CN112699781A - 车灯状态检测方法、装置、计算机设备和可读存储介质 - Google Patents
车灯状态检测方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN112699781A CN112699781A CN202011594588.XA CN202011594588A CN112699781A CN 112699781 A CN112699781 A CN 112699781A CN 202011594588 A CN202011594588 A CN 202011594588A CN 112699781 A CN112699781 A CN 112699781A
- Authority
- CN
- China
- Prior art keywords
- lamp
- vehicle
- vehicle lamp
- state
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000013145 classification model Methods 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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
- G08G1/0125—Traffic data processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种车灯状态检测方法、装置、计算机设备和可读存储介质。所述方法包括：获取目标车辆对应的车灯图像，并根据所述车灯图像，获取所述目标车辆的车灯使用状态，所述车灯使用状态用于表征所述目标车辆的对侧车灯在所述车灯图像中的亮灭状态；检测所述车灯使用状态是否满足预设条件，所述预设条件与所述车灯图像中各侧车灯对应的车灯特征之间的相似度和各侧车灯在所述车灯图像中的亮灭状态中的至少一个相关；若所述车灯使用状态满足所述预设条件，则确定所述目标车辆的转向灯开启。采用本方法可以能够提升车灯状态的检测效率。
Description
技术领域
本申请涉及智能交通技术领域，特别是涉及一种车灯状态检测方法、装置、计算机设备和可读存储介质。
背景技术
随着汽车保有量的不断攀升，交通事故频发，检测车辆行驶过程中的违规行为对减少交通事故的发生意义重大。违规行为如车辆的闯红灯、违法导向、压线、转向不开启转向灯、违法变道、违停、占用应急车道等行为。
目前，得益于人工智能技术的快速发展，结合人工智能技术对车辆的违规行为进行检测已越来越普遍。例如，基于计算机视觉技术对转弯路段的视频数据中的多帧连续帧进行识别，通过多帧连续帧的时序变化来检测转弯路段的车辆的车灯状态，车灯状态如转向灯是否开启。
但是，上述车灯状态检测的方法，检测过程中的数据运算量较大，占用的计算资源较多，车灯状态的检测效率低下。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提升车灯状态的检测效率的车灯状态检测方法、装置、计算机设备和可读存储介质。
第一方面，本申请实施例提供一种车灯状态检测方法，所述方法包括：
获取目标车辆对应的车灯图像，并根据所述车灯图像，获取所述目标车辆的车灯使用状态，所述车灯使用状态用于表征所述目标车辆的对侧车灯在所述车灯图像中的亮灭状态；
检测所述车灯使用状态是否满足预设条件，所述预设条件与所述车灯图像中各侧车灯对应的车灯特征之间的相似度和各侧车灯在所述车灯图像中的亮灭状态中的至少一个相关；
若所述车灯使用状态满足所述预设条件，则确定所述目标车辆的转向灯开启。
在其中一个实施例中，所述目标车辆的对侧车灯包括第一车灯和第二车灯，所述根据所述车灯图像，获取所述目标车辆的车灯使用状态，包括：
根据所述车灯图像获取与所述第一车灯对应的第一车灯图像以及与所述第二车灯对应的第二车灯图像；
将所述第一车灯图像和所述第二车灯图像分别输入至车灯亮灭分类模型中，得到所述第一车灯的使用状态和所述第二车灯的使用状态，并将所述第一车灯的使用状态和所述第二车灯的使用状态确定为所述车灯使用状态。
在其中一个实施例中，所述目标车辆的对侧车灯包括第一车灯和第二车灯，所述根据所述车灯图像，获取所述目标车辆的车灯使用状态，包括：
根据所述车灯图像获取与所述第一车灯对应的第一车灯图像以及与所述第二车灯对应的第二车灯图像；
将所述第一车灯图像输入至车灯亮灭分类模型中，得到所述第一车灯的使用状态；
根据所述第一车灯的使用状态，确定所述第一车灯是否为灯亮状态；
若所述第一车灯为灯亮状态，则将所述第二车灯图像输入至所述车灯亮灭分类模型中，得到所述第二车灯的使用状态，并将所述第一车灯的使用状态和所述第二车灯的使用状态确定为所述车灯使用状态。
在其中一个实施例中，所述检测所述车灯使用状态是否满足预设条件，包括：
根据所述第一车灯的使用状态和所述第二车灯的使用状态，确定所述第一车灯的亮灭状态和所述第二车灯的亮灭状态；
若所述第一车灯为灯亮状态且所述第二车灯为灯灭状态，则确定所述车灯使用状态满足所述预设条件。
在其中一个实施例中，所述根据所述第一车灯的使用状态和所述第二车灯的使用状态，确定所述第一车灯的亮灭状态和所述第二车灯的亮灭状态之后，还包括：
若所述第一车灯和所述第二车灯均为灯亮状态，则采用所述车灯亮灭分类模型的预设特征提取层，从所述第一车灯图像中提取所述第一车灯对应的第一车灯特征，并从所述第二车灯图像中提取所述第二车灯对应的第二车灯特征；
检测所述第一车灯特征和所述第二车灯特征之间的相似度是否小于预设相似度阈值；
若所述第一车灯特征和所述第二车灯特征之间的相似度小于所述预设相似度阈值，则确定所述车灯使用状态满足所述预设条件。
在其中一个实施例中，所述检测所述第一车灯特征和所述第二车灯特征之间的相似度是否小于预设相似度阈值，包括：
计算所述第一车灯特征和所述第二车灯特征之间的特征距离；
检测所述特征距离是否大于预设距离阈值；
若所述特征距离大于所述预设距离阈值，则确定所述第一车灯特征和所述第二车灯特征之间的相似度小于所述预设相似度阈值。
在其中一个实施例中，所述车灯亮灭分类模型的训练过程包括：
获取多个样本车灯图像，各所述样本车灯图像包括第一样本车灯图像和第二样本车灯图像，所述第一样本车灯图像和所述第二样本车灯图像均包括对应的车灯使用状态标签以及类别关系标签，所述类别关系标签用于表征所述第一样本车灯图像和所述第二样本车灯图像是否对应同一类车灯；
根据所述多个样本车灯图像训练初始分类模型，得到所述车灯亮灭分类模型。
第二方面，本申请实施例提供一种车灯状态检测装置，所述装置包括：
第一获取模块，用于获取目标车辆对应的车灯图像，并根据所述车灯图像，获取所述目标车辆的车灯使用状态，所述车灯使用状态用于表征所述目标车辆的对侧车灯在所述车灯图像中的亮灭状态；
检测模块，用于检测所述车灯使用状态是否满足预设条件，所述预设条件与所述车灯图像中各侧车灯对应的车灯特征之间的相似度和各侧车灯在所述车灯图像中的亮灭状态中的至少一个相关；
确定模块，用于若所述车灯使用状态满足所述预设条件，则确定所述目标车辆的转向灯开启。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面的方法的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面的方法的步骤。
本申请实施例提供的技术方案带来的有益效果至少包括：
通过获取目标车辆对应的车灯图像，并根据车灯图像，获取目标车辆的车灯使用状态，车灯使用状态用于表征目标车辆的对侧车灯在车灯图像中的亮灭状态；检测车灯使用状态是否满足预设条件，预设条件与车灯图像中各侧车灯对应的车灯特征之间的相似度和各侧车灯在车灯图像中的亮灭状态中的至少一个相关；若车灯使用状态满足预设条件，则确定目标车辆的转向灯开启；由此，根据车灯图像获取目标车辆的车灯使用状态，通过检测该车灯使用状态是否满足预设条件，即可确定目标车辆的转向灯是否开启，而不必对视频数据中的多帧连续帧进行识别来检测车辆的转向灯是否开启，降低了车灯状态检测过程中图像数据的处理量，从而降低了车灯状态检测过程中的数据运算量，避免占用过多的计算资源，提升了车灯状态的检测效率。
附图说明
图1为一个实施例中车灯状态检测方法的流程示意图；
图2为另一个实施例中步骤S100的部分细化步骤示意图；
图3为另一个实施例中步骤S100的部分细化步骤示意图；
图4为另一个实施例中步骤S200的细化步骤示意图；
图5为另一个实施例中步骤S200的细化步骤示意图；
图6为另一个实施例中初始分类模型的网络结构示意图；
图7为另一个实施例中步骤S204的细化步骤示意图；
图8为一个实施例中车灯状态检测装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的车灯状态检测方法、装置、计算机设备和可读存储介质，旨在解决传统技术中，由于需要对视频数据中的多帧连续帧进行识别，通过多帧连续帧的时序变化来检测车辆的转向灯是否开启，导致检测过程中的数据运算量大，占用的计算资源多，车灯状态的检测效率低下的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案进行详细说明。下面这几个具体地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中不再赘述。
需要说明的是，本申请实施例提供的车灯状态检测方法，其执行主体可以是车灯状态检测装置，该车灯状态检测装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部，计算机设备可以是服务器。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。可以理解的是，下述方法实施例提供的车灯状态检测方法，也可以应用于终端，还可以应用于包括终端和服务器的***，并通过终端和服务器的交互实现。
在一个实施例中，如图1所示，提供了一种车灯状态检测方法，包括以下步骤：
步骤S100，获取目标车辆对应的车灯图像，并根据车灯图像，获取目标车辆的车灯使用状态。
本申请实施例中，车灯图像可以是计算机设备基于转弯路段对应的监控图像获取的。作为一种实施方式，计算机设备可以获取图像采集组件采集的转弯路段的单帧监控图像，或者，计算机设备可以获取视频采集组件采集的转弯路段的监控视频，并从该监控视频中抽取单帧图像，得到监控图像。
计算机设备可以采用目标检测算法，如SSD(Single Shot MultiBox Detector)算法或YOLO(You Only Look Once)算法等，对监控图像进行目标检测，得到监控图像中车辆的位置框坐标，计算机设备根据该位置框坐标在监控图像中截取该位置框坐标对应的车辆图像，可以理解的是，若监控图像中包括多个车辆，则截取得到多张车辆图像，目标车辆可以是多个车辆中的任意一个。
计算机设备采用目标检测算法对目标车辆对应的车辆图像进行目标检测，确定车辆图像中目标车辆的车灯所在的位置，并从车辆图像中截取与车灯所在的位置对应的图像，则得到车灯图像。
在一种可能的实施方式中，车灯图像可以包括目标车辆的对侧车灯，对侧车灯例如可以是目标车辆的一对尾灯或者可以是目标车辆的一对前灯，在此不做具体限制。
计算机设备根据车灯图像，获取目标车辆的车灯使用状态，可以是将车灯图像输入至预先训练的车灯亮灭分类模型中，得到目标车辆的车灯使用状态，该车灯使用状态用于表征目标车辆的对侧车灯在车灯图像中的亮灭状态。
由于车辆的车灯是由刹车灯、转向灯、雾灯等形成的组合，并且车灯款式和形态种类繁多，因此，训练针对转向灯亮灭的模型几乎不可能实现，本申请实施例通过车灯亮灭分类模型，可以大大降低模型训练的难度，从而降低了车灯状态检测方法的实施难度。
在一种可能的实施方式中，车灯使用状态可以包括一侧车灯为灯亮状态且另一侧车灯为灯灭状态，或者车灯使用状态可以包括两侧车灯均为灯灭状态，或者车灯使用状态可以包括两侧车灯均为灯亮状态，在此不做具体限制。
步骤S200，检测车灯使用状态是否满足预设条件。
计算机设备检测车灯使用状态是否满足预设条件，该预设条件可以是根据目标车辆的转向灯开启时对应的车灯图像的特征确定的，该预设条件与车灯图像中各侧车灯对应的车灯特征之间的相似度和各侧车灯在车灯图像中的亮灭状态中的至少一个相关。
目标车辆在行驶过程中，只有单侧车灯亮才为开启转向灯，计算机设备检测车灯使用状态是否满足预设条件，例如可以是检测车灯使用状态是否为一侧车灯为灯亮状态且另一侧车灯为灯灭状态，或者可以是检测车灯使用状态是否为两侧车灯均为灯亮状态。
步骤S300，若车灯使用状态满足预设条件，则确定目标车辆的转向灯开启。
计算机设备若检测到车灯使用状态满足预设条件，例如，检测到车灯使用状态为一侧车灯为灯亮状态且另一侧车灯为灯灭状态，则确定车灯使用状态满足预设条件，从而确定目标车辆的转向灯开启。
在另一种可能的实施方式中，计算机设备若检测到车灯使用状态为两侧车灯均为灯亮状态，则检测车灯图像中一侧车灯对应的车灯特征和另一侧车灯对应的车灯特征之间的相似度，相似度可以通过计算两侧车灯对应的车灯特征之间的距离实现；计算机设备若检测到两侧车灯对应的车灯特征之间的相似度较大，则表征车灯图像中的一侧车灯和另一侧车灯不是同一类型，例如可能一侧是转向灯而另一侧是刹车灯等，从而确定目标车辆的转向灯开启。
作为一种实施方式，在其它实施例中，计算机设备若检测到车灯使用状态为两侧车灯均为灯灭状态，则确定目标车辆的转向灯未开启。
本实施例通过获取目标车辆对应的车灯图像，并根据车灯图像，获取目标车辆的车灯使用状态，车灯使用状态用于表征目标车辆的对侧车灯在车灯图像中的亮灭状态；检测车灯使用状态是否满足预设条件，预设条件与车灯图像中各侧车灯对应的车灯特征之间的相似度和各侧车灯在车灯图像中的亮灭状态中的至少一个相关；若车灯使用状态满足预设条件，则确定目标车辆的转向灯开启；由此，根据车灯图像获取目标车辆的车灯使用状态，通过检测该车灯使用状态是否满足预设条件，即可确定目标车辆的转向灯是否开启，而不必对视频数据中的多帧连续帧进行识别来检测车辆的转向灯是否开启，降低了车灯状态检测过程中图像帧的处理量，从而降低了车灯状态检测过程中的数据运算量，避免占用过多的计算资源，提升了车灯状态的检测效率。
另外，传统的车灯状态检测方法中，基于计算机视觉的时序序列模型较难训练，实际训练的用于检测多帧连续帧的时序变化的模型往往效果不佳，导致车灯状态的检测精度较低。本申请实施例中，不需要对多帧连续帧进行识别检测，寻找时序变化信息，只需对单帧的监控图像进行处理，即对单帧的车灯图像进行检测，而不需要对多帧时序连续的车灯图像进行检测，即可确定目标车辆的转向灯是否开启，从而不必使用用于检测多帧连续帧的时序变化的模型，因此可以提升车灯状态检测的精度。
在一个实施例中，在上述图1所示实施例的基础上，本实施例涉及的是计算机设备如何根据车灯图像获取目标车辆的车灯使用状态的过程。
在一种可能的实施方式中，参见图2，计算机设备可以通过执行如图2所示的步骤S101和步骤S102，来实现根据车灯图像获取目标车辆的车灯使用状态的过程：
步骤S101，根据车灯图像获取与第一车灯对应的第一车灯图像以及与第二车灯对应的第二车灯图像。
本申请实施例中，作为一种实施方式，目标车辆的对侧车灯可以包括第一车灯和第二车灯，对侧车灯例如可以是目标车辆的一对尾灯，则第一车灯和第二车灯可以分别是一侧尾灯。
作为一种实施方式，计算机设备根据车灯图像获取与第一车灯对应的第一车灯图像以及与第二车灯对应的第二车灯图像，可以采用目标检测算法对车灯图像进行目标检测，确定车灯图像中目标车辆的第一车灯所在的位置以及第二车灯所在的位置，并从车灯图像中截取与第一车灯所在的位置对应的图像，则得到第一车灯图像，从车灯图像中截取与第二车灯所在的位置对应的图像，则得到第二车灯图像。
步骤S102，将第一车灯图像和第二车灯图像分别输入至车灯亮灭分类模型中，得到第一车灯的使用状态和第二车灯的使用状态，并将第一车灯的使用状态和第二车灯的使用状态确定为车灯使用状态。
计算机设备将第一车灯图像和第二车灯图像分别输入至车灯亮灭分类模型中，得到第一车灯的使用状态和第二车灯的使用状态，第一车灯的使用状态如第一车灯为灯亮状态或者灯灭状态，第二车灯的使用状态如第二车灯为灯亮状态或者灯灭状态。
计算机设备将第一车灯的使用状态和第二车灯的使用状态确定为车灯使用状态，则车灯使用状态可以为第一车灯为灯亮状态且第二车灯为灯灭状态，或者车灯使用状态可以为第一车灯和第二车灯均为灯灭状态，或者车灯使用状态可以为第一车灯和第二车灯均为灯亮状态。
在另一种可能的实施方式中，参见图3，计算机设备可以通过执行如图3所示的步骤S101、步骤S103、步骤S104和步骤S105，实现根据车灯图像获取目标车辆的车灯使用状态的过程：
步骤S101，根据车灯图像获取与第一车灯对应的第一车灯图像以及与第二车灯对应的第二车灯图像。
本申请实施例中，目标车辆的对侧车灯包括第一车灯和第二车灯，计算机设备根据车灯图像获取与第一车灯对应的第一车灯图像以及与第二车灯对应的第二车灯图像可以参见上述实施例，在此不再重复赘述。
步骤S103，将第一车灯图像输入至车灯亮灭分类模型中，得到第一车灯的使用状态。
计算机设备将第一车灯图像输入至车灯亮灭分类模型中，得到第一车灯的使用状态，第一车灯的使用状态如第一车灯为灯亮状态或者第一车灯为灯灭状态。
步骤S104，根据第一车灯的使用状态，确定第一车灯是否为灯亮状态。
本申请实施例中，以应用场景是左转弯场景为例，计算机设备则可以从左转弯路段对应的监控图像中截取目标车辆的车辆图像，然后从该车辆图像中截取车灯图像，从而得到第一车灯对应的第一车灯图像以及与第二车灯对应的第二车灯图像，该第一车灯可以是左侧车灯，该第二车灯则可以是右侧车灯。可以理解的是，若应用场景为右转弯场景，则第一车灯可以是右侧车灯，第二车灯可以为左侧车灯。
目标车辆在行驶过程中，由于只有单侧车灯亮才为开启转向灯，因此，本申请实施例计算机设备首先根据第一车灯的使用状态，确定第一车灯是否为灯亮状态，若第一车灯为灯灭状态，则不必对第二车灯进行使用状态的检测，即可直接确定目标车辆未开启转向灯，由此可以进一步提升车灯状态检测的效率。
步骤S105，若第一车灯为灯亮状态，则将第二车灯图像输入至车灯亮灭分类模型中，得到第二车灯的使用状态，并将第一车灯的使用状态和第二车灯的使用状态确定为车灯使用状态。
