CN112200765A - 车辆中被误检的关键点的确定方法及装置 - Google Patents

车辆中被误检的关键点的确定方法及装置 Download PDF

Info

Publication number
CN112200765A
CN112200765A CN202010921744.2A CN202010921744A CN112200765A CN 112200765 A CN112200765 A CN 112200765A CN 202010921744 A CN202010921744 A CN 202010921744A CN 112200765 A CN112200765 A CN 112200765A
Authority
CN
China
Prior art keywords
candidate
key point
target vehicle
key points
category
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
CN202010921744.2A
Other languages
English (en)
Inventor
罗振杰
巫立峰
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202010921744.2A priority Critical patent/CN112200765A/zh
Publication of CN112200765A publication Critical patent/CN112200765A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Abstract

本公开提供一种车辆中被误检的关键点的确定方法及装置，包括：对目标车辆的图像分别进行关键点检测和姿态识别，得到目标车辆的候选关键点集合以及所述目标车辆的姿态信息；候选关键点集合包括各候选关键点的位置坐标及其对应的各候选关键点的类别；从预设映射关系中，查找与目标车辆的姿态信息对应的标准关键点集合；在候选关键点集合中查找出不属于各标准关键点的类别中的候选关键点的类别，并将查找出的候选关键点的类别以及与所述候选关键点的类别对应的候选关键点的位置坐标作为目标车辆在所述姿态信息下被误检的关键点。故此，本公开通过融合姿态信息预计预设的规则，来判断出被误检的关键点，以此提高了关键点检测的稳健性。

Description

车辆中被误检的关键点的确定方法及装置
技术领域
本公开涉及图像处理技术领域，特别涉及一种车辆中被误检的关键点的确定方法及装置。
背景技术
交通监控智能化是目前交通行业的一个重要趋势，围绕交通监控的各项研究和项目正在学术界以及工业界如火如荼地开展着，而智能化的交通违章判罚是其中非常重要的一部分。
车辆的关键点是智能化交通违章判罚、车辆查重等操作中的一个重要辅助信息，例如可以通过检测目标车辆的关键点判断该车辆是否存在压线、违停等。或者是通过检测目标车辆的关键点，利用关键点的局部特征来辅助判断两个车辆是否为同一辆车等。而这些操作对于车辆的关键点的检测稳健性要求较高，如果其中一个或两个关键点被误检就容易造成违章判罚结果的错误或者是车辆查重错误等。因此，提高检测关键点的稳健性尤为重要。所以，急需一种新的方法来提高关键点检测结果的稳健性。
发明内容
本公开提供一种车辆中被误检的关键点的确定方法及装置，用于提高检测关键点的稳健性。
第一方面，本公开提供一种车辆中被误检的关键点的确定方法，所述方法包括：
对目标车辆的图像分别进行关键点检测和姿态识别，得到所述目标车辆的候选关键点集合以及所述目标车辆的姿态信息；所述候选关键点集合包括各候选关键点的位置坐标及其对应的各候选关键点的类别；
从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合；所述标准关键点集合包括各标准关键点的类别；
在所述候选关键点集合中查找出不属于各标准关键点的类别中的候选关键点的类别，并将查找出的候选关键点的类别以及与所述候选关键点的类别对应的候选关键点的位置坐标作为所述目标车辆在所述姿态信息下被误检的关键点。
在一个实施例中，对目标车辆的图像进行关键点检测，得到所述目标车辆的候选关键点集合，包括：
对所述图像进行特征提取并进行下采样，得到第一特征图；并，
对所述第一特征图进行上采样，得到指定通道数的第二特征图，其中，每个通道与候选关键点的类别一一对应；
针对所述第二特征图中的任一通道，获取所述通道中特征值最高的像素点；并，
若所述通道中特征值最高的像素点的特征值大于指定阈值，则根据所述特征值最高的像素点的位置坐标和所述特征值最高的像素点的特征值以及所述特征值最高的像素点的指定邻域内的各像素点的位置坐标和所述指定邻域内的各像素点的特征值确定与所述通道相对应的候选关键点的位置坐标；
根据各通道对应的候选关键点的类别以及各通道对应的候选关键点的位置坐标得到所述候选关键点集合。
在一个实施例中，从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合之后，所述方法还包括：
若任意两个指定候选关键点之间的位置坐标不满足姿态信息对应的位置约束条件，则将所述两个指定候选关键点均确定为被误检的关键点；所述位置约束条件用于限定两个指定候选关键点的横坐标和/或纵坐标之间的大小关系。
在一个实施例中，所述在所述候选关键点集合中查找出不属于各标注关键点的类别中的候选关键点的类别，并将查找出的候选关键点的类别以及与所述候选关键点的类别对应的候选关键点的位置坐标作为所述目标车辆在所述姿态信息下被误检的关键点之后，所述方法还包括：
确定所述目标车辆在所述姿态信息下被误检的关键点的总数量；
若所述总数量在预设范围内，则将所述被误检的关键点从所述候选关键点集合中进行删除或进行修正。
在一个实施例中，所述从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合之前，所述方法还包括：
响应于用户输入操作，确定所述目标车辆的姿态信息与所述标准关键点集合的对应关系。
第二方面，本公开提供一种车辆中被误检的关键点的确定装置，所述装置包括：
检测识别模块，用于对目标车辆的图像分别进行关键点检测和姿态识别，得到所述目标车辆的候选关键点集合以及所述目标车辆的姿态信息；所述候选关键点集合包括各候选关键点的位置坐标及其对应的各候选关键点的类别；
查找模块，用于从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合；所述标准关键点集合包括各标准关键点的类别；
第一被误检关键点确定模块，用于在所述候选关键点集合中查找出不属于各标准关键点的类别中的候选关键点的类别，并将查找出的候选关键点的类别以及与所述候选关键点的类别对应的候选关键点的位置坐标作为所述目标车辆在所述姿态信息下被误检的关键点。
在一个实施例中，所述检测识别模块，具体用于：
对所述图像进行特征提取并进行下采样，得到第一特征图；并，
对所述第一特征图进行上采样，得到指定通道数的第二特征图，其中，每个通道与候选关键点的类别一一对应；
针对所述第二特征图中的任一通道，获取所述通道中特征值最高的像素点；并，
若所述通道中特征值最高的像素点的特征值大于指定阈值，则根据所述特征值最高的像素点的位置坐标和所述特征值最高的像素点的特征值以及所述特征值最高的像素点的指定邻域内的各像素点的位置坐标和所述指定邻域内的各像素点的特征值确定与所述通道相对应的候选关键点的位置坐标；
根据各通道对应的候选关键点的类别以及各通道对应的候选关键点的位置坐标得到所述候选关键点集合。
在一个实施例中，所述装置还包括：
第二被误检关键点确定模块，用于从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合之后，若任意两个指定候选关键点之间的位置坐标不满足姿态信息对应的位置约束条件，则将所述两个指定候选关键点均确定为被误检的关键点；所述位置约束条件用于限定两个指定候选关键点的横坐标和/或纵坐标之间的大小关系。
在一个实施例中，所述装置还包括：
总数量确定模块，用于在所述候选关键点集合中查找出不属于各标注关键点的类别中的候选关键点的类别，并将查找出的候选关键点的类别以及与所述候选关键点的类别对应的候选关键点的位置坐标作为所述目标车辆在所述姿态信息下被误检的关键点之后，确定所述目标车辆在所述姿态信息下被误检的关键点的总数量；
删除修正模块，用于若所述总数量在预设范围内，则将所述被误检的关键点从所述候选关键点集合中进行删除或进行修正。
在一个实施例中，所述装置还包括：
映射关系确定模块，用于从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合之前，响应于用户输入操作，确定所述目标车辆的姿态信息与所述标准关键点集合的对应关系。
根据本公开实施例的第三方面，提供一种电子设备，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如第一方面所述的方法。
根据本公开实施例提供的第四方面，提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序用于执行如第一方面所述的方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
本公开提供一种车辆中被误检的关键点的确定方法及装置。所述方法包括：对目标车辆的图像分别进行关键点检测和姿态识别，得到所述目标车辆的候选关键点集合以及所述目标车辆的姿态信息；所述候选关键点集合包括各候选关键点的位置坐标及其对应的各候选关键点的类别；从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合；所述标准关键点集合包括各标准关键点的类别；在所述候选关键点集合中查找出不属于各标准关键点的类别中的候选关键点的类别，并将查找出的候选关键点的类别以及与所述候选关键点的类别对应的候选关键点的位置坐标作为所述目标车辆在所述姿态信息下被误检的关键点由此，本公开通过对目标车辆的图像分别进行关键点检测和姿态识别，得到目标车辆的候选关键点以及姿态信息，并通过预设的映射关系，确定出与姿态信息相对应的标准关键点集合，以此来确定出目标车辆在所述姿态信息下的被误检的关键点。故此，本公开通过融合姿态信息预计预设的规则，来判断出被误检的关键点，使得关键点的检测更加可靠，以此提高了关键点检测的稳健性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1为根据本公开一个实施例中的车辆中被误检的关键点的确定方法的流程示例图之一；
图2为根据本公开一个实施例中的神经网络的结构示意图；
图3为根据本公开一个实施例的姿态识别的流程示意图；
图4A-图4C为根据本公开一个实施例的车辆朝向的示意图；
图5为根据本公开一个实施例的车辆中被误检的关键点的确定方法的流程示意图之二；
图6为根据本公开一个实施例的车辆中被误检的关键点的确定装置；
图7为根据本公开一个实施例的电子设备的结构示意图。
具体实施方式
为进一步说明本公开实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本公开实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本公开实施例提供的执行顺序。方法在实际的处理过程中或者控制设备执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
本公开实施例中术语“多个”是指两个或两个以上，其它量词与之类似应当理解，此处所描述的优选实施例仅用于说明和解释本公开，并不用于限定本公开，并且在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
发明人研究发现，为了提高检测关键点的稳健性，现有技术中，在初步的关键点检测结果的基础上，再进行一次关键点检测。但是此方法会使计算量增加。或者是先通过普通的卷积网络得到车辆的关键点位置，然后将这些关键点的位置和类别送入图卷积网络，对这些关键点的结构化信息进行约束，实现点的位置修正，但是目前在工程实际中大部分芯片还不具备图卷积的通用算子，应用推广性欠缺。
因此，本公开提出一种车辆中被误检关键点的确定方法及装置，通过对目标车辆的图像分别进行关键点检测和姿态识别，得到目标车辆的候选关键点集合以及姿态信息，并通过预设的映射关系，确定出与姿态信息相对应的标准关键点集合，以此来确定出目标车辆在所述姿态信息下的被误检的关键点。故此，本公开通过融合姿态信息预计预设的规则，来判断出被误检的关键点，使得关键点的检测更加可靠，以此提高了关键点检测的稳健性。并且本公开中进行姿态识别时使用的是轻量级的神经网络，可以减少计算量。下面，结合附图对本公开的技术方案进行详细的说明。
如图1所示，图1为该车辆中的被误检的关键点的确定方法的流程示意图，可包括以下步骤：
步骤101：对目标车辆的图像分别进行关键点检测和姿态识别，得到所述目标车辆的候选关键点集合以及所述目标车辆的姿态信息；所述候选关键点集合包括各候选关键点的位置坐标及其对应各候选关键点的类别；
在一个实施例中，步骤101中的对目标车辆的图像进行关键点检测，得到所述目标车辆的候选关键点集合，其中，关键点集合包括各候选关键点的位置坐标和各候选关键点的类别：
(1)确定各候选关键点的类别，可具体实施为：对所述图像进行特征提取并进行下采样，得到第一特征图；对所述第一特征图进行上采样，得到指定通道数的第二特征图，其中，每个通道与候选关键点的类别一一对应；
例如，本公开实施例中使用的是18层的残差网络对目标车辆的图像进行关键点检测。需要说明的是，本公开中将18层残差网络中的最后两层中的平均池化层和全连接层替换为三层反卷积模块。如图2所示，图2为替换后的18层残差网络的结构示意图，图像1为目标车辆的图像，图像1经过18层的卷积模块，进行特征提取以及下采样，得到第一特征图，然后将第一特征图输入至反卷积模块进行上采样，得到指定通道数的第二特征图。
其中，由于本公开实施中的关键点的类别为16个。其中，关键点的类别可包括：左前轮、左后轮、右前轮、右后轮、左雾灯、右雾灯、左大灯、右大灯、正面车牌、左后视镜、右后视镜、左后灯、右后灯、后面车牌、后围板左侧点、后围板右侧点。所以本公开实施例中的指定通道数为16层，因为各通道与关键点的类别一一对应。其中，各通道与各关键点类别的对应关系是预设好的。例如，通道1为左前轮，通道2为左后轮，通道3为左雾灯，通道4为左大灯、通道5为后围板左侧点、通道6为左后视镜、通道7为左后灯、通道8为正面车牌、通道9为后面车牌、通道10为右后灯、通道11为右后视镜、通道12为右大灯、通道13为后围板右侧点、通道14为右雾灯、通道15为右后轮、通道16为右前轮。
(2)确定各候选关键点的位置坐标，可具体实施为：
针对第二特征图中的任一通道，获取所述通道中特征值最高的像素点；并，若所述通道中特征值最高的像素点的特征值大于指定阈值，则根据所述通道中特征值最高的像素点的位置坐标和特征值以及所述特征值最高的像素点的指定邻域内的各像素点的位置和所述指定邻域内的各像素点的特征值确定与所述通道相对应的候选关键点的位置坐标。例如，若通道一中的特征值最高的像素点为像素点A，若像素点A的特征值大于指定阈值，则可根据像素点A的位置坐标和特征值以及像素点A的八邻域内的像素点的位置坐标以及特征值确定通道一中的候选关键点的位置坐标，可根据以下公式来确定：
X＝(x0*m0+x1*m1+x2*m2+…+x8*m8)/(m0+m1+m2+m3+…+m8)(1)；
Y＝(y0*m0+y1*m1+y2*m2+…+y8*m8)/(m0+m1+m2+m3+…+m8)(2)；
其中，X代表通道一中候选关键点的横坐标，Y代表通道一中候选关键点的纵坐标。其中，x0代表像素点A的横坐标，y0代表像素点A纵坐标，m0代表像素点A的特征值。x1.....x8分别代表像素点A的八邻域内的各像素点的横坐标。y1....y8分别代表像素点A的八邻域内的各像素点的纵坐标。m1…m8分别像素点A的八邻域内的各像素点的特征值。
由此，本公开通过对目标车辆的关键点进行关键点检测，得到候选关键点的位置坐标及其对应的类别，以便于根据各候选关键点的类别和各候选关键点的位置坐标确定出被误检的关键点，以此来提高关键点检测的稳健性。
其中，步骤101中的对目标车辆的图像进行姿态识别，得到目标车辆的姿态信息，在本公开实施中，可具体实施为：如图3所示，可将目标车辆的图像输入至神经网络中，进行特征提取，以便于根据提取的特征得到所述目标车辆的姿态信息。其中，姿态信息包括车头朝向和车辆姿态，其中车辆姿态包括：车头、车尾和侧身。如图4A为车辆姿态为车头的图像，图4B为车辆姿态为车尾的图像，图4C为车辆姿态为侧身的图像。其中，车头的朝向包括：车头朝左、车头朝右和车头朝中间，其中车头朝中间时车头可朝前也可朝后。
步骤102：从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合；所述标准关键点集合包括各标准关键点的类别；
在一个实施中，响应于用户输入操作，确定所述目标车辆的姿态信息与所述标准关键点集合的对应关系。其中，映射关系可通过映射表来表示，如表1所示：
姿态信息 标准关键点集合
姿态信息1 标准关键点集合A
姿态信息2 标准关键点集合B
姿态信息3 标准关键点集合C
姿态信息4 标准关键点集合D
姿态信息5 标准关键点集合E
姿态信息6 标准关键点集合F
…. ….
例如，若姿态信息1为目标车辆的车辆姿态为“车头”以及“车头朝向为左”时，则标准关键点包括：左前轮、左后轮、正面车牌。若姿态信息2为目标车辆的车辆姿态为“车头”以及“车头朝向右”时，则标准关键点包括：右前轮、右后轮、正面车牌；若姿态信息3为目标车辆的车辆姿态为“车尾”以及“车头朝向左”时，则目标关键点包括：左前轮、左后轮、后面车牌。若姿态信息4为目标车辆的车辆姿态为“车尾”以及“车头朝向右”时，则目标关键点包括：右前轮、右后轮、后面车牌。若姿态信息5为车辆姿态为“侧身”以及“车头朝向左”时，则目标关键点包括：左前轮和左后轮。若姿态信息6为车辆姿态为“侧身”以及“车头朝向右”时，则标准关键点包括：右前轮和右后轮。
由此，可通过预设的映射关系，确定识别出的姿态信息对应的标准关键点，以便于从候选关键点中查找出被误检的关键点。
为了使得被误检的关键点更加准确的识别，在一个实施例中，若任意两个指定候选关键点之间的位置坐标不满足姿态信息对应的位置约束条件，则将所述两个指定候选关键点均确定为被误检的关键点；所述位置约束条件用于限定两个指定候选关键点的横坐标和/或纵坐标之间的大小关系。
下面，以不同的姿态和不同的车头朝向为例进行解释说明：
(1)当姿态信息为“车头”以及“车头朝向右”时，若候选关键点集合中同时包含右前轮和右后轮，则位置约束条件为右前轮对应的候选关键点的横坐标大于右后轮对应的候选关键点的横坐标。若不满足该位置约束条件，则该两个候选关键点都属于被误检的关键点。
(2)当姿态信息为“车尾”以及“车头朝向左”时，若候选关键点集合中同时包含左前轮和左后轮，则位置约束条件为左前轮对应的候选关键点的横坐标小于左后轮对应的候选关键点的横坐标。若不满足，则将这两个候选关键点确定为被误检的关键点；
(3)当姿态信息为“侧身”以及“车头朝向左”时，若候选关键点集合中同时包含有左前轮和左后轮，则位置约束条件为左前轮对应的候选关键点的横坐标小于左后轮对应的候选关键点的横坐标。若不满足，则这两个候选关键点确定为被误检的关键点。
由此，可通过指定候选关键点之间的横坐标或纵坐标的大小，来确定出被误检的关键点。
步骤103：在所述候选关键点集合中查找出不属于各标准关键点的类别中的候选关键点的类别，并将查找出的候选关键点的类别以及与所述候选关键点的类别对应的候选关键点的位置坐标作为所述目标车辆在所述姿态信息下被误检的关键点。
为了判断确定出被误检的关键点是否正确，在一个实施例中，确定所述目标车辆在所述姿态信息下被误检的关键点的总数量；若所述总数量在预设范围内，则将所述被误检的关键点从所述候选关键点集合中进行删除或进行修正。
例如，若预设范围是0到3之间，若被误检的关键点的总数量为2，则认为正确找出了被误检的关键点，则可将被误检的关键点从候选关键点集合中进行删除或修正。其中，预设范围可根据具体的实际情况来确定。
由此，可通过确定出被误检的关键点的总数量来判断出识别出被误检的关键点是否正确。
综上，本公开的有益效果为：本公开通过对目标车辆的图像分别进行关键点检测和姿态识别，得到目标车辆的候选关键点以及姿态信息，并通过预设的映射关系，确定出与姿态信息相对应的标准关键点集合，以此来确定出目标车辆在所述姿态信息下的被误检的关键点。故此，本公开通过融合姿态信息预计预设的规则，来判断出被误检的关键点，使得关键点的检测更加可靠，以此提高了关键点检测的稳健性。
为了进一步的了解本公开的技术方案，下面结合图5进行详细的说明，可包括以下步骤：
步骤501：对目标车辆的图像分别进行关键点检测和姿态识别，得到所述目标车辆的候选关键点集合以及所述目标车辆的姿态信息；
其中，所述候选关键点集合包括各候选关键点对应的类别以及各候选关键点的位置坐标。
步骤502：响应于用户输入操作，确定所述目标车辆的姿态信息与所述标准关键点集合的对应关系；
步骤503：从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合；所述标准关键点集合包括各标准关键点的类别；
步骤504：若任意两个指定候选关键点之间的位置坐标不满足姿态信息对应的位置约束条件，则将所述两个指定候选关键点均确定为被误检的关键点；
步骤505：在所述候选关键点集合中查找出不属于各标准关键点的类别中的候选关键点的类别，并将查找出的候选关键点的类别以及与所述候选关键点的类别对应的候选关键点的位置坐标作为所述目标车辆在所述姿态信息下被误检的关键点；
步骤506：确定所述目标车辆在所述姿态信息下被误检的关键点的总数量；
步骤507：若所述总数量在预设范围内，则将所述被误检的关键点从所述候选关键点集合中进行删除或进行修正。
基于相同的发明构思，本公开如上所述的一种车辆中被误检的关键点的确定方法还可以由一种车辆中被误检的关键点的确定装置实现。该装置的效果与前述方法的效果相似，在此不再赘述。
图6为根据本公开一个实施例的车辆中被误检的关键点的确定装置的结构示意图。
如图6所示，本公开的基于车辆中被误检的关键点的确定装置600可以包括检测识别模块610、查找模块620、第一被误检关键点确定模块630。
检测识别模块610，用于对目标车辆的图像分别进行关键点检测和姿态识别，得到所述目标车辆的候选关键点集合以及所述目标车辆的姿态信息；所述候选关键点集合包括各候选关键点的位置坐标及其对应各候选关键点的类别；
查找模块620，用于从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合；所述标准关键点集合包括各标准关键点的类别；
第一被误检关键点确定模块630，用于在所述候选关键点集合中查找出不属于各标准关键点的类别中的候选关键点的类别，并将查找出的候选关键点的类别以及与所述候选关键点的类别对应的候选关键点的位置坐标作为所述目标车辆在所述姿态信息下被误检的关键点。
在一个实施例中，所述检测识别模块610，具体用于：
对所述图像进行特征提取并进行下采样，得到第一特征图；并，
对所述第一特征图进行上采样，得到指定通道数的第二特征图，其中，每个通道与候选关键点的类别一一对应；
针对所述第二特征图中的任一通道，获取所述通道中特征值最高的像素点；并，
若所述通道中特征值最高的像素点的特征值大于指定阈值，则根据所述特征值最高的像素点的位置坐标和所述特征值最高的像素点的特征值以及所述特征值最高的像素点的指定邻域内的各像素点的位置坐标和所述指定邻域内的各像素点的特征值确定与所述通道相对应的候选关键点的位置坐标；
根据各通道对应的候选关键点的类别以及各通道对应的候选关键点的位置坐标得到所述候选关键点集合。
在一个实施例中，所述装置还包括：
第二被误检关键点确定模块640，用于从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合之后，若任意两个指定候选关键点之间的位置坐标不满足姿态信息对应的位置约束条件，则将所述两个指定候选关键点均确定为被误检的关键点；所述位置约束条件用于限定两个指定候选关键点的横坐标和/或纵坐标之间的大小关系。
在一个实施例中，所述装置还包括：
总数量确定模块650，用于在所述候选关键点集合中查找出不属于各标注关键点的类别中的候选关键点的类别，并将查找出的候选关键点的类别以及与所述候选关键点的类别对应的候选关键点的位置坐标作为所述目标车辆在所述姿态信息下被误检的关键点之后，确定所述目标车辆在所述姿态信息下被误检的关键点的总数量；
删除修正模块660，用于若所述总数量在预设范围内，则将所述被误检的关键点从所述候选关键点集合中进行删除或进行修正。
在一个实施例中，述装置还包括：
映射关系确定模块670，用于从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合之前，响应于用户输入操作，确定所述目标车辆的姿态信息与所述标准关键点集合的对应关系。
在介绍了本公开示例性实施方式的一种车辆中被误检的关键点的确定方法及装置之后，接下来，介绍根据本公开的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本公开的电子设备可以至少包括至少一个处理器、以及至少一个计算机存储介质。其中，计算机存储介质存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本公开各种示例性实施方式的电力驱动方法中的步骤。例如，处理器可以执行如图1中所示的步骤101-103。
下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700以通用电子设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理器701、上述至少一个计算机存储介质702、连接不同系统组件(包括计算机存储介质702和处理器701)的总线703。
总线703表示几类总线结构中的一种或多种，包括计算机存储介质总线或者计算机存储介质控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
计算机存储介质702可以包括易失性计算机存储介质形式的可读介质，例如随机存取计算机存储介质(RAM)721和/或高速缓存存储介质722，还可以进一步包括只读计算机存储介质(ROM)723。
计算机存储介质702还可以包括具有一组(至少一个)程序模块724的程序/实用工具725，这样的程序模块724包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备700也可以与一个或多个外部设备704(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口705进行。并且，电子设备700还可以通过网络适配器706与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器706通过总线703与用于电子设备700的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中，本公开提供的一种车辆中被误检的关键点的确定方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本公开各种示例性实施方式的一种车辆中被误检的关键点的确定方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取计算机存储介质(RAM)、只读计算机存储介质(ROM)、可擦式可编程只读计算机存储介质(EPROM或闪存)、光纤、便携式紧凑盘只读计算机存储介质(CD-ROM)、光计算机存储介质件、磁计算机存储介质件、或者上述的任意合适的组合。
本公开的实施方式的用于一种车辆中被误检的关键点的确定的程序产品可以采用便携式紧凑盘只读计算机存储介质(CD-ROM)并包括程序代码，并可以在电子设备上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开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，本公开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(包括但不限于磁盘计算机存储介质、CD-ROM、光学计算机存储介质等)上实施的计算机程序产品的形式。
本公开是参照根据本公开的方法、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设备以特定方式工作的计算机可读计算机存储介质中，使得存储在该计算机可读计算机存储介质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设备上，使得在计算机或其他可编程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。
显然，本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。

Claims (12)

1.一种车辆中被误检的关键点的确定方法，其特征在于，所述方法包括：
对目标车辆的图像分别进行关键点检测和姿态识别，得到所述目标车辆的候选关键点集合以及所述目标车辆的姿态信息；所述候选关键点集合包括各候选关键点的位置坐标及其对应的各候选关键点的类别；
从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合；所述标准关键点集合包括各标准关键点的类别；
在所述候选关键点集合中查找出不属于各标准关键点的类别中的候选关键点的类别，并将查找出的候选关键点的类别以及与所述候选关键点的类别对应的候选关键点的位置坐标作为所述目标车辆在所述姿态信息下被误检的关键点。
2.根据权利要求1所述的方法，其特征在于，对目标车辆的图像进行关键点检测，得到所述目标车辆的候选关键点集合，包括：
对所述图像进行特征提取并进行下采样，得到第一特征图；
对所述第一特征图进行上采样，得到指定通道数的第二特征图，其中，每个通道与候选关键点的类别一一对应；
针对所述第二特征图中的任一通道，获取所述通道中特征值最高的像素点；并，
若所述通道中特征值最高的像素点的特征值大于指定阈值，则根据所述特征值最高的像素点的位置坐标和所述特征值最高的像素点的特征值以及所述特征值最高的像素点的指定邻域内的各像素点的位置坐标和所述指定邻域内的各像素点的特征值确定与所述通道相对应的候选关键点的位置坐标；
根据各通道对应的候选关键点的类别以及各通道对应的候选关键点的位置坐标得到所述候选关键点集合。
3.根据权利要求1所述的方法，其特征在于，从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合之后，所述方法还包括：
若任意两个指定候选关键点之间的位置坐标不满足姿态信息对应的位置约束条件，则将所述两个指定候选关键点均确定为被误检的关键点；所述位置约束条件用于限定两个指定候选关键点的横坐标和/或纵坐标之间的大小关系。
4.根据权利要求1所述的方法，其特征在于，所述在所述候选关键点集合中查找出不属于各标注关键点的类别中的候选关键点的类别，并将查找出的候选关键点的类别以及与所述候选关键点的类别对应的候选关键点的位置坐标作为所述目标车辆在所述姿态信息下被误检的关键点之后，所述方法还包括：
确定所述目标车辆在所述姿态信息下被误检的关键点的总数量；
若所述总数量在预设范围内，则将所述被误检的关键点从所述候选关键点集合中进行删除或进行修正。
5.根据权利要求1所述的方法，其特征在于，所述从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合之前，所述方法还包括：
响应于用户输入操作，确定所述目标车辆的姿态信息与所述标准关键点集合的对应关系。
6.一种车辆中被误检的关键点的确定装置，其特征在于，所述装置包括：
检测识别模块，用于对目标车辆的图像分别进行关键点检测和姿态识别，得到所述目标车辆的候选关键点集合以及所述目标车辆的姿态信息；所述候选关键点集合包括各候选关键点的位置坐标及其对应的各候选关键点的类别；
查找模块，用于从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合；所述标准关键点集合包括各标准关键点的类别；
第一被误检关键点确定模块，用于在所述候选关键点集合中查找出不属于各标准关键点的类别中的候选关键点的类别，并将查找出的候选关键点的类别以及与所述候选关键点的类别对应的候选关键点的位置坐标作为所述目标车辆在所述姿态信息下被误检的关键点。
7.根据权利要求6所述的装置，其特征在于，所述检测识别模块，具体用于：
对所述图像进行特征提取并进行下采样，得到第一特征图；
对所述第一特征图进行上采样，得到指定通道数的第二特征图，其中，每个通道与候选关键点的类别一一对应；
针对所述第二特征图中的任一通道，获取所述通道中特征值最高的像素点；并，
若所述通道中特征值最高的像素点的特征值大于指定阈值，则根据所述特征值最高的像素点的位置坐标和所述特征值最高的像素点的特征值以及所述特征值最高的像素点的指定邻域内的各像素点的位置坐标和所述指定邻域内的各像素点的特征值确定与所述通道相对应的候选关键点的位置坐标；
根据各通道对应的候选关键点的类别以及各通道对应的候选关键点的位置坐标得到所述候选关键点集合。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二被误检关键点确定模块，用于从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合之后，若任意两个指定候选关键点之间的位置坐标不满足姿态信息对应的位置约束条件，则将所述两个指定候选关键点均确定为被误检的关键点；所述位置约束条件用于限定两个指定候选关键点的横坐标和/或纵坐标之间的大小关系。
9.根据权利要求6所述的装置，其特征在于，所述装置还包括：
总数量确定模块，用于在所述候选关键点集合中查找出不属于各标注关键点的类别中的候选关键点的类别，并将查找出的候选关键点的类别以及与所述候选关键点的类别对应的候选关键点的位置坐标作为所述目标车辆在所述姿态信息下被误检的关键点之后，确定所述目标车辆在所述姿态信息下被误检的关键点的总数量；
删除修正模块，用于若所述总数量在预设范围内，则将所述被误检的关键点从所述候选关键点集合中进行删除或进行修正。
10.根据权利要求6所述的装置，其特征在于，所述装置还包括：
映射关系确定模块，用于从预设映射关系中，查找与所述目标车辆的姿态信息对应的标准关键点集合之前，响应于用户输入操作，确定所述目标车辆的姿态信息与所述标准关键点集合的对应关系。
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根据权利要求1-5中任一项所述的方法。
12.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序用于执行根据权利要求1-5中任一项所述的方法。
CN202010921744.2A 2020-09-04 2020-09-04 车辆中被误检的关键点的确定方法及装置 Pending CN112200765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010921744.2A CN112200765A (zh) 2020-09-04 2020-09-04 车辆中被误检的关键点的确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010921744.2A CN112200765A (zh) 2020-09-04 2020-09-04 车辆中被误检的关键点的确定方法及装置

Publications (1)

Publication Number Publication Date
CN112200765A true CN112200765A (zh) 2021-01-08

Family

ID=74005312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010921744.2A Pending CN112200765A (zh) 2020-09-04 2020-09-04 车辆中被误检的关键点的确定方法及装置

Country Status (1)

Country Link
CN (1) CN112200765A (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279739A (zh) * 2013-05-10 2013-09-04 浙江捷尚视觉科技有限公司 一种基于车辆特征匹配的套牌检测方法
US20180129890A1 (en) * 2016-11-04 2018-05-10 Robert Bosch Gmbh Method for locating a vehicle
CN108229488A (zh) * 2016-12-27 2018-06-29 北京市商汤科技开发有限公司 用于检测物体关键点的方法、装置及电子设备
CN109409208A (zh) * 2018-09-10 2019-03-01 东南大学 一种基于视频的车辆特征提取与匹配方法
CN109740424A (zh) * 2018-11-23 2019-05-10 深圳市华尊科技股份有限公司 交通违规识别方法及相关产品
CN109816704A (zh) * 2019-01-28 2019-05-28 北京百度网讯科技有限公司 物体的三维信息获取方法和装置
US20190176820A1 (en) * 2017-12-13 2019-06-13 Humanising Autonomy Limited Systems and methods for predicting pedestrian intent
CN109960986A (zh) * 2017-12-25 2019-07-02 北京市商汤科技开发有限公司 人脸姿态分析方法、装置、设备、存储介质以及程序
CN110717449A (zh) * 2019-10-09 2020-01-21 上海眼控科技股份有限公司 车辆年检人员的行为检测方法、装置和计算机设备
WO2020020298A1 (zh) * 2018-07-26 2020-01-30 比亚迪股份有限公司 车辆无人驾驶控制方法及装置
CN111339846A (zh) * 2020-02-12 2020-06-26 深圳市商汤科技有限公司 图像识别方法及装置、电子设备和存储介质
CN111368639A (zh) * 2020-02-10 2020-07-03 浙江大华技术股份有限公司 车辆越线判定方法、装置、计算机设备和存储介质
WO2020154970A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. Deep learning–based feature extraction for lidar localization of autonomous driving vehicles
CN111523485A (zh) * 2020-04-24 2020-08-11 浙江商汤科技开发有限公司 位姿识别方法及装置、电子设备和存储介质
CN111539973A (zh) * 2020-04-28 2020-08-14 北京百度网讯科技有限公司 用于检测车辆位姿的方法及装置
CN111597974A (zh) * 2020-05-14 2020-08-28 哈工大机器人（合肥）国际创新研究院 一种基于tof相机车厢内人员活动的监控方法及系统

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279739A (zh) * 2013-05-10 2013-09-04 浙江捷尚视觉科技有限公司 一种基于车辆特征匹配的套牌检测方法
US20180129890A1 (en) * 2016-11-04 2018-05-10 Robert Bosch Gmbh Method for locating a vehicle
CN108020229A (zh) * 2016-11-04 2018-05-11 罗伯特·博世有限公司 用于定位车辆的方法
CN108229488A (zh) * 2016-12-27 2018-06-29 北京市商汤科技开发有限公司 用于检测物体关键点的方法、装置及电子设备
US20190176820A1 (en) * 2017-12-13 2019-06-13 Humanising Autonomy Limited Systems and methods for predicting pedestrian intent
CN109960986A (zh) * 2017-12-25 2019-07-02 北京市商汤科技开发有限公司 人脸姿态分析方法、装置、设备、存储介质以及程序
WO2020020298A1 (zh) * 2018-07-26 2020-01-30 比亚迪股份有限公司 车辆无人驾驶控制方法及装置
CN109409208A (zh) * 2018-09-10 2019-03-01 东南大学 一种基于视频的车辆特征提取与匹配方法
CN109740424A (zh) * 2018-11-23 2019-05-10 深圳市华尊科技股份有限公司 交通违规识别方法及相关产品
CN109816704A (zh) * 2019-01-28 2019-05-28 北京百度网讯科技有限公司 物体的三维信息获取方法和装置
US20200242331A1 (en) * 2019-01-28 2020-07-30 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and device for acquiring 3d information of object
WO2020154970A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. Deep learning–based feature extraction for lidar localization of autonomous driving vehicles
CN110717449A (zh) * 2019-10-09 2020-01-21 上海眼控科技股份有限公司 车辆年检人员的行为检测方法、装置和计算机设备
CN111368639A (zh) * 2020-02-10 2020-07-03 浙江大华技术股份有限公司 车辆越线判定方法、装置、计算机设备和存储介质
CN111339846A (zh) * 2020-02-12 2020-06-26 深圳市商汤科技有限公司 图像识别方法及装置、电子设备和存储介质
CN111523485A (zh) * 2020-04-24 2020-08-11 浙江商汤科技开发有限公司 位姿识别方法及装置、电子设备和存储介质
CN111539973A (zh) * 2020-04-28 2020-08-14 北京百度网讯科技有限公司 用于检测车辆位姿的方法及装置
CN111597974A (zh) * 2020-05-14 2020-08-28 哈工大机器人（合肥）国际创新研究院 一种基于tof相机车厢内人员活动的监控方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHEN WEIKUN: "Research on Key Technology of Vehicle Electronic Image Stabilization", IOP CONFERENCE SERIES: MATERIALS SCIENCE AND ENGINEERING, 27 August 2018 (2018-08-27) *
刘凯;李东;林伟鹏;: "车辆再识别技术综述", 智能科学与技术学报, no. 01, 31 March 2020 (2020-03-31) *
柯海森等: "车辆越界快速自适应检测方法研究", 电视技术, vol. 36, no. 21, 2 November 2012 (2012-11-02) *
黄灿: "基于局部特征的汽车识别", 微型电脑应用, vol. 26, no. 8, 20 August 2010 (2010-08-20) *

Similar Documents

Publication Publication Date Title
JP6943931B2 (ja) 交通信号機の認識方法、装置、機器、記憶媒体及び車両
CN110163176B (zh) 车道线变化位置识别方法、装置、设备和介质
CN110378360B (zh) 目标标定方法、装置、电子设备及可读存储介质
CN109558854B (zh) 障碍物感知方法、装置、电子设备及存储介质
CN111539425A (zh) 一种车牌识别方法、存储介质及电子设备
CN112507852A (zh) 一种车道线识别方法、装置、设备及存储介质
US20210117700A1 (en) Lane line attribute detection
CN110647318A (zh) 一种有状态应用的实例创建方法、装置、设备及介质
US20200174488A1 (en) False target removal device and method for vehicles and vehicle including the device
CN110103932B (zh) 故障检测方法、装置、设备和介质
CN112215209B (zh) 跟车目标确定方法、装置、车辆及存储介质
CN112200765A (zh) 车辆中被误检的关键点的确定方法及装置
CN115908498B (zh) 一种基于类别最优匹配的多目标跟踪方法及装置
EP4279950A1 (en) Fault diagnosis and handling method for vehicle-mounted laser radar, apparatus, medium and vehicle
CN110543818B (zh) 基于权图匹配的红绿灯跟踪方法、装置、介质及设备
CN115712517B (zh) 一种神经网络处理器的故障处理方法及装置
CN111325366A (zh) 一种自动导引车地图断点查找的方法和装置
US11960027B2 (en) LIDAR data based object recognition apparatus and segment merging method thereof
CN114842435A (zh) 一种目标车辆的确定方法、装置、电子设备及存储介质
US11579271B2 (en) LIDAR noise removal apparatus and Lidar noise removal method thereof
CN114141041A (zh) 汽车的远程泊车控制方法、系统、存储介质及设备
US10605611B2 (en) Navigation device and traffic information matching method thereof
CN113366493A (zh) 信息处理方法、以及信息处理系统
US20220236074A1 (en) Method and device for building road model
US20230266468A1 (en) Track Association Method and System for Tracking Objects

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