CN108319910B - 一种车辆识别方法、装置及终端 - Google Patents

Abstract

本发明提供一种车辆识别方法、装置及终端，涉及辅助驾驶技术领域，该方法包括：在空间坐标系中，若障碍物框Y方向上的高度落入预设的高度范围、X方向上的宽度落入预设的宽度范围且小于预设的宽度阈值，从拍摄的第一灰度图中截取所述障碍物框所在区域的第二灰度图；检测所述第二灰度图中的横线段，并基于所述横线段确定对称轴；若基于所述对称轴左右对称的横线段的数量占所有横线段的数量的比例大于预设的比例阈值，确定所述障碍物框中的障碍物为车辆。本发明可有效提升车辆识别的准确度。

Description

一种车辆识别方法、装置及终端

技术领域

本发明涉及辅助驾驶技术领域，尤其涉及一种车辆识别方法、装置及终端。

背景技术

车辆识别是汽车辅助驾驶应用的基础，通过快速准确的车辆识别可有效减少交通事故的发生。

目前，车辆识别技术主要是在双目视觉技术得到的视差图的基础上进行障碍物检测，通过检测可获得障碍物在三维空间中的大小以及障碍物距离相机的距离，根据获取的障碍物的实际高度、实际宽度以及宽度与高度的比例，确定障碍物是否为车辆，但是，当多人并排行走，或者，其它与车辆宽度、高度类似的障碍物出现时，会被误识别为车辆，因此，识别的准确度不高。

发明内容

本发明为了解决现有车辆识别准确度不高的问题，提供一种车辆识别方法、装置及终端，用以提升车辆识别的准确度。

为实现上述发明目的，本发明提供了如下技术方案：

第一方面，本发明提供一种车辆识别方法，所述方法包括：

在空间坐标系中，若障碍物框Y方向上的高度落入预设的高度范围、X方向上的宽度落入预设的宽度范围且小于预设的宽度阈值，从拍摄的第一灰度图中截取所述障碍物框所在区域的第二灰度图；

检测所述第二灰度图中的横线段，并基于所述横线段确定对称轴；

若基于所述对称轴左右对称的横线段的数量占所有横线段的数量的比例大于预设的比例阈值，确定所述障碍物框中的障碍物为车辆。

可选的，所述检测所述第二灰度图中的横线段，包括：

对所述第二灰度图提取纵向梯度，并基于预设的梯度阈值进行二值化处理，得到二值化的梯度图，其中，大于所述梯度阈值的像素点的灰度值记为第一值，小于所述梯度阈值的像素点的灰度值记为第二值；

对所述梯度图中行基于灰度值为第一值的像素点划分横线段。

可选的，所述对所述梯度图中行基于灰度值为第一值的像素点划分横线段，包括：

记录首个遍历到的灰度值为第一值的像素点的第一横坐标；

继续遍历，直至连续出现第一数量阈值个灰度值为第二值的像素点，或者，已遍历到所述当前行的最后一个像素点，记录已遍历的最后一个灰度值为第一值的像素点的第二横坐标；

统计所述当前行中位于所述第一横坐标和所述第二横坐标之间的像素点的个数；

若所述像素点的个数大于第二数量阈值，将所述当前行中位于所述第一横坐标和所述第二横坐标之间的像素点划分为横线段。

可选的，所述基于所述横线段确定对称轴，包括：

确定所述横线段中横跨所述第二灰度图的竖直中心线的横线段所在的目标行；

确定所述目标行中横线段中心点的横坐标；

将所述横坐标的均值作为所述对称轴所在列。

可选的，所述若基于所述对称轴左右对称的横线段的数量占所有横线段的数量的比例大于预设的比例阈值，确定所述障碍物框中的障碍物为车辆，包括：

若基于所述对称轴左右对称的横线段所在行的数量占所有横线段所在行的数量的比例大于预设的比例阈值，确定所述障碍物框中的障碍物为车辆。

第二方面，本发明提供一种车辆识别装置，所述装置包括：

截取单元，用于在空间坐标系中，若障碍物框Y方向上的高度落入预设的高度范围、X方向上的宽度落入预设的宽度范围且小于预设的宽度阈值，从拍摄的第一灰度图中截取所述障碍物框所在区域的第二灰度图；

检测单元，用于检测所述第二灰度图中的横线段，并基于所述横线段确定对称轴；

识别单元，用于若基于所述对称轴左右对称的横线段的数量占所有横线段的数量的比例大于预设的比例阈值，则确定所述障碍物框中的障碍物为车辆。

可选的，

所述截取单元，还用于若所述障碍物框Y方向上的高度落入预设的高度范围、X方向上的宽度落入预设的宽度范围且大于所述宽度阈值，从所述障碍物框中截取第三灰度图；

所述检测单元，还用于对所述第三灰度图进行圆形检测；

所述识别单元，还用于若所述第三灰度图中存在两个半径均落入预设半径范围的非类似同心圆形，确定所述障碍物框中的障碍物为车辆。

第三方面，本发明提供一种车辆识别终端，包括摄像头组件、处理器以及机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现上述车辆识别方法。

第四方面，本发明提供一种机器可读存储介质，所述机器可读存储介质内存储有机器可执行指令，所述机器可执行指令被处理器执行时实现上述车辆识别方法。

由以上描述可以看出，本发明在已检测出障碍物框的基础上进行车辆识别，若空间坐标系中障碍物框Y方向上的高度落入预设的高度范围(基于一般车辆的高度确定的范围)、X方向上的宽度落入预设的宽度范围(基于一般车辆的车头、车尾宽度以及侧身长度确定的范围)且小于预设的宽度阈值(该阈值大于车头、车尾的宽度但小于车辆的侧身长度)，则确定当前障碍物框中的障碍物可能为车辆且处于车头或车尾状态，截取障碍物框所在区域的灰度图，检测该灰度图中的横线段(灰度变化明显的横向线条)，并基于检测出的横线段确定对称轴；若基于对称轴左右对称的横线段占检测出的所有横线段的比例大于预设的比例阈值，则说明障碍物框中的障碍物具有左右对称的特点，因此，确定该障碍物框中的障碍物为车辆，即利用车头、车尾的对称特性来识别车辆，以提升识别的准确度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅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是本发明实施例示出的一种车辆识别方法流程图；

图2是本发明实施例示出的相机拍摄的一道路场景的灰度图；

图3是从图2所示灰度图中截取的障碍物框的灰度图的示例；

图4是在图3所示灰度图的基础上进行纵向梯度提取并二值化处理后的梯度图；

图5是本发明实施例示出的梯度图中行上的横线段划分示意图；

图6是在图4所示梯度图的基础上检测出的横线段的示意图；

图7是本发明实施例示出的一种基于横线段确定对称轴的简易示意图；

图8是本发明实施例示出的基于图6所示横线段确定出的对称轴的示意图；

图9是本发明实施例示出的相机拍摄的另一道路场景的灰度图；

图10是本发明实施例示出的从图9所示灰度图中截取的第三灰度图；

图11是本发明实施例示出从图10所示灰度图中提取的边缘图；

图12是本发明实施例示出的满足半径范围的圆形的示意图；

图13是本发明实施例示出的车辆识别终端的结构示意图；

图14是本发明实施例示出的一种车辆识别逻辑的结构示意图。

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发明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、本发明的一些方面相一致的装置和方法的例子。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

本发明提供一种车辆识别方法，参见图1，为本发明车辆识别方法的一个实施例流程图，该实施例对车辆识别的过程进行描述。

步骤101，在空间坐标系中，若障碍物框Y方向上的高度落入预设的高度范围、X方向上的宽度落入预设的宽度范围且小于预设的宽度阈值，从拍摄的第一灰度图中截取所述障碍物框所在区域的第二灰度图。

本发明是在已检测出障碍物框的基础上进行车辆识别。参见图2，为本发明实施例示出的一种道路场景的灰度图，该灰度图中已存在多个检测出的障碍物框。

首先，计算障碍物框在空间坐标系(以相机为坐标原点)中X方向上的宽度和Y方向上的高度，亦称为实际宽度和实际高度，可通过如下公式表示：

其中，realWid代表障碍物框的实际宽度；obsWid代表障碍物框在图像中的成像宽度，单位为像素个数；realZ代表障碍物框在空间坐标系中距离相机的实际距离(可基于障碍物框内障碍物的平均视差计算得到)；pixelSize代表一个像素点的实际尺寸；focus代表相机焦距；realHei代表障碍物框的实际高度；obsHei代表障碍物框在图像中的成像高度，单位为像素个数。

预设车辆的宽度范围、高度范围以及宽度阈值，其中，宽度范围基于一般车辆的车头、车尾宽度以及侧身长度确定，例如，一般车辆的车头或车尾的正常宽度在1.5米～2.6米之间，考虑到视差图像的误差，可设置车辆的宽度范围为大于1.2米，即宽度大于1.2米的障碍物可能为车辆(大于2.6米的可能为车辆的侧身状态)；高度范围基于一般车辆的高度确定，例如，一般车辆的高度在1.4米～3.5米之间，因此，可设置车辆的高度范围为1.2米～4.0米之间；宽度阈值应大于车辆的车头或车尾的宽度(一般车头或车尾的宽度为1.5米～2.6米)但小于车辆侧身的长度(一般侧身长度大于4米)，例如，设置宽度阈值为2.8米。当然，上述宽度范围、高度范围以及宽度阈值均可根据实际情况设定，在此不做限定。

若空间坐标系中障碍物框Y方向上的高度落入预设的高度范围、X方向上的宽度落入预设的宽度范围且小于预设的宽度阈值，说明当前障碍物框中的障碍物可能为处于车头或车尾状态的车辆，则基于该障碍物框的坐标(包括横、纵坐标、成像宽度、高度)从拍摄的道路场景的灰度图(双目相机拍摄的基准图，记为第一灰度图)中截取障碍物框所在区域的灰度图，记为第二灰度图。参见图3，为从图2所示灰度图中截取的一个障碍物框的灰度图的示例。

步骤102，检测所述第二灰度图中的横线段，并基于所述横线段确定对称轴。

具体为，对第二灰度图提取纵向梯度，并基于预设的梯度阈值进行二值化处理，得到二值化的梯度图，其中，大于梯度阈值的像素点的灰度值记为第一值，小于梯度阈值的像素点的灰度值记为第二值。参见图4，为在图3所示灰度图的基础上进行纵向梯度提取并进行二值化处理后的梯度图，其中，白色像素点的灰度值为255(即第一值)代表对应像素点存在明显梯度；黑色像素点的灰度值为0(即第二值)代表对应像素点没有明显梯度。结合图3和图4可以看出，在车辆的棱角处存在明显梯度。

对梯度图中的行基于灰度值为第一值的像素点划分横线段。具体为，记录首个遍历到的灰度值为第一值的像素点的第一横坐标；继续遍历，直至连续出现第一数量阈值个灰度值为第二值的像素点，或者，已遍历到当前行的最后一个像素点，记录已遍历的最后一个灰度值为第一值的像素点的第二横坐标。

其中，第一数量阈值为横线段中允许连续出现灰度值为第二值的像素点的最大个数，该第一数量阈值与第二灰度图像的宽度(单位为像素个数)呈正相关关系。例如，该第一数量阈值可通过如下公式表示：

其中，longT代表第一数量阈值；iWid代表第二灰度图像的宽度；α代表调节因子。例如，若iWid为90个像素点，α为10，则第一数量阈值longT为9个像素点，即若未出现连续9个灰度值为第二值的像素点，则继续遍历；否则，结束当前横线段遍历。

统计当前行中位于第一横坐标和第二横坐标之间的像素点的个数；若像素点的个数大于第二数量阈值，则将当前行中位于第一横坐标和第二横坐标之间的像素点划分为横线段。

其中，第二数量阈值为横线段的长度阈值(单位为像素个数)，与第二灰度图像的宽度(单位为像素个数)呈正相关关系。例如，该第二数量阈值可通过如下公式表示：

其中，carWidT代表第二数量阈值；iWid代表第二灰度图像的宽度；β代表调节因子。例如，若iWid为90个像素点，β为3，则第二数量阈值carWidT为30个像素点。

也就是说，当位于第一横坐标和第二横坐标之间的像素点的个数超过第二数量阈值时，位于第一横坐标和第二横坐标之间的像素点才可作为横线段，参与后续处理。

参见图5，为本发明实施例示出的梯度图中行上横线段划分示意图。其中，白色点代表灰度值为第一值的像素点，黑色点代表灰度值为第二值的像素点；像素点上方的数字代表横坐标；预设第一数量阈值为9个像素点，第二数量阈值为30个像素点。从左到右依次遍历，首个遍历到的灰度值为第一值的像素点的横坐标为3，继续遍历；遍历到横坐标为13和14的像素点时，此时统计的灰度值连续为第二值的像素点的个数为2，小于第一数量阈值9，继续遍历；同理，遍历到横坐标为25～27的像素点时，此时统计的灰度值连续为第二值的像素点的个数为3，小于第一数量阈值9，继续遍历；遍历到横坐标为34～42的像素点时，此时统计的灰度值连续为第二值的像素点的个数为9，达到第一数量阈值，则确定已遍历过的最后一个灰度值为第一值的像素点的横坐标为33；统计位于横坐标3和横坐标33之间的像素点个数为31个，大于第二数量阈值30，因此，将横坐标3至横坐标33对应的像素点划分为横线段D。

参见图6，为在图4所示梯度图的基础上检测出的横线段的示意图，图中白色方框内的灰色长实线为检测出的横线段。

在完成第二灰度图的横线段检测后，基于检测出的横线段确定对称轴。具体为，确定检测出的横线段中横跨第二灰度图的竖直中心线的横线段所在的行(记为目标行)，确定目标行中横线段中心点的横坐标，将确定出的中心点的横坐标的均值作为对称轴所在列。

参见图7，为本发明实施例示出的一种基于横线段确定对称轴的简易示意图。其中，横坐标为180的竖实线为竖直中心线，从该示意图中检测出8条横线段，分别记为横线段1～横线段8，其中，横线段1、横线段3、横线段4、横线段5、横线段7、横线段8横跨竖直中心线。确定横跨竖直中心线的横线段所在行的横线段的中心点的横坐标，例如，横线段1所在行只有一条横线段，该横线段1的中心点的横坐标为217.5；横线段3所在行只有一条横线段，该横线段3的中心点的横坐标为240；横线段4所在行只有一条横线段，该横线段4的中心点的横坐标为225；横线段5所在行只有一条横线段，该横线段5的中心点的横坐标为232.5；横线段7所在行包括横线段6和横线段7，横线段6的中心点的横坐标为285，横线段7的中心点的横坐标为165；横线段8所在行只有一条横线段，该横线段8的中心点的横坐标为210，则上述中心点的横坐标的均值为(217.5+240+225+232.5+285+165+210)/7＝225，该横坐标225所在列为对称轴所在列，即图7所示竖直虚线为对称轴。

在一种可选的实施方式中，可每隔预设数量个目标行，获取当前目标行中横线段的中心点的横坐标，例如，每隔2个目标行，获取1个目标行中横线段的中心点的横坐标；根据横坐标的均值，确定对称轴所在列。通过减少参与确定对称轴的目标行的数量，可以降低运算量，提升车辆识别效率。

参见图8，为基于图6所示横线段确定出的对称轴的示意图。其中，竖直白色实线为第二灰度图的竖直中心线；竖直白色虚线为基于目标行的横线段中心点横坐标确定的对称轴。

步骤103，若基于所述对称轴左右对称的横线段的数量占所有横线段的数量的比例大于预设的比例阈值，则确定所述障碍物框中的障碍物为车辆。

具体为，统计同一行中位于对称轴左侧的横线段上的像素点的个数和位于对称轴右侧的横线段上的像素点的个数，若左右两侧像素点个数的差值小于第三数量阈值，则确定当前行中的横线段基于对称轴左右对称。

其中，第三数量阈值与第二灰度图像的宽度呈正相关关系。例如，该第三数量阈值可通过如下公式表示：

其中，T代表第三数量阈值；iWid代表第二灰度图像的宽度；δ代表调节因子，例如，预设δ＝8。

若基于对称轴左右对称的横线段的数量占第二灰度图中所有横线段的数量的比例大于预设的比例阈值，则确定当前障碍物框中的障碍物为车辆。例如，若预设比例阈值为0.7，第二灰度图中检测出16条横线段，其中，基于对称轴左右对称的横线段有12条，则占比为12/16＝0.75，大于比例阈值0.7，因此，确定当前障碍物框中的障碍物为车辆，即利用处于车头或车尾状态的车辆的对称性来识别车辆，以提升识别的准确度。

可选的，若基于对称轴左右对称的横线段所在行的数量占第二灰度图中所有横线段所在行的数量的比例大于预设的比例阈值，则确定当前障碍物框中的障碍物为车辆。例如，若预设比例阈值为0.7，第二灰度图中检测出16条横线段，分布于13行，其中，基于对称轴左右对称的横线段有12条，分布于11行，则占比可以表示为11/13＝0.846，大于比例阈值0.7，确定当前障碍物框中的障碍物为车辆。

以上为针对障碍物框中的障碍物可能为处于车头或车尾状态的车辆的识别，若障碍物框中的障碍物可能为处于侧身状态的车辆时，则采用如下方式识别：

具体为，若空间坐标系中障碍物框Y方向上的高度落入预设的高度范围、X方向上的宽度落入预设的宽度范围且大于宽度阈值，说明当前障碍物框中的障碍物可能为处于侧身状态的车辆，则从障碍物框中截取第三灰度图，例如，取障碍物框中下2/3区域作为第三灰度图。

参见图9，为本发明实施例示出的相机拍摄到的另一道路场景的灰度图，该灰度图中已检测出两个障碍物框，以右侧障碍物框为例，在该障碍物框中截取靠下的2/3区域，得到如图10所示的第三灰度图。

对第三灰度图进行边缘提取，例如，采用Canny边缘检测算法提取第三灰度图中障碍物的边缘轮廓。参见图11，为本发明在图10所示灰度图的基础上提取出的边缘图。

对提取的边缘图进行圆形检测，例如，利用霍夫圆变换检测边缘图中的圆形，若边缘图中存在两个半径均落入预设半径范围的非类似同心圆，则确定当前障碍物框中的障碍物为车辆。其中，预设的半径范围与第三灰度图的高度呈正相关关系，例如，预设半径范围为(H/5，H/3)，H代表第三灰度图的高度。参见图12，为检测出的满足半径范围的圆形的示意图，其中，线条较粗且光滑的圆形为基于半径范围检测出的圆形。

补充说明：上述圆形检测过程中，判断两个圆形是否为非类似同心圆的过程如下：若两个圆的圆心均位于对方圆形区域，则这两个圆形为类似同心圆，否则，为非类似同心圆。

从以上描述可以看出，本发明在已检测出的障碍物框的基础上进行车辆识别，若基于空间坐标系中障碍物框的宽度，确定障碍物可能为处于车头或车尾状态的车辆，则截取障碍物框对应灰度图检测用于体现障碍物棱角的横线段，若存在大量左右对称的横线段，则确定障碍物框中的障碍物为车辆；若基于空间坐标系中障碍物框的宽度，确定障碍物可能为所处侧身状态的车辆，则对障碍物框的下半部分进行圆形检测，若检测到满足预设半径范围的两个圆形，则确定障碍物框中的障碍物为车辆。本发明基于车辆处于不同状态时的特点对障碍物框中的障碍物进行识别，可有效提升识别的准确度。

参考图2所示为一台车载摄像机拍摄的道路场景的灰度图，从图2中可以看出，已存在多个检测出的障碍物框，现有处理方式直接基于障碍物框在空间坐标系中的实际宽度和实际高度，分别判断是否落入预设的车辆的宽度范围和高度范围，从而确定该障碍物框内的障碍物是否为车辆，但是，若图像中存在并排行走的两三个人，由于其宽度、高度与车头或车尾的宽度、高度相似，因此，会误识别为车辆，导致车辆识别的准确度不高。

而本发明基于障碍物框在空间坐标系中的宽度和高度，确定障碍物可能为车辆时，进一步确定其所处的状态。若障碍物的状态为车头或车尾状态，则截取障碍物框所在区域的灰度图，如图3所示；基于该灰度图检测横线段，得到如图6所示横线段；若基于图8所示对称轴(竖直虚线)对称的横线段的数量占所有检测出的横线段的数量的比例大于预设的比例阈值，即该障碍物具有左右对称特性，则确定当前障碍物框中的障碍物为车辆。此外，本发明对判定可能为车辆侧身状态的障碍物，如图9所示处于侧身状态的车辆，截取障碍物框靠下的2/3区域，得到如图10所示灰度图；对图10所示灰度图进行边缘提取并检测满足预设半径范围的圆形，得到如图12所示检测出的圆形示意图，由于图12中存在两个类似同心圆，符合车辆侧身的主要特征，因此，可确定当前障碍物框中的障碍物为车辆，从而有效提升了车辆识别的准确度。

图13为本发明提供的一种车辆识别终端的硬件结构示意图。该终端13包括处理器1301、存储有机器可执行指令的机器可读存储介质1302、摄像头组件1304。其中，处理器1301与机器可读存储介质1302可经由系统总线1303通信。并且，通过读取并执行机器可读存储介质1302中与车辆识别逻辑对应的机器可执行指令，处理器1301可执行上文描述的车辆识别方法。

本文中提到的机器可读存储介质1302可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：RAM(Radom Access Memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。

摄像头组件1304用于采集图像，该摄像头组件1304可以包括至少两个摄像头，该至少两个摄像头可以分别为双目摄像头的左摄像头和右摄像头。

如图14所示，从功能上划分，上述车辆识别逻辑可以包括截取单元1401、检测单元1402以及识别单元1403，其中：

截取单元1401，用于在空间坐标系中，若障碍物框Y方向上的高度落入预设的高度范围、X方向上的宽度落入预设的宽度范围且小于预设的宽度阈值，从拍摄的第一灰度图中截取所述障碍物框所在区域的第二灰度图；

检测单元1402，用于检测所述第二灰度图中的横线段，并基于所述横线段确定对称轴；

识别单元1403，用于若基于所述对称轴左右对称的横线段的数量占所有横线段的数量的比例大于预设的比例阈值，则确定所述障碍物框中的障碍物为车辆。

可选的，所述检测单元1402检测所述第二灰度图中的横线段，包括：

对所述第二灰度图提取纵向梯度，并基于预设的梯度阈值进行二值化处理，得到二值化的梯度图，其中，大于所述梯度阈值的像素点的灰度值记为第一值，小于所述梯度阈值的像素点的灰度值记为第二值；

对所述梯度图中行基于灰度值为第一值的像素点划分横线段。

可选的，所述检测单元1402对所述梯度图中行基于灰度值为第一值的像素点划分横线段，包括：

记录首个遍历到的灰度值为第一值的像素点的第一横坐标；

继续遍历，直至连续出现第一数量阈值个灰度值为第二值的像素点，或者，已遍历到所述当前行的最后一个像素点，记录已遍历的最后一个灰度值为第一值的像素点的第二横坐标；

统计所述当前行中位于所述第一横坐标和所述第二横坐标之间的像素点的个数；

若所述像素点的个数大于第二数量阈值，则将所述当前行中位于所述第一横坐标和所述第二横坐标之间的像素点划分为横线段。

可选的，所述检测单元1402基于所述横线段确定对称轴，包括：

根据所述横线段中横跨所述第二灰度图的竖直中心线的目标横线段，确定所述目标横线段中心点的横坐标；

将所述横坐标的均值作为所述对称轴所在列。

可选的，所述识别单元1403具体用于若基于所述对称轴左右对称的横线段的数量占所有横线段所在行的数量的比例大于预设的比例阈值，确定所述障碍物框中的障碍物为车辆。

可选的，

所述截取单元1401，还用于若所述障碍物框Y方向上的高度落入预设的高度范围、X方向上的宽度落入预设的宽度范围且大于所述宽度阈值，从所述障碍物框中截取第三灰度图；

所述检测单元1402，还用于对所述第三灰度图进行圆形检测；

所述识别单元1403，还用于若所述第三灰度图中存在两个半径均落入预设半径范围的非类似同心圆形，确定所述障碍物框中的障碍物为车辆。

本发明还提供一种包括机器可执行指令的机器可读存储介质，例如图13中的机器可读存储介质1302，所述机器可执行指令可由车辆识别终端中的处理器1301执行，以实现以上描述的车辆识别方法。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (9)

1.一种车辆识别方法，其特征在于，所述方法包括：

在空间坐标系中，若障碍物框Y方向上的高度落入预设的高度范围、X方向上的宽度落入预设的宽度范围且小于预设的宽度阈值，从拍摄的第一灰度图中截取所述障碍物框所在区域的第二灰度图；

检测所述第二灰度图中的横线段，并确定所述横线段中横跨所述第二灰度图的竖直中心线的横线段所在的目标行；确定所述目标行中横线段中心点的横坐标；将所述横坐标的均值作为对称轴所在列；

若基于所述对称轴左右对称的横线段的数量占所有横线段的数量的比例大于预设的比例阈值，确定所述障碍物框中的障碍物为车辆。

2.根据权利要求1所述的方法，其特征在于，所述检测所述第二灰度图中的横线段，包括：

对所述第二灰度图提取纵向梯度，并基于预设的梯度阈值进行二值化处理，得到二值化的梯度图，其中，大于所述梯度阈值的像素点的灰度值记为第一值，小于所述梯度阈值的像素点的灰度值记为第二值；

对所述梯度图中行基于灰度值为第一值的像素点划分横线段。

3.根据权利要求2所述的方法，其特征在于，所述对所述梯度图中行基于灰度值为第一值的像素点划分横线段，包括：

记录首个遍历到的灰度值为第一值的像素点的第一横坐标；

继续遍历，直至连续出现第一数量阈值个灰度值为第二值的像素点，或者，已遍历到当前行的最后一个像素点，记录已遍历的最后一个灰度值为第一值的像素点的第二横坐标；

统计所述当前行中位于所述第一横坐标和所述第二横坐标之间的像素点的个数；

若所述像素点的个数大于第二数量阈值，将所述当前行中位于所述第一横坐标和所述第二横坐标之间的像素点划分为横线段。

4.根据权利要求1所述的方法，其特征在于，所述若基于所述对称轴左右对称的横线段的数量占所有横线段的数量的比例大于预设的比例阈值，确定所述障碍物框中的障碍物为车辆，包括：

若基于所述对称轴左右对称的横线段所在行的数量占所有横线段所在行的数量的比例大于预设的比例阈值，确定所述障碍物框中的障碍物为车辆。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若所述障碍物框Y方向上的高度落入预设的高度范围、X方向上的宽度落入预设的宽度范围且大于所述宽度阈值，从所述障碍物框中截取第三灰度图；

对所述第三灰度图进行圆形检测；

若所述第三灰度图中存在两个半径均落入预设半径范围的非类似同心圆形，确定所述障碍物框中的障碍物为车辆。

6.一种车辆识别装置，其特征在于，所述装置包括：

截取单元，用于在空间坐标系中，若障碍物框Y方向上的高度落入预设的高度范围、X方向上的宽度落入预设的宽度范围且小于预设的宽度阈值，从拍摄的第一灰度图中截取所述障碍物框所在区域的第二灰度图；

检测单元，用于检测所述第二灰度图中的横线段，并确定所述横线段中横跨所述第二灰度图的竖直中心线的横线段所在的目标行；确定所述目标行中横线段中心点的横坐标；将所述横坐标的均值作为对称轴所在列；

识别单元，用于若基于所述对称轴左右对称的横线段的数量占所有横线段的数量的比例大于预设的比例阈值，则确定所述障碍物框中的障碍物为车辆。

7.根据权利要求6所述的装置，其特征在于：

所述截取单元，还用于若所述障碍物框Y方向上的高度落入预设的高度范围、X方向上的宽度落入预设的宽度范围且大于所述宽度阈值，从所述障碍物框中截取第三灰度图；

所述检测单元，还用于对所述第三灰度图进行圆形检测；

所述识别单元，还用于若所述第三灰度图中存在两个半径均落入预设半径范围的非类似同心圆形，确定所述障碍物框中的障碍物为车辆。

8.一种车辆识别终端，其特征在于，包括摄像头组件、处理器以及机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现权利要求1-5任一所述的方法步骤。

9.一种机器可读存储介质，其特征在于，所述机器可读存储介质内存储有机器可执行指令，所述机器可执行指令被处理器执行时实现权利要求1-5任一所述的方法步骤。

Images