CN111242951A - 车辆检测方法、装置、计算机设备和存储介质 - Google Patents
车辆检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111242951A CN111242951A CN202010016510.3A CN202010016510A CN111242951A CN 111242951 A CN111242951 A CN 111242951A CN 202010016510 A CN202010016510 A CN 202010016510A CN 111242951 A CN111242951 A CN 111242951A
- Authority
- CN
- China
- Prior art keywords
- sample
- image
- vehicle component
- vehicle
- triple
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 177
- 239000013598 vector Substances 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 205
- 238000000605 extraction Methods 0.000 claims description 73
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000010606 normalization Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000007689 inspection Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及计算机技术领域,特别是涉及一种车辆检测方法、装置、计算机设备和存储介质。方法包括:获取待检测车辆图像及其对应的比对图像;对待检测车辆图像以及比对图像进行车辆部件分割,得到多个车辆部件图像组,各车辆部件图像组中包括待检测车辆图像以及比对图像中同一车辆部件的车辆部件图像;对各车辆部件图像组进行特征提取,得到各车辆部件图像组中各车辆部件图像的特征向量,并基于特征向量,确定各车辆部件图像组对应的相似度;分别判断各车辆部件图像组对应的相似度是否大于预设阈值;当各车辆部件图像组对应的相似度均大于预设阈值时,判定待检测车辆图像中的待检测车辆通过检测。采用本方法能够智能化的对待检测车辆图像进行检测。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种车辆检测方法、装置、计算机设备和存储介质。
背景技术
随着社会经济的发展和人民生活水平的不断提高,城市机动车保有量迅速增长,机动车车辆年检的工作量也随之急剧增加。
在传统方式中,通过人工对待检测车辆的外观部件进行判断,比如车灯、进气格栅等,以确定待检测车辆是否经过改装,相比于出厂配置时或者前一次检测时,车辆的外观部件是否一致。
通过人工进行判定,不够智能化,且车辆检测的效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够智能化的对待检测车辆图像进行检测的车辆检测方法、装置、计算机设备和存储介质。
一种车辆检测方法,所述方法包括:
获取待检测车辆图像及其对应的比对图像;
对待检测车辆图像以及比对图像进行车辆部件的分割,得到多个车辆部件图像组,各车辆部件图像组中包括待检测车辆图像以及比对图像中同一车辆部件的车辆部件图像;
分别对各车辆部件图像组进行特征提取,得到各车辆部件图像组中各车辆部件图像的特征向量,并基于特征向量,确定各车辆部件图像组对应的相似度;
分别判断各车辆部件图像组对应的相似度是否大于预设阈值;
当各车辆部件图像组对应的相似度均大于预设阈值时,判定待检测车辆图像中的待检测车辆通过检测。
在其中一个实施例中,分别对各车辆部件图像组进行特征提取之前,上述方法还包括:
基于预设的各车辆部件图像的处理方式,分别对各车辆部件图像组中的车辆部件图像进行预处理,得到预处理后的车辆部件图像组;
对各预处理后的车辆部件图像组中的车辆部件图像进行归一化处理,得到图像尺寸一致的车辆部件图像组。
在其中一个实施例中,分别对各车辆部件图像组进行特征提取,包括:
并行对多个车辆部件图像组进行特征提取。
在其中一个实施例中,对各预处理后的车辆部件图像组进行特征提取是通过预先训练的目标检测模型进行的,目标检测模型的训练方式包括:
获取分类训练样本集以及三元组比对训练样本集;
对分类训练样本集进行分类训练,以得到分类训练后的初始检测模型;
通过三元组比对训练样本集,对分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型。
在其中一个实施例中,通过三元组比对训练样本集,对分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型,包括:
将三元组比对训练样本集中的各三元组样本输入初始检测模型,对各三元组样本中的各样本图像进行特征提取,得到各三元组样本中各样本图像的特征向量;
根据各三元组样本中各样本图像的特征向量,计算各三元组样本的损失值;
基于预设损失值对各三元组样本的损失值进行判断,并删除损失值小于预设损失值的三元组样本,得到删除后的三元组比对训练样本集;
通过删除后的三元组比对训练样本集对初始检测模型进行迭代训练,得到比对训练后的目标检测模型。
在其中一个实施例中,通过三元组比对训练样本集,对分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型,包括:
将三元组比对训练样本集中的各三元组样本输入初始检测模型,对各三元组样本中各样本图像进行特征提取,得到各三元组样本中各样本图像的特征向量;
基于三元组样本中各样本图像的特征向量,分别计算三元组样本中的标准样本与其余样本图像的样本相似度,并基于得到的样本相似度对三元组样本分配对应的样本等级;
获取三元组比对训练样本集中样本等级高于预设等级的三元组样本,并对初始检测模型进行迭代训练,得到比对训练后的目标检测模型。
在其中一个实施例中,将三元组比对训练样本集中的各三元组样本输入初始检测模型,对各三元组样本中各样本图像进行特征提取,得到各三元组样本中各样本图像的特征向量,包括:
通过初始检测模型并行对三元组样本中的各样本图像进行特征提取,以并行得到三元组样本中各样本图像的特征向量。
一种车辆检测装置,所述装置包括:
图像获取模块,用于获取待检测车辆图像及其对应的比对图像;
分割模块,用于对待检测车辆图像以及比对图像进行车辆部件的分割,得到多个车辆部件图像组,各车辆部件图像组中包括待检测车辆图像以及比对图像中同一车辆部件的车辆部件图像;
特征提取模块,用于分别对各车辆部件图像组进行特征提取,得到各车辆部件图像组中各车辆部件图像的特征向量,并基于特征向量,确定各车辆部件图像组对应的相似度;
判断模块,用于分别判断各车辆部件图像组对应的相似度是否大于预设阈值;
检测通过模块,用于当各车辆部件图像组对应的相似度均大于预设阈值时,判定待检测车辆图像中的待检测车辆通过检测。
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上述任一项所述方法的步骤。
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上述任一项所述方法的步骤。
上述车辆检测方法、装置、计算机设备和存储介质,通过对待检测车辆图像以及比对图像进行车辆部件的分割,得到多个车辆部件图像组,并进行特征提取,得到车辆部件图像组中各车辆部件图像的特征向量,并基于特征向量,确定车辆部件图像组对应的相似度,然后基于相似度对车辆进行判定,以确定待检测车辆图像中的待检测车辆是否通过检测。从而,车辆检测流程无需人工参与,检测更加智能化。并且,特征向量的提取、相似度的计算以及判定,均是基于车辆部件对应的车辆部件图像进行的,可以提升待检测车辆检测判定的准确性。
附图说明
图1为一个实施例中车辆检测方法的应用场景图;
图2为一个实施例中车辆检测方法的流程示意图;
图3为一个实施例中目标检测模型训练步骤的流程示意图;
图4为一个实施例中目标检测模型的检测效果比对关系的示意图;
图5为一个实施例中车辆检测装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
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。
本申请提供的车辆检测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。具体地,终端102可以对待检测车辆进行车辆图像的采集,以得到待检测车辆图像,并通过网络将采集的待检测车辆图像发送给服务器104。服务器104获取到待检测车辆图像,以及对应的比对图像后,将对待检测车辆图像以及比对图像分别进行车辆部件的分割,得到多个车辆部件图像组,各车辆部件图像组中包括待检测车辆图像以及比对图像中同一车辆部件的车辆部件图像。然后服务器104分别对各车辆部件图像组进行特征提取,得到各车辆部件图像组中各车辆部件图像的特征向量,并基于该特征向量,确定各车辆部件图像组对应的相似度。进一步,服务器104分别判断各车辆部件图像组对应的相似度是否大于预设阈值,当各车辆部件图像组对应的相似度均大于预设阈值时,则服务器104判定该待检测车辆图像中的待检测车辆通过检测,以智能化的对待检测车辆进行检测。其中,终端102可以但不限于是各种具备图像采集功能以及网络传输功能的照相机、摄像机等,也可以是个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种车辆检测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S202,获取待检测车辆图像及其对应的比对图像。
其中,待检测车辆图像是指包括待检测车辆的车辆外观部件的图像,如包括引擎盖、车门、车灯、车轮、进气栅格等车辆外观部件的图像。待检测车辆图像可以通过前文所述的终端采集生成。待检测车辆是指车辆年检或者是其他应用场景中,待检测的车辆。
比对图像是指与待检测车辆图像对应并用于对待检测车辆图像进行检测的图像。本领域技术人员可以理解的是,比对图像可以是与待检测车辆一致且未经改装的车辆图像,或者是待检测车辆在前一次进行检测时,检测通过后归档存储的图像。
在本实施例中,比对图像中包括与待检测车辆同一车辆型号的车辆,比对图像可以是单张图像,也可以是多张图像,对此不作限制。以下以比对图像为单张图像为例进行说明。
步骤S204,对待检测车辆图像以及比对图像进行车辆部件的分割,得到多个车辆部件图像组,各车辆部件图像组中包括待检测车辆图像以及比对图像中同一车辆部件的车辆部件图像。
其中,车辆部件是指车辆的外观组成部件,如前文所述的引擎盖、车门、车灯、车轮、进气栅格等车辆外观部件等。同一车辆部件是指待检测车辆图像以及比对图像中车辆的同一部件,例如,待检测车辆图像中待检测车辆的车灯与比对图像中比对车辆的车灯为同一车辆部件。
车辆部件图像是指仅包括车辆部件的图像,如车灯图像、车门图像、引擎盖图像等。车辆部件图像组中包括了待检测车辆图像以及比对图像中同一车辆部件的车辆部件图像,例如,车灯图像组中包括待检测车辆图像中车灯的车灯图像以及比对图像中车灯的车灯图像,即包括了分别来自于待检测车辆图像和比对图像中的两张车灯图像。
具体地,服务器可以通过将待检测车辆图像以及比对图像输入车辆外观分割模型,分割出待检测车辆图像以及比对图像中各的外观部件,然后,对于同一车辆部件,组成车辆部件图像组。
在本实施例中,车辆外观分割模型可以是预先经过训练、测试以及验证后的神经网络模型,或者也可以是其他可以对车辆外观部件进行部件分割的模型等。
步骤S206,分别对各车辆部件图像组进行特征提取,得到各车辆部件图像组中各车辆部件图像的特征向量,并基于特征向量,确定各车辆部件图像组对应的相似度。
其中,对各车辆部件图像组进行特征提取可以是通过多种不同的方式进行,例如,通过神经网络模型,或者是其他的图像识别算法等进行特征的提取。
特征向量是指对车辆部件图像进行特征提取后得到的车辆部件特征向量,对于不同的车辆部件,或者不同的车辆部件图像,经特征提取后得到的特征向量不同。
相似度是指车辆部件图像组中多个车辆部件图像的相似度,相似度基于对车辆部件图像的特征向量计算生成,例如,在本实施例中,可以通过欧几里得距离、皮尔逊相关系数、余弦相似度以及谷本系数(Tanimoto系数,又名广义Jaccard相似系数)等相似度计算公式计算生成。
具体地,服务器分别对各车辆部件图像组中的各车辆部件图像进行特征的提取,得到对应各车辆部件图像的特征向量,然后通过上述任一项相似度计算公式,对车辆部件图像组中的同一车辆部件图像的特征向量进行计算,以得到对应车辆部件图像组的相似度。
步骤S208,分别判断各车辆部件图像组对应的相似度是否大于预设阈值。
其中,预设阈值是指预先设置的相似度判断阈值,用于对得到的各车辆部件图像组对应的相似度进行判定,确定车辆部件图像组中车辆部件图像是否一致。
在本实施例中,对于不同的车辆部件图像组,即对于不同的车辆部件,其预设阈值可以相同,也可以不同,例如,对于车灯图像组以及引擎盖图像组,可以分别设置不同的阈值,以分别用于对车灯图像组以及引擎盖图像组对应的相似度进行判断,而对于前左车门图像组和右车门图像组,可以通过设置统一阈值对其相似度进行判断。
步骤S210,当各车辆部件图像组对应的相似度均大于预设阈值时,判定待检测车辆图像中的待检测车辆通过检测。
如前所述,服务器通过车辆外观分割模型对将待检测车辆图像以及比对图像进行车辆部件的分割,得到多个车辆部件图像组。
在本实施例中,服务器可以分别对每一车辆部件图像组对应的相似度与预设阈值进行比较,当所有的车辆部件图像组对应的相似度均大于预设阈值时,判定待检测车辆图像中的待检测车辆通过检测,至少一个车辆部件图像组小于或者等于预设阈值,则判定待检测车辆图像中的待检测车辆不通过检测。
具体地,通过检测可以是指通过前文所述的年检或者是应用场景中的相关检查。
上述车辆检测方法中,通过对待检测车辆图像以及比对图像进行车辆部件的分割,得到多个车辆部件图像组,并进行特征提取,得到车辆部件图像组中各车辆部件图像的特征向量,并基于特征向量,确定车辆部件图像组对应的相似度,然后基于相似度对车辆进行判定,以确定待检测车辆图像中的待检测车辆是否通过检测。从而,车辆检测流程无需人工参与,检测更加智能化。并且,特征向量的提取、相似度的计算以及判定,均是基于车辆部件对应的车辆部件图像进行的,可以提升待检测车辆检测判定的准确性。
在其中一个实施例中,分别对各车辆部件图像组进行特征提取之前,上述方法还可以包括:基于预设的各车辆部件图像的处理方式,分别对各车辆部件图像组中的车辆部件图像进行预处理,得到预处理后的车辆部件图像组;对各预处理后的车辆部件图像组中的车辆部件图像进行归一化处理,得到图像尺寸一致的车辆部件图像组。
其中,车辆部件图像的处理方式是指对车辆部件图像进行预处理的方式,对于不同车辆部件的车辆部件图像,其预处理的方式可以不同。
例如,对于车灯,基于待检测车辆图像以及比对图像得到的车灯图像之间亮度可能存在不一致的情况,则首先可以通过调整图像亮度,应尽可能消除车灯图像组中光照影响,使其车灯图像组中车灯图像的亮度一致;同时对于倾斜车灯图像,可以采用最小矩形框定位车灯,旋转矫正车灯图片,同时计算出矩形框四点旋转后的新坐标,得到包含车灯的最小水平矩形区域,以对倾斜车灯进行调整;进一步,对于车灯图像中车灯以外的区域,可以统一设置像素值为0,并消除背景噪声;对于有透视角度的车辆部件图像,则可以进行透视变换矫正。从而,通过上述预处理方式,以得到预处理后的车辆部件图像。
在本实施例中,服务器在对各车辆部件图像组中的车辆部件图像进行预处理后,还可以对车辆部件图像组中的车辆部件图像进行归一化处理,例如,将各车辆部件图像调整至64*64,以得到尺寸一致的车辆部件图像组。具体地,可以仅对同一车辆部件图像组中的车辆部件图像进行归一化处理,使得同一车辆部件图像组中的车辆部件图像尺寸一致,或者,也可以对所有的车辆部件图像组中的车辆部件图像进行归一化处理,使的基于待检测车辆图像以及比对图像得到的所有的车辆部件图像的尺寸一致。
进一步,服务器可以对归一化后的车辆部件图像进行特征向量的提取,以得到对应车辆部件图像的特征。
在上述实施例中,通过分别对各车辆部件图像组中的车辆部件图像进行预处理,使得预处理后的车辆部件图像更加准确,可以提升后续处理的准确性。并且,通过对预处理后的图像进行归一化处理,得到尺寸一致的车辆部件图像组,数据处理基于同一存储的图像进行,可以进一步提升后续数据处理的准确性。
在其中一个实施例中,分别对各车辆部件图像组进行特征提取,可以包括:并行对多个车辆部件图像组进行特征提取。
其中,并行是指同时执行两个或多个处理过程。
在本实施例中,服务器可以并行对多个车辆部件图像组进行特征提取,以提升特征提取的速率。
可选地,服务器还可以对同一车辆部件图像组中的两个或者多个车辆部件图像并行进行特征向量的提取,以进一步提升处理速率。
上述实施例中,通过并行对多个车辆部件图像组进行特征提取,可以节约特征提取的时间,进而可以提升数据处理速率。
在其中一个实施例中,参考图3,对各预处理后的车辆部件图像组进行特征提取是通过预先训练的目标检测模型进行的,目标检测模型的训练方式可以包括:
步骤S302,获取分类训练样本集以及三元组比对训练样本集。
其中,分类训练样本集是指用于进行分类训练的图像集,分类训练样本集包括但不限于各种不同车辆以及不同拍摄角度获取的车辆部件的分类训练样本。
具体地,服务器可以通过获取历史数据或者是第三方数据等,得到分类训练图像,然后按照前文所述的分割方式以及预处理方式,得到进行分类训练的分类训练样本。
进一步,服务器可以对分类训练样本设置对应的分类类别,例如,通过批注框、类别标签等方式,并尽可能的对分类训练样本进行多分类,以在进行分类训练时,提升检测精度。
在本实施例中,三元组比对训练样本集是指用于进行对网络模型进行比对训练的图像集,三元组比对训练样本集可以包括多个三元组样本。
具体地,三元组样本的形式为<a.p,n>,a代表anchor,即标准样本,p代表positive样本,即与标准样本为同一类的样本,n代表negative样本,与标准样本为不同类的样本。
步骤S304,对分类训练样本集进行分类训练,以得到分类训练后的初始检测模型。
其中,对分类训练样本集进行分类训练的网络模型可以是采用resnet18或se-resnet18为基础网络,AM-softmax或Arcface为损失函数的模型。
具体地,服务器可以将前文所述的分类训练样本集以及各分类训练样本对应的批注框、类别标签等输入构建的网络模型,以对分类训练样本集进行特征提取,并对提取的各特征进行回归预测,得到预测框。
进一步,服务器可以基于批注框以及预测框,通过对应的损失函数计算其损失值,并通过所述损失值更新模型参数。然后对检测模型进行迭代处理,得到分类训练后的初始检测模型。
可选的,服务器在通过网络模型对分类训练样本集进行特征提取时可以是进行多个不同尺度的特征,以得到多个尺度的特征。然后服务器对各尺度的特征进行特征融合,得到对应各尺度的特征的预测框,进而计算对应各不同尺度的损失值。
步骤S306,通过三元组比对训练样本集,对分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型。
具体地,服务器可以将获取的三元组比对训练样本集输入分类训练后的初始检测模型,通过初始检测模型对三元组比对训练样本集中各三元组本集进行特征提取,并对提取的特征进行预测以及损失值的计算,以继续进行初始检测模型的模型参数的更新。然后对参数更新后的初始检测模型继续进行迭代处理,得到目标检测模型。
可选地,在进行比对训练时,初始检测模型所用到的损失函数可以是Triplet-Loss损失函数。
在本实施例中,参考图4,通过三元组比对训练样本集对初始检测模型进行训练,最终目的是为了使得初始检测模型训练到正样本的距离小于负样本的距离,即anchor样本与positive样本之间的距离小于anchor样本与negative样本之间的距离。
具体地,Triplet-Loss损失函数的表达式为:
L=max{d(a,p)-d(a,n)+margin,0}
其中,d(a,p)表示anchor样本与positive样本之间的距离,d(a,n)表示anchor样本与negative样本之间的距离。
在本实施例中,也可以选用优化后的Triplet-Loss损失函数进行损失值的计算,函数表达式为:
L1=d(a,p)+max{d(a,p)-d(a,n)+margin,0}
优化后Triplet-Loss损失函数添加了d(a,p),从而可以进一步拉近anchor样本与positive样本之间的距离,以实现模型训练的目的。
上述实施例中,通过对分类训练样本集进行分类训练,以得到分类训练后的初始检测模型,并通过三元组比对训练样本集,对分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型,相比于直接进行比对训练,可以提升训练后得到的目标检测模型的检测精度,可以进一步检测的准确性。
在其中一个实施例中,通过三元组比对训练样本集,对分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型,可以包括:将三元组比对训练样本集中的各三元组样本输入初始检测模型,对各三元组样本中各样本图像进行特征提取,得到各三元组样本中各样本图像的特征向量;基于三元组样本中各样本图像的特征向量,分别计算三元组样本中的标准样本与其余样本图像的样本相似度,并基于得到的样本相似度对三元组样本分配对应的样本等级;获取三元组比对训练样本集中样本等级高于预设等级的三元组样本,并对初始检测模型进行迭代训练,得到比对训练后的目标检测模型。
如前所述,在三元组样本<a.p,n>中,a代表anchor样本,p代表positive样本,n代表negative样本。标准样本与其余样本图像的样本相似度是指三元组样本中,anchor样本分别与positive样本以及negative样本的样本相似度。
在本实施例中,样本等级为指示样本难易程度的指标,可以包括但不限于“低”等级、“中”等级、“高”等级等三个等级,“低”等级样本为简单样本,“中”等级样本为中等困难样本、“高”等级样本较为困难样本。
具体地,服务器通过将三元组比对训练样本集输入初始检测模型,对初始检测模型进行训练。在训练过程中,服务器可以获取前几轮训练时进行特征提取得到各三元组样本的特征向量,例如分别为特征向量a、特征向量p和特征向量n,然后分别计算特征向量a和特征向量p的样本相似度S1、特征向量a和特征向量n的样本相似度S2。其中,样本相似度的计算方式可以是前文所述的欧几里得距离、皮尔逊相关系数、余弦相似度以及谷本系数(Tanimoto系数,又名广义Jaccard相似系数)等。
进一步,服务器可以通过对三元组样本的样本相似度S1和样本相似度S2进行分析,并基于分析结果分配对应的样本等级。例如,S1+1<S2,则确定该三元组样本较为简单,分配样本等级为“低”,如果S1<S2<S1+1,则确定该三元组样本中等困难,分配样本等级为“中”,如果S1>S2,则确定该三元组样本较为困难,分配样本等级为“高”。
进一步,服务器可以获取三元组比对训练样本集中样本等级高于“低”等级的“中”等级和“高”等级的三元组样本,并通过获取的三元组样本对初始检测模型进行迭代训练,并不断对模型参数进行更新,以得到比对训练后的目标检测模型。
上述实施例中,通过分别计算三元组样本中的标准样本与其余样本图像的样本相似度,并基于得到的样本相似度对三元组样本分配对应的样本等级,然后获取三元组比对训练样本集中样本等级高于预设等级的三元组样本,并对初始检测模型进行迭代训练,从而,使得训练后的模型对困难样本更具针对性,可以提升检测困难样本的准确性。
在其中一个实施例中,通过三元组比对训练样本集,对分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型,可以包括:将三元组比对训练样本集中的各三元组样本输入初始检测模型,对各三元组样本中的各样本图像进行特征提取,得到各三元组样本中各样本图像的特征向量;根据各三元组样本中各样本图像的特征向量,计算各三元组样本的损失值;基于预设损失值对各三元组样本的损失值进行判断,并删除损失值小于预设损失值的三元组样本,得到删除后的三元组比对训练样本集;通过删除后的三元组比对训练样本集对初始检测模型进行迭代训练,得到比对训练后的目标检测模型。
具体地,服务器在进行比对训练的过程中,可以通过Triplet-Loss损失函数对各三元组样本的各样本图像的特征向量进行损失计算,以得到各三元组样本的损失值。
进一步,服务器通过对各三元组样本的损失值与预设损失值进行比较,例如,和预设损失值0进行比较,并删除三元组样本的损失值小于预设损失值的三元组样本,通过删除后的三元组比对训练样本集继续训练初始检测模型,并以此方式往复循环,对初始检测模型进行迭代更新,以得到训练后的目标检测模型。
上述实施例中,通过计算各三元组样本的损失值,并基于预设损失值对各三元组样本的损失值进行判断,并删除损失值小于预设损失值的三元组样本,从而,删除后的三元组比对训练样本集中保留了相对较难学习的三元组样本,可以使训练得到的模型检测困难样本的准确性得以提升。并且,由于训练过程中不断的对损失值小于预设损失值的三元组样本进行删除,使得训练较为灵活,越往后,模型训练越具有针对性。
在其中一个实施例中,将三元组比对训练样本集中的各三元组样本输入初始检测模型,对各三元组样本中各样本图像进行特征提取,得到各三元组样本中各样本图像的特征向量,可以包括:通过初始检测模型并行对三元组样本中的各样本图像进行特征提取,以并行得到三元组样本中各样本图像的特征向量。
在本实施例中,初始检测模型的网络结构可以为三支结构相同且并行的网络结构,各分支网络结构可以共享模型参数,以并行对三元组样本<a.p,n>中anchor样本、positive样本以及negative样本的分别进行特征提取,并行输出得到anchor样本、positive样本以及negative样本的特征向量a、特征向量p和特征向量n。
可选地,初始检测模型可以为采用了resnet18网络结构相同的模型,并减少第5个block,从而,初始检测模型可以输出更前层的特征,可以进一步提升检测的准确性。
上述实施例中,通过并行对三元组样本中的各样本图像进行特征提取,以并行得到三元组样本中各样本图像的特征向量,相比于串行进行特征提取,可以节约处理时间,提升处理效率。
应该理解的是,虽然图2-3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2-3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。
在一个实施例中,如图5所示,提供了一种车辆检测装置,包括:图像获取模块100、分割模块200、特征提取模块300、判断模块400和检测通过模块500,其中:
图像获取模块100,用于获取待检测车辆图像及其对应的比对图像。
分割模块200,用于对待检测车辆图像以及比对图像进行车辆部件的分割,得到多个车辆部件图像组,各车辆部件图像组中包括待检测车辆图像以及比对图像中同一车辆部件的车辆部件图像。
特征提取模块300,用于分别对各车辆部件图像组进行特征提取,得到各车辆部件图像组中各车辆部件图像的特征向量,并基于特征向量,确定各车辆部件图像组对应的相似度。
判断模块400,用于分别判断各车辆部件图像组对应的相似度是否大于预设阈值。
检测通过模块500,用于当各车辆部件图像组对应的相似度均大于预设阈值时,判定待检测车辆图像中的待检测车辆通过检测。
在其中一个实施例中,上述装置还可以包括:
预处理模块,用于特征提取模块300分别对各车辆部件图像组进行特征提取之前,基于预设的各车辆部件图像的处理方式,分别对各车辆部件图像组中的车辆部件图像进行预处理,得到预处理后的车辆部件图像组。
归一化模块,用于对各预处理后的车辆部件图像组中的车辆部件图像进行归一化处理,得到图像尺寸一致的车辆部件图像组。
在其中一个实施例中,特征提取模块300可以并行对多个车辆部件图像组进行特征提取。
在其中一个实施例中,特征提取模块300对各预处理后的车辆部件图像组进行特征提取是通过预先训练的目标检测模型进行的,上述装置还可以包括:
训练集获取模块,用于获取分类训练样本集以及三元组比对训练样本集。
分类训练模块,用于对分类训练样本集进行分类训练,以得到分类训练后的初始检测模型。
比对训练模块,用于通过三元组比对训练样本集,对分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型。
在其中一个实施例中,比对训练模块可以包括:
特征提取子模块,用于将三元组比对训练样本集中的各三元组样本输入初始检测模型,对各三元组样本中的各样本图像进行特征提取,得到各三元组样本中各样本图像的特征向量。
损失值计算子模块,用于根据各三元组样本中各样本图像的特征向量,计算各三元组样本的损失值。
删除子模块,用于基于预设损失值对各三元组样本的损失值进行判断,并删除损失值小于预设损失值的三元组样本,得到删除后的三元组比对训练样本集。
第一迭代训练子模块,用于通过删除后的三元组比对训练样本集对初始检测模型进行迭代训练,得到比对训练后的目标检测模型。
在其中一个实施例中,比对训练模块可以包括:
特征提取子模块,用于将三元组比对训练样本集中的各三元组样本输入初始检测模型,对各三元组样本中各样本图像进行特征提取,得到各三元组样本中各样本图像的特征向量。
样本相似度计算子模块,用于基于三元组样本中各样本图像的特征向量,分别计算三元组样本中的标准样本与其余样本图像的样本相似度,并基于得到的样本相似度对三元组样本分配对应的样本等级。
第二迭代训练子模块,用于获取三元组比对训练样本集中样本等级高于预设等级的三元组样本,并对初始检测模型进行迭代训练,得到比对训练后的目标检测模型。
在其中一个实施例中,特征提取子模块用于通过初始检测模型并行对三元组样本中的各样本图像进行特征提取,以并行得到三元组样本中各样本图像的特征向量。
关于车辆检测装置的具体限定可以参见上文中对于车辆检测方法的限定,在此不再赘述。上述车辆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,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。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、计算机程序和数据库。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。该计算机设备的数据库用于存储待检测车辆图像、比对图像、车辆部件图像以及特征向量等数据。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。该计算机程序被处理器执行时以实现一种车辆检测方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
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,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取待检测车辆图像及其对应的比对图像;对待检测车辆图像以及比对图像进行车辆部件的分割,得到多个车辆部件图像组,各车辆部件图像组中包括待检测车辆图像以及比对图像中同一车辆部件的车辆部件图像;分别对各车辆部件图像组进行特征提取,得到各车辆部件图像组中各车辆部件图像的特征向量,并基于特征向量,确定各车辆部件图像组对应的相似度;分别判断各车辆部件图像组对应的相似度是否大于预设阈值;当各车辆部件图像组对应的相似度均大于预设阈值时,判定待检测车辆图像中的待检测车辆通过检测。
在其中一个实施例中,处理器执行计算机程序时实现分别对各车辆部件图像组进行特征提取之前,还实现以下步骤:基于预设的各车辆部件图像的处理方式,分别对各车辆部件图像组中的车辆部件图像进行预处理,得到预处理后的车辆部件图像组;对各预处理后的车辆部件图像组中的车辆部件图像进行归一化处理,得到图像尺寸一致的车辆部件图像组。
在其中一个实施例中,处理器执行计算机程序时实现分别对各车辆部件图像组进行特征提取,可以包括:并行对多个车辆部件图像组进行特征提取。
在其中一个实施例中,处理器执行计算机程序时实现对各预处理后的车辆部件图像组进行特征提取是通过预先训练的目标检测模型进行的,目标检测模型的训练方式可以包括:获取分类训练样本集以及三元组比对训练样本集;对分类训练样本集进行分类训练,以得到分类训练后的初始检测模型;通过三元组比对训练样本集,对分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型。
在其中一个实施例中,处理器执行计算机程序时实现通过三元组比对训练样本集,对分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型,可以包括:将三元组比对训练样本集中的各三元组样本输入初始检测模型,对各三元组样本中的各样本图像进行特征提取,得到各三元组样本中各样本图像的特征向量;根据各三元组样本中各样本图像的特征向量,计算各三元组样本的损失值;基于预设损失值对各三元组样本的损失值进行判断,并删除损失值小于预设损失值的三元组样本,得到删除后的三元组比对训练样本集;通过删除后的三元组比对训练样本集对初始检测模型进行迭代训练,得到比对训练后的目标检测模型。
在其中一个实施例中,处理器执行计算机程序时实现通过三元组比对训练样本集,对分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型,可以包括:将三元组比对训练样本集中的各三元组样本输入初始检测模型,对各三元组样本中各样本图像进行特征提取,得到各三元组样本中各样本图像的特征向量;基于三元组样本中各样本图像的特征向量,分别计算三元组样本中的标准样本与其余样本图像的样本相似度,并基于得到的样本相似度对三元组样本分配对应的样本等级;获取三元组比对训练样本集中样本等级高于预设等级的三元组样本,并对初始检测模型进行迭代训练,得到比对训练后的目标检测模型。
在其中一个实施例中,处理器执行计算机程序时实现将三元组比对训练样本集中的各三元组样本输入初始检测模型,对各三元组样本中各样本图像进行特征提取,得到各三元组样本中各样本图像的特征向量,可以包括:通过初始检测模型并行对三元组样本中的各样本图像进行特征提取,以并行得到三元组样本中各样本图像的特征向量。
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:获取待检测车辆图像及其对应的比对图像;对待检测车辆图像以及比对图像进行车辆部件的分割,得到多个车辆部件图像组,各车辆部件图像组中包括待检测车辆图像以及比对图像中同一车辆部件的车辆部件图像;分别对各车辆部件图像组进行特征提取,得到各车辆部件图像组中各车辆部件图像的特征向量,并基于特征向量,确定各车辆部件图像组对应的相似度;分别判断各车辆部件图像组对应的相似度是否大于预设阈值;当各车辆部件图像组对应的相似度均大于预设阈值时,判定待检测车辆图像中的待检测车辆通过检测。
在其中一个实施例中,计算机程序被处理器执行时实现分别对各车辆部件图像组进行特征提取之前,还实现以下步骤:基于预设的各车辆部件图像的处理方式,分别对各车辆部件图像组中的车辆部件图像进行预处理,得到预处理后的车辆部件图像组;对各预处理后的车辆部件图像组中的车辆部件图像进行归一化处理,得到图像尺寸一致的车辆部件图像组。
在其中一个实施例中,计算机程序被处理器执行时实现分别对各车辆部件图像组进行特征提取,可以包括:并行对多个车辆部件图像组进行特征提取。
在其中一个实施例中,计算机程序被处理器执行时实现对各预处理后的车辆部件图像组进行特征提取是通过预先训练的目标检测模型进行的,目标检测模型的训练方式可以包括:获取分类训练样本集以及三元组比对训练样本集;对分类训练样本集进行分类训练,以得到分类训练后的初始检测模型;通过三元组比对训练样本集,对分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型。
在其中一个实施例中,计算机程序被处理器执行时实现通过三元组比对训练样本集,对分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型,可以包括:将三元组比对训练样本集中的各三元组样本输入初始检测模型,对各三元组样本中的各样本图像进行特征提取,得到各三元组样本中各样本图像的特征向量;根据各三元组样本中各样本图像的特征向量,计算各三元组样本的损失值;基于预设损失值对各三元组样本的损失值进行判断,并删除损失值小于预设损失值的三元组样本,得到删除后的三元组比对训练样本集;通过删除后的三元组比对训练样本集对初始检测模型进行迭代训练,得到比对训练后的目标检测模型。
在其中一个实施例中,计算机程序被处理器执行时实现通过三元组比对训练样本集,对分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型,可以包括:将三元组比对训练样本集中的各三元组样本输入初始检测模型,对各三元组样本中各样本图像进行特征提取,得到各三元组样本中各样本图像的特征向量;基于三元组样本中各样本图像的特征向量,分别计算三元组样本中的标准样本与其余样本图像的样本相似度,并基于得到的样本相似度对三元组样本分配对应的样本等级;获取三元组比对训练样本集中样本等级高于预设等级的三元组样本,并对初始检测模型进行迭代训练,得到比对训练后的目标检测模型。
在其中一个实施例中,计算机程序被处理器执行时实现将三元组比对训练样本集中的各三元组样本输入初始检测模型,对各三元组样本中各样本图像进行特征提取,得到各三元组样本中各样本图像的特征向量,可以包括:通过初始检测模型并行对三元组样本中的各样本图像进行特征提取,以并行得到三元组样本中各样本图像的特征向量。
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申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆检测方法,其特征在于,所述方法包括:
获取待检测车辆图像及其对应的比对图像;
对所述待检测车辆图像以及所述比对图像进行车辆部件的分割,得到多个车辆部件图像组,各所述车辆部件图像组中包括所述待检测车辆图像以及所述比对图像中同一车辆部件的车辆部件图像;
分别对各所述车辆部件图像组进行特征提取,得到各所述车辆部件图像组中各车辆部件图像的特征向量,并基于所述特征向量,确定各所述车辆部件图像组对应的相似度;
分别判断各所述车辆部件图像组对应的相似度是否大于预设阈值;
当各所述车辆部件图像组对应的相似度均大于所述预设阈值时,判定所述待检测车辆图像中的待检测车辆通过检测。
2.根据权利要求1所述的方法,其特征在于,所述分别对各所述车辆部件图像组进行特征提取之前,所述方法还包括:
基于预设的各车辆部件图像的处理方式,分别对各所述车辆部件图像组中的车辆部件图像进行预处理,得到预处理后的车辆部件图像组;
对各所述预处理后的车辆部件图像组中的车辆部件图像进行归一化处理,得到图像尺寸一致的车辆部件图像组。
3.根据权利要求1所述的方法,其特征在于,所述分别对各所述车辆部件图像组进行特征提取,包括:
并行对所述多个车辆部件图像组进行特征提取。
4.根据权利要求1所述的方法,其特征在于,所述对各所述预处理后的车辆部件图像组进行特征提取是通过预先训练的目标检测模型进行的,所述目标检测模型的训练方式包括:
获取分类训练样本集以及三元组比对训练样本集;
对分类训练样本集进行分类训练,以得到分类训练后的初始检测模型;
通过三元组比对训练样本集,对所述分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型。
5.根据权利要求4所述的方法,其特征在于,所述通过三元组比对训练样本集,对所述分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型,包括:
将所述三元组比对训练样本集中的各三元组样本输入所述初始检测模型,对各所述三元组样本中的各样本图像进行特征提取,得到各所述三元组样本中各样本图像的特征向量;
根据各所述三元组样本中各样本图像的特征向量,计算各所述三元组样本的损失值;
基于预设损失值对各所述三元组样本的损失值进行判断,并删除损失值小于预设损失值的三元组样本,得到删除后的三元组比对训练样本集;
通过删除后的三元组比对训练样本集对所述初始检测模型进行迭代训练,得到所述比对训练后的目标检测模型。
6.根据权利要求4所述的方法,其特征在于,所述通过三元组比对训练样本集,对所述分类训练后的初始检测模型进行比对训练,得到比对训练后的目标检测模型,包括:
将所述三元组比对训练样本集中的各三元组样本输入所述初始检测模型,对各所述三元组样本中各样本图像进行特征提取,得到各所述三元组样本中各样本图像的特征向量;
基于所述三元组样本中各样本图像的特征向量,分别计算所述三元组样本中的标准样本与其余样本图像的样本相似度,并基于得到的样本相似度对所述三元组样本分配对应的样本等级;
获取所述三元组比对训练样本集中样本等级高于预设等级的三元组样本,并对所述初始检测模型进行迭代训练,得到所述比对训练后的目标检测模型。
7.根据权利要求5或6所述的方法,其特征在于,所述将所述三元组比对训练样本集中的各三元组样本输入所述初始检测模型,对各所述三元组样本中各样本图像进行特征提取,得到各所述三元组样本中各样本图像的特征向量,包括:
通过所述初始检测模型并行对所述三元组样本中的各样本图像进行特征提取,以并行得到三元组样本中各样本图像的特征向量。
8.一种车辆检测装置,其特征在于,包括:
图像获取模块,用于获取待检测车辆图像及其对应的比对图像;
分割模块,用于对所述待检测车辆图像以及所述比对图像进行车辆部件的分割,得到多个车辆部件图像组,各所述车辆部件图像组中包括所述待检测车辆图像以及所述比对图像中同一车辆部件的车辆部件图像;
特征提取模块,用于分别对各所述车辆部件图像组进行特征提取,得到各所述车辆部件图像组中各车辆部件图像的特征向量,并基于所述特征向量,确定各所述车辆部件图像组对应的相似度;
判断模块,用于分别判断各所述车辆部件图像组对应的相似度是否大于预设阈值;
检测通过模块,用于当各所述车辆部件图像组对应的相似度均大于所述预设阈值时,判定所述待检测车辆图像中的待检测车辆通过检测。
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至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至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010016510.3A CN111242951A (zh) | 2020-01-08 | 2020-01-08 | 车辆检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010016510.3A CN111242951A (zh) | 2020-01-08 | 2020-01-08 | 车辆检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111242951A true CN111242951A (zh) | 2020-06-05 |
Family
ID=70874259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010016510.3A Pending CN111242951A (zh) | 2020-01-08 | 2020-01-08 | 车辆检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242951A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095161A (zh) * | 2023-10-20 | 2023-11-21 | 云南联合视觉科技有限公司 | 一种向量化编码的旋转目标检测方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488973A (zh) * | 2013-09-12 | 2014-01-01 | 上海依图网络科技有限公司 | 基于图像的车辆品牌识别方法和系统 |
CN106897390A (zh) * | 2017-01-24 | 2017-06-27 | 北京大学 | 基于深度度量学习的目标精确检索方法 |
CN108109137A (zh) * | 2017-12-13 | 2018-06-01 | 重庆越畅汽车科技有限公司 | 车辆部件的机器视觉检测系统及方法 |
WO2018121690A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
US20180210896A1 (en) * | 2015-07-22 | 2018-07-26 | Hangzhou Hikvision Digital Technology Co., Ltd. | Method and device for searching a target in an image |
WO2018137357A1 (zh) * | 2017-01-24 | 2018-08-02 | 北京大学 | 一种目标检测性能优化的方法 |
CN110147732A (zh) * | 2019-04-16 | 2019-08-20 | 平安科技(深圳)有限公司 | 指静脉识别方法、装置、计算机设备及存储介质 |
US20190304099A1 (en) * | 2018-03-29 | 2019-10-03 | Amir HEVER | Method of vehicle image comparison and system thereof |
CN110458168A (zh) * | 2019-08-29 | 2019-11-15 | 上海眼控科技股份有限公司 | 车辆检测报告的处理方法、装置、计算机设备和存储介质 |
-
2020
- 2020-01-08 CN CN202010016510.3A patent/CN111242951A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488973A (zh) * | 2013-09-12 | 2014-01-01 | 上海依图网络科技有限公司 | 基于图像的车辆品牌识别方法和系统 |
US20180210896A1 (en) * | 2015-07-22 | 2018-07-26 | Hangzhou Hikvision Digital Technology Co., Ltd. | Method and device for searching a target in an image |
WO2018121690A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
CN106897390A (zh) * | 2017-01-24 | 2017-06-27 | 北京大学 | 基于深度度量学习的目标精确检索方法 |
WO2018137357A1 (zh) * | 2017-01-24 | 2018-08-02 | 北京大学 | 一种目标检测性能优化的方法 |
CN108109137A (zh) * | 2017-12-13 | 2018-06-01 | 重庆越畅汽车科技有限公司 | 车辆部件的机器视觉检测系统及方法 |
US20190304099A1 (en) * | 2018-03-29 | 2019-10-03 | Amir HEVER | Method of vehicle image comparison and system thereof |
CN110147732A (zh) * | 2019-04-16 | 2019-08-20 | 平安科技(深圳)有限公司 | 指静脉识别方法、装置、计算机设备及存储介质 |
CN110458168A (zh) * | 2019-08-29 | 2019-11-15 | 上海眼控科技股份有限公司 | 车辆检测报告的处理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
文学志;袁淮;赵宏;: "一种基于低对比度图像的车辆检测算法", no. 14 * |
文学志;袁淮;赵宏;: "一种基于低对比度图像的车辆检测算法", 计算机工程, no. 14, 20 July 2008 (2008-07-20) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095161A (zh) * | 2023-10-20 | 2023-11-21 | 云南联合视觉科技有限公司 | 一种向量化编码的旋转目标检测方法及装置 |
CN117095161B (zh) * | 2023-10-20 | 2023-12-22 | 云南联合视觉科技有限公司 | 一种向量化编码的旋转目标检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860670B (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
CN110909803B (zh) | 图像识别模型训练方法、装置和计算机可读存储介质 | |
CN109543627B (zh) | 一种判断驾驶行为类别的方法、装置、及计算机设备 | |
CN108197326B (zh) | 一种车辆检索方法及装置、电子设备、存储介质 | |
CN111191539B (zh) | 证件真伪验证方法、装置、计算机设备和存储介质 | |
CN110674712A (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
CN111950329A (zh) | 目标检测及模型训练方法、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 | |
CN111368758B (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
CN111160275B (zh) | 行人重识别模型训练方法、装置、计算机设备和存储介质 | |
CN111667001B (zh) | 目标重识别方法、装置、计算机设备和存储介质 | |
CN110046577B (zh) | 行人属性预测方法、装置、计算机设备和存储介质 | |
CN110942012A (zh) | 图像特征提取方法、行人重识别方法、装置和计算机设备 | |
CN111539317A (zh) | 车辆违规行驶检测方法、装置、计算机设备和存储介质 | |
CN112418009A (zh) | 一种图像质量检测方法、终端设备及存储介质 | |
CN111553268A (zh) | 车辆部件识别方法、装置、计算机设备和存储介质 | |
CN110826484A (zh) | 车辆重识别的方法、装置、计算机设备及模型训练方法 | |
CN110599514B (zh) | 图像分割的方法、装置、电子设备及存储介质 | |
CN110766077A (zh) | 证据链图像中特写图筛选方法、装置和设备 | |
CN111242951A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
CN112163110B (zh) | 图像分类方法、装置、电子设备和计算机可读存储介质 | |
CN112308035A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN116612498A (zh) | 一种鸟类识别模型训练方法、鸟类识别方法、装置及设备 | |
CN116091596A (zh) | 一种自下而上的多人2d人体姿态估计方法及装置 | |
CN112699809B (zh) | 痘痘类别识别方法、装置、计算机设备及存储介质 |
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 |