(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221085989 2.5 (22)申请日 2022.07.21 (71)申请人 多伦科技股份有限公司 地址 211112 江苏省南京市江宁区天印大 道1555号 (72)发明人 虞洋　武小亮　张铁监　汪洋　 章安强　叶剑　 (74)专利代理 机构 江苏斐多律师事务所 323 32 专利代理师 向妮 (51)Int.Cl. G06V 20/58(2022.01) G06V 20/40(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种车灯检测方法 (57)摘要 本发明公开了一种车灯检测方法， 包括以下 步骤： 按时间顺序读取车灯检测视频， 检测出相 邻两帧中的车灯图像并进行预处理， 得到图像矩 阵； 将图像矩阵输入到目标resnet34网络模型， 得到保存图像颜色信息的特征矩阵； 计算特征矩 阵之间的欧氏距离； 基于预设判断标准和所述欧 氏距离判断相邻两帧车灯图像是否为同类， 若同 一视频出现两次以上不同类的情形； 查看相邻两 次情形之间相隔的帧数， 进而得出相隔时间； 判 断相隔时间是否大于预设间隔， 若大于则判定为 车灯检测合格， 否则为不合格。 本发明能适用于 强光环境下的车灯检测， 且判断准确率远高于 现 有判断方法。 权利要求书2页 说明书5页 附图2页 CN 115187960 A 2022.10.14 CN 115187960 A 1.一种车灯检测方法， 其特 征在于， 包括以下步骤： S1、 按时间顺序读取车灯检测视频， 检测出相邻两帧中的车灯图像， 对车灯图像进行预 处理， 得到相邻两帧车灯图像对应的图像矩阵； S2、 将相邻两帧车灯图像对应的图像矩阵输入到目标resnet34网络模型， 得到相邻两 帧车灯图像对应的保存图像颜色信息的特 征矩阵； S3、 计算所述相邻两帧车灯图像对应的保存图像颜色信息的特征矩阵之间的欧氏距 离； S4、 基于预设判断标准和所述欧氏距离判断相邻两帧车灯图像是否为同类， 若同一视 频出现两次以上相邻两帧车灯图像为 不同类的情形， 则进入步骤S5； S5、 查看相邻两次情形之间相隔的帧数， 进 而得出相隔时间； S6、 判断所述相隔时间是否大于预设间隔， 若大于则判定为车灯检测合格， 否则为不合 格。 2.如权利 要求1所述的车灯检测方法， 其特征在于， 目标resnet34网络模型通过以下方 式获得： 采集车检站内的车辆 外观图像， 制作车检场景 下的车灯数据集； 基于pytorch框架构建resnet34网络模型， 将所述车灯数据集作为训练集输入至 resnet34网络模型进行训练， 得到目标resnet34网络模型。 3.如权利要求2所述的车灯检测方法， 其特征在于， 将所述车灯 数据集作为训练集输入 至resnet34网络模型进行训练， 得到目标resnet34网络模型， 具体包括： 随机提取训练集 中的两张车灯图像， 将所述车灯图像的图像矩阵输入resnet34网络模 型， 得到对应的两个特 征矩阵； 通过Pairw iseDistance计算所述特 征矩阵之间的欧氏距离； 用三元损失函数衡量所述特征矩阵之间的欧氏距离是否需要优化， 损失大小计算如 下： L(a,p,n)＝max{d(a,p) ‑d(a,n)+marge,0} 式中， a代表anchor(锚)， p代表与a同一类别的正样本， n代表与a不同类别的负样本， d 代表样本之间的欧氏距离， marge表示 一个随机超参数； 所述样本包括： 1)简单样本， 即正样本距离anchor小于负样本距离anchor且差值大于 marge； 2)困难样本， 即正样本距离anchor大于负样本距离anchor； 3)半难样本， 正样本距离 anchor小于负样本距离anchor， 但差值小于marge； 其中， 困难样本和半难样本需要继续优 化； 直到所有困难样本和半难样本优化 为简单样本时， 得到目标resnet34网络模型。 4.如权利要求3所述的车灯检测方法， 其特征在于， 所述resnet34网络模型中， 训练环 境为gpu训练； 将所述车灯数据集作为训练集， 每个Epoch先用训练集训练一次， 选出所有困难样本和 半难样本作为测试集， 对测试集中的样本计算 三元损失。 5.如权利要求2所述的车灯检测方法， 其特征在于， 所述预设判断标准是指： 计算所述 目标resnet34网络模 型输出的训练集中所有简单样 本对应的特征矩阵之间的欧氏距离， 将 最大欧氏距离作为同类和不同类的数据的预设判断标准， 所述欧氏距离大于最大欧氏距离权　利　要　求　书 1/2 页 2 CN 115187960 A 2时， 判定为 不同类， 反 之判断为同类。 6.如权利要求2所述的车灯检测方法， 其特征在于， 用Adagrad优化算法提高每次训练 的效率， 初始学习率设置为0.0 01。 7.如权利要求2所述的车灯检测方法， 其特征在于， 采集车检站内的车辆外观图像， 制 作车检场景 下的车灯数据集， 具体包括： 采集车检站内的车辆 外观图像， 选取强光环境下的车辆 外观图像； 使用矩形框标记所述车辆外观图像中的车灯并对所述车辆外观图像进行分类， 一类为 车灯亮的图像， 另一类为车灯灭的图像； 提取所述矩形框内的车灯图像， 并将所述车灯图像作为车检场景 下的车灯数据集； 将所述车灯图像缩放为统一尺寸并进行标准化处理， 将所有车灯图像RGB颜色空间各 通道数值都转换到 ‑1和1之间， 得到特定尺寸的图像矩阵。 8.如权利要求7所述的车灯检测方法， 其特征在于， 所述步骤S1中， 提取所述矩形框内 的车灯图像， 具体包括： 随机调整分类好的车辆 外观图像中矩形框的长 宽， 以增加可训练数据； 提取所述矩形框内的车灯图像， 并打乱所述车灯图像的顺序。 9.如权利要求7所述的车灯检测方法， 其特征在于， 所述步骤S1中， 在对所述车灯图像 标准化处理之前还 包括： 在所述车灯图像中加入随机干扰， 所述随机干扰包括增加模糊、 旋转图片、 增加噪音中 的至少一种。 10.如权利要求7所述的车灯检测方法， 其特征在于， 所有车灯图像的三通道均值为 0.6071、 0.46 09、 0.394 4， 标准差为0.2457、 0.2175、 0.212 9； 所述特定尺寸 为1*3*140*140。权　利　要　求　书 2/2 页 3 CN 115187960 A 3