CN105184286A - 一种车辆检测方法及检测装置 - Google Patents

Abstract

本发明实施例提供了一种车辆检测方法，所述方法包括：获取包含车辆的待检测图像；确定所述待检测图像中的M个检测窗口；对所述M个检测窗口所在区域内的图像进行特征点标记得到N个特征点；对所述N个特征点进行对齐处理；以所述对齐处理后的N个特征点中的每个特征点为中心进行特征提取；将所述提取出的特征组成P个特征向量；将所述P个特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口；将所述M个检测窗口中除所述K个检测窗口之外的M-K个检测窗口对应的区域作为目标区域。本发明实施例还提供了一种检测装置。通过本发明实施例可减少错误窗口的个数，从而，提升了车辆检测的准确率。

Description

一种车辆检测方法及检测装置

技术领域

本发明实施例涉及智能监控技术领域，具体涉及一种车辆检测方法及检测装置。

背景技术

车辆检测技术是智能交通***的一个重要组成部分，其检测结果的好坏直接影响到目标的定位跟踪及识别和行为理解等后续处理过程。

现有技术中，智能交通***中的车辆检测技术虽然得到了快速发展，但是，一方面，由于在不同时段、不同路段上获得的车辆视频图像的光照、角度、遮挡千差万别且即使同一路段，同一时段获得的视频图像集变化也是很大；另一方面，车辆本身种类广泛，类内和类间的外观和大小差异显著，因而，导致车辆检测精确较低，降低了用户体验。

发明内容

本发明实施例提供了一种车辆检测方法及检测装置，以期提高车辆检测的准确率。

本发明实施例第一方面提供了一种车辆检测方法，包括：

获取包含车辆的待检测图像；

确定所述待检测图像中的M个检测窗口，所述M为大于1的整数；

对所述M个检测窗口所在区域内的图像进行特征点标记得到N个特征点，其中，所述M和所述N均为大于1的整数；

对所述N个特征点进行对齐处理；

以所述对齐处理后的N个特征点中的每个特征点为中心进行特征提取；

将所述提取出的特征组成P个特征向量，其中，所述P为大于1的整数；

将所述P个特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口，其中，所述K为大于或等于1且小于所述M的整数；

将所述M个检测窗口中除所述K个检测窗口之外的M-K个检测窗口对应的区域作为目标区域。

结合本发明实施例的第一方面，在第一方面的第一种可能的实施方式中，所述确定所述待检测图像中的M个检测窗口包括：

采用预设的级联检测器对所述待检测图像进行检测以得到所述待检测图像的M个检测窗口。

结合本发明实施例的第一方面，在第一方面的第二种可能的实施方式中，所述对所述M个检测窗口所在区域内的图像进行特征点标记得到N个特征点包括：

对所述M个检测窗口进行meanshape特征点标记，以得到N个特征点。

结合本发明实施例的第一方面，在第一方面的第三种可能的实施方式中，所述对所述N个特征点进行对齐处理包括：

采用预先训练的特征匹配函数对所述N个特征点进行特征提取，以得到N个局部二进制特征；

采用预先训练的全局线性回归模型对所述N个局部二进制特征进行全局线性回归处理。

结合本发明实施例的第一方面，在第一方面的第四种可能的实施方式中，所述将所述P个特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口包括：

对所述P个特征点进行尺度不变特征变换SIFT，以得到P个SIFT特征点；

将所述P个SIFT特征点组成目标特征向量；

采用预设分类器对所述目标特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口。

本发明实施例第二方面提供了一种检测装置，包括：

获取单元，用于获取包含车辆的待检测图像；

第一确定单元，用于确定所述获取单元获取到的待检测图像中的M个检测窗口，所述M为大于1的整数；

标记单元，用于对所述第一确定单元确定的M个检测窗口所在区域内的图像进行特征点标记得到N个特征点，其中，所述M和所述N均为大于1的整数；

对齐单元，用于对所述标记单元标记的N个特征点进行对齐处理；

第一提取单元，用于以所述对齐单元对齐处理后的N个特征点中的每个特征点为中心进行特征提取；

第一组成单元，用于将所述第一提取单元提取出的特征组成P个特征向量，其中，所述P为大于1的整数；

分类单元，用于将所述第一组成单元组成的P个特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口，其中，所述K为大于或等于1且小于所述M的整数；

第二确定单元，用于将所述M个检测窗口中除所述分类单元排除的K个检测窗口之外的M-K个检测窗口对应的区域作为目标区域。

结合本发明实施例的第二方面，在第二方面的第一种可能的实施方式中，所述第一确定单元具体用于：

采用预设的级联检测器对所述待检测图像进行检测以得到所述待检测图像的M个检测窗口。

结合本发明实施例的第二方面，在第二方面的第二种可能的实施方式中，所述标记单元具体用于：

对所述M个检测窗口进行meanshape特征点标记，以得到N个特征点。

结合本发明实施例的第二方面，在第二方面的第三种可能的实施方式中，所述对齐单元包括：

第二提取单元，用于采用预先训练的特征匹配函数对所述标记单元标记的N个特征点进行特征提取，以得到N个局部二进制特征；

处理单元，用于采用预先训练的全局线性回归模型对所述第二提取单元提取的N个局部二进制特征进行全局线性回归处理。

结合本发明实施例的第二方面，在第二方面的第四种可能的实施方式中，所述分类单元包括：

变换单元，用于对所述第一组成单元组成的P个特征点进行尺度不变特征变换SIFT，以得到P个SIFT特征点；

第二组成单元，用于将所述变换单元变换得到的P个SIFT特征点组成目标特征向量；

分类子单元，用于采用预设分类器对所述第二组成单元组成的目标特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口。

采用本发明实施例，具有如下有益效果：

通过本发明实施例获取包含车辆的待检测图像；确定所述待检测图像中的M个检测窗口，所述M为大于1的整数；对所述M个检测窗口所在区域内的图像进行特征点标记得到N个特征点，其中，所述M和所述N均为大于1的整数；对所述N个特征点进行对齐处理；以所述对齐处理后的N个特征点中的每个特征点为中心进行特征提取；将所述提取出的特征组成P个特征向量，其中，所述P为大于1的整数；将所述P个特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口，其中，所述K为大于或等于1且小于所述M的整数；将所述M个检测窗口中除所述K个检测窗口之外的M-K个检测窗口对应的区域作为目标区域。实施本发明实施例的过程中，可减少错误窗口的个数，从而，提升了车辆检测的准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种车辆检测的方法的第一实施例流程示意图；

图2是本发明实施例提供的一种车辆检测的方法的第二实施例流程示意图；

图3a是本发明实施例提供的一种检测装置的第一实施例结构示意图；

图3b是本发明实施例提供的一种检测装置的的第一实施例又一结构示意图；

图3c是本发明实施例提供的一种检测装置的的第一实施例又一结构示意图；

图4是本发明实施例提供的一种检测装置的第二实施例结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

以下分别进行详细说明。

本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明实施例所描述车辆检测的检测装置可以包括视频矩阵、监控设备等等，上述装置仅是举例，而非穷举，包含但不限于上述检测装置。

请参阅图1，为本发明实施例提供的一种目标检测的方法的第一实施例流程示意图。本实施例中所描述的目标检测的方法，包括以下步骤：

S101、获取包含车辆的待检测图像。

具体实现中，待检测图像可为一张单独图像，或者，待检测图像可为视频的一帧或者多帧图像，其中，待检测图像中可包含一个或者多个车辆。可选地，根据不同的分类方式，可将车辆分为不同的类。该车辆可包括但不仅限于：小型车、微车型、紧凑车型、中等车型、高级车型、豪华车型、三厢车型、CDV车型、MPV车型、SUV等等。该车辆还可为：奥迪Q7，宝马X3、奥迪A8、奥迪A4、奥迪A4L等等。又例如，比如东风类的小汽车就有25类：如东风小康-K07-2006、东风小康-K17-2009、东风小康-V07S-2011、东风小康-V29-2012、东风小康-风光-2014、东风风度-奥丁-2007、东风风度-帅客-2010、东风风度-御轩-2007、东风风度-御轩-2009、东风风度-锐骐皮卡-2007、东风风度-锐骐皮卡-2013、东风风神-A60-2012等等。

S102、确定所述待检测图像中的M个检测窗口，所述M为大于1的整数。

具体实现中，检测装置可采用预设的级联检测器对待检测图像进行检测以得到该待检测图像的M个检测窗口。

例如，可使用一个级联检测器对训练数据集进行检测来得到检测窗口，该训练数据集为图像库中的图像，通过设置某一个阈值确保一个较高的车辆检测准确率。优选地，级联检测器可如下：

$f^N=\underset{i=1}{\overset{N}{\Σ}}{C}^i\left(x\right)$

其中，Cⁱ代表的是第i个弱分类器。x代表的是特征向量(如HOG特征)，f代表分类得分。Cⁱ可根据自身的分类方法对x输出一个分类结果，比如是一辆车或者不是一辆车，而f都会输出对应的一个阈值，在任意一个f小于对应的阈值的情况，特征向量对应的样本便会被拒绝。进一步地，通常不是一辆车的窗口在经过前几个弱分类器的判断后就会被拒绝，根本不用做后面的判断，因而，速度很快。

S103、对所述M个检测窗口所在区域内的图像进行特征点标记得到N个特征点，其中，所述M和所述N均为大于1的整数。

具体实现中，检测装置可采用meanshape对M个检测窗口进行初始化。例如，检测装置对级联检测器检测出的窗口初始化1个shape，这个shape是一组标记的特征点，比如车窗角、车身角、车门边、车灯等等27个点。

S103、对所述N个特征点进行对齐处理。

具体实现中，检测装置可对N个特征点进行对齐处理。可选地，检测装置可采用预先训练的特征匹配函数对N个特征点进行特征提取，以得到N个局部二进制特征；然后，采用预先训练的全局线性回归模型对该N个局部二进制特征进行全局线性回归处理。

举例说明下，首先，利用特征匹配函数φ^t对N个特征点提取局部二进制特征。特征匹配函数由一组局部特征匹配函数组成，如下公式：

φ^t＝[φ^t ₁,φ^t ₂,...,φ^t _L]

模型训练中，学习φ^t _l的回归目标是标定好的真实的shape增量其中，l为大于或等于L的整数，按照如下公式对φ^t _l进行学习：

其中，i遍历所有的训练样本，π_l从向量抽取两个元素(2l-1,2l)，是标定好的第i个训练样本中第l个基准点的2维偏移量。

然后，学习全局线性回归w^t通过局部随机森林在学习完特征匹配函数后，我们不仅获得了二进制特征φ^t _l，也得到了局部回归输出w^t _l。然而，本方法丢弃这些学到的局部输出w^t _l，而是连接这些二进制特征为一个全局特征映射函数φ^t，同时通过最小化下面的目标函数学习一个全局线性映射w^t：

其中，是回归目标，是关于对w^t的正则项，λ为控制因子，用于控制正则项的强度。因为在特征维度较高的情况下，正则化是必要的。由于上述制特征是高度稀疏的，可使用双坐标下降法来处理这样的大规模的稀疏线性***。

S104、以所述对齐处理后的N个特征点中的每个特征点为中心进行特征提取。

具体实现中，检测装置可对对齐处理后的N个特征点中的特征点i为中心进行特征提取，其中，特征点i为N个特征点中的一个。例如，检测装置可对对齐处理后的N个特征点中的任一特征点进行尺度不变特征变换(英文：Scale-invariantfeaturetransform，缩写：SIFT)，从而可得到多个SIFT特征。

S105、将所述提取出的特征组成P个特征向量，其中，所述P为大于1的整数。

具体实现中，检测装置可将得到的特征组成P个特征向量，该P为大于1的整数。

S106、将所述P个特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口，其中，所述K为大于或等于1且小于所述M的整数。

S107、将所述M个检测窗口中除所述K个检测窗口之外的M-K个检测窗口对应的区域作为目标区域。

具体实现中，将M个检测窗口中排除了K个检测窗口之后，剩下的M-K个检测窗口更接近车辆的位置，可根据剩余的M-K更为精确地确定车辆的位置，可根据检测到的车辆进一步识别该车辆的型号。

通过本发明实施例获取包含车辆的待检测图像；确定所述待检测图像中的M个检测窗口，所述M为大于1的整数；对所述M个检测窗口所在区域内的图像进行特征点标记得到N个特征点，其中，所述M和所述N均为大于1的整数；对所述N个特征点进行对齐处理；以所述对齐处理后的N个特征点中的每个特征点为中心进行特征提取；将所述提取出的特征组成P个特征向量，其中，所述P为大于1的整数；将所述P个特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口，其中，所述K为大于或等于1且小于所述M的整数；将所述M个检测窗口中除所述K个检测窗口之外的M-K个检测窗口对应的区域作为目标区域。实施本发明实施例的过程中，可减少错误窗口的个数，从而，提升了车辆检测的准确率。

请参阅图2，为本发明实施例提供的一种车辆检测方法的第二实施例流程示意图。本实施例中所描述的车辆检测方法，包括以下步骤：

S201、获取包含车辆的待检测图像。

具体实现中，待检测图像可为一张单独图像，或者，待检测图像可为视频的一帧或者多帧图像，其中，待检测图像中可包含一个或者多个车辆。可选地，根据不同的分类方式，可将车辆分为不同的类。该车辆可包括但不仅限于：小型车、微车型、紧凑车型、中等车型、高级车型、豪华车型、三厢车型、CDV车型、MPV车型、SUV等等。该车辆还可为：奥迪Q7，宝马X3、奥迪A8、奥迪A4、奥迪A4L等等。又例如，比如东风类的小汽车就有25类：如东风小康-K07-2006、东风小康-K17-2009、东风小康-V07S-2011、东风小康-V29-2012、东风小康-风光-2014、东风风度-奥丁-2007、东风风度-帅客-2010、东风风度-御轩-2007、东风风度-御轩-2009、东风风度-锐骐皮卡-2007、东风风度-锐骐皮卡-2013、东风风神-A60-2012等等。

S202、确定所述待检测图像中的M个检测窗口，所述M为大于1的整数。

具体实现中，采用预设的级联检测器对待检测图像进行检测以得到该待检测图像的M个检测窗口。

例如，可使用一个级联检测器对训练数据集进行检测来得到检测窗口，通过设置某一个阈值确保一个较高的车辆检测准确率。优选地，级联检测器可如下：

$f^N=\underset{i=1}{\overset{N}{\Σ}}{C}^i\left(x\right)$

其中，Cⁱ代表的是第i个弱分类器。x代表的是特征向量(如HOG特征)，f代表分类得分。Cⁱ可根据自身的分类方法对x输出一个分类结果，比如是一辆车或者不是一辆车，而f都会输出对应的一个阈值，在任意一个f小于对应的阈值的情况，特征向量对应的样本便会被拒绝。进一步地，通常不是一辆车的窗口在经过前几个弱分类器的判断后就会被拒绝，根本不用做后面的判断，因而，速度很快。

S203、对所述M个检测窗口所在区域内的图像进行特征点标记得到N个特征点，其中，所述M和所述N均为大于1的整数。

具体实现中，检测装置可采用meanshape对M个检测窗口进行初始化。例如，检测装置对级联检测器检测出的窗口初始化1个shape，这个shape是一组标记的特征点，比如车窗角、车身角、车门边、车灯等等27个点。

S204、对所述N个特征点进行对齐处理。

具体实现中，检测装置可对N个特征点进行对齐处理。可选地，检测装置可采用预先训练的特征匹配函数N个特征点进行特征提取，以得到N个局部二进制特征；然后，采用预先训练的全局线性回归模型对该N个局部二进制特征进行全局线性回归处理。

S205、以所述对齐处理后的N个特征点中的每个特征点为中心进行特征提取。

具体实现中，检测装置可对对齐处理后的N个特征点中的特征点i为中心进行特征提取，其中，特征点i为N个特征点中的一个。例如，检测装置可对对齐处理后的N个特征点中的任一特征点进行尺度不变特征变换，从而可得到多个SIFT特征。

S206、将所述提取出的特征组成P个特征向量，其中，所述P为大于1的整数。

S207、对所述P个特征点进行尺度不变特征变换SIFT，以得到P个SIFT特征点。

具体实现中，检测装置可对对齐P个特征点中进行尺度不变特征变换，从而可得到P个SIFT特征。

S208、将所述P个SIFT特征点组成目标特征向量。

S209、采用预设分类器对所述目标特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口，其中，所述K为大于或等于1且小于所述M的整数。

具体实现中，预设分类器可为多个分类器进行级联的级联分类器，可选地，预设分类器可为方向梯度直方图、支持向量机组成的级联分类器和预设分类器可为卷积神经网络。优选地，预设分类器可为SVM后分类器。检测装置可采用预设分类器对P个目标特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口，其中，K为大于或等于1且小于M的整数。

S210、将所述M个检测窗口中除所述K个检测窗口之外的M-K个检测窗口对应的区域作为目标区域。

具体实现中，将M个检测窗口中排除了K个检测窗口之后，剩下的M-K个检测窗口更接近车辆的位置，可根据剩余的M-K更为精确地确定车辆的位置，可根据检测到的车辆进一步识别该车辆的型号。

通过本发明实施例获取包含车辆的待检测图像；确定所述待检测图像中的M个检测窗口，所述M为大于1的整数；对所述M个检测窗口所在区域内的图像进行特征点标记得到N个特征点，其中，所述M和所述N均为大于1的整数；对所述N个特征点进行对齐处理；以所述对齐处理后的N个特征点中的每个特征点为中心进行特征提取；将所述提取出的特征组成P个特征向量，其中，所述P为大于1的整数；对所述P个特征点进行尺度不变特征变换SIFT，以得到P个SIFT特征点；将所述P个SIFT特征点组成目标特征向量；采用预设分类器对所述目标特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口，其中，所述K为大于或等于1且小于所述M的整数；将所述M个检测窗口中除所述K个检测窗口之外的M-K个检测窗口对应的区域作为目标区域。实施本发明实施例的过程中，可减少错误窗口的个数，从而，提升了车辆检测的准确率。

请参阅图3，为本发明实施例提供的一种检测装置的第一实施例结构示意图。本实施例中所描述的检测装置，包括：获取单元301、第一确定单元302、标记单元303、对齐单元304、第一提取单元305、第一组成单元306、分类单元307和第二确定单元308，具体如下：

获取单元301，用于获取包含车辆的待检测图像。

第一确定单元302，用于确定所述获取单元301获取到的待检测图像中的M个检测窗口，所述M为大于1的整数。

作为一种可能的实施方式，第一确定单元302具体用于：

采用预设的级联检测器对所述待检测图像进行检测以得到所述待检测图像的M个检测窗口。

标记单元303，用于对所述第一确定单元302确定的M个检测窗口所在区域内的图像进行特征点标记得到N个特征点，其中，所述M和所述N均为大于1的整数。

作为一种可能的实施方式，标记单元303具体用于：

对所述M个检测窗口进行meanshape特征点标记，以得到N个特征点。

对齐单元304，用于对所述标记单元303标记的N个特征点进行对齐处理。

第一提取单元305，用于以所述对齐单元304对齐处理后的N个特征点中的每个特征点为中心进行特征提取。

第一组成单元306，用于将所述第一提取单元305提取出的特征组成P个特征向量，其中，所述P为大于1的整数。

分类单元307，用于将所述第一组成单元306组成的P个特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口，其中，所述K为大于或等于1且小于所述M的整数。

第二确定单元308，用于将所述M个检测窗口中除所述分类单元307排除的K个检测窗口之外的M-K个检测窗口对应的区域作为目标区域。

作为一种可能的实施方式，如图3b所示，图3a中所描述的检测装置的对齐单元304可包括：第二提取单元3041和处理单元3042，具体如下：

第二提取单元3041，用于采用预先训练的特征匹配函数对所述标记单元303标记的N个特征点进行特征提取，以得到N个局部二进制特征。

处理单元3042，用于采用预先训练的全局线性回归模型对所述第二提取单元3041提取的N个局部二进制特征进行全局线性回归处理。

作为一种可能的实施方式，如图3c所示，图3a中所描述的检测装置的分类单元307包括：

变换单元3071，用于对所述第一组成单元306组成的P个特征点进行尺度不变特征变换SIFT，以得到P个SIFT特征点。

第二组成单元3072，用于将所述变换单元3071变换得到的P个SIFT特征点组成目标特征向量。

分类子单元3073，用于采用预设分类器对所述第二组成单元3072组成的目标特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口。

通过本发明实施例所描述的检测装置可获取包含车辆的待检测图像；确定所述待检测图像中的M个检测窗口，所述M为大于1的整数；对所述M个检测窗口所在区域内的图像进行特征点标记得到N个特征点，其中，所述M和所述N均为大于1的整数；对所述N个特征点进行对齐处理；以所述对齐处理后的N个特征点中的每个特征点为中心进行特征提取；将所述提取出的特征组成P个特征向量，其中，所述P为大于1的整数；将所述P个特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口，其中，所述K为大于或等于1且小于所述M的整数；将所述M个检测窗口中除所述K个检测窗口之外的M-K个检测窗口对应的区域作为目标区域。实施本发明实施例的过程中，可减少错误窗口的个数，从而，提升了车辆检测的准确率。

请参阅图4，为本发明实施例提供的一种检测装置的第二实施例结构示意图。本实施例中所描述的检测装置，包括：至少一个输入设备1000；至少一个输出设备2000；至少一个处理器3000，例如CPU；和存储器4000，上述输入设备1000、输出设备2000、处理器3000和存储器4000通过总线5000连接。

其中，上述输入设备1000具体可为物理按键、触摸屏或者触控面板。

上述输出设备2000具体可为显示屏。

上述存储器4000可以是高速RAM存储器，也可为非不稳定的存储器(non-volatilememory)，例如磁盘存储器。上述存储器4000用于存储一组程序代码，上述输入设备1000、输出设备2000和处理器3000用于调用存储器4000中存储的程序代码，执行如下操作：

上述处理器3000，用于：

获取包含车辆的待检测图像；

确定所述待检测图像中的M个检测窗口，所述M为大于1的整数；

对所述M个检测窗口所在区域内的图像进行特征点标记得到N个特征点，其中，所述M和所述N均为大于1的整数；

对所述N个特征点进行对齐处理；

以所述对齐处理后的N个特征点中的每个特征点为中心进行特征提取；

将所述提取出的特征组成P个特征向量，其中，所述P为大于1的整数；

将所述P个特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口，其中，所述K为大于或等于1且小于所述M的整数；

将所述M个检测窗口中除所述K个检测窗口之外的M-K个检测窗口对应的区域作为目标区域。

作为一种可能的实施方式，上述处理器3000确定所述待检测图像中的M个检测窗口包括：

采用预设的级联检测器对所述待检测图像进行检测以得到所述待检测图像的M个检测窗口。

作为一种可能的实施方式，上述处理器3000对所述M个检测窗口所在区域内的图像进行特征点标记得到N个特征点包括：

对所述M个检测窗口进行meanshape特征点标记，以得到N个特征点。

作为一种可能的实施方式，上述处理器3000对所述N个特征点进行对齐处理包括：

采用预先训练的特征匹配函数对所述N个特征点进行特征提取，以得到N个局部二进制特征；

采用预先训练的全局线性回归模型对所述N个局部二进制特征进行全局线性回归处理。

作为一种可能的实施方式，上述处理器3000将所述P个特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口包括：

对所述P个特征点进行尺度不变特征变换SIFT，以得到P个SIFT特征点；

将所述P个SIFT特征点组成目标特征向量；

采用预设分类器对所述目标特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口。

具体实现中，本发明实施例中所描述的输入设备1000、输出设备2000和处理器3000可执行本发明实施例提供的一种车辆检测方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例提供的一种终端的第一实施例中所描述的终端的实现方式，在此不再赘述。

通过本发明实施例所描述的检测装置可获取包含车辆的待检测图像；确定所述待检测图像中的M个检测窗口，所述M为大于1的整数；对所述M个检测窗口所在区域内的图像进行特征点标记得到N个特征点，其中，所述M和所述N均为大于1的整数；对所述N个特征点进行对齐处理；以所述对齐处理后的N个特征点中的每个特征点为中心进行特征提取；将所述提取出的特征组成P个特征向量，其中，所述P为大于1的整数；将所述P个特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口，其中，所述K为大于或等于1且小于所述M的整数；将所述M个检测窗口中除所述K个检测窗口之外的M-K个检测窗口对应的区域作为目标区域。实施本发明实施例的过程中，可减少错误窗口的个数，从而，提升了车辆检测的准确率。

本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任意一种信号处理方法的部分或全部步骤。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可能可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可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，例如上述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个***，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，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

上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单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明各个实施例上述方法的全部或部分步骤。其中，而前述的存储介质可包括：U盘、移动硬盘、磁碟、光盘、只读存储器(英文：Read-OnlyMemory，缩写：ROM)或者随机存取存储器(英文：RandomAccessMemory，缩写：RAM)等各种可以存储程序代码的介质。

以上所述，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 (10)

1.一种车辆检测方法，其特征在于，包括：

获取包含车辆的待检测图像；

确定所述待检测图像中的M个检测窗口，所述M为大于1的整数；

对所述M个检测窗口所在区域内的图像进行特征点标记得到N个特征点，其中，所述M和所述N均为大于1的整数；

对所述N个特征点进行对齐处理；

以所述对齐处理后的N个特征点中的每个特征点为中心进行特征提取；

将所述提取出的特征组成P个特征向量，其中，所述P为大于1的整数；

将所述P个特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口，其中，所述K为大于或等于1且小于所述M的整数；

将所述M个检测窗口中除所述K个检测窗口之外的M-K个检测窗口对应的区域作为目标区域。

2.如权利要求1所述的方法，其特征在于，所述确定所述待检测图像中的M个检测窗口包括：

采用预设的级联检测器对所述待检测图像进行检测以得到所述待检测图像的M个检测窗口。

3.如权利要求1所述的方法，其特征在于，所述对所述M个检测窗口所在区域内的图像进行特征点标记得到N个特征点包括：

对所述M个检测窗口进行meanshape特征点标记，以得到N个特征点。

4.如权利要求1所述的方法，其特征在于，所述对所述N个特征点进行对齐处理包括：

采用预先训练的特征匹配函数对所述N个特征点进行特征提取，以得到N个局部二进制特征；

采用预先训练的全局线性回归模型对所述N个局部二进制特征进行全局线性回归处理。

5.如权利要求1所述的方法，其特征在于，所述将所述P个特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口包括：

对所述P个特征点进行尺度不变特征变换SIFT，以得到P个SIFT特征点；

将所述P个SIFT特征点组成目标特征向量；

采用预设分类器对所述目标特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口。

6.一种检测装置，其特征在于，包括：

获取单元，用于获取包含车辆的待检测图像；

第一确定单元，用于确定所述获取单元获取到的待检测图像中的M个检测窗口，所述M为大于1的整数；

标记单元，用于对所述第一确定单元确定的M个检测窗口所在区域内的图像进行特征点标记得到N个特征点，其中，所述M和所述N均为大于1的整数；

对齐单元，用于对所述标记单元标记的N个特征点进行对齐处理；

第一提取单元，用于以所述对齐单元对齐处理后的N个特征点中的每个特征点为中心进行特征提取；

第一组成单元，用于将所述第一提取单元提取出的特征组成P个特征向量，其中，所述P为大于1的整数；

分类单元，用于将所述第一组成单元组成的P个特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口，其中，所述K为大于或等于1且小于所述M的整数；

第二确定单元，用于将所述M个检测窗口中除所述分类单元排除的K个检测窗口之外的M-K个检测窗口对应的区域作为目标区域。

7.如权利要求6所述的检测装置，其特征在于，所述第一确定单元具体用于：

采用预设的级联检测器对所述待检测图像进行检测以得到所述待检测图像的M个检测窗口。

8.如权利要求6所述的检测装置，其特征在于，所述标记单元具体用于：

对所述M个检测窗口进行meanshape特征点标记，以得到N个特征点。

9.如权利要求6所述的检测装置，其特征在于，所述对齐单元包括：

第二提取单元，用于采用预先训练的特征匹配函数对所述标记单元标记的N个特征点进行特征提取，以得到N个局部二进制特征；

处理单元，用于采用预先训练的全局线性回归模型对所述第二提取单元提取的N个局部二进制特征进行全局线性回归处理。

10.如权利要求6所述的检测装置，其特征在于，所述分类单元包括：

变换单元，用于对所述第一组成单元组成的P个特征点进行尺度不变特征变换SIFT，以得到P个SIFT特征点；

第二组成单元，用于将所述变换单元变换得到的P个SIFT特征点组成目标特征向量；

分类子单元，用于采用预设分类器对所述第二组成单元组成的目标特征向量进行分类处理以排除所述M个检测窗口中的K个检测窗口。