CN112016393A - 车辆参数获取方法、装置、设备和存储介质 - Google Patents
车辆参数获取方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112016393A CN112016393A CN202010703754.9A CN202010703754A CN112016393A CN 112016393 A CN112016393 A CN 112016393A CN 202010703754 A CN202010703754 A CN 202010703754A CN 112016393 A CN112016393 A CN 112016393A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- detected
- vehicle type
- target
- identification model
- 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
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
- G06V20/56—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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- 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)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆参数获取方法，包括：获取目标车辆的待检测图片；将所述待检测图片输入到预存的第一车型识别模型中，以使所述第一车型识别模型对所述待检测图片进行车型识别；判断所述第一车型识别模型是否识别出所述待检测图片的第一目标车型；若是，则获取与所述第一目标车型对应的车辆参数；若否，将所述待检测图片上传至云端，以使云端中的第二车型识别模型根据所述待检测图片识别出对应的第二目标车型，并返回与所述第二目标车型对应的车辆参数。本发明还公开一种车辆参数获取装置、一种车辆参数获取设备和一种计算机可读存储介质。采用本发明实施例，能准确获取目标车辆的车辆参数，提高驾驶员的驾驶体验。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种车辆参数获取方法、装置、设备和存储介质。
背景技术
随着道路车辆的增多，当前车辆估计到前车的距离的准确性不高，其中一个重要原因就是车辆中的单目摄像头无法获得前车的详细参数，比如车辆的尺寸，导致计算与前车的距离时出现偏差。如果能得到准确的与前车的距离，那么有利于提高自动驾驶车辆在道路上的决策能力，比如提高对前车的碰撞预测的准确性。但是，在现有的车辆识别方法中通常只获取车辆的型号，比如电磁感应线圈检测法、雷达识别法、红外线识别法、车牌识别法和基于视频图像的识别方法，并未进一步获取车辆的详细参数，导致驾驶员的驾驶体验不佳。
发明内容
本发明实施例的目的是提供一种车辆尺寸获取方法、装置、设备和存储介质，能准确获取目标车辆的车辆参数，提高驾驶员的驾驶体验。
为实现上述目的，本发明实施例提供了一种车辆参数获取方法，包括：
获取目标车辆的待检测图片；
将所述待检测图片输入到预存的第一车型识别模型中，以使所述第一车型识别模型对所述待检测图片进行车型识别；
判断所述第一车型识别模型是否识别出所述待检测图片的第一目标车型；
若是，则获取与所述第一目标车型对应的车辆参数；若否，将所述待检测图片上传至云端，以使云端中的第二车型识别模型根据所述待检测图片识别出对应的第二目标车型，并返回与所述第二目标车型对应的车辆参数。
作为上述方案的改进，所述车辆参数为车辆尺寸。
作为上述方案的改进，所述方法还包括：
接收所述云端每隔预设时间段发送的待更新车型识别模型和待更新车辆参数；
根据所述待更新车型识别模型对车辆预存的第一车型识别模型进行更新；
根据所述待更新车辆参数对车辆预存的车辆参数进行更新。
作为上述方案的改进，在获取到所述车辆参数后，所述方法还包括：
将所述车辆参数与所述目标车辆绑定。
作为上述方案的改进，所述获取目标车辆的待检测图片，包括：
利用目标跟踪算法建立目标列表；
获取所述目标列表中目标车辆的待检测图片。
为实现上述目的，本发明实施例还提供了一种车辆参数获取装置，包括：
待检测图片获取模块，用于获取目标车辆的待检测图片；
车型识别模块，用于将所述待检测图片输入到预存的第一车型识别模型中，以使所述第一车型识别模型对所述待检测图片进行车型识别；
判断模块，用于判断所述第一车型识别模型是否识别出所述待检测图片的第一目标车型；
待检测图片上传模块，用于当所述第一车型识别模型无法识别出所述待检测图片的第一目标车型时，将所述待检测图片上传至云端，以使云端中的第二车型识别模型根据所述待检测图片识别出对应的第二目标车型；
车辆参数获取模块，用于当所述第一车型识别模型识别出所述待检测图片的第一目标车型时，获取与所述第一目标车型对应的车辆参数；还用于接收所述云端返回的所述第二目标车型对应的车辆参数。
作为上述方案的改进，所述车辆参数为车辆尺寸。
作为上述方案的改进，所述装置还包括：
待更新参数接收模块，用于接收所述云端每隔预设时间段发送的待更新车型识别模型和待更新车辆参数；
更新模块，用于根据所述待更新车型识别模型对车辆预存的第一车型识别模型进行更新；还用于根据所述待更新车辆参数对车辆预存的车辆参数进行更新。
为实现上述目的，本发明实施例还提供了一种车辆参数获取设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一实施例所述的车辆参数获取方法。
为实现上述目的，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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一实施例所述的车辆参数获取方法。
与现有技术相比，本发明实施例所述的车辆参数获取方法、装置、设备和存储介质，在获取到目标车辆的待检测图片后，首先在车端进行目标车辆的车型识别，此时将待检测图片输入到车端预存的第一车型识别模型中，以使第一车型识别模型对待检测图片进行车型识别，当车端车型识别成功时即可获取对应的车辆参数；若在车端车型识别失败时，将待检测图片上传至云端，以使云端中的第二车型识别模型根据所述待检测图片识别出对应的第二目标车型，并返回与所述第二目标车型对应的车辆参数给车端，能准确获取目标车辆的车辆参数，提高驾驶员的驾驶体验。由于在对目标车辆进行车型识别过程中，首先通过车端对待检测图片进行识别，此时无需上传至云端，能够对待检测图片进行快速识别，从而快速在车辆预存的车辆参数中获取与目标车辆对应的车辆参数；在车端识别失败时再通过云端进行识别，能够确保对目标车辆的车型进行准确识别。
附图说明
图1是本发明实施例提供的一种车辆参数获取方法的流程图；
图2是本发明实施例提供的目标列表的示意图；
图3是本发明实施例提供的目标车辆的尺寸示意图；
图4是本发明实施例提供的一种车辆参数获取装置的结构框图；
图5是本发明实施例提供的另一种车辆参数获取装置的结构框图；
图6是本发明实施例提供的一种车辆参数获取设备的结构框图。
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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本发明实施例提供的一种车辆参数获取方法的流程图；所述车辆参数获取方法包括：
S1、获取目标车辆的待检测图片；
S2、将所述待检测图片输入到预存的第一车型识别模型中，以使所述第一车型识别模型对所述待检测图片进行车型识别；
S3、判断所述第一车型识别模型是否识别出所述待检测图片的第一目标车型；
S4、若是，则获取与所述第一目标车型对应的车辆参数；若否，将所述待检测图片上传至云端，以使云端中的第二车型识别模型根据所述待检测图片识别出对应的第二目标车型，并返回与所述第二目标车型对应的车辆参数。
值得说明的是，本发明实施例所述的车辆参数获取方法可以由当前车辆中的车载终端执行实现，所述车载终端是车辆监控管理系统的前端设备，集成了数据处理和数据通信等多项功能，具有强大的业务调度功能和数据处理能力。
示例性的，所述车辆参数包括车辆尺寸，所述车辆尺寸包括车辆的长度和高度，所述车辆参数还可包括车辆的其他参数，比如颜色、车辆性能等。当车辆行驶在道路上时，可通过执行本发明实施例所述的车辆参数获取方法获取目标车辆的车辆尺寸，能够根据车辆尺寸得到当前车辆与目标车辆的距离，提高对目标车辆的碰撞预测的准确性，有利于提高自动驾驶车辆在道路上的决策能力。另外，通过得知目标车辆的性能(比如该车辆在加速时需要较长时间缓冲)后，驾驶员可适应性调整自身驾驶方式，从而为驾驶员提供良好的驾驶体验。
具体地，在步骤S1中，所述获取目标车辆的待检测图片，包括步骤S11～S12：
S11、利用目标跟踪算法建立目标列表；
S12、获取所述目标列表中目标车辆的待检测图片。
示例性的，目标跟踪算法是指利用所有传感器感知到目标并进行目标追踪的方式，通过给定一个图像序列，找到图像序列中运动的物体(即目标)，并将不同帧中的运动物体一一对应,然后给出不同物体的运动轨迹。值得说明的是，本发明实施例所述的目标跟踪算法可参考现有技术中的目标跟踪算法，在此不再赘述。通过利用所述目标跟踪算法追踪所述目标车辆，能够将目标车辆和周围环境区分开来，加强对目标车辆的追踪能力。
参见图2，图2是本发明实施例提供的目标列表的示意图，所述目标列表中的方框表示所述目标车辆。根据所述目标列表中出现的所述目标车辆，可通过当前车辆中的摄像头获取所述目标车辆对应的图像作为待检测图像。进一步地，所述待检测图像可为所述目标车辆的Bounding box(可理解为摄像头能够覆盖目标车辆的最小矩形框)，Bounding box可通过深度学习得到，例如通过Yolo V3/Mask RCNN/Faster RCNN等学习得到。通过获取所述目标车辆的Bounding box作为所述待检测图片，因Bounding box中的背景内容少，能够减少背景内容对图像识别过程造成的干扰，从而提高对所述目标车辆进行车型识别的效率和准确率。
具体地，在步骤S2中，当前车辆中预存有所述第一车型识别模型，所述第一车型识别模型用于对所述待检测图片进行车型识别。所述第一车型识别模型由云端定期推送过来，云端还同时推送有需要更新的车辆参数；则，所述方法还包括步骤S21～S23：
S21、接收所述云端每隔预设时间段发送的待更新车型识别模型和待更新车辆参数；
S22、根据所述待更新车型识别模型对车辆预存的第一车型识别模型进行更新；
S23、根据所述待更新车辆参数对车辆预存的车辆参数进行更新。
示例性的，当市面上有新车型上市时，云端收集新车型的车辆参数，同时云端对待更新车型识别模型进行更新，利用深度学习网络来学习图像和车型的关系，增加新车型的识别框架，然后将所述待更新车型识别模型和待更新车辆尺寸推送给当前车辆。可选地，所述预设时间段可为1个月，所述云端通过定期推送待更新车型识别模型和待更新车辆参数给当前车辆，能够保证所有车辆实现同步更新，定期推送模型还能提高对车型进行准确识别的效率。
具体地，在步骤S3中，市面上存在的车型众多，这就造成能识别所有车型的网络比较大。因此为了减轻车辆的计算负担，云端推送给所述当前车辆的第一车型识别模型为能识别常见车辆的简化版模型，该简化版模型并不能识别所有车辆，所以需要判断所述第一车型识别模型是否识别出所述待检测图片的第一目标车型。示例性的，该常见车辆可根据大数据来选取，比如根据销售量选取。
具体地，在步骤S4中，当所述第一车型识别模型识别出所述待检测图片的第一目标车型时，当前车辆在预存的车辆参数中获取与所述第一目标车型对应的车辆参数。
云端中存储有第二车型识别模型，因所述云端的存储空间大，能够存储较大的网络框架，因此所述第二车型识别模型能够识别的车辆型号相比于所述第一车型识别模型要多很多，所述第二车型识别模型甚至能够识别已上市的所有车型。进一步地，当市面上有新车型上市时，所述云端也定期对所述第二车型识别模型进行更新，同时更新新车型对应的车辆参数。当所述第一车型识别模型无法识别出所述待检测图片的第一目标车型时，所述当前车辆将所述待检测图片上传至云端，所述第二车型识别模型根据所述待检测图片识别出对应的第二目标车型，并返回与所述第二目标车型对应的车辆参数。
由于在对目标车辆进行车型识别过程中，首先通过车端对待检测图片进行识别，此时无需上传至云端，能够对待检测图片进行快速识别，从而快速在车辆预存的车辆参数中获取与目标车辆对应的车辆参数；在车端识别失败时再通过云端进行识别，能够确保对目标车辆进行车型识别的准确识别。
进一步地，在获取到所述车辆参数后，所述方法还包括步骤S5：
S5、将所述车辆参数与所述目标车辆绑定。
参见图3，图3是本发明实施例提供的目标车辆的尺寸示意图。将所述车辆尺寸与所述目标车辆绑定，在对所述目标车辆进行追踪过程中，能够确保该目标车辆的车辆尺寸数据不会丢失，从而能够实时根据车辆尺寸得到当前车辆与目标车辆的距离，提高对目标车辆的碰撞预测的准确性，有利于提高自动驾驶车辆在道路上的决策能力。
与现有技术相比，本发明实施例所述的车辆参数获取方法，在获取到目标车辆的待检测图片后，首先在车端进行目标车辆的车型识别，此时将待检测图片输入到车端预存的第一车型识别模型中，以使第一车型识别模型对待检测图片进行车型识别，当车端车型识别成功时即可获取对应的车辆参数；若在车端车型识别失败时，将待检测图片上传至云端，以使云端中的第二车型识别模型根据所述待检测图片识别出对应的第二目标车型，并返回与所述第二目标车型对应的车辆参数给车端，能准确获取目标车辆的车辆参数，提高驾驶员的驾驶体验。由于在对目标车辆进行车型识别过程中，首先通过车端对待检测图片进行识别，此时无需上传至云端，能够对待检测图片进行快速识别，从而快速在车辆预存的车辆参数中获取与目标车辆对应的车辆参数；在车端识别失败时再通过云端进行识别，能够确保对目标车辆的车型进行准确识别。
参见图4，图4是本发明实施例提供的一种车辆参数获取装置10的结构框图，所述车辆参数获取装置10包括：
待检测图片获取模块11，用于获取目标车辆的待检测图片；
车型识别模块12，用于将所述待检测图片输入到预存的第一车型识别模型中，以使所述第一车型识别模型对所述待检测图片进行车型识别；
判断模块13，用于判断所述第一车型识别模型是否识别出所述待检测图片的第一目标车型；
待检测图片上传模块14，用于当所述第一车型识别模型无法识别出所述待检测图片的第一目标车型时，将所述待检测图片上传至云端，以使云端中的第二车型识别模型根据所述待检测图片识别出对应的第二目标车型；
车辆参数获取模块15，用于当所述第一车型识别模型识别出所述待检测图片的第一目标车型时，获取与所述第一目标车型对应的车辆参数；还用于接收所述云端返回的所述第二目标车型对应的车辆参数。
进一步地，参见图5，图5是本发明实施例提供的另一种车辆参数获取装置10的结构框图，所述车辆参数获取装置10还包括：
绑定模块16，将所述车辆参数与所述目标车辆绑定；
待更新参数接收模块17，用于接收所述云端每隔预设时间段发送的待更新车型识别模型和待更新车辆参数；
更新模块18，用于根据所述待更新车型识别模型对车辆预存的第一车型识别模型进行更新；还用于根据所述待更新车辆参数对车辆预存的车辆参数进行更新。
值得说明的是，本发明实施例所述的车辆参数获取装置10可以为当前车辆中的车载终端，所述车载终端是车辆监控管理系统的前端设备，集成了数据处理和数据通信等多项功能，具有强大的业务调度功能和数据处理能力。示例性的，所述车辆参数包括车辆尺寸，所述车辆尺寸包括车辆的长度和高度，所述车辆参数还可包括车辆的其他参数，比如颜色、车辆性能等。
具体地，待检测图片获取模块11具体用于：利用目标跟踪算法建立目标列表，获取所述目标列表中目标车辆的待检测图片。
示例性的，目标跟踪算法是指利用所有传感器感知到目标并进行目标追踪的方式，通过给定一个图像序列，找到图像序列中运动的物体(即目标)，并将不同帧中的运动物体一一对应,然后给出不同物体的运动轨迹。值得说明的是，本发明实施例所述的目标跟踪算法可参考现有技术中的目标跟踪算法，在此不再赘述。通过利用所述目标跟踪算法追踪所述目标车辆，能够将目标车辆和周围环境区分开来，加强对目标车辆的追踪能力。
根据所述目标列表中出现的所述目标车辆，可通过当前车辆中的摄像头获取所述目标车辆对应的图像作为待检测图像。进一步地，所述待检测图像可为所述目标车辆的Bounding box(可理解为摄像头能够覆盖目标车辆的最小矩形框)，Bounding box可通过深度学习得到，例如通过Yolo V3/Mask RCNN/Faster RCNN等学习得到。通过获取所述目标车辆的Bounding box作为所述待检测图片，因Bounding box中的背景内容少，能够减少背景内容对图像识别过程造成的干扰，从而提高对所述目标车辆进行车型识别的效率和准确率。
具体地，当前车辆中预存有所述第一车型识别模型，所述第一车型识别模型用于对所述待检测图片进行车型识别。所述第一车型识别模型由云端定期推送过来，云端还同时推送有需要更新的车辆参数。
示例性的，当市面上有新车型上市时，云端收集新车型的车辆参数，同时云端对待更新车型识别模型进行更新，利用深度学习网络来学习图像和车型的关系，增加新车型的识别框架，然后将所述待更新车型识别模型和待更新车辆尺寸推送给当前车辆。可选地，所述预设时间段可为1个月，所述云端通过定期推送待更新车型识别模型和待更新车辆参数给当前车辆，能够保证所有车辆实现同步更新，定期推送模型还能提高对车型进行准确识别的效率。
具体地，市面上存在的车型众多，这就造成能识别所有车型的网络比较大。因此为了减轻车辆的计算负担，云端推送给所述当前车辆的第一车型识别模型为能识别常见车辆的简化版模型，该简化版模型并不能识别所有车辆，所以所述判断模块13需要判断所述第一车型识别模型是否识别出所述待检测图片的第一目标车型。示例性的，该常见车辆可根据大数据来选取，比如根据销售量选取。
具体地，当所述判断模块13判定所述第一车型识别模型识别出所述待检测图片的第一目标车型时，所述车辆参数获取模块15从当前车辆在预存的车辆参数中获取与所述第一目标车型对应的车辆参数。
云端中存储有第二车型识别模型，因所述云端的存储空间大，能够存储较大的网络框架，因此所述第二车型识别模型能够识别的车辆型号相比于所述第一车型识别模型要多很多，所述第二车型识别模型甚至能够识别已上市的所有车型。进一步地，当市面上有新车型上市时，所述云端也定期对所述第二车型识别模型进行更新，同时更新新车型对应的车辆参数。当所述判断模块13判定所述第一车型识别模型无法识别出所述待检测图片的第一目标车型时，所述待检测图片上传模块14将所述待检测图片上传至云端，所述第二车型识别模型根据所述待检测图片识别出对应的第二目标车型，并返回与所述第二目标车型对应的车辆参数。
由于在对目标车辆进行车型识别过程中，首先通过车端对待检测图片进行识别，此时无需上传至云端，能够对待检测图片进行快速识别，从而快速在车辆预存的车辆参数中获取与目标车辆对应的车辆参数；在车端识别失败时再通过云端进行识别，能够确保对目标车辆进行车型识别的准确识别。
