CN112784642B - 车辆检测方法及装置 - Google Patents
车辆检测方法及装置 Download PDFInfo
- Publication number
- CN112784642B CN112784642B CN201911086705.9A CN201911086705A CN112784642B CN 112784642 B CN112784642 B CN 112784642B CN 201911086705 A CN201911086705 A CN 201911086705A CN 112784642 B CN112784642 B CN 112784642B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- preset
- smoke
- region
- type
- 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 123
- 239000000779 smoke Substances 0.000 claims abstract description 215
- 238000000034 method Methods 0.000 claims abstract description 72
- 230000008569 process Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims description 107
- 238000012545 processing Methods 0.000 claims description 44
- 239000000428 dust Substances 0.000 claims description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 12
- 230000003287 optical effect Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- 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)
- 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)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明实施例提供一种车辆检测方法及装置,该方法包括:获取第一车辆的车辆图片,车辆图片为对行驶中的第一车辆进行拍摄得到的。将车辆图片输入至预设模型,使得预设模型输出车辆图片对应的检测结果,其中,检测结果包括车辆图片中各区域的区域类型、以及各区域为对应的区域类型的置信度。若根据检测结果确定车辆图片中存在预设烟雾类型的烟雾区域,则根据烟雾区域对应的第一置信度,确定第一车辆在行驶过程中是否产生预设烟雾。通过预设模型检测到车辆图片中各区域的区域类型,从而可以针对性的排除与预设烟雾较为相似的区域类型的区域,同时根据置信度确定第一车辆是否产生预设烟雾,从而有效提升对烟雾车辆的检测的准确率。
Description
技术领域
本发明实施例涉及计算机技术,尤其涉及一种车辆检测方法及装置。
背景技术
产生烟雾的车辆是高污染车的典型代表,车辆在行驶过程中,产生的预设烟雾会对环境造成污染,因此对烟雾车辆的检测是非常必要的。
目前,烟雾车辆的检测主要是基于光流矢量分析预设烟雾,具体的,依据预设烟雾的速度分布具有湍流运动特征的特点,从而实现对预设烟雾的检测,然而,在路面有雨水时,车辆经过所产生的车轮水汽,以及车辆的车轮碾压路面所产生的扬尘同样具备湍流运动特征,目前的技术无法针对性的排除与预设烟雾较为相似的其他区域。
若无法排除与预设烟雾较为相似的其他区域,会导致对于烟雾车辆的检测的准确率较低。
发明内容
本发明实施例提供一种车辆检测方法及装置,以克服对于烟雾车辆的检测的准确率较低的问题。
第一方面,本发明实施例提供一种车辆检测方法,包括:
获取第一车辆的车辆图片,所述车辆图片为对行驶中的所述第一车辆进行拍摄得到的;
将所述车辆图片输入至预设模型,使得所述预设模型输出所述车辆图片对应的检测结果,其中,所述检测结果包括所述车辆图片中各区域的区域类型、以及各所述区域为对应的所述区域类型的置信度;
若根据所述检测结果确定所述车辆图片中存在预设烟雾类型的烟雾区域,则根据所述烟雾区域对应的第一置信度,确定所述第一车辆在行驶过程中是否产生预设烟雾。
在一种可能的设计中,所述根据所述烟雾区域对应的第一置信度,确定所述第一车辆在行驶过程中是否产生预设烟雾,包括:
根据所述预设烟雾区域对应的第一置信度,判断所述第一置信度是否大于预设置信度;
若是,则确定所述第一车辆在行驶过程中产生预设烟雾。
在一种可能的设计中,所述将所述车辆图片输入至预设模型之前,所述方法还包括:
获取训练集,并对所述训练集中的各个训练车辆图片进行分类标定,以得到多个子训练集,其中,每个所述子训练集中包括标识有相同区域类型所对应的区域的多个训练车辆图片;
针对任一个所述子训练集,根据所述子训练集对所述预设模型进行训练,直至所述预设模型针对当前子训练集的准确率大于或等于预设准确率,以得到训练后的所述预设模型。
在一种可能的设计中,所述区域类型包括如下中的至少一种:预设烟雾类型、非预设烟雾类型、水汽类型、阴影类型、扬尘类型;
则所述将所述车辆图片输入至预设模型,使得所述预设模型输出所述车辆图片对应的检测结果,包括:
将所述车辆图片输入至预设模型,使得所述预设模型输出所述车辆图片包括以下至少一个区域:预设烟雾类型的第一区域、非预设烟雾类型的第二区域、水汽类型的第三区域、阴影类型的第四区域、扬尘类型的第五区域。
在一种可能的设计中,若所述第一车辆的车辆图片包括多张图片,则所述方法还包括:
将所述多张车辆图片分别输入至预设模型,使得所述预设模型分别输出各所述车辆图片对应的检测结果;
根据各所述车辆图片对应的检测结果,分别确定所述第一车辆在行驶过程中是否产生预设烟雾;
若确定所述第一车辆产生预设烟雾的车辆图片的数量大于预设数量,则确定所述第一车辆在行驶过程中产生预设烟雾。
在一种可能的设计中,在所述将所述车辆图片输入至预设模型之前,所述方法还包括:
对所述车辆图片进行图像处理,以得到处理后的车辆图片,其中,所述图像处理包括如下中的至少一种:图像裁剪、图像缩放、图像滤波。
在一种可能的设计中,所述检测结果还包括用于指示所述车辆图片中各区域的位置信息和/或表征所述预设烟雾程度的标识信息。
第二方面,本发明实施例提供一种车辆检测装置,包括:
获取模块,用于获取第一车辆的车辆图片,所述车辆图片为对行驶中的所述第一车辆进行拍摄得到的;
处理模块,用于将所述车辆图片输入至预设模型,使得所述预设模型输出所述车辆图片对应的检测结果,其中,所述检测结果包括所述车辆图片中各区域的区域类型、以及各所述区域为对应的所述区域类型的置信度;
确定模块,用于若根据所述检测结果确定所述车辆图片中存在预设烟雾类型的烟雾区域,则根据所述烟雾区域对应的第一置信度,确定所述第一车辆在行驶过程中是否产生预设烟雾。
在一种可能的设计中,所述确定模块,具体用于:
根据所述预设烟雾区域对应的第一置信度,判断所述第一置信度是否大于预设置信度;
若是,则确定所述第一车辆在行驶过程中产生预设烟雾。
在一种可能的设计中,所述获取模块还用于:
获取训练集,并对所述训练集中的各个训练车辆图片进行分类标定,以得到多个子训练集,其中,每个所述子训练集中包括标识有相同区域类型所对应的区域的多个训练车辆图片;
针对任一个所述子训练集,根据所述子训练集对所述预设模型进行训练,直至所述预设模型针对当前子训练集的准确率大于或等于预设准确率,以得到训练后的所述预设模型。
在一种可能的设计中,所述区域类型包括如下中的至少一种:预设烟雾类型、非预设烟雾类型、水汽类型、阴影类型、扬尘类型;
则所述处理模块,具体用于将所述车辆图片输入至预设模型,使得所述预设模型输出所述车辆图片包括以下至少一个区域:预设烟雾类型的第一区域、非预设烟雾类型的第二区域、水汽类型的第三区域、阴影类型的第四区域、扬尘类型的第五区域。
在一种可能的设计中,若所述第一车辆的车辆图片包括多张图片,则所述处理模块还用于:
将所述多张车辆图片分别输入至预设模型,使得所述预设模型分别输出各所述车辆图片对应的检测结果;
所述确定模块还用于:
根据各所述车辆图片对应的检测结果,分别确定所述第一车辆在行驶过程中是否产生预设烟雾;
若确定所述第一车辆产生预设烟雾的车辆图片的数量大于预设数量,则确定所述第一车辆在行驶过程中产生预设烟雾。
在一种可能的设计中,所述处理模块还用于:
在所述将所述车辆图片输入至预设模型之前,对所述车辆图片进行图像处理,以得到处理后的车辆图片,其中,所述图像处理包括如下中的至少一种:图像裁剪、图像缩放、图像滤波。
在一种可能的设计中,所述检测结果还包括用于指示所述车辆图片中各区域的位置信息和/或表征所述预设烟雾程度的标识信息。
第三方面,本发明实施例提供一种车辆检测设备,包括:
存储器,用于存储程序;
处理器,用于执行所述存储器存储的所述程序,当所述程序被执行时,所述处理器用于执行如上第一方面以及第一方面各种可能的设计中任一所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如上第一方面以及第一方面各种可能的设计中任一所述的方法。
本发明实施例提供一种车辆检测方法及装置,该方法包括:获取第一车辆的车辆图片,车辆图片为对行驶中的第一车辆进行拍摄得到的。将车辆图片输入至预设模型,使得预设模型输出车辆图片对应的检测结果,其中,检测结果包括车辆图片中各区域的区域类型、以及各区域为对应的区域类型的置信度。若根据检测结果确定车辆图片中存在预设烟雾类型的烟雾区域,则根据烟雾区域对应的第一置信度,确定第一车辆在行驶过程中是否产生预设烟雾。通过预设模型检测到车辆图片中各区域的区域类型,从而可以针对性的排除与预设烟雾较为相似的区域类型的区域,同时通过烟雾区域对应的置信度,确定第一车辆是否产生预设烟雾,从而有效提升对烟雾车辆的检测的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的车辆检测方法的***示意图;
图2为本发明实施例提供的车辆检测方法的执行主体示意图;
图3为本发明实施例提供的车辆检测方法的流程图一;
图4为本发明提供的车辆检测方法的流程图二;
图5为本发明提供的车辆检测方法的检测结果示意图;
图6为本发明提供的根据多个车辆图片确定预设烟雾的示意图;
图7为本发明实施例提供的车辆检测方法的流程图三;
图8为本发明实施例提供的预设模型训练示意图;
图9为本发明实施例提供的车辆检测装置的结构示意图;
图10为本发明实施例提供的车辆检测设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
图1为本发明实施例提供的车辆检测方法的***示意图,如图1所示:在道路中设置有拍摄装置101,其中,拍摄装置101用于对车辆进行拍摄以得到车辆图片,具体的,拍摄装置例如可以为设置在道路上方的横杆的监控摄像头、道路旁的立杆的监控摄像头、或者还可以为专门设置在道路中的抓拍摄像头等,本实施例对此不做限定,只要拍摄装置101可以实现车辆图片的拍摄即可。
在拍摄装置101拍摄得到车辆的车辆图片之后,拍摄装置101将车辆的车辆图片发送至处理装置102,其中,处理装置102可以对车辆图片进行分析,以确定当前的车辆图片所对应的车辆是否为产生烟雾的车辆。
其中拍摄装置101以及处理装置102之间存在数据的交互,交互的方式例如可以通过有线网络,该有线网络例如可以包括同轴电缆、双绞线和光纤等,其中交互的方式还例如可以是无线网络,该无线网络可以是2G网络、3G网络、4G网络或者5G网络、无线保真(Wireless Fidelity,简称WIFI)网络等。本申请实施例对交互的具体类型或者具体形式并不做限定,只要其能够实现服务器和终端交互的功能即可。
在本实施例中,处理装置102可以为服务器,还可以为相机(也就是拍摄装置102),下面结合图2对处理装置为服务器和相机的情况分别进行介绍,图2为本发明实施例提供的车辆检测方法的执行主体示意图,如图2所示:
各拍摄装置在拍摄得到车辆图片之后,可以将车辆图片发送给服务器进行车辆检测处理;或者,拍摄装置本身就可以是处理装置,具体的,各拍摄装置内部可以搭载有车辆检测单元,拍摄装置对当前的车辆进行拍摄以得到车辆图片,并根据车辆检测单元对车辆图片进行处理,以实现对车辆是否产生预设烟雾进行判断。
图2中所介绍的服务器和拍摄装置均可以用于实现本发明的技术方案,因此下面的实施例所介绍的内容的执行主体可以为服务器,还可以为拍摄装置,下面将不再进行赘述。
在上述介绍的***的基础上,现有技术对行驶过程中的车辆是否产生烟雾进行检测时,通常存在以下两种实现方式:
一种是通过背景建模,检测到疑似烟雾区域的目标区域,再依据图像灰度,判定是否检测到的目标区域是否为预设烟雾区域,然而,该方法对于灰色路面、阴影都有较大误判,从而导致对烟雾检测的准确率较低。
另一种是基于光流矢量分析预设烟雾,具体的,依据预设烟雾的速度分布具有湍流运动特征的特点,从而实现对预设烟雾的检测,然而,在路面有雨水时,车辆经过所产生的车轮水汽,以及车辆的车轮碾压路面所产生的扬尘同样具备湍流运动特征,目前的技术无法针对性的排除与预设烟雾较为相似的其他区域,该方法同样会导致对于烟雾车辆的检测的准确率较低。
基于上述介绍的问题,本发明提供了一种车辆检测方法,以使得对行驶过程中的车辆的烟雾检测可以针对性的检测出与预设烟雾区域较为相似的其他区域,以将这些进行排除,从而提高对车辆烟雾检测的准确性,下面首先结合图3行说明,图3为本发明实施例提供的车辆检测方法的流程图一。
如图3所示,该方法包括:
S301、获取第一车辆的车辆图片,车辆图片为对行驶中的第一车辆进行拍摄得到的。
具体的,在道路中架设有拍摄装置,在进行拍摄之前可以配置相关视频参数、图像参数、拍摄参数等,例如可以设置车辆图片的存储格式、拍摄装置的频率、车辆图片的拍摄数量等,本领域技术人员可以理解,具体的相关参数可以根据实际需求进行扩展和选择,本实施例对此不做限制。
其中,第一车辆的车辆图片例如可以为JPG格式的图片,其中JPG格式是相机出图经编码处理的压缩图片,或者,还可以为任意可能的图片格式,具体的图片格式可以通过相关参数进行设置。
在一种可能的实现方式中,可以确定第一车辆是否位于拍摄装置的拍摄范围内,若是,则拍摄装置进行抓拍操作,具体的,拍摄装置可以实时进行视频帧的采集,若拍摄装置根据移动目标检测算法检测到有车辆存在于拍摄装置的拍摄范围内,则拍摄装置进行抓拍操作从而得到第一车辆的车辆图片。
在另一种可能的实现方式中,例如可以在道路中设置有触发装置,触发装置例如可以为抓拍触发线、车道线、红外线组成的架设有一定高度的装置,或者,触发装置还可以为设置在道路表面或者道路下方的装置等,在车辆经过触发装置时,触发装置向拍摄装置发送指示信息,以使得拍摄装置对当前经过触发装置的第一车辆进行拍摄,例如可以拍摄一张车辆图片,或者还可以拍摄预设数量张车辆图片等。
在拍摄装置对行驶中的第一车辆进行拍摄得到第一车辆的车辆图片之后,拍摄装置可以将第一车辆的车辆图片发送给服务器或者拍摄装置,具体的,拍摄装置可以对第一车辆的车辆图片进行图像信号处理(Image SignalProcessing,ISP)处理和图像压缩编码处理后得到车辆图片的码流,从而将车辆图片以码流的形式发送给客户端,其中,ISP处理能够有效实现自动曝光控制、坏点去除、噪声去除、自动白平衡、插值、色彩矫正、非线性矫正等功能,通过ISP能够在不同的光学条件下均能够较好的还原拍摄场景的细节,从而能够有效提升车辆图片的成像质量。
S302、将车辆图片输入至预设模型,使得预设模型输出车辆图片对应的检测结果,其中,检测结果包括车辆图片中各区域的区域类型、以及各区域为对应的区域类型的置信度。
在本实施例中,设置有预设模型对车辆图片进行处理,本实施例中的预设模型可以确定车辆图片中各区域的区域类型,以及各区域为对应的区域类型的置信度,其中,区域类型包括但不限于:预设烟雾类型、非预设烟雾类型、水汽类型、阴影类型、扬尘类型,其中,预设烟雾类型例如可以为黑烟,非预设烟雾类型例如可以为白烟、黄烟等,本领域技术人员可以理解,具体的区域类型可以根据实际需求进行选择,本实施例对此不做限制。
值得说明的是,本实施例中的车辆图片中的各区域是预设模型自动分析并划分的区域,例如预设模型分析之后确定车辆图片中存在第一区域为黑烟区域,则预设模型可以输出第一区域的区域类型为黑烟类型的检测结果,或者,预设模型分析之后确定同一张车辆图片中还存在第二区域为扬尘区域,则预设模型可以同时输出第二区域的区域类型为扬尘类型的检测结果,则当前的示例中的车辆图片包括两个区域,其分别对应黑烟类型区域和扬尘区域。
同时,本实施例中预设模型输出的检测结果还包括各区域为区域类型的置信度,其中置信度用于指示该区域为检测结果所指示的区域类型的置信程度,例如当前预设模型检测到车辆图片中的3个区域,其对应的区域标识分别为区域1、区域2、区域3,其中,区域1对应的区域类型为黑烟类型,其置信度为0.9,区域2对应的区域类型为扬尘类型,其置信度为0.8,区域3对应的区域类型为阴影类型,其置信度为0.3。
本实施例中的预设模型除了可以检测出预设烟雾区域之外,还可以检测出与预设烟雾区域较为相似的扬尘区域、阴影区域等,从而可以针对性的排除与预设烟雾区域较为相似的其他区域。
S303、若根据检测结果确定车辆图片中存在预设烟雾类型的烟雾区域,则根据烟雾区域对应的第一置信度,确定第一车辆在行驶过程中是否产生预设烟雾。
在上述检测结果中,若是确定车辆图片中存在预设烟雾类型的烟雾区域,则可以初步判定第一车辆疑似产生了预设烟雾,接着再根据烟雾区域对应的第一置信度,确定对车辆在行驶过程中是否产生预设烟雾。
在一种可能的实现方式中,可以判断第一置信度是否大于预设置信度,若确定第一置信度大于预设置信度,则可以确定第一车辆在行驶过程中产生预设烟雾,其中,预设置信度可以根据实际需求进行选择,本实施例对此不做限定,例如上述介绍的示例中,区域1为黑烟类型的置信度为0.9,假设预设置信度为0.85,则可以确定第一车辆在行驶过程中的确产生了预设烟雾,通过置信度进行进一步地判断,从而可以提升预设烟雾检测的准确性。
值得说明的是,本实施例中的预设置信度的设置可以根据实际场景进行调整,例如说在存在扬尘情况的场景下判断第一车辆是否产生预设烟雾时,因为扬尘的存在会对预设烟雾的检测曹成一定的影响,此时预设烟雾类型的区域的第一置信度例如会下降0.65,在这种情况下第一车辆确实产生了预设烟雾,若是预设置信度依然设置为0.9的话,可能会出现漏检测的情况,因此可以将预设置信度下调至0.6再进行判定,对于深度学习算法,在训练集中的数据充足情况下,根据预设置信度会直接进行判断会比较好,但是针对特殊场景,并且某类型的训练集中数据不充足情况下,预设置信度的设置应该依据场景进行调整。
本发明实施例提供的车辆检测方法,包括:获取第一车辆的车辆图片,车辆图片为对行驶中的第一车辆进行拍摄得到的。将车辆图片输入至预设模型,使得预设模型输出车辆图片对应的检测结果,其中,检测结果包括车辆图片中各区域的区域类型、以及各区域为对应的区域类型的置信度。若根据检测结果确定车辆图片中存在预设烟雾类型的烟雾区域,则根据烟雾区域对应的第一置信度,确定第一车辆在行驶过程中是否产生预设烟雾。通过预设模型检测到车辆图片中各区域的区域类型,从而可以针对性的排除与预设烟雾较为相似的区域类型的区域,同时通过烟雾区域对应的置信度,确定第一车辆是否产生预设烟雾,从而有效提升对烟雾车辆的检测的准确率。
在上述实施例的基础上,上述过程可以理解为是根据一张单独的车辆图片所进行的检测这种情况,然而若选取的单帧车辆图片是车尾靠近图像最下方的车辆图片,则第一车辆在拍摄装置成像所形成的阴影易对检测结果造成误判的影响,针对这种情况,本发明提供的车辆图片还可以根据多张车辆图片进行综合判定,以进一步提升检测结果的准确性,下面结合图4至图6对结合多张车辆图片进行检测的过程进行介绍,图4为本发明提供的车辆检测方法的流程图二,图5为本发明提供的车辆检测方法的检测结果示意图,图6为本发明提供的根据多个车辆图片确定预设烟雾的示意图。
如图4所示,该方法包括:
S401、获取第一车辆的车辆图片,车辆图片为对行驶中的第一车辆进行拍摄得到的。
其中,S401与S301的实现方式类似,只是需要强调的是,本实施例中第一车辆的车辆图片为多张图片,本实施例中的多张图片是拍摄设备一次拍摄的多张车辆图片,也就是说在第一车辆经过拍摄装置的拍摄区域时,拍摄区域进行多次拍摄,从而获取了多张图片。
S402、对车辆图片进行图像处理,以得到处理后的车辆图片,其中,图像处理包括如下中的至少一种:图像裁剪、图像缩放、图像滤波。
其中,预设模型对输入的车辆图片可能存在一定的要求,则本实施例找那个通过车辆图片进行图像处理,可以得到符合预设模型要求的处理后的车辆图片。
比如车辆图像的分辨率过大,可以通过图像缩放将车辆图片缩放至目标分辨率;或者,为避免图像缩放将相关检测区域同样缩小了,不利于后续检测,则可以首先进行图像裁剪,从而保持待检测目标区域的大小;或者,还可以通过滤波处理使得图像成像更加接近真实烟雾区域,其中,图像滤波例如可以为图像信号处理(Image Signal Processing,ISP)处理,ISP处理能够有效实现自动曝光控制、坏点去除、噪声去除、自动白平衡、插值、色彩矫正、非线性矫正等功能,通过ISP能够在不同的光学条件下均能够较好的还原拍摄场景的细节,从而能够有效提升车辆图片的成像质量。
S402、将多张车辆图片分别输入至预设模型,使得预设模型分别输出各车辆图片对应的检测结果。
其中,S402的实现方式与S302的实现方式类似,此处不再赘述。
下面结合图5对本预设模型针对一张车辆图片输出的检测结果进行详细说明,如图5所示,车辆图片的检测结果中包括3个区域,这3个区域对应的类型分别是黑烟类型、阴影类型和扬尘类型,同时,第一区域为黑烟类型的置信度为0.9,第二区域为扬尘类型的置信度为0,8,第三类型为阴影类型的置信度为0.3。
在本实施例中,检测结果还用于指示车辆图片中各区域的区域坐标,具体的,可以参照图5,其中第一区域、第二区域以及第三区域在车辆图片中均对应有各自的位置,本实施例中的位置信息用于指示该区域在车辆图片中的位置,在一种可能的实现方式中,在区域的形状为矩形时,位置信息例如可以包括区域的左上角坐标,以及区域的长度和宽度;或者,在区域的形状为圆形时,位置信息例如可以包括区域的中心点坐标以及区域的半径长度,显示位置信息还可以在车辆图片中显示各个区域的轮廓,轮廓的显示方式可以是实线、虚线或者与背景颜色不同的半透明颜色填充,本领域技术人员可以理解,具体的区域的位置信息以及区域的形状、轮廓的显示方式均可根据实际需求进行选择,本实施例对此不作限定。
以及,检测结果还可以用于表征预设烟雾程度的标识信息,具体的。预设烟雾程度的标识信息例如可以为格林曼等级,其中,格林曼等级是用于体现当前黑烟的等级的,可以用于后续向用户显示,以指示具体的黑烟等级是多少,例如说当前存在一个黑烟车辆的司机来交罚款,可以向这个司机显示检测到的车辆的黑烟等级是多少。
通过提供车辆图片中各区域的位置信息,可以便于后续处理过程中快速高效的确定各区域类型对应的区域在车辆图片中的位置。
S403、根据各车辆图片对应的检测结果,分别确定第一车辆在行驶过程中是否产生预设烟雾。
其中,S403的实现方式与上述介绍的S303类似,不同之处在于,上述实施例中的步骤S303根据单张图片的烟雾区域对应的第一置信度就可以直接确定第一车辆在行驶过程中是都产生预设烟雾,然而,本实施例中是根据各个车辆图片对应的检测结果,分别确定了第一车辆在行驶过程中是否产生预设烟雾。
假设当前存在第一车辆图片、第二车辆图片和第三车辆图片,则对这三张车辆图片分别进行处理,从而分别确定各车辆图片对应的检测结果,接着根据第一车辆图片的检测结果,确定第一车辆图片中的第一车辆是否产生预设烟雾,以及根据第二车辆图片、第三车辆图片的检测结果,分别确定第二车辆图片、第三车辆图片中的第一车辆是否产生预设烟雾。
S404、判断确定第一车辆产生预设烟雾的车辆图片的数量是否大于预设数量,若是,则执行S405,若否,则执行S406。
接着,获取确定第一车辆产生预设烟雾的车辆图片的数量,并判断该数量是否大于预设数量,下面结合图6对该过程进行说明:
如图6所示,第一车辆图片601、第二车辆图片602和第三车辆图片603是针对第一车辆拍摄的多张车辆图片,其中,第二车辆图片和第三车辆图片对应确定第一车辆产生预设烟雾,而第一车辆图片对应确定了第一车辆没有产生预设烟雾,则表明当前确定第一车辆产生预设烟雾的车辆图片的数量为2,假设预设数量为1,则表明确定第一车辆产生预设烟雾的车辆图片的数量大于预设数量,其中,预设数量可以根据车辆图片的数量进行具体设定,本实施例对预设数量不做特别限制。
其中,上述第一车辆图片确定第一车辆图片没有产生预设烟雾的情况可能是第一车辆图片的检测结果中不存在预设烟雾类型的烟雾区域,还有可能是检测结果中存在预设烟雾类型的烟雾区域,但是该烟雾区域对应的第一置信度不大于预设置信度。
S405、确定第一车辆在行驶过程中产生预设烟雾。
S406、确定第一车辆在行驶过程中没有产生预设烟雾。
若是确定第一车辆产生预设烟雾的车辆图片的数量大于预设数量,则可以确定第一车辆在行驶过程中产生预设烟雾;若是上述数量不大于预设数量,例如三张车辆图片中只有一张车辆图片的结果是确定第一车辆产生预设烟雾,则可以确定第一车辆在行驶过程中没有产生预设烟雾。
在可选的实施例中,在确定第一车辆产生预设烟雾之后,还可以根据车辆图片中的烟雾区域进行灰度值计算,以获取业内常用的林格曼系数,依据林格曼系数确定给出烟雾区域的黑烟等级。
本发明实施例提供的车辆检测方法,包括:获取第一车辆的车辆图片,车辆图片为对行驶中的第一车辆进行拍摄得到的。将多张车辆图片分别输入至预设模型,使得预设模型分别输出各车辆图片对应的检测结果。根据各车辆图片对应的检测结果,分别确定第一车辆在行驶过程中是否产生预设烟雾。判断确定第一车辆产生预设烟雾的车辆图片的数量是否大于预设数量,若是,则确定第一车辆在行驶过程中产生预设烟雾。若否,则确定第一车辆在行驶过程中没有产生预设烟雾。通过多张车辆图片综合确定第一车辆是否产生预设烟雾,从而避免由于拍摄装置的架设导致的单一车辆图片的成像导致的误检,从而有效保证了检测结果的准确性。
在上述实施例的基础上,为了使得预设模型可以检测出各区域的区域类型,在将车辆图片输入至预设模型之前,还需要根据标识有不同类型区域对应的区域的车辆图片对预设模型进行预先训练,下面结合图7对本申请中的模型训练进行说明,图7为本发明实施例提供的车辆检测方法的流程图三,图8为本发明实施例提供的预设模型训练示意图。
如图7所示,该方法包括:
S701、获取训练集,并对训练集中的各个训练车辆图片进行分类标定,以得到多个子训练集,其中,每个子训练集中包括标识有相同区域类型所对应的区域的多个训练车辆图片。
具体的,训练集中包括多张训练车辆图片,在本实施例中,为了使得对预设模型能够识别出车辆图片中不同的区域类型所对应的各个区域,因此训练集中所包括的多张训练车辆图片是针对各个不同的区域类型的车辆图片。
对各个训练车辆图片进行分类标定,以得到多个子训练集,假设区域类型包括:黑烟类型、水汽类型、阴影类型、扬尘类型,则可以将训练车辆图片标识为黑烟类型的车辆图片,并具体标识出其中的黑烟类型对应的区域,或者水汽类型的车辆图片、阴影类型的车辆图片,扬尘类型的车辆图片,并具体标识出其对一个的类型,则相同区域类型所对应的多个训练车辆图片可以构成一个子训练集,则例如可以得到黑烟类型的第一子训练集,第一子训练集中包括标识有黑烟类型所对应的区域的车辆图片,以及水汽类型的第二子训练集、阴影类型的第三子训练集、扬尘类型的第四子训练集,具体的区域类型可以根据实际需求进行选择,本实施例对此不做限制。
可以理解的是,因为需要预设模型进行有效正确的学习,所以需要保证标识的正确性,上述训练集中的车辆图片的区域的区域类型的标识是人为操作的。
S702、针对任一个子训练集,根据子训练集对预设模型进行训练,直至预设模型针对当前子训练集的准确率大于或等于预设准确率,以得到训练后的预设模型。
具体的,因为本实施例中的预设模型需要对各个不同的区域类型的车辆图片均进行识别,则针对任一个子训练集,都要根据该子训练集对预设模型进行训练。
对预设模型进行训练的过程可以参见图8,假设当前第一子训练集包括1000张标识有黑烟类型的区域的车辆图片、第二子训练集包括1000张标识有水汽类型的区域的车辆图片、第三子训练集包括1000张标识有阴影类型的区域的车辆图片、第四子训练集包括1000张标识有扬尘类型的区域的车辆图片,这些图片对应的子训练集共同构成了各个区域类型所对应的训练集。
在一种可能的实现方式中,可以采用深度学习框架CAFFE(ConvolutionalArchitecture for Fast Feature Embedding)深度学习网络YOLO进行预设模型的训练,其中,CAFFE是一个兼具表达性、速度和思维模块化的深度学习框架,CAFFE支持多种类型的深度学习架构,面向图像分类和图像分割,支持CNN网络设计,或者还可以采用任意可行的学习框架和学习网络,只要能够实现模型的训练即可,本实施例对此不做限制。
针对任一个子训练集,对预设模型进行训练,直至预设模型针对当前子训练集中的区域类型识别的准确率大于或等于预设准确率,则认为对于当前区域类型的子训练集模型训练结束,在所有的子训练集均训练完成之后,则得到训练后的预设模型。
通过对训练集中的训练车辆图片进行分类标定以进行模型训练,而非做单一的黑烟检测的模型训练,以及不是仅仅对含黑烟尾气目标图片的标定训练,从而能够更好训练出针对各种不同情况的分类判定的模型,比如扬尘情况下有黑烟排放,或扬尘成像特征易被识别成黑烟等,以有效提升预设模型的识别准确率。
值得说明的是,本实施例中的预设模型可以同时识别多个不同的区域类型所分别对应的区域,则本实施例中预设模型所输出的检测结果可以包括预设烟雾类型的第一区域,同时,在车辆图片中包括非预设烟雾类型的区域时,还可以输出非预设烟雾类型的第二区域,以及还可以输出第二区域为非预设烟雾类型的置信度,并且还可以在车辆图片包括当前区域类型的前提下,输出水汽类型的第三区域、阴影类型的第四区域、扬尘类型的第五区域,从而可以提升预设模型的检测结果的全面性。
本发明实施例提供的车辆检测方法,包括:获取训练集,并对所述训练集中的各个训练车辆图片进行分类标定,以得到多个子训练集,其中,每个所述子训练集中包括标识有相同区域类型所对应的区域的多个训练车辆图片。针对任一个所述子训练集,根据所述子训练集对所述预设模型进行训练,直至所述预设模型针对当前子训练集的准确率大于或等于预设准确率,以得到训练后的所述预设模型。通过根据各个区域类型的子训练集分别对预设模型进行训练,从而使得预设模型可以针对性的检测出与预设烟雾区域较为相似的其他区域,避免了对预设烟雾区域的错误检测,同时能够更好训练出针对各种不同情况的分类判定的模型,以有效提升预设模型的识别准确率。。
图9为本发明实施例提供的车辆检测装置的结构示意图。如图9所示,该装置90包括:获取模块901、处理模块902以及确定模块903。
获取模块901,用于获取第一车辆的车辆图片,所述车辆图片为对行驶中的所述第一车辆进行拍摄得到的;
处理模块902,用于将所述车辆图片输入至预设模型,使得所述预设模型输出所述车辆图片对应的检测结果,其中,所述检测结果包括所述车辆图片中各区域的区域类型、以及各所述区域为对应的所述区域类型的置信度;
确定模块903,用于若根据所述检测结果确定所述车辆图片中存在预设烟雾类型的烟雾区域,则根据所述烟雾区域对应的第一置信度,确定所述第一车辆在行驶过程中是否产生预设烟雾。
在一种可能的设计中,所述确定模块903,具体用于:
根据所述预设烟雾区域对应的第一置信度,判断所述第一置信度是否大于预设置信度;
若是,则确定所述第一车辆在行驶过程中产生预设烟雾。
在一种可能的设计中,所述获取模块901还用于:
在所述将所述车辆图片输入至预设模型之前,
获取训练集,并对所述训练集中的各个训练车辆图片进行分类标定,以得到多个子训练集,其中,每个所述子训练集中包括标识有相同区域类型所对应的区域的多个训练车辆图片;
针对任一个所述子训练集,根据所述子训练集对所述预设模型进行训练,直至所述预设模型针对当前子训练集的准确率大于或等于预设准确率,以得到训练后的所述预设模型。
在一种可能的设计中,所述区域类型包括如下中的至少一种:预设烟雾类型、非预设烟雾类型、水汽类型、阴影类型、扬尘类型;
则所述处理模块902,具体用于将所述车辆图片输入至预设模型,使得所述预设模型输出所述车辆图片包括以下至少一个区域:预设烟雾类型的第一区域、非预设烟雾类型的第二区域、水汽类型的第三区域、阴影类型的第四区域、扬尘类型的第五区域。
在一种可能的设计中,若所述第一车辆的车辆图片包括多张图片,则所述处理模块902还用于:
将所述多张车辆图片分别输入至预设模型,使得所述预设模型分别输出各所述车辆图片对应的检测结果;
所述确定模块903还用于:
根据各所述车辆图片对应的检测结果,分别确定所述第一车辆在行驶过程中是否产生预设烟雾;
若确定所述第一车辆产生预设烟雾的车辆图片的数量大于预设数量,则确定所述第一车辆在行驶过程中产生预设烟雾。
在一种可能的设计中,所述处理模块902还用于:
在所述将所述车辆图片输入至预设模型之前,对所述车辆图片进行图像处理,以得到处理后的车辆图片,其中,所述图像处理包括如下中的至少一种:图像裁剪、图像缩放、图像滤波。
在一种可能的设计中,所述检测结果还包括用于指示所述车辆图片中各区域的位置信息和/或表征所述预设烟雾程度的标识信息。
本实施例提供的装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图10为本发明实施例提供的车辆检测设备的硬件结构示意图,如图10所示,本实施例的设备100包括:处理器1001以及存储器1002;其中
存储器1002,用于存储计算机执行指令;
处理器1001,用于执行存储器存储的计算机执行指令,以实现上述实施例中车辆检测方法所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地,存储器1002既可以是独立的,也可以跟处理器1001集成在一起。
当存储器1002独立设置时,该设备还包括总线1003,用于连接所述存储器1002和处理器1001。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上车辆检测设备所执行的车辆检测法。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,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,例如多个模块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,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块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(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)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。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (10)
1.一种车辆检测方法,其特征在于,包括:
获取第一车辆的车辆图片,所述车辆图片为对行驶中的所述第一车辆进行拍摄得到的;
将所述车辆图片输入至预设模型,使得所述预设模型输出所述车辆图片对应的检测结果,其中,所述检测结果包括所述车辆图片中各区域的区域类型、以及各所述区域为对应的所述区域类型的置信度;
若根据所述检测结果确定所述车辆图片中存在预设烟雾类型的烟雾区域,则根据所述烟雾区域对应的第一置信度,确定所述第一车辆在行驶过程中是否产生预设烟雾;
若所述第一车辆的车辆图片包括多张图片,所述多张图片中的所述第一车辆的图像不同,则所述方法还包括:
将所述多张车辆图片分别输入至预设模型,使得所述预设模型分别输出各所述车辆图片对应的检测结果;
根据各所述车辆图片对应的检测结果,分别确定所述第一车辆在行驶过程中是否产生预设烟雾;
若确定所述第一车辆产生预设烟雾的车辆图片的数量大于预设数量,则确定所述第一车辆在行驶过程中产生预设烟雾;
所述将所述车辆图片输入至预设模型之前,所述方法还包括:
获取训练集,并对所述训练集中的各个训练车辆图片进行分类标定,以得到多个子训练集,其中,每个所述子训练集中包括标识有相同区域类型所对应的区域的多个训练车辆图片;
针对任一个所述子训练集,根据所述子训练集对所述预设模型进行训练,直至所述预设模型针对当前子训练集的准确率大于或等于预设准确率,以得到训练后的所述预设模型;
所述确定所述第一车辆在行驶过程中产生预设烟雾之后,根据所述车辆图片中的预设烟雾类型的烟雾区域进行灰度值计算,以确定所述烟雾区域的黑烟等级;
所述区域类型包括如下中的至少两种:预设烟雾类型、非预设烟雾类型、水汽类型、阴影类型、扬尘类型;
则所述将所述车辆图片输入至预设模型,使得所述预设模型输出所述车辆图片对应的检测结果,包括:
将所述车辆图片输入至预设模型,使得所述预设模型输出所述车辆图片包括以下至少两个区域:预设烟雾类型的第一区域、非预设烟雾类型的第二区域、水汽类型的第三区域、阴影类型的第四区域和扬尘类型的第五区域。
2.根据权利要求1所述的方法,其特征在于,所述根据所述烟雾区域对应的第一置信度,确定所述第一车辆在行驶过程中是否产生预设烟雾,包括:
根据所述预设烟雾区域对应的第一置信度,判断所述第一置信度是否大于预设置信度;
若是,则确定所述第一车辆在行驶过程中产生预设烟雾。
3.根据权利要求1所述的方法,其特征在于,在所述将所述车辆图片输入至预设模型之前,所述方法还包括:
对所述车辆图片进行图像处理,以得到处理后的车辆图片,其中,所述图像处理包括如下中的至少一种:图像裁剪、图像缩放、图像滤波。
4.根据权利要求1所述的方法,其特征在于,所述检测结果还包括用于指示所述车辆图片中各区域的位置信息和/或表征所述预设烟雾程度的标识信息。
5.一种车辆检测装置,其特征在于,包括:
获取模块,用于获取第一车辆的车辆图片,所述车辆图片为对行驶中的所述第一车辆进行拍摄得到的;
处理模块,用于将所述车辆图片输入至预设模型,使得所述预设模型输出所述车辆图片对应的检测结果,其中,所述检测结果包括所述车辆图片中各区域的区域类型、以及各所述区域为对应的所述区域类型的置信度;
确定模块,用于若根据所述检测结果确定所述车辆图片中存在预设烟雾类型的烟雾区域,则根据所述烟雾区域对应的第一置信度,确定所述第一车辆在行驶过程中是否产生预设烟雾;
若所述第一车辆的车辆图片包括多张图片,所述多张图片中的所述第一车辆的图像不同,则所述处理模块还用于:
将所述多张车辆图片分别输入至预设模型,使得所述预设模型分别输出各所述车辆图片对应的检测结果;
所述确定模块还用于:
根据各所述车辆图片对应的检测结果,分别确定所述第一车辆在行驶过程中是否产生预设烟雾;
若确定所述第一车辆产生预设烟雾的车辆图片的数量大于预设数量,则确定所述第一车辆在行驶过程中产生预设烟雾;
所述获取模块还用于:
获取训练集,并对所述训练集中的各个训练车辆图片进行分类标定,以得到多个子训练集,其中,每个所述子训练集中包括标识有相同区域类型所对应的区域的多个训练车辆图片;
针对任一个所述子训练集,根据所述子训练集对所述预设模型进行训练,直至所述预设模型针对当前子训练集的准确率大于或等于预设准确率,以得到训练后的所述预设模型;
所述确定模块,还用于:根据所述车辆图片中的预设烟雾类型的烟雾区域进行灰度值计算,以确定所述烟雾区域的黑烟等级;
所述区域类型包括如下中的至少两种:预设烟雾类型、非预设烟雾类型、水汽类型、阴影类型、扬尘类型;
则所述处理模块,具体用于将所述车辆图片输入至预设模型,使得所述预设模型输出所述车辆图片包括以下至少两个区域:预设烟雾类型的第一区域、非预设烟雾类型的第二区域、水汽类型的第三区域、阴影类型的第四区域、扬尘类型的第五区域。
6.根据权利要求5所述的装置,其特征在于,所述确定模块,具体用于:
根据所述预设烟雾区域对应的第一置信度,判断所述第一置信度是否大于预设置信度;
若是,则确定所述第一车辆在行驶过程中产生预设烟雾。
7.根据权利要求5所述的装置,其特征在于,所述处理模块还用于:
在所述将所述车辆图片输入至预设模型之前,对所述车辆图片进行图像处理,以得到处理后的车辆图片,其中,所述图像处理包括如下中的至少一种:图像裁剪、图像缩放、图像滤波。
8.根据权利要求5所述的装置,其特征在于,所述检测结果还包括用于指示所述车辆图片中各区域的位置信息和/或表征所述预设烟雾程度的标识信息。
9.一种车辆检测设备,其特征在于,包括:
存储器,用于存储程序;
处理器,用于执行所述存储器存储的所述程序,当所述程序被执行时,所述处理器用于执行如权利要求1至4中任一所述的方法。
10.一种计算机可读存储介质,其特征在于,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1至4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911086705.9A CN112784642B (zh) | 2019-11-08 | 2019-11-08 | 车辆检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911086705.9A CN112784642B (zh) | 2019-11-08 | 2019-11-08 | 车辆检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784642A CN112784642A (zh) | 2021-05-11 |
CN112784642B true CN112784642B (zh) | 2024-06-21 |
Family
ID=75748340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911086705.9A Active CN112784642B (zh) | 2019-11-08 | 2019-11-08 | 车辆检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784642B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657305B (zh) * | 2021-08-20 | 2023-08-04 | 深圳技术大学 | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 |
KR20230172784A (ko) * | 2022-06-16 | 2023-12-26 | 현대모비스 주식회사 | 배기가스 모니터링 시스템 및 그 방법 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844295A (zh) * | 2016-03-21 | 2016-08-10 | 北京航空航天大学 | 一种基于颜色模型与运动特征的视频烟雾精细分类方法 |
CN110363104A (zh) * | 2019-06-24 | 2019-10-22 | 中国科学技术大学 | 一种柴油黑烟车的检测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100963279B1 (ko) * | 2007-02-08 | 2010-06-11 | 안순현 | 매연차량 자동판독 시스템 및 그 방법 |
JP5697587B2 (ja) * | 2011-12-09 | 2015-04-08 | 三菱電機株式会社 | 車両火災検出装置 |
CN104243969B (zh) * | 2013-06-20 | 2017-11-24 | 中兴通讯股份有限公司 | 图像条纹检测方法及装置 |
CN104794486B (zh) * | 2015-04-10 | 2018-10-16 | 电子科技大学 | 基于多特征融合的视频烟雾检测方法 |
US9665962B2 (en) * | 2015-07-29 | 2017-05-30 | Adobe Systems Incorporated | Image distractor detection and processng |
WO2018116966A1 (ja) * | 2016-12-21 | 2018-06-28 | ホーチキ株式会社 | 火災監視システム |
KR101869442B1 (ko) * | 2017-11-22 | 2018-06-20 | 공주대학교 산학협력단 | 화재 감지 장치 및 방법 |
CN108564010A (zh) * | 2018-03-28 | 2018-09-21 | 浙江大华技术股份有限公司 | 一种安全帽佩戴的检测方法、装置、电子设备及存储介质 |
CN109325539B (zh) * | 2018-09-30 | 2021-12-21 | 云南电网有限责任公司普洱供电局 | 绝缘子掉串检测方法及装置 |
CN110059588A (zh) * | 2019-03-29 | 2019-07-26 | 温州大学 | 识别烟雾的卷积神经网络的训练方法 |
-
2019
- 2019-11-08 CN CN201911086705.9A patent/CN112784642B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844295A (zh) * | 2016-03-21 | 2016-08-10 | 北京航空航天大学 | 一种基于颜色模型与运动特征的视频烟雾精细分类方法 |
CN110363104A (zh) * | 2019-06-24 | 2019-10-22 | 中国科学技术大学 | 一种柴油黑烟车的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112784642A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3358298B1 (en) | Building height calculation method and apparatus, and storage medium | |
CN111126165B (zh) | 黑烟车检测方法、装置及电子设备 | |
CN112163543A (zh) | 一种车辆违法占道的检测方法及*** | |
CN112052815B (zh) | 一种行为检测方法、装置及电子设备 | |
CN112329881B (zh) | 车牌识别模型训练方法、车牌识别方法及装置 | |
CN110458126B (zh) | 一种受电弓状态监测方法及装置 | |
CN112784642B (zh) | 车辆检测方法及装置 | |
CN111723656B (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
CN112528940B (zh) | 驾驶员行为识别模型的训练方法、识别方法及装置 | |
CN112597995B (zh) | 车牌检测模型训练方法、装置、设备及介质 | |
CN111626170A (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
CN112906471A (zh) | 一种交通信号灯识别方法及装置 | |
CN111563516A (zh) | 行人掩码与三维场景融合显示的方法、终端及存储介质 | |
CN110969864A (zh) | 一种车速检测方法、车辆行驶事件检测方法及电子设备 | |
CN112766046A (zh) | 一种目标检测方法及相关装置 | |
CN112052774A (zh) | 行为检测方法及装置 | |
CN108737733B (zh) | 信息提示方法和装置、电子设备、计算机可读存储介质 | |
CN116543308A (zh) | 一种基于多模型融合的滑坡检测预警模型及预警方法 | |
CN106128105A (zh) | 一种交通路口行人行为监测*** | |
CN116152753A (zh) | 车辆信息识别方法和***、存储介质和电子装置 | |
CN112016514B (zh) | 一种交通标志识别方法、装置、设备及储存介质 | |
CN114937302A (zh) | 一种抽烟识别方法、装置、设备及计算机可读存储介质 | |
CN112132039B (zh) | 基于lstm和手工特征实现动作分类的方法、*** | |
CN112597917B (zh) | 一种基于深度学习的车辆停车检测方法 | |
CN116229369B (zh) | 人流量的检测方法、装置、设备及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |