CN114913469B - 一种车辆长度估计模型建立的方法、终端设备及存储介质 - Google Patents
一种车辆长度估计模型建立的方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN114913469B CN114913469B CN202210807535.4A CN202210807535A CN114913469B CN 114913469 B CN114913469 B CN 114913469B CN 202210807535 A CN202210807535 A CN 202210807535A CN 114913469 B CN114913469 B CN 114913469B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- clustering
- detection
- vehicle length
- information
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种车辆长度估计模型建立的方法、终端设备及存储介质,其中,该方法包括:获取检测视频,以及检测视频中的车辆信息,车辆信息包括车辆框以及车辆长度;基于车辆信息进行聚类,获取至少两个聚类结果,至少两个聚类结果中包括聚类中心及其聚类范围内的聚类车辆信息;获取初始车辆长度估计模型,其中,初始车辆长度估计模型包括至少一个待求参数;将聚类车辆信息输入初始车辆长度估计模型,求解待求参数的数值;基于待求参数的数值,得到最终车辆长度估计模型。通过上述方法,能够以无监督的方式自行建立车辆长度估计模型,实现对车辆长度的自动计算。
Description
技术领域
本申请涉及智能交通领域,特别是涉及一种车辆长度估计模型建立的方法、终端设备及存储介质。
背景技术
城市主干道路交叉口大多由信号灯控制车流量。当车流量大于信号灯放行的车流数时,将在交叉口向路段上游方向形成车辆排队现象,增加车辆出行时间,导致的溢流现象对上游交叉口的通行产生影响。
基于机器视觉的车辆长度计算方法是目前较常使用的车辆长度计算方法,通过深度学习的方式对道路上行驶的车辆进行目标检测、语义分割,再通过已标定的相机对车辆的宽高进行长度的求解。然而目前常用的基于机器视觉的车辆长度计算方法需要进行人工标定,计算出车辆长度的精度受人工标定的精度影响,若相机设备发生一定的偏移,则需要人工重新标定;道路环境复杂多变,当道路处于过亮或过暗环境中,获取的车辆目标表面曲率将发生变化,影响检测结果准确性。
发明内容
本申请提供一种车辆长度估计模型建立的方法、终端设备及存储介质。能够以无监督的方式自行建立车辆长度估计模型,实现对车辆长度的自动计算。
本申请采用的第一个技术方案是获取检测视频,以及检测视频中的车辆信息,车辆信息包括车辆框以及车辆长度;基于车辆信息进行聚类,获取至少两个聚类结果,至少两个聚类结果中包括聚类中心及其聚类范围内的聚类车辆信息;获取初始车辆长度估计模型,其中,初始车辆长度估计模型包括至少一个待求参数;将聚类车辆信息输入初始车辆长度估计模型,求解待求参数的数值;基于待求参数的数值,得到最终车辆长度估计模型。
其中,获取检测视频,以及检测视频中的车辆信息,包括获取检测视频,并在检测视频中生成预设聚类触发线;对检测视频中的车辆进行目标检测,获取所有车辆的车辆框和车辆长度;获取与预设聚类触发线相交的车辆框及其对应车辆长度,组成检测视频中的车辆信息。
其中,基于车辆信息进行聚类,包括:获取车辆信息中的车辆框尺寸;基于车辆框尺寸对车辆信息进行聚类。
其中,基于车辆信息进行聚类,获取至少两个聚类结果,至少两个聚类结果中包括聚类中心及其聚类范围内的聚类车辆信息,包括:基于车辆框尺寸对车辆信息中的车辆框进行聚类,获取若干个聚类结果;获取若干个聚类结果的聚类距离;从若干个聚类结果筛选出聚类距离最大的两个聚类结果。
其中,获取检测视频,以及检测视频中的车辆信息之后,还包括:基于车辆信息获取若干车辆框之间的相对位置关系;基于若干车辆框之前的相对位置关系,删除车辆框至少部分重合的车辆信息。
其中,获取检测视频,以及检测视频中的车辆信息之后,还包括:基于检测视频中的车辆信息获取检测视频中的所有车辆框;基于所有车辆框,获取检测视频的数据质量参数;在数据质量参数大于等于预设质量阈值时,删除检测视频,重新获取其他检测视频。
其中,将聚类车辆信息输入初始车辆长度估计模型,求解待求参数的数值,包括:对聚类车辆信息进行数学变换后,得到聚类车辆信息的车辆框位置和车辆长度;将每一聚类车辆信息的车辆框位置和车辆长度输入至初始车辆长度估计模型,建立初始车辆长度估计线性方程组,每一个聚类结果对应一个初始车辆长度估计线性方程;对初始车辆长度估计线性方程组进行求解,获取待求参数的数值。
其中,求解待求参数的数值之后,方法还包括:基于聚类车辆信息及待求参数的数值,计算估计误差;基于估计误差,构建初始车辆长度误差检测估计模型;获取其他检测视频响应于中的车辆信息,输入至初始车辆长度误差检测模型;在初始车辆长度误差检测模型输出结果小于预设成立范围时,删除待求参数,重新获取初始车辆长度估计模型。
其中,基于估计误差,构建初始车辆长度误差检测模型基于估计误差,构建初始车辆长度估计模型,包括:获取初始车辆长度误差估计模型的误差分布;基于误差分布信息,设定模型的置信度;基于所述初始车辆长度误差检测模型的高斯分布特性,获取初始车辆长度误差检测模型的假设成立区间。
本申请采用的第二个技术方案是提供一种车辆长度检测方法,包括获取待检测视频;对待检测视频中的待检测车辆进行目标检测,以获取待检测车辆的车辆检测框;将车辆检测框输入预先训练的车辆长度估计模型;基于车辆长度估计模型输出的长度信息,确定待检测视频中待检测车辆的车辆长度;其中,车辆长度估计模型利用第一个技术方案中训练得到。
其中,长度检测方法还包括:基于待检测车辆的车辆长度,以及车辆长度估计模型的模型参数,确定当前估计误差;在当前估计误差超出预设成立范围时,重新训练车辆长度估计模型。
本申请采用的第三个技术方案是提供一种车辆长度检测设备,车辆长度检测终端设备包括存储器以及与存储器耦接的处理器;其中,存储器用于存储程序数据,处理器用于执行程序数据以实现如上述的车辆长度检测方法。
本申请采用的第四个技术方案是提供一种计算机存储介质,计算机存储介质包括计算机程序指令,当其在计算机上执行时,使得计算机执行如上述的车辆长度检测方法。
本申请的有益效果是:本申请提供一种车辆长度估计模型建立的方法、终端设备及存储介质,其中,该方法包括:获取检测视频,以及检测视频中的车辆信息,车辆信息包括车辆框以及车辆长度;基于车辆信息进行聚类,获取至少两个聚类结果,至少两个聚类结果中包括聚类中心及其聚类范围内的聚类车辆信息;获取初始车辆长度估计模型,其中,初始车辆长度估计模型包括至少一个待求参数;将聚类车辆信息输入初始车辆长度估计模型,求解待求参数的数值;基于待求参数的数值,得到最终车辆长度估计模型。通过上述方法,以无监督的方式自行建立车辆长度估计模型,实现对车辆长度的自动计算,并针对无监督学习能够自行评估当前车辆长度估计模型是否需要进行重新计算。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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是本申请提供的车辆长度估计模型建立方法一实施例的流程示意图;
图2是图1中步骤100的流程示意图;
图3是本申请提供检测视频中聚类触发线一实施例的生成示意图;
图4是图2中步骤130的后续流程示意图;
图5是图4中步骤150的后续流程示意图;
图6是图1中步骤200的流程示意图;
图7是图6中步骤220的后续流程示意图;
图8是本申请提供一实施例的聚类簇筛选方法示意图;
图9是图1中步骤400的流程示意图;
图10是图9中步骤430后续的流程示意图;
图11是图10中步骤450的流程示意图;
图12是本申请提供车辆长度估计方法一实施例的流程示意图;
图13是本申请提供的一种车辆长度检测终端设备的结构示意图;
图14是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
传统的车辆长度估算方法为事先对路侧相机进行标定,基于视频车辆目标的宽高从而计算对应的车辆长度,该方法存在以下不足:相机标定过程需要人工干预,智能化低;车辆长度估算精度受限于人工标定精度;路侧相机发生微小偏移即需人工重新标定,维护成本高昂。针对上述的不足,本申请设计了一套车辆长度估算的方法,获取车辆聚类信息,建立并求解车辆长度估计模型,实现对车辆长度的自动估计,同时对车辆长度估计模型进行在线修正。
具体请参阅图1,图1是本申请提供的车辆长度估计模型建立方法一实施例的流程示意图。
如图1所示,本申请实施例的车辆长度模型估计方法可以包括以下步骤:
步骤100,获取检测视频,以及检测视频中的车辆信息,车辆信息包括车辆框以及车辆长度。
在一实施例中,道路相机对道路进行视频采集,获取检测视频,通过目标检测与识别的方式,自动识别出检测视频中的车辆目标,并对完成检测的车辆目标进行自动识别框标注。
可选地,道路相机可以为设置在道路两侧的云台摄像机。
可选地,道路相机可以为设置在横跨道路龙门架上的固定摄像机。
具体地,如图2所示,图2是图1中步骤100的流程示意图,步骤100可以具体包括:
步骤110,获取检测视频,并在检测视频中生成预设聚类触发线。
具体地,在检测视频中的指定位置设置多条预设聚类触发线,用于采集越过预设聚类触发线的车辆信息,包括车辆框以及车辆长度,实现对车辆信息的自动采集。
例如,如图3所示,图3是本申请提供检测视频中聚类触发线一实施例的生成示意图,在检测视频中的指定位置设置4条预设聚类触发线A1、A2、A3、A4,用于分别采集越过上述任意一条聚类触发线的车辆信息。
步骤120,对检测视频中的车辆进行目标检测,获取所有车辆的车辆框和车辆长度。
在一实施例中,使用目标检测算法对检测视频中的车辆进行目标检测,并获取车辆长度的估计信息。
可选地,目标检测算法可为基于卷积神经网络的车辆检测算法。
可选地,目标检测算法可为基于支持向量机(SVM)的车辆检测算法。
步骤130,获取与预设聚类触发线相交的车辆框及其对应车辆长度,组成检测视频中的车辆信息。
在一实施例中,聚类触发线采集与之相交的车辆框信息及对应的车辆长度,其中采集的车辆框包括车辆框中心在检测视频中的坐标位置信息(u,v)和车辆框在检测视频中的宽度和高度信息(w,h)。
如图4所示,图4是图2中步骤130的后续流程示意图,步骤130后续具体包括:
步骤140,基于车辆信息获取若干车辆框之间的相对位置关系。
具体地,步骤130中获取的车辆信息,包含了车辆框中心在检测视频中的坐标位置信息(u,v)和车辆框在检测视频中的宽度和高度信息(w,h),根据同一时刻获取的车辆信息,可知该时刻的车辆框之间的相对位置关系。
步骤150,基于若干车辆框之前的相对位置关系,删除车辆框至少部分重合的车辆信息。
在一实施例中,根据同一时刻车辆框的相对位置关系,删除车辆框存在部分重合的车辆信息。具体地,删除存在遮挡关系的车辆信息,以减少后续无法修正的估计误差。
如图5所示,图5是图4中步骤150的后续流程示意图,步骤150后续具体包括:
步骤160,基于检测视频中的车辆信息获取检测视频中的所有车辆框。
在一实施例中,从检测视频中获取了车辆框数据,其中车辆框数据包括车辆框在检测视频中的中心坐标信息(u,v)和车辆框在检测视频中的宽度和高度信息(w,h)。
步骤170,基于所有车辆框,获取检测视频的数据质量参数。
将数据整理为以下量测数据矩阵:
步骤180,在数据质量参数大于等于预设质量阈值时,删除检测视频,重新获取其他检测视频。
在一实施例中,数据质量参数大于预设质量阈值时,当前数据中存在严重问题,删除检测视频,重新获取检测视频,直至获得数据质量参数满足要求的检测视频,以保证抗干扰性强的检测视频的获取。
步骤200,基于车辆信息进行聚类,获取至少两个聚类结果,至少两个聚类结果中包括聚类中心及其聚类范围内的聚类车辆信息。
在一实施例中,针对每一条聚类触发线,当采集的车辆信息足够多时,基于车辆信息中的车辆框信息进行聚类,筛选出至少两类聚类结果,实现对车辆框信息的预处理。
可选地,聚类方法为修正的Kmeans++聚类方法。
可选地,聚类方法为Kmeans++聚类方法。
可选地,聚类方法为Kmeans聚类方法。
具体地,如图6所示,图6是图1中步骤200的流程示意图,步骤200可以具体包括:
步骤210,获取车辆信息中的车辆框尺寸。
具体地,获取的车辆框信息中尺寸信息不少于10个。
步骤220,基于车辆框尺寸对车辆信息进行聚类。
如图7所示,图7是图6中步骤220的后续流程示意图,步骤220后续可以具体包括:
步骤230,基于车辆框尺寸对车辆信息中的车辆框进行聚类,获取若干个聚类结果。
其中,聚类结果为若干的聚类点,若干的聚类点按照数据相似性分类为多个聚类簇,同一聚类簇内的聚类点具有相似性,不同聚类簇的聚类点之间具有差异性。
在一实施例中,对采集的车辆框的宽度与高度之比的数据进行分类划分,划分成若干个聚类簇。具体地,每个聚类簇中的车辆框数据的车辆宽高比γ具有显著相似性。
步骤240,获取若干个聚类结果的聚类距离。
其中,聚类距离为两个聚类簇质心之间距离。
在一实施例中,获取每个聚类簇的质心位置,计算每两个聚类簇质心之间的距离。
可选地,两个聚类簇质心之间的距离为曼哈顿距离。
可选地,两个聚类簇质心之间的距离为欧几里得距离。
步骤250,从若干个聚类结果筛选出聚类距离最大的两个聚类结果。
其中,聚类距离最大的两个聚类簇,两类聚类簇的差异性越大,聚类效果越好。
在一实施例中,选取出满足聚类簇质心之间距离最远的两个聚类簇,作为所需的聚类结果,即选取出了两组车辆宽高比γ差异最显著的数据,取这两组数据中的车长信息,分别记作L l 和L s 。
具体地,如图8所示,图8是本申请提供一实施例的聚类簇筛选方法示意图。
其中,包含了聚类簇A、聚类簇B、聚类簇C和聚类簇D,聚类簇B和聚类C的聚类点更多,而聚类簇A与聚类簇C的质心距离更远,因此选择聚类A和聚类C作为聚类结果。
步骤300,获取初始车辆长度估计模型,其中,初始车辆长度估计模型包括至少一个待求参数。
在一实施例中,经过大量数据离线处理后,构建的初始车辆长度估计模型f满足以下关系:
初始车辆长度估计模型f将车辆的视频框信息,包括视频框的中心坐标(u,v)和宽高(w,h),与车辆在物理世界的真实长度信息一一对应。
步骤400,将聚类车辆信息输入初始车辆长度估计模型,求解待求参数的数值。
将聚类车辆信息输入至初始车辆估计模型中,形成关于待求参数的线性方程组,通过对关于上述线性方程组的求解,获得待求参数的数值。通过求解待求参数的数值,实现无监督的车辆长度信息模型构建。
具体地,如图9所示,图9是图1中步骤400的流程示意图,步骤400具体包括:
步骤410,对聚类车辆信息进行数学变换后,得到聚类车辆信息的车辆框位置和车辆长度。
在一实施例中,对获取得到的两组聚类车辆信息L l 和L s 进行对数变换。
具体地,对L l 和L s 的对数变换满足:
步骤420,将每一聚类车辆信息的车辆框位置和车辆长度输入至初始车辆长度估计模型,建立初始车辆长度估计线性方程组,每一个聚类结果对应一个初始车辆长度估计线性方程。
在一实施例中,构建出的初始车辆长度估计线性方程如下所示:
具体地,基于每一聚类车辆信息的车辆框位置和车辆长度信息,构建出以下初始车辆长度估计线性方程组:
……
步骤430,对初始车辆长度估计线性方程组进行求解,获取待求参数的数值。
可得
如图10所示,图10是图9中步骤430后续的流程示意图,步骤430后续具体包括:
步骤440,基于聚类车辆信息及待求参数的数值,计算估计误差。
在一实施例中,对聚类车辆信息和待求参数数值,计算出估计误差E。针对初始车辆长度估计模型可能存在误差进行统计,确保初始车辆长度估计模型的有效性。具体地,估计误差E满足以下关系:
步骤450,基于估计误差,构建初始车辆长度误差检测模型。
构建初始车辆长度误差检测模型,用于检测初始车辆长度估计模型的有效性,判断是否需要重新获取初始车辆长度估计模型。
具体地,如图11所示,图11是图10中步骤450的流程示意图,步骤450具体包括:
步骤451,获取初始车辆长度误差估计模型的误差分布。
步骤452,基于误差分布信息,设定模型的置信度。
步骤453,基于初始车辆长度误差检测模型的高斯分布特性,获取初始车辆长度误差检测模型的假设成立区间。
在一实施例中,基于初始车辆长度误差检测模型的高斯分布特性,确定模型的置信度α对应的初始车辆长度误差检测模型的假设成立区间H0。
步骤460,获取其他检测视频中的车辆信息,输入至初始车辆长度误差检测模型。
步骤470,在初始车辆长度误差检测模型输出结果小于预设成立范围时,删除待求参数,重新获取初始车辆长度估计模型。
在一实施例中,重新求解待求参数,若重新求解的待求参数不在预设成立范围H0内,则说明求解的参数不满足当前环境,即环境发生变化或设备发生变动,需删除已求解的待求参数,重新建立初始车辆长度估计模型。即可自动对初始车辆长度误差检测模型进行维护,无需人工介入。
步骤500,基于待求参数的数值,得到最终车辆长度估计模型。
以上实施例,仅是对本申请的其中一种常见案例而已,并非对本申请的技术范围做任何限制,故凡是依据本申请方案的实质对以上内容所做的任何细微修改、等同变化或者修饰,均仍属于本申请技术方案的范围内。
如图12所示,图12是本申请提供车辆长度估计方法一实施例的流程示意图,包括:
步骤610,获取待检测视频。
在一实施例中,道路相机对道路进行视频采集,获取检测视频。
可选地,道路相机可以为设置在道路两侧的云台摄像机。
可选地,道路相机可以为设置在横跨道路龙门架上的固定摄像机。
步骤620,对待检测视频中的待检测车辆进行目标检测,以获取待检测车辆的车辆检测框。
在一实施例中,通过目标检测与识别的方式,自动识别出检测视频中的车辆目标信息,并对完成检测的车辆目标进行自动识别框标注。
可选地,目标检测算法可为基于卷积神经网络的车辆检测算法。
可选地,目标检测算法可为基于支持向量机(SVM)的车辆检测算法。
步骤630,将车辆检测框输入预先训练的车辆长度估计模型。
其中,车辆长度估计模型为步骤500中得到的最终车辆长度估计模型。
步骤640,基于车辆长度估计模型输出的长度信息,确定所述待检测视频中待检测车辆的车辆长度。
车辆长度估计模型可对检测视频中任意一辆车辆框信息进行估计,自动获得该车辆的真实长度。无需事先对获取检测视频的相机进行人工标定。
步骤650,基于待检测车辆的车辆长度,以及车辆长度估计模型的模型参数,确定当前估计误差。
根据待测车辆的车辆长度信息重新求解车辆长度估计模型中的参数,并与已有车辆长度估计模型的参数进行比对,计算出车辆长度估计模型中参数的估计误差。
步骤660,在当前估计误差超出预设成立范围时,重新训练车辆长度估计模型。
若车辆长度估计模型中参数的估计误差大于预设成立范围,表明当前的车辆长度估计模型中的参数不再适用,需要重新进行车辆长度估计模型的参数求解,以获取适应当前环境的车辆长度估计模型。确保车辆长度估计模型能够在不同环境下有效使用。
如图13所示,图13是本申请提供的一种终端设备的结构示意图。本申请实施例的终端设备60包括存储器61、处理器62。
终端设备60包括相互耦合的存储器61和处理器62,处理器62用于执行存储器61存储的程序指令,以实现上述本申请上述任一实施方式的方法及任意不冲突的组合所提供的方法。
在一个具体的实施场景中,终端设备60可以包括但不限于:微型计算机、服务器,此外,终端设备60还可以包括笔记本电脑、平板电脑等移动设备,在此不做限定。
具体而言,处理器62用于控制其自身以及存储器61以实现上述方法实施例的步骤。处理器62还可以称为CPU(Central Processing Unit,中央处理单元)。处理器62可能是一种集成电路芯片,具有信号的处理能力。处理器62还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外,处理器62可以由集成电路芯片共同实现。
本申请还提供一种计算机存储介质,参阅图14,图14是本申请提供的计算机存储介质一实施例的结构示意图,该计算机存储介质70中存储有程序数据71,该程序数据71在被处理器执行时,用以实现上述实施例的数据传输方法和/或数据传输方法。
本申请的实施例以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,方式利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (12)
1.一种车辆长度估计模型建立方法,其特征在于,
获取检测视频,以及所述检测视频中的车辆信息,所述车辆信息包括车辆框以及车辆长度;
基于所述车辆信息进行聚类,获取至少两个聚类结果,所述至少两个聚类结果中包括聚类中心及其聚类范围内的聚类车辆信息;
获取初始车辆长度估计模型,其中,所述初始车辆长度估计模型包括至少一个待求参数;
将所述聚类车辆信息输入所述初始车辆长度估计模型,求解所述待求参数的数值,包括:
对所述聚类车辆信息进行数学变换后,得到所述聚类车辆信息的车辆框位置和车辆长度;
将每一聚类车辆信息的车辆框位置和车辆长度输入至所述初始车辆长度估计模型,建立初始车辆长度估计线性方程组,每一个聚类结果对应一个初始车辆长度估计线性方程;
对所述初始车辆长度估计线性方程组进行求解,获取所述待求参数的数值;
基于所述待求参数的数值,得到最终车辆长度估计模型。
2.根据权利要求1所述的方法,其特征在于,
所述获取检测视频,以及所述检测视频中的车辆信息,包括:
获取检测视频,并在所述检测视频中生成预设聚类触发线;
对所述检测视频中的车辆进行目标检测,获取所有车辆的车辆框和车辆长度;
获取与所述预设聚类触发线相交的车辆框及其对应车辆长度,组成所述检测视频中的车辆信息。
3.根据权利要求1或2所述的方法,其特征在于,所述基于所述车辆信息进行聚类,包括:
获取所述车辆信息中的车辆框尺寸;
基于所述车辆框尺寸对所述车辆信息进行聚类。
4.根据权利要求1所述的方法,其特征在于,基于所述车辆信息进行聚类,获取至少两个聚类结果,所述至少两个聚类结果中包括聚类中心及其聚类范围内的聚类车辆信息,包括:
基于所述车辆框尺寸对所述车辆信息中的车辆框进行聚类,获取若干个聚类结果;
获取所述若干个聚类结果的聚类距离;
从所述若干个聚类结果筛选出聚类距离最大的两个聚类结果。
5.根据权利要求1所述的方法,其特征在于,所述获取检测视频,以及所述检测视频中的车辆信息之后,还包括:
基于所述车辆信息获取若干车辆框之间的相对位置关系;
基于所述若干车辆框之前的相对位置关系,删除车辆框至少部分重合的车辆信息。
6.根据权利要求1所述的方法,其特征在于,所述获取检测视频,以及所述检测视频中的车辆信息之后,还包括:
基于所述检测视频中的车辆信息获取所述检测视频中的所有车辆框;
基于所述所有车辆框,获取所述检测视频的数据质量参数;
在所述数据质量参数大于等于预设质量阈值时,删除所述检测视频,重新获取其他检测视频。
7.根据权利要求1所述的方法,其特征在于,
所述求解所述待求参数的数值之后,所述方法还包括:
基于所述聚类车辆信息及所述待求参数的数值,计算估计误差;
基于所述估计误差,构建所述初始车辆长度误差检测模型;
获取其他检测视频中的车辆信息,输入至所述初始车辆长度误差检测模型;
在所述初始车辆长度误差检测模型输出结果不在预设成立范围时,删除所述待求参数,重新获取初始车辆长度估计模型。
8.根据权利要求7所述的方法,其特征在于,基于所述估计误差,构建所述初始车辆长度误差检测模型,包括:
获取所述初始车辆长度误差估计模型的误差分布;
基于所述误差分布信息,设定所述初始车辆长度误差估计模型的置信度;
基于所述初始车辆长度误差检测模型的高斯分布特性,获取所述初始车辆长度误差检测模型的假设成立区间。
9.一种车辆长度检测方法,其特征在于,所述车辆长度检测方法包括:
获取待检测视频;
对所述待检测视频中的待检测车辆进行目标检测,以获取所述待检测车辆的车辆检测框;
将所述车辆检测框输入预先训练的车辆长度估计模型;
基于所述车辆长度估计模型输出的长度信息,确定所述待检测视频中待检测车辆的车辆长度;
其中,所述车辆长度估计模型利用权利要求1至8任一项所述的方法训练得到。
10.根据权利要求9所述的方法,其特征在于,所述车辆长度检测方法还包括:
基于所述待检测车辆的车辆长度,以及所述车辆长度估计模型的模型参数,确定当前估计误差;
在所述当前估计误差超出预设成立范围时,重新训练所述车辆长度估计模型。
11.一种终端设备,其特征在于,所述终端设备包括存储器以及与所述存储器耦接的处理器;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如权利要求1-10任一项所述的方法。
12.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序数据,所述程序数据在被计算机执行时,用以实现如权利要求1至10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210807535.4A CN114913469B (zh) | 2022-07-11 | 2022-07-11 | 一种车辆长度估计模型建立的方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210807535.4A CN114913469B (zh) | 2022-07-11 | 2022-07-11 | 一种车辆长度估计模型建立的方法、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114913469A CN114913469A (zh) | 2022-08-16 |
CN114913469B true CN114913469B (zh) | 2022-11-22 |
Family
ID=82772617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210807535.4A Active CN114913469B (zh) | 2022-07-11 | 2022-07-11 | 一种车辆长度估计模型建立的方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913469B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073846A (zh) * | 2010-12-15 | 2011-05-25 | 同济大学 | 基于航拍图像的交通信息获取方法 |
JP2012052838A (ja) * | 2010-08-31 | 2012-03-15 | Daihatsu Motor Co Ltd | 物体認識装置 |
CN104700634A (zh) * | 2015-03-19 | 2015-06-10 | 北京工业大学 | 基于最小生成树聚类改进遗传算法的相邻交叉口干道协调控制方法 |
KR20180100892A (ko) * | 2017-03-02 | 2018-09-12 | 현대자동차주식회사 | 차량 크기 추정 장치, 그 방법 및 그를 포함한 차량 인지 시스템 |
CN108528458A (zh) * | 2017-03-02 | 2018-09-14 | 通用汽车环球科技运作有限责任公司 | 用于车辆尺寸预测的系统和方法 |
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 |
CN109386155A (zh) * | 2018-09-20 | 2019-02-26 | 同济大学 | 面向自动化停车场的无人泊车搬运机器人的对位方法 |
CN110060221A (zh) * | 2019-04-26 | 2019-07-26 | 长安大学 | 一种基于无人机航拍图像的桥梁车辆检测方法 |
CN111596309A (zh) * | 2020-04-16 | 2020-08-28 | 南京卓宇智能科技有限公司 | 一种基于激光雷达的车辆排队测量方法 |
CN111797734A (zh) * | 2020-06-22 | 2020-10-20 | 广州视源电子科技股份有限公司 | 车辆点云数据处理方法、装置、设备和存储介质 |
CN111814847A (zh) * | 2020-06-19 | 2020-10-23 | 浙江工业大学 | 基于车辆三维轮廓的聚类方法 |
CN112580695A (zh) * | 2020-12-02 | 2021-03-30 | 王刚 | 一种车型识别方法、装置、存储介质及电子设备 |
CN112699267A (zh) * | 2021-01-13 | 2021-04-23 | 招商局重庆交通科研设计院有限公司 | 车辆车型的识别方法 |
CN113514847A (zh) * | 2020-04-10 | 2021-10-19 | 深圳市镭神智能系统有限公司 | 一种车辆外轮廓尺寸检测方法、系统及存储介质 |
-
2022
- 2022-07-11 CN CN202210807535.4A patent/CN114913469B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012052838A (ja) * | 2010-08-31 | 2012-03-15 | Daihatsu Motor Co Ltd | 物体認識装置 |
CN102073846A (zh) * | 2010-12-15 | 2011-05-25 | 同济大学 | 基于航拍图像的交通信息获取方法 |
CN104700634A (zh) * | 2015-03-19 | 2015-06-10 | 北京工业大学 | 基于最小生成树聚类改进遗传算法的相邻交叉口干道协调控制方法 |
KR20180100892A (ko) * | 2017-03-02 | 2018-09-12 | 현대자동차주식회사 | 차량 크기 추정 장치, 그 방법 및 그를 포함한 차량 인지 시스템 |
CN108528458A (zh) * | 2017-03-02 | 2018-09-14 | 通用汽车环球科技运作有限责任公司 | 用于车辆尺寸预测的系统和方法 |
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 |
CN109386155A (zh) * | 2018-09-20 | 2019-02-26 | 同济大学 | 面向自动化停车场的无人泊车搬运机器人的对位方法 |
CN110060221A (zh) * | 2019-04-26 | 2019-07-26 | 长安大学 | 一种基于无人机航拍图像的桥梁车辆检测方法 |
CN113514847A (zh) * | 2020-04-10 | 2021-10-19 | 深圳市镭神智能系统有限公司 | 一种车辆外轮廓尺寸检测方法、系统及存储介质 |
CN111596309A (zh) * | 2020-04-16 | 2020-08-28 | 南京卓宇智能科技有限公司 | 一种基于激光雷达的车辆排队测量方法 |
CN111814847A (zh) * | 2020-06-19 | 2020-10-23 | 浙江工业大学 | 基于车辆三维轮廓的聚类方法 |
CN111797734A (zh) * | 2020-06-22 | 2020-10-20 | 广州视源电子科技股份有限公司 | 车辆点云数据处理方法、装置、设备和存储介质 |
CN112580695A (zh) * | 2020-12-02 | 2021-03-30 | 王刚 | 一种车型识别方法、装置、存储介质及电子设备 |
CN112699267A (zh) * | 2021-01-13 | 2021-04-23 | 招商局重庆交通科研设计院有限公司 | 车辆车型的识别方法 |
Non-Patent Citations (3)
Title |
---|
《Queue Length Estimation from Connected Vehicles with Low and Unknown Penetration Level》;Hamidreza Tavafoghi等;《2021 IEEE International Intelligent Transportation Systems Conference (ITSC)》;20210921;第1217-1224页 * |
《基于聚类分析的实时交通流量监测系统研究》;王琳等;《交通与计算机》;20030630;第21卷(第6期);第20-22页 * |
《基于邻接传感器及神经网络的车辆分类算法》;张伟等;《通信学报》;20081130;第29卷(第11期);第139-144页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114913469A (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090456B (zh) | 识别车道线模型的训练方法、车道线识别方法及装置 | |
CN110287905B (zh) | 一种基于深度学习的交通拥堵区域实时检测方法 | |
CN106228185B (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
CN109241938B (zh) | 道路拥堵检测方法及终端 | |
CN108805016B (zh) | 一种头肩区域检测方法及装置 | |
CN112052802B (zh) | 一种基于机器视觉的前方车辆行为识别方法 | |
CN107944354B (zh) | 一种基于深度学习的车辆检测方法 | |
CN109902619B (zh) | 图像闭环检测方法及系统 | |
CN110992693A (zh) | 一种基于深度学习的交通拥堵程度多维度分析方法 | |
CN111553348A (zh) | 一种基于centernet的anchor-based目标检测方法 | |
CN110781785A (zh) | 基于Faster RCNN算法改进的交通场景下行人检测方法 | |
CN110889328A (zh) | 检测道路交通状况的方法、装置、电子设备和存储介质 | |
CN112861870B (zh) | 指针式仪表图像矫正方法、系统及存储介质 | |
CN115457277A (zh) | 一种智能化路面病害识别检测方法及系统 | |
CN115620518A (zh) | 基于深度学习的交叉口交通冲突判别方法 | |
CN112784494B (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
CN114913469B (zh) | 一种车辆长度估计模型建立的方法、终端设备及存储介质 | |
CN112163521A (zh) | 一种车辆行驶行为的识别方法、装置及设备 | |
CN112329886A (zh) | 双车牌识别方法、模型训练方法、装置、设备及存储介质 | |
CN112001453A (zh) | 一种视频事件检测算法的准确率计算方法及装置 | |
CN115761646B (zh) | 一种面向工业园区的行人跟踪方法、设备及存储介质 | |
CN110598669A (zh) | 一种复杂场景中人群密度的检测方法和系统 | |
CN113496159B (zh) | 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 | |
CN113487589B (zh) | 一种亚像素圆心检测方法及系统 | |
CN113947154A (zh) | 一种目标检测方法、系统、电子设备及存储介质 |
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 |