CN112990217A - 针对车辆的图像识别方法、装置、电子设备和介质 - Google Patents
针对车辆的图像识别方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN112990217A CN112990217A CN202110316823.5A CN202110316823A CN112990217A CN 112990217 A CN112990217 A CN 112990217A CN 202110316823 A CN202110316823 A CN 202110316823A CN 112990217 A CN112990217 A CN 112990217A
- Authority
- CN
- China
- Prior art keywords
- image
- determining
- data
- vehicle
- dividing
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开公开了一种针对车辆的图像识别方法、装置、设备、介质和产品,涉及人工智能领域,具体为计算机视觉和深度学习技术,可应用于智慧城市场景下。针对车辆的图像识别方法包括:获取针对目标车辆的参考图像;对参考图像进行图像识别,以确定用于划分参考图像的参考信息;基于参考信息,将参考图像划分为多个子图像;将多个子图像分别输入至多个图像识别模型中进行识别,得到与多个子图像一一对应的多个第一特征数据;基于多个第一特征数据,从至少一个历史图像中确定与目标车辆相匹配的目标图像。
Description
技术领域
本公开涉及人工智能领域,尤其涉及计算机视觉和深度学习技术,更具体地,涉及一种针对车辆的图像识别方法、针对车辆的图像识别装置、电子设备、介质和程序产品。
背景技术
相关技术通常通过车辆再识别技术来识别车辆的图像。车辆再识别技术是一种针对由一摄像头采集的图像,基于该图像从其他摄像头拍摄的多个图像中找到针对该车辆的其他图像的技术。但是,相关技术在利用车辆再识别技术识别车辆的图像时,识别准确性较低、识别效率较低。
发明内容
本公开提供了一种针对车辆的图像识别方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种针对车辆的图像识别方法,包括:获取针对目标车辆的参考图像;对所述参考图像进行图像识别,以确定用于划分所述参考图像的参考信息;基于所述参考信息,将所述参考图像划分为多个子图像;将所述多个子图像分别输入至多个图像识别模型中进行识别,得到与多个子图像一一对应的多个第一特征数据;基于所述多个第一特征数据,从至少一个历史图像中确定与所述目标车辆相匹配的目标图像。
根据本公开的另一方面,提供了一种针对车辆的图像识别装置,包括:获取模块、第一确定模块、划分模块、识别模块以及第二确定模块。其中,获取模块,用于获取针对目标车辆的参考图像;第一确定模块,用于对所述参考图像进行图像识别,以确定用于划分所述参考图像的参考信息;划分模块,用于基于所述参考信息,将所述参考图像划分为多个子图像;识别模块,用于将所述多个子图像分别输入至多个图像识别模型中进行识别,得到与多个子图像一一对应的多个第一特征数据;第二确定模块,用于基于所述多个第一特征数据,从至少一个历史图像中确定与所述目标车辆相匹配的目标图像。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器和与所述至少一个处理器通信连接的存储器。其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的针对车辆的图像识别方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述的针对车辆的图像识别方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述的针对车辆的图像识别方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开一实施例的针对车辆的图像识别方法和装置的应用场景;
图2示意性示出了根据本公开一实施例的针对车辆的图像识别方法的流程图;
图3示意性示出了根据本公开另一实施例的针对车辆的图像识别方法的流程图;
图4示意性示出了根据本公开一实施例的针对车辆的图像识别方法的示意图;
图5示意性示出了根据本公开一实施例的预测行驶方向的示意图;
图6示意性示出了根据本公开一实施例的分割线的示意图;
图7示意性示出了根据本公开一实施例的识别分割线的示意图;
图8示意性示出了根据本公开一实施例的针对车辆的图像识别装置的框图;以及
图9是用来实现本公开实施例的用于执行图像识别的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。
本公开的实施例提供了一种针对车辆的图像识别方法,包括:获取针对目标车辆的参考图像,对参考图像进行图像识别,以确定用于划分参考图像的参考信息。然后,基于参考信息,将参考图像划分为多个子图像,将多个子图像分别输入至多个图像识别模型中进行识别,得到与多个子图像一一对应的多个第一特征数据。接下来,基于多个第一特征数据,从至少一个历史图像中确定与目标车辆相匹配的目标图像。
图1示意性示出了根据本公开一实施例的针对车辆的图像识别方法和装置的应用场景。需要注意的是,图1所示仅为可以应用本公开实施例的应用场景的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。
如图1所示,根据该实施例的应用场景100可以包括目标车辆101、多个图像采集装置102、103。
图像采集装置102、103例如位于道路的不同位置。例如图像采集装置102位于第一路口,图像采集装置103位于第二路口。图像采集装置102、103可以是摄像头,用于采集交通数据,例如用于采集目标车辆101的图像。
例如,针对图像采集装置102采集的关于目标车辆101的图像,将该图像作为参考图像104。基于参考图像104进行车辆再识别,以得到其他图像采集装置(例如图像采集装置103)所采集的针对该目标车辆101的图像。
例如,图像采集装置103采集了多个历史图像105、106、107。基于图像识别技术,从多个历史图像105、106、107中确定与目标车辆101相匹配的历史图像作为目标图像,与目标车辆101相匹配的历史图像例如为针对目标车辆101进行图像采集得到的图像。例如,图像采集装置103采集目标车辆101的图像得到历史图像106,将该历史图像106作为目标图像。
根据本公开的实施例,基于车辆再识别技术,可以从其他图像采集装置所采集的多个历史图像中确定出针对目标车辆的目标图像,以便后续基于目标图像来确定目标车辆的行驶信息。
本公开实施例提供了一种针对车辆的图像识别方法,下面结合图1的应用场景,参考图2~图7来描述根据本公开示例性实施方式的针对车辆的图像识别方法。
图2示意性示出了根据本公开一实施例的针对车辆的图像识别方法的流程图。
如图2所示,本公开实施例的针对车辆的图像识别方法200例如可以包括操作S210~操作S250。
在操作S210,获取针对目标车辆的参考图像。
在操作S220,对参考图像进行图像识别,以确定用于划分参考图像的参考信息。
在操作S230,基于参考信息,将参考图像划分为多个子图像。
在操作S240,将多个子图像分别输入至多个图像识别模型中进行识别,得到与多个子图像一一对应的多个第一特征数据。
在操作S250,基于多个第一特征数据,从至少一个历史图像中确定与目标车辆相匹配的目标图像。
例如,参考图像和历史图像是由不同的图像采集装置获取的。参考图像是针对目标车辆的图像,基于参考图像可以从多个历史图像中确定与目标车辆相匹配的历史图像作为目标图像。即,所确定的目标图像是针对目标车辆的图像。
在获取参考图像之后,对参考图像进行图像识别得到用于划分参考图像的参考信息。基于参考信息可以将参考图像划分为多个子图像,多个子图像例如包括车头图像、车身图像、车尾图像等等。接下来,将多个子图像分别输入至图像识别模型中进行识别得到多个第一特征数据。例如,将车头图像输入至第一图像识别模型中进行识别,得到针对车头的第一特征数据。将车身图像输入至第二图像识别模型中进行识别,得到针对车身的第一特征数据。将车尾图像输入至第三图像识别模型中进行识别,得到针对车尾的第一特征数据。
其中,图像识别模型可以包括但不仅限于卷积神经网络。不同的卷积神经网络由不同的训练样本进行训练得到。例如,用于识别车头的卷积神经网络,是通过以多个车头图像作为训练样本进行训练得到的。用于识别车身的卷积神经网络,是通过以多个车身图像作为训练样本进行训练得到的。用于识别车尾的卷积神经网络,是通过以多个车尾图像作为训练样本进行训练得到的。
可以理解,除了将参考图像划分为针对车头的子图像、针对车身的子图像、针对车尾的子图像之外,还可以将参考图像划分为针对车体的子图像、针对车轮的子图像等等。本公开实施例对参考图像的划分不作具体限定,可以根据实际需求进行划分。
在得到针对参考图像的多个第一特征数据之后,将第一特征数据分别与每个历史图像的第二特征数据进行比较得到比较结果,并基于比较结果从多个历史图像中确定出针对目标车辆的目标图像。
根据本公开的实施例,通过对参考图像进行识别得到分割信息,并基于分割信息将参考图像划分为多个子图像,以通过多个图像识别模型来分别识别多个子图像。可以理解,通过多个图像识别模型来分别识别多个子图像得到的第一特征数据更加准确,在后续基于第一特征数据从多个历史图像中确定针对目标车辆的目标图像时,提高了识别的准确性。可见,通过本公开实施例的技术方案,提高了车辆再识别的效果。即,提高了从其他图像采集装置所获取的历史图像中识别目标图像的识别准确性。
图3示意性示出了根据本公开另一实施例的针对车辆的图像识别方法的流程图。
如图3所示,本公开实施例的针对车辆的图像识别方法300例如可以包括操作S310~操作S340以及操作S351~操作S359。
在操作S310,获取针对目标车辆的参考图像。
在操作S320,对参考图像进行图像识别,以确定用于划分参考图像的参考信息。
在操作S330,基于参考信息,将参考图像划分为多个子图像。
在操作S340,将多个子图像分别输入至多个图像识别模型中进行识别,得到与多个子图像一一对应的多个第一特征数据。
参考图像由第一图像采集装置采集,至少一个历史图像由第二图像采集装置采集。第一图像采集装置和第二图像采集装置例如位于道路的不同位置,第一图像采集装置和第二图像采集装置例如均可以是摄像头。
在操作S351,基于参考图像,确定目标车辆相对于第一图像采集装置的第一行驶方向。
例如,如果参考图像中目标车辆的车头朝向左方,表示目标车辆相对于第一图像采集装置向左行驶,即第一行驶方向可以是左侧方向。如果参考图像中目标车辆的车头朝向右方,表示目标车辆相对于第一图像采集装置向右行驶,即第一行驶方向可以是右侧方向。
在操作S352,获取数据集合。
在操作S353,基于第一行驶方向和数据集合,预测目标车辆相对于第二图像采集装置的第二行驶方向。
例如,数据集合包括第一图像采集装置的位姿数据、第二图像采集装置的位姿数据以及第一图像采集装置和第二图像采集装置所处道路的地理位置。
位姿数据可以包括位置和朝向。示例性地,当目标车辆行驶至第一图像采集装置的周围时,通过第一图像采集装置获取针对目标车辆的参考图像,由参考图像例如可以得知目标车辆相对于第一图像采集装置的第一行驶方向为向左侧方向。在一示例中,以道路的地理位置表示道路为直线道路为例,基于第一图像采集装置的位姿数据和第二图像采集装置的位姿数据得知第一图像采集装置和第二图像采集装置位于道路的同一侧,第一图像采集装置和第二图像采集装置之间具有一定距离,并且第一图像采集装置和第二图像采集装置的朝向一致。此时,可以预测目标车辆在沿着直线道路行驶至第二图像采集装置的周围时,目标车辆相对于第二图像采集装置的第二行驶方向与第一行驶方向一致,即第二行驶方向也为左侧方向。
在操作S354,获取多个历史图像。
在基于第一行驶方向和数据集合预测第二行驶方向之后,可以根据第二行驶方向从第二图像采集装置采集的多个历史图像中确定至少一个候选图像。
在操作S355,基于每个历史图像,确定历史图像所针对的车辆相对于第二图像采集装置的第三行驶方向。
在操作S356,响应于第三行驶方向与第二行驶方向相匹配,确定历史图像作为候选图像。
例如,针对每个历史图像,确定该历史图像中所针对的车辆相对于第二图像采集装置的第三行驶方向。例如,如果历史图像中车辆的车头朝向左方,表示车辆相对于第二图像采集装置向左行驶,即第三行驶方向为左侧方向。如果历史图像中车辆的车头朝向右方,表示车辆相对于第二图像采集装置向右行驶,即第三行驶方向为右侧方向。
当第二行驶方向为左侧方向时,确定第三行驶方向为左侧方向所对应的历史图像作为候选图像。由于候选图像中车辆的第三行驶方向和预测第二行驶方向一致,因此可以确定候选图像为针对目标车辆的图像的概率较大。通过从多个历史图像中确定候选图像,实现了从多历史图像中排除与目标车辆匹配度较低的图像。在后续基于图像识别技术从候选图像中确定针对目标车辆的图像时,降低了图像识别的计算量,提高了图像识别的效率。
在操作S357,处理每个候选图像,得到针对候选图像的多个第二特征数据。
获取针对候选图像的多个第二特征数据的过程与获取针对参考图像的多个第一特征数据的过程类似。例如,对候选图像进行图像识别,以确定用于划分候选图像的参考信息。然后,基于参考信息,将候选图像划分为多个子图像,多个子图像例如包括车头图像、车身图像、车尾图像等等。接下来,将多个子图像分别输入至多个图像识别模型中进行识别,得到与多个子图像一一对应的多个第二特征数据。
在操作S358,基于参考图像的多个第一特征数据和每个候选图像的多个第二特征数据,确定参考图像和每个候选图像之间的相似度。
例如,多个第一特征数据例如为N个,多个第二特征数据例如为N个,N为大于1的整数。第一特征数据和第二特征数据例如均为特征向量,计算第n个第一特征数据和第n个第二特征数据之间的向量距离,得到N个向量距离,n为大于等于1且小于等于N的整数。基于N个向量距离确定参考图像和候选图像之间的相似度,例如N个向量距离之和越小,参考图像和候选图像之间的相似度越大。
在操作S359,基于针对每个候选图像的相似度,从至少一个候选图像中确定相似度大于预设相似度的候选图像,作为目标图像。
根据本公开的实施例,基于目标车辆相对于第一图像采集装置的第一行驶方向,预测目标车辆相对于第二图像采集装置的第二行驶方向。然后基于第二行驶方向从第二图像采集装置所采集的多个历史图像中初步筛选出与参考图像匹配度较高的候选图像。接下来,利用图像识别技术对候选图像进行划分得到多个子图像,并利用多个图像识别模块分别处理多个子图像得到多个第二特征数据,以基于多个第二特征数据和多个第一特征数据来从候选图像中确定出针对目标车辆的目标图像。可见,基于目标车辆的行驶方向对历史图像进行筛选之后再进行图像识别,降低了图像识别的计算量,提高了图像识别的效率。
图4示意性示出了根据本公开一实施例的针对车辆的图像识别方法的示意图。
如图4所示,第一图像采集装置402获取针对目标车辆的参考图像404,第二图像采集装置403获取多个历史图像400A,多个历史图像400A例如包括历史图像405、406、407、408。
基于参考图像404确定目标车辆相对于第一图像采集装置402的第一行驶方向409,基于第一图像采集装置402的位姿数据、第二图像采集装置403的位姿数据以及道路的地理位置,预测目标车辆相对于第二图像采集装置403的第二行驶方向410。然后,确定多个历史图像400A中每个历史图像所针对的车辆相对于第二图像采集装置403的第三行驶方向411,将与第二行驶方向410一致的第三行驶方向411所对应的历史图像作为候选图像400B。例如,候选图像400B包括历史图像405、406。
针对参考图像404,将参考图像404划分为多个子图像404A、404B,将多个子图像404A、404B分别输入至多个图像识别模型中进行识别,得到与多个子图像404A、404B一一对应的多个第一特征数据412A、412B。图像识别模型例如为卷积神经网络CNN。
类似地,针对每个候选图像(以历史图像405为例),将候选图像(历史图像405)划分为多个子图像405A、405B,将多个子图像405A、405B分别输入至多个图像识别模型中进行识别,得到与多个子图像405A、405B一一对应的多个第二特征数据413A、413B。
接下来,将多个第一特征数据412A、412B一一对应地和多个第二特征数据413A、413B进行比较,以从候选图像400B中确定目标图像400C,目标图像400C例如包括历史图像405。
图5示意性示出了根据本公开一实施例的预测行驶方向的示意图。
如图5所示,以第一图像采集装置502和第二图像采集装置503的朝向均为正北方向为例。第一图像采集装置502采集针对目标车辆501的参考图像,基于参考图像确定目标车辆501相对于第一图像采集装置502的第一行驶方向为前方。基于第一图像采集装置502的位姿数据、第二图像采集装置503的位姿数据以及道路的地理位置,预测目标车辆501相对于第二图像采集装置503的第二行驶方向为右侧方向。
图6示意性示出了根据本公开一实施例的分割线的示意图。
如图6所示,目标车辆例如包括车头、车身和车尾,参考图像包括车辆所在的第一区域和除第一区域之外的第二区域。参考信息包括多个分割线的数据,多个分割线例如包括第一分割线601、第二分割线602、第三分割线603、第四分割线604中的至少两个。其中,第一分割线601为车头和第二区域之间的分割线,第二分割线602为车头和车身之间的分割线,第三分割线603为车身和车尾之间的分割线,第四分割线604为车尾和第二区域之间的分割线。
在一实施例中,参考图像600A例如包括第一分割线601、第二分割线602、第四分割线604。在另一实施例中,参考图像600B例如包括第一分割线601、第三分割线603、第四分割线604。
在本公开的实施例中,可以基于多个分割线之间的相对位置关系,确定目标车辆相对于第一图像采集装置的第一行驶方向。例如,如果第一分割线在第四分割线左方,可以确定第一行驶方向为左方。
或者,也可以直接对参考图像进行图像识别得到参考图像中车头和车尾的位置,以确定第一行驶方向。
在本公开的实施例中,可以对参考图像进行分割线识别,得到第一分割线601、第二分割线602、第三分割线603、第四分割线604的分割线数据。或者,可以对参考图像进行识别,确定第二分割线602的数据和第三分割线603的数据中的至少一个。对于第一分割线601和第四分割线604,可以对参考图像进行识别,得到目标车辆所在第一区域的轮廓线,然后基于轮廓线,确定第一分割线的数据和第四分割线的数据。例如,轮廓线可以是方形轮廓线,该轮廓线不需要和目标车辆的轮廓严格一致,方形轮廓线只需大致包围目标车辆即可。然后,将方形轮廓线的两侧(例如左侧和右侧)作为第一分割线601和第四分割线604。例如将方形轮廓线的左侧作为第一分割线601,例如将方形轮廓线的右侧作为第四分割线604。或者,例如将方形轮廓线的左侧作为第四分割线604,例如将方形轮廓线的右侧作为第一分割线601。
在本公开的实施例中,通过识别分割线,并基于分割线来划分参考图像得到子图像,提高了子图像完整性。即,每个子图像包括车辆完整的车体部分、车身部分或车尾部分,基于子图像进行图像识别提高了识别效果。
在本公开的实施例中,例如还可以基于分割线和第一区域的轮廓线之间的相对位置关系来确定第一行驶方向。例如,当第二分割线偏向第一区域的轮廓线的左侧时,表示第一行驶方向为左侧方向。
在本公开的实施例中,在将参考图像划分为多个子图像时,可以对参考图像进行裁剪处理,剩余包括目标车辆的第一区域,然后再将第一区域划分为多个子图像。
图7示意性示出了根据本公开一实施例的识别分割线的示意图。
如图7所示,利用经训练的分割线识别模型,对参考图像700进行识别。例如,将参考图像700划分为多个竖直条形区域,分割线识别模型预测每个竖直条形区域的置信度,竖直条形区域的置信度表征了基于该竖直条形区域确定分割线的概率。例如,确定置信度大的区域701、702、703。针对区域701、702、703中的每个区域,例如将每个区域的竖直中心线作为分割线。
图8示意性示出了根据本公开一实施例的针对车辆的图像识别装置的框图。
如图8所示,本公开实施例的针对车辆的图像识别装置800例如包括获取模块810、第一确定模块820、划分模块830、识别模块840以及第二确定模块850。
获取模块810可以用于获取针对目标车辆的参考图像。根据本公开实施例,获取模块810例如可以执行上文参考图2描述的操作S210,在此不再赘述。
第一确定模块820可以用于对参考图像进行图像识别,以确定用于划分参考图像的参考信息。根据本公开实施例,第一确定模块820例如可以执行上文参考图2描述的操作S220,在此不再赘述。
划分模块830可以用于基于参考信息,将参考图像划分为多个子图像。根据本公开实施例,划分模块830例如可以执行上文参考图2描述的操作S230,在此不再赘述。
识别模块840可以用于将多个子图像分别输入至多个图像识别模型中进行识别,得到与多个子图像一一对应的多个第一特征数据。根据本公开实施例,识别模块840例如可以执行上文参考图2描述的操作S240,在此不再赘述。
第二确定模块850可以用于基于多个第一特征数据,从至少一个历史图像中确定与目标车辆相匹配的目标图像。根据本公开实施例,第二确定模块850例如可以执行上文参考图2描述的操作S250,在此不再赘述。
根据本公开的实施例,第二确定模块850包括:第一确定子模块、第二确定子模块以及第三确定子模块。其中,第一确定子模块,用于从至少一个历史图像中确定至少一个候选图像,其中,每个候选图像包括多个第二特征数据,多个第二特征数据与多个第一特征数据一一对应。第二确定子模块,用于基于参考图像的多个第一特征数据和每个候选图像的多个第二特征数据,确定参考图像和每个候选图像之间的相似度。第三确定子模块,用于基于针对每个候选图像的相似度,从至少一个候选图像中确定相似度大于预设相似度的候选图像,作为目标图像。
根据本公开的实施例,参考图像由第一图像采集装置采集,至少一个历史图像由第二图像采集装置采集;第一确定子模块包括:第一确定单元、获取单元、预测单元以及第二确定单元。其中,第一确定单元,用于基于参考图像,确定目标车辆相对于第一图像采集装置的第一行驶方向。获取单元,用于获取数据集合,其中,数据集合包括第一图像采集装置的位姿数据、第二图像采集装置的位姿数据以及第一图像采集装置和第二图像采集装置所处道路的地理位置。预测单元,用于基于第一行驶方向和数据集合,预测目标车辆相对于第二图像采集装置的第二行驶方向。第二确定单元,用于基于第二行驶方向,从至少一个历史图像中确定至少一个候选图像。
根据本公开的实施例,第二确定单元包括:第一确定子单元以及第二确定子单元。其中,第一确定子单元,用于基于每个历史图像,确定历史图像所针对的车辆相对于第二图像采集装置的第三行驶方向。第二确定子单元,用于响应于第三行驶方向与第二行驶方向相匹配,确定历史图像作为候选图像。
根据本公开的实施例,目标车辆包括车头、车身和车尾,参考图像包括车辆所在的第一区域和除第一区域之外的第二区域;参考信息包括多个分割线的数据,多个分割线包括以下至少两个:车头和第二区域之间的第一分割线;车头和车身之间的第二分割线;车身和车尾之间的第三分割线;车尾和第二区域之间的第四分割线。
根据本公开的实施例,第一确定单元820还用于:基于多个分割线之间的相对位置关系,确定目标车辆相对于第一图像采集装置的第一行驶方向。
根据本公开的实施例,识别模块840包括:第四确定子模块、识别子模块以及第四确定子模块。其中,第四确定子模块,用于对参考图像进行识别,确定第二分割线的数据和第三分割线的数据中的至少一个。识别子模块,用于对参考图像进行识别,确定第一区域的轮廓线。第四确定子模块,用于基于轮廓线,确定第一分割线的数据和第四分割线的数据中的至少一个。
本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9是用来实现本公开实施例的用于执行图像识别的电子设备的框图。
图9示出了可以用来实施本公开实施例的示例电子设备900的示意性框图。电子设备900旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如针对车辆的图像识别方法。例如,在一些实施例中,针对车辆的图像识别方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的针对车辆的图像识别方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行针对车辆的图像识别方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种针对车辆的图像识别方法,包括:
获取针对目标车辆的参考图像;
对所述参考图像进行图像识别,以确定用于划分所述参考图像的参考信息;
基于所述参考信息,将所述参考图像划分为多个子图像;
将所述多个子图像分别输入至多个图像识别模型中进行识别,得到与多个子图像一一对应的多个第一特征数据;以及
基于所述多个第一特征数据,从至少一个历史图像中确定与所述目标车辆相匹配的目标图像。
2.根据权利要求1所述的方法,其中,所述基于所述多个第一特征数据,从至少一个历史图像中确定与所述目标车辆相匹配的目标图像包括:
从至少一个历史图像中确定至少一个候选图像,其中,每个候选图像包括多个第二特征数据,所述多个第二特征数据与所述多个第一特征数据一一对应;
基于所述参考图像的多个第一特征数据和每个候选图像的多个第二特征数据,确定所述参考图像和每个候选图像之间的相似度;以及
基于针对每个候选图像的相似度,从所述至少一个候选图像中确定相似度大于预设相似度的候选图像,作为所述目标图像。
3.根据权利要求2所述的方法,其中,所述参考图像由第一图像采集装置采集,所述至少一个历史图像由第二图像采集装置采集;所述从至少一个历史图像中确定至少一个候选图像包括:
基于所述参考图像,确定所述目标车辆相对于所述第一图像采集装置的第一行驶方向;
获取数据集合,其中,所述数据集合包括所述第一图像采集装置的位姿数据、所述第二图像采集装置的位姿数据以及所述第一图像采集装置和所述第二图像采集装置所处道路的地理位置;
基于所述第一行驶方向和所述数据集合,预测所述目标车辆相对于所述第二图像采集装置的第二行驶方向;以及
基于所述第二行驶方向,从至少一个历史图像中确定至少一个候选图像。
4.根据权利要求3所述的方法,其中,所述基于所述第二行驶方向,从至少一个历史图像中确定至少一个候选图像包括:
基于每个历史图像,确定所述历史图像所针对的车辆相对于所述第二图像采集装置的第三行驶方向;以及
响应于所述第三行驶方向与所述第二行驶方向相匹配,确定所述历史图像作为所述候选图像。
5.根据权利要求3所述的方法,其中,所述目标车辆包括车头、车身和车尾,所述参考图像包括车辆所在的第一区域和除第一区域之外的第二区域;所述参考信息包括多个分割线的数据,所述多个分割线包括以下至少两个:
所述车头和所述第二区域之间的第一分割线;
所述车头和所述车身之间的第二分割线;
所述车身和所述车尾之间的第三分割线;以及
所述车尾和所述第二区域之间的第四分割线。
6.根据权利要求5所述的方法,其中,所述基于所述参考图像,确定所述目标车辆相对于所述第一图像采集装置的第一行驶方向包括:
基于所述多个分割线之间的相对位置关系,确定所述目标车辆相对于所述第一图像采集装置的第一行驶方向。
7.根据权利要求5或6所述的方法,其中,所述对所述参考图像进行图像识别,以确定用于划分所述参考图像的参考信息包括:
对所述参考图像进行识别,确定所述第二分割线的数据和所述第三分割线的数据中的至少一个;
对所述参考图像进行识别,确定所述第一区域的轮廓线;以及
基于所述轮廓线,确定所述第一分割线的数据和所述第四分割线的数据中的至少一个。
8.一种针对车辆的图像识别装置,包括:
获取模块,用于获取针对目标车辆的参考图像;
第一确定模块,用于对所述参考图像进行图像识别,以确定用于划分所述参考图像的参考信息;
划分模块,用于基于所述参考信息,将所述参考图像划分为多个子图像;
识别模块,用于将所述多个子图像分别输入至多个图像识别模型中进行识别,得到与多个子图像一一对应的多个第一特征数据;以及
第二确定模块,用于基于所述多个第一特征数据,从至少一个历史图像中确定与所述目标车辆相匹配的目标图像。
9.根据权利要求8所述的装置,其中,所述第二确定模块包括:
第一确定子模块,用于从至少一个历史图像中确定至少一个候选图像,其中,每个候选图像包括多个第二特征数据,所述多个第二特征数据与所述多个第一特征数据一一对应;
第二确定子模块,用于基于所述参考图像的多个第一特征数据和每个候选图像的多个第二特征数据,确定所述参考图像和每个候选图像之间的相似度;以及
第三确定子模块,用于基于针对每个候选图像的相似度,从所述至少一个候选图像中确定相似度大于预设相似度的候选图像,作为所述目标图像。
10.根据权利要求9所述的装置,其中,所述参考图像由第一图像采集装置采集,所述至少一个历史图像由第二图像采集装置采集;所述第一确定子模块包括:
第一确定单元,用于基于所述参考图像,确定所述目标车辆相对于所述第一图像采集装置的第一行驶方向;
获取单元,用于获取数据集合,其中,所述数据集合包括所述第一图像采集装置的位姿数据、所述第二图像采集装置的位姿数据以及所述第一图像采集装置和所述第二图像采集装置所处道路的地理位置;
预测单元,用于基于所述第一行驶方向和所述数据集合,预测所述目标车辆相对于所述第二图像采集装置的第二行驶方向;以及
第二确定单元,用于基于所述第二行驶方向,从至少一个历史图像中确定至少一个候选图像。
11.根据权利要求10所述的装置,其中,所述第二确定单元包括:
第一确定子单元,用于基于每个历史图像,确定所述历史图像所针对的车辆相对于所述第二图像采集装置的第三行驶方向;以及
第二确定子单元,用于响应于所述第三行驶方向与所述第二行驶方向相匹配,确定所述历史图像作为所述候选图像。
12.根据权利要求10所述的装置,其中,所述目标车辆包括车头、车身和车尾,所述参考图像包括车辆所在的第一区域和除第一区域之外的第二区域;所述参考信息包括多个分割线的数据,所述多个分割线包括以下至少两个:
所述车头和所述第二区域之间的第一分割线;
所述车头和所述车身之间的第二分割线;
所述车身和所述车尾之间的第三分割线;以及
所述车尾和所述第二区域之间的第四分割线。
13.根据权利要求12所述的装置,其中,所述第一确定单元还用于:
基于所述多个分割线之间的相对位置关系,确定所述目标车辆相对于所述第一图像采集装置的第一行驶方向。
14.根据权利要求12或13所述的装置,其中,所述识别模块包括:
第四确定子模块,用于对所述参考图像进行识别,确定所述第二分割线的数据和所述第三分割线的数据中的至少一个;
识别子模块,用于对所述参考图像进行识别,确定所述第一区域的轮廓线;以及
第四确定子模块,用于基于所述轮廓线,确定所述第一分割线的数据和所述第四分割线的数据中的至少一个。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110316823.5A CN112990217A (zh) | 2021-03-24 | 2021-03-24 | 针对车辆的图像识别方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110316823.5A CN112990217A (zh) | 2021-03-24 | 2021-03-24 | 针对车辆的图像识别方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990217A true CN112990217A (zh) | 2021-06-18 |
Family
ID=76333469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110316823.5A Pending CN112990217A (zh) | 2021-03-24 | 2021-03-24 | 针对车辆的图像识别方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990217A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569911A (zh) * | 2021-06-28 | 2021-10-29 | 北京百度网讯科技有限公司 | 车辆识别方法、装置、电子设备及存储介质 |
CN113569912A (zh) * | 2021-06-28 | 2021-10-29 | 北京百度网讯科技有限公司 | 车辆识别方法、装置、电子设备及存储介质 |
CN113627526A (zh) * | 2021-08-10 | 2021-11-09 | 北京百度网讯科技有限公司 | 车辆标识的识别方法、装置、电子设备和介质 |
CN113822146A (zh) * | 2021-08-02 | 2021-12-21 | 浙江大华技术股份有限公司 | 目标检测方法、终端设备及计算机存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063768A (zh) * | 2018-08-01 | 2018-12-21 | 北京旷视科技有限公司 | 车辆重识别方法、装置及*** |
CN109242903A (zh) * | 2018-09-07 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 三维数据的生成方法、装置、设备及存储介质 |
CN110084230A (zh) * | 2019-04-11 | 2019-08-02 | 北京百度网讯科技有限公司 | 基于图像的车身方向检测方法和装置 |
CN111275983A (zh) * | 2020-02-14 | 2020-06-12 | 北京百度网讯科技有限公司 | 车辆追踪方法、装置、电子设备和计算机可读存储介质 |
CN111723768A (zh) * | 2020-06-30 | 2020-09-29 | 北京百度网讯科技有限公司 | 车辆重识别的方法、装置、设备和存储介质 |
CN111931627A (zh) * | 2020-08-05 | 2020-11-13 | 智慧互通科技有限公司 | 一种基于多模态信息融合的车辆再识别方法及装置 |
CN112132113A (zh) * | 2020-10-20 | 2020-12-25 | 北京百度网讯科技有限公司 | 车辆再识别的方法、装置、训练方法以及电子设备 |
CN112528786A (zh) * | 2020-11-30 | 2021-03-19 | 北京百度网讯科技有限公司 | 车辆跟踪方法、装置及电子设备 |
CN112528924A (zh) * | 2020-12-21 | 2021-03-19 | 上海眼控科技股份有限公司 | 一种车辆掉头检测方法、装置、设备及存储介质 |
-
2021
- 2021-03-24 CN CN202110316823.5A patent/CN112990217A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063768A (zh) * | 2018-08-01 | 2018-12-21 | 北京旷视科技有限公司 | 车辆重识别方法、装置及*** |
CN109242903A (zh) * | 2018-09-07 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 三维数据的生成方法、装置、设备及存储介质 |
CN110084230A (zh) * | 2019-04-11 | 2019-08-02 | 北京百度网讯科技有限公司 | 基于图像的车身方向检测方法和装置 |
CN111275983A (zh) * | 2020-02-14 | 2020-06-12 | 北京百度网讯科技有限公司 | 车辆追踪方法、装置、电子设备和计算机可读存储介质 |
CN111723768A (zh) * | 2020-06-30 | 2020-09-29 | 北京百度网讯科技有限公司 | 车辆重识别的方法、装置、设备和存储介质 |
CN111931627A (zh) * | 2020-08-05 | 2020-11-13 | 智慧互通科技有限公司 | 一种基于多模态信息融合的车辆再识别方法及装置 |
CN112132113A (zh) * | 2020-10-20 | 2020-12-25 | 北京百度网讯科技有限公司 | 车辆再识别的方法、装置、训练方法以及电子设备 |
CN112528786A (zh) * | 2020-11-30 | 2021-03-19 | 北京百度网讯科技有限公司 | 车辆跟踪方法、装置及电子设备 |
CN112528924A (zh) * | 2020-12-21 | 2021-03-19 | 上海眼控科技股份有限公司 | 一种车辆掉头检测方法、装置、设备及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569911A (zh) * | 2021-06-28 | 2021-10-29 | 北京百度网讯科技有限公司 | 车辆识别方法、装置、电子设备及存储介质 |
CN113569912A (zh) * | 2021-06-28 | 2021-10-29 | 北京百度网讯科技有限公司 | 车辆识别方法、装置、电子设备及存储介质 |
CN113822146A (zh) * | 2021-08-02 | 2021-12-21 | 浙江大华技术股份有限公司 | 目标检测方法、终端设备及计算机存储介质 |
CN113627526A (zh) * | 2021-08-10 | 2021-11-09 | 北京百度网讯科技有限公司 | 车辆标识的识别方法、装置、电子设备和介质 |
CN113627526B (zh) * | 2021-08-10 | 2023-07-25 | 北京百度网讯科技有限公司 | 车辆标识的识别方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990217A (zh) | 针对车辆的图像识别方法、装置、电子设备和介质 | |
US11810319B2 (en) | Image detection method, device, storage medium and computer program product | |
CN113221677B (zh) | 一种轨迹异常检测方法、装置、路侧设备和云控平台 | |
JP2018508078A (ja) | オブジェクト追跡のためのシステムおよび方法 | |
CN112560684B (zh) | 车道线检测方法、装置、电子设备、存储介质以及车辆 | |
CN113392794B (zh) | 车辆跨线识别方法、装置、电子设备和存储介质 | |
CN113112525B (zh) | 目标跟踪方法、网络模型及其训练方法、设备和介质 | |
US11380035B2 (en) | Method and apparatus for generating map | |
CN113705716B (zh) | 图像识别模型训练方法、设备、云控平台及自动驾驶车辆 | |
CN113361710A (zh) | 学生模型训练方法、图片处理方法、装置及电子设备 | |
CN115147809B (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
CN114022865A (zh) | 基于车道线识别模型的图像处理方法、装置、设备和介质 | |
CN113379719A (zh) | 道路缺陷检测方法、装置、电子设备和存储介质 | |
US20230162474A1 (en) | Method of processing image, method of training model, and electronic device | |
CN114179805B (zh) | 一种行驶方向确定方法、装置、设备以及存储介质 | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN112489450B (zh) | 交通路口处的车辆流量控制方法、路侧设备及云控平台 | |
CN114659537A (zh) | 导航起点道路确定方法、装置、设备及存储介质 | |
CN115062240A (zh) | 一种停车场排序方法、装置、电子设备和存储介质 | |
CN114187574A (zh) | 变化点识别方法、变化点检测网络的训练方法及装置 | |
CN114495049A (zh) | 识别车道线的方法和装置 | |
CN113537309A (zh) | 一种对象识别方法、装置及电子设备 | |
CN114998684B (zh) | 地理与视觉跨模态预训练模型的训练方法、定位调整方法 | |
CN116394977A (zh) | 确定规划轨迹的方法、模型训练方法和自动驾驶车辆 | |
CN113705513B (zh) | 模型训练和车道线预测方法、电子设备和自动驾驶车辆 |
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 |