CN115376106A - 基于雷达图的车型识别方法、装置、设备及介质 - Google Patents
基于雷达图的车型识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115376106A CN115376106A CN202211066189.5A CN202211066189A CN115376106A CN 115376106 A CN115376106 A CN 115376106A CN 202211066189 A CN202211066189 A CN 202211066189A CN 115376106 A CN115376106 A CN 115376106A
- Authority
- CN
- China
- Prior art keywords
- radar image
- radar
- image
- target
- current
- 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 59
- 238000001514 detection method Methods 0.000 claims description 74
- 238000012545 processing Methods 0.000 claims description 40
- 230000000877 morphologic effect Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 13
- 238000009825 accumulation Methods 0.000 claims description 11
- 230000010339 dilation Effects 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000003708 edge detection Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000006698 induction Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- 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
- G06V2201/07—Target detection
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于雷达图的车型识别方法、装置、设备及介质。其中该方法包括:确定包括目标车辆的当前雷达图像;对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像;依据所述目标雷达图像对当前雷达图像中目标车辆进行车型识别。本申请技术方案,通过对当前雷达图像中背景与前景进行分离得到背景去除后的雷达图像,并依据背景去除后的雷达图像对当前雷达图像中目标车辆进行车型识别,实现了更加快速准确地对车型进行识别,提高车辆分类的精度。
Description
技术领域
本发明涉及车型分类识别技术领域,尤其涉及一种基于雷达图的车型识别方法、装置、设备及介质。
背景技术
随着交通行业不断向智能化、数字化、信息化发展,车型分类识别已成为交通管理领域的重要部分,通过车型分类可以实现利用不同车辆类型结果对交通进行疏通与管理。
相关方案中,通常会采用视频图像检测、超声波检测以及感应线圈识别等方式进行车型识别。但是,视频图像检测对图像质量及环境有较高的要求,使得其难以在干扰众多、光线较差如雨雪天气的情况下实现精准的车型检测;感应线圈识别的投入成本较低,稳定性强,受环境影响小,但维护复杂,维护成本较高,且会对地面造成巨大破坏;超声波检测虽然能提取出的车辆轮廓数据可以实现简单的车型分类,但准确率较低,而且设备安装比较复杂。因此,简单准确地实现车型分类识别变得尤为重要。
发明内容
本发明提供了一种基于雷达图的车型识别方法、装置、设备及介质,以实现快速准确地检测出车辆类型。
根据本发明的一方面,提供了一种基于雷达图的车型识别方法,所述方法包括:
确定包括目标车辆的当前雷达图像;
对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像;
依据所述目标雷达图像对当前雷达图像中目标车辆进行车型识别。
根据本发明的另一方面,提供了一种基于雷达图的车型识别装置,其特征在于,所述装置包括:
雷达图像确定模块,用于确定包括目标车辆的当前雷达图像;
雷达图像分离模块,用于对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像;
车型识别模块,用于依据所述目标雷达图像对当前雷达图像中目标车辆进行车型识别。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的基于雷达图的车型识别方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于雷达图的车型识别方法。
根据本发明的另一方面,提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序在被处理器执行时实现本发明任一实施例所述的基于雷达图的车型识别方法。
本发明实施例的技术方案,确定包括目标车辆的当前雷达图像,对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像,依据目标雷达图像对当前雷达图像中目标车辆进行车型识别。本申请技术方案,通过对当前雷达图像中背景与前景进行分离得到背景去除后的雷达图像,并依据背景去除后的雷达图像对当前雷达图像中目标车辆进行车型识别,实现了更加快速准确地对车型进行识别,提高车辆分类的精度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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是根据本发明实施例一提供的一种基于雷达图的车型识别方法的流程图;
图2是根据本发明实施例二提供的另一种基于雷达图的车型识别方法的流程图;
图3是根据本发明实施例三提供的一种基于雷达图的车型识别装置的结构示意图;
图4是实现本发明实施例的一种基于雷达图的车型识别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“当前”、“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种基于雷达图的车型识别方法的流程图,本实施例可适用于对雷达图像进行车型识别的情况,该方法可以由基于雷达图的车型识别装置来执行,该装置可以采用硬件和/或软件的形式实现,该基于雷达图的车型识别装置可配置于任何具有网络通信功能的电子设备中。
如图1所示,该方法包括:
S110、确定包括目标车辆的当前雷达图像。
其中,雷达图像是指雷达发射机向目标物发射无线电波,接收机接收散射回波所形成的图像。把雷达图像分割成若干个小方格,每个小方格可被称为一个像素点,通过对每个像素点的信息进行分析处理,就可以获取各个像素点对应的雷达检测区域中各个检测位置点的信息特征,即可通过表示各个像素点的位置、颜色和亮度等信息,表示出当前雷达图像,以实现获取各个检测位置点的信息,例如各个检测位置点的信号强度。当前雷达图像可以是当前时刻通过雷达扫描雷达检测区域获得的雷达图像。
作为一种可选的但非限定性的实现方式,确定包括目标车辆的当前雷达图像,可包括以下过程:
通过微波雷达在当前对进入雷达检测区域的目标车辆进行扫描,得到当前时刻的当前雷达图像。
其中,所述当前雷达图像中各个像素点取值用于描述雷达在检测位置点扫描时的雷达反射波的信号强度,所述当前雷达图像属于灰度图像。
其中,灰度图像可以是每个像素只有一个采样颜色的图像,通常显示为从最暗黑色到最亮的白色的灰度,灰度图像中的纯白,代表了该色光在此处为最高亮度,亮度级别是255,灰度图像中最暗黑色的亮度级别是0,即灰度图像的灰度值为0-255。
具体的,微波雷达的雷达检测区域配置于高速公路或者低速公路上,则通过毫米波雷达在当前时刻对雷达检测区域进行扫描后,将每个像素点查表填充灰度值,以获取用灰度图像表示的当前雷达图像。其中,灰度值表示各个像素点对应的检测位置点扫描时的雷达反射波的信号强度。
本技术方案,通过微波雷达在当前时刻对雷达检测区域进行扫描,得到当前时刻的当前雷达图像,依据当前雷达图像上的各个像素点的灰度值可以准确反应各个像素点对应的检测位置点的雷达反射波的信号强度,以方便对当前雷达图像的后续处理。
作为一种可选的但非限定性的实现方式,本实施例中目标车辆可以是需要分析获取车型分类的车辆,可选的,目标车辆可以是雷达图像中任意一个或多个车辆,目标车辆的车型包括自行车、摩托车或电瓶车、轿车、面包车、小货车、大卡车以及公交车。
本技术方案,通过微波雷达在当前时刻对雷达检测区域进行扫描,得到当前时刻的当前雷达图像,依据当前雷达图像上的各个像素点的灰度值可以准确反应各个像素点对应的检测位置点的雷达反射波的信号强度,以方便对当前雷达图像的后续处理。
S120、对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
其中,背景可以是雷达图像中对应的雷达检测区域中固有物体的图像,例如雷达检测区域的道路图像可以是背景。前景可以是雷达图像中对应的雷达检测区域中的车辆区域图形,具体可以是行人、自行车、摩托车或电瓶车、轿车、面包车、小货车、大卡车以及公交车等。本申请主要通过将前景和背景进行分离,以获得没有前景的分离后雷达图像,以方便依据分离后图像对通过扫描雷达检测区域获取的雷达图像进行对比分析。
当前雷达图像中包括前景与背景,所述前景可以是车辆区域图形,具体可以是行人、自行车、摩托车或电瓶车、轿车、面包车、小货车、大卡车以及公交车等。
S130、依据所述目标雷达图像对当前雷达图像中目标车辆进行车型识别。
本发明实施例的技术方案,通过对当前雷达图像中背景与前景进行分离得到背景去除后的雷达图像,并依据背景去除后的雷达图像对当前雷达图像中目标车辆进行车型识别,实现了更加快速准确地对车型进行识别,提高车辆分类的精度。
实施例二
图2为本发明实施例二提供的一种基于雷达图的车型识别方法的流程图,本实施例以前述实施例为基础,对前述实施例中“对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像”的过程进行进一步优化。如图2所示,该方法包括:
S210、确定包括目标车辆的当前雷达图像。
S220、确定在当前雷达图像之前采集的预设个数的上一雷达图像。
其中所述上一雷达图像包括在采集当前雷达图像之前的邻近时间内所采集的雷达图像或者对雷达检测区域进行封闭所采集的雷达图像。
其中,预设个数可以是根据实际需求确定的在采集当前雷达图像之前需要通过扫描雷达检测区域获取的雷达图像的个数。上一雷达图像可以是在采集当前雷达图像之前通过微波雷达(比如毫米波雷达)扫描雷达检测区域所获得的所有雷达图像,且上一雷达图像中仅包含背景。或者,对雷达检测区域进行封闭,雷达检测区域不再有其他干扰物,此时可通过毫米波雷达扫描雷达检测区域即可以得到上一雷达图像。
可选地,在雷达检测区域场景无车辆、行人等情况下,连续累计采集雷达检测区域的N帧雷达图像,即累计的N帧上一雷达图像后,求取累加图像的平均图像。其中,累加平均图像在确定后短时间不会再变化,除非雷达检测区域的场景改变,才需要重新再积累一次得到新的累加平均图像,比如隧道里面新安装了某些新的设备(比如栅栏等)。
S230、对预设个数的上一雷达图像进行图像累加平均,得到上一雷达图像对应的累加平均图像。
具体的,利用毫米波雷达扫描雷达检测区域获取第一预设个数的上一雷达图像,且每一个图像可记为F,其有P行Q列,即有P*Q个像素点所构成的灰度图像,矩阵表示如下:
其中,Fi为上一雷达图像中的每个图像的灰度图。
S240、依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
利用微波雷达扫描雷达检测区域获取预设个数的上一雷达图像,且每一个图像可记为F,再对预设个数的上一雷达图像进行图像累加平均,得到上一雷达图像的累加平均图像F,接下来,获取当前时刻通过微波雷达扫描雷达检测区域获取的当前雷达图像,因为当前雷达图像中的目标车辆并未出现在上一雷达图像中,所以上一雷达图像的累加平均图像可以作为雷达图像的背景图,那可以依据上一雷达图像的累加平均图像对当前雷达图像中背景与前景进行分离,以准确获取背景去除后的目标雷达图像。
本技术方案,通过对预设个数的上一雷达图像进行图像累加平均,使得获得的上一雷达图像的累加平均图像更加准确,从而使依据上一雷达图像的累加平均图像对当前雷达图像中背景与前景进行分离,以获得准确的背景去除后的目标雷达图像,有利于后续更加准确地获取目标车辆的车辆尺寸信息与车辆位置信息。
作为一种可选的但非限定性的实现方式,依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像,可包括但不限于以下步骤A1-A2的过程:
步骤A1、将当前雷达图像与上一雷达图像的累加平均图像进行图像差值处理,得到图像差值处理后图像。
步骤A2、通过对图像差值处理后图像进行二值化处理,对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
其中,图像差值处理可以是将两个类似的图像进行求差处理。二值化处理可以是图像上的每一个像素只有两种可能的取值或灰度等级状态,即图像中的任何像素点的灰度值均为0或者255,分别代表黑色和白色,可通过如下公式进行二值化处理:
其中,fij'为雷达图像经过二值化处理后的对应像素点的灰度值,为雷达图像中对应像素点的灰度值,T为预设灰度值,预设灰度值可以是雷达图像中对应像素点的灰度值转化为0或255的临界值,当雷达图像中对应像素点的灰度值大于或等于预设灰度值,对应像素点的灰度值转化为255,反之转化为0。
具体的,当对第一预设个数的上一雷达图像进行图像累加平均获得上一雷达图像的累加平均图像后,获取当前雷达图像,并将当前雷达图像与上一雷达图像的累加平均图像进行图像差值处理,获得图像差值处理后图像FΔ,可表示为:
其中,F为当前雷达图像的灰度图。
接下来对图像差值处理后图像FΔ进行二值化处理,即将FΔ中每个像素点的像素值转化为0或者255,且像素值为0的像素点为背景,像素值为255的像素点为前景,因此可以依据进过二值化处理的图像差值处理后图像,将当前雷达图像中的背景与前景进行分离,从而获得分离后雷达图像。
本技术方案,通过当前雷达图像与上一雷达图像的累加平均图像进行图像差值处理,以获得图像差值处理后图像,再通过对图像差值处理后图像进行二值化处理,对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像,实现了将当前雷达图像的背景和前景准确分离,使背景去除后的目标雷达图像更加准确,可实现更加准确地获取目标车辆的车辆尺寸信息与车辆位置信息。
S250、依据所述目标雷达图像对当前雷达图像中目标车辆进行车型识别。
其中,在对雷达图像进行二值化处理时,前景中的部分灰度值低于预设灰度值的像素点被转化为0,从而导致目标雷达图像中不同前景子区域之间的内部空洞和/或近邻区域空隙,因此,需要对目标雷达图像进行形态学处理从而消除不同前景子区域之间的内部空洞和/或近邻区域空隙。
作为一种可选的但非限定性的实现方式,依据所述目标雷达图像对当前雷达图像中目标车辆进行车型识别,可包括但不限于步骤B1-B2的过程:
步骤B1、对所述目标雷达图像进行形态学处理得到处理后雷达图像;目标雷达图像中目标车辆介于发生前景与背景分离而被分割到不同前景子区域。
步骤B2、将所述处理后雷达图像输入到预设车型识别模型,通过预设车型识别模型确定当前雷达图像中目标车辆进行车型识别。
具体的,获取目标雷达图像,此过程中可能会出现目标车辆区域被分成不同子区域,所以需要对目标雷达图像进行形态学处理得到处理后雷达图像,再对处理后的雷达图像进行高斯平滑处理,以消除因为雷达探测引起的噪声,最后对高斯平滑后的处理后雷达图像进行边缘检测,以准确区分目标雷达图像中的目标车辆的边缘,进而准确得到目标雷达图像的边缘检测图。
本技术方案,通过对目标雷达图像进行形态学处理得到处理后雷达图像,使得处理后雷达图像更能准确表示出目标车辆区域,此外,对处理后的雷达图像进行高斯平滑处理,进一步的消除了因为雷达检测引起的部分小的噪声点,更加增强了图像的准确性,最后对高斯平滑后的处理后雷达图像进行边缘检测得到目标雷达图像的边缘检测图,有利于后续通过边缘检测图获得准确的目标车辆的车辆尺寸信息与车辆位置信息。
作为一种可选的但非限定性的实现方式,对所述目标雷达图像进行形态学处理得到处理后雷达图像,可包括但不限于步骤C1-C2的过程:
步骤C1、对所述目标雷达图像进行形态学膨胀运算得到膨胀后雷达图像;所述形态学膨胀运算用于消除不同前景子区域之间的内部空洞和/或近邻区域空隙。
由于在形成目标雷达图像的过程中,可能会出现目标车辆区域被分成不同子区域,所以为了消除目标车辆区域对应的不同子区域之间的内部空洞和/或近邻区域空隙,需对目标雷达图像进行形态学膨胀运算获得膨胀后雷达图像。由于膨胀之后区域会变大,所以对膨胀后雷达图像形态学腐蚀运算得到腐蚀后雷达图像,可以让区域面积恢复到膨胀之前,这样使得处理后雷达图像能够更加准确的表征目标车辆区域。
步骤C2、对膨胀后雷达图像形态学腐蚀运算得到腐蚀后雷达图像,并作为所述处理后雷达图像。
具体的,在对不同的前景子区域进行形态学膨胀运算时,各个不同的前景子区域将会变大,从而导致进行形态学膨胀运算后的前景子区域大小无法与当前雷达图像大小相对应,所以需要对膨胀运算后的前景子区域进行腐蚀运算,使其区域面积可以恢复到膨胀之前,即与当前目标图像中的区域大小相对应。
作为一种可选的但非限定性的实现方式,所述预设车型识别模型采用预设训练样本基于目标检测网络训练得到。
具体的,对车辆区域图形进行打标,类别包括行人、自行车、摩托车或电瓶车、轿车、面包车、小货车、大卡车以及公交车,得到训练样本。
对训练样本按照预设比例随机划分为训练集和验证集,使用训练集和验证集对预设车型识别模型进行训练,本实施例优选预设车型识别模型为YOLO网络模型,预设比例为4:1。
具体的,YOLO网络模型将输入图像划分为S*S个网格,如果一个目标车辆的中心落在某网格(cell)内,则相应网格负责检测该目标车辆。对于每个目标车辆,输出其分别属于8类物体的概率。验证集为标记好的数据,在训练过程中不参与训练,验证算法通过对比预测目标和标记目标判断预测的正确率,用于评价模型对未知样本的预测能力。
作为一种可选的但非限定性的实现方式,依据所述目标雷达图像对当前雷达图像中目标车辆进行车型识别,可包括但不限于步骤D1-D3的过程:
步骤D1、确定雷达检测区域的雷达位置与检测角度。
步骤D2、依据所述目标雷达图像中各个像素点取值以及雷达检测区域的雷达位置与检测角度,对描述目标车辆的像素点进行轮廓构建。
步骤D3、基于构建的像素点轮廓,确定目标车辆的车型。
具体的,获取目标车辆区域对应的雷达检测区域的雷达位置与检测角度,因为目标雷达图像中不同雷达反射波的信号强度的像素点可以反映出雷达位置与目标车辆的距离,进而通过将检测车辆区域对应的雷达检测区域的雷达位置、检测角度以及目标雷达图像中各个像素点取值通过计算,即可构建出像素点平面轮廓和/或立体轮廓,最终准确获得目标车辆区域对应目标车辆的车辆尺寸信息。
其中,对待检测车辆区域的像素点进行轮廓构建,可以包括对待检测车辆区域的像素点进行平面轮廓构建和/或立体轮廓构建。其中,因为雷达无法对整个车辆进行扫描,只能扫描车辆的局部,因此构建的平面轮廓为一个完整的轮廓,而构建的立体轮廓是一个车辆局部的立体轮廓,而非一个完整的轮廓。
目标雷达图像中不同雷达反射波的信号强度的像素点可以反映出雷达位置与待检测车辆的距离,获取待检测车辆区域对应的雷达检测区域的雷达位置与检测角度后,按照雷达检测角度可以确定雷达朝向每个像素点对应检测位置点的检测角度,按照朝向目标雷达图像中待检测车辆对应的各个像素点的检测角度与目标雷达图像中待检测车辆对应的各个像素点到雷达的相对距离(待检测车辆对应的各个像素点到雷达的相对距离可以根据各个像素点的灰度值进行估计,各个像素点灰度取值用于描述雷达在检测位置点扫描时的雷达反射波的信号强度,信号强度与相对距离呈反比),可以解析出待检测车辆对应的各个像素点之间相对位置。同时,按照雷达位置可以确定雷达检测区域的路面起伏状况,结合路面起伏状况与可以构建待检测车辆在雷达检测区域的立体轮廓。
本技术方案,通过目标雷达图像中各个像素点取值以及雷达检测区域的雷达位置与检测角度,准确构建了目标车辆区域的像素点的平面轮廓和/或立体轮廓,再基于构建的像素点平面轮廓和/立体轮廓,进而可以根据平面轮廓和/或立体轮廓实现车型识别。
本发明实施例的技术方案,通过确定雷达检测区域的当前雷达图像,并对当前雷达图像进行前景和背景的分离,准确获得去除背景的目标雷达图像,再对目标雷达图像进行形态学膨胀运算、消除前景对应的不同子区域之间的内部空洞和/或近邻区域空隙,使得图像可以更加准确的表征目标车辆区域;对膨胀后雷达图像形态学腐蚀运算得到腐蚀后雷达图像,作为处理后雷达图像,将处理后雷达图像输入到预设车型识别模型,使得处理后的图像与当前雷达图像大小一致,通过预设车型识别模型确定当前雷达图像中目标车辆进行车型识别,实现了更加快速准确地对车型进行识别,提高车辆分类的精度。
实施例三
图3为本发明实施例三提供的一种基于雷达图的车型识别装置的结构示意图。如图3所示,该装置包括:
雷达图像确定模块310,用于确定包括目标车辆的当前雷达图像;
雷达图像分离模块320,用于对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像;
车型识别模块330,用于依据所述目标雷达图像对当前雷达图像中目标车辆进行车型识别。
可选的,雷达图像确定模块310,具体用于:
通过微波雷达在当前对进入雷达检测区域的目标车辆进行扫描,得到当前时刻的当前雷达图像;
其中,所述当前雷达图像中各个像素点取值用于描述雷达在检测位置点扫描时的雷达反射波的信号强度,所述当前雷达图像属于灰度图像。
在上述实施例的基础上,可选的,雷达图像分离模块320包括:
图像确定单元,用于:确定在当前雷达图像之前采集的预设个数的上一雷达图像;
其中,所述上一雷达图像包括在采集当前雷达图像之前的邻近时间内所采集的雷达图像或者对雷达检测区域进行封闭所采集的雷达图像;
图像累加平均单元,用于:对预设个数的上一雷达图像进行图像累加平均,得到上一雷达图像对应的累加平均图像;
背景去除单元,用于:依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像;
在上述实施例的基础上,可选的,背景去除单元具体用于:将当前雷达图像与上一雷达图像的累加平均图像进行图像差值处理,得到图像差值处理后图像;
通过对图像差值处理后图像进行二值化处理,对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
在上述实施例的基础上,可选的,车型识别模块330,具体用于:
对所述目标雷达图像进行形态学处理得到处理后雷达图像;所述目标雷达图像中目标车辆介于发生前景与背景分离而被分割到不同前景子区域;
将所述处理后雷达图像输入到预设车型识别模型,通过预设车型识别模型确定当前雷达图像中目标车辆进行车型识别;
所述预设车型识别模型采用预设训练样本基于目标检测网络训练得到;
在上述实施例的基础上,可选的,车型识别模块330,还用于:
对所述目标雷达图像进行形态学膨胀运算得到膨胀后雷达图像;所述形态学膨胀运算用于消除不同前景子区域之间的内部空洞和/或近邻区域空隙;
对膨胀后雷达图像形态学腐蚀运算得到腐蚀后雷达图像,并作为所述处理后雷达图像;
在上述实施例的基础上,可选的,车型识别模块330,还用于:
确定雷达检测区域的雷达位置与检测角度;
依据所述目标雷达图像中各个像素点取值以及雷达检测区域的雷达位置与检测角度,对描述目标车辆的像素点进行轮廓构建;
基于构建的像素点轮廓,确定目标车辆的车型。
本发明实施例中所提供的基于雷达图的车型识别装置可执行上述本发明任意实施例中所提供的基于雷达图的车型识别方法,具备执行该基于雷达图的车型识别方法相应的功能和有益效果,详细过程参见前述实施例中基于雷达图的车型识别方法的相关操作。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如基于雷达图的车型识别方法。
在一些实施例中,基于雷达图的车型识别方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的基于雷达图的车型识别方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于雷达图的车型识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (11)
1.一种基于雷达图的车型识别方法,其特征在于,所述方法包括:
确定包括目标车辆的当前雷达图像;
对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像;
依据所述目标雷达图像对当前雷达图像中目标车辆进行车型识别。
2.根据权利要求1所述的方法,其特征在于,确定包括目标车辆的当前雷达图像,包括:
通过微波雷达在当前对进入雷达检测区域的目标车辆进行扫描,得到当前时刻的当前雷达图像;
其中,所述当前雷达图像中各个像素点取值用于描述雷达在检测位置点扫描时的雷达反射波的信号强度,所述当前雷达图像属于灰度图像。
3.根据权利要求1所述的方法,其特征在于,对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像,包括:
确定在当前雷达图像之前采集的预设个数的上一雷达图像;
其中,所述上一雷达图像包括在采集当前雷达图像之前的邻近时间内所采集的雷达图像或者对雷达检测区域进行封闭所采集的雷达图像;
对预设个数的上一雷达图像进行图像累加平均,得到上一雷达图像对应的累加平均图像;
依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
4.根据权利要求3所述的方法,其特征在于,依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像,包括:
将当前雷达图像与上一雷达图像的累加平均图像进行图像差值处理,得到图像差值处理后图像;
通过对图像差值处理后图像进行二值化处理,对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
5.根据权利要求1所述的方法,其特征在于,依据所述目标雷达图像对当前雷达图像中目标车辆进行车型识别,包括:
对所述目标雷达图像进行形态学处理得到处理后雷达图像;所述目标雷达图像中目标车辆介于发生前景与背景分离而被分割到不同前景子区域;
将所述处理后雷达图像输入到预设车型识别模型,通过预设车型识别模型确定当前雷达图像中目标车辆进行车型识别。
6.根据权利要求5所述的方法,其特征在于,对所述目标雷达图像进行形态学处理得到处理后雷达图像,包括:
对所述目标雷达图像进行形态学膨胀运算得到膨胀后雷达图像;所述形态学膨胀运算用于消除不同前景子区域之间的内部空洞和/或近邻区域空隙;
对膨胀后雷达图像形态学腐蚀运算得到腐蚀后雷达图像,并作为所述处理后雷达图像。
7.根据权利要求5所述的方法,其特征在于,所述预设车型识别模型采用预设训练样本基于目标检测网络训练得到。
8.根据权利要求1所述的方法,其特征在于,依据所述目标雷达图像对当前雷达图像中目标车辆进行车型识别,包括:
确定雷达检测区域的雷达位置与检测角度;
依据所述目标雷达图像中各个像素点取值以及雷达检测区域的雷达位置与检测角度,对描述目标车辆的像素点进行轮廓构建;
基于构建的像素点轮廓,确定目标车辆的车型。
9.一种基于雷达图的车型识别装置,其特征在于,所述装置包括:
雷达图像确定模块,用于确定包括目标车辆的当前雷达图像;
雷达图像分离模块,用于对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像;
车型识别模块,用于依据所述目标雷达图像对当前雷达图像中目标车辆进行车型识别。
10.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的基于雷达图的车型识别方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于雷达图的车型识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211066189.5A CN115376106A (zh) | 2022-08-31 | 2022-08-31 | 基于雷达图的车型识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211066189.5A CN115376106A (zh) | 2022-08-31 | 2022-08-31 | 基于雷达图的车型识别方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115376106A true CN115376106A (zh) | 2022-11-22 |
Family
ID=84069041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211066189.5A Pending CN115376106A (zh) | 2022-08-31 | 2022-08-31 | 基于雷达图的车型识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115376106A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314538A (zh) * | 2023-11-27 | 2023-12-29 | 长威信息科技发展股份有限公司 | 一种高速公路救援服务车辆的服务计费方法和系统 |
-
2022
- 2022-08-31 CN CN202211066189.5A patent/CN115376106A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314538A (zh) * | 2023-11-27 | 2023-12-29 | 长威信息科技发展股份有限公司 | 一种高速公路救援服务车辆的服务计费方法和系统 |
CN117314538B (zh) * | 2023-11-27 | 2024-05-10 | 长威信息科技发展股份有限公司 | 一种高速公路救援服务车辆的服务计费方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
CN111881832A (zh) | 车道目标检测方法、装置、设备及计算机可读存储介质 | |
CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
CN108268866B (zh) | 一种车辆检测方法和系统 | |
CN117036457A (zh) | 一种屋顶面积的测量方法、装置、设备及存储介质 | |
CN115436900A (zh) | 基于雷达图的目标检测方法、装置、设备和介质 | |
CN116681932A (zh) | 一种对象识别方法、装置、电子设备及存储介质 | |
CN115526837A (zh) | 一种异常行车检测方法、装置、电子设备以及介质 | |
Lashkov et al. | Edge-computing-facilitated nighttime vehicle detection investigations with CLAHE-enhanced images | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
CN113139488B (zh) | 训练分割神经网络的方法及装置 | |
CN115995075A (zh) | 一种车辆自适应导航方法、装置、电子设备及存储介质 | |
CN115546764A (zh) | 一种障碍物检测方法、装置、设备及存储介质 | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 | |
CN115330841A (zh) | 基于雷达图的抛洒物检测方法、装置、设备和介质 | |
CN115424441B (zh) | 基于微波雷达的道路弯道优化方法、装置、设备及介质 | |
CN115440057B (zh) | 基于雷达图的弯道车辆检测方法、装置、设备及介质 | |
CN115424442A (zh) | 基于雷达图的车辆行驶事件检测方法、装置、设备和介质 | |
CN115359030A (zh) | 基于雷达图的地面异物检测方法、装置、设备和介质 | |
CN112183554B (zh) | 一种自动化道路边界轮廓提取方法 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN114565889B (zh) | 车辆压线状态的确定方法、装置、电子设备和介质 |
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 |