CN116935370A - 云端车牌识别方法、装置及电子设备、存储介质 - Google Patents
云端车牌识别方法、装置及电子设备、存储介质 Download PDFInfo
- Publication number
- CN116935370A CN116935370A CN202310819763.8A CN202310819763A CN116935370A CN 116935370 A CN116935370 A CN 116935370A CN 202310819763 A CN202310819763 A CN 202310819763A CN 116935370 A CN116935370 A CN 116935370A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- detection result
- license plate
- information
- target
- 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 67
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 272
- 238000012545 processing Methods 0.000 claims description 11
- 238000011897 real-time detection Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012800 visualization Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003068 static 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
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种云端车牌识别方法、装置及电子设备、存储介质,所述识别方法包括:获取路侧上传的第一检测结果;获取车侧发送的第二检测结果;以及根据所述第一检测结果和所述第二检测结果,识别目标车辆的车牌信息,所述第二检测结果和所述第一检测结果中均包括目标在同一坐标系下的位置信息。通过本申请可在云端实现车牌识别,并且实现数字孪生数据中的信息可视化。本申请可用于车路协同场景。
Description
技术领域
本申请涉及智慧城市、数字孪生技术领域,尤其涉及一种云端车牌识别方法、装置及电子设备、存储介质。
背景技术
智慧城市的数字化显示通常是根据路侧感知设备对道路中的车辆进行检测得到其位置、速度、航向、类型,并将这些信息在云端处理可以显示在本地终端,即作为数字孪生系统中的数字孪生数据。但是数字孪生数据中的车辆信息没有一个可以在长时间(比如几天几月)的时间长度下独立区分的唯一标识,原因在于这些车辆都是在检测和跟踪过程中赋予一个唯一且随机的ID。
相关技术中,通过路侧相机检测车辆车牌从而在云端给该车辆赋予车牌作为唯一标识ID。但如果车辆距离相机较远,车牌显得非常模糊难以识别,只能检测车辆的位置和类型。所以,在数字孪生数据中仍然存在对于车辆的车牌难以识别或无法识别的问题,从而无法在数字孪生系统中赋予唯一标识ID进行可视化显示。
发明内容
本申请实施例提供了一种云端车牌识别方法、装置及电子设备、存储介质,以通过云端实现数字孪生数据中的信息可视化。
本申请实施例采用下述技术方案:
第一方面,本申请实施例提供一种云端车牌识别方法,其中,所述识别方法包括:
获取路侧上传的第一检测结果;
获取车侧发送的第二检测结果;以及
根据所述第一检测结果和所述第二检测结果,识别目标车辆的车牌信息,所述第二检测结果和所述第一检测结果中均包括目标在同一坐标系下的位置信息。
在一些实施例中,所述目标至少包括车辆,所述根据所述第一检测结果和所述第二检测结果,识别所述目标车辆的车牌信息,所述第二检测结果和所述第一检测结果中均包括目标在同一坐标系下的位置信息,包括:
判断所述第一检测结果中的车辆第一特征信息是否包含原始车牌信息;
如果所述第一检测结果中的车辆第一特征信息包含所述原始车牌信息,则直接下发至所述本地终端,以使所述本地终端的数字孪生数据显示所述车辆第一特征信息;
如果所述第一检测结果中的车辆第一特征信息不包含所述原始车牌信息,则继续识别所述第二检测结果中是否存在所述原始车牌信息;
如果识别所述第二检测结果中存在所述原始车牌信息,则根据所述原始车牌信息,通过对比所述第二检测结果中的车辆第二特征信息与所述第一检测结果中的车辆第一特征信息,判断所述车辆第二特征信息与所述车辆第一特征信息是否属于同一车辆;
如果属于同一车辆,则将所述第二检测结果中的车辆第二特征信息赋予至所述第一检测结果中的车辆,以使本地终端的数字孪生数据中显示所述车辆第二特征信息,所述本地终端用以接收所述云端的处理结果。在一些实施例中,所述坐标系包括世界坐标系,所述获取路侧上传的第一检测结果,包括:
获取所述路侧通过第一感知设备对当前监控区域范围内的路面上的第一车辆检测结果,所述第一感知设备根据路侧感知设备与路面的预设标定关系得到车辆在所述世界坐标系下的位置;
接收所述第一车辆检测结果中的所述车辆在所述世界坐标系下的位置、车辆类型、检测时间戳、车辆ID。
在一些实施例中,所述获取车侧发送的第二检测结果,包括:
获取所述车侧通过第二感知设备对周围环境中的第二车辆检测结果,所述第二感知设备根据所述车侧自身定位与第二感知设备标定参数得到车辆在所述世界坐标系下的位置;
接收所述第二车辆检测结果中包含的车辆在图像中的位置的图片以及车辆在世界坐标系下的位置;
和/或,
接收所述第二车辆检测结果中对车辆的车牌识别结果以及所述车辆在世界坐标系下的位置。
在一些实施例中,所述根据所述第一检测结果和所述第二检测结果,识别目标车辆的车牌信息之后,还包括:将所述目标车辆的车牌信息作为数字孪生数据的唯一标识码,在不同终端上对数字孪生数据进行可视化显示。
在一些实施例中,所述方法还包括:
调用所述路侧上传的历史检测结果;
根据所述路侧上传的历史检测结果中的行驶轨迹,判断与所述目标车辆的车牌信息是否匹配成功;
如果匹配成功,则直接使用路侧上传的第一检测结果中的目标车辆的车牌信息;
如果匹配不成功,则将所述路侧上传的第一检测结果和/或所述车侧发送的第二检测结果同步更新至所述路侧上传的历史检测结果。
在一些实施例中,所述方法还包括:
获取车侧发送的实时检测结果;
根据所述车侧发送的实时检测结果中的目标车辆的车牌信息,判断所述目标车辆的车牌信息与所述路侧上传的第一检测结果中的目标车辆是否匹配成功;
如果匹配成功,则根据所述目标车辆的车牌信息对所述第一检测结果的目标车辆进行赋值。
第二方面,本申请实施例还提供一种云端车牌识别装置,其中,所述装置包括:
第一获取模块,用于获取路侧上传的第一检测结果;
第二获取模块,用于获取车侧发送的第二检测结果;以及
识别模块,用于根据所述第一检测结果和所述第二检测结果,识别目标车辆的车牌信息,所述第二检测结果和所述第一检测结果中均包括目标在同一坐标系下的位置信息。
第三方面,本申请实施例还提供一种电子设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行上述方法。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行上述方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:在云端获取路侧上传的第一检测结果以及获取车侧发送的第二检测结果,然后根据所述第一检测结果和所述第二检测结果,识别目标车辆的车牌信息。由于在所述第二检测结果和所述第一检测结果中均包括目标在同一坐标系下的位置信息,所以通过目标在同一坐标系下的位置信息可以确定唯一标识,并将云端识别出的唯一标识赋值到数字孪生系统中的数字孪生数据比如车辆上。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中云端车牌识别方法流程示意图;
图2为本申请实施例中云端车牌识别装置结构示意图;
图3为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
本申请实施例提供了一种云端车牌识别方法,如图1所示,提供了本申请实施例中云端车牌识别方法流程示意图,所述方法至少包括如下的步骤S110至步骤S130:
步骤S110,获取路侧上传的第一检测结果。
路侧端包括多个路侧设备,每个路侧设备中具有路侧感知单元,所述路侧感知单元包括但不限于,图像传感器、雷达等。其中图像传感器主要包括相机,且相机可分为远景相机、中景相机以及近景相机。雷达主要包括激光雷达、毫米波雷达等。
路侧感知单元中上传路侧感知结果作为第一检测结果。需要注意的是,在第一检测结果中至少包括对路面上车辆的检测结果。同时在检测结果中也包含了车辆位置、车辆类型、时间戳、车辆ID等。此时的车辆ID并不是车辆车牌,而是在路侧感知结果中随机分配的车辆ID。
路侧端利用路侧感知单元中的设备对路面车辆进行检测,根据事先联合标定关系得到当前车辆在世界坐标系下的位置信息A。这里的位置信息A是在世界坐标系下的位置信息,即可以知道车辆在真实世界中的绝对位置。
此外,在第一检测结果中可以只包括路侧图像视频流数据。云端获取路侧图像视频流数据之后可以进行后处理。
步骤S120,获取车侧发送的第二检测结果。
车侧端可以是智能车辆,也可以是自动驾驶车辆。不论是智能车辆或者自动驾驶车辆,都具备对周围车辆以及自车的检测与定位功能。
由于车侧端的车载相机对周围车辆检测时获取的图像信息较清晰,而且智能车辆和/或自动驾驶车辆也一直在移动,这样使得对于周围车辆的检测结果更加准确。
在第二检测结果中至少包括对周围车辆的检测结果,可以根据自车检测到的车辆根据自身定位信息与车载相机的标定参数,得到检测到的车辆在世界坐标系下的位置。检测结果中包括了车辆在世界坐标系下的位置信息B。这里的位置信息B同样也是在世界坐标系下的位置信息,即可以知道车辆在真实世界中的绝对位置。
在所述第二检测结果中还可以包括周围车辆的位置,周围车辆类型,检测时的时间戳。
需要注意的是,上述的“位置信息B”与“位置信息A”虽然都是目标在同一个坐标系下的位置信息,但是由于两者之间并没有建立关联匹配,故无法确定是同一个目标。并且,也无法确定是否为目标车辆。
可选地,在第二检测结果中还可以检测出车辆的车牌信息。当然在第一检测结果中也可以检测出车辆的车牌信息,但是无法建立两者的关联匹配。
步骤S130,根据所述第一检测结果和所述第二检测结果,识别目标车辆的车牌信息,所述第二检测结果和所述第一检测结果中均包括目标在同一坐标系下的位置信息。
对于数字孪生系统而言,需要对道路上行驶的所有车辆进行处理后得到数字孪生车辆数据。所以,当确定道路中待处理的车辆后,可以根据上述步骤中得到的所述第一检测结果和所述第二检测结果确定出目标车辆的车牌信息。
这里“目标车辆”是指同时出现在两个检测结果中且需要检测识别车牌信息的车辆。也就是说,如果车辆只出现在一个检测结果中,则不能作为目标车辆。只有当车侧的检测结果和路侧的检测结果匹配时,才能够作为目标车辆。
这里的“目标”是指图像检测中的目标,其类型可以包括车辆,障碍物,道路标识等,在这里并不进行具体限定。但是“目标(车辆,障碍物)”是在检测结果中的同一坐标系下且具有相同的位置信息。
可以理解,采用基于神经网络的图像检测模型能够检测出“目标”。
云端对于所述第二检测结果和所述第一检测结果进行处理时,可以根据目标在同一坐标系下的位置信息以及云端接收到的时间戳信息,准确匹配出目标车辆。
需要注意的是,首先,需要确定的是第一检测结果中是否包含原始车牌信息,如果第一检测结果中已经可以准确获取车辆的车牌信息,则在匹配确定为同一辆之后直接将第一检测结果中的车辆的车牌信息作为目标车辆的车牌。
然后,如果所述第一检测结果中的车辆第一特征信息不包含所述原始车牌信息,则继续识别所述第二检测结果中是否存在所述原始车牌信息,具体可以根据第二检测结果中检测识别的车辆的位置信息、时间戳信息与第一检测结果中目标车辆的位置、时间戳信息进行比对,如果匹配则认为是同一辆车辆。可以将第二检测结果中得到的车辆的车牌赋值到第一检测结果中对应的目标车辆上。
最后,云端可以综合车侧端和路侧端的车牌号结果,在各终端进行可视化显示,从而方便监控。采用上述云端车牌识别方法,通过使用车侧端对周围车辆的位置信息以及图像信息进行检测并把结果上传云端,同时在云端对车侧端上传结果解析获取车牌信息,并与路侧端检测结果结合从而赋予路侧端检测结果中车辆的车牌信息。
上述云端车牌识别方法,云端接收并获取路侧上传的第一检测结果和车侧发送的第二检测结果,首先需要根据所述第二检测结果和所述第一检测结果中均包括的目标在同一坐标系下的位置信息,确定出目标车辆。也就是将两个检测结果进行关联匹配。之后再进一步识别目标车辆的车牌信息。通常车牌信息由所述第二检测结果提供,并且赋值到第一检测结果中。最终得到的目标车辆的车牌信息可以在多端进行可视化,从而便于相关管理员进行监控。
上述云端车牌识别方法,在得到可视化的车牌信息结果后,会显示在数字孪生系统中,用以作为数字孪生车辆数据的唯一标识ID。根据可视化的唯一标识ID,可以对数字孪生车辆数据的运行轨迹进行持续跟踪,得到数字孪生车辆数据的历史轨迹以及实时的运行轨迹,基于唯一标识ID可以向真实世界中的车辆进行相关信息推荐,或者对路况信息进行估计并通过唯一标识ID向真实世界中的车辆下发。
区别于相关技术中,仅通过路侧端检测道路上的车辆信息,并在云端进行识别时,存在对于车牌信息准确识别或者车牌信息容易被遮挡的问题。通过上述方法,可以同时解决车牌信息遮挡以及车牌信息无法准确识别的问题,由于所述第二检测结果和所述第一检测结果中均包括目标在同一坐标系下的位置信息,故可以确定出目标车辆。然后再对目标车辆的车牌信息进行赋值,可以使用第一检测结果或者第二检测结果,从而提高数字孪生车辆数据生成时的准确性。
区别于相关技术中,数字孪生系统中的数字孪生车辆数据的可视化信息不准确的问题。通过上述方法,可以提高可视化信息的生成效率。由于根据所述第一检测结果和所述第二检测结果,识别目标车辆的车牌信息,并将车牌信息作为唯一身份标识,这个唯一身份标识是经过校验且可以持续在云端作为数字孪生车辆数据使用。比如,当有新的目标进入,经过检测之后与已经记录的车牌信息相同时,则认为相同车牌的目标车辆再次出现,可以继续使用车牌信息这个唯一身份标识。
在本申请的一个实施例中,所述目标至少包括车辆,所述根据所述第一检测结果和所述第二检测结果,识别所述目标车辆的车牌信息,所述第二检测结果和所述第一检测结果中均包括目标在同一坐标系下的位置信息,包括:判断所述第一检测结果中的车辆第一特征信息是否包含原始车牌信息;如果所述第一检测结果中的车辆第一特征信息包含所述原始车牌信息,则直接下发至所述本地终端,以使所述本地终端的数字孪生数据显示所述车辆第一特征信息;如果所述第一检测结果中的车辆第一特征信息不包含所述原始车牌信息,则继续识别所述第二检测结果中是否存在所述原始车牌信息;如果识别所述第二检测结果中存在所述原始车牌信息,则根据所述原始车牌信息,通过对比所述第二检测结果中的车辆第二特征信息与所述第一检测结果中的车辆第一特征信息,判断所述车辆第二特征信息与所述车辆第一特征信息是否属于同一车辆;如果属于同一车辆,则将所述第二检测结果中的车辆第二特征信息赋予至所述第一检测结果中的车辆,以使本地终端的数字孪生数据中显示所述车辆第二特征信息,所述本地终端用以接收所述云端的处理结果。
情况一:可以理解,如果路侧端自身已经可以提供车辆车牌号,则不用取车侧的车牌检测结果。
“第二特征信息”、“第一特征信息”,包括但不限于,车辆ID(可以不包含车辆身份标识比如车牌信息)、位置信息、类型信息以及检测的时间戳信息等,在本申请的实施例中并不进行具体限定。
如果所述第一检测结果中的车辆第一特征信息包含所述原始车牌信息,则直接下发至所述本地终端,以使所述本地终端的数字孪生数据显示所述车辆第一特征信息。所述第一检测结果中的车辆第一特征信息中已经包含所述原始车牌信息,就可以下发到本地终端,在本地终端的数字孪生数据显示车辆第一特征信息。
情况二:如果所述第一检测结果中的车辆第一特征信息不包含所述原始车牌信息,则继续识别所述第二检测结果中是否存在所述原始车牌信息。
示例性地,云端获取路侧端检测结果,同时会获取车侧端上传的检测结果,如果车侧端是上传图片则对图片做车牌识别,根据车侧端检测的车辆位置、时间戳和路侧端的车辆位置、时间戳进行比对,判断如果是同一辆车的话,则采用车侧端的车牌结果赋予路侧检测到路侧端的车辆显示。
情况三:如果识别所述第二检测结果中存在所述原始车牌信息,则根据所述原始车牌信息进行关联。
在识别所述第二检测结果中原始车牌信息时主要是对图像信息进行处理,通过从图像信息中获取的原始车牌信息,进一步通过对比所述第二检测结果中的车辆第二特征信息与所述第一检测结果中的车辆第一特征信息,从而确定出车辆第二特征信息和车辆第一特征信息是否属于同一车辆。
如果是属于同一车辆,则将所述第二检测结果中的车辆第二特征信息赋予至所述第一检测结果中的车辆,以使本地终端的数字孪生数据中显示所述车辆第二特征信息,所述本地终端用以接收所述云端的处理结果。
在第二检测结果中的车辆第二特征信息赋值至所述第一检测结果中的车辆后,可以在所述本地终端的数字孪生数据中直接将第二特征信息进行可视化显示。“本地终端”包括但不限于本地车端、本地交通管理平台、本地移动终端。
在本申请的一个实施例中,所述坐标系包括世界坐标系,所述获取路侧上传的第一检测结果,包括:获取所述路侧通过第一感知设备对当前监控区域范围内的路面上的第一车辆检测结果,所述第一感知设备根据路侧感知设备与路面的预设标定关系得到车辆在所述世界坐标系下的位置;接收所述第一车辆检测结果中的所述车辆在所述世界坐标系下的位置、车辆类型、检测时间戳、车辆ID。
路侧端利用路侧感知设备对路面的车辆进行检测,根据预先的传感器标定关系得到车辆在世界坐标系下的位置,并将检测到的位置、类型、时间戳、车辆ID上传到云端。其中,车辆ID是通过多帧持续检测和跟踪对同一车辆赋予的唯一的值来表示该车辆,并不是车牌信息。
云端会根据接收到的第一车辆检测结果中的所述辆在所述世界坐标系下的位置、车辆类型、检测时间戳、车辆ID进一步与车侧端的检测结果匹配。
在本申请的一个实施例中,所述获取车侧发送的第二检测结果,包括:获取所述车侧通过第二感知设备对周围环境中的第二车辆检测结果,所述第二感知设备根据所述车侧自身定位与第二感知设备标定参数得到车辆在所述世界坐标系下的位置;接收所述第二车辆检测结果中包含的车辆在图像中的位置的图片以及车辆在世界坐标系下的位置;和/或,接收所述第二车辆检测结果中对车辆的车牌识别结果以及所述车辆在世界坐标系下的位置。
车侧端包括但不限于智能车辆或自动驾驶车辆,通过利用自身的环视相机/前后视相机,对自身周围的车辆进行检测。在路面上检测到的车辆根据自身定位与相机标定参数可以得到车辆在世界坐标系下的位置,将该车辆在图像上的位置“裁剪”下来得到车辆在图像中的像素坐标,同时还一起将“裁剪”的图片以及车辆在世界坐标系下位置发送到云端。
对于车侧端的检测功能是智能车辆或自动驾驶车辆本身就会自带的,只需要额外裁剪图片上传并在云端进行车牌信息识别,不占用计算资源。
可以理解,如果车侧端的计算资源充足,则可以直接对包含车辆的图像进一步做车牌识别,最终将车牌识别结果与车辆位置发送到云端。
在本申请的一个实施例中,所述根据所述第一检测结果和所述第二检测结果,识别目标车辆的车牌信息之后,还包括:将所述目标车辆的车牌信息作为数字孪生数据的唯一标识码,在不同终端上对数字孪生数据进行可视化显示。
将所述目标车辆的车牌信息作为数字孪生数据的唯一标识码可以作为车辆的唯一身份标识信息,这样在不同终端上都可以对数字孪生数据进行可视化显示。此外,根据目标车辆的车牌信息可以将云端的信息下发或者在云端将车牌信息与目标车辆的OBU(Onboard Unit)做关联,记录对应目标车辆在道路上行驶过程发生拥堵的时间段,之后根据这些出现拥堵的时间段在云端进行交通管控。目标车辆的OBU可以与路侧端进行通信,云端下发的信息经过路侧端后再由路侧端下发至目标车辆的OBU。
在本申请的一个实施例中,所述方法还包括:调用所述路侧上传的历史检测结果;根据所述路侧上传的历史检测结果中的行驶轨迹,判断与所述目标车辆的车牌信息是否匹配成功;如果匹配成功,则直接使用路侧上传的第一检测结果中的目标车辆的车牌信息;如果匹配不成功,则将所述路侧上传的第一检测结果和/或所述车侧发送的第二检测结果同步更新至所述路侧上传的历史检测结果。
基于对上述方案的拓展:通过调用所述路侧上传的历史检测结果,然后根据路侧上传的历史检测结果中的行驶轨迹,判断与所述目标车辆的车牌信息是否匹配成功。
如果匹配成功,云端直接使用路侧上传的第一检测结果中的目标车辆的车牌信息,用以生成数字孪生车辆数据,如果匹配不成功,云端将所述路侧上传的第一检测结果和/或所述车侧发送的第二检测结果同步更新至所述路侧上传的历史检测结果。
上述方案中,通过异步同步,可以不断地更新第一检测结果中的目标车辆的车牌信息,并且会主动同步,并不需要更多的人工监控。
在本申请的一个实施例中,所述方法还包括:获取车侧发送的实时检测结果;根据所述车侧发送的实时检测结果中的目标车辆的车牌信息,判断所述目标车辆的车牌信息与所述路侧上传的第一检测结果中的目标车辆是否匹配成功;如果匹配成功,则根据所述目标车辆的车牌信息对所述第一检测结果的目标车辆进行赋值。
基于对上述方案的拓展:通过获取车侧发送的实时检测结果,云端根据车侧发送的实时检测结果中的目标车辆的车牌信息,判断在所述路侧上传的第一检测结果是否匹配成功。
如果匹配成功,云端根据所述目标车辆的车牌信息对所述第一检测结果的目标车辆进行赋值。
上述方案中,采用实时同步的方式,更新第一检测结果中的目标车辆的车牌信息。
本申请实施例还提供了云端车牌识别装置200,如图2所示,提供了本申请实施例中云端车牌识别装置的结构示意图,所述云端车牌识别装置200至少包括:获取模块210、第一确定模块220以及第二确定模块230,其中:
在本申请的一个实施例中,所述获取模块210具体用于:获取路侧上传的第一检测结果。
路侧端包括多个路侧设备,每个路侧设备中具有路侧感知单元,所述路侧感知单元包括但不限于,图像传感器、雷达等。其中图像传感器主要包括相机,且相机可分为远景相机、中景相机以及近景相机。雷达主要包括激光雷达、毫米波雷达等。
路侧感知单元中上传路侧感知结果作为第一检测结果。需要注意的是,在第一检测结果中至少包括对路面上车辆的检测结果。同时在检测结果中也包含了车辆位置、车辆类型、时间戳、车辆ID等。此时的车辆ID并不是车辆车牌,而是在路侧感知结果中随机分配的车辆ID。
路侧端利用路侧感知单元中的设备对路面车辆进行检测,根据事先联合标定关系得到当前车辆在世界坐标系下的位置信息A。这里的位置信息A是在世界坐标系下的位置信息,即可以知道车辆在真实世界中的绝对位置。
此外,在第一检测结果中可以只包括路侧图像视频流数据。云端获取路侧图像视频流数据之后可以进行后处理。
在本申请的一个实施例中,所述第一确定模块220具体用于:获取车侧发送的第二检测结果。
车侧端可以是智能车辆,也可以是自动驾驶车辆。不论是智能车辆或者自动驾驶车辆,都具备对周围车辆以及自车的检测与定位功能。
由于车侧端的车载相机对周围车辆检测时获取的图像信息较清晰,而且智能车辆和/或自动驾驶车辆也一直在移动,这样使得对于周围车辆的检测结果更加准确。
在所述第二检测结果中至少包括对周围车辆的检测结果,可以根据自车检测到的车辆根据自身定位信息与车载相机的标定参数,得到当前车辆在世界坐标系下的位置。检测结果中包括了车辆在世界坐标系下的位置信息B。这里的位置信息B同样也是在世界坐标系下的位置信息,即可以知道车辆在真实世界中的绝对位置。
在所述第二检测结果中还可以包括周围车辆的位置,周围车辆类型,检测时的时间戳。
需要注意的是,上述的“位置信息B”与“位置信息A”虽然都是目标在同一个坐标系下的位置信息,但是由于两者之间并没有建立关联匹配,故无法确定是同一个目标。并且,也无法确定是否为目标车辆。
在本申请的一个实施例中,所述第二确定模块230具体用于:根据所述第一检测结果和所述第二检测结果,识别目标车辆的车牌信息,所述第二检测结果和所述第一检测结果中均包括目标在同一坐标系下的位置信息。
对于数字孪生系统而言,需要对道路上行驶的所有车辆进行处理后得到数字孪生车辆数据。所以,当确定道路中待处理的车辆后,可以根据上述步骤中得到的所述第一检测结果和所述第二检测结果确定出目标车辆的车牌信息。
这里“目标车辆”是指同时出现在两个检测结果中且需要检测识别车牌信息的车辆。也就是说,如果车辆只出现在一个检测结果中,则不能作为目标车辆。只有当车侧的检测结果和路侧的检测结果匹配时,才能够作为目标车辆。
这里的“目标”是指图像检测中的目标,其类型可以包括车辆,障碍物,道路标识等,在这里并不进行具体限定。但是“目标”是在检测结果中的同一坐标系下且具有相同的位置信息。
可以理解,采用基于神经网络的图像检测模型能够检测出“目标”。
云端对于所述第二检测结果和所述第一检测结果进行处理时,可以根据目标在同一坐标系下的位置信息以及云端接收到的时间戳信息,准确匹配出目标车辆。
需要注意的是,首先,需要确定的是第一检测结果中是否包含原始车牌信息,如果第一检测结果中已经可以准确获取车辆的车牌信息,则在匹配确定为同一辆之后直接将第一检测结果中的车辆的车牌信息作为目标车辆的车牌。
然后,如果所述第一检测结果中的车辆第一特征信息不包含所述原始车牌信息,则继续识别所述第二检测结果中是否存在所述原始车牌信息,具体可以根据第二检测结果中检测识别的车辆的位置信息、时间戳信息与第一检测结果中目标车辆的位置、时间戳信息进行比对,如果匹配则认为是同一辆车辆。可以将第二检测结果中得到的车辆的车牌赋值到第一检测结果中对应的目标车辆上。
最后,云端可以综合车侧端和路侧端的车牌号结果,在各终端进行可视化显示,从而方便监控。采用上述云端车牌识别方法,通过使用车侧端对周围车辆的位置信息以及图像信息进行检测并把结果上传云端,同时在云端对车侧端上传结果解析获取车牌信息,并与路侧端检测结果结合从而赋予路侧端检测结果中车辆的车牌信息。
能够理解,上述云端车牌识别装置,能够实现前述实施例中提供的云端车牌识别方法的各个步骤,关于云端车牌识别方法的相关阐释均适用于云端车牌识别装置,此处不再赘述。
图3是本申请的一个实施例电子设备的结构示意图。请参考图3,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成云端车牌识别装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取路侧上传的第一检测结果;
获取车侧发送的第二检测结果;以及
根据所述第一检测结果和所述第二检测结果,识别目标车辆的车牌信息,所述第二检测结果和所述第一检测结果中均包括目标在同一坐标系下的位置信息。
上述如本申请图1所示实施例揭示的云端车牌识别装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中云端车牌识别装置执行的方法,并实现云端车牌识别装置在图1所示实施例的功能,本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行图1所示实施例中云端车牌识别装置执行的方法,并具体用于执行:
获取路侧上传的第一检测结果;
获取车侧发送的第二检测结果;以及
根据所述第一检测结果和所述第二检测结果,识别目标车辆的车牌信息,所述第二检测结果和所述第一检测结果中均包括目标在同一坐标系下的位置信息。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、方法、商品或者设备不仅包括那些要素,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、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种云端车牌识别方法,其中,所述识别方法包括:
获取路侧上传的第一检测结果;
获取车侧发送的第二检测结果;以及
根据所述第一检测结果和所述第二检测结果,识别目标车辆的车牌信息,所述第二检测结果和所述第一检测结果中均包括目标在同一坐标系下的位置信息。
2.如权利要求1所述方法,其中,所述目标至少包括车辆,所述根据所述第一检测结果和所述第二检测结果,识别所述目标车辆的车牌信息,所述第二检测结果和所述第一检测结果中均包括目标在同一坐标系下的位置信息,包括:
判断所述第一检测结果中的车辆第一特征信息是否包含原始车牌信息;
如果所述第一检测结果中的车辆第一特征信息包含所述原始车牌信息,则直接下发至本地终端,以使所述本地终端的数字孪生数据显示所述车辆第一特征信息;
如果所述第一检测结果中的车辆第一特征信息不包含所述原始车牌信息,则继续识别所述第二检测结果中是否存在所述原始车牌信息;
如果识别所述第二检测结果中存在所述原始车牌信息,则根据所述原始车牌信息,通过对比所述第二检测结果中的车辆第二特征信息与所述第一检测结果中的车辆第一特征信息,判断所述车辆第二特征信息与所述车辆第一特征信息是否属于同一车辆;
如果属于同一车辆,则将所述第二检测结果中的车辆第二特征信息赋予至所述第一检测结果中的车辆,以使本地终端的数字孪生数据中显示所述车辆第二特征信息,所述本地终端用以接收所述云端的处理结果。
3.如权利要求2所述方法,其中,所述坐标系包括世界坐标系,所述获取路侧上传的第一检测结果,包括:
获取所述路侧通过第一感知设备对当前监控区域范围内的路面上的第一车辆检测结果,所述第一感知设备根据路侧感知设备与路面的预设标定关系得到车辆在所述世界坐标系下的位置;
接收所述第一车辆检测结果中的所述车辆在所述世界坐标系下的位置、车辆类型、检测时间戳、车辆ID。
4.如权利要求3所述方法,其中,所述获取车侧发送的第二检测结果,包括:
获取所述车侧通过第二感知设备对周围环境中的第二车辆检测结果,所述第二感知设备根据所述车侧自身定位与第二感知设备标定参数得到车辆在所述世界坐标系下的位置;
接收所述第二车辆检测结果中包含的车辆在图像中的位置的图片以及车辆在世界坐标系下的位置;
和/或,
接收所述第二车辆检测结果中对车辆的车牌识别结果以及所述车辆在世界坐标系下的位置。
5.如权利要求1所述方法,其中,所述根据所述第一检测结果和所述第二检测结果,识别目标车辆的车牌信息之后,还包括:将所述目标车辆的车牌信息作为数字孪生数据的唯一标识码,在不同终端上对数字孪生数据进行可视化显示。
6.如权利要求1所述方法,其中,所述方法还包括:
调用所述路侧上传的历史检测结果;
根据所述路侧上传的历史检测结果中的行驶轨迹,判断与所述目标车辆的车牌信息是否匹配成功;
如果匹配成功,则直接使用路侧上传的第一检测结果中的目标车辆的车牌信息;
如果匹配不成功,则将所述路侧上传的第一检测结果和/或所述车侧发送的第二检测结果同步更新至所述路侧上传的历史检测结果。
7.如权利要求6所述方法,其中,所述方法还包括:
获取车侧发送的实时检测结果;
根据所述车侧发送的实时检测结果中的目标车辆的车牌信息,判断所述目标车辆的车牌信息与所述路侧上传的第一检测结果中的目标车辆是否匹配成功;
如果匹配成功,则根据所述目标车辆的车牌信息对所述第一检测结果的目标车辆进行赋值。
8.一种云端车牌识别装置,其中,所述装置包括:
第一获取模块,用于获取路侧上传的第一检测结果;
第二获取模块,用于获取车侧发送的第二检测结果;以及
识别模块,用于根据所述第一检测结果和所述第二检测结果,识别目标车辆的车牌信息,所述第二检测结果和所述第一检测结果中均包括目标在同一坐标系下的位置信息。
9.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行所述权利要求1~7之任一所述方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行所述权利要求1~7之任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310819763.8A CN116935370A (zh) | 2023-07-05 | 2023-07-05 | 云端车牌识别方法、装置及电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310819763.8A CN116935370A (zh) | 2023-07-05 | 2023-07-05 | 云端车牌识别方法、装置及电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116935370A true CN116935370A (zh) | 2023-10-24 |
Family
ID=88383606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310819763.8A Pending CN116935370A (zh) | 2023-07-05 | 2023-07-05 | 云端车牌识别方法、装置及电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116935370A (zh) |
-
2023
- 2023-07-05 CN CN202310819763.8A patent/CN116935370A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110753892A (zh) | 在自动驾驶车辆中用于经由交叉模态验证的即时物体标记的方法和系统 | |
CN110869559A (zh) | 用于自动驾驶车辆中的集成的全局式与分布式学习的方法和系统 | |
CN110799982A (zh) | 用于自动驾驶车辆中的以物体为中心的立体视觉的方法和系统 | |
CN112203216B (zh) | 定位信息获取方法、辅助驾驶方法以及车端传感器检测方法 | |
CN110942038A (zh) | 基于视觉的交通场景识别方法、装置、介质及电子设备 | |
CN115164918A (zh) | 语义点云地图构建方法、装置及电子设备 | |
CN114463984B (zh) | 车辆轨迹显示方法及相关设备 | |
CN114065876B (zh) | 基于路侧多传感器的数据融合方法、装置、系统及介质 | |
CN116990776A (zh) | 激光雷达点云补偿方法、装置及电子设备、存储介质 | |
CN113015243A (zh) | 车辆定位方法、装置及车辆 | |
CN115661014A (zh) | 一种点云数据处理方法、装置和电子设备、存储介质 | |
CN116935370A (zh) | 云端车牌识别方法、装置及电子设备、存储介质 | |
CN116164763A (zh) | 目标航向角确定方法、装置及电子设备、存储介质 | |
CN112598314B (zh) | 智能驾驶汽车的感知置信度确定方法、装置、设备及介质 | |
CN113611120A (zh) | 车辆位置信息预测方法、装置及设备 | |
EP3811349A2 (en) | System and method for automatic calibration of vehicle position determining device in a traffic system | |
CN116625384B (zh) | 一种数据关联方法、装置及电子设备 | |
CN116381698B (zh) | 道路遗撒物的检测方法、装置及电子设备 | |
CN115841757A (zh) | 数据处理方法、装置及电子设备、存储介质 | |
CN116958915B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN115236689B (zh) | 确定激光雷达和图像采集设备的相对位置的方法与装置 | |
CN113642533B (zh) | 车道级定位方法及电子设备 | |
CN118068357A (zh) | 路沿融合处理方法、装置及电子设备、存储介质 | |
CN117765768A (zh) | 一种车道偏离预警方法、装置、设备及介质 | |
CN117037094A (zh) | 车道划分方法、装置、电子设备 |
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 |