CN112580401A - 车辆检测方法及装置 - Google Patents
车辆检测方法及装置 Download PDFInfo
- Publication number
- CN112580401A CN112580401A CN201910937152.7A CN201910937152A CN112580401A CN 112580401 A CN112580401 A CN 112580401A CN 201910937152 A CN201910937152 A CN 201910937152A CN 112580401 A CN112580401 A CN 112580401A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- picture
- smoke
- vehicle picture
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 208
- 239000000779 smoke Substances 0.000 claims abstract description 198
- 238000000034 method Methods 0.000 claims abstract description 92
- 238000012545 processing Methods 0.000 claims abstract description 62
- 230000008569 process Effects 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims description 74
- 238000003860 storage Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 10
- 230000003014 reinforcing effect Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 21
- 239000000463 material Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000605547 Luzula sylvatica Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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]
Abstract
本发明实施例提供一种车辆检测方法及装置,该方法包括:获取第一车辆的车辆图片,车辆图片为对行驶中的第一车辆进行拍摄得到的。对车辆图片进行图像增强处理,得到增强处理后的车辆图片。将增强处理后的车辆图片输入至预设模型,使得预设模型输出第一车辆对应的检测结果,其中,检测结果用于指示第一车辆在行驶过程中是否产生预设烟雾。通过对车辆图片进行图像增强处理,以增强车辆图片中的第一车辆的显示效果,从而消除了环境和场景对车辆图片所造成的影响,以使得针对任意环境和场景的车辆图片,均能够正确有效的实现对烟雾区域的检测,提升检测准确率。
Description
技术领域
本发明实施例涉及计算机技术,尤其涉及一种车辆检测方法及装置。
背景技术
产生烟雾的车辆是高污染车的典型代表,车辆在行驶过程中,产生的黑烟会对环境造成污染,因此对黑烟车辆的检测是非常必要的。
目前,黑烟车辆的检测主要是通过对采集的车辆视频图像进行分块,依据分块后的各车辆图片的运动矢量和匹配误差值分析黑烟的运动规则,从而分割出车辆视频图像中的烟雾区域,随后将分割出的烟雾区域再分割成小块,计算各小块间的亮度分量均值方差,以确定烟雾区域的林格曼等级,从而确定当前车辆是否为产生黑烟的车辆。
然而,在不同的环境和不同的场景下,现有技术会将树荫等图片误检测为车辆排除的黑烟,无法排除环境和场景对车辆图片所造成的影响,从而使得黑烟车辆的检测准确率较低。
发明内容
本发明实施例提供一种车辆检测方法及装置,以克服环境和场景对车辆图片所造成的影响,使得烟雾区域的检测准确率较低的问题。
第一方面,本发明实施例提供一种车辆检测方法,包括:
获取第一车辆的车辆图片,所述车辆图片为对行驶中的所述第一车辆进行拍摄得到的;
对所述车辆图片进行图像增强处理,得到增强处理后的车辆图片;
将所述增强处理后的车辆图片输入至预设模型,使得所述预设模型输出所述第一车辆对应的检测结果,其中,所述检测结果用于指示所述第一车辆在行驶过程中是否产生预设烟雾。
在一种可能的设计中,所述图像增强处理为自适应处理;所述图像增强处理包括以下至少之一:
提高所述车辆图片的整体清晰度;
将所述车辆图片的亮度调整至目标亮度范围内;
提高所述车辆图片的整体对比度和局部对比度;
提高所述车辆图片的色彩饱和度。
在一种可能的设计中,所述将所述增强处理后的车辆图片输入至预设模型,使得所述预设模型输出所述第一车辆对应的检测结果,包括:
根据所述预设模型,将所述增强处理后的车辆图片划分为多个第一区域,分别确定各所述第一区域为烟雾区域的概率值;
将概率值大于预设概率值的第一区域确定为烟雾区域;
若所述车辆图片中包括烟雾区域,则确定所述第一车辆在行驶过程中产生预设烟雾;
若所述车辆图片中不包括烟雾区域,则确定所述第一车辆在行驶过程中未产生预设烟雾。
在一种可能的设计中,所述将概率值大于预设概率值的第一区域确定为烟雾区域之后,所述方法还包括:
输出各所述烟雾区域各自对应的坐标信息,其中,所述坐标信息用于指示各所述烟雾区域在车辆图片中的坐标。
在一种可能的设计中,所述将所述增强处理后的车辆图片输入至预设模型,使得所述预设模型输出所述第一车辆对应的检测结果之后,还包括:
接收所述车辆图片对应的反馈信息,其中,所述反馈信息用于指示所述检测结果包括误检测或者漏检测;
根据所述反馈信息判断所述第一车辆对应的检测结果是否存在错误或者遗漏;
若是,则对所述车辆图片进行重新标识,并将重新标识后的车辆图片添加至所述预设模型的训练集,对所述预设模型进行训练。
在一种可能的设计中,若所述反馈信息指示所述检测结果存在误检测,则所述对所述车辆图片进行重新标识,包括:
将所述检测结果中检测错误的烟雾区域标识为非烟雾区域,并标识所述非烟雾区域的区域类型;
若所述反馈信息指示所述检测结果存在漏检测,则所述对所述车辆图片进行重新标识,包括:
将所述检测结果中未被检测到的烟雾区域标识为烟雾区域。
在一种可能的设计中,所述将所述增强处理后的车辆图片输入至预设模型,使得所述预设模型输出所述第一车辆对应的检测结果之前,所述方法还包括:
根据训练集对所述预设模型进行迭代训练,直至所述预设模型的准确率大于或等于预设准确率,其中,所述训练集包括至少一个标识有烟雾区域的车辆图片;
其中,所述迭代训练包括:将所述误检测对应的车辆图片和所述漏检测对应的车辆图片作为所述预设模型的输入,以使得所述预设模型输出所述第一车辆对应的训练结果,所述训练结果用于指示所述第一车辆在行驶过程中是否产生预设烟雾。
第二方面,本发明实施例提供一种车辆检测装置,包括:
获取模块,用于获取第一车辆的车辆图片,所述车辆图片为对行驶中的所述第一车辆进行拍摄得到的;
处理模块,用于对所述车辆图片进行图像增强处理,得到增强处理后的车辆图片;
所述处理模块,还用于将所述增强处理后的车辆图片输入至预设模型,使得所述预设模型输出所述第一车辆对应的检测结果,其中,所述检测结果用于指示所述第一车辆在行驶过程中是否产生预设烟雾。
在一种可能的设计中,所述图像增强处理为自适应处理;所述图像增强处理包括以下至少之一:
提高所述车辆图片的整体清晰度;
将所述车辆图片的亮度调整至目标亮度范围内;
提高所述车辆图片的整体对比度和局部对比度;
提高所述车辆图片的色彩饱和度。
在一种可能的设计中,所述处理模块具体用于:
根据所述预设模型,将所述增强处理后的车辆图片划分为多个第一区域,分别确定各所述第一区域为烟雾区域的概率值;
将概率值大于预设概率值的第一区域确定为烟雾区域;
若所述车辆图片中包括烟雾区域,则确定所述第一车辆在行驶过程中产生预设烟雾;
若所述车辆图片中不包括烟雾区域,则确定所述第一车辆在行驶过程中未产生预设烟雾。
在一种可能的设计中,所述处理模块还用于:
在所述将概率值大于预设概率值的第一区域确定为烟雾区域之后,输出各所述烟雾区域各自对应的坐标信息,其中,所述坐标信息用于指示各所述烟雾区域在车辆图片中的坐标。
在一种可能的设计中,还包括:标识模块;
所述标识模块,用于在所述将所述增强处理后的车辆图片输入至预设模型,使得所述预设模型输出所述第一车辆对应的检测结果之后,接收所述车辆图片对应的反馈信息,其中,所述反馈信息用于指示所述检测结果包括误检测或者漏检测;
根据所述反馈信息判断所述第一车辆对应的检测结果是否存在错误或者遗漏;
若是,则对所述车辆图片进行重新标识,并将重新标识后的车辆图片添加至所述预设模型的训练集,对所述预设模型进行训练。
在一种可能的设计中,若所述反馈信息指示所述检测结果存在误检测,则所述标识模块具体用于:
将所述检测结果中检测错误的烟雾区域标识为非烟雾区域,并标识所述非烟雾区域的区域类型;
若所述反馈信息指示所述检测结果存在漏检测,则所述标识模块具体用于:
将所述检测结果中未被检测到的烟雾区域标识为烟雾区域。
在一种可能的设计中,所述处理模块还用于:
在所述将所述增强处理后的车辆图片输入至预设模型,使得所述预设模型输出所述第一车辆对应的检测结果之前,根据训练集对所述预设模型进行迭代训练,直至所述预设模型的准确率大于或等于预设准确率,其中,所述训练集包括至少一个标识有烟雾区域的车辆图片;
其中,所述迭代训练包括:将所述误检测对应的车辆图片和所述漏检测对应的车辆图片作为所述预设模型的输入,以使得所述预设模型输出所述第一车辆对应的训练结果,所述训练结果用于指示所述第一车辆在行驶过程中是否产生预设烟雾。
第三方面,本发明实施例提供一种车辆检测设备,包括:
存储器,用于存储程序;
处理器,用于执行所述存储器存储的所述程序,当所述程序被执行时,所述处理器用于执行如上第一方面以及第一方面各种可能的设计中任一所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如上第一方面以及第一方面各种可能的设计中任一所述的方法。
本发明实施例提供一种车辆检测方法及装置,该方法包括:获取第一车辆的车辆图片,车辆图片为对行驶中的第一车辆进行拍摄得到的。对车辆图片进行图像增强处理,得到增强处理后的车辆图片。将增强处理后的车辆图片输入至预设模型,使得预设模型输出第一车辆对应的检测结果,其中,检测结果用于指示第一车辆在行驶过程中是否产生预设烟雾。通过对车辆图片进行图像增强处理,以增强车辆图片中的第一车辆的显示效果,从而消除环境和场景对车辆图片所造成的影响,以使得针对任意环境和场景的车辆图片,均能够正确有效的实现对烟雾区域的检测,提升检测准确率。
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为本发明实施例提供的车辆检测方法的系统示意图;
图2为本发明实施例提供的车辆检测方法的流程图一;
图3为本发明实施例提供的车辆检测方法的流程图二;
图4A为本发明实施例提供的第一区域的划分示意图一;
图4B为本发明实施例提供的第一区域的划分示意图二;
图5为本发明实施例提供的训练预设模型的流程图;
图6为本发明实施例提供的图片素材的处理示意图;
图7为本发明实施例提供的车辆检测方法的流程图三;
图8为本发明实施例提供的车辆检测装置的结构示意图一;
图9为本发明实施例提供的车辆检测装置的结构示意图二;
图10为本发明实施例提供的车辆检测设备的硬件结构示意图。
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系统示意图,如图1所示:在道路中设置有触发装置101和拍摄装置102,其中,触发装置101例如可以为抓拍触发线、车道线等,触发装置101例如可以为红外发射和接收装置,或者,触发装置101还可以为设置在道路表面或者道路下方的装置等,例如地磁线圈等,或者,触发装置101还可以仅为软件装置(即不存在实体装置),例如根据道路上画的车道线或者其他标记生成的触发线等,通过车辆的位置信息判断车辆是否经过预设位置,若确定车辆经过预设位置,则可以确定当前需要对车辆进行拍摄,本实施例对触发装置101的具体实现方式不作限定。
具体的,在车辆经过触发装置101时,触发装置101向拍摄装置102发送指示信息,以使得拍摄装置102对当前经过触发装置101的车辆进行拍摄,例如可以拍摄一张或者多张车辆图片,拍摄的车辆图片的数量可以依据预先设置的数量来确定,其中拍摄装置例如可以为设置在道路上方的横杆的监控摄像头、道路旁的立杆的监控摄像头、或者还可以为专门设置在道路中的抓拍摄像头等,本实施例对此不做限定,只要拍摄装置102可以实现车辆图片的拍摄即可。
在拍摄装置拍摄得到车辆的车辆图片之后,拍摄装置102将车辆的车辆图片发送至客户端103,其中,客户端103可以对车辆图片进行分析,以确定当前的车辆图片所对应的车辆是否为产生烟雾的车辆。
其中触发装置101、拍摄装置102以及处理器103之间存在数据的交互,交互的方式例如可以通过有线网络,该有线网络例如可以包括同轴电缆、双绞线和光纤等,其中交互的方式还例如可以是无线网络,该无线网络可以是2G网络、3G网络、4G网络或者5G网络、无线保真(Wireless Fidelity,简称WIFI)网络等。本申请实施例对交互的具体类型或者具体形式并不做限定,只要其能够实现服务器和终端交互的功能即可。
在上述介绍的系统的基础上,现有技术对行驶过程中的车辆是否产生烟雾进行检测时,通常存在以下两种实现方式:
1、基于最大稳定极值区域检测的黑烟检测:
通过对采集的车辆图像进行颜色增强变换,突出车辆图像中的烟雾区域,在颜色增强变换后的图像上检测最大稳定极值区域,从而分割出烟雾区域,此种实现方式存在以下缺点:
(1)对车辆图像进行颜色增强变换,在突出烟雾区域的同时也会突出其他与烟雾较为相近的区域,例如如暗处草丛、车身阴影等,导致容易出现误检情况;
(2)分割烟雾区域后,没有进一步排除非烟雾区域的处理,导致误检结果传递到下一环,误检率较大。
2、基于运动估计的黑烟检测
通过对视频图像进行分块,依据分块后的视频图像的运动矢量和匹配误差值分析烟雾的运动规则,以分割烟雾区域,其后,将烟雾区域分割成小块,计算各小块间的亮度分量均值方差,计算出烟雾区域的林格曼等级,此种实现方式存在以下缺点:
(1)依赖于时域多帧图像分块的运动估计计算,以及各分块的均值方差计算,整体计算复杂度大,检测耗时大,实时性差;
(2)计算疑似烟雾区域的小块的亮度分量均值方差,不能排除掉相近物体的误检情况,例如可能将运动车辆的车身周围的阴影区域识别为烟雾区域,导致对车辆的烟雾检测缺乏准确性;
此外,无论是上述介绍的第一种实现方式,还是第二种实现方式,其还均存在以下缺点:
(1)用于检测的车辆视频和/或车辆图片的素材较为单一,未能考虑到多种环境及多种场景,如雨天、阴天和晴天的天气环境对图像效果会产生较大影响,从而对烟雾检测的结果也会间接产生影响,导致对车辆的烟雾检测缺乏适用性和准确性。
(2)排除非烟雾区域的处理比较简单,对于烟雾区域的相近区域没有给出针对性的排除方案,如运动车身周围的阴影区域产生的误检,方法缺乏准确性;
(3)方法框架较固定,可维护性较差,优化空间较小。
基于上述技术问题,本发明提供了一种车辆检测方法,以使得对行驶过程中的车辆的烟雾检测可以适用性地应用于不同的场景以及不同的环境,从而提高对车辆烟雾检测的准确性,下面首先结合图2进行说明,图2为本发明实施例提供的车辆检测方法的流程图一。
如图2所示,该方法包括:
S201、获取第一车辆的车辆图片,车辆图片为对行驶中的第一车辆进行拍摄得到的。
具体的,在道路中架设有拍摄装置和触发装置,同时还可以配置相关视频参数、图像参数、拍摄参数等,例如可以设置车辆图片的存储格式、拍摄装置的频率、车辆图片的拍摄数量等,本领域技术人员可以理解,具体的相关参数可以根据实际需求进行扩展和选择,本实施例对此不做限制。
当第一车辆行驶经过触发装置时,例如可以由视频算法检测到触发动作并向拍摄装置发送拍摄指令,以使得拍摄装置进行抓拍操作,拍摄得到第一车辆的车辆图片,在一种可能的实现方式中,第一车辆的车辆图片例如可以为JPG格式的图片,其中JPG格式是相机出图经编码处理的压缩图片,或者,还可与为任意可能的图片格式,具体的图片格式可以通过相关参数进行设置。
在拍摄装置对行驶中的第一车辆进行拍摄得到第一车辆的车辆图片之后,拍摄装置将第一车辆的车辆图片发送给客户端,在一种可能的实现方式中,拍摄装置可以对第一车辆的车辆图片进行图像信号处理(Image Signal Processing,ISP)处理和图像压缩编码处理后得到车辆图片的码流,从而将车辆图片以码流的形式发送给客户端,其中,ISP处理能够有效实现自动曝光控制、坏点去除、噪声去除、自动白平衡、插值、色彩矫正、非线性矫正等功能,通过ISP能够在不同的光学条件下均能够较好的还原拍摄场景的细节,从而能够有效提升车辆图片的成像质量。
客户端通过接收拍摄单元发送的车辆图片,从而获取第一车辆的车辆图片,在可选的实施例中,客户端还可以通过接收其余客户端或者服务器发送的车辆图片,从而获取第一车辆的车辆图片等,本实施例对此不做限定。
S202、对车辆图片进行图像增强处理,得到增强处理后的车辆图片。
在本实施例中,对车辆图片进行图像增强处理,其中,图像增强处理用于增强车辆图片中的第一车辆的显示效果,以使得在对于车辆图片进行分析时,能够避免场景或者环境对车辆图片所造成的影响。
具体的,本实施例中的图像增强处理为自适应处理,自适应处理的意思是说可以通过车辆图片的所对应的场景或者环境,自适应的将车辆图片调整至目标范围内,例如当前的车辆图片所对应的环境为黑夜,则可以通过检测车辆图片的亮度确定当前环境较为黑暗,从而自适应的调整曝光机制及亮度相关逻辑,将车辆图片的亮度调整至目标亮度范围内;
又或者当前车辆图片对应的环境为雾天的城市道路,则可以通过分析车辆图片中的道路设施等以确定当前车辆图片所对应的场景,同时还可以预先对拍摄装置进行配置,从而可以根据拍摄装置的配置直接确定拍摄触发线、车道线等,其中拍摄触发线和车道线也可以用于辅助确定车辆图片所对应的环境,以及可以通过检测车辆图片的清晰度和对比度,以确定当前车辆图片所对应的环境的清晰度和对比度较低,则可以自适应的调整车辆图片的清晰度和对比度。
下面对图像增强处理所存在的四种可能的实现方式介绍:
在一种可能的实现方式中,图像增强处理包括:提高车辆图片的整体清晰度。
具体的,可以通过提高图像压缩编码质量、合理分配码率的方式,以实现提高车辆图片的清晰度,在一种可选的实现方式中,可以重点提高第一车辆以及第一车辆周边区域的清晰度,具体的,可以首先确定车辆图片中的第一车辆所在的区域,以及确定第一车辆的周边区域,其中,周边区域可以为第一车辆的预设范围内的区域,接着可以将第一车辆以及第一车辆的周边区域裁剪出来,或者仅对第一车辆以及第一车辆的周边区域进行清晰度处理,从而实现提高车辆图片的清晰度。
其中,增加车辆图片的清晰度,会使得靠近边缘较暗的一侧会变得更暗,靠近边缘较亮的一侧会变得更亮,但这种亮度对比的变化只局限在边缘周围的部分。清晰度相当于让边缘亮的一边加上一根白色渐变条,暗的一边加上一根黑色渐变条,从而让物体轮廓和细节纹理更加清晰。
在另一种可能的实现方式中,图像增强处理包括:将车辆图片的亮度调整至目标亮度范围内。
具体的,可以通过自动曝光机制,比较目标亮度范围与车辆图片的实际亮度,使多种环境多种场景下的车辆图片都呈现在一个适中的亮度范围内,从而实现自适应的调整车辆图片的亮度,其中,具体的目标亮度范围可以根据实际需求进行选择,本实施例对此不做限定。
在又一种可能的实现方式中,图像增强处理包括:提高车辆图片的整体对比度和局部对比度。
具体的,提高车辆图片的整体对比度和局部对比度,其中,对比度是指的画面的明暗反差程度。增加对比度,能够使得车辆图片中亮的地方会更亮,暗的地方会更暗,明暗反差增强,从而可以使得第一车辆所产生的预设烟雾更突出,有利于烟雾的特征提取和检测,
在再一种可能的实现方式中,图像增强处理包括:提高车辆图片的色彩饱和度。
具体的,通过颜色校正矩阵(Color Correction Matrix,CCM)处理,在保持原有色调的基础上,增强色彩饱和度以更接近真实色彩,有利于预设烟雾的特征提取和检测。
值得说明的是,本实施例中提供的图像增强处理与上文中介绍的现有技术中的颜色增强变化不是同一处理,上述介绍的颜色增强变换具体是对车辆图片中的颜色进行增强,例如使得黑色、白色、绿色等颜色的显示更加明显,然而本实施例中所介绍的图像增强处理是对车辆图片整体进行上述介绍的各项处理,从而消除场景和环境对烟雾检测所造成的影响。
示例性的,雾天环境会使得车辆图片成像的对比度较低,当车辆图片的对比度较低时,车辆图片中的烟雾区域与其他区域的明暗反差程度也就比较小,则后续在车辆图片中识别烟雾区域时,因为烟雾区域和其他区域的明暗反差程度较小,则无法正确高效的从车辆图片中识别出烟雾区域,因此环境对车辆成像产生的影响会使得对烟雾区域的识别缺乏准确性,而本实施例中的自适应的图像增强处理可以提高车辆图片的整体对比度和局部对比度,从而有效增强烟雾区域和其他区域的明暗反差程度,则后续在对烟雾区域进行识别时,能够有效提升对烟雾区域的检测准确率,以消除了雾天环境导致的车辆图片的对比度较低,而对烟雾区域的识别所产生的影响;同样的,当不同的环境导致车辆图片的清晰度较低、亮度过高、亮度过低或者色彩饱和度较低时,均会使得车辆图片的成像效果较差,从而使得对烟雾区域的识别缺乏准确性。
同时,本实施例还可以消除不同的场景对车辆图片所造成的影响,例如针对国道的场景和城市道路的场景而言,国道场景下的车辆图片相对会比较简单,大概率会出现的内容是车辆、道路、树木、天空,而对于城市道路下的车辆图片,其对应的车辆图片会更加复杂,除了上述介绍的内容之外,通常还会出现行人、绿化带、建筑物等,相对而言,因为城市道路的场景下车辆图片的内容较为复杂,对城市道路场景下的车辆图片进行烟雾区域的识别的准确率肯定会受到该场景的影响,基于上述介绍,本实施例中提高车辆图片的整体清晰度可以通过提高图像压缩编码质量、合理分配码率的方式,在一种可能的实际场景中,若是将车辆图片分为左侧位置、中间位置和右侧位置,则第一车辆会大概率位于车辆图片的中间位置,则对于城市道路下的车辆图片,可以为车辆图片的中间位置分配较高的码率,以及提升中间位置的编码质量,从而使得车辆图片中的第一车辆具有更好的成像效果,从而在一定程度上消除了因为城市道路导致的车辆图片较为复杂,对车辆图片的烟雾区域进行检测时所造成的影响。
值得说明的是,本实施例中的自适应的图像增强处理并不需要实际识别车辆图片所对应的拍摄环境和场景,其只需要直接根据车辆图片进行自适应的图像增强处理即可,也就是说,本实施例不用具体的确定当前的环境具体是雾天还是雨天,是城市道路还是国道、省道等,而是根据车辆图片进行自适应的调整,以将车辆图片的清晰度、亮度、对比度、色彩饱和度调整至目标范围内,便可以消除不同的场景和环境多车辆图片所造成的影响。
通过消除不同的场景和环境对车辆图片所造成的影响,以使得在后续对于第一车辆是否产生预设烟雾进行分析时,能够有效提升检测的适用性,同时,因为消除了不同的场景和环境对车辆图片所造成的影响,从而可以使得本实施例提供的车辆检测方法可以应用于不同的场景和环境,以提升本发明的适用性。
可以理解的是,以上所介绍的四种可能的实现方式仅仅是对图像增强处理所进行的示例性的说明,并非对图像增强处理的绝对限定,具体的图像增强处理可以根据实际需求进行选择,只要是自适应的图像处理,并且能够增强车辆图片中的第一车辆的显示效果即可,本实施例对图片增强处理的具体实现方式不作限制。
S203、将增强处理后的车辆图片输入至预设模型,使得预设模型输出第一车辆对应的检测结果,其中,检测结果用于指示第一车辆在行驶过程中是否产生预设烟雾。
在本实施例中,设置有预设模型,其中,预设模型用于对车辆图片进行分析,以确定车辆图片中的第一车辆在行驶过程中是否产生预设烟雾,其中,预设烟雾例如可以为黑烟、黄烟、灰烟等各种可能的有色烟雾。
在一种可能的实现方式中,预设模型可以为卷积神经网络(ConvolutionalNeural Network,CNN)模型,其中CNN是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,能够快速有效的实现对于车辆图片的分析,并且利用卷积神经网络模型进行实时检测,具有较好的普适性、可维护性和检测准确性,通过CNN实现预设模型,能够有效增加车辆检测方法的优化空间。
可选的,可以采用Caffe(称Convolutional Architecture for Fast FeatureEmbedding)实现CNN,其中,Caffe是一个兼具表达性、速度和思维模块化的深度学习框架,Caffe支持多种类型的深度学习架构,面向图像分类和图像分割,支持CNN网络设计。
本发明实施例提供的车辆检测方法,包括:获取第一车辆的车辆图片,车辆图片为对行驶中的第一车辆进行拍摄得到的。对车辆图片进行图像增强处理,得到增强处理后的车辆图片。将增强处理后的车辆图片输入至预设模型,使得预设模型输出第一车辆对应的检测结果,其中,检测结果用于指示第一车辆在行驶过程中是否产生预设烟雾。通过对车辆图片进行图像增强处理,以增强车辆图片中的第一车辆的显示效果,从而消除了环境和场景对车辆图片所造成的影响,以使得针对任意环境和场景的车辆图片,均能够正确有效的实现对烟雾区域的检测,提升检测准确率。
在上述实施例的基础上,下面结合具体的实施例对预设模型以及预设模型对车辆图片进行分析的实现方式进行详细说明,结合图3至图4进行介绍,图3为本发明实施例提供的车辆检测方法的流程图二,图4A为本发明实施例提供的第一区域的划分示意图一,图4B为本发明实施例提供的第一区域的划分示意图二,如图3所示:
S301、获取第一车辆的车辆图片,车辆图片为对行驶中的第一车辆进行拍摄得到的。
S302、对车辆图片进行图像增强处理,得到增强处理后的车辆图片。
其中,S301、S302的实现方式与S201、S202相同,此处不再赘述。
S303、根据预设模型,将增强处理后的车辆图片划分为多个第一区域,分别确定各第一区域为烟雾区域的概率值。
在本实施例中,预设模型用于对增强处理后的车辆图片进行分析,以确定第一车辆在行驶过程中是否产生预设烟雾,具体的,根据预设模型将车辆图片划分为第一区域,针对划分的第一区域分别进行分析能够提升分析的效率和简便性。
例如可以参见图4A,在一种可能的实现方式中,将车辆图片划分为N×M个相同大小的第一区域301,其中,N和M为整数,第一区域301的大小可以根据实际需求进行选择。
或者,在另一种可能的实现方式中,可以参照图4B,在车辆图片中划分多个不同大小的第一区域,其中第一区域的大小、形状、位置等取决于第一车辆在车辆图片中的的位置以及第一车辆的周边区域在车辆图片中的位置,本领域技术人员可以理解,第一区域的划分是为了分区域检测以提升分析的效率,第一区域的各种可能的实现方式可以根据实际需求进行选择。
针对任一第一区域,根据预设模型对第一区域进行分析,从而确定第一区域为烟雾区域的概率值,在可选的实施例中,可以采用矩阵的方式表示各第一区域为烟雾区域的概率,例如针对图4A中的第一区域,可以采用概率矩阵对应表示各第一区域为烟雾区域的概率;或者,可以采用表格、键值对等方式表示各第一区域为烟雾区域的概率,例如针对图4B中的第一区域,可以采用概率表格,根据各第一区域的区域标识,对应表示各第一区域为烟雾区域的概率。
S304、将概率值大于预设概率值的第一区域确定为烟雾区域。
在本实施例中,设置有预设概率值,将各第一区域对应的概率值与预设概率值进行比较,当概率值大于预设概率值时,则可以确定当前的第一区域为烟雾区域,当概率值不大于预设概率值时,则可以确定当前的第一区域不是烟雾区域,从而实现对于车辆图片中的烟雾区域的识别。
其中,预设概率值为根据经验值确定的,因此与预设概率值进行比较以确定烟雾区域,能够有效保证烟雾区域的检测的正确性。
在可选的实施例中,将概率值大于预设概率值的第一区域确定为烟雾区域之后,还可以输出各烟雾区域各自对应的坐标信息,其中,坐标信息用于指示各烟雾区域在车辆图片中的坐标。
具体的,坐标信息例如可以为烟雾区域的各顶点的坐标信息,或者,还可以为烟雾区域的边界区域的各像素点的坐标信息等,本实施例对烟雾区域的坐标信息的具体实现方式不作限定,只要烟雾区域能够指示烟雾区域在车辆图片中的坐标即可,通过确定各烟雾区域各自对应的坐标信息,能够在后续过程中快速便捷的确定各烟雾区域在车辆图片中的位置,同时还可以根据用户需求向用户反映烟雾区域的位置,以扩展本发明的实用性。
S305、判断车辆图片中是否包括烟雾区域,若是,则执行S306,若否,则执行S307。
S305、确定第一车辆在行驶过程中产生预设烟雾。
S306、确定第一车辆在行驶过程中未产生预设烟雾。
本发明实施例提供的车辆检测方法,包括:获取第一车辆的车辆图片,车辆图片为对行驶中的第一车辆进行拍摄得到的。对车辆图片进行图像增强处理,得到增强处理后的车辆图片。根据预设模型,将增强处理后的车辆图片划分为多个第一区域,分别确定各第一区域为烟雾区域的概率值。将概率值大于预设概率值的第一区域确定为烟雾区域。若车辆图片中包括烟雾区域,则确定第一车辆在行驶过程中产生预设烟雾。若车辆图片中不包括烟雾区域,则确定第一车辆在行驶过程中未产生预设烟雾。通过预设模型将增强处理后的车辆图片划分为多个第一区域,针对各第一区域分别进行处理,能够有效提升处理效率和简便性,其次根据各第一区域对应的概率值与预设概率值进行比较,以对应确定第一车辆在行驶过程是否产生预设烟雾,能够有效保证检测车辆是否产生烟雾的正确性。
在上述实施例的基础上,除了根据预设概率值进行比较以保证检测的正确性之外,还需要预先对预设模型进行训练,以保证预设模型输出的各第一区域的概率值的准确率,从而更加有效的保证检测的准确率,下面结合图5和图6对预设模型进行训练的实现方式进行介绍,图5为本发明实施例提供的训练预设模型的流程图,图6为本发明实施例提供的图片素材的处理示意图。
如图5所示:
预设模型的训练可以分训练和测试两部分,在模型的训练和模型的测试之前,首先要获取产生预设烟雾的车辆的图片素材,首先对获取图片素材的实现进行说明:
可以从车辆抓拍图库或者第三方网站中选择多张产生预设烟雾的车辆的图片,将选择的图片作为训练集中的图片素材,同时还可以对选择的图片进行图像增强处理,以消除环境和场景对分析造成的影响,其次,将获取的图片素材分为两部分,分别是用于训练的图片素材和用于测试的图片素材。
下面分别对模型的训练和模型的测试分别进行介绍:
模型训练:
针对任一张车辆图片,可以将车辆图片中的目标车辆以及目标车辆周围的区域裁剪出来,参见图6,裁剪后得到仅包括目标车辆和周围区域的裁剪图像,其次可以对裁剪图像中的烟雾区域进行标注,同时还可以标注其他与烟雾区域较为相似的区域,如暗处草丛、车身阴影等,在一种可能的实现方式中,可以通过YOLO V3实现标识,其中YOLO V3能够将物体检测任务当作回归问题来处理,直接通过整张图片的所有像素得到边界框的坐标、框中包含物体的置信度和类概率。
具体的,框选上述介绍的区域,同时对这些区域进行对应的标识,将素材库中所有的图像进行处理后,得到带有标识的图片素材。值得说明的是,上述裁剪以及标识区域均为人工处理完成的,因此能够有效保证裁剪和标识的正确性,以使得后续在根据图片素材进行模型训练时,预设模型能够进行正确有效的学习。
根据训练集对预设模型进行迭代训练,直至预设模型的准确率大于或等于预设准确率,其中,训练集包括至少一个标识有烟雾区域的车辆图片,在一种可能的实现方式中,训练集中包括的烟雾区域的车辆图片的数量可以是几十个、上百个等,可以理解的是,训练集中所包括的车辆图片越多,对应的预设模型的学习效果越好。
在本实施例中,迭代训练包括:将误检测对应的车辆图片和漏检测对应的车辆图片作为预设模型的输入,以使得预设模型输出第一车辆对应的训练结果,训练结果用于指示第一车辆在行驶过程中是否产生预设烟雾。
具体的,上述训练集中所包括的车辆图片也就是用于训练的带有标识的图片素材,其可以是带有标识的用于训练的图片素材,还可以是模型测试过程中发生检测错误的带有标识的图片素材,将带有标识的图片素材输入至预设模型进行训练和学习,预设模型将图片素材划分为多个区域,并输出概率矩阵,其中概率矩阵用于指示各区域为烟雾区域的概率,接着根据概率矩阵输出训练检测结果。
在每次训练完成之后,根据各图片素材所对应的训练检测结果获取预设模型的准确率,当准确率大于或等于预设准确率时,则可以确定预设模型训练完成;当准确率小于预设准确率时,则表明预设模型当前还没有训练完成,继续进行迭代训练。
以上为模型的训练过程,下面对模型的测试过程进行介绍:
将用于测试的图片素材输入中预设模型,预设模型输出图片中的车辆在行驶过程中是否产生烟雾的检测结果,若检测结果指示车辆在行驶过程中产生预设烟雾,则可以确定检测结果正确,若检测结果指示车辆在行驶过程中没有产生预设烟雾,则可以确定检测结果错误,因为我们的训练素材全部都是车辆产生预设烟雾的图片素材,则可以将上述误检结果重新标识后加入训练集进行迭代训练。
下面结合具体的示例对迭代训练的实现方式进行说明,例如当前训练集中有10张图片(全部都是产生烟雾的车辆的图片),预设模型检验出来5张图片为产生烟雾的车辆对应的图片,其次人工对预设模型的输出结果进行验证,假设确定出预设模型检验出的5张图片中,4张是正确的,1张是错误的,则可以确定此次训练预设模型的准确率为40%,而预设准确率可以是90%,则确定当前的准确率不合格。
其中错误的1张可能是将与烟雾区域较为相近的非烟雾区域识别为了烟雾区域,则这种情况表明预设模型发生误检,以及对于预设模型没有检验出来的剩余5张图片,其实质上也是包括有烟雾区域,预设模型没有成功检验到,则表明预设模型发生漏检,针对预设模型的误检和漏检的车辆图片,再通过上述介绍的人工框选及标识的实现方式对这些车辆图片进行重新标识,并将重新标识后的结果加入训练集进行迭代训练,使得预设模型从错误分析中不断学习,从而提升预设模型的准确率,直至预设模型的准确率大于或等于预设准确率。
当经过训练和测试,确定预设模型的准确率能够稳定的大于预设准确率是,则可以确定预设模型可以正常使用,其中,预设准确率可以根据实际需求进行选择,本实施例通过预先对预设模型进行训练以及测试,能够有效保证预设模型对车辆图片进行分析的正确性。
在上述实施例的基础上,本发明提供的图片检测方法,在预设模型输出第一车辆对应的检测结果之后,还可以根据用户反馈的信息对预设模型进行纠正和训练,从而能够有效的将烟雾区域和非烟雾区域进行区分,进一步提升预设模型的检测准确性。
下面结合图7对本实施例提供的方法进行说明,图7为本发明实施例提供的车辆检测方法的流程图三。
S701、接收车辆图片对应的反馈信息,其中,反馈信息用于指示检测结果包括误检测或者漏检测。
具体的,预设模型输出的第一车辆对应的检测结果可以发送至客户端,用户通过客户端可以查看第一车辆对应的检测结果,同时用户可以对检测结果进行反馈,例如检测结果指示第一车辆在行驶过程中产生预设烟雾,但是用户查看检测结果之后,发现第一车辆的车辆图片中不存在烟雾,或者检测结果将车身阴影错误的标识为了烟雾区域,则可以通过客户端输入误检测的反馈信息。
或者,检测结果指示第一车辆在行驶过程中产生预设烟雾,并且标识出了预设烟雾的烟雾区域的位置,但是用户查看检测结果之后,发现检测结果并没有标识出全部的烟雾区域;或者检测结果指示第一车辆在行驶过程中没有产生预设烟雾,但是实际上第一车辆的车辆图片中是存在烟雾区域的,则可以通过客户端输入漏检测的反馈信息。
S702、根据反馈信息判断第一车辆对应的检测结果是否存在错误或者遗漏,若是,则执行S703,若否,则执行S704。
客户端接收到用户输入的车辆图片对应的反馈信息,并根据反馈信息判断第一车辆对应的检测结果是否真的发生错误,也就是是否发生漏检测,或者是否发生误检测。
S703、对车辆图片进行重新标识,并将重新标识后的车辆图片添加至预设模型的训练集,对预设模型进行训练。
如客户端校验之后确定第一车辆的检测结果的确存在错误或者遗漏,则对当前反馈信息对应的车辆图片进行重新标识,并将重新标识后的车辆图片添加至预设模型的训练集,对预设模型进行训练,其中对模型进行训练的具体实现方式可以参照上述实施例中的介绍,此处不再赘述。
具体的,若反馈信息指示检测结果存在误检测,则对车辆图片进行重新标识的具体实现过程为:将检测结果中检测错误的烟雾区域标识为非烟雾区域,并标识非烟雾区域的区域类型。
其中区域类型用于指示当前区域对应的类型,可以包括车身阴影、暗影草丛等,其可以根据实际的场景进行确定,例如当前的检测结果中将某个车身阴影的区域识别为烟雾区域,则将该检测错误的烟雾区域标识为车身阴影。
在本实施例中,通过对误检测的车辆图片进行重新标识,具体的,本实施例中会具体标识出非烟雾区域的区域类型,例如是车身阴影、暗影草丛等,从而使得模型在训练过程中针对与烟雾区域较为相近的区域也能够进行有效的学习,从而可以在预设模型对车辆图片的处理过程中,有效识别出与烟雾区域较为相近的区域,从而针对性的排除这些相近区域,以提升检测的准确性。
若反馈信息指示检测结果存在漏检测,则对车辆图片进行重新标识,包括:将检测结果中未被检测到的烟雾区域标识为烟雾区域。
例如当前的检测结果中存在未被检测到的烟雾区域,则将该烟雾区域重新标识为烟雾区域,其中对区域进行标识的具体实现方式可参照上述实施例中进行的介绍,此处不再赘述。
S704、确定第一车辆的检测结果正确。
在接受到反馈信息时,根据反馈信息进行进一步地验证,若根据反馈信息判断第一车辆对应的检测结果没有存在错误或者遗漏,则可以确定第一车辆的检测结果正确,通过验证能够避免反馈信息出现错误的情况。
本发明实施例提供的车辆检测方法,包括:接收所述车辆图片对应的反馈信息,其中,所述反馈信息用于指示所述检测结果包括误检测或者漏检测。根据所述反馈信息判断所述第一车辆对应的检测结果是否存在错误或者遗漏。若是,则对所述车辆图片进行重新标识,并将重新标识后的车辆图片添加至所述预设模型的训练集,对所述预设模型进行训练。若否,确定第一车辆的检测结果正确。通过根据反馈信息对预设模型进行进一步地训练,从而能够有效的将烟雾区域和非烟雾区域进行区分,进一步提升预设模型的检测的准确性。
图8为本发明实施例提供的车辆检测装置的结构示意图一。如图8所示,该装置80包括:获取模块801和处理模块802。
获取模块801,用于获取第一车辆的车辆图片,所述车辆图片为对行驶中的所述第一车辆进行拍摄得到的;
处理模块802,用于对所述车辆图片进行图像增强处理,得到增强处理后的车辆图片;
所述处理模块802,还用于将所述增强处理后的车辆图片输入至预设模型,使得所述预设模型输出所述第一车辆对应的检测结果,其中,所述检测结果用于指示所述第一车辆在行驶过程中是否产生预设烟雾。
在一种可能的设计中,所述图像增强处理为自适应处理;所述图像增强处理包括以下至少之一:
提高所述车辆图片的整体清晰度
将所述车辆图片的亮度调整至目标亮度范围内;
提高所述车辆图片的整体对比度和局部对比度;
提高所述车辆图片的色彩饱和度。
在一种可能的设计中,所述处理模块802具体用于:
根据所述预设模型,将所述增强处理后的车辆图片划分为多个第一区域,分别确定各所述第一区域为烟雾区域的概率值;
将概率值大于预设概率值的第一区域确定为烟雾区域;
若所述车辆图片中包括烟雾区域,则确定所述第一车辆在行驶过程中产生预设烟雾;
若所述车辆图片中不包括烟雾区域,则确定所述第一车辆在行驶过程中未产生预设烟雾。
在一种可能的设计中,所述处理模块802还用于:
在所述将概率值大于预设概率值的第一区域确定为烟雾区域之后,输出各所述烟雾区域各自对应的坐标信息,其中,所述坐标信息用于指示各所述烟雾区域在车辆图片中的坐标。
本实施例提供的装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图9为本发明实施例提供的车辆检测装置的结构示意图二。如图9所示,本实施例在图8实施例的基础上,还包括:标识模块903。
在一种可能的设计中,所述标识模块903,用于在所述将所述增强处理后的车辆图片输入至预设模型,使得所述预设模型输出所述第一车辆对应的检测结果之后,接收所述车辆图片对应的反馈信息,其中,所述反馈信息用于指示所述检测结果包括误检测或者漏检测;
根据所述反馈信息判断所述第一车辆对应的检测结果是否存在错误或者遗漏;
若是,则对所述车辆图片进行重新标识,并将重新标识后的车辆图片添加至所述预设模型的训练集,对所述预设模型进行训练。
在一种可能的设计中,若所述反馈信息指示所述检测结果存在误检测,则所述标识模块903具体用于:
将所述检测结果中检测错误的烟雾区域标识为非烟雾区域,并标识所述非烟雾区域的区域类型;
若所述反馈信息指示所述检测结果存在漏检测,则所述标识模块903具体用于:
将所述检测结果中未被检测到的烟雾区域标识为烟雾区域。
在一种可能的设计中,所述处理模块902还用于:
在所述将所述增强处理后的车辆图片输入至预设模型,使得所述预设模型输出所述第一车辆对应的检测结果之前,根据训练集对所述预设模型进行迭代训练,直至所述预设模型的准确率大于或等于预设准确率,其中,所述训练集包括至少一个标识有烟雾区域的车辆图片;
其中,所述迭代训练包括:将所述误检测对应的车辆图片和所述漏检测对应的车辆图片作为所述预设模型的输入,以使得所述预设模型输出所述第一车辆对应的训练结果,所述训练结果用于指示所述第一车辆在行驶过程中是否产生预设烟雾。
本实施例提供的装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图10为本发明实施例提供的车辆检测设备的硬件结构示意图,如图10所示,本实施例的车辆检测设备100包括:处理器1001以及存储器1002;其中
存储器1002,用于存储计算机执行指令;
处理器1001,用于执行存储器存储的计算机执行指令,以实现上述实施例中车辆检测方法所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地,存储器1002既可以是独立的,也可以跟处理器1001集成在一起。
当存储器1002独立设置时,该车辆检测设备还包括总线1003,用于连接所述存储器1002和处理器1001。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上车辆检测设备所执行的车辆检测方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。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。
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)
1.一种车辆检测方法,其特征在于,包括:
获取第一车辆的车辆图片,所述车辆图片为对行驶中的所述第一车辆进行拍摄得到的;
对所述车辆图片进行图像增强处理,得到增强处理后的车辆图片;
将所述增强处理后的车辆图片输入至预设模型,使得所述预设模型输出所述第一车辆对应的检测结果,其中,所述检测结果用于指示所述第一车辆在行驶过程中是否产生预设烟雾。
2.根据权利要求1所述的方法,其特征在于,所述图像增强处理为自适应处理;所述图像增强处理包括以下至少之一:
提高所述车辆图片的整体清晰度;
将所述车辆图片的亮度调整至目标亮度范围内;
提高所述车辆图片的整体对比度和局部对比度;
提高所述车辆图片的色彩饱和度。
3.根据权利要求1所述的方法,其特征在于,所述将所述增强处理后的车辆图片输入至预设模型,使得所述预设模型输出所述第一车辆对应的检测结果,包括:
根据所述预设模型,将所述增强处理后的车辆图片划分为多个第一区域,分别确定各所述第一区域为烟雾区域的概率值;
将概率值大于预设概率值的第一区域确定为烟雾区域;
若所述车辆图片中包括烟雾区域,则确定所述第一车辆在行驶过程中产生预设烟雾;
若所述车辆图片中不包括烟雾区域,则确定所述第一车辆在行驶过程中未产生预设烟雾。
4.根据权利要求3所述的方法,其特征在于,所述将概率值大于预设概率值的第一区域确定为烟雾区域之后,所述方法还包括:
输出各所述烟雾区域各自对应的坐标信息,其中,所述坐标信息用于指示各所述烟雾区域在所述车辆图片中的坐标。
5.根据权利要求3所述的方法,其特征在于,所述将所述增强处理后的车辆图片输入至预设模型,使得所述预设模型输出所述第一车辆对应的检测结果之后,还包括:
接收所述车辆图片对应的反馈信息,其中,所述反馈信息用于指示所述检测结果包括误检测或者漏检测;
根据所述反馈信息判断所述第一车辆对应的检测结果是否存在错误或者遗漏;
若是,则对所述车辆图片进行重新标识,并将重新标识后的车辆图片添加至所述预设模型的训练集,对所述预设模型进行训练。
6.根据权利要求5所述的方法,其特征在于,若所述反馈信息指示所述检测结果存在误检测,则所述对所述车辆图片进行重新标识,包括:
将所述检测结果中检测错误的烟雾区域标识为非烟雾区域,并标识所述非烟雾区域的区域类型;
若所述反馈信息指示所述检测结果存在漏检测,则所述对所述车辆图片进行重新标识,包括:
将所述检测结果中未被检测到的烟雾区域标识为烟雾区域。
7.根据权利要求5所述的方法,其特征在于,所述将所述增强处理后的车辆图片输入至预设模型,使得所述预设模型输出所述第一车辆对应的检测结果之前,所述方法还包括:
根据训练集对所述预设模型进行迭代训练,直至所述预设模型的准确率大于或等于预设准确率,其中,所述训练集包括至少一个标识有烟雾区域的车辆图片;
其中,所述迭代训练包括:将所述误检测对应的车辆图片和所述漏检测对应的车辆图片作为所述预设模型的输入,以使得所述预设模型输出所述第一车辆对应的训练结果,所述训练结果用于指示所述第一车辆在行驶过程中是否产生预设烟雾。
8.一种车辆检测装置,其特征在于,包括:
获取模块,用于获取第一车辆的车辆图片,所述车辆图片为对行驶中的所述第一车辆进行拍摄得到的;
处理模块,用于对所述车辆图片进行图像增强处理,得到增强处理后的车辆图片;
所述处理模块,还用于将所述增强处理后的车辆图片输入至预设模型,使得所述预设模型输出所述第一车辆对应的检测结果,其中,所述检测结果用于指示所述第一车辆在行驶过程中是否产生预设烟雾。
9.一种车辆检测设备,其特征在于,包括:
存储器,用于存储程序;
处理器,用于执行所述存储器存储的所述程序,当所述程序被执行时,所述处理器用于执行如权利要求1至7中任一所述的方法。
10.一种计算机可读存储介质,其特征在于,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1至7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910937152.7A CN112580401A (zh) | 2019-09-29 | 2019-09-29 | 车辆检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910937152.7A CN112580401A (zh) | 2019-09-29 | 2019-09-29 | 车辆检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112580401A true CN112580401A (zh) | 2021-03-30 |
Family
ID=75110873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910937152.7A Pending CN112580401A (zh) | 2019-09-29 | 2019-09-29 | 车辆检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580401A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002952605A0 (en) * | 2002-11-12 | 2002-11-28 | Alstom Australia Limited | Detection and identification of vehicles with excess particulates in exhaust gas |
CN106548155A (zh) * | 2016-10-28 | 2017-03-29 | 安徽四创电子股份有限公司 | 一种基于深度信念网络的车牌检测方法 |
CN107172356A (zh) * | 2017-06-23 | 2017-09-15 | 姜茂清 | 一种针对移动物体的人工智能抓拍高清晰照片装置 |
CN108416316A (zh) * | 2018-03-19 | 2018-08-17 | 中南大学 | 一种黑烟车的检测方法及系统 |
CN108764142A (zh) * | 2018-05-25 | 2018-11-06 | 北京工业大学 | 基于3dcnn的无人机影像森林烟雾检测和分类方法 |
CN108830332A (zh) * | 2018-06-22 | 2018-11-16 | 安徽江淮汽车集团股份有限公司 | 一种视觉车辆检测方法及系统 |
CN109086682A (zh) * | 2018-07-11 | 2018-12-25 | 东南大学 | 一种基于多特征融合的智能视频黑烟车检测方法 |
CN109191495A (zh) * | 2018-07-17 | 2019-01-11 | 东南大学 | 基于自组织背景差模型和多特征融合的黑烟车检测方法 |
CN109409242A (zh) * | 2018-09-28 | 2019-03-01 | 东南大学 | 一种基于循环卷积神经网络的黑烟车检测方法 |
DE102018130589A1 (de) * | 2017-12-04 | 2019-06-06 | GM Global Technology Operations LLC | System und verfahren zur raucherkennung und -meldung in einem fahrzeug für carsharing- und fahrgemeinschaftsfahrzeuge |
-
2019
- 2019-09-29 CN CN201910937152.7A patent/CN112580401A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002952605A0 (en) * | 2002-11-12 | 2002-11-28 | Alstom Australia Limited | Detection and identification of vehicles with excess particulates in exhaust gas |
CN106548155A (zh) * | 2016-10-28 | 2017-03-29 | 安徽四创电子股份有限公司 | 一种基于深度信念网络的车牌检测方法 |
CN107172356A (zh) * | 2017-06-23 | 2017-09-15 | 姜茂清 | 一种针对移动物体的人工智能抓拍高清晰照片装置 |
DE102018130589A1 (de) * | 2017-12-04 | 2019-06-06 | GM Global Technology Operations LLC | System und verfahren zur raucherkennung und -meldung in einem fahrzeug für carsharing- und fahrgemeinschaftsfahrzeuge |
CN108416316A (zh) * | 2018-03-19 | 2018-08-17 | 中南大学 | 一种黑烟车的检测方法及系统 |
CN108764142A (zh) * | 2018-05-25 | 2018-11-06 | 北京工业大学 | 基于3dcnn的无人机影像森林烟雾检测和分类方法 |
CN108830332A (zh) * | 2018-06-22 | 2018-11-16 | 安徽江淮汽车集团股份有限公司 | 一种视觉车辆检测方法及系统 |
CN109086682A (zh) * | 2018-07-11 | 2018-12-25 | 东南大学 | 一种基于多特征融合的智能视频黑烟车检测方法 |
CN109191495A (zh) * | 2018-07-17 | 2019-01-11 | 东南大学 | 基于自组织背景差模型和多特征融合的黑烟车检测方法 |
CN109409242A (zh) * | 2018-09-28 | 2019-03-01 | 东南大学 | 一种基于循环卷积神经网络的黑烟车检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11138478B2 (en) | Method and apparatus for training, classification model, mobile terminal, and readable storage medium | |
US11087447B2 (en) | Systems and methods for quality assurance of image recognition model | |
CN112102204B (zh) | 图像增强方法、装置及电子设备 | |
CN110705405B (zh) | 目标标注的方法及装置 | |
CN108805103B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN110839129A (zh) | 图像处理方法、装置以及移动终端 | |
CN110473185B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN108875619B (zh) | 视频处理方法和装置、电子设备、计算机可读存储介质 | |
CN110572573B (zh) | 对焦方法和装置、电子设备、计算机可读存储介质 | |
US9247155B2 (en) | Method and system for robust scene modelling in an image sequence | |
CN110517246B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN106683100B (zh) | 一种图像分割去雾方法及终端 | |
WO2021179471A1 (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
CN108734684B (zh) | 动态照明场景的图像背景减除 | |
CN108804658A (zh) | 图像处理方法和装置、存储介质、电子设备 | |
CN112149476A (zh) | 目标检测方法、装置、设备和存储介质 | |
CN113177438A (zh) | 图像处理方法、设备及存储介质 | |
CN111898532A (zh) | 一种图像处理方法、装置、电子设备及监控系统 | |
CN111435445A (zh) | 字符识别模型的训练方法及装置、字符识别方法及装置 | |
CN112581481B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN107424134B (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
CN112784642A (zh) | 车辆检测方法及装置 | |
CN112863194A (zh) | 一种图像处理方法、装置、终端及介质 | |
CN108629329B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN112580401A (zh) | 车辆检测方法及装置 |
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 |