CN106600977A - 基于多特征识别的违停检测方法及系统 - Google Patents
基于多特征识别的违停检测方法及系统 Download PDFInfo
- Publication number
- CN106600977A CN106600977A CN201710076376.4A CN201710076376A CN106600977A CN 106600977 A CN106600977 A CN 106600977A CN 201710076376 A CN201710076376 A CN 201710076376A CN 106600977 A CN106600977 A CN 106600977A
- Authority
- CN
- China
- Prior art keywords
- data
- target vehicle
- image
- module
- separated
- 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
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于多特征识别的违停检测方法及系统,使用图像获取模块及停驶判定模块对监控范围内的车辆进行跟踪检测,确定停车的目标车辆后,通过图像获取模块对目标车辆放大抓拍细节特征,利用系统内置的特征识别模块对违停车辆进行包括车辆形状、颜色、停靠位置及车牌号码的特征进行识别。本发明的有益效果在于:利用多特征识别违停车辆,避免了仅凭车辆号牌分析违停的方法的局限性,大大提高了违停监控的准确率和成功率,节省了交通执法的人力成本。
Description
技术领域
本发明涉及智能视频处理领域,尤其是指一种基于多特征识别的违停检测方法及系统。
背景技术
随着社会经济的发展,机动车车保有量急剧增加,而对应的停车位的增长相对匮乏,尤其是繁华区域和路段,车辆密度大而停车位少,在此情况下,不少车主将汽车停在了道路的两侧,造成交通堵塞等城市交通问题。由于警员有限,无法全天候稽查城市的违章停车行为,违章停车给交通管理带来了很大的障碍。为了满足交通执法需求,行业内出现了车辆违章停车的自动检测技术和抓拍设备,协助交警对违章停车进行抓捕和处罚,但是现有的自动抓拍装置还存在以下问题:
第一,现有的违章停车抓拍方法与系统多依靠前后若干次车牌识别信息比对判断是否违章停车,仅凭车辆号牌分析具有一定的局限性,比如在车牌严重反光导致过爆或车牌部分遮挡时,无法对车牌进行有效识别,因而不能反映出车辆的真实属性,进而无法作为有效的违章停车处罚证据。
第二,仅牌照识别的检索准确率低,进而导致布控报警精度下降,且对于套牌车辆违章停车缺乏高效应对手段。
发明内容
本发明所要解决的技术问题是:提供一种能对车辆自动检测与跟踪的智能化视频违停检测方法及系统。
为了解决上述技术问题,本发明采用的技术方案为:一种基于多特征识别的违停检测方法,包括以下步骤:
S1、设置监控区域;
S2、获取监控区域的图片数据;
S3、根据图片数据确定目标车辆;
S4、间隔获取监控区域的多幅图片数据;
S5、根据多幅图片数据判断目标车辆的位置是否变化,是则返回步骤S2,否则进入步骤S6;
S6、提取目标车辆的位置数据并保存;
S7、获取并保存包含目标车辆的远景图片数据;
S8、根据位置信息获取目标车辆的放大图片数据;
S9、根据放大图片数据对目标车辆进行识别,生成目标车辆的形状数据、颜色数据和车牌识别数据并保存;
S10、将目标车辆的位置数据、形状数据、颜色数据和车牌识别数据打包并保存为特征信息数据;
S11、标记目标车辆在远景图片数据中的位置为校验预置位;
S12、标记完成后开始计时;
S13、判断计时是否达到预设时间,是则转到步骤S14,否则返回步骤S2;
S14、获取校验预置位的放大图片数据;
S15、根据放大图片数据对目标车辆进行识别,生成新的目标车辆的形状数据、颜色数据和车牌识别数据;
S16、将新的目标车辆的位置数据、形状数据、颜色数据和车牌识别数据打包并保存为新的特征信息数据;
S17、判断新的特征信息数据与已保存的特征信息数据是否匹配,是则进入步骤S19;否则进入步骤S18;
S18、清除校验预置位的标记,删除目标车辆的特征信息数据,返回步骤S2;
S19、匹配次数加一;
S20、判断目标车辆的特征信息数据是否达到匹配次数上限,是则进入步骤S21,否则返回步骤S11;
S21、生成并保存目标车辆的违停数据;
S22、根据请求,对应传输目标车辆的违停数据。
进一步的,步骤S3中,还包括以下步骤:
S301、根据图片数据训练Adaboost分类器;
S302、根据haar-like特征提取算法获取图片数据中目标的特征;
S303、将目标的特征输入到Adaboost分类器;
S304、Adaboost分类器对输入的目标的特征进行分类,确定是否为车辆,是则确定目标车辆,进入步骤S4,否则返回步骤S2。
进一步的,步骤S301中,Adaboost分类器受训练的同时,还进行目标特征的选择。
进一步的,步骤S5中,还包括以下步骤:
S501、根据获取的多幅图片数据,生成每一幅图片数据中目标车辆的中心点;
S502、计算中心点的位移量;
S503、判断中心点的位移量是否小于阀值,是则进入步骤S6。
进一步的,步骤S8中,还包括以下步骤:
S801、根据haar-like特征提取算法获取放大图片数据中目标车辆的形状数据,将结果输入Adaboost分类器;
S802、获取放大图片数据中目标车辆的颜色数据,将结果输入Adaboost分类器;
S803、根据车牌识别算法获取放大图片数据中目标车辆的车牌识别数据,将结果输入Adaboost分类器;
S804、Adaboost分类器对输入的形状数据、颜色数据和车牌识别数据分别进行分类处理,并将各特征数据汇总为目标车辆的特征信息数据。
进一步的,步骤S801中,获取车牌识别数据还依次包括以下步骤:
S8011、根据sobel算法确定数据图像中的车牌位置;
S8012、对数据图像中车牌位置区域内的字符进行切割;
S8013、根据Adaboost分类器对字符进行对比识别,得到字符识别结果。
本发明还包括一种基于多特征识别的违停检测系统,包括图像获取模块、停驶判定模块、特征识别模块、存储模块和传输模块,
所述图像获取模块,用于获取图片数据和违停数据,而后转到停驶判定模块;
所述停驶判定模块,用于确定目标车辆、判断目标车辆停驶情况、判断目标车辆的特征信息数据的匹配情况和标记目标车辆的校验预置位,而后转到特征识别模块;
所述特征识别模块,用于通过图片数据生成目标车辆的特征信息数据,而后转到存储模块;
所述存储模块,用于储存目标车辆的特征信息数据和目标车辆的违停数据,而后转到传输模块;
所述传输模块,用于打包并上传违停数据及传输控制指令。
进一步的,所述特征识别模块包括Adaboost分类单元、haar-like特征提取单元和车牌识别单元。
进一步的,所述图像获取模块包括远景图像获取单元和特写图像获取单元。
本发明的有益效果在于:使用远景监控及停驶判定模块对监控范围内的车辆进行跟踪检测,确定停车的目标车辆后,通过特写监控对目标车辆抓拍具体的特征,利用系统内置的特征识别模块对违停车辆进行包括车辆形状、颜色、停靠位置及车牌号码的特征进行识别,经过多特征识别的违停车辆,避免了仅凭车辆号牌分析违停的方法的局限性,大大提高了违停监控的准确率和成功率,节省了交通执法的人力成本。
附图说明
下面结合附图详述本发明的具体内容:
图1为本发明的基于多特征识别的违停检测方法流程示意图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及效果,以下结合实施方式并配合附图详予说明。
请参阅图1,一种基于多特征识别的违停检测方法,其特征在于:包括以下步骤:
S1、设置监控区域;
设置监控设备,划定违停区域。
S2、获取监控区域的图片数据;
可通过在视频流中截取一帧画面作为图片数据。
S3、根据图片数据确定目标车辆;
通过软件分析锁定机动车为目标车辆。
S4、间隔获取监控区域的多幅图片数据;
从视频流中截取若干帧画面作为图片数据,本实施例中采用间隔10帧截取1帧画面作为图片数据。
S5、根据多幅图片数据判断目标车辆的位置是否变化,是则返回步骤S2,否则进入步骤S6;
通过软件确定目标车辆的中心点,通过计算中心点的位移是否低于阀值来确定目标车辆是否停驶。
S6、提取目标车辆的位置数据并保存;
将目标车辆的位置数据保存。
S7、获取并保存包含目标车辆的远景图片数据;
S8、根据位置信息获取目标车辆的放大图片数据;
利用监控设备的远摄功能获取目标车辆的放大图片数据。
S9、根据放大图片数据对目标车辆进行识别,生成目标车辆的形状数据、颜色数据和车牌识别数据并保存;
S10、将目标车辆的位置数据、形状数据、颜色数据和车牌识别数据打包并保存为特征信息数据;
S11、标记目标车辆在远景图片数据中的位置为校验预置位;
设置校验预置位是为了方便后续监控设备快速定位并拍摄,其中校验预置位信息包括有匹配次数的信息。
S12、标记完成后开始计时;
S13、判断计时是否达到预设时间,是则转到步骤S14,否则返回步骤S2;
S14、获取校验预置位的放大图片数据;
监控设备根据校验预置位再次拍摄放大图片数据。
S15、根据放大图片数据对目标车辆进行识别,生成新的目标车辆的形状数据、颜色数据和车牌识别数据;
S16、将新的目标车辆的位置数据、形状数据、颜色数据和车牌识别数据打包并保存为新的特征信息数据;
S17、判断新的特征信息数据与已保存的特征信息数据是否匹配,是则进入步骤S19;否则进入步骤S18;
S18、清除校验预置位的标记,删除目标车辆的特征信息数据,返回步骤S2;
根据不匹配的特征信息数据可判断目标车辆已驶离禁停地区,即清除当前车辆的校验预置位标记和特征信息数据。
S19、匹配次数加一;
匹配次数可根据需要设置,本实施例中第二次数据跟第一次数据匹配即可判断目标车辆为违章停车。
S20、判断目标车辆的特征信息数据是否达到匹配次数上限,是则进入步骤S21,否则返回步骤S11;
S21、生成并保存目标车辆的违停数据;
违停数据包括第一次拍摄的远景图片数据、最后一次拍摄的远景图片数据、目标车辆的特征信息数据和违停过程的视频录像。
S22、根据请求,对应传输目标车辆的违停数据。
违停数据可经无线网、固网、存储器拷贝等方式传输。
从上述描述可知,本发明的有益效果在于:使用图像获取模块及停驶判定模块对监控范围内的车辆进行跟踪检测,确定停车的目标车辆后,通过图像获取模块对目标车辆放大抓拍细节特征,利用系统内置的特征识别模块对违停车辆进行包括车辆形状、颜色、停靠位置及车牌号码的特征进行识别,利用多特征识别违停车辆,避免了仅凭车辆号牌分析违停的方法的局限性,大大提高了违停监控的准确率和成功率,节省了交通执法的人力成本。
实施例1
步骤S3中,还包括以下步骤:
S301、根据图片数据训练Adaboost分类器;
S302、根据haar-like特征提取算法获取图片数据中目标的特征;
S303、将目标的特征输入到Adaboost分类器;
S304、Adaboost分类器对输入的目标的特征进行分类,确定是否为车辆,是则确定目标车辆,进入步骤S4,否则返回步骤S2。
在进行车辆检测时,主要通过训练Adaboost分类器进行车辆检测,这里主要用到haar-like特征作为分类器的输入以及Adaboost迭代算法;haar-like特征又称矩形特征,一个矩形分为黑白矩形块,计算方法为用黑色部分的所有的像素值的和减去白色部分所有像素值的和,得到的就是一个特征值。
实施例2
步骤S301中,Adaboost分类器受训练的同时,还进行目标特征的选择。
Adaboost分类器是一种基于级联分类模型的分类器,分为若干级联,每个级联由多个树状分类器构成,在将特征信息加入Adaboost分类器使之学习训练的同时,还可对目标特征进行筛选,选择出最为接近的特征。
实施例3
步骤S5中,还包括以下步骤:
S501、根据获取的多幅图片数据,生成每一幅图片数据中目标车辆的中心点;
根据Adaboost分类器对每一幅图片数据进行检测,得到每一幅图片数据的车辆目标矩形框的坐标信息,通过坐标信息得到目标车辆的中心点坐标。
S502、计算中心点的位移量;
将每一幅图像中的中心点坐标与下一幅图像中的中心点坐标做比较,根据欧式距离算法得到中心点之间的位移量。
S503、判断中心点的位移量是否小于阀值,是则进入步骤S6。
若图中目标车辆的中心点位移量小于阀值,则标记目标车辆信息,进行下一帧的偏移量计算与判断,经过多次判断,目标车辆的标记依然存在,则判断该目标车辆为停驶,进入步骤S6。
实施例4
步骤S8中,还包括以下步骤:
S801、根据haar-like特征提取算法获取放大图片数据中目标车辆的形状数据,将结果输入Adaboost分类器;
S802、获取放大图片数据中目标车辆的颜色数据,将结果输入Adaboost分类器;
S803、根据车牌识别算法获取放大图片数据中目标车辆的车牌识别数据,将结果输入Adaboost分类器;
S804、Adaboost分类器对输入的形状数据、颜色数据和车牌识别数据分别进行分类处理,并将各特征数据汇总为目标车辆的特征信息数据。
通过haar-like特征提取算法和Adaboost分类器的配合使用,可以快速确定目标车辆的形状数据,颜色数据;根据车牌识别算法快速识别车牌的位置和车牌上字符内容,输出车牌识别数据。
实施例5
步骤S802中,还依次包括以下步骤:
S8011、根据sobel算法确定数据图像中的车牌位置;
车牌定位:首先通过sobel边缘检测以及灰度统计的方法得到若干候选车牌区域,接着对这些候选区域利用sobel算法检测精定位、区域宽度判定、图像二值化、神经网络判定的方法进行二次筛选,得到车牌定位信息。
S8012、对数据图像中车牌位置区域内的字符进行切割;
字符切割:对数据图像的车牌区域进行校正、二值化和定位等预处理,并对数据图像的车牌区域进行切割,得到切割字符块。
S8013、根据Adaboost分类器对字符进行对比识别,得到字符识别结果。
字符识别:调用分类器进行字符识别,将识别结果与字符库进行模板匹配,得到字符识别结果。
本发明还包括一种基于多特征识别的违停检测系统,包括图像获取模块、停驶判定模块、特征识别模块、存储模块和传输模块,
所述图像获取模块,用于获取图片数据和违停数据,而后转到停驶判定模块;
所述停驶判定模块,用于确定目标车辆、判断目标车辆停驶情况、判断目标车辆的特征信息数据的匹配情况和标记目标车辆的校验预置位,而后转到特征识别模块;
所述特征识别模块,用于通过图片数据生成目标车辆的特征信息数据,而后转到存储模块;
所述存储模块,用于储存目标车辆的特征信息数据和目标车辆的违停数据,而后转到传输模块;
所述传输模块,用于打包并上传违停数据及传输控制指令。
由上可知,通过图像获取模块获取监控区域的图片数据,经过停驶判定模块确认目标为车辆后,再利用图像获取模块间隔地获取监控区域的多幅图片数据,交由停驶判定模块锁定目标车辆,图像获取模块利用远摄功能进一步获取目标车辆的细节图片,交由特征识别模块生成目标车辆的特征信息数据,隔一段时间后再对目标车辆的位置拍照、识别然后对比,得到目标车辆是否违停,最后将作为违停证据的图片及视频打包为目标车辆的违停数据储存在存储模块,根据请求,对应传输目标车辆的违停数据,传输模块还可以从网络获取车辆识别的特征库,进一步地提升车辆识别的成功率和识别效率,通过各模块的协调工作,实现了自动对车辆检测、跟踪、违章停车行为的识别及违章行为证据的获取,节省了交通执法的人力成本。
实施例6
所述特征识别模块包括Adaboost分类单元、haar-like特征提取单元和车牌识别单元。
采用大量图片数据作为素材训练Adaboost分类器,有利于更快地筛选出目标车辆的特征信息数据;通过haar-like特征提取单元可更方便地得到目标车辆的矩形特征。
实施例7
所述图像获取模块包括远景图像获取单元和特写图像获取单元。
远景图像获取单元有利于对限制区域内车辆的追踪;特写图像获取单元有利于识别目标车辆的具体特征识别。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种基于多特征识别的违停检测方法,其特征在于,包括以下步骤:
S1、设置监控区域;
S2、获取监控区域的图片数据;
S3、根据图片数据确定目标车辆;
S4、间隔获取监控区域的多幅图片数据;
S5、根据多幅图片数据判断目标车辆的位置是否变化,是则返回步骤S2,否则进入步骤S6;
S6、提取目标车辆的位置数据并保存;
S7、获取并保存包含目标车辆的远景图片数据;
S8、根据位置信息获取目标车辆的放大图片数据;
S9、根据放大图片数据对目标车辆进行识别,生成目标车辆的形状数据、颜色数据和车牌识别数据并保存;
S10、将目标车辆的位置数据、形状数据、颜色数据和车牌识别数据打包并保存为特征信息数据;
S11、标记目标车辆在远景图片数据中的位置为校验预置位;
S12、标记完成后开始计时;
S13、判断计时是否达到预设时间,是则转到步骤S14,否则返回步骤S2;
S14、获取校验预置位的放大图片数据;
S15、根据放大图片数据对目标车辆进行识别,生成新的目标车辆的形状数据、颜色数据和车牌识别数据;
S16、将新的目标车辆的位置数据、形状数据、颜色数据和车牌识别数据打包并保存为新的特征信息数据;
S17、判断新的特征信息数据与已保存的特征信息数据是否匹配,是则进入步骤S19;否则进入步骤S18;
S18、清除校验预置位的标记,删除目标车辆的特征信息数据,返回步骤S2;
S19、匹配次数加一;
S20、判断目标车辆的特征信息数据是否达到匹配次数上限,是则进入步骤S21,否则返回步骤S11;
S21、生成并保存目标车辆的违停数据;
S22、根据请求,对应传输目标车辆的违停数据。
2.如权利要求1所述的基于多特征识别的违停检测方法,其特征在于:步骤S3中,还包括以下步骤:
S301、根据图片数据训练Adaboost分类器;
S302、根据haar-like特征提取算法获取图片数据中目标的特征;
S303、将目标的特征输入到Adaboost分类器;
S304、Adaboost分类器对输入的目标的特征进行识别,确定是否为车辆,是则确定目标车辆,进入步骤S4,否则返回步骤S2。
3.如权利要求2所述的基于多特征识别的违停检测方法,其特征在于:步骤S301中,Adaboost分类器受训练的同时,还进行目标特征的选择。
4.如权利要求1所述的基于多特征识别的违停检测方法,其特征在于:步骤S5中,还包括以下步骤:
S501、根据获取的多幅图片数据,生成每一幅图片数据中目标车辆的中心点;
S502、计算中心点的位移量;
S503、判断中心点的位移量是否小于阀值,是则进入步骤S6。
5.如权利要求1所述的基于多特征识别的违停检测方法,其特征在于:步骤S9中,还包括以下步骤:
S801、根据haar-like特征提取算法获取放大图片数据中目标车辆的形状数据,将结果输入Adaboost分类器;
S802、获取放大图片数据中目标车辆的颜色数据,将结果输入Adaboost分类器;
S803、根据车牌识别算法获取放大图片数据中目标车辆的车牌识别数据,将结果输入Adaboost分类器;
S804、Adaboost分类器对输入的形状数据、颜色数据和车牌识别数据分别进行分类处理,并将各特征数据汇总为目标车辆的特征信息数据。
6.如权利要求5所述的基于多特征识别的违停检测方法,其特征在于:步骤S801中,获取车牌识别数据的步骤中还依次包括以下步骤:
S8011、根据sobel算法确定数据图像中的车牌位置;
S8012、对数据图像中车牌位置区域内的字符进行切割;
S8013、根据Adaboost分类器对字符进行对比识别,得到字符识别结果。
7.一种基于多特征识别的违停检测系统,其特征在于:包括图像获取模块、停驶判定模块、特征识别模块、存储模块和传输模块,
所述图像获取模块,用于获取图片数据和违停数据,而后转到停驶判定模块;
所述停驶判定模块,用于确定目标车辆、判断目标车辆停驶情况、判断目标车辆的特征信息数据的匹配情况和标记目标车辆的校验预置位,而后转到特征识别模块;
所述特征识别模块,用于根据图片数据生成目标车辆的特征信息数据,而后转到存储模块;
所述存储模块,用于储存目标车辆的特征信息数据和目标车辆的违停数据,而后转到传输模块;
所述传输模块,用于打包并上传违停数据及传输控制指令。
8.如权利要求7所述的基于多特征识别的违停检测系统,其特征在于:所述特征识别模块包括Adaboost分类单元、haar-like特征提取单元和车牌识别单元。
9.如权利要求7所述的基于多特征识别的违停检测系统,其特征在于:所述图像获取模块包括远景图像获取单元和特写图像获取单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710076376.4A CN106600977B (zh) | 2017-02-13 | 2017-02-13 | 基于多特征识别的违停检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710076376.4A CN106600977B (zh) | 2017-02-13 | 2017-02-13 | 基于多特征识别的违停检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106600977A true CN106600977A (zh) | 2017-04-26 |
CN106600977B CN106600977B (zh) | 2020-09-15 |
Family
ID=58587264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710076376.4A Active CN106600977B (zh) | 2017-02-13 | 2017-02-13 | 基于多特征识别的违停检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600977B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705574A (zh) * | 2017-10-09 | 2018-02-16 | 荆门程远电子科技有限公司 | 一种精准快速的道路违章停车全自动抓拍系统 |
CN108958264A (zh) * | 2018-08-03 | 2018-12-07 | 北京智行者科技有限公司 | 基于自动驾驶技术的道路交通稽查方法和车辆 |
WO2018223955A1 (zh) * | 2017-06-09 | 2018-12-13 | 北京深瞐科技有限公司 | 目标监控方法、目标监控装置、摄像机及计算机可读介质 |
CN109299672A (zh) * | 2018-09-05 | 2019-02-01 | 重庆大学 | 自适应调节阈值和算法结构的停车事件检测系统及方法 |
CN110400464A (zh) * | 2019-07-15 | 2019-11-01 | 杭州亿圣信息技术有限公司 | 一种小区违停车辆的监控方法 |
CN110738857A (zh) * | 2018-07-18 | 2020-01-31 | 杭州海康威视数字技术股份有限公司 | 一种车辆违章取证方法、装置及设备 |
CN110766077A (zh) * | 2019-10-24 | 2020-02-07 | 上海眼控科技股份有限公司 | 证据链图像中特写图筛选方法、装置和设备 |
WO2020061766A1 (zh) * | 2018-09-25 | 2020-04-02 | 西门子股份公司 | 一种车辆事件的检测装置、方法、计算机程序产品和计算机可读介质 |
CN111105621A (zh) * | 2019-12-17 | 2020-05-05 | 浙江大华技术股份有限公司 | 一种检测违章停车的方法及装置 |
CN111340966A (zh) * | 2019-12-12 | 2020-06-26 | 山东中创软件工程股份有限公司 | 一种车辆检测方法、装置及系统 |
WO2020173022A1 (zh) * | 2019-02-25 | 2020-09-03 | 平安科技(深圳)有限公司 | 一种识别车辆违章行为的方法、服务器及存储介质 |
CN113240912A (zh) * | 2021-06-04 | 2021-08-10 | 上海眼控科技股份有限公司 | 一种车辆逆行的判定方法、装置、设备及存储介质 |
CN114332513A (zh) * | 2022-03-15 | 2022-04-12 | 北京嘉沐安科技有限公司 | 一种面向智慧城市的新能源汽车异常停放大数据检测方法 |
CN114529875A (zh) * | 2022-04-24 | 2022-05-24 | 浙江这里飞科技有限公司 | 一种违停车辆的检测方法、装置、电子设备及存储介质 |
CN115841756A (zh) * | 2021-09-06 | 2023-03-24 | 中移系统集成有限公司 | 车辆违停检测方法及装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050088857A (ko) * | 2004-03-03 | 2005-09-07 | (주) 인펙 | 불법주정차 무인단속 시스템과 이를 적용한 방법 |
KR20090058810A (ko) * | 2007-12-05 | 2009-06-10 | (주) 엘지텔레콤 | 주정차 위반 통지 서비스 제공 시스템 및 방법 |
CN101465033A (zh) * | 2008-05-28 | 2009-06-24 | 丁国锋 | 一种自动追踪识别系统及方法 |
CN101593422A (zh) * | 2009-06-15 | 2009-12-02 | 无锡骏聿科技有限公司 | 一种基于视频追踪和模式识别的交通违规检测方法 |
CN101859382A (zh) * | 2010-06-03 | 2010-10-13 | 复旦大学 | 一种基于最大稳定极值区域的车牌检测与识别的方法 |
CN102521983A (zh) * | 2011-12-23 | 2012-06-27 | 北京易华录信息技术股份有限公司 | 一种基于高清视频技术的车辆违章检测系统及方法 |
CN202584422U (zh) * | 2012-03-23 | 2012-12-05 | 罗普特(厦门)科技集团有限公司 | 基于智能分析视频监控的违章停车抓拍装置 |
CN102855758A (zh) * | 2012-08-27 | 2013-01-02 | 无锡北邮感知技术产业研究院有限公司 | 一种违章车辆检测方法 |
CN204117361U (zh) * | 2014-08-07 | 2015-01-21 | 南昌市数朗科技发展有限公司 | 基于360度全景摄像机的违章停车智能监控系统 |
CN204189305U (zh) * | 2014-03-27 | 2015-03-04 | 北京精英智通科技股份有限公司 | 违章停车智能抓拍系统 |
CN104616501A (zh) * | 2015-02-06 | 2015-05-13 | 河海大学常州校区 | 基于智能视觉的车辆违章停车检测系统及方法 |
CN104765859A (zh) * | 2015-04-21 | 2015-07-08 | 深圳市图敏实业有限公司 | 违停车辆信息的录入方法及系统 |
CN205665883U (zh) * | 2016-06-07 | 2016-10-26 | 刘韬 | 移动式违停车辆抓拍装置 |
CN106327878A (zh) * | 2016-11-16 | 2017-01-11 | 天津市中环系统工程有限责任公司 | 一种移动违停抓拍系统及实现方法 |
-
2017
- 2017-02-13 CN CN201710076376.4A patent/CN106600977B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050088857A (ko) * | 2004-03-03 | 2005-09-07 | (주) 인펙 | 불법주정차 무인단속 시스템과 이를 적용한 방법 |
KR20090058810A (ko) * | 2007-12-05 | 2009-06-10 | (주) 엘지텔레콤 | 주정차 위반 통지 서비스 제공 시스템 및 방법 |
CN101465033A (zh) * | 2008-05-28 | 2009-06-24 | 丁国锋 | 一种自动追踪识别系统及方法 |
CN101593422A (zh) * | 2009-06-15 | 2009-12-02 | 无锡骏聿科技有限公司 | 一种基于视频追踪和模式识别的交通违规检测方法 |
CN101859382A (zh) * | 2010-06-03 | 2010-10-13 | 复旦大学 | 一种基于最大稳定极值区域的车牌检测与识别的方法 |
CN102521983A (zh) * | 2011-12-23 | 2012-06-27 | 北京易华录信息技术股份有限公司 | 一种基于高清视频技术的车辆违章检测系统及方法 |
CN202584422U (zh) * | 2012-03-23 | 2012-12-05 | 罗普特(厦门)科技集团有限公司 | 基于智能分析视频监控的违章停车抓拍装置 |
CN102855758A (zh) * | 2012-08-27 | 2013-01-02 | 无锡北邮感知技术产业研究院有限公司 | 一种违章车辆检测方法 |
CN204189305U (zh) * | 2014-03-27 | 2015-03-04 | 北京精英智通科技股份有限公司 | 违章停车智能抓拍系统 |
CN204117361U (zh) * | 2014-08-07 | 2015-01-21 | 南昌市数朗科技发展有限公司 | 基于360度全景摄像机的违章停车智能监控系统 |
CN104616501A (zh) * | 2015-02-06 | 2015-05-13 | 河海大学常州校区 | 基于智能视觉的车辆违章停车检测系统及方法 |
CN104765859A (zh) * | 2015-04-21 | 2015-07-08 | 深圳市图敏实业有限公司 | 违停车辆信息的录入方法及系统 |
CN205665883U (zh) * | 2016-06-07 | 2016-10-26 | 刘韬 | 移动式违停车辆抓拍装置 |
CN106327878A (zh) * | 2016-11-16 | 2017-01-11 | 天津市中环系统工程有限责任公司 | 一种移动违停抓拍系统及实现方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018223955A1 (zh) * | 2017-06-09 | 2018-12-13 | 北京深瞐科技有限公司 | 目标监控方法、目标监控装置、摄像机及计算机可读介质 |
CN107705574A (zh) * | 2017-10-09 | 2018-02-16 | 荆门程远电子科技有限公司 | 一种精准快速的道路违章停车全自动抓拍系统 |
CN110738857A (zh) * | 2018-07-18 | 2020-01-31 | 杭州海康威视数字技术股份有限公司 | 一种车辆违章取证方法、装置及设备 |
CN108958264A (zh) * | 2018-08-03 | 2018-12-07 | 北京智行者科技有限公司 | 基于自动驾驶技术的道路交通稽查方法和车辆 |
CN108958264B (zh) * | 2018-08-03 | 2021-07-23 | 北京智行者科技有限公司 | 基于自动驾驶技术的道路交通稽查方法和车辆 |
CN109299672A (zh) * | 2018-09-05 | 2019-02-01 | 重庆大学 | 自适应调节阈值和算法结构的停车事件检测系统及方法 |
CN109299672B (zh) * | 2018-09-05 | 2022-02-15 | 重庆大学 | 自适应调节阈值和算法结构的停车事件检测系统及方法 |
WO2020061766A1 (zh) * | 2018-09-25 | 2020-04-02 | 西门子股份公司 | 一种车辆事件的检测装置、方法、计算机程序产品和计算机可读介质 |
WO2020173022A1 (zh) * | 2019-02-25 | 2020-09-03 | 平安科技(深圳)有限公司 | 一种识别车辆违章行为的方法、服务器及存储介质 |
CN110400464A (zh) * | 2019-07-15 | 2019-11-01 | 杭州亿圣信息技术有限公司 | 一种小区违停车辆的监控方法 |
CN110766077A (zh) * | 2019-10-24 | 2020-02-07 | 上海眼控科技股份有限公司 | 证据链图像中特写图筛选方法、装置和设备 |
CN111340966A (zh) * | 2019-12-12 | 2020-06-26 | 山东中创软件工程股份有限公司 | 一种车辆检测方法、装置及系统 |
CN111340966B (zh) * | 2019-12-12 | 2022-03-08 | 山东中创软件工程股份有限公司 | 一种车辆检测方法、装置及系统 |
CN111105621A (zh) * | 2019-12-17 | 2020-05-05 | 浙江大华技术股份有限公司 | 一种检测违章停车的方法及装置 |
CN113240912A (zh) * | 2021-06-04 | 2021-08-10 | 上海眼控科技股份有限公司 | 一种车辆逆行的判定方法、装置、设备及存储介质 |
CN115841756A (zh) * | 2021-09-06 | 2023-03-24 | 中移系统集成有限公司 | 车辆违停检测方法及装置 |
CN114332513A (zh) * | 2022-03-15 | 2022-04-12 | 北京嘉沐安科技有限公司 | 一种面向智慧城市的新能源汽车异常停放大数据检测方法 |
CN114332513B (zh) * | 2022-03-15 | 2023-01-06 | 重庆华源智禾科技有限公司 | 一种面向智慧城市的新能源汽车异常停放大数据检测方法 |
CN114529875A (zh) * | 2022-04-24 | 2022-05-24 | 浙江这里飞科技有限公司 | 一种违停车辆的检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106600977B (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600977A (zh) | 基于多特征识别的违停检测方法及系统 | |
US10762338B2 (en) | Method and apparatus for detecting fake license plates of vehicles, readable storage medium, and electronic device | |
CN103824066B (zh) | 一种基于视频流的车牌识别方法 | |
CN111815959B (zh) | 一种车辆违章的检测方法、装置以及计算机可读存储介质 | |
CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
CN106991820B (zh) | 违规车辆处理方法及装置 | |
CN106652468A (zh) | 车辆道路前车违规检测和自车违规预警提醒装置及方法 | |
CN100414561C (zh) | 一种基于投影法和数学形态学的车牌提取方法 | |
CN108806272B (zh) | 一种提醒多辆机动车车主违法停车行为的方法及装置 | |
CN110046547A (zh) | 违章举报方法、系统、计算机设备及存储介质 | |
CN108932849B (zh) | 一种记录多台机动车低速行驶违法行为的方法及装置 | |
CN105741559A (zh) | 一种基于车道线模型的违法占用应急车道检测方法 | |
CN112419733A (zh) | 一种用户不规范停车的检测方法、装置、设备和存储介质 | |
CN106650730A (zh) | 汽车变道过程中的转向灯检测方法和系统 | |
CN103699880A (zh) | 基于物联网的交通违法车辆牌照检测与识别方法 | |
CN105046948A (zh) | 一种黄色网格线区域内交通违章停车监测系统和方法 | |
CN111695565A (zh) | 基于道路关卡模糊图像的汽车标志精准定位方法 | |
CN105574502A (zh) | 一种自助发卡机违章行为自动检测方法 | |
CN112509325A (zh) | 一种基于视频深度学习的非现场违法自动甄别方法 | |
CN114708547A (zh) | 车辆重识别方法、装置、计算机设备、存储介质 | |
CN112115800A (zh) | 一种基于深度学习目标检测的车辆组合识别系统及方法 | |
CN113033275A (zh) | 基于深度学习的车辆变道不打转向灯分析系统 | |
CN110909599A (zh) | 一种渣土车苫盖的检测方法、装置及系统 | |
CN117115801A (zh) | 车牌真伪识别方法、装置、设备及存储介质 | |
Nguwi et al. | Number plate recognition in noisy image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |