CN114463372A - 车辆识别方法、装置、终端设备及计算机可读存储介质 - Google Patents
车辆识别方法、装置、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114463372A CN114463372A CN202111525813.9A CN202111525813A CN114463372A CN 114463372 A CN114463372 A CN 114463372A CN 202111525813 A CN202111525813 A CN 202111525813A CN 114463372 A CN114463372 A CN 114463372A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target vehicle
- image
- shot image
- camera
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 claims description 66
- 238000012545 processing Methods 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000009434 installation Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection 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
- 239000002245 particle Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请适用于交通技术领域,提供了一种车辆识别方法、装置、终端设备及计算机可读存储介质,应用于车辆识别***,所述车辆识别***包括雷达和双目相机,所述方法包括:通过所述雷达识别目标车辆的第一车辆信息;当所述目标车辆达到第一预设位置,通过所述双目相机对所述目标车辆进行跟踪拍摄,直到所述目标车辆离开所述双目相机的拍摄范围;根据由所述双目相机跟踪拍摄获得的图像集识别所述目标车辆的第二车辆信息;根据所述第一车辆信息和所述第二车辆信息识别所述目标车辆的车辆类型。通过上述方法,可以有效提高自由流***的识别精度和可靠度。
Description
技术领域
本申请属于交通技术领域,尤其涉及一种车辆识别方法、装置、终端设备及计算机可读存储介质。
背景技术
近年来,自由流***广泛应用于智能交通领域,通过自由流***可以监测车辆的行驶状态、实现不停车收费等。例如,在不停车收费应用场景中,通过自由流***可以识别行驶过程中车辆的类型,并将识别结果反馈给收费***,由收费***执行收费操作。
现有的自由流***大多是通过摄像头对行驶过程中的车辆进行抓拍,对抓拍图像进行图像识别处理,以确定车辆类型、行驶状态等车辆信息。由于摄像头的拍摄频率固定,当车速较快时,容易出现漏拍的情况;另外,在能见度较低等恶劣天气环境下,容易拍摄出模糊、不清楚的抓拍图像。上述情况均会降低自由流***的识别准确度和可靠度。
发明内容
本申请实施例提供了一种车辆识别方法、装置、终端设备及计算机可读存储介质,可以提高自由流***的识别精度和可靠度。
第一方面,本申请实施例提供了一种车辆识别方法,应用于车辆识别***,所述车辆识别***包括雷达和双目相机,所述方法包括:
通过所述雷达识别目标车辆的第一车辆信息;
当所述目标车辆达到第一预设位置,通过所述双目相机对所述目标车辆进行跟踪拍摄,直到所述目标车辆离开所述双目相机的拍摄范围;
根据由所述双目相机跟踪拍摄获得的图像集识别所述目标车辆的第二车辆信息;
根据所述第一车辆信息和所述第二车辆信息识别所述目标车辆的车辆类型。
在本申请实施例中,通过雷达识别目标车辆的第一车辆信息,并通过双目相机对目标车辆进行跟踪拍摄、以识别目标车辆的第二车辆信息,相当于利用多传感器获取车辆信息;最后结合第一车辆信息和第二车辆信息识别目标车辆的车辆类型,相当于在识别过程中考虑了每种传感器获取到的车辆信息。通过上述方法,避免了由于单一传感器识别精度有限和识别结果的偶然性而导致的较低识别精度,有效提高了车辆识别***的识别精度和可靠度。
在第一方面的一种可能的实现方式中,所述双目相机包括第一摄像头和第二摄像头;
所述当所述目标车辆达到第一预设位置,通过所述双目相机对所述目标车辆进行跟踪拍摄,直到所述目标车辆离开所述双目相机的拍摄范围,包括:
当所述目标车辆达到所述第一预设位置,通过所述第一摄像头对所述目标车辆进行跟踪拍摄,直到所述目标车辆达到第二预设位置;
当所述目标车辆达到所述第二预设位置,通过所述第二摄像头对所述目标车辆进行跟踪拍摄,直至所述目标车辆离开所述第二摄像头的拍摄区域。
在第一方面的一种可能的实现方式中,所述第二车辆信息包括第三车辆信息和第四车辆信息;
所述图像集包括由所述第一摄像头拍摄获得的M张第一拍摄图像和由所述第二摄像头拍摄获得的N张第二拍摄图像,所述M和所述N为正整数;
所述根据由所述双目相机跟踪拍摄获得的图像集识别所述目标车辆的第二车辆信息,包括:
根据所述M张第一拍摄图像识别所述目标车辆的第三车辆信息;
根据所述N张第二拍摄图像识别所述目标车辆的第四车辆信息。
在第一方面的一种可能的实现方式中,所述第三车辆信息包括车轴数量;
所述根据所述M张第一拍摄图像识别所述目标车辆的第三车辆信息,包括:
识别每张所述第一拍摄图像中的车轴,得到每张所述第一拍摄图像的第一车轴信息;
根据第三预设位置和所述第一车轴信息为每张所述第一拍摄图像分配权重,所述第三预设位置位于所述第一预设位置和所述第二预设位置之间;
根据每张所述第一拍摄图像的所述第一车轴信息和所述权重,计算识别出的所述车轴的检测分值;
根据所述检测分值确定所述目标车辆的车轴数量。
在第一方面的一种可能的实现方式中,所述根据所述N张第二拍摄图像识别所述目标车辆的第四车辆信息,包括:
将所述N张第二拍摄图像进行图像拼接处理,得到拼接图像;
根据所述拼接图像识别所述目标车辆的所述第四车辆信息。
在第一方面的一种可能的实现方式中,所述将所述N张第二拍摄图像进行图像拼接处理,得到拼接图像,包括:
计算第三拍摄图像和第四拍摄图像之间的相似区域,其中,所述第三拍摄图像和所述第四拍摄图像为相邻的两帧第二拍摄图像;
若所述相似区域对应的图像相似度大于或等于第一预设阈值,则根据所述相似区域对所述第三拍摄图像和所述第四拍摄图像进行图像拼接处理,得到所述第三拍摄图像和所述第四拍摄图像的拼接图像;
若所述相似区域对应的图像相似度小于第一预设阈值,则计算所述第三拍摄图像对应的第一距离与所述第四拍摄图像对应的第二距离之间的距离差值,其中,所述第一距离为获取所述第三拍摄图像时所述雷达检测到的所述目标车辆的车头与所述第三预设位置之间的距离,所述第二距离为获取所述第四拍摄图像时所述雷达检测到的所述目标车辆的车头与所述第三预设位置之间的距离;
分别查找所述第三拍摄图像和所述第四拍摄图像中所述距离差值对应的像素位置;
根据所述像素位置对所述第三拍摄图像和所述第四拍摄图像进行图像拼接处理,得到所述第三拍摄图像和所述第四拍摄图像的拼接图像。
在第一方面的一种可能的实现方式中,所述根据所述第一车辆信息和所述第二车辆信息识别所述目标车辆的车辆类型,包括:
若当前的天气类型为第一类型,则根据所述第一车辆信息和所述第四车辆信息识别所述目标车辆的车辆类型,得到第一识别结果;根据所述第二车辆信息对所述第一识别结果进行修正,得到最终识别结果;
若当前的天气类型为第二类型,则根据所述第三车辆信息识别所述目标车辆的车辆类型,得到第二识别结果;根据所述第一车辆信息和所述第三车辆信息对所述第二识别结果进行修正,得到最终识别结果。
在第一方面的一种可能的实现方式中,所述雷达的探测范围大于所述双目相机的拍摄范围,且所述雷达的探测范围中存在目标截面,所述目标截面为与所述目标车辆的行驶方向垂直的探测截面;
所述第二预设位置为所述目标截面与路面的交线。
在第一方面的一种可能的实现方式中,所述第一摄像头为白光摄像头,所述第一摄像头的镜头轴向与所述目标车辆的行驶方向的夹角小于90度;
所述第二摄像头为红光摄像头,所述第二摄像头的镜头轴向与所述目标车辆的行驶方向的夹角等于90度。
第二方面,本申请实施例提供了一种车辆识别装置,应用于车辆识别***,所述车辆识别***包括雷达和双目相机,所述装置包括:
第一识别单元,用于通过所述雷达识别目标车辆的第一车辆信息;
第一拍摄单元,用于当所述目标车辆达到第一预设位置,通过所述双目相机对所述目标车辆进行跟踪拍摄,直到所述目标车辆离开所述双目相机的拍摄范围;
第二识别单元,用于根据由所述双目相机跟踪拍摄获得的图像集识别所述目标车辆的第二车辆信息;
第三识别单元,用于根据所述第一车辆信息和所述第二车辆信息识别所述目标车辆的车辆类型。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的车辆识别方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的车辆识别方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的车辆识别方法。
第六方面,本申请实施例提供了一种车辆识别***,所述车辆识别***包括雷达、双目相机和数据处理装置,所述数据处理装置分别与所述雷达和所述双目相机通信连接,所述数据处理装置用于实现如上述第一方面中任一项所述的车辆识别方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的车辆识别***的示意图;
图2是本申请实施例提供的***安装的示意图;
图3是本申请另一实施例提供的***安装的示意图;
图4是本申请实施例提供的车辆识别方法的流程示意图;
图5是本申请实施例提供的车辆识别装置的结构框图;
图6是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”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,在本申请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。
如在本申请说明书和所附权利要求书中所使用的那样,术语“若”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。
参见图1,是本申请实施例提供的车辆识别***的示意图。如图1所示,所述车辆识别***可以包括雷达11、双目相机12和数据处理装置13。其中,数据处理装置分别与雷达和双目相机通信连接。双目相机包括第一摄像头和第二摄像头。在车辆识别过程中,雷达探测到目标车辆后,将探测数据反馈给数据处理装置,由数据处理装置根据探测数据识别目标车辆的第一车辆信息;双目相机抓拍到目标车辆的拍摄图像后,将拍摄图像反馈给数据处理装置,由数据处理装置对拍摄图像进行图像识别处理,获得目标车辆的第二车辆信息;然后数据处理装置根据第一车辆信息和第二车辆信息识别目标车辆的车辆类型。
激光雷达具有分辨率高、抗干扰能力强、体积小、质量轻等优点,因此,可选的,本申请实施例中,雷达可以为激光雷达。
进一步的,雷达的探测范围大于双目相机的拍摄范围,这样在双目相机对车辆进行跟踪拍摄时、由雷达辅助探测,可以有效提高检测的有效性。雷达的探测范围中存在目标截面,目标截面为与目标车辆的行驶方向垂直的探测截面。由于垂直探测的准确度较高,因此,在安装时令雷达的探测范围内存在目标截面可以进一步提高雷达探测的精度。
可选的,第一摄像头为白光摄像头,并配置白光补光灯;第二摄像头为红光摄像头,并配置红光补光灯。通过这样的配置,两个摄像头可以相辅相成,进一步提高双目相机的拍摄精度。
优选的,第一摄像头的镜头轴向与车辆的行驶方向的夹角小于90度;第二摄像头的镜头轴向与车辆的行驶方向的夹角等于90度。第一摄像头采用倾斜角度对车辆进行拍摄,可以获取更丰富的车辆特征信息(如车牌、车头、车身、轮轴等)。第二摄像头采用垂直角度对车辆进行拍摄,使得在夜晚或光线较暗时采用红光对车辆的识别更加清晰,且可以保证红外光线不受白光的影响,增加了夜晚或光线较暗环境下对车辆识别的稳定性和准确度。
在一个应用场景中,参见图2,是本申请实施例提供的***安装的示意图。如图2所示,在道路的一侧安装有检测杆,检测杆上安装有激光雷达。激光雷达的安装高度可以为6~8米,安装角度可以与路面成30~90度,安装时保证激光雷达的至少一个探测截面与路面的交线距离激光雷达10~20米,且存在与行车方向垂直的探测截面。检测杆上还安装有双目相机,安装高度可以为6~8米,第一摄像头与行车方向的夹角为40~80度,第二摄像头与行车方向成90度夹角。数据处理装置可以安装在检测杆上,也可以为云服务器等终端设备、与雷达和双目相机远程通信连接。
在另一个应用场景中,参见图3,是本申请另一实施例提供的***安装的示意图。如图3所示,可以在道路的两侧分别安装检测杆,每个检测杆上分别安装有雷达和双目相机。这种安装方式可以解决车流量较大时漏检或并车遮挡的问题,当然,这种安装方式的成本也较高。
需要说明的是,上述只是车辆识别***的硬件安装示例,并不用于做具体限定。实际应用中,也可以将雷达和双目相机分开安装在不同的检测杆上,还可以在每个检测杆上安装多个雷达和/或多个双目相机。具体安装方式可以根据不同的应用场景进行设定。
基于上述车辆识别***,下面介绍本申请实施例提供的车辆识别方法,该方法由上述车辆识别***中的数据处理装置执行。参见图4,是本申请实施例提供的车辆识别方法的流程示意图,作为示例而非限定,所述方法可以包括以下步骤:
S401,通过雷达识别目标车辆的第一车辆信息。
以激光雷达为例,激光雷达以一定的频率发射激光,当探测范围内驶过车辆时,激光打到车身上并返回,激光雷达根据发射光束和反射光束可以检测出车辆的长、宽、高、车轴数量等特征信息,和车辆速度、加速度等行驶数据。这些数据可以作为第一车辆信息发送给数据处理装置。
每当探测到一辆车辆,雷达或数据处理装置可以为该车辆分配一个编号,用于区分不同的车辆。
S402,当目标车辆达到第一预设位置,通过双目相机对目标车辆进行跟踪拍摄,直到目标车辆离开双目相机的拍摄范围。
可选的,第一预设位置可以是来车方向上双目相机的拍摄范围的第一个边缘。也可以在双目相机的拍摄范围内人为设定一个位置,例如,设定第一预设位置为双目相机的拍摄范围内距离雷达12-15米的某个位置。
车辆是否达到第一预设位置,可以通过雷达监测。例如,设定第一预设位置后,该位置与雷达的相对距离也相应被确定;当雷达探测到车辆与雷达的相对距离达到预设值时,即确定车辆到达第一预设位置。
当车辆达到第一预设位置,可以由雷达向双目相机发送触发信息,以指示双目相机对目标车辆进行跟踪拍摄;还可以有雷达向数据处理装置发送触发信号(表示车辆达到第一预设位置)、并由数据处理装置向双目相机发送触发信息。示例性的,当由雷达向双目相机发送触发信息,触发信息可以包括车辆的编号、由雷达识别出的车辆的第一车辆信息,双目相机根据该触发信息判断哪个车辆为目标车辆、并对目标车辆进行跟踪拍摄。当由数据处理装置发送触发信息,雷达可以将触发信号发送给数据处理装置,数据处理装置将该触发信号对应的第一车辆信息和触发信号打包为触发信息发送给双目相机,双目相机根据该触发信息判断哪个车辆为目标车辆、并对目标车辆进行跟踪拍摄。
需要说明的是,当车辆达到第一预设位置,之后车辆行驶过程中,雷达还可以继续探测该车辆,即雷达和双目相机均对该车辆进行跟踪。
在一个实施例中,为了提高检测精度,双目相机除了被动等待触发信息外,还可以进行自检测。具体的,当双目相机检测到某个车辆达到第一预设位置,可以继续对该车辆进行跟踪拍摄。通过这种方法,可以有效避免由于雷达漏触发或数据处理装置漏触发而导致的漏检情况。
S403,根据由双目相机跟踪拍摄获得的图像集识别目标车辆的第二车辆信息。
双目相机可以以一定的频率向数据处理装置发送批量的拍摄图像,也可以每获取一帧拍摄图像即发送给数据处理装置。
数据处理装置在对图像集中的每张图像进行处理时,先进行第一次目标识别,以区分不同的车辆;再进行第二次目标识别,以识别出车辆的车轴数量、长、宽、高、车牌号码、车牌颜色等第二车辆信息。具体的识别第二车辆信息的过程可以参见下述实施例中的描述。
S404,根据第一车辆信息和第二车辆信息识别目标车辆的车辆类型。
数据处理单元结合第一车辆信息和第二车辆信息识别目标车辆的车辆类型,相当于在识别过程中考虑了每种传感器获取到的车辆信息。通过上述方法,避免了由于单一传感器识别精度有限和识别结果的偶然性而导致的较低识别精度,有效提高了车辆识别***的识别精度、鲁棒性和可靠度。
在自由流收费应用场景中,数据处理单元将识别出的车辆类型发送给收费装置,由收费装置根据车辆类型确定收费费用,并自动扣除该车辆对应的账户中的相应费用,以实现不停车收费。
如图1实施例中所述,双目相机具有两个摄像头,相应的,在一个实施例中,S402可以包括:
当目标车辆达到第一预设位置,通过第一摄像头对目标车辆进行跟踪拍摄,直到目标车辆达到第二预设位置;当目标车辆达到第二预设位置,通过第二摄像头对目标车辆进行跟踪拍摄,直至目标车辆离开第二摄像头的拍摄区域。
可选的,第二预设位置为目标截面(雷达探测范围内与目标车辆的行驶方向垂直的探测截面)与路面的交线。
车辆是否达到第二预设位置,可以通过对拍摄图像的识别确定。例如:在拍摄图像中设定第二预设位置对应的像素位置,当拍摄图像中的车辆达到该像素位置,即确定车辆达到第二预设位置。当然,也可以在路面上划定第二预设位置的标识线,但是这种方式成本较高,且一些应用场景下操作不便。
相应的,第二车辆信息包括第三车辆信息和第四车辆信息;双目相机跟踪拍摄获得的图像集包括由第一摄像头拍摄获得的M张第一拍摄图像和由第二摄像头拍摄获得的N张第二拍摄图像,M和N为正整数。S403可以包括:
I、根据M张第一拍摄图像识别目标车辆的第三车辆信息。
II、根据N张第二拍摄图像识别目标车辆的第四车辆信息。
可选的,步骤I中,根据M张第一拍摄图像识别目标车辆的车轴数量的步骤包括:识别每张第一拍摄图像中的车轴,得到每张第一拍摄图像中的车轴数量;统计M张第一拍摄图像中出现次数最多的车轴数量,并将该车轴数量确定为目标车辆的车轴数量。
示例性的,假设M=100,其中,有80张第一拍摄图像中的车轴数量为6,有20张第一拍摄图像中的车轴数量为4,则确定目标车辆的车轴数量为6。
上述方法仅以数量作为判断标准,往往结果的可靠性较低。由于摄像头对近距离的物体的拍摄精度相对较高,对远距离的物体的拍摄精度相对较低,利用这一特性,可选的,根据M张第一拍摄图像识别目标车辆的车轴数量的步骤包括:
识别每张第一拍摄图像中的车轴,得到每张第一拍摄图像的第一车轴信息;根据第三预设位置和所述第一车轴信息为每张第一拍摄图像分配权重,第三预设位置位于第一预设位置和第二预设位置之间;根据每张第一拍摄图像的第一车轴信息和权重,计算识别出的车轴的检测分值;根据检测分值确定目标车辆的车轴数量。
优选的,第三预设位置为目标截面与路面的交线。第三预设位置的确定方式可以参照第二预设位置的确定方式,在此不再赘述。第三预设位置可以看作是第一摄像头的最佳拍摄位置。
第一车轴信息可以包括车轴数量、每个车轴的检测框和检测框编号。
可选的,分配权值的方式可以为:根据第一拍摄图像中目标车辆距离第三预设位置的距离的远近分配权重。换言之,第一拍摄图像中目标车辆距离第三预设位置较远,为该第一拍摄图像分配较小的权重;第一拍摄图像中目标车辆距离第三预设位置较近,为该第一拍摄图像分配较大的权重。
示例性的,假设M=5,其中,第4张第一拍摄图像中目标车辆距离第三预设位置的距离最近,那么为5张第一拍摄图像分配的权重依次为0.1、0.15、0.25、0.4、0.1。需要说明的是,上述只是分配权重的示例,并不对M的数值和分配的权重值做具体限定。
由于第一摄像头的镜头轴向与车辆的行驶方向成一定角度,从拍摄图像上看车辆时由远及近,车辆在图像中的不同位置的检测效果可能是不一样的。例如,可能在t帧图像中没有检测出车轴的位置,在第t+1帧图像中有车轴出现,这种车轴需要标记为新轴需要后续继续跟踪检测;反之也有可能第t帧图像中检测出车轴的位置,在第t+1帧图像中没有检测到该车轴,这种车轴需要标记为假轴需要后续持续跟踪检测。
可选的,检测分值的一种计算方式为:对于每个车轴,根据每张第一拍摄图像的权重和第一车轴信息计算每张第一拍摄图像中该车轴的第一分值;将M张第一拍摄图像各自对应的第一分值相加,得到该车轴的检测分值。具体的,若第一拍摄图像中未检测到该车轴,则该第一拍摄图像中该车轴的第一分值为0;若第一拍摄图像中检测到该车轴,则该第一拍摄图像中该车轴的第一分值为该第一拍摄图像的权重。
示例性的,假设M=5,5张第一拍摄图像分配的权重依次为0.1、0.15、0.25、0.4、0.1。根据每张第一拍摄图像的第一车轴信息可知,第1-2张第一拍摄图像中未检测到车轴A,第3-5张第一拍摄图像中检测到车轴A。那么车轴A的检测分值为0+0+0.25+0.4+0.1=0.75。
相应的,根据检测分值确定目标车辆的车轴数量的一种实现方式为:对于每个车轴,若该车轴的检测分值大于或等于第一预设分值,则该车轴的检测结果为目标车辆存在该车轴;若该车轴的检测分值小于第一预设分值,则该车轴的检测结果为目标车辆不存在该车轴;在确定每个车轴的检测结果之后,根据每个车辆的检测结果确定目标车辆的车轴数量。
上述方法需要计算M张第一拍摄图像的权重之和,计算量相对较大。为了减少计算量,可选的,根据检测分值确定目标车辆的车轴数量的另一种计算方式为:
对于每个车轴,根据第1张第一拍摄图像的权重和第一车轴信息计算第1张拍摄图像中该车轴的第一分值;若第一分值大于或等于第二预设分值,则该车轴的检测结果为目标车辆存在该车轴;若第二分值小于第二预设分值,则根据第2张第一拍摄图像的权重和第一车轴信息计算第2张拍摄图像中该车轴的第一分值,并将第1张拍摄图像中该车轴的第一分值与第2张拍摄图像中该车轴的第一分值进行累加,得到分值累加值;若分值累加值大于或等于第二预设分值,则该车轴的检测结果为目标车辆存在该车轴;若分值累加值小于第二预设分值,则继续根据第3张第一拍摄图像的权重和第一车轴信息计算第3张拍摄图像中该车轴的第一分值,并将第3张拍摄图像中该车轴的第一分值和当前的分值累加值进行累加,得到更新后的分值累加值;依次类推。
示例性的,假设M=5,第4张第一拍摄图像中目标车辆距离第三预设位置最近,5张第一拍摄图像分配的权重依次为0.1、0.15、0.25、0.4、0.1。其中,第1-3张第一拍摄图像中未检测到车轴A,第4-5张拍摄图像中检测到车轴A;第1-2张第一拍摄图像中检测出车轴B,第3-5张第一拍摄图像中检测出车轴B。假设第二预设分值为0.5。
对于车轴A,第1-3张第一拍摄图像各自的第一分值之和为0;分值累计值小于0.5,则将第4张第一拍摄图像对应第一分值累加到分值累加值上,得到更新后的分值累加值为0+0.4=0.4;此时分值累加值小于0.5,则继续计算第5张第一拍摄图像的第一分值,并累加,得到分值累加值为0.4+0.1=0.5。此时分值累加值等于0.5,则确定目标车辆存在车轴A。
对于车轴B,第1张第一拍摄图像的第一分值为0.1,小于0.5;继续计算第2张第一拍摄图像的第一分值,并累加,得到分值累加值为0.1+0.15=0.25,依然小于0.5;由于第3-5张第一拍摄图像中均为检测出车轴B,则第3-5张第一拍摄图像各自的第一分值均为0,因此,继续累加第3-5张第一拍摄图像的第一分值,得到的最终分值累加值仍为0.25+0=0.25,小于0.5,则确定目标车辆不存在车轴B。
通过该实现方式,当前几张第一拍摄图像的第一分值之和达到预设分值时,即可确定车轴的存在状态,无需继续计算后续图像的第一分值,可以有效减少数据的计算量。另外,通过该方式,数据处理装置可以每获取一张第一拍摄图像,获得一次检测结果,即检测结果是实时更新的。而第一种实现方式中,需要获取全部的第一拍摄图像后才能确定检测结果。与第一种实现方式相比,该实现方式的实时性更强。
在一个实施例中,根据N张第二拍摄图像识别目标车辆的第四车辆信息的步骤可以包括:
将N张第二拍摄图像进行图像拼接处理,得到拼接图像;根据拼接图像识别目标车辆的第四车辆信息。
如图1实施例所述,当第二摄像头的镜头轴向与车辆行驶方向垂直时,第二摄像头的视角范围有限。当车辆车身较长,或行驶速度较快时,第二摄像头获取到的第二拍摄图像中可能无法展示完整的车辆图像。针对该种情况,本申请实施例中对第二拍摄图像进行图像拼接处理,以保证第二拍是图像中车辆图像的完整性,进而有利于提高车辆信息的检测精度。
可选的,图像拼接处理的一种实现方式为:
计算第三拍摄图像和第四拍摄图像之间的相似区域,其中,第三拍摄图像和第四拍摄图像为相邻的两帧第二拍摄图像;
若相似区域对应的图像相似度大于或等于第一预设阈值,则根据相似区域对第三拍摄图像和第四拍摄图像进行图像拼接处理,得到第三拍摄图像和第四拍摄图像的拼接图像;
若相似区域对应的图像相似度小于第一预设阈值,则计算第三拍摄图像对应的第一距离与第四拍摄图像对应的第二距离之间的距离差值,其中,第一距离为获取第三拍摄图像时雷达检测到的目标车辆的车头与第三预设位置之间的距离,第二距离为获取第四拍摄图像时雷达检测到的目标车辆的车头与第三预设位置之间的距离;分别查找第三拍摄图像和第四拍摄图像中距离差值对应的像素位置;根据像素位置对第三拍摄图像和第四拍摄图像进行图像拼接处理,得到第三拍摄图像和第四拍摄图像的拼接图像。
在上述实现方式中,两帧相邻图像之间的相似区域可以根据现有的模板匹配方法,在此不再赘述。通过模板匹配方法可以计算出两帧图像之间不同区域的相似度,可以将相似度最大的区域确定为两帧图像之间的相似区域。
虽然理论上相邻两帧在拼接区域内一定会有重叠部分,但由于视频容易受到环境光的影响,现有算法不一定能找准相邻两帧相似的部分,当最大相似度小于或等于第一阈值时,本申请实施例通过雷达辅助检测相邻两帧图像中车头位置的位移,作为拼帧位移依据。由于雷达的检测特性,不易受环境光影响,因此,通过雷达辅助检测可以有效提高检测精度。
实际应用中,在进行图像拼接处理时,拼帧区域的宽度大于相邻两帧图像中车辆的最大位移,这样可以保证车辆在相邻两帧的拼帧区域内有重复的部分。
可选的,图像拼接处理的另一种实现方式为:
设定拼帧区域窗口;
若第三拍摄图像和第四拍摄图像中拼帧区域窗口对应的图像相似度大于或等于第一预设阈值,则根据当前拼帧区域窗口对应的图像对第三拍摄图像和第四拍摄图像进行图像拼接处理,得到第三拍摄图像和第四拍摄图像的拼接图像:
若第三拍摄图像和第四拍摄图像中拼帧区域窗口对应的图像相似度小于第一预设阈值,则将第四拍摄图像的拼帧区域窗口向前移动预设像素位置,再计算第四拍摄图像当前的拼帧区域窗口对应的图像与第三拍摄图像拼帧区域窗口对应的图像之间的相似度;如果相似度大于第一预设阈值,则根据当前拼帧区域窗口对应的图像对第三拍摄图像和第四拍摄图像进行图像拼接处理;如果相似度仍小于第一预设阈值,继续将第四拍摄图像的拼帧区域窗口向前移动预设像素位置,直到移动H次(预设次数)或搜索到相似度大于第一预设阈值的拼帧区域。
如果移动H次后,仍未搜索到相似度大于第一预设阈值的拼帧区域,则计算第三拍摄图像对应的第一距离与第四拍摄图像对应的第二距离之间的距离差值;分别查找第三拍摄图像和第四拍摄图像中距离差值对应的像素位置;根据像素位置对第三拍摄图像和第四拍摄图像进行图像拼接处理,得到第三拍摄图像和第四拍摄图像的拼接图像。
由于图像中有些车辆或门架的影响,相邻两帧中可能前一帧有阴影、后一帧刚好没阴影,这将影响模型匹配效果。因此,本申请实施例中,设置了拼帧区域窗口,拼帧区域窗口滑动处理后能够解决上述问题。
基于图1所述的实施例,通过双目相机的两个摄像头分别为白光摄像头和红光摄像头,通过两个摄像头可以分别获取第三车辆信息和第四车辆信息。在一个实施例中,S404可以包括:
若当前的天气类型为第一类型,则根据第一车辆信息和第四车辆信息识别目标车辆的车辆类型,得到第一识别结果;根据第二车辆信息对第一识别结果进行修正,得到最终识别结果;
若当前的天气类型为第二类型,则根据第三车辆信息识别目标车辆的车辆类型,得到第二识别结果;根据第一车辆信息和第三车辆信息对第二识别结果进行修正,得到最终识别结果。
示例性的,第一类型包括晴天和夜晚。以夜晚为例,由于雷达探测不容易受光线影响,第二摄像头(红光摄像头)不易受白光影响,因此,通过雷达和第二摄像头(红光摄像头)可以在夜晚获得更稳定、更准确的检测结果,再辅以第一摄像头的第三车辆信息,可以进一步提高检测精度。
第二类型包括雨雪天气和雾霾天气。在这种类型的天气下,雨雪或雾霾的颗粒物可能对雷达的探测产生影响;而由于白光摄像头均有白光补光灯,在这种类型天气下,白光摄像头比红光摄像头的拍摄效果更好。因此,该类型天气下,通过第一摄像头可以获得更准确的检测结果,再辅以雷达的第一车辆信息和第二摄像头的第四车辆信息,可以进一步提高检测精度。
需要说明的是,实际应用中,还可以根据不同应用场景选择以哪些车辆信息为主,哪些车辆信息为辅。在此不做具体限定。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的车辆识别方法,图5是本申请实施例提供的车辆识别装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图5,该装置包括:
第一识别单元51,用于通过所述雷达识别目标车辆的第一车辆信息。
第一拍摄单元52,用于当所述目标车辆达到第一预设位置,通过所述双目相机对所述目标车辆进行跟踪拍摄,直到所述目标车辆离开所述双目相机的拍摄范围。
第二识别单元53,用于根据由所述双目相机跟踪拍摄获得的图像集识别所述目标车辆的第二车辆信息。
第三识别单元54,用于根据所述第一车辆信息和所述第二车辆信息识别所述目标车辆的车辆类型。
可选的,所述双目相机包括第一摄像头和第二摄像头。
相应的,第一拍摄单元52还用于:
当所述目标车辆达到所述第一预设位置,通过所述第一摄像头对所述目标车辆进行跟踪拍摄,直到所述目标车辆达到第二预设位置;当所述目标车辆达到所述第二预设位置,通过所述第二摄像头对所述目标车辆进行跟踪拍摄,直至所述目标车辆离开所述第二摄像头的拍摄区域。
可选的,所述第二车辆信息包括第三车辆信息和第四车辆信息;所述图像集包括由所述第一摄像头拍摄获得的M张第一拍摄图像和由所述第二摄像头拍摄获得的N张第二拍摄图像,所述M和所述N为正整数。
相应的,第二识别单元53还用于:
根据所述M张第一拍摄图像识别所述目标车辆的第三车辆信息;根据所述N张第二拍摄图像识别所述目标车辆的第四车辆信息。
可选的,所述第三车辆信息包括车轴数量。
相应的,第二识别单元53还用于:
识别每张所述第一拍摄图像中的车轴,得到每张所述第一拍摄图像的第一车轴信息;根据第三预设位置和所述第一车轴信息为每张所述第一拍摄图像分配权重,所述第三预设位置位于所述第一预设位置和所述第二预设位置之间;根据每张所述第一拍摄图像的所述第一车轴信息和所述权重,计算识别出的所述车轴的检测分值;根据所述检测分值确定所述目标车辆的车轴数量。
可选的,第二识别单元53还用于:
将所述N张第二拍摄图像进行图像拼接处理,得到拼接图像;根据所述拼接图像识别所述目标车辆的所述第四车辆信息。
可选的,第二识别单元53还用于:
计算第三拍摄图像和第四拍摄图像之间的相似区域,其中,所述第三拍摄图像和所述第四拍摄图像为相邻的两帧第二拍摄图像;
若所述相似区域对应的图像相似度大于或等于第一预设阈值,则根据所述相似区域对所述第三拍摄图像和所述第四拍摄图像进行图像拼接处理,得到所述第三拍摄图像和所述第四拍摄图像的拼接图像;
若所述相似区域对应的图像相似度小于第一预设阈值,则计算所述第三拍摄图像对应的第一距离与所述第四拍摄图像对应的第二距离之间的距离差值,其中,所述第一距离为获取所述第三拍摄图像时所述雷达检测到的所述目标车辆的车头与所述第三预设位置之间的距离,所述第二距离为获取所述第四拍摄图像时所述雷达检测到的所述目标车辆的车头与所述第三预设位置之间的距离;
分别查找所述第三拍摄图像和所述第四拍摄图像中所述距离差值对应的像素位置;
根据所述像素位置对所述第三拍摄图像和所述第四拍摄图像进行图像拼接处理,得到所述第三拍摄图像和所述第四拍摄图像的拼接图像。
可选的,第三识别单元54还用于:
若当前的天气类型为第一类型,则根据所述第一车辆信息和所述第四车辆信息识别所述目标车辆的车辆类型,得到第一识别结果;根据所述第二车辆信息对所述第一识别结果进行修正,得到最终识别结果;
若当前的天气类型为第二类型,则根据所述第三车辆信息识别所述目标车辆的车辆类型,得到第二识别结果;根据所述第一车辆信息和所述第三车辆信息对所述第二识别结果进行修正,得到最终识别结果。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
另外,图5所示的车辆识别装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元,也可以作为独立的挂件集成到所述终端设备中,还可以作为独立的终端设备存在。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、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单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图6是本申请实施例提供的终端设备的结构示意图。如图6所示,该实施例的终端设备6包括:至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62,所述处理器60执行所述计算机程序62时实现上述任意各个车辆识别方法实施例中的步骤。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图6仅仅是终端设备6的举例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),该处理器60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 Integrated Circuit,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。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。
所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元,例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备,例如所述终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作***、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
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、或者计算机软件和电子硬件的结合来实现。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申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,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。
以上所述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精神和范围,均应包含在本申请的保护范围之内。
Claims (13)
1.一种车辆识别方法,其特征在于,应用于车辆识别***,所述车辆识别***包括雷达和双目相机,所述方法包括:
通过所述雷达识别目标车辆的第一车辆信息;
当所述目标车辆达到第一预设位置,通过所述双目相机对所述目标车辆进行跟踪拍摄,直到所述目标车辆离开所述双目相机的拍摄范围;
根据由所述双目相机跟踪拍摄获得的图像集识别所述目标车辆的第二车辆信息;
根据所述第一车辆信息和所述第二车辆信息识别所述目标车辆的车辆类型。
2.如权利要求1所述的车辆识别方法,其特征在于,所述双目相机包括第一摄像头和第二摄像头;
所述当所述目标车辆达到第一预设位置,通过所述双目相机对所述目标车辆进行跟踪拍摄,直到所述目标车辆离开所述双目相机的拍摄范围,包括:
当所述目标车辆达到所述第一预设位置,通过所述第一摄像头对所述目标车辆进行跟踪拍摄,直到所述目标车辆达到第二预设位置;
当所述目标车辆达到所述第二预设位置,通过所述第二摄像头对所述目标车辆进行跟踪拍摄,直至所述目标车辆离开所述第二摄像头的拍摄区域。
3.如权利要求2所述的车辆识别方法,其特征在于,所述第二车辆信息包括第三车辆信息和第四车辆信息;
所述图像集包括由所述第一摄像头拍摄获得的M张第一拍摄图像和由所述第二摄像头拍摄获得的N张第二拍摄图像,所述M和所述N为正整数;
所述根据由所述双目相机跟踪拍摄获得的图像集识别所述目标车辆的第二车辆信息,包括:
根据所述M张第一拍摄图像识别所述目标车辆的第三车辆信息;
根据所述N张第二拍摄图像识别所述目标车辆的第四车辆信息。
4.如权利要求3所述的车辆识别方法,其特征在于,所述第三车辆信息包括车轴数量;
所述根据所述M张第一拍摄图像识别所述目标车辆的第三车辆信息,包括:
识别每张所述第一拍摄图像中的车轴,得到每张所述第一拍摄图像的第一车轴信息;
根据第三预设位置和所述第一车轴信息为每张所述第一拍摄图像分配权重,所述第三预设位置位于所述第一预设位置和所述第二预设位置之间;
根据每张所述第一拍摄图像的所述第一车轴信息和所述权重,计算识别出的所述车轴的检测分值;
根据所述检测分值确定所述目标车辆的车轴数量。
5.如权利要求3所述的车辆识别方法,其特征在于,所述根据所述N张第二拍摄图像识别所述目标车辆的第四车辆信息,包括:
将所述N张第二拍摄图像进行图像拼接处理,得到拼接图像;
根据所述拼接图像识别所述目标车辆的所述第四车辆信息。
6.如权利要求5所述的车辆识别方法,其特征在于,所述将所述N张第二拍摄图像进行图像拼接处理,得到拼接图像,包括:
计算第三拍摄图像和第四拍摄图像之间的相似区域,其中,所述第三拍摄图像和所述第四拍摄图像为相邻的两帧第二拍摄图像;
若所述相似区域对应的图像相似度大于或等于第一预设阈值,则根据所述相似区域对所述第三拍摄图像和所述第四拍摄图像进行图像拼接处理,得到所述第三拍摄图像和所述第四拍摄图像的拼接图像;
若所述相似区域对应的图像相似度小于第一预设阈值,则计算所述第三拍摄图像对应的第一距离与所述第四拍摄图像对应的第二距离之间的距离差值,其中,所述第一距离为获取所述第三拍摄图像时所述雷达检测到的所述目标车辆的车头与第三预设位置之间的距离,所述第二距离为获取所述第四拍摄图像时所述雷达检测到的所述目标车辆的车头与所述第三预设位置之间的距离;
分别查找所述第三拍摄图像和所述第四拍摄图像中所述距离差值对应的像素位置;
根据所述像素位置对所述第三拍摄图像和所述第四拍摄图像进行图像拼接处理,得到所述第三拍摄图像和所述第四拍摄图像的拼接图像。
7.如权利要求3所述的车辆识别方法,其特征在于,所述根据所述第一车辆信息和所述第二车辆信息识别所述目标车辆的车辆类型,包括:
若当前的天气类型为第一类型,则根据所述第一车辆信息和所述第四车辆信息识别所述目标车辆的车辆类型,得到第一识别结果;根据所述第二车辆信息对所述第一识别结果进行修正,得到最终识别结果;
若当前的天气类型为第二类型,则根据所述第三车辆信息识别所述目标车辆的车辆类型,得到第二识别结果;根据所述第一车辆信息和所述第三车辆信息对所述第二识别结果进行修正,得到最终识别结果。
8.如权利要求2所述的车辆识别方法,其特征在于,所述雷达的探测范围大于所述双目相机的拍摄范围,且所述雷达的探测范围中存在目标截面,所述目标截面为与所述目标车辆的行驶方向垂直的探测截面;
所述第二预设位置为所述目标截面与路面的交线。
9.如权利要求3所述的车辆识别方法,其特征在于,所述第一摄像头为白光摄像头,所述第一摄像头的镜头轴向与所述目标车辆的行驶方向的夹角小于90度;
所述第二摄像头为红光摄像头,所述第二摄像头的镜头轴向与所述目标车辆的行驶方向的夹角等于90度。
10.一种车辆识别装置,其特征在于,应用于车辆识别***,所述车辆识别***包括雷达和双目相机,所述装置包括:
第一识别单元,用于通过所述雷达识别目标车辆的第一车辆信息;
第一拍摄单元,用于当所述目标车辆达到第一预设位置,通过所述双目相机对所述目标车辆进行跟踪拍摄,直到所述目标车辆离开所述双目相机的拍摄范围;
第二识别单元,用于根据由所述双目相机跟踪拍摄获得的图像集识别所述目标车辆的第二车辆信息;
第三识别单元,用于根据所述第一车辆信息和所述第二车辆信息识别所述目标车辆的车辆类型。
11.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述的方法。
12.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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至9任一项所述的方法。
13.一种车辆识别***,其特征在于,所述车辆识别***包括雷达、双目相机和数据处理装置,所述数据处理装置分别与所述雷达和所述双目相机通信连接,所述数据处理装置用于实现如权利要求1至9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525813.9A CN114463372A (zh) | 2021-12-14 | 2021-12-14 | 车辆识别方法、装置、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525813.9A CN114463372A (zh) | 2021-12-14 | 2021-12-14 | 车辆识别方法、装置、终端设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114463372A true CN114463372A (zh) | 2022-05-10 |
Family
ID=81406236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111525813.9A Pending CN114463372A (zh) | 2021-12-14 | 2021-12-14 | 车辆识别方法、装置、终端设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463372A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115527180A (zh) * | 2022-11-03 | 2022-12-27 | 北京贝能达信息技术股份有限公司 | 一种基于图像识别技术的车厢拥挤度识别*** |
CN116091899A (zh) * | 2023-04-12 | 2023-05-09 | 中国铁塔股份有限公司 | 车辆跟踪方法、***、装置、电子设备及可读存储介质 |
WO2024001356A1 (zh) * | 2022-06-30 | 2024-01-04 | 比亚迪股份有限公司 | 车辆的检测方法、控制器、程序和存储介质 |
-
2021
- 2021-12-14 CN CN202111525813.9A patent/CN114463372A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024001356A1 (zh) * | 2022-06-30 | 2024-01-04 | 比亚迪股份有限公司 | 车辆的检测方法、控制器、程序和存储介质 |
CN115527180A (zh) * | 2022-11-03 | 2022-12-27 | 北京贝能达信息技术股份有限公司 | 一种基于图像识别技术的车厢拥挤度识别*** |
CN115527180B (zh) * | 2022-11-03 | 2023-05-23 | 北京贝能达信息技术股份有限公司 | 一种基于图像识别技术的车厢拥挤度识别*** |
CN116091899A (zh) * | 2023-04-12 | 2023-05-09 | 中国铁塔股份有限公司 | 车辆跟踪方法、***、装置、电子设备及可读存储介质 |
CN116091899B (zh) * | 2023-04-12 | 2023-06-23 | 中国铁塔股份有限公司 | 车辆跟踪方法、***、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114463372A (zh) | 车辆识别方法、装置、终端设备及计算机可读存储介质 | |
CN113671480B (zh) | 雷达与视频融合交通目标跟踪方法、***、设备、终端 | |
US9292750B2 (en) | Method and apparatus for detecting traffic monitoring video | |
US8175331B2 (en) | Vehicle surroundings monitoring apparatus, method, and program | |
CN109035790B (zh) | 车辆交通违法的证据获取方法及*** | |
CN110930692A (zh) | 一种主动式车辆连续跟踪装置、***及方法 | |
CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
CN103049909B (zh) | 一种以车牌为焦点的曝光方法 | |
Kim et al. | Low-level sensor fusion network for 3d vehicle detection using radar range-azimuth heatmap and monocular image | |
CN111213153A (zh) | 目标物体运动状态检测方法、设备及存储介质 | |
CN110111582B (zh) | 基于tof相机的多车道自由流车辆检测方法及*** | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN115034324B (zh) | 一种多传感器融合感知效能增强方法 | |
CN113255439B (zh) | 一种障碍物识别方法、装置、***、终端及云端 | |
CN115690061B (zh) | 一种基于视觉的集装箱码头集卡车检测方法 | |
JP3656056B2 (ja) | 割り込み車両検出装置及びその方法 | |
CN112784679A (zh) | 车辆避障方法和装置 | |
CN107506753B (zh) | 一种面向动态视频监控的多车辆跟踪方法 | |
CN112927283A (zh) | 测距方法及装置、存储介质及电子设备 | |
CN114495512B (zh) | 一种车辆信息检测方法、***、电子设备及可读存储介质 | |
CN114627409A (zh) | 一种车辆异常变道的检测方法及装置 | |
Srinivasa et al. | A fusion system for real-time forward collision warning in automobiles | |
CN116958935A (zh) | 基于多视角的目标定位方法、装置、设备及介质 | |
CN116912517A (zh) | 相机视野边界的检测方法及装置 | |
CN113468911A (zh) | 一种车载闯红灯检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |