CN115116015A - 车道定位方法、电子设备及存储介质 - Google Patents
车道定位方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115116015A CN115116015A CN202210648140.4A CN202210648140A CN115116015A CN 115116015 A CN115116015 A CN 115116015A CN 202210648140 A CN202210648140 A CN 202210648140A CN 115116015 A CN115116015 A CN 115116015A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- image
- target
- position 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.)
- Pending
Links
Images
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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供一种车道定位方法、电子设备及存储介质,在本申请实施例中,首先,对道路图像分别进行车道线检测和车辆检测,得到各车道的位置区域信息和各车辆的检测框的位置信息;接着,确定道路图像中车辆的最小外接图形的位置信息;接着,根据最小外接图形的位置信息、检测框的位置信息以及各车道的位置区域信息,定位车辆所在的目标车道。由此,能够有效提高车辆所在车道的定位准确度,特别是能够有效解决鱼眼镜头下车辆畸变导致的车道定位不准问题。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种车道定位方法、电子设备及存储介质。
背景技术
为了保证道路交通安全,需要识别车辆在道路中哪个车道。目前,往往利用架设在道路上的相机采集道路图像,以及识别道路图像中的车辆中心点和各个车道的车道中心线,并根据车辆中心点到各个车道的车道中心线的距离,识别车辆所在的车道。实际应用中,为了防止出现“灯下黑”的问题,通常在道路上架设鱼眼镜头进行补盲,减少视野盲区。但是,鱼眼镜头所拍摄的图像存在一定的畸变问题,采用上述方式基于鱼眼镜头拍摄的图像难以准确地识别车辆所在的车道。
发明内容
本申请的多个方面提供一种车道定位方法、电子设备及存储介质,用以提高车辆所在车道的定位准确度。
本申请实施例提供一种车道定位方法,包括:对目标道路图像进行车道线检测,得到车道线检测结果;目标道路图像是对目标道路进行图像采集得到的,车道线检测结果至少包括目标道路上各车道的位置区域信息;对目标道路图像进行车辆检测,得到车辆检测结果;车辆检测结果至少包括处于目标道路上的各车辆,以及各车辆的检测框在目标道路图像中的位置信息;针对每个车辆,确定包围车辆的最小外接图形在目标道路图像中的位置信息;根据最小外接图形的位置信息、检测框的位置信息以及各车道的位置区域信息,定位车辆所在的目标车道。
本申请实施例还提供一种,包括:存储器和处理器;存储器,用于存储计算机程序;处理器耦合至存储器,用于执行计算机程序以用于执行车道定位方法中的步骤。
本申请实施例还提供一种存储有计算机程序的计算机存储介质,当计算机程序被处理器执行时,致使处理器能够实现车道定位方法中的步骤。
在本申请实施例中,首先,对道路图像分别进行车道线检测和车辆检测,得到各车道的位置区域信息和各车辆的检测框的位置信息;接着,确定道路图像中车辆的最小外接图形的位置信息;接着,根据最小外接图形的位置信息、检测框的位置信息以及各车道的位置区域信息,定位车辆所在的目标车道。由此,能够有效提高车辆所在车道的定位准确度,特别是能够有效解决鱼眼镜头下车辆畸变导致的车道定位不准问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种应用场景图;
图2为本申请实施例提供的一种车道定位方法的流程图;
图3为本申请实施例提供的另一种车道定位方法的流程图;
图4为示例性的车道定位过程涉及到的多张图像;
图5为示例性的道路图像;
图6为本申请实施例提供的一种车道定位装置的结构示意图;
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、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。
目前,往往利用架设在道路上的相机采集道路图像,以及识别道路图像中的车辆中心点和各个车道的车道中心线,并根据车辆中心点到各个车道的车道中心线的距离,识别车辆所在的车道。实际应用中,为了防止出现“灯下黑”的问题,通常在道路上架设鱼眼镜头进行补盲,减少视野盲区。但是,鱼眼镜头所拍摄的图像存在一定的畸变问题,采用上述方式基于鱼眼镜头拍摄的图像难以准确地识别车辆所在的车道。为了解决上述技术问题,本申请实施例提供一种车道定位方法、电子设备及存储介质,在本申请实施例中,首先,对道路图像分别进行车道线检测和车辆检测,得到各车道的位置区域信息和各车辆的检测框的位置信息;接着,确定道路图像中车辆的最小外接图形的位置信息;接着,根据最小外接图形的位置信息、检测框的位置信息以及各车道的位置区域信息,定位车辆所在的目标车道。由此,能够有效提高车辆所在车道的定位准确度,特别是能够有效解决鱼眼镜头下车辆畸变导致的车道定位不准问题。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请实施例提供的一种应用场景图。在道路交通场景中,道路上包括多条车道,多条车道中有的是可供社会车辆行驶的普通车道,有的是可供诸如警车、消防车、救护车、工程救险车等特殊车辆执行紧急任务行驶的应急车道,在普通车道中可能又分小客车车道、货车车道和客货车车道,当然,根据实际应用需求灵活划分道路上的车道。以图1为例,第一车道、第二车道和第三车道是可供社会车辆行驶的普通车道,在第三车道的右侧是供特殊车辆行驶的应急车道。出于道路交通安全的考虑,各车辆应该按规定行驶在正常的车道上。为此,定位车辆所在的车道是道路交通场景中必不可少的任务之一。
在本实施例中,首先,利用图像采集设备10对道路进行图像采集,获取道路图像;接着,参见图1中①所示,图像采集设备10将道路图像上传至服务器20;接着,参见图1中②所示,服务器20对道路图像进行车道线检测,以确定道路上各车道的位置区域信息,道路图像1中标记出的车道线圈1和车道线圈2分别为一个车道的位置区域;参见图1中③所示,服务器20对道路图像进行车辆检测,以确定道路上车辆的检测框;参见图1中④所示,服务器20确定车辆在道路图像中的最小外接图形;参见图1中⑤所示,服务器20根据最小外接图形的位置信息、检测框的位置信息以及各车道的位置区域信息,定位车辆所在的目标车道。由此,能够有效提高车辆所在车道的定位准确度,特别是能够有效解决鱼眼镜头下车辆畸变导致的车道定位不准问题。
在本申请实施例中,图像采集设备10可以是任意具有图像采集功能的设备。例如,图像采集设备10按照视角范围分类可以分为超广角镜头、广角镜头。其中,广角镜头例如包括但不限于:鱼眼镜头、标准镜头和远摄镜头。例如,图像采集设备10按照传感器的结构特性可以分为面阵相机和线阵相机。又例如,图像采集设备10按照画面分辨率不同可以分为标清摄像机和高清摄像机。又例如,图像采集设备10按照信号分类可以是模拟摄像机和数字摄像机。
在本申请实施例中,图像采集设备10可以是架设在道路上,也可以是搭载在无人机设备上,也可以是车载设备,但并不以此为限。服务器20例如包括但不限于:单个服务器20或多个服务器20组成的分布式服务器20集群。应当理解的是,图1中的图像采集设备10和服务器20的数量仅仅是示意性的。实际应用中,根据实际需求部署任意数量的图像采集设备10和服务器20。
图2为本申请实施例提供的一种车道定位方法的流程图。该方法可由车道定位装置执行,该装置可以由软件和/或硬件的方式实现,并一般可以集成在电子设备中。电子设备例如为终端设备或服务器。参见图2,该方法可以包括以下步骤:
201、对目标道路图像进行车道线检测,得到车道线检测结果;目标道路图像是对目标道路进行图像采集得到的,车道线检测结果至少包括目标道路上各车道的位置区域信息。
202、对目标道路图像进行车辆检测,得到车辆检测结果;车辆检测结果至少包括处于目标道路上的各车辆,以及各车辆的检测框在目标道路图像中的位置信息。
203、针对每个车辆,确定包围车辆的最小外接图形在目标道路图像中的位置信息。
204、根据最小外接图形的位置信息、检测框的位置信息以及各车道的位置区域信息,定位车辆所在的目标车道。
在本实施例中,为了便于理解和区分,将进行图像采集的道路称作为目标道路,目标道路是路网中的一条道路或者多条道路。将对目标道路进行图像采集得到的图像数据称作为目标道路图像。目标道路图像可以是包括目标道路的视频流,可以是单帧包括目标道路的图像帧,对此不做限制。
实际应用中,可以实时采集目标道路图像并实时基于目标道路图像进行车道定位,也可以周期性采集目标道路图像并周期性基于目标道路图像进行车道定位,也可以在设定触发条件满足的情况下,采集目标道路图像并基于目标道路图像进行车道定位,对此不做限制。当然,车道定位装置可以存储图像采集设备实时采集的目标道路图像,并在车道定位事件触发时,获取存储的目标道路图像进行车道定位。
在本实施例中,对目标道路图像进行车道线检测,得到车道线检测结果。车道线检测结果例如包括但不限于:出现在目标道路图像中的目标道路的车道数量、每条车道对应的车道线的位置信息、每条车道的位置区域信息、每条车道对应的车道线的线条特征和颜色特征,其中,线条特征例如包括但不限于:实线、虚线、粗线和细线。颜色特征例如包括但不限于:黄色、白色等等。值得注意的是,车道的位置区域信息反映的是出现在目标道路图像中的车道所在区域的位置信息。车道所在区域是指由该车道的两侧车道线围成的矩形区域。
在本实施例中,对目标道路图像进行车道线检测的方式不做限制。例如,可以以人工方式进行车道线检测,以在目标道路图像上标记出目标道路的车道信息。又例如,可以对目标道路图像依次执行灰度图转化、高斯平滑操作、边缘检测和霍夫变换操作,自动得到车道线检测结果。又例如,进一步可选的,为了提高车道线检测结果的准确度,可以利用预先训练好的车道线检测模型自动对目标道路图像进行车道线检测。车道线检测模型是利用海量的样本道路图像及其标注结果进行模型训练得到的,其中,标注结果例如包括但不限于:出现在样本道路图像中道路所包括的车道数量、每条车道对应的车道线的位置信息、每条车道的位置区域信息、每条车道对应的车道线的线条特征和颜色特征。经过模型训练得到的车道线检测模型能够准确且全面地检测车道信息。其中,车道线检测模型例如可以包括但不限于:卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent Neural Networks,RNN)和长短期记忆网络(Long Short-Term Memory,LSTM)。
在本实施例中,除了对目标道路图像进行车道线检测,还对目标道路图像进行车辆检测。值得注意的是,车道线检测和车辆检测可以异步执行也可以同步执行,对此不做限制。
在本实施例中,对目标道路图像进行车辆检测是指以车辆为目标对目标道路图像进行目标检测,识别目标道路图像中所有车辆的类型和位置。其中,车辆的类型例如包括但不限于:小客车、货车、自行车和警车、消防车、救护车、工程救险车。车辆的位置可以用包围车辆的检测框的位置信息表征。假设检测框的位置信息记为(x,y,w,h)。其中,x表示检测框的左上角顶点的横坐标,y表示检测框的左上角顶点的纵坐标,w表示检测框的长度(也即检测框中上边界和下边界的长度),h表示检测框的高度(也即检测框中左边界和右边界的长度)。
在本实施例中,对目标道路图像进行车辆检测的方式不做限制。例如,可以以人工方式进行车辆检测,以在目标道路图像上标记出各个车辆的类型及其检测框的位置信息。又例如,可以基于SSD(Single Shot MultiBox Detector)检测框架或RefineDet目标检测框架进行车辆检测。其中,SSD是单阶段的目标检测算法,通过卷积神经网络进行特征提取,取不同的特征层进行检测输出,SSD是一种多尺度的检测方法。RefineDet基于前馈卷积网络,该网络生成固定数目的边界框和表示在这些框中存在的不同类别目标的分数,通过非最大抑制(Non-Maximum Suppression,NMS)来产生最后的结果。
在本实施例中,还需要对目标道路图像中各车辆的最小外接图形进行确定。在确定各车辆的最小外接图形时,可以获取目标道路图像中车辆所属的各个像素点的位置信息,根据最小外接图形的形状和各个像素点的位置信息选择形成最小外接图形的各个像素点。其中,最小外接图形例如包括但不限于最小外接矩形、最小外接六边形和最小外接矩形。优选的,最小外接图形为最小外接矩形。以最小外接矩形为例,确定车辆的各个像素点的横坐标和纵坐标,选择横坐标最小和纵坐标最小的像素点作为最小外接矩形的左下角顶点,选择横坐标最大和纵坐标最大的像素点作为最小外接矩形的右上角顶点。
实际应用中,可以直接确定目标道路图像中各车辆的最小外接图形。进一步可选的,为了减少背景图像对确定最小外接图形的干扰,提高车道定位准确度,可以从目标道路图像中剔除背景图像,得到车辆图像;确定包围车辆的最小外接图形在车辆图像中的位置信息。
在本实施例中,可以采用但不限于帧间差分法、背景差分法等背景提取算法确定目标道路图像的背景图像。进一步可选的,还可以基于平均背景法进行背景提取,以一种简单高效的方式准确地获取背景图像。具体而言,作为一种示例,背景图像的获取方式为:获取在目标道路图像之前采集到的多张历史道路图像;根据多张历史道路图像中同一像素点的像素值,生成同一像素点的平均像素值;根据多张历史道路图像中各个像素点对应的平均像素值,生成背景图像。
值得注意的是,对历史道路图像的数量不做限制。针对多张历史道路图像中同一像素点,对该像素点在不同历史道路图像中的像素值进行累加,并将累加的像素值除以历史道路图像的数量,得到同一像素点的平均像素值。在得到多张历史道路图像中各个像素点对应的平均像素值后,将各个像素点对应的平均像素值作为待生成的背景图像的各个像素点对应的像素值,生成一张图像尺寸与历史道路图像相同的背景图像。当然,在生成背景图像时,除了可以利用在目标道路图像之前采集到的多张历史道路图像,还可以利用包括目标道路图像在内的多张道路图像,对此不做限制。
进一步可选的,为了减少对确定最小外接图形的干扰,提高车道定位准确度,确定包围车辆的最小外接图形在车辆图像中的位置信息时,可以对车辆图像进行边缘检测,得到边缘图像;对边缘图像依次进行二值化操作和图像形态学操作,得到最终分割图像;确定包围车辆的最小外接图形在最终分割图像中的位置信息。其中,对边缘图像执行二值化操作,得到二值化图像;对二值化图像执行腐蚀和膨胀等图像形态学操作,得到最终分割图像。在得到最终分割图像后,确定包围车辆的最小外接图形在最终分割图像中的位置信息时,可以根据最终分割图像中车辆对应的各个像素点的位置信息,确定包围车辆的最小外接图形,并确定最小外接图形在最终分割图像中的位置信息。在最终分割图像中确定最小外接图形的具体实现方式,可以参见在目标背景图像中确定最小外接图形的具体实现方式,在此不再赘述。
在本实施例中,在根据最小外接图形的位置信息、检测框的位置信息以及各车道的位置区域信息,定位车辆所在的目标车道时,可以根据最小外接图形的位置信息和检测框的位置信息,确定最小外接矩形与检测框上的下边界的交点;根据交点的位置信息和各车道的位置区域信息,定位车辆所在的目标车道。
值得注意的是,根据交点的位置信息和各车道的位置区域信息,确定交点落在哪个车道内,交点所在的车道即为车辆所在的目标车道。
值得注意的是,检测框包括左下角顶点、右下角顶点、左上角顶点、右上角顶点。检测框上的下边界是指左下角顶点和右下角顶点所在的边界线。是检测框的四条边界线中最靠近目标背景图像中地面的边界线。参见图1中的道路图像2,最小外接矩形与检测框上的下边界的交点在视觉效果上是贴近地面的。实际应用中,最小外接矩形与检测框上的下边界的交点可能有多个,此时,将横坐标最小的交点作为最终的交点,并基于最终的交点的位置信息和各车道的位置区域信息,定位车辆所在的目标车道。
本申请实施例提供的技术方案,首先,对道路图像分别进行车道线检测和车辆检测,得到各车道的位置区域信息和各车辆的检测框的位置信息;接着,确定道路图像中车辆的最小外接图形的位置信息;接着,根据最小外接图形的位置信息、检测框的位置信息以及各车道的位置区域信息,定位车辆所在的目标车道。由此,能够有效提高车辆所在车道的定位准确度,特别是能够有效解决鱼眼镜头下车辆畸变导致的车道定位不准问题。
在本申请实施例中,在定位各个车辆所在的目标车道之后,还可以基于车辆所在的车道信息进行异常交通事件判定。为此,从异常交通事件的角度,本申请实施例还提供一种车辆定位方法。
图3为本申请实施例提供的另一种车道定位方法的流程图。该方法可由车道定位装置执行,该装置可以由软件和/或硬件的方式实现,并一般可以集成在电子设备中。电子设备例如为终端设备或服务器。参见图3,该方法可以包括以下步骤:
301、对目标道路图像进行车道线检测,得到车道线检测结果;目标道路图像是对目标道路进行图像采集得到的,车道线检测结果至少包括目标道路上各车道的位置区域信息。
302、对目标道路图像进行车辆检测,得到车辆检测结果;车辆检测结果至少包括处于目标道路上的各车辆,以及各车辆的检测框在目标道路图像中的位置信息。
303、针对每个车辆,确定包围车辆的最小外接图形在目标道路图像中的位置信息。
304、根据最小外接图形的位置信息、检测框的位置信息以及各车道的位置区域信息,定位车辆所在的目标车道。
305、根据车辆的车辆类型、目标车道的车道类型和车辆数量,识别车辆是否出现异常交通事件。
关于本申请实施例中的步骤301至304的具体实现方式可以分别参见前述实施例中的步骤201至204的具体实现方式,在此不再赘述。
具体而言,根据各个车辆所在的目标车道,针对任一目标车道可以统计出各个目标车道上的车辆数量。车辆数量可以反映目标车道上的交通拥堵程度,车辆数量越多,交通拥堵程度越严重;车辆数量越少,交通拥堵程度越轻微。
实际应用中,不同车道类型的车道所允许行驶的车辆类型有所不同。例如,在车道类型划分为小客车车道、货车车道、客货车车道和应急车道的情况下,车辆类型划分为小客车、货车、警车、消防车、救护车、工程救险车等。小客车车道仅仅允许小客车行驶;货车车道仅仅允许货车行驶;客货车车道仅仅允许小客车和货车行驶;应急车道仅仅允许警车、消防车、救护车、工程救险车等行驶。
基于上述,在根据车辆的车辆类型、目标车道的车道类型和车辆数量,识别车辆是否出现异常交通事件时,首先,根据车辆的车辆类型和目标车道的车道类型,判断车辆是否具有使用目标车道的权限;若车辆不具有使用目标车道的权限,则确定车辆出现交通异常事件。若车辆具有使用目标车道的权限,则进一步根据目标车道的车辆数量和车辆在目标车道上的运行状态,确定车辆是否出现交通异常事件。
值得注意的是,在根据车辆的车辆类型和目标车道的车道类型,判断车辆是否具有使用目标车道的权限时,若车辆的车辆类型和目标车道的车道类型匹配,也即车辆的车辆类型是允许在目标车道行驶的车辆类型,车辆具有使用目标车道的权限;若车辆的车辆类型和目标车道的车道类型不匹配,也即车辆的车辆类型是禁止在目标车道行驶的车辆类型,车辆不具有使用目标车道的权限。
实际应用中,车辆在车道上随意停车会造成交通拥堵程度恶化,特别是车道上车辆数量较多的情况下。于是,进一步可选的,根据目标车道的车辆数量和车辆在目标车道上的运行状态,确定车辆是否出现交通异常事件时,可以根据目标车道的车辆数量判断目标车道是否发生交通拥堵;若目标车道未发生交通拥堵,则在车辆在目标车道上的运行状态为停车状态的情况下,确定车辆出现交通异常事件。若目标车道发生交通拥堵,则判断车辆与其前方车辆的距离是否大于预设距离;若车辆与其前方车辆的距离大于预设距离,则在车辆在目标车道上的运行状态为停车状态的情况下,确定车辆出现交通异常事件。
实际应用中,可以根据目标车道的道路长度灵活设置该目标车道发生交通拥堵的车辆数量阈值,道路长度越长,车辆数量阈值越大;道路长度越短,车辆数量阈值越小。其中,车道的道路长度可以在车道线检测过程中识别得到。在确定目标车道发生交通拥堵的车辆数量阈值之后,若目标车道的车辆数量大于或等于车辆数量阈值,则目标车道发生交通拥堵;若目标车道的车辆数量小于车辆数量阈值,则目标车道未发生交通拥堵。
在本实施例中,车辆的运行状态可以包括行驶状态和停车状态。进一步可选的,在确定车辆的运行状态时,可以获取在目标道路图像之后采集到的多张第一道路图像;根据各第一道路图像中车辆的位置信息,识别车辆在目标车道上的运行状态。具体而言,第一道路图像是指在目标道路图像的图像采集时刻之后采集到的道路图像,第一道路图像数量不做限制。根据各第一道路图像中车辆的位置信息,可以确定车辆在多张第一道路图像对应的图像采集时长内的移动距离,若移动距离的长度大于或等于设定移动距离阈值,说明车辆发生了位移,处于行驶状态;若移动距离的长度小于设定移动距离阈值,说明车辆未发生位移,处于停车状态。其中,设定移动距离阈值根据实际情形设置。
在本实施例中,目标车道未发生交通拥堵,车辆在目标车道上随意停车,可以认定车辆出现交通异常事件。目标车道发生交通拥堵,则需要结合车辆与其前方车辆的距离长度和车辆的行驶状态综合认定车辆是否出现交通异常事件。具体而言,预设距离根据实际应用需求灵活设置,车辆与其前方车辆的距离大于预设距离,说明车辆与其前方车辆保持安全距离,这时,车辆不可随意在目标车道上停车,若随意停车,可以认定车辆出现交通异常事件。车辆与其前方车辆的距离小于或等于预设距离,说明车辆与其前方车辆相距较近,这时,车辆为避免撞车,可以在目标车道上短暂停车。当然,车辆应当尽量避免停车情形出现。
本申请实施例提供的技术方案,在基于最小外接图形的位置信息、检测框的位置信息以及各车道的位置区域信息,准确定位车辆所在的目标车道后,还可以根据车辆的车辆类型、目标车道的车道类型和车辆数量,识别车辆是否出现异常交通事件,提高异常交通事件的识别准确度,保证道路交通安全。
为了便于更好地理解本申请实施例提供的技术方案,下面结合场景实施例进行说明。
场景实施例:
参见图4,针对鱼眼镜头下的道路进行动态背景建模,得到背景图像;对鱼眼镜头采集到的每一帧原始图像进行以车辆为目标进行目标检测,得到各个车辆的2D(二维)检测框;将原始图像去除背景图像得到图4中清晰的目标图像;在目标图像上进行边缘检测、二值化,得到图4中的粗糙分割图像;通过对粗糙分割图像进行图像形态学操作,得到最终分割图像(也即图4中的精细分割图像)。在最终分割图像中求取各个车辆的任意方向的最小外接矩形,并确定最小外接矩形与车辆的检测框的下边界的交点,该交点即可认为是车辆与地面交点;根据车辆与地面交点的位置信息和各车道的位置区域信息可以定位车辆所在的车道。其中,各车道的位置区域信息可以通过对原始图像进行车道线检测得到。
参见图5,若采用车辆中心点与车道中心线之间的距离来定位车辆所在车道方式,将使得车辆被定位于车道1,出现车道定位不准确的问题;若采用2D检测框内的车道像素面积进行车道判断,该车辆将被判定处于所有车道外。而采用最小外接矩形与车辆的检测框的下边界的交点来定位车辆所在车道方式,但车辆将被正确定位道对应车道内,也即车道线圈2中。基于上述,通过提取车辆与地面的交点来进行车道定位,可以避免因为鱼眼镜头下车辆畸变导致的车道定位不准问题。
值得说明的是,在车道线检测和车辆检测阶段,即便采用传统方式进行车道线检测和车辆检测,不使用机器学习方式进行车道线检测和车辆检测,本申请实施例提供的提取车辆与地面的交点来进行车道定位也能保持较好的车道定位准确度,也即采用无监督图像处理方法,配合车辆检测算法确定车辆与地面的交点,并通过该交点进行车道定位,可以避免因为鱼眼镜头下车辆畸变导致的车道定位不准问题。
图6为本申请实施例提供的一种车道定位装置的结构示意图。参见图6,该装置可以包括:
车道线检测模块61,用于对目标道路图像进行车道线检测,得到车道线检测结果;目标道路图像是对目标道路进行图像采集得到的,车道线检测结果至少包括目标道路上各车道的位置区域信息;
车辆检测模块62,用于对目标道路图像进行车辆检测,得到车辆检测结果;车辆检测结果至少包括处于目标道路上的各车辆,以及各车辆的检测框在目标道路图像中的位置信息;
确定模块63,用于针对每个车辆,确定包围车辆的最小外接图形在目标道路图像中的位置信息;
定位模块64,用于根据最小外接图形的位置信息、检测框的位置信息以及各车道的位置区域信息,定位车辆所在的目标车道。
进一步可选的,定位模块64根据最小外接图形的位置信息、检测框的位置信息以及各车道的位置区域信息,定位车辆所在的目标车道时,具体用于:根据最小外接图形的位置信息和检测框的位置信息,确定最小外接矩形与检测框上的下边界的交点;根据交点的位置信息和各车道的位置区域信息,定位车辆所在的目标车道。
进一步可选的,确定模块63确定包围车辆的最小外接图形在目标道路图像中的位置信息时,具体用于:从目标道路图像中剔除背景图像,得到车辆图像;确定包围车辆的最小外接图形在车辆图像中的位置信息。
进一步可选的,确定模块63确定包围车辆的最小外接图形在车辆图像中的位置信息时,具体用于:对车辆图像进行边缘检测,得到边缘图像;对边缘图像依次进行二值化操作和图像形态学操作,得到最终分割图像;确定包围车辆的最小外接图形在最终分割图像中的位置信息。
进一步可选的,确定模块63确定包围车辆的最小外接图形在最终分割图像中的位置信息时,具体用于:根据最终分割图像中车辆对应的各个像素点的位置信息,确定包围车辆的最小外接图形,并确定最小外接图形在最终分割图像中的位置信息。
进一步可选的,确定模块63在从目标道路图像中剔除背景图像,得到车辆图像之前,还用于:获取在目标道路图像之前采集到的多张历史道路图像;根据多张历史道路图像中同一像素点的像素值,生成同一像素点的平均像素值;根据多张历史道路图像中各个像素点对应的平均像素值,生成背景图像。
进一步可选的,上述装置还包括识别模块,用于根据车辆的车辆类型、目标车道的车道类型和车辆数量,识别车辆是否出现异常交通事件。
进一步可选的,识别模块根据车辆的车辆类型、目标车道的车道类型和车辆数量,识别车辆是否出现异常交通事件时,具体用于:根据车辆的车辆类型和目标车道的车道类型,判断车辆是否具有使用目标车道的权限;若车辆具有使用目标车道的权限,则根据目标车道的车辆数量和车辆在目标车道上的运行状态,确定车辆是否出现交通异常事件。
进一步可选的,识别模块根据目标车道的车辆数量和车辆在目标车道上的运行状态,确定车辆是否出现交通异常事件时,具体用于:根据目标车道的车辆数量判断目标车道是否发生交通拥堵;若目标车道未发生交通拥堵,则在车辆在目标车道上的运行状态为停车状态的情况下,确定车辆出现交通异常事件。
进一步可选的,识别模块还用于:若目标车道发生交通拥堵,则判断车辆与其前方车辆的距离是否大于预设距离;若车辆与其前方车辆的距离大于预设距离,则在车辆在目标车道上的运行状态为停车状态的情况下,确定车辆出现交通异常事件
进一步可选的,识别模块还用于:在根据目标车道的车辆数量和车辆在目标车道上的运行状态,确定车辆是否出现交通异常事件之前,获取在目标道路图像之后采集到的多张第一道路图像;根据各第一道路图像中车辆的位置信息,识别车辆在目标车道上的运行状态。
进一步可选的,识别模块还用于:若车辆不具有使用目标车道的权限,则确定车辆出现交通异常事件。
图6所示的车道定位装置可以执行图2或图3所示实施例的车道定位方法,其实现原理和技术效果不再赘述。对于上述实施例中的图6所示的车道定位装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
需要说明的是,上述实施例所提供方法的各步骤的执行主体均可以是同一设备,或者,该方法也由不同设备作为执行主体。比如,步骤201至步骤204的执行主体可以为设备A;又比如,步骤201和202的执行主体可以为设备A,步骤203和204的执行主体可以为设备B;等等。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如201、202等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
图7为本申请实施例提供的一种电子设备的结构示意图。如图7所示,该电子设备包括:存储器71和处理器72;
存储器71,用于存储计算机程序,并可被配置为存储其它各种数据以支持在计算平台上的操作。这些数据的示例包括用于在计算平台上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。
存储器71可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
处理器72,与存储器71耦合,用于执行存储器71中的计算机程序,以用于:对目标道路图像进行车道线检测,得到车道线检测结果;目标道路图像是对目标道路进行图像采集得到的,车道线检测结果至少包括目标道路上各车道的位置区域信息;对目标道路图像进行车辆检测,得到车辆检测结果;车辆检测结果至少包括处于目标道路上的各车辆,以及各车辆的检测框在目标道路图像中的位置信息;针对每个车辆,确定包围车辆的最小外接图形在目标道路图像中的位置信息;根据最小外接图形的位置信息、检测框的位置信息以及各车道的位置区域信息,定位车辆所在的目标车道。
进一步可选的,处理器72根据最小外接图形的位置信息、检测框的位置信息以及各车道的位置区域信息,定位车辆所在的目标车道时,具体用于:根据最小外接图形的位置信息和检测框的位置信息,确定最小外接矩形与检测框上的下边界的交点;根据交点的位置信息和各车道的位置区域信息,定位车辆所在的目标车道。
进一步可选的,处理器72确定包围车辆的最小外接图形在目标道路图像中的位置信息时,具体用于:从目标道路图像中剔除背景图像,得到车辆图像;确定包围车辆的最小外接图形在车辆图像中的位置信息。
进一步可选的,处理器72确定包围车辆的最小外接图形在车辆图像中的位置信息时,具体用于:对车辆图像进行边缘检测,得到边缘图像;对边缘图像依次进行二值化操作和图像形态学操作,得到最终分割图像;确定包围车辆的最小外接图形在最终分割图像中的位置信息。
进一步可选的,处理器72确定包围车辆的最小外接图形在最终分割图像中的位置信息时,具体用于:根据最终分割图像中车辆对应的各个像素点的位置信息,确定包围车辆的最小外接图形,并确定最小外接图形在最终分割图像中的位置信息。
进一步可选的,处理器72在从目标道路图像中剔除背景图像,得到车辆图像之前,还用于:获取在目标道路图像之前采集到的多张历史道路图像;根据多张历史道路图像中同一像素点的像素值,生成同一像素点的平均像素值;根据多张历史道路图像中各个像素点对应的平均像素值,生成背景图像。
进一步可选的,处理器72还用于根据车辆的车辆类型、目标车道的车道类型和车辆数量,识别车辆是否出现异常交通事件。
进一步可选的,处理器72根据车辆的车辆类型、目标车道的车道类型和车辆数量,识别车辆是否出现异常交通事件时,具体用于:根据车辆的车辆类型和目标车道的车道类型,判断车辆是否具有使用目标车道的权限;若车辆具有使用目标车道的权限,则根据目标车道的车辆数量和车辆在目标车道上的运行状态,确定车辆是否出现交通异常事件。
进一步可选的,处理器72根据目标车道的车辆数量和车辆在目标车道上的运行状态,确定车辆是否出现交通异常事件时,具体用于:根据目标车道的车辆数量判断目标车道是否发生交通拥堵;若目标车道未发生交通拥堵,则在车辆在目标车道上的运行状态为停车状态的情况下,确定车辆出现交通异常事件。
进一步可选的,处理器72还用于:若目标车道发生交通拥堵,则判断车辆与其前方车辆的距离是否大于预设距离;若车辆与其前方车辆的距离大于预设距离,则在车辆在目标车道上的运行状态为停车状态的情况下,确定车辆出现交通异常事件
进一步可选的,处理器72还用于:在根据目标车道的车辆数量和车辆在目标车道上的运行状态,确定车辆是否出现交通异常事件之前,获取在目标道路图像之后采集到的多张第一道路图像;根据各第一道路图像中车辆的位置信息,识别车辆在目标车道上的运行状态。
进一步可选的,处理器72还用于:若车辆不具有使用目标车道的权限,则确定车辆出现交通异常事件。
进一步,如图7所示,该电子设备还包括:通信组件73、显示器74、电源组件75、音频组件76等其它组件。图7中仅示意性给出部分组件,并不意味着电子设备只包括图7所示组件。另外,图7中虚线框内的组件为可选组件,而非必选组件,具体可视电子设备的产品形态而定。本实施例的电子设备可以实现为台式电脑、笔记本电脑、智能手机或IOT设备等终端设备,也可以是常规服务器、云服务器或服务器阵列等服务端设备。若本实施例的电子设备实现为台式电脑、笔记本电脑、智能手机等终端设备,可以包含图7中虚线框内的组件;若本实施例的电子设备实现为常规服务器、云服务器或服务器阵列等服务端设备,则可以不包含图7中虚线框内的组件。
关于处理器执行各动作的详细实施过程可参见前述方法实施例或设备实施例中的相关描述,在此不再赘述。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现上述方法实施例中可由电子设备执行的各步骤。
相应地,本申请实施例还提供一种计算机程序产品,包括计算机程序/指令,当计算机程序/指令被处理器执行时,致使处理器能够实现上述方法实施例中可由电子设备执行的各步骤。
上述通信组件被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络,如WiFi,2G、3G、4G/LTE、5G等移动通信网络,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
上述显示器包括屏幕,其屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
上述电源组件,为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
上述音频组件,可被配置为输出和/或输入音频信号。例如,音频组件包括一个麦克风(MIC),当音频组件所在设备处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中,音频组件还包括一个扬声器,用于输出音频信号。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (14)
1.一种车道定位方法,其特征在于,包括:
对目标道路图像进行车道线检测,得到车道线检测结果;所述目标道路图像是对目标道路进行图像采集得到的,所述车道线检测结果至少包括所述目标道路上各车道的位置区域信息;
对目标道路图像进行车辆检测,得到车辆检测结果;所述车辆检测结果至少包括处于所述目标道路上的各车辆,以及各所述车辆的检测框在所述目标道路图像中的位置信息;
针对每个车辆,确定包围所述车辆的最小外接图形在所述目标道路图像中的位置信息;
根据所述最小外接图形的位置信息、所述检测框的位置信息以及各车道的位置区域信息,定位所述车辆所在的目标车道。
2.根据权利要求1所述的方法,其特征在于,根据所述最小外接图形的位置信息、所述检测框的位置信息以及各车道的位置区域信息,定位所述车辆所在的目标车道,包括:
根据所述最小外接图形的位置信息和所述检测框的位置信息,确定所述最小外接矩形与所述检测框上的下边界的交点;
根据所述交点的位置信息和各车道的位置区域信息,定位所述车辆所在的目标车道。
3.根据权利要求2所述的方法,其特征在于,确定包围所述车辆的最小外接图形在所述目标道路图像中的位置信息,包括:
从所述目标道路图像中剔除背景图像,得到车辆图像;
确定包围所述车辆的最小外接图形在所述车辆图像中的位置信息。
4.根据权利要求1所述的方法,其特征在于,确定包围所述车辆的最小外接图形在所述车辆图像中的位置信息,包括:
对所述车辆图像进行边缘检测,得到边缘图像;
对所述边缘图像依次进行二值化操作和图像形态学操作,得到最终分割图像;
确定包围所述车辆的最小外接图形在所述最终分割图像中的位置信息。
5.根据权利要求4所述的方法,其特征在于,确定包围所述车辆的最小外接图形在所述最终分割图像中的位置信息,包括:
根据所述最终分割图像中所述车辆对应的各个像素点的位置信息,确定包围所述车辆的最小外接图形,并确定所述最小外接图形在所述最终分割图像中的位置信息。
6.根据权利要求3所述的方法,其特征在于,在从所述目标道路图像中剔除背景图像,得到车辆图像之前,还包括:
获取在所述目标道路图像之前采集到的多张历史道路图像;
根据多张历史道路图像中同一像素点的像素值,生成同一像素点的平均像素值;
根据多张历史道路图像中各个像素点对应的平均像素值,生成所述背景图像。
7.根据权利要求1所述的方法,其特征在于,在定位所述车辆所在的目标车道之后,还包括:
根据所述车辆的车辆类型、所述目标车道的车道类型和车辆数量,识别所述车辆是否出现异常交通事件。
8.根据权利要求7所述的方法,其特征在于,根据所述车辆的车辆类型、所述目标车道的车道类型和车辆数量,识别所述车辆是否出现异常交通事件,包括:
根据所述车辆的车辆类型和所述目标车道的车道类型,判断所述车辆是否具有使用所述目标车道的权限;
若所述车辆具有使用所述目标车道的权限,则根据所述目标车道的车辆数量和所述车辆在所述目标车道上的运行状态,确定所述车辆是否出现交通异常事件。
9.根据权利要求8所述的方法,其特征在于,根据所述目标车道的车辆数量和所述车辆在所述目标车道上的运行状态,确定所述车辆是否出现交通异常事件,包括:
根据所述目标车道的车辆数量判断所述目标车道是否发生交通拥堵;
若所述目标车道未发生交通拥堵,则在所述车辆在所述目标车道上的运行状态为停车状态的情况下,确定所述车辆出现交通异常事件。
10.根据权利要求7所述的方法,其特征在于,还包括:
若所述目标车道发生交通拥堵,则判断所述车辆与其前方车辆的距离是否大于预设距离;
若车辆与其前方车辆的距离大于预设距离,则在所述车辆在所述目标车道上的运行状态为停车状态的情况下,确定所述车辆出现交通异常事件。
11.根据权利要求7所述的方法,其特征在于,在根据所述目标车道的车辆数量和所述车辆在所述目标车道上的运行状态,确定所述车辆是否出现交通异常事件之前,所述方法还包括:
获取在所述目标道路图像之后采集到的多张第一道路图像;
根据各所述第一道路图像中所述车辆的位置信息,识别所述车辆在所述目标车道上的运行状态。
12.根据权利要求7所述的方法,其特征在于,还包括:
若所述车辆不具有使用所述目标车道的权限,则确定所述车辆出现交通异常事件。
13.一种电子设备,其特征在于,包括:存储器和处理器;所述存储器,用于存储计算机程序;所述处理器耦合至所述存储器,用于执行所述计算机程序以用于执行权利要求1-12任一项所述方法中的步骤。
14.一种存储有计算机程序的计算机存储介质,其特征在于,当所述计算机程序被处理器执行时,致使所述处理器能够实现权利要求1-12任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210648140.4A CN115116015A (zh) | 2022-06-08 | 2022-06-08 | 车道定位方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210648140.4A CN115116015A (zh) | 2022-06-08 | 2022-06-08 | 车道定位方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115116015A true CN115116015A (zh) | 2022-09-27 |
Family
ID=83326944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210648140.4A Pending CN115116015A (zh) | 2022-06-08 | 2022-06-08 | 车道定位方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115116015A (zh) |
-
2022
- 2022-06-08 CN CN202210648140.4A patent/CN115116015A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10706330B2 (en) | Methods and systems for accurately recognizing vehicle license plates | |
US10212397B2 (en) | Abandoned object detection apparatus and method and system | |
US11709282B2 (en) | Asset tracking systems | |
CN111382704B (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
CN113593250A (zh) | 一种基于视觉识别的违章停车检测系统 | |
WO2013186662A1 (en) | Multi-cue object detection and analysis | |
KR101756848B1 (ko) | 불법 주정차 관리 시스템 | |
US11436839B2 (en) | Systems and methods of detecting moving obstacles | |
CN111508269B (zh) | 一种基于图像识别的开放式停车位车辆判别方法与装置 | |
KR102122850B1 (ko) | 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션 | |
KR102011624B1 (ko) | 개선된 차량검출 방법과 이를 활용한 비정상적 주정차 차량식별 시스템 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN111027535A (zh) | 一种车牌识别方法及相关设备 | |
CN115204044A (zh) | 轨迹预测模型的生成以及轨迹信息处理方法、设备及介质 | |
CN112289021A (zh) | 一种交通信号灯的检测方法、装置及自动驾驶汽车 | |
CN113450578B (zh) | 交通违章事件取证方法、装置、设备及系统 | |
CN113112813B (zh) | 违章停车检测方法及装置 | |
CN113076851B (zh) | 一种车辆违章数据的采集方法、装置以及计算机设备 | |
CN114141022B (zh) | 应急车道占用行为检测方法、装置、电子设备及存储介质 | |
Matsuda et al. | A system for real-time on-street parking detection and visualization on an edge device | |
CN115116015A (zh) | 车道定位方法、电子设备及存储介质 | |
CN116152753A (zh) | 车辆信息识别方法和系统、存储介质和电子装置 | |
CN112686136B (zh) | 一种对象检测方法、装置及系统 | |
US20240046647A1 (en) | Method and device for detecting obstacles, and computer storage medium | |
Kaimkhani et al. | UAV with Vision to Recognise Vehicle Number Plates |
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 |