CN113269184A - 一种使用4线激光测距仪测量车辆姿态的算法与系统 - Google Patents
一种使用4线激光测距仪测量车辆姿态的算法与系统 Download PDFInfo
- Publication number
- CN113269184A CN113269184A CN202110566363.1A CN202110566363A CN113269184A CN 113269184 A CN113269184 A CN 113269184A CN 202110566363 A CN202110566363 A CN 202110566363A CN 113269184 A CN113269184 A CN 113269184A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- measuring
- data
- range finder
- length
- 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
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 238000004806 packaging method and process Methods 0.000 claims abstract description 4
- 238000007726 management method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000036544 posture Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/42—Simultaneous measurement of distance and other co-ordinates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Abstract
本发明公开了一种使用4线激光测距仪测量车辆姿态的算法与系统,包括利用角尺与卷尺在地面勾画4米宽*6米长的矩形,并沿顺时针方向将矩形的四个顶点设为A、B、C、D坐标点;以A与C点为激光雷达扫描中心点,在B点和D点,摆放中心点在B点和D点10厘米高截面为0.5厘米宽正方形的立柱,并以立柱为参考对激光雷达进行调整;对车辆信息进行采集并计算车辆大小和姿态;使用神经网络深度学习方法,使用图像辨识技术识别车辆品牌和型号;采用定制协议,将车辆姿态打包传送给后端服务器,前端的用户信息采集系统填写车辆号码,入库时间等,同时发给停车场管理系统服务器进行存储保留。
Description
技术领域
本发明涉及停车管理技术领域,具体为一种使用4线激光测距仪测量车辆姿态的算法与系统。
背景技术
国外目前已经出现停车场全自动管理系统,用户只需要将车辆停在公共停车位上,自动拖车会处理后续的泊车环节,做到停车位高效规划与利用,但是每个用户将车辆停在公共停车位上后,车辆的型号、大小以及姿态都不相同,而现有的自动管理系统缺乏对不同状态的车辆进行姿态计算的算法,无法根据不同车辆实时调整自动拖车的大小以及状态,容易导致拖车无法与公共停车位上的车辆完美配合,不利于自动停车,为此我们提出一种使用4线激光测距仪测量车辆姿态的算法与系统用于解决上述问题。
发明内容
本发明的目的在于提供一种使用4线激光测距仪测量车辆姿态的算法与系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种使用4线激光测距仪测量车辆姿态的算法,包括如下步骤:
S1、测量系统安装与调试
S101、利用角尺与卷尺在地面勾画4米宽*6米长的矩形,并沿顺时针方向将矩形的四个顶点设为A、B、C、D坐标点;
S102、以A与C点为激光雷达扫描中心点,在B点和D点,摆放中心点在B点和D点10厘米高截面为0.5厘米宽正方形的立柱,并以立柱为参考对激光雷达进行调整;
S103、绘制内部矩形,以2.5m*5m绘制,内部矩形中心与外部矩形中心重合,纵向中心轴重合,最终,将内部矩形长与宽输入系统;
S2、车辆测量
S201、以AB之间的外矩形边为1号扫描面,按顺时针排序,另外三条矩形边依次为2、3、4号扫描面,激光雷达以1s/次的频率进行循环扫描;
S202、如果测量中水平的2号扫描面的数据中发现轮子形状,则提示有车辆入场;
S203、如果5次采集的数据不重合,则判断车辆未停稳,反之,判断车辆已经停稳,并开始测量车辆姿态;
S204、将2、3、4号扫描面的数据均投影到水平面,获得车辆的外观数据,采用矩形包络,且矩形面积最小为目标函数,计算车的长宽以及与长边的偏角;
S3、汽车品牌与型号与车牌识别系统:使用神经网络深度学习方法,使用图像辨识技术识别车辆品牌和型号;
S4、采用定制协议,将车辆姿态打包传送给后端服务器,前端的用户信息采集系统填写车辆号码,入库时间等,同时发给停车场管理系统服务器进行存储保留。
优选的一种实施案例,步骤S101中,激光雷达进行调整的方法包括:
1)、调节A点激光排放位置,保证0度读取到D点立柱,值为4m±1cm,90度读取到B点立柱,值为6m±1cm;
2)、调节C点激光排放位置,保证0度读取到B点立柱,值为4m±1cm,90度读取到D点立柱,值为6m±1cm;
3)、调节A点激光雷达3个底座螺丝,保证水平仪放置在雷达顶面水平,同时可以读取到B点立柱数据,更换9.5cm高的立柱,则读取不到;C点雷达相同处理。
优选的一种实施案例,步骤S204中,所述计算车的长宽以及与长边的偏角的方法为利用2号扫描面获得前后2个轮胎外轮廓在水平面投影的数据,利用与测量车体外观相同的矩形计算方法,计算轮胎在10cm的截面矩形长度,再利用弦与直径的关系,计算出轮胎的直径,计算得到轮距,前轮距车头,后轮距车尾的距离。
优选的一种实施案例,计算出轮胎的直径的具体方法如下:通过2号扫描面获得轮胎在10cm高度的截面矩形长度,即轮胎圆形的弦长L,则轮胎半径R与弦长l的关系为则计算得到轮胎半径R,相应的,轮胎直径D=2R。
优选的一种实施案例,步骤S6中,通过神经网络深度学习进行图像辨识的方法包括:
先从图像的样本集中生成训练集和测试集,利用训练集进行模型训练,其中模型训练经过卷积层、池化层、全连接层的中间层,生成的图像识别模型能够对车型标识、车牌0-9的数字,字母,省份简称进行识别;
然后将采集的车辆图像对图像进行预处理,基于车牌颜色的粗筛选和基于车牌纹理的细筛选进行车牌定位,并裁剪出车牌图像;
对裁剪出的车牌图像进行灰度化、均值滤波、降噪的预处理,提取出图像的边缘,用于选出车牌和车标纹理区域;然后利用训练好的基于神经网络的识别模型对已分割的车牌和车标图像字符进行识别;
一种使用4线激光测距仪测量车辆姿态的系统,包括:
采集模块,所述采集模块用于采集公共停车场停车区域内的车辆数据信息;
计算模块,所述计算模块用于根据采集模块采集的数据计算车体与姿态;
识别模块,所述识别模块用于根据采集数据识别车辆品牌、型号与车牌信息;
前端服务器,所述前端服务器用于每个停车区域的数据采集和处理,并将处理结果发送至停车场管理系统服务器;
停车场管理系统服务器,所述停车场管理系统服务器用于接收整个停车场的前端服务器发送的处理数据,并分类存储。
优选的一种实施案例,所述采集模块包括安装在停车区域处的摄像头以及激光雷达,用于采集车辆数据。
优选的一种实施案例,所述计算模块在用户下车后,通过摄像头采集的图像信息判断车门是否处于打开状态,并提示用户及时关门。
与现有技术相比,本发明的有益效果是:通过建立精确的采集模块调试方法,从而将进入停车位的车辆信息进行精确采集,通过计算模块计算得出车辆长宽、轮胎大小等数据,以及车辆停止后的偏角姿态信息,便于系统调整拖车大小以及托运时的状态,实现车辆精准托运,从而实现自动停车管理,并通过图像识别方式自动识别车辆品牌与车牌,实现车辆信息自动登记的目的,全面提高自动停车效率,方法简便实用,具有推广价值。
附图说明
图1为本发明算法流程图;
图2为本发明公共停车位处采集模块调试结构示意图;
图3为本发明系统示意图。
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。
请参阅图1-3,本发明提供一种技术方案:一种使用4线激光测距仪测量车辆姿态的算法,包括如下步骤:
S1、测量系统安装与调试
S101、利用角尺与卷尺在地面勾画4米宽*6米长的矩形,并沿顺时针方向将矩形的四个顶点设为A、B、C、D坐标点;
S102、以A与C点为激光雷达扫描中心点,在B点和D点,摆放中心点在B点和D点10厘米高截面为0.5厘米宽正方形的立柱,并以立柱为参考对激光雷达进行调整;
S103、绘制内部矩形,以2.5m*5m绘制,内部矩形中心与外部矩形中心重合,纵向中心轴重合,最终,将内部矩形长与宽输入系统;
S2、车辆测量
S201、以AB之间的外矩形边为1号扫描面,按顺时针排序,另外三条矩形边依次为2、3、4号扫描面,激光雷达以1s/次的频率进行循环扫描;
S202、如果测量中水平的2号扫描面的数据中发现轮子形状,则提示有车辆入场;
S203、如果5次采集的数据不重合,则判断车辆未停稳,反之,判断车辆已经停稳,并开始测量车辆姿态;
S204、将2、3、4号扫描面的数据均投影到水平面,获得车辆的外观数据,采用矩形包络,且矩形面积最小为目标函数,计算车的长宽以及与长边的偏角;
S3、汽车品牌与型号与车牌识别:使用神经网络深度学习方法,使用图像辨识技术识别车辆品牌和型号;
S4、采用定制协议,将车辆姿态打包传送给后端服务器,前端的用户信息采集系统填写车辆号码,入库时间等,同时发给停车场管理系统服务器进行存储保留。
进一步的,步骤S101中,激光雷达进行调整的方法包括:
1)、调节A点激光排放位置,保证0度读取到D点立柱,值为4m±1cm,90度读取到B点立柱,值为6m±1cm;
2)、调节C点激光排放位置,保证0度读取到B点立柱,值为4m±1cm,90度读取到D点立柱,值为6m±1cm;
3)、调节A点激光雷达3个底座螺丝,保证水平仪放置在雷达顶面水平,同时可以读取到B点立柱数据,更换9.5cm高的立柱,则读取不到;C点雷达相同处理。
进一步的,步骤S204中,计算车的长宽以及与长边的偏角的方法为利用2号扫描面获得前后2个轮胎外轮廓在水平面投影的数据,利用与测量车体外观相同的矩形计算方法,计算轮胎在10cm的截面矩形长度,再利用弦与直径的关系,计算出轮胎的直径,计算得到轮距,前轮距车头,后轮距车尾的距离。
进一步的,步骤S6中,通过神经网络深度学习进行图像辨识的方法包括:
先从图像的样本集中生成训练集和测试集,利用训练集进行模型训练,其中模型训练经过卷积层、池化层、全连接层的中间层,生成的图像识别模型能够对车型标识、车牌0-9的数字,字母,省份简称进行识别;
然后将采集的车辆图像对图像进行预处理,基于车牌颜色的粗筛选和基于车牌纹理的细筛选进行车牌定位,并裁剪出车牌图像;
对裁剪出的车牌图像进行灰度化、均值滤波、降噪的预处理,提取出图像的边缘,用于选出车牌和车标纹理区域;然后利用训练好的基于神经网络的识别模型对已分割的车牌和车标图像字符进行识别;
一种使用4线激光测距仪测量车辆姿态的系统,包括:
采集模块,采集模块用于采集公共停车场停车区域内的车辆数据信息;
计算模块,计算模块用于根据采集模块采集的数据计算车体与姿态;
识别模块,识别模块用于根据采集数据识别车辆品牌、型号与车牌信息;
前端服务器,前端服务器用于每个停车区域的数据采集和处理,并将处理结果发送至停车场管理系统服务器;
停车场管理系统服务器,停车场管理系统服务器用于接收整个停车场的前端服务器发送的处理数据,并分类存储。
进一步的,采集模块包括安装在停车区域处的摄像头以及激光雷达,用于采集车辆数据。
进一步的,计算模块在用户下车后,通过摄像头采集的图像信息判断车门是否处于打开状态,并提示用户及时关门。
工作原理:本发明通过建立精确的采集模块调试方法,从而将进入停车位的车辆信息进行精确采集,通过计算模块计算得出车辆长宽、轮胎大小等数据,以及车辆停止后的偏角姿态信息,便于系统调整拖车大小以及托运时的状态,实现车辆精准托运,从而实现自动停车管理,并通过图像识别方式自动识别车辆品牌与车牌,实现车辆信息自动登记的目的,全面提高自动停车效率。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种使用4线激光测距仪测量车辆姿态的算法,其特征在于,包括如下步骤:
S1、测量系统安装与调试
S101、利用角尺与卷尺在地面勾画4米宽*6米长的矩形,并沿顺时针方向将矩形的四个顶点设为A、B、C、D坐标点;
S102、以A与C点为激光雷达扫描中心点,在B点和D点,摆放中心点在B点和D点10厘米高截面为0.5厘米宽正方形的立柱,并以立柱为参考对激光雷达进行调整;
S103、绘制内部矩形,以2.5m*5m绘制,内部矩形中心与外部矩形中心重合,纵向中心轴重合,最终,将内部矩形长与宽输入系统;
S2、车辆测量
S201、以AB之间的外矩形边为1号扫描面,按顺时针排序,另外三条矩形边依次为2、3、4号扫描面,激光雷达以1s/次的频率进行循环扫描;
S202、如果测量中水平的2号扫描面的数据中发现轮子形状,则提示有车辆入场;
S203、如果5次采集的数据不重合,则判断车辆未停稳,反之,判断车辆已经停稳,并开始测量车辆姿态;
S204、将2、3、4号扫描面的数据均投影到水平面,获得车辆的外观数据,采用矩形包络,且矩形面积最小为目标函数,计算车的长宽以及与长边的偏角;
S3、汽车品牌与型号与车牌识别系统:使用神经网络深度学习方法,使用图像辨识技术识别车辆品牌和型号;
S4、采用定制协议,将车辆姿态打包传送给后端服务器,前端的用户信息采集系统填写车辆号码,入库时间等,同时发给停车场管理系统服务器进行存储保留。
2.根据权利要求1所述的一种使用4线激光测距仪测量车辆姿态的算法,其特征在于:步骤S101中,激光雷达进行调整的方法包括:
1)、调节A点激光排放位置,保证0度读取到D点立柱,值为4m±1cm,90度读取到B点立柱,值为6m±1cm;
2)、调节C点激光排放位置,保证0度读取到B点立柱,值为4m±1cm,90度读取到D点立柱,值为6m±1cm;
3)、调节A点激光雷达3个底座螺丝,保证水平仪放置在雷达顶面水平,同时可以读取到B点立柱数据,更换9.5cm高的立柱,则读取不到;C点雷达相同处理。
3.根据权利要求1所述的一种使用4线激光测距仪测量车辆姿态的算法,其特征在于:步骤S204中,所述计算车的长宽以及与长边的偏角的方法为利用2号扫描面获得前后2个轮胎外轮廓在水平面投影的数据,利用与测量车体外观相同的矩形计算方法,计算轮胎在10cm的截面矩形长度,再利用弦与直径的关系,计算出轮胎的直径,计算得到轮距,前轮距车头,后轮距车尾的距离。
6.根据权利要求1所述的一种使用4线激光测距仪测量车辆姿态的算法,其特征在于:步骤S6中,通过神经网络深度学习进行图像辨识的方法包括:
先从图像的样本集中生成训练集和测试集,利用训练集进行模型训练,其中模型训练经过卷积层、池化层、全连接层的中间层,生成的图像识别模型能够对车型标识、车牌0-9的数字,字母,省份简称进行识别;
然后将采集的车辆图像对图像进行预处理,基于车牌颜色的粗筛选和基于车牌纹理的细筛选进行车牌定位,并裁剪出车牌图像;
对裁剪出的车牌图像进行灰度化、均值滤波、降噪的预处理,提取出图像的边缘,用于选出车牌和车标纹理区域;然后利用训练好的基于神经网络的识别模型对已分割的车牌和车标图像字符进行识别。
7.一种使用4线激光测距仪测量车辆姿态的系统,其特征在于,包括:
采集模块,所述采集模块用于采集公共停车场停车区域内的车辆数据信息;
计算模块,所述计算模块用于根据采集模块采集的数据计算车体与姿态;
识别模块,所述识别模块用于根据采集数据识别车辆品牌、型号与车牌信息;
前端服务器,所述前端服务器用于每个停车区域的数据采集和处理,并将处理结果发送至停车场管理系统服务器;
停车场管理系统服务器,所述停车场管理系统服务器用于接收整个停车场的前端服务器发送的处理数据,并分类存储。
8.根据权利要求7所述的一种使用4线激光测距仪测量车辆姿态的系统,其特征在于:所述采集模块包括安装在停车区域处的摄像头以及激光雷达,用于采集车辆数据。
9.根据权利要求7所述的一种使用4线激光测距仪测量车辆姿态的系统,其特征在于:所述计算模块在用户下车后,通过摄像头采集的图像信息判断车门是否处于打开状态,并提示用户及时关门。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110566363.1A CN113269184B (zh) | 2021-05-24 | 2021-05-24 | 一种使用4线激光测距仪测量车辆姿态的方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110566363.1A CN113269184B (zh) | 2021-05-24 | 2021-05-24 | 一种使用4线激光测距仪测量车辆姿态的方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269184A true CN113269184A (zh) | 2021-08-17 |
CN113269184B CN113269184B (zh) | 2024-02-20 |
Family
ID=77232571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110566363.1A Active CN113269184B (zh) | 2021-05-24 | 2021-05-24 | 一种使用4线激光测距仪测量车辆姿态的方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269184B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10143797A (ja) * | 1996-11-07 | 1998-05-29 | Daihatsu Motor Co Ltd | 先行車両認識装置及び認識方法 |
CN108766022A (zh) * | 2018-06-11 | 2018-11-06 | 青岛串并联电子科技有限公司 | 基于机器学习的停车场车位状态识别方法及系统 |
CN110675516A (zh) * | 2019-10-14 | 2020-01-10 | 深圳市镭神智能系统有限公司 | 车辆管理装置、车辆管理服务器以及车辆收费系统 |
KR20200138581A (ko) * | 2019-05-31 | 2020-12-10 | 한세대학교 산학협력단 | 딥러닝 인공지능 기반의 자율주행 주차관리 로봇 및 이를 포함하는 관제 시스템 |
-
2021
- 2021-05-24 CN CN202110566363.1A patent/CN113269184B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10143797A (ja) * | 1996-11-07 | 1998-05-29 | Daihatsu Motor Co Ltd | 先行車両認識装置及び認識方法 |
CN108766022A (zh) * | 2018-06-11 | 2018-11-06 | 青岛串并联电子科技有限公司 | 基于机器学习的停车场车位状态识别方法及系统 |
KR20200138581A (ko) * | 2019-05-31 | 2020-12-10 | 한세대학교 산학협력단 | 딥러닝 인공지능 기반의 자율주행 주차관리 로봇 및 이를 포함하는 관제 시스템 |
CN110675516A (zh) * | 2019-10-14 | 2020-01-10 | 深圳市镭神智能系统有限公司 | 车辆管理装置、车辆管理服务器以及车辆收费系统 |
Non-Patent Citations (1)
Title |
---|
姜灏;: "一种自动代客泊车系统研究", 河南科技, no. 11 * |
Also Published As
Publication number | Publication date |
---|---|
CN113269184B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108345822B (zh) | 一种点云数据处理方法及装置 | |
CN104766058B (zh) | 一种获取车道线的方法和装置 | |
CN109583280A (zh) | 车道线识别方法、装置、设备及存储介质 | |
CN108388641B (zh) | 一种基于深度学习的交通设施地图生成方法与系统 | |
CN109871776B (zh) | 全天候车道线偏离的预警方法 | |
JP2019168417A (ja) | 物体認識装置、及び物体認識方法 | |
Yang et al. | Laser data based automatic recognition and maintenance of road markings from MLS system | |
CN112417926A (zh) | 车位识别方法、装置、计算机设备及可读存储介质 | |
CN108089024B (zh) | 一种车辆速度检测系统及方法 | |
CN115717894A (zh) | 一种基于gps和普通导航地图的车辆高精度定位方法 | |
CN110322428B (zh) | 检测隧道病害的方法、装置及电子设备 | |
CN111982532A (zh) | 一种自动泊车性能评价方法 | |
CN112740225A (zh) | 一种路面要素确定方法及装置 | |
CN113721254B (zh) | 一种基于道路指纹空间关联矩阵的车辆定位方法 | |
CN110120160B (zh) | 一种泊位编号确定方法、处理器及停车收费系统 | |
CN106709432B (zh) | 基于双目立体视觉的人头检测计数方法 | |
CN101567045B (zh) | 一种人脸特征点精确定位方法 | |
CN105043253B (zh) | 基于面结构光技术货车侧防护栏安装尺寸测量系统及方法 | |
Awrangjeb et al. | Automatic reconstruction of building roofs through effective integration of LiDAR and multispectral imagery | |
CN113269184A (zh) | 一种使用4线激光测距仪测量车辆姿态的算法与系统 | |
CN105654084A (zh) | 基于激光器的车牌定位方法、装置及系统 | |
JP4618506B2 (ja) | 物体認識装置 | |
CN104463135B (zh) | 一种车标识别方法和系统 | |
CN110647877A (zh) | 一种基于神经网络的立体交通设施定位纠偏方法及装置 | |
CN109726720A (zh) | 车牌识别方法、装置及系统 |
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 |