CN111027526B - 一种提高车辆目标检测识别效率的方法 - Google Patents
一种提高车辆目标检测识别效率的方法 Download PDFInfo
- Publication number
- CN111027526B CN111027526B CN201911024885.8A CN201911024885A CN111027526B CN 111027526 B CN111027526 B CN 111027526B CN 201911024885 A CN201911024885 A CN 201911024885A CN 111027526 B CN111027526 B CN 111027526B
- Authority
- CN
- China
- Prior art keywords
- target
- vehicle
- pictures
- scene
- detection
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims abstract description 3
- 230000009467 reduction Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种提高车辆目标检测识别效率的方法，该方法包括以下步骤：1)以场景为单位，训练出该场景下可能出现目标的区域范围；2)根据识别的场景结果对待检测图片按步骤1)学习出的区域范围作裁剪；3)对裁剪后的图片进行车辆姿态识别，并根据识别的结果进一步进行目标区域范围优化；4)对裁剪后的图片进行缩小并编号，然后多个缩小的图片进行拼接；5)将拼接后的图片送到目标检测算法模型中进行目标检测；6)将目标检测获得的多个目标结果，一一进行反向变换，映射到对应原图中；7)将对应到裁剪图片中的目标信息裁剪出来，进行后续的目标识别。本发明方法一次检测多张图片，能提升检测算法的处理效率。
Description
技术领域
本发明涉及计算机视觉技术，尤其涉及一种提高车辆目标检测识别效率的方法。
背景技术
目标检测与识别是计算机视觉领域中一个非常重要的研究方向，它是将图像中的目标与不感兴趣的部分区分开，判断是否存在目标，若存在目标则确定目标的位置，识别目标是一种计算机视觉任务。随着互联网，人工智能技术，智能硬件的迅猛发展，人类生活中存在着大量的图像数据，这使得计算机视觉技术在人类生活中起到的作用越来越大，对计算机视觉的研究也越来越火热。
在实际应用中，进行目标检测与识别计算的机器算力是一定的，即输入连续的图像序列集在单位时间内能得到处理的数量是一定的。而进行目标检测与识别的计算需要显卡硬件支持，价格普遍比较昂贵的。这在一定程度上制约了目标检测与识别的企业级应用。怎样提升检测算法的处理效率，缩减产品的成本，成为当下需要解决的问题。
鉴于此，需要一种提高检测目标检测效率的方法。通过对已经检测识别出的目标数据进行全局检测统计学习，获得可能出现目标的区域范围；对待检测识别的图片按该区域作图片裁剪，并将多张裁剪后图片作缩小，拼接成一张大图；最后将拼接大图输入给算法模型进行目标检测识别。达到一次检测多张图片的效果，从而提升检测算法的处理效率。最后将检测结果映射回对应的原图中，提取出原图中检测出的目标再进行目标识别。本专利旨在适应目标检测识别算法模型，提升算法模型单次处理的效率。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种提高车辆目标检测识别效率的方法。
本发明解决其技术问题所采用的技术方案是：一种提高车辆目标检测识别效率的方法，包括以下步骤：
1)以场景为单位，通过机器学习的方式对已经检测识别出的目标数据进行统计学习，训练出该场景下可能出现目标的区域范围；所述场景为固定场景；
2)识别待检测图片的场景，根据识别的场景结果对待检测图片按步骤1)学习出的区域范围作裁剪；
3)对裁剪后的图片进行车辆姿态识别，并根据识别的结果进一步进行目标区域范围优化；
4)对裁剪后的图片进行缩小并编号，然后多个缩小的图片进行拼接；图片拼接时按编号顺序处理；
5)将拼接后的图片送到目标检测算法模型中进行目标检测；
6)将目标检测获得的多个目标结果，一一进行反向变换，映射到对应原图中；
7)将对应到裁剪图片中的目标信息裁剪出来，进行后续的目标识别。
按上述方案，所述步骤3)中车辆姿态识别包括以下步骤：
3.1)在所述裁剪图像中定位目标车辆的车牌，并且确定所述目标车牌的4个角点在裁剪图像的坐标系中的位置；所述裁剪图像的坐标系为以左上角为原点的直角坐标系；
3.2)计算4个角点之间的距离和比例，根据比例与车牌数据集中的所有车牌进行比较，获得该比例车牌数据集对应记录的车辆姿态。
按上述方案，所述步骤3)中车辆姿态识别包括以下步骤：
3.1)根据车头朝向定义车辆姿态识别的4个类型：前面、后面、左侧和右侧；
3.2)分别获取4个类别的车辆骨架图像的特征；所述车辆骨架图像的特征为骨架关键点位置信息的特征，骨架关键点为四梁六柱的交点；
3.3)基于每个所述类别的车辆图像的特征训练相应于每个所述类别的车辆姿态分类器；
3.4)利用所述车辆姿态分类器识别待识别的具有不同车辆姿态的车辆图像。
按上述方案，所述步骤4)中缩小比例的设置如下：缩小的比例小于等于目标检测识别算法模型中能检测出目标的最小分辨率/能识别出目标的最小分辨率。最佳值即缩小比例的最小值，即能检测出目标的最小分辨率/能识别出目标的最小分辨率。
缩小的比例大于等于目标检测识别算法模型中能检测出目标的最小分辨率/能识别出目标的最小分辨率。最佳值即缩小比例的最小值，即能检测出目标的最小分辨率/能识别出目标的最小分辨率。
按上述方案，所述步骤4)中缩小比例的设置如下：缩小的比例等于车牌4个角点之间的距离与对应车牌数据集中的车牌4个角点之间的距离的比例。
按上述方案，所述步骤4)中拼接的图片分辨率不大于目标检测算法模型输入图片的分辨率。
本发明产生的有益效果是：本发明通过对已经检测识别出的目标数据作全局检测统计学习，获得可能出现目标的区域范围；对待检测识别的图片按该区域作图片裁剪，并将多张裁剪后图片作缩小，拼接成一张大图；最后将拼接大图输入给算法模型进行目标检测识别。达到一次检测多张图片，提升检测算法的处理效率。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，一种提高车辆目标检测识别效率的方法，包括以下步骤：
步骤1：以场景为单位，通过机器学习的方式将已经检测识别出的目标数据进行统计学习，训练出该场景下可能出现目标的区域范围。
步骤2：对待检测图片按步骤1学习出的区域范围作裁剪(第一次裁剪)；
步骤3：对裁剪后的图片进行车辆姿态识别，并根据车辆姿态识别的结果进一步进行目标区域范围优化(根据车辆姿态第二次裁剪图片)；然后作缩小。
缩小的比例为：(在目标检测识别算法模型中)能检测出目标的最小分辨率/能识别出目标的最小分辨率。依据是：能识别目标对像素的要求比能检测目标对像素的要求要高(识别目标的最小分辨率要求是70x70，检测目标的最小分辨率要求为35x35即可)，通常是若干倍数的比率。并且检测出的目标能进行识别才是有效的目标数据，只能检测不能识别的目标属于无效数据。
步骤3)中车辆姿态识别包括以下步骤：
3.1)在所述裁剪图像中定位目标车辆的车牌，并且确定所述目标车牌的4个角点在裁剪图像的坐标系中的位置；所述裁剪图像的坐标系为以左上角为原点的直角坐标系；
3.2)计算4个角点之间的距离和比例，根据比例与车牌数据集中的所有车牌进行比较，获得该比例车牌数据集对应记录的车辆姿态。
除了识别车牌，本实施例还提供了另一种车辆姿态识别方法，包括以下步骤：
3.1)根据车头朝向定义车辆姿态识别的4个类型：前面、后面、左侧和右侧；
3.2)分别获取4个类别的车辆骨架图像的特征；所述车辆骨架图像的特征为骨架关键点位置信息的特征，骨架关键点为四梁六柱的交点；
3.3)基于每个所述类别的车辆图像的特征训练相应于每个所述类别的车辆姿态分类器；
3.4)利用所述车辆姿态分类器识别待识别的具有不同车辆姿态的车辆图像。
步骤3.3)中车辆姿态分类器的训练方式如下：
采用Adaboost决策树算法以基于获取的4个类别的车辆骨架图像的特征训练相应于每个所述类别的车辆姿态分类器。
本实施例中的Adaboost决策树算法是一种迭代算法，其核心思想是针对同一个训练集(这里的训练集车辆骨架图像的特征的集合)训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。
步骤4：生成若干张步骤3处理后的图片，再对这些图片进行拼接。对裁剪后的图片进行缩小并编号，然后多个缩小的图片进行拼接；图片拼接时按编号顺序处理；
拼接出的图片分辨率要不大于目标检测算法模型输入图片的分辨率(如果大于，目标检测算法会对图片作缩小，可能导致目标数据不能正常检测出来)。再送到目标检测算法模型中进行目标检测。
步骤5：将步骤4检测出的多个目标结果，一一进行反向变换，映射到对应原图中。
先对应到对应的缩小图片；再进行比例放大，对应到裁剪图片；再将对应到裁剪图片中的目标信息裁剪出来，进行后续的目标识别。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (3)
1.一种提高车辆目标检测识别效率的方法，其特征在于，包括以下步骤：
1)以场景为单位，通过机器学习的方式对已经检测识别出的目标数据进行统计学习，训练出该场景下可能出现目标的区域范围；所述场景为固定场景；
2)识别待检测图片的场景，根据识别的场景结果对待检测图片按步骤1)学习出的区域范围作裁剪；
3)对裁剪后的图片进行车辆姿态识别，并根据识别的结果进一步进行目标区域范围优化；
4)对裁剪后的图片进行缩小并编号，然后多个缩小的图片进行拼接；图片拼接时按编号顺序处理；
5)将拼接后的图片送到目标检测算法模型中进行目标检测；
6)将目标检测获得的多个目标结果，一一进行反向变换，映射到对应原图中；
7)将对应到裁剪图片中的目标信息裁剪出来，进行后续的目标识别；
所述步骤3)中车辆姿态识别包括以下步骤：
3.1)根据车头朝向定义车辆姿态识别的4个类型：前面、后面、左侧和右侧；
3.2)分别获取4个类别的车辆骨架图像的特征；所述车辆骨架图像的特征为骨架关键点位置信息的特征，骨架关键点为四梁六柱的交点；
3.3)基于每个所述类别的车辆图像的特征训练相应于每个所述类别的车辆姿态分类器；
3.4)利用所述车辆姿态分类器识别待识别的具有不同车辆姿态的车辆图像。
2.根据权利要求1所述的提高车辆目标检测识别效率的方法，其特征在于，所述步骤4)中缩小比例的设置如下：缩小的比例小于等于目标检测识别算法模型中能检测出目标的最小分辨率/能识别出目标的最小分辨率。
3.根据权利要求1所述的提高车辆目标检测识别效率的方法，其特征在于，所述步骤4)中拼接的图片分辨率不大于目标检测算法模型输入图片的分辨率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911024885.8A CN111027526B (zh) | 2019-10-25 | 2019-10-25 | 一种提高车辆目标检测识别效率的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911024885.8A CN111027526B (zh) | 2019-10-25 | 2019-10-25 | 一种提高车辆目标检测识别效率的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111027526A CN111027526A (zh) | 2020-04-17 |
| CN111027526B true CN111027526B (zh) | 2023-06-13 |
Family
ID=70200684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911024885.8A Active CN111027526B (zh) | 2019-10-25 | 2019-10-25 | 一种提高车辆目标检测识别效率的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111027526B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113225613B (zh) * | 2020-01-21 | 2022-07-08 | 北京达佳互联信息技术有限公司 | 图像识别、视频直播方法和装置 |
| CN112560608B (zh) * | 2020-12-05 | 2024-05-24 | 江苏爱科赛尔云数据科技有限公司 | 一种车辆车牌识别方法 |
| US11983327B2 (en) * | 2021-10-06 | 2024-05-14 | Fotonation Limited | Method for identifying a gesture |
| CN115564656B (zh) * | 2022-11-11 | 2023-04-28 | 成都智元汇信息技术股份有限公司 | 一种基于调度的多图合并识图方法及装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101630360B (zh) * | 2008-07-14 | 2012-12-19 | 上海分维智能科技有限公司 | 一种在高清晰图像中识别车牌的方法 |
| CN101937508B (zh) * | 2010-09-30 | 2012-07-04 | 湖南大学 | 一种基于高清图像的车牌定位与识别方法 |
| CN106650726A (zh) * | 2016-12-05 | 2017-05-10 | 渤海大学 | 一种车牌识别方法 |
| CN106599815A (zh) * | 2016-12-06 | 2017-04-26 | 东南大学 | 基于标记分布的解决类别缺失问题的头部姿态估计方法 |
| CN108509954A (zh) * | 2018-04-23 | 2018-09-07 | 合肥湛达智能科技有限公司 | 一种实时交通场景的多车牌动态识别方法 |
| CN109948415A (zh) * | 2018-12-30 | 2019-06-28 | 中国科学院软件研究所 | 基于背景过滤和尺度预测的光学遥感图像目标检测方法 |
-
2019
- 2019-10-25 CN CN201911024885.8A patent/CN111027526B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111027526A (zh) | 2020-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111027526B (zh) | 一种提高车辆目标检测识别效率的方法 | |
| CN110378297B (zh) | 基于深度学习的遥感图像目标检测方法、装置、及存储介质 | |
| Yun et al. | An automatic hand gesture recognition system based on Viola-Jones method and SVMs | |
| Wolf et al. | A critical view of context | |
| CN110569701A (zh) | 计算机执行的车辆定损方法及装置 | |
| CN105512683A (zh) | 基于卷积神经网络的目标定位方法及装置 | |
| CN108573471B (zh) | 图像处理装置、图像处理方法以及记录介质 | |
| CN114972922B (zh) | 基于机器学习的煤矸分选识别方法、装置及设备 | |
| CN114399675A (zh) | 一种基于机器视觉与激光雷达融合的目标检测方法和装置 | |
| CN114529963A (zh) | 图像处理方法、装置、电子设备和可读存储介质 | |
| Putro et al. | Lightweight convolutional neural network for real-time face detector on cpu supporting interaction of service robot | |
| Gu et al. | Embedded and real-time vehicle detection system for challenging on-road scenes | |
| CN112541394A (zh) | 黑眼圈及鼻炎识别方法、***及计算机介质 | |
| CN109919128B (zh) | 控制指令的获取方法、装置及电子设备 | |
| WO2011037097A1 (ja) | パターン認識方法及び該方法を用いたパターン認識装置 | |
| Rohini et al. | Attendance monitoring system design based on face segmentation and recognition | |
| CN112926463B (zh) | 一种目标检测方法和装置 | |
| JP5201184B2 (ja) | 画像処理装置及びプログラム | |
| Ko et al. | SVM-based salient region (s) extraction method for image retrieval | |
| CN111950546A (zh) | 一种车牌识别方法、装置、计算机设备和存储介质 | |
| Nguyen et al. | MultiLevel feature pooling network for uncalibrated stereo rectification in autonomous vehicles | |
| CN112434581A (zh) | 一种室外目标颜色识别方法、***、电子设备及存储介质 | |
| TWI536280B (zh) | 街景影像之文字區域偵測系統及裝置 | |
| Noe et al. | Detection of estrus in cattle by using image technology and machine learning methods | |
| CN115953744A (zh) | 一种基于深度学习的车辆识别追踪方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210205 Address after: 518057 high tech community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: Shenzhen antelope video cloud Technology Co.,Ltd. Address before: 518000 unit 01, 13 / F, Yihua financial technology building, 2388 Houhai Avenue, hi tech park, Nanshan District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN ANTELOPE ULTIMATE TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220303 Address after: 330000 room 911, building a, Taihao science and Technology Plaza, 3088 Ziyang Avenue, Nanchang high tech Industrial Development Zone, Nanchang City, Jiangxi Province Applicant after: JIANGXI YUNYAN DASHIJIE TECHNOLOGY Co.,Ltd. Address before: 518057 high tech community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Applicant before: Shenzhen antelope video cloud Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 330096 North Area, Floor 5, Science and Innovation Incubation Building, Innovation Workshop, No. 1189, Jingdong Avenue, Nanchang High-tech Industrial Development Zone, Nanchang City, Jiangxi Province Patentee after: Jiangxi Yunyan Shijie Technology Co.,Ltd. Country or region after: China Address before: 330000 room 911, building a, Taihao science and Technology Plaza, 3088 Ziyang Avenue, Nanchang high tech Industrial Development Zone, Nanchang City, Jiangxi Province Patentee before: JIANGXI YUNYAN DASHIJIE TECHNOLOGY Co.,Ltd. Country or region before: China |