CN103778786A - 一种基于显著车辆部件模型的交通违章检测方法 - Google Patents
一种基于显著车辆部件模型的交通违章检测方法 Download PDFInfo
- Publication number
- CN103778786A CN103778786A CN201310700175.9A CN201310700175A CN103778786A CN 103778786 A CN103778786 A CN 103778786A CN 201310700175 A CN201310700175 A CN 201310700175A CN 103778786 A CN103778786 A CN 103778786A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- car plate
- car
- light
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000033228 biological regulation Effects 0.000 claims description 41
- 230000033001 locomotion Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 14
- 230000006399 behavior Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000005286 illumination Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及交通监控技术领域,尤其是一种基于显著车辆部件模型的交通违章检测方法。本发明首先通过判别性特征定位车辆的显著部件,包括车辆号牌和车辆尾灯,并用它们表示车辆,然后根据多个显著部件,用卡尔曼滤波器完成车辆跟踪,最后通过轨迹分析和设置违章检测区域,检测车辆违章行为。本发明解决了光照变化、检测噪声等实际工程应用的复杂环境下车辆违章检测等问题,可以用于城市复杂环境下的交通监控。
Description
技术领域
本发明涉及交通监控技术领域,尤其是一种基于显著车辆部件模型的交通违章检测方法。
背景技术
在大中型城市,随着城市化的发展,交通阻塞、交通违章和交通事故的情况也越来越多。为了对交通进行更有效的控制和管理,智能交通已经引起了广泛的重视。交通信息服务是智能交通系统功能的一个重要部分,这一功能的实现必须首先对交通路况进行监控,快速、准确地获取各种交通参数。随着视频传感器数量的急剧增加,传统的人工被动监控已经远远无法满足监控任务的需要。因此,实现可以代替人眼的智能自动监控功能成为视频监控研究的目标。尤其是,基于监控视频的交通违章检测系统,可以监控车辆的违章行为并完成车辆号牌识别。
基于视频的交通违章检测系统可以通过规范驾驶员的驾驶行为来减少交通事故,缓解交通违章带来的交通问题。目前在视频中检测交通违章的技术主要包括:车辆定位、车辆跟踪和号牌识别。在现有的智能交通系统中,车辆定位技术在交通监控中广泛应用,其主要分为基于运动目标和静态目标的定位方法。基于运动目标的定位方法将道路上的车辆看作运动目标,可以处理光照变化、适用于多模态以及缓慢变化的背景。然而运动的目标未必是车辆,因此许多研究人员利用车辆表面的视觉信息来定位车辆。这些方法利用颜色、边缘及角点特征来学习车辆或车辆部件模型,然后利用分类器以及生成式模型来定位车辆。车辆跟踪方法主要使用基于均值漂移、卡尔曼滤波器和粒子滤波器等技术来实现。在最简单的情况下,欧氏距离、尺寸和角度约束用来匹配相邻帧之间的目标。进一步,卡尔曼滤波器和粒子滤波器可以用来估计下一帧的目标位置,从而更好的完成跟踪过程。基于均值漂移的目标跟踪是一种目标外观模型跟踪方法,即使在拥堵交通环境下效果也比较好。总结现有的交通视频监控系统,在工程应用中依然存在以下挑战:
1、全天候监控:一天中的不同时间段内,光照条件变化大,尤其是白天和夜间的光照差异;在夜间条件下,通常采用频闪补光灯,可以看清补光范围内的车辆信息,但补光范围通常在几十米内,难以完成车辆跟踪、进而判断车辆违章等行为。
2、车辆遮挡:图像中的车辆被其他车辆遮挡,或者被非车辆目标(行人、自行车、树木、建筑等)遮挡。比如,监控摄像机布设在交通路口,排队等候信号灯的车辆易产生互相遮挡;再如,小车容易被大车遮挡,造成短时间的丢失检测。
3、姿态变换:车辆在转弯、变道等姿态变换时,在图像中呈现的表面特征变化很大。
4、类内差异大,背景多样性:车辆具有不同形状、尺寸、颜色;在复杂场景中,有非机动车、行人、道路交通设施等背景目标,与车辆目标混杂在一起。
5、不同分辨率:当车辆驶过摄像机视野的过程中,其在图像中的像素数变化很大。
经对现有技术文献的检索发现,在第201310251206.7号中国专利申请中,使用基于背景建模的方法,提取运动车辆目标,通过运动前景的位置判断车辆的违章行为,但是,在车辆检测过程中,运动目标未必是车辆,并且基于背景建模的方法难以处理车辆遮挡问题。在第200810240499.8号中国专利申请中,公开了一种车辆违章检测系统,可以检测闯红灯、超速行驶等违章行为,但该系统除了使用摄像头,还需要增加压力传感设备和测速装置,辅助抓拍过程,成本较高。综上所述,现有的交通违章检测系统,通常利用运动信息进行检测,监控精度较低,无法满足日益增长的交通监控需求。很多系统需结合视频摄像机和线圈等辅助设备进行检测,成本较高,同时,在维修和安装时需要中断交通,破坏路面,因此维护难度大,维护成本高。
发明内容
本发明解决的技术问题在于提供克服现有技术中的不足,为城市交通监控提供一种基于显著车辆部件模型的交通违章检测方法。能在光照变化、检测噪声等实际工程应用的复杂环境下,实时准确地定位、跟踪车辆目标,通过轨迹分析完成车辆违章检测,为城市交通管理提供一种可靠而有效的途径。
本发明解决上述技术问题的技术方案是:
包括以下步骤:
步骤S1,对道路交通场景进行图像标定;
步骤S2,定位视频序列中的所有车牌位置:
步骤S3,定位视频序列中的所有车辆尾灯位置:
步骤S4,基于车辆的多个显著部件,对车辆进行跟踪从而获取车辆的运动轨迹:
根据前一帧图像中的车辆定位结果,预测当前帧的车辆位置;将当前帧中的车辆定位结果作为测量值,对于每一个跟踪车辆,通过判断其预测位置与测量值之间的欧式距离,搜索其观察值;通过加权计算预测值与观察值,更新预测值,作为目标的当前位置;
步骤S5,分析车辆的运动轨迹,设置各种违章类型的检测区域,完成车辆违章检测。
所述步骤S4中,基于车辆的多个显著部件、采用扩展卡尔曼滤波方法对车辆进行跟踪从而获取车辆的运动轨迹;在扩展卡尔曼滤波方法中,将车牌的中心位置及速度信息作为系统状态变量;
该步骤中,定义如果一个车辆部件连续跟踪3帧以上,即认为该部件为稳定状态;
在预测位置搜索车辆目标位置观察值采用如下规则:
RULE1:如果预测位置附近检测到稳定状态的车牌,但车灯状态不稳定,则用车牌表示车辆,并作为观察值;同时,更新车不的稳定状态及其与车牌的相对位置;
RULE2:如果预测位置附近没有检测到车牌,或者检测到车牌但是该车牌为不稳定状态,则进一步搜索车灯,如果有稳定的车灯,用车灯表示车辆,并作为观察值;
RULE3:如果预测位置检测到稳定车牌,同时搜索到稳定车灯,则判断它们与预测位置的距离,取距离近者作为观察值;同时更新车牌与车灯之间的相对位置。
RULE4:如果预测位置附近搜索到不稳定的车牌,且没有稳定车灯,则取车牌位置作为观察值;
RULE5:如果预测位置附近既没有稳定车牌,也没有稳定车灯,认为当前目标丢失跟踪;如果某个目标连续三帧丢失跟踪,即认为该目标退出场景。
所述步骤S5中,为不同的违章类型设置特定的检测区域,同时,保存多张取证图片和违章信息;
各种违章类型的检测区域设置和轨迹分析方法如下:
(1)闯红灯:在每条车道的停车线前后各设置一个检测区域,记录并分析每辆车的运动轨迹,如果当前车道的信号灯状态为红灯,并且车辆轨迹依次穿过设置的两个检测区域,则认为该车辆闯红灯;提取车辆在停止线前、压停止线和驶过停止线的三张全景图片,以及车辆的一张特写图片,并调用车牌识别程序进行车牌识别,最后将四张图片进行拼接并标注违章信息,包括违章时间、路口位置、车道、车牌号码等,供交通管理部门做后续处理;
(2)压线行驶:在图像中,标记禁止压线行驶的车道线区域,记录并分析车辆的运动轨迹,如果车辆轨迹经过该检测区域,则认为该车辆压线行驶;提取车辆压线状态下的全景图片,以及一张特写图片,并调用车牌识别程序进行车牌识别,最后将两张图片进行拼接并标注违章信息,供交通管理部门做后续处理;
(3)不按规定车道行驶:在图像中的两条车道标记两个检测区域,如果车辆的运行轨迹,依次经过两个检测区域,则认为该车辆不按规定车道行驶;提取车辆变换车道前、变换车道中、变换车道后的三张全景图片,以及车辆的一张特写图片,并调用车牌识别程序进行车牌识别,最后将四张图片进行拼接并标注违章信息,供交通管理部门做后续处理;
由此完成基于显著部件模型的交通违章检测过程。
步骤S1,对道路交通场景进行图像标定是选取一段监控摄像机拍摄的高清视频片段,分辨率为2592核1936,视频场景为覆盖三车道的交通路口,为了获取图像相关的物理坐标参数,使用OpenCV自带的摄像机标定功能函数对交通场景进行标定,根据图像中已知尺寸的道路标线,标记图像区域,进而实现图像坐标系和物理坐标系的相互转换,由此可以获取图像中每个位置的物理坐标;另外,采用OpenCV中的功能函数进行视频读取,把视频读入计算机;
步骤S2,定位视频序列中的所有车牌位置是对于黑底白字和白底黑字车牌,直接采用其灰度图作为颜色灰度图像;对于蓝底、黄底车牌,首先,利用如下公式将图像空间转换至一个特定的颜色空间;
Cx,y=‖Bx,y-min{Rx,y,Gx,y}‖.
然后,使用Sobel算子计算车牌颜色图像中的图像梯度;接着,使用滑动窗口扫描梯度图像,获得窗口内的平均梯度;滑动窗口大小与车牌大小一致,通过使用OpenCV的标定结果,即可以获得车牌尺寸;
最后,在所述得分图像中确定车辆的区域大小,利用非极大值抑制方法在车辆区域范围内求得局部极大值,如果该局部极大值大于设定的得分阈值,则以所述局部极大值为中心点,根据国标车牌的尺寸信息得到车牌区域,将该车牌区域作为候选车牌区域;
步骤S3,定位视频序列中的所有车辆尾灯位置是根据车辆尾灯的颜色,即红色,获取视频序列每一帧图像的颜色灰度图像;图像中某一像素x的颜色灰度值按照下式来计算:
Cx,y=Rx,y-max{Gx,y,Bx,y}-‖Gx,y-Bx,y‖*2.
然后,利用多阈值方法将所述颜色灰度图像分割为多幅二值化图像;
接着,对所述多幅二值化图像分别做连通域分析,取长宽比、面积大小在一定范围内的连通域作为候选车辆尾灯区域;
最后,对于出现重叠的候选车辆尾灯区域,保留其中面积最大的那个区域,最终得到检测出来的车辆尾灯区域;
上述公式中,Rx,y、Gx,y、Bx,y分别是像素x的红、绿、蓝通道的像素值,Cx,y为像素x变换后的灰度值。
有益效果:
本发明相比于现有技术可以自动检测视频序列中的车辆部件位置,并通过跟踪车辆部件获取车辆运动轨迹,最后通过车辆轨迹分析,检测车辆违章行为,不需要对原始视频信号进行任何的预处理,而且对实际监控视频中所出现的车辆遮挡、车辆在强光条件下的阴影、光照变化、摄像机抖动、检测噪声等干扰同时具有较高的鲁棒性。由于克服了这些现有技术在实际工程应用方面难以解决的困难,因此本发明真正实现了交通监控视频中的交通违章检测。
本发明针对智能视频监控中交通违章检测的需要,利用图像处理、特征提取、目标跟踪技术,实时检测车辆的违章行为,具有算法简单、精确度高、鲁棒性强等优点。特别是不需要对原始视频信号进行任何的预处理,自动实现了车辆违章检测,克服了现有技术难以克服的难点,也消除了实现真正工程应用的主要障碍。本发明使用图像处理、特征提取、目标跟踪技术,实时准确地定位、跟踪车辆目标,通过轨迹分析完成车辆违章检测,为城市交通管理提供一种可靠而有效的途径。
附图说明
下面结合附图对本发明进一步说明:
图1是本发明基于显著车辆部件模型的交通违章检测方法流程图;
图2是本发明基于显著部件的跟踪算法流程图;
图3是本发明工控机上的配置软件界面;
图4是根据本发明实施例的车辆闯红灯的检测结果图;
图5是根据本发明实施例的车辆压线行驶的检测结果图;
图6是根据本发明实施例的车辆不按规定车道行驶的检测结果图。
具体实施方式
为使本发明解决技术问题的技术方案更清楚,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。
图1是本发明基于显著车辆部件模型的交通违章检测方法流程图,如图1所示,本发明基于显著车辆部件模型的交通违章检测方法包括以下步骤:
步骤S1,对道路交通场景进行图像标定:
本发明的实施例中,选取一段监控摄像机拍摄的高清视频片段,分辨率为2592核1936,视频场景为覆盖三车道的交通路口,为了获取图像相关的物理坐标参数,本发明使用OpenCV(Intel开源计算机视觉库)自带的摄像机标定功能函数对交通场景进行标定,根据图像中已知尺寸的道路标线,标记图像区域,进而实现图像坐标系和物理坐标系的相互转换,由此可以获取图像中每个位置的物理坐标。另外,采用OpenCV中的功能函数进行视频读取,把视频读入计算机。
步骤S2,定位视频序列中的所有车牌位置:
该部分内容不作为本发明的重点,可以采用通用的技术实现,在此仅简要描述计算过程。中国国标车牌的底色包括蓝色、黄色、白色、黑色,本发明实施例以蓝底白字和黄底黑字车牌为例进行说明,类似地,对于黑底白字和白底黑字车牌,直接采用其灰度图作为颜色灰度图像。根据统计结果,对于蓝底车牌来说,车牌底色像素的蓝色通道值Bx,y远远大于其他两个通道,红色Rx,y和绿色Gx,y通道的值均比较小,并且相差不大。黄色与蓝色在颜色上互补,对于黄底车牌来说,车牌底色像素的蓝色通道值Bx,y远远小于其他两个通道,红色Rx,y和绿色Gx,y通道的值均比较大,并且相差不大。首先,根据以上观察结果,利用公式(1)将图像空间转换至一个特定的颜色空间。
Cx,y=‖Bx,y-min{Rx,y,Gx,y}‖. (1)
然后,使用Sobel算子计算车牌颜色图像中的图像梯度。接着,我们使用滑动窗口扫描梯度图像,获得窗口内的平均梯度。滑动窗口大小与车牌大小一致,通过使用OpenCV的标定结果,我们可以获得车牌尺寸。
最后,在所述得分图像中确定车辆的区域大小,利用非极大值抑制方法在车辆区域范围内求得局部极大值,如果该局部极大值大于设定的得分阈值,则以所述局部极大值为中心点,根据国标车牌的尺寸信息得到车牌区域,将该车牌区域作为候选车牌区域。
步骤S3,定位视频序列中的所有车辆尾灯位置:
该部分内容不作为本发明的重点,可以采用通用的技术实现,在此仅简要描述计算过程。根据车辆尾灯的颜色,即红色,获取视频序列每一帧图像的颜色灰度图像;图像中某一像素x的颜色灰度值按照下式来计算:
Cx,y=Rx,y-max{Gx,y,Bx,y}-‖Gx,y-Bx,y‖*2. (2)
其中,Rx,y、Gx,y、Bx,y分别是像素x的红、绿、蓝通道的像素值,Cx,y为像素x变换后的灰度值。
然后,利用多阈值方法将所述颜色灰度图像分割为多幅二值化图像;本发明中分别选取了三个阈值对所述颜色灰度图像进行阈值分割,所述三个阈值分别为20、60、80。
接着,对所述多幅二值化图像分别做连通域分析,取长宽比、面积大小在一定范围内的连通域作为候选车辆尾灯区域;
最后,对于出现重叠的候选车辆尾灯区域,保留其中面积最大的那个区域,最终得到检测出来的车辆尾灯区域。
步骤S4,基于车辆的多个显著部件,对车辆进行跟踪从而获取车辆的运动轨迹:
在本发明的实施例中,使用扩展卡尔曼滤波方法进行车辆的跟踪,进而得到车辆的运动轨迹,在扩展卡尔曼滤波方法中,将车牌的中心位置及速度信息作为系统状态变量。
图2是本发明基于显著部件的跟踪算法流程图,如图2所示,所述步骤S4进一步包括以下步骤:
步骤S41,根据前一帧图像中的车辆定位结果,预测当前帧的车辆位置;
步骤S42,将当前帧中的车辆部件定位结果作为测量值,对于每一个跟踪车辆,通过判断其预测位置与测量值之间的欧式距离,以及车辆部件的稳定状态,搜索其观察值。
有关车辆部件的稳定状态定义如下:如果一个车辆部件连续跟踪3帧以上,即认为该部件为稳定状态。
在该步骤中,采用如下规则(RULE)在预测位置搜索车辆目标位置的观察值:
RULE1:如果预测位置附近检测到稳定状态的车牌,但车灯状态不稳定,则用车牌表示车辆,并作为观察值。同时,更新车灯的稳定状态及其与车牌的相对位置;
RULE2:如果预测位置附近没有检测到车牌,或者检测到车牌但是该车牌为不稳定状态,则进一步搜索车灯,如果有稳定的车灯,用车灯表示车辆,并作为观察值;
RULE3:如果预测位置检测到稳定车牌,同时搜索到稳定车灯,则判断它们与预测位置的距离,取距离近者作为观察值;同时更新车牌与车灯之间的相对位置。
RULE4:如果预测位置附近搜索到不稳定的车牌,且没有稳定车灯,则取车牌位置作为观察值;
RULE5:如果预测位置附近既没有稳定车牌,也没有稳定车灯,认为当前目标丢失跟踪。如果某个目标连续三帧丢失跟踪,即认为该目标退出场景。
步骤S43,通过上一步骤获得的车辆位置观察值,加权计算预测值与观察值,进而更新预测值,作为目标的当前位置。
步骤S5,设置各种违章检测区域,分析车辆的运动轨迹,完成车辆违章检测;
本实施例的交通违章检测系统硬件平台包括一台500万像素的高清摄像机,一台工控机,以及两盏补光灯。其中高清相机的分辨率为2592*1936,帧速为每秒8.3帧,工控机的处理器为Core(TM)i5-3210M CPU2.50GHZ和4G内存,补光灯在夜间或光照不足条件下开启,其补光范围可以达到三车道。工控机与摄像机之间的数据传输采用网线方式。下面,进一步描述交通违章检测的详细步骤:
本发明的实施例检测三种交通违章,包括闯红灯、压线行驶和不按规定车道行驶,运行在工控机上的配置软件如图3所示,各种违章类型的检测区域设置和轨迹分析方法如下:
(1)闯红灯:在每条车道的停车线前后各设置一个检测区域,如图4(a)中的黄色四边形所示。记录并分析每辆车的运动轨迹,如果当前车道的信号灯状态为红灯,并且车辆轨迹依次穿过设置的两个检测区域,则认为该车辆闯红灯。提取车辆在停止线前、压停止线和驶过停止线的三张全景图片,以及车辆的一张特写图片,并调用车牌识别程序进行车牌识别,最后将四张图片进行拼接并标注违章信息,包括违章时间、路口位置、车道、车牌号码等,供交通管理部门做后续处理,如图4(b)所示。车牌识别过程不作为本发明的核心内容,在此不再赘述。
(2)压线行驶:在图像中,标记禁止压线行驶的车道线区域,如图5(a)中的黄色四边形所示。记录并分析车辆的运动轨迹,如果车辆轨迹经过该检测区域,则认为该车辆压线行驶。提取车辆压线状态下的全景图片,以及一张特写图片,并调用车牌识别程序进行车牌识别,最后将两张图片进行拼接并标注违章信息,供交通管理部门做后续处理,如图5(b)所示。
(3)不按规定车道行驶:在交通图像中进行车辆非法左右转、非法直行检测,本质上,是检测车辆由一条车道区域驶入另一条车道区域,如车辆在左转车道驶入直行车道,即认定为非法直行。在图像中的两条车道标记两个检测区域,如图6(a)中的黄色四边形所示。如果车辆的运行轨迹,依次经过两个检测区域,则认为该车辆不按规定车道行驶。提取车辆变换车道前、变换车道中、变换车道后的三张全景图片,以及车辆的一张特写图片,并调用车牌识别程序进行车牌识别,最后将四张图片进行拼接并标注违章信息,供交通管理部门做后续处理,如图6(b)所示。
由此完成基于显著部件模型的交通违章检测过程。
以上所述是对本发明具体实施例的描述,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何等同替换等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于显著部件模型的交通违章检测方法,其特征在于:包括以下步骤:
步骤S1,对道路交通场景进行图像标定;
步骤S2,定位视频序列中的所有车牌位置:
步骤S3,定位视频序列中的所有车辆尾灯位置:
步骤S4,基于车辆的多个显著部件,对车辆进行跟踪从而获取车辆的运动轨迹:
根据前一帧图像中的车辆定位结果,预测当前帧的车辆位置;将当前帧中的车辆定位结果作为测量值,对于每一个跟踪车辆,通过判断其预测位置与测量值之间的欧式距离,搜索其观察值;通过加权计算预测值与观察值,更新预测值,作为目标的当前位置;
步骤S5,分析车辆的运动轨迹,设置各种违章类型的检测区域,完成车辆违章检测。
2.根据权利要求1所述的交通违章检测方法,其特征在于:所述步骤S4中,基于车辆的多个显著部件、采用扩展卡尔曼滤波方法对车辆进行跟踪从而获取车辆的运动轨迹;在扩展卡尔曼滤波方法中,将车牌的中心位置及速度信息作为系统状态变量;
该步骤中,定义如果一个车辆部件连续跟踪3帧以上,即认为该部件为稳定状态;
在预测位置搜索车辆目标位置观察值采用如下规则:
RULE1:如果预测位置附近检测到稳定状态的车牌,但车灯状态不稳定,则用车牌表示车辆,并作为观察值;同时,更新车灯的稳定状态及其与车牌的相对位置;
RULE2:如果预测位置附近没有检测到车牌,或者检测到车牌但是该车牌为不稳定状态,则进一步搜索车灯,如果有稳定的车灯,用车灯表示车辆,并作为观察值;
RULE3:如果预测位置检测到稳定车牌,同时搜索到稳定车灯,则判断它们与预测位置的距离,取距离近者作为观察值;同时更新车牌与车灯之间的相对位置。
RULE4:如果预测位置附近搜索到不稳定的车牌,且没有稳定车灯,则取车牌位置作为观察值;
RULE5:如果预测位置附近既没有稳定车牌,也没有稳定车灯,认为当前目标丢失跟踪;如果某个目标连续三帧丢失跟踪,即认为该目标退出场景。
3.根据权利要求1或2所述的交通违章检测方法,其特征在于:所述步骤S5中,为不同的违章类型设置特定的检测区域,同时,保存多张取证图片和违章信息;
各种违章类型的检测区域设置和轨迹分析方法如下:
(1)闯红灯:在每条车道的停车线前后各设置一个检测区域,记录并分析每辆车的运动轨迹,如果当前车道的信号灯状态为红灯,并且车辆轨迹依次穿过设置的两个检测区域,则认为该车辆闯红灯;提取车辆在停止线前、压停止线和驶过停止线的三张全景图片,以及车辆的一张特写图片,并调用车牌识别程序进行车牌识别,最后将四张图片进行拼接并标注违章信息,包括违章时间、路口位置、车道、车牌号码等,供交通管理部门做后续处理;
(2)压线行驶:在图像中,标记禁止压线行驶的车道线区域,记录并分析车辆的运动轨迹,如果车辆轨迹经过该检测区域,则认为该车辆压线行驶;提取车辆压线状态下的全景图片,以及一张特写图片,并调用车牌识别程序进行车牌识别,最后将两张图片进行拼接并标注违章信息,供交通管理部门做后续处理;
(3)不按规定车道行驶:在图像中的两条车道标记两个检测区域,如果车辆的运行轨迹,依次经过两个检测区域,则认为该车辆不按规定车道行驶;提取车辆变换车道前、变换车道中、变换车道后的三张全景图片,以及车辆的一张特写图片,并调用车牌识别程序进行车牌识别,最后将四张图片进行拼接并标注违章信息,供交通管理部门做后续处理;
由此完成基于显著部件模型的交通违章检测过程。
4.根据权利要求1或2所述的的交通违章检测方法,其特征在于:
步骤S1,对道路交通场景进行图像标定是选取一段监控摄像机拍摄的高清视频片段,分辨率为2592×1936,视频场景为覆盖三车道的交通路口,为了获取图像相关的物理坐标参数,使用OpenCV自带的摄像机标定功能函数对交通场景进行标定,根据图像中已知尺寸的道路标线,标记图像区域,进而实现图像坐标系和物理坐标系的相互转换,由此可以获取图像中每个位置的物理坐标;另外,采用OpenCV中的功能函数进行视频读取,把视频读入计算机;
步骤S2,定位视频序列中的所有车牌位置是对于黑底白字和白底黑字车牌,直接采用其灰度图作为颜色灰度图像;对于蓝底、黄底车牌,首先,利用如下公式将图像空间转换至一个特定的颜色空间;
Cx,y=‖Bx,y-min{Rx,y,Gx,y}‖.
然后,使用Sobel算子计算车牌颜色图像中的图像梯度;接着,使用滑动窗口扫描梯度图像,获得窗口内的平均梯度;滑动窗口大小与车牌大小一致,通过使用OpenCV的标定结果,即可以获得车牌尺寸;
最后,在所述得分图像中确定车辆的区域大小,利用非极大值抑制方法在车辆区域范围内求得局部极大值,如果该局部极大值大于设定的得分阈值,则以所述局部极大值为中心点,根据国标车牌的尺寸信息得到车牌区域,将该车牌区域作为候选车牌区域;
步骤S3,定位视频序列中的所有车辆尾灯位置是根据车辆尾灯的颜色,即红色,获取视频序列每一帧图像的颜色灰度图像;图像中某一像素x的颜色灰度值按照下式来计算:
Cx,y=Rx,y-max{Gx,y,Bx,y}-‖Gx,y-Bx,y‖*2.
然后,利用多阈值方法将所述颜色灰度图像分割为多幅二值化图像;
接着,对所述多幅二值化图像分别做连通域分析,取长宽比、面积大小在一定范围内的连通域作为候选车辆尾灯区域;
最后,对于出现重叠的候选车辆尾灯区域,保留其中面积最大的那个区域,最终得到检测出来的车辆尾灯区域;
上述公式中,Rx,y、Gx,y、Bx,y分别是像素x的红、绿、蓝通道的像素值,Cx,y为像素x变换后的灰度值。
5.根据权利要求3所述的的交通违章检测方法,其特征在于:
步骤S1,对道路交通场景进行图像标定是选取一段监控摄像机拍摄的高清视频片段,分辨率为2592×1936,视频场景为覆盖三车道的交通路口,为了获取图像相关的物理坐标参数,使用OpenCV自带的摄像机标定功能函数对交通场景进行标定,根据图像中已知尺寸的道路标线,标记图像区域,进而实现图像坐标系和物理坐标系的相互转换,由此可以获取图像中每个位置的物理坐标;另外,采用OpenCV中的功能函数进行视频读取,把视频读入计算机;
步骤S2,定位视频序列中的所有车牌位置是对于黑底白字和白底黑字车牌,直接采用其灰度图作为颜色灰度图像;对于蓝底、黄底车牌,首先,利用如下公式将图像空间转换至一个特定的颜色空间;
Cx,y=‖Bx,y-min{Rx,y,Gx,y}‖.
然后,使用Sobel算子计算车牌颜色图像中的图像梯度;接着,使用滑动窗口扫描梯度图像,获得窗口内的平均梯度;滑动窗口大小与车牌大小一致,通过使用OpenCV的标定结果,即可以获得车牌尺寸;
最后,在所述得分图像中确定车辆的区域大小,利用非极大值抑制方法在车辆区域范围内求得局部极大值,如果该局部极大值大于设定的得分阈值,则以所述局部极大值为中心点,根据国标车牌的尺寸信息得到车牌区域,将该车牌区域作为候选车牌区域;
步骤S3,定位视频序列中的所有车辆尾灯位置是根据车辆尾灯的颜色,即红色,获取视频序列每一帧图像的颜色灰度图像;图像中某一像素x的颜色灰度值按照下式来计算:
Cx,y=Rx,y-max{Gx,y,Bx,y}-‖Gx,y-Bx,y‖*2.
然后,利用多阈值方法将所述颜色灰度图像分割为多幅二值化图像;
接着,对所述多幅二值化图像分别做连通域分析,取长宽比、面积大小在一定范围内的连通域作为候选车辆尾灯区域;
最后,对于出现重叠的候选车辆尾灯区域,保留其中面积最大的那个区域,最终得到检测出来的车辆尾灯区域;
上述公式中,Rx,y、Gx,y、Bx,y分别是像素x的红、绿、蓝通道的像素值,Cx,y为像素x变换后的灰度值。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310700175.9A CN103778786B (zh) | 2013-12-17 | 2013-12-17 | 一种基于显著车辆部件模型的交通违章检测方法 |
PCT/CN2013/090417 WO2015089867A1 (zh) | 2013-12-17 | 2013-12-25 | 一种交通违章检测方法 |
US14/775,628 US9704060B2 (en) | 2013-12-17 | 2013-12-25 | Method for detecting traffic violation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310700175.9A CN103778786B (zh) | 2013-12-17 | 2013-12-17 | 一种基于显著车辆部件模型的交通违章检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103778786A true CN103778786A (zh) | 2014-05-07 |
CN103778786B CN103778786B (zh) | 2016-04-27 |
Family
ID=50570970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310700175.9A Expired - Fee Related CN103778786B (zh) | 2013-12-17 | 2013-12-17 | 一种基于显著车辆部件模型的交通违章检测方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9704060B2 (zh) |
CN (1) | CN103778786B (zh) |
WO (1) | WO2015089867A1 (zh) |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537841A (zh) * | 2014-12-23 | 2015-04-22 | 上海博康智能信息技术有限公司 | 无牌车辆违章检测方法及其检测系统 |
CN104539896A (zh) * | 2014-12-25 | 2015-04-22 | 桂林远望智能通信科技有限公司 | 一种全景监控与热点特写的智能监控系统及方法 |
CN104575031A (zh) * | 2015-01-07 | 2015-04-29 | 北京尚易德科技有限公司 | 防止机动车绿灯跟进阻塞路口的提示系统和方法 |
CN105046979A (zh) * | 2015-03-08 | 2015-11-11 | 无锡桑尼安科技有限公司 | 一种位于交通路口的跨实线并道车辆识别方法 |
CN105741558A (zh) * | 2016-02-05 | 2016-07-06 | 广西科技大学 | 夜视环境下对前方车辆进行双重跟踪的检测方法 |
WO2016145626A1 (zh) * | 2015-03-18 | 2016-09-22 | 富士通株式会社 | 交通异常检测方法、装置以及图像监控系统 |
CN106127143A (zh) * | 2016-06-23 | 2016-11-16 | 昆明理工大学 | 一种高速公路违章停车检测方法 |
CN106295528A (zh) * | 2016-08-01 | 2017-01-04 | 长安大学 | 一种基于多部件空间位置关系gmm建模的车辆检测方法 |
CN106652468A (zh) * | 2016-12-09 | 2017-05-10 | 武汉极目智能技术有限公司 | 车辆道路前车违规检测和自车违规预警提醒装置及方法 |
CN106815580A (zh) * | 2016-12-23 | 2017-06-09 | 上海集成电路研发中心有限公司 | 一种车牌定位方法 |
CN107004353A (zh) * | 2015-01-14 | 2017-08-01 | 欧姆龙株式会社 | 交通违章管理系统和交通违章管理方法 |
CN107688764A (zh) * | 2016-08-03 | 2018-02-13 | 浙江宇视科技有限公司 | 检测车辆违章的方法及装置 |
CN108021856A (zh) * | 2016-10-31 | 2018-05-11 | 比亚迪股份有限公司 | 车辆尾灯识别方法、装置及车辆 |
CN108196729A (zh) * | 2018-01-16 | 2018-06-22 | 安徽慧视金瞳科技有限公司 | 一种基于红外视频的指尖点快速检测方法 |
CN108269403A (zh) * | 2016-12-30 | 2018-07-10 | 上海泓鎏智能科技有限公司 | 检测交通违章的抓拍装置及抓拍方法 |
CN108932453A (zh) * | 2017-05-23 | 2018-12-04 | 杭州海康威视数字技术股份有限公司 | 一种车辆备胎检测方法及装置 |
CN108986472A (zh) * | 2017-05-31 | 2018-12-11 | 杭州海康威视数字技术股份有限公司 | 一种掉头车辆监控方法及装置 |
CN109299674A (zh) * | 2018-09-05 | 2019-02-01 | 重庆大学 | 一种基于车灯的隧道违章变道检测方法 |
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 |
CN110097759A (zh) * | 2019-04-28 | 2019-08-06 | 南京师范大学 | 一种基于视频地理围栏的机动车违章行为检测方法 |
CN110178167A (zh) * | 2018-06-27 | 2019-08-27 | 潍坊学院 | 基于摄像机协同接力的路口违章视频识别方法 |
CN110473407A (zh) * | 2019-07-24 | 2019-11-19 | 北京筑梦园科技有限公司 | 一种车辆入场监测方法、服务器及系统 |
CN110929613A (zh) * | 2019-11-14 | 2020-03-27 | 上海眼控科技股份有限公司 | 一种智能交通违法审核的图像筛选算法 |
CN110930727A (zh) * | 2019-12-12 | 2020-03-27 | 淄博市公安局交通警察支队张店大队 | 一种大小型车辆长距广角电子警察抓拍方法 |
CN111292529A (zh) * | 2020-01-22 | 2020-06-16 | 长安大学 | 一种识别高速公路团雾分布的方法 |
CN111325988A (zh) * | 2020-03-10 | 2020-06-23 | 北京以萨技术股份有限公司 | 基于视频的实时闯红灯检测方法、装置、系统及存储介质 |
CN111340811A (zh) * | 2020-02-19 | 2020-06-26 | 浙江大华技术股份有限公司 | 违章合成图的拆分方法、设备及计算机存储介质 |
CN111383458A (zh) * | 2018-12-30 | 2020-07-07 | 浙江宇视科技有限公司 | 车辆违章检测方法、装置、设备及存储介质 |
CN111539317A (zh) * | 2020-04-22 | 2020-08-14 | 上海眼控科技股份有限公司 | 车辆违规行驶检测方法、装置、计算机设备和存储介质 |
CN111696365A (zh) * | 2019-03-11 | 2020-09-22 | 杭州海康威视数字技术股份有限公司 | 一种车辆跟踪系统 |
CN112287808A (zh) * | 2020-10-27 | 2021-01-29 | 江苏云从曦和人工智能有限公司 | 运动轨迹分析告警方法、装置、系统及存储介质 |
CN112528747A (zh) * | 2020-11-13 | 2021-03-19 | 浙江大华技术股份有限公司 | 机动车掉头行为识别方法、系统、电子装置和存储介质 |
CN114724369A (zh) * | 2022-03-30 | 2022-07-08 | 杭州骑迹科技有限公司 | 一种共享单车违规举报治理的方法和系统 |
CN116071688A (zh) * | 2023-03-06 | 2023-05-05 | 台州天视智能科技有限公司 | 一种车辆的行为分析方法、装置、电子设备及存储介质 |
Families Citing this family (71)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160364618A1 (en) * | 2015-06-09 | 2016-12-15 | National Chung Shan Institute Of Science And Technology | Nocturnal vehicle counting method based on mixed particle filter |
CN105825184A (zh) * | 2016-03-15 | 2016-08-03 | 深圳市佳信捷技术股份有限公司 | 车辆数据处理方法及装置 |
CN105788286A (zh) * | 2016-05-19 | 2016-07-20 | 湖南博广信息科技有限公司 | 智能识别闯红灯系统以及车辆行为检测抓拍方法 |
CN105825680A (zh) * | 2016-05-19 | 2016-08-03 | 湖南博广信息科技有限公司 | 智能识别闯红灯系统及装置 |
US10296794B2 (en) | 2016-12-20 | 2019-05-21 | Jayant Rtti | On-demand artificial intelligence and roadway stewardship system |
CN106650731B (zh) * | 2016-12-23 | 2020-02-21 | 中山大学 | 一种鲁棒的车牌、车标识别方法 |
CN106845547B (zh) * | 2017-01-23 | 2018-08-14 | 重庆邮电大学 | 一种基于摄像头的智能汽车定位与道路标识识别系统及方法 |
US10366301B1 (en) * | 2017-05-02 | 2019-07-30 | Ambarella, Inc. | Block based non-maximum suppression |
CN107506760B (zh) * | 2017-08-04 | 2020-06-05 | 西南大学 | 基于gps定位与视觉图像处理的交通信号检测方法及系统 |
CN107492177A (zh) * | 2017-09-01 | 2017-12-19 | 北京易商创客科技有限公司 | 客运站视频红外检测智能门禁管理系统 |
CN107393311B (zh) * | 2017-09-13 | 2019-11-26 | 京东方科技集团股份有限公司 | 一种车牌篡改识别装置及方法 |
CN110033425B (zh) * | 2018-01-10 | 2023-03-28 | 富士通株式会社 | 干扰区域检测装置及方法、电子设备 |
US10847048B2 (en) * | 2018-02-23 | 2020-11-24 | Frontis Corp. | Server, method and wearable device for supporting maintenance of military apparatus based on augmented reality using correlation rule mining |
WO2019175686A1 (en) | 2018-03-12 | 2019-09-19 | Ratti Jayant | On-demand artificial intelligence and roadway stewardship system |
CN108364471B (zh) * | 2018-04-24 | 2023-07-07 | 浙江方大智控科技有限公司 | 基于智能交通灯od信息检查的货运规划管理方法及系统 |
CN110555344B (zh) * | 2018-06-01 | 2022-05-31 | 赛灵思电子科技(北京)有限公司 | 车道线识别方法、装置、电子设备、存储介质 |
US10854072B2 (en) * | 2018-07-27 | 2020-12-01 | Akif EKIN | System and method for automatic calibration of vehicle position determining device in a traffic system |
CN109166312B (zh) * | 2018-09-03 | 2022-06-07 | 武汉小象创意科技有限公司 | 行车轨迹基于路网数据的自动化违规检测系统及方法 |
CN111091023B (zh) * | 2018-10-23 | 2023-07-21 | 中国移动通信有限公司研究院 | 一种车辆检测方法、装置及电子设备 |
CN109410254B (zh) * | 2018-11-05 | 2020-07-28 | 清华大学深圳研究生院 | 一种基于目标和相机运动建模的目标跟踪方法 |
CN109948416A (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违法占用公交车道自动审核方法 |
CN109948418A (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违反导向违法自动审核方法 |
CN109766828A (zh) * | 2019-01-08 | 2019-05-17 | 重庆同济同枥信息技术有限公司 | 一种车辆目标分割方法、装置及通信设备 |
CN109858393A (zh) * | 2019-01-11 | 2019-06-07 | 平安科技(深圳)有限公司 | 车辆违规识别方法、系统、计算机设备和存储介质 |
CN110008932B (zh) * | 2019-04-17 | 2022-11-22 | 四川九洲视讯科技有限责任公司 | 一种基于计算机视觉的车辆违章压线检测方法 |
CN110321814B (zh) * | 2019-06-18 | 2021-11-16 | 浙江大华技术股份有限公司 | 一种车辆违章取证方法、装置、电子设备及存储介质 |
CN110414329A (zh) * | 2019-06-19 | 2019-11-05 | 上海眼控科技股份有限公司 | 一种基于图像的车辆行驶方向判断方法 |
CN110298300B (zh) * | 2019-06-27 | 2022-11-22 | 上海工程技术大学 | 一种检测车辆违章压线的方法 |
CN110472496B (zh) * | 2019-07-08 | 2022-10-11 | 长安大学 | 一种基于目标检测与跟踪的交通视频智能分析方法 |
CN110852335B (zh) * | 2019-11-19 | 2023-06-20 | 燕山大学 | 一种基于多颜色特征融合与深度网络的目标跟踪系统 |
CN111178224B (zh) * | 2019-12-25 | 2024-04-05 | 浙江大华技术股份有限公司 | 物体规则判断方法、装置、计算机设备和存储介质 |
CN111259767B (zh) * | 2020-01-13 | 2023-04-18 | 厦门大学 | 基于交通数据及街景数据的交通违法行为识别方法和系统 |
CN111402329A (zh) * | 2020-03-24 | 2020-07-10 | 上海眼控科技股份有限公司 | 车辆压线检测方法、装置、计算机设备和存储介质 |
CN111476169B (zh) * | 2020-04-08 | 2023-11-07 | 智慧互通科技股份有限公司 | 一种基于视频帧的复杂场景路侧停车行为识别方法 |
CN113688652B (zh) * | 2020-05-18 | 2024-04-02 | 魔门塔(苏州)科技有限公司 | 一种异常驾驶行为的处理方法和装置 |
CN111582253B (zh) * | 2020-06-19 | 2022-09-06 | 上海其高电子科技有限公司 | 基于事件触发的车牌跟踪识别方法 |
US11282381B2 (en) * | 2020-06-19 | 2022-03-22 | Sony Group Corporation | Traffic speed enforcement based on license plate detection |
CN112102367B (zh) * | 2020-09-21 | 2022-09-06 | 中国电子科技集团公司第二十八研究所 | 一种基于运动模型的视频分析算力实时分配调度方法 |
CN112183528B (zh) * | 2020-09-23 | 2022-06-21 | 桂林电子科技大学 | 目标车辆跟踪的方法及其装置、系统和计算机存储介质 |
US11003919B1 (en) | 2020-10-16 | 2021-05-11 | Hayden Al Technologies, Inc. | Systems and methods for detecting traffic violations using mobile detection devices |
CN112465746B (zh) * | 2020-11-02 | 2024-03-05 | 新疆天维无损检测有限公司 | 一种射线底片中小缺陷检测方法 |
CN112418026B (zh) * | 2020-11-11 | 2023-06-02 | 宁波职业技术学院 | 基于视频检测的车辆违章检测方法、系统和装置 |
IT202000027047A1 (it) * | 2020-11-12 | 2022-05-12 | Himarc Srl | Metodo di rilevamento e lettura targhe |
CN112380993A (zh) * | 2020-11-12 | 2021-02-19 | 青岛以萨数据技术有限公司 | 基于目标实时追踪信息的智能违法行为检测系统及方法 |
CN112381859B (zh) * | 2020-11-20 | 2024-06-04 | 公安部第三研究所 | 实现针对视频图像数据进行智能解析识别处理的系统、方法、装置、处理器及存储介质 |
CN112581769A (zh) * | 2020-12-08 | 2021-03-30 | 福建小电科技有限公司 | 一种基于人工智能识别技术非机动车违法视频分析系统 |
CN112735163B (zh) * | 2020-12-25 | 2022-08-02 | 阿波罗智联(北京)科技有限公司 | 确定目标物体静止状态的方法、路侧设备、云控平台 |
CN113159984A (zh) * | 2021-03-19 | 2021-07-23 | 云南电网有限责任公司西双版纳供电局 | 一种变电站工作人员工作路径追踪方法 |
CN112966639B (zh) * | 2021-03-22 | 2024-04-26 | 新疆爱华盈通信息技术有限公司 | 车辆检测方法、装置、电子设备及存储介质 |
CN113343766B (zh) * | 2021-05-11 | 2022-12-06 | 武汉工程大学 | 一种车辆压双黄线自动检测方法 |
CN113362594A (zh) * | 2021-05-31 | 2021-09-07 | 青岛海纳云科技控股有限公司 | 一种车辆违章监测系统、方法及计算机可读存储介质 |
CN113469132A (zh) * | 2021-07-26 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种违规行为检测方法、装置、电子设备及存储介质 |
CN113743226B (zh) * | 2021-08-05 | 2024-02-02 | 武汉理工大学 | 一种日间前车灯语识别及预警方法及系统 |
CN113870597B (zh) * | 2021-08-09 | 2022-07-12 | 中标慧安信息技术股份有限公司 | 基于物联网数据的交通调度的方法和系统 |
CN113657309A (zh) * | 2021-08-20 | 2021-11-16 | 山东鲁软数字科技有限公司 | 一种基于Adocf的穿越安全围栏违章行为检测方法 |
CN114187758B (zh) * | 2021-10-18 | 2022-09-02 | 中标慧安信息技术股份有限公司 | 基于智能道路边缘计算网关的车辆检测方法和系统 |
CN114040094B (zh) * | 2021-10-25 | 2023-10-31 | 青岛海信网络科技股份有限公司 | 一种基于云台相机的预置位调节方法和设备 |
CN114155511A (zh) * | 2021-12-13 | 2022-03-08 | 吉林大学 | 一种用于自动驾驶汽车在公共道路的环境信息采集方法 |
CN114399714A (zh) * | 2022-01-12 | 2022-04-26 | 福州大学 | 基于车载相机视频的车辆违停检测方法 |
CN114495518A (zh) * | 2022-02-07 | 2022-05-13 | 厦门市执象智能科技有限公司 | 一种自动抓拍与分析相结合的场景展示方法 |
CN114582133A (zh) * | 2022-02-21 | 2022-06-03 | 台铃科技(江苏)股份有限公司 | 一种电动车骑行警示系统及方法 |
CN114462646B (zh) * | 2022-03-15 | 2022-11-15 | 成都中轨轨道设备有限公司 | 一种基于接触网安全巡检的杆号牌识别方法及系统 |
CN115578862B (zh) * | 2022-10-26 | 2023-09-19 | 中国建设基础设施有限公司 | 交通流量转换方法、装置、计算设备和存储介质 |
CN115762143B (zh) * | 2022-11-02 | 2024-05-03 | 宁波云弧科技有限公司 | 一种车辆轨迹处理方法 |
CN115797775B (zh) * | 2022-12-14 | 2024-04-26 | 中国铁塔股份有限公司重庆市分公司 | 基于近地视频图像的违章建筑智能识别方法及系统 |
CN115775459B (zh) * | 2023-02-13 | 2023-04-28 | 青岛图达互联信息科技有限公司 | 一种基于智能图像处理的数据采集系统及方法 |
CN117237240B (zh) * | 2023-11-15 | 2024-02-02 | 湖南蚁为软件有限公司 | 基于数据特征的数据智能采集方法及系统 |
CN117289278B (zh) * | 2023-11-24 | 2024-02-02 | 广州市德赛西威智慧交通技术有限公司 | 基于交通雷达的车道属性确定方法及装置 |
CN117576926B (zh) * | 2024-01-09 | 2024-03-12 | 厦门星纵物联科技有限公司 | 车辆违规检测方法、设备及存储介质 |
CN117727190B (zh) * | 2024-02-05 | 2024-05-03 | 浙江黄氏建设科技股份有限公司 | 一种智慧城市车辆分流红绿灯控制方法及系统 |
CN117975735B (zh) * | 2024-03-29 | 2024-06-14 | 经智信息科技(山东)有限公司 | 一种基于图像处理的交通占道处理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007058618A1 (en) * | 2005-11-18 | 2007-05-24 | St Electronics (Info-Comm Systems) Pte. Ltd. | System and method for detecting road traffic violations |
CN1971657A (zh) * | 2005-11-24 | 2007-05-30 | 中国科学院自动化研究所 | 一种电子警察和路口机装置及控制方法 |
CN102332209A (zh) * | 2011-02-28 | 2012-01-25 | 王志清 | 一种汽车违章视频监测方法 |
CN102867416A (zh) * | 2012-09-13 | 2013-01-09 | 中国科学院自动化研究所 | 一种基于车辆部位特征的车辆检测与跟踪方法 |
CN103366569A (zh) * | 2013-06-26 | 2013-10-23 | 东南大学 | 实时抓拍交通违章车辆的方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4914234B2 (ja) * | 2007-01-31 | 2012-04-11 | 富士重工業株式会社 | 先行車両検出装置 |
CN101727748B (zh) * | 2009-11-30 | 2014-09-10 | 北京中星微电子有限公司 | 一种基于车辆尾灯检测的车辆监控方法、系统和设备 |
CN103093249B (zh) * | 2013-01-28 | 2016-03-02 | 中国科学院自动化研究所 | 一种基于高清视频的出租车识别方法及系统 |
-
2013
- 2013-12-17 CN CN201310700175.9A patent/CN103778786B/zh not_active Expired - Fee Related
- 2013-12-25 US US14/775,628 patent/US9704060B2/en active Active
- 2013-12-25 WO PCT/CN2013/090417 patent/WO2015089867A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007058618A1 (en) * | 2005-11-18 | 2007-05-24 | St Electronics (Info-Comm Systems) Pte. Ltd. | System and method for detecting road traffic violations |
CN1971657A (zh) * | 2005-11-24 | 2007-05-30 | 中国科学院自动化研究所 | 一种电子警察和路口机装置及控制方法 |
CN102332209A (zh) * | 2011-02-28 | 2012-01-25 | 王志清 | 一种汽车违章视频监测方法 |
CN102867416A (zh) * | 2012-09-13 | 2013-01-09 | 中国科学院自动化研究所 | 一种基于车辆部位特征的车辆检测与跟踪方法 |
CN103366569A (zh) * | 2013-06-26 | 2013-10-23 | 东南大学 | 实时抓拍交通违章车辆的方法及系统 |
Cited By (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537841B (zh) * | 2014-12-23 | 2017-01-25 | 上海博康智能信息技术有限公司 | 无牌车辆违章检测方法及其检测系统 |
CN104537841A (zh) * | 2014-12-23 | 2015-04-22 | 上海博康智能信息技术有限公司 | 无牌车辆违章检测方法及其检测系统 |
CN104539896A (zh) * | 2014-12-25 | 2015-04-22 | 桂林远望智能通信科技有限公司 | 一种全景监控与热点特写的智能监控系统及方法 |
CN104575031A (zh) * | 2015-01-07 | 2015-04-29 | 北京尚易德科技有限公司 | 防止机动车绿灯跟进阻塞路口的提示系统和方法 |
CN107004353A (zh) * | 2015-01-14 | 2017-08-01 | 欧姆龙株式会社 | 交通违章管理系统和交通违章管理方法 |
CN105046979A (zh) * | 2015-03-08 | 2015-11-11 | 无锡桑尼安科技有限公司 | 一种位于交通路口的跨实线并道车辆识别方法 |
CN105046979B (zh) * | 2015-03-08 | 2017-05-31 | 衢州市交通设计有限公司 | 一种位于交通路口的跨实线并道车辆识别方法 |
WO2016145626A1 (zh) * | 2015-03-18 | 2016-09-22 | 富士通株式会社 | 交通异常检测方法、装置以及图像监控系统 |
CN106796754A (zh) * | 2015-03-18 | 2017-05-31 | 富士通株式会社 | 交通异常检测方法、装置以及图像监控系统 |
CN105741558A (zh) * | 2016-02-05 | 2016-07-06 | 广西科技大学 | 夜视环境下对前方车辆进行双重跟踪的检测方法 |
CN106127143A (zh) * | 2016-06-23 | 2016-11-16 | 昆明理工大学 | 一种高速公路违章停车检测方法 |
CN106295528A (zh) * | 2016-08-01 | 2017-01-04 | 长安大学 | 一种基于多部件空间位置关系gmm建模的车辆检测方法 |
CN107688764A (zh) * | 2016-08-03 | 2018-02-13 | 浙江宇视科技有限公司 | 检测车辆违章的方法及装置 |
CN107688764B (zh) * | 2016-08-03 | 2020-04-10 | 浙江宇视科技有限公司 | 检测车辆违章的方法及装置 |
CN108021856A (zh) * | 2016-10-31 | 2018-05-11 | 比亚迪股份有限公司 | 车辆尾灯识别方法、装置及车辆 |
CN108021856B (zh) * | 2016-10-31 | 2020-09-15 | 比亚迪股份有限公司 | 车辆尾灯识别方法、装置及车辆 |
CN106652468B (zh) * | 2016-12-09 | 2019-09-10 | 武汉极目智能技术有限公司 | 车辆道路前车违规检测和自车违规预警提醒装置及方法 |
CN106652468A (zh) * | 2016-12-09 | 2017-05-10 | 武汉极目智能技术有限公司 | 车辆道路前车违规检测和自车违规预警提醒装置及方法 |
CN106815580A (zh) * | 2016-12-23 | 2017-06-09 | 上海集成电路研发中心有限公司 | 一种车牌定位方法 |
CN108269403A (zh) * | 2016-12-30 | 2018-07-10 | 上海泓鎏智能科技有限公司 | 检测交通违章的抓拍装置及抓拍方法 |
CN108932453A (zh) * | 2017-05-23 | 2018-12-04 | 杭州海康威视数字技术股份有限公司 | 一种车辆备胎检测方法及装置 |
CN108986472B (zh) * | 2017-05-31 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 一种掉头车辆监控方法及装置 |
CN108986472A (zh) * | 2017-05-31 | 2018-12-11 | 杭州海康威视数字技术股份有限公司 | 一种掉头车辆监控方法及装置 |
CN108196729A (zh) * | 2018-01-16 | 2018-06-22 | 安徽慧视金瞳科技有限公司 | 一种基于红外视频的指尖点快速检测方法 |
CN110178167A (zh) * | 2018-06-27 | 2019-08-27 | 潍坊学院 | 基于摄像机协同接力的路口违章视频识别方法 |
CN110178167B (zh) * | 2018-06-27 | 2022-06-21 | 潍坊学院 | 基于摄像机协同接力的路口违章视频识别方法 |
WO2020000251A1 (zh) * | 2018-06-27 | 2020-01-02 | 潍坊学院 | 基于摄像机协同接力的路口违章视频识别方法 |
CN109299674B (zh) * | 2018-09-05 | 2022-03-18 | 重庆大学 | 一种基于车灯的隧道违章变道检测方法 |
CN109299674A (zh) * | 2018-09-05 | 2019-02-01 | 重庆大学 | 一种基于车灯的隧道违章变道检测方法 |
CN111383458A (zh) * | 2018-12-30 | 2020-07-07 | 浙江宇视科技有限公司 | 车辆违章检测方法、装置、设备及存储介质 |
CN111383458B (zh) * | 2018-12-30 | 2021-07-27 | 浙江宇视科技有限公司 | 车辆违章检测方法、装置、设备及存储介质 |
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 |
CN111696365A (zh) * | 2019-03-11 | 2020-09-22 | 杭州海康威视数字技术股份有限公司 | 一种车辆跟踪系统 |
CN110097759A (zh) * | 2019-04-28 | 2019-08-06 | 南京师范大学 | 一种基于视频地理围栏的机动车违章行为检测方法 |
CN110473407A (zh) * | 2019-07-24 | 2019-11-19 | 北京筑梦园科技有限公司 | 一种车辆入场监测方法、服务器及系统 |
CN110929613A (zh) * | 2019-11-14 | 2020-03-27 | 上海眼控科技股份有限公司 | 一种智能交通违法审核的图像筛选算法 |
CN110930727A (zh) * | 2019-12-12 | 2020-03-27 | 淄博市公安局交通警察支队张店大队 | 一种大小型车辆长距广角电子警察抓拍方法 |
CN110930727B (zh) * | 2019-12-12 | 2021-09-21 | 淄博市公安局交通警察支队张店大队 | 一种大小型车辆长距广角电子警察抓拍方法 |
CN111292529A (zh) * | 2020-01-22 | 2020-06-16 | 长安大学 | 一种识别高速公路团雾分布的方法 |
CN111340811A (zh) * | 2020-02-19 | 2020-06-26 | 浙江大华技术股份有限公司 | 违章合成图的拆分方法、设备及计算机存储介质 |
CN111340811B (zh) * | 2020-02-19 | 2023-08-11 | 浙江大华技术股份有限公司 | 违章合成图的拆分方法、设备及计算机存储介质 |
CN111325988A (zh) * | 2020-03-10 | 2020-06-23 | 北京以萨技术股份有限公司 | 基于视频的实时闯红灯检测方法、装置、系统及存储介质 |
CN111539317A (zh) * | 2020-04-22 | 2020-08-14 | 上海眼控科技股份有限公司 | 车辆违规行驶检测方法、装置、计算机设备和存储介质 |
CN112287808A (zh) * | 2020-10-27 | 2021-01-29 | 江苏云从曦和人工智能有限公司 | 运动轨迹分析告警方法、装置、系统及存储介质 |
CN112528747A (zh) * | 2020-11-13 | 2021-03-19 | 浙江大华技术股份有限公司 | 机动车掉头行为识别方法、系统、电子装置和存储介质 |
CN114724369A (zh) * | 2022-03-30 | 2022-07-08 | 杭州骑迹科技有限公司 | 一种共享单车违规举报治理的方法和系统 |
CN116071688A (zh) * | 2023-03-06 | 2023-05-05 | 台州天视智能科技有限公司 | 一种车辆的行为分析方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2015089867A1 (zh) | 2015-06-25 |
US9704060B2 (en) | 2017-07-11 |
CN103778786B (zh) | 2016-04-27 |
US20160034778A1 (en) | 2016-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103778786B (zh) | 一种基于显著车辆部件模型的交通违章检测方法 | |
CN110178167B (zh) | 基于摄像机协同接力的路口违章视频识别方法 | |
CN110136449B (zh) | 基于深度学习的交通视频车辆违停自动识别抓拍的方法 | |
CN100437660C (zh) | 基于全方位视觉传感器的违章车辆监控装置 | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN102867416B (zh) | 一种基于车辆部位特征的车辆检测与跟踪方法 | |
CN100578562C (zh) | 用视频监测车辆违法行为的方法 | |
CN103065470B (zh) | 基于单目多检测面的机器视觉的车辆闯红灯行为检测装置 | |
CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
CN109299674B (zh) | 一种基于车灯的隧道违章变道检测方法 | |
CN108335489A (zh) | 高速公路车辆行为语义分析及异常行为监控系统及方法 | |
CN105744232A (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN101656023A (zh) | 一种视频监视模式下的室内停车场管理方法 | |
CN103116987A (zh) | 一种基于监控视频处理的车流统计和违规检测的方法 | |
CN110689724B (zh) | 一种基于深度学习的机动车斑马线礼让行人自动审核方法 | |
CN102496000B (zh) | 一种城市交通事故检测方法 | |
CN104506800A (zh) | 一种多方向电警摄像机场景合成及综合监控方法和装置 | |
CN114781479A (zh) | 交通事件检测方法及装置 | |
CN113903008A (zh) | 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法 | |
CN113033275B (zh) | 基于深度学习的车辆变道不打转向灯分析系统 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
Li et al. | Intelligent transportation video tracking technology based on computer and image processing technology | |
CN106960193A (zh) | 一种车道线检测装置和方法 | |
KR20160015091A (ko) | 교통신호제어 시스템의 보행자 검출 및 행동패턴 추적 방법 | |
KR20210158037A (ko) | 영상감시시스템에서의 고속 이동물체의 위치 및 모션 캡쳐 방법 |
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: 20160427 |
|
CF01 | Termination of patent right due to non-payment of annual fee |