若计算机设备检测到第一车灯为灯亮状态，计算机设备才将第二车灯图像输入至车灯亮灭分类模型中，以此来检测第二车灯为灯亮状态或者灯灭状态，并将第一车灯的使用状态和第二车灯的使用状态确定为车灯使用状态，再通过检测车灯使用状态是否满足预设条件来确定目标车辆的转向灯是否开启，从而不必对视频数据中的多帧连续帧进行识别来检测车辆的转向灯是否开启，只基于单帧车灯图像即可确定目标车辆是否开启转向灯，降低了车灯状态检测过程中图像帧的处理量，从而降低了车灯状态检测过程中的数据运算量，避免占用过多的计算资源，提升了车灯状态的检测效率。
本实施例中，根据实际的应用场景，计算机设备首先检测和应用场景匹配的一侧的车灯，即第一车灯的使用状态，若第一车灯为灯灭状态，计算机设备则不必对另一侧车灯，即不必对第二车灯的使用状态进行检测，则可直接确定目标车辆未开启转向灯，提升了车灯状态检测的检测效率。
在一个实施例中，在上述图3所示实施例的基础上，参见图4，本实施例涉及的是计算机设备如何检测车灯使用状态是否满足预设条件的过程。如图4所示，步骤S200可以包括步骤S201和步骤S202：
步骤S201，根据第一车灯的使用状态和第二车灯的使用状态，确定第一车灯的亮灭状态和第二车灯的亮灭状态。
本申请实施例中，在一种可能的实施方式中，计算机设备通过车灯亮灭分类模型，获取的第一车灯的使用状态和第二车灯的使用状态，可以是针对第一车灯的亮灭状态的分类结果和第二车灯的亮灭状态的分类结果。
例如，第一车灯的亮灭状态的分类结果为“1”，计算机设备则确定第一车灯为灯亮状态，第二车灯的亮灭状态的分类结果为“0”，计算机设备则确定第一车灯为灯灭状态。
步骤S202，若第一车灯为灯亮状态且第二车灯为灯灭状态，则确定车灯使用状态满足预设条件。
计算机设备若根据第一车灯的使用状态和第二车灯的使用状态，确定第一车灯的亮灭状态为灯亮状态且第二车灯的亮灭状态为灯灭状态，由于目标车辆在转弯过程中，只有单侧车灯亮才为开启转向灯，因此则确定车灯使用状态满足预设条件。
在上述图4所示实施例的基础上，参见图5，在步骤S200另一种可能的实施方式中，步骤S201之后，步骤S200还包括步骤S203、步骤S204和步骤S205：
步骤S203，若第一车灯和第二车灯均为灯亮状态，则采用车灯亮灭分类模型的预设特征提取层，从第一车灯图像中提取第一车灯对应的第一车灯特征，并从第二车灯图像中提取第二车灯对应的第二车灯特征。
本申请实施例中，计算机设备若检测到第一车灯和第二车灯均为灯亮状态，则采用预先训练的车灯亮灭分类模型的预设特征提取层，从第一车灯图像中提取第一车灯对应的第一车灯特征，并从第二车灯图像中提取第二车灯对应的第二车灯特征。
作为一种实施方式，该车灯亮灭分类模型的训练过程可以包括步骤A1和步骤A2：
步骤A1，获取多个样本车灯图像。
计算机设备获取多个样本车灯图像，各样本车灯图像包括第一样本车灯图像和第二样本车灯图像，每个样本车灯图像包括的第一样本车灯图像和第二样本车灯图像例如可以是同一个车辆的一对尾灯图像。
第一样本车灯图像和第二样本车灯图像均包括人工标注的对应的车灯使用状态标签以及类别关系标签，类别关系标签用于表征第一样本车灯图像和第二样本车灯图像是否对应同一类车灯。例如，对于一个样本车灯图像包括的第一样本车灯图像和第二样本车灯图像，该第一样本车灯图像包括灯亮标签或灯灭标签以及该第一样本车灯图像和第二样本车灯图像是否对应同一类车灯的标签，该第二样本车灯图像包括灯亮标签或灯灭标签以及该第二样本车灯图像和第一样本车灯图像是否对应同一类车灯的标签。同一类车灯例如均是转向灯或均是刹车灯等。
步骤A2，根据多个样本车灯图像训练初始分类模型，得到车灯亮灭分类模型。
本申请实施例中，初始分类模型可以是在深度学习网络GoogLeNet的基础上增加辅助损失(aux loss)层，该aux loss可以是空洞卷积层或者可变形卷积层，由此，更有利于初始分类模型从样本车灯图像中学习车灯特征。
在一种可能的方式中，初始分类模型的网络结构示意图可以如图6所示。如图6所示，初始分类模型在GoogLeNet的基础上增加了aux loss。
计算机设备将多个样本车灯图像作为“input”输入至初始分类模型，对初始分类模型进行迭代训练，训练后得到车灯亮灭分类模型。
计算机设备若检测到第一车灯和第二车灯均为灯亮状态，则将第一车灯图像和第二车灯图像输入至车灯亮灭分类模型中，得到预设特征提取层(aux loss)从第一车灯图像中提取第一车灯对应的第一车灯特征，以及从第二车灯图像中提取第二车灯对应的第二车灯特征。
步骤S204，检测第一车灯特征和第二车灯特征之间的相似度是否小于预设相似度阈值。
计算机设备检测第一车灯特征和第二车灯特征之间的相似度，可以是计算第一车灯特征和第二车灯特征之间的距离，例如计算欧氏距离或者余弦距离。
在步骤S204一种可能的实施方式中，参见图7，步骤S204可以包括步骤S2041、步骤S2042和步骤S2043：
步骤S2041，计算第一车灯特征和第二车灯特征之间的特征距离。
步骤S2042，检测特征距离是否大于预设距离阈值。
步骤S2043，若特征距离大于预设距离阈值，则确定第一车灯特征和第二车灯特征之间的相似度小于预设相似度阈值。
计算机设备计算第一车灯特征和第二车灯特征之间的特征距离，特征距离例如余弦距离，并检测特征距离是否大于预设距离阈值。
若该特征距离大于预设距离阈值，则表征第一车灯特征和第二车灯特征之间的差别较大，即第一车灯特征和第二车灯特征之间的相似度很小。
在另一种可能的实施方式中，若该特征距离不大于预设距离阈值，则表征第一车灯特征和第二车灯特征之间的差别较小，即第一车灯特征和第二车灯特征的相似度比较大，从而确定第一车灯特征和第二车灯特征之间的相似度不小于预设相似度阈值。
步骤S205，若第一车灯特征和第二车灯特征之间的相似度小于预设相似度阈值，则确定车灯使用状态满足预设条件。
目标车辆在行驶过程中，由于只有单侧车灯亮才为开启转向灯，若第一车灯和第二车灯均为灯亮状态，且第一车灯特征和第二车灯特征之间的相似度小于预设相似度阈值，则表征第一车灯特征和第二车灯特征之间的相似度很小，第一车灯和第二车灯不是同一类车灯，例如，可以是第一车灯是转向灯，第二车灯是刹车灯等，因此则确定车灯使用状态满足预设条件，即目标车辆的转向灯开启。
在另一种可能的实施方式中，若第一车灯和第二车灯均为灯亮状态，且第一车灯特征和第二车灯特征之间的相似度不小于预设相似度阈值，则表征第一车灯特征和第二车灯特征之间的相似度较大，第一车灯和第二车灯是同一类车灯，例如，第一车灯和第二车灯均为转向灯或者均为刹车灯等，从而确定车灯使用状态不满足预设条件，即目标车辆的转向灯未开启。
作为一种实施方式，计算机设备还可以获取预设时间段对应的多帧连续车灯图像的转向灯是否开启的真实标签，并将多帧连续车灯图像的真实标签与本车灯状态检测方法检测的多帧连续车灯图像的转向灯是否开启的预测标签进行对应比较，从而得到预测准确性。在实际的应用过程中，经过多次验证，本申请实施例的预测准确率可以达到96％，从而大大提升了车灯状态检测的准确性。
应该理解的是，虽然图1-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种车灯状态检测装置，包括：
第一获取模块10，用于获取目标车辆对应的车灯图像，并根据所述车灯图像，获取所述目标车辆的车灯使用状态，所述车灯使用状态用于表征所述目标车辆的对侧车灯在所述车灯图像中的亮灭状态；
检测模块20，用于检测所述车灯使用状态是否满足预设条件，所述预设条件与所述车灯图像中各侧车灯对应的车灯特征之间的相似度和各侧车灯在所述车灯图像中的亮灭状态中的至少一个相关；
确定模块30，用于若所述车灯使用状态满足所述预设条件，则确定所述目标车辆的转向灯开启。
可选地，所述目标车辆的对侧车灯包括第一车灯和第二车灯，所述第一获取模块10包括：
图像获取单元，用于根据所述车灯图像获取与所述第一车灯对应的第一车灯图像以及与所述第二车灯对应的第二车灯图像；
第一状态获取单元，用于将所述第一车灯图像和所述第二车灯图像分别输入至车灯亮灭分类模型中，得到所述第一车灯的使用状态和所述第二车灯的使用状态，并将所述第一车灯的使用状态和所述第二车灯的使用状态确定为所述车灯使用状态。
可选地，所述目标车辆的对侧车灯包括第一车灯和第二车灯，所述第一获取模块10包括：
图像获取单元，用于根据所述车灯图像获取与所述第一车灯对应的第一车灯图像以及与所述第二车灯对应的第二车灯图像；
输入单元，用于将所述第一车灯图像输入至车灯亮灭分类模型中，得到所述第一车灯的使用状态；
第一确定单元，用于根据所述第一车灯的使用状态，确定所述第一车灯是否为灯亮状态；
第二状态获取单元，用于若所述第一车灯为灯亮状态，则将所述第二车灯图像输入至所述车灯亮灭分类模型中，得到所述第二车灯的使用状态，并将所述第一车灯的使用状态和所述第二车灯的使用状态确定为所述车灯使用状态。
可选地，所述检测模块20包括：
第二确定单元，用于根据所述第一车灯的使用状态和所述第二车灯的使用状态，确定所述第一车灯的亮灭状态和所述第二车灯的亮灭状态；
第三确定单元，用于若所述第一车灯为灯亮状态且所述第二车灯为灯灭状态，则确定所述车灯使用状态满足所述预设条件。
可选地，所述检测模块20还包括：
提取单元，用于若所述第一车灯和所述第二车灯均为灯亮状态，则采用所述车灯亮灭分类模型的预设特征提取层，从所述第一车灯图像中提取所述第一车灯对应的第一车灯特征，并从所述第二车灯图像中提取所述第二车灯对应的第二车灯特征；
检测单元，用于检测所述第一车灯特征和所述第二车灯特征之间的相似度是否小于预设相似度阈值；
第四确定单元，用于若所述第一车灯特征和所述第二车灯特征之间的相似度小于所述预设相似度阈值，则确定所述车灯使用状态满足所述预设条件。
可选地，所述检测单元具体用于计算所述第一车灯特征和所述第二车灯特征之间的特征距离；检测所述特征距离是否大于预设距离阈值；若所述特征距离大于所述预设距离阈值，则确定所述第一车灯特征和所述第二车灯特征之间的相似度小于所述预设相似度阈值。
可选地，所述装置还包括：
第二获取模块，用于获取多个样本车灯图像，各所述样本车灯图像包括第一样本车灯图像和第二样本车灯图像，所述第一样本车灯图像和所述第二样本车灯图像均包括对应的车灯使用状态标签以及类别关系标签，所述类别关系标签用于表征所述第一样本车灯图像和所述第二样本车灯图像是否对应同一类车灯；
训练模块，用于根据所述多个样本车灯图像训练初始分类模型，得到所述车灯亮灭分类模型。
关于车灯状态检测装置的具体限定可以参见上文中对于车灯状态检测方法的限定，在此不再赘述。上述车灯状态检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储车灯状态检测方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车灯状态检测方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取目标车辆对应的车灯图像，并根据所述车灯图像，获取所述目标车辆的车灯使用状态，所述车灯使用状态用于表征所述目标车辆的对侧车灯在所述车灯图像中的亮灭状态；
检测所述车灯使用状态是否满足预设条件，所述预设条件与所述车灯图像中各侧车灯对应的车灯特征之间的相似度和各侧车灯在所述车灯图像中的亮灭状态中的至少一个相关；
若所述车灯使用状态满足所述预设条件，则确定所述目标车辆的转向灯开启。
在一个实施例中，所述目标车辆的对侧车灯包括第一车灯和第二车灯，处理器执行计算机程序时还实现以下步骤：
根据所述车灯图像获取与所述第一车灯对应的第一车灯图像以及与所述第二车灯对应的第二车灯图像；
将所述第一车灯图像和所述第二车灯图像分别输入至车灯亮灭分类模型中，得到所述第一车灯的使用状态和所述第二车灯的使用状态，并将所述第一车灯的使用状态和所述第二车灯的使用状态确定为所述车灯使用状态。
在一个实施例中，所述目标车辆的对侧车灯包括第一车灯和第二车灯，处理器执行计算机程序时还实现以下步骤：
根据所述车灯图像获取与所述第一车灯对应的第一车灯图像以及与所述第二车灯对应的第二车灯图像；
将所述第一车灯图像输入至车灯亮灭分类模型中，得到所述第一车灯的使用状态；
根据所述第一车灯的使用状态，确定所述第一车灯是否为灯亮状态；
若所述第一车灯为灯亮状态，则将所述第二车灯图像输入至所述车灯亮灭分类模型中，得到所述第二车灯的使用状态，并将所述第一车灯的使用状态和所述第二车灯的使用状态确定为所述车灯使用状态。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据所述第一车灯的使用状态和所述第二车灯的使用状态，确定所述第一车灯的亮灭状态和所述第二车灯的亮灭状态；
若所述第一车灯为灯亮状态且所述第二车灯为灯灭状态，则确定所述车灯使用状态满足所述预设条件。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
若所述第一车灯和所述第二车灯均为灯亮状态，则采用所述车灯亮灭分类模型的预设特征提取层，从所述第一车灯图像中提取所述第一车灯对应的第一车灯特征，并从所述第二车灯图像中提取所述第二车灯对应的第二车灯特征；
检测所述第一车灯特征和所述第二车灯特征之间的相似度是否小于预设相似度阈值；
若所述第一车灯特征和所述第二车灯特征之间的相似度小于所述预设相似度阈值，则确定所述车灯使用状态满足所述预设条件。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
计算所述第一车灯特征和所述第二车灯特征之间的特征距离；
检测所述特征距离是否大于预设距离阈值；
若所述特征距离大于所述预设距离阈值，则确定所述第一车灯特征和所述第二车灯特征之间的相似度小于所述预设相似度阈值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取多个样本车灯图像，各所述样本车灯图像包括第一样本车灯图像和第二样本车灯图像，所述第一样本车灯图像和所述第二样本车灯图像均包括对应的车灯使用状态标签以及类别关系标签，所述类别关系标签用于表征所述第一样本车灯图像和所述第二样本车灯图像是否对应同一类车灯；
根据所述多个样本车灯图像训练初始分类模型，得到所述车灯亮灭分类模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标车辆对应的车灯图像，并根据所述车灯图像，获取所述目标车辆的车灯使用状态，所述车灯使用状态用于表征所述目标车辆的对侧车灯在所述车灯图像中的亮灭状态；
检测所述车灯使用状态是否满足预设条件，所述预设条件与所述车灯图像中各侧车灯对应的车灯特征之间的相似度和各侧车灯在所述车灯图像中的亮灭状态中的至少一个相关；
若所述车灯使用状态满足所述预设条件，则确定所述目标车辆的转向灯开启。
在一个实施例中，所述目标车辆的对侧车灯包括第一车灯和第二车灯，计算机程序被执行时还实现以下步骤：
根据所述车灯图像获取与所述第一车灯对应的第一车灯图像以及与所述第二车灯对应的第二车灯图像；
将所述第一车灯图像和所述第二车灯图像分别输入至车灯亮灭分类模型中，得到所述第一车灯的使用状态和所述第二车灯的使用状态，并将所述第一车灯的使用状态和所述第二车灯的使用状态确定为所述车灯使用状态。
在一个实施例中，所述目标车辆的对侧车灯包括第一车灯和第二车灯，计算机程序被执行时还实现以下步骤：
根据所述车灯图像获取与所述第一车灯对应的第一车灯图像以及与所述第二车灯对应的第二车灯图像；
将所述第一车灯图像输入至车灯亮灭分类模型中，得到所述第一车灯的使用状态；
根据所述第一车灯的使用状态，确定所述第一车灯是否为灯亮状态；
若所述第一车灯为灯亮状态，则将所述第二车灯图像输入至所述车灯亮灭分类模型中，得到所述第二车灯的使用状态，并将所述第一车灯的使用状态和所述第二车灯的使用状态确定为所述车灯使用状态。
在一个实施例中，计算机程序被执行时还实现以下步骤：
根据所述第一车灯的使用状态和所述第二车灯的使用状态，确定所述第一车灯的亮灭状态和所述第二车灯的亮灭状态；
若所述第一车灯为灯亮状态且所述第二车灯为灯灭状态，则确定所述车灯使用状态满足所述预设条件。
在一个实施例中，计算机程序被执行时还实现以下步骤：
若所述第一车灯和所述第二车灯均为灯亮状态，则采用所述车灯亮灭分类模型的预设特征提取层，从所述第一车灯图像中提取所述第一车灯对应的第一车灯特征，并从所述第二车灯图像中提取所述第二车灯对应的第二车灯特征；
检测所述第一车灯特征和所述第二车灯特征之间的相似度是否小于预设相似度阈值；
若所述第一车灯特征和所述第二车灯特征之间的相似度小于所述预设相似度阈值，则确定所述车灯使用状态满足所述预设条件。
在一个实施例中，计算机程序被执行时还实现以下步骤：
计算所述第一车灯特征和所述第二车灯特征之间的特征距离；
检测所述特征距离是否大于预设距离阈值；
若所述特征距离大于所述预设距离阈值，则确定所述第一车灯特征和所述第二车灯特征之间的相似度小于所述预设相似度阈值。
在一个实施例中，计算机程序被执行时还实现以下步骤：
获取多个样本车灯图像，各所述样本车灯图像包括第一样本车灯图像和第二样本车灯图像，所述第一样本车灯图像和所述第二样本车灯图像均包括对应的车灯使用状态标签以及类别关系标签，所述类别关系标签用于表征所述第一样本车灯图像和所述第二样本车灯图像是否对应同一类车灯；
根据所述多个样本车灯图像训练初始分类模型，得到所述车灯亮灭分类模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车灯状态检测方法，其特征在于，所述方法包括：
获取目标车辆对应的车灯图像，并根据所述车灯图像，获取所述目标车辆的车灯使用状态，所述车灯使用状态用于表征所述目标车辆的对侧车灯在所述车灯图像中的亮灭状态；
检测所述车灯使用状态是否满足预设条件，所述预设条件与所述车灯图像中各侧车灯对应的车灯特征之间的相似度和各侧车灯在所述车灯图像中的亮灭状态中的至少一个相关；
若所述车灯使用状态满足所述预设条件，则确定所述目标车辆的转向灯开启。
2.根据权利要求1所述的方法，其特征在于，所述目标车辆的对侧车灯包括第一车灯和第二车灯，所述根据所述车灯图像，获取所述目标车辆的车灯使用状态，包括：
根据所述车灯图像获取与所述第一车灯对应的第一车灯图像以及与所述第二车灯对应的第二车灯图像；
将所述第一车灯图像和所述第二车灯图像分别输入至车灯亮灭分类模型中，得到所述第一车灯的使用状态和所述第二车灯的使用状态，并将所述第一车灯的使用状态和所述第二车灯的使用状态确定为所述车灯使用状态。
3.根据权利要求1所述的方法，其特征在于，所述目标车辆的对侧车灯包括第一车灯和第二车灯，所述根据所述车灯图像，获取所述目标车辆的车灯使用状态，包括：
根据所述车灯图像获取与所述第一车灯对应的第一车灯图像以及与所述第二车灯对应的第二车灯图像；
将所述第一车灯图像输入至车灯亮灭分类模型中，得到所述第一车灯的使用状态；
根据所述第一车灯的使用状态，确定所述第一车灯是否为灯亮状态；
若所述第一车灯为灯亮状态，则将所述第二车灯图像输入至所述车灯亮灭分类模型中，得到所述第二车灯的使用状态，并将所述第一车灯的使用状态和所述第二车灯的使用状态确定为所述车灯使用状态。
4.根据权利要求2或3所述的方法，其特征在于，所述检测所述车灯使用状态是否满足预设条件，包括：
根据所述第一车灯的使用状态和所述第二车灯的使用状态，确定所述第一车灯的亮灭状态和所述第二车灯的亮灭状态；
若所述第一车灯为灯亮状态且所述第二车灯为灯灭状态，则确定所述车灯使用状态满足所述预设条件。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一车灯的使用状态和所述第二车灯的使用状态，确定所述第一车灯的亮灭状态和所述第二车灯的亮灭状态之后，还包括：
若所述第一车灯和所述第二车灯均为灯亮状态，则采用所述车灯亮灭分类模型的预设特征提取层，从所述第一车灯图像中提取所述第一车灯对应的第一车灯特征，并从所述第二车灯图像中提取所述第二车灯对应的第二车灯特征；
检测所述第一车灯特征和所述第二车灯特征之间的相似度是否小于预设相似度阈值；
若所述第一车灯特征和所述第二车灯特征之间的相似度小于所述预设相似度阈值，则确定所述车灯使用状态满足所述预设条件。
6.根据权利要求5所述的方法，其特征在于，所述检测所述第一车灯特征和所述第二车灯特征之间的相似度是否小于预设相似度阈值，包括：
计算所述第一车灯特征和所述第二车灯特征之间的特征距离；
检测所述特征距离是否大于预设距离阈值；
若所述特征距离大于所述预设距离阈值，则确定所述第一车灯特征和所述第二车灯特征之间的相似度小于所述预设相似度阈值。
7.根据权利要求5所述的方法，其特征在于，所述车灯亮灭分类模型的训练过程包括：
获取多个样本车灯图像，各所述样本车灯图像包括第一样本车灯图像和第二样本车灯图像，所述第一样本车灯图像和所述第二样本车灯图像均包括对应的车灯使用状态标签以及类别关系标签，所述类别关系标签用于表征所述第一样本车灯图像和所述第二样本车灯图像是否对应同一类车灯；
根据所述多个样本车灯图像训练初始分类模型，得到所述车灯亮灭分类模型。
8.一种车灯状态检测装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标车辆对应的车灯图像，并根据所述车灯图像，获取所述目标车辆的车灯使用状态，所述车灯使用状态用于表征所述目标车辆的对侧车灯在所述车灯图像中的亮灭状态；
检测模块，用于检测所述车灯使用状态是否满足预设条件，所述预设条件与所述车灯图像中各侧车灯对应的车灯特征之间的相似度和各侧车灯在所述车灯图像中的亮灭状态中的至少一个相关；
确定模块，用于若所述车灯使用状态满足所述预设条件，则确定所述目标车辆的转向灯开启。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011594588.XA CN112699781A (zh) | 2020-12-29 | 2020-12-29 | 车灯状态检测方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011594588.XA CN112699781A (zh) | 2020-12-29 | 2020-12-29 | 车灯状态检测方法、装置、计算机设备和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112699781A true CN112699781A (zh) | 2021-04-23 |
Family
ID=75511889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011594588.XA Pending CN112699781A (zh) | 2020-12-29 | 2020-12-29 | 车灯状态检测方法、装置、计算机设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112699781A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113674329A (zh) * | 2021-08-13 | 2021-11-19 | 上海同温层智能科技有限公司 | 车辆驾驶行为检测方法和*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08241500A (ja) * | 1995-03-07 | 1996-09-17 | Hitachi Ltd | 前方車両認識装置および車載警報装置 |
| CN106845453A (zh) * | 2017-02-24 | 2017-06-13 | 太原理工大学 | 基于图像的尾灯检测与识别方法 |
| CN106985819A (zh) * | 2017-03-31 | 2017-07-28 | 北京汽车集团有限公司 | 车辆行驶意图的判断方法和装置 |
| CN108509907A (zh) * | 2018-03-30 | 2018-09-07 | 北京市商汤科技开发有限公司 | 车灯检测方法、实现智能驾驶的方法、装置、介质及设备 |
| CN109308490A (zh) * | 2018-09-07 | 2019-02-05 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
| CN110532990A (zh) * | 2019-09-04 | 2019-12-03 | 上海眼控科技股份有限公司 | 转向灯使用状态识别方法、装置、计算机设备及存储介质 |
| CN111221342A (zh) * | 2020-03-12 | 2020-06-02 | 湖南汽车工程职业学院 | 一种自动驾驶汽车环境感知*** |
| CN111383460A (zh) * | 2020-06-01 | 2020-07-07 | 浙江大华技术股份有限公司 | 一种车辆状态判别方法、装置以及计算机存储介质 |
| CN111931715A (zh) * | 2020-09-22 | 2020-11-13 | 深圳佑驾创新科技有限公司 | 识别车灯状态的方法、装置、计算机设备和存储介质 |
-
2020
- 2020-12-29 CN CN202011594588.XA patent/CN112699781A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08241500A (ja) * | 1995-03-07 | 1996-09-17 | Hitachi Ltd | 前方車両認識装置および車載警報装置 |
| CN106845453A (zh) * | 2017-02-24 | 2017-06-13 | 太原理工大学 | 基于图像的尾灯检测与识别方法 |
| CN106985819A (zh) * | 2017-03-31 | 2017-07-28 | 北京汽车集团有限公司 | 车辆行驶意图的判断方法和装置 |
| CN108509907A (zh) * | 2018-03-30 | 2018-09-07 | 北京市商汤科技开发有限公司 | 车灯检测方法、实现智能驾驶的方法、装置、介质及设备 |
| CN109308490A (zh) * | 2018-09-07 | 2019-02-05 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置 |
| CN110532990A (zh) * | 2019-09-04 | 2019-12-03 | 上海眼控科技股份有限公司 | 转向灯使用状态识别方法、装置、计算机设备及存储介质 |
| CN111221342A (zh) * | 2020-03-12 | 2020-06-02 | 湖南汽车工程职业学院 | 一种自动驾驶汽车环境感知*** |
| CN111383460A (zh) * | 2020-06-01 | 2020-07-07 | 浙江大华技术股份有限公司 | 一种车辆状态判别方法、装置以及计算机存储介质 |
| CN111931715A (zh) * | 2020-09-22 | 2020-11-13 | 深圳佑驾创新科技有限公司 | 识别车灯状态的方法、装置、计算机设备和存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113674329A (zh) * | 2021-08-13 | 2021-11-19 | 上海同温层智能科技有限公司 | 车辆驾驶行为检测方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10642268B2 (en) | Method and apparatus for generating automatic driving strategy | |
| CN110163176B (zh) | 车道线变化位置识别方法、装置、设备和介质 | |
| CN108133484B (zh) | 基于场景分割的自动驾驶处理方法及装置、计算设备 | |
| CN112733818B (zh) | 基于注意力机制的车灯状态识别方法、装置、终端和介质 | |
| CN112307978B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
| CN111199087A (zh) | 场景识别方法和装置 | |
| CN112001235A (zh) | 车辆通行信息的生成方法、装置和计算机设备 | |
| CN112785850A (zh) | 车辆变道未打灯的识别方法及装置 | |
| CN115546756A (zh) | 提高车辆内的情境感知能力 | |
| Jeon et al. | A deep learning framework for robust and real-time taillight detection under various road conditions | |
| CN111931715A (zh) | 识别车灯状态的方法、装置、计算机设备和存储介质 | |
| CN111967384A (zh) | 车辆信息处理方法、装置、设备及计算机可读存储介质 | |
| CN112699781A (zh) | 车灯状态检测方法、装置、计算机设备和可读存储介质 | |
| CN112001269A (zh) | 车辆识别方法、装置、计算机设备和存储介质 | |
| CN114495060A (zh) | 一种道路交通标线识别方法及装置 | |
| CN111724607B (zh) | 转向灯使用检测方法、装置、计算机设备和存储介质 | |
| CN114842432A (zh) | 一种基于深度学习汽车灯光控制方法及*** | |
| CN114022848B (zh) | 一种隧道自动照明的控制方法及*** | |
| CN113392812B (zh) | 基于深度神经网络的道路车道线检测方法及*** | |
| CN116486472A (zh) | 监控视频的群体行为识别方法以及*** | |
| CN115546744A (zh) | 使用dbscan进行车道检测 | |
| CN111126336B (zh) | 样本采集方法、装置及设备 | |
| CN114332805A (zh) | 车道位置获取方法、装置、计算机设备和存储介质 | |
| CN111274931A (zh) | 超车行为的审核方法、装置、计算机设备和存储介质 | |
| CN111310660A (zh) | 用于adas场景的目标检测虚警抑制方法及装置 |
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 |