[发明专利]一种车辆物件检测方法及装置

说明书

技术领域

本申请涉及计算机视觉技术领域，尤其涉及一种车辆物件检测方法及装置。

背景技术

目前，套牌车的检测、安全驾驶行为判断、犯罪侦查等具体应用中，需要对车窗上的小物件进行检测，例如：年检标、挂坠、遮阳板、安全带、纸巾盒、打火机、人脸等。

现有的检测方法只能针对某种物件单独检测，主要步骤可以包括：首先对图像进行预处理，例如直方图均衡、对比度调整等；然后提取人工定义的一系列特征，例如：边缘、纹理、各个方向上的梯度特征、Haar特征以及特征模板等；最后利用上述特征，依次对经过预处理的图像中不同大小、长宽比或位置的窗口逐一进行分类判断，如果分类概率大于某个阈值则认为是该物件，否则就不是。

采用上述方式对物件进行检测，需要对每类物体的图片进行反复缩放、多尺度计算，导致计算量较大、且检测效率较低，除此之外，对光照、遮挡、模糊等情况的处理也比较不好，导致检测精度较低。

现有技术不足在于：

现有物件检测方案计算量大、检测效率和精度较低。

发明内容

本申请实施例提出了一种车辆物件检测方法及装置，以解决现有技术中物件检测方案计算量大、检测效率和精度较低的技术问题。

本申请实施例提供了一种车辆物件检测方法，包括如下步骤：

获取当前场景中的监控图像；

利用深度卷积神经网络模型对所述监控图像提取特征，输出用于检测物件的特征图像；

将预先训练得到的卷积核与所述特征图像进行卷积计算，得到检测结果，所述检测结果包括所述物件的类别、所述物件存在的概率和所述物件的相对位置。

本申请实施例提供了一种车辆物件检测装置，包括：

获取模块，用于获取当前场景中的监控图像；

特征提取模块，用于利用深度卷积神经网络模型对所述监控图像提取特征，输出用于检测物件的特征图像；

训练模块，用于训练卷积核；

检测模块，用于将预先训练得到的卷积核与所述特征图像进行卷积计算，得到检测结果，所述检测结果包括所述物件的类别、所述物件存在的概率和所述物件的相对位置。

有益效果如下：

本申请实施例所提供的车辆物件检测方法及装置，在获取到当前场景中的监控图像后，可以利用深度卷积神经网络模型对所述监控图像提取特征，输出特征图像，将训练得到的卷积核与所述特征图像进行卷积计算得到检测结果，所述检测结果包括所述物件的类别、物件存在的概率和所述物件的相对位置。由于本申请实施例中利用深度卷积神经网络模型对所述监控图像提取任务相关的具有高效表达能力的特征，输出专门用于检测特定物件的特征图像，后续只需要将卷积核与不同物件的所述特征图像进行计算即可，无需对原始监控图像进行预处理、无需再对整张原始监控图像进行滑动框扫描，且不需要对原始图像进行多尺度特征计算，从而节省了计算时间、大大提高了检测效率和检测精度。

附图说明

下面将参照附图描述本申请的具体实施例，其中：

图1示出了本申请实施例中车辆物件检测方法实施的流程示意图；

图2示出了本申请实施例中车辆物件检测过程示意图；

图3示出了本申请实施例中车辆物件检测装置的结构示意图。

具体实施方式

为了使本申请的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。并且在不冲突的情况下，本说明中的实施例及实施例中的特征可以互相结合。

针对现有技术的不足，本申请实施例提出了一种车辆物件检测方法及装置，下面进行说明。

图1示出了本申请实施例中车辆物件检测方法实施的流程示意图，如图所示，所述车辆物件检测方法可以包括如下步骤：

步骤101、获取当前场景中的监控图像；

步骤102、利用深度卷积神经网络模型对所述监控图像提取特征，输出用于检测物件的特征图像；

步骤103、将预先训练得到的卷积核与所述特征图像进行卷积计算，得到检测结果，所述检测结果包括所述物件的类别、所述物件存在的概率和所述物件的相对位置。

具体实施时，可以在需要监控的场景中预先布置监控摄像头，由摄像头回传当前场景中的监控图像。实际使用中，摄像头回传的可能为监控视频，监控视频可以包括若干帧的监控图像。