CN108830303A - 车辆识别方法、装置、计算机设备和存储介质 - Google Patents

车辆识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN108830303A
CN108830303A CN201810532920.6A CN201810532920A CN108830303A CN 108830303 A CN108830303 A CN 108830303A CN 201810532920 A CN201810532920 A CN 201810532920A CN 108830303 A CN108830303 A CN 108830303A
Authority
CN
China
Prior art keywords
vehicle
profile
contour
difference value
image
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.)
Granted
Application number
CN201810532920.6A
Other languages
English (en)
Other versions
CN108830303B (zh
Inventor
穆阳
林文
颜德钱
梁耀聪
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.)
Microbrand Technology Zhejiang Co ltd
Original Assignee
Guangzhou Weipai Intelligent Technology Co 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 Guangzhou Weipai Intelligent Technology Co Ltd filed Critical Guangzhou Weipai Intelligent Technology Co Ltd
Priority to CN201810532920.6A priority Critical patent/CN108830303B/zh
Publication of CN108830303A publication Critical patent/CN108830303A/zh
Application granted granted Critical
Publication of CN108830303B publication Critical patent/CN108830303B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种车辆识别方法、系统、计算机设备和存储介质。所述方法包括：采集车辆图像；在所述车辆图像中确定候选车辆轮廓；获取所述候选车辆轮廓与基准车辆轮廓的轮廓差异值；根据所述轮廓差异值，确定目标车辆轮廓。根据本实施例，避免了根据阴影特征识别车辆轮廓、导致所识别的车辆轮廓不准确的问题，提升了车辆识别的准确性。

Description

车辆识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及车辆技术领域，特别是涉及一种车辆识别方法、装置、计算机设备和存储介质。
背景技术
目前，越来越多的车辆通过辅助驾驶技术减少行车事故。例如，通过车辆的辅助驾驶设备，对前方采集图像，在图像中识别车辆轮廓，并根据该车辆轮廓判断是否存在事故风险，并相应向司机告警。
识别车辆轮廓的方法，主要是识别车辆的阴影特征，根据阴影特征确定车辆轮廓。然而，由于可能存在着太阳照射角度变化等因素，导致根据阴影特征确定的车辆轮廓并不准确。
因此，目前的车辆识别方法存在着识别的车辆轮廓不准确的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能解决上述问题的车辆识别方法、装置、计算机设备和存储介质。
一种车辆识别方法，所述方法包括：
采集车辆图像；
在所述车辆图像中确定候选车辆轮廓；
获取所述候选车辆轮廓与基准车辆轮廓的轮廓差异值；
根据所述轮廓差异值，确定目标车辆轮廓。
在其中一个实施例中，所述获取所述候选车辆轮廓与基准车辆轮廓的轮廓差异值，包括：
提取所述候选车辆轮廓的第一轮廓点，以及，提取所述基准车辆轮廓的第二轮廓点；
计算所述第一轮廓点和所述第二轮廓点的距离，得到多个轮廓点距离；
计算所述多个轮廓点距离的平均值，作为所述轮廓差异值。
在其中一个实施例中，所述计算所述第一轮廓点和所述第二轮廓点的距离，得到多个轮廓点距离，包括：
选取目标第一轮廓点；
选取与所述目标第一轮廓点最近的第二轮廓点，作为目标第二轮廓点；
计算所述目标第一轮廓点和所述目标第二轮廓点之间的距离，作为所述轮廓点距离。
在其中一个实施例中，所述候选车辆轮廓具有多个，所述根据所述轮廓差异值，确定目标车辆轮廓，包括：
在多个候选车辆轮廓的轮廓差异值中，确定最小轮廓差异值；
判断所述最小轮廓差异值是否小于预设的差异值阈值；
若是，则获取所述最小轮廓差异值对应的候选车辆轮廓，作为所述目标车辆轮廓。
在其中一个实施例中，所述在所述车辆图像中确定候选车辆轮廓，包括：
在所述车辆图像中确定原始轮廓；
提取所述原始轮廓中的图像，得到轮廓图像；
对所述轮廓图像进行卷积处理，得到图像特征；
判断所述图像特征是否为设定的车辆特征；
若是，则确定所述原始轮廓为所述候选车辆轮廓。
在其中一个实施例中，所述在所述车辆图像中确定原始轮廓，包括：
检测所述车辆图像的垂直边缘，以及，检测所述车辆图像的水平边缘；
获取相互闭合的垂直边缘和水平边缘，得到闭合垂直边缘和闭合水平边缘；
判断所述闭合垂直边缘和闭合水平边缘所组成的轮廓与预设轮廓是否匹配；
若是，将所述闭合垂直边缘和闭合水平边缘组成的轮廓，作为所述原始轮廓。
在其中一个实施例中，还包括：
将所述目标车辆轮廓作为下一帧车辆图像的基准车辆轮廓。
在其中一个实施例中，还包括：
检测所述目标车辆轮廓的车辆距离；
当所述车辆距离小于距离阈值，生成车距告警；所述车距告警用于提示用户调整车距。
一种车辆识别装置，包括：
采集模块，用于采集车辆图像；
轮廓确定模块，用于在所述车辆图像中确定候选车辆轮廓；
差异值获取模块，获取所述候选车辆轮廓与基准车辆轮廓的轮廓差异值；
目标确定模块，用于根据所述轮廓差异值，确定目标车辆轮廓。
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：
采集车辆图像；
在所述车辆图像中确定候选车辆轮廓；
获取所述候选车辆轮廓与基准车辆轮廓的轮廓差异值；
根据所述轮廓差异值，确定目标车辆轮廓。
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：
采集车辆图像；
在所述车辆图像中确定候选车辆轮廓；
获取所述候选车辆轮廓与基准车辆轮廓的轮廓差异值；
根据所述轮廓差异值，确定目标车辆轮廓。
上述车辆识别方法、装置、计算机设备和存储介质，通过在车辆图像中确定候选车辆轮廓，获取所述候选车辆轮廓与基准车辆轮廓的轮廓差异值，并根据所述轮廓差异值，确定目标车辆轮廓。从而，避免了根据阴影特征识别车辆轮廓、导致所识别的车辆轮廓不准确的问题，提升了车辆识别的准确性。
附图说明
图1是本实施例的一种车辆识别方法的应用环境图；
图2是本实施例的一种车辆识别方法的流程示意图；
图3是本实施例的一种确定候选车辆轮廓步骤的流程示意图；
图4是本实施例的一种计算轮廓差异值步骤的流程示意图；
图5是本实施例的一种确定目标车辆轮廓步骤的流程示意图；
图6是本实施例的一种车距告警的流程示意图；
图7是本实施例的一种车辆识别装置的结构示意图；
图8是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。
本申请提供的车辆识别方法，可以应用于如图1所示的应用环境中。其中，辅助驾驶设备102安装在车辆104上。辅助驾驶设备102可以对车辆104前方进行图像采集，并根据采集的图像进行告警。辅助驾驶设备102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
图2是本实施例的一种车辆识别方法的流程示意图，在一个实施例中，提供了一种车辆识别方法，以该方法应用于图1中的辅助驾驶设备10为例进行说明，包括以下步骤：
步骤S202，采集车辆图像。
其中，车辆图像可以为辅助驾驶设备102针对车辆104前方采集到的图像。
具体实现中，在车辆104行驶时，辅助驾驶设备102针对车辆104前方连续采集多帧图像，可以将其中一帧图像，作为上述的车辆图像。
步骤S204，在所述车辆图像中确定候选车辆轮廓。
其中，候选车辆轮廓可以是标识车辆边缘的、相邻的一系列像素点。
具体实现中，可以针对车辆图像确定一个原始轮廓，将原始轮廓中的图像进行卷积处理，得到图像特征，并通过分类器对图像特征进行分类，判断是否为车辆的特征，若是车辆的特征，则将原始轮廓作为候选车辆轮廓；若不是车辆的特征，则重新确定候选车辆轮廓。
当然，本领域技术人员可以采用其他方式，确定候选车辆轮廓，本实施例对候选车辆轮廓的具体确定方式不作限制。
辅助驾驶设备102针对车辆104前方采集的车辆图像时，车辆104前方可能有多台其他车辆，因此，可以在车辆图像中确定出多个候选车辆轮廓。
步骤S206，获取所述候选车辆轮廓与基准车辆轮廓的轮廓差异值。
其中，基准车辆轮廓是根据上一帧车辆图像所确定的车辆轮廓。
具体实现中，辅助驾驶设备102采集到当前一帧车辆图像、并确定当前一帧车辆图像的候选车辆轮廓之后，可以将候选车辆轮廓与根据上一帧车辆图像所确定的基准车辆轮廓进行轮廓差异值计算。
例如，辅助驾驶设备102可以提取所述候选车辆轮廓的第一轮廓点，以及，提取所述基准车辆轮廓的第二轮廓点。然后，根据轮廓点的位置坐标，计算所述第一轮廓点和所述第二轮廓点的距离，得到多个轮廓点距离。最后，计算所述多个轮廓点距离的平均值，作为所述轮廓差异值。
当然，本领域技术人员可以采用其他方式，获取所述候选车辆轮廓与基准车辆轮廓的轮廓差异值，本实施例对轮廓差异值的具体计算方式不作限制。
步骤S208，根据所述轮廓差异值，确定目标车辆轮廓。
具体实现中，辅助驾驶设备102可以根据轮廓差异值的大小，在多个候选车辆轮廓中，确定目标车辆轮廓，以针对同一车辆轮廓进行跟踪、并检测车距。
例如，可以在多个候选车辆轮廓的轮廓差异值中，确定最小轮廓差异值；然后，判断所述最小轮廓差异值是否小于差异值阈值；若是，则获取所述最小轮廓差异值对应的候选车辆轮廓，作为所述目标车辆轮廓；若否，则判定在多个候选车辆轮廓中，不存在目标车辆轮廓，并返回至采集车辆图像的步骤。
本实施例对轮廓差异值的具体计算方式不作限制，本领域技术人员可以采用其他方式，根据所述轮廓差异值，确定目标车辆轮廓。
根据本实施例的车辆识别方法，通过在车辆图像中确定候选车辆轮廓，获取所述候选车辆轮廓与基准车辆轮廓的轮廓差异值，并根据所述轮廓差异值，确定目标车辆轮廓。从而，避免了根据阴影特征识别车辆轮廓、导致所识别的车辆轮廓不准确的问题，提升了车辆识别的准确性。
进一步地，现有技术通过阴影特征识别车辆轮廓的方法，在雨天、阴天等没有光照的天气环境中，或者，在隧道内行车没有光照的室内环境中，由于不存在阴影，无法进行车辆轮廓的识别。根据本实施例的车辆识别方法，即使在雨天、阴天等没有光照的天气环境中，或者在隧道内行车没有光照的室内环境中，仍然可以进行车辆轮廓识别，提升了车辆识别的灵活性。
图3是本实施例的一种确定候选车辆轮廓步骤的流程示意图，在另外一个实施例中，所述步骤S204，包括：
步骤S11，在所述车辆图像中确定原始轮廓；
步骤S12，提取所述原始轮廓中的图像，得到轮廓图像；
步骤S13，对所述轮廓图像进行卷积处理，得到图像特征；
步骤S14，判断所述图像特征是否为设定的车辆特征；
步骤S15，若是，则确定所述原始轮廓为所述候选车辆轮廓。
其中，原始轮廓，可以为图像中某个物体对象的轮廓。
其中，轮廓图像，可以为车辆图像中在原始轮廓内的部分图像。
其中，图像特征，可以为对图像进行卷积计算后得到的卷积值。
其中，车辆特征，可以为预设的车辆图像进行卷积计算后得到的卷积值。
步骤S11的具体实现中，辅助驾驶设备102可以在采用多种方法，在所述车辆图像中确定原始轮廓。该原始轮廓为任意物体对象的轮廓，因此，需要进一步确定该原始轮廓是否为车辆轮廓。
在另外一个实施例中，所述步骤S11，具体为：
检测所述车辆图像的垂直边缘，以及，检测所述车辆图像的水平边缘；获取相互闭合的垂直边缘和水平边缘，得到闭合垂直边缘和闭合水平边缘；判断所述闭合垂直边缘和闭合水平边缘所组成的轮廓与预设轮廓是否匹配；若是，将所述闭合垂直边缘和闭合水平边缘组成的轮廓，作为所述原始轮廓。
具体实现中，辅助驾驶设备102可以首先检测所述车辆图像的垂直边缘，以及，检测所述车辆图像的水平边缘。然后，当垂直边缘和水平边缘相交形成一个闭合矩形，将该垂直边缘和水平边缘，作为闭合垂直边缘和闭合水平边缘。然后，判断所述闭合垂直边缘和闭合水平边缘所组成的轮廓，与预设轮廓是否匹配；若是，将所述闭合垂直边缘和闭合水平边缘组成的轮廓，作为所述原始轮廓；若否，则返回获取相互闭合的垂直边缘和水平边缘的步骤，直至获取到原始轮廓。
步骤S12的具体实现中，确定原始轮廓后，在所述车辆图像中，提取所述原始轮廓中的图像，得到轮廓图像。
步骤S13的具体实现中，辅助驾驶设备102可以将轮廓图像输入至经过深度学习的、基于CNN(Convolutional Neural Network，卷积神经网络)框架的AlexNet(一种神经网络模型)模型，针对轮廓图像计算多层的卷积层，并计算多层的全连接层，最后得到多维的图像特征。
步骤S14的具体实现中，可以基于训练好的车辆特征，对当前的图像特征进行分类，判断该图像特征是否属于车辆特征。
步骤S15的具体实现中，若该图像特征属于车辆特征，则确定所述原始轮廓为所述候选车辆轮廓；若该图像特征不属于车辆特征，则确定所述原始轮廓不是所述候选车辆轮廓，返回至在所述车辆图像中确定原始轮廓的步骤。
根据本实施例的车辆识别方法，通过结合深度学习的方法，提升了识别图像特征是否属于车辆特征的准确率。
图4是本实施例的一种计算轮廓差异值步骤的流程示意图，在另外一个实施例中，所述步骤S206，包括：
步骤S21，提取所述候选车辆轮廓的第一轮廓点，以及，提取所述基准车辆轮廓的第二轮廓点；
步骤S22，计算所述第一轮廓点和所述第二轮廓点的距离，得到多个轮廓点距离；
步骤S23，计算所述多个轮廓点距离的平均值，作为所述轮廓差异值。
其中，轮廓点是组成车辆轮廓的多个图像像素点。为了区分说明，候选车辆轮廓的轮廓点，命名为第一轮廓点。基准车辆轮廓的轮廓点，命名为第二轮廓点。
步骤S21的具体实现中，在确定候选车辆轮廓之后，辅助驾驶设备102可以提取所述候选车辆轮廓的第一轮廓点，以及，提取所述基准车辆轮廓的第二轮廓点。
步骤S22的具体实现中，辅助驾驶设备102可以根据轮廓点的位置坐标，计算所述第一轮廓点和所述第二轮廓点的距离，得到轮廓点距离。其中，候选车辆轮廓包括多个第一轮廓点，每个第一轮廓点可以具有关联的第二轮廓点，每个第一轮廓点与关联第二轮廓点之间的距离，作为一个轮廓点距离。多个第一轮廓点与分别关联的多个第二轮廓点之间的距离，作为多个轮廓点距离。
在另外一个实施例中，所述步骤S22，具体为：
选取目标第一轮廓点；选取与所述目标第一轮廓点最近的第二轮廓点，作为目标第二轮廓点；计算所述目标第一轮廓点和所述目标第二轮廓点之间的距离，作为所述轮廓点距离。
具体实现中，可以首选选取一个第一轮廓点，作为目标第一轮廓点。根据第一轮廓点的位置坐标，选取位置坐标与所述目标第一轮廓点最近的第二轮廓点，作为目标第二轮廓点。然后，计算目标第一轮廓点的位置坐标，与目标第二轮廓点的位置坐标之间的距离，得到所述轮廓点距离。
例如，目标第一轮廓点的位置坐标为(x1，y1)，目标第二轮廓点为(x2，y2)，根据坐标距离公式S2＝(x1-x2)2+(y1-y2)2，计算得到之间的轮廓点距离S。
图5是本实施例的一种确定目标车辆轮廓步骤的流程示意图，在另外一个实施例中，所述候选车辆轮廓具有多个，所述步骤S208，包括：
步骤S31，在多个候选车辆轮廓的轮廓差异值中，确定最小轮廓差异值；
步骤S32，判断所述最小轮廓差异值是否小于预设的差异值阈值；
步骤S33，若是，则获取所述最小轮廓差异值对应的候选车辆轮廓，作为所述目标车辆轮廓。
其中，最小轮廓差异值为多个候选车辆轮廓的轮廓差异值中，数值最小的轮廓差异值。
步骤S31的具体实现中，辅助驾驶设备102可以在多个候选车辆轮廓的轮廓差异值中，将数值最小的轮廓差异值，作为所述最小轮廓差异值。
步骤S32的具体实现中，用户可以预先设定一个差异值阈值。辅助驾驶设备102可以判断所述最小轮廓差异值是否小于差异值阈值。
步骤S33的具体实现中，若最小轮廓差异值小于差异值阈值，则获取所述最小轮廓差异值对应的候选车辆轮廓，作为所述目标车辆轮廓。若最小轮廓差异值不小于差异值阈值，则判定无法确定目标车辆轮廓。
在另外一个实施例中，还包括：
将所述目标车辆轮廓作为下一帧车辆图像的基准车辆轮廓。
具体实现中，当针对当前一帧车辆图像确定目标车辆轮廓，则可以将当前一帧车辆图像的目标车辆轮廓，作为下一帧车辆图像的基准车辆轮廓。
在实际应用中，需要连续采集多帧车辆图像，以对同一车辆在多帧车辆图像中的车辆轮廓进行跟踪。如果在下一帧车辆图像中，无法查找到与基准车辆轮廓匹配的目标车辆轮廓，表示当前对车辆轮廓的跟踪失败，暂时无法进行车距检测。如果在下一帧车辆图像中，查找到与基准车辆轮廓匹配的目标车辆轮廓，表示当前对车辆轮廓的跟踪成功，可以针对目标车辆轮廓进行车距检测。
根据本实施例的车辆识别方法，通过在确定当前一帧车辆图像的目标车辆轮廓后，将目标车辆轮廓更新为基准车辆轮廓，并采用更新后的基准车辆轮廓，对下一帧车辆图像确定目标车辆轮廓，提升了识别车辆轮廓的准确性。
在另外一个实施例中，还包括：
检测所述目标车辆轮廓的车辆距离；当所述车辆距离小于距离阈值，生成车距告警；所述车距告警用于提示用户调整车距。
具体实现中，在确定目标车辆轮廓后，辅助驾驶设备102可以根据目标车辆轮廓，计算目标车辆轮廓对应的前车与本车之间的距离，作为所述车辆距离。当计算的车辆距离小于预设的距离阈值，生成用于提示用户调整车距的车距告警，用户可以相应第降低车速或者改变行车方向，避免发生追尾等的交通事故，降低了事故风险。
根据本实施例的车辆识别方法，通过根据目标车辆轮廓检测车辆距离，根据车辆距离生成车距告警，避免了基于阴影特征确定的车辆轮廓进行车距告警，提升了告警的准确率。
为了便于本领域技术人员深入理解本实施例，以下结合图6的具体示例进行说明。
图6是本实施例的一种车距告警的流程示意图。首先，采集车辆图像，在车辆图像中，通过检测垂直边缘和水平边缘、确定相互闭合的垂直边缘和水平边缘，提取出多个车辆轮廓，得到车辆轮廓1、车辆轮廓2…车辆轮廓N。针对各个车辆轮廓，进行车辆轮廓跟踪，即，根据候选车辆轮廓与基准车辆轮廓的轮廓差异值，确定目标车辆轮廓。然后，根据目标车辆轮廓进行车距检测，并根据检测结果进行告警。
应该理解的是，虽然图2-5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2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子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，提供了一种车辆识别装置，包括：采集模块702、轮廓确定模块704、差异值获取模块706和目标确定模块708，其中：
采集模块702，用于采集车辆图像；
轮廓确定模块704，用于在所述车辆图像中确定候选车辆轮廓；
差异值获取模块706，获取所述候选车辆轮廓与基准车辆轮廓的轮廓差异值；
目标确定模块708，用于根据所述轮廓差异值，确定目标车辆轮廓。
在另外一个实施例中，所述差异值获取模块706，包括：
轮廓点提取子模块，用于提取所述候选车辆轮廓的第一轮廓点，以及，提取所述基准车辆轮廓的第二轮廓点；
距离计算子模块，用于计算所述第一轮廓点和所述第二轮廓点的距离，得到多个轮廓点距离；
平均值计算子模块，用于计算所述多个轮廓点距离的平均值，作为所述轮廓差异值。
在另外一个实施例中，所述距离计算子模块，包括：
第一选取单元，用于选取目标第一轮廓点；
第二选取单元，用于选取与所述目标第一轮廓点最近的第二轮廓点，作为目标第二轮廓点；
计算单元，用于计算所述目标第一轮廓点和所述目标第二轮廓点之间的距离，作为所述轮廓点距离。
在另外一个实施例中，所述候选车辆轮廓具有多个，所述目标确定模块708，包括：
最小确定子模块，用于在多个候选车辆轮廓的轮廓差异值中，确定最小轮廓差异值；
差异值判断子模块，用于判断所述最小轮廓差异值是否小于预设的差异值阈值；若是，则跳转至获取子模块；
获取子模块，用于获取所述最小轮廓差异值对应的候选车辆轮廓，作为所述目标车辆轮廓。
在另外一个实施例中，所述轮廓确定模块704，包括：
原始轮廓确定子模块，用于在所述车辆图像中确定原始轮廓；
图像提取子模块，用于提取所述原始轮廓中的图像，得到轮廓图像；
特征获取子模块，用于对所述轮廓图像进行卷积处理，得到图像特征；
特征判断子模块，用于判断所述图像特征是否为设定的车辆特征；若是，则跳转至轮廓确定子模块；
轮廓确定子模块，用于确定所述原始轮廓为所述候选车辆轮廓。
在另外一个实施例中，所述原始轮廓确定子模块，包括：
边缘检测单元，用于检测所述车辆图像的垂直边缘，以及，检测所述车辆图像的水平边缘；
闭合边缘获取单元，用于获取相互闭合的垂直边缘和水平边缘，得到闭合垂直边缘和闭合水平边缘；
轮廓判断单元，用于判断所述闭合垂直边缘和闭合水平边缘所组成的轮廓与预设轮廓是否匹配；若是，则跳转至原始轮廓确定单元；
原始轮廓确定单元，用于将所述闭合垂直边缘和闭合水平边缘组成的轮廓，作为所述原始轮廓。
在另外一个实施例中，还包括：
基准更新模块，用于将所述目标车辆轮廓作为下一帧车辆图像的基准车辆轮廓。
在另外一个实施例中，还包括：
车距检测模块，用于检测所述目标车辆轮廓的车辆距离；
告警模块，用于当所述车辆距离小于距离阈值，生成车距告警；所述车距告警用于提示用户调整车距。
关于车辆识别装置的具体限定可以参见上文中对于车辆识别方法的限定，在此不再赘述。车辆识别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终端，其内部结构图可以如图8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、网络接口、显示屏和输入装置。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和计算机程序。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车辆识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8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：
采集车辆图像；
在所述车辆图像中确定候选车辆轮廓；
获取所述候选车辆轮廓与基准车辆轮廓的轮廓差异值；
根据所述轮廓差异值，确定目标车辆轮廓。
该处理器执行计算机程序时还实现以下步骤：
提取所述候选车辆轮廓的第一轮廓点，以及，提取所述基准车辆轮廓的第二轮廓点；
计算所述第一轮廓点和所述第二轮廓点的距离，得到多个轮廓点距离；
计算所述多个轮廓点距离的平均值，作为所述轮廓差异值。
该处理器执行计算机程序时还实现以下步骤：
选取目标第一轮廓点；
选取与所述目标第一轮廓点最近的第二轮廓点，作为目标第二轮廓点；
计算所述目标第一轮廓点和所述目标第二轮廓点之间的距离，作为所述轮廓点距离。
该处理器执行计算机程序时还实现以下步骤：
在多个候选车辆轮廓的轮廓差异值中，确定最小轮廓差异值；
判断所述最小轮廓差异值是否小于预设的差异值阈值；
若是，则获取所述最小轮廓差异值对应的候选车辆轮廓，作为所述目标车辆轮廓。
该处理器执行计算机程序时还实现以下步骤：
在所述车辆图像中确定原始轮廓；
提取所述原始轮廓中的图像，得到轮廓图像；
对所述轮廓图像进行卷积处理，得到图像特征；
判断所述图像特征是否为设定的车辆特征；
若是，则确定所述原始轮廓为所述候选车辆轮廓。
该处理器执行计算机程序时还实现以下步骤：
检测所述车辆图像的垂直边缘，以及，检测所述车辆图像的水平边缘；
获取相互闭合的垂直边缘和水平边缘，得到闭合垂直边缘和闭合水平边缘；
判断所述闭合垂直边缘和闭合水平边缘所组成的轮廓与预设轮廓是否匹配；
若是，将所述闭合垂直边缘和闭合水平边缘组成的轮廓，作为所述原始轮廓。
该处理器执行计算机程序时还实现以下步骤：
将所述目标车辆轮廓作为下一帧车辆图像的基准车辆轮廓。
该处理器执行计算机程序时还实现以下步骤：
检测所述目标车辆轮廓的车辆距离；
当所述车辆距离小于距离阈值，生成车距告警；所述车距告警用于提示用户调整车距。
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：
采集车辆图像；
在所述车辆图像中确定候选车辆轮廓；
获取所述候选车辆轮廓与基准车辆轮廓的轮廓差异值；
根据所述轮廓差异值，确定目标车辆轮廓。
计算机程序被处理器执行时实现以下步骤：
提取所述候选车辆轮廓的第一轮廓点，以及，提取所述基准车辆轮廓的第二轮廓点；
计算所述第一轮廓点和所述第二轮廓点的距离，得到多个轮廓点距离；
计算所述多个轮廓点距离的平均值，作为所述轮廓差异值。
计算机程序被处理器执行时实现以下步骤：
选取目标第一轮廓点；
选取与所述目标第一轮廓点最近的第二轮廓点，作为目标第二轮廓点；
计算所述目标第一轮廓点和所述目标第二轮廓点之间的距离，作为所述轮廓点距离。
计算机程序被处理器执行时实现以下步骤：
在多个候选车辆轮廓的轮廓差异值中，确定最小轮廓差异值；
判断所述最小轮廓差异值是否小于预设的差异值阈值；
若是，则获取所述最小轮廓差异值对应的候选车辆轮廓，作为所述目标车辆轮廓。
计算机程序被处理器执行时实现以下步骤：
在所述车辆图像中确定原始轮廓；
提取所述原始轮廓中的图像，得到轮廓图像；
对所述轮廓图像进行卷积处理，得到图像特征；
判断所述图像特征是否为设定的车辆特征；
若是，则确定所述原始轮廓为所述候选车辆轮廓。
计算机程序被处理器执行时实现以下步骤：
检测所述车辆图像的垂直边缘，以及，检测所述车辆图像的水平边缘；
获取相互闭合的垂直边缘和水平边缘，得到闭合垂直边缘和闭合水平边缘；
判断所述闭合垂直边缘和闭合水平边缘所组成的轮廓与预设轮廓是否匹配；
若是，将所述闭合垂直边缘和闭合水平边缘组成的轮廓，作为所述原始轮廓。
计算机程序被处理器执行时实现以下步骤：
将所述目标车辆轮廓作为下一帧车辆图像的基准车辆轮廓。
计算机程序被处理器执行时实现以下步骤：
检测所述目标车辆轮廓的车辆距离；
当所述车辆距离小于距离阈值，生成车距告警；所述车距告警用于提示用户调整车距。
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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)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。

Claims (11)

1.一种车辆识别方法，其特征在于，所述方法包括：
采集车辆图像；
在所述车辆图像中确定候选车辆轮廓；
获取所述候选车辆轮廓与基准车辆轮廓的轮廓差异值；
根据所述轮廓差异值，确定目标车辆轮廓。
2.根据权利要求1所述的方法，其特征在于，所述获取所述候选车辆轮廓与基准车辆轮廓的轮廓差异值，包括：
提取所述候选车辆轮廓的第一轮廓点，以及，提取所述基准车辆轮廓的第二轮廓点；
计算所述第一轮廓点和所述第二轮廓点的距离，得到多个轮廓点距离；
计算所述多个轮廓点距离的平均值，作为所述轮廓差异值。
3.根据权利要求2所述的方法，其特征在于，所述计算所述第一轮廓点和所述第二轮廓点的距离，得到多个轮廓点距离，包括：
选取目标第一轮廓点；
选取与所述目标第一轮廓点最近的第二轮廓点，作为目标第二轮廓点；
计算所述目标第一轮廓点和所述目标第二轮廓点之间的距离，作为所述轮廓点距离。
4.根据权利要求1所述的方法，其特征在于，所述候选车辆轮廓具有多个，所述根据所述轮廓差异值，确定目标车辆轮廓，包括：
在多个候选车辆轮廓的轮廓差异值中，确定最小轮廓差异值；
判断所述最小轮廓差异值是否小于预设的差异值阈值；
若是，则获取所述最小轮廓差异值对应的候选车辆轮廓，作为所述目标车辆轮廓。
5.根据权利要求1所述的方法，其特征在于，所述在所述车辆图像中确定候选车辆轮廓，包括：
在所述车辆图像中确定原始轮廓；
提取所述原始轮廓中的图像，得到轮廓图像；
对所述轮廓图像进行卷积处理，得到图像特征；
判断所述图像特征是否为设定的车辆特征；
若是，则确定所述原始轮廓为所述候选车辆轮廓。
6.根据权利要求5所述的方法，其特征在于，所述在所述车辆图像中确定原始轮廓，包括：
检测所述车辆图像的垂直边缘，以及，检测所述车辆图像的水平边缘；
获取相互闭合的垂直边缘和水平边缘，得到闭合垂直边缘和闭合水平边缘；
判断所述闭合垂直边缘和闭合水平边缘所组成的轮廓与预设轮廓是否匹配；
若是，将所述闭合垂直边缘和闭合水平边缘组成的轮廓，作为所述原始轮廓。
7.根据权利要求1所述的方法，其特征在于，还包括：
将所述目标车辆轮廓作为下一帧车辆图像的基准车辆轮廓。
8.根据权利要求1所述的方法，其特征在于，还包括：
检测所述目标车辆轮廓的车辆距离；
当所述车辆距离小于距离阈值，生成车距告警；所述车距告警用于提示用户调整车距。
9.一种车辆识别装置，其特征在于，包括：
采集模块，用于采集车辆图像；
轮廓确定模块，用于在所述车辆图像中确定候选车辆轮廓；
差异值获取模块，获取所述候选车辆轮廓与基准车辆轮廓的轮廓差异值；
目标确定模块，用于根据所述轮廓差异值，确定目标车辆轮廓。
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。
CN201810532920.6A 2018-05-29 2018-05-29 车辆识别方法、装置、计算机设备和存储介质 Active CN108830303B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810532920.6A CN108830303B (zh) 2018-05-29 2018-05-29 车辆识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810532920.6A CN108830303B (zh) 2018-05-29 2018-05-29 车辆识别方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN108830303A true CN108830303A (zh) 2018-11-16
CN108830303B CN108830303B (zh) 2021-05-28

Family

ID=64146656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810532920.6A Active CN108830303B (zh) 2018-05-29 2018-05-29 车辆识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN108830303B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116958099A (zh) * 2023-07-27 2023-10-27 微牌科技(浙江)有限公司 线缆磨耗检测方法、系统、装置与计算机设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016102607A1 (en) * 2014-12-23 2016-06-30 Aselta Nanographics Method of applying vertex based corrections to a semiconductor design
CN107356916A (zh) * 2017-06-21 2017-11-17 海信集团有限公司 车距检测方法及装置、电子设备、计算机可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016102607A1 (en) * 2014-12-23 2016-06-30 Aselta Nanographics Method of applying vertex based corrections to a semiconductor design
CN107356916A (zh) * 2017-06-21 2017-11-17 海信集团有限公司 车距检测方法及装置、电子设备、计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杜宇人，高浩军: "基于车辆轮廓定位匹配的车型识别方法", 《扬州大学学报（自然科学版）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116958099A (zh) * 2023-07-27 2023-10-27 微牌科技(浙江)有限公司 线缆磨耗检测方法、系统、装置与计算机设备
CN116958099B (zh) * 2023-07-27 2024-05-24 微牌科技(浙江)有限公司 线缆磨耗检测方法、系统、装置与计算机设备

Also Published As

Publication number Publication date
CN108830303B (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN111368639B (zh) 车辆越线判定方法、装置、计算机设备和存储介质
CN110853076A (zh) 一种目标跟踪方法、装置、设备及存储介质
CN110634153A (zh) 目标跟踪模板更新方法、装置、计算机设备和存储介质
CN110956171A (zh) 铭牌自动识别方法、装置、计算机设备和存储介质
CN110796093A (zh) 目标跟踪方法、装置、计算机设备和存储介质
CN112633152B (zh) 停车位检测方法、装置、计算机设备和存储介质
US8995714B2 (en) Information creation device for estimating object position and information creation method and program for estimating object position
CN112001859B (zh) 一种人脸图像的修复方法及系统
CN110163248B (zh) 模型评估的可视化方法、装置、计算机设备和存储介质
US20210279485A1 (en) Method for detecting lane line, vehicle and computing device
CN110516559B (zh) 适用于精准监控的目标跟踪方法及装置、计算机设备
CN111160086B (zh) 车道线识别方法、装置、设备和存储介质
CN110751149A (zh) 目标对象标注方法、装置、计算机设备和存储介质
CN110895819A (zh) 目标跟踪方法、装置、计算机可读存储介质和计算机设备
CN111832561B (zh) 基于计算机视觉的字符序列识别方法、装置、设备和介质
CN106780538A (zh) 一种解决图像跟踪过程中误匹配的方法
CN111275743A (zh) 目标追踪方法、装置、计算机可读存储介质和计算机设备
CN112712703A (zh) 车辆视频的处理方法、装置、计算机设备和存储介质
CN114998736A (zh) 红外弱小目标检测方法、装置、计算机设备和存储介质
CN106611147B (zh) 车辆追踪方法和装置
CN111488883A (zh) 车架号识别方法、装置、计算机设备和存储介质
CN113989656A (zh) 遥感视频的事件解译方法、装置、计算机设备和存储介质
KR20200096426A (ko) 동체 검출 장치, 동체 검출 방법, 동체 검출 프로그램
CN108830303A (zh) 车辆识别方法、装置、计算机设备和存储介质
CN106980841A (zh) 一种目标检测跟踪方法及装置

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
TR01 Transfer of patent right

Effective date of registration: 20220901

Address after: 2nd Floor, Building 6, No. 48, Xingye Road, Zhongyi Ningbo Ecological Park, Yuyao City, Ningbo City, Zhejiang Province, 315000

Patentee after: Microbrand Technology (Zhejiang) Co.,Ltd.

Address before: 510665 room 507, room 508, No. 242, Tianhe East Road, Tianhe District, Guangzhou City, Guangdong Province

Patentee before: GUANGZHOU VISPECT INTELLIGENT TECHNOLOGY CO.,LTD.

TR01 Transfer of patent right