CN111640300B - 一种车辆检测处理方法及装置 - Google Patents
一种车辆检测处理方法及装置 Download PDFInfo
- Publication number
- CN111640300B CN111640300B CN202010404453.6A CN202010404453A CN111640300B CN 111640300 B CN111640300 B CN 111640300B CN 202010404453 A CN202010404453 A CN 202010404453A CN 111640300 B CN111640300 B CN 111640300B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- position information
- tracking
- point cloud
- cloud data
- 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
Links
Images
Classifications
-
- 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
- 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
- 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
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/285—Analysis of motion using a sequence of stereo image pairs
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- 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
- 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
本发明提供了一种车辆检测处理方法及装置,其中,该方法包括:以预定时间周期采集多个车道内一个或多个车辆的点云数据;根据所述点云数据对所述一个或多个车辆进行跟踪,得到一个或多个车辆跟踪结果,其中,所述车辆跟踪结果至少包括:时间与车辆位置信息的对应关系;获取所述多个车道内的车辆检测结果;从所述一个或多个车辆跟踪结果中确定与所述车辆检测结果匹配的目标跟踪结果,并将所述车辆检测结果与所述目标跟踪结果进行绑定,可以解决相关技术中通过车牌进行多种检测信息的匹配,需要大量车牌识别设备,增加了硬件成本和后期设备运维难度的问题,不需要大量车牌识别设备,降低了硬件成本和设备维护难度。
Description
技术领域
本发明涉及智能交通领域,具体而言,涉及一种车辆检测处理方法及装置。
背景技术
车辆在通过高速公路入口车道或出口车道时,一条过车流水包含多种检测信息,包括车牌识别信息、抓拍信息、车型识别信息、超限超载信息、视频信息、收费信息等。多种信息的正确匹配与融合能为车辆收费和后期稽查提供有效依据。关键检测信息匹配出错往往需要人工纠偏,严重影响车辆通行效率。常用的手段是给每一种检测设备增加一台车牌识别设备,通过车牌进行多种检测信息的匹配,但车牌识别设备本身受限于天气、光线、物理遮挡等因素的影响,同时大量的车牌识别设备增加了硬件投入成本和后期设备运维难度。
针对相关技术中通过车牌进行多种检测信息的匹配,需要大量车牌识别设备,增加了硬件成本和后期设备运维难度的问题,尚未提出解决方案。
发明内容
本发明实施例提供了一种车辆检测处理方法及装置,以至少解决相关技术中通过车牌进行多种检测信息的匹配,需要大量车牌识别设备,增加了硬件成本和后期设备运维难度的问题。
根据本发明的一个实施例,提供了一种车辆检测处理方法,包括:
以预定时间周期采集多个车道内一个或多个车辆的点云数据;
根据所述点云数据对所述一个或多个车辆进行跟踪,得到一个或多个车辆跟踪结果,其中,所述车辆跟踪结果至少包括:时间与车辆位置信息的对应关系;
获取所述多个车道内的车辆检测结果;
从所述一个或多个车辆跟踪结果中确定与所述车辆检测结果匹配的目标跟踪结果,并将所述车辆检测结果与所述目标跟踪结果进行绑定。
可选地,根据所述点云数据对所述一个或多个车辆进行跟踪,得到一个或多个车辆跟踪结果包括:
根据每个时间周期采集的点云数据确定所述每个时间周期的车辆队列,其中,所述车辆队列至少包括:车辆数量、车辆位置信息;
分别根据相邻时间周期的车辆队列对所述一个或多个车辆进行匹配,完成车辆跟踪,得到所述一个或多个车辆跟踪结果。
可选地,根据每个时间周期采集的点云数据确定所述每个时间周期的车辆队列包括:
将所述每个时间周期的点云数据与预先存储的背景测距点云数据进行差分处理,其中,所述背景测距点云数据为所述多个车道内无动态物体时采集的点云数据;
提取所述每个时间周期的点云数据中Z轴坐标大于第一预设阈值的目标点云数据;
对所述目标点云数据进行邻域分类处理;
确定所述多个车道内的车辆数量与所述一个或多个车辆的目标点云数据;
根据所述目标点云数据确定所述车辆位置信息;
确定所述目标点云数据中最大X坐标所在点的坐标为所述车辆位置信息;或者确定所述目标点云数据中最小X坐标所在点的坐标为所述车辆位置信息;或者确定所述目标点云数据的中心点的坐标为所述车辆位置信息;
根据所述车辆数量与所述车辆位置信息构建所述车辆队列。
可选地,分别根据相邻时间周期的车辆队列对所述一个或多个车辆进行匹配,完成车辆跟踪,得到所述一个或多个车辆跟踪结果包括:
分别将所述每个时间周期的车辆队列与上一时间周期的车辆队列进行双向匹配;
若匹配成功,将匹配成功的车辆位置信息与对应的时间存储到为对应车辆构建的位置信息队列中,得到所述一个或多个车辆跟踪结果;
若匹配失败,将匹配失败的车辆位置信息进行模糊匹配。
可选的,将匹配失败的车辆位置信息进行模糊匹配包括:
将所述当前时间周期中匹配失败的第一车辆位置信息匹配到与所述第一车辆位置信息相邻的第二车辆位置信息匹配的车辆位置信息;或者
将所述上一时间周期中匹配失败的第三车辆位置信息匹配到与所述第三车辆位置信息相邻的第四车辆位置信息匹配的车辆位置信息。
可选地,从所述一个或多个车辆跟踪结果中确定与所述车辆检测结果匹配的目标跟踪结果,并将所述车辆检测结果与所述目标跟踪结果进行绑定包括:
确定所述一个或多个车辆跟踪结果中的目标时间与所述车辆检测结果中检测时间的时间差小于预定时间阈值且所述车辆检测结果中检测设备的位置信息与所述一个或多个车辆跟踪结果中车辆位置信息的距离小于第二预设阈值的车辆跟踪结果为所述目标跟踪结果,其中,所述车辆检测结果包括检测设备的位置信息、检测时间以及检测结果;
当所述车辆行驶方向与预设方向相同时,将所述目标跟踪结果中所述目标时间对应的车辆位置信息与所述车辆检测结果进行绑定。
可选地,在将所述目标跟踪结果中所述目标时间对应的车辆位置信息与所述车辆检测结果进行绑定之后,所述方法还包括:
若所述车辆位置信息上绑定的同类检测结果大于一个时,按所述车辆检测结果的检测时间先后顺序将时间靠后的所述同类检测结果与第一车辆位置信息的车辆解除绑定,并与第二车辆位置信息的车辆绑定,其中,所述第一车辆位置信息与所述第二车辆位置信息的位置差值小于第六预设阈值。
根据本发明的另一个实施例,还提供了一种车辆检测处理装置,包括:
采集模块,用于以预定时间周期采集多个车道内一个或多个车辆的点云数据;
跟踪模块,用于根据所述点云数据对所述一个或多个车辆进行跟踪,得到一个或多个车辆跟踪结果,其中,所述车辆跟踪结果至少包括:时间与车辆位置信息的对应关系;
获取模块,用于获取所述多个车道内的车辆检测结果;
匹配模块,用于从所述一个或多个车辆跟踪结果中确定与所述车辆检测结果匹配的目标跟踪结果,并将所述车辆检测结果与所述目标跟踪结果进行绑定。
可选地,所述跟踪模块包括:
第一确定子模块,用于根据每个时间周期采集的点云数据确定所述每个时间周期的车辆队列,其中,所述车辆队列至少包括:车辆数量、车辆位置信息;
匹配子模块,用于分别根据相邻时间周期的车辆队列对所述一个或多个车辆进行匹配,完成车辆跟踪,得到所述一个或多个车辆跟踪结果。
可选地,所述第一确定子模块包括:
差分处理单元,用于将所述每个时间周期的点云数据与预先存储的背景测距点云数据进行差分处理,其中,所述背景测距点云数据为所述多个车道内无动态物体时采集的点云数据;
提取单元,用于提取所述每个时间周期的点云数据中Z轴坐标大于第一预设阈值的目标点云数据;
分类单元,用于对所述目标点云数据进行邻域分类处理;
第一确定单元,用于确定所述多个车道内的车辆数量与所述一个或多个车辆的目标点云数据;
第二确定单元,用于确定所述目标点云数据中最大X坐标所在点的坐标为所述车辆位置信息;或者确定所述目标点云数据中最小X坐标所在点的坐标为所述车辆位置信息;或者确定所述目标点云数据的中心点的坐标为所述车辆位置信息;
构建单元,用于根据所述车辆数量与所述车辆位置信息构建所述车辆队列。
可选地,所述匹配子模块包括:
匹配单元,用于分别将所述每个时间周期的车辆队列与上一时间周期的车辆队列进行双向匹配;
存储单元,用于若匹配成功,将匹配成功的车辆位置信息与对应的时间存储到为对应车辆构建的位置信息队列中,得到所述一个或多个车辆跟踪结果;
模糊匹配单元,用于若匹配失败,将匹配失败的车辆位置信息进行模糊匹配。
可选的,所述模糊匹配单元,还用于
将所述当前时间周期中匹配失败的第一车辆位置信息匹配到与所述第一车辆位置信息相邻的第二车辆位置信息匹配的车辆位置信息;或者
将所述上一时间周期中匹配失败的第三车辆位置信息匹配到与所述第三车辆位置信息相邻的第四车辆位置信息匹配的车辆位置信息。
可选地,所述匹配模块包括:
第三确定子模块,用于确定所述一个或多个车辆跟踪结果中的目标时间与所述车辆检测结果中检测时间的时间差小于预定时间阈值且所述车辆检测结果中检测设备的位置信息与所述一个或多个车辆跟踪结果中车辆位置信息的距离小于第二预设阈值的车辆跟踪结果为所述目标跟踪结果,其中,所述车辆检测结果包括检测设备的位置信息、检测时间以及检测结果;
绑定子模块,用于当所述车辆行驶方向与预设方向相同时,将所述目标跟踪结果中所述目标时间对应的车辆位置信息与所述车辆检测结果进行绑定。
可选地,所述装置还包括:
第二绑定子模块,用于若所述车辆位置信息上绑定的同类检测结果大于一个时,按所述车辆检测结果的检测时间先后顺序将时间靠后的所述同类检测结果与第一车辆位置信息的车辆解除绑定,并与第二车辆位置信息的车辆绑定,其中,所述第一车辆位置信息与所述第二车辆位置信息的位置差值小于第六预设阈值。
根据本发明的又一个实施例,还提供了一种计算机可读的存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,以预定时间周期采集多个车道内一个或多个车辆的点云数据;根据所述点云数据对所述一个或多个车辆进行跟踪,得到一个或多个车辆跟踪结果,其中,所述车辆跟踪结果至少包括:时间与车辆位置信息的对应关系;获取所述多个车道内的车辆检测结果;从所述一个或多个车辆跟踪结果中确定与所述车辆检测结果匹配的目标跟踪结果,并将所述车辆检测结果与所述目标跟踪结果进行绑定,可以解决相关技术中通过车牌进行多种检测信息的匹配,需要大量车牌识别设备,增加了硬件成本和后期设备运维难度的问题,通过对车道内的车辆进行跟踪,得到跟踪结果,当检测行为发生时,将车辆检测结果与跟踪结果进行匹配,不需要大量车牌识别设备,降低了硬件成本和设备维护难度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的车辆检测处理方法的移动终端的硬件结构框图;
图2是根据本发明实施例的车辆检测处理方法的流程图;
图3是根据本发明实施例的收费车道车辆队列维护系统设备布局的示意图;
图4是根据本发明实施例的采集点云分布的示意图;
图5是根据本发明实施例的车道内车辆数和车辆队列的示意图一;
图6是根据本发明实施例的车道内车辆数和车辆队列的示意图二;
图7是根据本发明实施例的车辆检测处理装置的框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的车辆检测处理方法的移动终端的硬件结构框图,如图1所示,移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的报文接收方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端10。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。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述移动终端或网络架构的车辆检测处理方法,图2是根据本发明实施例的车辆检测处理方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,以预定时间周期采集多个车道内一个或多个车辆的点云数据;
具体的,采集检测区域内的点云数据,所述检测区域包含多条收费车道和收费车道之间的隔离区域。
步骤S204,根据所述点云数据对所述一个或多个车辆进行跟踪,得到一个或多个车辆跟踪结果,其中,所述车辆跟踪结果至少包括:时间与车辆位置信息的对应关系;
具体的,接收Ti时刻所述采集模块采集的点云数据Ci,根据预设的车道数和车道位置坐标提取车道1、2……N内的测距点云C1i,C2i,......,CNi;根据Ti时刻车道N内的测距点云CNi确定车道内的车辆数,并定位车辆位置坐标XNi1,XNi2,......,XNij,形成车道N内的车辆队列,所述位置坐标XNi1,XNi2,......,XNij为沿车辆行驶方向的位置坐标;根据Ti时刻车辆位置坐标XNi1,XNi2,......,XNij和Ti+1时刻车辆位置坐标XN(i+1)1,XN(i+1)2,......,XN(i+1)k执行车辆匹配动作;根据时间序列Ti,Ti+1,......,Ti+m车辆位置坐标依次执行匹配动作,完成车辆位置跟踪。
步骤S206,获取所述多个车道内的车辆检测结果;
步骤S208,从所述一个或多个车辆跟踪结果中确定与所述车辆检测结果匹配的目标跟踪结果,并将所述车辆检测结果与所述目标跟踪结果进行绑定。
具体的,当检测子系统发生检测行为时,将对应的检测时间、检测结果和预设的发生检测行为时的位置坐标与车辆队列依次按照时间和位置进行匹配,并将检测结果与匹配成功的车辆绑定。
通过上述步骤S202至S208,可以解决相关技术中通过车牌进行多种检测信息的匹配,需要大量车牌识别设备,增加了硬件成本和后期设备运维难度的问题,通过对车道内的车辆进行跟踪,得到跟踪结果,当检测行为发生时,将车辆检测结果与跟踪结果进行匹配,不需要大量车牌识别设备,降低了硬件成本和设备维护难度。
可选地,上述步骤S204具体可以包括:
S2041,根据每个时间周期采集的点云数据确定所述每个时间周期的车辆队列,其中,所述车辆队列至少包括:车辆数量、车辆位置信息;
进一步的,将所述每个时间周期的点云数据与预先存储的背景测距点云数据进行差分处理,其中,所述背景测距点云数据为所述多个车道内无动态物体时采集的点云数据;提取所述每个时间周期的点云数据中Z轴坐标大于第一预设阈值的目标点云数据;对所述目标点云数据进行邻域分类处理;确定所述多个车道内的车辆数量与所述一个或多个车辆的目标点云数据;根据所述目标点云数据确定所述车辆位置信息;进一步的,确定所述目标点云数据中最大X坐标所在点的坐标为所述车辆位置信息;或者确定所述目标点云数据中最小X坐标所在点的坐标为所述车辆位置信息;或者确定所述目标点云数据的中心点的坐标为所述车辆位置信息;根据所述车辆数量与所述车辆位置信息构建所述车辆队列。
S2042,分别根据相邻时间周期的车辆队列对所述一个或多个车辆进行匹配,完成车辆跟踪,得到所述一个或多个车辆跟踪结果。
进一步的,分别将所述每个时间周期的车辆队列与上一时间周期的车辆队列进行双向匹配,具体的,对所述每个时间周期的车辆队列执行以下操作,对当前正在执行的时间周期称为当前时间周期:确定所述当前时间周期的车辆队列中每个车辆位置信息与所述上一时间周期的车辆队列中每个车辆位置信息的位置差值,以及确定所述上一时间周期的车辆队列中每个车辆位置信息与所述当前时间周期的车辆队列中每个车辆位置信息的位置差值;所述位置差值小于第三预设阈值,则匹配成功,否则匹配失败;双向匹配均成功,则为匹配成功,对于未匹配到的车辆位置信息,则进一步实行模糊匹配;将匹配成功的车辆位置信息与对应的时间存储到为对应车辆构建的位置信息队列中,得到所述一个或多个车辆跟踪结果。
在一可选的实施例中,在分别根据相邻时间周期的车辆队列对所述一个或多个车辆进行匹配,完成车辆跟踪,得到所述一个或多个车辆跟踪结果之后,根据所述车辆位置信息的变化确定车辆行驶方向;当所述车辆行驶方向与预设方向相同时,若所述车辆位置信息与预设的位置坐标的差值大于第四预设阈值时,从所述车辆队列的头部执行出队列操作;若所述车辆位置信息与所述预设的位置坐标的差值小于第五预设阈值时,从所述车辆队列的尾部执行入队列操作;当所述车辆行驶方向与预设方向相反时,若所述车辆位置信息与所述预设的位置坐标的差值大于第六预设阈值时,从所述车辆队列的尾部执行出队列操作。
本发明实施例中,上述步骤S208具体可以包括:
确定所述一个或多个车辆跟踪结果中的目标时间与所述车辆检测结果中检测时间的时间差小于预定时间阈值且所述车辆检测结果中检测设备的位置信息与所述一个或多个车辆跟踪结果中车辆位置信息的距离小于第二预设阈值的车辆跟踪结果为所述目标跟踪结果,其中,所述车辆检测结果包括检测设备的位置信息、检测时间以及检测结果;
当所述车辆行驶方向与预设方向相同时,将所述目标跟踪结果中所述目标时间对应的车辆位置信息与所述车辆检测结果进行绑定。
在一可选的实施例中,在将所述目标跟踪结果中所述目标时间对应的车辆位置信息与所述车辆检测结果进行绑定之后,若所述车辆位置信息上绑定的同类检测结果大于一个时,按所述车辆检测结果的检测时间先后顺序将时间靠后的所述同类检测结果与第一车辆位置信息的车辆解除绑定,并与第二车辆位置信息的车辆绑定,其中,所述第一车辆位置信息与所述第二车辆位置信息的位置差值小于第六预设阈值。
下面以两车道为例对本发明实施例进行说明。
本发明实施例基于车辆位置跟踪的车辆队列维护方法和系统,通过建立车道内车辆队列的位置信息,并实时更新,当检测行为发生时,根据检测行为对应检测设备的位置信息和车辆队列的实时位置信息进行比对,实现多种检测信息的匹配。图3是根据本发明实施例的收费车道车辆队列维护系统设备布局的示意图,如图3所示,(1)为采集模块,所述采集模块为三维激光雷达,(2)、(3)分别为第一检测车道和第二检测车道,(4)、(5)、(6)为车道之间的隔离区域,所述采集模块安装在所述检测区域或隔离区域上方,所述采集模块的有效检测范围至少覆盖所述检测车道和车道之间的隔离区域;沿车辆行驶方向,(7)、(8)、(9)分别为所述第一检测车道内的第一检测模块、第二检测模块、第三检测模块;所述第一检测车道的检测子系统包括但不限于所述第一检测模块(7)、第二检测模块(8)、第三检测模块(9);(10)、(11)、(12)分别为所述第二检测车道内的第一检测模块、第二检测模块、第三检测模块,所述第二检测车道的检测子系统包括但不限于所述第一检测模块(10)、第二检测模块(11)、第三检测模块(12)。所述检测子系统为车牌识别子系统、超限检测子系统、超载检测子系统、车型识别子系统、收费子系统中的一种或多种。根据所述检测子系统的安装位置预设所述检测子系统发生检测行为时的位置坐标。
图4是根据本发明实施例的采集点云分布的示意图,如图4所示,所述采集模块沿车辆行驶方向有效检测角度为θ,垂直于车辆行驶方向有效检测角度为φ。所述测距点云在地面上形成若干条沿车辆行驶方向相互平行的直线,依次编号为L1,L2,......,Lp。
所述采集模块以特定的频率获取检测区域内的测距点云数据,所述检测区域包含多条收费车道和收费车道之间的隔离区域;
建立全局三维坐标系,其中X坐标沿车辆行驶方向,Y坐标沿垂直于车辆行驶方向,XY平面与地面平行,Z坐标为垂直于XY平面方向;
数据预处理模块预设检测区域内的车道数N以及车道内的区域坐标,所述区域坐标由X坐标和Y坐标表示;所述数据预处理模块获取Ti时刻所述采集模块的测距点云数据Ci,所述测距点云数据Ci为一组由(x,y,z)表示的点集。根据车道1、2……N的车道区域坐标获取车道1、2……N的测距点云C1i,C2i,......,CNi。
车道逻辑处理模块包括车辆定位模块、车辆匹配模块、车辆跟踪模块;所述车辆定位模块的定位方法包括:
车道逻辑处理模块将Ti时刻车道N内的测距点云数据CNi与车道N的背景测距点云数据作差分处理,并提取Z坐标大于预设第一阈值的有效点云数据,所述背景测距点云数据为车道内没有任何动态物体时的测距点云数据;对所述有效点云数据按照X坐标根据最近邻域分类法进行分类,确定车辆数,并得到每辆车的点云数据;根据所述车辆的点云数据定位车辆的位置坐标XNi1,XNi2,......,XNij,形成车道N内的车辆队列;所述车辆位置坐标可以是车头位置坐标或车尾位置坐标,即所述车辆点云数据中X坐标的极值点;
所述车辆匹配模块的匹配方法包括:
分别获取Ti时刻的车辆数j和车辆队列XNi1,XNi2,......,XNij,Ti+1时刻的车辆数k和车辆队列XN(i+1)1,XN(i+1)2,......,XN(i+1)k;将Ti时刻车辆队列中任一车辆位置XNij与Ti+1时刻车辆队列中的车辆位置XN(i+1)k进行匹配,当XNij与XN(i+1)k之差小于预设第二阈值时,完成车辆匹配;当所述Ti时刻车辆队列中的车辆无法与Ti+1时刻车辆队列中的车辆完成一一匹配时,按照如下方法执行模糊匹配:
图5是根据本发明实施例的车道内车辆数和车辆队列的示意图一,如图5所示,Ti时刻车道内有三辆车,由于1号车与2号车跟车距离很近,导致根据所述最近邻域算法将车辆1和2归类为第一辆车,测距点云为CNi1,对应的车辆位置坐标为XNi1,3号车被归类为第二辆车,测距点云为CNi2,对应的车辆位置坐标为XNi2;图6是根据本发明实施例的车道内车辆数和车辆队列的示意图二,如图6所示,Ti+1时刻车道内有三辆车,当1号车与2号车的跟车距离大于所述设定阈值时,根据所述最近邻域算法,1号车被归为第一辆车,测距点云为CN(i+1)1,对应的车辆位置坐标为XN(i+1)1,2号车被归为第二辆车,测距点云为CN(i+1)2,对应的车辆位置坐标为XN(i+1)2,3号车被归为第三辆车,测距点云为CN(i+1)3,对应的车辆位置坐标为XN(i+1)3。根据所述的匹配算法,XNi1与XN(i+1)1匹配成功,XNi2与XN(i+1)3匹配成功;所述XN(i+1)2无法找到满足条件的匹配项,将XN(i+1)2与XN(i+1)1匹配到同一目标,即XNi1。
同理可知,若当前时间周期为两辆车,上一时间周期为三辆车,XN(i+1)1与XNi1与配成功,XN(i+1)2与XNi3匹配成功,经过双向匹配,XNi1与XN(i+1)1匹配成功,XNi3与XN(i+1)2匹配成功,将XNi2与所述XNi1匹配到同一目标,即XN(i+1)1。
所述车辆跟踪模块的跟踪方法以及判断车辆行驶方向、判断车辆离开或进入检测车道、将检测子系统的检测结果与所述车辆队列进行绑定的方法包括:
依次获取Ti,Ti+1,......,Ti+m时刻车道N内的车辆数和车辆队列,根据匹配模块的匹配结果跟踪车辆位置变化,根据车辆位置坐标的变化判断车辆行驶方向。当车辆正向行驶时,将车辆的位置坐标XN(i+m)j与预设的位置坐标Xout比较,所述车辆位置坐标XN(i+m)j与预设的位置坐标Xout之差大于预设第三阈值时,从车辆队列头部执行出队列操作;将车辆的位置坐标XN(i+m)j与预设的位置坐标Xin比较,所述车辆位置坐标XN(i+m)j与预设的位置坐标Xin之差小于预设第四阈值时,从车辆队列尾部执行入队列操作;当车辆逆向行驶时,将车辆位置坐标XN(i+m)j与预设的位置坐标Xin比较,若所述车辆位置坐标XN(i+m)j与预设的位置坐标Xin之差大于预设第五阈值时,从车辆队列尾部执行出队列操作。
当所述检测子系统发生检测行为时,将对应的检测时间、检测结果和预设的发生检测行为时的位置坐标与车辆队列依次按照时间和位置进行匹配,当所述检测时间与采集模块的采集时间之差不大于预设第六阈值,所述位置坐标与车辆位置坐标XNij之差不大于预设第七阈值时,完成检测结果与车辆的匹配;若匹配的目标车辆正向行驶时,将所述检测结果与所述匹配的目标车辆完成绑定;若匹配的目标车辆逆向行驶时,不执行绑定动作。
当所述车辆位置坐标XNi(j-1)上绑定的同类检测信息不止一个时,按时间顺序将所述同类检测信息排序,依次为第一检测信息,第二检测信息……。若车辆位置坐标XN(i+1)(k-1)与车辆位置坐标XN(i+1)k同时与所述车辆位置坐标XNi(j-1)匹配成功时,将所述第二检测信息与所述XNi(j-1)解绑,并与所述XN(i+1)k执行绑定动作。
本发明实施例,只需要一台激光测距传感器即可实现一个收费站多条车道的队列维护,降低硬件投入成本;基于车辆位置的队列维护与匹配与传统的基于车牌识别结果的车辆队列维护与匹配相比,队列维护与匹配效果不受车牌识别率影响。
实施例2
根据本发明的另一个实施例,还提供了一种车辆检测处理装置,图7是根据本发明实施例的车辆检测处理装置的框图,如图7所示,包括:
采集模块72,用于以预定时间周期采集多个车道内一个或多个车辆的点云数据;
跟踪模块74,用于根据所述点云数据对所述一个或多个车辆进行跟踪,得到一个或多个车辆跟踪结果,其中,所述车辆跟踪结果至少包括:时间与车辆位置信息的对应关系;
获取模块76,用于获取所述多个车道内的车辆检测结果;
匹配模块78,用于从所述一个或多个车辆跟踪结果中确定与所述车辆检测结果匹配的目标跟踪结果,并将所述车辆检测结果与所述目标跟踪结果进行绑定。
可选地,所述跟踪模块包74包括:
第一确定子模块,用于根据每个时间周期采集的点云数据确定所述每个时间周期的车辆队列,其中,所述车辆队列至少包括:车辆数量、车辆位置信息;
匹配子模块,用于分别根据相邻时间周期的车辆队列对所述一个或多个车辆进行匹配,完成车辆跟踪,得到所述一个或多个车辆跟踪结果。
可选地,所述第一确定子模块包括:
差分处理单元,用于将所述每个时间周期的点云数据与预先存储的背景测距点云数据进行差分处理,其中,所述背景测距点云数据为所述多个车道内无动态物体时采集的点云数据;
提取单元,用于提取所述每个时间周期的点云数据中Z轴坐标大于第一预设阈值的目标点云数据;
分类单元,用于对所述目标点云数据进行邻域分类处理;
第一确定单元,用于确定所述多个车道内的车辆数量与所述一个或多个车辆的目标点云数据;
第二确定单元,用于确定所述目标点云数据中最大X坐标所在点的坐标为所述车辆位置信息;或者确定所述目标点云数据中最小X坐标所在点的坐标为所述车辆位置信息;或者确定所述目标点云数据的中心点的坐标为所述车辆位置信息;
构建单元,用于根据所述车辆数量与所述车辆位置信息构建所述车辆队列。
可选地,所述匹配子模块包括:
匹配单元,用于分别将所述每个时间周期的车辆队列与上一时间周期的车辆队列进行双向匹配;
存储单元,用于若匹配成功,将匹配成功的车辆位置信息与对应的时间存储到为对应车辆构建的位置信息队列中,得到所述一个或多个车辆跟踪结果;
模糊匹配单元,用于若匹配失败,将匹配失败的车辆位置信息进行模糊匹配。
可选地,所述模糊匹配单元,还用于
将所述当前时间周期中匹配失败的第一车辆位置信息匹配到与所述第一车辆位置信息相邻的第二车辆位置信息匹配的车辆位置信息;或者
将所述上一时间周期中匹配失败的第三车辆位置信息匹配到与所述第三车辆位置信息相邻的第四车辆位置信息匹配的车辆位置信息。
可选地,所述匹配模块78包括:
第三确定子模块,用于确定所述一个或多个车辆跟踪结果中的目标时间与所述车辆检测结果中检测时间的时间差小于预定时间阈值且所述车辆检测结果中检测设备的位置信息与所述一个或多个车辆跟踪结果中车辆位置信息的距离小于第二预设阈值的车辆跟踪结果为所述目标跟踪结果,其中,所述车辆检测结果包括检测设备的位置信息、检测时间以及检测结果;
绑定子模块,用于当所述车辆行驶方向与预设方向相同时,将所述目标跟踪结果中所述目标时间对应的车辆位置信息与所述车辆检测结果进行绑定。
可选地,所述装置还包括:
第二绑定子模块,用于若所述车辆位置信息上绑定的同类检测结果大于一个时,按所述车辆检测结果的检测时间先后顺序将时间靠后的所述同类检测结果与第一车辆位置信息的车辆解除绑定,并与第二车辆位置信息的车辆绑定,其中,所述第一车辆位置信息与所述第二车辆位置信息的位置差值小于第六预设阈值。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,以预定时间周期采集多个车道内一个或多个车辆的点云数据;
S2,根据所述点云数据对所述一个或多个车辆进行跟踪,得到一个或多个车辆跟踪结果,其中,所述车辆跟踪结果至少包括:时间与车辆位置信息的对应关系;
S3,获取所述多个车道内的车辆检测结果;
S4,从所述一个或多个车辆跟踪结果中确定与所述车辆检测结果匹配的目标跟踪结果,并将所述车辆检测结果与所述目标跟踪结果进行绑定。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
实施例4
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,以预定时间周期采集多个车道内一个或多个车辆的点云数据;
S2,根据所述点云数据对所述一个或多个车辆进行跟踪,得到一个或多个车辆跟踪结果,其中,所述车辆跟踪结果至少包括:时间与车辆位置信息的对应关系;
S3,获取所述多个车道内的车辆检测结果;
S4,从所述一个或多个车辆跟踪结果中确定与所述车辆检测结果匹配的目标跟踪结果,并将所述车辆检测结果与所述目标跟踪结果进行绑定。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种车辆检测处理方法,其特征在于,包括:
以预定时间周期采集多个车道内一个或多个车辆的点云数据;
根据所述点云数据对所述一个或多个车辆进行跟踪,得到一个或多个车辆跟踪结果,其中,所述车辆跟踪结果至少包括:时间与车辆位置信息的对应关系;
获取所述多个车道内的车辆检测结果;
从所述一个或多个车辆跟踪结果中确定与所述车辆检测结果匹配的目标跟踪结果,并将所述车辆检测结果与所述目标跟踪结果进行绑定;
其中,根据所述点云数据对所述一个或多个车辆进行跟踪,得到一个或多个车辆跟踪结果包括:
分别根据相邻时间周期的车辆队列对所述一个或多个车辆进行匹配,完成车辆跟踪,得到所述一个或多个车辆跟踪结果;若匹配失败,将匹配失败的车辆位置信息进行模糊匹配;
其中,将匹配失败的车辆位置信息进行模糊匹配包括:
将当前时间周期中匹配失败的第一车辆位置信息匹配到与所述第一车辆位置信息相邻的第二车辆位置信息匹配的车辆位置信息;或者
将上一时间周期中匹配失败的第三车辆位置信息匹配到与所述第三车辆位置信息相邻的第四车辆位置信息匹配的车辆位置信息。
2.根据权利要求1所述的方法,其特征在于,根据所述点云数据对所述一个或多个车辆进行跟踪,得到一个或多个车辆跟踪结果包括:
根据每个时间周期采集的点云数据确定所述每个时间周期的车辆队列,其中,所述车辆队列至少包括:车辆数量、车辆位置信息。
3.根据权利要求2所述的方法,其特征在于,根据每个时间周期采集的点云数据确定所述每个时间周期的车辆队列包括:
将所述每个时间周期的点云数据与预先存储的背景测距点云数据进行差分处理,其中,所述背景测距点云数据为所述多个车道内无动态物体时采集的点云数据;
提取所述每个时间周期的点云数据中Z轴坐标大于第一预设阈值的目标点云数据;
对所述目标点云数据进行邻域分类处理;
确定所述多个车道内的车辆数量与所述一个或多个车辆的目标点云数据;
根据所述目标点云数据确定所述车辆位置信息;
确定所述目标点云数据中最大X坐标所在点的坐标为所述车辆位置信息;或者确定所述目标点云数据中最小X坐标所在点的坐标为所述车辆位置信息;或者确定所述目标点云数据的中心点的坐标为所述车辆位置信息;
根据所述车辆数量与所述车辆位置信息构建所述车辆队列。
4.根据权利要求2所述的方法,其特征在于,分别根据相邻时间周期的车辆队列对所述一个或多个车辆进行匹配,完成车辆跟踪,得到所述一个或多个车辆跟踪结果包括:
分别将所述每个时间周期的车辆队列与上一时间周期的车辆队列进行双向匹配;
若匹配成功,将匹配成功的车辆位置信息与对应的时间存储到为对应车辆构建的位置信息队列中,得到所述一个或多个车辆跟踪结果。
5.根据权利要求1至4中任一项所述的方法,其特征在于,从所述一个或多个车辆跟踪结果中确定与所述车辆检测结果匹配的目标跟踪结果,并将所述车辆检测结果与所述目标跟踪结果进行绑定包括:
确定所述一个或多个车辆跟踪结果中的目标时间与所述车辆检测结果中检测时间的时间差小于预定时间阈值且所述车辆检测结果中检测设备的位置信息与所述一个或多个车辆跟踪结果中车辆位置信息的距离小于第二预设阈值的车辆跟踪结果为所述目标跟踪结果,其中,所述车辆检测结果包括检测设备的位置信息、检测时间以及检测结果;
当所述车辆行驶方向与预设方向相同时,将所述目标跟踪结果中所述目标时间对应的车辆位置信息与所述车辆检测结果进行绑定。
6.根据权利要求5所述的方法,其特征在于,在将所述目标跟踪结果中所述目标时间对应的车辆位置信息与所述车辆检测结果进行绑定之后,所述方法还包括:
若所述车辆位置信息上绑定的同类检测结果大于一个时,按所述车辆检测结果的检测时间先后顺序将时间靠后的所述同类检测结果与第一车辆位置信息的车辆解除绑定,并与第二车辆位置信息的车辆绑定,其中,所述第一车辆位置信息与所述第二车辆位置信息的位置差值小于第六预设阈值。
7.一种车辆检测处理装置,其特征在于,包括:
采集模块,用于以预定时间周期采集多个车道内一个或多个车辆的点云数据;
跟踪模块,用于根据所述点云数据对所述一个或多个车辆进行跟踪,得到一个或多个车辆跟踪结果,其中,所述车辆跟踪结果至少包括:时间与车辆位置信息的对应关系;
其中,所述跟踪模块还用于,分别根据相邻时间周期的车辆队列对所述一个或多个车辆进行匹配,完成车辆跟踪,得到所述一个或多个车辆跟踪结果;若匹配失败,将匹配失败的车辆位置信息进行模糊匹配;
其中,所述跟踪模块还用于,
将当前时间周期中匹配失败的第一车辆位置信息匹配到与所述第一车辆位置信息相邻的第二车辆位置信息匹配的车辆位置信息;或者将上一时间周期中匹配失败的第三车辆位置信息匹配到与所述第三车辆位置信息相邻的第四车辆位置信息匹配的车辆位置信息;
获取模块,用于获取所述多个车道内的车辆检测结果;
匹配模块,用于从所述一个或多个车辆跟踪结果中确定与所述车辆检测结果匹配的目标跟踪结果,并将所述车辆检测结果与所述目标跟踪结果进行绑定。
8.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020103514426 | 2020-04-28 | ||
CN202010351442 | 2020-04-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111640300A CN111640300A (zh) | 2020-09-08 |
CN111640300B true CN111640300B (zh) | 2022-06-17 |
Family
ID=72332054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010404453.6A Active CN111640300B (zh) | 2020-04-28 | 2020-05-13 | 一种车辆检测处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111640300B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112203216B (zh) * | 2020-09-15 | 2023-04-14 | 北京万集科技股份有限公司 | 定位信息获取方法、辅助驾驶方法以及车端传感器检测方法 |
CN113689471B (zh) * | 2021-09-09 | 2023-08-18 | 中国联合网络通信集团有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550670A (zh) * | 2016-01-27 | 2016-05-04 | 兰州理工大学 | 一种目标物体动态跟踪与测量定位方法 |
CN106405555A (zh) * | 2016-09-23 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用于车载雷达系统的障碍物检测方法和装置 |
CN108846336A (zh) * | 2018-05-31 | 2018-11-20 | 深圳市易成自动驾驶技术有限公司 | 目标检测方法、装置及计算机可读存储介质 |
CN109631764A (zh) * | 2018-11-22 | 2019-04-16 | 南京理工大学 | 基于RealSense相机的尺寸测量系统及方法 |
CN110969855A (zh) * | 2019-12-13 | 2020-04-07 | 长沙莫之比智能科技有限公司 | 一种基于毫米波雷达的交通流量监测系统 |
US20200116827A1 (en) * | 2018-10-10 | 2020-04-16 | Ford Global Technologies, Llc | Transportation infrastructure communication and control |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9483838B2 (en) * | 2014-04-24 | 2016-11-01 | Xerox Corporation | Method and system for automated sequencing of vehicles in side-by-side drive-thru configurations via appearance-based classification |
CN105632175B (zh) * | 2016-01-08 | 2019-03-29 | 上海微锐智能科技有限公司 | 车辆行为分析方法及系统 |
KR101683588B1 (ko) * | 2016-04-28 | 2016-12-07 | 김성일 | 운송 수단의 번호판 인식을 이용한 교통 정보 빅데이터 운용 서버 |
KR101892028B1 (ko) * | 2016-10-26 | 2018-08-27 | 현대자동차주식회사 | 음향 추적 정보 제공 방법, 차량용 음향 추적 장치, 및 이를 포함하는 차량 |
CN110610118A (zh) * | 2018-06-15 | 2019-12-24 | 杭州海康威视数字技术股份有限公司 | 交通参数采集方法及装置 |
CN108922188B (zh) * | 2018-07-24 | 2020-12-29 | 河北德冠隆电子科技有限公司 | 雷达跟踪定位的四维实景交通路况感知预警监控管理系统 |
CN109658442B (zh) * | 2018-12-21 | 2023-09-12 | 广东工业大学 | 多目标跟踪方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-05-13 CN CN202010404453.6A patent/CN111640300B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550670A (zh) * | 2016-01-27 | 2016-05-04 | 兰州理工大学 | 一种目标物体动态跟踪与测量定位方法 |
CN106405555A (zh) * | 2016-09-23 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用于车载雷达系统的障碍物检测方法和装置 |
CN108846336A (zh) * | 2018-05-31 | 2018-11-20 | 深圳市易成自动驾驶技术有限公司 | 目标检测方法、装置及计算机可读存储介质 |
US20200116827A1 (en) * | 2018-10-10 | 2020-04-16 | Ford Global Technologies, Llc | Transportation infrastructure communication and control |
CN109631764A (zh) * | 2018-11-22 | 2019-04-16 | 南京理工大学 | 基于RealSense相机的尺寸测量系统及方法 |
CN110969855A (zh) * | 2019-12-13 | 2020-04-07 | 长沙莫之比智能科技有限公司 | 一种基于毫米波雷达的交通流量监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111640300A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108513676B (zh) | 一种路况识别方法、装置及设备 | |
US20130132166A1 (en) | Smart toll network for improving performance of vehicle identification systems | |
CN103729629B (zh) | Etc车道中车型识别方法及装置 | |
CN111640300B (zh) | 一种车辆检测处理方法及装置 | |
CN111382808A (zh) | 一种车辆检测处理方法及装置 | |
CN111192451B (zh) | 车辆到达时间的预测方法、装置、计算机设备及存储介质 | |
CN114170797B (zh) | 交通限制路口的识别方法、装置、设备、介质及产品 | |
CN111091106B (zh) | 图像聚类方法及装置、存储介质、电子装置 | |
CN112133085B (zh) | 车辆信息的匹配方法和装置、系统、存储介质及电子装置 | |
Giese et al. | Road course estimation using deep learning on radar data | |
CN114743165A (zh) | 车辆轨迹线的确定方法、装置、存储介质及电子装置 | |
CN114841712B (zh) | 网约车巡游违规运营状态的确定方法和装置及电子设备 | |
CN110910519B (zh) | 信息的获取方法和装置、自由流收费系统及存储介质 | |
CN112863195B (zh) | 车辆状态的确定方法及装置 | |
CN108932839B (zh) | 一种同行车辆判断方法及装置 | |
CN114495512A (zh) | 一种车辆信息检测方法、系统、电子设备及可读存储介质 | |
CN113077018A (zh) | 一种目标对象识别方法、装置、存储介质及电子装置 | |
CN110444026B (zh) | 车辆的触发抓拍方法及系统 | |
CN110929704A (zh) | 车牌号码的匹配方法及装置、存储介质、电子装置 | |
CN109360137B (zh) | 一种车辆事故评估方法、计算机可读存储介质及服务器 | |
Ruta et al. | Diversified gradient boosting ensembles for prediction of the cost of forwarding contracts | |
CN114740901B (zh) | 一种无人机集群飞行方法、系统及云平台 | |
CN116453119A (zh) | 道路检测方法、装置、计算机、可读存储介质及程序产品 | |
CN114220191B (zh) | 行车状态识别方法、装置、计算机设备及可读存储介质 | |
CN113923405B (zh) | 一种基于安全监控的移动通信系统 |
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 |