CN114897683A - 车侧图像的获取方法及其装置、系统和计算机设备 - Google Patents
车侧图像的获取方法及其装置、系统和计算机设备 Download PDFInfo
- Publication number
- CN114897683A CN114897683A CN202210438092.6A CN202210438092A CN114897683A CN 114897683 A CN114897683 A CN 114897683A CN 202210438092 A CN202210438092 A CN 202210438092A CN 114897683 A CN114897683 A CN 114897683A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- frame
- target vehicle
- acquiring
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 97
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 238000006073 displacement reaction Methods 0.000 claims description 104
- 238000012937 correction Methods 0.000 claims description 61
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000009434 installation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003137 locomotive effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 101150113965 carH gene Proteins 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007526 fusion splicing Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- 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 transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种车侧图像的获取方法及其装置、系统和计算机设备。所述车侧图像的获取方法,方法包括:依次获取目标车辆的连续多帧图像;对获取到的各帧图像分别同时进行拼接处理和检测处理,以分别获取目标车辆的拼接图,及目标车辆在拼接图中的车头位置和车尾位置,在同一时段内,拼接处理和检测处理用于处理目标车辆的同一帧图像;根据拼接图、车头位置和车尾位置,获取目标车辆的车侧图像。通过对获取到的目标车辆的连续多帧图像分别同时进行拼接处理和检测处理,以实现对目标车辆的车侧图像的快速获取,并通过检测目标车辆的车头位置和车尾位置,准确还原完整的车侧图像。
Description
技术领域
本申请涉及车辆检测技术领域,特别是涉及一种车侧图像的获取方法及其装置、系统和计算机设备。
背景技术
随着车辆管理的智能化发展,车辆管理及收费系统中需要根据车辆侧面图判断该车辆的具体信息以及作为取证记录,利用车辆侧面图进行结构化识别可进一步提取车辆的车型、轴型、危化品标识。高速公路通行计费方式由计重改为按车型收费,车辆侧面图作为收费稽核的最有效证据之一;高速公路及服务区需要对危化品车辆进行管控,基于车辆侧面图对车辆侧面进行识别可更精准的识别危化品车辆;公路治超需要精准的车辆轴型信息,可利用车侧图对车辆轴型进行识别得到对应车辆的限重标准。而受限于公路车道场景成像视角,仅在高位门架或立杆的相机安装角度下才能在接近无遮挡的情况下才能看清看全车辆侧面信息,因此如何得到高位车辆侧面图像成为了当前车辆管理智能化有信息化的迫切需求。
发明内容
基于此,有必要针对上述技术问题,提供一种能够快速获取准确的车辆侧面图像的车侧图像的获取方法及其装置、系统和存储介质。
一种车侧图像的获取方法,方法包括:
依次获取目标车辆的连续多帧图像;
对获取到的各帧图像分别同时进行拼接处理和检测处理,以分别获取目标车辆的拼接图,及目标车辆在拼接图中的车头位置和车尾位置,在同一时段内,拼接处理和检测处理用于处理目标车辆的同一帧图像;
根据拼接图、车头位置和车尾位置,获取目标车辆的车侧图像。
在其中一个实施例中,对获取到的各帧图像进行拼接处理包括:
将第k-1帧图像划分为多个第一分块图像,将第k帧图像划分为多个第二分块图像,多个第一分块图像分别与多个第二分块图像一一对应;
分别将各第一分块图像与对应的各第二分块图像进行移动匹配,各第一分块图像分别包括至少一个第一特征点,且各第二分块图像分别包括至少一个第二特征点;
分别获取各第一特征点与对应的第二特征点之间的特征点位移;
根据多个特征点位移分别获取各第一分块图像对应的预设校正系数;
根据预设校正系数分别对各第一分块图像进行校正处理;
根据多个特征点位移将校正处理后的第k帧图像与当前的拼接图进行拼接。
在其中一个实施例中,分别将各第一分块图像与对应的各第二分块图像进行移动匹配前,还包括:
将同一标定板的底部分别放置于与各第一分块图像对应的预设高度处;
根据标定板中多个标定点的实际坐标和多个标定点在图像中的成像坐标,分别生成各第一分块图像对应的实验校正系数;
根据多个特征点位移分别获取各第一分块图像对应的预设校正系数,包括:
获取实验校正系数;
根据多个特征点位移和实验校正系数,分别获取各第一分块图像对应的预设校正系数。
在其中一个实施例中,根据多个特征点位移将校正处理后的第k帧图像与当前的拼接图进行拼接,包括:
获取第k-1帧图像中各第一分块图像中包括的至少一个第一特征点与第k 帧图像中各第二分块图像中包括的至少一个第二特征点之间的位移平均值;
确定多个位移平均值中的至少一个为第一目标位移值;
根据第一目标位移值的平均值将校正处理后的第k帧图像与当前的拼接图进行拼接;
根据多个特征点位移和实验校正系数,分别获取各第一分块图像对应的预设校正系数,包括:
根据第一目标位移值确定多个第一分块图像中的至少一个为目标分块图像;
获取与目标分块图像对应的实验校正系数为预设校正系数。
在其中一个实施例中,确定多个位移平均值中的至少一个为第一目标位移值前,还包括:
确定多个位移平均值中大于第一倍数的总均值,且小于第二倍数的总均值中的至少一个为第二目标位移值,其中,总均值为多个位移平均值的平均值,第一倍数的值小于第二倍数的值;
确定多个位移平均值中的至少一个为第一目标位移值,包括
当第二目标位移值的平均值大于预设阈值时,确定多个位移平均值中不包括第二目标位移值的位移平均值为第一目标位移值。
在其中一个实施例中,对获取到的各帧图像分别同时进行拼接处理和检测处理前,还包括:
根据预设的宽高比例系数对获取到的各帧图像分别进行裁剪,将裁剪后的图像作为目标车辆的裁剪图。
在其中一个实施例中,对获取到的各帧图像进行车辆检测包括:
当在第k帧的图像中检测到目标车辆的车头时,获取第1帧至第k帧的目标车辆的第一宽度的拼接图;
根据第一宽度的拼接图获取在拼接图中的目标车辆的车头位置;
当在第k+n帧的图像中检测到目标车辆的车尾时,获取第1帧至k+n帧的目标车辆的第二宽度的拼接图;
根据第二宽度的拼接图获取在拼接图中的目标车辆的车尾位置。
一种车侧图像的获取装置,包括:
图像采集模块,用于依次获取目标车辆的连续多帧图像;
拼接模块,用于对获取到的各帧图像分别同时进行拼接处理和检测处理,以分别获取目标车辆的拼接图,及目标车辆在拼接图中的车头位置和车尾位置,在同一时段内,拼接处理和检测处理用于处理目标车辆的同一帧图像;
车侧图像获取模块,用于根据拼接图、车头位置和车尾位置,获取目标车辆的车侧图像。
一种车侧图像的获取系统,包括:
车侧图像的获取设备,车侧图像的获取设备用于依次获取目标车辆的连续多帧图像;对获取到的各帧图像分别同时进行拼接处理和检测处理,以分别获取目标车辆的拼接图,及目标车辆在拼接图中的车头位置和车尾位置,在同一时段内,拼接处理和检测处理用于处理目标车辆的同一帧图像;根据拼接图、车头位置和车尾位置,获取目标车辆的车侧图像;以及摄像机,摄像机与获取车侧图像的获取装置连接,摄像机用于采集目标车辆的图像。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述的方法的步骤。
上述车侧图像的获取方法,包括:依次获取目标车辆的连续多帧图像;对获取到的各帧图像分别同时进行拼接处理和检测处理,以分别获取目标车辆的拼接图,及目标车辆在拼接图中的车头位置和车尾位置,在同一时段内,拼接处理和检测处理用于处理目标车辆的同一帧图像;根据拼接图、车头位置和车尾位置,获取目标车辆的车侧图像。本发明通过对获取到的目标车辆的连续多帧图像分别同时进行拼接处理和检测处理,以实现对目标车辆的车侧图像的快速获取,并通过检测目标车辆的车头位置和车尾位置,准确还原完整的车侧图像。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统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申请的一些实施例,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为一个实施例中车侧图像的获取方法流程示意图之一;
图2为一个实施例中一种拼接处理流程示意图;
图3为一个实施例中步骤S202和步骤S206的子流程示意图;
图4为一个实施例中图像分块的示意图;
图5为一个实施例中步骤S304和步骤S308的子流程示意图;
图6为一个实施例中步骤S312的子流程示意图;
图7为一个实施例中步骤S508的子流程示意图;
图8为一个实施例中步骤S702的子流程示意图;
图9为一个实施例中车侧图像的获取方法流程示意图之二;
图10为一个实施例中车侧图像的获取方法流程示意图之三;
图11为一个实施例中车侧图像的获取装置的结构框图;
图12为一个实施例中摄像机位置示意图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个分块图像与另一个分块图像区分。
需要说明的是,当一个元件被认为是“连接”另一个元件时,它可以是直接连接到另一个元件,或者通过居中元件连接另一个元件。此外,以下实施例中的“连接”,如果被连接的对象之间具有电信号或数据的传递,则应理解为“电连接”、“通信连接”等。
在此使用时,单数形式的“一”、“一个”和“所述/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。
在本说明书的描述中,参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性描述不一定指的是相同的实施例或示例。
在其中一个实施例中,如图1所示,提供了一种车侧图像的获取方法,该方法包括步骤S102~S106。
步骤S102,依次获取目标车辆的连续多帧图像。
步骤S104,对获取到的各帧图像分别同时进行拼接处理和检测处理,以分别获取目标车辆的拼接图,及目标车辆在拼接图中的车头位置和车尾位置,在同一时段内,拼接处理和检测处理用于处理目标车辆的同一帧图像。
具体地,本实施例中在处理各帧图像中,同时创建用于处理图像的两个处理线程,分别为拼接处理线程和检测处理线程。在获取到各帧图像后,将当前帧的图像分别发送到拼接处理线程和检测处理线程,以在拼接处理完成后获取目标车辆的拼接图。在检测处理完成后,获取目标车辆的车头和车尾在拼接图中的位置。其中,拼接处理线程和检测处理线程,仅需要对首帧图像进行处理时创建,非首帧图像处理时,则无需再次创建。
步骤S106,根据拼接图、车头位置和车尾位置,获取目标车辆的车侧图像。
本实施例中通过分别同时对获取到的同一帧,且同一目标车辆的图像进行拼接处理和检测处理,能实现快速获取目标车辆侧面的车侧图像;另外,通过与拼接处理并行的检测处理,获取在拼接图中的车头位置和车尾位置,通过抠取拼接图中,车头位置和车尾位置中间区域的图像,即可获取准确的车侧图像。
在其中一个实施例中,如图2所示,提供了一种拼接处理流程示意图,上述实施例中的车侧图像获取方法中,对获取到的各帧图像进行拼接处理包括步骤S202~S206。
步骤S202,对第k-1帧和第k帧图像进行移动匹配,以确定一一对应的多个第一特征点和多个第二特征点,第一特征点位于第k-1帧图像,第二特征点位于第k帧图像。
具体地,本实施例中的采用光流提取特征点。即,在第k-1帧图像中提取多角点,通过光流法寻找第k帧图像上对应的关系。其中,在第k-1帧图像中提取的角点为第一特征点,而在第k帧图像上与第一特征点对应的点为第二特征点。可以理解的是,本实施例中的移动匹配方法不仅局限于光流匹配法,还可以是尺度不变特征变换法(Scale InvariantFeature Transform,SIFT)等其他图像匹配法等,且根据图像匹配的方法不同,图像中的特征点可以是直线以及区域等。
步骤S204,分别获取各第一特征点与对应的第二特征点之间的特征点位移。
步骤S206,根据多个特征点位移将第k帧图像与当前的拼接图进行拼接,以更新拼接图。
具体地,本实施例中根据多个特征点的位移进行拼接时,可以是根据多个特征点的均值,还可以根据多个特征点位移的中值,本领域技术人员可以根据图像处理需求进行调整。
本实施例中,通过对第k-1帧图像和第k帧图像的移动匹配,获取图像中特征点位移,再根据多个特征点的位移将第k帧图像与当前的拼接图进行拼接,更新拼接图。
在其中一个实施例中,如图3所示,提供了上述步骤S202和步骤S206的子流程示意图,上述步骤S202中包括步骤S302和步骤S304,步骤S206包括步骤S306~S310。
步骤S302,将第k-1帧图像划分为多个第一分块图像,将第k帧图像划分为多个第二分块图像,多个第一分块图像分别与多个第二分块图像一一对应。
由于目标车辆的车侧的各个区域与用于图像采集的摄像机的距离并不相同,存在近大远小的问题。因此,本实施例中采用分块匹配的方式,以减小图像畸变的对图像拼接的影响。具体地,设图像宽度为w,高度为h,将图像按切分成 n份宽为w的等高重叠区域,其中,每份高度为hpatch,hpatch=h/m,请参看图 4,为本实施例中图像分块的示意图,为了方便表示,图4中以三个分块图像为例,每一块分块图像分别以实线、点画线和虚线区别,三个分块图像重叠设置,且重叠区域等高,三个分块图像的高度均为h/m。该高度内,可认为畸变较小,因此可直接进行常规匹配方法进行匹配拼接。其中,m可以是2~6中取值,m 过小会导致图像细节不足,过大上下间的分块图像有畸变。例如,n可以取8, m可以取4。
步骤S304,分别将各第一分块图像与对应的各第二分块图像进行移动匹配,各第一分块图像分别包括至少一个第一特征点,且各第二分块图像分别包括至少一个第二特征点。
步骤S306,根据多个特征点位移分别获取各第一分块图像对应的预设校正系数。
由于目标车辆的车侧中各特征点距离摄像头的距离不等,存在近大远小的问题,同时,车辆的在远近不同情况下,近大远小的畸变程度也不一样,因此,在拼接处理中为了获取更加准确的拼接图,不能将各第一分块图像拼接简化为水平移动图像块的拼接。校正系数用于将各第一分块图像中的像素坐标进行变换,以校正获取到的图像中的近大远小的畸变问题。
步骤S308,根据预设校正系数分别对各第一分块图像进行校正处理。
步骤S310,根据多个特征点位移将校正处理后的第k帧图像与当前的拼接图进行拼接,以更新拼接图。
具体地,本实施例中将校正图像进行拼接时,取拼接叠加图像块的宽度为d,其中,d可按经验取值为w的二分之一,还可以是其他值,在此不做限定。第k 帧图像的w-d到w列即为拼接叠加图像块,将该拼接叠加图像块叠加到拼接图上即可完成拼接,更新了拼接图。具体地,若是首帧拼接,则取第一帧作为拼接图;若非首帧拼接,则此时拼接图宽度为w0,则将拼接叠加图像块,叠加到拼接图的w0-d+Vb列处,循环此过程即为完整拼接过程。其中,拼接叠加图像块时可采用加权融合系数,将拼接叠加图像块与叠加位置像素进行权重融合,具体地,新叠加图片每列的权重从w0-d+Vb列起递增至1,而原拼接图的权重由1递减至0,即可实现图像无缝融合拼接,其中,Vb为根据特征点位移获取到的拼接值。
本实施例中对分块后的分块图像的畸变分别进行校正,通过对校正后的图像进行拼接,可获取更准确的目标车辆图像。
在其中一个实施例中,如图5所示,提供了上述实施例中步骤S304和步骤 S308的子流程示意图,上述方法步骤S304之前,还包括步骤S502~S504。其中,步骤S308根据多个特征点位移分别获取各第一分块图像对应的预设校正系数包括步骤S506~S508。
步骤S502,将同一标定板的底部分别放置于与各第一分块图像对应的预设高度处。
具体地,本实施例中通过在实验室中搭建与实际相同的场景,该场景中包括摄像机和标定板,将该标定板面向相机,并模拟目标车辆的车侧平面垂直于地面,并将图像中标定板中的多个标定点的实际坐标,和该摄像机中所采集的多个标定点的图像坐标进行透视变换,即可获取一组校正数据S。
由于本实施例中的各第一分块图像的畸变程度各不相同,因此,本实施例通过将标定板统一放在与各第一分块图像对应的预设高度处,具体地,统一将同一标定板的底部与各第一分块图像的底部对齐,重复上述对标定点的实际坐标和图像坐标进行透视变换,分别获取与各第一分块图像一一对应的多组校正系数组,记为S(n)。其中,标定板可以为面积为1平方米的正方形标定板,多个标定点可以为正方形标定板中的四个顶点。
步骤S504,根据标定板中多个标定点的实际坐标和多个标定点在图像中的成像坐标,分别生成各第一分块图像对应的实验校正系数。
具体地,步骤S502所述,本实施例采用透视变换的方法,对各第一分块图像中放置的标定板中的多个标定点进行变换,以获取多组实验校正系数。
其中,根据透视变换原理,u,v是原始图片坐标,变换后的图片坐标x,y,由公式:
可知,只需给定4个点坐标,分别原始图片坐标和变换后的图片坐标,即可求解其它变换系数,矫正方法为I(x,y)=I(u,v)。具体地,本实施例通过将标定板中的实际坐标和实验室中摄像机获取到的图像坐标带入上式中,即可获取多组变换系数S(n),生成各第一分块图像对应的实验校正系数。
步骤S506,获取实验校正系数。
步骤S508,根据多个特征点位移和实验校正系数,分别获取各第一分块图像对应的预设校正系数。
具体地,如上述,本实施例中获取多个实验校正系数,各实验校正系数和各第一分块图像一一对应。其中,本实施例在实际应用中,可以为了简化计算而忽略目标车辆距离摄像机越远,需要校正的程度越小,而选择实验校正系数中的一组作为预设校正系数,用以对各分块图像进行校正。
具体地,本实施例中,通过创建一张校正图像,将各第一分块图像中的各像素的坐标作为原始图片坐标带入透视变换公式中,即可得到对应的校正图像坐标,即,变换后的图像坐标,再通过将各第一分块图像中的像素值赋值到校正图像中,即可完成校正处理。
其中,为了增加校正的效果,增加双线性内插值算法系数,以减少最终矫正图锯齿效果。具体地,通过将计算得到的校正图像中,像素坐标的小数作为权重,xy两个分量分别得到权重sx和sy,按如下公式计算最终像素值: I(x,y)=I(x,y)*(1-sx)*(1-sy)+I(x+1,y)*(sx)*(1-sy)+I(x,y+1)* (1-sx)*(sy)+I(x+1,y+1)*(sx)*(sy),至此即可完成图像的校正处理。
本实施例中通过在实验室获取与各第一分块图像对应的实验校正系数,并从实验校正系数中确定至少一个为预设校正系数,通过预设校正系数校正畸变的第一分块图像进行校正,获取到畸变较小的分块图像。
在其中一个实施例中,如图6所示,提供了上述实施例中步骤S312的子流程示意图,上述步骤S312包括步骤S602~S608。
步骤S602,获取第k-1帧图像中各第一分块图像中包括的至少一个第一特征点与第k帧图像中各第二分块图像中包括的至少一个第二特征点之间的位移平均值。
具体地,本实施例中获取第k-1帧图像中第一特征点,到第k帧图像中第二特征点的位移的平均值。即,获取数量与多个第一分块图像数量一致且对应的(V1,V2,……,Vn)。其中,V1为第一分块图像中多个第一特征点到多个第二特征点的位移的平均值;V2,……,Vn以此类推。
步骤S604,确定多个位移平均值中的至少一个为第一目标位移值。
从(V1,V2,……,Vn)中确定其中至少一个为第一目标位移值,例如, V1和Vn,需要说明的是,本实施例中的第一目标位移值的举例,仅用于说明,并不用于限定本申请的保护范围,本领域技术人员可以根据实际的图像处理情况合理确定。
步骤S608,根据第一目标位移值的平均值将校正处理后的第k帧图像与当前的拼接图进行拼接。
具体地,本实施例中的目标位移值的均值即为上述实施例中的Vb值。
本实施例通过确定多个位移平均值中的至少一个为第一目标位移值,并根据第一目标位移值的平均值,将校正处理后的第k帧图像与当前的拼接图进行拼接,快速获取准确的拼接图。
在其中一个实施例中,如图7所示,提供了上述实施例中步骤S508的子流程示意图,上述方法步骤S508,包括步骤S702~S704。
步骤S702,根据第一目标位移值确定多个第一分块图像中的至少一个为目标分块图像。
具体地,本实施例中选取的第一目标图像为靠近图像底部的第一分块图像,通常对应于图像中目标车辆底部。例如,本实施例中确定第一目标位移值为V1,则V1对应的第一分块图像为目标分块图像。
步骤S704,获取与目标分块图像对应的实验校正系数为预设校正系数。
本实施例中,通过获取与目标分块图像对应的实验校正系数为预设校正系数,并根据预设校正系数分别对各第一分块图像进行校正处理,以获取准确的图像拼接图。
在其中一个实施例中,如图8所示,提供了上述实施例中步骤S702的子流程示意图,上述方法步骤S702前,还包括步骤S802,其中,步骤S702包括步骤S804。
步骤S802,确定多个位移平均值中大于第一倍数的总均值,且小于第二倍数的总均值中的至少一个为第二目标位移值,其中,总均值为多个位移平均值的平均值,第一倍数的值小于第二倍数的值。
具体地,如上述实施例中,多个位移平均值为(V1,V2,……,Vn),则总均值为V1,V2,……,Vn的平均值,记为Vset。从(V1,V2,……,Vn) 选取大于第一倍数的总均值,且小于第二倍数的总均值的至少一个为第二目标位移值。其中,第一倍数的值可以为0.5,而第二倍数的值为1.5。可以理解的是,第一倍数和第二倍数可以由本领域技术人员合理设置,不仅局限于本实施例的举例。
步骤S804,当第二目标位移值的平均值大于预设阈值时,确定多个位移平均值中不包括第二目标位移值的位移平均值为第一目标位移值。
具体地,将上述实施例中确定的第二目标位移值,求平均值,记为Vavg,当Vavg大于预设的阈值时,则认为当前检测的图像中存在车辆,需要对当前检测的图像进行后续的拼接处理,并从(V1,V2,……,Vn)确定不包括第二目标位移值的位移平均值为第一目标位移值。
本实施例通过第二目标位移值,去除非车身或误匹配的区域,当第二目标位移值的平均值满足预设条件要求时,即大于预设的阈值时,确定当前处理的图像中存在移动的车身,则可根据确定的第一目标位移值进行拼接处理。
在其中一个实施例中,上述步骤S604前,还包括以下步骤:
当第二目标位移值的均值小于预设阈值时,结束对当前帧图像的拼接处理。
具体地,当第二目标位移值的均值小于预设阈值时,表明当前处理的图像中没有移动的车辆,因此,不对当前帧的图像进行拼接处理,结束当前帧的图像拼接处理,并开始下一帧的图像拼接处理。本实施例中的预设阈值可以为0,还可以1等,在此不做限定,本领域技术人员可根据实际处理情况合理设置。
在其中一个实施例中,上述方法步骤中,依次获取目标车辆的连续多帧图像前还包括以下步骤:
根据预设的宽高比例系数对获取到的各帧图像分别进行裁剪,将裁剪后的图像作为目标车辆的裁剪图。
具体地,本实施例中用于获取连续多帧的目标车辆图像的摄像机具备高帧率的切片图像采集输出。应用于城市道路场景至少50fps,应用于高速公路场景最低帧率为100fps,本实施例中以预设的宽高比系数,将获取到的图像裁剪为高度不变、保留图像中部区域的裁剪图。其中,预设的宽高比系数可以为1:2。可以理解的是,本实施例中预设的宽高比系数,仅用于举例,并不用于限定本申请的保护范围,本领域技术人员可参考本实施例的预设的宽高比系数,进行合理的设置,以使得裁剪后的裁剪图的畸变降低,且图像拼接处理运算中的消耗。
在其中一个实施例中,如图9所示,提供了一种车侧图像的获取方法,对获取到的各帧图像进行车辆检测包括步骤S902~S908。
步骤S902,当在第k帧的图像中检测到目标车辆的车头时,获取第1帧至第k帧的目标车辆的第一宽度的拼接图。
具体地,本实施例中对上述创建的图像拼接处理线程配置了两个标识:拼接中和拼接完成。其中,当图像拼接线程对获取到的图像进行拼接时,图像拼接线程的标识为拼接中;当图像片接线程中输出更新的拼接图,或者判断无需拼接时,图像拼接线程的标识为拼接完成。
其中,本实施例中当对第k帧的图像进行检测处理时,也对第k帧的图像进行图像拼接处理。当在第k帧的图像中检测到目标车辆的车头时,记录目标车辆的车头当前图像中的位置为carH,等待图像拼接线程的标识切换为拼接完成,即可从图像拼接线程中拷贝获取第1帧至第k帧的目标车辆的第一宽度的拼接图。
其中,本实施例中为了确保对车头检测的准确性,采用深度神经网络yolo 检测算法,但,本领域技术人员还可以通过采用其他算法进行检测,以达到车头检测的目的即可,在此不再赘述。
步骤S904,根据第一宽度的拼接图获取在拼接图中的目标车辆的车头位置。
具体地,如上述,设获取到的第一宽度的拼接图的宽度为w0,则在拼接图中车头的位置为P_head=w0-(w-carH),其中,w为每一帧图像的宽度,需要说明的是,当获取到上述实施例中的裁剪图时,则w为裁剪图的宽度。
步骤S906,当在第k+n帧的图像中检测到目标车辆的车尾时,获取第1帧至k+n帧的目标车辆的第二宽度的拼接图。
同样地,当检测到目标车辆的侧头位置时,本实施例对后续的连续多帧图像进行车尾检测,以检测同一车辆的车尾位置。当在第k+n帧的图像中检测到目标车辆的车尾时,记录目标车辆的车头当前图像中的位置为carT,并等待图像拼接线程对第k+n帧的图像的拼接完成标记,获取第1帧至k+n帧的目标车辆的第二宽度的拼接图。
其中,本实施例中为了确保对车尾检测的准确性,采用深度神经网络yolo 检测算法,但,本领域技术人员还可以通过采用其他算法进行检测,以达到车尾检测的目的即可,在此不再赘述。
步骤S908,根据第二宽度的拼接图获取在拼接图中的目标车辆的车尾位置。
具体地,如上述,设获取到的第一宽度的拼接图的宽度为w1,则在拼接图中车头的位置为P_head=w1-(w-carT),其中,w为每一帧图像的宽度,需要说明的是,当获取到上述实施例中的裁剪图时,则w为裁剪图的宽度。
本实施例中通过对同一目标车辆的检测处理,获取目标车辆在拼接图中的车头位置和车尾位置,以实现对同一布标车辆的车头位置和车尾位置标定,以便于后续将车头位置和车尾位置之间的车侧图像进行抠取,获取准确的车侧图像。
在其中一个实施例中,如图10所示,提供了一种车侧图像的获取方法,该方法包括步骤S1002~S1036。
步骤S1002,依次获取目标车辆的连续多帧图像。
步骤S1004,将第k-1帧图像划分为多个第一分块图像,将第k帧图像划分为多个第二分块图像,多个第一分块图像分别与多个第二分块图像一一对应。
步骤S1006,将同一标定板的底部分别放置于与各第一分块图像对应的预设高度处。
步骤S1008,根据标定板中多个标定点的实际坐标和多个标定点在图像中的成像坐标,分别生成各第一分块图像对应的实验校正系数。
步骤S1010,分别将各第一分块图像与对应的各第二分块图像进行移动匹配,各第一分块图像分别包括至少一个第一特征点,且各第二分块图像分别包括至少一个第二特征点。
步骤S1012,分别获取各第一特征点与对应的第二特征点之间的特征点位移。
步骤S1014,获取实验校正系数。
步骤S1016,根据多个特征点位移和实验校正系数,分别获取各第一分块图像对应的预设校正系数。
步骤S1018,根据预设校正系数分别对各第一分块图像进行校正处理。
步骤S1020,获取第k-1帧图像中各第一分块图像中包括的至少一个第一特征点与第k帧图像中各第二分块图像中包括的至少一个第二特征点之间的位移平均值。
步骤S1022,确定多个位移平均值中大于第一倍数的总均值,且小于第二倍数的总均值中的至少一个为第二目标位移值,其中,总均值为多个位移平均值的平均值,第一倍数的值小于第二倍数的值。
步骤S1024,当第二目标位移值的平均值大于预设阈值时,确定多个位移平均值中不包括第二目标位移值的位移平均值为第一目标位移值。
步骤S1026,根据第一目标位移值的平均值将校正处理后的第k帧图像与当前的拼接图进行拼接。
步骤S1028,当在第k帧的图像中检测到目标车辆的车头时,获取第1帧至第k帧的目标车辆的第一宽度的拼接图。
步骤S1030,根据第一宽度的拼接图获取在拼接图中的目标车辆的车头位置。
步骤S1032,当在第k+n帧的图像中检测到目标车辆的车尾时,获取第1 帧至k+n帧的目标车辆的第二宽度的拼接图。
步骤S1034,根据第二宽度的拼接图获取在拼接图中的目标车辆的车尾位置。
步骤S1036,根据拼接图、车头位置和车尾位置,获取目标车辆的车侧图像。
具体地,本实施例中各方法步骤的限定与上述实施例中的方法步骤限定相同,在此不再赘述,本实施例通过分别同时进行图像拼接处理的检测处理,能快速获取目标车辆的车侧图图像,且,在图像拼接过程通过裁剪、分块匹配以及预设的校正系数实现对图像畸变的处理,实现图像的准确获取。
应该理解的是,虽然图1~图3、图5~图10的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1~图3、图5~图10中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图11所示,提供了一种车侧图像的获取装置100,包括:图像采集模块110、拼接模块120和车侧图像获取模块130。其中,图像采集模块110用于依次获取目标车辆的连续多帧图像;拼接模块120用于对获取到的各帧图像分别同时进行拼接处理和检测处理,以分别获取目标车辆的拼接图,及目标车辆在拼接图中的车头位置和车尾位置,在同一时段内,拼接处理和检测处理用于处理目标车辆的同一帧图像;车侧图像获取模块130用于根据拼接图、车头位置和车尾位置,获取目标车辆的车侧图像。
关于车侧图像的获取装置的具体限定可以参见上文中对于车侧图像的获取方法的限定,在此不再赘述。上述车侧图像的获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在其中一个实施例中,提供了一种车侧图像的获取系统,该系统包括车侧图像的获取设备,和以及摄像机,车侧图像的获取设备用于依次获取目标车辆的连续多帧图像;对获取到的各帧图像分别同时进行拼接处理和检测处理,以分别获取目标车辆的拼接图,及目标车辆在拼接图中的车头位置和车尾位置,在同一时段内,拼接处理和检测处理用于处理目标车辆的同一帧图像;根据拼接图、车头位置和车尾位置,获取目标车辆的车侧图像摄像机与获取车侧图像的获取装置连接,摄像机用于采集目标车辆的图像。
具体地,本实施例中的车侧图像的获取设备限定,请参阅上述对车侧图像的获取装置的限定,在此不再赘述。其中,本实施例中的摄像机设置于高速公路门架或城市道路立杆等,距离地面高位的地方。具体地,本实施例中的摄像机为了获取高速公路上的车辆的车侧图像,请参考图12所示,为本实施例中摄像机位置示意图。摄像机设置于高速公路的门架或立杆上,摄像机视野中心线垂直与车道车辆行进方向,向下俯视角度为45°~55°。该做法保证了车辆在画面中为水平方向移动。其中,实际中摄像机视野中心线不严格垂直,偏差10°左右为容忍范围。
其中,本实施例中的摄像机所支持的拼接区域为1个车道,安装位置距离所覆盖的车道3米~4.5米,高度距离车道地面为6米~8米。结合上述摄像机的角度,可达到不因临近车辆车身或货物遮挡相机所覆盖的车道目的。
其中,本实施例的摄像机在成像画面中,选择保持车道上边缘在成像画面高度30%~60%之间,车道底部边缘在成像画面高度的70%~100%之间。在该条件下,可保证车辆在画面中完整,即大货车侧、车顶可完整包含在视野中。实际安装中,可自行选取合适的焦距达到上述要求。
另外,本实施例中还可以在相机附近安装补光灯晚上对车身进行补光,补光方向与相机视角一致,选取合适的补光灯功率使夜间车身成像清晰即可。
在其中一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述车侧图像的获取的方法。
在其中一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述车侧图像的获取的方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM) 或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车侧图像的获取方法,其特征在于,所述方法包括:
依次获取目标车辆的连续多帧图像;
对获取到的各帧图像分别同时进行拼接处理和检测处理,以分别获取所述目标车辆的拼接图,及所述目标车辆在所述拼接图中的车头位置和车尾位置,在同一时段内,所述拼接处理和所述检测处理用于处理所述目标车辆的同一帧图像;
根据所述拼接图、所述车头位置和所述车尾位置,获取所述目标车辆的车侧图像。
2.根据权利要求1所述的方法,其特征在于,对获取到的各帧图像进行拼接处理包括:
将第k-1帧图像划分为多个第一分块图像,将第k帧图像划分为多个第二分块图像,多个所述第一分块图像分别与多个所述第二分块图像一一对应;
分别将各所述第一分块图像与对应的各所述第二分块图像进行移动匹配,各所述第一分块图像分别包括至少一个所述第一特征点,且各所述第二分块图像分别包括至少一个所述第二特征点;
分别获取各所述第一特征点与对应的第二特征点之间的特征点位移;
根据多个所述特征点位移分别获取各所述第一分块图像对应的预设校正系数;
根据所述预设校正系数分别对各所述第一分块图像进行校正处理;
根据多个所述特征点位移将校正处理后的所述第k帧图像与当前的所述拼接图进行拼接。
3.根据权利要求2所述的方法,其特征在于,所述分别将各所述第一分块图像与对应的各所述第二分块图像进行移动匹配前,还包括:
将同一标定板的底部分别放置于与各所述第一分块图像对应的预设高度处;
根据所述标定板中多个标定点的实际坐标和多个所述标定点在图像中的成像坐标,分别生成各所述第一分块图像对应的实验校正系数;
所述根据多个所述特征点位移分别获取各所述第一分块图像对应的预设校正系数,包括:
获取所述实验校正系数;
根据多个所述特征点位移和所述实验校正系数,分别获取各所述第一分块图像对应的预设校正系数。
4.根据权利要求3所述的方法,其特征在于,所述根据多个所述特征点位移将校正处理后的所述第k帧图像与当前的所述拼接图进行拼接,包括:
获取第k-1帧图像中各所述第一分块图像中包括的至少一个所述第一特征点与第k帧图像中各所述第二分块图像中包括的至少一个所述第二特征点之间的位移平均值;
确定多个所述位移平均值中的至少一个为第一目标位移值;
根据所述第一目标位移值的平均值将校正处理后的所述第k帧图像与当前的所述拼接图进行拼接;
所述根据多个所述特征点位移和所述实验校正系数,分别获取各所述第一分块图像对应的预设校正系数,包括:
根据所述第一目标位移值确定多个所述第一分块图像中的至少一个为目标分块图像;
获取与所述目标分块图像对应的所述实验校正系数为所述预设校正系数。
5.根据权利要求4所述的方法,其特征在于,所述确定多个所述位移平均值中的至少一个为第一目标位移值前,还包括:
确定多个所述位移平均值中大于第一倍数的总均值,且小于第二倍数的所述总均值中的至少一个为第二目标位移值,其中,所述总均值为多个所述位移平均值的平均值,所述第一倍数的值小于所述第二倍数的值;
所述确定多个所述位移平均值中的至少一个为第一目标位移值,包括
当所述第二目标位移值的平均值大于预设阈值时,确定多个所述位移平均值中不包括所述第二目标位移值的所述位移平均值为所述第一目标位移值。
6.根据权利要求1所述的方法,其特征在于,所述对获取到的各帧图像分别同时进行拼接处理和检测处理前,还包括:
根据预设的宽高比例系数对获取到的各帧图像分别进行裁剪,将裁剪后的所述图像作为所述目标车辆的裁剪图。
7.根据权利要求1所述的方法,其特征在于,对获取到的各帧图像进行车辆检测包括:
当在第k帧的所述图像中检测到所述目标车辆的车头时,获取第1帧至第k帧的所述目标车辆的第一宽度的所述拼接图;
根据第一宽度的所述拼接图获取在所述拼接图中的所述目标车辆的车头位置;
当在第k+n帧的所述图像中检测到所述目标车辆的车尾时,获取第1帧至k+n帧的所述目标车辆的第二宽度的所述拼接图;
根据第二宽度的所述拼接图获取在所述拼接图中的所述目标车辆的车尾位置。
8.一种车侧图像的获取装置,其特征在于,包括:
图像采集模块,用于依次获取目标车辆的连续多帧图像;
拼接模块,用于对获取到的各帧图像分别同时进行拼接处理和检测处理,以分别获取所述目标车辆的拼接图,及所述目标车辆在所述拼接图中的车头位置和车尾位置,在同一时段内,所述拼接处理和所述检测处理用于处理所述目标车辆的同一帧图像;
车侧图像获取模块,用于根据所述拼接图、所述车头位置和所述车尾位置,获取所述目标车辆的车侧图像。
9.一种车侧图像的获取系统,包括:
车侧图像的获取设备,所述车侧图像的获取设备用于依次获取目标车辆的连续多帧图像;对获取到的各帧图像分别同时进行拼接处理和检测处理,以分别获取所述目标车辆的拼接图,及所述目标车辆在所述拼接图中的车头位置和车尾位置,在同一时段内,所述拼接处理和所述检测处理用于处理所述目标车辆的同一帧图像;根据所述拼接图、所述车头位置和所述车尾位置,获取所述目标车辆的车侧图像;以及
摄像机,所述摄像机与所述获取车侧图像的获取装置连接,所述摄像机用于采集目标车辆的图像。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210438092.6A CN114897683A (zh) | 2022-04-25 | 2022-04-25 | 车侧图像的获取方法及其装置、系统和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210438092.6A CN114897683A (zh) | 2022-04-25 | 2022-04-25 | 车侧图像的获取方法及其装置、系统和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897683A true CN114897683A (zh) | 2022-08-12 |
Family
ID=82717795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210438092.6A Pending CN114897683A (zh) | 2022-04-25 | 2022-04-25 | 车侧图像的获取方法及其装置、系统和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897683A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578441A (zh) * | 2022-08-30 | 2023-01-06 | 感知信息科技(浙江)有限责任公司 | 基于深度学习的车辆侧面图像拼接和车辆尺寸测量方法 |
CN117151140A (zh) * | 2023-10-27 | 2023-12-01 | 安徽容知日新科技股份有限公司 | 目标物标识码的识别方法、装置及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533586A (zh) * | 2018-05-23 | 2019-12-03 | 杭州海康威视数字技术股份有限公司 | 基于车载单目相机的图像拼接方法、装置、设备及系统 |
CN110706261A (zh) * | 2019-10-22 | 2020-01-17 | 上海眼控科技股份有限公司 | 车辆违章检测方法、装置、计算机设备和存储介质 |
US20210343044A1 (en) * | 2017-09-13 | 2021-11-04 | Vadas Co., Ltd. | Vehicle camera calibration apparatus and method |
US20220027642A1 (en) * | 2019-05-24 | 2022-01-27 | Mobileye Vision Technologies Ltd. | Full image detection |
-
2022
- 2022-04-25 CN CN202210438092.6A patent/CN114897683A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210343044A1 (en) * | 2017-09-13 | 2021-11-04 | Vadas Co., Ltd. | Vehicle camera calibration apparatus and method |
CN110533586A (zh) * | 2018-05-23 | 2019-12-03 | 杭州海康威视数字技术股份有限公司 | 基于车载单目相机的图像拼接方法、装置、设备及系统 |
US20220027642A1 (en) * | 2019-05-24 | 2022-01-27 | Mobileye Vision Technologies Ltd. | Full image detection |
CN110706261A (zh) * | 2019-10-22 | 2020-01-17 | 上海眼控科技股份有限公司 | 车辆违章检测方法、装置、计算机设备和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578441A (zh) * | 2022-08-30 | 2023-01-06 | 感知信息科技(浙江)有限责任公司 | 基于深度学习的车辆侧面图像拼接和车辆尺寸测量方法 |
CN117151140A (zh) * | 2023-10-27 | 2023-12-01 | 安徽容知日新科技股份有限公司 | 目标物标识码的识别方法、装置及计算机可读存储介质 |
CN117151140B (zh) * | 2023-10-27 | 2024-02-06 | 安徽容知日新科技股份有限公司 | 目标物标识码的识别方法、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114897683A (zh) | 车侧图像的获取方法及其装置、系统和计算机设备 | |
DE69915901T2 (de) | Bildverarbeitungsgerät | |
CN111860695A (zh) | 一种数据融合、目标检测方法、装置及设备 | |
CN111462503B (zh) | 车辆测速方法、装置及计算机可读存储介质 | |
US20170270680A1 (en) | Method for Determining Depth Maps from Stereo Images with Improved Depth Resolution in a Range | |
CN113822156B (zh) | 车位检测处理方法、装置、电子设备及存储介质 | |
DE112017003815T5 (de) | Bildverarbeitungsvorrichtung und bildverarbeitungsverfahren | |
CN113673444A (zh) | 一种基于角点池化的路口多视角目标检测方法及系统 | |
CN111738033B (zh) | 基于平面分割的车辆行驶信息确定方法及装置、车载终端 | |
CN111652937B (zh) | 车载相机标定方法和装置 | |
CN112204614A (zh) | 来自非固定相机的视频中的运动分割 | |
CN115239820A (zh) | 一种分体式飞行车辆鸟瞰图实时拼接及车位检测方法 | |
CN110009675A (zh) | 生成视差图的方法、装置、介质及设备 | |
CN110736472A (zh) | 一种基于车载环视图像与毫米波雷达融合的室内高精地图表征方法 | |
CN114372919B (zh) | 一种双挂汽车列车全景环视图像拼接方法及系统 | |
CN114897684A (zh) | 车辆图像的拼接方法、装置、计算机设备和存储介质 | |
WO2024067732A1 (zh) | 神经网络模型的训练方法、车辆视图的生成方法和车辆 | |
CN114120254A (zh) | 道路信息识别方法、装置及存储介质 | |
CN110826364A (zh) | 一种库位识别方法及装置 | |
EP4250245A1 (en) | System and method for determining a viewpoint of a traffic camera | |
CN115619623A (zh) | 一种基于移动最小二乘变换的平行鱼眼相机图像拼接方法 | |
CN115249345A (zh) | 一种基于倾斜摄影三维实景地图的交通拥堵检测方法 | |
CN115719442A (zh) | 一种基于单应性变换矩阵的交叉路口目标融合方法及系统 | |
CN113468991B (zh) | 一种基于全景视频的停车位检测方法 | |
CN115512302A (zh) | 基于改进YOLOX-s模型的车辆检测方法及系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220826 Address after: Room 1903, 19th floor, building 2, courtyard 1, Wangzhuang Road, Haidian District, Beijing 100089 Applicant after: BEIJING SIGNALWAY TECHNOLOGIES Co.,Ltd. Address before: 518051 room 603, block a, Skyworth building, No. 008, Gaoxin South 1st Road, Yuehai street, Nanshan District, Shenzhen, Guangdong Province Applicant before: SHENZHEN SIGNALTONE INTELLIGENT TECHNOLOGY CO.,LTD. |