本技术实施例涉及车灯检测，尤其涉及一种车灯检测方法、装置、电子设备及存储介质。
背景技术：
1、车灯的主要功能是为驾驶员提供必要的照明，确保在各种环境下都能清晰地看到道路和障碍物，同时也让其他道路使用者能够及时发现车辆。车灯的质量问题，如亮度不足、光束偏移、灯罩裂纹等，都可能导致能见度降低，增加交通事故的风险。因此，对车灯进行严格的质量检测，确保其性能符合安全标准，对于保障行车安全具有重要意义。
2、现有的车灯检测方法主要依赖于人工检查。然而，人工检查的速度慢，在生产高峰期，人工检查往往成为生产瓶颈，影响整体生产效率。另外，人工检查容易受到检测人员主观因素的影响，如疲劳、注意力不集中等，难以保证检测结果的准确性。因此，现有的车灯检测方法存在检测效率低、检测准确率低的问题。
技术实现思路
1、本技术实施例提供一种车灯检测方法、装置、电子设备及存储介质，以解决相关技术中因依赖于人工检查所导致的车灯检测效率低、检测准确率低的问题。
2、第一方面，本技术实施例提供了一种车灯检测方法，所述方法包括：
3、获取处理后的车灯图片数据；
4、将处理后的所述车灯图片数据输入至预先生成的车灯检测模型，得到车灯检测框的位置数据、车灯类别数据以及所述车灯检测框的置信度；
5、根据所述车灯检测框的位置数据和所述车灯检测框的置信度，确定处理后的所述车灯图片数据中的目标车灯检测框；
6、根据所述车灯类别数据确定所述车灯类别数据中车灯类别各自对应的概率值，并根据所述车灯类别各自对应的概率值确定处理后的所述车灯图片数据中的目标车灯类别。
7、可选地，在所述获取处理后的车灯图片数据的步骤之前，所述方法包括：
8、获取训练样本数据集和验证样本数据集，所述训练样本数据集或者所述验证样本数据集包括每个处理后的车灯图片数据和每个处理后的所述车灯图片数据对应的标注信息，其中，所述标注信息包括车灯检测框的位置数据和车灯类别；
9、将所述训练样本数据集中处理后的所述车灯图片数据以及处理后的所述车灯图片数据对应的标注信息输入到初始模型中，对所述初始模型进行训练，得到所述初始模型输出的标注信息；
10、将所述验证样本数据集中处理后的所述车灯图片数据输入到所述初始模型中，对所述初始模型进行验证，将验证完成的所述初始模型确定为车灯检测模型。
11、可选地，所述获取处理后的车灯图片数据包括：
12、获取车灯图片数据；
13、对所述车灯图片数据进行尺寸调整，得到经过尺寸调整的所述车灯图片数据；
14、对经过尺寸调整的所述车灯图片数据进行归一化，得到处理后的所述车灯图片数据。
15、可选地，所述将处理后的所述车灯图片数据输入至预先生成的车灯检测模型，得到车灯检测框的位置数据、车灯类别数据以及所述车灯检测框的置信度包括：
16、针对处理后的所述车灯图片数据进行局部特征提取，得到处理后的所述车灯图片数据对应的局部特征；
17、针对处理后的所述车灯图片数据进行全局特征提取，得到处理后的所述车灯图片数据对应的全局特征，其中，所述全局特征包括车身轮廓特征和车灯轮廓特征；
18、针对所述局部特征和所述全局特征进行融合，得到融合后的特征；
19、针对所述融合后的特征进行预测，得到车灯检测框的位置数据、车灯类别数据以及所述车灯检测框的置信度。
20、可选地，所述针对处理后的所述车灯图片数据进行局部特征提取，得到处理后的所述车灯图片数据对应的局部特征包括：
21、针对处理后的所述车灯图片数据进行局部轮廓特征提取，得到处理后的所述车灯图片数据对应的局部轮廓特征；
22、针对所述局部轮廓特征进行局部几何特征提取，得到局部几何特征；
23、针对所述局部轮廓特征和所述局部几何特征进行深度局部特征提取，得到处理后的所述车灯图片数据中车灯的状态特征；
24、所述局部轮廓特征、所述局部几何特征以及所述车灯的状态特征组成局部特征。
25、可选地，所述车灯检测框的位置数据包括所述车灯检测框的左上角坐标、所述车灯检测框的宽度以及所述车灯检测框的高度，所述根据所述车灯检测框的位置数据和所述车灯检测框的置信度，确定处理后的所述车灯图片数据中的目标车灯检测框包括：
26、根据所述车灯检测框的左上角坐标、所述车灯检测框的宽度以及所述车灯检测框的高度，确定所述车灯检测框的右下角坐标；
27、根据所述车灯检测框的左上角坐标和所述车灯检测框的右下角坐标，确定所述车灯检测框；
28、根据所述车灯检测框的置信度，将所述置信度小于预设第一阈值的车灯检测框进行删除，得到初始车灯检测框；
29、根据所述车灯检测框的置信度，在所述初始车灯检测框中将所述置信度最高的车灯检测框作为基准车灯检测框；
30、在所述初始车灯检测框中，将所述基准车灯检测框分别与所述基准车灯检测框之外的车灯检测框进行交并比运算，得到所述车灯检测框各自对应的交并比数值；
31、根据所述车灯检测框各自对应的交并比数值，将所述交并比数值大于预设第二阈值的车灯检测框进行删除，得到目标车灯检测框。
32、可选地，所述车灯类别数据是任一固定长度的车灯类别实数数组，所述根据所述车灯类别数据确定所述车灯类别数据中车灯类别各自对应的概率值，并根据所述车灯类别各自对应的概率值确定处理后的所述车灯图片数据中的目标车灯类别包括：
33、将所述车灯类别数据中的任一车灯类别实数转换为概率值，得到所述车灯类别实数各自对应的概率值；
34、根据所述车灯类别实数各自对应的概率值确定最大概率值；
35、根据所述最大概率值确定所述最大概率值对应的索引；；
36、将所述索引映射到所述标注信息中的车灯类别，将所述索引对应的车灯类别作为目标车灯类别。
37、第二方面，本技术实施例提供一种车灯检测装置，所述装置包括：
38、车灯图片数据获取模块，用于获取处理后的车灯图片数据；
39、车灯检测模型预测模块，用于将处理后的所述车灯图片数据输入至预先生成的车灯检测模型，得到车灯检测框的位置数据、车灯类别数据以及所述车灯检测框的置信度；
40、目标车灯检测框确定模块，用于根据所述车灯检测框的位置数据和所述车灯检测框的置信度，确定处理后的所述车灯图片数据中的目标车灯检测框；
41、目标车灯类别确定模块，用于根据所述车灯类别数据确定所述车灯类别数据中车灯类别各自对应的概率值，并根据所述车灯类别各自对应的概率值确定处理后的所述车灯图片数据中的目标车灯类别。
42、可选地，所述装置包括：
43、样本数据集获取模块，用于获取训练样本数据集和验证样本数据集，所述训练样本数据集或者所述验证样本数据集包括每个处理后的车灯图片数据和每个处理后的所述车灯图片数据对应的标注信息，其中，所述标注信息包括车灯检测框的位置数据和车灯类别；
44、模型训练模块，用于将所述训练样本数据集中处理后的所述车灯图片数据以及处理后的所述车灯图片数据对应的标注信息输入到初始模型中，对所述初始模型进行训练，得到所述初始模型输出的标注信息；；
45、模型验证模块，用于将所述验证样本数据集中处理后的所述车灯图片数据输入到所述初始模型中，对所述初始模型进行验证，将验证完成的所述初始模型确定为车灯检测模型。
46、可选地，所述车灯图片数据获取模块包括：
47、原始车灯图片数据获取子模块，用于获取车灯图片数据；
48、尺寸调整子模块，用于对所述车灯图片数据进行尺寸调整，得到经过尺寸调整的所述车灯图片数据；
49、归一化处理子模块，用于对经过尺寸调整的所述车灯图片数据进行归一化，得到处理后的所述车灯图片数据。
50、可选地，所述车灯检测模型预测模块包括：
51、局部特征提取子模块，用于针对处理后的所述车灯图片数据进行局部特征提取，得到处理后的所述车灯图片数据对应的局部特征；；
52、全局特征提取子模块，用于针对处理后的所述车灯图片数据进行全局特征提取，得到处理后的所述车灯图片数据对应的全局特征，其中，所述全局特征包括车身轮廓特征和车灯轮廓特征；
53、特征融合子模块，用于针对所述局部特征和所述全局特征进行融合，得到融合后的特征；
54、模型预测子模块，用于针对所述融合后的特征进行预测，得到车灯检测框的位置数据、车灯类别数据以及所述车灯检测框的置信度。
55、可选地，所述局部特征提取子模块包括：
56、局部轮廓特征提取单元，用于针对处理后的所述车灯图片数据进行局部轮廓特征提取，得到处理后的所述车灯图片数据对应的局部轮廓特征；
57、局部几何特征提取单元，用于针对所述局部轮廓特征进行局部几何特征提取，得到局部几何特征；
58、深度局部特征提取单元，用于针对所述局部轮廓特征和所述局部几何特征进行深度局部特征提取，得到处理后的所述车灯图片数据中车灯的状态特征；
59、局部特征获取单元，用于所述局部轮廓特征、所述局部几何特征以及所述车灯的状态特征组成局部特征。
60、可选地，所述车灯检测框的位置数据包括所述车灯检测框的左上角坐标、所述车灯检测框的宽度以及所述车灯检测框的高度，所述目标车灯检测框确定模块包括：
61、车灯检测框右下角坐标确定子模块，用于根据所述车灯检测框的左上角坐标、所述车灯检测框的宽度以及所述车灯检测框的高度，确定所述车灯检测框的右下角坐标；
62、车灯检测框确定子模块，用于根据所述车灯检测框的左上角坐标和所述车灯检测框的右下角坐标，确定所述车灯检测框；
63、初始车灯检测框获取子模块，用于根据所述车灯检测框的置信度，将所述置信度小于预设第一阈值的车灯检测框进行删除，得到初始车灯检测框；
64、基准车灯检测框获取子模块，用于根据所述车灯检测框的置信度，在所述初始车灯检测框中将所述置信度最高的车灯检测框作为基准车灯检测框；
65、交并比运算子模块，用于在所述初始车灯检测框中，将所述基准车灯检测框分别与所述基准车灯检测框之外的车灯检测框进行交并比运算，得到所述车灯检测框各自对应的交并比数值；
66、目标车灯检测框确定子模块，用于根据所述车灯检测框各自对应的交并比数值，将所述交并比数值大于预设第二阈值的车灯检测框进行删除，得到目标车灯检测框。
67、可选地，所述车灯类别数据是任一固定长度的车灯类别实数数组，所述目标车灯类别确定模块包括：
68、数据转换子模块，用于将所述车灯类别数据中的任一车灯类别实数转换为概率值，得到所述车灯类别实数各自对应的概率值；
69、最大概率值获取子模块，用于根据所述车灯类别实数各自对应的概率值确定最大概率值；
70、索引获取子模块，用于根据所述最大概率值确定所述最大概率值对应的索引；
71、目标车灯类别确定子模块，用于将所述索引映射到所述标注信息中的车灯类别，将所述索引对应的车灯类别作为目标车灯类别。
72、第三方面，本技术实施例还提供了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器，其中，所述处理器被配置为执行所述指令，以实现如上任一所述的车灯检测方法。
73、第四方面，本技术实施例还提供了一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上任一所述的车灯检测方法。
74、在本技术实施例中，通过获取处理后的车灯图片数据；将处理后的车灯图片数据输入至预先生成的车灯检测模型，得到车灯检测框的位置数据、车灯类别数据以及车灯检测框的置信度；根据车灯检测框的位置数据和车灯检测框的置信度，确定处理后的车灯图片数据中的目标车灯检测框；根据车灯类别数据确定车灯类别数据中车灯类别各自对应的概率值，，并根据车灯类别各自对应的概率值确定处理后的车灯图片数据中的目标车灯类别。本技术通过根据预先生成的车灯检测模型对处理后的车灯图片数据进行检测，只需将处理后的车灯图片数据输入至车灯检测模型，车灯检测模型即可自动输出处理后的车灯图片数据中车灯检测框的位置数据、车灯类别数据以及车灯检测框的置信度，进而能够根据车灯检测模型的输出结果确定处理后的车灯图片数据中车灯的位置以及车灯的类别，相较于现有技术中需要人工检查车灯来说，能够高效、准确地对车灯进行检测，大大提高了车灯检测的效率和准确率，解决了车灯检测效率低、准确率低的问题。本技术通过根据车灯检测框的位置数据和置信度确定目标车灯检测框，能够有效剔除错误的检测框、重叠的检测框，有助于提高车灯检测框的检测准确率。本技术通过根据车灯类别数据中车灯类别各自对应的概率值确定处理后的车灯图片数据中的目标车灯类别，能够准确地确定出处理后的车灯图片数据中车灯对应的车灯类别，提高了车灯类别的检测准确性。
75、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
1.一种车灯检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述获取处理后的车灯图片数据的步骤之前，所述方法包括：
3.根据权利要求1所述的方法，其特征在于，所述获取处理后的车灯图片数据包括：
4.根据权利要求1所述的方法，其特征在于，所述将处理后的所述车灯图片数据输入至预先生成的车灯检测模型，得到车灯检测框的位置数据、车灯类别数据以及所述车灯检测框的置信度包括：
5.根据权利要求4所述的方法，其特征在于，所述针对处理后的所述车灯图片数据进行局部特征提取，得到处理后的所述车灯图片数据对应的局部特征包括：
6.根据权利要求1所述的方法，其特征在于，所述车灯检测框的位置数据包括所述车灯检测框的左上角坐标、所述车灯检测框的宽度以及所述车灯检测框的高度，所述根据所述车灯检测框的位置数据和所述车灯检测框的置信度，确定处理后的所述车灯图片数据中的目标车灯检测框包括：
7.根据权利要求1所述的方法，其特征在于，所述车灯类别数据是任一固定长度的车灯类别实数数组，所述根据所述车灯类别数据确定所述车灯类别数据中车灯类别各自对应的概率值，并根据所述车灯类别各自对应的概率值确定处理后的所述车灯图片数据中的目标车灯类别包括：：
8.一种车灯检测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括：处理器；
10.一种存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至7中任一项所述的车灯检测方法。
