CN110288838A - 电动自行车闯红灯识别系统及方法 - Google Patents

电动自行车闯红灯识别系统及方法 Download PDF

Info

Publication number
CN110288838A
CN110288838A CN201910655065.2A CN201910655065A CN110288838A CN 110288838 A CN110288838 A CN 110288838A CN 201910655065 A CN201910655065 A CN 201910655065A CN 110288838 A CN110288838 A CN 110288838A
Authority
CN
China
Prior art keywords
information
electric bicycle
red light
module
dash
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
CN201910655065.2A
Other languages
English (en)
Inventor
刘祖钦
胡柏耀
蒋雄彬
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.)
Network Chain Technology Group Co Ltd
Original Assignee
Network Chain Technology Group 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 Network Chain Technology Group Co Ltd filed Critical Network Chain Technology Group Co Ltd
Priority to CN201910655065.2A priority Critical patent/CN110288838A/zh
Publication of CN110288838A publication Critical patent/CN110288838A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
    • 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
    • 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
    • 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
    • G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及电动自行车闯红灯识别系统及方法，其方法包括以下步骤：交通灯亮红灯时，触发视频抓拍设备进行抓拍，生成抓拍信息通过网关传输至kafka模块；电子自行车携带的RFID标签发出标签信息，RFID接收基站接收到标签信息，将标签信息通过网关传输至kafka模块；kafka模块将抓拍信息和标签信息传输至Mysql数据库、Elasticsearch模块和Redis高速缓存模块；Elasticsearch模块利用日志信息调取抓拍信息和标签信息进行数据处理，获取电动自行车的车牌信息及闯红灯违章信息传输至违章处理平台。相对现有技术，本发明能减少拍摄图片数量，提升识别闯红灯行为的精准度，实现实时监控能力。

Description

电动自行车闯红灯识别系统及方法
技术领域
本发明涉及违章识别技术领域，特别涉及电动自行车闯红灯识别系统及方法。
背景技术
电动车已经成为市民出行的便捷交通工具，与此同时，电动车也成为交通事故的主要元凶。据武汉交警大数据显示，2017年全市涉及电动车的交通事故23563起，其中，事故中电动车存在违法、有过错的11765起，占事故总数近5成。城市管理部门也是费尽心机，交警罚，协警纠，管制神器横空出世，纵使千般能耐，也止不住中国式过马路。闯红灯是拿自己的生命做赌注，害了自己，也害了他人。
而现有电动车闯红灯取证大部分是现场执法拍照，需前后拍摄三张违章图片费时费力，且很难做到实时监控，所以有必要对这些问题进行解决。
发明内容
本发明的目的是提供一种电动自行车闯红灯识别方法，所要解决的技术问题是：如何能减少拍摄图片数量，提升识别闯红灯行为的精准度，实现实时监控能力的电动自行车闯红灯识别系统及方法。
本发明解决上述技术问题的技术方案如下：电动自行车闯红灯识别方法，包括以下步骤：
交通灯亮红灯时，触发视频抓拍设备进行抓拍，生成抓拍信息通过网关传输至kafka模块；经过该交通灯处的电子自行车，其携带的RFID标签发出标签信息，该交通灯处的RFID接收基站接收到标签信息，将标签信息通过网关传输至kafka模块；
所述kafka模块将抓拍信息进行打包传输至Mysql数据库进行存储，还将抓拍信息和标签信息的日志信息传输至Elasticsearch模块，还将标签信息传输至Redis高速缓存模块；
所述Elasticsearch模块利用日志信息调取抓拍信息和标签信息，所述Elasticsearch模块对抓拍信息和标签信息进行数据处理，获取电动自行车的车牌信息及闯红灯违章信息传输至违章处理平台。
本发明的有益效果是：能减少拍摄图片数量，通过RFID及大数据处理，数据处理效率高，能有效提升识别闯红灯行为的精准度，提升对闯红灯违章的监控能力。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述Elasticsearch模块利用抓拍信息获取电动自行车的第一车牌信息，利用第一车牌信息与标签信息内对应的第二车牌信息进行对比，当第一车牌信息和第二车牌信息一致时，获取标签信息内对应电动自行车的车牌信息和车辆信息；将车牌信息和车辆信息传输至违章处理平台。
采用上述进一步方案的有益效果是：能快速认定对应的电动自行车存在闯红灯行为，避免出现不能完全拍到车牌而导致的遗漏监控。
进一步，所述Elasticsearch模块利用大规模神经网络识别算法或启发式车牌定位算法对电动自行车进行车牌识别，生成第一车牌信息。
采用上述进一步方案的有益效果是：大规模神经网络识别算法能很好区分车牌特征，大规模神经网络识别算法或启发式车牌定位算法均能大幅提升识别效果。
进一步，所述启发式车牌定位算法利用图像金字塔结构将抓拍信息中的车牌图像分级处理，将车牌区域字符密集特征量化为跳变特征，利用动态规划算法计算统计矩阵，根据事先实验得到的车牌跳变特征范围筛选统计矩阵得到候选矩形框；根据颜色特征、车牌尺寸特征和字符个数特征的筛选候选区域得到定位结果，获得第一车牌信息。
采用上述进一步方案的有益效果是：有效地提升了算法的性能，能精确、高效地定位车牌并且对环境的适应能力比较好。
进一步，所述Elasticsearch模块利用Kibana单元对日志信息进行处理，提取抓拍信息；采用深度学习算法检测出抓拍信息中电动自行车所在的图片区域，并进行定位标记；基于停止线及左转界线、右转界线位置信息，在抓拍信息中标记电动自行车的停止线和边界线位置；检测电动自行车的标记是否驶过停止线，当电动自行车驶过进口道停止线时，检测电动自行车的车头转向，当电动自行车的车头转向为直行或左转，则判定电动自行车闯红灯，生成闯红灯违章信息传输至违章处理平台。
采用上述进一步方案的有益效果是：通过深度学习算法能有效检测出电动自行车的闯红灯违章行为，所需图片少，处理效率高，能快速实现对闯红灯违法记录的有效性，降低人工成本。
本发明解决上述技术问题的另一技术方案如下：电动自行车闯红灯识别系统，包括：
视频抓拍设备，所述视频抓拍设备在交通灯亮红灯时触发进行抓拍，生成抓拍信息通过网关传输至kafka模块；
RFID接收基站，所述RFID接收基站接收电子自行车携带的RFID标签发出的标签信息，将标签信息通过网关传输至kafka模块；
kafka模块，所述kafka模块将抓拍信息进行打包传输至Mysql数据库进行存储，还将抓拍信息和标签信息的日志信息传输至Elasticsearch模块，还将标签信息传输至Redis高速缓存模块；
Elasticsearch模块，所述Elasticsearch模块利用日志信息调取抓拍信息和标签信息，所述Elasticsearch模块对抓拍信息和标签信息进行数据处理，获取电动自行车的车牌信息及闯红灯违章信息传输至违章处理平台。
本发明的有益效果是：能减少拍摄图片数量，通过RFID及大数据处理，数据处理效率高，能有效提升识别闯红灯行为的精准度，提升对闯红灯违章的监控能力。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述Elasticsearch模块利用抓拍信息获取电动自行车的第一车牌信息，利用第一车牌信息与标签信息内对应的第二车牌信息进行对比，当第一车牌信息和第二车牌信息一致时，获取标签信息内对应电动自行车的车牌信息和车辆信息；将车牌信息和车辆信息传输至违章处理平台。
采用上述进一步方案的有益效果是：能快速认定对应的电动自行车存在闯红灯行为，避免出现不能完全拍到车牌而导致的遗漏监控。
进一步，所述Elasticsearch模块利用大规模神经网络识别算法或启发式车牌定位算法对电动自行车进行车牌识别，生成第一车牌信息。
采用上述进一步方案的有益效果是：大规模神经网络识别算法能很好区分车牌特征，大规模神经网络识别算法或启发式车牌定位算法均能大幅提升识别效果。
进一步，所述启发式车牌定位算法利用图像金字塔结构将抓拍信息中的车牌图像分级处理，将车牌区域字符密集特征量化为跳变特征，利用动态规划算法计算统计矩阵，根据事先实验得到的车牌跳变特征范围筛选统计矩阵得到候选矩形框；根据颜色特征、车牌尺寸特征和字符个数特征的筛选候选区域得到定位结果，获得第一车牌信息。
采用上述进一步方案的有益效果是：有效地提升了算法的性能，能精确、高效地定位车牌并且对环境的适应能力比较好。
进一步，所述Elasticsearch模块利用Kibana单元对日志信息进行处理，提取抓拍信息；采用深度学习算法检测出抓拍信息中电动自行车所在的图片区域，并进行定位标记；基于停止线及左转界线、右转界线位置信息，在抓拍信息中标记电动自行车的停止线和边界线位置；检测电动自行车的标记是否驶过停止线，当电动自行车驶过进口道停止线时，检测电动自行车的车头转向，当电动自行车的车头转向为直行或左转，则判定电动自行车闯红灯，生成闯红灯违章信息传输至违章处理平台。
采用上述进一步方案的有益效果是：通过深度学习算法能有效检测出电动自行车的闯红灯违章行为，所需图片少，处理效率高，能快速实现对闯红灯违法记录的有效性，降低人工成本。
附图说明
图1为本发明电动自行车闯红灯识别方法的流程图；
图2为本发明电动自行车闯红灯识别系统的框架示意图。
附图中，各标号所代表的部件列表如下：
1、视频抓拍设备，2、RFID接收基站，3、网关，4、kafka模块，5、Mysql数据库，6、Elasticsearch模块，7、Redis高速缓存模块，8、违章处理平台。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例1：
如图1所示，电动自行车闯红灯识别方法，包括以下步骤：
交通灯亮红灯时，触发视频抓拍设备1进行抓拍，生成抓拍信息通过网关3传输至kafka模块4；经过该交通灯处的电子自行车，其携带的RFID标签发出标签信息，该交通灯处的RFID接收基站2接收到标签信息，将标签信息通过网关3传输至kafka模块4；
所述kafka模块4将抓拍信息进行打包传输至Mysql数据库5进行存储，还将抓拍信息和标签信息的日志信息传输至Elasticsearch模块6，还将标签信息传输至Redis高速缓存模块7；
所述Elasticsearch模块6利用日志信息调取抓拍信息和标签信息，所述Elasticsearch模块6对抓拍信息和标签信息进行数据处理，获取电动自行车的车牌信息及闯红灯违章信息传输至违章处理平台8。
利用RFID接收基站2接收标签信息，能有效识别电子自行车上RFID标签发出的标签信息，能有效处理多个电动自行车同时闯红灯时，实时记载电动自行车的通行数量，再利用抓拍信息将各个电动车进行一一对应，能有效快速识别各个电动自行车，提升闯红灯监控效率。
Elasticsearch模块6利用抓拍信息获取每个电动自行车进入该交通灯处的定位位置，根据电动自行车的定位位置判断，能有效判别电动自行车的闯红灯行为，还可以获取电动自行车的车牌，通过RFID及大数据处理，提升数据处理效率和精度，提升对闯红灯违章的监控能力。
本实施例方案成本低，简单高效，数据处理效率高，能有效实时监控确认闯红灯违章行为。
上述实施例中，所述Elasticsearch模块6利用抓拍信息获取电动自行车的第一车牌信息，利用第一车牌信息与标签信息内对应的第二车牌信息进行对比，当第一车牌信息和第二车牌信息一致时，获取标签信息内对应电动自行车的车牌信息和车辆信息；将车牌信息和车辆信息传输至违章处理平台8。
当多个电动自行车闯红灯时，由于部分电动自行车的车牌会存在部分遮挡，也可以利用第一车牌信息与标签信息内对应的第二车牌信息进行对比，当第一车牌信息和第二车牌信息部分一致时，也可以快速认定对应的电动自行车存在闯红灯行为，监控高效，能有效实时监控确认闯红灯违章行为，避免出现不能完全拍到车牌而导致的遗漏监控。
上述实施例中，所述Elasticsearch模块6利用大规模神经网络识别算法或启发式车牌定位算法对电动自行车进行车牌识别，生成第一车牌信息。
大规模神经网络识别算法能很好区分车牌特征，大规模神经网络识别算法或启发式车牌定位算法均能大幅提升识别效果。
上述实施例中，所述启发式车牌定位算法利用图像金字塔结构将抓拍信息中的车牌图像分级处理，将车牌区域字符密集特征量化为跳变特征，利用动态规划算法计算统计矩阵，根据事先实验得到的车牌跳变特征范围筛选统计矩阵得到候选矩形框；根据颜色特征、车牌尺寸特征和字符个数特征的筛选候选区域得到定位结果，获得第一车牌信息。
通过值的变化将车牌区域字符密集的特征有效地转变为数字计量特征，有效地提升了算法的性能，能精确、高效地定位车牌并且对环境的适应能力比较好。
上述实施例中，所述Elasticsearch模块6利用Kibana单元对日志信息进行处理，提取抓拍信息；采用深度学习算法检测出抓拍信息中电动自行车所在的图片区域，并进行定位标记；基于停止线及左转界线、右转界线位置信息，在抓拍信息中标记电动自行车的停止线和边界线位置；检测电动自行车的标记是否驶过停止线，当电动自行车驶过进口道停止线时，检测电动自行车的车头转向，当电动自行车的车头转向为直行或左转，则判定电动自行车闯红灯，生成闯红灯违章信息传输至违章处理平台8。
通过深度学习算法能有效检测出电动自行车的闯红灯违章行为，所需图片少，处理效率高，能快速实现对闯红灯违法记录的有效性，无需进行人工审核，可提高非现场执法原始检测记录审核工作的效率，降低人工成本。
实施例2：
如图2所示，电动自行车闯红灯识别系统，包括：
在电动自行车上安装RFID标签，并在交通路口的交通灯处安装RFID接收基站2和视频抓拍设备1；
视频抓拍设备1，所述视频抓拍设备1在交通灯亮红灯时触发进行抓拍，生成抓拍信息通过网关3传输至kafka模块4；
RFID接收基站2，所述RFID接收基站2接收电子自行车携带的RFID标签发出的标签信息，将标签信息通过网关3传输至kafka模块4；
kafka模块4，所述kafka模块4将抓拍信息进行打包传输至Mysql数据库5进行存储，还将抓拍信息和标签信息的日志信息传输至Elasticsearch模块6，还将标签信息传输至Redis高速缓存模块7；
Elasticsearch模块6，所述Elasticsearch模块6利用日志信息调取抓拍信息和标签信息，所述Elasticsearch模块6对抓拍信息和标签信息进行数据处理，获取电动自行车的车牌信息及闯红灯违章信息传输至违章处理平台8。
利用RFID接收基站2接收标签信息，能有效识别电子自行车上RFID标签发出的标签信息，能有效处理多个电动自行车同时闯红灯时，实时记载电动自行车的通行数量，再利用抓拍信息将各个电动车进行一一对应，能有效快速识别各个电动自行车，提升闯红灯监控效率。
Elasticsearch模块6利用抓拍信息获取每个电动自行车进入该交通灯处的定位位置，根据电动自行车的定位位置判断，能有效判别电动自行车的闯红灯行为，还可以获取电动自行车的车牌，通过RFID及大数据处理，提升数据处理效率和精度，提升对闯红灯违章的监控能力。
本实施例方案成本低，简单高效，数据处理效率高，能有效实时监控确认闯红灯违章行为。
上述实施例中，所述Elasticsearch模块6利用抓拍信息获取电动自行车的第一车牌信息，利用第一车牌信息与标签信息内对应的第二车牌信息进行对比，当第一车牌信息和第二车牌信息一致时，获取标签信息内对应电动自行车的车牌信息和车辆信息；将车牌信息和车辆信息传输至违章处理平台8。
当多个电动自行车闯红灯时，由于部分电动自行车的车牌会存在部分遮挡，也可以利用第一车牌信息与标签信息内对应的第二车牌信息进行对比，当第一车牌信息和第二车牌信息部分一致时，也可以快速认定对应的电动自行车存在闯红灯行为，监控高效，能有效实时监控确认闯红灯违章行为，避免出现不能完全拍到车牌而导致的遗漏监控。
上述实施例中，所述Elasticsearch模块6利用大规模神经网络识别算法或启发式车牌定位算法对电动自行车进行车牌识别，生成第一车牌信息。
大规模神经网络识别算法能很好区分车牌特征，大规模神经网络识别算法或启发式车牌定位算法均能大幅提升识别效果。
上述实施例中，所述启发式车牌定位算法利用图像金字塔结构将抓拍信息中的车牌图像分级处理，将车牌区域字符密集特征量化为跳变特征，利用动态规划算法计算统计矩阵，根据事先实验得到的车牌跳变特征范围筛选统计矩阵得到候选矩形框；根据颜色特征、车牌尺寸特征和字符个数特征的筛选候选区域得到定位结果，获得第一车牌信息。
通过值的变化将车牌区域字符密集的特征有效地转变为数字计量特征，有效地提升了算法的性能，能精确、高效地定位车牌并且对环境的适应能力比较好。
上述实施例中，所述Elasticsearch模块6利用Kibana单元对日志信息进行处理，提取抓拍信息；采用深度学习算法检测出抓拍信息中电动自行车所在的图片区域，并进行定位标记；基于停止线及左转界线、右转界线位置信息，在抓拍信息中标记电动自行车的停止线和边界线位置；检测电动自行车的标记是否驶过停止线，当电动自行车驶过进口道停止线时，检测电动自行车的车头转向，当电动自行车的车头转向为直行或左转，则判定电动自行车闯红灯，生成闯红灯违章信息传输至违章处理平台8。
通过深度学习算法能有效检测出电动自行车的闯红灯违章行为，所需图片少，处理效率高，能快速实现对闯红灯违法记录的有效性，无需进行人工审核，可提高非现场执法原始检测记录审核工作的效率，降低人工成本。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.电动自行车闯红灯识别方法，其特征在于，包括以下步骤：
交通灯亮红灯时，触发视频抓拍设备(1)进行抓拍，生成抓拍信息通过网关(3)传输至kafka模块(4)；经过该交通灯处的电子自行车，其携带的RFID标签发出标签信息，该交通灯处的RFID接收基站(2)接收到标签信息，将标签信息通过网关(3)传输至kafka模块(4)；
所述kafka模块(4)将抓拍信息进行打包传输至Mysql数据库(5)进行存储，还将抓拍信息和标签信息的日志信息传输至Elasticsearch模块(6)，还将标签信息传输至Redis高速缓存模块(7)；
所述Elasticsearch模块(6)利用日志信息调取抓拍信息和标签信息，所述Elasticsearch模块(6)对抓拍信息和标签信息进行数据处理，获取电动自行车的车牌信息及闯红灯违章信息传输至违章处理平台(8)。
2.根据权利要求1所述的电动自行车闯红灯识别方法，其特征在于：所述Elasticsearch模块(6)利用抓拍信息获取电动自行车的第一车牌信息，利用第一车牌信息与标签信息内对应的第二车牌信息进行对比，当第一车牌信息和第二车牌信息一致时，获取标签信息内对应电动自行车的车牌信息和车辆信息；将车牌信息和车辆信息传输至违章处理平台(8)。
3.根据权利要求2所述的电动自行车闯红灯识别方法，其特征在于：所述Elasticsearch模块(6)利用大规模神经网络识别算法或启发式车牌定位算法对电动自行车进行车牌识别，生成第一车牌信息。
4.根据权利要求3所述的电动自行车闯红灯识别方法，其特征在于：所述启发式车牌定位算法利用图像金字塔结构将抓拍信息中的车牌图像分级处理，将车牌区域字符密集特征量化为跳变特征，利用动态规划算法计算统计矩阵，根据事先实验得到的车牌跳变特征范围筛选统计矩阵得到候选矩形框；根据颜色特征、车牌尺寸特征和字符个数特征的筛选候选区域得到定位结果，获得第一车牌信息。
5.根据权利要求1所述的电动自行车闯红灯识别方法，其特征在于：所述Elasticsearch模块(6)利用Kibana单元对日志信息进行处理，提取抓拍信息；采用深度学习算法检测出抓拍信息中电动自行车所在的图片区域，并进行定位标记；基于停止线及左转界线、右转界线位置信息，在抓拍信息中标记电动自行车的停止线和边界线位置；检测电动自行车的标记是否驶过停止线，当电动自行车驶过进口道停止线时，检测电动自行车的车头转向，当电动自行车的车头转向为直行或左转，则判定电动自行车闯红灯，生成闯红灯违章信息传输至违章处理平台(8)。
6.电动自行车闯红灯识别系统，其特征在于，包括：
视频抓拍设备(1)，所述视频抓拍设备(1)在交通灯亮红灯时触发进行抓拍，生成抓拍信息通过网关(3)传输至kafka模块(4)；
RFID接收基站(2)，所述RFID接收基站(2)接收电子自行车携带的RFID标签发出的标签信息，将标签信息通过网关(3)传输至kafka模块(4)；
kafka模块(4)，所述kafka模块(4)将抓拍信息进行打包传输至Mysql数据库(5)进行存储，还将抓拍信息和标签信息的日志信息传输至Elasticsearch模块(6)，还将标签信息传输至Redis高速缓存模块(7)；
Elasticsearch模块(6)，所述Elasticsearch模块(6)利用日志信息调取抓拍信息和标签信息，所述Elasticsearch模块(6)对抓拍信息和标签信息进行数据处理，获取电动自行车的车牌信息及闯红灯违章信息传输至违章处理平台(8)。
7.根据权利要求6所述的电动自行车闯红灯识别系统，其特征在于，所述Elasticsearch模块(6)利用抓拍信息获取电动自行车的第一车牌信息，利用第一车牌信息与标签信息内对应的第二车牌信息进行对比，当第一车牌信息和第二车牌信息一致时，获取标签信息内对应电动自行车的车牌信息和车辆信息；将车牌信息和车辆信息传输至违章处理平台(8)。
8.根据权利要求7所述的电动自行车闯红灯识别系统，其特征在于，所述Elasticsearch模块(6)利用大规模神经网络识别算法或启发式车牌定位算法对电动自行车进行车牌识别，生成第一车牌信息。
9.根据权利要求8所述的电动自行车闯红灯识别系统，其特征在于，所述启发式车牌定位算法利用图像金字塔结构将抓拍信息中的车牌图像分级处理，将车牌区域字符密集特征量化为跳变特征，利用动态规划算法计算统计矩阵，根据事先实验得到的车牌跳变特征范围筛选统计矩阵得到候选矩形框；根据颜色特征、车牌尺寸特征和字符个数特征的筛选候选区域得到定位结果，获得第一车牌信息。
10.根据权利要求6所述的电动自行车闯红灯识别系统，其特征在于，所述Elasticsearch模块(6)利用Kibana单元对日志信息进行处理，提取抓拍信息；采用深度学习算法检测出抓拍信息中电动自行车所在的图片区域，并进行定位标记；基于停止线及左转界线、右转界线位置信息，在抓拍信息中标记电动自行车的停止线和边界线位置；检测电动自行车的标记是否驶过停止线，当电动自行车驶过进口道停止线时，检测电动自行车的车头转向，当电动自行车的车头转向为直行或左转，则判定电动自行车闯红灯，生成闯红灯违章信息传输至违章处理平台(8)。
CN201910655065.2A 2019-07-19 2019-07-19 电动自行车闯红灯识别系统及方法 Pending CN110288838A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910655065.2A CN110288838A (zh) 2019-07-19 2019-07-19 电动自行车闯红灯识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910655065.2A CN110288838A (zh) 2019-07-19 2019-07-19 电动自行车闯红灯识别系统及方法

Publications (1)

Publication Number Publication Date
CN110288838A true CN110288838A (zh) 2019-09-27

Family

ID=68023397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910655065.2A Pending CN110288838A (zh) 2019-07-19 2019-07-19 电动自行车闯红灯识别系统及方法

Country Status (1)

Country Link
CN (1) CN110288838A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852250A (zh) * 2019-11-07 2020-02-28 厦门市美亚柏科信息股份有限公司 一种基于最大面积法的车辆排重方法、装置及存储介质
CN111832519A (zh) * 2020-07-22 2020-10-27 福建易华录信息技术有限公司 一种两/三轮车的违法行为的识别管理方法和系统
CN112597807A (zh) * 2020-12-01 2021-04-02 浙江大华技术股份有限公司 一种违章检测系统、方法、装置、图像采集设备及介质
CN113114754A (zh) * 2021-04-08 2021-07-13 天津天地伟业智能安全防范科技有限公司 移植和对接方法、装置、电子设备及存储介质
CN113284348A (zh) * 2021-05-31 2021-08-20 浙江大华技术股份有限公司 一种违章检测系统、方法、装置、控制设备及存储介质
CN115019262A (zh) * 2022-04-02 2022-09-06 深圳融合永道科技有限公司 一种电动二轮车闯红灯自动抓拍的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1710625A (zh) * 2005-06-01 2005-12-21 曲宏巍 闯红灯自动记录系统
US20120194357A1 (en) * 2003-05-05 2012-08-02 American Traffic Solutions, Inc. Traffic violation detection, recording, and evidence processing systems and methods
CN106503079A (zh) * 2016-10-10 2017-03-15 语联网（武汉）信息技术有限公司 一种日志管理方法及系统
CN106652474A (zh) * 2017-02-14 2017-05-10 浙江天地人科技有限公司 一种车辆闯红灯侦测方法及车辆闯红灯侦测系统
CN108010322A (zh) * 2018-01-03 2018-05-08 京东方科技集团股份有限公司 一种检测物体是否闯交通信号灯的方法及设备
CN109542733A (zh) * 2018-12-05 2019-03-29 焦点科技股份有限公司 一种高可靠的实时日志收集及可视化检索方法
CN109637144A (zh) * 2019-02-01 2019-04-16 上海秀派电子科技股份有限公司 一种非机动车违章抓拍的取证系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120194357A1 (en) * 2003-05-05 2012-08-02 American Traffic Solutions, Inc. Traffic violation detection, recording, and evidence processing systems and methods
CN1710625A (zh) * 2005-06-01 2005-12-21 曲宏巍 闯红灯自动记录系统
CN106503079A (zh) * 2016-10-10 2017-03-15 语联网（武汉）信息技术有限公司 一种日志管理方法及系统
CN106652474A (zh) * 2017-02-14 2017-05-10 浙江天地人科技有限公司 一种车辆闯红灯侦测方法及车辆闯红灯侦测系统
CN108010322A (zh) * 2018-01-03 2018-05-08 京东方科技集团股份有限公司 一种检测物体是否闯交通信号灯的方法及设备
CN109542733A (zh) * 2018-12-05 2019-03-29 焦点科技股份有限公司 一种高可靠的实时日志收集及可视化检索方法
CN109637144A (zh) * 2019-02-01 2019-04-16 上海秀派电子科技股份有限公司 一种非机动车违章抓拍的取证系统及方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852250A (zh) * 2019-11-07 2020-02-28 厦门市美亚柏科信息股份有限公司 一种基于最大面积法的车辆排重方法、装置及存储介质
CN110852250B (zh) * 2019-11-07 2022-12-02 厦门市美亚柏科信息股份有限公司 一种基于最大面积法的车辆排重方法、装置及存储介质
CN111832519A (zh) * 2020-07-22 2020-10-27 福建易华录信息技术有限公司 一种两/三轮车的违法行为的识别管理方法和系统
CN112597807A (zh) * 2020-12-01 2021-04-02 浙江大华技术股份有限公司 一种违章检测系统、方法、装置、图像采集设备及介质
CN112597807B (zh) * 2020-12-01 2024-04-09 浙江大华技术股份有限公司 一种违章检测系统、方法、装置、图像采集设备及介质
CN113114754A (zh) * 2021-04-08 2021-07-13 天津天地伟业智能安全防范科技有限公司 移植和对接方法、装置、电子设备及存储介质
CN113284348A (zh) * 2021-05-31 2021-08-20 浙江大华技术股份有限公司 一种违章检测系统、方法、装置、控制设备及存储介质
CN115019262A (zh) * 2022-04-02 2022-09-06 深圳融合永道科技有限公司 一种电动二轮车闯红灯自动抓拍的方法
CN115019262B (zh) * 2022-04-02 2024-05-24 深圳融合永道科技有限公司 一种电动二轮车闯红灯自动抓拍的方法

Similar Documents

Publication Publication Date Title
CN110288838A (zh) 电动自行车闯红灯识别系统及方法
WO2019105342A1 (zh) 车辆套牌检测方法、装置、可读存储介质及电子设备
CN105702048B (zh) 基于行车记录仪的高速公路前车违法占道识别系统及方法
US7786897B2 (en) High occupancy vehicle (HOV) lane enforcement
US6442474B1 (en) Vision-based method and apparatus for monitoring vehicular traffic events
CN108369645A (zh) 一种出租车运营监测方法、设备、存储介质和系统
CN108133599A (zh) 一种渣土车视频识别方法及系统
CN106991820B (zh) 违规车辆处理方法及装置
CN104282154B (zh) 一种车辆超载监控系统及方法
CN106251635A (zh) 一种套牌嫌疑车牌号的识别方法及系统
CN105185114A (zh) 一种车辆违章变道行为取证装置及方法
CN111369801B (zh) 车辆识别方法、装置、设备和存储介质
CN106205135B (zh) 一种违章掉头车辆行为的检测方法、装置及系统和一种球机
CN105608903A (zh) 交通违章检测的方法及系统
CN109993098A (zh) 城市车辆黑烟智能识别大数据分析系统及方法
CN113125133A (zh) 铁路桥涵限高防护架状态监测系统及方法
CN109410583A (zh) 基于行车记录仪的交通信息采集及分析系统及运行方法
GB2604495A (en) Smart electric vehicle charging system and method for situational monitoring and alerting
CN108053498A (zh) 一种车站进站自动检票系统
CN106448175A (zh) 一种具有人脸识别及安全带检测的车辆记录系统
Maduri et al. Seat belt and helmet detection using deep learning
CN112016653B (zh) 一种检测驾驶员是否佩戴头盔的系统和方法
CN110300280A (zh) 一种景区客流监控系统
CN109344829A (zh) 一种高速铁路列车的车号识别方法及装置
CN111914704A (zh) 一种三轮车载人的识别方法、装置、电子设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190927

RJ01 Rejection of invention patent application after publication