CN107748866B - 违法停车自动识别方法及装置 - Google Patents
违法停车自动识别方法及装置 Download PDFInfo
- Publication number
- CN107748866B CN107748866B CN201710984531.2A CN201710984531A CN107748866B CN 107748866 B CN107748866 B CN 107748866B CN 201710984531 A CN201710984531 A CN 201710984531A CN 107748866 B CN107748866 B CN 107748866B
- Authority
- CN
- China
- Prior art keywords
- image
- background
- recognized
- current
- identified
- 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
Images
Classifications
-
- 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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Closed-Circuit Television Systems (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
- Burglar Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能交通技术领域,提供了一种违法停车自动识别方法及装置。所述方法包括:获取违停监测区的多个背景图像,形成背景库;根据背景库与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆。所述方法及装置可以实时更新监控区域背景进行背景库构建与维护,利用背景库自动识别违法停车车辆,能够更精准、有效地判断是否为违法停车。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种违法停车自动识别方法及装置。
背景技术
随着我国经济的快速发展,汽车保有量急剧增加,同时导致违法停车现象急剧增加。违法停车不仅造成交通拥堵,还可能影响消防、急救等紧急救援行动的实施,造成重大安全隐患。为了满足交通执法需求,行业内出现了违法停车自动抓拍的技术和设备,但现有的自动抓拍技术和设备因环境、光线等因素复杂多变而难以精准、有效地对违停车辆进行自动识别。
发明内容
有鉴于此,本发明实施例提供了一种违法停车自动识别方法及装置,以解决现有技术中对车辆进行自动识别过程中因环境、光线等复杂多变而无法精准、有效地判断是否为违法停车的问题。
本发明实施例提供一种违法停车自动识别方法,包括:
获取违停监测区的多个背景图像,形成背景库;
根据背景库与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆。
可选的,所述背景库包括不同光照条件的背景图像;
相应的,根据背景库与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆,包括:
从所述背景库中选择与所述待识别图像的光照条件对应的背景图像;
根据所选定的背景图像与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆。
可选的,获取违停监测区的多个背景图像,形成背景库,包括:
从违停监测区的多个背景图像中读取图像,重复执行下述步骤,直至全部图像读取完毕:
判断所读取的图像是否为第一帧图像;
若所述图像是第一帧图像,将所述第一帧图像设为首类首帧并存储所述第一帧图像,记作当前类数为N=1,总类数为第一阈值,首类图像帧数为M1=1,设置其它类图像帧数均为0,并继续返回读取下一帧图像;
若所述图像不是第一帧图像,开始执行循环匹配,记作循环次数i=1,比较循环次数i与当前类数的大小:若i小于等于当前类数,则判断当前所述图像是否与第i类首帧相同,若相同,则将当前所述图像归为第i类且不存储,并比较第i类图像帧数与第二阈值的大小:若第i类图像帧数小于等于第二阈值,则将第i类图像帧数加1,继续返回读取下一帧图像;若第i类图像帧数大于第二阈值,则第i类图像帧数不再累加,继续返回读取下一帧图像;若不同,则循环次数i加1,记作第i+1次循环,继续返回判断i+1是否小于等于当前类数;若i大于当前类数,则判断当前类数是否小于第一阈值,若是,则新加一类,将当前所述图像存储为新加一类首帧,且当前类数N加1,继续返回开始读取下一帧图像,若不是,获取所述当前类中包含所述图像帧数最小的类,进行清空操作,并将采集的当前所述图像作为所述图像帧数最小的类首帧,所述采集的当前所述图像帧数从1开始重新计数,并读取下一帧图像。
可选的,根据背景库与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆,包括:
开始初始化:设置读取的待识别图像没有获得当前背景的标志及没有获得可疑目标的标志;
判断所读取的待识别图像是否有获得背景库的当前背景的标志:
若所述待识别图像没有获得背景库的当前背景的标志,则在背景库中进行循环比对,记作循环次数k=1,比较循环次数k与第一阈值的大小:
当循环次数k小于等于第一阈值时,将循环次数k加1,并判断当前待识别图像是否与背景库中第k类相同:若相同,则设置当前待识别图像的背景图像为背景库中第k类,并设置当前待识别图像的背景图像有获得当前背景的标志,设置所述当前待识别图像没有获得可疑目标的标志,且将存储在S中的待识别图像清空,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;若不相同,继续比较循环次数k与第一阈值的大小;
当循环次数k大于第一阈值时,则表示出现可疑违法停车车辆目标,并判断所述待识别图像是否有获得可疑目标的标志:
