CN115668297A - 用于车辆长度估计的方法和设备 - Google Patents
用于车辆长度估计的方法和设备 Download PDFInfo
- Publication number
- CN115668297A CN115668297A CN202080101050.2A CN202080101050A CN115668297A CN 115668297 A CN115668297 A CN 115668297A CN 202080101050 A CN202080101050 A CN 202080101050A CN 115668297 A CN115668297 A CN 115668297A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- length
- point
- curve function
- image
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
提出了一种用于车辆长度估计的方法、设备、系统和计算机可读介质。一种方法包含:从监控路边的摄像头(40)获取(S101)图像(30);经由对象识别获得(S102)车辆的边界框;使用曲线函数d=f(x,y)估计(S103)所述车辆的长度,其中d是所述路边处的从特定点到参考点的实际距离,x和y是所述图像(30)上的所述特定点的像素坐标;基于沿着所述路边的包含所述参考点在内的至少两个预设校准点预先计算所述曲线函数。
Description
技术领域
本发明涉及图像感知技术,尤其涉及一种用于车辆长度估计的方法、设备和计算机可读存储介质。
背景技术
智能交通系统(ITS)的图像感知技术是一个重要的研究方向,通过所述技术,可以计算车辆的长度、速度等,用于驾驶或停放车辆的调节。
图像感知技术通常基于摄像头捕捉的图像。对于城市来说,大多数监控摄像头是球型摄像头(如图1中所示),因为它们可以提供大范围的视野。然而,球型摄像头也会导致图像中的严重失真。例如,如图2中所示,图像中的直线似乎是弯曲的。在这种情况下,很难从图像计算准确距离。
为了计算图像中的距离,校准是一个必要的步骤。对于传统方法来说,在图像上校准梯形,然后在现实世界中测量梯形的每条边。以这种方式,可以粗略地计算距离,如图3中所示。通常应用这种方法来粗略地估计车辆的速度。然而,这种方法是假设图像中没有失真,只能提供一个粗略的估计。如果图像中存在明显的失真,这种方法将会产生严重的误差。
发明内容
在本公开中,提出了基于曲线拟合的高效解决方案以计算具有严重失真的图像的车辆长度。
本公开的实施例包含用于对象识别的方法、设备以及用于车辆长度估计的方法、设备。
根据本公开的第一方面,提出了一种用于车辆长度估计的方法。所述方法包含以下步骤:
-从监控路边的摄像头获取图像;
-经由对象识别获得车辆的边界框;
-使用曲线函数d=f(x,y)估计车辆的长度,其中d是路边处的从特定点到参考点的实际距离,x和y是图像上的特定点的像素坐标;基于沿着路边的包含参考点在内的至少两个预设校准点预先计算曲线函数。
根据本公开的第二方面,提出了一种用于车辆长度估计的设备。所述设备包含:
-图像获取模块,其被配置成从监控路边的摄像头获取图像;
-车辆检测模块,其被配置成经由对象识别获得车辆的边界框;
-估计模块,其被配置成使用曲线函数d=f(x,y)估计车辆的长度,其中d是路边处的从特定点到参考点的实际距离,x和y是图像上的特定点的像素坐标;基于沿着路边的包含参考点在内的至少两个预设校准点预先计算曲线函数。
根据本公开的第三方面,提出了一种用于车辆长度估计的设备。所述设备包含至少一个处理器;耦合到所述至少一个处理器的至少一个存储器,其被配置成执行根据第一方面的方法。
根据本公开的第四方面,提出了一种用于车辆长度估计的计算机可读介质。计算机可读介质存储计算机可执行指令,其中计算机可执行指令在被执行时使至少一个处理器执行根据第一方面的方法。
利用本公开中提供的解决方案,可以经由预设校准点以及回归算法来实现更好的精度。所提出的新的校准方案可以在具有严重失真的球型摄像头中很好地工作,并且车辆长度估计方案可以在俯视图和侧视图的情况下都很好地工作,这可以减少俯视图中的由车辆高度引起的误差。
任选地,摄像头的视图是俯视图,并且当使用曲线函数d=f(x,y)估计车辆的长度时,可以使用曲线函数d=f(y)和h=H(d)估计车辆的长度,其中h是图像中的车辆的像素长度。
任选地,当使用曲线函数d=f(y)和h=H(d)估计车辆的长度时,首先,可以基于曲线函数h=H(d)计算车辆的终点;然后,可以根据车辆的终点和起点之间的距离计算车辆的长度。
任选地,摄像头的视图是侧视图,并且当使用曲线函数d=f(x,y)估计车辆的长度时,可以使用曲线函数d=f(x)估计车辆的长度。
任选地,当使用曲线函数d=f(x)估计车辆的长度时,可以基于外线的曲线函数d=f(x)计算车辆的起点,其中外线平行于路边并穿过车辆的起点;并且可以基于内线的曲线函数d=f(x)计算车辆的终点,其中内线平行于路边并穿过车辆的终点;然后,可以根据车辆的终点和起点之间的距离计算车辆的长度。
考虑到俯视图和侧视图的特性,曲线函数d=f(x,y)对于侧视图情况可以简化为d=f(x),并且对于俯视图情况可以简化为d=f(y),这可以降低算法复杂度并同时获得相对准确的拟合结果。
附图说明
通过参考以下结合附图进行的对本技术的实施例的描述,本技术的上述属性和其它特征及优点以及其实现方式将变得更显而易见,且本技术本身将得到更好理解,在附图中:
图1描绘了球型摄像头。
图2描述了球型摄像头中的严重失真。
图3描述了梯形校准。
图4描绘了根据本公开的一个实施例的用于车辆长度估计的设备的框图。
图5描绘了根据本公开的一个实施例部署的校准方法。
图6描绘了根据本公开的一个实施例的曲线回归。
图7描绘了根据本公开的一个实施例的俯视图的车辆长度估计。
图8描绘了根据本公开的一个实施例的侧视图的车辆长度估计。
图9描绘了根据本公开的一个实施例的用于车辆长度估计的方法的流程图。
图10描绘了根据本公开的一个实施例的示例性程序。
图11描绘了根据本公开的一个实施例的车辆长度估计结果。
附图标记:
10,用于车辆长度估计的设备
101,至少一个存储器
102,至少一个处理器
103,通信模块
20,车辆长度估计程序
201,图像获取模块
202,车辆检测模块
203,估计模块
30,由摄像头40捕捉的图像
40,监控路边的摄像头
50,执行校准过程的服务器
60,针对俯视图情况的曲线函数d=f(y)和h=H(d)的系数
61,针对侧视图情况的曲线函数d=f(x)的系数
100,用于车辆长度估计的方法
S101~S103,方法100的步骤
具体实施方式
在下文中,详细描述本技术的上述特征和其它特征。参考图式描述各个实施例,其中相似的附图标记贯穿全文用于指代相似的元件。在以下描述中,出于解释的目的,阐述许多具体细节以便提供对一个或多个实施例的透彻理解。可以注意到,所示出的实施例旨在解释而非限制本发明。显而易见的是,可以在没有这些具体细节的情况下实践此些实施例。
在介绍本公开的各个实施例的元件时,冠词“一(a/an)”和“所述(the/said)”旨在指存在一个或多个所述元件。术语“包括”、“包含”和“具有”旨在是包含性的,并且意指除了所列出的元件之外,还可以有另外的元件。
在本公开中提出了车辆长度估计解决方案,其可以用于计算路边停车位处的车辆长度。第一步是校准,其可以基于曲线拟合。校准后,可以计算曲线函数。利用对象检测技术可以获得车辆边界框。车辆长度可以根据摄像头视图进行估计:俯视图和侧视图。现在将参考图4至图11在下文中详细描述本公开。
校准
现在参考图5,对于特定的球型摄像头,出于校准目的,可以首先沿着球型摄像头正在监控的路边部署校准点Pi,i=0、1、2…,P0作为起点,可以被称为“参考点”。可以沿着路边在这些校准点旁边放置尺子,以标记特定校准点Pi与参考点P0的实际距离di。为简化计算,对于参考点P0,d=0。这些参考点可以沿着路边均匀地部署,或者以其它方式部署,只要存在可以测量特定校准点与参考点的实际距离的尺子即可。
对于特定的校准点Pi(di,hi,xi,yi),di为基准点P0到Pi的实际距离,单位为米;hi是像素距离,其可以被想象成立在校准点上的固定长度的杆子。xi和yi是图像坐标系中的像素坐标,这意味着它位于第xi列和第yi行。
对于车辆的长度计算,已知车头点和车尾点,就可以计算出车辆的实际长度。然而,由于球型摄像头带来的失真,无法直接经由图像中的车辆尾部和头部的像素坐标计算车辆的长度。如果我们能够找到实际位置和像素坐标之间的关系,那么在计算车辆长度的过程中就可以消除失真。这里,曲线函数d=f(x,y)表示一个点到参考点的实际距离的函数关系,其中所述点的像素坐标为x,y,它将经由校准计算出来。
对于每个校准点Pi,用尺子可以很容易地得到坐标di;xi,yi也可以很容易地从所捕捉的图像中得到。有了多个校准点和相对应的测量di、xi,yi,就可以得到曲线函数f(x,y)。
这里,在获得f(x,y)的过程中,我们用1.5m进行高度校准,因为小型汽车大部分都是1.5m高。那么,hi可以被赋值例如22个像素,这对应于真实距离中的1.5m。
对于图5(俯视图)中的情况,停车位在y方向上延伸,这意味着坐标yi的贡献远大于xi。在这种假设下,曲线函数可以被简化为d=f(y)。如果应用3次多项式来回归曲线函数,则所述函数可以被写成:
d=f(y)=P1·y3+P2·y2+P3·y+P4 (1)
d和y可以直接从校准点获得。回归曲线可以如图6所计算。针对图6中示出的实例计算出的系数为:
P1=1.293e-08
P2=4.647e-05
P3=0.06438e-08
P4=36.12 (1')
类似地,对于图8(侧视图)中的情况,停车位在x方向上延伸,这意味着坐标xi的贡献远大于yi。在这种假设下,曲线函数可以被写成:
d=f(x)=P1·x3+P2·x2+P3·x+P4 (2)
通常,球型摄像头有两种视图,它们是顶视图,如图7中所示,和侧视图,如图8中所示。对于顶视图情况,边界框的高度含有车辆的高度和长度分量。一般来说,h随d变化,d越大,h越小。然而,h和d之间的函数关系不是线性的,而且还受球型摄像头引入的失真影响。所以在这里,用相同的曲线拟合方法,可以获得h和d之间的函数,即为:
h=H(d)=Q1·d3+Q2d2+Q3d+Q4 (3)
值得一提的是,上面得到的函数是针对球型摄像头的。由于不同的摄像头监控不同的街道,安装位置、角度不同,则系数Q1、Q2、Q3、Q4也相应不同。
一旦经由上述曲线回归得到函数,就可以将它们预先存储在球型摄像头所连接的存储器中,并且当处理器要执行长度估计时,可以调用这些函数进行计算。
值得一提的是,这里的球型摄像头只是图像上有失真的摄像头的一个实例。本公开中提供的解决方案也可以适用于具有图像失真问题的任何种类的摄像头。
车辆长度估计
图像将经由球型摄像头拍摄,然后可以基于所拍摄的图像和在校准过程中得到的上述函数估计车辆长度。
对于俯视图和侧视图情况,可以应用不同的计算方法。
俯视图
对于从俯视图估计车辆长度,它不能直接从边界框计算线a和线c之间的距离(如图7中所示),因为边界框的高度含有车辆的高度和长度分量。线a和线c之间的距离是边界框的高度,它比实际车辆长度长得多。线a和线b之间的距离可以看作是需要计算出的实际车辆长度,而线b和线c之间的距离是应去掉的车辆高度造成的。因此,任务就是找出线a和线b的y坐标,那么车辆长度就是L=db-da=f(yb)-f(ya)。
为了确定线b的位置或y坐标,它将利用上述高度校准信息h=f(d),其中d=dc=f(yc)(因为db未知,那里使用dc,当然这里也可以使用da)。在公式h=H(d)中,h是图像中的车辆的像素长度,因此可以计算线b的y坐标。
如果车辆边界框是(xi,yi,wi,hi)(xi,yi是边界框的左上角的像素坐标,wi是边界框的像素宽度,hi是边界框的像素高度),距离函数是d=f(y)=P1·y3+P2·y2+P3·y+P4(1),高度函数是h=H(d)=Q1·d3+Q2·d2+Q3·d+Q4(3),考虑到所有这些:
dstart=f(yi+hi),车辆起点位置 (4)
这里,htype考虑到了车辆类型,这可以基于汽车的常用值,即1.5米计算出来。
dend=f(yi+htype),车辆终点位置 (6)
L=|dend-dstart|,车辆长度 (7)
然后,就可以计算出车辆的长度L,消除了球型摄像头带来的失真和俯视图对高度的影响。
侧视图
与俯视图相比,从侧视图估计车辆长度相对简单。在前面的结论中,侧视图的曲线函数可以写成公式(2)。这种情况下,需要两条回归线,外线f1(x)和内线f2(x),这是两条与路边平行的线,一条穿过车辆的起点,而另一条穿过车辆的终点。如果车辆边界框是(xi,yi,wi,hi),则起点位置是交叉点P1,而终点位置是P2。因此,车辆长度可以计算为:
dstart=f1(xi+hi),车辆起点位置 (8)
dend=f2(xi),车辆终点位置 (9)
L=|dend-dstart|,车辆长度 (10)
图4描绘了根据本公开的一个实施例的设备的框图。本公开中提出的用于车辆长度估计的设备10可以被实施为计算机处理器的网络,以执行本公开中提出的用于车辆长度估计的以下方法100。如图4中所示,设备10也可以是单个计算机,其包含至少一个存储器101,所述存储器包含计算机可读介质,例如随机存取存储器(RAM)。设备10还包含与所述至少一个存储器101耦合的至少一个处理器102。计算机可执行指令存储在所述至少一个存储器101中,且在由所述至少一个处理器102执行时可使所述至少一个处理器102进行本文中描述的步骤。所述至少一个处理器102可以包含微处理器、专用集成电路(ASIC)、数字信号处理器(DSP)、中央处理单元(CPU)、图形处理单元(GPU)、状态机等。计算机可读介质的实施例包含但不限于软盘、CD-ROM、磁盘、存储器芯片、ROM、RAM、ASIC、经配置的处理器、所有光学介质、所有磁带或其它磁性介质、或计算机处理器可从其读取指令的任何其它介质。并且,各种其它形式的计算机可读介质可以将指令传输或载送到计算机,包含路由器、私用或公用网络、或有线和无线的其它传输装置或信道。指令可以包含来自任何计算机编程语言的代码,包含例如C、C++、C#、Visual Basic、Java和JavaScript。
图4中示出的所述至少一个存储器101可以含有车辆长度估计程序20,当由所述至少一个处理器102执行时,使所述至少一个处理器102执行本公开中提出的用于车辆长度估计的方法100。车辆的图像30也可以存储在所述至少一个存储器101中。这些数据可以经由设备10的通信模块103接收。球型摄像头40可以经由通信模块102连接到设备10。球型摄像头40可以拍摄其监控的路边的图像,并将所拍摄的图像发送到设备10以供进一步处理。
上述校准过程可以在服务器50上执行,所述服务器将等式(1)中的曲线函数d=f(y)和等式(3)中的曲线函数h=H(d)的系数输出到设备10,经由通信模块103接收并存储在所述至少一个存储器101中作为俯视图情况的系数60。类似地,服务器50可以将等式(2)中的函数d=f(x)的系数输出到设备10,经由通信模块103接收并存储在所述至少一个存储器101中作为侧视图情况的系数61。
然而,校准过程也可以在设备10上执行,这取决于装置配置和处理能力。在这种情况下,校准程序可以是车辆长度估计程序20的一部分,并且可以预先存储在所述至少存储器101中。
车辆长度估计程序20可以包含:
-图像获取模块201,其被配置成从监控路边的摄像头40获取图像30;
-车辆检测模块202,其被配置成经由对象识别获得车辆的边界框;
-估计模块203,其被配置成使用曲线函数d=f(x,y)估计车辆的长度,其中d是路边处的从特定点到参考点的实际距离,x和y是图像30上的特定点的像素坐标;基于沿着路边的包含参考点在内的至少两个预设校准点预先计算曲线函数。
任选地,如果摄像头40的视图是俯视图,则估计模块203可以被进一步配置成:使用曲线函数d=f(y)和h=H(d)估计车辆的长度,其中h是图像30中的车辆的像素长度。并且任选地,估计模块203可以基于曲线函数h=H(d)计算车辆的终点;并根据车辆的终点和起点之间的距离计算车辆的长度。
任选地,如果摄像头40的视图是侧视图,则估计模块203可以被进一步配置成:使用曲线函数d=f(x)估计车辆的长度。并且任选地,估计模块203可以基于外线的曲线函数d=f(x)计算车辆的起点,其中外线平行于路边并穿过车辆的起点;基于内线的曲线函数d=f(x)计算车辆的终点,其中内线平行于路边并穿过车辆的终点;然后根据车辆的终点和起点之间的距离计算车辆的长度。
每个模块的处理的细节可以参考上述“校准”过程和“车辆长度估计”过程。
尽管图像获取模块201、车辆检测模块202和估计模块203在上面被描述为车辆长度估计程序20的软件模块。此外,它们可以经由硬件实施,例如ASIC芯片。它们可以集成到一个芯片中,或单独地实施和电连接。
应提及的是,本公开可以包含具有与图4所示不同的架构的设备。上述架构仅仅是示例性的,并且用于解释图9中示出的示例性方法100。
可以进行根据本公开的各种方法。根据本公开的一个示例性方法100包含以下步骤:
S101:从监控路边的摄像头40获取图像30;
S102:经由对象识别获得车辆的边界框;
S103:使用曲线函数d=f(x,y)估计车辆的长度,其中d是路边处的从特定点到参考点的实际距离,x和y是图像30上的特定点的像素坐标;基于沿着路边的包含参考点在内的至少两个预设校准点预先计算曲线函数。
任选地,如果摄像头40的视图是俯视图,则在步骤S103中,可以使用曲线函数d=f(y)和h=H(d)估计车辆的长度,其中h是图像30中的车辆的像素长度。并且此外,首先,可以基于曲线函数h=H(d)计算车辆的终点;然后,可以根据车辆的终点和起点之间的距离计算车辆的长度。
任选地,如果摄像头40的视图是侧视图,则在步骤S103中,可以使用曲线函数d=f(x)估计车辆的长度。此外,可以基于外线的曲线函数d=f(x)计算车辆的第一起点,其中外线平行于路边并穿过车辆的起点;基于内线的曲线函数d=f(x)计算车辆的终点,其中内线平行于路边并穿过车辆的终点;然后根据车辆的终点和起点之间的距离计算车辆的长度。
每个步骤的细节可以参考上述“校准”过程和“车辆长度估计”过程。
现在参考图10和图11,将描述校准和车辆长度估计的过程的一个实例,以及相对应的应用和结果。
根据图10,首先,基于曲线拟合执行校准。校准后,可以计算曲线回归函数(d=f(x,y),h=H(d))。通过对象检测可以获得车辆的边界框,并且通过输入边界框和车辆类型,可以根据摄像头视图,即俯视图和侧视图估计车辆长度。
表现和结果可以在图11中看到。目标车辆的位置可以在地图上看到(参看上方左侧第二幅图),车辆及其停车动作的详细信息也可以在上方左侧第一幅图中看到,在这种情况下,车辆长度为5米。底部是四幅描绘汽车的停车动作的图片。右侧图片上,每个点对应一个停车场,并且不同的颜色指示不同的停车状态。
本公开中还提供了一种计算机可读介质,所述计算机可读介质存储可执行指令,所述计算机可执行指令在由计算机执行时使计算机执行本公开中提出的任何一种方法。
一种计算机程序,其由至少一个处理器执行并且进行本公开中提出的任何一种方法。
利用本公开中提供的解决方案,可以经由预设校准点以及回归算法来实现更好的精度。所提出的新的校准方案可以在具有严重失真的球型摄像头中很好地工作,并且车辆长度估计方案可以在俯视图和侧视图的情况下都很好地工作,这可以减少俯视图中的由车辆高度引起的误差。
考虑到俯视图和侧视图的特性,曲线函数d=f(x,y)对于侧视图情况可以简化为d=f(x),并且对于俯视图情况可以简化为d=f(y),这可以降低算法复杂度并同时获得相对准确的拟合结果。
尽管已参考某些实施例详细地描述了本技术,但应了解,本技术不限于那些精确的实施例。相反,鉴于本公开描述了用于实践本发明的示例性方式,在不脱离本发明的范围和精神的情况下,多种修改和变化对于本领域技术人员显而易见。因此,本发明的范围由所附权利要求书指示,而非由前文描述指示。落入权利要求书的等效含义和范围内的所有改变、修改和变化将被认为在权利要求书的范围内。
Claims (12)
1.一种用于车辆长度估计的方法(100),所述方法包括:
-从监控路边的摄像头(40)获取(S101)图像(30);
-经由对象识别获得(S102)车辆的边界框;
-使用曲线函数d=f(x,y)估计(S103)所述车辆的长度,其中d是所述路边处的从特定点到参考点的实际距离,x和y是所述图像(30)上的所述特定点的像素坐标;基于沿着所述路边的包含所述参考点在内的至少两个预设校准点预先计算所述曲线函数。
2.根据权利要求1所述的方法(100),其中所述摄像头(40)的所述视图是俯视图,并且使用曲线函数d=f(x,y)估计(S103)所述车辆的长度进一步包括:
-使用曲线函数d=f(y)和h=H(d)估计(S103)所述车辆的长度,其中h是所述图像(30)中的所述车辆的像素长度。
3.根据权利要求2所述的方法(100),其中使用曲线函数d=f(y)和h=H(d)估计(S103)所述车辆的长度进一步包括:
-基于所述曲线函数h=H(d)计算所述车辆的所述终点;
-根据所述车辆的所述终点和所述起点之间的距离计算所述车辆的长度。
4.根据权利要求2所述的方法(100),其中所述摄像头(40)的所述视图是侧视图,并且使用曲线函数d=f(x,y)估计(S103)所述车辆的长度进一步包括:
-使用曲线函数d=f(x)估计(S103)所述车辆的长度。
5.根据权利要求4所述的方法(100),其中使用曲线函数d=f(x)估计(S103)所述车辆的长度进一步包括:
-基于外线的所述曲线函数d=f(x)计算所述车辆的起点,其中所述外线平行于所述路边并穿过所述车辆的所述起点;
-基于内线的所述曲线函数d=f(x)计算所述车辆的终点,其中所述内线平行于所述路边并穿过所述车辆的所述终点;
-根据所述车辆的所述终点和所述起点之间的距离计算所述车辆的长度。
6.一种用于车辆长度估计的设备(10),所述设备包括:
