CN111126248A - 一种遮挡下的车辆识别方法及装置 - Google Patents

一种遮挡下的车辆识别方法及装置 Download PDF

Info

Publication number
CN111126248A
CN111126248A CN201911327614.XA CN201911327614A CN111126248A CN 111126248 A CN111126248 A CN 111126248A CN 201911327614 A CN201911327614 A CN 201911327614A CN 111126248 A CN111126248 A CN 111126248A
Authority
CN
China
Prior art keywords
image
vehicle
foreground
module
identified
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
Application number
CN201911327614.XA
Other languages
English (en)
Inventor
罗茜
张斯尧
王思远
谢喜林
黄晋
文戎
张�诚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Qianshitong Information Technology Co Ltd
Original Assignee
Hunan Qianshitong Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Qianshitong Information Technology Co Ltd filed Critical Hunan Qianshitong Information Technology Co Ltd
Priority to CN201911327614.XA priority Critical patent/CN111126248A/zh
Publication of CN111126248A publication Critical patent/CN111126248A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种遮挡下的车辆识别方法及装置，所述方法包括：通过物体前景检测获取待识别图像中车辆区域的第一掩码图，通过所述第一掩码图获得车辆区域的第二掩码图；将所述第二掩码图与第一掩码图相减，得到非车辆空白图；获取所述多个第一区域的内顶点；以所述内顶点为端点构建的分割线划分所述第一掩码图中的连续区域为多个第二区域，根据所述多个第二区域的外顶点以及相邻内顶点构成的分割线构建多个矩形框；获取对应的单个车辆图像；将所述单个车辆图像输入训练好的识别神经网络进行识别，获得所述车辆的分类信息。本发明可以有效解决遮挡车辆识别问题，且模型计算量较小，可以用于遮挡车辆的实时识别。

Description

一种遮挡下的车辆识别方法及装置
技术领域
本发明涉及车辆识别领域，具体涉及一种遮挡下的车辆识别方法、装置、终端设备及计算机可读介质。
背景技术
随着计算机视觉技术的发展，通过监控抓拍车辆图像，识别车辆类型已经成为交通智能管理的重要组成部分，得到了广泛的研究。但有时候抓拍的图像中车辆被其他车辆或其他物体遮挡，无法分割单一车辆图像，降低了车辆识别准确率。目前处理车辆遮挡的方法大多基于复杂模型，计算复杂度高，计算成本大，严重制约了方法的实际应用。
发明内容
有鉴于此，本发明的目的在于提供一种遮挡下的车辆识别方法、装置、终端设备及计算机可读介质，能够提高车辆识别准确率，解决了现有技术中遮挡下的车辆无法分割单一车辆图像，或分割计算复杂度高，计算成本大的问题。
本发明实施例的第一方面提供了一种遮挡下的车辆识别方法，包括：
通过物体前景检测获取待识别图像中车辆区域的第一掩码图，通过将所述第一掩码图中各连续区域的外边缘及外顶点连接，获得车辆区域的第二掩码图；
将所述第二掩码图与第一掩码图相减，得到非车辆空白图，所述非车辆空白图包括多个第一区域；
获取所述多个第一区域的内顶点；
以所述内顶点为端点构建的分割线划分所述第一掩码图中的连续区域为多个第二区域，根据所述多个第二区域的外顶点以及相邻内顶点构成的分割线构建多个矩形框；
获取待识别图像中所述多个矩形框位置分别对应的单个车辆图像；
将所述单个车辆图像输入训练好的识别神经网络进行识别，获得所述车辆的分类信息。
进一步地，通过物体前景检测获取待识别图像中车辆区域的第一掩码图，包括：
获取待识别图像的视频流，采用Codebook算法从所述视频流中提取前景图像；
对所述前景图像做形态操作，所述形态操作包括膨胀和侵蚀；
对形态操作后的所述前景图像采用Canny算法获取轮廓，所述轮廓内区域即为车辆区域的第一掩码图。
进一步地，所述采用Codebook算法从所述视频流中提取前景图像，包括：
从所述视频流中提取待识别图像，计算待识别图像的全局平均灰度值；
根据所述全局平均灰度值查找所对应的编码本，若查找成功，则待识别图像的所有像素均为前景，若查找失败，遍历待识别图像的每个像素的每个编码元，如果存在匹配当前像素值的编码元，则当前像素为背景，否则，当前像素为前景。
进一步地，所述对形态操作后的所述前景图像采用Canny算法获取轮廓，包括：
使用高斯滤波平滑所述前景图像；
应用高斯模糊去除所述前景图像的噪声，降低伪边缘的识别；
计算所述前景图像的梯度幅值和梯度方向，其中，梯度模G的计算公式如下：
Figure BDA0002328783230000021
式中：Gx为水平方向的差分，Gy为垂直方向的差分；
梯度方向θ的计算公式如下：
θ＝atan2(Gy,Gx)。
遍历所述前景图像中轮廓曲线模糊部分的像素点，比较当前像素点的梯度强度和正负梯度方向的梯度强度，如果当前像素点的梯度强度大于同方向的其他点的梯度强度，则保留其值，否则，将该值设为0，将保留的所有像素点拼接成轮廓。
进一步地，所述识别神经网络包括卷积模块、自编码模块和识别模块；
其中，所述卷积模块包括N个并联的子卷积模块，所述子卷积模块包括卷积层和最大池化层，所述卷积模块用于将单个车辆图像分别在N个子卷积模块中提取特征信息；所述自编码模块包括2层卷积层，用于将N个子卷积模块提取的特征信息进行融合；所述识别模块用于根据提取的特征信息识别车辆。
本发明实施例的第二方面提供了一种遮挡下的车辆识别装置，其特征在于，包括：
第一获取模块，用于通过物体前景检测获取待识别图像中车辆区域的第一掩码图，通过将所述第一掩码图中各连续区域的外边缘及外顶点连接，获得车辆区域的第二掩码图；
第一处理模块，用于将所述第二掩码图与第一掩码图相减，得到非车辆空白图，所述非车辆空白图包括多个第一区域；
第二获取模块，用于获取所述多个第一区域的内顶点；
分割模块，用于以所述内顶点为端点构建的分割线划分所述第一掩码图中的连续区域为多个第二区域，根据所述多个第二区域的外顶点以及相邻内顶点构成的分割线构建多个矩形框；
第三获取模块，获取待识别图像中所述多个矩形框位置分别对应的单个车辆图像；
分类识别模块，用于将所述单个车辆图像输入训练好的识别神经网络进行识别，获得所述车辆的分类信息。
进一步地，所述第一获取模块包括：
前景获取模块，用于获取待识别图像的视频流，采用Codebook算法从所述视频流中提取前景图像；
形态操作模块，用于对所述前景图像做形态操作，所述形态操作包括膨胀和侵蚀；
轮廓获取模块，用于对形态操作后的所述前景图像采用Canny算法获取轮廓，所述轮廓内区域即为车辆区域的第一掩码图。
进一步地，所述前景获取模块包括：
灰度计算模块，用于从所述视频流中提取待识别图像，计算待识别图像的全局平均灰度值；
第二处理模块，用于根据所述全局平均灰度值查找所对应的编码本，若查找成功，则待识别图像的所有像素均为前景，若查找失败，遍历待识别图像的每个像素的每个编码元，如果存在匹配当前像素值的编码元，则当前像素为背景，否则，当前像素为前景。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述遮挡下的车辆识别方法的步骤。
本发明实施例的第四方面提供了一种计算机可读介质，所述计算机可读介质存储有计算机程序，所述计算机程序被处理执行时实现上述遮挡下的车辆识别方法的步骤。
在本发明实施例中，通过将所述第二掩码图与第一掩码图相减，得到非车辆空白图；通过非车辆空白图中多个第一区域的内顶点得到分割线，从而实现遮挡下车辆图片的分割，有效解决了现有技术中遮挡下车辆因无法分割单一车辆图像而无法识别或识别准确率低的问题。同时，通过采用轻型识别神经网络，基于稀疏编码和自编码的模型可以实时处理车辆识别问题，解决了现有技术的处理车辆遮挡方法模型复杂，计算复杂度高，计算成本大的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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。
图1是本发明实施例提供的一种遮挡下的车辆识别方法的流程图；
图2是本发明实施例提供的一种遮挡下的车辆识别方法的处理过程示意图；