若所述待识别图像没有获得可疑目标的标志,将当前待识别图像存储在S中,设置待识别图像帧数j=1,并设置所述当前待识别图像有获得可疑目标的标志,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;
若所述待识别图像有获得可疑目标的标志,则比较待识别图像帧数j与第三阈值的大小:
当待识别图像帧数j小于第三阈值时,则判断当前待识别图像是否与存储在S中的待识别图像相同:若相同,则待识别图像帧数j加1,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;若不相同,设置当前待识别图像没有获得可疑目标的标志并将存储在S中的待识别图像清空,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;
当待识别图像帧数j大于第三阈值时,则判断当前待识别图像为违法停车车辆,并将当前待识别图像与临时存储的违法停车记录比较:若相同,则判断抓拍过当前违法停车车辆,并不再进行抓拍和存储,继续读取下一帧图像,返回开始初始化;若不相同,则对当前违法停车车辆进行抓拍,并将当前违法停车车辆的图像存于违法停车库和临时存储的违法停车记录,继续读取下一帧图像,返回开始初始化;
若所述待识别图像的背景图像有获得背景库的当前背景的标志,判断所述待识别图像是否与所述背景库中第k类的背景图像相同:若相同,则设置当前待识别图像没有获得可疑目标的标志并将存储在S中的待识别图像清空,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;若不相同,则将当前待识别图像与所述背景库中各类别比较:若有相同的,表示光线变化引起背景图像变化,并将背景库中与所述当前待识别图像相同的类替换背景库中第k类用以识别,且判断当前待识别图像为非违法停车状态,设置当前待识别图像没有获得可疑目标的标志并将存储在S中的待识别图像清空,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;若无相同的,则继续返回判断所述待识别图像是否有获得可疑目标的标志。
可选的,所述第一阈值为所述背景库中的类数,所述背景库中的类数为50;所述第三阈值为100。
可选的,根据所选定的背景图像与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆,包括:
获取选定的背景图像的监测区图像和违停监测区的待识别图像的监测区图像,通过第一公式获得第一灰度图像;
将第一灰度图像分为多块图像,并计算每一块图像灰度值矩阵的方差;
根据每一块图像灰度值矩阵的方差与判断阈值,判断选定的背景图像与所述违停监测区的待识别图像是否相同:若相同,则判断所述待识别图像中没有违停车辆;若不相同,则判断所述待识别图像中有违停车辆。
可选的,所述第一公式为:c=abs(a-b),所述abs为取绝对值;其中,a为所述选定的背景图像的监测区图像的灰度值矩阵,b为所述违停监测区的待识别图像的监测区图像的灰度值矩阵,c为所述第一灰度图像的灰度值矩阵。
可选的,所述根据每一块图像灰度值矩阵的方差与判断阈值,判断选定的背景图像和违停监测区的待识别图像是否相同,包括:
判断每一块图像灰度值矩阵的方差与判断阈值的大小;其中,所述多块图像包括第一块图像、第二块图像、第三块图像、第四块图像,第一块图像灰度值矩阵为var1,第二块图像灰度值矩阵为var2,第三块图像灰度值矩阵为var3,第四块图像灰度值矩阵为var4;
当var1小于判断阈值,var2小于判断阈值,var3小于判断阈值和var4小于判断阈值同时成立时,判断选定的背景图像和违停监测区的待识别图像相同;否则,判断选定的背景图像和违停监测区的待识别图像不相同。
本发明实施例还提供一种违法停车自动识别装置,包括:
获取单元,用于获取违停监测区的多个背景图像,形成背景库;
识别单元,用于根据背景库与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆。
本发明实施例采用的技术方案与现有技术相比存在的有益效果是:本发明通过获取违停监测区的多个背景图像,形成背景库,从获取的违停监测区的背景图像分析,将背景库的背景图像与违停监测区的待识别图像对比,判断违停监测区的待识别图像是否有违停车辆,实现了背景库的构建及利用背景库自动识别违法停车车辆,更精准、有效地判断是否为违法停车。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的违法停车自动识别方法的流程图;
图2是本发明实施例提供的违法停车自动识别方法中形成背景库的流程图;
图3是本发明实施例提供的违法停车自动识别方法中判断选定的背景图像与所述违停监测区的待识别图像是否相同的流程图;
图4是本发明实施例提供的违法停车自动识别方法中判断待识别图像中是否有违停车辆的流程图;
图5是本发明实施例提供的违法停车自动识别装置的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,本发明提供的一种违法停车自动识别方法,包括:
步骤S101,获取违停监测区的多个背景图像,形成背景库。
对违停监测区进行监测,并获取该违停监测区的多个背景图像,存储不同光照条件下的违停监测区监测到的图像,则存储的所有图像形成一个背景库。
步骤S102,根据背景库与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆。
步骤S102可以通过以下方式实现:
方式一、背景库中存有多张背景图像,将多张图像分别与待识别图像比较,只要有一个或多个与待识别图像相同就认为待识别图像不是违停车辆;
方式二、背景库中分不同光照条件存储背景图像,根据相应的光照条件对应的背景图像与待识别图像进行比较,准确性较高,其中,不同的光照条件可以根据不同时间段选取对应的背景图像,且更优的,可以考虑增加季节因素,比如,不同的季节向背景库中存储一天不同时间段的背景图像,再根据相应的季节及时间段对应的背景图像与待识别图像进行比较,准确性更高。
本发明实施例提供的违法停车自动识别方法,通过获取违停监测区的多个背景图像,形成背景库,从获取的违停监测区的背景图像分析,将背景库的背景图像与违停监测区的待识别图像对比,判断违停监测区的待识别图像是否有违停车辆,不需要对背景库进行训练和维护就实现了背景库的构建及利用背景库自动识别违法停车车辆,更快速、有效地判断是否为违法停车。
从获取的违停监测区的背景图像分析,背景图像始终是如一的或者是相似的,而车辆前景是不规则的,因此,在上述实施例提供的技术方案的基础上,优选的是,还可以基于长时间、大量的特征统计来获取背景图像,即通过大量的素材最终训练出背景图像,并且此背景图像训练形成的背景库具有更新机制和融合机制。
例如,可以基于大量素材通过分类来建立并实时维护背景库,相应的,上述步骤S101还可以包括:
根据违停监测区的多个背景图像形成样本库,读取所述样本库中每一帧图像,判断所述图像是否属于所述样本库中已有的一个类;若属于,则将所述图像归于所述类并记录图像帧数;若不属于,则设立一新类,并将所述图像归于所述一新类并记录图像帧数;选取包含图像帧数大于等于帧数阈值的类,根据选取包含图像帧数大于等于帧数阈值的类中的全部图像形成背景库。
这样,根据违停监测区的多个背景图像形成样本库,通过训练背景图像,并读取所述样本库中每一帧图像,判断所述图像是否属于样本库中已有的一个类,将样本库中的每一帧图像对各类依次进行匹配,若该帧图像与某类相匹配,则认为该帧图像属于某类,则将该帧图像归于其类并记录类中的图像帧数;若该帧图像与某类不匹配,则认为该帧图像不属于某类,则设立一新类,并将所述图像归于所述一新类并记录类中的图像帧数。通过长时间训练,实时统计帧数最多的类作为样本库中的一类并记录,依次分类,其中,帧数最多的类的是选取包含图像帧数大于等于帧数阈值的类,根据选取包含图像帧数大于等于帧数阈值的类中的全部图像形成背景库及实时更新背景库。
具体地,获取违停监测区的多个背景图像,形成背景库,可以包括:从违停监测区的多个背景图像中读取图像,重复执行下述步骤,直至全部图像读取完毕:
判断所读取的图像是否为第一帧图像;
若所述图像是第一帧图像,将所述第一帧图像设为首类首帧并存储所述第一帧图像,记作当前类数为N=1,总类数为第一阈值,首类图像帧数为M1=1,设置其它类图像帧数均为0,并继续返回读取下一帧图像;
若所述图像不是第一帧图像,开始执行循环匹配,记作循环次数i=1,比较循环次数i与当前类数的大小:若i小于等于当前类数,则判断当前所述图像是否与第i类首帧相同,若相同,则将当前所述图像归为第i类且不存储,并比较第i类图像帧数与第二阈值的大小:若第i类图像帧数小于等于第二阈值,则将第i类图像帧数加1,继续返回读取下一帧图像;若第i类图像帧数大于第二阈值,则第i类图像帧数不再累加,继续返回读取下一帧图像;若不同,则循环次数i加1,记作第i+1次循环,继续返回判断i+1是否小于等于当前类数;若i大于当前类数,则判断当前类数是否小于第一阈值,若是,则新加一类,将当前所述图像存储为新加一类首帧,且当前类数N加1,继续返回开始读取下一帧图像,若不是,获取所述当前类中包含所述图像帧数最小的类,进行清空操作,并将采集的当前所述图像作为所述图像帧数最小的类首帧,所述采集的当前所述图像帧数从1开始重新计数,并读取下一帧图像。
基于上述方案,通过步骤S201至步骤S215来对背景库的形成进行详细的介绍。
步骤S201,开始;
步骤S202,读取图像;
步骤S203,判断所读取图像是否为第一帧图像;
步骤S204,若所述图像是第一帧图像,将所读取图像设为首类首帧并存储待识别图像,记作当前类数为N=1,总类数为第一阈值,首类图像帧数为M1=1,设置其它类图像帧数均为0,继续返回步骤S202;
步骤S205,若所述图像不是第一帧图像,开始执行循环匹配,记作循环次数i=1;
步骤S206,比较循环次数i与当前类数N的大小,记作i<=当前类数N?i++;
步骤S207,若i小于等于当前类数N,则判断所读取图像是否与第i类首帧相同;
步骤S208,若相同,则将所读取图像归为第i类,且不存储待识别图像;
步骤S209,比较第i类图像帧数与第二阈值的大小,记作第i类图像帧数<=第二阈值?;
步骤S210,若第i类图像帧数小于等于第二阈值,将第i类图像帧数加1,继续返回步骤S202;
步骤S211,若第i类图像帧数大于第二阈值,第i类图像帧数不再累加,继续返回步骤S202;
步骤S212,若不同,则循环次数i加1,返回步骤S206;
步骤S213,若i大于当前类数N,则判断当前类数是否小于第一阈值,记作当前类数N<50?;
步骤S214,若是,新加一类,并将图像存储为该类首帧,且当前类数N加1,继续返回步骤S202;
步骤S215,若不是,选出当前类中图像帧数最小的一类,并清空图像,将当前图像作为本类首帧,且图像帧数从1开始重新计数,继续返回步骤S202。
下面结合具体实施例进行说明,本实施例中,根据违停监测区的多个背景图像形成样本库,从所述样本库读取图像,且将在样本库中选取50个类的图像作为背景库。开始读取时,样本库中没有分类,则第一帧图像设为首类首帧并存储第一帧图像,且首类中帧数为1,当前类数为1;继续读取第二帧图像,则将第二帧图像与首类首帧比较是否相同,若相同,则将第二帧图像归为首类且不存储,其中,首类中帧数加1,若不相同,则将第二帧图像归为第二类且存储第二帧图像,其中,第二类中帧数为1,当前类数加1;继续读取第三帧图像,则将第三帧图像与已归好的各类比较,若有相同的,则将第三帧图像归为相同的那类且不存储,其中,该相同的那类中的帧数加1,若没有相同的,则将第三帧图像归为新的一类且存储第三帧图像,其中,新的一类中的帧数为1,当前类数加1;以此类推,重复执行上述步骤,当样本库中的类数超过50个类时,则将当前样本库中的各类中帧数最小的那类清空并将当前图像归为清空的那类并存储当前图像,且清空的那类中帧数加1,依次进行分类和不断地替换,直至全部图像读取完毕。当全部图像读取完毕后,将样本库中的50个类中全部图像作为背景库,即完成背景库的构建和维护,实时更新背景库。
在上述实施例提供的技术方案的基础上,还可以通过其它的方式实现步骤S102。
第一种实现步骤S102的方法:先判断选定的背景图像与所述违停监测区的待识别图像是否相同,再根据判断结果判断所述待识别图像中是否有违停车辆。
具体地,背景库可以包括不同光照条件的背景图像,相应的,步骤S102中的根据背景库与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆,可以包括:
从所述背景库中选择与所述待识别图像的光照条件对应的背景图像;根据所选定的背景图像与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆。
本实施例中,构建并优化一个背景库(含50个背景类),此背景库包含一整天不同光照条件对应的背景图像,在违停车辆识别时,根据不同光照条件在背景库中挑选最接近的背景图像用于判断待识别图像中是否有违停车辆。
比如,构建并优化的一个背景库含50个背景类,其中50个背景类中包含100张背景图像,这100张背景图像是由一天中24小时不同光照条件从监测区获取的。在违停车辆识别时,根据当前的时间段对应找出背景库中该时间段获取的背景图像,从该时间段获取的背景图像中找出与待识别图像的背景图像最接近的背景图像,用于判断待识别图像中是否有违停车辆。
进一步地,根据所选定的背景图像与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆,包括:获取选定的背景图像的监测区图像和违停监测区的待识别图像的监测区图像,通过第一公式获得第一灰度图像;将第一灰度图像分为多块图像,并计算每一块图像灰度值矩阵的方差;根据每一块图像灰度值矩阵的方差与判断阈值,判断选定的背景图像与所述违停监测区的待识别图像是否相同:若相同,则判断所述待识别图像中没有违停车辆;若不相同,则判断所述待识别图像中有违停车辆。
进一步地,所述第一公式为:c=abs(a-b),所述abs为取绝对值;其中,a为所述选定的背景图像的监测区图像的灰度值矩阵,b为所述违停监测区的待识别图像的监测区图像的灰度值矩阵,c为所述第一灰度图像的灰度值矩阵。
具体地,参见图3,本实施例中,选定的背景图像为A,违停监测区的待识别图像为B,分别截取A和B的监测区,则选A的监测区图像的灰度值矩阵为a,B的监测区图像的灰度值矩阵为b。其中,根据a和b,通过第一公式c=abs(a-b),且abs为取绝对值,获得第一灰度图像的灰度值矩阵c。再将第一灰度图像的灰度值矩阵c分为“田”字型的四小块图像灰度值矩阵,并计算每一块图像灰度值矩阵的方差,根据每一块图像灰度值矩阵的方差与判断阈值比较,通过判断A和B是否相同,用以判断B中是否有违停车辆。若A和B相同,则判断B中没有违停车辆;若A和B不相同,则判断B中有违停车辆。
可选的,所述根据每一块图像灰度值矩阵的方差与判断阈值,判断选定的背景图像和违停监测区的待识别图像是否相同,包括:
判断每一块图像灰度值矩阵的方差与判断阈值的大小;其中,所述多块图像包括第一块图像、第二块图像、第三块图像、第四块图像,第一块图像灰度值矩阵为var1,第二块图像灰度值矩阵为var2,第三块图像灰度值矩阵为var3,第四块图像灰度值矩阵为var4;
当var1小于判断阈值,var2小于判断阈值,var3小于判断阈值和var4小于判断阈值同时成立时,判断选定的背景图像和违停监测区的待识别图像相同;否则,判断选定的背景图像和违停监测区的待识别图像不相同。
具体地,参见图3,本实施例中,将第一灰度图像的灰度值矩阵c分为“田”字型的四小块图像灰度值矩阵,当var1、var2、var3和var4同时小于判断阈值时,则判断A和B相同;当var1、var2、var3和var4中至少一个大于判断阈值时,则判断A和B不相同。
下面通过步骤301至步骤308来详细说明如何判断所选定的背景图像与所述违停监测区的待识别图像是否相同,进而用来判断所述待识别图像中是否有违停车辆。
步骤S301,开始,输入两帧图像A和B;
步骤S302,截取A、B的监控区,分别记作灰度值矩阵为a和b;
步骤S303,计算第一灰度图像的灰度值矩阵c,记作c=abs(a-b);
步骤S304,将c按“田”字形分为4小块图像灰度值矩阵;
步骤S305,计算每一小块图像灰度值矩阵的方差,分别记为var1、var2、var3和var4;
步骤S306,判断var1、var2、var3和var4是否同时小于判断阈值;
步骤S307,若同时小于判断阈值,判断A和B相同;
步骤S308,若不同时小于判断阈值,判断A和B不相同。
根据判断结果判断所述待识别图像中是否有违停车辆,包括:若A和B相同,则判断B中没有违停车辆;若A和B不相同,则判断B中有违停车辆。
具体地,本实施例中,背景库中分为50个类的背景图像,当读取到违停监测区的待识别图像时,将待识别图像与背景库中各类的背景图像进行对比,若待识别图像与背景库中的背景图像有相同的,则将待识别图像直接与背景库中对应的类的背景图像比较是否相同,判断所述待识别图像中是否有违停车辆;若待识别图像与背景库中的背景图像有相同的,则判断所述待识别图像为可疑违停车辆,进一步判断所述待识别图像是否有违停车辆。
第二种实现步骤102的方法,根据背景库与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆,可以包括:
开始初始化:设置读取的待识别图像没有获得当前背景的标志及没有获得可疑目标的标志;
判断所读取的待识别图像是否有获得背景库的当前背景的标志:
若所述待识别图像没有获得背景库的当前背景的标志,则在背景库中进行循环比对,记作循环次数k=1,比较循环次数k与第一阈值的大小:
当循环次数k小于等于第一阈值时,将循环次数k加1,并判断当前待识别图像是否与背景库中第k类相同:若相同,则设置当前待识别图像的背景图像为背景库中第k类,并设置当前待识别图像的背景图像有获得当前背景的标志,设置所述当前待识别图像没有获得可疑目标的标志,且将存储在S中的待识别图像清空,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;若不相同,继续比较循环次数k与第一阈值的大小;
当循环次数k大于第一阈值时,则表示出现可疑违法停车车辆目标,并判断所述待识别图像是否有获得可疑目标的标志:
若所述待识别图像没有获得可疑目标的标志,将当前待识别图像存储在S中,设置待识别图像帧数j=1,并设置所述当前待识别图像有获得可疑目标的标志,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;
若所述待识别图像有获得可疑目标的标志,则比较待识别图像帧数j与第三阈值的大小:
当待识别图像帧数j小于第三阈值时,则判断当前待识别图像是否与存储在S中的待识别图像相同:若相同,则待识别图像帧数j加1,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;若不相同,设置当前待识别图像没有获得可疑目标的标志并将存储在S中的待识别图像清空,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;
当待识别图像帧数j大于第三阈值时,则判断当前待识别图像为违法停车车辆,并将当前待识别图像与临时存储的违法停车记录比较:若相同,则判断抓拍过当前违法停车车辆,并不再进行抓拍和存储,继续读取下一帧图像,返回开始初始化;若不相同,则对当前违法停车车辆进行抓拍,并将当前违法停车车辆的图像存于违法停车库和临时存储的违法停车记录,继续读取下一帧图像,返回开始初始化;
若所述待识别图像的背景图像有获得背景库的当前背景的标志,判断所述待识别图像是否与所述背景库中第k类的背景图像相同:若相同,则设置当前待识别图像没有获得可疑目标的标志并将存储在S中的待识别图像清空,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;若不相同,则将当前待识别图像与所述背景库中各类别比较:若有相同的,表示光线变化引起背景图像变化,并将背景库中与所述当前待识别图像相同的类替换背景库中第k类用以识别,且判断当前待识别图像为非违法停车状态,设置当前待识别图像没有获得可疑目标的标志并将存储在S中的待识别图像清空,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;若无相同的,则继续返回判断所述待识别图像是否有获得可疑目标的标志。
其中,所述第一阈值为所述背景库中的类数,所述背景库中的类数为50;所述第三阈值为100。
具体地,参见图4,可以通过以下流程来实现根据背景库与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆:
步骤S401,开始初始化(Flag=false,Suspect=false),其中Flag为是否获得背景库的当前背景的标记,Suspec为是否获得可疑目标的标志;
步骤S402,读取待识别图像;
步骤S403,判断所读取的待识别图像是否有获得背景库的当前背景的标志,记作Flag=false?;
步骤S404,若所述待识别图像没有获得背景库的当前背景的标志,则k=1;
步骤S405,比较循环次数k与第一阈值的大小,记作k<=50?k++;
步骤S406,当循环次数k小于等于第一阈值时,将循环次数k加1,并判断当前待识别图像是否与背景库中第k类相同;
步骤S407,若相同,设置当前待识别图像的背景图像为背景库中第k类,并设置当前待识别图像的背景图像有获得当前背景的标志(Flag=ture);
步骤S408,设置所述当前待识别图像没有获得可疑目标的标志,记作Suspect=false,并将存储在S中的待识别图像清空,继续返回步骤S402;
步骤S409,若不相同,继续执行步骤S405;
步骤S410,当循环次数k大于等于第一阈值时,判断所述待识别图像是否有获得可疑目标的标志,记作Suspect=false?;
步骤S411,若所述待识别图像没有获得可疑目标的标志,将当前待识别图像存储在S中,设置待识别图像帧数j=1,并设置所述当前待识别图像有获得可疑目标的标志,记作将当前待识别图像存于S中,设j=1,Suspect=true,继续返回步骤S402;
步骤S412,若所述待识别图像有获得可疑目标的标志,则比较待识别图像帧数j与第三阈值的大小,记作j<=100?;
步骤S413,当待识别图像帧数j小于第三阈值时,则判断当前待识别图像是否与存储在S中的待识别图像相同;
步骤S414,若相同,则待识别图像帧数j加1,记作j++,继续返回步骤S402;
步骤S415,若不相同,执行步骤S408,继续返回步骤S402;
步骤S416,当待识别图像帧数j大于第三阈值时,判断当前待识别图像为违法停车车辆;
步骤S417,比较当前待识别图像与临时存储的违法停车记录是否相同;
步骤S418,若相同,则判断抓拍过当前违法停车车辆,并不再进行抓拍和存储,继续读取下一帧图像,返回步骤S401;
步骤S419,若不相同,则对当前违法停车车辆进行抓拍,并将当前违法停车车辆的图像存于违法停车库和临时存储的违法停车记录中,继续读取下一帧图像,返回步骤S401;
步骤S420,若所述待识别图像的背景图像有获得背景库的当前背景的标志,判断所述待识别图像是否与所述背景库中第k类的背景图像相同;
步骤S421,若相同,执行步骤S408,继续返回步骤S402;
步骤S422,若不相同,判断待识别图像是否与所述背景库中各类相同;
步骤S423,若有相同的,表示光线变化引起背景图像变化,并将背景库中与所述当前待识别图像相同的类替换背景库中第k类用以识别;
步骤S424,判断当前待识别图像为非违法停车状态,继续执行步骤S408,返回步骤S402;
步骤S425,若无相同的,继续步骤S410,判断所述待识别图像是否有获得可疑目标的标志。
本发明实施例二,通过大量的素材最终训练出背景图像,并获取违停监测区的多个背景图像,形成背景库并且对背景库进行训练和维护实现对背景库的构建及更新,利用背景库自动识别违法停车车辆,此背景图像训练形成的背景库具有更新机制和融合机制。从获取的违停监测区的背景图像分析,将背景库的背景图像与违停监测区的待识别图像对比,判断违停监测区的待识别图像是否有违停车辆,实现了背景库的构建及利用背景库自动识别违法停车车辆,使更精准、有效地判断是否为违法停车。
图5为本发明实施例提供的一种违法停车自动识别装置,如图5所示,所述装置包括:获取单元501,用于获取违停监测区的多个背景图像,形成背景库;
识别单元502,用于根据背景库与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆。
本发明实施例提供的法停车自动识别装置通过设置获取单元501和识别单元502,用于获取违停监测区的多个背景图像,形成背景库,并从获取的违停监测区的背景图像分析,将背景库的背景图像与违停监测区的待识别图像对比,判断违停监测区的待识别图像是否有违停车辆,实现了背景库的构建及利用背景库自动识别违法停车车辆,更精准、有效地判断是否为违法停车。
本实施例中的一种违法停车自动识别装置,可以用于执行上述任一实施例所述的违法停车自动识别方法,其具体实现原理可以参见上述任一实施例,此处不再赘述。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种违法停车自动识别方法,其特征在于,包括:
获取违停监测区的多个背景图像,形成背景库;
根据背景库与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆;
其中,所述根据背景库与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆,包括:
开始初始化:设置读取的待识别图像没有获得当前背景的标志及没有获得可疑目标的标志;
判断所读取的待识别图像是否有获得背景库的当前背景的标志:
若所述待识别图像没有获得背景库的当前背景的标志,则在背景库中进行循环比对,记作循环次数k=1,比较循环次数k与第一阈值的大小:
当循环次数k小于等于第一阈值时,将循环次数k加1,并判断当前待识别图像是否与背景库中第k类相同:若相同,则设置当前待识别图像的背景图像为背景库中第k类,并设置当前待识别图像的背景图像有获得当前背景的标志,设置所述当前待识别图像没有获得可疑目标的标志,且将存储在S中的待识别图像清空,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;若不相同,继续比较循环次数k与第一阈值的大小;
当循环次数k大于第一阈值时,则表示出现可疑违法停车车辆目标,并判断所述待识别图像是否有获得可疑目标的标志:
若所述待识别图像没有获得可疑目标的标志,将当前待识别图像存储在S中,设置待识别图像帧数j=1,并设置所述当前待识别图像有获得可疑目标的标志,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;
若所述待识别图像有获得可疑目标的标志,则比较待识别图像帧数j与第三阈值的大小:
当待识别图像帧数j小于第三阈值时,则判断当前待识别图像是否与存储在S中的待识别图像相同:若相同,则待识别图像帧数j加1,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;若不相同,设置当前待识别图像没有获得可疑目标的标志并将存储在S中的待识别图像清空,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;
当待识别图像帧数j大于第三阈值时,则判断当前待识别图像为违法停车车辆,并将当前待识别图像与临时存储的违法停车记录比较:若相同,则判断抓拍过当前违法停车车辆,并不再进行抓拍和存储,继续读取下一帧图像,返回开始初始化;若不相同,则对当前违法停车车辆进行抓拍,并将当前违法停车车辆的图像存于违法停车库和临时存储的违法停车记录,继续读取下一帧图像,返回开始初始化;
若所述待识别图像的背景图像有获得背景库的当前背景的标志,判断所述待识别图像是否与所述背景库中第k类的背景图像相同:若相同,则设置当前待识别图像没有获得可疑目标的标志并将存储在S中的待识别图像清空,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;若不相同,则将当前待识别图像与所述背景库中各类别比较:若有相同的,表示光线变化引起背景图像变化,并将背景库中与所述当前待识别图像相同的类替换背景库中第k类用以识别,且判断当前待识别图像为非违法停车状态,设置当前待识别图像没有获得可疑目标的标志并将存储在S中的待识别图像清空,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;若无相同的,则继续返回判断所述待识别图像是否有获得可疑目标的标志。
2.根据权利要求1所述的违法停车自动识别方法,其特征在于,所述背景库包括不同光照条件的背景图像;
相应的,根据背景库与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆,包括:
从所述背景库中选择与所述待识别图像的光照条件对应的背景图像;
根据所选定的背景图像与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆。
3.根据权利要求1所述的违法停车自动识别方法,其特征在于,获取违停监测区的多个背景图像,形成背景库,包括:
从违停监测区的多个背景图像中读取图像,重复执行下述步骤,直至全部图像读取完毕:
判断所读取的图像是否为第一帧图像;
若所述图像是第一帧图像,将所述第一帧图像设为首类首帧并存储所述第一帧图像,记作当前类数为N=1,总类数为第一阈值,首类图像帧数为M1=1,设置其它类图像帧数均为0,并继续返回读取下一帧图像;
若所述图像不是第一帧图像,开始执行循环匹配,记循环次数i=1,比较循环次数i与当前类数的大小:若i小于等于当前类数,则判断当前所述图像是否与第i类首帧相同,若相同,则将当前所述图像归为第i类且不存储,并比较第i类图像帧数与第二阈值的大小:若第i类图像帧数小于等于第二阈值,则将第i类图像帧数加1,继续返回读取下一帧图像;若第i类图像帧数大于第二阈值,则第i类图像帧数不再累加,继续返回读取下一帧图像;若不同,则循环次数i加1,记作第i+1次循环,继续返回判断i+1是否小于等于当前类数;若i大于当前类数,则判断当前类数是否小于第一阈值,若是,则新加一类,将当前所述图像存储为新加一类首帧,且当前类数N加1,继续返回开始读取下一帧图像,若不是,获取所述当前类中包含所述图像帧数最小的类,进行清空操作,并将采集的当前所述图像作为所述图像帧数最小的类首帧,所述采集的当前所述图像帧数从1开始重新计数,并读取下一帧图像。
4.根据权利要求1所述的违法停车自动识别方法,其特征在于,所述第一阈值为所述背景库中的类数,所述背景库中的类数为50;所述第三阈值为100。
5.根据权利要求2所述的违法停车自动识别方法,其特征在于,根据所选定的背景图像与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆,包括:
获取选定的背景图像的监测区图像和违停监测区的待识别图像的监测区图像,通过第一公式获得第一灰度图像;
将第一灰度图像分为多块图像,并计算每一块图像灰度值矩阵的方差;
根据每一块图像灰度值矩阵的方差与判断阈值,判断选定的背景图像与所述违停监测区的待识别图像是否相同:若相同,则判断所述待识别图像中没有违停车辆;若不相同,则判断所述待识别图像中有违停车辆。
6.根据权利要求5所述的违法停车自动识别方法,其特征在于,所述第一公式为:c=abs(a-b),所述abs为取绝对值;其中,a为所述选定的背景图像的监测区图像的灰度值矩阵,b为所述违停监测区的待识别图像的监测区图像的灰度值矩阵,c为所述第一灰度图像的灰度值矩阵。
7.根据权利要求5所述的违法停车自动识别方法,其特征在于,所述根据每一块图像灰度值矩阵的方差与判断阈值,判断选定的背景图像和违停监测区的待识别图像是否相同,包括:
判断每一块图像灰度值矩阵的方差与判断阈值的大小;其中,所述多块图像包括第一块图像、第二块图像、第三块图像、第四块图像,第一块图像灰度值矩阵的方差为var1,第二块图像灰度值矩阵的方差为var2,第三块图像灰度值矩阵的方差为var3,第四块图像灰度值矩阵的方差为var4;
当var1小于判断阈值,var2小于判断阈值,var3小于判断阈值和var4小于判断阈值同时成立时,判断选定的背景图像和违停监测区的待识别图像相同;否则,判断选定的背景图像和违停监测区的待识别图像不相同。
8.一种违法停车自动识别装置,其特征在于,所述装置包括:
获取单元,用于获取违停监测区的多个背景图像,形成背景库;
识别单元,用于根据背景库与所述违停监测区的待识别图像,判断所述待识别图像中是否有违停车辆;
其中,所述识别单元还用于:
开始初始化:设置读取的待识别图像没有获得当前背景的标志及没有获得可疑目标的标志;
判断所读取的待识别图像是否有获得背景库的当前背景的标志:
若所述待识别图像没有获得背景库的当前背景的标志,则在背景库中进行循环比对,记作循环次数k=1,比较循环次数k与第一阈值的大小:
当循环次数k小于等于第一阈值时,将循环次数k加1,并判断当前待识别图像是否与背景库中第k类相同:若相同,则设置当前待识别图像的背景图像为背景库中第k类,并设置当前待识别图像的背景图像有获得当前背景的标志,设置所述当前待识别图像没有获得可疑目标的标志,且将存储在S中的待识别图像清空,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;若不相同,继续比较循环次数k与第一阈值的大小;
当循环次数k大于第一阈值时,则表示出现可疑违法停车车辆目标,并判断所述待识别图像是否有获得可疑目标的标志:
若所述待识别图像没有获得可疑目标的标志,将当前待识别图像存储在S中,设置待识别图像帧数j=1,并设置所述当前待识别图像有获得可疑目标的标志,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;
若所述待识别图像有获得可疑目标的标志,则比较待识别图像帧数j与第三阈值的大小:
当待识别图像帧数j小于第三阈值时,则判断当前待识别图像是否与存储在S中的待识别图像相同:若相同,则待识别图像帧数j加1,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;若不相同,设置当前待识别图像没有获得可疑目标的标志并将存储在S中的待识别图像清空,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;
当待识别图像帧数j大于第三阈值时,则判断当前待识别图像为违法停车车辆,并将当前待识别图像与临时存储的违法停车记录比较:若相同,则判断抓拍过当前违法停车车辆,并不再进行抓拍和存储,继续读取下一帧图像,返回开始初始化;若不相同,则对当前违法停车车辆进行抓拍,并将当前违法停车车辆的图像存于违法停车库和临时存储的违法停车记录,继续读取下一帧图像,返回开始初始化;
若所述待识别图像的背景图像有获得背景库的当前背景的标志,判断所述待识别图像是否与所述背景库中第k类的背景图像相同:若相同,则设置当前待识别图像没有获得可疑目标的标志并将存储在S中的待识别图像清空,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;若不相同,则将当前待识别图像与所述背景库中各类别比较:若有相同的,表示光线变化引起背景图像变化,并将背景库中与所述当前待识别图像相同的类替换背景库中第k类用以识别,且判断当前待识别图像为非违法停车状态,设置当前待识别图像没有获得可疑目标的标志并将存储在S中的待识别图像清空,继续返回判断所读取的待识别图像是否有获得背景库的当前背景的标志;若无相同的,则继续返回判断所述待识别图像是否有获得可疑目标的标志。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710984531.2A CN107748866B (zh) | 2017-10-20 | 2017-10-20 | 违法停车自动识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710984531.2A CN107748866B (zh) | 2017-10-20 | 2017-10-20 | 违法停车自动识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107748866A CN107748866A (zh) | 2018-03-02 |
CN107748866B true CN107748866B (zh) | 2020-02-14 |
Family
ID=61252615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710984531.2A Active CN107748866B (zh) | 2017-10-20 | 2017-10-20 | 违法停车自动识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107748866B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008957B (zh) * | 2019-04-04 | 2023-06-06 | 上海天诚比集科技有限公司 | 基于车牌识别和图像方差算法的小区违停告警方法 |
CN110728608A (zh) * | 2019-09-25 | 2020-01-24 | 哈尔滨哈工大机器人集团嘉利通科技股份有限公司 | 一种智慧执法管理系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136504A (zh) * | 2011-11-28 | 2013-06-05 | 汉王科技股份有限公司 | 人脸识别方法及装置 |
CN103824452A (zh) * | 2013-11-22 | 2014-05-28 | 银江股份有限公司 | 一种轻量级的基于全景视觉的违章停车检测装置 |
CN104050679A (zh) * | 2014-07-03 | 2014-09-17 | 杭州藏愚科技有限公司 | 一种违法停车的自动取证方法 |
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 |
CN104574351A (zh) * | 2014-08-06 | 2015-04-29 | 深圳市捷顺科技实业股份有限公司 | 一种基于视频处理的车位检测方法 |
CN105046966A (zh) * | 2015-05-08 | 2015-11-11 | 天津大学 | 即停即离区域的违章停车行为自动检测系统和方法 |
KR101717613B1 (ko) * | 2016-12-27 | 2017-03-17 | 주식회사한맥아이피에스 | 에지 정보 기반의 객체 추적 알고리즘을 통한 이동 차량 탐지 시스템 및 방법 |
-
2017
- 2017-10-20 CN CN201710984531.2A patent/CN107748866B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136504A (zh) * | 2011-11-28 | 2013-06-05 | 汉王科技股份有限公司 | 人脸识别方法及装置 |
CN103824452A (zh) * | 2013-11-22 | 2014-05-28 | 银江股份有限公司 | 一种轻量级的基于全景视觉的违章停车检测装置 |
CN104050679A (zh) * | 2014-07-03 | 2014-09-17 | 杭州藏愚科技有限公司 | 一种违法停车的自动取证方法 |
CN104574351A (zh) * | 2014-08-06 | 2015-04-29 | 深圳市捷顺科技实业股份有限公司 | 一种基于视频处理的车位检测方法 |
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 |
CN105046966A (zh) * | 2015-05-08 | 2015-11-11 | 天津大学 | 即停即离区域的违章停车行为自动检测系统和方法 |
KR101717613B1 (ko) * | 2016-12-27 | 2017-03-17 | 주식회사한맥아이피에스 | 에지 정보 기반의 객체 추적 알고리즘을 통한 이동 차량 탐지 시스템 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
CN107748866A (zh) | 2018-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104134080B (zh) | 一种道路路基塌陷和边坡坍塌的自动检测方法及系统 | |
CN104350510B (zh) | 用于将图像的前景对象与背景模型区分开的方法和系统 | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
CN102610102B (zh) | 一种嫌疑车辆查控方法及系统 | |
US20210192227A1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN105184818B (zh) | 一种视频监控异常行为检测方法及其检测系统 | |
CN105320705B (zh) | 相似车辆的检索方法及装置 | |
CN110619277A (zh) | 一种多社区智慧布控方法以及系统 | |
CN102902960B (zh) | 基于高斯建模与目标轮廓的遗留物检测方法 | |
CN102509075A (zh) | 一种遗留物检测方法及装置 | |
CN112257799A (zh) | 一种生活垃圾目标检测的方法、系统及装置 | |
CN112163572A (zh) | 识别对象的方法和装置 | |
CN107748866B (zh) | 违法停车自动识别方法及装置 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
CN109961425A (zh) | 一种动态水的水质识别方法 | |
CN113378668A (zh) | 积水类别的确定方法、装置、设备及存储介质 | |
CN108648210A (zh) | 一种静态复杂场景下快速多目标检测方法及装置 | |
CN105426926B (zh) | 一种对amoled进行检测分类的方法及装置 | |
CN109740527B (zh) | 一种视频帧中图像处理方法 | |
CN114155551A (zh) | 基于YOLOv3改进的复杂环境下的行人检测方法及装置 | |
KR101509593B1 (ko) | 프리셋 투어 카메라를 위한 영상 분류 방법 및 그 장치 | |
CN106384089A (zh) | 基于终生学习的人体可靠检测方法 | |
CN106407899B (zh) | 基于局部纹理特征的人群密度谱估计方法 | |
CN116740495A (zh) | 路桥隧道的病害检测模型的训练方法和病害检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |