一种车辆长度确定方法、装置、设备和存储介质

技术领域

本发明涉及交通技术领域，特别涉及一种车辆长度确定方法、装置、设备和存储介质。

背景技术

随着交通运输业的迅速发展，人们对交通安全越来越重视。车辆长度影响着时间占有率、空间占有率、车间距、前车距离、车时距等预警信息，因此及时获得车辆长度对交通安全十分重要。

相关技术中，当车辆驶入设置在道路上方的相机的图像采集区域时，通过相机采集包含该车辆的图像，根据图像中车辆的成像长度，估算得到车辆的长度。

然而，图像中车辆的成像长度与理论上车辆应成像长度存在偏差，并且相机性能、车辆类型、车辆长度和成像时车辆所在的位置等多个因素都会影响该偏差的大小，因此无法准确得到该偏差，也就不能得到理论上车辆应成像长度，而只有根据理论上车辆应成像长度才能得到较为准确的车辆的长度，因此，上述方案估算得到车辆的长度与车辆实际长度偏差较大。

发明内容

本发明提供了一种车辆长度确定方法、装置、设备和存储介质，用以提高确定车辆长度的准确性。

第一方面，本发明实施例提供一种车辆长度确定方法，包括：

确定在第一时刻到第二时刻之间多次采集目标区域的目标车辆的速度；其中，所述第一时刻为所述目标车辆的车头达到所述目标区域上预设标识的时刻；所述第二时刻为所述目标车辆的车尾离开所述预设标识的时刻；所述目标车辆的车头达到所述标识的时刻和所述目标车辆的车尾离开所述预设标识的时刻是根据多次采集包含所述目标车辆的图像确定的；

根据所述目标车辆的速度确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移；

根据所述位移确定所述目标车辆的长度。

上述方案，通过采集包含所述目标车辆的图像，得到目标车辆的车头达到预设标识的时刻和车尾离开上述预设标识的时刻，两个时刻之间的时间段是能够表征走过该目标车辆的长度的时间段，根据这一时间段内采集的该目标车辆的速度，可以准确确定该目标车辆在该时间段内的位移，该位移由两部分构成，一部分是目标列车的长度，一部分是能够根据已知参数确定的长度，因此根据该位移能够较为准确地确定目标列车的长度。

在一些可选的实施方式中，确定在第一时刻到第二时刻之间多次采集目标区域的目标车辆的速度，包括：

根据运动状态采集装置基于预设的运动状态采集间隔在所述第一时刻到所述第二时刻之间多次采集的所有运动物体的方位信息，以及根据图像采集装置基于预设的图像采集间隔在第一时刻到第二时刻之间多次采集的图像中所述目标车辆的像素位置，通过空间融合从所述所有运动物体的方位信息中选择出所述目标车辆的方位信息；

根据所述目标车辆的方位信息，以及所述所有运动物体的方位信息对应的速度，确定所述运动状态采集装置基于预设的运动状态采集间隔在第一时刻到第二时刻之间多次采集的目标车辆的速度。

上述方案，通过运动状态采集装置得到的是运动物体的方位信息、速度等数据，不能得到运动物体身份信息；而根据图像采集装置采集的图像得到的是车辆在图像中的像素位置，不能得到车辆的速度，通过空间融合能够将运动物体的方位信息，准确投影到图像采集装置采集的图像平面，从而可以从上述运动物体的方位信息中选择出目标车辆的方位信息；目标车辆的方位信息对应的速度就是目标车辆的速度。

在一些可选的实施方式中，根据所述目标车辆的速度确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移，包括：

根据所述目标车辆的速度和所述运动状态采集间隔，确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移。

上述方案，根据目标车辆的速度和运动状态采集间隔，提高了确定目标车辆从第一时刻到所述第二时刻之间的位移的准确性。

在一些可选的实施方式中，所述图像采集间隔是所述运动状态采集间隔的n倍，n为正整数。

上述方案，图像采集间隔与运动状态采集间隔相同，或者是运动状态采集间隔的多倍，这样在第一时刻和第二时刻都有采集的目标车辆的速度，从而得到更加精准的目标车辆的位移，进一步提高了确定的目标车辆长度的准确性；同时保证了每张图像都有与其对应的方位信息，所有图像和所有方位信息，或者所有图像和部分方位信息，可参与到信息融合中，避免了进行空间融合的图像和方位信息时间不能对应的问题。

在一些可选的实施方式中，在根据所述位移确定所述目标车辆的长度之前，还包括：

根据所述图像采集装置相对于所述预设标识的角度，以及所述目标车辆的高度，确定第一偏移量；

根据所述位移确定所述目标车辆的长度，包括：

根据所述位移与所述第一偏移量确定所述目标车辆的长度。

如上所述，目标车辆的位移除了包含需要确定的目标列车的长度，还包含上述能够准确确定出的长度，而该能够准确确定出的长度主要是目标车辆的高度引起的图像采集装置采集偏差造成的第一偏移量，而目标车辆的高度引起的图像采集装置采集偏差受到两个因素影响：图像采集装置相对于预设标识的角度和目标车辆的高度，因此根据图像采集装置相对于所述预设标识的角度，以及目标车辆的高度，能够准确得到目标车辆的高度引起的图像采集装置采集偏差造成的第一偏差量，进而根据上述位移与该第一偏移量可以准确确定目标车辆的长度。

在一些可选的实施方式中，根据所述位移与所述第一偏移量确定所述目标车辆的长度之前，还包括：

根据所述图像采集装置相对于所述预设标识的角度，以及所述目标车辆的底盘高度，确定第二偏移量；

根据所述位移与所述第一偏移量确定所述目标车辆的长度，包括：

根据所述第一偏移量与所述第二偏移量之差，确定目标偏移量；

将所述位移与所述目标偏移量之差作为所述目标车辆的长度。

如上所述，能够准确确定出的长度主要是该目标车辆的高度引起的图像采集装置采集偏差造成的第一偏移量，然而车辆的底盘出了车轮部分是空的，因此底盘高度引起的图像采集装置采集偏差造成的第二偏移量抵消了上述第一偏移量的一部分，通过将第一偏移量与第二偏移量之差作为能够准确确定出的长度，进一步提高确定目标车辆的长度的准确性。

在一些可选的实施方式中，所述目标车辆的高度是通过以下方式得到：

基于训练后的神经网络模型对所述多次采集的图像进行识别，得到所述目标车辆的类型；根据预设类型与高度的第一对应关系确定所述目标车辆的类型对应的所述目标车辆的高度；

所述目标车辆的底盘高度是通过以下方式得到：

基于训练后的神经网络模型对所述多次采集的图像进行识别，得到所述目标车辆的类型；根据预设类型与高度的第二对应关系确定所述目标车辆的类型对应的所述目标车辆的底盘高度。

上述方案，通过训练的神经网络模型能够准确得到目标车辆的类型，每种类型的车辆的高度和底座高度是基本一致的，因此根据预设类型与高度的第一对应关系能够准确方便地确定目标车辆的高度，根据预设类型与高度的第二对应关系能够准确方便地确定目标车辆的底座高度。

在一些可选的实施方式中，若所述目标车辆的行驶方向为远离所述图像采集装置的方向，则所述目标车辆的高度为所述目标车辆的车头高度；

若所述目标车辆向接近所述图像采集装置的方向行驶，则所述目标车辆的高度为所述目标车辆的车尾高度。

上述方案，目标车辆可能是向远离图像采集装置的方向行驶，也可能向朝向图像采集装置的方向行驶，根据不同场景选择不同高度作为目标车辆的高度，能够提高上述确定第一偏差量的准确性。

第二方面，本发明实施例提供一种车辆长度确定装置，包括：

速度确定模块，用于确定在第一时刻到第二时刻之间多次采集目标区域的目标车辆的速度；其中，所述第一时刻为所述目标车辆的车头达到所述目标区域上预设标识的时刻；所述第二时刻为所述目标车辆的车尾离开所述预设标识的时刻；所述目标车辆的车头达到所述标识的时刻和所述目标车辆的车尾离开所述预设标识的时刻是根据多次采集包含所述目标车辆的图像确定的；

长度确定模块，用于根据所述目标车辆的速度确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移；

长度确定模块，还用于根据所述位移确定所述目标车辆的长度。

在一些可选的实施方式中，速度确定模块确定在第一时刻到第二时刻之间多次采集目标区域的目标车辆的速度，包括：

根据运动状态采集装置基于预设的运动状态采集间隔在所述第一时刻到所述第二时刻之间多次采集的所有运动物体的方位信息，以及根据图像采集装置基于预设的图像采集间隔在第一时刻到第二时刻之间多次采集的图像中所述目标车辆的像素位置，通过空间融合从所述所有运动物体的方位信息中选择出所述目标车辆的方位信息；

根据所述目标车辆的方位信息，以及所述所有运动物体的方位信息对应的速度，确定所述运动状态采集装置基于预设的运动状态采集间隔在第一时刻到第二时刻之间多次采集的目标车辆的速度。

在一些可选的实施方式中，长度确定模块根据所述目标车辆的速度确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移，包括：

根据所述目标车辆的速度和所述运动状态采集间隔，确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移。

在一些可选的实施方式中，所述图像采集间隔是所述运动状态采集间隔的n倍，n为正整数。

在一些可选的实施方式中，长度确定模块在根据所述位移确定所述目标车辆的长度之前，还用于：

根据所述图像采集装置相对于所述预设标识的角度，以及所述目标车辆的高度，确定第一偏移量；

长度确定模块根据所述位移确定所述目标车辆的长度，包括：

根据所述位移与所述第一偏移量确定所述目标车辆的长度。

在一些可选的实施方式中，长度确定模块在根据所述位移与所述第一偏移量确定所述目标车辆的长度之前，还用于：

根据所述图像采集装置相对于所述预设标识的角度，以及所述目标车辆的底盘高度，确定第二偏移量；

长度确定模块根据所述位移与所述第一偏移量确定所述目标车辆的长度，包括：

根据所述第一偏移量与所述第二偏移量之差，确定目标偏移量；

将所述位移与所述目标偏移量之差作为所述目标车辆的长度。

在一些可选的实施方式中，长度确定模块还用于：

基于训练后的神经网络模型对所述多次采集的图像进行识别，得到所述目标车辆的类型；根据预设类型与高度的第一对应关系确定所述目标车辆的类型对应的所述目标车辆的高度；

基于训练后的神经网络模型对所述多次采集的图像进行识别，得到所述目标车辆的类型；根据预设类型与高度的第二对应关系确定所述目标车辆的类型对应的所述目标车辆的底盘高度。

在一些可选的实施方式中，若所述目标车辆的行驶方向为远离所述图像采集装置的方向，则所述目标车辆的高度为所述目标车辆的车头高度；

若所述目标车辆向接近所述图像采集装置的方向行驶，则所述目标车辆的高度为所述目标车辆的车尾高度。

第三方面，本发明实施例提供一种车辆长度确定设备，包括：处理器以及存储器；

其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行如上述第一方面所述方法的步骤。

第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述方法的步骤。

另外，第二方面至第四方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。

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要介绍，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，对于本领域的普通技术人员来讲，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1A为本发明实施例提供的第一种应用场景示意图；

图1B为本发明实施例提供的第二种应用场景示意图；

图1C为本发明实施例提供的第三种应用场景示意图；

图1D为本发明实施例提供的第四种应用场景示意图；

图2为本发明实施例提供的第一种车辆长度确定方法的示意流程图；

图3A为本发明实施例提供的第一种标识示意图；

图3B为本发明实施例提供的第二种标识示意图；

图4为本发明实施例提供的第二种车辆长度确定方法的示意流程图；

图5为本发明实施例提供的第三种车辆长度确定方法的示意流程图；

图6A为本发明实施例提供的第一种第一时刻与第二时刻目标车辆的位置关系示意图；

图6B为本发明实施例提供的第二种第一时刻与第二时刻目标车辆的位置关系示意图；

图7为本发明实施例提供的第四种车辆长度确定方法的示意流程图；

图8为本发明实施例提供的第三种第一时刻与第二时刻目标车辆的位置关系示意图；

图9为本发明实施例提供的一种车辆长度确定装置的结构示意图；

图10为本发明实施例提供的一种车辆长度确定设备的示意框图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。

本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“连接”应做广义理解，例如，可以是直接相连，也可以通过中间媒介间接相连，可以是两个器件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

在交通领域，及时获得车辆长度对交通安全十分重要。在一些实施例中，当车辆驶入设置在道路上方的相机的图像采集区域时，通过相机采集包含该车辆的图像，根据图像中车辆的成像长度，估算得到车辆的长度。

参阅图1A所示，图像中车辆的成像长度L1′与理论上车辆应成像长度L1存在偏差，偏差为L1′-L1。参阅图1B，该车辆与图1A中车辆长度不同，图1B中车辆的成像长度L2′与理论上车辆应成像长度L2的偏差为L2′-L2，可见只要车辆长度不同该偏差就不同，而车辆长度是未知参数，因此无法得到该偏差；另外相机性能、车辆类型、成像时车辆所在的位置等多个因素也都会影响该偏差的大小。综上，影响该偏差的因素的较多，无法准确确定偏差，也就不能得到理论上车辆应成像长度，而只有根据理论上车辆应成像长度才能得到较为准确的车辆的长度，因此，该实施例估算得到车辆的长度与车辆实际长度偏差较大。

本发明实施例为了提高确定车辆长度的准确性，提供了一种车辆长度确定方法、装置、设备和存储介质，下面结合附图及具体实施例对本发明作进一步详细的说明。

图1C为本发明实施例提供的第三种应用场景示意图，图1D为本发明实施例提供的第四种应用场景示意图：

在图1C和图1D的应用场景中均将目标车辆的车头达到目标区域上预设标识的时刻作为第一时刻；将目标车辆的车尾离开该预设标识的时刻作为第二时刻；

图1C中的目标车辆从第一时刻到第二时刻之间的位移为L3′，图1C中的目标车辆的长度为L3；

图1C中的位移与目标车辆的长度的偏差为L3′-L3；

图1D中的目标车辆从第一时刻到第二时刻之间的位移为L4′，图1D中的目标车辆的长度为L4；

图1D中的位移与目标车辆的长度的偏差为L4′-L4；

虽然图1C中的目标车辆的长度与图1D中的目标车辆的长度并不相同，但是L3′-L3与L4′-L4是相同的，即目标车辆的长度并不影响目标车辆的长度与位移的偏差。另外，根据已知参数就能获得L3′-L3或L4′-L4的大小，因此，在这些实施例中，基于位移就能较为准确地确定目标车辆的长度。

上述应用场景只是实现本申请实施例的应用场景的示例，本申请实施例并不限于上述应用场景。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图2为本发明实施例提供的第一种车辆长度确定方法的示意流程图，应用于车辆长度确定设备，如图2所示，该方法可以包括：

步骤201：确定在第一时刻到第二时刻之间多次采集目标区域的目标车辆的速度。

其中，所述第一时刻为所述目标车辆的车头达到所述目标区域上预设标识的时刻；所述第二时刻为所述目标车辆的车尾离开所述预设标识的时刻；所述目标车辆的车头达到所述标识的时刻和所述目标车辆的车尾离开所述预设标识的时刻是根据多次采集包含所述目标车辆的图像确定的。

本实施例，无法根据目标车辆在任意一段时间内的位移，去确定目标车辆的长度，只有根据能够表征走过目标车辆的长度的时间内的位移，才能确定目标车辆的长度。基于此，需要先确定这个表征走过其长度的时间以及在这段时间该目标车辆的速度。

示例性的，通过多次采集包含目标车辆的图像，根据图像确定的目标车辆的车头到达一个位置的时刻，到确定的该目标车辆的车尾到达同一个位置的时刻，这段时间就能表征走过其长度的时间。

本实施例，在目标区域内设置预设标识作为上述同一个位置，通过采集包含该预设标识的图像，可以快速识别出该预设标识，例如：

1)参阅图3A所示，在目标区域内，道路的横向位置设置一条连续三角形作为预设标识。

通过这种特殊符号作为预设标识，能够更快速准确地识别该预设标识。

2)参阅图3B所示，在目标区域内，道路的横向位置设置一条线作为预设标识。

通过这种条状图形作为预设标识，能够精准地确定车头到达和车尾离开的是同一个位置。为了更加准确地识别该条状图形，可将该条状图形设置为特殊的颜色。

上述标识只是实现本申请实施例的预设标识的示例，本申请实施例并不限于上述两种预设标识。

另外，本实施例对确定第一时刻和第二时刻的具体实现方式不做限定，例如：

采用深度学习方法学习车辆的特征，从而识别图像中的车辆，确定车辆的像素坐标；采用深度学习方法学习预设标识的特征，从而识别图像中的预设标识，并确定预设标识的像素坐标，当检测到车辆的车头像素坐标处在预设标识的像素坐标上时，将该车辆作为目标车辆，该拍摄该图像的时刻就是第一时刻；

当检测到车辆的车尾像素坐标处在预设标识的像素坐标上时，该拍摄该图像的时刻就是第二时刻。

步骤202：根据所述目标车辆的速度确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移。

本实施例，在确定在表征走过目标车辆长度的时间内多次采集目标区域的目标车辆的速度，就能确定车辆在这段时间真实走过的位移。

本实施例对上述根据所述目标车辆的速度确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移的具体实现方式不做限定。例如：

1)确定多次采集目标区域的目标车辆的速度的平均速度，将平均速度与第一时刻到所述第二时刻的时间段的乘积作为目标车辆从第一时刻到第二时刻之间的位移；

2)根据每个采集目标区域的目标车辆的速度，与下一个采集目标区域的目标车辆的速度的间隔，确定每个间隔对应的位移，将第一时刻到所述第二时刻的时间段内所有间隔对应的位移之和作为目标车辆从第一时刻到第二时刻之间的位移。

上述只是举例说明确定目标车辆从第一时刻到第二时刻之间的位移的两种可能的实现方式，本实施例也可采用其他方式确定目标车辆从第一时刻到第二时刻之间的位移。

步骤203：根据所述位移确定所述目标车辆的长度。

如上述图1C和图1D所示，本实施例中目标车辆从第一时刻到第二时刻之间的位移与目标车辆的长度之间的差值是能够确定的，本实施例基于目标车辆从第一时刻到第二时刻之间的位移就能确定目标车辆的长度。

上述方案，根据采集包含所述目标车辆的图像，确定目标车辆的车头达到预设标识的时刻和车尾离开上述预设标识的时刻，根据这两个时刻之间采集的该目标车辆的速度，可以准确确定该目标车辆的位移，该位移由两部分构成，一部分是目标列车的长度，一部分是能够准确确定出的长度，因此根据该目标车辆的位移能够较为准确地确定其长度。

图4为本发明实施例提供的第二种车辆长度确定方法的示意流程图，应用于上述车辆长度确定设备，如图4所示，该方法可以包括：

步骤401：根据运动状态采集装置基于预设的运动状态采集间隔在所述第一时刻到所述第二时刻之间多次采集的所有运动物体的方位信息，以及根据图像采集装置基于预设的图像采集间隔在第一时刻到第二时刻之间多次采集的图像中所述目标车辆的像素位置，通过空间融合从所述所有运动物体的方位信息中选择出所述目标车辆的方位信息。

其中，所述第一时刻为所述目标车辆的车头达到所述目标区域上预设标识的时刻；所述第二时刻为所述目标车辆的车尾离开所述预设标识的时刻；所述目标车辆的车头达到所述标识的时刻和所述目标车辆的车尾离开所述预设标识的时刻是根据多次采集包含所述目标车辆的图像确定的。

本实施例，运动状态采集装置采集的是运动物体的方位信息、速度等，而根据图像采集装置采集的图像得到的是车辆在图像中的像素位置，在一些具体的实施例，运动状态采集装置采集的信息为时间戳、运动物体的编号、对应的方位信息(包括距离，俯仰角，水平方位角)、对应的速度；运动状态采集装置采集的信息为图像和时间戳，根据图像能够得到车辆在图像中的横坐标x和纵坐标y，以及对应时间戳。

运动状态采集装置并不能识别目标车辆(即没有运动物体身份信息)，但能获取其速度，图像采集装置能识别目标车辆，但不能获取其速度，将两个装置采集的信息融合，才能得到目标车辆的速度，基于此，运动状态采集装置和图像采集装置需要统一在同一空间维度中才能进行数据融合计算，以运动状态采集装置为雷达，图像采集装置为摄像头为例：

根据雷达采集的各运动物体的方位信息中距离R和水平方位角α，通过预设方程，转换到世界坐标系下的坐标(Xw,Yw,Zw)；基于旋转矩阵R和平移矩阵T，将各运动物体在世界坐标系下的坐标转换到相机坐标系下的坐标(Xc,Yc,Zc)；基于投影矩阵M，相机内部参数M2，相机外部参数M1，将各运动物体在相机坐标系下的坐标(Xc,Yc,Zc)转换为像素坐标(X,Y)。通过比对雷达采集的各运动物体的像素坐标，以及图像采集装置在相同时间采集的图像中各车辆的像素坐标，就能获取该时间下哪个运动物体是目标车辆。

参阅上述实施例可知，进行数据融合计算不仅需要运动状态采集装置和图像采集装置统一在同一空间维度，还需要保证进行数据融合计算的数据采集时间是相同的，即运动状态采集装置和图像采集装置需要统一在同一空间维度和时间维度中才能进行数据融合计算，基于此，在一些实施例中，所述图像采集间隔是所述运动状态采集间隔的n倍，n为正整数。

通过将图像采集间隔设置为运动状态采集间隔的正整数倍，这样就保证了每张图像都有与其对应的方位信息，所有图像和所有方位信息，或者所有图像和部分方位信息，可参与到信息融合中。

另外，图像采集间隔与运动状态采集间隔相同，或者是运动状态采集间隔的多倍，这样在第一时刻和第二时刻都有采集的目标车辆的速度，从而得到更加精准的目标车辆的位移，进一步提高了确定的目标车辆长度的准确性。

在一些具体的实施例中，上述图像采集间隔与运动状态采集间隔相同，即图像采集间隔是运动状态采集间隔的1倍，这样图像与方位信息是一一对应的，直接将时间戳相同的图像和方位信息绑定为一组，使信息融合过程更加快捷，不易出错。

本实施例中，上述运动状态采集装置、图像采集装置可以设置在上述车辆长度确定设备中，即运动状态采集装置、图像采集装置可作为车辆长度确定设备的部件，或者，运动状态采集装置、图像采集装置也可以是独立的装置，具体可以根据实际应用场景设定。

步骤402：根据所述目标车辆的方位信息，以及所述所有运动物体的方位信息对应的速度，确定所述运动状态采集装置基于预设的运动状态采集间隔在第一时刻到第二时刻之间多次采集的目标车辆的速度。

本实施例，运动状态采集装置采集的是各运动物体对应方位信息、对应速度等，根据运动物体的方位信息能够确定哪个运动物体是目标物体，对应的速度就是目标车辆的速度。

在一些具体的实施例中，如果雷达对每个运动物体进行了唯一编号，该运动物体编号对应的速度都是目标车辆的速度。

步骤403：根据所述目标车辆的速度确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移。

本实施例，可根据所述目标车辆的速度和所述运动状态采集间隔，确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移。例如：

根据每个采集目标区域的目标车辆的速度，与下一个采集目标区域的目标车辆的速度的间隔，确定每个间隔对应的位移，将第一时刻到所述第二时刻的时间段内所有间隔对应的位移之和作为目标车辆从第一时刻到第二时刻之间的位移。

根据目标车辆的速度和运动状态采集间隔，提高了确定目标车辆从第一时刻到所述第二时刻之间的位移的准确性。

步骤404：根据所述位移确定所述目标车辆的长度。

该步骤404与上述步骤203实现方式相同，此处不再赘述。

上述方案，通过空间融合能够将运动状态采集装置采集的运动物体的方位信息，准确投影到图像采集装置采集的图像平面中的点，从而可以从上述运动物体的方位信息中选择出目标车辆的方位信息；目标车辆的方位信息对应的速度就是目标车辆的速度。

图5为本发明实施例提供的第三种车辆长度确定方法的示意流程图，应用于上述车辆长度确定设备，如图5所示，该方法可以包括：

步骤501：确定在第一时刻到第二时刻之间多次采集目标区域的目标车辆的速度。

其中，所述第一时刻为所述目标车辆的车头达到所述目标区域上预设标识的时刻；所述第二时刻为所述目标车辆的车尾离开所述预设标识的时刻；所述目标车辆的车头达到所述标识的时刻和所述目标车辆的车尾离开所述预设标识的时刻是根据多次采集包含所述目标车辆的图像确定的。

步骤502：根据所述目标车辆的速度确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移。

该步骤501-502与上述步骤201-202的实现方式相同，此处不再赘述。

步骤503：根据所述图像采集装置相对于所述预设标识的角度，以及所述目标车辆的高度，确定第一偏移量。

目标车辆的位移，由目标列车的长度和能够准确确定出的长度这两部分构成，而能够准确确定出的长度主要是该目标车辆的高度引起的图像采集装置采集偏差造成的第一偏移量，基于此，需要确定第一偏移量。

参阅上述图1C和图1D所示，在图像采集装置采集的图像中目标车辆的车头达到预设标识的时刻，目标车辆的车头实际还没有到达到预设标识，目标车辆的高度引起的图像采集装置采集偏差受这两个因素影响：图像采集装置相对于预设标识的角度和目标车辆的高度。具体的：

第一偏移量L

每种类型的车辆长度虽然差别较大，但同一类型的车辆高度基本一致，因此可通过但不限于以下方式获得上述目标车辆的高度：

基于训练后的神经网络模型对所述多次采集的图像进行识别，得到所述目标车辆的类型；

根据预设类型与高度的第一对应关系确定所述目标车辆的类型对应的所述目标车辆的高度。

示例性的，通过样本图像和样本图像中包含的车辆的实际类型作为输入，预测结果作为输出，实际类型与预测结果的相似度作为优化条件，对初始神经网络模型进行训练，将采集图像输入训练后的神经网络模型，得到对得到图像中包含的所有车辆的类型，确定其中目标车辆的类型。本实施例预设有多种车辆类型与高度的对应关系，根据该对应关系就能确定目标车辆的类型对应的目标车辆的高度。

上述类型包括但不限于：轿车、运动型实用汽车(Sport Utility Vehicle，SUV)、小巴、大巴、公交车、工程车和卡车等。

上述方案，通过训练的神经网络模型能够准确得到目标车辆的类型，每种类型的车辆的高度基本是一致的，因此根据预设类型与高度的第一对应关系能够准确方便地确定目标车辆的高度。

本实施例对获得图像采集装置相对于预设标识的角度的方式也不做限定，例如：

1)角度传感器确定图像采集装置的相对于预设标识的角度；

2)当图像采集装置固定好位置后，将安装角度提前预设在上述车辆长度确定设备中。

上述两种方式只是示例性说明，本实施例也可采用其他方式得到图像采集装置相对于预设标识的角度。

本实施例，上述目标车辆有可能是向远离图像采集装置的方向行驶，也可能向朝向图像采集装置的方向行驶，行驶方向不同，目标车辆的高度引起的图像采集装置采集偏差造成的第一偏移量也是不同的，参阅图6A和图6B：

图6A中，目标车辆向远离图像采集装置的方向行驶，目标车辆的车头高度引起的图像采集装置采集偏差造成上述第一偏移量；

图6B中，目标车辆向朝向图像采集装置的方向行驶，目标车辆的车尾高度引起的图像采集装置采集偏差造成上述第一偏移量。

本实施例需要先识别目标车辆的行驶方向，若所述目标车辆的行驶方向为远离所述图像采集装置的方向，则所述目标车辆的高度为所述目标车辆的车头高度；

若所述目标车辆向接近所述图像采集装置的方向行驶，则所述目标车辆的高度为所述目标车辆的车尾高度。

本实施例对识别目标车辆的行驶方向的实现方式不做限定，例如：

1)根据多次采集的图像中，目标车辆的像素位置变化确定目标车辆的行驶方向；

2)根据多次采集的方位信息，信息融合后确定目标车辆的行驶方向。

本实施例也可采用其他方式识别目标车辆的行驶方向，此处不再赘述。

另外，上述第一对应关系具体为预设类型、行驶方向与高度的对应关系。

上述方案，目标车辆可能是向远离图像采集装置的方向行驶，也可能向朝向图像采集装置的方向行驶，根据不同场景选择不同高度作为目标车辆的高度，能够提高上述确定第一偏差量的准确性。

本实施例对上述步骤501-502与步骤503的顺序不做限定，既可以先确定位移，也可以先确定第一偏移量，在一些具体的实施例中，可在识别到图像中包含的车辆时，就根据图像采集装置相对于预设标识的角度，以及各车辆的高度，就可以确定各车辆对应的第一偏移量。

步骤504：根据所述位移与所述第一偏移量确定所述目标车辆的长度。

上述方案，根据图像采集装置相对于所述预设标识的角度，以及目标车辆的高度，能够得到目标车辆的高度引起的图像采集装置采集偏差造成的第一偏差量，进而根据上述位移与该第一偏移量可以准确确定目标车辆的长度。

图7为本发明实施例提供的第四种车辆长度确定方法的示意流程图，应用于上述车辆长度确定设备，如图7所示，该方法可以包括：

步骤701：确定在第一时刻到第二时刻之间多次采集目标区域的目标车辆的速度。

其中，所述第一时刻为所述目标车辆的车头达到所述目标区域上预设标识的时刻；所述第二时刻为所述目标车辆的车尾离开所述预设标识的时刻；所述目标车辆的车头达到所述标识的时刻和所述目标车辆的车尾离开所述预设标识的时刻是根据多次采集包含所述目标车辆的图像确定的。

步骤702：根据所述目标车辆的速度确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移。

步骤703：根据所述图像采集装置相对于所述预设标识的角度，以及所述目标车辆的高度，确定第一偏移量。

该步骤701-703与上述步骤501-503的实现方式相同，此处不再赘述。

步骤704：根据所述图像采集装置相对于所述预设标识的角度，以及所述目标车辆的底盘高度，确定第二偏移量。

本实施例，车辆底盘一般是空的，因此在图像采集装置采集的图像中目标车辆的车尾离开预设标识的时刻，目标车辆的车尾实际还没有到离开预设标识，基于此，还要确定底盘高度引起的图像采集装置采集偏差造成的第二偏移量，参阅图8所示：

目标车辆的高度引起的图像采集装置采集偏差受这两个因素影响：图像采集装置相对于预设标识的角度和目标车辆的底盘高度。具体的：

第二偏移量L

每种类型的车辆长度虽然差别较大，但同一类型的车辆底座高度基本一致，因此可通过但不限于以下方式获得上述目标车辆的底座高度：

基于训练后的神经网络模型对所述多次采集的图像进行识别，得到所述目标车辆的类型；

根据预设类型与底座高度的第二对应关系确定所述目标车辆的类型对应的所述目标车辆的底座高度。

示例性的，可参照上述实施例对初始神经网络模型进行训练，将采集图像输入训练后的神经网络模型，得到对得到图像中包含的所有车辆的类型，确定其中目标车辆的类型。本实施例预设有多种车辆类型与底座高度的对应关系，根据该对应关系就能确定目标车辆的类型对应的目标车辆的底座高度。

上述类型包括但不限于：轿车、运动型实用汽车(Sport Utility Vehicle，SUV)、小巴、大巴、公交车、工程车和卡车等。

上述方案，通过训练的神经网络模型能够准确得到目标车辆的类型，每种类型的车辆的底座高度基本是一致的，因此根据预设类型与高度的第一对应关系能够准确方便地确定目标车辆的底座高度。

另外获得图像采集装置相对于预设标识的角度的方式可参照上述实施例，此处不再赘述。

本实施例对上述步骤701-702、步骤703、步骤704的顺序不做限定，既可以先确定位移，也可以先确定第一偏移量，也可以先确定第二偏移量，此处不再赘述。

步骤705：根据所述第一偏移量与所述第二偏移量之差，确定目标偏移量；将所述位移与所述目标偏移量之差作为所述目标车辆的长度。

本实施例，确定出的长度主要是该目标车辆的高度引起的图像采集装置采集偏差造成的第一偏移量，以及抵消部分上述第一偏移量的底盘高度引起的图像采集装置采集偏差造成的第二偏移量，就能准确地确定最终位移与目标车辆的长度的偏差，也就是上述能够准确确定出的长度，位移与该长度之差就是目标车辆的长度。还是以图8为例：

目标偏移量L

上述方案，通过考虑目标车辆的底盘高度确定抵消上述第一偏移量的第二偏差量，并将第一偏移量与第二偏移量之差作为能够准确确定出的长度，进一步提高确定目标车辆的长度的准确性。

如图9所示，基于相同的发明构思，本发明实施例提供一种车辆长度确定装置900，包括：

速度确定模块901，用于确定在第一时刻到第二时刻之间多次采集目标区域的目标车辆的速度；其中，所述第一时刻为所述目标车辆的车头达到所述目标区域上预设标识的时刻；所述第二时刻为所述目标车辆的车尾离开所述预设标识的时刻；所述目标车辆的车头达到所述标识的时刻和所述目标车辆的车尾离开所述预设标识的时刻是根据多次采集包含所述目标车辆的图像确定的；

长度确定模块902，用于根据所述目标车辆的速度确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移；

长度确定模块902，还用于根据所述位移确定所述目标车辆的长度。

在一些可选的实施方式中，速度确定模块901确定在第一时刻到第二时刻之间多次采集目标区域的目标车辆的速度，包括：

根据运动状态采集装置基于预设的运动状态采集间隔在所述第一时刻到所述第二时刻之间多次采集的所有运动物体的方位信息，以及根据图像采集装置基于预设的图像采集间隔在第一时刻到第二时刻之间多次采集的图像中所述目标车辆的像素位置，通过空间融合从所述所有运动物体的方位信息中选择出所述目标车辆的方位信息；

根据所述目标车辆的方位信息，以及所述所有运动物体的方位信息对应的速度，确定所述运动状态采集装置基于预设的运动状态采集间隔在第一时刻到第二时刻之间多次采集的目标车辆的速度。

在一些可选的实施方式中，长度确定模块902根据所述目标车辆的速度确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移，包括：

根据所述目标车辆的速度和所述运动状态采集间隔，确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移。

在一些可选的实施方式中，所述图像采集间隔是所述运动状态采集间隔的n倍，n为正整数。

在一些可选的实施方式中，长度确定模块902在根据所述位移确定所述目标车辆的长度之前，还用于：

根据所述图像采集装置相对于所述预设标识的角度，以及所述目标车辆的高度，确定第一偏移量；

长度确定模块902根据所述位移确定所述目标车辆的长度，包括：

根据所述位移与所述第一偏移量确定所述目标车辆的长度。

在一些可选的实施方式中，长度确定模块902在根据所述位移与所述第一偏移量确定所述目标车辆的长度之前，还用于：

根据所述图像采集装置相对于所述预设标识的角度，以及所述目标车辆的底盘高度，确定第二偏移量；

长度确定模块902根据所述位移与所述第一偏移量确定所述目标车辆的长度，包括：

根据所述第一偏移量与所述第二偏移量之差，确定目标偏移量；

将所述位移与所述目标偏移量之差作为所述目标车辆的长度。

在一些可选的实施方式中，长度确定模块902还用于：

基于训练后的神经网络模型对所述多次采集的图像进行识别，得到所述目标车辆的类型；根据预设类型与高度的第一对应关系确定所述目标车辆的类型对应的所述目标车辆的高度；

基于训练后的神经网络模型对所述多次采集的图像进行识别，得到所述目标车辆的类型；根据预设类型与高度的第二对应关系确定所述目标车辆的类型对应的所述目标车辆的底盘高度。

在一些可选的实施方式中，若所述目标车辆的行驶方向为远离所述图像采集装置的方向，则所述目标车辆的高度为所述目标车辆的车头高度；

若所述目标车辆向接近所述图像采集装置的方向行驶，则所述目标车辆的高度为所述目标车辆的车尾高度。

由于该装置即是本发明实施例中的方法中的装置，并且该装置解决问题的原理与该方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。

如图10所示，基于相同的发明构思，本发明实施例提供一种车辆长度确定设备1000，包括：处理器1001和存储器1002；

存储器1002，用于存储处理器1001执行的计算机程序。存储器1002可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器1002也可以是非易失性存储器(non-volatile memory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)、或者存储器1002是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器1002可以是上述存储器的组合。

处理器1001，可以包括一个或多个中央处理单元(central processing unit，CPU)，图形处理单元(Graphics Processing Unit，GPU)或者为数字处理单元等等。

本发明实施例中不限定上述存储器1002和处理器1001之间的具体连接介质。本发明实施例在图10中以存储器1002和处理器1001之间通过总线1003连接，总线1003在图10中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线1003可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行下列过程：

确定在第一时刻到第二时刻之间多次采集目标区域的目标车辆的速度；其中，所述第一时刻为所述目标车辆的车头达到所述目标区域上预设标识的时刻；所述第二时刻为所述目标车辆的车尾离开所述预设标识的时刻；所述目标车辆的车头达到所述标识的时刻和所述目标车辆的车尾离开所述预设标识的时刻是根据多次采集包含所述目标车辆的图像确定的；

根据所述目标车辆的速度确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移；

根据所述位移确定所述目标车辆的长度。

在一些可选的实施方式中，所述处理器具体用于：

根据运动状态采集装置基于预设的运动状态采集间隔在所述第一时刻到所述第二时刻之间多次采集的所有运动物体的方位信息，以及根据图像采集装置基于预设的图像采集间隔在第一时刻到第二时刻之间多次采集的图像中所述目标车辆的像素位置，通过空间融合从所述所有运动物体的方位信息中选择出所述目标车辆的方位信息；

根据所述目标车辆的方位信息，以及所述所有运动物体的方位信息对应的速度，确定所述运动状态采集装置基于预设的运动状态采集间隔在第一时刻到第二时刻之间多次采集的目标车辆的速度。

在一些可选的实施方式中，所述处理器具体用于：

根据所述目标车辆的速度和所述运动状态采集间隔，确定所述目标车辆从所述第一时刻到所述第二时刻之间的位移。

在一些可选的实施方式中，所述图像采集间隔是所述运动状态采集间隔的n倍，n为正整数。

在一些可选的实施方式中，所述处理器还用于：

在根据所述位移确定所述目标车辆的长度之前，根据所述图像采集装置相对于所述预设标识的角度，以及所述目标车辆的高度，确定第一偏移量；

所述处理器具体用于：

根据所述位移与所述第一偏移量确定所述目标车辆的长度。

在一些可选的实施方式中，所述处理器还用于：

根据所述位移与所述第一偏移量确定所述目标车辆的长度之前，根据所述图像采集装置相对于所述预设标识的角度，以及所述目标车辆的底盘高度，确定第二偏移量；

所述处理器具体用于：

根据所述第一偏移量与所述第二偏移量之差，确定目标偏移量；

将所述位移与所述目标偏移量之差作为所述目标车辆的长度。

在一些可选的实施方式中，所述处理器还用于：

基于训练后的神经网络模型对所述多次采集的图像进行识别，得到所述目标车辆的类型；根据预设类型与高度的第一对应关系确定所述目标车辆的类型对应的所述目标车辆的高度；

基于训练后的神经网络模型对所述多次采集的图像进行识别，得到所述目标车辆的类型；根据预设类型与高度的第二对应关系确定所述目标车辆的类型对应的所述目标车辆的底盘高度。

在一些可选的实施方式中，若所述目标车辆的行驶方向为远离所述图像采集装置的方向，则所述目标车辆的高度为所述目标车辆的车头高度；

若所述目标车辆向接近所述图像采集装置的方向行驶，则所述目标车辆的高度为所述目标车辆的车尾高度。

由于该设备即是执行本发明实施例中的方法的设备，并且该设备解决问题的原理与该方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。

本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述车辆长度确定方法的步骤。其中，可读存储介质可以为非易失可读存储介质。

以上参照示出根据本发明实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解，可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置，以产生机器，使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。

相应地，还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地，本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式，其具有在介质中实现的计算机可使用或计算机可读程序代码，以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中，计算机可使用或计算机可读介质可以是任意介质，其可以包含、存储、通信、传输、或传送程序，以由指令执行系统、装置或设备使用，或结合指令执行系统、装置或设备使用。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。