CN111553282A - 用于检测车辆的方法和装置 - Google Patents

用于检测车辆的方法和装置 Download PDF

Info

Publication number
CN111553282A
CN111553282A CN202010356239.8A CN202010356239A CN111553282A CN 111553282 A CN111553282 A CN 111553282A CN 202010356239 A CN202010356239 A CN 202010356239A CN 111553282 A CN111553282 A CN 111553282A
Authority
CN
China
Prior art keywords
coordinate
detection frame
information
detection
sample
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.)
Granted
Application number
CN202010356239.8A
Other languages
English (en)
Other versions
CN111553282B (zh
Inventor
杨喜鹏
蒋旻悦
谭啸
孙昊
文石磊
章宏武
丁二锐
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010356239.8A priority Critical patent/CN111553282B/zh
Publication of CN111553282A publication Critical patent/CN111553282A/zh
Priority to KR1020227016264A priority patent/KR20220071284A/ko
Priority to PCT/CN2020/130110 priority patent/WO2021218124A1/zh
Priority to EP20933566.0A priority patent/EP4047511A4/en
Priority to JP2022529400A priority patent/JP7357789B2/ja
Priority to US17/743,410 priority patent/US20220270373A1/en
Application granted granted Critical
Publication of CN111553282B publication Critical patent/CN111553282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了用于检测车辆的方法和装置，涉及计算机视觉领域。具体实现方案为：获取待检测图像；将上述待检测图像输入预先建立的车辆检测模型，得到车辆检测结果，其中，上述车辆检测结果包括检测框的类别信息、坐标信息、坐标可信度和坐标误差信息，上述车辆检测模型用于表征图像与车辆检测结果的对应关系；根据检测框的坐标可信度，从上述车辆检测结果中选取检测框作为待处理检测框；基于上述待处理检测框的坐标信息和坐标误差信息，生成处理后检测框的坐标信息。该实施方式提高了检测框的坐标信息的准确性，减少了由于车辆检测模型的检测不准造成的检测错误。

Description

用于检测车辆的方法和装置
技术领域
本公开实施例涉及计算机技术领域，具体涉及计算机视觉技术。
背景技术
近年来，随着交通车辆数量高速增长，交通监管面临巨大挑战。车辆目标检测作为构建交通状况视频监控的一项关键技术，受到了国内外研究者的广泛关注。通常，在对实际道路场景进行监控时，会遇到车辆太长导致检测不准的情况。举例来说，城市道路中的挂车，通常用于检测车辆的检测模型在训练时所使用的训练集中挂车图像数量有限，这会导致检测模型的检测出现检测框只框住车头或者只框住车辆的后挂部分的情况。实际同一个车被检测模型判断成两个或多个车。
发明内容
提供了一种用于检测车辆的方法和装置。
根据第一方面，提供了一种用于检测车辆的方法，该方法包括：获取待检测图像；将上述待检测图像输入预先建立的车辆检测模型，得到车辆检测结果，其中，上述车辆检测结果包括检测框的类别信息、坐标信息、坐标可信度和坐标误差信息，上述车辆检测模型用于表征图像与车辆检测结果的对应关系；根据检测框的坐标可信度，从上述车辆检测结果中选取检测框作为待处理检测框；基于上述待处理检测框的坐标信息和坐标误差信息，生成处理后检测框的坐标信息。
根据第二方面，提供了一种用于检测车辆的装置，该装置包括：获取单元，被配置成获取待检测图像；输入单元，被配置成将上述待检测图像输入预先建立的车辆检测模型，得到车辆检测结果，其中，上述车辆检测结果包括检测框的类别信息、坐标信息、坐标可信度和坐标误差信息，上述车辆检测模型用于表征图像与车辆检测结果的对应关系；选取单元，被配置成根据检测框的坐标可信度，从上述车辆检测结果中选取检测框作为待处理检测框；生成单元，被配置成基于上述待处理检测框的坐标信息和坐标误差信息，生成处理后检测框的坐标信息。
根据第三方面，提供了一种电子设备，其特征在于，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行如第一方面中任一项上述的方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，上述计算机指令用于使上述计算机执行如第一方面中任一项上述的方法。
根据本申请的技术方案，可以基于检测框的坐标可信度和坐标误差信息，对车辆检测模型输出的检测框的坐标信息做进一步的处理，生成处理后检测框的坐标信息，从而提高了检测框的坐标信息的准确性，减少了由于车辆检测模型的检测不准造成的检测错误。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本公开的用于检测车辆的方法的一个实施例的流程图；
图2是根据本本公开的用于检测车辆的方法的一个应用场景的示意图；
图3是根据本公开的用于检测车辆的方法的又一个实施例的流程图；
图4是根据本公开的用于检测车辆的装置的一个实施例的结构示意图；
图5是用来实现本申请实施例的用于检测车辆的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
如图1所示，图1示出了根据本公开的用于检测车辆的方法的一个实施例的流程图100。该用于检测车辆的方法，包括以下步骤：
S101，获取待检测图像。
在本实施例中，用于检测车辆的方法的执行主体可以通过有线连接方式或无线连接方式从图像采集设备(例如，相机、摄像头等)获取待检测图像。其中，上述待检测图像可以包含车辆图像。作为示例，上述待检测图像可以是包含车辆的道路图像。举例来说，待检测图像可以是道路监控摄像头所拍摄的图像。
这里，上述执行主体可以是具有图像检测功能的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
S102，将待检测图像输入预先建立的车辆检测模型，得到车辆检测结果。
在本实施例中，上述执行主体内部可以预先建立有车辆检测模型，该车辆检测模型可以用于表征图像与车辆检测结果的对应关系。作为示例，上述车辆检测模型可以包括特征提取网络和对应关系表。其中，特征提取网络可以用于对输入到车辆检测模型的图像进行特征提取，得到特征向量。对应关系表可以是技术人员基于对大量的特征向量和车辆检测结果的统计而预先制定的、存储有多个特征向量与车辆检测结果的对应关系的表。这样，车辆检测模型首先可以使用特征提取网络提取所接收的图像的特征向量，并将提取的特征向量作为目标特征向量。之后，将目标特征向量与对应关系表中的多个特征向量依次进行比较，若对应关系表中的特征向量与目标特征向量相同或者相似，则将该对应关系表中的该特征向量所对应的车辆检测结果作为所接收图像的车辆检测结果。
这样，执行主体可以将待检测图像输入到车辆检测模型，从而得到车辆检测结果。其中，车辆检测结果可以包括检测框的类别信息、坐标信息、坐标可信度和坐标误差信息。这里，检测框的类别信息可以包括类别和类别置信度，即检测框内目标所属的类别以及属于这个类别的概率。举例来说，类别可以包括小型汽车、公交车、卡车、三轮车、二轮车等等。检测框的坐标信息可以用于描述检测框的位置，举例来说，检测框的坐标信息可以包括检测框左上角的坐标。通常，通过左上角坐标、高和宽，可以唯一确定一个长方形检测框。坐标可信度可以用于描述坐标的准确程度，作为示例，坐标可信度可以是0～1之间的值，值越大表示坐标越准确。以坐标信息为(x,y)为例，针对x和y分别可以输出坐标可信度。坐标误差信息可以用于描述坐标预测的波动程度，作为示例，坐标误差可以是偏移方差。偏移方差越大表示预测的坐标的波动越大；偏移方差越小表示预测的坐标的波动越小。通常，波动越小预测出的坐标信息越准确。
通常，针对同一车辆的车辆检测结果中可以包括多个检测框。一般，在进行目标检测时，针对同一个目标可以检测出大量检测框，每个检测框可以有置信度得分(confidencescore)。这时，可以选取置信度得分大于预设得分阈值的检测框，作为目标对应的检测框。这里，得分阈值可以根据实际需要进行设定。需要说明的是，目标检测中的目标可以是指要检测的物体。本实施例中，车辆为要检测的物体。
在本实施例的一些可选的实现方式中，上述车辆检测模型可以包括特征提取网络，以及上述特征提取网络可以包括空洞卷积层和/或非对称卷积层。
在本实现方式中，上述车辆检测模型可以包括特征提取网络，该特征提取网络可以用于对接收的图像进行特征提取，生成特征向量。这里，特征提取网络可以是各种神经网络，例如，resnet(残差网络)、resnext等等。实践中，可以根据实际需要选取不同大小的特征提取网络。举例来说，如果对处理的实时性要求比较高，对精确度要求不太高，可以选取轻量级的结构，比如，resnet18，resnet34等。如果对处理的精确度要求比较高，对实时性要求不太高，可以选取重型结构，比如，resent101，resneXt152等。此外，还有介于轻量级和重型之间的中型的结构，比如，resnet50，resneXt50，可以选择。
在特征提取网络中可以根据实际需要添加空洞卷积(dilated convolution)结构，形成空洞卷积层。空洞卷积(或膨胀卷积)是在标准卷积的基础上注入空洞，以此来增加感受野，可以使输出包含较大范围的信息，从而使特征提取网络可以提取到更多超长车辆的特征信息。
在特征提取网络中可以根据实际需要增加带非对称卷积核的卷积结构，形成非对称卷积层。非对称卷积核有助于增加超长目标的感受野的同时减少背景信息的干扰。从而使特征提取网络可以提取到更多超长车辆的特征信息。
这里，特征提取网络可以采用特征金字塔网络(Feature Pyramid Networks，FPN)结构。采用特征金字塔结构可以实现不同层次间的信息融合，同时结合浅层语义信息和深层语义信息，使检测结果输出网络获取的特征更加丰富，从而使检测结果输出网络输出的结果更加准确。
在本实施例的一些可选的实现方式中，上述车辆检测模型除了包括特征提取网络之外，还可以包括类别信息输出网络、坐标信息输出网络、坐标可信度输出网络和坐标误差信息输出网络。作为示例，类别信息输出网络可以用于根据特征提取网络提取的特征信息，输出类别信息。坐标信息输出网络可以用于根据特征提取网络提取的特征信息，输出坐标信息。坐标可信度输出网络可以用于根据特征提取网络提取的特征信息，输出坐标可信度。坐标误差信息输出网络可以用于根据特征提取网络提取的特征信息，输出坐标误差信息。
在本实现方式中，上述车辆检测模型可以是通过以下方式训练得到的：
首先，获取样本集。
在本实现方式中，用于训练车辆检测模型的训练用执行主体和用于检测车辆的方法的执行主体可以相同，也可以不同。训练用执行主体可以获取样本集。这里，样本集中的样本可以包括样本图像和与样本图像对应的样本类别信息、样本坐标信息。其中，与样本图像对应的样本类别信息和样本坐标信息分别用于描述样本图像中所包含的车辆的类别和位置。举例来说，样本类别信息可以包括样本图像中车辆的类别和类别置信度，样本坐标信息可以包括样本图像中车辆所对应检测框的左上角的坐标，以及检测框的高和宽。
其次，将样本的样本图像输入初始模型，初始模型的类别信息输出网络和坐标信息输出网络分别输出预测类别信息和预测坐标信息。
在本实现方式中，训练用执行主体可以将样本集中样本的样本图像输入初始模型，初始模型的类别信息输出网络和坐标信息输出网络可以分别输出预测类别信息和预测坐标信息。这里，初始模型可以是未经训练的模型或者未训练完成的模型。初始模型可以包括特征提取网络、类别信息输出网络、坐标信息输出网络、坐标可信度输出网络和坐标误差信息输出网络。
然后，根据预测坐标信息和与输入的样本图像对应的样本坐标信息，确定样本坐标可信度和样本坐标误差信息。
在本实现方式中，训练用执行主体可以根据初始模型针对输入的样本图像输出的预测坐标信息和与输入的样本图像对应的样本坐标信息，确定样本坐标可信度和样本坐标误差信息。作为示例，训练用执行主体内可以预先存储有用于确定样本坐标可信度和样本坐标误差信息的确定规则，该确定规则可以是技术人员根据实际需要确定的。这样，训练用执行主体可以根据确定规则，确定样本坐标可信度和样本坐标误差信息。举例来说，对于样本坐标可信度，假设，某个样本图像对应的预测坐标信息为(x1,y1)，样本坐标信息为(x2,y2)，则，该样本图像对应的X轴的样本坐标可信度可以通过以下计算规则确定：
Figure BDA0002473557250000061
其中，C表示样本坐标可信度，X表示x1和x2之间的差值。同理，该样本图像对应的Y轴的样本坐标可信度也可以通过上述公式计算。举例来说，对于求解样本坐标误差信息，以坐标误差信息为偏移方差为例，假设样本坐标信息为均值，预测坐标信息的概率分布为服从高斯分布的预测概率密度函数。执行主体可以预先存储有一个目标概率分布，该目标概率分布也可以是服从高斯分布的，方差为0，例如，目标概率分布可以是狄拉克δ函数。执行主体可以通过求解预测概率密度函数与目标概率分布的相对熵(又称Kullback-Leibler散度，Kullback-Leibler divergence)的最小值，求解偏移方差。并将求解得到的偏移方差作为坐标误差信息。
最后，将样本图像作为输入，将与输入的样本图像对应的样本类别信息、样本坐标信息、样本坐标可信度和样本坐标误差信息作为期望输出，对初始模型进行训练得到车辆检测模型。
在本实现方式中，训练用执行主体可以将样本图像作为输入，将与输入的样本图像对应的样本类别信息、样本坐标信息、样本坐标可信度和样本坐标误差信息作为期望输出，对初始模型进行训练得到车辆检测模型。举例来说，首先可以利用预设的损失函数计算初始模型输出的预测类别信息、预测坐标信息、预测坐标可信度、预测坐标误差信息与该样本的样本类别信息、样本坐标信息、样本坐标可信度、样本坐标误差信息之间的差异。然后，基于计算得到的差异，调整初始模型的模型参数，从而得到车辆检测模型。例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整初始模型的模型参数。通过本实现方式，可以实现对车辆检测模型的训练，从而使得到的车辆检测模型的输出结果更加准确。
S103，根据检测框的坐标可信度，从车辆检测结果中选取检测框作为待处理检测框。
在本实施例中，对于S102中得到的车辆检测结果中的多个检测框，执行主体可以根据检测框的坐标可信度，从多个检测框中选取出检测框作为待处理检测框。举例来说，可以选取坐标可信度大于预设阈值的检测框作为待处理检测框。这里，阈值可以根据实际需要进行设定。这里，所选取的多个待处理检测框的类别可以相同。
S104，基于待处理检测框的坐标信息和坐标误差信息，生成处理后检测框的坐标信息。
在本实施例中，执行主体可以基于待处理检测框的坐标信息和坐标误差信息，生成处理后检测框的坐标信息。作为示例，每个待处理检测框可以包括检测框的类别信息、坐标信息、坐标可信度和坐标误差信息。执行主体可以预先存储有用于根据至少一个待处理检测框的坐标信息和坐标误差信息进行计算得到新的坐标信息的计算规则，这样，执行主体可以根据该计算规则得到处理后检测框的坐标信息。这里，上述计算规则可以是技术人员根据实际需要所设置的。
在本实施例的一些可选的实现方式中，上述用于检测车辆的方法还可以包括图1中未示出的以下步骤：根据待处理检测框的类别信息和处理后检测框的坐标信息，生成修正后检测结果。
在本实现方式中，执行主体可以根据待处理检测框的类别信息和处理后检测框的坐标信息，生成修正后检测结果。之后，执行主体还可以将修正后检测结果输出。举例来说，执行主体可以将待处理检测框的类别作为处理后检测框的类别，这里，多个待处理检测框的类别可以相同。执行主体可以将多个待处理检测框中类别置信度最大的类别置信度作为处理后检测框的类别置信度。之后，执行主体可以将处理后检测框的类别、类别置信度和坐标信息，作为修正后检测结果。通过本实现方式，可以得到修正后检测结果，相比于车辆检测模型所输出的车辆检测结果，修正后检测结果更加准确。
继续参见图2，图2是根据本实施例的用于检测车辆的方法的应用场景的一个示意图。在图2的应用场景中，终端设备201首先获取待检测图像。之后，终端设备201将待检测图像输入预先建立的车辆检测模型，得到车辆检测结果，其中，车辆检测结果可以包括检测框的类别信息、坐标信息、坐标可信度和坐标误差信息。然后，根据检测框的坐标可信度，从车辆检测结果中选取检测框作为待处理检测框；最后，基于待处理检测框的坐标信息和坐标误差信息，生成处理后检测框的坐标信息。
本公开的上述实施例提供的方法可以基于检测框的坐标可信度和坐标误差信息，对车辆检测模型输出的检测框的坐标信息做进一步的处理，生成处理后检测框的坐标信息，从而提高了检测框的坐标信息的准确性，减少了由于车辆检测模型的检测不准造成的检测错误。
进一步参考图3，其示出了用于检测车辆的方法的又一个实施例的流程300。该用于检测车辆的方法的流程300，包括以下步骤：
S301，获取待检测图像。
在本实施例中，S301与图1所示实施例的S101类似，此处不再赘述。
S302，将待检测图像输入预先建立的车辆检测模型，得到车辆检测结果。
在本实施例中，S302与图1所示实施例的S102类似，此处不再赘述。
S303，根据检测框的坐标可信度，从车辆检测结果中选取检测框作为待处理检测框。
在本实施例中，S303与图1所示实施例的S103类似，此处不再赘述。
S304，根据类别信息，从待处理检测框中选取检测框作为第一检测框。
在本实施例中，执行主体可以根据类别信息，从待处理检测框中选取一个检测框作为第一检测框。举例来说，执行主体可以选取待处理检测框中类别置信度最大的检测框作为第一检测框。
S305，基于与第一检测框的交并比，从待处理检测框中选取检测框作为第二检测框。
在本实施例中，执行主体首先可以计算待处理检测框中、除第一检测框之外的其他各检测框与第一检测框的交并比(Intersection over Union,IOU)。这里，交并比可以是基于交并比函数计算得到的。之后，执行主体可以选取出交并比大于预设阈值(例如，0.5)的交并比对应的待处理检测框作为第二检测框。
S306，基于第一检测框和第二检测框的交并比，以及第二检测框的坐标信息和坐标误差信息，生成处理后检测框的坐标信息。
在本实施例中，执行主体可以基于第一检测框和第二检测框的交并比，以及第二检测框的坐标信息和坐标误差信息，生成处理后检测框的坐标信息。作为示例，执行主体内部可以预先制定有用于生成处理后检测框的坐标信息的计算公式。这样，执行主体可以通过该公式生成处理后检测框的坐标信息。作为示例，以包括N个第二检测框为例，假设第i个(1≤i≤N)检测框的X轴坐标为xi，坐标误差信息为
Figure BDA0002473557250000093
第i个检测框与第一检测框的交并比为IOU(bi,b)，则处理后检测框的坐标信息的X轴坐标可以通过以下公式计算得到：
Figure BDA0002473557250000091
其中，
Figure BDA0002473557250000092
其中，σt为人工设定的参数。同理，处理后检测框的坐标信息的Y轴坐标也可以通过上述公式计算得到。
从图3中可以看出，与图1对应的实施例相比，本实施例中的用于检测车辆的方法的流程300突出了基于类别信息和交并比选取第一检测框和第二检测框，并基于第一检测框和第二检测框生成处理后检测框的坐标信息的步骤。由此，本实施例描述的方案可以基于交并比将第一检测框和第二检测框进行合并，从而使生成的处理后检测框的坐标信息更加准确。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种用于检测车辆的装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例的用于检测车辆的装置400包括：获取单元401、输入单元402、选取单元403和生成单元404。其中，获取单元401被配置成获取待检测图像；输入单元402被配置成将上述待检测图像输入预先建立的车辆检测模型，得到车辆检测结果，其中，上述车辆检测结果包括检测框的类别信息、坐标信息、坐标可信度和坐标误差信息，上述车辆检测模型用于表征图像与车辆检测结果的对应关系；选取单元403被配置成根据检测框的坐标可信度，从上述车辆检测结果中选取检测框作为待处理检测框；生成单元404被配置成基于上述待处理检测框的坐标信息和坐标误差信息，生成处理后检测框的坐标信息。
在本实施例中，用于检测车辆的装置400的获取单元401、输入单元402、选取单元403和生成单元404的具体处理及其所带来的技术效果可分别参考图1对应实施例中S101、S102、S103和S104的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述生成单元404进一步被配置成：根据类别信息，从上述待处理检测框中选取检测框作为第一检测框；基于与上述第一检测框的交并比，从上述待处理检测框中选取检测框作为第二检测框；基于上述第一检测框和第二检测框的交并比，以及第二检测框的坐标信息和坐标误差信息，生成处理后检测框的坐标信息。
在本实施例的一些可选的实现方式中，上述车辆检测模型包括特征提取网络，以及上述特征提取网络包括空洞卷积层和/或非对称卷积层。
在本实施例的一些可选的实现方式中，上述车辆检测模型包括类别信息输出网络、坐标信息输出网络、坐标可信度输出网络和坐标误差信息输出网络；以及上述车辆检测模型是通过以下方式训练得到：获取样本集，其中，样本包括样本图像和与样本图像对应的样本类别信息、样本坐标信息；将样本的样本图像输入初始模型，初始模型的类别信息输出网络和坐标信息输出网络分别输出预测类别信息和预测坐标信息；根据上述预测坐标信息和与输入的样本图像对应的样本坐标信息，确定样本坐标可信度和样本坐标误差信息；将样本图像作为输入，将与输入的样本图像对应的样本类别信息、样本坐标信息、样本坐标可信度和样本坐标误差信息作为期望输出，对初始模型进行训练得到车辆检测模型。
在本实施例的一些可选的实现方式中，上述装置400还包括：结果生成单元(图中未示出)，被配置成根据上述待处理检测框的类别信息和上述处理后检测框的坐标信息，生成修正后检测结果。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图5所示，是根据本申请实施例的用于检测车辆的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的用于检测车辆的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的用于检测车辆的方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的用于检测车辆的方法对应的程序指令/模块(例如，附图4所示的获取单元401、输入单元402、选取单元403和生成单元404)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的用于检测车辆的方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于检测车辆的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至用于检测车辆的电子设备。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。
用于检测车辆的方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与用于检测车辆的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，可以基于检测框的坐标可信度和坐标误差信息，对车辆检测模型输出的检测框的坐标信息做进一步的处理，生成处理后检测框的坐标信息，从而提高了检测框的坐标信息的准确性，减少了由于车辆检测模型的检测不准造成的检测错误。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种用于检测车辆的方法，其特征在于，包括：
获取待检测图像；
将所述待检测图像输入预先建立的车辆检测模型，得到车辆检测结果，其中，所述车辆检测结果包括检测框的类别信息、坐标信息、坐标可信度和坐标误差信息，所述车辆检测模型用于表征图像与车辆检测结果的对应关系；
根据检测框的坐标可信度，从所述车辆检测结果中选取检测框作为待处理检测框；
基于所述待处理检测框的坐标信息和坐标误差信息，生成处理后检测框的坐标信息。
2.根据权利要求1所述的方法，其特征在于，所述基于所述待处理检测框的坐标信息和坐标误差信息，生成处理后检测框的坐标信息，包括：
根据类别信息，从所述待处理检测框中选取检测框作为第一检测框；
基于与所述第一检测框的交并比，从所述待处理检测框中选取检测框作为第二检测框；
基于所述第一检测框和第二检测框的交并比，以及第二检测框的坐标信息和坐标误差信息，生成处理后检测框的坐标信息。
3.根据权利要求1所述的方法，其特征在于，所述车辆检测模型包括特征提取网络，以及所述特征提取网络包括空洞卷积层和/或非对称卷积层。
4.根据权利要求1所述的方法，其特征在于，所述车辆检测模型包括类别信息输出网络、坐标信息输出网络、坐标可信度输出网络和坐标误差信息输出网络；以及
所述车辆检测模型是通过以下方式训练得到：
获取样本集，其中，样本包括样本图像和与样本图像对应的样本类别信息、样本坐标信息；
将样本的样本图像输入初始模型，初始模型的类别信息输出网络和坐标信息输出网络分别输出预测类别信息和预测坐标信息；
根据所述预测坐标信息和与输入的样本图像对应的样本坐标信息，确定样本坐标可信度和样本坐标误差信息；
将样本图像作为输入，将与输入的样本图像对应的样本类别信息、样本坐标信息、样本坐标可信度和样本坐标误差信息作为期望输出，对初始模型进行训练得到车辆检测模型。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述待处理检测框的类别信息和所述处理后检测框的坐标信息，生成修正后检测结果。
6.一种用于检测车辆的装置，其特征在于，包括：
获取单元，被配置成获取待检测图像；
输入单元，被配置成将所述待检测图像输入预先建立的车辆检测模型，得到车辆检测结果，其中，所述车辆检测结果包括检测框的类别信息、坐标信息、坐标可信度和坐标误差信息，所述车辆检测模型用于表征图像与车辆检测结果的对应关系；
选取单元，被配置成根据检测框的坐标可信度，从所述车辆检测结果中选取检测框作为待处理检测框；
生成单元，被配置成基于所述待处理检测框的坐标信息和坐标误差信息，生成处理后检测框的坐标信息。
7.根据权利要求6所述的装置，其特征在于，所述生成单元进一步被配置成：
根据类别信息，从所述待处理检测框中选取检测框作为第一检测框；
基于与所述第一检测框的交并比，从所述待处理检测框中选取检测框作为第二检测框；
基于所述第一检测框和第二检测框的交并比，以及第二检测框的坐标信息和坐标误差信息，生成处理后检测框的坐标信息。
8.根据权利要求6所述的装置，其特征在于，所述车辆检测模型包括特征提取网络，以及所述特征提取网络包括空洞卷积层和/或非对称卷积层。
9.根据权利要求6所述的装置，其特征在于，所述车辆检测模型包括类别信息输出网络、坐标信息输出网络、坐标可信度输出网络和坐标误差信息输出网络；以及
所述车辆检测模型是通过以下方式训练得到：
获取样本集，其中，样本包括样本图像和与样本图像对应的样本类别信息、样本坐标信息；
将样本的样本图像输入初始模型，初始模型的类别信息输出网络和坐标信息输出网络分别输出预测类别信息和预测坐标信息；
根据所述预测坐标信息和与输入的样本图像对应的样本坐标信息，确定样本坐标可信度和样本坐标误差信息；
将样本图像作为输入，将与输入的样本图像对应的样本类别信息、样本坐标信息、样本坐标可信度和样本坐标误差信息作为期望输出，对初始模型进行训练得到车辆检测模型。
10.根据权利要求6所述的装置，其特征在于，所述装置还包括：
结果生成单元，被配置成根据所述待处理检测框的类别信息和所述处理后检测框的坐标信息，生成修正后检测结果。
11.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
CN202010356239.8A 2020-04-29 2020-04-29 用于检测车辆的方法和装置 Active CN111553282B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN202010356239.8A CN111553282B (zh) 2020-04-29 2020-04-29 用于检测车辆的方法和装置
KR1020227016264A KR20220071284A (ko) 2020-04-29 2020-11-19 차량 검출 방법 및 장치
PCT/CN2020/130110 WO2021218124A1 (zh) 2020-04-29 2020-11-19 用于检测车辆的方法和装置
EP20933566.0A EP4047511A4 (en) 2020-04-29 2020-11-19 VEHICLE DETECTION METHOD AND DEVICE
JP2022529400A JP7357789B2 (ja) 2020-04-29 2020-11-19 車両を検出するための方法、装置、電子機器、記憶媒体およびコンピュータプログラム
US17/743,410 US20220270373A1 (en) 2020-04-29 2022-05-12 Method for detecting vehicle, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010356239.8A CN111553282B (zh) 2020-04-29 2020-04-29 用于检测车辆的方法和装置

Publications (2)

Publication Number Publication Date
CN111553282A true CN111553282A (zh) 2020-08-18
CN111553282B CN111553282B (zh) 2024-03-29

Family

ID=72000229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010356239.8A Active CN111553282B (zh) 2020-04-29 2020-04-29 用于检测车辆的方法和装置

Country Status (6)

Country Link
US (1) US20220270373A1 (zh)
EP (1) EP4047511A4 (zh)
JP (1) JP7357789B2 (zh)
KR (1) KR20220071284A (zh)
CN (1) CN111553282B (zh)
WO (1) WO2021218124A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115904A (zh) * 2020-09-25 2020-12-22 浙江大华技术股份有限公司 车牌检测识别方法、装置及计算机可读存储介质
CN112241718A (zh) * 2020-10-23 2021-01-19 北京百度网讯科技有限公司 车辆信息的检测方法、检测模型的训练方法和装置
CN112560726A (zh) * 2020-12-22 2021-03-26 北京百度网讯科技有限公司 目标检测置信度确定方法、路侧设备及云控平台
WO2021218124A1 (zh) * 2020-04-29 2021-11-04 北京百度网讯科技有限公司 用于检测车辆的方法和装置
CN115019498A (zh) * 2022-05-13 2022-09-06 深圳市锐明技术股份有限公司 停车管理方法及系统
CN115410189A (zh) * 2022-10-31 2022-11-29 松立控股集团股份有限公司 一种复杂场景车牌检测方法
CN116363631A (zh) * 2023-05-19 2023-06-30 小米汽车科技有限公司 三维目标检测方法、装置及车辆

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115171072B (zh) * 2022-06-18 2023-04-21 感知信息科技(浙江)有限责任公司 基于fpga车辆检测跟踪算法实现的车辆3d检测方法
CN116503398B (zh) * 2023-06-26 2023-09-26 广东电网有限责任公司湛江供电局 绝缘子污闪检测方法、装置、电子设备及存储介质
CN116662788B (zh) * 2023-07-27 2024-04-02 太平金融科技服务(上海)有限公司深圳分公司 一种车辆轨迹处理方法、装置、设备和存储介质
CN116704467B (zh) * 2023-08-04 2023-11-03 哪吒港航智慧科技(上海)有限公司 一种车辆防砸自动识别方法、装置、设备和存储介质
CN117576645B (zh) * 2024-01-16 2024-03-22 深圳市欧冶半导体有限公司 基于bev视角的车位检测方法、装置和计算机设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108376235A (zh) * 2018-01-15 2018-08-07 深圳市易成自动驾驶技术有限公司 图像检测方法、装置及计算机可读存储介质
US20190035101A1 (en) * 2017-07-27 2019-01-31 Here Global B.V. Method, apparatus, and system for real-time object detection using a cursor recurrent neural network
CN109919072A (zh) * 2019-02-28 2019-06-21 桂林电子科技大学 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法
CN110427937A (zh) * 2019-07-18 2019-11-08 浙江大学 一种基于深度学习的倾斜车牌矫正和不定长车牌识别方法
CN110490884A (zh) * 2019-08-23 2019-11-22 北京工业大学 一种基于对抗的轻量级网络语义分割方法
CN110751633A (zh) * 2019-10-11 2020-02-04 上海眼控科技股份有限公司 基于深度学习的多轴大车制动检测方法、装置、系统
CN110796168A (zh) * 2019-09-26 2020-02-14 江苏大学 一种基于改进YOLOv3的车辆检测方法
CN111027542A (zh) * 2019-11-20 2020-04-17 天津大学 一种基于Faster RCNN算法改进的目标检测方法
US20200124434A1 (en) * 2018-10-19 2020-04-23 International Business Machines Corporation Navigation and location validation for optimizing vehicle-based transit systems

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446834A (zh) * 2016-09-27 2017-02-22 东软集团股份有限公司 一种基于图像的车型识别方法及装置
CN108875902A (zh) * 2017-12-04 2018-11-23 北京旷视科技有限公司 神经网络训练方法及装置、车辆检测估计方法及装置、存储介质
JP7104916B2 (ja) * 2018-08-24 2022-07-22 国立大学法人岩手大学 移動物体検出装置および移動物体検出方法
CN110956060A (zh) * 2018-09-27 2020-04-03 北京市商汤科技开发有限公司 动作识别、驾驶动作分析方法和装置及电子设备
JP7208480B2 (ja) * 2018-10-12 2023-01-19 富士通株式会社 学習プログラム、検出プログラム、学習装置、検出装置、学習方法および検出方法
CN109711274A (zh) * 2018-12-05 2019-05-03 斑马网络技术有限公司 车辆检测方法、装置、设备和存储介质
CN111553282B (zh) * 2020-04-29 2024-03-29 北京百度网讯科技有限公司 用于检测车辆的方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190035101A1 (en) * 2017-07-27 2019-01-31 Here Global B.V. Method, apparatus, and system for real-time object detection using a cursor recurrent neural network
CN108376235A (zh) * 2018-01-15 2018-08-07 深圳市易成自动驾驶技术有限公司 图像检测方法、装置及计算机可读存储介质
US20200124434A1 (en) * 2018-10-19 2020-04-23 International Business Machines Corporation Navigation and location validation for optimizing vehicle-based transit systems
CN109919072A (zh) * 2019-02-28 2019-06-21 桂林电子科技大学 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法
CN110427937A (zh) * 2019-07-18 2019-11-08 浙江大学 一种基于深度学习的倾斜车牌矫正和不定长车牌识别方法
CN110490884A (zh) * 2019-08-23 2019-11-22 北京工业大学 一种基于对抗的轻量级网络语义分割方法
CN110796168A (zh) * 2019-09-26 2020-02-14 江苏大学 一种基于改进YOLOv3的车辆检测方法
CN110751633A (zh) * 2019-10-11 2020-02-04 上海眼控科技股份有限公司 基于深度学习的多轴大车制动检测方法、装置、系统
CN111027542A (zh) * 2019-11-20 2020-04-17 天津大学 一种基于Faster RCNN算法改进的目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YIHUI HE 等: "Bounding Box Regression with uncertainty for Accurate Object Detection", 《ARXIV平台：HTTPS://ARXIV.ORG/ABS/1809.08545V3》, pages 1 - 10 *
YIHUI HE 等: "Softer-NMS: Rethinking Bounding Box Regression for Accurate Object Detection", pages 1 - 10 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021218124A1 (zh) * 2020-04-29 2021-11-04 北京百度网讯科技有限公司 用于检测车辆的方法和装置
CN112115904A (zh) * 2020-09-25 2020-12-22 浙江大华技术股份有限公司 车牌检测识别方法、装置及计算机可读存储介质
CN112241718A (zh) * 2020-10-23 2021-01-19 北京百度网讯科技有限公司 车辆信息的检测方法、检测模型的训练方法和装置
CN112560726A (zh) * 2020-12-22 2021-03-26 北京百度网讯科技有限公司 目标检测置信度确定方法、路侧设备及云控平台
CN112560726B (zh) * 2020-12-22 2023-08-29 阿波罗智联(北京)科技有限公司 目标检测置信度确定方法、路侧设备及云控平台
CN115019498A (zh) * 2022-05-13 2022-09-06 深圳市锐明技术股份有限公司 停车管理方法及系统
CN115410189A (zh) * 2022-10-31 2022-11-29 松立控股集团股份有限公司 一种复杂场景车牌检测方法
CN115410189B (zh) * 2022-10-31 2023-01-24 松立控股集团股份有限公司 一种复杂场景车牌检测方法
CN116363631A (zh) * 2023-05-19 2023-06-30 小米汽车科技有限公司 三维目标检测方法、装置及车辆
CN116363631B (zh) * 2023-05-19 2023-09-05 小米汽车科技有限公司 三维目标检测方法、装置及车辆

Also Published As

Publication number Publication date
JP2023509572A (ja) 2023-03-09
KR20220071284A (ko) 2022-05-31
WO2021218124A1 (zh) 2021-11-04
CN111553282B (zh) 2024-03-29
EP4047511A1 (en) 2022-08-24
US20220270373A1 (en) 2022-08-25
JP7357789B2 (ja) 2023-10-06
EP4047511A4 (en) 2023-05-31

Similar Documents

Publication Publication Date Title
CN111553282A (zh) 用于检测车辆的方法和装置
US11900614B2 (en) Video data processing method and related apparatus
US11694461B2 (en) Optical character recognition method and apparatus, electronic device and storage medium
JP7268076B2 (ja) 車両再識別の方法、装置、機器及び記憶媒体
CN110659600B (zh) 物体检测方法、装置及设备
CN111722245B (zh) 定位方法、定位装置和电子设备
US11288887B2 (en) Object tracking method and apparatus
US20150104067A1 (en) Method and apparatus for tracking object, and method for selecting tracking feature
US11380035B2 (en) Method and apparatus for generating map
EP3852008A2 (en) Image detection method and apparatus, device, storage medium and computer program product
CN111539347B (zh) 用于检测目标的方法和装置
CN113537374B (zh) 一种对抗样本生成方法
CN111783639A (zh) 图像检测方法、装置、电子设备及可读存储介质
CN111601013A (zh) 用于处理视频帧的方法和装置
CN111784757A (zh) 深度估计模型的训练方法、深度估计方法、装置及设备
CN111191619A (zh) 车道线虚线段的检测方法、装置、设备和可读存储介质
CN112990127B (zh) 目标识别方法、装置、电子设备及存储介质
CN112528931B (zh) 用于生成位置预测信息的方法、装置以及自动驾驶车辆
JP2021174531A (ja) 目標追跡方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム
CN110490165B (zh) 一种基于卷积神经网络的动态手势跟踪方法
US20230123671A1 (en) Localization and mapping
CN111768005A (zh) 轻量级检测模型的训练方法、装置、电子设备及存储介质
CN114429631B (zh) 三维对象检测方法、装置、设备以及存储介质
CN115205806A (zh) 生成目标检测模型的方法、装置和自动驾驶车辆
CN111832609B (zh) 图像处理模型的训练方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant