CN113989731A - 一种信息的检测方法、计算设备及存储介质 - Google Patents
一种信息的检测方法、计算设备及存储介质 Download PDFInfo
- Publication number
- CN113989731A CN113989731A CN202010732512.2A CN202010732512A CN113989731A CN 113989731 A CN113989731 A CN 113989731A CN 202010732512 A CN202010732512 A CN 202010732512A CN 113989731 A CN113989731 A CN 113989731A
- Authority
- CN
- China
- Prior art keywords
- image
- characteristic data
- target object
- road condition
- classification characteristic
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种信息的检测方法、车道线的检测方法、车辆违章的检测方法、计算设备及存储介质。在本申请实施例中,获取图像,确定用于描述目标对象在图像中位置的描述信息;获取图像的分类特征数据,分类特征数据可用于区别图像中的目标对象;根据描述信息以及图像的分类特征数据,对目标对象的分类特征数据进行划分,检测出目标对象。通过描述信息和分类特征数据可以自动地对目标对象进行分类,从而实现检测出对应的目标对象。其中,通过描述信息可以确定出来图像中哪些为目标对象,再通过分类特征数据,将这些同属一类的目标对象,按照不同的个体,分别分类出来,从而检测到每个目标对象。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种信息的检测方法、车道线的检测方法、车辆违章的检测方法、计算设备及存储介质。
背景技术
在交通路况中,可以利用摄像头来实时监控道路上的车流,从而可以人工确定出摄像头是否以正常角度照射路面,以及人工确定车辆是否在道路上违章等。为了可以自动对上述情况进行确定,需要对道路中的车道线的进行检测,从而来确定上述情况是否发生。然而,目前车道线还是需要人工在画面上标定,并需要对多个不同视角范围内图像中的车道线标定才能够使用,由于路段交通中具有上千路摄像头,对每一个摄像头的图像场景进行车道线的标定,对于人工来说无疑是费时费力的。
发明内容
本申请的多个方面提供一种信息的检测方法、车道线的检测方法、车辆违章的检测方法、计算设备及存储介质,用以能够自动地对目标对象进行检测,节省人力和时间。
本申请实施例提供一种信息的检测方法,包括:获取图像,确定用于描述目标对象在所述图像中位置的描述信息;获取所述图像的分类特征数据,所述分类特征数据可用于区别所述图像中的目标对象;根据所述描述信息以及所述图像的分类特征数据,对所述目标对象的分类特征数据进行划分,检测出所述目标对象。
本申请实施例还提供一种车道线的检测方法,包括:获取路况图像,确定用于描述车道线在所述路况图像中位置的描述信息;获取所述路况图像的分类特征数据,所述分类特征数据可用于区别所述路况图像中的每条车道线;根据所述描述信息以及所述路况图像的分类特征数据,对所述车道线的分类特征数据进行划分,检测出所述车道线。
本申请实施例还提供一种车辆违章的检测方法,包括:获取路况图像,确定用于描述车道线在所述路况图像中位置的描述信息;获取所述路况图像的分类特征数据,所述分类特征数据可用于区别所述路况图像中的车道线;根据所述描述信息以及所述路况图像的分类特征数据,对所述车道线的分类特征数据进行划分,检测出所述车道线;确定所述路况图像中的车辆位置,并根据所述车辆位置以及检测出的车道线,来确定路况图像中的车辆是否违章。
本申请实施例还提供一种计算设备,包括:存储器以及处理器;所述存储器,用于存储计算机程序;所述处理器,用于执行所述计算机程序,以用于:获取图像,确定用于描述目标对象在所述图像中位置的描述信息;获取所述图像的分类特征数据,所述分类特征数据可用于区别所述图像中的目标对象;根据所述描述信息以及所述图像的分类特征数据,对所述目标对象的分类特征数据进行划分,检测出所述目标对象。
本申请实施例还提供一种计算设备,包括:存储器以及处理器;所述存储器,用于存储计算机程序;所述处理器,用于执行所述计算机程序,以用于:获取路况图像,确定用于描述车道线在所述路况图像中位置的描述信息;获取所述路况图像的分类特征数据,所述分类特征数据可用于区别所述路况图像中的车道线;根据所述描述信息以及所述路况图像的分类特征数据,对所述车道线的分类特征数据进行划分,检测出所述车道线。
本申请实施例还提供一种计算设备,包括:存储器以及处理器;所述存储器,用于存储计算机程序;所述处理器,用于执行所述计算机程序,以用于:获取路况图像,确定用于描述车道线在所述路况图像中位置的描述信息;获取所述路况图像的分类特征数据,所述分类特征数据可用于区别所述路况图像中的车道线;根据所述描述信息以及所述路况图像的分类特征数据,对所述车道线的分类特征数据进行划分,检测出所述车道线;确定所述路况图像中的车辆位置,并根据所述车辆位置以及检测出的车道线,来确定路况图像中的车辆是否违章。
本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被一个或多个处理器执行时,致使所述一个或多个处理器实现上述方法中的步骤。
在本申请实施例中,获取图像,确定用于描述目标对象在图像中位置的描述信息;获取图像的分类特征数据,分类特征数据可用于区别图像中的目标对象;根据描述信息以及图像的分类特征数据,对目标对象的分类特征数据进行划分,检测出目标对象。通过描述信息和分类特征数据可以自动地对目标对象进行分类,从而实现检测出对应的目标对象。其中,通过描述信息可以确定出来图像中哪些为目标对象,再通过分类特征数据,将这些同属一类的目标对象,按照不同的个体,分别分类出来,从而检测到每个目标对象。
相应的,对于目标对象可以是车道线,由此,可以自动地检测出路况图像中的车道线。节省了人力和时间,同时也可以较为快速地确定车道线,能够及时确定是否出现了车辆违章的情况,甚至交通事故,并且可以及时地得到后续处理响应。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请一示例性实施例的信息的检测系统的结构示意图;
图2为本申请一示例性实施例的信息的检测方法的流程示意图;
图3为本申请又一示例性实施的获取到图像的示意图;
图4为本申请又一示例性实施的二值图像的示意图;
图5为本申请又一示例性实施的过滤后的图像的示意图;
图6为本申请又一示例性实施的骨架提取后的图像的示意图;
图7为本申请又一示例性实施的最终检测的车道线的图像的示意图;
图8为本申请一示例性实施例的车道线的检测方法的流程示意图;
图9为本申请又一示例性实施例的信息的检测方法的流程示意图;
图10为本申请一示例性实施例的车辆违章的检测方法的流程示意图;
图11为本申请又一示例性实施例提供的信息的检测装置的结构示意图;
图12为本申请又一示例性实施例提供的信息的检测装置的结构示意图;
图13为本申请一示例性实施例提供的车辆违章的检测装置的结构示意图;
图14为本申请一示例性实施例提供的计算设备的结构示意图;
图15为本申请又一示例性实施例提供的计算设备的结构示意图;
图16为本申请又一示例性实施例提供的计算设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、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。
基于前文可知,由于目前交通场景中,对于图像中的车道线的检测是非常重要的,需要基于车道线的检测来实现后续的车辆违章等情况的确定。但是,由于目前还是通过人工的方式来对大量的路口图像进行车道线的检测,造成大量人力以及时间的浪费。
故,本申请实施例提出了一种方法,来降低人手工标定车道线的成本和繁琐流程。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请一示例性实施例提供的一种信息的检测系统的结构示意图。如图1所示,该系统100可以包括:第一设备101以及第二设备102。
其中,第一设备101可以是有一定计算能力的设备,可以实现向第二设备102发送数据的功能。第一设备101的基本结构可以包括:至少一个处理器。处理器的数量可以取决于具有一定计算能力装置的配置和类型。具有一定计算能力装置也可以包括存储器,该存储器可以为易失性的,例如RAM,也可以为非易失性的,例如只读存储器(Read-OnlyMemory,ROM)、闪存等,或者也可以同时包括两种类型。存储器内通常存储有操作系统(Operating System,OS)、一个或多个应用程序,也可以存储有程序数据等。除了处理单元和存储器之外,具有一定计算能力装置还包括一些基本配置,例如网卡芯片、IO总线等。可选地,第一设备101可以为图像采集装置,例如,摄像头等,摄像头可以根据不同角度进行转动,从而拍摄到同一场景下的不同角度的图像。
第二设备102是指可以在网络虚拟环境中提供计算处理服务的设备,可以是指利用网络进行图像处理且进行图像中目标对象的检测的设备。在物理实现上,第二设备102可以是任何能够提供计算服务,响应服务请求,并返回数据处理结果,例如可以是云服务器、云主机、虚拟中心、常规服务器等等。第二设备102的构成主要包括处理器、硬盘、内存、系统总线等,和通用的计算机架构类似。
在本申请实施例中,第一设备101向第二设备102发送图像。第二设备102,获取图像,确定用于描述目标对象在图像中位置的描述信息;获取图像的分类特征数据,分类特征数据可用于区别图像中的目标对象;根据描述信息以及图像的分类特征数据,对目标对象的分类特征数据进行划分,检测出目标对象。其中,目标对象可以为车道线。
此外,第二设备102检测出车道线后,还可以对图像中的其它对象进行追踪,如对车辆进行追踪,确定车辆在图像中的位置,从而确定车辆是否存在违章情况。
该系统100还可以包括第三设备103,该第三设备103的基本结构与第一设备101的基本结构相似,就不再赘述,该第三设备103可以为智能终端,如电脑等。当存在违章情况的时候,第二设备102可以将违章消息发送至第三设备103,以使第三设备103的用户可以接收到该消息,从而进行处理。
在本申请实施例的交通应用场景中,第一设备101,如安装在马路上两侧、上方的多个摄像头。以下以摄像头为例继续阐述,摄像头可以实时拍摄路口图像,并将实时拍摄到的路口图像发送至第二设备102,如云服务器。以下以云服务器和摄像头为例继续阐述。云服务器接收到多个摄像头发送的路口图像后。可以先确定接收到的路况图像是否是有效图像,即无质量问题的图像。然后,对有效的路况图像进行图像特征数据的提取。并可以将该图像特征数据输入至第一预置模型,并对路况图像中的所有车道线进行标识,可以标识为1,图像中的其它对象,即其它内容都标识为0。并从第一预置模型输出得到具有0和1标识的该图像。同时,云服务器可以将图像特征数据发送至第二预置模型,得到该图像中每个像素的分类特征数据,可以4维向量矩阵。云服务器在得到具有0和1标识的图像后,可以对其中的无效像素点进行滤除,然后提取该图像的车道线的骨架进行提取,从而得到车道线骨架为1,其它内容为0的图像。云服务器将该图像与该图像中每个像素的分类特征数据相乘,得到车道线骨架对应的像素的分类特征数据。云服务器再将得到的分类特征数据输入至聚类算法中进行数据聚类,并根据聚类的分类特征数据进行曲线拟合,得到表示该图像中的车道线的函数,即检测出了车道线。
云服务器在检测出车道线后,还可以继续针对其它图像继续检测车道线,并在这些图像中进行车辆追踪,确定车辆在图像中的位置,根据车辆位置以及检测出来的车道线,确定两者在图像中是否有重叠,若有则确定为违章,如违章变线等。还可以确定车辆是否逆行等。在确定出违章后,云服务器可以向第三设备103,如违章处理人员的电脑,发送该消息,以使得违章处理人员接收到该消息后,对该消息进行核对以及处罚违章车辆。
需要说明的是,第一设备101可以设置在各种道路以及可设置第一设备101的地方,如高速公路、城市高空位置等。
上述系统100除了可以应用在交通中道路的车道线的检测,还可以应用到其它场景中的检测。如,在应用到机场中进行检测。可以对机场停机坪上的同一类型或不同类型的飞机、供给车、摆渡车等,属于停机坪上的物体或者标识进行目标检测。在检测到机场上的目标后,如飞机、供给车、摆渡车,可以确定各个目标在机场上的位置,尤其在机坪上的同一块区域中确定出具有多个物体时,可以根据各个物体位置来,确定机坪上是否有异常发生,从而进行处理。
此外,还可以应用到可以用于码头、车站等各种交通枢纽中的目标检测,如码头中进港、出港以及停靠在码头的船只;还可以为车站进站、出站以及停靠在车站的公交车。通过上述系统100可以确定出来码头中同一类型或不同类型的船只所在的位置,也可以确定车站中各个同一类型或不同类型的车辆位置。然后可以根据这些位置来确定码头或者车站是否出现了异常,如事故、拥堵等。
另,也可以应用到工业车间、建筑工地等多种需要目标检测的场景。例如,可以针对工业车间内工人、机器以及工具等进行检测。也可以针对建筑工地中的车辆、工人、设备进行检测。通过对工业车间内工人、机器以及工具的位置确定,来确定是否即将有事故发生,是否已经发生了事故等。通过对建筑工地中的车辆、工人、设备的位置确定,来确定是否即将有事故发生,是否已经发生了事故等。
应理解,对于不同的应用场景,系统100中各个设备的设置的位置可以有所不同,可以根据应用场景来调整。且该系统100中各个设备所处理的数据可以有所不同,处理的数据可以因不同的场景而不同,但是具体的处理方式是相似的,此处就不再赘述。
在上述本实施例中,上述设备可以进行网络连接,该网络连接可以是无线连接。若是通信连接,该移动网络的网络制式可以为2G(GSM)、2.5G(GPRS)、3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、WiMax、5G等中的任意一种。
下面结合方法实施例,针对信息的检测进行详细说明。
图2为本申请一示例性实施例的一种信息的检测方法的流程示意图。本申请实施例提供的该方法200由计算设备执行,如,云服务器。该方法200包括以下步骤:
201:获取图像,确定用于描述目标对象在图像中位置的描述信息。
202:获取图像的分类特征数据,分类特征数据可用于区别图像中的目标对象。
203:根据描述信息以及图像的分类特征数据,对目标对象的分类特征数据进行划分,检测出目标对象。
以下针对上述步骤进行详细阐述:
201:获取图像,确定用于描述目标对象在图像中位置的描述信息。
其中,描述信息是指用于描述目标对象在图像中位置,如用于描述图像中车道线位置,可以通过标识来确定,即描述信息可以为标识,如0,1等。则可以将目标对象标识为1,将其它对象标识为0。
需要说明的是,对于在同一个图像中可以存在多个目标对象,如,车道线,那么可以将多个目标对象设为同一个标识,如都是1。将该图像中所有其它对象,如车、树、天空等都设为0。当然也可以将其它对象或者目标对象通过不同标识去设置,但是对于后续的数据处理而言,是很不方便的。对于前者而言,前者在后续处理过程中,可以减少一些处理过程。此外,对于将目标对象用不同标识来描述,是可以的,但是会增多此处的处理过程。
其中,获取图像的方式可以为:从图像采集装置处获取到多个图像。其中,图像采集装置可以因场景不同而设置在不同的地方。对于交通场景而言,可以设置在路段上方,如城市高空中,可以通过路段上的支撑体来设置图像采集装置,如设置在桥上、交通灯上的图像采集装置。图像采集装置可以为摄像头。
例如,根据前文所述,摄像头可以实时地对其视角范围内的路况进行拍摄,并将拍摄到的多个路况图像发送到云服务器。其中,摄像头可以定时转动,改变其视角范围,获取同一路况的不同角度的路口图像,并发送至云服务器。
其中,图3示出了获取的图像300,在该图像300中具有多条车道线302以及多辆车301。
此外,如果对实时性要求不是特别高的情况下,图像采集装置也可以将图像发送至用于存储图像的设备,如存储服务器。云服务器可以从该设备中,如存储服务器,获取这些图像。
应理解,图像采集装置除了采集到图像外,也可以实时采集视频,并可以将视频发送至云服务器,使得云服务器对视频中的每帧图像进行后续的处理。
在计算设备,如云服务器,接收到图像后,可以对图像的质量进行确定,当确定图像质量不符合质量要求时,则删除该图像。其中,质量要求可以是,检测该图像是否存在黑屏、无显示内容等。从而提高处理效率,以及图像质量。
此外,为了提高后续图像的处理速度,如模型速度,运算开销、显存占用等,需要对图像先进行预处理,如将图像转换成可提高处理速度的图像格式,但是同时还要保证图像质量,以备后续进行目标对象的较好识别,保证识别的精准度。
具体的,该方法200还包括:获取到图像后,将图像转换成预定尺寸的图像。
例如,根据前文所述,云服务器接收到图像后,可以将图像缩放至预定尺寸,如512*288尺寸的图像。
应理解,无论是前述的图像质量确定还是图像尺寸格式的转换,都是可以进一步提高图像处理效果以及速度的。但是即使没有这些方式,也可以继续后续的图像处理。
在获取到图像后,可以直接进行图像处理,例如,可以将图像发送至预置模型中,进行图像处理。其中,该预置模型的模型框架为encoder(编码)-decoder(解码)的框架。其中,encoder可以用任意目前深度学习开源模型框架,比如:ResNet,VGG,drn,mobileNet等,用于对图像压缩编码。对于前述不同的模型框架,可以对应于不同的神经网络模型,如CNN(Convolutional Neural Networks,卷积神经网络)、RNN(循环神经网络,RecurrentNeural Network)等。具体的图像压缩如下:
具体的,该方法200还包括:在获取到图像后,将图像生成预置向量矩阵格式的图像特征数据,针对图像特征数据来执行确定目标对象在图像中的位置的步骤。
例如,根据前文所述,如图8所示,云服务器在获取到图像后,或者,对象进行预处理(即质量确定和/或图像尺寸格式转换)后,可以执行步骤801:输入图像至encoder,将上述encoder对应的RNN模型作为特征提取器,或编码器,将当前图像根据预置图像压缩算法,进行图像压缩编码,提取图像特征数据,得到预置维度的向量矩阵,用于表示图像特征数据。由此,来继续后续图像处理,如确定描述信息。
具体的,确定用于描述目标对象在图像中位置的描述信息,包括:根据图像的图像特征数据,通过第一预置模型,对图像中的目标对象的像素进行标识,得到像素的目标标识,并将目标标识作为描述信息;图像中的每个目标对象的像素的标识相同。
其中,第一预置模型是用于语意分割的模型,其将所需要预测的目标对象,如车道线,可以标识为1,图像中的背景,即其它对象,标识为0,形成一个只有两个label标注的语意分割任务。训练的过程可以是,利用大量已经标定好目标对象以及其它对象的图像,根据图像特征数据,进行训练该第一预置模型,该模型可以为RNN、CNN等。并采用通用的binary-cross-entropy损失函数来进行模型训练,得到第一预置模型。同时该预置模型也可以进行上述深度学习中的decoder部分,可以恢复图像的分辨率,具体的实施方式有pixelshuffle像素重组,upsampling上采样,转置卷积等。
由此,云服务器可以将图像特征数据输入至第一预置模型中,进行步骤802:语义分割,基于该模型对图像进行标识,可以对图像中的车道线进行标识为1。
此外,也可以对图像中的其它对象标识为0。具体的,根据图像的图像特征数据,通过第一预置模型,对图像中的其它对象的像素进行标识,得到其它对象的像素的其它标识,目标对象的像素与其它对象的像素通过不同标识区分,其它对象的像素的标识相同;
从而该模型可以输出一个图像,该图像中已经标识了0和1,则为0-1二值图像。
其中,图4示出了该二值图像400。在该图像400中,可以白色为标识为1的车道线,黑色为标识为0的其它对象。
需要说明的是,对于图像而言,也是可以指标识出目标对象的,但是为了能够后续处理方便,所以也可以对其它对象进行标识,而将其它对象标识为0,则在后续图像处理中,可以将这些其它对象直接滤除掉,直接对目标对象进行处理。而将目标对象的标识设置为1,则可以保持后续图像中目标对象的分类特征数据,直接进行分类处理。
在获取到二值图像后,可以对二值图像中的无效像素点,如孤岛像素,进行滤波降噪,可以利用连通域分析的方法将一些无效像素点滤除。即执行步骤803:连通域分析。
具体的,1)、该方法200还包括:在确定出图像的像素的标识后,确定设置在目标标识区域中的其它标识;在确定的其它标识满足剔除条件的情况下,剔除掉其它标识。
例如,根据前文所述,云服务器在得到二值图像后,确定出在标识为1组成的区域中标识为0组成的目标区域。即在图像400中,可以看到被白色包住的黑色。当被包围住的标识为0组成的目标区域,即黑色图像,小于像素点数目阈值,则对该黑色图像对进行闭运算操作(如,对图像进行先膨胀后腐蚀的操作),来去除图像400中被白色包住的小黑点。
其中,图5示出了过滤后的图像500。在图像500与图像400进行比较,可以看出,部分黑色像素被去除,转换白色像素,从而对图像进行了校正。
具体的,2)、方法还包括:在确定出图像的像素的标识后,确定设置在其它标识区域中的目标标识;在确定目标标识满足剔除条件的情况下,剔除掉目标标识。
此处与前文相似,就不再赘述,仅说明:云服务器可以进行连通域分析,并根据设定的像素数目阈值(在本申请实施例中可以为500)来滤除孤立的白色小块。
其中,在图像500与图像400进行比较,可以看出,部分白色像素被去除,转换黑色像素,从而对图像进行了校正。
需要说明的是,如果图像仅仅只有目标对象的标识的话,也可以不进行过滤处理,或者对目标对象的像素进行过滤,此过滤过程也是将孤岛像素确定出来,或者直接对所有目标对象的像素进行检测,即图像中的各个标识为1的像素集合,确定是否大于像素点数目阈值,来确定是否过滤。
在对图像降噪后,结合图像500发现,在二值车道线边缘的特征不明显,且如果直接提取该车道线特征将会大大提高后续算法的运算量。故在此对该二值图像中的车道线提取其骨架特征,减少后续的计算量并提高特征提取的鲁棒性。应理解,对于仅有车道线标识的图像而言,也可以进行骨架提取。
具体的,该方法200还包括:在确定出描述信息后,从描述信息中提取出用于描述目标对象的形状和结构的描述信息;根据提取出的描述信息以及图像的分类特征数据,对目标对象的分类特征数据进行划分,检测出每个目标对象。
其中,骨架是指用于描述目标对象的形状和结构。那么提取该骨架,则提取该骨架对应的描述信息,如标识等。
例如,根据前文所述,云服务器可以根据骨架提取算法,对上述二值图像中的车道线进行骨架提取,即执行步骤804:骨架提取,即从描述信息中提取到对应的骨架描述信息。该骨架描述信息是最能体现该车道线的形状和结构的标识。然后将其它描述信息都可以设置为标识为0。
其中,图6示出了骨架提取后的图像600。在该图像600中可以看出提取结果。
在提取出来对应的骨架描述信息后,可以基于该提取后的二值图像与分类特征数据进行相乘,以得到只有目标对象的骨架所对应的分类特征数据,来进行分类。
202:获取图像的分类特征数据,分类特征数据可用于区别图像中的目标对象。
其中,获取所述图像的分类特征数据,包括:根据图像的图像特征数据,通过第二预置模型,将图像中的每个像素进行编码,生成多维向量数据,用于表示每个像素点的分类特征数据。
其中,第二预置模型用于实例分割编码的模型。将图像中每一个尺寸像素即每个像素,编码为4维(或者4维以上)的向量,即输出的图像实例分割结果尺寸为:512*288*4。
训练的过程可以是,利用大量已经标定好不同目标对象的图像进行训练,如,图像中有6条车道线,依次对车道线标定为1、2、3、4、5、6。根据图像特征数据,训练第二预置模型,该模型可以为RNN、CNN等。采用损失函数为开源discriminative loss的方法进行训练。其中,训练的过程中,针对图像特征数据进行实例分割编码,使得得到每个像素的多维向量或多维向量矩阵,在满足损失函数的前提下,能够基于该多维向量将像素进行很好的分类,使得形成多个不同的目标对象,如多条不同的车道线。基于此,得到根据训练好的实例分割编码算法,来对检测中的图像进行实例分割编码,从而进行分类。
同时该第二预置模型也可以进行上述深度学习中的decoder部分,可以恢复图像的分辨率,具体的实施方式有pixel shuffle像素重组,upsampling上采样,转置卷积等。
由此,例如,根据前文所述,云服务器可以将图像数据特征输入至第二预置模型中,执行步骤805:实例分割编码,得到图像的分类特征数据。以进行后续的分类。
203:根据描述信息以及图像的分类特征数据,对目标对象的分类特征数据进行划分,检测出目标对象。
需要说明的是,对于步骤203而言,可以直接将未进行上述质量确定、图像尺寸格式转换、滤波降噪、骨架提取等。直接对利用描述信息与分类特征数据进行划分。
具体的,根据描述信息以及图像的分类特征数据,对目标对象的分类特征数据进行划分,检测出目标对象,包括:根据描述信息以及分类特征数据,确定图像中目标对象对应的分类特征数据;针对至少一个目标对象中的每个目标对象,对确定的目标对象的分类特征数据进行划分,得到每个目标对象对应的分类特征数据;根据每个目标对象对应的分类特征数据,生成表示每个目标对象的数据;根据生成的数据,检测出每个目标对象。
其中,针对每个目标对象,对确定的目标对象的分类特征数据进行划分,得到每个目标对象对应的分类特征数据,是可以通过对分类特征数据进行聚类,从而实现划分的。
具体的,对确定的目标对象的分类特征数据进行划分,得到每个目标对象对应的分类特征数据,包括:对分类特征数据进行聚类,得到至少一类分类特征数据;将至少一类分类特征数据作为每个目标对象对应的分类特征数据。
其中,该聚类的方式是可以通过聚类模型来实现的。聚类模型可以采用DBSCAN的聚类模型,DBSCAN是一种比较成熟的基于密度且具有降噪功能的聚类算法。特别是对于目标对象数量不固定的时候,如,对于任意场景,车道线的条数不固定,无法使用其他经典的有监督聚类算法,如Kmeans,kmeans++等。故这里采用DBSCAN。
例如,根据前文所述,云服务器可以将二值图像以及具有分类特征数据(如,每个像素的4维向量)的图像相乘,选取不为零的部分,即不为零的分类特征数据,即表示为车道线的分类特征数据。即执行步骤806:确定车道线的实例分割编码。对该分类特征数据进行DBSCAN聚类,可以得到每条车道线对应的分类特征数据,即执行步骤807:特征聚类。并根据每条车道线对应的分类特征数据进行聚合,执行步骤808:回归拟合,形成表示每条车道线的函数,即根据该函数可以检测出来对应的车道线。
除此以外,也可以针对进行上述质量确定、图像尺寸格式转换、滤波降噪、骨架提取等的描述信息来实现分类。
具体的,根据提取出的描述信息以及图像的分类特征数据,对目标对象的分类特征数据进行划分,检测出每个目标对象。此处就不再赘述。
或者,还可以针对上述质量确定、图像尺寸格式转换、滤波降噪、骨架提取等中的至少一种处理,来进行分类。
在描述信息中,如果仅是对目标对象进行标识,也可以直接根据该标识所对应的目标对象像素,来确定该像素对应的分类特征数据。
具体的,根据描述信息以及分类特征数据,确定图像中目标对象的分类特征数据,包括:根据目标对象的像素的目标标识,确定目标对象对应像素的分类特征数据。
例如,根据前文所述,云服务器可以根据车道线的标识1,来确定对应的像素,然后根据这些像素从分类特征数据(如,每个像素的4维向量)中,确定像素对应的分类特征数据(如,对应的像素的4维向量)。从而进行DBSCAN聚类和聚合。
其中,上述聚合的过程可以为:
具体的,根据每个目标对象对应的分类特征数据,生成表示每个目标对象的数据,包括:针对每个目标对象,将其对应分类特征数据进行数据拟合,生成表示对应目标对象的拟合数据。其中,可以根据目标对象的形状,进行曲线拟合,即数据拟合。
例如,根据前文所述,云服务器在得到每条车道线对应的分类特征数据(如,4维向量)后,根据车道线的形状,采用二次曲线对车道线进行回归拟合,即执行步骤求得各条车道线的二次项、一次项、常数项系数,生成对应的函数。对于上述数据拟合,都是有各自对应的拟合误差的,对于拟合误差较大对应的像素类(即,目标对象对应的分类特征数据)需要进行二次聚类。而二次聚类的特征数据就不再是实例分割编码,而是其它特征数据。因为实例分割编码在某些时候不能很好的表示空间关系,对于空间上不一致的目标对象需要进一步空间聚类分离。
具体的,该方法200还包括:针对每个目标对象,确定数据拟合的误差;根据数据拟合的误差(也可以称为拟合误差),确定不满足误差条件对应的分类特征数据;根据该分类特征数据对应的像素在图像中的位置,对位置进行划分,得到对应目标对象对应的位置;根据对应的位置,生成表示对应目标对象的数据;根据生成的数据,检测出对应目标对象。
其中,如果拟合误差不在合理范围内,即误差条件中,如拟合误差超过误差阈值。则意味着出现了将两个目标对象误判为了一个目标对象的情况,如,将两条车道线误判为了一条车道线的情况。
像素在图像中的位置是指像素在图像中的坐标。
例如,根据前文所述,云服务器可以在上述曲线拟合过程中,即执行步骤808:回归拟合,同时可以求取最终拟合得到的函数的拟合误差(即步骤808中的确定拟合误差),可以选择均方误差为拟合误差。并执行步骤809:确定拟合误差是否满足误差条件,当拟合误差超出误差阈值,则需要利用车道线的位置对聚类错误的车道线进行二次聚类,即返回至步骤807:特征聚类。车道线位置为车道线像素在图像中的坐标,将车道线对应的坐标集合输入DBSCAN进行二次聚类。之后将重新聚类的每一个类别,即重新聚类的每条车道线对应的坐标集合,重新进行二次曲线拟合,输出为最终的车道线函数。如果拟合误差未超出误差阈值,则可以直接执行步骤810:输出最终的车道线函数。
其中,图7示出了最终检测的车道线的图像700。在该图像700中,检测出来的车道线701为多条。
需要说明的是,可以根据拟合误差确定出拟合曲线是否有问题,比如如果DBSCAN将两条车道线判为了一条车道线,那么可以通过拟合误差将这种异常情况找出。如果拟合误差均在合理范围,此时车道线的函数便作为所需要的最终输出。
此外,本申请实施例可以智能、自动、且高效地适用于城市、高速公路中交通摄像头场景的算法,来自动检测车道线。且本申请实施例将会不囿于图像中车道线的根数,对于高速公路,城市俯视视角中的路面车道线能够全部找出,并且在实际使用中单帧图像的车道线检测总耗时可以控制到50毫秒ms左右,可以支持32路摄像头并发的检测。
还需要说明的是,本方法200的具体实施方式也可以应用到前文所述的各个场景中,如机场、车站、码头、工业车间以及建筑工地等。
在不同场景中,可以是针对同一类型的目标对象进行检测,同一类型的目标对象是具有相同的,如相同型号的飞机。也可以对不同类型的目标对象进行检测,如不同类型的飞机。但是对于不同类型的目标对象而言,外形是相似的,或者说,结构和形状是相似的,所以也可以进行检测。
基于上述相似的发明构思,图9示出了本申请另一示例性实施例提供的一种车道线的检测方法的流程示意图。本申请实施例提供的该方法900可以由上述服务器执行,如图9所示,该方法900包括以下步骤:
901:获取路况图像,确定用于描述车道线在路况图像中位置的描述信息。
902:获取路况图像的分类特征数据,分类特征数据可用于区别图像中的车道线。
903:根据描述信息以及路况图像的分类特征数据,对车道线的分类特征数据进行划分,检测出车道线。
由于前文已经详细阐述过步骤901-903的具体实施方式,此处就不再赘述。
具体的,获取路况图像,包括:获取多个路况图像;其中,该方法900还包括:针对每个路况图像,执行确定用于描述车道线在图像中位置的描述信息的步骤。
由于前文已经详细阐述过,此处就不再赘述。
另,本方法900未能详细描述的内容,还可以参照上述方法200中的各个步骤。
基于上述相似的发明构思,图10示出了本申请另一示例性实施例提供的一种车辆违章的检测方法的流程示意图。本申请实施例提供的该方法1000可以由上述服务器执行,如图10所示,该方法1000包括以下步骤:
1001:获取路况图像,确定用于描述车道线在路况图像中位置的描述信息。
1002:获取路况图像的分类特征数据,分类特征数据可用于区别路况图像中的车道线。
1003:根据描述信息以及路况图像的分类特征数据,对车道线的分类特征数据进行划分,检测出车道线。
1004:确定路况图像中的车辆位置,并根据车辆位置以及检测出的车道线,来确定路况图像中的车辆是否违章。
由于前文已经详细阐述过步骤1001-1003的具体实施方式,此处就不再赘述。仅说明:步骤1004中可以根据追踪算法,确定各个图像中车辆在图像中的坐标。由于图像都是连续传输的,如相同路段中的连续时间的图像,或者,相连路段中的图像。在相连路段中的图像,可以追踪同一辆车。所以可以根据追踪算法对相同车辆进行追踪,或者对同一路段中不同车辆在图像中定位。
在检测出来车辆在路况图像中的坐标后,将车辆的坐标与车道线的坐标进行比对,确定是否存在重合,如果存在,则存在违章。如车辆未行驶在限行区域中,或者车辆出现过违章变线等。
此外,还可以基于人工对车道线的方向的标定,可以在检测出车道线后,基于路段连接的关系,确定出每个路段的各个车道线的方向。在确定出各个车道线的方向后,可以根据车辆在路况图像中的移动位置,确定车辆是否存逆行的问题。
同时,还可以根据同一路段的多个连续路况图像,来确定相同车辆的位置是否有移动,或者在预置时间内移动的距离,来确定是否存在交通拥堵、甚至交通事故的发生。还可以根据检测出的车道线,来确定摄像头是否以正常角度照射路面。
此外,该方法1000还包括:当确定车辆违章,则发送违章消息至处理设备。
例如,根据前文所述,在确定出违章后,云服务器可以对该车辆的车牌进行识别,并将违章消息发送至违章处理人员的电脑上,该消息可以携带违章车辆车牌,以使违章处理人员对该消息进行后续处理。
具体的,获取路况图像,包括:获取多个路况图像;其中,该方法1000还包括:针对每个路况图像,执行确定用于描述车道线在路况图像中位置的描述信息的步骤。
此外,该方法1000还包括:根据多个路况图像中每个路况图像中车辆位置以及检测出的车道线,来确定当前路况是否发生交通事故。
具体的,根据车辆位置以及检测出的车道线,来确定路况图像中的车辆是否违章,包括:当车辆位置与车道线在路况图像中的位置存在至少部分重合,则确定车辆违章。
由于前文已经详细阐述过,此处就不再赘述。
另,本方法1000未能详细描述的内容,还可以参照上述方法200中的各个步骤。
需要说明的是,除了可以继续检测出交通中的违章问题,对于上述不同的应用场景中,如机场、车站、码头、工业车间以及建筑工地等。在检测出各个场景中对应的目标对象后,也可以基于方法1000的相似方式来确定在不同场景中是否即将发生事故、或者已经发生事故或者是否出现车辆以及船只的拥堵问题。具体的可以是将同一场景中,可以确定检测出来的目标对象的位置是否存在重合的情况,如果重合,则可能发生了碰撞问题。如果没有重合,但是位置之间距离较近,如在一定阈值内,则可能即将发生碰撞,则需要进行预警等。此处就不再赘述。
图11为本申请一示例性实施例提供的一种信息的检测装置的结构框架示意图。该装置1100可以应用于服务器。该装置1100包括:获取模型1101、划分模块1102;以下针对各个模块的功能进行详细的阐述:
获取模型1101,用于获取图像,确定用于描述目标对象在图像中位置的描述信息。
获取模型1101,用于获取图像的分类特征数据,分类特征数据可用于区别图像中的目标对象。
划分模块1102,用于根据描述信息以及图像的分类特征数据,对目标对象的分类特征数据进行划分,检测出目标对象。
此外,该装置1100还包括:转换模块,用于获取到图像后,将图像转换成预定尺寸的图像。
此外,该装置1100还包括:生成模块,用于在获取到图像后,将图像生成预置向量矩阵格式的图像特征数据,针对图像特征数据来执行确定目标对象在图像中的位置的步骤。
具体的,获取模型1101,用于:根据图像的图像特征数据,通过第一预置模型,对图像中的目标对象的像素进行标识,得到像素的目标标识,并将目标标识作为描述信息;图像中的每个目标对象的像素的标识相同。
具体的,获取模型1101,用于根据图像的图像特征数据,通过第二预置模型,将图像中的每个像素进行编码,生成多维向量数据,用于表示每个像素点的分类特征数据。
具体的,划分模块1102,包括:确定单元,用于根据描述信息以及分类特征数据,确定图像中目标对象对应的分类特征数据;划分单元,用于针对每个目标对象,对确定的目标对象的分类特征数据进行划分,得到每个目标对象对应的分类特征数据;生成单元,用于根据每个目标对象对应的分类特征数据,生成表示每个目标对象的数据;检测单元,用于根据生成的数据,检测出每个目标对象。
具体的,生成单元,用于针对每个目标对象,将其对应分类特征数据进行数据拟合,生成表示对应目标对象的拟合数据。
此外,该装置1100还包括:确定模块,用于针对至少一个目标对象中的每个目标对象,确定数据拟合的误差;根据数据拟合的误差,确定不满足误差条件对应的分类特征数据;划分模块1102,用于根据该分类特征数据对应的像素在图像中的位置,对位置进行划分,得到对应目标对象对应的位置;生成模块,还用于根据对应的位置,生成表示对应目标对象的数据;该装置1100还包括:检测模块,还用于根据生成的数据,检测出对应目标对象。
具体的,确定单元,用于:根据目标对象的像素的目标标识,确定目标对象对应像素的分类特征数据。
此外,该装置1100还包括:标识模块,用于根据图像的图像特征数据,通过第一预置模型,对图像中的其它对象的像素进行标识,得到其它对象的像素的其它标识,目标对象的像素与其它对象的像素通过不同标识区分,其它对象的像素的标识相同;确定模块,还用于在确定出图像的像素的标识后,确定设置在目标标识区域中的其它标识;剔除模块,用于在确定的其它标识满足剔除条件的情况下,剔除掉其它标识。
此外,确定模块,还用于在确定出图像的像素的标识后,确定设置在其它标识区域中的目标标识;剔除模块,还用于在确定目标标识满足剔除条件的情况下,剔除掉目标标识。
此外,该装置1100还包括:提取模块,用于在确定出描述信息后,从描述信息中提取出用于描述目标对象的形状和结构的描述信息;划分模块1102,用于根据提取出的描述信息以及图像的分类特征数据,对目标对象的分类特征数据进行划分,检测出每个目标对象。
具体的,划分单元,用于:对分类特征数据进行聚类,得到至少一类分类特征数据;将至少一类分类特征数据作为每个目标对象对应的分类特征数据。
图12为本申请一示例性实施例提供的一种车道线的检测装置的结构框架示意图。该装置1200可以应用于服务器。该装置1200包括:获取模块1201、划分模块1202;以下针对各个模块的功能进行详细的阐述:
获取模块1201,用于获取路况图像,确定用于描述车道线在路况图像中位置的描述信息。
获取模块1201,用于获取路况图像的分类特征数据,分类特征数据可用于区别路况图像中的车道线。
划分模块1202,用于根据描述信息以及路况图像的分类特征数据,对车道线的分类特征数据进行划分,检测出车道线。
具体的,获取模块1201,用于获取路况图像,用于获取多个路况图像;其中,针对每个路况图像,执行确定用于描述车道线在路况图像中位置的描述信息的步骤。
需要说明的是,对于装置1200未能提及的部分内容,可以参照上述装置1100的内容。
图13为本申请一示例性实施例提供的一种车辆违章的检测装置的结构框架示意图。该装置1300可以应用于服务器。该装置1300包括:获取模块1301、划分模块1302以及确定模块1303;以下针对各个模块的功能进行详细的阐述:
获取模块1301,用于获取路况图像,确定用于描述车道线在路况图像中位置的描述信息。
获取模块1301,用于获取路况图像的分类特征数据,分类特征数据可用于区别图像中的车道线。
划分模块1302,用于根据描述信息以及路况图像的分类特征数据,对车道线的分类特征数据进行划分,检测出车道线。
确定模块1303,用于确定路况图像中的车辆位置,并根据车辆位置以及检测出的车道线,来确定图像中的车辆是否违章。
此外,该装置1300还包括:发送模块,用于当确定车辆违章,则发送违章消息至处理设备。
具体的,获取模块1301,用于获取多个路况图像;其中,针对每个路况图像,执行确定用于描述车道线在路况图像中位置的描述信息的步骤。
此外,确定模块1303,用于根据多个路况图像中每个路况图像中车辆位置以及检测出的车道线,来确定当前路况是否发生交通事故。
此外,确定模块1303,用于当车辆位置与车道线在路况图像中的位置存在至少部分重合,则确定车辆违章。
需要说明的是,对于装置1300未能提及的部分内容,可以参照上述装置1100的内容。
以上描述了图11所示的装置1100的内部功能和结构,在一个可能的设计中,图11所示的装置1100的结构可实现为计算设备,如,服务器。如图14所示,该设备1400可以包括:存储器1401以及处理器1402;
存储器1401,用于存储计算机程序。
处理器1402,用于执行计算机程序,以用于:获取图像,确定用于描述目标对象在图像中位置的描述信息。获取图像的分类特征数据,分类特征数据可用于区别图像中的目标对象。根据描述信息以及图像的分类特征数据,对目标对象的分类特征数据进行划分,检测出目标对象。
此外,处理器1402,还用于:获取到图像后,将图像转换成预定尺寸的图像。
此外,处理器1402,还用于:在获取到图像后,将图像生成预置向量矩阵格式的图像特征数据,针对图像特征数据来执行确定目标对象在图像中的位置的步骤。
具体的,处理器1402,具体用于:根据图像的图像特征数据,通过第一预置模型,对图像中的目标对象的像素进行标识,得到像素的目标标识,并将目标标识作为描述信息;图像中的每个目标对象的像素的标识相同。
具体的,处理器1402,具体用于:根据图像的图像特征数据,通过第二预置模型,将图像中的每个像素进行编码,生成多维向量数据,用于表示每个像素点的分类特征数据。
具体的,处理器1402,具体用于:根据描述信息以及分类特征数据,确定图像中目标对象对应的分类特征数据;针对每个目标对象,对确定的目标对象的分类特征数据进行划分,得到每个目标对象对应的分类特征数据;根据每个目标对象对应的分类特征数据,生成表示每个目标对象的数据;根据生成的数据,检测出每个目标对象。
具体的,处理器1402,具体用于:针对至少一个目标对象中的每个目标对象,将其对应分类特征数据进行数据拟合,生成表示对应目标对象的拟合数据。
此外,处理器1402,还用于:针对每个目标对象,确定数据拟合的误差;根据数据拟合的误差,确定不满足误差条件对应的分类特征数据;根据该分类特征数据对应的像素在图像中的位置,对位置进行划分,得到对应目标对象对应的位置;根据对应的位置,生成表示对应目标对象的数据;根据生成的数据,检测出对应目标对象。
具体的,处理器1402,具体用于:根据目标对象的像素的目标标识,确定目标对象对应像素的分类特征数据。
此外,处理器1402,还用于:根据图像的图像特征数据,通过第一预置模型,对图像中的其它对象的像素进行标识,得到其它对象的像素的其它标识,目标对象的像素与其它对象的像素通过不同标识区分,其它对象的像素的标识相同;在确定出图像的像素的标识后,确定设置在目标标识区域中的其它标识;在确定的其它标识满足剔除条件的情况下,剔除掉其它标识。
此外,处理器1402,还用于:在确定出图像的像素的标识后,确定设置在其它标识区域中的目标标识;在确定目标标识满足剔除条件的情况下,剔除掉目标标识。
此外,处理器1402,还用于:在确定出描述信息后,从描述信息中提取出用于描述目标对象的形状和结构的描述信息;根据提取出的描述信息以及图像的分类特征数据,对目标对象的分类特征数据进行划分,检测出每个目标对象。
具体的,处理器1402,具体用于:对分类特征数据进行聚类,得到至少一类分类特征数据;将至少一类分类特征数据作为每个目标对象对应的分类特征数据。
另外,本发明实施例提供了一种计算机存储介质,计算机程序被一个或多个处理器执行时,致使一个或多个处理器实现图2方法实施例中一种车道线的检测方法的步骤。
以上描述了图12所示的装置1200的内部功能和结构,在一个可能的设计中,图12所示的装置1200的结构可实现为计算设备,如,服务器。如图15所示,该设备1500可以包括:存储器1501以及处理器1502;
存储器1501,用于存储计算机程序。
处理器1502,用于执行计算机程序,以用于:获取路况图像,确定用于描述车道线在路况图像中位置的描述信息。获取路况图像的分类特征数据,分类特征数据可用于区别路况图像中的车道线。根据描述信息以及路况图像的分类特征数据,对车道线的分类特征数据进行划分,检测出车道线。
具体的,处理器1502,具体用于:获取路况图像,用于获取多个路况图像;其中,针对每个路况图像,执行确定用于描述车道线在路况图像中位置的描述信息的步骤。
需要说明的是,对于设备1500未能提及的部分内容,可以参照上述设备1400的内容。
另外,本发明实施例提供了一种计算机存储介质,计算机程序被一个或多个处理器执行时,致使一个或多个处理器实现图9方法实施例中一种车道线的检测方法的步骤。
以上描述了图13所示的装置1300的内部功能和结构,在一个可能的设计中,图13所示的装置1300的结构可实现为计算设备,如,服务器。如图16所示,该设备1600可以包括:存储器1601以及处理器1602;
存储器1601,用于存储计算机程序。
处理器1602,用于执行计算机程序,以用于:获取路况图像,确定用于描述车道线在路况图像中位置的描述信息。获取图像的分类特征数据,分类特征数据可用于区别路况图像中的车道线。根据描述信息以及路况图像的分类特征数据,对车道线的分类特征数据进行划分,检测出车道线。确定路况图像中的车辆位置,并根据车辆位置以及检测出的车道线,来确定路况图像中的车辆是否违章。
此外,处理器1602,还用于:当确定车辆违章,则发送违章消息至处理设备。
具体的,处理器1602,具体用于:获取多个路况图像;其中,针对每个路况图像,执行确定用于描述车道线在路况图像中位置的描述信息的步骤。
此外,处理器1602,还用于:根据多个路况图像中每个路况图像中车辆位置以及检测出的车道线,来确定当前路况是否发生交通事故。
此外,处理器1602,还用于:当车辆位置与车道线在路况图像中的位置存在至少部分重合,则确定车辆违章。
需要说明的是,对于设备1600未能提及的部分内容,可以参照上述设备1400的内容。
另外,本发明实施例提供了一种计算机存储介质,计算机程序被一个或多个处理器执行时,致使一个或多个处理器实现图10方法实施例中一种车辆违章的检测方法的步骤。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如201、202、203等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程多媒体数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程多媒体数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程多媒体数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程多媒体数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (24)
1.一种信息的检测方法,其特征在于,包括:
获取图像,确定用于描述目标对象在所述图像中位置的描述信息;
获取所述图像的分类特征数据,所述分类特征数据可用于区别所述图像中的目标对象;
根据所述描述信息以及所述图像的分类特征数据,对所述目标对象的分类特征数据进行划分,检测出所述目标对象。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取到图像后,将所述图像转换成预定尺寸的图像。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在获取到图像后,将图像生成预置向量矩阵格式的图像特征数据,针对所述图像特征数据来执行所述确定目标对象在所述图像中的位置的步骤。
4.根据权利要求1所述的方法,其特征在于,所述确定用于描述目标对象在所述图像中位置的描述信息,包括:
根据图像的图像特征数据,通过第一预置模型,对所述图像中的目标对象的像素进行标识,得到像素的目标标识,并将所述目标标识作为所述描述信息;所述图像中的每个目标对象的像素的标识相同。
5.根据权利要求1所述的方法,其特征在于,所述获取所述图像的分类特征数据,包括:
根据图像的图像特征数据,通过第二预置模型,将所述图像中的每个像素进行编码,生成多维向量数据,用于表示每个像素点的分类特征数据。
6.根据权利要求1所述的方法,其特征在于,所述根据所述描述信息以及所述图像的分类特征数据,对所述目标对象的分类特征数据进行划分,检测出所述目标对象,包括:
根据所述描述信息以及所述分类特征数据,确定所述图像中至少一个所述目标对象对应的分类特征数据;
针对至少一个目标对象中的每个目标对象,对确定的所述目标对象的分类特征数据进行划分,得到每个目标对象对应的分类特征数据;
根据每个目标对象对应的分类特征数据,生成表示每个目标对象的数据;
根据生成的数据,检测出每个目标对象。
7.根据权利要求6所述的方法,其特征在于,所述根据每个目标对象对应的分类特征数据,生成表示每个目标对象的数据,包括:
针对每个目标对象,将其对应分类特征数据进行数据拟合,生成表示对应目标对象的拟合数据。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
针对每个目标对象,确定数据拟合的误差;
根据所述数据拟合的误差,确定不满足误差条件对应的分类特征数据;
根据该分类特征数据对应的像素在所述图像中的位置,对所述位置进行划分,得到对应目标对象对应的位置;
根据对应的位置,生成表示对应目标对象的数据;
根据生成的数据,检测出对应目标对象。
9.根据权利要求6所述的方法,其特征在于,所述根据所述描述信息以及所述分类特征数据,确定所述图像中所述目标对象的分类特征数据,包括:
根据所述目标对象的像素的目标标识,确定目标对象对应像素的所述分类特征数据。
10.根据权利要求4所述的方法,其特征在于,所述方法还包括:
根据图像的图像特征数据,通过第一预置模型,对所述图像中的其它对象的像素进行标识,得到其它对象的像素的其它标识,所述目标对象的像素与其它对象的像素通过不同标识区分,所述其它对象的像素的标识相同;
在确定出图像的像素的标识后,确定设置在所述目标标识区域中的所述其它标识;
在确定的其它标识满足剔除条件的情况下,剔除掉所述其它标识。
11.根据权利要求10所述的方法,其特征在于,所述方法还包括:
在确定出图像的像素的标识后,确定设置在其它标识区域中的所述目标标识;
在确定所述目标标识满足剔除条件的情况下,剔除掉所述目标标识。
12.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在确定出所述描述信息后,从所述描述信息中提取出用于描述所述目标对象的形状和结构的描述信息;
根据提取出的描述信息以及所述图像的分类特征数据,对所述目标对象的分类特征数据进行划分,检测出所述每个目标对象。
13.根据权利要求6所述的方法,其特征在于,所述对确定的所述目标对象的分类特征数据进行划分,得到每个目标对象对应的分类特征数据,包括:
对分类特征数据进行聚类,得到至少一类分类特征数据;
将至少一类分类特征数据作为每个目标对象对应的分类特征数据。
14.一种车道线的检测方法,其特征在于,包括:
获取路况图像,确定用于描述车道线在所述路况图像中位置的描述信息;
获取所述路况图像的分类特征数据,所述分类特征数据可用于区别所述图像中的车道线;
根据所述描述信息以及所述路况图像的分类特征数据,对所述车道线的分类特征数据进行划分,检测出所述车道线。
15.根据权利要求14所述的方法,其特征在于,所述获取路况图像,包括:
获取多个路况图像;
其中,所述方法还包括:针对每个路况图像,执行确定用于描述车道线在所述路况图像中位置的描述信息的步骤。
16.一种车辆违章的检测方法,其特征在于,包括:
获取路况图像,确定用于描述车道线在所述图像中位置的描述信息;
获取所述路况图像的分类特征数据,所述分类特征数据可用于区别所述图像中的车道线;
根据所述描述信息以及所述路况图像的分类特征数据,对所述车道线的分类特征数据进行划分,检测出所述车道线;
确定所述路况图像中的车辆位置,并根据所述车辆位置以及检测出的车道线,来确定路况图像中的车辆是否违章。
17.根据权利要求16所述的方法,其特征在于,所述方法还包括:
当确定车辆违章,则发送违章消息至处理设备。
18.根据权利要求16所述的方法,其特征在于,所述获取路况图像,包括:
获取多个路况图像;
其中,所述方法还包括:针对每个路况图像,执行确定用于描述车道线在所述路况图像中位置的描述信息的步骤。
19.根据权利要求18所述的方法,其特征在于,所述方法还包括:
根据多个路况图像中每个路况图像中车辆位置以及检测出的车道线,来确定当前路况是否发生交通事故。
20.根据权利要求16所述的方法,其特征在于,所述根据所述车辆位置以及检测出的车道线,来确定图像中的车辆是否违章,包括:
当所述车辆位置与车道线在路况图像中的位置存在至少部分重合,则确定车辆违章。
21.一种计算设备,包括:存储器以及处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,以用于:
获取图像,确定用于描述目标对象在所述图像中位置的描述信息;
获取所述图像的分类特征数据,所述分类特征数据可用于区别所述图像中的目标对象;
根据所述描述信息以及所述图像的分类特征数据,对所述目标对象的分类特征数据进行划分,检测出所述目标对象。
22.一种计算设备,包括:存储器以及处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,以用于:
获取路况图像,确定用于描述车道线在所述图像中位置的描述信息;
获取所述路况图像的分类特征数据,所述分类特征数据可用于区别所述图像中的车道线;
根据所述描述信息以及所述路况图像的分类特征数据,对所述车道线的分类特征数据进行划分,检测出所述车道线。
23.一种计算设备,包括:存储器以及处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,以用于:
获取路况图像,确定用于描述车道线在所述图像中位置的描述信息;
获取所述路况图像的分类特征数据,所述分类特征数据可用于区别所述图像中的车道线;
根据所述描述信息以及所述路况图像的分类特征数据,对所述车道线的分类特征数据进行划分,检测出所述车道线;
确定所述路况图像中的车辆位置,并根据所述车辆位置以及检测出的车道线,来确定路况图像中的车辆是否违章。
24.一种存储有计算机程序的计算机可读存储介质,其特征在于,计算机程序被一个或多个处理器执行时,致使所述一个或多个处理器实现权利要求1-20任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010732512.2A CN113989731A (zh) | 2020-07-27 | 2020-07-27 | 一种信息的检测方法、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010732512.2A CN113989731A (zh) | 2020-07-27 | 2020-07-27 | 一种信息的检测方法、计算设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989731A true CN113989731A (zh) | 2022-01-28 |
Family
ID=79731508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010732512.2A Pending CN113989731A (zh) | 2020-07-27 | 2020-07-27 | 一种信息的检测方法、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989731A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114666193A (zh) * | 2022-03-03 | 2022-06-24 | 阿里巴巴(中国)有限公司 | 针对cdn的异常检测方法、计算设备及存储介质 |
-
2020
- 2020-07-27 CN CN202010732512.2A patent/CN113989731A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114666193A (zh) * | 2022-03-03 | 2022-06-24 | 阿里巴巴(中国)有限公司 | 针对cdn的异常检测方法、计算设备及存储介质 |
CN114666193B (zh) * | 2022-03-03 | 2023-08-22 | 阿里巴巴(中国)有限公司 | 针对cdn的异常检测方法、计算设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11380105B2 (en) | Identification and classification of traffic conflicts | |
US9171375B2 (en) | Multi-cue object detection and analysis | |
KR102122859B1 (ko) | 교통 영상감시시스템의 멀티 표적 추적 방법 | |
KR20210080459A (ko) | 차선 검출방법, 장치, 전자장치 및 가독 저장 매체 | |
KR102122850B1 (ko) | 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션 | |
Charran et al. | Two-wheeler vehicle traffic violations detection and automated ticketing for Indian road scenario | |
CN110838230B (zh) | 一种移动视频监控方法、监控中心及系统 | |
Ozcelik et al. | A vision based traffic light detection and recognition approach for intelligent vehicles | |
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 | |
CN114694060B (zh) | 一种道路抛洒物检测方法、电子设备及存储介质 | |
Yaseen et al. | Development of new Anpr dataset for automatic number plate detection and recognition in north of Iraq | |
Juyal et al. | Traffic sign detection using deep learning techniques in autonomous vehicles | |
CN113723273A (zh) | 一种车辆轨迹信息确定方法、装置及计算机设备 | |
CN113989731A (zh) | 一种信息的检测方法、计算设备及存储介质 | |
CN111967451B (zh) | 一种道路拥堵检测方法及装置 | |
CN114141022B (zh) | 应急车道占用行为检测方法、装置、电子设备及存储介质 | |
CN113076852A (zh) | 一种基于5g通信的占用公交车道车载抓拍处理系统 | |
Lin et al. | Two-Stage License Plate Recognition System Using Deep learning | |
Małecki et al. | Mobile system of decision-making on road threats | |
Kumar et al. | Smart City Traffic Management and Surveillance System for Indian Scenario | |
CN114693722A (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
Song et al. | Method of Vehicle Behavior Analysis for Real-Time Video Streaming Based on Mobilenet-YOLOV4 and ERFNET | |
Awadalla | A Smart Traffic Information System | |
Gomes et al. | Computer vision system to aid drivers of vehicles through vertical signaling traffic | |
Muralidharan et al. | Traffic Monitoring System Detecting Overspeed and Accidents from Video Input Using OpenCV and Digital Image Processing |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40066429 Country of ref document: HK |