CN109670225A - 车辆尺寸模板库生成方法及装置 - Google Patents
车辆尺寸模板库生成方法及装置 Download PDFInfo
- Publication number
- CN109670225A CN109670225A CN201811501403.9A CN201811501403A CN109670225A CN 109670225 A CN109670225 A CN 109670225A CN 201811501403 A CN201811501403 A CN 201811501403A CN 109670225 A CN109670225 A CN 109670225A
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- hybrid models
- gauss hybrid
- dimension
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种车辆尺寸模板库生成方法及装置,其中方法包括:获取待生成模板库的车辆类型,以及对应的标注尺寸信息库;获取初始的高斯混合模型,将高斯混合模型中高斯分布的数量依次设置为1到N,得到N个高斯混合模型;针对每个高斯混合模型,将每个标注尺寸信息依次输入高斯混合模型,得到每个标注尺寸信息对应的概率集合;进而结合最大期望算法EM和贝叶斯信息准则BIC,确定高斯混合模型的分布参数、对数似然估计结果以及BIC值;根据对应的BIC值最小的目标高斯混合模型的分布参数,生成车辆类型对应的车辆尺寸模板库,从而能够自动、快速且准确的从标注尺寸信息库中挑选出合适的尺寸信息生成车辆尺寸模板库,提高车辆尺寸模板库的生成效率。
Description
技术领域
本发明涉及车辆技术领域,尤其涉及一种车辆尺寸模板库生成方法及装置。
背景技术
目前,对场景中车辆的三维尺寸进行准确的估计,依赖于标注数据以及各类型车辆对应的车辆尺寸模板库。其中,标注数据用于估计车辆的三维尺寸,车辆尺寸模板库作为先验信息,用于对估计的车辆三维尺寸进行校正。
目前,某个类型车辆的车辆尺寸模板库的生成方法为,针对该类型车辆,获取大量车辆的标注数据,根据大量标注数据确定大量尺寸信息,由人工去筛除其中不合理的尺寸信息,然后由人工从其中选出一定数量的尺寸信息,根据一定数量的尺寸信息生成该类型车辆的车辆尺寸模板库。上述车辆尺寸模板库生成方法,需要人工处理,处理时间长,准确度低,生成效率差。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种车辆尺寸模板库生成方法,用于解决现有技术中车辆尺寸模板库生成效率差的问题。
本发明的第二个目的在于提出一种车辆尺寸模板库生成装置。
本发明的第三个目的在于提出另一种车辆尺寸模板库生成装置。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
本发明的第五个目的在于提出一种计算机程序产品。
为达上述目的,本发明第一方面实施例提出了一种车辆尺寸模板库生成方法,包括:
获取待生成模板库的车辆类型,以及所述车辆类型对应的标注尺寸信息库;所述标注尺寸信息库中包括:具有所述车辆类型的车辆的标注尺寸信息;
获取初始的高斯混合模型,将所述高斯混合模型中高斯分布的数量依次设置为1到N,得到N个高斯混合模型;其中,N为高斯混合模型中高斯分布的最大数量;
针对每个高斯混合模型,将所述标注尺寸信息库中的每个标注尺寸信息依次输入所述高斯混合模型,得到每个标注尺寸信息对应的概率集合;所述概率集合中包括:所述标注尺寸信息属于所述高斯混合模型中各个高斯分布的概率;
结合所述标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合,以及最大期望算法EM和贝叶斯信息准则BIC,确定所述高斯混合模型的分布参数、对数似然估计结果以及BIC值;
根据对应的BIC值最小的目标高斯混合模型的分布参数,生成所述车辆类型对应的车辆尺寸模板库。
进一步的,所述获取初始的高斯混合模型之前,还包括:
获取与所述车辆类型对应的尺寸阈值范围;
将所述标注尺寸信息库中的每个标注尺寸信息与所述尺寸阈值范围进行比对,判断是否存在位于所述尺寸阈值范围外的第一标注尺寸信息;
若存在所述第一标注尺寸信息,则删除所述标注尺寸信息库中的所述第一标注尺寸信息。
进一步的,所述结合所述标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合,以及最大期望算法EM和贝叶斯信息准则BIC,确定所述高斯混合模型的分布参数、对数似然估计结果以及BIC值,包括:
将所述标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合输入所述EM算法,得到对数似然估计结果;
根据所述对数似然估计函数对所述高斯混合模型的分布参数进行调整,根据分布参数经过调整的高斯混合模型,重新确定各个标注尺寸信息对应的概率集合,重新确定对数似然估计结果,直至收敛;
将收敛的EM算法输出的对数似然估计结果以及分布参数,确定为所述高斯混合模型的对数似然估计结果以及分布参数;
结合所述高斯混合模型的对数似然估计结果、分布参数以及贝叶斯信息准则BIC,确定所述高斯混合模型的BIC值。
进一步的,所述分布参数中包括:所述目标高斯混合模型中各个高斯分布的期望值和方差;
所述根据对应的BIC值最小的目标高斯混合模型的分布参数,生成所述车辆类型对应的车辆尺寸模板库,包括:
将所述目标高斯混合模型中各个高斯分布的期望值,确定为所述车辆尺寸模板库中的尺寸信息;
将所述目标高斯混合模型中各个高斯分布的方差,确定为所述车辆尺寸模板库中相应尺寸信息对应的偏差值。
进一步的,所述车辆尺寸模板库中包括:尺寸信息以及对应的偏差值;
所述根据对应的BIC值最小的目标高斯混合模型的分布参数,生成所述车辆类型对应的车辆尺寸模板库之后,还包括:
获取待进行尺寸预估的车辆的标注数据;
根据所述标注数据,确定所述车辆的预估尺寸信息;
根据所述预估尺寸信息,确定与所述车辆对应的车辆尺寸模板库;
将所述预估尺寸信息与对应的车辆尺寸模板库中的各个尺寸信息进行比对,获取与所述预估尺寸信息匹配的尺寸信息;
根据所述匹配的尺寸信息以及对应的偏差值,对所述预估尺寸信息进行调整,得到调整后的预估尺寸信息。
本发明实施例的车辆尺寸模板库生成方法,通过获取待生成模板库的车辆类型,以及车辆类型对应的标注尺寸信息库;标注尺寸信息库中包括:具有车辆类型的车辆的标注尺寸信息;获取初始的高斯混合模型,将高斯混合模型中高斯分布的数量依次设置为1到N,得到N个高斯混合模型;其中,N为高斯混合模型中高斯分布的最大数量;针对每个高斯混合模型,将标注尺寸信息库中的每个标注尺寸信息依次输入高斯混合模型,得到每个标注尺寸信息对应的概率集合;概率集合中包括:标注尺寸信息属于高斯混合模型中各个高斯分布的概率;结合标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合,以及最大期望算法EM和贝叶斯信息准则BIC,确定高斯混合模型的分布参数、对数似然估计结果以及BIC值;根据对应的BIC值最小的目标高斯混合模型的分布参数,生成车辆类型对应的车辆尺寸模板库,从而能够自动、快速且准确的从标注尺寸信息库中挑选出合适的尺寸信息生成车辆尺寸模板库,提高车辆尺寸模板库的生成效率。
为达上述目的,本发明第二方面实施例提出了一种车辆尺寸模板库生成装置,包括:
获取模块,用于获取待生成模板库的车辆类型,以及所述车辆类型对应的标注尺寸信息库;所述标注尺寸信息库中包括:具有所述车辆类型的车辆的标注尺寸信息;
所述获取模块,还用于获取初始的高斯混合模型,将所述高斯混合模型中高斯分布的数量依次设置为1到N,得到N个高斯混合模型;其中,N为高斯混合模型中高斯分布的最大数量;
输入模块,用于针对每个高斯混合模型,将所述标注尺寸信息库中的每个标注尺寸信息依次输入所述高斯混合模型,得到每个标注尺寸信息对应的概率集合;所述概率集合中包括:所述标注尺寸信息属于所述高斯混合模型中各个高斯分布的概率;
确定模块,用于结合所述标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合,以及最大期望算法EM和贝叶斯信息准则BIC,确定所述高斯混合模型的分布参数、对数似然估计结果以及BIC值;
生成模块,用于根据对应的BIC值最小的目标高斯混合模型的分布参数,生成所述车辆类型对应的车辆尺寸模板库。
进一步的,所述的装置还包括:第一比对模块和删除模块;
所述获取模块,还用于获取与所述车辆类型对应的尺寸阈值范围;
所述第一比对模块,用于将所述标注尺寸信息库中的每个标注尺寸信息与所述尺寸阈值范围进行比对,判断是否存在位于所述尺寸阈值范围外的第一标注尺寸信息;
所述删除模块,用于在存在所述第一标注尺寸信息时,删除所述标注尺寸信息库中的所述第一标注尺寸信息。
进一步的,所述确定模块具体用于,
将所述标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合输入所述EM算法,得到对数似然估计结果;
根据所述对数似然估计函数对所述高斯混合模型的分布参数进行调整,根据分布参数经过调整的高斯混合模型,重新确定各个标注尺寸信息对应的概率集合,重新确定对数似然估计结果,直至收敛;
将收敛的EM算法输出的对数似然估计结果以及分布参数,确定为所述高斯混合模型的对数似然估计结果以及分布参数;
结合所述高斯混合模型的对数似然估计结果、分布参数以及贝叶斯信息准则BIC,确定所述高斯混合模型的BIC值。
进一步的,所述分布参数中包括:所述目标高斯混合模型中各个高斯分布的期望值和方差;
所述生成模块具体用于,
将所述目标高斯混合模型中各个高斯分布的期望值,确定为所述车辆尺寸模板库中的尺寸信息;
将所述目标高斯混合模型中各个高斯分布的方差,确定为所述车辆尺寸模板库中相应尺寸信息对应的偏差值。
进一步的,所述车辆尺寸模板库中包括:尺寸信息以及对应的偏差值;
所述的装置还包括:第二比对模块和调整模块;
所述获取模块,还用于获取待进行尺寸预估的车辆的标注数据;
所述确定模块,还用于根据所述标注数据,确定所述车辆的预估尺寸信息;
所述确定模块,还用于根据所述预估尺寸信息,确定与所述车辆对应的车辆尺寸模板库;
所述第二比对模块,用于将所述预估尺寸信息与对应的车辆尺寸模板库中的各个尺寸信息进行比对,获取与所述预估尺寸信息匹配的尺寸信息;
所述调整模块,用于在根据所述匹配的尺寸信息以及对应的偏差值,对所述预估尺寸信息进行调整,得到调整后的预估尺寸信息。
本发明实施例的车辆尺寸模板库生成装置,通过获取待生成模板库的车辆类型,以及车辆类型对应的标注尺寸信息库;标注尺寸信息库中包括:具有车辆类型的车辆的标注尺寸信息;获取初始的高斯混合模型,将高斯混合模型中高斯分布的数量依次设置为1到N,得到N个高斯混合模型;其中,N为高斯混合模型中高斯分布的最大数量;针对每个高斯混合模型,将标注尺寸信息库中的每个标注尺寸信息依次输入高斯混合模型,得到每个标注尺寸信息对应的概率集合;概率集合中包括:标注尺寸信息属于高斯混合模型中各个高斯分布的概率;结合标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合,以及最大期望算法EM和贝叶斯信息准则BIC,确定高斯混合模型的分布参数、对数似然估计结果以及BIC值;根据对应的BIC值最小的目标高斯混合模型的分布参数,生成车辆类型对应的车辆尺寸模板库,从而能够自动、快速且准确的从标注尺寸信息库中挑选出合适的尺寸信息生成车辆尺寸模板库,提高车辆尺寸模板库的生成效率。
为达上述目的,本发明第三方面实施例提出了另一种车辆尺寸模板库生成装置,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上所述的车辆尺寸模板库生成方法。
为了实现上述目的,本发明第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的车辆尺寸模板库生成方法。
为了实现上述目的,本发明第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,实现如上所述的车辆尺寸模板库生成方法。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例提供的一种车辆尺寸模板库生成方法的流程示意图;
图2为本发明实施例提供的另一种车辆尺寸模板库生成方法的流程示意图;
图3为本发明实施例提供的一种车辆尺寸模板库生成装置的结构示意图;
图4为本发明实施例提供的另一种车辆尺寸模板库生成装置的结构示意图;
图5为本发明实施例提供的另一种车辆尺寸模板库生成装置的结构示意图;
图6为本发明实施例提供的另一种车辆尺寸模板库生成装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的车辆尺寸模板库生成方法及装置。
图1为本发明实施例提供的一种车辆尺寸模板库生成方法的流程示意图。如图1所示,主要包括以下步骤:
S101、获取待生成模板库的车辆类型,以及车辆类型对应的标注尺寸信息库;标注尺寸信息库中包括:具有车辆类型的车辆的标注尺寸信息。
本发明提供的车辆尺寸模板库生成方法的执行主体为车辆尺寸模板库生成装置,车辆尺寸模板库生成装置具体可以为终端设备、服务器等硬件设备,或者为硬件设备上安装的软件。其中,车辆类型例如可以为小汽车(CAR)、小火车(VAN)、大货车(TRUCK)、巴士(BUS)。
本实施例中,车辆类型对应的标注尺寸信息库的获取过程具体可以为,针对该车辆类型,获取具有该车辆类型的大量车辆的大量标注数据,标注数据例如可以为点云数据等,通过其他车辆上的雷达等对该车辆类型的车辆扫描得到;针对每个标注数据,按照所述标注数据描画车辆图像,进而获取车辆图像中车辆的标注尺寸信息。其中,标注尺寸信息库中标注尺寸信息的数量需要大于预设数量阈值,例如一千或一万等。
本实施例中,标注尺寸信息具体可以包括:车辆的长、宽、高等。为了方便计算,可以采用向量来标识标注尺寸信息。其中,向量可以为3个维度,依次对应车辆的长、宽、高。
进一步的,为了提高标注尺寸信息库中标注尺寸信息的准确性,还需要剔除标注尺寸信息库中不合理的标注尺寸信息。因此步骤101之后,步骤102之前,所述的方法还可以包括以下步骤:获取与车辆类型对应的尺寸阈值范围;将标注尺寸信息库中的每个标注尺寸信息与尺寸阈值范围进行比对,判断是否存在位于尺寸阈值范围外的第一标注尺寸信息;若存在第一标注尺寸信息,则删除标注尺寸信息库中的第一标注尺寸信息。
其中,尺寸阈值范围中包括:长度阈值范围、宽度阈值范围和高度阈值范围。车辆尺寸模板库生成装置可以依次将标注尺寸信息中的长、宽、高,与对应的阈值范围进行比对,判断是否位于对应的阈值范围内,若否,则从标注尺寸信息库中删除;若是,则不做处理。
S102、获取初始的高斯混合模型,将高斯混合模型中高斯分布的数量依次设置为1到N,得到N个高斯混合模型;其中,N为高斯混合模型中高斯分布的最大数量。
本实施例中,高斯混合模型指的是由至少一个高斯分布组合得到的模型。其中,高斯分布例如可以为正态分布等。其中,初始的高斯混合模型中各高斯分布的分布参数可以随机设置。其中,高斯分布的分布参数包括:期望值和方差。
S103、针对每个高斯混合模型,将标注尺寸信息库中的每个标注尺寸信息依次输入高斯混合模型,得到每个标注尺寸信息对应的概率集合;概率集合中包括:标注尺寸信息属于高斯混合模型中各个高斯分布的概率。
本实施例中,车辆尺寸模板库生成装置可以将标注尺寸信息对应的向量输入高斯混合模型中的每个高斯分布,得到向量属于各个高斯分布的概率,得到概率集合。
S104、结合标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合,以及最大期望算法EM和贝叶斯信息准则BIC,确定高斯混合模型的分布参数、对数似然估计结果以及BIC值。
本实施例中,最大期望算法EM(Expectation Maximization Algorithm)是一种迭代算法,在统计学中被用于寻找,依赖于不可观察的隐性变量的概率模型中,参数的最大似然估计。在本实施例中,用于寻找依赖于不可观察的隐性变量的高斯混合模型中,分布参数的最大似然估计。
本实施例中,贝叶斯信息准则BIC(Bayesian InformationCriterion)是在不完全情报下,对部分未知的状态用主观概率估计,然后用贝叶斯公式对发生概率进行修正,最后再利用期望值和修正概率做出最优决策。在本实施例中,用于从具有各个数量的高斯分布的高斯混合模型中选择最优的高斯混合模型。
本实施例中,车辆尺寸模板库生成装置执行步骤104的过程具体可以为,将标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合输入EM算法,得到对数似然估计结果;根据对数似然估计函数对高斯混合模型的分布参数进行调整,根据分布参数经过调整的高斯混合模型,重新确定各个标注尺寸信息对应的概率集合,重新确定对数似然估计结果,直至收敛;将收敛的EM算法输出的对数似然估计结果以及分布参数,确定为高斯混合模型的对数似然估计结果以及分布参数;结合高斯混合模型的对数似然估计结果、分布参数以及贝叶斯信息准则BIC,确定高斯混合模型的BIC值。其中,EM算法收敛前的迭代次数一般大于20次。
其中,高斯混合模型的BIC值的计算公式可以如公式(1)所示。
BIC=-2×LogLikelihood+p×log(n) (1)
其中,LogLikelihood为对数似然估计结果;p为参数个数,即6N,N为高斯混合模型中高斯分布的数量,6为2×3,其中,3为标注尺寸信息中参数的数量,2指期望值和方差;n为标注尺寸信息库中标注尺寸信息的数量。
本实施例中,结合贝叶斯信息准则BIC从具有各个数量的高斯分布的高斯混合模型中选择最优的高斯混合模型的作用是,过多的高斯分布会增加后续车辆尺寸预估时的计算量,过少的高斯分布难以表达标注尺寸信息的分布空间,因此选择最优的高斯混合模型,能够在确保精确表达分布空间的情况下减少车辆尺寸预估时的计算量,提高生成的车辆尺寸模板库的准确度,提高后续进行车辆尺寸预估时的速度以及准确度。
S105、根据对应的BIC值最小的目标高斯混合模型的分布参数,生成车辆类型对应的车辆尺寸模板库。
本实施例中,分布参数中可以包括:目标高斯混合模型中各个高斯分布的期望值和方差。对应的,车辆尺寸模板库生成装置执行步骤105的过程具体可以为,将目标高斯混合模型中各个高斯分布的期望值,确定为车辆尺寸模板库中的尺寸信息;将目标高斯混合模型中各个高斯分布的方差,确定为车辆尺寸模板库中相应尺寸信息对应的偏差值。
本实施例中,目标高斯混合模型的输入为尺寸信息,尺寸信息为多维向量,则目标高斯混合模型的期望值和方差也为多维向量。因此可以将期望值中的各维向量依次作为尺寸信息中的长、宽、高;将方差中的各维向量依次作为长对应的偏差值、宽对应的偏差值、高对应的偏差值。
本发明实施例的车辆尺寸模板库生成方法,通过获取待生成模板库的车辆类型,以及车辆类型对应的标注尺寸信息库;标注尺寸信息库中包括:具有车辆类型的车辆的标注尺寸信息;获取初始的高斯混合模型,将高斯混合模型中高斯分布的数量依次设置为1到N,得到N个高斯混合模型;其中,N为高斯混合模型中高斯分布的最大数量;针对每个高斯混合模型,将标注尺寸信息库中的每个标注尺寸信息依次输入高斯混合模型,得到每个标注尺寸信息对应的概率集合;概率集合中包括:标注尺寸信息属于高斯混合模型中各个高斯分布的概率;结合标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合,以及最大期望算法EM和贝叶斯信息准则BIC,确定高斯混合模型的分布参数、对数似然估计结果以及BIC值;根据对应的BIC值最小的目标高斯混合模型的分布参数,生成车辆类型对应的车辆尺寸模板库,从而能够自动、快速且准确的从标注尺寸信息库中挑选出合适的尺寸信息生成车辆尺寸模板库,提高车辆尺寸模板库的生成效率。
图2为本发明实施例提供的另一种车辆尺寸模板库生成方法的流程示意图。如图2所示,在图1所示实施例的基础上,车辆尺寸模板库中可以包括:尺寸信息以及对应的偏差值,步骤105之后,所述的方法还包括以下步骤:
S106、获取待进行尺寸预估的车辆的标注数据。
其中,标注数据例如可以为点云数据等,通过其他车辆上的雷达等对该车辆扫描得到。
S107、根据标注数据,确定车辆的预估尺寸信息。
其中,车辆尺寸模板库生成装置可以按照标注数据描画车辆图像,以获取车辆图像中车辆的预估尺寸信息。
S108、根据预估尺寸信息,确定与车辆对应的车辆尺寸模板库。
本实施例中,车辆尺寸模板库生成装置执行步骤108的过程具体可以为,根据预估尺寸信息,确定车辆类型,进而将车辆类型对应的车辆尺寸模板库确定为与车辆对应的车辆尺寸模板库。
S109、将预估尺寸信息与对应的车辆尺寸模板库中的各个尺寸信息进行比对,获取与预估尺寸信息匹配的尺寸信息。
本实施例中,车辆尺寸模板库生成装置可以针对对应的车辆尺寸模板库中的每个尺寸信息,计算该尺寸信息与预估尺寸信息之间的相似度;然后将对应的相似度最大的尺寸信息,确定为与预估尺寸信息匹配的尺寸信息。
S110、根据匹配的尺寸信息以及对应的偏差值,对预估尺寸信息进行调整,得到调整后的预估尺寸信息。
本实施例中,车辆尺寸模板库生成装置执行步骤110的过程具体可以为,获取预估尺寸信息与匹配的尺寸信息之间的差值,其中差值例如预估长度信息与尺寸信息中长度信息的第一差值,预估宽度信息与尺寸信息中宽度信息的第二差值,预估高度信息与尺寸信息中高度信息的第三差值;若第一差值小于偏差值中的长度偏差值,且第二差值小于偏差值中的宽度偏差值,且第三差值小于偏差值中的高度偏差值,则不对预估尺寸信息进行调整;否则,对预估尺寸信息进行调整,使得调整后的预估尺寸信息位于对应的尺寸范围内。其中,对应的尺寸范围为根据匹配的尺寸信息以及对应的偏差值所确定的尺寸范围。
本发明实施例的车辆尺寸模板库生成方法,在生成车辆尺寸模板库后,获取待进行尺寸预估的车辆的标注数据;根据标注数据,确定车辆的预估尺寸信息;根据预估尺寸信息,确定与车辆对应的车辆尺寸模板库;将预估尺寸信息与对应的车辆尺寸模板库中的各个尺寸信息进行比对,获取与预估尺寸信息匹配的尺寸信息,从而能够将生成的车辆尺寸模板库作为先验信息,对预估尺寸信息进行调整,提高预估尺寸信息的准确度,提高尺寸预估效率。
图3为本发明实施例提供的一种车辆尺寸模板库生成装置的结构示意图。如图3所示,主要包括:获取模块31、输入模块32、确定模块33和生成模块34。
其中,获取模块31,用于获取待生成模板库的车辆类型,以及所述车辆类型对应的标注尺寸信息库;所述标注尺寸信息库中包括:具有所述车辆类型的车辆的标注尺寸信息;
所述获取模块31,还用于获取初始的高斯混合模型,将所述高斯混合模型中高斯分布的数量依次设置为1到N,得到N个高斯混合模型;其中,N为高斯混合模型中高斯分布的最大数量;
输入模块32,用于针对每个高斯混合模型,将所述标注尺寸信息库中的每个标注尺寸信息依次输入所述高斯混合模型,得到每个标注尺寸信息对应的概率集合;所述概率集合中包括:所述标注尺寸信息属于所述高斯混合模型中各个高斯分布的概率;
确定模块33,用于结合所述标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合,以及最大期望算法EM和贝叶斯信息准则BIC,确定所述高斯混合模型的分布参数、对数似然估计结果以及BIC值;
生成模块34,用于根据对应的BIC值最小的目标高斯混合模型的分布参数,生成所述车辆类型对应的车辆尺寸模板库。
本发明提供的车辆尺寸模板库生成装置具体可以为终端设备、服务器等硬件设备,或者为硬件设备上安装的软件。其中,车辆类型例如可以为小汽车(CAR)、小火车(VAN)、大货车(TRUCK)、巴士(BUS)。
本实施例中国,获取模块31获取车辆类型对应的标注尺寸信息库的过程具体可以为,针对该车辆类型,获取具有该车辆类型的大量车辆的大量标注数据,标注数据例如可以为点云数据等,通过其他车辆上的雷达等对该车辆类型的车辆扫描得到;针对每个标注数据,按照所述标注数据描画车辆图像,进而获取车辆图像中车辆的标注尺寸信息。其中,标注尺寸信息库中标注尺寸信息的数量需要大于预设数量阈值,例如一千或一万等。
本实施例中,标注尺寸信息具体可以包括:车辆的长、宽、高等。为了方便计算,可以采用向量来标识标注尺寸信息。其中,向量可以为3个维度,依次对应车辆的长、宽、高。
本实施例中,最大期望算法EM(Expectation Maximization Algorithm)是一种迭代算法,在统计学中被用于寻找,依赖于不可观察的隐性变量的概率模型中,参数的最大似然估计。在本实施例中,用于寻找依赖于不可观察的隐性变量的高斯混合模型中,分布参数的最大似然估计。
本实施例中,贝叶斯信息准则BIC(Bayesian InformationCriterion)是在不完全情报下,对部分未知的状态用主观概率估计,然后用贝叶斯公式对发生概率进行修正,最后再利用期望值和修正概率做出最优决策。在本实施例中,用于从具有各个数量的高斯分布的高斯混合模型中选择最优的高斯混合模型。
本实施例中,确定模块33具体可以用于,将标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合输入EM算法,得到对数似然估计结果;根据对数似然估计函数对高斯混合模型的分布参数进行调整,根据分布参数经过调整的高斯混合模型,重新确定各个标注尺寸信息对应的概率集合,重新确定对数似然估计结果,直至收敛;将收敛的EM算法输出的对数似然估计结果以及分布参数,确定为高斯混合模型的对数似然估计结果以及分布参数;结合高斯混合模型的对数似然估计结果、分布参数以及贝叶斯信息准则BIC,确定高斯混合模型的BIC值。其中,EM算法收敛前的迭代次数一般大于20次。
本实施例中,结合贝叶斯信息准则BIC从具有各个数量的高斯分布的高斯混合模型中选择最优的高斯混合模型的作用是,过多的高斯分布会增加后续车辆尺寸预估时的计算量,过少的高斯分布难以表达标注尺寸信息的分布空间,因此选择最优的高斯混合模型,能够在确保精确表达分布空间的情况下减少车辆尺寸预估时的计算量,提高生成的车辆尺寸模板库的准确度,提高后续进行车辆尺寸预估时的速度以及准确度。
进一步的,在上述实施例的基础上,分布参数中可以包括:目标高斯混合模型中各个高斯分布的期望值和方差。对应的,所述生成模块34具体可以用于,将所述目标高斯混合模型中各个高斯分布的期望值,确定为所述车辆尺寸模板库中的尺寸信息;将所述目标高斯混合模型中各个高斯分布的方差,确定为所述车辆尺寸模板库中相应尺寸信息对应的偏差值。
本实施例中,目标高斯混合模型的输入为尺寸信息,尺寸信息为多维向量,则目标高斯混合模型的期望值和方差也为多维向量。因此可以将期望值中的各维向量依次作为尺寸信息中的长、宽、高;将方差中的各维向量依次作为长对应的偏差值、宽对应的偏差值、高对应的偏差值。
进一步的,为了提高标注尺寸信息库中标注尺寸信息的准确性,还需要剔除标注尺寸信息库中不合理的标注尺寸信息。因此,结合参考图4,在图3所示实施例的基础上,所述的装置还可以包括:第一比对模块35和删除模块36;
所述获取模块31,还用于获取与所述车辆类型对应的尺寸阈值范围;
所述第一比对模块35,用于将所述标注尺寸信息库中的每个标注尺寸信息与所述尺寸阈值范围进行比对,判断是否存在位于所述尺寸阈值范围外的第一标注尺寸信息;
所述删除模块36,用于在存在所述第一标注尺寸信息时,删除所述标注尺寸信息库中的所述第一标注尺寸信息。
其中,尺寸阈值范围中包括:长度阈值范围、宽度阈值范围和高度阈值范围。车辆尺寸模板库生成装置可以依次将标注尺寸信息中的长、宽、高,与对应的阈值范围进行比对,判断是否位于对应的阈值范围内,若否,则从标注尺寸信息库中删除;若是,则不做处理。
本发明实施例的车辆尺寸模板库生成装置,通过获取待生成模板库的车辆类型,以及车辆类型对应的标注尺寸信息库;标注尺寸信息库中包括:具有车辆类型的车辆的标注尺寸信息;获取初始的高斯混合模型,将高斯混合模型中高斯分布的数量依次设置为1到N,得到N个高斯混合模型;其中,N为高斯混合模型中高斯分布的最大数量;针对每个高斯混合模型,将标注尺寸信息库中的每个标注尺寸信息依次输入高斯混合模型,得到每个标注尺寸信息对应的概率集合;概率集合中包括:标注尺寸信息属于高斯混合模型中各个高斯分布的概率;结合标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合,以及最大期望算法EM和贝叶斯信息准则BIC,确定高斯混合模型的分布参数、对数似然估计结果以及BIC值;根据对应的BIC值最小的目标高斯混合模型的分布参数,生成车辆类型对应的车辆尺寸模板库,从而能够自动、快速且准确的从标注尺寸信息库中挑选出合适的尺寸信息生成车辆尺寸模板库,提高车辆尺寸模板库的生成效率。
结合参考图5,在图3所示实施例的基础上,车辆尺寸模板库中可以包括:尺寸信息以及对应的偏差值。所述的装置还可以包括:第二比对模块37和调整模块38;
所述获取模块31,还用于获取待进行尺寸预估的车辆的标注数据;
所述确定模块33,还用于根据所述标注数据,确定所述车辆的预估尺寸信息;
所述确定模块33,还用于根据所述预估尺寸信息,确定与所述车辆对应的车辆尺寸模板库;
所述第二比对模块37,用于将所述预估尺寸信息与对应的车辆尺寸模板库中的各个尺寸信息进行比对,获取与所述预估尺寸信息匹配的尺寸信息;
所述调整模块38,用于在根据所述匹配的尺寸信息以及对应的偏差值,对所述预估尺寸信息进行调整,得到调整后的预估尺寸信息。
其中,标注数据例如可以为点云数据等,通过其他车辆上的雷达等对该车辆扫描得到。其中,确定模块33可以按照标注数据描画车辆图像,以获取车辆图像中车辆的预估尺寸信息。
本实施例中,车辆尺寸模板库生成装置可以针对对应的车辆尺寸模板库中的每个尺寸信息,计算该尺寸信息与预估尺寸信息之间的相似度;然后将对应的相似度最大的尺寸信息,确定为与预估尺寸信息匹配的尺寸信息。
本实施例中,调整模块38具体可以用于,获取预估尺寸信息与匹配的尺寸信息之间的差值,其中差值例如预估长度信息与尺寸信息中长度信息的第一差值,预估宽度信息与尺寸信息中宽度信息的第二差值,预估高度信息与尺寸信息中高度信息的第三差值;若第一差值小于偏差值中的长度偏差值,且第二差值小于偏差值中的宽度偏差值,且第三差值小于偏差值中的高度偏差值,则不对预估尺寸信息进行调整;否则,对预估尺寸信息进行调整,使得调整后的预估尺寸信息位于对应的尺寸范围内。其中,对应的尺寸范围为根据匹配的尺寸信息以及对应的偏差值所确定的尺寸范围。
本发明实施例的车辆尺寸模板库生成装置,在生成车辆尺寸模板库后,获取待进行尺寸预估的车辆的标注数据;根据标注数据,确定车辆的预估尺寸信息;根据预估尺寸信息,确定与车辆对应的车辆尺寸模板库;将预估尺寸信息与对应的车辆尺寸模板库中的各个尺寸信息进行比对,获取与预估尺寸信息匹配的尺寸信息,从而能够将生成的车辆尺寸模板库作为先验信息,对预估尺寸信息进行调整,提高预估尺寸信息的准确度,提高尺寸预估效率。
图6为本发明实施例提供的另一种车辆尺寸模板库生成装置的结构示意图。该车辆尺寸模板库生成装置包括:
存储器1001、处理器1002及存储在存储器1001上并可在处理器1002上运行的计算机程序。
处理器1002执行所述程序时实现上述实施例中提供的车辆尺寸模板库生成方法。
进一步地,车辆尺寸模板库生成装置还包括:
通信接口1003,用于存储器1001和处理器1002之间的通信。
存储器1001,用于存放可在处理器1002上运行的计算机程序。
存储器1001可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
处理器1002,用于执行所述程序时实现上述实施例所述的车辆尺寸模板库生成方法。
如果存储器1001、处理器1002和通信接口1003独立实现,则通信接口1003、存储器1001和处理器1002可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(Peripheral Component,简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture,简称为EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器1001、处理器1002及通信接口1003,集成在一块芯片上实现,则存储器1001、处理器1002及通信接口1003可以通过内部接口完成相互间的通信。
处理器1002可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路。
本发明还提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的车辆尺寸模板库生成方法。
本发明还提供一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,实现如上所述的车辆尺寸模板库生成方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (13)
1.一种车辆尺寸模板库生成方法,其特征在于,包括:
获取待生成模板库的车辆类型,以及所述车辆类型对应的标注尺寸信息库;所述标注尺寸信息库中包括:具有所述车辆类型的车辆的标注尺寸信息;
获取初始的高斯混合模型,将所述高斯混合模型中高斯分布的数量依次设置为1到N,得到N个高斯混合模型;其中,N为高斯混合模型中高斯分布的最大数量;
针对每个高斯混合模型,将所述标注尺寸信息库中的每个标注尺寸信息依次输入所述高斯混合模型,得到每个标注尺寸信息对应的概率集合;所述概率集合中包括:所述标注尺寸信息属于所述高斯混合模型中各个高斯分布的概率;
结合所述标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合,以及最大期望算法EM和贝叶斯信息准则BIC,确定所述高斯混合模型的分布参数、对数似然估计结果以及BIC值;
根据对应的BIC值最小的目标高斯混合模型的分布参数,生成所述车辆类型对应的车辆尺寸模板库。
2.根据权利要求1所述的方法,其特征在于,所述获取初始的高斯混合模型之前,还包括:
获取与所述车辆类型对应的尺寸阈值范围;
将所述标注尺寸信息库中的每个标注尺寸信息与所述尺寸阈值范围进行比对,判断是否存在位于所述尺寸阈值范围外的第一标注尺寸信息;
若存在所述第一标注尺寸信息,则删除所述标注尺寸信息库中的所述第一标注尺寸信息。
3.根据权利要求1所述的方法,其特征在于,所述结合所述标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合,以及最大期望算法EM和贝叶斯信息准则BIC,确定所述高斯混合模型的分布参数、对数似然估计结果以及BIC值,包括:
将所述标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合输入所述EM算法,得到对数似然估计结果;
根据所述对数似然估计函数对所述高斯混合模型的分布参数进行调整,根据分布参数经过调整的高斯混合模型,重新确定各个标注尺寸信息对应的概率集合,重新确定对数似然估计结果,直至收敛;
将收敛的EM算法输出的对数似然估计结果以及分布参数,确定为所述高斯混合模型的对数似然估计结果以及分布参数;
结合所述高斯混合模型的对数似然估计结果、分布参数以及贝叶斯信息准则BIC,确定所述高斯混合模型的BIC值。
4.根据权利要求1所述的方法,其特征在于,所述分布参数中包括:所述目标高斯混合模型中各个高斯分布的期望值和方差;
所述根据对应的BIC值最小的目标高斯混合模型的分布参数,生成所述车辆类型对应的车辆尺寸模板库,包括:
将所述目标高斯混合模型中各个高斯分布的期望值,确定为所述车辆尺寸模板库中的尺寸信息;
将所述目标高斯混合模型中各个高斯分布的方差,确定为所述车辆尺寸模板库中相应尺寸信息对应的偏差值。
5.根据权利要求1所述的方法,其特征在于,所述车辆尺寸模板库中包括:尺寸信息以及对应的偏差值;
所述根据对应的BIC值最小的目标高斯混合模型的分布参数,生成所述车辆类型对应的车辆尺寸模板库之后,还包括:
获取待进行尺寸预估的车辆的标注数据;
根据所述标注数据,确定所述车辆的预估尺寸信息;
根据所述预估尺寸信息,确定与所述车辆对应的车辆尺寸模板库;
将所述预估尺寸信息与对应的车辆尺寸模板库中的各个尺寸信息进行比对,获取与所述预估尺寸信息匹配的尺寸信息;
根据所述匹配的尺寸信息以及对应的偏差值,对所述预估尺寸信息进行调整,得到调整后的预估尺寸信息。
6.一种车辆尺寸模板库生成装置,其特征在于,包括:
获取模块,用于获取待生成模板库的车辆类型,以及所述车辆类型对应的标注尺寸信息库;所述标注尺寸信息库中包括:具有所述车辆类型的车辆的标注尺寸信息;
所述获取模块,还用于获取初始的高斯混合模型,将所述高斯混合模型中高斯分布的数量依次设置为1到N,得到N个高斯混合模型;其中,N为高斯混合模型中高斯分布的最大数量;
输入模块,用于针对每个高斯混合模型,将所述标注尺寸信息库中的每个标注尺寸信息依次输入所述高斯混合模型,得到每个标注尺寸信息对应的概率集合;所述概率集合中包括:所述标注尺寸信息属于所述高斯混合模型中各个高斯分布的概率;
确定模块,用于结合所述标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合,以及最大期望算法EM和贝叶斯信息准则BIC,确定所述高斯混合模型的分布参数、对数似然估计结果以及BIC值;
生成模块,用于根据对应的BIC值最小的目标高斯混合模型的分布参数,生成所述车辆类型对应的车辆尺寸模板库。
7.根据权利要求6所述的装置,其特征在于,还包括:第一比对模块和删除模块;
所述获取模块,还用于获取与所述车辆类型对应的尺寸阈值范围;
所述第一比对模块,用于将所述标注尺寸信息库中的每个标注尺寸信息与所述尺寸阈值范围进行比对,判断是否存在位于所述尺寸阈值范围外的第一标注尺寸信息;
所述删除模块,用于在存在所述第一标注尺寸信息时,删除所述标注尺寸信息库中的所述第一标注尺寸信息。
8.根据权利要求6所述的装置,其特征在于,所述确定模块具体用于,
将所述标注尺寸信息库中的各个标注尺寸信息以及对应的概率集合输入所述EM算法,得到对数似然估计结果;
根据所述对数似然估计函数对所述高斯混合模型的分布参数进行调整,根据分布参数经过调整的高斯混合模型,重新确定各个标注尺寸信息对应的概率集合,重新确定对数似然估计结果,直至收敛;
将收敛的EM算法输出的对数似然估计结果以及分布参数,确定为所述高斯混合模型的对数似然估计结果以及分布参数;
结合所述高斯混合模型的对数似然估计结果、分布参数以及贝叶斯信息准则BIC,确定所述高斯混合模型的BIC值。
9.根据权利要求6所述的装置,其特征在于,所述分布参数中包括:所述目标高斯混合模型中各个高斯分布的期望值和方差;
所述生成模块具体用于,
将所述目标高斯混合模型中各个高斯分布的期望值,确定为所述车辆尺寸模板库中的尺寸信息;
将所述目标高斯混合模型中各个高斯分布的方差,确定为所述车辆尺寸模板库中相应尺寸信息对应的偏差值。
10.根据权利要求6所述的装置,其特征在于,所述车辆尺寸模板库中包括:尺寸信息以及对应的偏差值;
所述的装置还包括:第二比对模块和调整模块;
所述获取模块,还用于获取待进行尺寸预估的车辆的标注数据;
所述确定模块,还用于根据所述标注数据,确定所述车辆的预估尺寸信息;
所述确定模块,还用于根据所述预估尺寸信息,确定与所述车辆对应的车辆尺寸模板库;
所述第二比对模块,用于将所述预估尺寸信息与对应的车辆尺寸模板库中的各个尺寸信息进行比对,获取与所述预估尺寸信息匹配的尺寸信息;
所述调整模块,用于在根据所述匹配的尺寸信息以及对应的偏差值,对所述预估尺寸信息进行调整,得到调整后的预估尺寸信息。
11.一种车辆尺寸模板库生成装置,其特征在于,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一所述的车辆尺寸模板库生成方法。
12.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的车辆尺寸模板库生成方法。
13.一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,实现如权利要求1-5中任一所述的车辆尺寸模板库生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811501403.9A CN109670225A (zh) | 2018-12-10 | 2018-12-10 | 车辆尺寸模板库生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811501403.9A CN109670225A (zh) | 2018-12-10 | 2018-12-10 | 车辆尺寸模板库生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109670225A true CN109670225A (zh) | 2019-04-23 |
Family
ID=66145135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811501403.9A Pending CN109670225A (zh) | 2018-12-10 | 2018-12-10 | 车辆尺寸模板库生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670225A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117170979A (zh) * | 2023-10-26 | 2023-12-05 | 广东百德朗科技有限公司 | 一种大规模设备的能耗数据处理方法、系统、设备及介质 |
CN117313426A (zh) * | 2023-11-27 | 2023-12-29 | 中汽智联技术有限公司 | 一种车辆数据的生成方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136397A (zh) * | 2011-11-30 | 2013-06-05 | 深圳光启高等理工研究院 | 一种获得电磁响应曲线特征参数的方法及其装置 |
US8842177B2 (en) * | 2002-06-27 | 2014-09-23 | Microsoft Corporation | Speaker detection and tracking using audiovisual data |
CN104236478A (zh) * | 2014-09-19 | 2014-12-24 | 山东交通学院 | 一种基于视觉的车辆外廓尺寸自动测量系统及方法 |
CN104658005A (zh) * | 2013-11-22 | 2015-05-27 | 上海宝康电子控制工程有限公司 | 基于em算法的高斯混合模型实现车辆位移提取的方法 |
CN107301296A (zh) * | 2017-06-27 | 2017-10-27 | 西安电子科技大学 | 基于数据的断路器故障影响因素定性分析方法 |
-
2018
- 2018-12-10 CN CN201811501403.9A patent/CN109670225A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8842177B2 (en) * | 2002-06-27 | 2014-09-23 | Microsoft Corporation | Speaker detection and tracking using audiovisual data |
CN103136397A (zh) * | 2011-11-30 | 2013-06-05 | 深圳光启高等理工研究院 | 一种获得电磁响应曲线特征参数的方法及其装置 |
CN104658005A (zh) * | 2013-11-22 | 2015-05-27 | 上海宝康电子控制工程有限公司 | 基于em算法的高斯混合模型实现车辆位移提取的方法 |
CN104236478A (zh) * | 2014-09-19 | 2014-12-24 | 山东交通学院 | 一种基于视觉的车辆外廓尺寸自动测量系统及方法 |
CN107301296A (zh) * | 2017-06-27 | 2017-10-27 | 西安电子科技大学 | 基于数据的断路器故障影响因素定性分析方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117170979A (zh) * | 2023-10-26 | 2023-12-05 | 广东百德朗科技有限公司 | 一种大规模设备的能耗数据处理方法、系统、设备及介质 |
CN117170979B (zh) * | 2023-10-26 | 2024-04-05 | 广东百德朗科技有限公司 | 一种大规模设备的能耗数据处理方法、系统、设备及介质 |
CN117313426A (zh) * | 2023-11-27 | 2023-12-29 | 中汽智联技术有限公司 | 一种车辆数据的生成方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102930246B (zh) | 一种基于点云片段分割的室内场景识别方法 | |
JP5588395B2 (ja) | 画像をオブジェクト及びそのパーツに関して効率的に解釈するためのシステムと方法 | |
CN109117825A (zh) | 车道线处理方法和装置 | |
CN107609098A (zh) | 搜索方法及装置 | |
DE102013102153A1 (de) | Verfahren zur Registrierung von Entfernungsbildern von mehreren LiDAR-Sensoren | |
CN104680510A (zh) | Radar视差图优化方法、立体匹配视差图优化方法及系统 | |
CN108711161A (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
CN112201342B (zh) | 基于联邦学习的医疗辅助诊断方法、装置、设备及存储介质 | |
CN112085739A (zh) | 基于弱监督的语义分割模型的训练方法、装置及设备 | |
CN109670225A (zh) | 车辆尺寸模板库生成方法及装置 | |
CN112634297B (zh) | 高精地图制作方法、装置、电子设备和存储介质 | |
CN112101073B (zh) | 脸部图像处理方法、装置、设备及计算机存储介质 | |
CN109978903B (zh) | 一种标识点识别方法、装置、电子设备及存储介质 | |
CN114419378A (zh) | 图像分类的方法、装置、电子设备及介质 | |
CN113034387B (zh) | 一种图像去噪方法、装置、设备及介质 | |
CN110705330A (zh) | 车道线检测方法、车道线检测装置和计算机可读存储介质 | |
CN108985289A (zh) | 乱码检测方法及装置 | |
CN111340139B (zh) | 一种图像内容复杂度的判别方法及装置 | |
CN111027474B (zh) | 人脸区域获取方法、装置、终端设备和存储介质 | |
CN112560856A (zh) | 车牌检测识别方法、装置、设备及存储介质 | |
CN116152767A (zh) | 车道线检测后处理的方法及装置 | |
CN116070903A (zh) | 通过障碍物区域的风险确定方法、装置以及电子设备 | |
CN112446428B (zh) | 一种图像数据处理方法及装置 | |
CN109522777A (zh) | 指纹比对方法和装置 | |
JP2002150286A (ja) | パターン認識装置、パターン認識方法およびその方法をコンピュータに実行させるプログラムを記録したコンピュータ読み取り可能な記録媒体 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190423 |
|
RJ01 | Rejection of invention patent application after publication |