CN110491132A - 基于视频帧图片分析的车辆违停检测方法及装置 - Google Patents
基于视频帧图片分析的车辆违停检测方法及装置 Download PDFInfo
- Publication number
- CN110491132A CN110491132A CN201910624944.9A CN201910624944A CN110491132A CN 110491132 A CN110491132 A CN 110491132A CN 201910624944 A CN201910624944 A CN 201910624944A CN 110491132 A CN110491132 A CN 110491132A
- Authority
- CN
- China
- Prior art keywords
- video frame
- vehicle
- frame picture
- information
- vehicles
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于视频帧图片分析的车辆违停检测方法及装置,主要在于能够提高车道上违停车辆的识别率,同时能够辅助相关部门及时找到违停车辆。所述方法包括:检测目标禁止停车区域对应的视频帧图片中是否存在车辆;当检测到车辆时,则从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息,所述预设车辆信息列表中存储有视频帧图片的帧数编号及其对应的车辆信息;若所述预设车辆信息列表中存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度;当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停。本发明适用于车辆违停的检测。
Description
技术领域
本发明涉及信息技术领域,尤其是涉及一种基于视频帧图片分析的车辆违停检测方法及装置。
背景技术
随着社会经济的不断发展,城市中的车辆数目快速增长,停车需求和停车场地的供给矛盾日益突出,违章停车成为城市的顽疾,对城市的整体交通环境和行人安全存在严重影响,近年来随着视频检测技术和计算机视觉技术的发展,违停车辆检测受到了越来越多的关注。
目前,通常通过各个路面上设置的监控设备对车辆进行监控,一旦发现有违停车辆,会及时联系相关部门进行处理,然而,一些路面往往缺乏监控设备,无法及时发现违停车辆,相关部门无法及时处理,造成很多机动车随意停在禁停路面,带来交通隐患,同时通过监控设备违停车辆的效率较低。
发明内容
本发明提供了一种基于视频帧图片分析的车辆违停检测方法及装置,主要在于能够提高车道上违停车辆的识别率,能够辅助相关部门及时找到违停车辆。
根据本发明的第一个方面,提供一种基于视频帧图片分析的车辆违停检测方法,包括:
检测目标禁止停车区域对应的视频帧图片中是否存在车辆;
当检测到车辆时,则从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息,所述预设车辆信息列表中存储有视频帧图片的帧数编号及其对应的车辆信息;
若所述预设车辆信息列表中存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度;
当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停。
根据本发明的第二个方面,提供一种基于视频帧图片分析的车辆违停检测装置,包括:
检测单元,用于检测目标禁止停车区域对应的视频帧图片中是否存在车辆;
提取单元,用于当检测到车辆时,则从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息,所述预设车辆信息列表中存储有视频帧图片的帧数编号及其对应的车辆信息;
计算单元,用于若所述预设车辆信息列表中存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度;
确定单元,用于当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停。
根据本发明的第三个方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
检测目标禁止停车区域对应的视频帧图片中是否存在车辆;
当检测到车辆时,则从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息,所述预设车辆信息列表中存储有视频帧图片的帧数编号及其对应的车辆信息;
若所述预设车辆信息列表中存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度;
当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停。
根据本发明的第四个方面,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
检测目标禁止停车区域对应的视频帧图片中是否存在车辆;
当检测到车辆时,则从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息,所述预设车辆信息列表中存储有视频帧图片的帧数编号及其对应的车辆信息;
若所述预设车辆信息列表中存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度;
当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停。
本发明提供的一种基于视频帧图片分析的车辆违停检测方法及装置,与目前通过各个路面上设置的监控设备对车辆进行监控的方式相比,本发明能够检测目标禁止停车区域对应的视频帧图片中是否存在车辆;当检测到车辆时,则从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息,所述预设车辆信息列表中存储有视频帧图片的帧数编号及其对应的车辆信息;若所述预设车辆信息列表中存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度;与此同时,当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停,由此能够提高车道上违停车辆的识别率,同时能够及时发现违停车辆,辅助相关部门查找违停车辆,提高了查找违停车辆的效率,从而减少了违停车辆带来的交通隐患。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了本发明实施例提供的一种基于视频帧图片分析的车辆违停检测方法流程图;
图2示出了本发明实施例提供的另一种基于视频帧图片分析的车辆违停检测方法流程图;
图3示出了本发明实施例提供的一种基于视频帧图片分析的车辆违停检测装置的结构示意图;
图4示出了本发明实施例提供的另一种基于视频帧图片分析的车辆违停检测装置的结构示意图;
图5示出了本发明实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如背景技术,目前,由于深度学习模型需要大量的标注数据完成对不同结构化预测的任务需求,因此在模型训练时需要对所有样本数据进行标注,即要进行大量的人工标注工作,然而,人工标注工作需要大量的重复性劳动,工作内容繁琐,并且效率低下,在模型训练时,对所有样本数据重视程度一致,不利于将有效资源关注于最难识别的样本数据,由此导致模型的训练效率低下和预测精度较低。
为了解决上述问题,本发明实施例提供了一种车辆违停检测方法,如图1所示,所述方法包括:
101、检测目标禁止停车区域对应的视频帧图片中是否存在车辆。
其中,目标禁止停车区域为有关部门规定的禁止停车区域,对于本发明实施例,通过无人机摄像头对路面进行航拍,得到航拍视频,使用FFmpeg工具,通过设定航拍视频的起止时间,每帧图片的时间间隔,可以从航拍视频中获取待检测的各个视频帧图片,进一步地,利用预设车辆检测模型对待检测的视频帧图片进行车辆检测,以判断视频帧图片中是否存在车辆,若存在,则执行步骤102,若不存在,则执行步骤106,即检测下一视频帧图片中是否存在车辆,该预设车辆检测模型可以为预设yolo V3车辆检测模型或预设Mask R-CNN车辆检测模型。
102、从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息。
其中,所述预设车辆信息列表中存储有视频帧图片的帧数编号及其对应的车辆信息,该车辆信息包括车辆的特征向量和视频帧图片中车辆所处边界框信息,对于本发明实施例,将待检测的视频帧图片输入至预设车辆检测模型进行车辆检测,若该视频帧图片中存在车辆,则利用预设车辆检测模型提取视频帧图片中的车辆信息,例如,该预设车辆检测模型为预设yolo V3车辆检测模型,将待检测的视频帧图片输入至预设yolo V3车辆检测模型进行车辆检测,由于预设yolo V3车辆检测模型会将输出的特征图缩小到输入的1/32,通常要求输入的图片是32的倍数,因此,将待检测的视频帧图片缩放到256*256大小,之后输入预设yolo V3车辆检测模型进行车辆检测,如果预设yolo V3车辆检测模型检测出车辆,则输出该车辆的车辆信息,包括该车辆的特征向量和该车辆所处边界框信息,例如,预设yolo V3车辆检测模型检测出视频帧图片中存在两辆汽车,则输出该两辆汽车所处的边界框信息分别记做M1(x1,y1,w1,h1),N1(x2,y2,w2,h2)以及该两辆汽车的特征向量m1和n1,其中,x和y代表检测车辆所处边界框的中心点坐标信息,w和h代表检测车辆所处边界框的的大小,m1和n1均是1024维的特征向量。
此外,该预设车辆检测模型还可以为预设Mask R-CNN车辆检测模型,将待检测的视频帧图片输入至预设Mask R-CNN车辆检测模型进行车辆检测,具体地,首先将预处理后的视频帧图片输入至全卷积网络获得对应的车辆特征图片,之后对车辆特征图片中的每一点设定预定个候选区域ROI,从而获得多个候选区域ROI,接着将这些候选区域ROI送入RPN网络进行二值分类和边界框回归,过滤掉一部分候选区域ROI,并对剩下的候选区域ROI进行ROIAlign操作,最后对这些候选区域ROI进行分类,如果预设Mask R-CNN车辆检测模型检测出车辆,生成车辆所处边界框和车辆的掩膜,并输出该车辆的车辆信息,即车辆边界框的大小,中心位置信息,该车辆的特征向量,车辆的掩膜能够显示车辆的轮廓形状,例如,预设Mask R-CNN车辆检测模型检测出视频帧图片中存在两辆汽车,则输出该两辆汽车的车辆信息,分别记做M1(x1,y1,w1,h1),N1(x2,y2,w2,h2),该两辆汽车的特征向量m1和n1和两辆汽车的掩膜,其中,x和y代表检测车辆边界框的中心点坐标信息,w和h代表检测车辆边界框的的大小,m1和n1均是2048维的特征向量,由于预设Mask R-CNN车辆检测模型能够识别像素级的区域,因此通过该预设Mask R-CNN车辆检测模型不仅能够识别出视频帧图片中的车辆,还能够提高车辆的识别精度。
进一步地,如果利用预设车辆检测模型检测到车辆,则提取该车辆的车辆信息,并获取该视频帧图片的帧数编号,之后根据该视频帧图片的帧数编号,查找预设车辆信息列表,判断预设车辆信息列表中是否存在与该视频帧图片对应的前一视频帧图片的车辆信息,若存在,则执行步骤103,;若不存在,则执行步骤105。例如,如果待检测的视频帧图片的帧数编号为123,则在预设车辆信息表中查找是否存在帧数编号为122的视频帧图片的车辆信息,如果存在,则根据该视频帧图片的车辆信息和与该视频帧图片对应的前一视频帧图片的车辆信息,进一步判断是否存在车辆违停情况。
103、计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度。
对于本发明实施例,为了进一步判断所述视频帧图片中的车俩是否为违停车辆,所述计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度具体包括:利用预设欧式距离算法分别计算所述视频帧图片中车辆的特征向量与所述前一视频帧图片中车辆的特征向量的相似度,以及所述视频帧图片中车辆所处边界框信息与所述前一视频帧图片中车辆所处边界框信息的相似度。
104、当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停。
对于本方实施例,所述当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停具体包括:当所述视频帧图片中车辆的特征向量与所述前一视频帧图片中车辆的特征向量的相似度小于第一预设阈值,且所述视频帧图片中车辆所处边界框信息与所述前一视频帧图片中车辆所处边界框信息的相似度小于第二预设阈值时,确定所述视频帧图片中的车辆违停。例如,待检测的视频帧图片中车辆所处边界框信息为M1(x1,y1,w1,h1),车辆特征向量为m1(x11,x12,…,x1n),与该视频帧图片对应的前一帧图片的车辆所处边界框信息为N1(x2,y2,w2,h2),车辆特征向量为n1(x21,x22,…,x2n),若|x2-x1|<f1,|y2-y1|<f2,|w2-w1|<f3,|h2-h1|<f4且m1与n1之间的欧式距离小于f5,则判定M1与N1属于同一车辆且处于停止状态,即该车辆存在违停情况,M1与N1之间的欧式距离公式如下:
其中,预设阈值f1,f2,f3,f4和f5可以根据真实环境进行统计确定。
105、根据所述视频帧图片的车辆信息,判定所述视频帧图片中的车辆是否在目标车道区域内。
其中,目标车道区域为道路上车辆行驶的车道线区域,对于本发明实施例,如果预设车辆信息列表中不存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则根据预设车辆检测模型提取的视频帧图片中的车辆信息,判断该视频帧图片中的车辆是否在目标车道区域内,具体地,利用预设车道线检测算法识别出视频帧图片中的车道线区域,根据识别出的车道线区域和提取的视频帧图片中的车辆信息,判断视频帧图片中的车辆是否在车道线区域内。
106、检测与所述视频帧图片对应的下一视频帧图片中是否存在车辆。
本发明实施例提供的一种基于视频帧图片分析的车辆违停检测方法,与目前通过各个路面上设置的监控设备对车辆进行监控的方式相比,本发明能够检测目标禁止停车区域对应的视频帧图片中是否存在车辆;当检测到车辆时,则从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息,所述预设车辆信息列表中存储有视频帧图片的帧数编号及其对应的车辆信息;若所述预设车辆信息列表中存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度;与此同时,当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停,由此能够提高车道上违停车辆的识别率,同时能够及时发现违停车辆,辅助相关部门查找违停车辆,提高了查找违停车辆的效率,从而减少了违停车辆带来的交通隐患。
进一步的,为了更好的说明上述检测视频帧图片中违停车辆的过程,作为对上述实施例的细化和扩展,本发明实施例提供了另一种车辆违停检测方法,如图2所示,所述方法包括:
201、检测目标禁止停车区域对应的视频帧图片是否存在车辆。
对于本发明实施例,利用预设车辆检测模型对待检测的视频帧图片进行车辆检测,若待检测的视频帧图片中存在车辆,则执行步骤202;若待检测的视频帧图片中不存在车辆,则执行步骤207,即继续检测下一视频帧图片中是否存在车辆。此外,为了检测视频帧图片中是否存在车辆,所述预设车辆检测模型可以为第一预设车辆检测模型,所述步骤201具体包括:将目标禁止停车区域对应的视频帧图片输入至第一预设车辆检测模型进行车辆检测,具体地,第一预设车辆检测模型可以为预设yolo V3车辆检测模型,该预设yolo V3车辆检测模型包括:第一层卷积层卷积核的个数为32,卷积核的大小为3*3,第二层卷积层卷积核的个数为64,卷积核的大小为3*3,之后是一组两层卷积层,其中一层卷积核的个数为32,卷积核的大小为1*1,另一层卷积核个数为64,卷积核大小为3*3,之后是一层卷积层,卷积核的个数为128,卷积核的大小为3*3,然后是两组两层卷积层,其中一层包括64个卷积核,卷积核的大小为1*1,另一层卷积核个数为128,卷积核的大小为3*3,接着是一层卷积层,卷积核的个数为256,卷积核的大小为3*3,接下来是8组两层的卷积层,其中一层卷积核的个数为128,卷积核的大小为1*1,另一层卷积核的个数为256,卷积核的大小为3*3,后面接一个卷积层,卷积核的个数为512,卷积核的大小为3*3,后面接8组两层的卷积层,其中一层卷积核的个数为256,卷积核大小为1*1,另一层卷积核的个数为512,卷积核的大小为3*3,之后接一个卷积层,卷积核的个数为1024,卷积核大小为3*3,最后接4组两层的卷积层,其中一层卷积核个数为512,卷积核的大小为1*1,另一层卷积核的个数为1024,卷积核的大小为3*3,虽然现有技术中存在用于车辆检测的yolo V3模型,但为了确保车辆检测模型的精度,根据从航拍视频中获取的视频帧图片对yolo V3模型进行训练,得到预设yolo V3车辆检测模型,进一步地,将待检测的视频帧图片输入至预设yolo V3车辆检测模型进行车辆检测,判断该视频帧图片中是否存在车辆,若存在,则执行步骤202;若不存在,则执行步骤207。
与此同时,所述预设车辆检测模型还可以为第二预设车辆检测模型,所述步骤201具体包括:将目标禁止停车区域对应的视频帧图片输入至第二预设车辆检测模型进行车辆检测,具体地,第二预设车辆检测模型可以为预设Mask R-CNN车辆检测模型,该预设MaskR-CNN车辆检测模型主要包括三个模块,分别是全卷积网络,ROIAlign和Faster-rcnn,其中,全卷积网络的全卷积网络模型共有8层卷积层,第一层卷积层的卷积核的个数、宽度、高度和厚度分别为96*11*11*3,第二层卷积层的卷积核的个数、宽度、高度和厚度分别为256*5*5*48,第三层卷积层的卷积核的个数、宽度、高度和厚度分别为384*3*3*256,第四层卷积层的卷积核的个数、宽度、高度和厚度分别为384*3*3*192,第五层卷积层的卷积核的个数、宽度、高度和厚度分别为256*3*3*192,第6层的卷积核的大小(通道数,宽,高)为(4096,1,1),第7层的卷积核的大小(通道数,宽,高)为(4096,1,1),第8层的卷积核的大小(通道数,宽,高)为(1000,1,1);ROIAlign模块会遍历每一个候选区域,保持浮点数边界不做量化,之后将候选区域分割成若干单元,每个单元的边界也不做量化,并在每个单元中计算固定四个坐标位置,用双线性内插发计算出这四个位置的值,然后进行最大池化操作;Faster-rcnn模块主要用于通过RPN网络快速生成候选区域,RPN网络前面的结构为ZF网络最后一层卷积层前的结构,之后是卷积核为3*3的卷积层,最后通过卷积核为1*1的卷积层将输出分为两路,一路输出是目标和非目标的概率,另一路输出为目标边界框的四个参数,分别为边界框的中心坐标、长和宽。此外,为了提高模型的检测精度,根据获取的航拍视频帧图片对现有的Mask R-CNN模型进行训练,得到预设Mask R-CNN车辆检测模型,进一步地,将待检测的视频帧图片输入至预设Mask R-CNN车辆检测模型进行车辆检测,判断该视频帧图片中是否存在车辆,若存在,则执行步骤202;若不存在,则执行步骤207。
202、从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息。
其中,所述预设车辆信息列表中存储有视频帧图片的帧数编号及其对应的车辆信息,该车辆信息包括视频帧图片中车辆所处边界框信息和车辆的特征向量,对于本发明实施例,为了获取视频帧图片中车辆所处边界框信息和车辆的特征向量,当预设车辆检测模型为第一预设车辆检测模型时,步骤202具体包括:所述从所述视频帧图片中提取所述车辆的车辆信息包括:当所述第一预设车辆检测模型检测到所述视频帧图片中存在车辆时,提取所述车辆的特征向量,并输出所述车辆所处边界框信息;将所述车辆的特征向量和所述车辆所处边界框信息,确定为所述车辆的车辆信息。例如,当第一预设车辆检测模型为预设yolo V3车辆检测模型时,预设yolo V3车辆检测模型检测出视频帧图片中存在一辆汽车,则输出该车辆所处边界框信息为M(x,y,w,h)以及该车辆的特征向量m,其中,x和y代表检测车辆边界框的中心点坐标信息,w和h代表检测车辆边界框的的大小,m是1024维的特征向量。
此外,当预设车辆检测模型为第二预设车辆检测模型时,步骤202具体包括:所述从所述视频帧图片中提取所述车辆的车辆信息包括:当所述第二预设车辆检测模型检测到所述视频帧图片中存在车辆时,提取所述车辆的特征向量,并输出所述车辆所处边界框信息和所述车辆的掩膜;将所述车辆的特征向量,所述车辆所处边界框信息以及所述车辆的掩膜信息,确定为所述车辆的车辆信息。例如,当第二预设车辆检测模型为预设Mask R-CNN车辆检测模型时,预设Mask R-CNN车辆检测模型检测出视频帧图片中存在一辆汽车,则输出该车辆所处边界框信息为N(x,y,w,h),该车辆的特征向量n以及该车辆的掩膜,其中,x和y代表检测车辆边界框的中心点坐标信息,w和h代表检测车辆边界框的的大小,n是2048维的特征向量。
进一步地,若预设车辆检测模型检测出视频帧图片中存在车辆,则提取视频帧图片中车辆的车辆信息,并获取该视频帧图片的帧数编号,根据该该视频帧图片的帧数编号查找预设车辆信息列表,判断预设车辆信息列表中是否存在与视频帧图片对应的前一视频帧图片的车辆信息,若存在,则执行步骤203;若不存在,则执行步骤205。
203、利用预设欧式距离算法计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度。
对于本发明实施例,利用预设欧式距离算法分别计算所述视频帧图片中车辆的特征向量与所述前一视频帧图片中车辆的特征向量的相似度,以及所述视频帧图片中车辆所处边界框信息与所述前一视频帧图片中车辆所处边界框信息的相似度,具体地,待检测的视频帧图片的车辆边界框信息为M1(x1,y1,w1,h1),车辆特征向量为m1(x11,x12,…,x1n),与该视频帧图片对应的前一帧图片的车辆边界框信息为N1(x2,y2,w2,h2),车辆特征向量为n1(x21,x22,…,x2n),视频帧图片中车辆的特征向量与前一视频帧图片中车辆的特征向量的相似度为视频帧图片中车辆所处边界框信息与前一视频帧图片中车辆所处边界框信息的相似度为|x2-x1|,|y2-y1|,|w2-w1|,|h2-h1|。
204、当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停。
例如,待检测的视频帧图片的车辆边界框信息为M1(x1,y1,w1,h1),车辆特征向量为m1(x11,x12,…,x1n),与该视频帧图片对应的前一帧图片的车辆边界框信息为N1(x2,y2,w2,h2),车辆特征向量为n1(x21,x22,…,x2n),若|x2-x1|<f1,|y2-y1|<f2,|w2-w1|<f3,|h2-h1|<f4且m1与n1之间的欧式距离小于f5,则判定M1与N1属于同一车辆且处于停止状态,即该车辆存在违停情况,若上述条件中有任意一项不满足要求,则判定目标禁止停车区域不存在车辆违停情况。进一步地,在比较完M1与N1之后,暂未发现车辆违停的情况,继续将视频帧图片的车辆信息M1与前一视频帧图片的车辆信息N2,N3,…进行比较,比较过程如上,直至视频帧图片的车辆信息M1与前一视频帧图片的车辆信息N2,N3,…全部比较完,最终确定该视频帧图片中的车辆信息为M1的车辆是否存在违停情况,进一地地,如果该视频帧图片中还存在车辆信息M2,则继续将M2与前一视频帧图片中的所有车辆信息N1,N2,N3,…进行比计较,比较过程如上,最终确定该视频帧图片中的车辆信息为M2的车辆是否存在违停情况。
205、根据所述视频帧图片的车辆信息,判定所述视频帧图片中的车辆是否在目标车道区域内。
对于本发明实施例,根据预设车辆检测模型提取的车辆信息,判断所述视频帧图片中的车辆是否在目标车道区域内,若是,则执行步骤206;若否,则执行步骤207,进一步地,为了判断该车辆是否在车道区域内,当第一预设车辆检测模型为预设yolo V3车辆检测模型时,步骤205具体包括:利用预设车道检测算法对所述视频帧图片进行车道检测,得到所述视频帧图片中的目标车道区域;将所述视频帧图片中目标车道区域内部编码为1,所述目标区域外部编码为0,并将所述视频帧图片中车辆所处边界框内部编码为1,所述车辆所处边界框外部编码为0,得到所述视频帧图片中编码分别为0,1,2的编码区域;统计编码为2的编码区域数量与编码为1的编码区域数量的比值;若所述比值大于预设比值阈值,则确定所述视频帧图片中的车辆在所述目标车道区域内。与此同时,当第二预设车辆检测模型为预设Mask R-CNN车辆检测模型时,步骤205具体包括:利用预设车道检测算法对所述视频帧图片进行车道检测,得到所述视频帧图片中的目标车道区域;将所述视频帧图片中目标车道区域内部编码为1,所述目标车道区域外部编码为0,并将所述视频帧图片中车辆的掩膜内部编码为1,所述掩膜外部编码为0,得到所述视频帧图片中编码分别为0,1,2的编码区域;统计编码为2的编码区域数量与编码为1的编码区域数量的比值;若所述比值大于预设比值阈值,则确定所述视频帧图片中的车辆在所述目标车道区域内。
具体地,利用车道检测算找到车道区域的详细过程如下:首先对视频帧图片进行边缘检测,使用高斯滤波器对该视频帧图片进行平滑处理并消除噪声;之后计算该视频帧图片中每个像素点的梯度强度和方向,接着应用非极大值抑制,消除边缘检测带来的杂散影响;此外,应用双阈值检测来确定真实和潜在的边缘;最后通过抑制孤立的弱边缘最终完成边缘检测,得到该视频帧图片对应的边缘图片;在得到该边缘图片后,对该边缘图片采用霍夫变换进行直线检测,具体如下:假设经过边缘图片像素点(x,y)的直线方程为:y=px+q,其中,p为斜率,q为截距,其也可以改写q=-px+y,该公式为参数空间PQ中过点(p,q)的一条直线,将其使用直线的极坐标方程表示直线,如下:λ=xcosθ+ysinθ,之后根据该方程建立一个参数空间(λ,θ)的二维数组,该数组相当于一个累加器,顺序搜索目标像素,由于RGB值为白色,因此目标像素为白色像素,对于每一目标像素,在参数空间中根据公式λ=xcosθ+ysinθ找到其对应位置,然后在累加器的对应位置加1,之后求出参数空间累加器中最大值,其位置为(λ,,θ,),最后根据参数空间位置(λ,,θ,)和公式λ=xcosθ+ysinθ找到该边缘图片中相对应的直线参数,根据该直线参数确定直线,由此确定边缘图片中车道线;最后对边缘图片中的车道线使用图形学膨胀操作,将离散的车道线连接起来,得到最终的车道线,车道线之间的区域即为车道区域。进一步地,在识别出车道区域后,如果车辆检测模型为预设yolo V3车辆检测模型,根据该车道区域和从视频帧图片中检测出的车辆边界框,判定该视频帧图片中的车辆是否在车道区域内,具体地,对检测出车道区域和检测出车辆边界框的视频帧图片分别进行0-1编码,对于该视频帧图片,将车道区域内部编码为1,车道区域外部编码为0,同时将车辆边界框内的区域编码为1,车辆边界框外的区域编码为0,得到该视频帧图片的编码为分别为0,1,2,并统计图片中编码为2的区域数量以及编码为1的区域数量,最后计算编码为2的区域数量与编码为1的区域数量的百分比,如果编码2与编码1数量的百分比大于预设比值阈值,则说明该视频帧图片中的车辆在检测出的车道区域内,如果该百分比小于或者等于预设比值阈值,则说明该视频帧图片中的车辆未在检测出的车道区域内。进一步地,如果车辆检测模型为预设Mask R-CNN模型,则对检测出车道区域的视频帧图片和车辆的掩膜图分别进行0-1编码,对于检测出车道区域的视频帧图片,将车道区域内部编码为1,车道区域外部编码为0,对于车辆的掩膜,将车辆掩膜中显示的车辆轮廓内的区域编码为1,车辆轮廓外的区域编码为0,具体判断该视频帧图片中的车辆是否在车道区域内的过程与上述过程相同。
206、获取所述视频帧图片的帧数编号,并将所述帧数编号和所述视频帧图片的车辆信息对应存储至所述预设车辆信息列表中。
对于本发明实施例,如果确定视频帧图片中的车辆在检测出的车道区域内,则将该视频帧图片的车辆信息和该视频帧图片的帧数编码存储至预设车辆信息列表中;如果确定视频帧图片中的车辆未在检测出的车道区域内,则重新输入另一帧视频帧图片,并检测图片中是否存在车辆。
207、检测与所述视频帧图片对应的下一视频帧图片中是否存在车辆。
本发明实施例提供的另一种基于视频帧图片分析的车辆违停检测方法,与目前通过各个路面上设置的监控设备对车辆进行监控的方式相比,本发明能够检测目标禁止停车区域对应的视频帧图片中是否存在车辆;当检测到车辆时,则从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息,所述预设车辆信息列表中存储有视频帧图片的帧数编号及其对应的车辆信息;若所述预设车辆信息列表中存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度;与此同时,当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停,由此能够提高车道上违停车辆的识别率,同时能够及时发现违停车辆,辅助相关部门查找违停车辆,提高了查找违停车辆的效率,从而减少了违停车辆带来的交通隐患。
进一步地,作为图1的具体实现,本发明实施例提供了一种基于视频帧图片分析的车辆违停检测装置,如图3所示,所述装置包括:检测单元31、提取单元32、计算单元33和确定单元34。
所述检测单元31,可以用于检测目标禁止停车区域对应的视频帧图片中是否存在车辆。所述检测单元31是本装置中检测目标禁止停车区域对应的视频帧图片中是否存在车辆的主要功能模块。
所述提取单元32,可以用于当检测到车辆时,则从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息。所述提取单元32是本装置中当检测到车辆时,则从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息的主要功能模块,也是核心模块。
所述计算单元33,可以用于若所述预设车辆信息列表中存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度。所述计算单元33是本装置中若所述预设车辆信息列表中存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度的主要功能模块,也是核心模块。
所述确定单元34,可以用于当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停。所述确定单元34是本装置中当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停的主要功能模块。
对于本发明实施例,如果预设车辆信息列表中不存在与所述视频帧图片对应的前一视频帧图片的车辆信息,所述装置还包括:判定单元35和存储单元36,如图4所示。
所述判定单元35,可以用于若预设车辆信息列表中不存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则根据所述视频帧图片的车辆信息,判定所述视频帧图片中的车辆是否在目标车道区域内。
存储单元36,可以用于若所述视频帧图片中的车辆在目标车道区域内,则获取所述视频帧图片的帧数编号,并将所述帧数编号和所述视频帧图片的车辆信息对应存储至所述预设车辆信息列表中。
进一步地,为了计算前一视频帧图片的车辆信息与视频帧图片的车辆信息的相似度,所述计算单元33,具体可以用于利用预设欧式距离算法计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度。
在具体应用场景中,所述预设车辆检测模型为第一预设车辆检测模型,所述检测单元31,具体可以用于将目标禁止停车区域对应的视频帧图片输入至第一预设车辆检测模型进行车辆检测。
所述提取单元32包括:提取模块和确定模块,所述提取模块,可以用于当所述第一预设车辆检测模型检测到所述视频帧图片中存在车辆时,提取所述车辆的特征向量,并输出所述车辆所处边界框信息。
所述确定模块,可以用于将所述车辆的特征向量和所述车辆所处边界框信息,确定为所述车辆的车辆信息。
在具体应用场景中,所述预设车辆检测模型为第二预设车辆检测模型,所述检测单元31,具体还可以用于将目标禁止停车区域对应的视频帧图片输入至第二预设车辆检测模型进行车辆检测。
所述提取模块,还可以用于当所述第二预设车辆检测模型检测到所述视频帧图片中存在车辆时,提取所述车辆的特征向量,并输出所述车辆所处边界框信息和所述车辆的掩膜。
所述确定模块,还可以用于将所述车辆的特征向量,所述车辆所处边界框信息以及所述车辆的掩膜信息,确定为所述车辆的车辆信息。
进一步地,为了判定视频帧图片中的车辆是否在目标车道区域内,所述判定单元35包括:检测模块351、编码模块352、统计模块353和确定模块354。
所述检测模块351,可以用于利用预设车道检测算法对所述视频帧图片进行车道检测,得到所述视频帧图片中的目标车道区域。
所述编码模块352,可以用于将所述视频帧图片中目标车道区域内部编码为1,所述目标区域外部编码为0,并将所述视频帧图片中车辆所处边界框内部编码为1,所述车辆所处边界框外部编码为0,得到所述视频帧图片中编码分别为0,1,2的编码区域。
所述统计模块353,可以用于统计编码为2的编码区域数量与编码为1的编码区域数量的比值。
所述确定模块354,可以用于若所述比值大于预设比值阈值,则确定所述视频帧图片中的车辆在所述目标车道区域内。
此外,所述检测模块351,还可以用于利用预设车道检测算法对所述视频帧图片进行车道检测,得到所述视频帧图片中的目标车道区域。
所述编码模块352,还可以用于将所述视频帧图片中目标车道区域内部编码为1,所述目标车道区域外部编码为0,并将所述视频帧图片中车辆的掩膜内部编码为1,所述掩膜外部编码为0,得到所述视频帧图片中编码分别为0,1,2的编码区域。
所述统计模块353,还可以用于统计编码为2的编码区域数量与编码为1的编码区域数量的比值。
所述确定模块354,还可以用于若所述比值大于预设比值阈值,则确定所述视频帧图片中的车辆在所述目标车道区域内。
需要说明的是,本发明实施例提供的一种基于视频帧图片分析的车辆违停检测装置所涉及各功能模块的其他相应描述,可以参考图1所示方法的对应描述,在此不再赘述。
基于上述如图1所示方法,相应的,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:检测目标禁止停车区域对应的视频帧图片中是否存在车辆;当检测到车辆时,则从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息,所述预设车辆信息列表中存储有视频帧图片的帧数编号及其对应的车辆信息;若所述预设车辆信息列表中存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度;当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停。
基于上述如图1所示方法和如图3所示装置的实施例,本发明实施例还提供了一种计算机设备的实体结构图,如图5所示,该计算机设备包括:处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序,其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤:检测目标禁止停车区域对应的视频帧图片中是否存在车辆;当检测到车辆时,则从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息,所述预设车辆信息列表中存储有视频帧图片的帧数编号及其对应的车辆信息;若所述预设车辆信息列表中存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度;当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停。
通过本发明的技术方案,能够检测目标禁止停车区域对应的视频帧图片中是否存在车辆;当检测到车辆时,则从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息,所述预设车辆信息列表中存储有视频帧图片的帧数编号及其对应的车辆信息;若所述预设车辆信息列表中存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度;与此同时,当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停,由此能够提高车道上违停车辆的识别率,同时能够及时发现违停车辆,辅助相关部门查找违停车辆,提高了查找违停车辆的效率,从而减少了违停车辆带来的交通隐患。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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,均应包括在本发明的保护范围之内。
Claims (10)
1.一种基于视频帧图片分析的车辆违停检测方法,其特征在于,包括:
检测目标禁止停车区域对应的视频帧图片中是否存在车辆;
当检测到车辆时,则从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息,所述预设车辆信息列表中存储有视频帧图片的帧数编号及其对应的车辆信息;
若所述预设车辆信息列表中存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度;
当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停。
2.根据权利要求1所述的方法,其特征在于,在所述判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息之后,所述方法还包括:
若所述预设车辆信息列表中不存在与所述视频帧图片对应的前一视频帧图片,则根据所述视频帧图片的车辆信息,判定所述视频帧图片中的车辆是否在目标车道区域内;
若所述视频帧图片中的车辆在目标车道区域内,则获取所述视频帧图片的帧数编号,并将所述帧数编号和所述视频帧图片的车辆信息对应存储至所述预设车辆信息列表中。
3.根据权利要求1所述的方法,其特征在于,所述计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度包括:
利用预设欧式距离算法计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度。
4.根据权利要求1所述的方法,其特征在于,所述检测目标禁止停车区域对应的视频帧图片中是否存在车辆包括:
将目标禁止停车区域对应的视频帧图片输入至第一预设车辆检测模型进行车辆检测;
所述从所述视频帧图片中提取所述车辆的车辆信息包括:
当所述第一预设车辆检测模型检测到所述视频帧图片中存在车辆时,提取所述车辆的特征向量,并输出所述车辆所处边界框信息;
将所述车辆的特征向量和所述车辆所处边界框信息,确定为所述车辆的车辆信息。
5.根据权利要求1所述的方法,其特征在于,所述检测目标禁止停车区域对应的视频帧图片中是否存在车辆包括:
将目标禁止停车区域对应的视频帧图片输入至第二预设车辆检测模型进行车辆检测;
所述从所述视频帧图片中提取所述车辆的车辆信息包括:
当所述第二预设车辆检测模型检测到所述视频帧图片中存在车辆时,提取所述车辆的特征向量,并输出所述车辆所处边界框信息和所述车辆的掩膜;
将所述车辆的特征向量,所述车辆所处边界框信息以及所述车辆的掩膜信息,确定为所述车辆的车辆信息。
6.根据权利要求4所述方法其特征在于,所述根据所述视频帧图片的车辆信息,判定所述视频帧图片中的车辆是否在目标车道区域内包括:
利用预设车道检测算法对所述视频帧图片进行车道检测,得到所述视频帧图片中的目标车道区域;
将所述视频帧图片中目标车道区域内部编码为1,所述目标区域外部编码为0,并将所述视频帧图片中车辆所处边界框内部编码为1,所述车辆所处边界框外部编码为0,得到所述视频帧图片中编码分别为0,1,2的编码区域;
统计编码为2的编码区域数量与编码为1的编码区域数量的比值;
若所述比值大于预设比值阈值,则确定所述视频帧图片中的车辆在所述目标车道区域内。
7.根据权利要求5所述方法其特征在于,所述根据所述视频帧图片的车辆信息,判定所述视频帧图片中的车辆是否在目标车道区域内包括:
利用预设车道检测算法对所述视频帧图片进行车道检测,得到所述视频帧图片中的目标车道区域;
将所述视频帧图片中目标车道区域内部编码为1,所述目标车道区域外部编码为0,并将所述视频帧图片中车辆的掩膜内部编码为1,所述掩膜外部编码为0,得到所述视频帧图片中编码分别为0,1,2的编码区域;
统计编码为2的编码区域数量与编码为1的编码区域数量的比值;
若所述比值大于预设比值阈值,则确定所述视频帧图片中的车辆在所述目标车道区域内。
8.一种基于视频帧图片分析的车辆违停检测装置,其特征在于,包括:
检测单元,用于检测目标禁止停车区域对应的视频帧图片中是否存在车辆;
提取单元,用于当检测到车辆时,则从所述视频帧图片中提取所述车辆的车辆信息,并判断预设车辆信息列表中是否存在与所述视频帧图片对应的前一视频帧图片的车辆信息,所述预设车辆信息列表中存储有视频帧图片的帧数编号及其对应的车辆信息;
计算单元,用于若所述预设车辆信息列表中存在与所述视频帧图片对应的前一视频帧图片的车辆信息,则计算所述前一视频帧图片的车辆信息与所述视频帧图片的车辆信息的相似度;
确定单元,用于当所述相似度小于预设阈值时,确定所述视频帧图片中的车辆违停。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624944.9A CN110491132B (zh) | 2019-07-11 | 2019-07-11 | 基于视频帧图片分析的车辆违停检测方法及装置 |
PCT/CN2019/103525 WO2021003823A1 (zh) | 2019-07-11 | 2019-08-30 | 基于视频帧图片分析的车辆违停检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624944.9A CN110491132B (zh) | 2019-07-11 | 2019-07-11 | 基于视频帧图片分析的车辆违停检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110491132A true CN110491132A (zh) | 2019-11-22 |
CN110491132B CN110491132B (zh) | 2022-04-08 |
Family
ID=68545987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910624944.9A Active CN110491132B (zh) | 2019-07-11 | 2019-07-11 | 基于视频帧图片分析的车辆违停检测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110491132B (zh) |
WO (1) | WO2021003823A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161545A (zh) * | 2019-12-24 | 2020-05-15 | 北京工业大学 | 基于视频的交叉口区域交通参数统计方法 |
CN111325988A (zh) * | 2020-03-10 | 2020-06-23 | 北京以萨技术股份有限公司 | 基于视频的实时闯红灯检测方法、装置、系统及存储介质 |
CN112233422A (zh) * | 2020-10-20 | 2021-01-15 | 支付宝(杭州)信息技术有限公司 | 车辆停驶检测方法及装置 |
CN112231967A (zh) * | 2020-09-09 | 2021-01-15 | 山东师范大学 | 基于深度强化学习的人群疏散仿真方法及系统 |
CN112883904A (zh) * | 2021-03-15 | 2021-06-01 | 珠海安联锐视科技股份有限公司 | 一种车辆违停占道检测方法 |
CN112966572A (zh) * | 2021-02-19 | 2021-06-15 | 合肥海赛信息科技有限公司 | 一种基于视频分析的非机动车违停智能检测方法 |
CN113470368A (zh) * | 2021-07-15 | 2021-10-01 | 思福盾(北京)信息技术有限公司 | 一种自动实现多种场景车辆违停智能语音交互劝离系统及方法 |
CN114141022A (zh) * | 2020-09-03 | 2022-03-04 | 丰图科技(深圳)有限公司 | 应急车道占用行为检测方法、装置、电子设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688706B (zh) * | 2021-08-16 | 2023-12-05 | 南京信息工程大学 | 一种车辆检测方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050679A (zh) * | 2014-07-03 | 2014-09-17 | 杭州藏愚科技有限公司 | 一种违法停车的自动取证方法 |
CN105185118A (zh) * | 2015-10-13 | 2015-12-23 | 武汉烽火众智数字技术有限责任公司 | 一种基于视频检测的违章车辆检测装置及其方法 |
CN107609491A (zh) * | 2017-08-23 | 2018-01-19 | 中国科学院声学研究所 | 一种基于卷积神经网络的车辆违章停车检测方法 |
CN109559519A (zh) * | 2018-12-18 | 2019-04-02 | 广东中安金狮科创有限公司 | 监控设备及其违章停车检测方法、装置、可读存储介质 |
CN109615868A (zh) * | 2018-12-20 | 2019-04-12 | 北京以萨技术股份有限公司 | 一种基于深度学习的视频车辆违停检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491753A (zh) * | 2017-08-16 | 2017-12-19 | 电子科技大学 | 一种基于背景建模的违章停车检测方法 |
CN109993789B (zh) * | 2017-12-29 | 2021-05-25 | 杭州海康威视数字技术股份有限公司 | 一种共享单车的违停判定方法、装置及相机 |
CN109147341B (zh) * | 2018-09-14 | 2019-11-22 | 杭州数梦工场科技有限公司 | 违章车辆检测方法及装置 |
CN109993056A (zh) * | 2019-02-25 | 2019-07-09 | 平安科技(深圳)有限公司 | 一种识别车辆违章行为的方法、服务器及存储介质 |
-
2019
- 2019-07-11 CN CN201910624944.9A patent/CN110491132B/zh active Active
- 2019-08-30 WO PCT/CN2019/103525 patent/WO2021003823A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050679A (zh) * | 2014-07-03 | 2014-09-17 | 杭州藏愚科技有限公司 | 一种违法停车的自动取证方法 |
CN105185118A (zh) * | 2015-10-13 | 2015-12-23 | 武汉烽火众智数字技术有限责任公司 | 一种基于视频检测的违章车辆检测装置及其方法 |
CN107609491A (zh) * | 2017-08-23 | 2018-01-19 | 中国科学院声学研究所 | 一种基于卷积神经网络的车辆违章停车检测方法 |
CN109559519A (zh) * | 2018-12-18 | 2019-04-02 | 广东中安金狮科创有限公司 | 监控设备及其违章停车检测方法、装置、可读存储介质 |
CN109615868A (zh) * | 2018-12-20 | 2019-04-12 | 北京以萨技术股份有限公司 | 一种基于深度学习的视频车辆违停检测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161545A (zh) * | 2019-12-24 | 2020-05-15 | 北京工业大学 | 基于视频的交叉口区域交通参数统计方法 |
CN111325988A (zh) * | 2020-03-10 | 2020-06-23 | 北京以萨技术股份有限公司 | 基于视频的实时闯红灯检测方法、装置、系统及存储介质 |
CN114141022A (zh) * | 2020-09-03 | 2022-03-04 | 丰图科技(深圳)有限公司 | 应急车道占用行为检测方法、装置、电子设备及存储介质 |
CN112231967A (zh) * | 2020-09-09 | 2021-01-15 | 山东师范大学 | 基于深度强化学习的人群疏散仿真方法及系统 |
CN112231967B (zh) * | 2020-09-09 | 2023-05-26 | 山东师范大学 | 基于深度强化学习的人群疏散仿真方法及系统 |
CN112233422A (zh) * | 2020-10-20 | 2021-01-15 | 支付宝(杭州)信息技术有限公司 | 车辆停驶检测方法及装置 |
CN112966572A (zh) * | 2021-02-19 | 2021-06-15 | 合肥海赛信息科技有限公司 | 一种基于视频分析的非机动车违停智能检测方法 |
CN112883904A (zh) * | 2021-03-15 | 2021-06-01 | 珠海安联锐视科技股份有限公司 | 一种车辆违停占道检测方法 |
CN113470368A (zh) * | 2021-07-15 | 2021-10-01 | 思福盾(北京)信息技术有限公司 | 一种自动实现多种场景车辆违停智能语音交互劝离系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110491132B (zh) | 2022-04-08 |
WO2021003823A1 (zh) | 2021-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110491132A (zh) | 基于视频帧图片分析的车辆违停检测方法及装置 | |
Douillard et al. | Scan segments matching for pairwise 3D alignment | |
US20140161359A1 (en) | Method for detecting a straight line in a digital image | |
Ohgushi et al. | Road obstacle detection method based on an autoencoder with semantic segmentation | |
CN103413308A (zh) | 一种障碍物检测方法和装置 | |
Li et al. | Road lane detection with gabor filters | |
CN111915583B (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN107092871A (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN112308826A (zh) | 一种基于卷积神经网络的桥梁结构表面缺陷检测方法 | |
CN116188999B (zh) | 一种基于可见光和红外图像数据融合的小目标检测方法 | |
CN101369312B (zh) | 检测图像中交叉口的方法和设备 | |
CN110008900A (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
Ram et al. | Vehicle detection in aerial images using multiscale structure enhancement and symmetry | |
CN106407951A (zh) | 一种基于单目视觉的夜间前方车辆检测方法 | |
CN107918775B (zh) | 一种辅助车辆安全驾驶的斑马线检测方法及系统 | |
Bulugu | Algorithm for license plate localization and recognition for tanzania car plate numbers | |
Vajak et al. | A rethinking of real-time computer vision-based lane detection | |
CN108734123B (zh) | 高速公路标志识别方法、电子设备、存储介质及系统 | |
Giosan et al. | Superpixel-based obstacle segmentation from dense stereo urban traffic scenarios using intensity, depth and optical flow information | |
CN111860113A (zh) | 车道线检测方法及系统 | |
Guo et al. | Robust road boundary estimation for intelligent vehicles in challenging scenarios based on a semantic graph | |
CN109977844A (zh) | 一种基于图像识别机动车礼让行人控制系统及控制方法 | |
Mir et al. | Automated speed limit identification for efficient driving system | |
KR20090074927A (ko) | 차량검출방법 | |
CN104408437A (zh) | 一种基于合成孔径雷达的道路检测方法 |
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 |