本申请提供了一种车库车辆数量检测方法、装置及电子设备，方法包括：获取待检测的车库车辆图像；将车库车辆图像输入至车辆数量检测模型；其中，车辆数量检测模型包括：主干网络和密度预测分支网络；车辆数量检测模型在训练时还包括检测分支网络，密度预测分支网络的参数量小于检测分支网络的参数量；车辆数量检测模型为基于预设的车库车辆图像训练样本集对主干网络、检测分支网络和密度预测分支网络同时训练后得到的；通过车辆数量检测模型输出车库车辆图像对应的车辆数量检测结果。本申请通过包括主干网络和密度预测分支网络的车辆数量检测模型来完成车辆数量预测，是一种轻量级的车辆计数模型，对边缘化设备更友好。对边缘化设备更友好。对边缘化设备更友好。
【技术实现步骤摘要】
车库车辆数量检测方法、装置及电子设备
[0001]本申请涉及金融行业
，尤其是涉及一种车库车辆数量检测方法、装置及电子设备。
技术介绍
[0002]在金融行业的贷款业务中，常常会有一些二手车商将车辆抵押给银行，以获得贷款，车辆通常会停在指定车库中，因此，对车库中车辆计数是管理必不可少的环节，可以实现对贷款环节的固定资产方便的管理，进一步可以避免坏账。针对车库中车辆计数，单靠人工手动计数，工作量大且枯燥。业内通用的方式是通过训练车辆检测模型，然后通过模型去检测视频或图像中车辆，根据检测框统计得到车辆数目。上述方法已经可以作为有效手段实现自动化的车辆数量检测管理。但是检测模型较大，消耗的资源成本高，检测仍然会存在漏检的可能。
技术实现思路
[0003]本申请的目的在于提供一种车库车辆数量检测方法、装置及电子设备，通过包括主干网络和密度预测分支网络的车辆数量检测模型来完成车辆数量预测，而车辆数量检测模型在训练阶段是通过对主干网络、检测分支和密度预测分支双分支网络进行训练的，且密度预测分支网络参数量远小于检测分支网络的参数量，而在实际应用中，车辆数量检测模型摆脱了检测分支的束缚，仅仅通过密度预测分支得出车辆数量，是一种轻量级的车辆计数模型，对边缘化设备更友好。
[0004]第一方面，本申请实施例提供一种车库车辆数量检测方法，方法包括：获取待检测的车库车辆图像；将车库车辆图像输入至车辆数量检测模型；其中，车辆数量检测模型包括：主干网络和密度预测分支网络；车辆数量检测模型在训练时还包括检测分支网络，密度预测分支网络的参数量小于检测分支网络的参数量；车辆数量检测模型为基于预设的车库车辆图像训练样本集对主干网络、检测分支网络和密度预测分支网络同时训练后得到的；通过车辆数量检测模型输出车库车辆图像对应的车辆数量检测结果。
[0005]在本申请较佳的实施方式中，上述车辆数量检测模型的训练过程如下：获取车库车辆图像训练样本集；样本集中的样本包括标注有车辆检测框信息和车辆密度信息的车库车辆图像；应用训练样本集中的样本训练主干网络和检测分支网络；在训练完成后，再应用训练样本集中的样本同时训练主干网络、检测分支网络和密度预测分支网络，得到车辆数量检测模型。
[0006]在本申请较佳的实施方式中，上述获取车库车辆图像训练样本集的步骤，包括：获取车库车辆视频；按天从车库车辆视频中抽取指定数量的帧图像；针对每个帧图像，以车辆中心坐标和车辆宽高进行标注，完成车辆检测框信息的标注；对帧图像中各个车辆引擎盖所在位置的像素值标注为1，遍历所有1的位置，以1的位置为中心，在预设像素范围内按照高斯分布标注每个像素点的概率值，不在预设像素范围内的像素点标注为0，完成车辆密度
信息的标注；其中，概率值表征该像素点为车辆中心的可信度。
[0007]在本申请较佳的实施方式中，上述密度预测分支网络包括：与主干网络连接的三个并行通道网络；每个通道网络中均包括：第一卷积层、注意力层和padding层；注意力层中包括最大池化层和激活层；三个并行通道网络中的卷积层的卷积核依次增大；最大卷积核的通道网络中，注意力层的最大池化为沿着平面和空间深度两个维度方向的池化；其它两个通道网络中，注意力层的最大池化为沿着空间深度维度方向的池化；三个并行通道网络均连接同一第二卷积层，由第二卷积层输出车辆密度预测结果。
[0008]在本申请较佳的实施方式中，上述检测分支网络包括：瓶颈层和预测层；瓶颈层包括concat层，上采样和卷积层；预测层包括不带BN的单卷积层。
[0009]在本申请较佳的实施方式中，在模型训练过程中，检测分支部分对应的第一损失值的计算方式如下：通过Iou Loss计算Iou损失值；通过CE Loss计算交叉熵损失值；求取所述Iou损失值和所述交叉熵损失值之和，作为检测分支部分对应的第一损失值；密度预测分支部分通过smooth Loss计算第二损失值；整个模型的总损失值为所述第一损失值和所述第二损失值的加权和。
[0010]在本申请较佳的实施方式中，上述通过车辆数量检测模型输出车库车辆图像对应的车辆数量检测结果的步骤，包括：通过密度预测分支网络输出车库车辆图像对应的车辆密度预测结果；车辆密度预测结果包括车库车辆图像中每个像素点对应的概率值；统计车库车辆图像中概率值超过阈值的像素点的数量，得到车库车辆图像对应的车辆数量检测结果。
[0011]第二方面，本申请实施例还提供一种车库车辆数量检测装置，装置包括：图像获取模块，用于获取待检测的车库车辆图像；图像输入模块，用于将车库车辆图像输入至车辆数量检测模型；其中，车辆数量检测模型包括：主干网络和密度预测分支网络；车辆数量检测模型在训练时还包括检测分支网络，密度预测分支网络的参数量小于检测分支网络的参数量；车辆数量检测模型为基于预设的车库车辆图像训练样本集对主干网络、检测分支网络和密度预测分支网络同时训练后得到的；模型预测模块，用于通过车辆数量检测模型输出车库车辆图像对应的车辆数量检测结果。
[0012]第三方面，本申请实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述第一方面所述的方法。
[0013]第四方面，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述第一方面所述的方法。
[0014]本申请提供的车库车辆数量检测方法、装置及电子设备中，首先获取待检测的车库车辆图像；然后将将车库车辆图像输入至车辆数量检测模型；该车辆数量检测模型包括：主干网络和密度预测分支网络；车辆数量检测模型在训练时还包括检测分支网络，密度预测分支网络的参数量小于检测分支网络的参数量；车辆数量检测模型为基于预设的训练样本集对主干网络、检测分支网络和密度预测分支网络同时训练后得到的；通过车辆数量检测模型输出车库车辆图像对应的车辆数量检测结果。该方式中，车辆数量检测模型实际由主干网络和密度预测分支网络构成，而车辆数量检测模型在训练阶段是通过对包含检测和
密度预测双分支的网络进行训练的，且密度预测分支网络参数量远小于检测分支，而在实际应用中，车辆数量检测模型摆脱了检测分支的束缚，仅仅通过密度预测分支得出车辆数量，是一种轻量级的车辆计数模型，对边缘化设备更友好。
附图说明
[0015]为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0016]图1为本申请实施例提供的一种车库车辆数量检测方法的流程图；
[0017]图2为本申请实施例提供的一种车辆数量检测模型的训练过程的流程图；
[0018]图3为本申请实施例提供的一种车辆数量检测模型的整本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车库车辆数量检测方法，其特征在于，所述方法包括：获取待检测的车库车辆图像；将所述车库车辆图像输入至车辆数量检测模型；其中，所述车辆数量检测模型包括：主干网络和密度预测分支网络；所述车辆数量检测模型在训练时还包括检测分支网络，所述密度预测分支网络的参数量小于所述检测分支网络的参数量；所述车辆数量检测模型为基于预设的车库车辆图像训练样本集对所述主干网络、所述检测分支网络和所述密度预测分支网络训练后得到的；通过所述车辆数量检测模型输出所述车库车辆图像对应的车辆数量检测结果。2.根据权利要求1所述的方法，其特征在于，所述车辆数量检测模型的训练过程如下：获取车库车辆图像训练样本集；所述样本集中的样本包括标注有车辆检测框信息和车辆密度信息的车库车辆图像；应用所述训练样本集中的样本训练所述主干网络和检测分支网络；在训练完成后，再应用所述训练样本集中的样本同时训练所述主干网络、所述检测分支网络和所述密度预测分支网络，得到所述车辆数量检测模型。3.根据权利要求2所述的方法，其特征在于，获取车库车辆图像训练样本集的步骤，包括：获取车库车辆视频；按天从所述车库车辆视频中抽取指定数量的帧图像；针对每个帧图像，以车辆中心坐标和车辆宽高进行标注，完成车辆检测框信息的标注；对所述帧图像中各个车辆引擎盖所在位置的像素值标注为1，遍历所有1的位置，以1的位置为中心，在预设像素范围内按照高斯分布标注每个像素点的概率值，不在所述预设像素范围内的像素点标注为0，完成车辆密度信息的标注；其中，所述概率值表征该像素点为车辆中心的可信度。4.根据权利要求1所述的方法，其特征在于，所述密度预测分支网络包括：与所述主干网络连接的三个并行通道网络；每个通道网络中均包括：第一卷积层、注意力层和padding层；所述注意力层中包括最大池化层和激活层；三个并行通道网络中的卷积层的卷积核依次增大；最大卷积核的通道网络中，注意力层的最大池化为沿着平面和空间深度两个维度方向的池化；其它两个通道网络中，注意力层的最大池化为沿着空间深度维度方向的池化；三个并行通道网络均连接同一第二卷积层，由所述第二卷积层输出车辆密度预测结果。5.根据权利...
【专利技术属性】
技术研发人员：苏志锋，苏沁宁，
申请(专利权)人：平安银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。