CN111539337A - 车辆姿态矫正方法、装置及设备 - Google Patents
车辆姿态矫正方法、装置及设备 Download PDFInfo
- Publication number
- CN111539337A CN111539337A CN202010337210.5A CN202010337210A CN111539337A CN 111539337 A CN111539337 A CN 111539337A CN 202010337210 A CN202010337210 A CN 202010337210A CN 111539337 A CN111539337 A CN 111539337A
- Authority
- CN
- China
- Prior art keywords
- image
- corrected
- vehicle
- images
- posture correction
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims description 57
- 238000010586 diagram Methods 0.000 claims description 43
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000036544 posture Effects 0.000 description 87
- 230000006399 behavior Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种车辆姿态矫正方法、装置及设备,所述方法包括:获取待矫正图像,基于姿态矫正模型,对待矫正图像中包含的车辆的姿态进行矫正,得到矫正图像,对矫正图像进行重识别,确定矫正图像中包含的车辆是否涉及到违规行驶。本实施例提高了车辆重识别技术的识别准确率,进而提高了检测车辆是否违规行驶的准确率。
Description
技术领域
本发明实施例涉及智能交通技术领域,尤其涉及一种车辆姿态矫正方法、装置及设备。
背景技术
车辆违规行驶是很常见的交通违规事件,据统计有超过一半的交通事故都和车辆违规行驶有关系,车辆违规行驶不仅给自己带来安全隐患,还会威胁到其他群众的生命安全,因此车辆违规行驶的检测具有重要的实际意义。
现有技术中,一般是通过车辆重识别技术来检测车辆是否有违规行驶行为。具体过程为对不同摄像头拍摄的视频或图像中的车辆进行处理,判断是否为同一车辆对象,然后再根据同一车辆的运行轨迹确定车辆是否有违规行驶行为。
然而,由于车辆在行驶过程中姿态具有多样性,车辆重识别技术的识别准确率较低,进而影响了检测车辆是否违规行驶的准确率。
发明内容
本发明实施例提供一种车辆姿态矫正方法、装置及设备,以提高车辆重识别技术的识别准确率,进而提高了检测车辆是否违规行驶的准确率。
第一方面,本发明实施例提供一种车辆姿态矫正方法,包括:获取待矫正图像;基于姿态矫正模型,对所述待矫正图像中包含的车辆的姿态进行矫正,得到矫正图像;对所述矫正图像进行重识别,确定所述矫正图像中包含的车辆是否涉及到违规行驶。
可选的,还包括训练得到姿态矫正模型的步骤:获取训练样本集,其中,所述训练样本集中包括若干组标准图像和待训练图像,每组标准图像和待训练图像中包含的车辆为同一车辆;将所述训练样本集输入至卷积神经网络模型中进行训练,得到所述姿态矫正模型。
可选的,在所述获取训练样本集之前,还包括:对所述训练样本集中每组标准图像和待训练图像的尺寸进行调整。
可选的,所述将所述训练样本集输入至卷积神经网络模型中进行训练,得到所述姿态矫正模型,包括:将每组标准图像和待训练图像输入至卷积神经网络模型中进行训练,得到所述待训练图像对应的特征图;基于所述待训练图像对应的特征图确定每组训练样本中的待训练图像与对应的标准图像之间的差异信息;根据每组训练样本对应的差异信息调整所述卷积神经网络模型,得到所述姿态矫正模型。
可选的,所述基于姿态矫正模型,对所述待矫正图像中包含的车辆的姿态进行矫正,得到矫正图像,包括:基于姿态矫正模型,确定所述待矫正图像对应的特征图;基于所述待矫正图像对应的特征图,确定所述待矫正图像对应的差异信息;根据所述待矫正图像对应的差异信息对所述待矫正图像中包含的车辆的姿态进行矫正,得到矫正图像。
可选的,所述卷积神经网络模型为超分辨网络模型SRResNet,所述基于姿态矫正模型,确定所述待矫正图像对应的特征图,包括:将所述待矫正图像输入至一层卷积层和激活函数层,得到第一初始特征图;将所述第一初始特征图输入至残差块层,得到第二初始特征图;将所述第二初始特征图输入至一层卷积层和一个批量标注化BN层,得到第三初始特征图;对所述第一初始特征图和所述第三初始特征图进行求和处理,得到第四初始特征图;将所述第四初始特征图输入至一层卷积层得到所述待矫正图像对应的特征图。
可选的,所述对所述训练样本集中每组标准图像和待训练图像的尺寸进行调整,包括:将所述训练样本集中每组标准图像和待训练图像的尺寸调整为128x128像素。
第二方面,本发明实施例提供一种车辆姿态矫正装置,包括:获取模块,用于获取待矫正图像;处理模块,用于基于姿态矫正模型,对所述待矫正图像中包含的车辆的姿态进行矫正,得到矫正图像;所述处理模块,还用于对所述矫正图像进行重识别,确定所述矫正图像中包含的车辆是否涉及到违规行驶。
第三方面,本发明实施例提供一种车辆姿态矫正设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如第一方面任一项所述的车辆姿态矫正方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如第一方面任一项所述的车辆姿态矫正方法。
本发明实施例提供了一种车辆姿态矫正方法、装置及设备,该方法通过先获取待矫正图像,再基于姿态矫正模型,对待矫正图像中包含的车辆的姿态进行矫正,得到矫正图像,然而对矫正图像进行重识别,确定矫正图像中包含的车辆是否涉及到违规行驶。采用上述方案后,能通过姿态矫正模型先对待矫正图像进行矫正,然后再对矫正后的图像进行重识别,确定图像中包含的车辆是否涉及到违规行驶,通过将车辆姿态矫正成统一的姿态,提高了车辆重识别技术的识别准确率,进而提高了检测车辆是否违规行驶的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的车辆姿态矫正方法的应用系统的架构示意图;
图2为本发明实施例提供的车辆姿态矫正方法的流程示意图;
图3a为本发明实施例提供的原始网络模型中残差块的结构示意图;
图3b为本发明实施例提供的改进后的网络模型中残差块的结构示意图;
图4为本发明实施例提供的车辆姿态矫正装置的结构示意图;
图5为本发明实施例提供的车辆姿态矫正设备的硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
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”、“第三”“第四”等(如果存在)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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例还能够包括除了图示或描述的那些实例以外的其他顺序实例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有技术中,一般是通过车辆重识别技术来检测车辆是否有违规行驶行为。具体过程为对不同摄像头拍摄的视频或图像中的车辆进行处理,判断是否为同一车辆对象,然后再根据同一车辆的运行轨迹确定车辆是否有违规行驶行为。然而,由于车辆在行驶过程中姿态具有多样性,再利用重识别技术对图像进行识别的过程中,可能造成本来是同一辆车但是却识别不出来的情况,车辆重识别技术的识别准确率较低。而判断车辆是否违规是基于重识别技术识别出的车辆姿态进行判断的,若车辆重识别的识别准确率低,也对应着影响了检测车辆是否违规行驶的准确率。
基于上述问题,本发明通过预先训练一姿态矫正模型,在对车辆图像进行重识别之前,先基于姿态矫正模型对车辆图像进行姿态矫正,然后再对矫正后的车辆图像进行重识别,达到了提高车辆重识别准确率的目的,进而也提高了检测车辆是否违规行驶的准确率。
图1为本发明实施例提供的车辆姿态矫正方法的应用系统的架构示意图,如图1所示,该系统主要包括图像数据库和服务器,本示意图中以图像数据库101和服务器102为例。其中,图像数据库101中存储有待矫正图像。待矫正图像为道路上安装的监控设备监控的道路图像和道路视频,其中,道路视频中包括多帧连续的道路图像。服务器102中存储有训练好的姿态矫正模型。服务器102可以从数据库101中获取待矫正图像,再对待矫正图像进行处理,最终确定待矫正图像中包含的车辆是否涉及到违规行驶。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本发明实施例提供的车辆姿态矫正方法的流程示意图,本实施例的方法可以由服务器102执行。如图2所示,本实施例的方法,可以包括:
