CN101916383B - 基于多摄像机的车辆检测跟踪识别系统 - Google Patents
基于多摄像机的车辆检测跟踪识别系统 Download PDFInfo
- Publication number
- CN101916383B CN101916383B CN 201010262480 CN201010262480A CN101916383B CN 101916383 B CN101916383 B CN 101916383B CN 201010262480 CN201010262480 CN 201010262480 CN 201010262480 A CN201010262480 A CN 201010262480A CN 101916383 B CN101916383 B CN 101916383B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- histogram
- tracking
- module
- frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Abstract
本发明涉及一种基于多摄像机的车辆检测跟踪识别系统,包括:多个处于不同位置的摄像机,检测模块,跟踪模块,特征提取模块以及识别模块。所述摄像机的输出端与检测模块的输入端连接,检测模块的输出端与跟踪模块的输入端连接,跟踪模块的输出端与特征提取模块的输入端连接,特征提取模块的输出端与识别模块的输入端连接。本发明通过检测路面的车流情况,可以为交通管理提供数据支持,交通管理者可以据此制定合理的分流策略以避免交通事故或交通阻塞。
Description
技术领域
本发明涉及一种用于交通监控的系统装置,具体的说,涉及一种基于多摄像机的车辆检测跟踪识别系统。
背景技术
当前由于经济高速发展,城市交通也随着发展迅速,道路上行驶的机动车辆是越来越多,这给传统的交通管理带来各种问题,如某地方区域交通堵塞严重、事故频繁等,为了解决地面交通迅速发展所引起的各种问题,提出了智能交通系统来替代传统的交通管理,智能交通系统是解决上述困境的有效途径,能够从根本上解决日益膨胀的地面交通的诸多问题,它将先进的信息技术、数据传输技术、控制技术及计算机处理技术等有机的结合进行综合管理处理,使得人、车、路与环境和谐的结合在一起。
在智能交通系统中视频提取作为一项重要技术手段受到越来越多的重视,利用各种成像系统代替视觉感官作为视觉信息输入手段,由计算机来代替大脑完成处理。视频提取里包含很多的环境信息,包括位置、车辆形状大小以及车辆运动状况等交通中的大量信息。
基于视频的智能交通系统可以检测出很多交通参数,包括车流量、车型、道路饱和度等有关信息。通过获取道路上的信息,根据道路上的信息来调控道路的车流量,避免出现交通严重堵塞等问题。
中国专利局于2008年3月26日公开了公开号为CN101149794A的专利申请文献,名称为:基于视频的车辆检测跟踪及系统,该系统包括图像采集、车辆投影建模、运动车辆的判别和运动车辆的跟踪。依据车辆的二值投影模型参数,可从人流中、阴影中、各种非车辆物体中有效得判别出车辆,并采用MAD算法快速实现对车辆的跟踪。该系统主要是对车辆进行辨别和跟踪,但缺乏对每个路段的监控以及综合比较统计。
发明内容
本发明主要解决了:由于交通迅速发展,传统的交通管理难以解决新出现的交通问题如交通严重堵塞、事故频出,进而提供了一种有助于交通管理的基于多摄像机的车辆检测跟踪识别系统。
一种基于多摄像机的车辆检测跟踪识别系统,所述车辆检测跟踪识别系统包括:
多个处于不同位置的摄像机,用于对行驶中的车辆进行摄像;
检测模块,用于对每个摄像机的输入视频帧中的车辆进行检测和定位,得到车辆位置和尺度信息;
跟踪模块,用于匹配同一摄像机的不同视频帧的检测结果,判断是否属于同一车辆;
特征提取模块,用于从不同帧中提取同一车辆的视觉特征;
以及识别模块,用于对车辆的视觉特征进行匹配,确定车辆在多个摄像机中是否同时出现;
所述摄像机的输出端与检测模块的输入端连接,检测模块的输出端与跟踪模块的输入端连接,跟踪模块的输出端与特征提取模块的输入端连接,特征提取模块的输出端与识别模块的输入端连接。
