CN117075135A - 一种车辆特征检测方法、系统、存储介质和电子设备 - Google Patents
一种车辆特征检测方法、系统、存储介质和电子设备 Download PDFInfo
- Publication number
- CN117075135A CN117075135A CN202311337961.7A CN202311337961A CN117075135A CN 117075135 A CN117075135 A CN 117075135A CN 202311337961 A CN202311337961 A CN 202311337961A CN 117075135 A CN117075135 A CN 117075135A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- vehicle
- view angle
- detected
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims description 17
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 abstract description 6
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/87—Combinations of systems using electromagnetic waves other than radio waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/04—Systems determining presence of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- 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)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及车辆检测技术领域,具体公开一种车辆特征检测方法、系统、存储介质和电子设备,所述方法包括:当待检测车辆驶入目标区域时,利用设置在所述目标区域中的多个不同视角的激光雷达,采集所述待检测车辆分别在每个视角下的多帧原始点云数据;分别对每个视角下的多帧原始点云数据进行拼接,得到每个视角下的拼接点云数据并映射至统一的三维坐标系中,得到所述待检测车辆的完整三维点云数据;基于所述完整三维点云数据,确定所述待检测车辆的车辆特征信息。本发明能够提高车辆特征检测的准确率,避免了因环境干扰较大导致的检测精度不高的问题,为道路数字化建设提供了数据支撑。
Description
技术领域
本发明涉及车辆检测技术领域,尤其涉及一种车辆特征检测方法、系统、存储介质和电子设备。
背景技术
为实现不停车快速缴费,配合收费站达到相关技术标准,目前常采用以下两种方式检测车辆特征,以根据车辆特征确定收费标准:
第一种方式:采用“纯视频流”的方式检测车辆特征。该方式比较常用,但该检测方法的缺点是对于车辆分割检测采用背景建模的方式进行,准确率不高,随着背景建模的更新,检测准确率会越来越低。该方法对于检测准确率影响较大,导致检测准确率降低。
第二种方式:采用视频流+激光雷达”的方式检测车辆特征。该方式是通过外接额外的激光雷达装置检测车辆是否驶入、驶出给相机发送信号,进行视频图像的开始保存和结束保存信号。使用激光雷达的方式对车辆进行检测,相较于使用纯视频流的方式,准确度高很多,但激光雷达的波束很窄,在室外使用时,会受到雨雾天气影响,包括地面积水结冰放光的影响等。
因此,亟需提供一种技术方案解决上述问题。
发明内容
为解决上述技术问题,本发明提供了一种车辆特征检测方法、系统、存储介质和电子设备。
第一方面,本发明提供一种车辆特征检测方法,该方法的技术方案如下:
当待检测车辆驶入目标区域时,利用设置在所述目标区域中的多个不同视角的激光雷达,采集所述待检测车辆分别在每个视角下的多帧原始点云数据;
分别对每个视角下的多帧原始点云数据进行拼接,得到每个视角下的拼接点云数据并映射至统一的三维坐标系中,得到所述待检测车辆的完整三维点云数据;
基于所述完整三维点云数据,确定所述待检测车辆的车辆特征信息。
本发明的一种车辆特征检测方法的有益效果如下:
本发明的方法能够提高车辆特征检测的准确率,避免了因环境干扰较大导致的检测精度不高的问题,为道路数字化建设提供了数据支撑。
在上述方案的基础上,本发明的一种车辆特征检测方法还可以做如下改进。
在一种可选的方式中,任一视角下的多帧原始点云数据为:在所述任一视角下,车辆驶入的首帧原始点云数据至车辆驶出的末帧原始点云数据之间的每帧原始点云数据。
在一种可选的方式中,对任一视角下的多帧原始点云数据进行拼接,得到所述任一视角下的拼接点云数据的步骤,包括:
根据所述任一视角下的任意一帧原始点云数据的深度信息,将所述任意一帧原始点云数据转换为RGB图像数据,获取并根据所述任意一帧原始点云数据对应的RGB图像数据的多个特征点,生成所述任意一帧原始点云数据对应的RGB图像数据的特征区域,直至得到所述任一视角下的每帧原始点云数据对应的特征区域;
依次对所述任一视角下的相邻两帧发生位移变化的原始点云数据对应的特征变化区域进行拼接,得到所述任一视角下的拼接点云数据。
在一种可选的方式中,将每个视角下的拼接点云数据映射至统一的三维坐标系中,得到所述待检测车辆的完整三维点云数据的步骤,包括:
根据所述目标区域的场景空间,将每个视角下的拼接点云数据映射至统一的三维坐标系中,得到所述待检测车辆的完整三维点云数据。
在一种可选的方式中,所述车辆特征信息包括:车辆车型和车辆轴型;基于所述完整三维点云数据,确定所述待检测车辆的车辆特征信息的步骤,包括:
利用训练好的PointPillars模型,从所述完整三维点云数据中,获取所述待检测车辆的车辆车型和车辆轴型。
在一种可选的方式中,还包括:
利用设置在所述目标区域的毫米波雷达,检测所述目标区域是否有车辆驶入。
在上述可选的方式中,通过使用毫米波雷达和激光雷达相结合的方式进行道路车辆特征检测,在提高检测性能的同时,节约了成本。
在一种可选的方式中,所述目标区域中的多个不同视角的激光雷达包括:设置在所述目标区域中的门架正上方的第一激光雷达、所述门架左侧的第二激光雷达和所述门架右侧的第三激光雷达;其中,所述毫米波雷达、所述第一激光雷达、所述第二激光雷达和所述第三激光雷达位于所述目标区域的同一垂直平面。
第二方面,本发明提供一种车辆特征检测系统,该系统的技术方案如下:
包括:采集模块、处理模块和检测模块;
所述采集模块用于:当待检测车辆驶入目标区域时,利用设置在所述目标区域中的多个不同视角的激光雷达,采集所述待检测车辆分别在每个视角下的多帧原始点云数据;
所述处理模块用于:分别对每个视角下的多帧原始点云数据进行拼接,得到每个视角下的拼接点云数据并映射至统一的三维坐标系中,得到所述待检测车辆的完整三维点云数据;
所述检测模块用于:基于所述完整三维点云数据,确定所述待检测车辆的车辆特征信息。
本发明的一种车辆特征检测系统的有益效果如下:
本发明的系统能够提高车辆特征检测的准确率,避免了因环境干扰较大导致的检测精度不高的问题,为道路数字化建设提供了数据支撑。
第三方面,本发明提供的一种存储介质的技术方案如下:
存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如本发明的一种车辆特征检测方法的步骤。
第四方面,本发明的一种电子设备的技术方案如下:
包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,所述处理器执行所述程序时实现如本发明的一种车辆特征检测方法的步骤。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明的一种车辆特征检测方法的实施例的流程示意图;
图2为完整三维点云数据的示意图;
图3为激光雷达与毫米波雷达的安装示意图;
图4为毫米波雷达的工作原理图;
图5为本发明的一种车辆特征检测系统的实施例的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
图1示出了本发明提供的一种车辆特征检测方法的实施例的流程示意图。如图1所示,包括如下步骤:
S1、当待检测车辆驶入目标区域时,利用设置在所述目标区域中的多个不同视角的激光雷达,采集所述待检测车辆分别在每个视角下的多帧原始点云数据。其中:
①待检测车辆为:本实施例中需要进行车辆特征检测的车辆。车辆的类型不限于小客车、小货车、大客车、大货车和专项作业车等。
②目标区域为:预先设置的进行车辆数据采集的区域。
③每个视角对应设置一个激光雷达。
④原始点云数据为:激光雷达直接采集得到的点云数据。
⑤多帧原始点云数据为连续多帧对应的原始点云数据,即:车辆驶入的首帧原始点云数据至车辆驶出的末帧原始点云数据之间的每帧原始点云数据。
S2、分别对每个视角下的多帧原始点云数据进行拼接,得到每个视角下的拼接点云数据并映射至统一的三维坐标系中,得到所述待检测车辆的完整三维点云数据。其中:
①拼接点云数据为:对多帧原始点云数据中的特征区域进行拼接所得到的点云数据。
②将不同三维坐标系下的拼接点云数据映射至统一的三维坐标系的过程为现有技术,在此不过多赘述。
③完整三维点云数据为:包含完整待检测车辆的三维点云数据;图2为完整三维点云数据的示意图。
S3、基于所述完整三维点云数据,确定所述待检测车辆的车辆特征信息。其中:
车辆特征信息包括但不限于:车辆车型和车辆轴型。车辆车型可根据获取的车辆长宽高进行确定,车辆轴型可根据车辆的轴数和轮数进行确定。
本实施例的技术方案能够提高车辆特征检测的准确率,避免了因环境干扰较大导致的检测精度不高的问题,为道路数字化建设提供了数据支撑。
较优地,对任一视角下的多帧原始点云数据进行拼接,得到所述任一视角下的拼接点云数据的步骤,包括:
根据所述任一视角下的任意一帧原始点云数据的深度信息,将所述任意一帧原始点云数据转换为RGB图像数据,获取并根据所述任意一帧原始点云数据对应的RGB图像数据的多个特征点,生成所述任意一帧原始点云数据对应的RGB图像数据的特征区域,直至得到所述任一视角下的每帧原始点云数据对应的特征区域。其中:
①深度信息为:激光雷达照射车辆上的探测点的距离值;车辆上不同位置(不同探测点)的深度信息不同。一个探测点对应图像的一个像素点,即不同深度信息的探测点的RGB值不同。
②RGB图像数据为:将原始点云数据中的每个点转换为RGB像素点所得到的图像。
③特征区域为:RGB图像中的特征点所构成的区域。生成特征区域的具体原理及过程为现有技术,在此不过多赘述。
依次对所述任一视角下的相邻两帧发生位移变化的原始点云数据对应的特征变化区域进行拼接,得到所述任一视角下的拼接点云数据。其中:
①特征变化区域为:发生位移变化的相邻两帧的原始点云数据分别对应的特征区域的变化区域。例如,原始点云数据A和原始点云数据B为发生位移变化的相邻两帧原始点云数据,假设原始点云数据A对应的特征区域为a,原始点云数据B对应的特征区域为b,则特征区域a与特征区域b之间的变化区域ab(位移区域)为原始点云数据A和原始点云数据B对应的特征变化区域。
②拼接点云数据为:所有的特征变化区域依顺序拼接所得到的点云数据。例如,假设某一视角下的多帧原始点云数据为:原始点云数据A、原始点云数据B、原始点云数据C和原始点云数据D;原始点云数据A与原始点云数据B、原始点云数据B与原始点云数据C、原始点云数据C与原始点云数据D均对应有特征变化区域,则拼接点云数据为:依次拼接特征变化区域ab(原始点云数据A与原始点云数据B所对应的特征变化区域)、特征变化区域bc(原始点云数据B与原始点云数据C所对应的特征变化区域)、特征变化区域cd(原始点云数据C与原始点云数据D所对应的特征变化区域)所得到的点云数据。
较优地,将每个视角下的拼接点云数据映射至统一的三维坐标系中,得到所述待检测车辆的完整三维点云数据的步骤,包括:
根据所述目标区域的场景空间,将每个视角下的拼接点云数据映射至统一的三维坐标系中,得到所述待检测车辆的完整三维点云数据。其中:
场景空间为:待检测车辆所在的真实场景空间,如收费站、检查站等。
较优地,S3包括:
利用训练好的PointPillars模型,从所述完整三维点云数据中,获取所述待检测车辆的车辆车型和车辆轴型。其中:
PointPillars模型为3D点云物体检测模型,本实例中该模型用于对车辆特征进行检测。
较优地,还包括:
利用设置在所述目标区域的毫米波雷达,检测所述目标区域是否有车辆驶入。其中:
①目标区域中安装有门架,毫米波雷达设置在门架下方距离地面1.2米的位置处。
②目标区域中的多个不同视角的激光雷达包括:设置在目标区域中的门架正上方的第一激光雷达、门架左侧的第二激光雷达和门架右侧的第三激光雷达。
③如图3所示,毫米波雷达、第一激光雷达、第二激光雷达和第三激光雷达位于目标区域的同一垂直平面。
需要说明的是,图4示出了毫米波雷达的雷达感应区域,即本实施例中的目标区域。当毫米波雷达检测到车辆驶入目标区域时,设置车辆驶入目标区域的标志位,此时控制激光雷达开始采集。当毫米波雷达检测到车辆驶出目标区域(在目标区域中不再检测到车辆)时,若标志位被设置,则说明车辆刚刚驶出目标区域,此时控制激光雷达结束采集。
本实施例中使用毫米波雷达进行车辆分割检测,通过面阵激光雷达进行数据采集并整合,形成车辆三维点云数据。使用毫米波雷达,结合其自身波束较宽的特点,可以有效在雨雾天气下使用,容错率较高;同时因为毫米波与光波不同,在室外工作场景使用基本不受干扰,其自身成本又较低,是提升设备性能,同时节约成本的不二之选。在搭配面阵激光进行车辆三维建模,有效解决了原有通过RGB图像进行拼接特征点不好选择,受环境干扰较大导致匹配错误的问题,同时生成的三维模型能够为道路数字化建设提供有效的底层数据支撑。
图5示出了本发明提供的一种车辆特征检测系统200的实施例的结构示意图。如图5所示,该系统200包括:采集模块210、处理模块220和检测模块230;
所述采集模块210用于:当待检测车辆驶入目标区域时,利用设置在所述目标区域中的多个不同视角的激光雷达,采集所述待检测车辆分别在每个视角下的多帧原始点云数据;
所述处理模块220用于:分别对每个视角下的多帧原始点云数据进行拼接,得到每个视角下的拼接点云数据并映射至统一的三维坐标系中,得到所述待检测车辆的完整三维点云数据;
所述检测模块230用于:基于所述完整三维点云数据,确定所述待检测车辆的车辆特征信息。
较优地,任一视角下的多帧原始点云数据为:在所述任一视角下,车辆驶入的首帧原始点云数据至车辆驶出的末帧原始点云数据之间的每帧原始点云数据。
较优地,所述处理模块220具体用于:
根据所述任一视角下的任意一帧原始点云数据的深度信息,将所述任意一帧原始点云数据转换为RGB图像数据,获取并根据所述任意一帧原始点云数据对应的RGB图像数据的多个特征点,生成所述任意一帧原始点云数据对应的RGB图像数据的特征区域,直至得到所述任一视角下的每帧原始点云数据对应的特征区域;
依次对所述任一视角下的相邻两帧发生位移变化的原始点云数据对应的特征变化区域进行拼接,得到所述任一视角下的拼接点云数据。
较优地,所述处理模块220具体还用于:
根据所述目标区域的场景空间,将每个视角下的拼接点云数据映射至统一的三维坐标系中,得到所述待检测车辆的完整三维点云数据。
较优地,所述车辆特征信息包括:车辆车型和车辆轴型;
所述检测模块230具体用于:利用训练好的PointPillars模型,从所述完整三维点云数据中,获取所述待检测车辆的车辆车型和车辆轴型。
较优地,还包括:判断模块;
所述判断模块用于:利用设置在所述目标区域的毫米波雷达,检测所述目标区域是否有车辆驶入。
较优地,所述目标区域中的多个不同视角的激光雷达包括:设置在所述目标区域中的门架正上方的第一激光雷达、所述门架左侧的第二激光雷达和所述门架右侧的第三激光雷达;其中,所述毫米波雷达、所述第一激光雷达、所述第二激光雷达和所述第三激光雷达位于所述目标区域的同一垂直平面。
本实施例的技术方案能够提高车辆特征检测的准确率,避免了因环境干扰较大导致的检测精度不高的问题,为道路数字化建设提供了数据支撑。
上述关于本实施例的车辆特征检测系统200中的各参数和各个模块实现相应功能的步骤,可参考上文中关于车辆特征检测方法的实施例中的各参数和步骤,在此不做赘述。
本发明实施例提供的一种存储介质,包括:存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如车辆特征检测方法的步骤,具体可参考上文中的车辆特征检测方法的实施例中的各参数和步骤,在此不做赘述。
计算机存储介质例如:优盘、移动硬盘等。
本发明实施例提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,使所述计算机执行如车辆特征检测方法的步骤,具体可参考上文中的车辆特征检测方法的实施例中的各参数和步骤,在此不做赘述。
所属技术领域的技术人员知道,本发明可以实现为方法、系统、存储介质和电子设备。
因此,本发明可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“系统”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM),只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种车辆特征检测方法,其特征在于,包括:
当待检测车辆驶入目标区域时,利用设置在所述目标区域中的多个不同视角的激光雷达,采集所述待检测车辆分别在每个视角下的多帧原始点云数据;
分别对每个视角下的多帧原始点云数据进行拼接,得到每个视角下的拼接点云数据并映射至统一的三维坐标系中,得到所述待检测车辆的完整三维点云数据;
基于所述完整三维点云数据,确定所述待检测车辆的车辆特征信息。
2.根据权利要求1所述的车辆特征检测方法,其特征在于,任一视角下的多帧原始点云数据为:在所述任一视角下,车辆驶入的首帧原始点云数据至车辆驶出的末帧原始点云数据之间的每帧原始点云数据。
3.根据权利要求1所述的车辆特征检测方法,其特征在于,对任一视角下的多帧原始点云数据进行拼接,得到所述任一视角下的拼接点云数据的步骤,包括:
根据所述任一视角下的任意一帧原始点云数据的深度信息,将所述任意一帧原始点云数据转换为RGB图像数据,获取并根据所述任意一帧原始点云数据对应的RGB图像数据的多个特征点,生成所述任意一帧原始点云数据对应的RGB图像数据的特征区域,直至得到所述任一视角下的每帧原始点云数据对应的特征区域;
依次对所述任一视角下的相邻两帧发生位移变化的原始点云数据对应的特征变化区域进行拼接,得到所述任一视角下的拼接点云数据。
4.根据权利要求3所述的车辆特征检测方法,其特征在于,将每个视角下的拼接点云数据映射至统一的三维坐标系中,得到所述待检测车辆的完整三维点云数据的步骤,包括:
根据所述目标区域的场景空间,将每个视角下的拼接点云数据映射至统一的三维坐标系中,得到所述待检测车辆的完整三维点云数据。
5.根据权利要求1所述的车辆特征检测方法,其特征在于,所述车辆特征信息包括:车辆车型和车辆轴型;基于所述完整三维点云数据,确定所述待检测车辆的车辆特征信息的步骤,包括:
利用训练好的PointPillars模型,从所述完整三维点云数据中,获取所述待检测车辆的车辆车型和车辆轴型。
6.根据权利要求1至5任一项所述的车辆特征检测方法,其特征在于,还包括:
利用设置在所述目标区域的毫米波雷达,检测所述目标区域是否有车辆驶入。
7.根据权利要求6所述的车辆特征检测方法,其特征在于,所述目标区域中的多个不同视角的激光雷达包括:设置在所述目标区域中的门架正上方的第一激光雷达、所述门架左侧的第二激光雷达和所述门架右侧的第三激光雷达;其中,所述毫米波雷达、所述第一激光雷达、所述第二激光雷达和所述第三激光雷达位于所述目标区域的同一垂直平面。
8.一种车辆特征检测系统,其特征在于,包括:采集模块、处理模块和检测模块;
所述采集模块用于:当待检测车辆驶入目标区域时,利用设置在所述目标区域中的多个不同视角的激光雷达,采集所述待检测车辆分别在每个视角下的多帧原始点云数据;
所述处理模块用于:分别对每个视角下的多帧原始点云数据进行拼接,得到每个视角下的拼接点云数据并映射至统一的三维坐标系中,得到所述待检测车辆的完整三维点云数据;
所述检测模块用于:基于所述完整三维点云数据,确定所述待检测车辆的车辆特征信息。
9.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如权利要求1至7中任一项所述的车辆特征检测方法。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的车辆特征检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311337961.7A CN117075135B (zh) | 2023-10-17 | 2023-10-17 | 一种车辆特征检测方法、系统、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311337961.7A CN117075135B (zh) | 2023-10-17 | 2023-10-17 | 一种车辆特征检测方法、系统、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117075135A true CN117075135A (zh) | 2023-11-17 |
CN117075135B CN117075135B (zh) | 2024-01-02 |
Family
ID=88719857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311337961.7A Active CN117075135B (zh) | 2023-10-17 | 2023-10-17 | 一种车辆特征检测方法、系统、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117075135B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190311546A1 (en) * | 2018-04-09 | 2019-10-10 | drive.ai Inc. | Method for rendering 2d and 3d data within a 3d virtual environment |
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 |
CN114495512A (zh) * | 2021-12-24 | 2022-05-13 | 武汉万集光电技术有限公司 | 一种车辆信息检测方法、系统、电子设备及可读存储介质 |
CN115790449A (zh) * | 2023-01-06 | 2023-03-14 | 威海晶合数字矿山技术有限公司 | 一种狭长空间的三维形貌测量方法 |
CN218723930U (zh) * | 2022-10-21 | 2023-03-24 | 中广核贝谷科技有限公司 | 一种基于雷达的车体轮廓检测装置 |
WO2023084323A1 (zh) * | 2021-11-09 | 2023-05-19 | 商汤国际私人有限公司 | 对象检测方法及装置、电子设备和存储介质 |
-
2023
- 2023-10-17 CN CN202311337961.7A patent/CN117075135B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190311546A1 (en) * | 2018-04-09 | 2019-10-10 | drive.ai Inc. | Method for rendering 2d and 3d data within a 3d virtual environment |
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 |
WO2023084323A1 (zh) * | 2021-11-09 | 2023-05-19 | 商汤国际私人有限公司 | 对象检测方法及装置、电子设备和存储介质 |
CN114495512A (zh) * | 2021-12-24 | 2022-05-13 | 武汉万集光电技术有限公司 | 一种车辆信息检测方法、系统、电子设备及可读存储介质 |
CN218723930U (zh) * | 2022-10-21 | 2023-03-24 | 中广核贝谷科技有限公司 | 一种基于雷达的车体轮廓检测装置 |
CN115790449A (zh) * | 2023-01-06 | 2023-03-14 | 威海晶合数字矿山技术有限公司 | 一种狭长空间的三维形貌测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117075135B (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111712731B (zh) | 目标检测方法、系统及可移动平台 | |
CN109284348B (zh) | 一种电子地图的更新方法、装置、设备和存储介质 | |
US11506769B2 (en) | Method and device for detecting precision of internal parameter of laser radar | |
US10908257B2 (en) | Signal processing apparatus, signal processing method, and program | |
US20200326420A1 (en) | Camera and radar fusion | |
CN111179152A (zh) | 一种道路标识识别方法及装置、介质、终端 | |
CN110388929B (zh) | 导航地图更新方法、装置及系统 | |
CN110341621B (zh) | 一种障碍物检测方法及装置 | |
CN108399360B (zh) | 一种连续型障碍物检测方法、装置及终端 | |
CN112799091A (zh) | 算法评估方法、装置及存储介质 | |
CN113970734A (zh) | 路侧多线激光雷达降雪噪点去除方法、装置及设备 | |
CN114219770A (zh) | 地面检测方法、装置、电子设备及存储介质 | |
CN111273314A (zh) | 点云数据处理方法、装置和存储介质 | |
CN111862208B (zh) | 一种基于屏幕光通信的车辆定位方法、装置及服务器 | |
CN117075135B (zh) | 一种车辆特征检测方法、系统、存储介质和电子设备 | |
CN114631124A (zh) | 三维点云分割方法和装置、可移动平台 | |
CN113989765A (zh) | 一种轨道障碍物的检测方法、检测装置及可读存储介质 | |
CN111912418A (zh) | 删除移动载体不可行驶区域内障碍物的方法、装置及介质 | |
CN112037536A (zh) | 一种基于视频特征识别的车辆测速方法及装置 | |
CN114863096B (zh) | 室内停车场的语义地图构建及定位方法和装置 | |
CN113158864B (zh) | 卡车车头与挂车之间的夹角的确定方法与确定装置 | |
CN113888713B (zh) | 一种车载激光点云数据恢复路面缺失点的方法 | |
CN115752446A (zh) | 一种车载激光扫描数据同步方法、装置、电子设备及介质 | |
CN117031063A (zh) | 一种车辆的测速方法、装置、设备及存储介质 | |
CN115511975A (zh) | 一种单目相机的测距方法及计算机程序产品 |
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 |