所述绑定模块17将所述车辆尺寸与所述目标车辆绑定，在对所述目标车辆进行追踪过程中，能够确保该目标车辆的车辆尺寸数据不会丢失，从而能够实时根据车辆尺寸得到当前车辆与目标车辆的距离，提高对目标车辆的碰撞预测的准确性，有利于提高自动驾驶车辆在道路上的决策能力。
与现有技术相比，本发明实施例所述的车辆参数获取装置10，在获取到目标车辆的待检测图片后，首先在车端进行目标车辆的车型识别，此时将待检测图片输入到车端预存的第一车型识别模型中，以使第一车型识别模型对待检测图片进行车型识别，当车端车型识别成功时即可获取对应的车辆参数；若在车端车型识别失败时，将待检测图片上传至云端，以使云端中的第二车型识别模型根据所述待检测图片识别出对应的第二目标车型，并返回与所述第二目标车型对应的车辆参数给车端，能准确获取目标车辆的车辆参数，提高驾驶员的驾驶体验。由于在对目标车辆进行车型识别过程中，首先通过车端对待检测图片进行识别，此时无需上传至云端，能够对待检测图片进行快速识别，从而快速在车辆预存的车辆参数中获取与目标车辆对应的车辆参数；在车端识别失败时再通过云端进行识别，能够确保对目标车辆的车型进行准确识别。
参见图6，图6是本发明实施例提供的一种车辆参数获取设备20的结构框图。所述车辆参数获取设备20包括：处理器21、存储器22以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如行驶控制程序。所述处理器21执行所述计算机程序时实现上述车辆参数获取方法实施例中的步骤，例如图1所示的步骤S1～S4。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能，例如待检测图片获取模块11。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器22中，并由所述处理器21执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述车辆参数获取设备20中的执行过程。例如，所述计算机程序可以被分割成待检测图片获取模块11、车型识别模块12、判断模块13、待检测图片上传模块14、待更新参数接收模块15、绑定模块16、待更新参数接收模块17和更新模块18，各模块具体功能如下：
待检测图片获取模块11，用于获取目标车辆的待检测图片；
车型识别模块12，用于将所述待检测图片输入到预存的第一车型识别模型中，以使所述第一车型识别模型对所述待检测图片进行车型识别；
判断模块13，用于判断所述第一车型识别模型是否识别出所述待检测图片的第一目标车型；
待检测图片上传模块14，用于当所述第一车型识别模型无法识别出所述待检测图片的第一目标车型时，将所述待检测图片上传至云端，以使云端中的第二车型识别模型根据所述待检测图片识别出对应的第二目标车型；
车辆参数获取模块15，用于当所述第一车型识别模型识别出所述待检测图片的第一目标车型时，获取与所述第一目标车型对应的车辆参数；还用于接收所述云端返回的所述第二目标车型对应的车辆参数；
绑定模块16，将所述车辆参数与所述目标车辆绑定；
待更新参数接收模块17，用于接收所述云端每隔预设时间段发送的待更新车型识别模型和待更新车辆参数；
更新模块18，用于根据所述待更新车型识别模型对车辆预存的第一车型识别模型进行更新；还用于根据所述待更新车辆参数对车辆预存的车辆参数进行更新。
具体的各个模块的工作过程可参考上述实施例所述的车辆参数获取装置10的工作过程，在此不再赘述。
所述车辆参数获取设备20可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述车辆参数获取设备20可包括，但不仅限于，处理器21、存储器22。本领域技术人员可以理解，所述示意图仅仅是图像增强设备的示例，并不构成对车辆参数获取设备20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述车辆参数获取设备20还可以包括输入输出设备、网络接入设备、总线等。
所称处理器21可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器21是所述车辆参数获取设备20的控制中心，利用各种接口和线路连接整个车辆参数获取设备20的各个部分。
所述存储器22可用于存储所述计算机程序和/或模块，所述处理器21通过运行或执行存储在所述存储器22内的计算机程序和/或模块，以及调用存储在存储器22内的数据，实现所述车辆参数获取设备20的各种功能。所述存储器22可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述车辆参数获取设备20集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种车辆参数获取方法，其特征在于，包括：
获取目标车辆的待检测图片；
将所述待检测图片输入到预存的第一车型识别模型中，以使所述第一车型识别模型对所述待检测图片进行车型识别；
判断所述第一车型识别模型是否识别出所述待检测图片的第一目标车型；
若是，则获取与所述第一目标车型对应的车辆参数；若否，将所述待检测图片上传至云端，以使云端中的第二车型识别模型根据所述待检测图片识别出对应的第二目标车型，并返回与所述第二目标车型对应的车辆参数。
2.如权利要求1所述的车辆参数获取方法，其特征在于，所述车辆参数为车辆尺寸。
3.如权利要求1所述的车辆参数获取方法，其特征在于，所述方法还包括：
接收所述云端每隔预设时间段发送的待更新车型识别模型和待更新车辆参数；
根据所述待更新车型识别模型对车辆预存的第一车型识别模型进行更新；
根据所述待更新车辆参数对车辆预存的车辆参数进行更新。
4.如权利要求1所述的车辆参数获取方法，其特征在于，在获取到所述车辆参数后，所述方法还包括：
将所述车辆参数与所述目标车辆绑定。
5.如权利要求1所述的车辆参数获取方法，其特征在于，所述获取目标车辆的待检测图片，包括：
利用目标跟踪算法建立目标列表；
获取所述目标列表中目标车辆的待检测图片。
6.一种车辆参数获取装置，其特征在于，包括：
待检测图片获取模块，用于获取目标车辆的待检测图片；
车型识别模块，用于将所述待检测图片输入到预存的第一车型识别模型中，以使所述第一车型识别模型对所述待检测图片进行车型识别；
判断模块，用于判断所述第一车型识别模型是否识别出所述待检测图片的第一目标车型；
待检测图片上传模块，用于当所述第一车型识别模型无法识别出所述待检测图片的第一目标车型时，将所述待检测图片上传至云端，以使云端中的第二车型识别模型根据所述待检测图片识别出对应的第二目标车型；
车辆参数获取模块，用于当所述第一车型识别模型识别出所述待检测图片的第一目标车型时，获取与所述第一目标车型对应的车辆参数；还用于接收所述云端返回的所述第二目标车型对应的车辆参数。
7.如权利要求6所述的车辆参数获取装置，其特征在于，所述车辆参数为车辆尺寸。
8.如权利要求6所述的车辆参数获取装置，其特征在于，所述装置还包括：
待更新参数接收模块，用于接收所述云端每隔预设时间段发送的待更新车型识别模型和待更新车辆参数；
更新模块，用于根据所述待更新车型识别模型对车辆预存的第一车型识别模型进行更新；还用于根据所述待更新车辆参数对车辆预存的车辆参数进行更新。
9.一种车辆参数获取设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的车辆参数获取方法。
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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的车辆参数获取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010703754.9A CN112016393A (zh) | 2020-07-21 | 2020-07-21 | 车辆参数获取方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010703754.9A CN112016393A (zh) | 2020-07-21 | 2020-07-21 | 车辆参数获取方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112016393A true CN112016393A (zh) | 2020-12-01 |
Family
ID=73499712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010703754.9A Pending CN112016393A (zh) | 2020-07-21 | 2020-07-21 | 车辆参数获取方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112016393A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886760A (zh) * | 2014-04-02 | 2014-06-25 | 李涛 | 实时的基于交通视频的车型检测系统 |
| US20180196133A1 (en) * | 2016-07-29 | 2018-07-12 | Faraday&Future Inc. | Method and apparatus for detection and ranging fault detection and recovery |
| CN108831161A (zh) * | 2018-06-27 | 2018-11-16 | 深圳大学 | 一种基于无人机的交通流量监测方法、智能系统及数据集 |
| CN110428632A (zh) * | 2019-08-01 | 2019-11-08 | 浙江泰信智能工程设计有限公司 | 基于bim和ibms的停车管理方法、存储介质及智能终端 |
-
2020
- 2020-07-21 CN CN202010703754.9A patent/CN112016393A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886760A (zh) * | 2014-04-02 | 2014-06-25 | 李涛 | 实时的基于交通视频的车型检测系统 |
| US20180196133A1 (en) * | 2016-07-29 | 2018-07-12 | Faraday&Future Inc. | Method and apparatus for detection and ranging fault detection and recovery |
| CN108831161A (zh) * | 2018-06-27 | 2018-11-16 | 深圳大学 | 一种基于无人机的交通流量监测方法、智能系统及数据集 |
| CN110428632A (zh) * | 2019-08-01 | 2019-11-08 | 浙江泰信智能工程设计有限公司 | 基于bim和ibms的停车管理方法、存储介质及智能终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10229332B2 (en) | Method and apparatus for recognizing obstacle of vehicle | |
| JP6588053B2 (ja) | 点群データにアノテーションを付与する方法および装置 | |
| CN107578427B (zh) | 动态障碍物的检测方法、装置及计算机可读存储介质 | |
| CN110869936A (zh) | 用于自动驾驶车辆中的分布式学习与适应的方法和系统 | |
| CN110799982A (zh) | 用于自动驾驶车辆中的以物体为中心的立体视觉的方法和系统 | |
| JP7111175B2 (ja) | 物体認識システム、認識装置、物体認識方法および物体認識プログラム | |
| CN110335313B (zh) | 音频采集设备定位方法及装置、说话人识别方法及系统 | |
| CN115063454B (zh) | 多目标跟踪匹配方法、装置、终端及存储介质 | |
| CN111080665B (zh) | 图像边框识别方法、装置、设备和计算机存储介质 | |
| CN111563398A (zh) | 用于确定目标物的信息的方法和装置 | |
| CN109960959B (zh) | 用于处理图像的方法和装置 | |
| CN111881197A (zh) | 一种仿真数据转换方法及装置 | |
| CN112712608B (zh) | 用于通过车辆收集性能数据的系统和方法 | |
| CN110853364B (zh) | 数据监控方法和装置 | |
| CN112558036B (zh) | 用于输出信息的方法和装置 | |
| CN112016393A (zh) | 车辆参数获取方法、装置、设备和存储介质 | |
| CN112989924B (zh) | 目标检测方法、目标检测装置及终端设备 | |
| CN113936209A (zh) | 巡逻机器人的协同作业方法及相关设备 | |
| JP6900942B2 (ja) | ドライブレコーダ及び画像記憶システム | |
| CN112966565A (zh) | 一种物体检测方法、装置、终端设备及存储介质 | |
| CN112232130A (zh) | 下线检测方法、工控机、etc天线装置和系统 | |
| CN112184605A (zh) | 一种车辆驾驶视野增强方法、设备及系统 | |
| CN110851640B (zh) | 一种图像搜索方法、装置及系统 | |
| CN116311110A (zh) | 感知数据的处理方法、装置、电子设备和存储介质 | |
| CN118015847A (zh) | 一种车辆轨迹生成方法、系统、电子设备及存储介质 |
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 |