CN104766047B - 基于车辆长度检测的高速收费站车辆识别方法及装置 - Google Patents
基于车辆长度检测的高速收费站车辆识别方法及装置 Download PDFInfo
- Publication number
- CN104766047B CN104766047B CN201510096541.3A CN201510096541A CN104766047B CN 104766047 B CN104766047 B CN 104766047B CN 201510096541 A CN201510096541 A CN 201510096541A CN 104766047 B CN104766047 B CN 104766047B
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- mtd
- length
- track
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于车辆长度检测的高速收费站车辆识别方法，计算机将采集到的车辆位于车道时的车道图像与对应的空车道图像分别进行边缘检测后做差，获得差分图像，对所述差分图像进行分离车道处理获得去除车道后的车辆图像，最后识别所述车辆图像中车辆的长度获得车辆的实际长度；本发明还公开了一种基于车辆长度检测的高速收费站车辆识别装置，通过本发明能够精确检测出车辆的实际长度。
Description
技术领域
本发明属于测量技术领域，具体涉及一种基于车辆长度检测的高速收费站车辆识别方法及装置。
背景技术
随着社会经济迅速发展，带动汽车工业的迅猛增长，如汽车等机动车辆成为目前社会必不可少的交通工具之一。高速公路上的收费问题成为大家广泛关注的问题，现有的高速收费办法主要包括一下两种方式：
1、采取的是计重收费。用的是动态秤，会有正负百分之五的偏差，容易引起收缴纠纷。
2、车道里的车牌识别系统。对车牌的识别率普遍不高，影响操作速度尤其现在新增了ETC(不停车收费)。
基于上述分析，根据车辆外廓尺寸测量来制定收费标准，不仅可以更加准确的对不同型号的车辆进行收费，同时可以避免部分用于货/客运用途的车辆使用者为了获取更大的经济利益，通过改装车辆尺寸以增加车辆容积，造成严重事故。
现有的车辆设别方法，还需要投入大量的人力物力，增加了太多的人为因素，故而出现误差，而且计重等收费系统往往需要复杂并且庞大的设备，不便于改进和发展。
发明内容
有鉴于此，本发明的主要目的在于提供一种基于车辆长度检测的高速收费站车辆识别方法及装置。
为达到上述目的，本发明的技术方案是这样实现的：
本发明实施例提供一种基于车辆长度检测的高速收费站车辆识别方法，其特征在于，该方法为：计算机将采集到的车辆位于车道时的车道图像与对应的空车道图像分别进行边缘检测后做差，获得差分图像，对所述差分图像进行分离车道处理获得去除车道后的车辆图像，最后识别所述车辆图像中车辆的长度获得车辆的实际长度。
上述方案中，所述计算机将采集到的车辆位于车道时的车道图像与对应的空车道图像分别进行边缘检测后做差，获得差分图像，具体为：设车辆位于车道时的车道图像为I(x,y)，空车道图像为B(x,y)；根据Sobel(索贝尔)算子分别对车道图像I(x,y)和空车道图像B(x,y)进行边缘检测，所述Sobel算子包含两组3×3的矩阵Gx和Gy，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值，对车道图像I(x,y)进行具体计算如下：
Gx＝Gx*I(x,y)，Gy＝Gy*I(x,y)
其中，Gx和Gy为卷积因子，I(x,y)为车道图像，Gx为图像中像素的横向灰度值，Gy为图像中像素的纵向向灰度值；
图像的每一个像素的横向及纵向灰度值通过以下公式结合，获得该点灰度的大小G：
采用相同处理得到空车道图像B(x,y)的边缘检测结果，对边缘处理后的I(x,y)和B(x,y)进行像素的减法处理，获得差分图像，即作为第一图像。
上述方案中，所述对所述差分图像进行分离车道处理获得去除车道后的车辆图像，具体为：将所述获得的差分图像根据形态学特征变化，先进行阈值分割，获得大致目标车辆区域，接着进行膨胀腐蚀处理消除部分孤立噪声点扩大连通域，再对其实施连通域填充处理，获得没有空洞并且能描述车辆的差分图像，即作为第二图像；将所述第二图像通过中值滤波进行平滑操作，并根据连通域的知识对连通域面积进行阈值设定，去除小面积的噪声点，提取所述第二图像中的第一车辆，获得理想第三图像，即只包含所述第一车辆的车身并无背景噪声的二值图像。
上述方案中，所述最后识别所述车辆图像中车辆的长度获得车辆的实际长度，具体为：确定所述理想第三图像中车辆的长度及同方向所述图像的长度，根据所述车辆的长度及图像长度对应比例，从像元的宽度入手，确定所述车辆的实际长度。
上述方案中，所述第二图像提取所述第二图像中的第一车辆，当所述第二图像中仅有一辆车时，直接提取出第一车辆；当所述第二图像中两辆车之间有明显空隙，以空隙为界限，分离出第一辆车，即第一车辆；当所述第二图像中两辆车之间存在遮挡，根据轮廓特征选取阈值进行检测分离出第一辆车，即第一车辆。
本发明实施例还提供一种基于车辆长度检测的高速收费站车辆识别装置，该装置包括：图像预处理单元、分离单元、识别单元；
所述图像预处理单元，用于将采集到的车辆位于车道时的车道图像与对应的空车道图像分别进行边缘检测后做差，获得差分图像，将所述差分图像发送到分离单元；
所述分离单元，用于对所述差分图像进行分离车道处理获得去除车道后的车辆图像，将所述车辆图像发送到识别单元；
所述识别单元，用于识别所述车辆图像中车辆的长度获得车辆的实际长度。
上述方案中，所述图像预处理单元，具体用于设车辆位于车道时的车道图像为I(x,y)，空车道图像为B(x,y)；根据Sobel算子分别对车道图像I(x,y)和空车道图像B(x,y)进行边缘检测，所述Sobel算子包含两组3×3的矩阵Gx和Gy，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值，对车道图像I(x,y)进行具体计算如下：
Gx＝Gx*I(x,y)，Gy＝Gy*I(x,y)
其中，Gx和Gy为卷积因子，I(x,y)为车道图像，Gx为图像中像素的横向灰度值，Gy为图像中像素的纵向向灰度值；
图像的每一个像素的横向及纵向灰度值通过以下公式结合，获得该点灰度的大小：
采用相同处理得到空车道图像B(x,y)的边缘检测结果，对边缘处理后的I(x,y)和B(x,y)进行像素的减法处理，获得差分图像，即作为第一图像。
上述方案中，所述分离单元，具体用于将所述获得的差分图像基于形态学特征变化，先进行阈值分割，获得大致目标车辆区域，接着进行膨胀腐蚀处理消除部分孤立噪声点扩大连通域，再对其实施连通域填充处理，获得没有空洞并且能描述车辆的差分图像，即作为第二图像；将所述第二图像通过中值滤波进行平滑操作，并根据连通域的知识对连通域面积进行阈值设定，去除小面积的噪声点，获得理想第三图像，即只包含车身并无背景噪声的二值图像。
上述方案中，所述识别单元，具体用于确定所述理想第三图像中车辆的长度及同方向所述图像的长度，根据所述车辆的长度及图像长度对应比例，从像元的宽度入手，确定所述车辆的实际长度。
上述方案中，所述所述分离单元，用于提取所述第二图像中的第一车辆，当所述第二图像中仅有一辆车时，直接提取出第一车辆；当所述第二图像中两辆车之间有明显空隙，以空隙为界限，分离出第一辆车，即第一车辆；当所述第二图像中两辆车之间存在遮挡，根据轮廓特征选取阈值进行检测分离出第一辆车，即第一车辆。
与现有技术相比，本发明的有益效果：
本发明运用图形图像学的知识能够精确检测并识别出车辆，然后计算出车辆的真实长度。本发明先对空车道图片和有车的车道图片都先进行边缘检测，再做背景差分，这样的算法结构，即减少了后续的计算量，也降低了背景差分中的部分噪声影响，在保证识别精度的同时也提高了识别速度，同时本发明还克服了车辆排队过站时车辆连接以及遮挡的问题。故本发明可以运用到工程实践中。
附图说明
图1为本发明实施例提供的一种基于车辆长度检测的高速收费站车辆识别方法的流程示意图；
图2为对图2预处理后的背景图像；
图3为对图3预处理后的车辆图像；
图4为图4和图5所示图像做差后得到的图像；
图5为图6中只保留车道中车辆图像；
图6为图7所述图像增强去噪后的图像；
图7为第二图像中只存在一辆车的示意图；
图8为第二图像中存在两辆车但车辆之间有明显空隙的示意图；
图9为第二图像中存在相互遮挡的两辆车的示意图；
图10为对图9所示图像中分离出的第一辆车的图像。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明实施例提供一种基于车辆长度检测的高速收费站车辆识别方法，如图1所示，该方法通过以下步骤实现：
步骤101：计算机将采集到的车辆位于车道时的车道图像与对应的空车道图像分别进行边缘检测后做差，获得差分图像。
具体的，所述车辆位于车道时的车道图像与对应的空车道图像可以通过摄像头进行采集。
对车辆位于车道时的车道图像与对应的空车道图像分别进行边缘检测减小后续运算量，再根据形态学特征进行图像增强，最后去除噪声干扰，分别获得清晰的背景图像轮廓与含有车辆图像轮廓，如图2、图3所示。
所述计算机将采集到的车辆位于车道时的车道图像与对应的空车道图像分别进行边缘检测后做差，获得差分图像，具体为：设车辆位于车道时的车道图像为I(x,y)，空车道图像为B(x,y)；根据索贝尔(sobel)算子分别对车道图像I(x,y)和空车道图像B(x,y)进行边缘检测，所述sobel算子包含两组3×3的矩阵Gx和Gy，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值，对车道图像I(x,y)进行具体计算如下：
Gx＝Gx*I(x,y)，Gy＝Gy*I(x,y)
其中，Gx和Gy为卷积因子，I(x,y)为车道图像，Gx为图像中像素的横向灰度值，Gy为图像中像素的纵向向灰度值；
图像的每一个像素的横向及纵向灰度值通过以下公式结合，获得该点灰度的大小：
采用相同处理得到空车道图像B(x,y)的边缘检测结果，对边缘处理后的I(x,y)和B(x,y)进行像素的减法处理，获得差分图像，即作为第一图像，如图4所示。
步骤102：对所述差分图像进行分离车道处理获得去除车道后的车辆图像。
具体的，对所述差分图像进行分离车道处理获得如图5所示的初级图像；对所述初级图像进行最大限度的去除无用信息的干扰提高识别率，并且再一次滤波，获得去除车道后的车辆图像，如图6所示。
将所述获得的差分图像根据形态学特征变化，先进行阈值分割，获得大致目标车辆区域，接着进行膨胀腐蚀处理消除部分孤立噪声点扩大连通域，再对其实施连通域填充处理，获得没有空洞并且能描述车辆的差分图像，即作为第二图像；将所述第二图像通过中值滤波进行平滑操作，并根据连通域的标记原理，对连通区域进行标记并计算各连通域面积，并设定阈值，去除小面积的连通域即噪声点，提取所述第二图像中的第一车辆，获得理想第三图像，即只包含所述第一车辆的车身并无背景噪声的二值图像。
所述提取第二图像中的第一车辆，当所述第二图像中仅有一辆车时，直接通过步骤中102中的连通域标记方法去除额外噪声，获取理想的第一车辆，如图7所示；当所述第二图像中两辆车之间有明显空隙，以空隙为界限，分离出第一辆车，即第一车辆，如图8所示；当所述第二图像中两辆车之间存在遮挡，根据轮廓特征选取阈值进行阈值分割，分割出第一辆车，即第一车辆，如图9所示。
其中，对于存在，遮挡的两辆车需要根据宽度来区分，由于图像是二值图像，非黑即白，扫描图像，得到每一行的目标像素值的个数，并且比较每一行的相邻行的个数，寻找差值较大的一行作为阈值，分离出两辆车，并且保留第一辆车，如图10所示。
步骤103：最后识别所述车辆图像中车辆的长度获得车辆的实际长度。
具体的，确定所述理想第三图像中车辆的长度及同方向所述图像的长度，根据所述车辆的长度及图像长度对应比例，从像元的宽度入手，确定所述车辆的实际长度。
找出所述二值图像中所有白色像素点，由轮廓得到车辆长度所占像素行数与图像全部像素行数之比h/H，因为一旦确定摄像头的位置及拍摄参数后，其拍摄出的图像大小角度也都是一样的，因此可以进行以下计算得到实际车辆的长度，已知拍摄实际长度为140，则车辆长度为140与所占行数比h/H的积。
最后，计算机根据获得车辆的实际长度在预先设置的车辆等级标准划分车辆内进行对比，根据匹配的车辆等级标准自动输出车辆收费等级。
本发明实施例还提供一种基于车辆长度检测的高速收费站车辆识别装置，该装置包括：图像预处理单元、分离单元、识别单元；
所述图像预处理单元，用于将采集到的车辆位于车道时的车道图像与对应的空车道图像分别进行边缘检测后做差，获得差分图像，将所述差分图像发送到分离单元；
所述分离单元，用于对所述差分图像进行分离车道处理获得去除车道后的车辆图像，将所述车辆图像发送到识别单元；
所述识别单元，用于识别所述车辆图像中车辆的长度获得车辆的实际长度。
所述图像预处理单元，具体用于设车辆位于车道时的车道图像为I(x,y)，空车道图像为B(x,y)；根据Sobel算子分别对车道图像I(x,y)和空车道图像B(x,y)进行边缘检测，所述Sobel算子包含两组3×3的矩阵Gx和Gy，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值，对车道图像I(x,y)进行具体计算如下：
Gx＝Gx*I(x,y)，Gy＝Gy*I(x,y)
其中，Gx和Gy为卷积因子，I(x,y)为车道图像，Gx为图像中像素的横向灰度值，Gy为图像中像素的纵向向灰度值；
图像的每一个像素的横向及纵向灰度值通过以下公式结合，获得该点灰度的大小：
采用相同处理得到空车道图像B(x,y)的边缘检测结果，对边缘处理后的I(x,y)和B(x,y)进行像素的减法处理，获得差分图像，即作为第一图像。
所述分离单元，具体用于将所述获得的差分图像基于形态学特征变化，先进行阈值分割，获得大致目标车辆区域，接着进行膨胀腐蚀处理消除部分孤立噪声点扩大连通域，再对其实施连通域填充处理，获得没有空洞并且能描述车辆的差分图像，即作为第二图像；将所述第二图像通过中值滤波进行平滑操作，并根据连通域的知识对连通域面积进行阈值设定，去除小面积的噪声点，获得理想第三图像，即只包含车身并无背景噪声的二值图像。
所述识别单元，具体用于确定所述理想第三图像中车辆的长度及同方向所述图像的长度，根据所述车辆的长度及图像长度对应比例，从像元的宽度入手，确定所述车辆的实际长度。
所述所述分离单元，用于提取所述第二图像中的第一车辆，当所述第二图像中仅有一辆车时，直接提取出第一车辆；当所述第二图像中两辆车之间有明显空隙，以空隙为界限，分离出第一辆车，即第一车辆；当所述第二图像中两辆车之间存在遮挡，根据轮廓特征选取阈值进行检测分离出第一辆车，即第一车辆。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (6)
1.一种基于车辆长度检测的高速收费站车辆识别方法，其特征在于，该方法为：计算机将采集到的车辆位于车道时的车道图像与对应的空车道图像分别进行边缘检测后做差，获得差分图像，对所述差分图像进行分离车道处理获得去除车道后的车辆图像，最后识别所述车辆图像中车辆的长度获得车辆的实际长度；
所述对所述差分图像进行分离车道处理获得去除车道后的车辆图像，具体为：将所述获得的差分图像根据形态学特征变化，先进行阈值分割，获得大致目标车辆区域，接着进行膨胀腐蚀处理消除部分孤立噪声点扩大连通域，再对其实施连通域填充处理，获得没有空洞并且能描述车辆的差分图像，即作为第二图像；将所述第二图像通过中值滤波进行平滑操作，并根据连通域的知识对连通域面积进行阈值设定，去除小面积的噪声点，提取所述第二图像中的第一车辆，获得理想第三图像，即只包含所述第一车辆的车身并无背景噪声的二值图像；
所述最后识别所述车辆图像中车辆的长度获得车辆的实际长度，具体为：确定所述理想第三图像中车辆的长度及同方向所述图像的长度，根据所述车辆的长度及图像长度对应比例，从像元的宽度入手，确定所述车辆的实际长度。
2.根据权利要求1所述的基于车辆长度检测的高速收费站车辆识别方法，其特征在于，所述计算机将采集到的车辆位于车道时的车道图像与对应的空车道图像分别进行边缘检测后做差，获得差分图像，具体为：设车辆位于车道时的车道图像为I(x,y)，空车道图像为B(x,y)；根据Sobel(索贝尔)算子分别对车道图像I(x,y)和空车道图像B(x,y)进行边缘检测，所述Sobel算子包含两组3×3的矩阵Gx和Gy，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值，对车道图像I(x,y)进行具体计算如下：
Gx＝Gx*I(x,y)，Gy＝Gy*I(x,y)
其中，Gx和Gy为卷积因子，I(x,y)为车道图像，Gx为图像中像素的横向灰度值，Gy为图像中像素的纵向向灰度值；
<mrow>
<mi>G</mi>
<mi>x</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>2</mn>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>2</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>G</mi>
<mi>y</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>2</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>2</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
图像的每一个像素的横向及纵向灰度值通过以下公式结合，获得该点灰度的大小G：
采用相同处理得到空车道图像B(x,y)的边缘检测结果，对边缘处理后的I(x,y)和B(x,y)进行像素的减法处理，获得差分图像，即作为第一图像。
3.根据权利要求1所述的基于车辆长度检测的高速收费站车辆识别方法，其特征在于：所述第二图像提取所述第二图像中的第一车辆，当所述第二图像中仅有一辆车时，直接提取出第一车辆；当所述第二图像中两辆车之间有明显空隙，以空隙为界限，分离出第一辆车，即第一车辆；当所述第二图像中两辆车之间存在遮挡，根据轮廓特征选取阈值进行检测分离出第一辆车，即第一车辆。
4.一种基于车辆长度检测的高速收费站车辆识别装置，其特征在于，该装置包括：图像预处理单元、分离单元、识别单元；
所述图像预处理单元，用于将采集到的车辆位于车道时的车道图像与对应的空车道图像分别进行边缘检测后做差，获得差分图像，将所述差分图像发送到分离单元；
所述分离单元，用于对所述差分图像进行分离车道处理获得去除车道后的车辆图像，将所述车辆图像发送到识别单元；
所述识别单元，用于识别所述车辆图像中车辆的长度获得车辆的实际长度；
所述分离单元，具体用于将所述获得的差分图像基于形态学特征变化，先进行阈值分割，获得大致目标车辆区域，接着进行膨胀腐蚀处理消除部分孤立噪声点扩大连通域，再对其实施连通域填充处理，获得没有空洞并且能描述车辆的差分图像，即作为第二图像；将所述第二图像通过中值滤波进行平滑操作，并根据连通域的知识对连通域面积进行阈值设定，去除小面积的噪声点，获得理想第三图像，即只包含车身并无背景噪声的二值图像；
所述识别单元，具体用于确定所述理想第三图像中车辆的长度及同方向所述图像的长度，根据所述车辆的长度及图像长度对应比例，从像元的宽度入手，确定所述车辆的实际长度。
5.根据权利要求4所述的基于车辆长度检测的高速收费站车辆识别装置，其特征在于：所述图像预处理单元，具体用于设车辆位于车道时的车道图像为I(x,y)，空车道图像为B(x,y)；根据Sobel算子分别对车道图像I(x,y)和空车道图像B(x,y)进行边缘检测，所述Sobel算子包含两组3×3的矩阵Gx和Gy，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值，对车道图像I(x,y)进行具体计算如下：
Gx＝Gx*I(x,y)，Gy＝Gy*I(x,y)
其中，Gx和Gy为卷积因子，I(x,y)为车道图像，Gx为图像中像素的横向灰度值，Gy为图像中像素的纵向向灰度值；
图像的每一个像素的横向及纵向灰度值通过以下公式结合，获得该点灰度的大小：
采用相同处理得到空车道图像B(x,y)的边缘检测结果，对边缘处理后的I(x,y)和B(x,y)进行像素的减法处理，获得差分图像，即作为第一图像。
6.根据权利要求4所述的基于车辆长度检测的高速收费站车辆识别装置，其特征在于：所述分离单元，用于提取所述第二图像中的第一车辆，当所述第二图像中仅有一辆车时，直接提取出第一车辆；当所述第二图像中两辆车之间有明显空隙，以空隙为界限，分离出第一辆车，即第一车辆；当所述第二图像中两辆车之间存在遮挡，根据轮廓特征选取阈值进行检测分离出第一辆车，即第一车辆。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510096541.3A CN104766047B (zh) | 2015-03-04 | 2015-03-04 | 基于车辆长度检测的高速收费站车辆识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510096541.3A CN104766047B (zh) | 2015-03-04 | 2015-03-04 | 基于车辆长度检测的高速收费站车辆识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104766047A CN104766047A (zh) | 2015-07-08 |
| CN104766047B true CN104766047B (zh) | 2017-12-19 |
Family
ID=53647861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510096541.3A Active CN104766047B (zh) | 2015-03-04 | 2015-03-04 | 基于车辆长度检测的高速收费站车辆识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104766047B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108240793A (zh) * | 2018-01-26 | 2018-07-03 | 广东美的智能机器人有限公司 | 物体尺寸测量方法、装置和系统 |
| CN109813254A (zh) * | 2019-01-15 | 2019-05-28 | 清华大学深圳研究生院 | 基于单目摄像头和测距设备的柱体体积测量方法 |
| CN114067573B (zh) * | 2022-01-11 | 2022-04-12 | 成都宜泊信息科技有限公司 | 一种停车场值守方法、系统、存储介质及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1312521A (zh) * | 2000-03-08 | 2001-09-12 | 湖南天翼信息技术有限公司 | 交通视频图像自动处理系统 |
| CN101783076A (zh) * | 2010-02-04 | 2010-07-21 | 西安理工大学 | 一种视频监控模式下的快速车型识别方法 |
| CN201556298U (zh) * | 2009-09-22 | 2010-08-18 | 上海汇像信息技术有限公司 | 一种自动停车场栏杆机控制装置 |
| CN102637362A (zh) * | 2012-04-01 | 2012-08-15 | 长安大学 | 一种基于视频的隧道车型识别方法 |
| CN202887456U (zh) * | 2012-10-31 | 2013-04-17 | 珠海高凌环境科技有限公司 | 车流量视频检测装置 |
| CN103295017A (zh) * | 2013-04-25 | 2013-09-11 | 哈尔滨工程大学 | 基于公路视频的车型识别方法 |
| 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 |
| CN103913121A (zh) * | 2014-03-05 | 2014-07-09 | 中国农业大学 | 一种车辆轮廓尺寸自动测量装置及方法 |
-
2015
- 2015-03-04 CN CN201510096541.3A patent/CN104766047B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1312521A (zh) * | 2000-03-08 | 2001-09-12 | 湖南天翼信息技术有限公司 | 交通视频图像自动处理系统 |
| CN201556298U (zh) * | 2009-09-22 | 2010-08-18 | 上海汇像信息技术有限公司 | 一种自动停车场栏杆机控制装置 |
| CN101783076A (zh) * | 2010-02-04 | 2010-07-21 | 西安理工大学 | 一种视频监控模式下的快速车型识别方法 |
| CN102637362A (zh) * | 2012-04-01 | 2012-08-15 | 长安大学 | 一种基于视频的隧道车型识别方法 |
| CN202887456U (zh) * | 2012-10-31 | 2013-04-17 | 珠海高凌环境科技有限公司 | 车流量视频检测装置 |
| CN103295017A (zh) * | 2013-04-25 | 2013-09-11 | 哈尔滨工程大学 | 基于公路视频的车型识别方法 |
| 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 |
| CN103913121A (zh) * | 2014-03-05 | 2014-07-09 | 中国农业大学 | 一种车辆轮廓尺寸自动测量装置及方法 |
Non-Patent Citations (1)
| Title |
|---|
| "车辆的实时检测与跟踪技术的研究";高秀秀;《万方数据知识服务平台》;20140917;正文第3、12-22页、图2-13、图2-15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104766047A (zh) | 2015-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105069415B (zh) | 车道线检测方法和装置 | |
| CN103177246B (zh) | 基于动态区域划分的双模型车道线识别方法 | |
| CN105938560B (zh) | 一种基于卷积神经网络的车型精细分类系统 | |
| CN103996053B (zh) | 基于机器视觉的车道偏离报警方法 | |
| CN106652445B (zh) | 一种公路交通事故判别方法及装置 | |
| CN100403332C (zh) | 用于车道偏离报警的车道线鲁棒识别方法 | |
| CN104361343B (zh) | 车辆类型识别方法及其装置 | |
| CN103837139A (zh) | 不平路面驾驶辅助设备和用于不平路面驾驶辅助的方法 | |
| CN104657727B (zh) | 一种车道线的检测方法 | |
| CN103279741B (zh) | 一种基于车载红外图像的行人预警系统及其工作方法 | |
| CN108615358A (zh) | 一种道路拥堵检测方法及装置 | |
| CN105260701B (zh) | 一种适用于复杂场景下的前方车辆检测方法 | |
| CN103593981B (zh) | 一种基于视频的车型识别方法 | |
| CN103646248B (zh) | 基于双目线阵ccd汽车底盘成像的异物检测方法 | |
| CN104008377A (zh) | 基于时空关联的地面交通标志实时检测识别方法 | |
| CN104881661B (zh) | 基于结构相似度的车辆检测方法 | |
| CN104463903A (zh) | 一种基于目标行为分析的行人图像实时检测方法 | |
| CN104766047B (zh) | 基于车辆长度检测的高速收费站车辆识别方法及装置 | |
| CN113657265B (zh) | 一种车辆距离探测方法、系统、设备及介质 | |
| CN106845444A (zh) | 一种基于弧‑点结合的车载井盖检测方法 | |
| CN102073852A (zh) | 基于最优阈值和随机标号法的多车辆分割方法 | |
| CN103927548A (zh) | 一种新的避免车辆碰撞的刹车行为检测方法 | |
| CN107886034A (zh) | 行车提醒方法、装置及车辆 | |
| CN104867332B (zh) | 基于隔帧差法的前方车道线内行驶车辆的检测方法 | |
| CN102589434B (zh) | 车辆侧滑运动的图像轮毂标识检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |