发明内容
为了减少自行车等与电动车外形相似的进入车辆被误判的情况的发生,提高用户体验感,本申请提供一种防止电动车乘电梯的方法、装置、电子设备及介质。
第一方面,本申请提供一种防止电动车乘电梯的方法,采用如下的技术方案:
一种防止电动车乘电梯的方法,包括:
当检测到目标对象时,获取包含所述目标对象的目标图像;
确定所述目标图像中是否包含车辆图像,并在所述目标图像中包含车辆图像时,获取所述车辆图像;
将所述车辆图像输入训练好的分类网络模型,得到结果信息,所述结果信息用于表示所述车辆是否为电动车;
当所述结果信息用于表示所述车辆为电动车时,输出电梯制动信息。
通过采用上述技术方案,在有目标对象(人/人以及电动车/人以及其它车辆)进入电梯内时,获取所述目标图像,并判断所述目标图像中是否包含车辆图像;若包含车辆图像,将获取到的车辆图像输入分类网络模型,以对车辆图像中包含的车辆是否为电动车进行判断,并在车辆图像中包含的车辆为电动车时,输出电梯制动信息,使电梯停止运行;在识别出所述车辆图像时,若车辆实际为外形与电动车相似的自行车,且自行车与电动车的区别特征被事物遮挡,则进一步将所述车辆图像输入所述分类网络模型,以对所述车辆图像中包含的车辆进行进一步分类判断,从而减小自行车等被误判的可能性,进一步有效阻止电动车乘电梯,减小险情发生的可能性,提高用户体验感。
在另一种可能实现的方式中,确定所述目标图像信息中是否包含车辆图像信息,获取所述目标对象的目标图像,之前还包括:
当检测到电梯门关闭信息时,输出采集信息;
基于所述采集信息,获取所述目标图像。
通过上述技术方案,在所述目标对象进入电梯,且电梯门关闭后,对所述目标对象进行采集,获取所述目标图像,可以有效提高采集的所述目标图像的质量,从而可以提高最终电动车识别以及确认的准确性。
在另一种可能实现的方式中,确定所述目标图像中是否包含车辆图像,包括:
将所述目标图像输入训练好的SSD网络模型进行电动车的检测与识别;若所述目标图像中包含车辆图像,则确定所述车辆图像;
其中,所述训练好的SSD网络模型是基于电动车图像样本集对原始网络模型进行训练后得到的,所述电动车图像样本集中包括不同外形以及不同状态的电动车图像。
通过采用上述技术方案,获取不同类型、不同状态的电动车图像,以形成所述电动车图像样本集;将各个电动车图像输入SSD网络模型,对SSD网络模型进行训练;将所述目标图像输入训练完毕的SSD网络模型中,以确定所述车辆图像;目标检测与识别通过SSD实现,具备检测速度快、准确率高的优点。
在另一种可能实现的方式中,所述将所述目标图像输入训练好的SSD网络模型进行电动车的检测与识别,包括:
生成至少一个预选框,设置至少一个所述预选框的移动步长均大于或等于16;
基于所述移动步长,按照从左往右、从上到下的顺序进行划框预测;对所述预测框进行过滤,最终得到目标框,所述目标框内包含完整的所述车辆图像。
通过采用上述技术方案,由于电动车以及自行车等,在所述目标图像中占比会比较大,因此去掉移动步长等于8的检测小目标的分支,可以有效减少所述目标图像中的预选框的数量。
在另一种可能实现的方式中,将所述车辆图像信息输入训练好的分类网络模型,得到结果信息,之前还包括:
获取区分图像样本集,所述区分图像样本集中包括不同状态以及不同外形的与电动车相似的车辆图像,其中不同状态的车辆图像包括与所述电动车的区别技术特征被遮挡的所述车辆图像;
基于所述电动车图像样本集以及所述区分图像样本集训练所述分类网络模型。
通过采用上述技术方案,获取不同状态以及不同形态的与电动车相似的车辆图像,例如自行车图像、婴儿车图像,其中自行车图像包括与电动车的区别技术特征被遮挡的自行车图像,婴儿车图像包括与电动车的区别技术特征被遮挡的婴儿车图像;基于所述电动车图像样本集以及所述区分图像样本集,训练所述分类网络模型,以使分类网络模型能对区别技术特征被遮挡的自行车或婴儿车以及电动车做准确分类,提高输出电梯制动信息的准确性。
在另一种可能实现的方式中,所述将所述车辆图像输入训练好的分类网络模型,包括:对所述车辆图像进行分割提取,得到具体车辆图像,将所述具体车辆图像输入训练好的分类网络模型。
通过采用上述技术方案,将所述目标框内的所述车辆图像进行分割提取,以得到所述具体车辆图像,从而减小所述目标图像中的非目标部分的背景对分类网络模型准确性造成的影响。
第二方面,本申请提供一种防止电动车乘电梯的装置,采用如下的技术方案:
一种防止电动车乘电梯的装置,包括第一获取模块、第一确定模块、分类模块以及判断模块,其中,
第一获取模块,用于在检测到目标对象时,获取包含所述目标对象的目标图像;
第一确定模块,用于确定所述目标图像中是否包含车辆图像,并在所述目标图像中包含车辆图像时,获取所述车辆图像;
分类模块,用于将所述车辆图像输入训练好的分类网络模型,得到结果信息,所述结果信息用于表示所述车辆是否为电动车;
判断模块,用于在所述结果信息用于表示所述车辆为电动车时,输出电梯制动信息。
在另一种可能的实现方式中,所述装置还包括检测模块以及第二获取模块,其中,
检测模块,用于在检测到电梯门关闭信息时,输出采集信息;
第二获取模块,用于基于所述采集信息,获取所述目标图像。
在另一种可能的实现方式中,所述确定所述目标图像中是否包含车辆图像,具体用于:将所述目标图像输入训练好的SSD网络模型进行电动车的检测与识别;若所述目标图像中包含车辆图像,则确定所述车辆图像;
其中,所述SSD网络模型是基于电动车图像样本集得到的,所述电动车图像样本集中包括不同外形以及不同状态的电动车图像。
在另一种可能的实现方式中,所述将所述目标图像输入训练好的SSD网络模型进行电动车的检测与识别,具体用于:
生成至少一个预选框,设置至少一个所述预选框的移动步长均大于或等于16;
基于所述移动步长,按照从左往右、从上到下的顺序进行划框预测;对所述预测框进行过滤,最终得到目标框,所述目标框内包含完整的所述车辆图像。
在另一种可能的实现方式中,所述装置还包括第三获取模块以及训练模块,其中,第三获取模块,用于获取区分图像样本集,所述区分图像样本集中包括不同状态以及不同外形的与电动车相似的车辆图像,其中不同状态的车辆图像包括与所述电动车的区别技术特征被遮挡的所述车辆图像;
训练模块,用于基于所述电动车图像样本集以及所述区分图像样本集训练所述分类网络模型。
在另一种可能的实现方式中,将所述车辆图像输入训练好的分类网络模型,具体用于:对所述车辆图像进行分割提取,得到具体车辆图像,将所述具体车辆图像输入训练好的分类网络模型。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,该电子设备包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序配置用于:执行根据第一方面任一种可能的实现方式所示的一种防止电动车乘电梯的方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,包括:存储有能够被处理器加载并执行实现第一方面任一种可能的实现方式所示的一种防止电动车乘电梯的方法的计算机程序。
综上所述,本申请包括以下至少一种有益技术效果:
1.仅通过SSD网络模型进行目标检测与识别电动车,在目标车辆为非电动车且与电动车形似,且其与电动车的区别特征被用户遮挡时,存在将非电动车的目标车辆误判为电动车的可能性,此时若使电梯制动,则会给用户带来不便,从而降低用户体验感;将所述车辆图像输入至分类网络模型,进行进一步判断,以提高电动车识别的准确性,以最终提高用户体验感;
2.仅在检测到电梯门关闭时,才开始获取所述目标图像,可以有效提高采集的所述目标图像的质量,从而可以提高电动车检测与识别的准确性。
具体实施方式
以下结合附图1-3对本申请作进一步详细说明。
领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
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,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作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。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供了一种防止电动车乘电梯的方法,由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此,该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制,如图1所示,该方法包括步骤S10、步骤S11、步骤S12以及步骤S13,其中,步骤S10,当检测到目标对象时,获取包含目标对象的目标图像。
具体地,在电梯内设置摄像头,在检测到目标对象时,使摄像头对目标对象进行图像采集,得到目标图像。
其中,检测目标对象的手段可以是在电梯内底部设置重量传感器,重量传感器受力侧朝上;重量传感器实时地是否有目标对象进入电梯进行检测,并在目标对象进入电梯内时,重力传感器输出不为零的检测值,此时可以确定有目标对象进入电梯内。
步骤S11,确定目标图像中是否包含车辆图像,并在目标图像中包含车辆图像时,获取车辆图像;
步骤S12,将车辆图像输入训练好的分类网络模型,得到结果信息,结果信息用于表示车辆是否为电动车;
步骤S13,当结果信息用于表示车辆为电动车时,输出电梯制动信息。
其中,确定目标图像中是否包含车辆图像的方式可以为目标检测,在目标对象中包含电动车时,通过目标检测与识别,确定电动车位置,并对电动车进行框选,以获得车辆图像,具体方法步骤见下述实施例;但当目标车辆为与电动车类似的车辆(例如自行车),且其与电动车的区别特征被用户遮挡时,仅通过目标检测与识别难以准确确定其车辆类型,从而存在将与电动车类似的车辆误判为电动车的可能性;因此将车辆图像输入训练好的分类网络模型,对车辆图像进行进一步确认,其中分类网络模型具体介绍见下述实施例;此时若确定目标车辆为电动车,则电子设备将输出电梯制动信息,电梯获取电梯执行信息后制动,以对用户以及电动车做有效阻留。
进一步地,在本申请实施例中,还可以在电梯内设置报警设备,报警设备可以是声光报警器;在确定目标车辆为电动车时,电子设备在发出电梯制动信息时,同时使声光报警器报警,以对电梯内的用户做有效警示,从而有效防止用户携带电动车乘电梯,进而有效减小险情发生的可能性,提高用户体验。
对于本申请实施例,在目标图像中包含车辆图像时,进一步将车辆图像输入分类网络模型,以进一步对目标车辆进行判断,减小非电动车被误判的可能性,减少给用户带来不便的可能性,进而提高用户体验感;在本申请实施例中,分类网络模型包括多个卷积层以及全连接层,将目标图像resize成为112x112的大小,再输送至分类网络中,分类网络对目标图像进行特征提取,最终得到车辆图像中车辆为电动车的概率,基于概率确定目标车辆是否为电动车。
本申请实施例的一种可能的实现方式,获取目标信息的目标图像,之前还包括步骤S14(图中未示出)以及步骤S15(图中未示出),其中,
步骤S14(图中未示出),当检测到电梯门关闭信息时,输出采集信息。
具体地,可以在电梯门相互正对的侧壁上设置接近开关,仅在电梯门关闭时,输出采集信息。
步骤S15(图中未示出),基于采集信息,获取目标图像。
对于本申请实施例,电子设备输出采集信息至摄像头,以使摄像头对目标对象进行拍照,以得到目标图像;进一步地,仅在电梯门关闭后,电子设备才输出采集信息,对目标对象进行拍照,可以提高目标图像的质量,减少残次目标图像出现的可能性,从而提高目标识别的准确性。
本申请实施例的一种可能的实现方式,确定目标图像中是否包含车辆图像,包括步骤S110(图中未示出),其中,
步骤S110(图中未示出),将目标图像输入训练好的SSD网络模型进行电动车的检测与识别;若目标图像中包含车辆图像,则确定车辆图像;
其中,训练好的SSD网络模型是基于电动车图像样本集对原始网络模型进行训练后得到的,电动车图像样本集中包括不同外形以及不同状态的电动车图像。
具体地,收集不同形态、不同状态的电动车图像,作为电动车图像样本集,基于收集的各个电动车图像对SSD网络模型进行训练;将目标图像输入训练好的SSD网络模型,通过SSD网络模型对目标图像进行检测,若目标图像中包含车辆图像,则对目标车辆进行识别,在确定目标车辆为电动车时,确定与目标框重合的预选框内的图像为车辆图像;采用SSD网络模型对电动车进行检测识别,具有速度快、准确率高的优点。
对于本申请实施例,采用VGG_0.5x的网络结构作为主干网络,且该目标检测模型的损失函数如下所示:
其中,整个损失函数为分类损失误差Lconf和定位损失误差Lloc,α用于调整Lconf与Lloc之间的比例,默认为1。
上述式子,表示了定位损失的计算过程,i代表第i个样本,m代表着包含了cx,cy,w,h,cx为候选框的中心点x坐标,cy为候选框的中心点y坐标,
代表模型对第i个样本的预测值,
代表第i个样本的标注值;用
和
之间的绝对值来表示定位误差。
在上述式子中,xi代表第i正样本的模型输出值,p(xi)代表经过softmax处理之后的输出概率;对正样本的模型输出概率计算损失,来优化模型的的分类误差。
本申请实施例的一种可能的实现方式,将目标图像输入训练好的SSD网络模型进行电动车的检测与识别,包括步骤S1100(图中未示出)以及步骤S1101(图中未示出),其中,步骤S1100(图中未示出),生成至少一个预选框,设置至少一个预选框的移动步长均大于或等于16;
步骤S1101(图中未示出),基于移动步长,按照从左往右、从上到下的顺序进行划框预测;对预测框进行过滤,最终得到目标框,目标框内包含完整的车辆图像。
其中,对于预测框的过滤属于现有技术,此处不再赘述;在本申请实施例中,SSD网络模型采用VGG_0.5x作为主干网络,由于电动车作为目标对象,其在目标图像中占比较大,因此使各个预选框的移动步长大于或等于16,可以有效减少目标图像中的预选框数量,同时至少生成一个预选框,均可以有效提高目标检测效率;且在本申请实施例中,使各个预选框的Aspect_ratios={0.6,1.0,1.67},以保证较为丰富的长宽比。
本申请实施例的一种可能的实现方式,将车辆图像信息输入训练好的分类网络模型,得到结果信息,之前还包括步骤S16(图中未示出)以及步骤S17(图中未示出),其中,步骤S16(图中未示出),获取区分图像样本集,区分图像样本集中包括不同状态以及不同外形的与电动车相似的车辆图像,其中不同状态的车辆图像包括与电动车的区别技术特征被遮挡的车辆图像;
步骤S17(图中未示出),基于电动车图像样本集以及区分图像样本集训练分类网络模型。
具体地,收集不同外形以及不同状态的与电动车相似的车辆图像,以得到区分图像样本集;其中,与电动车外形相似的车辆可以包括与电动车外形相似的自行车或婴儿车,且自行车或婴儿车与电动车的区别技术特征可以被遮挡;基于电动车图像样本集以及区分图像样本集,训练分类网络模型。
对于本申请实施例,分类网络模型为轻型分类网络,其包括若干个卷积层(convolution),池化层(pooling),最后接一个全连接层(fully connected),整个模型的大小在0.8M以下;训练集包含电动车图像样本集以及区分图像样本集,该分类网络模型采用交叉熵函数的损失函数进行优化:
L=-[ylogy°+(1-y)log(1-y°)]
其中,y是目标的真实值,y°是目标的预测值,通过优化预测值和真实值之间的差距,来学习该分类网络模型。
本申请实施例的一种可能的实现方式,将车辆图像输入训练好的分类网络模型,包括
步骤S120(图中未示出),其中,
步骤S120(图中未示出),对车辆图像进行分割提取,得到具体车辆图像,将具体车辆图像输入训练好的分类网络模型。
对于本申请实施例,由于前述确定目标框内的图像为车辆图像,因此对车辆图像进行分割提取,以得到具体车辆图像;在本申请实施例中,将具体车辆图像resize成为112x112的大小,后将具体车辆图像输入训练好的分类网络模型里,基于具体车辆图像对目标车辆类型进行进一步确定,以提高分类准确性;具体分类过程见下表1:
表1
input |
Layer |
3x112x112 |
Conv+bn+relu(c=32,k=3,s=2,p=1) |
32x56x56 |
Conv+bn+relu(c=64,k=3,s=1,p=1) |
64x56x56 |
Conv+bn+relu(c=64,k=3,s=2,p=1) |
64x28x28 |
Conv+bn+relu(c=128,k=3,s=1,p=1) |
128x28x28 |
Conv+bn+relu(c=256,k=3,s=2,p=1) |
256x14x14 |
Conv+bn+relu(c=256,k=3,s=1,p=1) |
256x14x14 |
Conv+bn+relu(c=512,k=3,s=2,p=1) |
512x7x7 |
Conv+bn+relu(c=1024,k=3,s=1,p=1) |
1024x7x7 |
Conv+bn+relu(c=1024,k=7,s=1,p=0) |
1024x1x1 |
Fc layer(num_classes=2) |
2x1 |
|
上述实施例从方法流程的角度介绍一种防止电动车乘电梯的方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种防止电动车乘电梯的装置,具体详见下述实施例。
本申请实施例提供一种防止电动车乘电梯的装置20,如图2所示,该防止电动车乘电梯的装置20具体可以包括第一获取模块200、第一确定模块201、分类模块202以及判断模块203,其中,
第一获取模块200,用于在检测到目标对象时,获取包含目标对象的目标图像;
第一确定模块201,用于确定目标图像中是否包含车辆图像,并在目标图像中包含车辆图像时,获取车辆图像;
分类模块202,用于将车辆图像输入训练好的分类网络模型,得到结果信息,结果信息用于表示车辆是否为电动车;
判断模块203,用于在结果信息用于表示车辆为电动车时,输出电梯制动信息。
本申请实施例的一种可能的实现方式,装置20还包括检测模块以及第二获取模块,其中,
检测模块,用于在检测到电梯门关闭信息时,输出采集信息;
第二获取模块,用于基于采集信息,获取目标图像。
本申请实施例的一种可能的实现方式,确定目标图像中是否包含车辆图像,具体用于:将目标图像输入训练好的SSD网络模型进行电动车的检测与识别;若目标图像中包含车辆图像,则确定车辆图像;
其中,SSD网络模型是基于电动车图像样本集得到的,电动车图像样本集中包括不同外形以及不同状态的电动车图像。
本申请实施例的一种可能的实现方式,将目标图像输入训练好的SSD网络模型进行电动车的检测与识别,具体用于:
生成至少一个预选框,设置至少一个预选框的移动步长均大于或等于16;
基于移动步长,按照从左往右、从上到下的顺序进行划框预测;对预测框进行过滤,最终得到目标框,目标框内包含完整的车辆图像。
本申请实施例的一种可能的实现方式,装置20还包括第三获取模块以及训练模块,其中,
第三获取模块,用于获取区分图像样本集,区分图像样本集中包括不同状态以及不同外形的与电动车相似的车辆图像,其中不同状态的车辆图像包括与电动车的区别技术特征被遮挡的车辆图像;
训练模块,用于基于电动车图像样本集以及区分图像样本集训练分类网络模型。
本申请实施例的一种可能的实现方式,将车辆图像输入训练好的分类网络模型,具体用于:
对车辆图像进行分割提取,得到具体车辆图像,将具体车辆图像输入训练好的分类网络模型。
对于本申请实施例,第一获取模块200、第二获取模块以及第三获取模块可以为相同的获取模块,可以为部分相同的获取模块,也可以为不相同的获取模块,本申请实施例不对此做限定。
进一步地,检测模块检测到电梯门关闭信息时,电子设备30输出采集信息,且第二获取模块获取摄像头响应采集信号输出的目标图像;首先将目标图像输入训练好的SSD网络模型,SSD网络模型对目标图像进行检测与识别,并在确定目标图像包括车辆图像时,确定车辆图像;此时为进一步确认车辆图像包含的车辆是否为电动车,分类模块202将车辆图像输入分类网络模型,以使分类网络模型对进行进一步判断,从而提高电子设备30对电动车检测与识别的准确性,以有效阻止电动车乘电梯,进而提高安全性能,同时提高整体用户体验。
本申请实施例中提供了一种电子设备30,如图3所示,图3所示的电子设备30包括:处理器300和存储器302。其中,处理器300和存储器302相连,如通过总线301相连。可选地,电子设备30还可以包括收发器303。需要说明的是,实际应用中收发器303不限于一个,该电子设备30的结构并不构成对本申请实施例的限定。
处理器300可以是CPU(Central Processing Unit,中央处理器300),通用处理器300,DSP(Digital Signal Processor,数据信号处理器300),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器300也可以是实现计算功能的组合,例如包含一个或多个微处理器300组合,DSP和微处理器300的组合等。
总线301可包括一通路,在上述组件之间传送信息。总线301可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线301或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线301等。总线301可以分为地址总线301、数据总线301、控制总线301等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线301或一种类型的总线301。
存储器302可以是ROM(Read Only Memory,只读存储器302)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器302)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器302)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器302用于存储执行本申请方案的应用程序代码,并由处理器300来控制执行。处理器300用于执行存储器302中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备30包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图3示出的电子设备30仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。与现有技术相比,本申请实施例中,当电子设备30检测到有目标对象进入电梯内,且电梯门关闭后,摄像头对目标对象进行图像采集,并将目标图像输出至电子设备30;电子设备30首先将目标图像输入训练好的SSD网络模型,SSD网络模型对目标图像中是否包含车辆图像进行检测与识别,并在确定目标图像包括车辆图像时,确定车辆图像;为进一步确认车辆图像包含的车辆是否为电动车,电子设备30进一步将车辆图像输入分类网络模型,以使分类网络模型对进行进一步判断,以实现电子设备30对电动车检测与识别的准确性的提高,从而有效阻止电动车乘电梯,进而实现安全性能的提高,同时提高整体用户体验。
应该理解的是,虽然附图的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,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。