一种检测电子眼的方法和设备的制造方法
【技术领域】
[0001]本发明涉及互联网技术领域，尤其涉及一种检测电子眼的方法和设备。
【背景技术】
[0002]电子眼(又称电子警察)，是“智能交通违章监摄管理系统”的俗称，主要是利用成像及计算机等多种技术对交通违章行为进行全天候监控的设备。
[0003]目前，汽车导航系统的一种重要功能就是电子眼语音报警，最初，电子眼数据是由人工搜索记录方式得到的。电子眼数据遍布全国，人工搜索需要耗费大量人力成本，效率较低。
【发明内容】
[0004]本发明实施例公开了一种检测电子眼的方法和设备，能够有效提高电子眼检测的效率。
[0005]本发明实施例第一方面公开了一种检测电子眼的方法，包括:
[0006]在全景图上以预设大小的窗口进行滑窗，以得到对应的窗口图像；
[0007]确定所述窗口图像的卷积神经网络CNN分类器概率；
[0008]确定所述窗口图像中CNN分类器概率大于第一阈值的第一目标窗口图像的方向梯度直方图HOG特征，并确定所述HOG特征的支持向量机SVM分类器概率；
[0009]对所述第一目标窗口图像中SVM分类器概率大于第二阈值的第二目标窗口图像进行聚类，以得到电子眼区域集合，所述电子眼区域集合包括一个或多个电子眼区域。
[0010]本发明实施例第二方面公开了一种检测电子眼的设备，包括:
[0011]滑窗模块，用于在全景图上以预设大小的窗口进行滑窗，以得到对应的窗口图像；
[0012]第一确定模块，用于确定所述窗口图像的卷积神经网络CNN分类器概率；
[0013]第二确定模块，用于确定所述窗口图像中CNN分类器概率大于第一阈值的第一目标窗口图像的方向梯度直方图HOG特征，并确定所述HOG特征的支持向量机SVM分类器概率;
[0014]处理模块，用于对所述第一目标窗口图像中SVM分类器概率大于第二阈值的第二目标窗口图像进行聚类，以得到电子眼区域集合，所述电子眼区域集合包括一个或多个电子眼区域。
[0015]实施本发明实施例，具有如下有益效果:
[0016]通过在全景图上以预设大小的窗口进行滑窗，确定得到的窗口图像的CNN分类器概率，并确定CNN分类器概率大于第一阈值的窗口图像的HOG特征的SVM分类器概率，进而，对SVM分类器概率大于第二阈值的窗口图像进行聚类，以得到电子眼区域集合，从而，实现了电子眼的自动检测，提高了电子眼检测的效率。
【附图说明】
[0017]为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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。
[0018]图1为本发明实施例提供的一种检测电子眼的方法的流程示意图；
[0019]图2为本发明实施例提供的另一种检测电子眼的方法的流程示意图；
[0020]图3为本发明实施例提供的另一种检测电子眼的方法的流程示意图；
[0021]图4为本发明实施例提供的一种检测电子眼的设备的结构示意图；
[0022]图5为本发明实施例提供的另一种检测电子眼的设备的结构示意图；
[0023]图6为本发明实施例提供的另一种检测电子眼的设备的结构示意图；
[0024]图7为本发明实施例提供的另一种检测电子眼的设备的结构示意图。
【具体实施方式】
[0025]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0026]本发明实施例提供了一种检测电子眼的方法和设备，可以提高电子眼检测的效率。以下分别进行详细说明。
[0027]请参阅图1，图1为本发明实施例公开的一种检测电子眼的方法的流程示意图。如图1所示，该检测电子眼的方法可以包括以下步骤:
[0028]S101、在全景图上以预设大小的窗口进行滑窗，以得到对应的窗口图像。
[0029]本发明实施例中，全景图是指通过一个相机(或摄像头)从多个不同的角度，或者，通过多个不同朝向的相机(或摄像头)拍摄的图像的360°拼接图，通过捕捉整个场景的图像信息，使用软件进行图片拼合，把二维的平面图模拟成真实的三维空间。
[0030]举例来说，可以通过在某街道上的街景车顶部或拍摄杆顶端部署一圈4?6个摄像头，并将该4?6个摄像头从不同方向拍摄的照片进行360°拼接，即可得到一个全景图。
[0031]本发明实施例中，为了对全景图中的电子眼进行检测，可以以一个预设大小的窗口在全景图上进行滑窗，得到对应的多个窗口图像。
[0032]举例来说，假设全景图原始大小为64*64，窗口大小为8*8，全景图左上角顶点坐标为(0，O)，全景图平面内水平向右为X轴正方向，竖直向下为y轴正方向)，窗口的在全景图中的起始位置可以为左上角顶点坐标为(0，O)，右下角顶点坐标为(7，7)，滑窗过程中，可以以步长为4沿X轴正方向滑动，或以步长为4沿y轴正方向滑动，或每次X轴方向和y轴方向均滑动4，以得到对应的窗口图像。
[0033]在一种可选的实施方式中，在全景图上以预设大小的窗口滑窗，以得到对应的窗口图像，可以包括以下步骤:
[0034]11)、根据预设的最大电子眼尺寸和最小电子眼尺寸，确定多个用于对全景图进行缩放的缩放比例；
[0035]12)、分别在各缩放比例对应的缩放图像上以预设大小的窗口进行滑窗，以得到对应的窗口图像；该各缩放比例对应的缩放图像为根据各缩放比例对全景图进行缩放得到的。
[0036]在该实施方式中，为了避免在全景图上滑窗得到的窗口图像无法覆盖完整的最大尺寸的电子眼，同时，避免最小尺寸的电子眼在窗口图像中所占比例过小，可以预先根据最大电子眼尺寸和最小电子眼尺寸(可以通过对电子眼进行采样统计获得电子眼的最大尺寸和最小尺寸)，确定对全景图进行缩放的缩放比例，并分别在各缩放比例对应的缩放图像上以预设大小的窗口进行滑窗，以得到对应的窗口图像；其中，缩小幅度最大的缩放图像中，最大尺寸的电子眼的大小不大于窗口大小，放大幅度最大的缩放图像中，最小尺寸的电子眼的大小不大于窗口大小。
[0037]举例来说，假设原始大小的全景图中，最大尺寸的电子眼大小为32*32，最小尺寸的电子眼大小为4*4，窗口大小为16*16，则对应的缩放比例的范围可以为[1/2，4]，如缩放比例可以为1/2 (即缩小为原始大小的1/2)、2(即放大为原始大小的2倍)、3(即放大为原始大小的3倍)、4(即放大为原始大小的4倍)等。
[0038]在另一种可选的实施方式中，在全景图上以预设大小的窗口滑窗，以得到对应的窗口图像，可以包括以下步骤:
[0039]21)、根据预设最大电子眼尺寸和最小电子眼尺寸，确定多个用于对窗口进行缩放的缩放比例；
[0040]22)、分别在全景图上以各缩放比例对应的缩放窗口进行滑窗，以得到对应的窗口图像；该各缩放比例对应的缩放窗口为根据该各缩放比例对预设大小的窗口进行缩放得到的；其中，缩小幅度最大的窗口的尺寸不小于原始大小的全景图中的最小尺寸的电子眼，放大幅度最大的窗口尺寸不小于原始大小的全景图中的最大尺寸的电子眼。
[0041]举例来说，假设原始大小的全景图中，最大尺寸的电子眼大小为32*32，最小尺寸的电子眼大小为4*4，原始窗口大小为16*16，则对应的缩放比例的范围可以为[1/4，2]，如缩放比例可以为1/4(即缩小为原始大小的1/4)、1/2(即缩小为原始大小的1/2)、2(即放大为原始大小的2倍)等。
[0042]在该实施方式中，为了避免在全景图上滑窗得到的窗口图像无法覆盖完整的电子目艮，同时，避免电子眼在窗口图像中所占比例过小，可以预先根据最大电子眼尺寸和最小电子眼尺寸(可以通过对电子眼进行采样统计获得电子眼的最大尺寸和最小尺寸)，确定对窗口进行缩放的缩放比例，并分别全景图上以各缩放比例对应的缩放窗口进行滑窗，以得到对应的窗口图像。
[0043]S102、确定窗口图像的CNN分类器概率。
[0044]本发明实施例中，得到窗口图像之后，可以通过预设的CNN (Convolut1nalNeural Network，卷积神经网络)分类器确定各窗口图像的CNN分类器概率，并将CNN分类器概率大于第一阈值的窗口图像(第一目标窗口图像)确定为电子眼疑似区域。
[0045]本发明实施例中，可以预先根据电子眼正负样本训练电子眼CNN分类器，即将预设数量(如10000个)包括电子眼的预设尺寸(假设为32*32)的图像(即正样本)和预设数量的不包括电子眼的预设尺寸的图像(即负样本)输入到CNN进行训练，以得到CNN分类器，进而，可以通过该CNN分类器确定各窗口图像的CNN分类器概率。
[0046]S103、确定窗口图像中CNN分类器概率大于第一阈值的第一目标窗口图像的HOG特征，并确定该HOG特征的SVM分类器概率。
[0047]本发明实施例中，确定各窗口图像的CNN分类器概率之后，可以将其中CNN分类器概率大于第一阈值的窗口图像(第一目标窗口图像)确定为电子眼疑似区域(即该第一目标窗口图像对应的区域中可能存在电子眼)，进而，可以提取第一目标窗口图像的HOG (Histogram of Oriented Gradient，方向梯度直方图)特征，并