CN107423681A - 一种车型自动识别方法及系统 - Google Patents

一种车型自动识别方法及系统 Download PDF

Info

Publication number
CN107423681A
CN107423681A CN201710425444.3A CN201710425444A CN107423681A CN 107423681 A CN107423681 A CN 107423681A CN 201710425444 A CN201710425444 A CN 201710425444A CN 107423681 A CN107423681 A CN 107423681A
Authority
CN
China
Prior art keywords
image
vehicle
feature
transformation matrix
smoothed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710425444.3A
Other languages
English (en)
Inventor
肖翼翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Mdt Infotech Ltd
Original Assignee
Shanghai Mdt Infotech Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Mdt Infotech Ltd filed Critical Shanghai Mdt Infotech Ltd
Priority to CN201710425444.3A priority Critical patent/CN107423681A/zh
Publication of CN107423681A publication Critical patent/CN107423681A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/50Context or environment of the image
    • G06V20/52Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/46Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462Salient features, e.g. scale invariant feature transforms [SIFT]
    • GPHYSICS
    • G07CHECKING-DEVICES
    • G07BTICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
    • G07B15/00Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
    • G07B15/06Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种车型自动识别方法及系统。该方法包括:获取激光雷达采集到的车顶特征;获取第一摄像头采集到的第一图像;获取第二摄像头采集到的第二图像;确定第一图像和第二图像之间的变换矩阵;根据述变换矩阵对第一图像和第二图像进行拼接;采用基于拉普拉斯金字塔的图像融合算法对拼接图像进行图像融合;对融合图像进行平滑处理;根据平滑图像提取车辆底盘特征;根据平滑图像提取车辆轮轴特征;根据车辆底盘特征、车辆轮轴特征和车顶特征确定车辆的车型。本发明提供的车型自动识别方法及系统,具有对安装精度要求低、计算量小、车型识别准确度高的优势。

Description

一种车型自动识别方法及系统
技术领域
本发明涉及车辆识别领域,特别是涉及一种车型自动识别方法及系统。
背景技术
传统的高速公路车辆车型识别技术大致可以分为两种,分别是基于图像识别的车型自动识别系统和基于光栅的车型自动识别系统,但是,传统的基于图像识别的车型自动识别系统的计算量大、识别效果不尽人意;而传统的基于光栅的车型自动识别系统不能检测车轮数量、车辆高度等,使用现场的灰尘、冰雾、雨水等环境因素也会影响系统的正常工作,而且,安装需要高精度对准,施工难度大。
发明内容
本发明的目的是提供一种车型自动识别方法及系统,具有对安装精度要求低、计算量小、车型识别准确度高的优势。
为实现上述目的,本发明提供了如下方案:
一种车型自动识别方法,所述方法包括:
获取激光雷达采集到的车顶特征;
获取第一摄像头采集到的第一图像;
获取第二摄像头采集到的第二图像;
确定所述第一图像和所述第二图像之间的变换矩阵;
根据所述变换矩阵对所述第一图像和所述第二图像进行拼接,得到拼接图像;
采用基于拉普拉斯金字塔的图像融合算法对所述拼接图像进行图像融合,得到融合图像;
对所述融合图像进行平滑处理,得到平滑图像;
根据所述平滑图像提取车辆底盘特征;
根据所述平滑图像提取车辆轮轴特征;
根据所述车辆底盘特征、所述车辆轮轴特征和所述车顶特征确定所述车辆的车型。
可选的,所述确定所述第一图像和所述第二图像之间的变换矩阵,具体包括:
分别提取所述第一图像和所述第二图像的尺度不变特征;
将所述第一图像的尺度不变特征和所述第二图像的尺度不变特征进行匹配,得到多个尺度不变特征的匹配点对;
采用随机采样一致算法选取所述匹配点对中匹配精度大于设定值的匹配点对;
根据所述匹配精度大于设定值的匹配点对确定所述第一图像和所述第二图像之间的变换矩阵。
可选的,在所述根据所述变换矩阵对所述第一图像和所述第二图像进行拼接之后,所述采用基于拉普拉斯金字塔的图像融合算法对所述拼接图像进行图像融合之前,还包括:
采用非线性优化算法对所述变换矩阵进行非线性优化。
可选的,所述根据所述平滑图像提取车辆底盘特征,具体包括:
采用索贝尔算子边缘检测算法对所述车辆进行边缘检测,得到所述车辆的轮廓线;
根据所述轮廓线确定所述车辆的底盘高度、底盘长度和车身颜色分布。
可选的,所述根据所述平滑图像提取车辆轮轴特征,具体包括:
采用霍夫变换圆检测算法确定所述车辆的车轮数量、轴类型和轴距。
一种车型自动识别系统,所述系统包括:
车顶特征获取单元,用于获取激光雷达采集到的车顶特征;
第一图像获取单元,用于获取第一摄像头采集到的第一图像;
第二图像获取单元,用于获取第二摄像头采集到的第二图像;
变换矩阵确定单元,用于确定所述第一图像和所述第二图像之间的变换矩阵;
图像拼接单元,用于根据所述变换矩阵对所述第一图像和所述第二图像进行拼接,得到拼接图像;
图像融合单元,用于采用基于拉普拉斯金字塔的图像融合算法对所述拼接图像进行图像融合,得到融合图像;
平滑处理单元,用于对所述融合图像进行平滑处理,得到平滑图像;
车辆底盘特征提取单元,用于根据所述平滑图像提取车辆底盘特征;
车辆轮轴特征提取单元,用于根据所述平滑图像提取车辆轮轴特征;
车辆车型确定单元,用于根据所述车辆底盘特征、所述车辆轮轴特征和所述车顶特征确定所述车辆的车型。
可选的,所述变换矩阵确定单元,具体包括:
尺度不变特征提取子单元,用于分别提取所述第一图像和所述第二图像的尺度不变特征;
匹配子单元,用于将所述第一图像的尺度不变特征和所述第二图像的尺度不变特征进行匹配,得到多个尺度不变特征的匹配点对;
匹配点对提纯单元,用于采用随机采样一致算法选取所述匹配点对中匹配精度大于设定值的匹配点对;
变换矩阵确定子单元,用于根据所述匹配精度大于设定值的匹配点对确定所述第一图像和所述第二图像之间的变换矩阵。
可选的,所述系统还包括:
非线性优化单元,用于采用非线性优化算法对所述变换矩阵进行非线性优化。
可选的,所述车辆底盘特征提取单元,具体包括:
边缘检测子单元,用于采用索贝尔算子边缘检测算法对所述车辆进行边缘检测,得到所述车辆的轮廓线;
车辆底盘特征提取子单元,用于根据所述轮廓线确定所述车辆的底盘高度、底盘长度和车身颜色分布。
可选的,所述车辆轮轴特征提取单元,具体包括:
车辆轮轴特征提取子单元,用于采用霍夫变换圆检测算法确定所述车辆的车轮数量、轴类型和轴距。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明通过采用双摄像头对车辆底盘进行图像采集,并采用尺度不变特征变换算法对双摄像头采集的图像进行拼接,采用基于拉普拉斯金字塔的图像融合算法对所述拼接图像进行图像融合处理,减小了图像识别的计算量,而且,本发明在图像识别系统的基础上增加了激光雷达,结合激光雷达测得的车顶特征和图像识别获得的车辆特征,来确定车辆的车型,提高了车型识别的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例车型自动识别方法流程示意图;
图2为本发明实施例车型自动识别系统结构示意图。
具体实施方式
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做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。
本发明的目的是提供一种车型自动识别方法及系统,具有对安装精度要求低、计算量小、车型识别准确度高的优势。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例车型自动识别方法流程示意图,如图1所示,车型自动识别方法步骤具体如下:
步骤101:获取激光雷达采集到的车顶特征;激光雷达用于车辆的分车和收尾。激光雷达根据当前的扫描数据判断是否有车辆进入检测区域和当前检测车辆是否离开扫描区域,从而保证摄像机所采集的车辆图像不对出现分车错误和拼接错误。
步骤102:获取第一摄像头采集到的第一图像;
步骤103:获取第二摄像头采集到的第二图像;所述第一摄像头与第二摄像头的安装高度大约在待识别车辆的保险杠高度,能够拍摄到待识别车辆的车身、底盘以及地面等(即摄像头拍摄的图像中包含车辆的车身、底盘以及地面等特征)。
步骤104:确定所述第一图像和所述第二图像之间的变换矩阵;
步骤105:根据所述变换矩阵对所述第一图像和所述第二图像进行拼接,得到拼接图像;
步骤106:采用基于拉普拉斯金字塔的图像融合算法对所述拼接图像进行图像融合,得到融合图像;基于拉普拉斯金字塔分解的图像融合,首先,对图像进行本身的拉普拉斯金字塔分解;在每一个尺度带内使用不同的加权函数和拼接区域宽度将在本尺度内进行分解的图像拼合成相应的尺度图像,依次迭代各个尺度的图像,最后将各个尺度的图像的拼合成一幅图像。采用此种图像融合技术不仅准确度提高了,而且,由于分布式的计算方法,计算速度也加快了。
步骤107:对所述融合图像进行平滑处理,得到平滑图像;
步骤108:根据所述平滑图像提取车辆底盘特征;
步骤109:根据所述平滑图像提取车辆轮轴特征;
步骤110:根据所述车辆底盘特征、所述车辆轮轴特征和所述车顶特征确定所述车辆的车型。
其中,步骤104确定所述第一图像和所述第二图像之间的变换矩阵,具体包括:
分别提取所述第一图像和所述第二图像的尺度不变特征;
将所述第一图像的尺度不变特征和所述第二图像的尺度不变特征进行匹配,得到多个尺度不变特征的匹配点对;
采用随机采样一致算法选取所述匹配点对中匹配精度大于设定值的匹配点对;
根据所述匹配精度大于设定值的匹配点对确定所述第一图像和所述第二图像之间的变换矩阵。
采用基于尺度不变(SIFT)特征的拼接方法,不直接利用图像的像素值,而是通过像素导出图像SIFT特征,然后以SIFT特征图像特征为标准,对图像重叠部分的对应特征区域进行搜索匹配,这类算法具有比较高的健壮性和鲁棒性。
SIFT特征点提取,SIFT算法首先对图像进行尺度空间变换,在此基础上进行特征检测,对相关关键点的位置和关键点所处的尺度进行描述,然后利用确定的相关点的邻域梯度的主方向作为该店的方向特征,从而实现算子对尺度和方向的无关性。
SIFT特征匹配,SIFT特征匹配包括两个阶段:第一阶段是SIFT特征的生成,即从多幅待匹配图像中提取出对尺度缩放、旋转、亮度变化无关的特征向量;第二阶段是SIFT特征向量的匹配。当两幅图像的SIFT特征向量生成后,下一步采用关键点特征向量的欧氏距离来作为两幅图像中关键点的相似性判定度量。
由于上述SIFT特征匹配是一种粗略匹配,存在大量的误匹配和伪匹配。这些错误的匹配对的出现会严重干扰变换矩阵的估计,因此,必须用粗略匹配点进行提纯。采用随机采样一致算法RANSAC进行匹配点对提纯。算法如下:数据由“局内点”组成;“局外点”是不能适应该模型的数据;除此之外的数据属于噪声。通过上述方法可以得到优化的内点集合来进一步计算变换矩阵M。
由于特征点检测的误差存在,以及上述匹配点提纯的结果还不是十分稳定,因此就要通过上面得到的内点集合对变换矩阵M进行非线性优化。本发明采用非线性优化算法L-M(Levenberg-Marquardt)优化变换矩阵。
步骤108根据所述平滑图像提取车辆底盘特征,具体包括:
采用索贝尔算子边缘检测算法对所述车辆进行边缘检测,得到所述车辆的轮廓线;
根据所述轮廓线确定所述车辆的底盘高度、底盘长度和车身颜色分布。底盘高度是车辆底盘距离地面的高度。我们可以在图中标定地面的位置,然后根据车辆轮廓线确定车辆底盘位置,进而,计算车辆底盘位置到地面位置之间的像素点个数从而确定车辆底盘高度。车身颜色一般只有小客车才会具有,如纯白色等。
车辆底盘的提取采用索贝尔Sobel算子边缘检测算法。对于车辆图像而言,边缘特征常常对应车辆底盘等轮廓线。因此,本方案采用Sobel算子对所获得的车辆图像进行边缘检测,然后进行二值化处理,从而提取车辆的底盘特征。
步骤109根据所述平滑图像提取车辆轮轴特征,具体包括:
采用霍夫变换圆检测算法确定所述车辆的车轮数量、轴类型和轴距。轴类型具体如表1所示:
表一
轴型代码 轴类型 限载质量
1 单轴(每侧单轮胎) 6吨
2 单轴(每侧双轮胎) 10吨
3 双联轴(每侧单轮胎) 10吨
4 双联轴(每侧各一单轮胎、双轮胎) 14吨
5 双联轴(每侧双轮胎) 18吨
6 三联轴(每侧单轮胎) 12吨
7 三联轴(每侧双轮胎) 22吨
针对车辆车轮的的检测,本方案采用霍夫变换Hough圆检测算法。该算法的核心思想是将车辆图像中的点从图像空间映射到参数空间,然后将在参数空间中得到的所有坐标点元素对应的累加值进行累加统计,从而定位车辆轮轴特征。
本发明提供的车型自动识别方法可有效采集车辆的轴数、轴型、车底位置、外形侧面几何轮廓等一系列特征,提高了识别精度,降低了计算量。而且,在单图像识别系统的基础上增加了激光雷达,从而增加了系统的稳定性。
本发明还提供了一种车型自动识别系统,所述系统包括:
车顶特征获取单元201,用于获取激光雷达采集到的车顶特征;
第一图像获取单元202,用于获取第一摄像头采集到的第一图像;
第二图像获取单元203,用于获取第二摄像头采集到的第二图像;
变换矩阵确定单元204,用于确定所述第一图像和所述第二图像之间的变换矩阵;
图像拼接单元205,用于根据所述变换矩阵对所述第一图像和所述第二图像进行拼接,得到拼接图像;
图像融合单元206,用于采用基于拉普拉斯金字塔的图像融合算法对所述拼接图像进行图像融合,得到融合图像;
平滑处理单元207,用于对所述融合图像进行平滑处理,得到平滑图像;
车辆底盘特征提取单元208,用于根据所述平滑图像提取车辆底盘特征;
车辆轮轴特征提取单元209,用于根据所述平滑图像提取车辆轮轴特征;
车辆车型确定单元210,用于根据所述车辆底盘特征、所述车辆轮轴特征和所述车顶特征确定所述车辆的车型。
其中,所述变换矩阵确定单元204,具体包括:
尺度不变特征提取子单元,用于分别提取所述第一图像和所述第二图像的尺度不变特征;
匹配子单元,用于将所述第一图像的尺度不变特征和所述第二图像的尺度不变特征进行匹配,得到多个尺度不变特征的匹配点对;
匹配点对提纯单元,用于采用随机采样一致算法选取所述匹配点对中匹配精度大于设定值的匹配点对;
变换矩阵确定子单元,用于根据所述匹配精度大于设定值的匹配点对确定所述第一图像和所述第二图像之间的变换矩阵。
所述系统还包括:
非线性优化单元,用于采用非线性优化算法对所述变换矩阵进行非线性优化。
所述车辆底盘特征提取单元208,具体包括:
边缘检测子单元,用于采用索贝尔算子边缘检测算法对所述车辆进行边缘检测,得到所述车辆的轮廓线;
车辆底盘特征提取子单元,用于根据所述轮廓线确定所述车辆的底盘高度、底盘长度和车身颜色分布。
所述车辆轮轴特征提取单元209,具体包括:
车辆轮轴特征提取子单元,用于采用霍夫变换圆检测算法确定所述车辆的车轮数量、轴类型和轴距。
本发明提供的车型自动识别系统可有效采集车辆的轴数、轴型、车底位置、外形侧面几何轮廓等一系列特征,提高了识别精度,降低了计算量。而且,在单图像识别系统的基础上增加了激光雷达,从而增加了系统的稳定性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种车型自动识别方法,其特征在于,所述方法包括:
获取激光雷达采集到的车顶特征;
获取第一摄像头采集到的第一图像;
获取第二摄像头采集到的第二图像;
确定所述第一图像和所述第二图像之间的变换矩阵;
根据所述变换矩阵对所述第一图像和所述第二图像进行拼接,得到拼接图像;
采用基于拉普拉斯金字塔的图像融合算法对所述拼接图像进行图像融合,得到融合图像;
对所述融合图像进行平滑处理,得到平滑图像;
根据所述平滑图像提取车辆底盘特征;
根据所述平滑图像提取车辆轮轴特征;
根据所述车辆底盘特征、所述车辆轮轴特征和所述车顶特征确定所述车辆的车型。
2.根据权利要求1所述的识别方法,其特征在于,所述确定所述第一图像和所述第二图像之间的变换矩阵,具体包括:
分别提取所述第一图像和所述第二图像的尺度不变特征;
将所述第一图像的尺度不变特征和所述第二图像的尺度不变特征进行匹配,得到多个尺度不变特征的匹配点对;
采用随机采样一致算法选取所述匹配点对中匹配精度大于设定值的匹配点对;
根据所述匹配精度大于设定值的匹配点对确定所述第一图像和所述第二图像之间的变换矩阵。
3.根据权利要求1所述的识别方法,其特征在于,在所述根据所述变换矩阵对所述第一图像和所述第二图像进行拼接之后,所述采用基于拉普拉斯金字塔的图像融合算法对所述拼接图像进行图像融合之前,还包括:
采用非线性优化算法对所述变换矩阵进行非线性优化。
4.根据权利要求1所述的识别方法,其特征在于,所述根据所述平滑图像提取车辆底盘特征,具体包括:
采用索贝尔算子边缘检测算法对所述车辆进行边缘检测,得到所述车辆的轮廓线;
根据所述轮廓线确定所述车辆的底盘高度、底盘长度和车身颜色分布。
5.根据权利要求1所述的识别方法,其特征在于,所述根据所述平滑图像提取车辆轮轴特征,具体包括:
采用霍夫变换圆检测算法确定所述车辆的车轮数量、轴类型和轴距。
6.一种车型自动识别系统,其特征在于,所述系统包括:
车顶特征获取单元,用于获取激光雷达采集到的车顶特征;
第一图像获取单元,用于获取第一摄像头采集到的第一图像;
第二图像获取单元,用于获取第二摄像头采集到的第二图像;
变换矩阵确定单元,用于确定所述第一图像和所述第二图像之间的变换矩阵;
图像拼接单元,用于根据所述变换矩阵对所述第一图像和所述第二图像进行拼接,得到拼接图像;
图像融合单元,用于采用基于拉普拉斯金字塔的图像融合算法对所述拼接图像进行图像融合,得到融合图像;
平滑处理单元,用于对所述融合图像进行平滑处理,得到平滑图像;
车辆底盘特征提取单元,用于根据所述平滑图像提取车辆底盘特征;
车辆轮轴特征提取单元,用于根据所述平滑图像提取车辆轮轴特征;
车辆车型确定单元,用于根据所述车辆底盘特征、所述车辆轮轴特征和所述车顶特征确定所述车辆的车型。
7.根据权利要求6所述的识别系统,其特征在于,所述变换矩阵确定单元,具体包括:
尺度不变特征提取子单元,用于分别提取所述第一图像和所述第二图像的尺度不变特征;
匹配子单元,用于将所述第一图像的尺度不变特征和所述第二图像的尺度不变特征进行匹配,得到多个尺度不变特征的匹配点对;
匹配点对提纯单元,用于采用随机采样一致算法选取所述匹配点对中匹配精度大于设定值的匹配点对;
变换矩阵确定子单元,用于根据所述匹配精度大于设定值的匹配点对确定所述第一图像和所述第二图像之间的变换矩阵。
8.根据权利要求6所述的识别系统,其特征在于,所述系统还包括:
非线性优化单元,用于采用非线性优化算法对所述变换矩阵进行非线性优化。
9.根据权利要求6所述的识别系统,其特征在于,所述车辆底盘特征提取单元,具体包括:
边缘检测子单元,用于采用索贝尔算子边缘检测算法对所述车辆进行边缘检测,得到所述车辆的轮廓线;
车辆底盘特征提取子单元,用于根据所述轮廓线确定所述车辆的底盘高度、底盘长度和车身颜色分布。
10.根据权利要求6所述的识别系统,其特征在于,所述车辆轮轴特征提取单元,具体包括:
车辆轮轴特征提取子单元,用于采用霍夫变换圆检测算法确定所述车辆的车轮数量、轴类型和轴距。
CN201710425444.3A 2017-05-27 2017-05-27 一种车型自动识别方法及系统 Pending CN107423681A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710425444.3A CN107423681A (zh) 2017-05-27 2017-05-27 一种车型自动识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710425444.3A CN107423681A (zh) 2017-05-27 2017-05-27 一种车型自动识别方法及系统

Publications (1)

Publication Number Publication Date
CN107423681A true CN107423681A (zh) 2017-12-01

Family

ID=60429233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710425444.3A Pending CN107423681A (zh) 2017-05-27 2017-05-27 一种车型自动识别方法及系统

Country Status (1)

Country Link
CN (1) CN107423681A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583394A (zh) * 2018-12-05 2019-04-05 陕西四维衡器科技有限公司 高速公路收费系统中车辆轮胎数识别方法和专用设备
CN110285870A (zh) * 2019-07-22 2019-09-27 深圳市卓城科技有限公司 车辆轴型与车轮数检测分析方法及其系统
CN111311627A (zh) * 2020-02-24 2020-06-19 广州小鹏汽车科技有限公司 一种车辆轮廓线的生成方法及系统、车辆、存储介质
CN111325146A (zh) * 2020-02-20 2020-06-23 吉林省吉通信息技术有限公司 一种货车车型和轴型识别方法和系统
CN112109823A (zh) * 2020-09-21 2020-12-22 东风汽车集团有限公司 一种生产线车型检测识别系统及方法
CN112255641A (zh) * 2020-09-30 2021-01-22 成都新成汽车检测设备有限公司 一种汽车轴距的测量方法
CN116453075A (zh) * 2023-06-14 2023-07-18 山东省科学院海洋仪器仪表研究所 一种基于图像处理的轮轴识别方法及系统
CN116740662A (zh) * 2023-08-15 2023-09-12 贵州中南锦天科技有限责任公司 一种基于激光雷达的车轴识别方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854320A (zh) * 2012-12-05 2014-06-11 上海海事大学 基于激光雷达的车型自动识别装置及其识别方法
CN105550995A (zh) * 2016-01-27 2016-05-04 武汉武大卓越科技有限责任公司 隧道影像拼接方法及系统
CN105957345A (zh) * 2016-06-08 2016-09-21 南京航空航天大学 车辆行驶数据处理方法
CN106548451A (zh) * 2016-10-14 2017-03-29 青岛海信网络科技股份有限公司 一种客车客流拥挤度计算方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854320A (zh) * 2012-12-05 2014-06-11 上海海事大学 基于激光雷达的车型自动识别装置及其识别方法
CN105550995A (zh) * 2016-01-27 2016-05-04 武汉武大卓越科技有限责任公司 隧道影像拼接方法及系统
CN105957345A (zh) * 2016-06-08 2016-09-21 南京航空航天大学 车辆行驶数据处理方法
CN106548451A (zh) * 2016-10-14 2017-03-29 青岛海信网络科技股份有限公司 一种客车客流拥挤度计算方法和装置

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583394A (zh) * 2018-12-05 2019-04-05 陕西四维衡器科技有限公司 高速公路收费系统中车辆轮胎数识别方法和专用设备
CN109583394B (zh) * 2018-12-05 2024-01-12 陕西四维衡器科技有限公司 高速公路收费系统中车辆轮胎数识别方法和专用设备
CN110285870A (zh) * 2019-07-22 2019-09-27 深圳市卓城科技有限公司 车辆轴型与车轮数检测分析方法及其系统
CN111325146B (zh) * 2020-02-20 2021-06-04 吉林省吉通信息技术有限公司 一种货车车型和轴型识别方法和系统
CN111325146A (zh) * 2020-02-20 2020-06-23 吉林省吉通信息技术有限公司 一种货车车型和轴型识别方法和系统
CN111311627B (zh) * 2020-02-24 2023-08-25 广州小鹏汽车科技有限公司 一种车辆轮廓线的生成方法及系统、车辆、存储介质
CN111311627A (zh) * 2020-02-24 2020-06-19 广州小鹏汽车科技有限公司 一种车辆轮廓线的生成方法及系统、车辆、存储介质
CN112109823A (zh) * 2020-09-21 2020-12-22 东风汽车集团有限公司 一种生产线车型检测识别系统及方法
CN112255641A (zh) * 2020-09-30 2021-01-22 成都新成汽车检测设备有限公司 一种汽车轴距的测量方法
CN116453075A (zh) * 2023-06-14 2023-07-18 山东省科学院海洋仪器仪表研究所 一种基于图像处理的轮轴识别方法及系统
CN116453075B (zh) * 2023-06-14 2023-09-08 山东省科学院海洋仪器仪表研究所 一种基于图像处理的货车轮轴识别方法及系统
CN116740662A (zh) * 2023-08-15 2023-09-12 贵州中南锦天科技有限责任公司 一种基于激光雷达的车轴识别方法及系统
CN116740662B (zh) * 2023-08-15 2023-11-21 贵州中南锦天科技有限责任公司 一种基于激光雷达的车轴识别方法及系统

Similar Documents

Publication Publication Date Title
CN107423681A (zh) 一种车型自动识别方法及系统
CN107738612B (zh) 基于全景视觉辅助系统的自动泊车停车位检测与识别系统
EP1796043B1 (en) Object detection
CN107330376B (zh) 一种车道线识别方法及系统
CN105426864B (zh) 一种基于等距边缘点匹配的多车道线检测方法
CN115717894B (zh) 一种基于gps和普通导航地图的车辆高精度定位方法
CN110647850A (zh) 一种基于逆透视原理的车道偏移自动测量方法
CN111563469A (zh) 一种不规范停车行为识别方法及装置
CN108052904B (zh) 车道线的获取方法及装置
Wang et al. A vision-based road edge detection algorithm
CN106326822A (zh) 车道线检测的方法及装置
CN103593832A (zh) 一种基于高斯二阶差分特征检测算子的图像拼接方法
CN110197173B (zh) 一种基于双目视觉的路沿检测方法
CN109063632B (zh) 一种基于双目视觉的泊车位特征筛选方法
WO2021017211A1 (zh) 一种基于视觉的车辆定位方法、装置及车载终端
CN106558051A (zh) 一种改进的从单幅图像检测道路的方法
CN103324958B (zh) 一种复杂背景下基于投影法和svm的车牌定位方法
CN111652033A (zh) 基于OpenCV的车道线检测方法
CN111487643A (zh) 一种基于激光雷达点云和近红外影像的建筑物检测方法
Samadzadegan et al. Automatic lane detection in image sequences for vision-based navigation purposes
CN114299247A (zh) 道路交通标志标线快速检测与问题排查方法
CN104268513B (zh) 道路引导数据的获取方法及装置
CN113256731A (zh) 基于单目视觉的目标检测方法及装置
Ryu et al. Feature-based pothole detection in two-dimensional images
Li et al. A novel framework for urban change detection using VHR satellite images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171201