CN112820116A - 车辆检测方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种车辆检测方法、装置、计算机设备和存储介质。所述方法包括：获取待检测图像；对待检测图像进行检测，若确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车，则根据关联对象，从多个车辆中定位到与关联对象关联的两个车辆；若与关联对象关联的两个车辆中存在两轮车，则生成车辆违法的检测结果。采用本方法通过基于深度学习理论对所获取的车辆违法图像自动进行审核，可以提高车辆违法图像的审核效率，同时可以节省人力成本；通过先定位与关联对象关联的两个车辆，再确定与关联对象关联的两个车辆中是否存在两轮车，可以提高审核的准确性。

Description

车辆检测方法、装置、计算机设备和存储介质

技术领域

本申请涉及车辆检测技术领域，特别是涉及一种车辆检测方法、装置、计算机设备和存储介质。

背景技术

随着车辆保有量的增加，道路上发生故障的车辆的数量也随之提高。当车辆出现故障时，往往需要通过牵引车将故障车辆移动至安全地带。为了保证车辆牵引过程的行驶安全，两轮车(例如摩托车)交通工具不能作为牵引车或被牵引车。

随着安防技术在智能交通领域的应用，若智能交通系统检测到两轮车为牵引车或被牵引车时，则会判断属于违法行为，进而触发相机抓拍得到车辆违法图像。而对于抓拍到的车辆违法图像，需要进行二次审核。相关技术中，常采用人工筛选的方式对抓拍到的车辆违法图像进行二次审核，存在效率较低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高对车辆违法图像进行二次审核的效率的车辆检测方法、装置、计算机设备和存储介质。

第一方面，本申请实施例提供一种车辆检测方法，所述方法包括：

获取待检测图像；

对待检测图像进行检测，若确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车，则

根据关联对象，从多个车辆中定位到与关联对象关联的两个车辆；

若与关联对象关联的两个车辆中存在两轮车，则生成车辆违法的检测结果。

在其中一个实施例中，对待检测图像进行检测，包括：

对待检测图像进行目标检测，若得到待检测图像中存在多个车辆，则获取每个车辆对应的车辆区域图像；

对每个车辆对应的车辆区域图像进行分类识别，得到每个车辆对应的车辆类型；

若每个车辆对应的车辆类型中存在两轮车，则定位每个车辆区域图像中的车牌区域，得到多个车牌区域图像；

对多个车牌区域图像中每个车牌区域图像进行文本识别，得到多个车牌信息；

若多个车牌信息中存在与标准车牌信息相同的车牌信息，则对待检测图像进行目标检测，确定待检测图像中存在关联对象。

在其中一个实施例中，关联对象为牵引装置；根据关联对象，从多个车辆中定位到与关联对象关联的两个车辆，包括：

获取与标准车牌信息对应的目标车辆的位置信息，以及牵引装置的位置信息；

根据目标车辆的位置信息以及牵引装置的位置信息，得到目标车辆和牵引装置的第一距离；

若第一距离小于第一阈值，则将目标车辆作为牵引车辆；

根据多个车辆中除目标车辆外的其他车辆的位置信息以及牵引装置的位置信息，得到其他车辆和牵引装置的第二距离；

获取小于第二阈值的第二距离，将小于第二阈值的第二距离所对应的车辆作为被牵引车辆。

在其中一个实施例中，牵引装置为牵引绳；牵引装置的位置信息包括牵引绳的两个端点的位置信息；根据目标车辆的位置信息以及牵引装置的位置信息，得到目标车辆和牵引装置的第一距离，包括：

根据目标车辆的位置信息以及牵引绳的两个端点的位置信息，得到目标车辆和牵引绳的两个端点的第一距离；

若第一距离小于第一阈值，则将目标车辆作为牵引车辆，包括：

若目标车辆与牵引绳的其中一个端点的第一距离小于第一阈值，则将目标车辆作为牵引车辆。

在其中一个实施例中，根据多个车辆中除目标车辆外的其他车辆的位置信息以及牵引装置的位置信息，得到其他车辆和牵引装置的第二距离，包括：

根据其他车辆的位置信息以及牵引绳的另一个端点的位置信息，得到其他车辆和牵引绳的另一个端点的第二距离。

在其中一个实施例中，获取待检测图像，包括：

获取原始图像，原始图像是对针对多张违法图像进行拼接得到的合成图像，多张违法图像是针对同一违法事件进行拍摄得到的；

识别原始图像中的边界区域；

根据边界区域对原始图像进行剪切，得到多张待检测图像。

在其中一个实施例中，所述方法还包括：

当出现以下情况中的任一种时，生成车辆合法的检测结果：

待检测图像中存在至多一个车辆；

待检测图像中存在多个车辆，且多个车辆中不存在两轮车；

待检测图像中不存在关联对象；

确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车，但多个车辆中存在至多一个车辆与关联对象关联；

确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车以及存在两个车辆与关联对象关联，但两个车辆中不存在两轮车。

第二方面，本申请实施例提供一种车辆检测装置，所述装置包括：

获取模块，用于获取待检测图像；

检测模块，用于对待检测图像进行检测，确定待检测图像中是否存在多个车辆和关联对象，且多个车辆中存在两轮车；

关联车辆定位模块，用于在确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车时，根据关联对象，从多个车辆中定位到与关联对象关联的两个车辆；

车辆识别模块，用于在确定与关联对象关联的两个车辆中存在两轮车，则生成车辆违法的检测结果。

第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项实施例所述的车辆检测方法。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一项实施例所述的车辆检测方法。

上述车辆检测方法、装置、计算机设备和存储介质，对所获取的待检测图像进行检测，若确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车，则根据关联对象，从多个车辆中定位到与关联对象关联的两个车辆；若与关联对象关联的两个车辆中存在两轮车，则生成车辆违法的检测结果。通过基于深度学习理论对所获取的车辆违法图像自动进行审核，可以提高车辆违法图像的审核效率，同时可以节省人力成本；通过先定位与关联对象关联的两个车辆，再确定与关联对象关联的两个车辆中是否存在两轮车，可以提高审核的准确性。

附图说明

图1为一个实施例中车辆检测方法的应用环境图；

图2为另一个实施例中车辆检测方法的应用环境图；

图3为一个实施例中车辆检测方法的流程示意图；

图4为一个实施例中对待检测图像进行检测步骤的流程示意图；

图5为一个实施例中确定与牵引装置关联的两个车辆步骤的流程示意图；

图6为一个实施例中车辆检测方法的流程示意图；

图7为一个实施例中车辆检测装置的结构框图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的车辆检测方法，可以应用于如图1所示的应用环境中。其中，终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。终端110中部署有用于对待检测图像进行检测的一个或多个预训练的深度学习模型，以及用于根据深度学习模型的输出结果判断车辆是否违法的判断逻辑。具体地，终端110获取对待检测图像进行检测的检测请求。检测请求可以是用户触发的，也可以是终端110在检测到满足预设的条件时自行触发的，也可以是通过其他电子设备发送的。终端110通过预训练的深度学习模型对待检测图像进行检测，确定待检测图像中是否存在多个车辆和关联对象，以及多个车辆中是否存在两轮车。若确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车，则根据关联对象，从多个车辆中定位到与关联对象关联的两个车辆。终端110判断与关联对象关联的两个车辆中是否存在两轮车。若存在，则生成车辆违法的检测结果。

在另一个实施例中，本申请提供的车辆检测方法可以应用于如图2所示的应用环境中。其中，终端210通过网络与服务器220进行通信。终端210可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器220可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器220中部署有用于对待检测图像进行检测的一个或多个预训练的深度学习模型，以及用于根据深度学习模型的输出结果判断车辆是否违法的判断逻辑。服务器220获取对待检测图像进行检测的检测请求。检测请求可以是服务器220在检测到满足预设的条件时自行触发的，也可以是通过终端110发送的。服务器220通过预训练的深度学习模型对待检测图像进行检测，确定待检测图像中是否存在多个车辆和关联对象，以及多个车辆中是否存在两轮车。若确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车，则根据关联对象，从多个车辆中定位到与关联对象关联的两个车辆。服务器220判断与关联对象关联的两个车辆中是否存在两轮车。若存在，则生成车辆违法的检测结果。服务器220可以将所得到的检测结果发送至终端210，以使终端210能够在屏幕中展示车辆是否违法的检测结果。

在一个实施例中，如图3所示，提供了一种车辆检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：

步骤S310，获取待检测图像。

其中，待检测图像是指待进行二次审核车辆是否违法的车辆违法图像。待检测图像可以是由图像采集装置采集得到。图像采集装置可以是智能交通系统中的照相机、摄像机等。车辆包括机动车，例如汽车、摩托车等。具体地，在智能交通系统初步根据采集到的图像判断当前场景下车辆的车辆类型不符合要求时，智能交通系统触发图像采集装置采集当前的车辆违法图像。当前场景依实际情况而定，例如，可以为牵引车辆行驶场景；当前场景下的车辆则为牵引车辆和被牵引车辆。终端保存采集到的车辆违法图像，作为二次审核的待检测图像。

步骤S320，对待检测图像进行检测，确定待检测图像中是否存在多个车辆和关联对象，以及多个车辆中是否存在两轮车。

其中，关联对象是指与当前场景相关的，用于判断车辆类型是否满足要求的参照对象。例如，若当前场景为牵引车辆行驶场景，需要判断牵引车辆和/或被牵引车辆的车辆类型是否符合要求，则关联对象可以是牵引装置，例如牵引绳等。

具体地，终端获取待检测图像后，可以采用预训练的一种或者多种深度学习模型对待检测图像进行检测。示例性地，可以采用预训练的目标检测模型对待检测图像进行检测。终端获取深度学习模型的输出结果。若根据深度学习模型的输出结果判断待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车，则继续执行步骤S330和步骤S340。

步骤S330，若确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车，则根据关联对象，从多个车辆中定位到与关联对象关联的两个车辆。

步骤S340，若与关联对象关联的两个车辆中存在两轮车，则生成车辆违法的检测结果。

具体地，深度学习模型输出的检测结果包括关联对象的位置信息以及每个车辆的位置信息。终端根据关联对象的位置信息以及每个车辆的位置信息，从多个车辆中查找与关联对象关联的两个车辆。若查找存在与关联对象关联的两个车辆，可以根据步骤S320中，深度学习模型的输出结果该两个车辆的车辆类型。若获取该两个车辆的车辆类型中存在至少一个是两轮车，则生成辆违法的审核结果。

上述车辆检测方法中，对所获取的待检测图像进行检测，若确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车，则根据关联对象，从多个车辆中定位到与关联对象关联的两个车辆；若与关联对象关联的两个车辆中存在两轮车，则生成车辆违法的检测结果。通过基于深度学习理论对所获取的车辆违法图像自动进行审核，可以提高车辆违法图像的审核效率，同时可以节省人力成本；通过先定位与关联对象关联的两个车辆，再确定与关联对象关联的两个车辆中是否存在两轮车，可以提高审核的准确性。

在一个实施例中，当终端在执行步骤S310至步骤S340的过程中，出现以下情况中的任一种时，生成车辆合法的检测结果：

(1)待检测图像中存在至多一个车辆。具体地，由于终端需要检测的是两个车辆的车辆类型是否符合要求，因此，若根据深度学习模型的输出结果判断待检测图像中只存在至多一个车辆，那么可以生成车辆合法的检测结果。

(2)待检测图像中存在多个车辆，且多个车辆中不存在两轮车。具体地，由于终端需要检测的是两个车辆的车辆类型是否符合要求，且在两个车辆中存在至少一个为两轮车时，判断车辆违法。因此，若根据深度学习模型的输出结果判断所检测到的多个车辆中不存在两轮车，那么可以生成车辆合法的检测结果。

(3)待检测图像中不存在关联对象。具体地，若检测待检测图像中不存在关联对象，那么表示车辆所在的实际场景与需要检测的违法场景不同，则生成车辆合法的检测结果。

(4)确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车，但多个车辆中存在至多一个车辆与关联对象关联。示例性地，若关联对象为牵引装置，终端获取与牵引装置关联的车辆只有一辆，那么表示车辆所在的实际场景并不是牵引车辆行驶场景，则生成车辆合法的检测结果。

(5)确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车以及存在两个车辆与关联对象关联，但两个车辆中不存在两轮车。具体地，由于终端需要检测的是两个车辆的车辆类型是否符合要求，且在两个车辆中存在至少一个为两轮车时，判断车辆违法。因此，若两个车辆的车辆类型均不是两轮车，那么可以生成车辆合法的检测结果。

本实施例中，通过根据待检测图像中车辆的数量、车辆与关联对象间的关联关系以及车辆的车辆类型等多方面因素判断车辆是否违法，使得终端在自动化执行二次审核的过程中能够在贴合实际交通规则的情况下，更好地兼容未知场景，从而可以提高车辆检测方法的可用性。

在一个实施例中，如图4所示，步骤S320，对待检测图像进行检测，确定待检测图像中是否存在多个车辆和关联对象，以及多个车辆中是否存在两轮车，可以通过以下步骤实现：

步骤S321，对待检测图像进行目标检测，若得到待检测图像中存在多个车辆，则获取每个车辆对应的车辆区域图像。

具体地，对待检测图像进行目标检测可以采用预训练的第一目标检测模型。第一目标检测模型可以是任一种能够用于目标检测的深度学习模型，例如RefineDet(一种基于单阶段的检测器)、Faster R-CNN(一种目标检测网络)、SSD(Single Shot MultiboxDetector)和YOLO(You Only Look Once)等；或者是基于现有模型进行改进的模型；或者是自行设计的模型。在获取待检测图像后，将待检测图像输入至第一目标检测模型。若根据第一目标检测模型的输出结果判断待检测图像中存在多个车辆区域，可以通过裁剪等方式将每个车辆区域提取出来并保存，得到对应的车辆区域图像。

步骤S322，对每个车辆对应的车辆区域图像进行分类识别，得到每个车辆对应的车辆类型。

具体地，由于两轮车的种类包括多种，例如自行车、摩托车、电动自行车等，且两轮车所占区域通常较小，因此，在获取每个车辆对应的车辆区域图像后，采用预训练的分类模型对每个车辆区域图像进行识别，得到每个车辆区域图像的车辆类型。其中，分类模型可以采用任一种能够用于分类的深度学习模型，例如，AlexNet(一种卷积神经网络)、ResNet(Residual Network，深度残差网络)等；或者是基于现有模型进行改进的模型；或者是自行设计的模型。

步骤S323，若每个车辆对应的车辆类型中存在两轮车，则定位每个车辆区域图像中的车牌区域，得到多个车牌区域图像。

具体地，终端在获取每个车辆对应的车辆类型中存在两轮车后，将所得到的每个车辆区域图像输入至第二目标检测模型。第二目标检测模型可以是任一种能够用于目标检测的深度学习模型，例如RefineDet、Faster R-CNN、SSD和YOLO等；或者是基于现有模型进行改进的模型；或者是自行设计的模型。第二目标检测模型检测每个车辆区域图像中是否存在车牌区域。若检测车辆区域图像中存在车牌区域，可以通过裁剪等方式将车辆区域图像中的车牌区域提取出来并保存，得到对应的车牌区域图像。

步骤S324，对多个车牌区域图像中每个车牌区域图像进行文本识别，得到多个车牌信息。

具体地，对每个车牌区域图像进行文本识别可以基于预训练的文本识别模型。文本识别模型可以采用任一种能够用于文本识别的深度学习模型，例如CNN(ConvolutionalNeural Networks，卷积神经网络)、LSTM(Long Short-Term Memory，长短期记忆人工神经网络)等；或者是基于现有模型进行改进的模型；或者是自行设计的模型。终端将得到的每个车牌区域图像输入至文本识别模型。通过文本识别模型识别每个车牌区域图像，得到每个车牌区图像对应的车牌信息。

步骤S325，若多个车牌信息中存在与标准车牌信息相同的车牌信息，则对待检测图像进行目标检测，确定待检测图像中存在关联对象。

其中，标准车牌信息可以是指初次审核为违法车辆的车牌信息。智能交通系统在判断当前场景下车辆的车辆类型不符合要求时，获取车辆违法图像。识别车辆违法图像得到违法车辆的标准车牌信息。智能交通系统建立车辆违法图像与标准车牌信息的对应关系。在对车辆违法图像进行二次审核时，获取对应的标准车牌信息。

具体地，终端将文本识别模型输出的每个车牌信息与标准车牌信息进行比较。若存在车牌信息与标准车牌信息相同，则表示待检测图像中存在需要二次审核是否违法的目标车辆。进而继续对待检测图像进行检测，判断待检测图像中是否存在关联对象。进一步地，若终端判断文本识别模型输出的所有车牌信息均与标准车牌信息不同，那么表示待检测图像中不存在需要二次审核是否违法的目标车辆，则生成车辆合法的检测结果。

本实施例中，通过根据所有车牌信息与标准车牌信息的比较结果判断待检测图像中是否存在目标车辆。在不存在目标车辆的情况下，生成目标车辆合法的检测结果并直接结束二次审核流程，从而可以提高二次审核的效率。

在一个实施例中，关联对象为牵引装置。如图5所示，步骤S330，若确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车，则根据关联对象，从多个车辆中定位到与关联对象关联的两个车辆，可以通过以下步骤实现：

步骤S331，获取与标准车牌信息对应的目标车辆的位置信息，以及牵引装置的位置信息。

步骤S332，根据目标车辆的位置信息以及牵引装置的位置信息，得到目标车辆和牵引装置的第一距离。

步骤S333，若第一距离小于第一阈值，则将目标车辆作为牵引车辆。

其中，目标车辆是指待进行二次审核是否违法的车辆，目标车辆可以是机动车，例如汽车、摩托车。具体地，终端获取深度学习模型输出的目标车辆的位置信息，以及牵引装置的位置信息。其中，目标车辆的位置信息可以是目标车辆所在的矩形区域的位置信息；牵引装置的位置信息可以是牵引装置所在的矩形区域的位置信息。终端从目标车辆和牵引装置的位置信息中获取预设点的位置信息。预设点可以是矩形区域的预设端点或者中心点。根据目标车辆的预设点的位置信息和牵引装置的预设点的位置信息，计算得到目标车辆和牵引装置的第一距离。将所获取的第一距离与第一阈值进行比较。若第一距离小于第一阈值，那么表示目标车辆为与牵引装置关联的车辆，可以将目标车辆作为牵引车辆。

步骤S334，根据多个车辆中除目标车辆外的其他车辆的位置信息以及牵引装置的位置信息，得到其他车辆和牵引装置的第二距离。

步骤S335，获取小于第二阈值的第二距离，将小于第二阈值的第二距离所对应的车辆作为被牵引车辆。

具体地，由于待检测图像中存在多个车辆，终端在确定目标车辆与牵引装置关联后，继续计算多个车辆中除目标车辆外的每个其他车辆与牵引装置的第二距离。计算第二距离的方式可以参照第一距离的计算过程，在此不做具体阐述。终端将所获取的每个第二距离与第二阈值进行比较。若存在第二距离小于第二阈值，那么表示该小于第二阈值的第二距离所对应的车辆为与牵引装置关联的另一个车辆，可以将该车辆作为被牵引车辆。其中，第一阈值和第二阈值可以是相同的数值。

本实施例中，通过根据车辆和牵引装置的距离确定车辆是否是与牵引装置关联的车辆，可以精确地获取牵引车辆和被牵引车辆的定位结果，从而提高车辆检测的准确度。

本实施例中，通过根据车辆和牵引装置的距离确定车辆是否是与牵引装置关联的车辆，可以精确地获取牵引车辆和被牵引车辆的定位结果，从而提高车辆检测的准确度。

在一个实施例中，牵引装置为牵引绳；牵引装置的位置信息包括牵引绳的两个端点的位置信息；步骤S332，根据目标车辆的位置信息以及牵引装置的位置信息，得到目标车辆和牵引装置的第一距离，包括：根据目标车辆的位置信息以及牵引绳的两个端点的位置信息，得到目标车辆和牵引绳的两个端点的第一距离。步骤S333，若第一距离小于第一阈值，则将目标车辆作为牵引车辆，包括：若目标车辆与牵引绳的其中一个端点的第一距离小于第一阈值，则将目标车辆作为牵引车辆。

具体地，在牵引装置为牵引绳时，深度学习模型输出的结果中可以包含牵引绳的两个端点的位置信息。终端根据牵引绳的两个端点的位置信息和目标车辆的位置信息，分别计算得到目标车辆与两个端点的第一距离。进而将每个第一距离与第一阈值进行比较。若目标车辆与其中一个端点的第一距离小于第一阈值，则将目标车辆作为牵引车辆。进一步地，若目标车辆与两个端点的第一距离都小于第一阈值，或者与两个端点的第一距离都大于等于第一阈值，则表示目标车辆并未牵引其他车辆，可以生成车辆合法的检测结果。

本实施例中，在牵引装置为牵引绳时，通过计算牵引绳的两个端点分别与目标车辆的距离，可以精确地判断目标车辆是否为牵引车辆，从而可以提高车辆检测的准确度。

在一个实施例中，步骤S334，根据多个车辆中除目标车辆外的其他车辆的位置信息以及牵引装置的位置信息，得到其他车辆和牵引装置的第二距离，包括：根据其他车辆的位置信息以及牵引绳的另一个端点的位置信息，得到其他车辆和牵引绳的另一个端点的第二距离。

具体地，在牵引装置为牵引绳，且已获取目标车辆和牵引绳的其中一个端点的第一距离小于第一阈值时，终端获取另一个端点的位置信息。另一个端点是指与目标车辆的距离大于或等于第一阈值的端点。分别计算另一个端点和每个其他车辆的第二距离。进而将所得到的第二距离与第二阈值进行比较。若存在第二距离小于第二阈值，则将该第二距离所对应的车辆作为被牵引车辆；若不存在第二距离小于第二阈值，那么表示其他车辆中不存在被目标车辆牵引的车辆，可以生成车辆合法的检测结果。

本实施例中，在牵引装置为牵引绳时，通过计算牵引绳的端点与每个其他车辆的距离，可以精确地从其他车辆中筛选出被牵引车辆，从而可以提高车辆检测的准确度。

在一个实施例中，步骤S310，获取待检测图像，包括：获取原始图像，原始图像是对针对多张违法图像进行拼接得到的合成图像，多张违法图像是针对同一违法事件进行拍摄得到的；识别原始图像中的边界区域；根据边界区域对原始图像进行剪切，得到多张待检测图像。

具体地，针对同一违法事件，智能交通系统通常会采集多张车辆违法图像。若根据多张违法图像初次审核目标车辆违法，智能交通系统可以将所拍摄的多张车辆违法图像进行拼接，得到合成图像。在对车辆的违法情况进行二次审核时，终端若检测获取的图像为合成图像，可以采用矩形框滑动遍历合成图像，获取ROI(region of interest，感兴趣区域)图像。将ROI图像输入至预训练的分类模型，通过分类模型预测ROI图像是否为边界区域。其中，分类模型可以是二分类模型。在得到合成图像的边界区域后，终端根据所得到的边界区域对合成图像进行剪切，得到多张待检测图像。进而采用上述任一项实施例所述的车辆检测方法对每张待检测图像进行检测。若存在任一张待检测图像的检测结果为车辆违法，则可以生成车辆违法的检测结果。

本实施例中，通过基于深度学习理论得到合成图像的边界区域，并基于边界区域剪切得到多张待检测图像，可以提高车辆检测的自动化程度，从而提高车辆检测的效率。

在一个实施例中，如图6所示，提供了一种车辆检测方法，在本实施例中，关联对象为牵引绳；两轮车为摩托车。以该方法应用于终端为例进行说明，包括以下步骤：

步骤S601，获取原始图像，原始图像是对针对多张车辆违法图像进行拼接得到的合成图像，多张车辆违法图像是针对同一违法事件进行拍摄得到的。

步骤S602，采用预训练的第一分类模型识别得到原始图像中的边界区域。

具体地，采用矩形框滑动遍历原始图像获取ROI图像。将ROI图像输入至预训练的第一分类模型，通过第一分类模型预测ROI图像是否为边界区域。第一分类模型可以是二分类模型。

步骤S603，根据边界区域对原始图像进行剪切，得到多张待检测图像。

步骤S604，对于每张待检测图像，采用第一目标检测模型对待检测图像进行检测，判断待检测图像中是否存在多个车辆。若存在多个车辆，则获取每个车辆的车辆区域图像，并继续执行步骤S605；若存在至多一个车辆，则执行步骤S616，生成车辆合法的检测结果。其中，第一目标检测模型可以采用YOLO V4(YOLO第4版)。YOLO V4的基础网络采用GhostNet(一种轻量级神经网络)，从而可以加快第一目标检测模型的检测速度。

步骤S605，通过第二分类模型对每个车辆对应的车辆区域图像进行分类识别，得到每个车辆对应的车辆类型。若每个车辆对应的车辆类型中存在摩托车，则继续执行步骤S606；若每个车辆对应的车辆类型中不存在摩托车，则执行步骤S616，生成车辆合法的检测结果。

步骤S606，通过第二目标检测模型定位每个车辆区域图像中的车牌区域。

其中，第二目标检测模型可以采用SSD。SSD的基础网络采用ShuffleNet_V2(一种轻量级神经网络，第2版)，从而可以加快第二目标检测模型的检测速度。

步骤S607，通过文本识别模型对多个车牌区域图像中每个车牌区域图像进行文本识别，得到多个车牌信息。其中，文本识别模型可以采用LSTM模型。

步骤S608，若多个车牌信息中存在与标准车牌信息相同的车牌信息，则将与标准车牌信息对应的车辆作为目标车辆，并继续执行步骤S609；否则执行步骤S616，生成车辆合法的检测结果。

步骤S609，对待检测图像进行目标检测，确定待检测图像中是否存在牵引绳。若存在，则继续执行步骤S610；否则执行步骤S616，生成车辆合法的检测结果。其中，步骤S609中，对待检测图像进行目标检测可以采用第一目标检测模型或者第二目标检测模型，也可以采用单独训练的目标检测模型。

步骤S610，根据目标车辆的位置信息以及牵引绳的两个端点的位置信息，得到目标车辆和牵引绳的两个端点的第一距离。

步骤S611，若目标车辆和牵引绳的其中一个端点的第一距离小于第一阈值，则将目标车辆作为牵引车辆，并继续执行步骤S612；否则执行步骤S616，生成车辆合法的检测结果。

步骤S612，根据其他车辆的位置信息以及牵引绳的另一个端点的位置信息，得到其他车辆和牵引绳的另一个端点的第二距离。

步骤S613，若存在第二距离小于第二阈值，则将小于第二阈值的第二距离所对应的车辆作为被牵引车辆，并继续执行步骤S614；否则执行步骤S616，生成车辆合法的检测结果。

步骤S614，获取牵引车辆和被牵引车辆的车辆类型。若牵引车辆和被牵引车辆中的至少一个为摩托车，则继续执行步骤S615，生成车辆违法的检测结果；否则执行步骤S616，生成车辆合法的检测结果。

步骤S615，生成车辆违法的检测结果。

步骤S616，生成车辆合法的检测结果。

应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种车辆检测装置700，包括：获取模块701、检测模块702、关联车辆定位模块703和车辆识别模块704，其中：

获取模块701，用于获取待检测图像；检测模块702，用于对待检测图像进行检测，确定待检测图像中是否存在多个车辆和关联对象，且多个车辆中存在两轮车；关联车辆定位模块703，用于在确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车时，根据关联对象，从多个车辆中定位到与关联对象关联的两个车辆；车辆识别模块704，用于在确定与关联对象关联的两个车辆中存在两轮车，则生成车辆违法的检测结果。

在一个实施例中，检测模块702，包括：第一目标检测单元，用于对待检测图像进行目标检测，若得到待检测图像中存在多个车辆，则获取每个车辆对应的车辆区域图像；分类单元，用于对每个车辆对应的车辆区域图像进行分类识别，得到每个车辆对应的车辆类型；车牌区域检测单元，用于在每个车辆对应的车辆类型中存在两轮车时，定位每个车辆区域图像中的车牌区域，得到多个车牌区域图像；文本识别单元，用于对多个车牌区域图像中每个车牌区域图像进行文本识别，得到多个车牌信息；第二目标检测单元，用于在多个车牌信息中存在与标准车牌信息相同的车牌信息时，对待检测图像进行目标检测，确定待检测图像中存在关联对象。

在一个实施例中，关联对象为牵引装置；关联车辆定位模块703，包括：第一获取单元，用于获取与标准车牌信息对应的目标车辆的位置信息，以及牵引装置的位置信息；第一距离生成单元，用于根据目标车辆的位置信息以及牵引装置的位置信息，得到目标车辆和牵引装置的第一距离；第一比较单元，用于将第一距离与第一阈值进行比较，若第一距离小于第一阈值，则将目标车辆作为牵引车辆；第二距离生成单元，用于根据多个车辆中除目标车辆外的其他车辆的位置信息以及牵引装置的位置信息，得到其他车辆和牵引装置的第二距离；第二比较单元，用于将第二距离与第二阈值进行比较，获取小于第二阈值的第二距离，将小于第二阈值的第二距离所对应的车辆作为被牵引车辆。

在一个实施例中，牵引装置为牵引绳；牵引装置的位置信息包括牵引绳的两个端点的位置信息；第一距离生成单元，用于根据目标车辆的位置信息以及牵引绳的两个端点的位置信息，得到目标车辆和牵引绳的两个端点的第一距离；第一比较单元，用于将目标车辆与牵引绳的其中一个端点的第一距离与第一阈值进行比较，若目标车辆与牵引绳的其中一个端点的第一距离小于第一阈值，则将目标车辆作为牵引车辆。

在一个实施例中，第二距离生成单元，用于根据其他车辆的位置信息以及牵引绳的另一个端点的位置信息，得到其他车辆和牵引绳的另一个端点的第二距离。

在一个实施例中，获取模块701，包括：第二获取单元，用于获取原始图像，原始图像是对针对多张违法图像进行拼接得到的合成图像，多张违法图像是针对同一违法事件进行拍摄得到的；边界识别单元，用于识别原始图像中的边界区域；剪切单元，用于根据边界区域对原始图像进行剪切，得到多张待检测图像。

在一个实施例中，当出现以下情况中的任一种时，生成车辆合法的检测结果：待检测图像中存在至多一个车辆；待检测图像中存在多个车辆，且多个车辆中不存在两轮车；待检测图像中不存在关联对象；确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车，但多个车辆中存在至多一个车辆与关联对象关联；确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车以及存在两个车辆与关联对象关联，但两个车辆中不存在两轮车。

关于车辆检测装置的具体限定可以参见上文中对于车辆检测方法的限定，在此不再赘述。上述车辆检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车辆检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待检测图像；对待检测图像进行检测，若确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车，则根据关联对象，从多个车辆中定位到与关联对象关联的两个车辆；若与关联对象关联的两个车辆中存在两轮车，则生成车辆违法的检测结果。

在一个实施例中，处理器执行计算机程序时实现以下步骤：

对待检测图像进行目标检测，若得到待检测图像中存在多个车辆，则获取每个车辆对应的车辆区域图像；对每个车辆对应的车辆区域图像进行分类识别，得到每个车辆对应的车辆类型；若每个车辆对应的车辆类型中存在两轮车，则定位每个车辆区域图像中的车牌区域，得到多个车牌区域图像；对多个车牌区域图像中每个车牌区域图像进行文本识别，得到多个车牌信息；若多个车牌信息中存在与标准车牌信息相同的车牌信息，则对待检测图像进行目标检测，确定待检测图像中存在关联对象。

在一个实施例中，关联对象为牵引装置；处理器执行计算机程序时实现以下步骤：

获取与标准车牌信息对应的目标车辆的位置信息，以及牵引装置的位置信息；根据目标车辆的位置信息以及牵引装置的位置信息，得到目标车辆和牵引装置的第一距离；若第一距离小于第一阈值，则将目标车辆作为牵引车辆；根据多个车辆中除目标车辆外的其他车辆的位置信息以及牵引装置的位置信息，得到其他车辆和牵引装置的第二距离；获取小于第二阈值的第二距离，将小于第二阈值的第二距离所对应的车辆作为被牵引车辆。

在一个实施例中，牵引装置的位置信息包括牵引绳的两个端点的位置信息；处理器执行计算机程序时实现以下步骤：

根据目标车辆的位置信息以及牵引绳的两个端点的位置信息，得到目标车辆和牵引绳的两个端点的第一距离；若目标车辆与牵引绳的其中一个端点的第一距离小于第一阈值，则将目标车辆作为牵引车辆。

在一个实施例中，处理器执行计算机程序时实现以下步骤：

根据其他车辆的位置信息以及牵引绳的另一个端点的位置信息，得到其他车辆和牵引绳的另一个端点的第二距离。

在一个实施例中，处理器执行计算机程序时实现以下步骤：

获取原始图像，原始图像是对针对多张违法图像进行拼接得到的合成图像，多张违法图像是针对同一违法事件进行拍摄得到的；识别原始图像中的边界区域；根据边界区域对原始图像进行剪切，得到多张待检测图像。

在一个实施例中，处理器执行计算机程序时实现以下步骤：

当出现以下情况中的任一种时，生成车辆合法的检测结果：待检测图像中存在至多一个车辆；待检测图像中存在多个车辆，且多个车辆中不存在两轮车；待检测图像中不存在关联对象；确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车，但多个车辆中存在至多一个车辆与关联对象关联；确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车以及存在两个车辆与关联对象关联，但两个车辆中不存在两轮车。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待检测图像；对待检测图像进行检测，若确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车，则根据关联对象，从多个车辆中定位到与关联对象关联的两个车辆；若与关联对象关联的两个车辆中存在两轮车，则生成车辆违法的检测结果。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：

对待检测图像进行目标检测，若得到待检测图像中存在多个车辆，则获取每个车辆对应的车辆区域图像；对每个车辆对应的车辆区域图像进行分类识别，得到每个车辆对应的车辆类型；若每个车辆对应的车辆类型中存在两轮车，则定位每个车辆区域图像中的车牌区域，得到多个车牌区域图像；对多个车牌区域图像中每个车牌区域图像进行文本识别，得到多个车牌信息；若多个车牌信息中存在与标准车牌信息相同的车牌信息，则对待检测图像进行目标检测，确定待检测图像中存在关联对象。

在一个实施例中，关联对象为牵引装置；计算机程序被处理器执行时实现以下步骤：

获取与标准车牌信息对应的目标车辆的位置信息，以及牵引装置的位置信息；根据目标车辆的位置信息以及牵引装置的位置信息，得到目标车辆和牵引装置的第一距离；若第一距离小于第一阈值，则将目标车辆作为牵引车辆；根据多个车辆中除目标车辆外的其他车辆的位置信息以及牵引装置的位置信息，得到其他车辆和牵引装置的第二距离；获取小于第二阈值的第二距离，将小于第二阈值的第二距离所对应的车辆作为被牵引车辆。

在一个实施例中，牵引装置的位置信息包括牵引绳的两个端点的位置信息；计算机程序被处理器执行时实现以下步骤：

根据目标车辆的位置信息以及牵引绳的两个端点的位置信息，得到目标车辆和牵引绳的两个端点的第一距离；若目标车辆与牵引绳的其中一个端点的第一距离小于第一阈值，则将目标车辆作为牵引车辆。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：

根据其他车辆的位置信息以及牵引绳的另一个端点的位置信息，得到其他车辆和牵引绳的另一个端点的第二距离。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：

获取原始图像，原始图像是对针对多张违法图像进行拼接得到的合成图像，多张违法图像是针对同一违法事件进行拍摄得到的；识别原始图像中的边界区域；根据边界区域对原始图像进行剪切，得到多张待检测图像。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：

当出现以下情况中的任一种时，生成车辆合法的检测结果：待检测图像中存在至多一个车辆；待检测图像中存在多个车辆，且多个车辆中不存在两轮车；待检测图像中不存在关联对象；确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车，但多个车辆中存在至多一个车辆与关联对象关联；确定待检测图像中存在多个车辆和关联对象，且多个车辆中存在两轮车以及存在两个车辆与关联对象关联，但两个车辆中不存在两轮车。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种车辆检测方法，其特征在于，所述方法包括：

获取待检测图像；

对所述待检测图像进行检测，若确定所述待检测图像中存在多个车辆和关联对象，且所述多个车辆中存在两轮车，则

根据所述关联对象，从所述多个车辆中定位到与所述关联对象关联的两个车辆；

若与所述关联对象关联的两个车辆中存在两轮车，则生成车辆违法的检测结果。

2.根据权利要求1所述的方法，其特征在于，所述对所述待检测图像进行检测，包括：

对所述待检测图像进行目标检测，若得到所述待检测图像中存在多个车辆，则获取每个车辆对应的车辆区域图像；

对所述每个车辆对应的车辆区域图像进行分类识别，得到所述每个车辆对应的车辆类型；

若所述每个车辆对应的车辆类型中存在两轮车，则定位每个车辆区域图像中的车牌区域，得到多个车牌区域图像；

对所述多个车牌区域图像中每个车牌区域图像进行文本识别，得到多个车牌信息；

若所述多个车牌信息中存在与标准车牌信息相同的车牌信息，则对所述待检测图像进行目标检测，确定所述待检测图像中存在所述关联对象。

3.根据权利要求2所述的方法，其特征在于，所述关联对象为牵引装置；所述根据所述关联对象，从所述多个车辆中定位到与所述关联对象关联的两个车辆，包括：

获取与所述标准车牌信息对应的目标车辆的位置信息，以及所述牵引装置的位置信息；

根据所述目标车辆的位置信息以及所述牵引装置的位置信息，得到所述目标车辆和所述牵引装置的第一距离；

若所述第一距离小于第一阈值，则将所述目标车辆作为牵引车辆；

根据所述多个车辆中除所述目标车辆外的其他车辆的位置信息以及所述牵引装置的位置信息，得到所述其他车辆和所述牵引装置的第二距离；

获取小于第二阈值的第二距离，将所述小于第二阈值的第二距离所对应的车辆作为被牵引车辆。

4.根据权利要求3所述的方法，其特征在于，所述牵引装置为牵引绳；所述牵引装置的位置信息包括所述牵引绳的两个端点的位置信息；

所述根据所述目标车辆的位置信息以及所述牵引装置的位置信息，得到所述目标车辆和所述牵引装置的第一距离，包括：

根据所述目标车辆的位置信息以及所述牵引绳的两个端点的位置信息，得到所述目标车辆和所述牵引绳的两个端点的第一距离；

所述若所述第一距离小于第一阈值，则将所述目标车辆作为牵引车辆，包括：

若所述目标车辆与所述牵引绳的其中一个端点的第一距离小于所述第一阈值，则将所述目标车辆作为所述牵引车辆。

5.根据权利要求4所述的方法，其特征在于，所述根据所述多个车辆中除所述目标车辆外的其他车辆的位置信息以及所述牵引装置的位置信息，得到所述其他车辆和所述牵引装置的第二距离，包括：

根据所述其他车辆的位置信息以及所述牵引绳的另一个端点的位置信息，得到所述其他车辆和所述牵引绳的另一个端点的第二距离。

6.根据权利要求1～5任一项所述的方法，其特征在于，所述获取待检测图像，包括：

获取原始图像，所述原始图像是对针对多张违法图像进行拼接得到的合成图像，所述多张违法图像是针对同一违法事件进行拍摄得到的；

识别所述原始图像中的边界区域；

根据所述边界区域对所述原始图像进行剪切，得到多张待检测图像。

7.根据权利要求1～5任一项所述的方法，其特征在于，所述方法还包括：

当出现以下情况中的任一种时，生成车辆合法的检测结果：

所述待检测图像中存在至多一个车辆；

所述待检测图像中存在所述多个车辆，且所述多个车辆中不存在两轮车；

所述待检测图像中不存在所述关联对象；

确定所述待检测图像中存在所述多个车辆和所述关联对象，且所述多个车辆中存在两轮车，但所述多个车辆中存在至多一个车辆与所述关联对象关联；

确定所述待检测图像中存在所述多个车辆和所述关联对象，且所述多个车辆中存在两轮车以及存在两个车辆与所述关联对象关联，但所述两个车辆中不存在两轮车。

8.一种车辆检测装置，其特征在于，所述装置包括：

获取模块，用于获取待检测图像；

检测模块，用于对所述待检测图像进行检测，确定所述待检测图像中是否存在多个车辆和关联对象，且所述多个车辆中存在两轮车；

关联车辆定位模块，用于在确定所述待检测图像中存在所述多个车辆和所述关联对象，且所述多个车辆中存在两轮车时，根据所述关联对象，从所述多个车辆中定位到与所述关联对象关联的两个车辆；

车辆识别模块，用于在确定与所述关联对象关联的两个车辆中存在两轮车，则生成车辆违法的检测结果。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

Images