CN111310643A - 一种基于点云数据的车辆计数方法、装置及电子设备 - Google Patents

一种基于点云数据的车辆计数方法、装置及电子设备 Download PDF

Info

Publication number
CN111310643A
CN111310643A CN202010089015.5A CN202010089015A CN111310643A CN 111310643 A CN111310643 A CN 111310643A CN 202010089015 A CN202010089015 A CN 202010089015A CN 111310643 A CN111310643 A CN 111310643A
Authority
CN
China
Prior art keywords
point cloud
images
image
target
frame
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
CN202010089015.5A
Other languages
English (en)
Other versions
CN111310643B (zh
Inventor
赵晗萍
梅晓雯
王晗
闫泽正
蔡思达
梁瑾璠
张家乐
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.)
Beijing Normal University
Original Assignee
Beijing Normal University
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 Beijing Normal University filed Critical Beijing Normal University
Priority to CN202010089015.5A priority Critical patent/CN111310643B/zh
Publication of CN111310643A publication Critical patent/CN111310643A/zh
Application granted granted Critical
Publication of CN111310643B publication Critical patent/CN111310643B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30236—Traffic on road, railway or crossing
    • 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
    • G06T2207/30242—Counting objects in image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提供了一种基于点云数据的车辆计数方法、装置及电子设备，应用于交通流量检测技术领域，所述方法包括：利用激光雷达获取单位时间内目标道路的点云数据；利用点云数据，生成单位时间内的连续多帧的点云图像；针对单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像；该组连续的多帧点云图像对应的差分图像叠加，得到该组连续的多帧点云图像的目标图像；利用各个目标图像中每相邻两张目标图像的连通体的位置关系，统计所述单位时间内目标道路中车辆的数量。应用本方案，可以解决在光照条件差的情况下，车辆数量的识别准确度较低的问题。

Description

一种基于点云数据的车辆计数方法、装置及电子设备
技术领域
本发明涉及交通流量检测技术领域，特别是涉及一种基于点云数据的车辆计数方法、装置及电子设备。
背景技术
交通流量数据是交通规划及城市规划的重要参考数据，为了获取交通流量数据，需要对单位时间内道路中行驶的车辆计数。
现有技术中，车辆计数的方法为：获取目标道路的交通监控视频在单位时间内的各帧道路图像，对于每一帧道路图像，均衡该道路图像的颜色和光照；对均衡颜色和光照后的道路图像进行灰度化处理，灰度化处理后进行背景建模，得到背景图像；将目标图像与背景图像进行差分处理，将差分处理后的图像进行二值化处理，获得目标图像的前景图像；利用均衡的颜色和光照对二值化处理后的前景图像进行彩色处理，得到彩色前景图像；利用预先训练好的分类器模型，识别彩色前景图像中的车辆；记录车辆在交通监控视频中的每一帧的位置，根据前后帧车辆的位置进行计数，最后得到累计的车辆数。
可见，现有技术中，车辆计数需要利用交通监控视频中的道路图像，对光照条件要求较高。在光照条件差的情况下，会存在车辆数量的识别准确度较低的问题，即便均衡道路图像的颜色和光照，准确度也无法满足要求。
发明内容
本发明实施例的目的在于提供一种基于点云数据的车辆计数方法、装置及电子设备，用以解决在光照条件差的情况下，车辆数量的识别准确度较低的问题。具体技术方案如下：
本发明实施例首先提供了一种基于点云数据的车辆计数方法，所述方法包括：
利用激光雷达获取单位时间内目标道路的点云数据，其中，所述点云数据为记录有所述目标道路中对象的空间位置的数据；
利用所述点云数据，生成所述单位时间内的连续多帧的点云图像，其中，所述点云图像中通过多个位置点表征所述目标道路中的一个对象；
针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像；
针对所述单位时间内每一组连续的多帧点云图像，将该组连续的多帧点云图像对应的差分图像叠加，得到该组连续的多帧点云图像的目标图像；
确定各个所述目标图像中的目标连通体，其中，所述目标连通体为符合第一预定条件的连通体，所述第一预定条件为面积大于第一阈值；
利用各个所述目标图像中每相邻两张目标图像的连通体的位置关系，统计所述单位时间内所述目标道路中车辆的数量。
可选地，针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像，包括：
针对所述单位时间内每一组连续的三帧点云图像，分别对该组连续的三帧点云图像中第一帧图像和第二帧图像作差，以及所述第二帧图像和第三帧图像作差，得到该组连续的三帧点云图像对应的两张差分图像。
可选地，所述利用各个所述目标图像中每相邻两张目标图像的连通体的位置关系，统计所述单位时间内所述目标道路中车辆的数量，包括：
统计各个所述目标图像中的第一张目标图像中连通体的数量，作为车辆的初始数量；其中，所述第一张目标图像为利用第一组连续的多帧点云图像所生成的目标图像；
针对除所述第一张目标图像以外的每一目标图像，统计该目标图像中符合第二预定条件的连通体的目标数量，对当前的初始数量增加所统计出的目标数量，直至除所述第一张目标图像以外的每一目标图像均统计完毕，得到所述单位时间内所述目标道路中车辆的数量；其中，所述第二预定条件为：与该目标图像的前一张目标图像所有连通体的距离大于第二阈值。
可选地，所述利用所述点云数据，生成所述单位时间内的连续多帧的点云图像，包括：
针对所述单位时间的连续多个预定时间段中每个预定时间段，将该预定时间段内的点云数据沿空间坐标系的z轴投影到x-o-y平面上，得到该预定时间段对应的一帧点云图像。
可选地，利用所述点云数据，生成所述单位时间内的连续多帧的点云图像之后，针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像之前，所述方法还包括：
对单位时间内的连续多帧的点云图像进行二值化处理，得到二值化点云图像。
针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像，包括：针对所述单位时间内每一组连续的多帧二值化点云图像，对该组连续的多帧二值化点云图像中的每两个相邻图像作差，得到该组连续的多帧二值化点云图像对应的差分图像。
可选地，所述确定各个所述目标图像中的目标连通体，包括：
针对每一所述目标图像，对该目标图像进行膨胀处理，确定膨胀后的目标图像中的目标连通体。
本发明实施例还提供了一种基于点云数据的车辆计数装置，所述装置包括：
点云数据获取模块，用于利用激光雷达获取单位时间内目标道路的点云数据，其中，所述点云数据为记录有所述目标道路中对象的空间位置的数据；
点云图像生成模块，用于利用所述点云数据，生成所述单位时间内的连续多帧的点云图像，其中，所述点云图像中通过多个位置点表征所述目标道路中的一个对象；
差分图像获得模块，用于针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像；
目标图像获得模块，用于针对所述单位时间内每一组连续的多帧点云图像，将该组连续的多帧点云图像对应的差分图像叠加，得到该组连续的多帧点云图像的目标图像；
连通体确定模块，用于确定各个所述目标图像中的目标连通体，其中，所述目标连通体为符合第一预定条件的连通体，所述第一预定条件为面积大于第一阈值；
数量统计模块，用于利用各个所述目标图像中每相邻两张目标图像的连通体的位置关系，统计所述单位时间内所述目标道路中车辆的数量。
可选地，所述差分图像获得模块，包括：
作差子模块，用于针对所述单位时间内每一组连续的三帧点云图像，分别对该组连续的三帧点云图像中第一帧图像和第二帧图像作差，以及所述第二帧图像和第三帧图像作差，得到该组连续的三帧点云图像对应的两张差分图像。
可选地，所述数量统计模块，包括：
数量统计子模块，用于统计各个所述目标图像中的第一张目标图像中连通体的数量，作为车辆的初始数量；其中，所述第一张目标图像为利用第一组连续的多帧点云图像所生成的目标图像；
针对除所述第一张目标图像以外的每一目标图像，统计该目标图像中符合第二预定条件的连通体的目标数量，对当前的初始数量增加所统计出的目标数量，直至除所述第一张目标图像以外的每一目标图像均统计完毕，得到所述单位时间内所述目标道路中车辆的数量；其中，所述第二预定条件为：与该目标图像的前一张目标图像所有连通体的距离大于第二阈值。
可选地，所述点云图像生成模块，包括：
投影子模块，用于针对所述单位时间的连续多个预定时间段中每个预定时间段，将该预定时间段内的点云数据沿空间坐标系的z轴投影到x-o-y平面上，得到该预定时间段对应的一帧点云图像。
可选地，所述装置还包括：
二值化模块，用于利用所述点云数据，生成所述单位时间内的连续多帧的点云图像之后，针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像之前，对单位时间内的连续多帧的点云图像进行二值化处理，得到二值化点云图像。
所述差分图像获得模块，包括：
针对所述单位时间内每一组连续的多帧二值化点云图像，对该组连续的多帧二值化点云图像中的每两个相邻图像作差，得到该组连续的多帧二值化点云图像对应的差分图像。
可选地，所述连通体确定模块，包括：
针对每一所述目标图像，对该目标图像进行膨胀处理，确定膨胀后的目标图像中的目标连通体。
本发明实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现本发明实施例所提供的任一所述的基于点云数据的车辆计数方法步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现本发明实施例所提供的任一所述的基于点云数据的车辆计数方法步骤。
本发明实施例有益效果：
本发明实施例提供的一种车辆计数方法、装置及电子设备，利用激光雷达获取单位时间内目标道路的点云数据；利用所述点云数据，生成所述单位时间内的连续多帧的点云图像；针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像；针对所述单位时间内每一组连续的多帧点云图像，该组连续的多帧点云图像对应的差分图像叠加，得到该组连续的多帧点云图像的目标图像；确定各个所述目标图像中的目标连通体；利用各个所述目标图像中每相邻两张目标图像的连通体的位置关系，统计所述单位时间内所述目标道路中车辆的数量。由于激光雷达是利用激光束在物体上的反射来获取点云数据，所以利用激光雷达获取点云数据几乎不受光照影响，则后续利用该点云数据，生成点云图像，利用点云图像进行车辆计数，也几乎不受光照影响。因此，通过本方案可以解决在光照条件差的情况下，车辆数量的识别准确度较低的问题。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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1为本发明实施例所提供的一种基于点云数据的车辆计数方法的流程图；
图2为本发明实施例所提供的利用每一组连续的多帧点云图像，得到该组连续的多帧点云图像的目标图像的流程图；
图3为本发明实施例所提供的膨胀处理前的目标图像的示意图；
图4为对图3所示的目标图像进行膨胀处理后所得到的目标图像的示意图；
图5为从图4所示的目标图像中删除面积小于第一阈值的连通体后的示意图；
图6为本发明实施例所提供的一种基于点云数据的车辆计数装置的示意图；
图7为本发明实施例所提供的电子设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了解决解决在光照条件差的情况下，车辆数量的识别准确度较低的问题，本发明实施例提供了一种基于点云数据的车辆计数方法、装置及电子设备。
下面首先对本发明实施例所提供的一种基于点云数据的车辆计数方法进行介绍。
需要说明的是，本发明实施例所提供的基于点云数据的车辆计数方法中，该点云数据是利用激光雷达获取的数据。在实际应用中，该激光雷达可以为16线激光雷达、32线激光雷达等等。
并且，本发明实施例中所提及的车辆计数，统计的是目标道路中存在的车辆。其中，该目标道路为行车道，那么，该目标道路中存在的车辆为运动的车辆。
此外，本发明实施例所提供的一种基于点云数据的车辆计数方法应用于电子设备。该电子设备可以是能够处理点云图像的设备，其中，该点云图像是基于点云数据生成的图像。例如，该电子设备可以为笔记本电脑、台式计算机、手机、平板电脑等等。需要说明的是，具体而言，该方法的执行主体可以为一种基于点云数据的车辆计数装置。
如图1所示，本发明实施例提供了一种基于点云数据的车辆计数方法，可以包括如下步骤：
S101，利用激光雷达获取单位时间内目标道路的点云数据，其中，所述点云数据为记录有所述目标道路中对象的空间位置的数据；
其中，该目标道路可以为道路中的十字路口、丁字路口、高峰路段等需要计算车流量的道路。该单位时间可以为1分钟、3分钟、5分钟等等。另外，可以利用激光雷达持续获取单位时间内目标道路的点云数据；当然，也可以周期性地利用激光雷达间歇性获取单位时间内目标道路的点云数据，这样，在获取单位时间内目标道路的点云数据时，有些时间点下可以不进行点云数据的采集。
其中，目标道路中对象可以包括实际应用中能够出现在目标道路中各种对象。例如，目标道路中对象包括目标道路中的车辆、建筑物、树木、行人等等。并且，该空间位置为目标道路中对象的三维空间位置，包括目标道路中对象在空间坐标系中x轴、y轴、z轴三个维度的坐标值。可以理解的是，该点云数据实质上为空间坐标系中的若干三维坐标，而一个对象可以对应多个三维坐标。
S102，利用所述点云数据，生成所述单位时间内的连续多帧的点云图像，其中，所述点云图像中通过多个位置点表征所述目标道路中的一个对象；
可以理解的是，由于目标道路中的对象具有一定面积，所以该目标道路中的一个对象可以拥有多个位置点。这样，该点云图像中通过多个位置点表征所述目标道路中一个对象。
其中，利用所述点云数据，生成所述单位时间内的连续多帧的点云图像的方式可以有多种。示例性的，在一种实现方式中，可以针对所述单位时间的连续多个预定时间段中每个预定时间段，将该预定时间段内的点云数据沿空间坐标系的z轴投影到x-o-y平面上，得到该预定时间段对应的一帧点云图像。该x-o-y平面可以为目标道路所在的水平平面。而该预定时间段与激光雷达的扫描频率相关，举例而言，激光雷达扫描频率为20HZ，即代表该激光雷达1秒钟生成20帧点云图像，每一帧代表0.05s的路况，则该预定时间段为每0.05s为一个时间段。激光雷达的扫描频率可以为5HZ、10HZ、20HZ等，相应的，该预定时间段可以为每0.2s为一个时间段、每0.1s为一个时间段、每0.05s为一个时间段等。
示例性的，在另一种实现方式中，由于车辆的车体的底面至地面的距离一般大于0.5米，而车体的车顶至地面的距离一般小于2.5米，所以为了后续方便图像处理，可以针对所述单位时间的连续多个预定时间段中每个预定时间段，将该预定时间段内z轴在0.5米至2.5米的点云数据，沿空间坐标系的z轴投影到x-o-y平面上，而将该预定时间段内z轴在0至0.5米和2.5米以上的点云数据删除，最终得到该预定时间段对应的一帧点云图像。
此外，为了方便后续对点云图像的处理，可以将单位时间内的连续多帧的点云图像进行二值化处理，得到二值化点云图像。
为了方便理解方案，对单位时间内的连续多帧的点云图像进行举例介绍：
以1s作为一个单位时间，0.2s为一个预定时间段为例，单位时间内的连续多帧的点云图像可以为：基于0-0.2s的第一帧点云图像、基于0.2s-0.4s的第二帧点云图像、基于0.4s-0.6s的第三帧点云图像、基于0.6s-0.8s的第四帧点云图像和基于0.8s-1s的第五帧点云图像。第一帧点云图像、第二帧点云图像、第三帧点云图像、第四帧点云图像和第五帧点云图像为单位时间内的连续五帧点云图像。
S103，针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像；
将单位时间内的连续多帧的所有点云图像，按照时间序列分成多组，其中每一组中包括连续的多帧点云图像，且每一组中包括的连续的多帧点云图像数量相同，可以为三帧、四帧、五帧等。以每一组中包括连续的三帧点云图像为例，若单位时间内共有六帧点云图像，则按照时间序列分成四组连续的多帧点云图像，具体而言：第一组连续的多帧点云图像包括点云图像1、2、3；第二组连续的多帧点云图像包括点云图像2、3、4；第三组连续的多帧点云图像包括点云图像3、4、5；第四组连续的多帧点云图像包括点云图像4、5、6。
其中，每一组连续的多帧点云图像的数量不同，那么，针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像的方式可以不同。
示例性的，当每一组中包括连续的三帧点云图像时，针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像，可以包括：
针对所述单位时间内每一组连续的三帧点云图像，分别对该组连续的三帧点云图像中第一帧图像和第二帧图像作差，以及所述第二帧图像和第三帧图像作差，得到该组连续的三帧点云图像对应的两张差分图像。
举例而言，针对单位时间内连续的三帧点云图像：点云图像1、2、3，将点云图像2与点云图像1作差，得到第一差分图像，该第一差分图像中包括点云图像1相对于点云图像2中位置存在差异的位置点，该位置存在差异的点可以表征发生运动的对象的部分区域；将点云图像3与点云图像2作差，得到第二差分图像，该第二差分图像中包括点云图像2相对于点云图像3中位置存在差异的位置点。
示例性的，当每一组中包括连续的四帧点云图像时，针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像，可以包括：
针对所述单位时间内每一组连续的四帧点云图像，分别对该组连续的四帧点云图像中第一帧图像和第二帧图像作差、第二帧图像和第三帧图像作差以及第三帧图像与第四帧图像作差，得到该组连续的四帧点云图像对应的三张差分图像。
另外，为了简化处理过程，由于可以将单位时间内的连续多帧的点云图像进行二值化处理，得到二值化点云图像，则针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像，可以包括：
针对所述单位时间内每一组连续的多帧二值化点云图像，对该组连续的多帧二值化点云图像中的每两个相邻图像作差，得到该组连续的多帧二值化点云图像对应的差分图像。
其中，该连续的多帧二值化点云图像可以为连续的三帧二值化点云图像、连续的四帧二值化点云图像等。举例而言，可以针对单位时间内每一组连续的三帧二值化点云图像，分别对该组连续的三帧二值化点云图像中第一帧二值化图像和第二帧二值化图像作差，以及所述第二帧二值化图像和第三帧二值化图像作差，得到该组连续的三帧二值化点云图像对应的两张差分图像。或者，可以针对所述单位时间内每一组连续的四帧二值化点云图像，分别对该组连续的四帧二值化点云图像中第一帧二值化图像和第二帧二值化图像作差、第二帧二值化图像和第三帧二值化图像作差以及第三帧二值化图像与第四帧二值化图像作差，得到该组连续的四帧二值化点云图像对应的三张差分图像。
S104，针对所述单位时间内每一组连续的多帧点云图像，将该组连续的多帧点云图像对应的差分图像叠加，得到该组连续的多帧点云图像的目标图像；
将每一组获得的差分图像叠加在一起，获得该组连续的多帧点云图像的目标图像。目标图像中包括在连续多个预定时间段内均发生运动的对象的位置点。举例而言，针对连续的三帧二值化点云图像，该目标图像中包括在连续三个预定时间段内发生运动的对象的位置点；针对连续的四帧二值化点云图像，该目标图像中包括在连续四个预定时间段内发生运动的对象的位置点，等等。
该叠加的方式可以为：将每一组获得的差分图像进行“与”操作；或者，可以直接将每一组获得的差分图像重叠在一起。
为了更清晰的展示S103-S104的步骤，结合图2对S103-S104的步骤举例说明。针对所述单位时间内连续的三帧二值化点云图像：第k-1帧二值化点云图像、第k帧二值化点云图像和第k+1帧二值化点云图像，分别对该组连续的三帧二值化点云图像中第k-1帧二值化点云图像和第k帧二值化点云图像作差，以及所述第k帧二值化点云图像和第k+1帧二值化点云图像作差，得到该组连续的三帧点云图像对应的两张差分二值化图像，对该组连续的三帧点云图像对应的两张差分二值化图像做“与”操作叠加，得到该组连续的多帧点云图像的目标图像。
S105，确定各个所述目标图像中的目标连通体，其中，所述目标连通体为符合第一预定条件的连通体，所述第一预定条件为面积大于第一阈值；
其中，目标图像中包括多个连通体，所谓连通体为各位置点连接在一起的位置点集合。由于车辆具有一定的面积，因此，车辆对应的连通体的面积可以符合第一预定条件，即面积大于第一阈值。
其中，确定各个所述目标图像中的目标连通体的方式可以有多种。示例性的，在一种实现方式中，确定目标图像中的多个连通体，从目标图像的多个连通体中，筛选出面积大于第一阈值的目标连通体。第一阈值的具体值可以根据实际情况设定，举例而言：第一阈值可以为10平方毫米、12平方毫米、15平方毫米等，当然并不局限于此。
在另一种方式中，从目标图像中确定多个连通体，进而将目标图像中面积小于第一阈值的连通体删除，将图像中剩余的连通体，作为目标连通体。
进一步的，由于属于同一辆车的多个位置点可能未构成一个连通体，如图3所示的目标图像中，每个圆圈内的位置点实质上应该分别表征一个车辆，但是，每个圆圈内的多个位置点并未构成一个连通体。所以，为了解决属于同一辆车的多个位置点可能未构成一个连通体的问题，可以针对每一所述目标图像，对目标图像进行膨胀处理，确定膨胀后的目标图像中的目标连通体。如图4所示为膨胀处理后的目标图像，该目标图像中，处于同一辆车的各位置点连接在一起。该膨胀处理为扩大目标图像中的连通体的面积，例如，将目标图像中的连通体的面积扩大1.5倍、2倍等。
其中，确定膨胀后的目标图像的连通体的方式可以有多种。示例性的，可以从膨胀后的目标图像中，筛选出面积大于第一阈值的连通体，作为目标连通体；
或者，从膨胀后的目标图像中，删除小于第一阈值的连通体，将目标图像中剩余的连通体，作为目标连通体。如图5示出的将目标图像中面积小于第一阈值的连通体删除，所得到的示意图，图中剩余的四处连通体即为目标连通体。
S106，利用各个所述目标图像中每相邻两张目标图像的连通体的位置关系，统计所述单位时间内所述目标道路中车辆的数量。
其中，利用各个所述目标图像中每相邻两张目标图像的连通体的位置关系，统计所述单位时间内所述目标道路中车辆的数量的方式可以有多种。
示例性的，在一种实现方式中，利用各个所述目标图像中每相邻两张目标图像的连通体的位置关系，统计所述单位时间内所述目标道路中车辆的数量，可以包括：
统计各个所述目标图像中的第一张目标图像中连通体的数量，作为车辆的初始数量；其中，所述第一张目标图像为利用第一组连续的多帧点云图像所生成的目标图像；
针对除所述第一张目标图像以外的每一目标图像，统计该目标图像中符合第二预定条件的连通体的目标数量，对当前的初始数量增加所统计出的目标数量，直至除所述第一张目标图像以外的每一目标图像均统计完毕，得到所述单位时间内所述目标道路中车辆的数量；其中，所述第二预定条件为：与该目标图像的前一张目标图像所有连通体的距离大于第二阈值。
具体而言，单位时间内的各个目标图像，利用时间序列进行排序，第一张目标图像即为单位时间内按照时间序列排列的第一张目标图像。统计该目标图像中的连通体的数量，作为车辆的初始数量。
针对第二张目标图像，计算第二张目标图像中的每一连通体与第一张目标图像中所有连通体的距离，若存在距离小于第二阈值，则车辆数量不增加，若距离均大于第二阈值，则车辆数加一，直至统计完第二张目标图像中所有需要增加的车辆数。
相应的，针对除第一张目标图像以外的每一张目标图像，计算该目标图像中的每一连通体与前一张目标图像中所有连通体的距离，若存在距离小于第二阈值，则车辆数量不增加，若距离均大于第二阈值，则车辆数加一，直至统计完全部目标图像中所有需要增加的车辆数。
其中，计算该目标图像中的每一连通体与前一张目标图像中的连通体的距离的方式可以为：计算该目标图像中的每一连通体的质心与前一张目标图像中的连通体的质心之间的距离；或者，可以计算该目标图像中的每一连通体的几何中心与前一张目标图像中的连通体的几何中心之间的距离，等等。
并且，该第二阈值可以为1.5mm、2mm、2.5mm等距离。
或者，在另一种实现方式中，可以统计各个所述目标图像中的最后一张目标图像中连通体的数量，作为车辆的初始数量；其中，所述最后一张目标图像为利用第一组连续的多帧点云图像所生成的目标图像；
针对除所述最后一张目标图像以外的每一目标图像，统计该目标图像中符合第三预定条件的连通体的目标数量，对当前的初始数量增加所统计出的目标数量，直至除所述最后一张目标图像以外的每一目标图像均统计完毕，得到所述单位时间内所述目标道路中车辆的数量；其中，所述第三预定条件为：与该目标图像的后一张目标图像所有连通体的距离大于第二阈值。
具体而言，单位时间内的各个目标图像，利用时间序列进行排序，最后一张目标图像即为单位时间内按照时间序列排列的最后一张目标图像。统计该目标图像中的连通体的数量，作为车辆的初始数量。
针对倒数第二张目标图像，计算倒数第二张目标图像中的每一连通体与最后一张目标图像中所有连通体的距离，若存在距离小于第二阈值，则车辆数量不增加，若距离均大于第二阈值，则车辆数加一，直至统计完倒数第二张目标图像中所有需要增加的车辆数。
相应的，针对除最后一张目标图像以外的每一张目标图像，计算该目标图像中的每一连通体与后一张目标图像中所有连通体的距离，若存在距离小于第二阈值，则车辆数量不增加，若距离均大于第二阈值，则车辆数加一，直至统计完全部目标图像中所有需要增加的车辆数。
为了方便利用各个所述目标图像中每相邻两张目标图像的连通体的位置关系，统计所述单位时间内所述目标道路中车辆的数量的实现方式，下面结合具体示例进行说明。
假设单位时间内共有六帧点云图像，则按照时间序列分成四组连续的多帧点云图像，具体而言：第一组连续的多帧点云图像包括点云图像1、2、3；第二组连续的多帧点云图像包括点云图像2、3、4；第三组连续的多帧点云图像包括点云图像3、4、5；第四组连续的多帧点云图像包括点云图像4、5、6；基于点云图像1、2、3，可以形成第一张目标图像，基于点云图像2、3、4，可以形成第二张目标图像，基于点云图像包括点云图像3、4、5，可以形成第三张目标图像，基于点云图像4、5、6，可以形成第四张目标图像。该四张目标图像，按照时间时序排序为：第一张目标图像、第二张目标图像、第三张目标图像和第四张目标图像。那么，在计算车辆数据时，可以统计第一张目标图像中连通体的数量，作为车辆的初始数量；
针对第二张目标图像，统计该第二张目标图像中，与第一张目标图像任一连通体的距离大于第二阈值的连通体的目标数量，对当前的初始数量增加所统计出的目标数量；
针对第三张目标图像，统计该第三张目标图像中，与第二张目标图像任一连通体的距离大于第二阈值的连通体的目标数量，对当前的初始数量增加所统计出的目标数量；
针对第四张目标图像，统计该第四张目标图像中，与第三张目标图像任一连通体的距离大于第二阈值的连通体的目标数量，对当前的初始数量增加所统计出的目标数量。
当然，以上两种方式仅仅作为本发明实施例的示例，并不构成具体限定。
应用本发明实施例提供的一种车辆计数方法，利用激光雷达获取单位时间内目标道路的点云数据；利用所述点云数据，生成所述单位时间内的连续多帧的点云图像；针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像；针对所述单位时间内每一组连续的多帧点云图像，该组连续的多帧点云图像对应的差分图像叠加，得到该组连续的多帧点云图像的目标图像；确定各个所述目标图像中的目标连通体；利用各个所述目标图像中每相邻两张目标图像的连通体的位置关系，统计所述单位时间内所述目标道路中车辆的数量。由于激光雷达是利用激光束在物体上的反射来获取点云数据，所以利用激光雷达获取点云数据几乎不受光照影响，则后续利用该点云数据，生成点云图像，利用点云图像进行车辆计数，也几乎不受光照影响。因此，通过本方案可以解决在光照条件差的情况下，车辆数量的识别准确度较低的问题。
本发明实施例还提供了一种基于点云数据的车辆计数装置，如图6所示，所述装置包括：
点云数据获取模块610，用于利用激光雷达获取单位时间内目标道路的点云数据，其中，所述点云数据为记录有所述目标道路中对象的空间位置的数据；
点云图像生成模块620，用于利用所述点云数据，生成所述单位时间内的连续多帧的点云图像，所述点云图像中通过多个位置点表征所述目标道路中的一个对象；
差分图像获得模块630，用于针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像；
目标图像获得模块640，用于针对所述单位时间内每一组连续的多帧点云图像，将该组连续的多帧点云图像对应的差分图像叠加，得到该组连续的多帧点云图像的目标图像；
连通体确定模块650，用于确定各个所述目标图像中的目标连通体，其中，所述目标连通体为符合第一预定条件的连通体，所述第一预定条件为面积大于第一阈值；
数量统计模块660，用于利用各个所述目标图像中每相邻两张目标图像的连通体的位置关系，统计所述单位时间内所述目标道路中车辆的数量。
利用激光雷达获取单位时间内目标道路的点云数据；利用所述点云数据，生成所述单位时间内的连续多帧的点云图像；针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像；针对所述单位时间内每一组连续的多帧点云图像，该组连续的多帧点云图像对应的差分图像叠加，得到该组连续的多帧点云图像的目标图像；确定各个所述目标图像中的目标连通体；利用各个所述目标图像中每相邻两张目标图像的连通体的位置关系，统计所述单位时间内所述目标道路中车辆的数量。由于激光雷达是利用激光束在物体上的反射来获取点云数据，所以利用激光雷达获取点云数据几乎不受光照影响，则后续利用该点云数据，生成点云图像，利用点云图像进行车辆计数，也几乎不受光照影响。因此，通过本方案可以解决在光照条件差的情况下，车辆数量的识别准确度较低的问题。
可选地，所述差分图像获得模块630，包括：
作差子模块，用于针对所述单位时间内每一组连续的三帧点云图像，分别对该组连续的三帧点云图像中第一帧图像和第二帧图像作差，以及所述第二帧图像和第三帧图像作差，得到该组连续的三帧点云图像对应的两张差分图像。
可选地，所述数量统计模块660，包括：
数量统计子模块，用于统计各个所述目标图像中的第一张目标图像中连通体的数量，作为车辆的初始数量；其中，所述第一张目标图像为利用第一组连续的多帧点云图像所生成的目标图像；
针对除所述第一张目标图像以外的每一目标图像，统计该目标图像中符合第二预定条件的连通体的目标数量，对当前的初始数量增加所统计出的目标数量，直至除所述第一张目标图像以外的每一目标图像均统计完毕，得到所述单位时间内所述目标道路中车辆的数量；其中，所述第二预定条件为：与该目标图像的前一张目标图像所有连通体的距离大于第二阈值。
可选地，所述点云图像生成模块620，包括：
投影子模块，用于针对所述单位时间的连续多个预定时间段中每个预定时间段，将该预定时间段内的点云数据沿空间坐标系的z轴投影到x-o-y平面上，得到该预定时间段对应的一帧点云图像。
可选地，所述装置还包括：
二值化模块，用于利用所述点云数据，生成所述单位时间内的连续多帧的点云图像之后，针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像之前，对单位时间内的连续多帧的点云图像进行二值化处理，得到二值化点云图像。
所述差分图像获得模块630，包括：
针对所述单位时间内每一组连续的多帧二值化点云图像，对该组连续的多帧二值化点云图像中的每两个相邻图像作差，得到该组连续的多帧二值化点云图像对应的差分图像。
可选地，所述连通体确定模块650，包括：
针对每一所述目标图像，对该目标图像进行膨胀处理，确定膨胀后的目标图像中的目标连通体。
本发明实施例还提供了一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，
存储器703，用于存放计算机程序；
处理器701，用于执行存储器703上所存放的程序时，实现本发明实施例所提供的一种基于点云数据的车辆计数方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture，EISA)总线等。该通信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。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(RandomAccess Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一基于点云数据的车辆计数方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一基于点云数据的车辆计数方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
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、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，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。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种基于点云数据的车辆计数方法，其特征在于，所述方法包括：
利用激光雷达获取单位时间内目标道路的点云数据，其中，所述点云数据为记录有所述目标道路中对象的空间位置的数据；
利用所述点云数据，生成所述单位时间内的连续多帧的点云图像，其中，所述点云图像中通过多个位置点表征所述目标道路中的一个对象；
针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像；
针对所述单位时间内每一组连续的多帧点云图像，将该组连续的多帧点云图像对应的差分图像叠加，得到该组连续的多帧点云图像的目标图像；
确定各个所述目标图像中的目标连通体，其中，所述目标连通体为符合第一预定条件的连通体，所述第一预定条件为面积大于第一阈值；
利用各个所述目标图像中每相邻两张目标图像的连通体的位置关系，统计所述单位时间内所述目标道路中车辆的数量。
2.根据权利要求1所述的方法，其特征在于，针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像，包括：
针对所述单位时间内每一组连续的三帧点云图像，分别对该组连续的三帧点云图像中第一帧图像和第二帧图像作差，以及所述第二帧图像和第三帧图像作差，得到该组连续的三帧点云图像对应的两张差分图像。
3.根据权利要求1或2所述的方法，其特征在于，所述利用各个所述目标图像中每相邻两张目标图像的连通体的位置关系，统计所述单位时间内所述目标道路中车辆的数量，包括：
统计各个所述目标图像中的第一张目标图像中连通体的数量，作为车辆的初始数量；其中，所述第一张目标图像为利用第一组连续的多帧点云图像所生成的目标图像；
针对除所述第一张目标图像以外的每一目标图像，统计该目标图像中符合第二预定条件的连通体的目标数量，对当前的初始数量增加所统计出的目标数量，直至除所述第一张目标图像以外的每一目标图像均统计完毕，得到所述单位时间内所述目标道路中车辆的数量；其中，所述第二预定条件为：与该目标图像的前一张目标图像所有连通体的距离大于第二阈值。
4.根据权利要求1或2所述的方法，其特征在于，所述利用所述点云数据，生成所述单位时间内的连续多帧的点云图像，包括：
针对所述单位时间的连续多个预定时间段中每个预定时间段，将该预定时间段内的点云数据沿空间坐标系的z轴投影到x-o-y平面上，得到该预定时间段对应的一帧点云图像。
5.根据权利要求1所述的方法，其特征在于，利用所述点云数据，生成所述单位时间内的连续多帧的点云图像之后，针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像之前，所述方法还包括：
对单位时间内的连续多帧的点云图像进行二值化处理，得到二值化点云图像；
针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像，包括：针对所述单位时间内每一组连续的多帧二值化点云图像，对该组连续的多帧二值化点云图像中的每两个相邻图像作差，得到该组连续的多帧二值化点云图像对应的差分图像。
6.根据权利要求1或2所述的方法，其特征在于，所述确定各个所述目标图像中的目标连通体，包括：
针对每一所述目标图像，对该目标图像进行膨胀处理，确定膨胀后的目标图像中的目标连通体。
7.一种基于点云数据的车辆计数装置，其特征在于，所述装置包括：
点云数据获取模块，用于利用激光雷达获取单位时间内目标道路的点云数据，其中，所述点云数据为记录有所述目标道路中对象的空间位置的数据；
点云图像生成模块，用于利用所述点云数据，生成所述单位时间内的连续多帧的点云图像，其中，所述点云图像中通过多个位置点表征所述目标道路中的一个对象；
差分图像获得模块，用于针对所述单位时间内每一组连续的多帧点云图像，对该组连续的多帧点云图像中的每两个相邻图像作差，得到该组连续的多帧点云图像对应的差分图像；
目标图像获得模块，用于针对所述单位时间内每一组连续的多帧点云图像，将该组连续的多帧点云图像对应的差分图像叠加，得到该组连续的多帧点云图像的目标图像；
连通体确定模块，用于确定各个所述目标图像中的目标连通体，其中，所述目标连通体为符合第一预定条件的连通体，所述第一预定条件为面积大于第一阈值；
数量统计模块，用于利用各个所述目标图像中每相邻两张目标图像的连通体的位置关系，统计所述单位时间内所述目标道路中车辆的数量。
8.根据权利要求7所述的装置，其特征在于，所述差分图像获得模块，包括：
作差子模块，用于针对所述单位时间内每一组连续的三帧点云图像，分别对该组连续的三帧点云图像中第一帧图像和第二帧图像作差，以及所述第二帧图像和第三帧图像作差，得到该组连续的三帧点云图像对应的两张差分图像。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
CN202010089015.5A 2020-02-12 2020-02-12 一种基于点云数据的车辆计数方法、装置及电子设备 Active CN111310643B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010089015.5A CN111310643B (zh) 2020-02-12 2020-02-12 一种基于点云数据的车辆计数方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010089015.5A CN111310643B (zh) 2020-02-12 2020-02-12 一种基于点云数据的车辆计数方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111310643A true CN111310643A (zh) 2020-06-19
CN111310643B CN111310643B (zh) 2023-08-29

Family

ID=71159961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010089015.5A Active CN111310643B (zh) 2020-02-12 2020-02-12 一种基于点云数据的车辆计数方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111310643B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289940A (zh) * 2011-07-26 2011-12-21 西南交通大学 一种基于混合差分的车流量检测方法
CN106651923A (zh) * 2016-12-13 2017-05-10 中山大学 一种视频图像目标检测与分割方法及系统
CN107169985A (zh) * 2017-05-23 2017-09-15 南京邮电大学 一种基于对称帧间差分和背景更新的运动目标检测方法
US20190147220A1 (en) * 2016-06-24 2019-05-16 Imperial College Of Science, Technology And Medicine Detecting objects in video data
CN110674672A (zh) * 2019-07-10 2020-01-10 北京滴普科技有限公司 一种基于tof相机的多场景人数统计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289940A (zh) * 2011-07-26 2011-12-21 西南交通大学 一种基于混合差分的车流量检测方法
US20190147220A1 (en) * 2016-06-24 2019-05-16 Imperial College Of Science, Technology And Medicine Detecting objects in video data
CN106651923A (zh) * 2016-12-13 2017-05-10 中山大学 一种视频图像目标检测与分割方法及系统
CN107169985A (zh) * 2017-05-23 2017-09-15 南京邮电大学 一种基于对称帧间差分和背景更新的运动目标检测方法
CN110674672A (zh) * 2019-07-10 2020-01-10 北京滴普科技有限公司 一种基于tof相机的多场景人数统计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CANBEN YIN等: "Removing dynamic 3D objects from point clouds of a moving RGB-D camera", 《2015 IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION》 *
刘峰等: "基于对象的激光点云数据城区树木识别方法", 《中南林业科技大学学报》, no. 07 *
崔星等: "基于帧间差分方法的道路车辆检测系统", 《微计算机信息》, no. 10 *

Also Published As

Publication number Publication date
CN111310643B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN109087510B (zh) 交通监测方法及装置
Shin et al. Real-time and accurate segmentation of 3-D point clouds based on Gaussian process regression
CN110286389B (zh) 一种用于障碍物识别的栅格管理方法
CN113487759B (zh) 一种停车巡检方法、装置、移动巡逻设备及巡检系统
CN112883820B (zh) 基于激光雷达点云的道路目标3d检测方法及系统
CN111179152A (zh) 一种道路标识识别方法及装置、介质、终端
Zhang et al. Automatic matching of construction onsite resources under camera views
CN114693696A (zh) 一种点云数据处理方法及装置
CN112050821B (zh) 一种车道线聚合方法
WO2021051346A1 (zh) 立体车道线确定方法、装置和电子设备
CN111986214B (zh) 一种地图中人行横道的构建方法和电子设备
CN109543493A (zh) 一种车道线的检测方法、装置及电子设备
CN110795978B (zh) 路面点云数据提取方法、装置、存储介质及电子设备
CN111784730B (zh) 一种对象跟踪方法、装置、电子设备及存储介质
CN112462758B (zh) 一种建图方法、装置、计算机可读存储介质及机器人
CN110544268B (zh) 一种基于结构光及SiamMask网络的多目标跟踪方法
CN106327558A (zh) 点云立面提取方法和装置
CN114037966A (zh) 高精地图特征提取方法、装置、介质及电子设备
CN115164918A (zh) 语义点云地图构建方法、装置及电子设备
CN115240154A (zh) 停车场的点云特征提取方法、装置、设备及介质
CN114545434A (zh) 一种路侧视角测速方法、系统、电子设备及存储介质
CN114663598A (zh) 三维建模方法、装置和存储介质
CN112507891B (zh) 自动化识别高速路口并构建路口向量的方法及装置
EP4250245A1 (en) System and method for determining a viewpoint of a traffic camera
CN103714528B (zh) 物体分割装置和方法

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