CN110472571A - 一种车距确定方法、装置和车辆 - Google Patents

一种车距确定方法、装置和车辆 Download PDF

Info

Publication number
CN110472571A
CN110472571A CN201910749604.9A CN201910749604A CN110472571A CN 110472571 A CN110472571 A CN 110472571A CN 201910749604 A CN201910749604 A CN 201910749604A CN 110472571 A CN110472571 A CN 110472571A
Authority
CN
China
Prior art keywords
vehicle
detection model
image
information
candidate
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
CN201910749604.9A
Other languages
English (en)
Inventor
张欣
郭彦东
王若琪
史海龙
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.)
Guangzhou Xiaopeng Motors Technology Co Ltd
Original Assignee
Guangzhou Xiaopeng Motors 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 Xiaopeng Motors Technology Co Ltd filed Critical Guangzhou Xiaopeng Motors Technology Co Ltd
Priority to CN201910749604.9A priority Critical patent/CN110472571A/zh
Publication of CN110472571A publication Critical patent/CN110472571A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • 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
    • G06V2201/07—Target detection
    • 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

Abstract

本发明实施例提供了一种车距确定方法、装置和车辆，其中，所述的方法包括：确定第一车辆前方存在第二车辆的情况下，获取所述第二车辆的第一图像；依据所述第一图像和目标车辆检测模型，确定所述第二车辆对应的车辆成像宽度；依据所述第一图像和目标车系检测模型，确定所述第二车辆对应的车系信息；依据所述车系信息，确定所述第二车辆对应的车辆实体宽度；依据所述第二车辆的车辆成像宽度和车辆实体宽度，利用针孔相机模型的成像原理计算所述第一车辆与第二车辆的距离；进而能够检测出准确的车距。且相对于现有技术而言，本发明实施例通过无需相机进行内外参数标定建立测量坐标基准系，计算简单。

Description

一种车距确定方法、装置和车辆
技术领域
本发明涉及汽车技术领域，特别是涉及一种车距确定方法、装置和车辆。
背景技术
行车过程中，往往由于后车与前车间距小于最小安全间距和驾驶员反应迟缓或制动系统性能不良导致追尾，即同车道行驶的车辆尾随而行时，后车车头与前车车尾相撞的行为。因此正确的判断车距，是有效避免追尾的方法之一。
目前市场上存在多种测距传感器，如超声波测距传感器、激光测距传感器、红外线测距传感器、雷达传感器、视觉传感器等。其中，采用超声波测量传感器进行声波测距受外界温度影响较大；采用雷达传感器进行雷达测距会受其他雷达装置以及通信设备等电磁波干扰，测量精度难以保证；采用激光测距传感器进行激光测距虽然精度较高，但当前方车辆较远时可能会造成目标丢失；且这四种传感器均成本较高。而视觉传感器成本低，所得信息量最大，因此大量车辆上采用视觉传感器进行测距方法。
其中，由于单目视觉传感器的结构简单、成本低等因素，单目视觉传感器被广泛应用。现有基于单目视觉测距的方法是，对摄像机进行内外参数标定，建立测量坐标基准系，采用对应点标定法来获取图像的深度信息，然后求得物体的距离。其中，对应点标定法是指通过不同坐标系中对应点的对应坐标求解坐标系的转换关系，由于器材限制，无法做到精确的记录一个点在世界坐标系和图像坐标系中的对应坐标，如果坐标不够精确，那么得到的转换矩阵也会受到制约，坐标转换结果的精度也会因此波动，给车距测量带来误差。此外，由于对应点标定法对于摄像机的标定是在摄像机的各个角度及高度已经确定的情况下进行的，当摄像机的参数发生变化时，都要重新进行标定；车辆在行驶过程中摄像机的高度和角度均会发生瞬时的变化，如果得不到修正，也会给车距测量带来误差。
发明内容
本发明实施例提供一种车距确定方法，以提高确定车距的准确性。
相应的，本发明实施例还提供了一种车距确定装置和车辆，用以保证上述方法的实现及应用。
为了解决上述问题，本发明实施例公开了一种车距确定方法，具体包括：确定第一车辆前方存在第二车辆的情况下，获取所述第二车辆的第一图像；依据所述第一图像和目标车辆检测模型，确定所述第二车辆对应的车辆成像宽度；依据所述第一图像和目标车系检测模型，确定所述第二车辆对应的车系信息；依据所述车系信息，确定所述第二车辆对应的车辆实体宽度；依据所述第二车辆的车辆成像宽度和车辆实体宽度，利用针孔相机模型的成像原理计算所述第一车辆与第二车辆的距离。
可选地，所述依据所述第一图像和目标车辆检测模型，确定所述第二车辆对应的车辆成像宽度，包括：将所述第一图像输入至目标车辆检测模型中，得到所述车辆检测模型输出的多个车辆方位信息集合，一个车辆方位信息集合包括所述第一图像中第二车辆边界框的坐标信息和多个车辆朝向概率；依据所述多个车辆方位信息集合，确定所述第二车辆对应的车辆成像宽度。
可选地，所述依据多个车辆方位信息集合，确定所述第二车辆对应的车辆成像宽度，包括：针对一个车辆方位信息集合，判断所述车辆方位信息集合的多个车辆朝向概率中，正前方朝向概率是否最大；若所述车辆方位信息集合的多个车辆朝向概率中，正前方朝向概率最大，则将所述车辆方位信息集合确定为候选车辆方位集合；依据各候选车辆方法集合中的坐标信息，计算对应的车辆成像宽度；将最大的车辆成像宽度确定为第二车辆对应的车辆成像宽度。
可选地，所述的方法还包括生成所述目标车辆检测模型的步骤：获取图像数据，所述图像数据依据包含车辆的图像和所述图像中车辆的参考车辆方位信息集合生成，所述参考车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；采用所述训练样本对预置的初始车辆检测模型进行训练，得到候选车辆检测模型；采用所述验证样本对所述候选车辆检测模型进行验证，计算所述候选车辆检测模型的验证准确率；当所述验证准确率大于验证阈值时，将所述候选车辆检测模型确定为目标车辆检测模型。
可选地，所述依据所述第一图像和目标车系检测模型，确定所述第二车辆对应的车系信息，包括：依据所述车辆成像宽度对应候选车辆方位信息集合中的坐标信息，从所述第一图像中截取第二图像；将所述第二图像输入至目标车系检测模型中，得到所述目标车系检测模型输出的第二车辆对应的车系信息。
可选地，所述的方法还包括生成所述目标车系检测模型的步骤：获取图像数据，所述图像数据依据包含车辆的图像、所述图像中车辆的参考车辆方位信息集合和参考车系信息生成，所述参考车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；采用所述训练样本对预置的初始车系检测模型进行训练，得到候选车系检测模型；采用所述验证样本对所述候选车系检测模型进行验证，计算所述候选车系检测模型的验证准确率；当所述验证准确率大于验证阈值时，将所述候选车系检测模型确定为目标车系检测模型。
可选地，所述依据所述车系信息，确定所述第二车辆对应的车辆实体宽度，包括：基于所述车系信息查找预先建立的映射关系，确定与所述第二车辆匹配的车辆实体宽度；其中，所述映射关系用于表征车系与车辆实体宽度之间的关系。
可选地，所述依据所述第二车辆的车辆成像宽度和车辆实体宽度，利用针孔相机模型的成像原理计算所述第一车辆与第二车辆的距离，包括：获取采集所述第一图像的图像采集设备对应相机的相机焦距；依据针孔相机模型原理，对所述相机焦距、车辆成像宽度和车辆实体宽度进行计算；依据计算结果，确定所述第一车辆与第二车辆的距离。
本发明实施例还公开一种目标车辆检测模型的生成方法，包括：获取图像数据，所述图像数据依据包含车辆的图像和所述图像中车辆的参考车辆方位信息集合生成，所述参考车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；采用所述训练样本对预置的初始车辆检测模型进行训练，得到候选车辆检测模型；采用所述验证样本对所述候选车辆检测模型进行验证，计算所述候选车辆检测模型的验证准确率；当所述验证准确率大于验证阈值时，将所述候选车辆检测模型确定为目标车辆检测模型。
可选地，所述初始车辆检测模型包括：初始特征提取模型和初始车辆信息检测模型，所述采用所述训练样本对预置的初始车辆检测模型进行训练，得到候选车辆检测模型，包括：采用所述初始特征提取模型对所述训练样本进行特征提取，得到对应的图像特征；采用所述初始车辆信息检测模型依据所述图像特征进行车辆信息检测，得到多个车辆方位信息集合，一个车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的坐标信息和多个车辆朝向概率；依据所述多个车辆方位信息集合与参考车辆方位信息，对所述初始特征提取模型和初始车辆信息检测模型的参数进行调整，得到候选特征提取模型和候选车辆信息检测模型。
本发明实施例还公开了一种目标车系检测模型的生成方法，包括：获取图像数据，所述图像数据依据包含车辆的图像、所述图像中车辆的参考车辆方位信息集合和参考车系信息生成，所述参考车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；采用所述训练样本对预置的初始车系检测模型进行训练，得到候选车系检测模型；采用所述验证样本对所述候选车系检测模型进行验证，计算所述候选车系检测模型的验证准确率；当所述验证准确率大于验证阈值时，将所述候选车系检测模型确定为目标车系检测模型。
可选地，所述的方法还包括生成所述图像数据的步骤：从所述图像中截取对应参考车辆方位信息中参考坐标信息对应区域的图像；采用截取的图像和所述参考车系信息，生成所述图像数据。
可选地，所述的方法还包括扩充所述图像数据的步骤：对截取的图像进行缩放，采用缩放后的图像和对应的参考车系信息生成图像数据。
本发明实施例还公开了一种车距确定装置，包括：图像获取模块，用于确定第一车辆前方存在第二车辆的情况下，获取所述第二车辆的第一图像；成像宽度确定模块，用于依据所述第一图像和目标车辆检测模型，确定所述第二车辆对应的车辆成像宽度；车系信息确定模块，用于依据所述第一图像和目标车系检测模型，确定所述第二车辆对应的车系信息；实体宽度确定模块，用于依据所述车系信息，确定所述第二车辆对应的车辆实体宽度；车距确定模块，用于依据所述第二车辆的车辆成像宽度和车辆实体宽度，利用针孔相机模型的成像原理计算所述第一车辆与第二车辆的距离。
可选地，所述成像宽度确定模块包括：方位检测子模块，用于将所述第一图像输入至目标车辆检测模型中，得到所述车辆检测模型输出的多个车辆方位信息集合，一个车辆方位信息集合包括所述第一图像中第二车辆边界框的坐标信息和多个车辆朝向概率；车辆成像宽度确定子模块，用于依据所述多个车辆方位信息集合，确定所述第二车辆对应的车辆成像宽度。
可选地，所述车辆成像宽度确定子模块，用于针对一个车辆方位信息集合，判断所述车辆方位信息集合的多个车辆朝向概率中，正前方朝向概率是否最大；若所述车辆方位信息集合的多个车辆朝向概率中，正前方朝向概率最大，则将所述车辆方位信息集合确定为候选车辆方位集合；依据各候选车辆方法集合中的坐标信息，计算对应的车辆成像宽度；将最大的车辆成像宽度确定为第二车辆对应的车辆成像宽度。
可选地，所述的装置还包括：车辆检测模型生成模块，用于获取图像数据，所述图像数据依据包含车辆的图像和所述图像中车辆的参考车辆方位信息集合生成，所述参考车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；采用所述训练样本对预置的初始车辆检测模型进行训练，得到候选车辆检测模型；采用所述验证样本对所述候选车辆检测模型进行验证，计算所述候选车辆检测模型的验证准确率；当所述验证准确率大于验证阈值时，将所述候选车辆检测模型确定为目标车辆检测模型。
可选地，所述车系信息确定模块，用于依据所述车辆成像宽度对应候选车辆方位信息集合中的坐标信息，从所述第一图像中截取第二图像；将所述第二图像输入至目标车系检测模型中，得到所述目标车系检测模型输出的第二车辆对应的车系信息。
可选地，所述的装置还包括：车系检测模型生成模块，用于获取图像数据，所述图像数据依据包含车辆的图像、所述图像中车辆的参考车辆方位信息集合和参考车系信息生成，所述参考车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；采用所述训练样本对预置的初始车系检测模型进行训练，得到候选车系检测模型；采用所述验证样本对所述候选车系检测模型进行验证，计算所述候选车系检测模型的验证准确率；当所述验证准确率大于验证阈值时，将所述候选车系检测模型确定为目标车系检测模型。
可选地，所述实体宽度确定模块，用于基于所述车系信息查找预先建立的映射关系，确定与所述第二车辆匹配的车辆实体宽度；其中，所述映射关系用于表征车系与车辆实体宽度之间的关系。
可选地，所述车距确定模块，用于获取采集所述第一图像的图像采集设备对应相机的相机焦距；依据针孔相机模型原理，对所述相机焦距、车辆成像宽度和车辆实体宽度进行计算；依据计算结果，确定所述第一车辆与第二车辆的距离。
本发明实施例还公开了一种目标车辆检测模型的生成装置，包括：第一图像数据获取模块，用于获取图像数据，所述图像数据依据包含车辆的图像和所述图像中车辆的参考车辆方位信息生成，所述参考车辆方位信息包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；车辆检测模型训练模块，用于采用所述训练样本对预置的初始车辆检测模型进行训练，得到候选车辆检测模型；车辆检测模型验证模块，用于采用所述验证样本对所述候选车辆检测模型进行验证，计算所述候选车辆检测模型的验证准确率；车辆检测模型生成模块，用于当所述验证准确率大于验证阈值时，将所述候选车辆检测模型确定为目标车辆检测模型。
可选地，所述初始车辆检测模型包括：初始特征提取模型和初始车辆信息检测模型，所述车辆检测模型训练模块，用于采用所述初始特征提取模型对所述训练样本进行特征提取，得到对应的图像特征；采用所述初始车辆信息检测模型依据所述图像特征进行车辆信息检测，得到多个车辆方位信息集合，一个车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的坐标信息和多个车辆朝向概率；依据所述多个车辆方位信息集合与参考车辆方位信息，对所述初始特征提取模型和初始车辆信息检测模型的参数进行调整，得到候选特征提取模型和候选车辆信息检测模型。
本发明实施例还公开了一种目标车系检测模型的生成装置，具体包括：第二图像数据获取模块，用于获取图像数据，所述图像数据依据包含车辆的图像、所述图像中车辆的参考车辆方位信息和参考车系信息生成，所述参考车辆方位信息包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；车系检测模型训练模块，用于采用所述训练样本对预置的初始车系检测模型进行训练，得到候选车系检测模型；车系检测模型验证模块，用于采用所述验证样本对所述候选车系检测模型进行验证，计算所述候选车系检测模型的验证准确率；车系检测模型生成模块，用于当所述验证准确率大于验证阈值时，将所述候选车系检测模型确定为目标车系检测模型。
可选的，所述的装置还包括：数据生成模块，用于从所述图像中截取对应参考车辆方位信息中参考坐标信息对应区域的图像；采用截取的图像和所述参考车系信息，生成所述图像数据。
可选的，所述的装置还包括：数据扩充模块，用于对截取的图像进行缩放，采用缩放后的图像和对应的参考车系信息生成图像数据。
本发明实施例还公开了一种车辆，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述车辆执行如上述实施例所述的一个或多个车距确定方法。
本发明实施例还公开了一个或多个计算机可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如上述实施例所述的一个或多个车距确定方法。
与现有技术相比，本发明实施例包括以下优点：
本发明实施例中，第一车辆在确定其前方存在第二车辆的情况下，可以获取所述第二车辆的第一图像；然后依据所述第一图像和目标车辆检测模型，确定所述第二车辆对应的车辆成像宽度，以及依据所述第一图像和目标车系检测模型，确定所述第二车辆对应的车系信息，并依据所述车系信息，确定所述第二车辆对应的车辆实体宽度；进而通过目标检测模型检测出准确的车系和车辆成像宽度。再依据所述第二车辆的车辆成像宽度和车辆实体宽度，利用针孔相机模型的成像原理计算所述第一车辆与第二车辆的距离，进而能够检测出准确的车距。且相对于现有技术而言，本发明实施例通过无需相机进行内外参数标定建立测量坐标基准系，计算简单。
附图说明
图1是本发明的一种车距确定方法实施例的步骤流程图；
图2是本发明的一种目标车辆检测模型的生成方法实施例的步骤流程图；
图3是本发明的一种训练目标车系检测模型的生成方法实施例的步骤流程图；
图4是本发明的一种车距确定方法可选实施例的步骤流程图；
图5是本发明的一种车距确定装置实施例的结构框图；
图6是本发明的一种车距确定装置可选实施例的结构框图；
图7是本发明的一种目标车辆检测模型的生成装置实施例的结构框图；
图8是本发明的一种目标车系检测模型的生成装置实施例的结构框图。
具体实施方式
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。
参照图1，示出了本发明的一种车距确定方法实施例的步骤流程图，具体可以包括如下步骤：
步骤102、确定第一车辆前方存在第二车辆的情况下，获取所述第二车辆的第一图像。
本发明实施例中，为了降低车辆追尾的可能性，在确定某个车辆前方存在车辆时，可以从该车辆的图像采集设备采集的图像中获取包含其前方车辆的图像；然后通过对该图像进行分析确定该车辆与其前车的车距，以提醒该车辆的主驾保持安全车距。
其中，所述图像采集设备可以是指能够采集该车辆前方道路环境信息的图像采集设备。本发明的一个可选实施例中，所述图像采集设备对应的相机可以是单目相机，以降低成本，以及提高确定车距的准确性；当然也可是其他类型的相机，本发明实施例对此不作限制。
其中，为了便于后续说明，可以将任一车辆称为第一车辆，将所述第一车辆的前车称为第二车辆；以及将从该车辆的图像采集设备采集的图像中获取包含其前方车辆的图像称为第一图像。
步骤104、依据所述第一图像和目标车辆检测模型，确定所述第二车辆对应的车辆成像宽度。
步骤106、依据所述第一图像和目标车系检测模型，确定所述第二车辆对应的车系信息。
本发明实施例中，可以预先收集图像数据，然后依据收集的图像数据分别生成目标车辆检测模型和目标车系检测模型。进而在获取到第一图像后，可以将所述第一图像输入至目标车辆检测模型中，由目标车辆检测模型对第一图像进行处理，输出所述第二车辆对应的车辆成像宽度。以及可以将第一图像输入至目标车系检测模型中，由目标车系检测模型对第一图像进行处理，输出第二车辆所属的车系信息。其中，所述车辆成像宽度可以是指图像中车辆对应的宽度；所述目标车辆检测模型和目标车系检测模型的生成过程在后续进行说明。
步骤108、依据所述车系信息，确定所述第二车辆对应的车辆实体宽度。
其中，每个车系的车辆均存在对应的车辆实体宽度，所述车辆实体宽度可以是指车辆实际的宽度；因此可以预先建立各种车系信息与对应车辆实体宽度之间的关系，在确定所述第二车辆所属的车系信息后，可以根据第二车辆所属的车系信息，确定所述第二车辆对应的车辆实体宽度。
步骤110、依据所述第二车辆的车辆成像宽度和车辆实体宽度，利用针孔相机模型的成像原理计算所述第一车辆与第二车辆的距离。
本发明实施例中，可以获取第一车辆中采集第一图像的图像采集设备对应相机的内部参数，然后可以利用针孔相机成像原理，对第二车辆的车辆成像宽度、车辆实体宽度和相机的内部参数进行处理，确定第一车辆与第二车辆的车距。
综上，本发明实施例中，第一车辆在确定其前方存在第二车辆的情况下，可以获取所述第二车辆的第一图像；然后依据所述第一图像和目标车辆检测模型，确定所述第二车辆对应的车辆成像宽度，以及依据所述第一图像和目标车系检测模型，确定所述第二车辆对应的车系信息，并依据所述车系信息，确定所述第二车辆对应的车辆实体宽度；进而通过目标检测模型检测出准确的车系和车辆成像宽度。再依据所述第二车辆的车辆成像宽度和车辆实体宽度，利用针孔相机模型的成像原理计算所述第一车辆与第二车辆的距离，进而能够检测出准确的车距。且相对于现有技术而言，本发明实施例通过无需相机进行内外参数标定建立测量坐标基准系，计算简单。
以下对目标车辆检测模型的生成过程进行说明。
参照图2，示出了本发明实施例一种目标车辆检测模型生成方法实施例的步骤流程图。
步骤202、获取图像数据，所述图像数据依据包含车辆的图像和所述图像中车辆的参考车辆方位信息集合生成，所述参考车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本。
其中，所述图像数据的生成过程可以参照子步骤22-子步骤24：
子步骤22、收集包含车辆的图像。
子步骤24、对所述包含车辆的图像进行车辆方位标注，得到对应的参考车辆方位信息集合，所述参考车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向。
本发明实施例中，可以采用车辆中的图像采集设备，在不同道路环境下采集该车辆前车的图像；其中，在同一道路环境下，可以采集不同车系前车的图像。在同一道路环境下采集同一车系前车的图像的情况下，可以采集该车系前车与该车辆的距离相同时，车辆朝向不同的图像；也可以采集该车系前车在同一车辆朝向情况下，与该车辆距离不同时的图像。
其中，所述道路环境可以包括多个维度，如时间维度如早上、中午、晚上等，天气维度如晴天、阴天、下雨等，道路类型维度如高速公路、城市街道、居住区街道、城市快车道等；当然还可以包括其他的维度，本发明实施例对此不作限制。
然后可以分别针对每一个包含车辆的图像中的车辆进行车辆方位标注，标注出每个图像中车辆边界框的参考坐标信息和该车辆的参考车辆朝向；然后采用参考坐标信息和参考车辆朝向生成参考车辆方位信息集合。其中，针对每一个包含车辆的图像，可以对该图像中车辆的边界框进行标注，标注出该图像中包含车辆的最小矩形框的四个顶点的坐标，将标注出的四个坐标作为参考坐标信息。以及按照朝向划分规则对该图像中的车辆进行车辆朝向标注，标注出该图像中车辆的车辆朝向。例如可以依据车头与图片水平轴线的角度进行车辆朝向划分，对应的朝向划分规则为：(105°～75°)-正前方，(15°～75°)-右前方，(105°-165°)-左前方，(345°-15°)-正右方，(165°-195°)-左右方，(255°-285°)-正后方，(195°-255°)左后、(285°-345°)右后；其中，每个车辆朝向对应的角度范围可以按照需求设置，本发明实施例对此不作限制。以及为每个车辆朝向设置对应的标签，如上述8个车辆朝向分别对应的标签为0到7。因此可以测量该图像中车头与图像水平轴线的角度，然后依据测量的角度与朝向划分规则，确定该图像中车辆的车辆朝向；再将该图像中车辆的车辆朝向对应的标签，作为对应的参考车辆朝向。
可参照如下表1，包括了对8张包含车辆的图像中车辆的车辆朝向的标注结果和车辆边界框的标注结果。
表1
然后可以将一张包含车辆的图像和该包含车辆的图像对应的参考车辆方位信息集合作为一组图像数据；再将得到的多组图像数据按照设定比例划分为训练样本和验证样本，所述设定比例可以按照需求确定，如80％：20％，本发明实施例对此不作限制。其中，可以采用训练样本对预置的初始车辆检测模型进行训练，可以参照步骤204；以及可以采用验证样本对训练后的初始的车辆检测模型进行验证，可参照步骤206-步骤208。
步骤204、采用所述训练样本对预置的初始车辆检测模型进行训练，得到候选车辆检测模型。
以下以采用一组训练样本对所述预置的初始车辆检测模型进行训练为例进行说明；可以参照子步骤42-子步骤44：
子步骤42、将所述训练样本输入至所述初始车辆检测模型中，得到所述预置的初始车辆检测模型输出的多个车辆方位信息集合，一个车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的坐标信息和多个车辆朝向概率。
本发明实施例中，对预置的初始车辆检测模型的训练包括正向训练和反向训练。其中正向训练包括：可以将该组训练样本中的包含车辆的图像输入至所述预置的初始车辆检测模型中，由预置的初始车辆检测模型对所述训练图像进行处理，输出多个车辆方位信息集合，一个车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的坐标信息和多个车辆朝向概率。
本发明的一个可选实施例中，所述初始车辆检测模型可以包括初始特征提取模型和初始车辆信息检测模型，所述初始特征提取模型可以用于提取图像特征，所述初始车辆信息检测模型可以用于预测图像中车辆边界框的坐标信息。因此，本发明实施例中所述子步骤42可以参照如下子步骤：
子步骤42-2、采用所述初始特征提取模型对所述训练样本进行特征提取，得到对应的图像特征。
子步骤42-4、采用所述初始车辆信息检测依据所述图像特征进行车辆信息检测，得到多个车辆方位信息集合。
本发明实施例中，所述初始特征提取模型对应输入图像的尺寸是固定的，因此可以将该组训练样本中包含车辆的图像进行缩放，将该图像缩放为与所述初始特征提取模型输入图像匹配的尺寸。例如初始特征提取模型对应输入图像的尺寸是416*416，若包含车辆的图像为213*200，则可以通过将该图像进行像素填充(如填充像素值为0)，将该图像扩充为416*416。然后将缩放后的图像输入至初始特征提取模型中，由初始特征提取模型提取该图像的图像特征；然后将提取的图像特征输入至初始车辆信息检测模型中，得到多个车辆方位信息集合。
其中，初始车辆信息检测模型在对图像特征进行处理后，可以得到多个检测信息集合，一个检测信息集合包括：一个车辆边界框的坐标信息，该车辆边界框的坐标信息对应存在车辆的概率和多个车辆朝向概率。然后可以然后采用NMS(Non-Maximum Suppression，非极大值抑制)方法，对多个检测信息集合筛选。其中，在得到筛选后的多个检测信息集合后，可以将筛选后的每个检测信息集合去除其中车辆边界框的坐标信息对应存在车辆的概率，得到对应的车辆方位信息集合，即一个车辆方位信息集合包括：一个车辆边界框的坐标信息和对应的多个车辆朝向概率。
其中，一种对多个检测信息集合筛选的方式可以是，先选取出一个存在车辆的概率最大且大于概率阈值的检测信息集合。然后计算其他检测信息集合中车辆边界框的坐标信息框定区域，与选取出的检测信息集合中车辆边界框的坐标信息框定区域的重叠面积；依据重叠面积，对其他检测信息集合进行筛选。其中，可以舍弃重叠面积大于重合阈值的其他检测信息集合，保留重叠面积小于重合阈值的其他检测信息集合。再从剩下的检测信息集合中选取存在车辆概率最大且大于概率阈值的一个检测信息集合，然后重复上述对其他检测信息集合进行筛选的操作；最终输出多个车辆方位信息集合。其中，所述概率阈值可以按照需求设置为85％，所述重合阈值也可以按照需求设置如90％，本发明对此均不作限制。
其中，所述初始特征提取模型可以包括多个卷积层，初始车辆信息检测模型可以依据初始特征提取模型最后一个卷积层输出的第一图像特征进行车辆信息检测，得到第一检测结果。然后通过对第一图像特征进行上采样，并与倒数第二个卷积层输出的第二图形特征进行融合，得到第二检测结果。再通过对第二图像特征进行上采样，并与倒数第三个卷积层输出的第三图形特征进行融合，得到第三检测结果。其中，第一检测结果、第二检测结果和第三检测结果，均包括多个检测信息集合。然后对第一检测结果、第二检测结果和第三检测结果进行综合如加权，得到多个检测信息集合；再采用NMS对多个检测信息集合进行筛选，得到多个车辆方位信息集合并输出。进而使得目标车辆检测模型能够对多种不同尺寸图像中车辆位置和车辆朝向进行识别。
以下以初始特征提取模型为如darknet-53模型(包括5个卷积层，处理的图像尺寸为416*416)，车辆朝向为8个，初始车辆信息检测模型为yolo-v3模型为例进行说明。将416*416的图像输入至初始特征提取模型后，初始特征提取模型的第5个卷积层输出的第一图像特征为13*13特征图；然后车辆信息检测模型采用13*13特征图进行车辆信息检测，得到第一检测结果为13*13*39。所述第一检测结果包括(13*13*3)个检测信息集合，一个检测信息集合包括车辆边界框(如矩形框)的4个顶点坐标、1个车辆概率和8个车辆朝向概率。初始特征提取模型第4个卷积层输出的第二图像特征为26*26的特征图，车辆信息检测模型通过将13*13的特征图上采样，并与26*26的特征图进行融合，得到第二检测结果26*26*39，包括(26*26*3)个检测信息集合。初始特征提取模型第3个卷积层输出的第三图像特征为52*52的特征图，车辆信息检测模型通过将26*26的特征图上采样，并与52*52的特征图进行融合，得到第三检测结果52*52*39，包括(52*52*3)个检测信息集合。然后对第一检测结果(13*13*39)、第二检测结果(26*26*39)和第三检测结果(52*52*39)进行综合，得到(13*13+26*26+52*52)*3个检测信息集合。然后可以采用NMS对多个检测信息集合进行筛选，例如筛选得到3个车辆方位信息集合作为最终输出结果。
子步骤44、将所述初始车辆检测模型输出的多个车辆方位信息集合和参考车辆方位信息集合，对所述初始车辆检测模型的参数进行调整，得到候选车辆检测模型。
所述反向训练包括：依据所述多个车辆方位信息集合与参考车辆方位信息，对所述初始特征提取模型和初始车辆信息检测模型的参数进行调整，得到候选特征提取模型和候选车辆信息检测模型。
具体的，可以将各车辆方位信息集合中车辆边界框的坐标信息与该组训练样本中参考车辆方位信息集合中参考坐标信息进行比对，以及多个车辆朝向概率与参考车辆朝向进行比对，对初始特征提取模型的参数进行调整和对初始车辆信息检测模型的参数进行调整。直至将该组训练样本中包含车辆的图像输入至初始特征提取模型-初始车辆信息检测模型后，初始车辆信息检测模型输出的多个车辆方位信息集合中，至少一个车辆方位信息集合中的车辆边界框的坐标信息趋近于该组训练样本中参考坐标信息，且输出的参考车辆朝向概率趋近于1，其他车辆朝向概率趋近于0为止；此时可以得到候选特征提取模型和候选车辆信息检测模型。
然后继续采用下一训练样本，对采用前一训练样本对初始车辆检测模型进行训练得到的候选车辆检测模型进行训练；待采用部分的训练样本对候选车辆检测模型训练后，可以执行步骤206，以判断是否需要继续采用训练样本对候选车辆检测模型进行训练。
步骤206、采用验证样本对所述候选车辆检测模型进行验证，计算所述候选车辆检测模型的验证准确率。
步骤208、当所述验证准确率大于验证阈值时，将所述候选车辆检测模型确定为目标车辆检测模型。
本发明实施例中，可以采用验证样本对所述候选车辆检测模型进行验证，计算所述候选车辆检测模型的验证准确率；然后将验证准确率以验证阈值进行比对，判断是否需要继续对候选车辆检测模型进行训练。其中，所述验证阈值可以按照需求设置，本发明实施例对此不作限制。当所述验证准确率大于验证阈值时，可以确定候选车辆检测模型的检测准确度能够满足需求，此时可以直接将所述候选车辆检测模型确定为目标车辆检测模型。当所述验证准确率小于验证阈值时，可以确定候选车辆检测模型的检测准确度无法满足需求，此时可以继续采用剩余的训练样本对所述候选车辆检测模型进行训练。
当然，本发明的一个可选实施例中，所述可以包括两个预置的初始车辆检测模型，其中一个预置的初始车辆检测模型可以用于检测图像中车辆边界框坐标信息，另一个预置的初始车辆检测模型用于检测图像中车辆的车辆朝向。其中，前一个预置的初始车辆检测模型对应的图像数据可以包括：包含车辆的图像和所述包含车辆的图像中车辆边界框的参考坐标信息；然后可以按照上述步骤202-208生成对应的目标初始车辆检测模型。
本发明实施例中，后一个预置的初始车辆检测模型可以是分类模型，对应的图像数据可以包括：包含车辆的图像、所述包含车辆的图像中车辆边界框的参考坐标信息和所述包含车辆的图像中车辆的参考车辆朝向。其中，可以从包含车辆的图像中截取出对应参考坐标信息对应区域的图像，然后可以将截取的图像和对应的参考车辆朝向作为一组图像数据，依据多组图像数据对后一个预置的初始车辆检测模型进行训练和验证，生成对应的目标车辆检测模型。其中，对后一个预置的初始车辆检测模型的训练过程和验证过程与上述步骤204-208类似，在此不再赘述。
以下对车系检测模型的生成过程进行说明。
参照图3，示出了本发明实施例一种目标车系检测模型的生成方法实施例的步骤流程图。
步骤302、获取图像数据，所述图像数据依据包含车辆的图像、所述图像中车辆的参考车辆方位信息集合和参考车系信息生成，所述参考车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本。
其中，所述收集包含车辆的图像，以及确定述图像中车辆的参考车辆方位信息集合与上述步骤202类似，在此不再赘述。此外，还可以对所述包含车辆的图像进行车系标注，确定所述包含车辆的图像中车辆所属的参考车系信息，以及从所述图像中截取对应参考车辆方位信息中参考坐标信息对应区域的图像；然后采用从一张截取的图像和该截取的图像中车辆的参考车系信息，生成一组图像数据。然后将多组图像数据划分为训练样本与验证样本，可以参照步骤304-308生成目标车系检测模型。
本发明的一个可选实施例中，为了使得目标车系检测模型能够准确识别出各种不同尺寸图像中车辆的车系，可以对图像数据进行扩充；其中，对截取的图像进行缩放，采用缩放后的图像和对应的参考车系信息生成图像数据。其中，一种对截取的图像进行缩放的方式可以是，假定截取后的图像中车辆边界框(这里以矩形框为例)的四个顶点分别为：A1(x1,y1)，A2(x2,y1)，B1(x1,y2)，B2(x2,y2)，计算得到矩形框中心M(x0,y0)，矩形框的宽w＝x2-x1，矩形框的高h＝y2-y1。以(x0,y0)中心，随机生成四个小数(例如生成的小数的范围在1.0附近，如在0.9到1.1之间)记为e1,e2,f1,f2。然后可以生成四个新的顶点为：A1’(x1’,y1’)，A2’(x2’,y1’)，B1’(x1’,y2’)，B2(x2’,y2’)；其中，x1’＝x0-e1*w/2，y1’＝y0-f1*h/2，x2’＝x0+e2*w/2，y2’＝y0+f2*h/2。进而按照新的顶点坐标，对从截取的图像进行缩放。
步骤304、采用所述训练样本对预置的初始车系检测模型进行训练，得到候选车系检测模型。
其中，步骤304可以包括如下子步骤：
子步骤62、将截取的图像输入至预置的初始车系检测模型中，得到所述初始车系检测模型输出的多个车系信息的概率。
子步骤64、将所述多个车系的概率和参考车系信息，对所述初始车系检测模型的参数进行调整，得到候选车系检测模型。
以下以一组训练样本对初始车系检测模型进行训练为例进行说明。
本发明实施例中，对所述初始车系检测模型的训练也可以包括正向训练和反向训练，其中正向训练包括：可以将该组训练样本中的截取的图像输入至所述初始车系检测模型中，由所述初始车系检测模型对所述截取图像进行处理，输出车系信息的概率。所述反向训练包括：可以将所述初始车系检测模型输出的车系信息的概率与参考车系信息进行比对，对所述初始车系检测模型的参数进行调整；直至将该组训练样本中截取的图像输入至初始车系检测模型后，该初始车系检测模型输出参考车系信息的概率趋近于1，其他车系信息的概率趋近于0为止；此时可以得到候选车系检测模型。
然后继续采用下一训练样本，对采用前一训练样本对初始车系检测模型进行训练得到的候选车系检测模型进行训练；待采用部分的训练样本对候选车系检测模型训练后，可以执行步骤306，以判断是否需要继续采用训练样本对候选车系检测模型进行训练。
本发明的一个示例中，以初始车系检测模型为Inception-v4网络为例，对上述步骤304中将截取的图像输入至初始车系检测模型中，得到所述初始车系检测模型输出的多个车系信息的概率进行说明。
其中，所述Inception-v4包括Stem层、Inception-A层、Reduction-A层、Inception-B层、Reduction-B层、Inception-C层、pooling层、Dropout层和softmax层，这些层依次连接；所述Inception-A层、Inception-B层和Inception-C层可以包括多个。
其中，Inception-v4输入图像的尺寸为299*299，因此可以对截取的图像进行缩放，将截取的图像缩放至299*299的图像，然后将缩放后的图像输入至Inception-v4输入层；以下对Inception-v4中各层的处理过程进行说明：
A、Stem层用于提取低维的基本特征：输入图像尺寸为299*299，通道数为3；输出为35*35*384的特征图。
B、35*35*384的特征图输入至多个Inception-A层和一个Reduction-A层，Reduction-A层输出17*17*1024的特征图。
C、17*17*1024的特征图输入至多个Inception-B层和一个Reduction-B层，Reduction-B层输出8*8*1536的特征图。
D、8*8*1536的特征图输入至多个Inception-C层和一个pooling层，pooling层输出1536*1*1的特征图。
E、1536*1*1的特征图输入至Dropout层，Dropout层输出1536*1*1的特征图。
F、1536*1*1的特征图输入至softmax层，softmax层输出3217维向量。
其中，softmax层输出的每一维代表每个车系类别的识别概率，当采集的训练图像中的车系越多，softmax层输出的维度越大。
本发明的一个可选实施例中，所述darknet-53和Inception-v4可以是提前采用公开训练数据进行初步训练后的模型，便于采用本发明实施例中的训练样本对其进行训练时能够快速收敛。
步骤306、采用验证样本对所述候选车系检测模型进行验证，计算所述候选车系检测模型的验证准确率。
步骤308、当所述验证准确率大于验证阈值时，将所述候选车系检测模型确定为目标车系检测模型。
其中，步骤306-步骤308，与上述步骤206-步骤208类似，在此不再赘述。其中步骤308中的验证阈值与步骤208中的验证阈值可以相同，也可以不同，本发明实施例对此不作限制。
本发明另一个实施例中，如何采用目标车辆检测模型确定所述车辆成像宽度，以及如何采用目标车系检测模型确定车系信息进行详细说明。
参照图4，示出了本发明的一种车距确定方法可选实施例的步骤流程图。
步骤402、确定第一车辆前方存在第二车辆的情况下，获取所述第二车辆的第一图像。
本发明实施例中，所述车辆中的图像采集设备包括多种，如车尾摄像头、车头摄像头、车顶摄像头、车身摄像头、行车记录仪的摄像头等。不同的图像采集设备采集的图像不同，例如车尾摄像头采集的是包含车辆后方道路环境的图像，车头摄像头采集的是包含车辆前方道路环境的图像等等。因此为了确定第一车辆与前车(即第二车辆)的车距，在确定第一车辆前方存在第二车辆的情况下，第一车辆的车载系统可以从能够采集到第一车辆前方道路环境信息的图像采集设备采集的图像中，获取包含第二车辆的第一图像，如从车头摄像头、车顶摄像头、行车记录仪的摄像头等采集的图像中获取第一图像。
其中，检测第一车辆前方是否存在第二车辆的方法包括多种，如采用探测传感器进行检测，如高频雷达(毫米波)、红外激光雷达等，本发明实施例对此不作限制。
步骤404、将所述第一图像输入至目标车辆检测模型中，得到所述目标车辆检测模型输出的多个车辆方位信息集合，一个车辆方位信息集合包括所述第一图像中第二车辆边界框的坐标信息和多个车辆朝向概率。
步骤406、依据所述多个车辆方位信息集合，确定所述第二车辆对应的车辆成像宽度。
步骤408、依据所述车辆成像宽度对应候选车辆方位信息集合中的坐标信息，从所述第一图像中截取第二图像。
步骤410、将所述第二图像输入至目标车系检测模型中，得到所述目标车系检测模型输出的第二车辆对应的车系信息。
本发明实施例中，车载系统在获取第一图像后，可以对第一图像进行缩放，缩放至与目标车辆检测模型输入尺寸匹配的尺寸；然后将缩放后的第一图像输入至目标车辆检测模型中，由目标车辆检测模型对所述第一图像进行处理。
其中，目标车辆检测模型可能输出多个车辆方位信息集合，根据每个车辆方位信息集合中第二车辆边界框的坐标信息，可以计算对应的第二车辆的车辆成像宽度，进而得到多个第二车辆成像宽度。由于在同车道进行行驶车辆，前车的车辆朝向是正前方，且在确定后车与前车的车距时，主要关注与后车最近的前车的车距；因此一种依据所述多个车辆方位信息集合，确定所述第二车辆对应的车辆成像宽度的方式可以参照如下子步骤：
子步骤82、针对一个车辆方位信息集合，判断所述车辆方位信息集合的多个车辆朝向概率中，正前方朝向概率是否最大。
子步骤84、若所述车辆方位信息结合的多个车辆朝向概率中，正前方朝向概率最大，则将所述车辆方位信息集合确定为候选车辆方位信息集合。
子步骤86、依据各候选车辆方法信息集合中坐标信息，计算对应的车辆成像宽度。
子步骤88、将最大的车辆成像宽度确定为第二车辆对应的车辆成像宽度。
本发明实施例中，针对目标车辆检测模型输出的每一个车辆方位信息集合，可以判断该车辆方位信息集合的多个车辆朝向概率中，正前方朝向概率是否最大；若是，则将该车辆方位信息集合确定为候选车辆方位信息，若否，则舍弃该车辆方位信息集合。然后针对每一个候选车辆方位信息集合，依据该候选车辆方位信息集合中的第二车辆边界框的坐标信息，计算该候选车辆方位信息集合对应的车辆成像宽度。其中，所述第二车辆边界框的坐标信息包括矩形框的四个顶点的坐标，可以计算横坐标不同的两个顶点的横坐标的差值，将该差值作为车辆成像宽度。其中，车辆成像宽度可以表征第二车辆与第一车辆的车距，车辆成像宽度越大，第二车辆与第一车辆的车距越小，反之；因此将最大的车辆成像宽度确定为第二车辆对应的车辆成像宽度。
当然，所述目标车辆检测模型也可以输出一个车辆方位信息集合，此时可以直接依据车辆方位信息集合中的第二车辆边界框的坐标信息，计算所述第二车辆对应的车辆成像宽度。
步骤412、基于所述车系信息查找预先建立的映射关系，确定与所述第二车辆匹配的车辆实体宽度。
本发明实施例中，可以预先收集各车系车辆对应的车系信息和对应的车辆实体宽度，然后建立车系信息与车辆实体宽度的映射关系，如表2所示。表2中示出了车辆品牌**中7个车系信息的车辆对应的车辆实体宽度。
表2
因此在得到目标车系检测模型输出的车系信息后，基于该车系信息查找预先确定建立的映射关系，确定匹配的车辆实体宽度。例如目标车系检测模型输出的车系信息为品牌**_G，则可以基于上述表2可以查找到对应的车辆实体宽度为1807mm。
步骤414、获取采集所述第一图像的图像采集设备对应相机的相机焦距。
步骤416、依据针孔相机模型原理，对所述相机焦距、车辆成像宽度和车辆实体宽度进行计算。
步骤418、依据计算结果，确定所述第一车辆与第二车辆的距离。
本发明实施例中，可以获取采集所述第一图像的图像采集设备的内部参数，所述图像采集设备的内部参数可以是指图像采集设备中相机的内部参数，所述内部参数可以是指相机的焦距f。进而可以依据所针孔相机模型原理，对所述相机焦距、车辆成像宽度和车辆实体宽度进行计算；例如按照如下公式进行计算：
