CN111353444A - 标志灯具监测方法、装置、计算机设备和存储介质 - Google Patents
标志灯具监测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111353444A CN111353444A CN202010142883.5A CN202010142883A CN111353444A CN 111353444 A CN111353444 A CN 111353444A CN 202010142883 A CN202010142883 A CN 202010142883A CN 111353444 A CN111353444 A CN 111353444A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- type
- lamp
- sign
- monitoring
- 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
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- 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
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种标志灯具监测方法、装置、计算机设备和存储介质,计算机设备对车辆的监测图像进行分割处理,得到车辆的车身区域图以及车辆的标志灯具区域图;对车身区域图进行识别处理获得车辆的类型,并对标志灯具区域图进行识别处理获得标志灯具的类型;将车辆的类型与标志灯具的类型进行匹配,获得车辆的灯具安装监测结果。采用上述方法可以提升对标志灯具安装的监测效率。
Description
技术领域
本申请涉及信息处理技术领域,特别是涉及一种标志灯具监测方法、装置、计算机设备和存储介质。
背景技术
标志灯具是专供特种车辆安装和使用的,为其提供警告、警戒、危险或者紧急灯标志信号的设施,是区别特种车辆和一般车辆的重要特征之一。按照相关规定,只有警车、消防车、救护车、工程救险车可以安装标志灯具,且不同特种车辆对应安装不同的标志灯具,其中,警车安装红蓝色回转式标志灯具、消防车安装红色回转式标志灯具、救护车安装蓝色回转式标志灯具、工程抢险车安装黄色回转式标志灯具。如果一般车辆非法安装标志灯具,会扰乱社会交通秩序。
传统技术中,为了监测车辆安装标志灯具的合法性,需要通过道路监控系统采集安装标志灯具的车辆图像,然后通过人工对车辆图像中的车辆进行一一排查,耗费大量的人力物力资源,导致监测效率低。
发明内容
基于此,有必要针对上述技术问题,提供一种标志灯具监测方法、装置、计算机设备和存储介质。
一种标志灯具监测方法,方法包括:
对车辆的监测图像进行分割处理,得到车辆的车身区域图以及车辆的标志灯具区域图;
对车身区域图进行识别处理获得车辆的类型,并对标志灯具区域图进行识别处理获得标志灯具的类型;
将车辆的类型与标志灯具的类型进行匹配,获得车辆的灯具安装监测结果。
在其中一个实施例中,上述对车辆的监测图像进行分割处理,得到车辆的车身区域图以及车辆的标志灯具区域图,包括:
将监测图像输入预设的分割模型,获得监测图像的分割图;分割模型用于将监测图像中的车身、标志灯具以及监测图像的背景图像标记为不同的像素值;
根据分割图中车身的像素范围以及标志灯具的像素范围,对分割图进行裁剪,获得车身区域图和标志灯具区域图。
在其中一个实施例中,上述根据分割图中车身的像素范围以及标志灯具的像素范围,对分割图进行裁剪,包括:
确定分割图中是否包含标志灯具;
若分割图中包含标志灯具,则根据分割图中车身的像素范围以及标志灯具的像素范围,对分割图进行裁剪。
在其中一个实施例中,上述对车辆的监测图像进行分割处理之前,方法还包括:
将车辆的原始监测图像输入预设的目标检测模型,获得监测图像中包含车辆的边界框;
基于边界框裁剪原始监测图像,获得监测图像。
在其中一个实施例中,上述对车身区域图进行识别处理获得车辆的类型,并对标志灯具区域图进行识别处理获得标志灯具的类型,包括:
将车身区域图以及标志灯具区域图分别添加至空白背景中,获得待分类图像;
将包含车身区域图的待分类图像输入预设的车身分类模型中,获得车辆的类型;
将包含标志灯具区域图的待分类图像输入预设的灯具分类模型中,获得标志灯具的类型。
在其中一个实施例中,上述将车辆的类型与标志灯具的类型进行匹配,获得车辆的灯具安装监测结果,包括:
若车辆的类型为非特种车辆类型,则确定匹配结果为车辆的类型与标志灯具的类型不匹配;
若车辆的类型属于任意一种特种车辆类型时,根据特种车辆类型以及预设的车辆灯具对应规则,确定特种车辆类型对应的目标灯具类型;当目标灯具类型与车辆的标志灯具类型相同时,确定车辆的类型与标志灯具的类型匹配,当目标灯具类型与车辆的标志灯具类型不同时,确定车辆的类型与标志灯具的类型不匹配。
在其中一个实施例中,上述方法还包括:
若车辆的类型与标志灯具的类型不匹配,则向监测平台输出报警信息。