优选地,所述的检测模块、跟踪模块、特征提取模块和识别模块集成在一个单片机上。
优选地,所述检测模块包括预检测器和精细检测器两级检测器,将视频图像划分为若干统一大小的扫描窗口,然后对扫描窗口进行检测。为了构造上述粗细两级检测器,每一级检测器都通过RealBoost方法从特征池中优选图像描述子并构造层级式分类器。其中RealBoost方法是机器学习领域中比较常用的算法,更具体的技术细节可参见下述两个参考文献“R.E.Schapire and Y.Singer.Improved boosting algorithms usingconfidence-rated predictions.Machine Learning,1999.”和“Q.Zhu,S.Avidan,M.C.Yeh,and K.T.Cheng.Fast human detection usinga cascade of-histograms of oriented gradients.In CVPR,2006.”。
在检测车辆时,检测器采用一个固定大小的扫描窗口对图像中所有可能的扫描窗口进行搜索,但是为了加快速度预检测器采用8像素为步长进行快速扫描,初步区分出车辆窗口和非车辆窗口;精细检测器针对预检测器检测后的仍然被判断为车辆的窗口进行检测,采用1像素为步长对这些窗口进行精细扫描,最终得到准确的车辆窗口,由车辆窗口得到车辆位置和尺度信息。为了保证预检测器在扫描的过程中不因加大扫描步长而遗漏车辆,训练过程中对正例训练样本加入随机平移噪声。优选的,将随机平移噪声的最大幅度设为8个像素。按此方式训练的预检测器能够能对大的扫描步长不敏感;而为了保证精确检测器的定位精度,精确检测器采用的正例训练样本是严格对齐的。
优选的,所述检测器按照下述具体步骤构造分类器:
(1)采用局部梯度直方图特征表示物体的形状信息,每一个局部梯度直方图对应一个图像的局部矩形区域,将该矩形区域分为四个子区域,计算图像的梯度,并将梯度量化为9个方向,这样每个子区域便统计得到9维直方图,4个9维直方图拼接成一个36维的直方图作为该局部梯度直方图的特征向量;
(2)在一个检测窗口中均匀采样出局部矩形区域,每一矩形区域对应一个梯度直方图特征,该些梯度直方图特征作为特征集合;
(3)采用RealBoost的学习方法从特征集合中选择出对“车辆”和“非车辆”判别能力最强的特征,构成分类器;
优选地,所述检测器按以下具体步骤进行检测:
(1)依照构造好的分类器,对检测窗口提取特征局部梯度直方图特征,并计算检测器中的分类器输出值;
(2)该扫描窗口由各个分类器依次判别,若其中一个分类器判定输入为“非车辆”,则这个图像块将直接被判定为“非车辆”,并且不经过后面的分类器;只有当所有的分类器均将该图像块判定为“车辆”时,该扫描窗口才最终被认为是“车辆”。
优选地,所述跟踪模块的工作方法如下:
1)相似度定义:将t帧的第i个检测结果表示为其中表示物体所在窗口的左上角像素点在图像中的位置,表示物体的窗口宽度,表示该检测结果的表观特征向量即M维彩色直方图;而将t-1帧的第j个检测结果表示为同理表示该物体在第t-1帧所在的位置和窗口宽度,表示该检测结果的表观特征向量即M维彩色直方图,M是3~16的整数,那么t和t-1帧中的两个检测结果的相似性度量表示为:
2)初始化:缓冲车辆队列清空,输出车辆队列清空,定义车辆驶出当前拍摄范围的消失阈值T1,T1为大于0且小于1的实常数,车辆在视频中出现的阈值T2,T2为大于等于1的整数,车辆匹配相似度阈值T3,T3为大于等于1的整数;
3)跟踪方法:
i.将第t帧的每一个检测结果和车辆缓冲队列的所有车辆进行匹配,找到t帧检测结果与当前车辆的缓冲队列中最相似的车辆;如果该最大值与第m辆车的相似度大于T1,则判断为第m辆车在t帧中的位置,将m辆车的信息更新;如果该最大值小于T1,那么此检测结果作为可能出现在视频中的新车辆加入到车辆缓冲队列里;
ii.对车辆的缓冲队列里面的所有车辆进行统计,如果当前的车辆在缓冲队列里面连续出现T2帧,那么认为该车辆是新出现在视频中的车辆,并将该车辆加入到输出车辆队列里;如果连续T3帧未出现,那么则认为该车辆已经驶出该视频,从缓冲队列里面删除该车辆,并将输出队列里面的对应的该车辆删除。
优选地,所述特征提取模块的工作方法如下:
对车辆所在矩形区域进行彩色、灰度和梯度信息的直方图统计,将车辆所在区域划分为4个区域以及16个区域进行直方图统计,对车辆整体区域和划分区域分别进行彩色、灰度和梯度信息的直方图统计,最终得到21个直方图,将所得到的直方图拼接起来组成长向量表示一个车辆的在不同尺度下的表观信息;一个车辆的特征最终表示为:
优选地,所述识别模块的工作方法如下:
1)将来自不同尺度的直方图的匹配结果用不同的权重加权,最后全部相加作为最终的相似度输出值,可表示为如下公式:
其中代表第i辆车在整体区域中的统计得来的直方图,代表第i辆车所在区域分成4个区域,由这4个区域中统计得来的直方图拼接而成的直方图,代表第i辆车在分成16个区域,由这16个区域中统计得来的直方图拼接而成的直方图。同理对于第j辆车,也具有类似的定义;
2)将两辆车的相似度定义为:
其中,是100~1600的实常数,MIN函数与公式(2)中的含义相同,代表直方图特征距离度量的交核函数;将摄像机中出现的车辆一一匹配,找到最相像的匹配结果,如果该匹配结果大于阈值T4,阈值T4为大于0且小于1的实常数,那么该车辆就在摄像机中同时出现;
3)从该车出现的前N帧中每一帧提取特征,上述特征构成一个特征集合用于表示该车,N为一个大于等于1的整数,则第i辆车的特征表示为集合则每辆车对应了一个由N个视频帧提取的特征构成的特征集合,两辆车的相似性相应转化为度量两个特征集合的相似性,采用Hausdorff距离度量两辆车的相似性,对于第i辆车和第j辆车的相似性表示为如下公式:
其中m和n的取值范围都是1~N的整数。
优选地,所述识别模块中,为900,T4为0.5,N为5。
本发明通过检测路面的车流情况,可以为交通管理提供数据支持,交通管理者可以据此制定合理的分流策略以避免交通事故或交通阻塞。另外,本发明还可以辅助及时的从两段视频中发现同一目标,比如有可疑车辆(丢失的车辆,或者犯罪嫌疑人驾驶的车辆等等),或者从系统外部输入可疑车辆的外观信息,那么本系统能够及时地提供报警,为侦查违法犯罪车辆提供帮助。
附图说明
图1为本发明车辆检测跟踪识别系统的模块结构示意图;
图2为本发明检测模块的工作原理图;
图3为本发明特征提取模块的工作原理图;
图4为本发明识别模块的工作原理图。
图5是本发明的使用状态图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的说明,但本发明的保护范围并不限于此。
参照图1,一种基于多摄像机的车辆检测跟踪识别系统,所述车辆检测跟踪识别系统包括:
多个处于不同位置的摄像机,用于对行驶中的车辆进行摄像;
检测模块,用于对每个摄像机的输入视频帧中的车辆进行检测和定位,得到车辆位置和尺度信息;
跟踪模块,用于匹配同一摄像机的不同视频帧的检测结果,判断是否属于同一车辆;
特征提取模块,用于从不同帧中提取同一车辆的视觉特征;
以及识别模块,用于对车辆的视觉特征进行匹配,确定车辆在多个摄像机中是否同时出现;
所述摄像机的输出端与检测模块的输入端连接,检测模块的输出端与跟踪模块的输入端连接,跟踪模块的输出端与特征提取模块的输入端连接,特征提取模块的输出端与识别模块的输入端连接。
所述的检测模块、跟踪模块、特征提取模块和识别模块集成在一个单片机上。
参照图2,输入图像经重采样装置采样为多个尺度图像,在每个尺度上以同样大小的窗口(例如100×100像素)扫描所有的位置。所述检测模块包括预检测器和精细检测器两个检测器,这两个检测器均采用RealBoost方法学习方法构造层级分类器。在检测过程中,预检测器采用8像素为步长进行粗略而快速扫描,初步区分出车辆窗口和非车辆窗口;精细检测器采用1像素为步长进行精细扫描,最终得到准确的车辆窗口,由车辆窗口得到车辆位置和尺度信息。
本专利的检测器按以下具体步骤进行检测:
(1)依照构造好的分类器,对检测窗口提取特征局部梯度直方图特征,并计算检测器中的分类器输出值;
(2)该扫描窗口由各个分类器依次判别,若其中一个分类器判定输入为“非车辆”,则这个图像块将直接被判定为“非车辆”,并且不经过后面的分类器;只有当所有的分类器均将该图像块判定为“车辆”时,该扫描窗口才最终被认为是“车辆”。
所述跟踪模块的工作方法如下:
1)相似度定义:将t帧的第i个检测结果表示为其中表示物体所在窗口的左上角像素点在图像中的位置,表示物体的窗口宽度,表示该检测结果的表观特征向量即M维彩色直方图;而将t-1帧的第j个检测结果表示为同理表示物体所在,表示该检测结果的表观特征向量即M维彩色直方图(M为9),那么t和t-1帧中的两个检测结果的相似性度量表示为:
2)初始化:缓冲车辆队列清空,输出车辆队列清空,定义车辆驶出当前拍摄范围的消失阈值T1,车辆在视频中出现的阈值T2,车辆匹配相似度阈值T3;阈值T1取0.7,阈值T2取3,阈值T3取3。
3)跟踪方法:
iii.将第t帧的每一个检测结果和车辆缓冲队列的所有车辆进行匹配,找到t帧检测结果与当前车辆的缓冲队列中最相似的车辆;如果该最大值与第m辆车的相似度大于T1,则判断为第m辆车在t帧中的位置,将m辆车的信息更新;如果该最大值小于T1,那么此检测结果作为可能出现在视频中的新车辆加入到车辆缓冲队列里;
iv.对车辆的缓冲队列里面的所有车辆进行统计,如果当前的车辆在缓冲队列里面连续出现T2帧,那么认为该车辆是新出现在视频中的车辆,并将该车辆加入到输出车辆队列里;如果连续T3帧未出现,那么则认为该车辆已经驶出该视频,从缓冲队列里面删除该车辆,并将输出队列里面的对应的该车辆删除。
参照图3,所述特征提取模块的工作方法如下:
将车辆所在区域划分一个区域,对该区域进行彩色、灰度和梯度信息的直方图统计,得到车辆区域在较低尺度的表观信息;将车辆所在区域划分为4个区域以及16个区域进行直方图统计,对车辆整体区域和划分区域分别统计直方图,最终得到21个直方图,将所得到的直方图拼接起来组成长向量表示一个车辆的在不同尺度下的表观信息,最终这21个直方图拼接起来的长向量表示一个车辆的在不同尺度下的表观信息;一个车辆的特征最终表示为:其中t是车辆出现的时间信息即帧编号,是第i个彩色直方图,其中包括饱和度直方图和色调直方图,是第i个亮度直方图,是第i个梯度方向直方图。
参照图4,所述识别模块的工作方法如下:
4)将来自不同尺度的直方图的匹配结果用不同的权重加权,最后全部相加作为最终的相似度输出值,可表示为如下公式:
其中代表第i辆车在整体区域中的统计得来的直方图,代表第i辆车所在区域分成4个区域,由这4个区域中统计得来的直方图拼接而成的直方图,代表第i辆车在分成16个区域,由这16个区域中统计得来的直方图拼接而成的直方图。同理对于第j辆车,也具有类似的定义。
5)将两辆车的相似度定义为:
其中,设为900,MIN函数与公式(2)中的含义相同,代表直方图特征距离度量的交核函数;将摄像机中出现的车辆一一匹配,找到最相像的匹配结果,如果该匹配结果大于阈值T4(T4为0.5),那么该车辆就在摄像机中同时出现;
6)从该车出现的前N帧中每帧中分别提取该车的特征构成一个特征集合用于表示该车,N为大于1的整数,通常设为5,则第i辆车的特征表示为集合那么,每辆车对应了N个视频帧的特征构成的特征集合,两辆车的相似性相应转化为度量两个特征集合的相似性,采用Hausdorff距离度量两辆车的相似性,对于第i辆车和第j辆车的相似性表示为如下公式:
参照图5,本发明使用时,摄像机1和摄像机2分别架设于两个不同位置(如天桥1和天桥2),摄像机1采集经过天桥1的车辆,传送给该系统,该系统对天桥1的车辆进行检测跟踪,并且提取该车辆的特征;同时,该系统也检测和跟踪经过天桥2的车辆,并对每一辆车进行特征提取。该系统利用车辆特征对经过天桥1和天桥2的车辆进行匹配,识别出同时经过这天桥1和天桥2的车辆。
Claims (8)
1.一种基于多摄像机的车辆检测跟踪识别系统,其特征在于:所述车辆检测跟踪识别系统包括:
多个处于不同位置的摄像机,用于对行驶中的车辆进行摄像;
检测模块,用于对每个摄像机的输入视频帧中的车辆进行检测和定位,得到车辆位置和尺度信息;
跟踪模块,用于匹配同一摄像机的不同视频帧的检测结果,判断是否属于同一车辆;
特征提取模块,用于从不同帧中提取同一车辆的视觉特征;
以及识别模块,用于对车辆的视觉特征进行匹配,确定车辆在多个摄像机中是否同时出现;
所述摄像机的输出端与检测模块的输入端连接,检测模块的输出端与跟踪模块的输入端连接,跟踪模块的输出端与特征提取模块的输入端连接,特征提取模块的输出端与识别模块的输入端连接;
所述检测模块包括预检测器和精细检测器两个检测器,将视频图像划分为若干统一大小的扫描窗口,然后对扫描窗口进行检测;预检测器和精细检测器都通过RealBoost学习方法构造层级分类器;预检测器采用8个像素为步长进行快速扫描,初步区分出车辆窗口和非车辆窗口;精细检测器针对预检测器检测后的仍然被判断为车辆的窗口进行检测,采用1个像素为步长对这些窗口进行精细扫描,最终得到准确的车辆窗口,由车辆窗口得到车辆位置和尺度信息。
2.根据权利要求1所述基于多摄像机的车辆检测跟踪识别系统,其特征在于:所述的检测模块、跟踪模块、特征提取模块和识别模块集成在一个单片机上。
3.根据权利要求1所述的基于多摄像机的车辆检测跟踪识别系统,其特征在于:所述检测模块按照下述具体步骤构造分类器:
采用局部梯度直方图特征表示物体的形状信息,每一个局部梯度直方图对应一个图像的局部矩形区域,将该矩形区域分为四个子区域,计算图像的梯度,并将梯度量化为9个方向,这样每个子区域便统计得到9维直方图,4个9维直方图拼接成一个36维的直方图作为该局部梯度直方图的特征向量;
在一个检测窗口中均匀采样出局部矩形区域,每一矩形区域对应一个梯度直方图特征,该些梯度直方图特征构成特征集合;
采用RealBoost的学习方法从特征集合中选择出对“车辆”和“非车辆”判别能力最强的特征,构成分类器;
所述检测器按以下具体步骤进行检测:
(1)依照构造好的分类器,对检测窗口提取特征局部梯度直方图特征,并计算检测器中的分类器输出值;
(2)该扫描窗口由各个分类器依次判别,若其中一个分类器判定输入为“非车辆”,则这个图像块将直接被判定为“非车辆”,并且不经过后面的分类器;只有当所有的分类器均将该图像块判定为“车辆”时,该扫描窗口才最终被认为是“车辆”。
4.根据权利要求1所述的基于多摄像机的车辆检测跟踪识别系统,其特征在于,所述跟踪模块的工作方法如下:
1)相似度定义:将第t帧的第i个检测结果表示为 ,其中表示物体所在窗口的左上角像素点在图像中的位置,表示物体的窗口宽度,表示该检测结果的表观特征向量即M维彩色直方图; 而将第t-1帧的第j个检测结果表示为,同理表示物体在第t-1帧所在的位置和窗口宽度,表示该检测结果的表观特征向量即M维彩色直方图, M是3~16的整数,那么第t和第t-1帧中的两个检测结果的相似性度量表示为:
2)初始化:缓冲车辆队列清空,输出车辆队列清空,定义车辆驶出当前拍摄范围的消失阈值T1,T1为大于0且小于1的实常数,车辆在视频中出现的阈值T2,T2为大于等于1的整数,车辆匹配相似度阈值T3,T3为大于等于1的整数;
3)跟踪方法:
将第t帧的每一个检测结果和车辆缓冲队列的所有车辆进行匹配,找到t帧检测结果与当前车辆的缓冲队列中最相似的车辆;如果相似度的最大值与第m辆车的相似度大于T1,则判断为第m辆车在t帧中的位置,将第m辆车的信息更新;如果相似度的最大值小于T1,那么此检测结果作为可能出现在视频中的新车辆加入到车辆缓冲队列里;
对车辆的缓冲队列里面的所有车辆进行统计,如果当前的车辆在缓冲队列里面连续出现T2帧,那么认为该车辆是新出现在视频中的车辆,并将该车辆加入到输出车辆队列里;如果连续T3帧未出现,那么则认为该车辆已经驶出该视频,从缓冲队列里面删除该车辆,并将输出队列里面的对应的该车辆删除。
7.根据权利要求1所述的基于多摄像机的车辆检测跟踪识别系统,其特征在于:所述识别模块的工作方法如下:
将来自不同尺度的直方图的匹配结果用不同的权重加权,最后全部相加作为最终的相似度输出值,表示为如下公式:
(4)
其中代表第i辆车在整体区域中的统计得来的直方图,代表第i辆车所在区域分成4个区域,由这4个区域中统计得来的直方图拼接而成的直方图,代表第i辆车再分成16个区域,由这16个区域中统计得来的直方图拼接而成的直方图;对于第j辆车具有类似定义;
将两辆车的相似度定义为:
其中,是100~1600的实常数,函数与公式(2)中的含义相同,代表直方图特征距离度量的交核函数;将摄像机中出现的车辆一一匹配,找到最相像的匹配结果,如果该匹配结果大于阈值T4,阈值T4为大于0且小于1的实常数,那么该车辆就在摄像机中同时出现;
从该车出现的前N帧中每一帧提取特征,上述特征构成一个特征集合用于表示该车,N为一个大于等于1的整数,则第i辆车的特征表示为集合;则每辆车对应了一个由N个视频帧提取的特征构成的特征集合,两辆车的相似性相应转化为度量两个特征集合的相似性,采用Hausdorff距离度量两辆车的相似性,对于第i辆车和第j辆车的相似性表示为如下公式:
其中m和n的取值范围都是1~N的整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010262480 CN101916383B (zh) | 2010-08-25 | 2010-08-25 | 基于多摄像机的车辆检测跟踪识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010262480 CN101916383B (zh) | 2010-08-25 | 2010-08-25 | 基于多摄像机的车辆检测跟踪识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101916383A CN101916383A (zh) | 2010-12-15 |
CN101916383B true CN101916383B (zh) | 2013-03-20 |
Family
ID=43323892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010262480 Expired - Fee Related CN101916383B (zh) | 2010-08-25 | 2010-08-25 | 基于多摄像机的车辆检测跟踪识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101916383B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109147351A (zh) * | 2018-09-07 | 2019-01-04 | 广东工业大学 | 一种交通信号灯控制系统 |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2487505B1 (en) * | 2011-02-10 | 2013-04-17 | Harman Becker Automotive Systems GmbH | Blind area warning for vehicles |
CN102087790B (zh) * | 2011-03-07 | 2013-07-10 | 中国科学技术大学 | 一种低空对地车辆检测与运动分析的方法和系统 |
CN103473566B (zh) * | 2013-08-27 | 2016-09-14 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于多尺度模型的车辆检测方法 |
CN104615998B (zh) * | 2015-02-15 | 2017-10-24 | 武汉大学 | 一种基于多视角的车辆检索方法 |
CN104915967B (zh) * | 2015-05-08 | 2018-03-06 | 南京邮电大学 | 一种隧道内车辆运动路径的预测方法 |
WO2017128440A1 (zh) * | 2016-01-31 | 2017-08-03 | 深圳市博信诺达经贸咨询有限公司 | 大数据的监控提醒方法及系统 |
CN106778777B (zh) * | 2016-11-30 | 2021-07-06 | 成都通甲优博科技有限责任公司 | 一种车辆匹配方法及系统 |
CN107038423B (zh) * | 2017-04-20 | 2020-03-27 | 常州智行科技有限公司 | 一种车辆实时检测与跟踪方法 |
CN107481237B (zh) * | 2017-08-28 | 2019-11-08 | 南京邮电大学 | 一种基于多帧温度特性的红外阵列图像热斑检测方法 |
CN109426791B (zh) * | 2017-09-01 | 2022-09-16 | 深圳市金溢科技股份有限公司 | 一种多站点多元车辆匹配方法、服务器及系统 |
CN108229475B (zh) * | 2018-01-03 | 2021-08-31 | 深圳中兴网信科技有限公司 | 车辆跟踪方法、系统、计算机设备及可读存储介质 |
CN108399411B (zh) * | 2018-02-26 | 2019-07-05 | 北京三快在线科技有限公司 | 一种多摄像头识别方法及装置 |
CN108596019B (zh) * | 2018-03-12 | 2022-01-28 | 杭州英歌智达科技有限公司 | 一种基于对角之势的摄像头监控方法及系统 |
CN109003455B (zh) * | 2018-06-22 | 2021-03-30 | 安徽科力信息产业有限责任公司 | 一种提醒车主违法停车行为的方法及装置 |
CN108932851B (zh) * | 2018-06-22 | 2021-03-30 | 安徽科力信息产业有限责任公司 | 一种记录机动车违法停车行为的方法及装置 |
JP6928917B2 (ja) * | 2018-11-06 | 2021-09-01 | パナソニックIpマネジメント株式会社 | 移動体管理システム、移動体、管理装置、制御方法、及びプログラム |
CN109949579A (zh) * | 2018-12-31 | 2019-06-28 | 上海眼控科技股份有限公司 | 一种基于深度学习的闯红灯违法自动审核方法 |
CN109785621B (zh) * | 2019-02-02 | 2021-08-27 | 重庆港力环保股份有限公司 | 一种依托大数据的道路交通噪声智能优化控制方法 |
CN110287905B (zh) * | 2019-06-27 | 2021-08-03 | 浙江工业大学 | 一种基于深度学习的交通拥堵区域实时检测方法 |
CN110418114B (zh) | 2019-08-20 | 2021-11-16 | 京东方科技集团股份有限公司 | 一种对象跟踪方法、装置、电子设备及存储介质 |
CN110796862B (zh) * | 2019-11-05 | 2021-09-07 | 西南交通大学 | 一种基于人工智能的高速公路交通状况检测系统及方法 |
CN111275983B (zh) * | 2020-02-14 | 2022-11-01 | 阿波罗智联(北京)科技有限公司 | 车辆追踪方法、装置、电子设备和计算机可读存储介质 |
CN112507894A (zh) * | 2020-12-14 | 2021-03-16 | 天时地理(深圳)智能科技有限公司 | 一种车辆识别跟踪方法及系统 |
CN112991769A (zh) * | 2021-02-03 | 2021-06-18 | 中科视语(北京)科技有限公司 | 基于视频的交通量调查方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1897015A (zh) * | 2006-05-18 | 2007-01-17 | 王海燕 | 基于机器视觉的车辆检测和跟踪方法及系统 |
CN101149794A (zh) * | 2007-10-16 | 2008-03-26 | 王海燕 | 基于视频的车辆检测跟踪及系统 |
CN101226691A (zh) * | 2007-12-21 | 2008-07-23 | 北京中星微电子有限公司 | 基于视频图像的车辆计数方法 |
-
2010
- 2010-08-25 CN CN 201010262480 patent/CN101916383B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1897015A (zh) * | 2006-05-18 | 2007-01-17 | 王海燕 | 基于机器视觉的车辆检测和跟踪方法及系统 |
CN101149794A (zh) * | 2007-10-16 | 2008-03-26 | 王海燕 | 基于视频的车辆检测跟踪及系统 |
CN101226691A (zh) * | 2007-12-21 | 2008-07-23 | 北京中星微电子有限公司 | 基于视频图像的车辆计数方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109147351A (zh) * | 2018-09-07 | 2019-01-04 | 广东工业大学 | 一种交通信号灯控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101916383A (zh) | 2010-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101916383B (zh) | 基于多摄像机的车辆检测跟踪识别系统 | |
CN111368687B (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
CN106878674B (zh) | 一种基于监控视频的停车检测方法及装置 | |
CN104751634B (zh) | 高速公路隧道行车图像采集信息的综合应用方法 | |
Elzein et al. | A motion and shape-based pedestrian detection algorithm | |
CN102867417B (zh) | 一种出租车防伪系统及方法 | |
CN103530640B (zh) | 基于AdaBoost与SVM的无牌车辆检测方法 | |
CN102902983B (zh) | 一种基于支持向量机的出租车识别方法 | |
CN102915433A (zh) | 基于字符组合的车牌定位和识别方法 | |
CN103034843A (zh) | 一种基于单目视觉的夜间车辆检测方法 | |
CN104463232A (zh) | 一种基于hog特征和颜色直方图特征的密度人群计数的方法 | |
CN106919939B (zh) | 一种交通标识牌跟踪识别方法及系统 | |
Park et al. | Real-time signal light detection | |
CN102142090B (zh) | 车辆检测方法和系统 | |
Telagarapu et al. | A novel traffic-tracking system using morphological and Blob analysis | |
Kardkovács et al. | Real-time traffic sign recognition system | |
CN103680145B (zh) | 一种基于局部图像特征的人车自动识别方法 | |
CN107862341A (zh) | 一种车辆检测方法 | |
CN103295003A (zh) | 一种基于多特征融合的车辆检测方法 | |
Coronado et al. | Detection and classification of road signs for automatic inventory systems using computer vision | |
Dong et al. | Nighttime pedestrian detection with near infrared using cascaded classifiers | |
Zhou et al. | Real-time traffic light recognition based on c-hog features | |
Vijverberg et al. | High-level traffic-violation detection for embedded traffic analysis | |
CN103400135A (zh) | 一种在恶劣天气条件下交通事件清晰检测的视频信号预处理方法 | |
Wang et al. | A video traffic flow detection system based on machine vision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130320 Termination date: 20180825 |
|
CF01 | Termination of patent right due to non-payment of annual fee |