CN111382808A - 一种车辆检测处理方法及装置 - Google Patents
一种车辆检测处理方法及装置 Download PDFInfo
- Publication number
- CN111382808A CN111382808A CN202010482281.4A CN202010482281A CN111382808A CN 111382808 A CN111382808 A CN 111382808A CN 202010482281 A CN202010482281 A CN 202010482281A CN 111382808 A CN111382808 A CN 111382808A
- Authority
- CN
- China
- Prior art keywords
- target
- neural network
- network model
- classification
- images
- 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 94
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 73
- 238000003062 neural network model Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 51
- 238000012423 maintenance Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Abstract
本发明提供了一种车辆检测处理方法及装置，其中，该方法包括：将待识别图像输入到预先训练好的目标识别神经网络模型中，得到目标识别结果的目标置信度和目标坐标；根据所述目标识别结果和所述目标坐标对所述目标图像进行抠图，得到目标对象；将所述目标对象输入预先训练好的目标分类卷积神经网络模型中，得到所述目标对象的目标分类结果的目标置信度；根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述待识别图像的车辆检测结果，可以解决相关技术中通过RFID芯片识别确定工作台上是否存在车辆，对于多个车位，识别结果与车位无关联的问题，保证了识别准确率，降低对平台性能的要求，减少设备成本。
Description
技术领域
本发明涉及图像处理领域，具体而言，涉及一种车辆检测处理方法及装置。
背景技术
目前，汽车4S店的服务最大的特点就是现场性、及时性，客户最终诉求就是透明、公开、省时。利用物联网技术的4S店智慧车间系统，结合国际先进的流程量化管理，将车牌识别、射频识别、无线通信等软硬件融入到汽车维修管理的过程中，使客户真正参与到整个车辆维修过程中，并与4S店互动起来。
相关技术中通过RFID芯片和超声波识别车辆，待维修车辆上设有包含车辆信息的RFID芯片，分别设于m个维修工位上的m个RFID读卡器、分别设于m个维修工位上的m个超声波工位检测器，服务器通过有线网络或无线网络分别与各个RFID读卡器和各个用户查询终端连接。
主要缺点主要两方面，一个是读取RFID数据完整和正确性不足，读卡器受维修现场的干扰；另一个不能绑定车辆与工作台车位，超声波可以判断车位空闲状态，但读卡器会对多RFID识别，两者无关联。
针对相关技术中通过RFID芯片识别确定工作台上是否存在车辆，对于多个车位，识别结果与车位无关联的问题，尚未提出解决方案。
发明内容
本发明实施例提供了一种车辆检测处理方法及装置，以至少解决相关技术中通过RFID芯片识别确定工作台上是否存在车辆，对于多个车位，识别结果与车位无关联的问题。
根据本发明的一个实施例，提供了一种车辆检测处理方法，包括：
将待识别图像输入到预先训练好的目标识别神经网络模型中，得到目标识别结果的目标置信度和目标坐标；
根据所述目标识别结果和所述目标坐标对所述目标图像进行抠图，得到目标对象；
将所述目标对象输入预先训练好的目标分类卷积神经网络模型中，得到所述目标对象的目标分类结果的目标置信度；
根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述待识别图像的车辆检测结果。
可选地，将所述待识别图像输入到预先训练好的目标识别神经网络模型中，得到所述目标识别结果的目标置信度和目标坐标包括：
将所述待识别图像输入到所述目标识别神经网络模型中，得到所述目标识别神经网络模型输出的所述待识别图像对应的识别结果的置信度和坐标；
将所述置信度大于第一预设阈值的识别结果确定为所述目标识别结果，且将所述目标识别结果对应的坐标确定为所述目标坐标。
可选地，将所述目标对象输入预先训练好的目标分类卷积神经网络模型中，得到所述目标对象的目标分类结果的目标置信度包括：
将所述目标对象输入所述目标分类卷积神经网络模型中，得到所述目标分类卷积神经网络模型输出的所述目标对象对应的分类结果的置信度；
将最大所述置信度对应的所述分类结果确定为所述目标分类结果，且将所述目标分类结果对应的置信度确定为所述目标置信度。
可选地，在将所述待识别图像输入到预先训练好的目标识别神经网络模型中，得到所述目标识别结果的目标置信度和目标坐标之前，所述方法还包括：
获取第一预定数量的室内停车场图像、以及所述室内停车场图像实际对应的识别结果；
使用所述第一预定数量的室内停车场图像、以及所述室内停车场图像实际对应的识别结果对原始神经网络模型进行训练，得到所述目标识别神经网络模型，其中，所述第一预定数量的室内停车场图像为所述原始神经网络模型的输入，训练好的所述目标识别神经网络模型输出的所述目标图像对应的目标识别结果与所述目标图像实际对应的识别结果满足第一损失函数；
获取车辆保养过程中的第二预定数量的车辆图像、以及所述车辆图像实际对应的识别结果；
使用所述第二预定数量的车辆图像、以及所述车辆图像实际对应的识别结果对所述目标神经网络模型继续进行训练，得到所述目标识别神经网络模型，其中，所述第二预定数量的车辆图像为所述目标神经网络模型的输入，训练好的所述目标识别神经网络模型输出的所述目标图像对应的目标识别结果与所述目标图像实际对应的识别结果满足所述第一损失函数。
可选地，在将所述目标对象输入预先训练好的目标分类卷积神经网络模型中，得到所述目标对象的目标分类结果的目标置信度之前，所述方法还包括：
提取所述第一预定数量的室内停车场图像中的车辆以及所述车辆实际对应的分类结果，并提取所述第二预定数量的车辆图像中的车辆以及所述车辆实际对应的分类结果，其中，所述分类结果包括车头、车尾、开箱以及其他；
使用所述第一预定数量的室内停车场图像中的车辆以及所述车辆实际对应的分类结果，所述第二预定数量的车辆图像中的车辆以及所述车辆实际对应的分类结果对原始卷积神经网络模型进行训练，得到所述目标分类卷积神经网络模型，其中，所述第一预定数量的室内停车场图像中的车辆、所述第二预定数量的车辆图像中的车辆为所述原始卷积神经网络模型的输入，训练好的所述目标分类卷积神经网络模型输出的所述目标对象对应的目标分类结果与所述目标对象实际对应的分类结果满足第二损失函数。
可选地，使用所述第一预定数量的室内停车场图像中的车辆以及所述车辆实际对应的分类结果，所述第二预定数量的车辆图像中的车辆以及所述车辆实际对应的分类结果对原始卷积神经网络模型进行训练，得到所述目标分类卷积神经网络模型包括：
分别提取所述第一预定数量的室内停车场图像中的车辆、所述第二预定数量的车辆图像中的车辆的特征向量；
将所述第一预定数量的室内停车场图像中的车辆、所述第二预定数量的车辆图像中的车辆的特征向量输入到所述原始卷积神经网络模型的卷积网络、扩展网络以及Softmax层，对原始卷积神经网络模型进行训练，得到所述目标分类卷积神经网络模型。
可选地，根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述待识别图像的车辆检测结果包括：
通过以下方式根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述目标图像的车辆检测结果的总置信度；
若所述C大于或等于第二预设阈值，确定所述车辆检测结果为车辆；
若所述C小于所述第二预设阈值，确定所述车辆检测结果为非车辆。
根据本发明的另一个实施例，还提供了一种车辆检测处理装置，包括：
第一输入模块，用于将待识别图像输入到预先训练好的目标识别神经网络模型中，得到目标识别结果的目标置信度和目标坐标；
抠图模块，用于根据所述目标识别结果和所述目标坐标对所述目标图像进行抠图，得到目标对象；
第二输入模块，用于将所述目标对象输入预先训练好的目标分类卷积神经网络模型中，得到所述目标对象的目标分类结果的目标置信度；
确定模块，用于根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述待识别图像的车辆检测结果。
可选地，所述第一输入模块包括：
第一输入子模块，用于将所述待识别图像输入到所述目标识别神经网络模型中，得到所述目标识别神经网络模型输出的所述待识别图像对应的识别结果的置信度和坐标；
第一确定子模块，用于将所述置信度大于第一预设阈值的识别结果确定为所述目标识别结果，且将所述目标识别结果对应的坐标确定为所述目标坐标。
可选地，所述第二输入模块包括：
第二输入子模块，用于将所述目标对象输入所述目标分类卷积神经网络模型中，得到所述目标分类卷积神经网络模型输出的所述目标对象对应的分类结果的置信度；
第二确定子模块，用于将最大所述置信度对应的所述分类结果确定为所述目标分类结果，且将所述目标分类结果对应的置信度确定为所述目标置信度。
可选地，所述装置还包括：
第一获取模块，用于获取第一预定数量的室内停车场图像、以及所述室内停车场图像实际对应的识别结果；
第一训练模块，用于使用所述第一预定数量的室内停车场图像、以及所述室内停车场图像实际对应的识别结果对原始神经网络模型进行训练，得到所述目标识别神经网络模型，其中，所述第一预定数量的室内停车场图像为所述原始神经网络模型的输入，训练好的所述目标识别神经网络模型输出的所述目标图像对应的目标识别结果与所述目标图像实际对应的识别结果满足第一损失函数；
第二获取模块，用于获取车辆保养过程中的第二预定数量的车辆图像、以及所述车辆图像实际对应的识别结果；
第二训练模块，用于使用所述第二预定数量的车辆图像、以及所述车辆图像实际对应的识别结果对所述目标神经网络模型继续进行训练，得到所述目标识别神经网络模型，其中，所述第二预定数量的车辆图像为所述目标神经网络模型的输入，训练好的所述目标识别神经网络模型输出的所述目标图像对应的目标识别结果与所述目标图像实际对应的识别结果满足所述第一损失函数。
可选地，所述装置还包括：
提取模块，用于提取所述第一预定数量的室内停车场图像中的车辆以及所述车辆实际对应的分类结果，并提取所述第二预定数量的车辆图像中的车辆以及所述车辆实际对应的分类结果，其中，所述分类结果包括车头、车尾、开箱以及其他；
第三训练模块，用于使用所述第一预定数量的室内停车场图像中的车辆以及所述车辆实际对应的分类结果，所述第二预定数量的车辆图像中的车辆以及所述车辆实际对应的分类结果对原始卷积神经网络模型进行训练，得到所述目标分类卷积神经网络模型，其中，所述第一预定数量的室内停车场图像中的车辆、所述第二预定数量的车辆图像中的车辆为所述原始卷积神经网络模型的输入，训练好的所述目标分类卷积神经网络模型输出的所述目标对象对应的目标分类结果与所述目标对象实际对应的分类结果满足第二损失函数。
可选地，所述第三训练模块包括：
提取子模块，用于分别提取所述第一预定数量的室内停车场图像中的车辆、所述第二预定数量的车辆图像中的车辆的特征向量；
训练子模块，用于将所述第一预定数量的室内停车场图像中的车辆、所述第二预定数量的车辆图像中的车辆的特征向量输入到所述原始卷积神经网络模型的卷积网络、扩展网络以及Softmax层，对原始卷积神经网络模型进行训练，得到所述目标分类卷积神经网络模型。
可选地，所述确定模块包括：
第三确定子模块，用于通过以下方式根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述目标图像的车辆检测结果的总置信度：
第四确定子模块，用于若所述C大于或等于第二预设阈值，确定所述车辆检测结果为车辆；
第五确定子模块，用于若所述C小于所述第二预设阈值，确定所述车辆检测结果为非车辆。
根据本发明的又一个实施例，还提供了一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，将待识别图像输入到预先训练好的目标识别神经网络模型中，得到目标识别结果的目标置信度和目标坐标；根据所述目标识别结果和所述目标坐标对所述目标图像进行抠图，得到目标对象；将所述目标对象输入预先训练好的目标分类卷积神经网络模型中，得到所述目标对象的目标分类结果的目标置信度；根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述待识别图像的车辆检测结果，可以解决相关技术中通过RFID芯片识别确定工作台上是否存在车辆，对于多个车位，识别结果与车位无关联的问题，提取目标对象之后，对目标对象进行分类，保证了识别准确率，且无需设置芯片，降低对平台性能的要求，减少设备成本。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例的车辆检测处理方法的移动终端的硬件结构框图；
图2是根据本发明实施例的车辆检测处理方法的流程图；
图3是根据本发明实施例的基于人工智能的4S店停车检测方法的流程图；
图4是根据本发明实施例的车辆检测处理装置的框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的车辆检测处理方法的移动终端的硬件结构框图，如图1所示，移动终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，可选地，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的报文接收方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述移动终端或网络架构的车辆检测处理方法，图2是根据本发明实施例的车辆检测处理方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，将待识别图像输入到预先训练好的目标识别神经网络模型中，得到目标识别结果的目标置信度和目标坐标；
进一步的，上述步骤S202具体可以包括：将所述待识别图像输入到所述目标识别神经网络模型中，得到所述目标识别神经网络模型输出的所述待识别图像对应的识别结果的置信度和坐标；将所述置信度大于第一预设阈值的识别结果确定为所述目标识别结果，且将所述目标识别结果对应的坐标确定为所述目标坐标。
步骤S204，根据所述目标识别结果和所述目标坐标对所述目标图像进行抠图，得到目标对象；
具体的，根据目标坐标便可以得到目标对象的位置，一般情况下，是一个方框，可以根据目标识别结果结合目标坐标扣取出目标对象。
步骤S206，将所述目标对象输入预先训练好的目标分类卷积神经网络模型中，得到所述目标对象的目标分类结果的目标置信度；
进一步地，上述步骤S206具体可以包括：将所述目标对象输入所述目标分类卷积神经网络模型中，得到所述目标分类卷积神经网络模型输出的所述目标对象对应的分类结果的置信度；将最大所述置信度对应的所述分类结果确定为所述目标分类结果，且将所述目标分类结果对应的置信度确定为所述目标置信度。
步骤S208，根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述待识别图像的车辆检测结果。
进一步地，上述步骤S208具体可以包括：
通过以下方式根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述目标图像的车辆检测结果的总置信度；
若所述C大于或等于第二预设阈值，确定所述车辆检测结果为车辆，若所述C小于所述第二预设阈值，确定所述车辆检测结果为非车辆。
通过上述步骤S202至S208，将待识别图像输入到预先训练好的目标识别神经网络模型中，得到目标识别结果的目标置信度和目标坐标；根据所述目标识别结果和所述目标坐标对所述目标图像进行抠图，得到目标对象；将所述目标对象输入预先训练好的目标分类卷积神经网络模型中，得到所述目标对象的目标分类结果的目标置信度；根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述待识别图像的车辆检测结果，可以解决相关技术中通过RFID芯片识别确定工作台上是否存在车辆，对于多个车位，识别结果与车位无关联的问题，提取目标对象之后，对目标对象进行分类，保证了识别准确率，且无需设置芯片，降低对平台性能的要求，减少设备成本。
在一可选的实施例中，在将所述待识别图像输入到预先训练好的目标识别神经网络模型中，得到所述目标识别结果的目标置信度和目标坐标之前，获取第一预定数量的室内停车场图像、以及所述室内停车场图像实际对应的识别结果；使用所述第一预定数量的室内停车场图像、以及所述室内停车场图像实际对应的识别结果对原始神经网络模型进行训练，得到所述目标识别神经网络模型，其中，所述第一预定数量的室内停车场图像为所述原始神经网络模型的输入，训练好的所述目标识别神经网络模型输出的所述目标图像对应的目标识别结果与所述目标图像实际对应的识别结果满足第一损失函数；获取车辆保养过程中的第二预定数量的车辆图像、以及所述车辆图像实际对应的识别结果；使用所述第二预定数量的车辆图像、以及所述车辆图像实际对应的识别结果对所述目标神经网络模型继续进行训练，得到所述目标识别神经网络模型，其中，所述第二预定数量的车辆图像为所述目标神经网络模型的输入，训练好的所述目标识别神经网络模型输出的所述目标图像对应的目标识别结果与所述目标图像实际对应的识别结果满足所述第一损失函数。
