车辆检测方法和设备技术

本发明专利技术实施例提供一种车辆检测方法和设备。其中，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。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。

【技术实现步骤摘要】
【国外来华专利技术】车辆检测方法和设备
本专利技术实施例涉及图像处理
，尤其涉及一种车辆检测方法和设备。
技术介绍
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。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。
技术实现思路
本专利技术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。第一方面，本专利技术提供一种车辆检测方法，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。第二方面，本专利技术提供一种车辆检测方法，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。第三方面，本专利技术提供一种车辆检测设备，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。第四方面，本专利技术提供一种车辆检测设备，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。第五方面，本专利技术提供一种存储介质，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。第六方面，本专利技术提供一种程序产品，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。本专利技术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。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，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。图1为本专利技术实施例一提供的车辆检测方法的流程图；图2为本专利技术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；图3为本专利技术实施例一提供的车辆候选区域的示意图；图4为本专利技术实施例二提供的车辆检测方法的流程图；图5为本专利技术实施例二中尾灯区域匹配的原理示意图；图6为本专利技术实施例三提供的车辆检测方法的流程图；图7为本专利技术实施例提供的车辆检测设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。图1为本专利技术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。如图1所示，本实施例提供的车辆检测方法，可以包括：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。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。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。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。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。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：获取待处理图像对应的雷达图或者深度图。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。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。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。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(ConvolutionalNeuralNetworks，CNN)模型。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，车辆在图像中占本文档来自技高网...

【技术保护点】
1.一种车辆检测方法，其特征在于，包括：/n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；/n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；/n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。/n

【技术特征摘要】
【国外来华专利技术】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。


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。


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。


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。


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。


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。


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。


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。


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。


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。


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。


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。


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。


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。


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。


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。


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。


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。


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。


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。


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。


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。


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。


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。


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。


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...

【专利技术属性】
技术研发人员：周游，蔡剑钊，杜劼熹，
申请(专利权)人：深圳市大疆创新科技有限公司，
类型：发明
国别省市：广东;44