CN104240515B - 基于图像处理的公交专用道占道抓拍方法 - Google Patents
基于图像处理的公交专用道占道抓拍方法 Download PDFInfo
- Publication number
- CN104240515B CN104240515B CN201410467832.4A CN201410467832A CN104240515B CN 104240515 B CN104240515 B CN 104240515B CN 201410467832 A CN201410467832 A CN 201410467832A CN 104240515 B CN104240515 B CN 104240515B
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- sigma
- car
- road occupying
- 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
本发明公开了一种基于图像处理的公交专用道占道抓拍方法,步骤1,在公交车的车头和车尾各设一个摄像头,对摄像头采集到的视频图像进行预处理:步骤2,对视频图像中的公交车道进行车道检测,确定左右两个车道线在图像中出现的可能区域;步骤3,检测处于两车道线之间可能的车辆;步骤4,通过计算,来估计此可能车辆的宽度;步骤5,对符合占道车宽度的车进行处理,来最终确认此车确为占道车;步骤6,对占道车进行车牌的粗定位。本发明该方法有效解决了现有技术中出现的问题,利用图像识别得到非法占用公交车专用道的非法车辆的车牌号码,提高了公交车的运营效率,缓解了交通压力。
Description
技术领域
本发明涉及视频智能交通监控领域,尤其是涉及一种基于图像处理的公交专用道占道抓拍方法。
背景技术
随着公共交通领域的发展,公交出行成为城市居民主要的出行方式,交通拥堵问题也日益凸显。为了缓解交通压力,国家把发展城市智能交通作为城市交通领域的优先发展方向,同时加大了对这一领域的投入。很多城市都开辟了快速公交专用车道,专门供公交车行驶,从而来提高公交车的运营效率,缓解交通压力。但在实际的运营中,远未达到预定的目标,究其原因,非公交车占用公交车专用道的违章行为成为最主要的因素。在此背景下,对公交车专用道占道抓拍的需求日渐强烈,以此来遏制非法占用公交车道的违章行为的发生。
发明内容
有鉴于此,本发明的目的是提供一种基于图像处理的公交专用道占道抓拍方法,该方法有效解决了现有技术中出现的问题,利用图像识别得到非法占用公交车专用道的非法车辆的车牌号码。
为达到上述目的,本发明采用以下技术方案:
一种基于图像处理的公交专用道占道抓拍方法,其特征在于:包括如下步骤:
步骤1,在公交车的车头和车尾各设一个摄像头,对摄像头采集到的视频图像进行预处理:
步骤2,对视频图像中的公交车道进行车道检测,确定左右两个车道线在图像中出现的可能区域;
步骤3,检测处于两车道线之间可能的车辆;
步骤4,通过计算,来估计此可能车辆的宽度;
步骤5,对符合占道车宽度的车进行处理,来最终确认此车确为占道车;
步骤6,对占道车进行车牌的粗定位,在确定“可能区域”的确是车辆的基础上,将使用自适应的方式来划定“车牌存在的区域”;
步骤7,对粗定位区域进行处理,获取车牌的上下左右边界,实现车牌精确定位;
步骤8,提取出车牌图像并进行处理,结合先验知识对车牌字符进行分割;
步骤9,进行车牌识别,首先对分割出来的字符进行归一化处理,然后完成对字符的识别过程;
步骤10,将识别后的占道车牌图像信息,以及对应的抓拍图像、抓拍时间、抓拍时的GPS地理位置信息进行存储。
作为优选,所述步骤2中,在确定的可能区域内,进行边缘检测,霍夫变换,最小二乘法拟合算法以确定车道在图像中的确切位置及车道的解析方差。
作为优选,所述步骤3包括以下步骤:步骤31,在步骤3中两个车道所包围的区域以一定的比例适当进行放大,在获得的区域内的灰度图像进行两次自适应阈值处理,获取可能存在“车辆阴影”的位置;
两次自适应阈值:其中:a=μ1/σ1,b=μ2/σ2,μ1,σ1为图像的均值和标准差,μ2,σ2为第一次自适应阈值后图像的均值和方差;
步骤32,在步骤31中识别的可能的“车辆阴影”位置做水平线,找到其与左右车道线的交点并计算两交点距离L1;
步骤33,通过步骤32中所计算的距离,来估计“可能的车辆”与公交车 的距离L,如果距离小于最大可识别距离DT,则将进行步骤4;否则,将停止对获取的图片进行后续处理,以减少预算量。
作为优选,所述步骤4包括以下步骤:
步骤41,计算步骤31中“车辆阴影”水平阴影线的长度L2,并除以长度L1,进而来估计车辆宽度:对于车宽与公交车车宽差距较大的占道车直接执行步骤5,对于接近公交车尺寸的车辆可以选择允许或者禁止执行步骤5。禁止执行步骤5的,重新开始检测。
作为优选,所述步骤5中,包括以下步骤:
步骤51,通过步骤31获得的车辆阴影可能区域划定一个长宽固定比例的方形区域,对该区域图像进行水平优先的边缘检测;
步骤52,计算步骤51所获得的车辆可能区域的边缘的对称性,如果满足一定的阈值则进行步骤53,否则将停止图像处理过程;
步骤53,计算步骤51所获得的车辆可能区域的边缘的信息熵,
信息熵:其中p(li)=P(L=li),i=1,2,3,...,n;如果满足一定的阈值则进行步骤6,否则将停止图像处理过程。
作为优选,所述步骤7中,先对步骤6中所划定区域进行滤波,二值化;然后对车牌存在的区域进行水平差分,并对水平差分后的图像做垂直积分;计算水平积分最大值、次最大值的商值,如果该值较大,则认为水平积分最大值所在行穿越了车牌;否则,需要分别以“最大值”、“次最大值”所在行为初始位置连续进行水平扫描以统计其灰度跳变次数,计算满足跳变次数的两个可能的车牌位置的高度以区分“车牌”与“伪车牌”;从而确定车牌的上下边界;对所获得的区域进行纵向积分,并结合车牌自身尺寸特点来获取车牌的左边界 及右边界。
作为优选,所述步骤9中,文字的质心为GI,GJ
其中
i,j是字符图像像素点的坐标,A,B是字符图像下界和上界的坐标值,L,R是字符图像左边界和右边界的坐标值;
水平和垂直方向的散度为
通过上式,将字符尺寸归一化为2:1的比例。
作为优选,所述步骤9中,所述字符使用第二级支持向量基算法进行二次识别。
本发明的有益效果是:
本发明利用公交车车头和尾部的摄像头采集视频图像,通过对图像进行分析找出非法占用公交车专用道的非法车辆,最后得到占道车牌信息,以及对应的抓拍图像、抓拍时间、抓拍时的GPS地理位置信息,有效解决了现有技术中出现的问题,提高了公交车的运营效率,缓解了交通压力。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。
如图1所示,本发明的包括以下步骤:
步骤1,在公交车的车头和车尾各设一个摄像头,对摄像头采集到的视频图像进行预处理:
步骤2,对视频图像中的公交车道进行车道检测,确定左右两个车道线在图像中出现的可能区域;
步骤3,检测处于两车道线之间可能的车辆;
步骤31,在步骤3中两个车道所包围的区域以一定的比例适当进行放大,在获得的区域内的灰度图像进行两次自适应阈值处理,获取可能存在“车辆阴影”的位置;
两次自适应阈值:其中:a=μ1/σ1,b=μ2/σ2,μ1,σ1为图像的均值和标准差,μ2,σ2为第一次自适应阈值后图像的均值和方差;
步骤32,在步骤31中识别的“车辆阴影”位置做水平线,找到其与左右车道线的交点并计算两交点距离L1;
步骤33,通过步骤32中所计算的距离,来估计“可能的车辆”与公交车的距离L,如果距离小于最大可识别距离DT,则将进行步骤4;否则,将停止对获取的图片进行后续处理,以减少预算量。
步骤4,通过计算,来估计此可能车辆的宽度;步骤41,计算步骤31中“车辆阴影”水平阴影线的长度L2,并除以长度L1,进而来估计车辆宽度: 对于车宽与公交车车宽差距较大的占道车直接进行步骤5的处理过程,对于接近公交车尺寸的车辆可以选择允许或者禁止进行步骤5的处理过 程。
步骤5,对符合占道车宽度的车进行处理,来最终确认此车确为占道车;
步骤51,通过步骤31获得的车辆阴影可能区域划定一个长宽固定比例的方形区域,对该区域图像进行水平优先的边缘检测;
步骤52,计算步骤51所获得的车辆可能区域的边缘的对称性,如果满足一定的阈值则进行步骤53,否则将停止图像处理过程;
步骤53,计算步骤51所获得的车辆可能区域的边缘的信息熵,
信息熵:其中p(li)=P(L=li),i=1,2,3,...,n;如果满足一定的阈值则进行步骤6,否则将停止图像处理过程。
步骤6,对占道车进行车牌的粗定位,在确定“可能区域”的确是车辆的基础上,将使用自适应的方式来划定“车牌存在的区域”;
步骤7,对粗定位区域进行处理,获取车牌的上下左右边界,实现车牌精确定位;先对步骤6中所划定区域进行滤波,二值化;然后对车牌存在的区域进行水平差分,并对水平差分后的图像做垂直积分;计算水平积分最大值、次最大值的商值,如果该值较大,则认为水平积分最大值所在行穿越了车牌;否则,需要分别以“最大值”、“次最大值”所在行为初始位置连续进行水平扫描以统计其灰度跳变次数,计算满足跳变次数的两个可能的车牌位置的高度以区分“车牌”与“伪车牌”;从而确定车牌的上下边界;对所获得的区域进行纵向积分,并结合车牌自身尺寸特点来获取车牌的左边界及右边界。
步骤8,提取出车牌图像并进行处理,结合先验知识对车牌字符进行分割;
步骤9,车牌识别模块,首先对分割出来的字符进行归一化处理,然后完成对字符的识别过程;文字的质心为GI,GJ
其中
i,j是字符图像像素点的坐标,A,B是字符图像下界和上界的坐标值,L,R是字符图像左边界和右边界的坐标值;
水平和垂直方向的散度为
通过上式,将字符尺寸归一化为2:1的比例。
步骤10,将识别后的占道车牌图像信息,以及对应的抓拍图像、抓拍时间、抓拍时的GPS地理位置信息进行存储。
本实施例中,本发明的方法具体为以下步骤:
1)将位于车头和尾部的摄像头采集到的视频发送到处理单元,并对采集到的视频图像进行预处理;
2)由于公交车辆及其车道水平位置是处于一定范围内的,所以可以事先确定左右两个车道线在图像中出现的可能区域;
3)在步骤2)中所划定的车道可能存在的区域内,进行边缘检测,霍夫变换,最小二乘法拟合算法以确定车道在图像中的确切位置及车道的解析方差;
4)在步骤3)中两个车道所包围的区域以一定的比例适当进行放大,在 获得的区域内的灰度图像进行两次自适应阈值处理,获取可能存在“车辆阴影”的位置;
两次自适应阈值:
其中:a=μ1/σ1,b=μ2/σ2,
μ1,σ1为图像的均值和标准差,
μ2,σ2为第一次自适应阈值后图像的均值和方差;
5)在步骤4)中识别的“可能的车底位置”做水平线,找到其与左右车道线的交点并计算两交点距离L1;
6)通过步骤5)中所计算的距离,来估计“可能的车辆”与公交车的距离D,如果距离小于该系统最大可识别距离DT,则将进行步骤7)。否则,将停止对获取的图片进行后续处理,以减少预算量;
7)计算步骤4)中“可能的车辆阴影线”的长度L2,并除以步骤6)中所计算的“可能的车道线”与左右车道线交点的长度L1,进而来估计车辆尺寸: 对于车宽与公交车车宽差距较大的占道车,进行步骤8)的处理过程;而对于接近公交车尺寸的车辆可以选择允许或者禁止进行步骤8)的处理过程;
8)通过步骤4)获得的“车辆阴影可能区域”划定一个长宽固定比例的方形区域,对该区域图像进行水平优先的边缘检测;
9)计算步骤8)所获得的“车辆可能区域的边缘”的对称性,如果满足一定的阈值则进行步骤10),否则将停止图像处理过程;
10)计算步骤8)所获得的“车辆可能区域的边缘”的信息熵,
信息熵:其中p(li)=P(L=li),i=1,2,3,...,n;
如果满足一定的阈值则进行步骤11),否则将停止图像处理过程;
11)在步骤10)确定“可能区域”的确是车辆的基础上,将使用自适应的方式来划定“车牌存在的区域(粗)”;
12)对步骤11)中所划定区域进行滤波,二值化;
13)对步骤12)确定的“车牌存在的区域(粗)”进行水平差分,并对水平差分后的图像做垂直积分。计算水平积分最大值、次最大值的商值,如果该值较大,则认为水平积分最大值所在行穿越了车牌。否则,需要分别以“最大值”、“次最大值”所在行为初始位置连续进行水平扫描以统计其灰度跳变次数。计算满足跳变次数的两个可能的车牌位置的高度以区分“车牌”与“伪车牌”;从而确定车牌的上下边界;
14)对步骤13)所获得的区域进行纵向积分,并结合车牌自身尺寸特点来获取车牌的左边界及右边界;
15)对步骤14)确定的车牌边界条件来获取步骤12)中车牌图像;
16)对步骤15)中进行形态大小自适应的形态学运算;
17)依据步骤16)与步骤15)的处理结果,对车牌字符与背景的对比度进行增强,并结合车牌自身字体具有的尺寸、间距特点对字符进行分割;
18)对图像按照一定的尺寸进行归一化。
文字的质心为GI,GJ
其中
i,j是字符图像像素点的坐标,A,B是字符图像下界和上界的坐标值,L,R是字符图像左边界和右边界的坐标值;
水平和垂直方向的散度为
通过上式,将字符尺寸归一化为2:1的比例;
19)将步骤18)所获取到的图像提取其“特征信息”,使用已经训练好的支持向量机进行“数字识别”、“字母识别”、“汉字识别”和“字母和汉字识别”。
20)将识别后的占道车牌信息,以及对应的抓拍图像、抓拍时间、抓拍时的GPS地理位置信息进行存储。
步骤2)、步骤3)、步骤6)缩小了图像处理的区域直接减少了运算的复杂度及所占用的存储空间。步骤19)中对于易混淆的字符如:“8”和“B”,使用第二级支持向量基算法进行识别以增大对易混字符的识别率。两级支持向量基均引入“拒识”机制,以减少错误识别的几率。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于图像处理的公交专用道占道抓拍方法,其特征在于:包括如下步骤:
步骤1,在公交车的车头和车尾各设一个摄像头,对摄像头采集到的视频图像进行预处理:
步骤2,对视频图像中的公交车道进行车道检测,确定左右两个车道线在图像中出现的可能区域;
步骤3,检测处于两车道线之间可能的车辆;
步骤4,通过计算,来估计此可能车辆的宽度;
步骤5,对符合占道车宽度的车进行处理,来最终确认此车确为占道车;
步骤6,对占道车进行车牌的粗定位,在确定“可能区域”的确是车辆的基础上,将使用自适应的方式来划定“车牌存在的区域”;
步骤7,对粗定位区域进行处理,获取车牌的上下左右边界,实现车牌精确定位;
步骤8,提取出车牌图像并进行处理,结合先验知识对车牌字符进行分割;
步骤9,进行车牌识别,首先对分割出来的字符进行归一化处理,然后完成对字符的识别过程;
步骤10,将识别后的占道车牌图像信息,以及对应的抓拍图像、抓拍时间、抓拍时的GPS地理位置信息进行存储。
2.根据权利要求1所述的一种基于图像处理的公交专用道占道抓拍方法,其特征在于:所述步骤2中,在确定的可能区域内,进行边缘检测,霍夫变换,最小二乘法拟合算法以确定车道在图像中的确切位置及车道的解析方差。
3.根据权利要求1或2所述的一种基于图像处理的公交专用道占道抓拍方法,其特征在于:所述步骤3包括以下步骤:
步骤31,在步骤3中两个车道所包围的区域以一定的比例适当进行放大,在获得的区域内的灰度图像进行两次自适应阈值处理,获取可能存在“车辆阴影”的位置;
两次自适应阈值:其中:a=μ1/σ1,b=μ2/σ2,μ1,σ1为图像的均值和标准差,μ2,σ2为第一次自适应阈值后图像的均值和方差;
步骤32,在步骤31中识别的“车辆阴影”位置做水平线,找到其与左右车道线的交点并计算两交点距离L1;
步骤33,通过步骤32中所计算的距离,来估计“可能的车辆”与公交车的距离L,如果距离小于最大可识别距离DT,则将进行步骤4;否则,将停止对获取的图片进行后续处理,以减少预算量。
4.根据权利要求3所述的一种基于图像处理的公交专用道占道抓拍方法,其特征在于:所述步骤4包括以下步骤:
步骤41,计算步骤31中“车辆阴影”水平阴影线的长度L2,并除以长度L1,进而来估计车辆宽度:对于车宽与公交车车宽差距较大的占道车直接执行步骤5,对于接近公交车尺寸的车辆可以选择允许执行步骤5或者禁止执行步骤5。
5.根据权利要求4所述的一种基于图像处理的公交专用道占道抓拍方法,其特征在于:所述步骤5中,包括以下步骤:
步骤51,通过步骤31获得的车辆阴影可能区域划定一个长宽固定比例的方形区域,对该区域图像进行水平优先的边缘检测;
步骤52,计算步骤51所获得的车辆可能区域的边缘的对称性,如果满足一定的阈值则进行步骤53,否则将停止图像处理过程;
步骤53,计算步骤51所获得的车辆可能区域的边缘的信息熵,
信息熵:其中p(li)=P(L=li),i=1,2,3,...,n;如果满足一定的阈值则进行步骤6,否则将停止图像处理过程。
6.根据权利要求5所述的一种基于图像处理的公交专用道占道抓拍方法,其特征在于:所述步骤7中,先对步骤6中所划定区域进行滤波,二值化;然后对车牌存在的区域进行水平差分,并对水平差分后的图像做垂直积分;计算水平积分最大值、次最大值的商值,如果该值较大,则认为水平积分最大值所在行穿越了车牌;否则,需要分别以“最大值”、“次最大值”所在行为初始位置连续进行水平扫描以统计其灰度跳变次数,计算满足跳变次数的两个可能的车牌位置的高度以区分“车牌”与“伪车牌”;从而确定车牌的上下边界;对所获得的区域进行纵向积分,并结合车牌自身尺寸特点来获取车牌的左边界及右边界。
7.根据权利要求6所述的一种基于图像处理的公交专用道占道抓拍方法,其特征在于:所述步骤9中,文字的质心为GI,GJ
其中
i,j是字符图像像素点的坐标,A,B是字符图像下界和上界的坐标值,L,R是字符图像左边界和右边界的坐标值;
水平和垂直方向的散度为
通过上式,将字符尺寸归一化为2:1的比例。
8.根据权利要求7所述的一种基于图像处理的公交专用道占道抓拍方法,其特征在于:所述步骤9中,对于“第一级支持向量基”难以识别的字符,采用“第二级支持向量基”进行二次识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410467832.4A CN104240515B (zh) | 2014-09-15 | 2014-09-15 | 基于图像处理的公交专用道占道抓拍方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410467832.4A CN104240515B (zh) | 2014-09-15 | 2014-09-15 | 基于图像处理的公交专用道占道抓拍方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104240515A CN104240515A (zh) | 2014-12-24 |
CN104240515B true CN104240515B (zh) | 2016-09-28 |
Family
ID=52228502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410467832.4A Active CN104240515B (zh) | 2014-09-15 | 2014-09-15 | 基于图像处理的公交专用道占道抓拍方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104240515B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680794A (zh) * | 2015-02-13 | 2015-06-03 | 深圳市图敏实业有限公司 | 车载监控终端及基于该终端的公交专用道监控方法及系统 |
CN105608906A (zh) * | 2016-03-29 | 2016-05-25 | 成都理工大学 | 高速公路机动车非法占用应急车道的监控系统及实现方法 |
CN107871393B (zh) * | 2016-09-27 | 2021-06-04 | 千寻位置网络有限公司 | 一种自动判别车辆违章占用禁行车道的方法及其系统 |
CN106503640A (zh) * | 2016-10-15 | 2017-03-15 | 北海益生源农贸有限责任公司 | 一种占用公交车道的检测方法 |
CN106710227A (zh) * | 2016-12-13 | 2017-05-24 | 冯仁 | 非公交车走公交车道的监控系统 |
CN108230674B (zh) * | 2017-12-30 | 2020-05-08 | 北京工业大学 | 基于车车通信技术提高公交专用道利用率的车辆协调控制方法 |
CN110659539B (zh) * | 2018-06-28 | 2022-11-25 | 杭州海康威视数字技术股份有限公司 | 一种信息处理方法、装置及机器可读存储介质 |
JP7095537B2 (ja) * | 2018-10-02 | 2022-07-05 | トヨタ自動車株式会社 | 画像処理装置、プログラム、情報処理システム、及び制御方法 |
CN109726699A (zh) * | 2019-01-07 | 2019-05-07 | 殷鹏 | 基于人工智能的电动自行车占用机动车道识别方法 |
CN110210303B (zh) * | 2019-04-29 | 2023-04-25 | 山东大学 | 一种北斗视觉融合精准车道辨识与定位方法及其实现装置 |
CN112597945A (zh) * | 2020-12-29 | 2021-04-02 | 上海眼控科技股份有限公司 | 车辆检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000003122A (ko) * | 1998-06-26 | 2000-01-15 | 조영선 | 버스에 탑재하는 버스전용차선 위반차량 감시장치 |
KR20010104785A (ko) * | 2000-05-15 | 2001-11-28 | 이혁 | 전용차로 감시 시스템 |
CN202217385U (zh) * | 2011-09-23 | 2012-05-09 | 合肥博微安全电子科技有限公司 | 用于公交车专用车道的车辆违章占道抓拍系统 |
CN103000030A (zh) * | 2012-11-28 | 2013-03-27 | 敖卓森 | 一种公交专用车道占道抓拍方法及其装置 |
-
2014
- 2014-09-15 CN CN201410467832.4A patent/CN104240515B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000003122A (ko) * | 1998-06-26 | 2000-01-15 | 조영선 | 버스에 탑재하는 버스전용차선 위반차량 감시장치 |
KR20010104785A (ko) * | 2000-05-15 | 2001-11-28 | 이혁 | 전용차로 감시 시스템 |
CN202217385U (zh) * | 2011-09-23 | 2012-05-09 | 合肥博微安全电子科技有限公司 | 用于公交车专用车道的车辆违章占道抓拍系统 |
CN103000030A (zh) * | 2012-11-28 | 2013-03-27 | 敖卓森 | 一种公交专用车道占道抓拍方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104240515A (zh) | 2014-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104240515B (zh) | 基于图像处理的公交专用道占道抓拍方法 | |
CN103824066B (zh) | 一种基于视频流的车牌识别方法 | |
CN110443225B (zh) | 一种基于特征像素统计的虚实车道线识别方法及其装置 | |
CN103324930B (zh) | 一种基于灰度直方图二值化的车牌字符分割方法 | |
US9082038B2 (en) | Dram c adjustment of automatic license plate recognition processing based on vehicle class information | |
CN104008645B (zh) | 一种适用于城市道路车道线预测及预警方法 | |
CN109740420B (zh) | 车辆违法识别方法及相关产品 | |
CN111382704B (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
CN103136528B (zh) | 一种基于双边缘检测的车牌识别方法 | |
EP2570963A2 (en) | Systems, devices, and methods for recognizing objects as perceived from a vehicle | |
CN107506368A (zh) | 一种类案嫌疑车辆的确定方法及装置 | |
CN102682304A (zh) | 一种融合多特征的行人检测方法及装置 | |
WO2015184899A1 (zh) | 一种车辆车牌识别方法及装置 | |
CN102364496A (zh) | 一种基于图像分析的汽车车牌自动识别方法及系统 | |
CN102902957A (zh) | 一种基于视频流的自动车牌识别方法 | |
CN113822285A (zh) | 一种用于复杂应用场景的车辆违停识别方法 | |
CN101727581B (zh) | 基于字符预分割的车牌倾斜校正方法 | |
CN107909047A (zh) | 一种汽车及其应用的车道检测方法及系统 | |
WO2020146980A1 (zh) | 车道线识别方法、车道线识别装置以及非易失性存储介质 | |
CN103164697A (zh) | 一种处理时间与识别精度自适应的车牌识别方法 | |
CN109034158A (zh) | 一种车牌识别方法、装置及计算机设备 | |
CN105389561A (zh) | 一种基于视频的公交车道检测方法 | |
CN106650729A (zh) | 一种基于投影的车牌字符切割方法 | |
CN104463238A (zh) | 一种车牌识别方法和系统 | |
CN105184293A (zh) | 基于显著性区域检测的车标定位方法 |
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 |