CN112712023B - 车型识别方法、系统及电子设备 - Google Patents
车型识别方法、系统及电子设备 Download PDFInfo
- Publication number
- CN112712023B CN112712023B CN202011605050.4A CN202011605050A CN112712023B CN 112712023 B CN112712023 B CN 112712023B CN 202011605050 A CN202011605050 A CN 202011605050A CN 112712023 B CN112712023 B CN 112712023B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- detection unit
- information
- scanning
- camera detection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000001514 detection method Methods 0.000 claims abstract description 166
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000013135 deep learning Methods 0.000 claims description 13
- 238000009432 framing Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 13
- 238000009434 installation Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- 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
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
本公开实施例提供了一种车型识别方法、系统及电子设备，属于数据处理技术领域。该方法包括：获取通过第一激光雷达监测单元获取的车辆点云信息；确定所述第一相机检测单元的在拍摄车辆过程中所形成的拼帧参数；基于所述拼帧参数，将所述第一相机检测单元拍摄的车辆拼接成完整的车辆图像；基于所述车辆点云信息和所述车辆图像，对目标车辆的车型进行识别。通过本公开的方案，能够有效的解决高速自由流环境下识别收费车型困难、精度低、不稳定等问题。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种车型识别方法、系统及电子设备。
背景技术
随着我国高速公路取消省界收费站及高速计重收费方式的改变，高速公路管理单位或运营商迫切地知晓自己管理或运营的高速公路上准确的车流量和车型等车辆信息。
目前高速上自由流车辆的检测及识别，没有比较成熟的设备或系统，一是高速上固定式交调设备，虽然可以检测车流量和车型，其车流量精度达不到业主需要，并且车型分类与即将实施的《收费公路车辆通行费车型分类》JT/T 489-2019规定的车型分类标准有比较大的差别；二是使用RSU+OBU的方式来识别车型，该方法虽然精度高，但目前鉴于我国车辆安装OBU，尤其是货车安装OBU的保有量低，造成该方案总体检测通过车辆数比较低。
鉴于此，本发明提供了一种车型识别方法、系统及电子设备，有效解决高速多车道自由流环境下车（轴）型的识别问题。
发明内容
有鉴于此，本公开实施例提供一种车型识别，至少部分解决现有技术中存在的问题。
第一方面，本公开实施例提供了一种车型识别方法，包括：
获取通过第一激光雷达监测单元获取的车辆点云信息；
确定所述第一相机检测单元的在拍摄车辆过程中所形成的拼帧参数；
基于所述拼帧参数，将所述第一相机检测单元拍摄的车辆拼接成完整的车辆图像；
基于所述车辆点云信息和所述车辆图像，对目标车辆的车型进行识别。
根据本公开实施例的一种具体实现方式，所述确定所述第一相机检测单元的在拍摄车辆过程中所形成的拼帧参数，包括：
基于第一检测周期，提取所述车辆点云信息中属于第一相机检测单元拼帧区域内的车高及扫描点数；
根据所述车高及所述扫描点数，确定当前时刻和上一时刻车辆在图像中移动的像素点数；
将所述移动的像素点数作为所述拼帧参数。
根据本公开实施例的一种具体实现方式，所述基于第一检测周期，提取所述车辆点云信息中属于第一相机检测单元拼帧区域内的车高及扫描点数，包括：
以第一相机检测单元的帧率为基准，求取第一相机检测单元相邻两帧的间隔时间，作为所述第一检测周期；
将当前检测周期中属于第一相机检测单元拼帧区域内的点数之和作为所述扫描点数；
将当前检测周期中属于第一相机检测单元拼帧区域内的所有点高度的平均值作为所述车高。
根据本公开实施例的一种具体实现方式，所述确定当前时刻和上一时刻车辆在图像中移动的像素点数，包括：
确定第一变换矩阵；
根据所述车高及扫描点数，查找第一变换矩阵中对应的变换系数；
通过变换系数将扫描点数转换为像素的移动点数。
根据本公开实施例的一种具体实现方式，所述确定第一变换矩阵，包括：
基于不同的车高及扫描点数对应不同的变换系数确定所述第一变换矩阵，不同的车高分布，相同的扫描点数或不相同的扫描点数对应的变换系数都不同，用于变换每一帧图像的像素移动点数。
根据本公开实施例的一种具体实现方式，所述基于所述拼帧参数，将所述第一相机检测单元拍摄的车辆拼接成完整的车辆图像，包括：
从第一激光雷达检测单元在地面的垂直投影点开始，确定所述第一相机检测单元的拼帧区域，所述拼帧区域的宽度是相邻两帧图像的像素移动点数；
基于所述拼帧区域，将所述第一相机检测单元拍摄的车辆拼接成完整的车辆图像。
根据本公开实施例的一种具体实现方式，所述基于所述车辆点云信息和所述车辆图像，对目标车辆的车型进行识别，包括：
对所述车辆点云信息进行特征提取，获取第一车型信息，
根据所述车辆点云信息构建的车辆三维轮廓信息，通过深度学习的方法获取第二车型信息；
根据所述车辆完整的车辆图像，通过深度学习方法，获取第三车型信息，
将所述第一车型信息，第二车型信息，第三车型信息进行信息融合，确定目标车辆的车型信息。
根据本公开实施例的一种具体实现方式，所述方法还包括：
设置第二相机检测单元，安装于车道上方，用于抓拍车辆车头图片，获取车辆车牌信息，
设置第二激光雷达检测单元，第二激光雷达检测单元的扫描面与路面的交线垂直于行车方向，且交线距离所述第二激光雷达检测单元地面垂直投影点一定距离，车辆先经过所述交线再经过所述垂直投影点，用于触发车辆，发送触发信息给所述第二相机检测单元。
第二方面，本公开实施例提供了一种车型识别系统，包括：
第一激光雷达检测单元，包括至少一个单线激光雷达或至少一个多线激光雷达，所述第一激光雷达检测单元至少有一个扫描面与路面的交线垂直与行车方向或平行于行车方向，用于获取车辆点云数据信息，并将点云数据信息发送给数据处理单元；
第一相机检测单元，车道侧面至少安装一个第一相机检测单元，第一相机检测单元的视场垂直与行车方向，且能完全获取车辆的正侧面图片，并将获取的视频流数据发送给数据处理单元；
数据处理单元用于接收所述第一激光雷达检测单元数据及所述第一相机检测单元数据，并根据车高、扫描点数以及所述第一变换矩阵，计算相邻两帧图像的像素移动点数，并根据图像信息及点云信息综合判断车辆车型。
根据本公开实施例的一种具体实现方式，当所述第一激光雷达检测单元的扫描面与路面的交线平行于行车方向时，所述交线在单个车道的正中间，或者所述交线在相邻两车道的交界处；
当所述第一激光雷达检测单元的扫描面与路面的交线垂直于行车方向时，至少有一个扫描截面与路面的夹角在80度~90度之间，且安装于整个检测车道的侧面。
根据本公开实施例的一种具体实现方式，所述系统还包括：
第二相机检测单元，安装与车道上方，用于抓拍车辆车头图片，获取车辆车牌信息；
第二激光雷达检测单元，第二激光雷达检测单元的扫描面与路面的交线垂直于行车方向，且交线距离所述第二激光雷达检测单元地面垂直投影点10米~15米，车辆先经过所述交线再经过所述垂直投影点，用于触发车辆，发送触发信息给所述第二相机检测单元。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的车型识别方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态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该计算机执行前述第一方面或第一方面的任一实现方式中的车型识别方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的车型识别方法。
本公开实施例中的车型识别方案包括：获取通过第一激光雷达监测单元获取的车辆点云信息；确定所述第一相机检测单元的在拍摄车辆过程中所形成的拼帧参数；基于所述拼帧参数，将所述第一相机检测单元拍摄的车辆拼接成完整的车辆图像；基于所述车辆点云信息和所述车辆图像，对目标车辆的车型进行识别。本发明的有益效果包括：（1）本发明将激光器在不同高度分布下的扫描点数通过转换系数变换为像素的移动点数，有效提高了拼帧的准确性，使最后拼出来的车辆图片还原度高，有效提高深度学习的样本数据准确性；（2）本发明通过分析激光点云数据获取第一车型信息，通过点云数据构建三维轮廓通过深度学习获取第二车型信息，通过视频获取车辆图片，通过深度学习获取第三车型信息，并融合所述第一车型信息、第二车型信息、第三车型信息，全面提升车辆车型精度及稳定性。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种车型识别方法的流程示意图；
图2a-2h为本公开实施例提供的不同类型的车型识别系统布局示意图；
图3为本公开实施例提供的另一种车型识别方法的流程示意图；
图4为本公开实施例提供的另一种车型识别方法的流程示意图；
图5为本公开实施例提供的电子设备的示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
参见图1和图2a-2h，为本公开实施例提供的一种车型识别方法的流程示意图，如图1所示，所述方法主要包括：
S101，获取通过第一激光雷达监测单元获取的车辆点云信息。
第一激光雷达检测单元可以是各种类型的激光雷达，通过将第一激光雷达监测单元设置在特定的场所（例如，车辆的形成车道的上方），可以实时的获取经过的车辆的激光雷达信息，从而最终将这些激光雷达信息形成车辆点云信息。通过车辆点云信息，能够从激光雷达测量的三维数据中获取车辆的三维空间坐标信息。
S102，确定所述第一相机检测单元的在拍摄车辆过程中所形成的拼帧参数。
除了设置激光雷达之外，还可以设置相机检测单元，通过相机检测单元拍摄车辆的平面图像。例如，可以在车辆行驶的车道上方设置第一相机检测单元，通过第一相机检测单元对经过的车辆进行连续拍摄。
在连续拍摄的照片上，会存在部分拍摄的照片上仅存在部分车身的情况，为此，可以获取第一相机检测单元的拼帧参数，通过拼帧参数将第一相机检测单元拍摄的多个连续帧拼接成一个完整的车辆图像。
作为一种方式，可以以第一检测周期，提取所述车辆点云信息中属于第一相机检测单元拼帧区域内的车高及扫描点数，根据所述车高及所述扫描点数，确定当前时刻和上一时刻车辆在图像中移动的像素点数，根据所述移动的像素点数，将车辆拼成一幅完整的车辆图片。
作为一种方式，所述第一检测周期是指以第一相机检测单元的帧率为基准，求取第一相机检测单元相邻两帧的间隔时间，即为所述第一检测周期，所述扫描点数是指当前检测周期中属于第一相机检测单元拼帧区域内的点数之和，所述车高是指当前检测周期中属于第一相机检测单元拼帧区域内的所有点高度的平均值。
作为一种方式，根据所述车高及扫描点数，查找第一变换矩阵中对应的变换系数，通过所述对应的变换系数将扫描点数转换为像素的移动点数，所述第一变换矩阵由不同的车高及扫描点数对应不同的变换系数组成，不同的车高分布，相同的扫描点数或不相同的扫描点数对应的变换系数都不同，用于精确转变换每一帧图像的像素移动点数。
S103，基于所述拼帧参数，将所述第一相机检测单元拍摄的车辆拼接成完整的车辆图像。
在具体进行图形拼接的过程中，所述第一相机检测单元的拼帧区域是从第一激光雷达检测单元在地面的垂直投影点开始，拼帧区域的宽度是相邻两帧图像的像素移动点数。通过这种方式，能够有效的对第一相机检测单元拍摄的车辆进行图像拼接，最终形成完整的车辆图像。
S104，基于所述车辆点云信息和所述车辆图像，对目标车辆的车型进行识别。
具体的，可以分析所述车辆点云信息，通过寻找特征的方法，获取第一车型信息，根据所述车辆点云信息构建的车辆三维轮廓信息，通过深度学习的方法获取第二车型信息，根据所述车辆完整的车辆图片，通过深度学习方法，获取第三车型信息，将所述第一车型信息，第二车型信息，第三车型信息进行信息融合，确定车辆车型信息。对于图形进行特征提取可以采用多种方式进行，在此不作具体的限定。
在实施步骤S101~S104的过程中，第一激光雷达检测单元获取激光检测范围内的车辆的点云数据，并且提取车辆点云信息中，属于第一相机检测单元拼帧区域内的车高及扫描点数，根据车高及扫描点数，查找第一变换矩阵中对应的变化系数，所述变换系数是根据不同车高分布，检测扫描点数与像素移动点数之间的变化比例关系得到，不同车高或者相同车高下，不同的扫描点数对应的移动像素变换系数不同，这样可以精确的获取相邻时间段车辆移动的具体像素点，该方法解决了直接通过速度求取车辆移动帧数带来的误差，因为相邻时间段时间差很小，相当于要求取车辆的瞬时速度，车辆的移动距离也很小，稍微一点偏侧就可能导致测速不准，进而导致拼帧不准确，因此采用本方法拼帧可以避免直接求取车辆瞬时速度带来的偏差，提高车辆拼帧后的准确性。另外识别车辆车型的方法是同时综合判断第一车型信息、第二车型信息、第三车型信息，所述第一车型信息是通过直接分析车辆点云数据，获取车辆特征，如车高、车高、车长、车斗、车窗、凹陷、货箱、拖挂、侧面一致性、轴数等信息，所述第二车型信息是指将车辆点云数据构建为三维模型，看做一幅完整的点云图片，通过深度学习的方法识别车辆车型，所述第三车型信息是将车辆拼帧完成后的一幅完整的图片作为数据样本，通过深度学习的方法识别图片中的车型，可以通过目标识别的模型识别车型，也可以通过车型分类的方式识别车型从而获取第三车型信息。最后根据设计好的融合策略，综合判断所述第一车型信息、第二车型信息、第三车型信息，得出最后的车辆车型信息。
图2a是一种高速自由流车型识别系统的布局示意图，图2a第一激光雷达检测单元采用的单线激光雷达，且激光雷达的扫描截面与路面的交线平行与行车方向，图2a中每个车道安装一个所述单线激光雷达，激光雷达的安装位置是每个车道的正中间，每个激光雷达只管检测正下方的车道的车辆。第一相机检测单元安装在整个检测车道的侧面，用于获取车辆的正侧面图片，当有车辆经过第一激光检测单元时，开始发送车头触发信息给所述第一相机检测单元，并开始记录车辆车高及每个检测周期内车辆移动的激光点数，根据车高及车辆移动的激光点数，通过第一变换矩阵中对应的变换系数，通过所述对应的变换系数将扫描点数转换为像素的移动点数，当车辆离开第一激光检测单元时，开始对每个周期的图片进行有序拼接，获取车辆完整图片，再通过深度学习模型，获取车辆第三车型信息，通过分析车辆点云数据得到第一车型信息，通过点云信息构建的点云图，通过深度学习模型，获取车辆第二车型信息，最后将所述第一车型信息、第二车型信息、第三车型信息进行融合判断车辆车型信息，由于图2a的安装方式激光是平行于行车方向扫描车辆，得到的车辆点云数据信息并不是特别丰富，因此次融合策略中应该以第三车型信息为基准判断车辆车型信息。
图2b是一种高速自由流车型识别系统的布局示意图，实施例三是实施例二的另一种安装方式，区别于实施例二在相邻两车道交界处增加一个单线激光器用于捕获从中间经过的车辆，并在每个车道的侧面配置一个第一相机检测单元用于分别获取每个车道的第三车型信息，实施例三的车型识别精度相对实施例二的识别精度要更高，但是成本也会更高，识别方法与实施例二中一样。
图2c是一种高速自由流车型识别系统的布局示意图，在之前实施例的基础上，增加了第二激光检测单元和第二相机检测单元，用于触发车辆，发送触发信息给第二相机检测单元抓拍车辆车牌信息，车型信息是识别方法与实施例二一样。
图2d是一种高速自由流车型识别系统的布局示意图，该实施例的安装方式不同于图2b-图2c实施例的安装方式，图2d的第一激光雷达检测单元的扫描截面与路面的交线垂直与行车方向，该安装方式可以让激光点云信息上更丰富，能够通过激光点云数据构建三维轮廓尺寸模型，但在拼帧方法上，用于没有在行车方向上的点云数据，不能采用实施例二的拼帧方法，该种安装方式的拼帧方式为，当车辆通过第一激光检测单元时，第一激光检测单元发送触发信息给第一相机检测单元，在相邻两个检测周期，通过寻找两帧图片之间特征最相似的位置作为拼帧的位置，从而将整个检测周期的图片拼接成完整的车辆，这种拼帧的方法依赖于两帧图片的特征提取算法，决定拼帧的准确性，当车辆离开第一激光雷达检测单元的扫描截面时，发送收尾触发信息用于计算拼帧收尾时间，得到车辆完整侧面图片，再通过深度学习模型，获取车辆第三车型信息，通过分析车辆点云数据得到第一车型信息，通过点云信息构建的三维轮廓尺寸图，通过深度学习模型，获取车辆第二车型信息，最后将所述第一车型信息、第二车型信息、第三车型信息进行融合判断车辆车型信息，由于图2d的安装方式激光是垂直于行车方向扫描车辆，并且安装检测车道的侧面，能够很好的获取车辆轮廓尺寸信息，因此融合策略中应全面考虑第一车型信息、第二车型信息、第三车型信息的置信度，然后综合判断车辆车型信息。
图2e是一种高速自由流车型识别系统的布局示意图，是图2d实施例的另外一种安装方式，增加了第一相机检测单元，每个车道配置一个第一相机测单元用于获取车辆侧面图片，车型识别方法与实施例五的识别方法一样。
图2f是一种高速自由流车型识别系统的布局示意图，是图2d实施例、图2e实施例的基础上增加了第二激光检测单元和第二相机检测单元，用于准确获取车辆车头抓拍图片，车牌信息，车型识别方法与实施例五的识别方法一样。
图2g是一种高速自由流车型识别系统的布局示意图，该实施例第一激光检测单元采用的是多线激光雷达，多线激光雷达安装于整个检测车道上方，确保有一个扫描截面与路面的夹角在80度~90度，由于采用的多线激光雷达既能在平行于行车方向上采集到车辆点云数据，也能在垂直行车方向上获取车辆侧面点云数据，因此该实施例采用的拼帧方法优选的与图2a实施例所述的拼帧方法一样，其车型识别方法中融合策略应全面考虑第一车型信息、第二车型信息、第三车型信息的置信度，然后综合判断车辆车型信息。
图2h是一种高速自由流车型识别系统的布局示意图，在图2g实施例的基础上增加第二激光雷达检测单元和第二相机检测单元，用于抓拍车辆车头图片，以及获取车牌信息。
与上面的实施例相对应，本申请实施例还提供了一种高速自由流车型识别系统，包括：
第一激光雷达检测单元，包括至少一个单线激光雷达或至少一个多线激光雷达，所述第一激光雷达检测单元至少有一个扫描面与路面的交线垂直于行车方向或平行于行车方向，用于获取车辆点云数据信息，并将点云数据信息发送给数据处理单元；
第一相机检测单元，车道侧面至少安装一个第一相机检测单元，第一相机检测单元的视场垂直于行车方向，且能完全获取车辆的正侧面图片，并将获取的视频流数据发送给数据处理单元；
数据处理单元用于接收所述第一激光雷达检测单元数据及所述第一相机检测单元数据，并根据车高、扫描点数以及所述第一变换矩阵，计算相邻两帧图像的像素移动点数，并根据图像信息及点云信息综合判断车辆车型。
针对上述高速自由流车型识别系统，当所述第一激光雷达检测单元的扫描面与路面的交线平行于行车方向时，所述交线在单个车道的正中间，或者所述交线在相邻两车道的交界处。
针对上述高速自由流车型识别系统的方案，当所述第一激光雷达检测单元的扫描面与路面的交线垂直于行车方向时，至少有一个扫描截面与路面的夹角在80度~90度之间，且安装于整个检测车道的侧面。
根据本公开实施例的一种具体实现方式，系统还包括：第二相机检测单元，安装于车道上方，用于抓拍车辆车头图片，获取车辆车牌信息，第二激光雷达检测单元，第二激光雷达检测单元的扫描面与路面的交线垂直于行车方向，且交线距离所述第二激光雷达检测单元地面垂直投影点10米~15米，车辆先经过所述交线再经过所述垂直投影点，用于触发车辆，发送触发信息给所述第二相机检测单元。
参见图3，根据本公开实施例的一种具体实现方式，所述确定所述第一相机检测单元的在拍摄车辆过程中所形成的拼帧参数，包括：
S301，基于第一检测周期，提取所述车辆点云信息中属于第一相机检测单元拼帧区域内的车高及扫描点数；
S302，根据所述车高及所述扫描点数，确定当前时刻和上一时刻车辆在图像中移动的像素点数；
S303，将所述移动的像素点数作为所述拼帧参数。
参见图4，根据本公开实施例的一种具体实现方式，所述基于第一检测周期，提取所述车辆点云信息中属于第一相机检测单元拼帧区域内的车高及扫描点数，包括：
S401，以第一相机检测单元的帧率为基准，求取第一相机检测单元相邻两帧的间隔时间，作为所述第一检测周期；
S402，将当前检测周期中属于第一相机检测单元拼帧区域内的点数之和作为所述扫描点数；
S403，将当前检测周期中属于第一相机检测单元拼帧区域内的所有点高度的平均值作为所述车高。
根据本公开实施例的一种具体实现方式，所述确定当前时刻和上一时刻车辆在图像中移动的像素点数，包括：
确定第一变换矩阵；
根据所述车高及扫描点数，查找第一变换矩阵中对应的变换系数；
通过变换系数将扫描点数转换为像素的移动点数。
根据本公开实施例的一种具体实现方式，所述确定第一变换矩阵，包括：
基于不同的车高及扫描点数对应不同的变换系数确定所述第一变换矩阵，不同的车高分布，相同的扫描点数或不相同的扫描点数对应的变换系数都不同，用于变换每一帧图像的像素移动点数。
根据本公开实施例的一种具体实现方式，所述基于所述拼帧参数，将所述第一相机检测单元拍摄的车辆拼接成完整的车辆图像，包括：
从第一激光雷达检测单元在地面的垂直投影点开始，确定所述第一相机检测单元的拼帧区域，所述拼帧区域的宽度是相邻两帧图像的像素移动点数；
基于所述拼帧区域，将所述第一相机检测单元拍摄的车辆拼接成完整的车辆图像。
根据本公开实施例的一种具体实现方式，所述基于所述车辆点云信息和所述车辆图像，对目标车辆的车型进行识别，包括：
对所述车辆点云信息进行特征提取，获取第一车型信息，
根据所述车辆点云信息构建的车辆三维轮廓信息，通过深度学习的方法获取第二车型信息；
根据所述车辆完整的车辆图像，通过深度学习方法，获取第三车型信息，
将所述第一车型信息，第二车型信息，第三车型信息进行信息融合，确定目标车辆的车型信息。
根据本公开实施例的一种具体实现方式，所述方法还包括：
设置第二相机检测单元，安装于车道上方，用于抓拍车辆车头图片，获取车辆车牌信息，
设置第二激光雷达检测单元，第二激光雷达检测单元的扫描面与路面的交线垂直于行车方向，且交线距离所述第二激光雷达检测单元地面垂直投影点一定距离，车辆先经过所述交线再经过所述垂直投影点，用于触发车辆，发送触发信息给所述第二相机检测单元。
参见图5，本公开实施例还提供了一种电子设备60，所述电子设备60可以为上述实施例中所涉及的移动终端或者电子设备。该电子设备可以包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的车型识别方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态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该计算机执行前述方法实施例中的车型识别方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的的车型识别方法。
下面参考图5，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，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5所示，电子设备60可以包括处理装置（例如中央处理器、图形处理器等）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储装置608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机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。而在本公开中，计算机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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机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：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备能够实现上述方法实施例提供的方案。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备能够实现上述方法实施例提供的方案。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或配置服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种车型识别方法，其特征在于，包括：
获取通过第一激光雷达监测单元获取的车辆点云信息，所述第一激光雷达检测单元至少有一个扫描面与路面的交线平行于行车方向；
确定第一相机检测单元的在拍摄车辆过程中所形成的拼帧参数；
基于所述拼帧参数，将所述第一相机检测单元拍摄的车辆拼接成完整的车辆图像；
基于所述车辆点云信息和所述车辆图像，对目标车辆的车型进行识别；
所述确定第一相机检测单元的在拍摄车辆过程中所形成的拼帧参数，包括：
基于第一检测周期，提取所述车辆点云信息中属于第一相机检测单元拼帧区域内的车高及扫描点数，所述扫描点数为当前检测周期中属于第一相机检测单元拼帧区域内的点数之和；
根据所述车高及所述扫描点数，确定当前时刻和上一时刻车辆在图像中移动的像素点数；
将所述移动的像素点数作为所述拼帧参数；
所述确定当前时刻和上一时刻车辆在图像中移动的像素点数，包括：
确定第一变换矩阵；
根据所述车高及扫描点数，查找第一变换矩阵中对应的变换系数，所述变换系数是根据不同车高分布、扫描点数与像素移动点数之间的变化比例关系得到，不同的车高分布，相同的扫描点数或不相同的扫描点数对应的变换系数都不同；
通过变换系数将扫描点数转换为像素的移动点数；
所述基于所述拼帧参数，将所述第一相机检测单元拍摄的车辆拼接成完整的车辆图像，包括：
从第一激光雷达检测单元在地面的垂直投影点开始，确定所述第一相机检测单元的拼帧区域，所述拼帧区域的宽度是相邻两帧图像的像素移动点数；
基于所述拼帧区域，将所述第一相机检测单元拍摄的车辆拼接成完整的车辆图像。
2.根据权利要求1所述的方法，其特征在于，所述基于第一检测周期，提取所述车辆点云信息中属于第一相机检测单元拼帧区域内的车高及扫描点数，包括：
以第一相机检测单元的帧率为基准，求取第一相机检测单元相邻两帧的间隔时间，作为所述第一检测周期；
将当前检测周期中属于第一相机检测单元拼帧区域内的点数之和作为所述扫描点数；
将当前检测周期中属于第一相机检测单元拼帧区域内的所有点高度的平均值作为所述车高。
3.根据权利要求1所述的方法，其特征在于，所述确定第一变换矩阵，包括：
基于不同的车高及扫描点数对应不同的变换系数确定所述第一变换矩阵，不同的车高分布，相同的扫描点数或不相同的扫描点数对应的变换系数都不同，用于变换每一帧图像的像素移动点数。
4.根据权利要求1所述的方法，其特征在于，所述基于所述车辆点云信息和所述车辆图像，对目标车辆的车型进行识别，包括：
对所述车辆点云信息进行特征提取，获取第一车型信息，
根据所述车辆点云信息构建的车辆三维轮廓信息，通过深度学习的方法获取第二车型信息；
根据所述车辆完整的车辆图像，通过深度学习方法，获取第三车型信息，
将所述第一车型信息，第二车型信息，第三车型信息进行信息融合，确定目标车辆的车型信息。
5.一种车型识别系统，用于执行权利要求1-4中任一项所述的方法，其特征在于，包括：
第一激光雷达检测单元，包括至少一个单线激光雷达或至少一个多线激光雷达，所述第一激光雷达检测单元至少有一个扫描面与路面的交线平行于行车方向，用于获取车辆点云数据信息，并将点云数据信息发送给数据处理单元；
第一相机检测单元，车道侧面至少安装一个第一相机检测单元，第一相机检测单元的视场垂直与行车方向，且能完全获取车辆的正侧面图片，并将获取的视频流数据发送给数据处理单元；
数据处理单元用于接收所述第一激光雷达检测单元数据及所述第一相机检测单元数据，并根据车高、扫描点数以及所述第一变换矩阵，计算相邻两帧图像的像素移动点数，并根据图像信息及点云信息综合判断车辆车型。
6.根据权利要求5所述的系统，其特征在于，包括：
当所述第一激光雷达检测单元的扫描面与路面的交线平行于行车方向时，所述交线在单个车道的正中间，或者所述交线在相邻两车道的交界处；
当所述第一激光雷达检测单元的扫描面与路面的交线垂直于行车方向时，至少有一个扫描截面与路面的夹角在80度~90度之间，且安装于整个检测车道的侧面。
7.根据权利要求5所述的系统，其特征在于，所述系统还包括：
第二相机检测单元，安装与车道上方，用于抓拍车辆车头图片，获取车辆车牌信息；
第二激光雷达检测单元，第二激光雷达检测单元的扫描面与路面的交线垂直于行车方向，且交线距离所述第二激光雷达检测单元地面垂直投影点10米~15米，车辆先经过所述交线再经过所述垂直投影点，用于触发车辆，发送触发信息给所述第二相机检测单元。
8.一种电子设备，其特征在于，所述电子设备包括：
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权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011605050.4A CN112712023B (zh) | 2020-12-30 | 2020-12-30 | 车型识别方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011605050.4A CN112712023B (zh) | 2020-12-30 | 2020-12-30 | 车型识别方法、系统及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112712023A CN112712023A (zh) | 2021-04-27 |
| CN112712023B true CN112712023B (zh) | 2024-04-05 |
Family
ID=75546963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011605050.4A Active CN112712023B (zh) | 2020-12-30 | 2020-12-30 | 车型识别方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112712023B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113529607A (zh) * | 2021-07-29 | 2021-10-22 | 广东电网有限责任公司 | 一种限高装置 |
| WO2023081870A1 (en) * | 2021-11-08 | 2023-05-11 | Kinetic Automation Inc. | System and method for automated extrinsic calibration of lidars, cameras, radars and ultrasonic sensors on vehicles and robots |
| CN114157808B (zh) * | 2021-12-13 | 2022-11-29 | 北京国泰星云科技有限公司 | 一种高效的集装箱闸口图像采集系统及方法 |
| CN115909528A (zh) * | 2022-12-31 | 2023-04-04 | 北京万集科技股份有限公司 | 自由流门架系统和车辆信息的处理方法 |
| 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 (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107256636A (zh) * | 2017-06-29 | 2017-10-17 | 段晓辉 | 一种融合激光扫描与视频技术的交通流获取方法 |
| CN110033621A (zh) * | 2019-05-22 | 2019-07-19 | 北京经纬恒润科技有限公司 | 一种危险车辆检测方法、装置及系统 |
| CN110095061A (zh) * | 2019-03-31 | 2019-08-06 | 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 |
| CN110163047A (zh) * | 2018-07-05 | 2019-08-23 | 腾讯大地通途（北京）科技有限公司 | 一种检测车道线的方法及装置 |
| CN110232418A (zh) * | 2019-06-19 | 2019-09-13 | 深圳前海达闼云端智能科技有限公司 | 一种语义识别方法、终端及计算机可读存储介质 |
| CN111210386A (zh) * | 2019-12-18 | 2020-05-29 | 芜湖酷哇机器人产业技术研究院有限公司 | 图像拍摄拼接方法及系统 |
| CN211015900U (zh) * | 2019-12-31 | 2020-07-14 | 武汉万集信息技术有限公司 | 一种自由流车型识别系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190095877A1 (en) * | 2017-09-26 | 2019-03-28 | Panton, Inc. | Image recognition system for rental vehicle damage detection and management |
| US11393097B2 (en) * | 2019-01-08 | 2022-07-19 | Qualcomm Incorporated | Using light detection and ranging (LIDAR) to train camera and imaging radar deep learning networks |
| US11158056B2 (en) * | 2019-06-26 | 2021-10-26 | Intel Corporation | Surround camera system with seamless stitching for arbitrary viewpoint selection |
-
2020
- 2020-12-30 CN CN202011605050.4A patent/CN112712023B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107256636A (zh) * | 2017-06-29 | 2017-10-17 | 段晓辉 | 一种融合激光扫描与视频技术的交通流获取方法 |
| CN110163047A (zh) * | 2018-07-05 | 2019-08-23 | 腾讯大地通途（北京）科技有限公司 | 一种检测车道线的方法及装置 |
| CN110095061A (zh) * | 2019-03-31 | 2019-08-06 | 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 |
| CN110033621A (zh) * | 2019-05-22 | 2019-07-19 | 北京经纬恒润科技有限公司 | 一种危险车辆检测方法、装置及系统 |
| CN110232418A (zh) * | 2019-06-19 | 2019-09-13 | 深圳前海达闼云端智能科技有限公司 | 一种语义识别方法、终端及计算机可读存储介质 |
| CN111210386A (zh) * | 2019-12-18 | 2020-05-29 | 芜湖酷哇机器人产业技术研究院有限公司 | 图像拍摄拼接方法及系统 |
| CN211015900U (zh) * | 2019-12-31 | 2020-07-14 | 武汉万集信息技术有限公司 | 一种自由流车型识别系统 |
Non-Patent Citations (1)
| Title |
|---|
| 红外与激光融合目标识别方法;仝选悦;《红外与激光工程》;第47卷(第5期);第1-8页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112712023A (zh) | 2021-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112712023B (zh) | 车型识别方法、系统及电子设备 | |
| US10964054B2 (en) | Method and device for positioning | |
| US10078790B2 (en) | Systems for generating parking maps and methods thereof | |
| US20240071215A1 (en) | Detection method and apparatus of abnormal vehicle, device, and storage medium | |
| US20220044558A1 (en) | Method and device for generating a digital representation of traffic on a road | |
| CN113808112B (zh) | 轨道扣件检测方法、电子设备和计算机可读介质 | |
| CN112432650A (zh) | 高精地图数据的获取方法、车辆控制方法以及设备 | |
| CN112598668B (zh) | 基于三维图像的缺陷识别方法、装置及电子设备 | |
| CN108447257B (zh) | 一种基于Web的交通数据分析方法及系统 | |
| CN111651547B (zh) | 高精度地图数据的获取方法、装置及可读存储介质 | |
| EP3940666A1 (en) | Digital reconstruction method, apparatus, and system for traffic road | |
| CN111899242B (zh) | 基于多源信号的侵限检测方法和装置 | |
| CN112859109B (zh) | 无人机全景图像处理方法、装置及电子设备 | |
| CN115484721A (zh) | 基于路侧感知系统的路灯控制方法、装置、设备及介质 | |
| CN112810489B (zh) | 一种新能源汽车用安全充电管理系统 | |
| CN115019511A (zh) | 基于自动驾驶车辆的识别机动车违规变道的方法和装置 | |
| CN115273025A (zh) | 交通资产的盘点方法、装置、介质及电子设备 | |
| CN111681267B (zh) | 基于图像识别的轨道防侵入方法 | |
| CN114565906A (zh) | 障碍物检测方法、装置、电子设备及存储介质 | |
| CN112766746A (zh) | 交通事故识别方法、装置、电子设备和存储介质 | |
| CN112857254B (zh) | 基于无人机数据的参数测量方法、装置及电子设备 | |
| CN111047890B (zh) | 用于智能驾驶的车辆行驶决策方法及装置、介质、设备 | |
| CN111383337B (zh) | 用于识别对象的方法和装置 | |
| CN114820777B (zh) | 无人机三维数据前端处理方法、装置及无人机 | |
| US11521331B2 (en) | Method and apparatus for generating position information, device, and medium |
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 | ||
| CB02 | Change of applicant information |
Address after: 430070 Hubei Wuhan East Lake New Technology Development Zone, Optics Valley Road 77, financial backstage service center base construction phase two phase B5 6-7 story 01-04 room Applicant after: Wuhan Wanji Photoelectric Technology Co.,Ltd. Address before: 430070 Hubei Wuhan East Lake New Technology Development Zone, Optics Valley Road 77, financial backstage service center base construction phase two phase B5 6-7 story 01-04 room Applicant before: WUHAN WANJI INFORMATION TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |