车辆检测

修订履历

NO	版本	修订内容	修订日期
1	Ver1.0	新建	2026/06/29

本文档中的信息可能会因文档改进而在不事先通知的情况下变更。最新版请参阅本公司网站。

未经株式会社日昇科技书面许可，严禁以任何形式复制本文档。

1. 车辆检测概要

　　车辆检测是一种基于深度学习检测车辆位置的目标检测算法。该算法可广泛应用于园区管理、交通分析等多种场景，也是违章停车检测、拥堵检测、交通流量统计等各类算法的基础算法。

本车辆检测算法在数据集上的性能如下：

车辆检测算法	mAP@0.5
CAR	0.78029

在 CSUN RV1126B 基板上的运行效率如下：

算法类型	运行效率
car_detect	73ms

2. 快速开始

2.1 开发环境准备

　　如果您是首次阅读本文档，请参考《入门指南/开发编译环境的准备与更新》，并按照相关步骤部署编译环境。

在 PC 端 Ubuntu 系统中执行 run 脚本，进入 Docker 开发环境。步骤如下：

cd ~/linuxshare/work/rv1126b/jp/embedded/images/develop_environment
./run.sh 2204

图2-1　Docker 开发环境启动

2.2 源代码下载

在 Docker 开发环境中，创建用于保存源代码仓库的管理目录。

cd /opt/linuxshare/work/rv1126b/jp/AI/demo/ai-algorithm

使用 git 工具，在管理目录中克隆远程仓库。

git clone https://github.com/csunltd/rv1126b-ai-toolkit.git

※ 即使从 GitHub 网页下载，也请下载整个仓库。请不要只单独下载与本示例对应的目录。

※ 如果已经下载完成，可以跳过此步骤。

2.3 模型部署

要运行算法 Demo，首先需要下载车辆检测算法模型。

下载链接：

https://dl.dragonwake.com/download/rv1126b/AI/demo/07_car_detect.zip

之后，请将下载的车辆检测算法模型复制到 Release/ 目录。

图2-2　Release 目录内的文件配置

2.4 示例构建

进入示例所在目录并执行构建。具体命令如下：

cd rv1126b-ai-toolkit/Demos/algorithm-car/

./build.sh cpres

* 依赖库已配置在开发板上，因此交叉编译过程中需要保持 /mnt 挂载。

sudo mount -t nfs -o vers=3,proto=tcp,mountproto=tcp,nolock,retrans=5,timeo=5 192.168.10.85:/ /mnt

* 为 build.sh 脚本指定 cpres 参数后，Release/ 目录内的所有资源都会被复制到开发板。

图2-3　示例构建结果

2.5 示例运行及结果

将已编译的文件复制到基板。

cp Release/\* /mnt/userdata/Demo/algorithm-car/

※ 如果使用 ./build.sh cpres 编译，会自动复制。

通过串口调试或 SSH 调试进入开发板后台，并按如下方式移动到示例部署目录。

cd /userdata/Demo/algorithm-car/

执行示例的命令如下：

./test-car_detect car_detect.model test.jpg

图2-4　示例运行结果

在 Docker 开发环境中，将测试结果图片从基板复制出来。

cp /mnt/userdata/Demo/algorithm-car/result.jpg .

图2-5　结果图像复制命令

识别结果如下图所示。

图2-6　车辆检测结果图像

关于 API 的详细说明以及 API 调用方式（本示例的源代码），请参见以下内容。

3. 车辆检测API 说明

3.1 引用方法

　　为了使客户能够从本地项目中直接调用 EASY EAI API 库，本项目需要链接的库、头文件等如下所示。用户可以直接添加。

项目	说明
头文件目录	easyeai-api/algorithm/car_detect
库文件目录	easyeai-api/algorithm/car_detect
库链接参数	-lcar_detect

3.2 车辆检测初始化函数

车辆检测初始化函数原型如下。

int car_detect_init(rknn_context \*ctx, const char \* path)

详细说明如下。

函数名： car_detect_init()
头文件	car_detect.h
输入参数	ctx：rknn_context句柄
输入参数	path：算法模型路径
返回值	成功时返回值：0
	失败时返回值：-1
注意事项	无

3.3 车辆检测执行函数

车辆检测执行函数 car_detect_run 原型如下。

int car_detect_run(rknn_context ctx, cv::Mat input_image, person_detect_result_group_t \*detect_result_group)

详细说明如下。

函数名：car_detect_run()
头文件	car_detect.h
输入参数	ctx：rknn_context句柄
输入参数	input_image：图像数据输入(cv::Mat 为 OpenCV 类型)
输出参数	output_dets：目标检测框输出
返回值	成功时返回值：0
	失败时返回值：-1
注意事项	无

3.4 车辆检测释放函数

车辆检测释放函数原型如下。

int car_detect_release(rknn_context ctx)

函数名：car_detect_release ()
头文件	car_detect.h
输入参数	ctx：rknn_context句柄
返回值	成功时返回值：0
	失败时返回值：-1
注意事项	无

4. 车辆检测算法示例

示例目录为 Demos/algorithm-car/test-car_detect.cpp，操作流程如下。

图4-1　车辆检测算法处理流程

参考示例如下。

#include <opencv2/opencv.hpp>
#include <stdio.h>
#include <sys/time.h>
#include"car_detect.h"

using namespace cv;
using namespace std;

static Scalar colorArray[10]={
    Scalar(255, 0, 0, 255),
    Scalar(0, 255, 0, 255),
    Scalar(0,0,139,255),
    Scalar(0,100,0,255),
    Scalar(139,139,0,255),
    Scalar(209,206,0,255),
    Scalar(0,127,255,255),
    Scalar(139,61,72,255),
    Scalar(0,255,0,255),
    Scalar(255,0,0,255),
};

int plot_one_box(Mat src, int x1, int x2, int y1, int y2, char *label, char colour)
{
    int tl = round(0.002 * (src.rows + src.cols) / 2) + 1;
    rectangle(src, cv::Point(x1, y1), cv::Point(x2, y2), colorArray[(unsigned char)colour], 3);

    int tf = max(tl -1, 1);

    int base_line = 0;
    cv::Size t_size = getTextSize(label, FONT_HERSHEY_SIMPLEX, (float)tl/3, tf, &base_line);
    int x3 = x1 + t_size.width;
    int y3 = y1 - t_size.height - 3;

    rectangle(src, cv::Point(x1, y1), cv::Point(x3, y3), colorArray[(unsigned char)colour], -1);
    putText(src, label, cv::Point(x1, y1 - 2), FONT_HERSHEY_SIMPLEX, (float)tl/3, cv::Scalar(255, 255, 255, 255), tf, 8);
    return 0;
}

int main(int argc, char **argv)
{
  if (argc != 3)
    {
        printf("%s <model_path> <image_path>\n", argv[0]);
        return -1;
    }

    const char *model_path = argv[1];
    const char *image_path = argv[2];

  /* パラメータ初期化 */
  detect_result_group_t detect_result_group;

  /* アルゴリズムモデル初期化 */
  rknn_context ctx;
  car_detect_init(&ctx, model_path);

  /* アルゴリズム実行 */
  cv::Mat src;
  src = cv::imread(image_path, 1);

  struct timeval start;
  struct timeval end;
  float time_use=0;

  gettimeofday(&start,NULL);

  car_detect_run(ctx, src, &detect_result_group);

  gettimeofday(&end,NULL);
  time_use=(end.tv_sec-start.tv_sec)*1000000+(end.tv_usec-start.tv_usec);//マイクロ秒
  printf("time_use is %f\n",time_use/1000);

  /* アルゴリズム結果を画像上に描画して保存します */
  // Draw Objects
  char text[256];
  for (int i = 0; i < detect_result_group.count; i++)
  {

    detect_result_t* det_result = &(detect_result_group.results[i]);
    if( det_result->prop < 0.4)
    {
      continue;
    }

    sprintf(text, "%s %.1f%%", det_result->name, det_result->prop * 100);
    printf("%s @ (%d %d %d %d) %f\n", det_result->name, det_result->box.left, det_result->box.top,
         det_result->box.right, det_result->box.bottom, det_result->prop);
    int x1 = det_result->box.left;
    int y1 = det_result->box.top;
    int x2 = det_result->box.right;
    int y2 = det_result->box.bottom;
    /*
    rectangle(src, cv::Point(x1, y1), cv::Point(x2, y2), cv::Scalar(255, 0, 0, 255), 3);
    putText(src, text, cv::Point(x1, y1 + 12), cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(0, 0, 0));
    */
    plot_one_box(src, x1, x2, y1, y2, text, i%10);
  }

  cv::imwrite("result.jpg", src);


  /* アルゴリズムモデルのリソースを解放します */
  car_detect_release(ctx);

  return 0;
}