CN113129598A - 基于红外相机的自由流车型识别方法、***及设备 - Google Patents
基于红外相机的自由流车型识别方法、***及设备 Download PDFInfo
- Publication number
- CN113129598A CN113129598A CN201911417353.0A CN201911417353A CN113129598A CN 113129598 A CN113129598 A CN 113129598A CN 201911417353 A CN201911417353 A CN 201911417353A CN 113129598 A CN113129598 A CN 113129598A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- infrared
- determining
- circular
- snapshot
- 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
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/30—Transforming light or analogous information into electric information
- H04N5/33—Transforming infrared radiation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供一种基于红外相机的自由流车型识别方法、***及设备。该方法包括:获取通过红外相机采集的红外图像,红外图像包括至少一个第一车辆;识别红外图像中的至少一个第一车辆,并确定至少一个第一车辆的第一属性信息;提取至少一个第一车辆的侧面的温度分布信息;根据至少一个第一车辆的侧面的温度分布信息,确定第一车辆的轴的数量;根据至少一个第一车辆的轴的数量和第一属性信息,确定对应的第一车辆的车型。本申请实施例能够提高车型识别精度。
Description
技术领域
本申请实施例涉及交通技术领域,尤其涉及基于红外相机的自由流车型识别方法、***及设备。
背景技术
目前,高速公路收费由之前的计重收费改为按车型收费,按车型收费的前提条件是识别车辆的车型信息,也就是识别车辆的轴数。因此在高速公路上安装收费车型识别***具有重要意义。
目前,都是在单车道低速环境下识别车辆的收费车型,在高速多车道自由流环境下检测收费车型,特别是识别车辆轴数,采用当前的技术方式,如激光识别技术、视频识别技术、称重识别技术难免会存在识别困难或识别精度不高等问题。因此,有人提出在路面两侧安装扫描式激光传感器识别道路上的车辆轮廓信息从而获取收费车型信息,但在高速路上识别轴容易丢帧或失帧,且在雨雾天环境下激光识别效果并不好。因此,又有人提出通过红外光栅投影仪获取车辆结构光图像数据,并使用支持向量机方法识别车型,该种技术手段对一些临界车型的识别精度较低。
综上,现有技术对于车型识别精度不高。
发明内容
本申请实施例提供基于红外相机的自由流车型识别方法、***及设备,以提高车型识别精度。
第一方面,本申请实施例提供一种基于红外相机的自由流车型识别方法,其特征在于,包括:获取通过红外相机采集的红外图像,所述红外图像包括至少一个第一车辆;识别所述红外图像中的至少一个第一车辆,并确定至少一个所述第一车辆的第一属性信息;提取至少一个所述第一车辆的侧面的温度分布信息;根据至少一个所述第一车辆的侧面的温度分布信息,确定所述第一车辆的轴的数量;根据至少一个所述第一车辆的轴的数量和所述第一属性信息,确定对应的第一车辆的车型。
可选的,所述第一属性信息包括第一尺寸信息和/或第一类别表征信息;所述根据至少一个所述第一车辆的轴的数量和第一属性信息,确定对应的第一车辆的车型,包括:根据至少一个所述第一车辆的第一尺寸信息与不同类型车辆的预设尺寸范围的比较结果,确定所述第一车辆的类型;和/或,根据所述第一车辆的类别表征信息与不同类型车辆的预设类别表征信息的匹配结果,确定所述第一车辆的类型;根据所述第一车辆的类型和所述第一车辆的轴的数量,确定所述第一车辆的车型。
可选的,所述根据至少一个所述第一车辆的侧面的温度分布信息,确定所述第一车辆的轴的数量,包括:确定至少一个所述第一车辆的侧面的温度分布信息中大于温度阈值的像素点,得到多个轮廓形状;识别所述轮廓形状中为圆形和/或类似圆形的轮廓形状;确定所述圆形和/或类似圆形的轮廓形状的半径、所述圆形和/或类似圆形的轮廓形状与路面之间的距离、相邻的两个圆形和/或类似圆形的轮廓形状之间的间距中的至少一项;根据所述圆形和/或类似圆形的轮廓形状的半径、所述圆形和/或类似圆形的轮廓形状与路面之间的距离、相邻的两个圆形和/或类似圆形的轮廓形状之间的间距中的至少一项确定所述第一车辆的轴;统计确定所述第一车辆的轴的数量。
可选的,所述方法还包括:获取通过激光设备采集的道路周围的环境点云数据,所述点云数据包括至少一个第二车辆;识别所述点云数据中至少一个第二车辆,并确定至少一个所述第二车辆的第二属性信息;在所述红外图像的采集时间和所述点云数据的采集时间小于预设时间间隔的情况下,根据所述第一属性信息和所述第二属性信息,在同一车道中的所述第一车辆和所述第二车辆中匹配同一车辆;在同一车道中未匹配到同一车辆的情况下,在相邻车道中的所述第一车辆和所述第二车辆中匹配同一车辆;在同一车道或相邻车道中匹配到同一车辆的情况下,根据相匹配的第一车辆的轴的数量和第二车辆的第二属性信息,确定对应的第一车辆的车型。
可选的,所述方法还包括:获取通过抓拍设备采集的抓拍图像,所述抓拍图像包括至少一个第三车辆,以及至少一个第三车辆的车牌的属性信息;识别所述抓拍图像中至少一个第三车辆以及所述第三车辆的车牌的属性信息;在所述红外图像的采集时间和所述抓拍图像的采集时间小于预设时间间隔的情况下,在同一车道中的所述第一车辆和所述第三车辆中匹配同一车辆;在同一车道中未匹配到同一车辆的情况下,在相邻车道中的所述第一车辆和所述第三车辆中匹配同一车辆;在同一车道或相邻车道中匹配到同一车辆的情况下,根据所述第三车辆的车牌的属性信息对所述第一车辆的车型进行修正。
第二方面,本申请实施例提供一种基于红外相机的自由流车型识别***,包括:红外相机,用于采集所述第一车辆的红外图像;所述红外相机在路面上的正投影点和所述第一车辆之间的连线,与所述第一车辆的行驶方向在路面上的投影线之间为预设夹角,且所述预设夹角范围为20~70度;所述红外相机在路面上设置红外检测区域,所述红外检测区域靠近所述红外相机侧的边到所述红外相机之间的距离为预设距离,且预设距离范围为10~40米;处理单元,与所述红外相机相连用于根据第一方面所述的方法和所述红外图像,识别所述第一车辆的车型。
可选的,所述***还包括:激光设备,所述激光设备与所述处理单元相连用于采集所述第一车辆的点云数据,所述激光设备具有至少2个不同扫描角度的扫描截面,且至少1个所述扫描截面与所述路面的交线垂直于所述第一车辆的行驶方向,至少1个所述扫描截面与所述路面的交线位于所述红外检测区域内;所述处理单元,还用于根据权利要求1-6任一项所述的方法,以及所述红外图像和所述点云数据,识别所述第一车辆的车型;
可选的,所述***还包括:抓拍设备,所述抓拍设备与所述处理单元相连用于采集包含第三车辆以及所述第三车辆的车牌的属性信息的抓拍图像;所述处理单元,还用于根据第一方面所述的方法,以及所述红外图像和所述抓拍图像,识别所述第一车辆的车型;所述路面上还设置有抓拍区域,所述抓拍区域与所述红外检测区域重叠,且所述抓拍区域的面积大于所述红外检测区域的面积。
可选的,所述***还包括:抓拍设备,所述抓拍设备与所述处理单元相连用于采集包含第三车辆以及所述第三车辆的车牌的属性信息的抓拍图像;所述处理单元,还用于根据第一方面所述的方法,以及所述红外图像和所述抓拍图像,识别所述第一车辆的车型;所述路面上还设置有抓拍区域,所述抓拍区域与所述红外检测区域重叠,且所述抓拍区域的面积大于所述红外检测区域的面积;且至少一个所述扫描截面与所述路面的交线位于所述红外检测区域和抓拍区域的重叠区域内。
第三方面,本申请实施例提供一种基于红外相机的多车道自由流车型识别设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;红外相机,用于采集包含第二车辆的红外图像;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现第一方面所述的方法。
可选的,所述设备还包括激光设备和/或抓拍设备。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法。
本申请实施例提供的基于红外相机的自由流车型识别方法、***及设备,通过识别红外图像中的至少一个第一车辆,和确定至少一个第一车辆的第一属性信息;以及提取至少一个第一车辆的侧面的温度分布信息,并根据至少一个第一车辆的侧面的温度分布信息,确定第一车辆的轴的数量;之后根据至少一个第一车辆的轴的数量和第一属性信息,确定对应的第一车辆的车型。从而能够精准检测轴型,解决高速公路上轴型检测这一难题,为高速公路上收费车型的识别提供便捷性。
附图说明
图1为本申请实施例提供的基于红外相机的自由流车型识别***的结构示意图;
图2为本申请另一实施例提供的基于红外相机的自由流车型识别***的结构示意图;
图3为本申请实施例提供的基于红外相机的自由流车型识别方法流程图;
图4为本申请另一实施例提供的基于红外相机的自由流车型识别方法流程图;
图5为本申请另一实施例提供的基于红外相机的自由流车型识别方法流程图;
图6为本申请实施例提供的基于红外相机的自由流车型识别装置的结构示意图;
图7为本申请实施例提供的基于红外相机的自由流车型识别设备的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本申请实施例提供的基于红外相机的自由流车型识别方法,可以适用于图1所示的基于红外相机的自由流车型识别***。如图1所示,该识别***包括:至少一个红外相机11、处理单元12和安装架13,至少一个红外相机11安装在安装架13上,至少一个红外相机11与处理单元12相连。可选的,处理单元12包括微处理器、图像及点云处理器、外部存储器以及外部接口,其中,外部接口可以是232串口、484串口、网口、USB接口中的任意一种或多种的组合。
红外相机11可以设置为多个。以2个红外相机11为例,2个红外相机11可以分别设置在与车辆行驶方向平行的两侧。也可以理解为,以道路上与车辆行驶方向(图中箭头所指)平行的中心线为对称轴,将2个红外相机11分别对称设置。
可选的,车辆在行驶中,会不断向周围空间发出红外辐射能量,路面上设置有红外相机11的红外检测区域,当车辆位于红外检测区域内时,红外相机11能够采集车辆向外辐射的红外能量,形成红外图像,也就是车辆的热成像图。
可选的,红外检测区域可以为方形,红外检测区域在车辆的行驶方向上的长度为30米,红外检测区域与红外相机之间最近的距离为10米,最远的距离为40米。例如,如图1所示,红外检测区域为方形ABCD,AB边是与红外相机距离最远的边,AB边与红外相机之间的距离为40米,CD边是与红外相机距离最近边,CD边与红外相机之间的距离为10米。红外相机与红外检测区域之间的最近距离和最远距离,分别是指红外检测区域与红外相机的安装架在路面上的正投影之间的距离。
另外,红外相机在路面上的正投影点和第一车辆之间的连线,与第一车辆的行驶方向在路面上的投影线之间为预设夹角。如图1所示,红外相机所在的位置为A点,红外相机在路面上的投影点为B点,车辆上某一点,例如车头的某一点为C点,CD为车辆的行驶方向,则BC和CD之间的夹角为预设夹角。可选的,预设夹角可以是20~70度。
本申请实施例提供的基于红外相机的自由流车型识别方法,还可以适用于图2所示的基于红外相机的自由流车型识别***。如图2所示,在图1所示的基于红外相机的自由流车型识别***的基础上,本实施例的基于红外相机的自由流车型识别***还可以包括:至少一个激光设备14和/或至少一个抓拍设备15。其中,至少一个激光设备14和至少一个抓拍设备15可以是2个激光设备14和2个抓拍设备15。
以2个红外相机11、2个激光设备13和2个抓拍设备14为例,2个红外相机11、2个激光设备13和2个抓拍设备14分别设置在与车辆行驶方向平行的两侧。
可选的,激光设备14可以选取激光雷达。其中,激光设备具有至少2个扫描截面,其中一个扫描截面垂直于路面,另一个扫描截面与路面之间具有预设夹角,垂直于路面的扫描截面可以理解为是对车辆进行垂直扫描,与路面之间具有预设夹角的扫描截面可以理解为是对车辆进行倾斜扫描。其中,垂直扫描的扫描截面与路面的交线为JK,交线JK与安装架在地面上的投影线之间的最近距离为0-1米。倾斜扫描的扫描截面与路面的交线为MN,MN位于红外检测区域内,并且设置在红外检测区域内远离安装架的一侧。
其中,激光设备14可以是激光雷达,例如多台具有单个扫描截面的单线激光雷达,或者至少一个具有多个扫描截面的多线激光雷达。
可选的,抓拍设备15可以选取照相机。另外,路面上还设置有照相机的抓拍区域EFGH,当车辆位于抓拍区域内时,照相机会对车辆的车头进行拍照。抓拍区域EFGH和红外检测区域ABCD重叠,且抓拍区域EFGH的面积大于红外检测区域ABCD的面积,抓拍区域EFGH与红外检测区域ABCD的重叠部分的面积大于抓拍区域EFGH或红外检测区域ABCD的1/2,至少一个扫描截面与路面的交线位于红外检测区域和抓拍区域的重叠区域内。
可选的,上述实施例中还可以包括多个补光灯16,以2个补光灯16为例,2个补光灯16设置在安装架13上,且设置在红外相机11和抓拍设备15之间,用于对红外相机11和抓拍设备15进行补光。
本申请实施例提供的基于红外相机的自由流车型识别方法,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图3为本申请实施例提供的基于红外相机的自由流车型识别方法流程图。本申请实施例针对现有技术的如上技术问题,提供了基于红外相机的自由流车型识别方法,该方法具体步骤如下:
步骤301、获取通过红外相机采集的红外图像。
其中,红外图像包括至少一个第一车辆。红外图像能够反应车辆的红外辐射的空间分布情况,也可以理解为红外图像是车辆的温度分布图,用于反应车辆的温度分布情况。
本实施例的执行主体可以是图1或图2所示的处理单元12,由处理单元12从红外相机11获取红外图像。
步骤302、识别红外图像中的至少一个第一车辆,并确定至少一个第一车辆的第一属性信息。
可选的,可以采用基于特征的方法,例如基于局部不变特征的方法来识别红外图像中的第一车辆。其中,在识别出第一车辆之后,可以根据识别结果的像素点坐标,确定第一车辆的第一属性信息。
可选的,还可以采用预设模型对红外图像中的目标类别进行识别。具体的,是将红外图像输入预设模型,以通过预设模型识别第一车辆,其中,预设模型是基于包含车辆的红外图像样本训练得到。预设模型可以选取神经网络。
可选的,红外图像中的第一车辆包括第一属性信息,第一属性信息包括第一尺寸信息和/或第一类别表征信息;类别表征信息是指用于表征车辆的类别的标志性信息。
其中,第一尺寸信息包括:第一车辆的长度信息、宽度信息和高度信息。
第一类别表征信息包括货箱标识信息、车斗标识信息、拖挂标识信息和凹陷标识信息中的至少一项。其中,货箱标识信息、车斗标识信息、拖挂标识信息和凹陷标识信息可以是通过步骤302的识别过程中对识别结果进行标注得到的。例如,采用基于特征的方法,或者预设模型识别出红外图像中的车辆以及车辆上的货箱、车斗、拖挂和凹陷等目标类别后,可以对红外图像中的车辆以及车辆上的货箱、车斗、拖挂和凹陷等目标类别进行标注。
步骤303、提取至少一个第一车辆的侧面的温度分布信息。
步骤304、根据至少一个第一车辆的侧面的温度分布信息,确定第一车辆的轴的数量。
具体的,是从红外图像中提取表征第一车辆侧面的温度分布信息,车辆上不同部位向外辐射的红外辐射能量不同,在红外图像中,车辆的不同部位就会表现出来不同的温度分布,例如车辆的轴和车辆外壳的温度分布信息不同,通过车辆侧面的温度分布信息,能够确定出第一车辆的轴,进而通过统计得到第一车辆的轴的数量。
步骤305、根据至少一个第一车辆的轴的数量和第一属性信息,确定对应的第一车辆的车型。
可选的,根据至少一个第一车辆的第一属性信息,能够确定第一车辆的类型,根据第一车辆的类型和第一车辆的轴的数量,能够确定第一车辆在相应类型下的进一步分类。
具体的,车辆的大类包括多个不同的类型,相同的轴数量可能对应不同的类型,例如2轴的车辆可能属于第一类型或第二类型,本实施例通过第一属性信息能够首先确定车辆的大类,然后在大类下,进一步根据轴的数量确定车型,能够更精准地识别车型。
本申请实施例通过获取红外相机对车辆采集的红外图像,识别红外图像中的至少一个第一车辆,和确定至少一个第一车辆的第一属性信息;以及提取至少一个第一车辆的侧面的温度分布信息,并根据至少一个第一车辆的侧面的温度分布信息,确定第一车辆的轴的数量;之后根据至少一个第一车辆的轴的数量和第一属性信息,确定对应的第一车辆的车型。从而能够精准检测轴型,解决高速公路上轴型检测这一难题,为高速公路上收费车型的识别提供便捷性。
在一种可选的实施方式中,在第一属性信息包括第一尺寸信息的情况下,根据至少一个第一车辆的轴的数量和第一属性信息,确定对应的第一车辆的车型,包括:根据至少一个第一车辆的第一尺寸信息与不同类型车辆的预设尺寸范围的比较结果,确定第一车辆的类型;根据第一车辆的类型和第一车辆的轴的数量,确定第一车辆的车型。
本实施例中,是将至少一个第一车辆的第一尺寸信息与不同类型车辆的预设尺寸范围进行匹配,并将匹配成功的预设尺寸范围对应的类型确定为第一车辆的类型,然后根据第一车辆的类型和第一车辆的轴的数量,确定第一车辆的车型。其中,根据第一车辆的类型和第一车辆的轴的数量,确定第一车辆的车型的具体实施过程可以参见前述实施例的介绍,此处不再重复介绍。
可选的,不同类型至少包括第一类型和第二类型;根据第一车辆的第一属性信息与不同类型车辆的预设尺寸范围的比较结果,确定第一车辆的类型,包括:将第一车辆的第一尺寸信息分别与第一类型和第二类型的车辆的预设尺寸范围进行匹配;在第一车辆的第一尺寸信息属于第一类型的车辆的预设尺寸范围内的情况下,确定第一车辆的类型为第一类型;在第一车辆的第一属性信息属于第二类型的车辆的预设尺寸范围内的情况下,确定第一车辆的类型为第二类型。
在一个典型的场景中,第一类型和第二类型分别为客车和货车,货车的尺寸通常大于客车,可以根据这一规则,以及第一车辆的第一属性信息识别第一车辆为客车或货车。
在另一种可选的实施方式中,在第一属性信息包括第一类别表征信息的情况下,根据至少一个所述第一车辆的轴的数量和第一属性信息,确定对应的第一车辆的车型,包括:在识别到第一车辆的类别表征信息的情况下,将第一车辆的类别表征信息与不同类型车辆的预设类别表征信息进行匹配;根据匹配结果,确定第一车辆的类型;根据第一车辆的类型和第一车辆的轴的数量,确定所述第一车辆的车型。
本实施例中,是根据货箱标识信息、车斗标识信息、拖挂标识信息和凹陷标识信息来识别第一车辆是客车还是货车。例如,若红外图像识别结果中包含货箱标识信息、车斗标识信息、拖挂标识信息和凹陷标识信息中的至少一项,那么该车辆就是货车。再结合车辆的轴的数量,就能够确定第一车辆是属于客车的哪种车型,或者是货车的哪种车型。例如,确定第一车辆是属于客一、客二、客三或客四,以及确定车辆是属于货一、货二、货三、货四、货五或货六。
当然,也可以结合第一尺寸信息和第一类别表征信息共同来确定第一车辆的车型。也就是说,根据至少一个第一车辆的轴的数量和第一属性信息,确定对应的第一车辆的车型,包括:根据至少一个第一车辆的第一尺寸信息与不同类型车辆的预设尺寸范围的比较结果,以及根据第一车辆的类别表征信息与不同类型车辆的预设类别表征信息的匹配结果,确定第一车辆的类型;根据第一车辆的类型和第一车辆的轴的数量,确定第一车辆的车型。在根据至少一个第一车辆的第一尺寸信息与不同类型车辆的预设尺寸范围的比较结果,以及根据第一车辆的类别表征信息与不同类型车辆的预设类别表征信息的匹配结果确定的第一车辆的类型的过程中,可以根据匹配结果确定第一车辆的类型。例如,对于尺寸信息相同的客车和货车,则根据类别表征信息可以确定该车辆是客车还是货车。具体的,对于尺寸信息相同的客车和货车,如果具有货车的类别表征信息,例如具有货箱标识信息、车斗标识信息、拖挂标识信息和凹陷标识信息中的至少一项,则认为该车辆为货车。
可选的,根据至少一个第一车辆的侧面的温度分布信息,确定第一车辆的轴的数量,包括:
确定至少一个第一车辆的侧面的温度分布信息中大于温度阈值的像素点,得到多个轮廓形状;
识别轮廓形状中为圆形和/或类似圆形的轮廓形状;
根据识别结果,确定第一车辆的轴的数量。
可选的,根据识别结果,确定第一车辆的轴的数量,包括:根据识别结果,确定圆形和/或类似圆形的轮廓形状的半径、圆形和/或类似圆形的轮廓形状与路面之间的距离、相邻的两个圆形和/或类似圆形的轮廓形状之间的间距中的至少一项;根据圆形和/或类似圆形的轮廓形状的半径、圆形和/或类似圆形的轮廓形状与路面之间的距离、相邻的两个圆形和/或类似圆形的轮廓形状之间的间距中的至少一项确定第一车辆的轴。
本实施例中,通过将红外图像中每个像素点对应的温度值与温度阈值进行比较,并确定大于温度阈值的像素点,这些大于温度阈值的像素点会形成多个连通区域,多个连通区域对应多个轮廓形状。若多个轮廓形状中包括圆形和/或类似圆形的轮廓形状,则可以初步确定为第一车辆的轴。
可选的,根据圆形和/或类似圆形的轮廓形状的半径确定第一车辆的轴,包括:
确定圆形和/或类似圆形的轮廓形状的半径;
根据半径,确定圆形和/或类似圆形的轮廓形状是否为第一车辆的轴的轮廓形状;
在确定圆形和/或类似圆形的轮廓形状为第一车辆的轴的轮廓形状的情况下,确定圆形和/或类似圆形的轮廓形状为第一车辆的轴。
可选的,根据半径,确定圆形和/或类似圆形的轮廓形状是否为第一车辆的轴的轮廓形状,包括:将半径大于第一阈值且小于第二阈值的圆形和/或类似圆形的轮廓形状,确定为第一车辆的轴。
其中,类似圆形是指类似于圆形或者接近于圆形的形状。
本实施例中,确定出红外图像中具有圆形和/或类似圆形的轮廓形状之后,可以根据半径信息过滤掉不属于轴的轮廓形状。例如,第一阈值和第二阈值分别根据车辆的最小的轴半径和最大的轴半径来设定,若红外图像中具有圆形和/或类似圆形的轮廓形状不在第一阈值和第二阈值的数值范围内,则识别具有圆形和/或类似圆形的轮廓形状不属于车辆的轴。从而提高车辆的轴的识别精度。
可选的,根据圆形和/或类似圆形的轮廓形状与路面之间的距离确定第一车辆的轴,包括:将圆形和/或类似圆形的轮廓形状与路面之间的距离与预设距离进行比较;
在该距离小于或等于预设距离的情况下,确定该圆形和/或类似圆形的轮廓形状为第一车辆的轴的轮廓形状。
本实施例中,还可以根据车辆的轴是靠近地面的这一规则,过滤掉具有圆形和/或类似圆形的轮廓形状中不属于车辆的轴的轮廓形状,提高车辆轴的识别精度。
可选的,根据相邻的两个圆形和/或类似圆形的轮廓形状之间的间距确定第一车辆的轴,包括:将相邻的两个圆形和/或类似圆形的轮廓形状之间的间距与预设间距进行比较;相邻的两个圆形和/或类似圆形的轮廓形状之间的间距小于或等于预设间距的情况下,确定相邻的两个圆形和/或类似圆形的轮廓形状为车辆的轴。其中,可以根据货车和客车的相邻两个轴之间的间距设置预设间距,然后将根据红外图像识别的相邻的两个圆形和/或类似圆形的轮廓形状之间的间距与预设间距进行比较,若根据红外图像识别的相邻的两个圆形和/或类似圆形的轮廓形状之间的间距小于或等于预设间距,则认为该相邻的两个圆形和/或类似圆形的轮廓形状是车辆的轴。
其中,相邻的两个圆形、两个类似圆形,或者圆形和类似圆形之间的间距可以是表征车辆侧面两个轴之间的间距,也可以是表征车辆相对两侧上两个轴之间的间距。本实施例对此不做具体限定。
在另一种可选的实施例中,根据圆形和/或类似圆形的轮廓形状的半径、圆形和/或类似圆形的轮廓形状与路面之间的距离、相邻的两个圆形和/或类似圆形的轮廓形状之间的间距中的任意两项,或者全部的三项(包括半径、间距、与路面之间的距离)确定第一车辆的轴的过程中,可以在圆形和/或类似圆形的轮廓形状的半径、圆形和/或类似圆形的轮廓形状与路面之间的距离、相邻的两个圆形和/或类似圆形的轮廓形状之间的间距中的任两项都满足,或者三项全部满足的情况下,确定为车辆的轴。当然,在根据半径、间距、与路面之间的距离这三项确定是否为车辆的轴的过程中,也可以是其中任意两项满足的情况下,确定为车辆的轴。本实施例对此不做具体限定。
图4为本申请另一实施例提供的基于红外相机的自由流车型识别方法流程图。在上述实施例的基础上,本实施例提供的基于红外相机的自由流车型识别方法具体包括如下步骤:
步骤401、获取通过激光设备采集的点云数据。
本实施例中,激光设备可以是激光雷达。以激光雷达为例,激光雷达发出的一束激光照射到物体表面时,物体表面会对该束激光进行反射,当激光雷达发射出的该束激光按照某种轨迹进行扫描,将得到大量的激光点,由此得到激光雷达探测范围内的环境的点云数据,其中,点云数据包括至少一个第二车辆。
可选的,激光设备采集的激光点云数据可以发送至如图1或图2所示的处理单元,与红外图像结合起来进行车型识别。
步骤402、识别点云数据中至少一个第二车辆,并确定至少一个第二车辆的第二属性信息。
可选的,可以通过点云数据的目标识别算法来识别点云数据中的目标类别,以及点云数据中第二车辆的第二属性信息。
其中,第二属性信息包括第二尺寸信息和第二类别表征信息;其中,第二尺寸信息包括:第二车辆的长度信息、宽度信息和高度信息。
第二类别表征信息包括货箱标识信息、车斗标识信息、拖挂标识信息和凹陷标识信息中的至少一项。其中,货箱标识信息、车斗标识信息、拖挂标识信息和凹陷标识信息可以是通过步骤402的识别过程中对识别结果进行标注得到的。例如,识别出点云数据中的车辆以及车辆上的货箱、车斗、拖挂和凹陷等目标类别后,可以对点云数据中的车辆以及车辆上的货箱、车斗、拖挂和凹陷等目标类别进行标注。
步骤403、在红外图像的采集时间和点云数据的采集时间小于预设时间间隔的情况下,根据第一属性信息和第二属性信息,在同一车道中的第一车辆和第二车辆中匹配同一车辆。
本实施例在结合红外图像和激光点云数据联合进行车型识别的过程中,需要首先匹配同一采集时间或者采集时间间隔很小的红外图像和激光点云数据,然后再基于相匹配的红外图像和激光点云数据联合进行车型识别,以提高车型识别精度。
