CN104537841B - 无牌车辆违章检测方法及其检测系统 - Google Patents

无牌车辆违章检测方法及其检测系统 Download PDF

Info

Publication number
CN104537841B
CN104537841B CN201410831421.9A CN201410831421A CN104537841B CN 104537841 B CN104537841 B CN 104537841B CN 201410831421 A CN201410831421 A CN 201410831421A CN 104537841 B CN104537841 B CN 104537841B
Authority
CN
China
Prior art keywords
target
unlicensed
vehicle
car
video 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
Application number
CN201410831421.9A
Other languages
English (en)
Other versions
CN104537841A (zh
Inventor
谯帅
杨凯鹏
张如高
虞正华
梁龙飞
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.)
SHANGHAI BOKANG INTELLIGENT INFORMATION TECHNOLOGY Co Ltd
Original Assignee
SHANGHAI BOKANG INTELLIGENT INFORMATION TECHNOLOGY Co Ltd
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 SHANGHAI BOKANG INTELLIGENT INFORMATION TECHNOLOGY Co Ltd filed Critical SHANGHAI BOKANG INTELLIGENT INFORMATION TECHNOLOGY Co Ltd
Priority to CN201410831421.9A priority Critical patent/CN104537841B/zh
Publication of CN104537841A publication Critical patent/CN104537841A/zh
Application granted granted Critical
Publication of CN104537841B publication Critical patent/CN104537841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

一种无牌车辆违章检测方法，包括：视频图像采集：沿车道方向通过摄像机实时采集视频图像；无牌车辆检测：在所述视频图像中检测车辆目标，并定位车辆目标的矩形车身区域；在所述矩形车身区域中检测车牌，若未检测到车牌，则相应的车辆目标为无牌车目标；无牌车辆跟踪：通过meanshift算法对无牌车目标进行跟踪，获得该无牌车目标的运行轨迹；违章检测：检测交通信号灯状态；获取无牌车目标所在道路的车道属性和道路配置；根据交通信号灯状态、车道属性和道路配置以及无牌车目标的运行轨迹，判断所述无牌车目标是否违章。

Description

无牌车辆违章检测方法及其检测系统
技术领域
本发明属于智能交通管理技术领域，尤其涉及一种无牌车辆违章检测方法及其检测系统。
背景技术
目前道路上行驶的车辆有些没有牌照，或者牌照丢失，车牌污损或故意遮挡，这些车辆对道路交通安全造成隐患，不但影响交通车辆的登记管理，而且一旦这些车辆发生事故，则无法对肇事者追究责任。为加强对车辆的规范管理，保障交通道路安全，有必要对道路上出现的无牌车进行有效的检测和跟踪，更好的掌握道路上的行车信息。
对于无牌车出现检测，一般是人工执法，通过交警设置路障在某一路口对过往车辆进行盘查，但该方法需要消耗大量人力物力，而且容易造成道路拥堵。
发明内容
基于此，针对上述技术问题，提供一种无牌车辆违章检测方法及其检测系统。
为解决上述技术问题，本发明采用如下技术方案：
一种无牌车辆违章检测方法，包括：
视频图像采集：沿车道方向通过摄像机实时采集视频图像；
无牌车辆检测：在所述视频图像中检测车辆目标，并定位车辆目标的矩形车身区域；在所述矩形车身区域中检测车牌，若未检测到车牌，则相应的车辆目标为无牌车目标；
无牌车辆跟踪：通过meanshift算法对无牌车目标进行跟踪，获取所述无牌车目标在每帧视频图像上的位置坐标，将在不同帧的同一无牌车目标的所有坐标按照时间的先后顺序串联起来，得到该无牌车目标的运动轨迹；
违章检测：检测交通信号灯状态；获取无牌车目标所在道路的车道属性和道路配置；根据交通信号灯状态、车道属性和道路配置以及无牌车目标的运行轨迹，判断所述无牌车目标是否违章。
所述违章检测步骤还包括：依据跟踪得到的目标运行轨迹，在所述无牌车目标的车头抵到停止线时，对该无牌车目标进行抓拍，在所述无牌车目标驶到斑马线上时，对该无牌车目标进行抓拍，在所述无牌车目标驶到对面路口的斑马线上，或在路口左转或右转到当前道路的交叉道路上时，对该无牌车目标进行抓拍。
所述在所述视频图像中检测车辆目标，并定位车辆目标的矩形车身区域步骤包括：
通过检测窗口多次遍历所述视频图像，该检测窗口的尺寸随遍历次数放大，计算检测窗口内的haar特征值，并通过structured svm分类器进行分类，若分类分数最大的窗口且超过预设阈值，则该区域为车辆目标的矩形车身区域。所述structured svm分类器通过具有haar特征的车辆正样本集和非车辆负样本集训练构成；
若首帧视频图像中出现超过预设阈值的区域时，则该区域为车辆目标的矩形车身区域，若后续视频图像中出现超过预设阈值的区域且上一帧视频图像中未检测到车辆目标时，则该区域为新车辆目标的矩形车身区域。
所述在所述矩形车身区域中检测车牌，若未检测到车牌，则相应的车辆目标为无牌车目标步骤包括：
利用sobel边缘检测算法得到所述矩形车身区域水平以及垂直边缘图像，对水平以及垂直边缘图像分别进行水平和垂直投影，得到车牌的上下边界和左右边界，在边界范围内通过预设标定尺度进行过滤，若未发现符合该预设标定尺度的矩形框，则相应的车辆目标为无牌车目标。
所述无牌车辆跟踪步骤还包括通过kalman滤波算法对无牌车目标的运动过程建模，通过模型获得该无牌车目标在下一帧视频图像中的预估位置，并在下一帧视频图像的预估位置通过meanshift算法对无牌车目标进行跟踪，从而获得该无牌车目标的运行轨迹。
本方案还涉及一种无牌车辆违章检测系统，包括
视频图像采集单元，用于沿车道方向通过摄像机实时采集视频图像；
无牌车辆检测单元，用于在所述视频图像中检测车辆目标，并对定位车辆目标的矩形车身区域；在所述矩形车身区域中检测车牌，若检测到车牌，则相应的车辆目标为无牌车目标；
无牌车辆跟踪单元，用于通过meanshift算法对无牌车目标进行跟踪，获取所述无牌车目标在每帧视频图像上的位置坐标，将在不同帧的同一无牌车目标的所有坐标按照时间的先后顺序串联起来，得到该无牌车目标的运动轨迹；
违章检测单元，用于检测交通信号灯状态；获取无牌车目标所在道路的车道属性和道路配置；根据交通信号灯状态、车道属性和道路配置以及无牌车目标的运行轨迹，判断所述无牌车目标是否违章；
所述违章检测单元还依据跟踪得到的目标运行轨迹，在所述无牌车目标的车头抵到停止线时，对该无牌车目标进行抓拍，在所述无牌车目标驶到斑马线上时，对该无牌车目标进行抓拍，在所述无牌车目标驶到对面路口的斑马线上，或在路口左转或右转到当前道路的交叉道路上时，对该无牌车目标进行抓拍。
所述在所述视频图像中检测车辆目标，并定位车辆目标的矩形车身区域包括：
通过检测窗口多次遍历所述视频图像，该检测窗口的尺寸随遍历次数放大，计算检测窗口内的haar特征值，并通过structured svm分类器进行分类，若分类分数最大的窗口且超过预设阈值，则该区域为车辆目标的矩形车身区域。所述structured svm分类器通过具有haar特征的车辆正样本集和非车辆负样本集训练构成；
若首帧视频图像中出现超过预设阈值的区域时，则该区域为车辆目标的矩形车身区域，若后续视频图像中出现超过预设阈值的区域且上一帧视频图像中未检测到车辆目标时，则该区域为新车辆目标的矩形车身区域。
所述在所述矩形车身区域中检测车牌，若未检测到车牌，则相应的车辆目标为无牌车目标包括：
利用sobel边缘检测算法得到所述矩形车身区域水平以及垂直边缘图像，对水平以及垂直边缘图像分别进行水平和垂直投影，得到车牌的上下边界和左右边界，在边界范围内通过预设标定尺度进行过滤，若未发现符合该预设标定尺度的矩形框，则相应的车辆目标为无牌车目标。
所述无牌车辆跟踪单元还通过kalman滤波算法对无牌车目标的运动过程建模，通过模型获得该无牌车目标在下一帧视频图像中的预估位置，并在下一帧视频图像的预估位置通过meanshift算法对无牌车目标进行跟踪，从而获得该无牌车目标的运行轨迹。
本发明不需要消耗大量的人力、物力以及财力，可有效捕捉到出现的无牌车，并对无牌车的违章行为进行记录抓拍，对规范车辆管理和交通道路安全起到积极的作用。
附图说明
下面结合附图和具体实施方式本发明进行详细说明：
图1为本发明的一种无牌车辆违章检测方法的流程图；
图2为本发明的一种无牌车辆违章检测系统的结构示意图。
具体实施方式
如图1所示，一种无牌车辆违章检测方法，包括：
S101、视频图像采集：沿车道方向通过摄像机实时采集视频图像，其中，摄像机可以采用单目高清摄像机。
S102、无牌车辆检测：
1、在视频图像中检测车辆目标，并定位车辆目标的矩形车身区域:
通过检测窗口多次遍历视频图像，该检测窗口的尺寸随遍历次数放大，计算检测窗口内的haar特征值，并通过structured svm分类器进行分类，若分类分数最大的窗口且超过预设阈值，则该区域为车辆目标的矩形车身区域。structured svm分类器通过具有haar特征(矩形特征)的车辆正样本集和非车辆负样本集训练构成。
Structured SVM可以理解为对传统SVM的一种扩展。所谓structured，是体现在svm的output上。传统的svm的输出是单变量，比如预测class label或者regression value等等。而structured svm允许学习一个分类器来产生structured output label。其输出不再局限于单个值，而可以是结构化的描述参量，比如一副图像，或目标区域，或标签序列。这样可以直接得到具体问题中需要的输出。本发明中选用目标的位置区域作为StructuredSVM的输出，其中损失函数采用检测区域和真实区域的交集与真实区域比值，然后用1减得到的。
若首帧视频图像中出现超过预设阈值的区域时，则该区域为车辆目标的矩形车身区域，若后续视频图像中出现超过预设阈值的区域且上一帧视频图像中未检测到车辆目标时，则该区域为新车辆目标的矩形车身区域。
2、在矩形车身区域中检测车牌，若未检测到车牌，则相应的车辆目标为无牌车目标：
利用sobel边缘检测算法得到矩形车身区域水平以及垂直边缘图像，对水平以及垂直边缘图像分别进行水平和垂直投影，得到车牌的上下边界和左右边界，在边界范围内通过预设标定尺度进行过滤，若未发现符合该预设标定尺度的矩形框，则相应的车辆目标为无牌车目标，其中，预设标定尺度为车牌在视频图像中的大小。
sobel边缘检测算法方法简单、计算量小、处理速度快,并且所得的边缘光滑、连续、误差率低。
S103、无牌车辆跟踪：通过meanshift算法对无牌车目标进行跟踪，获取无牌车目标在每帧视频图像上的位置坐标，将在不同帧的同一无牌车目标的所有坐标按照时间的先后顺序串联起来，得到该无牌车目标的运动轨迹，meanshift是非参数的概率密度估计方法，通过不断迭代收敛于概率密度函数的局部最大值，得到目标的最佳匹配候选区域。
meanShift算法用于视频目标跟踪时，采用目标的颜色直方图作为搜索特征，通过不断迭代均值向量使得算法收敛于目标的真实位置，从而达到跟踪的目的。meanShift算法在跟踪中有几个优势：算法计算量不大，在目标区域已知的情况下完全可以做到实时跟踪；采用核函数-直方图模型，对边缘遮挡、目标旋转、变形和背景运动不敏感。
优选的，为了减少搜索范围并避免迭代陷入局部收敛，引入对目标位置变化的预测机制，可先通过kalman滤波算法对无牌车目标的运动过程建模，通过模型获得该无牌车目标在下一帧视频图像中的预估位置，之后在下一帧视频图像的预估位置通过meanshift算法对无牌车目标进行跟踪，从而获得该无牌车目标的运行轨迹。
S104、违章检测：
1、检测交通信号灯状态，可以通过视频检测技术检测红绿灯的状态，也可以从信号检测板直接获得状态信号。
2、根据实际场景绘制道路区域和车道，设置检测功能和每个车道的属性，结合目标位置所在的车道编号，得到对无牌车目标进行检测的违章类型。
3、根据交通信号灯状态、车道属性和道路配置以及无牌车目标的运行轨迹，判断所述无牌车目标是否违章。
结合交通信号灯状态和无牌车目标的运行轨迹，判断该无牌车是否有闯红灯、不按导向车道行驶的行为；通过分析轨迹在水平、垂直方向的位移变化确定车辆的运动方向，得到车辆是左转，右转还是直行的转向信息，根据车辆当前的位置和车道属性，判断车辆是否按车道导向标识行驶；在此基础上，根据交通信号灯状态，判断车辆是否闯红灯。
4、为了丰富违章证据，依据跟踪得到的目标运行轨迹，在无牌车目标的车头抵到停止线时，对该无牌车目标进行抓拍，在无牌车目标驶到斑马线上时，对该无牌车目标进行抓拍，在无牌车目标驶到对面路口的斑马线上，或在路口左转或右转到当前道路的交叉道路上时，对该无牌车目标进行抓拍。
如图2所示，本方案还涉及一种无牌车辆违章检测系统，包括视频图像采集单元11、无牌车辆检测单元12、无牌车辆跟踪单元13以及违章检测单元14。
视频图像采集单元11用于沿车道方向通过摄像机2实时采集视频图像，其中，摄像机2可以采用单目高清摄像机。
无牌车辆检测单元12用于:
1、在视频图像中检测车辆目标，并定位车辆目标的矩形车身区域:
通过检测窗口多次遍历视频图像，该检测窗口的尺寸随遍历次数放大，计算检测窗口内的haar特征值，并通过structured svm分类器进行分类，若分类分数最大的窗口且超过预设阈值，则该区域为车辆目标的矩形车身区域。structured svm分类器通过具有haar特征(矩形特征)的车辆正样本集和非车辆负样本集训练构成。
若首帧视频图像中出现超过预设阈值的区域时，则该区域为车辆目标的矩形车身区域，若后续视频图像中出现超过预设阈值的区域且上一帧视频图像中未检测到车辆目标时，则该区域为新车辆目标的矩形车身区域。
2、在矩形车身区域中检测车牌，若未检测到车牌，则相应的车辆目标为无牌车目标：
利用sobel边缘检测算法得到矩形车身区域水平以及垂直边缘图像，对水平以及垂直边缘图像分别进行水平和垂直投影，得到车牌的上下边界和左右边界，在边界范围内通过预设标定尺度进行过滤，若未发现符合该预设标定尺度的矩形框，则相应的车辆目标为无牌车目标，其中，预设标定尺度为车牌在视频图像中的大小。
无牌车辆跟踪单元13用于通过meanshift算法对无牌车目标进行跟踪，获取无牌车目标在每帧视频图像上的位置坐标，将在不同帧的同一无牌车目标的所有坐标按照时间的先后顺序串联起来，得到该无牌车目标的运动轨迹，meanshift是非参数的概率密度估计方法，通过不断迭代收敛于概率密度函数的局部最大值，得到目标的最佳匹配候选区域。
优选的，为了减少搜索范围并避免迭代陷入局部收敛，引入对目标位置变化的预测机制，无牌车辆跟踪单元13可先通过kalman滤波算法对无牌车目标的运动过程建模，通过模型获得该无牌车目标在下一帧视频图像中的预估位置，之后在下一帧视频图像的预估位置通过meanshift算法对无牌车目标进行跟踪，从而获得该无牌车目标的运行轨迹。
违章检测单元14用于:
1、检测交通信号灯状态，可以通过视频检测技术检测红绿灯的状态，也可以从信号检测板直接获得状态信号。
2、获取无牌车目标的道路配置和车道属性。
3、根据交通信号灯状态、车道属性和道路配置以及无牌车目标的运行轨迹，判断所述无牌车目标是否违章。
结合交通信号灯状态和无牌车目标的运行轨迹，判断该无牌车是否有闯红灯、不按导向车道行驶的行为；通过分析轨迹在水平、垂直方向的位移变化确定车辆的运动方向，得到车辆是左转，右转还是直行的转向信息，根据车辆当前的位置和车道属性，判断车辆是否按车道导向标识行驶；在此基础上，根据交通信号灯状态，判断车辆是否闯红灯。
4、为了丰富违章证据，依据跟踪得到的目标运行轨迹，在无牌车目标的车头抵到停止线时，对该无牌车目标进行抓拍，在无牌车目标驶到斑马线上时，对该无牌车目标进行抓拍，在无牌车目标驶到对面路口的斑马线上，或在路口左转或右转到当前道路的交叉道路上时，对该无牌车目标进行抓拍。
本发明不需要消耗大量的人力、物力以及财力，可有效捕捉到出现的无牌车，并对无牌车的违章行为进行记录抓拍，对规范车辆管理和交通道路安全起到积极的作用。
但是，本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (8)

1.一种无牌车辆违章检测方法，包括：
视频图像采集：沿车道方向通过摄像机实时采集视频图像；
无牌车辆检测：在所述视频图像中检测车辆目标，并定位车辆目标的矩形车身区域；在所述矩形车身区域中检测车牌，若未检测到车牌，则相应的车辆目标为无牌车目标；
无牌车辆跟踪：通过meanshift算法对无牌车目标进行跟踪，获取所述无牌车目标在每帧视频图像上的位置坐标，将在不同帧的同一无牌车目标的所有坐标按照时间的先后顺序串联起来，得到该无牌车目标的运动轨迹；
违章检测：检测交通信号灯状态；获取无牌车目标所在道路的车道属性和道路配置；根据交通信号灯状态、车道属性和道路配置以及无牌车目标的运行轨迹，判断所述无牌车目标是否违章，其特征在于：
所述在所述视频图像中检测车辆目标，并定位车辆目标的矩形车身区域步骤包括：
通过检测窗口多次遍历所述视频图像，该检测窗口的尺寸随遍历次数放大，计算检测窗口内的haar特征值，并通过structured svm分类器进行分类，若分类分数最大的窗口且超过预设阈值，则该区域为车辆目标的矩形车身区域；所述structured svm分类器通过具有haar特征的车辆正样本集和非车辆负样本集训练构成；
若首帧视频图像中出现超过预设阈值的区域时，则该区域为车辆目标的矩形车身区域，若后续视频图像中出现超过预设阈值的区域且上一帧视频图像中未检测到车辆目标时，则该区域为新车辆目标的矩形车身区域。
2.根据权利要求1所述的一种无牌车辆违章检测方法，其特征在于，所述违章检测步骤还包括：依据跟踪得到的目标运行轨迹，在所述无牌车目标的车头抵到停止线时，对该无牌车目标进行抓拍，在所述无牌车目标驶到斑马线上时，对该无牌车目标进行抓拍，在所述无牌车目标驶到对面路口的斑马线上，或在路口左转或右转到当前道路的交叉道路上时，对该无牌车目标进行抓拍。
3.根据权利要求2所述的一种无牌车辆违章检测方法，其特征在于，所述在所述矩形车身区域中检测车牌，若未检测到车牌，则相应的车辆目标为无牌车目标步骤包括：
利用sobel边缘检测算法得到所述矩形车身区域水平以及垂直边缘图像，对水平以及垂直边缘图像分别进行水平和垂直投影，得到车牌的上下边界和左右边界，在边界范围内通过预设标定尺度进行过滤，若未发现符合该预设标定尺度的矩形框，则相应的车辆目标为无牌车目标。
4.根据权利要求3所述的一种无牌车辆违章检测方法，其特征在于，所述无牌车辆跟踪步骤还包括通过kalman滤波算法对无牌车目标的运动过程建模，通过模型获得该无牌车目标在下一帧视频图像中的预估位置，并在下一帧视频图像的预估位置通过meanshift算法对无牌车目标进行跟踪，从而获得该无牌车目标的运行轨迹。
5.一种无牌车辆违章检测系统，包括:
视频图像采集单元，用于沿车道方向通过摄像机实时采集视频图像；
无牌车辆检测单元，用于在所述视频图像中检测车辆目标，并对定位车辆目标的矩形车身区域；在所述矩形车身区域中检测车牌，若检测到车牌，则相应的车辆目标为无牌车目标；
无牌车辆跟踪单元，用于通过meanshift算法对无牌车目标进行跟踪，获取所述无牌车目标在每帧视频图像上的位置坐标，将在不同帧的同一无牌车目标的所有坐标按照时间的先后顺序串联起来，得到该无牌车目标的运动轨迹；
违章检测单元，用于检测交通信号灯状态；获取无牌车目标所在道路的车道属性和道路配置；根据交通信号灯状态、车道属性和道路配置以及无牌车目标的运行轨迹，判断所述无牌车目标是否违章；其特征在于:
所述在所述视频图像中检测车辆目标，并定位车辆目标的矩形车身区域包括：
通过检测窗口多次遍历所述视频图像，该检测窗口的尺寸随遍历次数放大，计算检测窗口内的haar特征值，并通过structured svm分类器进行分类，若分类分数最大的窗口且超过预设阈值，则该区域为车辆目标的矩形车身区域；所述structured svm分类器通过具有haar特征的车辆正样本集和非车辆负样本集训练构成；
若首帧视频图像中出现超过预设阈值的区域时，则该区域为车辆目标的矩形车身区域，若后续视频图像中出现超过预设阈值的区域且上一帧视频图像中未检测到车辆目标时，则该区域为新车辆目标的矩形车身区域。
6.根据权利要求5所述的一种无牌车辆违章检测系统，其特征在于，所述违章检测单元还依据跟踪得到的目标运行轨迹，在所述无牌车目标的车头抵到停止线时，对该无牌车目标进行抓拍，在所述无牌车目标驶到斑马线上时，对该无牌车目标进行抓拍，在所述无牌车目标驶到对面路口的斑马线上，或在路口左转或右转到当前道路的交叉道路上时，对该无牌车目标进行抓拍。
7.根据权利要求6所述的一种无牌车辆违章检测系统，其特征在于，所述在所述矩形车身区域中检测车牌，若未检测到车牌，则相应的车辆目标为无牌车目标包括：
利用sobel边缘检测算法得到所述矩形车身区域水平以及垂直边缘图像，对水平以及垂直边缘图像分别进行水平和垂直投影，得到车牌的上下边界和左右边界，在边界范围内通过预设标定尺度进行过滤，若未发现符合该预设标定尺度的矩形框，则相应的车辆目标为无牌车目标。
8.根据权利要求7所述的一种无牌车辆违章检测系统，其特征在于，所述无牌车辆跟踪单元还通过kalman滤波算法对无牌车目标的运动过程建模，通过模型获得该无牌车目标在下一帧视频图像中的预估位置，并在下一帧视频图像的预估位置通过meanshift算法对无牌车目标进行跟踪，从而获得该无牌车目标的运行轨迹。
CN201410831421.9A 2014-12-23 2014-12-23 无牌车辆违章检测方法及其检测系统 Active CN104537841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410831421.9A CN104537841B (zh) 2014-12-23 2014-12-23 无牌车辆违章检测方法及其检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410831421.9A CN104537841B (zh) 2014-12-23 2014-12-23 无牌车辆违章检测方法及其检测系统

Publications (2)

Publication Number Publication Date
CN104537841A CN104537841A (zh) 2015-04-22
CN104537841B true CN104537841B (zh) 2017-01-25

Family

ID=52853360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410831421.9A Active CN104537841B (zh) 2014-12-23 2014-12-23 无牌车辆违章检测方法及其检测系统

Country Status (1)

Country Link
CN (1) CN104537841B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512662A (zh) * 2015-06-12 2016-04-20 北京卓视智通科技有限责任公司 一种无牌车辆检测方法及装置
CN112184928A (zh) * 2015-09-28 2021-01-05 西安艾润物联网技术服务有限责任公司 停车场车辆进出控制方法和装置
CN105632186B (zh) * 2016-03-11 2019-01-11 博康智能信息技术有限公司 检测车辆加塞行为的方法和装置
CN105913000B (zh) * 2016-04-05 2019-06-21 浙江工业大学 一种基于视频分析的车辆跟踪方法
CN107305627B (zh) * 2016-04-22 2020-03-27 杭州海康威视数字技术股份有限公司 一种车辆视频监控方法、服务器及系统
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
CN106709476A (zh) * 2017-01-24 2017-05-24 福州市规划设计研究院 一种交叉路口od调查方法
CN107945519B (zh) * 2017-09-18 2019-12-27 孙健鹏 一种实现交通信息处理的方法及装置
CN108062552A (zh) * 2017-10-13 2018-05-22 上海眼控科技股份有限公司 一种用于车辆年检的车身喷绘智能检测系统及方法
CN107958200A (zh) * 2017-10-13 2018-04-24 上海眼控科技股份有限公司 一种轿车改装排气扇的智能检测系统及方法
CN108229407A (zh) * 2018-01-11 2018-06-29 武汉米人科技有限公司 一种视频分析中的行为检测方法与系统
CN109191856A (zh) * 2018-08-17 2019-01-11 江苏信息职业技术学院 基于大数据的车辆跟踪系统和跟踪车辆的方法
CN112255973A (zh) * 2019-07-02 2021-01-22 库卡机器人(广东)有限公司 工业生产系统中的目标检测方法、检测终端及存储介质
CN112201044B (zh) * 2020-09-28 2022-05-10 上海鸢安智能科技有限公司 道路违规车辆识别方法及系统、存储介质及终端
CN112200148B (zh) * 2020-11-06 2024-01-26 中国计量大学 一种去中心化的交通诚信评价系统
CN112329724B (zh) * 2020-11-26 2022-08-05 四川大学 机动车变道实时检测与抓拍方法
CN113158758A (zh) * 2021-02-07 2021-07-23 中国联合网络通信集团有限公司 违规使用车辆号牌的判断方法、系统、设备及存储介质
CN114023078B (zh) * 2021-10-28 2023-01-03 浙江大华技术股份有限公司 一种追踪违法车辆的方法、系统、设备及计算机存储介质
CN116092023B (zh) * 2023-02-03 2023-10-20 以萨技术股份有限公司 一种确定异常行为的数据处理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102568202A (zh) * 2011-12-23 2012-07-11 北京易华录信息技术股份有限公司 车牌遮挡检测系统及检测方法
CN103530640A (zh) * 2013-11-07 2014-01-22 沈阳聚德视频技术有限公司 基于AdaBoost与SVM的无牌车辆检测方法
CN103730009A (zh) * 2012-10-12 2014-04-16 博隆建亚科技(北京)有限公司 一种无车牌车辆检测方法及系统
CN103778786A (zh) * 2013-12-17 2014-05-07 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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8970701B2 (en) * 2011-10-21 2015-03-03 Mesa Engineering, Inc. System and method for predicting vehicle location
US9111136B2 (en) * 2012-04-24 2015-08-18 Xerox Corporation System and method for vehicle occupancy detection using smart illumination

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102568202A (zh) * 2011-12-23 2012-07-11 北京易华录信息技术股份有限公司 车牌遮挡检测系统及检测方法
CN103730009A (zh) * 2012-10-12 2014-04-16 博隆建亚科技(北京)有限公司 一种无车牌车辆检测方法及系统
CN103530640A (zh) * 2013-11-07 2014-01-22 沈阳聚德视频技术有限公司 基于AdaBoost与SVM的无牌车辆检测方法
CN103778786A (zh) * 2013-12-17 2014-05-07 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘皓.高清图像中基于车牌定位的车辆跟踪和违章检测.《中国优秀硕士学位论文全文数据库信息科技辑》.2012,(第7期),正文第2.2节、第3.3节、第3.4节、第4章和第5.3节. *

Also Published As

Publication number Publication date
CN104537841A (zh) 2015-04-22

Similar Documents

Publication Publication Date Title
CN104537841B (zh) 无牌车辆违章检测方法及其检测系统
US10885777B2 (en) Multiple exposure event determination
CN105632186B (zh) 检测车辆加塞行为的方法和装置
CN104008645B (zh) 一种适用于城市道路车道线预测及预警方法
JP7081438B2 (ja) オブジェクト速度推定方法と装置及び画像処理機器
CN105513349B (zh) 基于双视角学习的山区高速公路车辆事件检测方法
CN111368687A (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
Chen et al. Conflict analytics through the vehicle safety space in mixed traffic flows using UAV image sequences
CN107886055A (zh) 一种用于车辆运动方向判定的逆行检测方法
WO2013186662A1 (en) Multi-cue object detection and analysis
CN105608431A (zh) 一种基于车辆数目与车流速度的高速公路拥堵检测方法
Sanchez et al. Video-based distance traffic analysis: Application to vehicle tracking and counting
US20220237919A1 (en) Method, Apparatus, and Computing Device for Lane Recognition
CN110379168A (zh) 一种基于Mask R-CNN的交通车辆信息获取方法
Poddar et al. Automated traffic monitoring system using computer vision
Le et al. Vehicle count system based on time interval image capture method and deep learning mask R-CNN
CN103164958A (zh) 车辆监控方法及系统
CN112447060A (zh) 识别车道的方法、装置及计算设备
Kim et al. Visual extensions and anomaly detection in the pNEUMA experiment with a swarm of drones
Kadim et al. Real-time deep-learning based traffic volume count for high-traffic urban arterial roads
Prutha et al. Morphological image processing approach of vehicle detection for real-time traffic analysis
CN113361299A (zh) 一种异常停车的检测方法、装置、存储介质及电子设备
CN111105135A (zh) 智能城市清扫车作业监视方法和装置
CN109993081A (zh) 一种基于道路视频及车牌检测的车流量统计方法
Chai et al. Automatic vehicle classification and tracking method for vehicle movements at signalized intersections

Legal Events

Date Code Title Description
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