CN103473534B - 一种基于视频的车辆检测方法 - Google Patents
一种基于视频的车辆检测方法 Download PDFInfo
- Publication number
- CN103473534B CN103473534B CN201310411072.0A CN201310411072A CN103473534B CN 103473534 B CN103473534 B CN 103473534B CN 201310411072 A CN201310411072 A CN 201310411072A CN 103473534 B CN103473534 B CN 103473534B
- Authority
- CN
- China
- Prior art keywords
- car
- gray
- car plate
- coordinate
- image
- 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.)
- Active
Links
Abstract
本发明提供一种基于视频的车辆检测方法,该方法具有白天和夜间两种检测模式:白天采用运动检测结合车牌检测的方法,晚上采用车灯检测结合车牌检测的方法,即以车牌检测结果作为是否为车的首要判决准则,如果没检测到车牌,白天则以运动检测得到的车辆做补充,夜间则以检测到的车灯做补充,其中的车牌检测是在运动目标内进行的,缩小了检测范围。本发明提供了一种检测精度高、适应性强以及可以节约硬件资源的基于视频的车辆检测方法。
Description
技术领域
本发明涉及智能交通领域,尤其涉及一种基于视频的车辆检测方法。
背景技术
我国城市道路交通的迅速发展,为人们日常生活带来了巨大便利,同时伴随的负面效应也日益突出,如交通拥堵,交通事故频发等,针对此类问题,智能交通系统应运而生。而基于视频的车辆检测系统是智能交通的重要组成部分,是后续车辆行为分析与判决的前提条件,其重要性不言而喻。实际车辆密度高、光照条件复杂、图像数据量大、实时性等问题,对检测方法的设计提出了更高的要求。高精度、实时性、高效、稳定成为优秀视频检测方法应具备的基本特性。
目前,基于视频车辆检测的方法很多,但是这些方法存在很大的局限性,如:1、实际场景的光照复杂多变,导致检测的精度下降;2、粘连现象严重,造成的漏检误检率偏高;3、图像的分辨率越来越高,随之产生的数据量大幅增加,造成了单帧图像处理时间过长,CPU使用率及内存占用率都很高,因而无法满足实际需求。
发明内容
本发明提供了一种基于视频的车辆检测方法,该方法将运动检测、车灯检测和车牌检测结合。
本发明的技术解决方案如下:
一种基于视频的车辆检测方法,其特殊之处在于:包括以下步骤:
1】在视频中选取一帧图像,作为原图,在该原图上建立XY坐标系,并对该原图的宽和高均缩小为原图宽和高的1/10-1/5,且缩小后的宽和高均为整数,再进行灰度化处理得到灰度图;
2】对步骤1】得到的灰度图进行亮度统计,得出平均亮度,若平均亮度大于50,则进行步骤3】;若平均亮度小于50,则进行步骤4】;
3】提取白天运动目标图像:
3.1】获取运动目标:对步骤1】得到的灰度图采用高斯背景更新的原理建立背景,将该背景与灰度图做差分得到运动目标区域;
3.2】对运动目标区域进行二值化处理,再进行先膨胀后腐蚀的形态学处理,得到包含一个或多个车牌的白天运动目标图像;
4】提取夜间运动目标图像和车灯图像:
将灰度图拷贝,得到拷贝图,将灰度图和拷贝图中的其中一个图,用190作为阈值进行二值化处理,再进行先膨胀后腐蚀的形态学处理,得到一个夜间运动目标图像,该夜间运动目标图像包含的车牌和车灯均是一个或多个;
同时,对灰度图和拷贝图中的另一个图,用230作为阈值进行二值化处理,然后进行膨胀处理和腐蚀处理;进行连通区域分析;以原图的原点作参考,将宽度大于40个像素、面积大于500个像素的连通区域视为一个车灯,统计在x方向上距离小于300个像素且y方向上距离小于10个像素的车灯的数量,若存在一个车灯,将该车灯的中心,记为参考点;若存在两个车灯,将这两个车灯之间的中心,记为参考点;若存在两个以上车灯,将车灯之间的宽度在80-200个像素的车灯的中心,记为参考点;
5】确定车坐标:
5.1】确定步骤3】得到的白天运动目标图像、和步骤4】得到的夜间运动目标图像中的车坐标,将白天运动目标图像和夜间运动目标图像统称为运动目标图像;
5.2】对运动目标图像的宽度大于灰度图宽度的1/5,运动目标图像的高度大于灰度图高度的1/4的运动目标图像,将其映射到步骤1的灰度图中,将原图中与运动目标图像对应的部分作为实际运动目标图像;
对实际运动目标图像进行以下处理:将实际运动目标图像灰度化后得到灰度图,先用Sobel算子求该图像在x方向上的二次梯度;再做归一化处理和自适应阈值二值化,再用一行四列的核、一行二列的核、二行三列的核、二行四列的核或一行三列的核做膨胀处理,然后做去毛刺处理,最后遍历实际运动目标图像内的连通区域,将宽度在60-100个像素、宽高比为1:3.5的连通区域判为车牌目标;
5.3】把车牌目标颜色转换为HSI模型后,计算出车牌目标内蓝色、黄色、白色、黑色的像素总数,如果总数大于200,则该区域存在至少一个车牌,进行步骤5.4】,否则不存在车牌,进行步骤5.5】;
5.4】确定车牌中心坐标:
当步骤5.3】中存在的车牌数量为1时,则为真车牌,以原图的原点作参考,该真车牌的中心坐标记为一个车坐标;
当步骤5.3】中存在的车牌数量大于1时,将y坐标最大的一个车牌,作为真车牌,并作为参照,遍历其余的车牌,以原图的原点作参考,将遍历过的车牌与真车牌在x方向上距离大于300或y方向上距离大于200的车牌也判为真车牌,每一个真车牌的中心坐标分别记为一个车坐标;
5.5】车坐标的补充:
若运动目标图像为白天运动目标图像,则在步骤5.4】处理之后剩余的不含车牌的白天运动目标图像中,选择宽度大于灰度图宽度的1/5、且高度大于灰度图高度的1/4的运动目标图像,将运动目标图像的中心坐标记为车坐标;
若运动目标图像为夜间运动目标图像,则遍历步骤4】中所有的参考点,若参考点与经过步骤5.4】确定的夜间运动目标图像中所有车牌的中心、在x方向上或在y方向上的距离大于50个像素,则认为没有找到与参考点属于同一辆车的车牌,将参考点对应的坐标记为车坐标;否则丢弃该参考点;
6】统计步骤5.4】、步骤5.5】中确定的所有车坐标,当所有车坐标中存在两个或两个以上的相同坐标时,只保留其中一个车坐标,将保留的车坐标和剩余的没有出现相同坐标的车坐标作为检测结果。
上述步骤3.2】中先膨胀后腐蚀的形态学处理具体为:采用一行三列的核作两次膨胀、一行三列的核做一次腐蚀处理;
所述步骤4】中用190作为阈值进行二值化处理,再进行先膨胀后腐蚀的形态学处理时,所述先膨胀后腐蚀处理具体为:采用一行五列的核做六次膨胀、用三行三列的核做一次腐蚀处理;
所述步骤4】中用230作为阈值进行二值化处理,然后进行膨胀处理和腐蚀处理,所述膨胀处理和腐蚀处理具体为:用3×3矩阵的核做膨胀处理和腐蚀处理;
所述步骤4】中进行连通区域分析,进行连通区域分析时,将白色连通区域作为目标,黑色连通区域作为背景;
所述步骤5.2】中归一化处理的具体方法为:遍历Sobel后的图像像素,将其最大的灰度值置为255,最小的像素灰度值置为0,大于最小灰度值而小于最大灰度值的线性映射到0-255之间;
所述步骤5.2】中自适应阈值二值化具体方法为:将实际运动目标图像灰度化后得到灰度图,以该灰度图的任意一个像素作为中心像素,遍历该灰度图的像素,确定该中心像素5×5的25个邻域像素的平均值,将该平均值作为该中心像素的阈值,如果该中心像素的灰度值大于该中心像素的阈值,置该中心像素的灰度值为255,否则,置为0;
所述步骤5.2】中去毛刺处理具体方法为:将宽度小于10个像素或高度小于5个像素的区域内像素点的灰度值置0;
所述步骤5.2】中是用一行三列的核做膨胀处理的。
上述步骤5.2】中判断该区域存在至少一个车牌的像素总数大于阈值300。
本发明的优点是:
1、昼夜两种不同的方法自动切换,极大地提高了车辆检测精度,很好地适应全天侯检测要求;
2、在缩小后的灰度图内完成运动检测和在运动域内的车牌检测,大幅减少了单帧图像处理时间,显著的降低了CPU使用率和内存使用率。
3、运动区域内车牌检测的方法,解决了运动检测得到的车辆粘连问题,极大地降低了漏检率和误检率,从而提高检测精度;
4、白天车牌检测结合运动目标检测,夜间车牌结合车灯检测的方法,极大地减少了因没检测到车牌而漏掉的车辆,提高了检测精度;
5、本发明在适应性、检测精度、实时性、节约硬件资源方面具有极大的优越性。
附图说明
图1是本发明的流程图。
具体实施方式
本发明提供的一种基于视频的车辆检测方法,具有白天和夜间两种检测模式:白天采用运动检测结合车牌检测的设计思想,晚上采用车灯检测结合车牌检测的设计思想。即以车牌检测结果作为是否为车的首要判决准则,如果没检测到车牌,白天则以运动检测得到的车辆做补充,夜间则以检测到的车灯做补充。其中的车牌检测是在运动目标内进行的,缩小了检测范围。
本发明主要分为运动检测模块、运动区域内车牌检测模块、白天车牌检测结合运动检测模块、夜间车灯检测模块、夜间车牌检测结合车灯检测模块和在整帧图像中去重复车辆模块。
如图1所示,本发明提供的一种基于视频的车辆检测方法,包括以下步骤:
1】在视频中选取一帧图像,作为原图,在该原图上建立XY坐标系,并对该原图的宽和高均缩小为原图宽和高的1/10-1/5,为了给缩小后的图像分配内存空间,原图缩小后的图像的宽和高均为整数,再进行灰度化处理得到灰度图;
2】对步骤1】得到的灰度图进行亮度统计,得出平均亮度,若平均亮度大于50,则进行步骤3】;若平均亮度小于50,则进行步骤4】;
3】提取白天运动目标图像:
3.1】获取运动目标:对步骤1】得到的灰度图采用高斯背景更新的原理建立背景,将该背景与灰度图做差分得到运动目标区域;
3.2】对运动目标区域进行二值化处理,再进行先膨胀后腐蚀的形态学处理,得到包含一个或多个车牌的白天运动目标图像;
其中,先膨胀后腐蚀的形态学处理具体为:采用一行三列的核作两次膨胀、一行三列的核做一次腐蚀处理;
4】提取夜间运动目标图像和车灯图像:
将灰度图拷贝,得到拷贝图,将灰度图和拷贝图中的其中一个图,用190作为阈值进行二值化处理,再进行先膨胀后腐蚀的形态学处理,得到一个夜间运动目标图像,该夜间运动目标图像包含的车牌和车灯均是一个或多个;
同时,对灰度图和拷贝图中的另一个图,用230作为阈值进行二值化处理,然后进行膨胀处理和腐蚀处理;进行连通区域分析,将白色连通区域作为目标,黑色连通区域作为背景,以原图的原点作参考,
将宽度大于40个像素、面积大于500个像素的连通区域视为一个车灯,统计在x方向上距离小于300个像素且y方向上距离小于10个像素的车灯的数量,若存在一个车灯,将该车灯的中心,记为参考点;若存在两个车灯,将这两个车灯之间的中心,记为参考点;若存在两个以上车灯,将车灯之间的宽度在80-200个像素的车灯的中心,记为参考点;
其中,
用190作为阈值进行二值化处理,再进行先膨胀后腐蚀的形态学处理时,先膨胀后腐蚀处理具体为:采用一行五列的核做六次膨胀、用三行三列的核做一次腐蚀处理;
用230作为阈值进行二值化处理,然后进行膨胀处理和腐蚀处理,膨胀处理和腐蚀处理具体为:用3×3矩阵的核做膨胀处理和腐蚀处理;
5】确定车坐标:
5.1】确定步骤3】得到的白天运动目标图像、和步骤4】得到的夜间运动目标图像中的车坐标,将白天运动目标图像和夜间运动目标图像统称为运动目标图像;
5.2】对运动目标图像的宽度大于灰度图宽度的1/5,运动目标图像的高度大于灰度图高度的1/4的运动目标图像,将其映射到步骤1的灰度图中,将原图中与运动目标图像对应的部分作为实际运动目标图像;
对实际运动目标图像进行以下处理:将实际运动目标图像灰度化后得到灰度图,以原图的原点作参考,先用Sobel算子求该图像在x方向上的二次梯度;再做归一化处理和自适应阈值二值化,再用一行四列的核、一行二列的核、二行三列的核、二行四列的核或一行三列的核做膨胀处理,膨胀处理时,优选一行三列的核,该膨胀核的效果最佳,然后做去毛刺处理,最后遍历实际运动目标图像内的连通区域,将宽度在60-100个像素、宽高比为1∶3.5的连通区域判为车牌目标;目的是为了确定原图中实际存在的车牌目标,而一般车牌在原图中的宽度为60-100像素、宽高比为1∶3.5。
归一化处理的具体方法为:遍历Sobel后的图像像素,将其最大的灰度值置为255,最小的像素灰度值置为0,大于最小灰度值而小于最大灰度值的线性映射到0-255之间;
自适应阈值二值化具体方法为:将实际运动目标图像灰度化后得到灰度图,以该灰度图的任意一个像素作为中心像素,遍历该灰度图的像素,确定该中心像素5×5的25个邻域像素的平均值,将该平均值作为该中心像素的阈值,如果该中心像素的灰度值大于该中心像素的阈值,置该中心像素的灰度值为255,否则,置为0;
去毛刺处理具体方法为:将宽度小于10个像素或高度小于5个像素的区域内像素点的灰度值置0。
5.3】把车牌目标颜色转换为HSI模型后,计算出车牌目标内蓝色、黄色、白色、黑色的像素总数,如果总数大于200,则该区域存在至少一个车牌,进行步骤5.4】,否则不存在车牌,进行步骤5.5】;
为了保证更客观的检测结果,在步骤5.3】中判断该区域存在至少一个车牌的像素总数优选大于300,此阈值通过大量的实验发现,一般情况下,真车牌区域能够满足此阈值,并且能够过滤掉部分的伪车牌区域。
5.4】确定车牌中心坐标:
当步骤5.3】中存在的车牌数量为1时,则为真车牌,以原图的原点作参考,该真车牌的中心坐标记为一个车坐标;
当步骤5.3】中存在的车牌数量大于1时,将y坐标最大的一个车牌,作为真车牌,并作为参照,遍历其余的车牌,以原图的原点作参考,将遍历过的车牌与真车牌在x方向上距离大于300或y方向上距离大于200的车牌也判为真车牌,每一个真车牌的中心坐标分别记为一个车坐标;
其中,所确定的车坐标包括作为参照的真车牌的坐标、以及所有粘连的真车牌的车坐标。
运动区域内检测车牌,极大地缩小了检测车牌的范围,从而减少了数据量、需要的内存、单帧图像的处理时间,满足实时性和多线程的要求。同时降低了误检率,从而保障了检测精度。
5.5】车坐标的补充:
白天车牌检测结合运动检测:若运动目标图像为白天运动目标图像,则在步骤5.4】处理之后剩余的不含车牌的白天运动目标图像中,选择宽度大于灰度图宽度的1/5、且高度大于灰度图高度的1/4的运动目标图像,将运动目标图像的中心坐标记为车坐标。
对满足车辆尺寸而又没检测到车牌的运动目标,将其添加到车辆检测结果;否则只添加该运动目标内的车牌到车辆检测结果。最后,车辆检测结果和运动目标构成了白天车辆检测结果。解决了因为光照、车牌污染、无车牌造成的漏检问题。
夜间车牌检测结合车灯检测:若运动目标图像为夜间运动目标图像,则遍历步骤4】中所有的参考点,若参考点与经过步骤5.4】确定的夜间运动目标图像中所有车牌的中心、在x方向上或在y方向上的距离大于50个像素,则认为没有找到与参考点属于同一辆车的车牌,将参考点对应的坐标记为车坐标;否则丢弃该参考点;
6】统计步骤5.4】、步骤5.5】中确定的所有车坐标,当所有车坐标中存在两个或两个以上的相同坐标时,只保留其中一个车坐标,将保留的车坐标和剩余的没有出现相同坐标的车坐标作为检测结果。
因为同一车牌同时属于多个不同连通区域的外接矩形时,只把这些车牌做一次计数和输出,其余的车牌丢弃,达到了去重复车辆的效果。
本发明在适应性、检测精度、实时性、节约硬件资源方面具有极大的优越性。
Claims (3)
1.一种基于视频的车辆检测方法,其特征在于:包括以下步骤:
1】在视频中选取一帧图像,作为原图,在该原图上建立XY坐标系,并将该原图的宽和高均缩小为原图宽和高的1/10-1/5,且缩小后的宽和高均为整数,再进行灰度化处理得到灰度图;
2】对步骤1】得到的灰度图进行亮度统计,得出平均亮度,若平均亮度大于50灰度,则进行步骤3】;若平均亮度小于50灰度,则进行步骤4】;
3】提取白天运动目标图像:
3.1】获取运动目标:对步骤1】得到的灰度图采用高斯背景更新的原理建立背景,将该背景与灰度图做差分得到运动目标区域;
3.2】对运动目标区域进行二值化处理,再进行先膨胀后腐蚀的形态学处理,得到包含一个或多个车牌的白天运动目标图像;
4】提取夜间运动目标图像和车灯图像:
将灰度图拷贝,得到拷贝图,将灰度图和拷贝图中的其中一个图,用190灰度作为阈值进行二值化处理,再进行先膨胀后腐蚀的形态学处理,得到一个夜间运动目标图像,该夜间运动目标图像包含的车牌和车灯均是一个或多个;
同时,对灰度图和拷贝图中的另一个图,用230灰度作为阈值进行二值化处理,然后进行膨胀处理和腐蚀处理;进行连通区域分析;以原图的原点作参考,将宽度大于40个像素、面积大于500个像素的连通区域视为一个车灯,统计在x方向上距离小于300个像素且y方向上距离小于10个像素的车灯的数量,若存在一个车灯,将该车灯的中心,记为参考点;若存在两个车灯,将这两个车灯之间的中心,记为参考点;若存在两个以上车灯,将车灯之间的宽度在80-200个像素的车灯的中心,记为参考点;
5】确定车坐标:
5.1】确定步骤3】得到的白天运动目标图像、和步骤4】得到的夜间运动目标图像中的车坐标,将白天运动目标图像和夜间运动目标图像统称为运动目标图像;
5.2】对运动目标图像的宽度大于灰度图宽度的1/5、运动目标图像的高度大于灰度图高度的1/4的运动目标图像,将其映射到步骤1】的灰度图中,将原图中与运动目标图像对应的部分作为实际运动目标图像;
对实际运动目标图像进行以下处理:将实际运动目标图像灰度化后得到灰度图,先用Sobel算子求该图像在x方向上的二次梯度;再做归一化处理和自适应阈值二值化,再用一行四列的核、一行二列的核、二行三列的核、二行四列的核或一行三列的核做膨胀处理,然后做去毛刺处理,最后遍历实际运动目标图像内的连通区域,将宽度在60-100个像素、宽高比为1:3.5的连通区域判为车牌目标;
5.3】把车牌目标颜色转换为HSI模型后,计算出车牌目标内蓝色、黄色、白色、黑色的像素总数,如果总数大于200,则该区域存在至少一个车牌,进行步骤5.4】,否则不存在车牌,进行步骤5.5】;
5.4】确定车牌中心坐标:
当步骤5.3】中存在的车牌数量为1时,则为真车牌,以原图的原点作参考,该真车牌的中心坐标记为一个车坐标;
当步骤5.3】中存在的车牌数量大于1时,将y坐标最大的一个车牌,作为真车牌,并作为参照,遍历其余的车牌,以原图的原点作参考,将遍历过的车牌与真车牌在x方向上距离大于300像素或y方向上距离大于200像素的车牌也判为真车牌,每一个真车牌的中心坐标分别记为一个车坐标;
5.5】车坐标的补充:
若运动目标图像为白天运动目标图像,则在步骤5.4】处理之后剩余的不含车牌的白天运动目标图像中,选择宽度大于灰度图宽度的1/5、且高度大于灰度图高度的1/4的运动目标图像,将运动目标图像的中心坐标记为车坐标;
若运动目标图像为夜间运动目标图像,则遍历步骤4】中所有的参考点,若参考点与经过步骤5.4】确定的夜间运动目标图像中所有车牌的中心、在x方向上或在y方向上的距离大于50个像素,则认为没有找到与参考点属于同一辆车的车牌,将参考点对应的坐标记为车坐标;否则丢弃该参考点;
6】统计步骤5.4】、步骤5.5】中确定的所有车坐标,当所有车坐标中存在两个或两个以上的相同坐标时,只保留其中一个车坐标,将保留的车坐标和剩余的没有出现相同坐标的车坐标作为检测结果。
2.根据权利要求1所述的基于视频的车辆检测方法,其特征在于:
所述步骤3.2】中先膨胀后腐蚀的形态学处理具体为:采用一行三列的核作两次膨胀、一行三列的核做一次腐蚀处理;
所述步骤4】中用190作为阈值进行二值化处理,再进行先膨胀后腐蚀的形态学处理时,所述先膨胀后腐蚀处理具体为:采用一行五列的核做六次膨胀、用三行三列的核做一次腐蚀处理;
所述步骤4】中用230作为阈值进行二值化处理,然后进行膨胀处理和腐蚀处理,所述膨胀处理和腐蚀处理具体为:用3×3矩阵的核做膨胀处理和腐蚀处理;
所述步骤4】中进行连通区域分析,进行连通区域分析时,将白色连通区域作为目标,黑色连通区域作为背景;
所述步骤5.2】中归一化处理的具体方法为:遍历Sobel后的图像像素,将其最大的灰度值置为255,最小的像素灰度值置为0,大于最小灰度值而小于最大灰度值的线性映射到0-255之间;
所述步骤5.2】中自适应阈值二值化具体方法为:将实际运动目标图像灰度化后得到灰度图,以该灰度图的任意一个像素作为中心像素,遍历该灰度图的像素,确定该中心像素5×5的25个邻域像素的平均值,将该平均值作为该中心像素的阈值,如果该中心像素的灰度值大于该中心像素的阈值,置该中心像素的灰度值为255,否则,置为0;
所述步骤5.2】中去毛刺处理具体方法为:将宽度小于10个像素或高度小于5个像素的区域内像素点的灰度值置0。
3.根据权利要求1或2所述的基于视频的车辆检测方法,其特征在于:所述步骤5.2】中判断该区域存在至少一个车牌的像素总数大于阈值300。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310411072.0A CN103473534B (zh) | 2013-09-10 | 2013-09-10 | 一种基于视频的车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310411072.0A CN103473534B (zh) | 2013-09-10 | 2013-09-10 | 一种基于视频的车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103473534A CN103473534A (zh) | 2013-12-25 |
CN103473534B true CN103473534B (zh) | 2016-09-28 |
Family
ID=49798379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310411072.0A Active CN103473534B (zh) | 2013-09-10 | 2013-09-10 | 一种基于视频的车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103473534B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886286A (zh) * | 2014-03-11 | 2014-06-25 | 奇瑞汽车股份有限公司 | 车辆的检测方法及装置 |
CN104156697A (zh) * | 2014-07-24 | 2014-11-19 | 佳都新太科技股份有限公司 | 一种夜间卡口场景下的车型识别方法 |
CN104866838B (zh) * | 2015-06-02 | 2018-08-03 | 南京航空航天大学 | 一种基于视觉的前方车辆自动检测方法 |
CN107563265B (zh) * | 2016-06-30 | 2021-08-17 | 杭州海康威视数字技术股份有限公司 | 一种远光灯检测方法及装置 |
CN107133967B (zh) * | 2017-05-05 | 2019-06-28 | 杭州远舟医疗科技有限公司 | 提取目标图像的方法及装置 |
CN109934126B (zh) * | 2019-02-25 | 2021-01-15 | 北方工业大学 | 车辆尾烟检测方法及系统 |
CN111163290B (zh) * | 2019-11-22 | 2021-06-25 | 东南大学 | 一种夜间航行船舶检测并跟踪的方法 |
CN114999051A (zh) * | 2022-06-16 | 2022-09-02 | 广州市懒人时代信息科技有限公司 | 一种智慧社区平台安防监控系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101344988A (zh) * | 2008-06-16 | 2009-01-14 | 上海高德威智能交通系统有限公司 | 图像获取和处理装置及方法、车辆监测和记录系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200921585A (en) * | 2007-08-27 | 2009-05-16 | Lyttron Technology Gmbh | Distinguishing signs with electroluminescent effect, and process for their production |
-
2013
- 2013-09-10 CN CN201310411072.0A patent/CN103473534B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101344988A (zh) * | 2008-06-16 | 2009-01-14 | 上海高德威智能交通系统有限公司 | 图像获取和处理装置及方法、车辆监测和记录系统 |
Non-Patent Citations (2)
Title |
---|
Rear-Lamp Vehicle Detection and Tracking in Low-Exposure Color Video for Night Conditions;Ronan O’Malley等;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;20100601;第11卷(第2期);第453-462页 * |
智能交通中视频车辆检测技术研究;陈琳;《中国优秀硕士学位论文全文数据库工程科技II辑》;20130715(第07期);第1-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103473534A (zh) | 2013-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103473534B (zh) | 一种基于视频的车辆检测方法 | |
CN101408942B (zh) | 一种复杂背景下的车牌定位方法 | |
CN104156731B (zh) | 基于人工神经网络的车牌识别系统与方法 | |
CN104574960B (zh) | 一种交通灯识别方法 | |
CN102354457B (zh) | 基于广义霍夫变换的交通信号灯位置检测方法 | |
CN109726717B (zh) | 一种车辆综合信息检测系统 | |
CN109859226B (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
CN103150898A (zh) | 一种夜间车辆检测方法、跟踪方法及装置 | |
CN105718923B (zh) | 一种基于逆投影图的夜间车辆检测与计数方法 | |
CN109493320A (zh) | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 | |
TW201120806A (en) | Method of locating license plate of moving vehicle | |
CN103077387B (zh) | 视频中货运列车车厢自动检测方法 | |
CN103206957B (zh) | 车辆自主导航的车道线检测与跟踪方法 | |
Zhang et al. | APLCNet: Automatic pixel-level crack detection network based on instance segmentation | |
CN106295528A (zh) | 一种基于多部件空间位置关系gmm建模的车辆检测方法 | |
CN114066808A (zh) | 一种基于深度学习的路面缺陷检测方法及系统 | |
CN105913000B (zh) | 一种基于视频分析的车辆跟踪方法 | |
CN108648210B (zh) | 一种静态复杂场景下快速多目标检测方法及装置 | |
CN102254162B (zh) | 基于最小直线比率的sar图像机场跑道检测方法 | |
CN103886289B (zh) | 方向自适应的水上桥梁目标识别方法及系统 | |
Yan et al. | Lane information perception network for HD maps | |
CN110428443A (zh) | 一种智慧社区车辆轨迹跟踪方法 | |
CN111798415A (zh) | 一种高速公路控制区建筑物监测方法、装置及存储介质 | |
CN114708560B (zh) | 一种基于yolox算法的违章停车检测方法及系统 | |
CN109389079B (zh) | 一种交通信号灯识别方法 |
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 |