CN109559518A - 一种基于结构化图像识别算法的新型智能交通卡口 - Google Patents

一种基于结构化图像识别算法的新型智能交通卡口 Download PDF

Info

Publication number
CN109559518A
CN109559518A CN201811501036.2A CN201811501036A CN109559518A CN 109559518 A CN109559518 A CN 109559518A CN 201811501036 A CN201811501036 A CN 201811501036A CN 109559518 A CN109559518 A CN 109559518A
Authority
CN
China
Prior art keywords
image
vehicle
domain
structural data
pixel
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
CN201811501036.2A
Other languages
English (en)
Inventor
刘慧�
王佐成
王卫
李飞
罗艳丽
王蕾
张利利
李志学
汪彬彬
马旭
朱刘影
张宇
熊飞
张海荣
吴博雯
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.)
Anhui Sun Create Electronic Co Ltd
Original Assignee
Anhui Sun Create Electronic Co Ltd
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 Anhui Sun Create Electronic Co Ltd filed Critical Anhui Sun Create Electronic Co Ltd
Priority to CN201811501036.2A priority Critical patent/CN109559518A/zh
Publication of CN109559518A publication Critical patent/CN109559518A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于结构化图像识别算法的新型智能交通卡口，包括：过车检测单元、车牌识别单元、过车记录的存储单元、结构化业务关联数据的存储单元；所述过车检测单元对摄像机中的视频图像进行过车检测，提取出过车图像；所述车牌识别单元对过车图像进行车牌识别，提取出过车车辆的车牌号；所述车牌识别单元还对过车图像进行结构化数据预处理，生成该过车图像的结构化数据；所述过车记录存储单元分别获取并存储过车图像和和该过车图像的结构化数据。本发明配置简单灵活、识别率高、识别效率高，可以对已经建设的治安摄像机进行布控，同时前端识别，减小服务器集群压力，为大型交通、平安城市项目助力，节省服务资源。

Description

一种基于结构化图像识别算法的新型智能交通卡口
技术领域
本发明涉及城市智能交通虚拟卡口算法的应用开发领域，尤其是一种基于结构化图像识别算法的新型智能交通卡口。
背景技术
现有技术中，通常在一些小区出入口、十字路口、交通要道、高速路段等均会设置卡口，所述卡口就是对道路通行车辆的图像和信息进行采集、识别的设备，通过设置卡口对来往的车辆进行抓拍和捕获，常用的卡口为摄像机。
随着全国城市建设步伐的加快，交通行业、平安城市和智慧城市均对卡口摄像机的要求越来越灵活多变，应用场景也趋于复杂，传统的硬件模式的卡口摄像机已经越来越不满足智能交通和平安城市的要求了。
发明内容
为了克服上述现有技术中的缺陷，本发明提供一种基于结构化图像识别算法的新型智能交通卡口，既能对普通治安摄像机进行配置,使普通治安摄像机可以进行车牌识别并推送过车记录，使普通治安摄像机化身虚拟卡口设备；还能以嵌入式的方式将结构化算法写入卡口摄像机或普通摄像机中,实现前端识别，达到减小服务器集群压力的作用，为大型交通、平安城市项目助力，节省服务资源。
为实现上述目的，本发明采用以下技术方案，包括：
一种基于结构化图像识别算法的新型智能交通卡口，包括以下组成部分：过车检测单元(1)、车牌识别单元(2)、过车记录的存储单元(3)、结构化业务关联数据的存储单元(4)；
所述过车检测单元(1)对摄像机中的视频图像进行过车检测，提取出过车图像；所述过车检测单元(1)将过车图像发送至所述车牌识别单元(2)；
所述车牌识别单元(2)对过车图像进行车牌识别，提取出过车车辆的车牌号；所述车牌识别单元(2)还对过车图像进行结构化数据预处理，生成该过车图像的结构化数据；所述车牌识别单元(2)分别将过车图像和该过车图像的结构化数据发送至所述过车记录存储单元(3)；
所述过车记录存储单元(3)分别获取并存储过车图像和和该过车图像的结构化数据；所述过车记录存储单元(3)将该过车图像的结构化数据发送至所述结构化数据存储单元(4)；
所述结构化数据存储单元(4)对过车图像的结构化数据进行存储。
所述过车检测是：先对摄像机中的视频图像中的单帧图像进行目标检测提取出含有目标的单帧图像，再对相邻的两帧含有目标的单帧图像进行画线碰撞检测和追踪识别，判断存在运动目标并判断该运动目标为机动车辆，提取出运动目标为机动车辆的单帧图像即过车图像；所述过车检测具体包括以下步骤：
S11，采用优化灰度算法对摄像机中的视频图像中的单帧图像进行灰度处理，得到单帧灰度图像；所述单帧灰度图像的像素点数量为M*N；
S12，对单帧灰度图像进行目标分割，分别对分割后的每个区域内的平均灰度值进行判断，若存在平均灰度值大于分割阈值t1的区域，100≤t1≤200，则判断该单帧灰度图像为含有目标的单帧图像；
按照上述方式，依次对摄像机中的视频图像中的每帧图像进行判断并提取出含有目标的单帧图像；
S13，对相邻的两帧含有目标的单帧图像即相邻的两帧图像进行差分，得到差分图像；所述差分图像也包括M*N个像素点，即所述差分图像为M行N列；且所述差分图像上的每个像素点的灰度值等于该相邻的两帧图像上相应像素点的灰度值之间差值的绝对值；
S14，将差分图像分为N个域，每个域即对应为差分图像上的每一列；分别计算差分图像上每个域即每一列中的像素点的灰度值之和V(n)，具体计算方式如下所示：
其中，m表示第m行；n表示第n列即第n个域；I(m,n)表示该差分图像的第m行第n列处的像素点的灰度值；V(n)表示该差分图像上第n个域的像素点的灰度值之和；
S15，对差分图像上每个域中的像素点的灰度值之和V(n)求平均值，该平均值即为域间平均值具体计算方式如下所示：
S16，依次将每个域中的像素点的灰度值之和V(n)与域间平均值进行比较，若第n个域中的像素点的灰度值之和V(n)大于域间平均值则该第n个域中存在运动目标的边缘像素点，即说明与该差分图像相对的相邻的两帧图像中存在运动目标；若每个域中的像素点的灰度值之和V(n)均小于或等于域间平均值则说明与该差分图像相对的相邻的两帧图像中没有运动目标；
S17，对存在运动目标的边缘像素点的第n个域中的像素点的灰度值求平均值，该平均值即为第n个域的域内平均值具体计算方式如下所示：
S18，依次将存在运动目标的边缘像素点的该第n个域中的每个像素点的灰度值与此第n个域的域内平均值进行比较，若该第n个域中的某个像素点的灰度值大于第n个域的域内平均值则该第n个域中的该像素点即为运动目标的边缘像素点；
S19，依次类推，从差分图像的M*N个像素点中找出所有属于运动目标的边缘像素点，并用外接矩形画运动目标的轮廓边缘；若用外接矩形画出运动目标的轮廓边缘，且所述外接矩形的大小符合机动车辆的大小，则该相邻的两帧图像中的运动目标是机动车辆，即该相邻的两帧图像是过车图像；否则，该相邻的两帧图像中的运动目标不是机动车辆，即该相邻的两帧图像不是过车图像。
所述车牌识别基于支持向量机SVN和人工神经网络ANN技术，具体方式包括以下步骤：
S21，对过车图像进行结构化数据预处理，得到该过车图像的结构化数据；
S22，对过车图像的灰度图像中的灰度值为100～255之间的像素点进行过滤降噪处理；
S23，将灰度图像分割成多区域，采用支持向量机SVN算法并根据模型库的车牌的长宽查找出车牌区域，即确定车牌位置；
S24，采用字符分割和识别算法识别出车牌中的数字、字母、汉字，并采用人工神经网络ANN模型识别算法进行过滤，识别出正确结果即正确的车牌号，将正确的车牌号加入该过车图像的结构化数据中；且对不确定和无法识别的数字、字母、汉字保留其结构化数据，并加入该过车图像的结构化数据中。
所述结构化数据包括：车牌识别的时间戳、车牌号、摄像机的编号、关联关系、附属功能信息；所述附属功能信息包括：车型、车颜色、车速。
所述过车记录存储单元(3)为集群服务器，且该集群服务器采用观察者模式；所述观察者模式含有两向分支，即将集群服务器分为两类，其中，属于第一向分支的服务器为过车图像存储服务器，用于存储过车图像，且该过车图像存储服务器设有对外接口；属于第二向分支的服务器为结构化数据存储服务器，用于存储结构化数据。
采用所述过车记录存储单元(3)中的所述结构化数据存储服务器作为所述结构化数据存储单元(4)；所述结构化数据采用为分布式持久型的redis存储模式；所述结构化数据存储单元(4)采用日志型key-value存储系统，且所述结构化数据存储单元(4)设有多语言开发接口。
所述结构化数据采用为分布式持久型的redis存储模式；所述结构化数据存储单元(4)采用日志型key-value存储系统，且所述结构化数据存储单元(4)设有多语言开发接口。
本发明的优点在于：
(1)本发明能对普通治安摄像机进行配置,使普通治安摄像机可以进行车牌识别并推送过车记录，使普通治安摄像机化身虚拟卡口设备，最大化了治安设备资源利用率；
(2)本发明还能以嵌入式的方式将结构化算法写入卡口摄像机或普通摄像机中,实现前端识别，达到减小服务器集群压力的作用。
(3)本发明的卡口配置简单灵活、识别率高、识别效率高，既能用于智能交通行业，也能用于平安城市和智慧城市中。
(4)本发明采用观察者模式对过车图像和结构化数据进行存储，一方面，方便人员对过车图像进行查询、获取、过期删除、过车备查的处理；另一方面，对结构化数据进行单独的存储，方便人员对结构化数据的利用和处理。
(5)本发明采用为分布式持久型的redis存储模式对结构化数据进行存储，支持主从同步，结构化数据可以由主服务器向任意数量的从服务器上同步，且从服务器可以为关联其他从服务器的主服务器，故可执行单层树复制，有利于构建分布式系统的架构；redis是一个高性能的key-value数据库，它同时提供了Java，C/C++，C#，PHP，JavaScript，Perl，Object-C，Python，Ruby，Erlang等客户端，使用方便；且对键值对型数据的存储满足和业务逻辑上的解耦，系统独立性强。
附图说明
图1为本发明的一种基于结构化图像识别算法的新型智能交通卡口的整体架构图。
图2为本发明的一种基于结构化图像识别算法的新型智能交通卡口的过车检测的方法流程图。
图3为本发明的一种基于结构化图像识别算法的新型智能交通卡口的车牌识别的方法流程图。
图4为本发明的一种基于结构化图像识别算法的新型智能交通卡口的过车图像和结构化数据存储的存储示意图。
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。
由图1所示，一种基于结构化图像识别算法的新型智能交通卡口，包括以下组成部分：过车检测单元1、车牌识别单元2、过车记录的存储单元3、结构化业务关联数据的存储单元4；
所述过车检测单元1对摄像机中的视频图像进行过车检测，提取出过车图像；所述过车检测单元1将过车图像发送至所述车牌识别单元2；
所述车牌识别单元2对过车图像进行车牌识别，提取出过车车辆的车牌号；所述车牌识别单元2还对过车图像进行结构化数据预处理，生成该过车图像的结构化数据；所述车牌识别单元2将过车图像和该过车图像的结构化数据分别发送至所述过车记录存储单元3；
所述过车记录存储单元3分别获取并存储过车图像和和该过车图像的结构化数据；所述过车记录存储单元3将该过车图像的结构化数据发送至所述结构化数据存储单元4；
所述结构化数据存储单元4对过车图像的结构化数据进行存储。
所述过车检测的具体方式为：先对摄像机中的视频图像中的单帧图像进行目标检测提取出含有目标的单帧图像，再对相邻的两帧含有目标的单帧图像进行画线碰撞检测和追踪识别，判断存在运动目标并判断该运动目标为机动车辆，提取出目标为车辆的单帧图像即过车图像；
由图2所示，所述过车检测具体包括以下步骤：
S11，采用优化灰度算法对摄像机中的视频图像中的单帧图像进行灰度处理，得到单帧灰度图像；所述单帧灰度图像的像素点数量为M*N；
S12，对单帧灰度图像进行目标分割，分别对分割后的每个区域内的平均灰度值进行判断，若存在平均灰度值大于分割阈值t1的区域，100≤t1≤200，则判断该单帧灰度图像为含有目标的单帧图像；
按照上述方式，依次对摄像机中的视频图像中的每帧图像进行判断并提取出含有目标的单帧图像；
S13，对相邻的两帧含有目标的单帧图像即相邻的两帧图像进行差分，得到差分图像；所述差分图像也包括M*N个像素点，即所述差分图像为M行N列；且所述差分图像上的每个像素点的灰度值等于该相邻的两帧图像上该像素点的灰度值之间差值的绝对值；
S14，将差分图像分为N个域，每个域即对应为差分图像上的每一列；分别计算差分图像上每个域即每一列中的像素点的灰度值之和V(n)，具体计算方式如下所示：
其中，m表示第m行；n表示第n列即第n个域；I(m,n)表示该差分图像的第m行第n列处的像素点的灰度值；V(n)表示该差分图像上第n个域的像素点的灰度值之和；
S15，对差分图像上每个域中的像素点的灰度值之和V(n)求平均值，该平均值即为域间平均值具体计算方式如下所示：
S16，依次将每个域中的像素点的灰度值之和V(n)与域间平均值进行比较，若第n个域中的像素点的灰度值之和V(n)大于域间平均值则该第n个域中存在运动目标的边缘像素点，即说明与该过车图像相对应的相邻的两帧图像中存在运动目标；若每个域中的像素点的灰度值之和V(n)均小于或等于域间平均值则说明与该过车图像相对应的相邻的两帧图像中没有运动目标；
S17，对存在运动目标的边缘像素点的第n个域中的像素点的灰度值求平均值，该平均值即为第n个域的域内平均值具体计算方式如下所示：
S18，依次将存在运动目标的边缘像素点的该第n个域中的每个像素点的灰度值与此第n个域的域内平均值进行比较，若该第n个域中的某个像素点的灰度值大于第n个域的域内平均值则该第n个域中的该像素点即为运动目标的边缘像素点；
S19，依次类推，从差分图像的M*N个像素点中找出所有属于运动目标的边缘像素点，并用外接矩形画运动目标的轮廓边缘；若用外接矩形画出运动目标的轮廓边缘，且所述外接矩形的大小符合机动车辆的大小；则该相邻的两帧图像中的运动目标是机动车辆，即该相邻的两帧图像是过车图像；若则，该相邻的两帧图像中的运动目标不是机动车辆，即该相邻的两帧图像不是过车图像。
其中，步骤S13-步骤S19即为画线碰撞检测和追踪识别的过程。
本发明的过车检测方法能精准的检测出运动目标，并判断运动目标是否为机动车辆。
由图3所示，所述车牌识别基于支持向量机SVN和人工神经网络ANN技术，具体方式包括以下步骤：
S21，对过车图像进行结构化数据预处理，得到该过车图像的结构化数据；且该过车图像是步骤S18中的相邻的两帧过车图像中的任意一帧，本实施例中，利用相邻两帧中的前一帧过车图像进行车牌识别；
S22，对过车图像的灰度图像中的灰度值为100～255之间的像素点进行过滤降噪处理；
S23，将灰度图像分割成多区域，采用支持向量机SVN算法并根据模型库的车牌的长宽查找出车牌区域，即确定车牌位置；
S24，采用字符分割和识别算法识别出车牌中的数字、字母、汉字，并采用人工神经网络ANN模型识别算法进行过滤，识别出正确结果即正确的车牌号，将正确的车牌号加入该过车图像的结构化数据中；且对不确定和无法识别的数字、字母、汉字保留其结构化数据，并加入该过车图像的结构化数据中。
基于支持向量机SVN和人工神经网络ANN技术的车牌检测具体可参见现有技术。
所述结构化数据包括：车牌识别的时间戳、车牌号、摄像机的编号、关联关系、附属功能信息；所述附属功能信息包括：车型、车颜色、车速。实际过程中，从摄像机的视频图像本身即为数字信号，该数据信号本身即包括了部分结构化数据，如摄像机的编号、时间戳、像素值等。所述结构化数据具有占空间小、安全性高、冗余低、方便存储等优点。
由图4所示，所述过车记录存储单元3为集群服务器，且该集群服务器采用观察者模式；所述观察者模式含有两向分支，即将集群服务器分为两类，其中，属于第一向分支的服务器为过车图像存储服务器，用于存储过车图像，且该过车图像存储服务器含有对外接口，方便人员对过车图像进行查询、获取、过期删除、过车备查的处理；属于第二向分支的服务器为结构化数据存储服务器，用于存储结构化数据；
既可以采用所述过车记录存储单元3中的所述结构化数据存储服务器作为所述结构化数据存储单元4，也可以采用单独的服务器作为所述结构化数据存储单元4；所述结构化数据采用为分布式持久型的redis存储模式；所述结构化数据存储单元4采用日志型key-value存储系统，且所述结构化数据存储单元4含有多语言开发接口，方便人员对结构化关联数据进行处理。
采用为分布式持久型的redis存储模式对结构化数据进行存储，可以支持主从同步，结构化数据可以由主服务器向任意数量的从服务器上同步，且从服务器可以为关联其他从服务器的主服务器，故可执行单层树复制，有利于构建分布式系统的架构；redis是一个高性能的key-value数据库，它同时提供了Java，C/C++，C#，PHP，JavaScript，Perl，Object-C，Python，Ruby，Erlang等客户端，使用方便；且对键值对型数据的存储满足和业务逻辑上的解耦，系统独立性强。
本发明既能对普通治安摄像机进行配置,使普通治安摄像机可以进行车牌识别并推送过车记录，使普通治安摄像机化身虚拟卡口设备；还能以嵌入式的方式将结构化算法写入卡口摄像机或普通摄像机中,实现前端识别，达到减小服务器集群压力的作用，为大型交通、平安城市项目助力，节省服务资源。
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。

Claims (7)

1.一种基于结构化图像识别算法的新型智能交通卡口，其特征在于，包括以下组成部分：过车检测单元(1)、车牌识别单元(2)、过车记录的存储单元(3)、结构化业务关联数据的存储单元(4)；
所述过车检测单元(1)对摄像机中的视频图像进行过车检测，提取出过车图像；所述过车检测单元(1)将过车图像发送至所述车牌识别单元(2)；
所述车牌识别单元(2)对过车图像进行车牌识别，提取出过车车辆的车牌号；所述车牌识别单元(2)还对过车图像进行结构化数据预处理，生成该过车图像的结构化数据；所述车牌识别单元(2)分别将过车图像和该过车图像的结构化数据发送至所述过车记录存储单元(3)；
所述过车记录存储单元(3)分别获取并存储过车图像和和该过车图像的结构化数据；所述过车记录存储单元(3)将该过车图像的结构化数据发送至所述结构化数据存储单元(4)；
所述结构化数据存储单元(4)对过车图像的结构化数据进行存储。
2.根据权利要求2所述的一种基于结构化图像识别算法的新型智能交通卡口，其特征在于，所述过车检测是：先对摄像机中的视频图像中的单帧图像进行目标检测提取出含有目标的单帧图像，再对相邻的两帧含有目标的单帧图像进行画线碰撞检测和追踪识别，判断存在运动目标并判断该运动目标为机动车辆，提取出运动目标为机动车辆的单帧图像即过车图像；所述过车检测具体包括以下步骤：
S11，采用优化灰度算法对摄像机中的视频图像中的单帧图像进行灰度处理，得到单帧灰度图像；所述单帧灰度图像的像素点数量为M*N；
S12，对单帧灰度图像进行目标分割，分别对分割后的每个区域内的平均灰度值进行判断，若存在平均灰度值大于分割阈值t1的区域，100≤t1≤200，则判断该单帧灰度图像为含有目标的单帧图像；
按照上述方式，依次对摄像机中的视频图像中的每帧图像进行判断并提取出含有目标的单帧图像；
S13，对相邻的两帧含有目标的单帧图像即相邻的两帧图像进行差分，得到差分图像；所述差分图像也包括M*N个像素点，即所述差分图像为M行N列；且所述差分图像上的每个像素点的灰度值等于该相邻的两帧图像上相应像素点的灰度值之间差值的绝对值；
S14，将差分图像分为N个域，每个域即对应为差分图像上的每一列；分别计算差分图像上每个域即每一列中的像素点的灰度值之和V(n)，具体计算方式如下所示：
其中，m表示第m行；n表示第n列即第n个域；I(m,n)表示该差分图像的第m行第n列处的像素点的灰度值；V(n)表示该差分图像上第n个域的像素点的灰度值之和；
S15，对差分图像上每个域中的像素点的灰度值之和V(n)求平均值，该平均值即为域间平均值具体计算方式如下所示：
S16，依次将每个域中的像素点的灰度值之和V(n)与域间平均值进行比较，若第n个域中的像素点的灰度值之和V(n)大于域间平均值则该第n个域中存在运动目标的边缘像素点，即说明与该差分图像相对的相邻的两帧图像中存在运动目标；若每个域中的像素点的灰度值之和V(n)均小于或等于域间平均值则说明与该差分图像相对的相邻的两帧图像中没有运动目标；
S17，对存在运动目标的边缘像素点的第n个域中的像素点的灰度值求平均值，该平均值即为第n个域的域内平均值具体计算方式如下所示：
S18，依次将存在运动目标的边缘像素点的该第n个域中的每个像素点的灰度值与此第n个域的域内平均值进行比较，若该第n个域中的某个像素点的灰度值大于第n个域的域内平均值则该第n个域中的该像素点即为运动目标的边缘像素点；
S19，依次类推，从差分图像的M*N个像素点中找出所有属于运动目标的边缘像素点，并用外接矩形画运动目标的轮廓边缘；若用外接矩形画出运动目标的轮廓边缘，且所述外接矩形的大小符合机动车辆的大小，则该相邻的两帧图像中的运动目标是机动车辆，即该相邻的两帧图像是过车图像；否则，该相邻的两帧图像中的运动目标不是机动车辆，即该相邻的两帧图像不是过车图像。
3.根据权利要求2所述的一种基于结构化图像识别算法的新型智能交通卡口，其特征在于，所述车牌识别基于支持向量机SVN和人工神经网络ANN技术，具体方式包括以下步骤：
S21，对过车图像进行结构化数据预处理，得到该过车图像的结构化数据；
S22，对过车图像的灰度图像中的灰度值为100～255之间的像素点进行过滤降噪处理；
S23，将灰度图像分割成多区域，采用支持向量机SVN算法并根据模型库的车牌的长宽查找出车牌区域，即确定车牌位置；
S24，采用字符分割和识别算法识别出车牌中的数字、字母、汉字，并采用人工神经网络ANN模型识别算法进行过滤，识别出正确结果即正确的车牌号，将正确的车牌号加入该过车图像的结构化数据中；且对不确定和无法识别的数字、字母、汉字保留其结构化数据，并加入该过车图像的结构化数据中。
4.根据权利要求3所述的一种基于结构化图像识别算法的新型智能交通卡口，其特征在于，所述结构化数据包括：车牌识别的时间戳、车牌号、摄像机的编号、关联关系、附属功能信息；所述附属功能信息包括：车型、车颜色、车速。
5.根据权利要求4所述的一种基于结构化图像识别算法的新型智能交通卡口，其特征在于，所述过车记录存储单元(3)为集群服务器，且该集群服务器采用观察者模式；所述观察者模式含有两向分支，即将集群服务器分为两类，其中，属于第一向分支的服务器为过车图像存储服务器，用于存储过车图像，且该过车图像存储服务器设有对外接口；属于第二向分支的服务器为结构化数据存储服务器，用于存储结构化数据。
6.根据权利要求5所述的一种基于结构化图像识别算法的新型智能交通卡口，其特征在于，采用所述过车记录存储单元(3)中的所述结构化数据存储服务器作为所述结构化数据存储单元(4)；所述结构化数据采用为分布式持久型的redis存储模式；所述结构化数据存储单元(4)采用日志型key-value存储系统，且所述结构化数据存储单元(4)设有多语言开发接口。
7.根据权利要求1所述的一种基于结构化图像识别算法的新型智能交通卡口，其特征在于，所述结构化数据采用为分布式持久型的redis存储模式；所述结构化数据存储单元(4)采用日志型key-value存储系统，且所述结构化数据存储单元(4)设有多语言开发接口。
CN201811501036.2A 2018-12-10 2018-12-10 一种基于结构化图像识别算法的新型智能交通卡口 Pending CN109559518A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811501036.2A CN109559518A (zh) 2018-12-10 2018-12-10 一种基于结构化图像识别算法的新型智能交通卡口

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811501036.2A CN109559518A (zh) 2018-12-10 2018-12-10 一种基于结构化图像识别算法的新型智能交通卡口

Publications (1)

Publication Number Publication Date
CN109559518A true CN109559518A (zh) 2019-04-02

Family

ID=65869494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811501036.2A Pending CN109559518A (zh) 2018-12-10 2018-12-10 一种基于结构化图像识别算法的新型智能交通卡口

Country Status (1)

Country Link
CN (1) CN109559518A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113641743A (zh) * 2021-08-07 2021-11-12 广州交信投科技股份有限公司 一种基于交通卡口的数据流转处理方法
CN113689587A (zh) * 2021-08-25 2021-11-23 山东新一代信息产业技术研究院有限公司 一种园区内干道占用巡检方法及系统
CN114399502A (zh) * 2022-03-24 2022-04-26 视睿（杭州）信息科技有限公司 一种适用于led芯片的外观缺陷检测方法、系统及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819681A (zh) * 2009-12-16 2010-09-01 东南大学 权值自适应调整的加权平均背景更新方法
CN102110366A (zh) * 2011-03-28 2011-06-29 长安大学 一种基于块累积的高速公路车辆停车事件检测方法
CN102637257A (zh) * 2012-03-22 2012-08-15 北京尚易德科技有限公司 一种基于视频的交通车辆检测识别系统和方法
CN103955949A (zh) * 2014-04-04 2014-07-30 哈尔滨工程大学 基于Mean-shift算法的运动目标检测方法
CN105138592A (zh) * 2015-07-31 2015-12-09 武汉虹信技术服务有限责任公司 一种基于分布式架构的日志数据存储和检索方法
US20160098833A1 (en) * 2014-10-06 2016-04-07 Technion Research & Development Foundation Limited System and Method for Measurement of Myocardial Mechanical Function
CN106327918A (zh) * 2016-09-07 2017-01-11 武汉安可威视科技有限公司 一种车牌识别的停车场智能收费管理系统
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
CN107393304A (zh) * 2017-09-11 2017-11-24 安徽实运信息科技有限责任公司 一种基于卡口通行的交通状态检测系统
CN108205897A (zh) * 2016-12-16 2018-06-26 北京迪科达科技有限公司 一种车辆的车牌分析识别系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819681A (zh) * 2009-12-16 2010-09-01 东南大学 权值自适应调整的加权平均背景更新方法
CN102110366A (zh) * 2011-03-28 2011-06-29 长安大学 一种基于块累积的高速公路车辆停车事件检测方法
CN102637257A (zh) * 2012-03-22 2012-08-15 北京尚易德科技有限公司 一种基于视频的交通车辆检测识别系统和方法
CN103955949A (zh) * 2014-04-04 2014-07-30 哈尔滨工程大学 基于Mean-shift算法的运动目标检测方法
US20160098833A1 (en) * 2014-10-06 2016-04-07 Technion Research & Development Foundation Limited System and Method for Measurement of Myocardial Mechanical Function
CN105138592A (zh) * 2015-07-31 2015-12-09 武汉虹信技术服务有限责任公司 一种基于分布式架构的日志数据存储和检索方法
CN106327918A (zh) * 2016-09-07 2017-01-11 武汉安可威视科技有限公司 一种车牌识别的停车场智能收费管理系统
CN108205897A (zh) * 2016-12-16 2018-06-26 北京迪科达科技有限公司 一种车辆的车牌分析识别系统
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
CN107393304A (zh) * 2017-09-11 2017-11-24 安徽实运信息科技有限责任公司 一种基于卡口通行的交通状态检测系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113641743A (zh) * 2021-08-07 2021-11-12 广州交信投科技股份有限公司 一种基于交通卡口的数据流转处理方法
CN113689587A (zh) * 2021-08-25 2021-11-23 山东新一代信息产业技术研究院有限公司 一种园区内干道占用巡检方法及系统
CN114399502A (zh) * 2022-03-24 2022-04-26 视睿（杭州）信息科技有限公司 一种适用于led芯片的外观缺陷检测方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN108596277B (zh) 一种车辆身份识别方法、装置和存储介质
CN103020606B (zh) 一种基于时空上下文信息的行人检测方法
CN109583345B (zh) 道路识别方法、装置、计算机装置及计算机可读存储介质
CN109559518A (zh) 一种基于结构化图像识别算法的新型智能交通卡口
CN110852190B (zh) 一种融合目标检测与手势识别的驾驶行为识别方法及系统
CN102903124A (zh) 一种运动目标检测方法
CN113792606B (zh) 基于多目标追踪的低成本自监督行人重识别模型构建方法
CN113111838B (zh) 行为识别方法及装置、设备和存储介质
CN116824859B (zh) 一种基于物联网的智慧交通大数据分析系统
CN111652035B (zh) 一种基于ST-SSCA-Net的行人重识别方法及系统
CN114973412B (zh) 一种唇语识别方法和系统
CN104504377A (zh) 一种公交车乘客拥挤程度识别系统及方法
WO2021120961A1 (zh) 大脑成瘾结构图谱评估方法及装置
CN106296677A (zh) 一种基于双背景模型的双掩膜背景更新的遗留物检测方法
CN111325107B (zh) 检测模型训练方法、装置、电子设备和可读存储介质
WO2023040146A1 (zh) 基于图像融合的行为识别方法、装置、电子设备及介质
CN111008574A (zh) 一种基于形体识别技术的重点人员轨迹分析方法
CN110348463A (zh) 用于识别车辆的方法和装置
CN113780243A (zh) 行人图像识别模型的训练方法、装置、设备以及存储介质
Madhavan et al. The bdd-nexar collective: A large-scale, crowsourced, dataset of driving scenes
CN112954399A (zh) 一种图像处理方法、装置以及计算机设备
CN112215205A (zh) 目标识别方法、装置、计算机设备和存储介质
Colombari et al. Patch-based background initialization in heavily cluttered video
CN109002808B (zh) 一种人体行为识别方法及系统
CN114821430A (zh) 跨摄像头的目标对象跟踪方法、装置、设备及存储介质

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20210702

AD01 Patent right deemed abandoned