车辆年检标签检测方法及装置制造方法及图纸

本发明专利技术涉及视频监控技术领域，公开了一种车辆年检标签检测方法及装置，其中，方法包括：获取包含有年检标签的待检测图像；利用预先训练得到的多级CNN网络模型逐级对待检测图像进行检测，得到包含有年检标签的区框位置，作为年检标签的位置；对包含有年检标签的区框进行标定点检测，其中，标定点表示年检标签轮廓上的角点；当未检测出标定点，则确定年检标签为椭圆形标签；当检测出标定点，则确定年检标签为矩形标签或菱形标签，其中，标定点之间形成的区域为年检标签的精确位置。本发明专利技术在获取到年检标签位置的基础上，对年检标签所在区框进行标定点检测，判断出年检标签的类型，有效减缓了交管部门的监控压力。

【技术实现步骤摘要】
车辆年检标签检测方法及装置
本专利技术涉及视频监控
，具体涉及一种车辆年检标签检测方法及装置。
技术介绍
随着经济的发展以及人们生活水平的不断提高，道路上机动车辆数量不断增加，大量的机动车辆在道路上行驶，无疑给交通管理部门带来了巨大的管理压力。目前，主要是通过在道路上安装监控摄像头来实现对车辆数据的统计分析，例如通过监控摄像头拍摄的图像来抓取闯红灯的车辆、分析车辆的轨迹等。但是，判断车辆是否按时交年检的技术尚不成熟，往往还需要依靠人工进行判断，仍需要耗费大量的人力和精力。为了解决上述问题，公开号为CN105718912A的中国专利文献公开了一种基于深度学习的车辆特征物检测方法，包括以下步骤：步骤1.把车窗内所有需要检测的物体标注出来，设计CNN网络结构，用该结构在Caffe框架上进行训练，得到多分类模型；步骤2.通过统计机器学习的方法粗略定位车脸的位置，并对车窗四个点进行定位，得到车窗的位置；步骤3.提取建议框；步骤4.在建议框的基础上进行多尺度缩放得到不同尺度下的待分类区域，然后利用步骤1得到的多分类模型进行分类；步骤5.利用先验信息进行去误检处理；步骤6.得到车窗上的各种特征物类别与坐标。虽然上述图像处理方法可以检测出车辆特征物的类别和坐标，但是对于年检标签来说，其具有多个形状，例如椭圆形、矩形和菱形。上述图像处理方法并不能准确检测出年检标签的具体形状，即无法检测识别出年检标签的具体类型。
技术实现思路
为此，本专利技术所要解决的技术问题是：如何检测车辆年检标签的具体类型。为解决上述技术问题，本专利技术采用的技术方案如下：本专利技术提供了一种车辆年检标签检测方法，包括以下步骤：获取包含有年检标签的待检测图像；利用预先训练得到的多级CNN网络模型逐级对所述待检测图像进行检测，得到包含有年检标签的区框位置，作为所述年检标签的位置；对所述包含有年检标签的区框进行标定点检测，其中，所述标定点表示年检标签轮廓上的角点；当未检测出所述标定点，则确定所述年检标签为椭圆形标签；当检测出所述标定点，则确定所述年检标签为矩形标签或菱形标签，其中，所述标定点之间形成的区域为所述年检标签的精确位置。可选地，所述获取包含有年检标签的待检测图像的步骤包括：获取车辆监控图像中车辆前车窗所在的区域；对所述车辆前车窗所在的区域进行灰度化处理，以对所述车辆前车窗所在的区域进行边缘检测；获取所述监控图像的横向投影和纵向投影；根据所述横向投影和所述纵向投影的直方图确定所述车辆前车窗的左右和上下边界；按比例提取所述车辆前车窗的左、右、上边界部分区域，作为所述待检测图像。可选地，所述利用预先训练得到的多级CNN网络模型逐级对所述待检测图像进行检测，得到包含有年检标签的区框位置的步骤包括：对所述待检测图像进行多尺度缩放，形成图像金字塔；将所述图像金字塔输入第一级CNN网络模型中，按照对应所述第一级CNN网络模型中的预设阈值进行分类，获取包含有年检标签的边界框；将所述边界框输入至第二级CNN网络模型中继续分类，以此类推，并以从最后一级CNN网络模型中获取的边界框作为所述年检标签的位置。可选地，所述当检测出所述标定点，则确定所述年检标签为矩形标签或菱形标签的步骤之后，还包括：根据所述标定点计算出所述年检标签的第一倾角；根据所述车辆前车窗的左右和上下边界计算出所述车辆前车窗的第二倾角；判断所述第一倾角和所述第二倾角的差值是否在预设阈值内；当所述差值在预设阈值内，则确定所述年检标签为矩形标签；当所述差值不在预设阈值内，则确定所述年检标签为菱形标签。可选地，在所述利用预先训练得到的多级CNN网络模型逐级对所述待检测图像进行检测的步骤之前，还包括：获取训练样本；通过随机截取框在所述训练样本中随机采集多层标签样本和标定点样本，且每层样本的尺度均不同；将第一层所述标签样本输入至第一级CNN网络结构中，进行分类训练处理，得到第一分类结果，得到第一级CNN网络模型；将所述第二层所述标签样本和所述第一分类结果一同输入第二级CNN网络结构中，进行分类训练处理，得到第二分类结果，得到第二级CNN网络模型；以此类推，直至获取最后一级CNN网络结构的分类结果，并输入所述标定点样本至最后一级CNN网络结构做回归处理，得到最后一级CNN网络模型。本专利技术还提供了一种车辆年检标签检测装置，包括：待检测图像获取单元，用于获取包含有年检标签的待检测图像；年检标签位置获取单元，用于利用预先训练得到的多级CNN网络模型逐级对所述待检测图像进行检测，得到包含有年检标签的区框位置，作为所述年检标签的位置；标定点检测单元，用于对所述包含有年检标签的区框进行标定点检测，其中，所述标定点表示年检标签轮廓上的角点；第一确定单元，用于当未检测出所述标定点时，确定所述年检标签为椭圆形标签，还用于当检测出所述标定点时，确定所述年检标签为矩形标签或菱形标签。可选地，所述待检测图像获取单元包括：第一获取单元，用于获取车辆监控图像中车辆前车窗所在的区域；车辆前车窗处理单元，用于对所述车辆前车窗所在的区域进行灰度化处理，以对所述车辆前车窗所在的区域进行边缘检测；第二获取单元，用于获取所述监控图像的横向投影和纵向投影；第二确定单元，用于根据所述横向投影和所述纵向投影的直方图确定所述车辆前车窗的左右和上下边界；提取单元，用于按比例提取所述车辆前车窗的左、右、上边界部分区域，作为所述待检测图像。可选地，还包括：第一倾角计算单元，用于根据所述标定点计算出所述年检标签的第一倾角；第二倾角计算单元，用于根据所述车辆前车窗的左右和上下边界计算出所述车辆前车窗的第二倾角；判断单元，用于判断所述第一倾角和所述第二倾角的差值是否在预设阈值内；第三确定单元，用于当所述差值在预设阈值内时，确定所述年检标签为矩形标签，以及用于当所述差值不在预设阈值内时，确定所述年检标签为菱形标签。本专利技术还提供了一种图像处理装置，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述车辆年检标签检测方法。本专利技术还提供了一种非暂态计算机可读存储介质，包括：所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行上述车辆年检标签检测方法。本专利技术的上述技术方案相对于现有技术具有以下优点：本专利技术提供的车辆年检标签检测方法，通过预先训练得到的多级CNN网络模型逐级对输入的待检测图像进行检测，提高了检测精确度，有利于准确地获取年检标签的位置。另外，在获取到年检标签位置的基础上，还对年检标签所在区框进行标定点检测，通过对标定点是否存在的判断，确定年检标签为椭圆形或非椭圆形(即矩形或菱形)，即可判断出年检标签的类型，继而判断出该车辆是否按时缴纳年检费用，有效减缓了交管部门的监控压力。与此同时，当检测出标定点时，即可以检测出的标定点之间形成的区域作为年检标签更精确的位置。本专利技术提供的车辆年检标签检测方法，获取到的待检测图像是按比例从车辆前车窗的左、右、上边界部分区域提取得到的，而并不是整个监控图像和整个前车窗，由此，提高了年检标签在整个待检测图像中的占比，减小了后续检测过程中的计算量，提高了检测效率。本专利技术提供的车辆年检标签检测方法本文档来自技高网...

【技术保护点】
1.一种车辆年检标签检测方法，其特征在于，包括以下步骤：获取包含有年检标签的待检测图像；利用预先训练得到的多级CNN网络模型逐级对所述待检测图像进行检测，得到包含有年检标签的区框位置，作为所述年检标签的位置；对所述包含有年检标签的区框进行标定点检测，其中，所述标定点表示年检标签轮廓上的角点；当未检测出所述标定点，则确定所述年检标签为椭圆形标签；当检测出所述标定点，则确定所述年检标签为矩形标签或菱形标签，其中，所述标定点之间形成的区域为所述年检标签的精确位置。

【技术特征摘要】
1.一种车辆年检标签检测方法，其特征在于，包括以下步骤：获取包含有年检标签的待检测图像；利用预先训练得到的多级CNN网络模型逐级对所述待检测图像进行检测，得到包含有年检标签的区框位置，作为所述年检标签的位置；对所述包含有年检标签的区框进行标定点检测，其中，所述标定点表示年检标签轮廓上的角点；当未检测出所述标定点，则确定所述年检标签为椭圆形标签；当检测出所述标定点，则确定所述年检标签为矩形标签或菱形标签，其中，所述标定点之间形成的区域为所述年检标签的精确位置。2.根据权利要求1所述的车辆年检标签检测方法，其特征在于，所述获取包含有年检标签的待检测图像的步骤包括：获取车辆监控图像中车辆前车窗所在的区域；对所述车辆前车窗所在的区域进行灰度化处理，以对所述车辆前车窗所在的区域进行边缘检测；获取所述监控图像的横向投影和纵向投影；根据所述横向投影和所述纵向投影的直方图确定所述车辆前车窗的左右和上下边界；按比例提取所述车辆前车窗的左、右、上边界部分区域，作为所述待检测图像。3.根据权利要求1所述的车辆年检标签检测方法，其特征在于，所述利用预先训练得到的多级CNN网络模型逐级对所述待检测图像进行检测，得到包含有年检标签的区框位置的步骤包括：对所述待检测图像进行多尺度缩放，形成图像金字塔；将所述图像金字塔输入第一级CNN网络模型中，按照对应所述第一级CNN网络模型中的预设阈值进行分类，获取包含有年检标签的边界框；将所述边界框输入至第二级CNN网络模型中继续分类，以此类推，并以从最后一级CNN网络模型中获取的边界框作为所述年检标签的位置。4.根据权利要求2所述的车辆年检标签检测方法，其特征在于，所述当检测出所述标定点，则确定所述年检标签为矩形标签或菱形标签的步骤之后，还包括：根据所述标定点计算出所述年检标签的第一倾角；根据所述车辆前车窗的左右和上下边界计算出所述车辆前车窗的第二倾角；判断所述第一倾角和所述第二倾角的差值是否在预设阈值内；当所述差值在预设阈值内，则确定所述年检标签为矩形标签；当所述差值不在预设阈值内，则确定所述年检标签为菱形标签。5.根据权利要求1所述的车辆年检标签检测方法，其特征在于，在所述利用预先训练得到的多级CNN网络模型逐级对所述待检测图像进行检测的步骤之前，还包括：获取训练样本；通过随机截取框在所述训练样本中随机采集多层标签样本和标定点样本，且每层样本的尺度均不同；将第一层所述标签样本输入至第一级CNN网络结构中，进行分类训练处理，得到第一分类结果，得到第一级CNN网络...

【专利技术属性】
技术研发人员：周延培，张安发，黑光月，陈燕娟，陈曲，史宁，张剑，覃明贵，
申请(专利权)人：苏州科达科技股份有限公司，
类型：发明
国别省市：江苏,32