CN108596129A - 一种基于智能视频分析技术的车辆越线检测方法 - Google Patents
一种基于智能视频分析技术的车辆越线检测方法 Download PDFInfo
- Publication number
- CN108596129A CN108596129A CN201810402670.4A CN201810402670A CN108596129A CN 108596129 A CN108596129 A CN 108596129A CN 201810402670 A CN201810402670 A CN 201810402670A CN 108596129 A CN108596129 A CN 108596129A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- frame
- image
- target
- gets over
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Abstract
本发明公开了一种基于智能视频分析技术的车辆越线检测方法,包括以下步骤:根据实时光强对视频监控图像进行预处理;采用改进的三帧差分算法将视频监控图像中的车辆检测出来;检测到车辆位置后,跟踪车辆的运动轨迹;通过不断的迭代计算获得目标在当前帧的实际位置,获取车辆的运动轨迹;将上一帧的结果作为下一帧的初始值,如此不断循环迭代;得到车辆的多条运动轨迹,选取合适的运动轨迹检测警戒线与轨迹是否相交,判定车辆是否越线。该方法采用改进的三帧差分法快速检测目标车辆,并通过基于核密度估计的均值漂移算法跟踪车辆的运动轨迹,进而通过车辆运动轨迹判定车辆是否存在越线行为,实时性强、精确度高、应用范围广。
Description
技术领域
本发明属于视频检测技术领域,具体涉及一种基于智能视频分析技术的车辆越线检测方法。
背景技术
车辆越线检测是指在道路交通场景中设定警戒线和警戒方向,检测车辆的越线行为并产生告警。主要应用于道路分道线、车库入口、红绿灯路口等区域的车辆越线行为检测,通过这一技术可以快速的检测和识别车辆异常行为,并进行异常警告或疏导,能够大大降低交通事故的发生率。以往的车辆越线检测技术往往采用监控人员实时监控道路视频或者采用地感线圈、激光检测系统的直接检测方式实现,往往只能适用于特定的场景下,成本高昂,检测准确率也不尽如人意。
目前国内外车辆越线检测技术主要包括这样几种形式。一是前文提到的采用人工检测或者实地检测设备的直接检测方式,这一方式成本较高,且适用范围较小。另一类则是利用智能视频检测算法直接识别车辆越线行为的方法,随着道路交通的迅猛发展和机动车保有量的逐年攀升日益成为主流的车辆越线检测技术。常见的如通过卷积神经网络实现的车辆检测技术,该技术准确率高但是往往计算量大,难以实时检测越线行为。或是基于目标轮廓的车辆跟踪算法,具有较强的抗光照变换特性,但是抗噪声能力较差,易受场景干扰。另外,现有的方法普遍存在成本较高、计算量大、易受场景干扰等问题。
发明内容
针对现有技术中存在的上述问题,本发明提供了一种基于智能视频分析技术的车辆越线检测方法,该方法采用改进的三帧差分法快速检测目标车辆,并通过基于核密度估计的均值漂移算法跟踪车辆的运动轨迹,进而通过车辆运动轨迹判定车辆是否存在越线行为,实时性强、精确度高、应用范围广。
为此,本发明采用了以下技术方案:
一种基于智能视频分析技术的车辆越线检测方法,包括以下步骤:
步骤一,根据实时光强对视频监控图像进行预处理,消除场景变化的影响;
步骤二,采用改进的三帧差分算法将视频监控图像中的车辆检测出来;
步骤三,检测到车辆位置后,以外接矩形框标注,通过目标跟踪算法跟踪车辆的运动轨迹;
步骤四,利用度量函数检测初始帧目标车辆与当前帧候选目标的相似性,通过不断的迭代计算获得目标在当前帧的实际位置,获取车辆的运动轨迹;
步骤五,对视频序列的每一帧当中都运用步骤四的迭代计算,并将上一帧的结果作为下一帧的初始值,如此不断循环迭代;
步骤六,重复步骤五得到车辆的多条运动轨迹,选取合适的运动轨迹检测警戒线与轨迹是否相交,判定车辆是否越线。
进一步地,步骤一的具体过程包括:获取视频监控帧后,通过比对正常天气条件下的道路场景,估计整个环境的明暗变化,获取场景的整体光强I,消除每一帧图像的环境整体变化,便于图像的后续处理。
进一步地,步骤二的具体过程如下:
(1)将相邻的三帧图像Ff-1(x,y),Ff(x,y),Ff+1(x,y)作为一组,通过Canny边缘提取算子对图像进行边缘提取;
(2)对边缘提取后的三帧图像分别计算相邻两帧图像的差值:
(3)对差分结果进行逻辑与操作得到中间图像
D′(x,y)=D(f,f-1)(x,y)∩D(f+1,f)(x,y);
(4)通过获得的场景光强度I和监控场景车辆行驶限速Vmax自适应的选取阈值:
其中:a为实验后得出的阈值自适应系数,T0为初始阈值;通过自适应阈值对中间图像进行二值化处理得到三帧差分的结果,检测出运动车辆,表达如下:
进一步地,步骤四的具体过程如下:
(1)将视频图像帧转换为HSV颜色空间,并获取H通道的分布直方图,即灰度图像;
(2)假定初始帧中的目标区域有n个像素分别用{Ii}i=1,…,n表示,将选中区域的灰度图像空间划分为m个相等区间的灰度直方图,目标模型的概率密度可以表示为:
其中:C为归一化系数,Ii *为归一化像素位置,K为核函数,M(Ii)为像素所属的灰度直方图区间,u为直方图的颜色索引;
(3)在第t帧时,根据(t-1)帧的目标中心位置l0,以l0为搜索窗口的中心,假定候选目标的中心为l,计算第t帧的候选目标区域直方图,则候选目标的概率密度可以表示为
(4)定义相似函数为:
用于描述目标模型和候选目标之间的相似程度;
(5)移动搜索窗的中心到质心,如果移动距离大于预设的固定阈值,则重复上述步骤,直到寻找到的是相似函数最大的候选区域,即是当前帧中目标的位置。
进一步地,步骤六的具体过程如下:
(1)重复迭代过程得到每一帧图像中车辆的外接矩形跟踪框R[(xlu,ylu),(xrd,yrd)],其中(xlu,ylu)是跟踪矩形左上角的坐标,(xrd,yrd)是跟踪矩形右下角的坐标,以外接矩形的四边的中点和质心分别为坐标标记出三条车辆行驶轨迹线路;
(2)对车辆的运动轨迹进行预处理,通过滤波技术对车辆的运行轨迹进行平滑处理得到更加平滑的车辆行驶轨迹;
(3)根据警戒线的类型选择不同的车辆轨迹,检测其与预设警戒线是否相交,判定车辆是否越线。
进一步地,所述判定车辆是否越线的依据包括:
(1)警戒线与道路垂直时,选用车辆前后边中点坐标形成的轨迹线作为判定依据;
(2)警戒线与道路平行时,选用车辆两侧边中点坐标形成的轨迹线作为判定依据;
(3)其他警戒线类型时,选用车辆质心坐标形成的轨迹线作为判定依据。
与现有技术相比,本发明的有益效果是:
(1)实时性强,算法复杂度低,计算量小,适用于高速行驶车辆的定位,且能够同时对超过20个车辆目标实现车辆轨迹跟踪和越线检测。
(2)精确度高,通过边缘提取算法和自适应阈值能够有效提高目标跟踪的准确率,同时根据警戒线与车辆行驶方向动态选择更加适宜的车辆运动轨迹,使得越线检测更加精准,减少错判、误判的情况。
(3)稳定可靠,能够适应不同天气情况、车辆遮挡情况下的车辆检测,不会出现重影、空洞等异常的检测结果。
(4)应用范围广,能够适用于不同的监控设备和道路交通状况,不局限于特定的车辆运行状况或者视频监控设备。
附图说明
图1是本发明所提供的一种基于智能视频分析技术的车辆越线检测方法的流程图。
图2是车辆运动轨迹示意图。
具体实施方式
下面结合附图以及具体实施例来详细说明本发明,其中的具体实施例以及说明仅用来解释本发明,但并不作为对本发明的限定。
如图1所示,本发明公开了一种基于智能视频分析技术的车辆越线检测方法,包括以下步骤:
步骤一,根据实时光强对视频监控图像进行预处理,消除场景变化的影响;
步骤二,采用改进的三帧差分算法将视频监控图像中的车辆检测出来;
步骤三,检测到车辆位置后,以外接矩形框标注,通过目标跟踪算法跟踪车辆的运动轨迹;
步骤四,利用度量函数检测初始帧目标车辆与当前帧候选目标的相似性,通过不断的迭代计算获得目标在当前帧的实际位置,获取车辆的运动轨迹;
步骤五,对视频序列的每一帧当中都运用步骤四的迭代计算,并将上一帧的结果作为下一帧的初始值,如此不断循环迭代;
步骤六,重复步骤五得到车辆的多条运动轨迹,选取合适的运动轨迹检测警戒线与轨迹是否相交,判定车辆是否越线。
具体地,步骤一的具体过程包括:获取视频监控帧后,通过比对正常天气条件下的道路场景,估计整个环境的明暗变化,获取场景的整体光强I,消除每一帧图像的环境整体变化,便于图像的后续处理。
具体地,步骤二的具体过程如下:
(1)将相邻的三帧图像Ff-1(x,y),Ff(x,y),Ff+1(x,y)作为一组,通过Canny边缘提取算子对图像进行边缘提取;
(2)对边缘提取后的三帧图像分别计算相邻两帧图像的差值:
(3)对差分结果进行逻辑与操作得到中间图像
D′(x,y)=D(f,f-1)(x,y)∩D(f+1,f)(x,y);
(4)通过获得的场景光强度I和监控场景车辆行驶限速Vmax自适应的选取阈值:
其中:a为实验后得出的阈值自适应系数,T0为初始阈值;通过自适应阈值对中间图像进行二值化处理得到三帧差分的结果,检测出运动车辆,表达如下:
具体地,步骤四的具体过程如下:
(1)将视频图像帧转换为HSV颜色空间,并获取H通道的分布直方图,即灰度图像;
(2)假定初始帧中的目标区域有n个像素分别用{Ii}i=1,…,n表示,将选中区域的灰度图像空间划分为m个相等区间的灰度直方图,目标模型的概率密度可以表示为:
其中:C为归一化系数,Ii *为归一化像素位置,K为核函数,M(Ii)为像素所属的灰度直方图区间,u为直方图的颜色索引;
(3)在第t帧时,根据(t-1)帧的目标中心位置l0,以l0为搜索窗口的中心,假定候选目标的中心为l,计算第t帧的候选目标区域直方图,则候选目标的概率密度可以表示为
(4)定义相似函数为:
用于描述目标模型和候选目标之间的相似程度;
(5)移动搜索窗的中心到质心,如果移动距离大于预设的固定阈值,则重复上述步骤,直到寻找到的是相似函数最大的候选区域,即是当前帧中目标的位置。
具体地,步骤六的具体过程如下:
(1)重复迭代过程得到每一帧图像中车辆的外接矩形跟踪框R[(xlu,ylu),(xrd,yrd)],其中(xlu,ylu)是跟踪矩形左上角的坐标,(xrd,yrd)是跟踪矩形右下角的坐标,以外接矩形的四边的中点和质心分别为坐标标记出三条车辆行驶轨迹线路;
(2)对车辆的运动轨迹进行预处理,通过滤波技术对车辆的运行轨迹进行平滑处理得到更加平滑的车辆行驶轨迹;
(3)根据警戒线的类型选择不同的车辆轨迹,检测其与预设警戒线是否相交,判定车辆是否越线。车辆运动轨迹示意图如图2所示。
具体地,所述判定车辆是否越线的依据包括:
(1)警戒线与道路垂直时,选用车辆前后边中点坐标形成的轨迹线作为判定依据;
(2)警戒线与道路平行时,选用车辆两侧边中点坐标形成的轨迹线作为判定依据;
(3)其他警戒线类型时,选用车辆质心坐标形成的轨迹线作为判定依据。
实施例
一种基于智能视频分析技术的车辆越线检测方法,包括以下过程:
1.视频图像预处理。获取视频监控帧后,通过比对正常天气条件下的道路场景,估计整个环境的明暗变化,获取场景的整体光强I,消除每一帧图像的环境整体变化,便于图像的后续处理。
2.通过改进的三帧差分算法进行车辆目标的检测,进行如下的处理:
(1)将相邻的三帧图像Ff-1(x,y),Ff(x,y),Ff+1(x,y)作为一组,通过Canny边缘提取算子对图像进行边缘提取;
(2)对边缘提取后的三帧图像分别计算相邻两帧图像的差值:
(3)对差分结果进行逻辑与操作得到中间图像
D′(x,y)=D(f,f-1)(x,y)∩D(f+1,f)(x,y);
(4)通过获得的场景光强度I和监控场景车辆行驶限速Vmax自适应的选取阈值:
其中:a为实验后得出的阈值自适应系数,T0为初始阈值;通过自适应阈值对中间图像进行二值化处理得到三帧差分的结果,检测出运动车辆,表达如下:
3.利用2中的改进的三帧差分法检测视频中运动车辆的位置,并用外接矩形框标注,使用目标跟踪算法开始跟踪车辆的运行轨迹。
4.首先将视频图像帧转换为HSV颜色空间,并获取H通道的分布直方图(灰度图像)。
5.对图像进行迭代寻优找到概率分布的极值来定位目标,具体过程可以表示为:
(1)假定初始帧中的目标区域有n个像素分别用{Ii}i=1,…,n表示,将选中区域的灰度图像空间划分为m个相等区间的灰度直方图,目标模型的概率密度可以表示为:
其中:C为归一化系数,Ii *为归一化像素位置,K为核函数,M(Ii)为像素所属的灰度直方图区间,u为直方图的颜色索引;
(2)在第t帧时,根据(t-1)帧的目标中心位置l0,以l0为搜索窗口的中心,假定候选目标的中心为l,计算第t帧的候选目标区域直方图,则候选目标的概率密度可以表示为
(3)定义相似函数为:
用于描述目标模型和候选目标之间的相似程度;
(4)移动搜索窗的中心到质心,如果移动距离大于预设的固定阈值,则重复上述步骤,直到寻找到的是相似函数最大的候选区域,即是当前帧中目标的位置。
6.将步骤5扩展到连续图像序列,即将上一帧的结果,搜索窗的大小和中心,作为下一帧搜索窗的初始值,如此迭代下去。
7.重复上一步骤的迭代过程得到每一帧图像中车辆的外接矩形跟踪框R[(xlu,ylu),(xrd,yrd)],其中(xlu,ylu)是跟踪矩形左上角的坐标,(xrd,yrd)是跟踪矩形右下角的坐标,以外接矩形的四边的中点和质心分别为坐标标记出三条车辆行驶轨迹线路。
8.对车辆的运动轨迹进行预处理,通过滤波技术对车辆的运行轨迹进行平滑处理得到更加平滑的车辆行驶轨迹。
9.根据警戒线的类型选择不同的车辆轨迹,检测其与预设警戒线的是否相交:
(1)警戒线与道路垂直时,选用车辆前后边中点坐标形成的轨迹线作为判定依据;
(2)警戒线与道路平行时,选用车辆两侧边中点坐标形成的轨迹线作为判定依据;
(3)其他警戒线类型时,选用车辆质心坐标形成的轨迹线作为判定依据。
以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于智能视频分析技术的车辆越线检测方法,其特征在于:包括以下步骤:
步骤一,根据实时光强对视频监控图像进行预处理,消除场景变化的影响;
步骤二,采用改进的三帧差分算法将视频监控图像中的车辆检测出来;
步骤三,检测到车辆位置后,以外接矩形框标注,通过目标跟踪算法跟踪车辆的运动轨迹;
步骤四,利用度量函数检测初始帧目标车辆与当前帧候选目标的相似性,通过不断的迭代计算获得目标在当前帧的实际位置,获取车辆的运动轨迹;
步骤五,对视频序列的每一帧当中都运用步骤四的迭代计算,并将上一帧的结果作为下一帧的初始值,如此不断循环迭代;
步骤六,重复步骤五得到车辆的多条运动轨迹,选取合适的运动轨迹检测警戒线与轨迹是否相交,判定车辆是否越线。
2.根据权利要求1所述的一种基于智能视频分析技术的车辆越线检测方法,其特征在于:步骤一的具体过程包括:获取视频监控帧后,通过比对正常天气条件下的道路场景,估计整个环境的明暗变化,获取场景的整体光强I,消除每一帧图像的环境整体变化,便于图像的后续处理。
3.根据权利要求2所述的一种基于智能视频分析技术的车辆越线检测方法,其特征在于:步骤二的具体过程如下:
(1)将相邻的三帧图像Ff-1(x,y),Ff(x,y),Ff+1(x,y)作为一组,通过Canny边缘提取算子对图像进行边缘提取;
(2)对边缘提取后的三帧图像分别计算相邻两帧图像的差值:
(3)对差分结果进行逻辑与操作得到中间图像
D′(x,y)=D(f,f-1)(x,y)∩D(f+1,f)(x,y);
(4)通过获得的场景光强度I和监控场景车辆行驶限速Vmax自适应的选取阈值:
其中:a为实验后得出的阈值自适应系数,T0为初始阈值;通过自适应阈值对中间图像进行二值化处理得到三帧差分的结果,检测出运动车辆,表达如下:
4.根据权利要求3所述的一种基于智能视频分析技术的车辆越线检测方法,其特征在于:步骤四的具体过程如下:
(1)将视频图像帧转换为HSV颜色空间,并获取H通道的分布直方图,即灰度图像;
(2)假定初始帧中的目标区域有n个像素分别用{Ii}i=1,…,n表示,将选中区域的灰度图像空间划分为m个相等区间的灰度直方图,目标模型的概率密度可以表示为:
其中:C为归一化系数,Ii *为归一化像素位置,K为核函数,M(Ii)为像素所属的灰度直方图区间,u为直方图的颜色索引;
(3)在第t帧时,根据(t-1)帧的目标中心位置l0,以l0为搜索窗口的中心,假定候选目标的中心为l,计算第t帧的候选目标区域直方图,则候选目标的概率密度可以表示为
(4)定义相似函数为:
用于描述目标模型和候选目标之间的相似程度;
(5)移动搜索窗的中心到质心,如果移动距离大于预设的固定阈值,则重复上述步骤,直到寻找到的是相似函数最大的候选区域,即是当前帧中目标的位置。
5.根据权利要求4所述的一种基于智能视频分析技术的车辆越线检测方法,其特征在于:步骤六的具体过程如下:
(1)重复迭代过程得到每一帧图像中车辆的外接矩形跟踪框R[(xlu,ylu),(xrd,yrd)],其中(xlu,ylu)是跟踪矩形左上角的坐标,(xrd,yrd)是跟踪矩形右下角的坐标,以外接矩形的四边的中点和质心分别为坐标标记出三条车辆行驶轨迹线路;
(2)对车辆的运动轨迹进行预处理,通过滤波技术对车辆的运行轨迹进行平滑处理得到更加平滑的车辆行驶轨迹;
(3)根据警戒线的类型选择不同的车辆轨迹,检测其与预设警戒线是否相交,判定车辆是否越线。
6.根据权利要求5所述的一种基于智能视频分析技术的车辆越线检测方法,其特征在于:所述判定车辆是否越线的依据包括:
(1)警戒线与道路垂直时,选用车辆前后边中点坐标形成的轨迹线作为判定依据;
(2)警戒线与道路平行时,选用车辆两侧边中点坐标形成的轨迹线作为判定依据;
(3)其他警戒线类型时,选用车辆质心坐标形成的轨迹线作为判定依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810402670.4A CN108596129B (zh) | 2018-04-28 | 2018-04-28 | 一种基于智能视频分析技术的车辆越线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810402670.4A CN108596129B (zh) | 2018-04-28 | 2018-04-28 | 一种基于智能视频分析技术的车辆越线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596129A true CN108596129A (zh) | 2018-09-28 |
CN108596129B CN108596129B (zh) | 2022-05-06 |
Family
ID=63620130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810402670.4A Active CN108596129B (zh) | 2018-04-28 | 2018-04-28 | 一种基于智能视频分析技术的车辆越线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596129B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684986A (zh) * | 2018-12-19 | 2019-04-26 | 新大陆数字技术股份有限公司 | 一种基于车辆检测跟踪的车辆分析方法及系统 |
CN110263693A (zh) * | 2019-06-13 | 2019-09-20 | 苏州元联传感技术有限公司 | 结合帧间差分与贝叶斯分类器的车辆行人检测识别方法 |
CN110415272A (zh) * | 2019-07-08 | 2019-11-05 | 东华大学 | 一种电瓶车逆行检测系统及方法 |
CN110517429A (zh) * | 2019-09-10 | 2019-11-29 | 浙江蓝迪电力科技有限公司 | 一种智能电子围栏系统及处理方法 |
CN110517291A (zh) * | 2019-08-27 | 2019-11-29 | 南京邮电大学 | 一种基于多特征空间融合的道路车辆跟踪方法 |
CN110674703A (zh) * | 2019-09-05 | 2020-01-10 | 北京正安维视科技股份有限公司 | 一种智能监控中的视频绊线报警计数方法与流程 |
CN110956652A (zh) * | 2019-11-20 | 2020-04-03 | 国网浙江省电力有限公司电力科学研究院 | 变电站人员提前越线告警方法 |
CN111104549A (zh) * | 2019-12-30 | 2020-05-05 | 普联技术有限公司 | 一种检索视频的方法及设备 |
CN111105437A (zh) * | 2018-10-29 | 2020-05-05 | 西安宇视信息科技有限公司 | 车辆轨迹异常判断方法及装置 |
CN111640309A (zh) * | 2020-05-22 | 2020-09-08 | 浙江工贸职业技术学院 | 一种快捷的车辆检测系统 |
CN111833598A (zh) * | 2020-05-14 | 2020-10-27 | 山东科技大学 | 一种高速公路无人机交通事件自动监测方法及系统 |
CN111914716A (zh) * | 2020-07-24 | 2020-11-10 | 深圳市瑞立视多媒体科技有限公司 | 主动光刚体识别方法、装置、设备及存储介质 |
CN112215870A (zh) * | 2020-09-17 | 2021-01-12 | 武汉联影医疗科技有限公司 | 一种液体流动轨迹超限检测方法、装置及系统 |
CN112258668A (zh) * | 2020-10-29 | 2021-01-22 | 成都恒创新星科技有限公司 | 基于高位摄像头对路边车辆停车行为的检测方法 |
CN112507816A (zh) * | 2020-11-25 | 2021-03-16 | 杭州电子科技大学 | 一种基于屏幕捕捉的监控触发方法及系统 |
CN112712543A (zh) * | 2019-10-25 | 2021-04-27 | 北京京东振世信息技术有限公司 | 物品运送轨迹检测方法、装置以及存储介质 |
CN114291080A (zh) * | 2020-09-22 | 2022-04-08 | 埃尔构人工智能有限责任公司 | 增强的障碍物检测 |
CN114640807A (zh) * | 2022-03-15 | 2022-06-17 | 京东科技信息技术有限公司 | 基于视频的对象统计方法、装置、电子设备和存储介质 |
CN114821542A (zh) * | 2022-06-23 | 2022-07-29 | 小米汽车科技有限公司 | 目标检测方法、装置、车辆及存储介质 |
CN114943955A (zh) * | 2022-07-25 | 2022-08-26 | 山东广通汽车科技股份有限公司 | 一种用于半挂车自动卸货控制方法 |
CN115393413A (zh) * | 2022-08-24 | 2022-11-25 | 珠海安士佳电子有限公司 | 一种智能区域识别报警方法及系统 |
CN115797411A (zh) * | 2023-01-17 | 2023-03-14 | 长江勘测规划设计研究有限责任公司 | 一种利用机器视觉在线识别水电站电缆桥架形变的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779412A (zh) * | 2011-05-13 | 2012-11-14 | 深圳市新创中天信息科技发展有限公司 | 集成式一体化视频交通信息检测方法和系统 |
CN102831617A (zh) * | 2012-07-17 | 2012-12-19 | 聊城大学 | 一种运动目标检测与跟踪的方法和系统 |
US20140118716A1 (en) * | 2012-10-31 | 2014-05-01 | Raytheon Company | Video and lidar target detection and tracking system and method for segmenting moving targets |
CN106683119A (zh) * | 2017-01-09 | 2017-05-17 | 河北工业大学 | 基于航拍视频图像的运动车辆检测方法 |
CN106981163A (zh) * | 2017-03-26 | 2017-07-25 | 天津普达软件技术有限公司 | 一种人员入侵异常事件报警方法 |
CN107424412A (zh) * | 2017-09-21 | 2017-12-01 | 程丹秋 | 一种交通行为分析系统 |
-
2018
- 2018-04-28 CN CN201810402670.4A patent/CN108596129B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779412A (zh) * | 2011-05-13 | 2012-11-14 | 深圳市新创中天信息科技发展有限公司 | 集成式一体化视频交通信息检测方法和系统 |
CN102831617A (zh) * | 2012-07-17 | 2012-12-19 | 聊城大学 | 一种运动目标检测与跟踪的方法和系统 |
US20140118716A1 (en) * | 2012-10-31 | 2014-05-01 | Raytheon Company | Video and lidar target detection and tracking system and method for segmenting moving targets |
CN106683119A (zh) * | 2017-01-09 | 2017-05-17 | 河北工业大学 | 基于航拍视频图像的运动车辆检测方法 |
CN106981163A (zh) * | 2017-03-26 | 2017-07-25 | 天津普达软件技术有限公司 | 一种人员入侵异常事件报警方法 |
CN107424412A (zh) * | 2017-09-21 | 2017-12-01 | 程丹秋 | 一种交通行为分析系统 |
Non-Patent Citations (4)
Title |
---|
HOWARD WANG: "Video target tracking based on fusion state estimation", 《 2014 INTERNATIONAL SYMPOSIUM ON TECHNOLOGY MANAGEMENT AND EMERGING TECHNOLOGIES》 * |
TIEMAXIAOSU: "运动目标检测--帧间差分法", 《HTTPS://BLOG.CSDN.NET/TIEMAXIAOSU/ARTICLE/DETAILS/51558830》 * |
宋耀: "交通监控视频中的车辆异常行为检测", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
陈宝远等: "一种改进的三帧差分运动目标检测算法", 《应用科技》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105437A (zh) * | 2018-10-29 | 2020-05-05 | 西安宇视信息科技有限公司 | 车辆轨迹异常判断方法及装置 |
CN111105437B (zh) * | 2018-10-29 | 2024-03-29 | 西安宇视信息科技有限公司 | 车辆轨迹异常判断方法及装置 |
CN109684986A (zh) * | 2018-12-19 | 2019-04-26 | 新大陆数字技术股份有限公司 | 一种基于车辆检测跟踪的车辆分析方法及系统 |
CN110263693A (zh) * | 2019-06-13 | 2019-09-20 | 苏州元联传感技术有限公司 | 结合帧间差分与贝叶斯分类器的车辆行人检测识别方法 |
CN110415272A (zh) * | 2019-07-08 | 2019-11-05 | 东华大学 | 一种电瓶车逆行检测系统及方法 |
CN110517291A (zh) * | 2019-08-27 | 2019-11-29 | 南京邮电大学 | 一种基于多特征空间融合的道路车辆跟踪方法 |
CN110674703A (zh) * | 2019-09-05 | 2020-01-10 | 北京正安维视科技股份有限公司 | 一种智能监控中的视频绊线报警计数方法与流程 |
CN110517429A (zh) * | 2019-09-10 | 2019-11-29 | 浙江蓝迪电力科技有限公司 | 一种智能电子围栏系统及处理方法 |
CN112712543A (zh) * | 2019-10-25 | 2021-04-27 | 北京京东振世信息技术有限公司 | 物品运送轨迹检测方法、装置以及存储介质 |
CN110956652A (zh) * | 2019-11-20 | 2020-04-03 | 国网浙江省电力有限公司电力科学研究院 | 变电站人员提前越线告警方法 |
CN111104549A (zh) * | 2019-12-30 | 2020-05-05 | 普联技术有限公司 | 一种检索视频的方法及设备 |
CN111833598A (zh) * | 2020-05-14 | 2020-10-27 | 山东科技大学 | 一种高速公路无人机交通事件自动监测方法及系统 |
CN111833598B (zh) * | 2020-05-14 | 2022-07-05 | 山东科技大学 | 一种高速公路无人机交通事件自动监测方法及系统 |
CN111640309A (zh) * | 2020-05-22 | 2020-09-08 | 浙江工贸职业技术学院 | 一种快捷的车辆检测系统 |
CN111914716A (zh) * | 2020-07-24 | 2020-11-10 | 深圳市瑞立视多媒体科技有限公司 | 主动光刚体识别方法、装置、设备及存储介质 |
CN111914716B (zh) * | 2020-07-24 | 2023-10-20 | 深圳市瑞立视多媒体科技有限公司 | 主动光刚体识别方法、装置、设备及存储介质 |
CN112215870A (zh) * | 2020-09-17 | 2021-01-12 | 武汉联影医疗科技有限公司 | 一种液体流动轨迹超限检测方法、装置及系统 |
CN112215870B (zh) * | 2020-09-17 | 2022-07-12 | 武汉联影医疗科技有限公司 | 一种液体流动轨迹超限检测方法、装置及系统 |
CN114291080A (zh) * | 2020-09-22 | 2022-04-08 | 埃尔构人工智能有限责任公司 | 增强的障碍物检测 |
CN112258668A (zh) * | 2020-10-29 | 2021-01-22 | 成都恒创新星科技有限公司 | 基于高位摄像头对路边车辆停车行为的检测方法 |
CN112507816A (zh) * | 2020-11-25 | 2021-03-16 | 杭州电子科技大学 | 一种基于屏幕捕捉的监控触发方法及系统 |
CN114640807B (zh) * | 2022-03-15 | 2024-01-16 | 京东科技信息技术有限公司 | 基于视频的对象统计方法、装置、电子设备和存储介质 |
CN114640807A (zh) * | 2022-03-15 | 2022-06-17 | 京东科技信息技术有限公司 | 基于视频的对象统计方法、装置、电子设备和存储介质 |
CN114821542A (zh) * | 2022-06-23 | 2022-07-29 | 小米汽车科技有限公司 | 目标检测方法、装置、车辆及存储介质 |
CN114943955A (zh) * | 2022-07-25 | 2022-08-26 | 山东广通汽车科技股份有限公司 | 一种用于半挂车自动卸货控制方法 |
CN114943955B (zh) * | 2022-07-25 | 2022-11-01 | 山东广通汽车科技股份有限公司 | 一种用于半挂车自动卸货控制方法 |
CN115393413A (zh) * | 2022-08-24 | 2022-11-25 | 珠海安士佳电子有限公司 | 一种智能区域识别报警方法及系统 |
CN115393413B (zh) * | 2022-08-24 | 2023-04-14 | 珠海安士佳电子有限公司 | 一种智能区域识别报警方法及系统 |
CN115797411A (zh) * | 2023-01-17 | 2023-03-14 | 长江勘测规划设计研究有限责任公司 | 一种利用机器视觉在线识别水电站电缆桥架形变的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108596129B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596129A (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
CN103400157B (zh) | 一种基于视频分析的道路行人及非机动车检测方法 | |
CN103268616B (zh) | 多特征多传感器的移动机器人运动人体跟踪方法 | |
CN104866823B (zh) | 一种基于单目视觉的车辆检测与跟踪方法 | |
CN106682586A (zh) | 一种复杂光照条件下基于视觉的实时车道线检测的方法 | |
CN106652465A (zh) | 一种道路异常驾驶行为的识别方法及系统 | |
CN106541968B (zh) | 基于视觉分析的地铁车厢实时提示系统的识别方法 | |
He et al. | A novel algorithm for estimating vehicle speed from two consecutive images | |
CN110210363A (zh) | 一种基于车载图像的目标车辆压线检测方法 | |
CN104200485A (zh) | 一种面向视频监控的人体跟踪方法 | |
CN104183127A (zh) | 交通监控视频检测方法和装置 | |
CN107491720A (zh) | 一种基于改进型卷积神经网络的车型识别方法 | |
CN106778593A (zh) | 一种基于多地面标志融合的车道级定位方法 | |
CN106022243B (zh) | 一种基于图像处理的机动车道车辆逆行识别方法 | |
CN103824070A (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN104778444A (zh) | 道路场景下车辆图像的表观特征分析方法 | |
CN102968625A (zh) | 基于轨迹的船舶识别与跟踪方法 | |
CN111369541A (zh) | 一种智能汽车恶劣天气条件下车辆检测方法 | |
CN101847206A (zh) | 基于交通监控设施的行人流量统计方法与系统 | |
CN104183142A (zh) | 一种基于图像视觉处理技术的车流量统计方法 | |
CN105321189A (zh) | 基于连续自适应均值漂移多特征融合的复杂环境目标跟踪方法 | |
CN103794050A (zh) | 一种实时的交通车辆检测与跟踪方法 | |
CN111553214B (zh) | 一种驾驶员吸烟行为检测方法及系统 | |
CN110020642A (zh) | 一种基于车辆检测的能见度识别方法 | |
CN106951820B (zh) | 基于环形模板和椭圆拟合的客流统计方法 |
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 |