CN109509345A - 车辆检测装置和方法 - Google Patents
车辆检测装置和方法 Download PDFInfo
- Publication number
- CN109509345A CN109509345A CN201710833413.1A CN201710833413A CN109509345A CN 109509345 A CN109509345 A CN 109509345A CN 201710833413 A CN201710833413 A CN 201710833413A CN 109509345 A CN109509345 A CN 109509345A
- Authority
- CN
- China
- Prior art keywords
- described image
- sliding window
- scene
- detection apparatus
- width
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种车辆检测装置和方法。所述车辆检测方法包括:确定包含检测对象的图像是属于复杂场景还是正常场景;根据所述图像是属于复杂场景还是正常场景,对所述图像的全部区域或者部分区域进行基于滑动窗的对象检测。由此,不仅可以保证对象检测的准确性而防止漏检,而且可以极大地降低对象检测的计算量,从而满***通监控领域的实时性检测的需求。
Description
技术领域
本发明实施例涉及智能交通(Intelligent Traffic)监控技术领域,尤其涉及一种车辆检测装置和方法。
背景技术
目前在交通监控领域,数字摄像头已经被广泛应用于城市道路。随着人工智能(AI,Artificial Intelligence)技术的发展,从交通监控摄像头获取的视频帧图像能够被导入智能交通***(ITS,Intelligence Transportation System),通过智能算法可以自动分析道路的交通状况。
智能交通视频监控有多种应用,例如交通状况分析、交通流量测量、自动事故检测等等。在这些应用中,对象(object,或者也可以称为目标)检测是非常重要的一个方面。通过对象检测,可以检测出感兴趣的对象。例如在十字路口的车辆检测中,可以对视频中出现的车辆进行实时的对象检测,从而分析出实时的交通状况。
对象检测方法可以抽取出图像特征,例如方向梯度直方图(HOG,Histogram ofOriented Gradient)或者Haar特征,并且可以通过分类算法对抽取出的特征进行分类;这些分类算法例如包括支持向量机(SVM,Support Vector Machines)或者AdaBoost等。此外,滑动窗(sliding-window)搜索也可以被用于对象的定位。
应该注意,上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明,并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
但是,发明人发现:目前的对象检测方案需要的计算量仍然非常大,导致对象检测的速度较慢,不能满足智能交通监控领域的实时性检测的需求。如何降低对象检测的计算量,仍然是目前需要解决的技术难题。
本发明实施例提供了一种车辆检测装置和方法。期待降低对象检测的计算量并加快对象检测的速度。
根据本实施例的第一方面,提供了一种车辆检测装置,包括:
场景确定单元,其确定包含检测对象的图像是属于复杂场景还是正常场景;
对象检测单元,其根据所述图像是属于复杂场景还是正常场景,对所述图像的全部区域或者部分区域进行基于滑动窗的对象检测。
根据本实施例的第二方面,提供了一种车辆检测方法,包括:
确定包含检测对象的图像是属于复杂场景还是正常场景;
根据所述图像是属于复杂场景还是正常场景,对所述图像的全部区域或者部分区域进行基于滑动窗的对象检测。
根据本实施例的第三方面,提供了一种电子设备,所述电子设备包括如第一方面所述的车辆检测装置。
本发明实施例的有益效果在于:在图像属于复杂场景的情况下,对所述图像的全部区域进行基于滑动窗的对象检测;在图像属于正常场景的情况下,对所述图像的部分区域进行基于滑动窗的对象检测。由此,不仅可以保证对象检测的准确性而防止漏检,而且可以极大地降低对象检测的计算量,从而满***通监控领域的实时性检测的需求。
参照后文的说明和附图,详细公开了本发明实施例的特定实施方式,指明了本发明实施例的原理可以被采用的方式。应该理解,本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内,本发明的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在,但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解,其构成了说明书的一部分,用于例示本发明的实施方式,并与文字描述一起来阐释本发明的原理。显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明实施例的车辆检测方法的一示意图;
图2是本发明实施例的图像的一示例图;
图3是将图2的图像进行二值化处理后的示例图;
图4是本发明实施例的图像的另一示例图;
图5是将图4的图像进行二值化处理后的示例图;
图6是本发明实施例的车辆检测方法的另一示意图;
图7是本发明实施例的确定为正常场景的图像的一示例图;
图8是对图7进行前景检测后的示例图;
图9是本发明实施例的由于几何角度的不同导致检测对象的大小不同的示例图;
图10是本发明实施例的车辆检测装置的一示意图;
图11是本发明实施例的电子设备的一示意图。
具体实施方式
参照附图,通过下面的说明书,本发明实施例的前述以及其它特征将变得明显。在说明书和附图中,具体公开了本发明的特定实施方式,其表明了其中可以采用本发明实施例的原则的部分实施方式,应了解的是,本发明不限于所描述的实施方式,相反,本发明实施例包括落入所附权利要求的范围内的全部修改、变型以及等同物。下面结合附图对本发明的各种实施方式进行说明。这些实施方式只是示例性的,不是对本发明的限制。
在本发明实施例中,术语“第一”、“第二”等用于对不同元素从称谓上进行区分,但并不表示这些元素的空间排列或时间顺序等,这些元素不应被这些术语所限制。术语“和/或”包括相关联列出的术语的一种或多个中的任何一个和所有组合。术语“包含”、“包括”、“具有”等是指所陈述的特征、元素、元件或组件的存在,但并不排除存在或添加一个或多个其他特征、元素、元件或组件。
在本发明实施例中,单数形式“一”、“该”等可以包括复数形式,应广义地理解为“一种”或“一类”而并不是限定为“一个”的含义;此外术语“所述”应理解为既包括单数形式也包括复数形式,除非上下文另外明确指出。此外术语“根据”应理解为“至少部分根据……”,术语“基于”应理解为“至少部分基于……”,除非上下文另外明确指出。
实施例1
本发明实施例提供一种车辆检测方法。图1是本发明实施例的车辆检测方法的一示意图,如图1所示,所述车辆检测方法包括:
步骤101,确定包含检测对象的图像是属于复杂场景还是正常场景;
步骤102,根据所述图像是属于复杂场景还是正常场景,对所述图像的全部区域或者部分区域进行基于滑动窗的对象检测。
在本实施例中,可以通过摄像头获得包括多个帧图像的视频信息。该摄像头可以是用于进行交通图像监控的摄像头,不间断地对监控区域进行拍摄;但本发明不限于此,还可以是其他的图像监控场景。
在本实施例中,可以通过所述图像中像素的RGB值、灰度值、连通域(CC,ConnectedComponent)、前景(foreground)中的一种或多种指标,确定所述图像是否属于包括拥堵(congestion)、灯光闪烁(flickering)、昏暗(darkness)中的一种或多种场景的复杂场景。例如,在上述指标中的一种或多种超过预设阈值的情况下,可以确定所述图像属于复杂场景,否则属于正常场景。
图2是本发明实施例的图像的一示例图,图3是将图2的图像进行二值化处理后的示例图。如图2和3所示,例如可以通过图3的前景像素的计数来确定图2为拥堵场景,即属于复杂场景。
图4是本发明实施例的图像的另一示例图,图5是将图4的图像进行二值化处理后的示例图。如图4和5所示,例如可以通过图5的前景连通域的形态特征来确定图4为昏暗场景,即属于复杂场景。
值得注意的是,图2至图5仅示例性示出了如何进行复杂场景和正常场景的确定,但本发明不限于此,例如还可以直接根据图2或图4的RGB值确定是否属于复杂场景。此外,上述指标和/或场景也不限于此,还可以根据实际需要确定具体的指标和/或场景。
由此,在图像属于复杂场景的情况下,可以对所述图像的全部区域进行基于滑动窗的对象检测;可以保证对象检测的准确性而防止漏检。在图像属于正常场景的情况下,仅对所述图像的部分区域进行基于滑动窗的对象检测;可以极大地降低对象检测的计算量,从而满***通监控领域的实时性检测的需求。
在本实施例中,在所述图像属于正常场景的情况下,可以对所述图像进行前景检测以获得前景区域;并且对所述前景区域进行基于滑动窗的对象检测。
图6是本发明实施例的车辆检测方法的另一示意图,如图6所示,所述车辆检测方法包括:
步骤601,输入包含检测对象的图像并进行场景检测;
步骤602,确定所述图像是否属于复杂场景;在属于复杂场景的情况下执行步骤603,在不属于复杂场景(即属于正常场景)的情况下执行步骤604。
步骤603,对所述图像的全部区域进行基于滑动窗的对象检测。
步骤604,对所述图像进行前景检测以获得前景区域;
步骤605,对所述前景区域进行基于滑动窗的对象检测。
步骤606,将检测到的多个候选对象进行后处理并输出检测到的对象信息。
在本实施例中,可以对正常场景的图像进行前景检测,获得前景区域并仅对该前景区域进行对象检测。一般情况下,前景检测的计算量远远小于对象检测的计算量,而正常场景下的图像一般较多并且前景区域仅为图像的部分区域,因此可以极大地降低对象检测的计算量。
关于前景检测的具体方案,例如可以使用帧差别法(Frame differencing),均值过滤法(Mean filter)以及背景混合模型法(Background Mixture Model),等等。但本发明不限于此,可以使用现有技术中的任意相关方法。
图7是本发明实施例的确定为正常场景的图像的一示例图,图8是对图7进行前景检测后的一示例图。如图8所示,对所述图像进行前景检测后,可以获得前景区域801。
值得注意的是,以上图6仅对本发明实施例进行了示意性说明,但本发明实施例不限于此。例如可以适当地调整各个步骤之间的执行顺序,此外还可以增加其他的一些步骤,或者减少其中的某些步骤。本领域的技术人员可以根据上述内容进行适当地变型,而不仅限于上述附图6的记载。
以下对于本发明实施例的滑动窗进行说明,关于对象检测的具体内容,可以参考相关技术。通过对滑动窗的大小进行调整,可以进一步降低对象检测的计算量。
在本实施例中,可以根据所述检测对象相对于拍摄所述图像的摄像头的几何视角的不同,而改变所述滑动窗的大小。例如,可以根据所述图像中预先设定的感兴趣区域(ROI,Region of Interest)中的车道宽度与所述检测对象的宽度之比不变的前提条件,限定所述滑动窗的宽度大小。
图9是本发明实施例的由于几何角度的不同导致检测对象的大小不同的示例图,如图9所示,由于摄像头的透视效应,离摄像头较近的车辆的宽度(以下用表示)大于离摄像头较远的车辆的宽度(以下用表示);离摄像头较近的ROI区域中的车道宽度(以下用表示)大于离摄像头较远的ROI区域中的车道宽度(以下用表示)。
但是,实际上道路的车道宽度应该是大致相等的,并且无论距离摄像头多远,车辆的实际宽度(以下用表示)与车道的实际宽度(以下用表示)应该是大致不变的。
假定离摄像头较近的放大率是mnear,离摄像头较远的放大率是mfar,则可以有如下的公式:
因此,车辆宽度和车道宽度的关系可以表示如下:
其中,和表示在无论距离摄像头多远的情况下的车辆宽度和车道宽度;r表示车辆的实际宽度和车道的实际宽度的比值。该比值r可以根据经验值确定在一定的范围内,即可以有如下的限制条件:r∈[rmin,rmax];其中rmax和rmin可以根据经验值预先确定。
在步骤603或者步骤605中,在进行所述对象检测时,可以对所述图像逐行地或隔行地进行检测,并且将所述滑动窗调整为在不同的行上宽度不同。例如,所述滑动窗的宽度与所述图像的列坐标的值之间呈线性关系或者近似线性关系。
例如,所述滑动窗的宽度可以满足如下条件:
Swindow∈[rmin·widthy lane,rmax·widthy lane];
widthy lane=ky+b;
其中,Swindow为所述滑动窗的宽度;rmin和rmax分别为所述车道宽度与所述检测对象的宽度之比的最小值和最大值;y为所述图像的列坐标,k和b为预设值。
在步骤603中,可以采用如下表1所述的方法进行基于滑动窗的对象检测。其中,height表示所述图像的高度。
表1
由此,在图像属于复杂场景的情况下,可以对所述图像的全部区域进行基于滑动窗的对象检测;可以保证对象检测的准确性而防止漏检。
在步骤605中,可以采用如下表2所述的方法进行基于滑动窗的对象检测。其中,ymin i和ymax i*表示所述前景区域的列坐标的最小值和最大值,xmin i和xmax i*表示所述前景区域的行坐标的最小值和最大值。
表2
由此,在图像属于正常场景的情况下,仅对所述图像的前景区域进行基于滑动窗的对象检测;可以极大地降低对象检测的计算量,从而满***通监控领域的实时性检测的需求。
值得注意的是,以上表1和表2仅示例性说明了本发明实施例中如何调整滑动窗的大小,但本发明不限于此。关于调整滑动窗的内容,还可以根据实际场景而具体确定,本发明并不对此进行限制。
在步骤606中,还可以对检测出的多个候选对象进行后处理,例如去掉无效的候选对象,合并重复的候选对象等等;由此可以获得比较准确的对象位置和/或大小等信息。
由上述实施例可知,在图像属于复杂场景的情况下,对所述图像的全部区域进行基于滑动窗的对象检测;在图像属于正常场景的情况下,对所述图像的部分区域进行基于滑动窗的对象检测。由此,不仅可以保证对象检测的准确性而防止漏检,而且可以极大地降低对象检测的计算量,从而满***通监控领域的实时性检测的需求。
实施例2
本发明实施例提供一种车辆检测装置,该车辆检测装置可以配置在电子设备中,也可以是该电子设备的某个或某些部件或组件。本发明实施例对应于实施例1的车辆检测方法,相同的内容不再赘述。
图10是本发明实施例的车辆检测装置的一示意图,如图10所示,车辆检测装置1000包括:
场景确定单元1001,其确定包含检测对象的图像是属于复杂场景还是正常场景;
对象检测单元1002,根据所述图像是属于复杂场景还是正常场景,对所述图像的全部区域或者部分区域进行基于滑动窗的对象检测。
在一个实施方式中,所述对象检测单元1002在所述图像属于复杂场景的情况下,对所述图像的全部区域进行基于滑动窗的对象检测。
在另一个实施方式中,如图10所示,车辆检测装置1000还可以包括:
前景检测单元1003,其在所述图像属于正常场景的情况下,对所述图像进行前景检测以获得前景区域;
并且所述对象检测单元1002还用于对所述前景区域进行基于滑动窗的对象检测。
在本实施例中,所述场景确定单元1001可以通过所述图像中像素的RGB值、灰度值、连通域、前景中的一种或多种,确定所述图像是否属于包括拥堵、灯光闪烁、昏暗中的一种或多种场景的复杂场景。
如图10所示,车辆检测装置1000还可以包括:
滑动窗调整单元1004,其根据所述检测对象相对于拍摄所述图像的摄像头的几何视角的不同而改变所述滑动窗的大小。
例如,所述滑动窗调整单元1004可以根据所述图像中预先设定的感兴趣区域中的车道宽度与所述检测对象的宽度之比不变的前提条件,限定所述滑动窗的宽度大小。
在本实施例中,所述对象检测单元1002在进行所述对象检测时,可以对所述图像逐行地或隔行地进行检测,并且所述滑动窗调整单元1004可以在不同的行上将所述滑动窗调整为宽度不同。其中,所述滑动窗的宽度与所述图像的列坐标的值之间可以呈线性关系或者近似线性关系。
例如,所述滑动窗的宽度满足如下条件:
Swindow∈[rmin·widthy lane,rmax·widthy lane];
widthy lane=ky+b;
其中,Swindow为所述滑动窗的宽度;rmin和rmax分别为所述车道宽度与所述检测对象的宽度之比的最小值和最大值;y为所述图像的列坐标,k和b为预设值。
值得注意的是,以上仅对与本发明实施例相关的各部件或模块进行了说明,但本发明实施例不限于此。对于车辆检测装置的其他部件或模块,例如摄像头或者图像处理模块等,还可以参考相关技术。
由上述实施例可知,在图像属于复杂场景的情况下,对所述图像的全部区域进行基于滑动窗的对象检测;在图像属于正常场景的情况下,对所述图像的部分区域进行基于滑动窗的对象检测。由此,不仅可以保证对象检测的准确性而防止漏检,而且可以极大地降低对象检测的计算量,从而满***通监控领域的实时性检测的需求。
实施例3
本发明实施例还提供一种电子设备,包括有如实施例2所述的车辆检测装置,其内容被合并于此。该电子设备例如可以是计算机、服务器、工作站、膝上型计算机、智能手机,等等;但本发明实施例不限于此。
图11是本发明实施例的电子设备的一示意图。如图11所示,电子设备1100可以包括:处理器(例如中央处理器CPU)1110和存储器1120;存储器1120耦合到中央处理器1110。其中该存储器1120可存储各种数据;此外还存储信息处理的程序1121,并且在处理器1110的控制下执行该程序1121。
在一个实施方式中,车辆检测装置1000的功能可以被集成到处理器1110中。其中,处理器1110可以被配置为实现如实施例1所述的车辆检测方法。
在另一个实施方式中,车辆检测装置1000可以与处理器1110分开配置,例如可以将车辆检测装置1000配置为与处理器1110连接的芯片,通过处理器1110的控制来实现车辆检测装置1000的功能。
例如,处理器1110可以被配置为进行如下的控制:确定包含检测对象的图像是属于复杂场景还是正常场景;根据所述图像是属于复杂场景还是正常场景,对所述图像的全部区域或者部分区域进行基于滑动窗的对象检测。
在一个实施方式中,处理器1110还可以被配置为进行如下的控制:在所述图像属于复杂场景的情况下,对所述图像的全部区域进行基于滑动窗的对象检测。
在一个实施方式中,处理器1110还可以被配置为进行如下的控制:在所述图像属于正常场景的情况下,对所述图像进行前景检测以获得前景区域;并且对所述前景区域进行基于滑动窗的对象检测。
在一个实施方式中,可以通过所述图像中像素的RGB值、灰度值、连通域、前景中的一种或多种,确定所述图像是否属于包括拥堵、灯光闪烁、昏暗中的一种或多种场景的复杂场景。
在一个实施方式中,处理器1110还可以被配置为进行如下的控制:根据所述检测对象相对于拍摄所述图像的摄像头的几何视角的不同而改变所述滑动窗的大小。
在一个实施方式中,可以根据所述图像中预先设定的感兴趣区域中的车道宽度与所述检测对象的宽度之比不变的前提条件,限定所述滑动窗的宽度大小。
在一个实施方式中,处理器1110还可以被配置为进行如下的控制:在进行所述对象检测时对所述图像逐行地或隔行地进行检测,并且将所述滑动窗调整为在不同的行上宽度不同。
在一个实施方式中,所述滑动窗的宽度与所述图像的列坐标的值之间呈线性关系或者近似线性关系。
在一个实施方式中,所述滑动窗的宽度满足如下条件:
Swindow∈[rmin·widthy lane,rmax·widthy lane];
widthy lane=ky+b;
其中,Swindow为所述滑动窗的宽度;rmin和rmax分别为所述车道宽度与所述检测对象的宽度之比的最小值和最大值;y为所述图像的列坐标,k和b为预设值。
此外,如图11所示,电子设备1100还可以包括:输入输出(I/O)设备1130和显示器1140等;其中,上述部件的功能与现有技术类似,此处不再赘述。值得注意的是,电子设备1100也并不是必须要包括图11中所示的所有部件;此外,电子设备1100还可以包括图11中没有示出的部件,可以参考现有技术。
本发明实施例还提供一种计算机可读程序,其中当在电子设备中执行所述程序时,所述程序使得计算机在所述电子设备中执行实施例1所述的车辆检测方法。
本发明实施例还提供一种存储有计算机可读程序的存储介质,其中所述计算机可读程序使得计算机在电子设备中执行实施例1所述的车辆检测方法。
本发明以上的装置和方法可以由硬件实现,也可以由硬件结合软件实现。本发明涉及这样的计算机可读程序,当该程序被逻辑部件所执行时,能够使该逻辑部件实现上文所述的装置或构成部件,或使该逻辑部件实现上文所述的各种方法或步骤。本发明还涉及用于存储以上程序的存储介质,如硬盘、磁盘、光盘、DVD、flash存储器等。
结合本发明实施例描述的方法/装置可直接体现为硬件、由处理器执行的软件模块或二者组合。例如,图10中所示的功能框图中的一个或多个和/或功能框图的一个或多个组合(例如,场景确定单元1001和对象检测单元1002),既可以对应于计算机程序流程的各个软件模块,亦可以对应于各个硬件模块。这些软件模块,可以分别对应于图1所示的各个步骤。这些硬件模块例如可利用现场可编程门阵列(FPGA)将这些软件模块固化而实现。
软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域已知的任何其它形式的存储介质。可以将一种存储介质耦接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息;或者该存储介质可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该软件模块可以存储在移动终端的存储器中,也可以存储在可***移动终端的存储卡中。例如,若设备(如移动终端)采用的是较大容量的MEGA-SIM卡或者大容量的闪存装置,则该软件模块可存储在该MEGA-SIM卡或者大容量的闪存装置中。
针对附图中描述的功能方框中的一个或多个和/或功能方框的一个或多个组合,可以实现为用于执行本申请所描述功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。针对附图描述的功能方框中的一个或多个和/或功能方框的一个或多个组合,还可以实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、与DSP通信结合的一个或多个微处理器或者任何其它这种配置。
以上结合具体的实施方式对本发明进行了描述,但本领域技术人员应该清楚,这些描述都是示例性的,并不是对本发明保护范围的限制。本领域技术人员可以根据本发明的精神和原理对本发明做出各种变型和修改,这些变型和修改也在本发明的范围内。
Claims (10)
1.一种车辆检测装置,其特征在于,所述车辆检测装置包括:
场景确定单元,其确定包含检测对象的图像是属于复杂场景还是正常场景;
对象检测单元,根据所述图像是属于复杂场景还是正常场景,对所述图像的全部区域或者部分区域进行基于滑动窗的对象检测。
2.根据权利要求1所述的车辆检测装置,其中,所述对象检测单元在所述图像属于复杂场景的情况下,对所述图像的全部区域进行基于滑动窗的对象检测。
3.根据权利要求1所述的车辆检测装置,其中,所述车辆检测装置还包括:
前景检测单元,其在所述图像属于正常场景的情况下,对所述图像进行前景检测以获得前景区域;
并且所述对象检测单元对所述前景区域进行基于滑动窗的对象检测。
4.根据权利要求1所述的车辆检测装置,其中,所述场景确定单元通过所述图像中像素的RGB值、灰度值、连通域、前景中的一种或多种,确定所述图像是否属于包括拥堵、灯光闪烁、昏暗中的一种或多种场景的复杂场景。
