一种车辆检测方法、装置及电子设备制造方法及图纸

本发明专利技术提供一种车辆检测方法、装置及电子设备，其中，所述车辆检测方法包括：获取道路摄像头采集的道路图像；利用车辆检测模型，对所述道路图像进行检测，得到所述道路图像中各个车道方向上的待检测车辆的位置信息；该车辆检测模型是利用收集的道路图像样本预先训练得到。本发明专利技术的方案，不仅可以提高车辆检测的准确率，还可以满足复杂交通情况下的多种需求，比如借助得到的各个车道方向上的待检测车辆的位置信息，分析当前道路的路况信息和车辆行进方向，以及进行压线违章检测等操作。

A vehicle detection method, device and electronic equipment

【技术实现步骤摘要】
一种车辆检测方法、装置及电子设备
本专利技术涉及智能交通
，尤其涉及一种车辆检测方法、装置及电子设备。
技术介绍
随着科学技术的进步，图像目标检测已成为当今研究的热门课题，在社会生活的各个方面有着广泛的应用，而将图像目标检测应用到智能交通领域更是热门之一。具体的，当将图像目标检测应用到智能交通领域时，主要可进行在智能交通领域中有着广泛应用的车辆检测。当前，在利用图像目标检测进行车辆检测时，通常是通过提取图像中的各个特征来进行车辆检测。但是，这种车辆检测方法的检测准确率低。
技术实现思路
本专利技术实施例提供一种车辆检测方法、装置及电子设备，以解决现有的车辆检测方法的检测准确率低的问题。第一方面，本专利技术实施例提供了一种车辆检测方法，包括：获取道路摄像头采集的道路图像；利用车辆检测模型，对所述道路图像进行检测，得到所述道路图像中各个车道方向上的待检测车辆的位置信息；其中，所述车辆检测模型是利用收集的道路图像样本预先训练得到。第二方面，本专利技术实施例提供了一种车辆检测装置，包括：第一获取模块，用于获取道路摄像头采集的道路图像；第一检测模块，用于利用车辆检测模型，对所述道路图像进行检测，得到所述道路图像中各个车道方向上的待检测车辆的位置信息；其中，所述车辆检测模型是利用收集的道路图像样本预先训练得到。第三方面，本专利技术实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述计算机程序被所述处理器执行时可实现上述车辆检测方法的步骤。第四方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时可实现上述车辆检测方法的步骤。本专利技术实施例中，通过获取道路摄像头采集的道路图像，利用车辆检测模型，对道路图像进行检测，得到道路图像中各个车道方向上的待检测车辆的位置信息，不仅可以提高车辆检测的准确率，还可以满足复杂交通情况下的多种需求，比如借助得到的各个车道方向上的待检测车辆的位置信息，分析当前道路的路况信息，以及进行压线违章检测等操作。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例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专利技术的一些实施例，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为本专利技术实施例的车辆检测方法的流程图；图2为本专利技术实施例中利用目标框框出待检测车辆的示意图；图3A为本专利技术具体实例中压线违章的示意图；图3B为本专利技术具体实例中未压线违章的示意图；图4为本专利技术具体实例中待检测车辆的目标框的划分示意图；图5为本专利技术具体实例中进行车辆红灯压线检测的示意图；图6为本专利技术具体实例中建立的三维坐标系的示意图；图7为本专利技术实施例的车辆检测装置的结构示意图；图8为本专利技术实施例的电子设备的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。参见图1所示，本专利技术实施例提供了一种车辆检测方法，应用于电子设备，所述方法包括如下步骤：步骤101：获取道路摄像头采集的道路图像。可以理解的，上述道路摄像头包括但不限于十字路口摄像头、交叉路口摄像头和路边摄像头等。在获取道路摄像头采集的道路图像时，如果相应电子设备的处理能力允许，可以实时获取道路摄像头采集的道路图像并进行检测。步骤102：利用车辆检测模型，对道路图像进行检测，得到道路图像中各个车道方向上的待检测车辆的位置信息。其中，上述车辆检测模型是利用收集的道路图像样本预先训练得到。进一步的，上述车辆检测模型可以是预先基于深度神经网络训练得到的，而此深度神经网络的结构可为YOLO-Net。具体实现时，在执行步骤102之后，可将道路图像中各个车道方向上的待检测车辆利用目标框框出并进行标注，以备后续使用。本专利技术实施例的车辆检测方法，通过获取道路摄像头采集的道路图像，利用预先训练的车辆检测模型，对道路图像进行检测，得到道路图像中各个车道方向上的待检测车辆的位置信息，不仅可以提高车辆检测的准确率，还可以满足复杂交通情况下的多种需求，比如借助得到的各个车道方向上的待检测车辆的位置信息，分析当前道路的路况信息和车辆行进方向，以及进行压线违章检测等操作。本专利技术实施例中，可选的，上述车辆检测模型的训练过程可为：首先，收集多个道路摄像头采集到的各个时段的道路图像作为训练样本，并按照车头(front)、车尾(tail)和车侧(body)这3类以VOC数据格式为训练样本打标，以使训练样本中每张道路图像具有相应目标的位置坐标信息；然后，利用上述训练样本进行深度学习算法训练即模型训练，并结合样本本身调整学习率、迭代次数等参数，进而得到符合要求的车辆检测模型。而在利用此车辆检测模型检测道路图像之后，可以将该道路图像上的待检测车辆利用目标框框处并标注类别，如图2所示。需说明的是，为了保证训练得到的车辆检测模型的检测准确率，在收集训练样本时，优选视角相似、所处路口结构也相似的道路摄像头采集的道路图像作为训练样本，并进一步对类似道路摄像头采集的道路图像进行车辆检测。举例来说，上述训练样本中的每张道路图像可为416x416像素的彩色图片，模型训练时的学习率可设定为0.001，最大迭代次数可预设为50000次，并当达到预设的最大迭代次数时终止训练；而训练迭代可包括了8组，每组具有8张图片；若采用随机梯度下降，则可以设定权值衰减为0.0005，并在特定迭代次数后减少学习率。可选的，上述模型训练选择的深度神经网络的结构可以为YOLO-Net。而YOLO-Net可以采用并优化深度学习中各种提高模型学习效率的技巧，主要包括但不限于AnchorBox、BatchNormalization(批量归一化)和ResidualBlock(残差块)等。并且与现有常规的神经网络相比，当利用基于YOLO-Net训练得到的车辆检测模型进行车辆检测时，可以一步对道路图像中的目标进行分类识别，从而精简算法复杂度以及提高检测精度。例如，基于YOLO-Net训练模型时，可以首先将训练样本中的每张道路图像划分为13x13的网格，然后对于每一个网格，预测得到k个Boxes以及相应类别的概率，最后将预测得到的类别概率与实际训练样本中的信息进行比较构造损失函数。其中为了增加目标位置预测的准确度，YOLO-Net也可将所有Boxes的位置参数同实际目标位置进行比较并加入到损失函数之中，上述k为预设值，可为大于或等于1的正整数。又例如，在基于YOLO-Net训练模型时，训练样本中本文档来自技高网...

【技术保护点】
1.一种车辆检测方法，其特征在于，所述方法包括：/n获取道路摄像头采集的道路图像；/n利用车辆检测模型，对所述道路图像进行检测，得到所述道路图像中各个车道方向上的待检测车辆的位置信息；/n其中，所述车辆检测模型是利用收集的道路图像样本预先训练得到。/n

【技术特征摘要】
1.一种车辆检测方法，其特征在于，所述方法包括：
获取道路摄像头采集的道路图像；
利用车辆检测模型，对所述道路图像进行检测，得到所述道路图像中各个车道方向上的待检测车辆的位置信息；
其中，所述车辆检测模型是利用收集的道路图像样本预先训练得到。


2.根据权利要求1所述的方法，其特征在于，所述得到所述道路图像中各个车道方向上的待检测车辆的位置信息之后，所述方法还包括：
获取所述待检测车辆对应的车道线信息；
根据所述待检测车辆的位置信息和所述待检测车辆对应的车道线信息，对所述待检测车辆进行压线违章检测。


3.根据权利要求2所述的方法，其特征在于，所述待检测车辆的位置信息为所述道路图像中所述待检测车辆的目标框的四个顶点的坐标(a1,b1)、(a2,b1)、(a2,b2)和(a1,b2)，所述待检测车辆对应的车道线信息为所述待检测车辆对应的车道线在所述道路图像中的两个端点的坐标(x1,y1)和(x2,y2)；
所述根据所述待检测车辆的位置信息和所述待检测车辆对应的车道线信息，对所述待检测车辆进行压线违章检测，包括：
当且时，确定所述待检测车辆压线违章。


4.根据权利要求2所述的方法，其特征在于，所述根据所述待检测车辆的位置信息和所述待检测车辆对应的车道线信息，对所述待检测车辆进行压线违章检测，包括：
根据所述待检测车辆的位置信息和所述待检测车辆对应的车道线信息，确定所述待检测车辆的目标框被所述待检测车辆对应的车道线所划分出的两个区域的面积S1和S2；
当x<S1/S2<1/x时，确定所述待检测车辆压线违章；
其中，x为预设的小于1的正数，S1小于S2。


5.根据权利要求2所述的方法，其特征在于，所述获取所述待检测车辆对应的车道线信息，包括：
当所述道路摄像头为...

【专利技术属性】
技术研发人员：李杨，
申请(专利权)人：中国移动通信有限公司研究院，中国移动通信集团有限公司，
类型：发明
国别省市：北京;11