CN113205691A - 一种识别车辆位置的方法及装置 - Google Patents
一种识别车辆位置的方法及装置 Download PDFInfo
- Publication number
- CN113205691A CN113205691A CN202110451042.7A CN202110451042A CN113205691A CN 113205691 A CN113205691 A CN 113205691A CN 202110451042 A CN202110451042 A CN 202110451042A CN 113205691 A CN113205691 A CN 113205691A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- dimensional
- determining
- camera
- preset
- 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.)
- Granted
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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/20—Image signal generators
- H04N13/204—Image signal generators using stereoscopic image cameras
- H04N13/243—Image signal generators using stereoscopic image cameras using three or more 2D image sensors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/20—Image signal generators
- H04N13/275—Image signal generators from 3D object models, e.g. computer-generated stereoscopic image signals
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种识别车辆位置的方法及装置,该方法包括:通过两组摄像机矩阵获取预定监控区域的图像,判断预定时长内各图像中是否存在同一车辆;若存在,将获取到的各同一时刻的各摄像机采集的图像组,构建所述车辆的第一车辆三维模型,确定各时刻所述车辆的三维坐标的相对空间位置;将所述车辆当前时刻的三维坐标的相对空间位置与预定距离的至少一个泊位的泊位区域进行位置比对;根据各比对结果,分析所述预定时长内所述车辆的位置变化趋势,确定所述车辆的停车事件。通过本发明,能够简单、高效地根据车辆三维坐标的空间位置,确定车辆与泊位的位置关系,从而快速地识别车辆的位置变化,并快速地确定车辆的位置以及车辆的停车事件。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种识别车辆位置的方法及装置。
背景技术
随着城市经济的飞速发展和人民生活水平的不断提高,城市机动车保有量也急速增长,但随之而来,城市停车位缺口也不断扩大,远远无法满足巨大的停车需求,停车位与停车需求间的矛盾也日益尖锐。尤其在城市道路两侧,由于路侧停车位的稀缺,停车难已成为典型的城市病之一。近年来,部分城市采用基于高位视频的停车管理方案,取得了较好的管理效果。然而,由于高位视频摄像机通常安装于道路一侧,且镜头角度单一,加上树木遮挡、过路车遮挡、实际道路环境复杂等因素影响,在识别车辆位置时,可能无法精确地确定车辆与泊位的位置关系,也就对停车管理造成了一定的困扰。因此,亟需一种确定车辆位置的方法,能够精准高效的判断车辆与泊位的位置关系,进而实现路侧停车的自动化、高精度管理。
发明内容
本发明实施例提供一种识别车辆位置的方法及装置,实现了通过全面的角度观测各泊位内的车辆信息,极大地提高车辆位置的检测精度。
一方面,本发明实施例提供了一种识别车辆位置的方法,包括:
通过两组摄像机矩阵获取预定监控区域的图像,判断预定时长内各图像中是否存在同一车辆;
若存在,将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,构建所述车辆的第一车辆三维模型;
根据所述第一车辆三维模型,确定各时刻所述车辆的三维坐标的相对空间位置;
针对各时刻所述车辆的三维坐标的相对空间位置,将所述车辆当前时刻的三维坐标的相对空间位置与预定距离的至少一个泊位的泊位区域进行位置比对;
根据各比对结果,分析所述预定时长内所述车辆的位置变化,并根据所述车辆的位置变化确定所述车辆的停车事件。
进一步地,所述两组摄像机矩阵位于同一安装杆的不同高度;
其中,位于安装杆顶部的摄像机矩阵为第一摄像机矩阵,位于所述第一摄像机矩阵下方的摄像机矩阵为第二摄像机矩阵;所述两组摄像机矩阵中的各视频设备的拍摄角度均不同;
其中,所述通过两组摄像机矩阵获取预定监控区域的图像,判断预定时长内各图像中是否存在同一车辆,具体包括:
通过两组摄像机矩阵获取预定监控区域的图像,判断预定时长内各图像中是否存在通过至少两个视频设备采集到同一车辆的图像;
若存在,确定各图像中是否存在包含所述车辆完整车身的图像。
进一步地,所述将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,构建所述车辆的第一车辆三维模型,包括:
将获取到的各同一时刻的各摄像机采集的图像组,进行特征点检测以及特征点过滤和匹配;
根据配对后的特征点集,基于多视点图像三维重构算法,构建所述车辆的第一车辆三维模型。
可选地,所述确定各图像中是否存在包含所述车辆完整车身的图像,还包括:
若不存在,确定所述车辆被遮挡;
其中,所述将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,构建所述车辆的第一车辆三维模型,包括:
获取对应的第二车辆三维模型;
将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,基于已获取的所述第二车辆三维模型,构建被遮挡的所述车辆的第一车辆三维模型。
进一步地,在所述获取对应的第二车辆三维模型的步骤之前,包括:
预建立多种车型的第二车辆三维模型;
其中,所述获取对应的第二车辆三维模型,包括:
根据所述各图像,识别所述车辆的车辆信息;
根据所述车辆的车辆信息,确定与所述车辆信息相匹配的第二车辆三维模型;
其中,所述车辆信息包括车辆型号、车牌号码、车身颜色中的至少一项。
进一步地,所述针对各时刻所述车辆的三维坐标的相对空间位置,将所述车辆当前时刻的三维坐标的相对空间位置与预定距离的至少一个泊位的泊位区域进行位置比对,包括:
针对各时刻所述车辆的三维坐标的相对空间位置,确定与所述车辆当前时刻的三维坐标的相对空间位置相距预定距离的至少一个泊位;
针对所述至少一个泊位,确定与所述至少一个泊位在地面平面的二维投影;
确定所述车辆的三维坐标相对空间位置的地面平面投影与所述二维投影的重叠面积。
进一步地,所述根据各比对结果,分析所述预定时长内所述车辆的位置变化,并根据所述车辆的位置变化确定所述车辆的停车事件,包括:
根据预定比例阈值,确定所述预定时长内所述重叠面积与车辆三维坐标相对空间位置的地面平面投影间比例的变化趋势;
若所述比例的变化趋势为由小于所述预定比例阈值变为大于等于所述预定比例阈值时,确定所述车辆驶入泊位;
若所述比例的变化趋势为由大于等于所述预定比例阈值变为小于所述预定比例阈值时,确定所述车辆驶出泊位。
另一方面,本发明实施例提供了一种识别车辆位置的装置,包括:
判断模块,用于通过两组摄像机矩阵获取预定监控区域的图像,判断预定时长内各图像中是否存在同一车辆;
构建模块,用于若存在,将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,构建所述车辆的第一车辆三维模型;
确定模块,用于根据所述第一车辆三维模型,确定各时刻所述车辆的三维坐标的相对空间位置;
比对模块,用于针对各时刻所述车辆的三维坐标的相对空间位置,将所述车辆当前时刻的三维坐标的相对空间位置与预定距离的至少一个泊位的泊位区域进行位置比对;
分析及确定模块,用于根据各比对结果,分析所述预定时长内所述车辆的位置变化,并根据所述车辆的位置变化确定所述车辆的停车事件。
进一步地,所述两组摄像机矩阵位于同一安装杆的不同高度;
其中,位于安装杆顶部的摄像机矩阵为第一摄像机矩阵,位于所述第一摄像机矩阵下方的摄像机矩阵为第二摄像机矩阵;所述两组摄像机矩阵中的各视频设备的拍摄角度均不同;
其中,所述判断模块,包括:
判断单元,用于通过两组摄像机矩阵获取预定监控区域的图像,判断预定时长内各图像中是否存在通过至少两个视频设备采集到同一车辆的图像;
确定单元,用于若存在,确定各图像中是否存在包含所述车辆完整车身的图像。
进一步地,所述构建模块,包括:
特征点采集及匹配单元,用于将获取到的各同一时刻的各摄像机采集的图像组,进行特征点检测以及特征点过滤和匹配;
第一构建单元,用于根据配对后的特征点集,基于多视点图像三维重构算法,构建所述车辆的第一车辆三维模型。
可选地,所述确定单元,还包括:
确定子单元,用于若不存在,确定所述车辆被遮挡;
其中,所述构建模块,包括:
获取单元,用于获取对应的第二车辆三维模型;
第二构建单元,用于将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,基于已获取的所述第二车辆三维模型,构建被遮挡的所述车辆的第一车辆三维模型。
进一步地,包括:
预建立模块,用于预建立多种车型的第二车辆三维模型;
其中,所述获取单元,具体用于
根据所述各图像,识别所述车辆的车辆信息;
根据所述车辆的车辆信息,确定与所述车辆信息相匹配的第二车辆三维模型;
其中,所述车辆信息包括车辆型号、车牌号码、车身颜色中的至少一项。
进一步地,所述比对模块,具体用于
针对各时刻所述车辆的三维坐标的相对空间位置,确定与所述车辆当前时刻的三维坐标的相对空间位置相距预定距离的至少一个泊位;
针对所述至少一个泊位,确定与所述至少一个泊位在地面平面的二维投影;
确定所述车辆的三维坐标相对空间位置的地面平面投影与所述二维投影的重叠面积。
进一步地,所述分析及确定模块,具体用于
根据预定比例阈值,确定所述预定时长内所述重叠面积与车辆三维坐标相对空间位置的地面平面投影间比例的变化趋势;
若所述比例的变化趋势为由小于所述预定比例阈值变为大于等于所述预定比例阈值时,确定所述车辆驶入泊位;
若所述比例的变化趋势为由大于等于所述预定比例阈值变为小于所述预定比例阈值时,确定所述车辆驶出泊位。
上述技术方案具有如下有益效果:通过本发明,能够通过少量的硬件投入,简单、高效地根据多视点车辆图像确定车辆三维坐标的相对空间位置,实时计算车辆的位置信息,即使在车辆被部分遮挡时,也可快速地确定车辆与泊位的位置关系,从而精确地识别车辆的位置变化以及发生的停车事件;进一步地,极大地提高了车辆管理的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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发明的一些实施例,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他的附图。
图1为本发明实施例中一种识别车辆位置的方法流程图;
图2为本发明一实施例中一种识别车辆位置的装置结构示意图;
图3为本发明一优选实施例中摄像机矩阵安装示意图;
图4为本发明一优选实施例中车辆驶入泊位过程中重叠面积变化趋势示意图。
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做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。
本发明实施例上述技术方案具有如下有益效果:通过本发明,能够通过少量的硬件投入,简单、高效地根据多视点车辆图像确定车辆三维坐标的相对空间位置,实时计算车辆的位置信息,即使在车辆被部分遮挡时,也可快速地确定车辆与泊位的位置关系,从而精确地识别车辆的位置变化以及发生的停车事件;进一步地,极大地提高了车辆管理的效率。以下结合应用实例对本发明实施例上述技术方案进行详细说明:
本发明应用实例旨在通过多视点车辆图像确定车辆三维坐标的相对空间位置,快速地确定车辆与泊位的位置关系,极大地提高车辆位置的检测精度。
在一种可能的实现方式中,在路侧停车管理系统中,摄像机矩阵指由多个摄像机集中水平或层叠放置,形成阵列排布的摄像机集合,首先通过两组摄像机矩阵获取预定监控区域的图像,判断预定时长内,如10秒内,各图像中是否存在通过至少两个视频设备采集到同一车辆的图像,若存在,确定各图像中是否存在包含该车辆,如车辆A,完整车身的图像,若包含,将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,构建车辆A的第一车辆三维模型,通常基于相机内参与图像间的几何映射关系并同时使用一个或多个训练收敛的深度神经网络模型来确定不同图像中是否存在同一车辆以及图像中是否存在完整车身图像;随后,根据车辆A的第一车辆三维模型,确定各图像组或后续各图像组中每一图像中车辆A的第一车辆三维坐标的相对空间位置;针对各时刻车辆A的第一车辆三维坐标的相对空间位置,将车辆A当前时刻的三维坐标的相对空间位置与预定距离的至少一个泊位的泊位区域进行位置比对;最后,根据各比对结果,分析预定时长内,例如1分钟内,车辆A的位置变化,并根据车辆A的位置变化确定车辆A的停车事件。其中,在路侧停车管理系统中的两组摄像机矩阵位于同一安装杆的不同高度;位于安装杆顶部的摄像机矩阵为第一摄像机矩阵,位于所述第一摄像机矩阵下方的摄像机矩阵为第二摄像机矩阵;两组摄像机矩阵中的各视频设备的拍摄角度均不同,且两组摄像机矩阵中分别包含多个视频采集设备,其中,摄像机矩阵安装示意图如图3所示。
在一种可能的实现方式中,步骤102将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,构建所述车辆的第一车辆三维模型,包括:将获取到的各同一时刻的各摄像机采集的图像组,进行特征点检测以及特征点过滤和匹配;根据配对后的特征点集,基于多视点图像三维重构算法,构建所述车辆的第一车辆三维模型。
例如,在路侧停车管理系统中,首先通过两组摄像机矩阵获取预定监控区域的图像,判断预定时长内,各图像中是否存在通过至少两个视频设备采集到同一车辆的图像,若存在,确定各图像中是否存在包含该车辆,如车辆A,完整车身的图像,若包含,将获取到的各同一时刻的每一个摄像机采集的图像组,基于特征点检测匹配算法,如基于SIFT(Scale-invariant feature transform,尺度不变特征变换)特征检测算法,对各图像组中的特征点进行检测、过滤和匹配,获得配对后的特征点集,再基于SfM(Structure-from-Motion,运动恢复结构)算法获得车辆模型的稀疏点云以及各个摄像机的相机参数,最后基于MVS(Multi View Stereo,多视点立体视觉)算法获得车辆A的稠密重建,最终得到车辆A的第一车辆三维模型。
需要说明的是,在构建车辆的第一车辆三维模型之后,可根据后续该车辆的多视点图像,修正车辆所属车型对应的第二车辆三维模型,从而使得车辆三维模型的数据更加精确。
通过本实施例,为后续进行车辆位置的识别提供了必要的前提条件,同时实现了根据采集到车辆的多视点完整图像,及时修正车辆所属车型对应的车辆三维模型,进一步地,为后续提高识别车辆位置的精确度提供了重要的前提保障。
在一种可能的实现方式中,确定各图像中是否存在包含所述车辆完整车身的图像,还包括:若不存在,确定所述车辆被遮挡。
其中,所述将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,构建所述车辆的第一车辆三维模型,包括:获取对应的第二车辆三维模型;将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,基于已获取的所述第二车辆三维模型,构建被遮挡的所述车辆的第一车辆三维模型。
其中,在所述获取对应的第二车辆三维模型的步骤之前,包括:预建立多种车型的第二车辆三维模型;其中,所述获取对应的第二车辆三维模型,包括:根据所述各图像,识别所述车辆的车辆信息;根据所述车辆的车辆信息,确定与所述车辆信息相匹配的第二车辆三维模型;所述车辆信息包括车辆型号、车牌号码、车身颜色中的至少一项。
例如,在路侧停车管理系统中,预建立多种车型的第二车辆三维模型;首先通过两组摄像机矩阵获取预定监控区域的图像,判断预定时长内各图像中是否存在通过至少两个视频设备采集到同一车辆的图像,若存在,确定各图像中是否存在包含该车辆,如车辆A,完整车身的图像,若不存在,确定车辆A被遮挡;随后,根据各图像,通过一个或多个训练收敛的深度神经网络模型,识别车辆A的车辆信息,如车辆型号、车牌号码、车身颜色等;根据车辆A的车辆信息,确定与车辆A信息相匹配的第二车辆三维模型;随后,将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,基于已获取的车辆A的第二车辆三维模型,构建被遮挡的车辆A的第一车辆三维模型。
通过本实施例,在车辆出现被遮挡的情况下,能够根据车辆未被遮挡部分的几何关系,还原整个车辆三维模型信息,进而在车辆有遮挡的情况下,能够基于车辆三维模型精确快速地识别车辆是否在泊位中以及后续车辆的停车事件。
在一种可能的实现方式中,步骤103针对各时刻所述车辆的三维坐标的相对空间位置,将所述车辆当前时刻的三维坐标的相对空间位置与预定距离的至少一个泊位的泊位区域进行位置比对,包括:针对各时刻所述车辆的三维坐标的相对空间位置,确定与所述车辆当前时刻的三维坐标的相对空间位置相距预定距离的至少一个泊位;针对所述至少一个泊位,确定与所述至少一个泊位在地面平面的二维投影;确定所述车辆的三维坐标相对空间位置的地面平面投影与所述二维投影的重叠面积。
例如,接上例,在路侧停车管理系统中,基于相应几何映射关系,确定各图像组中每一图像中车辆A的三维坐标的相对空间位置;随后,针对各时刻车辆A的三维坐标的相对空间位置,在图像中确定与车辆A当前时刻的三维坐标的相对空间位置中心点相距预定欧氏距离,如50像素内,相交的至少一个泊位,如泊位P1和P2;针对泊位P1和P2,分别确定与泊位P1和P2在地面平面的二维投影;随后分别确定车辆A的三维坐标相对空间位置的地面平面投影与P1在地面平面的二维投影的重叠面积,以及车辆A的三维坐标相对空间位置的地面平面投影与P2在地面平面的二维投影的重叠面积。
在一种可能的实现方式中,步骤104根据各比对结果,分析所述预定时长内所述重叠面积变化趋势,并根据所述重叠面积变化趋势确定所述车辆的停车事件,包括:根据预定比例阈值,确定所述预定时长内所述重叠面积与车辆三维坐标相对空间位置的地面平面投影间比例的变化趋势;若所述比例的变化趋势为由小于所述预定比例阈值变为大于等于所述预定比例阈值时,确定所述车辆驶入泊位;若所述比例的变化趋势为由大于等于所述预定比例阈值变为小于所述预定比例阈值时,确定所述车辆驶出泊位。
例如,接上例,在路侧停车管理系统中,根据车辆A的三维坐标的地面平面投影与泊位P1在地面平面的二维投影的重叠面积的各比对结果,基于预定比例阈值,若确定预定时长内各重叠面积的变化趋势为由小于预定比例阈值变为大于预定比例阈值,确定车辆A驶入泊位P1,车辆A驶入泊位P1过程中重叠面积的变化趋势如图4所示;根据车辆A的三维坐标的地面平面投影与泊位P2在地面平面的二维投影的重叠面积的各比对结果,基于预定比例阈值,确定预定时长内各重叠面积的变化趋势为先逐渐增大后再逐渐减小,但各重叠面积均小于预定比例阈值,可确定车辆驶入泊位P1时路过泊位P2附近。
又例如,在路侧停车管理系统中,根据车辆A的三维坐标的地面平面投影与泊位P1在地面平面的二维投影的重叠面积的各比对结果,基于预定比例阈值,若确定预定时长内各重叠面积的变化趋势为由大于预定比例阈值变为小于预定比例阈值,确定车辆驶出泊位P1;根据车辆A的三维坐标的地面平面投影与泊位P2在地面平面的二维投影的重叠面积的各比对结果,基于预定比例阈值,确定预定时长内各重叠面积的变化趋势为先逐渐增大后再逐渐减小,但各重叠面积均小于预定比例阈值,可确定车辆驶出泊位P1时路过泊位P2附近。
通过本实施例,能够简单高效地根据多视点车辆图像确定车辆三维坐标的相对空间位置,实时计算车辆的位置信息,即使在车辆被部分遮挡时,也可快速地确定车辆与泊位的位置关系,从而精确地识别车辆的位置变化以及发生的停车事件。
本发明实施例提供了一种识别车辆位置的装置,可以实现上述提供的方法实施例,具体功能实现请参见方法实施例中的说明,在此不再赘述。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明,上面对所公开实施例进行了描述。对于本领域技术人员来说;这些实施例的各种修改方式都是显而易见的,并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此,本公开并不限于本文给出的实施例,而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种识别车辆位置的方法,其特征在于,包括:
通过两组摄像机矩阵获取预定监控区域的图像,判断预定时长内各图像中是否存在同一车辆;
若存在,将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,构建所述车辆的第一车辆三维模型;
根据所述第一车辆三维模型,确定各时刻所述车辆的三维坐标的相对空间位置;
针对各时刻所述车辆的三维坐标的相对空间位置,将所述车辆当前时刻的三维坐标的相对空间位置与预定距离的至少一个泊位的泊位区域进行位置比对;
根据各比对结果,分析所述预定时长内所述车辆的位置变化,并根据所述车辆的位置变化确定所述车辆的停车事件。
2.根据权利要求1所述的方法,其特征在于,所述两组摄像机矩阵位于同一安装杆的不同高度;
其中,位于安装杆顶部的摄像机矩阵为第一摄像机矩阵,位于所述第一摄像机矩阵下方的摄像机矩阵为第二摄像机矩阵;所述两组摄像机矩阵中的各视频设备的拍摄角度均不同;
其中,所述通过两组摄像机矩阵获取预定监控区域的图像,判断预定时长内各图像中是否存在同一车辆,具体包括:
通过两组摄像机矩阵获取预定监控区域的图像,判断预定时长内各图像中是否存在通过至少两个视频设备采集到同一车辆的图像;
若存在,确定各图像中是否存在包含所述车辆完整车身的图像。
3.根据权利要求2所述的方法,其特征在于,所述将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,构建所述车辆的第一车辆三维模型,包括:
将获取到的各同一时刻的各摄像机采集的图像组,进行特征点检测以及特征点过滤和匹配;
根据配对后的特征点集,基于多视点图像三维重构算法,构建所述车辆的第一车辆三维模型。
4.根据权利要求2所述的方法,其特征在于,所述确定各图像中是否存在包含所述车辆完整车身的图像,还包括:
若不存在,确定所述车辆被遮挡;
其中,所述将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,构建所述车辆的第一车辆三维模型,包括:
获取对应的第二车辆三维模型;
将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,基于已获取的所述第二车辆三维模型,构建被遮挡的所述车辆的第一车辆三维模型。
5.根据权利要求4所述的方法,其特征在于,在所述获取对应的第二车辆三维模型的步骤之前,包括:
预建立多种车型的第二车辆三维模型;
其中,所述获取对应的第二车辆三维模型,包括:
根据所述各图像,识别所述车辆的车辆信息;
根据所述车辆的车辆信息,确定与所述车辆信息相匹配的第二车辆三维模型;
其中,所述车辆信息包括车辆型号、车牌号码、车身颜色中的至少一项。
6.根据权利要求3-5任一项所述的方法,其特征在于,所述针对各时刻所述车辆的三维坐标的相对空间位置,将所述车辆当前时刻的三维坐标的相对空间位置与预定距离的至少一个泊位的泊位区域进行位置比对,包括:
针对各时刻所述车辆的三维坐标的相对空间位置,确定与所述车辆当前时刻的三维坐标的相对空间位置相距预定距离的至少一个泊位;
针对所述至少一个泊位,确定与所述至少一个泊位在地面平面的二维投影;
确定所述车辆的三维坐标相对空间位置的地面平面投影与所述二维投影的重叠面积。
7.根据权利要求6所述的方法,其特征在于,所述根据各比对结果,分析所述预定时长内所述车辆的位置变化,并根据所述车辆的位置变化确定所述车辆的停车事件,包括:
根据预定比例阈值,确定所述预定时长内所述重叠面积与车辆三维坐标相对空间位置的地面平面投影间比例的变化趋势;
若所述比例的变化趋势为由小于所述预定比例阈值变为大于等于所述预定比例阈值时,确定所述车辆驶入泊位;
若所述比例的变化趋势为由大于等于所述预定比例阈值变为小于所述预定比例阈值时,确定所述车辆驶出泊位。
8.一种识别车辆位置的装置,其特征在于,包括:
判断模块,用于通过两组摄像机矩阵获取预定监控区域的图像,判断预定时长内各图像中是否存在同一车辆;
构建模块,用于若存在,将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,构建所述车辆的第一车辆三维模型;
确定模块,用于根据所述第一车辆三维模型,确定各时刻所述车辆的三维坐标的相对空间位置;
比对模块,用于针对各时刻所述车辆的三维坐标的相对空间位置,将所述车辆当前时刻的三维坐标的相对空间位置与预定距离的至少一个泊位的泊位区域进行位置比对;
分析及确定模块,用于根据各比对结果,分析所述预定时长内所述车辆的位置变化,并根据所述车辆的位置变化确定所述车辆的停车事件。
9.根据权利要求8所述的装置,其特征在于,所述两组摄像机矩阵位于同一安装杆的不同高度;
其中,位于安装杆顶部的摄像机矩阵为第一摄像机矩阵,位于所述第一摄像机矩阵下方的摄像机矩阵为第二摄像机矩阵;所述两组摄像机矩阵中的各视频设备的拍摄角度均不同;
其中,所述判断模块,包括:
判断单元,用于通过两组摄像机矩阵获取预定监控区域的图像,判断预定时长内各图像中是否存在通过至少两个视频设备采集到同一车辆的图像;
确定单元,用于若存在,确定各图像中是否存在包含所述车辆完整车身的图像。
10.根据权利要求9所述的装置,其特征在于,所述构建模块,包括:
特征点采集及匹配单元,用于将获取到的各同一时刻的各摄像机采集的图像组,进行特征点检测以及特征点过滤和匹配;
第一构建单元,用于根据配对后的特征点集,基于多视点图像三维重构算法,构建所述车辆的第一车辆三维模型。
11.根据权利要求9所述的装置,其特征在于,所述确定单元,还包括:
确定子单元,用于若不存在,确定所述车辆被遮挡;
其中,所述构建模块,包括:
获取单元,用于获取对应的第二车辆三维模型;
第二构建单元,用于将获取到的各同一时刻的各摄像机采集的图像组,依据各摄像机的拍摄角度,基于已获取的所述第二车辆三维模型,构建被遮挡的所述车辆的第一车辆三维模型。
12.根据权利要求11所述的装置,其特征在于,包括:
预建立模块,用于预建立多种车型的第二车辆三维模型;
其中,所述获取单元,具体用于
根据所述各图像,识别所述车辆的车辆信息;
根据所述车辆的车辆信息,确定与所述车辆信息相匹配的第二车辆三维模型;
其中,所述车辆信息包括车辆型号、车牌号码、车身颜色中的至少一项。
13.根据权利要求10-12任一项所述的装置,其特征在于,所述比对模块,具体用于
针对各时刻所述车辆的三维坐标的相对空间位置,确定与所述车辆当前时刻的三维坐标的相对空间位置相距预定距离的至少一个泊位;
针对所述至少一个泊位,确定与所述至少一个泊位在地面平面的二维投影;
确定所述车辆的三维坐标相对空间位置的地面平面投影与所述二维投影的重叠面积。
14.根据权利要求13所述的装置,其特征在于,所述分析及确定模块,具体用于
根据预定比例阈值,确定所述预定时长内所述重叠面积与车辆三维坐标相对空间位置的地面平面投影间比例的变化趋势;
若所述比例的变化趋势为由小于所述预定比例阈值变为大于等于所述预定比例阈值时,确定所述车辆驶入泊位;
若所述比例的变化趋势为由大于等于所述预定比例阈值变为小于所述预定比例阈值时,确定所述车辆驶出泊位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110451042.7A CN113205691B (zh) | 2021-04-26 | 2021-04-26 | 一种识别车辆位置的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110451042.7A CN113205691B (zh) | 2021-04-26 | 2021-04-26 | 一种识别车辆位置的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113205691A true CN113205691A (zh) | 2021-08-03 |
CN113205691B CN113205691B (zh) | 2023-05-02 |
Family
ID=77028622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110451042.7A Active CN113205691B (zh) | 2021-04-26 | 2021-04-26 | 一种识别车辆位置的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205691B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688717A (zh) * | 2021-08-20 | 2021-11-23 | 云往(上海)智能科技有限公司 | 图像识别方法、装置以及电子设备 |
CN115035741A (zh) * | 2022-04-29 | 2022-09-09 | 阿里云计算有限公司 | 判别泊位停车的方法、装置、存储介质及系统 |
CN115359650A (zh) * | 2022-07-06 | 2022-11-18 | 浙江大华技术股份有限公司 | 停车泊位检测方法、装置、计算机设备和存储介质 |
CN115830881A (zh) * | 2023-02-20 | 2023-03-21 | 常州海图信息科技股份有限公司 | 停车检测方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708385A (zh) * | 2012-04-06 | 2012-10-03 | 张丛喆 | 用于视频监控场景的三维车型比对识别的方法和系统 |
JP2012251306A (ja) * | 2011-05-31 | 2012-12-20 | Sumitomo Heavy Ind Ltd | 車両積載異常検出装置 |
CN109784306A (zh) * | 2019-01-30 | 2019-05-21 | 南昌航空大学 | 一种基于深度学习的智能停车管理方法及系统 |
CN111739335A (zh) * | 2020-04-26 | 2020-10-02 | 智慧互通科技有限公司 | 一种基于视觉差的停车检测方法及装置 |
CN111931673A (zh) * | 2020-04-26 | 2020-11-13 | 智慧互通科技有限公司 | 一种基于视觉差的车辆检测信息的校验方法及装置 |
CN112509364A (zh) * | 2020-11-17 | 2021-03-16 | 北京精英路通科技有限公司 | 车辆停车状态的确定方法、装置、计算机设备及存储介质 |
CN112560814A (zh) * | 2021-02-20 | 2021-03-26 | 成都申亚科技有限公司 | 一种车辆进出停车位的识别方法 |
-
2021
- 2021-04-26 CN CN202110451042.7A patent/CN113205691B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012251306A (ja) * | 2011-05-31 | 2012-12-20 | Sumitomo Heavy Ind Ltd | 車両積載異常検出装置 |
CN102708385A (zh) * | 2012-04-06 | 2012-10-03 | 张丛喆 | 用于视频监控场景的三维车型比对识别的方法和系统 |
CN109784306A (zh) * | 2019-01-30 | 2019-05-21 | 南昌航空大学 | 一种基于深度学习的智能停车管理方法及系统 |
CN111739335A (zh) * | 2020-04-26 | 2020-10-02 | 智慧互通科技有限公司 | 一种基于视觉差的停车检测方法及装置 |
CN111931673A (zh) * | 2020-04-26 | 2020-11-13 | 智慧互通科技有限公司 | 一种基于视觉差的车辆检测信息的校验方法及装置 |
CN112509364A (zh) * | 2020-11-17 | 2021-03-16 | 北京精英路通科技有限公司 | 车辆停车状态的确定方法、装置、计算机设备及存储介质 |
CN112560814A (zh) * | 2021-02-20 | 2021-03-26 | 成都申亚科技有限公司 | 一种车辆进出停车位的识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688717A (zh) * | 2021-08-20 | 2021-11-23 | 云往(上海)智能科技有限公司 | 图像识别方法、装置以及电子设备 |
CN115035741A (zh) * | 2022-04-29 | 2022-09-09 | 阿里云计算有限公司 | 判别泊位停车的方法、装置、存储介质及系统 |
CN115035741B (zh) * | 2022-04-29 | 2024-03-22 | 阿里云计算有限公司 | 判别泊位停车的方法、装置、存储介质及系统 |
CN115359650A (zh) * | 2022-07-06 | 2022-11-18 | 浙江大华技术股份有限公司 | 停车泊位检测方法、装置、计算机设备和存储介质 |
CN115830881A (zh) * | 2023-02-20 | 2023-03-21 | 常州海图信息科技股份有限公司 | 停车检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113205691B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113205691B (zh) | 一种识别车辆位置的方法及装置 | |
CN111739335B (zh) | 一种基于视觉差的停车检测方法及装置 | |
CN110163107B (zh) | 一种基于视频帧识别路侧停车行为的方法及装置 | |
CN111339994B (zh) | 一种判断临时违章停车的方法及装置 | |
CN111405196B (zh) | 一种基于视频拼接的车辆管理的方法及系统 | |
CN110276258A (zh) | 一种识别车辆外观的方法及系统 | |
CN111582256A (zh) | 一种基于雷达和视觉信息的停车管理方法及装置 | |
CN111340710B (zh) | 一种基于图像拼接获取车辆信息的方法及系统 | |
CN114530056B (zh) | 一种基于定位信息和图像信息的停车管理方法及系统 | |
CN111931673B (zh) | 一种基于视觉差的车辆检测信息的校验方法及装置 | |
CN111739338A (zh) | 一种基于多类型传感器的停车管理方法及系统 | |
CN115457780B (zh) | 一种基于先验知识集合的车流量流速自动测算方法及系统 | |
CN112861773A (zh) | 一种基于多层次的泊位状态检测方法及系统 | |
CN113033479A (zh) | 一种基于多层感知的泊位事件识别方法及系统 | |
CN113450575B (zh) | 一种路侧停车的管理方法及装置 | |
CN113052141A (zh) | 一种检测车辆停放位置的方法及装置 | |
CN112766222B (zh) | 一种基于泊位线辅助识别车辆行为的方法及装置 | |
CN113850237A (zh) | 基于视频和轨迹数据的网联车目标检测评价方法及系统 | |
CN111693998A (zh) | 一种基于雷达和图像数据检测车辆位置的方法及装置 | |
CN117496452A (zh) | 一种路口多目相机与雷视一体机检测目标的关联方法及系统 | |
CN114463976B (zh) | 一种基于3d车辆轨迹的车辆行为状态判定方法及系统 | |
CN113449624B (zh) | 一种基于行人重识别确定车辆行为的方法及装置 | |
CN115457488A (zh) | 一种基于双目立体视觉的路侧停车管理方法及系统 | |
CN116824152A (zh) | 基于点云的目标检测方法及装置、可读存储介质、终端 | |
CN113380035B (zh) | 一种道路交叉口交通量分析方法及系统 |
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 |