CN115641729B - 一种高速行驶车辆信息抽取方法及系统 - Google Patents
一种高速行驶车辆信息抽取方法及系统 Download PDFInfo
- Publication number
- CN115641729B CN115641729B CN202211563072.8A CN202211563072A CN115641729B CN 115641729 B CN115641729 B CN 115641729B CN 202211563072 A CN202211563072 A CN 202211563072A CN 115641729 B CN115641729 B CN 115641729B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- speed
- radar
- camera
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 42
- 238000001914 filtration Methods 0.000 claims abstract description 37
- 230000009467 reduction Effects 0.000 claims abstract description 31
- 238000001228 spectrum Methods 0.000 claims abstract description 27
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 230000001483 mobilizing effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000010365 information processing Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及车辆信息提取的技术领域,公开了一种高速行驶车辆信息抽取方法及系统,所述方法包括:采集雷达回波信号并对回波信号进行滤波降噪处理;对滤波降噪处理后的回波信号进行多维FFT变换处理,提取车辆的速度信息、与雷达的相对距离以及相对角度信息;根据高速行驶车辆目标与雷达的相对距离以及相对角度调动摄像头,摄像头拍摄得到高速行驶车辆目标图像;构建高速行驶车辆识别模型,将摄像头拍摄到的高速行驶车辆目标图像输入到模型中,模型输出高速行驶车辆目标的车牌信息以及车型信息。本发明所述方法基于频域谱提取车辆行驶信息,从而实现自适应调节摄像头角度,拍摄得到更为清晰的高速行驶车辆图像,提取车辆车牌以及车型信息。
Description
技术领域
本发明涉及车辆信息提取的技术领域,尤其涉及一种高速行驶车辆信息抽取方法及系统。
背景技术
随着我国基础设施建设的快速推进,高速公路的建设由平原不断向山地延伸,桥梁隧道比例逐渐增加,然而这些环境地理条件复杂、空间封闭狭窄、纵贯距离长、对信号的屏蔽效应严重,传统的全视频交通监测方法由于传输数据量大无法在该类地区开展实施,尤其是在对高速行驶的车辆进行监控过程中,容易造成视频失帧,无法达到视频监控的目的,为了较好地适应这些环境,弥补交通监控的不足,本发明提出一种高速行驶车辆信息抽取方法及系统,融合短波检测精度高、数据处理量小和恶劣气候适应能力强等优点,实现精准高效高速行驶车辆信息抽取监控。
发明内容
有鉴于此,本发明提供一种高速行驶车辆信息抽取方法,目的在于1)由于发射信号接触到行驶车辆会产生回波信号,基于雷达发射信号与回波信号之间的关系,确定频域谱与行驶车辆速度、相对距离以及相对角度的关系,基于时序维度频域谱中峰值点即表示行驶车辆相对距离信息确定行驶车辆与雷达的相对距离,基于频谱位置维度频域谱中峰值点表示行驶车辆速度信息从而提取行驶车辆的速度,并结合两个维度的频域谱提取行驶车辆与雷达的相对角度信息,根据车辆与雷达的相对距离以及相对角度调动摄像头,使得摄像头通过自适应调节角度,拍摄得到更为清晰的高速行驶车辆目标图像;2)利用高速行驶车辆识别模型识别得到高速行驶车辆目标图像中车辆的车牌信息以及车型信息,将所述高速行驶车辆目标的车牌信息、车型信息以及速度信息作为高速行驶车辆信息抽取结果,实现高速行驶车辆的信息抽取。
实现上述目的,本发明提供的一种高速行驶车辆信息抽取方法,包括以下步骤:
S1:道路旁的雷达向周围发出脉冲信号,脉冲信号遇到行驶车辆产生回波信号,采集回波信号并对回波信号进行滤波降噪处理;
S2:对滤波降噪处理后的回波信号进行多维FFT变换处理,提取车辆的速度信息、与雷达的相对距离以及相对角度信息;
S3:判断车辆速度信息是否超过预设阈值,若超过则将该车辆标记为高速行驶车辆目标,根据目标与雷达的相对距离以及相对角度调动摄像头,摄像头拍摄得到高速行驶车辆目标图像,所述摄像头与雷达的位置重合;
S4:构建高速行驶车辆识别模型,所述模型以车辆图像为输入,以车辆信息识别结果为输出,所述车辆信息识别结果包括车牌信息以及车型信息;
S5:对构建的高速行驶车辆识别模型进行优化求解,并将摄像头拍摄到的高速行驶车辆目标图像输入到优化后的模型中,模型输出高速行驶车辆目标的车牌信息以及车型信息,将所述高速行驶车辆目标的车牌信息、车型信息以及速度信息作为高速行驶车辆信息抽取结果。
作为本发明的进一步改进方法:
可选地,所述S1步骤中道路旁的雷达向周围发出脉冲信号,并采集回波信号,包括:
在道路旁布置雷达装置以及摄像头,所述摄像头与雷达的位置相邻,所述雷达具有两个接收天线可以接收回波信号;
雷达装置向周围发出电磁波,所发出电磁波为脉冲信号,所述电磁波的信号格式为:
其中:
A表示电磁波信号的初始振幅;
表示电磁波信号的初始频率;
j表示虚数单位,;
表示雷达装置在t时刻所发出的电磁波信号;
表示电磁波信号的初始相位;
表示调频斜率,表示调频带宽,表示电磁波信号的周期长度;
当脉冲信号遇到行驶车辆会产生回波信号,雷达装置采集回波信号,所述回波信号的信号格式为,其中,表示雷达装置发射电磁波的初始时刻,表示雷达装置所发射电磁波的截止时刻。
可选地,所述S1步骤中对所采集的回波信号进行滤波降噪处理,包括:
雷达装置对采集的回波信号进行滤波降噪处理,所述回波信号的滤波降噪处理流程为:
S11:利用高通滤波器过滤信号频率低于截止频率的回波信号,得到滤波处理后的回波信号,所述截止频率的计算公式为:
其中:
R表示高通滤波器中电阻的电阻值;
C表示高通滤波器中电容器的电容;
S12:固定尺度因子,利用小波函数对回波信号进行小波变换处理,所述小波变换处理公式为:
其中:
表示尺度下的小波系数;
S13:改变尺度因子,重复步骤S12,得到回波信号在不同尺度下的小波系数,直到;
S14:确定小波阈值为,删除小于小波阈值的小波系数,保留大于小波阈值的小波系数,所保留的小波系数为,将小波系数重构为回波信号:
其中:
表示滤波降噪处理后的回波信号。
可选地,所述S2步骤中对滤波降噪处理后的回波信号进行多维FFT变换处理,并提取脉冲信号检测车辆的车辆信息,包括:
所述滤波降噪处理后回波信号的格式为:
其中:
A表示所发射电磁波信号的初始振幅;
表示电磁波传输的衰减因子;
表示回波信号频率,,d表示脉冲信号所检测到车辆与雷达的距离,c表示光速;
表示回波信号的调频斜率,,其中v表示脉冲信号所检测到车辆的车速;
表示回波信号的相位;
对滤波降噪处理后的回波信号进行多维FFT变换处理,所述多维FFT变换处理流程为:
S21:对回波信号进行FFT处理:
其中:
j表示虚数单位;
表示回波信号在r点的傅里叶频谱,将r设置为64;
S22:提取中的峰值,所述峰值位置即为检测到道路中行驶车辆的位置,根据峰值位置对应的频率,利用下式计算得到车辆距离雷达的距离:
其中:
表示傅里叶频谱中第个峰值所对应的频率,即检测到的第个车辆,表示第个车辆距离雷达的距离;
S23:间隔时长,雷达装置向道路发射相同的电磁波信号,并采集对应的回波信号,构成回波信号矩阵:
对回波信号矩阵的每一列进行点数为r的FFT处理,得到回波信号在速度维度的傅里叶频谱,并提取中的峰值,所述中的峰值与中的峰值位置相同但频率不同,所述中峰值所对应的频率即为中所对应峰值的调频斜率,所述检测到的第个峰值在中所对应的频率为,则所述第个车辆的车速为:
S24:所述检测到的第个车辆与雷达的相对角度为:
其中:
表示在时刻,检测到的第个车辆与雷达的相对角度;
表示在时刻,检测到的第个车辆与雷达的距离;
表示的傅里叶频谱中与中第个峰值位置相同的峰值的频率;
表示电磁波波长,表示雷达两个天线所接收同一回波信号的相位差。
可选地,所述S3步骤中判断车辆速度信息是否超过预设阈值,若超过则将该车辆标记为高速行驶车辆目标,根据目标与雷达的相对距离以及相对角度调动摄像头,包括:
判断计算得到的车辆速度信息是否超过预设阈值,若超过则将该车辆标记为高速行驶车辆目标,则所述高速行驶车辆目标为,高速行驶车辆目标在时刻距离雷达的距离为,与雷达的相对角度为,车速为
所述雷达朝向方向与道路平行,摄像头初始朝向与道路平行,则所述第个车辆与雷达的相对角度即表示第个车辆与摄像头的水平偏向角;
根据高速行驶车辆目标与雷达的相对距离以及相对角度调动摄像头,调动摄像头后,所述摄像头与竖直方向的夹角为:
其中:
表示摄像头到地面道路的距离;
若在范围内,则摄像头的朝向为左方,所述摄像头与道路方向的夹角为,若在范围内,则摄像头朝向为右方,与道路方向夹角为;
利用摄像头拍摄高速行驶车辆目标的车辆图像M。
可选地,所述S4步骤中构建高速行驶车辆识别模型,包括:
构建高速行驶车辆识别模型,其中所述高速行驶车辆识别模型以车辆图像为输入,以车辆信息识别结果为输出,所述车辆信息识别结果包括车牌信息以及车型信息;
所述高速行驶车辆识别模型包括输入层、车牌定位层、识别层以及输出层;
所述输入层用于接收车辆图像并对车辆图像进行卷积处理,得到特征图,所述卷积处理的卷积核大小为像素;所述车牌定位层用于在特征图中生成定位目标框,所述定位目标框的框定区域即为车辆车牌,所述识别层采用边缘检测算法检测得到车辆边缘结构以及车牌文本,在本发明具体实施例中,所选取边缘检测算法为Canny边缘检测算法;
所述高速行驶车辆识别模型的识别流程为:
S41:将车辆图像输入到输入层,输入层对车辆图像进行卷积处理,得到车辆图像的特征图,将特征图输入到车牌定位层;
S42:车牌定位层在特征图中生成定位目标框,并将带有定位目标框的特征图输入到识别层;
S43:识别层利用边缘检测算法得到特征图中车辆的边缘结构以及定位目标框中车牌文本信息,将车辆边缘结构以及车牌文本信息输入到输出层;
S44:输出层利用softmax函数计算车辆边缘结构的所属车型,以及车牌文本信息。
可选地,所述S5步骤中对构建的高速行驶车辆识别模型进行优化求解,并将摄像头拍摄到的高速行驶车辆目标图像输入到优化后的模型中,模型输出高速行驶车辆目标的车牌信息以及车型信息,包括:
对构建的高速行驶车辆识别模型进行优化求解,所述模型优化求解的目标函数为:
其中:
data表示训练数据集,包括训练车辆图像以及真实车辆车型信息,所述车型包括大型客车、牵引车、城市公交车、中型客车、大型货车、小型汽车、小型自动挡汽车、低速载货汽车以及三轮汽车,并用数字进行编码表示;
W表示模型参数;
表示训练数据集中样本q的真实车辆车型,表示将样本q输入到基于参数W的高速行驶车辆识别模型中,得到的车型编码结果;
基于目标函数,利用Adam优化器对模型参数进行优化迭代,并基于优化得到的模型参数构建优化后的高速行驶车辆识别模型;
将摄像头拍摄到的高速行驶车辆目标图像输入到优化后的模型中,模型输出高速行驶车辆目标的车牌信息以及车型信息,将所述高速行驶车辆目标的车牌信息、车型信息以及速度信息作为高速行驶车辆信息抽取结果。
为了解决上述问题,本发明提供一种高速行驶车辆信息抽取系统,所述系统包括:
雷达装置,用于向周围发出脉冲信号,脉冲信号遇到行驶车辆产生回波信号,采集回波信号并对回波信号进行滤波降噪处理;
信息处理模块,用于滤波降噪处理后的回波信号进行多维FFT变换处理,提取车辆的速度信息、与雷达的相对距离以及相对角度信息,判断车辆速度信息是否超过预设阈值,若超过则将该车辆标记为高速行驶车辆目标,根据目标与雷达的相对距离以及相对角度调动摄像头,摄像头拍摄得到高速行驶车辆目标图像;
信息提取模块,用于构建高速行驶车辆识别模型,并将摄像头拍摄到的高速行驶车辆目标图像输入到优化后的模型中,模型输出高速行驶车辆目标的车牌信息以及车型信息,将所述高速行驶车辆目标的车牌信息、车型信息以及速度信息作为高速行驶车辆信息抽取结果。
相对于现有技术,本发明提出一种高速行驶车辆信息抽取方法,该技术具有以下优势:
首先,本方案提出一种高速行驶车辆行驶信息提取方法,通过对滤波降噪处理后的回波信号进行多维FFT变换处理,所述多维FFT变换处理流程为:对回波信号进行FFT处理:
其中:
j表示虚数单位;
表示回波信号在r点的傅里叶频谱,将r设置为64;
S22:提取中的峰值,所述峰值位置即为检测到道路中行驶车辆的位置,根据峰值位置对应的频率,利用下式计算得到车辆距离雷达的距离:
其中:
表示傅里叶频谱中第个峰值所对应的频率,即检测到的第个车辆,表示第个车辆距离雷达的距离;
S23:间隔时长,雷达装置向道路发射相同的电磁波信号,并采集对应的回波信号,构成回波信号矩阵:
对回波信号矩阵的每一列进行点数为r的FFT处理,得到回波信号在速度维度的傅里叶频谱,并提取中的峰值,所述中的峰值与中的峰值位置相同但频率不同,所述中峰值所对应的频率即为中所对应峰值的调频斜率,所述检测到的第个峰值在中所对应的频率为,则所述第个车辆的车速为:
所述检测到的第个车辆与雷达的相对角度为:
其中:表示在时刻,检测到的第个车辆与雷达的相对角度;表示在时刻,检测到的第个车辆与雷达的距离;表示的傅里叶频谱中与中第个峰值位置相同的峰值的频率;表示电磁波波长,表示雷达两个天线所接收同一回波信号的相位差。由于发射信号接触到行驶车辆会产生回波信号,本方案基于雷达发射信号与回波信号之间的关系,确定频域谱与行驶车辆速度、相对距离以及相对角度的关系,基于时序维度频域谱中峰值点即表示行驶车辆相对距离信息确定行驶车辆与雷达的相对距离,基于频谱位置维度频域谱中峰值点表示行驶车辆速度信息从而提取行驶车辆的速度,并结合两个维度的频域谱提取行驶车辆与雷达的相对角度信息,实现高速行驶车辆行驶信息提取。
同时,本方案提出一种车牌、车型信息提取方法,根据高速行驶车辆目标与雷达的相对距离以及相对角度调动摄像头,调动摄像头后,所述摄像头与竖直方向的夹角为:
其中:表示摄像头到地面道路的距离;若在范围内,则摄像头的朝向为左方,所述摄像头与道路方向的夹角为,若在范围内,则摄像头朝向为右方,与道路方向夹角为;利用摄像头拍摄高速行驶车辆目标的车辆图像M。构建高速行驶车辆识别模型,其中所述高速行驶车辆识别模型以车辆图像为输入,以车辆信息识别结果为输出,所述车辆信息识别结果包括车牌信息以及车型信息;将摄像头拍摄到的高速行驶车辆目标图像输入到模型中,模型输出高速行驶车辆目标的车牌信息以及车型信息,将所述高速行驶车辆目标的车牌信息、车型信息以及速度信息作为高速行驶车辆信息抽取结果。本方案根据车辆与雷达的相对距离以及相对角度调动摄像头,使得摄像头通过自适应调节角度,拍摄得到更为清晰的高速行驶车辆目标图像,并利用高速行驶车辆识别模型识别得到高速行驶车辆目标图像中车辆的车牌信息以及车型信息,将所述高速行驶车辆目标的车牌信息、车型信息以及速度信息作为高速行驶车辆信息抽取结果,实现高速行驶车辆的信息抽取。
附图说明
图1为本发明一实施例提供的一种高速行驶车辆信息抽取方法的流程示意图;
图2为本发明一实施例提供的高速行驶车辆信息抽取系统的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种高速行驶车辆信息抽取方法。所述高速行驶车辆信息抽取方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述高速行驶车辆信息抽取方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1:
S1:道路旁的雷达向周围发出脉冲信号,脉冲信号遇到行驶车辆产生回波信号,采集回波信号并对回波信号进行滤波降噪处理。
所述S1步骤中道路旁的雷达向周围发出脉冲信号,并采集回波信号,包括:
在道路旁布置雷达装置以及摄像头,所述摄像头与雷达的位置相邻,所述雷达具有两个接收天线可以接收回波信号;
雷达装置向周围发出电磁波,所发出电磁波为脉冲信号,所述电磁波的信号格式为:
其中:
A表示电磁波信号的初始振幅;
表示电磁波信号的初始频率;
j表示虚数单位,;
表示雷达装置在t时刻所发出的电磁波信号;
表示电磁波信号的初始相位;
表示调频斜率,表示调频带宽,表示电磁波信号的周期长度;
当脉冲信号遇到行驶车辆会产生回波信号,雷达装置采集回波信号,所述回波信号的信号格式为,其中,表示雷达装置发射电磁波的初始时刻,表示雷达装置所发射电磁波的截止时刻。
所述S1步骤中对所采集的回波信号进行滤波降噪处理,包括:
雷达装置对采集的回波信号进行滤波降噪处理,所述回波信号的滤波降噪处理流程为:
S11:利用高通滤波器过滤信号频率低于截止频率的回波信号,得到滤波处理后的回波信号,所述截止频率的计算公式为:
其中:
R表示高通滤波器中电阻的电阻值;
C表示高通滤波器中电容器的电容;
S12:固定尺度因子,利用小波函数对回波信号进行小波变换处理,所述小波变换处理公式为:
其中:
表示尺度下的小波系数;
S13:改变尺度因子,重复步骤S12,得到回波信号在不同尺度下的小波系数,直到;
S14:确定小波阈值为,删除小于小波阈值的小波系数,保留大于小波阈值的小波系数,所保留的小波系数为,将小波系数重构为回波信号:
其中:
表示滤波降噪处理后的回波信号。
S2:对滤波降噪处理后的回波信号进行多维FFT变换处理,提取车辆的速度信息、与雷达的相对距离以及相对角度信息。
所述S2步骤中对滤波降噪处理后的回波信号进行多维FFT变换处理,并提取脉冲信号检测车辆的车辆信息,包括:
所述滤波降噪处理后回波信号的格式为:
其中:A表示所发射电磁波信号的初始振幅;表示电磁波传输的衰减因子;表示回波信号频率,,d表示脉冲信号所检测到车辆与雷达的距离,c表示光速;表示回波信号的调频斜率,,其中v表示脉冲信号所检测到车辆的车速;表示回波信号的相位;
对滤波降噪处理后的回波信号进行多维FFT变换处理,所述多维FFT变换处理流程为:
S21:对回波信号进行FFT处理:
其中:j表示虚数单位;表示回波信号在r点的傅里叶频谱,将r设置为64;
S22:提取中的峰值,所述峰值位置即为检测到道路中行驶车辆的位置,根据峰值位置对应的频率,利用下式计算得到车辆距离雷达的距离:
其中:
表示傅里叶频谱中第个峰值所对应的频率,即检测到的第个车辆,表示第个车辆距离雷达的距离;
S23:间隔时长,雷达装置向道路发射相同的电磁波信号,并采集对应的回波信号,构成回波信号矩阵:
对回波信号矩阵的每一列进行点数为r的FFT处理,得到回波信号在速度维度的傅里叶频谱,并提取中的峰值,所述中的峰值与中的峰值位置相同但频率不同,所述中峰值所对应的频率即为中所对应峰值的调频斜率,所述检测到的第个峰值在中所对应的频率为,则所述第个车辆的车速为:
S24:所述检测到的第个车辆与雷达的相对角度为:
其中:
表示在时刻,检测到的第个车辆与雷达的相对角度;
表示在时刻,检测到的第个车辆与雷达的距离;
表示的傅里叶频谱中与中第个峰值位置相同的峰值的频率;
表示电磁波波长,表示雷达两个天线所接收同一回波信号的相位差。
S3:判断车辆速度信息是否超过预设阈值,若超过则将该车辆标记为高速行驶车辆目标,根据目标与雷达的相对距离以及相对角度调动摄像头,摄像头拍摄得到高速行驶车辆目标图像,所述摄像头与雷达的位置重合。
所述S3步骤中判断车辆速度信息是否超过预设阈值,若超过则将该车辆标记为高速行驶车辆目标,根据目标与雷达的相对距离以及相对角度调动摄像头,包括:
判断计算得到的车辆速度信息是否超过预设阈值,若超过则将该车辆标记为高速行驶车辆目标,则所述高速行驶车辆目标为,高速行驶车辆目标在时刻距离雷达的距离为,与雷达的相对角度为,车速为
所述雷达朝向方向与道路平行,摄像头初始朝向与道路平行,则所述第个车辆与雷达的相对角度即表示第个车辆与摄像头的水平偏向角;
根据高速行驶车辆目标与雷达的相对距离以及相对角度调动摄像头,调动摄像头后,所述摄像头与竖直方向的夹角为:
其中:
表示摄像头到地面道路的距离;
若在范围内,则摄像头的朝向为左方,所述摄像头与道路方向的夹角为,若在范围内,则摄像头朝向为右方,与道路方向夹角为;
利用摄像头拍摄高速行驶车辆目标的车辆图像M。
S4:构建高速行驶车辆识别模型,所述模型以车辆图像为输入,以车辆信息识别结果为输出,所述车辆信息识别结果包括车牌信息以及车型信息。
所述S4步骤中构建高速行驶车辆识别模型,包括:
构建高速行驶车辆识别模型,其中所述高速行驶车辆识别模型以车辆图像为输入,以车辆信息识别结果为输出,所述车辆信息识别结果包括车牌信息以及车型信息;
所述高速行驶车辆识别模型包括输入层、车牌定位层、识别层以及输出层;
所述输入层用于接收车辆图像并对车辆图像进行卷积处理,得到特征图,所述卷积处理的卷积核大小为像素;所述车牌定位层用于在特征图中生成定位目标框,所述定位目标框的框定区域即为车辆车牌,所述识别层采用边缘检测算法检测得到车辆边缘结构以及车牌文本,在本发明具体实施例中,所选取边缘检测算法为Canny边缘检测算法;
所述高速行驶车辆识别模型的识别流程为:
S41:将车辆图像输入到输入层,输入层对车辆图像进行卷积处理,得到车辆图像的特征图,将特征图输入到车牌定位层;
S42:车牌定位层在特征图中生成定位目标框,并将带有定位目标框的特征图输入到识别层;
S43:识别层利用边缘检测算法得到特征图中车辆的边缘结构以及定位目标框中车牌文本信息,将车辆边缘结构以及车牌文本信息输入到输出层;
S44:输出层利用softmax函数计算车辆边缘结构的所属车型,以及车牌文本信息。
S5:对构建的高速行驶车辆识别模型进行优化求解,并将摄像头拍摄到的高速行驶车辆目标图像输入到优化后的模型中,模型输出高速行驶车辆目标的车牌信息以及车型信息,将所述高速行驶车辆目标的车牌信息、车型信息以及速度信息作为高速行驶车辆信息抽取结果。
所述S5步骤中对构建的高速行驶车辆识别模型进行优化求解,并将摄像头拍摄到的高速行驶车辆目标图像输入到优化后的模型中,模型输出高速行驶车辆目标的车牌信息以及车型信息,包括:
对构建的高速行驶车辆识别模型进行优化求解,所述模型优化求解的目标函数为:
其中:
data表示训练数据集,包括训练车辆图像以及真实车辆车型信息,所述车型包括大型客车、牵引车、城市公交车、中型客车、大型货车、小型汽车、小型自动挡汽车、低速载货汽车以及三轮汽车,并用数字进行编码表示;
W表示模型参数;
表示训练数据集中样本q的真实车辆车型,表示将样本q输入到基于参数W的高速行驶车辆识别模型中,得到的车型编码结果;
基于目标函数,利用Adam优化器对模型参数进行优化迭代,并基于优化得到的模型参数构建优化后的高速行驶车辆识别模型;
将摄像头拍摄到的高速行驶车辆目标图像输入到优化后的模型中,模型输出高速行驶车辆目标的车牌信息以及车型信息,将所述高速行驶车辆目标的车牌信息、车型信息以及速度信息作为高速行驶车辆信息抽取结果。
实施例2:
如图2所示,是本发明一实施例提供的高速行驶车辆信息抽取系统的功能模块图,其可以实现实施例1中的高速行驶车辆信息抽取方法。
本发明所述高速行驶车辆信息抽取系统100可以安装于电子设备中。根据实现的功能,所述高速行驶车辆信息抽取系统可以包括雷达装置101、信息处理模块102及信息提取模块103。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
雷达装置101,用于向周围发出脉冲信号,脉冲信号遇到行驶车辆产生回波信号,采集回波信号并对回波信号进行滤波降噪处理;
信息处理模块102,用于滤波降噪处理后的回波信号进行多维FFT变换处理,提取车辆的速度信息、与雷达的相对距离以及相对角度信息,判断车辆速度信息是否超过预设阈值,若超过则将该车辆标记为高速行驶车辆目标,根据目标与雷达的相对距离以及相对角度调动摄像头,摄像头拍摄得到高速行驶车辆目标图像;
信息提取模块103,用于构建高速行驶车辆识别模型,并将摄像头拍摄到的高速行驶车辆目标图像输入到优化后的模型中,模型输出高速行驶车辆目标的车牌信息以及车型信息,将所述高速行驶车辆目标的车牌信息、车型信息以及速度信息作为高速行驶车辆信息抽取结果。
详细地,本发明实施例中所述高速行驶车辆信息抽取系统100中的所述各模块在使用时采用与上述的图1中所述的高速行驶车辆信息抽取方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明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,均同理包括在本发明的专利保护范围内。
Claims (2)
1.一种高速行驶车辆信息抽取方法,其特征在于,所述方法包括:
S1:道路旁的雷达向周围发出脉冲信号,脉冲信号遇到行驶车辆产生回波信号,采集回波信号并对回波信号进行滤波降噪处理;
S2:对滤波降噪处理后的回波信号进行多维FFT变换处理,提取车辆的速度信息、与雷达的相对距离以及相对角度信息,包括:
所述滤波降噪处理后回波信号的格式为:
;
其中:
A表示所发射电磁波信号的初始振幅;
表示电磁波传输的衰减因子;
表示回波信号频率,,d表示脉冲信号所检测到车辆与雷达的距离,c表示光速;
表示回波信号的调频斜率,,其中v表示脉冲信号所检测到车辆的车速;
表示回波信号的相位;表示调频斜率;
对滤波降噪处理后的回波信号进行多维FFT变换处理,所述多维FFT变换处理流程为:
S21:对回波信号进行FFT处理:
;
其中:
j表示虚数单位;
表示回波信号在r点的傅里叶频谱,将r设置为64;
S22:提取中的峰值,所述峰值位置即为检测到道路中行驶车辆的位置,根据峰值位置对应的频率,利用下式计算得到车辆距离雷达的距离:
;
其中:
表示傅里叶频谱中第个峰值所对应的频率,即检测到的第个车辆,表示第个车辆距离雷达的距离;
S23:间隔时长,雷达装置向道路发射相同的电磁波信号,并采集对应的回波信号,构成回波信号矩阵:
;
对回波信号矩阵的每一列进行点数为r的FFT处理,得到回波信号在速度维度的傅里叶频谱,并提取中的峰值,所述中的峰值与中的峰值位置相同但频率不同,所述中峰值所对应的频率即为中所对应峰值的调频斜率,所述检测到的第个峰值在中所对应的频率为,则所述第个车辆的车速为:
;
S24:所述检测到的第个车辆与雷达的相对角度为:
;
;
其中:
表示在时刻,检测到的第个车辆与雷达的相对角度;
表示在时刻,检测到的第个车辆与雷达的距离;
表示的傅里叶频谱中与中第个峰值位置相同的峰值的频率;
表示电磁波波长,表示雷达两个天线所接收同一回波信号的相位差;
S3:判断车辆速度信息是否超过预设阈值,若超过则将该车辆标记为高速行驶车辆目标,根据目标与雷达的相对距离以及相对角度调动摄像头,摄像头拍摄得到高速行驶车辆目标图像,所述摄像头与雷达的位置相邻;
所述判断车辆速度信息是否超过预设阈值,若超过则将该车辆标记为高速行驶车辆目标,根据目标与雷达的相对距离以及相对角度调动摄像头,包括:
判断计算得到的车辆速度信息是否超过预设阈值,若超过则将该车辆标记为高速行驶车辆目标,则所述高速行驶车辆目标为,高速行驶车辆目标在时刻距离雷达的距离为,与雷达的相对角度为,车速为;
所述雷达朝向方向与道路平行,摄像头初始朝向与道路平行,则所述第个车辆与雷达的相对角度即表示第个车辆与摄像头的水平偏向角;
根据高速行驶车辆目标与雷达的相对距离以及相对角度调动摄像头,调动摄像头后,所述摄像头与竖直方向的夹角为:
;
其中:
表示摄像头到地面道路的距离;
若在范围内,则摄像头的朝向为左方,所述摄像头与道路方向的夹角为,若在范围内,则摄像头朝向为右方,与道路方向夹角为;
利用摄像头拍摄高速行驶车辆目标的车辆图像M;
S4:构建高速行驶车辆识别模型,所述模型以车辆图像为输入,以车辆信息识别结果为输出,所述车辆信息识别结果包括车牌信息以及车型信息;
S5:对构建的高速行驶车辆识别模型进行优化求解,并将摄像头拍摄到的高速行驶车辆目标图像输入到优化后的模型中,模型输出高速行驶车辆目标的车牌信息以及车型信息,将所述高速行驶车辆目标的车牌信息、车型信息以及速度信息作为高速行驶车辆信息抽取结果;
所述 S1 步骤中道路旁的雷达向周围发出脉冲信号,并采集回波信号,包括:
雷达装置向周围发出电磁波,所发出电磁波为脉冲信号,所述电磁波的信号格式为:
;
;
其中:
A表示电磁波信号的初始振幅;
表示电磁波信号的初始频率;
j表示虚数单位,;
表示雷达装置在t时刻所发出的电磁波信号;
表示电磁波信号的初始相位;
表示调频斜率,表示调频带宽,表示电磁波信号的周期长度;
当脉冲信号遇到行驶车辆会产生回波信号,雷达装置采集回波信号,所述回波信号的信号格式为,其中,表示雷达装置发射电磁波的初始时刻,表示雷达装置所发射电磁波的截止时刻;
所述S1步骤中对所采集的回波信号进行滤波降噪处理,包括:
雷达装置对采集的回波信号进行滤波降噪处理,所述回波信号的滤波降噪处理流程为:
S11:利用高通滤波器过滤信号频率低于截止频率的回波信号,得到滤波处理后的回波信号,所述截止频率的计算公式为:
;
其中:
R表示高通滤波器中电阻的电阻值;
C表示高通滤波器中电容器的电容;
S12:固定尺度因子,利用小波函数对回波信号进行小波变换处理,所述小波变换处理公式为:
;
其中:
表示尺度下的小波系数;
S13:改变尺度因子,重复步骤S12,得到回波信号在不同尺度下的小波系数,直到;
S14:确定小波阈值为,删除小于小波阈值的小波系数,保留大于小波阈值的小波系数,所保留的小波系数为,将小波系数重构为回波信号:
;
其中:
表示滤波降噪处理后的回波信号;
所述S4步骤中构建高速行驶车辆识别模型,包括:
构建高速行驶车辆识别模型,其中所述高速行驶车辆识别模型以车辆图像为输入,以车辆信息识别结果为输出,所述车辆信息识别结果包括车牌信息以及车型信息;
所述高速行驶车辆识别模型包括输入层、车牌定位层、识别层以及输出层;
所述输入层用于接收车辆图像并对车辆图像进行卷积处理,得到特征图,所述卷积处理的卷积核大小为像素;所述车牌定位层用于在特征图中生成定位目标框,所述定位目标框的框定区域即为车辆车牌,所述识别层采用边缘检测算法检测得到车辆边缘结构以及车牌文本;
所述高速行驶车辆识别模型的识别流程为:
S41:将车辆图像输入到输入层,输入层对车辆图像进行卷积处理,得到车辆图像的特征图,将特征图输入到车牌定位层;
S42:车牌定位层在特征图中生成定位目标框,并将带有定位目标框的特征图输入到识别层;
S43:识别层利用边缘检测算法得到特征图中车辆的边缘结构以及定位目标框中车牌文本信息,将车辆边缘结构以及车牌文本信息输入到输出层;
S44:输出层利用softmax函数计算车辆边缘结构的所属车型,以及车牌文本信息;
所述S5步骤中对构建的高速行驶车辆识别模型进行优化求解,并将摄像头拍摄到的高速行驶车辆目标图像输入到优化后的模型中,模型输出高速行驶车辆目标的车牌信息以及车型信息,包括:
对构建的高速行驶车辆识别模型进行优化求解,所述模型优化求解的目标函数为:
;
其中:
data表示训练数据集,包括训练车辆图像以及真实车辆车型信息,所述车型包括大型客车、牵引车、城市公交车、中型客车、大型货车、小型汽车、小型自动挡汽车、低速载货汽车以及三轮汽车,并用数字进行编码表示;
W表示模型参数;
表示训练数据集中样本q的真实车辆车型,表示将样本q输入到基于参数W的高速行驶车辆识别模型中,得到的车型编码结果;
基于目标函数,利用Adam优化器对模型参数进行优化迭代,并基于优化得到的模型参数构建优化后的高速行驶车辆识别模型;
将摄像头拍摄到的高速行驶车辆目标图像输入到优化后的模型中,模型输出高速行驶车辆目标的车牌信息以及车型信息,将所述高速行驶车辆目标的车牌信息、车型信息以及速度信息作为高速行驶车辆信息抽取结果。
2.一种高速行驶车辆信息抽取系统,其特征在于,所述系统包括:
雷达装置,用于向周围发出脉冲信号,脉冲信号遇到行驶车辆产生回波信号,采集回波信号并对回波信号进行滤波降噪处理;
信息处理模块,用于滤波降噪处理后的回波信号进行多维FFT变换处理,提取车辆的速度信息、与雷达的相对距离以及相对角度信息,判断车辆速度信息是否超过预设阈值,若超过则将该车辆标记为高速行驶车辆目标,根据目标与雷达的相对距离以及相对角度调动摄像头,摄像头拍摄得到高速行驶车辆目标图像;
信息提取模块,用于构建高速行驶车辆识别模型,并将摄像头拍摄到的高速行驶车辆目标图像输入到优化后的模型中,模型输出高速行驶车辆目标的车牌信息以及车型信息,将所述高速行驶车辆目标的车牌信息、车型信息以及速度信息作为高速行驶车辆信息抽取结果,以实现如权利要求1任意所述的一种高速行驶车辆信息抽取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211563072.8A CN115641729B (zh) | 2022-12-07 | 2022-12-07 | 一种高速行驶车辆信息抽取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211563072.8A CN115641729B (zh) | 2022-12-07 | 2022-12-07 | 一种高速行驶车辆信息抽取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115641729A CN115641729A (zh) | 2023-01-24 |
CN115641729B true CN115641729B (zh) | 2023-09-22 |
Family
ID=84948154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211563072.8A Active CN115641729B (zh) | 2022-12-07 | 2022-12-07 | 一种高速行驶车辆信息抽取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641729B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203754A (zh) * | 2017-05-26 | 2017-09-26 | 北京邮电大学 | 一种基于深度学习的车牌定位方法及装置 |
CN107729818A (zh) * | 2017-09-21 | 2018-02-23 | 北京航空航天大学 | 一种基于深度学习的多特征融合车辆重识别方法 |
KR101881458B1 (ko) * | 2017-03-09 | 2018-07-25 | 건아정보기술 주식회사 | 동적객체에 대한 인식영역 추출시스템 |
CN109085570A (zh) * | 2018-06-10 | 2018-12-25 | 南京理工大学 | 基于数据融合的车辆检测跟踪算法 |
CN110598801A (zh) * | 2019-09-24 | 2019-12-20 | 东北大学 | 一种基于卷积神经网络的车型识别方法 |
CN111435421A (zh) * | 2019-01-11 | 2020-07-21 | 北京邮电大学 | 一种面向交通目标的车辆重识别方法和装置 |
CN112863190A (zh) * | 2020-12-30 | 2021-05-28 | 北京北大千方科技有限公司 | 一种危险品运输车辆信息采集设备及采集方法 |
CN113627213A (zh) * | 2020-05-06 | 2021-11-09 | 浙江宇视科技有限公司 | 车辆异常行为监控方法、装置及系统 |
WO2022203006A1 (ja) * | 2021-03-25 | 2022-09-29 | 三菱電機株式会社 | レーダ装置 |
-
2022
- 2022-12-07 CN CN202211563072.8A patent/CN115641729B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101881458B1 (ko) * | 2017-03-09 | 2018-07-25 | 건아정보기술 주식회사 | 동적객체에 대한 인식영역 추출시스템 |
CN107203754A (zh) * | 2017-05-26 | 2017-09-26 | 北京邮电大学 | 一种基于深度学习的车牌定位方法及装置 |
CN107729818A (zh) * | 2017-09-21 | 2018-02-23 | 北京航空航天大学 | 一种基于深度学习的多特征融合车辆重识别方法 |
CN109085570A (zh) * | 2018-06-10 | 2018-12-25 | 南京理工大学 | 基于数据融合的车辆检测跟踪算法 |
CN111435421A (zh) * | 2019-01-11 | 2020-07-21 | 北京邮电大学 | 一种面向交通目标的车辆重识别方法和装置 |
CN110598801A (zh) * | 2019-09-24 | 2019-12-20 | 东北大学 | 一种基于卷积神经网络的车型识别方法 |
CN113627213A (zh) * | 2020-05-06 | 2021-11-09 | 浙江宇视科技有限公司 | 车辆异常行为监控方法、装置及系统 |
CN112863190A (zh) * | 2020-12-30 | 2021-05-28 | 北京北大千方科技有限公司 | 一种危险品运输车辆信息采集设备及采集方法 |
WO2022203006A1 (ja) * | 2021-03-25 | 2022-09-29 | 三菱電機株式会社 | レーダ装置 |
Non-Patent Citations (4)
Title |
---|
姜囡,东北大学出版社.《语音信号识别技术与实践》.东北大学出版社,2020,第34-35页. * |
杜小平 等,国防科技大学出版社,.《调频连续波激光探测技术》.2015,第196-198页. * |
王一丁 等,西安电子科技大学出版社.《工业图像处理》.西安电子科技大学出版社,2018,第69-70页. * |
田宁.基于深度卷积神经网络的细粒度车型识别方法研究.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2022,(第4期),正文第18,25,24-35页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115641729A (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103176185B (zh) | 用于检测道路障碍物的方法及系统 | |
Kang et al. | Pothole detection system using 2D LiDAR and camera | |
CN102509291B (zh) | 基于无线网络视频传感器的公路路面病害检测及识别方法 | |
Hung et al. | A real-time mobile vehicle license plate detection and recognition | |
JP5047290B2 (ja) | 駐車スペースの寸法を推定する装置と方法、同装置を備えた自動車 | |
CN104361343A (zh) | 车辆类型识别方法及其装置 | |
CN102324021A (zh) | 一种基于剪切波变换的红外弱小目标检测方法 | |
CN110689727A (zh) | 基于正四面体麦克风阵列的车辆鸣笛抓拍装置及方法 | |
CN112329623A (zh) | 雾天能见度检测与能见度安全等级划分预警方法 | |
CN114677446A (zh) | 基于路侧多传感器融合的车辆检测方法、装置及介质 | |
CN101059529A (zh) | 一种视频测量车流平均速率的方法 | |
WO2021207096A1 (en) | Traffic monitoring using distributed fiber optic sensing | |
CN106803262A (zh) | 利用双目视觉自主解算汽车速度的方法 | |
CN109657593B (zh) | 一种路侧信息融合方法及系统 | |
CN111368797A (zh) | 一种基于路端单目摄像头的目标实时测距方法 | |
Kumar et al. | Vehicle speed detection using corner detection | |
Jin et al. | Practical speed measurement for an intelligent vehicle based on double radon transform in urban traffic scenarios | |
CN107330891B (zh) | 一种有效的图像质量评价系统 | |
CN115641729B (zh) | 一种高速行驶车辆信息抽取方法及系统 | |
Hannan et al. | Automatic vehicle classification using fast neural network and classical neural network for traffic monitoring. | |
Kondapalli et al. | Real-time rain severity detection for autonomous driving applications | |
CN108615242B (zh) | 一种高速护栏跟踪方法 | |
CN112699825A (zh) | 一种车道线识别方法及其装置 | |
CN114217284B (zh) | 一种基于特征的雷达运动目标检测和干扰抑制方法及系统 | |
Yu et al. | Adaptive vehicle extraction in real-time traffic video monitoring based on the fusion of multi-objective particle swarm optimization algorithm |
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 |