CN110688979A - 违法车辆追踪方法及装置 - Google Patents
违法车辆追踪方法及装置 Download PDFInfo
- Publication number
- CN110688979A CN110688979A CN201910963822.2A CN201910963822A CN110688979A CN 110688979 A CN110688979 A CN 110688979A CN 201910963822 A CN201910963822 A CN 201910963822A CN 110688979 A CN110688979 A CN 110688979A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- color
- outline
- suspected
- colors
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000003086 colorant Substances 0.000 claims abstract description 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 32
- 238000012216 screening Methods 0.000 claims abstract description 21
- 238000010191 image analysis Methods 0.000 claims abstract description 14
- 238000005286 illumination Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000007557 optical granulometry Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
Abstract
本发明公开了一种违法车辆追踪方法，包括：建立车辆外型数据库，在车辆外型数据库中储存所有车辆出厂时的车型及颜色；获取违法车辆照片，经图像分析得到该违法车辆的外型轮廊和颜色、参照车型、参照颜色、车型变形特征、颜色变化特征；经图像分析得到与所有车辆照片对应的外型轮廊和颜色、车型和颜色，筛选得到一个或多个嫌疑车辆；车型变形特征和颜色变化特征比较，得到对应的嫌疑车辆目前所在的监控区域，跟踪定位该嫌疑车辆；从正面照片和/或背面照片中获取嫌疑车辆的车牌号。具有减少数据处理量，精准追踪违法车辆的有益效果。本发明还公开了基于该方法的装置，电子设备以及存储介质。
Description
技术领域
本发明涉及车辆追踪领域。更具体地说，本发明涉及一种违法车辆追踪方法及装置。
背景技术
目前，道路信息系统对车辆行驶管理存在不足，比如发生交通事故后，存在肇事逃逸的现象，而当车辆逃逸之后，要找到违法车辆，则目前通常的方法是需要人工去观看道路摄像头所拍摄道路车辆行驶视频，寻找肇事逃逸车辆；现有技术中已有成熟的技术可以直接识别车辆的车辆信息，比如车辆图像、车牌号、车身颜色等，但由于车辆过多，图像处理设备、服务器等不能满足数据处理量过大的需求，导致数据处理速度慢，追踪效率低，对违法车辆不能及时发现和控制，而且如果对于未采集到违法车辆车牌号的车辆的追踪的难度就更大，效率更低。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种违法车辆追踪方法，可以减少数据处理量，提高追踪效率，精准追踪违法车辆；
提供一种违法车辆追踪装置，可以处理得到车辆轮廓和颜色，为初步筛查目标车辆提供筛查依据，然后再根据车辆由于使用而形成的痕迹，变形特征和颜色特征，进行精准的特异性匹配，起到精准筛查的作用。
为了实现根据本发明的这些目的和其它优点，提供了一种违法车辆追踪方法，包括以下步骤：
建立车辆外型数据库，在车辆外型数据库中储存所有车辆出厂时的车型及颜色；
获取违法车辆照片，经图像分析得到该违法车辆的外型轮廊和颜色，并将外型轮廊和颜色分别与车辆外型数据库中的车型和颜色比对，输出与违法车辆的外型轮廊和颜色均匹配的车型和颜色，作为参照车型和参照颜色，以及以参照车型和参照颜色为基准，分析违法车辆照片的车型变形特征和颜色变化特征；
将搜索区域划分为多个监控区域，获取每个监控区域内的所有的车辆照片，经图像分析得到与所有车辆照片对应的外型轮廊和颜色，并将外型轮廊和颜色分别与车辆外型数据库中的车型和颜色比对，输出外型轮廊和颜色均匹配的所有车辆的车型和颜色，然后与参照车型和参照颜色比对，输出车型和颜色均匹配的车辆，即得到一个或多个嫌疑车辆；
以参照车型和参照颜色为基准，分析嫌疑车辆照片的外型轮廊的变形特征和颜色的颜色变化特征，与违法车辆照片的车型变形特征和颜色变化特征比较，若变形特征和颜色特征均匹配，则获取对应的嫌疑车辆目前所在的监控区域，并对该监控区域及与该监控区域相邻的多个监控区域进行交通管控，以及跟踪定位该嫌疑车辆；
获取嫌疑车辆的多个正面照片或背面照片，从正面照片和/或背面照片中获取嫌疑车辆的车牌号。
优选的是，在根据车辆照片分析得到车辆的外型轮廊和颜色前，对车辆照片进行还原处理，包括以下步骤：
在每个监控区域设置灰度参照物，在给定光照度下拍摄灰度参照物的照片，储存并将此照片作为标准灰度照片；
然后以预设拍照频率拍摄灰度参照物的照片，选出与拍摄车辆照片的装置相同，且拍摄时间最接近的灰度参照物的照片，分析得到该灰度参照物的照片与标准灰度照片的灰度值，并以该灰度值为基准修正车辆照片，得到车辆的还原照片。
优选的是，还包括：
在每个监控区域设置摄像装置，启动搜索区域内所有的摄像装置拍摄对应监控区域内的录像；
从嫌疑车辆所在的监控区域的录像中选取录制时间与嫌疑车辆照片的拍摄时间最接近的一帧图像，在该帧图像上标记出嫌疑车辆，以及以预设标记频率在录像中选取图像并在该帧图像上标记出对应的嫌疑车辆，多帧图像形成嫌疑车辆移动路线图。
优选的是，在图像上标记嫌疑车辆的方法为对嫌疑车辆的外型轮廊采用嫌疑车辆颜色的相反色显示。
优选的是，所述变形特征包括变形部分在车辆上的分布位置和变形部分的形状，所述颜色变化特征为颜色色值变化量，颜色色值采用十六进制颜色码表征。
提供了一种违法车辆追踪装置，包括：
车辆外型数据库，其用于储存所有车辆出厂时的车型及颜色；
第一图像处理模块，其用于获取违法车辆照片，进行图像分析，以得到该违法车辆的外型轮廊和颜色，并将外型轮廊和颜色分别与车辆外型数据库中的车型和颜色比对，输出与违法车辆的外型轮廊和颜色均匹配的车型和颜色，作为参照车型和参照颜色，以及以参照车型和参照颜色为基准，分析违法车辆照片的车型变形特征和颜色变化特征；
第二图像处理模块，其用于获取每个监控区域内的所有的车辆照片，进行图像分析，以得到与所有车辆照片对应的外型轮廊和颜色，并将外型轮廊和颜色分别与车辆外型数据库中的车型和颜色比对，输出外型轮廊和颜色均匹配的所有车辆的车型和颜色，然后与参照车型和参照颜色比对，输出车型和颜色均匹配的车辆，即得到一个或多个嫌疑车辆；
第三图像处理模块，其用于以参照车型和参照颜色为基准，分析嫌疑车辆照片的外型轮廊的变形特征和颜色的颜色变化特征，与违法车辆照片的车型变形特征和颜色变化特征比较，若变形特征和颜色特征均匹配，则输出对应的嫌疑车辆目前所在的监控区域；
第四图像处理模块，其用于获取嫌疑车辆的多个正面照片或背面照片，筛选正面照片和/或背面照片，并输出。
优选的是，还包括：
多个摄像装置，每个监控区域至少设置一个摄像装置，所述摄像装置拍摄监控区域内的录像；
录像处理模块，其用于从嫌疑车辆所在的监控区域的录像中选取录制时间与嫌疑车辆照片的拍摄时间最接近的一帧图像，在该帧图像上标记出嫌疑车辆，以及以预设标记频率在录像中选取图像并在该帧图像上标记出对应的嫌疑车辆，多帧图像形成嫌疑车辆移动路线图。
优选的是，还包括：
多个灰度参照物，每个监控区域至少设置一个所述灰度参照物；
多个拍照装置，多个拍照装置与多个灰度参照物一一对应，所述拍照装置用于在给定光照度下拍摄灰度参照物的照片，储存并将此照片作为标准灰度照片，以及以预设拍照频率拍摄灰度参照物的照片并储存；
灰度处理模块，其用于选出与车辆照片拍照装置相同且拍摄时间最接近的灰度参照物的照片，分析得到该灰度参照物的照片与标准灰度照片的灰度值，并以该灰度值为基准修正车辆照片，得到车辆的还原照片。
提供了一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述方法中任一项所述的方法。
提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时，实现上述方法中任一项所述的方法。
本发明至少包括以下有益效果：
第一、由于车辆流量大，尤其是在一线城市，搜索区域大，车辆多，如果对每个车辆照片均进行精准匹配，则会对图像处理装置造成过大负荷，无法及时筛选出目标车辆，而采用车型和颜色相关数据的处理，由于不需要太精准的测算，可以减少计算量，提高匹配速度，而且还能筛掉一些明显及肉眼无法辨别的非目标车辆，从而减少了搜索跟踪人员的工作量。
第二、由于车辆在使用过程中所留下的痕迹具有特异性，因此，再对筛选出的嫌疑车辆进行精准筛选，此时虽然数据处理更精准，但是由于车辆少，不会对图像处理造成过大负荷，可以保证数据处理的速度。
第三、由于日夜更替，天气变幻，每时每刻的光照度都在变化，而通过车辆照片作为原始数据进行处理时，会在一定程度上影响数据的准确性，因此，通过设置灰度参照物，并以一定的频率拍摄下灰度参照物的照片，以记录当时的光照度对照片造成的影响，再以灰度值修正车辆照片，以起到消除由于光照度而影响数据准确性的影响。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的其中一个技术方案的框架图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
如图1所示，本发明提供一种违法车辆追踪方法，包括以下步骤：
建立车辆外型数据库，在车辆外型数据库中储存所有车辆出厂时的车型及颜色；
获取违法车辆照片，经图像分析得到该违法车辆的外型轮廊和颜色，并将外型轮廊和颜色分别与车辆外型数据库中的车型和颜色比对，输出与违法车辆的外型轮廊和颜色均匹配的车型和颜色，作为参照车型和参照颜色，以及以参照车型和参照颜色为基准，分析违法车辆照片的车型变形特征和颜色变化特征；现有技术中从图片中得到外型轮廓的方法主要有两类，一类是利用传统的边缘检测算子检测目标轮廓，另一类是从人类视觉系统中提取可以使用的数学模型完成目标轮廓检测，颜色的区别可以采用颜色分析模块，自动显示颜色偏差的数据，如△E、△Lab等数值。
由于车辆出厂时的车型及颜色未发生变形且颜色未发生退色或老化，可以作为车辆的初始状态，而违法车辆为使用过的车辆，会遗留下使用痕迹，比如外型的某些地方发生变形，或者颜色由于老化或灰尘而显示出退色，因此，可以通过图像处理模块从违法车辆照片中提取出该车辆的外型轮廓，以去除车辆变形导致的边缘，再与初始状态的所有车辆的车型进行匹配，可以得到匹配度高的一个或多个车型，然后加上颜色的辅助识别，可以得到更精准的车型和颜色，即参照车型和参照颜色，再根据参照车辆和参照颜色，即找出了该车辆的初始状态，再与目前车辆所处的状态进行比较，可以得到该车辆在使用后发生的外型和颜色的变化，并对该变化数字化处理，比如表征出在车辆上的分布位置和变形部分的具体形状，表征出颜色色值变化量，如采用十六进制颜色码表征出，有助于精准直直观的显示区别。
将搜索区域划分为多个监控区域，获取每个监控区域内的所有的车辆照片，经图像分析得到与所有车辆照片对应的外型轮廊和颜色，并将外型轮廊和颜色分别与车辆外型数据库中的车型和颜色比对，输出外型轮廊和颜色均匹配的所有车辆的车型和颜色，然后与参照车型和参照颜色比对，输出车型和颜色均匹配的车辆，即得到一个或多个嫌疑车辆；
由于车辆流量大，尤其是在一线城市，搜索区域大，车辆多，如果对每个车辆照片均进行精准匹配，则会对图像处理装置造成过大负荷，无法及时筛选出目标车辆，而采用车型和颜色相关数据的处理，由于不需要太精准的测算，可以减少计算量，提高匹配速度，而且还能筛掉一些明显及肉眼无法辨别的非目标车辆，从而减少了搜索跟踪人员的工作量。
以参照车型和参照颜色为基准，分析嫌疑车辆照片的外型轮廊的变形特征和颜色的颜色变化特征，与违法车辆照片的车型变形特征和颜色变化特征比较，若变形特征和颜色特征均匹配，则获取对应的嫌疑车辆目前所在的监控区域，并对该监控区域及与该监控区域相邻的多个监控区域进行交通管控，以及跟踪定位该嫌疑车辆；
由于车辆在使用过程中所留下的痕迹具有特异性，因此，再对筛选出的嫌疑车辆进行精准筛选，此时虽然数据处理更精准，但是由于车辆少，不会对图像处理造成过大负荷，可以保证数据处理的速度。
获取嫌疑车辆的多个正面照片或背面照片，从正面照片和/或背面照片中获取嫌疑车辆的车牌号。在众多嫌疑车辆的照片中，得到对应正面照片或背面照片时，可以获取其车辆号，可以为与违法车辆的匹配，提供依据。
在上述技术方案中，首先采用数据计算量小的方法，即得到车辆轮廓和颜色，并与初始状态的车辆轮廓和颜色进行比较，得到参照车型和参照颜色，为初步筛查目标车辆提供筛查依据，然后再根据车辆由于使用而形成的痕迹，变形特征和颜色特征，进行精准的特异性匹配，起到精准筛查的作用，而在初步筛查后，大量筛下了非目标车辆，从而可以起到即能精准快速筛查出目标车辆的作用，又不会对图像处理模块造成过大负荷，保证其数据处理速度。
在另一种技术方案中，在根据车辆照片分析得到车辆的外型轮廊和颜色前，对车辆照片进行还原处理，包括以下步骤：
在每个监控区域设置灰度参照物，在给定光照度下拍摄灰度参照物的照片，储存并将此照片作为标准灰度照片；
然后以预设拍照频率拍摄灰度参照物的照片，选出与拍摄车辆照片的装置相同，且拍摄时间最接近的灰度参照物的照片，分析得到该灰度参照物的照片与标准灰度照片的灰度值，并以该灰度值为基准修正车辆照片，得到车辆的还原照片。
在上述技术方案中，由于日夜更替，天气变幻，每时每刻的光照度都在变化，而通过车辆照片作为原始数据进行处理时，会在一定程度上影响数据的准确性，因此，通过设置灰度参照物，并以一定的频率拍摄下灰度参照物的照片，以记录当时的光照度对照片造成的影响，再以灰度值修正车辆照片，以起到消除由于光照度而影响数据准确性的影响。
在另一种技术方案中，还包括：
在每个监控区域设置摄像装置，启动搜索区域内所有的摄像装置拍摄对应监控区域内的录像；
从嫌疑车辆所在的监控区域的录像中选取录制时间与嫌疑车辆照片的拍摄时间最接近的一帧图像，在该帧图像上标记出嫌疑车辆，以及以预设标记频率在录像中选取图像并在该帧图像上标记出对应的嫌疑车辆，多帧图像形成嫌疑车辆移动路线图。
在上述技术方案中，由于车辆通常是在移动中的，而且通过图像处理技术得到轮廓的数据处理量小，因此，可以对嫌疑车辆在录像中的以一定的时间频率抽取图像，并在图像中标记该嫌疑车辆的轮廓为其它颜色，或者其它方式的标记，起到方便追踪人员查看录像时，快速找到嫌疑车辆的作用。
在另一种技术方案中，在图像上标记嫌疑车辆的方法为对嫌疑车辆的外型轮廊采用嫌疑车辆颜色的相反色显示。由于每个车辆的颜色不一定都相同，因此，如果采用统一的白色，或红色，或黑色等单一色标记，容易使一些与标记颜色相同的车辆显示不明显，而采用相反色显示，更容易被肉眼所察觉。
在另一种技术方案中，所述变形特征包括变形部分在车辆上的分布位置和变形部分的形状，所述颜色变化特征为颜色色值变化量，颜色色值采用十六进制颜色码表征。分布位置和形状可以特异形显示车辆的特征，起到显著的区别其它车辆的作用，颜色色值计算方法简单，显示明显，可以直观的显示与其它车辆的区别。
提供违法车辆追踪装置，包括：
车辆外型数据库，其用于储存所有车辆出厂时的车型及颜色；
第一图像处理模块，其用于获取违法车辆照片，经图像分析得到该违法车辆的外型轮廊和颜色，并将外型轮廊和颜色分别与车辆外型数据库中的车型和颜色比对，输出与违法车辆的外型轮廊和颜色均匹配的车型和颜色，作为参照车型和参照颜色，以及以参照车型和参照颜色为基准，分析违法车辆照片的车型变形特征和颜色变化特征；
第二图像处理模块，其用于获取每个监控区域内的所有的车辆照片，对每个监控区域内的所有的车辆照片进行图像分析，以得到与所有车辆照片对应的外型轮廊和颜色，并将外型轮廊和颜色分别与车辆外型数据库中的车型和颜色比对，输出外型轮廊和颜色均匹配的所有车辆的车型和颜色，然后与参照车型和参照颜色比对，输出车型和颜色均匹配的车辆，即得到一个或多个嫌疑车辆；
第三图像处理模块，其用于以参照车型和参照颜色为基准，分析嫌疑车辆照片的外型轮廊的变形特征和颜色的颜色变化特征，与违法车辆照片的车型变形特征和颜色变化特征比较，若变形特征和颜色特征均匹配，则输出对应的嫌疑车辆目前所在的监控区域；
第四图像处理模块，其用于获取嫌疑车辆的多个正面照片或背面照片，筛选正面照片和/或背面照片，并输出。
在上述技术方案中，首先采用数据计算量小的方法，即得到车辆轮廓和颜色，并与初始状态的车辆轮廓和颜色进行比较，得到参照车型和参照颜色，为初步筛查目标车辆提供筛查依据，然后再根据车辆由于使用而形成的痕迹，变形特征和颜色特征，进行精准的特异性匹配，起到精准筛查的作用，而在初步筛查后，大量筛下了非目标车辆，从而可以起到即能精准快速筛查出目标车辆的作用，又不会对图像处理模块造成过大负荷，保证其数据处理速度。
在另一种技术方案中，还包括：
多个摄像装置，每个监控区域至少设置一个摄像装置，所述摄像装置拍摄监控区域内的录像；
录像处理模块，其用于从嫌疑车辆所在的监控区域的录像中选取录制时间与嫌疑车辆照片的拍摄时间最接近的一帧图像，在该帧图像上标记出嫌疑车辆，以及以预设标记频率在录像中选取图像并在该帧图像上标记出对应的嫌疑车辆，多帧图像形成嫌疑车辆移动路线图。
在上述技术方案中，由于车辆通常是在移动中的，而且通过图像处理技术得到轮廓的数据处理量小，因此，可以对嫌疑车辆在录像中的以一定的时间频率抽取图像，并在图像中标记该嫌疑车辆的轮廓为其它颜色，或者其它方式的标记，起到方便追踪人员查看录像时，快速找到嫌疑车辆的作用。
在另一种技术方案中，还包括：
多个灰度参照物，每个监控区域至少设置一个所述灰度参照物；
多个拍照装置，多个拍照装置与多个灰度参照物一一对应，所述拍照装置用于在给定光照度下拍摄灰度参照物的照片，储存并将此照片作为标准灰度照片，以及以预设拍照频率拍摄灰度参照物的照片并储存；
灰度处理模块，其用于选出与车辆照片拍照装置相同且拍摄时间最接近的灰度参照物的照片，分析得到该灰度参照物的照片与标准灰度照片的灰度值，并以该灰度值为基准修正车辆照片，得到车辆的还原照片。
在上述技术方案中，由于日夜更替，天气变幻，每时每刻的光照度都在变化，而通过车辆照片作为原始数据进行处理时，会在一定程度上影响数据的准确性，因此，通过设置灰度参照物，并以一定的频率拍摄下灰度参照物的照片，以记录当时的光照度对照片造成的影响，再以灰度值修正车辆照片，以起到消除由于光照度而影响数据准确性的影响。
还提供了一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述方法中任一项所述的方法。
还公开了一种存储介质，其上存储有计算机程序，该程序被处理器执行时，实现上述方法中任一项所述的方法。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.违法车辆追踪方法，其特征在于，包括以下步骤：
建立车辆外型数据库，在车辆外型数据库中储存所有车辆出厂时的车型及颜色；
获取违法车辆照片，经图像分析得到该违法车辆的外型轮廊和颜色，并将外型轮廊和颜色分别与车辆外型数据库中的车型和颜色比对，输出与违法车辆的外型轮廊和颜色均匹配的车型和颜色，作为参照车型和参照颜色，以及以参照车型和参照颜色为基准，分析违法车辆照片的车型变形特征和颜色变化特征；
将搜索区域划分为多个监控区域，获取每个监控区域内的所有的车辆照片，经图像分析得到与所有车辆照片对应的外型轮廊和颜色，并将外型轮廊和颜色分别与车辆外型数据库中的车型和颜色比对，输出外型轮廊和颜色均匹配的所有车辆的车型和颜色，然后与参照车型和参照颜色比对，输出车型和颜色均匹配的车辆，即得到一个或多个嫌疑车辆；
以参照车型和参照颜色为基准，分析嫌疑车辆照片的外型轮廊的变形特征和颜色的颜色变化特征，与违法车辆照片的车型变形特征和颜色变化特征比较，若变形特征和颜色特征均匹配，则获取对应的嫌疑车辆目前所在的监控区域，并对该监控区域及与该监控区域相邻的多个监控区域进行交通管控，以及跟踪定位该嫌疑车辆；
获取嫌疑车辆的多个正面照片或背面照片，从正面照片和/或背面照片中获取嫌疑车辆的车牌号。
2.如权利要求1所述的违法车辆追踪方法，其特征在于，在根据车辆照片分析得到车辆的外型轮廊和颜色前，对车辆照片进行还原处理，包括以下步骤：
在每个监控区域设置灰度参照物，在给定光照度下拍摄灰度参照物的照片，储存并将此照片作为标准灰度照片；
然后以预设拍照频率拍摄灰度参照物的照片，选出与拍摄车辆照片的装置相同，且拍摄时间最接近的灰度参照物的照片，分析得到该灰度参照物的照片与标准灰度照片的灰度值，并以该灰度值为基准修正车辆照片，得到车辆的还原照片。
3.如权利要求1所述的违法车辆追踪方法，其特征在于，还包括：
在每个监控区域设置摄像装置，启动搜索区域内所有的摄像装置拍摄对应监控区域内的录像；
从嫌疑车辆所在的监控区域的录像中选取录制时间与嫌疑车辆照片的拍摄时间最接近的一帧图像，在该帧图像上标记出嫌疑车辆，以及以预设标记频率在录像中选取图像并在该帧图像上标记出对应的嫌疑车辆，多帧图像形成嫌疑车辆移动路线图。
4.如权利要求1所述的违法车辆追踪方法，其特征在于，在图像上标记嫌疑车辆的方法为对嫌疑车辆的外型轮廊采用嫌疑车辆颜色的相反色显示。
5.如权利要求1所述的违法车辆追踪方法，其特征在于，所述变形特征包括变形部分在车辆上的分布位置和变形部分的形状，所述颜色变化特征为颜色色值变化量，颜色色值采用十六进制颜色码表征。
6.违法车辆追踪装置，其特征在于，包括：
车辆外型数据库，其用于储存所有车辆出厂时的车型及颜色；
第一图像处理模块，其用于获取违法车辆照片，进行图像分析，以得到该违法车辆的外型轮廊和颜色，并将外型轮廊和颜色分别与车辆外型数据库中的车型和颜色比对，输出与违法车辆的外型轮廊和颜色均匹配的车型和颜色，作为参照车型和参照颜色，以及以参照车型和参照颜色为基准，分析违法车辆照片的车型变形特征和颜色变化特征；
第二图像处理模块，其用于获取每个监控区域内的所有的车辆照片，进行图像分析，以得到与所有车辆照片对应的外型轮廊和颜色，并将外型轮廊和颜色分别与车辆外型数据库中的车型和颜色比对，输出外型轮廊和颜色均匹配的所有车辆的车型和颜色，然后与参照车型和参照颜色比对，输出车型和颜色均匹配的车辆，即得到一个或多个嫌疑车辆；
第三图像处理模块，其用于以参照车型和参照颜色为基准，分析嫌疑车辆照片的外型轮廊的变形特征和颜色的颜色变化特征，与违法车辆照片的车型变形特征和颜色变化特征比较，若变形特征和颜色特征均匹配，则输出对应的嫌疑车辆目前所在的监控区域；
第四图像处理模块，其用于获取嫌疑车辆的多个正面照片或背面照片，筛选正面照片和/或背面照片，并输出。
7.如权利要求6所述的违法车辆追踪装置，其特征在于，还包括：
多个摄像装置，每个监控区域至少设置一个摄像装置，所述摄像装置拍摄监控区域内的录像；
录像处理模块，其用于从嫌疑车辆所在的监控区域的录像中选取录制时间与嫌疑车辆照片的拍摄时间最接近的一帧图像，在该帧图像上标记出嫌疑车辆，以及以预设标记频率在录像中选取图像并在该帧图像上标记出对应的嫌疑车辆，多帧图像形成嫌疑车辆移动路线图。
8.如权利要求6所述的违法车辆追踪装置，其特征在于，还包括：
多个灰度参照物，每个监控区域至少设置一个所述灰度参照物；
多个拍照装置，多个拍照装置与多个灰度参照物一一对应，所述拍照装置用于在给定光照度下拍摄灰度参照物的照片，储存并将此照片作为标准灰度照片，以及以预设拍照频率拍摄灰度参照物的照片并储存；
灰度处理模块，其用于选出与车辆照片拍照装置相同且拍摄时间最接近的灰度参照物的照片，分析得到该灰度参照物的照片与标准灰度照片的灰度值，并以该灰度值为基准修正车辆照片，得到车辆的还原照片。
9.电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1～5中任一项所述的方法。
10.存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，实现权利要求1～5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910963822.2A CN110688979A (zh) | 2019-10-11 | 2019-10-11 | 违法车辆追踪方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910963822.2A CN110688979A (zh) | 2019-10-11 | 2019-10-11 | 违法车辆追踪方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110688979A true CN110688979A (zh) | 2020-01-14 |
Family
ID=69112108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910963822.2A Pending CN110688979A (zh) | 2019-10-11 | 2019-10-11 | 违法车辆追踪方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110688979A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111966857A (zh) * | 2020-08-19 | 2020-11-20 | 南京英德利汽车有限公司 | 一种检测改装车辆的方法及检测系统 |
| CN112135038A (zh) * | 2020-08-11 | 2020-12-25 | 浙江登凯建设有限公司 | 基于交通监控的车辆追踪方法、系统及其存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130095345A (ko) * | 2012-02-18 | 2013-08-28 | 송시우 | 차량번호 인식 불법 주정차 ｃｃｔｖ 단속 시스템 및 이를 위한 전자 상거래 방법 |
| CN106846374A (zh) * | 2016-12-21 | 2017-06-13 | 大连海事大学 | 多摄像头场景下车辆的轨迹计算方法 |
| 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 |
| CN108491797A (zh) * | 2018-03-22 | 2018-09-04 | 河北省科学院应用数学研究所 | 一种基于大数据的车辆图像精确检索方法 |
| CN108491782A (zh) * | 2018-03-16 | 2018-09-04 | 重庆大学 | 一种基于行车图像采集的车辆识别方法 |
-
2019
- 2019-10-11 CN CN201910963822.2A patent/CN110688979A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130095345A (ko) * | 2012-02-18 | 2013-08-28 | 송시우 | 차량번호 인식 불법 주정차 ｃｃｔｖ 단속 시스템 및 이를 위한 전자 상거래 방법 |
| CN106846374A (zh) * | 2016-12-21 | 2017-06-13 | 大连海事大学 | 多摄像头场景下车辆的轨迹计算方法 |
| 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 |
| CN108491782A (zh) * | 2018-03-16 | 2018-09-04 | 重庆大学 | 一种基于行车图像采集的车辆识别方法 |
| CN108491797A (zh) * | 2018-03-22 | 2018-09-04 | 河北省科学院应用数学研究所 | 一种基于大数据的车辆图像精确检索方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112135038A (zh) * | 2020-08-11 | 2020-12-25 | 浙江登凯建设有限公司 | 基于交通监控的车辆追踪方法、系统及其存储介质 |
| CN111966857A (zh) * | 2020-08-19 | 2020-11-20 | 南京英德利汽车有限公司 | 一种检测改装车辆的方法及检测系统 |
| CN111966857B (zh) * | 2020-08-19 | 2023-09-29 | 南京英德利汽车有限公司 | 一种检测改装车辆的方法及检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11380104B2 (en) | Method and device for detecting illegal parking, and electronic device | |
| CN103400150B (zh) | 一种基于移动平台进行道路边缘识别的方法及装置 | |
| US20190340446A1 (en) | Shadow removing method for color image and application | |
| CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
| CN101828201A (zh) | 图像处理装置及方法、学习装置及方法以及程序 | |
| US8655060B2 (en) | Night-scene light source detecting device and night-scene light source detecting method | |
| JP2005331929A5 (zh) | ||
| CN104021527B (zh) | 一种图像中雨雪的去除方法 | |
| CN112419261B (zh) | 具有异常点去除功能的视觉采集方法及装置 | |
| CN104486618A (zh) | 视频图像的噪声检测方法及装置 | |
| CN112528861A (zh) | 应用于铁路隧道内道床的异物检测方法及装置 | |
| CN104867128A (zh) | 图像模糊检测方法和装置 | |
| CN104182983B (zh) | 基于角点特征的高速公路监控视频清晰度的检测方法 | |
| JP2019045922A (ja) | 変状箇所検出装置、変状箇所検出プログラムおよび変状箇所検出方法 | |
| CN110688979A (zh) | 违法车辆追踪方法及装置 | |
| CN111539980B (zh) | 一种基于可见光的多目标追踪方法 | |
| CN104598914A (zh) | 一种肤色检测的方法及装置 | |
| CN110807406B (zh) | 一种雾天检测方法及装置 | |
| CN103607558A (zh) | 一种视频监控系统及其目标匹配方法和装置 | |
| CN110033425B (zh) | 干扰区域检测装置及方法、电子设备 | |
| CN112863194B (zh) | 一种图像处理方法、装置、终端及介质 | |
| CN110969135B (zh) | 自然场景中的车标识别方法 | |
| CN104463812A (zh) | 修复在拍摄时受到雨滴干扰的视频图像的方法 | |
| CN113792600B (zh) | 一种基于深度学习的视频抽帧方法和系统 | |
| CN111402185A (zh) | 一种图像检测方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |