CN111882519A - 一种车灯识别的方法及装置 - Google Patents
一种车灯识别的方法及装置 Download PDFInfo
- Publication number
- CN111882519A CN111882519A CN202010540767.9A CN202010540767A CN111882519A CN 111882519 A CN111882519 A CN 111882519A CN 202010540767 A CN202010540767 A CN 202010540767A CN 111882519 A CN111882519 A CN 111882519A
- Authority
- CN
- China
- Prior art keywords
- rectangular frame
- vehicle
- neural network
- parameter
- network model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 41
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- 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
- G06V2201/07—Target detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明提供一种车灯识别的方法及装置,本实施例提供的车灯识别的方法,包括:从包含车辆的图片中,确定第一矩形框和第二矩形框所对应的位置;将所述第一矩形框和所述第二矩形框中提取的特征进行融合,得到融合特征;将所述融合特征输入卷积神经网络模型,通过所述卷积神经网络模型的输出结果确定所述车辆的车灯是否开启。通过本公开实施例提供的车灯识别的方法,实现在车灯反光时仍能准确识别车灯的光亮情况,从而提高了检测的准确率。
Description
技术领域
本发明涉及深度学习领域,尤其涉及一种车灯识别的方法及装置。
背景技术
随着时代的发展,人们的生活水平不断提高,家庭拥有车辆的群体逐步 增多,与之相关的是每年的车辆年检,其中,驻车制动检测是必不可少的一 个环节,驻车制动检测是指判断车辆的2个尾灯是否同时亮或不亮。
现有技术采用的方法是先定位车灯的位置,得到左、右车灯各一张图片, 将这两张图片输入resnet18分类模型,得到这两张图片的分类结果,根据分 类结果确定车灯是否同时亮或不亮,以判断车辆是否符合驻车制动检测标准。 这种处理方法在一般情况下能够保证检测的准确性,但如果在检测时遇到车 灯反光,反光易引起车灯的局部显现出明显的亮斑,这种情况很容易导致检 测结果的错误,比如车灯不亮时被误判为车灯亮,从而降低了检测的准确率。
因此,车辆检测时如何避免因车灯反光导致误判,从而降低检测的准确 率是一个亟待解决的问题。
发明内容
本发明提供一种车灯识别的方法,以实现在车灯反光时仍能准确识别车 灯的光亮情况,从而提高了检测的准确率。
第一方面,本公开提供一种车灯识别的方法,包括:
从包含车辆的图片中,确定第一矩形框和第二矩形框所对应的位置;
将第一矩形框和第二矩形框中提取的特征进行融合,得到融合特征;
将融合特征输入卷积神经网络模型,通过卷积神经网络模型的输出结果 确定车辆的车灯是否开启。
在一种可能的设计中,从包含车辆的图片中,确定第一矩形框和第二矩 形框所对应的位置,包括:
应用矩形目标检测算法,确定车灯的第一矩形框的位置信息;位置信息 包括第一宽度和第一高度;
按照增量,扩展第一矩形框的第一宽度和第一高度,确定第二矩形框的 位置信息;第二矩形框的位置信息包括第二宽度和第二高度。
在一种可能的设计中,在将第一矩形框和第二矩形框中提取的特征进行 融合之前,还包括:
根据卷积神经网络模型,设定第一矩形框的第一参数;
根据第一参数,确定第二矩形框的第二参数;
根据第一参数,对第一矩形框的图片区域提取第一特征;
根据第二参数,对第二矩形框的图片区域提取第二特征。
在一种可能的设计中,通过卷积神经网络模型的输出结果确定车辆的车 灯是否开启,包括:
将融合特征输入至卷积神经网络模型的全连接层,得到第一值和第二值;
当第一值大于第二值时,则确定车辆的车灯开启。
在一种可能的设计中,根据第一参数,确定第二矩形框的第二参数,包 括:
根据第一参数,增大卷积神经网络模型中卷积层的移动步长,得到第二 参数。
在一种可能的设计中,按照增量,扩展第一矩形框的第一宽度和第一高 度,确定第二矩形框的位置信息,包括:
按照增量扩展第一矩形框的第一宽度和第一高度,以使得第二矩形框的 第二宽度为第一宽度与增量之和;其中,第二高度为第一高度的N+1倍,增 量为第一高度的N倍;N为大于1的自然数。
在一种可能的设计中,将第一矩形框和第二矩形框中提取的特征进行融 合,包括:
将第一特征表示为第一矩阵,以及将第二特征表示为第二矩阵;
将第一矩阵和第二矩阵按位相加,得到用以表示融合特征的第三矩阵。
第二方面,本公开还提供一种车灯识别的装置,包括:
第一确定模块,用于从包含车辆的图片中,确定第一矩形框和第二矩形 框所对应的位置;
第二确定模块,用于将第一矩形框和第二矩形框中提取的特征进行融合, 得到融合特征;将融合特征输入卷积神经网络模型,通过卷积神经网络模型 的输出结果确定车辆的车灯是否开启。
在一种可能的设计中,第一确定模块,用于:
应用矩形目标检测算法,确定车灯的第一矩形框的位置信息;位置信息 包括第一宽度和第一高度;
按照增量,扩展第一矩形框的第一宽度和第一高度,确定第二矩形框的 位置信息;第二矩形框的位置信息包括第二宽度和第二高度。
在一种可能的设计中,第二确定模块,还用于:
根据卷积神经网络模型,设定第一矩形框的第一参数;
根据第一参数,确定第二矩形框的第二参数;
根据第一参数,对第一矩形框的图片区域提取第一特征;
根据第二参数,对第二矩形框的图片区域提取第二特征。
在一种可能的设计中,第二确定模块,具体用于:
将融合特征输入至卷积神经网络模型的全连接层,得到第一值和第二值;
当第一值大于第二值时,则确定车辆的车灯开启。
在一种可能的设计中,第二确定模块,具体用于:
根据第一参数,增大卷积神经网络模型中卷积层的移动步长,得到第二 参数。
在一种可能的设计中,第一确定模块,具体用于:
按照增量扩展第一矩形框的第一宽度和第一高度,以使得第二矩形框的 第二宽度为第一宽度与增量之和;其中,第二高度为第一高度的N+1倍,增 量为第一高度的N倍;N为大于1的自然数。
在一种可能的设计中,第二确定模块,具体用于:
将第一特征表示为第一矩阵,以及将第二特征表示为第二矩阵;
将第一矩阵和第二矩阵按位相加,得到用以表示融合特征的第三矩阵。
第三方面,本公开还提供一种电子设备,包括:
处理器;以及,
存储器,用于存储处理器的可执行指令;
其中,处理器配置为经由执行可执行指令来执行第一方面中任意一种车 灯识别的方法。
第四方面,本公开实施例还提供一种存储介质,其上存储有计算机程序, 该程序被处理器执行时实现第一方面中任意一种车灯识别的方法。
本公开提供一种车灯的方法及装置,通过从包含车辆的图片中,确定第 一矩形框和第二矩形框所对应的位置;将第一矩形框和第二矩形框中提取的 特征进行融合,得到融合特征;将融合特征输入卷积神经网络模型,通过卷 积神经网络模型的输出结果确定车辆的车灯是否开启,从而实现在车灯反光 时仍能准确识别车灯的光亮情况,进而提高检测的准确率。
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一简单地介绍,显而易见地,下 面描述中的附图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为本公开根据一示例实施例示出的车灯识别的方法的应用场景图;
图2为本公开根据一示例实施例示出的车灯识别的方法的流程示意图;
图3为本公开根据一示例实施例示出的车灯识别的方法的卷积神经网络 模型处理的示意图;
图4为本公开根据一示例实施例示出的车灯识别的装置的结构示意图;
图5为本公开根据一示例实施例示出的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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例如能够以除了在这里图示或描述的那些以 外的顺序实施。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。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解 决上述技术问题进行详细说明。下面将结合附图,对本发明的实施例进行描 述。
图1为本公开根据一示例实施例示出的车灯识别的方法的应用场景图, 如图1所示,获取车辆的图片,为检测车灯是否亮与不亮,重点关注的是图 中显示的局部车灯图片101,采用基于refinedet的矩形目标检测算法,先检 测出车灯的位置,得到车灯所在位置的第一矩形框102,并记录第一矩形框 102的位置信息,其中,位置信息包括:第一宽度和第一高度;设定增量为 第一高度的N倍,扩展第一矩形框102的第一宽度和第一高度,得到第二矩 形框103的位置信息,其中,位置信息包括:第二宽度和第二高度,第二宽 度为第一宽度与增量之和,第二高度为第一高度的N+1倍;根据卷积神经网 络模型,同时输入第一矩形框和第二矩形框的位置信息,并设定不同的参数, 从第一矩形框的图片区域提取出第一特征,从第二矩形框的图片区域提取出 第二特征,将第一特征和第二特征进行融合,得到融合特征;再将融合特征 输入卷积神经网络模型的全连接层,得到车灯亮与不亮的概率,当亮的概率 大于不亮的概率时,车灯的最终识别结果为亮;否则,车灯的最终识别结果 为不亮。其中,车灯是指车辆的左、右车灯中的任一个,以下实施例均以一 个车灯为例,另一个车灯情况相同,不再赘述。
图2为本公开根据一示例实施例示出的车灯识别的方法的流程示意图; 如图2所示,本实施例提供的车灯识别的方法,包括:
步骤201、从包含车辆的图片中,确定第一矩形框和第二矩形框所对应 的位置;
具体的,获取车辆的图片,为检测车灯亮与不亮,重点关注车灯所在的 局部图片,采用基于refinedet的矩形目标检测算法,先检测出车灯的位置, 得到车灯所在位置的第一矩形框,并记录第一矩形框的位置信息,其中,位 置信息包括:第一宽度和第一高度。由于车灯在遇到反光时,不但车灯自身 显示为反光的亮度,而且车灯周边也会有零散的、明显的亮斑,这种情况下 若车灯本身不亮极易被误判为车灯亮,从而降低识别车灯光亮的准确率。因 此对包含车灯的第一矩形框进行扩边,因为车灯一般都是长条形,为了保证 扩边后既能包含车灯周边的车身信息,又不会因为扩边太多而把非车身的图 像包含进去,比如车身旁的路灯、其他车辆等图像,所以选择对第一矩形框 的四边各扩一个增量的距离,增量设定为第一高度的N倍,以此扩展第一矩 形框的第一宽度和第一高度,得到第二矩形框的位置信息,包括:第二宽度 和第二高度,其中,第二宽度为第一宽度与增量之和;第二高度为第一高度 的N+1倍,其中,N为大于1的自然数。
举例来说,原车灯的第一矩形框R1的第一宽度、第一高度分别为acm 和bcm,其中a>b,比如图1中的第一矩形框102的第一宽度为73cm、第一 高度为29cm,设定增量为2倍的第一高度,则扩边后的第二矩形框R2的第 二宽度为73+2*29=131cm;第二高度为3*29=87,增量的具体取值可以根据 实际情况灵活调整,在此不再赘述。
在得到车灯的第一矩形框和第二矩形框的位置信息后,将两个位置信息 同时输入卷积神经网络模型,提取相应的特征进行分析,以保证车灯本身的 亮度信息和车灯周边的亮度信息结合,进行综合处理判断,以提高识别车灯 反光的准确率。
步骤202、将第一矩形框和第二矩形框中提取的特征进行融合,得到融 合特征;
具体的,将第一矩形框和第二矩形框,通过卷积神经网络进行融合,得 到融合特征。图3为本公开根据一示例实施例示出的车灯识别的方法的卷积 神经网络模型处理的示意图;如图3所示,根据卷积神经网络模型,输入第 一矩形框的位置信息301,对第一矩形框的位置信息设定第一参数提取第一 特征303;其中,第一参数用于表示卷积层参数。因为第二矩形框R2的位置 信息与第一矩形框R1的位置信息不一致,如果沿用第一矩形框R1的卷积层 参数,那么第二矩形框根据卷积神经网络模型提取出的第二特征与第一矩形 框根据卷积神经网络模型提取出的第一特征不在一个维度上,因此两种特征 无法进行融合,这会影响到后续的判断处理。所以需要根据第一参数,增大 卷积神经网络模型中卷积层的移动步长,以确定第二矩形框的第二参数。输 入卷积神经网络模型的第二矩形框的位置信息302,根据第二参数,对第二 矩形框的图片区域提取第二特征304。
举例来说,设定第一矩形框的第一参数为2,输入卷积神经网络模型的 第一矩形框的位置信息为64*64,第二矩形框的位置信息为128*128,第一矩 形框的位置信息经过一层卷积后输出的特征尺寸为32*32;根据第一参数2, 将卷积层中卷积操作时的移动步长调大,得到第二矩形框的第二参数为4, 则第二矩形框的位置信息经过一层卷积后输出的特征尺寸为32*32;可以看 出经过对第二矩形框的第二参数的设置调整,保证了第一矩形框和第二矩形 框经过卷积层的图片输出尺寸是一致的,此外,调大的第二参数还可以扩大第二矩形框经卷积层处理后提取出的特征视野,比如,第一参数为2的卷积 层只能同时提取输入的第一矩形框图像的4个像素的特征,而第二参数为4 的卷积层则能同时提取输入的第二矩形框图像的16个像素的特征,对第二矩 形框来说,能够更易提取到有用的特征。
进一步具体的,在提取出第一特征和第二特征后,将两种特征进行融合 处理305,将第一特征表示为第一矩阵,将第二特征表示为第二矩阵;再将 第一矩阵和第二矩阵按位相加,得到用以表示融合特征的第三矩阵。之后通 过全连接层处理306,得到处理结果307以判断车灯是否为亮的最终结果。 具体详情参见如下步骤203的描述。
步骤203、将融合特征输入卷积神经网络模型,通过卷积神经网络模型 的输出结果确定车辆的车灯是否开启。
具体的,将融合特征输入至卷积神经网络模型的全连接层,得到第一值 和第二值;第一值表示车灯亮的概率;第二值表示车灯不亮的概率;当第一 值大于第二值时,确定车辆的车灯开启;当第一值小于或等于第二值时,确 定车辆的车灯不亮。比如得到的第一值为60%,第二值为30%;60%大于30%, 所以确定车辆的车灯为开启,即车灯的最终识别结果为亮。
通过上述步骤方法,在应用卷积神经网络模型时,一方面同时输入两种 矩形框,另一方面对不同的矩形框设定不同的卷积层参数,再经过融合、全 连接层处理以得到最终的判断结果,这种通过修改卷积神经网络模型的输入 对象种类以及修改中间卷积结构参数的处理方式,提高了车灯在反光情况下 亮度识别的准确率。
图4为本公开根据一示例实施例示出的车灯识别的装置的结构示意图。 如图4所示,本实施例提供的车灯识别的装置40,包括:
第一确定模块401,用于从包含车辆的图片中,确定第一矩形框和第二 矩形框所对应的位置;
第二确定模块402,用于将第一矩形框和第二矩形框中提取的特征进行 融合,得到融合特征;将融合特征输入卷积神经网络模型,通过卷积神经网 络模型的输出结果确定车辆的车灯是否开启。
在一种可能的设计中,第一确定模块401,用于:
应用矩形目标检测算法,确定车灯的第一矩形框的位置信息;位置信息 包括第一宽度和第一高度;
按照增量,扩展第一矩形框的第一宽度和第一高度,确定第二矩形框的 位置信息;第二矩形框的位置信息包括第二宽度和第二高度。
在一种可能的设计中,第二确定模块402,还用于:
根据卷积神经网络模型,设定第一矩形框的第一参数;
根据第一参数,确定第二矩形框的第二参数;
根据第一参数,对第一矩形框的图片区域提取第一特征;
根据第二参数,对第二矩形框的图片区域提取第二特征。
在一种可能的设计中,第二确定模块402,具体用于:
将融合特征输入至卷积神经网络模型的全连接层,得到第一值和第二值;
当第一值大于第二值时,则确定车辆的车灯开启。
在一种可能的设计中,第二确定模块402,具体用于:
根据第一参数,增大卷积神经网络模型中卷积层的移动步长,得到第二 参数。
在一种可能的设计中,第一确定模块401,具体用于:
按照增量扩展第一矩形框的第一宽度和第一高度,以使得第二矩形框的 第二宽度为第一宽度与增量之和;其中,第二高度为第一高度的N+1倍,增 量为第一高度的N倍;N为大于1的自然数。
在一种可能的设计中,第二确定模块402,具体用于:
将第一特征表示为第一矩阵,以及将第二特征表示为第二矩阵;
将第一矩阵和第二矩阵按位相加,得到用以表示融合特征的第三矩阵。
图5为本公开根据一示例实施例示出的电子设备的结构示意图。如图5 所示,本实施例提供的一种数据库50,包括:
处理器501;以及,
存储器502,用于存储处理器的可执行指令,该存储器还可以是flash (闪存);
其中,处理器501配置为经由执行可执行指令来执行上述方法中的各个 步骤。具体可以参见前面方法实施例中的相关描述。
可选地,存储器502既可以是独立的,也可以跟处理器501集成在一 起。
当存储器502是独立于处理器501之外的器件时,数据库50,还可以 包括:
总线503,用于连接处理器501以及存储器502。
此外,本申请实施例还提供一种计算机可读存储介质,计算机可读存储 介质中存储有计算机执行指令,当用户设备的至少一个处理器执行该计算机 执行指令时,用户设备执行上述各种可能的方法。
其中,计算机可读介质包括计算机存储介质和通信介质,其中通信介质 包括便于从一个地方向另一个地方传送计算机程序的任何介质。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。一种示例性的存储介质耦 合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质 写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质 可以位于ASIC中。另外,该ASIC可以位于用户设备中。当然,处理器和存 储介质也可以作为分立组件存在于通信设备中。
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)
1.一种车灯识别的方法,其特征在于,包括:
从包含车辆的图片中,确定第一矩形框和第二矩形框所对应的位置;
将所述第一矩形框和所述第二矩形框中提取的特征进行融合,得到融合特征;
将所述融合特征输入卷积神经网络模型,通过所述卷积神经网络模型的输出结果确定所述车辆的车灯是否开启。
2.根据权利要求1所述的方法,其特征在于,所述从包含车辆的图片中,确定第一矩形框和第二矩形框所对应的位置,包括:
应用矩形目标检测算法,确定所述车灯的第一矩形框的位置信息;所述位置信息包括第一宽度和第一高度;
按照增量,扩展所述第一矩形框的所述第一宽度和所述第一高度,确定所述第二矩形框的位置信息;所述第二矩形框的位置信息包括第二宽度和第二高度。
3.根据权利要求1所述的方法,其特征在于,在将所述第一矩形框和所述第二矩形框中提取的特征进行融合之前,还包括:
根据卷积神经网络模型,设定所述第一矩形框的第一参数;
根据所述第一参数,确定所述第二矩形框的第二参数;
根据所述第一参数,对所述第一矩形框的图片区域提取第一特征;
根据所述第二参数,对所述第二矩形框的图片区域提取第二特征。
4.根据权利要求1所述的方法,其特征在于,所述通过所述卷积神经网络模型的输出结果确定所述车辆的车灯是否开启,包括:
将所述融合特征输入至所述卷积神经网络模型的全连接层,得到第一值和第二值;
当所述第一值大于所述第二值时,则确定所述车辆的车灯开启。
5.根据权利要求3所述的方法,其特征在于,所述根据所述第一参数,确定所述第二矩形框的第二参数,包括:
根据所述第一参数,增大所述卷积神经网络模型中卷积层的移动步长,得到所述第二参数。
6.根据权利要求2所述的方法,其特征在于,所述按照增量,扩展所述第一矩形框的所述第一宽度和所述第一高度,确定所述第二矩形框的位置信息,包括:
按照所述增量扩展所述第一矩形框的所述第一宽度和所述第一高度,以使得所述第二矩形框的所述第二宽度为所述第一宽度与所述增量之和;其中,所述第二高度为所述第一高度的N+1倍,所述增量为所述第一高度的N倍;N为大于1的自然数。
7.根据权利要求3所述的方法,其特征在于,所述将所述第一矩形框和所述第二矩形框中提取的特征进行融合,包括:
将所述第一特征表示为第一矩阵,以及将所述第二特征表示为第二矩阵;
将所述第一矩阵和所述第二矩阵按位相加,得到用以表示融合特征的第三矩阵。
8.一种车灯识别的装置,其特征在于,包括:
第一确定模块,用于从包含车辆的图片中,确定第一矩形框和第二矩形框所对应的位置;
第二确定模块,用于将所述第一矩形框和所述第二矩形框通过卷积神经网络提取的特征进行融合,得到融合特征;将所述融合特征输入卷积神经网络模型,通过所述卷积神经网络模型的输出结果确定所述车辆的车灯是否开启。
9.一种电子设备,其特征在于,包括:
处理器;以及,
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任一项所述车灯识别的方法。
10.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至7中任一项所述车灯识别的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010540767.9A CN111882519A (zh) | 2020-06-15 | 2020-06-15 | 一种车灯识别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010540767.9A CN111882519A (zh) | 2020-06-15 | 2020-06-15 | 一种车灯识别的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111882519A true CN111882519A (zh) | 2020-11-03 |
Family
ID=73158337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010540767.9A Pending CN111882519A (zh) | 2020-06-15 | 2020-06-15 | 一种车灯识别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882519A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906504A (zh) * | 2021-01-29 | 2021-06-04 | 浙江安谐智能科技有限公司 | 一种基于双摄像头的夜间车辆远光灯开启状态判别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599869A (zh) * | 2016-12-22 | 2017-04-26 | 安徽大学 | 一种基于多任务卷积神经网络的车辆属性识别方法 |
CN108334892A (zh) * | 2017-12-26 | 2018-07-27 | 新智数字科技有限公司 | 一种基于卷积神经网络的车型识别方法、装置及设备 |
CN108566523A (zh) * | 2018-05-16 | 2018-09-21 | 深圳市科纳实业有限公司 | 一种车载障碍识别投影系统 |
CN108830213A (zh) * | 2018-06-12 | 2018-11-16 | 北京理工大学 | 基于深度学习的车牌检测与识别方法和装置 |
WO2019051941A1 (zh) * | 2017-09-15 | 2019-03-21 | 平安科技(深圳)有限公司 | 车型识别方法、装置、设备及计算机可读存储介质 |
CN109558823A (zh) * | 2018-11-22 | 2019-04-02 | 北京市首都公路发展集团有限公司 | 一种以图搜图的车辆识别方法及系统 |
CN110738201A (zh) * | 2019-04-25 | 2020-01-31 | 上海海事大学 | 基于融合形态特征的自适应多卷积神经网络文字识别方法 |
-
2020
- 2020-06-15 CN CN202010540767.9A patent/CN111882519A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599869A (zh) * | 2016-12-22 | 2017-04-26 | 安徽大学 | 一种基于多任务卷积神经网络的车辆属性识别方法 |
WO2019051941A1 (zh) * | 2017-09-15 | 2019-03-21 | 平安科技(深圳)有限公司 | 车型识别方法、装置、设备及计算机可读存储介质 |
CN108334892A (zh) * | 2017-12-26 | 2018-07-27 | 新智数字科技有限公司 | 一种基于卷积神经网络的车型识别方法、装置及设备 |
CN108566523A (zh) * | 2018-05-16 | 2018-09-21 | 深圳市科纳实业有限公司 | 一种车载障碍识别投影系统 |
CN108830213A (zh) * | 2018-06-12 | 2018-11-16 | 北京理工大学 | 基于深度学习的车牌检测与识别方法和装置 |
CN109558823A (zh) * | 2018-11-22 | 2019-04-02 | 北京市首都公路发展集团有限公司 | 一种以图搜图的车辆识别方法及系统 |
CN110738201A (zh) * | 2019-04-25 | 2020-01-31 | 上海海事大学 | 基于融合形态特征的自适应多卷积神经网络文字识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906504A (zh) * | 2021-01-29 | 2021-06-04 | 浙江安谐智能科技有限公司 | 一种基于双摄像头的夜间车辆远光灯开启状态判别方法 |
CN112906504B (zh) * | 2021-01-29 | 2022-07-12 | 浙江安谐智能科技有限公司 | 一种基于双摄像头的夜间车辆远光灯开启状态判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3621029A1 (en) | Car insurance image processing method, apparatus, server and system | |
CN111078908B (zh) | 一种数据标注的检测方法和装置 | |
US11087138B2 (en) | Vehicle damage assessment method, apparatus, and device | |
CN110163176B (zh) | 车道线变化位置识别方法、装置、设备和介质 | |
CN113033604B (zh) | 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质 | |
CN110516514B (zh) | 一种目标检测模型的建模方法和装置 | |
CN112801229A (zh) | 一种识别模型的训练方法及装置 | |
US20120128210A1 (en) | Method for Traffic Sign Recognition | |
CN111539425A (zh) | 一种车牌识别方法、存储介质及电子设备 | |
WO2020007589A1 (en) | Training a deep convolutional neural network for individual routes | |
CN111435446A (zh) | 一种基于LeNet车牌识别方法及装置 | |
CN110909598A (zh) | 一种基于深度学习的非机动车道交通违法行驶识别方法 | |
CN111444911B (zh) | 车牌识别模型的训练方法及装置、车牌识别方法及装置 | |
CN114419583A (zh) | 一种大尺度特征的YOLOv4-tiny目标检测算法 | |
CN115376089A (zh) | 一种基于深度学习的车道线检测方法 | |
CN111882519A (zh) | 一种车灯识别的方法及装置 | |
CN114820679A (zh) | 图像标注方法、装置、电子设备和存储介质 | |
CN111444847A (zh) | 一种交通标志检测识别方法、系统、装置及存储介质 | |
CN111951601B (zh) | 一种识别配送车辆停放位置的方法及装置 | |
CN112633151B (zh) | 一种确定监控图像中斑马线的方法、装置、设备及介质 | |
CN111191482A (zh) | 一种刹车灯识别方法、装置及电子设备 | |
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 | |
CN117184075A (zh) | 一种车辆变道检测方法、装置及计算机可读存储介质 | |
CN111461056A (zh) | 一种样本数据获取方法和装置 | |
CN116721396A (zh) | 车道线检测方法、设备及存储介质 |
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 |