CN108665712A - 一种车辆越线违章行为监测方法及系统 - Google Patents
一种车辆越线违章行为监测方法及系统 Download PDFInfo
- Publication number
- CN108665712A CN108665712A CN201810750995.1A CN201810750995A CN108665712A CN 108665712 A CN108665712 A CN 108665712A CN 201810750995 A CN201810750995 A CN 201810750995A CN 108665712 A CN108665712 A CN 108665712A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- monitoring
- violating
- regulations
- 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
- G08G1/017—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
- G06V20/50—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
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
Abstract
本发明公开一种车辆越线违章行为监测方法及系统。所述方法包括:获取车辆进入监测路段的视频图像;抽取视频图像,得到抽样图像;对抽样图像进行预处理,得到处理图像;对处理图像进行判断,判断处理图像中是否包含车辆;若处理图像中包含车辆,则获取处理图像;对处理图像进行车牌提取,找到具体车辆的监控图像;根据监控图像判断车辆是否违章越线;若是,则将车辆的违章信息发送至违章服务器;若否,则删除监控图像;若处理图像中不包含车辆,则删除处理图像。本发明提供的方法或系统能够对所有可能发生越线违章的路段进行监测,极大的提高对车辆越线违章行为的监测成功率。
Description
技术领域
本发明涉及交通违章监测领域,特别是涉及一种车辆越线违章行为监测方法及系统。
背景技术
车辆的违章(异常)行为分为位置违章(异常)、路线违章(异常)和速度违章(异常)三大类。其中,路线违章,特别是在一些特殊路口和快速路上的违章变线、道路标志实线掉头等越线违章行为,由于车速较快,极易导致与相邻车道的车辆发生碰撞,往往具有更高的危险性,当前,越线违章成为造成交通事故的一个主要原因。
就城市道路车辆越线违章行为监测而言,由于城市路网结构复杂且覆盖范围大,加之车辆行驶速度较快,利用传统的人工方法进行监测相对比较困难,即耗费人力又比较危险,而由于技术的局限,现有以电子警察系统为代表的ITS系统中所广泛采用车辆监测技术,如线圈监测技术、超速波监测技术、微波监测技术等又无法承担此项工作,因此需要采取其他技术手段解决车辆越线违章监测问题。近年来,结合城市道路交通车辆越线违章行为的实际特点和图像处理技术的快速发展,基于视频图像的车辆越线违章行为监测技术应运而生,并逐渐被公认为是最为现实的技术手段。
目前,在基于视频图像的城市道路交通越线违章监测方面,所采用的主要方法是在主要路口和路段架设专用高清摄像头,或在执法车辆上部署基于专用摄像机的移动式车辆稽查系统,然后利用视频采集资料,根据相邻若干帧图像灰度级的变化结合特定算法对车辆是否存在越线违章行为进行判断。上述方法存在的突出问题表现为投入成本较高,机动性和隐蔽性差,不仅无法实现全路网覆盖,同时也便于驾驶员躲避违章监测。目前,尚未有有效的监测方法对所有可能越线违章路段中的越线行为进行有效监测。
发明内容
本发明的目的是提供一种车辆越线违章行为监测方法及系统,能够提高对越线违章行为的成功捕获率。
为实现上述目的,本发明提供了如下方案:
一种车辆越线违章行为监测方法,其特征在于,所述方法包括:
获取车辆进入监测路段的视频图像;
抽取所述视频图像,得到抽样图像;
对所述抽样图像进行预处理,得到处理图像;
对处理图像进行判断,判断所述处理图像中是否包含车辆;
若所述处理图像中包含车辆,则对所述处理图像进行车牌提取,找到所述车辆的监控图像;
根据所述监控图像判断所述车辆是否违章越线;
若所述监控图像判断所述车辆违章越线,则将所述车辆的违章信息发送至违章服务器,所述违章信息包括:车牌号、实时监控图像、违章时间、监测路段信息;
若所述监控图像判断所述车辆没有违章越线,则删除所述监控图像;
若所述处理图像中不包含车辆,则删除所述处理图像。
可选的,所述获取车辆进入监测路段的视频图像之前,还包括:
根据道路标志实线、道路行驶方向确定监测路段,并将所述监测路段信息加载至地图中。
可选的,所述根据所述监控图像判断所述车辆是否违章越线,具体包括:
采用道路标志实线识别算法提取所述监控图像中的道路标志实线,得到道路标志实线提取结果;
根据所述道路标志实线提取结果,将提取出来的模板区域分成4×4的子块,并绘制所述子块的颜色直方图,将子块的相似度均值作为模板区域的相似度值;
判断所述模板区域的相似度值与是否低于设定相似度阈值;
若是,则所述监控图像中有车辆发生越线违章行为;
若否,则所述监控图像中无车辆发生越线违章行为。
可选的,所述对所述抽样图像进行预处理,得到处理图像,具体包括:
对所述抽样图像进行颜色空间转换,得到转换图像;
对所述转换图像进行灰度化处理,得到灰度图像;
对所述灰度图像进行边缘检测,得到边缘检测图像;
对所述边缘检测图像进行二值化处理,得到处理图像。
可选的,所述对所述处理图像进行车牌提取,找到具体车辆的监控图像,具体包括:
根据车牌颜色和纹理进行车牌粗定位,得到粗定位信息;
对所述粗定位信息中的颜色像素点结合行列扫描的方法确定车牌的边界,得到细定位信息;
对所述细定位信息采用结合先验知识和垂直投影的方法进行车牌字符的分割,确定车牌信息,得到包含车牌信息的监控图像。
为实现上述目的,本发明提供了如下方案:
一种车辆越线违章行为监测系统,所述系统包括:
第一获取模块,用于获取车辆进入监测路段的视频图像;
抽样模块,用于抽取所述视频图像,得到抽样图像;
预处理模块,用于对所述抽样图像进行预处理,得到处理图像;
第一判断模块,用于对处理图像进行判断,判断所述处理图像中是否包含车辆;
第二获取模块,用于若所述处理图像中包含车辆,则获取所述处理图像;
提取模块,用于对所述处理图像进行车牌提取,找到具体车辆的监控图像;
第二判断模块,用于根据所述监控图像判断所述车辆是否违章越线;
信息发送模块,用于若所述监控图像中所述车辆有违章越线行为,则将所述车辆的违章信息发送至违章服务器,所述违章信息包括:车牌号、实时监控图像、违章时间、监测路段信息;
第二删除模块,用于若所述监控图像中所述车辆没有违章越线行为,则删除所述监控图像;
第一删除模块,用于若所述处理图像中不包含车辆,则删除所述处理图像。
可选的,所述系统还包括:
监测路段确定模块,用于根据道路标志实线、道路行驶方向确定监测路段,并将所述监测路段信息加载至地图中。
可选的,所述第二判断模块,具体包括:
提取结果确定单元,用于采用道路标志实线识别算法提取所述监控图像中的道路标志实线,得到道路标志实线提取结果;
模块区域相似度确定单元,用于根据所述道路标志实线提取结果,将提取出来的模板区域分成4×4的子块,并绘制所述子块的颜色直方图,将子块的相似度均值作为模板区域的相似度值;
判断单元,用于判断所述模板区域的相似度值与是否低于设定相似度阈值;
若是,则所述监控图像中有车辆发生越线违章行为;
若否,则所述监控图像中无车辆发生越线违章行为。
可选的,所述预处理模块,具体包括:
转换单元,用于对所述抽样图像进行颜色空间转换,得到转换图像;
灰度处理单元,用于对所述转换图像进行灰度化处理,得到灰度图像;
边缘检测单元,用于对所述灰度图像进行边缘检测,得到边缘检测图像;
二值化处理单元,用于对所述边缘检测图像进行二值化处理,得到处理图像。
可选的,所述提取模块,具体包括:
粗定位单元,用于根据车牌颜色和纹理进行车牌粗定位,得到粗定位信息;
细定位单元,用于对所述粗定位信息中的颜色像素点结合行列扫描的方法确定车牌的边界,得到细定位信息;
分割单元,用于对所述细定位信息采用结合先验知识和垂直投影的方法进行车牌字符的分割,得到车牌信息,所述车牌信息为具体车辆的监控图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供一种车辆越线违章行为监测方法,包括:获取车辆进入监测路段的视频图像;抽取所述视频图像,得到抽样图像;对所述抽样图像进行预处理,得到处理图像;对处理图像进行判断,判断所述处理图像中是否包含车辆;若所述处理图像中包含车辆,则获取所述处理图像;对所述处理图像进行车牌提取,找到具体车辆的监控图像;根据所述监控图像判断所述车辆是否违章越线;若是,则将所述车辆的违章信息发送至违章服务器,所述违章信息包括:车牌号、实时监控图像、违章时间、监测路段信息;若否,则删除所述监控图像;若所述处理图像中不包含车辆,则删除所述处理图像。本发明提供的方法能够对所有可能发生越线违章的路段进行监测,极大的提高对车辆越线违章行为的监测成功率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本发明实施例车辆越线违章行为监测方法流程图;
图2为本发明实施例车辆越线违章行为监测系统结构图。
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,所描述的实施例仅仅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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例车辆越线违章行为监测方法流程图。如图1所示,一种车辆越线违章行为监测方法,所述方法包括:
步骤101:获取车辆进入监测路段的视频图像,采用导航模块根据地图中监测路段信息确定车辆进入监测路段。
具体来说,本实施例中每台行驶的车辆配置一个导航行车记录仪。该导航行车记录仪将车辆的导航和行车记录仪的功能合二为一。从硬件上,导航行车记录仪在导航仪的基础上提供一个连接摄像头的接口连接摄像头并内置具有WIFI功能的硬件;从软件上,导航行车记录仪具有导航模块、视频图像输入模块、图像预处理模块、车辆驶入监测模块、分析模块和车牌识别模块。其中,导航模块实现地图显示和导航等基本功能。其他模块实现对前方道路及车辆行驶状况的拍摄和图像分析功能。配置导航行车记录仪的A车辆可以实现前方车辆B车辆的违章越线监测。
所述导航模块从所述车载地图提供商如凯立德等中下载城市地图及监测路段标注信息ROAD。所述导航模块获取当前路段的路段号x。若ROAD[x]=1,表明所述当前路段为所述监测路段。导航模块确定车辆进入监测路段时,向行车记录仪发送监测指令。当该导航模块监测该路段不是监测路段时,向所述行车记录与分析模块发送一个停止监测的通知消息MSG_STOP。
步骤102:抽取所述视频图像,得到抽样图像,获取文件中的视频文件,读入的视频文件,然后将视频转换为图像以方便后续处理。
步骤103:对所述抽样图像进行预处理,得到处理图像,以排除大部分的干扰信息并向车辆驶入监测模块发送实时监控图像,具体包括:
对所述抽样图像进行颜色空间转换,得到转换图像;
对所述转换图像进行灰度化处理,得到灰度图像;
对所述灰度图像进行边缘检测,得到边缘检测图像;
对所述边缘检测图像进行二值化处理,得到处理图像;
步骤104:对处理图像进行判断,判断所述处理图像中是否包含车辆;
步骤105:若所述处理图像中包含车辆,则对所述处理图像进行车牌提取,找到所述车辆的监控图像,具体包括:
根据车牌颜色和纹理进行车牌粗定位,得到粗定位信息,我国车牌具有固定不变的颜色特征,同时车牌上字符以及字符之间纹理特征也比较明显,在理想条件下可以取得比较好的车牌定位结果。
对所述粗定位信息中的颜色像素点结合行列扫描的方法确定车牌的边界,得到细定位信息,像素点统计结合行列扫描的车牌精确定位。在获得车牌粗定位信息后,为了后续实现对对车牌字符的精确分割,需要进一步地对车牌进行精确定位。通过在图像中统计蓝色像素点数并结合行列扫描的方法确定车牌的上下和左右边界,实现对车牌的更精确定位;
对所述细定位信息采用结合先验知识和垂直投影的方法进行车牌字符的分割,确定车牌信息,得到包含车牌信息的监控图像。为提高字符分割的抗干扰能力,本发明采用了结合先验知识和垂直投影的方法实现对车牌字符的分割。首先,通过字符分割模板中先验的各个字符位置来确定车牌图像中各个字符大概所在的位置,这种方法不会轻易受到其它字符和光照等天气因素的影响。然后,根据二值图像的垂直投影结果来实现对字符的进一步精确分割,然后根据模板匹配字符识别从而得到车牌信息。
步骤106:若所述处理图像中不包含车辆,则删除所述处理图像。
步骤107:根据所述监控图像判断所述车辆是否违章越线,具体包括:采用道路标志实线识别算法提取所述监控图像中的道路标志实线,得到道路标志实线提取结果;
根据所述道路标志实线提取结果,将提取出来的模板区域分成4×4的子块,并绘制所述子块的颜色直方图,将子块的相似度均值作为模板区域的相似度值;
判断所述模板区域的相似度值与是否低于设定相似度阈值;
若是,则所述监控图像中有车辆发生越线违章行为;
若否,则所述监控图像中无车辆发生越线违章行为。
步骤108:若所述监控图像判断所述车辆违章越线,则将所述车辆的违章信息发送至违章服务器,所述违章信息包括:车牌号、实时监控图像、违章时间、监测路段信息;
步骤109:若所述监控图像判断所述车辆没有违章越线,则删除所述监控图像;
在步骤101之前,还包括:
根据道路标志实线、道路行驶方向确定监测路段,并将所述监测路段信息加载至地图中。
具体来说,交通管理部门部署地图服务器,地图服务器中具有整个城市的地图信息,地图信息中包括监测路段信息。地图服务器将监测路段信息记录于地图中的步骤为:
一、用数组ROAD[y]记录路段信息,初始化数组ROAD[y]=0;其中,1≤y≤n,n为城市的路段数量。
二、地图服务器通过标注数组ROAD记录监测路段标注信息,若某路段的路段号为x,该路段为监测路段,则ROAD[x]=1;否则ROAD[x]=0。举例说明,整个某市具有5条路段,其中5条路段的路段号分别为1、2、3、4和5。初始化ROAD[1]=ROAD[2]=ROAD[3]=ROAD[4]=ROAD[5]=0。若路段2和路段5为监测路段,则ROAD[2]=1;ROAD[5]=1;每一台行驶在大连街道的车辆都会从大连的交通管理部门的地图服务器中下载地图信息,当车辆行驶在路段2中,监测ROAD[2]=1后则确定车辆当前行驶的路段为监测路段。
交通管理部门的地图服务器将车辆可能压实线掉头的路段标注为监测路段。该监测路段满足两个条件:监测路段与相邻路段道路标志实线分隔,道路标志实线分隔处无跨越行驶障碍如树木、护栏等。
车辆违章压线行为判定依据双黄线区域是否发生变化判定,即根据示例模板和实时图像的相似度均值之差来判断是否存在车辆压线,用判断表达式来表示。其中表示精确度阈值,如果相似度均值之差满足该表达式,则可判断图像中没有车辆越线违章,反之,则可判断图像中有车辆驶入并发生越线违章行为。示例模板图像每隔20分钟更新一次,实时图像区域每隔5帧提取一次。
本发明实现车辆越线违章的有效监测,提高对越线违章行为的成功捕获率。
本发明实现了对于可能发生跨越线违章的路段进行越线违章的有效监测,能够提高对越线违章行为的成功捕获率。本发明的有益效果是:
首先,该方法基于已有的具有车载视频功能的行车记录仪对车辆越线违章行为进行监测,无需交通管理部门部署额外的监控设备如地面线圈和摄像头,几乎没有增加额外的成本开销;
其次,该方法能够对所有可能发生越线违章的路段进行监测,极大的提高对车辆越线违章行为的监测成功率;
最后,该方法通过道路中行驶的车辆互相监控,不受白天黑夜时间的限制。本发明可广泛用于智能交通领域对城市道路中越线违章行为的监测。
图2为本发明实施例车辆越线违章行为监测系统结构图。如图2所示,一种车辆越线违章行为监测系统,所述系统包括:
第一获取模块201,用于获取车辆进入监测路段的视频图像;
抽样模块202,用于抽取所述视频图像,得到抽样图像;
预处理模块203,用于对所述抽样图像进行预处理,得到处理图像;
第一判断模块204,用于对处理图像进行判断,判断所述处理图像中是否包含车辆;
第二获取模块205,用于若所述处理图像中包含车辆,则获取所述处理图像;
第一删除模块206,用于若所述处理图像中不包含车辆,则删除所述处理图像;
提取模块207,用于对所述处理图像进行车牌提取,找到具体车辆的监控图像;
第二判断模块208,用于根据所述监控图像判断所述车辆是否违章越线;
信息发送模块209,用于若所述监控图像中所述车辆有违章越线行为,则将所述车辆的违章信息发送至违章服务器,所述违章信息包括:车牌号、实时监控图像、违章时间、监测路段信息;
第二删除模块210,用于若所述监控图像中所述车辆没有违章越线行为,则删除所述监控图像。
所述系统,还包括:
监测路段确定模块,用于根据道路标志实线、道路行驶方向确定监测路段,并将所述监测路段信息加载至地图中。
所述第二判断模块208,具体包括:
提取结果确定单元,用于采用道路标志实线识别算法提取所述监控图像中的道路标志实线,得到道路标志实线提取结果;
模块区域相似度确定单元,用于根据所述道路标志实线提取结果,将提取出来的模板区域分成4×4的子块,并绘制所述子块的颜色直方图,将子块的相似度均值作为模板区域的相似度值;
判断单元,用于判断所述模板区域的相似度值与是否低于设定相似度阈值;
若是,则所述监控图像中有车辆发生越线违章行为;
若否,则所述监控图像中无车辆发生越线违章行为。
所述预处理模块203,具体包括:
转换单元,用于对所述抽样图像进行颜色空间转换,得到转换图像;
灰度处理单元,用于对所述转换图像进行灰度化处理,得到灰度图像;
边缘检测单元,用于对所述灰度图像进行边缘检测,得到边缘检测图像;
二值化处理单元,用于对所述边缘检测图像进行二值化处理,得到处理图像。
所述提取模块207,具体包括:
粗定位单元,用于根据车牌颜色和纹理进行车牌粗定位,得到粗定位信息;
细定位单元,用于对所述粗定位信息中的颜色像素点结合行列扫描的方法确定车牌的边界,得到细定位信息;
分割单元,用于对所述细定位信息采用结合先验知识和垂直投影的方法进行车牌字符的分割,得到车牌信息,所述车牌信息为具体车辆的监控图像。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种车辆越线违章行为监测方法,其特征在于,所述方法包括:
获取车辆进入监测路段的视频图像;
抽取所述视频图像,得到抽样图像;
对所述抽样图像进行预处理,得到处理图像;
对处理图像进行判断,判断所述处理图像中是否包含车辆;
若所述处理图像中包含车辆,则对所述处理图像进行车牌提取,找到所述车辆的监控图像;
根据所述监控图像判断所述车辆是否违章越线;
若所述监控图像判断所述车辆违章越线,则将所述车辆的违章信息发送至违章服务器,所述违章信息包括:车牌号、实时监控图像、违章时间、监测路段信息;
若所述监控图像判断所述车辆没有违章越线,则删除所述监控图像;
若所述处理图像中不包含车辆,则删除所述处理图像。
2.根据权利要求1所述的车辆越线违章行为监测方法,其特征在于,所述获取车辆进入监测路段的视频图像之前,还包括:
根据道路标志实线、道路行驶方向确定监测路段,并将所述监测路段信息加载至地图中。
3.根据权利要求2所述的车辆越线违章行为监测方法,其特征在于,所述根据所述监控图像判断所述车辆是否违章越线,具体包括:
采用道路标志实线识别算法提取所述监控图像中的道路标志实线,得到道路标志实线提取结果;
根据所述道路标志实线提取结果,将提取出来的模板区域分成4×4的子块,并绘制所述子块的颜色直方图,将子块的相似度均值作为模板区域的相似度值;
判断所述模板区域的相似度值与是否低于设定相似度阈值;
若是,则所述监控图像中有车辆发生越线违章行为;
若否,则所述监控图像中无车辆发生越线违章行为。
4.根据权利要求1所述的车辆越线违章行为监测方法,其特征在于,所述对所述抽样图像进行预处理,得到处理图像,具体包括:
对所述抽样图像进行颜色空间转换,得到转换图像;
对所述转换图像进行灰度化处理,得到灰度图像;
对所述灰度图像进行边缘检测,得到边缘检测图像;
对所述边缘检测图像进行二值化处理,得到处理图像。
5.根据权利要求1所述的车辆越线违章行为监测方法,其特征在于,所述对所述处理图像进行车牌提取,找到具体车辆的监控图像,具体包括:
根据车牌颜色和纹理进行车牌粗定位,得到粗定位信息;
对所述粗定位信息中的颜色像素点结合行列扫描的方法确定车牌的边界,得到细定位信息;
对所述细定位信息采用结合先验知识和垂直投影的方法进行车牌字符的分割,确定车牌信息,得到包含车牌信息的监控图像。
6.一种车辆越线违章行为监测系统,其特征在于,所述系统包括:
第一获取模块,用于获取车辆进入监测路段的视频图像;
抽样模块,用于抽取所述视频图像,得到抽样图像;
预处理模块,用于对所述抽样图像进行预处理,得到处理图像;
第一判断模块,用于对处理图像进行判断,判断所述处理图像中是否包含车辆;
第二获取模块,用于若所述处理图像中包含车辆,则获取所述处理图像;
提取模块,用于对所述处理图像进行车牌提取,找到具体车辆的监控图像;
第二判断模块,用于根据所述监控图像判断所述车辆是否违章越线;
信息发送模块,用于若所述监控图像中所述车辆有违章越线行为,则将所述车辆的违章信息发送至违章服务器,所述违章信息包括:车牌号、实时监控图像、违章时间、监测路段信息;
第二删除模块,用于若所述监控图像中所述车辆没有违章越线行为,则删除所述监控图像;
第一删除模块,用于若所述处理图像中不包含车辆,则删除所述处理图像。
7.根据权利要求6所述的车辆越线违章行为监测系统,其特征在于,所述系统,还包括:
监测路段确定模块,用于根据道路标志实线、道路行驶方向确定监测路段,并将所述监测路段信息加载至地图中。
8.根据权利要求7所述的车辆越线违章行为监测系统,其特征在于,所述第二判断模块,具体包括:
提取结果确定单元,用于采用道路标志实线识别算法提取所述监控图像中的道路标志实线,得到道路标志实线提取结果;
模块区域相似度确定单元,用于根据所述道路标志实线提取结果,将提取出来的模板区域分成4×4的子块,并绘制所述子块的颜色直方图,将子块的相似度均值作为模板区域的相似度值;
判断单元,用于判断所述模板区域的相似度值与是否低于设定相似度阈值;
若是,则所述监控图像中有车辆发生越线违章行为;
若否,则所述监控图像中无车辆发生越线违章行为。
9.根据权利要求6所述的车辆越线违章行为监测系统,其特征在于,所述预处理模块,具体包括:
转换单元,用于对所述抽样图像进行颜色空间转换,得到转换图像;
灰度处理单元,用于对所述转换图像进行灰度化处理,得到灰度图像;
边缘检测单元,用于对所述灰度图像进行边缘检测,得到边缘检测图像;
二值化处理单元,用于对所述边缘检测图像进行二值化处理,得到处理图像。
10.根据权利要求6所述的车辆越线违章行为监测系统,其特征在于,所述提取模块,具体包括:
粗定位单元,用于根据车牌颜色和纹理进行车牌粗定位,得到粗定位信息;
细定位单元,用于对所述粗定位信息中的颜色像素点结合行列扫描的方法确定车牌的边界,得到细定位信息;
分割单元,用于对所述细定位信息采用结合先验知识和垂直投影的方法进行车牌字符的分割,得到车牌信息,所述车牌信息为具体车辆的监控图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810750995.1A CN108665712A (zh) | 2018-07-02 | 2018-07-02 | 一种车辆越线违章行为监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810750995.1A CN108665712A (zh) | 2018-07-02 | 2018-07-02 | 一种车辆越线违章行为监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108665712A true CN108665712A (zh) | 2018-10-16 |
Family
ID=63772674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810750995.1A Pending CN108665712A (zh) | 2018-07-02 | 2018-07-02 | 一种车辆越线违章行为监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108665712A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298300A (zh) * | 2019-06-27 | 2019-10-01 | 上海工程技术大学 | 一种检测车辆违章压线的方法 |
CN111179345A (zh) * | 2019-12-27 | 2020-05-19 | 大连海事大学 | 基于车载机器视觉的前方车辆越线违章行为自动检测方法及系统 |
CN113340391A (zh) * | 2021-07-07 | 2021-09-03 | 格力电器(武汉)有限公司 | 汽车衡称重方法、装置、存储介质及电子设备 |
CN114973691A (zh) * | 2022-05-27 | 2022-08-30 | 上海应用技术大学 | 不良驾驶行为记录系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629326A (zh) * | 2012-03-19 | 2012-08-08 | 天津工业大学 | 一种基于单目视觉的车道线检测方法 |
KR101252225B1 (ko) * | 2012-08-30 | 2013-04-05 | 한국건설기술연구원 | 좌회전 차량 감응 교통신호 제어시스템 |
CN104036262A (zh) * | 2014-06-30 | 2014-09-10 | 南京富士通南大软件技术有限公司 | 一种lpr车牌筛选识别的方法和系统 |
CN105631880A (zh) * | 2015-12-31 | 2016-06-01 | 百度在线网络技术(北京)有限公司 | 车道线分割方法和装置 |
EP2819113B1 (de) * | 2013-06-28 | 2016-08-03 | Siemens Aktiengesellschaft | Messanlage zur Erfassung eines einem Fahrzeug zugeordneten Kennzeichens bei Passage eines Messquerschnittes einer Fahrbahn |
CN105957347A (zh) * | 2016-06-16 | 2016-09-21 | 大连海事大学 | 一种基于导航行车记录仪的车辆违章掉头检测方法 |
-
2018
- 2018-07-02 CN CN201810750995.1A patent/CN108665712A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629326A (zh) * | 2012-03-19 | 2012-08-08 | 天津工业大学 | 一种基于单目视觉的车道线检测方法 |
KR101252225B1 (ko) * | 2012-08-30 | 2013-04-05 | 한국건설기술연구원 | 좌회전 차량 감응 교통신호 제어시스템 |
EP2819113B1 (de) * | 2013-06-28 | 2016-08-03 | Siemens Aktiengesellschaft | Messanlage zur Erfassung eines einem Fahrzeug zugeordneten Kennzeichens bei Passage eines Messquerschnittes einer Fahrbahn |
CN104036262A (zh) * | 2014-06-30 | 2014-09-10 | 南京富士通南大软件技术有限公司 | 一种lpr车牌筛选识别的方法和系统 |
CN105631880A (zh) * | 2015-12-31 | 2016-06-01 | 百度在线网络技术(北京)有限公司 | 车道线分割方法和装置 |
CN105957347A (zh) * | 2016-06-16 | 2016-09-21 | 大连海事大学 | 一种基于导航行车记录仪的车辆违章掉头检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298300A (zh) * | 2019-06-27 | 2019-10-01 | 上海工程技术大学 | 一种检测车辆违章压线的方法 |
CN111179345A (zh) * | 2019-12-27 | 2020-05-19 | 大连海事大学 | 基于车载机器视觉的前方车辆越线违章行为自动检测方法及系统 |
CN111179345B (zh) * | 2019-12-27 | 2024-01-23 | 大连海事大学 | 基于车载机器视觉的前方车辆越线违章行为自动检测方法及系统 |
CN113340391A (zh) * | 2021-07-07 | 2021-09-03 | 格力电器(武汉)有限公司 | 汽车衡称重方法、装置、存储介质及电子设备 |
CN114973691A (zh) * | 2022-05-27 | 2022-08-30 | 上海应用技术大学 | 不良驾驶行为记录系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104851295B (zh) | 获取路况信息的方法和系统 | |
CN107301776A (zh) | 基于视频检测技术的车道路况处理及发布方法 | |
CN109637151B (zh) | 一种高速公路应急车道违章行驶的识别方法 | |
CN108665712A (zh) | 一种车辆越线违章行为监测方法及系统 | |
CN105957347B (zh) | 一种基于导航行车记录仪的车辆违章掉头检测方法 | |
CN106023593B (zh) | 一种交通拥堵检测方法和装置 | |
CN110223511A (zh) | 一种汽车路边违停智能监测方法及系统 | |
KR101696881B1 (ko) | 교통 정보 분석 방법 및 장치 | |
CN106373426A (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN112163543A (zh) | 一种车辆违法占道的检测方法及系统 | |
CN103268703A (zh) | 公交专用道抓拍系统 | |
CN105046966A (zh) | 即停即离区域的违章停车行为自动检测系统和方法 | |
CN109345853A (zh) | 一种基于gis的无人车安全驾驶优化方法 | |
KR20210052031A (ko) | 딥러닝 기반 교통 흐름 분석 방법 및 시스템 | |
CN110033622A (zh) | 基于无人机航摄技术的违法抓拍占用应急车道方法 | |
CN114898296A (zh) | 基于毫米波雷达与视觉融合的公交车道占用检测方法 | |
CN114092917B (zh) | 一种基于mr-ssd的被遮挡交通标志检测方法及系统 | |
CN105118305A (zh) | 室外停车场出口车辆管理平台 | |
CN115035491A (zh) | 一种基于联邦学习的驾驶行为路况预警方法 | |
CN112084892B (zh) | 一种道路异常事件检测管理装置及其方法 | |
CN112633722A (zh) | 车载道路安全风险评估系统及方法 | |
CN110782653A (zh) | 一种道路信息采集方法和系统 | |
CN204856897U (zh) | 一种机动车即停即离区域的违章检测装置 | |
CN114694095A (zh) | 确定车辆进出泊位的方法、装置、设备和存储介质 | |
CN113469105A (zh) | 监控周边车辆的方法及装置、计算机可读存储介质 |
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: 20181016 |
|
RJ01 | Rejection of invention patent application after publication |