CN105575129A - 通过视频源头分析识别车辆的方法 - Google Patents
通过视频源头分析识别车辆的方法 Download PDFInfo
- Publication number
- CN105575129A CN105575129A CN201610074191.5A CN201610074191A CN105575129A CN 105575129 A CN105575129 A CN 105575129A CN 201610074191 A CN201610074191 A CN 201610074191A CN 105575129 A CN105575129 A CN 105575129A
- Authority
- CN
- China
- Prior art keywords
- region
- signal
- moving objects
- identification
- frame
- 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
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
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明通过视频源头分析识别车辆的方法,一种基于智能交通的源头科技治超数据采集系统及方法涉及交通领域,特别是涉及一种用于在源头治理货车超载的系统和方法。其目的是为了提供一种集合了多个检测部件并利用一种特殊电路拓扑结构制成的一种基于智能交通的源头科技治超数据采集系统。本发明一种基于智能交通的源头科技治超数据采集系统包括探测台,其用于承载被测车辆,其一端设有入口,另一端设有出口;区域识别模块,其设置在所述探测台的入口;车轴识别模块,其设置在所述探测台的侧面;称重识别模块,其设置在所述探测台的底面的盲孔内,至少三个所述称重识别模块从探测台所述入口至出口均匀分布;和超限提示模块,其与所述车牌识别模、车轴识别模块、称重识别模块电连接,并将所述区域识别模块、车轴识别模块、称重识别模块的信号输出至终端。
Description
技术领域
本发明涉及交通领域,特别是涉及一种用于在源头治理货车超载的系统和方法。
背景技术
随着我国社会经济的不断发展,人力成本的越来越高,越来越多的设备趋向于实现自动化和智能化,比如道路在车辆检测领域,以前都是通过人工设置收费站来收费,现在市面上出现了红外探测车辆分离器,红外探测车辆分离器主要用于:一般公路收费站、不停车收费系统(ETC)、自动车辆分类系统(AVC)、公路计重收费系统(WIM)、固定式超限检测站、海关车辆管理系统等。
然而,应用于公路中的红外探测车辆分离器在各种恶劣环境以及过往车流的影响之下,其外表面常常被污泥附着而使得红外探测车辆分离器中发射的红外光被污泥所以遮盖,进而影响红外探测车辆分离器中红外光的发射和接收,存在着红外探测车辆分离器无法正常使用的局限性,也极大地是降低了分离车辆的准确性。如果从源头治超,则可极大地增加治理超载的效果,其中源头是指水泥厂、煤矿厂等货物集散地。
目前源头治超的基本模式是以巡查、驻站为主,这种模式将矛盾集中于执法人员和驾驶员。其中若执法人员处理稍不得当,则容易引起冲突,甚至激化矛盾、危及执法人员生命。在治理超限超载工作中这种模式普遍存在,并有增无减,随之冲突事件也频繁发生,由此说明当前被采用的治理超限超载模式本身就存在一定的问题:
1、人员投入多、治超效率低;
2、容易发生交通堵塞现象;
3、巩固治超成果难度加大。
源头科技治超系统的建设将更规范化地推进源头治超工作,同时节省了管理人员的往返巡查奔波的时间,节约了大量资金,提高了工作效率。
传统的颜色号牌视频检测方法中,由于天气能见度的原因(如雾霾)经常出现号牌识别不准确的现象。众所周知,机器视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。在对视频图像的分析中,基于序列图像的对物体运动的监测包含多种类型,如自体运动(监测摄像机的三维刚性运动)、图像跟踪(跟踪运动的物体)。而图像跟踪技术,是提高视频图像识别率的重要技术。本例中将详细描述视屏序列中运动目标的跟踪。而图像跟踪技术中,图像因雾气、不同空气层之间的折射、反射现象导致运动对象发生漂移,严重影响了图像识别的准确性,从而产生了误判的情况,加剧了执法人员和司机人员之间的矛盾。
故,目前亟需一种在整合各种检测模块而输出检测结果的方法。
发明内容
本发明要解决的技术问题是提供一种集合了多个检测部件并利用一种特殊电路拓扑结构制成的一种基于智能交通的源头科技治超数据采集系统。
通过视频源头分析识别车辆的方法,包括如下步骤:
S100、所述区域识别模块检测被测车辆的号牌的颜色,生成车牌的颜色信号,并传输至所述超限提示模块;
所述车轴识别模块检测被测车辆的车轴的数量,生成轴数信号,并传输至所述超限提示模块;
所述称重识别模块检测被测车辆的单轮的重量,生成单轮的重量信号,并传输至所述超限提示模块;
S200、所述超限提示模块根据所述车牌的颜色信号、轴数信号、单轮的重量信号判断被测车辆是否超载,并输出至终端。
本发明一种基于智能交通的源头科技治超数据采集系统与现有技术不同之处在于本发明一种基于智能交通的源头科技治超数据采集系统本发明通过所述超限提示模块50将所述车牌识别模、车轴识别模块30、称重识别模块40的信号汇总,并转模为视频信号并输出给终端,从而节省了检测人员检测的时间。本发明简化了先目测号牌,再目测轴距、轴数,最后查看结果的麻烦。并且其可为源头治超的治安处罚提供证据,极大程度上解决了检测人员与涉案人员的矛盾。
下面结合附图对本发明的一种基于智能交通的源头科技治超数据采集系统作进一步说明。
附图说明
图1是一种基于智能交通的源头科技治超数据采集系统的结构示意图。
具体实施方式
如图1所示,本发明一种基于智能交通的源头科技治超数据采集系统包括:
探测台10,其用于承载被测车辆,其一端设有入口,另一端设有出口;
区域识别模块20,其设置在所述探测台10的入口;
车轴识别模块30,其设置在所述探测台10的侧面;
称重识别模块40,其设置在所述探测台10的底面的盲孔内,至少三个所述称重识别模块40从探测台10所述入口至出口均匀分布;和
超限提示模块50,其与所述车牌识别模、车轴识别模块30、称重识别模块40电连接,并将所述区域识别模块20、车轴识别模块30、称重识别模块40的信号输出至终端。
所述探测台10为的截面为凹字形,其前后端分别为被测车辆的入口和出口。探测台10的入口的两侧分别设有区域识别模块20,探测台10的两侧面均设有车轴识别模块30。所述探测台10的两侧面的宽度为3米。探测台10的地面的左右两侧分别设有称重识别模块40,所述称重识别模块40位于被测车辆的轮毂的正下方。
本发明通过所述超限提示模块50将所述车牌识别模、车轴识别模块30、称重识别模块40的信号汇总,并转模为视频信号并输出给终端,从而节省了检测人员检测的时间。本发明简化了先目测号牌,再目测轴距、轴数,最后查看结果的麻烦。并且其可为源头治超的治安处罚提供证据,极大程度上解决了检测人员与涉案人员的矛盾。
所述车轴识别模块30为红外探测车辆分离器,其包括
发射器,其用于发射红外光;
接收器,其用于接收所述发射器发射的红外光;和
控制器,其用于读取并处理发射器和接收器通过红外光形成的扫描信号,提供输出信号;
所述的发射器包括第一灯罩,所述第一灯罩内设置有十个红外发射灯管,所述红外发射灯管位于同一条水平线,所述接收器包括第二灯罩,所述第二灯罩内设置有与所述红外发射灯管一一对应的红外接收灯管,所述红外发射灯管发射红外线的方向设有透明的玻璃,所述红外接收灯管接收红外线的方向也设有透明的玻璃,所述红外发射灯管和所述红外接收灯管连接并形成扫描信号区域,所述控制器分别与所述发射器和所述接收器电连接,所述第一灯罩和第二灯罩外表面上设有清洗装置,所述清洗装置与所述控制器电连接。
本发明红外探测车辆分离器包括由发射器、接收器、控制器,发射器安装有十个个红外发射管,接收器安装有十个个红外接收管。当红外发射管发出的调制信号能顺利到达红外接收管,红外接收管接收到调制信号后,进行光电转换,而在有障碍物的情况下,红外发射管发出的调制信号不能顺利到达红外接收管,这时该红外接收管接收不到调制信号,从而无法进行光电转换。这样,通过控制器对内部电路状态的通断转换值的分析,可以检测到车辆是否分离的信息。
本发明采用这种结构的有益效果为:相比于现有技术,红外发射灯管和红外接收灯管外设置有灯罩,这样能够减小外部环境对红外探测车辆分离器的影响,红外发射灯管和红外接收灯管采用的数量分别都为十个,这样既能够形成一个红外线间距合适光幕,技能合理检测车辆又不会造成浪费,同时灯罩外表面还设置有清洗装置,清洗装置能够保证灯罩外的清洁,使得分离器不会因为外面不清洁而影响分离器的准确性。
所述第一灯罩和第二灯罩都包括一个长方形的支架,所述透明玻璃安装在所述支架上,所述支架采用不锈钢材料。
其中,第一灯罩和第二灯罩都包括一个长方形的支架,透明玻璃安装在支架上,支架采用不锈钢材料。长方形支架下端设置有底座,底座地面为平面。
底座主要用于支撑支架,底座可以为一块水平的底板,底板可以为圆形的、长方形的、正方形的,在此不做限定,发射器和接收器的支架尺寸都是一致的,这样可以更好的保证红外发射管和红外接收灯管一一对应形成扫描信号区域。
其中,第一灯罩和第二灯罩内设置有加热装置,加热装置与控制器连接,控制器控制加热装置运行。
加热装置可以在天气寒冷的天气使用,保证分离器的外表面不会结冰,成为影响分离器的使用。
其中,红外探测车辆分离器还包括显示装置,显示装置与控制器连接,显示装置用于显示控制器的输出信号。
显示装置可以将控制器的检测结果显示出来,使得红外探测车辆分离器的功能更加完整和人性化。
其中,警示装置,警示装置用于提示故障,警示装置与控制器连接,警示装置包括报警喇叭。
当控制器检测到问题时,控制器可以通过警示装置发出警示,通常是通过报警喇叭向外发出警示,当然也可以采用其他的警示方式,比如,警示装置包括LED灯,控制器控制LED灯向外发出警示。
其中,控制器独立设在发射器和接收器的外侧。这样控制器与发射器和接收器连接时更加方便。
其中,清洗装置活动于第一灯罩和第二灯罩的外表面,清洗装置包括储水箱、水泵、输水管和喷水嘴,水泵将储水箱中的洗涤水由输水管输入喷水嘴,经由喷水嘴向第一灯罩和第二灯罩外表面喷水清洗。
所述称重识别模块40包括
称重仪表,其设置在所述探测台10的底面的盲孔的顶部,其与所述超限提示模块50连接;和
称重轮轴识别传感器,其为薄膜开关,其设置在所述探测台10的底面的盲孔的底部,其顶部设有按钮,其在称重仪表工作时,向所述超限提示模块50发出工作信号。
本发明对汽车衡称重系统的称重识别接口系统进行了改进,通过对称重识别接口系统的接口装置进行扩容,该接口装置设置有多个接口单元,所述多个接口单元分别为针对不同汽车衡仪表协议的接口单元,这样,提高了称重识别接口系统的通用性,使得其能够应用与不同协议接口的汽车衡,有利于汽车衡系统产品的采购、升级以及维修使用等。
本发明还包括车型判断单元,所述车型判断单元与所述轮轴识别单元连接,所述车型判断单元根据所述轮轴的数量判断车辆的车型。
本发明还包括超限判定单元,所述超限判定单元分别与所述称重仪表、车型判断单元连接。
本发明还包括一传输装置,所述超限判定单元通过所述传输装置分别与所述称重仪表、车型判断单元连接,所述传输装置接收所述称重仪表、车型判断单元的信号并传输至所述超限判定单元。
本发明还包括显示装置以及报警装置,所述显示装置与所述传输装置连接,所述报警装置与所述超限判定单元连接。
在使用时,汽车衡根据产品型号对应的接上接口,其称重仪表首先发送接口协议到称重识别接口系统中,称重识别接口系统根据识别软件识别检测称重仪表型号,实现接口的对接。其次,在完成接口对接后,即可识别称重仪表的称重数据,读取称重重量。
本发明还包括通信模块,所述超限提示模块50通过所述通信模块与所述车牌识别模、车轴识别模块30、称重识别模块40电连接;
所述通信模块包括
分别配置在所述车牌识别模、车轴识别模块30、称重识别模块40上的车牌无线发射模块、车轴无线发射模块、称重无线发射模块;
与所述车牌无线发射模块、车轴无线发射模块、称重无线发射模块无线连接的无线接收模块;和
分别与所无线接收模块和所述超限提示模块50连接的服务器。
传统的颜色号牌视频检测方法中,由于天气能见度的原因(如雾霾)经常出现号牌识别不准确的现象。众所周知,机器视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。在对视频图像的分析中,基于序列图像的对物体运动的监测包含多种类型,如自体运动(监测摄像机的三维刚性运动)、图像跟踪(跟踪运动的物体)。而图像跟踪技术,是提高视频图像识别率的重要技术。本例中将详细描述视屏序列中运动目标的跟踪。而图像跟踪技术中,图像因雾气、不同空气层之间的折射、反射现象导致运动对象发生漂移,严重影响了图像识别的准确性,从而产生了误判的情况,加剧了执法人员和司机人员之间的矛盾。
为解决上述技术问题,本发明采用如下方法:
通过视频源头分析识别车辆的方法,其特征在于包括如下步骤:
S100、所述区域识别模块20检测被测车辆的号牌的颜色,生成车牌的颜色信号,并传输至所述超限提示模块50;
所述车轴识别模块30检测被测车辆的车轴的数量,生成轴数信号,并传输至所述超限提示模块50;
所述称重识别模块40检测被测车辆的单轮的重量,生成单轮的重量信号,并传输至所述超限提示模块50;
S200、所述超限提示模块50根据所述车牌的颜色信号、轴数信号、单轮的重量信号判断被测车辆是否超载,并输出至终端。
本发明通过区域识别模块20、车轴识别模块30、称重识别模块40的信号数据统一由超限提示模块50进行处理,通过本发明的超限提示模块进行同一控制、统一处理来计算被测车辆是否超载,从而在源头对其进行源头限超治理。
其中,在S100的所述称重识别模块40识别被测车辆的单轮的重量的步骤中,还包括如下步骤:
S101、所述称重仪表检测被测车辆的重量信号;
S102、所述称重轮轴识别传感器检测所述称重仪表的工作时间大于1.5s的次数N,并且将N作为称重轮数信号传输至所述超限提示模块50;
当称重轮数信号与所述轴数信号不同时,则重新开始步骤S100;
当称重轮数信号与所述轴数信号相同时,则跳转至步骤S200。
其中,其特征在于在S100的所述区域识别模块20检测被测车辆的号牌的颜色的步骤中,还包括所述区域识别模块20对运动对象的跟踪的步骤,其包括如下步骤:
S111、运动对象参数的初始化:对被测车辆的车牌的中心位置和区域大小进行捕捉;
S112、对象匹配:将当前帧中检测到的运动对象与以前20帧的任意一帧的运动对象进行比较,若运动对象的中心位置的比较结果满足第一预设阈值且运动对象的区域大小的比较结果满足第二预设阈值,则生成运动对象的运动轨迹、运动速度;
若运动对象的中心位置的比较结果不满足第一预设阈值或运动对象的区域大小的比较结果不满足第二预设阈值,则重新开始步骤S100;
S113、运动对象参数的更新:捕捉所述当前帧的运动对象的区域大小参数、中心位置参数,并将以前20帧的任意一帧的运动对象的区域大小参数、中心位置参数替换为当前帧的运动对象的区域大小参数、中心位置参数,并更新运动对象的运动轨迹、速度。
S114、运动对象高亮化:当运动对象的运动轨迹的连续性高于第三预设阈值且运动对象的运动速度低于第四预设阈值时,将当前帧的运动对象的区域的边框进行高亮化处理,并识别当前正在跟踪的所有运动对象的车牌颜色信息;
当运动对象的运动轨迹的连续性低于第三预设阈值且运动对象的运动速度高于第四预设阈值时,则重新开始步骤S100。
其中,第一预设阈值为:以500像素为半径的圆形的覆盖区域。第二预设阈值为:90000像素的面积的差值,即正负90000像素的面积。第三预设阈值为:弧度为直径5000像素长度的100°劣弧的弯曲度。第四阈值为500像素长度/秒。
本发明采用了定位中心位置和定位区域大小,并依据上述指标的跟踪化处理,当符合满足预设的轨迹路线和速度要求时,才开始识别颜色,大幅度地提高了颜色识别的概率。
其中,在S114步骤中,车牌颜色的识别方法包括如下步骤:
区域识别模块20读取指定内存中的数据形成当前运动对象的帧在屏幕上显示,同时对运动对象的帧中的矩形的单一颜色的区域的每个像素进行扫描,把每个像素值分解为白、黄、蓝三种颜色分量,与软件中设置的80%蓝色阈值、80%白色阈值、80%黄色阈值进行比较,判断该单一颜色的区域在上述哪个颜色阈值内,读取在阈值内的单一颜色的区域的不同时刻的图像数据,分析单一颜色的区域的同一像素在不同时刻的亮度变化,将变化次数与第六阈值比较,判断该像是否符合闪烁像素,输出判断结果,如果认为该场景中不存在闪烁像素,则计算机发出指令控制视屏切换区域识别模块20的两个输出端切换到下一区域识别模块20进行分析,区域识别模块20直接读取内存中的数据作后台处理,红外线的强度在图像中往往表现为亮度的强弱,对推按个灰度值进行连续扫描,通过与第七阈值进行比较确定图像中的可疑区域,最后将两个通道确定的异常区域进行相关性分析,输出车牌的颜色的识别信号。
其中第六阈值为2次。
本发明通过对于车牌的像素进行颜色分析,并通过继续分析其亮度的变化,判断该颜色是否为常态下的亮度,而非光线反射、折射后的杂光的颜色,从而准确地判断车牌的颜色。
其中,分析单一颜色的区域的同一像素在不同时刻的亮度变化,将变化次数与第六阈值比较,判断该像是否符合闪烁像素的识别方法还包括如下步骤:
区域识别模块20利用单一颜色的区域的边缘上的至多四个拐角的像素点配置为选定点,并选定点将选定点的位置与之前20帧的位置进行比较,若选定点与之前20帧的位置距离大于200像素时,则判断该像为闪烁像素。
目前实现帧处理的主要方式有基于通用PC微机、单片机、通用和专用DSP、FPGA来进行目标识别的。在通用PC机上主要是通过软件进行数字帧的处理工作,要占用CPU的大量资源,只能够提供一般的帧处理效果且速度较慢,而且受到微机体积和重量的影响,便携性和机动性不够好。单片机功能不够强大,处理器受到速度和内核结构的影响,使得应用范围受很大限制,只能处理比较简单的数字信号,很难达到实时的要求。采用通用专用DSP时,区域识别模块20的应用范围和实时性将会受到一定的限制。
自动目标识别过程实际上是一个帧处理的过程,其方法主要有模板匹配法和神经网络法。运用模板匹配法进行识别跟踪,可以取得不错的跟踪效果,但缺点是对识别区域识别模块20存储要求高,识别时计算量大,跟踪的时间较长,另外对噪声敏感。神经网络方法具有检测速度快、容错性好、能同时检测出多个目标等优点,主要缺点是检测的准确性由训练样本的数量决定。由于目标运动轨迹数目非常大,应用神经网络作检测在训练时间和收敛性方面可能存在一些问题。上述方法大多能够准确的检测目标,但因计算量比较大而不能满足一些实时区域识别模块20对快速性处理的要求。采用结构比较简单的算法,难以保证自动目标识别的准确率;而复杂程度较高的算法,对内存和CPU的要求也较高,不利于硬件实现。
为解决上述问题,本发明车牌颜色的识别还包括如下步骤:
区域识别模块20包括由处理器、电源、复位和JTAG组成的DSP最小区域识别模块20,FPGA帧预处理单元,视频编码单元,以太网通信单元,WIFI单元以及扩展存储器单元;CCD采集的模拟视频信号通过视频解码单元进行数字化,送入FPGA帧预处理单元进行帧预处理,再将预处理之后的数字帧信号输入到DSP最小区域识别模块20,使用覆盖算法进行目标识别,最后把结果进行视频编码并通过以太网通信单元和WIFI单元进行通信;扩展存储器单元与DSP最小区域识别模块20相连接;
所述的覆盖算法通过处理器对运动目标进行识别;传统的特征提取通常采用基于区域外接矩形的方法,在覆盖算法中,使用圆代替矩形进行特征提取;取区域的质心作为同心圆的中心,并进一步提出面积比和同心圆比,共2n个特征量作为目标识别的特征,从而实现了识别过程中的平移、比例和旋转不变性;
对一帧运动对象的当前帧做拆分处理,然后对得到的拆分帧做区域标记,得到帧中的多个区域;
提取每个区域的面积比特征Ai,
其中Ai=(Xi/Yi)*100%(1≤i≤n),
所述Xi是包含i个同心圆内的目标面积,Yi是第i个同心圆的面积;
步骤三:提取每个区域的同心圆比例特征Pi,
其中Pi=(Ni/Mi)*100%(1≤i≤n),
所述Ni是第i个同心圆与区域重合的像素数,Mi是第i个同心圆的周长;
识别时先判断特征Ai是否成立,如果成立,则进一步判断特征Pi;如果各面积比特征Ai符合判断标准,则绘制同心圆,根据同心圆提取特征Pi,进一步判断;如果面积比特征Ai和其对应的同心圆比例特征Pi不能同时满足标准,则转到下一个区域判断,直到一帧帧的所有区域判断完成;如果有一个区域Ai和Pi特征全部在指定范围内,则可认定该区域为目标区域,其重心将由十字标出,并把识别结果通过WIFI单元发送到基站;然后继续下一帧帧,重复步骤一、二、三提取帧特征,进行目标识别;
所述的扩展存储器单元为采用2片4M×32bitSDRAM合成64位存储器接到处理器的CEO空间,采用4M×8bit的FLASH存储器AM29LV033接到处理器的CE1空间,并使用处理器的GPIO口对FLASH进行分页,每页大小为512K字节;
所述的FPGA帧预处理单元用来对视频解码输出的数字视频信号进行预处理,再送入处理器进行目标识别,使用FPGA取代DSP进行大量结构比较简单的预处理运算,用硬件对帧进行预处理。
本发明利用上述覆盖算法可有效地增加区域识别模块20的集成度,从而加大区域识别模块20的集成度和识别率。
其中,在S100中称重识别模块还能对轴数进行检测,其包括如下步骤:
当重量识别模块生成2次中重力信号时,则向超限提示模块发出轴数为2轴的信号;
当重量识别模块生成3次中重力信号时,则向超限提示模块发出轴数为3轴的信号;
当重量识别模块生成4次中重力信号时,则向超限提示模块发出轴数为4轴的信号;
当重量识别模块生成5次中重力信号时,则向超限提示模块发出轴数为5轴的信号;
当重量识别模块生成6次中重力信号时,则向超限提示模块发出轴数为6轴的信号。
其中,在S100中称重识别模块还能对车轴数进行检测,其包括如下步骤:
称重识别模块的前后方向的长度配置为小于50cm,
当称重识别模块在单次重量信号的参数超过5t时,则发出向超限提示模块发出超限信号。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.通过视频源头分析识别车辆的方法,其特征在于包括如下步骤:
S100、所述区域识别模块检测被测车辆的号牌的颜色,生成车牌的颜色信号,并传输至所述超限提示模块;
所述车轴识别模块检测被测车辆的车轴的数量,生成轴数信号,并传输至所述超限提示模块;
所述称重识别模块检测被测车辆的单轮的重量,生成单轮的重量信号,并传输至所述超限提示模块;
S200、所述超限提示模块根据所述车牌的颜色信号、轴数信号、单轮的重量信号判断被测车辆是否超载,并输出至终端。
2.根据权利要求1所述的通过视频源头分析识别车辆的方法,其特征在于在S100的所述称重识别模块识别被测车辆的单轮的重量的步骤中,还包括如下步骤:
S101、所述称重仪表检测被测车辆的重量信号;
S102、所述称重轮轴识别传感器检测所述称重仪表的工作时间大于1.5s的次数N,并且将N作为称重轮数信号传输至所述超限提示模块;
当称重轮数信号与所述轴数信号不同时,则重新开始步骤S100;
当称重轮数信号与所述轴数信号相同时,则跳转至步骤S200。
3.根据权利要求2所述的通过视频源头分析识别车辆的方法,其特征在于在S100的所述区域识别模块检测被测车辆的号牌的颜色的步骤中,还包括所述区域识别模块对运动对象的跟踪的步骤,其包括如下步骤:
S111、运动对象参数的初始化:对被测车辆的车牌的中心位置和区域大小进行捕捉;
S112、对象匹配:将当前帧中检测到的运动对象与以前20帧的任意一帧的运动对象进行比较,若运动对象的中心位置的比较结果满足第一预设阈值且运动对象的区域大小的比较结果满足第二预设阈值,则生成运动对象的运动轨迹、运动速度;
若运动对象的中心位置的比较结果不满足第一预设阈值或运动对象的区域大小的比较结果不满足第二预设阈值,则重新开始步骤S100;
S113、运动对象参数的更新:捕捉所述当前帧的运动对象的区域大小参数、中心位置参数,并将以前20帧的任意一帧的运动对象的区域大小参数、中心位置参数替换为当前帧的运动对象的区域大小参数、中心位置参数,并更新运动对象的运动轨迹、速度。
S114、运动对象高亮化:当运动对象的运动轨迹的连续性高于第三预设阈值且运动对象的运动速度低于第四预设阈值时,将当前帧的运动对象的区域的边框进行高亮化处理,并识别当前正在跟踪的所有运动对象的车牌颜色信息;
当运动对象的运动轨迹的连续性低于第三预设阈值且运动对象的运动速度高于第四预设阈值时,则重新开始步骤S100。
4.根据权利要求3所述的通过视频源头分析识别车辆的方法,其特征在于在S114步骤中,车牌颜色的识别方法包括如下步骤:
区域识别模块读取指定内存中的数据形成当前运动对象的帧在屏幕上显示,同时对运动对象的帧中的矩形的单一颜色的区域的每个像素进行扫描,把每个像素值分解为白、黄、蓝三种颜色分量,与软件中设置的80%蓝色阈值、80%白色阈值、80%黄色阈值进行比较,判断该单一颜色的区域在上述哪个颜色阈值内,读取在阈值内的单一颜色的区域的不同时刻的图像数据,分析单一颜色的区域的同一像素在不同时刻的亮度变化,将变化次数与第六阈值比较,判断该像是否符合闪烁像素,输出判断结果,如果认为该场景中不存在闪烁像素,则计算机发出指令控制视屏切换区域识别模块的两个输出端切换到下一区域识别模块进行分析,区域识别模块直接读取内存中的数据作后台处理,红外线的强度在图像中往往表现为亮度的强弱,对推按个灰度值进行连续扫描,通过与第七阈值进行比较确定图像中的可疑区域,最后将两个通道确定的异常区域进行相关性分析,输出车牌的颜色的识别信号。
5.根据权利要求4所述的通过视频源头分析识别车辆的方法,其特征在于分析单一颜色的区域的同一像素在不同时刻的亮度变化,将变化次数与第六阈值比较,判断该像是否符合闪烁像素的识别方法包括如下步骤:
区域识别模块利用单一颜色的区域的边缘上的至多四个拐角的像素点配置为选定点,并选定点将选定点的位置与之前20帧的位置进行比较,若选定点与之前20帧的位置距离大于200像素时,则判断该像为闪烁像素。
6.根据权利要求5所述的通过视频源头分析识别车辆的方法,其特征在于车牌颜色的识别还包括如下步骤:
区域识别模块包括由处理器、电源、复位和JTAG组成的DSP最小区域识别模块,FPGA帧预处理单元,视频编码单元,以太网通信单元,WIFI单元以及扩展存储器单元;CCD采集的模拟视频信号通过视频解码单元进行数字化,送入FPGA帧预处理单元进行帧预处理,再将预处理之后的数字帧信号输入到DSP最小区域识别模块,使用覆盖算法进行目标识别,最后把结果进行视频编码并通过以太网通信单元和WIFI单元进行通信;扩展存储器单元与DSP最小区域识别模块相连接;
所述的覆盖算法通过处理器对运动目标进行识别;传统的特征提取通常采用基于区域外接矩形的方法,在覆盖算法中,使用圆代替矩形进行特征提取;取区域的质心作为同心圆的中心,并进一步提出面积比和同心圆比,共2n个特征量作为目标识别的特征,从而实现了识别过程中的平移、比例和旋转不变性;
对一帧运动对象的当前帧做拆分处理,然后对得到的拆分帧做区域标记,得到帧中的多个区域;
提取每个区域的面积比特征Ai,
其中Ai=(Xi/Yi)*100%(1≤i≤n),
所述Xi是包含i个同心圆内的目标面积,Yi是第i个同心圆的面积;
步骤三:提取每个区域的同心圆比例特征Pi,
其中Pi=(Ni/Mi)*100%(1≤i≤n),
所述Ni是第i个同心圆与区域重合的像素数,Mi是第i个同心圆的周长;
识别时先判断特征Ai是否成立,如果成立,则进一步判断特征Pi;如果各面积比特征Ai符合判断标准,则绘制同心圆,根据同心圆提取特征Pi,进一步判断;如果面积比特征Ai和其对应的同心圆比例特征Pi不能同时满足标准,则转到下一个区域判断,直到一帧帧的所有区域判断完成;如果有一个区域Ai和Pi特征全部在指定范围内,则可认定该区域为目标区域,其重心将由十字标出,并把识别结果通过WIFI单元发送到基站;然后继续下一帧帧,重复步骤一、二、三提取帧特征,进行目标识别;
所述的扩展存储器单元为采用2片4M×32bitSDRAM合成64位存储器接到处理器的CEO空间,采用4M×8bit的FLASH存储器AM29LV033接到处理器的CE1空间,并使用处理器的GPIO口对FLASH进行分页,每页大小为512K字节;
所述的FPGA帧预处理单元用来对视频解码输出的数字视频信号进行预处理,再送入处理器进行目标识别,使用FPGA取代DSP进行大量结构比较简单的预处理运算,用硬件对帧进行预处理。
7.根据权利要求6所述的通过视频源头分析识别车辆的方法,其特征在于在S100中称重识别模块还能对轴数进行检测,其包括如下步骤:
当重量识别模块生成2次中重力信号时,则向超限提示模块发出轴数为2轴的信号;
当重量识别模块生成3次中重力信号时,则向超限提示模块发出轴数为3轴的信号;
当重量识别模块生成4次中重力信号时,则向超限提示模块发出轴数为4轴的信号;
当重量识别模块生成5次中重力信号时,则向超限提示模块发出轴数为5轴的信号;
当重量识别模块生成6次中重力信号时,则向超限提示模块发出轴数为6轴的信号。
8.根据权利要求7所述的通过视频源头分析识别车辆的方法,其特征在于在S100中称重识别模块还能对车轴数进行检测,其包括如下步骤:
称重识别模块的前后方向的长度配置为小于50cm,
当称重识别模块在单次重量信号的参数超过5t时,则发出向超限提示模块发出超限信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610074191.5A CN105575129B (zh) | 2016-02-02 | 2016-02-02 | 通过视频源头分析识别车辆的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610074191.5A CN105575129B (zh) | 2016-02-02 | 2016-02-02 | 通过视频源头分析识别车辆的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105575129A true CN105575129A (zh) | 2016-05-11 |
CN105575129B CN105575129B (zh) | 2017-06-30 |
Family
ID=55885204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610074191.5A Active CN105575129B (zh) | 2016-02-02 | 2016-02-02 | 通过视频源头分析识别车辆的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105575129B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491786A (zh) * | 2017-08-15 | 2017-12-19 | 电子科技大学 | 一种烟草收购重复过磅行为自动视觉检测与识别方法 |
CN112052798A (zh) * | 2020-09-08 | 2020-12-08 | 哈尔滨市科佳通用机电股份有限公司 | 公路车辆边检系统及边检方法 |
CN113077627A (zh) * | 2021-03-30 | 2021-07-06 | 杭州海康威视系统技术有限公司 | 检测车辆的超限源头的方法、装置及计算机存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006058360A1 (en) * | 2004-12-01 | 2006-06-08 | Zorg Industries Pty Ltd | Integrated vehicular system for low speed collision avoidance |
CN1862620A (zh) * | 2006-06-12 | 2006-11-15 | 黄席樾 | 高速公路汽车行驶智能检测预警方法及其预警系统 |
CN101610400A (zh) * | 2009-07-10 | 2009-12-23 | 重庆大学 | 长途客运车辆人员超载监控系统及监控方法 |
CN202904886U (zh) * | 2012-11-26 | 2013-04-24 | 上海千年城市规划工程设计股份有限公司 | 基于动态称重的道路超载自动监测系统 |
CN203246483U (zh) * | 2013-05-29 | 2013-10-23 | 大连鑫奇辉科技有限公司 | 一种机车行走部运动状态智能检测系统 |
-
2016
- 2016-02-02 CN CN201610074191.5A patent/CN105575129B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006058360A1 (en) * | 2004-12-01 | 2006-06-08 | Zorg Industries Pty Ltd | Integrated vehicular system for low speed collision avoidance |
CN1862620A (zh) * | 2006-06-12 | 2006-11-15 | 黄席樾 | 高速公路汽车行驶智能检测预警方法及其预警系统 |
CN101610400A (zh) * | 2009-07-10 | 2009-12-23 | 重庆大学 | 长途客运车辆人员超载监控系统及监控方法 |
CN202904886U (zh) * | 2012-11-26 | 2013-04-24 | 上海千年城市规划工程设计股份有限公司 | 基于动态称重的道路超载自动监测系统 |
CN203246483U (zh) * | 2013-05-29 | 2013-10-23 | 大连鑫奇辉科技有限公司 | 一种机车行走部运动状态智能检测系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491786A (zh) * | 2017-08-15 | 2017-12-19 | 电子科技大学 | 一种烟草收购重复过磅行为自动视觉检测与识别方法 |
CN107491786B (zh) * | 2017-08-15 | 2020-10-20 | 电子科技大学 | 一种烟草收购重复过磅行为自动视觉检测与识别方法 |
CN112052798A (zh) * | 2020-09-08 | 2020-12-08 | 哈尔滨市科佳通用机电股份有限公司 | 公路车辆边检系统及边检方法 |
CN113077627A (zh) * | 2021-03-30 | 2021-07-06 | 杭州海康威视系统技术有限公司 | 检测车辆的超限源头的方法、装置及计算机存储介质 |
CN113077627B (zh) * | 2021-03-30 | 2022-08-05 | 杭州海康威视系统技术有限公司 | 检测车辆的超限源头的方法、装置及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105575129B (zh) | 2017-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105575121A (zh) | 一种基于智能交通的源头科技治超数据采集系统及方法 | |
CN101727748B (zh) | 一种基于车辆尾灯检测的车辆监控方法、系统和设备 | |
CN103069434B (zh) | 用于多模式视频事件索引的方法和系统 | |
CN101739827B (zh) | 一种车辆检测跟踪方法和装置 | |
CN101783076B (zh) | 一种视频监控模式下的快速车型识别方法 | |
Celik et al. | Solar-powered automated road surveillance system for speed violation detection | |
CN112750170B (zh) | 一种雾特征识别方法、装置及相关设备 | |
CN103345766A (zh) | 一种信号灯识别方法及装置 | |
CN108288289B (zh) | 一种用于可见光定位的led视觉检测方法及其系统 | |
CN104392630A (zh) | 抛洒物智能检测装置与方法 | |
CN205665896U (zh) | 一种交叉路口信号灯状态识别装置 | |
CN109147351A (zh) | 一种交通信号灯控制系统 | |
CN105574468A (zh) | 视频火焰检测方法、装置及系统 | |
CN105575129A (zh) | 通过视频源头分析识别车辆的方法 | |
CN109348179A (zh) | 一种基于人工智能的道路监控检测系统及方法 | |
CN115240148A (zh) | 车辆行为的检测方法、装置、存储介质及电子装置 | |
CN104331687A (zh) | 一种基于车载式视频分析的未系安全带行为检测方法 | |
CN113221724B (zh) | 车辆抛洒物检测方法及系统 | |
CN114627409A (zh) | 一种车辆异常变道的检测方法及装置 | |
Kamoji et al. | Deep Learning-based Smart Street Lamps–A Solution to Urban Pollution | |
CN205594878U (zh) | 一种基于智能交通的源头科技治超数据采集系统 | |
Podbucki et al. | Evaluation of embedded devices for real-time video lane detection | |
Munasinghe et al. | Smart Traffic Light Control System Based on Traffic Density and Emergency Vehicle Detection | |
CN104361317A (zh) | 一种卡口式视频分析未系安全带行为检测系统及其方法 | |
CN114863695B (zh) | 一种基于车载激光和摄像机的超标车辆检测系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |