CN102496275B - 客车超载检测方法 - Google Patents
客车超载检测方法 Download PDFInfo
- Publication number
- CN102496275B CN102496275B CN201110381705.9A CN201110381705A CN102496275B CN 102496275 B CN102496275 B CN 102496275B CN 201110381705 A CN201110381705 A CN 201110381705A CN 102496275 B CN102496275 B CN 102496275B
- Authority
- CN
- China
- Prior art keywords
- rectangular area
- frame
- coach
- overload
- judge
- 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
本发明公开了一种客车超载检测方法根据实际情况分析,客车出现的超员超载现象,主要集中于客车内部的过道区域,基于这种特点,车辆超载算法,通过划定车辆内部过道区域,对过道区域进行人的头部识别。主要通过Haar人脸识别方法,选取大量的人在车辆内部站立时不同角度的头部图像做为有效样本,并对可能误检的相适区域选取大量负样本进行训练,同时改进haar特征识别方法,结合客车内部环境特点,分析像素变化特征,提高图像检测效率,并在识别过程中选定时间阈值对识别到的目标进行二次过滤,提高目标识别率,从而降低误检率。
Description
技术领域
本发明涉及一种客车超载超员检测方法。
背景技术
随着人们生活水平的不断提高,人们外出的需求量也就越来越大,因此汽车仍是交通运输的主要工具。由于大部分客车车主为了自身利益要求,忽视交通安全意识,拼命地往车里塞人,尤其是到了节假日,人客流高峰期,而与此相关的公路客运的运输能力却没有相应增加,致使节假日客车超员超载现象频发。客车超载对国家的公路设施和客运市场造成了不良影响,同时容易引发道路交通事故,给交通安全带来了极大的隐患,也使人民的生命财产安全受到了严重的威胁。针对上述现象,近年来出现了不同的车辆检测方法。目前在客车超载检测方法中大多数还是采用途中人工盘检的方式,这种方式因为存在太多的人为因素,无法监测到客车运行过程中的真实情况。而极少地区对运营车辆安装了智能检测设备,这种智能检测设备主要通过在客车车门两侧安装具有方向判断功能的红外线传感器或其它功能传感器,实现乘客上下车的记录,并计算是否超员报警。或是在乘客上下的台阶上安装压电薄膜传感器,通过传感器的受力不同对乘客上下车进行判断,并记录人数从而判断是否超载。这两种智能检测设备一定程度上改善了人工盘检的弊端,但是这种依赖于硬件设备的检测方法,提升了检测成本,而且无法达到实时监测。
发明内容
本发明针对以上问题的提出,而研制的一种客车超载检测方法具有如下步骤:
S1.以客车过道作为检测区域,采集检测区域的视频图像,选取其中的一帧视频图像作为当前帧,使用训练好的Haar特征级联分类器对当前帧图像进行逐个位置的扫描,采集与所述Haar特征级联分类器扫描窗口一致的至少一个矩形区域。
S2.选取一个矩形区域,在选定的一段时间内,追踪该矩形区域,判定该矩形区域在当前帧之后的一段连续帧中每一帧中出现的位置与矩形区域在每一帧中的上一帧中出现的位置偏差是否在规定范围内,同时,判断该矩形区域,在选定的同一段时间内,当前帧后的同一段连续帧图像中出现的次数大于规定出现次数,则判定客车超载;否则,删除所述矩形区域,继续检测,重复S1-S2。
步骤S2包括:
S201.根据经验预先设定时间阈值T,和T时间内同一头部检测到的总次数N;
S202.从当前帧开始,记录当前时间t到t+T这一时间段内,矩形区域在每一帧图像中出现的次数,记作n以及所述矩形区域在每一帧图像中所处的位置;
S203.根据公式|Pm-Pm+1|<Dmin判定,所述矩形区域在时间阈值T内,在每一帧中的位置,与在上一帧中的位置的偏差在所述范围内,式中Pm表示上一帧图像中检测到的矩形区域的位置,Pm+1表示当前帧图像中检测到的矩形区域的位置,Dmin是根据经验总结的同一目标在两帧间的变化的最大距离。
S204.判断比较n与N的大小,若n>N,则判定该矩形区域存在;若n<N,则判定该矩形区域不存在。
S205.若所述矩形区域满足同时S204与S203所述的条件,则判断车辆超载,否则,删除记录中的所述矩形区域,继续检测,重复步骤S1-S2
S1之前还具有:对Haar特征级联分类器进行训练:选择人头不同角度的图像作为正样本集Spos,车内不同环境作为负样本集Sneg,所述正样本集Spos中的样本数量取值为5000<Spos<8000,负样本集Sneg的样本数量取值为8000<Sneg<12000。
在进行分类器训练时,加入了人头部倾角为30度和45度的Haar特征正样本进行进行训练。
在S1中所述Haar特征级联分类器对当前帧进行扫描的方法,首先使用分类器的初始大小窗口从监控区域的最远端开始,逐个位置扫描,完成一次扫描后,按比例因子scale_factor放大分类器窗口,再进行一次扫描,不断放大窗口,直至窗口大于视频图像大小。
将客车过道区域,即检测区域划分为矩形或多边形,在采集到当前帧图像数据之后,对当前帧图像进行高斯滤波和直方图均衡化处理。
在S3判定车辆人员超载后,发出报警并将报警信息和超载的实时图像上传至远程计算机中。
本发明的公共客运车辆人员超载监控系统及监控方法,通过图像识别技术判断车辆通道是否有人,并以此作为判断是否超载的依据,可有效地解决传感元件对上下车乘客个体识别精度不高的问题,同时,只传送判定超载的图片到监控中心,可大大降低数据传输量,节约运行成本。
本发明的其他优点、目标,和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书,权利要求书,以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚的说明本发明的实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,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为本发明的流程图
图2为本发明的主要步骤流程图
图3为本发明中步骤S2的具体步骤图
具体实施方式
如图1本发明的流程图所示:一种客车超载检测方法,具有如下步骤:
首选对本发明所采用的Haar特征级联分类器进行训练,主要同过采集大量车内实际情况下的视频进行分析,选择头部的不同角度的图像作为正样本集Spos,车内不同环境作为负样本Sneg,进行分类器训练,由于人头不同的角度特征有所不同,因此正负样本数量必须足量,我们选用正负样本数分别为Spos=6000和Sneg=10000。检测窗口的最小尺寸设为wSize=16×18cm,同正样本尺寸大小相同。由于车体过道具有长度和每个人头部大小都不同,所以采集到的矩形区域一般具有唯一性,即唯一的大小。
考虑到在实际客车内部,人们的头部存在不同角度的倾斜,为了更加准确的识别头部目标区域,作为一个较佳的实施方式,因此在训练中增加倾角为30度和45度的Haar特征进行训练。
对于检测到的目标区域用矩形框方式表示,作为一序列的矩形区域返回,其中包括矩形左上角坐标(x,y)以及矩形的宽width和高height,利用矩形区域信息,可以将超载目标在视频图像中标定出来。
通常长途客车的超载,都是在座位坐满的情况下,在中间的过道上有乘客站立或坐在加座上,作为一个较佳的实施方式,S1:以客车过道作为检测区域,人为的根据实际情况,在将该过道区域即为所述的监测区域划分成矩形或者多边形,划分的时候要做到准确,不得过多包含座位信息。
在采集到图像之后,作为一个较佳的实施方式,使用高斯滤波器对采集到的图像进行降噪处理以及采用直方图均衡化增加图像的对比度。
在采集到的多帧的图像中,挑选一帧图像作为当前帧,在当前帧图像中,使用训练好的Haar特征级联分类器对当前帧图像进行逐个位置的扫描,找到与Haar特征级联分类器扫描窗口初始尺寸一致的所有区域,优选的,设定该区域为为矩形,该矩形区域的尺寸为wSize。在完成以Haar特征级联分类器扫描窗口为依据的一次扫描之后,按scale_factor,放大扫描窗口,重复检测,直到扫描窗口大于所述检测区域,即过道区域,停止扫描。
对扫描得到的多个不同的矩形区域,考虑到客车内部光线变化,及车辆行驶抖动等因素,在头部识别后获得的目标矩形偶尔发生误检,为降低误检率,作为一个较佳的实施方式,设定S2:根据经验值设定一个时间阈值T和T时间内同一矩形区域被检测到的总次数N,跟踪当前帧检测到的矩形区域并记录,累加从当前时间t到t+T检测到的同一头部的数n,若n>N,则视为目标存在,
考虑到除了在超载的情况下,过道区域中可能出现人的头部影响外,成员在过道区域内行走,或者乘客在座位上探头张望,交谈等情况也会在过道区域产生头部影响,作为一个较佳的实施方式,在判定矩形区域是否存在的同时追踪,在当前帧后时间阈值T内,2个连续帧中的所述矩形区域的相对距离是否在根据经验值限定的范围内,根据公式|Pm-Pm+1|<Dmin判定,所述矩形区域在时间阈值T内,在每一帧中的位置,与在上一帧中的位置的偏差在所述范围内,式中Pm表示上一帧图像中检测到的矩形区域的位置,Pm+1表示当前帧图像中检测到的矩形区域的位置,Dmin是根据经验总结的同一目标在两帧间的变化的最大距离。
如果一个矩形区域满足上述条件,判定该目标在检测区域,即过道区域长时间存在,则此时车辆超载。否则,则可认定为误检测,删除记录,重新检测。
在判定车辆超员超载后,发出报警信息,同时,将报警信息和超载的视频截图或者视频图像上传至设定的接收设备。下表为按照本发明所述方法进行的实验的数据。
样本数量 | 倾斜特征 | 误检过滤 | 平均检测正确率 |
(2000,5000) | 不增加 | 不增加 | 68.3% |
(5000,8000) | 不增加 | 不增加 | 79.7% |
(5000,8000) | 增加30,45度特征 | 增加 | 82.3% |
(6000,10000) | 不增加 | 不增加 | 82.6% |
(6000,10000) | 增加30度特征 | 不增加 | 86.6% |
(6000,10000) | 增加30,45度特征 | 增加 | 90.1% |
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种客车超载检测方法,其特征在于具有如下步骤:
S1.以客车过道作为检测区域,采集检测区域的视频图像,选取其中的一帧视频图像作为当前帧,使用训练好的Haar特征级联分类器对当前帧图像进行逐个位置的扫描,采集与所述Haar特征级联分类器扫描窗口大小一致的至少一个矩形区域;
S2.选取一个矩形区域,在选定的一段时间内,追踪该矩形区域,判定该矩形区域在当前帧之后的一段连续帧中每一帧中出现的位置与矩形区域在每一帧中的上一帧中出现的位置偏差是否在规定范围内,同时,判断该矩形区域,在选定的同一段时间内,当前帧后的同一段连续帧图像中出现的次数大于规定出现次数,则判定客车超载;否则,删除所述矩形区域,继续检测,重复S1-S2;
所述步骤S2包括:
S201.根据经验预先设定时间阈值T,和T时间内同一头部检测到的总次数N;
S202.从当前帧开始,记录当前时间t到t+T这一时间段内,矩形区域在每一帧图像中出现的次数,记作n以及所述矩形区域在每一帧图像中所处的位置;
S203.根据公式|Pm-Pm+1|<Dmin判定,所述矩形区域在时间阈值T内,在每一帧中的位置,与在上一帧中的位置的偏差在所述范围内,式中Pm表示上一帧图像中检测到的矩形区域的位置,Pm+1表示当前帧图像中检测到的矩形区域的位置,Dmin是根据经验总结的同一目标在两帧间的变化的最大距离;
S204.判断比较n与N的大小,若n>N,则判定该矩形区域存在;若n<N,则判定该矩形区域不存在;
S205.若矩形区域同时满足所述步骤S203与S204的条件,则判断车辆超载,否则,删除记录中的所述矩形区域,继续检测,重复步骤S1-S2。
2.根据权利要求1所述的客车超载检测方法,其特征还在于:所述S1之前还具有:对Haar特征级联分类器进行训练:选择人头不同角度的图像作为正样本集Spos,车内不同环境作为负样本集Sneg,所述正样本集Spos中的样本数量取值为5000<Spos<8000,负样本集Sneg的样本数量取值为8000<Sneg<12000。
3.根据权利要求2所述的客车超载检测方法,其特征还在于:在进行分类器训练时,加入了人头部倾角为30度和45度的Haar特征正样本进行训练。
4.根据权利要求1所述的客车超载检测方法,其特征还在于:在S1中所述Haar特征级联分类器对当前帧进行扫描的方法,首先使用分类器的初始大小窗口从监控区域的最远端开始,逐个位置扫描,完成一次扫描后,按比例因子scale_factor放大分类器窗口,再进行一次扫描,不断放大窗口,直至窗口大于视频图像大小。
5.根据权利要求1所述的客车超载检测方法,其特征还在于:将客车过道区域,即检测区域划分为矩形或多边形,在采集到当前帧图像数据之后,对当前帧图像进行高斯滤波和直方图均衡化处理。
6.根据权利要求1所述的客车超载检测方法,其特征还在于:在S2判定车辆人员超载后,发出报警并将报警信息和超载的实时图像上传至远程计算机中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110381705.9A CN102496275B (zh) | 2011-11-25 | 2011-11-25 | 客车超载检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110381705.9A CN102496275B (zh) | 2011-11-25 | 2011-11-25 | 客车超载检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102496275A CN102496275A (zh) | 2012-06-13 |
CN102496275B true CN102496275B (zh) | 2014-05-07 |
Family
ID=46188094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110381705.9A Expired - Fee Related CN102496275B (zh) | 2011-11-25 | 2011-11-25 | 客车超载检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102496275B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103021179B (zh) * | 2012-12-28 | 2016-03-30 | 佛山市华电智能通信科技有限公司 | 基于实时监控视频中的安全带检测方法 |
CN105608422A (zh) * | 2015-12-16 | 2016-05-25 | 安徽创世科技有限公司 | 一种客车超载智能监控检测方法 |
CN105718956A (zh) * | 2016-01-26 | 2016-06-29 | 上海经达信息科技股份有限公司 | 基于支持向量机的超载判断方法 |
CN108509828A (zh) * | 2017-02-28 | 2018-09-07 | 深圳市朗驰欣创科技股份有限公司 | 一种人脸识别方法和人脸识别装置 |
CN107633266B (zh) * | 2017-09-07 | 2020-07-28 | 西安交通大学 | 一种电力机车接触网受电弓电弧检测方法 |
CN108960398A (zh) * | 2018-06-11 | 2018-12-07 | 辽宁工业大学 | 一种无线远程的客车超员主动监测装置及监测方法 |
CN109766780A (zh) * | 2018-12-20 | 2019-05-17 | 武汉理工大学 | 一种基于深度学习的船舶烟雾排放在线检测和追踪方法 |
CN113642454B (zh) * | 2021-08-11 | 2024-03-01 | 汇纳科技股份有限公司 | 座椅使用情况的识别方法、系统、设备及计算机存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655914B (zh) * | 2008-08-18 | 2014-10-22 | 索尼(中国)有限公司 | 训练装置、训练方法及检测方法 |
US8325983B2 (en) * | 2008-09-22 | 2012-12-04 | Samsung Electronics Co., Ltd. | Combination detector and object detection method using the same |
JP5098982B2 (ja) * | 2008-12-08 | 2012-12-12 | トヨタ自動車株式会社 | 顔部位検出装置 |
CN101610400A (zh) * | 2009-07-10 | 2009-12-23 | 重庆大学 | 长途客运车辆人员超载监控系统及监控方法 |
-
2011
- 2011-11-25 CN CN201110381705.9A patent/CN102496275B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102496275A (zh) | 2012-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102496275B (zh) | 客车超载检测方法 | |
CN109670404B (zh) | 一种基于混合模型的道路积水图像检测预警方法 | |
CN109887281B (zh) | 一种监控交通事件的方法及系统 | |
CN105744232B (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN110085029B (zh) | 基于轨道式巡检机器人的高速公路巡检系统与方法 | |
KR101375583B1 (ko) | 비디오에서의 물체 조밀도 판단 | |
CN101916383B (zh) | 基于多摄像机的车辆检测跟踪识别系统 | |
CN104809887B (zh) | 一种高速公路上车辆逆行检测方法与自动报警装置 | |
CN107301777A (zh) | 基于视频检测技术的车辆违章变道检测方法 | |
US11361556B2 (en) | Deterioration diagnosis device, deterioration diagnosis system, deterioration diagnosis method, and storage medium for storing program | |
CN100454355C (zh) | 实时采集道路车流量信息的视频方法 | |
CN111126171A (zh) | 一种车辆逆行检测方法及系统 | |
CN111626204B (zh) | 一种铁路异物入侵监测方法及系统 | |
CN111046797A (zh) | 一种基于人员和车辆行为分析的输油管线警戒方法 | |
CN104598934A (zh) | 一种驾驶员吸烟行为监控方法 | |
CN111626203B (zh) | 一种基于机器学习的铁路异物识别方法及系统 | |
Ketcham et al. | The intruder detection system for rapid transit using CCTV surveillance based on histogram shapes | |
CN105957352B (zh) | 违章停车检测方法和装置 | |
CN114694197A (zh) | 行车预警方法、电子设备和计算机可读存储介质 | |
CN115600124A (zh) | 地铁隧道巡检系统及巡检方法 | |
CN114821490A (zh) | 一种基于深度学习的机场出发层违章车辆自动识别方法 | |
CN113850995B (zh) | 一种基于隧道雷视数据融合的事件检测方法、装置及系统 | |
CN105608422A (zh) | 一种客车超载智能监控检测方法 | |
CN110223505A (zh) | 一种行人闯红灯行为的确定方法及装置 | |
CN114565886A (zh) | 一种应用于铁路行业人员跨越股道危险行为检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140507 Termination date: 20161125 |