CN117893976A - 车型识别方法、装置、计算机设备和存储介质 - Google Patents

车型识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN117893976A
CN117893976A CN202410015974.0A CN202410015974A CN117893976A CN 117893976 A CN117893976 A CN 117893976A CN 202410015974 A CN202410015974 A CN 202410015974A CN 117893976 A CN117893976 A CN 117893976A
Authority
CN
China
Prior art keywords
vehicle
depth
image
current frame
information
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
Application number
CN202410015974.0A
Other languages
English (en)
Inventor
覃智泉
胡中华
覃浩蓝
甘忠志
陈德彰
黄振港
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Signalway Technologies Co ltd
Original Assignee
Beijing Signalway Technologies Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Signalway Technologies Co ltd filed Critical Beijing Signalway Technologies Co ltd
Priority to CN202410015974.0A priority Critical patent/CN117893976A/zh
Publication of CN117893976A publication Critical patent/CN117893976A/zh
Pending legal-status Critical Current

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (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)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种车型识别方法、装置、计算机设备和存储介质。所述方法包括：获取通过图像采集设备在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达在相应采集时刻所采集的车辆的深度图像；图像采集设备和激光雷达设置于道路同一侧的同一竖直线上；对各深度图像进行拼接处理，得到车辆的深度拼接图；对各车侧图像进行拼接处理，得到车辆的车侧拼接图；根据车侧拼接图和深度拼接图，确定车辆的目标车型信息。采用本方法能够通过对识别到的多帧深度图像和多帧车侧图像分别进行拼接处理，得到更加准确且合理的深度拼接图和车侧拼接图，进一步根据该深度拼接图和车侧拼接图，确定得到更加准确的目标车型信息。

Description

车型识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种车型识别方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，出现了车辆识别技术，该技术可以应用于高速的出入口及收费稽核等方面。
传统技术中，通过多方位的图像采集设备对车辆图像进行采集，根据确定出的车辆图像进行拼接，从而得到拼接完成的完整的整车图像，并基于该整车图像解析得到车型信息。
该方式虽然能够得到车辆的车型信息，但存在车型信息获取不准确的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确获取车型信息的车型识别方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种车型识别方法，包括：
获取通过图像采集设备在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达在相应采集时刻所采集的车辆的深度图像；图像采集设备和激光雷达设置于道路同一侧的同一竖直线上；
对各深度图像进行拼接处理，得到车辆的深度拼接图；
对各车侧图像进行拼接处理，得到车辆的车侧拼接图；
根据车侧拼接图和深度拼接图，确定车辆的目标车型信息。
在其中一个实施例中，对各深度图像进行拼接处理，得到车辆的深度拼接图，包括：
根据当前帧车侧图像和上一帧车侧图像之间的差异情况，确定是否需要进行拼接处理；
若需要进行拼接处理，则根据当前帧深度图像中的深度信息，确定当前帧深度图像中的待拼接深度图像；
将不同帧对应的各待拼接深度图像顺序拼接，得到深度拼接图。
在其中一个实施例中，根据当前帧深度图像中的深度信息，确定当前帧深度图像中的待拼接深度图像，包括：
根据当前帧深度图像中的深度信息，确定当前帧深度图像对应的边界深度信息；
根据预设的宽度车侧信息、帧时间和预设比值，确定不同帧共用的宽度深度信息；
根据当前帧对应的边界深度信息和宽度深度信息，确定当前帧深度图像中的待拼接深度图像。
在其中一个实施例中，对各车侧图像进行拼接处理，得到车辆的车侧拼接图，包括：
根据当前帧深度图像中的待拼接深度图像对应的像素位置，以及预设的深度图像与车侧图像之间的位置映射关系，确定当前帧车侧图像中的待拼接车侧图像；
将不同帧对应的各待拼接车侧图像顺序拼接，得到车侧拼接图。
在其中一个实施例中，根据当前帧深度图像中的待拼接深度图像对应的像素位置，以及预设的深度图像与车侧图像之间的位置映射关系，确定当前帧车侧图像中的待拼接车侧图像，包括：
根据当前帧深度图像中的深度信息，确定当前帧深度图像对应的边界深度信息；
根据当前帧对应的边界深度信息以及位置映射关系，确定当前帧车侧图像对应的边界车侧信息；其中，边界车侧信息包括顶部车侧信息和底部车侧信息；
根据当前帧对应的边界车侧信息和预设的宽度车侧信息，对当前帧车侧图像进行分割处理，得到当前帧车侧图像中的待拼接车侧图像。
在其中一个实施例中，根据车侧拼接图和深度拼接图，确定车辆的目标车型信息，包括：
根据车侧拼接图，确定车辆的第一车型信息，以及根据深度拼接图，确定车辆的第二车型信息；
对第一车型信息和第二车型信息进行融合处理，得到车辆的目标车型信息。
在其中一个实施例中，根据车侧拼接图，确定车辆的第一车型信息，以及根据深度拼接图，确定车辆的第二车型信息，包括：
将车侧拼接图输入到训练好的车侧图识别模型中，得到车侧拼接图对应的第一车型信息；
将车侧拼接图输入到训练好的深度图识别模型中，得到深度拼接图对应的第二车型信息。
第二方面，本申请还提供了一种车型识别装置，包括：
图像获取模块，用于获取通过图像采集设备在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达在相应采集时刻所采集的车辆的深度图像；图像采集设备和激光雷达设置于道路同一侧的同一竖直线上；
深度确定模块，用于对各深度图像进行拼接处理，得到车辆的深度拼接图；
车侧确定模块，用于对各车侧图像进行拼接处理，得到车辆的车侧拼接图；
车型确定模块，用于根据车侧拼接图和深度拼接图，确定车辆的目标车型信息。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取通过图像采集设备在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达在相应采集时刻所采集的车辆的深度图像；图像采集设备和激光雷达设置于道路同一侧的同一竖直线上；
对各深度图像进行拼接处理，得到车辆的深度拼接图；
对各车侧图像进行拼接处理，得到车辆的车侧拼接图；
根据车侧拼接图和深度拼接图，确定车辆的目标车型信息。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取通过图像采集设备在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达在相应采集时刻所采集的车辆的深度图像；图像采集设备和激光雷达设置于道路同一侧的同一竖直线上；
对各深度图像进行拼接处理，得到车辆的深度拼接图；
对各车侧图像进行拼接处理，得到车辆的车侧拼接图；
根据车侧拼接图和深度拼接图，确定车辆的目标车型信息。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取通过图像采集设备在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达在相应采集时刻所采集的车辆的深度图像；图像采集设备和激光雷达设置于道路同一侧的同一竖直线上；
对各深度图像进行拼接处理，得到车辆的深度拼接图；
对各车侧图像进行拼接处理，得到车辆的车侧拼接图；
根据车侧拼接图和深度拼接图，确定车辆的目标车型信息。
上述车型识别方法、装置、计算机设备和存储介质，获取通过图像采集设备在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达在相应采集时刻所采集的车辆的深度图像；图像采集设备和激光雷达设置于道路同一侧的同一竖直线上；对各深度图像进行拼接处理，得到车辆的深度拼接图；对各车侧图像进行拼接处理，得到车辆的车侧拼接图；根据车侧拼接图和深度拼接图，确定车辆的目标车型信息。相比于传统技术中仅根据车侧图像识别车型信息的方式，本申请通过对识别到的多帧深度图像和多帧车侧图像分别进行拼接处理，得到更加准确且合理的深度拼接图和车侧拼接图，进一步根据该深度拼接图和车侧拼接图，确定得到更加准确的目标车型信息。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本实施例提供的一种车型识别方法的应用环境图；
图2为本实施例提供的第一种车型识别方法的流程示意图；
图3为本实施例提供的一种确定待拼接深度图像的流程示意图；
图4为本实施例提供的一种确定待拼接车侧图像的流程示意图；
图5为本实施例提供的一种得到目标车型信息的流程示意图；
图6为本实施例提供的第二种车型识别方法的流程示意图；
图7为本实施例提供的一种车型识别装置的结构框图；
图8为本实施例提供的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的车型识别方法，可以应用于如图1所示的应用环境中。其中，图像采集设备101与嵌入式设备103之间可以进行通信。激光雷达102通过网络与嵌入式设备103之间可以进行通信。图像采集设备101获取通过图像采集设备101在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达102在相应采集时刻所采集的车辆的深度图像；图像采集设备和激光雷达设置于道路同一侧的同一竖直线上；激光雷达102对各深度图像进行拼接处理，得到车辆的深度拼接图；图像采集设备101对各车侧图像进行拼接处理，得到车辆的车侧拼接图；嵌入式设备103根据车侧拼接图和深度拼接图，确定车辆的目标车型信息。其中，嵌入式设备103可以用独立的嵌入式设备或者是多个嵌入式设备组成的服务器集群来实现。需要说明的是，本实施例中图像采集设备101采集车侧图像，并对车侧图像进行拼接处理得到车侧拼接图的过程，以及激光雷达102采集深度图像，并对深度图像进行拼接处理得到深度拼接图的过程可以同步执行，而在嵌入式设备103根据车侧拼接图和深度拼接图，确定车辆的目标车型信息的过程中，图像采集设备101可以采集新的车侧图像，且激光雷达102也可以同步采集新的深度图像。
在一个示例性的实施例中，如图2所示，提供了一种车型识别方法，以该方法应用于图1中的服务器103为例进行说明，包括以下步骤S201至步骤S204。其中：
S201、获取通过图像采集设备在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达在相应采集时刻所采集的车辆的深度图像。
其中，图像采集设备和激光雷达设置于道路同一侧的同一竖直线上。图像采集设备可以是高速摄像头，设置于距离地面1-3米，以水平视角采集过路车辆侧面的车侧图像，其一秒内可以采集100帧。激光雷达设置于距离地面1-2米，垂直采集过路车辆高度的深度图像，优选地，本申请中的激光雷达可以是线扫激光雷达，线扫激光雷达的优势在于其安装简便，单次仅需扫描一个线的深度信息，扫描效率高，计算成本更低廉。需要说明的是，每帧车侧图像均存在相对应的深度图像。
可选地，图像采集设备在不同采集时刻采集车辆的车侧图像，激光雷达在相应采集时刻采集车辆的深度图像，服务器获取采集到的不同帧车侧图像和深度图像。
S202、对各深度图像进行拼接处理，得到车辆的深度拼接图。
其中一种可选实现方式可以是，将各深度图像输入到深度图拼接模型中，得到深度图拼接模型输出的车辆的深度拼接图。
另一种可选实现方式可以是，根据当前帧车侧图像和上一帧车侧图像之间的差异情况，确定是否需要进行拼接处理；若需要进行拼接处理，则根据当前帧深度图像中的深度信息，确定当前帧深度图像中的待拼接深度图像；将不同帧对应的各待拼接深度图像顺序拼接，得到深度拼接图。即，确定当前帧车侧图像和上一帧车侧图像之间的相似度，确定所述相似度是否大于设置阈值，若是，则证明当前帧车侧图像和上一帧车侧图像之间不存在明显差异，则无需进行拼接处理；若否，则当前帧车侧图像和上一帧车侧图像之间存在较明显差异，因此，需进行拼接处理，因此，根据当前帧深度图像中的深度信息，从当前帧深度图像中分割出待拼接深度图像，并将不同帧对应的各待拼接深度图像进行顺序拼接，将拼接结果作为深度拼接图。
需要说明的是，针对当前帧车侧图像和上一帧车侧图像之间不存在明显差异的情况，本申请可以不对当前帧车侧图像进行拼接处理，并删除当前帧车侧图像，同时还可以删除与该当前帧车侧图像相对应的深度图像。本申请通常不对第一帧车侧图像进行拼接处理，即仅保存第一帧车侧图像，并进一步确定第一帧车侧图像和第二帧图像之间是否存在明显差异，若不存在明显差异，则可以删除第一帧车侧图像。
S203、对各车侧图像进行拼接处理，得到车辆的车侧拼接图。
其中一种可选实现方式可以是，将各车侧图像输入到车侧图拼接模型中，得到车侧图拼接模型输出的车辆的车侧拼接图。
另一种可选实现方式可以是，根据当前帧深度图像中的待拼接深度图像对应的像素位置，以及预设的深度图像与车侧图像之间的位置映射关系，确定当前帧车侧图像中的待拼接车侧图像；将不同帧对应的各待拼接车侧图像顺序拼接，得到车侧拼接图。即，获取当前帧深度图像中的待拼接深度图像对应的像素位置，根据该像素位置，以及预设的深度图像与车侧图像之间的位置映射关系，确定当前帧车侧图像中的待拼接车侧图像，并对不同帧对应的各待拼接车侧图像进行顺序拼接，将拼接结果作为车侧拼接图。
需要说明的是，位置映射关系的确定方式可以是，通过线性映射，确定深度图像和车侧图像之间的位置映射关系。示例性的，假设图像采集设备和激光雷达分别采集包含车道线的图像，其中，深度图中车道线的为x11、x12，车侧图里中车道线的为x21、x22，则根据线性映射关系可知，深度图像和车侧图像之间的位置映射关系如下公式（1-1）所示。
（1-1）
其中，y表征深度图像和车侧图像之间的位置映射关系，即深度图像中x像素位置与车侧图像中y像素位置之间的位置映射关系；x11表征深度图像中位置较高的车道线的像素位置；x12表征深度图像中位置较低的车道线的像素位置；x21表征车侧图像中位置较高的车道线的像素位置；x22表征车侧图像中位置较低的车道线的像素位置。
S204、根据车侧拼接图和深度拼接图，确定车辆的目标车型信息。
可选地，将车侧拼接图和深度拼接图输入到车型识别模型中，得到车型识别模型输出的目标车型信息。
上述车型识别方法、装置、计算机设备和存储介质，获取通过图像采集设备在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达在相应采集时刻所采集的车辆的深度图像；图像采集设备和激光雷达设置于道路同一侧的同一竖直线上；对各深度图像进行拼接处理，得到车辆的深度拼接图；对各车侧图像进行拼接处理，得到车辆的车侧拼接图；根据车侧拼接图和深度拼接图，确定车辆的目标车型信息。相比于传统技术中仅根据车侧图像识别车型信息的方式，本申请通过对识别到的多帧深度图像和多帧车侧图像分别进行拼接处理，得到更加准确且合理的深度拼接图和车侧拼接图，进一步根据该深度拼接图和车侧拼接图，确定得到更加准确的目标车型信息。
图3为一个实施例中确定待拼接深度图像的流程示意图。本实施例给出了一种确定待拼接深度图像的可选方式，包括如下步骤：
S301根据当前帧深度图像中的深度信息，确定当前帧深度图像对应的边界深度信息。
其中，深度信息可以是深度图像中各位置像素的像素值。边界深度信息包括顶部深度信息和底部深度信息。
可选地，确定采集到的当前帧深度图像中的各位置像素的深度信息，并将该深度信息与相应位置像素的预设标准深度信息进行比较，确定相同位置像素对应的深度信息与标准深度信息之间的深度相似度，并将深度相似度大于预设深度相似阈值的深度信息对应的位置像素标注为车辆像素，获取所有车辆像素，并将所有车辆像素中位置最高的作为顶部深度信息，将位置最低的作为底部深度信息，将顶部深度信息和底部深度信息作为当前帧深度图像对应的边界深度信息。
需要说明的是，深度图像中各深度信息为[x1,…,xh]。其中，h为深度图像的像素高度，x1表征深度图像中第一个位置像素（即最高位置）对应的深度信息，xh表征深度图像中第h个位置像素对应的深度信息。
S302、根据预设的宽度车侧信息、帧时间和预设比值，确定不同帧共用的宽度深度信息。
其中，预设比值可以是由车辆拍摄现场情况预设的固定比例值。
可选地，根据预设的宽度车侧信息、帧时间和预设比值，通过如下公式（1-2），确定得到不同帧共用的宽度深度信息。
（1-2）
其中，s表征预设比值，sn是宽度车侧信息，tn是帧时间（即一帧的时长）。
需要说明的是，本实施例中的宽度车侧信息可以是预设值；也可以是通过模板匹配算法对车侧图像进行匹配，从而得到的宽度车侧信息；还可以是通过特征点匹配算法，确定当前帧车侧图像和上一帧车侧图像中相同位置像素之间特征值的差异，若特征值大于预设特征值，则证明该位置像素的特征值存在较大差异，并将当前帧车侧图像中该位置像素标注为车辆像素，获取所有标注车辆像素的位置像素，并计算车侧图像中所有车辆像素构成的宽度，并将宽度作为宽度车侧信息。
S303、根据当前帧对应的边界深度信息和宽度深度信息，确定当前帧深度图像中的待拼接深度图像。
可选地，本实施例可以将边界深度信息作为分割边界，将宽度深度信息作为分割宽度，根据该分割边界和分割宽度对深度图像进行分割，得到待拼接深度图像。
上述确定待拼接深度图像方法，根据当前帧深度图像中的深度信息，确定当前帧深度图像对应的边界深度信息，根据边界深度信息，确定当前帧深度图像中的待拼接深度图像。本实施例可以根据当前帧深度图像中的深度信息，确定车辆的边界深度信息，并进一步根据边界深度信息获取更加准确的待拼接深度图像。
图4为一个实施例中确定待拼接车侧图像的流程示意图。本实施例给出了一种确定待拼接车侧图像的可选方式，包括如下步骤：
S401、根据当前帧深度图像中的深度信息，确定当前帧深度图像对应的边界深度信息。
可选地，本实施例中根据当前帧深度图像中的深度信息，确定当前帧深度图像对应的边界深度信息在上述实施例（即步骤S301）中已进行过详细阐述，本实施例在此不做赘述。
S402、根据当前帧对应的边界深度信息以及位置映射关系，确定当前帧车侧图像对应的边界车侧信息。
其中，边界车侧信息包括顶部车侧信息和底部车侧信息。
可选地，根据当前帧对应的边界深度信息，通过确定出的位置映射关系（即上述公式1-1），得到当前帧车侧图像对应的边界车侧信息，即，根据顶部深度信息通过位置映射关系，确定出顶部车侧信息；根据底部深度信息通过位置映射关系，确定出底部车侧信息，并将顶部车侧信息和底部车侧信息作为边界车侧信息。
S403、根据当前帧对应的边界车侧信息和预设的宽度车侧信息，对当前帧车侧图像进行分割处理，得到当前帧车侧图像中的待拼接车侧图像。
可选地，将边界车侧信息作为分割边界，将宽度车侧信息作为分割宽度，根据该分割边界和分割宽度对车侧图像进行分割，得到待拼接车侧图像。
上述确定待拼接车侧图像方法，根据当前帧深度图像中的深度信息，确定当前帧深度图像对应的边界深度信息，根据当前帧对应的边界深度信息，以及位置映射关系，确定当前帧车侧图像中的待拼接车侧图像。本实施例可以使得确定出的待拼接车侧图像更加准确。
图5为一个实施例中得到目标车型信息的流程示意图。本实施例给出了一种得到聚类距离的可选方式，包括如下步骤：
S501、根据车侧拼接图，确定车辆的第一车型信息，以及根据深度拼接图，确定车辆的第二车型信息。
其中，第一车型信息可以是车侧拼接图中识别到的车型信息，如车辆长度、车辆类型等。第二车型信息可以是车侧深度图中识别到的车型信息，如车辆高度、车轮高度和车辆类型等。
可选地，将车侧拼接图输入到训练好的车侧图识别模型中，得到车侧拼接图对应的第一车型信息；将车侧拼接图输入到训练好的深度图识别模型中，得到深度拼接图对应的第二车型信息。
S502、对第一车型信息和第二车型信息进行融合处理，得到车辆的目标车型信息。
可选地，由于第一车型信息和第二车型信息中可能存在相同车型信息类型的车型信息（如车辆类型），因此，针对第一车型信息和第二车型信息中均存在的车型信息类型的车型信息，以及，仅存在于第一车型信息或第二车型信息中车型信息类型的车型信息可以采取不同的融合处理方式。
针对第一车型信息和第二车型信息中均存在的车型信息类型，则可以确定该车型信息类型对应的第一车型信息和第二车型信息是否相同，若相同，则输出相同的车型信息作为目标车型信息，若不同，则获取第一车型信息中该车辆信息类型对应车型信息的第一置信度，以及，第二车型信息中该车辆信息类型对应车型信息的第二置信度，并选择置信度较高的车型信息作为目标车型信息。
针对仅存在于第一车型信息或第二车型信息中的车型信息类型，确定各车型信息类型之间是否存在关联关系，若不存在，则直接将车型信息作为目标车型信息；若存在，则将存在关联关系的车型信息类型对应的车型信息进行融合处理，并将融合结果作为车辆的目标车型信息。示例性的，如第一车型信息中的车辆长度和第二车型信息中的车辆高度存在关联关系，则对车辆长度和车辆高度进行融合处理，并将融合结果作为车辆的目标车型信息。
上述得到目标车型信息方法，根据车侧拼接图，确定车辆的第一车型信息，以及根据深度拼接图，确定车辆的第二车型信息，对第一车型信息和第二车型信息进行融合处理，得到车辆的目标车型信息。本实施例根据确定出第一车型信息和第二车型信息进行融合处理，综合车侧拼接图中第一车型信息和深度拼接图中的第二车型信息，能够更加准确且合理的识别出目标车型信息。
在一个实施例中，本实施例给出了一种车型识别的可选方式，以该方法应用于服务器为例进行说明。如图6所示，该方法包括如下步骤：
S601、获取通过图像采集设备在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达在相应采集时刻所采集的车辆的深度图像。
其中，图像采集设备和激光雷达设置于道路同一侧的同一竖直线上。
S602、根据当前帧车侧图像和上一帧车侧图像之间的差异情况，确定是否需要进行拼接处理，若否，则执行步骤S603，若是，则执行步骤S604。
S603、不需要进行拼接处理，并删除当前帧车侧图像。
S604若需要进行拼接处理，则根据当前帧深度图像中的深度信息，确定当前帧深度图像对应的边界深度信息。
S605、根据预设的宽度车侧信息、帧时间和预设比值，确定不同帧共用的宽度深度信息。
S606、根据当前帧对应的边界深度信息和宽度深度信息，确定当前帧深度图像中的待拼接深度图像。
S607、将不同帧对应的各待拼接深度图像顺序拼接，得到深度拼接图。
S608、根据当前帧对应的边界深度信息以及位置映射关系，确定当前帧车侧图像对应的边界车侧信息。
其中，边界车侧信息包括顶部车侧信息和底部车侧信息。
S609、根据当前帧对应的边界车侧信息和预设的宽度车侧信息，对当前帧车侧图像进行分割处理，得到当前帧车侧图像中的待拼接车侧图像。
S610、将不同帧对应的各待拼接车侧图像顺序拼接，得到车侧拼接图。
S611、将车侧拼接图输入到训练好的车侧图识别模型中，得到车侧拼接图对应的第一车型信息。
S612、将车侧拼接图输入到训练好的深度图识别模型中，得到深度拼接图对应的第二车型信息。
S613、对第一车型信息和第二车型信息进行融合处理，得到车辆的目标车型信息。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的车型识别方法的车型识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个车型识别装置实施例中的具体限定可以参见上文中对于车型识别方法的限定，在此不再赘述。
在一个示例性的实施例中，如图7所示，提供了一种车型识别装置1，包括：图像获取模块10、深度确定模块11、车侧确定模块12和车型确定模块13，其中：
图像获取模块10，用于获取通过图像采集设备在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达在相应采集时刻所采集的车辆的深度图像；图像采集设备和激光雷达设置于道路同一侧的同一竖直线上；
深度确定模块11，用于对各深度图像进行拼接处理，得到车辆的深度拼接图；
车侧确定模块12，用于对各车侧图像进行拼接处理，得到车辆的车侧拼接图；
车型确定模块13，用于根据车侧拼接图和深度拼接图，确定车辆的目标车型信息。
在一个实施例中，图7中的深度确定模块11，包括：
拼接确定单元，用于根据当前帧车侧图像和上一帧车侧图像之间的差异情况，确定是否需要进行拼接处理；
待拼接确定单元，用于若需要进行拼接处理，则根据当前帧深度图像中的深度信息，确定当前帧深度图像中的待拼接深度图像；
拼接单元，用于将不同帧对应的各待拼接深度图像顺序拼接，得到深度拼接图。
在一个实施例中，待拼接确定单元，包括：
边界确定子单元，用于根据当前帧深度图像中的深度信息，确定当前帧深度图像对应的边界深度信息；
待拼接确定子单元，用于根据预设的宽度车侧信息、帧时间和预设比值，确定不同帧共用的宽度深度信息；根据当前帧对应的边界深度信息和宽度深度信息，确定当前帧深度图像中的待拼接深度图像。
在一个实施例中，图7中的车侧确定模块12，包括：
确定待拼接车侧图像单元，用于根据当前帧深度图像中的待拼接深度图像对应的像素位置，以及预设的深度图像与车侧图像之间的位置映射关系，确定当前帧车侧图像中的待拼接车侧图像；
得到车侧拼接图单元，用于将不同帧对应的各待拼接车侧图像顺序拼接，得到车侧拼接图。
在一个实施例中，得到车侧拼接图单元，包括：
确定边界深度信息子单元，用于根据当前帧深度图像中的深度信息，确定当前帧深度图像对应的边界深度信息；
确定待拼接车侧图像子单元，用于根据当前帧对应的边界深度信息以及位置映射关系，确定当前帧车侧图像对应的边界车侧信息；其中，边界车侧信息包括顶部车侧信息和底部车侧信息；根据当前帧对应的边界车侧信息和预设的宽度车侧信息，对当前帧车侧图像进行分割处理，得到当前帧车侧图像中的待拼接车侧图像。
在一个实施例中，图7中的车型确定模块13，包括：
车型确定单元，用于根据车侧拼接图，确定车辆的第一车型信息，以及根据深度拼接图，确定车辆的第二车型信息；
目标确定单元，用于对第一车型信息和第二车型信息进行融合处理，得到车辆的目标车型信息。
在一个实施例中，车型确定单元还用于将车侧拼接图输入到训练好的车侧图识别模型中，得到车侧拼接图对应的第一车型信息；将车侧拼接图输入到训练好的深度图识别模型中，得到深度拼接图对应的第二车型信息。
上述车型识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种车型识别方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取通过图像采集设备在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达在相应采集时刻所采集的车辆的深度图像；图像采集设备和激光雷达设置于道路同一侧的同一竖直线上；
对各深度图像进行拼接处理，得到车辆的深度拼接图；
对各车侧图像进行拼接处理，得到车辆的车侧拼接图；
根据车侧拼接图和深度拼接图，确定车辆的目标车型信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据当前帧车侧图像和上一帧车侧图像之间的差异情况，确定是否需要进行拼接处理；
若需要进行拼接处理，则根据当前帧深度图像中的深度信息，确定当前帧深度图像中的待拼接深度图像；
将不同帧对应的各待拼接深度图像顺序拼接，得到深度拼接图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据当前帧深度图像中的深度信息，确定当前帧深度图像对应的边界深度信息；
根据预设的宽度车侧信息、帧时间和预设比值，确定不同帧共用的宽度深度信息；
根据当前帧对应的边界深度信息和宽度深度信息，确定当前帧深度图像中的待拼接深度图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据当前帧深度图像中的待拼接深度图像对应的像素位置，以及预设的深度图像与车侧图像之间的位置映射关系，确定当前帧车侧图像中的待拼接车侧图像；
将不同帧对应的各待拼接车侧图像顺序拼接，得到车侧拼接图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据当前帧深度图像中的深度信息，确定当前帧深度图像对应的边界深度信息；
根据当前帧对应的边界深度信息以及位置映射关系，确定当前帧车侧图像对应的边界车侧信息；其中，边界车侧信息包括顶部车侧信息和底部车侧信息；
根据当前帧对应的边界车侧信息和预设的宽度车侧信息，对当前帧车侧图像进行分割处理，得到当前帧车侧图像中的待拼接车侧图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据车侧拼接图，确定车辆的第一车型信息，以及根据深度拼接图，确定车辆的第二车型信息；
对第一车型信息和第二车型信息进行融合处理，得到车辆的目标车型信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将车侧拼接图输入到训练好的车侧图识别模型中，得到车侧拼接图对应的第一车型信息；
将车侧拼接图输入到训练好的深度图识别模型中，得到深度拼接图对应的第二车型信息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取通过图像采集设备在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达在相应采集时刻所采集的车辆的深度图像；图像采集设备和激光雷达设置于道路同一侧的同一竖直线上；
对各深度图像进行拼接处理，得到车辆的深度拼接图；
对各车侧图像进行拼接处理，得到车辆的车侧拼接图；
根据车侧拼接图和深度拼接图，确定车辆的目标车型信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据当前帧车侧图像和上一帧车侧图像之间的差异情况，确定是否需要进行拼接处理；
若需要进行拼接处理，则根据当前帧深度图像中的深度信息，确定当前帧深度图像中的待拼接深度图像；
将不同帧对应的各待拼接深度图像顺序拼接，得到深度拼接图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据当前帧深度图像中的深度信息，确定当前帧深度图像对应的边界深度信息；
根据预设的宽度车侧信息、帧时间和预设比值，确定不同帧共用的宽度深度信息；
根据当前帧对应的边界深度信息和宽度深度信息，确定当前帧深度图像中的待拼接深度图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据当前帧深度图像中的待拼接深度图像对应的像素位置，以及预设的深度图像与车侧图像之间的位置映射关系，确定当前帧车侧图像中的待拼接车侧图像；
将不同帧对应的各待拼接车侧图像顺序拼接，得到车侧拼接图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据当前帧深度图像中的深度信息，确定当前帧深度图像对应的边界深度信息；
根据当前帧对应的边界深度信息以及位置映射关系，确定当前帧车侧图像对应的边界车侧信息；其中，边界车侧信息包括顶部车侧信息和底部车侧信息；
根据当前帧对应的边界车侧信息和预设的宽度车侧信息，对当前帧车侧图像进行分割处理，得到当前帧车侧图像中的待拼接车侧图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据车侧拼接图，确定车辆的第一车型信息，以及根据深度拼接图，确定车辆的第二车型信息；
对第一车型信息和第二车型信息进行融合处理，得到车辆的目标车型信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将车侧拼接图输入到训练好的车侧图识别模型中，得到车侧拼接图对应的第一车型信息；
将车侧拼接图输入到训练好的深度图识别模型中，得到深度拼接图对应的第二车型信息。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取通过图像采集设备在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达在相应采集时刻所采集的车辆的深度图像；图像采集设备和激光雷达设置于道路同一侧的同一竖直线上；
对各深度图像进行拼接处理，得到车辆的深度拼接图；
对各车侧图像进行拼接处理，得到车辆的车侧拼接图；
根据车侧拼接图和深度拼接图，确定车辆的目标车型信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据当前帧车侧图像和上一帧车侧图像之间的差异情况，确定是否需要进行拼接处理；
若需要进行拼接处理，则根据当前帧深度图像中的深度信息，确定当前帧深度图像中的待拼接深度图像；
将不同帧对应的各待拼接深度图像顺序拼接，得到深度拼接图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据当前帧深度图像中的深度信息，确定当前帧深度图像对应的边界深度信息；
根据预设的宽度车侧信息、帧时间和预设比值，确定不同帧共用的宽度深度信息；
根据当前帧对应的边界深度信息和宽度深度信息，确定当前帧深度图像中的待拼接深度图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据当前帧深度图像中的待拼接深度图像对应的像素位置，以及预设的深度图像与车侧图像之间的位置映射关系，确定当前帧车侧图像中的待拼接车侧图像；
将不同帧对应的各待拼接车侧图像顺序拼接，得到车侧拼接图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据当前帧深度图像中的深度信息，确定当前帧深度图像对应的边界深度信息；
根据当前帧对应的边界深度信息以及位置映射关系，确定当前帧车侧图像对应的边界车侧信息；其中，边界车侧信息包括顶部车侧信息和底部车侧信息；
根据当前帧对应的边界车侧信息和预设的宽度车侧信息，对当前帧车侧图像进行分割处理，得到当前帧车侧图像中的待拼接车侧图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据车侧拼接图，确定车辆的第一车型信息，以及根据深度拼接图，确定车辆的第二车型信息；
对第一车型信息和第二车型信息进行融合处理，得到车辆的目标车型信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将车侧拼接图输入到训练好的车侧图识别模型中，得到车侧拼接图对应的第一车型信息；
将车侧拼接图输入到训练好的深度图识别模型中，得到深度拼接图对应的第二车型信息。
需要说明的是，本申请所涉及的数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种车型识别方法，其特征在于，所述方法包括：
获取通过图像采集设备在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达在相应采集时刻所采集的所述车辆的深度图像；所述图像采集设备和所述激光雷达设置于道路同一侧的同一竖直线上；
对各所述深度图像进行拼接处理，得到所述车辆的深度拼接图；
对各所述车侧图像进行拼接处理，得到所述车辆的车侧拼接图；
根据所述车侧拼接图和所述深度拼接图，确定所述车辆的目标车型信息。
2.根据权利要求1所述的方法，其特征在于，所述对各所述深度图像进行拼接处理，得到所述车辆的深度拼接图，包括：
根据当前帧车侧图像和上一帧车侧图像之间的差异情况，确定是否需要进行拼接处理；
若需要进行拼接处理，则根据当前帧深度图像中的深度信息，确定当前帧深度图像中的待拼接深度图像；
将不同帧对应的各待拼接深度图像顺序拼接，得到所述深度拼接图。
3.根据权利要求2所述的方法，其特征在于，所述根据当前帧深度图像中的深度信息，确定当前帧深度图像中的待拼接深度图像，包括：
根据所述当前帧深度图像中的深度信息，确定所述当前帧深度图像对应的边界深度信息；
根据预设的宽度车侧信息、帧时间和预设比值，确定不同帧共用的宽度深度信息；
根据当前帧对应的边界深度信息和所述宽度深度信息，确定所述当前帧深度图像中的待拼接深度图像。
4.根据权利要求1所述的方法，其特征在于，所述对各所述车侧图像进行拼接处理，得到所述车辆的车侧拼接图，包括：
根据当前帧深度图像中的待拼接深度图像对应的像素位置，以及预设的深度图像与车侧图像之间的位置映射关系，确定当前帧车侧图像中的待拼接车侧图像；
将不同帧对应的各待拼接车侧图像顺序拼接，得到所述车侧拼接图。
5.根据权利要求4所述的方法，其特征在于，所述根据当前帧深度图像中的待拼接深度图像对应的像素位置，以及预设的深度图像与车侧图像之间的位置映射关系，确定当前帧车侧图像中的待拼接车侧图像，包括：
根据所述当前帧深度图像中的深度信息，确定所述当前帧深度图像对应的边界深度信息；
根据当前帧对应的边界深度信息以及所述位置映射关系，确定所述当前帧车侧图像对应的边界车侧信息；其中，所述边界车侧信息包括顶部车侧信息和底部车侧信息；
根据当前帧对应的边界车侧信息和预设的宽度车侧信息，对所述当前帧车侧图像进行分割处理，得到所述当前帧车侧图像中的待拼接车侧图像。
6.根据权利要求1所述的方法，其特征在于，所述根据所述车侧拼接图和所述深度拼接图，确定所述车辆的目标车型信息，包括：
根据所述车侧拼接图，确定所述车辆的第一车型信息，以及根据所述深度拼接图，确定所述车辆的第二车型信息；
对所述第一车型信息和所述第二车型信息进行融合处理，得到所述车辆的目标车型信息。
7.根据权利要求6所述的方法，其特征在于，所述根据所述车侧拼接图，确定所述车辆的第一车型信息，以及根据所述深度拼接图，确定所述车辆的第二车型信息，包括：
将所述车侧拼接图输入到训练好的车侧图识别模型中，得到所述车侧拼接图对应的第一车型信息；
将所述车侧拼接图输入到训练好的深度图识别模型中，得到所述深度拼接图对应的第二车型信息。
8.一种车型识别装置，其特征在于，所述装置包括：
图像获取模块，用于获取通过图像采集设备在不同采集时刻所采集的车辆的不同帧车侧图像，以及通过激光雷达在相应采集时刻所采集的所述车辆的深度图像；所述图像采集设备和所述激光雷达设置于道路同一侧的同一竖直线上；
深度确定模块，用于对各所述深度图像进行拼接处理，得到所述车辆的深度拼接图；
车侧确定模块，用于对各所述车侧图像进行拼接处理，得到所述车辆的车侧拼接图；
车型确定模块，用于根据所述车侧拼接图和所述深度拼接图，确定所述车辆的目标车型信息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202410015974.0A 2024-01-05 2024-01-05 车型识别方法、装置、计算机设备和存储介质 Pending CN117893976A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410015974.0A CN117893976A (zh) 2024-01-05 2024-01-05 车型识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410015974.0A CN117893976A (zh) 2024-01-05 2024-01-05 车型识别方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN117893976A true CN117893976A (zh) 2024-04-16

Family

ID=90639020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410015974.0A Pending CN117893976A (zh) 2024-01-05 2024-01-05 车型识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN117893976A (zh)

Similar Documents

Publication Publication Date Title
US20180232583A1 (en) Systems for generating parking maps and methods thereof
CN109919144B (zh) 可行驶区域检测方法、装置、计算机存储介质及路测视觉设备
CN111753649B (zh) 车位检测方法、装置、计算机设备和存储介质
CN115829843B (zh) 图像拼接方法、装置、计算机设备及存储介质
CN117893990B (zh) 道路标志检测方法、装置和计算机设备
CN118506186A (zh) 基于全景虚拟现实的异常建筑监测方法、装置、计算机设备、介质和产品
CN114663598A (zh) 三维建模方法、装置和存储介质
CN114238541A (zh) 敏感目标信息获取方法、装置和计算机设备
CN111651547B (zh) 高精度地图数据的获取方法、装置及可读存储介质
TW202022804A (zh) 路面影像重建與載具定位之方法與系統
CN116823966A (zh) 相机的内参标定方法、装置、计算机设备和存储介质
CN109376653B (zh) 用于定位车辆的方法、装置、设备和介质
CN117893976A (zh) 车型识别方法、装置、计算机设备和存储介质
CN115830073A (zh) 地图要素重建方法、装置、计算机设备和存储介质
CN115797438A (zh) 目标定位方法、装置、计算机设备、存储介质和程序产品
CN115861316B (zh) 行人检测模型的训练方法及其装置、行人检测方法
CN116295031B (zh) 弧垂的测量方法、装置、计算机设备和存储介质
CN118279848A (zh) 车道线矢量信息获取方法、装置、计算机设备和存储介质
WO2024018726A1 (ja) プログラム、方法、システム、道路マップ、および道路マップの作成方法
CN117876669B (zh) 目标检测方法、装置、计算机设备和存储介质
CN117392317B (zh) 实景三维建模方法、装置、计算机设备和存储介质
CN114750147B (zh) 机器人的空间位姿确定方法、装置和机器人
CN111951425B (zh) 一种门址信息采集方法、装置及系统
CN118865325A (zh) 车位检测方法、装置、计算机设备和可读存储介质
CN118279846A (zh) 车道线识别方法、装置、计算机设备和存储介质

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