CN116977942A - 一种车辆检测的方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供一种车辆检测的方法、装置、电子设备以及存储介质，涉及车联网技术领域，该方法包括：将第i帧图像输入第一目标检测模型，所述i大于等于1；根据所述第一目标检测模型，确定所述第i帧图像中的目标车辆的第一检测框；根据所述第一检测框，确定所述第一检测框的第一标识信息；根据所述第一检测框，在第i+1帧图像中获取第一图像块；将所述第一图像块输入第二目标检测模型；根据所述第二目标检测模型，确定所述第一图像块中所述目标车辆的第二检测框；输出所述目标车辆的第二检测框和所述第一标识信息。该方法降低了目标车辆检测的计算量，并且同时提高了目标车辆检测的准确度。

Description

一种车辆检测的方法、装置、电子设备及存储介质

技术领域

本申请涉及车联网技术领域，并且具体的，涉及一种车辆检测的方法、装置、电子设备及存储介质。

背景技术

传统的视觉目标检测一般是基于光流或滤波等方法，这种检测方法的效果往往较差，无法在算力受限的移动端设备进行实时精准的车辆检测。此外，近年来有一些算法采用了卷积神经网络(convolutional neural networks，CNN)模型的方式，其对整张图像进行计算并进行目标检测，这种方法虽然能达到较高的精度，但计算量很大，无法在移动端设备上使用。

发明内容

本申请实施例提供了一种车辆检测的方法，降低了目标车辆检测的计算量，并且同时兼顾了高精度。

第一方面，本申请实施例提供了一种车辆检测的方法，包括：

将第i帧图像输入第一目标检测模型，所述i大于等于1；

根据所述第一目标检测模型，确定所述第i帧图像中的目标车辆的第一检测框；

根据所述第一检测框，确定所述第一检测框的第一标识信息；

根据所述第一检测框，在第i+1帧图像中获取第一图像块；

将所述第一图像块输入第二目标检测模型；

根据所述第二目标检测模型，确定所述第一图像块中所述目标车辆的第二检测框；

输出所述目标车辆的第二检测框和所述第一标识信息。

第二方面，本申请实施例提供了一种车辆检测的终端设备，包括：

处理单元，用于将第i帧图像输入第一目标检测模型，所述i大于等于1；

所述处理单元还用于根据所述第一目标检测模型，确定所述第i帧图像中的目标车辆的第一检测框；

所述处理单元还用于根据所述第一检测框，确定所述第一检测框的第一标识信息；

所述处理单元还用于根据所述第一检测框，在第i+1帧图像中获取第一图像块；

所述处理单元还用于将所述第一图像块输入第二目标检测模型；

所述处理单元还用于根据所述第二目标检测模型，确定所述第一图像块中所述目标车辆的第二检测框；

显示单元，用于输出所述目标车辆的第二检测框和所述第一标识信息。

第三方面，本申请实施例本申请提供了一种电子设备，包括：

处理器，适于实现计算机指令；以及，

存储器，存储有计算机指令，计算机指令适于由处理器加载并执行上述第一方面的方法。

第四方面，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存储有计算机指令，该计算机指令被计算机设备的处理器读取并执行时，使得计算机设备执行上述第一方面的方法。

第五方面，本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面的方法。

通过上述技术方案，所述终端设备根据第一目标检测模型从所述第i帧图像中，确定目标车辆的第一检测框，并确定所述第一检测框的第一标识信息，所述终端设备根据所述第二目标检测模型，在所述第i+1帧图像的第一图像块中确定所述目标车辆，所述终端设备输出所述目标车辆的第二检测框和所述第一标识信息，这一过程中，所述终端设备对第一图像块进行处理，在所述第一图像块中确定所述目标车辆，其实现的是已知目标的检测，并且是在图像小块中进行目标检测，需要的计算量较小。并且，在这一过程中，所述终端设备确定所述第二检测框的标识信息为所述第一标识信息，实现了对同一目标物使用相同的标识信息，将所述第一目标检测模型于所述第二检测模型的检测结果进行了准确的关联，提高了检测的精度。

附图说明

图1为本申请实施例涉及的系统架构的一个可选的示意图；

图2图2示出了本申请实施例的应用场景的一个示意图；

图3为本申请实施例提供的一种车辆检测的方法的示意性流程图；

图4为本申请实施例提供的所述第一目标检测模型和所述第二目标检测模型交互的示意性流程框图；

图5为本申请实施例提供的所述第一目标检测模型和所述第二目标检测模型交互的示意性流程框图；

图6是本申请实施例的装置的示意性框图；

图7为本申请实施例提供的电子设备的示意性框图。

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。

本申请提供的方案可应用于智能交通领域。智能交通系统(Intelligent TrafficSystem，ITS)又称智能运输系统(Intelligent Transportation System)，是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。

其中，车辆检测技术的对智能交通系统的发展有着至关重要的作用。车辆检测技术是采用先进的无线通信和新一代互联网等技术，实时实现车辆的检测，从而获得车辆实时的位置信息。基于本申请实施例提供的车辆检测的方法，可以基于车辆检测，实时获得车辆准确的定位结果，来为交通安全提供技术支持，例如助力于车道级定位、旁车轨迹预测和车辆危险预警等。

本申请提供的方案可应用于城快高速场景下的旁车感知和旁车持续定位，以及应用于L2、L3级别的自动驾驶的旁车渲染、旁车轨迹预测和旁车危险预警等。

如图1所示的3辆车正在公路上行驶，通过车辆110上安装的摄像头可以捕获车辆110周围的环境图像。例如，车辆110上的摄像头捕获的图像包括车辆B和车辆C，车辆110上的车载设备根据该捕获的图像可以检测周围车辆，根据检测到的周围车辆可以进行旁车轨迹预测、旁车危险预警等，为驾驶人员提供可靠的参考信息，避免由于驾驶人员的疏忽造成的安全问题。

本申请实施例也可以应用于自动驾驶领域，来提高自动驾驶的安全性。

当然，本申请实施例也可以应用于其他物体持续检测的领域，如无人机等。

图2示出了本申请实施例的应用场景的一个示意图。

如图2所示，该应用场景包括服务器和终端设备。其中，终端设备可以包括车载终端和用户终端。应理解，此处仅是示例性说明，并不对本申请实施例的应用场景进行具体限定。

车载终端可以包括行车电脑或车载单元(On Board Unit，OBU)等。车载终端还可以是终端上的应用程序(application，APP)、智能后视镜上的APP、手机上的APP或小程序等，在此不作限定。

用户终端(user equipment，UE)可以是无线终端设备也可以是有线终端设备，无线终端设备可以是指一种具有无线收发功能的设备，用户终端可以是手机(mobilephone)、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(Virtual Reality，VR)用户设备、增强现实(Augmented Reality，AR)用户设备、智能语音交互设备、车载终端、飞行器等，在此不作限定。

终端设备上可以部署客户端，其中客户端可以通过浏览器的形式运行于终端设备上，也可以通过独立的APP的形式运行于终端上，对于客户端的具体展现形式，此处不作限定。

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，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器也可以成为区块链的节点。

服务器可以是一台或多台。服务器是多台时，存在至少两台服务器用于提供不同的服务，和/或，存在至少两台服务器用于提供相同的服务，比如以负载均衡方式提供同一种服务，本申请实施例对此不加以限定。

终端设备和服务器可以通过有线或无线通信的方式进行直接或间接的连接，本申请对此不作限定。本申请对服务器或终端设备的数量不作限定。本申请提供的方案可以由终端设备独立完成，也可以由服务器独立完成，还可以由终端设备和服务器配合完成，本申请对此不作限定。

示例性的，以终端设备为智能手机为例，在智能手机上安装有手机导航应用。服务器可以向智能手机发送地图数据。智能手机结合实时车辆检测结果以及地图数据，能够确定实时的车辆定位结果。基于此，在手机导航应用上可以显示实时的车辆定位结果。

示例性的，以终端设备为车载设备为例，在车载设备上安装有车载导航应用。服务器可以向车载设备发送地图数据。车载设备结合实时车辆检测结果以及地图数据，能够确定实时的车辆定位结果。基于此，在车载导航应用上可以显示实时的车辆定位结果。

下面，对本申请实施例涉及的相关术语进行描述。

本申请实施例涉及计机器学习(Machine Learning，ML)，机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。如本申请实施例中的第一目标检测模型和第二目标检测模型可以通过人工神经网络模型实现。

