CN111127541A - 车辆尺寸的确定方法、装置及存储介质 - Google Patents
车辆尺寸的确定方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111127541A CN111127541A CN201811191593.9A CN201811191593A CN111127541A CN 111127541 A CN111127541 A CN 111127541A CN 201811191593 A CN201811191593 A CN 201811191593A CN 111127541 A CN111127541 A CN 111127541A
- Authority
- CN
- China
- Prior art keywords
- target
- vehicle
- feature point
- determining
- vehicle image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 19
- 238000004513 sizing Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B5/00—Measuring arrangements characterised by the use of mechanical techniques
- G01B5/0025—Measuring of vehicle parts
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30248—Vehicle exterior or interior
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车辆尺寸的确定方法、装置及存储介质,属于图像处理技术领域。所述方法包括:获取车辆图像,该车辆图像包括待测量的目标车辆;从该车辆图像中确定该目标车辆的多个目标特征点,该多个目标特征点用于指示该目标车辆在该车辆图像中的立体结构;根据该多个目标特征点,确定该目标车辆的实际尺寸。本发明实施例中,无论该车辆图像是否是正对着该目标车辆的正后方拍摄得到的,均可以根据该多个目标特征点,确定该目标车辆的实际尺寸,如此,提高了车辆尺寸确定的准确性。
Description
技术领域
本发明实施例涉及图像处理技术领域,特别涉及一种车辆尺寸的确定方法、装置及存储介质。
背景技术
在交通领域中,为了保证安全驾驶,避免车辆之间发生碰撞,在车辆驾驶过程中,可以确定位于当前车辆前面的车辆的尺寸,以便于根据所确定的尺寸做出合适的驾驶决策。
目前,为了能够确定车辆的尺寸,一般可以对该车辆进行拍摄,得到车辆图像,从该车辆图像中确定车辆所在区域,并利用尺度测量公式确定该车辆所在区域的边的尺寸,得到车辆在该车辆图像中的尺寸。之后,即可根据所确定的尺寸,确定该车辆的实际尺寸。
然而,由于车辆一般均是立体结构的,当摄像装置不是正对着车辆的正后方拍摄时,拍摄出的车辆图像中车辆是三维的,此时,采用上述方法确定车辆的尺寸不准确。
发明内容
本发明实施例提供了一种车辆尺寸的确定方法、装置及存储介质,可以解决相关技术中确定车辆尺寸不准确的问题。所述技术方案如下:
第一方面,提供了一种车辆尺寸的确定方法,所述方法包括:
获取车辆图像,所述车辆图像包括待测量的目标车辆;
从所述车辆图像中确定所述目标车辆的多个目标特征点,所述多个目标特征点用于指示所述目标车辆在所述车辆图像中的立体结构;
根据所述多个目标特征点,确定所述目标车辆的实际尺寸。
可选的,当所述多个目标特征点为所述目标车辆的车轮上的位置点时,所述根据所述多个目标特征点,确定所述目标车辆的实际尺寸之前,还包括:
从所述车辆图像中确定所述目标车辆所在的目标框;
相应地,所述根据所述多个目标特征点,确定所述目标车辆的实际尺寸,包括:
根据所述多个目标特征点和所述目标框,确定目标边,所述目标边是指能够指示所述目标车辆在所述车辆图像中的立体结构大小的边;
根据所述目标边的尺寸,确定所述目标车辆的实际尺寸。
可选的,当所述多个目标特征点的数量为三个时,所述根据所述多个目标特征点和所述目标框,确定目标边,包括:
以所述目标车辆作为参考对象,基于三个目标特征点与所述目标车辆之间的位置关系,确定所述目标车辆的前车轮上的第一目标特征点,以及所述目标车辆的两个后车轮上的第二目标特征点和第三目标特征点,所述第二目标特征点是指与所述第一目标特征点位于所述目标车辆的同一侧面的目标特征点;
根据所述目标框、所述第一目标特征点、所述第二目标特征点和所述第三目标特征点,确定所述目标边。
可选的,所述根据所述目标框、所述第一目标特征点、所述第二目标特征点和所述第三目标特征点,确定所述目标边,包括:
将所述第一目标特征点和所述第二目标特征点所在的第一直线中位于所述目标框内的线段确定为第一目标边;
将经过目标交点且与第二直线平行的直线中位于所述目标框内的线段确定为第二目标边,所述目标交点是指所述第一直线与所述目标框相交的两个点中靠近所述第二目标特征点的交点,所述第二直线是指所述第二目标特征点和所述第三目标特征点所在的直线;
将经过所述目标交点且与所述目标框的侧边平行的直线中位于所述目标框内的线段确定为第三目标边。
可选的,所述目标车辆所在的目标框和所述多个目标特征点通过下述步骤获取:
调用目标识别模型,将所述车辆图像输入至所述目标识别模型中,输出所述目标车辆所在的目标框和多个目标特征点,所述目标识别模型用于根据任一车辆图像识别所述任一车辆图像中车辆所在的目标框和多个目标特征点。
可选的,所述调用目标识别模型之前,还包括:
获取车辆图像样本、所述车辆图像样本中车辆所在的目标框和多个目标特征点;
将所述车辆图像样本、所述车辆图像样本中车辆所在的目标框和多个目标特征点输入至待训练的模型中进行训练,得到所述目标识别模型。
可选的,所述从所述车辆图像中确定所述目标车辆所在的目标框,包括:
调用目标框识别模型,将所述车辆图像输入至所述目标框识别模型中,输出所述目标车辆所在的目标框,所述目标框识别模型用于根据任一车辆图像识别所述任一车辆图像中车辆所在的目标框。
可选的,所述从所述车辆图像中确定所述目标车辆的多个目标特征点,包括:
调用目标特征点识别模型,将所述车辆图像输入至所述目标特征点识别模型中,输出所述目标车辆的多个目标特征点,所述目标特征点识别模型用于根据任一车辆图像识别所述任一车辆图像中车辆的多个目标特征点。
第二方面,提供了一种车辆尺寸的确定装置,所述装置包括:
图像获取模块,用于获取车辆图像,所述车辆图像包括待测量的目标车辆;
特征点确定模块,用于从所述车辆图像中确定所述目标车辆的多个目标特征点,所述多个目标特征点用于指示所述目标车辆在所述车辆图像中的立体结构;
尺寸确定模块,用于根据所述多个目标特征点,确定所述目标车辆的实际尺寸。
可选地,所述尺寸确定模块用于:
当所述多个目标特征点为所述目标车辆的车轮上的位置点时,从所述车辆图像中确定所述目标车辆所在的目标框;
根据所述多个目标特征点和所述目标框,确定目标边,所述目标边是指能够指示所述目标车辆在所述车辆图像中的立体结构大小的边;
根据所述目标边的尺寸,确定所述目标车辆的实际尺寸。
可选地,所述尺寸确定模块用于:
当所述多个目标特征点的数量为三个时,以所述目标车辆作为参考对象,基于三个目标特征点与所述目标车辆之间的位置关系,确定所述目标车辆的前车轮上的第一目标特征点,以及所述目标车辆的两个后车轮上的第二目标特征点和第三目标特征点,所述第二目标特征点是指与所述第一目标特征点位于所述目标车辆的同一侧面的目标特征点;
根据所述目标框、所述第一目标特征点、所述第二目标特征点和所述第三目标特征点,确定所述目标边。
可选地,所述尺寸确定模块用于:
将所述第一目标特征点和所述第二目标特征点所在的第一直线中位于所述目标框内的线段确定为第一目标边;
将经过目标交点且与第二直线平行的直线中位于所述目标框内的线段确定为第二目标边,所述目标交点是指所述第一直线与所述目标框相交的两个点中靠近所述第二目标特征点的交点,所述第二直线是指所述第二目标特征点和所述第三目标特征点所在的直线;
将经过所述目标交点且与所述目标框的侧边平行的直线中位于所述目标框内的线段确定为第三目标边。
可选地,所述特征点确定模块还用于:
调用目标识别模型,将所述车辆图像输入至所述目标识别模型中,输出所述目标车辆所在的目标框和多个目标特征点,所述目标识别模型用于根据任一车辆图像识别所述任一车辆图像中车辆所在的目标框和多个目标特征点。
可选地,所述装置还包括:
样本获取模块,用于获取车辆图像样本、所述车辆图像样本中车辆所在的目标框和多个目标特征点;
训练模块,用于将所述车辆图像样本、所述车辆图像样本中车辆所在的目标框和多个目标特征点输入至待训练的模型中进行训练,得到所述目标识别模型。
可选地,所述尺寸确定模块用于:
调用目标框识别模型,将所述车辆图像输入至所述目标框识别模型中,输出所述目标车辆所在的目标框,所述目标框识别模型用于根据任一车辆图像识别所述任一车辆图像中车辆所在的目标框。
可选地,所述特征点确定模块用于:
调用目标特征点识别模型,将所述车辆图像输入至所述目标特征点识别模型中,输出所述目标车辆的多个目标特征点,所述目标特征点识别模型用于根据任一车辆图像识别所述任一车辆图像中车辆的多个目标特征点。
第三方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,所述指令被处理器执行时实现上述第一方面所述的车辆尺寸的确定方法。
第四方面,提供了一种电子设备,包括:
至少一个处理器;
和至少一个存储器;
所述至少一个存储器存储有至少一个程序,所述至少一个存储器能够执行所述至少一个程序,以执行第一方面任一所述的车辆尺寸的确定方法。。
本发明实施例提供的技术方案带来的有益效果是:
获取包括待测量的目标车辆的车辆图像,从该车辆图像中确定该目标车辆的多个目标特征点。由于该多个目标特征点能够用于指示该目标车辆在该车辆图像中的立体结构,因此,无论该车辆图像是否是正对着该目标车辆的正后方拍摄得到的,均可以根据该多个目标特征点,确定该目标车辆的实际尺寸,如此,提高了车辆尺寸确定的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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是根据一示例性实施例示出的一种拍摄场景的示意图;
图2是根据一示例性实施例示出的一种目标车辆所在的车辆图像示意图;
图3是根据一示例性实施例示出的一种车辆尺寸的确定方法流程图;
图4是根据一示例性实施例示出的一种多个目标特征点的示意图;
图5是根据一示例性实施例示出的一种目标框的示意图;
图6是根据一示例性实施例示出的一种车辆图像的示意图;
图7是根据另一示例性实施例示出的一种车辆图像的示意图;
图8是根据一示例性实施例示出的一种车辆尺寸的确定装置的结构示意图;
图9是根据另一示例性实施例示出的一种车辆尺寸的确定装置的结构示意图;
图10示出了本发明一个示例性实施例提供的终端1000的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
在对本发明实施例提供的方法进行详细介绍之前,先对本发明实施例涉及的应用场景和实施环境进行简单介绍。
首先,对本发明实施例涉及的应用场景进行简单介绍。
在智能交通领域,尤其是在自动驾驶应用场景中,为了能够作出合适的驾驶决策,可以确定当前车辆前面的目标车辆的尺寸。其中,这里所述的目标车辆可以为位于当前车辆的正前方、左前方、右前方等方位的车辆,譬如,请参考图1,该图1是根据一示例性实施例示出的一种拍摄场景的示意图,该目标车辆可以为该示意图中的任一车辆。
目前,相关技术只能通过三角测量公式或尺度测量公式,确定目标车辆在车辆图像中所在区域的边的尺寸,从而根据该尺寸来确定该目标车辆的实际尺寸。然而,在一些应用场景中,当摄像装置不是正对着目标车辆的正后方拍摄时,目标车辆在车辆图像中是三维的,譬如,请参考图2,该图2是根据一示例性实施例示出的一种目标车辆所在的车辆图像示意图。此时,当采用上述方式确定尺寸时,只能将该目标车辆作为一个平面物体进行测量,如此可能将道路的宽度也计算到目标车辆的尺寸中,导致确定的车辆尺寸不准确。
为此,本发明实施例提供了一种车辆尺寸的确定方法,在该方法中,无论该车辆图像是否是正对着该目标车辆的正后方拍摄得到的,均可以准确地确定其中的目标车辆的尺寸,其具体实现过程请参见如下图3所示的实施例。
其次,对本发明实施例涉及的实施环境进行简单介绍。
本发明实施例提供的车辆尺寸的确定方法可以由智能设备来执行,该智能设备可以与摄像装置连接,譬如,该摄像装置可以为车载前视摄像机,该车载前视摄像机可以为单目相机。或者,该智能设备也可以自身配置有摄像装置,譬如,该摄像装置可以为该智能设备上配置的摄像头等。在实施中,该智能设备可以通过该摄像装置对目标车辆进行拍摄,以得到包括目标车辆的车辆图像。在一些实施例中,该智能设备可以为手机、平板电脑、计算机等设备,本发明实施例对此不做限定。
在介绍完本发明实施例涉及的应用场景和实施环境后,接下来,将结合附图对本发明实施例提供的车辆尺寸的确定方法进行详细介绍。
请参考图3,图3是根据一示例性实施例示出的一种车辆尺寸的确定方法流程图,本实施例以该车辆尺寸的确定方法应用于上述智能设备中为例进行说明,该车辆尺寸的确定方法可以包括如下几个实现步骤:
步骤301:获取车辆图像,该车辆图像包括待测量的目标车辆。
根据前文所述,该车辆图像可以通过摄像装置拍摄得到。也即是,在车辆驾驶过程中,可以通过该摄像装置对当前车辆前面待测量的目标车辆进行拍摄,得到该车辆图像。
在一种可能的实现方式中,该摄像装置可以在接收到拍摄指令时执行拍摄操作。其中,该拍摄指令可以由用户触发,该用户可以通过指定操作触发,该指定操作可以包括点击操作、滑动操作等等。
譬如,该智能设备可以提供有拍摄选项,当需要确定目标车辆的尺寸时,可以点击该拍摄选项以触发该拍摄指令。智能设备接收到该拍摄指令后,执行拍摄操作,从而得到包括该目标车辆的车辆图像。
当然,在另一种可能的实现方式中,该智能设备还可以自动执行拍摄操作,譬如,该智能设备可以每隔预设时长,进行一次拍摄。其中,该预设时长可以根据实际需求进行设置,本发明实施例对此不做限定。
步骤302:从该车辆图像中确定该目标车辆的多个目标特征点,该多个目标特征点用于指示该目标车辆在该车辆图像中的立体结构。
为了能够确定该目标车辆在该车辆图像中的立体结构,该智能设备从该车辆图像中确定该目标车辆的多个目标特征点。在一些实施例中,为了得到高定位精度的多个目标特征点,从该车辆图像中确定该目标车辆的多个目标特征点的具体实现可以包括:调用目标特征点识别模型,将该车辆图像输入至该目标特征点识别模型中,输出该目标车辆的多个目标特征点,该目标特征点识别模型用于根据任一车辆图像识别该任一车辆图像中车辆的多个目标特征点。
其中,该多个目标特征点可以包括车轮、车窗角、车灯角、车轮廓中至少一项上的位置点。譬如,请参考图4,该图4是根据一示例性实施例示出的一种多个目标特征点的示意图。
进一步地,在调用目标特征点识别模型之前,可以通过训练得到该目标特征点识别模型,在实施例中,获取车辆图像样本和该车辆图像样本中车辆的多个目标特征点,基于该车辆图像样本和该车辆图像样本中车辆的多个目标特征点,对待训练的特征点识别模型进行训练,得到该目标特征点识别模型。
譬如,在训练过程中,将该车辆图像样本和该车辆图像样本中车辆的多个目标特征点输入至特征点识别模型中进行迭代训练,在迭代过程中,根据每次训练得到的损失函数,调整特征点识别模型中的网络参数,直到该损失函数最小时,终止训练,从而得到该目标特征点识别模型。
在一些实施例中,该特征点识别模型可以为深度网络模型,进一步地,该深度网络模型的结构可以包括输入层、全连接层、输出层等,譬如,该深度网络模型可以为ESR(Explicit Shape Regression,显示形状回归)网络模型、LBF(Local Binary Features,局部二值特征)网络模型等,本发明实施例对此不作限定。
步骤303:根据该多个目标特征点,确定该目标车辆的实际尺寸。
在实施中,可以根据该多个目标特征点,确定该目标车辆在该车辆图像中的立体结构模型,之后,确定该立体结构模型的尺寸,从而根据所确定的尺寸,结合相机参数,确定该目标车辆的实际尺寸。
进一步地,当该多个目标特征点为该目标车辆的车轮上的位置点时,根据该多个目标特征点,确定该目标车辆的实际尺寸之前,需要从该车辆图像中确定该目标车辆所在的目标框。此时,上述根据该多个目标特征点,确定该目标车辆的实际尺寸的具体实现可以包括:根据该多个目标特征点和该目标框,确定目标边,该目标边是指能够指示该目标车辆在该车辆图像中的立体结构大小的边,根据该目标边的尺寸,确定该目标车辆的实际尺寸。
在一些实施例中,为了准确定位该目标车辆所在的目标框,可以采用深度网络模型来检测该目标框,即上述从该车辆图像中确定该目标车辆所在的目标框的具体实现可以包括:调用目标框识别模型,将该车辆图像输入至该目标框识别模型中,输出该目标车辆所在的目标框,该目标框识别模型用于根据任一车辆图像识别该任一车辆图像中车辆所在的目标框。譬如,请参考图5,该图5是根据一示例性实施例示出的一种目标框的示意图。
进一步地,调用目标框识别模型之前,可以通过对深度网络模型进行深度学习得到该目标框识别模型。譬如,可以获取获取车辆图像样本和该车辆图像样本中车辆所在的目标框,基于该车辆图像样本和该车辆图像样本中车辆所在的目标框,对待训练的框识别模型进行训练,得到该目标框识别模型。
譬如,在训练过程中,可以将该车辆图像样本和该车辆图像样本中车辆的多个目标特征点输入至该特征点识别模型中进行迭代训练,在迭代过程中,根据每次训练对应的损失函数,调整框识别模型中的网络参数,直到该损失函数最小时,终止训练,得到该目标框识别模型。在一些实施例中,该框识别模型可以为深度网络模型,其结构可以包括卷积层、全连接层等,譬如,该深度网络模型可以为Faster RCNN(Region ConvolutionalNeural Network,基于区域的卷积神经网络)、YOLO网络、SSD网络等,本发明实施例对此不作限定。
当然,该目标框还可以采用传统检测方法得到,譬如,可以采用HOG-SVM、LBP-cascade、DPM等检测得到,本发明实施例对此不做限定。
需要说明的是,在上述实现过程中,当还需要从该车辆图像中确定该目标车辆所在的目标框时,是分别通过两个模型来确定该目标车辆所在的目标框和多个目标特征点。在另一些实施例中,还可以采用一个模型同时确定该目标车辆所在的目标框和多个目标特征点。在实施中,该目标车辆所在的目标框和该多个目标特征点可以通过下述步骤获取得到:调用目标识别模型,将该车辆图像输入至该目标识别模型中,输出该目标车辆所在的目标框和多个目标特征点,该目标识别模型用于根据任一车辆图像识别该任一车辆图像中车辆所在的目标框和多个目标特征点。
其中,该目标识别模型可以为拥有共享卷积层的CNN网络,其结构特点是具有提取该目标框和该多个目标特征点的共享卷积特征的功能,且该目标识别模型包括框检测子网络和特征点检测子网络,该两个子网络可以均在该共享卷积层上基于提取的共享卷积特征进行。其中,该框检测子网络可以包含RCNN系列,如,该RCNN系列包括RCNN/Fast RCNN/Faster RCNN/SSD/FPN等结构。该特征点检测子网络可以以共享卷积层为基础进行特征点回归。也就是说,可以使用共享卷积特征在一个网络结构上同时实现对目标框和多个目标特征点的检测。如此,可以减少运算量,且有效利用了共享卷积特征,提高了定位精度。
进一步地,调用目标识别模型之前,可以通过训练的方式得到该目标识别模型,在实施中,获取车辆图像样本、该车辆图像样本中车辆所在的目标框和多个目标特征点,将该车辆图像样本、该车辆图像样本中车辆所在的目标框和多个目标特征点输入至待训练的模型中进行训练,得到该目标识别模型。
进一步地,在该多个目标特征点为该目标车辆的车轮上的位置点的情况下,当摄像装置是正对着目标车辆的正后方拍摄时,可以获取到两个目标特征点,譬如,如图6所示,此时,可以直接根据二维模型确定车辆的尺寸。然而,当摄像装置不是正对着目标车辆的正后方拍摄时,车辆图像中目标车辆有三个面可见,智能设备可以获取到三个目标特征点,此时,需要基于立体结构确定车辆的尺寸。
也即是,当该多个目标特征点的数量为三个时,上述根据该多个目标特征点和该目标框,确定目标边的具体实现可以包括:以该目标车辆作为参考对象,基于三个目标特征点与该目标车辆之间的位置关系,确定该目标车辆的前车轮上的第一目标特征点,以及该目标车辆的两个后车轮上的第二目标特征点和第三目标特征点,该第二目标特征点是指与该第一目标特征点位于该目标车辆的同一侧面的目标特征点,根据该目标框、该第一目标特征点、该第二目标特征点和该第三目标特征点,确定该目标边。
智能设备以该目标车辆作为参考对象,可以根据每个目标特征点与该目标车辆之间的位置关系,确定第一目标特征点、第二目标特征点和第三目标特征点。譬如,请参考图7,可以将位于该目标车辆右前方的目标特征点确定为该目标车辆的前车轮上的第一目标特征点B;之后按照顺时针方向,将位于该目标车辆右后方的目标特征点确定为该目标车辆的后车轮上的第二目标特征点A,其中,该第二目标特征点A是指与该第一目标特征点B位于该目标车辆的同一侧面的目标特征点;以及将位于该目标车辆左后方的目标特征点确定为目标车辆的另一后车轮上的第三目标特征点C。
在一种可能的实现方式中,上述根据该目标框、该第一目标特征点、该第二目标特征点和该第三目标特征点,确定该目标边的具体实现可以包括:将该第一目标特征点和该第二目标特征点所在的第一直线中位于该目标框内的线段确定为第一目标边;将经过目标交点且与第二直线平行的直线中位于该目标框内的线段确定为第二目标边,该目标交点是指该第一直线与该目标框相交的两个点中靠近该第二目标特征点的交点,该第二直线是指该第二目标特征点和该第三目标特征点所在的直线;将经过该目标交点且与该目标框的侧边平行的直线中位于该目标框内的线段确定为第三目标边。
请继续参考图7,该目标车辆侧面两个车轮上的第一目标特征点B和第二目标特征点A所在的第一直线与目标框有两个交点,分别为D和E,智能设备将线段DE确定为第一目标边,该第一目标边可以用于指示该目标车辆的侧边长度。进一步地,将该交点D确定为目标交点,并将第二目标特征点A与第三目标特征点C所在的直线确定为第二直线,终端将经过该交点D且与第二直线AC平行的直线中位于该目标框内的线段DF确定为第二目标边,该第二目标边可以用于指示该目标车辆的宽度。此外,将经过该目标交点D且与该目标框的侧边平行的直线中位于该目标框内的线段DH确定为第三目标边,该第三目标边可以用于指示该目标车辆的高度。如此,确定了可以用于指示该目标车辆在该车辆图像中的立体结构大小的目标边,即该目标边包括上述第一目标边、第二目标边和第三目标边。
之后,可以通过三角测量公式或尺度测量公式,分别计算该第一目标边、该第二目标边和该第三目标边的尺寸,以便于可以根据所确定的尺寸,结合相机参数,确定该目标车辆的实际尺寸。
进一步地,为了增加该目标车辆的立体结构的可视性,还可以确定该车辆的立体结构的其它边,譬如,请继续参考图7,该立体结构的其它边还可以包括EI、HI、GH和FG。在实施中,可以将经过F点且与所述目标框的侧边平行的直线中位于该目标框内的线段确定为立体结构的另一条边FG,从而也可以得到边GH。此外,在确定I点的过程中,可以获取该车辆图像的消隐线,之后,确定消隐线与DE延长线的交点,确定该交点与该H点所在的直线,并将该直线与目标框的交点确定为I点,从而可以确定边EI。其中,上述消隐线可以通过感知算法和车道线结合得到。
在本发明实施例中,获取包括待测量的目标车辆的车辆图像,从该车辆图像中确定该目标车辆的多个目标特征点。由于该多个目标特征点能够用于指示该目标车辆在该车辆图像中的立体结构,因此,无论该车辆图像是否是正对着该目标车辆的正后方拍摄得到的,均可以根据该多个目标特征点,确定该目标车辆的实际尺寸,如此,提高了车辆尺寸确定的准确性。
图8是根据一示例性实施例示出的一种车辆尺寸的确定装置的结构示意图,该车辆尺寸的确定装置可以由软件、硬件或者两者的结合实现。该车辆尺寸的确定装置可以包括:
图像获取模块810,用于获取车辆图像,所述车辆图像包括待测量的目标车辆;
特征点确定模块820,用于从所述车辆图像中确定所述目标车辆的多个目标特征点,所述多个目标特征点用于指示所述目标车辆在所述车辆图像中的立体结构;
尺寸确定模块830,用于根据所述多个目标特征点,确定所述目标车辆的实际尺寸。
可选地,所述尺寸确定模块830用于:
当所述多个目标特征点为所述目标车辆的车轮上的位置点时,从所述车辆图像中确定所述目标车辆所在的目标框;
根据所述多个目标特征点和所述目标框,确定目标边,所述目标边是指能够指示所述目标车辆在所述车辆图像中的立体结构大小的边;
根据所述目标边的尺寸,确定所述目标车辆的实际尺寸。
可选地,所述尺寸确定模块830用于:
当所述多个目标特征点的数量为三个时,以所述目标车辆作为参考对象,基于三个目标特征点与所述目标车辆之间的位置关系,确定所述目标车辆的前车轮上的第一目标特征点,以及所述目标车辆的两个后车轮上的第二目标特征点和第三目标特征点,所述第二目标特征点是指与所述第一目标特征点位于所述目标车辆的同一侧面的目标特征点;
根据所述目标框、所述第一目标特征点、所述第二目标特征点和所述第三目标特征点,确定所述目标边。
可选地,所述尺寸确定模块830用于:
将所述第一目标特征点和所述第二目标特征点所在的第一直线中位于所述目标框内的线段确定为第一目标边;
将经过目标交点且与第二直线平行的直线中位于所述目标框内的线段确定为第二目标边,所述目标交点是指所述第一直线与所述目标框相交的两个点中靠近所述第二目标特征点的交点,所述第二直线是指所述第二目标特征点和所述第三目标特征点所在的直线;
将经过所述目标交点且与所述目标框的侧边平行的直线中位于所述目标框内的线段确定为第三目标边。
可选地,所述特征点确定模块820还用于:
调用目标识别模型,将所述车辆图像输入至所述目标识别模型中,输出所述目标车辆所在的目标框和多个目标特征点,所述目标识别模型用于根据任一车辆图像识别所述任一车辆图像中车辆所在的目标框和多个目标特征点。
可选地,请参考图9,所述装置还包括:
样本获取模块840,用于获取车辆图像样本、所述车辆图像样本中车辆所在的目标框和多个目标特征点;
训练模块850,用于将所述车辆图像样本、所述车辆图像样本中车辆所在的目标框和多个目标特征点输入至待训练的模型中进行训练,得到所述目标识别模型。
可选地,所述尺寸确定模块830用于:
调用目标框识别模型,将所述车辆图像输入至所述目标框识别模型中,输出所述目标车辆所在的目标框,所述目标框识别模型用于根据任一车辆图像识别所述任一车辆图像中车辆所在的目标框。
可选地,所述特征点确定模块820用于:
调用目标特征点识别模型,将所述车辆图像输入至所述目标特征点识别模型中,输出所述目标车辆的多个目标特征点,所述目标特征点识别模型用于根据任一车辆图像识别所述任一车辆图像中车辆的多个目标特征点。
在本发明实施例中,获取包括待测量的目标车辆的车辆图像,从该车辆图像中确定该目标车辆的多个目标特征点。由于该多个目标特征点能够用于指示该目标车辆在该车辆图像中的立体结构,因此,无论该车辆图像是否是正对着该目标车辆的正后方拍摄得到的,均可以根据该多个目标特征点,确定该目标车辆的实际尺寸,如此,提高了车辆尺寸确定的准确性。
需要说明的是:上述实施例提供的车辆尺寸的确定装置在实现车辆尺寸的确定方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的车辆尺寸的确定装置与车辆尺寸的确定方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图10示出了本发明一个示例性实施例提供的终端1000的结构框图。该终端1000可以是:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio LayerIII,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts GroupAudioLayer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端1000还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端1000包括有:处理器1001和存储器1002。
处理器1001可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1001可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable LogicArray,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1001也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1001可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1001还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1002可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1002还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1002中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器1001所执行以实现本申请中方法实施例提供的车辆尺寸的确定方法。
在一些实施例中,终端1000还可选包括有:***设备接口1003和至少一个***设备。处理器1001、存储器1002和***设备接口1003之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口1003相连。具体地,***设备包括:射频电路1004、触摸显示屏1005、摄像头1006、音频电路1007、定位组件1008和电源1009中的至少一种。
***设备接口1003可被用于将I/O(Input/Output,输入/输出)相关的至少一个***设备连接到处理器1001和存储器1002。在一些实施例中,处理器1001、存储器1002和***设备接口1003被集成在同一芯片或电路板上;在一些其他实施例中,处理器1001、存储器1002和***设备接口1003中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路1004用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路1004通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1004将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路1004包括:天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1004可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路1004还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏1005用于显示UI(UserInterface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1005是触摸显示屏时,显示屏1005还具有采集在显示屏1005的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1001进行处理。此时,显示屏1005还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏1005可以为一个,设置终端1000的前面板;在另一些实施例中,显示屏1005可以为至少两个,分别设置在终端1000的不同表面或呈折叠设计;在再一些实施例中,显示屏1005可以是柔性显示屏,设置在终端1000的弯曲表面上或折叠面上。甚至,显示屏1005还可以设置成非矩形的不规则图形,也即异形屏。显示屏1005可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件1006用于采集图像或视频。可选地,摄像头组件1006包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件1006还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路1007可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器1001进行处理,或者输入至射频电路1004以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端1000的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1001或射频电路1004的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路1007还可以包括耳机插孔。
定位组件1008用于定位终端1000的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件1008可以是基于美国的GPS(GlobalPositioning System,全球定位***)、中国的北斗***或俄罗斯的伽利略***的定位组件。
电源1009用于为终端1000中的各个组件进行供电。电源1009可以是交流电、直流电、一次性电池或可充电电池。当电源1009包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端1000还包括有一个或多个传感器1010。该一个或多个传感器1010包括但不限于:加速度传感器1011、陀螺仪传感器1012、压力传感器1013、指纹传感器1014、光学传感器1015以及接近传感器1016。
加速度传感器1011可以检测以终端1000建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器1011可以用于检测重力加速度在三个坐标轴上的分量。处理器1001可以根据加速度传感器1011采集的重力加速度信号,控制触摸显示屏1005以横向视图或纵向视图进行用户界面的显示。加速度传感器1011还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器1012可以检测终端1000的机体方向及转动角度,陀螺仪传感器1012可以与加速度传感器1011协同采集用户对终端1000的3D动作。处理器1001根据陀螺仪传感器1012采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器1013可以设置在终端1000的侧边框和/或触摸显示屏1005的下层。当压力传感器1013设置在终端1000的侧边框时,可以检测用户对终端1000的握持信号,由处理器1001根据压力传感器1013采集的握持信号进行左右手识别或快捷操作。当压力传感器1013设置在触摸显示屏1005的下层时,由处理器1001根据用户对触摸显示屏1005的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器1014用于采集用户的指纹,由处理器1001根据指纹传感器1014采集到的指纹识别用户的身份,或者,由指纹传感器1014根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器1001授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1014可以被设置终端1000的正面、背面或侧面。当终端1000上设置有物理按键或厂商Logo时,指纹传感器1014可以与物理按键或厂商Logo集成在一起。
光学传感器1015用于采集环境光强度。在一个实施例中,处理器1001可以根据光学传感器1015采集的环境光强度,控制触摸显示屏1005的显示亮度。具体地,当环境光强度较高时,调高触摸显示屏1005的显示亮度;当环境光强度较低时,调低触摸显示屏1005的显示亮度。在另一个实施例中,处理器1001还可以根据光学传感器1015采集的环境光强度,动态调整摄像头组件1006的拍摄参数。
接近传感器1016,也称距离传感器,通常设置在终端1000的前面板。接近传感器1016用于采集用户与终端1000的正面之间的距离。在一个实施例中,当接近传感器1016检测到用户与终端1000的正面之间的距离逐渐变小时,由处理器1001控制触摸显示屏1005从亮屏状态切换为息屏状态;当接近传感器1016检测到用户与终端1000的正面之间的距离逐渐变大时,由处理器1001控制触摸显示屏1005从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图10中示出的结构并不构成对终端1000的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
本申请实施例还提供了一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行上述图3所示实施例提供的车辆尺寸的确定方法。
本申请实施例还提供了一种电子设备,包括:
至少一个处理器;和
至少一个存储器;
所述至少一个存储器存储有至少一个程序,所述至少一个存储器能够执行所述至少一个程序,以执行本发明实施例提供的任一所述的车辆尺寸的确定方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (18)
1.一种车辆尺寸的确定方法,其特征在于,所述方法包括:
获取车辆图像,所述车辆图像包括待测量的目标车辆;
从所述车辆图像中确定所述目标车辆的多个目标特征点,所述多个目标特征点用于指示所述目标车辆在所述车辆图像中的立体结构;
根据所述多个目标特征点,确定所述目标车辆的实际尺寸。
2.如权利要求1所述的方法,其特征在于,当所述多个目标特征点为所述目标车辆的车轮上的位置点时,所述根据所述多个目标特征点,确定所述目标车辆的实际尺寸之前,还包括:
从所述车辆图像中确定所述目标车辆所在的目标框;
相应地,所述根据所述多个目标特征点,确定所述目标车辆的实际尺寸,包括:
根据所述多个目标特征点和所述目标框,确定目标边,所述目标边是指能够指示所述目标车辆在所述车辆图像中的立体结构大小的边;
根据所述目标边的尺寸,确定所述目标车辆的实际尺寸。
3.如权利要求2所述的方法,其特征在于,当所述多个目标特征点的数量为三个时,所述根据所述多个目标特征点和所述目标框,确定目标边,包括:
以所述目标车辆作为参考对象,基于三个目标特征点与所述目标车辆之间的位置关系,确定所述目标车辆的前车轮上的第一目标特征点,以及所述目标车辆的两个后车轮上的第二目标特征点和第三目标特征点,所述第二目标特征点是指与所述第一目标特征点位于所述目标车辆的同一侧面的目标特征点;
根据所述目标框、所述第一目标特征点、所述第二目标特征点和所述第三目标特征点,确定所述目标边。
4.如权利要求3所述的方法,其特征在于,所述根据所述目标框、所述第一目标特征点、所述第二目标特征点和所述第三目标特征点,确定所述目标边,包括:
将所述第一目标特征点和所述第二目标特征点所在的第一直线中位于所述目标框内的线段确定为第一目标边;
将经过目标交点且与第二直线平行的直线中位于所述目标框内的线段确定为第二目标边,所述目标交点是指所述第一直线与所述目标框相交的两个点中靠近所述第二目标特征点的交点,所述第二直线是指所述第二目标特征点和所述第三目标特征点所在的直线;
将经过所述目标交点且与所述目标框的侧边平行的直线中位于所述目标框内的线段确定为第三目标边。
5.如权利要求2所述的方法,其特征在于,所述目标车辆所在的目标框和所述多个目标特征点通过下述步骤获取:
调用目标识别模型,将所述车辆图像输入至所述目标识别模型中,输出所述目标车辆所在的目标框和多个目标特征点,所述目标识别模型用于根据任一车辆图像识别所述任一车辆图像中车辆所在的目标框和多个目标特征点。
6.如权利要求5所述的方法,其特征在于,所述调用目标识别模型之前,还包括:
获取车辆图像样本、所述车辆图像样本中车辆所在的目标框和多个目标特征点;
将所述车辆图像样本、所述车辆图像样本中车辆所在的目标框和多个目标特征点输入至待训练的模型中进行训练,得到所述目标识别模型。
7.如权利要求2所述的方法,其特征在于,所述从所述车辆图像中确定所述目标车辆所在的目标框,包括:
调用目标框识别模型,将所述车辆图像输入至所述目标框识别模型中,输出所述目标车辆所在的目标框,所述目标框识别模型用于根据任一车辆图像识别所述任一车辆图像中车辆所在的目标框。
8.如权利要求1或7所述的方法,其特征在于,所述从所述车辆图像中确定所述目标车辆的多个目标特征点,包括:
调用目标特征点识别模型,将所述车辆图像输入至所述目标特征点识别模型中,输出所述目标车辆的多个目标特征点,所述目标特征点识别模型用于根据任一车辆图像识别所述任一车辆图像中车辆的多个目标特征点。
9.一种车辆尺寸的确定装置,其特征在于,所述装置包括:
图像获取模块,用于获取车辆图像,所述车辆图像包括待测量的目标车辆;
特征点确定模块,用于从所述车辆图像中确定所述目标车辆的多个目标特征点,所述多个目标特征点用于指示所述目标车辆在所述车辆图像中的立体结构;
尺寸确定模块,用于根据所述多个目标特征点,确定所述目标车辆的实际尺寸。
10.如权利要求9所述的装置,其特征在于,所述尺寸确定模块用于:
当所述多个目标特征点为所述目标车辆的车轮上的位置点时,从所述车辆图像中确定所述目标车辆所在的目标框;
根据所述多个目标特征点和所述目标框,确定目标边,所述目标边是指能够指示所述目标车辆在所述车辆图像中的立体结构大小的边;
根据所述目标边的尺寸,确定所述目标车辆的实际尺寸。
11.如权利要求10所述的装置,其特征在于,所述尺寸确定模块用于:
当所述多个目标特征点的数量为三个时,以所述目标车辆作为参考对象,基于三个目标特征点与所述目标车辆之间的位置关系,确定所述目标车辆的前车轮上的第一目标特征点,以及所述目标车辆的两个后车轮上的第二目标特征点和第三目标特征点,所述第二目标特征点是指与所述第一目标特征点位于所述目标车辆的同一侧面的目标特征点;
根据所述目标框、所述第一目标特征点、所述第二目标特征点和所述第三目标特征点,确定所述目标边。
12.如权利要求11所述的装置,其特征在于,所述尺寸确定模块用于:
将所述第一目标特征点和所述第二目标特征点所在的第一直线中位于所述目标框内的线段确定为第一目标边;
将经过目标交点且与第二直线平行的直线中位于所述目标框内的线段确定为第二目标边,所述目标交点是指所述第一直线与所述目标框相交的两个点中靠近所述第二目标特征点的交点,所述第二直线是指所述第二目标特征点和所述第三目标特征点所在的直线;
将经过所述目标交点且与所述目标框的侧边平行的直线中位于所述目标框内的线段确定为第三目标边。
13.如权利要求10所述的装置,其特征在于,所述特征点确定模块还用于:
调用目标识别模型,将所述车辆图像输入至所述目标识别模型中,输出所述目标车辆所在的目标框和多个目标特征点,所述目标识别模型用于根据任一车辆图像识别所述任一车辆图像中车辆所在的目标框和多个目标特征点。
14.如权利要求13所述的装置,其特征在于,所述装置还包括:
样本获取模块,用于获取车辆图像样本、所述车辆图像样本中车辆所在的目标框和多个目标特征点;
训练模块,用于将所述车辆图像样本、所述车辆图像样本中车辆所在的目标框和多个目标特征点输入至待训练的模型中进行训练,得到所述目标识别模型。
15.如权利要求10所述的装置,其特征在于,所述尺寸确定模块用于:
调用目标框识别模型,将所述车辆图像输入至所述目标框识别模型中,输出所述目标车辆所在的目标框,所述目标框识别模型用于根据任一车辆图像识别所述任一车辆图像中车辆所在的目标框。
16.如权利要求9或15所述的装置,其特征在于,所述特征点确定模块用于:
调用目标特征点识别模型,将所述车辆图像输入至所述目标特征点识别模型中,输出所述目标车辆的多个目标特征点,所述目标特征点识别模型用于根据任一车辆图像识别所述任一车辆图像中车辆的多个目标特征点。
17.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现权利要求1-8所述的任一项方法的步骤。
18.一种电子设备,其特征在于,包括:
至少一个处理器;和
至少一个存储器;
所述至少一个存储器存储有至少一个程序,所述至少一个存储器能够执行所述至少一个程序,以执行权利要求1至8任一所述的车辆尺寸的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811191593.9A CN111127541B (zh) | 2018-10-12 | 2018-10-12 | 车辆尺寸的确定方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811191593.9A CN111127541B (zh) | 2018-10-12 | 2018-10-12 | 车辆尺寸的确定方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127541A true CN111127541A (zh) | 2020-05-08 |
CN111127541B CN111127541B (zh) | 2024-02-27 |
Family
ID=70483937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811191593.9A Active CN111127541B (zh) | 2018-10-12 | 2018-10-12 | 车辆尺寸的确定方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127541B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991433A (zh) * | 2021-04-26 | 2021-06-18 | 吉林大学 | 基于双目深度感知和车辆位置的货车外廓尺寸测量方法 |
CN114863083A (zh) * | 2022-04-06 | 2022-08-05 | 包头钢铁(集团)有限责任公司 | 一种车辆定位与尺寸测量的方法与*** |
CN115472005A (zh) * | 2022-08-09 | 2022-12-13 | 东软睿驰汽车技术(上海)有限公司 | 车辆碰撞预警方法、装置、设备及存储介质 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002052523A1 (fr) * | 2000-12-26 | 2002-07-04 | Fujitsu Limited | Procede et appareil de surveillance de vehicule |
US20080166019A1 (en) * | 2007-01-04 | 2008-07-10 | Lee Kual-Zheng | Systems and methods for object dimension estimation |
JP2010256253A (ja) * | 2009-04-27 | 2010-11-11 | Topcon Corp | 三次元計測用画像撮影装置及びその方法 |
US20110057816A1 (en) * | 2009-05-08 | 2011-03-10 | Citysync, Ltd | Security systems |
JP2012007972A (ja) * | 2010-06-24 | 2012-01-12 | 3D Media Co Ltd | 車両寸法計測装置 |
CN103814271A (zh) * | 2011-09-21 | 2014-05-21 | 塞母布有限公司 | 一般用于测量车辆的车轮、转向***和底盘的特征角和尺寸的设备和方法 |
US20140147008A1 (en) * | 2011-08-03 | 2014-05-29 | Kabushiki Kaisha Toshiba | Vehicle detection apparatus and vehicle detection method |
TW201433774A (zh) * | 2013-02-26 | 2014-09-01 | Mitsubishi Heavy Ind Ltd | 車輛規格測量處理裝置、車輛規格測量方法及記錄媒體 |
CN104236478A (zh) * | 2014-09-19 | 2014-12-24 | 山东交通学院 | 一种基于视觉的车辆外廓尺寸自动测量***及方法 |
JP2015224928A (ja) * | 2014-05-27 | 2015-12-14 | 株式会社デンソー | 物標検出装置 |
CN105427614A (zh) * | 2015-08-28 | 2016-03-23 | 北京动视元科技有限公司 | 一种车型分类***及其方法 |
JP2016057677A (ja) * | 2014-09-05 | 2016-04-21 | 本田技研工業株式会社 | 走行支援制御装置 |
CN106295662A (zh) * | 2016-08-17 | 2017-01-04 | 广州中国科学院软件应用技术研究所 | 一种车标识别方法和*** |
US20170024889A1 (en) * | 2015-07-23 | 2017-01-26 | International Business Machines Corporation | Self-calibration of a static camera from vehicle information |
JP2017041132A (ja) * | 2015-08-20 | 2017-02-23 | 株式会社Jvcケンウッド | 車両検出装置、車両検出システム、車両検出方法、及び車両検出プログラム |
CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测***及方法 |
CN106777350A (zh) * | 2017-01-16 | 2017-05-31 | 青岛海信网络科技股份有限公司 | 一种基于卡口数据的以图搜图方法和装置 |
CN107766789A (zh) * | 2017-08-21 | 2018-03-06 | 浙江零跑科技有限公司 | 一种基于车载单目相机的车辆检测定位方法 |
CN108106627A (zh) * | 2017-12-20 | 2018-06-01 | 清华大学 | 一种基于特征点在线动态标定的单目视觉车辆定位方法 |
CN108241829A (zh) * | 2016-12-23 | 2018-07-03 | 乐视汽车(北京)有限公司 | 车辆行驶图像识别方法 |
WO2018157862A1 (zh) * | 2017-03-02 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 车型的识别方法和装置、存储介质、电子装置 |
US20180260651A1 (en) * | 2017-03-10 | 2018-09-13 | TuSimple | System and method for vehicle wheel detection |
-
2018
- 2018-10-12 CN CN201811191593.9A patent/CN111127541B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002052523A1 (fr) * | 2000-12-26 | 2002-07-04 | Fujitsu Limited | Procede et appareil de surveillance de vehicule |
US20080166019A1 (en) * | 2007-01-04 | 2008-07-10 | Lee Kual-Zheng | Systems and methods for object dimension estimation |
JP2010256253A (ja) * | 2009-04-27 | 2010-11-11 | Topcon Corp | 三次元計測用画像撮影装置及びその方法 |
US20110057816A1 (en) * | 2009-05-08 | 2011-03-10 | Citysync, Ltd | Security systems |
JP2012007972A (ja) * | 2010-06-24 | 2012-01-12 | 3D Media Co Ltd | 車両寸法計測装置 |
US20140147008A1 (en) * | 2011-08-03 | 2014-05-29 | Kabushiki Kaisha Toshiba | Vehicle detection apparatus and vehicle detection method |
CN103814271A (zh) * | 2011-09-21 | 2014-05-21 | 塞母布有限公司 | 一般用于测量车辆的车轮、转向***和底盘的特征角和尺寸的设备和方法 |
TW201433774A (zh) * | 2013-02-26 | 2014-09-01 | Mitsubishi Heavy Ind Ltd | 車輛規格測量處理裝置、車輛規格測量方法及記錄媒體 |
JP2015224928A (ja) * | 2014-05-27 | 2015-12-14 | 株式会社デンソー | 物標検出装置 |
JP2016057677A (ja) * | 2014-09-05 | 2016-04-21 | 本田技研工業株式会社 | 走行支援制御装置 |
CN104236478A (zh) * | 2014-09-19 | 2014-12-24 | 山东交通学院 | 一种基于视觉的车辆外廓尺寸自动测量***及方法 |
US20170024889A1 (en) * | 2015-07-23 | 2017-01-26 | International Business Machines Corporation | Self-calibration of a static camera from vehicle information |
JP2017041132A (ja) * | 2015-08-20 | 2017-02-23 | 株式会社Jvcケンウッド | 車両検出装置、車両検出システム、車両検出方法、及び車両検出プログラム |
US20180114078A1 (en) * | 2015-08-20 | 2018-04-26 | JVC Kenwood Corporation | Vehicle detection device, vehicle detection system, and vehicle detection method |
CN105427614A (zh) * | 2015-08-28 | 2016-03-23 | 北京动视元科技有限公司 | 一种车型分类***及其方法 |
CN106295662A (zh) * | 2016-08-17 | 2017-01-04 | 广州中国科学院软件应用技术研究所 | 一种车标识别方法和*** |
CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测***及方法 |
CN108241829A (zh) * | 2016-12-23 | 2018-07-03 | 乐视汽车(北京)有限公司 | 车辆行驶图像识别方法 |
CN106777350A (zh) * | 2017-01-16 | 2017-05-31 | 青岛海信网络科技股份有限公司 | 一种基于卡口数据的以图搜图方法和装置 |
WO2018157862A1 (zh) * | 2017-03-02 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 车型的识别方法和装置、存储介质、电子装置 |
US20180260651A1 (en) * | 2017-03-10 | 2018-09-13 | TuSimple | System and method for vehicle wheel detection |
CN107766789A (zh) * | 2017-08-21 | 2018-03-06 | 浙江零跑科技有限公司 | 一种基于车载单目相机的车辆检测定位方法 |
CN108106627A (zh) * | 2017-12-20 | 2018-06-01 | 清华大学 | 一种基于特征点在线动态标定的单目视觉车辆定位方法 |
Non-Patent Citations (2)
Title |
---|
皮燕妮, 史忠科, 黄金: "智能车中基于单目视觉的前车检测和跟踪", 计算机应用, no. 01 * |
苏建;翟乃斌;刘玉梅;陈友谊;: "汽车整车尺寸机器视觉测量***的研究", 公路交通科技, no. 04 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991433A (zh) * | 2021-04-26 | 2021-06-18 | 吉林大学 | 基于双目深度感知和车辆位置的货车外廓尺寸测量方法 |
CN114863083A (zh) * | 2022-04-06 | 2022-08-05 | 包头钢铁(集团)有限责任公司 | 一种车辆定位与尺寸测量的方法与*** |
CN115472005A (zh) * | 2022-08-09 | 2022-12-13 | 东软睿驰汽车技术(上海)有限公司 | 车辆碰撞预警方法、装置、设备及存储介质 |
CN115472005B (zh) * | 2022-08-09 | 2023-12-19 | 东软睿驰汽车技术(上海)有限公司 | 车辆碰撞预警方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111127541B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126182B (zh) | 车道线检测方法、装置、电子设备及存储介质 | |
CN110490179B (zh) | 车牌识别方法、装置及存储介质 | |
CN112270718B (zh) | 摄像头标定方法、装置、***及存储介质 | |
CN110839128B (zh) | 拍照行为检测方法、装置及存储介质 | |
CN109302632B (zh) | 获取直播视频画面的方法、装置、终端及存储介质 | |
CN111127509B (zh) | 目标跟踪方法、装置和计算机可读存储介质 | |
CN109886208B (zh) | 物体检测的方法、装置、计算机设备及存储介质 | |
CN111126276B (zh) | 车道线检测方法、装置、计算机设备及存储介质 | |
CN110647881A (zh) | 确定图像对应的卡片类型的方法、装置、设备及存储介质 | |
CN110705614A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN111127541B (zh) | 车辆尺寸的确定方法、装置及存储介质 | |
CN111754386A (zh) | 图像区域屏蔽方法、装置、设备及存储介质 | |
CN112749590B (zh) | 目标检测方法、装置、计算机设备和计算机可读存储介质 | |
CN111586279B (zh) | 确定拍摄状态的方法、装置、设备及存储介质 | |
CN112396076A (zh) | 车牌图像生成方法、装置及计算机存储介质 | |
CN111753606A (zh) | 一种智能模型的升级方法及装置 | |
CN111179628B (zh) | 自动驾驶车辆的定位方法、装置、电子设备及存储介质 | |
CN111860064B (zh) | 基于视频的目标检测方法、装置、设备及存储介质 | |
CN112052701B (zh) | 物品取放检测***、方法及装置 | |
CN111611414A (zh) | 车辆检索方法、装置及存储介质 | |
CN110717365B (zh) | 一种获取图片的方法及装置 | |
CN110443841B (zh) | 地面深度的测量方法、装置及*** | |
CN111444945A (zh) | 样本信息过滤方法、装置、计算机设备及存储介质 | |
CN112990424A (zh) | 神经网络模型训练的方法和装置 | |
CN112135256A (zh) | 移动轨迹的确定方法、装置、设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |