CN113487649A - 一种车辆检测方法、装置以及计算机存储介质 - Google Patents

一种车辆检测方法、装置以及计算机存储介质 Download PDF

Info

Publication number
CN113487649A
CN113487649A CN202110553813.3A CN202110553813A CN113487649A CN 113487649 A CN113487649 A CN 113487649A CN 202110553813 A CN202110553813 A CN 202110553813A CN 113487649 A CN113487649 A CN 113487649A
Authority
CN
China
Prior art keywords
vehicle
target
monitoring image
acquiring
image group
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
CN202110553813.3A
Other languages
English (en)
Other versions
CN113487649B (zh
Inventor
郝行猛
舒梅
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202110553813.3A priority Critical patent/CN113487649B/zh
Priority to EP21940455.5A priority patent/EP4323963A1/en
Priority to PCT/CN2021/121064 priority patent/WO2022242008A1/en
Publication of CN113487649A publication Critical patent/CN113487649A/zh
Application granted granted Critical
Publication of CN113487649B publication Critical patent/CN113487649B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种车辆检测方法、装置以及计算机存储介质，该车辆检测方法包括：获取连续抓拍的监控图像，组成目标监控图像组；获取目标监控图像组的尾灯标记位；基于目标监控图像组获取车辆位移矢量，并基于车辆位移矢量获取位移标志位；基于目标监控图像组获取车窗标志位；利用位移标志位、车窗标志位以及尾灯标记位组成编码序列，并按照编码序列的编码值获取目标车辆的车辆状态。通过上述方法，本申请通过位移标志位、车窗标志位以及尾灯标记位构成多元化协同判别，能够有效提高车辆检测方法的准确性。

Description

一种车辆检测方法、装置以及计算机存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种车辆检测方法、装置以及计算机存储介质。
背景技术
随着智能交通系统(ITS，Intelligent Traffic System)在电警、卡口、出入口、停车场等交通场景的日益普及，车辆行驶状态的判别显得越来越重要，特别是在混进混出的出入口收费场景或是出入口车流量统计场景。目前国内大多出入口场景下，采用的是基于地感线圈的硬件实现模式，这种技术容易受到线圈传感器的自身灵敏度及信号检测等硬件缺陷制约，无法精准判别车辆的行驶状态，导致无法输出精准的车辆的收费信息或车流量信息。因此，基于当前人工智能的时代背景下，一种稳定可靠的车辆的行驶方向及状态的判别方法对ITS的智能化水平提升尤为重要。
依托于“智慧城市”、“绿色安全城市”的大环境背景下，智能交通系统(ITS，Intelligent Traffic System)在电警卡口、出入口、停车场等交通场景的日益普及，一种快速有效的机动车辆双向抓拍方式成功应用，将会极大程度上助力于当前智慧安全城市的建设。当前很多混进混出的出入口收费场景或是出入口车流量统计场景，仍采用的是基于地感线圈的硬件实现模式，容易受到线圈传感器的自身灵敏度及信号检测等硬件缺陷制约，导致对出入的车辆无法进行精准匹配，从而丢失目标车辆的收费信息或致使车流量统计信息不精确。因此，基于当前人工智能的时代背景下，一种基于视频简单有效、稳定可靠的出入口车辆双向抓拍及车辆姿态估算方法对ITS的智能化水平提升尤为重要。
然而，目前的车辆检测方法中判断检测结果的参考因素单一，无法给出准确性高的车辆检测结果。
发明内容
本申请提供一种车辆检测方法、装置以及计算机存储介质。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种车辆检测方法，所述车辆检测方法包括：
获取连续抓拍的监控图像，组成目标监控图像组；
获取所述目标监控图像组的尾灯标记位；
基于所述目标监控图像组获取车辆位移矢量，并基于所述车辆位移矢量获取位移标志位；
基于所述目标监控图像获取车窗标志位；
利用所述位移标志位、所述车窗标志位以及所述尾灯标记位组成编码序列，并按照所述编码序列的编码值获取目标车辆的车辆状态。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种车辆检测装置，所述车辆定位装置包括处理器和存储器；所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以实现：获取连续抓拍的监控图像，组成目标监控图像组；
获取所述目标监控图像组的尾灯标记位；
基于所述目标监控图像组获取车辆位移矢量，并基于所述车辆位移矢量获取位移标志位；
基于所述目标监控图像组获取车窗标志位；
利用所述位移标志位、所述车窗标志位以及所述尾灯标记位组成编码序列，并按照所述编码序列的编码值获取目标车辆的车辆状态。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机存储介质，其中，计算机存储介质存储有计算机程序，计算机程序被执行时实现：获取连续抓拍预设帧数的监控图像，组成目标监控图像组；
获取所述目标监控图像组的尾灯标记位；
基于所述目标监控图像组获取车辆位移矢量，并基于所述车辆位移矢量获取位移标志位；
基于所述目标监控图像组获取车窗标志位；
利用所述位移标志位、所述车窗标志位以及所述尾灯标记位组成编码序列，并按照所述编码序列的编码值获取所述目标车辆的车辆状态。
区别于现有技术，本申请的有益效果在于：车辆检测装置通过获取连续抓拍的监控图像，组成目标监控图像组；获取目标监控图像组的尾灯标记位；基于目标监控图像组获取车辆位移矢量，并基于车辆位移矢量获取位移标志位；基于目标监控图像组获取车窗标志位；利用位移标志位、车窗标志位以及尾灯标记位组成编码序列，并按照编码序列的编码值获取目标车辆的车辆状态，同时利用位移标志位、车窗标志位以及尾灯标记位构成多元化协同判别，能够有效提高车辆检测方法的准确性。
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，对本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请提供的车辆检测方法一实施例的流程示意图；
图2是本申请提供的车辆驶出图像中规则线的示意图；
图3是本申请提供的车辆驶入图像中规则线的示意图；
图4是本申请提供的空间位置一实施例的示意图；
图5是本申请提供的抓拍线使能方法一实施例的流程示意图；
图6是本申请提供的无牌车判定逻辑的流程示意图；
图7是本申请提供的姿态编码序列一实施例的结构示意图；
图8是本申请提供的无牌目标车辆的车辆姿态示意图；
图9是本申请提供的车辆检测装置一实施例的结构示意图；
图10是本申请提供的计算机存储介质一实施例的结构示意图。
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的一部分实施例，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。
为解决现有技术无法精准判别车辆的行驶状态，导致无法输出精准的车辆的收费信息或车流量信息的问题，本申请提出一种车辆检测方法。具体请参阅图1，图1是本申请提供的车辆检测方法一实施例的流程示意图。
本申请的车辆检测方法应用于一种车辆检测装置，其中，本申请的车辆检测装置可以为服务器，也可以为终端设备，还可以为由服务器和终端设备相互配合的系统。相应地，车辆检测装置包括的各个部分，例如各个单元、子单元、模块、子模块可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
进一步地，上述服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块，例如用来提供分布式服务器的软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。其中，车辆检测装置也可以为出入口的监控装置，例如监控摄像头等。
如图1所示，本实施例的车辆检测方法具体包括以下步骤：
步骤S11：获取连续抓拍的监控图像，组成目标监控图像组。
其中，车辆检测装置预设车辆框置信度阈值Conf_Score、预抓拍线比例系数snap_ratio_pre、驶入抓拍线比例系数ratio_in、驶出抓拍线比例系数ratio_out以及类别属性队列长度N。
其中，车辆框置信度阈值用于设置目标监控图像组的起始帧。具体地，本申请的目标检测模型对摄像头实时获取的监控图像进行车辆检测，并输出图像中的车辆框以及对应的置信度。车辆检测装置将首帧置信度大于预设的置信度阈值的监控图像作为目标监控图像组的起始帧，确保目标车辆起始状态的稳定性，并基于起始帧监控图像连续抓拍预设帧数的监控图像，组成目标监控图像组。
车辆检测装置进一步预设规则线，本实施预设的规则线主要包括驶入预判线、驶出预判线以及抓拍起始线，具体请参阅图2和图3。在其他实施例中，基于工作人员需求可以增加、减少或修改规则线，在此不再赘述。具体预设过程如下：
车辆检测装置获取摄像头的相机参数，并基于相机参数确定拍摄的监控图像的图像分辨率为w*h，w为水平分辨率，h为垂直分辨率。
具体地，当监控图像的图像分辨率为w*h时，则规则线的位置计算公式(1)具体如下：
Figure BDA0003076409760000051
其中，pre_snap_line为预抓拍线，snap_line_in为驶入抓拍线，snap_line_out为驶出抓拍线。
其中，当车辆检测装置判断到摄像头采集的监控图像中的车辆框触及上述规则线，即图2和图3中的预抓拍线时，车辆检测装置连续抓拍NumCNT帧的监控图像，组成目标监控图像组。
进一步地，车辆检测装置还可以结合规则线以及车辆框置信度两种因素判别目标监控图像组的起始帧，例如，车辆检测装置将规则线附近车辆框置信度大于预设置信度阈值的当前帧设置为目标监控图像组的起始帧，过滤掉初始状态不可靠的车辆框检测结果，确定后续位移矢量计算的起始帧，确保目标车辆起始状态的稳定性。
步骤S12：获取目标监控图像组的尾灯标记位。
其中，车辆检测装置通过尾灯检测算法计算目标监控图像组中多帧监控图像的尾灯标志位，并结合多帧监控图像的尾灯标志位判别目标监控图像组的尾灯标志位。
具体地，车辆检测装置将目标监控图像组的所有监控图像作为尾灯检测的输入图像，建立尾灯队列TailQueue，并遍历所有监控图像。当尾灯检测的当前帧监控图像存在一个尾灯检测框时，将当前帧的监控图像的尾灯标志位设置为1，并将设置结果存入尾灯队列；当尾灯检测的当前帧监控图像不存在尾灯检测框时，将当前帧的监控图像的尾灯标志位设置为0，并将设置结果存入尾灯队列。
遍历结束后，车辆检测装置对尾灯队列进行求和运算获取sum，若sum>NumCNT/2，将最终尾灯标记位，即目标监控图像组的尾灯标志位设置为1；若sum<＝NumCNT/2，将最终尾灯标记位，即目标监控图像组的尾灯标志位设置为0。
其中，本申请通过基于深度学习的YOLOV3目标检测训练方法，设置CNN卷积神经网络参数对训练集数据进行训练，得到的目标检测模型，由目标检测模型对目标监控图像组中得车辆、车窗、车牌、车尾灯等目标进行检测定位，获取每种目标的检测框以及每个检测框的类别。
进一步地，由于每一帧监控图像中可能存在有多个车辆目标，车辆检测装置可以通过定向射交法从当前帧监控图像检测到的车辆目标中甄选出符合要求的有效目标作为目标车辆。其中，甄选规则是判别车辆框的下边界的中心点是否落在预先划定的检测区域内。
具体地，本申请实施例的定向射交法的基本原理如下：
假设车辆框的下边界的中心点坐标为P(x,y)，检测区域是由序列点[p1,p2,p3,…pn]组成的闭合凸多边形Area。以P(x,y)为端点向右水平作一射线PL，通过计算该射线与Area各边之间满足条件交点个数的奇偶性判别点P是否在凸多边形内。计算交点过程如下，假设顶点P1，P2构成多边形的一个边，计算交点之前要先判别定向射线PL是否与线段P1P2存在交点，判别条件如公式(2)所示：
min(y1,y2)≤y≤max(y1,y2) (2)
当射线PL与线段P1P2存在交点时，则PL与线段P1P2的空间位置关系可参考图4，其中，图4是本申请提供的空间位置一实施例的示意图。
如图4所示，基于图中ΔP2NP1与ΔP2MPt之间的相似关系可得出公式(3)的比例关系:
Figure BDA0003076409760000071
由上述公式(3)中的比例关系可推导出公式(4)射线PL与线段P1P2的交点Pt坐标(xt，yt)的计算公式(4)：
Figure BDA0003076409760000072
需要说明的是，本申请实施例采用右向射线方式，因此，得出的交点Pt的横坐标xt大于端点P的横坐标x时，该交点Pt才会被视为有效交点。
本申请实施例提出的定向射交法，通过判别目标车辆的车辆框下边界中心点与检测区域的位置关系，甄选出检测区域内有效跟踪目标，滤除无效目标，进而减少算法运行的时间复杂度，优化出入口无效目标多抓问题。
另外，由于本申请实施例预设的规则线包括驶入抓拍线和驶出抓拍线，对于同一目标车辆而言，同时启用驶入抓拍线和驶出抓拍线容易导致检测出现错误。本申请进一步提供了一种抓拍线使能的方法，具体请参阅图5，图5是本申请提供的抓拍线使能方法一实施例的流程示意图。
如图5所示，本实施例的抓拍线使能方法具体包括以下步骤：
步骤S21：通过目标检测模型获取目标监控图像组中目标车辆的类别标志位，以及车辆框和/或车牌框。
其中，车辆检测装置将目标监控图像组中连续采集的监控图像输入目标检测模型，由目标检测模型对每张监控图像中的车辆进行检测定位，获取目标车辆的车辆框和/或车牌框、以及类别标志位。本实施例根据在监控图像中的车头或车尾设置两种不同的类别标志位，例如，显示目标车辆车头的监控图像的类别标志位labelID设置为0，显示目标车辆车尾的监控图像的类别标志位labelID设置为1。
获取所有监控图像的类别标志位后，车辆检测装置建立类别队列，保存起始帧至终止帧中目标车辆的类别标志位labelID。然后，车辆检测装置通过目标车辆类别队伍进行sum求和操作，计算目标监控图像组的类别标志位CFlag，并输出目标监控图像组的类别标志位CFlag。具体地，当累加处理结果sum>NumCNT/2，则类别标志位CFlag设置为1，标注车辆位置为车尾；当累加处理结果sum<NumCNT/2，则类别标志位CFlag设置为0，标注车辆位置为车头。
步骤S22：当尾灯标记位与类别标志位同时为第一预设状态值时，启用第一抓拍线。
其中，当尾灯标记位和类别标志位属性的逻辑与结果为1时，将驶出抓拍线使能。
步骤S23：当尾灯标记位于类别标志位同时为第二预设状态值，或其中一个为第一预设状态值，另一个为第二预设状态值时，启用第二抓拍线。
其中，当尾灯标记位和类别标志位属性的逻辑与结果为0时，将驶入抓拍线使能。
步骤S24：基于第一抓拍线或第二抓拍线在目标监控图像组获取车辆位移矢量。
进一步地，车辆检测装置按照使能抓拍线在目标监控图像组获取车辆位移矢量。
具体地，车辆检测装置对抓拍线使能后，若当前帧监控图像有效跟踪目标中存在车牌，即检测出车牌框时，则将车牌框下边界中心点作为目标车辆位移的起始位置，并存入位移队列中。然后，车辆检测装置将后续帧监控图像中的该目标车辆的车牌框下边界中心点依次存入位移队列中，直至该目标车辆的车牌框下边界触及预抓拍线pre_snap_line。若当前帧监控图像有效跟踪目标中不存在车牌，即无法检测出车牌框时，采用车辆框获取车辆位移矢量，过程在此不再赘述。
采用车牌框作为位移统计对象，可避免当目标车辆尺寸较大时，车辆框下边界紧贴监控图像边缘导致目标车辆位移不明显的情况。
步骤S13：基于目标监控图像组获取车辆位移矢量，并基于车辆位移矢量获取位移标志位。
其中，车辆检测装置统计检测目标车辆从起始帧运动至终止帧的过程中，目标车辆位移矢量△dy的正负值，并通过位移矢量△dy的正负值设置位移标志位△dyFlag的输出。
具体地，当目标车辆位移矢量△dy为正值时，将目标车辆的位移标志位△dyFlag设置为0，判定目标车辆的行驶状态为驶入状态；当目标车辆位移矢量△dy为负值时，将目标车辆的位移标志位△dyFlag设置为1，判定目标车辆的行驶状态为驶出状态。
步骤S14：基于目标监控图像组获取车窗标志位。
其中，车辆检测装置将目标监控图像组的所有监控图像作为车窗检测的输入图像，建立车窗队列VWQueue，并遍历所有监控图像。当车窗检测的当前帧监控图像存在一个车窗检测框时，将当前帧的监控图像的车窗标志位设置为1，并将设置结果存入车窗队列；当车窗检测的当前帧监控图像不存在车窗检测框时，将当前帧的监控图像的车窗标志位设置为0，并将设置结果存入车窗队列。
遍历结束后，车辆检测装置对车窗队列进行求和运算获取sum，若sum>NumCNT/2，将最终车窗标记位，即目标监控图像组的车窗标志位设置为1；若sum<＝NumCNT/2，将最终车窗标记位，即目标监控图像组的车窗标志位设置为0。
步骤S15：利用位移标志位、车窗标志位以及尾灯标记位组成编码序列，并按照编码序列的编码值获取目标车辆的车辆状态。
其中，车辆检测装置利用由位移标志位、车窗标志位以及尾灯标记位三者组成的二进制编码值判别目标车辆的行驶状态。
位移标志位状态值为1时，表示当前车辆状态为来向车辆，状态值为0则表示为去向车辆。车窗标志位的状态值，作为来向车辆倒车状态下的辅助判断；尾灯标志位的状态值，作为去向车辆的辅助判定条件。状态标志位多元化协同判别方法可有效优化单一变量导致的误判别结果，二进制编码表如下所示：
Figure BDA0003076409760000101
需要说明的是，本申请实施例还可以采用其他类型的编码模式或编码方法，在此不再赘述。
进一步地，当目标车辆的车辆框下边界触及预抓拍线pre_snap_line时，则将车辆框包括的图像内容送至车牌识别模块，进行车牌识别，并优选出当前目标车辆稳定的识别结果，作为最终车牌识别结果。
当目标车辆的车辆框下边界触及当前使能的抓拍线时，则开启抓拍操作，并保存当前目标车辆的跟踪序号以及优选后的车牌识别结果。
进一步地，若当前目标车辆未识别到车牌框时，则触发二次抓拍识别功能。具体请参阅图6，图6是本申请提供的无牌车判定逻辑的流程示意图。
如图6所示，车辆检测装置通过检测当前跟踪队列中队目标车辆的车窗倒向位移Δs与设定阈值T_dis之间的数值关系，进行二次识别及抓拍操作。若车辆行驶状态是处于倒车状态，并且满足倒向位移超过设定阈值T_dis以及首次二次识别条件，即倒向位移大于设定阈值T_dis，且二次识别标志位SR_Flag状态值为0时，则进行二次抓拍及车牌识别，否则将当前车辆置为无牌车结果输出。
本申请实施例提出的无牌车判定逻辑，可以实现对抓拍后无牌车辆进行二次识别及抓拍操作，有效降低无牌车误判的可能性。
另外，对于有牌目标车辆，目标车辆的车辆姿态可以通过抓拍帧车辆姿态角由车牌框与车辆框两者中心点构成向量在竖直方向的向量角θ进行估算。
具体地，假设车辆的车辆框OD中心点坐标为P_od(x_od，y_od)、车牌框PD中心点坐标为P_pd(x_pd,y_pd)，则车辆姿态角的估算公式(5)如下：
Figure BDA0003076409760000111
需要说明的是，当Δx为正数时，表示车辆左偏向；Δx为负数时，表示车辆右偏向；Δx在零值附近时，表示车辆正向，并由车辆框的类别属性判别车辆车头/车尾属性。最终车辆姿态信息以车辆头尾、车辆偏向及姿态角θ三部分组成的姿态编码序列的形式输出，并且同属性中的不同元素间互斥。具体地，编码序列元素依次为车头、车尾、左偏向、右偏向、正向、姿态角。假设目标车辆的姿态信息为左偏向θ，则其姿态编码序列如图7所示。
对于无牌目标车辆，则可以对目标车辆车脸部分进行检测输出车脸部分的检测框，即车脸框。姿态角θ可以采用车脸框的中心点替代车牌框的中心点进行计算，计算过程在此不再赘述。采用车脸框计算的车辆姿态示意图具体请参见图8。
本申请实施例的车辆检测装置通过获取连续抓拍的监控图像，组成目标监控图像组；获取目标监控图像组的尾灯标记位；基于目标监控图像组获取车辆位移矢量，并基于车辆位移矢量获取位移标志位；基于目标监控图像组获取车窗标志位；利用位移标志位、车窗标志位以及类别标志位组成编码序列，并按照编码序列的编码值获取目标车辆的车辆状态，同时利用位移标志位、车窗标志位以及尾灯标记位构成多元化协同判别，能够有效提高车辆检测方法的准确性。
为了实现上述实施例的车辆检测方法，本申请还提供了一种车辆检测装置，具体请参阅图9，图9是本申请提供的车辆检测装置一实施例的结构示意图。
如图9所示，本实施例的车辆检测装置500包括处理器51、存储器52、输入输出设备53以及总线54。
该处理器51、存储器52、输入输出设备53分别与总线54相连，该存储器52中存储有计算机程序，处理器51用于执行计算机程序以实现上述实施例的车辆检测方法。
在本实施例中，处理器51还可以称为CPU(Central Processing Unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。处理器51还可以是GPU(Graphics Processing Unit，图形处理器)，又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备(如平板电脑、智能手机等)上图像运算工作的微处理器。GPU的用途是将计算机系统所需要的显示信息进行转换驱动，并向显示器提供行扫描信号，控制显示器的正确显示，是连接显示器和个人电脑主板的重要元件，也是“人机对话”的重要设备之一。显卡作为电脑主机里的一个重要组成部分，承担输出显示图形的任务，对于从事专业图形设计的人来说显卡非常重要。通用处理器可以是微处理器或者该处理器51也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质，如图10所示，计算机存储介质600用于存储计算机程序61，计算机程序61在被处理器执行时，用以实现如本申请车辆检测方法实施例中所述的方法。
本申请车辆检测方法实施例中所涉及到的方法，在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时，可以存储在设备中，例如一个计算机可读取存储介质。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全部或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)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (12)

1.一种车辆检测方法，其特征在于，所述车辆检测方法包括：
获取连续抓拍的监控图像，组成目标监控图像组；
获取所述目标监控图像组的尾灯标记位；
基于所述目标监控图像组获取车辆位移矢量，并基于所述车辆位移矢量获取位移标志位；
基于所述目标监控图像组获取车窗标志位；
利用所述位移标志位、所述车窗标志位以及所述尾灯标记位组成编码序列，并按照所述编码序列的编码值获取目标车辆的车辆状态。
2.根据权利要求1所述的车辆检测方法，其特征在于，
所述车辆检测方法还包括：
获取所述监控图像中预设的检测区域
通过目标检测模型获取所述目标监控图像组中所有车辆的车辆框；
判断每一车辆的车辆框下边界的中心点是否处于所述检测区域内；
若是，将所述中心点处于所述检测区域内的车辆作为目标车辆。
3.根据权利要求1所述的车辆检测方法，其特征在于，
所述基于所述目标监控图像组获取车辆位移矢量的步骤包括：
通过目标检测模型获取所述目标监控图像组中目标车辆的类别标志位，以及车辆框和/或车牌框；
当所述尾灯标记位与所述类别标志位同时为第一预设状态值时，启用第一抓拍线；
当所述尾灯标记位于所述类别标志位同时为第二预设状态值，或其中一个为所述第一预设状态值，另一个为所述第二预设状态值时，启用第二抓拍线；
基于所述第一抓拍线或所述第二抓拍线在所述目标监控图像组获取车辆位移矢量。
4.根据权利要求3所述的车辆检测方法，其特征在于，
所述基于所述第一抓拍线或所述第二抓拍线在所述目标监控图像组获取车辆位移矢量，包括：
将所述目标监控图像组的起始帧车辆框的下边界中心点位置作为所述目标车辆位移的起始位置；
将所述目标监控图像组的后续帧中车辆框的下边界位移至启用的抓拍线时，所述下边界中心点位置作为所述目标车辆位移的终点位置；
基于所述起始位置和所述终点位置获取所述车辆位移矢量。
5.根据权利要求4所述的车辆检测方法，其特征在于，
所述车辆检测方法还包括：
当所述车辆框的下边界位移至启用的抓拍线时，开始对所述目标车辆的车牌进行抓拍，并保存对应的跟踪序号以及跟踪队列；
获取所述跟踪队列中所有跟踪序号对应的车辆框中车窗的倒向位移；
若所述倒向位移大于预设位移阈值时，对所述目标车辆的车牌进行二次抓拍以及车牌识别；
若所述倒向位移小于等于所述预设位移阈值时，将所述目标车辆置为无牌车结果输出。
6.根据权利要求3所述的车辆检测方法，其特征在于，
所述基于所述第一抓拍线或所述第二抓拍线在所述目标监控图像组获取车辆位移矢量，包括：
将所述目标监控图像组的起始帧中车牌框的下边界中心点位置作为所述目标车辆位移的起始位置；
将所述目标监控图像组的后续帧中车牌框的下边界位移至启用的抓拍线时，所述下边界中心点位置作为所述目标车辆位移的终点位置；
基于所述起始位置和所述终点位置获取所述车辆位移矢量。
7.根据权利要求6所述的车辆检测方法，其特征在于，
所述车辆检测方法还包括：
当所述车牌框的下边界位移至预抓拍线时，采用车牌识别算法对所述车牌框进行车牌识别，得到所述目标车辆的车牌识别结果。
8.根据权利要求1所述的车辆检测方法，其特征在于，
所述车辆检测方法还包括：
获取所述目标车辆的车牌框中心点坐标，以及车辆框中心点坐标；
计算所述车辆框中心点坐标和所述车牌框中心点坐标的差值；
基于所述差值计算所述目标车辆的车辆姿态角；
利用所述差值以及所述车辆姿态角输出所述目标车辆的车辆姿态。
9.根据权利要求1所述的车辆检测方法，其特征在于，
所述车辆检测方法还包括：
获取所述目标车辆的车辆框中心点坐标，以及车脸框中心点坐标；
计算所述车辆框中心点坐标和所述车脸框中心点坐标的差值；
基于所述差值计算所述目标车辆的车辆姿态角；
利用所述差值以及所述车辆姿态角输出所述目标车辆的车辆姿态。
10.根据权利要求1所述的车辆检测方法，其特征在于，
所述基于所述目标监控图像组获取车窗标志位，包括：
当所述目标监控图像组中的监控图像不存在车窗检测框时，将该监控图像的车窗标志位设置为第一车窗状态值；
当所述目标监控图像组中的监控图像存在车窗检测框时，将该监控图像的车窗标志位设置为第二车窗状态值；
计算所述目标监控图像组中所有监控图像的车窗标志位的累加和；
当所述累加和大于所有监控图像的帧数的一半时，将所述目标监控图像组的车窗标志位设置为第二车窗状态值；
当所述累加和小于或等于所有监控图像的帧数的一半时，将所述目标监控图像组的车窗标志位设置为第一车窗状态值。
11.一种车辆检测装置，其特征在于，所述车辆检测装置包括处理器和存储器；所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以实现：获取连续抓拍的监控图像，组成目标监控图像组；
获取所述目标监控图像组的尾灯标记位；
基于所述目标监控图像组获取车辆位移矢量，并基于所述车辆位移矢量获取位移标志位；
基于所述目标监控图像组获取车窗标志位；
利用所述位移标志位、所述车窗标志位以及所述尾灯标记位组成编码序列，并按照所述编码序列的编码值获取目标车辆的车辆状态。
12.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序被执行时实现：获取连续抓拍的监控图像，组成目标监控图像组；
获取所述目标监控图像组的尾灯标记位；
基于所述目标监控图像组获取车辆位移矢量，并基于所述车辆位移矢量获取位移标志位；
基于所述目标监控图像组获取车窗标志位；
利用所述位移标志位、所述车窗标志位以及所述尾灯标记位组成编码序列，并按照所述编码序列的编码值获取目标车辆的车辆状态。
CN202110553813.3A 2021-05-20 2021-05-20 一种车辆检测方法、装置以及计算机存储介质 Active CN113487649B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110553813.3A CN113487649B (zh) 2021-05-20 2021-05-20 一种车辆检测方法、装置以及计算机存储介质
EP21940455.5A EP4323963A1 (en) 2021-05-20 2021-09-27 Methods and systems for vehicle detection
PCT/CN2021/121064 WO2022242008A1 (en) 2021-05-20 2021-09-27 Methods and systems for vehicle detection

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110553813.3A CN113487649B (zh) 2021-05-20 2021-05-20 一种车辆检测方法、装置以及计算机存储介质

Publications (2)

Publication Number Publication Date
CN113487649A true CN113487649A (zh) 2021-10-08
CN113487649B CN113487649B (zh) 2022-12-06

Family

ID=77933578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110553813.3A Active CN113487649B (zh) 2021-05-20 2021-05-20 一种车辆检测方法、装置以及计算机存储介质

Country Status (3)

Country Link
EP (1) EP4323963A1 (zh)
CN (1) CN113487649B (zh)
WO (1) WO2022242008A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023179416A1 (zh) * 2022-03-22 2023-09-28 阿里云计算有限公司 确定车辆进出泊位的方法、装置、设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111383460A (zh) * 2020-06-01 2020-07-07 浙江大华技术股份有限公司 一种车辆状态判别方法、装置以及计算机存储介质
CN112001883A (zh) * 2020-07-14 2020-11-27 浙江大华技术股份有限公司 一种车辆目标图像的优选方法、装置和计算机设备
CN112115904A (zh) * 2020-09-25 2020-12-22 浙江大华技术股份有限公司 车牌检测识别方法、装置及计算机可读存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728843B (zh) * 2019-09-10 2021-08-31 浙江大华技术股份有限公司 车辆抓拍方法及车辆抓拍装置、存储介质
CN111898485A (zh) * 2020-07-14 2020-11-06 浙江大华技术股份有限公司 一种停车位车辆检测处理方法及装置
CN112651398B (zh) * 2020-12-28 2024-02-13 浙江大华技术股份有限公司 车辆的抓拍控制方法、装置及计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111383460A (zh) * 2020-06-01 2020-07-07 浙江大华技术股份有限公司 一种车辆状态判别方法、装置以及计算机存储介质
CN112001883A (zh) * 2020-07-14 2020-11-27 浙江大华技术股份有限公司 一种车辆目标图像的优选方法、装置和计算机设备
CN112115904A (zh) * 2020-09-25 2020-12-22 浙江大华技术股份有限公司 车牌检测识别方法、装置及计算机可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023179416A1 (zh) * 2022-03-22 2023-09-28 阿里云计算有限公司 确定车辆进出泊位的方法、装置、设备和存储介质

Also Published As

Publication number Publication date
WO2022242008A1 (en) 2022-11-24
EP4323963A1 (en) 2024-02-21
CN113487649B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN111383460B (zh) 一种车辆状态判别方法、装置以及计算机存储介质
US11314973B2 (en) Lane line-based intelligent driving control method and apparatus, and electronic device
Kanhere et al. Real-time incremental segmentation and tracking of vehicles at low camera angles using stable features
US11222441B2 (en) Methods and apparatuses for object detection, and devices
EP3806064B1 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN109241938B (zh) 道路拥堵检测方法及终端
CN110929655B (zh) 一种行驶过程中车道线识别方法、终端设备及存储介质
WO2021003823A1 (zh) 基于视频帧图片分析的车辆违停检测方法及装置
CN112200830A (zh) 一种目标跟踪方法及设备
CN112528807B (zh) 行驶轨迹的预测方法、装置、电子设备及存储介质
CN111178119A (zh) 路口状态检测方法、装置、电子设备及车辆
CN112257541A (zh) 车牌识别方法以及电子设备、计算机可读存储介质
CN110135377B (zh) 车路协同中物体运动状态检测方法、装置和服务器
CN113487649B (zh) 一种车辆检测方法、装置以及计算机存储介质
CN112052782A (zh) 基于环视的停车位识别方法、装置、设备及存储介质
CN113299073A (zh) 识别车辆违章停车的方法、装置、设备和存储介质
CN110766009A (zh) 尾牌识别方法、装置以及计算机可读存储介质
CN113850752A (zh) 车辆超载检测方法、设备及存储介质
CN108389177B (zh) 一种车辆保险杠破损检测方法及交通安全预警方法
CN111652143B (zh) 一种车辆检测方法、装置以及计算机存储介质
CN115147809B (zh) 一种障碍物检测方法、装置、设备以及存储介质
Bachtiar et al. Parking management by means of computer vision
CN113449629A (zh) 基于行车视频的车道线虚实识别装置、方法、设备及介质
CN112528747A (zh) 机动车掉头行为识别方法、系统、电子装置和存储介质
CN111881823A (zh) 一种地面目标检测评价方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant