本發(fā)明涉及圖像識別領域，具體涉及一種建立車窗定位模型和車窗定位方法及裝置。

背景技術：

隨著經濟的發(fā)展，汽車保有量與日俱增，大量的汽車在道路上行駛，給交通管理部門帶來了巨大的管理壓力，已有的汽車管理自動化手段主要是電子警察和卡口系統(tǒng)，實時捕獲車輛高清圖片，分析出駕駛員信息，包括駕駛員是否系安全帶、打電話、人臉相貌等信息，對交通安全監(jiān)管和刑事案件偵查具有至關重要的作用，但若要準確判斷車輛內部的人員或其它目標的具體屬性，需要對能清楚觀察到駕駛員的車窗目標做出準確定位，繼而通過車窗對車輛內部信息進行識別。

現(xiàn)有車窗定位方法一般都是充分利用已經成熟的車牌檢測并結合車型等其它信息，估計出車窗區(qū)域，再對此估計區(qū)域作進一步的相關檢測識別，判斷目標屬性，而現(xiàn)有車窗區(qū)域定位精度往往難以滿足后續(xù)屬性(例如，對車內司機人臉面貌和司機動作)的判定需求，從而造成車輛內部信息識別錯誤。

技術實現(xiàn)要素：

因此，本發(fā)明要解決的技術問題在于現(xiàn)有車窗定位方法的車窗定位精度往往難以滿足需求，從而造成車輛內部信息識別錯誤。

有鑒于此，本發(fā)明提供一種建立車窗定位模型的方法，包括：

獲取多個車輛圖像和對應所述車輛圖像中已標注出的四個車窗角點的坐標；

將所述多個車輛圖像和對應所述車輛圖像中已標注出的四個車窗角點的坐標作為訓練數(shù)據，對機器學習模型進行訓練，直至所述機器學習模型的輸出結果滿足預設條件。

優(yōu)選地，所述車輛圖像為車輛前部車身圖像。

優(yōu)選地，所述機器學習模型的輸出結果為車窗角點的坐標，

在對機器學習模型進行訓練的步驟中，直至所述機器學習模型的輸出的車窗角點的坐標誤差在預設閾值范圍內。

相應地，本發(fā)明提供一種建立車窗定位模型的裝置，包括：

獲取單元，用于獲取多個車輛圖像和對應所述車輛圖像中已標注出的四個車窗角點的坐標；

訓練單元，用于將所述多個車輛圖像和對應所述車輛圖像中已標注出的四個車窗角點的坐標作為訓練數(shù)據，對機器學習模型進行訓練，直至所述機器學習模型的輸出結果滿足預設條件。

優(yōu)選地，所述車輛圖像為車輛前部車身圖像。

優(yōu)選地，所述機器學習模型的輸出結果為車窗角點的坐標，

利用訓練單元進行訓練，直至所述機器學習模型的輸出的車窗角點的坐標誤差在預設閾值范圍內。

本發(fā)明還提供一種車窗定位方法，包括：

獲取待識別車輛圖像；

將所述待識別車輛圖像輸入到如上述所述方法所建立的模型中，確定所述待識別車輛圖像中車窗位置。

相應地，本發(fā)明還提供一種車窗定位裝置，包括：

車輛圖像獲取單元，用于獲取待識別車輛圖像；

車窗位置確定單元，用于將所述待識別車輛圖像輸入到如上述所述方法所建立的模型中，確定所述待識別車輛圖像中車窗位置。

本發(fā)明技術方案具有以下優(yōu)點：

通過獲取多個車輛圖像和對應車輛圖像中已標注出的四個車窗角點的坐標，將多個車輛圖像和對應車輛圖像中已標注出的四個車窗角點的坐標作為訓練數(shù)據，對機器學習模型進行訓練，直至機器學習模型的輸出結果滿足預設條件，利用該機器學習模型對待識別車輛圖像進行識別，繼而確定待識別車輛圖像的車窗位置，解決了現(xiàn)有車窗定位方法的車窗定位精度往往難以滿足需求，從而造成車輛內部信息識別錯誤的問題。

附圖說明

為了更清楚地說明本發(fā)明具體實施方式或現(xiàn)有技術中的技術方案，下面將對具體實施方式或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施方式，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1是本發(fā)明實施例提供的一種建立車窗定位模型的方法的流程圖；

圖2是本發(fā)明實施例提供的一種建立車窗定位模型的裝置的結構示意圖；

圖3是本發(fā)明另一實施例提供的一種車窗定位方法的流程圖；

圖4是本發(fā)明另一實施例提供的一種車窗定位裝置的結構示意圖。

具體實施方式

下面將結合附圖對本發(fā)明的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明實施例提供一種建立車窗定位模型的方法，如圖1所示，包括：

s11，獲取多個車輛圖像和對應車輛圖像中已標注出的四個車窗角點的坐標。其中車輛圖像的車窗角點坐標通過人工預先進行大量樣本標注作為深度學習的訓練數(shù)據。

s12，將多個車輛圖像和對應車輛圖像中已標注出的四個車窗角點的坐標作為訓練數(shù)據，對機器學習模型進行訓練，直至機器學習模型的輸出結果滿足預設條件。

優(yōu)選地，車輛圖像為車輛前部車身圖像。在通過車輛圖像準確定位到車窗位置后，繼而透過車窗圖像識別出車輛內的駕駛員行為狀態(tài)，故在路口設置的攝像頭等圖像獲取裝置一般拍攝車輛前部車身圖像，在對大量車輛前部車身圖像進行訓練后，提高了車輛前部車身圖像的車窗位置的識別率，繼而也提高了車輛內部駕駛員行為狀態(tài)的識別率。

優(yōu)選地，機器學習模型的輸出結果為車窗角點的坐標，在對機器學習模型進行訓練的步驟中，直至機器學習模型的輸出的車窗角點的坐標誤差在預設閾值范圍內。

本發(fā)明實施例提供的建立車窗定位模型的方法，通過獲取多個車輛圖像和對應車輛圖像中已標注出的四個車窗角點的坐標，將多個車輛圖像和對應車輛圖像中已標注出的四個車窗角點的坐標作為訓練數(shù)據，對機器學習模型進行訓練，直至機器學習模型的輸出結果滿足預設條件，利用該機器學習模型對待識別車輛圖像進行識別，繼而確定待識別車輛圖像的車窗位置，解決了現(xiàn)有車窗定位方法的車窗定位精度往往難以滿足需求，從而造成車輛內部信息識別錯誤的問題。

相應地，本發(fā)明實施例還提供一種建立車窗定位模型的裝置，如圖2所示，包括：

獲取單元21，用于獲取多個車輛圖像和對應車輛圖像中已標注出的四個車窗角點的坐標；

訓練單元22，用于將多個車輛圖像和對應車輛圖像中已標注出的四個車窗角點的坐標作為訓練數(shù)據，對機器學習模型進行訓練，直至機器學習模型的輸出結果滿足預設條件。

優(yōu)選地，車輛圖像為車輛前部車身圖像。

優(yōu)選地，機器學習模型的輸出結果為車窗角點的坐標，利用訓練單元22進行訓練，直至機器學習模型的輸出的車窗角點的坐標誤差在預設閾值范圍內。

本發(fā)明實施例提供的建立車窗定位模型的裝置，通過獲取單元獲取多個車輛圖像和對應車輛圖像中已標注出的四個車窗角點的坐標，利用訓練單元將多個車輛圖像和對應車輛圖像中已標注出的四個車窗角點的坐標作為訓練數(shù)據，對機器學習模型進行訓練，直至機器學習模型的輸出結果滿足預設條件，繼而利用訓練好的機器學習模型進行車窗定位，解決了現(xiàn)有車窗定位方法的車窗定位精度往往難以滿足需求，從而造成車輛內部信息識別錯誤的問題。

本發(fā)明另一實施例還提供一種車窗定位方法，如圖3所示，包括：

s31，獲取待識別車輛圖像；

s32，將待識別車輛圖像輸入到上述方法所建立的模型中，確定待識別車輛圖像中車窗位置。在利用機器學習模型識別過程中，當獲取車窗的角點坐標后，通過將車窗角點坐標所構成的四邊形矯正為規(guī)則的矩形，車窗的角點坐標矯正成矩形區(qū)域的方法可以是最小矩形覆蓋方法或者邊界外擴等方法得到，可應用與車輛內部的目標檢測和屬性識別，例如當確定車窗坐標后，利用頭檢測方法檢測出駕駛員位置或者用于識別駕駛員是否系安全帶等目標的識別。

本發(fā)明另一實施例提供的車窗定位方法，通過獲取待識別車輛圖像，繼而將待識別車輛圖像輸入到建立的車窗定位模型中確定待識別車輛圖像中的車窗位置，解決了現(xiàn)有車窗定位方法的車窗定位精度往往難以滿足需求，從而造成車輛內部信息識別錯誤的問題。

本發(fā)明另一實施例還提供一種車窗定位裝置，如圖4所示，包括：

車輛圖像獲取單元41，用于獲取待識別車輛圖像；

車窗位置確定單元42，用于將待識別車輛圖像輸入到上述所述方法所建立的模型中，確定待識別車輛圖像中車窗位置。

本發(fā)明另一實施例提供的車窗定位裝置，通過車輛圖像獲取單元獲取待識別車輛圖像，并將待識別車輛圖像輸入到建立的車窗定位模型中確定待識別車輛圖像中的車窗位置，解決了現(xiàn)有車窗定位方法的車窗定位精度往往難以滿足需求，從而造成車輛內部信息識別錯誤的問題。

顯然，上述實施例僅僅是為清楚地說明所作的舉例，而并非對實施方式的限定。對于所屬領域的普通技術人員來說，在上述說明的基礎上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。而由此所引伸出的顯而易見的變化或變動仍處于本發(fā)明創(chuàng)造的保護范圍之中。