CN115331191A - 车型识别方法、装置、系统和存储介质 - Google Patents
车型识别方法、装置、系统和存储介质 Download PDFInfo
- Publication number
- CN115331191A CN115331191A CN202211250458.3A CN202211250458A CN115331191A CN 115331191 A CN115331191 A CN 115331191A CN 202211250458 A CN202211250458 A CN 202211250458A CN 115331191 A CN115331191 A CN 115331191A
- Authority
- CN
- China
- Prior art keywords
- frame image
- vehicle
- current frame
- laser radar
- interest
- 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
- 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
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
Abstract
本申请实施例公开了一种车型识别方法、装置、系统和存储介质,该方法包括:根据相机采集的当前帧图像和相机与激光雷达之间间隔的预设距离,确定当前帧图像中的目标感兴趣区域;将目标感兴趣区域划分为至少两个子感兴趣区域,每一子感兴趣区域对应一个权重系数;根据当前帧图像和预设帧图像各自的至少两个子感兴趣区域和各子感兴趣区域对应的权重系数,判断待识别车辆相对于激光雷达的扫描范围的进出状态;基于进出状态和激光雷达扫描得到的点云数据,识别待识别车辆的轮廓信息。本申请实施例通过相机判断待识别车辆是否进入雷达的扫描范围,以使得激光雷达及时采集点云数据,缓解极端天气对激光雷达的影响,提高车型识别的准确度。
Description
技术领域
本申请涉及车辆识别技术领域,尤其涉及一种车型识别方法、装置、系统和存储介质。
背景技术
目前,车型识别系统越来越多地采用激光雷达替代传统的相机识别方案,当目标车辆进入激光雷达的扫描范围时,通过激光雷达进行扫描获取点云数据,在目标车辆离开激光雷达的扫描范围时,输出目标点云数据,最后基于目标点云数据识别该目标车辆的轮廓信息。
但是,当出现目标车辆为黑色、雨雾雪天气等反射率过低或反射率过盈的情况时,使得对目标车辆是否进入或离开激光雷达的扫描范围的判断有误,从而导致目标车辆的轮廓信息的识别结果异常,影响车型识别效果。
发明内容
有鉴于此,为了解决现有技术的问题,本申请提供了一种车型识别方法、装置、系统和存储介质。
第一方面,本申请提供一种车型识别方法,应用于车型识别系统,所述车型识别系统包括位于同一路侧且间隔预设距离设置的相机和激光雷达,所述方法包括:
根据所述相机采集的当前帧图像和所述预设距离,确定所述当前帧图像中的目标感兴趣区域;
将所述目标感兴趣区域划分为至少两个子感兴趣区域,每一所述子感兴趣区域对应一个权重系数;
根据所述当前帧图像和预设帧图像各自的至少两个子感兴趣区域和各所述子感兴趣区域对应的权重系数,判断待识别车辆相对于所述激光雷达的扫描范围的进出状态,所述预设帧图像为所述相机采集的不包括车辆的图像;
基于所述进出状态和所述激光雷达扫描得到的点云数据,识别所述待识别车辆的轮廓信息。
在可选的实施方式中,所述根据所述相机采集的当前帧图像和所述预设距离,确定所述当前帧图像中的目标感兴趣区域,包括:
根据所述预设距离,计算所述相机提前感知所述待识别车辆即将进入所述激光雷达的扫描范围的基准像素;
根据所述激光雷达在所述当前帧图像中对应的基准线和所述基准像素,确定所述当前帧图像中的目标感兴趣区域。
在可选的实施方式中,根据所述预设距离,计算所述相机提前感知所述待识别车辆即将进入所述激光雷达的扫描范围的基准像素,包括:
根据所述预设距离、所述待识别车辆在识别场景中的预设最高限速以及所述相机的预设延迟帧数,计算得到所述相机提前感知所述待识别车辆即将进入所述激光雷达的扫描范围的基准距离;
将所述基准距离转换到所述当前帧图像中,得到所述相机提前感知所述待识别车辆即将进入所述激光雷达的扫描范围的基准像素。
在可选的实施方式中,所述根据所述预设距离、所述待识别车辆在识别场景中的预设最高限速以及所述相机的预设延迟帧数,计算得到所述相机提前感知所述待识别车辆即将进入所述激光雷达的扫描范围的基准距离,包括:
根据所述预设最高限速和所述相机的预设延迟帧数,计算所述待识别车辆在所述预设延迟帧数对应时间内的行驶距离;
将所述行驶距离与所述预设距离做差值运算,得到所述基准距离。
在可选的实施方式中,所述将所述基准距离转换到所述当前帧图像中,得到所述相机提前感知所述待识别车辆即将进入所述激光雷达的扫描范围的基准像素,包括:
将所述基准距离转换到所述当前帧图像中,确定所述相机的视角宽度和所述基准距离的比值;
根据所述当前帧图像的长度像素和所述比值,得到所述相机提前感知所述待识别车辆即将进入所述激光雷达的扫描范围的基准像素。
在可选的实施方式中,所述根据所述激光雷达在所述当前帧图像中对应的基准线和所述基准像素,确定所述当前帧图像中的目标感兴趣区域,包括:
根据所述激光雷达在所述当前帧图像中对应的基准线和所述基准像素,确定所述当前帧图像中的目标感兴趣区域的起始位置;
基于所述起始位置和预设标定框宽度,确定所述当前帧图像中的目标感兴趣区域。
在可选的实施方式中,所述根据所述激光雷达在所述当前帧图像中对应的基准线和所述基准像素,确定所述当前帧图像中的目标感兴趣区域,包括:
根据所述激光雷达在所述当前帧图像中对应的基准线和所述基准像素,确定所述当前帧图像中的目标感兴趣区域的起始位置;
根据所述当前帧图像的长度像素、所述相机的视角宽度和相邻两个待识别车辆在识别场景中的预设最小间隔,计算区域宽度像素;
根据所述起始位置和所述区域宽度像素,确定所述当前帧图像中的目标感兴趣区域。
在可选的实施方式中,所述方法还包括:若所述待识别车辆与所述激光雷达的扫描范围之间间隔的像素值等于所述基准像素,则触发所述激光雷达开始扫描。
在可选的实施方式中,所述将所述目标感兴趣区域划分为至少两个子感兴趣区域,包括:
所述目标感兴趣区域包括三个子感兴趣区域,三个所述子感兴趣区域沿所述当前帧图像的宽度方向分布,每个所述子感兴趣区域的高度相等,且均等于所述当前帧图像的宽度的1/3。
在可选的实施方式中,所述方法还包括:
三个所述子感兴趣区域分别对应的权重系数与不同类型的待识别车辆的车辆特征在三个所述子感兴趣区域的分布成正比例关系;
位于中间位置的所述子感兴趣区域的权重系数大于相邻两个子感兴趣区域的权重系数。
在可选的实施方式中,所述根据所述当前帧图像和预设帧图像各自的至少两个子感兴趣区域和各所述子感兴趣区域对应的权重系数,判断待识别车辆相对于所述激光雷达的扫描范围的进出状态,包括:
分别计算所述当前帧图像和所述预设帧图像中各个所述子感兴趣区域内的像素梯度变换方向所对应的方向梯度直方图;
从所述方向梯度直方图中获取各个所述子感兴趣区域内同一位置的方向梯度直方图特征,并根据所述方向梯度直方图特征,计算所述当前帧图像和所述预设帧图像之间的欧式距离;
根据所述欧式距离,判断待识别车辆相对于所述激光雷达的扫描范围的进出状态。
在可选的实施方式中,所述根据所述方向梯度直方图特征,计算所述当前帧图像和所述预设帧图像之间的欧式距离,包括:
根据所述方向梯度直方图特征,计算所述当前帧图像和所述预设帧图像之间所对应的各个所述子感兴趣区域的区域距离;
根据所述区域距离和每一所述子感兴趣区域对应的权重系数,计算所述当前帧图像和所述预设帧图像之间的欧式距离。
在可选的实施方式中,所述根据所述欧式距离,判断待识别车辆相对于所述激光雷达的扫描范围的进出状态,包括:
判断所述欧式距离是否大于预设距离阈值;
若是,则确定待识别车辆进入所述激光雷达的扫描范围;
若否,则确定所述待识别车辆未进入所述扫描范围或已退出所述扫描范围。
在可选的实施方式中,所述基于所述进出状态和所述激光雷达扫描得到的点云数据,识别所述待识别车辆的轮廓信息,包括:
根据所述待识别车辆的进出状态,获取所述激光雷达扫描得到的所述待识别车辆在所述扫描范围内的目标点云数据;
根据所述目标点云数据,识别所述待识别车辆的轮廓信息。
第二方面,本申请提供一种车型识别装置,包括:
区域确定模块,用于根据所述相机采集的当前帧图像和所述预设距离,确定所述当前帧图像中的目标感兴趣区域;
区域划分模块,用于将所述目标感兴趣区域划分为至少两个子感兴趣区域,每一所述子感兴趣区域对应一个权重系数;
判断模块,用于根据所述当前帧图像和预设帧图像各自的至少两个子感兴趣区域和各所述子感兴趣区域对应的权重系数,判断待识别车辆相对于所述激光雷达的扫描范围的进出状态,所述预设帧图像为所述相机采集的不包括车辆的图像;
车型识别模块,用于基于所述进出状态和所述激光雷达扫描得到的点云数据,识别所述待识别车辆的轮廓信息。
第三方面,本申请提供一种车型识别系统,包括相机、激光雷达和工控机;
所述相机和所述激光雷达之间间隔预设距离且设置在同一路侧;
所述工控机用于执行如前述的车型识别方法的步骤。
第四方面,本申请提供一种计算机存储介质,其存储有计算机程序,所述计算机程序被执行时,实施前述的车型识别方法。
本申请实施例具有如下有益效果:
本申请实施例提供了一种车型识别方法,包括:根据相机采集的当前帧图像和预设距离,确定当前帧图像中的目标感兴趣区域;将目标感兴趣区域划分为至少两个子感兴趣区域,每一子感兴趣区域对应一个权重系数;根据当前帧图像和预设帧图像各自的至少两个子感兴趣区域和各子感兴趣区域对应的权重系数,判断待识别车辆相对于激光雷达的扫描范围的进出状态,预设帧图像为相机采集的不包括车辆的图像;基于进出状态和激光雷达扫描得到的点云数据,识别待识别车辆的轮廓信息。本申请实施例通过相机判断待识别车辆是否进入雷达的扫描范围,以使得激光雷达及时采集点云数据,当出现待识别车辆为黑色、或是存在雨雾雪天气等反射率过低或反射率过盈的情况时,使得对待识别车辆是否进入或离开激光雷达的扫描范围的进行精准判断,以提高对待识别车辆的轮廓信息的识别结果的可靠性,从而缓解极端天气对激光雷达的影响,提高车型识别的准确度。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对本申请保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本申请实施例中车型识别系统的结构示意图;
图2示出了本申请实施例中车型识别系统应用于识别场景中的结构示意图;
图3示出了本申请实施例中车型识别方法的第一个实施方式示意图;
图4示出了本申请实施例中车型识别方法的第二个实施方式示意图;
图5示出了本申请实施例中车型识别方法的第三个实施方式示意图;
图6示出了本申请实施例中车型识别方法的第四个实施方式示意图;
图7示出了本申请实施例中当前帧图像中目标感兴趣区域的位置示意图;
图8示出了本申请实施例中当前帧图像中三个子感兴趣区域的分解示意图;
图9示出了本申请实施例中车型识别方法的第五个实施方式示意图;
图10示出了本申请实施例中车型识别装置的结构示意图。
主要元件符号说明:10-相机;11-第一相机;12-第二相机;20-激光雷达;30-工控机。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
在下文中,可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本申请的各种实施例中被清楚地限定。
在车型识别系统中,传感器(如相机、激光雷达等)承担着车辆拼接、车辆类型识别、车轴类型识别、车轴轴距识别等任务,但在实际应用场景中,仅仅依靠一种传感器无法自适应的完成所有的场景(正常行驶、堵车、倒车、雨雾雪等极端天气),且通过激光雷达完成车型识别时,在目标车辆为黑色时所造成的反射率不足以及在雨雾雪等极端天气下所导致的反射率过盈(针对雾气)的情况下,会对激光雷达产生影响,从而无法准确且连续地对目标车辆进行点云采集,造成对待识别车辆的轮廓信息的识别结果的错误。
基于此,本实施例提供一种车型识别方法,通过相机与激光雷达相结合的方式来进行车型识别,以避免激光雷达易受极端天气影响时造成车型识别结果错误的情况。
实施例1
本申请实施例提供了一种车型识别方法,该方法应用于车型识别系统,其中,如图1所示,该车型识别系统包括相机10、激光雷达20和工控机30,其中,相机10和激光雷达20之间间隔预设距离且设置于同一路侧,所间隔的预设距离的取值在此不做限定,可根据实际情况进行设置,例如,其预设距离可设置为15cm。相机10用于采集图像以判断待识别车辆是否进入激光雷达20的扫描范围内;激光雷达20用于对待识别车辆的轮廓信息进行点云采集;工控机30用于对相机10所采集的图像和激光雷达20所采集的点云数据进行相应处理,以识别待识别车辆的轮廓信息。
在一实施方式中,该车型识别系统的结构中其相机10的设置数量不做限定。例如,如图2所示,该车型识别系统还可以为包括同一路侧且间隔预设距离设置的两个相机(第一相机11和第二相机12)和激光雷达20,预设距离在此不做限定。通过两个相机和激光雷达20对待识别车辆进行车型识别,以提高车型识别的精度。
示范性地,第一相机11用于采集图像以识别待识别车辆的车牌以及计算待识别车辆当前的实时速度;第二相机12用于采集图像以判断待识别车辆是否进入激光雷达20的扫描范围内;激光雷达20用于对待识别车辆的轮廓信息进行点云采集。该车型识别系统还包括工控机30,该工控机30用于对第一相机11和第二相机12所采集的图像和激光雷达20所采集的点云数据进行相应处理,以识别待识别车辆的轮廓信息。在该实施方式中,在上述图1所示的车型识别系统的基础上,还结合第一相机11所采集的图像进行车型识别,提高车型识别的精度。
在实际应用场景中(本实施例以高速收费路口为例进行说明)设置有一个过磅区域,也即是在待识别车辆在进入高速收费路口时需要先经过该过磅区域。将该过磅区域的起始线作为基准线,激光雷达20对应于基准线来进行安装,相当于激光雷达20的安装位置对着该基准线。而当相机10的安装位置固定时,则在相机10采集图像时,该基准线在图像中的位置也固定。
请参阅图3,本实施例结合上述的车型识别系统,对该车型识别方法进行详细说明。
S100,根据相机10采集的当前帧图像和预设距离,确定当前帧图像中的目标感兴趣区域。
由于相机10具备一定水平方向的广角角度(水平广角),例如具备120度水平广角,而激光雷达20是通过竖直打点的方式采集点云数据,不具备水平方向的广角,因此相机10在拍摄帧图像时相较于激光雷达20能根据所采集的当前帧图像提前感知到待识别车辆是否即将进入激光雷达20的扫描范围。
进一步地,可对相机10所采集的当前帧图像划分目标感兴趣区域(ROI区域),从而根据目标感兴趣区域来判断待识别车辆是否准备进入激光雷达20的扫描范围。具体地,在当前帧图像中等比例缩放实际场景中相机10和激光雷达20之间的间隔距离,以确定当前帧图像中激光雷达20的扫描范围,并结合相机10所具备的水平广角角度,确定相机10所能提前感知到待识别车辆是否即将进入激光雷达20的扫描范围的像素范围,进而确定当前帧图像中的目标感兴趣区域。
在一实施方式中,请参照图4,步骤S100具体包括如下步骤:
S110,根据预设距离,计算相机10提前感知待识别车辆即将进入激光雷达20的扫描范围的基准像素。
根据相机10与激光雷达20相对设置的预设距离和相机10所具备的水平广角,计算相机10能提前感知待识别车辆即将进入激光雷达20的扫描范围的基准像素。
在一实施方式中,请参照图5,步骤S110具体包括如下步骤:
S111,根据预设距离、待识别车辆在识别场景中的预设最高限速以及相机10的预设延迟帧数,计算得到相机10提前感知待识别车辆即将进入激光雷达20的扫描范围的基准距离。
由于相机10本身存在一定帧数的拍摄延迟,且各待识别车辆经过识别场景(应用场景)时其速度并不一定相等,本实施例通过相机10与激光雷达20之间的间隔距离、预设的相机10延迟帧数以及待识别车辆经过识别场景时的最高限速,计算相机10能提前感知待识别车辆即将进入激光雷达20的扫描范围的基准距离。
在一实施方式中,请参照图6,步骤S111具体包括如下步骤:
S1111,根据预设最高限速和相机10的预设延迟帧数,计算待识别车辆在预设延迟帧数对应时间内的行驶距离。
在本实施例中,若识别场景即应用场景为高速收费站,而待识别车辆进入高速收费站的行驶速度一般在5-15km/h之间,因此可预设其最高限速为15km/h,并预设其相机10的延迟帧数为3帧,则将该预设最高限速和预设延迟帧数进行乘积运算,得到待识别车辆在预设延迟帧数对应时间内的行驶距离;也即是,计算待识别车辆以15km/h的速度在3帧时间内所对应的行驶距离。
例如,若相机1s内对应33帧图像帧,则15km/h速度下3帧时间内所行驶的距离为:12.6*3=37.6cm。
S1112,将行驶距离与预设距离做差值运算,得到基准距离。
将待识别车辆在预设延迟帧数对应时间内的行驶距离与该预设距离进行差值运算,得到对应的基准距离。
例如,若设置相机10和激光雷达20之间间隔的预设距离为15cm,则可计算得到基准距离为:37.6cm-15cm=22.6cm。
S112,将基准距离转换到当前帧图像中,得到相机10提前感知待识别车辆即将进入激光雷达20的扫描范围的基准像素。
将基准距离转换到当前帧图像中,也即是将基准距离对应的长度值转换为当前帧图像中的距离像素值,以得到相机10提前感知待识别车辆即将进入激光雷达20的扫描范围的基准像素。
例如,若当前帧图像的尺寸为1280*720时,将基准距离转换到当前帧图像(1280*720)当中,其基准像素为:1280/(600/22.6)=48;其中,600为相机10视角的实际宽度;也即是,基准像素为48个像素大小。
S120,根据激光雷达20在当前帧图像中对应的基准线和基准像素,确定当前帧图像中的目标感兴趣区域。
如图7所示,在当前帧图像中确定基准线的位置,从而根据基准线的位置和基准像素,确定目标感兴趣区域在当前帧图像中的位置。
在一实施方式中,根据激光雷达20在当前帧图像中对应的基准线和基准像素,确定当前帧图像中的目标感兴趣区域的起始位置;基于起始位置和预设标定框宽度,确定当前帧图像中的目标感兴趣区域(ROI区域)。
具体地,在当前帧图像中,以该基准线为起始位置,并向相机10的安装位置方向移动基准像素所对应的距离,以到达目标感兴趣区域的起始位置。目标感兴趣区域在当前帧图像中以一个标定框的形式进行显示,预先设置其目标感兴趣区域对应的标定框的宽度,也即是设定该目标感兴趣区域的宽度大小,从而可根据该起始位置和标定框宽度,即可确定该目标感兴趣区域在当前帧图像中的具体位置和大小。
在一实施方式中,根据激光雷达20在当前帧图像中对应的基准线和基准像素,确定当前帧图像中的目标感兴趣区域的起始位置;根据当前帧图像的长度像素、相机10的视角宽度和相邻两个待识别车辆在识别场景中的预设最小间隔,计算区域宽度像素;根据起始位置和区域宽度像素,确定当前帧图像中的目标感兴趣区域。
具体地,在当前帧图像中,以该基准线为起始位置,并向相机10的安装位置方向移动基准像素所对应的距离,得到目标感兴趣区域的起始位置。
为确保相邻两个待识别车辆在经过识别场景中(高速收费路口)时不会同时出现在选取的目标感兴趣区域内,因此,其目标感兴趣区域的宽度设置大小需要考虑相邻两个待识别车辆之间的前后车距的问题。通过对历史数据进行测试以及观测,确定待识别车辆在进入高速收费路口时,相邻两个待识别车辆之间的间隔距离一般不小于0.5m,将该相邻两个待识别车辆在识别场景中的预设最小间隔所对应的长度值(0.5m,50cm)转换为当前帧图像中的距离像素值,得到最大像素宽度,为1280/(600/50)=106pixel;也即是,该目标感兴趣区域的宽度小于106个像素即可;综合考虑其相机10的视角宽度,优选其目标感兴趣区域的宽度为106*0.8=85pixel,也即是该目标感兴趣区域对应的最佳区域宽度像素为85个像素。其中,本实施例上述的各示例中的各数值有小数位取舍,仅作为举例说明。
进而,可根据该目标感兴趣区域的起始位置和区域宽度像素,确定该目标感兴趣区域在当前图像帧中的具体位置和大小。
需要注意的是,若待识别车辆与激光雷达20的扫描范围之间所间隔的像素值的大小等于基准像素,则触发激光雷达20开始进行扫描,以实时采集待识别车辆的点云数据。进而,可在待识别车辆还未进入激光雷达20的扫描范围时,提前触发激光雷达20开始采集点云数据。另外,由于相机10的视野对激光雷达20的扫描范围进行了限制,此时即使待识别车辆未第一时间进入该扫描范围内,也不会因为产生点云数据而对整体数据产生影响,直到相机10判断待识别车辆已经完全退出相机10所预定的激光雷达20的扫描范围时,触发激光雷达20停止采集点云数据。
S200,将目标感兴趣区域划分为至少两个子感兴趣区域,每一子感兴趣区域对应一个权重系数。
考虑到相机10的拍摄特性以及实际使用场景的限制,例如,实际场景限制如使用场景为高速收费路口时,相机10在采集图像的过程中在确定待识别车辆是否进入激光雷达20的扫描区域时,会受到其他相邻车道的车辆或同一车道上前后其他车辆的影响,进而需要将目标感兴趣区域划分为至少两个子感兴趣区域,以通过子感兴趣区域进一步确定当前帧图像中的待识别车辆是否进入激光雷达20的扫描范围内,以提高判断精度。其中,所划分的子感兴趣区域的数量在此不做限定,可根据实际情况进行多个子感兴趣区域的划分。
进一步地,对目标感兴趣区域按照高度划分形成多个子感兴趣区域,其主要为了丰富相机10所采集的图像的特征,便于确定待识别车辆是否进入激光雷达20的扫描范围内。例如,待识别车辆的有大车(大型车辆)、小车(小型车辆)等,但是车体出现的位置无论是大车还是小车,其主要的车体部分都是处于相机10所采集的图像的中间高度的位置,而大车偏向于该图像的宽度方向的上方,因此若待识别车辆为大车时,当前帧图像在宽度方向的上方子感兴趣区域的特征较为丰富;而小车则是在当前帧图像的下方子感兴趣区域的特征较为突出,也即是,在实际场景中,小型车辆,如私家小车等在相机10所采集的图像中所处的位置偏向于占据该图像的宽度方向的下方,而部分大型车辆,如客车、货车等由于车身过高,其尾部出现的位置却偏向于占据该图像的宽度方向的上方。因而,如图8所示,将目标感兴趣区域在宽度方向上划分为上中下三个子感兴趣区域,通过上、中层子感兴趣区域方便识别部分大型车辆,中、下层子感兴趣区域便于识别正常车型车辆和小型车辆。
进而,优选地,目标感兴趣区域可划分为三个子感兴趣区域,三个子感兴趣区域沿当前帧图像的宽度方向分布,每个子感兴趣区域的高度相等,且均等于当前帧图像的宽度的1/3。从而,通过当前帧图像中宽度方向的上、中、下三个子感兴趣区域来分别自适应不同车型中的部分大车、正常车、小车三种情况的图像判别,并确保同一车道的前后相邻车辆以及不同车道的车辆不会同时出现在所选取的子感兴趣区域内,以准确分析不同车型的待识别车辆是否进入激光雷达20的扫描范围内。
另外,还可以对各个子感兴趣区域设置不同的权重系数,每一子感兴趣区域对应一个权重系数,该权重系数可以反映相机10所采集的图像中各个图像特征的重要程度,以通过该权重系数进一步提高识别待识别车辆是否进入扫描范围的识别精度。在对上、中、下层三个子感兴趣区域设置权重系数时,由于中层子感兴趣区域的特征会占据车辆的主体部分(无论是大型车辆还是小型车辆),故中层子感兴趣区域可设置一较大权重系数,上、下层子感兴趣区域设置一较小权重系数。也即是,三个子感兴趣区域分别对应的权重系数与不同类型的待识别车辆的车辆特征在三个子感兴趣区域的分布成正比例关系;位于中间位置的子感兴趣区域的权重系数大于相邻两个子感兴趣区域的权重系数,具体权重系数值的设置在此不做限定。例如,在实际的场景中,90%以上的车辆都能在应用场景内(如高速收费路口)正常通行,且中层子感兴趣区域可包含较多的车辆特征,因此图像中上、下两层子感兴趣区域的权重系数分别为1/6,而中层子感兴趣区域的权重系数设置为2/3。
S300,根据当前帧图像和预设帧图像各自的至少两个子感兴趣区域和各子感兴趣区域对应的权重系数,判断待识别车辆相对于激光雷达20的扫描范围的进出状态,预设帧图像为相机10采集的不包括车辆的图像。
预先通过相机10采集一张待识别车辆还未进入或已退出了激光雷达20的扫描区域时的帧图像(preFrame),即预先通过相机10采集一张没有车辆的预设帧图像,后续通过该预设帧图像与相机10工作时实时采集的每一帧图像(curFrame)进行对比,判断待识别车辆是否进入了激光雷达20的扫描范围内。
进一步地,根据该预设帧图像和当前帧图像中各自的子感兴趣区域内的图像特征,以对比判断当前待识别车辆是否进入激光雷达20的扫描范围内。
提取预设帧图像和当前帧图像中各自的子感兴趣区域的方向梯度直方图(HOG特征),根据预设帧图像和当前帧图像中各个子感兴趣区域的方向梯度直方图特征及其权重系数,分别计算预设帧图像和当前帧图像的HOG特征描述算子,以判断当前待识别车辆是否进入激光雷达20的扫描范围内。
在一实施方式中,请参照图9,步骤S300具体包括如下步骤:
S310,分别计算当前帧图像和预设帧图像中各个子感兴趣区域内的像素梯度变换方向所对应的方向梯度直方图。
分别计算当前帧图像和预设帧图像中各自的子感兴趣区域中各个像素的像素梯度变换方向,进而分别提取出当前帧图像和预设帧图像中各自的子感兴趣区域的方向梯度直方图;其中,像素梯度变换方向是某像素在二维空间的该像素领域上变化最快的方向;方向梯度直方图是一种描述图像局部纹理的特征。
S320,从方向梯度直方图中获取各个子感兴趣区域内同一位置的方向梯度直方图特征,并根据方向梯度直方图特征,计算当前帧图像和预设帧图像之间的欧式距离。
本实施例通过计算当前帧图像和预设帧图像中各自子感兴趣区域内相对的同一位置处的方向梯度直方图特征之间的欧式距离,来判断待识别车辆是否进入激光雷达20的扫描范围。
首先,分别从当前帧图像和预设帧图像的各个子感兴趣区域内的方向梯度直方图中提取出同一像素位置处的方向梯度直方图特征(特征向量),并该根据方向梯度直方图特征,计算当前帧图像(vecCur)和预设帧图像(vecPre)之间所对应的各个子感兴趣区域的区域距离;而后根据区域距离和每一子感兴趣区域对应的权重系数,计算当前帧图像和预设帧图像之间的欧式距离。
具体地,分别计算当前帧图像和预设帧图像中对应的各个子感兴趣区域之间的区域距离(Euler),其中,三个子感兴趣区域分别为EulerTop,EulerMedian,EulerBottom,并通过各个子感兴趣区域对应的权重系数及其区域距离来计算当前帧图像和预设帧图像之间的欧式距离(frameDis)。具体计算公式如下:
S330,根据欧式距离,判断待识别车辆相对于激光雷达20的扫描范围的进出状态。
根据所计算的两个帧图像之间的欧式距离,判断待识别车辆是否进入激光雷达20的扫描范围。该欧式距离可以反映当前帧图像与预设帧图像之间的相似程度,若当前帧图像与预设帧图像之间的欧式距离大于一个预设的距离阈值,则可以认为当前帧图像与预设帧图像之间具有较高的相似度。
具体地,判断当前帧图像与预设帧图像之间的欧式距离是否大于预设距离阈值;若欧式距离大于预设距离阈值,则确定待识别车辆进入激光雷达20的扫描范围;若欧式距离不大于预设距离阈值,则确定待识别车辆未进入扫描范围或已退出扫描范围。
其中,预设距离阈值在此并不做限定,可根据实际情况进行相应设置。例如,选取能够判断是否进车的两帧之间的最佳欧式距离值(midDis),将midDis作为判断待识别车辆是否进入扫描范围的依据,若待识别车辆进入扫描范围,则该预设距离阈值可以设置为1.8;而当在相机10过曝或欠曝环境下,该预设距离阈值可以设置为1.9。进而在过曝、欠曝、白天、晚上等多种环境影响因素的情况下,需要选择一个可适应所有情况的距离阈值。具体可通过先验知识确定,即通过大数据的方式统计一段时间内(如一个月、半年等)的数据,同时再单独考虑部分极端天气时所统计的数据,从而确定能够兼容多种环境影响因素的最终midDis值或距离阈值区间,根据该最终midDis值或距离阈值区间来判断待识别车辆是否进入激光雷达20的扫描范围,例如该距离阈值区间可以为(2.2,2.3)。
S400,基于进出状态和激光雷达20扫描得到的点云数据,识别待识别车辆的轮廓信息。
根据所判断出的待识别车辆相对于激光雷达20的扫描范围的进出状态,在待识别车辆行驶进入激光雷达20的扫描范围时,激光雷达20实时或定时地对待识别车辆进行扫描,采集包含车辆的点云数据,并对每一采集时刻的点云数据进行综合整理,以得到车辆的点云数据集并对其进行处理,识别轮廓信息。其中,该点云数据集是激光雷达20采集的一组包含三维坐标的点所组成的点集,可以用来表征待识别车辆的外表面形状。
进一步地,根据待识别车辆的进出状态,获取激光雷达20扫描得到的待识别车辆在扫描范围内的目标点云数据;根据目标点云数据,识别待识别车辆的轮廓信息。也即是,根据待识别车辆在激光雷达20的扫描范围内的进出状态,即可确定待识别车辆进入和退出该扫描范围的时间点,从而对应获取该待识别车辆在扫描范围内激光雷达20所采集的目标点云数据,该目标点云数据包括三维坐标,对目标点云数据进行相应处理,如聚类等处理,以识别该待识别车辆的轮廓信息。
本申请实施例通过相机采集当前帧图像,对当前帧图像多个子感兴趣区域,可通过各个子感兴趣区域以精准判断不同车型的待识别车辆是否进入激光雷达的扫描范围内,使得激光雷达及时采集待识别车辆的点云数据;也即是,通过相机以解决在待识别车辆为黑色、或受雨雾等极端天气影响而导致的反射率过低或反射率过盈时,影响车型识别系统中激光雷达进行点云采集的问题,进而提高对待识别车辆的轮廓信息的识别结果的可靠性,提高车型识别的准确度。
实施例2
请参阅图10,本申请实施例提供了一种车型识别装置,该装置包括:
区域确定模块101,用于根据所述相机采集的当前帧图像和所述预设距离,确定所述当前帧图像中的目标感兴趣区域;
区域划分模块102,用于将所述目标感兴趣区域划分为至少两个子感兴趣区域,每一所述子感兴趣区域对应一个权重系数;
判断模块103,用于根据所述当前帧图像和预设帧图像各自的至少两个子感兴趣区域和各所述子感兴趣区域对应的权重系数,判断待识别车辆相对于所述激光雷达的扫描范围的进出状态,所述预设帧图像为所述相机采集的不包括车辆的图像;
车型识别模块104,用于基于所述进出状态和所述激光雷达扫描得到的点云数据,识别所述待识别车辆的轮廓信息。
上述的车型识别装置对应于实施例1的车型识别方法,实施例1中的任何可选项也适用于本实施例,这里不再详述。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有机器可运行指令,计算机可运行指令在被处理器调用和运行时,计算机可运行指令促使处理器运行上述实施例的车型识别方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块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(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本申请各个实施例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,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (17)
1.一种车型识别方法,其特征在于,应用于车型识别系统,所述车型识别系统包括位于同一路侧且间隔预设距离设置的相机和激光雷达,所述方法包括:
根据所述相机采集的当前帧图像和所述预设距离,确定所述当前帧图像中的目标感兴趣区域;
将所述目标感兴趣区域划分为至少两个子感兴趣区域,每一所述子感兴趣区域对应一个权重系数;
根据所述当前帧图像和预设帧图像各自的至少两个子感兴趣区域和各所述子感兴趣区域对应的权重系数,判断待识别车辆相对于所述激光雷达的扫描范围的进出状态,所述预设帧图像为所述相机采集的不包括车辆的图像;
基于所述进出状态和所述激光雷达扫描得到的点云数据,识别所述待识别车辆的轮廓信息。
2.根据权利要求1所述的车型识别方法,其特征在于,所述根据所述相机采集的当前帧图像和所述预设距离,确定所述当前帧图像中的目标感兴趣区域,包括:
根据所述预设距离,计算所述相机提前感知所述待识别车辆即将进入所述激光雷达的扫描范围的基准像素;
根据所述激光雷达在所述当前帧图像中对应的基准线和所述基准像素,确定所述当前帧图像中的目标感兴趣区域。
3.根据权利要求2所述的车型识别方法,其特征在于,根据所述预设距离,计算所述相机提前感知所述待识别车辆即将进入所述激光雷达的扫描范围的基准像素,包括:
根据所述预设距离、所述待识别车辆在识别场景中的预设最高限速以及所述相机的预设延迟帧数,计算得到所述相机提前感知所述待识别车辆即将进入所述激光雷达的扫描范围的基准距离;
将所述基准距离转换到所述当前帧图像中,得到所述相机提前感知所述待识别车辆即将进入所述激光雷达的扫描范围的基准像素。
4.根据权利要求3所述的车型识别方法,其特征在于,所述根据所述预设距离、所述待识别车辆在识别场景中的预设最高限速以及所述相机的预设延迟帧数,计算得到所述相机提前感知所述待识别车辆即将进入所述激光雷达的扫描范围的基准距离,包括:
根据所述预设最高限速和所述相机的预设延迟帧数,计算所述待识别车辆在所述预设延迟帧数对应时间内的行驶距离;
将所述行驶距离与所述预设距离做差值运算,得到所述基准距离。
5.根据权利要求3所述的车型识别方法,其特征在于,所述将所述基准距离转换到所述当前帧图像中,得到所述相机提前感知所述待识别车辆即将进入所述激光雷达的扫描范围的基准像素,包括:
将所述基准距离转换到所述当前帧图像中,确定所述相机的视角宽度和所述基准距离的比值;
根据所述当前帧图像的长度像素和所述比值,得到所述相机提前感知所述待识别车辆即将进入所述激光雷达的扫描范围的基准像素。
6.根据权利要求2所述的车型识别方法,其特征在于,所述根据所述激光雷达在所述当前帧图像中对应的基准线和所述基准像素,确定所述当前帧图像中的目标感兴趣区域,包括:
根据所述激光雷达在所述当前帧图像中对应的基准线和所述基准像素,确定所述当前帧图像中的目标感兴趣区域的起始位置;
基于所述起始位置和预设标定框宽度,确定所述当前帧图像中的目标感兴趣区域。
7.根据权利要求2所述的车型识别方法,其特征在于,所述根据所述激光雷达在所述当前帧图像中对应的基准线和所述基准像素,确定所述当前帧图像中的目标感兴趣区域,包括:
根据所述激光雷达在所述当前帧图像中对应的基准线和所述基准像素,确定所述当前帧图像中的目标感兴趣区域的起始位置;
根据所述当前帧图像的长度像素、所述相机的视角宽度和相邻两个待识别车辆在识别场景中的预设最小间隔,计算区域宽度像素;
根据所述起始位置和所述区域宽度像素,确定所述当前帧图像中的目标感兴趣区域。
8.根据权利要求2-7中任一项所述的车型识别方法,其特征在于,所述方法还包括:若所述待识别车辆与所述激光雷达的扫描范围之间间隔的像素值等于所述基准像素,则触发所述激光雷达开始扫描。
9.根据权利要求1所述的车型识别方法,其特征在于,所述将所述目标感兴趣区域划分为至少两个子感兴趣区域,包括:
所述目标感兴趣区域包括三个子感兴趣区域,三个所述子感兴趣区域沿所述当前帧图像的宽度方向分布,每个所述子感兴趣区域的高度相等,且均等于所述当前帧图像的宽度的1/3。
10.根据权利要求9所述的车型识别方法,其特征在于,所述方法还包括:
三个所述子感兴趣区域分别对应的权重系数与不同类型的待识别车辆的车辆特征在三个所述子感兴趣区域的分布成正比例关系;
位于中间位置的所述子感兴趣区域的权重系数大于相邻两个子感兴趣区域的权重系数。
11.根据权利要求1所述的车型识别方法,其特征在于,所述根据所述当前帧图像和预设帧图像各自的至少两个子感兴趣区域和各所述子感兴趣区域对应的权重系数,判断待识别车辆相对于所述激光雷达的扫描范围的进出状态,包括:
分别计算所述当前帧图像和所述预设帧图像中各个所述子感兴趣区域内的像素梯度变换方向所对应的方向梯度直方图;
从所述方向梯度直方图中获取各个所述子感兴趣区域内同一位置的方向梯度直方图特征,并根据所述方向梯度直方图特征,计算所述当前帧图像和所述预设帧图像之间的欧式距离;
根据所述欧式距离,判断待识别车辆相对于所述激光雷达的扫描范围的进出状态。
12.根据权利要求11所述的车型识别方法,其特征在于,所述根据所述方向梯度直方图特征,计算所述当前帧图像和所述预设帧图像之间的欧式距离,包括:
根据所述方向梯度直方图特征,计算所述当前帧图像和所述预设帧图像之间所对应的各个所述子感兴趣区域的区域距离;
根据所述区域距离和每一所述子感兴趣区域对应的权重系数,计算所述当前帧图像和所述预设帧图像之间的欧式距离。
13.根据权利要求11所述的车型识别方法,其特征在于,所述根据所述欧式距离,判断待识别车辆相对于所述激光雷达的扫描范围的进出状态,包括:
判断所述欧式距离是否大于预设距离阈值;
若是,则确定待识别车辆进入所述激光雷达的扫描范围;
若否,则确定所述待识别车辆未进入所述扫描范围或已退出所述扫描范围。
14.根据权利要求1所述的车型识别方法,其特征在于,所述基于所述进出状态和所述激光雷达扫描得到的点云数据,识别所述待识别车辆的轮廓信息,包括:
根据所述待识别车辆的进出状态,获取所述激光雷达扫描得到的所述待识别车辆在所述扫描范围内的目标点云数据;
根据所述目标点云数据,识别所述待识别车辆的轮廓信息。
15.一种车型识别装置,其特征在于,包括:
区域确定模块,用于根据相机采集的当前帧图像和所述相机与激光雷达之间间隔的预设距离,确定所述当前帧图像中的目标感兴趣区域;
区域划分模块,用于将所述目标感兴趣区域划分为至少两个子感兴趣区域,每一所述子感兴趣区域对应一个权重系数;
判断模块,用于根据所述当前帧图像和预设帧图像各自的至少两个子感兴趣区域和各所述子感兴趣区域对应的权重系数,判断待识别车辆相对于所述激光雷达的扫描范围的进出状态,所述预设帧图像为所述相机采集的不包括车辆的图像;
车型识别模块,用于基于所述进出状态和所述激光雷达扫描得到的点云数据,识别所述待识别车辆的轮廓信息。
16.一种车型识别系统,其特征在于,包括相机、激光雷达和工控机;
所述相机和所述激光雷达之间间隔预设距离且设置在同一路侧;
所述工控机用于执行如权利要求1-14中任一项所述的车型识别方法的步骤。
17.一种计算机存储介质,其特征在于,其存储有计算机程序,所述计算机程序被执行时,实施根据权利要求1-14中任一项所述的车型识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250458.3A CN115331191B (zh) | 2022-10-13 | 2022-10-13 | 车型识别方法、装置、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250458.3A CN115331191B (zh) | 2022-10-13 | 2022-10-13 | 车型识别方法、装置、系统和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115331191A true CN115331191A (zh) | 2022-11-11 |
CN115331191B CN115331191B (zh) | 2022-12-13 |
Family
ID=83913833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211250458.3A Active CN115331191B (zh) | 2022-10-13 | 2022-10-13 | 车型识别方法、装置、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115331191B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116679319A (zh) * | 2023-07-28 | 2023-09-01 | 深圳市镭神智能系统有限公司 | 多传感器联合的隧道预警方法,系统,装置和存储介质 |
CN116755111A (zh) * | 2023-08-24 | 2023-09-15 | 深圳市镭神智能系统有限公司 | 矿车的障碍物的识别方法、装置、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130242284A1 (en) * | 2012-03-15 | 2013-09-19 | GM Global Technology Operations LLC | METHODS AND APPARATUS OF FUSING RADAR/CAMERA OBJECT DATA AND LiDAR SCAN POINTS |
CN106600966A (zh) * | 2016-11-17 | 2017-04-26 | 武汉万集信息技术有限公司 | 一种基于激光雷达的车辆轮轴识别系统及方法 |
KR20190060341A (ko) * | 2017-11-24 | 2019-06-03 | 재단법인대구경북과학기술원 | 레이더 및 카메라 융합 시스템 및 그것을 이용한 타겟 탐지 방법 |
CN113514849A (zh) * | 2020-04-10 | 2021-10-19 | 深圳市镭神智能系统有限公司 | 一种车辆参数检测方法、系统及存储介质 |
CN114252859A (zh) * | 2020-09-24 | 2022-03-29 | 北京万集科技股份有限公司 | 目标区域的确定方法、装置、计算机设备和存储介质 |
EP3982155A2 (en) * | 2020-10-09 | 2022-04-13 | Yandex Self Driving Group Llc | Lidar systems and methods |
-
2022
- 2022-10-13 CN CN202211250458.3A patent/CN115331191B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130242284A1 (en) * | 2012-03-15 | 2013-09-19 | GM Global Technology Operations LLC | METHODS AND APPARATUS OF FUSING RADAR/CAMERA OBJECT DATA AND LiDAR SCAN POINTS |
CN106600966A (zh) * | 2016-11-17 | 2017-04-26 | 武汉万集信息技术有限公司 | 一种基于激光雷达的车辆轮轴识别系统及方法 |
KR20190060341A (ko) * | 2017-11-24 | 2019-06-03 | 재단법인대구경북과학기술원 | 레이더 및 카메라 융합 시스템 및 그것을 이용한 타겟 탐지 방법 |
CN113514849A (zh) * | 2020-04-10 | 2021-10-19 | 深圳市镭神智能系统有限公司 | 一种车辆参数检测方法、系统及存储介质 |
CN114252859A (zh) * | 2020-09-24 | 2022-03-29 | 北京万集科技股份有限公司 | 目标区域的确定方法、装置、计算机设备和存储介质 |
EP3982155A2 (en) * | 2020-10-09 | 2022-04-13 | Yandex Self Driving Group Llc | Lidar systems and methods |
Non-Patent Citations (2)
Title |
---|
吴宪等: "基于毫米波雷达与摄像头融合的目标跟踪研究", 《机电一体化》 * |
蔡泽宇等: "基于二维激光雷达点云的物体轮廓识别", 《应用激光》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116679319A (zh) * | 2023-07-28 | 2023-09-01 | 深圳市镭神智能系统有限公司 | 多传感器联合的隧道预警方法,系统,装置和存储介质 |
CN116679319B (zh) * | 2023-07-28 | 2023-11-10 | 深圳市镭神智能系统有限公司 | 多传感器联合的隧道预警方法,系统,装置和存储介质 |
CN116755111A (zh) * | 2023-08-24 | 2023-09-15 | 深圳市镭神智能系统有限公司 | 矿车的障碍物的识别方法、装置、计算机设备及存储介质 |
CN116755111B (zh) * | 2023-08-24 | 2023-11-03 | 深圳市镭神智能系统有限公司 | 矿车的障碍物的识别方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115331191B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1796043B1 (en) | Object detection | |
CN115331191B (zh) | 车型识别方法、装置、系统和存储介质 | |
CN110487562B (zh) | 一种用于无人驾驶的车道保持能力检测系统及方法 | |
Mithun et al. | Detection and classification of vehicles from video using multiple time-spatial images | |
US10081308B2 (en) | Image-based vehicle detection and distance measuring method and apparatus | |
EP3026651B1 (en) | Vehicle monitoring device and vehicle monitoring method | |
US10699567B2 (en) | Method of controlling a traffic surveillance system | |
CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
EP2928178B1 (en) | On-board control device | |
CN111915883A (zh) | 一种基于车载摄像的道路交通状况检测方法 | |
CN114037924A (zh) | 一种基于图像识别技术的车辆过闸判断方法及相关装置 | |
CN114841910A (zh) | 车载镜头遮挡识别方法及装置 | |
CN112990087A (zh) | 一种车道线检测方法、装置、设备及可读存储介质 | |
CN112927283A (zh) | 测距方法及装置、存储介质及电子设备 | |
Di et al. | Forward Collision Warning system based on vehicle detection and tracking | |
US10614323B2 (en) | Scene analysis method and visual navigation device | |
CN112183206B (zh) | 一种基于路侧单目摄像头的交通参与者定位方法和系统 | |
Barua et al. | An Efficient Method of Lane Detection and Tracking for Highway Safety | |
CN114119955A (zh) | 一种潜在危险目标检测方法及装置 | |
Ho et al. | Localization on freeways using the horizon line signature | |
CN115965636A (zh) | 车辆侧面图的生成方法、装置及终端设备 | |
Dai et al. | A driving assistance system with vision based vehicle detection techniques | |
Tourani et al. | Challenges of video-based vehicle detection and tracking in intelligent transportation systems | |
KR100976142B1 (ko) | 차량검출방법 | |
JP3771729B2 (ja) | 交通流計測システム |
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 |