CN117788513A - 一种基于多传感器的道路车辆跟踪检测系统及方法 - Google Patents
一种基于多传感器的道路车辆跟踪检测系统及方法 Download PDFInfo
- Publication number
- CN117788513A CN117788513A CN202311837759.0A CN202311837759A CN117788513A CN 117788513 A CN117788513 A CN 117788513A CN 202311837759 A CN202311837759 A CN 202311837759A CN 117788513 A CN117788513 A CN 117788513A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- information
- target
- obtaining
- 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 85
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Image Processing (AREA)
Abstract
本发明涉及一种基于多传感器的道路车辆跟踪检测系统及方法,属于道路车辆跟踪检测技术领域。本发明包括信息采集模块、图像处理模块、数据融合模块、跟踪检测模块、检测信息收集模块,根据预设范围内图像信息得到图像增强信息,通过图像阈值分割模型处理图像增强信息得到道路图像和车辆图像,通过阈值法处理道路图像得到车道线图像,根据车辆图像通过置信度模型处理得到目标车辆图像,根据雷达数据得到有效目标信息,根据有效目标信息和目标车辆图像通过自适应模型处理得到车辆跟踪检测信息,根据车辆跟踪检测信息生成道路车辆检测日志并实时上传至显示终端。实现了通过多传感器数据融合实时跟踪检测道路车辆和行驶轨迹预测,提高了数据处理效率。
Description
技术领域
本发明属于道路车辆跟踪检测技术领域,具体涉及一种基于多传感器的道路车辆跟踪检测系统及方法。
背景技术
随着我国人民生活水平的不断提升,汽车逐步取代了自行车和电瓶车,成为人们出行工具的主要组成部分。汽车的出现,不仅大幅缩短了人们出行的在途时间,而且改善了出行体验,因此备受人们的青睐。近年来我国的汽车保有量呈指数增长,据公安部交管局数据统计,截至2022年3月底,全国汽车保有量达3.19亿辆。然而汽车在给人们带来便利的同时,也带来了严重交通堵塞和环境问题。目前,传统的车辆跟踪检测算法需要对大量的滑动窗口进行粗提取和分类,导致图像数据处理速度较慢,进一步导致实时性较低,且无法实现实时性高的多传感器数据融合的道路车辆检测。
发明内容
为解决现有技术中存在的上述问题,本发明提供了一种基于多传感器的道路车辆跟踪检测系统及方法,获取预设范围内图像信息和雷达数据,根据预设范围内图像信息得到图像增强信息,通过图像阈值分割模型处理图像增强信息得到道路图像和车辆图像,通过阈值法处理道路图像得到车道线图像,根据车辆图像通过置信度模型处理得到目标车辆图像,根据雷达数据得到有效目标信息,根据有效目标信息和目标车辆图像通过自适应模型处理得到车辆跟踪检测信息,根据车辆跟踪检测信息生成道路车辆检测日志并实时上传至显示终端。实现了通过多传感器数据融合实时跟踪检测道路车辆和行驶轨迹预测,提高了数据处理效率。
本发明的目的可以通过以下技术方案实现:
一种基于多传感器的道路车辆跟踪检测方法,包括以下步骤:
S1:获取预设范围内图像信息和雷达数据,所述预设范围内图像信息通过视觉终端采集;
S2:根据所述预设范围内图像信息通过公式计算得到灰度值,其中,MG表示所述灰度值,R、G和B分别表示颜色分量,根据所述灰度值通过图像处理得到图像增强信息,根据所述图像增强信息通过图像阈值分割模型处理得到道路图像和车辆图像;
S3:通过阈值法处理所述道路图像得到车道线图像,根据所述车辆图像通过目标检测得到目标区域框,根据所述目标区域框通过置信度模型处理得到目标车辆框,根据所述目标车辆框得到目标车辆图像;
S4:根据所述雷达数据通过数据清洗得到有效目标信息,根据所述有效目标和所述目标车辆图像通过模板匹配得到目标匹配结果,根据所述目标匹配结果通过自适应模型处理得到车辆跟踪检测信息,所述有效目标信息包括车辆速度信息、车辆间距信息、车辆角度信息,所述车辆跟踪检测信息包括车辆轨迹预测信息、预警系数;
S5:根据所述车辆跟踪检测信息生成道路车辆检测日志并实时上传至显示终端。
优选地,所述步骤S2具体包括以下步骤:
S201:根据所述灰度值得到道路灰度图,获取所述道路灰度图的像素点坐标,根据所述道路灰度图通过公式计算得到所述图像增强信息,其中,L(x,y)表示所述图像增强信息,(x,y)表示图像增强过后的像素点坐标,R(x1,y1)表示所述道路灰度图,(x1,y1)表示所述像素点坐标,H(x,y,x1,y1)表示加权系数;
S202:根据所述图像增强信息获取视频图像帧序列,根据所述视频图像帧序列通过所述图像阈值分割模型处理得到图像帧差值,根据所述图像帧差值得到所述道路图像和所述车辆图像。
优选地,所述步骤S202具体包括以下步骤:
计算所述图像帧差值,计算公式为:Kjp(m,n)=|Hj(m,n)-Hp(m,n)|,其中,(m,n)表示所述视频图像帧序列的图像坐标值,Kjp(m,n)表示所述图像帧差值,Hj(m,n)和Hp(m,n)表示两个相邻的视频图像帧,j和p表示相邻的两个正整数;
当所述图像帧差值大于预设阈值时,所述图像帧差值对应的图像帧为所述车辆图像,当所述图像帧差值小于等于预设阈值时,所述图像帧差值对应的图像帧为所述道路图像。
优选地,所述步骤S3具体包括以下步骤:
S301:获取所述道路图像的像素点亮度,根据所述道路图像通过公式计算得到像素点强度,其中,Q′(i)表示所述像素点强度,i表示像素点,L(i)和L(i-1)表示相邻的两个所述像素点亮度,*表示卷积运算符,当所述像素点强度大于预设阈值时,所述像素点强度对应的像素点坐标为边缘点,根据所述边缘点得到所述车道线图像;
S302:获取所述目标区域框的中心坐标距离,通过图像标注工具对所述车辆图像进行目标方框标注得到目标区域框,根据所述目标区域框得到目标车辆框集,根据所述目标车辆框集和所述中心坐标距离通过所述置信度模型处理得到置信度,根据所述置信度得到所述目标车辆框,根据所述目标车辆框得到所述目标车辆图像。
优选地,所述步骤S302具体包括以下步骤:
所述置信度模型表示为:其中,SOC表示所述置信度,R和Y表示相邻两个所述目标区域框,∩表示交集,U表示并集,T表示目标区域框对角线距离,D表示所述中心坐标距离,α表示权重系数,β表示宽高比参数;
当所述置信度大于预设阈值时,根据所述置信度对应的所述目标区域框为所述目标车辆框。
优选地,所述步骤S4具体包括以下步骤:
S401:获取雷达触发阈值,根据所述雷达触发阈值和所述目标匹配结果得到车辆行驶帧序列信息,根据所述车辆行驶帧序列信息通过所述自适应模型处理得到所述车辆轨迹预测信息,所述车辆行驶帧序列信息包括车辆横向坐标、车辆纵向速度、车辆航向角、序列帧长度;
S402:根据所述有效目标信息和所述目标匹配结果通过公式计算得到所述预警系数,其中,Oi表示所述预警系数,Ki(·)表示所述目标匹配结果,v1表示所述车辆速度信息,d1表示所述车辆间距信息,Vth表示速度阈值,Dth表示间距阈值,δ表示权重系数,当预警系数大于预设阈值时,根据所述预警系数生成预警信息并上传至终端;
S403:根据所述车辆轨迹预测信息和所述预警系数得到所述车辆跟踪检测信息。
优选地,所述步骤S401具体包括所述自适应模型表示为:
其中,ΔX表示所述车辆轨迹预测信息,Yth表示所述车辆横向坐标,α表示坐标相关参数,a表示轨迹因子,b表示间距因子,L表示所述序列帧长度,can(b)表示所述车道线图像,δ表示权重系数,θth表示所述车辆航向角,Yth和Yth-1表示相邻两个所述车辆横向坐标,θk和θk-1表示相邻两个所述车辆角度信息。
一种基于多传感器的道路车辆跟踪检测系统,包括:
信息采集模块,用于获取预设范围内图像信息和雷达数据,所述预设范围内图像信息通过视觉终端采集;
图像处理模块,用于根据所述预设范围内图像信息得到灰度值,根据所述灰度值通过图像处理得到图像增强信息,根据所述图像增强信息通过图像阈值分割模型处理得到道路图像和车辆图像,通过阈值法处理所述道路图像得到车道线图像,根据所述车辆图像通过目标检测得到目标区域框,根据所述目标区域框通过置信度模型处理得到目标车辆框,根据所述目标车辆框得到目标车辆图像;
数据融合模块,用于根据所述雷达数据通过数据清洗得到有效目标信息,根据所述有效目标和所述目标车辆图像通过模板匹配得到目标匹配结果,所述有效目标信息包括车辆速度信息、车辆间距信息、车辆角度信息;
跟踪检测模块,用于根据所述目标匹配结果通过自适应模型处理得到车辆跟踪检测信息,所述车辆跟踪检测信息包括车辆轨迹预测信息、预警系数;
检测信息收集模块,根据所述车辆跟踪检测信息生成道路车辆检测日志并实时上传至显示终端。
本发明的有益效果为:
1.通过设置有图像处理模块,根据所述预设范围内图像信息得到灰度值,根据灰度值得到道路灰度图,获取道路灰度图的像素点坐标,根据所述道路灰度图通过计算得到所述图像增强信息,根据图像增强信息获取视频图像帧序列,根据视频图像帧序列通过图像阈值分割模型处理得到图像帧差值,根据图像帧差值得到车辆图像和道路图像,通过灰度变换增大不同灰度区域之间的对比度,扩大不同特征之间的差异,有助于信息提取,通过图像增强高效去除噪声和干扰信息,并平滑边缘信息,提高计算效率和检测精度,帧间差分法的程序复杂程度较低,实时性强,容易实现;
2.通过设置有,根据雷达数据通过数据清洗得到有效目标信息,根据有效目标和目标车辆图像得到目标匹配结果,根据雷达触发阈值和目标匹配结果得到车辆行驶帧序列信息,根据车辆行驶帧序列信息通过自适应模型处理得到车辆轨迹预测信息,根据有效目标信息和目标匹配结果通过计算得到预警系数,根据预警系数生成预警信息,根据车辆轨迹预测信息和预警系数得到车辆跟踪检测信息,实现了通过多传感器数据融合实时跟踪检测道路车辆和行驶轨迹预测。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明的基于多传感器的道路车辆跟踪检测方法的流程示意图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的具体实施方式、结构、特征及其功效,详细说明如下。
请参阅图1,一种基于多传感器的道路车辆跟踪检测方法,包括:
一种基于多传感器的道路车辆跟踪检测方法,包括以下步骤:
S1:获取预设范围内图像信息和雷达数据,所述预设范围内图像信息通过视觉终端采集;
S2:根据所述预设范围内图像信息通过公式计算得到灰度值,其中,MG表示所述灰度值,R、G和B分别表示颜色分量,根据所述灰度值通过图像处理得到图像增强信息,根据所述图像增强信息通过图像阈值分割模型处理得到道路图像和车辆图像;
S3:通过阈值法处理所述道路图像得到车道线图像,根据所述车辆图像通过目标检测得到目标区域框,根据所述目标区域框通过置信度模型处理得到目标车辆框,根据所述目标车辆框得到目标车辆图像;
S4:根据所述雷达数据通过数据清洗得到有效目标信息,根据所述有效目标和所述目标车辆图像通过模板匹配得到目标匹配结果,根据所述目标匹配结果通过自适应模型处理得到车辆跟踪检测信息,所述有效目标信息包括车辆速度信息、车辆间距信息、车辆角度信息,所述车辆跟踪检测信息包括车辆轨迹预测信息、预警系数;
S5:根据所述车辆跟踪检测信息生成道路车辆检测日志并实时上传至显示终端。
步骤S1具体涉及信息采集模块,获取预设范围内图像信息和雷达数据,所述预设范围内图像信息通过视觉终端采集,为后续步骤提供数据基础。
步骤S2具体涉及图像处理模块,根据所述预设范围内图像信息通过公式计算得到灰度值,其中,MG表示所述灰度值,R、G和B分别表示颜色分量,根据所述灰度值得到道路灰度图,获取所述道路灰度图的像素点坐标,根据所述道路灰度图通过公式/>计算得到所述图像增强信息,其中,L(x,y)表示所述图像增强信息,(x,y)表示图像增强过后的像素点坐标,R(x1,y1)表示所述道路灰度图,(x1,y1)表示所述像素点坐标,H(x,y,x1,y1)表示加权系数;
根据所述图像增强信息获取视频图像帧序列,根据所述视频图像帧序列通过所述图像阈值分割模型处理得到图像帧差值,计算所述图像帧差值,计算公式为:Kjp(m,n)=|Hj(m,n)-Hp(m,n)|,其中,(m,n)表示所述视频图像帧序列的图像坐标值,Kjp(m,n)表示所述图像帧差值,Hj(m,n)和Hp(m,n)表示两个相邻的视频图像帧,j和p表示相邻的两个正整数,当所述图像帧差值大于预设阈值时,所述图像帧差值对应的图像帧为所述车辆图像,当所述图像帧差值小于等于预设阈值时,所述图像帧差值对应的图像帧为所述道路图像;
通过灰度变换增大不同灰度区域之间的对比度,扩大不同特征之间的差异,有助于信息提取,通过图像增强能够高效去除噪声和干扰信息,并平滑边缘信息,简化后续算法在图像处理上的复杂度,提高计算效率和检测精度,帧间差分法,程序复杂程度较低,实时性强,容易实现,通过连续的两张图像做差分,提高差分结果准确度。
步骤S3具体包括获取所述道路图像的像素点亮度,根据所述道路图像通过公式计算得到像素点强度,其中,Q′(i)表示所述像素点强度,i表示像素点,L(i)和L(i-1)表示相邻的两个所述像素点亮度,*表示卷积运算符,当所述像素点强度大于预设阈值时,所述像素点强度对应的像素点坐标为边缘点,根据所述边缘点得到所述车道线图像;
获取所述目标区域框的中心坐标距离,通过图像标注工具对所述车辆图像进行目标方框标注得到目标区域框,根据所述目标区域框得到目标车辆框集,根据所述目标车辆框集和所述中心坐标距离通过所述置信度模型处理得到置信度,所述置信度模型表示为:其中,SOC表示所述置信度,R和Y表示相邻两个所述目标区域框,∩表示交集,∪表示并集,T表示目标区域框对角线距离,D表示所述中心坐标距离,α表示权重系数,β表示宽高比参数,当所述置信度大于预设阈值时,根据所述置信度对应的所述目标区域框为所述目标车辆框,根据所述目标车辆框得到所述目标车辆图像。
步骤S4具体包括根据所述雷达数据通过数据清洗得到有效目标信息,根据所述有效目标和所述目标车辆图像通过模板匹配得到目标匹配结果,所述有效目标信息包括车辆速度信息、车辆间距信息、车辆角度信息,获取雷达触发阈值,根据所述雷达触发阈值和所述目标匹配结果得到车辆行驶帧序列信息,根据所述车辆行驶帧序列信息通过所述自适应模型处理得到所述车辆轨迹预测信息,所述自适应模型表示为:
所述车辆行驶帧序列信息包括车辆横向坐标、车辆纵向速度、车辆航向角、序列帧长度;
根据所述有效目标信息和所述目标匹配结果通过公式计算得到所述预警系数,其中,Oi表示所述预警系数,Ki(·)表示所述目标匹配结果,v1表示所述车辆速度信息,d1表示所述车辆间距信息,Vth表示速度阈值,Dth表示间距阈值,δ表示权重系数,当预警系数大于预设阈值时,根据所述预警系数生成预警信息并上传至终端,根据所述车辆轨迹预测信息和所述预警系数得到所述车辆跟踪检测信息。
通过雷达数据与图像信息融合极大提升了道路车辆感知能力,实现了通过处理传感器融合数据得到车辆轨迹预测信息和预警系数,实现了实时道路车辆跟踪检测。
步骤S5具体涉及检测信息收集模块,根据所述车辆跟踪检测信息生成道路车辆检测日志并实时上传至显示终端。
更进一步地,本发明还提供一种基于多传感器的道路车辆跟踪检测系统,包括:
信息采集模块,用于获取预设范围内图像信息和雷达数据,所述预设范围内图像信息通过视觉终端采集;
图像处理模块,用于根据所述预设范围内图像信息得到灰度值,根据所述灰度值通过图像处理得到图像增强信息,根据所述图像增强信息通过图像阈值分割模型处理得到道路图像和车辆图像,通过阈值法处理所述道路图像得到车道线图像,根据所述车辆图像通过目标检测得到目标区域框,根据所述目标区域框通过置信度模型处理得到目标车辆框,根据所述目标车辆框得到目标车辆图像;
数据融合模块,用于根据所述雷达数据通过数据清洗得到有效目标信息,根据所述有效目标和所述目标车辆图像通过模板匹配得到目标匹配结果,所述有效目标信息包括车辆速度信息、车辆间距信息、车辆角度信息;
跟踪检测模块,用于根据所述目标匹配结果通过自适应模型处理得到车辆跟踪检测信息,所述车辆跟踪检测信息包括车辆轨迹预测信息、预警系数;
检测信息收集模块,用于根据所述车辆跟踪检测信息生成道路车辆检测日志并实时上传至显示终端。
本发明的工作原理及使用流程:
通过信息采集模块获取预设范围内图像信息和雷达数据,根据预设范围内图像信息通过图像处理得到图像增强信息,根据图像增强信息通过图像阈值分割模型处理得到道路图像和车辆图像,通过阈值法处理道路图像得到车道线图像,根据车辆图像得到目标区域框,根据目标区域框通过置信度模型处理得到目标车辆图像,根据雷达数据通过数据清洗得到有效目标信息,根据有效目标信息和目标车辆图像通过模板匹配得到目标匹配结果,根据目标匹配结果通过自适应模型处理得到车辆跟踪检测信息,根据车辆跟踪检测信息生成道路车辆检测日志并实时上传至显示终端。
本发明实施例中的方法包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆等等,或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行,或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰,均仍属于本发明技术方案的范围。
Claims (8)
1.一种基于多传感器的道路车辆跟踪检测方法,其特征在于,包括以下步骤:
S1:获取预设范围内图像信息和雷达数据,所述预设范围内图像信息通过视觉终端采集;
S2:根据所述预设范围内图像信息通过公式计算得到灰度值,其中,MG表示所述灰度值,R、G和B分别表示颜色分量,根据所述灰度值通过图像处理得到图像增强信息,根据所述图像增强信息通过图像阈值分割模型处理得到道路图像和车辆图像;
S3:通过阈值法处理所述道路图像得到车道线图像,根据所述车辆图像通过目标检测得到目标区域框,根据所述目标区域框通过置信度模型处理得到目标车辆框,根据所述目标车辆框得到目标车辆图像;
S4:根据所述雷达数据通过数据清洗得到有效目标信息,根据所述有效目标和所述目标车辆图像通过模板匹配得到目标匹配结果,根据所述目标匹配结果通过自适应模型处理得到车辆跟踪检测信息,所述有效目标信息包括车辆速度信息、车辆间距信息、车辆角度信息,所述车辆跟踪检测信息包括车辆轨迹预测信息、预警系数;
S5:根据所述车辆跟踪检测信息生成道路车辆检测日志并实时上传至显示终端。
2.根据权利要求1所述的基于多传感器的道路车辆跟踪检测方法,其特征在于,所述步骤S2具体包括以下步骤:
S201:根据所述灰度值得到道路灰度图,获取所述道路灰度图的像素点坐标,根据所述道路灰度图通过公式计算得到所述图像增强信息,其中,L(x,y)表示所述图像增强信息,(x,y)表示图像增强过后的像素点坐标,R(x1,y1)表示所述道路灰度图,(x1,y1)表示所述像素点坐标,H(x,y,x1,y1)表示加权系数;
S202:根据所述图像增强信息获取视频图像帧序列,根据所述视频图像帧序列通过所述图像阈值分割模型处理得到图像帧差值,根据所述图像帧差值得到所述道路图像和所述车辆图像。
3.根据权利要求2所述的基于多传感器的道路车辆跟踪检测方法,其特征在于,所述步骤S202具体包括以下步骤:
计算所述图像帧差值,计算公式为:Kjp(m,n)=|Hj(m,n)-Hp(m,n)|,其中,(m,n)表示所述视频图像帧序列的图像坐标值,Kjp(m,n)表示所述图像帧差值,Hj(m,n)和Hp(m,n)表示两个相邻的视频图像帧,j和p表示相邻的两个正整数;
当所述图像帧差值大于预设阈值时,所述图像帧差值对应的图像帧为所述车辆图像,当所述图像帧差值小于等于预设阈值时,所述图像帧差值对应的图像帧为所述道路图像。
4.根据权利要求1所述的基于多传感器的道路车辆跟踪检测方法,其特征在于,所述步骤S3具体包括以下步骤:
S301:获取所述道路图像的像素点亮度,根据所述道路图像通过公式
计算得到像素点强度,其中,Q′(i)表示所述像素点强度,i表示像素点,L(i)和L(i-1)表示相邻的两个所述像素点亮度,*表示卷积运算符,当所述像素点强度大于预设阈值时,所述像素点强度对应的像素点坐标为边缘点,根据所述边缘点得到所述车道线图像;
S302:获取所述目标区域框的中心坐标距离,通过图像标注工具对所述车辆图像进行目标方框标注得到目标区域框,根据所述目标区域框得到目标车辆框集,根据所述目标车辆框集和所述中心坐标距离通过所述置信度模型处理得到置信度,根据所述置信度得到所述目标车辆框,根据所述目标车辆框得到所述目标车辆图像。
5.根据权利要求4所述的基于多传感器的道路车辆跟踪检测方法,其特征在于,所述步骤S302具体包括以下步骤:
所述置信度模型表示为:其中,SOC表示所述置信度,R和Y表示相邻两个所述目标区域框,∩表示交集,∪表示并集,T表示目标区域框对角线距离,D表示所述中心坐标距离,α表示权重系数,β表示宽高比参数;
当所述置信度大于预设阈值时,根据所述置信度对应的所述目标区域框为所述目标车辆框。
6.根据权利要求1所述的基于多传感器的道路车辆跟踪检测方法,其特征在于,所述步骤S4具体包括以下步骤:
S401:获取雷达触发阈值,根据所述雷达触发阈值和所述目标匹配结果得到车辆行驶帧序列信息,根据所述车辆行驶帧序列信息通过所述自适应模型处理得到所述车辆轨迹预测信息,所述车辆行驶帧序列信息包括车辆横向坐标、车辆纵向速度、车辆航向角、序列帧长度;
S402:根据所述有效目标信息和所述目标匹配结果通过公式计算得到所述预警系数,其中,Oi表示所述预警系数,Ki(·)表示所述目标匹配结果,v1表示所述车辆速度信息,d1表示所述车辆间距信息,Vth表示速度阈值,Dth表示间距阈值,δ表示权重系数,当预警系数大于预设阈值时,根据所述预警系数生成预警信息并上传至终端;
S403:根据所述车辆轨迹预测信息和所述预警系数得到所述车辆跟踪检测信息。
7.根据权利要求6所述的基于多传感器的道路车辆跟踪检测方法,其特征在于,所述步骤S401具体包括所述自适应模型表示为:其中,ΔX表示所述车辆轨迹预测信息,Yth表示所述车辆横向坐标,α表示坐标相关参数,a表示轨迹因子,b表示间距因子,L表示所述序列帧长度,can(b)表示所述车道线图像,δ表示权重系数,θth表示所述车辆航向角,Yth和Yth-1表示相邻两个所述车辆横向坐标,θk和θk-1表示相邻两个所述车辆角度信息。
8.一种基于多传感器的道路车辆跟踪检测系统,该基于多传感器的道路车辆跟踪检测系统采用如权利要求1所述的基于多传感器的道路车辆跟踪检测方法,其特征在于,包括:
信息采集模块,用于获取预设范围内图像信息和雷达数据,所述预设范围内图像信息通过视觉终端采集;
图像处理模块,用于根据所述预设范围内图像信息得到灰度值,根据所述灰度值通过图像处理得到图像增强信息,根据所述图像增强信息通过图像阈值分割模型处理得到道路图像和车辆图像,通过阈值法处理所述道路图像得到车道线图像,根据所述车辆图像通过目标检测得到目标区域框,根据所述目标区域框通过置信度模型处理得到目标车辆框,根据所述目标车辆框得到目标车辆图像;
数据融合模块,用于根据所述雷达数据通过数据清洗得到有效目标信息,根据所述有效目标和所述目标车辆图像通过模板匹配得到目标匹配结果,所述有效目标信息包括车辆速度信息、车辆间距信息、车辆角度信息;
跟踪检测模块,用于根据所述目标匹配结果通过自适应模型处理得到车辆跟踪检测信息,所述车辆跟踪检测信息包括车辆轨迹预测信息、预警系数;
检测信息收集模块,根据所述车辆跟踪检测信息生成道路车辆检测日志并实时上传至显示终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311837759.0A CN117788513B (zh) | 2023-12-28 | 2023-12-28 | 一种基于多传感器的道路车辆跟踪检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311837759.0A CN117788513B (zh) | 2023-12-28 | 2023-12-28 | 一种基于多传感器的道路车辆跟踪检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117788513A true CN117788513A (zh) | 2024-03-29 |
CN117788513B CN117788513B (zh) | 2024-07-09 |
Family
ID=90390486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311837759.0A Active CN117788513B (zh) | 2023-12-28 | 2023-12-28 | 一种基于多传感器的道路车辆跟踪检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117788513B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150197249A1 (en) * | 2014-01-14 | 2015-07-16 | Denso Corporation | Apparatus and computer program for controlling vehicle tracking target vehicle |
CN106054174A (zh) * | 2015-04-06 | 2016-10-26 | 通用汽车环球科技运作有限责任公司 | 使用雷达和摄像机用于横越交通应用的融合方法 |
CN109085570A (zh) * | 2018-06-10 | 2018-12-25 | 南京理工大学 | 基于数据融合的车辆检测跟踪算法 |
CN112991391A (zh) * | 2021-03-31 | 2021-06-18 | 武汉大学 | 一种基于雷达信号和视觉融合的车辆检测与跟踪方法 |
CN115372958A (zh) * | 2022-08-17 | 2022-11-22 | 苏州广目汽车科技有限公司 | 一种基于毫米波雷达和单目视觉融合的目标检测和跟踪方法 |
CN116266360A (zh) * | 2021-12-16 | 2023-06-20 | 长安大学 | 一种基于多源信息融合的车辆目标检测跟踪方法 |
-
2023
- 2023-12-28 CN CN202311837759.0A patent/CN117788513B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150197249A1 (en) * | 2014-01-14 | 2015-07-16 | Denso Corporation | Apparatus and computer program for controlling vehicle tracking target vehicle |
CN106054174A (zh) * | 2015-04-06 | 2016-10-26 | 通用汽车环球科技运作有限责任公司 | 使用雷达和摄像机用于横越交通应用的融合方法 |
CN109085570A (zh) * | 2018-06-10 | 2018-12-25 | 南京理工大学 | 基于数据融合的车辆检测跟踪算法 |
CN112991391A (zh) * | 2021-03-31 | 2021-06-18 | 武汉大学 | 一种基于雷达信号和视觉融合的车辆检测与跟踪方法 |
CN116266360A (zh) * | 2021-12-16 | 2023-06-20 | 长安大学 | 一种基于多源信息融合的车辆目标检测跟踪方法 |
CN115372958A (zh) * | 2022-08-17 | 2022-11-22 | 苏州广目汽车科技有限公司 | 一种基于毫米波雷达和单目视觉融合的目标检测和跟踪方法 |
Non-Patent Citations (1)
Title |
---|
杨明, 宋雪峰, 王宏, 张钹: "面向智能交通系统的图像处理", 计算机工程与应用, no. 09, 1 May 2001 (2001-05-01) * |
Also Published As
Publication number | Publication date |
---|---|
CN117788513B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021259344A1 (zh) | 车辆检测方法、装置、车辆和存储介质 | |
CN111582083B (zh) | 一种基于消失点估计与语义分割的车道线检测方法 | |
CN108596129B (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
CN108519605B (zh) | 基于激光雷达和摄像机的路沿检测方法 | |
CN106128121B (zh) | 基于局部特征分析的车辆排队长度快速检测算法 | |
CN110738121A (zh) | 一种前方车辆检测方法及检测系统 | |
CN106846359A (zh) | 基于视频序列的运动目标快速检测方法 | |
CN110516633B (zh) | 一种基于深度学习的车道线检测方法及系统 | |
CN105005771A (zh) | 一种基于光流点轨迹统计的车道线实线的检测方法 | |
CN111723849A (zh) | 一种基于车载摄像头的路面附着系数在线估计方法和系统 | |
CN109708658B (zh) | 一种基于卷积神经网络的视觉里程计方法 | |
CN114266977B (zh) | 基于超分辨可选择网络的多auv的水下目标识别方法 | |
CN111461048B (zh) | 基于视觉的停车场可行驶区域检测与局部地图构建方法 | |
CN112215306A (zh) | 一种基于单目视觉与毫米波雷达融合的目标检测方法 | |
CN105426868A (zh) | 一种基于自适应感兴趣区域的车道检测方法 | |
CN113903011A (zh) | 一种适用于室内停车场的语义地图构建及定位方法 | |
CN110929670A (zh) | 基于yolo3技术的渣土车洁净度视频识别分析方法 | |
CN114745528B (zh) | 一种高位全景视频安全监控方法 | |
FAN et al. | Robust lane detection and tracking based on machine vision | |
CN111091077B (zh) | 一种基于图像相关性和模板匹配的车速检测方法 | |
CN117788513B (zh) | 一种基于多传感器的道路车辆跟踪检测系统及方法 | |
CN111950476A (zh) | 基于深度学习的复杂环境下河道船舶自动识别方法 | |
CN116758421A (zh) | 一种基于弱监督学习的遥感图像有向目标检测方法 | |
CN111950549B (zh) | 一种基于海天线与视觉显著性融合的海面障碍物检测方法 | |
CN112150828B (zh) | 基于图像识别技术的防抖动干扰动态调控红绿灯的方法 |
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 |