CN110147731B - 车辆类型识别方法及相关产品 - Google Patents

车辆类型识别方法及相关产品 Download PDF

Info

Publication number
CN110147731B
CN110147731B CN201910303487.3A CN201910303487A CN110147731B CN 110147731 B CN110147731 B CN 110147731B CN 201910303487 A CN201910303487 A CN 201910303487A CN 110147731 B CN110147731 B CN 110147731B
Authority
CN
China
Prior art keywords
target
vehicle
target vehicle
frame
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.)
Active
Application number
CN201910303487.3A
Other languages
English (en)
Other versions
CN110147731A (zh
Inventor
陈斌
郑文先
黎永冬
黄映婷
张阳
肖婷
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.)
Shenzhen Lifei Technologies Co ltd
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Lifei Technologies Co ltd
Shenzhen Intellifusion Technologies 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 Shenzhen Lifei Technologies Co ltd, Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Lifei Technologies Co ltd
Priority to CN201910303487.3A priority Critical patent/CN110147731B/zh
Publication of CN110147731A publication Critical patent/CN110147731A/zh
Application granted granted Critical
Publication of CN110147731B publication Critical patent/CN110147731B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供了车辆类型识别方法及相关产品，该方法包括：获取至少一帧目标图像，每一帧目标图像中均包括目标车辆；依据至少一帧目标图像识别目标车辆是否包括排气装置；在目标车辆包括排气装置时，确定目标车辆为机动车；在目标车辆不包括排气装置时，确定目标车辆的第一行驶速度；在第一行驶速度处于预设速度范围时，依据至少一帧目标图像对目标车辆所在的区域进行特征提取，得到目标特征集；将目标特征集输入到第一预设神经网络模型进行运算，得到目标概率值；根据目标概率值处于第一目标取值范围，确认目标车辆所属的非机动车类型。采用本申请实施例能够对车辆类型进行精准识别。

Description

车辆类型识别方法及相关产品
技术领域
本申请涉及视频监控技术领域，具体涉及一种车辆类型识别方法及相关产品。
背景技术
随着经济、社会、文化的快速发展，国内外影响力的与日俱增，越来越多外来人口流向城市，这些人口增加在加快城市化进程的同时，也为城市管理带来更大的挑战，虽然，视频监控对城市安全提供了技术支持，目前来看，摄像头已经在城市中布局开来，摄像头可对城市的安全进行有效监控，以及为相关机构的安保提供有效帮助。但生活中，尤其是对车辆进行监控，如何实现对车辆进行精准识别的问题亟待解决。
发明内容
本申请实施例提供了一种车辆类型识别方法及相关产品，可以对车辆类型进行精准识别。
本申请实施例第一方面提供了一种车辆类型识别方法，包括：
获取至少一帧目标图像，每一帧目标图像中均包括目标车辆；
依据所述至少一帧目标图像识别所述目标车辆是否包括排气装置；
在所述目标车辆包括所述排气装置时，确定所述目标车辆为机动车；
在所述目标车辆不包括所述排气装置时，确定所述目标车辆的第一行驶速度；
在所述第一行驶速度处于预设速度范围时，依据所述至少一帧目标图像对所述目标车辆所在的区域进行特征提取，得到目标特征集；
将所述目标特征集输入到第一预设神经网络模型进行运算，得到目标概率值；
根据所述目标概率值处于第一目标取值范围，确认所述目标车辆所属的非机动车类型。
本申请实施例第二方面提供了一种车辆类型识别装置，包括：
获取单元，用于获取至少一帧目标图像，每一帧目标图像中均包括目标车辆；
识别单元，用于依据所述至少一帧目标图像识别所述目标车辆是否包括排气装置；
确定单元，用于在所述目标车辆包括所述排气装置时，确定所述目标车辆为机动车；以及在所述目标车辆不包括所述排气装置时，确定所述目标车辆的第一行驶速度；
提取单元，用于在所述第一行驶速度处于预设速度范围时，依据所述至少一帧目标图像对所述目标车辆所在的区域进行特征提取，得到目标特征集；
运算单元，用于将所述目标特征集输入到第一预设神经网络模型进行运算，得到目标概率值；
所述确定单元，还具体用于根据所述目标概率值处于第一目标取值范围，确认所述目标车辆所属的非机动车类型。
第三方面，本申请实施例提供一种电子设备，包括处理器、存储器、通信接口，以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行本申请实施例第一方面中的步骤的指令。
第四方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本申请实施例，具有如下有益效果：
可以看出，通过本申请实施例车辆类型识别方法及相关产品，获取至少一帧目标图像，每一帧目标图像中均包括目标车辆，依据至少一帧目标图像识别目标车辆是否包括排气装置，在目标车辆包括排气装置时，确定目标车辆为机动车，在目标车辆不包括排气装置时，确定目标车辆的第一行驶速度，在第一行驶速度处于预设速度范围时，依据至少一帧目标图像对目标车辆所在的区域进行特征提取，得到目标特征集，将目标特征集输入到第一预设神经网络模型进行运算，得到目标概率值，根据目标概率值处于第一目标取值范围，确认目标车辆所属的非机动车类型，首先，可以通过排气装置，实现机动车检测，在速度处于一定范围时，还可以通过神经网络模型，得到最终的车辆类型，如此，可以精准识别车型检测。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1A是本申请实施例提供的一种车辆类型识别方法的实施例流程示意图；
图1B是本申请实施例提供的场景演示示意图；
图2是本申请实施例提供的另一种车辆类型识别方法的实施例流程示意图；
图3A是本申请实施例提供的一种车辆类型识别装置的实施例结构示意图；
图3B是本申请实施例提供的另一种车辆类型识别装置的实施例结构示意图；
图4是本申请实施例提供的一种电子设备的实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请实施例所描述电子设备可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、掌上电脑、笔记本电脑、视频矩阵、监控平台、移动互联网设备(MID，Mobile Internet Devices)或穿戴式设备等，上述仅是举例，而非穷举，包含但不限于上述装置，当然，上述电子设备还可以为服务器。
需要说明的是，本申请实施例中的电子设备可与多个摄像头连接，每一摄像头均可用于抓拍视频图像，每一摄像头均可有一个与之对应的位置标记，或者，可有一个与之对应的编号。通常情况下，摄像头可设置户外，或者，公共场所，例如，郊区、偏远小路、国道、省道、高速公路、十字路口、车站、公交站台等等。摄像头在拍摄到视频图像后，可将该视频图像保存到电子设备所在系统的存储器。存储器中可存储有多个图像库，每一图像库可包含同一人的不同视频图像，当然，每一图像库还可以用于存储一个区域的视频图像或者某个指定摄像头拍摄的视频图像。
请参阅图1A，为本申请实施例提供的一种车辆类型识别方法的实施例流程示意图。本实施例中所描述的车辆类型识别方法，包括以下步骤：
101、获取至少一帧目标图像，每一帧目标图像中均包括目标车辆。
其中，目标车辆可以包括一辆车辆或者多辆车辆，目标车辆可以为以下至少一种：机动车辆或者非机动车辆，在此不作限定，目标图像可以仅包括目标车辆，或者，不仅可以包括目标车辆，还可以包括其他背景(如车辆、路面等等)。目标车辆还可以包括驾驶员，这种情况下，目标图像不仅包括车辆，还可以包括人脸图像，或者目标车辆可以为无人驾驶车辆，在此不作限定。电子设备可以包括至少一个拍摄装置，拍摄装置可以包括双摄像头，或者，可见光摄像头，或者，红外摄像头，双摄像头可以是两个都是可见光摄像头或者一个红外摄像头+一个可见光摄像头。拍摄装置可以为电子设备的一部分，或者，拍摄装置可以通过无线或者有线连接的方式与电子设备进行连接以及通信。
可选地，电子设备可以在第一时刻、预设位置进行拍摄，得到至少一帧目标图像，预设位置可以为机动车道或者非机动车道。
具体实现中，由于目标图像中不仅包括车辆，还包括其他背景区域，因此，可以对目标图像进行目标提取，得到仅包含目标车辆的图像，目标提取的方法可以为图像分割算法，例如基于最大熵的图像分割方法，基于图论的最大分割方法等等，在此不作限定。
可选地，上述步骤101，获取至少一帧目标图像，可包括如下步骤：
11、确定所述目标车辆与拍摄装置之间的第一距离；
12、在所述第一距离小于预设距离时，确定所述目标车辆对应的目标加速度值以及第二行驶速度；
13、按照预设的加速度值与拍摄时刻之间的映射关系，确定所述目标加速度值对应的目标拍摄时刻；
14、依据所述目标加速度值、所述第二行驶速度确定所述目标车辆在所述目标拍摄时刻时的第三行驶速度；
15、按照所述预设的行驶速度与拍摄参数之间的映射关系，确定所述第三行驶速度对应的目标拍摄参数；
16、在所述目标拍摄时刻达到时，以所述目标拍摄参数进行拍摄，得到所述至少一帧目标图像。
其中，本申请实施例中，拍摄参数可以为以下至少一种：感光度ISO、光圈大小、曝光时长、焦距等等，在此不做限定。上述预设距离可以由用户自行设置或者系统默认，拍摄装置可以为双摄像头、可见光摄像头或者红外摄像头，在此不作限定。具体实现中，电子设备可以确定目标车辆与拍摄装置之间的第一距离，在第一距离小于预设距离时，可以确定目标车辆对应的目标加速度值以及第二行驶速度，电子设备中还可以预先存储预设的加速度值与拍摄时刻之间的映射关系，进而，依据该映射关系确定目标加速度值对应的目标拍摄时刻，进一步地，可以确定目标加速度值、第二行驶速度确定目标车辆在目标拍摄时刻时的第三行驶速度，第三行驶速度＝第二行驶速度+目标加速度值*目标拍摄时刻，进而，按照预设的行驶速度与拍摄参数之间的映射关系，确定第三行驶速度对应的目标拍摄参数，并在目标拍摄时刻达到时，以目标拍摄参数进行拍摄，得到目标图像，如此，不仅可以精准把握车辆的行驶速度，以及推测出车辆的合理拍摄时机，并在拍摄时机到达时，以该时刻行驶速度对应的拍摄参数进行拍摄，得到的图像更加清晰。
102、依据所述至少一帧目标图像识别所述目标车辆是否包括排气装置。
其中，通常情况下，机动车辆具备明显的特征，即具备排气装置，在车辆具备排气装置的情况下，则车辆为机动车辆。
具体实现中，至少一帧目标图像可以包括目标车辆的背面图像或者侧面图像，可以对背面图像或者侧面图像进行特征提取，若提取到排气装置的图像，则目标车辆为机动车，否则为非机动车。
可选地，上述步骤102，依据所述至少一帧目标图像识别所述目标车辆是否包括排气装置，包括：
21、从所述至少一帧目标图像中获取所述目标车辆的背面图像；
22、从所述背面图像中提取所述目标车辆对应的预设区域的背景区域图像；
23、对所述背景区域图像进行模糊检测，得到模糊度；
24、在所述模糊度处于预设模糊度范围时，确认所述目标车辆包括排气装置。
其中，上述预设模糊范围可以由用户自行设置或者系统默认。具体实现中，可以从至少一帧目标图像中获取目标车辆的背面图像，再从背面图像中提取目标车辆对应的预设区域的背景区域图像，可以通过拉普拉斯变换对背景区域图像进行模糊检测，得到模糊度，在模糊度处于预设模糊范围时，则可以确认目标车辆包括排气装置，否则，则说明目标车辆不包括排气装置，如此，能够通过车辆的背面图像实现排气装置，即若具备排气装置，必然会排出气体，通过检测气体，最终实现排气装置检测。
103、在所述目标车辆包括所述排气装置时，确定所述目标车辆为机动车。
其中，在目标车辆包括排气装置时，在可以确定目标车辆为机动车，否则，则说明有可能未检测到排气装置，或者，也有可能目标车辆为非机动车辆。
104、在所述目标车辆不包括所述排气装置时，确定所述目标车辆的第一行驶速度。
其中，目标车辆不包括排气装置时，可以确定目标车辆的以行驶速度，如：通过双摄像头可以确定目标车辆的第一行驶速度，或者，可以通过测距传感器确定目标车辆的第一行驶速度。
可选地，所述至少一帧目标图像为两帧相邻的目标图像，上述步骤104，确定所述目标车辆的第一行驶速度，可包括如下步骤：
41、依据每预设帧数内的所述目标图像，确定所述目标车辆的位置以及拍摄时间点；
42、依据所述目标车辆的位置以及所述拍摄点时间点，确定所述目标车辆对应的时空轨迹信息；
43、依据所述时空轨迹信息确定所述目标车辆的第一行驶速度。
其中，上述预设帧数可以由用户自行设置或者系统默认，例如，预设帧数可以为经验值，例如，24帧，由于车辆是运动的，因此，在每时每刻车辆的位置都在变化，实际拍摄过程中，也是对车辆连续跟踪，因此，至少一帧目标图像中可以包括两帧相邻的目标图像，每一目标图像均包括目标车辆，目标车辆的位置都在变化，因此，可以确定目标车辆的位置以及拍摄时间点，进而，可以得到目标车辆对应的时空轨迹信息，即哪个时刻在哪个位置，均可以模拟出来，依据时空轨迹信息可以确定目标车辆的以行驶速度，如图1B所示，图1B中目标车辆可以在第一位置、第一拍摄时间点进行拍摄，并记录，以及第二位置、第二拍摄点进行拍摄，并记录，确定第二位置与第一位置之间的距离，以及第二拍摄时间点与第一拍摄时间点之间的时间差，依据距离和时间差可以得到目标车辆的行驶速度。
105、在所述第一行驶速度处于预设速度范围时，依据所述至少一帧目标图像对所述目标车辆所在的区域进行特征提取，得到目标特征集。
其中，上述预设速度范围可以由用户自行设置或者系统默认。具体实现中，在第一行驶速度低于预设速度范围时，则可以依据至少一帧目标图像对目标车辆所在的区域进行特征提取，得到目标特征集，目标特征集可以包括以下至少一种：特征点、轮廓等等，在此不作限定。特征提取可以为轮廓提取或者特征点提取，轮廓提取的算法可以为以下至少一种：霍夫变换、canny算子等等，在此不做限定，特征点提取的算法可以为以下至少一种：Harris角点、尺度不变特征提取变换(scale invariant feature transform，SIFT)等等，在此不做限定。当然，在第一行驶速度超过预设速度范围时，则可以确认目标车辆为机动车。
106、将所述目标特征集输入到第一预设神经网络模型进行运算，得到目标概率值。
其中，第一预设神经网络模型可以由用户自行设置或者系统默认。具体实现中，可以将目标特征集输入到第一预设神经网络模型进行运算，得到目标概率值，目标概率值在一定程度上反映了目标车辆为非机动车的概率，会根据所述目标车辆所处的环境和行驶速度呈现出预设规律的变动。第一预设神经网络模型可以为以下至少一种：卷积神经网络模型、支持向量机、金字塔算法、HOG算法、Adaboost分类器等等，在此不作限定。第一预设神经网络模型可以视作一个分类器，将特征集输入到该第一预设神经网络模型中，可以得到一个概率值，按照预设的概率值与类型之间的映射关系，可以得到概率值对应的具体类型。
可选地，步骤107，根据所述目标概率值处于第一目标取值范围，确认所述目标车辆所属的非机动车类型之前，还可以包括如下步骤：
A1、将所述至少一帧目标图像输入到第二预设神经网络模型，得到目标环境参数；
A2、按照预设的环境参数与取值范围之间的映射关系，确定所述目标环境参数对应的所述第一目标取值范围。
其中，第二预设神经网络模型可以由用户自行设置或者系统默认。上述目标环境参数可以为以下至少一种：地形(坡度(上坡、下坡)、左转弯、右转弯、转盘、盘山道等)、人群密度、车辆密度、天气、地面情况(积水、结冰、坑洼等)、环境亮度等等。第二预设神经网络模型可以为以下至少一种：卷积神经网络模型、支持向量机、金字塔算法、HOG算法、Adaboost分类器等等，在此不作限定。第二预设神经网络模型可以视作一个特征提取装置，将图像输入，可以得到相应特征。电子设备中还可以预先存储预设的环境参数与取值范围之间的映射关系，具体实现中，电子设备可以将至少一帧目标图像输入到第二预设神经网络模型，得到目标环境参数，进而，依据预设的环境参数与取值范围之间的映射关系，确定目标环境参数对应的第一目标取值范围，如此，可以得到与环境相宜的检测阈值，实现对车辆类型动态检测，有助于提升检测精度。
107、根据所述目标概率值处于第一目标取值范围，确认所述目标车辆所属的非机动车类型。
其中，第一目标取值范围可以由用户自行设置或者系统默认。具体实现中，在目标概率值处于第一目标取值范围时，则确认目标车辆为非机动车，否则，确认目标车辆为机动车。非机动车类型可以为以下至少一种：电动车、自行车、平衡车、脚踏车、三轮车等等，在此不作限定。当然，第一目标取值范围可以为一个大的范围，即目标概率值处于该第一目标取值范围，则认为目标车辆为非机动车，还可以进一步划分，例如，第一目标取值范围中的某一具体范围，车辆类型为自行车，当然，也可以预先设置概率值与车辆类型之间的映射关系，依据该映射关系确定目标概率值对应的目标车辆所属的具体的非机动车类型。
可选地，上述步骤107之后，还可以包括如下步骤：
B1、将所述目标特征集输入到第三预设神经网络模型进行运算，得到匹配成功的P张车辆图像，每一目标车辆图像对应一个类别标识，所述第三预设神经网络模型中包括车型数据库，该车型数据库中包括Q张车辆图像，该Q张车辆图像包括以下至少两类图像：摩托车图像、电动车图像和自行车图像；
B2、依据类别标识对所述P张车辆图像进行分类，并将数量最多的类别的类别标识作为所述目标车辆的车辆类型。
其中，第三预设神经网络模型可以由用户自行设置或者系统默认，第三预设神经网络模型可以为以下至少一种：卷积神经网络模型、支持向量机、金字塔算法、HOG算法、Adaboost分类器等等，在此不作限定。第三预设神经网络模型可以视作一个分类器，将特征集输入到该第三预设神经网络模型中，第三预设神经网络模型可以用于实现特征匹配。第三预设神经网络模型可以与上述第一预设神经网络模型、第二预设神经网络模型相同或者不同，
第三预设神经网络模型中包括车型数据库，该车型数据库中包括Q张车辆图像，该Q张车辆图像包括以下至少两类图像：摩托车图像、电动车图像和自行车图像。具体实现中，可以将目标特征集输入到第三预设神经网络模型进行运算，得到匹配成功的P张车辆图像，每一目标车辆图像对应一个类别标识，依据类别标识对P张车辆图像进行分类，并将数量最多的类别的类别标识作为目标车辆的车辆类型，如此，可以精准识别出车辆的车型。例如，可以在车型数据库中匹配到的100张车辆图像，类别标识为摩托车、电动车和自行车的数量分别为50、40、10，进而，可以将摩托车作为该车的车辆类型。
可以看出，通过本申请实施例车辆类型识别方法，获取至少一帧目标图像，每一帧目标图像中均包括目标车辆，依据至少一帧目标图像识别目标车辆是否包括排气装置，在目标车辆包括排气装置时，确定目标车辆为机动车，在目标车辆不包括排气装置时，确定目标车辆的第一行驶速度，在第一行驶速度处于预设速度范围时，依据至少一帧目标图像对目标车辆所在的区域进行特征提取，得到目标特征集，将目标特征集输入到第一预设神经网络模型进行运算，得到目标概率值，根据目标概率值处于第一目标取值范围，确认目标车辆所属的非机动车类型，首先，可以通过排气装置，实现机动车检测，在速度处于一定范围时，还可以通过神经网络模型，得到最终的车辆类型，如此，可以精准识别车型检测。
与上述一致地，请参阅图2，为本申请实施例提供的一种车辆类型识别方法的实施例流程示意图。本实施例中所描述的车辆类型识别方法，包括以下步骤：
201、获取至少一帧目标图像，每一帧目标图像中均包括目标车辆。
202、依据所述至少一帧目标图像识别所述目标车辆是否包括排气装置。
203、在所述目标车辆包括所述排气装置时，确定所述目标车辆为机动车。
204、在所述目标车辆不包括所述排气装置时，确定所述目标车辆的第一行驶速度。
205、在所述第一行驶速度处于预设速度范围时，依据所述至少一帧目标图像对所述目标车辆所在的区域进行特征提取，得到目标特征集。
206、将所述目标特征集输入到第一预设神经网络模型进行运算，得到目标概率值。
207、根据所述目标概率值处于第一目标取值范围，确认所述目标车辆所属的非机动车类型。
208、对所述至少一帧目标图像进行字符识别，得到至少一个字符串，所述至少一帧目标图像中的字符不仅包括车牌，还包括车身外观的字符。
209、将所述至少一个字符串与预设字符串进行匹配，得到至少一个匹配值，所述预设字符串为数据库中的任一字符串。
210、确定所述至少一个匹配值的匹配均值。
211、在所述匹配均值处于第二目标取值范围时，将所述预设字符串对应的车辆标识信息作为所述目标车辆对应的车辆标识信息。
其中，上述步骤201-步骤211所描述的车辆类型识别方法可参考图1A所描述的车辆类型识别方法的对应步骤。
其中，至少一帧目标图像中的字符不仅包括车牌，还可以包括车身外观中的字符，数据库中可以存储多个字符串，字符串可以为以下至少一种：车辆型号、车辆牌照、车辆的生产商标识、车辆的生产日期等等，在此不作限定。上述第二目标取值范围可以由用户自行设置或者系统默认。车辆标识信息可以为以下至少一种：车辆型号、车辆类型、车辆的生产商、车辆品牌、车辆的生产日期、车辆的产地、车辆的维修记录等等，在此不作限定。电子设备中可以预先存储预设字符串对应的车辆标识信息。具体实现中，可以对至少一帧目标图像进行字符识别，得到至少一个字符串，将该至少一个字符串与预设字符串进行匹配，得到至少一个匹配值，预设字符串为数据库中的任一字符串，确定该至少一个匹配值对应的匹配均值，在该匹配均值处于第二目标取值范围时，将预设字符串对应的车辆标识信息作为目标车辆对应的车辆标识信息，如此，可以依据车辆的外观上的字符，识别出车辆的车辆识别信息，提升了车辆识别精度，也可以精准实现车辆类型。
可以看出，通过本申请实施例车辆类型识别方法，不仅可以首先通过排气装置，实现机动车检测，在速度处于一定范围时，还可以通过神经网络模型，得到最终的车辆类型，如此，可以精准识别车型检测，还可以通过车辆上面的字符识别出其具体的车辆标识信息，实现了精准且全面了解车辆信息的目的。
与上述一致地，以下为实施上述车辆类型识别方法的装置，具体如下：
请参阅图3A，为本申请实施例提供的一种图像处理装置的实施例结构示意图。本实施例中所描述的图像处理装置，包括：获取单元301、提取单元302、划分单元303、确定单元304、拍摄单元305和图像融合单元306，具体如下：
获取单元301，用于获取至少一帧目标图像，每一帧目标图像中均包括目标车辆；
识别单元302，用于依据所述至少一帧目标图像识别所述目标车辆是否包括排气装置；
确定单元303，用于在所述目标车辆包括所述排气装置时，确定所述目标车辆为机动车；以及在所述目标车辆不包括所述排气装置时，确定所述目标车辆的第一行驶速度；
提取单元304，用于在所述第一行驶速度处于预设速度范围时，依据所述至少一帧目标图像对所述目标车辆所在的区域进行特征提取，得到目标特征集；
运算单元305，用于将所述目标特征集输入到第一预设神经网络模型进行运算，得到目标概率值；
所述确定单元303，还具体用于根据所述目标概率值处于第一目标取值范围，确认所述目标车辆所属的非机动车类型。
可以看出，通过本申请实施例车辆类型识别装置，获取至少一帧目标图像，每一帧目标图像中均包括目标车辆，依据至少一帧目标图像识别目标车辆是否包括排气装置，在目标车辆包括排气装置时，确定目标车辆为机动车，在目标车辆不包括排气装置时，确定目标车辆的第一行驶速度，在第一行驶速度处于预设速度范围时，依据至少一帧目标图像对目标车辆所在的区域进行特征提取，得到目标特征集，将目标特征集输入到第一预设神经网络模型进行运算，得到目标概率值，根据目标概率值处于第一目标取值范围，确认目标车辆所属的非机动车类型，首先，可以通过排气装置，实现机动车检测，在速度处于一定范围时，还可以通过神经网络模型，得到最终的车辆类型，如此，可以精准识别车型检测。
可选地，所述确定单元303还具体用于：
将所述至少一帧目标图像输入到第二预设神经网络模型，得到目标环境参数；以及按照预设的环境参数与取值范围之间的映射关系，确定所述目标环境参数对应的所述第一目标取值范围。
可选地，所述至少一帧目标图像为两帧相邻的目标图像，在所述确定所述目标车辆的第一行驶速度方面，所述确定单元303具体用于：
依据每预设帧数内的所述目标图像，确定所述目标车辆的位置以及拍摄时间点；
依据所述目标车辆的位置以及所述拍摄时间点，确定所述目标车辆对应的时空轨迹信息；
依据所述时空轨迹信息确定所述目标车辆的第一行驶速度。
可以理解的是，本实施例的图像处理装置的各程序模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
可选地，在所述获取至少一帧目标图像方面，所述获取单元具体用于：
确定所述目标车辆与拍摄装置之间的第一距离；
在所述第一距离小于预设距离时，确定所述目标车辆对应的目标加速度值以及第二行驶速度；
按照预设的加速度值与拍摄时刻之间的映射关系，确定所述目标加速度值对应的目标拍摄时刻；
依据所述目标加速度值、所述第二行驶速度确定所述目标车辆在所述目标拍摄时刻时的第三行驶速度；
按照所述预设的行驶速度与拍摄参数之间的映射关系，确定所述第三行驶速度对应的目标拍摄参数；
在所述目标拍摄时刻达到时，以所述目标拍摄参数进行拍摄，得到所述至少一帧目标图像。
可选地，如图3B所示，图3B为图3A所描述的车辆类型识别装置的又一变型结构，其与图3A相比较，还可以包括：匹配单元306，具体如下：
所述识别单元302，还具体用于对所述至少一帧目标图像进行字符识别，得到至少一个字符串，所述至少一帧目标图像中的字符不仅包括车牌，还包括车身外观的字符；
所述匹配单元306，用于将所述至少一个字符串与预设字符串进行匹配，得到至少一个匹配值，所述预设字符串为数据库中的任一字符串；
所述确定单元303还具体用于：确定所述至少一个匹配值的匹配均值；以及在所述匹配均值处于第二目标取值范围时，将所述预设字符串对应的车辆标识信息作为所述目标车辆对应的车辆标识信息。
与上述一致地，请参阅图4，为本申请实施例提供的一种电子设备的实施例结构示意图。本实施例中所描述的电子设备，包括：至少一个输入设备1000；至少一个输出设备2000；至少一个处理器3000，例如CPU；和存储器4000，上述输入设备1000、输出设备2000、处理器3000和存储器4000通过总线5000连接。
其中，上述输入设备1000具体可为触控面板、物理按键或者鼠标。
上述输出设备2000具体可为显示屏。
上述存储器4000可以是高速RAM存储器，也可为非易失存储器(non-volatilememory)，例如磁盘存储器。上述存储器4000用于存储一组程序代码，上述输入设备1000、输出设备2000和处理器3000用于调用存储器4000中存储的程序代码，执行如下操作：
上述处理器3000，用于：
获取至少一帧目标图像，每一帧目标图像中均包括目标车辆；
依据所述至少一帧目标图像识别所述目标车辆是否包括排气装置；
在所述目标车辆包括所述排气装置时，确定所述目标车辆为机动车；
在所述目标车辆不包括所述排气装置时，确定所述目标车辆的第一行驶速度；
在所述第一行驶速度处于预设速度范围时，依据所述至少一帧目标图像对所述目标车辆所在的区域进行特征提取，得到目标特征集；
将所述目标特征集输入到第一预设神经网络模型进行运算，得到目标概率值；
根据所述目标概率值处于第一目标取值范围，确认所述目标车辆所属的非机动车类型。
可以看出，通过本申请实施例电子设备，获取至少一帧目标图像，每一帧目标图像中均包括目标车辆，依据至少一帧目标图像识别目标车辆是否包括排气装置，在目标车辆包括排气装置时，确定目标车辆为机动车，在目标车辆不包括排气装置时，确定目标车辆的第一行驶速度，在第一行驶速度处于预设速度范围时，依据至少一帧目标图像对目标车辆所在的区域进行特征提取，得到目标特征集，将目标特征集输入到第一预设神经网络模型进行运算，得到目标概率值，根据目标概率值处于第一目标取值范围，确认目标车辆所属的非机动车类型，首先，可以通过排气装置，实现机动车检测，依据速度，进一步区分机动车和非机动车，在速度缓和时，还可以通过神经网络模型，得到最终的车辆实现，如此，可以精准识别车型检测。
可选地，所述根据所述目标概率值处于第一目标取值范围，确认所述目标车辆所属的非机动车类型之前，上述处理器3000还具体用于：
将所述至少一帧目标图像输入到第二预设神经网络模型，得到目标环境参数；
按照预设的环境参数与取值范围之间的映射关系，确定所述目标环境参数对应的所述第一目标取值范围。
可选地，所述至少一帧目标图像为两帧相邻的目标图像，在所述确定所述目标车辆的第一行驶速度方面，上述处理器3000具体用于：
依据每预设帧数内的所述目标图像，确定所述目标车辆的位置以及拍摄时间点；
依据所述目标车辆的位置以及所述拍摄时间点，确定所述目标车辆对应的时空轨迹信息；
依据所述时空轨迹信息确定所述目标车辆的第一行驶速度。
可选地，在所述获取至少一帧目标图像方面，上述处理器3000具体用于：
确定所述目标车辆与拍摄装置之间的第一距离；
在所述第一距离小于预设距离时，确定所述目标车辆对应的目标加速度值以及第二行驶速度；
按照预设的加速度值与拍摄时刻之间的映射关系，确定所述目标加速度值对应的目标拍摄时刻；
依据所述目标加速度值、所述第二行驶速度确定所述目标车辆在所述目标拍摄时刻时的第三行驶速度；
按照所述预设的行驶速度与拍摄参数之间的映射关系，确定所述第三行驶速度对应的目标拍摄参数；
在所述目标拍摄时刻达到时，以所述目标拍摄参数进行拍摄，得到所述至少一帧目标图像。
可选地，上述处理器3000还具体用于：
对所述至少一帧目标图像进行字符识别，得到至少一个字符串，所述至少一帧目标图像中的字符不仅包括车牌，还包括车身外观的字符；
将所述至少一个字符串与预设字符串进行匹配，得到至少一个匹配值，所述预设字符串为数据库中的任一字符串；
确定所述至少一个匹配值的匹配均值；
在所述匹配均值处于第二目标取值范围时，将所述预设字符串对应的车辆标识信息作为所述目标车辆对应的车辆标识信息。
本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何一种车辆类型识别方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例上述任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
本领域技术人员应明白，本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机程序存储/分布在合适的介质中，与其它硬件一起提供或作为硬件的一部分，也可以采用其他分布形式，如通过Internet或其它有线或无线电信系统。
本申请是参照本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (9)

1.一种车辆类型识别方法，其特征在于，包括：
获取至少一帧目标图像，每一帧目标图像中均包括目标车辆；
依据所述至少一帧目标图像识别所述目标车辆是否包括排气装置；
在所述目标车辆包括所述排气装置时，确定所述目标车辆为机动车；
在所述目标车辆不包括所述排气装置时，确定所述目标车辆的第一行驶速度；
在所述第一行驶速度处于预设速度范围时，依据所述至少一帧目标图像对所述目标车辆所在的区域进行特征提取，得到目标特征集；
将所述目标特征集输入到第一预设神经网络模型进行运算，得到目标概率值；
根据所述目标概率值处于第一目标取值范围，确认所述目标车辆为非机动车；
其中，所述依据所述至少一帧目标图像识别所述目标车辆是否包括排气装置包括：
从所述至少一帧目标图像中获取所述目标车辆的背面图像；
从所述背面图像中提取所述目标车辆对应的预设区域的背景区域图像；
对所述背景区域图像进行模糊检测，得到模糊度；
在所述模糊度处于预设模糊度范围时，确认所述目标车辆包括排气装置。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标概率值处于第一目标取值范围，确认所述目标车辆为非机动车之前，所述方法还包括：
将所述至少一帧目标图像输入到第二预设神经网络模型，得到目标环境参数；
按照预设的环境参数与取值范围之间的映射关系，确定所述目标环境参数对应的所述第一目标取值范围。
3.根据权利要求1或2所述的方法，其特征在于，所述至少一帧目标图像为两帧相邻的目标图像，所述确定所述目标车辆的第一行驶速度，包括：
依据每预设帧数内的所述目标图像，确定所述目标车辆的位置以及拍摄时间点；
依据所述目标车辆的位置以及所述拍摄时间点，确定所述目标车辆对应的时空轨迹信息；
依据所述时空轨迹信息确定所述目标车辆的第一行驶速度。
4.根据权利要求3所述的方法，其特征在于，所述获取至少一帧目标图像，包括：
确定所述目标车辆与拍摄装置之间的第一距离；
在所述第一距离小于预设距离时，确定所述目标车辆对应的目标加速度值以及第二行驶速度；
按照预设的加速度值与拍摄时刻之间的映射关系，确定所述目标加速度值对应的目标拍摄时刻；
依据所述目标加速度值、所述第二行驶速度确定所述目标车辆在所述目标拍摄时刻时的第三行驶速度；
按照所述预设的行驶速度与拍摄参数之间的映射关系，确定所述第三行驶速度对应的目标拍摄参数；
在所述目标拍摄时刻达到时，以所述目标拍摄参数进行拍摄，得到所述至少一帧目标图像。
5.一种车辆类型识别装置，其特征在于，包括：获取单元，用于获取至少一帧目标图像，每一帧目标图像中均包括目标车辆；
识别单元，用于依据所述至少一帧目标图像识别所述目标车辆是否包括排气装置；
确定单元，用于在所述目标车辆包括所述排气装置时，确定所述目标车辆为机动车；以及在所述目标车辆不包括所述排气装置时，确定所述目标车辆的第一行驶速度；
提取单元，用于在所述第一行驶速度处于预设速度范围时，依据所述至少一帧目标图像对所述目标车辆所在的区域进行特征提取，得到目标特征集；
运算单元，用于将所述目标特征集输入到第一预设神经网络模型进行运算，得到目标概率值；
所述确定单元，还用于根据所述目标概率值处于第一目标取值范围，确认所述目标车辆为非机动车；
其中，所述依据所述至少一帧目标图像识别所述目标车辆是否包括排气装置包括：
从所述至少一帧目标图像中获取所述目标车辆的背面图像；
从所述背面图像中提取所述目标车辆对应的预设区域的背景区域图像；
对所述背景区域图像进行模糊检测，得到模糊度；
在所述模糊度处于预设模糊度范围时，确认所述目标车辆包括排气装置。
6.根据权利要求5所述的装置，其特征在于，所述确定单元还具体用于：
将所述至少一帧目标图像输入到第二预设神经网络模型，得到目标环境参数；以及按照预设的环境参数与取值范围之间的映射关系，确定所述目标环境参数对应的所述第一目标取值范围。
7.根据权利要求5或6所述的装置，其特征在于，所述至少一帧目标图像为两帧相邻的目标图像，在所述确定所述目标车辆的第一行驶速度方面，所述确定单元具体用于：
依据每预设帧数内的所述目标图像，确定所述目标车辆的位置以及拍摄时间点；
依据所述目标车辆的位置以及所述拍摄时间点，确定所述目标车辆对应的时空轨迹信息；
依据所述时空轨迹信息确定所述目标车辆的第一行驶速度。
8.一种电子设备，其特征在于，包括处理器、存储器，所述存储器用于存储一个或多个程序，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1-4任一项所述的方法中的步骤的指令。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-4任一项所述的方法。
CN201910303487.3A 2019-04-16 2019-04-16 车辆类型识别方法及相关产品 Active CN110147731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910303487.3A CN110147731B (zh) 2019-04-16 2019-04-16 车辆类型识别方法及相关产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910303487.3A CN110147731B (zh) 2019-04-16 2019-04-16 车辆类型识别方法及相关产品

Publications (2)

Publication Number Publication Date
CN110147731A CN110147731A (zh) 2019-08-20
CN110147731B true CN110147731B (zh) 2021-09-14

Family

ID=67589833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910303487.3A Active CN110147731B (zh) 2019-04-16 2019-04-16 车辆类型识别方法及相关产品

Country Status (1)

Country Link
CN (1) CN110147731B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598687A (zh) * 2019-09-18 2019-12-20 上海眼控科技股份有限公司 车辆识别码的检测方法、装置及计算机设备
CN113129597B (zh) * 2019-12-31 2022-06-21 深圳云天励飞技术有限公司 一种机动车道违法车辆识别方法及装置
CN112927117B (zh) * 2021-03-22 2022-08-23 上海京知信息科技有限公司 基于区块链的车辆管理通信方法、管理系统、设备及介质
CN113537167B (zh) * 2021-09-15 2021-12-03 成都数联云算科技有限公司 一种车辆外观识别方法及系统及装置及介质
CN117351774A (zh) * 2023-09-27 2024-01-05 昆明理工大学 一种基于自动驾驶车辆的机非碰撞预警系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105424598A (zh) * 2014-11-29 2016-03-23 巫立斌 一种基于图像识别的机动车尾气检测方法
CN108437837A (zh) * 2018-04-27 2018-08-24 安徽科创新能源科技有限责任公司 充电桩充电车位的管理系统及方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2082863A1 (en) * 2008-01-22 2009-07-29 Inergy Automotive Systems Research (SA) Method for detecting defects in a plastic fuel tank by radiography
CN102737247B (zh) * 2012-07-04 2014-08-13 中国科学技术大学 一种柴油车尾气烟度图像识别系统
CN104282150B (zh) * 2014-09-29 2017-01-11 北京数字智通科技有限公司 运动目标的识别装置及系统
CN107437835A (zh) * 2016-02-04 2017-12-05 魏芳 基于gps定位检测的一体化充电桩
CN106203330A (zh) * 2016-07-08 2016-12-07 西安理工大学 一种基于卷积神经网络的车辆分类方法
CN107590486B (zh) * 2017-10-11 2020-06-19 广州杰赛科技股份有限公司 运动目标识别方法和系统、自行车流量统计方法和设备
CN108021879A (zh) * 2017-11-30 2018-05-11 天津天地基业科技有限公司 一种基于视频图像的交通车辆类型识别方法
CN109272175A (zh) * 2018-11-15 2019-01-25 山东管理学院 一种基于城市流动网络的数据采集系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105424598A (zh) * 2014-11-29 2016-03-23 巫立斌 一种基于图像识别的机动车尾气检测方法
CN108437837A (zh) * 2018-04-27 2018-08-24 安徽科创新能源科技有限责任公司 充电桩充电车位的管理系统及方法

Also Published As

Publication number Publication date
CN110147731A (zh) 2019-08-20

Similar Documents

Publication Publication Date Title
CN110147731B (zh) 车辆类型识别方法及相关产品
US11042155B2 (en) Method and system for closed loop perception in autonomous driving vehicles
CN107944450B (zh) 一种车牌识别方法及装置
CN109740415B (zh) 车辆属性识别方法及相关产品
CN109740420B (zh) 车辆违法识别方法及相关产品
CN110869936A (zh) 用于自动驾驶车辆中的分布式学习与适应的方法和系统
US20190122059A1 (en) Signal light detection
CN110753953A (zh) 用于自动驾驶车辆中经由交叉模态验证的以物体为中心的立体视觉的方法和系统
CN109800682B (zh) 驾驶员属性识别方法及相关产品
CN108268867B (zh) 一种车牌定位方法及装置
CN110136091B (zh) 图像处理方法及相关产品
CN112417953A (zh) 道路状况检测和地图数据更新方法、装置、系统及设备
JP2016062610A (ja) 特徴モデル生成方法及び特徴モデル生成装置
CN110348463B (zh) 用于识别车辆的方法和装置
CN114155284A (zh) 基于多目标行人场景的行人跟踪方法、装置、设备及介质
CN111931683B (zh) 图像识别方法、装置及计算机可读存储介质
CN110245563A (zh) 改装车识别方法及相关产品
CN112434566A (zh) 客流统计方法、装置、电子设备及存储介质
CN109670003A (zh) 电子地图停车场更新方法、装置及设备
Yebes et al. Learning to automatically catch potholes in worldwide road scene images
CN113971821A (zh) 驾驶员信息确定方法、装置、终端设备及存储介质
CN112307989A (zh) 路面物体识别方法、装置、计算机设备和存储介质
CN111178181B (zh) 交通场景分割方法及相关装置
CN112860821A (zh) 人车轨迹分析方法及相关产品
CN113674307B (zh) 一种目标检测跟踪方法、装置及设备

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