CN114724107A - 一种图像检测方法、装置、设备及介质 - Google Patents
一种图像检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114724107A CN114724107A CN202210275243.0A CN202210275243A CN114724107A CN 114724107 A CN114724107 A CN 114724107A CN 202210275243 A CN202210275243 A CN 202210275243A CN 114724107 A CN114724107 A CN 114724107A
- Authority
- CN
- China
- Prior art keywords
- parking
- vehicle
- area
- position information
- picture
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 230000011218 segmentation Effects 0.000 claims abstract description 129
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 73
- 230000006870 function Effects 0.000 claims description 23
- 238000011176 pooling Methods 0.000 claims description 14
- 230000001629 suppression Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 11
- 238000002372 labelling Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像检测的领域，尤其是涉及一种图像检测方法、装置、设备及介质，该方法包括获取待检测区域的待检测高点位停车场图片，待检测高点位停车场图片为包括多个车辆与多个车位的图片；将待检测高点位停车场图片输入到预先训练好的基于卷积神经网络的实例分割模型中，得到所有车辆的车辆位置信息；根据待检测高点位停车场图片，确定所有车位的车位位置信息，并计算各个车辆对应的车位的区域面积；根据各个车辆位置信息和各自对应的车位位置信息，确定各个车辆与各自对应的车位的第一重叠面积；根据各个第一重叠面积与各自对应车位的区域面积检测车位是否被占用。本申请具有的技术效果是：有效提高了判断车位是否被占用的准确率。
Description
技术领域
本申请涉及图像检测的领域，尤其是涉及一种图像检测方法、装置、设备及介质。
背景技术
随着人工智能领域事业的发展，深度学习技术的使用在各个识别领域获得越来越突出的表现。
在车位检测领域，传统技术是通过车位传感器进行检测，这种方法施工量较大，并且损坏后维修较难，造成的成本较高。
为了解决上述问题，相关技术通过车载摄像头采集周围环境图像，将环境图像传输至车载计算终端，车载计算终端的图像识别处理器利用图像识别分割模型对环境图像进行判别，计算环境图像中的空余停车位的数量和位置，并在车载显示屏上显示出空余停车位与本车的相对位置，使用户能够快速查询到空余车位。
针对上述的相关技术，发明人发现，当停车场有大型货车停车时，由于大型货车比较高，在使用车载摄像拍摄环境图片时，会因为角度问题，导致大型货车的包围框会覆盖多个车位，且通过图像识别分割模型进行环境图片识别，得到的车辆的位置不够准确，判断车位是否占用时会出现误判。
发明内容
为了改善车位检测出现误判的问题，本申请提供了一种图像检测的方法、装置、设备及存储介质。
第一方面，本申请提供一种图像检测的方法，采用如下的技术方案：
获取待检测区域的待检测高点位停车场图片，所述待检测高点位停车场图片为包括多个车辆与多个车位的图片；
将所述待检测高点位停车场图片输入到预先训练好的基于卷积神经网络的实例分割模型中，得到所有车辆的车辆位置信息，其中，所述实例分割模型包括卷积层、空间金字塔池化层和全连接层；
根据所述待检测高点位停车场图片，确定所有车位的车位位置信息，并计算各个车辆对应的车位的区域面积；
根据各个所述车辆位置信息和各自对应的车位位置信息，确定各个车辆与各自对应的车位的第一重叠面积；
根据各个所述第一重叠面积与各自对应车位的区域面积检测车位是否被占用。
通过采用上述技术方案，获取待检测区域的待检测高点位停车场图片，将图片输入到预先训练好的实例分割模型中，得到所有车辆的车辆位置信息，根据图片，确定所有车位的车位位置信息，并计算与车辆位置信息对应的车位的区域面积，根据车辆位置信息与车位位置信息，确定各个车辆与对应车位的第一重叠面积，根据第一重叠面积与车位的区域面积检测车位是否被占用，提高了检测车辆的位置的准确性，以使有效提高了判断车位是否被占用的准确率。
在一种可能实现的方式中，在所述获取待检测区域的待检测高点位停车场图片之后，还包括：
对所述待检测高点位停车场图片进行预处理；其中，预处理的方式包括：尺寸调整和/或去均值；
相应的，所述将所述待检测高点位停车场图片输入到预先训练好的实例分割模型中，得到所有车辆的车辆位置信息，包括：
将预处理后的待检测高点位停车场图片输入到预先训练好的实例分割模型中，得到所有车辆的车辆位置信息。
通过上述技术方案，在获取待检测区域的待检测高点位停车场图片后，对图片进行处理，通过调整图片尺寸以使图片符合实例分割模型标准；通过去均值处理，可以在一定程度上移除图片上共同的部分，凸显车辆的类别特征，减少了实例分割模型的工作流程，提高了实例分割模型的工作效率。
在一种可能实现的方式中，所述实例分割模型的训练过程，包括：
获取训练样本，其中，所述训练样本包括多个高点位样本图片以及各自对应的多个车辆位置信息标签；
获取待训练实例分割模型；
基于所述训练样本对所述待训练实例分割模型进行训练，得到所述实例分割模型。
通过上述技术方案，提供了一种实例分割模型的训练方法，与相关技术相比，本申请实施例能够获取众多高点位样本图片以及各自对应的多个车辆位置信息标签作为训练样本，并基于训练样本对待训练实例分割模型进行训练，最终得到符合要求的实例分割模型，用于识别车辆位置信息，由于采用的是高点位的图像以及包括卷积神经网络层、空间金字塔池化层和全连接层的实例分割模型，因此可以提高车辆位置信息检测的准确性。
在一种可能实现的方式中，所述基于所述训练样本对所述待训练实例分割模型进行训练，得到所述实例分割模型，包括：
将各高点位样本图片输入所述待训练实例分割模型，得到各高点位样本图片对应的训练车辆位置信息；
根据各所述训练车辆位置信息和各自对应的车辆位置信息标签利用预设损失函数，确定损失值；
根据所述损失值和各所述高点位样本图片对所述待训练实例分割模型进行迭代训练，直至所述损失值达到预设损失阈值时，将达到预设损失阈值的待训练实例分割模型，确定为所述实例分割模型。
通过上述技术方案，根据各训练车辆位置信息和各自对应的车辆位置信息标签利用预设损失函数，确定损失值，当损失值达到损失阈值，则认为待训练实例分割模型训练完成，得到的实例分割模为满足一定准确率的模型，提高了实例分割模型的准确性。
在一种可能实现的方式中，所述预设损失函数为焦点损失函数。
通过上述技术方案，由于待检测区域车位是有连续性部分，所以在获取的高点位样本图片中，车辆可能会出现重叠部分，容易造成高点位样本图片中车辆不完整的情况，这部分在实例分割模型中属于难分类的样本，在实例分割模型中使用焦点损失函数，解决了在获取的样本图片中，车辆出现重叠部分，出现在样本图片中车辆不完整的情况，造成车辆的位置信息难分类的问题。
在一种可能实现的方式中，所述实例分割模型还包括全连接层后加入柔化非极大值抑制算法。
通过上述技术方案，由于待检测高点位停车场图片中会存在车辆重叠的图像，所以在全连接层使用柔化非极大值抑制算法，对于车辆重叠的图像降低其置信度，在通过多次处理后，置信度高的保留并输出结果，提高了实例分割模型的识别效果。
在一种可能实现的方式中，所述待检测高点位停车场图片还包括违停区域，
在计算各个车辆对应的车位的区域面积之后，还包括：
根据所述待检测高点位停车场图片，确定所有违停区域的位置信息；
根据各个所述车辆位置信息和各自对应的所述违停区域的违停位置信息，确定各个车辆与违停区域的第二重叠面积；
根据各个所述车辆位置信息，确定各个车辆的车辆面积；并根据各个所述第二重叠面积与各自对应的车辆面积判断各个车辆是否在违停区域。
通过上述技术方案，根据待检测高点位停车场图片，确定违停区域位置信息，并计算各个车辆的车辆面积，且根据车辆位置信息与违停区域位置信息，确定各个车辆与违停区域的第二重叠面积，根据第二重叠面积与车辆的车辆面积检测车辆是否在违停区域，简单方便的确定了车辆是否在违停区域。
在一种可能实现的方式中，在根据各个所述第二重叠面积与各自对应的车辆面积判断各个车辆是否在违停区域之后，还包括：
若存在车辆在违停区域内，获取规定时间内多组高点位停车场图片；
将所述多组高点位停车场图片依次输入预先训练好的实例分割模型，得到多组在违停区域的车辆的位置信息；
根据所述多组在违停区域的车辆的位置信息的变动情况确定车辆是否违停。
通过上述技术方案，检测到车辆在违停区域后，在规定时间内通过拍摄装置拍摄多组包括在违停区域的车辆的图片，将得到的多组包括在违停区域的车辆的图片输入到预先训练好的实例分割模型，得到多组高点位停车场图片中在违停区域的车辆的车辆位置信息，根据多组高点位停车场图片中在违停区域的车辆位置信息，确定车辆是否违停检测结果更加准确。
在一种可能实现的方式中，在所述根据各个所述第一重叠面积与各自对应的车位区域面积检测车位是否被占用之后，还包括：
将所述待检测高点位停车场图片与检测结果发送至图像展示平台，以使所述图像展示平台根据待检测高点位停车场图片与检测结果生成并展示车位检测结果图。
通过上述技术方案，在得到检测结果之后，将待检测高点位停车场图片与检测结果发送至图像展示平台，以使图像展示平台利用结果图生成工具生成车位检测结果图，并在展示平台展示，展示平台根据车位检测结果和待检测高点位停车场图片合并生成车位检测结果图，以最直观，最清楚的方式展示车位是否被占用。
第二方面，本申请提供一种图片检测装置，采用如下的技术方案：
图片获取模块：用于获取待检测区域的待检测高点位停车场图片，所述待检测高点位停车场图片为包括多个车辆与多个车位的图片；
车辆信息获取模块：用于将所述待检测高点位停车场图片输入到预先训练好的基于卷积神经网络的实例分割模型中，得到所有车辆的车辆位置信息，其中，所述实例分割模型包括卷积层、空间金字塔池化层和全连接层；
车位信息获取模块：用于根据所述待检测高点位停车场图片，确定所有车位的车位位置信息，并计算各个车辆对应的车位的区域面积；
第一重叠面积获取模块：用于根据各个所述车辆位置信息和各自对应的车位位置信息，确定各个车辆与各自对应的车位的第一重叠面积；
检测模块：用于根据各个所述第一重叠面积与各自对应车位的区域面积检测车位是否被占用。
通过采用上述技术方案，获取待检测区域的待检测高点位停车场图片，将图片输入到预先训练好的实例分割模型中，得到所有车辆的车辆位置信息，根据图片，确定所有车位的车位位置信息，并计算与车辆位置信息对应的车位的区域面积，根据车辆位置信息与车位位置信息，确定各个车辆与对应车位的第一重叠面积，根据第一重叠面积与车位的区域面积检测车位是否被占用，提高了检测车辆的位置的准确性，以使有效提高了判断车位是否被占用的准确率。
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：
至少一个处理器；
存储器；
至少一个应用程序，其中所述至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行上述图像检测的方法。
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上述图像检测方法的计算机程序。
综上所述，本申请包括以下至少一种有益技术效果：
1.通过采用上述技术方案，获取待检测区域的待检测高点位停车场图片，将图片输入到预先训练好的实例分割模型中，得到所有车辆的车辆位置信息，根据图片，确定所有车位的车位位置信息，并计算与车辆位置信息对应的车位的区域面积，根据车辆位置信息与车位位置信息，确定各个车辆与对应车位的第一重叠面积，根据第一重叠面积与车位的区域面积检测车位是否被占用，提高了检测车辆的位置的准确性，以使有效提高了判断车位是否被占用的准确率。
附图说明
图1为本申请实施例提供的一种图像检测方法的流程示意图；
图2为本申请实施例提供的一种实例分割模型的训练方法的流程示意图；
图3为本申请实施例提供的一种图像检测装置的结构示意图；
图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下结合附图1-附图4对本申请实施例作进一步详细说明。
本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，但只要在本申请实施例的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，都属于本申请实施例保护的范围。
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。
相关技术通过车载摄像头采集周围环境图像，将环境图像传输至车载计算终端，车载计算终端的图像识别处理器利用图像识别分割模型对环境图像进行判别，计算环境图像中的空余停车位的数量和位置，并在车载显示屏上显示出空余停车位与本车的相对位置，使用户能够快速查询到空余车位。针对上述的相关技术，发明人发现，当停车场有大型货车停车时，由于大型货车比较高，在使用车载摄像拍摄环境图片时，会因为角度问题，导致大型货车的包围框会覆盖多个车位，且通过图像识别分割模型进行环境图片识别，得到的车辆的位置不够准确，判断车位是否占用时会出现误判。
为了解决上述技术问题，本申请实施例提供了一种图像检测方法，在接收到检测请求时，获取待检测区域的待检测高点位停车场图片，将图片输入到预先训练好的实例分割模型中，得到所有车辆的车辆位置信息，根据待检测高点位停车场图片，确定所有车位的车位位置信息，并计算与车辆位置信息对应的车位的区域面积，根据各个车辆位置信息与各自对应的车位位置信息，确定各个车辆与各自对应车位的第一重叠面积，根据第一重叠面积与对应的车位的区域面积检测车位是否被占用，提高了检测车辆的位置的准确性，以有效提高了判断车位是否被占用的准确率。
具体地，本申请实施例提供了一种图像检测方法，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。
结合图1，图1为本申请实施例提供一种图像检测方法的流程示意图，其中，该方法包括步骤S100、步骤S101、步骤S102、步骤S103、步骤S104，其中：
步骤S100，获取待检测区域的待检测高点位停车场图片，待检测高点位停车场图片为包括多个车辆与多个车位的图片。
其中，可以是在接收到检测请求后，获取待检测区域的待检测高点位停车场图片，具体地，电子设备中预先集成有监视程序，监视程序用于对检测请求的触发行为进行监视，一旦监视到检测请求被触发了，则获取待检测区域的待检测高点位停车场图片。具体来说，当用户确定检测后，会自动生成检测指令，其中，确认检测的方式可以包括，用户在应用程序上点击检测按钮的方式确认检测、用户通过语音的方式确认检测，当电子设备检测到用户触发检测请求后，电子设备获取待检测区域的待检测高点位停车场图片。
其中，本申请实施例提供的图像检测方法可以应用在停车场，预先在停车场的待检测区域的高点处设置一个或多个用于采集高点位图片的摄像装置，待检测区域可以是用户根据实际需求选择的区域，还可以是用户根据经验设置的。摄像装置可以实时或定时将采集到的高点位停车场图片发送至电子设备，电子设备接收到高点位停车场图片后，按照时间将高点位停车场图片存储在与时间一一对应的设定存储位置；还可以是在接收到电子设备发送的传输请求后，根据传输请求发送当前时刻对应的高点位停车场图片，用户可自定义设置，只要是能够实现本申请实施例的目的即可。
具体地，待检测高点位停车场图片为包括多个车辆与多个车位的图片，其中车辆可以是任何类型的车辆，如客车、货车、轿车等，且由于本申请实施例采用的是高点采集图像的方式，避免了在待检测高点位停车场图片中显示出现一辆车占多个车位的情况。
步骤S101，将待检测高点位停车场图片输入到预先训练好的基于卷积神经网络的实例分割模型中，得到所有车辆的车辆位置信息，其中，实例分割模型包括卷积层、空间金字塔池化层和全连接层。
其中，实例分割模型为基于多个高点位样本图片以及各自对应的多个车辆位置信息标签进行训练后得到的。实例分割模型为基于卷积神经网络的实例分割模型，包括卷积层、空间金字塔池化层及全连接层，实例分割模型的主干网络使用跨阶段局部网络，去掉算例较高的计算瓶颈结构,降低内存占用，增加实例分割模型的学习能力，提高实例分割模型的准确性，减少实例分割模型的推理时间。本申请实施例不对卷积层和空间金字塔池化层的数量进行限定，用户可自定义设置。
具体地，待检测高点位停车场图片输入到卷积层进行特征提取，得到特征平面，特征平面经过激活函数激活，输出到空间金字塔池化层，空间金字塔池化层，使用多个窗口进行多尺度特征融合，兼容多个尺度的特征，将不同输入变成固定大小的输出，提升模型的准确率，然后再输出给下一层卷积，经过N次这样反复处理得到样本图片中所有车辆的特征框图，将样本图片中所有车辆的特征框图输出到分类器中进行分类处理，输出车辆的位置信息。进一步的，在得到实例分割模型后，将得到的待检测高点位停车场图片输入到预先训练好的实例分割模型，得到待检测高点位停车场图片中所有车辆的车辆位置信息，其中，车辆位置信息包括车辆边缘点坐标和/或车辆的区域信息，其中，边缘点坐标可以包括车辆的四个角点坐标。
进一步的，实例分割模型还包括全连接层后的柔化非极大值抑制算法。
预设有IOU阈值，IOU阈值可自定义设置，为测量在全连接层后检测车辆位置信息准确度的一个标准。在本申请实施例中，待检测高点位停车场图片经过卷积层和池化层，得到待检测高点位停车场图片中所有车辆的特征框，待检测高点位停车场图片中所有车辆的特征框经过柔化非极大值抑制，若大于IOU阈值的则降低置信度，若不大于IOU阈值的则保留特征框，
具体地，由于待检测高点位停车场图片中会存在车辆重叠的图像，所以在全连接层使用柔化非极大值抑制算法，对于车辆重叠的图像降低其置信度，在通过多次处理后，置信度高的保留并输出结果，提高了实例分割模型的识别效果。
步骤S102，根据待检测高点位停车场图片，确定所有车位的车位位置信息，并计算各个车辆位置信息对应的车位的区域面积。
其中，车位的车位位置信息可以为车位边缘点坐标和/或车位的区域信息，车位的区域面积通过车位的多个车位边缘点坐标计算得出，还可以根据区域信息确定出区域面积。
一种可实现的确定车位的车位位置信息的方式可以包括：将待检测高点位停车场图片发送至标注平台，以使标注平台利用标注工具对待检测高点位停车场图片中的车位位置信息进行标注；获取标注平台反馈的标注好的车位位置信息。
另一种可实现的确定车位的车位位置信息的方式可以包括：将待检测高点位停车场图片输入预先训练好的车位分割模型，得到车位位置信息，其中，车位分割模型是根据多个高点位样本图片以及各自对应的多个车位位置信息标签进行训练得到的，在得到车位分割模型后，将待检测高点位停车场图片输入车位分割模型，得到车位位置信息。
步骤S103，根据各个车辆位置信息和各自对应的车位位置信息，确定各个车辆与各自对应的车位的第一重叠面积。
具体地，本申请实施例，根据各个车辆位置信息确定各个车辆的区域，确定与每一车辆对应的车位的区域，并根据各个车辆的区域和各自对应的车位的区域确定重叠区域，记为第一重叠区域，并计算第一重叠区域的面积。
其中，根据各个车辆位置信息以及各个车位位置信息，能够确定每一车辆位置信息对应的车位位置信息，可以理解的是，一个车辆位置信息可能对应一个或者多个车位位置信息，也就是说一个车辆可能横跨多个车位或者一个车位当车辆横跨多个车位时，确定车辆与每一对应的车位的第一重叠面积，当车辆横跨一个车位时，确定车辆与对应的车位的第一重叠面积。
步骤S104，根据各个第一重叠面积与各自对应车位的区域面积检测车位是否被占用。
具体地，一种可实现的根据各个第一重叠面积与各自对应车位的区域面积检测车位是否被占用的方法包括：计算各个第一重叠面积与对应车位的区域面积的第一比例；判断第一比例是否大于预设的车位面积占比阈值；若第一比例大于预设的车位面积占比阈值，则确定车位被占用，若第一比例不大于预设的车位面积占比阈值，则确定车位未被占用。其中，车位面积占比阈值用户可自定义设置，例如0.8、0.9、0.7等。
另一种可实现的根据各个第一重叠面积与各自对应车位的区域面积检测车位是否被占用的包括：根据第一重叠面积确定对应车位的空闲面积；计算空闲面积与对应车位的区域面积的第二比例；判断第二比例是否小于预设的空闲车位面积占比阈值；若第二比例小于预设的空闲车位面积占比阈值，则确定与车辆位置信息对应的车位被占用，若第二比例不小于预设的空闲车位面积占比阈值，则确定与车辆位置信息对应的车位未被占用。
基于上述实施例，获取待检测区域的待检测高点位停车场图片，将图片输入到预先训练好的实例分割模型中，得到所有车辆的车辆位置信息，根据图片，确定所有车位的车位位置信息，并计算与车辆位置信息对应的车位的区域面积，根据车辆位置信息与车位位置信息，确定各个车辆与对应车位的第一重叠面积，根据第一重叠面积与车位的区域面积检测车位是否被占用，提高了检测车辆的位置的准确性，以使有效提高了判断车位是否被占用的准确率。
进一步的，在本申请实施例中，在获取待检测区域的待检测高点位停车场图片之后，还包括：对待检测高点位停车场图片进行预处理；其中，预处理的方式包括：尺寸调整和/或去均值。
对待检测高点位停车场图片进行尺寸调整以使调整后的待检测高点位停车场图片的尺寸符合实例分割模型的标准。将待检测高点位停车场图片去均值处理，移除待检测高点位停车场图片上共同的部分，凸显车辆的边缘特征。
相应的，将待检测高点位停车场图片输入到预先训练好的实例分割模型中，得到所有车辆的车辆位置信息，包括：将预处理后的待检测高点位停车场图片输入到预先训练好的实例分割模型中，得到所有车辆的车辆位置信息。
可见，在获取待检测区域的待检测高点位停车场图片后，对图片进行处理，通过调整图片尺寸以使图片符合实例分割模型标准；通过去均值处理，可以在一定程度上移除图片上共同的部分，凸显车辆的类别特征，减少了实例分割模型的工作流程，提高了实例分割模型的工作效率。
进一步的，请参考图2，图2为本申请实施例提供的一种实例分割模型的训练方法的流程示意图，可以包括步骤S10、步骤S20、步骤S30，其中：
步骤S10，获取训练样本，其中，训练样本包括多个高点位样本图片以及各自对应的多个车辆位置信息标签。
具体地，通过网络爬虫和/或高点摄像装置拍摄获取众多高点位样本图片，高点位样本图片包括车辆和车位，车辆位置信息标签可以是基于人工方式还可以是机器自动方式，例如，可以利用图像标注工具将高点样本图片中的车辆的位置信息标注出来，以得到每一高点位样本图片对应的车辆位置信息标签。
进一步的，获取训练样本之前，还可以包括：获取初始训练样本；对初始训练样本进行平移、旋转、随机擦除以得到扩展初始训练样本；将初始训练样本以及扩展初始训练样本作为训练样本。通过得到更多的训练样本以使后续基于训练样本进行训练得到的实例分割模型的准确度更高。
步骤S20，获取待训练实例分割模型。
其中，待训练实例分割模型为卷积神经网络模型，卷积神经网络模型包括卷积层、池化层及全连接层。进一步的，还可以在全连接层后加入柔化非极大值抑制算法。
步骤S30，基于训练样本对待训练实例分割模型进行训练，得到实例分割模型。
本申请实施例提供了一种实例分割模型的训练方法，与相关技术相比，本申请实施例能够获取众多高点位样本图片以及各自对应的多个车辆位置信息标签作为训练样本，并基于训练样本对待训练实例分割模型进行训练，最终得到符合要求的实例分割模型，用于识别车辆位置信息，由于采用的是高点位的图像以及包括卷积神经网络层、空间金字塔池化层和全连接层的实例分割模型，因此可以提高车辆位置信息检测的准确性。
具体地，步骤S30可以包括步骤S30-1（附图未示出）、步骤S30-2（附图未示出）、步骤S30-3（附图未示出），其中：
步骤S30-1，将各高点位样本图片输入待训练实例分割模型，得到各高点位样本图片对应的训练车辆位置信息。步骤S30-2，根据各训练车辆位置信息和各自对应的车辆位置信息标签利用预设损失函数，确定损失值。
在本申请实施例中，将各高点位样本图片输入到待训练实例分割模型中，得到预测的车辆的训练车辆位置信息，根据标准的车辆位置信息即车辆位置信息标签与预测的车辆的训练车辆位置信息，利用预设损失函数确定损失值。损失值越小，则确定预测值与标准值之差越小，检测结果越精准。本申请实施例不对预设损失函数进行限定，用户可根据实际需求选择。
优选的，预设损失函数为焦点损失函数。在本申请实施例中，由于待检测区域车位是有连续性部分，所以在获取的高点位样本图片中，车辆可能会出现重叠部分，容易造成高点位样本图片中车辆不完整的情况，这部分在实例分割模型中属于难分类的样本，在实例分割模型中使用焦点损失函数，解决了在获取的样本图片中，车辆出现重叠部分，出现在样本图片中车辆不完整的情况，造成车辆的位置信息难分类的问题。
步骤S30-3，根据损失值和各高点位样本图片对待训练实例分割模型进行迭代训练，直至损失值达到预设损失阈值时，将达到预设损失阈值的待训练实例分割模型，确定为实例分割模型。
具体地，用户可预先设置预设损失阈值，具体地数值大小可根据经验值以及用户设置，或者机器自选等方式确定，在待训练实例分割模型训练预设次数后，利用预设损失函数根据训练车辆位置信息和各自对应的车辆位置信息标签进行计算，得到损失值，当损失值达到预设损失阈值，则确定待训练实例分割模型训练完成。
基于上述实施例，根据各训练车辆位置信息和各自对应的车辆位置信息标签利用预设损失函数，确定损失值，当损失值达到损失阈值，则认为待训练实例分割模型训练完成，得到的实例分割模为满足一定准确率的模型，提高了实例分割模型的准确性。
进一步的，在本申请实施例中，为了清楚明了的展示车位的占用情况，在根据各个第一重叠面积与各自对应的车位区域面积检测车位是否被占用之后，还包括：
将待检测高点位停车场图片与检测结果发送至图像展示平台，以使图像展示平台根据待检测高点位停车场图片与检测结果生成并展示车位检测结果图。
具体地，检测结果包括：车位被占用和车位未被占用。在得到检测结果之后，将待检测高点位停车场图片与检测结果发送至图像展示平台，以使图像展示平台利用结果图生成工具生成车位检测结果图，并在展示平台展示，展示平台根据车位检测结果和待检测高点位停车场图片合并生成车位检测结果图，以最直观，最清楚的方式展示车位是否被占用，具体地，被占用车位可以标注第一标识，未被占用车位可以标注第二标识。
或，根据待检测高点位停车场图片与检测结果生成检测结果图，并将检测结果图发送至图像展示平台，以使图像展示平台展示车位检测结果图。
进一步的，在本申请实施例中，车辆在停车场除了在车位上可能还会在违停区域内停靠，可能会造成人员危险或行车困难。
在一种可实现的确定车辆是否在违停区域的方式中，具体可以包括：根据车位检测结果确定对应的车辆是否在违停区域，其中车位检测结果包括：车位被车辆占用、车位未被车辆占用。其中，当确定任一车辆对应的所有车位被该车辆占用后，确定该车辆不在违停区域；当确定任一车辆对应的所有车位没有被该车辆占用后，确定该车辆在违停区域。
为了提高确定车辆是否在违停区域的准确性，在另一种可实现的确定车辆是否在违停区域的方式中，待检测高点位停车场图片还包括违停区域，
在计算各个车辆对应的车位的区域面积之后，还包括：步骤S40（附图未示出）、步骤S41（附图未示出）、步骤S42（附图未示出），其中：
步骤S40，根据待检测高点位停车场图片，确定所有违停区域的位置信息；
可以理解的是，停车场会进行车位的划分，一般的，除车位外的区域均为违停区域。具体地，一种可实现的确定违停区域的方式可以包括：将待检测高点位停车场图片发送至标注平台，以使标注平台利用标注工具对待检测高点位停车场图片中的违停区域进行标注；获取标注平台反馈的标注好的违停区域的位置信息。
另一种可实现的确定违停区域的方式可以包括：将待检测高点位停车场图片输入预先训练好的违停区域分割模型，得到违停区域的位置信息，其中，违停区域分割模型是根据多个高点位样本图片以及各自对应的多个违停区域的位置信息标签进行训练得到的，在得到违停区域分割模型后，将待检测高点位停车场图片输入违停区域分割模型，得到违停区域的位置信息。
步骤S41，根据各个车辆位置信息和各自对应的违停区域的违停位置信息，确定各个车辆与违停区域的第二重叠面积。
具体地，将各个车辆的车辆位置信息，确定各个车辆区域，根据各个车辆区域与违停区域，确定重叠面积，记为第二重叠面积。
步骤S42，根据各个车辆位置信息，确定各个车辆的车辆面积；并根据各个第二重叠面积与各自对应的车辆面积判断各个车辆是否在违停区域。
车辆位置信息包括车辆边缘点坐标和/或车辆的区域信息；具体地可以根据车辆边缘点坐标也即四个角点坐标确定车辆面积，还可以基于区域信息进行曲线拟合得到多条曲线，根据多条曲线确定车辆面积，还可以根据上述两个车辆面积确定平均车辆面积，作为最终的车辆面积，用户可自定义选择，只要是能够实现本申请实施例的目的即可。
根据各个第二重叠面积与各自对应的车辆面积判断各个车辆是否在违停区域的方式可以包括：计算第二重叠面积与各自对应车辆区域的车辆面积的第三比例，若第三比例大于违停区域占比阈值，则确定车辆在违停区域，若第三比例不大于违停区域占比阈值，则确定车辆不在违停区域。违停区域占比阈值用户可自定义设置，或机器随机设定，只要是能够实现本申请实施例的目的即可。进一步的，可以生成并发送提示信息至在违停区域的车辆对应的电子设备，以提示相应驾乘人员合规停泊。
基于上述实施例，根据待检测高点位停车场图片，确定违停区域位置信息，并计算各个车辆的车辆面积，且根据车辆位置信息与违停区域位置信息，确定各个车辆与违停区域的第二重叠面积，根据第二重叠面积与车辆的车辆面积检测车辆是否在违停区域，简单方便的确定了车辆是否在违停区域。
进一步的，在本申请实施例中，为了提高车辆违停检测的准确性，在根据各个第二重叠面积与各自对应的车辆面积判断各个车辆是否在违停区域之后，还包括步骤S50（附图未示出）、步骤S51（附图未示出）、步骤S52（附图未示出），其中：
步骤S50，若存在车辆在违停区域内，获取规定时间内多组高点位停车场图片。
其中，预先设置有规定时间，规定时间的长度可有管理人员自定义设置，一般来说，当确定车辆在违停区域后，是允许有规定时间内的停留，若停留时间超过规定时间，则确定车辆违停。当存在车辆在违停区域内，则获取规定时间内的多组高点位停车图片，可以理解的是，多组高点位停车图片为确定有车辆在违停区域后，摄像装置将采集的连续的多组高点位停车图片发送至电子设备，电子设备得到多组连续的高点位停车图片。
步骤S51，将多组高点位停车场图片依次输入预先训练好的实例分割模型，得到多组在违停区域的车辆的位置信息。
步骤S52，根据多组在违停区域的车辆的位置信息确定车辆是否违停。
具体地，根据多组在违停区域的车辆的位置信息确定车辆是否违停方式可以包括：根据多组高点位停车场图片中在违停区域的车辆的位置信息，确定在违停区域的车辆在规定时间内的移动距离，若移动距离小于预设移动距离阈值，则确定车辆违停，其中，预设移动距离阈值可根据经验设定。
另一种确定违停区域的车辆是否违停的方式包括：获取车辆在违停区域的时间，以对违停区域的车辆进行实时监控，具体地，根据规定时间内的多组高点位车辆的位置信息，确定车辆在违停区域的停泊时间，根据停泊时间与预设时间阈值，确定车辆是否违停，其中预设时间阈值用户可自定义设置。
基于上述实施例，检测到车辆在违停区域后，在规定时间内通过拍摄装置拍摄多组包括在违停区域的车辆的图片，将得到的多组包括在违停区域的车辆的图片输入到预先训练好的实例分割模型，得到多组高点位停车场图片中在违停区域的车辆的车辆位置信息，根据多组高点位停车场图片中在违停区域的车辆位置信息，确定车辆是否违停检测结果更加准确。
进一步的，当车辆在经过出口卡口时，在获取到车辆的车牌信息后，根据车牌信息从存储的车辆信息中确定目标车辆信息，其中，车辆信息包括车辆的停放位置以及对应的停放时间；当目标车辆信息包括违停信息时，则根据违停收费标准以及违停对应的停放时间确定第一费用；当目标车辆信息包括正常停泊信息时，则根据停泊收费标准以及正常停泊对应的停泊时间确定第二费用；根据第一费用和/或第二费用确定最终费用。可见，本申请实施例通过对正常停泊以及违停的行为进行区分确定最终费用，实现了合理化收费。
本申请实施例提供一种具体地图像检测方法，包括：
（1）通过网络爬虫以及现场，获取众多的停车场的高点位样本图片，将多个高点位样本图片通过深度学习标注工具labelme将图像中的轿车，货车，汽车框出来以得到各自对应的车辆位置信息标签。
（2）将多个高点位样本图片以及各自对应的多个车辆位置信息标签制作成coco（Common Objects in Context）数据集形式，以得到初始训练样本。
（3）将初始训练样本进行平移，旋转，随机擦除等数据增强，以得到最终的训练样本。
（4）对训练样本中的boxes进行K-means聚类得到anchor的大小，并替换mask-rcnn中的anchor参数。
（5）基于mask-rcnn网络模型，修改backbone的resnet为cspresnet，去掉算力较高的计算瓶颈结构, 降低内存占用，增加模型的学习能力，提高模型和准确性，减少模型的推理时间；在neck部分加入spp（空间金字塔池化层），使用多个窗口进行多尺度特征融合，兼容多个尺度的特征，将不同输入变成固定大小的输出，提升模型的准确率；将nms（(Non-Maximum Suppression，非极大值抑制）换成soft-nms(softNon-Maximum Suppression，柔化非极大值抑制），提升模型的识别效果，使用Focal Loss解决类别数量不均衡以及难易分类的问题。
本申请实施例提供的待训练实例分割模型是基于双阶段分割的卷积神经网络模型，修改mask-rcnn模型，使模型适应性更好。
（6）将训练样本加入上述待训练实例分割模型中训练，得到实例分割模型。
（7）获取待检测区域的待检测高点位停车场图片。其中，将摄像装置安装在高处，并斜向下，能够拍摄到停车场内的情况以得到待检测区域的待检测高点位停车场图片。且，可以调整待检测高点位停车场图片至大小的图片，并进行去均值处理，得到预处理后的待检测高点位停车场图片。
（8）根据预处理后的待检测高点位停车场图片，通过实例分割检测出车辆的mask即车辆位置信息，计算各个第一重叠面积与对应车位的区域面积的第一比例；判断第一比例是否大于预设的车位面积占比阈值；若第一比例大于预设的车位面积占比阈值，则确定车位被占用，若第一比例不大于预设的车位面积占比阈值，则确定车位未被占用。
（9）根据待检测高点位停车场图片，确定所有违停区域的位置信息；根据各个车辆位置信息和各自对应的违停区域的违停位置信息，确定各个车辆与违停区域的第二重叠面积；计算第二重叠面积与各自对应车辆区域的车辆面积的第三比例，若第三比例大于违停区域占比阈值，则确定车辆在违停区域，若第三比例不大于违停区域占比阈值，则确定车辆不在违停区域，如果车辆的位置信息在2分钟移动小于预设移动距离阈值，认为该车辆违停。
综上可知，本申请实施例提供的一种基于实例分割的检测车位是否空闲以及是否违停的方法，检测准确率更高，抗干扰能力更强。
下面对本申请实施例提供的一种图像检测装置进行介绍，下文描述的图像检测装置与上文描述的图像检测方法可相互对应参照，本申请实施例的图像检测装置设置在电子设备中，参考图3，图3是本申请实施例提供的一种图像检测装置的结构示意图，包括：
图片获取模块310，用于获取待检测区域的待检测高点位停车场图片，待检测高点位停车场图片为包括多个车辆与多个车位的图片；
车辆信息获取模块320，用于将待检测高点位停车场图片输入到预先训练好的基于卷积神经网络的实例分割模型中，得到所有车辆的车辆位置信息，其中，实例分割模型包括卷积层、空间金字塔池化层和全连接层；
车位信息获取模块330，用于根据待检测高点位停车场图片，确定所有车位的车位位置信息，并计算各个车辆对应的车位的区域面积；
第一重叠面积获取模块340，用于根据各个车辆位置信息和各自对应的车位位置信息，确定各个车辆与各自对应的车位的第一重叠面积；
检测模块350，用于根据各个第一重叠面积与各自对应车位的区域面积检测车位是否被占用。
本申请实施例的一种可能的实现方式，还包括：
图片预处理模块，用于对待检测高点位停车场图片进行预处理；其中，预处理的方式包括：尺寸调整和/或去均值；
相应的，车辆信息获取模块320在执行将待检测高点位停车场图片输入到预先训练好的实例分割模型中，得到所有车辆的车辆位置信息时，具体用于：
将预处理后的待检测高点位停车场图片输入到预先训练好的实例分割模型中，得到所有车辆的车辆位置信息。
本申请实施例的一种可能的实现方式，还包括：实例分割模型训练模块，用于：
获取训练样本，其中，训练样本包括多个高点位样本图片以及各自对应的多个车辆位置信息标签；
获取待训练实例分割模型；
基于训练样本对待训练实例分割模型进行训练，得到实例分割模型。
本申请实施例的一种可能的实现方式，实例分割模型训练模块执行基于训练样本对待训练实例分割模型进行训练，得到实例分割模型时，具体用于：
将各高点位样本图片输入待训练实例分割模型，得到各高点位样本图片对应的训练车辆位置信息；
根据各训练车辆位置信息和各自对应的车辆位置信息标签利用预设损失函数，确定损失值；
根据损失值和各个高点位样本图片对待训练实例分割模型进行迭代训练，直至损失值达到预设损失阈值时，将达到预设损失阈值的待训练实例分割模型，确定为实例分割模型。
本申请实施例的一种可能的实现方式，预设损失函数为焦点损失函数。
本申请实施例的一种可能的实现方式，实例分割模型还包括全连接层后加入柔化非极大值抑制算法。
本申请实施例的一种可能的实现方式，还包括：
违停区域确定模块，用于根据待检测高点位停车场图片，确定所有违停区域的位置信息；
第二重叠面积确定模块，用于根据各个车辆位置信息和各自对应的违停区域的违停位置信息，确定各个车辆与违停区域的第二重叠面积；
违停区域车辆检测模块：用于根据各个车辆位置信息，确定各个车辆的车辆面积；并根据各个第二重叠面积与各自对应的车辆面积判断各个车辆是否在违停区域。
本申请实施例的一种可能的实现方式，还包括：
违停图片获取模块，用于若存在车辆在违停区域内，获取规定时间内多组高点位停车场图片；
违停区域车辆位置信息获取模块，用于将多组高点位停车场图片依次输入预先训练好的实例分割模型，得到多组在违停区域的车辆的位置信息；
车辆违停检测模块，用于根据多组在违停区域的车辆的位置信息的变动情况确定车辆是否违停。
本申请实施例的一种可能的实现方式，还包括：
车位检测结果图展示模块：用于将待检测高点位停车场图片与检测结果发送至图像展示平台，以使图像展示平台根据待检测高点位停车场图片与检测结果生成并展示车位检测结果图。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的图像检测装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
下面对本申请实施例提供的一种电子设备进行介绍，下文描述的电子设备与上文描述的图像检测方法可相互对应参照。
本申请实施例提供了一种电子设备，如图4所示，图4为本申请实施例提供的一种电子设备的结构示意图，图4所示的电子设备400包括：处理器401和存储器403。其中，处理器401和存储器403相连，如通过总线402相连。可选地，电子设备400还可以包括收发器404。需要说明的是，实际应用中收发器404不限于一个，该电子设备400的结构并不构成对本申请实施例的限定。
处理器401可以是CPU（CentralProcessingUnit，中央处理器），通用处理器，DSP（DigitalSignalProcessor，数据信号处理器），ASIC（ApplicationSpecificIntegratedCircuit，专用集成电路），FPGA（FieldProgrammableGateArray，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实施例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401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组合，DSP和微处理器的组合等。
总线402可包括一通路，在上述组件之间传送信息。总线402可以是PCI（PeripheralComponentInterconnect，外设部件互连标准）总线或EISA（ExtendedIndustryStandardArchitecture，扩展工业标准结构）总线等。总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图4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。
存储器403可以是ROM（ReadOnlyMemory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（RandomAccessMemory，随机存取存储器）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（ElectricallyErasableProgrammableReadOnlyMemory，电可擦可编程只读存储器）、CD-ROM（CompactDiscReadOnlyMemory，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403用于存储执行本申请实施例方案的应用程序代码，并由处理器401来控制执行。处理器401用于执行存储器403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。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
下面对本申请实施例提供的一种计算机可读存储介质进行介绍，下文描述的计算机可读存储介质与上文描述的方法可相互对应参照。
本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上图像检测方法的步骤。
由于计算机可读存储介质部分的实施例与方法部分的实施例相互对应，因此计算机可读存储介质部分的实施例请参见方法部分的实施例的描述。
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。
Claims (12)
1.一种图像检测方法，其特征在于，所述方法包括：
获取待检测区域的待检测高点位停车场图片，所述待检测高点位停车场图片为包括多个车辆与多个车位的图片；
将所述待检测高点位停车场图片输入到预先训练好的基于卷积神经网络的实例分割模型中，得到所有车辆的车辆位置信息，其中，所述实例分割模型包括卷积层、空间金字塔池化层和全连接层；
根据所述待检测高点位停车场图片，确定所有车位的车位位置信息，并计算各个车辆对应的车位的区域面积；
根据各个所述车辆位置信息和各自对应的车位位置信息，确定各个车辆与各自对应的车位的第一重叠面积；
根据各个所述第一重叠面积与各自对应车位的区域面积检测车位是否被占用。
2.根据权利要求1所述的图像检测方法，其特征在于，在所述获取待检测区域的待检测高点位停车场图片之后，还包括：
对所述待检测高点位停车场图片进行预处理；其中，预处理的方式包括：尺寸调整和/或去均值；
相应的，所述将所述待检测高点位停车场图片输入到预先训练好的实例分割模型中，得到所有车辆的车辆位置信息，包括：
将预处理后的待检测高点位停车场图片输入到预先训练好的实例分割模型中，得到所有车辆的车辆位置信息。
3.根据权利要求1所述的图像检测方法，其特征在于，所述实例分割模型的训练过程，包括：
获取训练样本，其中，所述训练样本包括多个高点位样本图片以及各自对应的多个车辆位置信息标签；
获取待训练实例分割模型；
基于所述训练样本对所述待训练实例分割模型进行训练，得到所述实例分割模型。
4.根据权利要求3所述的图像检测方法，其特征在于，所述基于所述训练样本对所述待训练实例分割模型进行训练，得到所述实例分割模型，包括：
将各高点位样本图片输入所述待训练实例分割模型，得到各高点位样本图片对应的训练车辆位置信息；
根据各所述训练车辆位置信息和各自对应的车辆位置信息标签利用预设损失函数，确定损失值；
根据所述损失值和各所述高点位样本图片对所述待训练实例分割模型进行迭代训练，直至所述损失值达到预设损失阈值时，将达到预设损失阈值的待训练实例分割模型，确定为所述实例分割模型。
5.根据权利要求4所述的图像检测方法，其特征在于，所述预设损失函数为焦点损失函数。
6.根据权利要求1所述的图像检测方法，其特征在于，所述实例分割模型还包括全连接层后的柔化非极大值抑制算法。
7.根据权利要求1所述的图像检测方法，其特征在于，所述待检测高点位停车场图片还包括违停区域，在计算各个车辆对应的车位的区域面积之后，还包括：
根据所述待检测高点位停车场图片，确定所有违停区域的位置信息；
根据各个所述车辆位置信息和各自对应的所述违停区域的违停位置信息，确定各个车辆与违停区域的第二重叠面积；
根据各个所述车辆位置信息，确定各个车辆的车辆面积；并根据各个所述第二重叠面积与各自对应的车辆面积判断各个车辆是否在违停区域。
8.根据权利要求7所述的图像检测方法，其特征在于，在根据各个所述第二重叠面积与各自对应的车辆面积判断各个车辆是否在违停区域之后，还包括：
若存在车辆在违停区域内，获取规定时间内多组高点位停车场图片；
将所述多组高点位停车场图片依次输入预先训练好的实例分割模型，得到多组在违停区域的车辆的位置信息；
根据所述多组在违停区域的车辆的位置信息的变动情况确定车辆是否违停。
9.根据权利要求1所述的图像检测方法，其特征在于，在所述根据各个所述第一重叠面积与各自对应的车位区域面积检测车位是否被占用之后，还包括：
将所述待检测高点位停车场图片与检测结果发送至图像展示平台，以使所述图像展示平台根据待检测高点位停车场图片与检测结果生成并展示车位检测结果图。
10.一种图像检测的装置，其特征在于，所述装置包括：
图片获取模块：用于获取待检测区域的待检测高点位停车场图片，所述待检测高点位停车场图片为包括多个车辆与多个车位的图片；
车辆信息获取模块：用于将所述待检测高点位停车场图片输入到预先训练好的基于卷积神经网络的实例分割模型中，得到所有车辆的车辆位置信息，其中，所述实例分割模型包括卷积层、空间金字塔池化层和全连接层；
车位信息获取模块：用于根据所述待检测高点位停车场图片，确定所有车位的车位位置信息，并计算各个车辆对应的车位的区域面积；
第一重叠面积获取模块：用于根据各个所述车辆位置信息和各自对应的车位位置信息，确定各个车辆与各自对应的车位的第一重叠面积；
检测模块：用于根据各个所述第一重叠面积与各自对应车位的区域面积检测车位是否被占用。
11.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至9中任一种方法的计算机程序。
12.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至9中任一种方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210275243.0A CN114724107B (zh) | 2022-03-21 | 2022-03-21 | 一种图像检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210275243.0A CN114724107B (zh) | 2022-03-21 | 2022-03-21 | 一种图像检测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114724107A true CN114724107A (zh) | 2022-07-08 |
| CN114724107B CN114724107B (zh) | 2023-09-01 |
Family
ID=82237736
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210275243.0A Active CN114724107B (zh) | 2022-03-21 | 2022-03-21 | 一种图像检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114724107B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115565158A (zh) * | 2022-11-17 | 2023-01-03 | 广汽埃安新能源汽车股份有限公司 | 车位检测方法、装置、电子设备和计算机可读介质 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102436760A (zh) * | 2011-11-18 | 2012-05-02 | 广州杰赛科技股份有限公司 | 智能停车场管理方法及系统 |
| CN102855671A (zh) * | 2012-09-29 | 2013-01-02 | 深圳市泊慧停车管理科技有限公司 | 无阻碍停车收费系统及其方法 |
| CN103295273A (zh) * | 2012-02-29 | 2013-09-11 | 深圳光启创新技术有限公司 | 一种停车场收费方法和系统 |
| CN104992475A (zh) * | 2015-06-23 | 2015-10-21 | 上海卓易科技股份有限公司 | 停车场的费用结算方法及系统 |
| CN108346311A (zh) * | 2018-04-18 | 2018-07-31 | 西安艾润物联网技术服务有限责任公司 | 停车场停车引导方法、装置以及计算机可读存储介质 |
| CN108898610A (zh) * | 2018-07-20 | 2018-11-27 | 电子科技大学 | 一种基于mask-RCNN的物体轮廓提取方法 |
| CN109784306A (zh) * | 2019-01-30 | 2019-05-21 | 南昌航空大学 | 一种基于深度学习的智能停车管理方法及系统 |
| CN109993789A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 一种共享单车的违停判定方法、装置及相机 |
| CN110189523A (zh) * | 2019-06-13 | 2019-08-30 | 智慧互通科技有限公司 | 一种基于路侧停车识别车辆违章行为的方法及装置 |
| CN110599537A (zh) * | 2019-07-25 | 2019-12-20 | 中国地质大学（武汉） | 基于Mask R-CNN的无人机图像建筑物面积计算方法及系统 |
| CN111063197A (zh) * | 2019-12-02 | 2020-04-24 | 北京停简单信息技术有限公司 | 停车场车辆异常行为信息处理方法及装置 |
| CN111462218A (zh) * | 2020-03-16 | 2020-07-28 | 西安理工大学 | 一种基于深度学习技术的城市内涝积水面积监测方法 |
| CN111932693A (zh) * | 2020-08-11 | 2020-11-13 | 杭州立方控股股份有限公司 | 城市路侧停车场管理系统 |
| CN112330601A (zh) * | 2020-10-15 | 2021-02-05 | 浙江大华技术股份有限公司 | 一种基于鱼眼相机的停车检测方法、装置、设备及介质 |
| CN112580646A (zh) * | 2020-12-08 | 2021-03-30 | 北京农业智能装备技术研究中心 | 番茄果实成熟度分割方法及采摘机器人 |
| CN113076904A (zh) * | 2021-04-15 | 2021-07-06 | 华南理工大学 | 一种基于深度学习的室外停车场空余车位检测方法 |
| CN113658448A (zh) * | 2021-07-23 | 2021-11-16 | 广州达泊智能科技有限公司 | 一种路侧停车场监控管理系统、方法、装置及存储介质 |
| CN114049477A (zh) * | 2021-11-16 | 2022-02-15 | 中国水利水电科学研究院 | 一种过鱼鱼道系统、鱼类数量和种类的动态识别跟踪方法 |
-
2022
- 2022-03-21 CN CN202210275243.0A patent/CN114724107B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102436760A (zh) * | 2011-11-18 | 2012-05-02 | 广州杰赛科技股份有限公司 | 智能停车场管理方法及系统 |
| CN103295273A (zh) * | 2012-02-29 | 2013-09-11 | 深圳光启创新技术有限公司 | 一种停车场收费方法和系统 |
| CN102855671A (zh) * | 2012-09-29 | 2013-01-02 | 深圳市泊慧停车管理科技有限公司 | 无阻碍停车收费系统及其方法 |
| CN104992475A (zh) * | 2015-06-23 | 2015-10-21 | 上海卓易科技股份有限公司 | 停车场的费用结算方法及系统 |
| CN109993789A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 一种共享单车的违停判定方法、装置及相机 |
| CN108346311A (zh) * | 2018-04-18 | 2018-07-31 | 西安艾润物联网技术服务有限责任公司 | 停车场停车引导方法、装置以及计算机可读存储介质 |
| CN108898610A (zh) * | 2018-07-20 | 2018-11-27 | 电子科技大学 | 一种基于mask-RCNN的物体轮廓提取方法 |
| CN109784306A (zh) * | 2019-01-30 | 2019-05-21 | 南昌航空大学 | 一种基于深度学习的智能停车管理方法及系统 |
| CN110189523A (zh) * | 2019-06-13 | 2019-08-30 | 智慧互通科技有限公司 | 一种基于路侧停车识别车辆违章行为的方法及装置 |
| CN110599537A (zh) * | 2019-07-25 | 2019-12-20 | 中国地质大学（武汉） | 基于Mask R-CNN的无人机图像建筑物面积计算方法及系统 |
| CN111063197A (zh) * | 2019-12-02 | 2020-04-24 | 北京停简单信息技术有限公司 | 停车场车辆异常行为信息处理方法及装置 |
| CN111462218A (zh) * | 2020-03-16 | 2020-07-28 | 西安理工大学 | 一种基于深度学习技术的城市内涝积水面积监测方法 |
| CN111932693A (zh) * | 2020-08-11 | 2020-11-13 | 杭州立方控股股份有限公司 | 城市路侧停车场管理系统 |
| CN112330601A (zh) * | 2020-10-15 | 2021-02-05 | 浙江大华技术股份有限公司 | 一种基于鱼眼相机的停车检测方法、装置、设备及介质 |
| CN112580646A (zh) * | 2020-12-08 | 2021-03-30 | 北京农业智能装备技术研究中心 | 番茄果实成熟度分割方法及采摘机器人 |
| CN113076904A (zh) * | 2021-04-15 | 2021-07-06 | 华南理工大学 | 一种基于深度学习的室外停车场空余车位检测方法 |
| CN113658448A (zh) * | 2021-07-23 | 2021-11-16 | 广州达泊智能科技有限公司 | 一种路侧停车场监控管理系统、方法、装置及存储介质 |
| CN114049477A (zh) * | 2021-11-16 | 2022-02-15 | 中国水利水电科学研究院 | 一种过鱼鱼道系统、鱼类数量和种类的动态识别跟踪方法 |
Non-Patent Citations (3)
| Title |
|---|
| KAIMING HE ET AL: "Mask R-CNN", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
| KAIMING HE ET AL: "Mask R-CNN", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》, 28 February 2020 (2020-02-28), pages 386 - 397 * |
| 董洪义: "《深度学习之PyTorch物体检测实战》", 31 March 2020, pages: 209 - 211 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115565158A (zh) * | 2022-11-17 | 2023-01-03 | 广汽埃安新能源汽车股份有限公司 | 车位检测方法、装置、电子设备和计算机可读介质 |
| CN115565158B (zh) * | 2022-11-17 | 2023-05-26 | 广汽埃安新能源汽车股份有限公司 | 车位检测方法、装置、电子设备和计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114724107B (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6859505B2 (ja) | 画像に基づく車両損傷判定方法、装置および電子デバイス | |
| WO2019223586A1 (zh) | 车位使用状况的检测方法、装置、电子设备及存储介质 | |
| CN109993138A (zh) | 一种车牌检测与识别方法及装置 | |
| CN112131935B (zh) | 一种机动车车厢载人识别方法、装置和计算机设备 | |
| CN113688805B (zh) | 一种基于无人机的无牌渣土车识别方法及系统 | |
| CN112766069A (zh) | 基于深度学习的车辆违停检测方法、装置及电子设备 | |
| CN111178119A (zh) | 路口状态检测方法、装置、电子设备及车辆 | |
| CN112991349B (zh) | 图像处理方法、装置、设备和存储介质 | |
| CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
| CN111860219B (zh) | 一种高速占道判断方法、装置及电子设备 | |
| CN111429463A (zh) | 实例分割方法、装置、电子设备和存储介质 | |
| CN113516099A (zh) | 一种交通行为识别方法及装置、电子设备和存储介质 | |
| CN118135543B (zh) | 车位及障碍物检测方法、装置、电子设备及存储介质 | |
| CN114677848B (zh) | 感知预警系统、方法、装置及计算机程序产品 | |
| CN114724107B (zh) | 一种图像检测方法、装置、设备及介质 | |
| CN111750891A (zh) | 用于信息处理的方法、计算设备和计算机存储介质 | |
| CN116486351A (zh) | 行车预警方法、装置、设备及存储介质 | |
| CN114240816A (zh) | 道路环境感知方法、装置、存储介质、电子设备及车辆 | |
| CN111507269B (zh) | 车位状态的识别方法及装置、存储介质和电子装置 | |
| CN111881833A (zh) | 一种车辆检测方法、装置、设备及存储介质 | |
| CN114092902A (zh) | 电动自行车违规行为的检测方法及装置 | |
| CN111126271A (zh) | 卡口抓拍图像车辆检测方法、计算机存储介质及电子设备 | |
| CN113591543B (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
| CN112861567A (zh) | 一种车型分类方法及装置 | |
| CN112215042A (zh) | 一种车位限位器识别方法及其系统、计算机设备 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240618 Address after: 100089 1002, 1st floor, building 10, No. 813, Changlin, Xisanqi, Haidian District, Beijing Patentee after: BEIJING SINOITS TECH CO.,LTD. Country or region after: China Patentee after: Chengdu Zhuosi Zhitong Technology Co.,Ltd. Patentee after: Anhui Shentong Technology Co.,Ltd. Address before: 100089 1002, 1st floor, building 10, No. 813, Changlin, Xisanqi, Haidian District, Beijing Patentee before: BEIJING SINOITS TECH CO.,LTD. Country or region before: China |