[发明专利]车辆通行的控制方法及装置

说明书

技术领域

本公开涉及车辆管理技术领域，尤其涉及车辆通行的控制方法及装置。

背景技术

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。

发明内容

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。