[發明專利]車輛檢測方法及車載終端

有效

• 申請號: 201910147320.2
• 申請日: 2019-02-27
• 公開（公告）號: CN111626080B
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 年素磊;梁繼
• 申請（專利權）人: 魔門塔（蘇州）科技有限公司
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/764;G06V10/80;G06K9/62
• 代理公司: 北京科領智誠知識產權代理事務所(普通合伙) 11782
• 代理人: 陳士騫

1.一種車輛檢測方法，其特征在于，包括以下步驟：

將輸入圖片進行特征提取，并輸入至預先訓練得到的車輪點識別模型，預測得到所述輸入圖片中是否包括車輪點，以及車輪點的坐標，其中所述車輪點識別模型使得輸入圖片與對應輸入圖片中像素點是否屬于車輪點的類別信息以及每個車輪點的坐標偏移量和對面車輪點的坐標偏移量相關聯；

將所述車輪點和對面車輪點連線，對得到的多條連線進行投票，并將得票數最高的連線作為車輪線；

根據所述車輪線的位置，確定所述車輛的位置；

其中，對得到的多條連線進行投票，并將得票數最高的連線作為車輪線，包括：

針對每個候選點，遍歷每個投票連線，如果連線和兩點距離小于閾值，則該兩點投票數加1；對于投票數最高的兩點，如果投票數大于設置的閾值，則匹配成線。

2.根據權利要求1所述的車輛檢測方法，其特征在于，所述車輪點識別模型通過以下方式構建：

生成訓練樣本集，所述訓練樣本集包括多組樣本數據，每組樣本數據包括包含有車輪圖像的樣本圖片、對應樣本圖片中預先標注的是否屬于車輪點的類別信息以及每個車輪點和對面車輪點的偏移量；

基于所述訓練樣本集對預先搭建的深度神經網絡模型進行訓練，得到車輪點設別模型，所述車輪點識別模型使得每組所述樣本數據中的樣本圖片與對應樣本圖片中預先標注的像素點是否屬于車輪點的類別信息以及每個車輪點和對面車輪點的偏移量相關聯。

3.根據權利要求1或2所述的車輛檢測方法，其特征在于，所述預先訓練得到的車輪點識別模型包括5個通道(channel)，所述5個通道包括1個分類通道和4個回歸通道；所述1個分類通道用于輸出車輪點的分類置信圖，并表示為以車輪點坐標為中心，給定半徑的圓形區域；所述回歸通道分別用于輸出當前車輪點的兩個坐標偏移量和到對面車輪點的兩個坐標偏移量。

4.根據權利要求1所述的車輛檢測方法，其特征在于，預測得到所述輸入圖片中是否包括車輪點，以及車輪點的坐標，包括:

以所述車輪點識別模型輸出的當前車輪點的坐標加上當前車輪點的兩個坐標偏移量，得到多個候選車輪點的坐標；

對得到的多個候選車輪點的坐標進行投票，剔除小于預定分數閾值的候選車輪點；

將比相鄰四個點的分數都高的點作為候選車輪點；

將得到的候選車輪點按分數排序，并設置非極大值抑制半徑，使得距離小于所述半徑的點被抑制以得到車輪點。

5.根據權利要求1所述的車輛檢測方法，其特征在于，將所述車輪點和對面車輪點連線，包括：

對車輪點按分數排序；

從分數最高的點開始依次與其余的點進行匹配，從其余的點中查找和當前點匹配的點，如果找到，則將該兩點連線輸出；如果未找到，則刪除此點。

6.一種車載終端，其特征在于，包括：

車輪線識別模塊，用于將輸入圖片進行特征提取，并輸入至預先訓練得到的車輪點識別模型，預測得到所述輸入圖片中是否包括車輪點，以及車輪點的坐標，其中所述車輪點識別模型使得輸入圖片與對應輸入圖片中像素點是否屬于車輪點的類別信息以及每個車輪點的坐標偏移量和對面車輪點的坐標偏移量相關聯；

車輪線投票模塊，用于將所述車輪點和對面車輪點連線，對得到的多條連線進行投票，并將得票數最高的連線作為車輪線；

檢測模塊，用于根據所述車輪線的位置，確定所述車輛的位置；

其中，所述車輪線投票模塊具體用于：

針對每個候選點，遍歷每個投票連線，如果連線和兩點距離小于閾值，則該兩點投票數加1；對于投票數最高的兩點，如果投票數大于設置的閾值，則匹配成線。