CN107491753A - 一种基于背景建模的违章停车检测方法 - Google Patents

一种基于背景建模的违章停车检测方法 Download PDF

Info

Publication number
CN107491753A
CN107491753A CN201710699947.XA CN201710699947A CN107491753A CN 107491753 A CN107491753 A CN 107491753A CN 201710699947 A CN201710699947 A CN 201710699947A CN 107491753 A CN107491753 A CN 107491753A
Authority
CN
China
Prior art keywords
mrow
munder
msub
sigma
vehicle location
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.)
Pending
Application number
CN201710699947.XA
Other languages
English (en)
Inventor
王正宁
周阳
马姗姗
张萍
吕侠
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201710699947.XA priority Critical patent/CN107491753A/zh
Publication of CN107491753A publication Critical patent/CN107491753A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明公开了一种基于背景建模的违章停车检测方法，首先对输入的交通监控视频进行动态的背景建模，得到监控场景的背景图像；然后，直接在建模得到的背景图像中进行车辆检测。在得到背景图像中车辆的位置之后，判断车辆所在的区域是否处于违停区域内。若处于违停区域内则进行违停提示，此时可以进行后续的处理。本发明并不进行运动目标的检测，因此排除了在实际视频帧中的运动目标的干扰。基于在背景图像中出现的物体极大可能是静止或者移动缓慢的假设前提，使得整个违停检测过程更加可靠、准确以及便于实现，因此本方法具有较高的实用价值。

Description

一种基于背景建模的违章停车检测方法
技术领域
本发明属于智能交通和计算机视觉技术领域，具体涉及一种关于违章停车的检测方法。
背景技术
违章停车的检测是智能交通和计算机视觉等邻域的重要技术，使用计算机对监控视频中的违章停车现象进行自动检测不仅可以节省大量的人力资源，同时也提高了交通异常事件的检测效率实现完全的无监督自动化的智能监控。违章停车的检测在智能交通监控中作为违章检测的一个重要组成部分，为后续的违停车辆抓拍、跟踪及识别做好了充分的准备及铺垫，因此研究违章停车的检测方法具有重要的意义。
目前基于计算机视觉算法的违章测量检测方法主要基于三大步骤：背景建模、运动目标检测与跟踪、违章行为判决。例如，在综合检测、提取、定位、车牌识别等多种方法的车辆违停检测系统中，在车辆目标检测部分，其预先存储违停区域作为参考背景图像，使用背景减除法获得运动前景目标，并判断违停区域是否存在前景目标，如果存在则对其进行车牌分割和识别。
当前，在判定违停车辆处理时，比较常见的处理方法有：检测—跟踪方法、基于模板匹配的检测法、基于混合背景模型的检测法、基于对偶背景模型减除的检测法：
其中，检测—跟踪方法主要分两步，首先使用基于SHI的前景分割方法检测静止物体，对与违停区域有重叠的静止像素块进行标记；然后，在锁定所有标记静止像素块后开始进行跟踪；
基于模板匹配的检测法：在静止物体检测方面，该方法用背景减除法(BGS)。这种方法在背景建模上使用了三个高斯分布，分别表示背景、静止像素和运动像素。其中静止像素高斯分布专门用于描述静止像素。当一个像素的权值超过阈值，该像素被分成静止像素，这样就可以把静止区域分离出来。当车辆目标被认定为静止时，该方法会对目标进行跟踪以确保其在特定的时间阈值内是接近静止的。
基于混合背景模型的检测法：其混合背景包括三个组成部分：背景场景模型、约束区域图、车辆动态阈值曲线通过利用场景中常规运动的运行动信息，通过使用混合背景模型的道路定位方法。当车辆静止超过预设时间是，会触发标志位。在背景建模和目标检测方面，该方法对传统的背景减除方法做出了改进，提取初始化帧的运动信息并将运动信息转换成一个区域约束图。用该约束图来指定不同的权值已检测场景中的目标。
基于对偶背景模型减除的检测法：使用基于像素密度统计信息生成自适应背景模型。随后对前景信息的几何性质进行分析并滤除错误区域(连通域)。再融合车辆检测已确认所得的区域是否为车辆。车辆检测的方法是基于尺度可变的HOG(Histogram ofOriented Gradient)特征，并使用SVM进行训练。
上述方法均将待检测目标作为前景信息处理，通过背景减除提取运动前景然后利用检测跟踪等方法判断前景目标运动信息。这种处理方式忽略了车辆在一定时间窗口内保持静止时，将被背景减除算法重建在背景模型中的问题。因此将违停车辆作为没有运动的前景目标相比较将违停车辆目标作为背景检测而言多出了目标跟踪及运动信息判断等繁琐环节，同时违停检测的准确率也受前景目标提取准确率的直接影响。
发明内容
本发明的发明目的在于：针对上述存在的问题，公开了一种基于背景建模的违章停车检测方法。本发明在检测处理中，并不进行运动目标的检测，因此能有效排除在实际视频帧中的运动目标的干扰；而直接基于在背景图像中出现的物体极大可能是静止或者移动缓慢的假设前提来完成对连续视频帧的违章停车检测，使得整个违停检测过程更加可靠、准确以及便于实现。
本发明的基于背景建模的违章停车检测方法，包括下列步骤：
步骤1：输入待检测视频，设置违停区域，并初始化停车辆候选集合S为空集；
步骤2：基于上一帧的背景图像，从待检测视频的第二帧开始，依次对各视频帧进行违章停车检测：
201：对待检测的视频帧进行背景建模，得到当前帧的背景图像；
202：基于预设的车辆模型在当前视频帧的背景图像中对车辆进行检测，得到车辆位置区域，
判断车辆位置区域与违停区域的交集区域是否小于阈值T1，若是，则从集合St中删除；
将筛选后的临时集合St中各车辆位置区域的停留次数初始化为1；
202：基于预设的车辆模型在当前视频帧的背景图像中对车辆进行检测(可采用任一惯用方式完成)，得到车辆位置区域，由当前视频帧的所有车辆位置区域得到临时集合St；
对临时集合St进行筛选：遍历集合St的每个车辆位置区域，判断所述车辆位置区域与违停区域的交集区域(平面面积)是否小于阈值T1，若是，则从集合St中删除；，
将筛选后的临时集合St中各车辆位置区域的停留次数初始化为1；
并将临时集合St中对应各车辆位置区域的停留次数初始化为1；
203：更新违停车辆候选集合S为：S＝S∪St；
204：判断违停车辆候选集合S是否为空集，若是，则当前视频帧的检测结果为空；否则执行步骤205；
205：对违停车辆候选集合S进行筛选及停留计数次数更新处理：
基于集合S的每个车辆位置区域，分别在当前视频帧的背景图像、前一视频帧的背景图像提取子图像b、bpre，并转换为灰度图；
分别计算每个车辆位置区域的子图像b、bpre的灰度共生矩阵，并基于各自的灰度共生矩阵的特征量(如对比度、能量、熵、自相关、逆矩阵等)得到子图像b、bpre的纹理特征向量，并判断两者的纹理特征向量的距离是小于阈值T2，若是，则将当前车辆位置区域的停留计次数加1；否则，从集合S中删除当前车辆位置区域；
206：遍历违停车辆候选集合S的每个车辆位置区域的停留次数，若停留次数大于阈值T3，则当前车辆位置区域对应的车辆被判定为违章停车，得到当前视频帧的违章停车检测结果。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
与现有的通过场景中运动目标的前景掩膜分析车辆的运动信息，最终发现车辆在违停区域静止并提示有车辆违停的处理方式相比，在本发明的违章停车检测处理过程中，本发明直接在内容极为稳定的背景图像中对车辆进行检测，而并不进行运动目标的检测，一方面避免了运动目标的干扰，另一方面较为简便地获取到了视频中的处于静止的车辆，对后续的违停判决做好了充分的准备。并利用灰度共生矩阵对图像纹理准确的表示，使得所提取的子图像(当前背景图像、前一帧背景图像的)的纹理特征向量具有较强的鲁棒性，再使用该纹理特征向量作为目标匹配的相似度测量标准，对前后两帧在相同位置是否存在同一目标的判定起到了重要的作用。
附图说明
图1是具体实施方式的处理流程图；
图2是检测效果示意图，其中图2-A为车辆驶入违停区的视频图像、图2-B为违停车辆检出的结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。
参见图1，本发明提出的基于背景建模的违章停车检测方法的实现步骤如下：
S1：根据待检测视频场景划定违停区域locnp(优选为矩形区域，并保存其位置信息：左上角坐标locnp_TL和右下角坐标locnp_BR)，创建违停车辆候选集合S并初始化为空。
S2：加载(事前训练好的)车辆模型model。
S3：对待检测视频的初始帧I0进行背景建模，得到背景图像Bpre。
S4：读取下一帧视频并进行背景建模，得到背景图像B。
S5：初始化临时集合St为空集，并使用model在背景图像B中对车辆进行检测，将得到的车辆位置信息存入临时集合St中；
其中每个车辆位置信息loci定义为能将目标车辆框住的最小矩形的左上角坐标TL(xtl,ytl)和右下角坐标BR(xbr,ybr)，即St＝{loc1,loc2,...,locn}，且loci＝{TL(xtl,ytl),BR(xbr,ybr)}，其中n表示当前帧的车辆位置数目，i为车辆位置标识符。
S6：从St中删除不在locnp内的车辆位置信息，即完成对St的筛选处理：
遍历St中的每个车辆位置信息loci进行判定，判断标准为：若loci所在的矩形区域(车辆位置区域)与违停区域locnp的交集区域小于阈值T1，则认为当前车辆位置区域未进入违停区并将该目标(loci)从St中删除，例如图2-A的所示的被检测目标刚驶入违停区的状态。
在locnp、loci均设置矩形的前提下，则其交集区域也为矩形区域，用oi_TL、oi_BR分别表示当前交集区域的左上角、右下角坐标，则有：
oi_TL＝max(loci_TL,locnp_TL)，oi_BR＝min(loci_BR,locnp_BR)；
其中loci_TL、loci_BR分别表示loci的左上角坐标和右下角坐标。
再基于oi_TL、oi_BR可得到当前交集区域的面积，并基于该面积与阈值T1的大小关系完成对St的筛选处理。
优选的，阈值T1设为0.5。
S7：将St中所有车辆的停留计数器c初始化为1。将集合St与S合并，用该并集更新S，即：S＝S∪St，
其中表示对应集合St中的位置信息loci的计数器。
S8：判断集合S是否为空，若是，则转入步骤S14；否则执行步骤S9。
S9：提取S中任意车辆位置信息loci。分别提取前一帧的背景图像Bpre与当前背景图像B在loci处的子图像bpre及b并转为灰度图。
S10：分别计算bpre与b的灰度共生矩阵GLCMpre，GLCM。
S11：利用各自的灰度共生矩阵的特征量(对比度Con、能量Asm、熵Ent和自相关性Corr)来得到子图像bpre、b的纹理特征向量feat和featpre。
其中，灰度矩阵的对比度Con、能量Asm、熵Ent和自相关性Corr的具体计算公式为：
其中，G(i,j)∈{GLCM,GLCMpre}表示灰度共生矩阵元素，i、j为灰度共生矩阵的行、列标识符。
S12：计算特征向量feat和featpre的距离dist：dist＝||feat-featpre||2；
当dist小于阈值T2(0.02～0.1)时，则当前停留计数器加1。否则将当前车辆位置信息loci所表示的车辆从集合S中删除。
(1)S13：检查集合S中的每一辆车的停留计数器，若c大于阈值T3(经验值)，该车辆被判定为违章停车，即遍历违停车辆候选集合S的每个车辆位置区域的停留次数，若停留次数大于阈值T3，则当前车辆位置区域对应的车辆被判定为违章停车，得到当前视频帧的违章停车检测结果，如图2的2-B所示。
(2)S14：判断视频是否结束，若视频未结束，用当前的背景图像B更新历史背景图像Bpre，
即Bpre＝B，并返回步骤S4。
本发明对交通监控视频中的违停车辆的检测效果相较于传统的基于检测运动目标并对其进行运动分析的方法，理论依据更强，检测结果更加准确。系统拥有较高的违停车辆检出率，还能够较为灵敏地判断违停现象的解除。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (6)

1.一种基于背景建模的违章停车检测方法，其特征在于，包括下列步骤：
步骤1：输入待检测视频，设置违停区域，并初始化停车辆候选集合S为空集；
步骤2：基于上一帧的背景图像，从待检测视频的第二帧开始，依次对各视频帧进行违章停车检测：
201：对待检测的视频帧进行背景建模，得到当前帧的背景图像；
202：基于预设的车辆模型在当前视频帧的背景图像中对车辆进行检测，得到车辆位置区域，由当前视频帧的所有车辆位置区域得到临时集合St；
对临时集合St进行筛选：遍历集合St的每个车辆位置区域，判断车辆位置区域与违停区域的交集区域是否小于阈值T1，若是，则从集合St中删除；
将筛选后的临时集合St中各车辆位置区域的停留次数初始化为1；
203：更新违停车辆候选集合S为：S＝S∪St；
204：判断违停车辆候选集合S是否为空集，若是，则当前视频帧的检测结果为空；否则执行步骤205；
205：对违停车辆候选集合S进行筛选及停留计数次数更新处理：
基于集合S的每个车辆位置区域，分别在当前视频帧的背景图像、前一视频帧的背景图像提取子图像b、bpre，并转换为灰度图；
分别计算每个车辆位置区域的子图像b、bpre的灰度共生矩阵，并基于各自的灰度共生矩阵的特征量得到子图像b、bpre的纹理特征向量，并判断两者的纹理特征向量的距离是小于阈值T2，若是，则将当前车辆位置区域的停留计次数加1；否则，从集合S中删除当前车辆位置区域；
206：遍历违停车辆候选集合S的每个车辆位置区域的停留次数，若停留次数大于阈值T3，则当前车辆位置区域对应的车辆被判定为违章停车，得到当前视频帧的违章停车检测结果。
2.如权利要求1所述的方法，其特征在于，所述纹理特征向量包括对比度Con、能量Asm、熵Ent和自相关性Corr，具体计算公式为：
<mrow> <mi>C</mi> <mi>o</mi> <mi>n</mi> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>i</mi> </munder> <munder> <mo>&amp;Sigma;</mo> <mi>j</mi> </munder> <msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <mi>j</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mi>G</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
<mrow> <mi>A</mi> <mi>s</mi> <mi>m</mi> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>i</mi> </munder> <munder> <mo>&amp;Sigma;</mo> <mi>j</mi> </munder> <mi>G</mi> <msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>;</mo> </mrow>
<mrow> <mi>E</mi> <mi>n</mi> <mi>t</mi> <mo>=</mo> <mo>-</mo> <munder> <mo>&amp;Sigma;</mo> <mi>i</mi> </munder> <munder> <mo>&amp;Sigma;</mo> <mi>j</mi> </munder> <mi>G</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mi>log</mi> <mi>G</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
<mrow> <mi>C</mi> <mi>o</mi> <mi>r</mi> <mi>r</mi> <mo>=</mo> <mfrac> <mrow> <munder> <mo>&amp;Sigma;</mo> <mi>i</mi> </munder> <munder> <mo>&amp;Sigma;</mo> <mi>j</mi> </munder> <mrow> <mo>(</mo> <mi>i</mi> <mi>j</mi> <mo>)</mo> </mrow> <mi>G</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>x</mi> </msub> <msub> <mi>&amp;mu;</mi> <mi>y</mi> </msub> </mrow> <mrow> <msub> <mi>&amp;sigma;</mi> <mi>x</mi> </msub> <msub> <mi>&amp;sigma;</mi> <mi>y</mi> </msub> </mrow> </mfrac> <mo>;</mo> </mrow>
<mrow> <msub> <mi>&amp;mu;</mi> <mi>x</mi> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>i</mi> </munder> <mi>i</mi> <mi>G</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
<mrow> <msub> <mi>&amp;mu;</mi> <mi>y</mi> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>j</mi> </munder> <mi>j</mi> <mi>G</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
<mrow> <msub> <mi>&amp;sigma;</mi> <mi>x</mi> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>i</mi> </munder> <msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>x</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>;</mo> </mrow> 1
<mrow> <msub> <mi>&amp;sigma;</mi> <mi>y</mi> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>j</mi> </munder> <msup> <mrow> <mo>(</mo> <mi>j</mi> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>y</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>;</mo> </mrow>
其中，G(i,j)表示灰度共生矩阵元素，i、j为灰度共生矩阵的行、列标识符。
3.如权利要求2所述的方法，其特征在于，步骤205中，阈值T2的优选取值范围为0.02～0.1。
4.如权利要求1或2所述的方法，其特征在于，违停区域为矩形区域，车辆位置区域为能将目标车辆框住的最小矩形区域。
5.如权利要求1或2所述的方法，其特征在于，步骤202中，当车辆位置区域与违停区域的交集区域的面积大于或等于阈值T1时，则将当前车辆位置区域保存到临时集合St中。
6.如权利要求5所述的方法，其特征在于，阈值T1的优选值为0.5。
CN201710699947.XA 2017-08-16 2017-08-16 一种基于背景建模的违章停车检测方法 Pending CN107491753A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710699947.XA CN107491753A (zh) 2017-08-16 2017-08-16 一种基于背景建模的违章停车检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710699947.XA CN107491753A (zh) 2017-08-16 2017-08-16 一种基于背景建模的违章停车检测方法

Publications (1)

Publication Number Publication Date
CN107491753A true CN107491753A (zh) 2017-12-19

Family

ID=60646325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710699947.XA Pending CN107491753A (zh) 2017-08-16 2017-08-16 一种基于背景建模的违章停车检测方法

Country Status (1)

Country Link
CN (1) CN107491753A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284697A (zh) * 2018-09-03 2019-01-29 江南大学 基于滑动窗口的应急通道占用实时检测方法
CN109559519A (zh) * 2018-12-18 2019-04-02 广东中安金狮科创有限公司 监控设备及其违章停车检测方法、装置、可读存储介质
CN109598941A (zh) * 2018-11-21 2019-04-09 长沙小如信息科技有限公司 关于车辆违停的自锁系统和方法
CN109993789A (zh) * 2017-12-29 2019-07-09 杭州海康威视数字技术股份有限公司 一种共享单车的违停判定方法、装置及相机
WO2019175686A1 (en) 2018-03-12 2019-09-19 Ratti Jayant On-demand artificial intelligence and roadway stewardship system
CN110660259A (zh) * 2018-06-29 2020-01-07 阿里巴巴集团控股有限公司 一种停车提示方法、装置、电子设备和可读介质
CN111091115A (zh) * 2019-12-31 2020-05-01 深圳中兴网信科技有限公司 车辆监控方法、装置、计算机设备及存储介质
CN111199643A (zh) * 2018-11-20 2020-05-26 远创智慧股份有限公司 路况监测方法与系统
CN112101279A (zh) * 2020-09-24 2020-12-18 平安科技（深圳）有限公司 目标物异常检测方法、装置、电子设备及存储介质
CN112183350A (zh) * 2020-09-28 2021-01-05 天地伟业技术有限公司 一种基于视频的违章停车检测方法
WO2021003823A1 (zh) * 2019-07-11 2021-01-14 平安科技（深圳）有限公司 基于视频帧图片分析的车辆违停检测方法及装置
CN112232441A (zh) * 2020-11-18 2021-01-15 中国联合网络通信集团有限公司 违章停车判断方法、系统、计算机设备及存储介质
CN112509315A (zh) * 2020-11-04 2021-03-16 杭州远眺科技有限公司 一种基于视频分析的交通事故检测方法
CN112542063A (zh) * 2020-12-01 2021-03-23 慧泉智能科技（苏州）有限公司 一种监测古运河河道水上交通工具违规停靠的方法
CN113409587A (zh) * 2021-06-16 2021-09-17 北京字跳网络技术有限公司 异常车辆的检测方法、装置、设备及存储介质
CN113449605A (zh) * 2021-05-31 2021-09-28 超级视线科技有限公司 一种基于多维度的路侧车辆违停判断方法及系统
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102610102A (zh) * 2012-02-27 2012-07-25 安科智慧城市技术（中国）有限公司 一种嫌疑车辆查控方法及系统
WO2012139636A1 (en) * 2011-04-13 2012-10-18 Connaught Electronics Limited Online vehicle camera calibration based on road surface texture tracking and geometric properties
CN104376554A (zh) * 2014-10-16 2015-02-25 中海网络科技股份有限公司 一种基于图像纹理的违章停车检测方法
CN104504908A (zh) * 2015-01-14 2015-04-08 苏州科达科技股份有限公司 一种违章停车监控方法及系统
CN105957352A (zh) * 2016-06-01 2016-09-21 深圳中兴力维技术有限公司 违章停车检测方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012139636A1 (en) * 2011-04-13 2012-10-18 Connaught Electronics Limited Online vehicle camera calibration based on road surface texture tracking and geometric properties
CN102610102A (zh) * 2012-02-27 2012-07-25 安科智慧城市技术（中国）有限公司 一种嫌疑车辆查控方法及系统
CN104376554A (zh) * 2014-10-16 2015-02-25 中海网络科技股份有限公司 一种基于图像纹理的违章停车检测方法
CN104504908A (zh) * 2015-01-14 2015-04-08 苏州科达科技股份有限公司 一种违章停车监控方法及系统
CN105957352A (zh) * 2016-06-01 2016-09-21 深圳中兴力维技术有限公司 违章停车检测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨帆 等: "《精通图像处理经典算法（MATLAB版）》", 30 April 2014, 北京航空航天大学出版社 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993789A (zh) * 2017-12-29 2019-07-09 杭州海康威视数字技术股份有限公司 一种共享单车的违停判定方法、装置及相机
CN109993789B (zh) * 2017-12-29 2021-05-25 杭州海康威视数字技术股份有限公司 一种共享单车的违停判定方法、装置及相机
WO2019175686A1 (en) 2018-03-12 2019-09-19 Ratti Jayant On-demand artificial intelligence and roadway stewardship system
CN110660259A (zh) * 2018-06-29 2020-01-07 阿里巴巴集团控股有限公司 一种停车提示方法、装置、电子设备和可读介质
CN110660259B (zh) * 2018-06-29 2022-03-29 斑马智行网络(香港)有限公司 一种停车提示方法、装置、电子设备和可读介质
CN109284697B (zh) * 2018-09-03 2021-05-14 江南大学 基于滑动窗口的应急通道占用实时检测方法
CN109284697A (zh) * 2018-09-03 2019-01-29 江南大学 基于滑动窗口的应急通道占用实时检测方法
CN111199643A (zh) * 2018-11-20 2020-05-26 远创智慧股份有限公司 路况监测方法与系统
CN109598941A (zh) * 2018-11-21 2019-04-09 长沙小如信息科技有限公司 关于车辆违停的自锁系统和方法
CN109559519A (zh) * 2018-12-18 2019-04-02 广东中安金狮科创有限公司 监控设备及其违章停车检测方法、装置、可读存储介质
WO2021003823A1 (zh) * 2019-07-11 2021-01-14 平安科技（深圳）有限公司 基于视频帧图片分析的车辆违停检测方法及装置
CN111091115A (zh) * 2019-12-31 2020-05-01 深圳中兴网信科技有限公司 车辆监控方法、装置、计算机设备及存储介质
CN112101279A (zh) * 2020-09-24 2020-12-18 平安科技（深圳）有限公司 目标物异常检测方法、装置、电子设备及存储介质
CN112101279B (zh) * 2020-09-24 2023-09-15 平安科技（深圳）有限公司 目标物异常检测方法、装置、电子设备及存储介质
CN112183350A (zh) * 2020-09-28 2021-01-05 天地伟业技术有限公司 一种基于视频的违章停车检测方法
CN112183350B (zh) * 2020-09-28 2023-07-14 天地伟业技术有限公司 一种基于视频的违章停车检测方法
CN112509315A (zh) * 2020-11-04 2021-03-16 杭州远眺科技有限公司 一种基于视频分析的交通事故检测方法
CN112232441A (zh) * 2020-11-18 2021-01-15 中国联合网络通信集团有限公司 违章停车判断方法、系统、计算机设备及存储介质
CN112232441B (zh) * 2020-11-18 2023-06-06 中国联合网络通信集团有限公司 违章停车判断方法、系统、计算机设备及存储介质
CN112542063A (zh) * 2020-12-01 2021-03-23 慧泉智能科技（苏州）有限公司 一种监测古运河河道水上交通工具违规停靠的方法
CN113449605A (zh) * 2021-05-31 2021-09-28 超级视线科技有限公司 一种基于多维度的路侧车辆违停判断方法及系统
CN113409587A (zh) * 2021-06-16 2021-09-17 北京字跳网络技术有限公司 异常车辆的检测方法、装置、设备及存储介质
CN113409587B (zh) * 2021-06-16 2022-11-22 北京字跳网络技术有限公司 异常车辆的检测方法、装置、设备及存储介质
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

Similar Documents

Publication Publication Date Title
CN107491753A (zh) 一种基于背景建模的违章停车检测方法
CN108898047B (zh) 基于分块遮挡感知的行人检测方法及系统
De Charette et al. Real time visual traffic lights recognition based on spot light detection and adaptive traffic lights templates
CN104063712B (zh) 一种车辆信息提取方法和系统
US11380104B2 (en) Method and device for detecting illegal parking, and electronic device
CN107463890B (zh) 一种基于单目前视相机的前车检测与跟踪方法
CN107992819B (zh) 一种车辆属性结构化特征的确定方法与装置
CN103310194B (zh) 视频中基于头顶像素点梯度方向的行人头肩部检测方法
CN104217427B (zh) 一种交通监控视频中车道线定位方法
Huang et al. Vehicle detection and inter-vehicle distance estimation using single-lens video camera on urban/suburb roads
CN103699905B (zh) 一种车牌定位方法及装置
CN108805016B (zh) 一种头肩区域检测方法及装置
CN111507327B (zh) 一种目标检测方法及装置
CN101216885A (zh) 一种基于视频的行人人脸检测与跟踪算法
CN110348332B (zh) 一种交通视频场景下机非人多目标实时轨迹提取方法
CN111709416A (zh) 车牌定位方法、装置、系统及存储介质
CN103605953A (zh) 基于滑窗搜索的车辆兴趣目标检测方法
CN102496001A (zh) 一种视频监控目标自动检测的方法和系统
CN110135377B (zh) 车路协同中物体运动状态检测方法、装置和服务器
CN107563310A (zh) 一种违章变道检测方法
CN111046856A (zh) 基于动静态特征提取并行位姿跟踪与地图创建的方法
CN106446785A (zh) 基于双目视觉的可行道路检测方法
CN106558051A (zh) 一种改进的从单幅图像检测道路的方法
CN110245544A (zh) 一种确定停车状态的方法及装置
CN102609724A (zh) 一种基于双摄像头的周围环境信息提示方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20171219

RJ01 Rejection of invention patent application after publication