-图像获取模块(201),其被配置成从监控路边的摄像头(40)获取图像(30);
-车辆检测模块(202),其被配置成经由对象识别获得车辆的边界框;
-估计模块(203),其被配置成使用曲线函数d=f(x,y)估计所述车辆的长度,其中d是所述路边处的从特定点到参考点的实际距离,x和y是所述图像(30)上的所述特定点的像素坐标;基于沿着所述路边的包含所述参考点在内的至少两个预设校准点预先计算所述曲线函数。
7.根据权利要求6所述的设备(10),其中所述摄像头(40)的所述视图是俯视图,并且所述估计模块(203)被进一步配置成:
-使用曲线函数d=f(y)和h=H(d)估计所述车辆的长度,其中h是所述图像(30)中的所述车辆的像素长度。
8.根据权利要求7所述的设备(10),其中所述估计模块(203)被进一步配置成:
-基于所述曲线函数h=H(d)计算所述车辆的所述终点;
-根据所述车辆的所述终点和所述起点之间的距离计算所述车辆的长度。
9.根据权利要求6所述的设备(10),其中所述摄像头(40)的所述视图是侧视图,并且所述估计模块(203)被进一步配置成:
-使用曲线函数d=f(x)估计所述车辆的长度。
10.根据权利要求9所述的设备(10),其中所述估计模块(203)被进一步配置成:
-基于外线的所述曲线函数d=f(x)计算所述车辆的起点,其中所述外线平行于所述路边并穿过所述车辆的所述起点;
-基于内线的所述曲线函数d=f(x)计算所述车辆的终点,其中所述内线平行于所述路边并穿过所述车辆的所述终点;
-根据所述车辆的所述终点和所述起点之间的距离计算所述车辆的长度。
11.一种用于车辆长度估计的设备(10),所述设备包括:
-至少一个处理器(102);
-耦合到所述至少一个处理器(102)的至少一个存储器(101),其被配置成执行根据权利要求1至5中任一项所述的方法。
12.一种用于车辆长度估计的计算机可读介质,所述计算机可读介质存储计算机可执行指令,其中所述计算机可执行指令在被执行时使至少一个处理器执行根据权利要求1至5中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/093539 WO2021237750A1 (en) | 2020-05-29 | 2020-05-29 | Method and apparatus for vehicle length estimation |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115668297A true CN115668297A (zh) | 2023-01-31 |
Family
ID=78745423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080101050.2A Pending CN115668297A (zh) | 2020-05-29 | 2020-05-29 | 用于车辆长度估计的方法和设备 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4139891A4 (zh) |
CN (1) | CN115668297A (zh) |
WO (1) | WO2021237750A1 (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160232410A1 (en) * | 2015-02-06 | 2016-08-11 | Michael F. Kelly | Vehicle speed detection |
CN107248178B (zh) * | 2017-06-08 | 2020-09-25 | 上海赫千电子科技有限公司 | 一种基于畸变参数的鱼眼相机标定方法 |
CN109086650B (zh) * | 2017-06-14 | 2022-04-12 | 现代摩比斯株式会社 | 校准方法和校准设备 |
US10580164B2 (en) * | 2018-04-05 | 2020-03-03 | Microsoft Technology Licensing, Llc | Automatic camera calibration |
CN108898840A (zh) * | 2018-05-08 | 2018-11-27 | 江苏理工学院 | 一种基于视频监控的智能交通信号灯控制方法 |
CN109255316B (zh) * | 2018-08-30 | 2021-12-28 | 深圳市路畅科技股份有限公司 | 一种车道偏移检测方法及系统 |
CN110307791B (zh) * | 2019-06-13 | 2020-12-29 | 东南大学 | 基于三维车辆边界框的车辆长度及速度计算方法 |
-
2020
- 2020-05-29 EP EP20937268.9A patent/EP4139891A4/en active Pending
- 2020-05-29 WO PCT/CN2020/093539 patent/WO2021237750A1/en unknown
- 2020-05-29 CN CN202080101050.2A patent/CN115668297A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2021237750A1 (en) | 2021-12-02 |
EP4139891A1 (en) | 2023-03-01 |
EP4139891A4 (en) | 2024-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110146869B (zh) | 确定坐标系转换参数的方法、装置、电子设备和存储介质 | |
US10529091B2 (en) | Calibration method and apparatus | |
CN109446909B (zh) | 一种单目测距辅助泊车系统及方法 | |
CN108692719B (zh) | 物体检测装置 | |
US9536306B2 (en) | Vehicle vision system | |
CN112419385B (zh) | 一种3d深度信息估计方法、装置及计算机设备 | |
JP7081438B2 (ja) | オブジェクト速度推定方法と装置及び画像処理機器 | |
US20080095403A1 (en) | Electronic traffic monitor | |
JP2019008460A (ja) | 物体検出装置、物体検出方法およびプログラム | |
JP4793324B2 (ja) | 車両監視装置および車両監視方法 | |
US10872247B2 (en) | Image feature emphasis device, road surface feature analysis device, image feature emphasis method, and road surface feature analysis method | |
CN110766760B (zh) | 用于相机标定的方法、装置、设备和存储介质 | |
LU502288B1 (en) | Method and system for detecting position relation between vehicle and lane line, and storage medium | |
CN110728720B (zh) | 用于相机标定的方法、装置、设备和存储介质 | |
CN112541953A (zh) | 一种基于雷达信号和视频同步坐标映射的车辆检测方法 | |
CN110751693B (zh) | 用于相机标定的方法、装置、设备和存储介质 | |
JP3747863B2 (ja) | 車載用測距装置 | |
JP2011064639A (ja) | 距離計測装置及び距離計測方法 | |
JPH0948298A (ja) | 走行路における対象物位置計測方法 | |
CN115668297A (zh) | 用于车辆长度估计的方法和设备 | |
CN115100290B (zh) | 交通场景下的单目视觉定位方法及装置、设备、存储介质 | |
JP4462533B2 (ja) | 路面走行レーン検出装置 | |
CN115597550A (zh) | 一种基于消失点和目标接地点的坡道单目测距方法及装置 | |
CN115683046A (zh) | 测距方法、装置、传感器及计算机可读存储介质 | |
KR101714131B1 (ko) | 주차구획 인식 장치 및 방법 |
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 |