CN106575473B - 用于对车辆进行非接触式计轴的方法、设备及计轴*** - Google Patents
用于对车辆进行非接触式计轴的方法、设备及计轴*** Download PDFInfo
- Publication number
- CN106575473B CN106575473B CN201580043973.6A CN201580043973A CN106575473B CN 106575473 B CN106575473 B CN 106575473B CN 201580043973 A CN201580043973 A CN 201580043973A CN 106575473 B CN106575473 B CN 106575473B
- Authority
- CN
- China
- Prior art keywords
- image data
- vehicle
- edited
- axles
- axle
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
-
- 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
- G06T2207/10016—Video; Image sequence
- G06T2207/10021—Stereoscopic video; Stereoscopic image sequence
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种用于对道路(102)上的车辆(104,106)进行非接触式计轴的方法(350),所述方法包括:读入第一图像数据(116)并读入第二图像数据(216)的步骤(352),其中,所述第一图像数据(116)和/或所述第二图像数据(216)表示由安排在所述道路(102)的一侧上的图像数据记录传感器(112,118)向接口提供的图像数据(116,216),其中,所述第一图像数据(116)和/或所述第二图像数据(216)包括所述车辆(104,106)的图像;处理所述第一图像数据(116)和/或所述第二图像数据(216)以便获得经处理的第一图像数据(236)和/或经处理的第二图像数据(238)的步骤(354);其中,通过在检测子步骤(358)中使用所述第一图像数据(116)和/或所述第二图像数据(216),在所述第一图像数据(116)和/或所述第二图像数据(216)中检测至少一个对象,并且其中,提供了表示所述对象并且分配给所述第一图像数据(116)和/或所述第二图像数据(216)的对象信息(240);其中,在跟踪子步骤(360)中,通过使用所述对象信息(240)在所述图像数据(116,216,236,238)中随着时间推移跟踪所述至少一个对象;并且其中,在分类子步骤(362)中,通过使用所述对象信息(240)来对所述至少一个对象进行标识和/或分类;以及通过使用所述经处理的第一图像数据(236)和/或所述经处理的第二图像数据(238)和/或分配给所述经处理的图像数据(236,238)的所述对象信息(240)来确定所述车辆(104,106)的车轴(108,110)的数量和/或将车轴(108,110)分配给所述车辆(104,106)的提升车轴(110)以及所述车辆(104,106)的滚动车轴(108)以便以非接触方式对所述车辆(104,106)的所述车轴(108,110)进行计数的步骤(356)。
Description
技术领域
本发明涉及一种用于以非接触方式对车道上的车辆的车轴进行计数的方法、一种用于以非接触方式对车道上的车辆的车轴进行计数的计轴装置、一种用于道路交通的相应的计轴***、以及一种相应的计算机程序产品。
背景技术
道路交通由计量设备监测。这里,***可以例如对车辆进行分类或监测速度。嵌入在车道中的感应线圈可以用于实现非接触计轴***。
EP 1 480 182 81公开了一种用于道路交通的非接触计轴***。
发明内容
针对此背景,根据独立权利要求,本发明呈现了一种用于以非接触方式对车道上的车辆的车轴进行计数的改进方法、一种用于以非接触方式对车道上的车辆的车轴进行计数的计轴装置、一种用于道路交通的相应的计轴***、以及一种相应的计算机程序产品。有利的配置从对应从属权利要求和以下说明中产生。
交通监测***还用于实施道路交通规则和法律。交通监测***可以确定经过车辆的车轴的数量,并且可选地将这些车轴分配为滚动车轴或静态车轴。在此,滚动车轴可以被理解为指承载车轴,并且静态车轴可以被理解为指非承载车轴或提离车道的车轴。在可选的开发阶段中,可以通过第二图像或独立的第二方法来验证结果。
一种用于以非接触方式对车道上的车辆的车轴进行计数的方法包括以下步骤:
读取第一图像数据并读取第二图像数据,其中,所述第一图像数据和另外地或可替代地所述第二图像数据表示来自安排在所述车道的一侧的图像数据记录传感器的图像数据,在接口处提供所述图像数据,其中,所述第一图像数据和另外地或可替代地所述第二图像数据包括所述车辆的图像;
编辑所述第一图像数据和另外地或可替代地所述第二图像数据,以便获得经编辑的第一图像数据和另外地或可替代地经编辑的第二图像数据,其中,在检测子步骤中使用所述第一图像数据和另外地或可替代地所述第二图像数据来在所述第一图像数据和另外地或可替代地所述第二图像数据中检测至少一个对象,并且其中,提供了表示所述对象并且分配给所述第一图像数据和另外地或可替代地所述第二图像数据的对象信息项,并且其中,在跟踪子步骤中使用所述对象信息项来在所述图像数据中及时跟踪所述至少一个对象,并且其中,在分类子步骤中使用所述对象信息项来对所述至少一个对象进行标识和另外地或可替代地分类;以及
使用所述经编辑的第一图像数据和另外地或可替代地所述经编辑的第二图像数据和另外地或可替代地分配给所述经编辑的图像数据的所述对象信息项来确定所述车辆的车轴的数量和另外地或可替代地将所述车轴分配给所述车辆的静态车轴和所述车辆的滚动车轴,以便以非接触方式对所述车辆的所述车轴进行计数。
车辆可以在车道中移动。车道可以是道路的构成部分,并且因此可以平行地安排多个车道。在此,车辆可以被理解为汽车或商用车辆,比如,公共汽车或卡车。车辆可以被理解为指挂车。在此,车辆还可以包括挂车或半挂车。由此,测量可以被理解为指机动车辆或具有挂车的机动车辆。车辆可以具有至少两个车轴。机动车辆可以具有至少两个车轴。挂车可以具有至少一个车轴。由此,可以将车辆的车轴分配给机动车辆或者可以分配给机动车辆的挂车。车辆还可以具有多个车轴,其中,这些车轴中的一些车轴可以是非承载的。非承载车轴可以与车道具有一定距离,并且可以不展现旋转运动。在此,车轴可由车轮表征,其中,车辆的车轮可以在车道上滚动,或者在非承载状态下,可以与车道有一定距离。由此,静态车轴可以被理解为指非承载车轴。图像数据记录传感器可以被理解为指立体相机、雷达传感器或单目相机。立体相机可以被具体化成用于创建立体相机前方的环境的图像,并将此图像提供为图像数据。立体相机可以被理解为指立体图像相机。单目相机可以被具体化成用于创建单目相机前方的环境的图像,并将此图像提供为图像数据。图像数据还可以被称为图像或图像信息项。可以在接口处将图像数据提供为来自立体相机的数字信号。可由立体相机的图像数据创建立体相机前方的环境的三维重构。可以对图像数据进行预处理,以便简化或促进评估。由此,可以在图像数据中识别或标识各种对象。可以对对象进行分类。由此,可以在图像数据中将车辆识别和分类为对象。由此,车辆的车轮可以被识别和分类为对象或对象的部分对象。在此,可以在相机图像或图像数据中搜索和确定车辆的车轮。可以从车轮的图像中推断出车轴。关于对象的信息项可以被提供为图像信息项或对象信息项。由此,对象信息项可以包括例如关于定位、位置、速度、运动方向、对象分类等的信息项。可以将对象信息项分配给图像或图像数据或经编辑的图像数据。
在读取步骤中,第一图像数据可以表示在第一瞬间捕获的第一图像数据,并且第二图像数据表示在不同于所述第一瞬间的第二瞬间捕获的图像数据。在读取步骤中,第一图像数据可以表示从第一观察方向捕获的图像数据,并且第二图像数据表示在第二观察方向捕获的图像数据。第一图像数据和第二图像数据可以表示单目相机或立体相机捕获的图像数据。由此,可以在一个瞬间捕获和处理图像或图相对。由此,在读取步骤中,可以在第一瞬间读取第一图像数据,并且可以在不同于第一瞬间的第二瞬间读取第二图像数据。
通过示例的方式,图像数据记录传感器和进一步传感器***的以下变体 (包括对应数据处理选项)可以用作在此所呈现的概念的一个方面。如果单目相机用作图像数据记录传感器,则可以记录单一图像。在此,有可能应用不需要任何3D信息的方法,即,纯粹的2D单一图像分析。可以以互补方式读取和处理图像序列。由此,可以使用用于单一图像记录的方法,就像此外也可以使用能够以未知缩放进行操作的3D方法。此外,单目相机可以与雷达传感器***相组合。由此,单目相机的单一图像可以与距离测量相组合。由此,可以使用附加信息项来加强2D图像分析或者可以对其进行验证。有利地,可以连同雷达的轨迹一起使用对图像序列的评估。由此,有可能使用正确的缩放来实施3D分析。如果利用立体相机来记录第一图像数据和至少第二图像数据,则有可能评估单一(双重)图像,就像可替代地也可以对具有2/3D分析的功能(双重)图像序列进行评估。作为图像记录传感器的立体相机可以与雷达传感器***相组合,并且2D分析或3D分析的功能可以应用于测量数据。在所描述的实施例中,在每种情况下都可由非侵入性距离测量传感器或满足此目标的以非侵入性方式动作的电器的组合来替换雷达传感器***或雷达。
准备方法步骤可以先于所述方法。由此,以准备方式,在自校准步骤中,传感器***可以转到测量准备就绪状态中。在此,传感器***可以被理解为至少指图像记录传感器。在此,传感器***可以被理解为至少指立体相机。在此,传感器***可以被理解为指单目相机,相对于道路而建立对所述单目相机的对准。在可选扩展中,传感器***还可以被理解为指不同的成像***或距离测量传感器***。此外,立体相机或传感器***在初始化步骤中可以可选地被配置成用于交通场景。传感器***相对于道路的对准可以被称为初始化步骤的结果。
在读取步骤中,可以在第一瞬间和另外地或可替代地第二瞬间和另外地或可替代地不同于第一瞬间和另外地或可替代地第二瞬间的第三瞬间读取进一步图像数据。在此,进一步图像数据可以表示立体相机和另外地或可替代地单目相机和另外地或可替代地雷达传感器***捕获的图像信息项。以概括和归纳的方式,单目相机、立体相机和雷达传感器***可以被称为传感器***。雷达传感器***还可以被理解为指非侵入性距离测量传感器。在编辑步骤中,可以编辑图像数据和进一步图像数据,以便获得经编辑的图像数据和另外地或可替代地进一步经编辑的图像数据。在确定步骤中,可以使用进一步经编辑的图像数据或分配给进一步经编辑的图像数据的对象信息项来发生车辆的车轴的数量或将所述车轴分配给车辆的静态车轴或滚动车轴。有利地,进一步图像数据可以由此导致更稳健的结果。可替代地,进一步图像数据可以用于验证结果。在自校准、背景估计、拼接以及对关于单独图像的步骤的重复的范围内,对数据序列(即,在多个瞬间捕获的多个图像数据)的使用可能是权宜的。在这些情况下,多于两个瞬间可能是相关的。由此,可以在至少一个第三瞬间捕获进一步图像数据。
编辑步骤可以包括单应校正步骤。在单应校正步骤中,可以使用对象信息项、以单应方式校正图像数据和另外地或可替代地从中导出的图像数据,并且可以将其提供为经编辑的图像数据,从而使得在经编辑的图像数据中以单应方式校正车辆的侧视图。具体地,对象的(即,对车辆的)三维重构可以用于通过计算单应性来提供如将作为车辆侧面上的正交视图或车辆的图像的情况下的图像数据而可用的视图或图像数据。有利地,可以圆形方式描绘车轴的车轮,并且可以以单应编辑的图像数据的同一高度来重现滚动车轴。静态车轴可以具有与其偏离的高度。
进一步地,编辑步骤可以包括拼接步骤,其中,由所述第一图像数据和另外地或可替代地所述第二图像数据和另外地或可替代地从中导出的第一图像数据和另外地或可替代地从中导出的第二图像数据和另外地或可替代地使用所述对象信息项来组合至少两项图像数据,并且所述至少两项图像数据被提供为第一经编辑的图像数据。由此,可以组合两个图像,以便形成一个图像。通过示例的方式,车辆的图像可以涉及多个图像。在此,可以标识和叠加重叠的图像区域。可以从全景摄影中知道类似的功能。有利地,还可以在捕获设备(如例如,立体相机)与成像的车辆之间的距离相对小的情况下以及在相对长的车辆的情况下创建图像,在所述图像中,车辆被完全成像。有利地,这种情况的结果是,车道与立体相机之间的距离可能比不使用拼接或图像畸变广角镜头的情况下的距离更小。有利地,可由组合的图像数据生成车辆的整体视图,所述整体视图相对于单一视图提供图像细节的恒定高局部像素分辨率。
编辑步骤可以包括在所述第一图像数据中和另外地或可替代地在所述第二图像数据和另外地或可替代地从中导出的第一图像数据和另外地或可替代地从中导出的第二图像数据中拟合图元以便将所述所拟合的和另外地或可替代地所采用的图元的结果提供为对象信息项的步骤。具体地,图元可以被理解为指圆、椭圆、或圆或椭圆的片段。在此,将图元与边缘轮廓相匹配的质量度量可以被确定为对象信息项。例如通过单应校正的步骤来在变换的侧视图中(即,在经编辑的图像数据中)拟合圆可由在原始图像中(即,在图像数据中)将椭圆拟合至相应点支持。图元的一组中心点估计可以指示车轮中心点的(并且因此,车轴的)增大的概率。
如果编辑步骤包括在所述第一图像数据中和另外地或可替代地在所述第二图像数据和另外地或可替代地从中导出的第一图像数据和另外地或可替代地从中导出的第二图像数据中标识径向对称以便将所述所标识的径向对称的结果提供为对象信息项的步骤,则这也是权宜的。标识径向对称的步骤可以包括借助于累积方法的图案识别。通过示例的方式,可以针对对称中心的候选项而执行极坐标变换,其中,可能在极坐标表示中出现平移对称。在此,可以借助于位移检测来标识平移对称。径向对称的中心点的评估候选项(其表示车轴)可以被提供为对象信息项。
进一步地,编辑步骤可以包括在所述第一图像数据中和另外地或可替代地在所述第二图像数据和另外地或可替代地从中导出的第一图像数据和另外地或可替代地从中导出的第二图像数据中使用至少一个分类器来对多个图像区域进行分类以便将所述所分类的图像区域的结果提供为对象信息项的步骤。可以提前训练分类器。由此,分类器的参数可以使用参考数据记录来确定。可以使用分类器来将概率值分配给图像区域或图像数据中的区域,所述概率值表示车轮或车轴的概率。
可能在编辑步骤中发生使用统计方法来进行的背景估计。在此,图像数据中的统计背景可以使用统计方法来标识;在所述过程中,可以确定静态图像背景的概率。可以将邻接车辆的图像区域分配给道路表面或车道。在此,关于静态图像背景的信息项也可以被变换成不同视图,例如,侧视图。
编辑步骤可以包括使用所述第一图像数据和另外地或可替代地所述第二图像数据和另外地或可替代地从中导出的第一图像数据和另外地或可替代地从中导出的第二图像数据来确定车道上的接触面以便将车辆在车道上的接触面提供为对象信息项的步骤。如果将接触面分配给车轴,则其可能与滚动车轴相关。在此,可以利用来自立体相机的图像数据的车辆的3D重构。车辆(或对象)接触三维模型中的车道的位置或车辆(或对象)位于预定容差范围内的位置指示很高的车轴概率,特别是滚动车轴。
编辑步骤可以包括使用所述第一图像数据和另外地或可替代地所述第二图像数据和另外地或可替代地从中导出的第一图像数据和另外地或可替代地从中导出的第二图像数据来对车轮和/或车轴进行基于模型的标识以便将所述车辆的所述所标识的车轮轮廓和/或车轴提供为对象信息项的步骤。车辆的三维模型可由立体相机的图像数据生成。车轮轮廓(并且因此,车轴)可以从车辆的三维模型中确定。由此,车辆具有的车轴的数量可以从3D重构中确定。
如果编辑步骤包括从立体相机的图像数据投射到车辆的侧视图的图像中的步骤,则这也是权宜的。由此,为了标识车轴的目的,可以在经变换的侧视图中使用来自三维模型中的某些对象信息项。通过示例的方式,可以使三维模型经受单应校正步骤。
进一步地,编辑步骤可以包括使用所述第一图像数据和另外地或可替代地所述第二图像数据和另外地或可替代地从中导出的第一图像数据和另外地或可替代地从中导出的第二图像数据和另外地或可替代地所述对象信息项来确定自相似性以便将所述车辆的车轮位置(通过自相似性的方式来确定)提供为对象信息项的步骤。车辆的车轴或车轮在一个侧视图中的图像可以与车辆的进一步车轴在侧视图中的图像类似。在此,可以使用自相关来确定自相似性。自相关函数的结果中的峰值可以凸显图像内容在图像数据中的相似性。峰值的数量或间隔可以凸显车轴位置的指示。
如果编辑步骤在一个实施例中包括使用所述第一图像数据和另外地或可替代地所述第二图像数据和另外地或可替代地从中导出的第一图像数据和另外地或可替代地从中导出的第二图像数据和另外地或可替代地所述对象信息项来分析运动不清晰度以便将所描绘的车轴分配给所述车辆的静态车轴和另外地或可替代地所述车辆的滚动车轴并且将其提供为对象信息项的步骤,则这也是权宜的。滚动车轴或使用的车轴由于车轮旋转而具有某个运动不清晰度。关于滚动车轴的信息项可以从某个运动不清晰度中获得。静态车轴可以提高在车辆上,并且因此并未使用相关联的车轮。可以通过由于车轮旋转而产生的运动不清晰度来区分使用的车轴或滚动车轴的候选项。除了静态和运动车轮或车轴在图像数据中的不同高度以外,不同程度的运动不清晰度可以标志用于标识静态车轴和运动车轴的特征。车轮被成像的图像区域的成像清晰度可以通过对图像中的二阶导数的大小进行求和来估计。由于旋转运动的原因,运动车轴上的车轮提供的图像可能比静态车轴上的车轮提供的图像更不清晰。此外,有可能主动地控制和测量运动不清晰度。为此,可以利用相应很高的曝光次数。所产生的图像可能示出在静态车轴的情况下沿着行驶方向的直线运动轮廓以及运动车轴的径向剖面。
进一步地,在此所呈现的方法的实施例是有利的,在所实施例中,在读取步骤中读取第一图像数据和第二图像数据,所述图像数据表示安排在车道的一侧处的图像数据记录传感器记录的图像数据。由于可以在很大程度上最小化、避免或完全抑制对图像数据记录传感器所监测的区域的边缘区域中的对象的不正确标识和不正确解释(因为从车道的侧面到经过计轴单元的车辆的视图的限定方向),所以在此所呈现的方法的这种实施例提供了能够对车辆的车轴进行非常精确操作的非接触计数的优点。
进一步地,可以在在此所呈现的方法的进一步实施例中的读取步骤中读取第一图像数据和第二图像数据,使用用于改进图像数据记录传感器的捕获区域的照明的闪光单元来记录所述图像数据。这种闪光单元可以是光学单元,所述光学单元被具体化成用于将光(例如,在可见光谱范围中或在红外光谱范围中)发射到图像数据记录传感器所监测的区域中,以便获得经过此区域的车辆的更清晰或更明亮的图像。以此方式,有利地有可能在评估第一图像数据和第二图像数据时获得车轴标识的改进,其结果是在此所呈现的方法的效率可能增大。
此外,在此所呈现的方法的实施例是可以想到的,在所述实施例中,在读取步骤中读取经过图像数据记录传感器的车辆的进一步车辆数据,其中,在确定步骤中使用所读取的车辆数据来确定车轴数量。通过示例的方式,这种车辆数据可以被理解为指以下参数中的一个或多个参数:车辆相对于图像数据记录传感器的速度、车辆相对于图像数据记录传感器的距离/位置、车辆的大小/长度等。在此所呈现的方法的这种实施例提供了以下优点:在用于确定可能已经由简单且易获得的传感器提供的车辆数据的附加费用很少的情况下,能够实现对非接触计轴的显著澄清和加速。
用于以非接触方式对车道上的车辆的车轴进行计数的计轴装置至少包括以下特征:
用于在第一瞬间读取第一图像数据和在不同于所述第一瞬间的第二瞬间读取第二图像数据的接口,其中,所述第一图像数据和另外地或可替代地所述第二图像数据表示来自安排在所述车道的一侧的立体相机的图像数据,在接口处提供所述图像数据,其中,所述第一图像数据和另外地或可替代地所述第二图像数据包括所述车辆的图像;
用于编辑所述第一图像数据和另外地或可替代地所述第二图像数据以便获得经编辑的第一图像数据和另外地或可替代地经编辑的第二图像数据的设备,其中,在检测设备中使用所述第一图像数据和另外地或可替代地所述第二图像数据来在所述第一图像数据和另外地或可替代地所述第二图像数据中检测至少一个对象,并且其中,提供了表示所述对象并且分配给所述第一图像数据和另外地或可替代地所述第二图像数据的对象信息项,并且其中,在跟踪子设备中使用所述对象信息项来在所述图像数据中及时跟踪所述至少一个对象,并且其中,在分类设备中使用所述对象信息项来对所述至少一个对象进行标识和另外地或可替代地分类;以及
用于使用所述经编辑的第一图像数据和另外地或可替代地所述经编辑的第二图像数据和另外地或可替代地分配给所述经编辑的图像数据的所述对象信息项来确定所述车辆的车轴的数量和另外地或可替代地将所述车轴分配给所述车辆的静态车轴和所述车辆的滚动车轴以便以非接触方式对所述车辆的所述车轴进行计数的设备。
计轴装置被具体化成用于在相应设备中执行或实施在此所呈现的方法的变体的步骤。本发明所解决的问题还可以通过采用装置形式的本发明的这种实施例变体来快速且有效地解决。在这种情况下,检测设备、跟踪设备和分类设备可以是编辑设备的部分设备。
在本情况下,计轴装置可以被理解为指处理传感器信号并输出控制信号和依赖于所述控制信号的特定数据信号的电器。计轴装置(也被简称为装置) 可以具有可以就硬件和/或软件而言被具体化的接口。在就硬件而言的实施例的情况下,接口可以是例如包含装置的非常不同的功能的所谓***ASIC的一部分。然而,所述接口还有可能是专用集成电路或者至少部分地由离散部件组成。在就软件而言的实施例的情况下,接口可以是例如除了其他软件模块以外在微处理器上呈现的软件模块。
呈现了一种用于道路交通的计轴***,所述计轴***包括至少一个立体相机和在此所描述的计轴装置的变体,以便以非接触方式对车道上的车辆的车轴进行计数。计轴***的传感器***可以被安排或装配在靠近车道的桅杆上或者在转塔中。
一种具有程序代码的计算机程序产品也是有利的,所述程序代码可以存储在如半导体存储器、硬盘驱动器存储器或光学存储器等计算机可读介质上,并且当程序产品在计算机或装置上运行时,所述程序代码用于实施根据以上所描述的实施例之一的方法。
以下将基于附图以示例性方式更详细地解释本发明。在附图中:
图1示出了根据本发明的示例性实施例的计轴***的图示;
图2示出了根据本发明的一个示例性实施例的用于以非接触方式对车道上的车辆的车轴进行计数的计轴装置的框图;
图3示出了根据本发明的示例性实施例的方法的流程图;
图4示出了根据本发明的示例性实施例的方法的流程图;
图5示出了根据本发明的示例性实施例的计轴***的示意图;
图6示出了根据本发明的一个示例性实施例的分类的概念图示;
图7至图9示出了根据本发明的一个示例性实施例的被标识的车轴的照片侧视图和图示;
图10示出了根据本发明的一个示例性实施例的拟图元进的概念图示;
图11示出了根据本发明的一个示例性实施例的标识径向对称的概念图示;
图12示出了根据本发明的一个示例性实施例的立体图像处理的概念图示;
图13示出了根据本发明的一个示例性实施例的具有对靠近车道的对象的表征的经编辑的图像数据的简化图示;
图14示出了将包括图像记录传感器的计轴***安排成靠近车道的图示;
图15示出了拼接的图示,其中,将图像数据记录传感器记录的车辆的图像片段组合以便形成整体图像;以及
图16示出了由通过拼接图像数据记录传感器记录的不同图像片段而生成的图像生成的车辆的图像。
在对本发明的有利的示例性实施例的以下说明中,相同的或者相似的参考符号用于各种附图中描绘的且具有类似效果的元件,省略了对这些元件的重复说明。
图1示出了根据本发明的一个示例性实施例的计轴***100的图示。计轴***100被安排成靠近车道102。两台车辆104、106被描绘成在车道102上。在所示出的示例性实施例中,这些车辆是商用车辆104、106或者卡车104、 106。在图1的图示中,两台车辆104、106的行驶方向为从左到右。因此,前面的车辆104是箱式卡车104。后面的车辆106是具有半挂车的半挂车牵引车。
车辆104(即箱式卡车)包括三个车轴108。三个车轴108为滚动或者承载车轴108。车辆106(即具有半挂车的半挂车牵引车)包括总共六个车轴108、 110。在此,半挂车牵引车包括三个车轴108、110并且半挂车包括三个车轴 108、110。在半挂车牵引车的三个车轴108、110和半挂车的三个车轴108、 110中,两个车轴108在每种情况下与车道接触,并且一个车轴110在每种情况下被安排在车道之上。因此,车轴108在每种情况下是滚动或者承载车轴 108,并且车轴110是静态或者非承载车轴110。
计轴***100包括至少一个图像数据记录传感器以及用于以非接触方式对车道102上的车辆104、106的车轴进行计数的计轴装置114。在图1中所示出的示例性实施例中,图像数据记录传感器被具体化为立体相机112。立体相机112被具体化成用于在立体相机112前面在观察方向上捕获图像并在界面处将此图像提供为图像数据116。计轴装置114被具体化成用于接收并评估立体相机112提供的图像数据116,以便确定车辆104、106的车轴108、110 的数量。在特别有利的示例性实施例中,计轴装置114被具体化成用于根据滚动车轴108和静态车轴110来区分车辆104、106的车轴108、110。在观察到的车轮的数量的基础上确定车轴108、110的数量。
可选地,计轴***100包括如图1中描绘的至少一个进一步传感器*** 118。根据示例性实施例,进一步传感器***118是进一步立体相机118、单目相机118或者雷达传感器***118。在未在此描绘的可选的扩展和示例性实施例中,计轴***100可以包括多个相同或者互不相同的传感器***118。在未在此示出的示例性实施例中,图像数据记录传感器是如在此被描绘为图1 中的进一步传感器***118的单目相机。因此,在所描绘的示例性实施例的变体中,图像数据记录传感器可以被具体化为立体相机112或者为单目相机 118。
在在此所描述的计轴***100的变体中,计轴***100还包括用于对数据进行临时存储的设备120以及用于对数据进行长距离传输的设备122。可选地,***100还包括不间断电源124。
相比在此所描绘的示例性实施例,在未在此描绘的示例性实施例中,计轴***100被组装在车道102之上的交通控制或者标志架上的柱子中或者桅杆上或者被横向地组装在车道102之上。
可以结合用于检测使用交通线路的收费需求的***采用如在此所描述的示例性实施例。有利地,当车辆104、106经过计轴***100的安装位置时,可以低延时地确定车辆104、106。
如图1中所描绘的,在一个示例性实施例中,计轴***100的桅杆设施包括用于进行数据捕获和数据处理、至少用于对数据进行临时存储和长距离传输、以及用于不间断电源供应的部件。经校准的或者自校准的立体相机112 可以用作传感器***。可选地,利用雷达传感器118。此外,有可能使用具有进一步深度测量传感器的单目相机。
图2示出了根据本发明的一个示例性实施例的用于以非接触方式对车道上的车辆的车轴进行计数的计轴装置114的框图。计轴装置114可以是图1 中所示出的计轴装置114。因此,所述车辆同样可以是图1中所示出的车辆 104、106的示例性实施例。计轴装置114包括至少一个读取接口230、编辑设备232、以及确定设备234。
读取接口230被具体化成用于至少在第一瞬间t1读取至少第一图像数据 116并且在第二瞬间t2读取第二图像数据216。在此,第一瞬间t1和第二瞬间t2是两个互不相同的瞬间t1、t2。图像数据116、216表示在立体相机112 的界面处提供的图像数据,所述图像数据包括车道上的车辆的图像。在此,在图像数据中描绘或者表示了所述车辆的一部分的至少一个图像。如以下所描述的,可以组合图像数据116的至少两个图像或两项(每一个图像对车辆的一部分进行成像)以便形成进一步图像数据116,从而从车辆的观看方向获得完整图像。
编辑设备232被具体化成用于使用第一图像数据116和第二图像数据216 来提供经编辑的第一图像数据236和经编辑的第二图像数据238。为此,编辑设备232至少包括检测设备、跟踪设备和分类设备。在检测设备中,在第一图像数据116和第二图像数据216检测到至少一个对象并且所述至少一个对象被提供为分配给对应图像数据的表示所述对象的对象信息项240。因此,根据示例性实施例,对象信息项240包括例如被标识对象的大小、位置或者定位。跟踪设备被具体化成用于使用对象信息项240通过图像数据116、216中的时间来跟踪至少一个对象。跟踪设备还被具体化成用于预测对象在将来时间的定位或者位置。分类设备被具体化成用于使用对象信息项240来标识至少一个对象,即,例如,用于根据具有箱式设计的车辆和具有半挂车的半挂车牵引车来区分车辆。因此,实际上可以任意地选择可能车辆类别的数量。确定设备234被具体化成用于使用经编辑的第一图像数据236、经编辑的图像数据238以及分配给图像数据236、238的对象信息项240来确定被成像车辆的车轴数量或者将车轴分配给静态车轴和滚动车轴。此外,确定设备234被具体化成用于在界面处提供结果242。
在一个示例性实施例中,装置114被具体化成用于创建车辆的三维重构并提供所述三维重构以供进一步处理。
图3示出了根据本发明的一个示例性实施例的方法350的流程图。用于以非接触方式对车道上的车辆的车轴进行计数的方法350包括三个步骤:读取步骤352、编辑步骤354和确定步骤356。在读取步骤352中,在第一瞬间读取第一图像数据并且在第二瞬间读取第二图像数据。在可替代示例性实施例中,并行地读取第一图像数据和第二图像数据。在此,第一图像数据表示立体相机在第一瞬间捕获的图像数据,并且第二图像数据表示在不同于第一瞬间的第二瞬间捕获的图像数据。在此,图像数据包括关于车道上的车辆的图像的至少一个信息项。在一个示例性实施例中,对车辆的至少一部分进行成像。在编辑步骤354中使用第一图像数据和第二图像数据来对经编辑的第一图像数据、经编辑的第二图像数据以及分配给图像数据的对象信息项进行编辑。在确定步骤356中使用经编辑的第一图像数据、经编辑的第二图像数据以及分配给经编辑的图像数据的对象信息项来确定车辆的车轴数量。在有利的示例性实施例中,在确定步骤356中,除了车辆的车轴的总数之外,根据静态车轴和滚动车轴来区分车辆的车轴或者向其分配所述总数。
编辑步骤354包括至少三个分步骤358、360、362。在检测分步骤358中,在第一图像数据和第二图像数据中检测到至少一个对象,并且提供了以分配给第一图像数据和第二图像数据的方式表示对象的对象信息项。在跟踪分步骤360中使用对象信息项来在图像数据中随着时间推移而跟踪在分步骤358 中检测到的至少一个对象。在跟踪分步骤360之后的分类分步骤362中使用对象信息项来对至少一个对象进行分类。
图4示出了根据本发明的一个示例性实施例的方法350的流程图。所述用于以非接触方式对车道上的车辆的车轴进行计数的方法350可以是图3中所示出的用于以非接触方式对道路上的车辆的车轴进行计数的方法350的示例性实施例。所述方法至少包括读取步骤352、编辑步骤354和确定步骤356。
编辑步骤354至少包括图3中所描述的检测分步骤358、跟踪分步骤360 和分类分步骤362。可选地,方法350包括编辑步骤354中的进一步分步骤。以下描述的编辑步骤354的可选的分步骤既可以在示例性实施例中就其顺序而言进行修改,也可以在未在此示出的示例性实施例中仅作为可选步骤中的一些可选步骤而被实施。
在可选示例性实施例中通过选择和组合以下步骤来有利地实施根据静态和滚动车轴的计轴和区分。在此,可选分步骤提供结果作为对对象信息项的补充和另外地或可替代地作为经编辑的图像数据。因此,可以通过每个分步骤来扩展对象信息项。在一个示例性实施例中,在执行方法步骤之后,对象信息项包括关于车辆的信息项,包括车轴的数量以及向静态车轴和滚动车轴的分配。因此,可以在确定步骤356中确定车轴的数量以及(可选地且以补充的方式)使用对象信息项来将车轴分配给滚动车轴和静态车轴。
在编辑步骤354中的可选单应校正分步骤464中存在对车辆的侧视图的单应校正。在此,从车辆运动的随着时间推移的3D重构轮廓中确定环绕车辆的立方体的轨迹或者环绕被检测为车辆的对象的立方体的轨迹。因此,在初始化之后,车辆关于测量电器的旋转位置和行驶方向始终是已知的。如果旋转位置已知,则有可能通过计算单应性来生成如将在车辆的侧面的正交视图的情况下出现的视图的视图,这种表述受限于平面区域。因此,采用几乎圆形的方式来描绘车轮轮廓,并且在经变换的图像中,使用的车轮位于相同高度。在此,经编辑的图像数据可以被理解为指经变换的图像。
可选地,编辑步骤354包括在邻近区域中拼接图像记录的可选分步骤466。本地图像分辨率随着离测量***的并且因此离相机(如例如,立体相机)的距离的增大而下降。为了车辆(如例如,长牵引车单元)的几乎恒定的分辨率的目的,对多个图像记录进行组合,在所述图像记录中,长车辆的各个部分在每种情况下都靠近相机。可以通过车辆的已知速度来很好地初始化对重叠的部分图像的组合。随后,在用重叠区域中使用本地图像比较来对组合的结果进行优化。最后,可获得车辆的具有几乎恒定且高的图像分辨率的侧视图的经编辑的图像数据或图像记录。
在可选的示例性实施例中,编辑步骤354包括在原始图像中和经校正的图像中拟合图元的步骤468。在此,原始图像可以被理解为指图像数据,并且经校正的图像可以被理解为指经编辑的图像数据。对几何图元的拟合被用作用于在图像中或者在图像数据中标识车轮的选项。具体地,在此示例性实施例中,圆和椭圆、以及圆和椭圆的分段应当被理解为图元。常规的估计方法提供了针对将图元拟合到车轮轮廓的质量度量。在经变换的侧视图中的进行的车轮拟合可由将椭圆拟合在原始图像中的相应点处来支持。对应相关联的中心点的候选项通过拟合片段而出现。这种中心点估计的累积指示车轮中心点的并且因此车轴的增大的可能性。
可选地,编辑步骤354包括检测径向对称的可选分步骤470。车轮由图像 (即,图像数据)中的径向对称图案进行区分。可以借助于累积方法来标识这些图案。为此,针对对称中心的候选项执行变换为极坐标。平移对称出现在极表示中;可以借助于位移检测来标识这些平移对称。因此,出现了径向对称的中心点的经评估的候选项,所述候选项进而指示车轮。
在可选的示例性实施例中,编辑步骤354包括对图像区域进行分类的步骤 472。此外,分类方法用于在图像中标识车轮区域。为此,提前训练分类器,即,使用标注的参考数据记录来计算分类器的参数。在应用中,分类器为图像区域(即,图像数据的一部分)提供值,所述值描述了这是车轮区域的可能性。对这种图像区域的预选可以使用在此所呈现的其他方法来实施。
可选地,编辑步骤354包括使用相机来估计背景的可选分步骤474。在此所使用的是,可以使用统计方法来标识图像中的静态背景。可以通过累积经处理的本地灰度值来建立分布,所述分布与静态图像背景的可能性相关。当车辆通过时,可以将邻接车辆的图像区域分配给道路表面。也可以将这些背景点变换成不同的视图,例如,侧视图。因此,提供了用于划分车轮的轮廓与背景的界限的选项。特性识别特征由倒圆边轮廓提供。
在一个示例性实施例中,编辑步骤354包括使用图像数据来确定立体相机的图像数据中或者3D重构中的道路表面上的接触面的可选步骤476。立体***的3D重构可以被用于标识车轮位置的候选项。可以结合3D对象模型从道路表面的3D估计中确定在3D空间中的位置,所述位置非常靠近或者接触道路表面。车轮有可能呈现于这些点处;出现了进一步估算评估的候选项。
编辑步骤354可选地包括从车辆的3D对象数据中对车轮进行基于模型的识别的分步骤478。在此,3D对象数据可以被理解为指对象信息项。品质上高质量的车辆3D模型可以通过对光束平差法或者其他3D优化方法来生成。因此,对车轮轮廓的基于模型的3D识别是可能的。
在可选的示例性实施例中,编辑步骤354包括从3D测量值投射到侧视图的图像的步骤480。在此,在经变换的侧视图中使用从3D模型中确定的信息项,例如,以便标识静态车轴。为此,3D信息项经受对侧视图的相同单应性。在此方面中的预处理看见了投射到车辆侧面的平面中的3D对象。3D对象与侧面平面的距离是已知的。然后,在经变换的视图中,可以在车辆侧面的视图中看到对3D对象的投射。
可选地,编辑步骤354包括对自相似性进行检查的可选分步骤482。车辆的车轮区域通常在侧视图中看起来很相似。可以借助于通过自相关来检查的侧视图的特定图像区域的自相似性来使用这种情况。自相关函数的结果中的一个峰值或者多个峰值示出了导致了图像内容中的最大可能相似性的图像位移。可以从峰值的数量以及峰值之间的距离来做出关于车轮位置的推断。
在一个示例性实施例中,编辑步骤354包括对用于标识静态和运动车轴的运动不清晰度进行分析的可选步骤484。静态车轴被抬高到车辆上,并且因此未使用相关联的车轮。通过由于车轮旋转而引起的运动不清晰度来区分使用的车轴的候选项。除了图像中静态和移动车轮的不同高度以外,不同的运动不清晰度标记用于标识静态和移动或者滚动或者承载车轴的特征。通过对图像中二阶导数的大小进行求和来而估计车轮被成像的图像区域的图像清晰度。运动车轴上的车轮由于旋转运动而提供比静态车轴上的车轮更不清晰的图像。因此,出现了第一估计,车轴关于所述第一估计而是的静态或者运动车轴。可以从3D模型中得到用于区分的进一步信息项。
作为进一步方式,可选地控制和主动地测量运动不清晰度。为此,使用相应高的曝光次数。所产生的图像示出了在静态车轴的情况下沿着行驶方向的直线运动轮廓以及运动车轴上的径向轮廓。
在特定的示例性实施例中,多个方法步骤关于所述问题而执行对***的配置以及对移动交通的评估。如果利用了可选雷达传感器,则在在融合步骤(未在此描绘)中通过不同水平的数据融合来优化单独的方法步骤。具体地,通过雷达传感器来减少关于视觉条件的依赖性。减小了不利天气和黑暗对捕获率的影响。如图3中已经描述的,编辑步骤354包括至少三个分步骤358、360、 362。在检测步骤358中,检测到对象,即,捕获到被监测区域中的道路上的对象。在此,使用雷达来进行的数据融合是有利的。在跟踪步骤360中,跟踪对象,即,随着时间推移而跟踪移动对象。在跟踪步骤360中,为了利用雷达来进行的数据融合的目的而进行的扩展或者与可选融合步骤的组合是有利的。在分类分步骤362中,对对象进行分类或者对卡车的候选项进行标识。在分类分步骤362中,使用雷达来进行的数据融合是有利的。
在可选的示例性实施例中,所述方法包括校准步骤(未在此示出)以及配置交通场景的步骤(未在此示出)。可选地,在校准步骤中,存在将传感器***自校准到或者转移到准备好用于测量的状态中。道路相对于传感器***的对准由于配置交通场景的可选步骤而是已知的。
有利地,所描述的方法350使用3D信息项和图像信息项,其中,如例如图1中所示出的相应装置可安装在单个桅杆上。以补充方式使用立体相机和可选地雷达传感器***产生了具有稳健、具有成本效益的传感器***且不具有移动部件的稳健***。有利地,方法350具有稳健的标识能力,其中,如图1或者图2中所示出的相应装置具有用于进行自校准和自配置的***能力。
图5示出了根据本发明的一个示例性实施例的计轴***100的示意图。计轴***100安装在柱子中。在此,计轴***100可以是图1中所示出的计轴***100的示例性实施例。在图5中所示出的示例性实施例中,计轴***100 包括两台相机112、118、一个计轴装置114以及用于对数据进行长距离传输的设备122。所述两台相机112、118和计轴装置114另外被单独地描绘成靠近计轴***100。相机112、118、计轴装置114以及用于对数据进行长距离传输的设备122通过总线***而彼此耦合。通过示例的方式,计轴***100的上述设备通过以太网总线而彼此耦合。表示立体相机118或者单目相机118 或者雷达传感器***118的立体相机112和进一步传感器***118两者在图5 中所示出的示例性实施例中被描绘为具有被取代的传感器头或者相机头的传感器***112、118。分配给传感器头或者相机头的线路板包括用于对捕获的传感器数据进行预处理以及用于提供图像数据的装置。在一个示例性实施例中,传感器头和所分配的线路板之间的耦合通过已提及的以太网总线的方式以及(在未在此描绘的另一示例性实施例中)通过专有传感器总线(如例如,相机-链路、火线IEEE-1394或者的GigE(千兆比特-以太网))的方式引起。在未在此示出的进一步示例性实施例中,分配给传感器头的线路板、用于对数据进行长距离传输的设备122以及计轴装置114通过标准总线(如例如, PCI或者PCIe)而彼此耦合。自然地,上述技术的任意组合是权宜的且可能的。
在未在此示出的进一步示例性实施例中,计轴***100包括多于两个传感器***112、118。通过示例的方式,使用两个独立的立体相机112和雷达传感器***118是可以想到的。可替代地,未在此描绘的计轴***100包括立体相机112、单目相机118以及雷达传感器***118。
图6示出了根据本发明的一个示例性实施例的分类的概念图示。通过示例的方式,在一个示例性实施例中,可以在分类步骤472中将这种分类用作图4 中所描述的方法350中的编辑步骤354的分步骤。在图6中所示出的示例性实施例中,使用基于HOG的检测器。在此,缩写HOG代表“方向梯度直方图”并表示用于在图像处理中获得特征的方法。在所提供的训练数据的基础上,所述分类产生了对对象特性(模板)的自主学习;在此,其实质上是具有所习得的不同位置、长度以及朝向的对象边缘的集合。在此,在一个示例性实施例中,在数天内训练对象特性。在此示出的分类通过级联方式和像素准确查询机制的方式产生了实时处理,例如,通过立体预处理的查询生成。
在图6中详细描述的分类步骤472包括生成训练数据记录的第一分步骤 686。在示例性实施例中,使用若干1000个图像来生成训练数据记录。在进行计算的第二分步骤688中,根据梯度和统计计算HOG特征。在进行学习的第三分步骤690中,习得对象特性和通用文本表示。
通过示例的方式,这种文本表示可以被表示如下:
图7至图9示出了根据本发明的一个示例性实施例的被标识的车轴793 的照片侧视图792、894、996和图示。被标识的车轴793可以是图1中所示出的示例性实施例的滚动车轴108和静态车轴110。可以使用图1和图2中所示出的计轴***100来标识所述车轴。在照片侧视图792、894、996中在每种情况下对一台车辆104、106进行描绘。
图7示出了根据本发明的一个示例性实施例的在侧视图792中在承载区域上具有进一步车辆的拖车104。如果计轴***用于捕获和计算交通线路使用费用,则只有拖车104的滚动或者静态车轴是有关的。在图7中所示出的照片侧视图792中,标识了除了拖车104的两个(滚动)轮轴108、793以外的车辆的位于车辆104的承载区域上的至少一个轮轴793并相应地针对照片侧视图792的观测器而对其进行标记。
图8示出了根据本发明的一个示例性实施例的侧视图894中的车辆106。在图示中,车辆106是具有半挂车的半挂车卡车,类似于图1中所示出的示例性实施例。半挂车牵引车或者半挂车卡车具有两个车轴;半挂车具有三个车轴。在侧视图894中标识并标记了总共五个车轴793。在此,半挂车卡车的两个车轴以及半挂车卡车之后的半挂车的前两个车轴是滚动车轴108;半挂车卡车的第三个车轴是静态车轴110。
图9示出了根据本发明的一个示例性实施例的侧视图996中的车辆106。像图8中的图示中一样,车辆106是具有半挂车的半挂车卡车。图9中所描绘的车辆106共有四个车轴108,所述四个车轴在图示中被标记为被标识的车轴793。四个车轴108是滚动车轴108。
图10示出了根据本发明的一个示例性实施例的对拟合图元的概念图示。通过示例的方式,可以在图4中所描述的拟合图元的步骤468中的一个示例性实施例中将对图元的这种拟合用于方法350的编辑步骤354的分步骤。图4 中所描述的拟合图元的步骤468包括在图10中所描绘的示例性实施例中的三个分步骤,其中,在第一分步骤中发生通过带通滤波器和边缘检测来提取相关轮廓1097、1098;第二分步骤中实施对轮廓1097、1098的预过滤;并且在第三分步骤中实施将椭圆1099或者圆1099拟合到经过滤的轮廓1097、1098 中。在此,拟合可以被理解为指适配或者调整。图元1099可以被理解为指几何(基础)形式。因此,在图10中所描绘的示例性实施例中,图元1099被理解为指圆1099;在未在此描绘的可替代示例性实施例中,图元1099被理解为指椭圆1099。通常,图元可以被理解为指平面几何对象。有利地,可以将对象与储存在池中的图元进行比较。因此,可以在学习分步骤中开发具有图元的池。
图10描绘了第一闭合轮廓1097,其中圆1099被拟合为图元1099。以下示出了采用圆1099的形式的图元1099的一部分之后的圆分段1098的轮廓。在有利的示例性实施例中,标识了相应的分段1098并且通过拟合到基元中而将其标识为车轮或者车轴的一部分。
图11示出了根据本发明的一个示例性实施例的标识径向对称的概念图示。通过示例的方式,可以在图4中所描述的标识径向对称的步骤470中的一个示例性实施例中将对这种径向对称的标识用作方法350中的编辑步骤354 的分步骤。如图4中已经描述的,车辆的车轮并且因此车轴作为图像数据中的径向对称图形而被区分。图11示出了四个图像1102、1104、1106、1108。安排在图11右上方的第一图像1102示出了其中具有被成像的车轮的图像的或者图像数据的一部分。这一部分也被称为“兴趣区域”(ROI)。在图像1102 中选择的区域表示被大大地放大的区域或者图像数据或经编辑的图像数据的一部分。这些表示1102、1104、1106、1108或者图像1102、1104、1106、1108 以逆时针的方式安排。图11中左上方的第二图像1104描绘了在第一图像中选择的变换成极坐标的图像区域。图11中左下方的第三图像1106示出了在应用索贝尔算子之后的极表示1104的直方图。在此,确定了像素亮度值的一阶导数,同时正交于导数的方向而实施平滑。图11中右下方的第四图像1108 描绘了频率分析。因此,所述四个图像1102、1104、1106、1108示出了四个分步骤或者分方面,出于标识径向对称的目的而连续地实施所述分步骤或分方面:图像1102中的局部环境、图像1104中的极图像、图像1106中的直方图以及最后图像1108中的频率分析。
图12示出了根据本发明的一个示例性实施例的立体图像处理的概念图示。立体图像处理包括第一立体相机112和第二立体相机118。通过未更加详细地描绘的界面的方式将来自立体相机的图像数据引导至编辑设备232。编辑设备可以是图2中所示出的编辑设备232的示例性实施例。在在此所描绘的示例性实施例中,编辑设备232包括针对每个连接的立体相机112、118的一个校正设备1210。在校正设备1210中消除了图像数据中的几何畸变被并且所述图像数据被提供为经编辑的图像数据。在这种含义内,校正设备1210产生了对图像数据的地理参考的特定形式。由校正设备1210编辑的图像数据被传输至光流设备1212。在这种情况下,图像数据的或者图像数据序列的或图像序列的光流可以被理解为指成像光学单元的参考***中的对象空间的可见点的被投射到图像平面中的速度的向量场。此外,由校正设备1110编辑的图像数据被传送至视差设备1214。横向视差是相同对象图像中所采取的位置在两个不同的图像平面上的位移或者偏移。用于确定视差的设备1214被具体化成用于确定到图像数据中的被成像的对象的距离。因此,经编辑的图像数据与深度图像同义。用于确定视差的设备1214的经编辑的图像数据以及设备1212 的经编辑的图像数据两者被传送至设备1260以便进行跟踪和分类。设备1112 被具体化成用于对多个图像数据集合中的图像数据中的成像的车辆进行跟踪和分类。
图13示出了根据本发明的一个示例性实施例的具有对靠近车道的对象的表征的经编辑的图像数据236的简化图示。图13中的图示示出了视差的3D 点云。在图13中被描绘为在具有彩色显示器(彩色监视器)的指示电器上的图像数据的相应表示将到车道之上的被描绘的对象的高度示出为颜色编码。对于在此所描绘的应用,车道之上高度高达50cm的对象的颜色编码是有利的并在此对其进行描绘。
捕获特定车辆特征(如例如,长度、车轴(包括被抬高的车轴)的数量、车身部件、部件(牵引车、挂车等)的分部)对传感器(雷达、激光、相机等)而言是富有挑战性的问题。原则上,使用常规的***(比如雷达、激光或者回路设施)无法解决,或者仅在有限的程度上解决这种问题。对以微小角度(传感器轴线与行驶方向之间0°到25°扭转)面向车辆的前端相机或者相机的使用仅允许对车辆特性的有限捕获。在这种情况下,车辆的高分辨率、高计算能力以及准确的几何模型对于捕获特性来说是必要的。当前采用的传感器***仅捕获了在每种情况下进行分类所需要的数据的有限的一部分。因此,侵入式设施(回路)可以用于确定放下的车轴的长度、速度和数量。雷达、激光以及立体***使得有可能捕获高度、宽度和/或长度。
之前的传感器***通常仅可以在有限程度上满足这些目标。之前的传感器***不能够捕获放下的车轴和抬高的车轴。此外,根据牵引车和挂车来进行足够好的分离是不可能的。同样地,使用常规的方式难以在具有挡风玻璃的公共汽车和卡车之间进行区分。
在此所提出的解决方案促进了车辆的高质量侧视图的生成,可以从一侧视图中确定如车轴数量、车轴状态(被抬高、将其放下)、牵引车-挂车分离、高度和长度估计等特征。所提出的解决方案是具有成本效益的并勉强对付低计算功率/能量消耗。
在此所呈现的方式应当进一步促进使少计算功率和低传感器成本来促成对放下和抬高的车辆车轴的高质量捕获。此外,在此所呈现的方法应当提供彼此独立地捕获牵引车和挂车的选型以及提供对车辆长度和车辆高度的精确估计的选项。
图14示出了对计轴***100的安排的图示,所述计轴***包括靠近车道 1400的图像数据记录传感器112(也被称为相机)。车辆104(旨在对其车轴进行计数)沿车道1400行驶。当车辆行驶通过图像记录传感器112监测的监测区域1410时,在相对于车道1400的横向方向1417上的过程中记录车辆104 的侧面的图像,并且所述图像被传送至计算单元或者图像评估单元1415,在所述单元中实施用于对来自图像数据记录传感器112的图像的车辆104的车轴的位置和/或数量进行标识或捕获的算法。为了能够尽可能理想地照亮监测区域1410,甚至在不利的光照条件的情况下,进一步提供了闪光单元1420,所述闪光单元例如在与监测区域1410中的大部分区域相交的闪光区域1425 中发射(红外光)闪光。此外,也可以想到的是,提供支持传感器***1430,所述传感器***被具体化成用于确保对行驶经过图像记录传感器112的车辆 104的车轴进行可靠标识。通过示例的方式,这种支持传感器***可以包括雷达、激光雷达和/或超声波传感器(未在图14中描绘),所述各项被具体化成用于确定行驶经过传感器***区域1435内的图像记录单元112的车辆的距离并使用此距离来标识车辆104所行驶的车道。通过示例的方式,这之后也可以确保只对在特定的距离间隔内行驶经过计轴***100的那些车辆104的车轴进行计数,从而使得可以减小这种计轴***100的误差敏感度。在此,同样可以在图像评估单元1415中发生对闪光单元1420的致动以及对来自支持传感器***1430的数据的处理。
因此,所提出的解决方案可选地包含闪光1420,以便生成高质量的侧面图像,甚至是在低照明条件的情况下。因此,小的横向距离的优点是由此实现的照明的低功耗。所提出的解决方案可由进一步传感器***1430(雷达、激光雷达、激光)支持,以便卸下关于车辆的检测和光流的计算(计算能力的减小)的图像处理的负担。
同样可以想到的是,布置在其上游或者下游的传感器***将关于速度和位置信息转发至侧面相机,从而使得侧面相机可以导出对拼接偏移的更好的估计。
因此,所提出的解决方案的进一步部件是相机112,所述相机相对于交通以大约90°的角度、以小到中的横向距离(2-5m)以及以低高度(0-3m)以安装,例如像这样。选择可以用于捕获车辆104的相关特征(足够短的焦距,即,大孔径角度)的镜头。为了生成车辆104的高质量横向记录,相机112 以若干100Hz的高频率进行操作。在所述过程中,设置了具有一些(例如, 1-100)像素的宽度的相机ROI。因此,透视畸变和基于光学的畸变(在图像水平面中)非常小。
通过图像分析(例如,在图像评估单元1415中实施所述图像分析)的方式确定单独生成的切片(图像)之间的光流。然后,可以组合所述切片以便通过拼接形成单独图像。
图15示出了这种拼接的图示,其中,对在经过图像数据记录传感器112 的行程过程中的在不同瞬间记录的车辆104的图像分段1500进行组合以便形成整体图像1510。
如果图15中所示出的图像片段1500被组合成这种整体图像并且如果图像片段的时间偏移也被考虑在内(例如,车辆104行驶经过计轴***100时的在支持传感器***1430中通过雷达传感器确定的速度的方式),则可以通过组合这些切片来获得车辆104的侧视图的非常准确且精确的图像1500,然后,在图像评估单元1415中可以很容易地根据所述图像确定车辆104的车轴的数量/位置。
图16示出了车辆的图像1600,所述图像由图像数据记录传感器112(离车道的横向距离为2m,设施高度为1.5m)记录的图像1500的不同切片组合或平滑而来。
因此,在此所呈现的方法提出了包括相机***的计轴***100,所述相机***拍摄近似地横跨行驶方向的道路空间1410并以高图像频率记录图像条 (切片),所述图像条随后被组合(拼接)以便形成整体图像1500或者1600,从而在其基础上提取随后的信息,比如车辆104的长度、车辆类别以及车轴数量。
这种计轴***100可以装配有附加传感器***1430,所述附加传感器***提供关于对象或者车辆104在横向方向1417上距离相机112多远的先验信息。
***100还可以装配有附加传感器***1430,所述附加的传感器***提供关于对象或者车辆104在横向方向1417上移动得有多迅速的先验信息。
随后,车辆100可以进一步将对象或者车辆104分类为特定车辆类别;确定对象的开始、结束、长度;和/或提取典型特征,比如,车轴数量、车内乘客数量。
***100还采用于来自在空间上位于更远的地方的测量单元的车辆位置和速度相关的信息项,以便实施已改进的拼接。
进一步地,***100可以使用结构化的照明(例如,通过闪光单元1420 例如以条带形状或者菱形形式发射到照明区域1425中的光或者激光图形),以便能够通过提前已知的光或者激光图形结构来从图像记录单元112中提取关于图像中的对象或车辆104的距离引起的车辆104的图像的光学畸变的指示并支持上述信息获取。
***100可以进一步装配有例如在可见和/或红外线光谱范围内的照明,以便辅助上述信息获取。
仅以示例性的方式选择所描述的示例性实施例(也在附图中示出)。不同的示例性实施例可以彼此完全地或者关于各个单独特征进行结合。而且,一个示例性实施例可以通过另一示例性实施例的特征进行补充。
进一步地,可以按照不同于所描述的顺序的顺序来重复并实施根据本发明的方法步骤。
如果示例性实施例包括第一特征与第二特征之间的“和/或”关系,则这应理解为意味着根据一个实施例,所述示例性实施例既包括所述第一特征也包括所述第二特征;并且根据进一步实施例,所述实施例仅包括所述第一特征或者仅包括所述第二特征。
Claims (11)
1.一种用于以非接触方式对车道(102)上的车辆(104,106)的车轴进行计数的方法(350),其中,所述方法(350)包括以下步骤:
使用一个安排在所述车道(102,1400)的一侧处的图像数据记录传感器(112,118)来捕获第一图像数据(116)和第二图像数据(216),所述图像数据记录传感器包括一个雷达传感器和一个相机;
读取(352)第一图像数据(116)并读取第二图像数据(216),其中,第一图像数据(116)和第二图像数据(216)中的至少一个表示来自安排在所述车道(102)的一侧处的图像数据记录传感器(112,118)的图像数据(116,216),在接口处提供所述图像数据,其中,所述的第一图像数据(116)和第二图像数据(216)中的至少一个包括所述车辆(104,106)的图像;
编辑(354)所述的第一图像数据(116)和第二图像数据(216)中的至少一个,以便获得经编辑的所述的第一图像数据(236)和第二图像数据(238)中的至少一个并将其作为经编辑的图像数据(236,238),其中,在检测子步骤(358)中使用所述的第一图像数据(116)和第二图像数据(216)中的至少一个来在所述的第一图像数据(116)和第二图像数据(216)中的至少一个中检测至少一个对象,并且其中,提供了表示所述对象并且分配给所述的第一图像数据(116)和第二图像数据(216)中的至少一个的对象信息项(240),并且其中,在跟踪子步骤(360)中使用所述对象信息项(240)来在所述图像数据(116,216,236,238)中及时跟踪所述至少一个对象,并且其中,在分类子步骤(362)中使用所述对象信息项(240)来对所述至少一个对象进行标识和/或分类,所述对象信息项(240)包括所述至少一个对象的大小、位置或定位;
使用所述经编辑的图像数据(236,238)和分配给所述经编辑的图像数据(236,238)的所述对象信息项(240)中的至少一个,来执行以下两项中的至少一项:确定(356)所述车辆(104,106)的车轴(108,110)的数量,和将所述车轴(108,110)分配给所述车辆(104,106)的静态车轴(110)和所述车辆(104,106)的滚动车轴(108),以便以非接触方式对所述车辆(104,106)的所述车轴(108,110)进行计数;以及
基于静态车轴(110)和滚动车轴(108)对车辆的类型进行分类;
其中,所述编辑包括拼接步骤(466),在拼接步骤(466)中,由以下各项中的多项来组合至少两项图像数据(116,216,236,238):所述的第一图像数据(116)和第二图像数据(216)中的至少一个、经编辑的图像数据(236,238)、和所述对象信息项(240);并且所述至少两项图像数据被提供为第一经编辑的图像数据(236);
其中,所述编辑包括单应校正步骤(464),在所述单应校正步骤(464)中,使用所述对象信息项(240)以单应方式校正所述图像数据(116,216)和经编辑的图像数据(236,238)中的至少一个,并将其提供为经编辑的图像数据(236,238),从而使得在所述经编辑的图像数据(236,238)中以单应方式校正所述车辆(104,106)的侧视图;并且包括在所述的第一图像数据(116)和第二图像数据(216)中的至少一个或经编辑的图像数据(236,238)中标识径向对称以便将所述所标识的径向对称的结果提供为对象信息项(240)的步骤(470);以及
所述编辑包括使用所述第一图像数据、所述第二图像数据和所述对象信息项来分析运动不清晰度以便将所描绘的车轴分配给所述车辆的静态车轴或所述车辆的滚动车轴的步骤。
2.如权利要求1所述的方法,其中,在所述读取的步骤(352)中,所述第一图像数据(160)表示在第一瞬间(t1)捕获的第一图像数据,并且所述第二图像数据(216)表示在不同于所述第一瞬间(t1)的第二瞬间(t2)捕获的图像数据。
3.如权利要求2所述的方法,其中,在所述读取的步骤(352)中,在所述第一瞬间(t1)、第二瞬间(t2)和不同于所述第一瞬间(t1)和所述第二瞬间(t2)的第三瞬间中的至少一个瞬间读取进一步图像数据(116,216),其中,所述进一步图像数据(116,216)表示立体相机(112)、单目相机(118)、雷达传感器***(118)中的至少一个捕获的图像信息项,其中,在所述编辑步骤(354)中,编辑所述图像数据(116,216)和所述进一步图像数据(116,216),以便获得经编辑的图像数据(236,238)和进一步经编辑的图像数据(236,238)。
4.如权利要求1所述的方法(350),其中,所述编辑的步骤(354)包括在所述的第一图像数据(116)和第二图像数据(216)中的至少一个和经编辑的图像数据(236,238)中、所述的第一图像数据(116)和第二图像数据(216)的至少一个中、或者经编辑的图像数据(236,238)中拟合图元(1099)以便将所述所拟合的和/或采用的图元(1099)的结果提供为对象信息项(240)的步骤(468)。
5.如权利要求1所述的方法(350),其中,所述编辑的步骤(354)包括在所述的第一图像数据(116)和第二图像数据(216)中的至少一个和经编辑的图像数据(236,238)中、所述的第一图像数据(116)和第二图像数据(216)的至少一个中、或者经编辑的图像数据(236,238)中使用至少一个分类器来对多个图像区域进行分类以便将所述所分类的图像区域的结果提供为对象信息项(240)的步骤(472)。
6.如权利要求1所述的方法(350),其中,所述编辑的步骤(354)包括使用所述的第一图像数据(116)和第二图像数据(216)中的至少一个和经编辑的图像数据(236,238)、所述的第一图像数据(116)和第二图像数据(216)的至少一个、或者经编辑的图像数据(236,238)来确定所述车道(102)上的接触面以便将所述车辆(104,106)在所述车道(102)上的接触面提供为对象信息项(240)的步骤(476)。
7.如权利要求1所述的方法(350),其特征在于,在所述读取的步骤(352)中读取第一图像数据(116)和第二图像数据(216),所述图像数据表示安排在所述车道(102,1400)的一侧处的图像数据记录传感器(112,118)记录的图像数据(116,216)。
8.如权利要求1所述的方法(350),其特征在于,在所述读取的步骤(352)中读取第一图像数据(116)和第二图像数据(216),使用用于改进所述图像数据记录传感器(112,118)的捕获区域(1410)的照明的闪光单元(1420)来记录所述图像数据。
9.如权利要求1所述的方法(350),其特征在于,在所述读取的步骤(352)中读取经过所述图像数据记录传感器(112,118)的车辆(104)的进一步车辆数据,其中,使用所述所读取的车辆数据来确定所述车轴数量。
10.一种用于以非接触方式对车道(102)上的车辆(104,106)的车轴进行计数的计轴装置(114),其中,所述装置(114)包括以下特征:
用于读取第一图像数据(116)并读取第二图像数据(216)的接口(230),其中,第一图像数据(116)和第二图像数据(216)中的至少一个表示来自安排在所述车道(102)的一侧处的图像数据记录传感器(112,118)的图像数据(116,216),在接口处提供所述图像数据,其中,所述的第一图像数据(116)和第二图像数据(216)中的至少一个包括所述车辆(104,106)的图像;所述图像数据记录传感器包括一个雷达传感器和一个相机;
用于编辑(232)所述的第一图像数据(116)和第二图像数据(216)中的至少一个,以便获得经编辑的所述的第一图像数据(236)和第二图像数据(238)中的至少一个并将其作为经编辑的图像数据(236,238)的设备,其中,在检测设备中使用所述的第一图像数据(116)和第二图像数据(216)中的至少一个来在所述的第一图像数据(116)和第二图像数据(216)中的至少一个中检测至少一个对象,并且其中,提供了表示所述对象并且分配给所述的第一图像数据(116)和第二图像数据(216)中的至少一个的对象信息项(240),并且其中,在跟踪设备中使用所述对象信息项(240)来在所述图像数据(116,216,236,238)中及时跟踪所述至少一个对象,并且其中,在分类设备中使用所述对象信息项(240)来对所述至少一个对象进行标识和/或分类,所述对象信息项(240)包括所述至少一个对象的大小、位置或定位;以及
用于使用所述经编辑的图像数据(236,238)和分配给所述经编辑的图像数据的所述对象信息项(240)中的至少一个,来执行以下两项中的至少一项:确定所述车辆(104,106)的车轴(108,110)的数量,和将所述车轴(108,110)分配给所述车辆(104,106)的静态车轴(110)和所述车辆(104,106)的滚动车轴(108),以便以非接触方式对所述车辆(104,106)的所述车轴(108,110)进行计数的设备(234);
其中,车辆的类型基于静态车轴(110)和滚动车轴(108)被分类;
其中,所述编辑包括拼接步骤(466),其中,由以下各项中的多项来组合至少两项图像数据(116,216,236,238):所述的第一图像数据(116)和第二图像数据(216)中的至少一个、经编辑的图像数据(236,238)、和所述对象信息项(240);并且所述至少两项图像数据被提供为第一经编辑的图像数据(236);
其中,所述编辑包括单应校正步骤(464),其中,使用所述对象信息项(240)以单应方式校正所述图像数据(116,216)和经编辑的图像数据(236,238)中的至少一个,并将其提供为经编辑的图像数据(236,238),从而使得在所述经编辑的图像数据(236,238)中以单应方式校正所述车辆(104,106)的侧视图;并且包括在所述的第一图像数据(116)和第二图像数据(216)中的至少一个或经编辑的图像数据(236,238)中标识径向对称以便将所述所标识的径向对称的结果提供为对象信息项(240)的步骤(470);并且
所述编辑包括使用所述第一图像数据、所述第二图像数据和所述对象信息项来分析运动不清晰度以便将所描绘的车轴分配给所述车辆的静态车轴或所述车辆的滚动车轴的步骤。
11.一种用于道路交通的计轴***(100),其中,所述计轴***(114)包括如权利要求10所述的至少一个图像数据记录传感器(112,118)和计轴装置(114),以便以非接触方式对车道(102)上的车辆(104,106)的车轴(108,110)进行计数。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102014012285.9A DE102014012285A1 (de) | 2014-08-22 | 2014-08-22 | Verfahren und Achsenzähl-Vorrichtung zur berührungslosen Achsenzählung eines Fahrzeugs sowie Achsenzählsystem für den Straßenverkehr |
DE102014012285.9 | 2014-08-22 | ||
PCT/EP2015/001688 WO2016026568A1 (de) | 2014-08-22 | 2015-08-17 | Verfahren und achsenzähl-vorrichtung zur berührungslosen achsenzählung eines fahrzeugs sowie achsenzählsystem für den strassenverkehr |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106575473A CN106575473A (zh) | 2017-04-19 |
CN106575473B true CN106575473B (zh) | 2021-06-18 |
Family
ID=53969333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580043973.6A Active CN106575473B (zh) | 2014-08-22 | 2015-08-17 | 用于对车辆进行非接触式计轴的方法、设备及计轴*** |
Country Status (7)
Country | Link |
---|---|
US (1) | US20170277952A1 (zh) |
EP (1) | EP3183721B1 (zh) |
CN (1) | CN106575473B (zh) |
AU (1) | AU2015306477B2 (zh) |
CA (1) | CA2958832C (zh) |
DE (1) | DE102014012285A1 (zh) |
WO (1) | WO2016026568A1 (zh) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10242474B2 (en) | 2015-07-15 | 2019-03-26 | Fyusion, Inc. | Artificially rendering images using viewpoint interpolation and extrapolation |
US11095869B2 (en) | 2015-09-22 | 2021-08-17 | Fyusion, Inc. | System and method for generating combined embedded multi-view interactive digital media representations |
US11006095B2 (en) | 2015-07-15 | 2021-05-11 | Fyusion, Inc. | Drone based capture of a multi-view interactive digital media |
US10222932B2 (en) | 2015-07-15 | 2019-03-05 | Fyusion, Inc. | Virtual reality environment based manipulation of multilayered multi-view interactive digital media representations |
US10147211B2 (en) | 2015-07-15 | 2018-12-04 | Fyusion, Inc. | Artificially rendering images using viewpoint interpolation and extrapolation |
US11783864B2 (en) | 2015-09-22 | 2023-10-10 | Fyusion, Inc. | Integration of audio into a multi-view interactive digital media representation |
DE102016218350A1 (de) * | 2016-09-23 | 2018-03-29 | Conti Temic Microelectronic Gmbh | Verfahren und vorrichtung zur erkennung eines zweiten fahrzeugs im umfeld eines ersten fahrzeugs |
US10437879B2 (en) | 2017-01-18 | 2019-10-08 | Fyusion, Inc. | Visual search using multi-view interactive digital media representations |
US10313651B2 (en) | 2017-05-22 | 2019-06-04 | Fyusion, Inc. | Snapshots at predefined intervals or angles |
US11069147B2 (en) | 2017-06-26 | 2021-07-20 | Fyusion, Inc. | Modification of multi-view interactive digital media representation |
CN107577988B (zh) | 2017-08-03 | 2020-05-26 | 东软集团股份有限公司 | 实现侧方车辆定位的方法、装置及存储介质、程序产品 |
GB2566524B (en) * | 2017-09-18 | 2021-12-15 | Jaguar Land Rover Ltd | Image processing method and apparatus |
WO2019064682A1 (ja) * | 2017-09-26 | 2019-04-04 | パナソニックIpマネジメント株式会社 | リフトアップ判定装置、及びリフトアップ判定方法 |
JP7038522B2 (ja) * | 2017-10-31 | 2022-03-18 | 三菱重工機械システム株式会社 | 車軸画像生成装置、車軸画像生成方法、及びプログラム |
AT520781A2 (de) * | 2017-12-22 | 2019-07-15 | Avl List Gmbh | Verhaltensmodell eines Umgebungssensors |
DE102018109680A1 (de) * | 2018-04-23 | 2019-10-24 | Connaught Electronics Ltd. | Verfahren zum Unterscheiden von Fahrbahnmarkierungen und Bordsteinen durch parallele zweidimensionale und dreidimensionale Auswertung; Steuereinrichtung; Fahrassistenzsystem; sowie Computerprogrammprodukt |
US10592747B2 (en) * | 2018-04-26 | 2020-03-17 | Fyusion, Inc. | Method and apparatus for 3-D auto tagging |
CN109271892A (zh) * | 2018-08-30 | 2019-01-25 | 百度在线网络技术(北京)有限公司 | 一种物体识别方法、装置、设备、车辆和介质 |
JP7234538B2 (ja) * | 2018-08-31 | 2023-03-08 | コニカミノルタ株式会社 | 画像処理装置、車軸数検出システム、料金設定装置、料金設定システム及びプログラム |
CN111161542B (zh) * | 2018-11-08 | 2021-09-28 | 杭州海康威视数字技术股份有限公司 | 车辆识别方法及装置 |
CN111833469B (zh) * | 2019-04-18 | 2022-06-28 | 杭州海康威视数字技术股份有限公司 | 应用于收费站点的车辆计费方法及*** |
IT201900014406A1 (it) * | 2019-08-08 | 2021-02-08 | Autostrade Tech S P A | Metodo e sistema per rilevare gli assi di un veicolo |
EP4024363B1 (en) * | 2019-08-29 | 2024-04-17 | Panasonic Intellectual Property Management Co., Ltd. | Axle number measurement device, axle number measurement system, and axle number measurement method |
DE102019125188A1 (de) * | 2019-09-19 | 2021-03-25 | RailWatch GmbH & Co. KG | Kontaktloses Erfassen der Anzahl Achsen eines fahrenden Schienenfahrzeugs |
KR102667741B1 (ko) | 2019-11-19 | 2024-05-22 | 삼성전자주식회사 | 3차원 객체를 표시하는 방법 및 장치 |
JP7362499B2 (ja) | 2020-02-03 | 2023-10-17 | 三菱重工機械システム株式会社 | 車軸数検出装置、料金収受システム、車軸数検出方法、及びプログラム |
JP7317207B2 (ja) * | 2020-03-13 | 2023-07-28 | 三菱重工機械システム株式会社 | 車軸数検出装置、料金収受システム、車軸数検出方法、及びプログラム |
CN111860381A (zh) * | 2020-07-27 | 2020-10-30 | 上海福赛特智能科技有限公司 | 一种车道口的车轴计数装置和方法 |
CN112699267B (zh) * | 2021-01-13 | 2022-09-02 | 招商局重庆交通科研设计院有限公司 | 车辆车型的识别方法 |
CN114897686A (zh) * | 2022-04-25 | 2022-08-12 | 深圳信路通智能技术有限公司 | 车辆图像的拼接方法、装置、计算机设备和存储介质 |
DE202022104107U1 (de) | 2022-07-20 | 2023-10-23 | Sick Ag | Vorrichtung zur Erfassung von Objekten |
EP4310547A1 (de) | 2022-07-20 | 2024-01-24 | Sick Ag | Vorrichtung und verfahren zur erfassung von objekten |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1361488A1 (de) * | 2002-05-07 | 2003-11-12 | AGES Arbeitsgemeinschaft Gebührenentrichtungssystem GmbH & Co. OHG | Verfahren und Vorrichtung zum automatischen Klassifizieren von mit Rädern ausgestatteten Fahrzeugen |
CN103794056A (zh) * | 2014-03-06 | 2014-05-14 | 北京卓视智通科技有限责任公司 | 基于实时双路视频流的车型精确分类***及方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05225490A (ja) * | 1992-02-07 | 1993-09-03 | Toshiba Corp | 車種判別装置 |
DE19640938A1 (de) * | 1996-10-04 | 1998-04-09 | Bosch Gmbh Robert | Anordnung und Verfahren zur Überwachung von Verkehrsflächen |
KR100243317B1 (ko) * | 1997-04-18 | 2000-03-02 | 윤종용 | 차종 판별 장치 |
AT411854B (de) * | 2000-06-09 | 2004-06-25 | Kapsch Trafficcom Ag | Messsystem zur zählung von achsen von kraftfahrzeugen |
KR100459475B1 (ko) * | 2002-04-04 | 2004-12-03 | 엘지산전 주식회사 | 차종 판단 시스템 및 그 방법 |
AT412595B (de) | 2003-05-20 | 2005-04-25 | Joanneum Res Forschungsgmbh | Berührungsloses achszählsystem für den strassenverkehr |
FR2903519B1 (fr) * | 2006-07-07 | 2008-10-17 | Cs Systemes D Information Sa | Systeme de classification de vehicules automobiles |
EP2107519A1 (en) * | 2008-03-31 | 2009-10-07 | Sony Corporation | Apparatus and method for reducing motion blur in a video signal |
DE102008037233B4 (de) * | 2008-08-09 | 2010-06-17 | Rtb Gmbh & Co. Kg | Fahrzeugklassifikator mit einer Einrichtung zur Erkennung eines zollenden Rades |
JP5303405B2 (ja) * | 2009-09-01 | 2013-10-02 | 株式会社日立製作所 | 車両検査装置 |
ES2371151T3 (es) * | 2009-10-01 | 2011-12-28 | Kapsch Trafficcom Ag | Dispositivo y método para la detección de ejes de ruedas. |
EP2375376B1 (en) * | 2010-03-26 | 2013-09-11 | Alcatel Lucent | Method and arrangement for multi-camera calibration |
US8542881B2 (en) * | 2010-07-26 | 2013-09-24 | Nascent Technology, Llc | Computer vision aided automated tire inspection system for in-motion inspection of vehicle tires |
CA2839194C (en) * | 2011-06-17 | 2017-04-18 | Leddartech Inc. | System and method for traffic side detection and characterization |
KR101299237B1 (ko) * | 2011-11-23 | 2013-08-22 | 서울대학교산학협력단 | 팬틸트줌 카메라를 이용한 물체 탐지 장치 및 방법 |
CA2998175C (en) * | 2012-03-02 | 2020-11-10 | Leddartech Inc. | System and method for multipurpose traffic detection and characterization |
DE102012107444B3 (de) * | 2012-08-14 | 2013-03-07 | Jenoptik Robot Gmbh | Verfahren zur Klassifizierung von fahrenden Fahrzeugen durch Verfolgung einer Positionsgröße des Fahrzeuges |
US9785839B2 (en) * | 2012-11-02 | 2017-10-10 | Sony Corporation | Technique for combining an image and marker without incongruity |
DE102012113009A1 (de) * | 2012-12-21 | 2014-06-26 | Jenoptik Robot Gmbh | Verfahren zum automatischen Klassifizieren von sich bewegenden Fahrzeugen |
-
2014
- 2014-08-22 DE DE102014012285.9A patent/DE102014012285A1/de not_active Ceased
-
2015
- 2015-08-17 CA CA2958832A patent/CA2958832C/en active Active
- 2015-08-17 WO PCT/EP2015/001688 patent/WO2016026568A1/de active Application Filing
- 2015-08-17 EP EP15753898.4A patent/EP3183721B1/de active Active
- 2015-08-17 AU AU2015306477A patent/AU2015306477B2/en active Active
- 2015-08-17 US US15/505,797 patent/US20170277952A1/en not_active Abandoned
- 2015-08-17 CN CN201580043973.6A patent/CN106575473B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1361488A1 (de) * | 2002-05-07 | 2003-11-12 | AGES Arbeitsgemeinschaft Gebührenentrichtungssystem GmbH & Co. OHG | Verfahren und Vorrichtung zum automatischen Klassifizieren von mit Rädern ausgestatteten Fahrzeugen |
CN103794056A (zh) * | 2014-03-06 | 2014-05-14 | 北京卓视智通科技有限责任公司 | 基于实时双路视频流的车型精确分类***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CA2958832C (en) | 2023-03-21 |
AU2015306477B2 (en) | 2020-12-10 |
US20170277952A1 (en) | 2017-09-28 |
CN106575473A (zh) | 2017-04-19 |
WO2016026568A1 (de) | 2016-02-25 |
DE102014012285A1 (de) | 2016-02-25 |
AU2015306477A1 (en) | 2017-03-02 |
CA2958832A1 (en) | 2016-02-25 |
EP3183721A1 (de) | 2017-06-28 |
EP3183721B1 (de) | 2022-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106575473B (zh) | 用于对车辆进行非接触式计轴的方法、设备及计轴*** | |
WO2021004312A1 (zh) | 一种基于双目立体视觉***的车辆智能测轨迹方法 | |
US11688183B2 (en) | System and method of determining a curve | |
CN107738612B (zh) | 基于全景视觉辅助***的自动泊车停车位检测与识别*** | |
US7899211B2 (en) | Object detecting system and object detecting method | |
Broggi et al. | Self-calibration of a stereo vision system for automotive applications | |
JP5867273B2 (ja) | 接近物体検知装置、接近物体検知方法及び接近物体検知用コンピュータプログラム | |
CN108692719B (zh) | 物体检测装置 | |
US9196160B2 (en) | Vehicle detection apparatus and vehicle detection method | |
CN103518230A (zh) | 用于车辆分类的方法和*** | |
CN103770704A (zh) | 用于识别车辆的停车位标志线的***和方法 | |
CN110717445B (zh) | 一种用于自动驾驶的前车距离跟踪***与方法 | |
WO2015147764A1 (en) | A method for vehicle recognition, measurement of relative speed and distance with a single camera | |
US10832428B2 (en) | Method and apparatus for estimating a range of a moving object | |
KR101431373B1 (ko) | 스테레오 정합을 이용한 차량의 움직임 측정 장치 | |
KR20210149037A (ko) | 신경망을 훈련 및 이용해 에고 부분 위치를 검출하기 위한 방법 | |
Shukla et al. | Speed determination of moving vehicles using Lucas-Kanade algorithm | |
FR2899363A1 (fr) | Procede et dispositif de detection de mouvement d'objets sur des images d'une scene | |
Barua et al. | An Efficient Method of Lane Detection and Tracking for Highway Safety | |
Philipsen et al. | Day and night-time drive analysis using stereo vision for naturalistic driving studies | |
JP2009104232A (ja) | 車種判別装置 | |
Hinz et al. | Detection and tracking of vehicles in low framerate aerial image sequences | |
WO2021056185A1 (en) | Systems and methods for partially updating high-definition map based on sensor data matching | |
Danti et al. | A Realtime Road Boundary Detection and Vehicle Detection for Indian Roads | |
Eriksson et al. | Lane departure warning and object detection through sensor fusion of cellphone data |
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 |