CN110443178A - 一种车辆违章停车的监控系统及其方法 - Google Patents
一种车辆违章停车的监控系统及其方法 Download PDFInfo
- Publication number
- CN110443178A CN110443178A CN201910690586.1A CN201910690586A CN110443178A CN 110443178 A CN110443178 A CN 110443178A CN 201910690586 A CN201910690586 A CN 201910690586A CN 110443178 A CN110443178 A CN 110443178A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- module
- parking
- information
- server
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- 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
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Abstract
本发明提供了一种车辆违章停车的监控系统,包括:图像数据获取模块、现场终端监控装置、无线传输模块、服务器模块和上位机;所述图像数据获取模块为高速监控摄像机,所述高速摄像机设置在指定禁停地点用于获取车辆在违停区域的视频图像信息,所述现场终端监控装置包括微处理器、视频控制模块和智能语音提示单元;所述无线传输模块包括GSM通信、广域网和局域网通信方式;所述服务器模块包括本地服务器和云服务器,用于计算并存储相关数据;所述上位机用于将违停车辆的相关信息以列表及图形化的形式显示出来,相应地,本发明提供了一种车辆违章停车的监控方法,该方法主要采用了先进的计算机视觉技术对违规车辆进行检测跟踪,大大减少了人力成本。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及到一种车辆违章停车的监控系统及其方法。
背景技术
统计资料表明,近年来随着城市小型车数量的爆炸式增长,城市配套的停车场车位数量远远达不到已经登记的小型车数量,违章停车现象越发严重,已经成为了所占比例最大的一种车辆违章行为。随着国家机动车数量的日益增多,纯粹由人工方式发现并处罚违章行为不仅行政成本十分高昂,而且往往不够及时,容易造成由这些违章行为导致的交通事故的发生。
目前,已经有很多研究者研发了各种方法去检测车辆违章的行为,例如基于电磁感应线圈的检测方法,该方法的缺点是很容易受到路面环境、电磁辐射、线圈变形及老化的影响,维护困难;基于雷达的检测方法,该方法只能检测运动中的车辆,对于速度缓慢或者静止的车辆通常会失效;基于超声波的检测方法以及基于激光的检测方法等。利用交通视频图像进行智能分析、自动识别的方法与传统车辆违章检测方法相比具有明显的优势,正逐渐成为广受欢迎的取代传统交通车辆违章停车检测的方法。因此研究违章停车检测方法具有重要意义。
综上所述,如何提供一种专门的违章停车的自动检测监控系统及其方法进而实现对违章停车的车辆自动化处理,是本领域技术人员急需解决的问题。
发明内容
本方案针对上文提到的问题和需求,提出一种车辆违章停车的监控系统及其方法,其由于采取了如下技术方案而能够解决上述技术问题。
为了达到上述目的,本发明提供如下技术方案:一种车辆违章停车的监控系统及其方法,包括:图像数据获取模块,所述图像数据获取模块用于获取车辆在人工划定违停区域的视频图像信息;现场终端监控装置,所述现场终端监控装置包括微处理器、视频控制模块和智能语音提示单元,所述视频控制模块包括视频控制器和摄像机控制模块,所述视频控制器用于对监控摄像机的视频数据进行解码和分离数据帧形成每帧视频的图像数据,所述摄像机控制模块用于对所述监控摄像机的角度焦距数据进行控制,所述智能语音提示单元用于提示车辆驾驶者当前地点为禁停区域,所述视频控制模块和所述智能语音提示单元均与所述微处理器电连接;无线传输模块,所述无线传输模块包括GSM通信、广域网和局域网通信方式;服务器模块,所述服务器模块包括本地服务器和云服务器,用于计算并存储相关数据;上位机,所述上位机用于将违停车辆的相关信息以列表及图形化的形式显示出来;所述图像数据获取模块与所述现场终端监控装置电连接,所述现场终端监控装置与所述服务器模块通过无线传输模块连接,所述服务器模块与所述上位机电连接。
进一步地,所述图像数据获取模块为高速监控摄像机,所述高速监控摄像机与所述现场终端监控装置电连接,所述高速摄像机设置在指定禁停地点。
进一步地,所述微处理器还包括车辆检测单元、车辆跟踪单元和车牌定位识别单元。
进一步地,所述微处理器还包括USB接口模块,所述USB接口模块与所述微处理器电连接,所述USB模块采用型号为CH376的USB模块。
进一步地,所述上位机包括台式计算机或笔记本电脑。
进一步地,所述本地服务器和所述云服务器通过局域网连接。
进一步地,所述智能语音提示单元包括扬声器和语音合成芯片,所述扬声器与所述语音合成芯片电连接。
更进一步地,所述语音合成芯片的型号为SYN6288,所述语音合成芯片与所述微处理器电连接。
一种车辆违章停车的监控方法,包括以下步骤:
S10:首先启动所述现场终端监控装置,通过无线传输网络与所述上位机进行通讯;
S20:进行系统初始化,所述图像数据获取模块将采集到的视频信息发送给所述视频控制器,所述视频控制器将每帧视频的图像数据发送给所述微处理器;
S30:所述车辆检测单元通过采用基于相机标定和支持向量机的车辆检测方法判断违停区内目标是否为车辆;
S40:若所述车辆检测单元判定违停区内目标为车辆,则由所述智能语音提示单元提示车辆驾驶者当前地点为禁停区域,所述车辆跟踪单元同时对该车辆进行跟踪,所述车辆跟踪单元采用一种改进的基于Mean Shift的卡尔曼粒子滤波车辆跟踪算法对违停区的车辆进行跟踪,并判断该车辆停留时间是否超过时间阈值T,若超过则判定其违章停车;
S50:当步骤S40判定车辆违章停车时,则由所述车牌定位识别单元对其车牌信息进行识别,所述车牌定位识别单元采用基于可变形部件模型的车牌定位算法、基于低秩纹理特征与粒子群优化和卷积神经网络的方法对车牌进行定位、倾斜矫正及车牌字符识别;
S60:完成车牌字符识别后,由所述微处理器将所述车牌信息通过所述无线传输模块发送到所述本地服务器,所述本地服务器通过局域网搜索存储在云服务器上车牌对应的禁停地址信息、车主信息、缴费状况信息,通过所述上位机以列表或图形化信息显示出来。
更进一步地,所述步骤S60具体包括:
S61:所述本地服务器根据所述微处理发送的正确车牌信息和禁停地址信息,所述本地服务器通过局域网向云服务器发送查询请求;
S62:所述云服务器接收到来自本地服务器的查询请求后,将存储在云平台上车牌信息对应的车主信息、缴费状况信息、车辆型号及外形信息反馈给所述本地服务器;
S63:所述本地服务器接收到反馈信息后通过所述上位机将所述反馈信息通过图形化及列表的方式显示出来。
本发明的有益效果是,该发明提供了一种车辆违章停车的监控方法,该方法主要采用了先进的计算机视觉技术对违规车辆进行检测跟踪,大大减少了人力成本。
下文中将结合附图对实施本发明的最优实施例进行更详尽的描述,以便能容易地理解本发明的特征和优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下文中将对本发明实施例的附图进行简单介绍。其中,附图仅仅用于展示本发明的一些实施例,而非将本发明的全部实施例限制于此。
图1为本发明一种车辆违章停车的监控系统及其方法的结构示意图。
图2为本发明的现场终端组成模块示意图。
图3为本发明的一种车辆违章停车的监控方法流程图。
具体实施方式
为了使得本发明的技术方案的目的、技术方案和优点更加清楚,下文中将结合本发明具体实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。附图中相同的附图标记代表相同的部件。需要说明的是,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的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。
参见附图1至附图2,一种车辆违章停车的监控系统,包括:图像数据获取模块,现场终端监控装置,无线传输模块,服务器模块和上位机,所述图像数据获取模块与所述现场终端监控装置电连接,所述现场终端监控装置与所述服务器模块通过无线传输模块连接,所述服务器模块与所述上位机电连接,所述图像数据获取模块用于获取车辆在人工划定违停区域的视频图像信息,所述图像数据获取模块为高速监控摄像机,所述高速监控摄像机与所述现场终端监控装置电连接,所述高速摄像机设置在指定禁停地点;所述现场终端监控装置包括微处理器、视频控制模块和智能语音提示单元,所述微处理器还包括车辆检测单元、车辆跟踪单元和车牌定位识别单元,所述微处理器还包括USB接口模块,所述USB接口模块与所述微处理器电连接,所述USB模块采用型号为CH376的USB模块,所述视频控制模块包括视频控制器和摄像机控制模块,所述视频控制器用于对监控摄像机的视频数据进行解码和分离数据帧形成每帧视频的图像数据,所述摄像机控制模块用于对所述监控摄像机的角度焦距数据进行控制,所述智能语音提示单元用于提示车辆驾驶者当前地点为禁停区域,所述智能语音提示单元包括扬声器和语音合成芯片,所述扬声器与所述语音合成芯片电连接,,所述语音合成芯片的型号为SYN6288,所述语音合成芯片与所述微处理器电连接,所述视频控制模块和所述智能语音提示单元均与所述微处理器电连接;所述无线传输模块包括GSM通信、广域网和局域网通信方式;所述服务器模块包括本地服务器和云服务器,用于计算并存储相关数据,所述本地服务器和所述云服务器通过局域网连接;所述上位机用于将违停车辆的相关信息以列表及图形化的形式显示出来,所述上位机包括台式计算机或笔记本电脑。
如图3所示,提出本发明一实施例,本发明提供一种车辆违章停车的监控方法,所述方法包括以下步骤:
S10:首先启动所述现场终端监控装置,通过无线传输网络与所述上位机进行通讯;
S20:进行系统初始化,所述图像数据获取模块将采集到的视频信息发送给所述视频控制器,所述视频控制器将每帧视频的图像数据发送给所述微处理器;
S30:所述车辆检测单元通过采用基于相机标定和支持向量机的车辆检测方法判断违停区内目标是否为车辆;
所述步骤S30中采用的基于相机标定和支持向量机车辆检测方法是根据线性支持向量机的检测模式,将用径向基的核函数训练出来的模型当作一个模板,通过计算图像中不同位置与模板的卷积得分,用该分值的大小来判断目标是否是车辆,这样避免了传统的基于支持向量机和HOG(方向梯度直方图)特征的车辆检测算法中径向基的核函数在计算时耗时较长问题,因此能获得较快的检测速度,具体步骤为:
S31:采用支持向量机训练函数和径向基核函数进行模型的训练,得到支持向量机xi,i=1,2...n,以及对应的拉格朗日系数αi,i=1,2…n,其中n表示支持向量机的个数;
S32::根据以下公式,计算出模板的权重值;
S33:计算图像的HOG(方向梯度直方图)特征;第四步:根据以下公式计算图像HOG特征与模板的卷积得分,最后根据分值大小来判断目标是否是车辆;
S=ωx (2)
S40:若所述车辆检测单元判定违停区内目标为车辆,则由所述智能语音提示单元提示车辆驾驶者当前地点为禁停区域,所述车辆跟踪单元同时对该车辆进行跟踪,所述车辆跟踪单元采用一种改进的基于Mean Shift的卡尔曼粒子滤波车辆跟踪算法对违停区的车辆进行跟踪,并判断该车辆停留时间是否超过时间阈值T,若超过则判定其违章停车;
所述步骤S40中,所述车辆跟踪单元采用的一种改进的基于Mean Shift的卡尔曼粒子滤波车辆跟踪算法中,Mean Shift算法是一种密度梯度无参数估计方法,该算法在初始帧中选择搜索区域,计算核函数加权下搜索窗口的直方图分布确定模型,直方图分布确定模型计算如下:设车辆的颜色空间有L个灰度级,记h(γκ)=nκ(κ=0,1,...,L-1)为第κ个灰度级γκ出现的频数nκ。定义函数b(s):R2→{0,1,…,L-1}为s处对应的灰度级,则车辆的颜色直方图统计模型为:
上式中C是归一化常数,Si为第i位置处的坐标值,δ是冲激函数,是直方图的颜色索引,范围为[1,L]。采用Bhattacharyya系数(巴式系数)来测量候选区域与目标区域的相似性程度:
式中q表示初始帧中给定目标车辆的颜色直方图统计。一般ρ值越大,表明候选区域与目标区域的分布越接近。而后在跟踪帧中用同样的方法计算对应候选区域模型,计算两模型的Bhattacharyya系数(巴式系数),根据该系数计算出的均值和方差以相似性最大为原则使搜索区域沿密度增大最大的方法,移动到区域的最终位置。粒子滤波的重点是选择好一个好的概率密度函数,考虑到其非线性非高斯性导致的跟踪过程不稳健,为此进行局部线性化,同时由于卡尔曼方法是最好的局部线性滤波方法,所以利用Mean Shift算法将卡尔曼方法引用到粒子滤波中对车辆目标进行跟踪。对于每一个粒子,用一个单独的基于Mean Shift算法的卡尔曼滤波器来产生概率分布,找到其对应的最优值即可,该思想既保证了整体上的非线性非高斯性,同时又适应了局部的线性高斯性。
S50:当步骤S40判定车辆违章停车时,则由所述车牌定位识别单元对其车牌信息进行识别,所述车牌定位识别单元采用基于可变形部件模型的车牌定位算法、基于低秩纹理特征与粒子群优化和卷积神经网络的方法对车牌进行定位、倾斜矫正及车牌字符识别;
S60:完成车牌字符识别后,由所述微处理器将所述车牌信息通过所述无线传输模块发送到所述本地服务器,所述本地服务器通过局域网搜索存储在云服务器上车牌对应的禁停地址信息、车主信息、缴费状况信息,通过所述上位机以列表或图形化信息显示出来;
S61:所述本地服务器根据所述微处理发送的正确车牌信息和禁停地址信息,所述本地服务器通过局域网向云服务器发送查询请求;
S62:所述云服务器接收到来自本地服务器的查询请求后,将存储在云平台上车牌信息对应的车主信息、缴费状况信息、车辆型号及外形信息反馈给所述本地服务器;
S63:所述本地服务器接收到反馈信息后通过所述上位机将所述反馈信息通过图形化及列表的方式显示出来。
在本实施例中,所述相机标定单元用于定义违规区域并确定车辆的空间实物图像与所获得的车辆视频图像的对应关系;所述车辆检测单元用于检测所述违规区域中的目标是否为车辆;所述车辆跟踪单元用于车辆目标进行跟踪并判断所述车辆目标在所述违规区域停留时间是否超过时间阈值T;车牌定位识别单元用于违规车辆车牌号进行矫正识别。
应当说明的是,本发明所述的实施方式仅仅是实现本发明的优选方式,对属于本发明整体构思,而仅仅是显而易见的改动,均应属于本发明的保护范围之内。
Claims (10)
1.一种车辆违章停车的监控系统,其特征在于,包括:
图像数据获取模块,所述图像数据获取模块用于获取车辆在人工划定违停区域的视频图像信息;
现场终端监控装置,所述现场终端监控装置包括微处理器、视频控制模块和智能语音提示单元,所述视频控制模块包括视频控制器和摄像机控制模块,所述视频控制器用于对监控摄像机的视频数据进行解码和分离数据帧形成每帧视频的图像数据,所述摄像机控制模块用于对所述监控摄像机的角度焦距数据进行控制,所述智能语音提示单元用于提示车辆驾驶者当前地点为禁停区域,所述视频控制模块和所述智能语音提示单元均与所述微处理器电连接;
无线传输模块,所述无线传输模块包括GSM通信、广域网和局域网通信方式;
服务器模块,所述服务器模块包括本地服务器和云服务器,所述服务器模块用于计算并存储相关数据;
上位机,所述上位机用于将违停车辆的相关信息以列表及图形化的形式显示出来;
其中,所述图像数据获取模块与所述现场终端监控装置电连接,所述现场终端监控装置与所述服务器模块通过无线传输模块连接,所述服务器模块与所述上位机电连接。
2.根据权利要求1所述的车辆违章停车的监控系统,其特征在于,所述图像数据获取模块为高速监控摄像机,所述高速监控摄像机与所述现场终端监控装置电连接,所述高速摄像机设置在指定禁停地点。
3.根据权利要求1所述的车辆违章停车的监控系统,其特征在于,所述微处理器还包括车辆检测单元、车辆跟踪单元和车牌定位识别单元。
4.根据权利要求1所述的车辆违章停车的监控系统,其特征在于,所述微处理器还包括USB接口模块,所述USB接口模块与所述微处理器电连接,所述USB模块采用型号为CH376的USB模块。
5.根据权利要求1所述的车辆违章停车的监控系统,其特征在于,所述上位机包括台式计算机或笔记本电脑。
6.据权利要求1所述的车辆违章停车的监控系统,其特征在于,所述本地服务器和所述云服务器通过局域网连接。
7.据权利要求1所述的车辆违章停车的监控系统,其特征在于,所述智能语音提示单元包括扬声器和语音合成芯片,所述扬声器与所述语音合成芯片电连接。
8.据权利要求7所述的车辆违章停车的监控系统,其特征在于,所述语音合成芯片的型号为SYN6288,所述语音合成芯片与所述微处理器电连接。
9.一种车辆违章停车的监控方法,其特征在于,包括以下步骤:
S10:首先启动所述现场终端监控装置,通过无线传输网络与所述上位机进行通讯;
S20:进行系统初始化,所述图像数据获取模块将采集到的视频信息发送给所述视频控制器,所述视频控制器将每帧视频的图像数据发送给所述微处理器;
S30:所述车辆检测单元通过采用基于相机标定和支持向量机的车辆检测方法判断违停区内目标是否为车辆;
S40:若所述车辆检测单元判定违停区内目标为车辆,则由所述智能语音提示单元提示车辆驾驶者当前地点为禁停区域,所述车辆跟踪单元同时对该车辆进行跟踪,所述车辆跟踪单元采用一种改进的基于Mean Shift的卡尔曼粒子滤波车辆跟踪算法对违停区的车辆进行跟踪,并判断该车辆停留时间是否超过时间阈值T,若超过则判定其违章停车;
S50:当步骤S40判定车辆违章停车时,则由所述车牌定位识别单元对其车牌信息进行识别,所述车牌定位识别单元采用基于可变形部件模型的车牌定位算法、基于低秩纹理特征与粒子群优化和卷积神经网络的方法对车牌进行定位、倾斜矫正及车牌字符识别;
S60:完成车牌字符识别后,由所述微处理器将所述车牌信息通过所述无线传输模块发送到所述本地服务器,所述本地服务器通过局域网搜索存储在云服务器上车牌对应的禁停地址信息、车主信息、缴费状况信息,通过所述上位机以列表或图形化信息显示出来。
10.根据利要求9所述的车辆违章停车的监控方法,其特征在于,所述步骤S60具体包括:
S61:所述本地服务器根据所述微处理发送的正确车牌信息和禁停地址信息,所述本地服务器通过局域网向云服务器发送查询请求;
S62:所述云服务器接收到来自本地服务器的查询请求后,将存储在云平台上车牌信息对应的车主信息、缴费状况信息、车辆型号及外形信息反馈给所述本地服务器;
S63:所述本地服务器接收到反馈信息后通过所述上位机将所述反馈信息通过图形化及列表的方式显示出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690586.1A CN110443178A (zh) | 2019-07-29 | 2019-07-29 | 一种车辆违章停车的监控系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690586.1A CN110443178A (zh) | 2019-07-29 | 2019-07-29 | 一种车辆违章停车的监控系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110443178A true CN110443178A (zh) | 2019-11-12 |
Family
ID=68432066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910690586.1A Pending CN110443178A (zh) | 2019-07-29 | 2019-07-29 | 一种车辆违章停车的监控系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443178A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111629181A (zh) * | 2020-05-19 | 2020-09-04 | 辽宁云盾网力科技有限公司 | 消防生命通道监控系统及方法 |
CN111754783A (zh) * | 2020-06-19 | 2020-10-09 | 张永双 | 基于云计算和人工智能的违章停车告警和抓拍方法及系统 |
CN111862627A (zh) * | 2020-07-17 | 2020-10-30 | 安徽达尔智能控制系统股份有限公司 | 一种交通违停抓拍自动处理系统 |
CN112950942A (zh) * | 2021-02-19 | 2021-06-11 | 合肥海赛信息科技有限公司 | 一种基于视频分析的机动车违停智能检测方法 |
CN113298964A (zh) * | 2021-05-21 | 2021-08-24 | 深圳市大道至简信息技术有限公司 | 一种基于高位视频路边停车联动管理方法及系统 |
CN113506386A (zh) * | 2021-06-30 | 2021-10-15 | 深圳市路卓科技有限公司 | 违章停车的监控方法、行车记录仪、程序及存储介质 |
CN113570488A (zh) * | 2021-07-02 | 2021-10-29 | 宁波智想科技有限公司 | 一种城市监管系统及监管方法 |
CN113593250A (zh) * | 2021-07-12 | 2021-11-02 | 浙江工贸职业技术学院 | 一种基于视觉识别的违章停车检测系统 |
CN113765920A (zh) * | 2021-09-07 | 2021-12-07 | 深圳比特新技术有限公司 | 一种智慧作业融合机 |
CN113888881A (zh) * | 2021-09-10 | 2022-01-04 | 福州大学 | 基于微型电脑的城市路侧停车资源分析规划方法及系统 |
CN114038232A (zh) * | 2021-10-28 | 2022-02-11 | 超级视线科技有限公司 | 一种基于边缘端算存结合的路侧停车管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646552A (zh) * | 2013-12-16 | 2014-03-19 | 天津恒远达科技有限公司 | 一种交通要道违章停车监控提示装置 |
CN103927878A (zh) * | 2014-04-10 | 2014-07-16 | 中海网络科技股份有限公司 | 一种用于违章停车的自动抓拍装置及自动抓拍方法 |
CN204965750U (zh) * | 2015-08-06 | 2016-01-13 | 苏州市世跃智能科技有限公司 | 一种基于双球机的违法停车自动检测抓拍的装置 |
CN107705574A (zh) * | 2017-10-09 | 2018-02-16 | 荆门程远电子科技有限公司 | 一种精准快速的道路违章停车全自动抓拍系统 |
CN207164996U (zh) * | 2017-06-02 | 2018-03-30 | 韩玲 | 一种智能交通执法处理设备 |
-
2019
- 2019-07-29 CN CN201910690586.1A patent/CN110443178A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646552A (zh) * | 2013-12-16 | 2014-03-19 | 天津恒远达科技有限公司 | 一种交通要道违章停车监控提示装置 |
CN103927878A (zh) * | 2014-04-10 | 2014-07-16 | 中海网络科技股份有限公司 | 一种用于违章停车的自动抓拍装置及自动抓拍方法 |
CN204965750U (zh) * | 2015-08-06 | 2016-01-13 | 苏州市世跃智能科技有限公司 | 一种基于双球机的违法停车自动检测抓拍的装置 |
CN207164996U (zh) * | 2017-06-02 | 2018-03-30 | 韩玲 | 一种智能交通执法处理设备 |
CN107705574A (zh) * | 2017-10-09 | 2018-02-16 | 荆门程远电子科技有限公司 | 一种精准快速的道路违章停车全自动抓拍系统 |
Non-Patent Citations (3)
Title |
---|
吴一全: "基于投影坐标p次方差及粒子群的车牌倾斜检测", 《计算机辅助设计与图形学学报》》 * |
杨鹏: "基于低秩纹理特征的车牌倾斜校正方法", 《浙江工贸职业技术学院学报》 * |
钱月晶: "基于可变形部件模型的车牌检测", 《浙江工贸职业技术学院学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111629181A (zh) * | 2020-05-19 | 2020-09-04 | 辽宁云盾网力科技有限公司 | 消防生命通道监控系统及方法 |
CN111629181B (zh) * | 2020-05-19 | 2021-03-16 | 辽宁云盾网力科技有限公司 | 消防生命通道监控系统及方法 |
CN111754783A (zh) * | 2020-06-19 | 2020-10-09 | 张永双 | 基于云计算和人工智能的违章停车告警和抓拍方法及系统 |
CN111862627A (zh) * | 2020-07-17 | 2020-10-30 | 安徽达尔智能控制系统股份有限公司 | 一种交通违停抓拍自动处理系统 |
CN112950942A (zh) * | 2021-02-19 | 2021-06-11 | 合肥海赛信息科技有限公司 | 一种基于视频分析的机动车违停智能检测方法 |
CN113298964A (zh) * | 2021-05-21 | 2021-08-24 | 深圳市大道至简信息技术有限公司 | 一种基于高位视频路边停车联动管理方法及系统 |
CN113506386A (zh) * | 2021-06-30 | 2021-10-15 | 深圳市路卓科技有限公司 | 违章停车的监控方法、行车记录仪、程序及存储介质 |
CN113570488A (zh) * | 2021-07-02 | 2021-10-29 | 宁波智想科技有限公司 | 一种城市监管系统及监管方法 |
CN113570488B (zh) * | 2021-07-02 | 2023-03-07 | 宁波智想科技有限公司 | 一种城市监管系统及监管方法 |
CN113593250A (zh) * | 2021-07-12 | 2021-11-02 | 浙江工贸职业技术学院 | 一种基于视觉识别的违章停车检测系统 |
CN113765920A (zh) * | 2021-09-07 | 2021-12-07 | 深圳比特新技术有限公司 | 一种智慧作业融合机 |
CN113888881A (zh) * | 2021-09-10 | 2022-01-04 | 福州大学 | 基于微型电脑的城市路侧停车资源分析规划方法及系统 |
CN114038232A (zh) * | 2021-10-28 | 2022-02-11 | 超级视线科技有限公司 | 一种基于边缘端算存结合的路侧停车管理方法及系统 |
CN114038232B (zh) * | 2021-10-28 | 2022-09-20 | 超级视线科技有限公司 | 一种基于边缘端算存结合的路侧停车管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443178A (zh) | 一种车辆违章停车的监控系统及其方法 | |
CN103488973B (zh) | 基于图像的车辆品牌识别方法和系统 | |
US9014432B2 (en) | License plate character segmentation using likelihood maximization | |
Guo et al. | Robust road detection and tracking in challenging scenarios based on Markov random fields with unsupervised learning | |
CN110443225A (zh) | 一种基于特征像素统计的虚实车道线识别方法及其装置 | |
Guo et al. | Nighttime vehicle lamp detection and tracking with adaptive mask training | |
CN109241938B (zh) | 道路拥堵检测方法及终端 | |
CN108268867A (zh) | 一种车牌定位方法及装置 | |
Piao et al. | Robust hypothesis generation method using binary blob analysis for multi‐lane detection | |
JP2000048209A (ja) | 画像処理方法及び装置 | |
CN110135377B (zh) | 车路协同中物体运动状态检测方法、装置和服务器 | |
CN107025657A (zh) | 一种基于视频图像的车辆行为轨迹检测方法 | |
CN113793297A (zh) | 位姿确定方法、装置、电子设备及可读存储介质 | |
CN109284705A (zh) | 一种交通监控视频的异常检测方法 | |
Gao et al. | On‐line vehicle detection at nighttime‐based tail‐light pairing with saliency detection in the multi‐lane intersection | |
Wu et al. | Design and implementation of vehicle speed estimation using road marking-based perspective transformation | |
Sarker et al. | Detection and recognition of illegally parked vehicles based on an adaptive gaussian mixture model and a seed fill algorithm | |
Moizumi et al. | Traffic light detection considering color saturation using in-vehicle stereo camera | |
CN110727269B (zh) | 车辆控制方法及相关产品 | |
Xu et al. | A novel method for people and vehicle classification based on Hough line feature | |
JP4739699B2 (ja) | ナンバープレート認識装置及び方法 | |
CN115762172A (zh) | 一种出入车位车辆识别方法、装置、设备及介质 | |
Ma et al. | A real-time rear view camera based obstacle detection | |
CN107452230A (zh) | 一种障碍物检测方法、装置、终端设备及存储介质 | |
KR102369824B1 (ko) | 교행 다차로를 위한 차량번호 인식방법 및 장치 |
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: 20191112 |
|
RJ01 | Rejection of invention patent application after publication |