CN111339877B - 盲区的长度检测方法、装置、电子设备及存储介质 - Google Patents

盲区的长度检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111339877B
CN111339877B CN202010101772.XA CN202010101772A CN111339877B CN 111339877 B CN111339877 B CN 111339877B CN 202010101772 A CN202010101772 A CN 202010101772A CN 111339877 B CN111339877 B CN 111339877B
Authority
CN
China
Prior art keywords
lane
image
target vehicle
acquisition device
image acquisition
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
CN202010101772.XA
Other languages
English (en)
Other versions
CN111339877A (zh
Inventor
朱晓星
王成法
杨凡
孙勇义
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.)
Apollo Intelligent Connectivity Beijing Technology Co Ltd
Original Assignee
Apollo Intelligent Connectivity Beijing 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 Apollo Intelligent Connectivity Beijing Technology Co Ltd filed Critical Apollo Intelligent Connectivity Beijing Technology Co Ltd
Priority to CN202010101772.XA priority Critical patent/CN111339877B/zh
Publication of CN111339877A publication Critical patent/CN111339877A/zh
Application granted granted Critical
Publication of CN111339877B publication Critical patent/CN111339877B/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
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了盲区的长度检测方法、装置、电子设备及存储介质，涉及计算机视觉领域。具体实现方案为：选择设置在同一位置的前向图像采集装置和后向图像采集装置；其中，前向图像采集装置所采集第一区域和后向图像采集装置所采集的第二区域之间的区域为盲区；在前向图像采集装置所采集的第一图像和后向图像采集装置所采集的第二图像中进行车道识别，将出现在不同图像中的同一条车道进行匹配；根据在同一条车道上行驶的目标车辆的行驶速度和目标车辆通过盲区的时间，得到盲区的长度。通过上述方案，可以自动计算出盲区的距离。由于避免了人工检测，可以提高检测效率，并提高检测结果的准确性。

Description

盲区的长度检测方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机视觉领域，尤其涉及盲区的长度检测方法、装置、电子设备及存储介质。
背景技术
现有道路检测系统利用双向的图像采集装置实现道路(视频)图像采集。采集到的图像传输至后台服务器进行道路交通分析和监管。
但是双向的图像采集装置存在图像采集的盲区，现有技术一般采用人工测量的方式获取盲区的长度。这种人工测量的方式效率较低，且准确率不高。
发明内容
本申请实施例提供一种盲区的长度检测方法、装置、电子设备及存储介质，以解决现有技术中的一个或多个技术问题。
第一方面，本申请提供一种盲区的长度检测方法，包括：
选择设置在同一位置的前向图像采集装置和后向图像采集装置；其中，前向图像采集装置所采集第一区域和后向图像采集装置所采集的第二区域之间的区域为盲区；
在前向图像采集装置所采集的第一图像和后向图像采集装置所采集的第二图像中进行车道识别，将出现在不同图像中的同一条车道进行匹配；
根据在同一条车道上行驶的目标车辆的行驶速度和目标车辆通过盲区的时间，得到盲区的长度。
通过上述方案，利用前后向图像采集装置对在同一条车道上行驶的目标车辆的速度，以及目标车辆通过盲区的时间进行检测，可以自动计算出盲区的距离。由于避免了人工检测，可以提高检测效率。另外，由于目标车辆没有进行过车道变换，可以提高检测结果的准确性。
在一种实施方式中，在前向图像采集装置所采集的第一图像和后向图像采集装置所采集的第二图像中进行车道识别，将出现在不同图像中的同一条车道进行匹配，包括：
在前向图像采集装置所采集到的第一图像中，识别出至少一条第一车道；
在后向图像采集装置所采集到的第二图像中，识别出至少一条第二车道；
分别获取各第一车道及第二车道在世界坐标系下的坐标信息；
在坐标信息满足匹配条件的情况下，将第一车道和第二车道确定为同一条车道。
通过上述方案，通过车道的坐标信息，可以得到出现在不同图像中的同一车道。由此可以节省人工标注的成本，提高车道标注效率。
在一种实施方式中，目标车辆通过盲区的时间的计算方式，包括：
在后向图像采集装置所采集到的包含目标车辆的各帧第二图像中，确定最后一次检测到目标车辆的末帧图像，记录末帧图像所对应的第一时刻；
在前向图像采集装置所采集到的包含目标车辆的各帧第一图像中，确定第一次检测到目标车辆的首帧图像，记录首帧图像所对应的第二时刻；
根据第一时刻和第二时刻，得到目标车辆通过盲区的时间。
通过上述方案，利用目标车辆的识别和追踪，可以自动计算出目标车辆通过盲区的准确时间。
在一种实施方式中，确定第一次检测到目标车辆的首帧图像，包括：
从第一时刻起，逐一从前向图像采集装置采集到的各帧第一图像中获取候选车辆；
在第一次检测到候选车辆与目标车辆的相似度满足预定条件的情况下，确定包含候选车辆的图像为首帧图像。
通过上述方案，可以实现跨图像采集装置的目标车辆识别，从而可以准确得到目标车辆通过盲区的时间。
在一种实施方式中，行驶速度的确定方式，包括：
根据目标车辆在后向图像采集装置所采集的多帧第二图像中的位置变化，以及多帧第二图像间的时间间隔，得到目标车辆的行驶速度。
通过上述方案，可以只通过图像采集装置即可实现目标车辆行驶速度的检测。避免对其他车速检测设备的依赖，从而可以降低成本。
第二方面，本申请提供一种盲区的长度检测装置，包括：
图像采集装置选择模块，用于选择设置在同一位置的前向图像采集装置和后向图像采集装置；其中，前向图像采集装置所采集第一区域和后向图像采集装置所采集的第二区域之间的区域为盲区；
车道匹配模块，用于在前向图像采集装置所采集的第一图像和后向图像采集装置所采集的第二图像中进行车道识别，将出现在不同图像中的同一条车道进行匹配；
盲区的长度检测模块，用于根据在同一条车道上行驶的目标车辆的行驶速度和目标车辆通过盲区的时间，得到盲区的长度。
在一种实施方式中，车道匹配模块，包括：
第一车道识别子模块，用于在前向图像采集装置所采集到的第一图像中，识别出至少一条第一车道；
第二车道识别子模块，用于在后向图像采集装置所采集到的第二图像中，识别出至少一条第二车道；
坐标信息获取子模块，用于分别获取各第一车道及第二车道在世界坐标系下的坐标信息；
车道匹配执行子模块，用于在坐标信息满足匹配条件的情况下，将第一车道和第二车道确定为同一条车道。
在一种实施方式中，盲区的长度检测模块，包括：
第一时刻确定子模块，用于在后向图像采集装置所采集到的包含目标车辆的各帧第二图像中，确定最后一次检测到目标车辆的末帧图像，记录末帧图像所对应的第一时刻；
第二时刻确定子模块，用于在前向图像采集装置所采集到的包含目标车辆的各帧第一图像中，确定第一次检测到目标车辆的首帧图像，记录首帧图像所对应的第二时刻；
通过盲区时间计算子模块，用于根据第一时刻和第二时刻，得到目标车辆通过盲区的时间。
在一种实施方式中，第二时刻确定子模块，包括：
候选车辆获取单元，用于从第一时刻起，逐一从前向图像采集装置采集到的各帧第一图像中获取候选车辆；
首帧图像确定单元，用于在第一次检测到候选车辆与目标车辆的相似度满足预定条件的情况下，确定包含候选车辆的图像为首帧图像。
在一种实施方式中，盲区的长度检测模块，包括
行驶速度计算子模块，用于根据目标车辆在后向图像采集装置所采集的多帧第二图像中的位置变化，以及多帧第二图像间的时间间隔，得到目标车辆的行驶速度。
第三方面，本申请实施例提供一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请任意一项实施例所提供的方法。
第四方面，本申请实施例提供一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，计算机指令用于使计算机执行本申请任意一项实施例所提供的方法。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请盲区的长度检测方法的流程图；
图2是根据本申请步骤S102的流程图；
图3是根据本申请目标车辆通过盲区的时间的计算方式的流程图；
图4是根据本申请确定第一次检测到目标车辆的首帧图像的流程图；
图5是根据本申请盲区的长度检测装置的框图；
图6是根据本申请车道匹配模块的框图；
图7是根据本申请盲区的长度检测模块的框图；
图8是根据本申请第二时刻确定子模块的框图；
图9是用来实现本申请实施例的盲区的长度检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
如图1所示，本申请提供一种盲区的长度检测方法，包括以下步骤：
S101：选择设置在同一位置的前向图像采集装置和后向图像采集装置；其中，前向图像采集装置所采集第一区域和后向图像采集装置所采集的第二区域之间的区域为盲区。
S102：在前向图像采集装置所采集的第一图像和后向图像采集装置所采集的第二图像中进行车道识别，将出现在不同图像中的同一条车道进行匹配。
S103：根据在同一条车道上行驶的目标车辆的行驶速度和目标车辆通过盲区的时间，得到盲区的长度。
本申请可以通过服务器或云处理器等数据处理设备实现上述步骤。数据处理设备接收设置在目标区域的所有图像采集装置所上传的信息。根据对上传信息的分析，可以对各图像采集装置进行定位，确定出在同一位置的前向图像采集装置和后向图像采集装置。
后向图像采集装置可以为朝向车辆头部的图像采集装置，即与车辆行驶方式相反的图像采集装置；前向图像采集装置可以为朝向车辆尾部的图像采集装置，即车辆行驶方式相同的图像采集装置。
上传的信息可以包括各前向图像采集装置和后向图像采集装置在安装过程中标注出的位置信息。利用标注出的位置信息可以直接得到在同一位置的前向图像采集装置和后向图像采集装置。
前向图像采集装置和后向图像采集装置所采集的区域可以分别作为第一区域和第二区域。在第一区域和第二区域之间的区域为盲区。利用目标车辆驶离第二区域的时刻和驶入第一区域的时刻，可以得到目标车辆通过盲区的时间长度。
利用目标车辆在后向图像采集装置采集到的多帧图像中的位置变化，以及多帧图像的采集时间间隔，可以得到目标车辆的行驶速度。根据目标车辆的行驶速度和目标车辆通过盲区的时间长度，即可得到盲区的长度。
通过上述方案，利用前后向图像采集装置对在同一条车道上行驶的目标车辆的速度，以及目标车辆通过盲区的时间进行检测，可以自动计算出盲区的距离。由于避免了人工检测，可以提高检测效率。另外，由于目标车辆没有进行过车道变换，可以提高检测结果的准确性。
如图2所示，在一种实施方式中，步骤S102包括以下步骤：
S1021：在前向图像采集装置所采集到的第一图像中，识别出至少一条第一车道。
S1022：在后向图像采集装置所采集到的第二图像中，识别出至少一条第二车道。
S1023：分别获取各第一车道及第二车道在世界坐标系下的坐标信息。
S1024：在坐标信息满足匹配条件的情况下，将第一车道和第二车道确定为同一条车道。
利用图像识别算法模型可以识别出图像中的车道。例如，可以利用标注好车道的图像样本对图像识别算法模型进行训练。在后续识别车道过程中，利用训练好的图像识别算法模型对前向图像采集装置和后向图像采集装置所采集图像进行识别，从而可以得出图像中的车道。或者，可以根据在不同车道上的出现的车辆行驶的历史数据进行跟踪记录，以拟合得到车辆的行驶轨迹。可以将拟合出的行驶轨迹作为车道。由此可以避免利用标注好车道的图像样本对图像识别算法模型进行训练，降低标注工作量。
可以对目标车辆驶离第二区域的时刻所对应的第二图像进行识别，得到该第二图像所包含的至少一条第二车道。另外，对目标车辆驶入第一区域的时刻所对应的第一图像进行识别，得到该第一图像所包含的至少一条第一车道。
分别获取各条车道在世界坐标系下的坐标信息。获取过程可以包括：利用前向图像采集装置或后向图像采集装置的内参数可将车道线对应的像素点坐标转换至对应图像采集装置的坐标系下。进一步利用标定好的前向图像采集装置或后向图像采集装置的外参数，可将图像采集装置的坐标系下的坐标转换至世界坐标系下，从而获得车道线在世界坐标系下的坐标。在两车道线之间的区域即为对应各车道，基于此可以得到各条车道在世界坐标系下的坐标信息。坐标信息可以包括二维坐标信息，或者三维坐标信息。坐标信息的表现方式可以是各条车道的函数表达式，或者是各条车道中所包含的像素点的坐标等。
基于各条车道的坐标信息，将第一图像和第二图像中的各条车道进行匹配。匹配的方式可以包括对各条车道的坐标信息进行拟合，若拟合结果为共线，则可以确定满足匹配条件。将满足匹配条件的第二图像中的车道与第一图像中的车道确定为同一条车道。进而可以将在同一车道上行驶的车辆作为目标车辆。
通过上述方案，通过车道的坐标信息，可以得到出现在不同图像中的同一车道。节省人工标注的成本，提高车道标注效率。
如图3所示，在一种实施方式中，目标车辆通过所述盲区的时间的计算方式，包括以下步骤：
S301：在后向图像采集装置所采集到的包含目标车辆的各帧第二图像中，确定最后一次检测到目标车辆的末帧图像，记录末帧图像所对应的第一时刻。
S302：在前向图像采集装置所采集到的包含目标车辆的各帧第一图像中，确定第一次检测到目标车辆的首帧图像，记录首帧图像所对应的第二时刻；
S303：根据第一时刻和第二时刻，得到目标车辆通过盲区的时间。
后向图像采集装置可以率先检测到目标车辆，根据目标车辆的特征可以区分出不同的目标车辆。目标车辆的特征可以包括车牌号、车辆外形和/或车辆颜色中的一种或多种。
对于任意目标车辆，可以基于采集时间，从后向图像采集装置所采集到的包含该目标车辆的各帧第二图像中确定最后一次检测到该目标车辆的末帧图像。记录末帧图像所对应的第一时刻，第一时刻可以记为t1。
同理，前向图像采集装置将会在第一时刻后检测到目标车辆。可以对前向图像采集装置所采集的图像进行目标识别，得到包含目标车辆的各帧第一图像。确定第一次检测到目标车辆的首帧图像，记录首帧图像所对应的第二时刻，第二时刻可以记为t2。
根据第二时刻t2与第一时刻t1的差值，可以得到目标车辆通过盲区的时间。
通过上述方案，利用目标车辆的识别和追踪，可以自动计算出目标车辆通过盲区的准确时间。
如图4所示，在一种实施方式中，确定第一次检测到所述目标车辆的首帧图像，包括以下步骤：
S401：对于前向图像采集装置，从第一时刻起，逐一从采集到的各帧第一图像中获取候选车辆。
S402：在第一次检测到候选车辆与目标车辆的相似度满足预定条件的情况下，确定包含候选车辆的图像为首帧图像。
以第一时刻为起始时刻，逐一对前向图像采集装置所采集到的各帧第一图像进行候选车辆识别，将在各帧图像中识别出的车辆作为候选车辆。例如，在起始时刻采集到的第一图像为第N帧第一图像，则从第(N+1)帧第一图像起，对采集到的第一图像进行候选车辆识别。将识别出的候选车辆与末帧图像中的目标车辆进行相似度对比。
相似度对比可以包括车辆的特征对比，即对比车牌号，车辆外形和/或车辆颜色中的一种或多种。车辆的外形可以包括车辆类型、车辆所对应的检测框的大小等。
车辆的类型可以包括两厢车、三厢车等，也可以包括运动型实用汽车(SUV，Sport/Suburban Utility Vehicle)、多用途汽车(MPV，Multi-Purpose Vehicles)等。
车辆所对应的检测框的大小可以以检测框中心点到四个角点的距离确定。
在对比结果满足预定条件的情况下，可以将第(N+1)帧第一图像确定为第一次检测到候选车辆的首帧图像。否则，继续对(N+2)帧第一图像进行候选车辆识别，将识别出的候选车辆与末帧图像中的目标车辆进行相似度对比。直至确定出第一次检测到候选车辆的首帧图像。
通过上述方案，可以实现跨图像采集装置的目标车辆识别，从而可以准确得到目标车辆通过盲区的时间。
在一种实施方式中，行驶速度的确定方式，包括：
根据目标车辆在后向图像采集装置所采集的多帧第二图像中的位置变化，以及多帧第二图像间的时间间隔，得到目标车辆的行驶速度。
例如，对于包含目标车辆的多帧第二图像，可以选择任意相邻两帧第二图像。获取目标车辆在选取的相邻两帧第二图像中的位置变化，以及选取的相邻两帧第二图像的时间间隔，从而可以计算出目标车辆的移动速度。以目标车辆在相邻两帧第二图像的移动速度作为目标车辆的行驶速度。
或者，还可以根据目标车辆在多帧第二图像中的总位移以及多帧第二图像的总时间间隔，计算目标车辆的移动速度。
通过上述方案，可以只通过图像采集装置即可实现目标车辆行驶速度的检测。避免对其他车速检测设备的依赖，从而可以降低成本。
如图5所示，在一种实施方式中，本申请还提供一种盲区的长度检测装置，包括：
图像采集装置选择模块501，用于选择设置在同一位置的前向图像采集装置和后向图像采集装置；其中，前向图像采集装置所采集第一区域和后向图像采集装置所采集的第二区域之间的区域为盲区；
车道匹配模块502，用于在前向图像采集装置所采集的第一图像和后向图像采集装置所采集的第二图像中进行车道识别，将出现在不同图像中的同一条车道进行匹配；
盲区的长度检测模块503，用于根据在同一条车道上行驶的目标车辆的行驶速度和目标车辆通过盲区的时间，得到盲区的长度。
如图6所示，在一种实施方式中，车道匹配模块502包括：
第一车道识别子模块5021，用于在前向图像采集装置所采集到的第一图像中，识别出至少一条第一车道；
第二车道识别子模块5022，用于在后向图像采集装置所采集到的第二图像中，识别出至少一条第二车道；
坐标信息获取子模块5023，用于分别获取各第一车道及第二车道在世界坐标系下的坐标信息；
车道匹配执行子模块5024，用于在坐标信息满足匹配条件的情况下，将第一车道和第二车道确定为同一条车道。
如图7所示，在一种实施方式中，盲区的长度检测模块503包括：
第一时刻确定子模块5031，用于在后向图像采集装置所采集到的包含目标车辆的各帧第二图像中，确定最后一次检测到目标车辆的末帧图像，记录末帧图像所对应的第一时刻；
第二时刻确定子模块5032，用于在前向图像采集装置所采集到的包含目标车辆的各帧第一图像中，确定第一次检测到目标车辆的首帧图像，记录首帧图像所对应的第二时刻；
通过盲区时间计算子模块5033，用于根据第一时刻和第二时刻，得到目标车辆通过盲区的时间。
如图8所示，在一种实施方式中，第二时刻确定子模块5032包括：
候选车辆获取单元50321，用于从第一时刻起，逐一从前向图像采集装置采集到的各帧第一图像中获取候选车辆；
首帧图像确定单元50322，用于在第一次检测到候选车辆与目标车辆的相似度满足预定条件的情况下，确定包含候选车辆的图像为首帧图像。
在一种实施方式中，盲区的长度检测模块503包括
行驶速度计算子模块，用于根据目标车辆在后向图像采集装置所采集的多帧第二图像中的位置变化，以及多帧第二图像间的时间间隔，得到目标车辆的行驶速度。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图9所示，是根据本申请实施例的盲区的长度检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示，该电子设备包括：一个或多个处理器910、存储器920，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面(Graphical User Interface，GUI)的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器910为例。
存储器920即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的盲区的长度检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的盲区的长度检测方法。
存储器920作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的盲区的长度检测方法对应的程序指令/模块(例如，附图5所示的图像采集装置选择模块501、车道匹配模块502和盲区的长度检测模块503)。处理器910通过运行存储在存储器920中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的盲区的长度检测方法。
存储器920可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据盲区的长度检测方法的电子设备的使用所创建的数据等。此外，存储器920可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器920可选包括相对于处理器910远程设置的存储器，这些远程存储器可以通过网络连接至盲区的长度检测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
盲区的长度检测方法的电子设备还可以包括：输入装置930和输出装置940。处理器910、存储器920、输入装置930和输出装置940可以通过总线或者其他方式连接，图9中以通过总线连接为例。
输入装置930可接收输入的数字或字符信息，以及产生与盲区的长度检测方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置940可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(Liquid Crystal Display，LCD)、发光二极管(LightEmitting Diode，LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路(Application Specific Integrated Circuits，ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(programmable logic device，PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode Ray Tube，阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种盲区的长度检测方法，其特征在于，包括：
选择设置在同一位置的前向图像采集装置和后向图像采集装置；其中，所述前向图像采集装置所采集第一区域和所述后向图像采集装置所采集的第二区域之间的区域为盲区；
在所述前向图像采集装置所采集的第一图像和所述后向图像采集装置所采集的第二图像中进行车道识别，将出现在不同图像中的同一条车道进行匹配；
根据在所述同一条车道上行驶的目标车辆的行驶速度和所述目标车辆通过所述盲区的时间，得到所述盲区的长度。
2.根据权利要求1所述的方法，其特征在于，所述在所述前向图像采集装置所采集的第一图像和所述后向图像采集装置所采集的第二图像中进行车道识别，将出现在不同图像中的同一条车道进行匹配，包括：
在所述前向图像采集装置所采集到的第一图像中，识别出至少一条第一车道；
在所述后向图像采集装置所采集到的第二图像中，识别出至少一条第二车道；
分别获取各所述第一车道及所述第二车道在世界坐标系下的坐标信息；
在所述坐标信息满足匹配条件的情况下，将所述第一车道和所述第二车道确定为同一条车道。
3.根据权利要求1或2所述的方法，其特征在于，所述目标车辆通过所述盲区的时间的计算方式，包括：
在所述后向图像采集装置所采集到的包含所述目标车辆的各帧第二图像中，确定最后一次检测到所述目标车辆的末帧图像，记录所述末帧图像所对应的第一时刻；
在所述前向图像采集装置所采集到的包含所述目标车辆的各帧第一图像中，确定第一次检测到所述目标车辆的首帧图像，记录所述首帧图像所对应的第二时刻；
根据所述第一时刻和所述第二时刻，得到所述目标车辆通过所述盲区的时间。
4.根据权利要求3所述的方法，其特征在于，所述确定第一次检测到所述目标车辆的首帧图像，包括：
从所述第一时刻起，逐一从前向图像采集装置采集到的各帧第一图像中获取候选车辆；
在第一次检测到所述候选车辆与所述目标车辆的相似度满足预定条件的情况下，确定包含所述候选车辆的图像为所述首帧图像。
5.根据权利要求1或2所述的方法，其特征在于，所述行驶速度的确定方式，包括：
根据所述目标车辆在后向图像采集装置所采集的多帧第二图像中的位置变化，以及所述多帧第二图像间的时间间隔，得到所述目标车辆的行驶速度。
6.一种盲区的长度检测装置，其特征在于，包括：
图像采集装置选择模块，用于选择设置在同一位置的前向图像采集装置和后向图像采集装置；其中，所述前向图像采集装置所采集第一区域和所述后向图像采集装置所采集的第二区域之间的区域为盲区；
车道匹配模块，用于在所述前向图像采集装置所采集的第一图像和所述后向图像采集装置所采集的第二图像中进行车道识别，将出现在不同图像中的同一条车道进行匹配；
盲区的长度检测模块，用于根据在所述同一条车道上行驶的目标车辆的行驶速度和所述目标车辆通过所述盲区的时间，得到所述盲区的长度。
7.根据权利要求6所述的装置，其特征在于，所述车道匹配模块，包括：
第一车道识别子模块，用于在所述前向图像采集装置所采集到的第一图像中，识别出至少一条第一车道；
第二车道识别子模块，用于在所述后向图像采集装置所采集到的第二图像中，识别出至少一条第二车道；
坐标信息获取子模块，用于分别获取各所述第一车道及所述第二车道在世界坐标系下的坐标信息；
车道匹配执行子模块，用于在所述坐标信息满足匹配条件的情况下，将所述第一车道和所述第二车道确定为同一条车道。
8.根据权利要求6或7所述的装置，其特征在于，所述盲区的长度检测模块，包括：
第一时刻确定子模块，用于在所述后向图像采集装置所采集到的包含所述目标车辆的各帧第二图像中，确定最后一次检测到所述目标车辆的末帧图像，记录所述末帧图像所对应的第一时刻；
第二时刻确定子模块，用于在所述前向图像采集装置所采集到的包含所述目标车辆的各帧第一图像中，确定第一次检测到所述目标车辆的首帧图像，记录所述首帧图像所对应的第二时刻；
通过盲区时间计算子模块，用于根据所述第一时刻和所述第二时刻，得到所述目标车辆通过所述盲区的时间。
9.根据权利要求8所述的装置，其特征在于，所述第二时刻确定子模块，包括：
候选车辆获取单元，用于从所述第一时刻起，逐一从前向图像采集装置采集到的各帧第一图像中获取候选车辆；
首帧图像确定单元，用于在第一次检测到所述候选车辆与所述目标车辆的相似度满足预定条件的情况下，确定包含所述候选车辆的图像为所述首帧图像。
10.根据权利要求6或7所述的装置，其特征在于，所述盲区的长度检测模块，包括
行驶速度计算子模块，用于根据所述目标车辆在后向图像采集装置所采集的多帧第二图像中的位置变化，以及所述多帧第二图像间的时间间隔，得到所述目标车辆的行驶速度。
11.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1至5中任一项所述的方法。
CN202010101772.XA 2020-02-19 2020-02-19 盲区的长度检测方法、装置、电子设备及存储介质 Active CN111339877B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010101772.XA CN111339877B (zh) 2020-02-19 2020-02-19 盲区的长度检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010101772.XA CN111339877B (zh) 2020-02-19 2020-02-19 盲区的长度检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111339877A CN111339877A (zh) 2020-06-26
CN111339877B true CN111339877B (zh) 2023-04-07

Family

ID=71183955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010101772.XA Active CN111339877B (zh) 2020-02-19 2020-02-19 盲区的长度检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111339877B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112229360B (zh) * 2020-09-28 2022-02-18 浙江大华技术股份有限公司 一种车辆长度确定方法、装置、设备和存储介质
CN112683216B (zh) * 2020-12-22 2022-09-09 阿波罗智联(北京)科技有限公司 用于生成车辆长度信息的方法、装置、路侧设备和云控平台
CN113650616B (zh) * 2021-07-20 2022-11-25 武汉光庭信息技术股份有限公司 一种基于采集数据的车辆行为预测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201248517A (en) * 2011-05-20 2012-12-01 Chung Shan Inst Of Science Blind spot vehicle detection system and method
CN103391422A (zh) * 2012-05-10 2013-11-13 中国移动通信集团公司 一种视频监控方法及设备
CN203528516U (zh) * 2013-09-30 2014-04-09 苏州华兴致远电子科技有限公司 双向列车图像采集控制装置
JP2016224686A (ja) * 2015-05-29 2016-12-28 キヤノン株式会社 情報処理装置、その制御方法、プログラム、及び記憶媒体
CN107953827A (zh) * 2016-10-18 2018-04-24 杭州海康威视数字技术股份有限公司 一种车辆盲区预警方法及装置
CN110364008A (zh) * 2019-08-16 2019-10-22 腾讯科技（深圳）有限公司 路况确定方法、装置、计算机设备和存储介质
CN110516652A (zh) * 2019-08-30 2019-11-29 北京百度网讯科技有限公司 车道检测的方法、装置、电子设备及存储介质
CN110610137A (zh) * 2019-08-21 2019-12-24 北京地平线机器人技术研发有限公司 检测车辆行驶状态的方法、装置以及电子设备、存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3736346B2 (ja) * 2000-12-26 2006-01-18 日産自動車株式会社 車線検出装置
JP2009075010A (ja) * 2007-09-21 2009-04-09 Denso It Laboratory Inc 経路長算出装置、経路長算出方法、経路長算出プログラム及び車両用空調装置ならびに移動物体搭載機器の制御装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201248517A (en) * 2011-05-20 2012-12-01 Chung Shan Inst Of Science Blind spot vehicle detection system and method
CN103391422A (zh) * 2012-05-10 2013-11-13 中国移动通信集团公司 一种视频监控方法及设备
CN203528516U (zh) * 2013-09-30 2014-04-09 苏州华兴致远电子科技有限公司 双向列车图像采集控制装置
JP2016224686A (ja) * 2015-05-29 2016-12-28 キヤノン株式会社 情報処理装置、その制御方法、プログラム、及び記憶媒体
CN107953827A (zh) * 2016-10-18 2018-04-24 杭州海康威视数字技术股份有限公司 一种车辆盲区预警方法及装置
CN110364008A (zh) * 2019-08-16 2019-10-22 腾讯科技（深圳）有限公司 路况确定方法、装置、计算机设备和存储介质
CN110610137A (zh) * 2019-08-21 2019-12-24 北京地平线机器人技术研发有限公司 检测车辆行驶状态的方法、装置以及电子设备、存储介质
CN110516652A (zh) * 2019-08-30 2019-11-29 北京百度网讯科技有限公司 车道检测的方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
纵科展 ; 凤鹏飞 ; .汽车A柱的盲区消除与安全设计.科技风.2017,(第24期),全文. *

Also Published As

Publication number Publication date
CN111339877A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN111273268B (zh) 自动驾驶障碍物类型的识别方法、装置及电子设备
CN110675651B (zh) 停车场推荐方法和装置
CN111339877B (zh) 盲区的长度检测方法、装置、电子设备及存储介质
JP7268076B2 (ja) 車両再識別の方法、装置、機器及び記憶媒体
CN111292531B (zh) 交通信号灯的跟踪方法、装置、设备及存储介质
CN111275983B (zh) 车辆追踪方法、装置、电子设备和计算机可读存储介质
CN112507949A (zh) 目标跟踪方法、装置、路侧设备以及云控平台
CN111859778B (zh) 泊车模型的生成方法和装置、电子设备和存储介质
CN111959495B (zh) 车辆的控制方法、装置及车辆
CN111540023B (zh) 图像采集设备的监测方法、装置、电子设备及存储介质
CN110703732B (zh) 相关性检测方法、装置、设备及计算机可读存储介质
CN110968718B (zh) 目标检测模型负样本挖掘方法、装置及电子设备
CN113091757B (zh) 地图生成方法和装置
CN111523471B (zh) 车辆所在车道的确定方法、装置、设备以及存储介质
CN110675644A (zh) 道路红绿灯的识别方法、装置、电子设备及存储介质
CN110706258A (zh) 对象追踪方法及装置
CN111402609A (zh) 专用车道行驶提醒方法、装置、设备及存储介质
CN111402326A (zh) 障碍物的检测方法、装置、无人车及存储介质
CN113255411A (zh) 目标检测方法、装置、电子设备及存储介质
CN111640301B (zh) 故障车辆检测方法及包括路侧单元的故障车辆检测系统
CN111652112A (zh) 一种车道流向的识别方法、装置、电子设备及存储介质
CN111460073A (zh) 车道线检测方法、装置、设备和存储介质
CN111291681A (zh) 车道线变化信息的检测方法、装置及设备
CN112581533A (zh) 定位方法、装置、电子设备及存储介质
CN111027195B (zh) 仿真场景的生成方法、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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211013

Address after: 100176 Room 101, 1st floor, building 1, yard 7, Ruihe West 2nd Road, economic and Technological Development Zone, Daxing District, Beijing

Applicant after: Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd.

Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant