | 2018-10-23 | 一种车辆检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811235964.9A CN111091023B (zh) | 2018-10-23 | 2018-10-23 | 一种车辆检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091023A CN111091023A (zh) | 2020-05-01 |
CN111091023B true CN111091023B (zh) | 2023-07-21 |
Family
ID=70392655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811235964.9A Active CN111091023B (zh) | 2018-10-23 | 2018-10-23 | 一种车辆检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091023B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753748B (zh) * | 2020-06-28 | 2023-12-08 | 阿波罗智联(北京)科技有限公司 | 信号灯调整方法、装置、设备以及存储介质 |
CN111968378A (zh) * | 2020-07-07 | 2020-11-20 | 浙江大华技术股份有限公司 | 机动车闯红灯抓拍方法、装置、计算机设备和存储介质 |
CN112464790A (zh) * | 2020-11-25 | 2021-03-09 | 上海眼控科技股份有限公司 | 一种车辆压线等级确定方法、装置、设备及存储介质 |
GB202020545D0 (en) * | 2020-12-23 | 2021-02-03 | Fogldn Ltd | System for monitoring the position of a vehicle on a racetrack |
CN113362594A (zh) * | 2021-05-31 | 2021-09-07 | 青岛海纳云科技控股有限公司 | 一种车辆违章监测系统、方法及计算机可读存储介质 |
CN113657291A (zh) * | 2021-08-19 | 2021-11-16 | 上海商汤智能科技有限公司 | 车辆行为检测方法、装置及系统 |
CN114550464B (zh) * | 2022-04-25 | 2022-07-26 | 北京信路威科技股份有限公司 | 车辆信息确定方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015089867A1 (zh) * | 2013-12-17 | 2015-06-25 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种交通违章检测方法 |
CN106652465A (zh) * | 2016-11-15 | 2017-05-10 | 成都通甲优博科技有限责任公司 | 一种道路异常驾驶行为的识别方法及系统 |
CN108376235A (zh) * | 2018-01-15 | 2018-08-07 | 深圳市易成自动驾驶技术有限公司 | 图像检测方法、装置及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10296794B2 (en) * | 2016-12-20 | 2019-05-21 | Jayant Rtti | On-demand artificial intelligence and roadway stewardship system |
-
2018
- 2018-10-23 CN CN201811235964.9A patent/CN111091023B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015089867A1 (zh) * | 2013-12-17 | 2015-06-25 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种交通违章检测方法 |
CN106652465A (zh) * | 2016-11-15 | 2017-05-10 | 成都通甲优博科技有限责任公司 | 一种道路异常驾驶行为的识别方法及系统 |
CN108376235A (zh) * | 2018-01-15 | 2018-08-07 | 深圳市易成自动驾驶技术有限公司 | 图像检测方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
熊金艳 ; 李鸿 ; .改进的灰度帧差统计法对车辆违章压黄线的检测.工业控制计算机.2013,(05),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111091023A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091023B (zh) | 一种车辆检测方法、装置及电子设备 | |
CN111126399B (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
CN113377888B (zh) | 训练目标检测模型和检测目标的方法 | |
CN112613378B (zh) | 3d目标检测方法、系统、介质及终端 | |
JP7245275B2 (ja) | 軌道計画モデルの訓練方法と装置、電子機器、コンピュータ記憶媒体及びコンピュータプログラム | |
CN107545263B (zh) | 一种物体检测方法及装置 | |
CN111738033B (zh) | 基于平面分割的车辆行驶信息确定方法及装置、车载终端 | |
WO2021253245A1 (zh) | 识别车辆变道趋势的方法和装置 | |
CN113012215A (zh) | 一种空间定位的方法、系统及设备 | |
JP5388291B2 (ja) | 識別器生成方法、コンピュータプログラム、識別器生成装置及び所定物体検出装置 | |
Liu et al. | Vehicle-related distance estimation using customized YOLOv7 | |
CN113449692A (zh) | 一种基于无人机的地图车道信息更新方法及其系统 | |
Kocur et al. | Traffic camera calibration via vehicle vanishing point detection | |
CN109829401A (zh) | 基于双拍摄设备的交通标志识别方法及装置 | |
CN112069997B (zh) | 一种基于DenseHR-Net的无人机自主着陆目标提取方法及装置 | |
CN114972492A (zh) | 一种基于鸟瞰图的位姿确定方法、设备和计算机存储介质 | |
CN116385994A (zh) | 一种三维道路线提取方法及相关设备 | |
CN116883981A (zh) | 一种车牌定位识别方法、系统、计算机设备及存储介质 | |
CN113284221B (zh) | 一种目标物检测方法、装置及电子设备 | |
CN116259040A (zh) | 识别交通标志的方法、装置和电子设备 | |
CN113902047B (zh) | 图像元素匹配方法、装置、设备以及存储介质 | |
CN116009581A (zh) | 输电线路的无人机巡检方法、无人机控制终端及存储介质 | |
CN113570595B (zh) | 车辆轨迹预测方法和车辆轨迹预测模型的优化方法 | |
CN114782496A (zh) | 一种对象的跟踪方法、装置、存储介质及电子装置 | |
CN114140659A (zh) | 一种基于无人机视角下人体检测的社交距离监控方法 |
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 |