CN113516104A - 一种营运客车识别方法、装置、电子设备及存储介质 - Google Patents

一种营运客车识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113516104A
CN113516104A CN202110908956.1A CN202110908956A CN113516104A CN 113516104 A CN113516104 A CN 113516104A CN 202110908956 A CN202110908956 A CN 202110908956A CN 113516104 A CN113516104 A CN 113516104A
Authority
CN
China
Prior art keywords
passenger car
image
passenger
preset
sample
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
CN202110908956.1A
Other languages
English (en)
Other versions
CN113516104B (zh
Inventor
余声
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.)
Shanghai Goldway Intelligent Transportation System Co Ltd
Original Assignee
Shanghai Goldway Intelligent Transportation System 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 Shanghai Goldway Intelligent Transportation System Co Ltd filed Critical Shanghai Goldway Intelligent Transportation System Co Ltd
Priority to CN202110908956.1A priority Critical patent/CN113516104B/zh
Publication of CN113516104A publication Critical patent/CN113516104A/zh
Application granted granted Critical
Publication of CN113516104B publication Critical patent/CN113516104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本申请实施例提供了一种营运客车识别方法、装置、电子设备及存储介质，方案如下：获取待识别图像，待识别图像为包括待识别客车前风窗的图像；获取待识别图像中前风窗所在区域的图像，作为待检测车窗图像；检测待检测车窗图像中是否包括客运标志牌，得到第一检测结果；基于第一检测结果，确定待识别客车是否为营运客车。通过本申请实施例提供的技术方案，可以准确确定出营运客车，有效提高了营运客车识别的准确性。

Description

一种营运客车识别方法、装置、电子设备及存储介质
技术领域
本申请涉及智能交通技术领域，特别是涉及一种营运客车识别方法、装置、电子设备及存储介质。
背景技术
智能交通(也称智能交通系统，Intelligent Traffic System，简称ITS)是一种在大范围内、全方位发挥作用的，实时、准确、高效的综合交通运输管理系统。
在ITS中，由于营运客车的特殊性，如营运客车可以对较多的旅客进行运输，因此，为了保证营运客车的营运规范性，需要加强对营运客车的管控。例如，检测营运客车是否在违规区域上下旅客，检测营运客车是否按照规定路线以及规定时间营运等。目前，如何准确识别出营运客车成为营运客车管控的重要环节。
发明内容
本申请实施例的目的在于提供一种营运客车识别方法、装置、电子设备及存储介质，以提高营运客车识别的准确性。具体技术方案如下：
本申请实施例提供了一种营运客车识别方法，所述方法包括：
获取待识别图像，所述待识别图像为包括待识别客车前风窗的图像；
获取所述待识别图像中所述前风窗所在区域的图像，作为待检测车窗图像；
检测所述待检测车窗图像中是否包括客运标志牌，得到第一检测结果；
基于所述第一检测结果，确定所述待识别客车是否为营运客车。
可选的，所述检测所述待检测车窗图像中是否包括客运标志牌，得到第一检测结果的步骤，包括：
将所述待检测车窗图像输入至预先训练好的客运标志牌检测模型，确定所述待检测车窗图像中每一目标物的位置信息，以及指示所述目标物为客运标志牌的置信度，作为第一检测结果；
其中，所述客运标志牌检测模型是基于第一预设训练集训练得到的，所述第一预设训练集中包括多个样本客车的前风窗所对应的样本车窗图像，以及指示所述样本客车中营运客车的客运标志牌在样本车窗图像中位置的标识信息。
可选的，所述基于所述第一检测结果，确定所述待识别客车是否为营运客车的步骤，包括：
若所述第一检测结果中存在置信度大于预设置信度阈值的目标物，则确定所述待识别客车为营运客车；
若所述第一检测结果中不存在置信度大于所述预设置信度阈值的目标物，则确定所述待识别客车为非营运客车。
可选的，利用以下步骤训练得到所述客运标志牌检测模型：
获取所述第一预设训练集；
将所述第一预设训练集中每一样本车窗图像输入预设YOLO检测模型，得到每一样本车窗图像的样本检测结果；
根据每一样本车窗图像的样本检测结果，以及所述第一预设训练集中的标识信息，计算所述预设YOLO检测模型的第一损失值；
当所述第一损失值大于第一损失值阈值时，调节所述预设YOLO检测模型的参数，并返回执行所述将所述第一预设训练集中每一样本车窗图像输入预设YOLO检测模型，得到每一样本车窗图像的样本检测结果的步骤；
当所述第一损失值不大于所述第一损失值阈值时，将当前时刻的预设YOLO检测模型确定为训练好的客运标志牌检测模型。
可选的，在确定所述待识别客车为营运客车后，所述方法还包括：
获取所述待识别图像中预设感兴趣区域(Region Of Interest，ROI)区域的图像，作为待检测线路图像；所述预设ROI区域是基于所述前风窗所在的位置确定的；
检测所述待检测线路图像中是否包括客车运输线路名称，得到第二检测结果；
基于所述第二检测结果，确定所述待识别客车所属的营运客车类型。
可选的，所述检测所述待检测线路图像中是否包括客车运输线路名称，得到第二检测结果的步骤，包括：
将所述待检测线路图像输入预先训练好的线路名称检测模型，确定所述待检测线路图像中是否包括客车运输线路名称，作为第二检测结果；
其中，所述线路名称检测模型是基于第二预设训练集训练得到的，所述第二预设训练集包括多个样本营运客车的预设ROI区域所对应的样本线路图像，以及指示每一样本线路图像是否包括客车运输线路名称的标识信息。
可选的，所述基于所述第二检测结果，确定所述待识别客车所属的营运客车类型的步骤，包括：
若所述第二检测结果指示所述待检测线路图像中包括所述客车运输线路名称，则确定所述待识别客车所属的营运客车类型为班车客运；
若所述第二检测结果指示所述待检测线路图像中未包括所述客车运输线路名称，则确定所述待识别客车所属的营运客车类型为包车客运。
可选的，利用以下步骤训练得到所述线路名称检测模型：
获取所述第二预设训练集；
将所述第二预设训练集中的每一样本线路图像输入预设深度学习网络模型，得到每一样本线路图像的样本检测结果；
根据每一样本线路图像的样本检测结果，以及所述第二预设训练集中的标识信息，计算所述预设深度学习网络模型的第二损失值；
若所述第二损失值大于第二损失值阈值，则调节所述预设深度学习网络模型的参数，并返回执行所述将所述第二预设训练集中的每一样本线路图像输入预设深度学习网络模型，得到每一样本线路图像的样本检测结果的步骤；
若所述第二损失值不大于所述第二损失值阈值，则将当前时刻的预设深度学习网络模型确定为训练好的线路名称检测模型。
可选的，在确定所述待识别客车为营运客车后，所述方法还包括：
对所述待检测车窗图像中所述客运标志牌进行字符识别，得到目标字符串；
根据所述目标字符串，确定所述待识别客车所属的营运客车类型。
可选的，所述根据所述目标字符串，确定所述待识别客车所属的营运客车类型的步骤，包括：
若所述目标字符串中包括第一字符，则确定所述待识别客车所属的营运客车类型为班车客运；
若所述目标字符串中包括第二字符，则确定所述待识别客车所属的营运客车类型为包车客运；
所述第一字符为班车，所述第二字符为包车。
本申请实施例提供了一种营运客车识别装置，所述装置包括：
第一获取模块，用于获取待识别图像，所述待识别图像为包括待识别客车前风窗的图像；
第二获取模块，用于获取所述待识别图像中所述前风窗所在区域的图像，作为待检测车窗图像；
第一检测模块，用于检测所述待检测车窗图像中是否包括客运标志牌，得到第一检测结果；
第一确定模块，用于基于所述第一检测结果，确定所述待识别客车是否为营运客车。
可选的，所述第一检测模块，具体用于将所述待检测车窗图像输入至预先训练好的客运标志牌检测模型，确定所述待检测车窗图像中每一目标物的位置信息，以及指示所述目标物为客运标志牌的置信度，作为第一检测结果；
其中，所述客运标志牌检测模型是基于第一预设训练集训练得到的，所述第一预设训练集中包括多个样本客车的前风窗所对应的样本车窗图像，以及指示所述样本客车中营运客车的客运标志牌在样本车窗图像中位置的标识信息。
可选的，所述第一确定模块，具体用于若所述第一检测结果中存在置信度大于预设置信度阈值的目标物，则确定所述待识别客车为营运客车；若所述第一检测结果中不存在置信度大于所述预设置信度阈值的目标物，则确定所述待识别客车为非营运客车。
可选的，所述装置还包括：
第三获取模块，用于获取所述第一预设训练集；
第二检测模块，用于将所述第一预设训练集中每一样本车窗图像输入预设YOLO检测模型，得到每一样本车窗图像的样本检测结果；
第一计算模块，用于根据每一样本车窗图像的样本检测结果，以及所述第一预设训练集中的标识信息，计算所述预设YOLO检测模型的第一损失值；
第一调节模块，用于当所述第一损失值大于第一损失值阈值时，调节所述预设YOLO检测模型的参数，并返回调用所述第二检测模块执行所述将所述第一预设训练集中每一样本车窗图像输入预设YOLO检测模型，得到每一样本车窗图像的样本检测结果的步骤；
第二确定模块，用于当所述第一损失值不大于所述第一损失值阈值时，将当前时刻的预设YOLO检测模型确定为训练好的客运标志牌检测模型。
可选的，所述装置还包括：
第四获取模块，用于在确定所述待识别客车为营运客车后，获取所述待识别图像中预设ROI区域的图像，作为待检测线路图像；所述预设ROI区域是基于所述前风窗所在的位置确定的；
第三检测模块，用于检测所述待检测线路图像中是否包括客车运输线路名称，得到第二检测结果；
第三确定模块，用于基于所述第二检测结果，确定所述待识别客车所属的营运客车类型。
可选的，所述第三检测模块，具体用于将所述待检测线路图像输入预先训练好的线路名称检测模型，确定所述待检测线路图像中是否包括客车运输线路名称，作为第二检测结果；
其中，所述线路名称检测模型是基于第二预设训练集训练得到的，所述第二预设训练集包括多个样本营运客车的预设ROI区域所对应的样本线路图像，以及指示每一样本线路图像是否包括客车运输线路名称的标识信息。
可选的，所述第三确定模块，具体用于若所述第二检测结果指示所述待检测线路图像中包括所述客车运输线路名称，则确定所述待识别客车所属的营运客车类型为班车客运；若所述第二检测结果指示所述待检测线路图像中未包括所述客车运输线路名称，则确定所述待识别客车所属的营运客车类型为包车客运。
可选的，所述装置还包括：
第五获取模块，用于获取所述第二预设训练集；
第四检测模块，用于将所述第二预设训练集中的每一样本线路图像输入预设深度学习网络模型，得到每一样本线路图像的样本检测结果；
第二计算模块，用于根据每一样本线路图像的样本检测结果，以及所述第二预设训练集中的标识信息，计算所述预设深度学习网络模型的第二损失值；
第二调节模块，用于若所述第二损失值大于第二损失值阈值，则调节所述预设深度学习网络模型的参数，并返回调用所述第四检测模块执行所述将所述第二预设训练集中的每一样本线路图像输入预设深度学习网络模型，得到每一样本线路图像的样本检测结果的步骤；
第四确定模块，用于若所述第二损失值不大于所述第二损失值阈值，则将当前时刻的预设深度学习网络模型确定为训练好的线路名称检测模型。
可选的，所述装置还包括：
识别模块，用于在确定所述待识别客车为营运客车后，对所述待检测车窗图像中所述客运标志牌进行字符识别，得到目标字符串；
第五确定模块，用于根据所述目标字符串，确定所述待识别客车所属的营运客车类型。
可选的，所述第五确定模块，具体用于若所述目标字符串中包括第一字符，则确定所述待识别客车所属的营运客车类型为班车客运；若所述目标字符串中包括第二字符，则确定所述待识别客车所属的营运客车类型为包车客运；所述第一字符为班车，所述第二字符为包车。
本申请实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的营运客车识别方法步骤。
本申请实施例还提供流一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的营运客车识别方法步骤。
本申请实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的营运客车识别方法。
本申请实施例有益效果：
本申请实施例提供的技术方案，在获取到包括待识别客车前风窗的待识别图像后，通过对前风窗所在区域的待检测车窗图像的检测，确定该待检测车窗图像中是否包括客运标志牌，从而确定待识别客车是否为营运客车，实现对营运客车的识别。由于营运客车营运过程中必须放置客运标志牌，因此，通过对客车的前风窗所在区域内客运标志牌的检测，可以准确确定出营运客车，有效提高了营运客车识别的准确性。
当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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，还可以根据这些附图获得其他的实施例。
图1为本申请实施例提供的营运客车识别方法的第一种流程示意图；
图2为某一营运客车行驶过程中采集到的视频帧；
图3-a为客运班车的班车客运标志牌的一种示意图；
图3-b为包车的包车客运标志牌的一种示意图；
图4为本申请实施例提供的营运客车识别方法的第二种流程示意图；
图5为本申请实施例提供的客运标志牌检测模型训练的一种流程示意图；
图6为本申请实施例提供的营运客车识别方法的第三种流程示意图；
图7-a为本申请实施例提供的待识别客车中车顶区域的一种示意图；
图7-b为本申请实施例提供的待识别客车中车窗区域的一种示意图；
图7-c为本申请实施例提供的待识别客车中预设ROI区域的一种示意图；
图8为本申请实施例提供的营运客车识别方法的第四种流程示意图；
图9为本申请实施例提供的线路名称检测模型训练方法的一种流程示意图；
图10为本申请实施例提供的营运客车识别方法的第五种流程示意图；
图11为本申请实施例提供的营运客车识别装置的一种结构示意图；
图12为本申请实施例提供的电子设备的一种结构示意图。
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基于本申请所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例中的相关名词的解释如下：
营运客车：主要包括客运班车和包车。其中，客运班车所属的营运客车类型为班车客运。包车所属的营运客车类型为包车客运。
班车客运：客车在城乡道路上按照固定的线路、时间、站点、班次运行的一种客运方式。也可简单理解为：长时间按照固定的时间及线路进行的一种客运方式。
包车客运：以运送团体旅客为目的，将客车包租给用户安排使用，提供驾驶劳务，按照约定的起始地、目的地和路线行驶，由包车用户统一支付费用的一种客运方式。也可简单理解为：某一时间段内按照某一路线进行的一种客运方式。
前风窗：车辆前部用于挡风以及可提供驾驶员清晰视野的车窗。即前挡风玻璃所对应的车窗。
客运标志牌：由道路运输管理机构为客运经营者所经营的营运客车发放的。营运客车营运时需随车放置在规定位置。
相关技术中，根据车辆的车标、车牌颜色、车辆的营运资质等信息，通过人工识别的方式，对视频帧或视频流中的营运客车进行识别，从而实现对营运客车的管控。但是，在车流量较多的场景中，由于人工识别的局限性，将严重影响营运车辆识别的准确性。
为了解决相关技术中不能准确识别营运客车的问题，本申请实施例提供了一种营运客车识别方法。如图1所示，图1为本申请实施例提供的营运客车识别方法的第一种流程示意图。该方法可以应用于任一电子设备，具体包括以下步骤。
步骤S101，获取待识别图像，待识别图像为包括待识别客车前风窗的图像。
步骤S102，获取待识别图像中前风窗所在区域的图像，作为待检测车窗图像。
步骤S103，检测待检测车窗图像中是否包括客运标志牌，得到第一检测结果。
步骤S104，基于第一检测结果，确定待识别客车是否为营运客车。
在本申请实施例中，上述电子设备可以为监控系统中的监控摄像机，也可以为进行数据处理的服务器。在此，对上述电子设备不作具体限定。
通过图1的方法，在获取到包括待识别客车前风窗的待识别图像后，通过对前风窗所在区域的待检测车窗图像的检测，确定该待检测车窗图像中是否包括客运标志牌，从而确定待识别客车是否为营运客车，实现对营运客车的识别。由于营运客车营运过程中必须放置客运标志牌，因此，通过对客车的前风窗所在区域内客运标志牌的检测，可以准确确定出营运客车，有效提高了营运客车识别的准确性。
下面通过具体的实施例，对本申请实施例进行说明。为便于描述，下面以电子设备为执行主体进行说明，并不起任何限定作用。
针对上述步骤S101，即获取待识别图像，待识别图像为包括待识别客车前风窗的图像。
当上述电子设备为监控摄像机时，电子设备可以从其实时采集到的视频流中获取得到待识别图像。
为便于理解，以监控摄像机所采集到的视频流为视频流A为例进行说明。
上述视频流A中包括多张视频帧。针对视频流A中的每一视频帧，电子设备可以对该视频帧中的车辆所在区域进行定位，从而确定视频流A中包括车辆的视频帧集合，记为视频帧集合A。针对视频帧集合A中的每一视频帧，电子设备可以根据车辆的车型和车牌颜色识别出客车所对应的视频帧集合，记为视频帧集合B。电子设备可以从视频帧集合B中获取包括客车前风窗的视频帧，作为待识别图像。待识别图像中的车辆即为待识别客车。
在本申请实施例中，根据不同国家相关规定的不同，客车的车牌颜色可能有所不同。例如，一种已知的规定中，对于以汽油为动力的客车，其车牌颜色为黄色；对于以新能源为动力的客车，其车牌颜色由黄色、绿色拼接而成。另外，根据客车生产厂商的不同，不同厂商制造的客车在车型上通常有一定的差异，例如，车辆的长度、后视镜高度等往往有所不同。因此，上述在识别客车所对应的视频帧时，除了根据上述车型以及车牌颜色进行识别以外，电子设备还可以综合其他信息，如车辆的生产厂商、车辆的载客量等识别出客车所对应的视频帧，得到上述视频帧集合B。在此，对上述客车所对应的视频帧的识别方式不作具体限定。
在本申请实施例中，由于上述待识别图像除了为客车所对应的视频帧以外，还需要包括客车的前风窗所在的区域，因此，电子设备需要根据其采集到的视频流，确定视频帧中客车的运动方向，从而将该客车对应的正向车辆图像确定为待识别图像。其中，正向车辆图像为客车运行方向朝向监控摄像机采集方向时采集到的视频帧。
为便于理解，以图2为例，图2为某一营运客车行驶过程中采集到的视频帧。由于此时客车的运行方向朝向监控摄像机采集方向，因此，上述监控摄像机可以很好的采集得到包括该营运客车的前风窗所在区域的图像，从而得到上述待识别图像。
当上述电子设备为服务器时，服务器可以接收前端设备发送的视频流或多个视频帧中获得待识别图像。其中，前端设备可以为上述监控摄像机，也可以为上述监控摄像机与服务器间的其他处理设备。在此，对前端设备不作具体限定。
一个可选的实施例中，当服务器接收到上述前端设备发送的视频流时，服务器可以参照上述监控摄像机获取待识别图像的方式，从接收到的视频流中获取待识别图像，在此不作具体说明。
另一个可选的实施例中，当服务器接收到前端设备发送的多个视频帧时，电子设备可以根据每一视频帧携带的位置信息和方向信息，确定视频帧中客车的运动方向，从而获取得到上述待识别图像；或者，电子设备可以对接收到的每一视频帧中客车的运行方向进行识别，确定每一视频帧中客车的运动方向，从而获取得到上述待识别图像。
在本申请实施例中，上述待识别图像可以为某一待识别客车所对应的车辆图像，也可以为多个待识别客车所对应的车辆图像。
仍以上述视频流A为例，视频流A为某一路段在的监控视频。由于每一时间段内通过该路段的客车数量的不确定性，因此，在根据某一时间段的监控视频获取上述待视频图像时，电子设备所获取到的待识别图像可以为一个客车的车辆图像，也可以为多个客车所对应的车辆图像。
一个可选的实施例中，为了便于后期的识别过程，在获取上述待识别图像时，每一待识别图像中可以仅包括一辆待识别客车。
在此，对上述获取到的待识别图像的数量不作具体限定。为便于描述，下面仅以一个待识别客车的待识别图像为例进行说明，并不起任何限定作用。
在本申请实施例中，虽然上述客运标志牌需要放置在规定位置处，但是并没有明确指定该规定位置的具体位置。客运标志牌通常被放置在客车的前风窗内，因此，电子设备获取上述包括待识别客车前风窗的图像，作为待识别图像。若后期明确指定了客运标志牌所在的具体位置，电子设备可以获取包括该具体位置所在区域的图像，作为待识别图像。
针对上述步骤S102，即获取待识别图像中前风窗所在区域的图像，作为待检测车窗图像。
在本步骤中，电子设备可以利用车窗定位技术，确定上述待识别图像中前风窗所在的位置。电子设备可以根据车窗定位所确定的前风窗的位置，在待识别图像中截取前风窗所在区域的图像，得到待检测车窗图像。在此，所有用于车窗定位的技术均可以应用于本申请。
为便于理解，仍以图2为例对上述待检测车窗图像的获取进行说明。电子设备通过定位图2所示的客车中前风窗所在的位置，可以确定区域1为前风窗所在的区域。此时，电子设备可以截取区域1内的图像，得到该客车的待检测车窗图像，也就是待识别客车的待检测车窗图像。
针对上述步骤S103，即检测待检测车窗图像中是否包括客运标志牌，得到第一检测结果。
在本步骤中，在得到上述待检测车窗图像后，电子设备可以对该待检测车窗图像中包括的每一目标物进行检测，从而确定该待检测车窗图像中是否包括客运标志牌，也就是确定待检测车窗图像所包括的目标物中是否存在客运标志牌，得到待检测车窗图像的检测结果，记为第一检测结果。
在本申请实施例中，上述目标物可以为待检测车窗图像中出现的任一物品或人员。在此，对上述目标物不作具体限定。
关于对上述待检测车窗图像的检测可参见下文描述，在此不作具体说明。
在本申请实施例中，上述客运标志牌中可以包括多项信息。
为便于理解，以图3-a和图3-b为例进行说明。图3-a为客运班车的班车客运标志牌的一种示意图。图3-b为包车的包车客运标志牌的一种示意图。
在图3-a所示的班车客运标志牌包括客运班车营运时的起点和讫点，客运班车的经营期限等信息。在图3-b所示的包车客运标志牌包括包车营运时的起点和讫点，客运标志牌的有效期等信息。在此，对上述客运标志牌中所包括的信息不作具体限定。
针对上述步骤S104，即基于第一检测结果，确定待识别客车是否为营运客车。
在本步骤中，电子设备可以根据上述第一检测结果确定上述待检测车窗图像中是否包括客运标志牌。当上述待检测车窗图像中包括客运标志牌时，电子设备可以确定上述待识别客车为营运客车。当上述待检测车窗图像中包括客运标志牌时，电子设备可以确定上述待识别客车为非营运客车。
一个可选的实施例中，根据图1所示的方法，本申请实施例还提供了一种营运客车识别方法。如图4所示，图4为本申请实施例提供的营运客车识别方法的第二种流程示意图。该方法包括以下步骤。
步骤S401，获取待识别图像，待识别图像为包括待识别客车前风窗的图像。
步骤S402，获取待识别图像中前风窗所在区域的图像，作为待检测车窗图像。
上述步骤S401-步骤S402与上述步骤S101-步骤S102相同。
步骤S403，将待检测车窗图像输入至预先训练好的客运标志牌检测模型，确定待检测车窗图像中每一目标物的位置信息，以及指示目标物为客运标志牌的置信度，作为第一检测结果。
在本步骤中，电子设备在获取得到上述待检测车窗图像后，可以将该待检测车窗图像输入至预先训练好的客运标志牌检测模型，由该客运标志牌检测模型对输入的待检测车窗图像中包括的目标物进行检测，从而确定待检测车窗图像中每一目标物所在的区域的位置信息，以及指示目标物为客运标志牌的置信度。电子设备可以获取客运标志牌检测模型输出的待检测车窗图像中每一目标物的位置信息，以及指示目标物为客运标志牌的置信度，作为待检测车窗图像的检测结果，即上述第一检测结果。
为便于理解，仍以上述图2为例进行说明。
在图2中，电子设备将区域1所对应的待检测车牌图像输入至上述训练好的客运标志牌检测模型后，该客运标志牌检测模型可以识别出该待检测车牌图像中包括的每一目标物，即图2所示的区域2中的客运标志牌，区域3中的客车司机，区域4中的物品A，区域5中的物品B，区域6中的物品C，以及区域7中的车检合格标志。客运标志牌检测模型可以确定并输出每一目标物所在区域的位置坐标，以及指示每一目标物为客运标志牌的置信度。
在本申请实施例中，针对不同的待识别客车，根据客车用途以及图像采集时客车内具体情况的不同，上述待检测车窗图像中所包括的目标物也将有所不同的。
在本申请实施例中，上述客运标志牌检测模型是基于第一预设训练集训练得到的，第一预设训练集中包括多个样本客车的前风窗所对应的样本车窗图像，以及指示样本客车中营运客车的客运标志牌在样本车窗图像中位置的标识信息。也就是在第一预设训练集中仅有样本客车为营运客车所对应的样本车窗图像存在标识信息，该标识信息用于指示客运标志牌所在的位置。关于上述客运标志牌检测模型的训练过程可参见下文描述，在此不作赘述。
步骤S404，基于第一检测结果，确定待识别客车是否为营运客车。
在本步骤中，电子设备在确定待检测车窗图像中每一目标物所对应的位置信息和置信度后，可以将每一目标物所对应的置信度与预设置信度阈值进行比较，从而确定待识别客车是否为营运客车。在此，对预设置信度阈值不作具体限定。
一个可选的实施例中，若第一检测结果中存在置信度大于预设置信度阈值的目标物，则电子设备可以确定待识别客车为营运客车；若第一检测结果中不存在置信度大于预设置信度阈值的目标物，则电子设备可以确定待识别客车为非营运客车。
在本申请实施例中，当上述待检测车窗图像中某一目标物所对应的置信度大于上述预设置信度阈值时，电子设备可以确定该目标物即为上述客运标志牌。而放置有客运标志牌的客车即为营运客车。
因此，当上述第一检测结果中存在置信度大于预设置信度阈值的目标物时，电子设备可以确定该目标物为待识别客车的客运标志牌。此时，电子设备可以确定待识别客车为营运客车。当上述第一检测结果中不存在置信度大于预设置信度阈值的目标物时，也就是上述待检测车窗图像中每一目标物所对应的置信度均小于等于上述预设置信度阈值时，电子设备可以确定待检测车窗图像中不存在客运标志牌。此时，电子设备可以确定待识别客车为非营运客车。也就是待识别客车不是营运客车。
通过将待检测车窗图像中包括的每一目标物所对应的置信度与预设置信度阈值的比较，电子设备可以准确确定出待检测车窗图像中是否包括客运标志牌，从而准确识别出待识别客车是否为营运客车，提高了营运客车识别的准确性。
基于同一种发明构思，根据上述本申请实施例提供的营运客车识别方法，本申请实施例还提供了一种客运标志牌检测模型训练方法。如图5所示，图5为本申请实施例提供的客运标志牌检测模型训练的一种流程示意图。该方法包括以下步骤。
步骤S501，获取第一预设训练集。
上述第一预设训练集中包括多个样本客车的前风窗所对应的样本车窗图像，以及指示样本客车中营运客车的客运标志牌在样本车窗图像中位置的标识信息。
在本申请实施例中，上述样本客车可以为多种类型的客车，例如，普通客车、公交车、客运班车、包车。在上述第一预设训练集中每一类型的样本客车可以存在多张样本车窗图像。关于上述样本车窗图像的获取方式可参照上述待检测车窗图像的获取方式，在此不作具体说明。
一个可选的实施例中，在获取上述样本车窗图像的过程中，需要在采集到的样本客车的车辆图像中定位前风窗所在的区域。为了提高确定出的前风窗所在的区域的准确性，在利用车窗定位技术确定前风窗所在的区域后，可以通过人工校准的方式，对确定的前风窗所在的区域进行校准。
在本申请实施例中，电子设备在获取得到上述样本车窗图像后，可以通过人工标定的方式，对样本客车为营运客车的样本车窗图像中的客运标志牌所在的位置进行标定。电子设备获取人工标定后的样本车窗图像，并且确定人工标定的客运标志牌所在的位置的位置信息。电子设备将该位置信息作为该样本车窗图像的标识信息。
步骤S502，将第一预设训练集中每一样本车窗图像输入预设YOLO检测模型，得到每一样本车窗图像的样本检测结果。
在本步骤中，电子设备可以将上述第一预设训练集中的每一样本车窗图像输入预设YOLO检测模型。其中，YOLO检测模型为一种目标检测模型。预设YOLO检测模型将输出每一样本车窗图像中包括的每一目标物所在的位置信息，以及指示目标为客运标志牌的置信度。电子设备获取每一样本车窗图像包括的目标物所对应的位置信息和置信度作为每一样本车窗图像的样本检测结果。在此，对上述预设YOLO检测模型的模型结构以及处理过程不作具体说明。
步骤S503，根据每一样本车窗图像的样本检测结果，以及第一预设训练集中的标识信息，计算预设YOLO检测模型的第一损失值。
在本申请实施例中，当上述样本检测结果中某一目标物所对应的置信度大于上述预设置信度阈值，电子设备可以确定该目标物为上述客运标志牌。因此，电子设备在确定每一样本车窗图像的样本检测结果后，可以根据该样本检测结果中包括的置信度确定样本车窗图像中是否存在客运标志牌，从而将存在客运标志牌的样本车窗图像中的客车确定为营运客车。
另外，在上述第一预设训练集中，由于样本车窗图像中营运客车的客运标志牌所在的位置存在对应的标识信息，也就是存在标识信息的样本车窗图像为营运客车所对应的车窗图像。
因此，电子设备可以根据每一样本车窗图像的样本检测结果，预测每一样本车窗图像所对应的样本客车是否为营运客车，即预测得到每一样本车窗图像是否为营运客车的预测结果。并且，根据上述第一预设训练集中每一样本车窗图像是否存在指示客运标志牌位置的标识信息，确定每一样本车窗图像是否为营运客车，即确定每一样本车窗图像是否为营运客车的真实结果。此时，电子设备可以根据每一样本车窗图像的预测结果和真实结果，利用预设损失函数，计算得到上述预设YOLO检测模型的损失值，记为第一损失值。在此，对上述第一损失值的计算过程不作具体说明。
在本申请实施例中，上述预设损失函数包括但不限于绝对值损失函数、平方差损失函数。在此，对上述预设损失函数不作具体限定。
步骤S504，当第一损失值大于第一损失值阈值时，调节预设YOLO检测模型的参数，并返回执行上述步骤S502。
在本申请实施例中，电子设备在计算得到上述第一损失值后，可以将该第一损失值与第一损失值阈值进行比较，得到比较结果，从而根据该比较结果，确定上述预设YOLO检测模型是否收敛。在此，对第一损失值阈值不作具体限定。
当上述第一损失值大于上述第一损失值阈值时，电子设备可以确定上述预设YOLO检测模型未收敛，需要继续对预设YOLO检测模型进行训练。此时，电子设备可以对上述预设YOLO检测模型的参数进行调节，并返回执行上述步骤S502，即返回执行上述将第一预设训练集中每一样本车窗图像输入预设YOLO检测模型，得到每一样本车窗图像的样本检测结果的步骤。
上述对预设YOLO检测模型的参数进行调节时，电子设备可以采用梯度下降法、反向调节法等方式，对预设YOLO检测模型中的权重和偏置量等进行调节。在此，对上述预设YOLO检测模型的参数调节过程不作具体说明。
步骤S505，当第一损失值不大于第一损失值阈值时，将当前时刻的预设YOLO检测模型确定为训练好的客运标志牌检测模型。
在本步骤中，当上述第一损失值小于等于上述第一损失值阈值时，电子设备可以确定上述预设YOLO检测模型收敛。也就是电子设备可以确定完成对预设YOLO检测模型的训练。此时，电子设备可以将当前时刻的预设YOLO检测模型确定为训练好的客运标志牌检测模型。也就是上述步骤S403中的预先训练好的客运标志牌检测模型。
在本申请实施例中，电子设备在执行上述步骤S503后，若第一损失值大于第一损失值阈值，则执行上述步骤S504；若第一损失值不大于第一损失值阈值，则执行上述步骤S505。
通过上述步骤S501-步骤S505，电子设备可以利用上述第一预设训练集完成对上述预设YOLO检测模型的训练，保证了训练得到的客运标志牌检测模型的准确性，从而保证了后期利用该客运标志牌检测模型对上述待检测车窗图像进行检测的准确性，保证了营运客车识别的准确性。
在图5所示的实施例中，仅以利用第一预设训练集对预设YOLO检测模型进行训练得到上述客运标志牌检测模型为例进行说明。除此以外，上述客运标志牌检测模型还可以是利用上述第一预设训练集对基于局部二值模式自适应增强(Local Binary Pattern-adaboost，lbp-adaboost)算法、可变形部件模型(Deformable Parts Model，DPM)目标检测算法或快速卷积神经网络(faster-Region-Convolutional Neural Networks，faster-RCNN)算法所构建模型进行训练得到的。在此，对上述客运标志牌检测模型不作具体限定。
一个可选的实施例中，根据上述图1所示的方法，本申请实施例还提供了一种营运客车识别方法。如图6所示，图6为本申请实施例提供的营运客车识别方法的第三种流程示意图。该方法包括以下步骤。
步骤S601，获取待识别图像，待识别图像为包括待识别客车前风窗的图像。
步骤S602，获取待识别图像中前风窗所在区域的图像，作为待检测车窗图像。
步骤S603，检测待检测车窗图像中是否包括客运标志牌，得到第一检测结果。
步骤S604，基于第一检测结果，确定待识别客车是否为营运客车。
上述步骤S601-步骤S604与上述步骤S101-步骤S104相同。
步骤S605，在确定待识别客车为营运客车后，获取待识别图像中预设ROI区域的图像，作为待检测线路图像；预设ROI区域是基于前风窗所在的位置确定的。
在本步骤中，电子设备通过上述第一检测结果确定待识别客车为营运客车后，可以从上述待识别图像中截取预设ROI区域所包括的图像，得到待检测线路图像。
在本申请实施例中，营运客车所属的营运类型可以分为班车客运和包车客运。其中，班车客运在客车的前风窗上部设置有客车运输线路名称的展示区域。根据班车客运营运时所对应的运输线路，可以将客车运输线路名称展示在该展示区域。为便于对班车客运类型的营运客车的识别，电子设备可以将包括该展示区域的ROI区域设定为预设ROI区域。
为了保证设定的预设ROI区域的准确性，上述预设ROI区域大于等于客车运输线路名称的展示区域。
在本申请实施例中，上述预设ROI区域可以是基于前风窗所在的位置确定的。
一个可选的实施例中，电子设备可以将上述待识别图像中车顶区域与前风窗所在的区域的上三分之一区域所共同组成的区域确定为上述预设ROI区域。
为便于理解，结合图7-a、图7-b和图7-c对上述预设ROI区域进行说明。图7-a为本申请实施例提供的待识别客车中车顶区域的一种示意图。图7-b为本申请实施例提供的待识别客车中车窗区域的一种示意图。图7-c为本申请实施例提供的待识别客车中预设ROI区域的一种示意图。现以水平向右方向为X轴方向，竖直向下为Y轴方向。
在图7-a中，区域701为识别出的车顶所在的区域，区域701的左上角顶点的坐标为：(x1，y1)，区域701的右下角顶点的坐标为：(x2,y2)。
在图7-b中，区域702为识别出的前风窗所在的区域，区域702的左上角顶点的坐标为：(x3，y3)，区域702的右下角顶点的坐标为：(x4,y4)。
在图7-c中，根据图7-a中的区域701以及图7-b中的区域702，电子设备可以将区域703确定为上述预设ROI区域，其中，区域703的左上角顶点的坐标为：(x1,y1)，区域702的右下角顶点的坐标为：
Figure BDA0003202974730000121
在本申请实施例中，电子设备在根据前风窗所在的位置设定上述预设ROI区域时，还可以采用其他方法设定该预设ROI区域，例如，电子设备可以将车顶到前风窗的二分之一区域确定为上述预设ROI区域。在此，对上述预设ROI区域的确定不作具体限定。
步骤S606，检测待检测线路图像中是否包括客车运输线路名称，得到第二检测结果。
在本步骤中，电子设备获取得到上述待检测线路图像后，可以对该待检测车窗图像中的客车运输线路名称进行检测，从而确定该待检测车窗图像中是否包括客车运输线路名称，得到该待检测线路图像的检测结果，记为第二检测结果。
关于上述待检测线路图像的检测可参见下文描述，在此不作具体说明。
上述客车运输线路名称中至少包括客车运输线路所对应的起点和讫点。在此，对上述客车运输线路名称所包括的信息不作具体限定。
步骤S607，基于第二检测结果，确定待识别客车所属的营运客车类型。
在本步骤中，电子设备可以根据上述待检测线路图像的第二检测结果，确定待识别客车所属的营运客车类型。也就是确定待识别客车所属的营运客车类型是上述班车客运，还是上述包车客运。
一个可选的实施例中，当上述第二检测结果指示上述待检测线路图像中包括客车运输线路名称时，电子设备可以确定待识别客车所属的营运客车类型为上述班车客运；当上述第二检测结果指示上述待检测线路图像中不包括客车运输线路名称时，电子设备可以确定待识别客车所属的营运客车类型为上述包车客运。
通过图6所示的方法，在确定待识别客车为营运客车后，电子设备通过执行上述步骤S605-步骤S607，可以进一步确认营运客车所属的营运客车类型，从而使得在对营运客车进行管控时，可以分别针对客运班车和包车进行管控，保证了营运客车管控的针对性及准确性。
在图6所示的营运客车识别过程中，上述步骤S605是在上述步骤S604执行后针对待识别客车为营运客车的待识别图像进行的进一步识别。除此以外，上述步骤S605也可以在上述步骤S602执行之前/执行时/执行后执行，从而综合上述第一检测结果和第二检测结果确定待识别客车是否为营运客车，以及待识别客车为营运客车时该待识别客车所属的营运客车类型。在此，对上述步骤S602与步骤S605执行顺序不作具体限定。
一个可选的实施例中，根据图6所示的方法，本申请实施例还提供了一种营运客车识别方法。如图8所示，图8为本申请实施例提供的营运客车识别方法的第四种流程示意图。该方法包括以下步骤。
步骤S801，获取待识别图像，待识别图像为包括待识别客车前风窗的图像。
步骤S802，获取待识别图像中前风窗所在区域的图像，作为待检测车窗图像。
步骤S803，检测待检测车窗图像中是否包括客运标志牌，得到第一检测结果。
步骤S804，基于第一检测结果，确定待识别客车是否为营运客车。
步骤S805，在确定待识别客车为营运客车后，获取待识别图像中预设ROI区域的图像，作为待检测线路图像；预设ROI区域是基于前风窗所在的位置确定的。
上述步骤S801-步骤S805与上述步骤S601-步骤S605相同。
步骤S806，将待检测线路图像输入预先训练好的线路名称检测模型，确定待检测线路图像中是否包括客车运输线路名称，作为第二检测结果。
在本步骤中，电子设备在获取得到上述待检测线路图像后，可以将该待检测线路图像输入至预先训练好的线路名称检测模型，由该线路名称检测模型对输入的待检测线路图像中包括的客车运输线路名称进行检测，从而得到待检测线路图像中是否存在客车运输线路名称的检测结果，并输出该检测结果。电子设备获取该线路名称检测模型输出的检测结果，得到上述第二检测结果。
在本申请实施例中，上述第二检测结果可以指示待检测线路图像中存在客车运输线路名称。上述待检测结果也可以指示待检测线路图像中不存在客车运输线路名称。
例如，当上述线路名称检测模型的输出结果为0时，电子设备可以确定待检测线路图像中不存在客车运输线路名称。当上述线路名称检测模型的输出结果为1时，电子设备可以确定待检测线路图像中存在客车运输线路名称。
在本申请实施例中，上述线路名称检测模型是基于第二预设训练集训练得到的，第二预设训练集包括多个样本营运客车的预设ROI区域所对应的样本线路图像，以及指示每一样本线路图像是否包括客车运输线路名称的标识信息。关于上述线路名称检测模型的训练过程可参见下文描述，在此不作赘述。
步骤S807，基于第二检测结果，确定待识别客车所属的营运客车类型。
一个可选的实施例中，若第二检测结果指示待检测线路图像中包括客车运输线路名称，则电子设备可以确定待识别客车所属的营运客车类型为班车客运。
例如，当上述第二检测结果为0时，电子设备可以确定待识别客车所属的营运客车类型为班车客运。
另一个可选的实施例中，若第二检测结果指示待检测线路图像中未包括客车运输线路名称，则电子设备可以确定待识别客车所属的营运客车类型为包车客运。
例如，当上述第二检测结果为1时，电子设备可以确定待识别客车所属的营运客车类型为包车客运。
通过上述线路名称检测模型对上述待检测线路图像进行检测，可以及时准确的确定出待检测线路图像中是否包括客车运输线路名称，从而准确确定出待识别客车所属的营运客车类型，提高了营运客车类型识别的准确性。
基于同一种发明构思，根据上述本申请实施例提供的营运客车识别方法，本申请实施例还提供了一种线路名称检测模型训练方法，如图9所示，图9为本申请实施例提供的线路名称检测模型训练方法的一种流程示意图。该方法包括以下步骤。
步骤S901，获取第二预设训练集。
上述第二预设训练集中包括多个样本营运客车的预设ROI区域所对应的样本线路图像，以及指示每一样本线路图像是否包括客车运输线路名称的标识信息。
上述样本营运客车包括上述客运班车和包车。客运班车和包车所对应的样本线路图像可以为多个。上述样本线路图像的获取方式可参照上述待检测线路图像的获取方式，在此不作具体说明。
在本申请实施例中，电子设备在获取得到上述样本线路图像后，可以通过人工标定的方式，对客运班车所对应的样本线路图像中客车运输线路名称所在的区域进行标定。电子设备获取人工标定的标定客车运输线路名称所在的区域的位置信息，从而确定指示每一样本线路图像是否包括客车运输线路名称的标识信息。
步骤S902，将第二预设训练集中的每一样本线路图像输入预设深度学习网络模型，得到每一样本线路图像的样本检测结果。
在本步骤中，电子设备可以将上述第二预设训练集中的每一样本线路图像输入预设深度学习网络模型。预设深度学习网络模型对输入的每一样本线路图像进行特征提取，从而根据提取到的特征对每一样本线路图像进行分类，也就是将样本线路图像划分为包括客车运输线路名称的一类，或者将样本线路图像划分为不包括客车运输线路的一类，并输出分类结果。电子设备获取该预设深度学习网络模型输出每一样本线路图像的分类结果，得到每一样本线路图像的检测结果。
在本申请实施例中，上述预设深度学习网络模型可以包括特征提取部分和分类部分。
以预设深度学习网络模型为darknet+softmax网络结构为例进行说明。其中，darknet为一种深度学习框架，darknet部分用于深度特征提取，具体的，通过对输入的样本线路图像进行多次的卷积池化处理，将样本线路图像中的特征映射到一个更优的特征空间中，从而得到该样本线路图像对应的特征向量。softmax为一种逻辑回归模型，softmax部分用于特征分类。具体的，根据darknet部分得到样本线路图像所对应的特征向量，对样本线路图像记性分类。
在本申请实施例中，对上述预设深度学习网络模型的模型结果以及处理过程不作具体说明。
步骤S903，根据每一样本线路图像的样本检测结果，以及第二预设训练集中的标识信息，计算预设深度学习网络模型的第二损失值。
在本申请实施例中，电子设备在得到每一样本线路图像的样本检测结果后，可以根据该样本检测结果确定每一样本线路图像中是否包括客车运输线路名称。而上述第二预设训练集中包括指示每一样本线路图像是否包括客车运输线路名称的标识信息。因此，电子设备可以根据每一样本线路图像的样本检测结果和第二预设训练集中每一样本线路图像所对应的标识信息，利用预设损失函数，计算得到上述预设深度学习网络模型的损失值，记为第二损失值。
在本申请实施例中，上述预设损失函数包括但不限于绝对值损失函数、平方差损失函数。在此，对上述预设损失函数不作具体限定。
步骤S904，若第二损失值大于第二损失值阈值，则调节预设深度学习网络模型的参数，并返回执行步骤S902。
在本申请实施例中，电子设备在计算得到上述第二损失值后，可以将该第二损失值与第二损失值阈值进行比较，得到比较结果，从而根据该比较结果，确定上述预设深度学习网络模型是否收敛。在此，对第二损失值阈值不作具体限定。
当上述第二损失值阈值大于上述第二损失值阈值时，电子设备可以确定上述预设深度学习网络模型未收敛，需要继续对预设深度学习网络模型进行训练。此时，电子设备可以对上述预设深度学习网络模型的参数进行调节，并返回执行上述步骤S902，即返回执行上述将第二预设训练集中的每一样本线路图像输入预设深度学习网络模型，得到每一样本线路图像的样本检测结果的步骤。
上述对预设深度学习网络模型的参数进行调节时，可以采用梯度下降法、反向调节法等方式，对预设深度学习网络模型中的权重和偏置量等进行调节。在此，对上述预设深度学习网络模型的参数调节过程不作具体说明。
一个可选的实施例中，上述在对预设深度学习网络模型的参数进行调节的同时，还可以对该预设深度学习网络模型进行网络裁剪。
在上述预设深度学习网络模型中，为了保证特征提取的全面性，预设深度学习网络模型中可以包括多个网络通道。在每一轮训练过程中，网络通道的权重越大，其对预设深度学习网络输出的输出结果的影响越大；网络通道的权重越小，其对预设深度学习网络输出的输出结果的影响越小。因此，在上述预设深度学习网络模型的训练过程中，电子设备可以根据预设权重阈值，确定预设深度学习网络模型中权重小于预设权值阈值的数值的参数数量，从而计算预设深度学习网络模型中每一层的稀疏程度，并减少稀疏程度较高的层中网络通道的数量。
在本申请实施例中，由于在城市管理过程中每一天行驶的车辆的数量较多，因此，待识别客车的数量也相对较多，通过上述网络裁剪的方式，可以有效减少训练得到的线路名称检测模型中的网络通道的数量，这将有效缩短利用训练得到的线路名称检测模型进行检测时特征提取所需的时间，从而减少系统资源的消耗，增加了对待检测线路图像识别的数量，便于对更多的客车进行管理。
步骤S905，若第二损失值不大于第二损失值阈值，则将当前时刻的预设深度学习网络模型确定为训练好的线路名称检测模型。
在本申请实施例中，当上述第二损失值小于等于上述第二损失值阈值时，电子设备可以确定上述预设深度学习网络模型收敛。也就是电子设备可以确定完成对预设深度学习网络模型的训练。此时，电子设备可以将当前时刻的预设深度学习网络模型确定为训练好的线路名称检测模型。也就是上述步骤S806中预先训练好的线路名称检测模型。
在本申请实施例中，电子设备在执行上述步骤S903后，若第二损失值大于第二损失值阈值，则执行上述步骤S904；若第二损失值不大于第二损失值阈值，则执行上述步骤S905。
通过上述步骤S901-步骤S905，电子设备可以利用上述第二预设训练集完成对上述预设深度学习网络模型的训练，保证了训练得到的线路名称检测模型的准确性，从而保证了后期利用该线路名称检测模型对上述待检测线路图像进行检测的准确性，保证了营运客车所属营运客车类型的准确性。
在本申请实施例中，电子设备在获取上述第一预设训练集和第二预设训练集时，为了便于后期利用第一预设训练集和第二预设训练集对模型进行训练，电子设备在获取得到上述第一预设训练集中的各样本车窗图像和第二预设训练集中的样本线路图像后，可以对获取到的图像进行尺寸归一化处理以及去中心化处理。在此，对尺寸归一化处理和去中心化处理所对应的处理过程，不作具体说明。
一个可选的实施例中，根据上述图1所示的方法，本申请实施例还提供了一种营运客车识别方法。如图10所示，图10为本申请实施例提供的营运客车识别方法的第五种流程示意图。该方法包括以下步骤。
步骤S1001，获取待识别图像，待识别图像为包括待识别客车前风窗的图像。
步骤S1002，获取待识别图像中前风窗所在区域的图像，作为待检测车窗图像。
步骤S1003，检测待检测车窗图像中是否包括客运标志牌，得到第一检测结果。
步骤S1004，基于第一检测结果，确定待识别客车是否为营运客车。
上述步骤S1001-步骤S1004与上述步骤S101-步骤S104相同。
步骤S1005，在确定待识别客车为营运客车后，对待检测车窗图像中客运标志牌进行字符识别，得到目标字符串。
在本申请实施例中，针对不同类型的营运客车，上述客运标志牌中所包括的信息是不同的。因此，电子设备可以在根据第一检测结果确定待识别客车为营运客车后，可以根据上述待检测车窗图像中客运标志牌所在的位置信息，对该客运标志牌中的字符进行字符识别，得到目标字符串。
步骤S1006，根据目标字符串，确定待识别客车所属的营运客车类型。
一个可选的实施例中，电子设备在根据上述目标字符串确定待识别客车所属的营运客车类型时，可以根据客运班车的客运标志牌中携带的第一字符(该第一字符为班车)，以及包车的客运标志牌中携带的第二字符(该第二字符为包车)，确定待识别客车的营运客车类型。
具体的，若上述目标字符串中包括第一字符，则电子设备可以确定待识别客车所属的营运客车类型为班车客运。若上述目标字符串中包括第二字符，则电子设备可以确定待识别客车所属的营运客车类型为包车客运。
为便于理解，仍以上述图3-a和图3-b为例进行说明。
电子设备在对包括图3-a的班车客运标志牌的待检测车窗图像进行字符识别后，上述目标字符串中包括班车，此时，电子设备可以确定该待检测车窗图像所对应的待识别客车为客运班车。
电子设备在对包括图3-b的包车客运标志牌的待检测车窗图像进行字符识别后，上述目标字符串中包括包车，此时，电子设备可以确定该待检测车窗图像所对应的待识别客车为包车。
在本申请实施例中，一些已知的客运班车的客运标志牌中可以粘贴有“定制客运”的标识。因此，电子设备在根据上述目标字符串确定待识别客车所属的营运客车类型时，当上述目标字符串中包括字符定制客运时，电子设备可以确定待识别客车所属的营运客车类型。
通过上述对营运客车的客运标志牌中的字符的识别，电子设备可以直接根据上述第一字符和第二字符，确定待识别客车所属的营运客车类型，在提高待识别客车所属的营运客车类型确定效率的同时，提高了营运客车类型的准确性。
在本申请实施例中，为便于描述，上述图8仅示出利用客车运输线路名称确定营运客车的营运客车类型的方法，上述图10仅示出利用客运标志牌中的字符确定营运客车的营运客车类型的方法。除此以外，电子设备可以综合图8和图10所示的营运客车类型识别方法，也就是综合根据客车运输线路名称的有无，以及客运标志牌中的第一字符和第二字符，确定待识别客车所属的营运客车类型，进一步提高确定出的营运客车类型的准确性。
基于同一种发明构思，根据本申请实施例提供的营运客车识别方法，本申请实施例还提供了一种营运客车识别装置。如图11所示，图11为本申请实施例提供的营运客车识别装置的一种结构示意图。该装置包括以下模块。
第一获取模块1101，用于获取待识别图像，待识别图像为包括待识别客车前风窗的图像；
第二获取模块1102，用于获取待识别图像中前风窗所在区域的图像，作为待检测车窗图像；
第一检测模块1103，用于检测待检测车窗图像中是否包括客运标志牌，得到第一检测结果；
第一确定模块1104，用于基于第一检测结果，确定待识别客车是否为营运客车。
可选的，上述第一检测模块1103，具体可以用于将待检测车窗图像输入至预先训练好的客运标志牌检测模型，确定待检测车窗图像中每一目标物的位置信息，以及指示目标物为客运标志牌的置信度，作为第一检测结果；
其中，客运标志牌检测模型是基于第一预设训练集训练得到的，第一预设训练集中包括多个样本客车的前风窗所对应的样本车窗图像，以及指示样本客车中营运客车的客运标志牌在样本车窗图像中位置的标识信息。
可选的，上述第一确定模块1104，具体可以用于若第一检测结果中存在置信度大于预设置信度阈值的目标物，则确定待识别客车为营运客车；若第一检测结果中不存在置信度大于预设置信度阈值的目标物，则确定待识别客车为非营运客车。
可选的，上述营运客户识别装置还可以包括：
第三获取模块，用于获取第一预设训练集；
第二检测模块，用于将第一预设训练集中每一样本车窗图像输入预设YOLO检测模型，得到每一样本车窗图像的样本检测结果；
第一计算模块，用于根据每一样本车窗图像的样本检测结果，以及第一预设训练集中的标识信息，计算预设YOLO检测模型的第一损失值；
第一调节模块，用于当第一损失值大于第一损失值阈值时，调节预设YOLO检测模型的参数，并返回调用第二检测模块执行将第一预设训练集中每一样本车窗图像输入预设YOLO检测模型，得到每一样本车窗图像的样本检测结果的步骤；
第二确定模块，用于当第一损失值不大于第一损失值阈值时，将当前时刻的预设YOLO检测模型确定为训练好的客运标志牌检测模型。
可选的，上述营运客户识别装置还可以包括：
第四获取模块，用于在确定待识别客车为营运客车后，获取待识别图像中预设ROI区域的图像，作为待检测线路图像；预设ROI区域是基于前风窗所在的位置确定的；
第三检测模块，用于检测待检测线路图像中是否包括客车运输线路名称，得到第二检测结果；
第三确定模块，用于基于第二检测结果，确定待识别客车所属的营运客车类型。
可选的，上述第三检测模块，具体可以用于将待检测线路图像输入预先训练好的线路名称检测模型，确定待检测线路图像中是否包括客车运输线路名称，作为第二检测结果；
其中，线路名称检测模型是基于第二预设训练集训练得到的，第二预设训练集包括多个样本营运客车的预设ROI区域所对应的样本线路图像，以及指示每一样本线路图像是否包括客车运输线路名称的标识信息。
可选的，上述第三确定模块，具体可以用于若第二检测结果指示待检测线路图像中包括客车运输线路名称，则确定待识别客车所属的营运客车类型为班车客运；若第二检测结果指示待检测线路图像中未包括客车运输线路名称，则确定待识别客车所属的营运客车类型为包车客运。
可选的，上述营运客户识别装置还可以包括：
第五获取模块，用于获取第二预设训练集；
第四检测模块，用于将第二预设训练集中的每一样本线路图像输入预设深度学习网络模型，得到每一样本线路图像的样本检测结果；
第二计算模块，用于根据每一样本线路图像的样本检测结果，以及第二预设训练集中的标识信息，计算预设深度学习网络模型的第二损失值；
第二调节模块，用于若第二损失值大于第二损失值阈值，则调节预设深度学习网络模型的参数，并返回调用第四检测模块执行将第二预设训练集中的每一样本线路图像输入预设深度学习网络模型，得到每一样本线路图像的样本检测结果的步骤；
第四确定模块，用于若第二损失值不大于第二损失值阈值，则将当前时刻的预设深度学习网络模型确定为训练好的线路名称检测模型。
可选的，上述营运客户识别装置还可以包括：
识别模块，用于在确定待识别客车为营运客车后，对待检测车窗图像中客运标志牌进行字符识别，得到目标字符串；
第五确定模块，用于根据目标字符串，确定待识别客车所属的营运客车类型。
可选的，上述第五确定模块，具体可以用于若目标字符串中包括第一字符，则确定待识别客车所属的营运客车类型为班车客运；若目标字符串中包括第二字符，则确定待识别客车所属的营运客车类型为包车客运；第一字符为班车，第二字符为包车。
通过本申请实施例提供的装置，在获取到包括待识别客车前风窗的待识别图像后，通过对前风窗所在区域的待检测车窗图像的检测，确定该待检测车窗图像中是否包括客运标志牌，从而确定待识别客车是否为营运客车，实现对营运客车的识别。由于营运客车营运过程中必须放置客运标志牌，因此，通过对客车的前风窗所在区域内客运标志牌的检测，可以准确确定出营运客车，有效提高了营运客车识别的准确性。
基于同一种发明构思，根据本申请实施例提供的营运客车识别方法，本申请实施例还提供了一种电子设备，如图12所示，包括处理器1201、通信接口1202、存储器1203和通信总线1204，其中，处理器1201，通信接口1202，存储器1203通过通信总线1204完成相互间的通信，
存储器1203，用于存放计算机程序；
处理器1201，用于执行存储器1203上所存放的程序时，实现如下步骤：
获取待识别图像，待识别图像为包括待识别客车前风窗的图像；
获取待识别图像中前风窗所在区域的图像，作为待检测车窗图像；
检测待检测车窗图像中是否包括客运标志牌，得到第一检测结果；
基于第一检测结果，确定待识别客车是否为营运客车。
通过本申请实施例提供的电子设备，在获取到包括待识别客车前风窗的待识别图像后，通过对前风窗所在区域的待检测车窗图像的检测，确定该待检测车窗图像中是否包括客运标志牌，从而确定待识别客车是否为营运客车，实现对营运客车的识别。由于营运客车营运过程中必须放置客运标志牌，因此，通过对客车的前风窗所在区域内客运标志牌的检测，可以准确确定出营运客车，有效提高了营运客车识别的准确性。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
基于同一种发明构思，根据本申请实施例提供的营运客车识别方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一营运客车识别方法的步骤。
基于同一种发明构思，根据本申请实施例提供的营运客车识别方法，本申请实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一营运客车识别方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质及计算机程序产品等实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (22)

1.一种营运客车识别方法，其特征在于，所述方法包括：
获取待识别图像，所述待识别图像为包括待识别客车前风窗的图像；
获取所述待识别图像中所述前风窗所在区域的图像，作为待检测车窗图像；
检测所述待检测车窗图像中是否包括客运标志牌，得到第一检测结果；
基于所述第一检测结果，确定所述待识别客车是否为营运客车。
2.根据权利要求1所述的方法，其特征在于，所述检测所述待检测车窗图像中是否包括客运标志牌，得到第一检测结果的步骤，包括：
将所述待检测车窗图像输入至预先训练好的客运标志牌检测模型，确定所述待检测车窗图像中每一目标物的位置信息，以及指示所述目标物为客运标志牌的置信度，作为第一检测结果；
其中，所述客运标志牌检测模型是基于第一预设训练集训练得到的，所述第一预设训练集中包括多个样本客车的前风窗所对应的样本车窗图像，以及指示所述样本客车中营运客车的客运标志牌在样本车窗图像中位置的标识信息。
3.根据权利要求2所述的方法，其特征在于，所述基于所述第一检测结果，确定所述待识别客车是否为营运客车的步骤，包括：
若所述第一检测结果中存在置信度大于预设置信度阈值的目标物，则确定所述待识别客车为营运客车；
若所述第一检测结果中不存在置信度大于所述预设置信度阈值的目标物，则确定所述待识别客车为非营运客车。
4.根据权利要求2所述的方法，其特征在于，利用以下步骤训练得到所述客运标志牌检测模型：
获取所述第一预设训练集；
将所述第一预设训练集中每一样本车窗图像输入预设YOLO检测模型，得到每一样本车窗图像的样本检测结果；
根据每一样本车窗图像的样本检测结果，以及所述第一预设训练集中的标识信息，计算所述预设YOLO检测模型的第一损失值；
当所述第一损失值大于第一损失值阈值时，调节所述预设YOLO检测模型的参数，并返回执行所述将所述第一预设训练集中每一样本车窗图像输入预设YOLO检测模型，得到每一样本车窗图像的样本检测结果的步骤；
当所述第一损失值不大于所述第一损失值阈值时，将当前时刻的预设YOLO检测模型确定为训练好的客运标志牌检测模型。
5.根据权利要求1所述的方法，其特征在于，在确定所述待识别客车为营运客车后，所述方法还包括：
获取所述待识别图像中预设感兴趣区域ROI区域的图像，作为待检测线路图像；所述预设ROI区域是基于所述前风窗所在的位置确定的；
检测所述待检测线路图像中是否包括客车运输线路名称，得到第二检测结果；
基于所述第二检测结果，确定所述待识别客车所属的营运客车类型。
6.根据权利要求5所示的方法，其特征在于，所述检测所述待检测线路图像中是否包括客车运输线路名称，得到第二检测结果的步骤，包括：
将所述待检测线路图像输入预先训练好的线路名称检测模型，确定所述待检测线路图像中是否包括客车运输线路名称，作为第二检测结果；
其中，所述线路名称检测模型是基于第二预设训练集训练得到的，所述第二预设训练集包括多个样本营运客车的预设ROI区域所对应的样本线路图像，以及指示每一样本线路图像是否包括客车运输线路名称的标识信息。
7.根据权利要求6所述的方法，其特征在于，所述基于所述第二检测结果，确定所述待识别客车所属的营运客车类型的步骤，包括：
若所述第二检测结果指示所述待检测线路图像中包括所述客车运输线路名称，则确定所述待识别客车所属的营运客车类型为班车客运；
若所述第二检测结果指示所述待检测线路图像中未包括所述客车运输线路名称，则确定所述待识别客车所属的营运客车类型为包车客运。
8.根据权利要求6所述的方法，其特征在于，利用以下步骤训练得到所述线路名称检测模型：
获取所述第二预设训练集；
将所述第二预设训练集中的每一样本线路图像输入预设深度学习网络模型，得到每一样本线路图像的样本检测结果；
根据每一样本线路图像的样本检测结果，以及所述第二预设训练集中的标识信息，计算所述预设深度学习网络模型的第二损失值；
若所述第二损失值大于第二损失值阈值，则调节所述预设深度学习网络模型的参数，并返回执行所述将所述第二预设训练集中的每一样本线路图像输入预设深度学习网络模型，得到每一样本线路图像的样本检测结果的步骤；
若所述第二损失值不大于所述第二损失值阈值，则将当前时刻的预设深度学习网络模型确定为训练好的线路名称检测模型。
9.根据权利要求1所述的方法，其特征在于，在确定所述待识别客车为营运客车后，所述方法还包括：
对所述待检测车窗图像中所述客运标志牌进行字符识别，得到目标字符串；
根据所述目标字符串，确定所述待识别客车所属的营运客车类型。
10.根据权利要求9所述的方法，其特征在于，所述根据所述目标字符串，确定所述待识别客车所属的营运客车类型的步骤，包括：
若所述目标字符串中包括第一字符，则确定所述待识别客车所属的营运客车类型为班车客运；
若所述目标字符串中包括第二字符，则确定所述待识别客车所属的营运客车类型为包车客运；
所述第一字符为班车，所述第二字符为包车。
11.一种营运客车识别装置，其特征在于，所述装置包括：
第一获取模块，用于获取待识别图像，所述待识别图像为包括待识别客车前风窗的图像；
第二获取模块，用于获取所述待识别图像中所述前风窗所在区域的图像，作为待检测车窗图像；
第一检测模块，用于检测所述待检测车窗图像中是否包括客运标志牌，得到第一检测结果；
第一确定模块，用于基于所述第一检测结果，确定所述待识别客车是否为营运客车。
12.根据权利要求11所述的装置，其特征在于，所述第一检测模块，具体用于将所述待检测车窗图像输入至预先训练好的客运标志牌检测模型，确定所述待检测车窗图像中每一目标物的位置信息，以及指示所述目标物为客运标志牌的置信度，作为第一检测结果；
其中，所述客运标志牌检测模型是基于第一预设训练集训练得到的，所述第一预设训练集中包括多个样本客车的前风窗所对应的样本车窗图像，以及指示所述样本客车中营运客车的客运标志牌在样本车窗图像中位置的标识信息。
13.根据权利要求12所述的装置，其特征在于，所述第一确定模块，具体用于若所述第一检测结果中存在置信度大于预设置信度阈值的目标物，则确定所述待识别客车为营运客车；若所述第一检测结果中不存在置信度大于所述预设置信度阈值的目标物，则确定所述待识别客车为非营运客车。
14.根据权利要求12所述的装置，其特征在于，所述装置还包括：
第三获取模块，用于获取所述第一预设训练集；
第二检测模块，用于将所述第一预设训练集中每一样本车窗图像输入预设YOLO检测模型，得到每一样本车窗图像的样本检测结果；
第一计算模块，用于根据每一样本车窗图像的样本检测结果，以及所述第一预设训练集中的标识信息，计算所述预设YOLO检测模型的第一损失值；
第一调节模块，用于当所述第一损失值大于第一损失值阈值时，调节所述预设YOLO检测模型的参数，并返回调用所述第二检测模块执行所述将所述第一预设训练集中每一样本车窗图像输入预设YOLO检测模型，得到每一样本车窗图像的样本检测结果的步骤；
第二确定模块，用于当所述第一损失值不大于所述第一损失值阈值时，将当前时刻的预设YOLO检测模型确定为训练好的客运标志牌检测模型。
15.根据权利要求11所述的装置，其特征在于，所述装置还包括：
第四获取模块，用于在确定所述待识别客车为营运客车后，获取所述待识别图像中预设感兴趣区域ROI区域的图像，作为待检测线路图像；所述预设ROI区域是基于所述前风窗所在的位置确定的；
第三检测模块，用于检测所述待检测线路图像中是否包括客车运输线路名称，得到第二检测结果；
第三确定模块，用于基于所述第二检测结果，确定所述待识别客车所属的营运客车类型。
16.根据权利要求15所示的装置，其特征在于，所述第三检测模块，具体用于将所述待检测线路图像输入预先训练好的线路名称检测模型，确定所述待检测线路图像中是否包括客车运输线路名称，作为第二检测结果；
其中，所述线路名称检测模型是基于第二预设训练集训练得到的，所述第二预设训练集包括多个样本营运客车的预设ROI区域所对应的样本线路图像，以及指示每一样本线路图像是否包括客车运输线路名称的标识信息。
17.根据权利要求16所述的装置，其特征在于，所述第三确定模块，具体用于若所述第二检测结果指示所述待检测线路图像中包括所述客车运输线路名称，则确定所述待识别客车所属的营运客车类型为班车客运；若所述第二检测结果指示所述待检测线路图像中未包括所述客车运输线路名称，则确定所述待识别客车所属的营运客车类型为包车客运。
18.根据权利要求16所述的装置，其特征在于，所述装置还包括：
第五获取模块，用于获取所述第二预设训练集；
第四检测模块，用于将所述第二预设训练集中的每一样本线路图像输入预设深度学习网络模型，得到每一样本线路图像的样本检测结果；
第二计算模块，用于根据每一样本线路图像的样本检测结果，以及所述第二预设训练集中的标识信息，计算所述预设深度学习网络模型的第二损失值；
第二调节模块，用于若所述第二损失值大于第二损失值阈值，则调节所述预设深度学习网络模型的参数，并返回调用所述第四检测模块执行所述将所述第二预设训练集中的每一样本线路图像输入预设深度学习网络模型，得到每一样本线路图像的样本检测结果的步骤；
第四确定模块，用于若所述第二损失值不大于所述第二损失值阈值，则将当前时刻的预设深度学习网络模型确定为训练好的线路名称检测模型。
19.根据权利要求11所述的装置，其特征在于，所述装置还包括：
识别模块，用于在确定所述待识别客车为营运客车后，对所述待检测车窗图像中所述客运标志牌进行字符识别，得到目标字符串；
第五确定模块，用于根据所述目标字符串，确定所述待识别客车所属的营运客车类型。
20.根据权利要求19所述的装置，其特征在于，所述第五确定模块，具体用于若所述目标字符串中包括第一字符，则确定所述待识别客车所属的营运客车类型为班车客运；若所述目标字符串中包括第二字符，则确定所述待识别客车所属的营运客车类型为包车客运；所述第一字符为班车，所述第二字符为包车。
21.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-10任一所述的方法步骤。
22.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-10任一所述的方法步骤。
CN202110908956.1A 2021-08-09 2021-08-09 一种营运客车识别方法、装置、电子设备及存储介质 Active CN113516104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110908956.1A CN113516104B (zh) 2021-08-09 2021-08-09 一种营运客车识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110908956.1A CN113516104B (zh) 2021-08-09 2021-08-09 一种营运客车识别方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113516104A true CN113516104A (zh) 2021-10-19
CN113516104B CN113516104B (zh) 2023-08-29

Family

ID=78068394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110908956.1A Active CN113516104B (zh) 2021-08-09 2021-08-09 一种营运客车识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113516104B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390145A (zh) * 2013-06-30 2013-11-13 安科智慧城市技术（中国）有限公司 一种目标区域车辆检测方法以及系统
CN103530366A (zh) * 2013-10-12 2014-01-22 湖北微模式科技发展有限公司 一种基于自定义特征的车辆搜索方法与系统
CN105448095A (zh) * 2014-06-03 2016-03-30 杭州海康威视数字技术股份有限公司 一种黄标车检测方法和装置
CN106940784A (zh) * 2016-12-26 2017-07-11 无锡高新兴智能交通技术有限公司 一种基于视频的公交车检测与识别方法及系统
CN107194393A (zh) * 2016-03-15 2017-09-22 杭州海康威视数字技术股份有限公司 一种检测临时车牌的方法及装置
CN107247967A (zh) * 2017-06-07 2017-10-13 浙江捷尚视觉科技股份有限公司 一种基于r‑cnn的车窗年检标检测方法
CN108241822A (zh) * 2016-12-23 2018-07-03 杭州海康威视数字技术股份有限公司 一种车辆类型的识别方法及装置
US20180232587A1 (en) * 2015-08-14 2018-08-16 Hangzhou Hikvision Digital Technology Co., Ltd. Vehicle monitoring method and apparatus, processor, and image acquisition device
CN109214336A (zh) * 2018-09-05 2019-01-15 高新兴科技集团股份有限公司 一种车窗标志物检测方法及装置
CN109885718A (zh) * 2019-02-28 2019-06-14 江南大学 一种基于深度车贴检测的嫌疑车辆检索方法
CN111723601A (zh) * 2019-03-19 2020-09-29 杭州海康威视数字技术股份有限公司 一种图像处理的方法及装置
CN112861567A (zh) * 2019-11-12 2021-05-28 上海高德威智能交通系统有限公司 一种车型分类方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390145A (zh) * 2013-06-30 2013-11-13 安科智慧城市技术（中国）有限公司 一种目标区域车辆检测方法以及系统
CN103530366A (zh) * 2013-10-12 2014-01-22 湖北微模式科技发展有限公司 一种基于自定义特征的车辆搜索方法与系统
CN105448095A (zh) * 2014-06-03 2016-03-30 杭州海康威视数字技术股份有限公司 一种黄标车检测方法和装置
US20180232587A1 (en) * 2015-08-14 2018-08-16 Hangzhou Hikvision Digital Technology Co., Ltd. Vehicle monitoring method and apparatus, processor, and image acquisition device
CN107194393A (zh) * 2016-03-15 2017-09-22 杭州海康威视数字技术股份有限公司 一种检测临时车牌的方法及装置
CN108241822A (zh) * 2016-12-23 2018-07-03 杭州海康威视数字技术股份有限公司 一种车辆类型的识别方法及装置
CN106940784A (zh) * 2016-12-26 2017-07-11 无锡高新兴智能交通技术有限公司 一种基于视频的公交车检测与识别方法及系统
CN107247967A (zh) * 2017-06-07 2017-10-13 浙江捷尚视觉科技股份有限公司 一种基于r‑cnn的车窗年检标检测方法
CN109214336A (zh) * 2018-09-05 2019-01-15 高新兴科技集团股份有限公司 一种车窗标志物检测方法及装置
CN109885718A (zh) * 2019-02-28 2019-06-14 江南大学 一种基于深度车贴检测的嫌疑车辆检索方法
CN111723601A (zh) * 2019-03-19 2020-09-29 杭州海康威视数字技术股份有限公司 一种图像处理的方法及装置
CN112861567A (zh) * 2019-11-12 2021-05-28 上海高德威智能交通系统有限公司 一种车型分类方法及装置

Also Published As

Publication number Publication date
CN113516104B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN109101888B (zh) 一种游客人流量监控预警方法
US11380104B2 (en) Method and device for detecting illegal parking, and electronic device
EP3806064A1 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN107591005B (zh) 动静态检测相结合的停车区域管理方法、服务器及系统
CN108764042B (zh) 一种异常路况信息识别方法、装置及终端设备
CN106815574B (zh) 建立检测模型、检测接打手机行为的方法和装置
Hadjidemetriou et al. Vision-and entropy-based detection of distressed areas for integrated pavement condition assessment
CN109993138A (zh) 一种车牌检测与识别方法及装置
CN111274926B (zh) 图像数据筛选方法、装置、计算机设备和存储介质
CN111191604A (zh) 检测车牌完整性的方法、设备和存储介质
Kaarthik et al. Image processing based intelligent parking system
CN111967396A (zh) 障碍物检测的处理方法、装置、设备及存储介质
CN101004860A (zh) 实时采集道路车流量信息的视频方法
CN112381014A (zh) 一种基于城市道路的违停车辆检测及管理方法及系统
CN112307989B (zh) 路面物体识别方法、装置、计算机设备和存储介质
CN106682648A (zh) 一种用户接打手机行为检测方法和装置
CN111414878B (zh) 一种关于地块的社会属性分析、图像处理方法及装置
Thiruppathiraj et al. Automatic pothole classification and segmentation using android smartphone sensors and camera images with machine learning techniques
CN113743163A (zh) 交通目标识别模型训练方法、交通目标定位方法、装置
KR102562757B1 (ko) 노면표시 정보의 예측 및 인식방법 및 도로 유지관리 방법
Doycheva et al. Computer vision and deep learning for real-time pavement distress detection
CN103605960A (zh) 一种基于不同焦距视频图像融合的交通状态识别方法
CN112036385A (zh) 库位修正方法、装置、电子设备及可读存储介质
CN111856441A (zh) 一种基于视觉与毫米波雷达融合的列车定位方法
CN113516104B (zh) 一种营运客车识别方法、装置、电子设备及存储介质

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