CN113887539A - 车辆变道识别方法、电子设备及存储介质 - Google Patents
车辆变道识别方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113887539A CN113887539A CN202111475809.6A CN202111475809A CN113887539A CN 113887539 A CN113887539 A CN 113887539A CN 202111475809 A CN202111475809 A CN 202111475809A CN 113887539 A CN113887539 A CN 113887539A
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- key point
- current frame
- lane change
- vehicle
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种车辆变道识别方法、电子设备及计算机可读存储介质。该方法包括:获取当前帧中目标车辆的位置;利用目标车辆的位置,对当前帧中目标车辆对应的车辆区域进行关键点检测,得到目标车辆的关键点;基于目标车辆的关键点,对当前帧中目标车辆的位置进行修正;基于修正后的目标车辆的位置,对目标车辆进行变道识别。通过上述方式,能够提高变更识别的精度。
Description
技术领域
本申请涉及计算机视觉技术领域,特别是涉及一种车辆变道识别方法、电子设备及计算机可读存储介质。
背景技术
为了迎合越来越高的交通需求,建立了大量的道路(高速公路、城市快速路、高架桥、隧道、跨海大桥等)。相应地,对道路的交通管理成为了必不可少的一环。对道路的交通管理包括对车辆的变道识别。目前的车辆变道识别方法精度不高。
发明内容
本申请提供一种车辆变道识别方法、电子设备及计算机可读存储介质,能够解决目前的车辆变道识别方法精度不高的问题。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种车辆变道识别方法。该方法包括:获取当前帧中目标车辆的位置;利用目标车辆的位置,对当前帧中目标车辆对应的车辆区域进行关键点检测,得到目标车辆的关键点;基于目标车辆的关键点,对当前帧中目标车辆的位置进行修正;基于修正后的目标车辆的位置,对目标车辆进行变道识别。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种电子设备,该电子设备包括处理器、与处理器连接的存储器,其中,存储器存储有程序指令;处理器用于执行存储器存储的程序指令以实现上述方法。
为解决上述技术问题,本申请采用的又一个技术方案是:提供一种计算机可读存储介质,存储有程序指令,该程序指令被执行时能够实现上述方法。
通过上述方式,本申请未直接将目标车辆的位置应用于变道识别,而是先基于目标车辆的关键点对目标车辆的位置进行修正,将修正后的目标车辆的位置应用于变道识别。因此,本申请提供的变道识别方法精度高,并且适用场景广泛。
附图说明
图1是正对车辆视角的场景获取到的视频帧示意图;
图2是非正对车辆视角的场景获取到的视频帧一示意图;
图3是非正对车辆视角的场景下获取到的视频帧另一示意图;
图4是本申请车辆变道识别方法一实施例的流程示意图;
图5是目标车辆的一位置示意图;
图6是目标车辆的另一位置示意图;
图7是本申请车辆变道识别方法另一实施例的流程示意图;
图8是本申请车辆变道识别方法又一实施例的流程示意图;
图9是图8中S31的具体流程示意图;
图10是图8中S31的具体流程示意图;
图11是当前帧中目标车辆的位置示意图;
图12是修正后的目标车辆的位置的示意图;
图13是本申请车辆变道识别方法一具体实例的示意图;
图14是本申请电子设备一实施例的结构示意图;
图15是本申请计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请中的术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,在不冲突的情况下,本文所描述的实施例可以与其它实施例相结合。
在介绍本申请提供的方法之前,先对其整体的技术思路进行说明:
通过在道路监控区域布设的摄像头实时获取视频,对视频进行目标车辆检测跟踪,以确定视频包含的各个视频帧中目标车辆的位置(检测框),基于目标车辆的位置进行变道识别。
但是,直接将目标车辆的位置用于变道识别,摄像头的视角、车辆到摄像头的距离(景深)等外界因素会影响变更识别的精度。换句话说,变更识别的精度受限于应用场景。
摄像头的视角可以分为正对车辆视角和非正对车辆视角。正对车辆视角的场景可以但不限于是城市交通场景,正对车辆视角的场景获取到的视频帧示例见图1。非正对车辆视角的场景可以但不限于是草原场景、高山场景、隧道场景、高速路和快速路场景,非正对车辆视角的场景获取到的视频帧示例见图2。在非正对车辆视角的场景下,目标车辆的位置可能超出目标车辆实际所在的车道,导致变道识别结果错误。结合图3举例说明,图3所示的视频帧为非正对车辆视角的场景下获取到的,其中目标车辆实际在车道a1,目标车辆的位置b在车道a1和车道a2,从而会影响变道识别的精度。或者,车辆到摄像头的距离可以分为远距离和近距离。在远距离场景下拍摄得到的视频帧中目标车辆的占比小,使得变更识别的精度低。
为了使得变更识别的精度能够应对应用场景的干扰,本申请在获取目标车辆的位置之后,先对目标车辆的位置进行修正,将修正后的目标车辆的位置应用于变更识别。
需要注意的是,本申请后文涉及的点、坐标、方向(如左、右)是相对直角坐标系而言的。直角坐标系为以图像左上角点为原点,以左上角至右上角的方向(宽度方向)为X轴正方向,以左上角至左下角的方向(长度方向)为Y轴正方向建立的坐标系。
如下详细介绍本申请提供的方法:
图4是本申请车辆变道识别方法一实施例的流程示意图。需注意的是,若有实质上相同的结果,本实施例并不以图4所示的流程顺序为限。如图4所示,本实施例可以包括:
S11:获取当前帧中目标车辆的位置。
视频帧中包含一个或多个车辆,本申请以摄像头获取到的最新视频帧(后文称为当前帧)中一个车辆(后文称为目标车辆)的处理进行说明。
可以对当前帧进行目标检测跟踪,得到目标车辆的检测框,作为目标车辆的位置。目标车辆的位置可以表示为(左上顶点坐标,右下顶点坐标),也可以表示为(左下顶点坐标,右上顶点坐标),也可以表示为(中心坐标、长度、宽度),也可以表示为(顶点坐标、长度、宽度)等等。
S12:利用目标车辆的位置,对当前帧中目标车辆对应的车辆区域进行关键点检测,得到目标车辆的关键点。
车辆区域即当前帧中目标车辆的位置对应的区域。目标车辆的关键点分布在目标车辆的左右两侧。可能的关键点类型有左前轮、左后轮、左后轮、右前轮、右后轮、右雾灯、左雾灯、右大灯、左大灯、前面车牌、后面车牌、左后视镜、右后视镜、左后灯、右后灯、左后围板点和右后围板点。
可以将目标车辆的位置和当前帧共同送入关键点检测模型,得到目标车辆的关键点。关键点检测模型可以是BlazePose、CPM、DeeperCut、CMU OpenPose、AlphaPose等等。在将关键点检测模型应用于关键点检测之前,需要将模型训练至预期。以BlazePose为例,BlazePose包括heatmap(热图)和offset(偏移量)预测分支、关键点回归分支,将带有标注的样本图像及其中样本车辆的位置送入BlazePose,BlazePose得到heat maps、offsetmaps以及样本车辆的关键点。通过heat maps和offset maps训练heatmap和offset预测分支、关键点回归分支,通过样本车辆的关键点训练关键点回归分支。
S13:基于目标车辆的关键点,对当前帧中目标车辆的位置进行修正。
对目标车辆的位置的修正,实质可以是改变位置的尺寸(宽度或高度),也可以是对位置进行偏移。
如果是改变位置的尺寸,可以基于目标车辆的关键点改变位置的顶点坐标实现。结合图5举例说明,图5是目标车辆的一位置示意图。其中A1表示目标车辆的位置,A1的左上顶点坐标为(xl,yl),右下顶点坐标为(xr,yr),宽度为|xl-xr|。可以基于目标车辆的关键点改变x1和xr中的至少一个(图5中改变的是x1和xr),从而改变位置的宽度,A2表示修正后的位置。
如果是对位置进行偏移,可以基于目标车辆的关键点对位置的坐标进行偏移实现。结合图6举例说明。图6是目标车辆的另一位置示意图。其中B1表示目标车辆的位置,B1的中心点坐标为(xz,yz)。可以计算目标车辆的各个关键点的重心,基于该重心调整xz和yz中的至少一个(图6中调整的是xz和yz),从而实现对位置的偏移,B2表示修正后的位置。
本申请后文的实施例,以改变位置的尺寸进行说明。
S14:基于修正后的目标车辆的位置,对目标车辆进行变道识别。
道路监控区域的各个车道的位置可以是预先人为设定的,也可以是自动识别得到的。对每个视频帧变道识别之后,可以实时记录、更新目标车辆的变道信息,变道信息可以包括目标车辆所处的车道,还可以包括目标车辆的变道次数。目标车辆所处的车道和变更次数的初始值均为0。
变道识别结果可以表征目标车辆是否发生变道。记录的变道信息包括目标车辆所处的车道。可以基于修正后的位置确定目标车辆所处的当前车道,即将修正后的位置与各个车道的位置进行匹配,将匹配上的车道作为当前车道;判断当前车道是否与上一次记录的车道相同;若相同,则变更识别结果表征目标车辆未发生变道;若不相同,则变更识别结果表征目标车辆发生变道,并更新记录的车道。
或者,变道识别结果可以表征目标车辆是否恶意变更车道。记录的变道信息包括目标车辆所处的车道和变道次数。可以基于修正后的目标车辆的位置,确定目标车辆所处的当前车道;基于当前车道确定目标车辆的变道次数;基于变道次数得到目标车辆的变道识别结果。其中,基于当前车道确定目标车辆的变道次数的方式可以为,判断当前车道是否与上一次记录的车道相同;若相同则不更新车辆的变道次数,若不相同则更新目标车辆的变道次数。若变道次数大于变道次数阈值,则变道识别结果表征目标车辆恶意变更车道;若变道次数不大于变道次数阈值,则变道识别结果表征目标车辆未恶意变更车道。
举例说明,道路监控区域包括车道1~3,记录的变道信息为(changeLaneNum[0],changeLane[0]),changeLaneNum[i]表示目标车辆所处的车道i,changeLane[0]表示变道次数0。摄像头获取到视频帧0,对视频帧0进行变道识别,确定目标车辆的当前车道1、变更次数0,更新变道信息为(changeLaneNum[1],changeLane[0]);获取到视频帧1,对视频帧1进行变道识别,确定当前车道2、发生了车道变更,更新变道信息为(changeLaneNum[2],changeLane[1]);获取到视频帧2,对视频帧2进行变道识别,确定当前车道1、未发生车道变更,不更新变道信息。
通过本实施例的实施,本申请未直接将目标车辆的位置应用于变道识别,而是先基于目标车辆的关键点对目标车辆的位置进行修正,将修正后的目标车辆的位置应用于变道识别。因此,本申请提供的变道识别方法精度高,并且适用场景广泛。
进一步地,对于摄像头获取到的视频包含的每个视频帧,都可以对其进行关键点检测,以基于其中目标车辆的关键点对其中目标车辆的位置进行修正。
或者,为了保证硬件性能、节约硬件成本,可以仅对视频的跳帧进行关键点检测。具体来说,可以将视频包含的视频帧分为第一视频帧和第二视频帧,每相邻的两个第一视频帧间隔预设数量个第二视频帧。例如,第一视频帧是偶数帧,第二视频帧是奇数帧。视频帧的帧数从0开始,偶数帧是帧数为偶数的视频帧,奇数帧是帧数为奇数的帧。可以仅对第一视频帧进行关键点检测,以基于其中目标车辆的关键点对其中目标车辆的位置进行修正。而对于第二视频帧,可以利用在先的第一视频帧中,目标车辆的位置及其修正结果之间的比例关系或者偏移幅度,对第二视频帧中目标车辆的位置进行修正。由此,可以对上述实施例进一步扩展,具体如下:
图7是本申请车辆变道识别方法另一实施例的流程示意图。需注意的是,若有实质上相同的结果,本实施例并不以图7所示的流程顺序为限。如图7所示,本实施例可以包括:
S21:获取当前帧中目标车辆的位置。
S22:判断当前帧是第一视频帧还是第二视频帧。可以基于当前帧的帧数判断当前帧是第一视频帧还是第二视频帧。
若当前帧为第一视频帧,则执行S23~S24;若当前帧为第二视频帧,则执行S25。
S23:利用目标车辆的位置,对当前帧中目标车辆对应的车辆区域进行关键点检测,得到目标车辆的关键点。
S24:基于目标车辆的关键点,对当前帧中目标车辆的位置进行修正。
S25:基于在先的第一视频帧中目标车辆的位置及其修正结果之间的比例关系,对当前帧中目标车辆的位置进行修正。
在先的第一视频帧可以包括时间先于当前帧的一个或多个第一视频帧。若包括多个第一视频帧,可以求取多个第一视频帧的比例关系的均值,基于比例关系的均值,对当前帧中目标车辆的位置进行修正。
S26:基于修正后的目标车辆的位置,对目标车辆进行变道识别。
本实施例的其他详细描述请参考前面的实施例,在此不赘述。
图8是本申请车辆变道识别方法又一实施例的流程示意图。需注意的是,若有实质上相同的结果,本实施例并不以图8所示的流程顺序为限。本实施例是对S13/S26的进一步扩展,目标车辆的位置包括所述车辆区域的至少一个顶点坐标。如图8所示,本实施例可以包括:
S31:从当前帧中目标车辆的关键点中,选择满足要求的至少一个关键点。
可以理解的是,选择的关键点离地面越近,即关键点的纵坐标越大,越有利于目标车辆的位置的修正。故,满足要求的至少一个关键点可以包括离地面最近的左侧关键点和/或离地面最近的右侧关键点。
在一些实施例中,可以从当前帧中目标车辆的关键点中,选出离地面最近的(纵轴坐标最大的)两个关键点,按照离地面最近的两个关键点的横轴坐标,从离地面最近的两个关键点中选择一个为左侧关键点、另一个为所述右侧关键点。即,将离地面最近的两个关键点中,横坐标小的作为左侧关键点,横坐标大的作为右侧关键点。
但是,由于关键点检测本身的精度、当前帧中目标车辆对应的像素模糊、被遮挡等因素,可能导致目标车辆的关键点存在漏检或者误检的情况。因此如果直接将离地面最近的两个关键点作为左侧关键点和右侧关键点,可能存在左侧关键点和右侧关键点因距离太近而实际分布在目标车辆的同侧的情况。
结合参阅图9,为了避免左侧关键点和右侧关键点分布在目标车辆的同侧,在一些实施例中,S31可以包括以下子步骤:
S311:计算当前帧中目标车辆的关键点的重心。
例如,目标车辆的N个关键点的分别表示为(X1,Y1),(X2,Y2),…,(XN,YN)。则关键点的重心计算公式如下:
重心坐标为:(Xgravity,Ygravity)。
S312:将位于重心左侧的且离地面最近的关键点作为左侧关键点,将位于重心右侧的且离地面最近的关键点作为右侧关键点。
或者,结合参阅图10,在一些实施例中,S31可以包括以下子步骤:
S313:从当前帧中目标车辆的关键点中,选出离地面最近的两个关键点。
S314:判断离地面最近的两个关键点之间的距离是否大于距离阈值。
若是,则执行S315;若否,则执行S316~S317。
S315:按照离地面最近的两个关键点的横轴坐标,从离地面最近的两个关键点中选择一个为左侧关键点、另一个为右侧关键点。
S316:计算当前帧中目标车辆的关键点的重心。
S317:将位于重心左侧的且离地面最近的关键点作为左侧关键点,将位于重心右侧的且离地面最近的关键点作为右侧关键点。
S32:基于满足要求的至少一个关键点,调整至少一个顶点坐标。
至少一个顶点坐标可以包括左侧顶点的坐标和/或右侧顶点的坐标。左侧顶点和右侧顶点的其中一个是上顶点、另一个是下顶点。即。左侧顶点是左上顶点,右侧顶点是是右下顶点。或者,左侧顶点是左上顶点,右侧顶点是是右下顶点。
若满足要求的至少一个关键点包括离地面最近的左侧关键点,则至少一个顶点坐标包括左侧顶点的坐标,可以基于左侧关键点调整左侧顶点的坐标。即,将左侧顶点的横坐标更新为左侧关键点的横坐标。
若满足要求的至少一个关键点包括离地面最近的右侧关键点,则至少一个顶点坐标包括右侧顶点的坐标,可以基于右侧关键点调整右侧顶点的坐标。即,将右侧顶点的横坐标更新为右侧关键点的横坐标。
本实施例的其他详细描述请参考前面的实施例,在此不赘述。
如下结合图11以一个例子的形式,对当前帧中目标车辆的修正进行说明:
图11是当前帧中目标车辆的位置示意图,如图11所示,左侧上顶点坐标为(detect.ul.X,detect.ul.Y),右侧下顶点坐标为(detect.lr.X,detect.lr.Y)。
当前帧为第一视频帧的情况:
左侧关键点坐标为(kpLeft.X,kpLeft.Y),右侧关键点坐标为(kpRight.X,kpRight.Y)。调整后的左侧上顶点坐标为(Correct.ul.X,Correct.ul.Y)。其中Correct.ul.X=MAX(detect.ul.X,kpLeft.X),Correct.ul.Y=detect.ul.Y。调整后的右侧下顶点坐标为(Correct.lr.X,Correct.lr.Y)。其中Correct.lr.X=MIN(detect.lr.X,kpRight.X),Correct.lr.Y=kpRight.Y。
记录当前帧中|detect.ul.X-kpLeft.X|与位置宽度|detect.ul.X-detect.lr.X|之间的比例关系,以及| kpRight.X - detect.lr.X |与位置宽度之间的比例关系。以供后续的第二视频帧使用。
当前帧为第二视频帧的情况:
在先的一个第二视频帧中,|detect.ul.X-kpLeft.X|与位置宽度之间的比例关系,以及|kpRight.X-detect.lr.X|与位置宽度之间的比例关系已知。位置宽度已知,可以反向求解|detect.ul.X-kpLeft.X|和|kpRight.X-detect.lr.X|,进而得到调整后的左侧上顶点坐标、右侧下顶点坐标。
修正后的目标车辆的位置示例请参阅图12。如图12所示,C1表示修正前目标车辆的位置,C2表示修正后目标车辆的位置。C1占了两个车道,C2相对C1,宽度变小了,占了一个车道。
如下结合图13以一个例子的形式,对本申请提供的方法进行详细说明:
预先确定道路监控区域各个车道的位置,设置变道次数阈值、距离阈值,设置关键点检测的跳帧帧数(即第一视频帧和第二视频帧间隔的帧数)。
1)获取当前帧中目标车辆的位置。
2)判断当前帧是否在跳帧期间;若是,进入3);否则进入4)~8);
3)依据在先的视频帧中目标车辆的位置及其修正结果的比例关系,计算出修正后目标车辆的位置。
4)获取目标车辆的关键点。
5)确定离地面最近的两个关键点。
6)判断离地面最近的两个关键点之间的距离是否大于距离阈值;若大于,则进入7)~8);否则进入8)。
7)计算目标车辆的关键点的重心,基于中心确定左侧关键点和右侧关键点。
8)将离地面最近的两个关键点分别作为左侧关键点和右侧关键点,以得到修正后的目标车辆的位置。
9)基于修正后的目标车辆的位置进行变道识别。
图14是本申请电子设备一实施例的结构示意图。如图14所示,该电子设备包括处理器21、与处理器21耦接的存储器22。
其中,存储器22存储有用于实现上述任一实施例的方法的程序指令;处理器21用于执行存储器22存储的程序指令以实现上述方法实施例的步骤。其中,处理器21还可以称为CPU(Central Processing Unit,中央处理单元)。处理器21可能是一种集成电路芯片,具有信号的处理能力。处理器21还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
图15是本申请计算机可读存储介质一实施例的结构示意图。如图15所示,本申请实施例的计算机可读存储介质30存储有程序指令31,该程序指令31被执行时实现本申请上述实施例提供的方法。其中,该程序指令31可以形成程序文件以软件产品的形式存储在上述计算机可读存储介质30中,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方式方法的全部或部分步骤。而前述的计算机可读存储介质30包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
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,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。
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,也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (12)
1.一种车辆变道识别方法,其特征在于,包括:
获取当前帧中目标车辆的位置;
利用所述目标车辆的位置,对所述当前帧中所述目标车辆对应的车辆区域进行关键点检测,得到所述目标车辆的关键点;
基于所述目标车辆的关键点,对所述当前帧中目标车辆的位置进行修正;
基于修正后的所述目标车辆的位置,对所述目标车辆进行变道识别。
2.根据权利要求1所述的方法,其特征在于,所述利用所述目标车辆的位置,对所述当前帧中所述目标车辆对应的车辆区域进行关键点检测,得到所述目标车辆的关键点,包括:
若所述当前帧为第一视频帧,则执行所述利用所述目标车辆的位置,对所述当前帧中所述目标车辆对应的车辆区域进行关键点检测,得到所述目标车辆的关键点及其之后的步骤。
3.根据权利要求2所述的方法,其特征在于,在所述获取当前帧中目标车辆的位置之后,所述方法还包括:
若所述当前帧为第二视频帧,则基于在先的所述第一视频帧中所述目标车辆的位置及其修正结果之间的比例关系,对所述当前帧中所述目标车辆的位置进行修正;
基于修正后的所述目标车辆的位置,对所述目标车辆进行变道识别。
4.根据权利要求3所述的方法,其特征在于,所述第一视频帧是偶数帧,所述第二视频帧是奇数帧。
5.根据权利要求1所述的方法,其特征在于,所述目标车辆的位置包括所述车辆区域的至少一个顶点坐标;
所述基于所述目标车辆的关键点,对所述当前帧中目标车辆的位置进行修正,包括:
从所述当前帧中所述目标车辆的关键点中,选择满足要求的至少一个关键点;
基于所述满足要求的至少一个关键点,调整所述至少一个顶点坐标。
6.根据权利要求5所述的方法,其特征在于,所述至少一个顶点坐标包括左侧顶点的坐标和右侧顶点的坐标,所述左侧顶点和所述右侧顶点的其中一个是上顶点、另一个是下顶点,所述满足要求的至少一个关键点包括离地面最近的左侧关键点和右侧关键点;
所述基于满足要求的至少一个关键点,调整所述至少一个顶点坐标,包括:
基于所述左侧关键点调整所述左侧顶点的坐标,基于所述右侧关键点调整所述右侧顶点的坐标。
7.根据权利要求6所述的方法,其特征在于,所述从所述当前帧中所述目标车辆的关键点中,选择满足要求的至少一个关键点,包括:
计算所述当前帧中所述目标车辆的关键点的重心;
将位于所述重心左侧的且离地面最近的关键点作为所述左侧关键点,将位于所述重心右侧的且离地面最近的关键点作为所述右侧关键点。
8.根据权利要求7所述的方法,其特征在于,所述从所述当前帧中所述目标车辆的关键点中,选择满足要求的至少一个关键点,还包括:
从所述当前帧中所述目标车辆的关键点中,选出离地面最近的两个关键点;
判断所述离地面最近的两个关键点之间的距离是否大于距离阈值;
若大于,按照所述离地面最近的两个关键点的横轴坐标,从所述离地面最近的两个关键点中选择一个为所述左侧关键点、另一个为所述右侧关键点;
若不大于,则执行所述计算所述当前帧中所述目标车辆的关键点的重心及其之后的步骤。
9.根据权利要求1所述的方法,其特征在于,所述基于修正后的所述目标车辆的位置,对所述目标车辆进行变道识别,包括:
基于修正后的所述目标车辆的位置,确定所述目标车辆所处的当前车道;
基于所述当前车道确定所述目标车辆的变道次数;
基于所述变道次数得到所述目标车辆的变道识别结果。
10.根据权利要求9所述的方法,其特征在于,所述基于所述当前车道确定所述目标车辆的变道次数,包括:
判断所述当前车道是否与上一次记录的车道相同;
若相同,则不更新所述目标车辆的变道次数;若不相同,则更新所述目标车辆的变道次数。
11.一种电子设备,其特征在于,包括处理器、与所述处理器连接的存储器,其中,
所述存储器存储有程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以实现权利要求1-10中任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,所述存储介质存储程序指令,所述程序指令被执行时实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111475809.6A CN113887539B (zh) | 2021-12-06 | 2021-12-06 | 车辆变道识别方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111475809.6A CN113887539B (zh) | 2021-12-06 | 2021-12-06 | 车辆变道识别方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113887539A true CN113887539A (zh) | 2022-01-04 |
CN113887539B CN113887539B (zh) | 2022-03-22 |
Family
ID=79016297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111475809.6A Active CN113887539B (zh) | 2021-12-06 | 2021-12-06 | 车辆变道识别方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887539B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785850A (zh) * | 2020-12-29 | 2021-05-11 | 上海眼控科技股份有限公司 | 车辆变道未打灯的识别方法及装置 |
CN112949470A (zh) * | 2021-02-26 | 2021-06-11 | 上海商汤智能科技有限公司 | 车辆变道转向灯识别方法、装置、设备及存储介质 |
CN113591554A (zh) * | 2021-06-18 | 2021-11-02 | 浙江大华技术股份有限公司 | 压线检测方法以及违章检测方法 |
-
2021
- 2021-12-06 CN CN202111475809.6A patent/CN113887539B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785850A (zh) * | 2020-12-29 | 2021-05-11 | 上海眼控科技股份有限公司 | 车辆变道未打灯的识别方法及装置 |
CN112949470A (zh) * | 2021-02-26 | 2021-06-11 | 上海商汤智能科技有限公司 | 车辆变道转向灯识别方法、装置、设备及存储介质 |
CN113591554A (zh) * | 2021-06-18 | 2021-11-02 | 浙江大华技术股份有限公司 | 压线检测方法以及违章检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113887539B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210334557A1 (en) | Monocular cued detection of three-dimensional strucures from depth images | |
US11205284B2 (en) | Vehicle-mounted camera pose estimation method, apparatus, and system, and electronic device | |
US8594378B2 (en) | 3D object detecting apparatus and 3D object detecting method | |
US8406472B2 (en) | Method and system for processing image data | |
EP3304886A1 (en) | In-vehicle camera system and image processing apparatus | |
JP2003016429A (ja) | 車両周辺監視装置 | |
CN110738150B (zh) | 相机联动抓拍方法、装置以及计算机存储介质 | |
JP2002298298A (ja) | 車両の周辺監視装置 | |
CN110555888B (zh) | 主从相机标定方法、存储装置、计算机设备及其*** | |
CN110088766B (zh) | 车道线识别方法、车道线识别装置以及非易失性存储介质 | |
TWI609807B (zh) | 影像評估方法以及其電子裝置 | |
KR101573576B1 (ko) | Avm 시스템의 이미지 처리 방법 | |
CN110135377B (zh) | 车路协同中物体运动状态检测方法、装置和服务器 | |
CN108376384B (zh) | 视差图的矫正方法、装置及存储介质 | |
CN113111682A (zh) | 目标对象感知方法和装置、感知基站、感知*** | |
CN112184827A (zh) | 校准多个摄像机的方法及装置 | |
CN111079782A (zh) | 车辆交易方法和***、存储介质及电子装置 | |
CN110555402A (zh) | 基于环视的拥堵跟车方法、***、终端和存储介质 | |
CN113887539B (zh) | 车辆变道识别方法、电子设备及存储介质 | |
Ashraf et al. | HVD-net: a hybrid vehicle detection network for vision-based vehicle tracking and speed estimation | |
US11398009B2 (en) | Method and apparatus for performing object detection based on images captured by a fisheye camera and electronic device | |
CN111605481A (zh) | 基于环视的拥堵跟车***和终端 | |
EP3288260A1 (en) | Image processing device, imaging device, equipment control system, equipment, image processing method, and carrier means | |
CN104931024A (zh) | 障碍物检测装置 | |
CN108416305B (zh) | 连续型道路分割物的位姿估计方法、装置及终端 |
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 |