CN111259971A - 车辆信息检测方法、装置、计算机设备及可读存储介质 - Google Patents

车辆信息检测方法、装置、计算机设备及可读存储介质 Download PDF

Info

Publication number
CN111259971A
CN111259971A CN202010063572.XA CN202010063572A CN111259971A CN 111259971 A CN111259971 A CN 111259971A CN 202010063572 A CN202010063572 A CN 202010063572A CN 111259971 A CN111259971 A CN 111259971A
Authority
CN
China
Prior art keywords
hub
coordinate set
point coordinate
image
inner ring
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
CN202010063572.XA
Other languages
English (en)
Inventor
周康明
李俊杰
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 CN202010063572.XA priority Critical patent/CN111259971A/zh
Publication of CN111259971A publication Critical patent/CN111259971A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种车辆信息检测方法、装置、计算机设备以及可读存储介质，该方法包括获取被检车辆图像中轮毂的关键点坐标集，获取所述关键点坐标集中的轮毂内圈点坐标集和轮毂外圈点坐标集，对所述轮毂内圈点坐标集和所述轮毂外圈点坐标集进行融合处理，得到空间变换矩阵，根据所述空间变换矩阵对由所述关键点坐标集确定的轮毂图像进行透视变换处理，并对透视变换处理后的所述轮毂图像进行分类处理，得到第一目标轮毂类型，将标准轮毂类型与所述被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出所述被检车辆的车辆检测信息；该方法可以采用一套智能化技术避免了人为干预，从而提高了检测结果的准确性。

Description

车辆信息检测方法、装置、计算机设备及可读存储介质
技术领域
本申请涉及车辆检测技术领域，特别是涉及一种车辆信息检测方法、装置、计算机设备及可读存储介质。
背景技术
车辆年检是每个已取得正式号牌和行驶证的车辆，每年必备的一项检测，通过检测结果以及时消除车辆的安全隐患，督促加强汽车的维护保养，减少交通事故的发生。
传统技术中，工作人员通过对被检车辆的档案图片和当前采集到的被检车辆的图片进行比对，来确定被检车辆当前所安装的车辆轮毂与档案图片中的该车辆的轮毂是否相一致。但是，传统技术涉及到人为干预因素，从而导致检测结果的准确性较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高车辆信息检测结果准确性的车辆信息检测方法、装置、计算机设备及可读存储介质。
本申请实施例提供一种车辆信息检测方法，所述方法包括：
获取被检车辆图像中轮毂的关键点坐标集；
获取所述关键点坐标集中的轮毂内圈点坐标集和轮毂外圈点坐标集；其中，所述轮毂内圈点坐标集表征所述轮毂内侧的点的坐标集合，所述轮毂外圈点坐标集表征所述轮毂外侧的点的坐标集合；
对所述轮毂内圈点坐标集和所述轮毂外圈点坐标集进行融合处理，得到空间变换矩阵；
根据所述空间变换矩阵对由所述关键点坐标集确定的轮毂图像进行透视变换处理，并对透视变换处理后的轮毂图像进行分类处理，得到第一目标轮毂类型；
将标准轮毂类型与所述被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出所述被检车辆的车辆检测信息。
在其中一个实施例中，所述获取所述关键点坐标集中轮毂内圈点坐标集和轮毂外圈点坐标集，包括：
通过预设灰度阈值，获取所述关键点坐标集中的轮毂内部点坐标集；其中，所述轮毂内部点包括所述轮毂内圈上的点和所述轮毂外圈上的点；
根据所述轮毂内部点坐标集进行距离计算，得到所述轮毂内圈点坐标集和所述轮毂外圈点坐标集。
在其中一个实施例中，所述根据所述轮毂内部点坐标集进行距离计算，得到所述轮毂内圈点坐标集和所述轮毂外圈点坐标集，包括：
计算所述轮毂内部点坐标集中所有坐标点的中心点，得到中心点坐标；
根据所述中心点坐标与所述轮毂内部点坐标集，计算所有轮毂内部点与所述中心点之间的间隔距离；
根据所述间隔距离的大小，确定所述轮毂内部点坐标集中的所述轮毂内圈点坐标集和所述轮毂外圈点坐标集。
在其中一个实施例中，所述对所述轮毂内圈点坐标集以及所述轮毂外圈点坐标集进行融合处理，得到空间变换矩阵，包括：
对预设图像进行采样处理，得到内圈采样坐标集和外圈采样坐标集；
通过所述轮毂内圈点坐标集、所述轮毂外圈点坐标集、所述内圈采样坐标集以及所述外圈采样坐标集进行运算处理，得到空间变换矩阵；
其中，所述预设图像表征全黑图像。
在其中一个实施例中，所述对预设图像进行采样处理，得到内圈采样坐标集和外圈采样坐标集，包括：
对以所述预设图像中心点像素为圆心的预设同心圆上的像素进行采样处理，得到所述内圈采样坐标集和所述外圈采样坐标集；
其中，所述同心圆的内圈上采样的点数与所述同心圆的外圈上采样的点数相等。
在其中一个实施例中，所述通过所述轮毂内圈点坐标集、所述轮毂外圈点坐标集、所述内圈采样坐标集以及所述外圈采样坐标集进行运算处理，得到空间变换矩阵，包括：
对所述轮毂内圈点坐标集中的轮毂内圈点坐标与所述内圈采样坐标集中的内圈采样坐标进行匹配，得到轮毂内圈点坐标对；
对所述轮毂外圈点坐标集中的轮毂外圈点坐标与所述外圈采样坐标集中的外圈采样坐标进行匹配，得到轮毂外圈点坐标对；
选取所述轮毂内圈点坐标对中相邻内圈点的第一坐标对，并选取所述轮毂外圈点坐标对中相邻外圈点的第二坐标对；其中，所述相邻内圈点表征轮毂内圈圆周上角度相邻的点；
对所述第一坐标对以及所述第二坐标对进行坐标转换处理，得到所述空间变换矩阵。
在其中一个实施例中，所述方法还包括：
若档案图片中未包含被检车辆轮毂类型的标准图片，则对所述标准图片中的像素进行分类处理，得到所述标准图片对应的标准灰度图像；其中，所述标准灰度图像表征所述标准图片中轮毂的灰度图像；
通过所述空间变换矩阵对所述标准灰度图像进行透视变换处理，得到第一平面图像集；
通过类型分类模型对所述第一平面图像集进行分类处理，得到第二目标轮毂类型；
若所述第一目标轮毂类型与所述第二目标轮毂类型匹配，则输出第一车辆检测信息；
若所述第一目标轮毂类型与所述第二目标轮毂类型不匹配，则输出第二车辆检测信息；其中，所述第二车辆检测信息表征所述被检车辆当前安装的轮毂类别与所述被检车辆的原装轮毂类别不一致，提示需要将所述被检车辆当前安装的轮毂更换为与所述原装轮毂类别一致的轮毂。
本申请实施例提供一种车辆信息检测装置，所述车辆信息检测装置包括：
分析处理模块，用于获取被检车辆图像中轮毂的关键点坐标集；
第一获取模块，用于获取所述关键点坐标集中的轮毂内圈点坐标集和轮毂外圈点坐标集；其中，所述轮毂内圈点坐标集表征所述轮毂内侧的点的坐标集合，所述轮毂外圈点坐标集表征所述轮毂外侧的点的坐标集合；
融合处理模块，用于对所述轮毂内圈点坐标集和所述轮毂外圈点坐标集进行融合处理，得到空间变换矩阵；
第一分类处理模块，用于根据所述空间变换矩阵对由所述关键点坐标集确定的轮毂图像进行透视变换处理，并对透视变换处理后的轮毂图像进行分类处理，得到第一目标轮毂类型；
第一输出模块，用于将标准轮毂类型与所述被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出所述被检车辆的车辆检测信息。
本申请实施例提供一种计算机设备，包括存储器、处理器，所述存储器上存储有可在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以下步骤：
获取被检车辆图像中轮毂的关键点坐标集；
获取所述关键点坐标集中的轮毂内圈点坐标集和轮毂外圈点坐标集；其中，所述轮毂内圈点坐标集表征所述轮毂内侧的点的坐标集合，所述轮毂外圈点坐标集表征所述轮毂外侧的点的坐标集合；
对所述轮毂内圈点坐标集和所述轮毂外圈点坐标集进行融合处理，得到空间变换矩阵；
根据所述空间变换矩阵对由所述关键点坐标集确定的轮毂图像进行透视变换处理，并对透视变换处理后的所述轮毂图像进行分类处理，得到第一目标轮毂类型；
将标准轮毂类型与所述被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出所述被检车辆的车辆检测信息。
本申请实施例提供一种可读存储介质，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：
获取被检车辆图像中轮毂的关键点坐标集；
获取所述关键点坐标集中的轮毂内圈点坐标集和轮毂外圈点坐标集；其中，所述轮毂内圈点坐标集表征所述轮毂内侧的点的坐标集合，所述轮毂外圈点坐标集表征所述轮毂外侧的点的坐标集合；
对所述轮毂内圈点坐标集和所述轮毂外圈点坐标集进行融合处理，得到空间变换矩阵；
根据所述空间变换矩阵对由所述关键点坐标集确定的轮毂图像进行透视变换处理，并对透视变换处理后的所述轮毂图像进行分类处理，得到第一目标轮毂类型；
将标准轮毂类型与所述被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出所述被检车辆的车辆检测信息。
本实施例提供的车辆信息检测方法、装置、计算机设备及可读存储介质，该方法包括获取被检车辆图像中轮毂的关键点坐标集，获取所述关键点坐标集中的轮毂内圈点坐标集和轮毂外圈点坐标集，对所述轮毂内圈点坐标集和所述轮毂外圈点坐标集进行融合处理，得到空间变换矩阵，根据所述空间变换矩阵对由所述关键点坐标集确定的轮毂图像进行透视变换处理，并对透视变换处理后的所述轮毂图像进行分类处理，得到第一目标轮毂类型，将标准轮毂类型与所述被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出所述被检车辆的车辆检测信息；该方法可以采用一套智能化技术避免了人为干预，从而提高了检测结果的准确性。
附图说明
图1为一实施例提供的一种车辆信息检测方法的应用场景图；
图2为一实施例提供的一种车辆信息检测方法的流程示意图；
图3为一实施例提供的一种车辆信息检测装置的结构示意图；
图4为一实施例提供的计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请提供的车辆信息检测方法可适用于车管所实现车辆年检。可选的，车辆信息检测方法可以适用于图1所示的车辆信息检测系统中，该车辆信息检测系统包括：车辆、图像采集设备以及后台服务器。可选的，车辆可以为任意型号的各种车辆，图像采集设备可以设置于车辆上的摄像设备，也可以不设置于车辆上，为单独存在的摄像设备；图像采集设备可以为摄像机、扫描仪、具有拍照功能的设备(手机、平板电脑等)；后台服务器中存储有图片数据库，该图片数据库中存储有车辆的标准图片、车辆轮毂的标准轮毂图片以及车辆轮毂的标准轮毂类型。可选的，车辆的标准图片可以为车辆出厂时的原始图片，标准轮毂图片可以为车辆出厂时原始车辆轮毂的图片。其中，车辆、图像采集设备与后台服务器之间可以通过无线连接通信；无线连接的方式可以是Wi-Fi，移动网络或蓝牙连接。在下述实施例中将具体介绍车辆信息检测的具体过程。
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。
图2为一实施例提供的车辆信息检测方法的流程示意图。本实施例涉及的是如何实现车辆轮毂检测的过程。如图2所示，该方法包括：
步骤S1000、获取被检车辆图像中轮毂的关键点坐标集。
具体的，后台服务器可以通过特征分割模型对被检车辆图像进行分析处理，得到被检车辆图像中轮毂的关键点坐标集。可选的，特征分割模型可以表征为能够识别被检车辆图像中每个像素类别的神经网络模型。在本实施例中，上述特征分割模型可以为MaskScoring R-CNN模型；在实施例中，特征分割模型可以对原始图像进行处理，得到灰度图像；其中，原始图像可以为被检车辆图像。可选的，被检车辆可以为参加年检的各种车辆；被检车辆图像可以为图像采集设备采集到的被检车辆的图像，然后图像采集设备可以将采集到的被检车辆图像发送至后台服务器，以供后台服务器进行处理。可选的，被检车辆图像可以为彩色图像。可选的，分析处理可以包括分类处理和识别处理(即检测处理)。可选的，被检车辆图像中轮毂的关键点可以为被检车辆轮毂上的花纹所对应的像素点。
需要说明的是，上述关键点坐标集可以包括被检车辆图像中轮毂上所有关键点坐标的集合。可选的，关键点坐标集可以为轮毂内圈点坐标和轮毂外圈点坐标的混合坐标集。
步骤S2000、获取所述关键点坐标集中的轮毂内圈点坐标集和轮毂外圈点坐标集；其中，所述轮毂内圈点坐标集表征所述轮毂内侧的点的坐标集合，所述轮毂外圈点坐标集表征所述轮毂外侧的点的坐标集合。
具体的，后台服务器可以根据预设灰度阈值，获取关键点坐标集中轮毂内圈点坐标集和轮毂外圈点坐标集。可选的，预设灰度阈值可以表征为被检车辆的轮毂内部对应的灰度值，该灰度值可以为一个区间范围值；也就是，在该区间范围内的所有灰度值对应的坐标可以表征被检车辆轮毂内部上的点的位置。可选的，轮毂内部可以包括轮毂内轮廓结构。可选的，后台服务器可以根据预设灰度阈值，获取关键点坐标集中轮毂内圈点坐标集和轮毂外圈点坐标集。例如，一辆汽车具有两个前轮和两个后轮，以两个前轮为例，前轮包括轮毂和轮胎，两个轮毂面向的一侧(即轮毂内侧)均可以称为轮毂内圈，两个轮毂背向的一侧(即轮毂外侧)均可以称为轮毂外圈。
步骤S3000、对所述轮毂内圈点坐标集以及所述轮毂外圈点坐标集进行融合处理，得到空间变换矩阵。
具体的，后台服务器可以以预设图像为基础，对轮毂内圈点坐标集和轮毂外圈点坐标集进行融合处理，得到多个空间变换矩阵；该融合处理可以理解为综合处理。可选的，预设图像可以为自定义大小的纯色图像，该预设图像的尺寸可以为m*m；在本实施例中，m可以为128。可选的，上述融合处理可以理解为多种处理结合的综合处理，该综合处理可以包括数据采样数据和运算处理。
步骤S4000、根据所述空间变换矩阵对由所述关键点坐标集确定的轮毂图像进行透视变换处理，并对透视变换处理后的轮毂图像进行分类处理，得到第一目标轮毂类型。
具体的，轮毂图像可以为后台服务器从关键点坐标集中提取的坐标组成的，仅包含轮毂的图像，可选的，第一目标轮毂类型可以表征为被检车辆当前安装的轮毂类型。可选的，一个空间变换矩阵可以有一个对应的第一目标轮毂类型。
步骤S5000、将标准轮毂类型与所述被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出所述被检车辆的车辆检测信息。
具体的，后台服务器在车辆数据库中可以查找到被检车辆的标准轮毂类型，并且对标准轮毂类型与被检车辆的第一目标轮毂类型进行匹配，若匹配结果为相同(即标准轮毂类型与被检车辆的第一目标轮毂类型相同)，则输出车辆检测信息。可选的，上述被检车辆的标准轮毂类型可以为被检车辆出厂时所安装的原装轮毂的轮毂类型。可选的，车辆检测信息可以为年检合格的相关信息，还可以为年检不合格的相关信息。可选的，上述车辆数据库可以包括被检车辆出厂时所安装的部件的对应信息，可以包括被检车辆出厂时所安装的原装轮毂的轮毂类型。
本实施例提供的车辆信息检测方法，该方法包括获取被检车辆图像中轮毂的关键点坐标集，获取所述关键点坐标集中的轮毂内圈点坐标集和轮毂外圈点坐标集，对所述轮毂内圈点坐标集和所述轮毂外圈点坐标集进行融合处理，得到空间变换矩阵，根据所述空间变换矩阵对由所述关键点坐标集确定的轮毂图像进行透视变换处理，对透视变换处理后的所述轮毂图像进行分类处理，得到第一目标轮毂类型，将标准轮毂类型与所述被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出所述被检车辆的车辆检测信息；该方法可以在精准定位轮毂位置的前提下，对透视变换处理后的轮毂图像进行分类处理，以将分类结果与被检车辆的标准轮毂类型进行比对得到检测结果，采用这一套智能化技术避免了人为干预，从而提高了检测结果的准确性；同时，车管所采用上述智能化技术实现车辆年检项目也可以提高车辆年检效率，降低人力成本。
作为其中一个实施例，上述步骤S1000中获取被检车辆图像中轮毂的关键点坐标集的过程，可以通过以下步骤实现：
步骤S1100、通过特征分割模型对所述被检车辆图像进行识别处理，得到所述被检车辆轮毂对应的轮毂灰度图像。
具体的，上述识别处理可以表征为识别图像中每个像素所对应的类别。可选的，后台服务器可以将被检车辆图像输入至特征分割模型，识别被检车辆图像中每个像素对应的类别，并且特征分割模型对所有像素对应的类别进行分类，得到被检车辆轮毂对应的轮毂灰度图像。可选的，被检车辆图像可以包括轮毂区域图像、车身区域图像以及环境背景区域图像等等；不同区域对应的像素值范围均可以不相同。可选的，被检车辆图像中每个像素对应的类别可以包括轮毂、车身以及环境背景等等。可选的，轮毂灰度图像可以为轮毂区域的灰度图像。
可选的，上述步骤S1100中对所述被检车辆图像进行识别处理，得到被检车辆轮毂对应的轮毂灰度图像的过程，可以通过以下步骤实现：
步骤S1110、通过特征分割模型对所述被检车辆图像进行识别处理，得到所述被检车辆图像的灰度图像。
需要说明的是，后台服务器可以通过特征分割模型对被检车辆图像进行识别处理，得到被检车辆图像中每个像素对应的类别，然后根据不同类别输出被检车辆图像的灰度图像。
步骤S1120、根据预设轮毂像素阈值，提取所述灰度图像中与所述被检车辆轮毂对应的轮毂灰度图像。
进一步地，上述预设轮毂像素阈值可以为自定义的被检车辆轮毂对应的灰度值，该灰度值可以为区间范围值。可选的，后台服务器可以根据预设轮毂像素阈值，提取灰度图像中与被检车辆轮毂对应的轮毂灰度图像。
步骤S1200、对所述轮毂灰度图像进行关键点检测处理，得到关键点坐标集。
具体的，后台服务器可以采用关键点检测算法对轮毂灰度图像进行关键点检测处理，得到轮毂灰度图像中轮毂上所有关键点的坐标，并将所有关键点的坐标组成关键点坐标集。关键点检测处理可以表征为对图像中的关键特征点进行检测的过程。可选的，关键点检测算法可以为基于灰度图像的角点检测方法，基于灰度图像的角点检测方法可以分为基于梯度、基于模板和基于模板梯度组合的角点检测三类算法。在本实施例中，关键点检测算法可以为基于模板的角点检测方法；其中，基于模板的角点检测方法可以包括Kitchen-Rosenfeld角点检测、哈里斯角点检测、KLT角点检测、SUSAN角点检测。
可选的，上述步骤S1200中对所述轮毂灰度图像进行关键点检测处理，得到关键点坐标集的过程，具体可以包括：采用哈里斯角点检测算法对所述轮毂灰度图像进行关键点检测处理，得到所述关键点坐标集。
需要说明的是，本实施例后台服务器可以采用哈里斯角点检测算法对所述轮毂灰度图像进行关键点检测处理，得到轮毂灰度图像中所有关键点对应的坐标，并将所有关键点对应的坐标作为关键点坐标集。
本实施例提供的车辆信息检测方法，该方法可以获取被检车辆图像中轮毂的关键点坐标集，进而获取轮毂内圈点坐标集和轮毂外圈点坐标集，对轮毂内圈点坐标集以及轮毂外圈点坐标集进行融合处理，得到空间变换矩阵，根据空间变换矩阵对由所述关键点坐标集确定的轮毂图像进行透视变换处理，并对透视变换处理后的轮毂图像进行分类处理，得到第一目标轮毂类型，将标准轮毂类型与被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出被检车辆的车辆检测信息；该方法可以在精准定位轮毂位置的前提下，对透视变换处理后的轮毂图像进行分类处理，以将分类结果与被检车辆的标准轮毂类型进行比对，得到检测结果，采用这一套智能化技术避免了人为干预，从而提高了检测结果的准确性；同时，车管所采用上述智能化技术实现车辆年检项目也可以提高车辆年检效率，降低人力成本。
作为其中一个实施例，上述步骤S2000中获取所述关键点坐标集中的轮毂内圈点坐标集和轮毂外圈点坐标集的过程，具体可以包括以下步骤：
步骤S2100、通过预设灰度阈值，获取所述关键点坐标集中的轮毂内部点坐标集；其中，所述轮毂内部点包括所述轮毂内圈上的点和所述轮毂外圈上的点。
具体的，轮毂可以包括表面结构和内部结构，内部结构上的所有点可以称为轮毂内部点。可选的，轮毂灰度图像中轮毂内部和轮毂表面对应的灰度值可以不相同；且轮毂内部的轮毂内圈和轮毂外圈对应的灰度值也可以不相同。
步骤S2200、根据所述轮毂内部点坐标集进行距离计算，得到所述轮毂内圈点坐标集和所述轮毂外圈点坐标集。
具体的，后台服务器可以通过轮毂内部点坐标集中所有点坐标，计算两两坐标点之间的间隔距离，并根据间隔距离的大小获取轮毂内圈上的点和轮毂外圈上的点，进而获取轮毂内圈点坐标集和轮毂外圈点坐标集。
可选的，上述步骤S2200中根据所述轮毂内部点坐标集进行距离计算，得到所述轮毂内圈点坐标集和所述轮毂外圈点坐标集的过程，具体可以包括以下步骤：
步骤S2210、计算所述轮毂内部点坐标集中所有坐标点的中心点，得到中心点坐标。
具体的，后台服务器可以计算轮毂内部点坐标集中所有点的横坐标的平均值，得到中心点坐标的横坐标，并且计算轮毂内部点坐标集中所有点的纵坐标的平均值，得到中心点坐标的纵坐标。
步骤S2220、根据所述中心点坐标与所述轮毂内部点坐标集，计算所有轮毂内部点与所述中心点之间的间隔距离。
需要说明的是，后台服务器可以根据步骤S2210获取的中心点坐标，采用欧式距离、曼哈顿距离、切比雪夫距离等方式，计算中心点坐标与轮毂内部点坐标集中所有点坐标之间的间隔距离，得到所有轮毂内部点与中心点之间的所有间隔距离。
步骤S2230、根据所述间隔距离的大小，确定所述轮毂内部点坐标集中的所述轮毂内圈点坐标集和所述轮毂外圈点坐标集。
进一步地，后台服务器可以按照从小到大或者从大到小的顺序对所有间隔距离进行排序；若所有间隔距离的数量为N，则可以将较大的N/2个间隔距离对应的轮毂内部点坐标集中的N/2个点坐标作为轮毂外圈点坐标集，将剩余N/2个间隔距离对应的轮毂内部点坐标集中的N/2个点坐标作为轮毂内圈点坐标集。
本实施例提供的车辆信息检测方法，该方法可以获取被检车辆图像中轮毂的关键点坐标集，进而获取轮毂内圈点坐标集和轮毂外圈点坐标集，对轮毂内圈点坐标集以及轮毂外圈点坐标集进行融合处理，得到空间变换矩阵，根据空间变换矩阵对由关键点坐标集确定的轮毂图像进行透视变换处理，并对透视变换处理后的轮毂图像进行分类处理，得到第一目标轮毂类型，将标准轮毂类型与被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出被检车辆的第一车辆检测信息；该方法可以在精准定位轮毂位置的前提下，对透视变换处理后的轮毂图像进行分类处理，以将分类结果与被检车辆的标准轮毂类型进行比对，得到检测结果，采用这一套智能化技术避免了人为干预，从而提高了检测结果的准确性；同时，车管所采用上述智能化技术实现车辆年检项目也可以提高车辆年检效率，降低人力成本。
作为其中一个实施例，上述步骤S3000中对所述轮毂内圈点坐标集和所述轮毂外圈点坐标集进行融合处理，得到空间变换矩阵的过程，可以包括以下步骤：
步骤S3100、对预设图像进行采样处理，得到内圈采样坐标集和外圈采样坐标集；其中，所述预设图像表征全黑图像。
具体的，上述预设图像可以为一个m*m的全黑图像；通常，预设图像的尺寸可以小于等于被检车辆图像的尺寸，在本实施例中，m可以等于128。可选的，上述采样处理可以理解为在预设图像上采取点坐标的过程。
可选的，上述步骤S3100中对预设图像进行采样处理，得到内圈采样坐标集和外圈采样坐标集的过程，可以包括以下步骤：
步骤S3110、对以所述预设图像中心点像素为圆心的同心圆上的像素进行采样处理，得到所述内圈采样坐标集和所述外圈采样坐标集；其中，所述同心圆的内圈上采样的点数与所述同心圆的外圈上采样的点数相等。
需要说明的是，以预设图像中心点像素为圆心的两个同心圆上的所有像素进行采样处理。可选的，两个同心圆的半径分别可以表示为R1和R2，R1可以定义为小圆半径，R2可以定义为大圆半径。可选的，R1和R2的具体数值可以根据实际情况确定；其中，R1可以为同心圆的内圈上的所有采样点到中心点的平均距离，R2可以为同心圆的外圈上的所有采样点到中心点的平均距离；另外，在本实施例中，R1还可以为m/4，R2还可以为m/2。可选的，后台服务器可以获取在两个同心圆所对应的所有像素中均采集到的N/2个像素点，并将小圆上对应获取的N/2像素点对应的坐标存储至内圈采样坐标集，将大圆上对应获取的N/2像素点对应的坐标存储至外圈采样坐标集中。可选的，内圈采样坐标集可以按照采样的顺时针顺序存储每个采样点的坐标；外圈采样坐标集也可以按照采样的顺时针顺序存储每个采样点的坐标。其中，在每个圆周上间隔(360/(N/2))度(即720/N度)可以采取一个像素点。
步骤S3200、通过所述轮毂内圈点坐标集、所述轮毂外圈点坐标集、所述内圈采样坐标集以及所述外圈采样坐标集进行运算处理，得到空间变换矩阵。
具体的，后台服务器可以通过轮毂内圈点坐标集、轮毂外圈点坐标集、内圈采样坐标集以及外圈采样坐标集中的坐标，进行坐标转换处理，得到空间变换矩阵。在本实施例中，空间变换矩阵可以为透视变换矩阵。
可选的，上述步骤S3200中通过所述轮毂内圈点坐标集、所述轮毂外圈点坐标集、所述内圈采样坐标集以及所述外圈采样坐标集进行运算处理，得到空间变换矩阵的过程，可以通过以下方式实现：
步骤S3210、对所述轮毂内圈点坐标集中的轮毂内圈点坐标与所述内圈采样坐标集中的内圈采样坐标进行匹配，得到轮毂内圈点坐标对。
具体的，后台服务器可以对轮毂内圈点坐标集中的所有轮毂内圈点坐标与内圈采样坐标集中的所有内圈采样坐标进行匹配，得到轮毂内圈点坐标对。在本实施例中，步骤S3210中的匹配处理可以理解为对轮毂内圈点坐标集中的轮毂内圈点坐标按照轮毂圆周上的顺时针顺序，与内圈采样坐标集中按照顺时针存储的内圈采样坐标进行匹配的过程。
步骤S3220、对所述轮毂外圈点坐标集中的轮毂外圈点坐标与所述外圈采样坐标集中的外圈采样坐标进行匹配，得到轮毂外圈点坐标对。
具体的，后台服务器可以对轮毂外圈点坐标集中的所有轮毂外圈点坐标与外圈采样坐标集中的所有外圈采样坐标进行匹配，得到轮毂外圈点坐标对。在本实施例中，步骤S3220中的匹配处理可以理解为对轮毂外圈点坐标集中的轮毂外圈点坐标按照轮毂圆周上的顺时针顺序，与外圈采样坐标集中按照顺时针存储的外圈采样坐标进行匹配的过程。
步骤S3230、选取所述轮毂内圈点坐标对中相邻内圈点的第一坐标对，并选取所述轮毂外圈点坐标对中相邻外圈点的第二坐标对；其中，所述相邻内圈点表征轮毂内圈圆周上角度相邻的点。
具体的，每个轮毂内圈点坐标对可以有对应的角度，每个轮毂外圈点坐标对也可以有对应的角度；上述相邻可以理解为在圆周的角度上相邻。可选的，后台服务器可以获取轮毂内圈点坐标对中相邻内圈点的两个坐标对(即第一坐标对)，还可以获取轮毂外圈点坐标对中相邻外圈点的两个坐标对(即第二坐标对)。类似的，后台服务器可以获取多组第一坐标对和第二坐标对。
步骤S3240、对所述第一坐标对以及所述第二坐标对进行坐标转换处理，得到所述空间变换矩阵。
具体的，后台服务器可以对多个第一坐标对以及第二坐标对进行坐标转换处理，得到多个空间变换矩阵。可选的，坐标转换处理可以包括坐标平移和坐标线性变换等操作。在本实施例中，后台服务器通过坐标进行坐标转换处理得到空间变换矩阵的过程，与传统技术中对坐标进行转换处理得到透视变换矩阵的过程类似，对此本实施例不再赘述。
本实施例提供的车辆信息检测方法，该方法可以获取空间变换矩阵，进而根据空间变换矩阵对由关键点坐标集确定的轮毂图像进行透视变换处理，并对透视变换处理后的轮毂图像进行分类处理，得到第一目标轮毂类型，将标准轮毂类型与被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出被检车辆的车辆检测信息；该方法可以在精准定位轮毂位置的前提下，对透视变换处理后的轮毂图像进行分类处理，以将分类结果与被检车辆的标准轮毂类型进行比对，得到检测结果，采用这一套智能化技术避免了人为干预，从而提高了检测结果的准确性；同时，车管所采用上述智能化技术实现车辆年检项目也可以提高车辆年检效率，降低人力成本。
作为其中一个实施例，上述步骤S4000中根据所述空间变换矩阵对由所述关键点坐标集确定的轮毂图像进行透视变换处理，并对透视变换处理后的轮毂图像进行分类处理，得到第一目标轮毂类型的过程，可以包括如下步骤：
步骤S4100、通过所述空间变换矩阵对所述轮毂图像进行透视变换处理，得到第二平面图像集。
具体的，后台服务器可以通过上述获取到的多个空间变换矩阵，均对轮毂图像进行透视变换处理，得到平面图像集，即第二平面图像集；透视变换处理可以理解为对畸变的图像进行矫正的过程。可选的，通过空间变换矩阵对轮毂图像进行透视变换处理的过程，与传统技术中空间变换矩阵对畸变图像进行透视变换处理的具体过程类似，本实施例对此不再赘述。可选的，上述轮毂图像可以为从采集到的关键坐标集中提取出的坐标组成的轮毂原图，并不是灰度图像。
步骤S4200、通过类型分类模型对所述第二平面图像集进行分类处理，得到所述第一目标轮毂类型。
具体的，后台服务器可以通过类型分类模型对第一平面图像集中的所有平面图像进行分类，得到每个平面图像对应的轮毂类型。可选的，类型分类模型可以为机器学习分类模型，实现一次分类处理可以得到一个分数；也就是，类型分类模型对每个平面图像进行分类处理后，可以得到一个对应的分数，并将得分最高的平面图像对应的轮毂类型作为第一目标轮毂类型。可选的，轮毂类型可以表征为轮毂的型号。在本实施例中，上述类型分类模型可以为Dense卷积网络分类模型。
本实施例提供的车辆信息检测方法，该方法可以获取第一目标轮毂类型，进一步，将所述标准轮毂类型与所述被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出所述被检车辆的车辆检测信息；该方法可以在精准定位轮毂位置的前提下，对透视变换处理后的轮毂图像进行分类处理，以将分类结果与被检车辆的标准轮毂类型进行比对，得到检测结果，采用这一套智能化技术避免了人为干预，从而提高了检测结果的准确性；同时，车管所采用上述智能化技术实现车辆年检项目也可以提高车辆年检效率，降低人力成本。
作为其中一个实施例，上述步骤S5000之后，所述方法还可以包括以下步骤：
步骤S5100、若未查找到所述被检车辆的标准轮毂类型，则获取所述被检车辆的档案图片。
具体的，若后台服务器在图片数据库中未查找到被检车辆的标准轮毂类型，后台服务器可以继续获取被检车辆的档案图片。可选的，档案图片可以为被检车辆出售时，车管所的保存的档案图片，且车辆管理系统可以包括一张或多张档案图片。
步骤S5200、若所述档案图片中包含被检车辆轮毂类型的标准图片，且所述标准图片中的轮毂类型与所述第一目标轮毂类型匹配，则输出第一车辆检测信息；其中，所述第一车辆检测信息表征所述被检车辆当前安装的轮毂类别与所述被检车辆的原装轮毂类别一致，提示不需要更换所述被检车辆当前安装的轮毂。
具体的，若后台服务器获取的档案图片中包含被检车辆轮毂类型的标准图片，且标准图片中的轮毂类型与第一目标轮毂类型一致，则可以输出第一车辆检测信息。若后台服务器输出第一车辆检测信息，则可以表征被检车辆当前安装的轮毂类型与被检车辆出厂时安装的原装轮毂类型一致，此时，不需要更换被检车辆当前安装的轮毂。可选的，被检车辆轮毂类型的标准图片可以理解为被检车辆出厂时被检车辆所安装的原装轮毂对应的图片。
进一步地，在上述步骤S5200之后，所述方法还可以包括以下步骤：
步骤S5300、若档案图片中未包含被检车辆轮毂类型的标准图片，则对所述标准图片中的像素进行分类处理，得到所述标准图片对应的标准灰度图像；其中，所述标准灰度图像表征所述标准图片中轮毂的灰度图像。
具体的，若后台服务器获取的档案图片中未包含被检车辆轮毂类型的标准图片，则可以通过特征分割模型对标准图片中的像素进行分类处理，得到每个标准图片对应的标准灰度图像。可选的，档案图片中未包含被检车辆轮毂类型的标准图片可以理解为采集档案图片时，未采集到被检车辆轮毂区域的图片。
步骤S5400、通过所述空间变换矩阵对所述标准灰度图像进行透视变换处理，得到第一平面图像集。
具体的，后台服务器可以通过上述获得的每个空间变换矩阵，对标准灰度图像进行透视变换处理，得到第一平面图像集。可选的，后台服务器获取第一平面图像集的方式，与获取第二平面图像集的方式可以类似。
步骤S5500、通过类型分类模型对所述第一平面图像集进行分类处理，得到所述第二目标轮毂类型。
具体的，后台服务器可以通过类型分类模型对第一平面图像集进行分类处理，得到第二目标轮毂类型。可选的，后台服务器获取第一目标轮毂类型的方式，与获取第二目标轮毂类型的方式可以类似。
步骤S5600、若所述第一目标轮毂类型与所述第二目标轮毂类型匹配，则输出第一车辆检测信息。
具体的，若后台服务器判定第一目标轮毂类型与第二目标轮毂类型一致，可以输出第一车辆检测信息。
步骤S5700、若所述第一目标轮毂类型与所述第二目标轮毂类型不匹配，则输出第二车辆检测信息；其中，所述第二车辆检测信息表征所述被检车辆当前安装的轮毂类别与所述被检车辆的原装轮毂类别不一致，提示需要将所述被检车辆当前安装的轮毂更换为与所述原装轮毂类别一致的轮毂。
具体的，若后台服务器判定第一目标轮毂类型与第二目标轮毂类型不一致，此时，后台服务器可以向计算机设备发送第二车辆检测信息，该第二车辆检测信息可以显示在计算机设备上。可选的，若后台服务器输出第二车辆检测信息，则可以表征被检车辆当前安装的轮毂类型与被检车辆出厂时安装的原装轮毂类型不一致，此时，需要更换被检车辆当前安装的轮毂，并将被检车辆当前安装的轮毂更换为与被检车辆的原装轮毂类型一致的轮毂。可选的，更换后的轮毂类型与原装轮毂类型一致；轮毂大小也可以一致；轮毂的材质可以一致也可以不一致。
本实施例提供的车辆信息检测方法，该方法可以采用特征分割模型精准定位轮毂位置的前提下，对透视变换处理后的轮毂图像进行分类处理，以将分类结果与被检车辆的标准轮毂类型进行比对，得到检测结果，采用这一套智能化技术避免了人为干预，从而提高了检测结果的准确性；同时，车管所采用上述智能化技术实现车辆年检项目也可以提高车辆年检效率，降低人力成本。
应该理解的是，虽然图2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。
关于车辆信息检测装置的具体限定可以参见上文中对于车辆信息检测方法的限定，在此不再赘述。上述计算机设备的车辆信息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。
图3为一实施例提供的车辆信息检测装置的结构示意图。如图3所示，该系统可以包括：分析处理模块11、第一获取模块12、融合处理模块13、第一分类处理模块14以及第一输出模块15。
具体的，所述分析处理模块11，用于获取被检车辆图像中轮毂的关键点坐标集；
所述第一获取模块12，用于获取所述关键点坐标集中的轮毂内圈点坐标集和轮毂外圈点坐标集；其中，所述轮毂内圈点坐标集表征所述轮毂内侧的点的坐标集合，所述轮毂外圈点坐标集表征所述轮毂外侧的点的坐标集合；
所述融合处理模块13，用于对所述轮毂内圈点坐标集以及所述轮毂外圈点坐标集进行融合处理，得到空间变换矩阵；
所述第一分类处理模块14，用于根据所述空间变换矩阵对由所述关键点坐标集确定的轮毂图像进行透视变换处理，并对透视变换处理后的轮毂图像进行分类处理，得到第一目标轮毂类型；
所述第一输出模块15，用于将标准轮毂类型与所述被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出所述被检车辆的车辆检测信息。
本实施例提供的车辆信息检测装置，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。
在其中一个实施例中，所述第一获取模块12包括：获取单元以及距离计算单元。
具体的，所述获取单元，用于通过预设灰度阈值，获取所述关键点坐标集中的轮毂内部点坐标集；其中，所述轮毂内部点包括所述轮毂内圈上的点和所述轮毂外圈上的点；
所述距离计算单元，用于根据所述轮毂内部点坐标集进行距离计算，得到所述轮毂内圈点坐标集和所述轮毂外圈点坐标集。
本实施例提供的车辆信息检测装置，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。
在其中一个实施例中，所述距离计算单元包括：第一计算子单元、第二计算子单元以及确定子单元。
具体的，所述第一计算子单元，用于计算所述轮毂内部点坐标集中所有坐标点的中心点，得到中心点坐标；
所述第二计算子单元，用于根据所述中心点坐标与所述轮毂内部点坐标集，计算所有轮毂内部点与所述中心点之间的间隔距离；
所述确定子单元，用于根据所述间隔距离的大小，确定所述轮毂内部点坐标集中的所述轮毂内圈点坐标集和所述轮毂外圈点坐标集。
本实施例提供的车辆信息检测装置，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。
在其中一个实施例中，所述融合处理模块13包括采样单元和运算单元。
具体的，所述采样单元，用于对预设图像进行采样处理，得到内圈采样坐标集和外圈采样坐标集；
所述运算单元，用于通过所述轮毂内圈点坐标集、所述轮毂外圈点坐标集、所述内圈采样坐标集以及所述外圈采样坐标集进行运算处理，得到空间变换矩阵。
本实施例提供的车辆信息检测装置，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。
在其中一个实施例中，所述采样单元包括采样子单元。
具体的，所述采样子单元，用于对以所述预设图像中心点像素为圆心的同心圆上的像素进行采样处理，得到所述内圈采样坐标集和所述外圈采样坐标集；
其中，所述预设图像表征全黑图像，所述同心圆的内圈上采样的点数与所述同心圆的外圈上采样的点数相等；
本实施例提供的车辆信息检测装置，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。
在其中一个实施例中，所述运算单元包括：第一匹配处理子单元、第二匹配处理子单元、选取子单元以及坐标转换子单元。
具体的，所述第一匹配处理子单元，用于对所述轮毂内圈点坐标集中的轮毂内圈点坐标与所述内圈采样坐标集中的内圈采样坐标进行匹配，得到轮毂内圈点坐标对；
所述第二匹配处理子单元，用于对所述轮毂外圈点坐标集中的轮毂外圈点坐标与所述外圈采样坐标集中的外圈采样坐标进行匹配，得到轮毂外圈点坐标对；
所述选取子单元，用于选取所述轮毂内圈点坐标对中相邻内圈点的第一坐标对，并选取所述轮毂外圈点坐标对中相邻外圈点的第二坐标对；其中，所述相邻内圈点表征轮毂内圈圆周上角度相邻的点；
所述坐标转换子单元，用于对所述第一坐标对以及所述第二坐标对进行坐标转换处理，得到所述空间变换矩阵。
本实施例提供的车辆信息检测装置，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。
在其中一个实施例中，所述车辆信息检测装置还包括：第二分类处理模块、空间变换模块、第三分类处理模块、第二输出模块以及第三输出模块。
具体的，所述第二分类处理模块，用于若档案图片中未包含被检车辆轮毂类型的标准图片时，对所述标准图片中的像素进行分类处理，得到所述标准图片对应的标准灰度图像；其中，所述标准灰度图像表征所述标准图片中轮毂的灰度图像；
所述空间变换模块，用于通过所述空间变换矩阵对所述标准灰度图像进行透视变换处理，得到第一平面图像集；
所述第三分类处理模块，用于通过所述类型分类模型对所述第一平面图像集进行分类处理，得到所述第二目标轮毂类型；
所述第二输出模块，用于若所述第一目标轮毂类型与所述第二目标轮毂类型匹配时，输出所述第一车辆检测信息；
所述第三输出模块，用于若所述第一目标轮毂类型与所述第二目标轮毂类型不匹配时，输出所述第二车辆检测信息；其中，所述第二车辆检测信息表征所述被检车辆当前安装的轮毂类别与所述被检车辆的原装轮毂类别不一致，提示需要将所述被检车辆当前安装的轮毂更换为与所述原装轮毂类别一致的轮毂。
本实施例提供的车辆信息检测装置，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。
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图4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、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计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆信息检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4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，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：
获取被检车辆图像中轮毂的关键点坐标集；
获取所述关键点坐标集中的轮毂内圈点坐标集和轮毂外圈点坐标集；其中，所述轮毂内圈点坐标集表征所述轮毂内侧的点的坐标集合，所述轮毂外圈点坐标集表征所述轮毂外侧的点的坐标集合；
对所述轮毂内圈点坐标集和所述轮毂外圈点坐标集进行融合处理，得到空间变换矩阵；
根据所述空间变换矩阵对由所述关键点坐标集确定的轮毂图像进行透视变换处理，并对透视变换处理后的轮毂图像进行分类处理，得到第一目标轮毂类型；
将标准轮毂类型与所述被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出所述被检车辆的车辆检测信息。
在一个实施例中，提供了一种可读存储介质，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：
获取被检车辆图像中轮毂的关键点坐标集；
获取所述关键点坐标集中的轮毂内圈点坐标集和轮毂外圈点坐标集；其中，所述轮毂内圈点坐标集表征所述轮毂内侧的点的坐标集合，所述轮毂外圈点坐标集表征所述轮毂外侧的点的坐标集合；
对所述轮毂内圈点坐标集和所述轮毂外圈点坐标集进行融合处理，得到空间变换矩阵；
根据所述空间变换矩阵对由所述关键点坐标集确定的轮毂图像进行透视变换处理，并对透视变换处理后的轮毂图像进行分类处理，得到第一目标轮毂类型；
将标准轮毂类型与所述被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出所述被检车辆的车辆检测信息。
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本申请专利范围的限制。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)

1.一种车辆信息检测方法，其特征在于，所述方法包括：
获取被检车辆图像中轮毂的关键点坐标集；
获取所述关键点坐标集中的轮毂内圈点坐标集和轮毂外圈点坐标集；其中，所述轮毂内圈点坐标集表征所述轮毂内侧的点的坐标集合，所述轮毂外圈点坐标集表征所述轮毂外侧的点的坐标集合；
对所述轮毂内圈点坐标集和所述轮毂外圈点坐标集进行融合处理，得到空间变换矩阵；
根据所述空间变换矩阵对由所述关键点坐标集确定的轮毂图像进行透视变换处理，并对透视变换处理后的轮毂图像进行分类处理，得到第一目标轮毂类型；
将标准轮毂类型与所述被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出所述被检车辆的车辆检测信息。
2.根据权利要求1所述的方法，其特征在于，所述获取所述关键点坐标集中轮毂内圈点坐标集和轮毂外圈点坐标集，包括：
通过预设灰度阈值，获取所述关键点坐标集中的轮毂内部点坐标集；其中，所述轮毂内部点包括所述轮毂内圈上的点和所述轮毂外圈上的点；
根据所述轮毂内部点坐标集进行距离计算，得到所述轮毂内圈点坐标集和所述轮毂外圈点坐标集。
3.根据权利要求2所述的方法，其特征在于，所述根据所述轮毂内部点坐标集进行距离计算，得到所述轮毂内圈点坐标集和所述轮毂外圈点坐标集，包括：
计算所述轮毂内部点坐标集中所有坐标点的中心点，得到中心点坐标；
根据所述中心点坐标与所述轮毂内部点坐标集，计算所有轮毂内部点与所述中心点之间的间隔距离；
根据所述间隔距离的大小，确定所述轮毂内部点坐标集中的所述轮毂内圈点坐标集和所述轮毂外圈点坐标集。
4.根据权利要求1所述的方法，其特征在于，所述对所述轮毂内圈点坐标集和所述轮毂外圈点坐标集进行融合处理，得到空间变换矩阵，包括：
对预设图像进行采样处理，得到内圈采样坐标集和外圈采样坐标集；
通过所述轮毂内圈点坐标集、所述轮毂外圈点坐标集、所述内圈采样坐标集以及所述外圈采样坐标集进行运算处理，得到空间变换矩阵；
其中，所述预设图像表征全黑图像。
5.根据权利要求4所述的方法，其特征在于，所述对预设图像进行采样处理，得到内圈采样坐标集和外圈采样坐标集，包括：
对以所述预设图像中心点像素为圆心的预设同心圆上的像素进行采样处理，得到所述内圈采样坐标集和所述外圈采样坐标集；
其中，所述同心圆的内圈上采样的点数与所述同心圆的外圈上采样的点数相等。
6.根据权利要求5所述的方法，其特征在于，所述通过所述轮毂内圈点坐标集、所述轮毂外圈点坐标集、所述内圈采样坐标集以及所述外圈采样坐标集进行运算处理，得到空间变换矩阵，包括：
对所述轮毂内圈点坐标集中的轮毂内圈点坐标与所述内圈采样坐标集中的内圈采样坐标进行匹配，得到轮毂内圈点坐标对；
对所述轮毂外圈点坐标集中的轮毂外圈点坐标与所述外圈采样坐标集中的外圈采样坐标进行匹配，得到轮毂外圈点坐标对；
选取所述轮毂内圈点坐标对中相邻内圈点的第一坐标对，并选取所述轮毂外圈点坐标对中相邻外圈点的第二坐标对；其中，所述相邻内圈点表征轮毂内圈圆周上角度相邻的点；
对所述第一坐标对以及所述第二坐标对进行坐标转换处理，得到所述空间变换矩阵。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若档案图片中未包含被检车辆轮毂类型的标准图片，则对所述标准图片中的像素进行分类处理，得到所述标准图片对应的标准灰度图像；其中，所述标准灰度图像表征所述标准图片中轮毂的灰度图像；
通过所述空间变换矩阵对所述标准灰度图像进行透视变换处理，得到第一平面图像集；
通过类型分类模型对所述第一平面图像集进行分类处理，得到第二目标轮毂类型；
若所述第一目标轮毂类型与所述第二目标轮毂类型匹配，则输出第一车辆检测信息；
若所述第一目标轮毂类型与所述第二目标轮毂类型不匹配，则输出第二车辆检测信息；其中，所述第二车辆检测信息表征所述被检车辆当前安装的轮毂类别与所述被检车辆的原装轮毂类别不一致，提示需要将所述被检车辆当前安装的轮毂更换为与所述原装轮毂类别一致的轮毂。
8.一种车辆信息检测装置，其特征在于，所述装置包括：
分析处理模块，用于获取被检车辆图像中轮毂的关键点坐标集；
第一获取模块，用于获取所述关键点坐标集中的轮毂内圈点坐标集和轮毂外圈点坐标集；其中，所述轮毂内圈点坐标集表征所述轮毂内侧的点的坐标集合，所述轮毂外圈点坐标集表征所述轮毂外侧的点的坐标集合；
融合处理模块，用于对所述轮毂内圈点坐标集和所述轮毂外圈点坐标集进行融合处理，得到空间变换矩阵；
第一分类处理模块，用于根据所述空间变换矩阵对由所述关键点坐标集确定的轮毂图像进行透视变换处理，并对透视变换处理后的轮毂图像进行分类处理，得到第一目标轮毂类型；
第一输出模块，用于将标准轮毂类型与所述被检车辆的第一目标轮毂类型进行匹配，并根据匹配结果输出所述被检车辆的车辆检测信息。
9.一种计算机设备，包括存储器、处理器，所述存储器上存储有可在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权利要求1至7中任一项所述方法的步骤。
10.一种可读存储介质，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中任一项所述方法的步骤。
CN202010063572.XA 2020-01-20 2020-01-20 车辆信息检测方法、装置、计算机设备及可读存储介质 Pending CN111259971A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010063572.XA CN111259971A (zh) 2020-01-20 2020-01-20 车辆信息检测方法、装置、计算机设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010063572.XA CN111259971A (zh) 2020-01-20 2020-01-20 车辆信息检测方法、装置、计算机设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN111259971A true CN111259971A (zh) 2020-06-09

Family

ID=70950933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010063572.XA Pending CN111259971A (zh) 2020-01-20 2020-01-20 车辆信息检测方法、装置、计算机设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111259971A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052807A (zh) * 2020-09-10 2020-12-08 讯飞智元信息科技有限公司 车辆位置检测方法、装置、电子设备及存储介质
CN112556625A (zh) * 2020-12-08 2021-03-26 安徽江淮汽车集团股份有限公司 轮毂安装面的角度测量方法、装置、设备及存储介质
CN114882115A (zh) * 2022-06-10 2022-08-09 国汽智控(北京)科技有限公司 车辆位姿的预测方法和装置、电子设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1600351A1 (en) * 2004-04-01 2005-11-30 Heuristics GmbH Method and system for detecting defects and hazardous conditions in passing rail vehicles
CN1908612A (zh) * 2006-05-29 2007-02-07 深圳市元征科技股份有限公司 汽车车轮定位检测方法及系统
CN104123542A (zh) * 2014-07-18 2014-10-29 大连理工大学 一种轮毂工件定位的装置及其方法
CN105937199A (zh) * 2016-05-23 2016-09-14 桂仲成 轮毂式道面自主检测智能装置
JP2018008623A (ja) * 2016-07-14 2018-01-18 株式会社ジェイテクト 車両用制御装置
WO2019105044A1 (zh) * 2017-11-28 2019-06-06 东莞市普灵思智能电子有限公司 一种镜头畸变矫正和特征提取的方法及系统
CN110517261A (zh) * 2019-08-30 2019-11-29 上海眼控科技股份有限公司 安全带状态检测方法、装置、计算机设备和存储介质
CN110706261A (zh) * 2019-10-22 2020-01-17 上海眼控科技股份有限公司 车辆违章检测方法、装置、计算机设备和存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1600351A1 (en) * 2004-04-01 2005-11-30 Heuristics GmbH Method and system for detecting defects and hazardous conditions in passing rail vehicles
CN1908612A (zh) * 2006-05-29 2007-02-07 深圳市元征科技股份有限公司 汽车车轮定位检测方法及系统
CN104123542A (zh) * 2014-07-18 2014-10-29 大连理工大学 一种轮毂工件定位的装置及其方法
CN105937199A (zh) * 2016-05-23 2016-09-14 桂仲成 轮毂式道面自主检测智能装置
JP2018008623A (ja) * 2016-07-14 2018-01-18 株式会社ジェイテクト 車両用制御装置
WO2019105044A1 (zh) * 2017-11-28 2019-06-06 东莞市普灵思智能电子有限公司 一种镜头畸变矫正和特征提取的方法及系统
CN110517261A (zh) * 2019-08-30 2019-11-29 上海眼控科技股份有限公司 安全带状态检测方法、装置、计算机设备和存储介质
CN110706261A (zh) * 2019-10-22 2020-01-17 上海眼控科技股份有限公司 车辆违章检测方法、装置、计算机设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张志芬;孙继磊;: "基于OpenCV的汽车轮毂自动识别分类系统" *
支晨蛟;唐慧明;: "基于视频角点特征匹配的车速检测方法" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052807A (zh) * 2020-09-10 2020-12-08 讯飞智元信息科技有限公司 车辆位置检测方法、装置、电子设备及存储介质
CN112556625A (zh) * 2020-12-08 2021-03-26 安徽江淮汽车集团股份有限公司 轮毂安装面的角度测量方法、装置、设备及存储介质
CN112556625B (zh) * 2020-12-08 2021-09-28 安徽江淮汽车集团股份有限公司 轮毂安装面的角度测量方法、装置、设备及存储介质
CN114882115A (zh) * 2022-06-10 2022-08-09 国汽智控(北京)科技有限公司 车辆位姿的预测方法和装置、电子设备和存储介质
CN114882115B (zh) * 2022-06-10 2023-08-25 国汽智控(北京)科技有限公司 车辆位姿的预测方法和装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
WO2021000524A1 (zh) 孔位保护门检测方法、装置、计算机设备和存储介质
CN108009543B (zh) 一种车牌识别方法及装置
US10410292B2 (en) Method, system, apparatus, and storage medium for realizing antifraud in insurance claim based on consistency of multiple images
CN109886928B (zh) 一种目标细胞标记方法、装置、存储介质及终端设备
CN110796082B (zh) 铭牌文本检测方法、装置、计算机设备和存储介质
CN111259971A (zh) 车辆信息检测方法、装置、计算机设备及可读存储介质
CN108447061B (zh) 商品信息处理方法、装置、计算机设备和存储介质
CN111274926B (zh) 图像数据筛选方法、装置、计算机设备和存储介质
CN111144372A (zh) 车辆检测方法、装置、计算机设备和存储介质
CN105426903A (zh) 一种遥感卫星图像的云判方法及系统
CN111144398A (zh) 目标检测方法、装置、计算机设备和存储介质
US11657644B2 (en) Automatic ruler detection
CN112581546A (zh) 摄像头标定方法、装置、计算机设备和存储介质
TW201317904A (zh) 標籤檢測系統、裝置及其檢測標籤的方法
CN112381092B (zh) 跟踪方法、装置及计算机可读存储介质
CN111259903A (zh) 识别表计示数方法、装置、可读存储介质和计算机设备
CN111832561B (zh) 基于计算机视觉的字符序列识别方法、装置、设备和介质
CN111488883A (zh) 车架号识别方法、装置、计算机设备和存储介质
CN115063473A (zh) 物体高度的检测方法、装置、计算机设备、存储介质
CN111476245A (zh) 车辆左转违规检测方法、装置、计算机设备和存储介质
CN113538291A (zh) 卡证图像倾斜校正方法、装置、计算机设备和存储介质
CN112287905A (zh) 车辆损伤识别方法、装置、设备及存储介质
CN113496162B (zh) 停车规范识别方法、装置、计算机设备和存储介质
CN115631169A (zh) 产品检测方法、装置、电子设备及存储介质
CN114494856A (zh) 设备机型检测模型训练方法及设备机型检测方法

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
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20240920