(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211141563.3 (22)申请日 2022.09.20 (71)申请人 西安优迈智慧矿山研究院有限公司 地址 710075 陕西省西安市高新区高新 二 路12号协同大厦1D3 01号 申请人 鄂尔多斯市腾远 煤炭有限责任公司 　 山河智能 （内蒙古） 矿山科技有限公 司 (72)发明人 张衡　冯治东　江安东　江松　 侯晓东　 (74)专利代理 机构 西安合创非凡知识产权代理 事务所(普通 合伙) 61248 专利代理师 杨蕾 (51)Int.Cl. G06V 20/58(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/25(2022.01) G06T 17/00(2006.01) (54)发明名称 基于单目视 觉的道路车辆识别方法及系统 (57)摘要 本发明涉及车辆识别技术领域， 具体涉及一 种基于单目视觉的道路车辆识别方法及系统， 该 识别方法包括如下步骤： S1、 背景与前景分离的 显著性检测方法 （BMS算法） 实现车辆候选区域的 提取； S2、 基于DSSD_Xception_coco模型实现车 辆型号的识别； S3、 基于车辆型号的识别结果调 用预设的车尾灯所在位置比例， 得到车辆感兴趣 区域ROI； S4、 实现车尾灯状态以及车辆相对距 离 的检测， 并基于车尾灯状态和车辆相对距离变化 情况的检测结果实现车辆行驶状态的预测。 本发 明可以实现车辆的快速、 精确识别。 权利要求书1页 说明书4页 附图1页 CN 115471816 A 2022.12.13 CN 115471816 A 1.基于单目视 觉的道路车辆识别方法， 其特 征在于： 包括如下步骤： S1、 背景与前 景分离的显著性检测方法 （BMS算法） 实现车辆候选区域的提取； S2、 基于D SSD_Xcepti on_coco 模型实现车辆型号的识别； S3、 基于车辆型号的识别结果调用预设的车尾灯所在位置比例， 得到车辆感兴趣区域 ROI； S4、 实现车尾灯状态以及车辆相对距离的检测， 并基于车尾灯状态和车辆相对距离变 化情况的检测结果实现车辆行驶状态的预测。 2.如权利要求1所述的基于单目视觉的道路车辆识别方法， 其特征在于： 所述的DSSD_ Xception_coco  模型采用DSSD目标检测算法， 用coco数据集预训练Xception神经网络， 然 后用先前准备好的数据集训练该模型， 微调深度神经网络中的各项参数， 最后得到合适的 用于检测车辆型号的模型。 3.如权利要求1所述的基于单目视觉的道路车辆识别方法， 其特征在于： 步骤S3中， 不 同的车辆型号配置有不同的车尾灯所在区域坐标， 该区域坐标为以车尾中心 点为原点构建 坐标系， 获取的车尾灯四个角所在的坐标。 4.如权利要求1所述的基于单目视觉的道路车辆识别方法， 其特征在于： 所述步骤S4 中， 利用亮度和颜色两种特征， 通过历史5帧的车灯亮度以及 颜色的累积 变化程度来判断车 尾灯状态。 5.如权利要求1所述的基于单目视觉的道路车辆识别方法， 其特征在于： 所述步骤S1 中， 首先在Lab空间的三个通道上利用自适应阈值得到多个二值图， 然后利用漫水填充算法 从二值图得到注意图,对注意图进行线性加权得到平均注意图， 进 而得到车辆的候选区域。 6.如权利要求1所述的基于单目视觉的道路车辆识别方法， 其特征在于： 还包括： 创建 热点图， 并逐帧的进行 车辆检测 和跟踪的步骤。 7.基于单目视觉的道路车辆识别系统， 其特征在于： 采用如权利要求1 ‑6任一项所述的 车辆识别方法实现车辆的识别。 8.如权利要求1所述的基于单目视 觉的道路车辆识别系统， 其特 征在于： 包括： 单目视觉传感器， 安装于车辆前挡风玻璃上边 缘中间位置； 数据处理终端， 通过数据线与所述单目视觉传感器实现通讯， 用于实现车辆的检测和 跟踪， 获取到车辆数据； 触控屏， 用于以三维模型动态模拟的方式实现当前车辆状态与前方车辆状态的展示， 用户可以直观的获取到前方车辆与当前车辆的车距、 前方车辆的车长和车速、 以及前方车 辆是否存在换道意图。权　利　要　求　书 1/1 页 2 CN 115471816 A 2基于单目视觉的道路车辆识别方 法及系统 技术领域 [0001]本发明涉及车辆识别技术领域， 具体涉及 一种基于单目视觉的道 路车辆识别方法 及系统。 背景技术 [0002]随着车辆智能化、 网联化技术的发展， 基于车路协同的智能驾驶技术逐渐成为智 能交通研究领域的一个热点。 其主要依靠环 境感知、 决策、 控制三部 分实现， 其中， 道路环 境 感知技术是智能车辆驾驶系统中的基础和核心环节， 是确保车辆行驶安全与舒适的重要技 术， 而道路车辆识别是实现该技 术的首要环 节。 [0003]在此领域内国内外专家 学者提出了诸多技术，  Srinivas a等人通过基于车辆预设 模型的方法， 该方法虽然算法简单， 处理速度快， 但是对车辆模型过分依赖， 由于车型 的多 样性， 一种模型往往不能适用于所有的车辆。 Bebis等人利用基于运动的方法， 该方法对于 旁边车道车辆具有较好的检测效果， 但对于前方车辆， 由于动态环境下引入较多干扰因素， 算法复杂度变高， 运算量增大， 检测效果并不理想。 国内的赵日成等人结合车道线和车辆底 部阴影等识别车辆， 在较好的天气状况小， 车辆识别率较高， 但是受天桥、 路牌等的干扰因 素比较大。 发明内容 [0004]为解决上述问题， 本发明提供了一种基于单目视觉 的道路车辆识别方法及系统， 可以实现车辆的快速、 精确识别。 [0005]为实现上述目的， 本发明采取的技 术方案为： 基于单目视 觉的道路车辆识别方法， 包括如下步骤： S1、 背景与前 景分离的显著性检测方法 （BMS算法） 实现车辆候选区域的提取； S2、 基于D SSD_Xcepti on_coco 模型实现车辆型号的识别； S3、 基于车辆型号的识别结果调用预设的车尾灯所在位置比例， 得到车辆感兴趣 区域ROI； S4、 实现车尾灯状态以及车辆相对距离 的检测， 并基于车尾灯状态和车辆相对距 离变化情况的检测结果实现车辆行驶状态的预测。 [0006]进一步地， 所述的DSSD _Xception_coco  模型采用DSSD目标检测算法， 用coco数据 集预训练Xception神经网络， 然后用先前准备好的数据集训练该模型， 微调深度神经网络 中的各项参数， 最后得到合 适的用于检测车辆型号的模型。 [0007]进一步地， 步骤S3中， 不同的车辆型号配置有不同的车尾灯所在区域坐标， 该区域 坐标为以车尾中心点 为原点构建坐标系， 获取的车尾灯四个角所在的坐标。 [0008]进一步地， 所述步骤S4中， 利用亮度和颜色两种特征， 通过历史5帧的车灯亮度以 及颜色的累积变化 程度来判断车尾灯状态。 [0009]进一步地， 所述步骤S1中， 首先在Lab空间的三个通道上利用自适应阈值得到多个说　明　书 1/4 页 3 CN 115471816 A 3