CN108491782B - 一种基于行车图像采集的车辆识别方法 - Google Patents
一种基于行车图像采集的车辆识别方法 Download PDFInfo
- Publication number
- CN108491782B CN108491782B CN201810219016.XA CN201810219016A CN108491782B CN 108491782 B CN108491782 B CN 108491782B CN 201810219016 A CN201810219016 A CN 201810219016A CN 108491782 B CN108491782 B CN 108491782B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- outline
- contour
- lamp
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
Abstract
本申请公开了一种基于行车图像采集的车辆识别方法,包括如下步骤:采集前方图像信息;对前方图像信息进行第一次轮廓识别,获取多个物体轮廓图像;若物体轮廓图像具有四个角点,且四个角点构成一个水平放置的梯形或矩形,则判断梯形或矩形的面积是否大于预设面积,若是,则判定物体轮廓图像为待确认车辆轮廓图像。对待确认车辆轮廓图像进行第二次轮廓识别,当识别到与预设特征相符的特征轮廓时,判定待确认车辆轮廓图像为车辆图像。本申请通过识别轮廓的四个角点来进行待确认车辆轮廓图像的初筛,与现有技术中直接对轮廓进行匹配识别相比,计算量大大减少,从而降低了对自动驾驶汽车硬件的要求,进而降低了自动驾驶汽车的制造成本。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种基于行车图像采集的车辆识别方法。
背景技术
自动驾驶汽车(Autonomous vehicles;Self-piloting automobile)又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人,是一种通过电脑系统实现无人驾驶的智能汽车。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,让电脑可以在没有任何人类主动的操作下,自动安全地操作机动车辆。在20世纪也已经有数十年的历史,于21世纪初呈现出接近实用化的趋势,比如,谷歌自动驾驶汽车于2012年5月获得了美国首个自动驾驶车辆许可证,预计于2015年至2017年进入市场销售。
为了保证自动驾驶汽车在道路上安全的行驶,自动驾驶汽车首先需要对道路情况进行识别,其中,最重要的就是对道路上的车辆进行识别。在现有技术中,自动驾驶汽车主要通过视频摄像头、雷达传感器以及激光测距器来了解周围的交通状况,并通过一个详尽的地图(通过有人驾驶汽车采集的地图)对前方的道路进行导航。其中,通过视频摄像头了解交通状况的方式中,主要是采用摄像头获取车辆前方的图像,并对获取的图像进行轮廓识别从而识别图像中的车辆。但是,现有的轮廓识别都是通过对整个车辆的的轮廓进行识别并与数据库中的样本进行匹配,由于车辆的轮廓形状复杂,在进行匹配和识别时计算量大,对硬件的要求较高,因此提升了自动驾驶汽车的制造成本。
因此,如何减少通过图像进行车辆识别的计算量,成为了本领域技术人员急需解决的问题。
发明内容
针对现有技术存在的上述不足,本申请要解决的技术问题是:如何减少通过图像进行车辆识别的计算量。
本申请公开了一种基于行车图像采集的车辆识别方法,用于通过车载图像采集装置采集车辆前方图像信息,进行前方车辆识别;该方法包括如下步骤:
步骤1、采集前方图像信息;
步骤2、对所述前方图像信息进行第一次轮廓识别,获取多个物体轮廓图像;
步骤3、分别提取每个物体轮廓图像中的四个角点,即左上角点、左下角点、右上角点和右下角点,并判断每个物体轮廓图像中提取的所述四个角点的连线是否构成了面积大于预设面积阈值且横向布置的一个矩形或上小下大的梯形,若是,则判定相应物体轮廓图像为待确认车辆轮廓图像;
步骤4、提取出所述待确认车辆轮廓图像进行第二次轮廓识别,当从中识别到与预设局部识别特征相匹配的特征轮廓时,判定所述待确认车辆轮廓图像为车辆图像。
优选地,所述预设局部识别特征包括车牌轮廓、车标轮廓、车窗轮廓及车灯轮廓中的任意一项或多项。
优选地,还包括如下步骤:
当判断所述待确认车辆轮廓图像为车辆图像后,将所述车辆图像的特征轮廓与车型识别数据库中预设记录的各车型样本的车型特征进行对比,识别出所述车辆图像中的车型。
优选地,所述车型特征包括车窗轮廓形状、车灯轮廓形状以及车窗轮廓与车灯轮廓之间的相对位置关系特征;
进行车型识别时,提取出所述车辆图像中的车窗轮廓和车灯轮廓,进而分别确定所述车辆图像中的车窗轮廓形状、车灯轮廓形状以及车窗轮廓与车灯轮廓之间的相对位置关系特征,并与车型识别数据库中预设记录的各车型样本的车窗轮廓形状、车灯轮廓形状以及车窗轮廓与车灯轮廓之间的相对位置关系特征进行对比;若对比判定车辆图像与一个车型样本的车窗轮廓形状、车灯轮廓形状以及车窗轮廓与车灯轮廓之间的相对位置关系特征均匹配,则确定车辆图像中的车型为相应车型样本所属的车型。
优选地,所述车型特征包括车标轮廓形状、车灯轮廓形状以及车标轮廓与车灯轮廓之间的相对位置关系特征;
进行车型识别时,提取出所述车辆图像中的车标轮廓和车灯轮廓,进而分别确定所述车辆图像中的车标轮廓形状、车灯轮廓形状以及车标轮廓与车灯轮廓之间的相对位置关系特征,并与车型识别数据库中预设记录的各车型样本的车标轮廓形状、车灯轮廓形状以及车标轮廓与车灯轮廓之间的相对位置关系特征进行对比;若对比判定车辆图像与一个车型样本的车标轮廓形状、车灯轮廓形状以及车标轮廓与车灯轮廓之间的相对位置关系特征均匹配,则确定车辆图像中的车型为相应车型样本所属的车型。
优选地,还包括如下步骤:
当判断所述待确认车辆轮廓图像为车辆图像后,识别所述车辆图像中的车牌号码;
将其与追踪数据库中的车牌号码进行匹配;
当所述车辆图像中的车牌号码与所述追踪数据库中的车牌号码相符时,记录获取到所述车辆图像的地点信息及时间信息,并生成包括所述车牌号码、所述地点信息及所述时间信息的报警信息;
发送所述报警信息至预设的接收端。
优选地,使用猫群和粒子群算法进行第一次轮廓识别和第二次轮廓识别。
综上所述,本申请公开了一种基于行车图像采集的车辆识别方法,包括如下步骤:采集前方图像信息;对前方图像信息进行第一次轮廓识别,获取多个物体轮廓图像;若物体轮廓图像具有四个角点,且四个角点构成一个水平放置的梯形或矩形,则判断梯形或矩形的面积是否大于预设面积,若是,则判定物体轮廓图像为待确认车辆轮廓图像。对待确认车辆轮廓图像进行第二次轮廓识别,当识别到与预设特征相符的特征轮廓时,判定待确认车辆轮廓图像为车辆图像。本申请通过识别轮廓的四个角点来进行待确认车辆轮廓图像的初筛,与现有技术中直接对轮廓进行匹配识别相比,计算量大大减少,从而降低了对自动驾驶汽车硬件的要求,进而降低了自动驾驶汽车的制造成本。
附图说明
为了使申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步的详细描述,其中:
图1为本申请公开的一种基于行车图像采集的车辆识别方法的流程图。
具体实施方式
下面结合附图对本申请作进一步的详细说明。
如图1所示,本申请公开了一种基于行车图像采集的车辆识别方法,用于通过车载图像采集装置采集车辆前方图像信息,进行前方车辆识别;该方法包括如下步骤:
S101、采集前方图像信息;
前方图像信息可通过行车记录仪或其他设置在车上的摄像机进行采集。
S102、对前方图像信息进行第一次轮廓识别,获取多个物体轮廓图像;
采集的图像中可能有许多物体,包括车辆、行人以及周围的建筑等等,在进行轮廓识别时,能够将各个物体都识别出来,轮廓识别为现有技术,在此不再赘述。
S103、分别提取每个物体轮廓图像中的四个角点,即左上角点、左下角点、右上角点和右下角点,并判断每个物体轮廓图像中提取的四个角点的连线是否构成了面积大于预设面积阈值且横向布置的一个矩形或上小下大的梯形,若是,则判定相应物体轮廓图像为待确认车辆轮廓图像;
绝大多数汽车的后侧的轮廓都是接近于一个梯形或矩形,因此,提取步骤S102中采集到的物体轮廓图像的四个角点,即物体轮廓图像的左下、右下、左上及右上四个点,并将相邻的两个点两两连接,形成一个多边形,判断这个多边形是否是一个水平放置的梯形或矩形,若是,则可初步认为这个物体轮廓图像是一个汽车的轮廓图像,然后,再计算这个梯形或矩形的面积是否大于预设面积,若是,则可初步判断这是一个距离较近的车辆的轮廓图像,记为待确认车辆轮廓图像,若面积小于预设面积,即使此轮廓图像为车辆,其距离也较远,因此不予考虑。
S104、提取出待确认车辆轮廓图像进行第二次轮廓识别,当从中识别到与预设局部识别特征相匹配的特征轮廓时,判定待确认车辆轮廓图像为车辆图像。
S103只是进行了一个初步的判断,并不能完全确认获取的轮廓图像是车辆,因此,因此需要进行进一步的确认,对待确认车辆轮廓图像进行第二次轮廓识别,识别待确认车辆轮廓图像的一些内部特征并与预设特征进行比对,当识别到的特征与预设特征相符时,则确认待确认车辆轮廓图像为车辆图像。预设特征为车辆所独有的特征,例如车装、保险杠、后视镜、车牌及车灯等。
具体实施时,预设特征包括车牌轮廓、车标轮廓、车窗轮廓及车灯轮廓中的任意一项或多项。
绝大多数车辆都具有车牌、车标、车窗及车灯,并且这些特征也是汽车所独有的,因此采用这些特征作为预设特征可以有效地提高车辆识别的精准度。
具体实施时,还包括如下步骤:
当判断待确认车辆轮廓图像为车辆图像后,将车辆图像的特征轮廓与车型识别数据库中预设记录的各车型样本的车型特征进行对比,识别出车辆图像中的车型。
不同的车型其车灯、车窗或车标等特征是不同的,在数据库中存储各种车型的特征,当判断某个待确认车辆轮廓图像为车辆图像后,可以将车辆图像中的特征与数据库中的各种车型的特征进行对比,进而识别出车辆的车型,可以结合警务系统实现对可疑车辆的筛查及跟踪的功能。
具体实施时,车型特征包括车窗轮廓形状、车灯轮廓形状以及车窗轮廓与车灯轮廓之间的相对位置关系特征;
进行车型识别时,提取出车辆图像中的车窗轮廓和车灯轮廓,进而分别确定车辆图像中的车窗轮廓形状、车灯轮廓形状以及车窗轮廓与车灯轮廓之间的相对位置关系特征,并与车型识别数据库中预设记录的各车型样本的车窗轮廓形状、车灯轮廓形状以及车窗轮廓与车灯轮廓之间的相对位置关系特征进行对比;若对比判定车辆图像与一个车型样本的车窗轮廓形状、车灯轮廓形状以及车窗轮廓与车灯轮廓之间的相对位置关系特征均匹配,则确定车辆图像中的车型为相应车型样本所属的车型。
不同车型的汽车,通常具有不同形状的车窗和车灯,且即使相同品牌的汽车中不同车型的车窗、车灯形状及其之间的相对位置关系也存在差异,因此,通过对车窗轮廓形状、车灯轮廓形状以及车窗轮廓与车灯轮廓之间的相对位置关系特征的区分识别,可以有效的识别出图像中的车型。
具体实施时,车型特征包括车标轮廓形状、车灯轮廓形状以及车标轮廓与车灯轮廓之间的相对位置关系特征;
进行车型识别时,提取出车辆图像中的车标轮廓和车灯轮廓,进而分别确定车辆图像中的车标轮廓形状、车灯轮廓形状以及车标轮廓与车灯轮廓之间的相对位置关系特征,并与车型识别数据库中预设记录的各车型样本的车标轮廓形状、车灯轮廓形状以及车标轮廓与车灯轮廓之间的相对位置关系特征进行对比;若对比判定车辆图像与一个车型样本的车标轮廓形状、车灯轮廓形状以及车标轮廓与车灯轮廓之间的相对位置关系特征均匹配,则确定车辆图像中的车型为相应车型样本所属的车型。
不同车型的汽车,具有不同形状的车标和车灯,且即使相同品牌的汽车中不同车型的车标、车灯形状及其之间的相对位置关系也存在差异,因此,通过对车标轮廓形状、车灯轮廓形状以及车标轮廓与车灯轮廓之间的相对位置关系特征的区分识别,可以有效的识别出图像中的车型。
具体实施时,还包括如下步骤:
当判断待确认车辆轮廓图像为车辆图像后,识别车辆图像中的车牌号码;
将其与追踪数据库中的车牌号码进行匹配;
当车辆图像中的车牌号码与追踪数据库中的车牌号码相符时,记录获取到车辆图像的地点信息及时间信息,并生成包括车牌号码、地点信息及时间信息的报警信息;
发送报警信息至预设的接收端。
除了识别车型以外,还可在确定了车辆图像之后实现对车牌的识别,并且结合数据库中的被通缉或者被追踪的车牌信息对道路上的车辆进行排查,当识别到与数据库内车牌号相同的车牌号是,记录识别到此车辆图像的时间与地点并生成一个报警信息发送到预设的接收端,预设的接收端包括公安系统或警务系统的服务器或电脑等。
上述的车型及车牌的识别,图像采集装置可以是设置在路边的固定式摄像头,通过在道路周边布局多个摄像头从而实现对车辆及人员的追踪。
具体实施时,使用猫群和粒子群算法进行第一次轮廓识别和第二次轮廓识别。
利用本申请公开的技术方案可以对路上行驶的车辆进行车型的识别,记录道路上形式的各种车型的车辆的数量并形成大数据,为公路交通的管理及不同品牌车辆的不同车型在不同地区的销售情况等提供数据支持。此外,形成的数据还可作为神经网络算法的输入数据,从而进行各种分析。
最后说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管通过参照本申请的优选实施例已经对本申请进行了描述,但本领域的普通技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离所附权利要求书所限定的本申请的精神和范围。
Claims (4)
1.一种基于行车图像采集的车辆识别方法,其特征在于,用于通过车载图像采集装置采集车辆前方图像信息,进行前方车辆识别;该方法包括如下步骤:
步骤1、采集前方图像信息;
步骤2、对所述前方图像信息进行第一次轮廓识别,获取多个物体轮廓图像;
步骤3、分别提取每个物体轮廓图像中的四个角点,即左上角点、左下角点、右上角点和右下角点,并判断每个物体轮廓图像中提取的所述四个角点的连线是否构成了面积大于预设面积阈值且横向布置的一个矩形或上小下大的梯形,若是,则判定相应物体轮廓图像为待确认车辆轮廓图像;
步骤4、提取出所述待确认车辆轮廓图像进行第二次轮廓识别,当从中识别到与预设局部识别特征相匹配的特征轮廓时,判定所述待确认车辆轮廓图像为车辆图像;
步骤5、当判断所述待确认车辆轮廓图像为车辆图像后,将所述车辆图像的特征轮廓与车型识别数据库中预设记录的各车型样本的车型特征进行对比,识别出所述车辆图像中的车型;当所述车型特征包括车窗轮廓形状、车灯轮廓形状以及车窗轮廓与车灯轮廓之间的相对位置关系特征时,进行车型识别时,提取出所述车辆图像中的车窗轮廓和车灯轮廓,进而分别确定所述车辆图像中的车窗轮廓形状、车灯轮廓形状以及车窗轮廓与车灯轮廓之间的相对位置关系特征,并与车型识别数据库中预设记录的各车型样本的车窗轮廓形状、车灯轮廓形状以及车窗轮廓与车灯轮廓之间的相对位置关系特征进行对比;若对比判定车辆图像与一个车型样本的车窗轮廓形状、车灯轮廓形状以及车窗轮廓与车灯轮廓之间的相对位置关系特征均匹配,则确定车辆图像中的车型为相应车型样本所属的车型;当所述车型特征包括车标轮廓形状、车灯轮廓形状以及车标轮廓与车灯轮廓之间的相对位置关系特征时,进行车型识别时,提取出所述车辆图像中的车标轮廓和车灯轮廓,进而分别确定所述车辆图像中的车标轮廓形状、车灯轮廓形状以及车标轮廓与车灯轮廓之间的相对位置关系特征,并与车型识别数据库中预设记录的各车型样本的车标轮廓形状、车灯轮廓形状以及车标轮廓与车灯轮廓之间的相对位置关系特征进行对比;若对比判定车辆图像与一个车型样本的车标轮廓形状、车灯轮廓形状以及车标轮廓与车灯轮廓之间的相对位置关系特征均匹配,则确定车辆图像中的车型为相应车型样本所属的车型。
2.如权利要求1所述的基于行车图像采集的车辆识别方法,其特征在于,所述预设局部识别特征包括车牌轮廓、车标轮廓、车窗轮廓及车灯轮廓中的任意一项或多项。
3.如权利要求1或2所述的基于行车图像采集的车辆识别方法,其特征在于,还包括如下步骤:
当判断所述待确认车辆轮廓图像为车辆图像后,识别所述车辆图像中的车牌号码;
将其与追踪数据库中的车牌号码进行匹配;
当所述车辆图像中的车牌号码与所述追踪数据库中的车牌号码相符时,记录获取到所述车辆图像的地点信息及时间信息,并生成包括所述车牌号码、所述地点信息及所述时间信息的报警信息;
发送所述报警信息至预设的接收端。
4.如权利要求1所述的基于行车图像采集的车辆识别方法,其特征在于,使用猫群和粒子群算法进行第一次轮廓识别和第二次轮廓识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810219016.XA CN108491782B (zh) | 2018-03-16 | 2018-03-16 | 一种基于行车图像采集的车辆识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810219016.XA CN108491782B (zh) | 2018-03-16 | 2018-03-16 | 一种基于行车图像采集的车辆识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491782A CN108491782A (zh) | 2018-09-04 |
CN108491782B true CN108491782B (zh) | 2020-09-08 |
Family
ID=63339651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810219016.XA Expired - Fee Related CN108491782B (zh) | 2018-03-16 | 2018-03-16 | 一种基于行车图像采集的车辆识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491782B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI734050B (zh) * | 2018-11-20 | 2021-07-21 | 遠創智慧股份有限公司 | 車輛識別方法與系統以及物件識別方法與系統 |
TWI760580B (zh) * | 2018-11-20 | 2022-04-11 | 遠創智慧股份有限公司 | 車牌影像資料獲取方法及系統 |
US10817728B2 (en) * | 2019-01-23 | 2020-10-27 | GM Global Technology Operations LLC | Automated data collection for continued refinement in the detection of objects-of-interest |
CN109919095B (zh) * | 2019-03-07 | 2020-12-01 | 北京石油化工学院 | 危化品仓库中码垛的监控方法及电子设备 |
CN110390335A (zh) * | 2019-07-29 | 2019-10-29 | 广东泓胜科技股份有限公司 | 一种车型识别方法及装置 |
CN110531661B (zh) * | 2019-08-22 | 2021-06-22 | 浙江吉利汽车研究院有限公司 | 一种车辆自动跟驰控制方法、装置及设备 |
CN110688979A (zh) * | 2019-10-11 | 2020-01-14 | 莆田学院 | 违法车辆追踪方法及装置 |
CN111815920A (zh) * | 2020-07-21 | 2020-10-23 | 华普通用技术研究(广州)有限公司 | 一种基于大数据的停车场安全监控设备及方法 |
CN112883779A (zh) * | 2021-01-11 | 2021-06-01 | 深圳市智微智能软件开发有限公司 | 一种基于ai图像识别的车载终端监视设备及其方法 |
CN113159973A (zh) * | 2021-02-25 | 2021-07-23 | 华夏方圆信用评估有限公司 | 智慧医保基金动态监管方法及系统 |
CN113254595B (zh) * | 2021-06-22 | 2021-10-22 | 北京沃丰时代数据科技有限公司 | 闲聊识别方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663353A (zh) * | 2012-03-26 | 2012-09-12 | 北京博康智能信息技术有限公司 | 一种基于单帧图像的车辆识别方法及装置 |
CN103116984A (zh) * | 2013-01-21 | 2013-05-22 | 信帧电子技术(北京)有限公司 | 检测违章停车的方法 |
CN103207988A (zh) * | 2013-03-06 | 2013-07-17 | 大唐移动通信设备有限公司 | 一种图像识别方法及装置 |
CN103530366A (zh) * | 2013-10-12 | 2014-01-22 | 湖北微模式科技发展有限公司 | 一种基于自定义特征的车辆搜索方法与系统 |
US20150204681A1 (en) * | 2013-08-30 | 2015-07-23 | Elwha Llc | Systems and methods for adjusting a contour of a vehicle based on a protrusion |
-
2018
- 2018-03-16 CN CN201810219016.XA patent/CN108491782B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663353A (zh) * | 2012-03-26 | 2012-09-12 | 北京博康智能信息技术有限公司 | 一种基于单帧图像的车辆识别方法及装置 |
CN103116984A (zh) * | 2013-01-21 | 2013-05-22 | 信帧电子技术(北京)有限公司 | 检测违章停车的方法 |
CN103207988A (zh) * | 2013-03-06 | 2013-07-17 | 大唐移动通信设备有限公司 | 一种图像识别方法及装置 |
US20150204681A1 (en) * | 2013-08-30 | 2015-07-23 | Elwha Llc | Systems and methods for adjusting a contour of a vehicle based on a protrusion |
CN103530366A (zh) * | 2013-10-12 | 2014-01-22 | 湖北微模式科技发展有限公司 | 一种基于自定义特征的车辆搜索方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108491782A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491782B (zh) | 一种基于行车图像采集的车辆识别方法 | |
CN110689761B (zh) | 一种自动泊车方法 | |
CN111081064B (zh) | 一种车载以太网的自动泊车系统及自动代客泊车方法 | |
CN113284366B (zh) | 车辆盲区预警方法、预警装置、mec平台和存储介质 | |
US10417911B2 (en) | Inter-vehicle cooperation for physical exterior damage detection | |
CN106571046B (zh) | 基于路面网格体系的车路协同辅助驾驶方法 | |
Suhr et al. | Sensor fusion-based vacant parking slot detection and tracking | |
WO2020043041A1 (zh) | 点云数据的分割方法和装置、存储介质、电子装置 | |
US10223910B2 (en) | Method and apparatus for collecting traffic information from big data of outside image of vehicle | |
US20180074506A1 (en) | Systems and methods for mapping roadway-interfering objects in autonomous vehicles | |
EP1671216B1 (en) | Moving object detection using low illumination depth capable computer vision | |
CN112216097A (zh) | 一种检测车辆的盲区的方法及装置 | |
JP2002083297A (ja) | 物体認識方法および物体認識装置 | |
WO2021155685A1 (zh) | 一种更新地图的方法、装置和设备 | |
CN111071248B (zh) | 一种基于电子助力制动器的智能泊车方法 | |
CN113470371B (zh) | 识别违规车辆的方法、系统和计算机可读存储介质 | |
US11978340B2 (en) | Systems and methods for identifying vehicles using wireless device identifiers | |
JPWO2020100922A1 (ja) | データ配信システム、センサデバイス及びサーバ | |
CN110780287A (zh) | 基于单目相机的测距方法及测距系统 | |
CN114841910A (zh) | 车载镜头遮挡识别方法及装置 | |
CN113723273A (zh) | 一种车辆轨迹信息确定方法、装置及计算机设备 | |
CN109344776B (zh) | 数据处理方法 | |
CN110727269A (zh) | 车辆控制方法及相关产品 | |
CN107292818B (zh) | 一种基于环视相机的捕线器自动定位系统及方法 | |
CN115342811A (zh) | 一种路径规划方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200908 Termination date: 20210316 |