CN111931745A - 车辆检测方法、装置、电子设备及存储介质 - Google Patents

车辆检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111931745A
CN111931745A CN202011069646.7A CN202011069646A CN111931745A CN 111931745 A CN111931745 A CN 111931745A CN 202011069646 A CN202011069646 A CN 202011069646A CN 111931745 A CN111931745 A CN 111931745A
Authority
CN
China
Prior art keywords
boundary
frame
detection frame
region
detected vehicle
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
CN202011069646.7A
Other languages
English (en)
Other versions
CN111931745B (zh
Inventor
孟绍旭
朱磊
郭波
吴志洋
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.)
Mushroom Car Union Information Technology Co Ltd
Original Assignee
Mushroom Car Union Information 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 Mushroom Car Union Information Technology Co Ltd filed Critical Mushroom Car Union Information Technology Co Ltd
Priority to CN202011069646.7A priority Critical patent/CN111931745B/zh
Publication of CN111931745A publication Critical patent/CN111931745A/zh
Application granted granted Critical
Publication of CN111931745B publication Critical patent/CN111931745B/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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • 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
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供一种车辆检测方法、装置、电子设备及存储介质。方法包括：为当前时刻的监控图片检测前方的感兴趣区域，得到感兴趣区域图片；对感兴趣区域图片做灰度化处理，得到感兴趣区域的灰度图；根据感兴趣区域的灰度图，确定第一检测框；根据所述感兴趣区域图片，确定被检测车辆的下边界与下边界长度，结合所述第一检测框，得到第二检测框；根据所述第二检测框对被检测车辆做跟踪预测，得到跟踪预测框，将所述第二检测框与所述跟踪预测框进行比较，根据比较结果确定被检测车辆的边界框。本发明实施例提供的车辆检测方法、装置、电子设备及存储介质，能够快速、高效地获得被检测车辆的边界框，鲁棒性好，对硬件的资源要求较低。

Description

车辆检测方法、装置、电子设备及存储介质
技术领域
本发明涉及道路交通技术领域，尤其涉及一种车辆检测方法、装置、电子设备及存储介质。
背景技术
前方车辆碰撞预警是汽车主动安全领域的重要研究方向。在现有技术中，前方车辆碰撞预警的方法主要包括：基于雷达的方法，基于视觉的方法，雷达和视觉融合的方法。
由于基于视觉的方法成本较低，因此已经在汽车辅助驾驶系统中得到了较为广泛的应用。
基于视觉的前方车辆碰撞预警方法的核心在于车辆检测方法。顾名思义，车辆检测方法用于对车辆进行检测与识别。现有技术中常见的车辆检测方法包括基于车底阴影的方法、基于机器学习的方法和基于光流的方法。
现有技术中的车辆检测方法各自存在一定的不足：
基于车底阴影的方法由于受天气影响大，稳定性问题难以克服；基于光流的方法应用前提是目标物需要存在相对运动，对相对运动较小的车辆漏检率高；基于机器学习的方法采用大量数据进行学习训练，车辆检测鲁棒性强，但是对硬件性能要求很高。
发明内容
针对现有技术存在的问题，本发明实施例提供一种车辆检测方法、装置、电子设备及存储介质。
本发明第一方面实施例提供一种车辆检测方法，包括：
步骤S1、为当前时刻的监控图片检测前方的感兴趣区域，得到感兴趣区域图片；
步骤S2、对所述感兴趣区域图片做灰度化处理，得到感兴趣区域的灰度图；根据所述感兴趣区域的灰度图，确定第一检测框；其中，所述第一检测框包括被检测车辆的左边界与右边界；
步骤S3、根据所述感兴趣区域图片，确定被检测车辆的下边界与下边界长度，结合所述第一检测框，得到第二检测框；其中，所述第二检测框包括被检测车辆的左边界、右边界、下边界以及下边界长度；
步骤S4、根据所述第二检测框对被检测车辆做跟踪预测，得到跟踪预测框，将所述第二检测框与所述跟踪预测框进行比较，根据比较结果确定被检测车辆的边界框；其中，所述跟踪预测框用于描述被检测车辆在下一时刻的监控图片中的位置。
上述技术方案中，步骤S2和步骤S3之间，所述方法还包括：
对所述第一检测框进行左右边界边缘的对称性验证，去除未通过对称性验证的第一检测框。
上述技术方案中，所述为当前时刻的监控图片检测前方的感兴趣区域，包括：
检测当前时刻的监控图片中前方两侧最近的左、右车道线；
将所述前方两侧最近的左、右车道线内的区域作为感兴趣区域。
上述技术方案中，所述根据所述感兴趣区域的灰度图，确定第一检测框，包括：
从所述感兴趣区域的灰度图中提取边缘二值化特征；
统计灰度图中各个x坐标下的二值化特征的数量，得到第一竖向位置直方图；
在所述第一竖向位置直方图中分别找出左半区域中具有最多二值化特征的第一x坐标值，和右半区域中具有最多二值化特征的第二x坐标值；
将所述第一x坐标值所对应的位置作为被检测车辆的左边界，将所述第二x坐标值所对应的位置作为被检测车辆的右边界；
根据被检测车辆的左边界和右边界，确定第一检测框。
上述技术方案中，所述根据所述感兴趣区域图片，确定被检测车辆的下边界与下边界长度，包括：
从所述感兴趣区域图片获取R通道和B通道的差值二值化特征；
统计所述感兴趣区域图片中各个x坐标下差值二值化特征的数量得到第二竖向位置直方图；
查找所述第二竖向位置直方图中的最多像素位置，得到始终在被检测车辆范围内的x坐标；
沿着x坐标的y轴像素值突变找到被检测车辆下边界y坐标；
由被检测车辆下边界y坐标的x轴上像素连续性得到被检测车辆下边界的长度。
上述技术方案中，所述将所述第二检测框与所述跟踪预测框进行比较，根据比较结果确定被检测车辆的边界框，包括：
将所述第二检测框与所述跟踪预测框进行交并比验证；
当交并比验证的结果小于预设的第一阈值时，发生误检测，去除检测框；
当交并比验证的结果大于预设的第二阈值时，将所述跟踪预测框作为被检测车辆的边界框；
当交并比验证的结果大于或等于预设的第一阈值，且小于或等于预设的第二阈值时，将所述第二检测框作为被检测车辆的边界框。
上述技术方案中，所述对所述第一检测框进行左右边界边缘的对称性验证，包括：
将所述第一检测框内的左边界的二值化特征的位置与右边界的二值化特征的位置进行对比，当左右边界中位置相对于所述第一检测框中轴线对称的二值化特征的数量占二值化特征总数量的比例高于预设的第三阈值时，所述第一检测框通过对称性验证，当左右边界中位置相对于所述第一检测框中轴线对称的二值化特征的数量占二值化特征总数量的比例小于或等于预设的第三阈值时，所述第一检测框未通过对称性验证。
本发明第二方面实施例提供一种车辆检测装置，包括：
感兴趣区域检测模块，用于为当前时刻的监控图片检测前方的感兴趣区域，得到感兴趣区域图片；
第一检测框确定模块，用于对所述感兴趣区域图片做灰度化处理，得到感兴趣区域的灰度图；根据所述感兴趣区域的灰度图，确定第一检测框；其中，所述第一检测框包括被检测车辆的左边界与右边界；
第二检测框确定模块，用于根据所述感兴趣区域图片，确定被检测车辆的下边界与下边界长度，结合所述第一检测框，得到第二检测框；其中，所述第二检测框包括被检测车辆的左边界、右边界、下边界以及下边界长度；
边界框确定模块，用于根据所述第二检测框对被检测车辆做跟踪预测，得到跟踪预测框，将所述第二检测框与所述跟踪预测框进行比较，根据比较结果确定被检测车辆的边界框；其中，所述跟踪预测框用于描述被检测车辆在下一时刻的监控图片中的位置。
本发明第三方面实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明第一方面实施例所述车辆检测方法的步骤。
本发明第四方面实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面实施例所述车辆检测方法的步骤。
