CN111191595A - 车辆标识检测方法、装置、计算机设备和可读存储介质 - Google Patents

车辆标识检测方法、装置、计算机设备和可读存储介质 Download PDF

Info

Publication number
CN111191595A
CN111191595A CN201911400229.3A CN201911400229A CN111191595A CN 111191595 A CN111191595 A CN 111191595A CN 201911400229 A CN201911400229 A CN 201911400229A CN 111191595 A CN111191595 A CN 111191595A
Authority
CN
China
Prior art keywords
identification
image
vehicle
detection result
sample
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
CN201911400229.3A
Other languages
English (en)
Inventor
周康明
党银强
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.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control 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 Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN201911400229.3A priority Critical patent/CN111191595A/zh
Publication of CN111191595A publication Critical patent/CN111191595A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V2201/02—Recognising information on displays, dials, clocks
    • 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
    • G06V2201/09—Recognition of logos

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种车辆标识检测方法、装置、计算机设备和可读存储介质，该方法包括：获取待检测的目标图像；采用滑动窗口策略，获取目标图像的子图像；将子图像输入预设的检测模型，得到子图像对应的车辆标识的检测结果；车辆标识包括制动防抱死系统标识和辅助制动标识；根据子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果。该方法提高了得到的目标图像对应的车辆标识的检测结果的效率，且提高了得到的目标图像对应的车辆标识的检测结果的准确度。

Description

车辆标识检测方法、装置、计算机设备和可读存储介质
技术领域
本发明涉及图像处理技术领域，特别是涉及一种车辆标识检测方法、装置、计算机设备和可读存储介质。
背景技术
机动车辆的年检对于机动车的安全行驶具有十分重要的意义。随着社会经济的快速发展，机动车保有量在不断的增加，使得机动车辆的年检工作量也随之增加。传统的对机动车辆年检的方法，主要是通过人工的方式对机动车辆进行检测。
但是，传统的对机动车辆年检的方法存在检测效率较低的问题。
发明内容
基于此，有必要针对传统的对机动车辆年检的方法存在检测效率较低的问题，提供一种车辆标识检测方法、装置、计算机设备和可读存储介质。
第一方面，本发明实施例提供一种车辆标识检测方法，所述方法包括：
获取待检测的目标图像；
采用滑动窗口策略，获取所述目标图像的子图像；
将所述子图像输入预设的检测模型，得到所述子图像对应的车辆标识的检测结果；所述车辆标识包括制动防抱死系统标识和辅助制动标识；
根据所述子图像对应的车辆标识的检测结果，得到所述目标图像对应的所述车辆标识的检测结果。
在其中一个实施例中，所述根据所述子图像对应的车辆标识的检测结果，得到所述目标图像对应的所述车辆标识的检测结果之前，所述方法还包括：
若所述子图像对应的车辆标识的检测结果中包括所述制动防抱死系统标识，则将所述制动防抱死系统标识输入预设的目标分类模型，判断所述制动防抱死系统标识的真伪；
若所述制动防抱死系统标识为真，则执行所述根据所述子图像对应的车辆标识的检测结果，得到所述目标图像对应的所述车辆标识的检测结果的步骤。
在其中一个实施例中，所述根据所述子图像对应的车辆标识的检测结果，得到所述目标图像对应的所述车辆标识的检测结果，包括：
若所述子图像对应的车辆标识的检测结果中包括所述制动防抱死系统标识和所述辅助制动标识，且所述制动防抱死系统标识为真，则确定所述目标图像中包括所述制动防抱死系统标识和所述辅助制动标识。
在其中一个实施例中，所述采用滑动窗口策略，获取所述目标图像的子图像，包括：
采用预设尺寸的窗口，按照预设的滑动方向对所述目标图像进行截取处理，获取所述目标图像的子图像；所述预设尺寸小于所述目标图像的尺寸，且，大于所述制动防抱死系统标识的尺寸和所述辅助制动标识的尺寸。
在其中一个实施例中，所述方法还包括：
若未检测到所述制动防抱死系统标识和所述辅助制动标识中的任一标识，则返回未检测到所述车辆标识的原因。
在其中一个实施例中，所述检测模型的训练过程包括：
获取在不同采集条件下得到的第一样本图像；所述第一样本图像包括所述制动防抱死系统标识和所述辅助制动标识；
将所述第一样本图像输入预设的初始检测模型，得到对所述第一样本图像中所述制动防抱死系统标识和所述辅助制动标识的样本检测结果；
根据所述样本检测结果、所述第一样本图像中所述制动防抱死系统标识的标签和所述辅助制动标识的标签，对所述初始检测模型进行训练，得到所述检测模型。
在其中一个实施例中，所述目标分类模型的训练过程包括：
获取第二样本图像；所述第二样本图像包含所述制动防抱死系统标识和防侧滑系统标识；
对所述第二样本图像进行截取处理，得到多幅样本子图像；所述样本子图像的尺寸小于所述第二样本图像的尺寸，且，大于所述制动防抱死系统标识的尺寸和所述防侧滑系统标识的尺寸；
将所述样本子图像输入预设的初始分类模型，得到对所述样本子图像中车辆标识的识别结果；所述识别结果为所述制动防抱死系统标识或所述防侧滑系统标识；
根据所述识别结果和所述第二样本图像对应的标准车辆标识标签，对所述初始分类模型进行训练，得到所述目标分类模型。
第二方面，本发明实施例提供一种车辆标识检测装置，所述装置包括：
第一获取模块，用于获取待检测的目标图像；
第二获取模块，用于采用滑动窗口策略，获取所述目标图像的子图像；
检测模块，用于将所述子图像输入预设的检测模型，得到所述子图像对应的车辆标识的检测结果；所述车辆标识包括制动防抱死系统标识和辅助制动标识；
第三获取模块，用于根据所述子图像对应的车辆标识的检测结果，得到所述目标图像对应的所述车辆标识的检测结果。
第三方面，本发明实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待检测的目标图像；
采用滑动窗口策略，获取所述目标图像的子图像；
将所述子图像输入预设的检测模型，得到所述子图像对应的车辆标识的检测结果；所述车辆标识包括制动防抱死系统标识和辅助制动标识；
根据所述子图像对应的车辆标识的检测结果，得到所述目标图像对应的所述车辆标识的检测结果。
第四方面，本发明实施例提供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实现以下步骤：
获取待检测的目标图像；
采用滑动窗口策略，获取所述目标图像的子图像；
将所述子图像输入预设的检测模型，得到所述子图像对应的车辆标识的检测结果；所述车辆标识包括制动防抱死系统标识和辅助制动标识；
根据所述子图像对应的车辆标识的检测结果，得到所述目标图像对应的所述车辆标识的检测结果。
上述实施例提供的车辆标识检测方法、装置、计算机设备和可读存储介质中，计算机设备获取待检测的目标图像；采用滑动窗口策略，获取目标图像的子图像；将子图像输入预设的检测模型，得到子图像对应的车辆标识的检测结果；车辆标识包括制动防抱死系统标识和辅助制动标识；根据子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果。在该方法中，计算机设备采用滑动窗口策略，获取待检测的目标图像的子图像，将子图像输入预设的检测模型，能够快速地得到子图像对应的车辆标识的检测结果，提高了得到子图像对应的车辆标识的检测结果的效率，进而提高了根据子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果的效率；另外，将待检测的目标图像的子图像输入预设的检测模型，能够准确地对待检测的目标图像的子图像对应的车辆标识进行检测，提高了得到的子图像对应的车辆标识的检测结果的准确度，进而提高了根据子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果的准确度。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图；
图2为一个实施例提供的车辆标识检测方法的流程示意图；
图3为另一个实施例提供的车辆标识检测方法的流程示意图；
图3a为一个实施例提供的制动防抱死系统ABS标识和防侧滑系统ASR标识的示意图；
图4为另一个实施例提供的车辆标识检测方法的流程示意图；
图5为另一个实施例提供的车辆标识检测方法的流程示意图；
图6为一个实施例提供的车辆标识检测装置结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的车辆标识检测方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
需要说明的是，本申请实施例提供的车辆标识检测方法，其执行主体可以是车辆标识检测装置，该车辆标识检测装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。
下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的车辆标识检测方法的流程示意图。本实施例涉及的是计算机设备获取待检测的目标图像的子图像，根据子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果的具体实现过程。如图2所示，该方法可以包括：
S201，获取待检测的目标图像。
其中，待检测的目标图像为车辆仪表盘图像。可选的，计算机设备可以从存储车辆仪表盘图像的服务器中获取待检测的目标图像，也可以通过与计算机设备连接的拍摄设备实时地采集待检测的目标图像。
S202，采用滑动窗口策略，获取目标图像的子图像。
其中，滑动窗口策略的应用场景是当待检测目标的外接矩形在目标图像中所占比例非常小的时候，为了提高对待检测目标的检测准确率，避免对待检测目标的漏检、误检，可以采用滑动窗口策略对目标图像中的待检测目标进行检测。根据经验值采用比待检测物体外接矩形尺寸大的窗口，在目标图像上由重叠的滑动截取该窗口所在区域对应的子图的过程称为滑动窗口策略。具体的，在本实施例中，计算机设备采用滑动窗口策略，获取待检测的目标图像的子图像。可选的，计算机设备可以获取目标图像的全部子图像，也可以获取目标图像的一部分子图像，只要通过获取的子图像能够完成对目标图像对应的车辆标识的检测结果即可，本实施例在此对获取的子图像的数量不做具体限定。
S203，将子图像输入预设的检测模型，得到子图像对应的车辆标识的检测结果；车辆标识包括制动防抱死系统标识和辅助制动标识。
具体的，计算机设备将得到的目标图像的子图像输入预设的检测模型，得到子图像对应的车辆标识的检测结果。其中，车辆标识包括制动防抱死系统标识和辅助制动标识。可选的，得到的子图像对应的车辆标识的检测结果可以包括制动防抱死系统标识，也可以包括辅助制动标识，也可以包括制动防抱死系统标识和辅助制动标识。可选的，预设的检测模型可以为RefineDet网络模型，其中，RefineDet网络模型采用Two Stage类型的目标检测算法，采用由粗到细的回归思想对子图像对应的车辆标识进行检测，其中，由粗到细的回归思想是指定义一个类型不可知的检测器，主要是采用区域生成网络(Region ProposalNetwork,RPN)得到粗粒度的车辆标识信息，即只包含车辆标识前景和背景，然后再通过常规的分类和回归，采用类似特征图金字塔网络(Feature Pyramid Networks,FPN)的特征融合操作用于检测网络，可以有效提高对小目标的检测效果，得到更加精确的子图像对应的车辆标识的检测结果。
S204，根据子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果。
具体的，计算机设备根据子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果。示例性地，若计算机设备得到子图像对应的车辆标识的检测结果包括制动防抱死系统标识，则计算机设备确定目标图像对应的车辆标识的检测结果包括制动防抱死系统标识；若计算机设备得到子图像对应的车辆标识的检测结果包括辅助制动标识，则计算机设备确定目标图像对应的车辆标识的检测结果包括辅助制动标识；若计算机设备得到子图像对应的车辆标识的检测结果包括制动防抱死系统标识和辅助制动标识，则计算机设备确定目标图像对应的车辆标识的检测结果包括制动防抱死系统标识和辅助制动标识。
在本实施例中，计算机设备采用滑动窗口策略，获取待检测的目标图像的子图像，将子图像输入预设的检测模型，能够快速地得到子图像对应的车辆标识的检测结果，提高了得到子图像对应的车辆标识的检测结果的效率，进而提高了根据子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果的效率；另外，将待检测的目标图像的子图像输入预设的检测模型，能够准确地对待检测的目标图像的子图像对应的车辆标识进行检测，提高了得到的子图像对应的车辆标识的检测结果的准确度，进而提高了根据子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果的准确度。
图3为另一个实施例提供的车辆标识检测方法的流程示意图。图3a为一个实施例提供的制动防抱死系统ABS标识和防侧滑系统ASR标识的示意图。本实施例涉及的是计算机设备根据目标图像的子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果的具体实现过程。如图3所示，在上述实施例的基础上，作为一种可选的实施方式，上述S204之前，上述方法还包括：
S301，若子图像对应的车辆标识的检测结果中包括制动防抱死系统标识，则将制动防抱死系统标识输入预设的目标分类模型，判断制动防抱死系统标识的真伪。
具体的，计算机设备若得到子图像对应的车辆标识的检测结果中包括制动防抱死系统标识，则将制动防抱死系统标识输入预设的目标分类模型，判断制动防抱死系统标识的真伪。需要说明的是，如图3a所示，由于制动防抱死系统标识(ABS)与防侧滑系统标识(ASR)的形状和大小都比较相似，采用单一的检测模型，当目标图像拍摄的不清晰时，容易将ASR标识误检成ABS标识，因此，需要再通过一个目标分类模型，对判断出的制动防抱死系统标识的真伪进行判断。可选的，目标分类模型可以为LeNet网络模型。可选的，计算机设备将制动防抱死系统标识输入预设的目标分类模型，对制动防抱死系统标识的真伪进行判断，得到的判断结果可以为该制动防抱死系统标识为真，也可以为该制动防抱死系统标识为伪。
S302，若制动防抱死系统标识为真，则执行根据子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果的步骤。
具体的，若计算机设备判断出制动防抱死系统标识为真，则执行上述S204的步骤，也就是计算机设备将根据子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果。可选的，若子图像对应的车辆标识的检测结果中包括制动防抱死系统标识和辅助制动标识，且制动防抱死系统标识为真，则计算机设备确定目标图像中包括制动防抱死系统标识和辅助制动标识。
在本实施例中，若子图像对应的车辆标识的检测结果中包括制动防抱死系统标识，则计算机设备将制动防抱死系统标识输入预设的目标分类模型，对制动防抱死系统标识的真伪进行判断，通过该判断过程确保了得到的子图像对应的车辆标识的检测结果的准确性，提高了子图像对应的车辆标识的检测结果的准确度，若制动防抱死系统标识为真，则执行根据子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果的步骤，由于子图像对应的车辆标识的检测结果的准确度得到了提高，这样可以根据子图像对应的车辆标识的检测结果，准确地得到目标图像对应的车辆标识的检测结果，提高了得到的目标图像对应的车辆标识的检测结果的准确度。
本实施例涉及的是计算机设备采用滑动窗口策略，获取目标图像的子图像的具体实现过程。在上述实施例的基础上，作为一种可选的实施方式，上述S202包括：采用预设尺寸的窗口，按照预设的滑动方向对目标图像进行截取处理，获取目标图像的子图像；预设尺寸小于目标图像的尺寸，且，大于制动防抱死系统标识的尺寸和辅助制动标识的尺寸。
具体的，计算机设备采用预设尺寸的窗口，按照预设的滑动方向对目标图像进行截取处理，获取目标图像的子图像。其中，预设尺寸小于目标图像的尺寸，且大于制动防抱死系统标识的尺寸和辅助制动标识的尺寸。可选的，预设尺寸可以为制动防抱死系统标识尺寸或辅助制动标识尺寸的三倍。可选的，计算机设备可以采用预设尺寸的窗口，按照从左向右，从上到下的方向每次移动预设尺寸的窗口1/3的距离对目标图像进行截取处理，获取目标图像的子图像。可以理解的是，窗口的尺寸的选取需要参考制动防抱死系统标识的尺寸和辅助制动标识的尺寸，还需要参考时间因素；窗口的尺寸越小，对制动防抱死系统标识和辅助制动标识检测的准确率就越高，但这样检测模型要处理的子图像就比较多，得到目标图像对应的车辆标识的检测结果耗时较长，而窗口的尺寸越大，对制动防抱死系统标识和辅助制动标识检测的准确率会相对的有所降低，但得到目标图像对应的车辆标识的检测结果耗时较短，可以根据不同的实际情况，确定窗口的尺寸。
在本实施例中，由于制动防抱死系统标识和辅助制动标识的尺寸较小，目标图像的尺寸较大，计算机设备采用预设尺寸的窗口，按照预设的滑动方向能够对目标图像进行准确地截取处理，确保了得到目标图像的子图像的准确性，提高了得到的目标图像的子图像的准确度。
在上述实施例的基础上，作为一种可选的实施方式，上述方法还包括：若未检测到制动防抱死系统标识和辅助制动标识中的任一标识，则返回未检测到车辆标识的原因。
具体的，若计算机设备未检测到制动防抱死系统标识和辅助制动标识中的任一标识，则返回未检测到车辆标识的原因。可选的，返回的未检测到车辆标识的原因可以为未检测到制动防抱死系统标识，也可以为未检测到辅助制动标识。
在本实施例中，若计算机设备未检测到制动防抱死系统标识和辅助制动标识中的任一标识，则返回未检测到车辆标识的原因，这样便于检测人员快速地定位出目标图像检测不通过的具体原因，提高了检测人员对后续的统计分析工作的效率。
图4为另一个实施例提供的车辆标识检测方法的流程示意图。本实施例涉及的是计算机设备对检测模型进行训练的具体实现过程。如图4所示，检测模型的训练过程可以包括：
S401，获取在不同采集条件下得到的第一样本图像；第一样本图像包括制动防抱死系统标识和辅助制动标识。
具体的，计算机设备获取在不同采集条件下得到的第一样本图像，第一样本图像包括车辆的制动防抱死系统表示和车辆的辅助制动标识。可选的，在不同采集条件下得到的第一样本图像可以为在不同光照、不同旋转角度下得到的第一样本图像。可选的，计算机设备可以从存储车辆仪表盘图像的服务器中获取第一样本图像，也可以通过与计算机设备连接的拍摄设备实时地采集第一样本图像。
S402，将第一样本图像输入预设的初始检测模型，得到对第一样本图像中制动防抱死系统标识和辅助制动标识的样本检测结果。
具体的，计算机设备将第一样本图像输入预设的初始检测模型，得到对第一样本图像中制动防抱死系统标识和辅助制动标识的样本检测结果。可选的，样本检测结果可以为第一样本图像中包括制动防抱死系统标识，也可以为第一样本图像中包括辅助制动标识，也可以为第一样本图像中包括制动防抱死系统标识和辅助制动标识，也可以为第一样本图像中不包括制动防抱死系统标识和辅助制动标识。可选的，初始检测模型可以为RefineDet网络模型。
S403，根据样本检测结果、第一样本图像中制动防抱死系统标识的标签和辅助制动标识的标签，对初始检测模型进行训练，得到检测模型。
具体的，计算机设备根据第一样本图像的样本检测结果、第一样本图像中制动防抱死系统标识的标签和辅助制动标识的标签，对初始检测模型进行训练，得到上述检测模型。也就是，计算机设备预先在第一样本图像中生成制动防抱死系统标识的外接矩形以及辅助制动标识的外接矩形，并添加标签类别，将得到的样本检测结果与制动防抱死系统标识的标签和辅助制动标识的标签进行比对，得到初始检测模型的损失函数的值，根据初始检测模型的损失函数的值对初始检测模型进行训练，得到上述检测模型。
在本实施例中，计算机设备将获取在不同采集条件下得到的包括制动防抱死系统标识和辅助制动标识的第一样本图像，将第一样本图像输入预设的初始检测模型，得到第一样本图像中制动防抱死系统标识和辅助制动标识的样本检测结果，根据样本检测结果、第一样本图像中制动防抱死系统标识的标签和辅助制动标识的标签，对初始检测模型进行训练，通过大量的第一样本图像能够对初始检测模型进行比较准确地训练，从而提高了得到的检测模型的准确度。
图5为另一个实施例提供的车辆标识检测方法的流程示意图。本实施例涉及的是计算机设备对目标分类模型进行训练的具体实现过程。如图5所示，目标分类模型的训练过程可以包括：
S501，获取第二样本图像；第二样本图像包含制动防抱死系统标识和防侧滑系统标识。
具体的，计算机设备获取第二样本图像，获取的第二样本图像中包括制动防抱死系统标识和防侧滑系统标识。可选的，计算机设备可以从存储车辆仪表盘图像的服务器中获取第二样本图像，也可以通过与计算机设备连接的拍摄设备实时地采集第二样本图像。
S502，对第二样本图像进行截取处理，得到多幅样本子图像；样本子图像的尺寸小于第二样本图像的尺寸，且，大于制动防抱死系统标识的尺寸和防侧滑系统标识的尺寸；
具体的，计算机设备对第二样本图像进行截取处理，得到多幅样本子图像。其中，样本子图像的尺寸小于第二样本图像的尺寸，且，大于制动防抱死系统标识的尺寸和防侧滑系统标识的尺寸。可选的，样本子图像的尺寸可以为制动防抱死系统标识尺寸或防侧滑系统标识尺寸的三倍。可选的，计算机设备可以采用滑动窗口策略对第二样本图像进行截取处理，得到多幅样本子图像，也可以采用其他的截取方法对第二样本图像进行截取处理，得到多幅样本子图像。
S503，将样本子图像输入预设的初始分类模型，得到对样本子图像中车辆标识的识别结果；识别结果为制动防抱死系统标识或防侧滑系统标识。
具体的，计算机设备将样本子图像输入预设的初始分类模型，得到对样本子图像中车辆标识的识别结果，样本子图像的识别结果为制动防抱死系统标识或防侧滑系统标识。可选的，计算机设备得到的对样本子图像中车辆标识的识别结果可以为制动防抱死系统标识，也可以为防侧滑系统标识。
S504，根据识别结果和第二样本图像对应的标准车辆标识标签，对初始分类模型进行训练，得到目标分类模型。
具体的，计算机设备根据样本子图像中车辆标识的识别结果和第二样本图像对应的标准车辆标识标签，对初始分类模型进行训练，得到目标分类模型。需要说明的是，计算机设备会首先将第二样本图像中的制动防抱死系统标识和防侧滑系统标识从第二样本图像中截取出来，作为第二样本图像对应的标准车辆标识标签。示例性地，例如，计算机设备得到的样本子图像中车辆标识的识别结果为制动防抱死系统标识，则计算机设备将得到的样本子图像中车辆标识的识别结果与第二样本图像对应的标准车辆标识标签进行比对，也就是，计算机设备将识别出的样本子图像中的制动防抱死系统标识和第二样本图像对应的标准制动防抱死系统标识进行比对，得到初始分类模型的损失函数的值，根据初始分类模型的损失函数的值对初始分类模型进行训练，得到目标分类模型。
在本实施例中，计算机设备将获取包含制动防抱死系统标识和防侧滑系统标识的第二样本图像，对第二样本图像进行截取处理，得到多幅样本子图像，将样本子图像输入预设的初始分类模型，得到对样本子图像中车辆标识的识别结果，根据对样本子图像中车辆标识的识别结果和第二样本图像对应的标准车辆标识标签，对初始分类模型进行训练，通过大量的第二样本图像能够对初始分类模型进行比较准确地训练，从而提高了得到的目标分类模型的准确度。
应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图6为一个实施例提供的车辆标识检测装置结构示意图。如图6所示，该装置可以包括：第一获取模块10、第二获取模块11、检测模块12和第三获取模块13。
具体的，第一获取模块10，用于获取待检测的目标图像；
第二获取模块11，用于采用滑动窗口策略，获取目标图像的子图像；
检测模块12，用于将子图像输入预设的检测模型，得到子图像对应的车辆标识的检测结果；车辆标识包括制动防抱死系统标识和辅助制动标识；
第三获取模块13，用于根据子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果。
本实施例提供的车辆标识检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：判断模块和第四获取模块。
具体的，判断模块，用于若子图像对应的车辆标识的检测结果中包括制动防抱死系统标识，则将制动防抱死系统标识输入预设的目标分类模型，判断制动防抱死系统标识的真伪；
第四获取模块，用于若制动防抱死系统标识为真，则执行根据子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果的步骤。
本实施例提供的车辆标识检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第三获取模块13包括：确定单元。
具体的，确定单元，用于若子图像对应的车辆标识的检测结果中包括制动防抱死系统标识和辅助制动标识，且制动防抱死系统标识为真，则确定目标图像中包括制动防抱死系统标识和辅助制动标识。
本实施例提供的车辆标识检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第二获取模块11包括：获取单元。
具体的，获取单元，用于采用预设尺寸的窗口，按照预设的滑动方向对目标图像进行截取处理，获取目标图像的子图像；预设尺寸小于目标图像的尺寸，且，大于制动防抱死系统标识的尺寸和辅助制动标识的尺寸。
本实施例提供的车辆标识检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：返回模块。
具体的，返回模块，用于若未检测到制动防抱死系统标识和辅助制动标识中的任一标识，则返回未检测到车辆标识的原因。
本实施例提供的车辆标识检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：第五获取模块、第六获取模块和第一训练模块。
具体的，第五获取模块，用于获取在不同采集条件下得到的第一样本图像；第一样本图像包括制动防抱死系统标识和辅助制动标识；
第六获取模块，用于将第一样本图像输入预设的初始检测模型，得到对第一样本图像中制动防抱死系统标识和辅助制动标识的样本检测结果；
第一训练模块，用于根据样本检测结果、第一样本图像中制动防抱死系统标识的标签和辅助制动标识的标签，对初始检测模型进行训练，得到检测模型。
本实施例提供的车辆标识检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：第七获取模块、截取模块、第八获取模块和第二训练模块。
具体的，第七获取模块，用于获取第二样本图像；第二样本图像包含制动防抱死系统标识和防侧滑系统标识；
截取模块，用于对第二样本图像进行截取处理，得到多幅样本子图像；样本子图像的尺寸小于第二样本图像的尺寸，且，大于制动防抱死系统标识的尺寸和防侧滑系统标识的尺寸；
第八获取模块，用于将样本子图像输入预设的初始分类模型，得到对样本子图像中车辆标识的识别结果；识别结果为制动防抱死系统标识或防侧滑系统标识；
第二训练模块，用于根据识别结果和第二样本图像对应的标准车辆标识标签，对初始分类模型进行训练，得到目标分类模型。
本实施例提供的车辆标识检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于车辆标识检测装置的具体限定可以参见上文中对于车辆标识检测方法的限定，在此不再赘述。上述车辆标识检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待检测的目标图像；
采用滑动窗口策略，获取目标图像的子图像；
将子图像输入预设的检测模型，得到子图像对应的车辆标识的检测结果；车辆标识包括制动防抱死系统标识和辅助制动标识；
根据子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待检测的目标图像；
采用滑动窗口策略，获取目标图像的子图像；
将子图像输入预设的检测模型，得到子图像对应的车辆标识的检测结果；车辆标识包括制动防抱死系统标识和辅助制动标识；
根据子图像对应的车辆标识的检测结果，得到目标图像对应的车辆标识的检测结果。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种车辆标识检测方法，其特征在于，所述方法包括：
获取待检测的目标图像；
采用滑动窗口策略，获取所述目标图像的子图像；
将所述子图像输入预设的检测模型，得到所述子图像对应的车辆标识的检测结果；所述车辆标识包括制动防抱死系统标识和辅助制动标识；
根据所述子图像对应的车辆标识的检测结果，得到所述目标图像对应的所述车辆标识的检测结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述子图像对应的车辆标识的检测结果，得到所述目标图像对应的所述车辆标识的检测结果之前，所述方法还包括：
若所述子图像对应的车辆标识的检测结果中包括所述制动防抱死系统标识，则将所述制动防抱死系统标识输入预设的目标分类模型，判断所述制动防抱死系统标识的真伪；
若所述制动防抱死系统标识为真，则执行所述根据所述子图像对应的车辆标识的检测结果，得到所述目标图像对应的所述车辆标识的检测结果的步骤。
3.根据权利要求2所述的方法，其特征在于，所述根据所述子图像对应的车辆标识的检测结果，得到所述目标图像对应的所述车辆标识的检测结果，包括：
若所述子图像对应的车辆标识的检测结果中包括所述制动防抱死系统标识和所述辅助制动标识，且所述制动防抱死系统标识为真，则确定所述目标图像中包括所述制动防抱死系统标识和所述辅助制动标识。
4.根据权利要求1所述的方法，其特征在于，所述采用滑动窗口策略，获取所述目标图像的子图像，包括：
采用预设尺寸的窗口，按照预设的滑动方向对所述目标图像进行截取处理，获取所述目标图像的子图像；所述预设尺寸小于所述目标图像的尺寸，且，大于所述制动防抱死系统标识的尺寸和所述辅助制动标识的尺寸。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
若未检测到所述制动防抱死系统标识和所述辅助制动标识中的任一标识，则返回未检测到所述车辆标识的原因。
6.根据权利要求1所述的方法，其特征在于，所述检测模型的训练过程包括：
获取在不同采集条件下得到的第一样本图像；所述第一样本图像包括所述制动防抱死系统标识和所述辅助制动标识；
将所述第一样本图像输入预设的初始检测模型，得到对所述第一样本图像中所述制动防抱死系统标识和所述辅助制动标识的样本检测结果；
根据所述样本检测结果、所述第一样本图像中所述制动防抱死系统标识的标签和所述辅助制动标识的标签，对所述初始检测模型进行训练，得到所述检测模型。
7.根据权利要求2所述的方法，其特征在于，所述目标分类模型的训练过程包括：
获取第二样本图像；所述第二样本图像包含所述制动防抱死系统标识和防侧滑系统标识；
对所述第二样本图像进行截取处理，得到多幅样本子图像；所述样本子图像的尺寸小于所述第二样本图像的尺寸，且，大于所述制动防抱死系统标识的尺寸和所述防侧滑系统标识的尺寸；
将所述样本子图像输入预设的初始分类模型，得到对所述样本子图像中车辆标识的识别结果；所述识别结果为所述制动防抱死系统标识或所述防侧滑系统标识；
根据所述识别结果和所述第二样本图像对应的标准车辆标识标签，对所述初始分类模型进行训练，得到所述目标分类模型。
8.一种车辆标识检测装置，其特征在于，所述装置包括：
第一获取模块，用于获取待检测的目标图像；
第二获取模块，用于采用滑动窗口策略，获取所述目标图像的子图像；
检测模块，用于将所述子图像输入预设的检测模型，得到所述子图像对应的车辆标识的检测结果；所述车辆标识包括制动防抱死系统标识和辅助制动标识；
第三获取模块，用于根据所述子图像对应的车辆标识的检测结果，得到所述目标图像对应的所述车辆标识的检测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
10.一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权利要求1-7中任一项所述方法的步骤。
CN201911400229.3A 2019-12-30 2019-12-30 车辆标识检测方法、装置、计算机设备和可读存储介质 Pending CN111191595A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911400229.3A CN111191595A (zh) 2019-12-30 2019-12-30 车辆标识检测方法、装置、计算机设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911400229.3A CN111191595A (zh) 2019-12-30 2019-12-30 车辆标识检测方法、装置、计算机设备和可读存储介质

Publications (1)

Publication Number Publication Date
CN111191595A true CN111191595A (zh) 2020-05-22

Family

ID=70707992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911400229.3A Pending CN111191595A (zh) 2019-12-30 2019-12-30 车辆标识检测方法、装置、计算机设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN111191595A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2930697A1 (en) * 2014-04-09 2015-10-14 Johnson Controls Automotive Electronics SAS Method and device for processing vehicle condition data
CN103366190B (zh) * 2013-07-26 2017-03-29 中国科学院自动化研究所 一种识别交通标志的方法
CN106650641A (zh) * 2016-12-05 2017-05-10 北京文安智能技术股份有限公司 一种交通信号灯定位识别方法、装置及系统
CN110490135A (zh) * 2019-08-20 2019-11-22 上海眼控科技股份有限公司 车辆年检方法、装置、计算机设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366190B (zh) * 2013-07-26 2017-03-29 中国科学院自动化研究所 一种识别交通标志的方法
EP2930697A1 (en) * 2014-04-09 2015-10-14 Johnson Controls Automotive Electronics SAS Method and device for processing vehicle condition data
CN106650641A (zh) * 2016-12-05 2017-05-10 北京文安智能技术股份有限公司 一种交通信号灯定位识别方法、装置及系统
CN110490135A (zh) * 2019-08-20 2019-11-22 上海眼控科技股份有限公司 车辆年检方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
CN106707293A (zh) 用于车辆的障碍物识别方法和装置
US11087138B2 (en) Vehicle damage assessment method, apparatus, and device
CN110674712A (zh) 交互行为识别方法、装置、计算机设备和存储介质
CN110796082B (zh) 铭牌文本检测方法、装置、计算机设备和存储介质
CN110706261A (zh) 车辆违章检测方法、装置、计算机设备和存储介质
CN110807491A (zh) 车牌图像清晰度模型训练方法、清晰度检测方法及装置
CN112782743B (zh) 一种车辆定位方法、装置、计算机设备及存储介质
CN111161202A (zh) 车辆行为信息获取方法、装置、计算机设备和存储介质
CN112078571B (zh) 自动泊车方法、设备、存储介质及装置
KR20220093187A (ko) 포지셔닝 방법 및 장치, 전자 기기, 컴퓨터 판독 가능 저장 매체
CN111144372A (zh) 车辆检测方法、装置、计算机设备和存储介质
CN110705560A (zh) 轮胎文本的获取方法及装置、轮胎规格的检测方法
CN103810696A (zh) 一种目标对象图像检测方法及装置
CN111753592A (zh) 交通标志识别方法、装置、计算机设备和存储介质
CN111582077A (zh) 基于人工智能软件技术的安全带佩戴检测方法和装置
CN111160086A (zh) 车道线识别方法、装置、设备和存储介质
CN111144358A (zh) 车辆合格证的验证方法、装置、计算机设备和存储介质
CN111372042B (zh) 故障检测方法、装置、计算机设备和存储介质
CN111144404B (zh) 遗留物体检测方法、装置、系统、计算机设备和存储介质
CN112766275B (zh) 印章文字识别方法、装置、计算机设备和存储介质
CN112241705A (zh) 基于分类回归的目标检测模型训练方法和目标检测方法
CN112580499A (zh) 文本识别方法、装置、设备及存储介质
CN110222724B (zh) 一种图片实例检测方法、装置、计算机设备及存储介质
CN111191595A (zh) 车辆标识检测方法、装置、计算机设备和可读存储介质

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