其中,在根据第一属性信息与第二属性信息匹配同一车辆的过程中,可以是将第一尺寸信息与第二尺寸信息进行比对,和/或将第一类别表征信息与第二类别表征信息进行比对。若第一尺寸信息与第二尺寸信息一致,且第一类别表征信息与第二类别表征信息也一致,则可以采用第一属性信息,也可以采用第二属性信息进行车型识别;否则,采用第二属性信息进行车型识别。
步骤404、在同一车道中未匹配到同一车辆的情况下,在相邻车道中的第一车辆和第二车辆中匹配同一车辆。
由于红外相机和激光设备可能会存在数据采集不同步的情况,因此,在红外图像的采集时间和点云数据的采集时间小于预设时间间隔的情况下,同一车辆可能位于同一车道,也可能在不同步的这段时间差内车辆进行了变道,因此,可以通过首先在同一车道匹配得到同一车辆,若同一车道匹配不到同一车辆的情况下,再在相邻车道匹配得到同一车辆,以适应不同情况下的车型识别,进一步提高车型识别精度。可选的,在同一车道或相邻车道中将第一车辆和第二车辆进行匹配时,还可以根据第一车辆和第二车辆的位置信息和/或形状特征进行匹配。例如,根据第一车辆和第二车辆的位置信息、轴的数量以及其他部位的特征进行匹配。
步骤405、在同一车道或相邻车道中匹配到同一车辆的情况下,根据相匹配的第一车辆的轴的数量和第二车辆的第二属性信息,确定对应的第一车辆的车型。
其中,根据相匹配的第一车辆的轴的数量和第二车辆的第二属性信息,确定对应的第一车辆的车型,与根据至少一个第一车辆的轴的数量和第一属性信息,确定对应的第一车辆的车型的实现过程类似,具体可以参见上述实施例关于根据第一车辆的轴的数量和第一属性信息确定车型的具体实施方式的介绍,此处不再赘述。
本申请实施例通过获取激光设备采集的道路周围的环境点云数据,点云数据包括至少一个第二车辆;识别点云数据中至少一个第二车辆,并确定至少一个第二车辆的第二属性信息;在红外图像的采集时间和点云数据的采集时间小于预设时间间隔的情况下,根据第一属性信息和第二属性信息,在同一车道中的第一车辆和第二车辆中匹配同一车辆;在同一车道中未匹配到同一车辆的情况下,在相邻车道中的第一车辆和所述第二车辆中匹配同一车辆;在同一车道或相邻车道中匹配到同一车辆的情况下,根据相匹配的第一车辆的轴的数量和第二车辆的第二属性信息,确定对应的第一车辆的车型。由于在雨天、雾天等环境下,红外线的波长相对于激光波长较长,因此穿透雨雾等恶环境的能力更强,而激光在夜间的识别效果好,且对于车辆整体轮廓的识别效果较好,因此采用红外相机和激光设备的多传感器融合的方式,能够适应各种恶劣天气,提高在恶劣天气下的车型识别精度。
图5为本申请另一实施例提供的基于红外相机的自由流车型识别方法流程图。在上述实施例的基础上,本实施例提供的基于红外相机的自由流车型识别方法具体包括如下步骤:
步骤501、获取通过抓拍设备采集的抓拍图像。
其中,抓拍设备采集的图像包括至少一个第三车辆,以及至少一个第三车辆的车牌的属性信息。车牌的属性信息包括车牌颜色和/或车牌号码,例如黄色、黄绿色、蓝色、浅绿色等。
可选的,抓拍设备采集的抓拍图像可以发送至如图1或图2所示的处理单元,与红外图像结合起来进行车型识别,或者与红外图像和激光点云数据结合起来进行车型识别。
步骤502、识别抓拍图像中至少一个第三车辆以及第三车辆的车牌的属性信息。
可选的,可以通过对神经网络进行训练得到的检测模型来识别抓拍图像中至少一个第三车辆以及第三车辆的车牌的属性信息。具体的,是将抓拍图像输入检测模型中,以通过检测模型识别抓拍图像中至少一个第三车辆以及第三车辆的车牌的属性信息,其中,检测模型是通过大量的包含车辆以及车辆的车牌的属性信息的训练数据训练得到的。例如,将包含车辆以及车辆的车牌的属性信息的训练图像,和对应的标签信息输入神经网络;根据神经网络输出的车辆识别结果和车牌的属性信息的识别结果,与标签之间的差异,调整神经网络的网络参数。其中,标签是对训练图像中车辆和车辆的车牌的属性信息进行标注的信息。
可选的,还可以识别第三车辆的第三属性信息,其中,第三属性信息包括第三尺寸信息和第三类别表征信息。
当然,本实施例也可以通过计算机视觉算法直接进行识别。
步骤503、在红外图像的采集时间和抓拍图像的采集时间小于预设时间间隔的情况下,在同一车道中的第一车辆和第三车辆中匹配同一车辆。
步骤504、在同一车道中未匹配到同一车辆的情况下,在相邻车道中的所述第一车辆和所述第三车辆中匹配同一车辆。
其中,在匹配第一车辆和第三车辆中的同一车辆的过程中,可以根据第一车辆的第一属性信息和第三车辆的第三属性信息进行匹配,具体可以参照匹配第一车辆和第三车辆中的同一车辆的实施过程,本实施例在此不再赘述。
由于红外相机和抓拍设备可能会存在数据采集不同步的情况,因此,在红外图像的采集时间和图像的采集时间小于预设时间间隔的情况下,同一车辆可能位于同一车道,也可能在不同步的这段时间差内进行了变道,因此,可以通过首先在同一车道匹配得到同一车辆,若同一车道匹配不到同一车辆的情况下,再在相邻车道匹配得到同一车辆,以适应不同情况下的车型识别,进一步提高车型识别精度。
步骤505、在同一车道或相邻车道中匹配到同一车辆的情况下,根据第三车辆的车牌的属性信息,对第一车辆的车型进行修正。
其中,根据第三车辆的车牌的属性信息,对第一车辆的车型进行修正,至少包括以下几种实施方式:
在一种可选的实施方式中:根据红外图像识别的收费车型为客一,而抓拍设备获取的车牌颜色为黄牌或黄绿牌,且车牌号码为非教练车,则将收费车型更改为客二。
在另一种可选的实施方式中:根据红外图像识别的收费车型为客二、或客三、或客四,而抓拍设备获取的车牌颜色为蓝牌或浅绿色,则将收费车型修改为客一。
在又一种可选的实施方式中:根据红外图像识别的收费车型为货一,而抓拍设备获取的车牌颜色为黄牌或黄绿牌,则将收费车型修改为货二。
在又一种可选的实施方式中:根据红外图像识别的收费车型为货二、或三、或货四、或货五、或货六,而抓拍设备获取的车牌颜色为蓝色或浅绿色,则将收费车型修改为货一。
以上几种实施方式是为了方便理解,对本实施例进行举例说明,实际应用中,本领域技术人员也可以根据抓拍图像的其他属性信息,来对根据红外图像识别的车型信息进行修正,以提高车型识别精度。
可选的,还可以通过抓拍设备采集的图像对根据点云数据和红外图像共同识别的车型进行修正。具体可以参见图5所示实施例的具体介绍,此处不再赘述。
可选的,当激光设备探测到车辆的情况下,激光设备发送触发信息给抓拍设备,以使抓拍设备将采集的抓拍图像发送至处理单元。
图6为本申请实施例提供的基于红外相机的自由流车型识别装置的结构示意图。该基于红外相机的自由流车型识别装置具体可以是上述实施例中的处理单元,或处理单元的部件(例如芯片或者电路)。本申请实施例提供的基于红外相机的自由流车型识别装置可以执行基于红外相机的自由流车型识别方法实施例提供的处理流程,如图6所示,基于红外相机的自由流车型识别装置60包括:获取模块61、识别模块62、提取模块63、确定模块64;其中,获取模块61,用于获取通过红外相机采集的红外图像,所述红外图像包括至少一个第一车辆;识别模块62,用于识别所述红外图像中的至少一个第一车辆,并确定至少一个所述第一车辆的第一属性信息;提取模块63,用于提取至少一个所述第一车辆的侧面的温度分布信息;确定模块64,用于根据至少一个所述第一车辆的侧面的温度分布信息,确定所述第一车辆的轴的数量;所述确定模块64,还用于根据至少一个所述第一车辆的轴的数量和所述第一属性信息,确定对应的第一车辆的车型。
可选的,所述第一属性信息包括第一尺寸信息和/或第一类别表征信息;所述确定模块64在根据至少一个所述第一车辆的轴的数量和第一属性信息,确定对应的第一车辆的车型时,具体包括:根据至少一个所述第一车辆的第一尺寸信息与不同类型车辆的预设尺寸范围的比较结果,确定所述第一车辆的类型;和/或,根据所述第一车辆的类别表征信息与不同类型车辆的预设类别表征信息的匹配结果,确定所述第一车辆的类型;以及根据所述第一车辆的类型和所述第一车辆的轴的数量,确定所述第一车辆的车型。
可选的,所述确定模块64在根据至少一个所述第一车辆的侧面的温度分布信息,确定所述第一车辆的轴的数量时,具体包括:确定至少一个所述第一车辆的侧面的温度分布信息中大于温度阈值的像素点,得到多个轮廓形状;识别所述轮廓形状中为圆形和/或类似圆形的轮廓形状;确定所述圆形和/或类似圆形的轮廓形状的半径、所述圆形和/或类似圆形的轮廓形状与路面之间的距离、相邻的两个圆形和/或类似圆形的轮廓形状之间的间距中的至少一项;根据所述圆形和/或类似圆形的轮廓形状的半径、所述圆形和/或类似圆形的轮廓形状与路面之间的距离、相邻的两个圆形和/或类似圆形的轮廓形状之间的间距中的至少一项确定所述第一车辆的轴;统计确定所述第一车辆的轴的数量。
可选的,该装置60还包括:匹配模块65;获取模块61还用于获取通过激光设备采集的道路周围的环境点云数据,所述点云数据包括至少一个第二车辆;识别模块62还用于识别所述点云数据中至少一个第二车辆,并确定至少一个所述第二车辆的第二属性信息;匹配模块65,用于在在所述红外图像的采集时间和所述点云数据的采集时间小于预设时间间隔的情况下,根据所述第一属性信息和所述第二属性信息,在同一车道中的所述第一车辆和所述第二车辆中匹配同一车辆,以及在同一车道中未匹配到同一车辆的情况下,在相邻车道中的所述第一车辆和所述第二车辆中匹配同一车辆;确定模块64,还用于在同一车道或相邻车道中匹配到同一车辆的情况下,根据相匹配的第一车辆的轴的数量和第二车辆的第二属性信息,确定对应的第一车辆的车型。
可选的,获取模块61,还用于获取通过抓拍设备采集的抓拍图像,所述抓拍图像包括至少一个第三车辆,以及至少一个第三车辆的车牌的属性信息;识别模块62,还用于识别所述抓拍图像中至少一个第三车辆以及所述第三车辆的车牌的属性信息;匹配模块65,还用于在所述红外图像的采集时间和所述抓拍图像的采集时间小于预设时间间隔的情况下,在同一车道中的所述第一车辆和所述第三车辆中匹配同一车辆;以及在同一车道中未匹配到同一车辆的情况下,在相邻车道中的所述第一车辆和所述第三车辆中匹配同一车辆;确定模块64,还用于在同一车道或相邻车道中匹配到同一车辆的情况下,根据所述第三车辆的车牌的属性信息对所述第一车辆的车型进行修正。
图6所示实施例的基于红外相机的自由流车型识别装置可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图7为本申请实施例提供的基于红外相机的自由流车型识别设备的结构示意图。该基于红外相机的自由流车型识别设备具体可以是上述实施例中的基于红外相机的自由流车型识别***。本申请实施例提供的基于红外相机的自由流车型识别设备可以执行基于红外相机的自由流车型识别方法实施例提供的处理流程,如图7所示,基于红外相机的自由流车型识别设备70包括:存储器71、一个或多个处理器72、计算机程序、抓拍设备73、红外相机74和激光设备75;其中,抓拍设备73,用于采集包含第一车辆的图像;红外相机74,用于采集包含第二车辆的红外图像;激光设备75,用于采集包含第三车辆的点云数据,计算机程序存储在存储器71中,并被配置为由处理器72执行以上基于红外相机的自由流车型识别方法实施例的技术方案。
图7所示实施例的基于红外相机的自由流车型识别设备可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
另外,本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现上述实施例所述的基于红外相机的自由流车型识别方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,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,即将装置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。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (12)
1.一种基于红外相机的自由流车型识别方法,其特征在于,包括:
获取通过红外相机采集的红外图像,所述红外图像包括至少一个第一车辆;
识别所述红外图像中的至少一个第一车辆,并确定至少一个所述第一车辆的第一属性信息;
提取至少一个所述第一车辆的侧面的温度分布信息;
根据至少一个所述第一车辆的侧面的温度分布信息,确定所述第一车辆的轴的数量;
根据至少一个所述第一车辆的轴的数量和所述第一属性信息,确定对应的第一车辆的车型。
2.根据权利要求1所述的方法,其特征在于,所述第一属性信息包括第一尺寸信息和/或第一类别表征信息;
所述根据至少一个所述第一车辆的轴的数量和第一属性信息,确定对应的第一车辆的车型,包括:
根据至少一个所述第一车辆的第一尺寸信息与不同类型车辆的预设尺寸范围的比较结果,确定所述第一车辆的类型;
和/或,根据所述第一车辆的类别表征信息与不同类型车辆的预设类别表征信息的匹配结果,确定所述第一车辆的类型;
根据所述第一车辆的类型和所述第一车辆的轴的数量,确定所述第一车辆的车型。
3.根据权利要求1或2所述的方法,其特征在于,所述根据至少一个所述第一车辆的侧面的温度分布信息,确定所述第一车辆的轴的数量,包括:
确定至少一个所述第一车辆的侧面的温度分布信息中大于温度阈值的像素点,得到多个轮廓形状;
识别所述轮廓形状中为圆形和/或类似圆形的轮廓形状;
确定所述圆形和/或类似圆形的轮廓形状的半径、所述圆形和/或类似圆形的轮廓形状与路面之间的距离、相邻的两个圆形和/或类似圆形的轮廓形状之间的间距中的至少一项;
根据所述圆形和/或类似圆形的轮廓形状的半径、所述圆形和/或类似圆形的轮廓形状与路面之间的距离、相邻的两个圆形和/或类似圆形的轮廓形状之间的间距中的至少一项确定所述第一车辆的轴;
统计确定所述第一车辆的轴的数量。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
获取通过激光设备采集的道路周围的环境点云数据,所述点云数据包括至少一个第二车辆;
识别所述点云数据中至少一个第二车辆,并确定至少一个所述第二车辆的第二属性信息;
在所述红外图像的采集时间和所述点云数据的采集时间小于预设时间间隔的情况下,根据所述第一属性信息和所述第二属性信息,在同一车道中的所述第一车辆和所述第二车辆中匹配同一车辆;
在同一车道中未匹配到同一车辆的情况下,在相邻车道中的所述第一车辆和所述第二车辆中匹配同一车辆;
在同一车道或相邻车道中匹配到同一车辆的情况下,根据相匹配的第一车辆的轴的数量和第二车辆的第二属性信息,确定对应的第一车辆的车型。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
获取通过抓拍设备采集的抓拍图像,所述抓拍图像包括至少一个第三车辆,以及至少一个第三车辆的车牌的属性信息;
识别所述抓拍图像中至少一个第三车辆以及所述第三车辆的车牌的属性信息;
在所述红外图像的采集时间和所述抓拍图像的采集时间小于预设时间间隔的情况下,在同一车道中的所述第一车辆和所述第三车辆中匹配同一车辆;
在同一车道中未匹配到同一车辆的情况下,在相邻车道中的所述第一车辆和所述第三车辆中匹配同一车辆;
在同一车道或相邻车道中匹配到同一车辆的情况下,根据所述第三车辆的车牌的属性信息对所述第一车辆的车型进行修正。
6.一种基于红外相机的自由流车型识别***,其特征在于,包括:
红外相机,用于采集所述第一车辆的红外图像;
所述红外相机在路面上的正投影点和所述第一车辆之间的连线,与所述第一车辆的行驶方向在路面上的投影线之间为预设夹角,且所述预设夹角范围为20~70度;
所述红外相机在路面上设置红外检测区域,所述红外检测区域靠近所述红外相机侧的边到所述红外相机之间的距离为预设距离,且预设距离范围为10~40米;
处理单元,与所述红外相机相连用于根据权利要求1-5任一项所述的方法和所述红外图像,识别所述第一车辆的车型。
7.根据权利要求6所述的***,其特征在于,所述***还包括:
激光设备,所述激光设备与所述处理单元相连用于采集所述第一车辆的点云数据,所述激光设备具有至少2个不同扫描角度的扫描截面,且至少1个所述扫描截面与所述路面的交线垂直于所述第一车辆的行驶方向,至少1个所述扫描截面与所述路面的交线位于所述红外检测区域内;
所述处理单元,还用于根据权利要求1-5任一项所述的方法,以及所述红外图像和所述点云数据,识别所述第一车辆的车型。
8.根据权利要求6所述的***,其特征在于,所述***还包括:
抓拍设备,所述抓拍设备与所述处理单元相连用于采集包含第三车辆以及所述第三车辆的车牌的属性信息的抓拍图像;
所述处理单元,还用于根据权利要求1-5任一项所述的方法,以及所述红外图像和所述抓拍图像,识别所述第一车辆的车型;
所述路面上还设置有抓拍区域,所述抓拍区域与所述红外检测区域重叠,且所述抓拍区域的面积大于所述红外检测区域的面积。
9.根据权利要求7所述的***,其特征在于,所述***还包括:
抓拍设备,所述抓拍设备与所述处理单元相连用于采集包含第三车辆以及所述第三车辆的车牌的属性信息的抓拍图像;
所述处理单元,还用于根据权利要求1-5任一项所述的方法,以及所述红外图像和所述抓拍图像,识别所述第一车辆的车型;
所述路面上还设置有抓拍区域,所述抓拍区域与所述红外检测区域重叠,且所述抓拍区域的面积大于所述红外检测区域的面积;且至少一个所述扫描截面与所述路面的交线位于所述红外检测区域和抓拍区域的重叠区域内。
10.一种基于红外相机的多车道自由流车型识别设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
红外相机,用于采集包含第二车辆的红外图像;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
11.根据权利要求10所述的设备,其特征在于,所述设备还包括激光设备和/或抓拍设备。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911417353.0A CN113129598B (zh) | 2019-12-31 | 2019-12-31 | 基于红外相机的自由流车型识别方法、***及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911417353.0A CN113129598B (zh) | 2019-12-31 | 2019-12-31 | 基于红外相机的自由流车型识别方法、***及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113129598A true CN113129598A (zh) | 2021-07-16 |
CN113129598B CN113129598B (zh) | 2022-09-20 |
Family
ID=76769789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911417353.0A Active CN113129598B (zh) | 2019-12-31 | 2019-12-31 | 基于红外相机的自由流车型识别方法、***及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129598B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838022A (zh) * | 2021-09-22 | 2021-12-24 | 清华珠三角研究院 | 一种汽车工况异常识别方法、***、装置及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2164577Y (zh) * | 1993-05-22 | 1994-05-11 | 张桂辰 | 车流量分车型自动记录仪 |
CN203325219U (zh) * | 2013-06-27 | 2013-12-04 | 深圳市协昌科技有限公司 | 一种车辆轴自动识别*** |
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 |
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 |
CN207335852U (zh) * | 2017-07-25 | 2018-05-08 | 重庆道成电子有限公司 | 红外激光轴型识别仪 |
CN110211388A (zh) * | 2019-05-27 | 2019-09-06 | 武汉万集信息技术有限公司 | 基于3d激光雷达的多车道自由流车辆匹配方法及*** |
CN110246336A (zh) * | 2019-06-26 | 2019-09-17 | 武汉万集信息技术有限公司 | 车辆信息的确定方法及*** |
CN209765730U (zh) * | 2019-04-29 | 2019-12-10 | 武汉万集信息技术有限公司 | 一种车型识别*** |
-
2019
- 2019-12-31 CN CN201911417353.0A patent/CN113129598B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2164577Y (zh) * | 1993-05-22 | 1994-05-11 | 张桂辰 | 车流量分车型自动记录仪 |
CN203325219U (zh) * | 2013-06-27 | 2013-12-04 | 深圳市协昌科技有限公司 | 一种车辆轴自动识别*** |
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 |
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 |
CN207335852U (zh) * | 2017-07-25 | 2018-05-08 | 重庆道成电子有限公司 | 红外激光轴型识别仪 |
CN209765730U (zh) * | 2019-04-29 | 2019-12-10 | 武汉万集信息技术有限公司 | 一种车型识别*** |
CN110211388A (zh) * | 2019-05-27 | 2019-09-06 | 武汉万集信息技术有限公司 | 基于3d激光雷达的多车道自由流车辆匹配方法及*** |
CN110246336A (zh) * | 2019-06-26 | 2019-09-17 | 武汉万集信息技术有限公司 | 车辆信息的确定方法及*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838022A (zh) * | 2021-09-22 | 2021-12-24 | 清华珠三角研究院 | 一种汽车工况异常识别方法、***、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113129598B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Broggi et al. | Multi-resolution vehicle detection using artificial vision | |
EP0631683B1 (en) | An object monitoring system | |
CN109389064B (zh) | 一种车辆特征获取方法及装置 | |
CN104778444B (zh) | 道路场景下车辆图像的表观特征分析方法 | |
CN108960183A (zh) | 一种基于多传感器融合的弯道目标识别***及方法 | |
CN109871728B (zh) | 一种车型识别方法及装置 | |
CN104899554A (zh) | 一种基于单目视觉的车辆测距方法 | |
CN108197523B (zh) | 基于图像转换及轮廓邻域差异的夜间车辆检测方法及*** | |
CN112966582A (zh) | 车型三维识别方法、装置、***、电子设备及存储介质 | |
EP2813973B1 (en) | Method and system for processing video image | |
Suzuki et al. | Sensor fusion-based pedestrian collision warning system with crosswalk detection | |
CN111368612A (zh) | 超员检测***、人员检测方法及电子设备 | |
Jiang et al. | Target detection algorithm based on MMW radar and camera fusion | |
CN111339996A (zh) | 静态障碍物的检测方法、装置、设备及存储介质 | |
CN115240148A (zh) | 车辆行为的检测方法、装置、存储介质及电子装置 | |
CN115327572A (zh) | 一种车辆前方障碍物检测方法 | |
CN113129598B (zh) | 基于红外相机的自由流车型识别方法、***及设备 | |
JP2013089129A (ja) | 移動体検出装置、コンピュータプログラム及び移動体検出方法 | |
CN116935281A (zh) | 基于雷达和视频的机动车道异常行为在线监测方法及设备 | |
CN114627409A (zh) | 一种车辆异常变道的检测方法及装置 | |
Álvarez et al. | Perception advances in outdoor vehicle detection for automatic cruise control | |
CN114724119B (zh) | 车道线提取方法、检测设备及存储介质 | |
CN114863695B (zh) | 一种基于车载激光和摄像机的超标车辆检测***和方法 | |
Huang | Roadside camera calibration and its application in length-based vehicle classification | |
KR20210035360A (ko) | 교행 다차로를 위한 차량번호 인식방법 및 장치 |
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 |