CN112699267B - 车辆车型的识别方法 - Google Patents

车辆车型的识别方法 Download PDF

Info

Publication number
CN112699267B
CN112699267B CN202110044515.1A CN202110044515A CN112699267B CN 112699267 B CN112699267 B CN 112699267B CN 202110044515 A CN202110044515 A CN 202110044515A CN 112699267 B CN112699267 B CN 112699267B
Authority
CN
China
Prior art keywords
vehicle
image
point cloud
target
vehicle type
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
CN202110044515.1A
Other languages
English (en)
Other versions
CN112699267A (zh
Inventor
谢耀华
闫禹
周健
王彦林
周欣
王少飞
叶青
俞山川
涂耘
朱湧
陈晨
吴金锁
张伟伟
陈晓利
安文娟
李远哲
江维维
李加玲
施柯磊
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.)
China Merchants Chongqing Communications Research and Design Institute Co Ltd
Original Assignee
China Merchants Chongqing Communications Research and Design Institute 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 China Merchants Chongqing Communications Research and Design Institute Co Ltd filed Critical China Merchants Chongqing Communications Research and Design Institute Co Ltd
Priority to CN202110044515.1A priority Critical patent/CN112699267B/zh
Publication of CN112699267A publication Critical patent/CN112699267A/zh
Application granted granted Critical
Publication of CN112699267B publication Critical patent/CN112699267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • 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

Abstract

本发明公开了一种车辆车型的识别方法，包括步骤：S1.构建车辆模型库；S2.采集车辆经过目标测量区域时的时序图像以及点云信息；S3.对所述时序图像进行拼接，得到所述车辆的完整图像，并对所述车辆的完整图像进行识别，得到所述车辆的轴数；S4.对所述车辆的点云信息进行聚类，得到所述车辆的长度、宽度以及高度；S5.将所述车辆的轴数、长度、宽度以及高度作为所述车辆的外观轮廓参数，构建所述车辆的外观轮廓模型；S6.从所述车辆模型库中查找与所述车辆的外观轮廓模型相同的目标车辆，并将所述目标车辆的车型作为所述车辆的车型。本发明能够有效地对路侧的车辆车型进行识别，识别效果好，识别精度高，应用前景广。

Description

车辆车型的识别方法
技术领域
本发明涉及车辆领域，具体涉及一种车辆车型的识别方法。
背景技术
中国汽车保有量每年在不断增加，随着车辆的增多，交通堵塞、车辆事故等事件也日益增多。为了解决这些问题，智能交通系统应运而生，其将人、车、路紧密联系起来，有效地缓解了各种交通问题。车辆车型的准确识别是智能交通系统的核心功能之一。车型识别就是利用传感器、图像分析、计算器等技术区分不同品牌或者不同功能用途的车辆的问题。车型识别系统可以广泛地应用于多种交通情况中，如高速公路的电子收费系统可根据不同车型进行差别收费，交管系统检测城市限行道路上的违章车辆等等。
解决车型识别问题一般有两种途径，第一种是通过传感器设备来进行车型的识别，在实际应用中，经常使用雷达、地感线圈等设备获取车辆大小等参数进行车型分析，但是硬件要求高，不易维护，使用成本大；第二种就是利用图像分析手段，利用视频采集道路上行驶车辆的信息，然后根据特征分类进行车型识别，但是纯视觉的方案对远处的物体测距、测速、定位误差较大，且算法设计复杂，算法要求较高，同时系统的稳定性很难保证，无形中增加了后端硬件设备的成本，而且在光照不理想、大雾、暴雨等恶劣条件下，纯视觉的方案精度较差甚至带了很多误检误报，可靠性大大降低。
目前，车型识别系统大多采用图像配合毫米波雷达的方案，其中，图像部分采用图形处理技术，毫米波雷达可以完成车辆的精确测距、测速和检测车辆外部轮廓，但是该方案无法识别道路指示牌，难以识别较远处的目标，并且无法用于视觉识别，同时，其与图像传感器很难做到信息融合，在实际应用方面仍存在一定的不足。
发明内容
有鉴于此，本发明的目的是克服现有技术中的缺陷，提供车辆车型的识别方法，能够有效地对路侧的车辆车型进行识别，识别效果好，识别精度高，应用前景广。
本发明的车辆车型的识别方法，包括如下步骤：
S1.构建车辆模型库；
S2.采集车辆经过目标测量区域时的时序图像以及点云信息；
S3.对所述时序图像进行拼接处理，得到所述车辆经过目标测量区域的完整图像，并对所述车辆的完整图像进行识别，得到所述车辆的轴数；
S4.对所述车辆的点云信息进行聚类处理，得到所述车辆的长度、宽度以及高度；
S5.将所述车辆的轴数、长度、宽度以及高度作为所述车辆的外观轮廓参数，构建所述车辆的外观轮廓模型；
S6.从所述车辆模型库中查找与所述车辆的外观轮廓模型相同的目标车辆，并将所述目标车辆的车型作为所述车辆的车型。
进一步，步骤S2中，使用全局曝光模式的相机采集车辆的时序图像，并使用激光雷达采集车辆的点云信息。
进一步，步骤S3中，对所述时序图像进行拼接处理，得到所述车辆经过目标测量区域的完整图像，具体包括：
S31.确定时序图像中相邻帧图像之间的图像特征区域；
S32.确定所述图像特征区域中的特征点，并生成所述特征点的描述子；
S33.根据所述描述子对图像进行拼接，得到所述车辆的完整图像。
进一步，步骤S31中，根据如下公式确定所述图像特征区域：
Figure BDA0002896664070000021
其中，ftarget为目标特征；ftarget＝1时表示前景；ftarget＝0时表示背景；fd(x,y)为相邻两帧图像之间的绝对值；x与y为相邻的两帧图像；T为设定的阈值。
进一步，所述步骤S32中，采用SURF算法确定所述图像特征区域中的特征点，并生成所述特征点的描述子；其中，所述SURF算法的核心矩阵H为：
Figure BDA0002896664070000031
所述核心矩阵H的判别式det(H)为：
Figure BDA0002896664070000032
所述f(x,y)表示图像，x、y为图像参数。
进一步，根据如下公式确定所述核心矩阵H：
Figure BDA0002896664070000033
其中，x为图像中的像素点；σ为所述像素点的尺度；H(x,σ)是图像中像素点的Hessian矩阵；Lxx(x,σ)、Lxy(x,σ)、Lyy(x,σ)分别是Lxx、Lxy、Lyy对应的高斯微分算子；Lxx、Lxy、Lyy为高斯滤波后的图像在各方向的二阶导数。
进一步，步骤S3中，对所述车辆的完整图像进行识别，得到所述车辆的轴数，具体包括：
a.将图像二维坐标系的圆形检测问题转化为空间坐标系中点的检测问题；其中，圆形的笛卡尔空间表达式为：
(x-x1)2+(y-y1)2＝r2；
其中，x、y表示坐标向量，x1、y1表示圆心坐标，r表示圆的半径；
b.对连续的图像边缘做离散化处理，并判断所有距离为r的像素点(x1,y1)的像素值是否大于0，若是，则将空间(x1,y1,r)的数值加1，若否，则不做处理；
c.统计空间集合中(x1,y1,r)的数值大于设定空间阈值的空间个数，并将所述空间个数作为车辆的轴数。
进一步，步骤S4中，根据如下公式确定所述车辆的长度：
L＝Lmax-Lmin
其中，Lmax为点云数据中X轴对应的最大坐标值；Lmin为点云数据中X轴对应的最小坐标值；
根据如下公式确定所述车辆的宽度：
W＝Wmax-Wmin
其中，Wmax为点云数据中Y轴对应的最大坐标值；Wmin为点云数据中Y轴对应的最小坐标值；
根据如下公式确定所述车辆的高度：
H＝Hmax-Hmin
其中，Hmax为点云数据中Z轴对应的最大坐标值；Hmin为点云数据中Z轴对应的最小坐标值。
本发明的有益效果是：本发明公开的一种车辆车型的识别方法，通过采集经过目标测量区域的车辆的图像信息以及点云信息，并对图像信息进行拼接处理，以及对点云信息进行聚类处理，进而得到车辆的轴数以及长宽高，依据处理后的车辆信息构建车辆的外观轮廓，并在车辆模型库中查找与所述车辆相匹配的目标车辆，进而将目标车辆的车型作为所述车辆的车型，本发明能够有效地对路侧的车辆车型进行识别，识别效果好，识别精度高，应用前景广。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的方法流程示意图；
图2为本发明的采集车辆信息的示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明，如图1所示：
本发明的车辆车型的识别方法，包括如下步骤：
S1.构建车辆模型库；本实施例中，根据GB1589-2016(《道路车辆外廓尺寸、轴荷及质量限值》)建立车辆模型库；所述车辆模型库为含有外廓尺寸、轴荷以及质量限值等车辆信息的各种类型车辆的集合；
S2.采集车辆经过目标测量区域时的时序图像以及点云信息；
S3.对所述时序图像进行拼接处理，得到所述车辆经过目标测量区域的完整图像，并对所述车辆的完整图像进行识别，得到所述车辆的轴数；
S4.对所述车辆的点云信息进行聚类处理，得到所述车辆的长度、宽度以及高度；
S5.将所述车辆的轴数、长度、宽度以及高度作为所述车辆的外观轮廓参数，构建所述车辆的外观轮廓模型；
S6.从所述车辆模型库中查找与所述车辆的外观轮廓模型相同的目标车辆，并将所述目标车辆的车型作为所述车辆的车型。
本实施例中，如图2所示，将相机以及激光雷达设置在车道旁，并根据实际应用场景以及相机与激光雷达的实际作用范围，划定目标测量区域，并使用全局曝光模式的相机采集车辆的时序图像，并使用激光雷达采集车辆的点云信息，从而保证拍摄的图片不会出现拖影。其中，所述点云信息为通过激光雷达中的扫描仪进行车辆数据采集获取点云数据；所述点云信息包括三维坐标和激光反射强度，通过聚类可以得到目标点云块是否属于同一车辆；所述激光雷达采用现有技术，在此不再赘述。
本实施例中，步骤S3中，对所述时序图像进行拼接处理，得到所述车辆经过目标测量区域的完整图像，具体包括：
S31.确定时序图像中相邻帧图像之间的图像特征区域；
S32.确定所述图像特征区域中的特征点，并生成所述特征点的描述子；
S33.根据所述描述子对图像进行灰度化、去噪声、二值化、边缘检测等处理，得到只有车辆轮廓的黑白图像。
本实施例中，步骤S31中，当监测场景中出现异常目标运动时，相邻两帧图像之间会出现较为明显的差别，两帧相减，可求得图像对应位置像素值差的绝对值，通过判断该绝对值是否大于某一阈值，进而分析图像(或视频)序列的物体运动特性。其中，根据如下公式确定所述图像特征区域：
Figure BDA0002896664070000061
其中，ftarget为目标特征；ftarget＝1时表示前景；ftarget＝0时表示背景；fd(x,y)为相邻两帧图像之间的绝对值；x与y为相邻的两帧图像；T为设定的阈值。
本实施例中，所述步骤S32中，SURF算法是在不同的尺度空间上查找特征点，在剔除不合格的特征点之后重新分配特征点，最后生成特征点的描述子；其中，所述SURF算法的核心矩阵H为：
Figure BDA0002896664070000062
所述核心矩阵H的判别式det(H)为：
Figure BDA0002896664070000063
所述f(x,y)表示图像，x、y为图像参数；其中，判别式det(H)的值是矩阵H的特征值，可以利用判定结果的符号将所有像素点进行分类；具体地，若det(H)为正，则该像素点为极小值，若det(H)为负，则该像素点为极大值。
在SURF算法中，用图像像素代替函数值f(x,y)，选用二阶标准高斯函数作为滤波器，通过特定核间的卷积计算二阶偏导数，本实施例中，根据如下公式确定所述核心矩阵H：
Figure BDA0002896664070000064
其中，x为图像中的像素点；σ为所述像素点的尺度；H(x,σ)是图像中像素点的Hessian矩阵；Lxx(x,σ)、Lxy(x,σ)、Lyy(x,σ)分别是Lxx、Lxy、Lyy对应的高斯微分算子；Lxx、Lxy、Lyy为高斯滤波后的图像在各方向的二阶导数。
本实施例中，步骤S3中，对所述车辆的完整图像进行识别，得到所述车辆的轴数，具体包括：
a.使用Hough圆检测将图像二维坐标系的圆形检测问题转化为空间坐标系中点的检测问题；其中，圆形的笛卡尔空间表达式为：
(x-x1)2+(y-y1)2＝r2；
其中，x、y表示坐标向量，x1、y1表示圆心坐标，r表示圆的半径；
b.对连续的图像边缘做离散化处理，对半径r步长的进行设定，并分析图像中存在的边缘点，判断所有距离为r的像素点(x1,y1)的像素值是否大于0，若是，则将空间(x1,y1,r)的数值加1，若否，则不做处理；其中，所述图像为二值化图像，1为白色，其表示检测到的边缘，0为黑色，若符合同一个半径圆的像素点存在的越多，则该类像素点组成的形状越有可能是个圆；
c.统计空间集合中(x1,y1,r)的数值大于设定空间阈值的空间个数，并将所述空间个数作为车辆的轴数。其中，若超过设定的空间阈值，则认定所述空间的形状为圆，所述空间阈值根据车辆交通场景设定。
本实施例中，步骤S4中，根据车辆点云信息，得出点云信息中每个像素点的坐标值，根据如下公式确定所述车辆的长度：
L＝Lmax-Lmin
其中，Lmax为点云数据中X轴对应的最大坐标值；Lmin为点云数据中X轴对应的最小坐标值；
根据如下公式确定所述车辆的宽度：
W＝Wmax-Wmin
其中，Wmax为点云数据中Y轴对应的最大坐标值；Wmin为点云数据中Y轴对应的最小坐标值；
根据如下公式确定所述车辆的高度：
H＝Hmax-Hmin
其中，Hmax为点云数据中Z轴对应的最大坐标值；Hmin为点云数据中Z轴对应的最小坐标值。
根据上述得到的车辆轴数、长度、宽度以及高度信息，得到所述车辆的总体外观轮廓信息，然后根据外观轮廓信息建立车辆的外观轮廓模型。将所述车辆的外观轮廓模型输入到车辆模型库中，从所述车辆模型库中找到与所述车辆的外观轮廓相同的目标车辆，比如所述车辆为二轴，长度约为10000mm，宽度约为2550mm，高度约为4000mm，将所述车辆输入到车辆模型库中进行匹配，找到的目标车辆为平板式半挂车，则该平板式半挂车的车型即为所述车辆的车型。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种车辆车型的识别方法，其特征在于：包括如下步骤：
S1.构建车辆模型库；
S2.采集车辆经过目标测量区域时的时序图像以及点云信息；
S3.对所述时序图像进行拼接处理，得到所述车辆经过目标测量区域的完整图像，并对所述车辆的完整图像进行识别，得到所述车辆的轴数；
对所述车辆的完整图像进行识别，得到所述车辆的轴数，具体包括：
a.将图像二维坐标系的圆形检测问题转化为空间坐标系中点的检测问题；其中，圆形的笛卡尔空间表达式为：
(x-x1)2+(y-y1)2＝r2；
其中，x、y表示坐标向量，x1、y1表示圆心坐标，r表示圆的半径；
b.对连续的图像边缘做离散化处理，并判断所有距离为r的像素点(x1,y1)的像素值是否大于0，若是，则将空间(x1,y1,r)的数值加1，若否，则不做处理；
c.统计空间集合中(x1,y1,r)的数值大于设定空间阈值的空间个数，并将所述空间个数作为车辆的轴数；
S4.对所述车辆的点云信息进行聚类处理，得到所述车辆的长度、宽度以及高度；
S5.将所述车辆的轴数、长度、宽度以及高度作为所述车辆的外观轮廓参数，构建所述车辆的外观轮廓模型；
S6.从所述车辆模型库中查找与所述车辆的外观轮廓模型相同的目标车辆，并将所述目标车辆的车型作为所述车辆的车型。
2.根据权利要求1所述的车辆车型的识别方法，其特征在于：步骤S2中，使用全局曝光模式的相机采集车辆的时序图像，并使用激光雷达采集车辆的点云信息。
3.根据权利要求1所述的车辆车型的识别方法，其特征在于：步骤S3中，对所述时序图像进行拼接处理，得到所述车辆经过目标测量区域的完整图像，具体包括：
S31.确定时序图像中相邻帧图像之间的图像特征区域；
S32.确定所述图像特征区域中的特征点，并生成所述特征点的描述子；
S33.根据所述描述子对图像进行拼接，得到所述车辆的完整图像。
4.根据权利要求3所述的车辆车型的识别方法，其特征在于：步骤S31中，根据如下公式确定所述图像特征区域：
Figure FDA0003716066050000021
其中，ftarget为目标特征；ftarget＝1时表示前景；ftarget＝0时表示背景；fd(x,y)为相邻两帧图像之间的绝对值；x与y为相邻的两帧图像；T为设定的阈值。
5.根据权利要求3所述的车辆车型的识别方法，其特征在于：所述步骤S32中，采用SURF算法确定所述图像特征区域中的特征点，并生成所述特征点的描述子；其中，所述SURF算法的核心矩阵H为：
Figure FDA0003716066050000022
所述核心矩阵H的判别式det(H)为：
Figure FDA0003716066050000023
所述f(x,y)表示图像，x、y为图像参数。
6.根据权利要求5所述的车辆车型的识别方法，其特征在于：根据如下公式确定所述核心矩阵H：
Figure FDA0003716066050000024
其中，x为图像中的像素点；σ为所述像素点的尺度；H(x,σ)是图像中像素点的Hessian矩阵；Lxx(x,σ)、Lxy(x,σ)、Lyy(x,σ)分别是Lxx、Lxy、Lyy对应的高斯微分算子；Lxx、Lxy、Lyy为高斯滤波后的图像在各方向的二阶导数。
7.根据权利要求1所述的车辆车型的识别方法，其特征在于：步骤S4中，根据如下公式确定所述车辆的长度：
L＝Lmax-Lmin
其中，Lmax为点云数据中X轴对应的最大坐标值；Lmin为点云数据中X轴对应的最小坐标值；
根据如下公式确定所述车辆的宽度：
W＝Wmax-Wmin
其中，Wmax为点云数据中Y轴对应的最大坐标值；Wmin为点云数据中Y轴对应的最小坐标值；
根据如下公式确定所述车辆的高度：
H＝Hmax-Hmin
其中，Hmax为点云数据中Z轴对应的最大坐标值；Hmin为点云数据中Z轴对应的最小坐标值。
CN202110044515.1A 2021-01-13 2021-01-13 车辆车型的识别方法 Active CN112699267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110044515.1A CN112699267B (zh) 2021-01-13 2021-01-13 车辆车型的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110044515.1A CN112699267B (zh) 2021-01-13 2021-01-13 车辆车型的识别方法

Publications (2)

Publication Number Publication Date
CN112699267A CN112699267A (zh) 2021-04-23
CN112699267B true CN112699267B (zh) 2022-09-02

Family

ID=75514534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110044515.1A Active CN112699267B (zh) 2021-01-13 2021-01-13 车辆车型的识别方法

Country Status (1)

Country Link
CN (1) CN112699267B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820986B (zh) * 2022-05-13 2024-04-09 广西微车检智能科技有限公司 一种基于激光雷达的挂车外廓参数测量方法
CN114913469B (zh) * 2022-07-11 2022-11-22 浙江大华技术股份有限公司 一种车辆长度估计模型建立的方法、终端设备及存储介质
CN117218109A (zh) * 2023-10-16 2023-12-12 北京卓视智通科技有限责任公司 车辆侧向拼接图像完整度检测方法、系统、设备和介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NZ619690A (en) * 2013-01-21 2014-03-28 Kapsch Trafficcom Ag Method for measuring a height profile of a vehicle passing on a road
CN104574376A (zh) * 2014-12-24 2015-04-29 重庆大学 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法
CN107728911A (zh) * 2016-08-12 2018-02-23 北京北特圣迪科技发展有限公司 用于多轴数控飞行表演的手绘2d/3d运行轨迹的方法
CN108550143A (zh) * 2018-04-03 2018-09-18 长安大学 一种基于rgb-d相机的车辆长宽高尺寸的测量方法
CN110659547A (zh) * 2018-06-29 2020-01-07 比亚迪股份有限公司 物体识别方法、装置、车辆和计算机可读存储介质
CN111127494A (zh) * 2019-11-12 2020-05-08 中国矿业大学 基于图像处理的高速公路货车限重识别方法
CN111242996A (zh) * 2020-01-08 2020-06-05 郭轩 一种基于Apriltag标签与因子图的SLAM方法
CN111914675A (zh) * 2020-07-09 2020-11-10 武汉万集信息技术有限公司 一种车辆轴数确定方法及装置
CN112037521A (zh) * 2020-07-24 2020-12-04 长沙理工大学 一种车辆类型识别方法以及危化品车辆识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014012285A1 (de) * 2014-08-22 2016-02-25 Jenoptik Robot Gmbh Verfahren und Achsenzähl-Vorrichtung zur berührungslosen Achsenzählung eines Fahrzeugs sowie Achsenzählsystem für den Straßenverkehr
CN104330074B (zh) * 2014-11-03 2017-01-18 广州欧科信息技术股份有限公司 一种智能测绘平台及其实现方法
CN110095061B (zh) * 2019-03-31 2020-07-14 唐山百川智能机器股份有限公司 基于轮廓扫描的车辆形位检测系统及方法
CN111580131B (zh) * 2020-04-08 2023-07-07 西安邮电大学 三维激光雷达智能车在高速公路上识别车辆的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NZ619690A (en) * 2013-01-21 2014-03-28 Kapsch Trafficcom Ag Method for measuring a height profile of a vehicle passing on a road
CN104574376A (zh) * 2014-12-24 2015-04-29 重庆大学 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法
CN107728911A (zh) * 2016-08-12 2018-02-23 北京北特圣迪科技发展有限公司 用于多轴数控飞行表演的手绘2d/3d运行轨迹的方法
CN108550143A (zh) * 2018-04-03 2018-09-18 长安大学 一种基于rgb-d相机的车辆长宽高尺寸的测量方法
CN110659547A (zh) * 2018-06-29 2020-01-07 比亚迪股份有限公司 物体识别方法、装置、车辆和计算机可读存储介质
CN111127494A (zh) * 2019-11-12 2020-05-08 中国矿业大学 基于图像处理的高速公路货车限重识别方法
CN111242996A (zh) * 2020-01-08 2020-06-05 郭轩 一种基于Apriltag标签与因子图的SLAM方法
CN111914675A (zh) * 2020-07-09 2020-11-10 武汉万集信息技术有限公司 一种车辆轴数确定方法及装置
CN112037521A (zh) * 2020-07-24 2020-12-04 长沙理工大学 一种车辆类型识别方法以及危化品车辆识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Information acquisition of truck on express highway by optical Fiber Bragg Grating;Shuhua Mo等;《The 2010 IEEE International Conference on Information and Automation》;20100719;486-489 *
交通图像中车辆感兴趣区域检测提取算法的研究与实现;连少远;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20180315(第03期);C034-1013 *
基于EMD非相似距离度量的车型自动识别的研究及应用;林亚明;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20050615(第02期);I138-651 *
基于地面激光技术的隧道变形监测技术;李健等;《地理空间信息》;20120229;第10卷(第1期);14-18 *
基于线阵CCD的车型识别方法研究;刘承胤;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20140915(第09期);C034-379 *
车载运动平台中的红外图像配准与拼接算法研究;裴夏;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20200215(第2期);第3.3.1节 *

Also Published As

Publication number Publication date
CN112699267A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
CN112699267B (zh) 车辆车型的识别方法
CN108171112B (zh) 基于卷积神经网络的车辆识别与跟踪方法
Soilán et al. Traffic sign detection in MLS acquired point clouds for geometric and image-based semantic inventory
Lee et al. Stereo vision–based vehicle detection using a road feature and disparity histogram
TWI409718B (zh) 移動中車輛之車牌定位方法
CN107891808B (zh) 行车提醒方法、装置及车辆
Malik et al. Detection and recognition of traffic signs from road scene images
CN107886034B (zh) 行车提醒方法、装置及车辆
Shi et al. A vision system for traffic sign detection and recognition
CN113111887A (zh) 一种基于相机和激光雷达信息融合的语义分割方法及系统
CN110197173B (zh) 一种基于双目视觉的路沿检测方法
Maldonado-Bascon et al. Traffic sign recognition system for inventory purposes
Magnussen et al. A survey of the inadequacies in traffic sign recognition systems for autonomous vehicles
Bi et al. A new method of target detection based on autonomous radar and camera data fusion
CN112683228A (zh) 单目相机测距方法及装置
Xuan et al. Robust lane-mark extraction for autonomous driving under complex real conditions
Kim Detection of traffic signs based on eigen-color model and saliency model in driver assistance systems
CN112733678A (zh) 测距方法、装置、计算机设备和存储介质
CN114724119B (zh) 车道线提取方法、检测设备及存储介质
CN115327572A (zh) 一种车辆前方障碍物检测方法
Kanitkar et al. Vision based preceding vehicle detection using self shadows and structural edge features
Parsola et al. Automated system for road extraction and traffic volume estimation for traffic jam detection
CN106920398A (zh) 一种智能车牌识别系统
CN109886120B (zh) 一种斑马线检测方法及系统
Huang et al. An efficient multi-threshold selection method for lane detection based on lidar

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