CN116740662A - 一种基于激光雷达的车轴识别方法及系统 - Google Patents
一种基于激光雷达的车轴识别方法及系统 Download PDFInfo
- Publication number
- CN116740662A CN116740662A CN202311021895.2A CN202311021895A CN116740662A CN 116740662 A CN116740662 A CN 116740662A CN 202311021895 A CN202311021895 A CN 202311021895A CN 116740662 A CN116740662 A CN 116740662A
- Authority
- CN
- China
- Prior art keywords
- feature
- matrix
- interaction
- axle
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 479
- 230000003993 interaction Effects 0.000 claims abstract description 249
- 238000001514 detection method Methods 0.000 claims abstract description 224
- 230000004927 fusion Effects 0.000 claims description 57
- 238000005457 optimization Methods 0.000 claims description 45
- 238000010586 diagram Methods 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008447 perception Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种基于激光雷达的车轴识别方法及系统,通过结合目标车轴图像和与目标车轴图像对应的车轴激光扫描模型图,确定目标交互特征矩阵,通过目标交互特征矩阵对目标车轴图像进行目标检测,如此精准得到目标车轴图像中的初始目标检测结果,因为获得的初始目标检测结果全面分析了与目标车轴图像对应的车轴激光扫描模型图,车轴激光扫描模型图的语义协助对目标车轴图像进行目标检测,以此大大增加了获得的初始目标检测结果的准确性。同时,通过实际图特征矩阵对目标车轴图像进行目标检测,得到优化目标检测结果,通过优化目标检测结果对联合了车轴激光扫描模型图的语义的初始目标检测结果进行优化,得到目标车轴图像中的车轴识别结果。
Description
技术领域
本公开涉及交通治超、人工智能领域,尤其涉及机器学习领域,具体涉及一种基于激光雷达的车轴识别方法及系统。
背景技术
在智慧交通领域,路面交通管控中的治超问题是重点治理的环节,货车一旦超载,轻则路面损毁,重则桥梁垮塌,给人民生命安全和财产带来损失和风险。对于治超管理,交通运输部门发布的规范中,要求管控区域的路口监测检测车辆轴数和轴型。以往的治超工作中,通过人工对车轴进行识别记录,效率较低。随着智慧交通的发展应用,在各监测站点开始引入激光雷达进行车轴识别,效率高,节约了人工,但是准确性容易受到外界干扰,例如车辆遮挡物或外物进入激光探测区域引起的激光探距误差。车轴智能识别的准确性一方面受限于检测识别算法,另一方面受限于芯片的成本和算力,而随着国产人工智能加速芯片(如GPGPU、TPU)的不断涌出,芯片成本降低的同时,算力得到了较大的提升,借助加速芯片的加速能力,研发出一种更高检测精度的车轴识别方法是亟待解决的技术问题。
发明内容
本公开提供了一种基于激光雷达的车轴识别方法及系统。
根据本公开的一方面,提供了一种基于激光雷达的车轴识别方法,应用于计算机设备,所述方法包括:
获取目标车轴图像和与所述目标车轴图像对应的车轴激光扫描模型图,所述车轴激光扫描模型图通过激光扫描传感器检测的车轴外廓特征信息建模得到;
对所述车轴激光扫描模型图进行特征提取,得到模型图特征矩阵,并对所述目标车轴图像进行特征提取,得到实际图特征矩阵;
将所述模型图特征矩阵和所述实际图特征矩阵进行特征交互,得到目标交互特征矩阵;
通过所述目标交互特征矩阵对所述目标车轴图像进行目标检测,得到所述目标车轴图像中的初始目标检测结果;
通过所述实际图特征矩阵对所述目标车轴图像进行目标检测,得到所述目标车轴图像中的优化目标检测结果;
通过所述优化目标检测结果,对所述初始目标检测结果进行优化,得到所述目标车轴图像中的车轴识别结果;
其中,所述优化目标检测结果及所述初始目标检测结果的个数不少于一个,所述通过所述优化目标检测结果对所述初始目标检测结果进行优化,得到所述目标车轴图像中的车轴识别结果,包括:
针对各个所述优化目标检测结果,将所述优化目标检测结果分别与各所述初始目标检测结果进行对照,得到对照结果;所述对照结果指示在不少于一个初始目标检测结果中,是否具有与所述优化目标检测结果相同的初始目标检测结果;
当所述对照结果指示具有与所述优化目标检测结果相同的初始目标检测结果,将与所述优化目标检测结果相同的初始目标检测结果确定为所述目标车轴图像中的备选检测结果;
当所述对照结果指示没有与所述优化目标检测结果相同的初始目标检测结果,将所述图像块实际图特征矩阵和融合图像块特征矩阵进行矩阵连接,得到合并特征矩阵;
通过所述合并特征矩阵对所述目标车轴图像进行目标检测,得到所述目标车轴图像中的备选检测结果;
通过车轴轴型特征集对所述备选检测结果进行轴型修正,得到所述目标车轴图像中的车轴识别结果。
作为一种实施方式,所述特征交互通过特征交互算子完成;所述特征交互算子包括第一特征交互算子、第二特征交互算子和第三特征交互算子;所述将所述模型图特征矩阵和所述实际图特征矩阵进行特征交互,得到目标交互特征矩阵,包括:
通过所述第一特征交互算子,对所述模型图特征矩阵和所述实际图特征矩阵进行特征交互,得到第一交互特征矩阵;
通过所述第二特征交互算子,对所述模型图特征矩阵和所述实际图特征矩阵进行特征交互,得到第二交互特征矩阵;
通过所述第三特征交互算子,对所述实际图特征矩阵和所述第一交互特征矩阵进行特征交互,得到第三交互特征矩阵;
对所述第三交互特征矩阵和所述第二交互特征矩阵进行偏心调节后求和,得到偏心融合特征矩阵;
将所述偏心融合特征矩阵和所述第三交互特征矩阵进行矩阵连接,得到所述目标交互特征矩阵。
作为一种实施方式,所述第一特征交互算子包括多头映射融合算子、梯度优化算子和感知机;所述通过所述第一特征交互算子,对所述模型图特征矩阵和所述实际图特征矩阵进行特征交互,得到第一交互特征矩阵,包括:
通过所述多头映射融合算子对所述模型图特征矩阵及所述实际图特征矩阵进行特征交互,得到第四交互特征矩阵;
通过所述梯度优化算子对所述第四交互特征矩阵和所述模型图特征矩阵进行跳跃误差连接,得到跳跃误差连接结果;
通过所述感知机对所述跳跃误差连接结果进行感知操作,得到感知结果;
通过所述梯度优化算子对所述感知结果和所述跳跃误差连接结果进行跳跃误差连接,得到所述第一交互特征矩阵。
作为一种实施方式,所述通过所述多头映射融合算子,对所述模型图特征矩阵及所述实际图特征矩阵进行特征交互,得到第四交互特征矩阵,包括:
将所述模型图特征矩阵确定为所述第一特征交互算子的输入矩阵表示,并将所述实际图特征矩阵分别确定为所述第一特征交互算子的查询信息矩阵和输出加权信息矩阵;
通过所述多头映射融合算子对所述输入矩阵表示、所述查询信息矩阵和所述输出加权信息矩阵进行特征交互,得到所述第四交互特征矩阵;
所述通过所述梯度优化算子对所述第四交互特征矩阵和所述模型图特征矩阵进行跳跃误差连接,得到跳跃误差连接结果,包括:
通过所述梯度优化算子对所述第四交互特征矩阵和所述输入矩阵表示进行跳跃误差连接,得到所述跳跃误差连接结果。
作为一种实施方式,所述第二特征交互算子、所述第三特征交互算子和所述第一特征交互算子的算子结构相同;所述通过所述第二特征交互算子对所述模型图特征矩阵和所述实际图特征矩阵进行特征交互,得到第二交互特征矩阵,包括:
将所述实际图特征矩阵确定为第二特征交互算子的输入矩阵表示,将所述模型图特征矩阵分别确定为所述第二特征交互算子的查询信息矩阵和输出加权信息矩阵;
通过所述第二特征交互算子,对所述输入矩阵表示、所述查询信息矩阵和所述输出加权信息矩阵进行特征交互,得到第二交互特征矩阵;
所述通过所述第三特征交互算子,对所述实际图特征矩阵和所述第一交互特征矩阵进行特征交互,得到第三交互特征矩阵,包括:
将所述实际图特征矩阵确定为第三特征交互算子的输入矩阵表示,将所述第一交互特征矩阵分别确定为所述第三特征交互算子的查询信息矩阵和输出加权信息矩阵;
通过所述第三特征交互算子对所述输入矩阵表示、所述查询信息矩阵和所述输出加权信息矩阵进行特征交互,得到第三交互特征矩阵;
所述对所述第三交互特征矩阵和所述第二交互特征矩阵进行偏心调节后求和,得到偏心融合特征矩阵,包括:
获取所述第三交互特征矩阵的第一偏心系数,以及所述第二交互特征矩阵的第二偏心系数;
将所述第三交互特征矩阵和所述第一偏心系数进行偏心计算,得到第一偏心调节值;
将所述第二交互特征矩阵和所述第二偏心系数进行偏心计算,得到第二偏心调节值;
将所述第一偏心调节值和所述第二偏心调节值进行相加,得到相加结果;
对所述相加结果进行正规化,得到正规化特征矩阵;
将所述正规化特征矩阵和所述第二交互特征矩阵相乘,得到所述偏心融合特征矩阵。
作为一种实施方式,所述目标交互特征矩阵包括所述目标车轴图像中的各个图像块对应的融合图像块特征矩阵,所述通过所述目标交互特征矩阵对所述目标车轴图像进行目标检测,得到所述目标车轴图像中的初始目标检测结果,包括:
针对所述目标车轴图像中的各个图像块对应的融合图像块特征矩阵,通过所述融合图像块特征矩阵,对所述图像块进行车轴类型预估,得到所述图像块分别对应各类型的初始类型支持系数;
将数值最大的所述初始类型支持系数对应的类型作为所述图像块对应的初始类型;
如果所述初始类型指示所述图像块是车轴图像块时,获取所述车轴图像块的车轴类型,将所述图像块确定为所述目标车轴图像中对应所述车轴类型的初始目标检测结果。
作为一种实施方式,所述实际图特征矩阵包括所述目标车轴图像中的各个图像块对应的图像块实际图特征矩阵,所述通过所述实际图特征矩阵对所述目标车轴图像进行目标检测,得到所述目标车轴图像中的优化目标检测结果,包括:
针对所述目标车轴图像中的各个图像块对应的图像块实际图特征矩阵,通过所述图像块实际图特征矩阵,对所述图像块进行车轴类型预估,得到所述图像块分别对应各类型的优化类型支持系数;
将数值最大的所述优化类型支持系数对应的类型作为所述图像块对应的优化类型;
如果所述优化类型指示所述图像块是车轴图像块时,获取所述车轴图像块的车轴类型,将所述图像块确定为所述目标车轴图像中对应所述车轴类型的优化目标检测结果。
作为一种实施方式,所述合并特征矩阵包括所述目标车轴图像中的各个图像块对应的图像块合并特征矩阵,所述通过所述合并特征矩阵对所述目标车轴图像进行目标检测,得到所述目标车轴图像中的备选检测结果,包括:
针对所述目标车轴图像中的各个图像块对应的图像块合并特征矩阵,通过所述图像块合并特征矩阵对所述图像块进行车轴类型预估,得到所述图像块分别对应各类型的目标类型支持系数;
将数值最大的所述目标类型支持系数对应的类型作为所述图像块对应的目标类型;
当所述目标类型指示所述图像块是车轴图像块时,获取所述车轴图像块的车轴类型,将所述图像块确定为所述目标车轴图像中对应所述车轴类型的备选检测结果。
作为一种实施方式,所述对所述目标车轴图像进行特征提取,得到实际图特征矩阵,包括:
确定所述目标车轴图像中各个图像块对应的自相关特征矩阵、原始图像块特征矩阵和分布特征矩阵;
将所述自相关特征矩阵、所述原始图像块特征矩阵和所述分布特征矩阵进行加法运算,得到融合特征矩阵;
对所述融合特征矩阵进行特征提取,得到所述实际图特征矩阵;
所述对所述车轴激光扫描模型图进行特征提取,得到模型图特征矩阵,包括:
获取所述实际图特征矩阵的秩,并通过所述实际图特征矩阵的秩,对所述车轴激光扫描模型图进行大小调节,得到归一化模型图;
对所述归一化模型图进行特征提取,得到与所述实际图特征矩阵相同秩的模型图特征矩阵。
根据本公开的另一方面,提供了一种车轴识别系统,包括激光检测仪、摄像设备和计算机设备,所述计算机设备与所述激光检测仪和摄像设备通信连接,以接收所述激光检测仪和摄像设备的信号,所述计算机设备包括: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指令,所述指令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以上所述的方法。
本公开至少包括如下有益效果:
本公开结合目标车轴图像和与目标车轴图像对应的车轴激光扫描模型图,确定目标交互特征矩阵,通过目标交互特征矩阵对目标车轴图像进行目标检测,如此精准得到目标车轴图像中的初始目标检测结果,因为获得的初始目标检测结果全面分析了与目标车轴图像对应的车轴激光扫描模型图,车轴激光扫描模型图的语义协助对目标车轴图像进行目标检测,以此大大增加了获得的初始目标检测结果的准确性。同时,通过实际图特征矩阵对目标车轴图像进行目标检测,得到优化目标检测结果,通过优化目标检测结果对联合了车轴激光扫描模型图的语义的初始目标检测结果进行优化,得到目标车轴图像中的车轴识别结果。首先基于联合对应的车轴激光扫描模型图进行目标检测,以极大增加目标检测的准确性,其次通过优化目标检测结果对初始目标检测结果的误检情况进行优化,得到车轴识别结果,如此再次增加目标检测的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的基于激光雷达的车轴识别方法的应用场景示意图。
图2示出了根据本公开的实施例的一种基于激光雷达的车轴识别方法的流程图。
图3示出了根据本公开的实施例的车轴识别装置的功能模块架构示意图。
图4示出了根据本公开的实施例的一种计算机设备的组成示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
图1示出了根据本公开的实施例提供的车轴识别系统100的示意图。该车轴识别系统100包括一个或多个数据采集设备101、计算机设备120以及将一个或多个数据采集设备101耦接到计算机设备120的一个或多个通信网络110。数据采集设备101包括摄像设备和激光检测仪,激光检测仪包括激光扫描传感器。
在本公开的实施例中,计算机设备120可以运行使得能够执行基于激光雷达的车轴识别方法的一个或多个服务或软件应用。
在图1所示的配置中,计算机设备120可以包括实现由计算机设备120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作数据采集设备101的用户可以依次利用一个或多个应用程序来与计算机设备120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与车轴识别系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
计算机设备120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。计算机设备120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,计算机设备120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
计算机设备120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。计算机设备120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,计算机设备120可以包括一个或多个应用程序,以分析和合并从数据采集设备101的用户接收的数据馈送和/或事件更新。计算机设备120还可以包括一个或多个应用程序,以经由数据采集设备101的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,计算机设备120可以为分布式系统的服务器,或者是结合了区块链的服务器。计算机设备120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
车轴识别系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如激光扫描数据和图像数据。数据库130可以驻留在各种位置。例如,由计算机设备120使用的数据库可以在计算机设备120本地,或者可以远离计算机设备120且可以经由基于网络或专用的连接与计算机设备120通信。数据库130可以是不同的类型。在某些实施例中,由计算机设备120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
请参照图2,本公开实施例提供的方法应用于计算机设备120,具体包括以下操作:
操作110,获取目标车轴图像和与目标车轴图像对应的车轴激光扫描模型图。
其中,目标车轴图像为通过摄像设备的光学传感器感测拍摄的目标车辆的图像,例如球形摄像机拍摄得到,车轴激光扫描模型图为通过激光检测仪中的激光扫描传感器检测的车轴外廓特征信息建模得到,例如,通过不同安装方式的激光扫描传感器检测数据结合后进行建模,将激光扫描传感器检测到的外廓特征信息扩充到三维空间,通过建模形成车辆的三维外廓。本公开通过目标车轴图像和其对应的车轴激光扫描模型图,可以进行目标检测,例如检测车辆的车轴轴数、轴距、单双胎等特征,此外还可以检测车辆的轴型,如BCDE四轴型,重型、中型、轻型和微型等车轴轴型检测。
操作120,对车轴激光扫描模型图进行特征提取,得到模型图特征矩阵,并对目标车轴图像进行特征提取,得到实际图特征矩阵。
可选地,模型图特征矩阵是车轴激光扫描模型图的矢量表征,实际图特征矩阵是目标车轴图像的矢量表征。
可选地,操作120中对目标车轴图像进行特征提取,得到实际图特征矩阵可以包括:确定目标车轴图像中各个图像块对应的自相关特征矩阵、原始图像块特征矩阵和分布特征矩阵;将自相关特征矩阵、原始图像块特征矩阵和分布特征矩阵进行加法运算,得到融合特征矩阵;对融合特征矩阵进行特征提取,得到实际图特征矩阵。可选地,图像块对应的自相关特征矩阵是图像块的上下文语义特征。可选地,图像块对应的原始图像块特征矩阵代表该图像块的语义特征,图像块对应的分布特征矩阵代表该图像块在目标车轴图像中的空间分布位置,例如位于哪一个分割对象中。可选地,对融合特征矩阵进行特征提取,得到实际图特征矩阵的方式可以通过循环神经网络对融合特征矩阵进行特征提取,得到实际图特征矩阵。
可选地,操作120对车轴激光扫描模型图进行特征提取,得到模型图特征矩阵包括:获取实际图特征矩阵的秩(矩阵的维数),通过实际图特征矩阵的秩对车轴激光扫描模型图进行大小调节(调节矩阵的尺寸),得到归一化模型图(即一个标准的模型图);对归一化模型图进行特征提取,得到与实际图特征矩阵相同秩的模型图特征矩阵。可选地,矩阵的秩是矩阵行列包括的元素的数量,实际图特征矩阵的秩表征实际图特征矩阵包括的元素数量,因为模型图特征矩阵的秩受制于模型图大小,则如果要获得和实际图特征矩阵相同秩的模型图特征矩阵,可以对车轴激光扫描模型图进行大小调节,得到归一化模型图,对归一化模型图进行特征提取,得到与实际图特征矩阵相同秩的模型图特征矩阵。
可选地,对归一化模型图进行特征提取,得到与实际图特征矩阵相同秩的模型图特征矩阵,包括:通过线性变换算子,例如CNN(卷积神经网络)对归一化模型图进行特征提取,得到与实际图特征矩阵相同秩的模型图特征矩阵。
操作130,将模型图特征矩阵和实际图特征矩阵进行特征交互,得到目标交互特征矩阵。
可选地,操作130具体可以包括:通过内部注意力算子(self attentionoperator)对实际图特征矩阵进行处理,得到实际图特征矩阵的中间特征矩阵(隐特征);将模型图特征矩阵和实际图特征矩阵进行特征交互,得到目标交互特征矩阵。特征交互的过程即完成两种模态(虚拟的三维轮廓图模态和真实的图像模态)的图像特征的融合,使得交互融合完成的交互特征矩阵具有以上两个模态的语义特征信息。
可选地,本公开提供的基于激光雷达的车轴识别方法中,操作130具体可以包括操作131~操作135。
操作131,通过第一特征交互算子,对模型图特征矩阵和实际图特征矩阵进行特征交互,得到第一交互特征矩阵。可选地,第一特征交互算子用于对模型图特征矩阵和实际图特征矩阵进行特征交互。例如,通过第一特征交互算子对模型图特征矩阵和实际图特征矩阵的中间特征矩阵进行特征交互,得到第一交互特征矩阵。可选地,第一特征交互算子包括多头映射融合算子、梯度优化算子和感知机。多头映射融合算子是一个基于多头注意力机制的算子,其在多个不同的投影空间中建立不同的投影信息,将输入矩阵进行不同的投影,得到多个输出矩阵后,拼接在一起,用于自动学习和计算输入对输出的贡献大小的算子,梯度优化算子可以为残差算子,用于解决深层网络训练中的梯度消失和梯度爆炸问题,使得深层网络能够更好地进行训练,其引入了跳跃连接,使得数字你能够更好地传递梯度信息,减轻了梯度消失和梯度爆炸问题。
可选地,操作131具体可以包括操作1311~操作1314。
操作1311,通过多头映射融合算子对模型图特征矩阵及实际图特征矩阵进行特征交互,得到第四交互特征矩阵。
可选地,多头映射融合算子将不同模态的特征矩阵进行交互融合,操作1311具体可以包括:将模型图特征矩阵确定为第一特征交互算子的输入矩阵表示,并将实际图特征矩阵分别确定为第一特征交互算子的查询信息矩阵和输出加权信息矩阵;通过多头映射融合算子,对输入矩阵表示、查询信息矩阵和输出加权信息矩阵进行特征交互,得到第四交互特征矩阵。其中,输入矩阵表示、查询信息矩阵和输出加权信息矩阵分别对应了注意力机制中的查询(输入矩阵表示Query)、键(查询信息矩阵Key)和值(输出加权信息矩阵Value),通过多头映射融合算子对输入矩阵表示、查询信息矩阵和输出加权信息矩阵进行特征交互,得到第四交互特征矩阵。
操作1312,通过梯度优化算子对第四交互特征矩阵和模型图特征矩阵进行跳跃误差连接,得到跳跃误差连接结果。
可选地,梯度优化算子可以为ResNet用于对梯度优化算子的输入进行跳跃误差连接,得到跳跃误差连接结果,跳跃误差连接包括残差相加和规范化(LN),残差相加帮助梯度优化算子聚焦在当下,规范化帮助梯度优化算子的收敛效率。
可选地,操作1312具体包括:通过梯度优化算子对第四交互特征矩阵和输入矩阵表示进行跳跃误差连接,得到跳跃误差连接结果。
操作1313,通过感知机对跳跃误差连接结果进行感知操作,得到感知结果。
感知机是前向神经网络,可以增加第一特征交互算子的表达效果,感知机中引入了非线性函数,可以对跳跃误差连接结果进行感知,完成激活。
操作1314,通过梯度优化算子对感知结果和跳跃误差连接结果进行跳跃误差连接,得到第一交互特征矩阵。
操作132,通过第二特征交互算子,对模型图特征矩阵和实际图特征矩阵进行特征交互,得到第二交互特征矩阵。
可选地,第二特征交互算子和第一特征交互算子的算子结构相同,操作132具体包括:将实际图特征矩阵确定为第二特征交互算子的输入矩阵表示,将模型图特征矩阵分别确定为第二特征交互算子的查询信息矩阵和输出加权信息矩阵;通过第二特征交互算子,对输入矩阵表示、查询信息矩阵和输出加权信息矩阵进行特征交互,得到第二交互特征矩阵。
可选地,第二特征交互算子包括多头映射融合算子、梯度优化算子和感知机;通过第二特征交互算子对输入矩阵表示、查询信息矩阵和输出加权信息矩阵进行特征交互,得到第二交互特征矩阵,具体包括:通过多头映射融合算子,对输入矩阵表示、查询信息矩阵和输出加权信息矩阵进行特征交互,得到第五交互特征矩阵;通过梯度优化算子,对第五交互特征矩阵和输入矩阵表示进行跳跃误差连接,得到跳跃误差连接结果;通过感知机,对跳跃误差连接结果进行感知操作,得到感知结果;通过梯度优化算子,对感知结果和跳跃误差连接结果进行跳跃误差连接,得到第二交互特征矩阵。
操作133,通过第三特征交互算子对实际图特征矩阵和第一交互特征矩阵进行特征交互,得到第三交互特征矩阵。
可选地,第三特征交互算子和第一特征交互算子的算子结构相同,操作133具体包括:将实际图特征矩阵确定为第三特征交互算子的输入矩阵表示,将第一交互特征矩阵分别确定为第三特征交互算子的查询信息矩阵和输出加权信息矩阵;通过第三特征交互算子,对输入矩阵表示、查询信息矩阵和输出加权信息矩阵进行特征交互,得到第三交互特征矩阵。
可选地,第三特征交互算子包括多头映射融合算子、梯度优化算子和感知机;上述通过第三特征交互算子,对输入矩阵表示、查询信息矩阵和输出加权信息矩阵进行特征交互,得到第三交互特征矩阵,具体包括:通过多头映射融合算子,对输入矩阵表示、查询信息矩阵和输出加权信息矩阵进行特征交互,得到第六交互特征矩阵;通过梯度优化算子,对第六交互特征矩阵和输入矩阵表示进行跳跃误差连接,得到跳跃误差连接结果;通过感知机,对跳跃误差连接结果进行感知操作,得到感知结果;通过梯度优化算子,对感知结果和跳跃误差连接结果进行跳跃误差连接,得到第三交互特征矩阵。
操作134,对第三交互特征矩阵和第二交互特征矩阵进行偏心调节后求和,得到偏心融合特征矩阵。
可选地,偏心调节涉及到偏心计算,偏心计算是将目标值乘以偏心系数,偏心系数是一个权值,偏心调节后求和的过程具体可以包含偏心计算、相加和正规化(归一到-1,1之间)。
可选地,本公开提供的基于激光雷达的车轴识别方法中,操作134可以包括操作1341~操作1345。
操作1341,获取第三交互特征矩阵的第一偏心系数,以及第二交互特征矩阵的第二偏心系数。
譬如,第三交互特征矩阵的第一偏心系数为W1,第二交互特征矩阵的第二偏心系数为W2。
操作1342,将第三交互特征矩阵和第一偏心系数进行偏心计算,得到第一偏心调节值;将第二交互特征矩阵和第二偏心系数进行偏心计算,得到第二偏心调节值。
譬如,第一偏心调节值H1的计算公式为:
H1=W1·V3
其中,H1为第一偏心调节值,W1为第一偏心系数,V3为第三交互特征矩阵。
第二偏心调节值H2的计算公式为:
H2=W2·V2
其中,H2为第二偏心调节值,W2为第二偏心系数,V2为第二交互特征矩阵。
操作1343,将第一偏心调节值和第二偏心调节值进行相加,得到相加结果。
譬如,相加结果H3的计算公式为:
H3=H1+H2
操作1344,对相加结果进行正规化,得到正规化特征矩阵。
作为一种实施方式,正规化特征矩阵的计算公式为:
Mn=α·H3
其中,Mn为正规化特征矩阵,H3为相加结果,α为检测函数。
操作1345,将正规化特征矩阵和第二交互特征矩阵相乘,得到偏心融合特征矩阵。
操作135,将偏心融合特征矩阵和第三交互特征矩阵进行矩阵连接,得到目标交互特征矩阵。
矩阵连接的方式例如是将两个特征矩阵进行合并,融合为一个大矩阵(即目标交互特征矩阵)。
基于此,采用本公开实施例中第一特征交互算子、第二特征交互算子和第三特征交互算子对实际图特征矩阵和模型图特征矩阵进行不同维度的整合交互,得到的交互特征矩阵中,具有车轴激光扫描模型图和目标车轴图像的语义信息特征,帮助进行准确的目标检测。
操作140,通过目标交互特征矩阵对目标车轴图像进行目标检测,得到目标车轴图像中的初始目标检测结果;通过实际图特征矩阵对目标车轴图像进行目标检测,得到目标车轴图像中的优化目标检测结果。
可选地,目标检测可以是检测车轴数量、车胎数量、车轴轴型等,结合激光扫描的空间点位的精确性,可以对检测到的轴型位置进行准确定位。
可选地,目标交互特征矩阵包括目标车轴图像中的各个图像块对应的融合图像块特征矩阵,需要说明的是,目标交互特征矩阵中的融合图像块特征矩阵为融合了模型图特征矩阵对应图像块区域的特征信息后得到的图像块特征矩阵,操作140中,通过目标交互特征矩阵对目标车轴图像进行目标检测,得到目标车轴图像中的初始目标检测结果,可以通过针对目标车轴图像中的各个图像块对应的融合图像块特征矩阵分别进行处理,具体地,通过融合图像块特征矩阵对图像块进行车轴类型预估,得到图像块分别对应各类型的初始类型支持系数;将数值最大的初始类型支持系数对应的类型作为图像块对应的初始类型;如果初始类型指示图像块是车轴图像块,则获取车轴图像块的车轴类型,将图像块确定为目标车轴图像中对应车轴类型的初始目标检测结果。
可选地,类型可以包含车轴类型和正常类型,在确定图像块的类型是正常类型时,代表该图像块不是车轴图像块。车轴类型可以包括车轴裂纹、锈蚀、裂口、弯曲等,具体不做限定。
可选地,实际图特征矩阵包括目标车轴图像中的各个图像块对应的图像块实际图特征矩阵,操作140中通过实际图特征矩阵对目标车轴图像进行目标检测,得到目标车轴图像中的优化目标检测结果,可针对目标车轴图像中的各个图像块对应的图像块实际图特征矩阵分别进行如下操作:通过图像块实际图特征矩阵,对图像块进行车轴类型预估,得到图像块分别对应各类型的优化类型支持系数;将数值最大的优化类型支持系数对应的类型作为图像块对应的优化类型;如果优化类型指示图像块是车轴图像块,获取车轴图像块的车轴类型,将图像块确定为目标车轴图像中对应车轴类型的优化目标检测结果。
基于此,分别通过图像块实际图特征矩阵和融合图像块特征矩阵对图像块进行车轴类型预估,对应得到目标车轴图像中对应车轴类型的优化目标检测结果和初始目标检测结果,因为融合图像块特征矩阵融合了车轴激光扫描模型图的语义特征,从而通过融合图像块特征矩阵获得的初始目标检测结果有效联合了车轴激光扫描模型图的语义特征,以使初始目标检测结果的准确性更可靠。
操作150,通过优化目标检测结果,对初始目标检测结果进行优化,得到目标车轴图像中的车轴识别结果。
可选地,因为通过融合图像块特征矩阵得到的初始目标检测结果,加入的车轴激光扫描模型图的空间特征可能对初始目标检测结果的确定造成影响,则通过图像块实际图特征矩阵获得的优化目标检测结果,以缓解因为空间特征的引入导致的误差,提升获得的目标车轴图像中的车轴识别结果的精度。
操作150对各优化目标检测结果分别进行以下操作151~操作155。
操作151,将优化目标检测结果分别与各初始目标检测结果进行对照,得到对照结果。
可选地,对照结果指示在不少于一个初始目标检测结果中,是否具有与优化目标检测结果相同的初始目标检测结果。
举例而言,将优化目标检测结果A1分别与初始目标检测结果B1、初始目标检测结果B2、初始目标检测结果B3、初始目标检测结果B4、初始目标检测结果B5进行对照,得到对照结果,对照结果代表优化目标检测结果A1与初始目标检测结果B4相同或相异。
操作152,当对照结果指示具有与优化目标检测结果相同的初始目标检测结果时,将与优化目标检测结果相同的初始目标检测结果,确定为目标车轴图像中的备选检测结果。
例如,当对照结果指示具有与优化目标检测结果A1相同的初始目标检测结果,将与优化目标检测结果A1相同的初始目标检测结果B4,确定为目标车轴图像中的备选检测结果。
操作153,当对照结果指示没有与优化目标检测结果相同的初始目标检测结果时,将图像块实际图特征矩阵和融合图像块特征矩阵进行矩阵连接,得到合并特征矩阵。
可选地,矩阵连接的过程是将两个相同秩的矩阵进行拼接。例如,当对照结果指示没有与优化目标检测结果相同的初始目标检测结果,将图像块实际图特征矩阵和图像块实际图特征矩阵进行矩阵连接,得到合并特征矩阵。
操作154,通过合并特征矩阵对目标车轴图像进行目标检测,得到目标车轴图像中的备选检测结果。
可选地,合并特征矩阵包括目标车轴图像中的各个图像块对应的图像块合并特征矩阵,操作154可以针对目标车轴图像中的各个图像块对应的图像块合并特征矩阵执行下述操作:通过图像块合并特征矩阵对图像块进行车轴类型预估,得到图像块分别对应各类型的目标类型支持系数;将数值最大的目标类型支持系数对应的类型作为图像块对应的目标类型,如果目标类型指示图像块是车轴图像块,则获取车轴图像块的车轴类型,将图像块确定为目标车轴图像中对应车轴类型的备选检测结果。
操作155,通过车轴轴型特征集,对备选检测结果进行轴型修正,得到目标车轴图像中的车轴识别结果。
例如,车轴轴型特征集包括单胎轴型特征、双胎轴型特征、重型轴型特征、中型轴型特征、轻型轴型特征和微型轴型特征等,可选地,操作155具体包括:将备选检测结果与车轴轴型特征集中的各轴型特征进行对照,确定车轴轴型特征集中与备选检测结果相同的轴型特征。在车轴轴型特征集中获取相应轴型特征的轴型特征分类,将轴型特征分类与备选检测结果的轴型特征分类进行对照;当对照结果指示轴型特征分类与备选检测结果的轴型特征分类相同,则将备选检测结果的轴型特征分类确定为目标车轴图像中的车轴识别结果的轴型特征分类;当对照结果指示轴型特征分类与备选检测结果的轴型特征分类不同,则将相应轴型特征的轴型特征分类确定为目标车轴图像中的车轴识别结果的轴型特征分类。
基于此,分别通过图像块实际图特征矩阵和融合图像块特征矩阵对图像块进行车轴类型预估,对应得到目标车轴图像中对应车轴类型的优化目标检测结果和初始目标检测结果,因为融合图像块特征矩阵融合了车轴激光扫描模型图的语义特征信息,因此通过融合图像块特征矩阵得到的初始目标检测结果有效整合了车轴激光扫描模型图的语义特征,令初始目标检测结果的可靠性高,为了再次增加初始目标检测结果的精度,通过图像块实际图特征矩阵确定出的优化目标检测结果,再度对初始目标检测结果进行优化,通过车轴轴型特征集可以有效优化有偏误的轴型特征分类,以此大大增加了目标检测的精度。
通过将优化目标检测结果分别与各初始目标检测结果进行对照,在对照结果指示具有与优化目标检测结果相同的初始目标检测结果时,将与优化目标检测结果相同的初始目标检测结果确定为目标车轴图像中的备选检测结果。而在对照结果指示没有与优化目标检测结果相同的初始目标检测结果时,将图像块实际图特征矩阵和图像块实际图特征矩阵进行矩阵连接,得到合并特征矩阵,通过合并特征矩阵对目标车轴图像进行目标检测,得到备选检测结果。因此,通过不同的对照结果,基于不同的方式确定车轴识别结果,以此大大增加了获得的车轴识别结果的精度。
基于此,基于联合目标车轴图像和与目标车轴图像对应的车轴激光扫描模型图,确定交互特征矩阵,通过交互特征矩阵对目标车轴图像进行目标检测,如此精准得到目标车轴图像中的初始目标检测结果,因为获得的初始目标检测结果全面分析了与目标车轴图像对应的车轴激光扫描模型图,车轴激光扫描模型图的语义特征信息一起对目标车轴图像进行目标检测,以此大大增加了获得的初始目标检测结果的准确性。同时,通过实际图特征矩阵对目标车轴图像进行目标检测,得到优化目标检测结果,通过优化目标检测结果对联合了车轴激光扫描模型图的语义的初始目标检测结果进行优化,得到目标车轴图像中的车轴识别结果。首先基于联合对应的车轴激光扫描模型图进行目标检测,以极大增加目标检测的准确性,其次通过优化目标检测结果,对初始目标检测结果的误检情况进行优化,得到车轴识别结果,如此再次增加目标检测的准确性。
结合以上实施例,本公开的有益效果包含以下几点:
一、通过综合目标车轴图像和与目标车轴图像对应的车轴激光扫描模型图确定交互特征矩阵,通过交互特征矩阵对目标车轴图像进行目标检测,如此精准得到目标车轴图像中的初始目标检测结果,因为获得的初始目标检测结果全面分析了与目标车轴图像对应的车轴激光扫描模型图,车轴激光扫描模型图的语义特征信息一起对目标车轴图像进行目标检测,以此大大增加了获得的初始目标检测结果的准确性。同时,通过实际图特征矩阵对目标车轴图像进行目标检测,得到优化目标检测结果,通过优化目标检测结果对联合了车轴激光扫描模型图的语义的初始目标检测结果进行优化,得到目标车轴图像中的车轴识别结果。首先基于联合对应的车轴激光扫描模型图进行目标检测,以极大增加目标检测的准确性,其次通过优化目标检测结果,对初始目标检测结果的误检情况进行优化,得到车轴识别结果,如此再次增加目标检测的准确性。
二、通过本公开实施例中的第一特征交互算子、第二特征交互算子和第三特征交互算子对实际图特征矩阵和模型图特征矩阵进行多个不同维度的交互,得到的实际图特征矩阵可以充分整合车轴激光扫描模型图和目标车轴图像的语义特征信息,便于进行准确的目标检测。
三、分别通过图像块实际图特征矩阵和融合图像块特征矩阵对图像块进行车轴类型预估,对应得到目标车轴图像中对应车轴类型的优化目标检测结果和初始目标检测结果,因为融合图像块特征矩阵整合了车轴激光扫描模型图的语义特征,如此通过融合图像块特征矩阵得到的初始目标检测结果,能有效整合车轴激光扫描模型图的特征,初始目标检测结果的精度高。
四、分别通过图像块实际图特征矩阵和融合图像块特征矩阵对图像块进行车轴类型预估,对应得到目标车轴图像中对应车轴类型的优化目标检测结果和初始目标检测结果,因为融合图像块特征矩阵整合了车轴激光扫描模型图的语义信息,使得通过融合图像块特征矩阵得到的初始目标检测结果具有车轴激光扫描模型图的特征,这样让初始目标检测结果的精度高,此外为了再次增加初始目标检测结果的精度,通过图像块实际图特征矩阵确定出的优化目标检测结果,再次对初始目标检测结果进行优化,以此大大增加了目标检测的精度。
五、因为通过融合图像块特征矩阵得到的初始目标检测结果加入的车轴激光扫描模型图的空间特征可能引起初始目标检测结果的结果出现偏差,则通过图像块实际图特征矩阵获得的优化目标检测结果,可以减少因空间特征带来的误差,提高获得的目标车轴图像中的车轴识别结果的精度。
六、通过将优化目标检测结果分别与各初始目标检测结果进行对照,在对照结果指示具有与优化目标检测结果相同的初始目标检测结果时,将与优化目标检测结果相同的初始目标检测结果作为目标车轴图像中的车轴识别结果,在对照结果指示没有与优化目标检测结果相同的初始目标检测结果时,将图像块实际图特征矩阵和图像块实际图特征矩阵进行矩阵连接,得到合并特征矩阵,通过合并特征矩阵对目标车轴图像进行目标检测,得到车轴识别结果。那么,通过不同的对照结果,基于不同策略得到车轴识别结果,以此大大增加了获得的车轴识别结果的精度。
根据本公开的另一方面,还提供一种车轴识别装置,请参图3,装置300包括:
数据获取模块310,用于获取目标车轴图像和与所述目标车轴图像对应的车轴激光扫描模型图,所述车轴激光扫描模型图通过激光扫描传感器检测的车轴外廓特征信息建模得到;
特征提取模块320,用于对所述车轴激光扫描模型图进行特征提取,得到模型图特征矩阵,并对所述目标车轴图像进行特征提取,得到实际图特征矩阵;
特征交互模块330,用于将所述模型图特征矩阵和所述实际图特征矩阵进行特征交互,得到目标交互特征矩阵;
目标检测模块340,用于通过所述目标交互特征矩阵对所述目标车轴图像进行目标检测,得到所述目标车轴图像中的初始目标检测结果;通过所述实际图特征矩阵对所述目标车轴图像进行目标检测,得到所述目标车轴图像中的优化目标检测结果;
目标检测优化模块350,用于通过所述优化目标检测结果,对所述初始目标检测结果进行优化,得到所述目标车轴图像中的车轴识别结果。
根据本公开的实施例,还提供了一种计算机设备、一种可读存储介质和一种计算机程序产品。
请参考图4,为本公开的服务器或客户端的计算机设备1000的结构框图,计算机设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储计算机设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
计算机设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006、输出单元1007、存储单元1008以及通信单元10010。输入单元1006可以是能向计算机设备1000输入信息的任何类型的设备,输入单元1006可以接收输入的数字或字符信息,以及产生与计算机设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元10010允许计算机设备1000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,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1001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。计算单元1001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计算单元、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。计算单元1001执行上文所描述的各个方法和处理,例如方法200。例如,在一些实施例中,方法200可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到计算机设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的方法200的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200。
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)、复杂可编程逻辑设备(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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中,机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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,可以在计算机上实施此处描述的系统和技术,该计算机具有: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计算机。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)和互联网。
计算机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,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (10)
1.一种基于激光雷达的车轴识别方法,其特征在于,应用于计算机设备,所述方法包括:
获取目标车轴图像和与所述目标车轴图像对应的车轴激光扫描模型图,所述车轴激光扫描模型图通过激光扫描传感器检测的车轴外廓特征信息建模得到;
对所述车轴激光扫描模型图进行特征提取,得到模型图特征矩阵,并对所述目标车轴图像进行特征提取,得到实际图特征矩阵;
将所述模型图特征矩阵和所述实际图特征矩阵进行特征交互,得到目标交互特征矩阵;
通过所述目标交互特征矩阵对所述目标车轴图像进行目标检测,得到所述目标车轴图像中的初始目标检测结果;
通过所述实际图特征矩阵对所述目标车轴图像进行目标检测,得到所述目标车轴图像中的优化目标检测结果;
通过所述优化目标检测结果,对所述初始目标检测结果进行优化,得到所述目标车轴图像中的车轴识别结果;
其中,所述优化目标检测结果及所述初始目标检测结果的个数不少于一个,所述通过所述优化目标检测结果对所述初始目标检测结果进行优化,得到所述目标车轴图像中的车轴识别结果,包括:
针对各个所述优化目标检测结果,将所述优化目标检测结果分别与各所述初始目标检测结果进行对照,得到对照结果;所述对照结果指示在不少于一个初始目标检测结果中,是否具有与所述优化目标检测结果相同的初始目标检测结果;
当所述对照结果指示具有与所述优化目标检测结果相同的初始目标检测结果,将与所述优化目标检测结果相同的初始目标检测结果确定为所述目标车轴图像中的备选检测结果;
当所述对照结果指示没有与所述优化目标检测结果相同的初始目标检测结果,所述实际图特征矩阵包括所述目标车轴图像中的各个图像块对应的图像块实际图特征矩阵,所述目标交互特征矩阵包括所述目标车轴图像中的各个图像块对应的融合图像块特征矩阵,将所述图像块实际图特征矩阵和融合图像块特征矩阵进行矩阵连接,得到合并特征矩阵;
通过所述合并特征矩阵对所述目标车轴图像进行目标检测,得到所述目标车轴图像中的备选检测结果;
通过车轴轴型特征集对所述备选检测结果进行轴型修正,得到所述目标车轴图像中的车轴识别结果。
2.根据权利要求1所述的方法,其特征在于,所述特征交互通过特征交互算子完成;所述特征交互算子包括第一特征交互算子、第二特征交互算子和第三特征交互算子;所述将所述模型图特征矩阵和所述实际图特征矩阵进行特征交互,得到目标交互特征矩阵,包括:
通过所述第一特征交互算子,对所述模型图特征矩阵和所述实际图特征矩阵进行特征交互,得到第一交互特征矩阵;
通过所述第二特征交互算子,对所述模型图特征矩阵和所述实际图特征矩阵进行特征交互,得到第二交互特征矩阵;
通过所述第三特征交互算子,对所述实际图特征矩阵和所述第一交互特征矩阵进行特征交互,得到第三交互特征矩阵;
对所述第三交互特征矩阵和所述第二交互特征矩阵进行偏心调节后求和,得到偏心融合特征矩阵;
将所述偏心融合特征矩阵和所述第三交互特征矩阵进行矩阵连接,得到所述目标交互特征矩阵。
3.根据权利要求2所述的方法,其特征在于,所述第一特征交互算子包括多头映射融合算子、梯度优化算子和感知机;所述通过所述第一特征交互算子,对所述模型图特征矩阵和所述实际图特征矩阵进行特征交互,得到第一交互特征矩阵,包括:
通过所述多头映射融合算子对所述模型图特征矩阵及所述实际图特征矩阵进行特征交互,得到第四交互特征矩阵;
通过所述梯度优化算子对所述第四交互特征矩阵和所述模型图特征矩阵进行跳跃误差连接,得到跳跃误差连接结果;
通过所述感知机对所述跳跃误差连接结果进行感知操作,得到感知结果;
通过所述梯度优化算子对所述感知结果和所述跳跃误差连接结果进行跳跃误差连接,得到所述第一交互特征矩阵。
4.根据权利要求3所述的方法,其特征在于,所述通过所述多头映射融合算子,对所述模型图特征矩阵及所述实际图特征矩阵进行特征交互,得到第四交互特征矩阵,包括:
将所述模型图特征矩阵确定为所述第一特征交互算子的输入矩阵表示,并将所述实际图特征矩阵分别确定为所述第一特征交互算子的查询信息矩阵和输出加权信息矩阵;
通过所述多头映射融合算子对所述输入矩阵表示、所述查询信息矩阵和所述输出加权信息矩阵进行特征交互,得到所述第四交互特征矩阵;
所述通过所述梯度优化算子对所述第四交互特征矩阵和所述模型图特征矩阵进行跳跃误差连接,得到跳跃误差连接结果,包括:
通过所述梯度优化算子对所述第四交互特征矩阵和所述输入矩阵表示进行跳跃误差连接,得到所述跳跃误差连接结果。
5.根据权利要求2所述的方法,其特征在于,所述第二特征交互算子、所述第三特征交互算子和所述第一特征交互算子的算子结构相同;所述通过所述第二特征交互算子对所述模型图特征矩阵和所述实际图特征矩阵进行特征交互,得到第二交互特征矩阵,包括:
将所述实际图特征矩阵确定为第二特征交互算子的输入矩阵表示,将所述模型图特征矩阵分别确定为所述第二特征交互算子的查询信息矩阵和输出加权信息矩阵;
通过所述第二特征交互算子,对所述输入矩阵表示、所述查询信息矩阵和所述输出加权信息矩阵进行特征交互,得到第二交互特征矩阵;
所述通过所述第三特征交互算子,对所述实际图特征矩阵和所述第一交互特征矩阵进行特征交互,得到第三交互特征矩阵,包括:
将所述实际图特征矩阵确定为第三特征交互算子的输入矩阵表示,将所述第一交互特征矩阵分别确定为所述第三特征交互算子的查询信息矩阵和输出加权信息矩阵;
通过所述第三特征交互算子对所述输入矩阵表示、所述查询信息矩阵和所述输出加权信息矩阵进行特征交互,得到第三交互特征矩阵;
所述对所述第三交互特征矩阵和所述第二交互特征矩阵进行偏心调节后求和,得到偏心融合特征矩阵,包括:
获取所述第三交互特征矩阵的第一偏心系数,以及所述第二交互特征矩阵的第二偏心系数;
将所述第三交互特征矩阵和所述第一偏心系数进行偏心计算,得到第一偏心调节值;
将所述第二交互特征矩阵和所述第二偏心系数进行偏心计算,得到第二偏心调节值;
将所述第一偏心调节值和所述第二偏心调节值进行相加,得到相加结果;
对所述相加结果进行正规化,得到正规化特征矩阵;
将所述正规化特征矩阵和所述第二交互特征矩阵相乘,得到所述偏心融合特征矩阵。
6.根据权利要求1所述的方法,其特征在于,所述通过所述目标交互特征矩阵对所述目标车轴图像进行目标检测,得到所述目标车轴图像中的初始目标检测结果,包括:
针对所述目标车轴图像中的各个图像块对应的融合图像块特征矩阵,通过所述融合图像块特征矩阵,对所述图像块进行车轴类型预估,得到所述图像块分别对应各类型的初始类型支持系数;
将数值最大的所述初始类型支持系数对应的类型作为所述图像块对应的初始类型;
如果所述初始类型指示所述图像块是车轴图像块时,获取所述车轴图像块的车轴类型,将所述图像块确定为所述目标车轴图像中对应所述车轴类型的初始目标检测结果。
7.根据权利要求1所述的方法,其特征在于,所述通过所述实际图特征矩阵对所述目标车轴图像进行目标检测,得到所述目标车轴图像中的优化目标检测结果,包括:
针对所述目标车轴图像中的各个图像块对应的图像块实际图特征矩阵,通过所述图像块实际图特征矩阵,对所述图像块进行车轴类型预估,得到所述图像块分别对应各类型的优化类型支持系数;
将数值最大的所述优化类型支持系数对应的类型作为所述图像块对应的优化类型;
如果所述优化类型指示所述图像块是车轴图像块时,获取所述车轴图像块的车轴类型,将所述图像块确定为所述目标车轴图像中对应所述车轴类型的优化目标检测结果。
8.根据权利要求1所述的方法,其特征在于,所述合并特征矩阵包括所述目标车轴图像中的各个图像块对应的图像块合并特征矩阵,所述通过所述合并特征矩阵对所述目标车轴图像进行目标检测,得到所述目标车轴图像中的备选检测结果,包括:
针对所述目标车轴图像中的各个图像块对应的图像块合并特征矩阵,通过所述图像块合并特征矩阵对所述图像块进行车轴类型预估,得到所述图像块分别对应各类型的目标类型支持系数;
将数值最大的所述目标类型支持系数对应的类型作为所述图像块对应的目标类型;
当所述目标类型指示所述图像块是车轴图像块时,获取所述车轴图像块的车轴类型,将所述图像块确定为所述目标车轴图像中对应所述车轴类型的备选检测结果。
9.根据权利要求1所述的方法,其特征在于,所述对所述目标车轴图像进行特征提取,得到实际图特征矩阵,包括:
确定所述目标车轴图像中各个图像块对应的自相关特征矩阵、原始图像块特征矩阵和分布特征矩阵;
将所述自相关特征矩阵、所述原始图像块特征矩阵和所述分布特征矩阵进行加法运算,得到融合特征矩阵;
对所述融合特征矩阵进行特征提取,得到所述实际图特征矩阵;
所述对所述车轴激光扫描模型图进行特征提取,得到模型图特征矩阵,包括:
获取所述实际图特征矩阵的秩,并通过所述实际图特征矩阵的秩,对所述车轴激光扫描模型图进行大小调节,得到归一化模型图;
对所述归一化模型图进行特征提取,得到与所述实际图特征矩阵相同秩的模型图特征矩阵。
10.一种车轴识别系统,其特征在于,包括激光检测仪、摄像设备和计算机设备,所述计算机设备与所述激光检测仪和摄像设备通信连接,以接收所述激光检测仪和摄像设备的信号,所述计算机设备包括:
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指令,所述指令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1~9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311021895.2A CN116740662B (zh) | 2023-08-15 | 2023-08-15 | 一种基于激光雷达的车轴识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311021895.2A CN116740662B (zh) | 2023-08-15 | 2023-08-15 | 一种基于激光雷达的车轴识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116740662A true CN116740662A (zh) | 2023-09-12 |
CN116740662B CN116740662B (zh) | 2023-11-21 |
Family
ID=87917278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311021895.2A Active CN116740662B (zh) | 2023-08-15 | 2023-08-15 | 一种基于激光雷达的车轴识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740662B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690164A (zh) * | 2024-01-30 | 2024-03-12 | 成都欣纳科技有限公司 | 基于边缘计算的机场飞鸟识别驱赶方法及系统 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050811A (zh) * | 2014-06-13 | 2014-09-17 | 深圳市砝石激光测控有限公司 | 激光机动车分型系统及方法 |
US9097800B1 (en) * | 2012-10-11 | 2015-08-04 | Google Inc. | Solid object detection system using laser and radar sensor fusion |
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 |
CN107423681A (zh) * | 2017-05-27 | 2017-12-01 | 上海骁达信息科技有限公司 | 一种车型自动识别方法及系统 |
CN107909820A (zh) * | 2017-12-27 | 2018-04-13 | 天津杰泰高科传感技术有限公司 | 一种集成汽车轮轴识别功能的激光扫描分车器及实现方法 |
CN108009474A (zh) * | 2017-11-01 | 2018-05-08 | 武汉万集信息技术有限公司 | 一种基于激光测距的车辆表面图文提取方法及装置 |
CN109017873A (zh) * | 2018-06-14 | 2018-12-18 | 广州普华灵动机器人技术有限公司 | 基于移动检测机器人搭载2d激光雷达扫描车轴的方法 |
US20190041845A1 (en) * | 2016-05-09 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection and intelligent process adjustment in an industrial environment |
CN111105495A (zh) * | 2019-11-26 | 2020-05-05 | 四川阿泰因机器人智能装备有限公司 | 一种融合视觉语义信息的激光雷达建图方法及系统 |
CN111783638A (zh) * | 2020-06-30 | 2020-10-16 | 山东鼎高信息技术有限公司 | 一种检测车辆轮轴数及车型识别的系统、方法 |
CN112365718A (zh) * | 2020-10-25 | 2021-02-12 | 北京因泰立科技有限公司 | 一种激光车型识别方法及装置 |
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 |
CN114003849A (zh) * | 2021-10-29 | 2022-02-01 | 中远海运科技股份有限公司 | 一种多车道非接触式车轴数自动计算方法及系统 |
CN114639078A (zh) * | 2022-02-17 | 2022-06-17 | 广州广电运通金融电子股份有限公司 | 一种车型识别方法、装置和系统 |
CN114663737A (zh) * | 2022-05-20 | 2022-06-24 | 浪潮电子信息产业股份有限公司 | 物体识别方法、装置、电子设备及计算机可读存储介质 |
CN114694001A (zh) * | 2022-02-15 | 2022-07-01 | 北京深睿博联科技有限责任公司 | 一种基于多模态图像融合的目标检测方法及装置 |
EP4109347A2 (en) * | 2021-09-17 | 2022-12-28 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for processing multimodal data using neural network, device, and medium |
CN116152753A (zh) * | 2022-12-29 | 2023-05-23 | 北京万集科技股份有限公司 | 车辆信息识别方法和系统、存储介质和电子装置 |
-
2023
- 2023-08-15 CN CN202311021895.2A patent/CN116740662B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9097800B1 (en) * | 2012-10-11 | 2015-08-04 | Google Inc. | Solid object detection system using laser and radar sensor fusion |
CN104050811A (zh) * | 2014-06-13 | 2014-09-17 | 深圳市砝石激光测控有限公司 | 激光机动车分型系统及方法 |
US20190041845A1 (en) * | 2016-05-09 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection and intelligent process adjustment in an industrial environment |
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 |
CN107423681A (zh) * | 2017-05-27 | 2017-12-01 | 上海骁达信息科技有限公司 | 一种车型自动识别方法及系统 |
CN108009474A (zh) * | 2017-11-01 | 2018-05-08 | 武汉万集信息技术有限公司 | 一种基于激光测距的车辆表面图文提取方法及装置 |
CN107909820A (zh) * | 2017-12-27 | 2018-04-13 | 天津杰泰高科传感技术有限公司 | 一种集成汽车轮轴识别功能的激光扫描分车器及实现方法 |
CN109017873A (zh) * | 2018-06-14 | 2018-12-18 | 广州普华灵动机器人技术有限公司 | 基于移动检测机器人搭载2d激光雷达扫描车轴的方法 |
CN111105495A (zh) * | 2019-11-26 | 2020-05-05 | 四川阿泰因机器人智能装备有限公司 | 一种融合视觉语义信息的激光雷达建图方法及系统 |
CN111783638A (zh) * | 2020-06-30 | 2020-10-16 | 山东鼎高信息技术有限公司 | 一种检测车辆轮轴数及车型识别的系统、方法 |
CN112365718A (zh) * | 2020-10-25 | 2021-02-12 | 北京因泰立科技有限公司 | 一种激光车型识别方法及装置 |
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 |
EP4109347A2 (en) * | 2021-09-17 | 2022-12-28 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for processing multimodal data using neural network, device, and medium |
CN114003849A (zh) * | 2021-10-29 | 2022-02-01 | 中远海运科技股份有限公司 | 一种多车道非接触式车轴数自动计算方法及系统 |
CN114694001A (zh) * | 2022-02-15 | 2022-07-01 | 北京深睿博联科技有限责任公司 | 一种基于多模态图像融合的目标检测方法及装置 |
CN114639078A (zh) * | 2022-02-17 | 2022-06-17 | 广州广电运通金融电子股份有限公司 | 一种车型识别方法、装置和系统 |
CN114663737A (zh) * | 2022-05-20 | 2022-06-24 | 浪潮电子信息产业股份有限公司 | 物体识别方法、装置、电子设备及计算机可读存储介质 |
CN116152753A (zh) * | 2022-12-29 | 2023-05-23 | 北京万集科技股份有限公司 | 车辆信息识别方法和系统、存储介质和电子装置 |
Non-Patent Citations (5)
Title |
---|
YALEI ZHOU 等: "Integration of Multi-Head Self-Attention and Convolution for Person Re-Identification", 《SENSORS》, vol. 22, no. 16, pages 1 - 16 * |
侯岱双: "转向架轴距尺寸与平行度三维检测技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2021, pages 033 - 484 * |
左建勇: "轮对几何参数非接触式自动测量系统的研究", 《中国优秀博硕士学位论文全文数据库 (硕士)工程科技Ⅱ辑》, no. 2002, pages 033 - 7 * |
王华 等: "动车车轴直径测量系统的设计与实现", 《制造技术与机床》, no. 01, pages 119 - 123 * |
蒋雨良 等: "基于多任务学习的轨道车辆轴承异常检测方法", 《铁道科学与工程学报》, vol. 18, no. 05, pages 1267 - 1276 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690164A (zh) * | 2024-01-30 | 2024-03-12 | 成都欣纳科技有限公司 | 基于边缘计算的机场飞鸟识别驱赶方法及系统 |
CN117690164B (zh) * | 2024-01-30 | 2024-04-30 | 成都欣纳科技有限公司 | 基于边缘计算的机场飞鸟识别驱赶方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116740662B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107529650B (zh) | 闭环检测方法、装置及计算机设备 | |
US20180218256A1 (en) | Deep convolution neural network behavior generator | |
CN113807440B (zh) | 利用神经网络处理多模态数据的方法、设备和介质 | |
CN116740662B (zh) | 一种基于激光雷达的车轴识别方法及系统 | |
CN110793544B (zh) | 路侧感知传感器参数标定方法、装置、设备及存储介质 | |
CN113264066A (zh) | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 | |
CN116228867B (zh) | 位姿确定方法、装置、电子设备、介质 | |
CN115578433B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN112330746A (zh) | 一种基于tx2的移动底盘障碍物检测方法 | |
CN115861632A (zh) | 一种基于图卷积的视觉激光融合的三维目标检测方法 | |
CN113326735A (zh) | 一种基于YOLOv5的多模态小目标检测方法 | |
CN111950702A (zh) | 一种神经网络结构确定方法及其装置 | |
CN110909656B (zh) | 一种雷达与摄像机融合的行人检测方法和系统 | |
CN113688730A (zh) | 障碍物测距方法、装置、电子设备、存储介质及程序产品 | |
CN113378694B (zh) | 生成目标检测和定位系统及目标检测和定位的方法及装置 | |
CN115690545A (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
CN115082690B (zh) | 目标识别方法、目标识别模型训练方法及装置 | |
CN115953414A (zh) | 基于语义分割的低矮障碍物检测方法和自动驾驶车辆 | |
CN114757824B (zh) | 图像拼接的方法、装置、设备以及存储介质 | |
CN114394111B (zh) | 用于自动驾驶车辆的变道方法 | |
CN113920174A (zh) | 点云配准方法、装置、设备、介质和自动驾驶车辆 | |
CN113112525A (zh) | 目标跟踪方法、网络模型及其训练方法、设备和介质 | |
CN114926656B (zh) | 对象识别方法、装置、设备及介质 | |
CN115019278B (zh) | 一种车道线拟合方法、装置、电子设备和介质 | |
CN115511779B (zh) | 图像检测方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |