CN107895492A - 一种基于传统视频的高速公路智能分析方法 - Google Patents
一种基于传统视频的高速公路智能分析方法 Download PDFInfo
- Publication number
- CN107895492A CN107895492A CN201711000741.XA CN201711000741A CN107895492A CN 107895492 A CN107895492 A CN 107895492A CN 201711000741 A CN201711000741 A CN 201711000741A CN 107895492 A CN107895492 A CN 107895492A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- video
- license plate
- carried out
- 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
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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- 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
- G06V20/50—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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06V20/63—Scene text, e.g. street names
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- 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
-
- 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)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于传统视频的高速公路智能分析方法,包括步骤:(1)背景建模:提取视频的前X帧,确定像素的波动范围;(2)图像增强:读取图像,进行直方图变换,再对图像灰度进行值域拉伸;(3)车道线检测:对图像进行变换处理,然后进行加法运算,遍历空白影像,计算出车道线的位置与角度;(4)视频测速:划分车辆检测的2道感应区,提取车辆特征,通过虚拟线圈测速算法获得车辆的实时速度;(5)车流量统计及车型区分分析:根据车辆在灰度图中的像素面积判断车型大小,并统计车流量;(6)车牌号识别:如果车辆超速,对超速的车牌号进行识别,并将车牌号输出到文本。本发明提高了车道线识别准确度,可同时实现多车道场景下目标车辆的测速,实施成本低。
Description
技术领域
本发明属于视频处理技术领域,涉及一种基于传统视频的高速公路智能分析方法。
背景技术
基于传统视频的交通智能分析是近几年计算机视觉/多媒体研究领域较为活跃的技术研究方向。它可以让计算机模仿人类视觉感知物体运动并且判断事件的过程,综合采用图像处理、模式识别、人工智能等技术,对实时的视频信号或者图像序列进行分析和理解。它能很好地缓解传统视频中的海量信息冗余的问题。
高速公路智能分析技术的原理大体上分为两类,一类是以背景模型建立为基础,主要包括边界范围内的行为分析等。第二类是以特征识别为基础,包括车牌识别等。现有的基于传统视频的高速公路智能分析软件方面,几乎都是缺乏用户对于高速的实时监控体验,很难保证算法的稳定性和车道线的识别准确度。同时,目前现有的各种车速检测系统的方法主要有雷达测速、激光测速、红外测速、环形线圈测速等。其中,环形线圈和地磁式检测技术应用较为广泛,但其成本较高。
发明内容
本发明的目的在于提出一种基于传统视频的高速公路智能分析方法,改进了背景建模的方法,能够提高车道线识别准确度,同时很好实现多车道场景下目标车辆的测速,还可以增加用户对于高速功能的实时监控的体验,而且实施成本低。
为解决上述技术问题,本发明采用以下技术方案。
本发明的一种基于传统视频的高速公路智能分析方法,其特征在于,包括如下步骤:
(1)背景建模:采用平均背景法提取视频的前X帧,再确定像素的波动范围。解决了车辆高速运行过程中出现重影问题,又解决了车辆颜色与背景颜色相近无法准确前景提取与消除车辆阴影的问题,极大增加了下文视频测速与车型识别的准确率。
(2)图像增强:读取视频图像,对所述图像进行直方图变换,此时图像将灰度化;再对图像灰度进行值域拉伸,解决二值化后图像边缘容易丢失的问题;
(3)车道线检测:通过对图像的hough变换和概率变换处理,得到两个不同的变换图像,然后进行加法运算,在事先画好的空白影像上,得到同时出现在两个图像中的线条,接着遍历空白影像,计算得出车道线的位置与角度;
(4)视频测速:在得到车道线的位置和角度后,划分车辆检测的2道感应区,接着利用上述的背景建模提取车辆特征,通过虚拟线圈测速算法获得车辆的实时速度;
(5)车流量统计及车型区分分析:根据背景建模后车辆在灰度图中的像素面积判断车型大小,实时判断高速公路监控视频中两个方向的车型并统计各种车型的车流量;
(6)车牌号识别:每当车辆经过第二条虚拟线圈感应区后,得出车辆实时速度,如果车辆超速,将触发车牌号识别模块,对超速的车牌号进行识别,并将超速的车牌号输出到文本中保存;
所述步骤(1)背景建模的具体过程为:采用平均背景法进行背景建模,对视频的前X帧进行求和,取像素的平均值,确定背景的像素波动范围。由于视频的长度不一定,所取的前X帧的长度也不一样。
所述步骤(2)图像增强的具体过程为:在车道线检测之前,首先读取第一帧的图像,进行是否开启图像增强模式的检测,如果开启图像增强模式,对所处理的图像进行直方图变换,此时图像将灰度化,再对图像灰度进行值域拉伸(若像素点用8比特表示则拉伸到0~255);如果不开启图像增强模式,则进入下一步骤。
所述步骤(3)车道线检测的过程为:对读取的图像进行初始的操作,求出车道线在图像的具体位置坐标系,然后对这张图像进行滤波操作和二值化处理,接下来通过对图像的hough变换和概率变换处理,得到两个不同的变换图像,然后进行加法运算,在事先画好的空白影像上,得到同时出现两个图像的线条,然后得到车道线条的空白影像,接着遍历空白影像,得出车道线的位置与角度。
所述步骤(4)视频测速阶段的过程为:利用在车道线检测阶段对图像处理后得到的2个坐标点,来确定上下行车道分割线在视频画面的坐标系,从而区分上下行的车道、并绘制出对应的感应区;然后采用上述的背景建模方法,对视频的前X帧进行求和,取像素的平均值,将背景像素范围进行大幅度的缩小,并针对由此带来的大量椒盐噪点对二值化图像进行降噪;同时,为了保证车辆外部轮廓,进行车辆特征的膨胀,然后从背景中提取车辆特征信息;通过对车辆特征提取后的灰度图像进行设置虚拟感应线圈的位置,计算车辆通过2条虚拟线圈感应区的时间,用2条虚拟感应区之间的距离除之,从而获得车辆的实时速度;所述的在车道线检测阶段对图像处理后得到的2个坐标点,分别为上下车道分割线的一个点。
所述步骤(5)车流量统计及车型区分分析过程为:首先计算车型面积区分的阈值,然后设置识别车型大小的虚拟线圈感应区,当车辆触发第二条测速感应区时,扫描经过感应区的车辆,通过背景建模后提取灰度像素点,如果像素点的数量超过计算得出的阈值,则视为大型车,否则为小型车。同时对车流量进行统计。
所述步骤(6)车牌号阶段的过程为:每当车辆经过第二条虚拟线圈感应区后,得出车辆实时速度,如果车辆超速,则首先提取超速车辆关键帧,然后对这些帧进行图像预处理,接着进行区域合并和噪声剔除,使用形态学的闭操作进行车牌定位。之后分别进行车牌号分类以及车牌号字符分割与识别。
本发明与现有的技术相比,包括以下优点和有益效果。
1.改进了背景建模算法,采用平均背景法进行背景建模,将背景像素范围进行了大幅度的缩小,提高了颜色相近的时候的背景范围。解决车辆颜色与道路背景颜色相似带来的车辆前景提取丢失大量信息的问题,对现有算法进行创新。
2.加入了图像增强模式,通过提高对比度,可以有效的解决在恶劣天气的情况下,车道线识别准确度低的问题。
3.采用基于虚拟线圈的视频测速方法,实现自动绘制感应区,从而实现视频测速功能。
附图说明
图1是本发明一实施例方法的流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,是本发明一实施例的方法流程图。该实施例的一种基于传统视频的高速公路智能分析方法,包括以下步骤:
背景建模:采用平均背景法提取视频的前X帧,再确定像素的波动范围。解决了车辆高速运行过程中出现重影问题,又解决了车辆颜色与背景颜色相近无法准确前景提取与消除车辆阴影的问题,极大增加了下文视频测速与车型识别的准确率。
图像增强:对所处理的图像进行直方图变换,此时图像将灰度化,再对图像灰度进行值域拉伸,解决二值化后图像边缘容易丢失的问题。
车道线检测:通过对图像的变换处理,得到两个不同的变换图像,然后进行加法运算,在事先画好的空白影像上,得到同时出现两个图像的线条,然后得到车道线条的空白影像,接着遍历空白影像,得出车道线的位置与角度。
视频测速:在得到车道线的位置和角度后,划分车辆检测的2道感应区,接着利用背景建模提取车辆特征,通过虚拟感应线圈测速算法获得车辆的实时速度。
车流量统计及车型区分:通过车辆在进行背景建模后车辆在灰度图中的像素面积进行车型大小的判断,实现实时对高速公路视频的上下行车道中的车型的判断以及分别对其各自车流量的统计。
车牌号识别:每当车辆经过第二条虚拟线圈感应区后,得出车辆实时速度,如果车辆超速后,本发明将触发车牌号识别模块,对超速的车牌号进行识别,并将超速的车牌号输出到文本中保存。
所述的背景建模阶段的实施过程为:采用平均背景法进行背景建模需对视频的前X帧进行求和,取像素的平均值,再进行确定背景的像素波动范围。由于视频的长度不一定,所取的前X帧的长度也不一样。
所述的图像增强阶段的实施过程为:在车道线检测之前,首先读取视频的第一帧图像,进行是否开启图像增强模式的检测,如果开启图像增强模式,对所处理的图像进行直方图变换,此时原图将灰度化,若像素点用8比特表示则拉伸到0~255,再对图像灰度进行值域拉伸;如果不开启图像增强模式,则进入下一步骤。
所述的车道线检测阶段的实施过程为:对读取的图像进行初始的操作,求出车道线在图像的具体位置坐标系,然后对这张图像进行滤波操作和二值化处理,接下来通过变换(例如Hough变换)得到两个不同的变换图像,然后进行加法运算,在事先画好的空白影像上,得到同时出现两个图像的线条,接着遍历空白影像,得出车道线的位置与角度。
所述的视频测速阶段的实施过程为:利用在车道线检测阶段对图像处理后得到的2个坐标点(各为上下车道分割线的一个点),通过这2个点确定上下行车道分割线在视频画面的坐标系,从而区分上下行的车道,并将对应的感应区绘制出来。接着采用上述的背景建模,将背景像素范围进行大幅度的缩小,并针对由此带来的大量椒盐噪点对二值化图像进行降噪,同时为了保证车辆外部轮廓,又进行车辆特征的膨胀,然后从背景中提取车辆特征信息。通过对车辆特征提取后的灰度图像进行设置虚拟线圈感应区的位置,计算车辆通过2条虚拟线圈感应区的时间,用2条虚拟线圈感应区之间的距离除之,获得车辆的实时速度。
所述的车流量统计及车型区分分析阶段的实施过程为:本发明先计算车型面积区分的阈值,然后设置识别车型大小的虚拟线圈感应区,当车辆触发第二条测速感应区时,扫描经过感应区的车辆,通过背景建模后提取灰度像素点,如果像素点的数量超过计算得出的阈值,则视为大型车,否则为小型车。同时对车流量进行统计。
所述的车牌号阶段的实施过程为:每当车辆经过第二条虚拟线圈感应区后,得出车辆实时速度,如果车辆超速后,本发明将触发车牌号识别模块,首先提取超速车辆关键帧,然后对这些帧进行图像预处理,接着要进行区域合并和剔除噪声,使用形态学的闭操作可以有较好实现,根据经验取形状为矩形,最后利用每个车牌都包含颜色背景属性,来提取那些旋转的矩形,进行车牌定位。之后进行SVM车牌号分类,最后进行车牌号字符分割与识别。
在实际应用中,可按下面方式操作。
背景建模阶段:采用平均背景法进行背景建模需对视频的前X帧进行求和,取像素的平均值,再进行确定背景的像素波动范围。由于视频的长度不一定,所取的前X帧的长度也不一样。故我们根据背景建模的时间设计了以下公式计算所需的累积帧数:
X=Rate·50
其中:X:背景建模的需要的帧数,Rate:视频的帧率。即,根据视频的帧率来提取需要对视频的多少帧进行求和。也即根据公式中视频的帧率乘以50就是需要提取的帧数.
图像增强阶段:首先对第一帧的图像,进行是否开启图像增强模式的检测,如果开启图像增强模式,则进行图像增强处理:进行Hough变换算法前,对所处理的图像进行直方图变换,此时原图将灰度化,再将图像灰度的值域拉伸到0~255,解决了在二值化后边缘容易丢失的问题。如果不开启图像增强模式,则进入下一功能模块。
车道线检测阶段:本发明对载入视频的图像用Canny算子进行滤波,然后再对滤波图像进行二值化处理,接下来设置积分反馈回路,使houghVote值逐渐减小,直到如果找到至少两行。对于下一帧,我们增加houghVote的值为25,以保证不会错过出现的新的车道线,之后进行一个常规的Hough变换,得到一个常规的Hough变换图像,紧接着创建一个实例,设定最低参数,得到通过概率变换的轮廓图像。对这两个变换图像做加法运算,在两个变换图像上画上独立的空白影像,然后得到同时出现在两个图像的线条。通过处理完的线条,可以得到车道线条的空白影像,之后遍历空白影像图片,筛选出所有白色车道线条的白色像素坐标点,取2个像素坐标,利用以下数学公式,得出车道线的位置与角度。
r为车道线的夹角,x1,y1为线条的一个像素点的坐标,x2,y2为车道线线条的另一个像素点的坐标。
视频测速阶段:利用在车道线检测阶段对图像处理后得到的2个坐标点(各为上下车道分割线的一个点),通过这2个点确定上下行车道分割线在视频画面的坐标系,从而区分上下行的车道,并将对应的感应区绘制出来。利用直线函数公式:
y=k*x+b
其中,k:直线斜率;b:直线斜距。
利用2个坐标点,求出上述公式中的k与b的值,然后通过定义x的值,就可以在上下行车道线分割线上定义4条上下行车道分割线为感应区。
以绘制上行车辆感应区为例:
对于视频的坐标系的定义如下:以左上角点为(0,0)点,沿零点向下为y轴正方向,沿零点向右为x轴的正方向。使用相对视频比例来对上行上下2条坐标点进行确定,以适应不同像素比例的监控视频。而感应区是一个矩形,只需要确定矩形的2个对角的点的坐标就可以确定一个矩形,故对于上行车辆感应区需要确定4个点。而只要确定在上下行车道分割线直线函数的2个坐标点,可以很快确定感应区的其他2个点。而感应区必有一个角在所确定的上下行车道分割线的直线上,故可以利用直线函数的方程来确定坐标点。最好确定矩形感应区。接着采用上述的背景建模,对视频前X帧进行求和并统计累加次数求出平均值为A,前一帧图像和当前参与累加的图像求差的绝对值,然后该绝对值图像进行累加求平均值,记为D。描述的是某点像素值的波动幅度。由此得到背景像素范围为A-D到A+D。将背景像素范围进行大幅度的缩小,增加背景识别率,输入需要提取车辆特征的视频帧,遍历需要处理的视频帧像素是否在背景范围外,接着输出二值化图像。并针对由此带有的大量椒盐噪点对二值化图像进行降噪,同时为了保证车辆外部轮廓,又进行车辆特征的膨胀,然后从背景中提取车辆特征信息。通过对车辆特征提取后的灰度图像进行设置虚拟线圈感应区的位置,然后扫描经过感应区的汽车灰度化后的像素点,如果感应线圈中的灰度化像素超过一个阈值,则视为汽车经过感应区,然后使用视频的帧间差值进行时间换算;首先记录车辆通过第一条感应区的当前帧数N,然后记录车辆通过第二条感应区的当前帧数M,计算帧差M-N的帧间时间差t,用2条虚拟感应区之间的距离除之,获得车辆的实时速度。公式如下:
其中,t为时间,M为车辆通过第二条感应区的帧数,N为车辆通过第一条感应区的帧数,Rate为视频帧率。
车流量统计及车型区分阶段:首先计算车型面积区分的阈值,结合实际获得的参数进行设计,得到以下阈值公式:
s=width2cos(theta)
其中S为车型的面积区分阈值,Width为每一个车道线宽所对应在视频中的像素值,theta为车道线与视频的夹角。
然后设置识别车型大小的虚拟线圈感应区,当车辆触发第二条测速感应区时,扫描经过感应区的车辆,通过背景建模后提取灰度像素点,如果像素点的数量超过计算得出的阈值,则视为大型车,否则为小型车。同时对其进行车流量统计。一次触发识别车型大小的虚拟线圈感应区,扫描像素点完成后,关闭识别车型大小的虚拟线圈感应区,避免重复计数与识别。
车牌号识别阶段:每当车辆经过第二条虚拟线圈感应区后,得出车辆的实时速度,如果车辆超速,本发明将触发车牌号识别模块,首先提取超速车辆关键帧,然后对这些帧灰度化,将一个三通道的RGB图像变成一个单通道的灰度化图像,然后对其进行高斯滤波为了消除噪声点,接着使用Sobel算子提取垂直边缘,进行自适应二值分割,阈值根据边缘图像内容设定。为了进一步获取连通有效的车牌候选区域,进行区域合并和剔除噪声,使用形态学的闭操作可以有较好实现,根据经验,取形状为矩形。利用每个车牌都包含颜色背景属性,对那些旋转的矩形进行提取。利用最终生成并保存的图像,基于支持向量机进行训练和定位预测。在车牌定位后,对保存图像中对应的字符图像进行标准化处理,如果未获取字符训练样本,则对所有标准化的字符图像进行文件保存。最后使用每个字符的累计直方图和低分辨率采样图像构成的高维向量作为训练神经网络的特征。训练的样本矩阵P为N*M,其中N(行)代表各个样本图片的融合特征,M(列)为类别。矩阵P实际上是对每一种高维向量的类别标注:
使用神经网络检测字符:
1.读取一张车牌图像;
2.配置神经网络参数并训练神经网络;
3.提取该车牌图像的累计直方图和低分辨率图像特征矩阵;
4.将该特征矩阵作为神经网络输入,神经网络计算,得到预测结果;
5.按照每个字符图像的相对位置,进行字符重新排序;
6.得到最终字符。
Claims (6)
1.一种基于传统视频的高速公路智能分析方法,其特征在于,包括如下步骤:
(1)背景建模:采用平均背景法提取视频的前X帧,再确定像素的波动范围;
(2)图像增强:读取视频图像,对图像进行直方图变换,此时图像将灰度化;再对图像灰度进行值域拉伸,解决二值化后图像边缘容易丢失的问题;
(3)车道线检测:通过对图像的hough变换和概率变换处理,得到两个不同的变换图像,然后进行加法运算,在事先画好的空白影像上,得到同时出现在两个图像中的线条,接着遍历空白影像,计算得出车道线的位置与角度;
(4)视频测速:在得到车道线的位置和角度后,划分车辆检测的2道感应区,接着利用上述的背景建模提取车辆特征,通过虚拟线圈测速算法获得车辆的实时速度;
(5)车流量统计及车型区分分析:根据背景建模后车辆在灰度图中的像素面积判断车型大小,实时判断高速公路监控视频中两个方向的车型并统计各种车型的车流量;
(6)车牌号识别:每当车辆经过第二条虚拟线圈感应区后,得出车辆实时速度;如果车辆超速,将触发车牌号识别模块,对超速的车牌号进行识别,并将超速的车牌号输出到文本中保存;
所述步骤(1)背景建模的具体过程为:采用平均背景法进行背景建模,对视频的前X帧进行求和,取像素的平均值,确定背景的像素波动范围;由于视频的长度不一定,所取的前X帧的长度也不一样。
2.根据权利要求1所述的一种基于传统视频的高速公路智能分析方法,其特征在于所述步骤(2)图像增强的具体过程为:在车道线检测之前,首先读取第一帧的图像,进行是否开启图像增强模式的检测,如果开启图像增强模式,对所处理的图像进行直方图变换,此时图像将灰度化,再对图像灰度进行值域拉伸(若像素点用8比特表示则拉伸到0~255);如果不开启图像增强模式,则进入下一步骤。
3.根据权利要求1所述的一种基于传统视频的高速公路智能分析方法,其特征在于,所述步骤(3)车道线检测的过程为:对读取的图像进行初始的操作,求出车道线在图像的具体位置坐标系,然后对这张图像进行滤波操作和二值化处理,接下来通过对图像的hough变换和概率变换处理,得到两个不同的变换图像,然后进行加法运算,在事先画好的空白影像上,得到同时出现两个图像的线条,然后得到车道线条的空白影像,接着遍历空白影像,得出车道线的位置与角度。
4.根据权利要求1所述的一种基于传统视频的高速公路智能分析方法,其特征在于,所述步骤(4)视频测速阶段的过程为:利用在车道线检测阶段对图像处理后得到的2个坐标点,来确定上下行车道分割线在视频画面的坐标系,从而区分上下行的车道、并绘制出对应的感应区;然后采用上述的背景建模方法,对视频的前X帧进行求和,取像素的平均值,将背景像素范围进行大幅度的缩小,并针对由此带来的大量椒盐噪点对二值化图像进行降噪;同时,为了保证车辆外部轮廓,进行车辆特征的膨胀,然后从背景中提取车辆特征信息;通过对车辆特征提取后的灰度图像进行设置虚拟感应线圈的位置,计算车辆通过2条虚拟线圈感应区的时间,用2条虚拟感应区之间的距离除之,从而获得车辆的实时速度;所述的在车道线检测阶段对图像处理后得到的2个坐标点,分别为上下车道分割线的一个点。
5.根据权利要求1所述的一种基于传统视频的高速公路智能分析方法,其特征在于,所述步骤(5)车流量统计及车型区分分析过程为:首先计算车型面积区分的阈值,然后设置识别车型大小的虚拟线圈感应区,当车辆触发第二条测速感应区时,扫描经过感应区的车辆,通过背景建模后提取灰度像素点,如果像素点的数量超过计算得出的阈值,则视为大型车,否则为小型车;同时对车流量进行统计。
6.根据权利要求1所述的一种基于传统视频的高速公路智能分析方法,其特征在于,所述步骤(6)车牌号阶段的过程为:每当车辆经过第二条虚拟线圈感应区后,得出车辆实时速度,如果车辆超速,则首先提取超速车辆关键帧,然后对这些帧进行图像预处理,接着进行区域合并和噪声剔除,使用形态学的闭操作进行车牌定位;然后分别进行车牌号分类以及车牌号字符分割与识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711000741.XA CN107895492A (zh) | 2017-10-24 | 2017-10-24 | 一种基于传统视频的高速公路智能分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711000741.XA CN107895492A (zh) | 2017-10-24 | 2017-10-24 | 一种基于传统视频的高速公路智能分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107895492A true CN107895492A (zh) | 2018-04-10 |
Family
ID=61802916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711000741.XA Pending CN107895492A (zh) | 2017-10-24 | 2017-10-24 | 一种基于传统视频的高速公路智能分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107895492A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029485A (zh) * | 2018-08-21 | 2018-12-18 | 北京深瞐科技有限公司 | 车辆行驶轨迹确定方法及装置 |
CN109544552A (zh) * | 2018-12-06 | 2019-03-29 | 合刃科技(深圳)有限公司 | 一种光栅无损检测方法及系统 |
CN109766846A (zh) * | 2019-01-15 | 2019-05-17 | 电子科技大学 | 一种基于视频的自适应多车道车流检测方法及系统 |
CN110310494A (zh) * | 2019-05-21 | 2019-10-08 | 同济大学 | 一种基于视频图像的交通参数检测方法及系统 |
CN110334574A (zh) * | 2019-04-26 | 2019-10-15 | 武汉理工大学 | 一种自动提取交通视频中交通事故关键帧的方法 |
CN110751119A (zh) * | 2019-10-28 | 2020-02-04 | 中国电子科技集团公司第四十四研究所 | 一种车流量统计与车型分类方法及装置 |
CN111476132A (zh) * | 2020-03-30 | 2020-07-31 | 微梦创科网络科技(中国)有限公司 | 视频场景识别方法、装置及电子设备、存储介质 |
CN112560684A (zh) * | 2020-12-16 | 2021-03-26 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、电子设备、存储介质以及车辆 |
CN113053136A (zh) * | 2019-12-26 | 2021-06-29 | 上海晋沙智能科技有限公司 | 一种道路智能安防监控系统 |
CN113409588A (zh) * | 2021-06-17 | 2021-09-17 | 郑州大学 | 一种基于视频压缩域的多车测速方法 |
CN113327248B (zh) * | 2021-08-03 | 2021-11-26 | 四川九通智路科技有限公司 | 一种基于视频的隧道车流量统计方法 |
CN114241773A (zh) * | 2021-12-28 | 2022-03-25 | 福州大学 | 一种新型高速公路中分带开口旋转桶式智慧活动护栏 |
CN114842654A (zh) * | 2022-04-25 | 2022-08-02 | 中国电信股份有限公司 | 交通信号灯控制方法、装置、电子设备及存储介质 |
WO2023108931A1 (zh) * | 2021-12-14 | 2023-06-22 | 江苏航天大为科技股份有限公司 | 一种基于视频雷达融合感知的判断车型方法 |
CN116884235A (zh) * | 2023-08-09 | 2023-10-13 | 广东省交通运输规划研究中心 | 基于撞线的视频车速检测方法、装置、设备以及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050450A (zh) * | 2014-06-16 | 2014-09-17 | 西安通瑞新材料开发有限公司 | 一种基于视频的车牌识别方法 |
CN106339709A (zh) * | 2015-07-14 | 2017-01-18 | 璧典凯 | 一种图像实时提取方法 |
CN106448179A (zh) * | 2016-09-12 | 2017-02-22 | 河海大学 | 一种高速公路交通智能分析系统 |
US20170131111A1 (en) * | 2008-09-22 | 2017-05-11 | Ariel Inventions, Llc | Traffic citation delivery based on type of traffic infraction |
CN107085707A (zh) * | 2017-04-14 | 2017-08-22 | 河海大学 | 一种基于交通监控视频的车牌定位方法 |
-
2017
- 2017-10-24 CN CN201711000741.XA patent/CN107895492A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170131111A1 (en) * | 2008-09-22 | 2017-05-11 | Ariel Inventions, Llc | Traffic citation delivery based on type of traffic infraction |
CN104050450A (zh) * | 2014-06-16 | 2014-09-17 | 西安通瑞新材料开发有限公司 | 一种基于视频的车牌识别方法 |
CN106339709A (zh) * | 2015-07-14 | 2017-01-18 | 璧典凯 | 一种图像实时提取方法 |
CN106448179A (zh) * | 2016-09-12 | 2017-02-22 | 河海大学 | 一种高速公路交通智能分析系统 |
CN107085707A (zh) * | 2017-04-14 | 2017-08-22 | 河海大学 | 一种基于交通监控视频的车牌定位方法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029485A (zh) * | 2018-08-21 | 2018-12-18 | 北京深瞐科技有限公司 | 车辆行驶轨迹确定方法及装置 |
CN109544552A (zh) * | 2018-12-06 | 2019-03-29 | 合刃科技(深圳)有限公司 | 一种光栅无损检测方法及系统 |
CN109766846B (zh) * | 2019-01-15 | 2023-07-18 | 电子科技大学 | 一种基于视频的自适应多车道车流检测方法及系统 |
CN109766846A (zh) * | 2019-01-15 | 2019-05-17 | 电子科技大学 | 一种基于视频的自适应多车道车流检测方法及系统 |
CN110334574A (zh) * | 2019-04-26 | 2019-10-15 | 武汉理工大学 | 一种自动提取交通视频中交通事故关键帧的方法 |
CN110310494A (zh) * | 2019-05-21 | 2019-10-08 | 同济大学 | 一种基于视频图像的交通参数检测方法及系统 |
CN110751119A (zh) * | 2019-10-28 | 2020-02-04 | 中国电子科技集团公司第四十四研究所 | 一种车流量统计与车型分类方法及装置 |
CN113053136A (zh) * | 2019-12-26 | 2021-06-29 | 上海晋沙智能科技有限公司 | 一种道路智能安防监控系统 |
CN111476132A (zh) * | 2020-03-30 | 2020-07-31 | 微梦创科网络科技(中国)有限公司 | 视频场景识别方法、装置及电子设备、存储介质 |
CN112560684A (zh) * | 2020-12-16 | 2021-03-26 | 北京百度网讯科技有限公司 | 车道线检测方法、装置、电子设备、存储介质以及车辆 |
US11967132B2 (en) | 2020-12-16 | 2024-04-23 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Lane marking detecting method, apparatus, electronic device, storage medium, and vehicle |
CN112560684B (zh) * | 2020-12-16 | 2023-10-24 | 阿波罗智联(北京)科技有限公司 | 车道线检测方法、装置、电子设备、存储介质以及车辆 |
CN113409588A (zh) * | 2021-06-17 | 2021-09-17 | 郑州大学 | 一种基于视频压缩域的多车测速方法 |
CN113409588B (zh) * | 2021-06-17 | 2022-07-22 | 郑州大学 | 一种基于视频压缩域的多车测速方法 |
CN113327248B (zh) * | 2021-08-03 | 2021-11-26 | 四川九通智路科技有限公司 | 一种基于视频的隧道车流量统计方法 |
WO2023108931A1 (zh) * | 2021-12-14 | 2023-06-22 | 江苏航天大为科技股份有限公司 | 一种基于视频雷达融合感知的判断车型方法 |
CN114241773B (zh) * | 2021-12-28 | 2024-03-12 | 福州大学 | 一种新型高速公路中分带开口旋转桶式智慧活动护栏 |
CN114241773A (zh) * | 2021-12-28 | 2022-03-25 | 福州大学 | 一种新型高速公路中分带开口旋转桶式智慧活动护栏 |
CN114842654A (zh) * | 2022-04-25 | 2022-08-02 | 中国电信股份有限公司 | 交通信号灯控制方法、装置、电子设备及存储介质 |
CN114842654B (zh) * | 2022-04-25 | 2023-12-22 | 中国电信股份有限公司 | 交通信号灯控制方法、装置、电子设备及存储介质 |
CN116884235B (zh) * | 2023-08-09 | 2024-01-30 | 广东省交通运输规划研究中心 | 基于撞线的视频车速检测方法、装置、设备以及存储介质 |
CN116884235A (zh) * | 2023-08-09 | 2023-10-13 | 广东省交通运输规划研究中心 | 基于撞线的视频车速检测方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107895492A (zh) | 一种基于传统视频的高速公路智能分析方法 | |
CN108038416B (zh) | 车道线检测方法及系统 | |
CN107330376B (zh) | 一种车道线识别方法及系统 | |
Choudhury et al. | Vehicle detection and counting using haar feature-based classifier | |
CN104463903B (zh) | 一种基于目标行为分析的行人图像实时检测方法 | |
Nieto et al. | Road environment modeling using robust perspective analysis and recursive Bayesian segmentation | |
CN100544446C (zh) | 用于视频监控的实时运动检测方法 | |
CN103324930B (zh) | 一种基于灰度直方图二值化的车牌字符分割方法 | |
CN104217427B (zh) | 一种交通监控视频中车道线定位方法 | |
CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
CN112800860B (zh) | 一种事件相机和视觉相机协同的高速抛撒物检测方法和系统 | |
CN105404857A (zh) | 一种基于红外的夜间智能车前方行人检测方法 | |
CN108694386A (zh) | 一种基于并联卷积神经网络的车道线检测方法 | |
CN106919902A (zh) | 一种基于cnn的车辆识别和轨迹追踪方法 | |
CN105005778A (zh) | 一种基于视觉背景提取的高速公路车辆检测方法 | |
CN103021179B (zh) | 基于实时监控视频中的安全带检测方法 | |
CN113221861B (zh) | 一种多车道线检测方法、装置及检测设备 | |
CN107180230B (zh) | 通用车牌识别方法 | |
CN111626170A (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
CN107704833A (zh) | 一种基于机器学习的前方车辆检测与跟踪方法 | |
Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
CN113516853B (zh) | 一种针对复杂监控场景的多车道车流量检测方法 | |
Chen | Road vehicle recognition algorithm in safety assistant driving based on artificial intelligence | |
Han et al. | An end-to-end dehazing Siamese region proposal network for high robustness object tracking | |
CN103996028A (zh) | 一种车辆行为识别方法 |
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: 20180410 |
|
RJ01 | Rejection of invention patent application after publication |