车辆通行的控制方法及装置制造方法及图纸

本公开是关于车辆通行的控制方法及装置，包括：通过获取包括待进入小区的车辆的待检测图像，然后根据车辆图像检测模型检测待检测图像中的车辆是否为出租车，当检测到该车辆为出租车时，则打开小区的道闸，由于可以自动识别出出租车，以控制小区的道闸实时打开供出租车进入，而无需小区道闸值班人员去人工打开道闸以供出租车驶入，有效降低了小区道闸值班人员的工作量，且减少了车上乘客的等待时间，进而有效提升了用户体验。

Control method and device for vehicle traffic

This is a page and open device, control method of vehicle traffic includes: through access to include into the area of the vehicle detecting image, then according to the vehicle image detection model to detect the vehicle detection in the image is detected when the taxi, the vehicle for a taxi, then open the gate area, due to the automatic identification a taxi to taxi into the gate open for real-time control of the District, without cell gate duty to open the gate for artificial taxi into the gate area, effectively reducing the workload of staff on duty, and reduce the waiting time of passengers, so as to effectively improve the user experience.

【技术实现步骤摘要】
车辆通行的控制方法及装置
本公开涉及车辆管理
，尤其涉及车辆通行的控制方法及装置。
技术介绍
随着社会的进步，越来越多的人已经将车辆作为出行的代步工具，从而导致出入居民住宅小区的车辆也越来越多。目前，为了对出入小区的车辆进行管理和限制以保证小区环境的安全性，一般都会在小区门口设立道闸，设立的道闸会自动放行本小区业主车辆进入小区，而当非本小区业主车辆进入时，需要人工确定是否放行该车辆。
技术实现思路
为克服相关技术中存在的问题，本公开实施例提供车辆通行的控制方法及装置。所述技术方案如下：根据本公开实施例的第一方面，提供一种车辆通行的控制方法，包括：获取待检测图像，所述待检测图像中包括：待进入小区的车辆；根据车辆图像检测模型检测所述车辆是否为出租车；当检测到所述车辆为出租车时，则打开所述小区的道闸。本公开的实施例提供的技术方案可以包括以下有益效果：通过获取包括待进入小区的车辆的待检测图像，然后根据车辆图像检测模型检测待检测图像中的车辆是否为出租车，当检测到该车辆为出租车时，则打开小区的道闸，以让出租车驶入小区，由于可以自动识别出出租车，以控制小区的道闸实时打开供出租车进入，而无需小区道闸值班人员去人工打开道闸以供出租车驶入，有效降低了小区道闸值班人员的工作量，且减少了车上乘客的等待时间，进而有效提升了用户体验。在一个实施例中，所述根据车辆图像检测模型检测所述车辆是否为出租车之前，还包括：获取多个样本，所述样本为出租车辆图像；根据所述多个样本和卷积神经网络CNN模型，训练得到所述车辆图像检测模型。本公开的实施例提供的技术方案可以包括以下有益效果：使用CNN模型得到车辆图像检测模型，由于CNN模型无需任何输入和输出之间精确的数学表达式，即可输出处理结果，从而有效地降低了网络模型的复杂度，提高了检测的准确性。在一个实施例中，所述根据所述多个样本和卷积神经网络获取所述车辆图像检测模型包括：对所述多个样本进行预处理以获取对应的训练图像；获取所述CNN模型的初始模型参数，所述初始模型参数包括各级卷积层的初始卷积核、所述各级卷积层的初始偏置矩阵、各级全连接层的初始权重矩阵和所述各级全连接层的初始偏置向量；在所述各级卷积层上，使用所述各级卷积层上的初始卷积核和所述各级卷积层上的初始偏置矩阵，对每个所述训练图像分别进行卷积操作和最大池化操作，得到每个训练图像在所述各级卷积层上的特征图像；在所述各级全连接层上，使用所述各级初始权重矩阵和所述初始偏置向量，对所述每个特征图像进行处理，得到所述每个训练图像的类别概率向量；根据所述每个训练图像的类别概率向量及每个训练图像的初始类别，计算类别误差；基于所述类别误差，对所述CNN模型的模型参数进行调整；基于调整后的所述模型参数和所述多个训练图像，继续进行模型参数调整的过程，直至迭代次数达到预设次数；将所述迭代次数达到所述预设次数时所得到的模型参数对应的CNN模型作为所述车辆图像检测模型。本公开的实施例提供的技术方案可以包括以下有益效果：通过样本和对CNN模型进行训练，从而得到车辆图像检测模型，由于CNN模型无需任何输入和输出之间精确的数学表达式，即可输出处理结果，从而有效地降低了网络模型的复杂度，提高了检测的准确性。在一个实施例中，所述对所述多个样本进行预处理以获取对应的训练图像，包括：对所述每个样本进行归一化处理以获取对应的所述训练图像，其中，所述归一化处理包括以下至少一项：将所述样本缩放至预定分辨率；或，对所述样本进行减均值处理。本公开的实施例提供的技术方案可以包括以下有益效果：通过对获取的待检测图像进行归一化处理，使得调整后的图像满足车辆图像检测模型的要求，从而有效提高了检测的准确性。在一个实施例中，所述根据车辆图像检测模型检测所述车辆是否为出租车包括：将所述车辆对应的图像利用仿射变换调整至所述车辆图像检测模型对应的图像规格；将调整后的所述图像输入至所述车辆图像检测模型；根据所述车辆图像检测模型和所述调整后的所述图像检测所述车辆是否为出租车。本公开的实施例提供的技术方案可以包括以下有益效果：通过将车辆对应的图像利用仿射变换调整至车辆图像检测模型对应的图像规格，然后输入至车辆图像检测模型，以检测该车辆是否为出租车，通过上述方法，使得输入至车辆图像检测模型要求的图像均为满足车辆图像检测模型要求图像，从而提高了车辆图像检测模型检测的准确性。在一个实施例中，所述根据车辆图像检测模型检测所述车辆是否为出租车，包括：检测所述车辆是否为所述小区的内部车辆；在检测到所述车辆不为所述小区的内部车辆时，获取所述车辆的车牌号码；检测所述车牌号码是否属于预设的出租车车牌号码；在检测到所述车牌号码属于预设的出租车车牌号码时，检测到所述车辆为出租车。本公开的实施例提供的技术方案可以包括以下有益效果：由于出租车和普通汽车的车牌号码是有区别的，因此，本实施例中基于车牌号码来识别出租车，有效提高了检测的准确性。根据本公开实施例的第二方面，提供一种车辆通行的控制装置，包括：待检测图像获取模块，用于获取待检测图像，所述待检测图像中包括：待进入小区的车辆；出租车检测模块，用于根据车辆图像检测模型检测所述待检测图像获取模块获取的所述待检测图像中的所述车辆是否为出租车；控制模块，用于在所述出租车检测模块检测到所述车辆为出租车时，控制打开所述小区的道闸。在一个实施例中，所述装置还包括：样本获取模块和训练模块；所述样本获取模块，用于在所述出租车检测模块根据车辆图像检测模型检测所述待检测图像获取模块获取的所述待检测图像中的所述车辆是否为出租车之前，获取多个样本，所述样本为出租车辆图像；所述训练模块，用于根据所述样本获取模块获取的所述多个样本和卷积神经网络CNN模型，训练得到所述车辆图像检测模型。在一个实施例中，所述训练模块包括：预处理子模块、初始模型参数获取子模块、特征图像确定子模块、类别概率向量获取子模块、类别误差计算子模块、调整子模块和车辆图像检测模型确定子模块，所述预处理子模块，用于对所述样本获取模块获取的所述多个样本进行预处理以获取对应的训练图像；所述初始模型参数获取子模块，用于获取所述CNN模型的初始模型参数，所述初始模型参数包括各级卷积层的初始卷积核、所述各级卷积层的初始偏置矩阵、各级全连接层的初始权重矩阵和所述各级全连接层的初始偏置向量；所述特征图像确定子模块，用于在所述初始模型参数获取子模块获取的所述各级卷积层上，使用所述各级卷积层上的初始卷积核和所述各级卷积层上的初始偏置矩阵，对每个所述训练图像分别进行卷积操作和最大池化操作，得到每个训练图像在所述各级卷积层上的特征图像；所述类别概率向量获取子模块，用于在所述初始模型参数获取子模块获取的所述各级全连接层上，使用所述各级初始权重矩阵和所述初始偏置向量，对所述特征图像确定子模块确定的所述每个特征图像进行处理，得到所述每个训练图像的类别概率向量；所述类别误差计算子模块，用于根据所述类别概率向量获取子模块确定的所述每个训练图像的类别概率向量及每个训练图像的初始类别，计算类别误差；所述调整子模块，用于基于所述类别误差计算子模块计算的所述类别误差，对所述CNN模型的模型参数进行调整；并基于调整后的所述模型参数和所述多个训练图像，继续进行模型参数调整的过程，直本文档来自技高网...

【技术保护点】
一种车辆通行的控制方法，其特征在于，包括：获取待检测图像，所述待检测图像中包括：待进入小区的车辆；根据车辆图像检测模型检测所述车辆是否为出租车；当检测到所述车辆为出租车时，则打开所述小区的道闸。

【技术特征摘要】
1.一种车辆通行的控制方法，其特征在于，包括：获取待检测图像，所述待检测图像中包括：待进入小区的车辆；根据车辆图像检测模型检测所述车辆是否为出租车；当检测到所述车辆为出租车时，则打开所述小区的道闸。2.根据权利要求1所述的方法，其特征在于，所述根据车辆图像检测模型检测所述车辆是否为出租车之前，还包括：获取多个样本，所述样本为出租车辆图像；根据所述多个样本和卷积神经网络CNN模型，训练得到所述车辆图像检测模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述多个样本和卷积神经网络CNN模型，训练得到所述车辆图像检测模型，包括：对所述多个样本进行预处理以获取对应的训练图像；获取所述CNN模型的初始模型参数，所述初始模型参数包括各级卷积层的初始卷积核、所述各级卷积层的初始偏置矩阵、各级全连接层的初始权重矩阵和所述各级全连接层的初始偏置向量；在所述各级卷积层上，使用所述各级卷积层上的初始卷积核和所述各级卷积层上的初始偏置矩阵，对每个所述训练图像分别进行卷积操作和最大池化操作，得到每个训练图像在所述各级卷积层上的特征图像；在所述各级全连接层上，使用所述各级初始权重矩阵和所述初始偏置向量，对所述每个特征图像进行处理，得到所述每个训练图像的类别概率向量；根据所述每个训练图像的类别概率向量及每个训练图像的初始类别，计算类别误差；基于所述类别误差，对所述CNN模型的模型参数进行调整；基于调整后的所述模型参数和所述多个训练图像，继续进行模型参数调整的过程，直至迭代次数达到预设次数；将所述迭代次数达到所述预设次数时所得到的模型参数对应的CNN模型作为所述车辆图像检测模型。4.根据权利要求3所述的方法，其特征在于，所述对所述多个样本进行预处理以获取对应的训练图像，包括：对所述每个样本进行归一化处理以获取对应的所述训练图像，其中，所述归一化处理包括以下至少一项：将所述样本缩放至预定分辨率；或，对所述样本进行减均值处理。5.根据权利要求1所述的方法，其特征在于，所述根据车辆图像检测模型检测所述车辆是否为出租车包括：将所述车辆对应的图像利用仿射变换调整至所述车辆图像检测模型对应的图像规格；将调整后的所述图像输入至所述车辆图像检测模型；根据所述车辆图像检测模型和所述调整后的所述图像检测所述车辆是否为出租车。6.根据权利要求1所述的方法，其特征在于，所述根据车辆图像检测模型检测所述车辆是否为出租车，包括：检测所述车辆是否为所述小区的内部车辆；在检测到所述车辆不为所述小区的内部车辆时，获取所述车辆的车牌号码；检测所述车牌号码是否属于预设的出租车车牌号码；在检测到所述车牌号码属于预设的出租车车牌号码时，检测到所述车辆为出租车。7.一种车辆通行的控制装置，其特征在于，包括：待检测图像获取模块，用于获取待检测图像，所述待检测图像中包括：待进入小区的车辆；出租车检测模块，用于根据车辆图像检测模型检测所述待检测图像获取模块获取的所述待检测图像中的所述车辆是否为出租车；控制模块，用于在所述出租车检测模块检测到所述车辆为出租车时，控制打开所述小区的道闸。8.根据权利要求7所述的装置，其特征在于，所述装置还包括：样本获取模块和训练模块；所述样本获取模块，用于在所述出租车检测模块根据车辆图像检测模型检测所述待检测图像获取模块获取的所述待检测图像中的所述车辆是否为出租车之前，获取多个样本，所述样本为出租车辆图像；所述训练模块，用于根据所述样本获取模块获取的所述多个样本和卷积神经网络CNN模型，训练得到所述车辆图像检测模型。9.根据权利要求8所述的装置，其特征在于，所述训练模块包括：预处理子模块、初始模型参数获取子模块、特征图像确定子模块、类别概率向量获取子模块、类别误差计算子模块、调整子模块和车辆图像检测模型确定子模块；所述预处理子模块，用于对所述样本获取模块...

【专利技术属性】
技术研发人员：陈志军，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：北京,11