CN111723623A - 一种检测平台的方法及装置 - Google Patents
一种检测平台的方法及装置 Download PDFInfo
- Publication number
- CN111723623A CN111723623A CN201910220851.XA CN201910220851A CN111723623A CN 111723623 A CN111723623 A CN 111723623A CN 201910220851 A CN201910220851 A CN 201910220851A CN 111723623 A CN111723623 A CN 111723623A
- Authority
- CN
- China
- Prior art keywords
- target
- platform
- confidence
- classification model
- target image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013145 classification model Methods 0.000 claims abstract description 110
- 238000001514 detection method Methods 0.000 claims abstract description 94
- 238000012549 training Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 3
- 230000002093 peripheral effect Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication 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
- 238000009877 rendering Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请是关于一种检测平台的方法及装置,属于监控领域。所述方法包括:在基于摄像机拍摄的第一图片检测出发生违章事件的目标且所述目标为属于指定行业的目标时,获取所述目标对应的目标图像;将所述目标对应的目标图像输入到分类模型,获取所述分类模型对所述目标图像进行检测得到的检测结果,所述检测结果包括所述分类模型基于所述目标图像检测出所述目标属于多个平台中的每个平台的置信度;根据所述检测结果确定所述目标属于的平台。本申请能够提高检测平台的效率。
Description
技术领域
本申请涉及监控领域,特别涉及一种检测平台的方法及装置。
背景技术
近年来,电动配送车辆在城市交通场景中越来越常见,作为城市交通与“互联网+”的新成果,很好解决了订餐和商品配送问题,但对配送车辆违章行驶或停放,若不加以有效管制,同样会加大交通事故或带来交通隐患。
目前相关部门可以利用道路监控系统检测出发生违章事件的配送车辆,然后相关部分的工作人员可以依据该配送车辆上印刷的平台名称,确定该配送车辆所属的平台,可以通知或责令该平台对属于该平台的配送车辆进行有效管理。
发明人在实现本申请的过程中,发现上述方式至少存在如下缺陷:
在检测出发生违章事件的配送车辆时,需要人工的检测该配送车辆所属的平台,导致检测平台的效率低下。
发明内容
为了提高检测平台的效率,本申请实施例提供了一种检测平台的方法及装置。所述技术方案如下:
第一方面,本申请提供一种检测平台的方法,所述方法包括:
在基于摄像机拍摄的第一图片检测出发生违章事件的目标且所述目标为属于指定行业的目标时,获取所述目标对应的目标图像;
将所述目标对应的目标图像输入到分类模型,获取所述分类模型对所述目标图像进行检测得到的检测结果,所述检测结果包括所述分类模型基于所述目标图像检测出所述目标属于多个平台中的每个平台的置信度;
根据所述检测结果确定所述目标属于的平台。
可选的,所述获取所述目标对应的目标图像,包括:
从所述第一图片中获取所述目标对应的目标图像;或者,
通过所述摄像机对所述目标进行拍摄得到第二图片,从所述第二图片获取所述目标对应的目标图像。
可选的,所述目标为非汽车类的车辆,
所述将所述目标对应的目标图像输入到分类模型,获取所述分类模型对所述目标图像进行检测得到的检测结果,包括:
将所述目标对应的目标图像输入到分类模型,获取所述分类模型检测出的所述目标属于每个平台对应的车身颜色置信度、属于每个平台对应的后备箱颜色置信度、属于每个平台对应的图案置信度或属于每个平台对应的安全帽颜色置信度中的至少一种置信度;
根据目标平台对应的每种置信度的权值和所述目标平台对应的每种置信度,获取所述目标平台对应的置信度,所述目标平台是所述多个平台的任一个平台。
可选的,所述目标属于每个平台对应的车身颜色置信度是所述分类模型基于所述目标图像包括的车身颜色检测得到的;
所述目标属于每个平台对应的后备箱颜色置信度是所述分类模型基于所述目标图像包括的后备箱颜色检测得到的;
所述目标属于每个平台对应的图案置信度是所述分类模型基于所述目标图像包括的图案检测得到的;
所述目标属于每个平台对应的安全帽颜色置信度是所述分类模型基于所述目标图像包括的驾驶员安全帽颜色检测得到的。
可选的,所述根据所述检测结果确定所述目标属于的平台,包括:
在所述检测结果包括的最大置信度超过预设阈值时,将所述最大置信度对应的平台确定为所述目标对应的平台。
可选的,所述方法还包括:
在所述检测结果包括的最大置信度未超过预设阈值时,获取所述目标图像包括的文字,获取所述文字中包括的平台名称,将所述平台名称对应的平台确定为所述目标对应的平台。
可选的,所述将所述目标对应的目标图像输入到分类模型之前,还包括:
根据多个样本图片训练深度学习算得到所述分类模型,所述多个样本图片中的每个样本图片包括被标记的属于指定行业的目标对应的目标图像和被标记的属于非指定行业的目标对应的目标图像,属于指定行业的目标对应的目标图像包括被标记的属于一个平台的车身图像、被标记的属于一个平台的后备箱图像和被标记的属于一个平台的驾驶员安全帽图像中的至少一个。
第二方面,本申请提供一种检测平台的装置,所述装置包括:
第一获取模块,用于在基于摄像机拍摄的第一图片检测出发生违章事件的目标且所述目标为属于指定行业的目标时,获取所述目标对应的目标图像;
第二获取模块,用于将所述目标对应的目标图像输入到分类模型,获取所述分类模型对所述目标图像进行检测得到的检测结果,所述检测结果包括所述分类模型基于所述目标图像检测出所述目标属于多个平台中的每个平台的置信度;
确定模块,用于根据所述检测结果确定所述目标属于的平台。
可选的,所述第一获取模块包括:
第一获取单元,用于从所述第一图片中获取所述目标对应的目标图像;或者,
第二获取单元,用于通过所述摄像机对所述目标进行拍摄得到第二图片,从所述第二图片获取所述目标对应的目标图像。
可选的,所述目标为非汽车类的车辆,
所述第二获取模块包括:
第三获取单元,用于将所述目标对应的目标图像输入到分类模型,获取所述分类模型检测出的所述目标属于每个平台对应的车身颜色置信度、属于每个平台对应的后备箱颜色置信度、属于每个平台对应的图案置信度或属于每个平台对应的安全帽颜色置信度中的至少一种置信度;
第四获取单元,用于根据目标平台对应的每种置信度的权值和所述目标平台对应的每种置信度,获取所述目标平台对应的置信度,所述目标平台是所述多个平台的任一个平台。
可选的,所述目标属于每个平台对应的车身颜色置信度是所述分类模型基于所述目标图像包括的车身颜色检测得到的;
所述目标属于每个平台对应的后备箱颜色置信度是所述分类模型基于所述目标图像包括的后备箱颜色检测得到的;
所述目标属于每个平台对应的图案置信度是所述分类模型基于所述目标图像包括的图案检测得到的;
所述目标属于每个平台对应的安全帽颜色置信度是所述分类模型基于所述目标图像包括的驾驶员安全帽颜色检测得到的。
可选的,所述确定模块,用于:
在所述检测结果包括的最大置信度超过预设阈值时,将所述最大置信度对应的平台确定为所述目标对应的平台。
可选的,所述装置还包括:
第三获取模块,用于在所述检测结果包括的最大置信度未超过预设阈值时,获取所述目标图像包括的文字,获取所述文字中包括的平台名称,将所述平台名称对应的平台确定为所述目标对应的平台。
可选的,所述装置还包括:
训练模块,用于根据多个样本图片训练深度学习算得到所述分类模型,所述多个样本图片中的每个样本图片包括被标记的属于指定行业的目标对应的目标图像和被标记的属于非指定行业的目标对应的目标图像,属于指定行业的目标对应的目标图像包括被标记的属于一个平台的车身图像、被标记的属于一个平台的后备箱图像和被标记的属于一个平台的驾驶员安全帽图像中的至少一个。
第三方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现所述第一方面或第一方面任可选的方式提供的方法步骤。
第四方面,本申请提供了一种电子设备,所述电子设备包括处理器和存储器,
所述存储器存储至少一个指令,所述至少一个指令被所述处理器加载并执行行,以实现所述第一方面或第一方面任可选的方式提供的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
通过获取到目标对应的目标图像,通过分类模型根据该目标图像检测目标属于的每个平台的置信度,根据分类模型的检测结果确定目标属于的平台,这样相比人工检测的方式,可以提高检测平台的效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请实施例提供的一种检测系统的结构示意图;
图2是本申请实施例提供的一种检测平台的方法流程图;
图3是本申请实施例提供的另一种检测平台的方法流程图;
图4是本申请实施例提供的一种串行方式的实现流程示意图;
图5是本申请实施例提供的一种并行方式的实现流程示意图;
图6是本申请实施例提供的一种检测平台的装置结构示意图;
图7是本申请实施例提供的一种设备结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
参见图1,本申请实施例提供了一种检测系统,包括:检测装置101和摄像机102,检测装置101可以集成在摄像机102中;或者,检测装置101集成在数据中心中,检测装置101可以为数据中心中的设备,例如检测装置101可以为数据中心中的服务器或者为数据中心中的计算机等设备设备,检测装置101可以与摄像机102之间存在网络连接。
目前的监控系统在道路、楼宇等地方部署摄像机101,通过摄像机101可以对该摄像机101拍摄范围内的车辆和行人等目标进行拍摄得到图片。检测装置102可以获取摄像机101拍摄的图片,可以基于该图片检测出是否存在发生违章事件的目标,如果存在该目标,则继续基于该图片检测该目标是否为指定行业的目标,如果是指定行业的目标,则基于该图片中包括的该目标对应的目标图像确定该目标属于的平台。
检测装置101确定出目标属于的平台后,可以通知该平台对该目标的违章事件进行处理,也可以通知政府相关部门,以使政府相关部门要求该平台对该目标的违章事件进行处理。
可选的,指定行业可以为快递行业或外卖配送行业等。快递行业对应的目标可以为快递车辆,目标对应的平台可以为快递公司;外卖配送行业对应的目标为外卖配置车辆,目标对应的平台为外卖平台。
参见图2,本申请实施例提供了一种检测平台的方法,该方法可以应用于如图1所示的检测系统,该方法的执行主体可以为该检测系统中的检测装置,包括:
步骤201:在基于摄像机拍摄的第一图片检测出发生违章事件的目标且该目标为属于指定行业的目标时,获取该目标对应的目标图像。
步骤202:将该目标对应的目标图像输入到分类模型,获取分类模型对该目标图像进行检测得到的检测结果,该检测结果包括分类模型基于该目标图像检测出该目标属于多个平台中的每个平台的置信度。
步骤203:根据该检测结果确定该目标属于的平台。
在本申请实施例中,由于获取到目标对应的目标图像,通过分类模型根据该目标图像检测目标属于的每个平台的置信度,根据分类模型的检测结果确定目标属于的平台,这样相比人工检测的方式,可以提高检测平台的效率。
参见图3,本申请实施例提供了一种检测平台的方法,该方法可以应用于如图1所示的检测系统,该方法的执行主体可以为该检测系统中的检测装置,包括:
步骤301:对摄像机拍摄的图片进行检测,在检测出发生违章事件的目标且该目标为属于指定行业的目标时,从该图片中获取该目标对应的目标图像。
该摄像机可以为部署在道路或楼宇等场所的摄像机,用于对其拍摄范围内的物体进行拍摄得到图片。
获取该摄像机拍摄的第一图片,设置第一图片中的感兴趣图像区域,检测该感兴趣图像区域是否有发生违章事件的目标,如果有发生违章事件的目标,控制摄像机对该目标进行二次拍摄,以得到清晰度高于第一图片的第二图片,基于该二次拍摄的第二图片检测该目标是否属于指定行业,如果该目标属于指定行业,则从第一图片或第二图片中获取该目标对应的目标图像。
当该目标为车辆时,该目标对应的目标图像可以包括该车辆的车辆图像。当该目标为非汽车类的车辆时,该目标对应的目标图像不仅可以包括该车辆的车辆图像,还可以包括驾驶车辆的驾驶员图像。
非汽车类的车辆包括非汽车类的电动车、摩托车和自行车等。非汽车类的车辆的驾驶员通常骑行在该车辆上。
可选的,违章事件包括闯红灯事件、逆行事件和超速行驶事件等。
可选的,摄像机在对该目标进行二次拍摄时,摄像机调整其镜头进行二次拍摄,二次拍摄得到的第二图片包括的该目标的目标图像清晰度高于在二次拍摄之前拍摄的第一图片包括的该目标的目标图像清晰度,这样可以增加检测该目标是否属于指定行业的精确度。
可选的,在本步骤中,也可以不对目标进行二次拍摄,而是在检测出感兴趣图像区域有发生违章事件的目标时,直接基于第一图片中的该感兴趣图像区域检测该目标是否属于指定行业。
可选的,可以使用预设的用于检测违章事件的算法,检测该感兴趣图像区域是否有发生违章事件的目标。
可选的,可以使用预设的用于检测行业的算法,基于第一图片或该二次拍摄的第二图片检测该目标是否属于指定行业。
可选的,在对第一图片或第二图片进行检测之前,可以将第一图片或第二图片中的每个像素点的像素值归一化处理,以将第一图片或第二图片中的每个像素点归一化到预设像素值范围,再将第一图片或第二图片的尺寸调整为预设尺寸,然后在对调整后的图片进行检测处理。
例如,假设指定行业为外卖配送行业,则基于第一图片检测是否存在发生违章事件的外卖配送车辆。该检测过程为:
获取该摄像机拍摄的第一图片,设置该第一图片中的感兴趣图像区域,使用预设的用于检测违章事件的算法检测该感兴趣图像区域是否有发生违章事件的车辆,如果有发生违章事件的车辆,控制摄像机对该车辆进行二次拍摄,以得到清晰度更高的第二图片,基于该二次拍摄的第二图片使用预设的用于检测外卖配送车辆的算法检测该车辆是否为外卖配送车辆,从第一图片或第二图片中获取该外卖配送车辆对应的目标图像,该目标图像可以包括该外卖配送车辆的车辆图像和驾驶驾驶员图像。
感兴趣图像区域是预设区域,例如,在检测外卖配送车辆是否违章时,由于外卖配送车辆通常是非机动车以及机动车道路不准行驶非机动车,外卖配送车辆在机动车道路上行驶时会发生违章事件,所以可以设置第一图片中的机动车道路图像所在的区域为感兴趣图像区域。
由于第二图片的清晰度较高,在从第二图片中获取目标对应的图像时,可以提高后续检测出平台的精度。
步骤302:将目标对应的目标图像输入到分类模型进行检测,得到检测结果,该检测结果包括分类模型基于该目标的外观特征检测该目标属于多个平台中的每个平台的置信度。
目标属于某个平台对应的置信度用于表示该目标属于该平台的概率。可以在分类模块中预设多个平台,该分类模型可以基于目标的外观特征检测目标属于预设的每个平台的置信度。
目标对应的目标图像中包括目标的外观特征,目标的外特征可以为目标外表的颜色、图案和车身结构等中的至少一个。
可选的,当目标为非汽车类的车辆时,例如,目标可以为非车辆类的电动车,该电动车的外观特征可以为电动车的车身颜色、车身图案、后备箱颜色、后备箱大小和后备箱图案等。
该检测结果包括目标属于该多个平台中的每个平台对应的车身颜色置信度、属于每个平台对应的后备箱颜色置信度和属于每个平台对应的图案置信度中的至少一种置信度。
其中,目标属于每个平台对应的车身颜色置信度是分类模型基于该目标的目标图像包括的车身颜色检测得到的;目标属于每个平台对应的后备箱颜色置信度是分类模型基于该目标的目标图像包括的后备箱颜色检测得到的;目标属于每个平台对应的图案置信度是分类模型基于该目标的目标图像包括的车身图案和后备箱图案中的至少一个检测得到的。
可选的,当目标对应的目标图像还包括驾驶员图像时,该检测结果还可以包括目标属于每个平台对应的安全帽颜色置信度,目标属于每个平台对应的安全帽颜色置信度是分类模型基于该驾驶员图像包括的安全帽图像颜色检测得到的。
上述多种置信度可以由一个分类模型检测得到,由可以由不同的分类模型检测得到。
在由不同的分类模型检测得到不同置信度时,分类模型可以包括用于检测目标属于多个平台中的每个平台对应的车身颜色置信度的车身颜色分类模型、用于检测目标属于多个平台的每个平台对应的后备箱颜色置信度的后备箱颜色分类模型、用于检测目标属于多个平台中的每个平台对应的图案置信度的图案分类模型和用于检测目标属于多个平台中的每个平台对应的安全帽颜色置信度的安全帽颜色分类模型等中的至少一个。
在本步骤可以通过如下两种方式获取检测结果。其中一种方式为串行方式,另一种方式为并行方式。该两种方式的说明过程分别为:
参见图4,对于串行方式,使用分类模型检测目标属于多个平台的每个平台的第一种类型置信度,选择第一种类型置信度超过预设置信度阈值的平台组成第一个平台集合;使用分类模型检测目标属于第一个平台集合中的每个平台的第二种类型置信度,选择第二种类型置信度超过预设置信度阈值的平台组成第二个平台集合;使用分类模型检测目标属于第n-1个平台集合中的每个平台的第n种类型置信度,n为2、3、4……,第n-1个平台集合中的每个平台的第n种类型置信度为分类模型输出的检测结果。
上述n种类型置信度可以为车身颜色置信度、后备箱颜色置信度、图案置信度和安全帽颜色置信度。
第一种类型置信度、第二种类型置信度、……、第n种类型置信度可以分别为车身颜色置信度、后备箱颜色置信度、图案置信度和安全帽颜色置信度;或者,第一种类型置信度、第二种类型置信度、……、第n种类型置信度可以分别为后备箱颜色置信度、车身颜色置信度、图案置信度和安全帽颜色置信度等。该n种置信度的具体顺序可以根据实际需求进行设置,在此不再一一列举。
假设,第一种类型置信度、第二种类型置信度、……、第n种类型置信度可以分别为车身颜色置信度、后备箱颜色置信度、图案置信度和安全帽颜色置信度。则对于串行方式,该串行方式的实现过程为:
使用分类模型基于该目标的目标图像包括的车身颜色检测得到目标属于每个平台对应的车身颜色置信度,选择车身颜色置信度超过预设置信度阈值的平台组成第一平台集合;使用分类模型基于该目标的目标图像包括的后备箱颜色检测目标属于第一平台集合中的每个平台对应的后备箱颜色置信度,选择后备箱颜色置信度超过预设置信度阈值的平台组成第二平台集合;使用分类模型基于该目标的目标图像包括的车身图案和后备箱图案中的至少一个检测目标属于第二平台集合包括的每个平台对应的图案置信度,选择图案置信度超过预设置信度阈值的平台组成第三平台集合。使用分类模型基于该目标的目标图像包括的驾驶员图像的安全帽图像颜色检测目标属于第三平台集合包括的每个平台对应的安全帽颜色置信度。
在串行实现方式中,上述分类模型可以为一个分类模型,在检测每种类型的置信度时,使用该分类模型检测该种类型的置信度。或者,上述分类模型包括不同种类型的分类模型,使用不同种类型的分类模型检测不同种类型的置信度。
参见图5,对于并行方式,对于预设的多个平台的任一个平台,使用分类模型检测目标目标属于该平台的每种类型的置信度,对每种类型的置信度进行加权得到目标属于该平台的置信度。
例如,对于一个平台,使用分类模型基于该目标的目标图像包括的车身颜色检测得到目标属于该平台对应的车身颜色置信度;使用分类模型基于该目标的目标图像包括的后备箱颜色检测目标属于该平台对应的后备箱颜色置信度;使用分类模型基于该目标的目标图像包括的车身图案和后备箱图案中的至少一个检测目标属于该平台对应的图案置信度。使用分类模型基于该目标的目标图像包括的驾驶员图像的安全帽图像颜色检测目标属于该平台对应的安全帽颜色置信度。使用车身颜色置信度对应的权值、后备箱颜色置信度对应的权值、图案置信度对应的权值、安全帽颜色置信度对应的权值,对该平台对应的车身颜色置信度、后备箱颜色置信度、图案置信度和安全帽颜色置信度进行加权运算,得到该平台对应的置信度。
在并行实现方式中,上述分类模型可以为一个分类模型,在检测每种类型的置信度时,使用该分类模型检测该种类型的置信度。或者,上述分类模型包括不同种类型的分类模型,使用不同种类型的分类模型检测不同种类型的置信度。
可选的,分类模型是通过对卷积神经网络进行训练后得到的模型。该训练过程可以为:
(1):获取多个图片,对每个图片中的图像进行标记,得到样本图片。
可以通过摄像机拍摄得到多个图片,对于该多个图片中的每个图片,在该图片中标记出非指定行业的目标对应的目标图像以及标记出指定行业的目标对应的目标图像,该指定行业的目标对应的目标图像包括车身图像、后备箱图像和驾驶员安全帽图像等中的至少一个,在该图片中标记出该车身图像对应的平台,标记出该后备箱图像对应的平台和该驾驶员图像对应的平台,得到一个样本图片。对该每个图片按上述方式进行标记,从而得到多个样本图片。
(2):根据该多个样本图片训练深度学习算法,得到分类模型。
深度学习算法在训练的过程中可以确定出被标记的多个平台,每个平台对应的车身颜色、后备箱颜色、图案和安全帽颜色等中的至少一个。
深度学习算法可以为可变形部件模型(Deformable Parts Model,DPM)、快速区域卷积神经网络(Faster Region-Convolutional Neural Networks,Faster R-CNN)或YOLO(英文全称为You Only Look Once,是一种实时目标检测算法)等。
步骤303:检测该检测结果中的最大置信度是否超过预设阈值,如果最大置信度超过预设阈值,则将最大置信度对应的平台确定为目标对应的平台,结束操作。
参见图4,在采用串行方式得到该检测结果,该检测结果包括第n-1个平台集合中的每个平台对应的第n种类型置信度。在本步骤中,获取第n-1个平台集合中的每个平台对应的第n种类型置信度中的最大置信度,如果最大置信度超过预设阈值,则将最大置信度对应的平台确定为目标对应的平台。
例如,从第三平台集合包括的每个平台对应的安全帽颜色置信度中获取最大置信度,如果最大置信度超过预设阈值,则将最大置信度对应的平台确定为目标对应的平台。
在采用并行方式得到该检测结果,该检测结果包括预设多个平台的每个平台的置信度。在本步骤中,从每个平台的置信度中获取最大置信度,将最大置信度对应的平台确定为目标对应的平台。
步骤304:如果最大置信度未超过预设阈值时,提取该目标的目标图像包括的文字,获取该文字中包括的平台名称,将该平台名称对应的平台确定为该目标对应的平台。
可选的,从目标的目标图像中提取出文字后,对提取的文字进行分词得到多个词语,将每个词语与预设的多个平台名称中的每个平台名称进行匹配,如果某个平台名称与某个词语匹配,则将该平台名称对应的平台确定为该目标对应的平台。
在本申请实施例中,事先通过多个样本图片对深度学习算法进行训练得到分类模型。这样通过摄像机拍摄第一图片,通过第一图片检测到发生违章事件的目标且目标属于指定行业,则可以通过摄像机对目标进行拍摄,得到目标图像更新清晰的第二图片,基于第二图片中的目标图像,通过分类模型检测目标属于的每个平台的置信度,可以提高分类模型输出的检测结果的精度,进而提高检测平台的精度,然后根据分类模型的检测结果确定目标属于的平台,这样相比人工检测的方式,可以提高检测平台的效率。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
参见图6,本申请实施例提供了一种检测平台的装置400,所述装置400包括:
第一获取模块401,用于在基于摄像机拍摄的第一图片检测出发生违章事件的目标且所述目标为属于指定行业的目标时,获取所述目标对应的目标图像;
第二获取模块402,用于将所述目标对应的目标图像输入到分类模型,获取所述分类模型对所述目标图像进行检测得到的检测结果,所述检测结果包括所述分类模型基于所述目标图像检测出所述目标属于多个平台中的每个平台的置信度;
确定模块403,用于根据所述检测结果确定所述目标属于的平台。
可选的,所述第一获取模块401包括:
第一获取单元,用于从所述第一图片中获取所述目标对应的目标图像;或者,
第二获取单元,用于通过所述摄像机对所述目标进行拍摄得到第二图片,从所述第二图片获取所述目标对应的目标图像。
可选的,所述目标为非汽车类的车辆,
所述第二获取模块402包括:
第三获取单元,用于将所述目标对应的目标图像输入到分类模型,获取所述分类模型检测出的所述目标属于每个平台对应的车身颜色置信度、属于每个平台对应的后备箱颜色置信度、属于每个平台对应的图案置信度或属于每个平台对应的安全帽颜色置信度中的至少一种置信度;
第四获取单元,用于根据目标平台对应的每种置信度的权值和所述目标平台对应的每种置信度,获取所述目标平台对应的置信度,所述目标平台是所述多个平台的任一个平台。
可选的,所述目标属于每个平台对应的车身颜色置信度是所述分类模型基于所述目标图像包括的车身颜色检测得到的;
所述目标属于每个平台对应的后备箱颜色置信度是所述分类模型基于所述目标图像包括的后备箱颜色检测得到的;
所述目标属于每个平台对应的图案置信度是所述分类模型基于所述目标图像包括的图案检测得到的;
所述目标属于每个平台对应的安全帽颜色置信度是所述分类模型基于所述目标图像包括的驾驶员安全帽颜色检测得到的。
可选的,所述确定模块403,用于:
在所述检测结果包括的最大置信度超过预设阈值时,将所述最大置信度对应的平台确定为所述目标对应的平台。
可选的,所述装置400还包括:
第三获取模块,用于在所述检测结果包括的最大置信度未超过预设阈值时,获取所述目标图像包括的文字,获取所述文字中包括的平台名称,将所述平台名称对应的平台确定为所述目标对应的平台。
可选的,所述装置400还包括:
训练模块,用于根据多个样本图片训练深度学习算得到所述分类模型,所述多个样本图片中的每个样本图片包括被标记的属于指定行业的目标对应的目标图像和被标记的属于非指定行业的目标对应的目标图像,属于指定行业的目标对应的目标图像包括被标记的属于一个平台的车身图像、被标记的属于一个平台的后备箱图像和被标记的属于一个平台的驾驶员安全帽图像中的至少一个。
在本申请实施例中,由第一获取模块获取到目标对应的目标图像,第二获取模块通过分类模型根据该目标图像检测目标属于的每个平台的置信度,这样确定模块根据分类模型的检测结果确定目标属于的平台,如此相比人工检测的方式,可以提高检测平台的效率。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图7示出了本发明一个示例性实施例提供的设备500的结构框图。图1所示的实施列的检测装置可以为该设备500或部署在该设备500上。该设备500可以是计算机等设备。
通常,设备500包括有:处理器501和存储器502。
处理器501可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器501可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器501也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器501可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器501还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器502可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器502还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器502中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器501所执行以实现本申请中方法实施例提供的一种检测平台方法。
在一些实施例中,设备500还可选包括有:外围设备接口503和至少一个外围设备。处理器501、存储器502和外围设备接口503之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口503相连。具体地,外围设备包括:射频电路504、触摸显示屏505、摄像头506、音频电路507、定位组件508和电源509中的至少一种。
外围设备接口503可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器501和存储器502。在一些实施例中,处理器501、存储器502和外围设备接口503被集成在同一芯片或电路板上;在一些其他实施例中,处理器501、存储器502和外围设备接口503中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路504用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路504通过电磁信号与通信网络以及其他通信设备进行通信。射频电路504将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路504包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路504可以通过至少一种无线通信协议来与其它设备进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路504还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏505用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏505是触摸显示屏时,显示屏505还具有采集在显示屏505的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器501进行处理。此时,显示屏505还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏505可以为一个,设置设备500的前面板;在另一些实施例中,显示屏505可以为至少两个,分别设置在设备500的不同表面或呈折叠设计;在再一些实施例中,显示屏505可以是柔性显示屏,设置在设备500的弯曲表面上或折叠面上。甚至,显示屏505还可以设置成非矩形的不规则图形,也即异形屏。显示屏505可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(OrganicLight-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件506用于采集图像或视频。可选地,摄像头组件506包括前置摄像头和后置摄像头。通常,前置摄像头设置在设备的前面板,后置摄像头设置在设备的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件506还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路507可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器501进行处理,或者输入至射频电路504以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在设备500的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器501或射频电路504的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路507还可以包括耳机插孔。
定位组件508用于定位设备500的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件508可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
电源509用于为设备500中的各个组件进行供电。电源509可以是交流电、直流电、一次性电池或可充电电池。当电源509包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,设备500还包括有一个或多个传感器510。该一个或多个传感器510包括但不限于:加速度传感器511、陀螺仪传感器512、压力传感器513、指纹传感器514、光学传感器515以及接近传感器516。
加速度传感器511可以检测以设备500建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器511可以用于检测重力加速度在三个坐标轴上的分量。处理器501可以根据加速度传感器511采集的重力加速度信号,控制触摸显示屏505以横向视图或纵向视图进行用户界面的显示。加速度传感器511还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器512可以检测设备500的机体方向及转动角度,陀螺仪传感器512可以与加速度传感器511协同采集用户对设备500的3D动作。处理器501根据陀螺仪传感器512采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器513可以设置在设备500的侧边框和/或触摸显示屏505的下层。当压力传感器513设置在设备500的侧边框时,可以检测用户对设备500的握持信号,由处理器501根据压力传感器513采集的握持信号进行左右手识别或快捷操作。当压力传感器513设置在触摸显示屏505的下层时,由处理器501根据用户对触摸显示屏505的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器514用于采集用户的指纹,由处理器501根据指纹传感器514采集到的指纹识别用户的身份,或者,由指纹传感器514根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器501授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器514可以被设置设备500的正面、背面或侧面。当设备500上设置有物理按键或厂商Logo时,指纹传感器514可以与物理按键或厂商Logo集成在一起。
光学传感器515用于采集环境光强度。在一个实施例中,处理器501可以根据光学传感器515采集的环境光强度,控制触摸显示屏505的显示亮度。具体地,当环境光强度较高时,调高触摸显示屏505的显示亮度;当环境光强度较低时,调低触摸显示屏505的显示亮度。在另一个实施例中,处理器501还可以根据光学传感器515采集的环境光强度,动态调整摄像头组件506的拍摄参数。
接近传感器516,也称距离传感器,通常设置在设备500的前面板。接近传感器516用于采集用户与设备500的正面之间的距离。在一个实施例中,当接近传感器516检测到用户与设备500的正面之间的距离逐渐变小时,由处理器501控制触摸显示屏505从亮屏状态切换为息屏状态;当接近传感器516检测到用户与设备500的正面之间的距离逐渐变大时,由处理器501控制触摸显示屏505从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图7中示出的结构并不构成对设备500的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
本领域技术人员在考虑说明书及实践这里公开的申请后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (12)
1.一种检测平台的方法,其特征在于,所述方法包括:
在基于摄像机拍摄的第一图片检测出发生违章事件的目标且所述目标为属于指定行业的目标时,获取所述目标对应的目标图像;
将所述目标对应的目标图像输入到分类模型,获取所述分类模型对所述目标图像进行检测得到的检测结果,所述检测结果包括所述分类模型基于所述目标图像检测出所述目标属于多个平台中的每个平台的置信度;
根据所述检测结果确定所述目标属于的平台。
2.如权利要求1所述的方法,其特征在于,所述获取所述目标对应的目标图像,包括:
从所述第一图片中获取所述目标对应的目标图像;或者,
通过所述摄像机对所述目标进行拍摄得到第二图片,从所述第二图片获取所述目标对应的目标图像。
3.如权利要求1所述的方法,其特征在于,所述目标为非汽车类的车辆,
所述将所述目标对应的目标图像输入到分类模型,获取所述分类模型对所述目标图像进行检测得到的检测结果,包括:
将所述目标对应的目标图像输入到分类模型,获取所述分类模型检测出的所述目标属于每个平台对应的车身颜色置信度、属于每个平台对应的后备箱颜色置信度、属于每个平台对应的图案置信度或属于每个平台对应的安全帽颜色置信度中的至少一种置信度;
根据目标平台对应的每种置信度的权值和所述目标平台对应的每种置信度,获取所述目标平台对应的置信度,所述目标平台是所述多个平台的任一个平台。
4.如权利要求3所述的方法,其特征在于,
所述目标属于每个平台对应的车身颜色置信度是所述分类模型基于所述目标图像包括的车身颜色检测得到的;
所述目标属于每个平台对应的后备箱颜色置信度是所述分类模型基于所述目标图像包括的后备箱颜色检测得到的;
所述目标属于每个平台对应的图案置信度是所述分类模型基于所述目标图像包括的图案检测得到的;
所述目标属于每个平台对应的安全帽颜色置信度是所述分类模型基于所述目标图像包括的驾驶员安全帽颜色检测得到的。
5.如权利要求1至4任一项所述的方法,其特征在于,所述根据所述检测结果确定所述目标属于的平台,包括:
在所述检测结果包括的最大置信度超过预设阈值时,将所述最大置信度对应的平台确定为所述目标对应的平台。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
在所述检测结果包括的最大置信度未超过预设阈值时,获取所述目标图像包括的文字,获取所述文字中包括的平台名称,将所述平台名称对应的平台确定为所述目标对应的平台。
7.如权利要求1至4任一项所述的方法,其特征在于,所述将所述目标对应的目标图像输入到分类模型之前,还包括:
根据多个样本图片训练深度学习算得到所述分类模型,所述多个样本图片中的每个样本图片包括被标记的属于指定行业的目标对应的目标图像和被标记的属于非指定行业的目标对应的目标图像,属于指定行业的目标对应的目标图像包括被标记的属于一个平台的车身图像、被标记的属于一个平台的后备箱图像和被标记的属于一个平台的驾驶员安全帽图像中的至少一个。
8.一种检测平台的装置,其特征在于,所述装置包括:
第一获取模块,用于在基于摄像机拍摄的第一图片检测出发生违章事件的目标且所述目标为属于指定行业的目标时,获取所述目标对应的目标图像;
第二获取模块,用于将所述目标对应的目标图像输入到分类模型,获取所述分类模型对所述目标图像进行检测得到的检测结果,所述检测结果包括所述分类模型基于所述目标图像检测出所述目标属于多个平台中的每个平台的置信度;
确定模块,用于根据所述检测结果确定所述目标属于的平台。
9.如权利要求8所述的装置,其特征在于,所述目标为非汽车类的车辆,
所述第二获取模块包括:
第三获取单元,用于将所述目标对应的目标图像输入到分类模型,获取所述分类模型检测出的所述目标属于每个平台对应的车身颜色置信度、属于每个平台对应的后备箱颜色置信度、属于每个平台对应的图案置信度或属于每个平台对应的安全帽颜色置信度中的至少一种置信度;
第四获取单元,用于根据目标平台对应的每种置信度的权值和所述目标平台对应的每种置信度,获取所述目标平台对应的置信度,所述目标平台是所述多个平台的任一个平台。
10.如权利要求8所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于在所述检测结果包括的最大置信度未超过预设阈值时,获取所述目标图像包括的文字,获取所述文字中包括的平台名称,将所述平台名称对应的平台确定为所述目标对应的平台。
11.如权利要求8至10任一项所述的装置,其特征在于,所述装置还包括:
训练模块,用于根据多个样本图片训练深度学习算得到所述分类模型,所述多个样本图片中的每个样本图片包括被标记的属于指定行业的目标对应的目标图像和被标记的属于非指定行业的目标对应的目标图像,属于指定行业的目标对应的目标图像包括被标记的属于一个平台的车身图像、被标记的属于一个平台的后备箱图像和被标记的属于一个平台的驾驶员安全帽图像中的至少一个。
12.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,
所述存储器存储至少一个指令,所述至少一个指令被所述处理器加载并执行行,以实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910220851.XA CN111723623B (zh) | 2019-03-22 | 2019-03-22 | 一种检测平台的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910220851.XA CN111723623B (zh) | 2019-03-22 | 2019-03-22 | 一种检测平台的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111723623A true CN111723623A (zh) | 2020-09-29 |
CN111723623B CN111723623B (zh) | 2024-06-18 |
Family
ID=72562186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910220851.XA Active CN111723623B (zh) | 2019-03-22 | 2019-03-22 | 一种检测平台的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723623B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208009A (zh) * | 2010-03-31 | 2011-10-05 | 索尼公司 | 分类器及分类方法 |
CN103324937A (zh) * | 2012-03-21 | 2013-09-25 | 日电(中国)有限公司 | 标注目标的方法和装置 |
CN103927878A (zh) * | 2014-04-10 | 2014-07-16 | 中海网络科技股份有限公司 | 一种用于违章停车的自动抓拍装置及自动抓拍方法 |
CN106683073A (zh) * | 2015-11-11 | 2017-05-17 | 杭州海康威视数字技术股份有限公司 | 一种车牌的检测方法及摄像机和服务器 |
CN106781525A (zh) * | 2017-02-28 | 2017-05-31 | 广州交通信息化建设投资营运有限公司 | 一种车辆智能识别监控方法 |
CN106845478A (zh) * | 2016-12-30 | 2017-06-13 | 同观科技(深圳)有限公司 | 一种字符置信度的二次车牌识别方法及装置 |
CN107240176A (zh) * | 2017-05-31 | 2017-10-10 | 合肥亿迈杰软件有限公司 | 一种基于特征识别的小区车辆进出管理方法 |
CN107705544A (zh) * | 2017-08-30 | 2018-02-16 | 顾泰来 | 一种运营车辆公共监督管理系统 |
CN108171203A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 用于识别车辆的方法和装置 |
US20180181817A1 (en) * | 2015-09-10 | 2018-06-28 | Baidu Online Network Technology (Beijing) Co., Ltd. | Vehicular lane line data processing method, apparatus, storage medium, and device |
CN108256498A (zh) * | 2018-02-01 | 2018-07-06 | 上海海事大学 | 一种基于EdgeBoxes和FastR-CNN的非机动车辆目标检测方法 |
CN108875595A (zh) * | 2018-05-29 | 2018-11-23 | 重庆大学 | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 |
CN108986400A (zh) * | 2018-09-03 | 2018-12-11 | 深圳市尼欧科技有限公司 | 一种基于图像处理的第三方乘驾安全自动报警方法 |
US20180373941A1 (en) * | 2017-06-26 | 2018-12-27 | Here Global B.V. | Method, apparatus, and system for estimating a quality of lane features of a roadway |
CN109359676A (zh) * | 2018-10-08 | 2019-02-19 | 百度在线网络技术(北京)有限公司 | 用于生成车辆损伤信息的方法和装置 |
CN109389135A (zh) * | 2017-08-03 | 2019-02-26 | 杭州海康威视数字技术股份有限公司 | 一种图像筛选方法及装置 |
-
2019
- 2019-03-22 CN CN201910220851.XA patent/CN111723623B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208009A (zh) * | 2010-03-31 | 2011-10-05 | 索尼公司 | 分类器及分类方法 |
CN103324937A (zh) * | 2012-03-21 | 2013-09-25 | 日电(中国)有限公司 | 标注目标的方法和装置 |
CN103927878A (zh) * | 2014-04-10 | 2014-07-16 | 中海网络科技股份有限公司 | 一种用于违章停车的自动抓拍装置及自动抓拍方法 |
US20180181817A1 (en) * | 2015-09-10 | 2018-06-28 | Baidu Online Network Technology (Beijing) Co., Ltd. | Vehicular lane line data processing method, apparatus, storage medium, and device |
CN106683073A (zh) * | 2015-11-11 | 2017-05-17 | 杭州海康威视数字技术股份有限公司 | 一种车牌的检测方法及摄像机和服务器 |
CN106845478A (zh) * | 2016-12-30 | 2017-06-13 | 同观科技(深圳)有限公司 | 一种字符置信度的二次车牌识别方法及装置 |
CN106781525A (zh) * | 2017-02-28 | 2017-05-31 | 广州交通信息化建设投资营运有限公司 | 一种车辆智能识别监控方法 |
CN107240176A (zh) * | 2017-05-31 | 2017-10-10 | 合肥亿迈杰软件有限公司 | 一种基于特征识别的小区车辆进出管理方法 |
US20180373941A1 (en) * | 2017-06-26 | 2018-12-27 | Here Global B.V. | Method, apparatus, and system for estimating a quality of lane features of a roadway |
CN109389135A (zh) * | 2017-08-03 | 2019-02-26 | 杭州海康威视数字技术股份有限公司 | 一种图像筛选方法及装置 |
CN107705544A (zh) * | 2017-08-30 | 2018-02-16 | 顾泰来 | 一种运营车辆公共监督管理系统 |
CN108171203A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 用于识别车辆的方法和装置 |
CN108256498A (zh) * | 2018-02-01 | 2018-07-06 | 上海海事大学 | 一种基于EdgeBoxes和FastR-CNN的非机动车辆目标检测方法 |
CN108875595A (zh) * | 2018-05-29 | 2018-11-23 | 重庆大学 | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 |
CN108986400A (zh) * | 2018-09-03 | 2018-12-11 | 深圳市尼欧科技有限公司 | 一种基于图像处理的第三方乘驾安全自动报警方法 |
CN109359676A (zh) * | 2018-10-08 | 2019-02-19 | 百度在线网络技术(北京)有限公司 | 用于生成车辆损伤信息的方法和装置 |
Non-Patent Citations (1)
Title |
---|
柳思健: "基于卷积网络的车辆定位与细粒度分类算法", 《自动化与仪表》, no. 07, 15 July 2018 (2018-07-15), pages 9 - 13 * |
Also Published As
Publication number | Publication date |
---|---|
CN111723623B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490179B (zh) | 车牌识别方法、装置及存储介质 | |
CN111723602B (zh) | 驾驶员的行为识别方法、装置、设备及存储介质 | |
CN109886208B (zh) | 物体检测的方法、装置、计算机设备及存储介质 | |
CN113627413B (zh) | 数据标注方法、图像比对方法及装置 | |
CN113763228A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN112406707A (zh) | 车辆预警方法、车辆、装置、终端和存储介质 | |
CN111586279B (zh) | 确定拍摄状态的方法、装置、设备及存储介质 | |
CN111325701B (zh) | 图像处理方法、装置及存储介质 | |
CN109754439B (zh) | 标定方法、装置、电子设备及介质 | |
CN110675473A (zh) | 生成gif动态图的方法、装置、电子设备及介质 | |
CN111753606A (zh) | 一种智能模型的升级方法及装置 | |
CN111179628B (zh) | 自动驾驶车辆的定位方法、装置、电子设备及存储介质 | |
CN111444749B (zh) | 路面导向标志的识别方法、装置及存储介质 | |
CN112446849A (zh) | 一种处理图片的方法及装置 | |
CN111754564A (zh) | 视频展示方法、装置、设备及存储介质 | |
CN111583669B (zh) | 一种超速检测方法、装置、控制设备和存储介质 | |
CN112882094B (zh) | 初至波的获取方法、装置、计算机设备及存储介质 | |
CN111294513B (zh) | 拍照方法、装置、电子设备及存储介质 | |
CN112990424B (zh) | 神经网络模型训练的方法和装置 | |
CN110717365B (zh) | 一种获取图片的方法及装置 | |
CN113591514B (zh) | 指纹活体检测方法、设备及存储介质 | |
CN110728275B (zh) | 车牌识别方法、装置及存储介质 | |
CN111723623B (zh) | 一种检测平台的方法及装置 | |
CN110659609B (zh) | 指纹匹配方法、装置、电子设备及介质 | |
CN111698453B (zh) | 视频处理的方法和装置 |
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 |