5.根据权利要求1所述的车辆检测装置,其中,所述车辆检测装置还包括:
滑动窗调整单元,其根据所述检测对象相对于拍摄所述图像的摄像头的几何视角的不同而改变所述滑动窗的大小。
6.根据权利要求5所述的车辆检测装置,其中,所述滑动窗调整单元根据所述图像中预先设定的感兴趣区域中的车道宽度与所述检测对象的宽度之比不变的前提条件,限定所述滑动窗的宽度大小。
7.根据权利要求5所述的车辆检测装置,其中,所述对象检测单元在进行所述对象检测时对所述图像逐行地或隔行地进行检测,并且所述滑动窗调整单元将所述滑动窗调整为在不同的行上宽度不同。
8.根据权利要求7所述的车辆检测装置,其中,所述滑动窗的宽度与所述图像的列坐标的值之间呈线性关系或者近似线性关系。
9.根据权利要求8所述的车辆检测装置,其中,所述滑动窗的宽度满足如下条件:
其中,Swindow为所述滑动窗的宽度;rmin和rmax分别为所述车道宽度与所述检测对象的宽度之比的最小值和最大值;y为所述图像的列坐标,k和b为预设值。
10.一种车辆检测方法,其特征在于,所述车辆检测方法包括:
确定包含检测对象的图像是属于复杂场景还是正常场景;以及
根据所述图像是属于复杂场景还是正常场景,对所述图像的全部区域或者部分区域进行基于滑动窗的对象检测。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710833413.1A CN109509345A (zh) | 2017-09-15 | 2017-09-15 | 车辆检测装置和方法 |
JP2018117652A JP2019053719A (ja) | 2017-09-15 | 2018-06-21 | 車両検出装置及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710833413.1A CN109509345A (zh) | 2017-09-15 | 2017-09-15 | 车辆检测装置和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109509345A true CN109509345A (zh) | 2019-03-22 |
Family
ID=65744886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710833413.1A Pending CN109509345A (zh) | 2017-09-15 | 2017-09-15 | 车辆检测装置和方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2019053719A (zh) |
CN (1) | CN109509345A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112309134A (zh) * | 2019-07-29 | 2021-02-02 | 富士通株式会社 | 车辆速度检测方法和装置 |
CN112349087A (zh) * | 2019-08-07 | 2021-02-09 | 北京博研智通科技有限公司 | 一种基于路口信息全息感知的可视化数据输入方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043953A (zh) * | 2011-01-27 | 2011-05-04 | 北京邮电大学 | 一种实时鲁棒的针对特定场景的行人检测方法 |
CN102385690A (zh) * | 2010-09-01 | 2012-03-21 | 汉王科技股份有限公司 | 基于视频图像的目标跟踪方法及*** |
CN102982539A (zh) * | 2012-11-09 | 2013-03-20 | 电子科技大学 | 一种基于图像复杂性的特征自适应图像共分割方法 |
CN103605953A (zh) * | 2013-10-31 | 2014-02-26 | 电子科技大学 | 基于滑窗搜索的车辆兴趣目标检测方法 |
CN104657727A (zh) * | 2015-03-18 | 2015-05-27 | 厦门麦克玛视电子信息技术有限公司 | 一种车道线的检测方法 |
US20150235092A1 (en) * | 2014-02-14 | 2015-08-20 | Toyota Motor Engineering & Manufacturing North America, Inc. | Parts based object tracking method and apparatus |
CN105447880A (zh) * | 2015-12-15 | 2016-03-30 | 北京文安科技发展有限公司 | 一种票房人数核验方法、装置及*** |
CN105469088A (zh) * | 2015-11-17 | 2016-04-06 | 西北工业大学 | 一种适用于目标识别的物体预测区域优化方法 |
CN105654067A (zh) * | 2016-02-02 | 2016-06-08 | 北京格灵深瞳信息技术有限公司 | 一种车辆检测方法及装置 |
CN106096531A (zh) * | 2016-05-31 | 2016-11-09 | 安徽省云力信息技术有限公司 | 一种基于深度学习的交通图像多类型车辆检测方法 |
CN106128121A (zh) * | 2016-07-05 | 2016-11-16 | 中国石油大学(华东) | 基于局部特征分析的车辆排队长度快速检测算法 |
WO2017095543A1 (en) * | 2015-12-01 | 2017-06-08 | Intel Corporation | Object detection with adaptive channel features |
CN107145820A (zh) * | 2017-03-16 | 2017-09-08 | 杭州岱石科技有限公司 | 基于hog特征和fast算法的双眼定位方法 |
-
2017
- 2017-09-15 CN CN201710833413.1A patent/CN109509345A/zh active Pending
-
2018
- 2018-06-21 JP JP2018117652A patent/JP2019053719A/ja active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385690A (zh) * | 2010-09-01 | 2012-03-21 | 汉王科技股份有限公司 | 基于视频图像的目标跟踪方法及*** |
CN102043953A (zh) * | 2011-01-27 | 2011-05-04 | 北京邮电大学 | 一种实时鲁棒的针对特定场景的行人检测方法 |
CN102982539A (zh) * | 2012-11-09 | 2013-03-20 | 电子科技大学 | 一种基于图像复杂性的特征自适应图像共分割方法 |
CN103605953A (zh) * | 2013-10-31 | 2014-02-26 | 电子科技大学 | 基于滑窗搜索的车辆兴趣目标检测方法 |
US20150235092A1 (en) * | 2014-02-14 | 2015-08-20 | Toyota Motor Engineering & Manufacturing North America, Inc. | Parts based object tracking method and apparatus |
CN104657727A (zh) * | 2015-03-18 | 2015-05-27 | 厦门麦克玛视电子信息技术有限公司 | 一种车道线的检测方法 |
CN105469088A (zh) * | 2015-11-17 | 2016-04-06 | 西北工业大学 | 一种适用于目标识别的物体预测区域优化方法 |
WO2017095543A1 (en) * | 2015-12-01 | 2017-06-08 | Intel Corporation | Object detection with adaptive channel features |
CN105447880A (zh) * | 2015-12-15 | 2016-03-30 | 北京文安科技发展有限公司 | 一种票房人数核验方法、装置及*** |
CN105654067A (zh) * | 2016-02-02 | 2016-06-08 | 北京格灵深瞳信息技术有限公司 | 一种车辆检测方法及装置 |
CN106096531A (zh) * | 2016-05-31 | 2016-11-09 | 安徽省云力信息技术有限公司 | 一种基于深度学习的交通图像多类型车辆检测方法 |
CN106128121A (zh) * | 2016-07-05 | 2016-11-16 | 中国石油大学(华东) | 基于局部特征分析的车辆排队长度快速检测算法 |
CN107145820A (zh) * | 2017-03-16 | 2017-09-08 | 杭州岱石科技有限公司 | 基于hog特征和fast算法的双眼定位方法 |
Non-Patent Citations (3)
Title |
---|
常庆龙 夏洪山: "基于自适应滑动窗的模糊场景行人快速检测", 《电视技术》 * |
常庆龙: "航站楼集群安全识别与预警关键技术研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
黄成都 等: "基于Codebook背景建模的视频行人检测", 《传感器与微***》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112309134A (zh) * | 2019-07-29 | 2021-02-02 | 富士通株式会社 | 车辆速度检测方法和装置 |
CN112349087A (zh) * | 2019-08-07 | 2021-02-09 | 北京博研智通科技有限公司 | 一种基于路口信息全息感知的可视化数据输入方法 |
CN112349087B (zh) * | 2019-08-07 | 2021-10-15 | 北京博研智通科技有限公司 | 一种基于路口信息全息感知的可视化数据输入方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2019053719A (ja) | 2019-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8509526B2 (en) | Detection of objects in digital images | |
Kim et al. | Spatiotemporal saliency detection and its applications in static and dynamic scenes | |
CN111160269A (zh) | 一种人脸关键点检测方法及装置 | |
CN103207898B (zh) | 一种基于局部敏感哈希的相似人脸快速检索方法 | |
CN105809146B (zh) | 一种图像场景识别方法和装置 | |
CN111104898A (zh) | 基于目标语义和注意力机制的图像场景分类方法及装置 | |
CN105512683A (zh) | 基于卷积神经网络的目标定位方法及装置 | |
US20190294863A9 (en) | Method and apparatus for face classification | |
CN109948616A (zh) | 图像检测方法、装置、电子设备及计算机可读存储介质 | |
CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
Wang et al. | When pedestrian detection meets nighttime surveillance: A new benchmark | |
US9323989B2 (en) | Tracking device | |
CN109190639A (zh) | 一种车辆颜色识别方法、装置及*** | |
CN110363790A (zh) | 目标追踪方法、装置和计算机可读存储介质 | |
CN109509345A (zh) | 车辆检测装置和方法 | |
CN112686122B (zh) | 人体及影子的检测方法、装置、电子设备、存储介质 | |
CN110969101A (zh) | 一种基于hog和特征描述子的人脸检测与跟踪方法 | |
CN109726621B (zh) | 行人检测方法、装置及设备 | |
CN102013101A (zh) | 一种经过模糊后处理的置换篡改图像盲检测方法 | |
Lu et al. | Context-constrained accurate contour extraction for occlusion edge detection | |
CN104966064A (zh) | 基于视觉的前方行人测距方法 | |
Dong et al. | Nighttime pedestrian detection with near infrared using cascaded classifiers | |
JP3962517B2 (ja) | 顔面検出方法及びその装置、コンピュータ可読媒体 | |
Dong et al. | Crowd Density Estimation Using Sparse Texture Features. | |
CN110717406B (zh) | 一种人脸检测的方法、装置及终端设备 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190322 |
|
WD01 | Invention patent application deemed withdrawn after publication |