本申请涉及深度学习技术领域，特别是涉及一种移动状态的确定方法、装置、计算机设备和存储介质。
背景技术：
在车辆年检中，通过灯光检测仪对车辆的灯光进行检测是其中重要的一环。其中，灯光检测仪可用于测量车辆前照灯远光发光强度、远光光轴偏移量、近光光轴偏移量以及前照灯的高度等各项参数。当检测人员将灯光检测仪获得的各项参数的检测结果上报车检系统时，需要同时上报灯光检测仪在获得检测数据时是否发生移动，以便于工作人员判断该检测结果是否有效。
传统技术中，主要通过帧差法判定灯光检测仪的移动状态；例如，可以通过设置在灯光检测工位的摄像头采集灯光检测仪的图像，当相邻两张目标图像的像素存在差异时，确定灯光检测仪发生了移动。
但是，采用上述方法容易产生误判，导致灯光检测仪的移动状态准确度低，继而导致工作人员对所述检测结果的有效性判断准确度低。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种移动状态的确定方法、装置、计算机设备和存储介质。
一种移动状态的确定方法，方法包括：
获取图像序列，图像序列包括n张灯光检测仪的目标图像，目标图像为灯光检测仪对车辆灯光进行检测时，摄像头对灯光检测仪采集的图像；
对图像序列进行识别处理，获取各目标图像的定位框；定位框用于标记灯光检测仪的位置；
根据各目标图像中定位框的位置变化，确定灯光检测仪的移动状态。
在其中一个实施例中，上述对图像序列进行识别处理，获取各目标图像的定位框，包括：
将图像序列中第一张目标图像输入预设的目标检测模型，获得第一张目标图像的定位框；
根据第一张目标图像的定位框对图像序列中其余目标图像中的灯光检测仪进行追踪处理，获得各其余目标图像的定位框。
在其中一个实施例中，上述根据第一张目标图像的定位框对图像序列中其余目标图像中的灯光检测仪进行追踪处理，获得各其余目标图像的定位框，包括：
根据第一张目标图像的定位框对预设的追踪模型进行初始化；
通过初始化后的追踪模型，对其余目标图像中的灯光检测仪进行追踪处理，获得各其余目标图像的定位框。
在其中一个实施例中，上述根据第一张目标图像的定位框对预设的追踪模型进行初始化，包括：
通过追踪模型提取第一张目标图像的定位框中图像的像素特征；
根据像素特征确定追踪模型的追踪参数；
将确定了追踪参数的追踪模型作为初始化后的追踪模型。
在其中一个实施例中，上述根据第一张目标图像的定位框对图像序列中其余目标图像中的灯光检测仪进行追踪处理，获得各其余目标图像的定位框，包括：
在图像序列的第m张目标图像中确定跟踪定位框，跟踪定位框的位置与第m-1张目标图像的定位框的位置相同；m大于或等于2，且小于或等于n；
若跟踪定位框中包含灯光检测仪，则确定跟踪定位框为第m张图像的定位框；
若跟踪定位框中不包含灯光检测仪，则在第m张图像中移动跟踪定位框的位置获得备选定位框，直至获得的备选定位框中包含灯光检测仪时，将备选定位框确定为第m张目标图像的定位框。
在其中一个实施例中，上述追踪模型为核相关滤波算法kcf模型。
在其中一个实施例中，上述根据各目标图像中定位框的位置变化，确定灯光检测仪的移动状态，包括：
获取图像序列中相邻两张目标图像的定位框的交集；
根据交集的大小，确定相邻两张目标图像中的灯光检测仪是否发生移动；
若图像序列中存在灯光检测仪发生移动对应的目标图像，则确定灯光检测仪发生移动。
在其中一个实施例中，上述根据交集的大小，确定相邻两张目标图像中的灯光检测仪是否发生移动，包括：
若交集的面积小于预设阈值，则确定相邻两张目标图像中的灯光检测仪发生移动。
在其中一个实施例中，上述方法还包括：
在灯光检测仪发生移动的情况下，在图像序列中查找灯光检测仪移动开始时对应的第一图像，以及灯光检测仪移动结束时对应的第二图像；
根据第一图像的采集时刻以及第二图像的采集时刻，获取灯光检测仪的移动时间区间；
根据移动时间区间验证灯光检测结果的有效性。
在其中一个实施例中，上述方法还包括：
确定灯光检测仪发生移动所对应的各目标图像的定位框的中心位置；
将各中心位置连接，获得灯光检测仪的移动轨迹；
根据移动轨迹验证灯光检测结果的有效性。
在其中一个实施例中，上述方法还包括：
根据历史灯光检测信息，获取训练样本；训练样本包括历史灯光检测中的历史图像，以及历史图像的各历史图像中标记灯光检测仪的样本矩形框；
将历史图像作为初始目标检测模型的参考输入，将样本矩形框的坐标信息作为初始目标检测模型的参考输出，并根据预设的损失函数对初始目标检测模型进行训练，获得目标检测模型。
一种移动状态的确定装置，上述装置包括：
获取模块，用于获取图像序列，图像序列包括n张灯光检测仪的目标图像，目标图像为灯光检测仪对车辆灯光进行检测时，摄像头对灯光检测仪采集的图像；
定位模块，用于对图像序列进行识别处理，获取各目标图像的定位框；定位框用于标记灯光检测仪的位置；
确定模块，用于根据各目标图像中定位框的位置变化，确定灯光检测仪的移动状态。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取图像序列，图像序列包括n张灯光检测仪的目标图像，目标图像为灯光检测仪对车辆灯光进行检测时采集到的图像；
对图像序列进行识别处理，获取各目标图像的定位框；定位框用于标记灯光检测仪的位置；
根据各目标图像中定位框的位置变化，确定灯光检测仪的移动状态。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取图像序列，图像序列包括n张灯光检测仪的目标图像，目标图像为灯光检测仪对车辆灯光进行检测时采集到的图像；
对图像序列进行识别处理，获取各目标图像的定位框；定位框用于标记灯光检测仪的位置；
根据各目标图像中定位框的位置变化，确定灯光检测仪的移动状态。
上述移动状态的确定方法、装置、计算机设备和存储介质，计算机设备获取图像序列；其中，图像序列包括n张灯光检测仪的目标图像，目标图像为灯光检测仪对车辆灯光进行检测时，摄像头对灯光检测仪采集的图像；然后，对图像序列进行识别处理，获取各目标图像的定位框；定位框用于标记灯光检测仪的位置；最后，根据各目标图像中定位框的位置变化，确定灯光检测仪的移动状态。由于计算机设备获取了各目标图像中标记灯光检测仪的定位框，使得计算机设备可以根据上述各定位框的位置变化，获得灯光检测仪的移动状态，而不需要通过目标图像中的像素变化来确定；避免了目标图像中其它对象移动而引起像素变化时，导致对灯光检测仪的移动状态的误判，从而提高了灯光检测仪移动状态的准确度，从而准确地判断灯光检测结果的有效性。
附图说明
图1为一个实施例中移动状态的确定方法的应用环境图；
图2为一个实施例中移动状态的确定方法的流程示意图；
图3为另一个实施例中移动状态的确定方法的流程示意图；
图4为另一个实施例中移动状态的确定方法的流程示意图；
图5为另一个实施例中移动状态的确定方法的流程示意图；
图6为另一个实施例中移动状态的确定方法的流程示意图；
图7为一个实施例中移动状态的确定装置的结构框图；
图8为另一个实施例中移动状态的确定装置的结构框图；
图9为另一个实施例中移动状态的确定装置的结构框图；
图10为另一个实施例中移动状态的确定装置的结构框图；
图11为另一个实施例中移动状态的确定装置的结构框图；
图12为另一个实施例中移动状态的确定装置的结构框图；
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的移动状态的确定方法，可以应用于如图1所示的应用环境中。设置于灯光检测工位的摄像头100用于采集灯光检测仪200的图像，计算机设备300用于根据图像检测灯光检测仪的移动状态，上述摄像头100与计算机设备300连接。其中，计算机设备300可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种移动状态的确定方法，以该方法应用于图1中的计算机设备300为例进行说明，包括以下步骤：
s101、获取图像序列，图像序列包括n张灯光检测仪的目标图像，目标图像为灯光检测仪对车辆灯光进行检测时，摄像头对灯光检测仪采集的图像。
其中，上述图像序列包括灯光检测仪的目标图像，上述目标图像为灯光检测仪在对车辆的灯光进行检测时，设置于灯光检测工位的摄像头所采集的图像。
上述图像序列可以包含灯光检测仪对车辆检测时采集到的所有目标图像，也可以包括灯光检测仪对车辆检测时采集到的部分目标图像；另外，上述图像序列中还可以包括灯光检测仪在对车辆进行检测之前或之后采集到的图像，在此不做限定。例如，摄像头可以在灯光检测仪开始对车辆进行检测时，开始采集灯光检测仪的图像。
上述图像序列可以是摄像头采集的视频中提取的图像，也可以是摄像头在间隔预设时长内连续拍摄的多张照片，在此不做限定。
具体地，计算机设备获取上述图像序列时，可以直接接收灯光检测工位的摄像头发送的图像，也可以通过服务器获取摄像头采集的图像，对于上述获取方式在此不做限定。
进一步地，计算机设备获取摄像头发送的视频图像之后，可以根据预设的采样率对视频图像进行采集，获得上述图像序列。
s102、对图像序列进行识别处理，获取各目标图像的定位框；定位框用于标记灯光检测仪的位置。
计算机设备在获取图像序列之后，可以对图像序列进行识别处理，识别上述图像序列中各目标图像中的灯光检测仪，然后对各目标图像中的灯光检测仪的位置进行标定，获得各目标图像的定位框。
具体地，计算机设备对图像序列中的各个目标图像进行识别处理时，可以按照图像序列中的图像采集顺序，获得各目标图像的定位框；也可以不按照图像采集顺序进行处理，在此不做限定。例如，计算机设备在获得各个目标图像的定位框之后，按照图像采集顺序对定位框的位置变化进行分析；在此不做限定。
具体地，计算机设备可以采用卷积神经网络(convolutionalneuralnetworks,简称cnn)对各目标图像进行识别处理，也可以采用其他目标检测模型(singleshotmultiboxdetector，简称ssd)对目标图像进行识别处理，在此不做限定。
上述定位框可以是包含目标图像中的灯光检测仪的图像框，也可以是小于目标图像中灯光检测仪的大小，标记灯光检测仪的位置标记符号，对于上述定位框的形式在此不做限定。
s103、根据各目标图像中定位框的位置变化，确定灯光检测仪的移动状态。
计算机设备获取各目标图像的定位框之后，可以根据各目标图像中定位框的位置变化，来确定灯光检测仪的移动状态。
具体地，计算机设备可以根据各目标图像中定位框的中心位置的坐标，获得各目标图像的定位框的位置变化，也可以将各目标图像的定位框复制至同一图像中，在同一图像中比较各定位框是否发生了位置变化，对于上述位置变化的确定方式在此不做限定。
进一步地，计算机可以根据各目标图像的定位框的位置变化，来确定灯光检测仪的移动状态。上述移动状态可以包括灯光检测仪是否发生了移动，也可以包括灯光检测仪的移动方向，还可以包括灯光检测仪的移动时间，对于上述移动状态的具体形式在此不做限定。
上述移动状态的确定方法，计算机设备获取图像序列；其中，图像序列包括n张灯光检测仪的目标图像，目标图像为灯光检测仪对车辆灯光进行检测时采集到的图像；然后，对图像序列进行识别处理，获取各目标图像的定位框；定位框用于标记灯光检测仪的位置；最后，根据各目标图像中定位框的位置变化，确定灯光检测仪的移动状态。由于计算机设备获取了各目标图像中标记灯光检测仪的定位框，使得计算机设备可以根据上述各定位框的位置变化，获得灯光检测仪的移动状态，而不需要通过目标图像中的像素变化来确定；避免了目标图像中其它对象移动而引起像素变化时，导致对灯光检测仪的移动状态的误判，从而提高了灯光检测仪移动状态的准确度，从而准确地判断灯光检测结果的有效性。
图3为另一个实施例中移动状态的确定方法的流程示意图，本实施例涉及计算机设备获取各目标图像的定位框的一种方式，在上述实施例的基础上，如图3所示，上述s102包括：
s201、将图像序列中第一张目标图像输入预设的目标检测模型，获得第一张目标图像的定位框。
具体地，计算机设备可以将图像序列中的第一张目标图像输入预设的目标检测模型，可选地，上述目标检测模型可以是基于深度学习的矩形目标检测模型，用于输出第一张目标图像中标记灯光检测仪的矩形框。
其中，上述目标检测模型可以通过历史灯光检测的图像进行训练获得。计算机设备可以根据历史灯光检测信息，获取训练样本；其中，训练样本包括历史灯光检测中的历史图像，以及历史图像的各历史图像中标记灯光检测仪的样本矩形框；然后，将历史图像作为初始目标检测模型的参考输入，将样本矩形框的坐标信息作为初始目标检测模型的参考输出，并根据预设的损失函数对初始目标检测模型进行训练，获得目标检测模型。
上述训练样本中的历史图像，可以为在不同的拍摄条件下采集的图像，例如不同的光照条件、不同的灯光检测工位、不同的摄像头位置等。上述历史图像中包含有样本矩形框，计算机设备将历史图像输入初始目标检测模型之后，通过对历史图像的特征进行学习，输出包含灯光检测仪的矩形框，然后将模型输出的矩形框与人工标记的样本矩形框通过损失函数进行分析，以调整初始目标检测模型的模型参数，获得目标检测模型。
s202、根据第一张目标图像的定位框对图像序列中其余目标图像中的灯光检测仪进行追踪处理，获得各其余目标图像的定位框。
计算机设备在获得第一张目标图像的定位框之后，可以根据第一张目标图像的定位框对其余目标图像中的灯光检测仪进行追踪处理，获得各其余目标图像的定位框，而不需要对每张目标图像均进行识别处理。
其中，上述追踪处理可以是通过预设的追中模型实现对灯光检测仪的追踪。上述追踪模型可以是boosting模型，也可以是多事件学习算法(multipleinstancelearning简称mil)模型，还可以是mediaflow模型或者目标跟踪算法(trackinglearningdetection，简称tld)模型，对于上述追踪模型的类型在此不做限定。可选地，上述追踪模型为核相关滤波算法(high-speedtrackingwithkernelizedcorrelationfilters，简称kcf)模型。其中，上述kcf模型一般先利用循环矩阵不断对第一张目标图像的定位框移位，得到多个样本定位框，然后在定位框位置附近利用样本定位框训练一个分类器，这个分类器可以对框中是否有灯光检测仪做出一个概率响应，从而追踪其余目标图像中的灯光检测仪。上述kcf模型可以提升灯光检测仪的追踪精度。
具体地，计算机设备可以根据第一张目标图像的定位框对预设的追踪模型进行初始化，然后通过初始化后的追踪模型，对其余目标图像中的灯光检测仪进行追踪处理，获得各其余目标图像的定位框。
上述初始化过程为根据第一张目标图像的定位框确定追踪模型参数的过程。计算机设备可以通过追踪模型提取第一张目标图像的定位框中图像的像素特征；然后根据像素特征确定追踪模型的追踪参数；并将确定了追踪参数的追踪模型作为初始化后的追踪模型，完成追踪模型初始化的过程。
以上述kcf模型为例，计算机设备可以根据第一张目标图像的定位框进行移动，获取多个样本定位框，然后通过样本定位框完成分类器的训练，获得分类器的参数，上述分类器用于识别定位框中是否包含灯光检测仪。
具体地，计算机设备在图像序列的第m张目标图像中确定跟踪定位框，跟踪定位框的位置与第m-1张目标图像的定位框的位置相同；m大于或等于2，且小于或等于n；若跟踪定位框中包含灯光检测仪，则确定跟踪定位框为第m张图像的定位框；若跟踪定位框中不包含灯光检测仪，则在第m张图像中移动跟踪定位框的位置获得备选定位框，直至获得的备选定位框中包含灯光检测仪时，将备选定位框确定为第m张目标图像的定位框。
上述移动状态的确定方法，计算机设备通过对第一张目标图像进行识别处理后，获得第一张目标图像的定位框；然后，根据第一张目标图像的定位框对其余目标图像中的灯光检测仪进行追踪处理，而不需要对每张目标图像图像均进行识别处理，提升了定位框的获取速度。
图4为另一个实施例中移动状态的确定方法的流程示意图，本实施例涉及计算机设备确定灯光检测仪的移动状态的一种方式，在上述实施例的基础上，如图4所示，上述s103包括：
s301、获取图像序列中相邻两张目标图像的定位框的交集。
计算机设备在获取各目标图像的定位框之后，可以获取相邻两张目标图像的定位框的交集。例如，计算机设备可以根据各目标图像的定位框的坐标范围，计算上述定位框的交集的坐标范围。
s302、根据交集的大小，确定相邻两张目标图像中的灯光检测仪是否发生移动。
进一步地，计算机设备可以获取上述定位框的交集的大小，然后根据上述交集的大小确定上述相邻两张目标图像中的灯光检测仪是否发生移动。上述交集的大小可以是交集中包含的像素的数量，也可以是交集的面积大小，在此不做限定。
可选地，计算机设备可以将交集的面积与预设阈值进行比较，若交集的面积小于预设阈值，则确定相邻两张目标图像中的灯光检测仪发生移动。
s303、若图像序列中存在灯光检测仪发生移动对应的目标图像，则确定灯光检测仪发生移动。
计算机设备根据上述方法，确定了图像序列中相邻两张目标图像中灯光检测仪是否发生移动之后，若上述图像序列中存在灯光检测仪发生移动对应的目标图像，那么计算机设备可以认为该灯光检测仪发生了移动。
图5为另一个实施例中移动状态的确定方法的流程示意图，在上述实施例的基础上，计算机设备在确定灯光检测仪是否发生移动之后，还可以包括：
s401、在灯光检测仪发生移动的情况下，在图像序列中查找灯光检测仪移动开始时对应的第一图像，以及灯光检测仪移动结束时对应的第二图像。
计算机设备在确定灯光检测仪发生移动的情况下，可以在图像序列中确定出灯光检测仪发生移动时，对应的是哪些目标图像。进一步地，计算机设备可以根据目标图像的排列顺序，查找灯光检测仪移动开始时对应的第一图像，以及灯光检测仪移动结束时对应的第二图像。
需要说明的是，上述图像序列中，灯光检测仪发生移动对应的目标图像可以是不连续的多张目标图像，例如灯光检测仪发生两次移动的情况下，计算机设备可以确定出灯光检测仪发生移动时对应的两组目标图像。此时，计算机设备获得移动开始时对应的第一图像可以是多张目标图像，灯光检测仪移动结束时对应的第二图像也可以是多张图像，在此不做限定。
s402、根据第一图像的采集时刻以及第二图像的采集时刻，获取灯光检测仪的移动时间区间。
进一步地，计算机设备可以根据第一图像的采集时刻，以及第二图像的采集时刻，获得灯光检测仪发生移动的移动时间区间。上述移动时间区间可以包含一个时间区间，也可以包含多个子区间，在此不做限定。
s403、根据移动时间区间验证灯光检测结果的有效性。
计算机设备获取上述移动时间区间之后，可以确定出灯光检测仪是在哪一段时间内发生移动；计算机设备通过将移动时间区间与灯光检测仪输出灯光检测结果的时刻进行对比，可以确定出上述灯光检测结果是否有效。例如，若灯光检测结果的输出时刻为a，而根据上述移动时间区间获知在时刻a前后，灯光检测仪均为发生移动，那么计算机设备可以认为该灯光检测结果无效。上述移动状态的确定方法，计算机设备通过获取灯光检测仪的移动时间区间，将移动时间区间与灯光检测结果的输出时刻进行对比，可以更准确地验证灯光检测结果的有效性。
图6为另一个实施例中移动状态的确定方法的流程示意图，在上述实施例的基础上，计算机设备在确定灯光检测仪是否发生移动之后，还可以包括：
s501、确定灯光检测仪发生移动所对应的各目标图像的定位框的中心位置。
s502、将各中心位置连接，获得灯光检测仪的移动轨迹。
s503、根据移动轨迹验证灯光检测结果的有效性。
具体地，计算机设备可以计算灯光检测仪发生移动时，对应的各目标图像的定位框的中心位置，在同一坐标下将各中心位置进行连接，可以获得灯光检测仪的移动轨迹。
计算机设备获得灯光检测仪的移动轨迹之后，根据移动轨迹确定灯光检测仪根据上述移动轨迹移动时，是否能够准确地获得车辆的灯光检测结果，从而进一步地验证灯光检测结果的有效性。例如，当灯光检测仪的移动轨迹表征灯光检测仪并不能有效接收到位于灯光工位的车辆发出的光时，计算机设备可以认为该灯光检测结果无效。上述移动状态的确定方法，计算机设备通过获取灯光检测仪的移动轨迹，通过移动轨迹对灯光检测结果进行验证，可以提升灯光检测结果验证的准确性。
应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种移动状态的确定装置，包括：获取模块10、定位模块20和确定模块30，其中：
获取模块10，用于获取图像序列，所述图像序列包括n张灯光检测仪的目标图像，所述目标图像为所述灯光检测仪对车辆灯光进行检测时，摄像头对灯光检测仪采集的图像；
定位模块20，用于对所述图像序列进行识别处理，获取各所述目标图像的定位框；所述定位框用于标记所述灯光检测仪的位置；
确定模块30，用于根据各所述目标图像中所述定位框的位置变化，确定所述灯光检测仪的移动状态。
本申请实施例提供的移动状态的确定装置，可以实现上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，在上述实施例的基础上，如图8所示，上述定位模块20包括：
输入单元201，用于将图像序列中第一张目标图像输入预设的目标检测模型，获得第一张目标图像的定位框；
追踪单元202，用于根据第一张目标图像的定位框对图像序列中其余目标图像中的灯光检测仪进行追踪处理，获得各其余目标图像的定位框。
在一个实施例中，在上述实施例的基础上，如图9所示，上述追踪单元202包括：
初始化子单元2021，用于根据第一张目标图像的定位框对预设的追踪模型进行初始化；
追踪子单元2022，用于通过初始化后的追踪模型，对其余目标图像中的灯光检测仪进行追踪处理，获得各其余目标图像的定位框。
在一个实施例中，在上述实施例的基础上，上述初始化子单元2021具体用于：通过追踪模型提取第一张目标图像的定位框中图像的像素特征；根据像素特征确定追踪模型的追踪参数；将确定了追踪参数的追踪模型作为初始化后的追踪模型。
在一个实施例中，在上述实施例的基础上，如图10所示，上述追踪单元202包括：
确定子单元2023，用于在图像序列的第m张目标图像中确定跟踪定位框，跟踪定位框的位置与第m-1张目标图像的定位框的位置相同；m大于或等于2，且小于或等于n；
定位子单元2024，用于在跟踪定位框中包含灯光检测仪时，确定跟踪定位框为第m张图像的定位框；
移动子单元2025，用于在跟踪定位框中不包含灯光检测仪时，在第m张图像中移动跟踪定位框的位置获得备选定位框，直至获得的备选定位框中包含灯光检测仪时，将备选定位框确定为第m张目标图像的定位框。
在一个实施例中，在上述实施例的基础上，追踪模型为核相关滤波算法kcf模型。
在一个实施例中，在上述实施例的基础上，如图11所示，确定模块30包括：
获取单元301，用于获取图像序列中相邻两张目标图像的定位框的交集；
确定单元302，用于根据交集的大小，确定相邻两张目标图像中的灯光检测仪是否发生移动；若图像序列中存在灯光检测仪发生移动对应的目标图像，则确定灯光检测仪发生移动。
在一个实施例中，在上述实施例的基础上，上述确定单元302具体用于：在交集的面积小于预设阈值时，确定相邻两张目标图像中的灯光检测仪发生移动。
在一个实施例中，在上述实施例的基础上，如图12所示，上述装置还包括检测模块40，用于：在灯光检测仪发生移动的情况下，在图像序列中查找灯光检测仪移动开始时对应的第一图像，以及灯光检测仪移动结束时对应的第二图像；根据第一图像的采集时刻以及第二图像的采集时刻，获取灯光检测仪的移动时间区间；根据移动时间区间验证灯光检测结果的有效性。
在一个实施例中，在上述实施例的基础上，上述装置检测模块40还用于：确定灯光检测仪发生移动所对应的各目标图像的定位框的中心位置；将各中心位置连接，获得灯光检测仪的移动轨迹；根据移动轨迹验证灯光检测结果的有效性。
在一个实施例中，在上述实施例的基础上，上述输入单元201还用于：根据历史灯光检测信息，获取训练样本；训练样本包括历史灯光检测中的历史图像，以及历史图像的各历史图像中标记灯光检测仪的样本矩形框；将历史图像作为初始目标检测模型的参考输入，将样本矩形框的坐标信息作为初始目标检测模型的参考输出，并根据预设的损失函数对初始目标检测模型进行训练，获得目标检测模型。
本申请实施例提供的移动状态的确定装置，可以实现上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于移动状态的确定装置的具体限定可以参见上文中对于移动状态的确定方法的限定，在此不再赘述。上述移动状态的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储移动状态的确定数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种移动状态的确定方法。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取图像序列，图像序列包括n张灯光检测仪的目标图像，目标图像为灯光检测仪对车辆灯光进行检测时，摄像头对灯光检测仪采集的图像；
对图像序列进行识别处理，获取各目标图像的定位框；定位框用于标记灯光检测仪的位置；
根据各目标图像中定位框的位置变化，确定灯光检测仪的移动状态。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将图像序列中第一张目标图像输入预设的目标检测模型，获得第一张目标图像的定位框；根据第一张目标图像的定位框对图像序列中其余目标图像中的灯光检测仪进行追踪处理，获得各其余目标图像的定位框。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据第一张目标图像的定位框对预设的追踪模型进行初始化；通过初始化后的追踪模型，对其余目标图像中的灯光检测仪进行追踪处理，获得各其余目标图像的定位框。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过追踪模型提取第一张目标图像的定位框中图像的像素特征；根据像素特征确定追踪模型的追踪参数；将确定了追踪参数的追踪模型作为初始化后的追踪模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在图像序列的第m张目标图像中确定跟踪定位框，跟踪定位框的位置与第m-1张目标图像的定位框的位置相同；m大于或等于2，且小于或等于n；若跟踪定位框中包含灯光检测仪，则确定跟踪定位框为第m张图像的定位框；若跟踪定位框中不包含灯光检测仪，则在第m张图像中移动跟踪定位框的位置获得备选定位框，直至获得的备选定位框中包含灯光检测仪时，将备选定位框确定为第m张目标图像的定位框。
在一个实施例中，追踪模型为核相关滤波算法kcf模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取图像序列中相邻两张目标图像的定位框的交集；根据交集的大小，确定相邻两张目标图像中的灯光检测仪是否发生移动；若图像序列中存在灯光检测仪发生移动对应的目标图像，则确定灯光检测仪发生移动。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：若交集的面积小于预设阈值，则确定相邻两张目标图像中的灯光检测仪发生移动。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在灯光检测仪发生移动的情况下，在图像序列中查找灯光检测仪移动开始时对应的第一图像，以及灯光检测仪移动结束时对应的第二图像；根据第一图像的采集时刻以及第二图像的采集时刻，获取灯光检测仪的移动时间区间；根据移动时间区间验证灯光检测结果的有效性。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定灯光检测仪发生移动所对应的各目标图像的定位框的中心位置；将各中心位置连接，获得灯光检测仪的移动轨迹；根据移动轨迹验证灯光检测结果的有效性。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据历史灯光检测信息，获取训练样本；训练样本包括历史灯光检测中的历史图像，以及历史图像的各历史图像中标记灯光检测仪的样本矩形框；将历史图像作为初始目标检测模型的参考输入，将样本矩形框的坐标信息作为初始目标检测模型的参考输出，并根据预设的损失函数对初始目标检测模型进行训练，获得目标检测模型。
本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取图像序列，图像序列包括n张灯光检测仪的目标图像，目标图像为灯光检测仪对车辆灯光进行检测时，摄像头对灯光检测仪采集的图像；
对图像序列进行识别处理，获取各目标图像的定位框；定位框用于标记灯光检测仪的位置；
根据各目标图像中定位框的位置变化，确定灯光检测仪的移动状态。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将图像序列中第一张目标图像输入预设的目标检测模型，获得第一张目标图像的定位框；根据第一张目标图像的定位框对图像序列中其余目标图像中的灯光检测仪进行追踪处理，获得各其余目标图像的定位框。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据第一张目标图像的定位框对预设的追踪模型进行初始化；通过初始化后的追踪模型，对其余目标图像中的灯光检测仪进行追踪处理，获得各其余目标图像的定位框。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过追踪模型提取第一张目标图像的定位框中图像的像素特征；根据像素特征确定追踪模型的追踪参数；将确定了追踪参数的追踪模型作为初始化后的追踪模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在图像序列的第m张目标图像中确定跟踪定位框，跟踪定位框的位置与第m-1张目标图像的定位框的位置相同；m大于或等于2，且小于或等于n；若跟踪定位框中包含灯光检测仪，则确定跟踪定位框为第m张图像的定位框；若跟踪定位框中不包含灯光检测仪，则在第m张图像中移动跟踪定位框的位置获得备选定位框，直至获得的备选定位框中包含灯光检测仪时，将备选定位框确定为第m张目标图像的定位框。
在一个实施例中，追踪模型为核相关滤波算法kcf模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取图像序列中相邻两张目标图像的定位框的交集；根据交集的大小，确定相邻两张目标图像中的灯光检测仪是否发生移动；若图像序列中存在灯光检测仪发生移动对应的目标图像，则确定灯光检测仪发生移动。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：若交集的面积小于预设阈值，则确定相邻两张目标图像中的灯光检测仪发生移动。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在灯光检测仪发生移动的情况下，在图像序列中查找灯光检测仪移动开始时对应的第一图像，以及灯光检测仪移动结束时对应的第二图像；根据第一图像的采集时刻以及第二图像的采集时刻，获取灯光检测仪的移动时间区间；根据移动时间区间验证灯光检测结果的有效性。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定灯光检测仪发生移动所对应的各目标图像的定位框的中心位置；将各中心位置连接，获得灯光检测仪的移动轨迹；根据移动轨迹验证灯光检测结果的有效性。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据历史灯光检测信息，获取训练样本；训练样本包括历史灯光检测中的历史图像，以及历史图像的各历史图像中标记灯光检测仪的样本矩形框；将历史图像作为初始目标检测模型的参考输入，将样本矩形框的坐标信息作为初始目标检测模型的参考输出，并根据预设的损失函数对初始目标检测模型进行训练，获得目标检测模型。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
1.一种移动状态的确定方法，其特征在于，所述方法包括：
获取图像序列，所述图像序列包括n张灯光检测仪的目标图像；所述目标图像为所述灯光检测仪对车辆灯光进行检测时，摄像头对所述灯光检测仪采集的图像；
对所述图像序列进行识别处理，获取各所述目标图像的定位框；所述定位框用于标记所述灯光检测仪的位置；
根据各所述目标图像中所述定位框的位置变化，确定所述灯光检测仪的移动状态。
2.根据权利要求1所述的移动状态的确定方法，其特征在于，所述对所述图像序列进行识别处理，获取各所述目标图像的定位框，包括：
将所述图像序列中第一张所述目标图像输入预设的目标检测模型，获得第一张所述目标图像的定位框；
根据第一张所述目标图像的定位框对所述图像序列中其余目标图像中的灯光检测仪进行追踪处理，获得各所述其余目标图像的定位框。
3.根据权利要求2所述的移动状态的确定方法，其特征在于，所述根据第一张所述目标图像的定位框对所述图像序列中其余目标图像中的灯光检测仪进行追踪处理，获得各所述其余目标图像的定位框，包括：
根据第一张所述目标图像的定位框对预设的追踪模型进行初始化；
通过初始化后的追踪模型，对所述其余目标图像中的灯光检测仪进行追踪处理，获得各所述其余目标图像的定位框。
4.根据权利要求3所述的移动状态的确定方法，其特征在于，所述根据第一张所述目标图像的定位框对预设的追踪模型进行初始化，包括：
通过所述追踪模型提取所述第一张所述目标图像的定位框中图像的像素特征；
根据所述像素特征确定所述追踪模型的追踪参数；
将确定了追踪参数的追踪模型作为所述初始化后的追踪模型。
5.根据权利要求2所述的移动状态的确定方法，其特征在于，所述根据第一张所述目标图像的定位框对所述图像序列中其余目标图像中的灯光检测仪进行追踪处理，获得各所述其余目标图像的定位框，包括：
在所述图像序列的第m张目标图像中确定跟踪定位框，所述跟踪定位框的位置与第m-1张目标图像的定位框的位置相同；所述m大于或等于2，且小于或等于所述n；
若所述跟踪定位框中包含所述灯光检测仪，则确定所述跟踪定位框为所述第m张图像的定位框；
若所述跟踪定位框中不包含所述灯光检测仪，则在所述第m张图像中移动所述跟踪定位框的位置获得备选定位框，直至获得的所述备选定位框中包含所述灯光检测仪时，将所述备选定位框确定为所述第m张目标图像的定位框。
6.根据权利要求1-5任一项所述的移动状态的确定方法，其特征在于，所述根据各所述目标图像中所述定位框的位置变化，确定所述灯光检测仪的移动状态，包括：
获取所述图像序列中相邻两张目标图像的定位框的交集；
根据所述交集的大小，确定所述相邻两张目标图像中的灯光检测仪是否发生移动；
若所述图像序列中存在所述灯光检测仪发生移动对应的目标图像，则确定所述灯光检测仪发生移动。
7.根据权利要求6所述的移动状态的确定方法，其特征在于，所述方法还包括：
在所述灯光检测仪发生移动的情况下，在所述图像序列中查找所述灯光检测仪移动开始时对应的第一图像，以及所述灯光检测仪移动结束时对应的第二图像；
根据所述第一图像的采集时刻以及所述第二图像的采集时刻，获取所述灯光检测仪的移动时间区间；
根据所述移动时间区间验证所述灯光检测结果的有效性。
8.根据权利要求6所述的移动状态的确定方法，其特征在于，所述方法还包括：
确定所述灯光检测仪发生移动所对应的各目标图像的定位框的中心位置；
将各所述中心位置连接，获得所述灯光检测仪的移动轨迹；
根据所述移动轨迹验证所述灯光检测结果的有效性。
9.一种移动状态的确定装置，其特征在于，所述装置包括：
获取模块，用于获取图像序列，所述图像序列包括n张灯光检测仪的目标图像，所述目标图像为所述灯光检测仪对车辆灯光进行检测时，摄像头对所述灯光检测仪采集的图像；
定位模块，用于对所述图像序列进行识别处理，获取各所述目标图像的定位框；所述定位框用于标记所述灯光检测仪的位置；
确定模块，用于根据各所述目标图像中所述定位框的位置变化，确定所述灯光检测仪的移动状态。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
技术总结