[发明专利]一种基于视觉差的车辆检测信息的校验方法及装置

说明书

本发明实施例提供了一种基于视觉差的车辆检测信息的校验方法及装置，该方法包括：获取多个摄像机实时拍摄的预定监控区域的视频帧，确定所述各视频帧中待检测车辆的车辆信息；构建待检测车辆的当前三维车辆检测框坐标；获取已构建的当前时刻的前一时刻的待检测车辆的对比三维车辆检测框坐标及第二位置关系；根据所述当前三维检测框的坐标和所述对比三维车辆检测框的坐标，判断待检测车辆当前是否被遮挡；若被遮挡，根据所述第一位置关系和所述第二位置关系，确定待检测车辆的当前检测信息是否准确。通过本发明，解决了卷积神经网络模型精度不足的问题，极大地提高了车辆信息检测的检测效率和准确性。

技术领域

本发明涉及智能停车管理技术领域，尤其涉及一种基于视觉差的车辆检测信息的校验方法及装置。

背景技术

随着城市经济的飞速发展和人民生活水平的不断提高，城市机动车保有量快速增长，在有限停车泊位的情况下，出现了百姓停车难的问题。为了解决这个难题，城市管理者开始在路侧规划泊位解决百姓停车问题，但是路侧泊位每个泊位都有多个出入口，基于路侧停车的自身特点，加大了路侧泊位管理的难度。

如何有效的对路侧泊位停车进行管理，目前市面上有很多方案，常见的智能停车管理系统中，通常采用卷积神经网络模型对车辆进行状态检测，但是卷积神经网络模型容易受训练量和训练精度，以及算法阈值采用的关系的影响，经常会发生检测图像车辆信息不准确的情况。一方面，对于一些特殊结构车辆，例如大客车、房车、广告包装的面包车、特殊结构越野车等市面较少出现车辆，由于卷积神经网络模型的信息检测精度不足，甚至存在无法检测出图片中存在该车辆的情况，但是这些车辆由于数量较少，如果大规模引入到训练素材里面，将会干扰正常车辆检测精度；另一方面，由于光线干扰，例如远处大灯光照的干扰，或者夜晚车辆进出场时，车尾灯和前大灯照射车辆，均会降低卷积神经网络模型对图片车辆信息检测的精度，经常无法检测出图像中的车辆信息；又一方面，受限于卷积神经网络模型训练素材，大部分训练图片都是相机侧向观察泊位，往往能看到车辆较多侧向信息，但是现场往往有很多特殊泊位，如从正上方视角看相对较远的泊位，往往只能看到车辆的后备箱玻璃及以上部分，从而降低了此类泊位的检测精度。

目前技术中通过解决卷积神经网络模型检测车辆精度不足问题，通常有如下方法：

1、引入超声波雷达。通过超声波雷达获取深度信息，但超声波雷达容易受到干扰，而且超声波雷达进行远距离探测的时候需要很大的功率，但是远距离的物体的探测精度较差，在具体操作上还需要跟相机进行关联配置，增加了管理的复杂度以及校验、维护的难度；

2、引入激光雷达。激光雷达虽然能够较精准给出图像和泊位的距离，但是缺点是成本较高。

3、通过卷积神经网络模型检测出车辆部位的信息后，通过其他计算方法进行信息补充和纠正。例如通过卷积神经网络模型检测出车辆的车轮信息，车顶信息，车后视镜信息，车窗信息，车门信息，车头信息、车尾信息，随后通过此类信息，估算出车辆的位置，随后通过别的技术方法对车辆信息检测精度不足的问题进行补充计算和矫正，但是，该方法缺点是需要通过引入更多的计算方法来弥补检测车辆信息精度不足的缺陷。

发明内容

本发明实施例提供一种基于视觉差的车辆检测信息的校验方法及装置，解决了卷积神经网络模型精度不足的问题，极大地提高了车辆信息检测的检测效率和准确性。

本发明实施例提供了一种基于视觉差的车辆检测信息的校验方法，包括：

获取多个摄像机实时拍摄的预定监控区域的视频帧，并针对各摄像机，标注各自对应视频帧的当前时间信息，并确定所述各视频帧中待检测车辆的车辆信息；

根据所述各视频帧中待检测车辆的车辆信息，分别计算所述各视频帧中待检测车辆与各自对应摄像机的第一位置关系，并根据所述第一位置关系构建待检测车辆的当前三维车辆检测框坐标；