(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210807535.4 (22)申请日 2022.07.11 (65)同一申请的已公布的文献号 申请公布号 CN 114913469 A (43)申请公布日 2022.08.16 (73)专利权人 浙江大华 技术股份有限公司 地址 310051 浙江省杭州市滨江区滨安路 1187号 (72)发明人 李冬冬　李乾坤　陈向阳　吴函　 向超　殷俊　江哲　王凯　王刚　 (74)专利代理 机构 深圳市威世博知识产权代理 事务所(普通 合伙) 44280 专利代理师 何倚雯 (51)Int.Cl. G06V 20/40(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 10470 0634 A,2015.0 6.10 CN 110060221 A,2019.07.26 CN 111596309 A,2020.08.28 CN 112699267 A,2021.04.23 CN 108550143 A,2018.09.18 CN 102073846 A,201 1.05.25 CN 111797734 A,2020.10.20 CN 111814847 A,2020.10.23 CN 108528458 A,2018.09.14 CN 10938615 5 A,2019.02.26 CN 112580695 A,2021.0 3.30 CN 113514847 A,2021.10.19 KR 2018010 0892 A,2018.09.12 JP 20120 52838 A,2012.0 3.15 (续) 审查员 赵会玲 (54)发明名称 一种车辆长度估计模 型建立的方法、 终端设 备及存储介质 (57)摘要 本申请公开了一种车辆长度估计模型建立 的方法、 终端设备及存储介质， 其中， 该方法包 括： 获取检测视频， 以及检测视频中的车辆信息， 车辆信息包括车辆框以及车辆长度； 基于车辆信 息进行聚类， 获取至少两个聚类结果， 至少两个 聚类结果中包括聚类中心及其聚类范围内的聚 类车辆信息； 获取初始车辆长度估计模型， 其中， 初始车辆长度估计模型包括至少一个待求参数； 将聚类车辆信息输入初始车辆长度估计模型， 求 解待求参数的数值； 基于待求参数的数值， 得到 最终车辆长度估计模型。 通过上述方法， 能够以 无监督的方式自行建立车辆长度估计模型， 实现对车辆长度的自动计算。 [转续页] 权利要求书2页 说明书9页 附图8页 CN 114913469 B 2022.11.22 CN 114913469 B (56)对比文件 王琳等. 《基 于聚类分析的实时交通 流量监 测系统研究》 . 《交通与计算机》 .20 03,第21卷(第 6期),第20 -22页. Hamidreza Tavafoghi 等. 《Queue Length Estimati on from Co nnected Vehicles w ith Low and Un known Penetration Level》 . 《2021 IEEE Internati onal Intelligent Transportati on System s Conference (ITSC)》 .2021,第1217-12 24页. 张伟等. 《基 于邻接传感器及神经网络的车 辆分类算法》 . 《通信学报》 .20 08,第29卷(第11 期),第139-14 4页.2/2 页 2[接上页] CN 114913469 B1.一种车辆 长度估计模型建立方法， 其特 征在于， 获取检测视频， 以及所述检测视频中的车辆信息， 所述车辆信息包括车辆框以及车辆 长度； 基于所述车辆信息进行聚类， 获取至少两个聚类结果， 所述至少两个聚类结果中包括 聚类中心及其聚类范围内的聚类车辆信息； 获取初始车辆长度估计模型， 其中， 所述初始车辆长度估计模型包括至少一个待求参 数； 将所述聚类车辆信息输入所述初始车辆长度估计模型， 求解所述待求参数的数值， 包 括： 对所述聚类车辆信 息进行数学变换后， 得到所述 聚类车辆信 息的车辆框位置和车辆长 度； 将每一聚类车辆信 息的车辆框位置和车辆长度输入至所述初始车辆长度估计模型， 建 立初始车辆 长度估计线性方程组， 每一个聚类结果对应一个初始车辆 长度估计线性方程； 对所述初始车辆 长度估计线性方程组进行求 解， 获取所述待求 参数的数值； 基于所述待求 参数的数值， 得到最终车辆 长度估计模型。 2.根据权利要求1所述的方法， 其特 征在于， 所述获取检测视频， 以及所述检测视频中的车辆信息， 包括： 获取检测视频， 并在所述检测视频中生成预设聚类 触发线； 对所述检测视频中的车辆进行目标检测， 获取 所有车辆的车辆 框和车辆 长度； 获取与所述预设聚类触发线相交 的车辆框及其对应车辆长度， 组成所述检测视频中的 车辆信息 。 3.根据权利要求1或2所述的方法， 其特征在于， 所述基于所述车辆信息进行聚类， 包 括： 获取所述车辆信息中的车辆 框尺寸； 基于所述车辆 框尺寸对所述车辆信息进行聚类。 4.根据权利要求1所述的方法， 其特征在于， 基于所述车辆信息进行聚类， 获取至少两 个聚类结果， 所述至少 两个聚类结果中包括聚类中心及其聚类范围内的聚类车辆信息， 包 括： 基于所述车辆 框尺寸对所述车辆信息中的车辆 框进行聚类， 获取若干个聚类结果； 获取所述若干个聚类结果的聚类距离； 从所述若干个聚类结果筛 选出聚类距离最大的两个聚类结果。 5.根据权利要求1所述的方法， 其特征在于， 所述获取检测视频， 以及所述检测视频中 的车辆信息之后， 还 包括： 基于所述车辆信息获取若干车辆 框之间的相对位置关系； 基于所述若干车辆 框之前的相对位置关系， 删除车辆 框至少部分重合的车辆信息 。 6.根据权利要求1所述的方法， 其特征在于， 所述获取检测视频， 以及所述检测视频中 的车辆信息之后， 还 包括： 基于所述检测视频中的车辆信息获取 所述检测视频中的所有车辆 框； 基于所述所有车辆 框， 获取所述检测视频的数据质量 参数；权　利　要　求　书 1/2 页 2 CN 114913469 B 3