本申请实施例涉及计算机视觉技术(Computer Vision,CV)，计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。

本申请实施例涉及视觉定位，视觉定位指使用视觉传感器采集的信息进行定位的技术。视觉定位可以通过视觉传感器对高精度地图定位图层中的道路的属性要素进行识别感知，依靠视觉算法推算出车辆位置信息。

传统的视觉目标检测一般是基于光流或滤波等方法，这种检测方法的效果往往较差，无法在算力受限的移动端设备进行实时精准的车辆检测。此外，近年来有一些算法采用了CNN模型的方式，其对整张图像进行计算并进行目标检测，这种方法虽然能达到较高的精度，但计算量很大，无法在计算力受限的移动端设备上使用。

因此，本申请提出了一种车辆检测的方法，解决了检测无法同时达到低计算量和高精度的问题。

下面通过一些实施例对本申请实施例的技术方案进行详细说明。下面这几个实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图3为本申请实施例提供的一种车辆检测的方法200的示意性流程图。方法200可以由任何具有数据处理能力的电子设备执行。例如，该电子设备可实施为车载设备或智能终端设备。下面以该电子设备是终端设备为例进行说明。如图3所示，方法200可以包括步骤S210至S270。

S210，终端设备将第i帧图像输入第一目标检测模型，所述i大于等于1。

S220，所述终端设备根据所述第一目标检测模型，确定所述第i帧图像中的目标车辆的第一检测框。

S230，所述终端设备根据所述第一检测框，确定所述第一检测框的第一标识信息。

S240，所述终端设备根据所述第一检测框，在第i+1帧图像中获取第一图像块，所述第一图像块的像素小于所述第i帧图像的像素。

S250，所述终端设备将所述第一图像块输入第二目标检测模型。

S260，所述终端设备根据所述第二目标检测模型，确定所述第一图像块中所述目标车辆的第二检测框。

S270，所述终端设备输出所述目标车辆的第二检测框和所述第一标识信息。

在方法200中，所述终端设备根据第一目标检测模型从所述第i帧图像中，确定目标车辆的第一检测框，并确定所述第一检测框的第一标识信息，所述终端设备根据所述第二目标检测模型，在所述第i+1帧图像的第一图像块中确定所述目标车辆，所述终端设备输出所述目标车辆的第二检测框和所述第一标识信息，这一过程中，所述终端设备对第一图像块进行处理，在所述第一图像块中确定所述目标车辆，其实现的是已知目标的检测，并且是在图像小块中进行目标检测，需要的计算量较小。并且，在这一过程中，所述终端设备确定所述第二检测框的标识信息为所述第一标识信息，实现了对同一目标物使用相同的标识信息，将所述第一目标检测模型于所述第二检测模型的检测结果进行了准确的关联，提高了检测的精度。

可选的，所述第一检测模型和所述第二检测模型确定的检测框包括所述检测框的位置信息。

例如，所述检测框的中心坐标，或者所述检测框的各个顶点坐标。

可选的，当所述i等于1时，所述根据所述第一检测框，确定所述第一检测框的第一标识信息，包括：

根据所述第一检测框，生成所述第一检测框的第一标识信息，所述i等于1。

具体而言，所述i等于1，即所述终端设备将所述第一帧图像即初始帧图像输入所述第一检测模型，所述第一检测模型对所述第一帧图像进行检测，确定所述第一帧图像包括的所述目标车辆的第一检测框，并生成所述第一检测框的第一标识信息。

可选的，所述目标车辆可以是多个车辆，不同的目标车辆的标识信息不相同。

例如，第一帧图像包括三辆车，所述终端设备通过对所述第一帧图像进行检测，确定出三个目标车辆的检测框，则分别标识第一检测框为1，第二个检测框为2，第三个检测框为3。

可选的，所述第一检测框包括所述目标车辆的整体图像。

可选的，所述第一检测框包括所述目标车辆的部分特征。

例如，在对车辆检测时，所述第一检测框可以是车牌号，也可以是车辆的图像，还可以是携带了背景的车辆。

可选的，当所述i大于1时，所述根据所述第一检测框，确定所述第一检测框的第一标识信息，包括：

当所述第一检测框与第i-1帧图像确定的第三检测框重合度小于第一阈值时，生成所述第一标识信息，所述第一标识信息与所述第三检测框的标识信息不同。

具体而言，在所述i大于1时，所述第i帧图像不是初始帧图像，所述终端设备根据所述第一检测模型检测所述第i帧图像，得到所述第一检测框，将所述第检测框与前一帧第i-1帧图像的确定的第三检测框进行比较，如果所述第一检测框与前一个第i-1帧确定的第三检测框的重合度小于第一阈值时，则所述目标车辆不是所述第三检测框包括的车辆，所述目标车辆为新出现的车辆，所述终端设备为所述第一检测框生成新的标识。

可选的，当所述i大于1时，所述根据所述第一检测框，确定所述第一检测框的第一标识信息，包括：

当所述第一检测框与第i-1帧图像确定的第三检测框的重合度大于或等于第一阈值时，融合所述第一检测框与所述第三检测框，得到融合后的所述第一检测框，所述第一标识复用所述第三检测框的标识。

具体而言，在所述i大于1时，所述第i帧图像不是初始帧图像，所述终端设备根据所述第一检测模型检测所述第i帧图像，得到所述第一检测框，将所述第检测框与前一帧第i-1帧图像的确定的第三检测框进行比较，如果所述第一检测框与前一个第i-1帧确定的第三检测框的重合度大于或等于第一阈值时，则说明所述目标车辆与是所述第三检测框包括的车辆为同一车辆，融合所述第一检测框与所述第三检测框，得到融合后的所述第一检测框，所述第一标识复用所述第三检测框的标识。

可选的，所述方法还包括：当在所述第一图像块中没有检测到所述目标车辆时，在预设时间内，所述目标车辆的检测结果复用所述目标车辆的第i帧图像确定的检测结果。

可选的，所述方法还包括：超过所述预设时间且在所述第i+1帧图像中没有检测到所述目标车辆时，删掉所述目标车辆和所述目标车辆的标识。

可选的，所述第一图像块的数量可以是至少一个。

可选的，所述方法还包括：

所述终端设备根据所述第二检测框，在第i+2帧图像中获取第二图像块，所述第二图像块的像素小于所述第i帧图像的像素；

所述终端设备将所述第二图像块输入第二目标检测模型；

所述终端设备根据所述第二目标检测模型，确定所述第二图像块中所述目标车辆的第三检测框；

所述终端设备输出所述目标车辆的第三检测框和所述第一标识信息。

可选的，所述将第i帧图像输入第一目标检测模型包括：以第一频率将所述第i帧图像输入第一目标检测模型；

所述将所述第一图像块输入所述第二目标检测模型，包括：以第二频率将所述第一图像块输入所述第二目标检测模型。

可选的，所述方法还包括：动态调整所述第一频率与所述第二频率。

通过调整所述第一频率和所述第二频率，可以灵活适应各种计算力的移动端设备。

可选的，所述终端设备以第一频率将所述第i帧图像输入第一目标检测模型之前，所述方法还包括：

所述终端设备以第一频率接收摄像头发送的所述第i帧图像；

所述终端设备以第二频率将所述第一图像块输入所述第二目标检测模型之前，所述方法还包括：

所述终端设备以第二频率接收所述摄像头发送的所述第i+1帧图像；

根据所述第一检测框，将所述第i+1帧图像切片成第一图像块。

可选的，所述终端设备以第一频率将所述第i帧图像输入第一目标检测模型，包括：

所述终端设备接收所述摄像头发送的连续的多帧图像；

所述终端设备根据所述多帧图像的时间序列，以第一频率将所述第i帧图像输入第一目标检测模型。

可选的，所述终端设备以第二频率将所述第一图像块输入所述第二目标检测模型，包括：

所述终端设备接收所述摄像头发送的连续的多帧图像；

所述终端设备根据所述多帧图像的时间序列，根据所述第一检测框，将所述第i+1帧图像切片成第一图像块；

所述终端设备以第二频率将所述第一图像块输入第二检测模型。

应理解，所述图像的帧率不能过低，5hz至10hz及以上为最佳。高频率的视图像流更有利于算法对前后帧的信息进行关联与分析。

还应理解，为了进一步减小所述终端设备的计算量，所述终端设备也可以根据多帧不连续的图像来实现车辆检测。

例如，所述终端设备将第i帧图像输入第一目标检测模型；

所述终端设备根据所述第一目标检测模型，确定所述第i帧图像中的目标车辆的第一检测框；

所述终端设备根据所述第一检测框，确定所述第一检测框的第一标识信息；

所述终端设备根据所述第一检测框，在第i+n帧图像中获取第一图像块，所述第一图像块的像素小于所述第i帧图像的像素；

所述终端设备将所述第一图像块输入第二目标检测模型；

所述终端设备根据所述第二目标检测模型，确定所述第一图像块中所述目标车辆的第二检测框；

所述终端设备输出所述目标车辆的第二检测框和所述第一标识信息。

其中，n的取值可以依经验预设。

在方法200的具体实现过程中，所述第一目标检测模型是一种在单帧完整图像中检测目标车辆的算法。所述第一目标检测模型一般是通过相关数学算法及模型实现，例如CNN模型。

所述第二目标检测模型是一种在图像块中，不断检测单/多个指定目标车辆的算法。所述第二目标检测模型一般也可以通过相关数学算法及模型实现，例如CNN模型。

所述第二目标检测模型的参数少于所述第一目标检测模型的参数，例如所述第二目标检测模型包括的卷积层、池化层的数量小于所述第一目标检测模型包括的卷积层、池化层的数量。

为了更清楚的理解本申请实施例，下面通过图4具体说明所述第一目标检测模型和所述第二目标检测模型如何进行交互。图4为本申请实施例提供的所述第一目标检测模型和所述第二目标检测模型交互的示意性流程框图。

如图4所示，所述终端设备将所述第i帧图像输入所述第一目标检测模型，根据所述第一目标检测模型检测所述第i帧图像，确定所述第i帧图像中的目标车辆的第一检测框，并确定所述第一检测框的第一标识信息；

所述终端设备根据所述第一检测框，在第i+1帧图像中获取第一图像块，所述第一图像块的像素小于所述第i帧图像的像素；

所述终端设备将所述第一图像块输入第二目标检测模型，根据所述第二目标检测模型在所述第i+1帧图像的图像块中，确定所述目标车辆的第二检测框；所述终端设备根据所述第二检测框，在第i+2帧图像中获取第二图像块，所述第二图像块的像素小于所述第i帧图像的像素；所述终端设备将所述第二图像块输入第二目标检测模型；所述终端设备根据所述第二目标检测模型，确定所述第二图像块中所述目标车辆的第三检测框；所述终端设备输出所述目标车辆的第三检测框和所述第一标识信息。

此后，所述终端设备根据所述第二目标检测模型在多张图像中检测所述目标车辆，在所述第一频率到达时，所述终端设备将所述第i+n帧图像输入所述第一目标检测模型，所述终端设备根据所述第一目标检测模型检测所述第i+n帧图像，确定目标车辆的第i+n检测框。此时，所述终端设备需要对所述第一目标检测模型确定的所述目标车辆的第i+n检测框需要与所述第二目标检测模型确定的目标车辆的第i+n-1检测框进行比较，具体的比较方法可以参考方法200中的相应描述，此处不再赘述。

假设所述目标车辆的第i+n检测框需要与所述第二目标检测模型确定的目标车辆的第i+n-1检测框重合度较高，所述第一目标检测模型确定的所述目标车辆需要与所述第二目标检测模型确定的目标车辆为同一车辆。所述终端设备根据所述第i+n检测框，获取所述第i+n+1帧图像的图像块，所述终端设备将所述第i+n+1帧图像的图像块输入所述第二目标检测模型，所述第二目标检测模型在所述第i+n+1帧图像的图像块中，检测所述目标车辆。

通过图4的描述可知，所述第一目标检测模型是在一张完整图像中检测识别目标车辆，其需要的计算量较大，精度较高，所述第一目标检测模型是以低频率运行的，所述第二目标检测模型是根据目标车辆，在当前图像的图像块中检测是否存在该目标车辆，其实现的是已知目标的检测，需要的计算量较小，且检测精度依然较强，所述第二目标检测模型以高频率运行，该方法降低了目标车辆检测的计算量，并且同时兼顾了高精度。

为了更清楚的理解本申请实施例，下面进一步通过图5具体说明所述第一目标检测模型和所述第二目标检测模型如何进行交互。图5为本申请实施例提供的所述第一目标检测模型和所述第二目标检测模型交互的示意性流程框图，其中，检测到的目标车辆为车辆A。

如图5所示，图5中有4行从左到右的流水线，其中第1、4行表示由所述第一目标检测模型处理的图像，第2、3行表示由第二目标检测模型处理的图像。

第一目标检测模型和所述第二目标检测模型的交互过程及结果融合过程如下：

如图5所示的第1行，所述终端设备将第一帧图像输入第一目标检测模型，假设所述终端设备此时开始进行车辆检测，所述第一目标检测模型接收到第一帧图像。所述第一目标检测模型检测所述第一帧图像，确定所述车辆A的第一检测框，所述终端设备生成所述车辆A的第一检测框的第一标识信息。

如图5所示的第2行，所述终端设备根据所述车辆A的第一检测框，将所述第二帧图像切片，切出车辆A可能存在的多张图像小块，所述终端设备将所述多张图像小块输入所述第二目标检测模型，所述第二目标检测模型在这些图像小块中分别寻找车辆A，从而确定出第二帧图像的所述车辆A的第二检测框，所述终端设备输出所述车辆A的第二检测框和所述第一标识信息。

如图5所示的第3行，类似第二帧图像的处理方式，所述终端设备根据所述车辆A的第二检测框，将所述第三帧图像切片，切出车辆A可能存在的多张图像小块，所述终端设备将所述多张图像小块输入所述第二目标检测模型，所述第二目标检测模型在这些图像小块中分别寻找车辆A，从而确定出第三帧图像的所述车辆A的第三检测框，所述终端设备输出所述车辆A的第三检测框和所述第一标识信息。

如图5所示的第4行，在所述第二目标检测模型检测了n-1帧图像后，所述终端设备将所述第n帧图像输入所述第一目标检测模型，所述第一目标检测模型接收到第n帧图像，所述第一目标检测模型检测所述第n帧图像，确定所述车辆A的第n检测框，所述终端设备将检测到的所述车辆A的第n检测框与前一帧图像输输出的所述车辆A的第n-1检测框进行匹配，输出两种检测框信息：

一种是，所述车辆A的第n检测框与前一帧图像输输出的所述车辆A的第n-1检测框的匹配度较高，大于所述第一阈值，所述终端设备将所述车辆A的第n检测框与前一帧图像输输出的所述车辆A的第n-1检测框融合，得到融合后的所述车辆A的第n检测框，所述融合后的所述车辆A的第n检测框的标识信息直接复用所述车辆A的第n-1检测框的标识信息；

另一种是，所述车辆A的第n检测框与前一帧图像输输出的所述车辆A的第n-1检测框的匹配度较低，小于所述第一阈值，所述终端设备生成所述车辆A的第n检测框的标识信息，所述车辆A的第n检测框的标识信息与所述车辆A的第n-1检测框的标识信息不同。

以上结合附图详细描述了本申请的具体实施方式，但是，本申请并不限于上述实施方式中的具体细节，在本申请的技术构思范围内，可以对本申请的技术方案进行多种简单变型，这些简单变型均属于本申请的保护范围。例如，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本申请对各种可能的组合方式不再另行说明。又例如，本申请的各种不同的实施方式之间也可以进行任意组合，只要其不违背本申请的思想，其同样应当视为本申请所公开的内容。

还应理解，在本申请的各种方法实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。应理解这些序号在适当情况下可以互换，以便描述的本申请的实施例能够以除了在图示或描述的那些以外的顺序实施。

上文结合图1至图5，详细描述了本申请的方法实施例，下文结合图6和图7，详细描述本申请的装置实施例。

图6是本申请实施例的装置300的示意性框图，该装置300可以实现上述方法中终端设备的功能。如图6所示，装置300可包括处理单元310和显示单元320。

处理单元310，用于将第i帧图像输入第一目标检测模型，所述i大于等于1；

所述处理单元310还用于根据所述第一目标检测模型，确定所述第i帧图像中的目标车辆的第一检测框；

所述处理单元310还用于根据所述第一检测框，确定所述第一检测框的第一标识信息；

所述处理单元310还用于根据所述第一检测框，在第i+1帧图像中获取第一图像块，所述第一图像块的像素小于所述第i帧图像的像素；

所述处理单元310还用于将所述第一图像块输入第二目标检测模型；

所述处理单元310还用于根据所述第二目标检测模型，确定所述第一图像块中所述目标车辆的第二检测框；

显示单元320，用于输出所述目标车辆的第二检测框和所述第一标识信息。

在一个实施例中，当所述i大于1时，所述处理单元310具体用于：

当所述第一检测框与第i-1帧图像确定的第三检测框重合度小于第一阈值时，生成所述第一标识信息，所述第一标识信息与所述第三检测框的标识信息不同。

在一个实施例中，当所述i大于1时，所述处理单元310具体用于：

当所述第一检测框与第i-1帧图像确定的第三检测框的重合度大于或等于第一阈值时，融合所述第一检测框与所述第三检测框，得到融合后的所述第一检测框，所述第一标识复用所述第三检测框的标识。

在一个实施例中，当所述i等于1时，所述处理单元310具体用于：

根据所述第一检测框，生成所述第一检测框的第一标识信息，所述i等于1。

在一个实施例中，所述处理单元310具体用于：

当在所述第一图像块中没有检测到所述目标车辆时，在预设时间内，所述目标车辆的检测结果复用所述第一检测框。

在一个实施例中，所述处理单元310具体用于：

根据所述第二检测框，在第i+2帧图像中获取第二图像块，所述第二图像块的像素小于所述第i帧图像的像素；

将所述第二图像块输入第二目标检测模型；

根据所述第二目标检测模型，确定所述第二图像块中所述目标车辆的第三检测框；

输出所述目标车辆的第三检测框和所述第一标识信息。

在一个实施例中，所述处理单元310还用于：

以第一频率将所述第i帧图像输入第一目标检测模型；

所述处理单元310还用于：

以第二频率将所述第一图像块输入所述第二目标检测模型。

在一个实施例中，所述处理单元310还用于：

动态调整所述第一频率与所述第二频率。

应理解，装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，当在该实施例中数据处理的装置300可以对应于执行本申请实施例的方法200执行主体时，装置300中的各个模块的前述和其它操作和/或功能分别为了实现图3中的各个方法相应流程，为了简洁，在此不再赘述。

上文中结合附图从功能模块的角度描述了本申请实施例的装置和系统。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本申请实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。可选地，软件模块可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法实施例中的步骤。

如图7是本申请实施例提供的电子设备400的示意性框图。

如图7所示，该电子设备400可包括：

存储器410和处理器420，该存储器410用于存储计算机程序，并将该程序代码传输给该处理器420。换言之，该处理器420可以从存储器410中调用并运行计算机程序，以实现本申请实施例中的方法。

例如，该处理器420可用于根据该计算机程序中的指令执行上述方法300中各执行主体的步骤。

在本申请的一些实施例中，该处理器420可以包括但不限于：

通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable 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、分立硬件组件等等。

在本申请的一些实施例中，该存储器410包括但不限于：

易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。

在本申请的一些实施例中，该计算机程序可以被分割成一个或多个模块，该一个或者多个模块被存储在该存储器410中，并由该处理器420执行，以完成本申请提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述该计算机程序在该电子设备400中的执行过程。

可选的，该电子设备400还可包括：

通信接口430，该通信接口430可连接至该处理器420或存储器410。

其中，处理器420可以控制该通信接口430与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。示例性的，通信接口430可以包括发射机和接收机。通信接口430还可以进一步包括天线，天线的数量可以为一个或多个。

应当理解，该电子设备400中的各个组件通过总线系统相连，其中，总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。

根据本申请的一个方面，提供了一种通信装置，包括处理器和存储器，该存储器用于存储计算机程序，该处理器用于调用并运行所述存储器中存储的计算机程序，使得所述编码器执行上述方法实施例的方法。

根据本申请的一个方面，提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说，本申请实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。

根据本申请的另一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方法实施例的方法。

换言之，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。该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该计算机程序指令时，全部或部分地产生按照本申请实施例该的流程或功能。该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。该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，该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(digital subscriber line，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。该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。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

应理解，在本申请实施例中，“与A对应的B”表示B与A相关联。在一种实现方式中，可以根据A确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。

在本申请的描述中，除非另有说明，“至少一个”是指一个或多个，“多个”是指两个或多于两个。另外，“和/或”，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的情况，其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。

还应理解，本申请实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本申请实施例中对设备个数的特别限定，不能构成对本申请实施例的任何限制。

还应理解，说明书中与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。

此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

可以理解的是，在本申请的具体实施方式中，可能涉及到用户信息等相关的数据。当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，该模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，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。例如，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。

以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以该权利要求的保护范围为准。

Claims (12)

1.一种车辆检测的方法，其特征在于，包括：

将第i帧图像输入第一目标检测模型，其中，i大于或者等于1；

根据所述第一目标检测模型，确定所述第i帧图像中的目标车辆的第一检测框；

根据所述第一检测框，确定所述第一检测框的第一标识信息；

根据所述第一检测框，在第i+1帧图像中获取第一图像块；

将所述第一图像块输入第二目标检测模型；

根据所述第二目标检测模型，确定所述第一图像块中所述目标车辆的第二检测框；

输出所述目标车辆的第二检测框和所述第一标识信息。

2.根据权利要求1所述的方法，其特征在于，当所述i大于1时，所述根据所述第一检测框，确定所述第一检测框的第一标识信息，包括：

当所述第一检测框与第i-1帧图像确定的第三检测框重合度小于第一阈值时，生成所述第一标识信息，所述第一标识信息与所述第三检测框的标识信息不同。

3.根据权利要求1所述的方法，其特征在于，当所述i大于1时，所述根据所述第一检测框，确定所述第一检测框的第一标识信息，包括：

当所述第一检测框与第i-1帧图像确定的第三检测框的重合度大于或等于第一阈值时，融合所述第一检测框与所述第三检测框，得到融合后的所述第一检测框，所述第一标识复用所述第三检测框的标识。

4.根据权利要求1所述的方法，其特征在于，当i等于1时，所述根据所述第一检测框，确定所述第一检测框的第一标识信息，包括：

根据所述第一检测框，生成所述第一检测框的第一标识信息。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当在所述第一图像块中没有检测到所述目标车辆时，在预设时间内，所述目标车辆的检测结果复用所述第一检测框。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述第二检测框，在第i+2帧图像中获取第二图像块，所述第二图像块的像素小于所述第i帧图像的像素；

将所述第二图像块输入第二目标检测模型；

根据所述第二目标检测模型，确定所述第二图像块中所述目标车辆的第三检测框；

输出所述目标车辆的第三检测框和所述第一标识信息。

7.根据权利要求1所述的方法，其特征在于，所述将第i帧图像输入第一目标检测模型，包括：

以第一频率将所述第i帧图像输入第一目标检测模型；

所述将所述第一图像块输入所述第二目标检测模型，包括：

以第二频率将所述第一图像块输入所述第二目标检测模型。

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：

动态调整所述第一频率与所述第二频率。

9.一种车辆检测的终端设备，其特征在于，包括：

处理单元，用于将第i帧图像输入第一目标检测模型，其中，i大于或者等于1；

所述处理单元还用于根据所述第一目标检测模型，确定所述第i帧图像中的目标车辆的第一检测框；

所述处理单元还用于根据所述第一检测框，确定所述第一检测框的第一标识信息；

所述处理单元还用于根据所述第一检测框，在第i+1帧图像中获取第一图像块；

所述处理单元还用于将所述第一图像块输入第二目标检测模型；

所述处理单元还用于根据所述第二目标检测模型，确定所述第一图像块中所述目标车辆的第二检测框；

显示单元，用于输出所述目标车辆的第二检测框和所述第一标识信息。

10.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有指令，所述处理器运行所述指令时，使得所述处理器执行权利要求1-8任一项所述的方法。

11.一种计算机存储介质，其特征在于，包括指令，当其在计算机上运行时，使得所述计算机执行权利要求1-8任一项所述的方法。

12.一种计算机程序产品，其特征在于，包括计算机程序代码，当所述计算机程序代码被电子设备运行时，使得所述电子设备执行权利要求1-8中任一项所述的方法。