CN103093249B - 一种基于高清视频的出租车识别方法及系统 - Google Patents

一种基于高清视频的出租车识别方法及系统 Download PDF

Info

Publication number
CN103093249B
CN103093249B CN201310032257.0A CN201310032257A CN103093249B CN 103093249 B CN103093249 B CN 103093249B CN 201310032257 A CN201310032257 A CN 201310032257A CN 103093249 B CN103093249 B CN 103093249B
Authority
CN
China
Prior art keywords
taxi
target
image
classifier
taxis
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
Application number
CN201310032257.0A
Other languages
English (en)
Other versions
CN103093249A (zh
Inventor
王坤峰
姚彦洁
王飞跃
俞忠东
朱凤华
熊刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Cloud Computing Industry Technology Innovation and Incubation Center of CAS
Original Assignee
Institute of Automation of Chinese Academy of Science
Cloud Computing Industry Technology Innovation and Incubation Center of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science, Cloud Computing Industry Technology Innovation and Incubation Center of CAS filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN201310032257.0A priority Critical patent/CN103093249B/zh
Publication of CN103093249A publication Critical patent/CN103093249A/zh
Application granted granted Critical
Publication of CN103093249B publication Critical patent/CN103093249B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于高清视频的出租车识别方法及系统,该方法主要由目标特征提取、模式分类器设计、出租车跟踪等步骤组成:首先从高清监控视频中精确分割前景区域,将每个前景区域作为一个目标,计算目标的三维尺寸、车顶标志、车身颜色等特征;然后利用这些特征,设计模式分类器,高效准确地识别出租车;最后对已识别的出租车,持续跟踪直至其驶出有效检测区域,避免对出租车重复识别。本发明还公开了一种基于高清视频的出租车识别系统,该系统包括高清摄像机、补光灯和工控机。本发明克服了现有车型识别技术在出租车识别方面的不足,是对城市出租车管理和调度的有力支撑,具有显著的工程应用价值。

Description

一种基于高清视频的出租车识别方法及系统
技术领域
本发明属于智能视频监控和智能交通技术领域,尤其涉及一种基于高清视频的出租车识别方法及系统。
背景技术
随着视频监控技术的发展,摄像机已经被广泛用于对各种环境、区域和场所的监控。随着技术的发展,已经产生了许多智能视频监控系统,在节省人力的同时提高了监控效率。目前,在对交通场景的智能监控方面,已经实现了交通数据采集、车牌识别、交通事件检测等功能,相关产品已进入大规模应用阶段。作为交通数据采集的一项子功能,车型识别能够自动、实时地对车辆进行检测和分类,作为交通收费、管理和调度的依据,受到了广泛的重视。出租车是城市交通的一种重要车型,如果能够自动识别在道路上运行的出租车,便可以实时掌握出租车的空间分布情况,为科学化管理和调度提供依据;通过检索出租车牌号数据库,还可以自动发现假冒出租车的违法车辆。
目前的车型识别方法生成的结果还较为粗略。加州大学圣地亚哥分校的Morris和Trivedi于2008年在IEEETransactionsonIntelligentTransportationSystems上发表的论文“Learning,Modeling,andClassificationofVehicleTrackPatternsfromLiveVideo”,将前景区域分为轿车、敞蓬小货车、SUV、厢式货车、脚踏车、卡车、半挂车、多车融合等八种类型。加州大学河滨分校的Kafai和Bhanu于2012年在IEEETransactionsonIndustrialInformatics上发表的论文“DynamicBayesianNetworksforVehicleClassificationinVideo”,将车辆分为四类:轿车、敞蓬小货车、SUV/小型厢式货车、未知车型。这些方法都没有涉及出租车识别这个问题,只能将出租车识别为轿车。西交利物浦大学的张百灵教授即将在IEEETransactionsonIntelligentTransportationSystems出版的论文“ReliableClassificationofVehicleTypesBasedonCascadeClassifierEnsembles”,通过分析车头引擎散热通气口附近的图像特征,将车辆按照生产商进行分类,这种方法能将出租车识别为其生产商和生产型号。
虽然市场上已经存在的Autoscope、Iteris、Traficon等视频检测产品也具有车型分类功能,但是其分类结果更加粗略,只是将车辆按照车长简单分为大车、中车、小车三种类型。因此这种车型分类功能只能将出租车识别为小车。
中国发明专利CN201010105668.4“一种视频监控模式下的快速车型识别方法”,利用车辆的特殊色调从小型车中识别出租车,该方法要求出租车的色调单一并且范围已知,这一假设很可能不符合实际情况,例如,北京和广州的出租车都有多种色调,甚至一辆出租车包含两种主色调。
从现有技术的发展现状可知,基于视频的出租车识别仍然是一个尚未解决的问题,还没有成熟技术出现。导致这种局面的原因是出租车在尺寸、形状等方面与普通轿车几乎没有区别。面向实际应用,本发明利用出租车区别于普通轿车的若干种重要特征,提供一种基于高清视频的出租车识别方法及系统,该系统能够在城市交通环境中全天候运行。
发明内容
本发明的目的是克服现有车型识别技术的不足,利用视频图像处理和模式识别理论,提供一种有效的出租车识别方法及系统。本发明首先从高清监控视频中精确分割前景区域,将每个前景区域作为一个目标,计算目标的三维尺寸、车顶标志、车身颜色等特征;然后利用这些特征,设计模式分类器,高效准确地识别出租车,并利用出租车的颜色特征在线优化分类器;最后对已识别的出租车,持续跟踪直至其驶出有效检测区域,避免对出租车重复识别。本发明还利用高清摄像机、补光灯和工控机,建立了一种出租车识别系统。
根据本发明的一方面,提供一种基于高清视频的出租车识别方法,该方法包括以下步骤:
步骤1,对于高清监控视频中的每一帧图像,精确分割得到图像中的前景区域,将每个前景区域作为一个目标,依次提取每个目标的目标特征;
步骤2,利用出租车与其它车型的外观差异,基于所述步骤1提取得到的目标特征,设计模式分类器对所述高清监控视频每一帧图像中的出租车进行识别;
步骤3,对于已识别的出租车,对其持续跟踪直至其驶出有效检测区域,以避免对出租车的重复识别。
根据本发明的另一方面,提供一种基于高清视频的出租车识别系统,该系统包括高清摄像机、补光灯和工控机,其中:
所述高清摄像机用于对道路现场进行摄像;
所述补光灯放置在所述高清摄像机的附近,用于为所述高清摄像机的摄像补充光线;
所述工控机安装在所述高清摄像机附近的固定设备中,通过局域网连接所述高清摄像机,以接收所述高清摄像机所拍摄的高清视频、对视频图像进行处理和对出租车进行识别与跟踪。
本发明的有益效果是:本发明所述的一种基于高清视频的出租车识别方法及系统,利用安装在道路中央上方的高清摄像机拍摄监控视频,通过提取出租车区别于其它车型的若干种特征,设计模式分类器并对其做在线优化,使得出租车识别方法及系统能够对交通环境的复杂变化有较强的自适应学习能力;所述方法具有较高的精度和鲁棒性,能够胜任不同城市的出租车识别任务。本发明克服了现有车型识别技术在出租车识别方面的不足,是对城市出租车管理和调度的有力支撑,具有显著的工程应用价值,能够促进视频监控领域和智能交通领域的发展。
附图说明
图1是本发明出租车识别方法流程图。
图2是高清视频中的图像帧及手工设置的有效检测区域。
图3是根据本发明一实施例的级联分类器的结构图。
图4是根据本发明一实施例的出租车和非出租车的车顶标志差异。
图5是北京出租车的典型图像示例。
图6是普通轿车(非出租车)的典型图像示例。
图7是本发明出租车识别系统结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
根据本发明的一方面,提供一种基于高清视频的出租车识别方法。如图1所示,所述出租车识别方法主要由目标特征提取、模式分类器设计、出租车跟踪等步骤组成,具体地,所述出租车识别方法包括以下步骤:
步骤1,对于高清监控视频中的每一帧图像,精确分割得到图像中的前景区域,将每个前景区域作为一个目标,依次提取每个目标的目标特征;
所述高清监控视频来源于安装在道路中央上方的高清摄像机,接收到所述高清摄像机拍摄的高清监控视频后,首先在视频图像上手工设置有效检测区域(如图2中多边形框包围的道路区域),接下来只对该有效检测区域内的图像进行处理,以减少计算量。
其中,对于每一帧图像的有效检测区域,通过背景建模和前景分割,获得高度精确的前景区域,所述前景区域指的是前景运动目标(在本发明中专指车辆)对应的区域。在分割得到所述前景区域前,先去除所述有效检测区域中的运动阴影、亮区等背景干扰,只保留真正属于车辆的区域。
所述目标特征包括三维尺寸、车顶出租车标志、车身颜色中的一个或多个特征,所述目标特征的提取进一步包括以下步骤:
步骤11,在摄像机参数标定的支持下,用长方体模型来匹配每一目标;
步骤12,从所述图像中得到该目标的长度L、宽度W、高度H三维尺寸;
该步骤中,首先利用平行车道标志线内含的几何约束关系,标定摄像机的内外参数,然后计算平行于车道方向、垂直于车道方向、垂直于路面方向的三个消失点,继而获得前景区域的外接长方体,最后通过逆透视变换来估计长方体的长宽高,即目标的三维尺寸。关于该方法的具体描述可参见本发明第一发明人在2007IEEEInternationalConferenceonVehicularElectronicsandSafety上发表的一篇论文“Researchonlane-markinglinebasedcameracalibration”。
步骤13,判断上述三维尺寸是否与出租车的三维尺寸一致,若否则判断为非出租车,停止计算;若是,则继续提取该目标的车顶出租车标志;
步骤14,判断该目标是否存在车顶出租车标志,若否则判断为非出租车,停止计算;若是,则继续计算该目标的颜色特征,即该目标所有像素的归一化色调直方图。
步骤2,利用出租车与其它车型的外观差异,基于所述步骤1提取得到的目标特征,设计模式分类器对所述高清监控视频每一帧图像中的出租车进行识别;
所述模式分类器是一个级联分类器,它依次由三个分量分类器组成,这三个分量分类器(依次记为C1、C2、C3)分别根据目标的三维尺寸、车顶出租车标志和车身颜色特征来设计,如图3所示。分量分类器C1、C2、C3的复杂性依次增加,这体现了级联分类器的计算优势,其能够以较小的计算代价在早期阶段排除掉大量与当前关注模式明显不符合的对象,从而留出充足的计算资源用于处理难区分的对象。
所述分量分类器C1是一个关于三维尺寸的判别函数。出租车的外形尺寸一般与普通轿车(非出租车)类似,因此可以首先从尺寸上排除明显不符合判断标准的目标,即如果某一目标的三维尺寸满足3米≤长度L≤5米、1.5米≤宽度W≤2米、1.2米≤高度H≤1.5米,则表明该目标的尺寸与出租车一致,C1输出为真,判断该目标可能是出租车;否则输出为假,判断该目标是非出租车。
所述分量分类器C2是一个关于车顶出租车标志的判别函数。如图4所示,出租车的顶部均存在一白色的TAXI标志,而普通轿车(非出租车)的顶部颜色比较单一,不存在TAXI标志。因此,所述分量分类器C2可以利用图像分割和模式识别技术来识别目标车顶的TAXI标志,如果某一目标的车顶存在出租车标志,则C2输出为真,判断该目标可能是出租车;否则输出为假,判断该目标是非出租车。
所述分量分类器C3是一个关于车身颜色的k近邻分类器。在特定城市,出租车的颜色通常只有几种固定搭配;另一方面,普通轿车(非出租车)以纯色为主,车身颜色种类是有限的。所述分量分类器C3的判断进一步包括以下步骤:
步骤21,在不同交通环境条件下离线获取N辆出租车(如图5所示)和N辆普通轿车(非出租车)的图像(如图6所示),在本发明一实施例中取N=200;
步骤22,对所述图像进行手工分割得到相应的车身图像;
步骤23,计算所有车身像素的色调(色调定义颜色的波长,反映了物体的不同颜色,如红、绿、蓝等,色调是一个角度,其取值范围为0度~360度),并统计每辆车的归一化色调直方图作为训练样本q;
步骤24,当所述分量分类器C3在线运行时,统计被C1和C2分量分类器判别为真的目标的归一化色调直方图,作为测试样本p;
步骤25,度量测试样本p和训练样本q之间的距离其中,m是归一化色调直方图的级数(在本发明一实施例中取m=90),pi为测试样本p归一化色调直方图的第i个元素,qi为训练样本q归一化色调直方图的第i个元素;
步骤26,用现有技术中常用的k近邻法将某一目标分类为出租车或非出租车。
由于摄像机成像过程受到交通环境中光照条件、空气质量等许多因素的综合影响,出租车图像的颜色特征可能随时间和空间发生细微变化,因此需要使分量分类器C3具有自适应学习能力,也即需要在线优化级联分类器。本发明提供一种简单有效的分类器优化方法:如果k个近邻中80%以上属于同一类训练样本,表明分类可信度比较高,于是将当前目标的归一化色调直方图及其类型添加到训练样本集中;当训练样本集的规模超出限定规模时,为了提高k近邻法的计算效率,可以删去一些早期添加的训练样本,但是要保持出租车和普通轿车(非出租车)的训练样本数大致相等。
需要指出,在利用车身颜色特征设计分量分类器C3时,无论摄像机相对于车辆处于哪种角度,无论车辆在图像中的大小如何,也无论场景光照和天气情况,目标像素的归一化色调直方图是对目标色调分布情况的整体统计,具有很强的稳定性,非常适合用来表示车身颜色特征。另外,在采集训练样本时,除了可以从自己拍摄的视频图像中获取出租车和普通轿车(非出租车),还可以利用互联网上的车辆图片,这体现了本发明方法的灵活性。
步骤3,对于已识别的出租车,对其持续跟踪直至其驶出有效检测区域,以避免对出租车的重复识别。
对于已识别的出租车,由于已经用长方体模型匹配了出租车,因此在该步骤中,根据长方体模型的位置、速度、长度、宽度、高度生成状态向量,建立粒子滤波模型,以在三维世界中持续跟踪出租车,获得出租车的运动轨迹(如图2中的曲线所示),直至该出租车驶出有效检测区域,避免对单辆出租车重复识别,有利于精确计数。
根据所述方法在道路现场识别到出租车后,连续抓拍该出租车的三幅图片,再加上时间和地点信息,通过计算机网络发送给城市出租车管理和调度中心,便于交通管理部门及时掌握出租车的空间位置分布情况和自动发现假冒出租车的违法车辆。
根据本发明的另一方面,还提出一种出租车识别系统,如图7所示,该系统包括高清摄像机、补光灯和工控机,其中:
所述高清摄像机用于对道路现场进行摄像,所述高清摄像机安装在道路中央上方5~7米的高度,以有利于减少车辆的遮挡;所述高清摄像机的镜头朝向车尾,以有利于减小夜间车头灯的影响;所述高清摄像机的分辨率在200万像素以上,帧率在25帧/秒以上,有效监视距离为50~70米,满足摄像机高度与监视距离的1∶10规则,并且地平线不得出现在视场中,防止太阳光照射进镜头造成图像曝光过度;
所述补光灯放置在所述高清摄像机的附近,用于为所述高清摄像机的摄像补充光线,所述补光灯在夜晚自动开启,白天自动关闭,其在夜晚处于常亮状态,发出白光照亮摄像机的监视区域,有效补光距离为50~70米;
所述工控机安装在所述高清摄像机附近的固定设备中,比如路边的机柜里或者灯杆上悬挂的盒子里,通过局域网连接所述高清摄像机,以接收所述高清摄像机所拍摄的高清视频、对视频图像进行处理和对出租车进行识别与跟踪。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于高清视频的出租车识别方法,其特征在于,该方法包括以下步骤:
步骤1,对于高清监控视频中的每一帧图像,精确分割得到图像中的前景区域,将每个前景区域作为一个目标,依次提取每个目标的目标特征;
步骤2,利用出租车与其它车型的外观差异,基于所述步骤1提取得到的目标特征,设计模式分类器对所述高清监控视频每一帧图像中的出租车进行识别;
步骤3,对于已识别的出租车,对其持续跟踪直至其驶出有效检测区域,以避免对出租车的重复识别;
所述模式分类器为级联分类器,其依次包括根据目标的三维尺寸设计得到的分量分类器C1、根据目标的车顶出租车标志设计得到的分量分类器C2和根据目标的车身颜色特征来设计得到的分量分类器C3
如果某一目标的三维尺寸满足一尺寸要求,则表明该目标的尺寸与出租车一致,所述分量分类器C1输出为真,判断该目标可能是出租车;否则输出为假,判断该目标是非出租车,所述尺寸要求为:3米≤长度L≤5米、1.5米≤宽度W≤2米、1.2米≤高度H≤1.5米;
如果某一目标的车顶存在出租车标志,则所述分量分类器C2输出为真,判断该目标可能是出租车;否则输出为假,判断该目标是非出租车;
所述分量分类器C3的判断进一步包括以下步骤:
步骤A,在不同交通环境条件下离线获取多辆出租车和多辆普通非出租车的轿车图像;
步骤B,对所述图像进行手工分割得到相应的车身图像;
步骤C,计算所有车身像素的色调,并统计每辆车的归一化色调直方图作为训练样本q;
步骤D,所述分量分类器C3在线运行时,统计被所述分量分类器C1和所述分量分类器C2判别为真的目标的归一化色调直方图,作为测试样本p;
步骤E,度量测试样本p和训练样本q之间的距离其中,m是归一化色调直方图的级数,pi为测试样本p归一化色调直方图的第i个元素,qi为训练样本q归一化色调直方图的第i个元素;
步骤F,用k近邻法将该目标分类为出租车或非出租车。
2.根据权利要求1所述的方法,其特征在于,所述步骤1中,在精确分割得到图像中的前景区域之前还包括手工设置有效检测区域的步骤,并基于所述有效检测区域精确分割得到图像中的前景区域。
3.根据权利要求1所述的方法,其特征在于,所述步骤1中,在精确分割得到图像中的前景区域之前还包括去除背景干扰的步骤。
4.根据权利要求1所述的方法,其特征在于,所述目标特征包括三维尺寸、车顶出租车标志、车身颜色中的一个或多个特征。
5.根据权利要求4所述的方法,其特征在于,所述目标特征的提取进一步包括以下步骤:
步骤11,在摄像机参数标定的支持下,用长方体模型来匹配每一目标;
步骤12,从所述图像中得到该目标的长度L、宽度W、高度H三维尺寸;
步骤13,判断上述三维尺寸是否与出租车的三维尺寸一致,若否则判断为非出租车,停止计算;若是,则继续提取该目标的车顶出租车标志;
步骤14,判断该目标是否存在车顶出租车标志,若否则判断为非出租车,停止计算;若是,则继续计算该目标的颜色特征,即该目标所有像素的归一化色调直方图。
6.根据权利要求1所述的方法,其特征在于,为了对所述级联分类器进行优化,如果k个近邻中的80%以上属于同一类训练样本,则将当前目标的归一化色调直方图及其类型添加到训练样本集中;当训练样本集的规模超出限定规模时,在保持出租车和普通非出租车轿车的训练样本数大致相等的情况下删去一些早期添加的训练样本。
7.根据权利要求5所述的方法,其特征在于,根据所述长方体模型的位置、速度、长度、宽度、高度生成状态向量,建立粒子滤波模型,来持续跟踪出租车。
CN201310032257.0A 2013-01-28 2013-01-28 一种基于高清视频的出租车识别方法及系统 Expired - Fee Related CN103093249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310032257.0A CN103093249B (zh) 2013-01-28 2013-01-28 一种基于高清视频的出租车识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310032257.0A CN103093249B (zh) 2013-01-28 2013-01-28 一种基于高清视频的出租车识别方法及系统

Publications (2)

Publication Number Publication Date
CN103093249A CN103093249A (zh) 2013-05-08
CN103093249B true CN103093249B (zh) 2016-03-02

Family

ID=48205796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310032257.0A Expired - Fee Related CN103093249B (zh) 2013-01-28 2013-01-28 一种基于高清视频的出租车识别方法及系统

Country Status (1)

Country Link
CN (1) CN103093249B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778786B (zh) * 2013-12-17 2016-04-27 东莞中国科学院云计算产业技术创新与育成中心 一种基于显著车辆部件模型的交通违章检测方法
CN103680148B (zh) * 2013-12-19 2016-05-25 中国科学院自动化研究所 一种出租车识别方法
CN103646241B (zh) * 2013-12-30 2017-01-18 中国科学院自动化研究所 一种基于嵌入式系统的实时出租车识别方法
CN104394378A (zh) * 2014-12-05 2015-03-04 成都美联微智科技有限公司 一种新型旅游景区客流分析的监控装置
CN104866811B (zh) * 2015-04-16 2017-12-01 宁波中国科学院信息技术应用研究院 一种车辆视频中机动车辆的车身颜色自动识别方法
CN105118299A (zh) * 2015-08-20 2015-12-02 成都众孚理想科技有限公司 智能交通识别出租车并监控出租车的移动终端监控设备
CN105096605A (zh) * 2015-08-20 2015-11-25 成都众孚理想科技有限公司 一种智能交通设置在路面的监控出租车的终端监控设备
CN105046974A (zh) * 2015-08-20 2015-11-11 成都众孚理想科技有限公司 一种智能交通车载监控出租车的移动终端监控设备
CN105046970A (zh) * 2015-08-20 2015-11-11 成都众孚理想科技有限公司 一种智能交通识别出租车并监控出租车的终端监控设备
CN106600974A (zh) * 2015-08-20 2017-04-26 陈国栋 一种移动终端监控腕表及智能交通出租车监控系统
CN105868700A (zh) * 2016-03-25 2016-08-17 哈尔滨工业大学深圳研究生院 一种基于监控视频的车型识别与跟踪方法及系统
CN107545224B (zh) * 2016-06-29 2018-11-23 珠海优特电力科技股份有限公司 变电站人员行为识别的方法及装置
CN106228179A (zh) * 2016-07-13 2016-12-14 乐视控股(北京)有限公司 车辆比对的方法和系统
CN106462762B (zh) * 2016-09-16 2019-07-19 香港应用科技研究院有限公司 基于增强反透视变换的车辆检测、跟踪和定位
CN108961304B (zh) * 2017-05-23 2022-04-26 阿里巴巴集团控股有限公司 识别视频中运动前景的方法和确定视频中目标位置的方法
CN109993032B (zh) * 2017-12-29 2021-09-17 杭州海康威视数字技术股份有限公司 一种共享单车目标识别方法、装置及相机
CN108388884B (zh) * 2018-03-17 2022-05-17 北京工业大学 基于Haar-Adaboost算法和直方图对比的出租车检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003003310A1 (en) * 2001-06-29 2003-01-09 Honeywell International Inc. Moving object assessment system and method
CN101183427A (zh) * 2007-12-05 2008-05-21 浙江工业大学 基于计算机视觉的违章停车检测装置
CN101196980A (zh) * 2006-12-25 2008-06-11 四川川大智胜软件股份有限公司 基于视频的高速移动车辆标志精确识别方法
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
EP2387017A2 (de) * 2010-05-12 2011-11-16 Deutsches Zentrum für Luft- und Raumfahrt e. V. Verfahren und Vorrichtung zur Erfassung von Verkehrsdaten aus digitalen Luftbildsequenzen
CN102646199A (zh) * 2012-02-29 2012-08-22 湖北莲花山计算机视觉和信息科学研究院 复杂场景中的车型识别方法
CN102867417A (zh) * 2012-09-25 2013-01-09 苏州苏迪智能系统有限公司 一种出租车防伪系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003003310A1 (en) * 2001-06-29 2003-01-09 Honeywell International Inc. Moving object assessment system and method
CN101196980A (zh) * 2006-12-25 2008-06-11 四川川大智胜软件股份有限公司 基于视频的高速移动车辆标志精确识别方法
CN101183427A (zh) * 2007-12-05 2008-05-21 浙江工业大学 基于计算机视觉的违章停车检测装置
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
EP2387017A2 (de) * 2010-05-12 2011-11-16 Deutsches Zentrum für Luft- und Raumfahrt e. V. Verfahren und Vorrichtung zur Erfassung von Verkehrsdaten aus digitalen Luftbildsequenzen
CN102646199A (zh) * 2012-02-29 2012-08-22 湖北莲花山计算机视觉和信息科学研究院 复杂场景中的车型识别方法
CN102867417A (zh) * 2012-09-25 2013-01-09 苏州苏迪智能系统有限公司 一种出租车防伪系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Adaboost的快速人脸检测系统;刘礼辉;《科技风》;20091231(第3期);第60页第2栏、第61页第1栏,图6 *

Also Published As

Publication number Publication date
CN103093249A (zh) 2013-05-08

Similar Documents

Publication Publication Date Title
CN103093249B (zh) 一种基于高清视频的出租车识别方法及系统
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
Yang et al. Vehicle detection in intelligent transportation systems and its applications under varying environments: A review
CN112233097B (zh) 基于空时域多维融合的道路场景他车检测系统和方法
CN110660222B (zh) 一种智能环保道路黑烟车辆电子抓拍系统
CN102867417B (zh) 一种出租车防伪系统及方法
Peng et al. Drone-based vacant parking space detection
US20160034778A1 (en) Method for detecting traffic violation
Chiu et al. Automatic Traffic Surveillance System for Vision-Based Vehicle Recognition and Tracking.
EP2813973B1 (en) Method and system for processing video image
CN116923442B (zh) 智能网联汽车的控制策略生成方法及系统
CN103646241A (zh) 一种基于嵌入式系统的实时出租车识别方法
CN115424217A (zh) 基于ai视觉的车辆智能识别方法、装置和电子设备
Jaiswal et al. Comparative analysis of CCTV video image processing techniques and application: a survey
CN114926456A (zh) 一种半自动标注和改进深度学习的铁轨异物检测方法
Ghahremannezhad et al. Robust road region extraction in video under various illumination and weather conditions
Wang Vehicle image detection method using deep learning in UAV video
Matsuda et al. A system for real-time on-street parking detection and visualization on an edge device
Lashkov et al. Edge-computing-facilitated nighttime vehicle detection investigations with CLAHE-enhanced images
CN112115737B (zh) 一种车辆朝向的确定方法、装置及车载终端
Deshpande et al. Vehicle classification
CN202887450U (zh) 一种出租车防伪系统
Ha et al. A robust algorithm for vehicle detection and classification in intelligent traffic system
ElHakim et al. Traffisense: A smart integrated visual sensing system for traffic monitoring
Jehad et al. Developing and validating a real time video based traffic counting and classification

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: 20160302

Termination date: 20210128