图3是本发明实施例提供的一种遮挡下的车辆识别方法的处理过程的另一种示意图；
图4是本发明实施例提供的识别神经网络的结构示意图；
图5是本发明实施例提供的遮挡下的车辆识别装置的结构示意图；
图6是图5中的第一获取模块的细化结构图；
图7是图5中的前景获取模块的细化结构图；
图8是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
请参阅图1，图1是本发明实施例提供的遮挡下的车辆识别方法的流程图。如图1所示，本实施例的遮挡下的车辆识别方法包括以下步骤：
步骤S102，通过物体前景检测获取待识别图像中车辆区域的第一掩码图，通过将第一掩码图中各连续区域的外边缘及外顶点连接，获得车辆区域的第二掩码图。
步骤S104，将第二掩码图与第一掩码图相减，得到非车辆空白图，非车辆空白图包括多个第一区域。
步骤S106，获取多个第一区域的内顶点。
步骤S108，以内顶点为端点构建的分割线划分第一掩码图中的连续区域为多个第二区域，根据多个第二区域的外顶点以及相邻内顶点构成的分割线构建多个矩形框。
步骤S110，获取待识别图像中多个矩形框位置分别对应的单个车辆图像。
步骤S112，将单个车辆图像输入训练好的识别神经网络进行识别，获得车辆的分类信息。
请参阅图2和图3，图2和图3是本发明实施例提供的遮挡下的车辆识别方法的处理过程示意图。其中，M为第一掩码图，M’为第二掩码图，将第二掩码图M’中去掉第一掩码图M区域，获得非车辆空白图D，非车辆空白图D中包括多个非连续的第一区域，获取多个第一区域的内顶点，如图2和图3所示，图2有2个内顶点，图3有4个内顶点，连接第一区域的内顶点，则这些连接线即为待识别图像中遮挡车辆的分割线；将分割线与第一掩码图M重叠，获得对车辆区域第一掩码图M的分割，即位于第一掩码图M中分割线同一侧的连续区域为单一车辆区域；根据分割线两端点与分割线同一侧的连续区域外顶点确定矩形框，即矩形框为包括分割线和分割线同一侧的第一掩码图M中连续区域外顶点的最小矩形，该矩形框位置所对应的图像为单个车辆图像。
当第一掩码图M只有一条分割线时，则可以将第一掩码图M分割成2个单独的车辆区域，如图2所示，2个内顶点构成的分割线可以将待识别图像分成上下2个单独的车辆区域；当第一掩码图M中有多条分割线时，则相邻2条分割线的小角区域所包含的连续区域为单个车辆区域，如图3所示，可以将待识别图像分成3个单独的车辆区域。
在本发明实施例中，通过将所述第二掩码图与第一掩码图相减，得到非车辆空白图；通过非车辆空白图中多个第一区域的内顶点得到分割线，从而实现遮挡下车辆图片的分割，有效解决了现有技术中遮挡下车辆因无法分割单一车辆图像而无法识别或识别准确率低的问题。同时，通过采用轻型识别神经网络，基于稀疏编码和自编码的模型可以实时处理车辆识别问题，解决了现有技术的处理车辆遮挡方法模型复杂，计算复杂度高，计算成本大的问题。
进一步地，步骤S102中通过物体前景检测获取待识别图像中车辆区域的第一掩码图包括：
步骤S1021，获取待识别图像的视频流，采用Codebook算法从视频流中提取前景图像；
步骤S1022，对前景图像做形态操作，形态操作包括膨胀和侵蚀；
步骤S1023，对形态操作后的前景图像采用Canny算法获取轮廓，轮廓内区域即为车辆区域的第一掩码图。
其中，所述Codebook算法是对图像任意一个像素创建编码本，编码本由多个编码元组成，每个编码元的box上限和下限包容了像素值的小幅度变化，多个编码元包容了像素的多种可能性。
进一步地，步骤S1021中采用Codebook算法从视频流中提取前景图像，包括：
步骤A，从视频流中提取待识别图像，计算待识别图像的全局平均灰度值；
步骤B，根据全局平均灰度值查找所对应的编码本，若查找成功，则待识别图像的所有像素均为前景，若查找失败，遍历待识别图像的每个像素的每个编码元，如果存在匹配当前像素值的编码元，则当前像素为背景，否则，当前像素为前景。
进一步地，步骤S1023中对形态操作后的前景图像采用Canny算法获取轮廓，包括：
步骤1，使用高斯滤波平滑前景图像；
步骤2，应用高斯模糊去除前景图像的噪声，降低伪边缘的识别；
步骤3，计算前景图像的梯度幅值和梯度方向，其中，梯度模G的计算公式如下：
Figure BDA0002328783230000061
式中：Gx为水平方向的差分，Gy为垂直方向的差分；
梯度方向θ的计算公式如下：
θ＝atan2(Gy,Gx)。
步骤4，遍历前景图像中轮廓曲线模糊部分的像素点，比较当前像素点的梯度强度和正负梯度方向的梯度强度，如果当前像素点的梯度强度大于同方向的其他点的梯度强度，则保留其值，否则，将该值设为0，将保留的所有像素点拼接成轮廓。
通过采用非最大值抑制帮助保留局部最大梯度而抑制所有其他梯度值，使边缘只有一个精确的点宽度。
其中，如图4所示，识别神经网络可以包括卷积模块、自编码模块和识别模块；
卷积模块包括N个并联的子卷积模块，采用稀疏编码的方式，子卷积模块包括卷积层和最大池化层，将图像分别在N个子卷积模块中提取特征信息；
自编码模块包括2层卷积层，用于将N个子卷积模块提取的特征信息融合，减少因卷积特征提取造成的信息丢失；
识别模块用于根据提取的特征信息识别车辆。
相比其他神经网络模型，本识别网络模型采用轻量化结构设计，图像分析时间可达到20ms/每张，可以实现图像的实时处理。
所述识别神经网络的损失函数为
L＝λL1+(1-λ)L2
其中，
Figure BDA0002328783230000062
xi表示从训练集中随机采样图像的特征向量，zi是xi的稀疏表示，λ为正则参数，γ为基向量参数，B为基向量(字典)，ε为超参数。
Figure BDA0002328783230000063
h＝ReLU(W0v+b0)
Figure BDA0002328783230000064
V是本层的输入，
Figure BDA0002328783230000071
是下一层的输入，W0、
Figure BDA0002328783230000072
是编码器和译码器参数，b0、
Figure BDA0002328783230000073
是偏置值，ReLU(·)表示采用ReLU函数激活。
请参阅图5，图5是本发明实施例提供的一种遮挡下的车辆识别装置的结构框图。如图5所示，本实施例的遮挡下的车辆识别20包括第一获取模块202、第一处理模块204、第二获取模块206、分割模块208、第三获取模块210和分类识别模块212。第一获取模块202、第一处理模块204、第二获取模块206、分割模块208、第三获取模块210和分类识别模块212分别用于执行图1中的S102、S104、S106、S108、S110和S112中的具体方法，详情可参见图1的相关介绍，在此仅作简单描述：
第一获取模块202，用于通过物体前景检测获取待识别图像中车辆区域的第一掩码图，通过将第一掩码图中各连续区域的外边缘及外顶点连接，获得车辆区域的第二掩码图；
第一处理模块204，用于将第二掩码图与第一掩码图相减，得到非车辆空白图，非车辆空白图包括多个第一区域；
第二获取模块206，用于获取多个第一区域的内顶点；
分割模块208，用于以内顶点为端点构建的分割线划分第一掩码图中的连续区域为多个第二区域，根据多个第二区域的外顶点以及相邻内顶点构成的分割线构建多个矩形框；
第三获取模块210，获取待识别图像中多个矩形框位置分别对应的单个车辆图像；
分类识别模块212，用于将单个车辆图像输入训练好的识别神经网络进行识别，获得车辆的分类信息。
进一步地，可参见图6，第一获取模块202可以包括：
前景获取模块2022，用于获取待识别图像的视频流，采用Codebook算法从视频流中提取前景图像；
形态操作模块2024，用于对前景图像做形态操作，形态操作包括膨胀和侵蚀；
轮廓获取模块2026，用于对形态操作后的前景图像采用Canny算法获取轮廓，轮廓内区域即为车辆区域的第一掩码图。
其中，所述Codebook算法是对图像任意一个像素创建编码本，编码本由多个编码元组成，每个编码元的box上限和下限包容了像素值的小幅度变化，多个编码元包容了像素的多种可能性。
进一步地，可参见图7，前景获取模块2022可以包括：
灰度计算模块2021，用于从视频流中提取待识别图像，计算待识别图像的全局平均灰度值；
第二处理模块2023，用于根据全局平均灰度值查找所对应的编码本，若查找成功，则待识别图像的所有像素均为前景，若查找失败，遍历待识别图像的每个像素的每个编码元，如果存在匹配当前像素值的编码元，则当前像素为背景，否则，当前像素为前景。
进一步地，轮廓获取模块可以包括：
平滑处理模块，用于使用高斯滤波平滑前景图像；
噪声去除模块，用于应用高斯模糊去除前景图像的噪声，降低伪边缘的识别；
梯度计算模块，用于计算前景图像的梯度幅值和梯度方向，其中，梯度模G的计算公式如下：
Figure BDA0002328783230000081
式中：Gx为水平方向的差分，Gy为垂直方向的差分；
梯度方向θ的计算公式如下：
θ＝atan2(Gy,Gx)。
轮廓拼接模块，用于遍历前景图像中轮廓曲线模糊部分的像素点，比较当前像素点的梯度强度和正负梯度方向的梯度强度，如果当前像素点的梯度强度大于同方向的其他点的梯度强度，则保留其值，否则，将该值设为0，将保留的所有像素点拼接成轮廓。
通过采用非最大值抑制帮助保留局部最大梯度而抑制所有其他梯度值，使边缘只有一个精确的点宽度。
其中，识别神经网络可以包括卷积模块、自编码模块和识别模块；
卷积模块包括N个并联的子卷积模块，采用稀疏编码的方式，子卷积模块包括卷积层和最大池化层，将图像分别在N个子卷积模块中提取特征信息；
自编码模块包括2层卷积层，用于将N个子卷积模块提取的特征信息融合，减少因卷积特征提取造成的信息丢失；
识别模块用于根据提取的特征信息识别车辆。
相比其他神经网络模型，本识别网络模型采用轻量化结构设计，图像分析时间可达到20ms/每张，可以实现图像的实时处理。
所述识别神经网络的损失函数为
L＝λL1+(1-λ)L2
其中，
Figure BDA0002328783230000082
xi表示从训练集中随机采样图像的特征向量，zi是xi的稀疏表示，λ为正则参数，γ为基向量参数，B为基向量(字典)，ε为超参数。
Figure BDA0002328783230000091
h＝ReLU(W0v+b0)
Figure BDA0002328783230000092
V是本层的输入，
Figure BDA0002328783230000093
是下一层的输入，W0、
Figure BDA0002328783230000094
是编码器和译码器参数，b0、
Figure BDA0002328783230000095
是偏置值，ReLU(·)表示采用ReLU函数激活。
在本发明实施例中，通过第一处理模块204将第二掩码图与第一掩码图相减，得到非车辆空白图；通过非车辆空白图中多个第一区域的内顶点得到分割线，从而实现遮挡下车辆图片的分割，有效解决了现有技术中遮挡下车辆因无法分割单一车辆图像而无法识别或识别准确率低的问题。同时，通过分类识别模块212所采用轻型识别神经网络，基于稀疏编码和自编码的模型可以实时处理车辆识别问题，解决了现有技术的处理车辆遮挡方法模型复杂，计算复杂度高，计算成本大的问题。
图8是本发明一实施例提供的终端设备的示意图。如图8所示，该实施例的终端设备10包括：处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机程序102，例如进行遮挡下的车辆识别的程序。所述处理器100执行所述计算机程序102时实现上述方法实施例中的步骤，例如，图1所示的S102、S104、S106、S108、S110和S112的步骤。或者，所述处理器100执行所述计算机程序102时实现上述各装置实施例中各模块/单元的功能，例如图5所示的第一获取模块202、第一处理模块204、第二获取模块206、分割模块208、第三获取模块210和分类识别模块212的功能。
示例性的，所述计算机程序102可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器101中，并由所述处理器100执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序102在终端设备10中的执行过程。例如，所述计算机程序102可以被分割成第一获取模块202、第一处理模块204、第二获取模块206、分割模块208、第三获取模块210和分类识别模块212。(虚拟装置中的模块)，各模块具体功能如下：
第一获取模块202，用于通过物体前景检测获取待识别图像中车辆区域的第一掩码图，通过将第一掩码图中各连续区域的外边缘及外顶点连接，获得车辆区域的第二掩码图；
第一处理模块204，用于将第二掩码图与第一掩码图相减，得到非车辆空白图，非车辆空白图包括多个第一区域；
第二获取模块208，用于获取多个第一区域的内顶点；
分割模块，用于以内顶点为端点构建的分割线划分第一掩码图中的连续区域为多个第二区域，根据多个第二区域的外顶点以及相邻内顶点构成的分割线构建多个矩形框；
第三获取模块210，获取待识别图像中多个矩形框位置分别对应的单个车辆图像；
分类识别模块212，用于将单个车辆图像输入训练好的识别神经网络进行识别，获得车辆的分类信息。
所述终端设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备10可包括，但不仅限于，处理器100、存储器101。本领域技术人员可以理解，图8仅仅是终端设备10的示例，并不构成对终端设备10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器100可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable 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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器101可以是终端设备10的内部存储单元，例如终端设备10的硬盘或内存。所述存储器101也可以是终端设备10的外部存储设备，例如所述终端设备10上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器101还可以既包括终端设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及终端设备10所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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或记载的部分，可以参见其它实施例的相关描述。
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单元及算法步骤，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发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所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，在本发明各个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。
所述集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种遮挡下的车辆识别方法，其特征在于，包括：
通过物体前景检测获取待识别图像中车辆区域的第一掩码图，通过将所述第一掩码图中各连续区域的外边缘及外顶点连接，获得车辆区域的第二掩码图；
将所述第二掩码图与第一掩码图相减，得到非车辆空白图，所述非车辆空白图包括多个第一区域；
获取所述多个第一区域的内顶点；
以所述内顶点为端点构建的分割线划分所述第一掩码图中的连续区域为多个第二区域，根据所述多个第二区域的外顶点以及相邻内顶点构成的分割线构建多个矩形框；
获取待识别图像中所述多个矩形框位置分别对应的单个车辆图像；
将所述单个车辆图像输入训练好的识别神经网络进行识别，获得所述车辆的分类信息。
2.根据权利要求1所述的遮挡下的车辆识别方法，其特征在于，通过物体前景检测获取待识别图像中车辆区域的第一掩码图，包括：
获取待识别图像的视频流，采用Codebook算法从所述视频流中提取前景图像；
对所述前景图像做形态操作，所述形态操作包括膨胀和侵蚀；
对形态操作后的所述前景图像采用Canny算法获取轮廓，所述轮廓内区域即为车辆区域的第一掩码图。
3.根据权利要求2所述的遮挡下的车辆识别方法，其特征在于，所述采用Codebook算法从所述视频流中提取前景图像，包括：
从所述视频流中提取待识别图像，计算待识别图像的全局平均灰度值；
根据所述全局平均灰度值查找所对应的编码本，若查找成功，则待识别图像的所有像素均为前景，若查找失败，遍历待识别图像的每个像素的每个编码元，如果存在匹配当前像素值的编码元，则当前像素为背景，否则，当前像素为前景。
4.根据权利要求2所述的遮挡下的车辆识别方法，其特征在于，所述对形态操作后的所述前景图像采用Canny算法获取轮廓，包括：
使用高斯滤波平滑所述前景图像；
应用高斯模糊去除所述前景图像的噪声，降低伪边缘的识别；
计算所述前景图像的梯度幅值和梯度方向，其中，梯度模G的计算公式如下：
Figure FDA0002328783220000011
式中：Gx为水平方向的差分，Gy为垂直方向的差分；
梯度方向θ的计算公式如下：
θ＝atan2(Gy,Gx)；
遍历所述前景图像中轮廓曲线模糊部分的像素点，比较当前像素点的梯度强度和正负梯度方向的梯度强度，如果当前像素点的梯度强度大于同方向的其他点的梯度强度，则保留其值，否则，将该值设为0，将保留的所有像素点拼接成轮廓。
5.根据权利要求1所述的遮挡下的车辆识别方法，其特征在于，
所述识别神经网络包括卷积模块、自编码模块和识别模块；
其中，所述卷积模块包括N个并联的子卷积模块，所述子卷积模块包括卷积层和最大池化层，所述卷积模块用于将单个车辆图像分别在N个子卷积模块中提取特征信息；所述自编码模块包括2层卷积层，用于将N个子卷积模块提取的特征信息进行融合；所述识别模块用于根据提取的特征信息识别车辆。
6.一种遮挡下的车辆识别装置，其特征在于，包括：
第一获取模块，用于通过物体前景检测获取待识别图像中车辆区域的第一掩码图，通过将所述第一掩码图中各连续区域的外边缘及外顶点连接，获得车辆区域的第二掩码图；
第一处理模块，用于将所述第二掩码图与第一掩码图相减，得到非车辆空白图，所述非车辆空白图包括多个第一区域；
第二获取模块，用于获取所述多个第一区域的内顶点；
分割模块，用于以所述内顶点为端点构建的分割线划分所述第一掩码图中的连续区域为多个第二区域，根据所述多个第二区域的外顶点以及相邻内顶点构成的分割线构建多个矩形框；
第三获取模块，用于获取待识别图像中所述多个矩形框位置分别对应的单个车辆图像；
分类识别模块，用于将所述单个车辆图像输入训练好的识别神经网络进行识别，获得所述车辆的分类信息。
7.根据权利要求6所述的遮挡下的车辆识别装置，其特征在于，所述第一获取模块包括：
前景获取模块，用于获取待识别图像的视频流，采用Codebook算法从所述视频流中提取前景图像；
形态操作模块，用于对所述前景图像做形态操作，所述形态操作包括膨胀和侵蚀；
轮廓获取模块，用于对形态操作后的所述前景图像采用Canny算法获取轮廓，所述轮廓内区域即为车辆区域的第一掩码图。
8.根据权利要求7所述的遮挡下的车辆识别装置，其特征在于，所述前景获取模块包括：
灰度计算模块，用于从所述视频流中提取待识别图像，计算待识别图像的全局平均灰度值；
第二处理模块，用于根据所述全局平均灰度值查找所对应的编码本，若查找成功，则待识别图像的所有像素均为前景，若查找失败，遍历待识别图像的每个像素的每个编码元，如果存在匹配当前像素值的编码元，则当前像素为背景，否则，当前像素为前景。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述方法的步骤。
10.一种计算机可读介质，所述计算机可读介质存储有计算机程序，其特征在于，所述计算机程序被处理执行时实现如权利要求1-5中任一项所述方法的步骤。
CN201911327614.XA 2019-12-20 2019-12-20 一种遮挡下的车辆识别方法及装置 Pending CN111126248A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911327614.XA CN111126248A (zh) 2019-12-20 2019-12-20 一种遮挡下的车辆识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911327614.XA CN111126248A (zh) 2019-12-20 2019-12-20 一种遮挡下的车辆识别方法及装置

Publications (1)

Publication Number Publication Date
CN111126248A true CN111126248A (zh) 2020-05-08

Family

ID=70500744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911327614.XA Pending CN111126248A (zh) 2019-12-20 2019-12-20 一种遮挡下的车辆识别方法及装置

Country Status (1)

Country Link
CN (1) CN111126248A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734778A (zh) * 2021-01-28 2021-04-30 携程计算机技术（上海）有限公司 基于神经网络的车辆抠图方法、***、设备及存储介质
CN113378976A (zh) * 2021-07-01 2021-09-10 深圳市华汉伟业科技有限公司 一种基于特征顶点组合的目标检测方法、可读存储介质
CN116311106A (zh) * 2023-05-24 2023-06-23 合肥市正茂科技有限公司 一种遮挡图像识别模型的训练方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103871082A (zh) * 2014-03-31 2014-06-18 百年金海科技有限公司 一种基于安防视频图像的人流量统计方法
CN103914842A (zh) * 2014-04-04 2014-07-09 上海电机学院 一种基于Codebook背景差分法的前景检测方法
CN104680557A (zh) * 2015-03-10 2015-06-03 重庆邮电大学 视频序列图像中的异常行为智能检测方法
CN108759667A (zh) * 2018-05-29 2018-11-06 福州大学 车载摄像头下基于单目视觉与图像分割的前车测距方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103871082A (zh) * 2014-03-31 2014-06-18 百年金海科技有限公司 一种基于安防视频图像的人流量统计方法
CN103914842A (zh) * 2014-04-04 2014-07-09 上海电机学院 一种基于Codebook背景差分法的前景检测方法
CN104680557A (zh) * 2015-03-10 2015-06-03 重庆邮电大学 视频序列图像中的异常行为智能检测方法
CN108759667A (zh) * 2018-05-29 2018-11-06 福州大学 车载摄像头下基于单目视觉与图像分割的前车测距方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱世松 等: "基于轮廓特征点的重叠车辆检测与分割" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734778A (zh) * 2021-01-28 2021-04-30 携程计算机技术（上海）有限公司 基于神经网络的车辆抠图方法、***、设备及存储介质
CN113378976A (zh) * 2021-07-01 2021-09-10 深圳市华汉伟业科技有限公司 一种基于特征顶点组合的目标检测方法、可读存储介质
CN113378976B (zh) * 2021-07-01 2022-06-03 深圳市华汉伟业科技有限公司 一种基于特征顶点组合的目标检测方法、可读存储介质
CN116311106A (zh) * 2023-05-24 2023-06-23 合肥市正茂科技有限公司 一种遮挡图像识别模型的训练方法、装置、设备及介质
CN116311106B (zh) * 2023-05-24 2023-08-22 合肥市正茂科技有限公司 一种遮挡图像识别模型的训练方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
CN106778705B (zh) 一种行人个体分割方法及装置
CN110781885A (zh) 基于图像处理的文本检测方法、装置、介质及电子设备
CN112528878A (zh) 检测车道线的方法、装置、终端设备及可读存储介质
CN112287912B (zh) 基于深度学习的车道线检测方法以及装置
CN111126248A (zh) 一种遮挡下的车辆识别方法及装置
CN111145209A (zh) 一种医学图像分割方法、装置、设备及存储介质
CN107704797B (zh) 基于安防视频中行人和车辆的实时检测方法和***及设备
WO2023082453A1 (zh) 一种图像处理方法及装置
CN110751024A (zh) 基于手写签名的用户身份识别方法、装置及终端设备
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
CN114387591A (zh) 车牌识别方法、***、设备及存储介质
CN114331951A (zh) 图像检测方法、装置、计算机、可读存储介质及程序产品
CN114444565A (zh) 一种图像篡改检测方法、终端设备及存储介质
CN117115117B (zh) 基于小样本下的病理图像识别方法、电子设备及存储介质
CN111161348A (zh) 一种基于单目相机的物***姿估计方法、装置及设备
CN113570725A (zh) 基于聚类的三维表面重建方法、装置、服务器及存储介质
CN113378837A (zh) 车牌遮挡识别方法、装置、电子设备和存储介质
CN113191189A (zh) 人脸活体检测方法、终端设备及计算机可读存储介质
CN111311610A (zh) 图像分割的方法及终端设备
CN111539341A (zh) 目标定位方法、装置、电子设备和介质
CN115731179A (zh) 轨道部件检测方法、终端及存储介质
CN116824624A (zh) 一种奶牛身份识别方法、***、设备及存储介质
CN113313124B (zh) 基于图像分割算法识别车牌号码的方法、装置和终端设备
CN110633705A (zh) 一种低照度成像车牌识别方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200508