[发明专利]港口重型车辆的细粒度检测识别方法在审
申请号: | 201810455259.3 | 申请日: | 2018-05-14 |
公开(公告)号: | CN108615028A | 公开(公告)日: | 2018-10-02 |
发明(设计)人: | 刘子健;史小林;刘鹤云 | 申请(专利权)人: | 北京主线科技有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/46;G06T7/00 |
代理公司: | 天津市三利专利商标代理有限公司 12107 | 代理人: | 杨红 |
地址: | 100084 北京*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 细粒度检测 高清相机 计算模块 重型车辆 港口 相机 读取 采集目标 车辆检测 车辆行驶 车辆姿态 成像结果 成像数据 成像信息 港口车辆 前方视野 响应 检测 场景 驾驶 合并 镜头 | ||
本发明涉及一种港口重型车辆的细粒度检测识别方法,在驾驶车辆上安装镜头朝向车辆行驶前方的高清相机,将高清相机与计算模块连接,使用计算模块读取相机的成像数据,进行前方视野范围内的车辆检测识别,具体方法步骤如下:1)采集目标港口车辆在相机中的成像信息;2)响应变换及合并响应;3)车辆的细粒度检测;4)解决不同车辆姿态对检测带来的影响。有益效果:本发明借助高清相机和计算模块,对于各类场景下的港口重型车辆不同成像结果,均能够做出快速准确的检测识别。
技术领域
本发明属于车辆检测领域,尤其涉及一种港口重型车辆的细粒度检测识别方法。
背景技术
港口是重要的水陆集散地,港口重型车辆承担了大型货物在水陆运输之间转换的重要角色。在港口作业环境下车辆密度高,而且与中小型车辆相比,重型车辆的驾驶难度更大,这就对驾驶员提出了更高的要求。因此,研发针对港口重型车辆的辅助驾驶技术被提上日程,而其中对于港口重型车辆的检测与识别是该技术的基础与核心。港口的主要车辆类别为卡车(包括牵引车和车挂)、叉车等实际道路不常见的车辆。在港口作业环境下,不同姿态下的车辆在相机中的成像存在较大差异,且港口卡车存在携带短车挂、长车挂、已装载集装箱、未装载集装箱、正在装载集装箱等各类不同的状态场景组合。
目前的车辆检测识别方案有一部分借助于昂贵的激光雷达设备,然而激光雷达虽然能够有效地检测出障碍物,但是其采集到的信息密度小,提取到目标特征很困难,因此仅通过激光雷达难以在环境中识别出车辆。其他一些利用相机作为传感器的车辆检测识别方案,鲜有针对港口作业环境,更无法对港口重型车辆做出细粒度的检测识别,为辅助驾驶系统提供的用于决策控制的信息十分有限。
发明内容
本发明是为了克服现有技术中的不足,提供一种港口重型车辆的细粒度检测识别方法,对于各类场景下的港口重型车辆不同成像结果,进行车辆细粒度的检测识别,显著提高了港口重型车辆的检测识别准确率。
本发明为实现上述目的,通过以下技术方案实现,一种港口重型车辆的细粒度检测识别方法,其特征是:在驾驶车辆上安装镜头朝向车辆行驶前方的高清相机,将高清相机与计算模块连接,使用计算模块读取相机的成像数据,进行前方视野范围内的车辆检测识别,具体方法步骤如下:
1)采集目标港口车辆在相机中的成像信息
①采集港口作业环境图像数据,并对图像中的车辆检测目标进行标注,将标注好的图像样本数据用于模型训练,构建多组滤波器模板和目标可变形组件空间模型,提取出空间模型和滤波器模板;
②使用滑动窗口方法在标注好的图像上提取候选窗口,计算图像的方向梯度直方图特征,根据方向梯度直方图金字塔训练全局的根滤波器和多个部件模型,其中每个部件模型都包含一个部件滤波器和一个空间模型;所述部件滤波器用于响应车头、车挂、车轮、货箱类车辆组件,空间模型定义了每个检测到的部件在全局检测窗口中出现的相对位置,用于计算部件位置变化带来的变形损失;
2)响应变换及合并响应
①检测过程中,对于采集到的图像数据,提取其方向梯度直方图特征金字塔,计算低分辨率特征和根滤波器之间的响应;
②计算高分辨率特征与各个部件滤波器之间的响应,对响应计算结果做尺寸变换后,合并两部分的响应计算结果,与之前训练得到的空间模型作比较,计算每个窗口x的置信度得分,计算公式为:
fβ=maxzβ·Φ(x,z)
其中:
z为各部件在窗口中出现的相对位置
β为滤波器以及空间模型参数;
③对窗口的置信度设置一个阈值,将得分大于阈值的窗口设为拟合程度高的可信检测结果;
3)车辆的细粒度检测
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京主线科技有限公司,未经北京主线科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810455259.3/2.html,转载请声明来源钻瓜专利网。