CN113075212A - 一种车辆验证方法及装置 - Google Patents
一种车辆验证方法及装置 Download PDFInfo
- Publication number
- CN113075212A CN113075212A CN202110358068.7A CN202110358068A CN113075212A CN 113075212 A CN113075212 A CN 113075212A CN 202110358068 A CN202110358068 A CN 202110358068A CN 113075212 A CN113075212 A CN 113075212A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- verification
- verified
- door
- determining
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 391
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 12
- 238000011161 development Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/95—Pattern authentication; Markers therefor; Forgery detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本申请提供了一种车辆验证方法及装置,首先获取待验证车辆的验证视频;其中,所述验证视频中包括所述待验证车辆在执行验证动作指令时的视频片段;其次,确定所述验证视频的每一帧图像中,所述待验证车辆的状态信息;然后,根据所述状态信息,确定所述待验证车辆在所述验证视频中的验证动作;最后,基于所述验证动作与所述验证动作指令,确定所述待验证车辆的验证结果。与现有技术相比,本申请通过判断验证视频中车辆的验证动作与验证动作指令是否一致,确定车辆的验证结果,能够实现车辆验证的自动化,显著提高验证效率,使验证结果更加精确。
Description
技术领域
本申请涉及计算机技术领域,尤其是涉及一种车辆验证方法及装置。
背景技术
随着互联网的飞速发展,互联网所能够提供的服务也越来越多样化。在一些场景下,如注册、提交申请等场景,需要通过互联网对用户进行一些信息验证,比如身份信息验证、资产信息验证等,其中,就包括用户提交的车辆信息,服务器需要根据用户提交的车辆信息,验证车辆信息中的车辆是否是真实的车辆。
目前,通常采用人工验证的方式验证车辆的真实性,然而,这种方法极度依赖业务人员的业务能力,验证结果的准确度低,验证的效率低,因此,实现一种不依赖业务人员的自动化的,且能够有效验证车辆信息中的车辆是否是真实的车辆的方法,是一个亟待解决的问题。
发明内容
有鉴于此,本申请的目的在于提供一种车辆验证方法及装置,能够实现车辆验证的自动化,显著提高验证效率,使验证结果更加精确。
根据本申请的一个方面,提供一种电子设备,可以包括一个或多个存储介质、一个或多个与存储介质通信的处理器和总线。一个或多个存储介质存储有处理器可执行的机器可读指令。当电子设备运行时,处理器与存储介质之间通过总线通信,处理器执行所述机器可读指令,可以执行一个或多个以下操作:
获取待验证车辆的验证视频;其中,所述验证视频中包括所述待验证车辆在执行验证动作指令时的视频片段;
确定所述验证视频的每一帧图像中,所述待验证车辆的状态信息;
根据所述状态信息,确定所述待验证车辆在所述验证视频中的验证动作;
基于所述验证动作与所述验证动作指令,确定所述待验证车辆的验证结果。
在本申请的一些实施例中,所述验证动作指令包括至少一条车门控制指令。
在本申请的一些实施例中,处理器执行所述机器可读指令时,可以执行一个或多个以下操作:
利用训练好的目标提取模型,从所述验证视频的每一帧图像中,将所述待验证车辆所在区域对应的图像提取出来,得到所述待验证车辆的目标验证视频;
利用训练好的位置检测模型,确定所述目标验证视频的每一帧图像中,每个车门对应的预设关键点的位置;
根据所述预设关键点的位置,确定所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,得到所述待验证车辆的状态信息。
在本申请的一些实施例中,处理器执行所述机器可读指令时,可以执行一个或多个以下操作:
利用有限状态机及所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,确定所述待验证车辆在所述验证视频中的验证动作。
在本申请的一些实施例中,处理器执行所述机器可读指令时,可以执行一个或多个以下操作:
确定所述验证动作与所述验证动作指令中指示的目标验证动作是否一致;
若所述验证动作与所述目标验证动作一致,则确定所述待验证车辆通过验证。
在本申请的一些实施例中,处理器执行所述机器可读指令时,可以执行一个或多个以下操作:
将所述目标验证视频的每一帧图像输入至所述位置检测模型的第一级卷积神经网络模型中,确定所述目标验证视频的每一帧图像中,所述待验证车辆的每个车门对应的预设关键点所在的预设大小的图像区域;
将所述待验证车辆的每个车门对应的预设关键点所在的预设大小的图像区域输入至所述位置检测模型的第二级卷积神经网络模型中,确定所述待验证车辆的每个车门对应的预设关键点在预设坐标系下的位置坐标。
在本申请的一些实施例中,处理器执行所述机器可读指令时,可以执行一个或多个以下操作:
针对所述目标验证视频的每一帧图像中的每个车门,根据所述该车门对应的预设关键点在预设坐标系下的位置坐标,与该车门对应的预设基准点的坐标,确定该车门对应的预设关键点与该车门对应的预设基准点之间的距离;
根据所述该车门对应的预设关键点与该车门对应的预设基准点之间的距离,确定该车门在该帧图像中所处的状态。
根据本申请的一个方面,提供一种车辆验证方法,包括:
获取待验证车辆的验证视频;其中,所述验证视频中包括所述待验证车辆在执行验证动作指令时的视频片段;
确定所述验证视频的每一帧图像中,所述待验证车辆的状态信息;
根据所述状态信息,确定所述待验证车辆在所述验证视频中的验证动作;
基于所述验证动作与所述验证动作指令,确定所述待验证车辆的验证结果。
在本申请的一些实施例中,所述验证动作指令包括至少一条车门控制指令。
在本申请的一些实施例中,所述确定所述验证视频的每一帧图像中,所述待验证车辆的状态信息,包括:
利用训练好的目标提取模型,从所述验证视频的每一帧图像中,将所述待验证车辆所在区域对应的图像提取出来,得到所述待验证车辆的目标验证视频;
利用训练好的位置检测模型,确定所述目标验证视频的每一帧图像中,每个车门对应的预设关键点的位置;
根据所述预设关键点的位置,确定所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,得到所述待验证车辆的状态信息。
在本申请的一些实施例中,所述根据所述状态信息,确定所述待验证车辆在所述验证视频中的验证动作,包括:
利用有限状态机及所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,确定所述待验证车辆在所述验证视频中的验证动作。
在本申请的一些实施例中,所述基于所述验证动作与所述验证动作指令,确定所述待验证车辆的验证结果,包括:
确定所述验证动作与所述验证动作指令中指示的目标验证动作是否一致;
若所述验证动作与所述目标验证动作一致,则确定所述待验证车辆通过验证。
在本申请的一些实施例中,所述利用训练好的位置检测模型,确定所述目标验证视频的每一帧图像中,每个车门对应的预设关键点的位置,包括:
将所述目标验证视频的每一帧图像输入至所述位置检测模型的第一级卷积神经网络模型中,确定所述目标验证视频的每一帧图像中,所述待验证车辆的每个车门对应的预设关键点所在的预设大小的图像区域;
将所述待验证车辆的每个车门对应的预设关键点所在的预设大小的图像区域输入至所述位置检测模型的第二级卷积神经网络模型中,确定所述待验证车辆的每个车门对应的预设关键点在预设坐标系下的位置坐标。
在本申请的一些实施例中,所述根据所述预设关键点的位置,确定所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,得到所述待验证车辆的状态信息,包括:
针对所述目标验证视频的每一帧图像中的每个车门,根据所述该车门对应的预设关键点在预设坐标系下的位置坐标,与该车门对应的预设基准点的坐标,确定该车门对应的预设关键点与该车门对应的预设基准点之间的距离;
根据所述该车门对应的预设关键点与该车门对应的预设基准点之间的距离,确定该车门在该帧图像中所处的状态。
根据本申请的一个方面,提供一种车辆验证装置,包括:
获取模块,用于获取待验证车辆的验证视频;其中,所述验证视频中包括所述待验证车辆在执行验证动作指令时的视频片段;
第一确定模块,用于确定所述验证视频的每一帧图像中,所述待验证车辆的状态信息;
第二确定模块,用于根据所述状态信息,确定所述待验证车辆在所述验证视频中的验证动作;
验证模块,用于基于所述验证动作与所述验证动作指令,确定所述待验证车辆的验证结果。
在本申请的一些实施例中,所述验证动作指令包括至少一条车门控制指令。
在本申请的一些实施例中,所述第一确定模块包括:
第一确定单元,用于利用训练好的目标提取模型,从所述验证视频的每一帧图像中,将所述待验证车辆所在区域对应的图像提取出来,得到所述待验证车辆的目标验证视频;
第二确定单元,用于利用训练好的位置检测模型,确定所述目标验证视频的每一帧图像中,每个车门对应的预设关键点的位置;
第三确定单元,用于根据所述预设关键点的位置,确定所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,得到所述待验证车辆的状态信息。
在本申请的一些实施例中,所述第二确定模块具体用于:
利用有限状态机及所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,确定所述待验证车辆在所述验证视频中的验证动作。
在本申请的一些实施例中,所述验证模块具体用于:
确定所述验证动作与所述验证动作指令中指示的目标验证动作是否一致;
若所述验证动作与所述目标验证动作一致,则确定所述待验证车辆通过验证。
在本申请的一些实施例中,所述第二确定单元具体用于:
将所述目标验证视频的每一帧图像输入至所述位置检测模型的第一级卷积神经网络模型中,确定所述目标验证视频的每一帧图像中,所述待验证车辆的每个车门对应的预设关键点所在的预设大小的图像区域;
将所述待验证车辆的每个车门对应的预设关键点所在的预设大小的图像区域输入至所述位置检测模型的第二级卷积神经网络模型中,确定所述待验证车辆的每个车门对应的预设关键点在预设坐标系下的位置坐标。
在本申请的一些实施例中,所述第三确定单元具体用于:
针对所述目标验证视频的每一帧图像中的每个车门,根据所述该车门对应的预设关键点在预设坐标系下的位置坐标,与该车门对应的预设基准点的坐标,确定该车门对应的预设关键点与该车门对应的预设基准点之间的距离;
根据所述该车门对应的预设关键点与该车门对应的预设基准点之间的距离,确定该车门在该帧图像中所处的状态。
根据本申请的又一方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述的车辆验证方法的步骤。
本申请实施例提供的车辆验证方法及装置,首先获取待验证车辆的验证视频;其中,所述验证视频中包括所述待验证车辆在执行验证动作指令时的视频片段;其次,确定所述验证视频的每一帧图像中,所述待验证车辆的状态信息;然后,根据所述状态信息,确定所述待验证车辆在所述验证视频中的验证动作;最后,基于所述验证动作与所述验证动作指令,确定所述待验证车辆的验证结果。
与现有技术相比,本申请通过判断验证视频中车辆的验证动作与验证动作指令是否一致,确定车辆的验证结果,能够实现车辆验证的自动化,显著提高验证效率,使验证结果更加精确。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的一种车辆验证方法的流程图;
图2示出了本申请实施例所提供的一种车辆验证方法中,验证视频中一帧图像的示意图;
图3示出了本申请实施例所提供的一种车辆验证方法中,目标验证视频中一帧图像的示意图;
图4示出了本申请实施例所提供的一种车辆验证方法中,预设关键点与预设关键点所在的预设大小的图像区域的示意图;
图5示出了本申请实施例所提供的另一种车辆验证方法的流程图;
图6示出了本申请实施例所提供的一种车辆验证装置的结构示意图;
图7示出了本申请实施例所提供的另一种车辆验证装置的结构示意图;
图8示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
随着互联网的飞速发展,互联网所能够提供的服务也越来越多样化。在一些场景下,如注册、提交申请等场景,需要通过互联网对用户进行一些信息验证,比如身份信息验证、资产信息验证等,其中,就包括用户提交的车辆信息,服务器需要根据用户提交的车辆信息,验证车辆信息中的车辆是否是真实的车辆。
目前,通常采用人工验证的方式验证车辆的真实性,然而,这种方法极度依赖业务人员的业务能力,验证结果的准确度低,验证的效率低,因此,实现一种不依赖业务人员的自动化的,且能够有效验证车辆信息中的车辆是否是真实的车辆的方法,是一个亟待解决的问题。
基于此,本申请实施例提供了一种车辆验证方法,以实现车辆验证的自动化,显著提高验证效率,使验证结果更加精确。
请参阅图1,图1为本申请实施例所提供的一种车辆验证方法的流程图。如图1中所示,本申请实施例提供的车辆验证方法,可以由服务器执行,包括:
S101、获取待验证车辆的验证视频;其中,所述验证视频中包括所述待验证车辆在执行验证动作指令时的视频片段。
该步骤中,用户可以通过移动终端、平板电脑、计算机等智能终端,将验证视频上传至服务器,验证视频是一段关于用户所持有车辆的视频片段,服务器可以根据该验证视频,验证该验证视频中的车辆是否是真实的车辆,而非是在采集验证视频之前预先录制的其他车辆的视频,或是单纯的照片拼接而成的验证视频。
具体的,在采集验证视频时,服务器可以发送一段验证动作指令至用户所持有的客户端,用户在接收到验证动作指令后,可以使用待验证车辆进行验证动作指令指示的验证动作,并通过录像设备将该过程记录,作为验证视频,上传至服务器。
其中,验证动作指令可以包括一个验证动作,或多个验证动作的组合,验证动作可以是打开或关闭特定位置的车门、控制待验证车辆前进、后退、转弯、开启信号灯等验证动作。
S102、确定所述验证视频的每一帧图像中,所述待验证车辆的状态信息。
该步骤中,服务器可以识别待验证车辆在验证视频的每一帧图像中的状态,具体的,可以利用卷积神经网络模型等方式进行识别。
其中,待验证车辆的状态信息可以包括待验证车俩的朝向、车门开启状态、车轮转动方向、信号灯开启状态等。
S103、根据所述状态信息,确定所述待验证车辆在所述验证视频中的验证动作。
该步骤中,服务器在确定待验证车辆的状态信息后,可以根据待验证车辆在验证视频每一帧图像中所处的状态,确定待验证车辆在验证视频中的验证动作。
其中,验证动作可以是一个验证动作,或多个验证动作的组合。
比如,若验证视频中,连续三帧图像中,待验证车辆的状态信息分别是左前方车门关闭状态、左前方车门开启状态、左前方车门开启状态,则可以确定在上述三帧图像中,待验证车辆的验证动作为“开启左前方车门”。
S104、基于所述验证动作与所述验证动作指令,确定所述待验证车辆的验证结果。
该步骤中,在确定待验证车辆在验证视频中的验证动作后,可以将确定的验证动作与验证动作指令指示的验证动作进行对比,若两者的相似度高于预设阈值,或两者完全一致,则可以确定待验证车辆的验证结果为验证成功,反之则可以确定为验证失败。
具体的,若验证动作指令为“控制待验证车辆开启左前方车门,关闭左前方车门,打开左转弯指示灯”,而待验证车辆的验证动作为“开启左前方车门,开启右前方车门,关闭左前方车门,关闭右前方车门”,则可以确定待验证车辆的验证结果为验证失败。
这样,通过验证动作与所述验证动作指令确定待验证车辆的验证结果,能够有效避免用户上传不真实的车辆的验证视频,不需要业务人员进行人工验证,提升了验证的精度和效率。
在一种可能的实施方式中,所述验证动作指令包括至少一条车门控制指令。
具体的,在一般情况下,车辆通常拥有四个车门,分别是左前方车门、右前方车门、左后方车门及右后方车门,可以赋予每个车门一个唯一的编号,如字母、数字、特殊符号或多种字符的组合,并为车门对应的验证动作赋予编号,比如,可以用A、B、C、D分别表示左前方车门、右前方车门、左后方车门及右后方车门,用数字0表示开启车门再关闭车门,使用数字1表示开启车门,则验证动作指令可以为“A1B0D0C1”,其对应的验证动作即为“开启左前方车门,开启再关闭右前方车门,开启再关闭右后方车门,开启左后方车门”。
在向用户的客户端发送验证动作指令之前,可以从可能的多个验证动作指令中,抽取一条,作为发送给用户的验证动作指令。
在一种可能的实施方式中,所述确定所述验证视频的每一帧图像中,所述待验证车辆的状态信息,包括:
利用训练好的目标提取模型,从所述验证视频的每一帧图像中,将所述待验证车辆所在区域对应的图像提取出来,得到所述待验证车辆的目标验证视频;
利用训练好的位置检测模型,确定所述目标验证视频的每一帧图像中,每个车门对应的预设关键点的位置;
根据所述预设关键点的位置,确定所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,得到所述待验证车辆的状态信息。
请同时参阅图2及图3,图2为本申请实施例所提供的一种车辆验证方法中,验证视频中一帧图像的示意图;图3为本申请实施例所提供的一种车辆验证方法中,目标验证视频中一帧图像的示意图。如图2及图3所示,该步骤中,为了尽量去除无关因素,可以利用能够识别出图像中的待验证车辆的目标提取模型,将验证视频中除待验证车辆所在区域以外的画面去除,提取出验证车辆所在的区域的图像,再重新组成新的验证视频,也即目标验证视频。
在得到目标验证视频后,可以利用位置检测模型,识别出每个车门上的预设关键点,预设关键点可以位于车门上的一处,该预设关键点的位置在车门处于不同状态时有明显的不同,识别出预设关键点的位置后,即可根据预设关键点的位置判断其对应车门的状态。在得到每一帧图像中每个车门的状态后,即可确定待验证车辆整体的状态信息。
在一种可能的实施方式中,所述根据所述状态信息,确定所述待验证车辆在所述验证视频中的验证动作,包括:
利用有限状态机及所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,确定所述待验证车辆在所述验证视频中的验证动作。
具体的,每个车门在所述目标验证视频的每一帧图像中所处的状态可以包括开启状态和关闭状态,在该步骤中,可以利用有限状态机,根据每一帧图像中车门的状态,确定该车门在数帧图像内对应的验证动作,进而确定待验证车辆在验证视频中,按照时序进行的验证动作。
在一种可能的实施方式中,所述基于所述验证动作与所述验证动作指令,确定所述待验证车辆的验证结果,包括:
确定所述验证动作与所述验证动作指令中指示的目标验证动作是否一致;
若所述验证动作与所述目标验证动作一致,则确定所述待验证车辆通过验证。
在一种可能的实施方式中,所述利用训练好的位置检测模型,确定所述目标验证视频的每一帧图像中,每个车门对应的预设关键点的位置,包括:
将所述目标验证视频的每一帧图像输入至所述位置检测模型的第一级卷积神经网络模型中,确定所述目标验证视频的每一帧图像中,所述待验证车辆的每个车门对应的预设关键点所在的预设大小的图像区域;
将所述待验证车辆的每个车门对应的预设关键点所在的预设大小的图像区域输入至所述位置检测模型的第二级卷积神经网络模型中,确定所述待验证车辆的每个车门对应的预设关键点在预设坐标系下的位置坐标。
请参阅图4,图4为本申请实施例所提供的一种车辆验证方法中,预设关键点与预设关键点所在的预设大小的图像区域的示意图。如图4所示,图中的预设关键点41可以是车门的一角,其附近的方形区域为预设关键点所在的预设大小的图像区域42。
该步骤中,位置检测模型可以是二级联级卷积神经网络模型,其中,第一级卷积神经网络模型能够识别出目标验证视频每一帧图像中每个车门对应的预设关键点的粗略位置,并确定该车门属于待验证车辆的位置,由于第一级卷积神经网络模型得到的预设关键点的位置并不精确,需要将预设关键点周围的预设大小的图像区域截取出来,缩小第二级卷积神经网络的识别范围,并将该车门在待验证车辆的位置作为截取出来的图像区域的标签,最后利用该标签和第二级卷积神经网络模型,识别出预设关键点的在预设坐标系下的精确位置坐标。
其中,预设的坐标系可以为目标验证视频中该帧图像对应的图片坐标系。
在一种可能的实施方式中,所述根据所述预设关键点的位置,确定所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,得到所述待验证车辆的状态信息,包括:
针对所述目标验证视频的每一帧图像中的每个车门,根据所述该车门对应的预设关键点在预设坐标系下的位置坐标,与该车门对应的预设基准点的坐标,确定该车门对应的预设关键点与该车门对应的预设基准点之间的距离;
根据所述该车门对应的预设关键点与该车门对应的预设基准点之间的距离,确定该车门在该帧图像中所处的状态。
该步骤中,可以根据预设关键点在待验证车辆上的位置选取预设基准点,具体的,预设基准点可以设置为车门关闭时,预设基准点所在的位置,当车门关闭时,预设基准点与预设关键点重合。
请参阅图5,图5为本申请另一实施例提供的车辆验证方法的流程图。如图5中所示,本申请实施例提供的车辆验证方法,包括:
1)生成车门指令集合,即生成可能的验证动作指令。
2)生成车门动作指令,即从车门动作指令集合中,抽取至少一个验证动作指令。
3)将车门动作指令发送给车辆验证人员,使其按照指令操作车门并拍摄视频上传至服务器。
4)使用CNN目标检测模型识别视频中的车辆所在的区域,并生成目标验证视频。
5)利用关键点检测模型(即上述位置检测模型)确定待检测车辆在每一帧图像中每个车门上的预设关键点的位置,并根据预设关键点的位置确定其对应车门的状态。
6)通过有限状态机识别车门动作(即上述验证动作)。
7)验证车门动作与车门指令中指示的动作是否一致,一致则验证通过,确定待检测车辆为真实车辆,不一致则验证不通过,确定待检测车辆为非真实车辆。
本申请实施例提供的车辆验证方法,首先获取待验证车辆的验证视频;其中,所述验证视频中包括所述待验证车辆在执行验证动作指令时的视频片段;其次,确定所述验证视频的每一帧图像中,所述待验证车辆的状态信息;然后,根据所述状态信息,确定所述待验证车辆在所述验证视频中的验证动作;最后,基于所述验证动作与所述验证动作指令,确定所述待验证车辆的验证结果。
与现有技术相比,本申请通过判断验证视频中车辆的验证动作与验证动作指令是否一致,确定车辆的验证结果,能够实现车辆验证的自动化,显著提高验证效率,使验证结果更加精确。
请参阅图6、图7,图6为本申请实施例所提供的一种车辆验证装置的结构示意图,图7为本申请实施例所提供的另一种车辆验证装置的结构示意图。如图6中所示,所述车辆验证装置600包括:
获取模块610,用于获取待验证车辆的验证视频;其中,所述验证视频中包括所述待验证车辆在执行验证动作指令时的视频片段;
第一确定模块620,用于确定所述验证视频的每一帧图像中,所述待验证车辆的状态信息;
第二确定模块630,用于根据所述状态信息,确定所述待验证车辆在所述验证视频中的验证动作;
验证模块640,用于基于所述验证动作与所述验证动作指令,确定所述待验证车辆的验证结果。
在本申请的一些实施例中,所述验证动作指令包括至少一条车门控制指令。
如图7所示,在本申请的一些实施例中,所述车辆验证装置700包括:获取模块710、第一确定模块720、第二确定模块730、验证模块740,所述第一确定模块720包括:
第一确定单元721,用于利用训练好的目标提取模型,从所述验证视频的每一帧图像中,将所述待验证车辆所在区域对应的图像提取出来,得到所述待验证车辆的目标验证视频;
第二确定单元722,用于利用训练好的位置检测模型,确定所述目标验证视频的每一帧图像中,每个车门对应的预设关键点的位置;
第三确定单元723,用于根据所述预设关键点的位置,确定所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,得到所述待验证车辆的状态信息。
在本申请的一些实施例中,所述第二确定模块730具体用于:
利用有限状态机及所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,确定所述待验证车辆在所述验证视频中的验证动作。
在本申请的一些实施例中,所述验证模块740具体用于:
确定所述验证动作与所述验证动作指令中指示的目标验证动作是否一致;
若所述验证动作与所述目标验证动作一致,则确定所述待验证车辆通过验证。
在本申请的一些实施例中,所述第二确定单元722具体用于:
将所述目标验证视频的每一帧图像输入至所述位置检测模型的第一级卷积神经网络模型中,确定所述目标验证视频的每一帧图像中,所述待验证车辆的每个车门对应的预设关键点所在的预设大小的图像区域;
将所述待验证车辆的每个车门对应的预设关键点所在的预设大小的图像区域输入至所述位置检测模型的第二级卷积神经网络模型中,确定所述待验证车辆的每个车门对应的预设关键点在预设坐标系下的位置坐标。
在本申请的一些实施例中,所述第三确定单元723具体用于:
针对所述目标验证视频的每一帧图像中的每个车门,根据所述该车门对应的预设关键点在预设坐标系下的位置坐标,与该车门对应的预设基准点的坐标,确定该车门对应的预设关键点与该车门对应的预设基准点之间的距离;
根据所述该车门对应的预设关键点与该车门对应的预设基准点之间的距离,确定该车门在该帧图像中所处的状态。
本申请实施例提供的车辆验证装置,首先获取待验证车辆的验证视频;其中,所述验证视频中包括所述待验证车辆在执行验证动作指令时的视频片段;其次,确定所述验证视频的每一帧图像中,所述待验证车辆的状态信息;然后,根据所述状态信息,确定所述待验证车辆在所述验证视频中的验证动作;最后,基于所述验证动作与所述验证动作指令,确定所述待验证车辆的验证结果。
与现有技术相比,本申请通过判断验证视频中车辆的验证动作与验证动作指令是否一致,确定车辆的验证结果,能够实现车辆验证的自动化,显著提高验证效率,使验证结果更加精确。
请参阅图8,图8为本申请实施例所提供的一种电子设备的结构示意图。如图8中所示,所述电子设备800包括处理器810、存储器820和总线830。
所述存储器820存储有所述处理器810可执行的机器可读指令,当电子设备800运行时,所述处理器810与所述存储器820之间通过总线830通信,所述机器可读指令被所述处理器810执行时,可以执行一个或多个以下操作:
获取待验证车辆的验证视频;其中,所述验证视频中包括所述待验证车辆在执行验证动作指令时的视频片段;
确定所述验证视频的每一帧图像中,所述待验证车辆的状态信息;
根据所述状态信息,确定所述待验证车辆在所述验证视频中的验证动作;
基于所述验证动作与所述验证动作指令,确定所述待验证车辆的验证结果。
在本申请的一些实施例中,所述验证动作指令包括至少一条车门控制指令。
在本申请的一些实施例中,处理器810执行所述机器可读指令时,可以执行一个或多个以下操作:
利用训练好的目标提取模型,从所述验证视频的每一帧图像中,将所述待验证车辆所在区域对应的图像提取出来,得到所述待验证车辆的目标验证视频;
利用训练好的位置检测模型,确定所述目标验证视频的每一帧图像中,每个车门对应的预设关键点的位置;
根据所述预设关键点的位置,确定所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,得到所述待验证车辆的状态信息。
在本申请的一些实施例中,处理器810执行所述机器可读指令时,可以执行一个或多个以下操作:
利用有限状态机及所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,确定所述待验证车辆在所述验证视频中的验证动作。
在本申请的一些实施例中,处理器810执行所述机器可读指令时,可以执行一个或多个以下操作:
确定所述验证动作与所述验证动作指令中指示的目标验证动作是否一致;
若所述验证动作与所述目标验证动作一致,则确定所述待验证车辆通过验证。
在本申请的一些实施例中,处理器810执行所述机器可读指令时,可以执行一个或多个以下操作:
将所述目标验证视频的每一帧图像输入至所述位置检测模型的第一级卷积神经网络模型中,确定所述目标验证视频的每一帧图像中,所述待验证车辆的每个车门对应的预设关键点所在的预设大小的图像区域;
将所述待验证车辆的每个车门对应的预设关键点所在的预设大小的图像区域输入至所述位置检测模型的第二级卷积神经网络模型中,确定所述待验证车辆的每个车门对应的预设关键点在预设坐标系下的位置坐标。
在本申请的一些实施例中,处理器810执行所述机器可读指令时,可以执行一个或多个以下操作:
针对所述目标验证视频的每一帧图像中的每个车门,根据所述该车门对应的预设关键点在预设坐标系下的位置坐标,与该车门对应的预设基准点的坐标,确定该车门对应的预设关键点与该车门对应的预设基准点之间的距离;
根据所述该车门对应的预设关键点与该车门对应的预设基准点之间的距离,确定该车门在该帧图像中所处的状态。
相应的,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被所述处理器运行时执行上述的车辆验证方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述的车辆验证方法,从而实现车辆验证的自动化,提高验证效率与验证精度。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置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,又例如,多个模块或组件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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请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)执行本申请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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种车辆验证方法,其特征在于,所述方法包括:
向用户所持有的客户端发送用于指示所述用户使用待验证车辆进行验证动作的至少一条车门动作指令;
获取所述用户通过所述客户端上传的所述待验证车辆的验证视频,其中,所述验证视频中包括所述用户按照所述车门动作指令操作车门时的视频片段;
确定所述待验证车辆在所述验证视频中的车门动作;
基于所述车门动作指令与所述车门动作,确定所述待验证车辆的验证结果。
2.根据权利要求1所述的方法,其特征在于,所述确定所述待验证车辆在所述验证视频中的车门动作,包括:
确定所述验证视频的每一帧图像中,所述待验证车辆的每个车门所处的状态信息;
根据所述状态信息,确定所述待验证车辆在所述验证视频中的车门动作。
3.根据权利要求2所述的方法,其特征在于,所述确定所述验证视频的每一帧图像中,所述待验证车辆的每个车门所处的状态信息,包括:
利用训练好的目标提取模型,从所述验证视频的每一帧图像中,将所述待验证车辆所在区域对应的图像提取出来,得到所述待验证车辆的目标验证视频;
利用训练好的位置检测模型,确定所述目标验证视频的每一帧图像中,每个车门对应的预设关键点的位置;
根据所述预设关键点的位置,确定所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,得到所述待验证车辆的每个车门所处的状态信息。
4.根据权利要求3所述的方法,其特征在于,所述根据所述状态信息,确定所述待验证车辆在所述验证视频中的车门动作,包括:
利用有限状态机及所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,确定所述待验证车辆在所述验证视频中的车门动作。
5.根据权利要求1所述的方法,其特征在于,所述基于所述车门动作指令与所述车门动作,确定所述待验证车辆的验证结果,包括:
确定所述车门动作与所述车门动作指令中指示的车门验证动作是否一致;
若所述车门动作与所述车门验证动作一致,则确定所述待验证车辆通过验证。
6.根据权利要求3所述的方法,其特征在于,所述利用训练好的位置检测模型,确定所述目标验证视频的每一帧图像中,每个车门对应的预设关键点的位置,包括:
将所述目标验证视频的每一帧图像输入至所述位置检测模型的第一级卷积神经网络模型中,确定所述目标验证视频的每一帧图像中,所述待验证车辆的每个车门对应的预设关键点所在的预设大小的图像区域;
将所述待验证车辆的每个车门对应的预设关键点所在的预设大小的图像区域输入至所述位置检测模型的第二级卷积神经网络模型中,确定所述待验证车辆的每个车门对应的预设关键点在预设坐标系下的位置坐标。
7.根据权利要求6所述的方法,其特征在于,所述根据所述预设关键点的位置,确定所述待验证车辆的每个车门在所述目标验证视频的每一帧图像中所处的状态,得到所述待验证车辆的状态信息,包括:
针对所述目标验证视频的每一帧图像中的每个车门,根据所述该车门对应的预设关键点在预设坐标系下的位置坐标,与该车门对应的预设基准点的坐标,确定该车门对应的预设关键点与该车门对应的预设基准点之间的距离;
根据所述该车门对应的预设关键点与该车门对应的预设基准点之间的距离,确定该车门在该帧图像中所处的状态。
8.一种车辆验证装置,其特征在于,所述装置包括:
发送单元,用于向用户所持有的客户端发送用于指示所述用户使用待验证车辆进行验证动作的至少一条车门动作指令;
获取单元,用于获取所述用户通过所述客户端上传的所述待验证车辆的验证视频,其中,所述验证视频中包括所述用户按照所述车门动作指令操作车门时的视频片段;
确定单元,用于确定所述待验证车辆在所述验证视频中的车门动作;
验证单元,用于基于所述车门动作指令与所述车门动作,确定所述待验证车辆的验证结果。
9.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至7任一所述的车辆验证方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7任一所述的车辆验证方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110358068.7A CN113075212A (zh) | 2019-12-24 | 2019-12-24 | 一种车辆验证方法及装置 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911349534.4A CN111060507B (zh) | 2019-12-24 | 2019-12-24 | 一种车辆验证方法及装置 |
CN202110358068.7A CN113075212A (zh) | 2019-12-24 | 2019-12-24 | 一种车辆验证方法及装置 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911349534.4A Division CN111060507B (zh) | 2019-12-24 | 2019-12-24 | 一种车辆验证方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113075212A true CN113075212A (zh) | 2021-07-06 |
Family
ID=70303205
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911349534.4A Active CN111060507B (zh) | 2019-12-24 | 2019-12-24 | 一种车辆验证方法及装置 |
CN202110358068.7A Pending CN113075212A (zh) | 2019-12-24 | 2019-12-24 | 一种车辆验证方法及装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911349534.4A Active CN111060507B (zh) | 2019-12-24 | 2019-12-24 | 一种车辆验证方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220335722A1 (zh) |
CN (2) | CN111060507B (zh) |
WO (1) | WO2021129712A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111060507B (zh) * | 2019-12-24 | 2021-05-04 | 北京嘀嘀无限科技发展有限公司 | 一种车辆验证方法及装置 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101394201B1 (ko) * | 2013-10-22 | 2014-05-14 | 주식회사 다이나맥스 | 버스장착 무선cctv 촬영단속시스템 |
CN104539891A (zh) * | 2014-12-18 | 2015-04-22 | 苏州市公安局交通巡逻警察支队 | 检验远程监管方法 |
CN104573693A (zh) * | 2014-12-18 | 2015-04-29 | 苏州市公安局交通巡逻警察支队 | 检验合格标志远程核发方法 |
CN105827614A (zh) * | 2016-04-15 | 2016-08-03 | 乐视控股(北京)有限公司 | 车辆远程控制方法、装置、系统及车辆遥控器 |
US20170228410A1 (en) * | 2016-02-08 | 2017-08-10 | Allstate Insurance Company | Telematics Authentication |
CN107066983A (zh) * | 2017-04-20 | 2017-08-18 | 腾讯科技(上海)有限公司 | 一种身份验证方法及装置 |
CN107784739A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 一种基于视频的车辆分享过程中的自助还车方法及基于自助还车的车辆分享方法 |
CN107818389A (zh) * | 2016-09-12 | 2018-03-20 | 北京嘀嘀无限科技发展有限公司 | 公交路线验证处理方法及装置 |
CN108090747A (zh) * | 2018-01-25 | 2018-05-29 | 中国平安财产保险股份有限公司 | 车险核保的自助验车方法、装置、设备和计算机存储介质 |
CN109155102A (zh) * | 2016-04-04 | 2019-01-04 | 沃尔沃卡车集团 | 汽车识别方法 |
DE102018120655A1 (de) * | 2017-08-25 | 2019-02-28 | Ford Global Technologies, Llc | Authentifizierung von fahrzeug-zu-fahrzeug-kommunikationen |
US20190092281A1 (en) * | 2017-09-27 | 2019-03-28 | Toyota Jidosha Kabushiki Kaisha | Vehicle control system |
CN109784170A (zh) * | 2018-12-13 | 2019-05-21 | 平安科技(深圳)有限公司 | 基于图像识别的车险定损方法、装置、设备及存储介质 |
CN109816815A (zh) * | 2019-02-22 | 2019-05-28 | 金瓜子科技发展(北京)有限公司 | 车况检测方法、装置及系统 |
CN109858339A (zh) * | 2018-12-22 | 2019-06-07 | 深圳市珍爱捷云信息技术有限公司 | 信息验证方法、装置、计算机设备及计算机可读存储介质 |
CN109886080A (zh) * | 2018-12-29 | 2019-06-14 | 深圳云天励飞技术有限公司 | 人脸活体检测方法、装置、电子设备及可读存储介质 |
CN109978087A (zh) * | 2017-12-28 | 2019-07-05 | 航天信息股份有限公司 | 一种车辆识别方法、装置和相关设备 |
CN110287810A (zh) * | 2019-06-04 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 车门动作检测方法、装置和计算机可读存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107430693A (zh) * | 2015-03-13 | 2017-12-01 | 北京市商汤科技开发有限公司 | 用于车辆分类和验证的设备和系统 |
CN106485916A (zh) * | 2015-08-28 | 2017-03-08 | 博世汽车部件(苏州)有限公司 | 自动验证驾驶员信息的方法和电子控制单元及导航装置 |
CN108508862A (zh) * | 2017-02-28 | 2018-09-07 | 上海海拉电子有限公司 | 一种用于车辆的身份验证系统及车辆 |
US10176596B1 (en) * | 2017-07-06 | 2019-01-08 | GM Global Technology Operations LLC | Calibration verification methods for autonomous vehicle operations |
CN109556879B (zh) * | 2017-09-26 | 2023-01-20 | 罗伯特·博世有限公司 | 车辆验证系统 |
CN108460847A (zh) * | 2018-02-01 | 2018-08-28 | 斑马网络技术有限公司 | 车辆验证方法、装置、系统、电子设备及存储介质 |
US10140553B1 (en) * | 2018-03-08 | 2018-11-27 | Capital One Services, Llc | Machine learning artificial intelligence system for identifying vehicles |
CN108764293A (zh) * | 2018-04-28 | 2018-11-06 | 重庆交通大学 | 一种基于图像的车辆检测方法及系统 |
CN109447003A (zh) * | 2018-10-31 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 车辆检测方法、装置、设备和介质 |
CN110175748A (zh) * | 2019-04-28 | 2019-08-27 | 西安艾润物联网技术服务有限责任公司 | 身份验证方法及装置 |
CN111060507B (zh) * | 2019-12-24 | 2021-05-04 | 北京嘀嘀无限科技发展有限公司 | 一种车辆验证方法及装置 |
-
2019
- 2019-12-24 CN CN201911349534.4A patent/CN111060507B/zh active Active
- 2019-12-24 CN CN202110358068.7A patent/CN113075212A/zh active Pending
-
2020
- 2020-12-24 WO PCT/CN2020/138862 patent/WO2021129712A1/zh active Application Filing
-
2022
- 2022-06-23 US US17/808,532 patent/US20220335722A1/en active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101394201B1 (ko) * | 2013-10-22 | 2014-05-14 | 주식회사 다이나맥스 | 버스장착 무선cctv 촬영단속시스템 |
CN104539891A (zh) * | 2014-12-18 | 2015-04-22 | 苏州市公安局交通巡逻警察支队 | 检验远程监管方法 |
CN104573693A (zh) * | 2014-12-18 | 2015-04-29 | 苏州市公安局交通巡逻警察支队 | 检验合格标志远程核发方法 |
US20170228410A1 (en) * | 2016-02-08 | 2017-08-10 | Allstate Insurance Company | Telematics Authentication |
CN109155102A (zh) * | 2016-04-04 | 2019-01-04 | 沃尔沃卡车集团 | 汽车识别方法 |
CN105827614A (zh) * | 2016-04-15 | 2016-08-03 | 乐视控股(北京)有限公司 | 车辆远程控制方法、装置、系统及车辆遥控器 |
CN107784739A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 一种基于视频的车辆分享过程中的自助还车方法及基于自助还车的车辆分享方法 |
CN107818389A (zh) * | 2016-09-12 | 2018-03-20 | 北京嘀嘀无限科技发展有限公司 | 公交路线验证处理方法及装置 |
CN107066983A (zh) * | 2017-04-20 | 2017-08-18 | 腾讯科技(上海)有限公司 | 一种身份验证方法及装置 |
DE102018120655A1 (de) * | 2017-08-25 | 2019-02-28 | Ford Global Technologies, Llc | Authentifizierung von fahrzeug-zu-fahrzeug-kommunikationen |
US20190092281A1 (en) * | 2017-09-27 | 2019-03-28 | Toyota Jidosha Kabushiki Kaisha | Vehicle control system |
CN109978087A (zh) * | 2017-12-28 | 2019-07-05 | 航天信息股份有限公司 | 一种车辆识别方法、装置和相关设备 |
CN108090747A (zh) * | 2018-01-25 | 2018-05-29 | 中国平安财产保险股份有限公司 | 车险核保的自助验车方法、装置、设备和计算机存储介质 |
CN109784170A (zh) * | 2018-12-13 | 2019-05-21 | 平安科技(深圳)有限公司 | 基于图像识别的车险定损方法、装置、设备及存储介质 |
CN109858339A (zh) * | 2018-12-22 | 2019-06-07 | 深圳市珍爱捷云信息技术有限公司 | 信息验证方法、装置、计算机设备及计算机可读存储介质 |
CN109886080A (zh) * | 2018-12-29 | 2019-06-14 | 深圳云天励飞技术有限公司 | 人脸活体检测方法、装置、电子设备及可读存储介质 |
CN109816815A (zh) * | 2019-02-22 | 2019-05-28 | 金瓜子科技发展(北京)有限公司 | 车况检测方法、装置及系统 |
CN110287810A (zh) * | 2019-06-04 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 车门动作检测方法、装置和计算机可读存储介质 |
Non-Patent Citations (4)
Title |
---|
于小川;: "机动车远程审核监控管理系统的设计与应用", 广西警官高等专科学校学报, no. 06, pages 43 - 47 * |
王正勤;王臣豪;: "基于虚拟网格技术的自适应车辆跟踪算法的研究", 吉林工程技术师范学院学报, no. 05, pages 70 - 76 * |
葛艳霞;: "地铁列车客室车门自动试验装置研制与应用", 计算机测量与控制, no. 04, pages 1253 - 1555 * |
高磊;李超;朱成军;熊璋;: "基于边缘对称性的视频车辆检测算法", 北京航空航天大学学报, no. 09, pages 1113 - 1116 * |
Also Published As
Publication number | Publication date |
---|---|
CN111060507A (zh) | 2020-04-24 |
WO2021129712A1 (zh) | 2021-07-01 |
US20220335722A1 (en) | 2022-10-20 |
CN111060507B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10901967B2 (en) | License plate matching systems and methods | |
CN109002820B (zh) | 一种车牌识别方法、装置及相关设备 | |
CN110097068B (zh) | 相似车辆的识别方法和装置 | |
CN109740609B (zh) | 一种轨距检测方法及装置 | |
CN110287936B (zh) | 图像检测方法、装置、设备及存储介质 | |
CN110245673B (zh) | 车位检测方法及装置 | |
CN114155284A (zh) | 基于多目标行人场景的行人跟踪方法、装置、设备及介质 | |
CN110033388B (zh) | 社交关系的建立方法、装置及服务器 | |
CN110705652A (zh) | 对抗样本及其生成方法、介质、装置和计算设备 | |
KR102179435B1 (ko) | 오염된 차량 번호판 인식이 가능한 이미지 인식 장치 | |
CN111506889A (zh) | 一种基于相似用户组的用户验证方法及装置 | |
CN112434566A (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN109558773B (zh) | 信息识别方法、装置及电子设备 | |
CN113420756B (zh) | 证件图像的识别方法和装置、存储介质及电子装置 | |
CN111241873A (zh) | 图像翻拍检测方法及其模型的训练方法、支付方法及装置 | |
CN111060507B (zh) | 一种车辆验证方法及装置 | |
CN112001200A (zh) | 识别码识别方法、装置、设备、存储介质和系统 | |
CN112633281B (zh) | 一种基于Hash算法车辆身份认证方法及系统 | |
CN111967529B (zh) | 识别方法、装置、设备及系统 | |
Rodríguez et al. | HD-MR: A new algorithm for number recognition in electrical meters | |
KR102008630B1 (ko) | 이미지 인식률 증대 장치 및 방법 | |
CN111860559A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN112883973A (zh) | 车牌识别方法、装置、电子设备和计算机存储介质 | |
CN110781710B (zh) | 一种目标对象聚类方法及装置 | |
CN113449545A (zh) | 数据处理方法、装置、存储介质和处理器 |
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 |