CN104715231A - 一种在交通路口监控危险品运输车辆的方法及装置 - Google Patents

一种在交通路口监控危险品运输车辆的方法及装置 Download PDF

Info

Publication number
CN104715231A
CN104715231A CN201410006988.2A CN201410006988A CN104715231A CN 104715231 A CN104715231 A CN 104715231A CN 201410006988 A CN201410006988 A CN 201410006988A CN 104715231 A CN104715231 A CN 104715231A
Authority
CN
China
Prior art keywords
information
circle
current frame
frame image
pixel
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
Application number
CN201410006988.2A
Other languages
English (en)
Other versions
CN104715231B (zh
Inventor
游磊
陈美文
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.)
Shenzhen Launch Digital Technology Co Ltd
Original Assignee
Shenzhen Launch Digital 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 Shenzhen Launch Digital Technology Co Ltd filed Critical Shenzhen Launch Digital Technology Co Ltd
Priority to CN201410006988.2A priority Critical patent/CN104715231B/zh
Publication of CN104715231A publication Critical patent/CN104715231A/zh
Application granted granted Critical
Publication of CN104715231B publication Critical patent/CN104715231B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本发明适用于视频监控领域,提供了一种在交通路口监控危险品运输车辆的方法及装置,所述方法包括:采集视频流,将所述视频流转换为连续的帧图像;对当前帧图像进行场景标定及前景提取后,检测当前帧图像的前景信息中是否含有纯色的正方形区域或圆形区域危险标志,是则输出报警信息。能够准确且高效地判断拍摄到的车辆通行视频中是否出现了运输危险品的车辆,无需人工检测视频,大大降低了人力成本,且对硬件设备的处理性能要求不高,因而硬件投入成本低,具有广泛的适用性。

Description

一种在交通路口监控危险品运输车辆的方法及装置
技术领域
本发明属于视频监控领域,尤其涉及一种在交通路口监控危险品运输车辆的方法及装置。
背景技术
在智能交通领域中,智能视频监控扮演者越来越重要的角色。在一些重要区域,必须绝对禁止运输剧毒、爆炸、易燃、放射性等危险品的车辆驶入或者经过。如果运输危险货物车辆在这类区域发生事故,将带来的灾难性的事故。如何监控和管理这类运输危险品的车辆,是交通管理部门面临的一大挑战。
传统的处理方式有三种:第一设立交通检查站,由人工检测车辆是否运输危险品,然而从人力成本考虑,不可能每个路口、24小时全天候设立人力检查站;第二是通过人工监控视频,然而这样的方式不仅浪费人力,且工作效率较低;第三是在每辆车上安装卫星定位设备,通过卫星定位的方式管理和预警危险品车辆,但是该方法硬件成本过高,不适宜广泛使用。
发明内容
本发明实施例的目的在于提供一种在交通路口监控危险品运输车辆的方法及装置,旨在解决现有监控方法效率低,成本高且不宜广泛使用的问题。
本发明实施例是这样实现的,一种在交通路口监控危险品运输车辆的方法,所述方法包括:
采集视频流,将所述视频流转换为连续的帧图像;
对当前帧图像进行场景标定及前景提取后,检测当前帧图像的前景信息中是否含有纯色的正方形区域或圆形区域危险标志,是则输出报警信息。
本发明实施例的另一目的在于提供一种在交通路口监控危险品运输车辆的装置,所述装置包括:
图像采集单元,用于采集视频流,将所述视频流转换为连续的帧图像;
危险监控单元,用于对当前帧图像进行场景标定及前景提取后,检测当前帧图像的前景信息中是否含有纯色的正方形区域或圆形区域危险标志,是则输出报警信息。
在本发明实施例中,仅需对拍摄到的车辆通行情况的视频图像进行处理,在对帧图像进行场景标定及前景提取后,如果检测到帧图像的前景信息中含有纯色的正方形区域或圆形区域危险标志,则认为图像中出现了危险品运输车辆,输出报警信息。能够准确且高效地判断拍摄到的车辆通行视频中是否出现了运输危险品的车辆,无需人工检测视频,大大降低了人力成本,且对硬件设备的处理性能要求不高,因而硬件投入成本低,具有广泛的适用性。
附图说明
图1是本发明实施例提供的在交通路口监控危险品运输车辆的方法的流程图;
图2是本发明实施例提供的在交通路口监控危险品运输车辆的装置的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
如图1所示为本发明第一实施例提供的一种在交通路口监控危险品车辆的方法的流程图,为了便于说明,仅示出了与本发明实施例相关的部分。
在步骤S101中,采集视频流,将视频流转换为连续的帧图像。
在本发明实施例中,首先通过在交通路口架设的摄像头拍摄路口的车辆通行情况,采集车辆通行的视频流。然后,将采集到的视频流转换为连续的帧图像以便于后续处理。
在步骤S102中,对当前帧图像进行场景标定及前景提取后,检测当前帧图像的前景信息中是否含有纯色的正方形区域或圆形区域危险标志,是则输出报警信息。
在本发明实施例中,由于运输危险品的车辆车头或车尾一般均贴有明显呈圆形或者正方形,且颜色鲜艳统一的标志,因而只要在图像中检测到有颜色鲜艳统一的圆形或正方形标志,则认为交通路口此时出现了运输危险品的车辆,于是将有危险品运输车辆出现的报警信息输出告知监控人员。
在本发明实施例中,由于将视频流转换为帧图像之后,图像的帧数太多,如果逐一进行处理则数据量太大,因此按照预设的帧选取方法,如每隔N(N为开发人员预先确定的一个常数,如5、10、20等)秒选一帧图像进行处理等。
当选取到需要处理的帧图像后,对当前选取的帧图像进行交通场景标定,获取该图像的基本场景信息,如每一个像素点的水平距离等。并通过背景建模提取出该帧图像的前景信息,进行背景更新。然后,对提取的前景信息进行边缘检测,再通过圆拟合和线段检测获得若干候选的圆信息及候选线段信息。最后,通过预先训练的约束级联分类器的约束条件过滤得到当前帧图像中的圆形区域及正方形区域,并通过检测圆形区域及正方形区域的饱和度判断这些圆形区域和正方形区域是否是具有统一颜色的危险标志,是则输出报警信息。
具体的,步骤S102可以分为五个步骤,下面将一一进行详细描述。
第一,通过对当前帧图像进行场景标定,获取像素点的水平距离。
在本发明实施例中,标定两条平行车道线,再划定两条垂直于车道线的平行直线,使这四条直线围成一个四边形,并通过计算该四边形四个顶点的原点及像点的坐标来构建仿射变换矩阵,由仿射变换矩阵的结果推导出像素水平距离公式。
具体为,首先用直线方程表示图像中的两条平行车道线L1及L2 y = a 1 x + b 1 y = a 2 x + b 2 , 再划定两条垂直于车道线且距离为d(距离d的值由开发人员设定,优选为50个像素)的直线,则这两条直线L3及L4的方程分别为:y=a3x+b3及y=a3x+b3+d。则此时直线L1、L2、L3、L4围成的四边形的四个顶点的像素坐标为pi(ui,vi)i=1,2,3,4,其中ui与vi为像素平面坐标。若选取其中一个顶点为车道平面坐标系的坐标原点,且设车道线的纵向长度为单位1,则四个顶点的车道平面坐标为pi(xi,yi)i=1,2,3,4。因此,可以获得这四个顶点的原点(四个顶点的像素坐标)与像点(四个顶点的车道平面坐标)的对应关系为(ui,vi)~(xi,yi)i=1,2,3,4。因此,可根据DLT算法构造放射变换矩阵:
x i y i 1 0 0 0 - u i x i - u i y i 0 0 0 x i y i 1 - v i x i - v i y i a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 = u i v i , i = 1,2,3,4 ,
其中, α 1 α 2 α 3 α 4 α 5 α 6 α 7 α 8 为车道平面坐标系到像素平面坐标系的映射矩阵。
利用SVD分解算法即可求出得到映射矩阵H*
根据上述放射变换矩阵,可知,对于当前帧的任意一个像素点p(u,v)而言,采用插值的方式取p点向右偏移0.5像素的点A(u,v+0.5)和A点向下偏移1像素的点B(u+1,v+0.5);将A、B与H*代入上述仿射变换方程,求解得到点A、B在车道平面的坐标A(xa,ya)B(xb,yb);于是根据上述仿射变换方程建立数学模型可推导出,图像中任意像素X(u,v)在世界坐标下的水平距离dl=|xa-xb|=fl(X)。
因此,对于每一帧图像而言,只要将当前帧图像的两条平行车道线方程、垂直于车道线的其中一条直线方程及两条车道线的距离输入所述像素水平距离公式,获得像素点的水平距离。
第二,根据初始数帧图像所作的背景样本图集,遍历当前帧图像的每一个像素进行前景提取,并更新背景样本图集。
在本发明实施例中,首先将转换为的帧图像的初始的数帧图像保存为背景样本图集sample_set,其中,作为背景样本图集的图像的帧数会预先设置一个阈值th3,由开发者预先设置。
然后,将当前帧图像设为img(X),通过遍历当前帧的每一个像素X来与背景样本图集比较,如果某一像素与背景样本图集比较时,至少有背景样本图集帧数的五分之一满足公式 count ( i , X ) = 1 , others 0 , | img ( X ) - sample ( i , X ) | ≤ th 1 则认为该像素为背景,否则为前景图像,其中,th1表示前景分割阈值,由开发人员预先设定;count(i,X)表示与当前帧的像素相比时满足上述公式的背景样本图集帧数。因此,可知当背景样本图集帧数的至少五分之一满足上述公式时,公式 FORE ( X ) = 255 , others 0 , ∫ 0 th 3 - 1 count ( i , X ) di ≥ th 3 5 输出的结果是FORE(X)=0,代表该像素为背景;如果满足上述公式的背景样本图集帧数不到五分之一时,公式输出的结果是FORE(X)=255,代表该像素为前景;其中,FORE(X)表示前景模板。
最后,根据上述公式的结果,当输出是FORE(X)=0时,判定该像素为背景,此时就需要更新背景样本图集。其中,背景样本图集的更新方式是有两种,其一:产生一个随机的浮点数rsg(范围在0到1之间),如果rsg<th2(th2表示背景更新概率阈值,由开发人员预先设定),就产生一个随机整数rsgi(范围在0到th3-1之间),并设置新的背景样本图集sample_set(rsgi,X)=cur(X),否则不更新背景样本图集。其二:产生一个随机的浮点数rsg(范围在0到1之间),如果rsg<th2,就产生一个随机整数rsgi(范围在0到th3-1之间)并随即选取当前像素点周围8个邻域内的一个像素点Xn,设置新的背景样本图集sample_set(rsgi,Xn)=img(X),否则不更新背景样本图集。
第三,将提取的前景图像进行边缘检测获取边缘点,并对边缘点进行圆拟合及线段检测获得若干候选圆信息及候选线段信息。
在本发明实施例中,首先对提取的前景图像进行边缘检测获取边缘点。
具体为:对提取的前景图像进行高斯平滑,得到平滑图像f(x,y)后,采用2x2一阶有限差分近似式 f x ( x , y ) = f ( x + 1 , y ) - f ( x , y ) + f ( x + 1 , y + 1 ) - f ( x , y + 1 ) f y ( x , y ) = f ( x , y + 1 ) - f ( x , y ) + f ( x + 1 , y + 1 ) - f ( x + 1 , y ) 计算x和y的偏导数。将x和y的偏导数代入公式 M ( X ) = f x 2 ( X ) + f y 2 ( X ) , FORE ( X ) = 255 0 , others A ( X ) = arctan ( f x ( X ) f y ( X ) ) , 获得梯度幅值M(X)和方向A(X),其中,FORE(X)表示前景模板。在统计梯度幅值M(X)的直方图后,计算直方图的积分直方图Mihist(i)=Mihist(i-1)+Mhist(i),于是可得出高分割阈值为及低分割阈值为low_th=0.4high_th。然后沿着梯度方向的正方向分别找到最近的亮点M0和M1,如果满足条件 M ( x , y ) = M ( x , y ) , M ( x , y ) > M 0 &cap; M ( x , y ) > M 1 0 , others , 其中,M(x,y)表示梯度幅值图。则可计算出高阈值边缘图 high _ edge ( X ) = 255 , M ( X ) &GreaterEqual; high _ th 0 , others , 以及计算出低阈值边缘图 low _ edge ( X ) = 255 , M ( X ) &GreaterEqual; low _ th 0 , others . 此时,对高阈值边缘图high_edge进行扫描,当遇到一个像素点的值为255时,可以找到低阈值边缘图low_edge中所有与该像素点连通且像素值为255的像素点的集合Si,这个集合Si即为一条边缘线。将高阈值边缘图中边缘点集Si的点设为0,继续在高阈值边缘图中找像素点为255的像素点集,并重复上述步骤找到低阈值边缘图low_edge中所有与高阈值边缘图中像素值为255的像素点连通且像素值也为255的像素点的所有集合Si,直到最后高阈值边缘图的值为0,则找到了所有边缘点,形成多个边缘点组成的边缘集合S=∪Slo
然后,对边缘点进行圆拟合及线段检测获得候选圆信息及候选线段信息。其中,圆拟合与线段检测可以并行操作。
下面将分别介绍圆拟合和线段检测的过程。
圆拟合的过程为,按预定比例随机抽取多组边缘点,将提取到的多组边缘点像素值分别带入圆方程,解出多个圆信息,并从解出的多个圆信息中筛选出若干候选圆信息。
具体为,先初始化一个最佳度量值best_val=0。取一条含有|Si|个边缘点边缘线Si,从该边缘线中随机提取数个边缘点(由于圆方程是一个三元二次方程,因此提取的边缘点个数大于3,这些边缘点的集合为A),然后将所提取的边缘点的像素值代入圆方程,便可解出题去的这些边缘点所围成的圆的信息(如为圆的圆心、半径等)。然后分别计算边缘线Si中剩余的边缘点到上述计算出的圆的距离,统计距离小于2的边缘点的个数(这些边缘点集合为B)。如果最佳度量值best_val<|A∪B|,则更新最佳度量值best_val=|A∪B|,并保存上述计算出的圆的信息,作为候选圆信息。否则不更新最佳度量值,且不保存上述计算出的圆的信息。重复执行上述步骤,遍历所有的边缘点,获得若干候选圆信息的集合(Xi,ri,vrati),其中,Xi为圆的圆心、ri为圆的半径,
线段检测的过程为通过区域梯度生长获得多个线段区域,再用外接矩形描述得到若干候选线段信息。
具体为:
步骤一,将边缘检测获得的所有边缘点像素以幅值M(X)的大小按降序排序,形成表XLi=(Xi,vi),其中,所有vi=0。并依次选取vi=0的像素点Xi作为起点的区域S={Xi},设置vi=1。计算出区域S的区域方向后,提取区域S周围所有vi=0的邻域点,如果该点x与区域方向angS的夹角小于那么将v=1,S=SU{x}也就是将该点纳入S区域。并在更新区域方向(angS表示区域方向)后,重复提取区域S周围所有vi=0的邻域点并判断其与区域方向夹角的步骤,直到所有与区域方向夹角小于的点都纳入了S区域,则区域生长完成,计算S区域的面积及此时S区域的主惯性轴,将此时S区域的主惯性轴的方向作为区域主方向。
步骤二,计算完成后,将S区域旋转90度,将现在S区域的主惯性轴方向作为副方向。重复上述步骤一,计算出S区域旋转90度之后,用区域生长方法获得的新S1区域的面积。将新S1区域中心点到其他点的向量向区域主方向投影的最长距离作为长,新S1区域中心点到其他点的向量向区域副方向投影的最长距离作为宽,那么区域主方向、长和宽就组成了S区域的外接矩形,那么S区域面积除以外接矩形面积就得到密度density,如果密度density>0.7,说明该区域属于候选线段区域。
步骤三,由公式NFA(r)=(NM)5/2γB(n,k,p)及计算候选线段区域度量值,其中,NFA(r)为线段区域度量值,M、N分别表示新S1区域的长和宽,n=|S∩S1的外接矩形|,γ表示进行NFA测试的最少次数(默认为11),j是n重二项分布的一个变量(取值由k递增到n)。然后将夹角阈值分th6次乘以2-i,(i=1,...,th6),i表示乘的次数;将外接矩形的宽减短th6次,每次减短0.5*i,(i=1,...,th6),i表示减短的次数;将外接矩形区域两条长边的其中一条固定,另一条长边缩短th6次,每次缩短距离为0.25*i,(i=1,...,th6),然后将外接矩形区域已缩短的那条长边固定,另一条长边缩短th6次,每次缩短距离为0.25*i,(i=1,...,th6),i表示缩短的次数。在执行上述夹角阈值乘以2-i,(i=1,...,th6),或外接矩形的宽减短,或外接矩形区域两条长边缩短的步骤时,只要任意一次执行后,计算得到log(NFA)的值大于0,即认为该外接矩形是一条直线段。此时,外接矩形的主方向是线段方向ANG,外接矩形两条短边的中点分别是直线的起点X与终点Y。
步骤四,通过遍历所有的边缘点进行区域梯度生长及外接矩形描述得到若干候选线段信息,这些线段信息组成集合LS(X,Y,ANG),X、Y、ANG分别是线段的起点、终点及方向。
第四,将候选圆信息、候选线段信息及像素点的水平距离输入预先训练的约束级联分类器,根据约束级联分类器设定的约束条件确定当前帧图像中的圆形区域及正方形区域。其中,由于圆形区域和正方形区域并不是每帧图像均能获得,因此获得的可能是若干圆形区域,或若干正方形区域,或若干正方形区域和圆形区域的集合,对圆形区域的确定及对正方形区域的确定可并行处理。
对于圆信息而言,根据获得的将候选圆信息及像素点的水平距离(即圆的圆心Xi、半径ri、vrati及像素点的水平距离yl=fl(X)),根据圆约束公式便可排除不满足该公式的圆信息,确定当前帧图像中的圆形区域,其中,th7为预设的圆形危险标志半径阈值,sat(X)是指未进行场景标定前该帧图像的饱和度图像。
对于正方形区域而言,需要将候选线段信息进行方向抑制及距离抑制后,获取多对平行线,从所述多对平行线中选取两两互相垂直且相交区域多的组成正方形区域。首先将满足条件i∈Z的线段保留,其余线段都从线段集合LS(X,Y,ANG)中删除。从中任意抽取两条线段,如果满足条件 | ANG i - ANG j | &Element; [ - th 9 , th 9 ] &cup; [ &pi; 2 - th 9 , &pi; 2 + th 9 ] min ( dist ( X i , Y j ) , dist ( X i , X j ) , dist ( Y i , Y j ) , dist ( Y i , Y j ) ) &le; 3 就将这两条线段按照公式
AN G k = ANG i + ANG j 2 , | ANG i - ANG j | &Element; [ - th 9 , th 9 ] ANG i + ANG j + &pi; 2 , | ANG i - ANG j | &Element; [ &pi; 2 - th 9 , &pi; 2 + th 9 ] ( X k , Y k ) = arg max ( dist ( m , n ) ) ( m , n ) m &Element; { X i , Y i } n &Element; { X j , Y j } 合并为一条新的线段,其中,th9为正方形危险标志的角度偏差阈值,X、Y、ANG分别是线段的起点、终点及方向。然后删除线段集合LS(X,Y,ANG)中满足条件的所有线段,其中,th8为正方形危险标志的边长阈值。在线段集合LS(X,Y,ANG)中,如果任意两条线段满足公式 | ANG i - ANG j | &Element; [ - th 9 + &pi;n , th 9 + &pi;n ] , ( n &Element; Z ) | &Integral; X i + Y i 2 X j + Y j 2 f l ( z ) dz | th 8 &Element; [ 0.5,1.5 ] | a tan 2 ( X i + Y i - X j - Y j 2 ) - a tan 2 ( Y i - X i ) | &Element; [ &pi; 3 , 4 &pi; 3 ] | &Integral; X i Y i f l ( z ) dz | + | &Integral; X j Y j f l ( z ) dz | &Element; [ | &Integral; X i + Y i 2 X j + Y j 2 f l ( z ) dz | , 3 | &Integral; X i + Y i 2 X j + Y j 2 f l ( z ) dz | ] , 则判断这两条线段为一对平行线。遍历线段集合LS(X,Y,ANG),找出所有的平行线,组成所有平行线对集合PS(Xi,Yi,ANGi,Xj,Yj,ANGj)。最后,平行线集合PS(Xi,Yi,ANGi,Xj,Yj,ANGj)中,如果任意两对平行线互相垂直,且两对平行线相交区域多(如一对平行线的90%在另一组平行线之间),则这两对平行线组成了一个正方形。通过遍历平行线集合PS(Xi,Yi,ANGi,Xj,Yj,ANGj)得到所有正方形区域。
第五,对圆形区域及正方形区域逐一进行饱和度均值计算,当圆形区域或正方形区域的饱和度均值大于预设的颜色阈值,则判定相应的圆形区域或正方形区域为危险标志。
首先分别计算获取的圆形区域及正方形区域的饱和度均值,然后分别将每个圆形区域及正方形区域的饱和度均值与预设的颜色阈值相比较,如果大于预设的颜色阈值,则对应的圆形区域或正方形区域为危险标志,检测到危险标志,则输出报警信息。
在本发明实施例中,仅需对拍摄到的车辆通行情况的视频图像进行处理,在对帧图像进行场景标定及前景提取后,如果检测到帧图像的前景信息中含有纯色的正方形区域或圆形区域危险标志,则输出报警信息。能够准确且高效地判断拍摄到的车辆通行视频中是否出现了运输危险品的车辆,无需人工检测视频,大大降低了人力成本,且对硬件设备的处理性能要求不高,因而硬件投入成本低,具有广泛的适用性。
实施例二:
图2为本发明实施例提供的在交通路口监控危险品运输车辆的装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部份。
在本发明实施例中,在交通路口监控危险品运输车辆的装置包括:
图像采集单元21,用于采集视频流,将视频流转换为连续的帧图像;
危险监控单元22,用于对当前帧图像进行场景标定及前景提取后,检测当前帧图像的前景信息中是否含有纯色的正方形区域或圆形区域危险标志,是则输出报警信息。
其中,危险监控单元22包括五个子单元,分别为:
场景标定单元221,用于通过对当前帧图像进行场景标定,获取像素点的水平距离。
在本发明实施例中,场景标定单元221还包括:
公式推导单元2211,用于预先标定两条平行车道线,划定两条垂直于车道线的平行直线,使这四条直线围成一个四边形,并通过计算该四边形四个顶点的原点及像点的坐标来构建仿射变换矩阵,由仿射变换矩阵的结果推导出像素水平距离公式;
场景信息获取单元2212,用于将当前帧图像的两条平行车道线方程、垂直于车道线的其中一条直线方程及两条车道线的距离输入像素水平距离公式,获得像素点的水平距离。
前景提取单元222,用于根据初始数帧图像所作的背景样本图集,遍历当前帧图像的每一个像素进行前景提取,并更新背景样本图集。
边缘检测及曲线拟合单元223,用于将提取的前景图像进行边缘检测获取边缘点,并对边缘点进行圆拟合及线段检测获得若干候选圆信息及候选线段信息。
在本发明实施例中,边缘检测及曲线拟合单元223还包括:
边缘检测单元2231,用于将提取的前景图像进行边缘检测获取边缘点;
曲线拟合单元2232,用于按预定比例随机抽取多组边缘点,将提取到的多组边缘点像素值分别带入圆方程,解出多个圆信息,并从解出的多个圆信息中筛选出若干候选圆信息,并同时通过区域梯度生长获得多个线段区域,再用外接矩形描述得到若干候选线段信息。
约束分类单元224,用于将候选圆信息、候选线段信息及像素点的水平距离输入预先训练的约束级联分类器,根据约束级联分类器设定的约束条件确定当前帧图像中的圆形区域及正方形区域。
圆约束单元2241,用于将候选圆信息及像素点的水平距离逐个代入圆约束公式,满足圆约束公式的即为当前帧图像中的圆形区域;
正方形约束单元2242,用于并将候选线段信息进行方向抑制及距离抑制后,获取多对平行线,从多对平行线中选取两两互相垂直且相交区域多的组成正方形区域。
危险标志判定单元225,用于对圆形区域及正方形区域逐一进行饱和度均值计算,当圆形区域或正方形区域的饱和度均值大于预设的颜色阈值,则判定相应的圆形区域或正方形区域为危险标志,输出报警信息。
在本发明实施例中,仅需对拍摄到的车辆通行情况的视频图像进行处理,在对帧图像进行场景标定及前景提取后,如果检测到帧图像的前景信息中含有纯色的正方形区域或圆形区域危险标志,则输出报警信息。能够准确且高效地判断拍摄到的车辆通行视频中是否出现了运输危险品的车辆,无需人工检测视频,大大降低了人力成本,且对硬件设备的处理性能要求不高,因而硬件投入成本低,具有广泛的适用性。
本领域普通技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以在存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.一种在交通路口监控危险品运输车辆的方法,其特征在于,所述方法包括:
采集视频流,将所述视频流转换为连续的帧图像;
对当前帧图像进行场景标定及前景提取后,检测当前帧图像的前景信息中是否含有纯色的正方形区域或圆形区域危险标志,是则输出报警信息。
2.如权利要求1所述的方法,其特征在于,所述对当前帧图像进行场景标定及前景提取包括:
通过对当前帧图像进行场景标定,获取像素点的水平距离;
根据初始数帧图像所作的背景样本图集,遍历当前帧图像的每一个像素进行前景提取,并更新背景样本图集。
3.如权利要求2所述的方法,其特征在于,所述对当前帧图像进行场景标定,获取像素点的水平距离包括:
预先标定两条平行车道线,划定两条垂直于车道线的平行直线,使这四条直线围成一个四边形,并通过计算该四边形四个顶点的原点及像点的坐标来构建仿射变换矩阵,由仿射变换矩阵的结果推导出像素水平距离公式;
将当前帧图像的两条平行车道线方程、垂直于车道线的其中一条直线方程及两条车道线的距离输入所述像素水平距离公式,获得像素点的水平距离。
4.如权利要求2所述的方法,其特征在于,所述检测当前帧图像的前景信息中是否含有纯色的正方形或圆形区域标志包括:
将提取的前景图像进行边缘检测获取边缘点,并对边缘点进行圆拟合及线段检测获得若干候选圆信息及候选线段信息;
将候选圆信息、候选线段信息及像素点的水平距离输入预先训练的约束级联分类器,根据约束级联分类器设定的约束条件确定当前帧图像中的圆形区域及正方形区域;
对所述圆形区域及正方形区域逐一进行饱和度均值计算,当所述圆形区域或正方形区域的饱和度均值大于预设的颜色阈值,则判定相应的圆形区域或正方形区域为危险标志,输出报警信息。
5.如权利要求4所述的方法,其特征在于,所述对边缘点进行圆拟合及线段检测获得候选圆信息及候选线段信息包括:
按预定比例随机抽取多组边缘点,将提取到的多组边缘点像素值分别带入圆方程,解出多个圆信息,并从解出的多个圆信息中筛选出若干候选圆信息;并同时通过区域梯度生长获得多个线段区域,再用外接矩形描述得到若干候选线段信息。
6.如权利要求4所述的方法,其特征在于,所述将候选圆信息、候选线段信息及像素点的水平距离输入预先训练的约束级联分类器,根据约束级联分类器设定的约束条件获得当前帧图像中的圆形区域及正方形区域包括:
将候选圆信息及像素点的水平距离逐个代入圆约束公式,满足所述圆约束公式的即为当前帧图像中的圆形区域;
并将候选线段信息进行方向抑制及距离抑制后,获取多对平行线,从所述多对平行线中选取两两互相垂直且相交区域多的组成正方形区域。
7.一种在交通路口监控危险品运输车辆的装置,其特征在于,所述装置包括:
图像采集单元,用于采集视频流,将所述视频流转换为连续的帧图像;
危险监控单元,用于对当前帧图像进行场景标定及前景提取后,检测当前帧图像的前景信息中是否含有纯色的正方形区域或圆形区域危险标志,是则输出报警信息。
8.如权利要求7所述的装置,其特征在于,所述危险监控单元包括:
场景标定单元,用于通过对当前帧图像进行场景标定,获取像素点的水平距离;
前景提取单元,用于根据初始数帧图像所作的背景样本图集,遍历当前帧图像的每一个像素进行前景提取,并更新背景样本图集;
边缘检测及曲线拟合单元,用于将提取的前景图像进行边缘检测获取边缘点,并对边缘点进行圆拟合及线段检测获得若干候选圆信息及候选线段信息;
约束分类单元,用于将候选圆信息、候选线段信息及像素点的水平距离输入预先训练的约束级联分类器,根据约束级联分类器设定的约束条件确定当前帧图像中的圆形区域及正方形区域;
危险标志判定单元,用于对所述圆形区域及正方形区域逐一进行饱和度均值计算,当所述圆形区域或正方形区域的饱和度均值大于预设的颜色阈值,则判定相应的圆形区域或正方形区域为危险标志,输出报警信息。
9.如权利要求8所述的装置,其特征在于,所述场景标定单元包括:
公式推导单元,用于预先标定两条平行车道线,划定两条垂直于车道线的平行直线,使这四条直线围成一个四边形,并通过计算该四边形四个顶点的原点及像点的坐标来构建仿射变换矩阵,由仿射变换矩阵的结果推导出像素水平距离公式;
场景信息获取单元,用于将当前帧图像的两条平行车道线方程、垂直于车道线的其中一条直线方程及两条车道线的距离输入所述像素水平距离公式,获得像素点的水平距离。
10.如权利要求8所述的装置,其特征在于,所述边缘检测及曲线拟合单元包括:
边缘检测单元,用于将提取的前景图像进行边缘检测获取边缘点;
曲线拟合单元,用于按预定比例随机抽取多组边缘点,将提取到的多组边缘点像素值分别带入圆方程,解出多个圆信息,并从解出的多个圆信息中筛选出若干候选圆信息,并同时通过区域梯度生长获得多个线段区域,再用外接矩形描述得到若干候选线段信息;
所述约束分类单元包括:
圆约束单元,用于将候选圆信息及像素点的水平距离逐个代入圆约束公式,满足所述圆约束公式的即为当前帧图像中的圆形区域;
正方形约束单元,用于并将候选线段信息进行方向抑制及距离抑制后,获取多对平行线,从所述多对平行线中选取两两互相垂直且相交区域多的组成正方形区域。
CN201410006988.2A 2013-12-11 2014-01-07 一种在交通路口监控危险品运输车辆的方法及装置 Active CN104715231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410006988.2A CN104715231B (zh) 2013-12-11 2014-01-07 一种在交通路口监控危险品运输车辆的方法及装置

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN2013106743234 2013-12-11
CN201310674323 2013-12-11
CN201410006988.2A CN104715231B (zh) 2013-12-11 2014-01-07 一种在交通路口监控危险品运输车辆的方法及装置

Publications (2)

Publication Number Publication Date
CN104715231A true CN104715231A (zh) 2015-06-17
CN104715231B CN104715231B (zh) 2018-06-15

Family

ID=53414543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410006988.2A Active CN104715231B (zh) 2013-12-11 2014-01-07 一种在交通路口监控危险品运输车辆的方法及装置

Country Status (1)

Country Link
CN (1) CN104715231B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139658A (zh) * 2015-09-28 2015-12-09 宇龙计算机通信科技(深圳)有限公司 信息广播方法、信息广播装置和基站
CN105373782A (zh) * 2015-11-16 2016-03-02 深圳市哈工大交通电子技术有限公司 一种从图片或者视频中自动识别危化品车辆的方法
CN110285801A (zh) * 2019-06-11 2019-09-27 唐文 智能安全帽的定位方法及装置
CN112863190A (zh) * 2020-12-30 2021-05-28 北京北大千方科技有限公司 一种危险品运输车辆信息采集设备及采集方法
CN113610090A (zh) * 2021-07-29 2021-11-05 广州广电运通金融电子股份有限公司 印章图像识别分类方法、装置、计算机设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020145516A1 (en) * 2001-04-06 2002-10-10 Moskowitz Paul Andrew System and method for detection and notification of dangerous environmental situations in a vehicle
CN102750535A (zh) * 2012-04-01 2012-10-24 北京京东世纪贸易有限公司 自动提取图像前景的方法和系统
CN103337175A (zh) * 2013-06-22 2013-10-02 太仓博天网络科技有限公司 一种基于实时视频流的车型识别系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020145516A1 (en) * 2001-04-06 2002-10-10 Moskowitz Paul Andrew System and method for detection and notification of dangerous environmental situations in a vehicle
CN102750535A (zh) * 2012-04-01 2012-10-24 北京京东世纪贸易有限公司 自动提取图像前景的方法和系统
CN103337175A (zh) * 2013-06-22 2013-10-02 太仓博天网络科技有限公司 一种基于实时视频流的车型识别系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
於以宏: "正确认识道路运输危险品车辆标志对行车安全的重要性", 《安全生产与监督》 *
许洁琼: "基于视频图像处理的车辆检测与跟踪方法研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139658A (zh) * 2015-09-28 2015-12-09 宇龙计算机通信科技(深圳)有限公司 信息广播方法、信息广播装置和基站
CN105373782A (zh) * 2015-11-16 2016-03-02 深圳市哈工大交通电子技术有限公司 一种从图片或者视频中自动识别危化品车辆的方法
CN110285801A (zh) * 2019-06-11 2019-09-27 唐文 智能安全帽的定位方法及装置
CN112863190A (zh) * 2020-12-30 2021-05-28 北京北大千方科技有限公司 一种危险品运输车辆信息采集设备及采集方法
CN113610090A (zh) * 2021-07-29 2021-11-05 广州广电运通金融电子股份有限公司 印章图像识别分类方法、装置、计算机设备和存储介质
CN113610090B (zh) * 2021-07-29 2023-12-26 深圳广电银通金融电子科技有限公司 印章图像识别分类方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN104715231B (zh) 2018-06-15

Similar Documents

Publication Publication Date Title
CN111860695B (zh) 一种数据融合、目标检测方法、装置及设备
CN104715231A (zh) 一种在交通路口监控危险品运输车辆的方法及装置
US9607228B2 (en) Parts based object tracking method and apparatus
CN108009543A (zh) 一种车牌识别方法及装置
US20130336581A1 (en) Multi-cue object detection and analysis
CN108875803B (zh) 一种基于视频图像的危化品运输车辆检测与识别方法
CN110263795B (zh) 一种基于隐式形状模型与图匹配的目标检测方法
CN115424155B (zh) 违建检测方法、违建检测装置以及计算机存储介质
CN111241994A (zh) 一种深度学习的遥感影像农村公路砂化路段的提取方法
CN112418155A (zh) 一种检测地铁车侧巡检图像上工件的位置和类型的方法
CN112766046B (zh) 一种目标检测方法及相关装置
EP4174792A1 (en) Method for scene understanding and semantic analysis of objects
CN109191498A (zh) 基于动态记忆和运动感知的目标检测方法及系统
CN107578048A (zh) 一种基于车型粗分类的远视场景车辆检测方法
CN113888513A (zh) 一种基于深度神经网络模型的钢筋检测计数方法
Nice et al. Sky pixel detection in outdoor imagery using an adaptive algorithm and machine learning
Balci et al. Front-View Vehicle Damage Detection using Roadway Surveillance Camera Images.
CN116152685A (zh) 一种基于无人机视野下行人检测方法及系统
CN111814773A (zh) 一种划线车位识别方法及系统
CN117649577B (zh) 目标检测模型的训练方法、防外破监测预警方法及装置
Liu et al. Automated vehicle wheelbase measurement using computer vision and view geometry
CN114648736B (zh) 基于目标检测的鲁棒工程车辆识别方法及系统
CN114943903B (zh) 一种针对无人机航空图像的自适应分簇目标检测方法
Guan et al. 3D-Cnn Based Tree species classification using mobile lidar data
Rout et al. Improved Pothole Detection Using YOLOv7 and ESRGAN

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518055 Shenzhen, Nanshan District hi tech park, North West New West Road, building No. five galaxy on the third floor

Applicant after: Shenzhen Launch Digital Technology Co., Ltd.

Address before: 518055 Shenzhen, Nanshan District hi tech park, North West New West Road, building No. five galaxy on the third floor

Applicant before: Shenzhen Launch Digital Technology Co., Ltd.

GR01 Patent grant
GR01 Patent grant