CN116091437B - 一种基于3d点云的轮轴个数检测方法 - Google Patents

一种基于3d点云的轮轴个数检测方法 Download PDF

Info

Publication number
CN116091437B
CN116091437B CN202211730193.7A CN202211730193A CN116091437B CN 116091437 B CN116091437 B CN 116091437B CN 202211730193 A CN202211730193 A CN 202211730193A CN 116091437 B CN116091437 B CN 116091437B
Authority
CN
China
Prior art keywords
point cloud
vehicle
wheels
rectangular frame
detection method
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
Application number
CN202211730193.7A
Other languages
English (en)
Other versions
CN116091437A (zh
Inventor
李启达
柳佳
徐锦锦
张小磊
徐明飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Seecar Information System Co ltd
Original Assignee
Suzhou Seecar Information System Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Seecar Information System Co ltd filed Critical Suzhou Seecar Information System Co ltd
Priority to CN202211730193.7A priority Critical patent/CN116091437B/zh
Publication of CN116091437A publication Critical patent/CN116091437A/zh
Application granted granted Critical
Publication of CN116091437B publication Critical patent/CN116091437B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30204—Marker
    • 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
    • G06T2207/30242—Counting objects in image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明申请提出一种基于3D点云的轮轴个数检测方法，其通过激光雷达感知功能获取车辆动态点云，通过PointNet++网络深度学习网语义分割对点云轮轴进行检测，再通过dbscan聚类算法对轮轴点云进行聚类，通过判断聚类的方框宽度判断每个聚类有几个轮轴，并结合实际轮胎宽度来确定车辆的轮轴个数。相对于传统方法，本方法无需覆盖市场上近乎全面的车型分类样本，只需要每种车轴数量的样本只要超过1000件，对轮轴样本依赖较少，即可实现直观判定车辆轮轴数量的功能，具有较好的市场应用前景。

Description

一种基于3D点云的轮轴个数检测方法
技术领域
本发明涉及点云数据处理的技术领域，更具体地，涉及一种汽车雷达点云数据的处理方法。
背景技术
根据JT/T489-2019《中华人民共和国交通行业标准》，制定了多种交通应用场景，包括了车型分类。其中收费公路车辆通行费车型分类和交通调查车型分类等车型分类，主要是依靠车辆的车长和车轴两项关键参数来实现的，所以获知车辆的轮轴个数就很重要。
目前，本申请人在2021年12月1日提出一篇专利申请号为CN202111452252.4，专利名称为“一种汽车雷达点云数据的处理方法”的在先专利申请，该在先专利申请涉及到汽车轮轴个数的检测方法，主要包括如下步骤：S1，将点云原始数据进行标注，根据不同的车型选择相应的轴数，标注后的点云数据一部分作为训练数据，一部分作为测试数据；S2，利用S1的训练数据进行模型训练，先对点云数据进行对齐并进行深度学习迭代训练，再对提取的特征信息进行聚合，同时进行深度学习迭代训练得到训练好的模型；S3，利用S1的测试数据采用S2训练好的模型进行模型推理，将模型输出的预测的轮轴类型与标注的真值对比，得到正确率；S4，正确率大于设定的目标准确率则通过，正确率小于等于设定的目标准确率则增加标注的点云数据的数量，循环步骤S1-S4直至正确率大于设定的目标准确率。采用这种方法确实可以获得车辆的轮轴数量，但是需要采集大量的车型数据样本来建立模型训练，且算法非常复杂，因为本质上该方法采用的是相对值法(或者叫做“端到端”的方法)来判定车辆有几个轮轴，不是很直观。
发明内容
有鉴于此，为了解决采用传统的相对值比较法(或者叫“端到端”的方法)方法获得车辆的轮轴数量需要的样本数量大、样本车型种类多，且计算方法复杂的问题，本发明申请提出一种基于3D点云的轮轴个数检测方法，其通过激光雷达感知功能获取车辆动态点云，通过PointNet++网络深度学习网语义分割对点云轮轴进行检测，再通过dbscan聚类算法对轮轴点云进行聚类，通过判断聚类的方框宽度并结合实际轮胎宽度来确定车辆的轮轴个数。相对于传统方法，本方法无需覆盖市场上近乎全面的车型分类样本，只需要采集一定数量的点云样本而不需要类似传统的相对值法(或者叫做“端到端方法”)那样每类车型的轮轴点云都需要大量样本，通常只需要每种车轴数量的样本只要超过1000件，即可实现直观判定车辆轮轴数量的功能，具有较好的市场应用前景。
一种基于3D点云的轮轴个数检测方法，其包括如下步骤：
S1，通过安装在路侧的激光雷达获得视场角的所有三维点云数据；
S2，去除步骤S1中获得的视场角的所有的三维点云数据中的环境点云数据，并初步提取出车辆位置和车辆轮廓，获得车辆原始三维点云数据；
S3，将步骤S2中车辆原始三维点云信息的所有点投影为多个平面视图，利用区间过滤法分别滤除每个平面视图的噪声，得到多辆车的精准的车辆轮廓信息，并对每一辆车进行标记；
S4，根据步骤S3中标识的车辆标记框，得到车辆的位置，根据所述位置来追踪每一辆车的点云数据；
其特征在于，还包括如下步骤：
S5，对步骤S4中的每一辆车的点云数据采用目标检测模型软件进行训练，该目标检测模型软件是能够用于目标检测任务的深度学习网络模型，目标检测模型训练完成后，该目标检测模型可以进行聚类分析，识别出点云数据中的轮子；
S6，用矩形框标记出步骤S5中的识别出的轮子组合，具体的，单独的轮子用一个矩形框标记，多个连续不间断的轮子用同一个矩形框进行标记；当矩形框的宽高比为1:1时，则判定为1个矩形框内有1个轮轴；当矩形框的宽高比为N：1时，N大于1且N为自然数，则判定为1个矩形框内有N个轮轴，每一辆车的轮轴数量为每个矩形框中的轮轴的数量之和。
进一步的，S1中的激光线束雷达采用多线束激光雷达。
进一步的，S1中的激光雷达的安装角度能够扫描探测到通行车辆的左侧面或者右侧面中的一面和/或两面。
进一步的，S2中去除环境点云数据，获得车辆原始点云数据的方法包括：聚类方式或者3D深度学习检测方式。
进一步的，在步骤S3中，将图像数据采用目标检测模型软件进行训练，该目标检测模型软件是能够用于目标检测任务的利用深度学习网络模型，目标检测模型训练完成后，该目标检测模型能够识别出图像中的车辆，同时在图像中用矩形框标注出车辆。
进一步优选的，所述的深度学习网络模型为能够实现立体点云分类和分割的PointNet++网络模型。
进一步的，S4中所述平面视图为车辆左视图和/或右视图，将车辆左视图和/或右视图分别使用固定分辨率区间过滤法进行统计信息，统计信息为每个区间内的点云总数量和最大点云高度。
进一步优选的，在车辆左视图和/或右视图中，从车头向后搜索，根据所述统计信息找到车辆的真实尾部区间(记为tmp_index),删除真实尾部区间后面的所有点云；车辆真实尾部区间的判断需满足条件：(1)点云高度不足设定的高度阈值，点云数量少于设定的数量阈值，(2)点云数量区间出现突降的位置，(3)向后搜索不再出现点云超过高度阈值和数量阈值。
进一步优选的，所述高度阈值为车辆最高高度的0.5-0.65倍，所述数量阈值为所有区间点云数量超过10的区间降序排序，取倒数前20％区间的点云数量的均值作为数量阈值，或者以数量40作为数量阈值，两者以更大的值作为数量阈值。货车或挂车的车头与车厢的连接部位，符合所述条件(1)和条件(2)，但是不符合条件(3)。
进一步优选的，为了降低单区间的测量误差，采用多区间共同判定，若tmp_index后续的几个区间也满足所述条件(1)，则确定tmp_index作为真实尾部区间，tmp_index后面的所有区间的点云直接过滤删除。
进一步的，S5中的聚类分析方法采用dbscan聚类算法。
进一步的，S5中将轮子渲染为第一种颜色，将轮子以外的车身部分渲染为第二种颜色。
进一步的，S6中的连续不间断的轮子是指当两个轮子之间的距离≤阈值A时，则认为这两个轮子为相邻的轮子，应当用一个矩形框进行标记；否则，当两个轮子之间的距离＞阈值A时，则认为这两个轮子为不相邻的轮子，应当用两个不同的矩形框进行标记。
进一步优先的，阈值A为80cm。
进一步优选的，S6中的多组相邻的轮子中如有1个相同的轮子，则判定为一组连续不间断的轮子，应当采用同一个矩形框进行标记。
进一步优选的，S6中的多组相邻的轮子中如果没有相同的轮子，则判定为多组连续不间断的轮子，应当采用多个不同的矩形框进行标记。
进一步的,S6中的目标检测模型软件每种车型的样本输入量≥1000件即可；较为具体的，每种车型是按照轮轴数量分类的，即二轴车、三轴车、四轴车、五轴车、六轴车等的样本输入量分别≥1000件。
由此可见，采用本发明申请涉及的方法可以在低样本量的情况下更准确更直观的获得车辆的轮轴数量。
附图说明
结合以下附图一起阅读时，将会更加充分地描述本申请内容的上述和其他特征。可以理解，这些附图仅描绘了本申请内容的若干实施方式，因此不应认为是对本申请内容范围的限定。通过采用附图，本申请内容将会得到更加明确和详细地说明。
图1为传统的相对值法判定车辆轮轴数量的方法流程示意图。
图2为本发明的绝对值法判定车辆轮轴数量的方法流程示意图。
图3为实施例1中S4中每一辆车的点云数据示意图。
图4为实施例1中S5中将轮子渲染为第一种颜色，将轮子以外的车身部分渲染为第二种颜色的示意图。
图5为实施例1中S6中用矩形框标记出轮子的示意图。
具体实施方式
描述以下实施例以辅助对本申请的理解，实施例不是也不应当以任何方式解释为限制本申请的保护范围。
在以下描述中，本领域的技术人员将认识到，在本论述的全文中，组件可描述为单独的功能单元(可包括子单元)，但是本领域的技术人员将认识到，各种组件或其部分可划分成单独组件，或者可整合在一起(包括整合在单个的系统或组件内)。
同时，组件或系统之间的连接并不旨在限于直接连接。相反，在这些组件之间的数据可由中间组件修改、重格式化、或以其它方式改变。另外，可使用另外或更少的连接。还应注意，术语“联接”、“连接”、或“输入”“固定”应理解为包括直接连接、通过一个或多个中间媒介来进行的间接的连接或固定。
实施例1：
一种基于3D点云的轮轴个数检测方法，其包括如下步骤：
S1，通过安装在公路右侧的多线束激光雷达获得视场角的所有三维点云数据；
S2，去除步骤S1中获得的视场角的所有的三维点云数据中的环境点云数据，并初步提取出车辆位置和车辆轮廓，获得车辆原始三维点云数据；
S3，通过PointNet++网络模型，将步骤S2中车辆原始三维点云信息的所有点投影为多个平面视图，利用区间过滤法分别滤除每个平面视图的噪声，得到多辆车的精准的车辆轮廓信息，并对每一辆车进行标记；
S4，根据步骤S3中标识的车辆标记框，得到车辆的位置，根据所述位置来追踪每一辆车的点云数据；
S5，对步骤S4中的每一辆车的点云数据采用目标检测模型软件进行训练，该目标检测模型软件是能够用于目标检测任务的深度学习网络模型，目标检测模型训练完成后，该目标检测模型可以进行dbscan聚类分析，识别出点云数据中的轮子；将轮子渲染为黄色，将轮子以外的车身部分渲染为绿色。
S6，用矩形框标记出步骤S5中的识别出的轮子组合，由于右一的轮子与所有轮子之间的距离都大于阈值A，故判定右一的轮子使用一个矩形框(第一矩形框)；由于右二和右三的两个轮子的距离≤阈值A，同时右二和排除右三之外的所有的轮子的距离均＞阈值A，且右三和排除右二之外的所有的轮子的距离均＞阈值A，故右二和右三用同一个矩形框标记(第二矩形框)；由于左一和左二的两个轮子的距离≤阈值A，左二和左三的两个轮子的距离≤阈值A，且有共同的左二，同时左一与排除左二之外的所有轮子的距离均＞阈值A，且左二与排除左一和左三之外的所有轮子的距离均＞阈值A，且左三与排除左二之外的所有轮子的距离均＞阈值A，故左一、左二和左三用同一个矩形框标记(第三矩形框)。由于第一矩形框的宽高比为1:1时，则判定为第一矩形框内有1个轮轴；第二矩形框矩形框的宽高比为2：1时，则判定为第二矩形框内有2个轮轴；当第三矩形框的宽高比为3：1时，则判定为第三矩形框内有3个轮轴，所以这辆车的总轮轴数量为1+2+3＝6个。
由此可见，采用本发明申请涉及的方法可以在低样本量的情况下更准确更直观的获得车辆的轮轴数量。
尽管本申请已公开了多个方面和实施方式，但是其它方面和实施方式对本领域技术人员而言将是显而易见的，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。本申请公开的多个方面和实施方式仅用于举例说明，其并非旨在限制本申请，本申请的实际保护范围以权利要求为准。

Claims (10)

1.一种基于3D点云的轮轴个数检测方法，其包括如下步骤：
S1，通过安装在路侧的激光雷达获得视场角的所有三维点云数据；
S2，去除步骤S1中获得的视场角的所有的三维点云数据中的环境点云数据，并初步提取出车辆位置和车辆轮廓，获得车辆原始三维点云数据；
S3，将步骤S2中车辆原始三维点云信息的所有点投影为多个平面视图，利用区间过滤法分别滤除每个平面视图的噪声，得到多辆车的精准的车辆轮廓信息，并对每一辆车进行标记；
S4，根据步骤S3中标识的车辆标记框，得到车辆的位置，根据所述位置来追踪每一辆车的点云数据；
其特征在于，还包括如下步骤：
S5，对步骤S4中的每一辆车的点云数据采用目标检测模型软件进行训练，该目标检测模型软件是能够用于目标检测任务的深度学习网络模型，目标检测模型训练完成后，该目标检测模型可以进行聚类分析，识别出点云数据中的轮子；
S6，用矩形框标记出步骤S5中的识别出的轮子组合，具体的，单独的轮子用一个矩形框标记，多个连续不间断的轮子用同一个矩形框进行标记；当矩形框的宽高比为1:1时，则判定为1个矩形框内有1个轮轴；当矩形框的宽高比为N：1时，N大于1且N为自然数，则判定为1个矩形框内有N个轮轴，每一辆车的轮轴数量为每个矩形框中的轮轴的数量之和。
2.如权利要求1所述的基于3D点云的轮轴个数检测方法，其特征在于：S1中的激光线束雷达采用多线束激光雷达。
3.如权利要求1所述的基于3D点云的轮轴个数检测方法，其特征在于：S1中的激光雷达的安装角度能够扫描探测到通行车辆的左侧面或者右侧面中的一面和/或两面。
4.如权利要求1所述的基于3D点云的轮轴个数检测方法，其特征在于：在步骤S3中，将图像数据采用目标检测模型软件进行训练，该目标检测模型软件是能够用于目标检测任务的利用深度学习网络模型，目标检测模型训练完成后，该目标检测模型能够识别出图像中的车辆，同时在图像中用矩形框标注出车辆。
5.如权利要求4所述的基于3D点云的轮轴个数检测方法，其特征在于：所述的深度学习网络模型为能够实现立体点云分类和分割的PointNet++网络模型。
6.如权利要求1所述的基于3D点云的轮轴个数检测方法，其特征在于：S5中的聚类分析方法采用dbscan聚类算法。
7.如权利要求1所述的基于3D点云的轮轴个数检测方法，其特征在于：S6中的连续不间断的轮子是指当两个轮子之间的距离≤阈值A时，则认为这两个轮子为相邻的轮子，应当用一个矩形框进行标记；否则，当两个轮子之间的距离＞阈值A时，则认为这两个轮子为不相邻的轮子，应当用两个不同的矩形框进行标记。
8.如权利要求7所述的基于3D点云的轮轴个数检测方法，其特征在于：阈值为80cm。
9.如权利要求1所述的基于3D点云的轮轴个数检测方法，其特征在于：S6中的多组相邻的轮子中如有1个相同的轮子，则判定为一组连续不间断的轮子，应当采用同一个矩形框进行标记；S6中的多组相邻的轮子中如果没有相同的轮子，则判定为多组连续不间断的轮子，应当采用多个不同的矩形框进行标记。
10.如权利要求1所述的基于3D点云的轮轴个数检测方法，其特征在于：S6中的目标检测模型软件每种车型的样本输入量≥1000件。
CN202211730193.7A 2022-12-30 2022-12-30 一种基于3d点云的轮轴个数检测方法 Active CN116091437B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211730193.7A CN116091437B (zh) 2022-12-30 2022-12-30 一种基于3d点云的轮轴个数检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211730193.7A CN116091437B (zh) 2022-12-30 2022-12-30 一种基于3d点云的轮轴个数检测方法

Publications (2)

Publication Number Publication Date
CN116091437A CN116091437A (zh) 2023-05-09
CN116091437B true CN116091437B (zh) 2024-02-02

Family

ID=86211506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211730193.7A Active CN116091437B (zh) 2022-12-30 2022-12-30 一种基于3d点云的轮轴个数检测方法

Country Status (1)

Country Link
CN (1) CN116091437B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919072A (zh) * 2019-02-28 2019-06-21 桂林电子科技大学 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法
CN110344621A (zh) * 2019-06-13 2019-10-18 武汉大学 一种面向智能车库的车轮点云检测方法
CN113191459A (zh) * 2021-05-27 2021-07-30 山东高速建设管理集团有限公司 一种基于路侧激光雷达的在途目标分类方法
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
US11189049B1 (en) * 2020-10-16 2021-11-30 Ford Global Technologies, Llc Vehicle neural network perception and localization
CN114399744A (zh) * 2021-12-24 2022-04-26 深圳市镭神智能系统有限公司 一种车型识别方法、装置、电子设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11461963B2 (en) * 2018-11-16 2022-10-04 Uatc, Llc Systems and methods for generating synthetic light detection and ranging data via machine learning

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919072A (zh) * 2019-02-28 2019-06-21 桂林电子科技大学 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法
CN110344621A (zh) * 2019-06-13 2019-10-18 武汉大学 一种面向智能车库的车轮点云检测方法
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
US11189049B1 (en) * 2020-10-16 2021-11-30 Ford Global Technologies, Llc Vehicle neural network perception and localization
CN113191459A (zh) * 2021-05-27 2021-07-30 山东高速建设管理集团有限公司 一种基于路侧激光雷达的在途目标分类方法
CN114399744A (zh) * 2021-12-24 2022-04-26 深圳市镭神智能系统有限公司 一种车型识别方法、装置、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
融合卷积神经网络和循环神经网络的车轮目标检测;马超;;测绘通报(第08期);全文 *

Also Published As

Publication number Publication date
CN116091437A (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN111192284B (zh) 一种车载激光点云分割方法及系统
CN102096821B (zh) 基于复杂网络理论的强干扰环境下的车牌识别方法
CN109050535B (zh) 一种基于车辆姿态的快速地形工况辨识方法
CN110969142B (zh) 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法
CN111340855A (zh) 一种基于轨迹预测的道路移动目标检测方法
CN109635852B (zh) 一种基于多维属性的用户画像构建与聚类方法
CN112990065A (zh) 一种基于优化的YOLOv5模型的车辆分类检测方法
CN112927283A (zh) 测距方法及装置、存储介质及电子设备
Jeng et al. Real-time vehicle classification using inductive loop signature data
CN114879192A (zh) 基于路侧毫米波雷达的决策树车型分类方法、电子设备
CN116680894A (zh) 一种桥梁车辆荷载效应实时孪生方法
CN115775378A (zh) 一种基于多传感器融合的车路协同目标检测方法
CN115049640A (zh) 一种基于深度学习的道路裂缝检测方法
CN114926984A (zh) 一种实时交通冲突收集与道路安全评价方法
CN109145401B (zh) 一种计算机动车排放清单的方法、系统及终端设备
CN114926540A (zh) 一种车道线标定的方法、装置、终端设备及可读存储介质
CN116091437B (zh) 一种基于3d点云的轮轴个数检测方法
CN110509925B (zh) 一种基于车联网数据的急转弯识别方法
CN114812435B (zh) 一种车辆三维点云数据滤波方法
CN111444286A (zh) 一种基于轨迹数据的远距离交通节点关联性挖掘方法
CN115497303A (zh) 一种复杂检测条件下的高速公路车速检测方法及系统
CN115482672A (zh) 车辆逆行检测的方法、装置、终端设备及存储介质
CN111161284B (zh) 一种基于PSPNet与HED相结合的医学图像骨骼分割方法
CN116416780A (zh) 一种路侧感知系统的测试方法、装置、测试设备和介质
CN113011713A (zh) 一种基于信息熵的驾驶员驾驶稳定性评估方法

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