[發明專利]車輛通行的控制方法及裝置

在審

• 申請號: 201710612663.2
• 申請日: 2017-07-25
• 公開（公告）號: CN107437086A
• 公開（公告）日: 2017-12-05
• 發明（設計）人: 陳志軍
• 申請（專利權）人: 北京小米移動軟件有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京尚倫律師事務所11477
• 代理人: 孟姣

技術領域

本公開涉及車輛管理技術領域，尤其涉及車輛通行的控制方法及裝置。

背景技術

隨著社會的進步，越來越多的人已經將車輛作為出行的代步工具，從而導致出入居民住宅小區的車輛也越來越多。

目前，為了對出入小區的車輛進行管理和限制以保證小區環境的安全性，一般都會在小區門口設立道閘，設立的道閘會自動放行本小區業主車輛進入小區，而當非本小區業主車輛進入時，需要人工確定是否放行該車輛。

發明內容

為克服相關技術中存在的問題，本公開實施例提供車輛通行的控制方法及裝置。所述技術方案如下：

根據本公開實施例的第一方面，提供一種車輛通行的控制方法，包括：

獲取待檢測圖像，所述待檢測圖像中包括：待進入小區的車輛；

根據車輛圖像檢測模型檢測所述車輛是否為出租車；

當檢測到所述車輛為出租車時，則打開所述小區的道閘。

本公開的實施例提供的技術方案可以包括以下有益效果：通過獲取包括待進入小區的車輛的待檢測圖像，然后根據車輛圖像檢測模型檢測待檢測圖像中的車輛是否為出租車，當檢測到該車輛為出租車時，則打開小區的道閘，以讓出租車駛入小區，由于可以自動識別出出租車，以控制小區的道閘實時打開供出租車進入，而無需小區道閘值班人員去人工打開道閘以供出租車駛入，有效降低了小區道閘值班人員的工作量，且減少了車上乘客的等待時間，進而有效提升了用戶體驗。

在一個實施例中，所述根據車輛圖像檢測模型檢測所述車輛是否為出租車之前，還包括：

獲取多個樣本，所述樣本為出租車輛圖像；

根據所述多個樣本和卷積神經網絡CNN模型，訓練得到所述車輛圖像檢測模型。

本公開的實施例提供的技術方案可以包括以下有益效果：使用CNN模型得到車輛圖像檢測模型，由于CNN模型無需任何輸入和輸出之間精確的數學表達式，即可輸出處理結果，從而有效地降低了網絡模型的復雜度，提高了檢測的準確性。

在一個實施例中，所述根據所述多個樣本和卷積神經網絡獲取所述車輛圖像檢測模型包括：

對所述多個樣本進行預處理以獲取對應的訓練圖像；

獲取所述CNN模型的初始模型參數，所述初始模型參數包括各級卷積層的初始卷積核、所述各級卷積層的初始偏置矩陣、各級全連接層的初始權重矩陣和所述各級全連接層的初始偏置向量；

在所述各級卷積層上，使用所述各級卷積層上的初始卷積核和所述各級卷積層上的初始偏置矩陣，對每個所述訓練圖像分別進行卷積操作和最大池化操作，得到每個訓練圖像在所述各級卷積層上的特征圖像；

在所述各級全連接層上，使用所述各級初始權重矩陣和所述初始偏置向量，對所述每個特征圖像進行處理，得到所述每個訓練圖像的類別概率向量；

根據所述每個訓練圖像的類別概率向量及每個訓練圖像的初始類別，計算類別誤差；

基于所述類別誤差，對所述CNN模型的模型參數進行調整；

基于調整后的所述模型參數和所述多個訓練圖像，繼續進行模型參數調整的過程，直至迭代次數達到預設次數；

將所述迭代次數達到所述預設次數時所得到的模型參數對應的CNN模型作為所述車輛圖像檢測模型。

本公開的實施例提供的技術方案可以包括以下有益效果：通過樣本和對CNN模型進行訓練，從而得到車輛圖像檢測模型，由于CNN模型無需任何輸入和輸出之間精確的數學表達式，即可輸出處理結果，從而有效地降低了網絡模型的復雜度，提高了檢測的準確性。

在一個實施例中，所述對所述多個樣本進行預處理以獲取對應的訓練圖像，包括：

對所述每個樣本進行歸一化處理以獲取對應的所述訓練圖像，

其中，所述歸一化處理包括以下至少一項：

將所述樣本縮放至預定分辨率；

或，

對所述樣本進行減均值處理。

本公開的實施例提供的技術方案可以包括以下有益效果：通過對獲取的待檢測圖像進行歸一化處理，使得調整后的圖像滿足車輛圖像檢測模型的要求，從而有效提高了檢測的準確性。

在一個實施例中，所述根據車輛圖像檢測模型檢測所述車輛是否為出租車包括：

將所述車輛對應的圖像利用仿射變換調整至所述車輛圖像檢測模型對應的圖像規格；

將調整后的所述圖像輸入至所述車輛圖像檢測模型；

根據所述車輛圖像檢測模型和所述調整后的所述圖像檢測所述車輛是否為出租車。