CN114333347A - 车辆信息融合方法、装置、计算机设备及存储介质 - Google Patents
车辆信息融合方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114333347A CN114333347A CN202210016400.6A CN202210016400A CN114333347A CN 114333347 A CN114333347 A CN 114333347A CN 202210016400 A CN202210016400 A CN 202210016400A CN 114333347 A CN114333347 A CN 114333347A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- vehicle information
- obu
- target
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 88
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 abstract description 33
- 238000010586 diagram Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000008030 elimination Effects 0.000 description 8
- 238000003379 elimination reaction Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 8
- 238000009434 installation Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008447 perception Effects 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000001502 supplementing effect Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种车辆信息融合方法、装置、计算机设备及存储介质,方法包括以下步骤:获取第一雷视融合数据;获取RSU覆盖区域内全部的OBU车辆信息;将目标车辆的位置信息与全部的OBU车辆信息进行初步绑定得到车辆信息列表;获取第二雷视融合数据,解析得到目标车辆的识别车辆信息和位置信息;判断识别车辆信息与车辆信息列表中任一OBU车辆信息是否存在相同;若存在相同,则基于位置信息将对应相同的OBU车辆信息与相应的目标车辆进行准确绑定,并对剩余目标车辆的车牌信息进行校正,以更新车辆信息列表;若不存在相同,则将目标车辆标记为异常状态并上报。本方案通过将OBU车辆信息与现有的雷视融合数据进行再融合,更稳定高效的实现了全息路口感知。
Description
技术领域
本发明涉及到智能交通领域,更具体地说是指一种车辆信息融合方法、装置、计算机设备及存储介质。
背景技术
随着自动驾驶单车智能过渡到车辆/车路协同的多智体智能发展中,基于多模式、多场景的物联网前段感知的多源数据融合技术显得越来越重要。
现有技术方案中,毫米波雷达与摄像头数据融合被广泛应用,但再实际应用的过程中,会存在车辆/车牌被遮挡或者周边环境变化而影响正常识别得问题,导致视频模式识别车牌准确率低,无法准确识别并对应车辆信息,进而无法实现全息路口感知。
公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
为了解决上述现有技术的缺陷,本发明的目的是提供一种车辆信息融合方法、装置、计算机设备及存储介质。
为达到上述目的,本发明的技术方案是:
第一方面,本发明提出一种车辆信息融合方法,包括以下步骤:
当目标车辆进入RSU覆盖区域内时,获取第一雷视融合数据,解析得到RSU覆盖区域内的目标车辆的位置信息;
获取RSU覆盖区域内全部的OBU车辆信息;
将目标车辆的位置信息与全部的OBU车辆信息进行初步绑定得到车辆信息列表;
当车辆进入视频覆盖区域内时,获取第二雷视融合数据,解析得到视频覆盖区域内的目标车辆的识别车辆信息和位置信息;
判断所述识别车辆信息与所述车辆信息列表中任一OBU车辆信息是否存在相同;
若存在相同,则基于位置信息将对应相同的OBU车辆信息与相应的目标车辆进行准确绑定,并对剩余目标车辆的车牌信息进行校正,以更新所述车辆信息列表;
若不存在相同,则将目标车辆标记为异常状态并上报。
进一步地,所述将目标车辆的位置信息与全部的OBU车辆信息进行初步绑定得到车辆信息列表的步骤,包括:
根据位置信息为目标车辆分别关联唯一对应的车辆ID;
将每个车辆ID分别与全部所述OBU车辆信息进行绑定以构建车辆信息列表。
进一步地,所述当车辆进入视频覆盖区域内时,获取第二雷视融合数据,解析得到视频覆盖区域内的目标车辆的识别车辆信息和位置信息的步骤,包括:
获取目标车辆的图片帧,将图片帧输入到预设的车辆识别模型进行自动识别,以得到识别车牌信息和识别车型信息作为识别车辆信息。
进一步地,所述判断所述识别车辆信息与所述车辆信息列表中任一OBU车辆信息是否存在相同的步骤,包括:
判断识别车牌信息与所述车辆信息列表中任一所述OBU车辆信息是否存在相同;或者,
判断识别车型信息与所述车辆信息列表中任一所述OBU车辆信息是否存在相同。
进一步地,所述基于位置信息将对应相同的OBU车辆信息与相应的目标车辆进行准确绑定的步骤,包括:
根据所述位置信息确定目标车辆的车辆ID;
将对应相同的所述OBU车辆信息作为该车辆ID唯一对应的车辆信息进行准确绑定,并更新所述车辆信息列表。
进一步地,所述对剩余目标车辆的车牌信息进行校正的步骤,包括:
判断剩余目标车辆和OBU车辆信息的数量是否均为1;
若数量均为1,则基于剩余的OBU车辆信息校正剩余的目标车辆的车牌信息,并将该OBU车辆信息作为该目标车辆唯一对应的车辆信息进行绑定,以更新所述车辆信息列表。
第二方面,本发明提出一种车辆信息融合装置,包括:
第一获取单元,用于当目标车辆进入RSU覆盖区域内时,获取第一雷视融合数据,解析得到RSU覆盖区域内的目标车辆的位置信息;
第二获取单元,用于获取RSU覆盖区域内全部的OBU车辆信息,所述OBU车辆信息包括有效车牌信息和有效车型信息;
初步绑定单元,用于将目标车辆的位置信息与全部的OBU车辆信息进行初步绑定得到车辆信息列表;
第三获取单元,用于当车辆进入视频覆盖区域内时,获取第二雷视融合数据,解析得到视频覆盖区域内的目标车辆的识别车辆信息和位置信息;
绑定判断单元,用于判断所述识别车辆信息与所述车辆信息列表中任一OBU车辆信息是否存在相同;
绑定校正单元,用于在存在相同时,基于位置信息将对应相同的OBU车辆信息与相应的目标车辆进行准确绑定,并对剩余目标车辆的车牌信息进行校正,以更新所述车辆信息列表;
异常标记单元,用于在不存在相同时,将目标车辆标记为异常状态并上报。
进一步地,所述初步绑定单元包括关联子单元和绑定子单元;
所述关联子单元,用于根据位置信息为目标车辆分别关联唯一对应的车辆ID;
所述绑定子单元,用于将每个车辆ID分别与全部所述OBU车辆信息进行绑定以构建车辆信息列表。
第三方面,本发明提出一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述的车辆信息融合方法。
第四方面,本发明提出一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现如权利要求1至6中任一项所述的车辆信息融合方法。
本发明与现有技术相比的有益效果是:本发明提出一种车辆信息融合方法、装置、计算机设备及存储介质,其方法通过将ETC***获取到的OBU车辆信息与现有的雷视融合数据进行再融合,解决了通过摄像头视频识别车牌过程中,车牌受遮挡或环境因素影响大的问题,更稳定高效的实现了全息路口感知;另外,还通过将识别车辆信息和OBU车辆信息进行比对,为识别***辆提供了可能。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,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为本发明实施例提供的车辆信息融合方法的应用场景示意图;
图2为本发明实施例提供的车辆信息融合方法的流程示意图;
图3为本发明实施例提供的车辆信息融合方法的子流程示意图;
图4为本发明实施例提供的车辆信息融合方法的子流程示意图;
图5为本发明实施例提供的车辆信息融合方法的子流程示意图;
图6为本发明实施例提供的车辆信息融合装置的示意性框图;
图7为本发明实施例提供的车辆信息融合装置的初步绑定单元的示意性框图;
图8为本发明实施例提供的车辆信息融合装置的第三获取单元的示意性框图;
图9为本发明实施例提供的车辆信息融合装置的绑定判断单元的示意性框图;
图10为本发明实施例提供的车辆信息融合装置的绑定校正单元的示意性框图;
图11为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的车辆信息融合方法的应用场景示意图。图2为本发明实施例提供的车辆信息融合方法的示意性流程图。该车辆信息融合方法应用于车辆信息融合装置中,应该了解的是,车辆信息融合装置可以集成于云端服务器或者本地服务器中。该车辆信息融合装置与其他终端进行数据交互,雷视融合模块可集成在车辆信息融合装置内,也可独立设置,上述的终端包括RSU、摄像头和毫米波雷达,雷视融合模块将摄像头和毫米波雷达上传的识别车辆信息和位置信息融合成雷视融合数据并传输给车辆信息融合装置,由RSU获取监控区域内的OBU车辆信息,并传输到车辆信息融合装置中,车辆信息融合装置再将OBU车辆信息与目标车辆的雷视融合数据进行再次融合,解决了通过摄像头视频识别车牌过程中,车牌容易受遮挡或环境因素影响的问题,实现了高精度的目标车辆定位和车辆信息融合,更好的对通过预设覆盖区域的车辆信息的监控和管理,更稳定高效的实现了全息路口感知。
相关名词解释:
RSU,(Road Side Unit),路侧设备,是ETC***中安装在路侧,采用DSRC(Dedicated Short Range Communication)技术,与车载单元(OBU,On Board Unit)进行通讯,实现车辆身份识别,电子扣分的装置。
OBU,(On board Unit),车载单元,是采用DSRC(Dedicated Short RangeCommunication)技术,与RSU进行通讯的微波装置。
智能交通(Intelligent Transportation System,简称ITS)。
智能车路协同***(Intelligent Vehicle Infrastructure CooperativeSystems,简称IVICS)。
边缘计算技术(Mobile Edge Computing,简称 MEC)。
图2是本发明实施例提供的一种车辆信息融合方法的流程示意图。如图2所示,该方法包括以下步骤S110至S170。
S110、当目标车辆进入RSU覆盖区域内时,获取第一雷视融合数据,解析得到RSU覆盖区域内的目标车辆的位置信息。
在本实施例中,如图1所示的应用场景图,目标车辆通过检测道路时,先进入RSU覆盖区域再进入摄像头覆盖区域,而不管实在RSU覆盖区域还是摄像头覆盖区域,毫米波雷达均可直接覆盖,并获取位于检测道路内的目标车辆的位置信息,当目标车辆进入RSU覆盖区域,此时雷视融合模块已经接收到来自毫米波雷达传输过来的位置信息并生成第一雷视融合数据,该第一雷视融合数据只包含有毫米波雷达探测到的位置信息,本方案通过解析第一雷视融合数据就可以得到其中携带的目标车辆位置信息,并用于后续基于位置信息为目标车辆进行依次编号。
S120、获取RSU覆盖区域内全部的OBU车辆信息。
在本实施例中,正常情况下RSU的道路有效覆盖距离为20-30米,其安装方式可以是但不局限于L型、电警杆和横杆。在城市道路20-30米距离内,正常速度通行情况下,可以容纳1~3辆机动车辆。因此,当目标车辆进入RSU覆盖区域内时,RSU会自动检测并接收RSU覆盖区域内所有车辆安装的OBU上传的OBU车辆信息,因此车辆信息融合装置在获取到雷视融合数据的同时也获取来自RSU同步传输过来的多个OBU车辆信息。
S130、将目标车辆的位置信息与全部的OBU车辆信息进行初步绑定得到车辆信息列表。
在本实施例中,当目标车辆进入RSU覆盖区域内时,RSU会自动检测并接收RSU覆盖区域内所有车辆安装的OBU上传的OBU车辆信息,因此存在多个不同车牌的OBU车辆信息并存的情况,此时无法将OBU车辆信息进行精准匹配融合,本方案将所有的OBU车辆信息都与同时位于RSU覆盖区域内的目标车辆进行关联,以便进一步精准匹配。
具体的,OBU车辆信息包括有效车牌信息和有效车型信息,换言之,通过视频识别到的车牌信息可能因为识别算法不够精准而出错,但是,OBU车辆信息中携带的有效车牌信息和有效车型信息是一定准确的。
如图3所述,在一实施例中,步骤S130还包括步骤S131和S132。
S131、根据位置信息为目标车辆分别关联唯一对应的车辆ID。
S132、将每个车辆ID分别与全部OBU车辆信息进行绑定以构建车辆信息列表。
在本实施例中,车辆进入检测道路是有先后顺序的,本方案采用动态追踪技术并基于毫米波雷达对进入检测道路的目标车辆进行动态追踪,基于获取到的目标车辆的位置信息就可以为目标车辆进行分别关联唯一对应的车辆ID,车辆ID用于识别和区分不同的车辆,可以是顺序编号也可以是无序编号。应该说明的是,本方案采用的动态跟踪技术有但不限于扩展卡尔曼滤波、最大似然估计等方法。
在赋予不同目标车辆唯一对应的车辆ID之后,本方案将同一时间获取到的全部OBU车辆信息关联到对应的车辆ID上。举例说明,如图1所示,此时位于RSU覆盖区域内的目标车辆的车辆ID分别为3和4,此时获取到的全部OBU车辆数据(可能包含0、1或2个车牌信息)都初步绑定到车辆ID:3和车辆ID:4名下,并进一步构建/更新车辆信息列表,后续通过查找车辆ID/位置信息即可得到绑定的全部OBU车辆信息。
S140、当车辆进入视频覆盖区域内时,获取第二雷视融合数据,解析得到视频覆盖区域内的目标车辆的识别车辆信息和位置信息。
在本实施例中,目标车辆进一步前进会进入摄像头覆盖区域,此时雷视融合模块自动生成的第二雷视融合数据中既包含了目标车辆的位置信息,也包含了识别车辆信息,其中识别车辆信息包括识别车牌信息和识别车型信息。由于本方案采用了动态追踪技术,因此,根据此时获取的位置信息能够确定具体目标车辆对应的车辆ID,进而获取已经与该车辆ID初步绑定的全部OBU车辆信息。
应该清楚是的,本方案通过架设在电警杆的摄像头采集视频数据,根据车辆识别模型(深度学习模型)判断车辆在图像坐标系下的位置信息和车辆信息,并与毫米波雷达检测目标进行目标融合,实现目标车辆在世界坐标系下的精确定位。另外,摄像头类型是但不限于广角鱼眼摄像头,安装方式是但不局限于L型电警杆横杆视频监控区域正上方安装或侧装。
具体的,上述深度学习模型包括但不局限:sequeezenet-ssd、mobilenetv2-ssd、cascade-rcnn、vgg- repulsionloss等。
在一实施例中,步骤S140还包括步骤S141。
S141、获取目标车辆的图片帧,将图片帧输入到预设的车辆识别模型进行自动识别,以得到识别车牌信息和识别车型信息作为识别车辆信息。
在本实施例中,通过摄像机拍摄监控区域,已获得包含有目标车辆的图片帧,并将图片帧输入到预设的车辆识别模型中进行自动识别,以得到识别车牌信息和识别车型信息作为识别车辆信息,该识别车牌信息和识别车辆信息可能因为遮挡或环境原因而不能准确识别,因此本方案需要进一步将识别车牌信息/识别车型信息与OBU车辆信息进行比对,以保证目标车辆的车辆信息无误。
S150、判断识别车辆信息与车辆信息列表中任一OBU车辆信息是否存在相同。
在本实施例中,由于是被车辆信息可能存在偏差,而OBU车辆信息是不会出错的,因此分别将具体目标车辆的识别车辆信息和车辆信息列表中相对应车辆ID的任一OBU车辆信息进行比对,可以只采用识别车牌信息与OBU车辆信息的有效车牌信息进行比对,也可以将识别车型信息与OBU车辆信息的有效车型信息进行比对,也可以同时利用识别车牌信息和识别车型信息进行比对,并以此判断是否存在相同的情况。
在一实施例中,步骤S150还包括S151。
S151、判断识别车牌信息与车辆信息列表中任一OBU车辆信息是否存在相同。
在本实施例中,在能够识别到完整车牌的情况下,通过对比车牌信息,能够快速确定相对应的OBU车辆信息判断准确度高。
在一实施例中,步骤S150还包括S152。
S152、判断识别车型信息与车辆信息列表中任一OBU车辆信息是否存在相同。
在本实施例中,在无法识别到完整车牌的情况下,本方案还可以通过对比车型信息,来确定相对应的OBU车辆信息。
在一实施例中,步骤S150还可以同时包括S151和S152,也就是结合车牌判断和车型判断,能够再提升判断精度。
S160、若存在相同,则基于位置信息将对应相同的OBU车辆信息与相应的目标车辆进行准确绑定,并对剩余目标车辆的车牌信息进行校正,以更新车辆信息列表。
在本实施例中,在判断与识别车辆信息存在相同的OBU车辆信息之后,将对应相同的OBU车辆信息与相应的目标车辆(车辆ID)进行准确绑定,同时进一步的,本方案还基于更新后的车辆信息列表将该OBU车辆信息与最新的雷视融合数据进一步进行车辆信息融合,解决了通过摄像头视频识别车牌过程中,车牌受遮挡或环境因素影响大的问题,更稳定高效的实现了全息路口感知。
同时,在确定了部分目标车辆的OBU车辆信息之后,还可以进一步利用排除法对剩余车辆的车牌信息进行添补或校正,以更新车辆信息列表。例如,当2辆车时,如果视频识别出其中A车辆车牌,另外B车辆车牌识别不成功或识别车牌有误,在A车辆与含有相同车牌信息的OBU车辆数据准确绑定之后,就可以通过排除法(二选一)将剩下的OBU车辆信息匹配给B车辆,并关联到OBU车牌信息进行添补或校正;更进一步的,如果都未能识别到目标车辆的车牌信息,还可以通过识别车型信息,通过车型来匹配OBU车辆信息中的车型信息。
参考图4,在一实施例中,步骤S160还包括步骤S161和S162。
S161、根据位置信息确定目标车辆的车辆ID;
S162、将对应相同的OBU车辆信息作为该车辆ID唯一对应的车辆信息进行准确绑定,并更新车辆信息列表。
在本实施例中,第二雷视融合数据中既包含了目标车辆的位置信息,也包含了识别车辆信息,由于本方案采用了雷视融合的动态追踪技术,因此,根据此时获取的位置信息能够确定具体目标车辆对应的车辆ID,进而只保留对应相同的OBU车辆信息与相应的目标车辆的车辆ID进行绑定,进而将该OBU车辆信息与目标车辆最新的雷视融合数据进行车辆信息融合,以实现更稳定高效的实现了全息路口感知。
具体的,本方案采用的动态追中技术可以是但不限于扩展卡尔曼滤波、最大似然估计等方法。
参考图5,在一实施例中,步骤S160还包括步骤S163和S164。
S163、判断剩余目标车辆和OBU车辆信息的数量是否均为1;
S164、若数量均为1,则基于剩余的OBU车辆信息校正剩余的目标车辆的车牌信息,并将该OBU车辆信息作为该目标车辆唯一对应的车辆信息进行绑定,以更新车辆信息列表。
S165、将剩余的目标车辆标记为异常状态并上报。
在本实施例中,在确定了部分目标车辆的OBU车辆信息之后,本方案可以进一步利用排除法对剩余车辆的车牌信息进行添补或校正,以更新车辆信息列表。也即是,当剩余目标车辆和剩余的OBU车辆信息均为1时,直接将剩余的OBU车辆信息作为剩余的目标车辆的车辆信息,此时,目标车辆的车牌可能无法识别或者识别不完整,可以基于唯一剩余的OBU车辆信息完成校正或添补,进一步确保车辆信息的准确性,实现更稳定高效的实现了全息路口感知。当剩余的
例如,当只有1辆车时,且视频没有识别出来,可以直接根据获取到的OBU车辆型进行添补或校正。当2辆车时,如果视频识别出其中A车辆车牌,另外B车辆车牌识别不成功或识别车牌有误,在A车辆与含有相同车牌信息的OBU车辆数据准确绑定之后,就可以通过排除法(二选一)将剩下的OBU车辆信息匹配给B车辆,并关联到OBU车牌信息进行添补或校正;更进一步的,如果都未能识别到目标车辆的车牌信息,还可以通过识别车型信息,通过车型来匹配OBU车辆信息中的车型信息。
S170、若不存在相同,则将目标车辆标记为异常状态并上报。
在一实施例中,异常状态可以是OBU车辆信息和识别车辆信息不一致,其代表着目标车辆可能处于套牌等异常状态,本发明方案会发出对应的告警信号,并提醒相关人员进行跟进处理,以有效的核查车辆套牌,通过将识别车辆信息和OBU车辆信息进行比对,为识别***辆提供了可能。
本发明的一种车辆信息融合方法通过将ETC***的RSU获取到的OBU车辆信息与现有的雷视融合数据进行再融合,解决了通过摄像头视频识别车牌过程中,车牌受遮挡或环境因素影响大的问题,更稳定高效的实现了全息路口感知;另外,还通过将识别车辆信息和OBU车辆信息进行比对,为识别***辆提供了可能。
图6是本发明实施例提供的一种车辆信息融合装置的示意性框图。如图6所示,对应于以上车辆信息融合方法,本发明还提供一种车辆信息融合装置。该车辆信息融合装置包括用于执行上述车辆信息融合方法的单元,该装置可以被配置于台式电脑、平板电脑、手提电脑、等终端中。具体地,请参阅图6,该车辆信息融合装置包括第一获取单元10,第二获取单元20,初步绑定单元30,第三获取单元40,绑定判断单元50,绑定校正单元60和异常标记单元70。
第一获取单元10,用于当目标车辆进入RSU覆盖区域内时,获取第一雷视融合数据,解析得到RSU覆盖区域内的目标车辆的位置信息。
在本实施例中,如图1所示的应用场景图,目标车辆通过检测道路时,先进入RSU覆盖区域再进入摄像头覆盖区域,而不管实在RSU覆盖区域还是摄像头覆盖区域,毫米波雷达均可直接覆盖,并获取位于检测道路内的目标车辆的位置信息,当目标车辆进入RSU覆盖区域,此时雷视融合模块已经接收到来自毫米波雷达传输过来的位置信息并生成第一雷视融合数据,该第一雷视融合数据只包含有毫米波雷达探测到的位置信息,本方案通过解析第一雷视融合数据就可以得到其中携带的目标车辆位置信息,并用于后续基于位置信息为目标车辆进行依次编号。
第二获取单元20,用于获取RSU覆盖区域内全部的OBU车辆信息,所述OBU车辆信息包括有效车牌信息和有效车型信息。
在本实施例中,正常情况下RSU的道路有效覆盖距离为20-30米,其安装方式可以是但不局限于L型、电警杆和横杆。在城市道路20-30米距离内,正常速度通行情况下,可以容纳1~3辆机动车辆。因此,当目标车辆进入RSU覆盖区域内时,RSU会自动检测并接收RSU覆盖区域内所有车辆安装的OBU上传的OBU车辆信息,因此车辆信息融合装置在获取到雷视融合数据的同时也获取来自RSU同步传输过来的多个OBU车辆信息。
初步绑定单元30,用于将目标车辆的位置信息与全部的OBU车辆信息进行初步绑定得到车辆信息列表。
在本实施例中,当目标车辆进入RSU覆盖区域内时,RSU会自动检测并接收RSU覆盖区域内所有车辆安装的OBU上传的OBU车辆信息,因此存在多个不同车牌的OBU车辆信息并存的情况,此时无法将OBU车辆信息进行精准匹配融合,本方案将所有的OBU车辆信息都与同时位于RSU覆盖区域内的目标车辆进行关联,以便进一步精准匹配。
具体的,OBU车辆信息包括有效车牌信息和有效车型信息,换言之,通过视频识别到的车牌信息可能因为识别算法不够精准而出错,但是,OBU车辆信息中携带的有效车牌信息和有效车型信息是一定准确的。
参考图7,初步绑定单元30包括关联子单元31和绑定子单元32。
关联子单元31,用于根据位置信息为目标车辆分别关联唯一对应的车辆ID;
绑定子单元32,用于将每个车辆ID分别与全部所述OBU车辆信息进行绑定以构建车辆信息列表。
在本实施例中,车辆进入检测道路是有先后顺序的,本方案采用动态追踪技术并基于毫米波雷达对进入检测道路的目标车辆进行动态追踪,基于获取到的目标车辆的位置信息就可以为目标车辆进行分别关联唯一对应的车辆ID,车辆ID用于识别和区分不同的车辆,可以是顺序编号也可以是无序编号。应该说明的是,本方案采用的动态跟踪技术有但不限于扩展卡尔曼滤波、最大似然估计等方法。
在赋予不同目标车辆唯一对应的车辆ID之后,本方案将同一时间获取到的全部OBU车辆信息关联到对应的车辆ID上。举例说明,如图1所示,此时位于RSU覆盖区域内的目标车辆的车辆ID分别为3和4,此时获取到的全部OBU车辆数据(可能包含0、1或2个车牌信息)都初步绑定到车辆ID:3和车辆ID:4名下,并进一步构建/更新车辆信息列表,后续通过查找车辆ID/位置信息即可得到绑定的全部OBU车辆信息。
第三获取单元40,用于当车辆进入视频覆盖区域内时,获取第二雷视融合数据,解析得到视频覆盖区域内的目标车辆的识别车辆信息和位置信息。
在本实施例中,目标车辆进一步前进会进入摄像头覆盖区域,此时雷视融合模块自动生成的第二雷视融合数据中既包含了目标车辆的位置信息,也包含了识别车辆信息,其中识别车辆信息包括识别车牌信息和识别车型信息。由于本方案采用了动态追踪技术,因此,根据此时获取的位置信息能够确定具体目标车辆对应的车辆ID,进而获取已经与该车辆ID初步绑定的全部OBU车辆信息。
应该清楚是的,本方案通过架设在电警杆的摄像头采集视频数据,根据车辆识别模型(深度学习模型)判断车辆在图像坐标系下的位置信息和车辆信息,并与毫米波雷达检测目标进行目标融合,实现目标车辆在世界坐标系下的精确定位。另外,摄像头类型是但不限于广角鱼眼摄像头,安装方式是但不局限于L型电警杆横杆视频监控区域正上方安装或侧装。
具体的,上述深度学习模型包括但不局限:sequeezenet-ssd、mobilenetv2-ssd、cascade-rcnn、vgg- repulsionloss等。
参考图8,第三获取单元40还包括识别子单元41,识别子单元41用于获取目标车辆的图片帧,将图片帧输入到预设的车辆识别模型进行自动识别,以得到识别车牌信息和识别车型信息作为识别车辆信息。
在本实施例中,通过摄像机拍摄监控区域,已获得包含有目标车辆的图片帧,并将图片帧输入到预设的车辆识别模型中进行自动识别,以得到识别车牌信息和识别车型信息作为识别车辆信息,该识别车牌信息和识别车辆信息可能因为遮挡或环境原因而不能准确识别,因此本方案需要进一步将识别车牌信息/识别车型信息与OBU车辆信息进行比对,以保证目标车辆的车辆信息无误。
绑定判断单元50,用于判断所述识别车辆信息与所述车辆信息列表中任一OBU车辆信息是否存在相同。
在本实施例中,由于是被车辆信息可能存在偏差,而OBU车辆信息是不会出错的,因此分别将具体目标车辆的识别车辆信息和车辆信息列表中相对应车辆ID的任一OBU车辆信息进行比对,可以只采用识别车牌信息与OBU车辆信息的有效车牌信息进行比对,也可以将识别车型信息与OBU车辆信息的有效车型信息进行比对,也可以同时利用识别车牌信息和识别车型信息进行比对,并以此判断是否存在相同的情况。
参考图9,绑定判断单元50包括车牌判断子单元51和车型判断子单元52。
车牌判断子单元51,用于判断识别车牌信息与所述车辆信息列表中任一所述OBU车辆信息是否存在相同。
在本实施例中,在能够识别到完整车牌的情况下,通过对比车牌信息,能够快速确定相对应的OBU车辆信息判断准确度高。
车型判断子单元52,用于判断识别车型信息与所述车辆信息列表中任一所述OBU车辆信息是否存在相同。
在本实施例中,在无法识别到完整车牌的情况下,本方案还可以通过对比车型信息,来确定相对应的OBU车辆信息。
绑定校正单元60,用于在存在相同时,基于位置信息将对应相同的OBU车辆信息与相应的目标车辆进行准确绑定,并对剩余目标车辆的车牌信息进行校正,以更新所述车辆信息列表。
在本实施例中,在判断与识别车辆信息存在相同的OBU车辆信息之后,将对应相同的OBU车辆信息与相应的目标车辆(车辆ID)进行准确绑定,同时进一步的,本方案还基于更新后的车辆信息列表将该OBU车辆信息与最新的雷视融合数据进一步进行车辆信息融合,解决了通过摄像头视频识别车牌过程中,车牌受遮挡或环境因素影响大的问题,更稳定高效的实现了全息路口感知。
同时,在确定了部分目标车辆的OBU车辆信息之后,还可以进一步利用排除法对剩余车辆的车牌信息进行添补或校正,以更新车辆信息列表。例如,当2辆车时,如果视频识别出其中A车辆车牌,另外B车辆车牌识别不成功或识别车牌有误,在A车辆与含有相同车牌信息的OBU车辆数据准确绑定之后,就可以通过排除法(二选一)将剩下的OBU车辆信息匹配给B车辆,并关联到OBU车牌信息进行添补或校正;更进一步的,如果都未能识别到目标车辆的车牌信息,还可以通过识别车型信息,通过车型来匹配OBU车辆信息中的车型信息。
参考图10,绑定校正单元60包括ID确定子单元61,绑定子单元62,数量判断子单元63,信息校正子单元64,
ID确定子单元61,用于根据所述位置信息确定目标车辆的车辆ID;
绑定子单元62,用于将对应相同的所述OBU车辆信息作为该车辆ID唯一对应的车辆信息进行准确绑定,并更新所述车辆信息列表。
在本实施例中,第二雷视融合数据中既包含了目标车辆的位置信息,也包含了识别车辆信息,由于本方案采用了雷视融合的动态追踪技术,因此,根据此时获取的位置信息能够确定具体目标车辆对应的车辆ID,进而只保留对应相同的OBU车辆信息与相应的目标车辆的车辆ID进行绑定,进而将该OBU车辆信息与目标车辆最新的雷视融合数据进行车辆信息融合,以实现更稳定高效的实现了全息路口感知。
具体的,本方案采用的动态追中技术可以是但不限于扩展卡尔曼滤波、最大似然估计等方法。
数量判断子单元63,用于判断剩余目标车辆和OBU车辆信息的数量是否均为1;
信息校正子单元64,用于若数量均为1,则基于剩余的OBU车辆信息校正剩余的目标车辆的车牌信息,并将该OBU车辆信息作为该目标车辆唯一对应的车辆信息进行绑定,以更新所述车辆信息列表。
在本实施例中,在确定了部分目标车辆的OBU车辆信息之后,本方案可以进一步利用排除法对剩余车辆的车牌信息进行添补或校正,以更新车辆信息列表。也即是,当剩余目标车辆和剩余的OBU车辆信息均为1时,直接将剩余的OBU车辆信息作为剩余的目标车辆的车辆信息,此时,目标车辆的车牌可能无法识别或者识别不完整,可以基于唯一剩余的OBU车辆信息完成校正或添补,进一步确保车辆信息的准确性,实现更稳定高效的实现了全息路口感知。当剩余的
例如,当只有1辆车时,且视频没有识别出来,可以直接根据获取到的OBU车辆型进行添补或校正。当2辆车时,如果视频识别出其中A车辆车牌,另外B车辆车牌识别不成功或识别车牌有误,在A车辆与含有相同车牌信息的OBU车辆数据准确绑定之后,就可以通过排除法(二选一)将剩下的OBU车辆信息匹配给B车辆,并关联到OBU车牌信息进行添补或校正;更进一步的,如果都未能识别到目标车辆的车牌信息,还可以通过识别车型信息,通过车型来匹配OBU车辆信息中的车型信息。
异常标记单元70,用于在不存在相同时,将目标车辆标记为异常状态并上报。
在一实施例中,异常状态可以是OBU车辆信息和识别车辆信息不一致,其代表着目标车辆可能处于套牌等异常状态,本发明方案会发出对应的告警信号,并提醒相关人员进行跟进处理,以有效的核查车辆套牌。
本发明的一种车辆信息融合装置通过将ETC***的RSU获取到的OBU车辆信息与现有的雷视融合数据进行再融合,解决了通过摄像头视频识别车牌过程中,车牌受遮挡或环境因素影响大的问题,更稳定高效的实现了全息路口感知;另外,还通过将识别车辆信息和OBU车辆信息进行比对,为识别***辆提供了可能。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述车辆信息融合装置和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
请参阅图11,图11是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端,也可以是服务器,其中,终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图11,该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种车辆信息融合方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种车辆信息融合方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032。
应当理解,在本申请实施例中,处理器502可以是中央处理单元 (CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路 (Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机***中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明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,各个单元的划分,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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明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,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品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,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种车辆信息融合方法,其特征在于,包括以下步骤:
当目标车辆进入RSU覆盖区域内时,获取第一雷视融合数据,解析得到RSU覆盖区域内的目标车辆的位置信息;
获取RSU覆盖区域内全部的OBU车辆信息;
将目标车辆的位置信息与全部的OBU车辆信息进行初步绑定得到车辆信息列表;
当车辆进入视频覆盖区域内时,获取第二雷视融合数据,解析得到视频覆盖区域内的目标车辆的识别车辆信息和位置信息;
判断所述识别车辆信息与所述车辆信息列表中任一OBU车辆信息是否存在相同;
若存在相同,则基于位置信息将对应相同的OBU车辆信息与相应的目标车辆进行准确绑定,并对剩余目标车辆的车牌信息进行校正,以更新所述车辆信息列表;
若不存在相同,则将目标车辆标记为异常状态并上报。
2.根据权利要求1所述的车辆信息融合方法,其特征在于,所述将目标车辆的位置信息与全部的OBU车辆信息进行初步绑定得到车辆信息列表的步骤,包括:
根据位置信息为目标车辆分别关联唯一对应的车辆ID;
将每个车辆ID分别与全部所述OBU车辆信息进行绑定以构建车辆信息列表。
3.根据权利要求2所述的车辆信息融合方法,其特征在于,所述当车辆进入视频覆盖区域内时,获取第二雷视融合数据,解析得到视频覆盖区域内的目标车辆的识别车辆信息和位置信息的步骤,包括:
获取目标车辆的图片帧,将图片帧输入到预设的车辆识别模型进行自动识别,以得到识别车牌信息和识别车型信息作为识别车辆信息。
4.根据权利要求3所述的车辆信息融合方法,其特征在于,所述判断所述识别车辆信息与所述车辆信息列表中任一OBU车辆信息是否存在相同的步骤,包括:
判断识别车牌信息与所述车辆信息列表中任一所述OBU车辆信息是否存在相同;或者,
判断识别车型信息与所述车辆信息列表中任一所述OBU车辆信息是否存在相同。
5.根据权利要求4所述的车辆信息融合方法,其特征在于,所述基于位置信息将对应相同的OBU车辆信息与相应的目标车辆进行准确绑定的步骤,包括:
根据所述位置信息确定目标车辆的车辆ID;
将对应相同的所述OBU车辆信息作为该车辆ID唯一对应的车辆信息进行准确绑定,并更新所述车辆信息列表。
6.根据权利要求4所述的车辆信息融合方法,其特征在于,所述对剩余目标车辆的车牌信息进行校正的步骤,包括:
判断剩余目标车辆和OBU车辆信息的数量是否均为1;
若数量均为1,则基于剩余的OBU车辆信息校正剩余的目标车辆的车牌信息,并将该OBU车辆信息作为该目标车辆唯一对应的车辆信息进行绑定,以更新所述车辆信息列表。
7.一种车辆信息融合装置,其特征在于,包括:
第一获取单元,用于当目标车辆进入RSU覆盖区域内时,获取第一雷视融合数据,解析得到RSU覆盖区域内的目标车辆的位置信息;
第二获取单元,用于获取RSU覆盖区域内全部的OBU车辆信息,所述OBU车辆信息包括有效车牌信息和有效车型信息;
初步绑定单元,用于将目标车辆的位置信息与全部的OBU车辆信息进行初步绑定得到车辆信息列表;
第三获取单元,用于当车辆进入视频覆盖区域内时,获取第二雷视融合数据,解析得到视频覆盖区域内的目标车辆的识别车辆信息和位置信息;
绑定判断单元,用于判断所述识别车辆信息与所述车辆信息列表中任一OBU车辆信息是否存在相同;
绑定校正单元,用于在存在相同时,基于位置信息将对应相同的OBU车辆信息与相应的目标车辆进行准确绑定,并对剩余目标车辆的车牌信息进行校正,以更新所述车辆信息列表;
异常标记单元,用于在不存在相同时,将目标车辆标记为异常状态并上报。
8.根据权利要求7所述的车辆信息融合装置,其特征在于,所述初步绑定单元包括关联子单元和绑定子单元;
所述关联子单元,用于根据位置信息为目标车辆分别关联唯一对应的车辆ID;
所述绑定子单元,用于将每个车辆ID分别与全部所述OBU车辆信息进行绑定以构建车辆信息列表。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的车辆信息融合方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现如权利要求1至6中任一项所述的车辆信息融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210016400.6A CN114333347B (zh) | 2022-01-07 | 2022-01-07 | 车辆信息融合方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210016400.6A CN114333347B (zh) | 2022-01-07 | 2022-01-07 | 车辆信息融合方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114333347A true CN114333347A (zh) | 2022-04-12 |
CN114333347B CN114333347B (zh) | 2024-03-01 |
Family
ID=81025485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210016400.6A Active CN114333347B (zh) | 2022-01-07 | 2022-01-07 | 车辆信息融合方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114333347B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998886A (zh) * | 2022-08-04 | 2022-09-02 | 智慧互通科技股份有限公司 | 基于雷视融合的车辆追踪方法以及装置 |
CN115100844A (zh) * | 2022-05-07 | 2022-09-23 | 深圳汇辰软件有限公司 | 一种应急车道占用行为的识别***、方法及终端设备 |
CN115376312A (zh) * | 2022-07-22 | 2022-11-22 | 交通运输部路网监测与应急处置中心 | 一种基于雷达和视频融合的公路监控方法及*** |
CN116403402A (zh) * | 2023-04-13 | 2023-07-07 | 交通运输部公路科学研究所 | 一种网联环境下城市交叉口区域的交通状态预测方法 |
Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103021035A (zh) * | 2012-10-20 | 2013-04-03 | 山东易构软件技术有限公司 | 一种使用激光雷达的长通信区电子不停车收费*** |
US20130201035A1 (en) * | 2012-02-02 | 2013-08-08 | Kapsch Trafficcom Ag | Control Method for a Road Toll System |
US20140195138A1 (en) * | 2010-11-15 | 2014-07-10 | Image Sensing Systems, Inc. | Roadway sensing systems |
CN104574540A (zh) * | 2014-12-24 | 2015-04-29 | 北京速通科技有限公司 | 电子不停车收费***及方法 |
CN206249433U (zh) * | 2016-08-12 | 2017-06-13 | 北京聚利科技股份有限公司 | Etc路侧装置及etc |
CN108510734A (zh) * | 2018-03-30 | 2018-09-07 | 深圳市金溢科技股份有限公司 | 一种路侧单元及一种路侧单元的车辆信息匹配方法 |
CN108717789A (zh) * | 2018-06-28 | 2018-10-30 | 深圳市金溢科技股份有限公司 | 一种车辆样本的采集标注方法及装置 |
CN109063803A (zh) * | 2018-08-28 | 2018-12-21 | 深圳成谷科技有限公司 | 一种通行车辆的车辆信息获取方法、装置及*** |
CN110189424A (zh) * | 2019-05-27 | 2019-08-30 | 武汉万集信息技术有限公司 | 基于多目标雷达的多车道自由流车辆检测方法及*** |
CN110414504A (zh) * | 2019-06-21 | 2019-11-05 | 山东中创软件工程股份有限公司 | 一种车辆定位方法、装置、设备及介质 |
CN110910651A (zh) * | 2019-11-08 | 2020-03-24 | 北京万集科技股份有限公司 | 车牌信息的匹配方法及***、存储介质、电子装置 |
CN111178215A (zh) * | 2019-12-23 | 2020-05-19 | 深圳成谷科技有限公司 | 一种传感器数据融合处理的方法和装置 |
CN111260808A (zh) * | 2020-01-17 | 2020-06-09 | 河北德冠隆电子科技有限公司 | 一种基于多数据融合的自由流车辆收费装置、***及方法 |
CN111260812A (zh) * | 2020-03-11 | 2020-06-09 | 广西信路威科技发展有限公司 | 一种基于rsu天线、雷达和图像识别的车辆检测装置及方法 |
US20200242930A1 (en) * | 2019-01-25 | 2020-07-30 | Cavh Llc | Proactive sensing systems and methods for intelligent road infrastructure systems |
CN111582174A (zh) * | 2020-05-09 | 2020-08-25 | 广西信路威科技发展有限公司 | 一种基于图像识别的rsu与多目标雷达检测的结果匹配方法 |
CN111710163A (zh) * | 2020-07-13 | 2020-09-25 | 深圳市迅远科技有限公司 | 基于rfid技术的道路拥堵违停监测***、方法及介质 |
CN111709286A (zh) * | 2020-05-14 | 2020-09-25 | 深圳市金溢科技股份有限公司 | 车辆排序及etc交易方法、存储介质、工控机设备及etc*** |
CN111928845A (zh) * | 2020-06-22 | 2020-11-13 | 深圳市金溢科技股份有限公司 | 车辆定位校准方法、rsu设备以及mec设备以及*** |
CN112053562A (zh) * | 2020-09-15 | 2020-12-08 | 黑龙江省交投千方科技有限公司 | 一种基于边缘计算的智能服务开放平台 |
CN112153570A (zh) * | 2020-08-31 | 2020-12-29 | 深圳市金溢科技股份有限公司 | 车辆定位校准方法、***、rsu设备及obu设备 |
CN112836737A (zh) * | 2021-01-29 | 2021-05-25 | 同济大学 | 一种基于车路数据融合的路侧组合感知设备在线标定方法 |
CN113160578A (zh) * | 2021-04-29 | 2021-07-23 | 高新兴科技集团股份有限公司 | 车牌信息确认方法、***以及计算机存储介质 |
CN113421330A (zh) * | 2021-06-21 | 2021-09-21 | 车路通科技(成都)有限公司 | 车路协同的道路三维场景构建方法、装置、设备及介质 |
CN113420805A (zh) * | 2021-06-21 | 2021-09-21 | 车路通科技(成都)有限公司 | 视频和雷达的动态轨迹图像融合方法、装置、设备及介质 |
CN113627373A (zh) * | 2021-08-17 | 2021-11-09 | 山东沂蒙交通发展集团有限公司 | 一种基于雷视融合探测的车辆识别方法 |
-
2022
- 2022-01-07 CN CN202210016400.6A patent/CN114333347B/zh active Active
Patent Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140195138A1 (en) * | 2010-11-15 | 2014-07-10 | Image Sensing Systems, Inc. | Roadway sensing systems |
US20130201035A1 (en) * | 2012-02-02 | 2013-08-08 | Kapsch Trafficcom Ag | Control Method for a Road Toll System |
CN103021035A (zh) * | 2012-10-20 | 2013-04-03 | 山东易构软件技术有限公司 | 一种使用激光雷达的长通信区电子不停车收费*** |
CN104574540A (zh) * | 2014-12-24 | 2015-04-29 | 北京速通科技有限公司 | 电子不停车收费***及方法 |
CN206249433U (zh) * | 2016-08-12 | 2017-06-13 | 北京聚利科技股份有限公司 | Etc路侧装置及etc |
CN108510734A (zh) * | 2018-03-30 | 2018-09-07 | 深圳市金溢科技股份有限公司 | 一种路侧单元及一种路侧单元的车辆信息匹配方法 |
CN108717789A (zh) * | 2018-06-28 | 2018-10-30 | 深圳市金溢科技股份有限公司 | 一种车辆样本的采集标注方法及装置 |
CN109063803A (zh) * | 2018-08-28 | 2018-12-21 | 深圳成谷科技有限公司 | 一种通行车辆的车辆信息获取方法、装置及*** |
US20200242930A1 (en) * | 2019-01-25 | 2020-07-30 | Cavh Llc | Proactive sensing systems and methods for intelligent road infrastructure systems |
CN110189424A (zh) * | 2019-05-27 | 2019-08-30 | 武汉万集信息技术有限公司 | 基于多目标雷达的多车道自由流车辆检测方法及*** |
CN110414504A (zh) * | 2019-06-21 | 2019-11-05 | 山东中创软件工程股份有限公司 | 一种车辆定位方法、装置、设备及介质 |
CN110910651A (zh) * | 2019-11-08 | 2020-03-24 | 北京万集科技股份有限公司 | 车牌信息的匹配方法及***、存储介质、电子装置 |
CN111178215A (zh) * | 2019-12-23 | 2020-05-19 | 深圳成谷科技有限公司 | 一种传感器数据融合处理的方法和装置 |
CN111260808A (zh) * | 2020-01-17 | 2020-06-09 | 河北德冠隆电子科技有限公司 | 一种基于多数据融合的自由流车辆收费装置、***及方法 |
CN111260812A (zh) * | 2020-03-11 | 2020-06-09 | 广西信路威科技发展有限公司 | 一种基于rsu天线、雷达和图像识别的车辆检测装置及方法 |
CN111582174A (zh) * | 2020-05-09 | 2020-08-25 | 广西信路威科技发展有限公司 | 一种基于图像识别的rsu与多目标雷达检测的结果匹配方法 |
CN111709286A (zh) * | 2020-05-14 | 2020-09-25 | 深圳市金溢科技股份有限公司 | 车辆排序及etc交易方法、存储介质、工控机设备及etc*** |
CN111928845A (zh) * | 2020-06-22 | 2020-11-13 | 深圳市金溢科技股份有限公司 | 车辆定位校准方法、rsu设备以及mec设备以及*** |
CN111710163A (zh) * | 2020-07-13 | 2020-09-25 | 深圳市迅远科技有限公司 | 基于rfid技术的道路拥堵违停监测***、方法及介质 |
CN112153570A (zh) * | 2020-08-31 | 2020-12-29 | 深圳市金溢科技股份有限公司 | 车辆定位校准方法、***、rsu设备及obu设备 |
CN112053562A (zh) * | 2020-09-15 | 2020-12-08 | 黑龙江省交投千方科技有限公司 | 一种基于边缘计算的智能服务开放平台 |
CN112836737A (zh) * | 2021-01-29 | 2021-05-25 | 同济大学 | 一种基于车路数据融合的路侧组合感知设备在线标定方法 |
CN113160578A (zh) * | 2021-04-29 | 2021-07-23 | 高新兴科技集团股份有限公司 | 车牌信息确认方法、***以及计算机存储介质 |
CN113421330A (zh) * | 2021-06-21 | 2021-09-21 | 车路通科技(成都)有限公司 | 车路协同的道路三维场景构建方法、装置、设备及介质 |
CN113420805A (zh) * | 2021-06-21 | 2021-09-21 | 车路通科技(成都)有限公司 | 视频和雷达的动态轨迹图像融合方法、装置、设备及介质 |
CN113627373A (zh) * | 2021-08-17 | 2021-11-09 | 山东沂蒙交通发展集团有限公司 | 一种基于雷视融合探测的车辆识别方法 |
Non-Patent Citations (3)
Title |
---|
D.ANUSHYA等: "Vehicle Monitoring for Traffic Violation Using V2I Communication", 《2018 SECOND INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND CONTROL SYSTEMS (ICICCS)》, pages 1665 - 1669 * |
刘业兴: "机动车身份自动检测***", 《工程研究-跨学科视野中的工程》, no. 1, pages 99 - 106 * |
吴欢欢: "RFID电子标签在智能交通信号控制***中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 10, pages 034 - 86 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100844A (zh) * | 2022-05-07 | 2022-09-23 | 深圳汇辰软件有限公司 | 一种应急车道占用行为的识别***、方法及终端设备 |
CN115376312A (zh) * | 2022-07-22 | 2022-11-22 | 交通运输部路网监测与应急处置中心 | 一种基于雷达和视频融合的公路监控方法及*** |
CN114998886A (zh) * | 2022-08-04 | 2022-09-02 | 智慧互通科技股份有限公司 | 基于雷视融合的车辆追踪方法以及装置 |
CN114998886B (zh) * | 2022-08-04 | 2022-10-28 | 智慧互通科技股份有限公司 | 基于雷视融合的车辆追踪方法以及装置 |
CN116403402A (zh) * | 2023-04-13 | 2023-07-07 | 交通运输部公路科学研究所 | 一种网联环境下城市交叉口区域的交通状态预测方法 |
CN116403402B (zh) * | 2023-04-13 | 2024-06-21 | 交通运输部公路科学研究所 | 一种网联环境下城市交叉口区域的交通状态预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114333347B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114333347B (zh) | 车辆信息融合方法、装置、计算机设备及存储介质 | |
CN110163176B (zh) | 车道线变化位置识别方法、装置、设备和介质 | |
CN112183367B (zh) | 车辆数据检错方法、装置、服务器及存储介质 | |
US20210365024A1 (en) | Method and device for positioning unmanned vehicle | |
CN112580734B (zh) | 目标检测模型训练方法、***、终端设备及存储介质 | |
CN110909718B (zh) | 驾驶状态识别方法、装置及车辆 | |
CN113762406A (zh) | 数据的挖掘方法、装置和电子设备 | |
CN115507862A (zh) | 车道线定位方法及装置、电子设备及存储介质 | |
CN111947669A (zh) | 用于将基于特征的定位地图用于车辆的方法 | |
CN112115946B (zh) | 车牌的套牌识别方法、装置、存储介质和电子设备 | |
CN116721396A (zh) | 车道线检测方法、设备及存储介质 | |
CN113743356A (zh) | 数据的采集方法、装置和电子设备 | |
CN111369790B (zh) | 过车记录校正方法、装置、设备及存储介质 | |
CN112446902A (zh) | 目标车辆异常的确定方法及装置、存储介质、电子装置 | |
CN111605481A (zh) | 基于环视的拥堵跟车***和终端 | |
CN110539748A (zh) | 基于环视的拥堵跟车***和终端 | |
CN115249407B (zh) | 指示灯状态识别方法、装置、电子设备、存储介质及产品 | |
CN116311144A (zh) | 车辆转向的预测方法、预测装置与计算机可读存储介质 | |
CN114494938A (zh) | 一种非机动车行为识别方法及相关装置 | |
CN114153730A (zh) | 埋点配置页面生成方法及相关设备 | |
CN113902999A (zh) | 一种跟踪方法、装置、设备及介质 | |
CN114005186A (zh) | 一种车牌识别方法、装置及停车管理*** | |
CN113642521A (zh) | 红绿灯识别质量的评价方法、装置和电子设备 | |
CN111639640A (zh) | 基于人工智能的车牌识别方法、装置及设备 | |
CN112739599A (zh) | 一种车辆变道行为识别方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: 518000 No. a1901-07, building 11, Shenzhen Bay science and technology ecological park, No. 16, Keji South Road, community, high tech Zone, Yuehai street, Shenzhen, Guangdong Province, and No. 01-08, 20th floor Applicant after: SHENZHEN GENVICT TECHNOLOGY Co.,Ltd. Address before: 518000 No. 01-08, floor 18-20, block a, building 11, Shenzhen Bay science and technology ecological park, No. 16, Keji South Road, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN GENVICT TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |