CN111783573B - 一种远光灯检测方法、装置及设备 - Google Patents
一种远光灯检测方法、装置及设备 Download PDFInfo
- Publication number
- CN111783573B CN111783573B CN202010556455.7A CN202010556455A CN111783573B CN 111783573 B CN111783573 B CN 111783573B CN 202010556455 A CN202010556455 A CN 202010556455A CN 111783573 B CN111783573 B CN 111783573B
- Authority
- CN
- China
- Prior art keywords
- target
- high beam
- candidate
- candidate data
- feature
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000006073 displacement reaction Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种远光灯检测方法、装置及设备，包括：获取针对目标车辆的第一目标图像和第二目标图像；根据第二目标图像的亮度信息确定目标车辆的车灯中心点坐标，根据车灯中心点坐标从第一目标图像中获取目标车辆的车灯区域；确定车灯区域的目标数据特征与候选特征集合中的每个候选数据特征的相似度；其中，候选特征集合包括多个候选数据特征，每个候选数据特征设置有远光灯标签，所述远光灯标签表示开启远光灯或未开启远光灯；基于目标数据特征与每个候选数据特征的相似度，从候选特征集合中选取K个候选数据特征；基于K个候选数据特征的远光灯标签，预测目标车辆是否开启远光灯。通过本申请的技术方案，能够准确预测出目标车辆是否开启远光灯。
Description
技术领域
本申请涉及图像处理领域，尤其涉及一种远光灯检测方法、装置及设备。
背景技术
在照明良好的道路行驶时，使用远光灯会影响其它车辆的行驶，甚至影响驾驶员对路面的观察，产生的危害极大，因此，违规开启远光灯属于违法行为。
目前，相关机构明确了不能使用远光灯的情况：在没有中心隔离设施或没有中心线的道路会车时，距对向来车150米内不能使用远光灯。在没有中心隔离设施或没有中心线的窄桥/窄路会车时，不能使用远光灯。在有交通信号控制的交叉路口转弯时，不能使用远光灯。在低能见度的情况下，同方向行驶的后车与前车近距离行驶时，不能使用远光灯。在照明良好的城区不宜使用远光灯。
由于违规开启远光灯属于违法行为，因此，需要检测车辆是否违规开启远光灯。但是，应该如何对车辆是否违规开启远光灯进行检测，目前并没有合理的检测方式，也就是说，无法准确检测出车辆是否违规开启远光灯。
发明内容
本申请提供一种远光灯检测方法，所述方法包括：
获取针对目标车辆的第一目标图像和第二目标图像；其中，所述第二目标图像的曝光时长小于所述第一目标图像的曝光时长；
根据所述第二目标图像的亮度信息确定所述目标车辆的车灯中心点坐标，根据所述车灯中心点坐标从所述第一目标图像中获取目标车辆的车灯区域；
确定所述车灯区域的目标数据特征与候选特征集合中的每个候选数据特征的相似度；其中，所述候选特征集合包括多个候选数据特征，每个候选数据特征设置有远光灯标签，所述远光灯标签表示开启远光灯或未开启远光灯；
基于目标数据特征与每个候选数据特征的相似度，从所述候选特征集合中选取K个候选数据特征；其中，K为大于或者等于1的正整数；
基于K个候选数据特征的远光灯标签，预测目标车辆是否开启远光灯。
所述基于目标数据特征与每个候选数据特征的相似度，从所述候选特征集合中选取K个候选数据特征，包括：
基于目标数据特征与所述候选特征集合中每个候选数据特征的相似度，从所述候选特征集合中选取相似度最大的K个候选数据特征。
所述基于K个候选数据特征的远光灯标签，预测目标车辆是否开启远光灯，包括：若远光灯标签为第一标签值或者第二标签值，则基于K个候选数据特征的远光灯标签，统计出第一标签值数量和第二标签值数量；其中，所述第一标签值表示开启远光灯，所述第二标签值表示未开启远光灯；
根据第一标签值数量和第二标签值数量预测目标车辆是否开启远光灯，并根据第一标签值数量和第二标签值数量确定预测结果的置信度。
所述根据第一标签值数量和第二标签值数量预测目标车辆是否开启远光灯，包括：若第一标签值数量大于第二标签值数量，则预测目标车辆开启远光灯；
若第一标签值数量小于第二标签值数量，则预测目标车辆未开启远光灯。
所述目标数据特征包括以下之一或任意组合：
所述车灯区域的亮度特征；
所述车灯区域的方差特征；其中，所述方差特征为R通道分量的方差值，或G通道分量的方差值，或B通道分量的方差值；
所述车灯区域的高亮区域面积特征；
所述车灯区域的圆度特征。
确定所述目标数据特征与所述候选数据特征的相似度，包括：
基于所述目标数据特征与所述候选数据特征的欧式距离，确定所述目标数据特征与所述候选数据特征的相似度；或者，
基于所述目标数据特征与所述候选数据特征的曼哈顿距离，确定所述目标数据特征与所述候选数据特征的相似度；或者，
基于所述目标数据特征与所述候选数据特征的马氏距离，确定所述目标数据特征与所述候选数据特征的相似度。
所述根据所述车灯中心点坐标从所述第一目标图像中获取目标车辆的车灯区域，包括：根据所述车灯中心点坐标从所述第一目标图像中获取感兴趣区域；
对所述感兴趣区域进行二值化处理，得到二值化子图像；其中，所述二值化子图像中的每个像素位置的灰度值为第一灰度值或第二灰度值，所有第一灰度值组成的区域为所述二值化子图像的前景区域；
从所述第一目标图像中确定出与所述前景区域匹配的目标区域；
将所述目标区域确定为所述目标车辆的车灯区域。
所述根据所述车灯中心点坐标从所述第一目标图像中获取感兴趣区域，包括：根据所述第二目标图像的曝光时刻和所述第一目标图像的曝光时刻确定位移偏移值；根据所述位移偏移值和所述车灯中心点坐标从所述第一目标图像中获取感兴趣区域。
本申请提供一种远光灯检测装置，所述装置包括：
获取模块，用于获取针对目标车辆的第一目标图像和第二目标图像；其中，所述第二目标图像的曝光时长小于所述第一目标图像的曝光时长；以及，根据所述第二目标图像的亮度信息确定所述目标车辆的车灯中心点坐标，根据所述车灯中心点坐标从所述第一目标图像中获取目标车辆的车灯区域；
确定模块，用于确定车灯区域的目标数据特征与候选特征集合中的每个候选数据特征的相似度；候选特征集合包括多个候选数据特征，每个候选数据特征设置有远光灯标签，所述远光灯标签表示开启远光灯或未开启远光灯；
选取模块，用于基于目标数据特征与每个候选数据特征的相似度，从所述候选特征集合中选取K个候选数据特征；其中，K为大于或者等于1的正整数；
检测模块，用于基于所述K个候选数据特征的远光灯标签，预测所述目标车辆是否开启远光灯。
本申请提供一种远光灯检测设备，包括：处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令；
所述处理器用于执行机器可执行指令，以实现如下步骤：
获取针对目标车辆的第一目标图像和第二目标图像；其中，所述第二目标图像的曝光时长小于所述第一目标图像的曝光时长；
根据所述第二目标图像的亮度信息确定所述目标车辆的车灯中心点坐标，根据所述车灯中心点坐标从所述第一目标图像中获取目标车辆的车灯区域；
确定所述车灯区域的目标数据特征与候选特征集合中的每个候选数据特征的相似度；其中，所述候选特征集合包括多个候选数据特征，每个候选数据特征设置有远光灯标签，所述远光灯标签表示开启远光灯或未开启远光灯；
基于目标数据特征与每个候选数据特征的相似度，从所述候选特征集合中选取K个候选数据特征；其中，K为大于或者等于1的正整数；
基于K个候选数据特征的远光灯标签，预测目标车辆是否开启远光灯。
由以上技术方案可见，本申请实施例中，基于车灯区域的目标数据特征与候选特征集合中的每个候选数据特征的相似度，从候选特征集合中选取K个候选数据特征，基于K个候选数据特征的远光灯标签预测目标车辆是否开启远光灯，从而准确预测出目标车辆是否开启远光灯，预测结果更加准确，为交通场景的管控提供数据基础，帮助管理人员分析目标车辆是否违规开启远光灯。由于第二目标图像的曝光时长小于第一目标图像的曝光时长，因此，可以将第二目标图像称为暗帧，将第一目标图像称为亮帧，第二目标图像的曝光时长比较短，只有车灯区域比较亮，其它区域比较暗，可以唯一找到车灯区域，而第一目标图像的曝光时长比较长，车灯区域比较亮，其它区域也可能比较亮(即其它区域是亮度的噪点)，基于此，可以基于第二目标图像的车灯区域的车灯中心点坐标，从第一目标图像中找到车灯区域，从而辅助找到亮帧中的车灯区域。
附图说明
为了更加清楚地说明本申请实施例或者现有技术中的技术方案，下面将对本申请实施例或者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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据本申请实施例的这些附图获得其他的附图。
图1是本申请一种实施方式中的远光灯检测方法的流程示意图；
图2A和图2B是本申请一种实施方式中的感兴趣区域的示意图；
图3是本申请一种实施方式中的远光灯检测方法的流程示意图；
图4是本申请一种实施方式中的远光灯检测装置的结构示意图；
图5是本申请一种实施方式中的远光灯检测设备的硬件结构图。
具体实施方式
在本申请实施例使用的术语仅仅是出于描述特定实施例的目的，而非限制本申请。本申请和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义。还应当理解，本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，此外，所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请实施例中提出一种远光灯检测方法，用于预测目标车辆是否开启远光灯，帮助管理人员分析目标车辆是否违规开启远光灯。该方法可以应用于远光灯检测设备，如前端设备(如IPC(IP Camera，网络摄像机)、摄像头等)或者后端设备(如后端服务器)等，对此远光灯检测设备的类型不做限制。
若该方法应用于前端设备，则前端设备在采集到第一目标图像和第二目标图像后，可以基于该第一目标图像和该第二目标图像预测目标车辆是否开启远光灯。若该方法应用于后端设备，则前端设备在采集到第一目标图像和第二目标图像后，可以将该第一目标图像和该第二目标图像发送给后端设备，由后端设备基于该第一目标图像和该第二目标图像预测目标车辆是否开启远光灯。
参见图1所示，为远光灯检测方法的流程示意图，该方法可以包括：
步骤101，从第一目标图像中获取目标车辆的车灯区域。
示例性的，远光灯检测设备可以获取包括车辆的图像，为了区分方便，将该图像称为第一目标图像，将第一目标图像中的车辆称为目标车辆。
在第一目标图像中，可以包括目标车辆的车灯区域，目标车辆的车身区域，目标车辆的车牌区域，与目标车辆无关的区域等，对此不做限制。
在步骤101中，需要从第一目标图像中获取出目标车辆的车灯区域，对此获取方式不做限制，只要能够从第一目标图像中获取目标车辆的车灯区域即可，该车灯区域可以是圆形区域，也可以是矩形区域，还可以是不规则区域。
在一种可能的实施方式中，在步骤101中，可以采用如下方式从第一目标图像中获取目标车辆的车灯区域：获取针对目标车辆的第一目标图像和第二目标图像，该第二目标图像的曝光时长小于该第一目标图像的曝光时长。然后，根据该第二目标图像的亮度信息确定目标车辆的车灯中心点坐标，并根据该车灯中心点坐标从第一目标图像中获取目标车辆的车灯区域。
步骤102，确定目标车辆的车灯区域的目标数据特征与候选特征集合中的每个候选数据特征的相似度。该候选特征集合包括多个候选数据特征，每个候选数据特征设置有远光灯标签，远光灯标签表示开启远光灯或未开启远光灯。
远光灯标签可以为第一标签值或第二标签值，第一标签值表示开启远光灯，第二标签值表示未开启远光灯。第一标签值和第二标签值可以任意配置，如第一标签值为0，第二标签值为1，或者，第一标签值为1，第二标签值为0。
在步骤102之前，远光灯检测设备需要先获取候选特征集合，该候选特征集合包括多个数据特征，为了区分方便，将候选特征集合中的数据特征记为候选数据特征，例如，候选特征集合包括候选数据特征a1-候选数据特征a100。
为了获取候选特征集合，在一种可能的实施方式中，可以将多个训练样本图像输入给远光灯检测设备，由远光灯检测设备基于这些训练样本图像获取候选特征集合。或者，将多个训练样本图像输入给服务器，由服务器基于这些训练样本图像获取候选特征集合，并将候选特征集合发送给远光灯检测设备。
以远光灯检测设备基于训练样本图像获取候选特征集合为例，远光灯检测设备可以得到多个训练样本图像以及每个训练样本图像的标定信息，该标定信息可以包括车灯区域信息和车灯区域的远光灯标签。该车灯区域信息可以包括但不限于车灯区域的中心点坐标，车灯区域的半径等信息。
针对每个训练样本图像，根据该训练样本图像的车灯区域信息，从该训练样本图像中确定出车灯区域。例如，基于车灯区域的中心点坐标以及车灯区域的半径，从该训练样本图像中确定出圆形区域，该圆形区域是车灯区域。
在从该训练样本图像中确定出车灯区域后，可以获取该车灯区域的候选数据特征，并建立该候选数据特征与该训练样本图像的远光灯标签的映射关系。
针对每个训练样本图像进行上述处理后，可以得到每个训练样本图像的候选数据特征，及每个候选数据特征的远光灯标签，将这些候选数据特征添加到候选特征集合，并记录候选数据特征与远光灯标签的映射关系，参见表1所示。
表1
| 候选数据特征 | 远光灯标签 |
| 候选数据特征a1 | 第一标签值 |
| 候选数据特征a2 | 第一标签值 |
| 候选数据特征a3 | 第二标签值 |
| … | … |
至此，可以得到候选特征集合，且针对候选特征集合中的每个候选数据特征，该候选数据特征设置有远光灯标签，如第一标签值或第二标签值。
在步骤102中，在从第一目标图像中获取到目标车辆的车灯区域后，可以获取目标车辆的车灯区域的数据特征，为了区分方便，将该数据特征称为目标数据特征，该目标数据特征是第一目标图像中的该车灯区域的数据特征。
基于目标数据特征以及候选特征集合中的每个候选数据特征，可以确定目标数据特征与每个候选数据特征的相似度，如目标数据特征与候选数据特征a1的相似度，目标数据特征与候选数据特征a2的相似度，以此类推。
在确定目标数据特征与候选数据特征的相似度时，可以采用相似度算法确定目标数据特征与候选数据特征的相似度，对此相似度算法不做限制，只要能够确定目标数据特征与候选数据特征的相似度即可。例如，相似度算法可以包括但不限于欧式距离相似度算法，曼哈顿距离相似度算法，切比雪夫距离相似度算法，马氏距离相似度算法，余弦相似度算法，皮尔森相关系数算法等。
步骤103，基于目标数据特征与每个候选数据特征的相似度，从候选特征集合中选取K个候选数据特征。K为大于或者等于1的正整数，K小于或者等于候选特征集合中的候选数据特征总数量。示例性的，K可以为奇数。
示例性的，可以基于目标数据特征与候选特征集合中每个候选数据特征的相似度，从该候选特征集合中选取相似度最大的K个候选数据特征。
例如，基于目标数据特征与每个候选数据特征的相似度，按照相似度从大到小的顺序，对候选特征集合中的每个候选数据特征进行排序；基于排序结果，选取排序靠前的K个候选数据特征。或者，基于目标数据特征与每个候选数据特征的相似度，按照相似度从小到大的顺序，对候选特征集合中的每个候选数据特征进行排序；基于排序结果，选取排序靠后的K个候选数据特征。
综上所述，在得到目标数据特征与每个候选数据特征的相似度后，可以从候选特征集合中选取相似度最大的K个候选数据特征。当然，上述两种选取方式只是示例，对此不做限制，只要是根据相似度选取K个候选数据特征即可。
步骤104，基于K个候选数据特征的远光灯标签，预测目标车辆是否开启远光灯，即预测出目标车辆开启远光灯，或预测出目标车辆未开启远光灯。
示例性的，由于候选特征集合中的每个候选数据特征均设置有远光灯标签，远光灯标签可以为第一标签值或者第二标签值，且第一标签值表示开启远光灯，第二标签值表示未开启远光灯，因此，在从候选特征集合中选取K个候选数据特征后，可以得到这K个候选数据特征的远光灯标签，并基于K个候选数据特征的远光灯标签，预测目标车辆是否开启远光灯。例如，基于K个候选数据特征的远光灯标签，统计出第一标签值数量和第二标签值数量，并可以根据第一标签值数量和第二标签值数量预测目标车辆是否开启远光灯。
示例性的，根据第一标签值数量和第二标签值数量预测目标车辆是否开启远光灯，可以包括但不限于：方式一、若第一标签值数量大于第二标签值数量，则预测目标车辆开启远光灯；若第一标签值数量小于第二标签值数量，则预测目标车辆未开启远光灯。在K为奇数时，不存在第一标签值数量等于第二标签值数量的情况。在K为偶数时，若第一标签值数量等于第二标签值数量，则可以预测目标车辆开启远光灯，也可以预测目标车辆未开启远光灯。
方式二、若第一标签值数量与远光灯标签总数量(即K)的比例大于第一比例阈值，则预测目标车辆开启远光灯。若第一标签值数量与远光灯标签总数量的比例不大于第一比例阈值，则预测目标车辆未开启远光灯。第一比例阈值可以根据经验配置，如0-1之间的数值，对此不做限制，如可以大于0.5。
方式三、若第二标签值数量与远光灯标签总数量(即K)的比例小于第二比例阈值，则预测目标车辆开启远光灯。若第二标签值数量与远光灯标签总数量的比例不小于第二比例阈值，则预测目标车辆未开启远光灯。第二比例阈值可以根据经验配置，如0-1之间的数值，对此不做限制，如可以小于0.5。
方式四、若K为1，则只存在一个候选数据特征的远光灯标签。若远光灯标签为第一标签值，则预测目标车辆开启远光灯。在该情况下，第一标签值数量为1，第二标签值数量为0，即第一标签值数量大于第二标签值数量。若远光灯标签为第二标签值，则预测目标车辆未开启远光灯。在该情况下，第一标签值数量为0，第二标签值数量为1，即第一标签值数量小于第二标签值数量。
综上所述，可以根据第一标签值数量和第二标签值数量预测目标车辆是否开启远光灯，对此预测方式不做限制，只要第一标签值数量越多时，预测目标车辆开启远光灯，而第二标签值数量越多时，预测目标车辆未开启远光灯即可。
示例性的，在根据第一标签值数量和第二标签值数量预测目标车辆是否开启远光灯之后，还可以根据第一标签值数量和第二标签值数量确定预测结果的置信度，该置信度越大时，则说明预测结果越准确，即预测结果越可信。
例如，若预测目标车辆开启远光灯，则预测结果的置信度可以为第一标签值数量与K的比例，如第一标签值数量为3，K为5时，预测结果的置信度为60％，第一标签值数量为5，K为5时，预测结果的置信度为100％。若预测目标车辆未开启远光灯，则预测结果的置信度可以为第二标签值数量与K的比例，如第二标签值数量为4，K为5时，预测结果的置信度为80％。
综上所述，远光灯检测设备可以基于K个候选数据特征的远光灯标签，预测目标车辆是否开启远光灯，并能够输出预测结果的置信度。
由以上技术方案可见，本申请实施例中，基于车灯区域的目标数据特征与候选特征集合中的每个候选数据特征的相似度，从候选特征集合中选取K个候选数据特征，基于K个候选数据特征的远光灯标签预测目标车辆是否开启远光灯，从而准确预测出目标车辆是否开启远光灯，预测结果更加准确，为交通场景的管控提供数据基础，帮助管理人员分析目标车辆是否违规开启远光灯。
在一种可能的实施方式中，针对步骤102，目标车辆的车灯区域的目标数据特征，可以包括但不限于以下之一或任意组合：车灯区域的亮度特征；车灯区域的方差特征(如R通道分量的方差值，或G通道分量的方差值，或B通道分量的方差值)；车灯区域的高亮区域面积特征；车灯区域的圆度特征。
示例性的，远光灯检测设备可以预先配置待比对特征，该待比对特征可以为亮度特征，方差特征，高亮区域面积特征，圆度特征中的至少一种，对此待比对特征不做限制。候选数据特征可以为训练样本图像的车灯区域的待比对特征，目标数据特征可以为第一目标图像的车灯区域的待比对特征。
例如，若配置待比对特征为亮度特征，则候选数据特征可以为训练样本图像的车灯区域的亮度特征，目标数据特征可以为第一目标图像的车灯区域的亮度特征。又例如，若配置待比对特征为亮度特征和方差特征，则候选数据特征可以为训练样本图像的车灯区域的亮度特征和方差特征，目标数据特征可以为第一目标图像的车灯区域的亮度特征和方差特征，以此类推。
针对目标数据特征的亮度特征，该亮度特征可以是第一目标图像的车灯区域的平均亮度。例如，第一目标图像的车灯区域可以是RGB(Red Green Blue，红绿蓝)子图像(即与车灯区域对应的子图像)，先将RGB子图像转换为灰度子图像，基于灰度子图像中每个像素位置的亮度值，可以确定这些亮度值的平均值，而该平均值就是第一目标图像的车灯区域的平均亮度，即亮度特征。
参见公式(1)所示，为确定亮度特征的一个示例，在公式(1)中，W和H分别表示第一目标图像的车灯区域的宽度和高度，也就是灰度子图像的宽度和高度，I(i,j)表示车灯区域对应的灰度子图像的像素位置(i,j)的亮度值。
针对目标数据特征的方差特征，该方差特征可以是第一目标图像的车灯区域的方差值。例如，第一目标图像的车灯区域可以是RGB子图像，该RGB子图像包括R通道分量，G通道分量和B通道分量。基于R通道分量的每个像素位置的像素值进行均值运算和方差运算，可以得到R通道分量的方差值，可以将R通道分量的方差值作为车灯区域的方差特征。或者，基于G通道分量的每个像素位置的像素值进行均值运算和方差运算，可以得到G通道分量的方差值，可以将G通道分量的方差值作为车灯区域的方差特征。或者，基于B通道分量的每个像素位置的像素值进行均值运算和方差运算，可以得到B通道分量的方差值，可以将B通道分量的方差值作为车灯区域的方差特征。
在一种可能的实施方式中，可以将R通道分量的方差值，G通道分量的方差值和B通道分量的方差值中的至少一个方差值，作为目标数据特征的方差特征。例如，将R通道分量的方差值作为方差特征。或者，将G通道分量的方差值作为方差特征。或者，将B通道分量的方差值作为方差特征。或者，确定R通道分量的方差值，G通道分量的方差值和B通道分量的方差值中的最大方差值，将最大方差值作为方差特征。或者，确定R通道分量的方差值，G通道分量的方差值和B通道分量的方差值中的最小方差值，将最小方差值作为方差特征。或者，将R通道分量的方差值，G通道分量的方差值和B通道分量的方差值，均作为方差特征。当然，上述方式只是几个示例，对此不做限制。
参见公式(2)所示，为确定方差特征的一个示例，在公式(2)中，W和H分别表示第一目标图像的车灯区域的宽度和高度，I(i,j)表示某个通道分量的像素位置(i,j)的像素值，u为该通道分量的所有像素位置的像素值的平均值。
针对目标数据特征的高亮区域面积特征，该高亮区域面积特征可以是第一目标图像的车灯区域的高亮区域面积。例如，第一目标图像的车灯区域可以是RGB子图像，先将RGB子图像转换为灰度子图像，基于灰度子图像中每个像素位置的亮度值，判断该亮度值是否大于预设亮度阈值，如果是，则将高亮区域面积加1，如果否，则保持高亮区域面积不变。在对所有像素位置进行上述处理后，可以得到最终的高亮区域面积，即目标数据特征的高亮区域面积特征。
例如，假设灰度子图像中一共存在有500个像素位置，且有300个像素位置的亮度值大于预设亮度阈值，则高亮区域面积可以为300。
参见公式(3)所示，为确定高亮区域面积特征S的一个示例，在公式(3)中，W和H分别表示第一目标图像的车灯区域的宽度和高度，也就是灰度子图像的宽度和高度，I(i,j)表示车灯区域对应的灰度子图像的像素位置(i,j)的亮度值，th表示预设亮度阈值，该预设亮度阈值可以根据经验配置，假设亮度值的取值范围是0-255，则预设亮度阈值可以为0-255之间的数值，如200等。在公式(3)中，若I(i,j)大于th，则I(i,j)-th为1，若I(i,j)不大于th，则I(i,j)-th为0。
针对目标数据特征的圆度特征，该圆度特征可以是第一目标图像的车灯区域的面积与理论圆面积的接近程度。例如，确定第一目标图像的车灯区域的面积，并确定第一目标图像的车灯区域的中心像素位置，确定中心像素位置与车灯区域的每个像素位置的距离，将最大距离作为最长极轴，并基于最长极轴确定理论圆面积。然后，可以根据车灯区域的面积与理论圆面积确定圆度特征。
参见公式(4)所示，为确定圆度特征的一个示例，在公式(4)中，fcir表示圆度特征，Sarea表示第一目标图像的车灯区域的面积，rmax表示车灯区域的中心像素位置到轮廓上的最长极轴，π·r2 max表示理论圆面积。
综上所述，可以得到目标数据特征的亮度特征，方差特征，高亮区域面积特征，圆度特征。同理，基于训练样本图像的车灯区域，可以得到候选数据特征的亮度特征，方差特征，高亮区域面积特征，圆度特征。
比如说，针对候选数据特征的亮度特征，可以是训练样本图像的车灯区域的平均亮度。针对候选数据特征的方差特征，可以是训练样本图像的车灯区域的方差值。针对候选数据特征的高亮区域面积特征，可以是训练样本图像的车灯区域的高亮区域面积。针对候选数据特征的圆度特征，可以是训练样本图像的车灯区域的面积与理论圆面积的接近程度，对此确定过程不再赘述。
在一种可能的实施方式中，针对步骤102，需要确定目标数据特征与候选数据特征的相似度，例如，采用欧式距离，曼哈顿距离，切比雪夫距离，马氏距离，余弦相似度，皮尔森相关系数等相似度算法，确定目标数据特征与候选数据特征的相似度。例如，可以采用如下几个方式确定目标数据特征与候选数据特征的相似度，当然，这里只是示出了几个示例，对此确定方式不做限制。
方式一、确定目标数据特征与候选数据特征的欧式距离(Euclidean距离)，基于该欧式距离确定目标数据特征与候选数据特征的相似度。
示例性的，在得到欧式距离后，该欧式距离表示的就是相似度，因此，可以基于该欧式距离确定目标数据特征与候选数据特征的相似度。比如说，当欧式距离越小时，相似度越大，当欧式距离越大时，相似度越小。
示例性的，欧式距离的确定方式可以参见公式(5)所示，n表示数据特征的特征总数量，例如，针对亮度特征，方差特征，高亮区域面积特征和圆度特征的情况，n可以为4。x1表示目标数据特征的亮度特征，y1表示候选数据特征的亮度特征，x2表示目标数据特征的方差特征，y2表示候选数据特征的方差特征，x3表示目标数据特征的高亮区域面积特征，y3表示候选数据特征的高亮区域面积特征，x4表示目标数据特征的圆度特征，y4表示候选数据特征的圆度特征。
方式二、确定目标数据特征与候选数据特征的曼哈顿距离(Manhattan距离)，基于该曼哈顿距离确定目标数据特征与候选数据特征的相似度。
示例性的，在得到曼哈顿距离后，该曼哈顿距离表示的就是相似度，因此，可以基于该曼哈顿距离确定目标数据特征与候选数据特征的相似度。比如说，当曼哈顿距离越小时，相似度越大，当曼哈顿距离越大时，相似度越小。
示例性的，曼哈顿距离的确定方式可以参见公式(6)所示，n表示数据特征的特征总数量，x1，y1，x2，y2，x3，y3，x4，y4参见方式一，在此不再赘述。
方式三、确定目标数据特征与候选数据特征的马氏距离(Mahalanobis距离)，基于该马氏距离确定目标数据特征与候选数据特征的相似度。
示例性的，在得到马氏距离后，该马氏距离表示的就是相似度，因此，可以基于该马氏距离确定目标数据特征与候选数据特征的相似度。比如说，当马氏距离越小时，相似度越大，当马氏距离越大时，相似度越小。
在一种可能的实施方式中，针对步骤101，需要从第一目标图像中获取目标车辆的车灯区域，为了获取目标车辆的车灯区域，可以采用如下方式：
方式一、基于第一目标图像，可以采用如下步骤获取目标车辆的车灯区域：
步骤s11、根据第一目标图像的亮度信息确定目标车辆的车灯中心点坐标。
例如，第一目标图像可以是RGB图像，将RGB图像转换为灰度图像，确定灰度图像中的每个像素位置的亮度值(即亮度信息)。若该亮度值大于预设亮度阈值，则确定该像素位置是目标像素位置，若该亮度值不大于预设亮度阈值，则确定该像素位置不是目标像素位置。在对每个像素位置进行上述处理后，可以从灰度图像中确定出所有目标像素位置，并将所有目标像素位置组成的区域作为车灯区域，而车灯区域的中心像素位置就表示车灯中心点坐标。
示例性的，预设亮度阈值可以根据经验进行配置，对此不做限制。比如说，基于远光灯标签为第一标签值的训练样本图像，确定训练样本图像的车灯区域的每个像素位置的亮度值。然后，基于这些像素位置的亮度值，将最小亮度值作为预设亮度阈值，或者，将所有亮度值的平均值作为预设亮度阈值。
步骤s12、以车灯中心点坐标为中心像素位置，以预设长度为半径，从第一目标图像中确定出圆形区域，该圆形区域可以是目标车辆的车灯区域。
示例性的，预设长度可以根据经验进行配置，对此不做限制。比如说，通常情况下，车灯区域的半径为A时，则预设长度为A或者比A大一些。
方式二、基于第一目标图像，可以采用如下步骤获取目标车辆的车灯区域：
步骤s21、从第一目标图像中获取感兴趣区域。
示例性的，可以约定感兴趣区域为圆形区域或者矩形区域，若感兴趣区域为圆形区域，则根据第一目标图像的亮度信息确定目标车辆的车灯中心点坐标。以车灯中心点坐标为中心像素位置，以预设第一长度为半径，从第一目标图像中确定出圆形区域，该圆形区域可以是感兴趣区域。或者，若感兴趣区域为矩形区域，则根据第一目标图像的亮度信息确定目标车辆的车灯中心点坐标。以车灯中心点坐标为中心像素位置，以预设第二长度为宽度，以预设第三长度为高度，从第一目标图像中确定出矩形区域，该矩形区域可以是感兴趣区域。
示例性的，预设第一长度可以根据经验进行配置，对此不做限制。比如说，通常情况下，车灯区域的半径为A时，则预设第一长度可以比A大一些。
示例性的，预设第二长度可以根据经验进行配置，对此不做限制。比如说，通常情况下，车灯区域的宽度为B时，则预设第二长度可以为B或者比B大一些。预设第三长度可以根据经验进行配置，对此不做限制。比如说，通常情况下，车灯区域的高度为C时，则预设第三长度可以为C或者比C大一些。
参见图2A所示，是以车灯中心点坐标为中心像素位置，以预设第二长度为宽度，以预设第三长度为高度，从第一目标图像中确定出感兴趣区域的示例。
示例性的，还可以直接将第一目标图像作为感兴趣区域。
步骤s22、对感兴趣区域进行二值化处理，得到二值化子图像。示例性的，针对二值化子图像中的每个像素位置的灰度值，可以为第一灰度值(如255)或第二灰度值(如0)，第一灰度值组成的区域为二值化子图像的前景区域。
针对第一目标图像中的感兴趣区域(Region Of Interest，ROI)，该感兴趣区域可以是RGB子图像(即第一目标图像中的子图像)，将RGB子图像转换为灰度子图像。针对灰度子图像中的每个像素位置，若该像素位置的灰度值大于目标灰度阈值，则将该像素位置的灰度值设置为第一灰度值，若该像素位置的灰度值不大于目标灰度阈值，则将该像素位置的灰度值设置为第二灰度值。
在对灰度子图像中的每个像素位置进行上述处理后，经过处理的灰度子图像为二值化子图像，至此，得到感兴趣区域对应的二值化子图像。显然，二值化子图像中的每个像素位置的灰度值，可以为第一灰度值或第二灰度值。
在二值化子图像中，将所有第一灰度值组成的区域作为二值化子图像的前景区域，并将所有第二灰度值组成的区域作为二值化子图像的背景区域。
示例性的，目标灰度阈值可以根据经验配置，也可以采用某种算法确定目标灰度阈值，如采用OTSU(最大类间方差法)确定目标灰度阈值。当然，OTSU只是一个示例，还可以采用其它算法确定目标灰度阈值，对此不做限制。
以采用OTSU确定目标灰度阈值为例，基于初始灰度阈值将灰度子图像中的所有像素位置划分到两个集合，比如说，若像素位置的灰度值不大于初始灰度阈值，则将该像素位置划分到集合C1，若像素位置的灰度值大于初始灰度阈值，则将该像素位置划分到集合C2。在对灰度子图像中的所有像素位置进行上述处理后，得到集合C1和集合C2，集合C1和集合C2均包括多个像素位置。
集合C1中所有像素位置的灰度值的均值为m1，集合C2中所有像素位置的灰度值的均值为m2，灰度子图像中所有像素位置的灰度值的均值为mG。针对灰度子图像中的每个像素位置，该像素位置被划分到集合C1的概率为p1，该像素位置被划分到集合C2的概率为p2。基于此，则满足公式(1)和公式(2)：
p1*m1+p2*m2＝mG (1)
p1+p2＝1 (2)
根据方差的概念，类间方差表达式参见公式(3)所示，对公式(3)进行简化，将公式(1)代入公式(3)，类间方差表达式可以参见公式(4)所示。
σ2＝p1(m1-mG)2+p2(m2-mG)2 (3)
σ2＝p1*p2(m1-m2) (4)
在上述各公式中，p1，m1，m2的确定方式可以参见公式(5)所示。
在上述各公式中，k表示初始灰度阈值，L表示初始灰度阈值的取值范围总数量，如取值范围是0-255时，L为256。初始灰度阈值的取值可以依次为0-255，当初始灰度阈值的取值为0时，基于公式(4)确定类间方差σ2，当初始灰度阈值的取值为1时，基于公式(4)确定类间方差σ2，以此类推。
在初始灰度阈值的取值依次为0-255后，可以确定出最大的类间方差σ2，将最大的类间方差σ2对应的初始灰度阈值确定为目标灰度阈值。
步骤s23、从第一目标图像中确定出与前景区域匹配的目标区域。
示例性的，第一目标图像中的感兴趣区域可以与二值化子图像相匹配，且感兴趣区域的尺寸与二值化子图像的尺寸可以相同，在从二值化子图像中确定出前景区域后，可以从第一目标图像的感兴趣区域中确定出目标区域，目标区域与前景区域相匹配，且目标区域的尺寸与前景区域的尺寸可以相同。
比如说，前景区域对应二值化子图像中的第a1-a100个像素位置，则目标区域对应第一目标图像的感兴趣区域中的第a1-a100个像素位置。
步骤s24、将目标区域确定为目标车辆的车灯区域。
方式三、需要获取针对目标车辆的第一目标图像和第二目标图像，并基于第一目标图像和第二目标图像，从第一目标图像中确定出目标车辆的车灯区域。
示例性的，可以获取针对目标车辆的两帧图像，将这两帧图像记为第一目标图像和第二目标图像，比如说，先采集针对目标车辆的第二目标图像，后采集针对目标车辆的第一目标图像，第二目标图像的曝光时长小于第一目标图像的曝光时长，即第一目标图像的曝光时长更长，第二目标图像的曝光时长更短。
由于第一目标图像的曝光时长更长(即长曝光)，如3000毫秒等，因此，第一目标图像也称为亮帧，第一目标图像中的目标车辆的车灯区域，其特征更加准确，如上述亮度特征，方差特征，高亮区域面积特征，圆度特征等。
由于第二目标图像的曝光时长更短(即短曝光)，如40毫秒等，因此，第二目标图像也称为暗帧，第二目标图像中的高亮区域，只是目标车辆的车灯区域，而不存在其它高亮区域的干扰，即没有反光等原因导致的高亮区域，因此，可以从第二目标图像中找到高亮区域，而高亮区域就是目标车辆的车灯区域。
基于上述特性，可以采用如下步骤获取目标车辆的车灯区域：
步骤s31、根据第二目标图像的亮度信息确定目标车辆的车灯中心点坐标。
步骤s31可以参见步骤s11，不同之处在于，步骤s11是从第一目标图像中确定出车灯中心点坐标，步骤s31是从第二目标图像中确定出车灯中心点坐标，在此不再赘述。在得到该车灯中心点坐标后，可以根据该车灯中心点坐标从第一目标图像中获取目标车辆的车灯区域，以下对此过程进行说明。
步骤s32、根据该车灯中心点坐标从第一目标图像中获取感兴趣区域。
示例性的，可以采用如下步骤从第一目标图像中获取感兴趣区域：
步骤s321、根据第二目标图像的曝光时刻和第一目标图像的曝光时刻确定位移偏移值。比如说，假设先采集第二目标图像，后采集第一目标图像，则可以根据第二目标图像的曝光结束时刻和第一目标图像的曝光起始时刻确定位移偏移值。或者，假设先采集第一目标图像，后采集第二目标图像，则可以根据第一目标图像的曝光结束时刻和第二目标图像的曝光起始时刻确定位移偏移值。
以根据第二目标图像的曝光结束时刻和第一目标图像的曝光起始时刻确定位移偏移值为例，可以先确定第一目标图像的曝光起始时刻与第二目标图像的曝光结束时刻的差值，该差值表示目标车辆在两帧图像(即第一目标图像和第二目标图像)之间的时间差。在这个时间差内，目标车辆会发生移动，而目标车辆移动导致同一像素位置在两帧图像之间的位移，就是该位移偏移值。
参见表2所示，可以预先配置时间差与位移偏移值的映射关系，对此不做限制。在得到第一目标图像的曝光起始时刻与第二目标图像的曝光结束时刻的差值后，通过查询该映射关系，可以得到与该差值对应的位移偏移值。
表2
| 时间差(单位/毫秒) | 位移偏移值(单位/像素数量) |
| 10 | 20 |
| 20 | 38 |
| 30 | 57 |
| … | … |
步骤s322、根据该位移偏移值和该车灯中心点坐标(即第二目标图像中的车灯中心点坐标)从第一目标图像中获取感兴趣区域。
示例性的，第一目标图像的尺寸与第二目标图像的尺寸相同，第一目标图像的图像坐标系与第二目标图像的图像坐标系相同，基于此，若第二目标图像中的车灯中心点坐标为坐标M，则第一目标图像中的车灯中心点坐标为坐标M。
示例性的，可以约定感兴趣区域为圆形区域或者矩形区域，若感兴趣区域为圆形区域，则以车灯中心点坐标(坐标M)为中心像素位置，以第一目标长度为半径，从第一目标图像中确定出圆形区域，该圆形区域可以是感兴趣区域。
第一目标长度可以为预设第一长度与该位移偏移值之和，该预设第一长度可以根据经验配置，对此不做限制，该预设第一长度的定义参见步骤s21。
由于在时间差内目标车辆会移动，而目标车辆的移动导致中心像素位置在两帧图像之间发生位移，即朝某个方向位移该位移偏移值，因此，以第一目标长度为半径从第一目标图像中确定出圆形区域，而不是以预设第一长度为半径。
或者，参见图2B所示，若感兴趣区域为矩形区域，则以车灯中心点坐标(坐标M)为中心像素位置，以第二目标长度为宽度，以第三目标长度为高度，从第一目标图像中确定出矩形区域，该矩形区域可以是感兴趣区域。
第二目标长度可以为预设第二长度与两个位移偏移值之和，即在预设第二长度的左侧添加一个位移偏移值，在预设第二长度的右侧添加一个位移偏移值，预设第二长度可以根据经验配置，预设第二长度的定义可以参见步骤s21。第三目标长度可以为预设第三长度与两个位移偏移值之和，即在预设第三长度的上侧添加一个位移偏移值，在预设第三长度的下侧添加一个位移偏移值，预设第三长度可以根据经验配置，预设第三长度的定义可以参见步骤s21。
步骤s33、对感兴趣区域进行二值化处理，得到二值化子图像。示例性的，针对二值化子图像中的每个像素位置的灰度值，可以为第一灰度值(如255)或第二灰度值(如0)，第一灰度值组成的区域为二值化子图像的前景区域。
步骤s34、从第一目标图像中确定出与前景区域匹配的目标区域。
步骤s35、将目标区域确定为目标车辆的车灯区域。
以下结合具体实施例，对上述技术方案进行说明。参见图3所示，为远光灯检测方法的流程示意图，该方法应用于远光灯检测设备，该方法可以包括：
步骤301，获取针对目标车辆的第二目标图像，并获取针对目标车辆的第一目标图像，第二目标图像的曝光时长小于第一目标图像的曝光时长。
步骤302，根据第二目标图像的亮度信息确定目标车辆的车灯中心点坐标。
步骤303，根据第二目标图像的曝光时刻(如曝光结束时刻)和第一目标图像的曝光时刻(如曝光起始时刻)确定位移偏移值。
步骤304，根据该位移偏移值和第二目标图像中的车灯中心点坐标，从第一目标图像中获取感兴趣区域。
步骤305，对感兴趣区域进行二值化处理，得到二值化子图像。
针对二值化子图像中的每个像素位置的灰度值，可以为第一灰度值(如255)或第二灰度值(如0)，第一灰度值组成的区域为二值化子图像的前景区域。
步骤306，从第一目标图像中确定出与该前景区域匹配的目标区域，将目标区域作为目标车辆的车灯区域，即从第一目标图像中获取目标车辆的车灯区域。
步骤307，确定目标车辆的车灯区域的目标数据特征与候选特征集合中的每个候选数据特征的相似度。该候选特征集合包括多个候选数据特征，每个候选数据特征设置有远光灯标签，远光灯标签表示开启远光灯或未开启远光灯。
步骤308，基于目标数据特征与每个候选数据特征的相似度，从候选特征集合中选取K个候选数据特征。K为大于或者等于1的正整数。
步骤309，基于K个候选数据特征的远光灯标签，预测目标车辆是否开启远光灯，即预测出目标车辆开启远光灯，或预测出目标车辆未开启远光灯。
在上述实施例中，第一目标图像中可以存在一个车灯区域，也可以存在两个车灯区域。若第一目标图像存在一个车灯区域，则感兴趣区域是一个，且基于一个车灯区域的目标数据特征进行处理。若第一目标图像存在两个车灯区域，则感兴趣区域是两个，且基于两个车灯区域的目标数据特征进行处理。无论是一个车灯区域还是两个车灯区域，其实现方式类似，在此不再重复赘述。
由以上技术方案可见，本申请实施例中，在交通卡口等应用场景中，能够对目标车辆是否违规开启远光灯进行检测，能够准确预测出目标车辆是否开启远光灯，预测结果更加准确，为交通场景的管控提供数据基础，帮助管理人员分析目标车辆是否违规开启远光灯。在采用上述方式进行检测时，捕获率和准确率都较高，能够满足检测需求。比如说，在不同的候选数据特征数量下，捕获率和准确率的测试结果参见表3所示，捕获率和准确率都较高。
表3
| 候选数据特征数量 | 捕获率 | 准确率 |
| 1000 | 97％ | 95％ |
| 130 | 93％ | 88％ |
示例性的，假设输入Nh张远光灯图像和Nl张近光灯图像，并且检测到Ns(Ns≤Nl+Nh)张远光灯图像，正确检测的远光灯图像数量为Nc(Nc≤Nh)，在此基础上，则捕获率计算公式可以为Nc/Nh，准确率计算公式可以为Nc/Ns。
基于与上述方法同样的申请构思，本申请实施例中提出一种远光灯检测装置，参见图4所示，为远光灯检测装置的结构示意图，所述装置可以包括：
获取模块41，用于获取针对目标车辆的第一目标图像和第二目标图像；其中，所述第二目标图像的曝光时长小于所述第一目标图像的曝光时长；以及，根据所述第二目标图像的亮度信息确定所述目标车辆的车灯中心点坐标，根据所述车灯中心点坐标从所述第一目标图像中获取目标车辆的车灯区域；确定模块42，用于确定车灯区域的目标数据特征与候选特征集合中的每个候选数据特征的相似度；候选特征集合包括多个候选数据特征，每个候选数据特征设置有远光灯标签，所述远光灯标签表示开启远光灯或未开启远光灯；选取模块43，用于基于目标数据特征与每个候选数据特征的相似度，从所述候选特征集合中选取K个候选数据特征；K为大于或者等于1的正整数；检测模块44，用于基于所述K个候选数据特征的远光灯标签，预测所述目标车辆是否开启远光灯。
所述选取模块43基于目标数据特征与每个候选数据特征的相似度，从所述候选特征集合中选取K个候选数据特征时具体用于：基于目标数据特征与所述候选特征集合中每个候选数据特征的相似度，从所述候选特征集合中选取相似度最大的K个候选数据特征。
所述检测模块44基于K个候选数据特征的远光灯标签，预测目标车辆是否开启远光灯时具体用于：若远光灯标签为第一标签值或者第二标签值，则基于K个候选数据特征的远光灯标签，统计出第一标签值数量和第二标签值数量；其中，所述第一标签值表示开启远光灯，所述第二标签值表示未开启远光灯；根据第一标签值数量和第二标签值数量预测目标车辆是否开启远光灯，并根据第一标签值数量和第二标签值数量确定预测结果的置信度。所述检测模块44根据第一标签值数量和第二标签值数量预测目标车辆是否开启远光灯时具体用于：若第一标签值数量大于第二标签值数量，则预测目标车辆开启远光灯；若第一标签值数量小于第二标签值数量，则预测目标车辆未开启远光灯。
所述目标数据特征包括以下之一或任意组合：车灯区域的亮度特征；车灯区域的方差特征(如R通道分量的方差值，或G通道分量的方差值，或B通道分量的方差值)；车灯区域的高亮区域面积特征；车灯区域的圆度特征。
所述确定模块42确定所述目标数据特征与所述候选数据特征的相似度时具体用于：基于所述目标数据特征与所述候选数据特征的欧式距离，确定所述目标数据特征与所述候选数据特征的相似度；或者，基于所述目标数据特征与所述候选数据特征的曼哈顿距离，确定所述目标数据特征与所述候选数据特征的相似度；或者，基于所述目标数据特征与所述候选数据特征的马氏距离，确定所述目标数据特征与所述候选数据特征的相似度。
所述获取模块41根据所述车灯中心点坐标从所述第一目标图像中获取目标车辆的车灯区域时具体用于：根据所述车灯中心点坐标从所述第一目标图像中获取感兴趣区域；对所述感兴趣区域进行二值化处理，得到二值化子图像；其中，所述二值化子图像中的每个像素位置的灰度值为第一灰度值或第二灰度值，所有第一灰度值组成的区域为所述二值化子图像的前景区域；从所述第一目标图像中确定出与所述前景区域匹配的目标区域；将所述目标区域确定为所述目标车辆的车灯区域。
所述获取模块41根据所述车灯中心点坐标从所述第一目标图像中获取感兴趣区域时具体用于：根据所述第二目标图像的曝光时刻和所述第一目标图像的曝光时刻确定位移偏移值；根据所述位移偏移值和所述车灯中心点坐标从所述第一目标图像中获取感兴趣区域。
基于与上述方法同样的申请构思，本申请实施例中提出一种远光灯检测设备，参见图5所示，所述远光灯检测设备包括：处理器51和机器可读存储介质52，所述机器可读存储介质52存储有能够被所述处理器51执行的机器可执行指令；所述处理器51用于执行机器可执行指令，以实现如下步骤：
获取针对目标车辆的第一目标图像和第二目标图像；其中，所述第二目标图像的曝光时长小于所述第一目标图像的曝光时长；
根据所述第二目标图像的亮度信息确定所述目标车辆的车灯中心点坐标，根据所述车灯中心点坐标从所述第一目标图像中获取目标车辆的车灯区域；
确定所述车灯区域的目标数据特征与候选特征集合中的每个候选数据特征的相似度；其中，所述候选特征集合包括多个候选数据特征，每个候选数据特征设置有远光灯标签，所述远光灯标签表示开启远光灯或未开启远光灯；
基于目标数据特征与每个候选数据特征的相似度，从所述候选特征集合中选取K个候选数据特征；其中，K为大于或者等于1的正整数；
基于K个候选数据特征的远光灯标签，预测目标车辆是否开启远光灯。
基于与上述方法同样的申请构思，本申请实施例还提供一种机器可读存储介质，所述机器可读存储介质上存储有若干计算机指令，所述计算机指令被处理器执行时，能够实现本申请上述示例公开的远光灯检测方法。
其中，上述机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：RAM(Radom Access Memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可以由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
而且，这些计算机程序指令也可以存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或者多个流程和/或方框图一个方框或者多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上，使得在计算机或者其它可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种远光灯检测方法，其特征在于，所述方法包括：
获取针对目标车辆的第一目标图像和第二目标图像；其中，所述第二目标图像的曝光时长小于所述第一目标图像的曝光时长；
根据所述第二目标图像的亮度信息确定所述目标车辆的车灯中心点坐标，根据所述车灯中心点坐标从所述第一目标图像中获取目标车辆的车灯区域；
确定所述车灯区域的目标数据特征与候选特征集合中的每个候选数据特征的相似度；其中，所述候选特征集合包括多个候选数据特征，每个候选数据特征设置有远光灯标签，所述远光灯标签表示开启远光灯或未开启远光灯；
基于目标数据特征与每个候选数据特征的相似度，从所述候选特征集合中选取K个候选数据特征；其中，K为大于或者等于1的正整数；
基于K个候选数据特征的远光灯标签，预测目标车辆是否开启远光灯；
其中，所述基于K个候选数据特征的远光灯标签，预测目标车辆是否开启远光灯，包括：若远光灯标签为第一标签值或者第二标签值，则基于K个候选数据特征的远光灯标签，统计出第一标签值数量和第二标签值数量；其中，所述第一标签值表示开启远光灯，所述第二标签值表示未开启远光灯；
根据第一标签值数量和第二标签值数量预测目标车辆是否开启远光灯，并根据第一标签值数量和第二标签值数量确定预测结果的置信度。
2.根据权利要求1所述的方法，其特征在于，基于目标数据特征与每个候选数据特征的相似度，从所述候选特征集合中选取K个候选数据特征，包括：
基于目标数据特征与所述候选特征集合中每个候选数据特征的相似度，从所述候选特征集合中选取相似度最大的K个候选数据特征。
3.根据权利要求1所述的方法，其特征在于，所述根据第一标签值数量和第二标签值数量预测目标车辆是否开启远光灯，包括：
若第一标签值数量大于第二标签值数量，则预测目标车辆开启远光灯；
若第一标签值数量小于第二标签值数量，则预测目标车辆未开启远光灯。
4.根据权利要求1-3任一项所述的方法，其特征在于，
所述目标数据特征包括以下之一或任意组合：
所述车灯区域的亮度特征；
所述车灯区域的方差特征；其中，所述方差特征为R通道分量的方差值，或G通道分量的方差值，或B通道分量的方差值；
所述车灯区域的高亮区域面积特征；
所述车灯区域的圆度特征。
5.根据权利要求1-3任一项所述的方法，其特征在于，
确定所述目标数据特征与所述候选数据特征的相似度，包括：
基于所述目标数据特征与所述候选数据特征的欧式距离，确定所述目标数据特征与所述候选数据特征的相似度；或者，
基于所述目标数据特征与所述候选数据特征的曼哈顿距离，确定所述目标数据特征与所述候选数据特征的相似度；或者，
基于所述目标数据特征与所述候选数据特征的马氏距离，确定所述目标数据特征与所述候选数据特征的相似度。
6.根据权利要求1所述的方法，其特征在于，所述根据所述车灯中心点坐标从所述第一目标图像中获取目标车辆的车灯区域，包括：
根据所述车灯中心点坐标从所述第一目标图像中获取感兴趣区域；
对所述感兴趣区域进行二值化处理，得到二值化子图像；其中，所述二值化子图像中的每个像素位置的灰度值为第一灰度值或第二灰度值，所有第一灰度值组成的区域为所述二值化子图像的前景区域；
从所述第一目标图像中确定出与所述前景区域匹配的目标区域；
将所述目标区域确定为所述目标车辆的车灯区域。
7.根据权利要求6所述的方法，其特征在于，所述根据所述车灯中心点坐标从所述第一目标图像中获取感兴趣区域，包括：
根据所述第二目标图像的曝光时刻和所述第一目标图像的曝光时刻确定位移偏移值；
根据所述位移偏移值和所述车灯中心点坐标从所述第一目标图像中获取感兴趣区域。
8.一种远光灯检测装置，其特征在于，所述装置包括：
获取模块，用于获取针对目标车辆的第一目标图像和第二目标图像；其中，所述第二目标图像的曝光时长小于所述第一目标图像的曝光时长；以及，根据所述第二目标图像的亮度信息确定所述目标车辆的车灯中心点坐标，根据所述车灯中心点坐标从所述第一目标图像中获取目标车辆的车灯区域；
确定模块，用于确定车灯区域的目标数据特征与候选特征集合中的每个候选数据特征的相似度；候选特征集合包括多个候选数据特征，每个候选数据特征设置有远光灯标签，所述远光灯标签表示开启远光灯或未开启远光灯；
选取模块，用于基于目标数据特征与每个候选数据特征的相似度，从所述候选特征集合中选取K个候选数据特征；其中，K为大于或者等于1的正整数；
检测模块，用于基于所述K个候选数据特征的远光灯标签，预测所述目标车辆是否开启远光灯；
其中，所述检测模块具体用于：若远光灯标签为第一标签值或者第二标签值，则基于K个候选数据特征的远光灯标签，统计出第一标签值数量和第二标签值数量；其中，所述第一标签值表示开启远光灯，所述第二标签值表示未开启远光灯；根据第一标签值数量和第二标签值数量预测目标车辆是否开启远光灯，并根据第一标签值数量和第二标签值数量确定预测结果的置信度。
9.一种远光灯检测设备，其特征在于，包括：处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令；
所述处理器用于执行机器可执行指令，以实现如下步骤：
获取针对目标车辆的第一目标图像和第二目标图像；其中，所述第二目标图像的曝光时长小于所述第一目标图像的曝光时长；
根据所述第二目标图像的亮度信息确定所述目标车辆的车灯中心点坐标，根据所述车灯中心点坐标从所述第一目标图像中获取目标车辆的车灯区域；
确定所述车灯区域的目标数据特征与候选特征集合中的每个候选数据特征的相似度；其中，所述候选特征集合包括多个候选数据特征，每个候选数据特征设置有远光灯标签，所述远光灯标签表示开启远光灯或未开启远光灯；
基于目标数据特征与每个候选数据特征的相似度，从所述候选特征集合中选取K个候选数据特征；其中，K为大于或者等于1的正整数；
基于K个候选数据特征的远光灯标签，预测目标车辆是否开启远光灯；
其中，所述基于K个候选数据特征的远光灯标签，预测目标车辆是否开启远光灯，包括：若远光灯标签为第一标签值或者第二标签值，则基于K个候选数据特征的远光灯标签，统计出第一标签值数量和第二标签值数量；其中，所述第一标签值表示开启远光灯，所述第二标签值表示未开启远光灯；
根据第一标签值数量和第二标签值数量预测目标车辆是否开启远光灯，并根据第一标签值数量和第二标签值数量确定预测结果的置信度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010556455.7A CN111783573B (zh) | 2020-06-17 | 2020-06-17 | 一种远光灯检测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010556455.7A CN111783573B (zh) | 2020-06-17 | 2020-06-17 | 一种远光灯检测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111783573A CN111783573A (zh) | 2020-10-16 |
| CN111783573B true CN111783573B (zh) | 2023-08-25 |
Family
ID=72757308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010556455.7A Active CN111783573B (zh) | 2020-06-17 | 2020-06-17 | 一种远光灯检测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111783573B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112927502B (zh) * | 2021-01-21 | 2023-02-03 | 广州小鹏自动驾驶科技有限公司 | 一种数据处理的方法和装置 |
| CN113191248B (zh) * | 2021-04-25 | 2022-04-26 | 国能智慧科技发展(江苏)有限公司 | 基于视频联动与智能物联网的车辆偏离路线检测系统 |
| CN115762178B (zh) * | 2023-01-09 | 2023-04-25 | 长讯通信服务有限公司 | 智能电子警察违章检测系统及方法 |
| CN115984828B (zh) * | 2023-03-20 | 2023-06-06 | 江西省天轴通讯有限公司 | 基于几何特征描述子的远光灯开启检测方法、装置及设备 |
| CN118433967A (zh) * | 2024-07-05 | 2024-08-02 | 奥为科技(南京)有限公司 | 一种基于交通视觉的智慧照明控制方法及控制系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103295399A (zh) * | 2013-05-14 | 2013-09-11 | 西安理工大学 | 基于形态特征的夜间行驶车辆远光灯开启状态的判别方法 |
| WO2017000716A2 (zh) * | 2015-06-30 | 2017-01-05 | 中兴通讯股份有限公司 | 图片的管理方法、装置及终端设备 |
| CN108229532A (zh) * | 2017-10-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像识别方法、装置和电子设备 |
| CN108875458A (zh) * | 2017-05-15 | 2018-11-23 | 杭州海康威视数字技术股份有限公司 | 车辆远光灯开启的检测方法、装置、电子设备及摄像机 |
| CN109740415A (zh) * | 2018-11-19 | 2019-05-10 | 深圳市华尊科技股份有限公司 | 车辆属性识别方法及相关产品 |
| US10618460B1 (en) * | 2019-06-07 | 2020-04-14 | Hyundai Motor Company | Apparatus for controlling vehicular headlamp, method of controlling vehicular headlamp thereof, and vehicle including apparatus |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI302879B (en) * | 2006-05-12 | 2008-11-11 | Univ Nat Chiao Tung | Real-time nighttime vehicle detection and recognition system based on computer vision |
-
2020
- 2020-06-17 CN CN202010556455.7A patent/CN111783573B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103295399A (zh) * | 2013-05-14 | 2013-09-11 | 西安理工大学 | 基于形态特征的夜间行驶车辆远光灯开启状态的判别方法 |
| WO2017000716A2 (zh) * | 2015-06-30 | 2017-01-05 | 中兴通讯股份有限公司 | 图片的管理方法、装置及终端设备 |
| CN108875458A (zh) * | 2017-05-15 | 2018-11-23 | 杭州海康威视数字技术股份有限公司 | 车辆远光灯开启的检测方法、装置、电子设备及摄像机 |
| CN108229532A (zh) * | 2017-10-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像识别方法、装置和电子设备 |
| CN109740415A (zh) * | 2018-11-19 | 2019-05-10 | 深圳市华尊科技股份有限公司 | 车辆属性识别方法及相关产品 |
| US10618460B1 (en) * | 2019-06-07 | 2020-04-14 | Hyundai Motor Company | Apparatus for controlling vehicular headlamp, method of controlling vehicular headlamp thereof, and vehicle including apparatus |
Non-Patent Citations (1)
| Title |
|---|
| 基于多结构特征提取和轨迹跟踪的车辆远光识别;苏金亚等;电子测量与仪器学报;第32卷(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111783573A (zh) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111783573B (zh) | 一种远光灯检测方法、装置及设备 | |
| CN102509457B (zh) | 一种车辆跟踪的方法及装置 | |
| Almagambetov et al. | Robust and computationally lightweight autonomous tracking of vehicle taillights and signal detection by embedded smart cameras | |
| JP5747549B2 (ja) | 信号機検出装置及びプログラム | |
| US11574481B2 (en) | Camera blockage detection for autonomous driving systems | |
| CN110533955B (zh) | 一种确定停车位的方法、终端设备及计算机可读存储介质 | |
| CN110879950A (zh) | 多级目标分类及交通标志检测方法和装置、设备、介质 | |
| Fröhlich et al. | Will this car change the lane?-turn signal recognition in the frequency domain | |
| WO2013012091A1 (ja) | 情報処理装置、物体追跡方法およびプログラム記憶媒体 | |
| CN107748882B (zh) | 一种车道线检测方法及装置 | |
| CN110544271B (zh) | 抛物动作检测方法及相关装置 | |
| US20150204663A1 (en) | 3d scanner using structured lighting | |
| CN111723805A (zh) | 一种信号灯的前景区域识别方法及相关装置 | |
| CN115170851A (zh) | 一种图像聚类的方法及装置 | |
| JP2020177648A (ja) | 遺留物誤検出の認識方法、装置及び画像処理装置 | |
| CN113869258A (zh) | 交通事件检测方法、装置、电子设备及可读存储介质 | |
| JP2019121356A (ja) | 干渉領域検出装置と方法及び電子機器 | |
| US11961308B2 (en) | Camera blockage detection for autonomous driving systems | |
| Xie et al. | Robust vehicles extraction in a video-based intelligent transportation systems | |
| CN116863458A (zh) | 车牌识别方法、装置、系统及存储介质 | |
| KR101595334B1 (ko) | 농장에서의 움직임 개체의 이동 궤적 트래킹 방법 및 장치 | |
| Płaczek | A real time vehicle detection algorithm for vision-based sensors | |
| CN116147898A (zh) | 一种汽车前照灯发光强度的检测方法及装置 | |
| CN112785550B (zh) | 图像质量值确定方法、装置、存储介质及电子装置 | |
| CN116152691A (zh) | 图像检测方法、装置、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 |