本发明实施例提供的车辆检测方法、装置、电子设备及存储介质，能够快速、高效地获得被检测车辆的边界框，鲁棒性好，对硬件的资源要求较低。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的车辆检测方法的流程图；
图2为本发明实施例提供的车辆检测装置的示意图；
图3为本发明实施例所涉及的电子设备的实体结构示意图。
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作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。
图1为本发明实施例提供的车辆检测方法的流程图，如图1所示，本发明实施例提供的车辆检测方法包括：
步骤101、为当前时刻的监控图片检测前方的感兴趣区域，得到感兴趣区域图片。
实现本发明实施例提供的车辆检测方法的前提在于在车辆上安装有监控摄像头，通过监控摄像头对车辆前方进行监视，生成监控视频。
监控视频包括多个视频帧，每个视频帧包括一幅图片。在本发明实施例中，将当前时刻所对应视频帧中的图片称为当前时刻的监控图片。本发明实施例提供的车辆检测方法对当前时刻的监控图片进行处理，从中找到车辆前方的感兴趣区域。
在本发明实施例中，感兴趣区域是可能包含有待检测车辆的区域。由于车辆通常在车道上行驶，因此可利用车道线检测前方的感兴趣区域，具体包括：
检测当前时刻的监控图片中车辆前方两侧最近的左、右车道线；
将当前时刻的监控图片中车辆前方两侧最近的左、右车道线内的区域作为感兴趣区域，提取仅包含感兴趣区域的图片。
检测当前时刻的监控图片中车辆前方两侧最近的左、右车道线可采用现有技术中的相关方法，如利用Canny边缘检测算法可获取车道线。通过对检测得到的车道线的位置判别，可识别出车辆前方两侧最近的左、右车道线。
在获得感兴趣区域后，可从当前时刻的监控图片中提取出仅包含感兴趣区域的图片。例如，将当前时刻的监控图片中非感兴趣区域的像素全都赋值为0，最终只留下了感兴趣区域部分。又如，可通过裁剪的方式从当前时刻的监控图片中提取出仅包含感兴趣区域的图片。
由于现有的摄像头所拍摄的图片通常为彩色图片，因此感兴趣区域图片通常也是彩色图片。
步骤102、对感兴趣区域图片做灰度化处理，得到感兴趣区域的灰度图；根据感兴趣区域的灰度图，确定第一检测框。
之前已经提到，感兴趣区域图片通常为彩色图片，对感兴趣区域做灰度化处理，可得到感兴趣区域的灰度图。如何进行灰度化处理是本领域技术人员的公知常识，因此不在此处做重复说明。
基于感兴趣区域的灰度图，从所述灰度图中提取边缘二值化特征，通过统计灰度图中各个x坐标下各有多少个二值化特征可以得到第一竖向位置直方图。在第一竖向位置直方图中分别找出左半区域中具有最多二值化特征的第一x坐标值，和右半区域中具有最多二值化特征的第二x坐标值。将所述第一x坐标值所对应的位置作为被检测车辆的左边界，将所述第二x坐标值所对应的位置作为被检测车辆的右边界。根据被检测车辆的左边界和右边界，可确定第一检测框。
从第一检测框的获取过程可以知道，第一检测框较为粗糙，它初步限定了被检测车辆的左右边界，对被检测车辆的上下边界并没有限定，因此在后续的步骤中，需要对第一检测框做进一步的处理。
步骤103、根据所述感兴趣区域图片，确定被检测车辆的下边界与下边界长度，结合所述第一检测框，得到第二检测框。
在前文中提到，感兴趣区域图片通常为彩色图片，因此可从感兴趣区域图片获取R通道和B通道的差值二值化特征，通过统计图片中各个x坐标下各有多少个差值二值化特征可以得到第二竖向位置直方图。通过查找第二竖向位置直方图中的最多像素位置可得到始终在被检测车辆范围内的x坐标，沿着x坐标的y轴像素值突变可找到被检测车辆下边界y坐标（即被检测车辆下边界位置），由被检测车辆下边界y坐标的x轴上像素连续性得到被检测车辆下边界的长度。
在得到被检测车辆下边界位置与下边界长度后，结合第一检测框所包含的被检测车辆左边界和右边界，可以得到第二检测框。
第二检测框在第一检测框的基础上增加了被检测车辆的下边界，因此较第一检测框更为准确。
步骤104、根据所述第二检测框对被检测车辆做跟踪预测，得到跟踪预测框，将所述第二检测框与所述跟踪预测框进行比较，根据比较结果确定被检测车辆的边界框。
在本发明实施例中，可采用KCF（Kernel Correlation Filter，核相关滤波）算法实现跟踪预测。在跟踪预测时，首先学习当前时刻的监控图片以及当前时刻的监控图片所对应的第二检测框，然后输入下一时刻的监控图片，从而预测出被检测车辆在下一时刻的监控图片中的位置，也就是所述的跟踪预测框。需要说明的是，在本发明实施例中，下一时刻是指监控视频的下一视频帧所对应的时刻。显然，当前时刻与下一时刻的时间间隔较小。
将当前时刻的监控图片所对应的第二检测框与所述跟踪预测框进行比较时，可采用IOU（Intersection over Union，交并比）验证的方式。
当IOU验证的结果小于预设的第一阈值时，认为所述第二检测框与所述跟踪预测框之间偏差较大，但在正常情况下，被检测车辆在前后两个时刻之间的偏差不会很大，因此对于偏差较大的情况认为是发生了误检测，滤除对应的检测框。
当IOU验证的结果大于预设的第二阈值时，将跟踪预测框作为车辆的边界框。当IOU验证的结果大于预设的第二阈值，说明两个检测框之间重合度很高，为了在帧间减少抖动，将稳定性更高的跟踪预测框作为被检测车辆的边界框。
当IOU验证的结果大于或等于预设的第一阈值，且小于或等于预设的第二阈值时，将当前时刻的监控图片检测得到的第二检测框作为被检测车辆的边界框。
在本发明实施例中，第一阈值小于第二阈值，如第一阈值的大小为0.1，第二阈值的大小为0.8。
本发明实施例提供的车辆检测方法能够快速、高效地获得被检测车辆的边界框，鲁棒性好，对硬件的资源要求较低。
基于上述任一实施例，在本发明实施例中，在步骤102和步骤103之间，方法还包括：
对第一检测框进行左右边界边缘的对称性验证，去除未通过对称性验证的第一检测框。
车辆一般具有左右对称性，而在道路上的被检测对象除了车辆外，还存在其他可能。因此在本发明实施例中，对第一检测框进行左右边界边缘的对称性验证，如果无法通过验证，则相应的第一检测框应当被剔除。
具体的说，将第一检测框内的左边界的二值化特征的位置与右边界的二值化特征的位置进行对比，如果左右边界中位置相对于第一检测框中轴线对称的二值化特征的数量占二值化特征总数量的比例高于预设的第三阈值，那么认为该第一检测框通过了对称性验证，当左右边界中位置相对于所述第一检测框中轴线对称的二值化特征的数量占二值化特征总数量的比例小于或等于预设的第三阈值时，所述第一检测框未通过对称性验证。
其中的第三阈值的大小可根据实际情况设定。例如，将第三阈值大小设置为80%。
未通过对称性验证的第一检测框被删除，不再继续后续的步骤。
本发明实施例提供的车辆检测方法通过对第一检测框做对称性验证，可以去除非车辆的对象，增加车辆检测的准确度。
基于上述任一实施例，图2为本发明实施例提供的车辆检测装置的示意图，如图2所示，本发明实施例提供的车辆检测装置，包括：
感兴趣区域检测模块201，用于为当前时刻的监控图片检测前方的感兴趣区域，得到感兴趣区域图片；
第一检测框确定模块202，用于对所述感兴趣区域图片做灰度化处理，得到感兴趣区域的灰度图；根据所述感兴趣区域的灰度图，确定第一检测框；其中，所述第一检测框包括被检测车辆的左边界与右边界；
第二检测框确定模块203，用于根据所述感兴趣区域图片，确定被检测车辆的下边界与下边界长度，结合所述第一检测框，得到第二检测框；其中，所述第二检测框包括被检测车辆的左边界、右边界、下边界以及下边界长度；
边界框确定模块204，用于根据所述第二检测框对被检测车辆做跟踪预测，得到跟踪预测框，将所述第二检测框与所述跟踪预测框进行比较，根据比较结果确定被检测车辆的边界框；其中，所述跟踪预测框用于描述被检测车辆在下一时刻的监控图片中的位置。
本发明实施例提供的车辆检测装置能够快速、高效地获得被检测车辆的边界框，鲁棒性好，对硬件的资源要求较低。
图3为本发明实施例所涉及的电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：
为当前时刻的监控图片检测前方的感兴趣区域，得到感兴趣区域图片；
对所述感兴趣区域图片做灰度化处理，得到感兴趣区域的灰度图；根据所述感兴趣区域的灰度图，确定第一检测框；其中，所述第一检测框包括被检测车辆的左边界与右边界；
根据所述感兴趣区域图片，确定被检测车辆的下边界与下边界长度，结合所述第一检测框，得到第二检测框；其中，所述第二检测框包括被检测车辆的左边界、右边界、下边界以及下边界长度；
根据所述第二检测框对被检测车辆做跟踪预测，得到跟踪预测框，将所述第二检测框与所述跟踪预测框进行比较，根据比较结果确定被检测车辆的边界框；其中，所述跟踪预测框用于描述被检测车辆在下一时刻的监控图片中的位置。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：
为当前时刻的监控图片检测前方的感兴趣区域，得到感兴趣区域图片；
对所述感兴趣区域图片做灰度化处理，得到感兴趣区域的灰度图；根据所述感兴趣区域的灰度图，确定第一检测框；其中，所述第一检测框包括被检测车辆的左边界与右边界；
根据所述感兴趣区域图片，确定被检测车辆的下边界与下边界长度，结合所述第一检测框，得到第二检测框；其中，所述第二检测框包括被检测车辆的左边界、右边界、下边界以及下边界长度；
根据所述第二检测框对被检测车辆做跟踪预测，得到跟踪预测框，将所述第二检测框与所述跟踪预测框进行比较，根据比较结果确定被检测车辆的边界框；其中，所述跟踪预测框用于描述被检测车辆在下一时刻的监控图片中的位置。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。

Claims (10)

1.一种车辆检测方法，其特征在于，包括：
步骤S1、为当前时刻的监控图片检测前方的感兴趣区域，得到感兴趣区域图片；
步骤S2、对所述感兴趣区域图片做灰度化处理，得到感兴趣区域的灰度图；根据所述感兴趣区域的灰度图，确定第一检测框；其中，所述第一检测框包括被检测车辆的左边界与右边界；
步骤S3、根据所述感兴趣区域图片，确定被检测车辆的下边界与下边界长度，结合所述第一检测框，得到第二检测框；其中，所述第二检测框包括被检测车辆的左边界、右边界、下边界以及下边界长度；
步骤S4、根据所述第二检测框对被检测车辆做跟踪预测，得到跟踪预测框，将所述第二检测框与所述跟踪预测框进行比较，根据比较结果确定被检测车辆的边界框；其中，所述跟踪预测框用于描述被检测车辆在下一时刻的监控图片中的位置。
2.根据权利要求1所述的车辆检测方法，其特征在于，步骤S2和步骤S3之间，所述方法还包括：
对所述第一检测框进行左右边界边缘的对称性验证，去除未通过对称性验证的第一检测框。
3.根据权利要求1或2所述的车辆检测方法，其特征在于，所述为当前时刻的监控图片检测前方的感兴趣区域，包括：
检测当前时刻的监控图片中前方两侧最近的左、右车道线；
将所述前方两侧最近的左、右车道线内的区域作为感兴趣区域。
4.根据权利要求1或2所述的车辆检测方法，其特征在于，所述根据所述感兴趣区域的灰度图，确定第一检测框，包括：
从所述感兴趣区域的灰度图中提取边缘二值化特征；
统计灰度图中各个x坐标下的二值化特征的数量，得到第一竖向位置直方图；
在所述第一竖向位置直方图中分别找出左半区域中具有最多二值化特征的第一x坐标值，和右半区域中具有最多二值化特征的第二x坐标值；
将所述第一x坐标值所对应的位置作为被检测车辆的左边界，将所述第二x坐标值所对应的位置作为被检测车辆的右边界；
根据被检测车辆的左边界和右边界，确定第一检测框。
5.根据权利要求1或2所述的车辆检测方法，其特征在于，所述根据所述感兴趣区域图片，确定被检测车辆的下边界与下边界长度，包括：
从所述感兴趣区域图片获取R通道和B通道的差值二值化特征；
统计所述感兴趣区域图片中各个x坐标下差值二值化特征的数量得到第二竖向位置直方图；
查找所述第二竖向位置直方图中的最多像素位置，得到始终在被检测车辆范围内的x坐标；
沿着x坐标的y轴像素值突变找到被检测车辆下边界y坐标；
由被检测车辆下边界y坐标的x轴上像素连续性得到被检测车辆下边界的长度。
6.根据权利要求1或2所述的车辆检测方法，其特征在于，所述将所述第二检测框与所述跟踪预测框进行比较，根据比较结果确定被检测车辆的边界框，包括：
将所述第二检测框与所述跟踪预测框进行交并比验证；
当交并比验证的结果小于预设的第一阈值时，发生误检测，去除检测框；
当交并比验证的结果大于预设的第二阈值时，将所述跟踪预测框作为被检测车辆的边界框；
当交并比验证的结果大于或等于预设的第一阈值，且小于或等于预设的第二阈值时，将所述第二检测框作为被检测车辆的边界框。
7.根据权利要求2所述的车辆检测方法，其特征在于，所述对所述第一检测框进行左右边界边缘的对称性验证，包括：
将所述第一检测框内的左边界的二值化特征的位置与右边界的二值化特征的位置进行对比，当左右边界中位置相对于所述第一检测框中轴线对称的二值化特征的数量占二值化特征总数量的比例高于预设的第三阈值时，所述第一检测框通过对称性验证，当左右边界中位置相对于所述第一检测框中轴线对称的二值化特征的数量占二值化特征总数量的比例小于或等于预设的第三阈值时，所述第一检测框未通过对称性验证。
8.一种车辆检测装置，其特征在于，包括：
感兴趣区域检测模块，用于为当前时刻的监控图片检测前方的感兴趣区域，得到感兴趣区域图片；
第一检测框确定模块，用于对所述感兴趣区域图片做灰度化处理，得到感兴趣区域的灰度图；根据所述感兴趣区域的灰度图，确定第一检测框；其中，所述第一检测框包括被检测车辆的左边界与右边界；
第二检测框确定模块，用于根据所述感兴趣区域图片，确定被检测车辆的下边界与下边界长度，结合所述第一检测框，得到第二检测框；其中，所述第二检测框包括被检测车辆的左边界、右边界、下边界以及下边界长度；
边界框确定模块，用于根据所述第二检测框对被检测车辆做跟踪预测，得到跟踪预测框，将所述第二检测框与所述跟踪预测框进行比较，根据比较结果确定被检测车辆的边界框；其中，所述跟踪预测框用于描述被检测车辆在下一时刻的监控图片中的位置。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述车辆检测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述车辆检测方法的步骤。
CN202011069646.7A 2020-10-09 2020-10-09 车辆检测方法、装置、电子设备及存储介质 Active CN111931745B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011069646.7A CN111931745B (zh) 2020-10-09 2020-10-09 车辆检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011069646.7A CN111931745B (zh) 2020-10-09 2020-10-09 车辆检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111931745A true CN111931745A (zh) 2020-11-13
CN111931745B CN111931745B (zh) 2021-01-12

Family

ID=73334303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011069646.7A Active CN111931745B (zh) 2020-10-09 2020-10-09 车辆检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111931745B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766216A (zh) * 2021-01-29 2021-05-07 深圳市捷顺科技实业股份有限公司 车辆驶入停车位检测方法、装置、电子设备及存储介质
WO2022142839A1 (zh) * 2020-12-31 2022-07-07 华为技术有限公司 一种图像处理方法、装置以及智能汽车

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080069400A1 (en) * 2006-07-07 2008-03-20 Ying Zhu Context adaptive approach in vehicle detection under various visibility conditions
CN101788497A (zh) * 2009-12-30 2010-07-28 深圳先进技术研究院 一种基于图像识别技术的嵌入式豆类分类系统
CN105117727A (zh) * 2015-09-18 2015-12-02 浙江工业大学 一种车牌快速定位方法
CN107766789A (zh) * 2017-08-21 2018-03-06 浙江零跑科技有限公司 一种基于车载单目相机的车辆检测定位方法
US20190019041A1 (en) * 2017-07-11 2019-01-17 Boe Technology Group Co., Ltd. Method and apparatus for detecting a vehicle in a driving assisting system
CN109740595A (zh) * 2018-12-27 2019-05-10 武汉理工大学 一种基于机器视觉的斜向车辆检测与跟踪系统及方法
CN111421425A (zh) * 2020-03-11 2020-07-17 东北大学 一种基于工业视觉的金属表面修磨系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080069400A1 (en) * 2006-07-07 2008-03-20 Ying Zhu Context adaptive approach in vehicle detection under various visibility conditions
CN101788497A (zh) * 2009-12-30 2010-07-28 深圳先进技术研究院 一种基于图像识别技术的嵌入式豆类分类系统
CN105117727A (zh) * 2015-09-18 2015-12-02 浙江工业大学 一种车牌快速定位方法
US20190019041A1 (en) * 2017-07-11 2019-01-17 Boe Technology Group Co., Ltd. Method and apparatus for detecting a vehicle in a driving assisting system
CN107766789A (zh) * 2017-08-21 2018-03-06 浙江零跑科技有限公司 一种基于车载单目相机的车辆检测定位方法
CN109740595A (zh) * 2018-12-27 2019-05-10 武汉理工大学 一种基于机器视觉的斜向车辆检测与跟踪系统及方法
CN111421425A (zh) * 2020-03-11 2020-07-17 东北大学 一种基于工业视觉的金属表面修磨系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
顾柏园: "基于单目视觉的安全车距预警系统研究", 《中国优秀博硕士学位论文全文数据库（博士） 工程科技II辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022142839A1 (zh) * 2020-12-31 2022-07-07 华为技术有限公司 一种图像处理方法、装置以及智能汽车
CN112766216A (zh) * 2021-01-29 2021-05-07 深圳市捷顺科技实业股份有限公司 车辆驶入停车位检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111931745B (zh) 2021-01-12

Similar Documents

Publication Publication Date Title
JP7016943B2 (ja) 物体検出のための方法、装置および機器
US10133941B2 (en) Method, apparatus and device for detecting lane boundary
US8902053B2 (en) Method and system for lane departure warning
US10818172B2 (en) Method, device and system for processing startup of preceding vehicle
CN112329552A (zh) 基于汽车的障碍物检测方法及装置
CN107392139B (zh) 一种基于霍夫变换的车道线检测方法及终端设备
CN110298300B (zh) 一种检测车辆违章压线的方法
CN112349144B (zh) 一种基于单目视觉的车辆碰撞预警方法及系统
US8406472B2 (en) Method and system for processing image data
CN111931745B (zh) 车辆检测方法、装置、电子设备及存储介质
Bedruz et al. Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach
US9483711B2 (en) Object detection system
US20090110286A1 (en) Detection method
US20180114078A1 (en) Vehicle detection device, vehicle detection system, and vehicle detection method
JP2015187855A (ja) 多範囲オブジェクト検出装置および方法
CN112215794B (zh) 一种双目adas摄像头脏污检测的方法及装置
WO2013116598A1 (en) Low-cost lane marker detection
CN112446316A (zh) 事故检测方法、电子设备及存储介质
CN111079621A (zh) 检测对象的方法、装置、电子设备和存储介质
CN112597846A (zh) 车道线检测方法、装置、计算机设备和存储介质
Vajak et al. A rethinking of real-time computer vision-based lane detection
JP2006140636A (ja) 障害物検出装置および方法
CN112990117B (zh) 基于智能驾驶系统的安装数据处理方法及装置
Ma et al. A real-time rear view camera based obstacle detection
CN114973157A (zh) 车辆分离方法、电子设备及计算机可读存储介质

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