CN112633115A - 一种车底携带物检测方法、装置及存储介质 - Google Patents

一种车底携带物检测方法、装置及存储介质 Download PDF

Info

Publication number
CN112633115A
CN112633115A CN202011499109.6A CN202011499109A CN112633115A CN 112633115 A CN112633115 A CN 112633115A CN 202011499109 A CN202011499109 A CN 202011499109A CN 112633115 A CN112633115 A CN 112633115A
Authority
CN
China
Prior art keywords
vehicle
image
area
vehicle bottom
suspected
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
CN202011499109.6A
Other languages
English (en)
Other versions
CN112633115B (zh
Inventor
朱加乐
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.)
Hangzhou Hikrobot Technology Co Ltd
Original Assignee
Hangzhou Hikrobot 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 Hangzhou Hikrobot Technology Co Ltd filed Critical Hangzhou Hikrobot Technology Co Ltd
Priority to CN202011499109.6A priority Critical patent/CN112633115B/zh
Publication of CN112633115A publication Critical patent/CN112633115A/zh
Application granted granted Critical
Publication of CN112633115B publication Critical patent/CN112633115B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种车底携带物检测方法、装置及存储介质，该方法包括：接收采集装置采集的车辆的车身图像和车底图像；根据车辆的车车身图像确定车辆的车型信息，根据车辆的车型信息确定车辆的无携带物车底特征图；解析确定车底图像中的疑似携带物区域，并模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像；根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。本发明能够降低人工成本和提高检测效率。

Description

一种车底携带物检测方法、装置及存储介质
技术领域
本发明涉及车辆安检技术领域，特别涉及一种车底携带物检测方法、装置及存储介质。
背景技术
车辆安检是公共安全的重要一环，车底携带物的检测更是其中重要的一环。但是由于车底情况多样且图像采集困难，因此目前主流的车底检测方案是工作人员使用手持式感应器对车底进行扫描，根据感应器扫描信息进行携带物的检测。这种方案需要车辆停车且要求工作人员手动完成车底检测，效率低下且人工成本较高。
发明内容
有鉴于此，本发明的目的在于提供了一种车底携带物检测方法、装置及存储介质，能够降低人工成本和提高检测效率。
为了达到上述目的，本发明提供了如下技术方案：
一种车底携带物检测方法，包括：
接收采集装置采集的车辆的车身图像和车底图像；
根据车辆的车身图像确定车辆的车型信息，根据车辆的车型信息确定车辆的无携带物车底特征图；
解析确定车底图像中的疑似携带物区域，并模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像；
根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。
一种车底携带物检测系统，包括：采集装置和检测装置；
所述采集装置，用于采集车辆的车身图像和车底图像，将采集的车辆的车身图像和车底图像发送到检测装置；
所述检测装置，用于接收采集装置发送的车辆的车身图像和车底图像，根据车辆的车身图像确定车辆的车型信息，根据车辆的车型信息确定车辆的无携带物车底特征图；解析确定车底图像中的疑似携带物区域，并模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像；根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。
一种车底携带物检测装置，包括：处理器、以及与所述处理器通过总线相连的非瞬时计算机可读存储介质；
所述非瞬时计算机可读存储介质，存储有可被所述处理器执行的一个或多个计算机程序；所述处理器执行所述一个或多个计算机程序时实现以下步骤：
接收采集装置采集的车辆的车身图像和车底图像；
根据车辆的车身图像确定车辆的车型信息，根据车辆的车型信息确定车辆的无携带物车底特征图；
解析确定车底图像中的疑似携带物区域，并模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像；
根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。
一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如上述车底携带物检测方法中的步骤。
由上面的技术方案可知，本发明中，接收到车辆的车身图像和车底图像后，根据车辆的车身图像确定车辆的车型，进而根据车辆的车型确定车辆的的无携带物车底特征图；另外还确定车底图像中的疑似携带物区域，并模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像；从而最终根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。可以看出，本发明不需要人工操作，能够降低人工成本，还可以提高检测效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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是本发明实施例一提供的车底携带物检测方法流程图；
图2是本发明实施例二提供的车底携带物检测方法流程图；
图3是本发明实施例提供的检测场地示意图；
图4是本发明实施例三提供的车底携带物检测方法流程图；
图5是本发明实施例四提供的车底携带物检测方法流程图；
图6是本发明实施例五提供的车底携带物检测方法流程图；
图7是本发明实施例六提供的车底携带物检测方法流程图；
图8是本发明实施例七提供的车底携带物检测方法流程图；
图9是本发明实施例八提供的车底携带物检测方法流程图；
图10是本发明实施例提供的车底携带物检测系统的架构示意图；
图11是本发明实施例提供的车底携带物检测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
参见图1，图1是本发明实施例一提供的车底携带物检测方法流程图，如图1所示，该方法主要包括以下步骤：
步骤101、接收采集装置采集的车辆的车身图像和车底图像。
本实施例中，采集装置用于在对车辆实施车底携带物检测时，拍摄车辆的车身图像和车底图像，将车辆的车身图像和车底图像提供给车底携带物检测装置，从而触发车底携带物检测装置执行图1所示检测流程。
步骤102、根据车辆的车身图像确定车辆的车型信息，根据车辆的车型信息确定车辆的无携带物车底特征图。
在实际应用中，同种车型的车辆在车底无携带物情况下的车底图像是相同的，因此基于无携带物车底图像确定的无携带物车底特征图也是相同的。本实施例中，可以先根据车辆的车身图像确定车辆的车型信息，再根据车辆的车型信息确定车辆的无携带物车底特征图。
步骤103、解析确定车底图像中的疑似携带物区域，并模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像。
步骤104、根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。
根据图1所示方法可以看出，本实施例中，根据车辆的车身图像确定车辆的车型进而确定车辆的无携带物车底特征图；利用车底图像确定车底的疑似携带物区域，并模拟生成每一疑似携带物区域对应的无携带物区域图像；最后通过对比车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。整个检测过程中不需要人工操作和干预，因此可以降低人工成本，且可以提高检测效率。
参见图2，图2是本发明实施例二提供的车底携带物检测方法流程图，如图2所示，该方法主要包括以下步骤：
步骤201、接收采集装置采集的车辆的车身图像和车底图像。
本实施例中，采集装置可以采用图3所示的结构，如图3所示，采集装置中包括第一摄像单元、第二摄像单元、第一压力传感器、及第二压力传感器。其中，第一摄像单元(可以是线扫相机)、第一压力传感器、及第二压力传感器均铺设在地面上，且第一压力传感器和第二压力传感器分别位于第一摄像单元的两侧；第二摄像单元(可以是普通相机)则悬空部署在地面上方(例如第一摄像单元或第二压力传感器的上方)或道路一侧。
本实施例中，当对车辆进行车底携带物检测时，可以指挥车辆沿通往第一压力传感器、第一摄像单元、和第二压力传感器的路径上行驶，当车辆行驶至第一压力传感器时，第一压力传感器感知到车辆经过，向第一摄像单元和第二摄像单元发出第一信号，从而触发第一摄像单元和第二摄像单元开始图像采集并将采集到的图像发送到车底携带物检测装置，其中，第一摄像单元用于采集车辆的车底图像，第二摄像单元则用于采集车辆的车牌图像，而第一摄像单元和第二摄像单元。当车辆行驶至第二压力传感器时，第二压力传感器感知到车辆经过，向第一摄像单元和第二摄像单元发出第二信号，从而触发第一摄像单元和第二摄像单元停止图像采集。
步骤2021、解析车辆的车身图像中的车牌区域，确定车辆的车牌号码。
本实施例中，解析车辆的车身图像中的车牌区域，确定车辆的车牌号码可采用现有图像识别技术实现。
步骤2022、在预先配置的车辆信息表中查找包含车辆的车牌号码的车辆信息。
本实施例中，由于车辆的车牌唯一，因此可以从车辆的车身图像中的车牌区域确定车辆的车牌号码，进而根据车辆的车牌号码确定车辆的车型信息。
本实施例中，可以在车辆信息表中存储车辆的车辆信息，每一车辆信息中包括车牌号码、车型信息等。当确定当前车辆的车牌号码后，可以利用通过当前车辆的车牌号码查找当前车辆的车辆信息。
步骤2023、将查找到的车辆信息中包含的车型信息确定为车辆的车型信息；
以上步骤2021至步骤2023是图1所示步骤102中“根据车辆的车身图像确定车辆的车型信息”的具体细化。
步骤2024、根据车辆的车型信息确定车辆的无携带物车底特征图。
本实施例中，可以预先收集多种车型的无携带物车底图像，并使用多种车型的无携带物车底图像训练得到一个车底特征识别模型，用于对属于同一车辆的一张或多张无携带物车底图像进行解析，确定该车辆的无携带物车底特征图。
本实施例中，根据车辆的车型信息确定车辆的无携带物车底特征图，具体包括：
S11、获取该车型信息对应的至少一张无携带物车底图像；
在实际实现中，可以预先存储每种车型信息对应的至少一张无携带物车底图像。确定当前车辆的车型信息后，即可根据车辆的车型信息获取到对应的至少一张无携带物车底图像。
S12、利用预先使用多种车型的无携带物车底图像训练的车底特征识别模型对所述至少一张无携带物车底图像进行解析，确定车辆的无携带物车底特征图。
步骤203、解析确定车底图像中的疑似携带物区域，并模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像。
步骤204、根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。
根据图2所示方法可以看出，本实施例中，通过解析车辆的车身图像中的车牌区域得到车辆的车牌号码，利用车辆的车牌号码确定车辆信息，进而利用车辆信息中包含的车型信息确定车辆的无携带物车底图像，将此无携带物车底图像作为后续判断疑似携带物区域是否存在携带物的一个衡量因素，可以提高判断准确率。除此之外，本实施例还可以降低人工成本和提高检测效率。
参见图4，图4是本发明实施例三提供的车底携带物检测方法流程图，如图4所示，该方法主要包括以下步骤：
步骤401、接收采集装置采集的车辆的车身图像和车底图像。
本实施例中，采集装置可以采用图3所示的结构，如图3所示，采集装置中包括第一摄像单元、第二摄像单元、第一压力传感器、及第二压力传感器。其中，第一摄像单元(可以是线扫相机)、第一压力传感器、及第二压力传感器均铺设在地面上，且第一压力传感器和第二压力传感器分别位于第一摄像单元的两侧；第二摄像单元(可以是普通相机)则悬空部署在地面上方(例如第一摄像单元或第二压力传感器的上方)或道路一侧。
本实施例中，当对车辆进行车底携带物检测时，可以指挥车辆沿通往第一压力传感器、第一摄像单元、和第二压力传感器的路径上行驶，当车辆行驶至第一压力传感器时，第一压力传感器感知到车辆经过，向第一摄像单元和第二摄像单元发出第一信号，从而触发第一摄像单元和第二摄像单元开始图像采集并将采集到的图像发送到车底携带物检测装置，其中，第一摄像单元用于采集车辆的车底图像，第二摄像单元则用于采集车辆的车牌图像，而第一摄像单元和第二摄像单元。当车辆行驶至第二压力传感器时，第二压力传感器感知到车辆经过，向第一摄像单元和第二摄像单元发出第二信号，从而触发第一摄像单元和第二摄像单元停止图像采集。
步骤4021、利用预先训练得到的车型识别模型对车辆的车身图像进行解析，得到车辆的车型信息；其中，所述车型识别模型是使用标注有车型信息的车身图像样本训练得到的。
本实施例中，可以预先收集各种车型的车身图像，将这些车身图像标注了相应的车型信息后进行训练，从而可以得到车型识别模型。
步骤4022、根据车辆的车型信息确定车辆的无携带物车底特征图。
本实施例中，可以预先收集多种车型的无携带物车底图像，并使用多种车型的无携带物车底图像训练得到一个车底特征识别模型，用于对属于同一车辆的一张或多张无携带物车底图像进行解析，确定该车辆的无携带物车底特征图。
本实施例中，根据车辆的车型信息确定车辆的无携带物车底特征图的具体实现方法，与图2所示实施例中给出的根据车辆的车型信息确定车辆的无携带物车底特征图的实现方法相同，即包括步骤S11、S12。
以上步骤4021至步骤4022，是图1所示步骤102的具体细化。
步骤403、解析确定车底图像中的疑似携带物区域，并模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像。
步骤404、根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。
根据图4所示方法可以看出，本实施例中，利用车型识别模型对车辆的车身图像进行解析得到车辆的车型信息，进而利用车辆的车型信息确定车辆的无携带物车底图像，将此无携带物车底图像作为后续判断疑似携带物区域是否存在携带物的一个衡量因素，可以提高判断准确率。除此之外，本实施例还可以降低人工成本和提高检测效率。
参见图5，图5是本发明实施例四提供的车底携带物检测方法流程图，如图5所示，该方法主要包括以下步骤：
步骤501、接收采集装置采集的车辆的车身图像和车底图像。
步骤502、根据车辆的车身图像确定车辆的车型信息，根据车辆的车型信息确定车辆的无携带物车底特征图。
步骤5031、利用预先使用多种车型的有携带物车底图像训练的车底携带物识别模型对车辆的车底图像进行解析，得到车底携带物热度图。
本实施例中，可以预先收集多种车型的大量有携带物车底图像，使用这些有携带物车底图像训练得到一车底携带物识别模型，利用此车底携带物识别模型对车辆的车底图像进行解析可以得到一车底携带物热度图，用以表征车底图像中各像素点存在携带物的可能性(概率)。
步骤5032、根据车底携带物热度图确定车底图像中的疑似携带物区域。
以上步骤5031至步骤5032，是图1所示步骤103中“解析确定车底图像中的疑似携带物区域”具体细化。
步骤5033、模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像。
步骤504、根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。
根据图5所示方法可以看出，本实施例中，利用预先使用多种车型的有携带物车底图像训练的车底携带物识别模型对车辆的车底图像进行解析，得到车底携带物热度图，利用车底携带物热度图确定疑似携带物区域，实现方法较为简单，另外还针对每个疑似携带物区域模拟生成对应的无携带物区域图像，将此无携带物区域图像作为后续判断该疑似携带物区域是否存在携带物的一个衡量因素，可以提高判断准确率。除此之外，本实施例还可以降低人工成本和提高检测效率。
参见图6，图6是本发明实施例五提供的车底携带物检测方法流程图，如图6所示，该方法主要包括以下步骤：
步骤601、接收采集装置采集的车辆的车身图像和车底图像，以及接收采集装置检测得到的车辆的行驶速度信息。
本实施例中，采集装置还包括速度感应器，用于检测车辆的行驶速度信息，并将检测的车辆的行驶速度信息发送给车底携带物检测装置。
步骤602、根据车辆的车身图像确定车辆的车型信息，根据车辆的车型信息确定车辆的无携带物车底特征图。
步骤6030a、根据车辆的行驶速度信息与拉伸幅度成反比的原则对车辆的车底图像进行拉伸，并对经拉伸处理后的车底图像进行裁剪以去除不包含车底的图像区域。
这里，根据车辆的行驶速度信息与拉伸幅度成反比的原则对车辆的车底图像进行拉伸，是为了纠正车辆行驶过程中拍摄的车底图像的畸变。对经拉伸处理后的车底图像进行裁剪，则是为了去除不包含车底的图像区域(即图像两侧的不属于车底的图像区域)。
步骤6030b、根据训练车底携带物识别模型所使用的车底图像尺寸，对经过拉伸和裁剪后的车辆的车底图像进行缩放处理。
本实施例中，将经过拉伸和裁剪后的车底图像缩放至与训练车底携带物识别模型所使用的车底图像尺寸相同的尺寸。
步骤6031、利用预先使用多种车型的有携带物车底图像训练的车底携带物识别模型对车辆的车底图像进行解析，得到车底携带物热度图。
本实施例中，可以预先收集多种车型的有携带物车底图像，对这些有携带物车底图像训练得到一车底携带物识别模型。
本步骤中，利用预先训练的车底携带物识别模型对车辆的车底图像进行解析可以得到一车底携带物热度图，用以表征车底图像中各像素点存在携带物的可能性(概率)。
步骤6032、根据车底携带物热度图确定车底图像中的疑似携带物区域。
步骤6033、模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像。
以上步骤6031至步骤6033是图1所示步骤103的具体细化。
步骤604、根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。
根据图6所示方法可以看出，本实施例中，在利用预先使用多种车型的有携带物车底图像训练的车底携带物识别模型对车辆的车底图像进行解析之前，先对车底图像进行拉伸、裁剪、缩放等预处理，可以提高车底携带物检测的准确性。除此之外，本实施例还可以降低人工成本和提高检测效率。
参见图7，图7是本发明实施例六提供的车底携带物检测方法流程图，如图7所示，该方法主要包括以下步骤：
步骤701、接收采集装置采集的车辆的车身图像和车底图像。
步骤702、根据车辆的车身图像确定车辆的车型信息，根据车辆的车型信息确定车辆的无携带物车底特征图。
步骤7031、利用预先使用多种车型的有携带物车底图像训练的车底携带物识别模型对车辆的车底图像进行解析，得到车底携带物热度图。
本实施例中，可以预先收集多种车型的大量有携带物车底图像，使用这些有携带物车底图像训练得到一车底携带物识别模型，利用此车底携带物识别模型对车辆的车底图像进行解析可以得到一车底携带物热度图，用以表征车底图像中各像素点存在携带物的可能性(概率)。
步骤7032a、根据车底携带物热度图确定车底图像中的热度区域。
步骤7032b、对热度区域进行特征分析，过滤不符合携带物特征的热度区域。
本实施例中，不符合携带物特征的热度区域主要有以下三种：
1)热度区域的面积过小。
通常情况下，携带物在车底的占用面积一般不会太小，因此，当某个热度区域的面积过小时，存在携带物的可能性就比较小，可以考虑滤除该热度区域。
2)热度区域的长宽比例过大。
通常情况下，车底携带物自身轮廓的长宽比例也不会过大，而热度区域在一定程度上代表了携带物的轮廓，因此，当某个热度区域的长宽比例过大时，存在携带物的可能性就比较小，因此可以考虑滤除。
3)热度区域的位置与车底图像中不具备放置携带物条件的位置重合。
车底图像中通常会存在不具备放置携带物条件的位置/区域，例如车轮所在位置/区域，如果某一热度区域的位置与车底图像中不具备放置携带物条件的位置重合，则此热度区域存在携带物的可能性就比较小，因此可以考虑滤除。
4)热度区域是异常区域。
车底图像中对应于热度区域边缘的像素如果和周边的像素没有明显的颜色区分(可通过图像梯度确定)，则此热度区域可能是由于车底携带物热度图不够精准而导致提取出了非真实热度区域，应该属于异常区域，可以考虑滤除被判断为异常区域的热度区域。
本实施例中，可以对车底携带物热度图中被判断为不符合携带物特征的部分或全部热度区域执行滤除操作。
本实施例中，对热度区域进行特征分析，过滤不符合携带物特征的热度区域，具体包括：
确定各热度区域的面积，滤除面积小于预设面积阈值的热度区域；
和/或，确定各热度区域的长宽比例，滤除长宽比例超过预设长宽比例阈值的热度区域；
和/或，确定各热度区域的位置，滤除位置与车底图像中的不具备放置携带物条件的位置重合的热度区域；
和/或，确定车底图像中对应于各热度区域边缘的各像素的图像梯度，滤除车底图像中对应于热度区域边缘的各像素的图像梯度满足预设条件的热度区域；其中，车底图像中对应于热度区域边缘的各像素的图像梯度满足预设条件包括：车底图像中对应于该热度区域边缘的像素中，图像梯度小于第一预设梯度阈值的像素比例大于预设像素比例。
步骤7032c、根据剩余热度区域之间的位置关系，对剩余热度区域进行特征重组。
在实际应用中，车底图像中同一携带物占用的区域，在车底携带物热度图中可能被分割成多个热度区域，本步骤7032c的目的就是对这样的热度区域进行特征重组，从而达到还原这些区域所隶属的携带物区域。
本实施例中，根据剩余热度区域之间的位置关系，对剩余热度区域进行特征重组的方法如下：
S21、对于剩余热度区域中的最近边缘距离小于预设距离阈值的相邻热度区域，确定车底图像中对应于该相邻热度区域之间的像素的图像梯度；
S22、根据车底图像中对应于该相邻热度区域之间的像素的图像梯度判断车底图像中对应于该相邻热度区域之间是否存在由图像梯度大于第二预设梯度阈值的像素组成的分界线；
S23、如果不存在，则将该相邻热度区域合并为一个热度区域。
本实施例中，将两个相邻热度区域合并，涉及到重新提取区域轮廓，确定区域边缘等操作，属于具体实现的问题，可以采用多种方法实现，本申请对其不做具体限制。
步骤7032d、将剩余热度区域中经特征重组得到的热度区域和剩余热度区域中未经特征重组的热度区域确定为疑似携带物区域。
本实施例中，将车底携带物热度图中不符合携带物特征的热度区域过滤掉之后，对剩余热度区域进行特征重组时，剩余热度区域中的一些热度区域满足特征重组条件，可以通过特征重组成一个热度区域(即通过上述步骤S21-S23重组成一个热度区域)；剩余热度区域中还有另外一些热度区域不满足特征重组条件，不能与其它热度区域通过特征重组成为一个热度区域(即无法通过上述步骤S21-S23进行特征重组)，属于剩余热度区域中未经特征重组的热度区域。
本实施例中，可以将剩余热度区域中经特征重组得到的热度区域和剩余热度区域中未经特征重组的热度区域均确定为疑似携带物区域。
以上步骤7032a至步骤7032d是图5所示步骤5032的具体细化。
步骤7033、模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像。
以上步骤7031至步骤7033是图1所示步骤103的具体细化。
步骤704、根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。
根据图7所示方法可以看出，本实施例中，利用预先使用多种车型的有携带物车底图像训练的车底携带物识别模型对车辆的车底图像进行解析，得到车底携带物热度图，并利用车底携带物热度图确定热度区域，从热度区域过滤掉不符合携带物特征的热度区域，并对剩余热度区域进行重组，从而可以提高疑似携带物区域实际存在携带物的准确率。除此之外，本实施例还可以降低人工成本和提高检测效率。
参见图8，图8是本发明实施例七提供的车底携带物检测方法流程图，如图8所示，该方法主要包括以下步骤：
步骤801、接收采集装置采集的车辆的车身图像和车底图像。
步骤802、根据车辆的车身图像确定车辆的车型信息，根据车辆的车型信息确定车辆的无携带物车底特征图。
步骤8031、解析确定车底图像中的疑似携带物区域；
本实施例中，对于每一车底图像中的每一疑似携带物区域，执行以下步骤8032至8034的操作步骤，以模拟生成车底图像中该疑似携带物区域对应的无携带物区域图像。
步骤8032、对车底图像进行针对该疑似携带物区域的抠图处理。
本实施例中，对于车底图像中的每一疑似携带物区域，可以将该疑似携带物区域的各像素点的像素值设置为0，以实现针对该疑似携带物区域的抠图处理。
步骤8033、将经抠图处理后的车底图像输入预先训练的图像生成网络模型，得到包含有模拟生成的被抠图区域图像的车底图像；
本实施例中，所述图像生成网络模型可以是利用预先收集的多种车型的无携带物车底图像训练得到的生成式对抗网络GAN模型。
步骤8034、将车底图像中包含的被抠图区域图像确定为该疑似携带物区域对应的无携带物区域图像。
以上步骤8032至步骤8034是图5所示步骤5033中“模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像”的具体细化。
以上步骤8031至步骤8034是图1所示步骤103的具体细化。
步骤804、根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。
根据图8所示方法可以看出，本实施例中，利用抠图和预先训练的GAN模型模拟生成每个疑似携带物区域对应的无携带物区域图像，将此无携带物区域图像作为后续判断该疑似携带物区域是否存在携带物的一个衡量因素，可以提高判断准确率。除此之外，本实施例还可以降低人工成本和提高检测效率。
参见图9，图9是本发明实施例七提供的车底携带物检测方法流程图，如图9所示，该方法主要包括以下步骤：
步骤901、接收采集装置采集的车辆的车身图像和车底图像。
步骤902、根据车辆的车身图像确定车辆的车型信息，根据车辆的车型信息确定车辆的无携带物车底特征图。
步骤903、解析确定车底图像中的疑似携带物区域，并模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像。
步骤9041、确定每一疑似携带物区域图像与该疑似携带物区域对应的无携带物区域图像的第一相似度。
步骤9042、确定该疑似携带物区域对应的无携带物区域图像与车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像的第二相似度。
步骤9043、如果第一相似度小于第一阈值且所述第二相似度大于第二阈值，则确定该疑似携带物区域中存在携带物，否则，确定该疑似携带物区域中不存在携带物。
这里的第一阈值和第二阈值均是预先设定的，一般情况下，第一阈值(20％)小于第二阈值(80％)。
以上步骤9041至9043是图1所示步骤104的具体细化。
根据图9所示方法可以看出，本实施例中，通过确定每一疑似携带物区域图像与该疑似携带物区域对应的无携带物区域图像的第一相似度，以及该疑似携带物区域对应的无携带物区域图像与车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像的第二相似度，利用第一相似度越低第二相似度越高则存在携带物的可能性越高的原则判断该疑似携带物区域是否存在携带物。本实施例可以降低人工成本，且可以提高检测效率。
以上对本发明实施例提供的车底携带物检测方法进行了详细说明，本发明实施例还提供了一种车底携带物检测系统和一种车底携带物检测装置，以下结合图10、11分别进行详细说明。
参见图10，图10是本发明实施例提供的车底携带物检测系统的架构示意图，如图10所示，该系统包括：采集装置1001和检测装置1002；
所述采集装置1001，用于采集车辆的车身图像和车底图像，将采集的车辆的车身图像和车底图像发送到检测装置1002；
所述检测装置1002，用于接收采集装置1001发送的车辆的车身图像和车底图像，根据车辆的车身图像确定车辆的车型信息，根据车辆的车型信息确定车辆的无携带物车底特征图；解析确定车底图像中的疑似携带物区域，并模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像；根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。
图10所示系统中，
所述检测装置1002，根据车辆的车身图像确定车辆的车型信息，包括：
解析车辆的车身图像中的车牌区域，确定车辆的车牌号码；
在预先配置的车辆信息表中查找包含车辆的车牌号码的车辆信息；
将查找到的车辆信息中包含的车型信息确定为车辆的车型信息；
或者，
所述检测装置1002，根据车辆的车身图像确定车辆的车型信息，包括：
利用预先训练得到的车型识别模型对车辆的车身图像进行解析，得到车辆的车型信息；其中，所述车型识别模型是使用标注有车型信息的车身图像样本训练得到的。
图10所示系统中，
所述检测装置1002，根据车辆的车型信息确定车辆的无携带物车底特征图，包括：
获取该车型信息对应的至少一张无携带物车底图像；
利用预先使用多种车型的无携带物车底图像训练的车底特征识别模型对所述至少一张无携带物车底图像进行解析，确定车辆的无携带物车底特征图。
图10所示系统中，
所述检测装置1002，解析确定车底图像中的疑似携带物区域，包括：
利用预先使用多种车型的有携带物车底图像训练的车底携带物识别模型对车辆的车底图像进行解析，得到车底携带物热度图；
根据车底携带物热度图确定车底图像中的疑似携带物区域。
图10所示系统中，
所述检测装置1002，接收采集装置1001采集的车辆的车身图像和车底图像时，进一步接收采集装置1001检测得到的车辆的行驶速度信息；
所述检测装置1002，利用预先使用多种车型的有携带物车底图像训练的车底携带物识别模型对车辆的车底图像进行解析之前，进一步包括：
根据车辆的行驶速度信息与拉伸幅度成反比的原则对车辆的车底图像进行拉伸，并对经拉伸处理后的车底图像进行裁剪以去除不包含车底的图像区域；
根据训练所述车底携带物识别模型所使用的车底图像尺寸，对经过拉伸和裁剪后的车底图像进行缩放处理。
图10所示系统中，
所述检测装置1002，根据车底携带物热度图确定车底图像中的疑似携带物区域，包括：
根据车底携带物热度图确定车底图像中的热度区域；
对热度区域进行特征分析，过滤不符合携带物特征的热度区域；
根据剩余热度区域之间的位置关系，对剩余热度区域进行特征重组；
将经特征重组得到的热度区域和车底图像中未经特征重组的热度区域确定为疑似携带物区域。
图10所示系统中，
所述检测装置1002，对热度区域进行特征分析，过滤不符合携带物特征的热度区域的方法为：
确定各热度区域的面积，滤除面积小于预设面积阈值的热度区域；
和/或，确定各热度区域的长宽比例，滤除长宽比例超过预设长宽比例阈值的热度区域；
和/或，确定各热度区域的位置，滤除位置与车底图像中的不具备放置携带物条件的位置重合的热度区域；
和/或，确定车底图像中对应于各热度区域边缘的各像素的图像梯度，滤除车底图像中对应于热度区域边缘的各像素的图像梯度满足预设条件的热度区域；其中，车底图像中对应于热度区域边缘的各像素的图像梯度满足预设条件包括：车底图像中对应于该热度区域边缘的像素中，图像梯度小于第一预设梯度阈值的像素比例大于预设像素比例。
图10所示系统中，
所述检测装置1002，根据剩余热度区域之间的位置关系，对剩余热度区域进行特征重组，包括：
对于剩余热度区域中的最近边缘距离小于预设距离阈值的相邻热度区域，确定车底图像中对应于该相邻热度区域之间的像素的图像梯度；
根据车底图像中对应于该相邻热度区域之间的像素的图像梯度，判断车底图像中对应于该相邻热度区域之间，是否存在由图像梯度大于第二预设梯度阈值的像素组成的分界线；
如果不存在，则将该相邻热度区域合并为一个热度区域。
图10所示系统中，
所述检测装置1002，模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像，包括：
对车底图像进行针对该疑似携带物区域的抠图处理；
将经抠图处理后的车底图像输入预先训练的图像生成网络模型，得到包含有模拟生成的被抠图区域图像的车底图像；
将车底图像中包含的被抠图区域图像确定为该疑似携带物区域对应的无携带物区域图像；
其中，所述图像生成网络模型是利用预先收集的多种车型的无携带物车底图像训练得到的生成式对抗网络GAN模型。
图10所示系统中，
所述检测装置1002，根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物，包括：
确定该疑似携带物区域图像与该疑似携带物区域对应的无携带物区域图像的第一相似度；
确定该疑似携带物区域对应的无携带物区域图像与车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像的第二相似度；
如果第一相似度小于第一阈值且所述第二相似度大于第二阈值，则确定该疑似携带物区域中存在携带物，否则，确定该疑似携带物区域中不存在携带物。
图10所示系统中，
所述采集装置1002包括部署在地面上的用于采集车底图像的第一摄像单元10021、分别位于第一摄像单元10021两侧的第一压力传感器10022和第二压力传感器10023、以及悬空部署的用于采集车牌图像的第二摄像单元10024；其中，第一压力传感器10022用于感知到车辆经过时向第一摄像单元10021和第二摄像单元10024发送第一信号以触发第一摄像单元10021和第二摄像单元10024开始图像采集；第二压力传感器10023用于感知到车辆经过时向第一摄像单元10021和第二摄像单元10024发送第二信号以通知第一摄像单元10021和第二摄像单元10024停止图像采集。
参见图11，图11是本发明实施例提供的车底携带物检测装置的结构示意图，如图11所示，该装置包括：处理器1101、以及与所述处理器1101通过总线相连的非瞬时计算机可读存储介质1102；
所述非瞬时计算机可读存储介质1102，存储有可被所述处理器1101执行的一个或多个计算机程序；所述处理器1101执行所述一个或多个计算机程序时实现以下步骤：
接收采集装置采集的车辆的车身图像和车底图像；
根据车辆的车身图像确定车辆的车型信息，根据车辆的车型信息确定车辆的无携带物车底特征图；
解析确定车底图像中的疑似携带物区域，并模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像；
根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。
图11所示装置中，
所述处理器1101，根据车辆的车身图像确定车辆的车型信息，包括：
解析车辆的车身图像中的车牌区域，确定车辆的车牌号码；
在预先配置的车辆信息表中查找包含车辆的车牌号码的车辆信息；
将查找到的车辆信息中包含的车型信息确定为车辆的车型信息；
或者，
所述处理器1101，根据车辆的车身图像确定车辆的车型信息，包括：
利用预先训练得到的车型识别模型对车辆的车身图像进行解析，得到车辆的车型信息；其中，所述车型识别模型是使用标注有车型信息的车身图像样本训练得到的。
图11所示装置中，
所述处理器1101，根据车辆的车型信息确定车辆的无携带物车底特征图，包括：
获取该车型信息对应的至少一张无携带物车底图像；
利用预先使用多种车型的无携带物车底图像训练的车底特征识别模型对所述至少一张无携带物车底图像进行解析，确定车辆的无携带物车底特征图。
图11所示装置中，
所述处理器1101，解析确定车底图像中的疑似携带物区域，包括：
利用预先使用多种车型的有携带物车底图像训练的车底携带物识别模型对车辆的车底图像进行解析，得到车底携带物热度图；
根据车底携带物热度图确定车底图像中的疑似携带物区域。
图11所示装置中，
所述处理器1101，接收采集装置采集的车辆的车身图像和车底图像时，进一步接收采集装置检测得到的车辆的行驶速度信息；
利用预先使用多种车型的有携带物车底图像训练的车底携带物识别模型对车辆的车底图像进行解析之前，进一步包括：
根据车辆的行驶速度信息与拉伸幅度成反比的原则对车辆的车底图像进行拉伸，并对经拉伸处理后的车底图像进行裁剪以去除不包含车底的图像区域；
根据训练所述车底携带物识别模型所使用的车底图像尺寸，对经过拉伸和裁剪后的车底图像进行缩放处理。
图11所示装置中，
所述处理器1101，根据车底携带物热度图确定车底图像中的疑似携带物区域，包括：
根据车底携带物热度图确定车底图像中的热度区域；
对热度区域进行特征分析，过滤不符合携带物特征的热度区域；
根据剩余热度区域之间的位置关系，对剩余热度区域进行特征重组；
将经特征重组得到的热度区域和车底图像中未经特征重组的热度区域确定为疑似携带物区域。
图11所示装置中，
所述处理器1101，对热度区域进行特征分析，过滤不符合携带物特征的热度区域的方法为：
确定各热度区域的面积，滤除面积小于预设面积阈值的热度区域；
和/或，确定各热度区域的长宽比例，滤除长宽比例超过预设长宽比例阈值的热度区域；
和/或，确定各热度区域的位置，滤除位置与车底图像中的不具备放置携带物条件的位置重合的热度区域；
和/或，确定车底图像中对应于各热度区域边缘的各像素的图像梯度，滤除车底图像中对应于热度区域边缘的各像素的图像梯度满足预设条件的热度区域；其中，车底图像中对应于热度区域边缘的各像素的图像梯度满足预设条件包括：车底图像中对应于该热度区域边缘的像素中，图像梯度小于第一预设梯度阈值的像素比例大于预设像素比例。
图11所示装置中，
所述处理器1101，根据剩余热度区域之间的位置关系，对剩余热度区域进行特征重组，包括：
对于剩余热度区域中的最近边缘距离小于预设距离阈值的相邻热度区域，确定车底图像中对应于该相邻热度区域之间的像素的图像梯度；
根据车底图像中对应于该相邻热度区域之间的像素的图像梯度，判断车底图像中对应于该相邻热度区域之间，是否存在由图像梯度大于第二预设梯度阈值的像素组成的分界线；
如果不存在，则将该相邻热度区域合并为一个热度区域。
图11所示装置中，
所述处理器1101，模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像，包括：
对车底图像进行针对该疑似携带物区域的抠图处理；
将经抠图处理后的车底图像输入预先训练的图像生成网络模型，得到包含有模拟生成的被抠图区域图像的车底图像；
将车底图像中包含的被抠图区域图像确定为该疑似携带物区域对应的无携带物区域图像；
其中，所述图像生成网络模型是利用预先收集的多种车型的无携带物车底图像训练得到的生成式对抗网络GAN模型。
图11所示装置中，
所述处理器1101，根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物，包括：
确定该疑似携带物区域图像与该疑似携带物区域对应的无携带物区域图像的第一相似度；
确定该疑似携带物区域对应的无携带物区域图像与车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像的第二相似度；
如果第一相似度小于第一阈值且所述第二相似度大于第二阈值，则确定该疑似携带物区域中存在携带物，否则，确定该疑似携带物区域中不存在携带物。
图11所示装置中，
所述采集装置包括部署在地面上的用于采集车底图像的第一摄像单元、分别位于第一摄像单元两侧的第一压力传感器和第二压力传感器、以及悬空部署的用于采集车牌图像的第二摄像单元；其中，第一压力传感器用于感知到车辆经过时向第一摄像单元和第二摄像单元发送第一信号以触发第一摄像单元和第二摄像单元开始图像采集；第二压力传感器用于感知到车辆经过时向第一摄像单元和第二摄像单元发送第二信号以通知第一摄像单元和第二摄像单元停止图像采集。
本发明实施例还提供了一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如图1-2、4-9中任一流程图所示的车底携带物检测方法中的步骤。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (14)

1.一种车底携带物检测方法，其特征在于，该方法包括：
接收采集装置采集的车辆的车身图像和车底图像；
根据车辆的车身图像确定车辆的车型信息，根据车辆的车型信息确定车辆的无携带物车底特征图；
解析确定车底图像中的疑似携带物区域，并模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像；
根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。
2.根据权利要求1所述的方法，其特征在于，
根据车辆的车身图像确定车辆的车型信息，包括：
解析车辆的车身图像中的车牌区域，确定车辆的车牌号码；
在预先配置的车辆信息表中查找包含车辆的车牌号码的车辆信息；
将查找到的车辆信息中包含的车型信息确定为车辆的车型信息；
或者，
根据车辆的车身图像确定车辆的车型信息，包括：
利用预先训练得到的车型识别模型对车辆的车身图像进行解析，得到车辆的车型信息；其中，所述车型识别模型是使用标注有车型信息的车身图像样本训练得到的。
3.根据权利要求1所述的方法，其特征在于，
根据车辆的车型信息确定车辆的无携带物车底特征图，包括：
获取该车型信息对应的至少一张无携带物车底图像；
利用预先使用多种车型的无携带物车底图像训练的车底特征识别模型对所述至少一张无携带物车底图像进行解析，确定车辆的无携带物车底特征图。
4.根据权利要求1所述的方法，其特征在于，
解析确定车底图像中的疑似携带物区域，包括：
利用预先使用多种车型的有携带物车底图像训练的车底携带物识别模型对车辆的车底图像进行解析，得到车底携带物热度图；
根据车底携带物热度图确定车底图像中的疑似携带物区域。
5.根据权利要求4所述的方法，其特征在于，
接收采集装置采集的车辆的车身图像和车底图像时，进一步接收采集装置检测得到的车辆的行驶速度信息；
利用预先使用多种车型的有携带物车底图像训练的车底携带物识别模型对车辆的车底图像进行解析之前，进一步包括：
根据车辆的行驶速度信息与拉伸幅度成反比的原则对车辆的车底图像进行拉伸，并对经拉伸处理后的车底图像进行裁剪以去除不包含车底的图像区域；
根据训练所述车底携带物识别模型所使用的车底图像尺寸，对经过拉伸和裁剪后的车底图像进行缩放处理。
6.根据权利要求4所述的方法，其特征在于，
根据车底携带物热度图确定车底图像中的疑似携带物区域，包括：
根据车底携带物热度图确定车底图像中的热度区域；
对热度区域进行特征分析，过滤不符合携带物特征的热度区域；
根据剩余热度区域之间的位置关系，对剩余热度区域进行特征重组；
将剩余热度区域中经特征重组得到的热度区域和剩余热度区域中未经特征重组的热度区域确定为疑似携带物区域。
7.根据权利要求6所述的方法，其特征在于，
对热度区域进行特征分析，过滤不符合携带物特征的热度区域的方法为：
确定各热度区域的面积，滤除面积小于预设面积阈值的热度区域；
和/或，确定各热度区域的长宽比例，滤除长宽比例超过预设长宽比例阈值的热度区域；
和/或，确定各热度区域的位置，滤除位置与车底图像中的不具备放置携带物条件的位置重合的热度区域；
和/或，确定车底图像中对应于各热度区域边缘的各像素的图像梯度，滤除车底图像中对应于热度区域边缘的各像素的图像梯度满足预设条件的热度区域；其中，车底图像中对应于热度区域边缘的各像素的图像梯度满足预设条件包括：车底图像中对应于该热度区域边缘的像素中，图像梯度小于第一预设梯度阈值的像素比例大于预设像素比例。
8.根据权利要求6所述的方法，其特征在于，
根据剩余热度区域之间的位置关系，对剩余热度区域进行特征重组，包括：
对于剩余热度区域中的最近边缘距离小于预设距离阈值的相邻热度区域，确定车底图像中对应于该相邻热度区域之间的像素的图像梯度；
根据车底图像中对应于该相邻热度区域之间的像素的图像梯度，判断车底图像中对应于该相邻热度区域之间，是否存在由图像梯度大于第二预设梯度阈值的像素组成的分界线；
如果不存在，则将该相邻热度区域合并为一个热度区域。
9.根据权利要求1所述的方法，其特征在于，
模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像，包括：
对车底图像进行针对该疑似携带物区域的抠图处理；
将经抠图处理后的车底图像输入预先训练的图像生成网络模型，得到包含有模拟生成的被抠图区域图像的车底图像；
将车底图像中包含的被抠图区域图像确定为该疑似携带物区域对应的无携带物区域图像；
其中，所述图像生成网络模型是利用预先收集的多种车型的无携带物车底图像训练得到的生成式对抗网络GAN模型。
10.根据权利要求1所述的方法，其特征在于，
根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物，包括：
确定该疑似携带物区域图像与该疑似携带物区域对应的无携带物区域图像的第一相似度；
确定该疑似携带物区域对应的无携带物区域图像与车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像的第二相似度；
如果第一相似度小于第一阈值且所述第二相似度大于第二阈值，则确定该疑似携带物区域中存在携带物，否则，确定该疑似携带物区域中不存在携带物。
11.根据权利要求1所述的方法，其特征在于，
所述采集装置包括部署在地面上的用于采集车底图像的第一摄像单元、分别位于第一摄像单元两侧的第一压力传感器和第二压力传感器、以及悬空部署的用于采集车牌图像的第二摄像单元；其中，第一压力传感器用于感知到车辆经过时向第一摄像单元和第二摄像单元发送第一信号以触发第一摄像单元和第二摄像单元开始图像采集；第二压力传感器用于感知到车辆经过时向第一摄像单元和第二摄像单元发送第二信号以通知第一摄像单元和第二摄像单元停止图像采集。
12.一种车底携带物检测系统，其特征在于，该系统包括：采集装置和检测装置；
所述采集装置，用于采集车辆的车身图像和车底图像，将采集的车辆的车身图像和车底图像发送到检测装置；
所述检测装置，用于接收采集装置发送的车辆的车身图像和车底图像，根据车辆的车身图像确定车辆的车型信息，根据车辆的车型信息确定车辆的无携带物车底特征图；解析确定车底图像中的疑似携带物区域，并模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像；根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。
13.一种车底携带物检测装置，其特征在于，该装置包括：处理器、以及与所述处理器通过总线相连的非瞬时计算机可读存储介质；
所述非瞬时计算机可读存储介质，存储有可被所述处理器执行的一个或多个计算机程序；所述处理器执行所述一个或多个计算机程序时实现以下步骤：
接收采集装置采集的车辆的车身图像和车底图像；
根据车辆的车身图像确定车辆的车型信息，根据车辆的车型信息确定车辆的无携带物车底特征图；
解析确定车底图像中的疑似携带物区域，并模拟生成车底图像中的每一疑似携带物区域对应的无携带物区域图像；
根据车底图像中每一疑似携带物区域图像、该疑似携带物区域对应的无携带物区域图像、以及车辆的无携带物车底特征图中对应于该疑似携带物区域的区域图像，确定该疑似携带物区域是否存在携带物。
14.一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储指令，其特征在于，所述指令在由处理器执行时使得所述处理器执行如权利要求1至11中任一权项所述的车底携带物检测方法中的步骤。
CN202011499109.6A 2020-12-17 2020-12-17 一种车底携带物检测方法、装置及存储介质 Active CN112633115B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011499109.6A CN112633115B (zh) 2020-12-17 2020-12-17 一种车底携带物检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011499109.6A CN112633115B (zh) 2020-12-17 2020-12-17 一种车底携带物检测方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112633115A true CN112633115A (zh) 2021-04-09
CN112633115B CN112633115B (zh) 2024-04-05

Family

ID=75316593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011499109.6A Active CN112633115B (zh) 2020-12-17 2020-12-17 一种车底携带物检测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112633115B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809655A (zh) * 2014-12-30 2016-07-27 清华大学 车辆检查方法和系统
CN206311775U (zh) * 2017-01-04 2017-07-07 牟秀东 通过式车辆安全检测机
CN207851329U (zh) * 2018-01-29 2018-09-11 泉州安达电子有限公司 一种新型汽车底盘安全检查扫描成像系统
CN109190639A (zh) * 2018-08-16 2019-01-11 新智数字科技有限公司 一种车辆颜色识别方法、装置及系统
CN109359676A (zh) * 2018-10-08 2019-02-19 百度在线网络技术（北京）有限公司 用于生成车辆损伤信息的方法和装置
CN209265462U (zh) * 2018-12-21 2019-08-16 南京索安电子有限公司 一种新型车辆底盘反藏匿系统
CN110335292A (zh) * 2019-07-09 2019-10-15 北京猫眼视觉科技有限公司 一种基于图片跟踪实现模拟场景跟踪的方法及系统
WO2020140610A1 (zh) * 2019-01-04 2020-07-09 平安科技（深圳）有限公司 一种图像处理方法、设备及计算机可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809655A (zh) * 2014-12-30 2016-07-27 清华大学 车辆检查方法和系统
CN206311775U (zh) * 2017-01-04 2017-07-07 牟秀东 通过式车辆安全检测机
CN207851329U (zh) * 2018-01-29 2018-09-11 泉州安达电子有限公司 一种新型汽车底盘安全检查扫描成像系统
CN109190639A (zh) * 2018-08-16 2019-01-11 新智数字科技有限公司 一种车辆颜色识别方法、装置及系统
CN109359676A (zh) * 2018-10-08 2019-02-19 百度在线网络技术（北京）有限公司 用于生成车辆损伤信息的方法和装置
CN209265462U (zh) * 2018-12-21 2019-08-16 南京索安电子有限公司 一种新型车辆底盘反藏匿系统
WO2020140610A1 (zh) * 2019-01-04 2020-07-09 平安科技（深圳）有限公司 一种图像处理方法、设备及计算机可读存储介质
CN110335292A (zh) * 2019-07-09 2019-10-15 北京猫眼视觉科技有限公司 一种基于图片跟踪实现模拟场景跟踪的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭宝英 等: "车辆安全例检的图像识别与跟踪定位方法研究", 《集美大学学报（自然科学版）》, vol. 22, no. 6, pages 74 - 80 *

Also Published As

Publication number Publication date
CN112633115B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN104665849B (zh) 一种基于多生理信号多模型交互的高铁调度员应激检测方法
CN108088799B (zh) 机动车尾气林格曼黑度的测量方法及系统
CN102915640B (zh) 基于Hough变换的安全带检测方法
CN105956632B (zh) 一种检测目标的方法和装置
CN108030494A (zh) 基于交叉验证的心电信号错误标记训练样本识别方法
CN105426863B (zh) 检测车道线的方法和装置
CN108776090B (zh) 一种基于机器视觉的柴油车排放黑烟浓度测量方法及系统
CN109376740A (zh) 一种基于视频的水尺读数检测方法
CN114283370B (zh) 车辆未清洗识别方法、装置及应用
CN110807771B (zh) 一种道路减速带的缺损检测方法
CN110458126B (zh) 一种受电弓状态监测方法及装置
CN113781537B (zh) 一种轨道弹条扣件缺陷识别方法、装置和计算机设备
CN102214290B (zh) 车牌定位方法及车牌定位模板训练方法
CN108052887A (zh) 一种融合slam/gnss信息的疑似违法用地自动识别系统及方法
CN101706274A (zh) 钢轨扣件系统螺母缺失自动检测装置
CN104915642A (zh) 前方车辆测距方法及装置
CN103164958A (zh) 车辆监控方法及系统
CN103699876A (zh) 一种基于线阵ccd图像识别车号的方法及装置
CN108052899A (zh) 一种通过视频区分电动自行车和摩托车的方法
CN105787456A (zh) 一种夜间远红外图像中的行人检测方法
CN112633115A (zh) 一种车底携带物检测方法、装置及存储介质
CN108921147A (zh) 一种基于动态纹理和变换域时空特征的黑烟车识别方法
CN103455791B (zh) 基于线阵ccd汽车底盘成像的车型识别方法
CN104966064A (zh) 基于视觉的前方行人测距方法
CN104766047B (zh) 基于车辆长度检测的高速收费站车辆识别方法及装置

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
CB02 Change of applicant information

Address after: 310051 room 304, B / F, building 2, 399 Danfeng Road, Binjiang District, Hangzhou City, Zhejiang Province

Applicant after: Hangzhou Hikvision Robot Co.,Ltd.

Address before: 310051 room 304, B / F, building 2, 399 Danfeng Road, Binjiang District, Hangzhou City, Zhejiang Province

Applicant before: HANGZHOU HIKROBOT TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant