CN111160174B - 网络训练方法、车头朝向识别方法、装置及终端设备 - Google Patents

网络训练方法、车头朝向识别方法、装置及终端设备 Download PDF

Info

Publication number
CN111160174B
CN111160174B CN201911315840.6A CN201911315840A CN111160174B CN 111160174 B CN111160174 B CN 111160174B CN 201911315840 A CN201911315840 A CN 201911315840A CN 111160174 B CN111160174 B CN 111160174B
Authority
CN
China
Prior art keywords
vehicle
identified
offset
center point
target
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
Application number
CN201911315840.6A
Other languages
English (en)
Other versions
CN111160174A (zh
Inventor
唐健
张彦彬
吴鹏
王浩
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.)
Shenzhen Jieshun Science and Technology Industry Co Ltd
Original Assignee
Shenzhen Jieshun Science and Technology Industry 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 Shenzhen Jieshun Science and Technology Industry Co Ltd filed Critical Shenzhen Jieshun Science and Technology Industry Co Ltd
Priority to CN201911315840.6A priority Critical patent/CN111160174B/zh
Publication of CN111160174A publication Critical patent/CN111160174A/zh
Application granted granted Critical
Publication of CN111160174B publication Critical patent/CN111160174B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于图像处理技术领域，提供了网络训练方法、车头朝向识别方法、装置及终端设备，该网络训练方法包括：在包含目标车辆的图像样本中，确定能够包含所述目标车辆的最小四边形区域；确定包含所述最小四边形区域的第一矩形区域；对所述第一矩形区域进行变换，得到多个目标区域；在所述最小四边形区域的两个第一顶角之间插入预设个数的插值点，并计算各个所述插值点相对于各个所述目标区域的中心点的偏移量；其中，所述第一顶角为靠近所述目标车辆的车头一侧的顶角；基于所述多个目标区域和所述偏移量，对车头朝向识别网络进行训练。本申请能够准确识别出车辆的车头朝向。

Description

网络训练方法、车头朝向识别方法、装置及终端设备
技术领域
本申请属于图像处理技术领域，尤其涉及网络训练方法、车头朝向识别方法、装置及终端设备。
背景技术
车辆的行驶轨迹有助于智能控制及视频结构化分析，而行驶车辆的车头朝向是轨迹特征不可或缺的重要部分。由于视频监控场景的复杂性及多样性，使用传统算法对车头朝向进行识别需要对不同类型的场景进行单独优化，场景通用性较差。而使用基于深度学习中的分类网络模型仅能预测车头的大致方向，而车辆在监控场景下可朝向任意方向行驶，故基于分类模型的方向判断效果较差。
发明内容
为克服相关技术中存在的问题，本申请实施例提供了网络训练方法、车头朝向识别方法、装置及终端设备。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种网络训练方法，包括：
在包含目标车辆的图像样本中，确定能够包含所述目标车辆的最小四边形区域；
确定包含所述最小四边形区域的第一矩形区域；
对所述第一矩形区域进行变换，生成多个目标区域；其中，每个所述目标区域中均包含所述目标车辆；
在所述最小四边形区域的两个第一顶角之间插入预设个数的插值点，并计算各个所述插值点相对于各个所述目标区域的中心点的偏移量；其中，所述第一顶角为靠近所述目标车辆的车头一侧的顶角；
基于所述多个目标区域和所述偏移量，对车头朝向识别网络进行训练。
在第一方面的一种可能的实现方式中，所述确定包含所述最小四边形区域的第一矩形区域，包括：
基于所述最小四边形区域的四个顶角的坐标，确定包含所述最小四边形区域的最小矩形区域，作为所述第一矩形区域。
在第一方面的一种可能的实现方式中，所述在所述最小四边形区域的两个第一顶角之间插入预设个数的插值点，并计算各个所述插值点相对于各个所述目标区域的中心点的偏移量，包括：
在两个所述第一顶角之间以均匀间隔插入所述预设个数的插值点；
根据各个插值点的坐标以及对应的目标区域的高度和宽度，确定各个所述插值点相对于各个所述目标区域的中心点的偏移量。
第二方面，本申请实施例提供了一种车头朝向识别方法，包括：
获取待识别图像，所述待识别图像包含待识别车辆；
在所述待识别图像中提取包含所述待识别车辆的第二矩形区域，并将所述第二矩形区域输入经过训练的车头朝向识别网络，得到位于所述待识别车辆的车头两角所在直线上的预设个数的回归点相对于所述待识别车辆的中心点的偏移量；
基于所述偏移量、所述待识别车辆的中心点以及所述第二矩形区域的高度和宽度，确定各个所述回归点的位置；
根据各个所述回归点的位置和所述待识别车辆的中心点，确定所述待识别车辆的车头朝向。
在第一方面的一种可能的实现方式中，所述基于所述偏移量、所述待识别车辆的中心点以及所述第二矩形区域的高度和宽度，确定各个所述回归点的位置，包括：
计算所述偏移量中的两个坐标分别与所述第二矩形区域的高度和宽度的乘积；
根据所述乘积与所述待识别车辆的中心点的坐标，确定各个所述回归点的位置。
在第一方面的一种可能的实现方式中，所述根据各个所述回归点的位置和所述待识别车辆的中心点，确定所述待识别车辆的车头朝向，包括：
根据第一回归点的坐标和所述待识别车辆的中心点的坐标，确定所述待识别车辆的车头朝向；
其中；所述第一回归点为各个所述回归点中位于中部位置的回归点。
第三方面，本申请实施例提供了一种网络训练装置，包括：
四边形确定模块，用于在包含目标车辆的图像样本中，确定能够包含所述目标车辆的最小四边形区域；
矩形确定模块，用于确定包含所述最小四边形区域的第一矩形区域；
变换模块，用于对所述第一矩形区域进行变换，得到多个目标区域；
偏移计算模块，用于在所述最小四边形区域的两个第一顶角之间插入预设个数的插值点，并计算各个所述插值点相对于各个所述目标区域的中心点的偏移量；其中，所述第一顶角为靠近所述目标车辆的车头一侧的顶角；
训练模块，用于基于所述多个目标区域和所述偏移量，对车头朝向识别网络进行训练。
第四方面，本申请实施例提供了一种车头朝向识别装置，包括：
图像获取模块，用于获取待识别图像，所述待识别图像包含待识别车辆；
处理模块，用于在所述待识别图像中提取包含所述待识别车辆的第二矩形区域，并将所述第二矩形区域输入经过训练的车头朝向识别网络，得到位于所述待识别车辆的车头两角所在直线上的预设个数的回归点相对于所述待识别车辆的中心点的偏移量；
回归点确定模块，用于基于所述偏移量、所述待识别车辆的中心点以及所述第二矩形区域的高度和宽度，确定各个所述回归点的位置；
车头朝向确定模块，用于根据各个所述回归点的位置和所述待识别车辆的中心点，确定所述待识别车辆的车头朝向。
第五方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的网络训练方法，或如第二方面任一项所述的车头朝向识别方法。
第六方面，本申请实施例提供了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，所述计算机程序被处理器执行时实现如第一方面任一项所述的网络训练方法，或如第二方面任一项所述的车头朝向识别方法。
第七方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的网络训练方法，或如第二方面任一项所述的车头朝向识别方法。
可以理解的是，上述第二方面至第七方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例，在包含目标车辆的图像样本中确定能够包含该目标车辆的最小四边形区域以及包含该四边形区域的第一矩形区域，并对第一矩形区域进行变换生成多个目标区域，然后在最小四边形区域的两个顶角(即目标车辆车头的两个角)之间插入一定数量的插值点，以此计算各个插值点相对于目标区域中心点的偏移量，再将各个目标区域对应的图像和各个偏移量输入到车头朝向识别网络中，对车头朝向识别网络进行训练，由此得到的车头朝向识别网络能够准确识别出车辆的车头朝向。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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是本申请一实施例提供的应用场景示意图；
图2是本申请一实施例提供的网络训练方法的流程示意图；
图3是本申请一实施例提供的网络训练方法的流程示意图；
图4是本申请一实施例提供的最小四边形和第一矩形区域的示意图；
图5是本申请一实施例提供的多个目标区域的示意图；
图6是本申请一实施例提供的车头朝向识别方法的流程示意图；
图7是本申请一实施例提供的待识别图像中检测框的示意图；
图8是本申请一实施例提供的网络训练装置的结构示意图；
图9是本申请一实施例提供的车头朝向识别装置的结构示意图；
图10是本申请一实施例提供的终端设备的结构示意图；
图11是本申请一实施例提供的网络训练方法或车头朝向识别方法所适用于的计算机的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
车辆的行驶轨迹有助于智能控制及视频结构化分析，而行驶车辆的车头朝向是轨迹特征不可或缺的重要部分。由于视频监控场景的复杂性及多样性，使用传统算法对车头朝向进行识别需要对不同类型的场景进行单独优化，场景通用性较差。而使用基于深度学习中的分类网络模型仅能预测车头的大致方向，而车辆在监控场景下可朝向任意方向行驶，故基于分类模型的方向判断效果较差。
基于上述问题，本申请实施例中提供了网络训练方法，在包含车辆的图像样本中确定能够包含该车辆的最小四边形区域以及包含该四边形区域的矩形区域，并对矩形区域进行变换生成多个目标区域，然后在四边形区域的两个顶角(即车头的两个角)之间插入一定数量的插值点，以此计算各个插值点相对于目标区域中心点的偏移量，最后将各个目标区域对应的图像和各个偏移量输入到车头朝向识别网络中，对车头朝向识别网络进行训练，由此得到的车头朝向识别网络能够准确识别出车辆的车头朝向。
另外，本申请实施例中还提供了车头朝向识别方法，从待识别图像中提取包含待识别车辆的矩形区域，并将该矩形区域输入经过训练的车头朝向识别网络中，得到位于待识别车辆的车头两角所在直线上的回归点相对于待识别车辆的中心点的偏移量，再基于该偏移量、待识别车辆的中心点以及该矩形区域的高度和宽度确定各个回归点的位置，最后根据各个回归点的位置和待识别车辆的中心点确定待识别车辆的车头朝向，从而能够准确识别车辆的车头朝向。
举例说明，本申请实施例可以应用到如图1所示的示例性场景中，在该场景中，服务器30首先用于通过图像训练样本训练车头朝向识别网络，图像采集设备20用于采集进入采集区域的车辆10的图像，将采集到的包含车辆10的图像发送给服务器30。服务器30基于图像采集设备20发送的图像，通过训练好的车头朝向识别网络识别车头的朝向。
为了使本技术领域的人员更好地理解本发明方案，下面将结合图1，对本申请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。
图2是本申请一实施例提供的网络训练方法的示意性流程图，参照图2，对该网络训练方法的详述如下：
在步骤101中，在包含目标车辆的图像样本中，确定能够包含所述目标车辆的最小四边形区域。
其中，本步骤中的图像样本为训练车头朝向识别网络的训练样本，可以由用户直接输入，也可以通过图像采集设备20获取，本申请实施例对此不予限定。
在得到上述图像样本之后，需要对图像样本中的目标车辆进行标注，以获得该目标车辆的信息。具体地，上述图像样本中包含目标车辆，可以通过一个四边形区域对该目标车辆进行标注。例如，可以从目标车辆的车头左侧车灯开始，按顺时针方向用一个最小四边形区域，将整个目标车辆框在该四边形区域里面。
示例性的，参见图3，在将整个目标车辆框在该四边形区域里面，该最小四边形区域四个顶角的坐标为Gc(x1,y1,x2,y2,x3,y3,x4,y4)，按照从目标车辆的车头左侧车灯开始顺时针的方向，四个顶角的坐标依此为(x1,y1)，(x2,y2)，(x3,y3)和(x4,y4)。
本实施例中，可以通过图像标注工具标注该最小四边形区域。另外，也可以识别出目标车辆的四个顶角在图像样本中的坐标，根据该四个顶角的坐标得到该最小四边形区域。当然，还可以通过其他方式得到该最小四边形区域，本申请实施例对此不予限定。
在步骤102中，确定包含所述最小四边形区域的第一矩形区域。
其中，在步骤101中得到包含目标车辆的最小四边形区域之后，可以根据该最小四边形区域确定本步骤中的第一矩形区域。
一些实施例中，参见图4，基于图2所示的实施例，步骤102的具体实现过程可以包括：
在步骤1021中，基于上述最小四边形区域的四个顶角的坐标，确定包含上述最小四边形区域的最小矩形区域，作为所述第一矩形区域。
示例性的，在得到该最小四边形区域四个顶角的坐标为Gc(x1,y1,x2,y2,x3,y3,x4,y4)之后，根据该四个坐标中的x轴方向上的最大坐标和y轴方向上的最大坐标对应的点，和x轴方向上的最小坐标和y轴方向上的最小坐标对应的点，确定该第一矩形区域的两个对角顶点。
例如，图3中的外框对应的区域即为该第一矩形区域GT(xmin,ymin,xmax,ymax)，其中，xmin＝MIN(x1,x2,x3,x4)，ymin＝MIN(y1,y2,y3,y4)，xmax＝MAX(x1,x2,x3,x4)，ymax＝MAX(y1,y2,y3,y4)，(xmin,ymin)和(xmax,ymax)即为第一矩形区域的两个对角顶点的坐标。
在步骤103中，对所述第一矩形区域进行变换，生成多个目标区域。
其中，在得到第一矩形区域之后，可以对第一矩形区域进行变换，得到多个目标区域，例如，可以随机向四周对第一矩形区域对应的检测框进行平移、放大及缩小等方式的变换处理，生成多个目标区域。本实施例中，每个目标区域中均包含上述目标车辆。
参见图5，通过对第一矩形区域对应的检测框平移多个尺寸、放大多个倍数及缩小多个倍数，可以得到16个目标区域。其中，对第一矩形区域对应的检测框每平移一次，可以得到一个图5中所示的目标区域；对第一矩形区域对应的检测框每放大一次，可以得到一个图5中所示的目标区域；对第一矩形区域对应的检测框每缩小一次，可以得到一个图5中所示的目标区域。
本实施例中，每个目标区域的中心点坐标可以为PC(xc,yc)，其中，x'min为当前目标区域的四个顶角中x坐标的最小值，x'max为当前目标区域的四个顶角中x坐标的最大值，y'min为当前目标区域的四个顶角中y坐标的最小值，y'max为当前目标区域的四个顶角中y坐标的最大值。
在步骤104中，在所述最小四边形区域的两个第一顶角之间插入预设个数的插值点，并计算各个所述插值点相对于各个所述目标区域的中心点的偏移量。
其中，所述第一顶角为靠近所述目标车辆的车头一侧的顶角。
示例性的，以最小四边形区域四个顶角的坐标为Gc(x1,y1,x2,y2,x3,y3,x4,y4)，按照从目标车辆的车头左侧车灯开始顺时针的方向，四个顶角的坐标依此为(x1,y1)，(x2,y2)，(x3,y3)和(x4,y4)，则两个第一顶角的坐标分别为(x1,y1)和(x2,y2)。
一些实施例中，参见4，基于图2所示的实施例，步骤104的实现过程可以包括：
在步骤1041中，在两个所述第一顶角之间以均匀间隔插入所述预设个数的插值点。
示例性的，可以通过线性插值法在两个第一顶角(x1,y1)和(x2,y2)之间插入预设个数n个插值点，n个插值点的坐标为Pi＝(Gxi,Gyi)，i＝1,2,3,...,n。其中，n可以为任意数值，可以根据实际需要进行设定，本申请实施例中以n＝50为例进行说明，但并不以此为限。
在步骤1042中，根据各个插值点的坐标以及对应的目标区域的高度和宽度，确定各个所述插值点相对于各个所述目标区域的中心点的偏移量。
其中，可以对于每个目标区域，计算n个插值点相对于该目标区域的中心点的偏移量。
以一个目标区域为例，50个插值点相对于该目标区域的中心点的偏移量可以为(Δx1,Δy1,Δx2,Δy2,…,Δx50,Δy50)，各个偏移量通过以下公式求解：
其中，PW表示当前目标区域的宽度，PH表示当前目标区域的高度，Pxc表示目标区域的中心点的x坐标，Pyc表示目标区域的中心点的y坐标。
本实施例中，高度方向与y轴方向为同一方向，宽度方向与x轴方向为同一方向。
在步骤105中，基于所述多个目标区域和所述偏移量，对车头朝向识别网络进行训练。
其中，可以将上述多个目标区域截取的图像作为训练样本，将n个插值点相对于每个目标区域的中心点的坐标的偏移量作为每个训练样本的训练标签，对车头朝向识别网络进行训练。
示例性的，车头朝向识别网络为卷积神经网络，可以为4层，网络的输入尺寸可以设置为64×64，用上述生成的16个目标区域截取的图像作为训练样本，并将训练样本的尺寸缩小为64×64，以车头附近的n个插值点相对于每个目标区域的中心点的坐标的偏移量作为每个训练样本的训练标签，输入车头朝向识别网络，对车头朝向识别网络进行训练。其中，对车头朝向识别网络的训练就是学习车头附近的n个插值点相对于各个目标区域的中心点的坐标的偏移量。
上述网络训练方法，在包含目标车辆的图像样本中确定能够包含该目标车辆的最小四边形区域以及包含该最小四边形区域的第一矩形区域，并对第一矩形区域进行变换得到多个目标区域，然后在最小四边形区域的两个第一顶角(即车头的两个角)之间插入一定数量的插值点，以此计算各个插值点相对于目标区域中心点的偏移量，最后将各个目标区域对应的图像和各个偏移量输入到车头朝向识别网络中，对车头朝向识别网络进行训练，由此得到的车头朝向识别网络能够准确识别出车辆的车头朝向，且场景的通用性较好，噪声的抗干扰能力较强。
应理解，上述网络训练方法的各个实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
图6是本申请一实施例提供的车头朝向识别方法的示意性流程图，参照图6，对该车头朝向识别方法的详述如下：
在步骤201中，获取待识别图像，所述待识别图像包含待识别车辆。
本步骤中，待识别图像可以通过图像采集设备20获取，例如，在图像采集设20检测到车辆进入采集区域时，采集包含待识别车辆的待识别图像，并将该待识别图像发送给服务器30进行车头朝向识别。
另外，图像采集设备20也可以实时获取采集区域的图像并发送给服务器30，由服务器30对图像采集设备20发送的图像进行识别，检测是否包含待识别车辆，在检测到包含待识别车辆的情况下，对待识别车辆的车头朝向进行识别。
在步骤202中，在所述待识别图像中提取包含所述待识别车辆的第二矩形区域，并将所述第二矩形区域输入经过训练的车头朝向识别网络，得到位于所述待识别车辆的车头两角所在直线上的预设个数的回归点相对于所述待识别车辆的中心点的偏移量。
本步骤中，第二矩形区域可以为检测框对应的矩形区域，将该区域对应的图像截取出来输入到训练好的车头朝向网络识别网络中，得到位于该待识别车辆的车头两角所在直线上的预设个数n'个回归点相对于该待识别车辆的中心点的偏移量。其中，以下n'＝50为例进行说明，但并不限于此。
例如，参见图7，该第二矩形区域的坐标可以为PD(x”min,y”min,x”max,y”max)，其中，(x”min,y”min)为第二矩形区域的左上角点坐标，(x”max,y”max)为第二矩形区域的右下角点坐标，将由该第二矩形区域截取得到的图像缩小到64×64，输至训练好的车头朝向识别网络进行卷积，得到待识别车辆车头两角所在直线上的50个回归点的偏移量(Δx'1,Δy'1,Δx'2,Δy'2,…,Δx'50,Δy'50)。
在步骤203中，基于所述偏移量、所述待识别车辆的中心点以及所述第二矩形区域的高度和宽度，确定各个所述回归点的位置。
其中，上述待识别车辆的中心点可以通过上述网络训练方法中的步骤101确定待识别车辆的最小四边形，再通过步骤102确定包含最小四边形的矩形，则该矩形的中心点即为本步骤中所述的待识别车辆的中心点。例如，待识别车辆的中心点坐标为PC(x'c,y'c)。
一些实施例中，步骤203的实现过程具体可以为：
计算所述偏移量中的两个坐标与所述第二矩形区域的高度和宽度的乘积；
根据所述乘积与所述待识别车辆的中心点的坐标，确定各个所述回归点的位置。
示例性的，可以通过
确定各个所述回归点的位置；其中，P'W表示第二矩形区域的宽度，P'H表示第二矩形区域的高度，P'cx表示待识别车辆的中心点的x坐标，P'cy表示待识别车辆的中心点的y坐标。
在步骤204中，根据各个所述回归点的位置和所述待识别车辆的中心点，确定所述待识别车辆的车头朝向。
一些实施例中，步骤204的实现过程具体可以为：
根据第一回归点的坐标和所述待识别车辆的中心点的坐标，确定所述待识别车辆的车头朝向；其中；所述第一回归点为各个所述回归点中位于中部位置的回归点。
示例性的，可以根据第一回归点与待识别车辆的中心点的坐标构成的向量的方向，作为待识别车辆的车头朝向。需要说明的是，这里的第一回归点可以为一个回归点，也可以为两个以上的回归点；在第一回归点为两个以上的回归点的情况下，可以根据各个第一回归点坐标的平均值与待识别车辆的中心点的坐标构成的向量的方向，作为待识别车辆的车头朝向。
例如，对于50个回归点，由于50个回归点为线性关系，所以第25个回归点的坐标接近于所有回归点坐标的平均值，记为P25(Gx25,Gy25)。通过求第25个回归点与待识别车辆的中心点坐标所组成的向量，便可判断出待识别车辆的车头朝向，也是待检测车辆的行驶方向。
另外，也可以以第26个回归点与待识别车辆的中心点坐标所组成的向量，确定待识别车辆的车头朝向；或者以第25个回归点和第26个回归点的平均值与待识别车辆的中心点坐标所组成的向量，确定待识别车辆的车头朝向；当然，还可以以三个及以上的回归点的平均值与待识别车辆的中心点坐标所组成的向量，确定待识别车辆的车头朝向，本申请实施例对此不予限定。
上述车头朝向识别方法，从待识别图像中提取包含待识别车辆的第二矩形区域，并将该第二矩形区域对应的图像输入经过训练的车头朝向识别网络中，得到位于待识别车辆的车头两角所在直线上的回归点相对于待识别车辆的中心点的偏移量，再基于该偏移量、待识别车辆的中心点以及该第二矩形区域的高度和宽度确定各个回归点的位置，最后根据各个回归点的位置和待识别车辆的中心点确定待识别车辆的车头朝向，从而能够准确识别车辆的车头朝向，且场景的通用性较好，噪声的抗干扰能力较强。
应理解，上述车头朝向识别方法的各个实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的网络训练方法，图8示出了本申请实施例提供的网络训练装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图8，本申请实施例中的网络训练装置可以包括四边形确定模块301、矩形确定模块302、变换模块303、偏移计算模块304和训练模块305。
其中，四边形确定模块301，用于在包含目标车辆的图像样本中，确定能够包含所述目标车辆的最小四边形区域；
矩形确定模块302，用于确定包含所述最小四边形区域的第一矩形区域；
变换模块303，用于对所述第一矩形区域进行变换，得到多个目标区域；
偏移计算模块304，用于在所述最小四边形区域的两个第一顶角之间插入预设个数的插值点，并计算各个所述插值点相对于各个所述目标区域的中心点的偏移量；其中，所述第一顶角为靠近所述目标车辆的车头一侧的顶角；
训练模块305，用于基于所述多个目标区域和所述偏移量，对车头朝向识别网络进行训练。
可选的，矩形确定模块302具体可以用于：
基于所述最小四边形区域的四个顶角的坐标，确定包含所述最小四边形区域的最小矩形区域，作为所述第一矩形区域。
可选的，偏移计算模块304可以用于：
插值单元，用于在两个所述第一顶角之间以均匀间隔插入所述预设个数的插值点；
偏移确定单元，用于根据各个插值点的坐标以及对应的目标区域的高度和宽度，确定各个所述插值点相对于各个所述目标区域的中心点的偏移量。
对应于上文实施例所述的车头朝向识别方法，图9示出了本申请实施例提供的车头朝向识别装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图9，本申请实施例中的车头朝向识别装置可以包括图像获取模块401、处理模块402、回归点确定模块403和车头朝向确定模块404。
其中，图像获取模块401，用于获取待识别图像，所述待识别图像包含待识别车辆；
处理模402，用于在所述待识别图像中提取包含所述待识别车辆的第二矩形区域，并将所述第二矩形区域输入经过训练的车头朝向识别网络，得到位于所述待识别车辆的车头两角所在直线上的预设个数的回归点相对于所述待识别车辆的中心点的偏移量；
回归点确定模块403，用于基于所述偏移量、所述待识别车辆的中心点以及所述第二矩形区域的高度和宽度，确定各个所述回归点的位置；
车头朝向确定模块404，用于根据各个所述回归点的位置和所述待识别车辆的中心点，确定所述待识别车辆的车头朝向。
可选的，回归点确定模块403具体可以用于：
计算所述偏移量中的两个坐标与所述第二矩形区域的高度和宽度的乘积；
根据所述乘积与所述待识别车辆的中心点的坐标，确定各个所述回归点的位置。
可选的，车头朝向确定模块404具体可以用于：
根据第一回归点的坐标和所述待识别车辆的中心点的坐标，确定所述待识别车辆的车头朝向；
其中；所述第一回归点为各个所述回归点中位于中部位置的回归点。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，参见图10，该终端设备500可以包括：至少一个处理器510、存储器520以及存储在所述存储器520中并可在所述至少一个处理器510上运行的计算机程序，所述处理器510执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图2所示实施例中的步骤101至步骤105，或图6所示实施例中的步骤201至步骤204。或者，处理器510执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图8所示模块301至305的功能，或图9所示模块401至404的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器520中，并由处理器510执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备500中的执行过程。
本领域技术人员可以理解，图10仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器510可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器520可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器520用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器520还可以用于暂时地存储已经输出或者将要输出的数据。
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。
本申请实施例提供的网络训练方法、车头朝向识别方法均可以应用于计算机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
以所述终端设备为计算机为例。图11示出的是与本申请实施例提供的计算机的部分结构的框图。参考图11，计算机包括：通信电路610、存储器620、输入单元630、显示单元640、音频电路650、无线保真(wireless fidelity，WiFi)模块660、处理器670以及电源680等部件。本领域技术人员可以理解，图11中示出的计算机结构并不构成对计算机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图11对计算机的各个构成部件进行具体的介绍：
通信电路610可用于收发信息或通话过程中，信号的接收和发送，特别地，将图像采集设备发送的图像样本接收后，给处理器670处理；另外，将图像采集指令发送给图像采集设备。通常，通信电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier，LNA)、双工器等。此外，通信电路610还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobile communication，GSM)、通用分组无线服务(GeneralPacket Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long TermEvolution,LTE))、电子邮件、短消息服务(Short Messaging Service，SMS)等。
存储器620可用于存储软件程序以及模块，处理器670通过运行存储在存储器620的软件程序以及模块，从而执行计算机的各种功能应用以及数据处理。存储器620可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元630可用于接收输入的数字或字符信息，以及产生与计算机的用户设置以及功能控制有关的键信号输入。具体地，输入单元630可包括触控面板631以及其他输入设备632。触控面板631，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板631上或在触控面板631附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板631可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器670，并能接收处理器670发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板631。除了触控面板631，输入单元630还可以包括其他输入设备632。具体地，其他输入设备632可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元640可用于显示由用户输入的信息或提供给用户的信息以及计算机的各种菜单。显示单元640可包括显示面板641，可选的，可以采用液晶显示器(Liquid CrystalDisplay，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板641。进一步的，触控面板631可覆盖显示面板641，当触控面板631检测到在其上或附近的触摸操作后，传送给处理器670以确定触摸事件的类型，随后处理器670根据触摸事件的类型在显示面板641上提供相应的视觉输出。虽然在图11中，触控面板631与显示面板641是作为两个独立的部件来实现计算机的输入和输入功能，但是在某些实施例中，可以将触控面板631与显示面板641集成而实现计算机的输入和输出功能。
音频电路650可提供用户与计算机之间的音频接口。音频电路650可将接收到的音频数据转换后的电信号，传输到扬声器由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路650接收后转换为音频数据，再将音频数据输出处理器670处理后，经通信电路610以发送给比如另一计算机，或者将音频数据输出至存储器620以便进一步处理。
WiFi属于短距离无线传输技术，计算机通过WiFi模块660可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图11示出了WiFi模块660，但是可以理解的是，其并不属于计算机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器670是计算机的控制中心，利用各种接口和线路连接整个计算机的各个部分，通过运行或执行存储在存储器620内的软件程序和/或模块，以及调用存储在存储器620内的数据，执行计算机的各种功能和处理数据，从而对计算机进行整体监控。可选的，处理器670可包括一个或多个处理单元；优选的，处理器670可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器670中。
计算机还包括给各个部件供电的电源680(比如电池)，优选的，电源680可以通过电源管理系统与处理器670逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
本申请实施例还提供了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，所述计算机程序被处理器执行时实现可实现上述网络训练方法各个实施例中的步骤，或实现上述车头朝向识别方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述网络训练方法各个实施例中的步骤，或实现上述车头朝向识别方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种网络训练方法，其特征在于，包括：
在包含目标车辆的图像样本中，确定能够包含所述目标车辆的最小四边形区域；
确定包含所述最小四边形区域的第一矩形区域；
对所述第一矩形区域进行变换，生成多个目标区域；其中，每个所述目标区域中均包含所述目标车辆；
在所述最小四边形区域的两个第一顶角之间插入预设个数的插值点，并计算各个所述插值点相对于各个所述目标区域的中心点的偏移量；其中，所述第一顶角为靠近所述目标车辆的车头一侧的顶角；
将所述多个目标区域作为样本图像，将多个插值点相对于每个目标区域的中心点的坐标的偏移量作为每个训练样本的训练标签，对车头朝向识别网络进行训练，所述车头朝向识别网络用于识别车辆的中心点的偏移量，所述中心点的偏移量用于基于待识别车辆的所述中心点的偏移量、所述待识别车辆的中心点以及包含所述待识别车辆的第二矩形区域的高度和宽度，确定各个所述回归点的位置；根据各个所述回归点的位置和所述待识别车辆的中心点，确定所述待识别车辆的车头朝向。
2.如权利要求1所述的网络训练方法，其特征在于，所述确定包含所述最小四边形区域的第一矩形区域，包括：
基于所述最小四边形区域的四个顶角的坐标，确定包含所述最小四边形区域的最小矩形区域，作为所述第一矩形区域。
3.如权利要求1所述的网络训练方法，其特征在于，所述在所述最小四边形区域的两个第一顶角之间插入预设个数的插值点，并计算各个所述插值点相对于各个所述目标区域的中心点的偏移量，包括：
在两个所述第一顶角之间以均匀间隔插入所述预设个数的插值点；
根据各个插值点的坐标以及对应的目标区域的高度和宽度，确定各个所述插值点相对于各个所述目标区域的中心点的偏移量。
4.一种车头朝向识别方法，其特征在于，包括：
获取待识别图像，所述待识别图像包含待识别车辆；
在所述待识别图像中提取包含所述待识别车辆的第二矩形区域，并将所述第二矩形区域输入经过训练的车头朝向识别网络，得到预设个数的回归点相对于所述待识别车辆的中心点的偏移量，所述回归点为预设的位于所述待识别车辆的车头两角所在直线上的点；
基于所述偏移量、所述待识别车辆的中心点以及所述第二矩形区域的高度和宽度，确定各个所述回归点的位置；
根据各个所述回归点的位置和所述待识别车辆的中心点，确定所述待识别车辆的车头朝向。
5.如权利要求4所述的车头朝向识别方法，其特征在于，所述基于所述偏移量、所述待识别车辆的中心点以及所述第二矩形区域的高度和宽度，确定各个所述回归点的位置，包括：
计算所述偏移量中的两个坐标分别与所述第二矩形区域的高度和宽度的乘积，所述偏移量中的两个坐标为待识别车辆的车头两角所在的直线上的多个回归点的偏移量中的任一组偏移量的坐标；
根据所述乘积与所述待识别车辆的中心点的坐标，确定各个所述回归点的位置。
6.如权利要求4所述的车头朝向识别方法，其特征在于，所述根据各个所述回归点的位置和所述待识别车辆的中心点，确定所述待识别车辆的车头朝向，包括：
根据第一回归点的坐标和所述待识别车辆的中心点的坐标，确定所述待识别车辆的车头朝向；
其中；所述第一回归点为在各个所述回归点中位于中部位置的回归点。
7.一种车头朝向识别网络的训练装置，其特征在于，包括：
四边形确定模块，用于在包含目标车辆的图像样本中，确定能够包含所述目标车辆的最小四边形区域；
矩形确定模块，用于确定包含所述最小四边形区域的第一矩形区域；
变换模块，用于对所述第一矩形区域进行变换，得到多个目标区域；
偏移计算模块，用于在所述最小四边形区域的两个第一顶角之间插入预设个数的插值点，并计算各个所述插值点相对于各个所述目标区域的中心点的偏移量；其中，所述第一顶角为靠近所述目标车辆的车头一侧的顶角；
训练模块，用于将所述多个目标区域作为样本图像，将多个插值点相对于每个目标区域的中心点的坐标的偏移量作为每个训练样本的训练标签，对车头朝向识别网络进行训练，所述车头朝向识别网络用于识别车辆的中心点的偏移量，所述中心点的偏移量用于基于待识别车辆的所述中心点的偏移量、所述待识别车辆的中心点以及包含所述待识别车辆的第二矩形区域的高度和宽度，确定各个所述回归点的位置；根据各个所述回归点的位置和所述待识别车辆的中心点，确定所述待识别车辆的车头朝向。
8.一种车头朝向识别装置，其特征在于，包括：
图像获取模块，用于获取待识别图像，所述待识别图像包含待识别车辆；
处理模块，用于在所述待识别图像中提取包含所述待识别车辆的第二矩形区域，并将所述第二矩形区域输入经过训练的车头朝向识别网络，得到位于所述待识别车辆的车头两角所在直线上的预设个数的回归点相对于所述待识别车辆的中心点的偏移量，所述回归点为预设的位于所述待识别车辆的车头两角所在直线上的点；
回归点确定模块，用于基于所述偏移量、所述待识别车辆的中心点以及所述第二矩形区域的高度和宽度，确定各个所述回归点的位置；
车头朝向确定模块，用于根据各个所述回归点的位置和所述待识别车辆的中心点，确定所述待识别车辆的车头朝向。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
10.一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，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6任一项所述的方法。
CN201911315840.6A 2019-12-19 2019-12-19 网络训练方法、车头朝向识别方法、装置及终端设备 Active CN111160174B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911315840.6A CN111160174B (zh) 2019-12-19 2019-12-19 网络训练方法、车头朝向识别方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911315840.6A CN111160174B (zh) 2019-12-19 2019-12-19 网络训练方法、车头朝向识别方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN111160174A CN111160174A (zh) 2020-05-15
CN111160174B true CN111160174B (zh) 2023-07-25

Family

ID=70557364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911315840.6A Active CN111160174B (zh) 2019-12-19 2019-12-19 网络训练方法、车头朝向识别方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN111160174B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723768B (zh) * 2020-06-30 2023-08-11 北京百度网讯科技有限公司 车辆重识别的方法、装置、设备和存储介质
CN112289040B (zh) * 2020-11-25 2022-08-19 浙江大华技术股份有限公司 一种车辆行驶方向识别的方法、装置及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102141633A (zh) * 2010-12-10 2011-08-03 中国科学院地质与地球物理研究所 各向异性三维叠前时间偏移方法
CN103065131A (zh) * 2012-12-28 2013-04-24 中国航天时代电子公司 一种复杂场景下自动目标识别跟踪方法及系统
CN103328311A (zh) * 2011-03-02 2013-09-25 本田技研工业株式会社 车辆用前发动机罩构造
CN107942364A (zh) * 2016-10-13 2018-04-20 阿里巴巴集团控股有限公司 车辆定位方法和车辆定位系统
CN109145928A (zh) * 2017-06-16 2019-01-04 杭州海康威视数字技术股份有限公司 一种基于图像的车头朝向识别方法及装置
CN109615659A (zh) * 2018-11-05 2019-04-12 成都西纬科技有限公司 一种车载多摄像机环视系统的摄像机参数获得方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8794650B2 (en) * 2012-08-09 2014-08-05 Jefferson S Williams Hands free bicycle maintenance pedaler
US10740607B2 (en) * 2017-08-18 2020-08-11 Autel Robotics Co., Ltd. Method for determining target through intelligent following of unmanned aerial vehicle, unmanned aerial vehicle and remote control

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102141633A (zh) * 2010-12-10 2011-08-03 中国科学院地质与地球物理研究所 各向异性三维叠前时间偏移方法
CN103328311A (zh) * 2011-03-02 2013-09-25 本田技研工业株式会社 车辆用前发动机罩构造
CN103065131A (zh) * 2012-12-28 2013-04-24 中国航天时代电子公司 一种复杂场景下自动目标识别跟踪方法及系统
CN107942364A (zh) * 2016-10-13 2018-04-20 阿里巴巴集团控股有限公司 车辆定位方法和车辆定位系统
CN109145928A (zh) * 2017-06-16 2019-01-04 杭州海康威视数字技术股份有限公司 一种基于图像的车头朝向识别方法及装置
CN109615659A (zh) * 2018-11-05 2019-04-12 成都西纬科技有限公司 一种车载多摄像机环视系统的摄像机参数获得方法及装置

Also Published As

Publication number Publication date
CN111160174A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN111368934B (zh) 图像识别模型训练方法、图像识别方法以及相关装置
CN109145926B (zh) 相似图片识别方法及计算机设备
WO2018113665A1 (zh) 二维码识别方法及装置
CN111104967B (zh) 图像识别网络训练方法、图像识别方法、装置及终端设备
CN103400108B (zh) 人脸识别方法、装置和移动终端
US20190156108A1 (en) Image processing method and apparatus, and electronic device
EP2890105B1 (en) Method, apparatus and terminal for generating thumbnail of image
CN106874906B (zh) 一种图片的二值化方法、装置及终端
CN106296634B (zh) 一种检测相似图像的方法和装置
CN111160174B (zh) 网络训练方法、车头朝向识别方法、装置及终端设备
CN107451454B (zh) 解锁控制方法及相关产品
CN106296617A (zh) 人脸图像的处理方法及装置
CN111060514A (zh) 缺陷检测方法、装置及终端设备
CN109726726B (zh) 视频中的事件检测方法及装置
WO2013085525A1 (en) Techniques for efficient stereo block matching for gesture recognition
CN110506252B (zh) 基于图样中标志图形点坐标的转换关系定位终端屏幕
CN109753202B (zh) 一种截屏方法和移动终端
WO2018184255A1 (zh) 图像校正的方法和装置
CN107451444A (zh) 解锁控制方法及相关产品
CN111080665B (zh) 图像边框识别方法、装置、设备和计算机存储介质
CN110796096B (zh) 一种手势识别模型的训练方法、装置、设备及介质
CN117746213A (zh) 一种网络训练方法、开关状态识别方法、装置及终端设备
CN113064118A (zh) 声源定位方法和装置
CN111161578B (zh) 学习互动方法、装置及终端设备
CN110717486B (zh) 文本检测方法、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