在另一可选的实施例中，提取所述第一预定数量的室内停车场图像中的车辆以及所述车辆实际对应的分类结果，并提取所述第二预定数量的车辆图像的车辆以及所述车辆实际对应的分类结果，其中，所述分类结果包括车头、车尾、开箱以及其他；使用所述第一预定数量的室内停车场图像中的车辆以及所述车辆实际对应的分类结果，所述第二预定数量的车辆图像中的车辆以及所述车辆实际对应的分类结果对原始卷积神经网络模型进行训练，得到所述目标分类卷积神经网络模型，其中，所述第一预定数量的室内停车场图像中的车辆、所述第二预定数量的车辆图像中的车辆为所述原始卷积神经网络模型的输入，训练好的所述目标分类卷积神经网络模型输出的所述目标对象对应的目标分类结果与所述目标对象实际对应的分类结果满足第二损失函数。
进一步地，使用所述第一预定数量的室内停车场图像中的车辆以及所述车辆实际对应的分类结果，所述第二预定数量的车辆图像中的车辆以及所述车辆实际对应的分类结果对原始卷积神经网络模型进行训练，得到所述目标分类卷积神经网络模型具体可以包括：分别提取所述第一预定数量的室内停车场图像中的车辆、所述第二预定数量的车辆图像中的车辆的特征向量；将所述第一预定数量的室内停车场图像中的车辆、所述第二预定数量的车辆图像中的车辆的特征向量输入到所述原始卷积神经网络模型的卷积网络、扩展网络以及Softmax层，对原始卷积神经网络模型进行训练，得到所述目标分类卷积神经网络模型，其中，所述卷积网络是骨干层网络，使用4层卷积网络；所述扩展网络，使用两个Inception架构，在Inception网络中，对卷积分别设置1*1，3*3 和5*5的并行网络，最终融合到一起，目的是解决车辆在维修过程中，特征变化较大时，卷积网络对特征更好的学习。
本发明实施例可以应用于4S店维修车间场景，对每个维修工作台的维修车辆进行检测，此场景对车辆目标检测的干扰和影响较大，主要体现在车辆维护过程中，不同工作阶段的车辆都存在部分特征会变化，比如开车门、开引擎盖、开后备箱、工作人员遮挡、车身对日光灯反光、车辆被抬升不同高度和杂乱的现场等干扰，检测算法会存在误报和漏报的问题。
基于深度学习的车辆检测和分类算法，为解决检测算法准确率不高的问题，增加目标的二次识别，在二次识别中对车辆属性进行分类，最后结合目标检测和分类识别的结果，确认车辆目标。图3是根据本发明实施例的基于人工智能的4S店停车检测方法的流程图，如图3所示，包括：
步骤S301，视频输入，其中，该视频是通过摄像头针对4S店的工作台上采集的；
步骤S302，主识别模型，通过目标检测算法模型，输出检测目标的置信度和坐标，考虑到4S店的训练素材数量不够大的情况，可以通过相似场景的素材训练，具体包括：
S3021，基于室内停车场图像训练，得到第一检测模型（对应上述目标神经网络模型），具体的，训练素材，由于维修车间场景的点位有限，素材量限制太多，可以通过基于相似相机高度的室内停车场场景，室内停车场图像包括停车位上车头正对相机的图像和车尾正对相机的图像，先训练一个稳定的模型，然后再针对4S店维修车间的场景，做模型Finetune，即分两次训练。基于写字楼或商场的4万张以上用来训练模型，训练到loss收敛，该模型对正常场景下的车辆特征已学习到，完成第一检测模型输出。
S3022，针对4S店场景图像训练，并调整权重，得到目标检测模型，具体的，只训练工作车间的素材，收集1万张以上实际工作台的车位，保持上述网络模型和训练好的参数，继续训练只包含工作台场景的训练集，收敛后可输出模型，得到目标识别神经网络模型。算法模型的训练，使用DARKNET框架训练模型，由于每个检测目标都较大，对模型建议降低CNN网络输入的分辨率和减少卷积层数，这样可节省占有系统内存，并减少模型计算耗时，对系统计算能力要求越低，越减少设备成本。模型网络输入不限形状，正方形和长方形都可以，为了保留图像更多特征，建议长度和宽度分别大于112像素，下采样4次以上，网络深度可控制9~12层，要求保证检测层的感受野覆盖完整目标。模型的损失函数（对应上述第一损失函数）：
其中，f为所述第一损失函数，n为最后检测层包含的预测网格数，max表示检测层包括的预测网格总数，
为第一权重，
为第二权重，
为目标对象的预测结果，
为类别的预测结果，
为坐标回归确定结果，
为背景的预测结果。
训练过程中，调整权重
和
的比例，当训练标准室内停车场场景时，比例为1:1，基于前面的模型，再训练4S店维修车间场景时，调整权重范围10:1，这样可提高模型的召回率，减少场景等背景干扰对模型权重的影响。
S3023，输出大于过滤阈值的目标，具体的，检查模型的过滤阈值可以是0.3，主识别对目标置信度大于0.3的目标，接下来做二次识别，0.3的阈值保证了目标可以全部检出，但是会包含部分误报，对于误报的部分，通过下面的介绍来过滤。
S303，二次识别模型，即车辆分类算法，对主识别的检测结果，在原图进行扣图，做属性分类，经过训练，得到目标分类卷积神经网络模型。分类包括4个类型，车头、车尾、开箱和其它，具体分类原因描述如下，4S店场景的维修台，车辆保养过程中，车辆会被升降机抬高和下降，这样不同高度，相机看到特征会不同，车辆在起降前，相机俯视目标，可见完整的车身、车头或车尾，但是当车辆被逐渐抬到最高时，基本与相机的高度水平，此时不见车身，只可见车头或者车尾，所以，分类时首先考虑了增加车头和车尾的类型；另外，车辆在保养过程中，还有一种情况，比如车辆维修过程中后备箱或引擎盖打开，此时不适合车头和车尾类型，所以继续增加一个类型是开箱；最后，主识别检查算法受地面干扰或维修工具等场景影响产生的误报，要经过分类算法，用来过滤这些不是车辆相关的类型，所以再增加一个误报的类型是其它。训练素材，对4S店维修的车辆，扣出原图2万个目标。分类模型，包含三个部分，一个是骨干层网络，使用4层卷积网络，一个是扩展网络，使用两个Inception架构，在Inception网络中，对卷积分别设置1*1，3*3 和5*5的并行网络，最终融合到一起，目的是解决车辆在维修过程中，特征变化较大时，卷积网络对特征更好的学习，最后一个是分类层，使用Softmax分类，计算每类的置信度的损失函数如下：
其中，g对应上述的第二损失函数，i表示车头、车尾、开箱或其他，分类输出置信度值，取最大置信度的类，应用下面的车辆上报策略。
步骤S304，计算总置信度，设置主识别和二次识别的权重，权重对置信度，通过以下公式：
即主识别权重*车检目标置信度+二次识别权重*分类置信度最大值。
参考项目实际应用，设置两个权重比的范围1:1到1.2:1，权重和相加为1，以默认值权重0.5为例。
步骤S305，判断总置信度是否大于或等于预设阈值，在判断结果为是的情况下，执行步骤S306，否则执行S307。
步骤S306，上报有车辆，如果总置信度大于或等于0.6，表示识别的目标是车辆。
步骤S307，上报无车。
对于4S店工作车间或工作台，使用基于深度学习的视频检测算法，实现对维修车辆的识别。
精简的车检模型设计，降低对平台性能的要求，减少设备成本。一种模型训练方法，对特征大尺度变化后，保证目标识别稳定。针对4S店场景，在保养不同阶段，归纳车辆表现的不同特征来分类，保证二次识别的准确率。通过主识别和二次识别，主识别保证所有目标都被识别出，二次识别由于过滤误报目标，最终结合两次识别结果的置信度，优选车辆目标。
实施例2
根据本发明的另一个实施例，还提供了一种车辆检测处理装置，图4是根据本发明实施例的车辆检测处理装置的框图，如图4所示，包括：
第一输入模块42，用于将待识别图像输入到预先训练好的目标识别神经网络模型中，得到目标识别结果的目标置信度和目标坐标；
抠图模块44，用于根据所述目标识别结果和所述目标坐标对所述目标图像进行抠图，得到目标对象；
第二输入模块46，用于将所述目标对象输入预先训练好的目标分类卷积神经网络模型中，得到所述目标对象的目标分类结果的目标置信度；
确定模块48，用于根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述待识别图像的车辆检测结果。
可选地，所述第一输入模块42包括：
第一输入子模块，用于将所述待识别图像输入到所述目标识别神经网络模型中，得到所述目标识别神经网络模型输出的所述待识别图像对应的识别结果的置信度和坐标；
第一确定子模块，用于将所述置信度大于第一预设阈值的识别结果确定为所述目标识别结果，且将所述目标识别结果对应的坐标确定为所述目标坐标。
可选地，所述第二输入模块46包括：
第二输入子模块，用于将所述目标对象输入所述目标分类卷积神经网络模型中，得到所述目标分类卷积神经网络模型输出的所述目标对象对应的分类结果的置信度；
第二确定子模块，用于将最大所述置信度对应的所述分类结果确定为所述目标分类结果，且将所述目标分类结果对应的置信度确定为所述目标置信度。
可选地，所述装置还包括：
第一获取模块，用于获取第一预定数量的室内停车场图像、以及所述室内停车场图像实际对应的识别结果；
第一训练模块，用于使用所述第一预定数量的室内停车场图像、以及所述室内停车场图像实际对应的识别结果对原始神经网络模型进行训练，得到所述目标识别神经网络模型，其中，所述第一预定数量的室内停车场图像为所述原始神经网络模型的输入，训练好的所述目标识别神经网络模型输出的所述目标图像对应的目标识别结果与所述目标图像实际对应的识别结果满足第一损失函数；
第二获取模块，用于获取车辆保养过程中的第二预定数量的车辆图像、以及所述车辆图像实际对应的识别结果；
第二训练模块，用于使用所述第二预定数量的车辆图像、以及所述车辆图像实际对应的识别结果对所述目标神经网络模型继续进行训练，得到所述目标识别神经网络模型，其中，所述第二预定数量的车辆图像为所述目标神经网络模型的输入，训练好的所述目标识别神经网络模型输出的所述目标图像对应的目标识别结果与所述目标图像实际对应的识别结果满足所述第一损失函数。
可选地，所述装置还包括：
提取模块，用于提取所述第一预定数量的室内停车场图像中的车辆以及所述车辆实际对应的分类结果，并提取所述第二预定数量的车辆图像中的车辆以及所述车辆实际对应的分类结果，其中，所述分类结果包括车头、车尾、开箱以及其他；
第三训练模块，用于使用所述第一预定数量的室内停车场图像中的车辆以及所述车辆实际对应的分类结果，所述第二预定数量的车辆图像中的车辆以及所述车辆实际对应的分类结果对原始卷积神经网络模型进行训练，得到所述目标分类卷积神经网络模型，其中，所述第一预定数量的室内停车场图像中的车辆、所述第二预定数量的车辆图像中的车辆为所述原始卷积神经网络模型的输入，训练好的所述目标分类卷积神经网络模型输出的所述目标对象对应的目标分类结果与所述目标对象实际对应的分类结果满足第二损失函数。
可选地，所述第三训练模块包括：
提取子模块，用于分别提取所述第一预定数量的室内停车场图像中的车辆、所述第二预定数量的车辆图像中的车辆的特征向量；
训练子模块，用于将所述第一预定数量的室内停车场图像中的车辆、所述第二预定数量的车辆图像中的车辆的特征向量输入到所述原始卷积神经网络模型的卷积网络、扩展网络以及Softmax层，对原始卷积神经网络模型进行训练，得到所述目标分类卷积神经网络模型。
可选地，所述确定模块48包括：
第三确定子模块，用于通过以下方式根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述目标图像的车辆检测结果的总置信度：
第四确定子模块，用于若所述C大于或等于第二预设阈值，确定所述车辆检测结果为车辆；
第五确定子模块，用于若所述C小于所述第二预设阈值，确定所述车辆检测结果为非车辆。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，将待识别图像输入到预先训练好的目标识别神经网络模型中，得到目标识别结果的目标置信度和目标坐标；
S2，根据所述目标识别结果和所述目标坐标对所述目标图像进行抠图，得到目标对象；
S3，将所述目标对象输入预先训练好的目标分类卷积神经网络模型中，得到所述目标对象的目标分类结果的目标置信度；
S4，根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述待识别图像的车辆检测结果。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器（Read-Only Memory，简称为ROM）、随机存取存储器（Random Access Memory，简称为RAM）、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
实施例4
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，将待识别图像输入到预先训练好的目标识别神经网络模型中，得到目标识别结果的目标置信度和目标坐标；
S2，根据所述目标识别结果和所述目标坐标对所述目标图像进行抠图，得到目标对象；
S3，将所述目标对象输入预先训练好的目标分类卷积神经网络模型中，得到所述目标对象的目标分类结果的目标置信度；
S4，根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述待识别图像的车辆检测结果。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种车辆检测处理方法，其特征在于，包括：
将待识别图像输入到预先训练好的目标识别神经网络模型中，得到目标识别结果的目标置信度和目标坐标；
根据所述目标识别结果和所述目标坐标对所述目标图像进行抠图，得到目标对象；
将所述目标对象输入预先训练好的目标分类卷积神经网络模型中，得到所述目标对象的目标分类结果的目标置信度；
根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述待识别图像的车辆检测结果。
2.根据权利要求1所述的方法，其特征在于，将所述待识别图像输入到预先训练好的目标识别神经网络模型中，得到所述目标识别结果的目标置信度和目标坐标包括：
将所述待识别图像输入到所述目标识别神经网络模型中，得到所述目标识别神经网络模型输出的所述待识别图像对应的识别结果的置信度和坐标；
将所述置信度大于第一预设阈值的识别结果确定为所述目标识别结果，且将所述目标识别结果对应的坐标确定为所述目标坐标。
3.根据权利要求1所述的方法，其特征在于，将所述目标对象输入预先训练好的目标分类卷积神经网络模型中，得到所述目标对象的目标分类结果的目标置信度包括：
将所述目标对象输入所述目标分类卷积神经网络模型中，得到所述目标分类卷积神经网络模型输出的所述目标对象对应的分类结果的置信度；
将最大所述置信度对应的所述分类结果确定为所述目标分类结果，且将所述目标分类结果对应的置信度确定为所述目标置信度。
4.根据权利要求1所述的方法，其特征在于，在将所述待识别图像输入到预先训练好的目标识别神经网络模型中，得到所述目标识别结果的目标置信度和目标坐标之前，所述方法还包括：
获取第一预定数量的室内停车场图像、以及所述室内停车场图像实际对应的识别结果；
使用所述第一预定数量的室内停车场图像、以及所述室内停车场图像实际对应的识别结果对原始神经网络模型进行训练，得到目标神经网络模型，其中，所述第一预定数量的室内停车场图像为所述原始神经网络模型的输入，训练好的所述目标神经网络模型输出的所述目标图像对应的目标识别结果与所述目标图像实际对应的识别结果满足第一损失函数；
获取车辆保养过程中的第二预定数量的车辆图像、以及所述车辆图像实际对应的识别结果；
使用所述第二预定数量的车辆图像、以及所述车辆图像实际对应的识别结果对所述目标神经网络模型继续进行训练，得到所述目标识别神经网络模型，其中，所述第二预定数量的车辆图像为所述目标神经网络模型的输入，训练好的所述目标识别神经网络模型输出的所述目标图像对应的目标识别结果与所述目标图像实际对应的识别结果满足所述第一损失函数。
5.根据权利要求4所述的方法，其特征在于，在将所述目标对象输入预先训练好的目标分类卷积神经网络模型中，得到所述目标对象的目标分类结果的目标置信度之前，所述方法还包括：
提取所述第一预定数量的室内停车场图像中的车辆以及所述车辆实际对应的分类结果，并提取所述第二预定数量的车辆图像中的车辆以及所述车辆实际对应的分类结果，其中，所述分类结果包括车头、车尾、开箱以及其他；
使用所述第一预定数量的室内停车场图像中的车辆以及所述车辆实际对应的分类结果，所述第二预定数量的车辆图像中的车辆以及所述车辆实际对应的分类结果对原始卷积神经网络模型进行训练，得到所述目标分类卷积神经网络模型，其中，所述第一预定数量的室内停车场图像中的车辆、所述第二预定数量的车辆图像中的车辆为所述原始卷积神经网络模型的输入，训练好的所述目标分类卷积神经网络模型输出的所述目标对象对应的目标分类结果与所述目标对象实际对应的分类结果满足第二损失函数。
6.根据权利要求5所述的方法，其特征在于，使用所述第一预定数量的室内停车场图像中的车辆以及所述车辆实际对应的分类结果，所述第二预定数量的车辆图像中的车辆以及所述车辆实际对应的分类结果对原始卷积神经网络模型进行训练，得到所述目标分类卷积神经网络模型包括：
分别提取所述第一预定数量的室内停车场图像中的车辆、所述第二预定数量的车辆图像中的车辆的特征向量；
将所述第一预定数量的室内停车场图像中的车辆、所述第二预定数量的车辆图像中的车辆的特征向量输入到所述原始卷积神经网络模型的卷积网络、扩展网络以及Softmax层，对原始卷积神经网络模型进行训练，得到所述目标分类卷积神经网络模型。
7.根据权利要求1至6中任一项所述的方法，其特征在于，根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述待识别图像的车辆检测结果包括：
通过以下方式根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述目标图像的车辆检测结果的总置信度；
若所述C大于或等于第二预设阈值，确定所述车辆检测结果为车辆；
若所述C小于所述第二预设阈值，确定所述车辆检测结果为非车辆。
8.一种车辆检测处理装置，其特征在于，包括：
第一输入模块，用于将待识别图像输入到预先训练好的目标识别神经网络模型中，得到目标识别结果的目标置信度和目标坐标；
抠图模块，用于根据所述目标识别结果和所述目标坐标对所述目标图像进行抠图，得到目标对象；
第二输入模块，用于将所述目标对象输入预先训练好的目标分类卷积神经网络模型中，得到所述目标对象的目标分类结果的目标置信度；
确定模块，用于根据所述目标检测结果的目标置信度与所述目标分类结果的目标置信度确定所述待识别图像的车辆检测结果。
9.一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7中任一项所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010482281.4A CN111382808A (zh) | 2020-05-29 | 2020-05-29 | 一种车辆检测处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010482281.4A CN111382808A (zh) | 2020-05-29 | 2020-05-29 | 一种车辆检测处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111382808A true CN111382808A (zh) | 2020-07-07 |
Family
ID=71220439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010482281.4A Pending CN111382808A (zh) | 2020-05-29 | 2020-05-29 | 一种车辆检测处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111382808A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783718A (zh) * | 2020-07-10 | 2020-10-16 | 浙江大华技术股份有限公司 | 目标对象状态识别方法、装置、存储介质及电子装置 |
| CN111833372A (zh) * | 2020-07-23 | 2020-10-27 | 浙江大华技术股份有限公司 | 一种前景目标提取方法及装置 |
| CN112036474A (zh) * | 2020-08-28 | 2020-12-04 | 光大科技有限公司 | 一种基于深度学习的风险确定方法及装置 |
| CN112329772A (zh) * | 2020-11-06 | 2021-02-05 | 浙江大搜车软件技术有限公司 | 车辆部件识别方法、装置、电子装置和存储介质 |
| CN113033496A (zh) * | 2021-04-30 | 2021-06-25 | 北京小马慧行科技有限公司 | 车辆类型的确定方法及装置 |
| CN114021705A (zh) * | 2022-01-04 | 2022-02-08 | 浙江大华技术股份有限公司 | 模型的精度确定方法以及相关装置、设备 |
| CN116935659A (zh) * | 2023-09-12 | 2023-10-24 | 四川遂广遂西高速公路有限责任公司 | 一种高速服务区卡口车辆稽核系统及其方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022300A (zh) * | 2016-06-02 | 2016-10-12 | 中国科学院信息工程研究所 | 基于级联深度学习的交通标志识别方法和系统 |
| CN109871730A (zh) * | 2017-12-05 | 2019-06-11 | 杭州海康威视数字技术股份有限公司 | 一种目标识别方法、装置及监控设备 |
| CN111209774A (zh) * | 2018-11-21 | 2020-05-29 | 杭州海康威视数字技术股份有限公司 | 目标行为识别及显示方法、装置、设备、可读介质 |
-
2020
- 2020-05-29 CN CN202010482281.4A patent/CN111382808A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022300A (zh) * | 2016-06-02 | 2016-10-12 | 中国科学院信息工程研究所 | 基于级联深度学习的交通标志识别方法和系统 |
| CN109871730A (zh) * | 2017-12-05 | 2019-06-11 | 杭州海康威视数字技术股份有限公司 | 一种目标识别方法、装置及监控设备 |
| CN111209774A (zh) * | 2018-11-21 | 2020-05-29 | 杭州海康威视数字技术股份有限公司 | 目标行为识别及显示方法、装置、设备、可读介质 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783718A (zh) * | 2020-07-10 | 2020-10-16 | 浙江大华技术股份有限公司 | 目标对象状态识别方法、装置、存储介质及电子装置 |
| CN111833372A (zh) * | 2020-07-23 | 2020-10-27 | 浙江大华技术股份有限公司 | 一种前景目标提取方法及装置 |
| CN112036474A (zh) * | 2020-08-28 | 2020-12-04 | 光大科技有限公司 | 一种基于深度学习的风险确定方法及装置 |
| CN112329772A (zh) * | 2020-11-06 | 2021-02-05 | 浙江大搜车软件技术有限公司 | 车辆部件识别方法、装置、电子装置和存储介质 |
| CN112329772B (zh) * | 2020-11-06 | 2024-03-05 | 浙江大搜车软件技术有限公司 | 车辆部件识别方法、装置、电子装置和存储介质 |
| CN113033496A (zh) * | 2021-04-30 | 2021-06-25 | 北京小马慧行科技有限公司 | 车辆类型的确定方法及装置 |
| CN114021705A (zh) * | 2022-01-04 | 2022-02-08 | 浙江大华技术股份有限公司 | 模型的精度确定方法以及相关装置、设备 |
| CN116935659A (zh) * | 2023-09-12 | 2023-10-24 | 四川遂广遂西高速公路有限责任公司 | 一种高速服务区卡口车辆稽核系统及其方法 |
| CN116935659B (zh) * | 2023-09-12 | 2023-12-08 | 四川遂广遂西高速公路有限责任公司 | 一种高速服务区卡口车辆稽核系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111382808A (zh) | 一种车辆检测处理方法及装置 | |
| CN110991311A (zh) | 一种基于密集连接深度网络的目标检测方法 | |
| CN104063686B (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
| CN112418360B (zh) | 卷积神经网络的训练方法、行人属性识别方法及相关设备 | |
| CN111091101B (zh) | 基于一步法的高精度行人检测方法、系统、装置 | |
| CN111160202A (zh) | 基于ar设备的身份核验方法、装置、设备及存储介质 | |
| WO2021027157A1 (zh) | 基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质 | |
| CN109784171A (zh) | 车辆定损图像筛选方法、装置、可读存储介质及服务器 | |
| CN113159300A (zh) | 图像检测神经网络模型及其训练方法、图像检测方法 | |
| CN110287888A (zh) | 一种台标识别方法及系统 | |
| CN111881958A (zh) | 车牌分类识别方法、装置、设备及存储介质 | |
| CN109167998A (zh) | 检测相机状态的方法及装置、电子设备、存储介质 | |
| CN111027534A (zh) | 一种紧凑双车牌检测方法及装置 | |
| CN111126264A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN111242183A (zh) | 基于注意力机制的图像识别分类方法及装置 | |
| CN112863195B (zh) | 车辆状态的确定方法及装置 | |
| CN112631333B (zh) | 无人机的目标跟踪方法、装置及图像处理芯片 | |
| CN112597995B (zh) | 车牌检测模型训练方法、装置、设备及介质 | |
| CN113077018A (zh) | 一种目标对象识别方法、装置、存储介质及电子装置 | |
| CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和系统 | |
| CN115830342A (zh) | 检测框的确定方法、装置、存储介质及电子装置 | |
| CN105956595A (zh) | 图像特征提取方法及系统 | |
| CN113989626B (zh) | 一种基于目标检测模型的多类别垃圾场景区分方法 | |
| US20220405527A1 (en) | Target Detection Methods, Apparatuses, Electronic Devices and Computer-Readable Storage Media | |
| CN112738725B (zh) | 半封闭区域目标人群的实时识别方法、装置、设备和介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200707 |
|
| RJ01 | Rejection of invention patent application after publication |