在其中一个实施例中,上述车辆的类型为非特种车、警车、消防车、救护车以及工程抢险车中的任一种;标志灯具的类型为红蓝色回转式标志灯具、红色回转式标志灯具、蓝色回转式标志灯具以及黄色回转式标志灯具中的任一种。
一种标志灯具监测装置,上述装置包括:
分割模型,用于对车辆的监测图像进行分割处理,得到车辆的车身区域图以及车辆的标志灯具区域图;
识别模块,用于对车身区域图进行识别处理获得车辆的类型,并对标志灯具区域图进行识别处理获得标志灯具的类型;
匹配模块,用于将车辆的类型与标志灯具的类型进行匹配,获得车辆的灯具安装监测结果。
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:
对车辆的监测图像进行分割处理,得到车辆的车身区域图以及车辆的标志灯具区域图;
对车身区域图进行识别处理获得车辆的类型,并对标志灯具区域图进行识别处理获得标志灯具的类型;
将车辆的类型与标志灯具的类型进行匹配,获得车辆的灯具安装监测结果。
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:
对车辆的监测图像进行分割处理,得到车辆的车身区域图以及车辆的标志灯具区域图;
对车身区域图进行识别处理获得车辆的类型,并对标志灯具区域图进行识别处理获得标志灯具的类型;
将车辆的类型与标志灯具的类型进行匹配,获得车辆的灯具安装监测结果。
上述标志灯具监测方法、装置、计算机设备和存储介质,计算机设备对车辆的监测图像进行分割处理,得到车辆的车身区域图以及车辆的标志灯具区域图;对车身区域图进行识别处理获得车辆的类型,并对标志灯具区域图进行识别处理获得标志灯具的类型;将车辆的类型与标志灯具的类型进行匹配,获得车辆的灯具安装监测结果。由于计算机设备对车辆的监测图像进行分割处理,从而可以根据分割处理后的车身区域图获得车辆的类型,相比于直接对监测图像进行识别处理,可以降低由于标志灯具的存在而导致类型识别错误的概率,提升了车辆的类型的识别准确度;进一步地,由于计算机对标志灯具区域图进行识别处理获得标志灯具的类型,从而可以通过计算机设备将车辆的类型与标志灯具的类型进行匹配,而不需要人工处理,提升了对标志灯具安装的监测效率。
附图说明
图1为一个实施例中标志灯具监测方法的应用环境图;
图2为一个实施例中标志灯具监测方法的流程示意图;
图3为另一个实施例中标志灯具监测方法的流程示意图;
图3A为一个实施例中标志灯具监测方法的示意图;
图4为另一个实施例中标志灯具监测方法的流程示意图;
图5为另一个实施例中标志灯具监测方法的流程示意图;
图6为一个实施例中标志灯具监测装置的结构框图;
图7为另一个实施例中标志灯具监测装置的结构框图;
图8为另一个实施例中标志灯具监测装置的结构框图;
图9为另一个实施例中标志灯具监测装置的结构框图;
图10为另一个实施例中标志灯具监测装置的结构框图;
图11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。
本申请提供的标志灯具监测方法,可以应用于如图1所示的应用环境中。其中,采集装置100用于采集车辆200的监测图像,计算机设备300与采集装置连接;上述车辆200可以是非特种车辆,也可以是特种车辆,上述采集装置100可以为设置于道路上的监测摄像头,也可以为设置于移动装置上的移动摄像头,在此不做限定。上述计算机设备300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,提供了一种标志灯具监测方法,以该方法应用于图1中的计算机设备300为例进行说明,包括以下步骤:
S101、对车辆的监测图像进行分割处理,得到车辆的车身区域图以及车辆的标志灯具区域图。
其中,上述监测图像可以是道路监测设备采集的图像,也可以是设置于移动监测装置上的摄像头采集的图像,对于上述监测图像的获取方式在此不做限定。上述车辆可以是特种车辆,也可以是普通车辆,在此不做限定。
上述车辆上可以安装标志灯具,计算机设备通过对监测图像进行分割处理,可以获得包含车辆的车身部分的区域图,以及包含车辆上的标志灯具部分的区域图。
具体地,计算机设备对监测图像进行分割处理时,可以识别监测图像中的车身轮廓以及标志灯具轮廓,然后基于获得的轮廓对监测图像进行裁剪,获得车身区域图以及标志灯具区域图;计算机设备还可以通过对监测图像的像素值进行阈值判断,识别监测图像中哪一部分图像为车身,哪一部分图像为标志灯具,然后对监测图像分割后获得车身区域图以及标志灯具区域图,对于上述分割处理方式,在此不做限定。
S102、对车身区域图进行识别处理获得车辆的类型,并对标志灯具区域图进行识别处理获得标志灯具的类型。
其中,上述标志灯具可以是专供特种车辆安装和使用的,为其提供警告、警戒、危险、紧急灯标志信号的设施。可选地,上述标志灯具的类型可以是红蓝色回转式标志灯具、红色回转式标志灯具、蓝色回转式标志灯具以及黄色回转式标志灯具中的任一种。
上述不同类型的标志灯具可以按照规定安装于相应类型的特种车辆上,可选地,上述车辆的类型可以包括非特种车辆以及特种车辆,其中特种车辆为警车、消防车、救护车以及工程抢险车中的任一种。
具体地,计算机设备对车身区域图进行识别处理时,可以将车身区域图的轮廓形状与预设的车辆类型进行匹配,获得该车辆的类型;例如,计算机设备中存储各车辆类型与车身的轮廓形式的对应关系,计算机设备在获得车身区域图后,可以获得该车身轮廓对应的车辆类型。另外,计算机设备还可以通过神经网络算法模型对车身区域图进行处理,获得该车辆的类型。
具体地,计算机设备对标志灯具区域图进行识别处理时,可以根据标志灯具的形状确定标志灯具的类型,也可以根据标志灯具的颜色获得标志灯具的类型,在此不做限定。
进一步地,计算机设备可以根据当前获取的监测图像,获得车辆的类型以及标志灯具的类型;也可以结合该车辆对应的其它监测图像,对当前获得的车辆的类型和/或标志灯具的类型进行验证,提升车辆类型和/或标志灯具类型的准确度。
S103、将车辆的类型与标志灯具的类型进行匹配,获得车辆的灯具安装监测结果。
计算机设备在获得车辆的类型之后,可以先确定该车辆的类型是否为特种车辆。若车辆的类型为非特种车辆类型,则确定匹配结果为车辆的类型与标志灯具的类型不匹配。
若车辆的类型属于任意一种特种车辆类型时,那么计算机设备可以根据特种车辆类型以及预设的车辆灯具对应规则,确定特种车辆类型对应的目标灯具类型。上述对应规则中,警车对应红蓝色回转式标志灯具、消防车对应红色回转式标志灯具、救护车对应蓝色回转式标志灯具、工程抢险车对应黄色回转式标志灯具。
当目标灯具类型与车辆的标志灯具类型相同时,确定车辆的类型与标志灯具的类型匹配,当目标灯具类型与车辆的标志灯具类型不同时,确定车辆的类型与标志灯具的类型不匹配。
例如,计算机设备根据上述识别处理的结果,确定车辆的类型为消防车,且车辆上携带的标志灯具的类型为红色回转式标志灯具,那么计算机设备认为该车辆的类型与标志灯具的类型匹配;若标志灯具的类型为其它类型,那么计算机设备认为车辆的类型与标志灯具的类型不匹配。
进一步地,当车辆的类型与标志灯具的类型不匹配时,计算机设备可以向监测平台输出报警信息。上述报警信息中可以包含车辆的类型与标志灯具的类型不匹配的信息;还可以包含该车辆的车牌号码,或者监测图像的拍摄时间和拍摄地点等信息,对于上述报警信息的内容在此不做限定。
上述标志灯具监测方法,计算机设备对车辆的监测图像进行分割处理,得到车辆的车身区域图以及车辆的标志灯具区域图;对车身区域图进行识别处理获得车辆的类型,并对标志灯具区域图进行识别处理获得标志灯具的类型;将车辆的类型与标志灯具的类型进行匹配,获得车辆的灯具安装监测结果。由于计算机设备对车辆的监测图像进行分割处理,从而可以根据分割处理后的车身区域图获得车辆的类型,相比于直接对监测图像进行识别处理,可以降低由于标志灯具的存在而导致类型识别错误的概率,提升了车辆的类型的识别准确度;进一步地,由于计算机对标志灯具区域图进行识别处理获得标志灯具的类型,从而可以通过计算机设备将车辆的类型与标志灯具的类型进行匹配,而不需要人工处理,提升了对标志灯具安装的监测效率。
图3为另一个实施例中标志灯具监测方法的流程示意图,本实施例涉及计算机设备对车辆的监测图像进行分割处理的一种方式,在上述实施例的基础上,如图3所示,上述S101包括:
S201、将监测图像输入预设的分割模型,获得监测图像的分割图;分割模型用于将监测图像中的车身、标志灯具以及监测图像的背景图像标记为不同的像素值。
其中,上述分割模型可以是语义分割模型,用于通过深度学习算法自动从监测图像中分割出车辆以及标志灯具的区域。计算机设备可以通过分割模型,将监测图像中的车身、标志灯具以及背景图像标记为不同的像素值。
例如,当监测图像中包含携带标志灯具的工程车辆时,分割图中可以通过不同的像素值显示标志灯具、工程车辆以及背景图像,当监测图像中的车辆为携带标志灯具时,分割图中可以通过不同的像素值显示工程车辆以及背景图像。
其中,上述不同的像素值可以为不同的颜色,也可以是不同的像素数值,在此不做限定。例如,将监测图像输入分割模型后,分割图中的标志灯具部分的颜色为黄色,车身部分的颜色为红色,且背景图像的颜色为白色;或者,分割图中的标志灯具部分的像素值为0,车身部分的像素值为1,且背景图像的像素值为2,如图3A所示。
可选地,上述分割模型可以是Unet模型。上述Unet模型可以包括两部分,其中第一部分用于监测图像的特征提取,第二部分用于对进行上采样,计算机设备将上采样部分与第一部分输出的特征进行融合,获得与原监测图像大小一致的分割图。
S202、根据分割图中车身的像素范围以及标志灯具的像素范围,对分割图进行裁剪,获得车身区域图和标志灯具区域图。
在上述步骤的基础上,计算机设备可以确定分割图中哪一部分为车身,哪一部分为标志灯具,然后根据车身的像素范围以及标志灯具的像素范围,对分割图进行裁剪,获得车身区域图和标志灯具区域图。
可选地,计算机设备在对分割图进行裁剪之前,还可以确定分割图中是否包含标志灯具;若分割图中包含标志灯具,则根据分割图中车身的像素范围以及标志灯具的像素范围,对分割图进行裁剪。
上述标志灯具监测方法,计算机设备通过分割模型获得车身区域图和标志灯具区域图,可以提升车身区域图和标志灯具区域图的精度,使得计算机设备可以根据车身区域图和标志灯具区域图,准确地获得车辆类型和标志灯具的类型,从而准确地获得车辆的类型和标志灯具的类型之间的匹配结果,有利于提升对标志灯具安装的监测效率。
图4为另一个实施例中标志灯具监测方法的流程示意图,本实施例涉及计算机设备获得监测图像的一种方式,在上述实施例的基础上,如图4所示,上述方法还包括:
S301、将车辆的原始监测图像输入预设的目标检测模型,获得监测图像中包含车辆的边界框。
S302、基于边界框裁剪原始监测图像,获得监测图像。
道路监测设备获得的原始监测图像中,一般会包含多个车辆或者行人等多个对象。为了准确地对监测图像进行分割,计算机设备可以对原始监测图像进行处理,获得只包含有一个车辆的监测图像。
具体地,计算机设备可以将原始监测图像输入预设的目标检测模型,通过目标检测模型识别原始监测图像中的车辆,获得该车辆的边界框。上述边界框可以是目标检测模型获得的车辆的bounding box。
其中,上述目标检测模型可以是对象识别模型YOLO(You only look once)模型,也可以是单目标检测模型(Single Shot MultiBox Detector,简称SSD)模型,在此不做限定。
具体地,计算机设备在将原始监测图像输入目标检测模型之前,可以将原始监测图像的尺寸大小调整为目标检测模型适合的值。例如,将原始监测图像的尺寸调整为608*608之后,输入YOLO模型。
计算机设备获得上述边界框之后,可以沿着边界框裁剪原始监测图像,获得监测图像。
上述标志灯具监测方法,计算机设备通过目标检测模型,对原始监测图像进行裁剪获得监测图像,使得计算机设备可以获得精度较高的车身区域图和标志灯具区域图;进一步地,由于监测图像的尺寸小于原始监测图像的尺寸,因此可以降低计算机进行分割处理时需要的计算资源,提升图像分割效率。
图5为另一个实施例中标志灯具监测方法的流程示意图,本实施例涉及计算机设备获得车辆的类型以及标志灯具的类型的一种方式,在上述实施例的基础上,如图5所示,上述方法还包括:
S401、将车身区域图以及标志灯具区域图分别添加至空白背景中,获得待分类图像。
计算机设备在对车身区域图以及标志灯具区域图进行识别处理时,可以将车身区域图以及标志灯具区域图分别添加至空白背景中,便于对车辆的类型以及标志灯具的类型进行识别。
S402、将包含车身区域图的待分类图像输入预设的车身分类模型中,获得车辆的类型。
S403、将包含标志灯具区域图的待分类图像输入预设的灯具分类模型中,获得标志灯具的类型。
具体地,计算机设备可以通过不同的分类模型来获得车辆的类型以及标志灯具的类型。计算机设备可以将包含车身区域图的待分类图像输入预设的车身分类模型中获得车辆的类型,同时,将包含标志灯具区域图的待分类图像输入预设的灯具分类模型中,获得标志灯具的类型。
其中,上述车身分类模型为基于不同类型车辆的图像进行训练获得的,上述灯具分类模型为基于不同的标志灯具的图像进行训练而获得的。上述车身分类模型和灯具分类模型的模型类型可以相同,也可以不同,在此不做限定。
计算机设备将待分类图像输入车身分类模型以及灯具分类模型之前,可以根据需要对待分类图像的尺寸进行调整。例如,计算机设备可以将包含车身区域图的待分类图像的尺寸调整为220*220,或者将包含标志灯具区域图的待分类图像的尺寸调整为140*140。
上述标志灯具监测方法,计算机设备通过将车身区域图以及标志灯具区域图分别添加至空白背景中,使得车辆分类模型和灯具分类模型可以对单一背景中的对象进行分类,提升车辆的类型以及标志灯具的类型的准确度。
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步骤或者多个阶段,这些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中的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6所示,提供了一种标志灯具监测装置,包括:分割模块10、识别模块20和匹配模块30,其中:
分割模型10,用于对车辆的监测图像进行分割处理,得到车辆的车身区域图以及车辆的标志灯具区域图;
识别模块20,用于对车身区域图进行识别处理获得车辆的类型,并对标志灯具区域图进行识别处理获得标志灯具的类型;
匹配模块30,用于将车辆的类型与标志灯具的类型进行匹配,获得车辆的灯具安装监测结果。
本申请实施例提供的标志灯具监测装置,可以实现上述方法实施例,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,在上述实施例的基础上,如图7所示,上述分割模块10包括:
分割单元101,用于将监测图像输入预设的分割模型,获得监测图像的分割图;分割模型用于将监测图像中的车身、标志灯具以及监测图像的背景图像标记为不同的像素值;
裁剪单元102,用于根据分割图中车身的像素范围以及标志灯具的像素范围,对分割图进行裁剪,获得车身区域图和标志灯具区域图。
在一个实施例中,在上述实施例的基础上,裁剪单元102具体用于:确定分割图中是否包含标志灯具;若分割图中包含标志灯具,则根据分割图中车身的像素范围以及标志灯具的像素范围,对分割图进行裁剪。
在一个实施例中,在上述实施例的基础上,如图8所示,上述装置还包括检测模块40,用于:将车辆的原始监测图像输入预设的目标检测模型,获得监测图像中包含车辆的边界框;基于边界框裁剪原始监测图像,获得监测图像。
在一个实施例中,在上述实施例的基础上,如图9所示,上述识别模块20包括:
添加单元201,用于将车身区域图以及标志灯具区域图分别添加至空白背景中,获得待分类图像;
输入单元202,用于将包含车身区域图的待分类图像输入预设的车身分类模型中,获得车辆的类型;
分类单元203,用于将包含标志灯具区域图的待分类图像输入预设的灯具分类模型中,获得标志灯具的类型。
在一个实施例中,在上述实施例的基础上,上述匹配模块30具体用于:若车辆的类型为非特种车辆类型,则确定匹配结果为车辆的类型与标志灯具的类型不匹配;若车辆的类型属于任意一种特种车辆类型时,根据特种车辆类型以及预设的车辆灯具对应规则,确定特种车辆类型对应的目标灯具类型;当目标灯具类型与车辆的标志灯具类型相同时,确定车辆的类型与标志灯具的类型匹配,当目标灯具类型与车辆的标志灯具类型不同时,确定车辆的类型与标志灯具的类型不匹配。
在一个实施例中,在上述实施例的基础上,如图10所示,上述装置还包括报警模块50,用于:若车辆的类型与标志灯具的类型不匹配,则向监测平台输出报警信息。
在一个实施例中,在上述实施例的基础上,上述车辆的类型为非特种车、警车、消防车、救护车以及工程抢险车中的任一种;标志灯具的类型为红蓝色回转式标志灯具、红色回转式标志灯具、蓝色回转式标志灯具以及黄色回转式标志灯具中的任一种。
本申请实施例提供的标志灯具监测装置,可以实现上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于标志灯具监测装置的具体限定可以参见上文中对于标志灯具监测方法的限定,在此不再赘述。上述标志灯具监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11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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标志灯具监测数据。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标志灯具监测方法。
本领域技术人员可以理解,图11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:
对车辆的监测图像进行分割处理,得到车辆的车身区域图以及车辆的标志灯具区域图;
对车身区域图进行识别处理获得车辆的类型,并对标志灯具区域图进行识别处理获得标志灯具的类型;
将车辆的类型与标志灯具的类型进行匹配,获得车辆的灯具安装监测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将监测图像输入预设的分割模型,获得监测图像的分割图;分割模型用于将监测图像中的车身、标志灯具以及监测图像的背景图像标记为不同的像素值;根据分割图中车身的像素范围以及标志灯具的像素范围,对分割图进行裁剪,获得车身区域图和标志灯具区域图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定分割图中是否包含标志灯具;若分割图中包含标志灯具,则根据分割图中车身的像素范围以及标志灯具的像素范围,对分割图进行裁剪。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将车辆的原始监测图像输入预设的目标检测模型,获得监测图像中包含车辆的边界框;基于边界框裁剪原始监测图像,获得监测图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将车身区域图以及标志灯具区域图分别添加至空白背景中,获得待分类图像;将包含车身区域图的待分类图像输入预设的车身分类模型中,获得车辆的类型;将包含标志灯具区域图的待分类图像输入预设的灯具分类模型中,获得标志灯具的类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若车辆的类型为非特种车辆类型,则确定匹配结果为车辆的类型与标志灯具的类型不匹配;若车辆的类型属于任意一种特种车辆类型时,根据特种车辆类型以及预设的车辆灯具对应规则,确定特种车辆类型对应的目标灯具类型;当目标灯具类型与车辆的标志灯具类型相同时,确定车辆的类型与标志灯具的类型匹配,当目标灯具类型与车辆的标志灯具类型不同时,确定车辆的类型与标志灯具的类型不匹配。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若车辆的类型与标志灯具的类型不匹配,则向监测平台输出报警信息。
在一个实施例中,上述车辆的类型为非特种车、警车、消防车、救护车以及工程抢险车中的任一种;标志灯具的类型为红蓝色回转式标志灯具、红色回转式标志灯具、蓝色回转式标志灯具以及黄色回转式标志灯具中的任一种。
本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:
对车辆的监测图像进行分割处理,得到车辆的车身区域图以及车辆的标志灯具区域图;
对车身区域图进行识别处理获得车辆的类型,并对标志灯具区域图进行识别处理获得标志灯具的类型;
将车辆的类型与标志灯具的类型进行匹配,获得车辆的灯具安装监测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将监测图像输入预设的分割模型,获得监测图像的分割图;分割模型用于将监测图像中的车身、标志灯具以及监测图像的背景图像标记为不同的像素值;根据分割图中车身的像素范围以及标志灯具的像素范围,对分割图进行裁剪,获得车身区域图和标志灯具区域图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定分割图中是否包含标志灯具;若分割图中包含标志灯具,则根据分割图中车身的像素范围以及标志灯具的像素范围,对分割图进行裁剪。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将车辆的原始监测图像输入预设的目标检测模型,获得监测图像中包含车辆的边界框;基于边界框裁剪原始监测图像,获得监测图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将车身区域图以及标志灯具区域图分别添加至空白背景中,获得待分类图像;将包含车身区域图的待分类图像输入预设的车身分类模型中,获得车辆的类型;将包含标志灯具区域图的待分类图像输入预设的灯具分类模型中,获得标志灯具的类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若车辆的类型为非特种车辆类型,则确定匹配结果为车辆的类型与标志灯具的类型不匹配;若车辆的类型属于任意一种特种车辆类型时,根据特种车辆类型以及预设的车辆灯具对应规则,确定特种车辆类型对应的目标灯具类型;当目标灯具类型与车辆的标志灯具类型相同时,确定车辆的类型与标志灯具的类型匹配,当目标灯具类型与车辆的标志灯具类型不同时,确定车辆的类型与标志灯具的类型不匹配。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若车辆的类型与标志灯具的类型不匹配,则向监测平台输出报警信息。
在一个实施例中,上述车辆的类型为非特种车、警车、消防车、救护车以及工程抢险车中的任一种;标志灯具的类型为红蓝色回转式标志灯具、红色回转式标志灯具、蓝色回转式标志灯具以及黄色回转式标志灯具中的任一种。
本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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)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 (11)
1.一种标志灯具监测方法,其特征在于,所述方法包括:
对车辆的监测图像进行分割处理,得到所述车辆的车身区域图以及所述车辆的标志灯具区域图;
对所述车身区域图进行识别处理获得所述车辆的类型,并对所述标志灯具区域图进行识别处理获得所述标志灯具的类型;
将所述车辆的类型与所述标志灯具的类型进行匹配,获得所述车辆的灯具安装监测结果。
2.根据权利要求1所述的标志灯具监测方法,其特征在于,所述对车辆的监测图像进行分割处理,得到所述车辆的车身区域图以及所述车辆的标志灯具区域图,包括:
将所述监测图像输入预设的分割模型,获得所述监测图像的分割图;所述分割模型用于将监测图像中的车身、标志灯具以及所述监测图像的背景图像标记为不同的像素值;
根据所述分割图中所述车身的像素范围以及所述标志灯具的像素范围,对所述分割图进行裁剪,获得所述车身区域图和所述标志灯具区域图。
3.根据权利要求2所述的标志灯具监测方法,其特征在于,所述根据所述分割图中所述车身的像素范围以及所述标志灯具的像素范围,对所述分割图进行裁剪,包括:
确定所述分割图中是否包含标志灯具;
若所述分割图中包含标志灯具,则根据所述分割图中所述车身的像素范围以及所述标志灯具的像素范围,对所述分割图进行裁剪。
4.根据权利要求1所述的标志灯具监测方法,其特征在于,所述对车辆的监测图像进行分割处理之前,所述方法还包括:
将所述车辆的原始监测图像输入预设的目标检测模型,获得所述监测图像中包含所述车辆的边界框;
基于所述边界框裁剪所述原始监测图像,获得所述监测图像。
5.根据权利要求1-4任一项所述的标志灯具监测方法,其特征在于,所述对所述车身区域图进行识别处理获得所述车辆的类型,并对所述标志灯具区域图进行识别处理获得所述标志灯具的类型,包括:
将所述车身区域图以及所述标志灯具区域图分别添加至空白背景中,获得待分类图像;
将包含所述车身区域图的待分类图像输入预设的车身分类模型中,获得所述车辆的类型;
将包含所述标志灯具区域图的待分类图像输入预设的灯具分类模型中,获得所述标志灯具的类型。
6.根据权利要求1-4任一项所述的标志灯具监测方法,其特征在于,所述将所述车辆的类型与所述标志灯具的类型进行匹配,获得所述车辆的灯具安装监测结果,包括:
若所述车辆的类型为非特种车辆类型,则确定所述匹配结果为所述车辆的类型与所述标志灯具的类型不匹配;
若所述车辆的类型属于任意一种特种车辆类型时,根据所述特种车辆类型以及预设的车辆灯具对应规则,确定所述特种车辆类型对应的目标灯具类型;当所述目标灯具类型与所述车辆的标志灯具类型相同时,确定所述车辆的类型与所述标志灯具的类型匹配,当所述目标灯具类型与所述车辆的标志灯具类型不同时,确定所述车辆的类型与所述标志灯具的类型不匹配。
7.根据权利要求6所述的标志灯具监测方法,其特征在于,所述方法还包括,包括:
若所述车辆的类型与所述标志灯具的类型不匹配,则向监测平台输出报警信息。
8.根据权利要求1-4任一项所述的标志灯具监测方法,其特征在于,所述车辆的类型为非特种车、警车、消防车、救护车以及工程抢险车中的任一种;所述标志灯具的类型为红蓝色回转式标志灯具、红色回转式标志灯具、蓝色回转式标志灯具以及黄色回转式标志灯具中的任一种。
9.一种标志灯具监测装置,其特征在于,所述装置包括:
分割模型,用于对车辆的监测图像进行分割处理,得到所述车辆的车身区域图以及所述车辆的标志灯具区域图;
识别模块,用于对所述车身区域图进行识别处理获得所述车辆的类型,并对所述标志灯具区域图进行识别处理获得所述标志灯具的类型;
匹配模块,用于将所述车辆的类型与所述标志灯具的类型进行匹配,获得所述车辆的灯具安装监测结果。
10.一种计算机设备,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8中任一项所述的方法的步骤。
11.一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8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010142883.5A CN111353444A (zh) | 2020-03-04 | 2020-03-04 | 标志灯具监测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010142883.5A CN111353444A (zh) | 2020-03-04 | 2020-03-04 | 标志灯具监测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111353444A true CN111353444A (zh) | 2020-06-30 |
Family
ID=71192542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010142883.5A Pending CN111353444A (zh) | 2020-03-04 | 2020-03-04 | 标志灯具监测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353444A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060200307A1 (en) * | 2005-03-04 | 2006-09-07 | Lockheed Martin Corporation | Vehicle identification and tracking system |
CN108241822A (zh) * | 2016-12-23 | 2018-07-03 | 杭州海康威视数字技术股份有限公司 | 一种车辆类型的识别方法及装置 |
CN108280990A (zh) * | 2016-12-30 | 2018-07-13 | 纵目科技(上海)股份有限公司 | 基于车顶信号灯检测的急救车辆检测与避让方法与系统 |
WO2018201349A1 (zh) * | 2017-05-03 | 2018-11-08 | 华为技术有限公司 | 一种应急车辆的识别方法及装置 |
CN109657590A (zh) * | 2018-12-11 | 2019-04-19 | 合刃科技(武汉)有限公司 | 一种检测车辆信息的方法、装置及存储介质 |
CN109740478A (zh) * | 2018-12-26 | 2019-05-10 | 山东创科自动化科技有限公司 | 车辆检测及识别方法、装置、计算机设备及可读存储介质 |
CN110415529A (zh) * | 2019-09-04 | 2019-11-05 | 上海眼控科技股份有限公司 | 车辆违章的自动处理方法、装置、计算机设备和存储介质 |
CN110555464A (zh) * | 2019-08-06 | 2019-12-10 | 高新兴科技集团股份有限公司 | 一种基于深度学习模型的车辆颜色识别方法 |
CN110796078A (zh) * | 2019-10-29 | 2020-02-14 | 上海眼控科技股份有限公司 | 车辆的灯光检测方法、装置、电子设备及可读存储介质 |
-
2020
- 2020-03-04 CN CN202010142883.5A patent/CN111353444A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060200307A1 (en) * | 2005-03-04 | 2006-09-07 | Lockheed Martin Corporation | Vehicle identification and tracking system |
CN108241822A (zh) * | 2016-12-23 | 2018-07-03 | 杭州海康威视数字技术股份有限公司 | 一种车辆类型的识别方法及装置 |
CN108280990A (zh) * | 2016-12-30 | 2018-07-13 | 纵目科技(上海)股份有限公司 | 基于车顶信号灯检测的急救车辆检测与避让方法与系统 |
WO2018201349A1 (zh) * | 2017-05-03 | 2018-11-08 | 华为技术有限公司 | 一种应急车辆的识别方法及装置 |
CN109657590A (zh) * | 2018-12-11 | 2019-04-19 | 合刃科技(武汉)有限公司 | 一种检测车辆信息的方法、装置及存储介质 |
CN109740478A (zh) * | 2018-12-26 | 2019-05-10 | 山东创科自动化科技有限公司 | 车辆检测及识别方法、装置、计算机设备及可读存储介质 |
CN110555464A (zh) * | 2019-08-06 | 2019-12-10 | 高新兴科技集团股份有限公司 | 一种基于深度学习模型的车辆颜色识别方法 |
CN110415529A (zh) * | 2019-09-04 | 2019-11-05 | 上海眼控科技股份有限公司 | 车辆违章的自动处理方法、装置、计算机设备和存储介质 |
CN110796078A (zh) * | 2019-10-29 | 2020-02-14 | 上海眼控科技股份有限公司 | 车辆的灯光检测方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110415529B (zh) | 车辆违章的自动处理方法、装置、计算机设备和存储介质 | |
US20210192227A1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
JP7371157B2 (ja) | 車両監視方法、装置、電子機器、記憶媒体、コンピュータプログラム、クラウド制御プラットフォームおよび車路連携システム | |
US11380104B2 (en) | Method and device for detecting illegal parking, and electronic device | |
CN109284801B (zh) | 交通指示灯的状态识别方法、装置、电子设备及存储介质 | |
CN110909598B (zh) | 一种基于深度学习的非机动车道交通违法行驶识别方法 | |
CN111765904B (zh) | 自动驾驶车辆的测试方法、装置、电子设备和介质 | |
CN112001269A (zh) | 车辆识别方法、装置、计算机设备和存储介质 | |
CN111753592A (zh) | 交通标志识别方法、装置、计算机设备和存储介质 | |
CN112001235A (zh) | 车辆通行信息的生成方法、装置和计算机设备 | |
CN112016510A (zh) | 基于深度学习的信号灯识别方法和装置、设备及存储介质 | |
CN110610153A (zh) | 一种用于自动驾驶的车道识别方法及系统 | |
CN111539268A (zh) | 车辆行驶中的路况预警方法、装置和电子设备 | |
JP2019192209A (ja) | ビデオ動画の人工知能のための学習対象イメージパッケージング装置及び方法 | |
CN112418081A (zh) | 一种空地联合快速勘察交通事故的方法及系统 | |
CN114913525A (zh) | 一种交通信号灯识别方法、装置、设备及存储介质 | |
CN111598054A (zh) | 车辆检测方法、装置、计算机设备及存储介质 | |
CN111353444A (zh) | 标志灯具监测方法、装置、计算机设备和存储介质 | |
CN112912892A (zh) | 自动驾驶方法和装置、距离确定方法和装置 | |
CN113997940B (zh) | 一种驾驶行为监测方法及装置 | |
US20220318456A1 (en) | Simulation method based on three-dimensional contour, storage medium, computer equipment | |
CN115620047A (zh) | 目标对象属性信息确定方法、装置、电子设备及存储介质 | |
CN111433779A (zh) | 用于识别道路特征的系统和方法 | |
CN114693722A (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN116311193A (zh) | 交通灯检测方法、计算机设备和汽车 |
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 |