D＝f*w/W
其中，所述D可以是指第一车辆的图像采集设备中相机与第二车辆车距；w为第二车辆的车辆成像宽度，W为第二车辆的车辆实体宽度。
其中，当图像采集设备中的相机安装在第一车辆的车头时，所述计算结果D即为第一车辆与第二车辆的车距。当图像采集设备中的相机安装在第一车辆的车顶时，需要确定相机安装位置与第一车辆车头的距离S；然后计算计算结果D与所述距离S的差值，两者的差值作为第一车辆与第二车辆的车距。
综上，本发明实施例中，可以将所述第一图像输入至目标车辆检测模型中，得到所述目标车辆检测模型输出的多个车辆方位信息集合，一个车辆方位信息集合包括所述第一图像中第二车辆边界框的坐标信息和多个车辆朝向概率；进而准确的对第二车辆的边界框进行检测；从而能够依据所述多个车辆方位信息集合，准确的确定所述第二车辆对应的车辆成像宽度。
其次，本发明实施例中，可以依据所述车辆成像宽度对应候选车辆方位信息集合中的坐标信息，从所述第一图像中截取第二图像，将所述第二图像输入至目标车系检测模型中，得到所述目标车系检测模型输出的第二车辆对应的车系信息；进而准确的对图像中车辆所属的车系进行检测，从而进一步提高确定第一车辆与第二车辆车距的准确性。
再次，本发明实施例中，在选取目标车辆方位信息时，可以针对一个车辆方位信息集合，判断所述车辆方位信息集合的多个车辆朝向概率中，正前方朝向概率是否最大；若所述车辆方位信息集合的多个车辆朝向概率中，正前方朝向概率最大，则将所述车辆方位信息集合确定为候选车辆方位信息集合；依据各候选车辆方法信息结合中坐标信息，计算对应的车辆成像宽度；然后将最大的车辆成像宽度确定为第二车辆对应的车辆成像宽度；进而选取出与第一车辆车距最近的第二车辆，计算该第二车辆与第一车辆的车距，从而更好的提醒乘客保持安全车距，提高用户体验。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图5，示出了本发明一种车距确定装置实施例的结构框图，具体可以包括如下模块：
图像获取模块502，用于确定第一车辆前方存在第二车辆的情况下，获取所述第二车辆的第一图像；
成像宽度确定模块504，用于依据所述第一图像和目标车辆检测模型，确定所述第二车辆对应的车辆成像宽度；
车系信息确定模块506，用于依据所述第一图像和目标车系检测模型，确定所述第二车辆对应的车系信息；
实体宽度确定模块508，用于依据所述车系信息，确定所述第二车辆对应的车辆实体宽度；
车距确定模块510，用于依据所述第二车辆的车辆成像宽度和车辆实体宽度，利用针孔相机模型的成像原理所述第一车辆与第二车辆的距离。
参照图6，示出了本发明一种车距确定装置可选实施例的结构框图。
本发明一个可选实施例中，所述成像宽度确定模块504包括：
方位检测子模块5042，用于将所述第一图像输入至目标车辆检测模型中，得到所述车辆检测模型输出的多个车辆方位信息集合，一个车辆方位信息集合包括所述第一图像中第二车辆边界框的坐标信息和多个车辆朝向概率；
车辆成像宽度确定子模块5044，用于依据所述多个车辆方位信息集合，确定所述第二车辆对应的车辆成像宽度。
本发明一个可选实施例中，所述车辆成像宽度确定子模块5044，用于针对一个车辆方位信息集合，判断所述车辆方位信息集合的多个车辆朝向概率中，正前方朝向概率是否最大；若所述车辆方位信息集合的多个车辆朝向概率中，正前方朝向概率最大，则将所述车辆方位信息集合确定为候选车辆方位集合；依据各候选车辆方法集合中的坐标信息，计算对应的车辆成像宽度；将最大的车辆成像宽度确定为第二车辆对应的车辆成像宽度。
本发明一个可选实施例中，所述的装置还包括：车辆检测模型生成模块512，用于获取图像数据，所述图像数据依据包含车辆的图像和所述图像中车辆的参考车辆方位信息集合生成，所述参考车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；采用所述训练样本对预置的初始车辆检测模型进行训练，得到候选车辆检测模型；采用所述验证样本对所述候选车辆检测模型进行验证，计算所述候选车辆检测模型的验证准确率；当所述验证准确率大于验证阈值时，将所述候选车辆检测模型确定为目标车辆检测模型。
本发明一个可选实施例中，所述车系信息确定模块506，用于依据所述车辆成像宽度对应候选车辆方位信息集合中的坐标信息，从所述第一图像中截取第二图像；将所述第二图像输入至目标车系检测模型中，得到所述目标车系检测模型输出的第二车辆对应的车系信息。
可选地，所述的装置还包括：车系检测模型生成模块514，用于获取图像数据，所述图像数据依据包含车辆的图像、所述图像中车辆的参考车辆方位信息集合和参考车系信息生成，所述参考车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；采用所述训练样本对预置的初始车系检测模型进行训练，得到候选车系检测模型；采用所述验证样本对所述候选车系检测模型进行验证，计算所述候选车系检测模型的验证准确率；当所述验证准确率大于验证阈值时，将所述候选车系检测模型确定为目标车系检测模型。
本发明一个可选实施例中，所述实体宽度确定模块508，用于基于所述车系信息查找预先建立的映射关系，确定与所述第二车辆匹配的车辆实体宽度；其中，所述映射关系用于表征车系与车辆实体宽度之间的关系。
本发明一个可选实施例中，所述车距确定模块510，用于获取采集所述第一图像的图像采集设备对应相机的相机焦距；依据针孔相机模型原理，对所述相机焦距、车辆成像宽度和车辆实体宽度进行计算；依据计算结果，确定所述第一车辆与第二车辆的距离。
综上，本发明实施例中，第一车辆的车载系统获取图像采集设备采集的第一图像后，可以依据预设模型，确定所述第一图像中第二车辆对应的车辆成像宽度和所述第二车辆所属的车系信息，进而通过预设模型检测出准确的车系和车辆成像宽度；然后依据所述第二车辆所属的车系信息，确定所述第二车辆对应的车辆实体宽度，再依据所述图像采集设备的内部参数、所述第二车辆的车辆成像宽度和车辆实体宽度，确定所述第一车辆与第二车辆的距离，进而能够检测出准确的车距；且相对于现有技术而言，本发明实施例通过无需相机进行内外参数标定建立测量坐标基准系，计算简单。
参照图7，示出了本发明一种目标车辆检测模型的生成装置实施例的结构框图，具体可以包括如下模块：
第一图像数据获取模块702，用于获取图像数据，所述图像数据依据包含车辆的图像和所述图像中车辆的参考车辆方位信息生成，所述参考车辆方位信息包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；
车辆检测模型训练模块704，用于采用所述训练样本对预置的初始车辆检测模型进行训练，得到候选车辆检测模型；
车辆检测模型验证模块706，用于采用所述验证样本对所述候选车辆检测模型进行验证，计算所述候选车辆检测模型的验证准确率；
车辆检测模型生成模块708，用于当所述验证准确率大于验证阈值时，将所述候选车辆检测模型确定为目标车辆检测模型。
本发明的一个可选实施例中，所述初始车辆检测模型包括：初始特征提取模型和初始车辆信息检测模型，所述车辆检测模型训练模块704，用于采用所述初始特征提取模型对所述训练样本进行特征提取，得到对应的图像特征；采用所述初始车辆信息检测模型依据所述图像特征进行车辆信息检测，得到多个车辆方位信息集合，一个车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的坐标信息和多个车辆朝向概率；依据所述多个车辆方位信息集合与参考车辆方位信息，对所述初始特征提取模型和初始车辆信息检测模型的参数进行调整，得到候选特征提取模型和候选车辆信息检测模型。
参照图8，示出了本发明一种目标车系检测模型的生成装置实施例的结构框图，具体可以包括如下模块：
第二图像数据获取模块802，用于获取图像数据，所述图像数据依据包含车辆的图像、所述图像中车辆的参考车辆方位信息和参考车系信息生成，所述参考车辆方位信息包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；
车系检测模型训练模块804，用于采用所述训练样本对预置的初始车系检测模型进行训练，得到候选车系检测模型；
车系检测模型验证模块806，用于采用所述验证样本对所述候选车系检测模型进行验证，计算所述候选车系检测模型的验证准确率；
车系检测模型生成模块808，用于当所述验证准确率大于验证阈值时，将所述候选车系检测模型确定为目标车系检测模型。
本发明的一个可选实施例中，所述的装置还包括：
数据生成模块810，用于从所述图像中截取对应参考车辆方位信息中参考坐标信息对应区域的图像；采用截取的图像和所述参考车系信息，生成所述图像数据。
本发明的一个可选实施例中，所述的装置还包括：
数据扩充模块812，用于对截取的图像进行缩放，采用缩放后的图像和对应的参考车系信息生成图像数据。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明实施例还公开了一种车辆，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述车辆执行如上述实施例所述的一个或多个车距确定方法。
本发明实施例还公开了一个或多个计算机可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如上述实施例所述的一个或多个车距确定方法。
本说明书中的各个实施例均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的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例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，本发明实施例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。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种车距方法、一种车距确定装置和一种车辆，进行了详细介绍，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 (18)

1.一种车距确定方法，其特征在于，包括：
确定第一车辆前方存在第二车辆的情况下，获取所述第二车辆的第一图像；
依据所述第一图像和目标车辆检测模型，确定所述第二车辆对应的车辆成像宽度；
依据所述第一图像和目标车系检测模型，确定所述第二车辆对应的车系信息；
依据所述车系信息，确定所述第二车辆对应的车辆实体宽度；
依据所述第二车辆的车辆成像宽度和车辆实体宽度，利用针孔相机模型的成像原理计算所述第一车辆与第二车辆的距离。
2.根据权利要求1所述的方法，其特征在于，所述依据所述第一图像和目标车辆检测模型，确定所述第二车辆对应的车辆成像宽度，包括：
将所述第一图像输入至目标车辆检测模型中，得到所述车辆检测模型输出的多个车辆方位信息集合，一个车辆方位信息集合包括所述第一图像中第二车辆边界框的坐标信息和多个车辆朝向概率；
依据所述多个车辆方位信息集合，确定所述第二车辆对应的车辆成像宽度。
3.根据权利要求2所述的方法，其特征在于，所述依据多个车辆方位信息集合，确定所述第二车辆对应的车辆成像宽度，包括：
针对一个车辆方位信息集合，判断所述车辆方位信息集合的多个车辆朝向概率中，正前方朝向概率是否最大；
若所述车辆方位信息集合的多个车辆朝向概率中，正前方朝向概率最大，则将所述车辆方位信息集合确定为候选车辆方位集合；
依据各候选车辆方法集合中的坐标信息，计算对应的车辆成像宽度；
将最大的车辆成像宽度确定为第二车辆对应的车辆成像宽度。
4.根据权利要求2所述的方法，其特征在于，所述的方法还包括生成所述目标车辆检测模型的步骤：
获取图像数据，所述图像数据依据包含车辆的图像和所述图像中车辆的参考车辆方位信息集合生成，所述参考车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；
采用所述训练样本对预置的初始车辆检测模型进行训练，得到候选车辆检测模型；
采用所述验证样本对所述候选车辆检测模型进行验证，计算所述候选车辆检测模型的验证准确率；
当所述验证准确率大于验证阈值时，将所述候选车辆检测模型确定为目标车辆检测模型。
5.根据要求3所述的方法，其特征在于，所述依据所述第一图像和目标车系检测模型，确定所述第二车辆对应的车系信息，包括：
依据所述车辆成像宽度对应候选车辆方位信息集合中的坐标信息，从所述第一图像中截取第二图像；
将所述第二图像输入至目标车系检测模型中，得到所述目标车系检测模型输出的第二车辆对应的车系信息。
6.根据权利要求5所述的方法，其特征在于，所述的方法还包括生成所述目标车系检测模型的步骤：
获取图像数据，所述图像数据依据包含车辆的图像、所述图像中车辆的参考车辆方位信息集合和参考车系信息生成，所述参考车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；
采用所述训练样本对预置的初始车系检测模型进行训练，得到候选车系检测模型；
采用所述验证样本对所述候选车系检测模型进行验证，计算所述候选车系检测模型的验证准确率；
当所述验证准确率大于验证阈值时，将所述候选车系检测模型确定为目标车系检测模型。
7.根据权利要求1所述的方法，其特征在于，所述依据所述车系信息，确定所述第二车辆对应的车辆实体宽度，包括：
基于所述车系信息查找预先建立的映射关系，确定与所述第二车辆匹配的车辆实体宽度；
其中，所述映射关系用于表征车系与车辆实体宽度之间的关系。
8.根据权利要求1所述的方法，其特征在于，所述依据所述第二车辆的车辆成像宽度和车辆实体宽度，利用针孔相机模型的成像原理计算所述第一车辆与第二车辆的距离，包括：
获取采集所述第一图像的图像采集设备对应相机的相机焦距；
依据针孔相机模型原理，对所述相机焦距、车辆成像宽度和车辆实体宽度进行计算；
依据计算结果，确定所述第一车辆与第二车辆的距离。
9.一种目标车辆检测模型的生成方法，其特征在于，所述的方法包括：
获取图像数据，所述图像数据依据包含车辆的图像和所述图像中车辆的参考车辆方位信息集合生成，所述参考车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；
采用所述训练样本对预置的初始车辆检测模型进行训练，得到候选车辆检测模型；
采用所述验证样本对所述候选车辆检测模型进行验证，计算所述候选车辆检测模型的验证准确率；
当所述验证准确率大于验证阈值时，将所述候选车辆检测模型确定为目标车辆检测模型。
10.根据权利要求9所述的方法，其特征在于，所述初始车辆检测模型包括：初始特征提取模型和初始车辆信息检测模型，所述采用所述训练样本对预置的初始车辆检测模型进行训练，得到候选车辆检测模型，包括：
采用所述初始特征提取模型对所述训练样本进行特征提取，得到对应的图像特征；
采用所述初始车辆信息检测模型依据所述图像特征进行车辆信息检测，得到多个车辆方位信息集合，一个车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的坐标信息和多个车辆朝向概率；
依据所述多个车辆方位信息集合与参考车辆方位信息，对所述初始特征提取模型和初始车辆信息检测模型的参数进行调整，得到候选特征提取模型和候选车辆信息检测模型。
11.一种目标车系检测模型的生成方法，其特征在于，所述的方法包括：
获取图像数据，所述图像数据依据包含车辆的图像、所述图像中车辆的参考车辆方位信息集合和参考车系信息生成，所述参考车辆方位信息集合包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；
采用所述训练样本对预置的初始车系检测模型进行训练，得到候选车系检测模型；
采用所述验证样本对所述候选车系检测模型进行验证，计算所述候选车系检测模型的验证准确率；
当所述验证准确率大于验证阈值时，将所述候选车系检测模型确定为目标车系检测模型。
12.根据权利要求11所述的方法，其特征在于，所述的方法还包括生成所述图像数据的步骤：
从所述图像中截取对应参考车辆方位信息中参考坐标信息对应区域的图像；
采用截取的图像和所述参考车系信息，生成所述图像数据。
13.根据权利要求11所述的方法，其特征在于，所述的方法还包括扩充所述图像数据的步骤：
对截取的图像进行缩放，采用缩放后的图像和对应的参考车系信息生成图像数据。
14.一种车距确定装置，其特征在于，包括：
图像获取模块，用于确定第一车辆前方存在第二车辆的情况下，获取所述第二车辆的第一图像；
成像宽度确定模块，用于依据所述第一图像和目标车辆检测模型，确定所述第二车辆对应的车辆成像宽度；
车系信息确定模块，用于依据所述第一图像和目标车系检测模型，确定所述第二车辆对应的车系信息；
实体宽度确定模块，用于依据所述车系信息，确定所述第二车辆对应的车辆实体宽度；
车距确定模块，用于依据所述第二车辆的车辆成像宽度和车辆实体宽度，利用针孔相机模型的成像原理计算所述第一车辆与第二车辆的距离。
15.一种目标车辆检测模型的生成装置，其特征在于，包括：
第一图像数据获取模块，用于获取图像数据，所述图像数据依据包含车辆的图像和所述图像中车辆的参考车辆方位信息生成，所述参考车辆方位信息包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；
车辆检测模型训练模块，用于采用所述训练样本对预置的初始车辆检测模型进行训练，得到候选车辆检测模型；
车辆检测模型验证模块，用于采用所述验证样本对所述候选车辆检测模型进行验证，计算所述候选车辆检测模型的验证准确率；
车辆检测模型生成模块，用于当所述验证准确率大于验证阈值时，将所述候选车辆检测模型确定为目标车辆检测模型。
16.一种目标车系检测模型的生成装置，其特征在于，包括：
第二图像数据获取模块，用于获取图像数据，所述图像数据依据包含车辆的图像、所述图像中车辆的参考车辆方位信息和参考车系信息生成，所述参考车辆方位信息包括：所述包含车辆的图像中车辆边界框的参考坐标信息和参考车辆朝向，所述图像数据包括训练样本和验证样本；
车系检测模型训练模块，用于采用所述训练样本对预置的初始车系检测模型进行训练，得到候选车系检测模型；
车系检测模型验证模块，用于采用所述验证样本对所述候选车系检测模型进行验证，计算所述候选车系检测模型的验证准确率；
车系检测模型生成模块，用于当所述验证准确率大于验证阈值时，将所述候选车系检测模型确定为目标车系检测模型。
17.一种车辆，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述车辆执行如权利要求1-13所述的一个或多个车距确定方法。
18.一个或多个计算机可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如权利要求1-13所述的一个或多个车距确定方法。
CN201910749604.9A 2019-08-14 2019-08-14 一种车距确定方法、装置和车辆 Pending CN110472571A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910749604.9A CN110472571A (zh) 2019-08-14 2019-08-14 一种车距确定方法、装置和车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910749604.9A CN110472571A (zh) 2019-08-14 2019-08-14 一种车距确定方法、装置和车辆

Publications (1)

Publication Number Publication Date
CN110472571A true CN110472571A (zh) 2019-11-19

Family

ID=68511051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910749604.9A Pending CN110472571A (zh) 2019-08-14 2019-08-14 一种车距确定方法、装置和车辆

Country Status (1)

Country Link
CN (1) CN110472571A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105216797A (zh) * 2015-08-21 2016-01-06 奇瑞汽车股份有限公司 超车方法及系统
CN109117709A (zh) * 2017-06-23 2019-01-01 优步技术公司 用于自动驾驶车辆的碰撞避免系统
CN109859489A (zh) * 2019-01-30 2019-06-07 驭势科技（北京）有限公司 一种车距估计方法、装置、车载设备及存储介质
CN109917359A (zh) * 2019-03-19 2019-06-21 福州大学 基于车载单目视觉的鲁棒车辆距离估计方法
CN110059748A (zh) * 2019-04-18 2019-07-26 北京字节跳动网络技术有限公司 用于输出信息的方法和装置
CN110111566A (zh) * 2019-04-19 2019-08-09 腾讯科技（深圳）有限公司 轨迹预测方法、装置和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105216797A (zh) * 2015-08-21 2016-01-06 奇瑞汽车股份有限公司 超车方法及系统
CN109117709A (zh) * 2017-06-23 2019-01-01 优步技术公司 用于自动驾驶车辆的碰撞避免系统
CN109859489A (zh) * 2019-01-30 2019-06-07 驭势科技（北京）有限公司 一种车距估计方法、装置、车载设备及存储介质
CN109917359A (zh) * 2019-03-19 2019-06-21 福州大学 基于车载单目视觉的鲁棒车辆距离估计方法
CN110059748A (zh) * 2019-04-18 2019-07-26 北京字节跳动网络技术有限公司 用于输出信息的方法和装置
CN110111566A (zh) * 2019-04-19 2019-08-09 腾讯科技（深圳）有限公司 轨迹预测方法、装置和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈岩峰: "基于多通道视觉处理机制的运动车辆检测", 《中国优秀硕士学位论文全文数据库 信息科学辑》 *

Similar Documents

Publication Publication Date Title
CN110322702B (zh) 一种基于双目立体视觉系统的车辆智能测速方法
Zielke et al. Intensity and edge-based symmetry detection with an application to car-following
CN103559791B (zh) 一种融合雷达和ccd摄像机信号的车辆检测方法
Ashraf et al. An investigation of interpolation techniques to generate 2D intensity image from LIDAR data
CN105957054B (zh) 一种图像变化检测方法
CN111191629B (zh) 一种基于多目标的图像能见度检测方法
CN117836653A (zh) 一种基于车载定位装置的路侧毫米波雷达校准方法
CN105574552A (zh) 一种基于单目视觉的车辆测距与碰撞预警方法
CN112257605B (zh) 基于自标注训练样本的三维目标检测方法、系统及装置
Hinz Detection and counting of cars in aerial images
CN108645375B (zh) 一种用于车载双目系统快速车辆测距优化方法
CN110031829A (zh) 一种基于单目视觉的目标精准测距方法
Famouri et al. A novel motion plane-based approach to vehicle speed estimation
CN108107462A (zh) Rtk与高速相机组合的交通标志杆姿态监测装置及方法
CN110674674A (zh) 一种基于yolo v3的旋转目标检测方法
CN114359181A (zh) 一种基于图像和点云的智慧交通目标融合检测方法及系统
Daraghmi et al. Crowdsourcing-based road surface evaluation and indexing
EP4250245A1 (en) System and method for determining a viewpoint of a traffic camera
CN112924037A (zh) 基于图像配准的红外体温检测系统及检测方法
CN111882199A (zh) 一种基于规则变异的自动驾驶激光雷达数据扩增方法
CN114492676B (zh) 一种目标检测模型的构建方法、装置和电子设备
CN110472571A (zh) 一种车距确定方法、装置和车辆
CN116635739A (zh) 一种基于车载定位装置的路侧毫米波雷达校准方法
Carratù et al. Development of a new speed measurement technique based on deep learning
CN115457138A (zh) 基于雷达及相机的位置标定方法、系统及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191119