S201:获取待矫正图像。
在本实施例中,在对图像进行矫正之前,需要先从存储待矫正图像的数据库中获取待矫正图像。其中,待矫正图像可以是连续的多帧图像,也可以是不连续的多帧图像,还可以为一帧图像。此外,待矫正图像还可以是从道路监控视频中截取的图像。
S202:基于姿态矫正模型,对所述待矫正图像中包含的车辆的姿态进行矫正,得到矫正图像。
在本实施例中,在获取到待矫正图像之后,为了提高图像重识别的准确性,可以先基于预先训练好的姿态矫正模型,对待矫正图像进行矫正。在对待矫正图像进行矫正时,涉及到的待矫正图像可能有两种:一种为图像内容中包含车辆的待矫正图像,另一种为图像内容中不包含车辆的待矫正图像。
对于图像内容中包含车辆的待矫正图像,基于训练好的姿态矫正模型对待矫正图像中包含的车辆的姿态进行矫正,得到车辆姿态符合预设姿态标准的矫正图像。其中,预设姿态标准可以为车辆过停止线之前的最近一帧图像中的车辆姿态为准。对应的,姿态矫正模型也是基于车辆过停止线之前的那帧图像的样本集进行训练的。
对于图像内容中不包含车辆的待矫正图像,由于待矫正图像中不包含车辆,姿态矫正模型在识别不到车辆时,可直接忽视该待矫正图像,提高了姿态矫正模型的处理效率。
S203:对所述矫正图像进行重识别,确定所述矫正图像中包含的车辆是否涉及到违规行驶。
在本实施例中,在得到矫正图像之后,矫正图像中的车辆的姿态已经符合预设姿态标准,然后再基于重识别技术对矫正图像进行识别,确定矫正图像中包含的车辆是否涉及到违规行驶,提高了重识别技术的识别准确率。利用重识别技术确定矫正图像中包含的车辆是否涉及到违规行驶在现有技术中有多种实现方式,在此不再具体进行限定。
采用上述方案后,能通过姿态矫正模型先对待矫正图像进行矫正,然后再对矫正后的图像进行重识别,确定图像中包含的车辆是否涉及到违规行驶,通过将车辆姿态矫正成统一的姿态,提高了车辆重识别技术的识别准确率,进而提高了检测车辆是否违规行驶的准确率。
基于图2的方法,本说明书实施例还提供了该方法的一些具体实施方案,下面进行说明。
在一个具体实施方式中,还包括训练得到姿态矫正模型的步骤:
获取训练样本集,其中,所述训练样本集中包括若干组标准图像和待训练图像,每组标准图像和待训练图像中包含的车辆为同一车辆。
将所述训练样本集输入至卷积神经网络模型中进行训练,得到所述姿态矫正模型。
在本实施例中,在对姿态矫正模型进行训练时,获取的训练样本集中包括多组训练样本,每组训练样本中包括一张标准图像和一张待训练图像。其中,每组样本中标准图像和待训练图像中包含的车辆为同一车辆。
继续以前述例子为例,标准图像为车辆过停止线之前的最近一帧图像,定义为s1,待训练图像为按照特定现场规则选取出的车辆行驶过程中的图像,定义为s2。其中,待训练图像可以有多个,则可以依次定义为s3、s4等。然后再以车辆过停止线之前的最近一帧图帧s1作为其他待训练图像的标签来对训练模型进行约束。
此外,在所述获取训练样本集之前,还可以包括:对所述训练样本集中每组标准图像和待训练图像的尺寸进行调整,规范了训练图像的尺寸,进而提高了模型训练的准确性和效率。
其中,将所述训练样本集中每组标准图像和待训练图像的尺寸可以调整为128x128像素。
在一个具体实施方式中,所述将所述训练样本集输入至卷积神经网络模型中进行训练,得到所述姿态矫正模型,可以包括:
将每组标准图像和待训练图像输入至卷积神经网络模型中进行训练,得到所述待训练图像对应的特征图。
基于所述待训练图像对应的特征图确定每组训练样本中的待训练图像与对应的标准图像之间的差异信息。
根据每组训练样本对应的差异信息调整所述卷积神经网络模型,得到所述姿态矫正模型。
在本实施例中,可以采用现有的卷积神经网络模型进行训练,得到姿态矫正模型。其中,卷积神经网络模型可以为超分辨网络模型SRResNet。
在一个具体实施方式中,所述基于姿态矫正模型,对所述待矫正图像中包含的车辆的姿态进行矫正,得到矫正图像,可以包括:
基于姿态矫正模型,确定所述待矫正图像对应的特征图。
基于所述待矫正图像对应的特征图,确定所述待矫正图像对应的差异信息。
根据所述待矫正图像对应的差异信息对所述待矫正图像中包含的车辆的姿态进行矫正,得到矫正图像。
在一个具体实施方式中,所述卷积神经网络模型为超分辨网络模型SRResNet,所述基于姿态矫正模型,确定所述待矫正图像对应的特征图,可以包括:
将所述待矫正图像输入至一层卷积层和激活函数层,得到第一初始特征图。
将所述第一初始特征图输入至残差块层,得到第二初始特征图。
将所述第二初始特征图输入至一层卷积层和一个批量标注化BN层,得到第三初始特征图。
对所述第一初始特征图和所述第三初始特征图进行求和处理,得到第四初始特征图。
将所述第四初始特征图输入至一层卷积层得到所述待矫正图像对应的特征图。
在本实施例中,待矫正图像经过一层卷积和激活函数PReLU层得到特征图x0,即第一初始特征图。接着进入至残差块层,得到特征图x1,即第二初始特征图。在该实施例中,残差块层为16个残差块。
如图3a所示,为本发明实施例提供的原始网络模型中残差块的结构示意图,在该示意图中,残差块的结构为Conv-BN-PReLU-Conv-BN-Elementive_sum。如图3b所示,为本发明实施例提供的改进后的网络模型中残差块的结构示意图,在该示意图中,残差块的结构为Conv-PReLU-Conv-Elementive_sum,移除了卷积层后面的BN(Batch Normalization,批量标注化)层,增大了网络表征特征的范围,提高了模型识别的准确性。
其中,Elementive_sum操作是对残差块的输入特征图和BN层输出的特征图进行对应像素累加。特征图x0经过16个残差块后得到特征图x1,接着x1经过一层卷积和一个BN层得到特征图x2,即第三初始特征图。然后对特征图x0和x2进行Elementive_sum操作得到特征图x3,即第四初始特征图,x3再经过一层卷积得到一张伪真实样本,即待矫正图像对应的特征图。
基于同样的思路,本说明书实施例还提供了上述方法对应的装置,图4为本发明实施例提供的车辆姿态矫正装置的结构示意图,如图4所示,可以包括:
获取模块401,用于获取待矫正图像。
在本实施例中,在对图像进行矫正之前,需要先从存储待矫正图像的数据库中获取待矫正图像。其中,待矫正图像可以是连续的多帧图像,也可以是不连续的多帧图像,还可以为一帧图像。此外,待矫正图像还可以是从道路监控视频中截取的图像。
处理模块402,用于基于姿态矫正模型,对所述待矫正图像中包含的车辆的姿态进行矫正,得到矫正图像。
在本实施例中,在获取到待矫正图像之后,为了提高图像重识别的准确性,可以先基于预先训练好的姿态矫正模型,对待矫正图像进行矫正。在对待矫正图像进行矫正时,涉及到的待矫正图像可能有两种:一种为图像内容中包含车辆的待矫正图像,另一种为图像内容中不包含车辆的待矫正图像。
对于图像内容中包含车辆的待矫正图像,基于训练好的姿态矫正模型对待矫正图像中包含的车辆的姿态进行矫正,得到车辆姿态符合预设姿态标准的矫正图像。其中,预设姿态标准可以为车辆过停止线之前的最近一帧图像中的车辆姿态为准。对应的,姿态矫正模型也是基于车辆过停止线之前的那帧图像的样本集进行训练的。
对于图像内容中不包含车辆的待矫正图像,由于待矫正图像中不包含车辆,姿态矫正模型在识别不到车辆时,可直接忽视该待矫正图像,提高了姿态矫正模型的处理效率。
所述处理模块402,还用于对矫正图像进行重识别,确定所述矫正图像中包含的车辆是否涉及到违规行驶。
在本实施例中,在得到矫正图像之后,矫正图像中的车辆的姿态已经符合预设姿态标准,然后再基于重识别技术对矫正图像进行识别,确定矫正图像中包含的车辆是否涉及到违规行驶,提高了重识别技术的识别准确率。利用重识别技术确定矫正图像中包含的车辆是否涉及到违规行驶在现有技术中有多种实现方式,在此不再具体进行限定。
采用上述方案后,能通过姿态矫正模型先对待矫正图像进行矫正,然后再对矫正后的图像进行重识别,确定图像中包含的车辆是否涉及到违规行驶,通过将车辆姿态矫正成统一的姿态,提高了车辆重识别技术的识别准确率,进而提高了检测车辆是否违规行驶的准确率。
在一个具体实施方式中,所述处理模块,还用于:
获取训练样本集,其中,所述训练样本集中包括若干组标准图像和待训练图像,每组标准图像和待训练图像中包含的车辆为同一车辆。
将所述训练样本集输入至卷积神经网络模型中进行训练,得到所述姿态矫正模型。
在一个具体实施方式中,所述处理模块,还用于:
对所述训练样本集中每组标准图像和待训练图像的尺寸进行调整。
在一个具体实施方式中,所述处理模块,还用于:
将每组标准图像和待训练图像输入至卷积神经网络模型中进行训练,得到所述待训练图像对应的特征图。
基于所述待训练图像对应的特征图确定每组训练样本中的待训练图像与对应的标准图像之间的差异信息。
根据每组训练样本对应的差异信息调整所述卷积神经网络模型,得到所述姿态矫正模型。
在一个具体实施方式中,所述处理模块,还用于:
基于姿态矫正模型,确定所述待矫正图像对应的特征图。
基于所述待矫正图像对应的特征图,确定所述待矫正图像对应的差异信息。
根据所述待矫正图像对应的差异信息对所述待矫正图像中包含的车辆的姿态进行矫正,得到矫正图像。
在一个具体实施方式中,所述卷积神经网络模型为超分辨网络模型SRResNet,所述处理模块,还用于:
将所述待矫正图像输入至一层卷积层和激活函数层,得到第一初始特征图。
将所述第一初始特征图输入至残差块层,得到第二初始特征图。
将所述第二初始特征图输入至一层卷积层和一个批量标注化BN层,得到第三初始特征图。
对所述第一初始特征图和所述第三初始特征图进行求和处理,得到第四初始特征图。
将所述第四初始特征图输入至一层卷积层得到所述待矫正图像对应的特征图。
在一个具体实施方式中,所述处理模块,还用于:
将所述训练样本集中每组标准图像和待训练图像的尺寸调整为128x128像素。
本发明实施例提供的装置,可以实现上述如图2所示的实施例的方法,其实现原理和技术效果类似,此处不再赘述。
图5为本发明实施例提供的车辆姿态矫正设备的硬件结构示意图。如图5所示,本实施例提供的设备500包括:至少一个处理器501和存储器502。其中,处理器501、存储器502通过总线503连接。
在具体实现过程中,至少一个处理器501执行所述存储器502存储的计算机执行指令,使得至少一个处理器501执行上述方法实施例中的方法。
处理器501的具体实现过程可参见上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述的图5所示的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现上述方法实施例的车辆姿态矫正方法。
上述的计算机可读存储介质,上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种车辆姿态矫正方法,其特征在于,包括:
获取待矫正图像;
基于姿态矫正模型,对所述待矫正图像中包含的车辆的姿态进行矫正,得到矫正图像;
对所述矫正图像进行重识别,确定所述矫正图像中包含的车辆是否涉及到违规行驶。
2.根据权利要求1所述的方法,其特征在于,还包括训练得到姿态矫正模型的步骤:
获取训练样本集,其中,所述训练样本集中包括若干组标准图像和待训练图像,每组标准图像和待训练图像中包含的车辆为同一车辆;
将所述训练样本集输入至卷积神经网络模型中进行训练,得到所述姿态矫正模型。
3.根据权利要求2所述的方法,其特征在于,在所述获取训练样本集之前,还包括:
对所述训练样本集中每组标准图像和待训练图像的尺寸进行调整。
4.根据权利要求2所述的方法,其特征在于,所述将所述训练样本集输入至卷积神经网络模型中进行训练,得到所述姿态矫正模型,包括:
将每组标准图像和待训练图像输入至卷积神经网络模型中进行训练,得到所述待训练图像对应的特征图;
基于所述待训练图像对应的特征图确定每组训练样本中的待训练图像与对应的标准图像之间的差异信息;
根据每组训练样本对应的差异信息调整所述卷积神经网络模型,得到所述姿态矫正模型。
5.根据权利要求4所述的方法,其特征在于,所述基于姿态矫正模型,对所述待矫正图像中包含的车辆的姿态进行矫正,得到矫正图像,包括:
基于姿态矫正模型,确定所述待矫正图像对应的特征图;
基于所述待矫正图像对应的特征图,确定所述待矫正图像对应的差异信息;
根据所述待矫正图像对应的差异信息对所述待矫正图像中包含的车辆的姿态进行矫正,得到矫正图像。
6.根据权利要求5所述的方法,其特征在于,所述卷积神经网络模型为超分辨网络模型SRResNet,所述基于姿态矫正模型,确定所述待矫正图像对应的特征图,包括:
将所述待矫正图像输入至一层卷积层和激活函数层,得到第一初始特征图;
将所述第一初始特征图输入至残差块层,得到第二初始特征图;
将所述第二初始特征图输入至一层卷积层和一个批量标注化BN层,得到第三初始特征图;
对所述第一初始特征图和所述第三初始特征图进行求和处理,得到第四初始特征图;
将所述第四初始特征图输入至一层卷积层得到所述待矫正图像对应的特征图。
7.根据权利要求3所述的方法,其特征在于,所述对所述训练样本集中每组标准图像和待训练图像的尺寸进行调整,包括:
将所述训练样本集中每组标准图像和待训练图像的尺寸调整为128x128像素。
8.一种车辆姿态矫正装置,其特征在于,包括:
获取模块,用于获取待矫正图像;
处理模块,用于基于姿态矫正模型,对所述待矫正图像中包含的车辆的姿态进行矫正,得到矫正图像;
所述处理模块,还用于对所述矫正图像进行重识别,确定所述矫正图像中包含的车辆是否涉及到违规行驶。
9.一种车辆姿态矫正设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至7任一项所述的车辆姿态矫正方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至7任一项所述的车辆姿态矫正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010337210.5A CN111539337A (zh) | 2020-04-26 | 2020-04-26 | 车辆姿态矫正方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010337210.5A CN111539337A (zh) | 2020-04-26 | 2020-04-26 | 车辆姿态矫正方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111539337A true CN111539337A (zh) | 2020-08-14 |
Family
ID=71975820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010337210.5A Pending CN111539337A (zh) | 2020-04-26 | 2020-04-26 | 车辆姿态矫正方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539337A (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004234251A (ja) * | 2003-01-29 | 2004-08-19 | Canon Inc | 画像形成装置 |
CN103870832A (zh) * | 2014-03-21 | 2014-06-18 | 浙江宇视科技有限公司 | 车辆整体特征提取方法及车辆型号识别方法 |
CN104699726A (zh) * | 2013-12-18 | 2015-06-10 | 杭州海康威视数字技术股份有限公司 | 一种应用于交通卡口的车辆图像检索方法和装置 |
CN105632175A (zh) * | 2016-01-08 | 2016-06-01 | 上海微锐智能科技有限公司 | 车辆行为分析方法及系统 |
CN106599797A (zh) * | 2016-11-24 | 2017-04-26 | 北京航空航天大学 | 一种基于局部并行神经网络的红外人脸识别方法 |
CN106650687A (zh) * | 2016-12-30 | 2017-05-10 | 山东大学 | 一种基于深度信息和骨骼信息的姿势矫正方法 |
CN106919903A (zh) * | 2017-01-19 | 2017-07-04 | 中国科学院软件研究所 | 一种鲁棒的基于深度学习的连续情绪跟踪方法 |
CN106980854A (zh) * | 2017-03-29 | 2017-07-25 | 珠海习悦信息技术有限公司 | 车牌号码识别方法、装置、存储介质及处理器 |
CN107729818A (zh) * | 2017-09-21 | 2018-02-23 | 北京航空航天大学 | 一种基于深度学习的多特征融合车辆重识别方法 |
CN109360278A (zh) * | 2018-10-31 | 2019-02-19 | 石家庄铁道大学 | 出租车计价方法、系统及服务器 |
US20190158716A1 (en) * | 2018-12-28 | 2019-05-23 | Intel Corporation | Method and system of geolocation and attitude correction for mobile rolling shutter cameras |
CN109829857A (zh) * | 2019-01-22 | 2019-05-31 | 武汉大学 | 一种基于生成对抗网络的倾斜图像的矫正方法及装置 |
CN110047044A (zh) * | 2019-03-21 | 2019-07-23 | 深圳先进技术研究院 | 一种图像处理模型的构建方法、装置及终端设备 |
CN110059593A (zh) * | 2019-04-01 | 2019-07-26 | 华侨大学 | 一种基于反馈卷积神经网络的面部表情识别方法 |
CN110363116A (zh) * | 2019-06-28 | 2019-10-22 | 上海交通大学 | 基于gld-gan的不规则人脸矫正方法、系统及介质 |
CN110490802A (zh) * | 2019-08-06 | 2019-11-22 | 北京观微科技有限公司 | 一种基于超分辨率的卫星影像飞机目标型号识别方法 |
CN110580681A (zh) * | 2019-09-12 | 2019-12-17 | 杭州海睿博研科技有限公司 | 高分辨率心机运动模式分析装置和方法 |
CN110765952A (zh) * | 2019-10-24 | 2020-02-07 | 上海眼控科技股份有限公司 | 车辆违法视频的处理方法、装置及计算机设备 |
CN110909770A (zh) * | 2019-11-05 | 2020-03-24 | 上海眼控科技股份有限公司 | 结合acgan的图像样本处理方法、装置、系统和介质 |
CN110956169A (zh) * | 2018-09-27 | 2020-04-03 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法、装置及电子设备 |
CN111046707A (zh) * | 2018-10-15 | 2020-04-21 | 天津大学青岛海洋技术研究院 | 一种基于面部特征的任意姿态正脸还原网络 |
-
2020
- 2020-04-26 CN CN202010337210.5A patent/CN111539337A/zh active Pending
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004234251A (ja) * | 2003-01-29 | 2004-08-19 | Canon Inc | 画像形成装置 |
CN104699726A (zh) * | 2013-12-18 | 2015-06-10 | 杭州海康威视数字技术股份有限公司 | 一种应用于交通卡口的车辆图像检索方法和装置 |
CN103870832A (zh) * | 2014-03-21 | 2014-06-18 | 浙江宇视科技有限公司 | 车辆整体特征提取方法及车辆型号识别方法 |
CN105632175A (zh) * | 2016-01-08 | 2016-06-01 | 上海微锐智能科技有限公司 | 车辆行为分析方法及系统 |
CN106599797A (zh) * | 2016-11-24 | 2017-04-26 | 北京航空航天大学 | 一种基于局部并行神经网络的红外人脸识别方法 |
CN106650687A (zh) * | 2016-12-30 | 2017-05-10 | 山东大学 | 一种基于深度信息和骨骼信息的姿势矫正方法 |
CN106919903A (zh) * | 2017-01-19 | 2017-07-04 | 中国科学院软件研究所 | 一种鲁棒的基于深度学习的连续情绪跟踪方法 |
CN106980854A (zh) * | 2017-03-29 | 2017-07-25 | 珠海习悦信息技术有限公司 | 车牌号码识别方法、装置、存储介质及处理器 |
CN107729818A (zh) * | 2017-09-21 | 2018-02-23 | 北京航空航天大学 | 一种基于深度学习的多特征融合车辆重识别方法 |
CN110956169A (zh) * | 2018-09-27 | 2020-04-03 | 杭州海康威视数字技术股份有限公司 | 一种车牌识别方法、装置及电子设备 |
CN111046707A (zh) * | 2018-10-15 | 2020-04-21 | 天津大学青岛海洋技术研究院 | 一种基于面部特征的任意姿态正脸还原网络 |
CN109360278A (zh) * | 2018-10-31 | 2019-02-19 | 石家庄铁道大学 | 出租车计价方法、系统及服务器 |
US20190158716A1 (en) * | 2018-12-28 | 2019-05-23 | Intel Corporation | Method and system of geolocation and attitude correction for mobile rolling shutter cameras |
CN109829857A (zh) * | 2019-01-22 | 2019-05-31 | 武汉大学 | 一种基于生成对抗网络的倾斜图像的矫正方法及装置 |
CN110047044A (zh) * | 2019-03-21 | 2019-07-23 | 深圳先进技术研究院 | 一种图像处理模型的构建方法、装置及终端设备 |
CN110059593A (zh) * | 2019-04-01 | 2019-07-26 | 华侨大学 | 一种基于反馈卷积神经网络的面部表情识别方法 |
CN110363116A (zh) * | 2019-06-28 | 2019-10-22 | 上海交通大学 | 基于gld-gan的不规则人脸矫正方法、系统及介质 |
CN110490802A (zh) * | 2019-08-06 | 2019-11-22 | 北京观微科技有限公司 | 一种基于超分辨率的卫星影像飞机目标型号识别方法 |
CN110580681A (zh) * | 2019-09-12 | 2019-12-17 | 杭州海睿博研科技有限公司 | 高分辨率心机运动模式分析装置和方法 |
CN110765952A (zh) * | 2019-10-24 | 2020-02-07 | 上海眼控科技股份有限公司 | 车辆违法视频的处理方法、装置及计算机设备 |
CN110909770A (zh) * | 2019-11-05 | 2020-03-24 | 上海眼控科技股份有限公司 | 结合acgan的图像样本处理方法、装置、系统和介质 |
Non-Patent Citations (3)
Title |
---|
D. ZAPLETAL ET AL: "Vehicle Re-identification for Automatic Video Traffic Surveillance", pages 1568 - 1574 * |
王勋涛: "基于深度学习的多姿态人脸识别研究", vol. 2019, no. 1, pages 138 - 3601 * |
陈云霁等: "《智能计算系统》", 29 February 2020, pages: 96 - 97 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639653B (zh) | 一种误检图像确定方法、装置、设备和介质 | |
CN109800682B (zh) | 驾驶员属性识别方法及相关产品 | |
CN109034086B (zh) | 车辆重识别方法、装置及系统 | |
CN109460787B (zh) | 入侵检测模型建立方法、装置及数据处理设备 | |
CN109784487B (zh) | 用于事件检测的深度学习网络、该网络的训练装置及方法 | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
CN111814776B (zh) | 一种图像处理方法、设备、服务器及存储介质 | |
CN111914656A (zh) | 一种人员行为检测方法、装置、电子设备及存储介质 | |
CN114387591A (zh) | 车牌识别方法、系统、设备及存储介质 | |
CN104573680A (zh) | 图像检测方法、图像检测装置以及交通违法检测系统 | |
CN111914668A (zh) | 一种基于图像增强技术的行人重识别方法、装置及系统 | |
CN115082752A (zh) | 基于弱监督的目标检测模型训练方法、装置、设备及介质 | |
CN110889388A (zh) | 违章识别方法、装置、设备及存储介质 | |
CN110298302B (zh) | 一种人体目标检测方法及相关设备 | |
CN112446375A (zh) | 车牌识别方法、装置、设备及存储介质 | |
CN113903041A (zh) | 文本识别方法、装置、车辆及存储介质 | |
CN111724607B (zh) | 转向灯使用检测方法、装置、计算机设备和存储介质 | |
CN113486856A (zh) | 一种基于语义分割和卷积神经网络的驾驶员不规范行为检测方法 | |
CN111507420A (zh) | 轮胎信息获取方法、装置、计算机设备和存储介质 | |
CN111539337A (zh) | 车辆姿态矫正方法、装置及设备 | |
CN113903014B (zh) | 车道线预测方法、装置及电子设备、计算机可读存储介质 | |
CN113674307B (zh) | 一种目标检测跟踪方法、装置及设备 | |
CN112906495B (zh) | 一种目标检测方法、装置、电子设备及存储介质 | |
CN112784817B (zh) | 车辆所在车道检测方法、装置、设备及存储介质 | |
CN109977937B (zh) | 图像处理方法、装置及设备 |
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 |