Processing

Please wait...

Settings

Settings

Goto Application

1. WO2020133488 - VEHICLE DETECTION METHOD AND DEVICE

Document

说明书

发明名称 0001   0002   0003   0004   0005   0006   0007   0008   0009   0010   0011   0012   0013   0014   0015   0016   0017   0018   0019   0020   0021   0022   0023   0024   0025   0026   0027   0028   0029   0030   0031   0032   0033   0034   0035   0036   0037   0038   0039   0040   0041   0042   0043   0044   0045   0046   0047   0048   0049   0050   0051   0052   0053   0054   0055   0056   0057   0058   0059   0060   0061   0062   0063   0064   0065   0066   0067   0068   0069   0070   0071   0072   0073   0074   0075   0076   0077   0078   0079   0080   0081   0082   0083   0084   0085   0086   0087   0088   0089   0090   0091   0092   0093   0094   0095   0096   0097   0098   0099   0100   0101   0102   0103   0104   0105   0106   0107   0108   0109   0110   0111   0112   0113   0114   0115   0116   0117   0118   0119   0120   0121   0122   0123   0124   0125   0126   0127   0128   0129   0130   0131   0132   0133   0134   0135   0136   0137   0138   0139   0140   0141   0142   0143   0144   0145   0146   0147   0148   0149   0150   0151   0152   0153   0154   0155   0156   0157   0158   0159   0160   0161   0162   0163   0164   0165   0166   0167   0168   0169   0170   0171   0172   0173   0174   0175   0176   0177   0178   0179   0180   0181   0182   0183   0184   0185   0186   0187   0188   0189   0190   0191   0192   0193   0194   0195   0196   0197   0198   0199   0200   0201   0202   0203   0204   0205   0206   0207   0208   0209   0210   0211   0212   0213   0214   0215   0216   0217   0218   0219   0220   0221   0222   0223   0224   0225   0226   0227   0228   0229   0230   0231   0232   0233   0234   0235   0236   0237   0238   0239   0240   0241   0242   0243   0244   0245   0246   0247   0248   0249   0250   0251   0252   0253   0254   0255   0256   0257  

权利要求书

1   2   3   4   5   6   7   8   9   10   11   12   13   14   15   16   17   18   19   20   21   22   23   24   25   26   27   28   29   30   31   32   33   34   35   36   37   38   39   40   41   42   43   44   45   46   47   48   49   50   51   52   53   54   55  

附图

1   2   3   4   5   6   7  

说明书

发明名称 : 车辆检测方法和设备

技术领域

[0001]
本发明实施例涉及图像处理技术领域,尤其涉及一种车辆检测方法和设备。

背景技术

[0002]
自动检测车辆,在自动驾驶、辅助驾驶技术中是不可缺少的内容。通常,车辆上设置有摄像设备。车辆在行使过程中,摄像设备对道路上的车辆进行拍摄获得图像。利用车辆检测模型,通过对图像进行深度学习或者机器学习,可以自动检测出前方的车辆。
[0003]
但是,采用同一种车辆检测模型对车辆进行检测,误检测/漏检测的概率很大,导致车辆检测的准确率较低。
[0004]
发明内容
[0005]
本发明提供一种车辆检测方法和设备,提升了车辆检测的准确性和可靠性,降低了误检测和漏检测概率。
[0006]
第一方面,本发明提供一种车辆检测方法,包括:
[0007]
获取待处理图像和所述待处理图像中每个像素点的深度信息;
[0008]
根据所述待处理图像和所述深度信息,获取所述待处理图像中车辆候选区域的距离值;
[0009]
根据所述车辆候选区域的距离值确定所述车辆候选区域对应的检测模型。
[0010]
第二方面,本发明提供一种车辆检测方法,包括:
[0011]
获取待处理图像;
[0012]
获取所述待处理图像中的车辆候选区域;
[0013]
若判断所述车辆候选区域包括车辆的一对尾灯,则根据两个尾灯之间的距离和拍摄设备的焦距,获取所述车辆候选区域的距离值;
[0014]
根据所述车辆候选区域的距离值确定所述车辆候选区域对应的检测模型。
[0015]
第三方面,本发明提供一种车辆检测设备,包括:存储器、处理器和拍 摄设备;
[0016]
所述拍摄设备,用于获取待处理图像;
[0017]
所述存储器,用于存储程序代码;
[0018]
所述处理器,调用所述程序代码,当所述程序代码被执行时,用于执行以下操作:
[0019]
获取所述待处理图像中每个像素点的深度信息;
[0020]
根据所述待处理图像和所述深度信息,获取所述待处理图像中车辆候选区域的距离值;
[0021]
根据所述车辆候选区域的距离值确定所述车辆候选区域对应的检测模型。
[0022]
第四方面,本发明提供一种车辆检测设备,包括:存储器、处理器和拍摄设备;
[0023]
所述拍摄设备,用于获取待处理图像;
[0024]
所述存储器,用于存储程序代码;
[0025]
所述处理器,调用所述程序代码,当所述程序代码被执行时,用于执行以下操作:
[0026]
获取所述待处理图像中的车辆候选区域;
[0027]
若判断所述车辆候选区域包括车辆的一对尾灯,则根据两个尾灯之间的距离和拍摄设备的焦距,获取所述车辆候选区域的距离值;
[0028]
根据所述车辆候选区域的距离值确定所述车辆候选区域对应的检测模型。
[0029]
第五方面,本发明提供一种存储介质,包括:可读存储介质和计算机程序,所述计算机程序用于实现第一方面或第二方面任一实施方式提供的车辆检测方法。
[0030]
第六方面,本发明提供一种程序产品,该程序产品包括计算机程序(即执行指令),该计算机程序存储在可读存储介质中。处理器可以从可读存储介质读取该计算机程序,处理器执行该计算机程序用于实现第一方面或第二方面任一实施方式提供的车辆检测方法。
[0031]
本发明提供一种车辆检测方法和设备,通过待处理图像和待处理图像中每个像素点的深度信息,可以获取待处理图像中车辆候选区域的距离值,根据车辆候选区域的距离值可以确定车辆候选区域对应的检测模型。由于根据不同的距离采用不同的检测模型检测车辆,提升了车辆检测的准确性和可靠 性,降低了误检测和漏检测概率。

附图说明

[0032]
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。
[0033]
图1为本发明实施例一提供的车辆检测方法的流程图;
[0034]
图2为本发明实施例一提供的预设检测模型与预设距离值范围之间对应关系的示意图;
[0035]
图3为本发明实施例一提供的车辆候选区域的示意图;
[0036]
图4为本发明实施例二提供的车辆检测方法的流程图;
[0037]
图5为本发明实施例二中尾灯区域匹配的原理示意图;
[0038]
图6为本发明实施例三提供的车辆检测方法的流程图;
[0039]
图7为本发明实施例提供的车辆检测设备的结构示意图。

具体实施方式

[0040]
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做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。
[0041]
图1为本发明实施例一提供的车辆检测方法的流程图。本实施例提供的车辆检测方法,执行主体可以为车辆检测设备,应用于对拍摄设备拍摄的图像进行车辆检测的场景。其中,拍摄设备设置在可以行使在道路上的装置,例如:车辆、车辆上的辅助驾驶设备、安装在车辆上的行车记录仪、智能电动车、滑板车、平衡车,等等。可选的,车辆检测设备可以设置在上述可以行使在道路上的装置。可选的,车辆检测设备可以包括所述拍摄设备。
[0042]
如图1所示,本实施例提供的车辆检测方法,可以包括:
[0043]
S101、获取待处理图像和待处理图像中每个像素点的深度信息。
[0044]
其中,待处理图像为二维图像。待处理图像中每个像素点的深度信息是一种三维信息,用于指示像素点距离拍摄设备的远近。
[0045]
需要说明的是,本实施例对于获取图像的深度信息的实现方式不做限定。
[0046]
例如,行使在道路上的装置可以安装激光雷达。激光雷达测距技术通过激光扫描的方式可以得到场景的三维信息。其基本原理是:向空间发射激光,并记录各个扫描点的信号从激光雷达到达被测场景中的物体,随后又经过物体反射回到激光雷达的相隔时间,据此计算出物体表面与激光雷达之间的距离。
[0047]
又例如,行使在道路上的装置可以设置双目视觉系统或者单目视觉系统。基于视差原理,利用成像设备从不同的位置获取被测物体的两幅图像,通过计算两幅图像中对应点间的位置偏差来获取物体的距离。在双目视觉系统中,可以通过两个成像设备获取两幅图像。在单目视觉系统中,可以通过成像设备在两个不同的位置获取两幅图像。
[0048]
可选的,S101中,获取待处理图像中每个像素点的深度信息,可以包括:
[0049]
获取待处理图像对应的雷达图或者深度图。
[0050]
将雷达图或者深度图与待处理图像匹配,获取待处理图像中每个像素点的深度信息。
[0051]
S102、根据待处理图像和深度信息,获取待处理图像中车辆候选区域的距离值。
[0052]
S103、根据车辆候选区域的距离值确定车辆候选区域对应的检测模型。
[0053]
具体的,根据待处理图像和图像中每个像素点的深度信息,首先获得车辆候选区域。车辆候选区域中可能包括车辆,也可能不包括车辆,需要通过检测模型进一步确定。需要说明的是,本实施例对于检测模型的实现方式不做限定。可选的,检测模型可以为深度学习或者机器学习中常用的模型。可选的,检测模型可以为神经网络模型。例如,卷积神经网络(Convolutional Neural Networks,CNN)模型。
[0054]
在图像中,远近不同的物体占用的区域大小、位置和物体显示出来的特征均不相同。例如,如果车辆距离拍摄设备较近,车辆在图像中占用的区域较大,通常位于图像的左下角或者右下角,能够显示车辆的车门、侧面区域 等。对于中距离的车辆,车辆在图像中占用的区域相对较小,通常位于图像的中部,能够显示车辆的尾部和侧面。而对于远距离的车辆,车辆在图像中的占用区域更小,通常位于图像的中上部,只有很小的尾部可以露出。
[0055]
因此,根据待处理图像和图像中每个像素点的深度信息,可以获得车辆候选区域的距离值。该距离值可以指示物理空间中车辆与拍摄设备之间的远近程度。根据该距离值,获取与该距离值匹配的检测模型。后续,采用该检测模型确定车辆候选区域是否包括车辆,将更加准确。
[0056]
需要说明的是,本实施例对于车辆候选区域的距离值不做限定。比如,该距离值可以为车辆候选区域中任一个像素点的深度值。又比如,该距离值可以为根据车辆候选区域内像素点的深度值确定的平均值或者加权平均值。
[0057]
需要说明的是,在本实施例中,会预先设置多个预设检测模型。预设检测模型对应有一定的预设距离值范围。本实施例对于每个预设检测模型分别对应的预设距离值范围不做限定。可选的,相邻的预设检测模型对应的预设距离值范围可以存在重叠区域。
[0058]
可见,本实施例提供的车辆检测方法,通过待处理图像和图像中每个像素点的深度信息,可以获得车辆候选区域的距离值,根据距离值可以确定匹配的检测模型,提升了检测模型的精确度。相比于采用单一模型检测车辆,本实施例提供的车辆检测方法,根据不同的距离采用不同的检测模型检测车辆,提升了车辆检测的准确性和可靠性,降低了误检测和漏检测概率。
[0059]
可选的,本实施例提供的车辆检测方法,还可以包括:
[0060]
采用车辆候选区域对应的检测模型,确定车辆候选区域是否为车辆区域。
[0061]
可选的,S103中,根据车辆候选区域的距离值确定车辆候选区域对应的检测模型,可以包括:
[0062]
根据多个预设距离值范围与多个预设检测模型之间的对应关系,将车辆候选区域的距离值所在的预设距离值范围对应的预设检测模型,确定为车辆候选区域对应的检测模型。
[0063]
可选的,如果车辆候选区域的距离值所在的预设距离值范围的数量大于1,则将车辆候选区域的距离值所在的每个预设距离值范围对应的预设检测模型,均确定为车辆候选区域对应的检测模型。
[0064]
下面通过示例对预设检测模型与预设距离值范围之间的对应关系进行说 明。
[0065]
图2为本发明实施例一提供的预设检测模型与预设距离值范围之间对应关系的示意图。如图2所示,在200米内,预先设置3个预设距离值范围。其中,预设距离值范围0~90米对应检测模型1,预设距离值范围75~165米对应检测模型2,预设距离值范围150~200米对应检测模型3。检测模型1和检测模型2对应的距离值范围存在重叠区域,具体为75~90米。检测模型2和检测模型3对应的距离值范围存在重叠区域,具体为150~165米。
[0066]
假设,车辆候选区域的距离值为50米,则车辆候选区域对应的检测模型为检测模型1。假设,车辆候选区域的距离值为80米,则车辆候选区域对应的检测模型为检测模型1和检测模型2。可以分别采用检测模型1和检测模型2,确定车辆候选区域是否为车辆区域。最后综合检测模型1和检测模型2的检测结果,确定车辆候选区域是否为车辆区域。例如,当采用检测模型1和检测模型2均确定车辆候选区域为车辆区域时,才最终确定车辆候选区域为车辆区域。又例如,当采用检测模型1或者检测模型2可以确定车辆候选区域为车辆区域时,就最终确定车辆候选区域为车辆区域。
[0067]
可以理解,预设距离值范围的数量越多,每个预设距离值范围的区间越小,对于车辆检测的精细度更高。
[0068]
可选的,S102中,根据待处理图像和深度信息,获取待处理图像中车辆候选区域的距离值,可以包括:
[0069]
将待处理图像输入第一神经网络模型,获取待处理图像中的道路区域。
[0070]
根据深度信息对待处理图像中的像素点进行聚类分析,确定待处理图像中与道路区域邻接的车辆候选区域,并获取车辆候选区域的距离值。
[0071]
其中,第一神经网络模型用于获取图像中的道路区域。本实施例对于道路区域的表示方式不做限定。例如,道路区域可以通过道路的边界线表示。道路的边界线可以通过道路的多个边缘点确定。又例如,道路区域可以包括道路的边界线确定的平面区域。
[0072]
根据待处理图像中每个像素点的深度信息可以对待处理图像中的像素点进行聚类分析。所谓聚类分析,是指将物理或者抽象对象的集合分组为类似的对象组成的多个类的分析方法。在本实施例中,根据像素点的深度信息进行聚类分析,可以将待处理图像中不同位置处的像素点聚类,形成多个簇。 然后,在多个簇中确定与道路区域邻接的车辆候选区域,并获取车辆候选区域的距离值。
[0073]
需要说明的是,本实施例对于第一神经网络模型的实现方式不做限定。
[0074]
可选的,与道路区域邻接的车辆候选区域,包括:与道路区域中像素点之间的最小距离小于或者等于预设距离的车辆候选区域。
[0075]
本实施例对于预设距离的具体取值不做限定。
[0076]
可选的,车辆候选区域的距离值为车辆候选区域的簇中心点的深度值。
[0077]
需要说明的是,本实施例对于聚类分析算法不做限定。
[0078]
下面通过示例,以聚类分析算法为K均值(k-means)算法为例进行说明。
[0079]
图3为本发明实施例一提供的车辆候选区域的示意图。如图3所示,遍历待处理图像中的像素点,对每个像素点按深度进行k-means聚类。设有a,b两点,对应深度值为Da,Db。在x,y坐标的值为Xa,Ya,Xb,Yb,则距离函数为:
[0080]
Loss=(Da-Db) 2+k((Xa-Xb) 2+(Ya-Yb) 2)
[0081]
其中,k为正数。
[0082]
通过k-means算法,得到的与道路区域邻接的车辆候选区域如图3中的区域100~104。车辆候选区域可能包括车辆、路牌、路灯,甚至是草地、墙面等,都是与道路接壤并符合聚类分析结果的。后续,会采用检测模型进一步确定车辆候选区域是否为车辆区域。
[0083]
本实施例提供一种车辆检测方法,包括:获取待处理图像和待处理图像中每个像素点的深度信息,根据待处理图像和深度信息,获取待处理图像中车辆候选区域的距离值,根据车辆候选区域的距离值确定车辆候选区域对应的检测模型。本实施例提供的车辆检测方法,通过获取车辆候选区域的距离值,可以根据不同的距离采用不同的检测模型检测车辆,提升了车辆检测的准确性和可靠性,降低了误检测和漏检测概率。
[0084]
图4为本发明实施例二提供的车辆检测方法的流程图。本实施例在上述实施例一的基础上,提供了车辆检测方法的另一种实现方式。如图4所示,本实施例提供的车辆检测方法,在S103,根据车辆候选区域的距离值确定车辆候选区域对应的检测模型之前,还可以包括:
[0085]
S401、对车辆候选区域的距离值进行校验。
[0086]
S402、若校验通过,则根据车辆候选区域的距离值确定车辆候选区域对应的检测模型。
[0087]
具体的,在执行S103之前,需要对车辆候选区域的距离值进行校验。校验通过才执行S103。通过对距离值进行校验,可以进一步确定该距离值的准确性。从而,根据该距离值确定车辆候选区域对应的检测模型,进一步提升了检测模型的准确性。
[0088]
可选的,S401中,对车辆候选区域的距离值进行校验,可以包括:
[0089]
判断车辆候选区域是否包括车辆的一对尾灯。
[0090]
若车辆候选区域包括车辆的一对尾灯,则根据两个尾灯之间的距离和拍摄设备的焦距,获取车辆候选区域的校验距离值。
[0091]
判断车辆候选区域的距离值与校验距离值之间的差值是否在预设差值范围内。
[0092]
具体的,如果车辆候选区域包括车辆的尾灯,说明车辆候选区域为车辆区域。通过车辆上两个尾灯之间的距离采用另一种计算方法可以再获得一个车辆候选区域的距离值,称为校验距离值。将之前根据待处理图像中像素点的深度信息获得的车辆候选区域的距离值与根据尾灯间距离获得的校验距离值进行比对,可以确定车辆候选区域的距离值是否准确。如果车辆候选区域的距离值与校验距离值之间的差值在预设差值范围内,校验通过。如果车辆候选区域的距离值与校验距离值之间的差值在预设差值范围内,校验没有通过。
[0093]
需要说明的是,本实施例对于预设差值范围的具体取值不做限定。
[0094]
可选的,校验距离值为根据拍摄设备的焦距、预设的车辆宽度和两个尾灯的外边沿之间的距离确定的。
[0095]
可选的,校验距离值可以通过下面的公式确定:
[0096]
Distance=focus_length*W/d
[0097]
其中,Distance表示,focus_length表示拍摄设备的焦距,W表示预设的车辆宽度,d表示两个尾灯的外边沿之间的距离。
[0098]
本实施例对于预设的车辆宽度的具体取值不做限定。例如,W的取值范围可以为2.8~3m。
[0099]
可选的,判断车辆候选区域是否包括车辆的一对尾灯,可以采用现有的 图像识别、图像检测等图像处理方法,判断车辆候选区域是否包括车辆的一对尾灯。
[0100]
由于图像处理方法较为成熟,通过图像处理方法判断车辆候选区域是否包括车辆的一对尾灯,提升了判断的准确性。
[0101]
可选的,判断车辆候选区域是否包括车辆的一对尾灯,可以采用深度学习算法、机器学习算法或者神经网络算法。
[0102]
由于深度学习算法、机器学习算法或者神经网络算法基于大量的样本数据训练模型,应用场景更加广泛和全面,因此提升了判断的准确性。
[0103]
可选的,判断车辆候选区域是否包括车辆的一对尾灯,可以包括:
[0104]
对待处理图像进行水平校正,获得水平校正图像。
[0105]
根据水平校正图像中与车辆候选区域对应的区域,判断车辆候选区域是否包括车辆的一对尾灯。
[0106]
通过对待处理图像先进行水平校正,再判断车辆候选区域是否包括车辆的一对尾灯,消除了图像误差,提升了判断的准确性。
[0107]
需要说明的是,对图像进行水平校正的方法有很多,本实施例对此不做限定。
[0108]
示例性的,在一种实现方式中,可以根据拍摄设备的水平线对图像进行水平校正,使得图像的x轴方向与水平线平行。
[0109]
其中,拍摄设备的水平线通过拍摄设备中的惯性测量单元(Inertial measurement unit,IMU)获得。
[0110]
假设图像的左上角为原点,地平线直线方程为:ax+by+c=0。其中,
[0111]
r=tan(pitch_angle)*focus_length
[0112]
a=tan(roll_angle)
[0113]
b=1
[0114]
c=-tan(roll_angle)*Image_width/2+r*sin(roll_angle)*tan(roll_angle)-
[0115]
Image_height/2+r*cos(roll_angle)
[0116]
其中,focus_length表示焦距,pitch_angle表示pitch轴旋转角度,roll_angle表示roll轴旋转角度,Image_width表示图像宽度,Image_height表示图像高度。
[0117]
可选的,根据水平校正图像中与车辆候选区域对应的区域,判断车辆候 选区域是否包括车辆的一对尾灯,可以包括:
[0118]
将水平校正图像中与车辆候选区域对应的区域输入第二神经网络模型,判断车辆候选区域是否包括车辆的一对尾灯。
[0119]
其中,第二神经网络模型用于判断图像中是否包括车辆的一对尾灯。
[0120]
需要说明的是,本实施例对于第二神经网络模型的实现方式不做限定。
[0121]
可选的,若采用第二神经网络模型判断车辆候选区域包括车辆的一对尾灯,判断车辆候选区域是否包括车辆的一对尾灯,还可以包括:
[0122]
获取左尾灯区域和右尾灯区域。
[0123]
在水平校正图像中获取第一待处理区域和第二待处理区域。第一待处理区域包括左尾灯区域,第二待处理区域包括右尾灯区域。
[0124]
对左尾灯区域进行镜像翻转获得第一目标区域,根据第一目标区域在第二待处理区域中进行图像匹配,或者,对右尾灯区域进行镜像翻转获得第二目标区域,根据第二目标区域在第一待处理区域中进行图像匹配,获得匹配结果。
[0125]
根据匹配结果判断车辆候选区域是否包括车辆的一对尾灯。
[0126]
下面结合示例进行说明。
[0127]
图5为本发明实施例二中尾灯区域匹配的原理示意图。如图5所示,第一待处理区域203为根据左尾灯区域(未示出)获得的。第二待处理区域202为根据右尾灯区域201获得的。右尾灯区域201进行镜像翻转,获得第二目标区域204。可以根据第二目标区域204,沿着水平方向,在第一待处理区域203中进行图像匹配。可选的,在一种实现方式中,可以计算第二目标区域204与左尾灯区域之间的距离。若该距离小于第一预设阈值,则确定图像匹配成功。车辆候选区域包括车辆的一对尾灯。可选的,在另一种实现方式中,根据第二目标区域204,沿着水平方向,在第一待处理区域203中确定最靠近第二目标区域204的匹配区域。如果匹配区域与第二目标区域204之间的距离小于第二预设阈值,则确定图像匹配成功。车辆候选区域包括车辆的一对尾灯。
[0128]
其中,本实施例对于第一预设阈值和第二预设阈值的具体取值不做限定。
[0129]
可见,当采用第二神经网络模型判断车辆候选区域包括车辆的一对尾灯,获得尾灯区域之后,通过确定尾灯区域是否匹配,进一步提升了判断车辆候 选区域是否包括车辆的一对尾灯的准确性。
[0130]
可选的,若采用第二神经网络模型判断车辆候选区域包括车辆的一对尾灯,判断车辆候选区域是否包括车辆的一对尾灯,还可以包括:
[0131]
获取任一个尾灯的尾灯区域。
[0132]
对尾灯区域进行镜像翻转获得第三目标区域,根据第三目标区域在水平校正图像中进行图像匹配,获得匹配结果。
[0133]
根据匹配结果判断车辆候选区域是否包括车辆的一对尾灯。
[0134]
该种实现方式与上面实现方式的区别在于,在尾灯区域翻转后,直接以翻转获得的区域为模板进行图像匹配。简化了计算复杂度,提升了计算效率。
[0135]
可选的,根据第三目标区域在水平校正图像中进行图像匹配,获得匹配结果,可以包括:
[0136]
在水平校正图像中以第三目标区域为中心向水平方向的两侧分别进行图像匹配,获得与第三目标区域距离最近的匹配区域。
[0137]
具体的,车辆上的尾灯是对称设置的,位于同一水平线上。由于水平校正图像已经进行了水平校正,因此,以第三目标区域为中心,沿水平方向向两端进行图像匹配,可以更快的找到与第三目标区域匹配且距离最近的匹配区域,提升了处理速度。
[0138]
可选的,根据匹配结果判断车辆候选区域是否包括车辆的一对尾灯,可以包括:
[0139]
若匹配区域与尾灯区域之间的距离小于或者等于预设阈值,则判断车辆候选区域包括车辆的一对尾灯。
[0140]
若匹配区域与尾灯区域之间的距离大于预设阈值,则判断车辆候选区域不包括车辆的一对尾灯。
[0141]
具体的,匹配区域是通过图像匹配的方式确定的与尾灯区域对称的区域。匹配区域与尾灯区域之间的距离,与车辆上两个尾灯之间的距离应该近似相等。因此,通过匹配区域与尾灯区域之间的距离,可以判断车辆候选区域是否包括车辆的一对尾灯。
[0142]
本实施例提供了一种车辆检测方法,通过对根据待处理图像中像素点的深度信息获得的车辆候选区域的距离值进行校验,可以进一步确定该距离值的准确性。从而,根据该距离值确定车辆候选区域对应的检测模型,进一步 提升了车辆检测的准确性。
[0143]
图6为本发明实施例三提供的车辆检测方法的流程图。本实施例提供的车辆检测方法,执行主体可以为车辆检测设备,应用于对拍摄设备拍摄的图像进行车辆检测的场景。其中,拍摄设备设置在可以行使在道路上的装置,例如:车辆、车辆上的辅助驾驶设备、安装在车辆上的行车记录仪、智能电动车、滑板车、平衡车,等等。可选的,车辆检测设备可以设置在上述可以行使在道路上的装置。可选的,车辆检测设备可以包括所述拍摄设备。
[0144]
如图6所示,本实施例提供的车辆检测方法,可以包括:
[0145]
S601、获取待处理图像。
[0146]
S602、获取待处理图像中的车辆候选区域。
[0147]
S603若判断车辆候选区域包括车辆的一对尾灯,则根据两个尾灯之间的距离和拍摄设备的焦距,获取车辆候选区域的距离值。
[0148]
S604、根据车辆候选区域的距离值确定车辆候选区域对应的检测模型。
[0149]
本实施例提供的车辆检测方法,对于待处理图像中的车辆候选区域,如果车辆候选区域包括车辆的一对尾灯,说明车辆候选区域为车辆区域。通过车辆上两个尾灯之间的距离获得车辆候选区域的距离值。根据距离值可以确定匹配的检测模型,提升了检测模型的精确度。相比于采用单一模型检测车辆,本实施例提供的车辆检测方法,根据不同的距离采用不同的检测模型检测车辆,提升了车辆检测的准确性和可靠性,降低了误检测和漏检测概率。
[0150]
需要说明的是,本实施例对于如何获取待处理图像中车辆候选区域的实现方式不做限定。例如,可以采用图像处理的方法,也可以采用深度学习、机器学习或者神经网络算法。
[0151]
可选的,本实施例提供的车辆检测方法,还可以包括:
[0152]
采用车辆候选区域对应的检测模型,确定车辆候选区域是否为车辆区域。
[0153]
可选的,距离值为根据拍摄设备的焦距、预设的车辆宽度和两个尾灯的外边沿之间的距离确定的。
[0154]
可选的,在S603,判断车辆候选区域包括车辆的一对尾灯之前,还包括:
[0155]
对待处理图像进行水平校正,获得水平校正图像。
[0156]
根据水平校正图像中与车辆候选区域对应的区域,判断车辆候选区域是 否包括车辆的一对尾灯。
[0157]
可选的,根据水平校正图像中与车辆候选区域对应的区域,判断车辆候选区域是否包括车辆的一对尾灯,包括:
[0158]
将水平校正图像中与车辆候选区域对应的区域输入神经网络模型,判断车辆候选区域是否包括车辆的一对尾灯。
[0159]
可选的,若采用神经网络模型判断车辆候选区域包括车辆的一对尾灯,判断车辆候选区域是否包括车辆的一对尾灯,还包括:
[0160]
获取左尾灯区域和右尾灯区域。
[0161]
在水平校正图像中获取第一待处理区域和第二待处理区域。第一待处理区域包括左尾灯区域,第二待处理区域包括右尾灯区域。
[0162]
对左尾灯区域进行镜像翻转获得第一目标区域,根据第一目标区域在第二待处理区域中进行图像匹配,或者,对右尾灯区域进行镜像翻转获得第二目标区域,根据第二目标区域在第一待处理区域中进行图像匹配,获得匹配结果。
[0163]
根据匹配结果判断车辆候选区域是否包括车辆的一对尾灯。
[0164]
可选的,若采用神经网络模型判断车辆候选区域包括车辆的一对尾灯,判断车辆候选区域是否包括车辆的一对尾灯,还包括:
[0165]
获取任一个尾灯的尾灯区域。
[0166]
对尾灯区域进行镜像翻转获得第三目标区域,根据第三目标区域在水平校正图像中进行图像匹配,获得匹配结果。
[0167]
根据匹配结果判断车辆候选区域是否包括车辆的一对尾灯。
[0168]
可选的,根据第三目标区域在水平校正图像中进行图像匹配,获得匹配结果,包括:
[0169]
在水平校正图像中以第三目标区域为中心向水平方向的两侧分别进行图像匹配,获得与第三目标区域距离最近的匹配区域。
[0170]
可选的,根据匹配结果判断车辆候选区域是否包括车辆的一对尾灯,包括:
[0171]
若匹配区域与尾灯区域之间的距离小于或者等于预设阈值,则判断车辆候选区域包括车辆的一对尾灯。
[0172]
若匹配区域与尾灯区域之间的距离大于预设阈值,则判断车辆候选区域 不包括车辆的一对尾灯。
[0173]
可选的,S604中,根据车辆候选区域的距离值确定车辆候选区域对应的检测模型,包括:
[0174]
根据多个预设距离值范围与多个预设检测模型之间的对应关系,将车辆候选区域的距离值所在的预设距离值范围对应的预设检测模型,确定为车辆候选区域对应的检测模型。
[0175]
可选的,相邻的两个预设检测模型对应的预设距离值范围存在重叠区域。
[0176]
需要说明的是,对于本实施例中技术方案的详细描述,可以参见图1~图5所示实施例中的相关描述。其中,本实施例中的“车辆候选区域的距离值”与图4~图5所示实施例二中的“车辆候选区域的校验距离值”相似,本实施例中的“神经网络模型”与图4~图5所示实施例二中的“第二车辆候选区域的校验距离值”相似。技术原理和技术效果相似,此处不再赘述。
[0177]
本发明实施例一提供一种车辆检测设备,可以参见图7。图7为本发明实施例提供的车辆检测设备的结构示意图。本实施例提供的车辆检测设备,用于执行图1~图5所示实施例提供的车辆检测方法。如图7所示,本实施例提供的车辆检测设备,可以包括:存储器12、处理器11和拍摄设备13;
[0178]
拍摄设备13,用于获取待处理图像;
[0179]
存储器12,用于存储程序代码;
[0180]
处理器11,调用程序代码,当程序代码被执行时,用于执行以下操作:
[0181]
获取待处理图像中每个像素点的深度信息;
[0182]
根据待处理图像和深度信息,获取待处理图像中车辆候选区域的距离值;
[0183]
根据车辆候选区域的距离值确定车辆候选区域对应的检测模型。
[0184]
可选的,处理器11具体用于:
[0185]
将待处理图像输入第一神经网络模型,获取待处理图像中的道路区域;
[0186]
根据深度信息对待处理图像中的像素点进行聚类分析,确定待处理图像中与道路区域邻接的车辆候选区域,并获取车辆候选区域的距离值。
[0187]
可选的,与道路区域邻接的车辆候选区域,包括:与道路区域中像素点之间的最小距离小于或者等于预设距离的车辆候选区域。
[0188]
可选的,处理器11具体用于:
[0189]
采用K均值算法进行聚类分析。
[0190]
可选的,车辆候选区域的距离值为车辆候选区域的簇中心点的深度值。
[0191]
可选的,处理器11具体用于:
[0192]
根据多个预设距离值范围与多个预设检测模型之间的对应关系,将车辆候选区域的距离值所在的预设距离值范围对应的预设检测模型,确定为车辆候选区域对应的检测模型。
[0193]
可选的,相邻的两个预设检测模型对应的预设距离值范围存在重叠区域。
[0194]
可选的,处理器11还用于:
[0195]
对车辆候选区域的距离值进行校验;
[0196]
若校验通过,则执行根据车辆候选区域的距离值确定车辆候选区域对应的检测模型的步骤。
[0197]
可选的,处理器11具体用于:
[0198]
判断车辆候选区域是否包括车辆的一对尾灯;
[0199]
若车辆候选区域包括车辆的一对尾灯,则根据两个尾灯之间的距离和拍摄设备的焦距,获取车辆候选区域的校验距离值;
[0200]
判断车辆候选区域的距离值与校验距离值之间的差值是否在预设差值范围内。
[0201]
可选的,校验距离值为根据拍摄设备的焦距、预设的车辆宽度和两个尾灯的外边沿之间的距离确定的。
[0202]
可选的,处理器11具体用于:
[0203]
对待处理图像进行水平校正,获得水平校正图像;
[0204]
根据水平校正图像中与车辆候选区域对应的区域,判断车辆候选区域是否包括车辆的一对尾灯。
[0205]
可选的,处理器11具体用于:
[0206]
将水平校正图像中与车辆候选区域对应的区域输入第二神经网络模型,判断车辆候选区域是否包括车辆的一对尾灯。
[0207]
可选的,若采用神经网络模型判断车辆候选区域包括车辆的一对尾灯,处理器11还用于:
[0208]
获取左尾灯区域和右尾灯区域;
[0209]
在水平校正图像中获取第一待处理区域和第二待处理区域;第一待处理 区域包括左尾灯区域,第二待处理区域包括右尾灯区域;
[0210]
对左尾灯区域进行镜像翻转获得第一目标区域,根据第一目标区域在第二待处理区域中进行图像匹配,或者,对右尾灯区域进行镜像翻转获得第二目标区域,根据第二目标区域在第一待处理区域中进行图像匹配,获得匹配结果;
[0211]
根据匹配结果判断车辆候选区域是否包括车辆的一对尾灯。
[0212]
可选的,若采用神经网络模型判断车辆候选区域包括车辆的一对尾灯,处理器11还用于:
[0213]
获取任一个尾灯的尾灯区域;
[0214]
对尾灯区域进行镜像翻转获得第三目标区域,根据第三目标区域在水平校正图像中进行图像匹配,获得匹配结果;
[0215]
根据匹配结果判断车辆候选区域是否包括车辆的一对尾灯。
[0216]
可选的,处理器11具体用于:
[0217]
在水平校正图像中以第三目标区域为中心向水平方向的两侧分别进行图像匹配,获得与第三目标区域距离最近的匹配区域。
[0218]
可选的,处理器11具体用于:
[0219]
若匹配区域与尾灯区域之间的距离小于或者等于预设阈值,则判断车辆候选区域包括车辆的一对尾灯。
[0220]
若匹配区域与尾灯区域之间的距离大于预设阈值,则判断车辆候选区域不包括车辆的一对尾灯。
[0221]
可选的,处理器11具体用于:
[0222]
获取待处理图像对应的雷达图或者深度图;
[0223]
将雷达图或者深度图与待处理图像匹配,获取待处理图像中每个像素点的深度信息。
[0224]
本实施例提供的车辆检测设备,用于执行图1~图5所示实施例提供的车辆检测方法。技术原理和技术效果相似,此处不再赘述。
[0225]
本发明实施例二提供一种车辆检测设备,可以参见图7。图7为本发明实施例提供的车辆检测设备的结构示意图。本实施例提供的车辆检测设备,用于执行图6所示实施例提供的车辆检测方法。如图7所示,本实施例提供 的车辆检测设备,可以包括:存储器12、处理器11和拍摄设备13;
[0226]
拍摄设备13,用于获取待处理图像;
[0227]
存储器12,用于存储程序代码;
[0228]
处理器11,调用程序代码,当程序代码被执行时,用于执行以下操作:
[0229]
获取待处理图像中的车辆候选区域;
[0230]
若判断车辆候选区域包括车辆的一对尾灯,则根据两个尾灯之间的距离和拍摄设备的焦距,获取车辆候选区域的距离值;
[0231]
根据车辆候选区域的距离值确定车辆候选区域对应的检测模型。
[0232]
可选的,距离值为根据拍摄设备的焦距、预设的车辆宽度和两个尾灯的外边沿之间的距离确定的。
[0233]
可选的,处理器11具体用于:
[0234]
对待处理图像进行水平校正,获得水平校正图像;
[0235]
根据水平校正图像中与车辆候选区域对应的区域,判断车辆候选区域是否包括车辆的一对尾灯。
[0236]
可选的,处理器11具体用于:
[0237]
将水平校正图像中与车辆候选区域对应的区域输入神经网络模型,判断车辆候选区域是否包括车辆的一对尾灯。
[0238]
可选的,若采用神经网络模型判断车辆候选区域包括车辆的一对尾灯,处理器11还用于:
[0239]
获取左尾灯区域和右尾灯区域;
[0240]
在水平校正图像中获取第一待处理区域和第二待处理区域;第一待处理区域包括左尾灯区域,第二待处理区域包括右尾灯区域;
[0241]
对左尾灯区域进行镜像翻转获得第一目标区域,根据第一目标区域在第二待处理区域中进行图像匹配,或者,对右尾灯区域进行镜像翻转获得第二目标区域,根据第二目标区域在第一待处理区域中进行图像匹配,获得匹配结果;
[0242]
根据匹配结果判断车辆候选区域是否包括车辆的一对尾灯。
[0243]
可选的,若采用神经网络模型判断车辆候选区域包括车辆的一对尾灯,处理器11具体用于:
[0244]
获取任一个尾灯的尾灯区域;
[0245]
对尾灯区域进行镜像翻转获得第三目标区域,根据第三目标区域在水平校正图像中进行图像匹配,获得匹配结果;
[0246]
根据匹配结果判断车辆候选区域是否包括车辆的一对尾灯。
[0247]
可选的,处理器11具体用于:
[0248]
在水平校正图像中以第三目标区域为中心向水平方向的两侧分别进行图像匹配,获得与第三目标区域距离最近的匹配区域。
[0249]
可选的,处理器11具体用于:
[0250]
若匹配区域与尾灯区域之间的距离小于或者等于预设阈值,则判断车辆候选区域包括车辆的一对尾灯。
[0251]
若匹配区域与尾灯区域之间的距离大于预设阈值,则判断车辆候选区域不包括车辆的一对尾灯。
[0252]
可选的,处理器11具体用于:
[0253]
根据多个预设距离值范围与多个预设检测模型之间的对应关系,将车辆候选区域的距离值所在的预设距离值范围对应的预设检测模型,确定为车辆候选区域对应的检测模型。
[0254]
可选的,相邻的两个预设检测模型对应的预设距离值范围存在重叠区域。
[0255]
本实施例提供的车辆检测设备,用于执行图6所示实施例提供的车辆检测方法。技术原理和技术效果相似,此处不再赘述。
[0256]
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。
[0257]
最后应说明的是:以上各实施例仅用以说明本发明实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明实施例进行了详细的说明,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实施例技术方案的范围。

权利要求书

[权利要求 1]
一种车辆检测方法,其特征在于,包括: 获取待处理图像和所述待处理图像中每个像素点的深度信息; 根据所述待处理图像和所述深度信息,获取所述待处理图像中车辆候选区域的距离值; 根据所述车辆候选区域的距离值确定所述车辆候选区域对应的检测模型。
[权利要求 2]
根据权利要求1所述的方法,其特征在于,所述根据所述待处理图像和所述深度信息,获取所述待处理图像中车辆候选区域的距离值,包括: 将所述待处理图像输入第一神经网络模型,获取所述待处理图像中的道路区域; 根据所述深度信息对所述待处理图像中的像素点进行聚类分析,确定所述待处理图像中与所述道路区域邻接的车辆候选区域,并获取所述车辆候选区域的距离值。
[权利要求 3]
根据权利要求2所述的方法,其特征在于,所述与所述道路区域邻接的车辆候选区域,包括:与所述道路区域中像素点之间的最小距离小于或者等于预设距离的车辆候选区域。
[权利要求 4]
根据权利要求2所述的方法,其特征在于,所述进行聚类分析,包括: 采用K均值算法进行聚类分析。
[权利要求 5]
根据权利要求2所述的方法,其特征在于,所述车辆候选区域的距离值为所述车辆候选区域的簇中心点的深度值。
[权利要求 6]
根据权利要求1所述的方法,其特征在于,所述根据所述车辆候选区域的距离值确定所述车辆候选区域对应的检测模型,包括: 根据多个预设距离值范围与多个预设检测模型之间的对应关系,将所述车辆候选区域的距离值所在的预设距离值范围对应的预设检测模型,确定为所述车辆候选区域对应的检测模型。
[权利要求 7]
根据权利要求6所述的方法,其特征在于,相邻的两个预设检测模型对应的预设距离值范围存在重叠区域。
[权利要求 8]
根据权利要求1-7任一项所述的方法,其特征在于,所述根据所述车辆候选区域的距离值确定所述车辆候选区域对应的检测模型之前,还包括: 对所述车辆候选区域的距离值进行校验; 若校验通过,则执行根据所述车辆候选区域的距离值确定所述车辆候选区域对应的检测模型的步骤。
[权利要求 9]
根据权利要求8所述的方法,其特征在于,所述对所述车辆候选区域的距离值进行校验,包括: 判断所述车辆候选区域是否包括车辆的一对尾灯; 若所述车辆候选区域包括车辆的一对尾灯,则根据两个尾灯之间的距离和拍摄设备的焦距,获取所述车辆候选区域的校验距离值; 判断所述车辆候选区域的距离值与所述校验距离值之间的差值是否在预设差值范围内。
[权利要求 10]
根据权利要求9所述的方法,其特征在于,所述校验距离值为根据所述拍摄设备的焦距、预设的车辆宽度和所述两个尾灯的外边沿之间的距离确定的。
[权利要求 11]
根据权利要求9所述的方法,其特征在于,所述判断所述车辆候选区域是否包括车辆的一对尾灯,包括: 对所述待处理图像进行水平校正,获得水平校正图像; 根据所述水平校正图像中与所述车辆候选区域对应的区域,判断所述车辆候选区域是否包括车辆的一对尾灯。
[权利要求 12]
根据权利要求11所述的方法,其特征在于,所述根据所述水平校正图像中与所述车辆候选区域对应的区域,判断所述车辆候选区域是否包括车辆的一对尾灯,包括: 将所述水平校正图像中与所述车辆候选区域对应的区域输入第二神经网络模型,判断所述车辆候选区域是否包括车辆的一对尾灯。
[权利要求 13]
根据权利要求12所述的方法,其特征在于,若采用所述第二神经网络模型判断所述车辆候选区域包括车辆的一对尾灯,所述判断所述车辆候选区域是否包括车辆的一对尾灯,还包括: 获取左尾灯区域和右尾灯区域; 在所述水平校正图像中获取第一待处理区域和第二待处理区域;所述第一待处理区域包括所述左尾灯区域,所述第二待处理区域包括所述右尾灯区域; 对所述左尾灯区域进行镜像翻转获得第一目标区域,根据所述第一目标 区域在所述第二待处理区域中进行图像匹配,或者,对所述右尾灯区域进行镜像翻转获得第二目标区域,根据所述第二目标区域在所述第一待处理区域中进行图像匹配,获得匹配结果; 根据所述匹配结果判断所述车辆候选区域是否包括车辆的一对尾灯。
[权利要求 14]
根据权利要求12所述的方法,其特征在于,若采用所述第二神经网络模型判断所述车辆候选区域包括车辆的一对尾灯,所述判断所述车辆候选区域是否包括车辆的一对尾灯,还包括: 获取任一个尾灯的尾灯区域; 对所述尾灯区域进行镜像翻转获得第三目标区域,根据所述第三目标区域在所述水平校正图像中进行图像匹配,获得匹配结果; 根据所述匹配结果判断所述车辆候选区域是否包括车辆的一对尾灯。
[权利要求 15]
根据权利要求14所述的方法,其特征在于,所述根据所述第三目标区域在所述水平校正图像中进行图像匹配,获得匹配结果,包括: 在所述水平校正图像中以所述第三目标区域为中心向水平方向的两侧分别进行图像匹配,获得与所述第三目标区域距离最近的匹配区域。
[权利要求 16]
根据权利要求15所述的方法,其特征在于,所述根据所述匹配结果判断所述车辆候选区域是否包括车辆的一对尾灯,包括: 若所述匹配区域与所述尾灯区域之间的距离小于或者等于预设阈值,则判断所述车辆候选区域包括车辆的一对尾灯; 若所述匹配区域与所述尾灯区域之间的距离大于所述预设阈值,则判断所述车辆候选区域不包括车辆的一对尾灯。
[权利要求 17]
根据权利要求1-16任一项所述的方法,其特征在于,获取所述待处理图像中每个像素点的深度信息,包括: 获取所述待处理图像对应的雷达图或者深度图; 将所述雷达图或者所述深度图与所述待处理图像匹配,获取所述待处理图像中每个像素点的深度信息。
[权利要求 18]
一种车辆检测方法,其特征在于,包括: 获取待处理图像; 获取所述待处理图像中的车辆候选区域; 若判断所述车辆候选区域包括车辆的一对尾灯,则根据两个尾灯之间的 距离和拍摄设备的焦距,获取所述车辆候选区域的距离值; 根据所述车辆候选区域的距离值确定所述车辆候选区域对应的检测模型。
[权利要求 19]
根据权利要求18所述的方法,其特征在于,所述距离值为根据所述拍摄设备的焦距、预设的车辆宽度和所述两个尾灯的外边沿之间的距离确定的。
[权利要求 20]
根据权利要求18所述的方法,其特征在于,所述判断所述车辆候选区域包括车辆的一对尾灯之前,还包括: 对所述待处理图像进行水平校正,获得水平校正图像; 根据所述水平校正图像中与所述车辆候选区域对应的区域,判断所述车辆候选区域是否包括车辆的一对尾灯。
[权利要求 21]
根据权利要求20所述的方法,其特征在于,所述根据所述水平校正图像中与所述车辆候选区域对应的区域,判断所述车辆候选区域是否包括车辆的一对尾灯,包括: 将所述水平校正图像中与所述车辆候选区域对应的区域输入神经网络模型,判断所述车辆候选区域是否包括车辆的一对尾灯。
[权利要求 22]
根据权利要求21所述的方法,其特征在于,若采用所述神经网络模型判断所述车辆候选区域包括车辆的一对尾灯,所述判断所述车辆候选区域是否包括车辆的一对尾灯,还包括: 获取左尾灯区域和右尾灯区域; 在所述水平校正图像中获取第一待处理区域和第二待处理区域;所述第一待处理区域包括所述左尾灯区域,所述第二待处理区域包括所述右尾灯区域; 对所述左尾灯区域进行镜像翻转获得第一目标区域,根据所述第一目标区域在所述第二待处理区域中进行图像匹配,或者,对所述右尾灯区域进行镜像翻转获得第二目标区域,根据所述第二目标区域在所述第一待处理区域中进行图像匹配,获得匹配结果; 根据所述匹配结果判断所述车辆候选区域是否包括车辆的一对尾灯。
[权利要求 23]
根据权利要求21所述的方法,其特征在于,若采用所述神经网络模型判断所述车辆候选区域包括车辆的一对尾灯,所述判断所述车辆候选区域是否包括车辆的一对尾灯,还包括: 获取任一个尾灯的尾灯区域; 对所述尾灯区域进行镜像翻转获得第三目标区域,根据所述第三目标区域在所述水平校正图像中进行图像匹配,获得匹配结果; 根据所述匹配结果判断所述车辆候选区域是否包括车辆的一对尾灯。
[权利要求 24]
根据权利要求23所述的方法,其特征在于,所述根据所述第三目标区域在所述水平校正图像中进行图像匹配,获得匹配结果,包括: 在所述水平校正图像中以所述第三目标区域为中心向水平方向的两侧分别进行图像匹配,获得与所述第三目标区域距离最近的匹配区域。
[权利要求 25]
根据权利要求24所述的方法,其特征在于,所述根据所述匹配结果判断所述车辆候选区域是否包括车辆的一对尾灯,包括: 若所述匹配区域与所述尾灯区域之间的距离小于或者等于预设阈值,则判断所述车辆候选区域包括车辆的一对尾灯; 若所述匹配区域与所述尾灯区域之间的距离大于所述预设阈值,则判断所述车辆候选区域不包括车辆的一对尾灯。
[权利要求 26]
根据权利要求18-25任一项所述的方法,其特征在于,所述根据所述车辆候选区域的距离值确定所述车辆候选区域对应的检测模型,包括: 根据多个预设距离值范围与多个预设检测模型之间的对应关系,将所述车辆候选区域的距离值所在的预设距离值范围对应的预设检测模型,确定为所述车辆候选区域对应的检测模型。
[权利要求 27]
根据权利要求26所述的方法,其特征在于,相邻的两个预设检测模型对应的预设距离值范围存在重叠区域。
[权利要求 28]
一种车辆检测设备,其特征在于,包括:存储器、处理器和拍摄设备; 所述拍摄设备,用于获取待处理图像; 所述存储器,用于存储程序代码; 所述处理器,调用所述程序代码,当所述程序代码被执行时,用于执行以下操作: 获取所述待处理图像中每个像素点的深度信息; 根据所述待处理图像和所述深度信息,获取所述待处理图像中车辆候选区域的距离值; 根据所述车辆候选区域的距离值确定所述车辆候选区域对应的检测模型。
[权利要求 29]
根据权利要求28所述的设备,其特征在于,所述处理器具体用于: 将所述待处理图像输入第一神经网络模型,获取所述待处理图像中的道路区域; 根据所述深度信息对所述待处理图像中的像素点进行聚类分析,确定所述待处理图像中与所述道路区域邻接的车辆候选区域,并获取所述车辆候选区域的距离值。
[权利要求 30]
根据权利要求29所述的设备,其特征在于,所述与所述道路区域邻接的车辆候选区域,包括:与所述道路区域中像素点之间的最小距离小于或者等于预设距离的车辆候选区域。
[权利要求 31]
根据权利要求29所述的设备,其特征在于,所述处理器具体用于: 采用K均值算法进行聚类分析。
[权利要求 32]
根据权利要求29所述的设备,其特征在于,所述车辆候选区域的距离值为所述车辆候选区域的簇中心点的深度值。
[权利要求 33]
根据权利要求28所述的设备,其特征在于,所述处理器具体用于: 根据多个预设距离值范围与多个预设检测模型之间的对应关系,将所述车辆候选区域的距离值所在的预设距离值范围对应的预设检测模型,确定为所述车辆候选区域对应的检测模型。
[权利要求 34]
根据权利要求33所述的设备,其特征在于,相邻的两个预设检测模型对应的预设距离值范围存在重叠区域。
[权利要求 35]
根据权利要求28-34任一项所述的设备,其特征在于,所述处理器还用于: 对所述车辆候选区域的距离值进行校验; 若校验通过,则执行根据所述车辆候选区域的距离值确定所述车辆候选区域对应的检测模型的步骤。
[权利要求 36]
根据权利要求35所述的设备,其特征在于,所述处理器具体用于: 判断所述车辆候选区域是否包括车辆的一对尾灯; 若所述车辆候选区域包括车辆的一对尾灯,则根据两个尾灯之间的距离和拍摄设备的焦距,获取所述车辆候选区域的校验距离值; 判断所述车辆候选区域的距离值与所述校验距离值之间的差值是否在预 设差值范围内。
[权利要求 37]
根据权利要求36所述的设备,其特征在于,所述校验距离值为根据所述拍摄设备的焦距、预设的车辆宽度和所述两个尾灯的外边沿之间的距离确定的。
[权利要求 38]
根据权利要求36所述的设备,其特征在于,所述处理器具体用于: 对所述待处理图像进行水平校正,获得水平校正图像; 根据所述水平校正图像中与所述车辆候选区域对应的区域,判断所述车辆候选区域是否包括车辆的一对尾灯。
[权利要求 39]
根据权利要求38所述的设备,其特征在于,所述处理器具体用于: 将所述水平校正图像中与所述车辆候选区域对应的区域输入第二神经网络模型,判断所述车辆候选区域是否包括车辆的一对尾灯。
[权利要求 40]
根据权利要求39所述的设备,其特征在于,若采用所述神经网络模型判断所述车辆候选区域包括车辆的一对尾灯,所述处理器还用于: 获取左尾灯区域和右尾灯区域; 在所述水平校正图像中获取第一待处理区域和第二待处理区域;所述第一待处理区域包括所述左尾灯区域,所述第二待处理区域包括所述右尾灯区域; 对所述左尾灯区域进行镜像翻转获得第一目标区域,根据所述第一目标区域在所述第二待处理区域中进行图像匹配,或者,对所述右尾灯区域进行镜像翻转获得第二目标区域,根据所述第二目标区域在所述第一待处理区域中进行图像匹配,获得匹配结果; 根据所述匹配结果判断所述车辆候选区域是否包括车辆的一对尾灯。
[权利要求 41]
根据权利要求39所述的设备,其特征在于,若采用所述神经网络模型判断所述车辆候选区域包括车辆的一对尾灯,所述处理器还用于: 获取任一个尾灯的尾灯区域; 对所述尾灯区域进行镜像翻转获得第三目标区域,根据所述第三目标区域在所述水平校正图像中进行图像匹配,获得匹配结果; 根据所述匹配结果判断所述车辆候选区域是否包括车辆的一对尾灯。
[权利要求 42]
根据权利要求41所述的设备,其特征在于,所述处理器具体用于: 在所述水平校正图像中以所述第三目标区域为中心向水平方向的两侧分 别进行图像匹配,获得与所述第三目标区域距离最近的匹配区域。
[权利要求 43]
根据权利要求42所述的设备,其特征在于,所述处理器具体用于: 若所述匹配区域与所述尾灯区域之间的距离小于或者等于预设阈值,则判断所述车辆候选区域包括车辆的一对尾灯; 若所述匹配区域与所述尾灯区域之间的距离大于所述预设阈值,则判断所述车辆候选区域不包括车辆的一对尾灯。
[权利要求 44]
根据权利要求28-43任一项所述的设备,其特征在于,所述处理器具体用于: 获取所述待处理图像对应的雷达图或者深度图; 将所述雷达图或者所述深度图与所述待处理图像匹配,获取所述待处理图像中每个像素点的深度信息。
[权利要求 45]
一种车辆检测设备,其特征在于,包括:存储器、处理器和拍摄设备; 所述拍摄设备,用于获取待处理图像; 所述存储器,用于存储程序代码; 所述处理器,调用所述程序代码,当所述程序代码被执行时,用于执行以下操作: 获取所述待处理图像中的车辆候选区域; 若判断所述车辆候选区域包括车辆的一对尾灯,则根据两个尾灯之间的距离和拍摄设备的焦距,获取所述车辆候选区域的距离值; 根据所述车辆候选区域的距离值确定所述车辆候选区域对应的检测模型。
[权利要求 46]
根据权利要求45所述的设备,其特征在于,所述距离值为根据所述拍摄设备的焦距、预设的车辆宽度和所述两个尾灯的外边沿之间的距离确定的。
[权利要求 47]
根据权利要求45所述的设备,其特征在于,所述处理器还用于: 对所述待处理图像进行水平校正,获得水平校正图像; 根据所述水平校正图像中与所述车辆候选区域对应的区域,判断所述车辆候选区域是否包括车辆的一对尾灯。
[权利要求 48]
根据权利要求47所述的设备,其特征在于,所述处理器具体用于: 将所述水平校正图像中与所述车辆候选区域对应的区域输入神经网络模 型,判断所述车辆候选区域是否包括车辆的一对尾灯。
[权利要求 49]
根据权利要求48所述的设备,其特征在于,若采用所述神经网络模型判断所述车辆候选区域包括车辆的一对尾灯,所述处理器还用于: 获取左尾灯区域和右尾灯区域; 在所述水平校正图像中获取第一待处理区域和第二待处理区域;所述第一待处理区域包括所述左尾灯区域,所述第二待处理区域包括所述右尾灯区域; 对所述左尾灯区域进行镜像翻转获得第一目标区域,根据所述第一目标区域在所述第二待处理区域中进行图像匹配,或者,对所述右尾灯区域进行镜像翻转获得第二目标区域,根据所述第二目标区域在所述第一待处理区域中进行图像匹配,获得匹配结果; 根据所述匹配结果判断所述车辆候选区域是否包括车辆的一对尾灯。
[权利要求 50]
根据权利要求48所述的设备,其特征在于,若采用所述神经网络模型判断所述车辆候选区域包括车辆的一对尾灯,所述处理器还用于: 获取任一个尾灯的尾灯区域; 对所述尾灯区域进行镜像翻转获得第三目标区域,根据所述第三目标区域在所述水平校正图像中进行图像匹配,获得匹配结果; 根据所述匹配结果判断所述车辆候选区域是否包括车辆的一对尾灯。
[权利要求 51]
根据权利要求50所述的设备,其特征在于,所述处理器具体用于: 在所述水平校正图像中以所述第三目标区域为中心向水平方向的两侧分别进行图像匹配,获得与所述第三目标区域距离最近的匹配区域。
[权利要求 52]
根据权利要求51所述的设备,其特征在于,所述处理器具体用于: 若所述匹配区域与所述尾灯区域之间的距离小于或者等于预设阈值,则判断所述车辆候选区域包括车辆的一对尾灯; 若所述匹配区域与所述尾灯区域之间的距离大于所述预设阈值,则判断所述车辆候选区域不包括车辆的一对尾灯。
[权利要求 53]
根据权利要求45-52任一项所述的设备,其特征在于,所述处理器具体用于: 根据多个预设距离值范围与多个预设检测模型之间的对应关系,将所述车辆候选区域的距离值所在的预设距离值范围对应的预设检测模型,确定为 所述车辆候选区域对应的检测模型。
[权利要求 54]
根据权利要求53所述的设备,其特征在于,相邻的两个预设检测模型对应的预设距离值范围存在重叠区域。
[权利要求 55]
一种存储介质,其特征在于,包括:可读存储介质和计算机程序,所述计算机程序用于实现如权利要求1-27中任一项所述的车辆检测方法。

附图

[ 图 1]  
[ 图 2]  
[ 图 3]  
[ 图 4]  
[ 图 5]  
[ 图 6]  
[ 图 7]