CN111523352A - 一种智能化快速识别违法改装车的方法及其监控系统 - Google Patents
一种智能化快速识别违法改装车的方法及其监控系统 Download PDFInfo
- Publication number
- CN111523352A CN111523352A CN201910107986.5A CN201910107986A CN111523352A CN 111523352 A CN111523352 A CN 111523352A CN 201910107986 A CN201910107986 A CN 201910107986A CN 111523352 A CN111523352 A CN 111523352A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- dimensional image
- model
- vehicle
- motor vehicle
- 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 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000007689 inspection Methods 0.000 claims abstract description 24
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000013519 translation Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013524 data verification Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 16
- 238000012986 modification Methods 0.000 description 14
- 230000004048 modification Effects 0.000 description 14
- 238000007726 management method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012857 repacking Methods 0.000 description 2
- 101100126955 Arabidopsis thaliana KCS2 gene Proteins 0.000 description 1
- 241000132023 Bellis perennis Species 0.000 description 1
- 235000005633 Chrysanthemum balsamita Nutrition 0.000 description 1
- 241001622623 Coeliadinae Species 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000009466 transformation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种智能化快速识别违法改装机动车的方法及其监控系统,包括以下步骤:通过二维图像获取模块抓取行驶中的机动车的视频和/或二维图像;将所获取的二维图像传输到数据处理模块,在3D模型资料库中检索到对应模型,然后将二维图像与3D模型进行对比;通过分析二维图像与3D模型对比结果,筛选疑似进行违法改装的车辆信息;通知疑似违法改装车辆驾驶员或车主接受检查,检查人员对机动车进行现场检查,验证该机动车是否违法改装;根据验证结果,对确认为是违法改装的车辆进行处理,并将处理结果反馈至车辆处理模块。本发明能够快速识别违法改装机动车,操作简单,识别准确率高,有效地解决了目前国内违法改装车识别与处理困难的问题。
Description
技术领域
本发明涉及交通技术领域,尤其是一种智能化快速识别违法改装机动车的方法及其监控系统。
背景技术
汽车改装是指根据汽车车主需要,将汽车制造厂家生产的原形车进行外部造型、内部造型以及机械性能的改动,主要包括车身改装和动力改装两种。众所周知,机动车违法改装是目前威胁道路交通安全的重大隐患之一,为此,国家对机动车的改装作出了比较严格的限制,如改变汽车外观需到车管所登记,私自改变车身、车架和轮胎等,都无法通过车辆年检,在行驶中查到后还会被处以高额罚款。但由于缺乏快捷有效的识别手段,很多违法改装车只有在出了严重车祸之后才被发现,无法防患于未然。我国《道路交通安全法》明确规定,任何单位或者个人不得拼装机动车或者擅自改变机动车已登记的结构、构造或者特征。已领牌照的汽车进行改装前,应向车管所登记申报,其改装技术报告经车管所审查同意后,方可进行改装。而往往改装后的车子不符合《道路交通安全法》的相关规定,无法通过年检,属于违法改装,因此需要对这些违法改装车进行监测和监控。
传统的违法改装机动车的识别主要依赖执法人员的肉眼判断,所以当公共交通监管人员通过公共交通视频监控系统实时观察交通状况时,会由于车辆的移动、光线的灰暗以及对各类车辆外观了解的不充分而忽略了违法改装车辆。即便是有能力在眼睛一瞥之间发现一辆违法改装车辆,也可能因为要把注意力集中在其他监管要点而无暇顾及。我国发明专利公开号为CN109035749A的《一种道路异常轰鸣声检测预警应用系统》公开了一种对道路行驶车辆所发出的声音实时监测,对异常轰鸣声进行预警,同时上传视频二维图像至车辆监管部门分析研判,从而加强对非法改装车辆的打击的一种道路异常轰鸣声检测预警应用系统。但是很多改装车不仅仅是对发动机进行改装,还对汽车轮毂、外形等外观进行了改装,局限性很大。我国实用新型专利公开号为CN204463432U的《一种货车检测装置》公开了一种能够检测货车改装超重等违法问题的装置,但是需要司机配合通过检测装置才能够检测出是否改装,在实际使用中,其实用性不高,且只针对货车进行检测,无法满足市场需求。
虽然以上提及的改装车检测方法或装置在识别违法改装车这一功能上起到一定的作用,但是其缺陷是检测的对象单一,无法满足市场需求,且识别准确度低,不能快速地识别出在路上高速行驶的汽车是否进行了改装。
发明内容
本发明设计了一种能够快速地识别出在路上高速行驶的汽车是否进行了改装,并及时处理相关违法改装车辆的智能化快速识别违法改装车的方法及其监控系统。
为了解决上述存在的技术问题,本发明采用了以下方案:
一种智能化快速识别违法改装车的监控系统,其特征在于,包括:
3D模型资料库,用于储存机动车的数字化三维模型;
二维图像获取模块,用于获取机动车的二维图像;
数据处理模块,用于在3D模型资料库中检索到所述二维图像获取模块所获取的机动车的二维图像对应的三维模型,并计算其匹配程度;
信息传输及车辆处理模块,用于根据数据处理模块所计算的匹配程度,进行车辆处理。
作为优选的,所述二维图像获取模块包括:设置于道路上的公共交通监控系统中具有摄像或照相功能的设备。
作为优选的,所述数据处理模块包括:
特征向量计算模块,用于计算所述数字化三维模型的特征向量;
数据验证模块,用于计算所述二维图像获取模块的照片与所述数字化三维模型的匹配程度。
作为优选的,所述信息传输及车辆处理模块还包括:
拦截模块,用于拦截待检查机动车;
信息显示模块,用于提示待检测机动车车主或驾驶员接受检查;
数据传输模块,用于向待检测机动车车主或驾驶员发送检查信息。
作为优选的,所述拦截模块为设置在所述待检查机动车前方的路障或收费站或路卡;所述信息显示模块为电子显示屏;所述数据传输模块为电话和/或短信通知。
根据本发明的另一方面,提供了一种智能化快速识别违法改装车的方法,其特征在于:
包括:
步骤101:通过二维图像获取模块抓取行驶中的机动车的视频和/或二维图像;
步骤102:将所获取的二维图像传输到数据处理模块,在3D模型资料库中检索到对应模型,然后将二维图像与3D模型进行对比;
步骤103:通过分析二维图像与3D模型对比结果,筛选疑似进行违法改装车辆信息;
步骤104:通知疑似违法改装车辆驾驶员或车主接受检查,检查人员对机动车进行现场检查,验证该机动车是否违法改装;
步骤105:根据验证结果,对确认为是违法改装车辆进行处理,并将处理结果反馈至车辆处理模块。
作为优选的,所述二维图像获取包括对行驶中的机动车的外观进行拍摄和/或录像。
作为优选的,在拍摄获取机动车照片后,计算上述机动车照片的特征向量。
作为优选的,所述特征向量包括:
收集一定数量的数字化三维模型或数字化三维模型的二维图像;
构建深度神经网络形成分类器;
不断迭代,直至确认神经网络收敛到足够能区分目标物体时,从神经网络中选取一定的神经元作为信息特征描述符,即为所述特征向量。
作为优选的,步骤102中所述二维图像与3D模型对比的第一种方法包括以下步骤:
(1)初始化三维姿态,求解旋转矩阵和平移矩阵,以满足所述数字化三维模型和所述前景分割结果之间的映射关系;
(2)姿态优化,直到用于描述所述数字化三维模型的透视投影二维图像与所述待验证机动车前景分割结果的差异的目标函数值最小;
(3)计算所述数字化三维模型在最优姿态下所得透视投影二维图像与所述待验证机动车前景分割结果的匹配度。
作为优选的,步骤102中所述二维图像与3D模型对比的第二种方法包括以下步骤:
(1)利用计算机视觉技术对二维图像中所拍摄物体进行分类(classification),确定该物体所述类别,从三维数据库中调出该类别的所有3D模型进行比对;
(2)对于第(1)步中返回的每个三维模型,建立从3D模型上的关键点到二维图像关键点的对应关系,然后应用N点透视姿态(perspective Npoint,PNP)求解3D模型到二维图像的粗略投影关系;3D模型关键点位置已经存储在数据库中,二维图像的关键点可类似上面所述计算机视觉关键点检测(landmark detection)获得;
该投影关系把三维模型上的关键点重新投影到单张或多张二维图像上,并计算所投射关键点位置与二维图像上关键点的位置差距(reprojection error);当该误差大于某一个提前设定的阈值,说明二维照片与待验证的3D模型不匹配;反之,则进入下面第(3)步;
(3)将3D模型用第(2)步中估算出的投影关系形成一个二维图像P1,利用计算机视觉技术对二维图像进行前景分割,抽取该固体物的二维图像P2并定义一个能量函数E来描述P1和P2之间的差异;
(4)第(3)步中所述能量函数E是由3D到二维投影关系中的旋转和平移矩阵决定的,系统应用非线性优化的方法,迭代改变自变量旋转和平移矩阵,减小能量函数,即P1与P2差异;
(5)迭代优化进行直到满足终止条件;
(6)计算P1和P2的吻合度,当吻合度超过某一个提前设定的阈值,系统认为该物体与这个数据库中存储的三维模型匹配;否则认为该物体与这个三维模型不匹配,从数据库获取下一个三维模型重复第2-6步。
本发明的优点在于:
(1)本发明在违法改装车识别方面与现行其他改装车识别方法相比,本发明的的识别方法更为快速,通过数据处理模块将机动车照片与数据库3D模型进行对比,快速获取车辆对比结果,识别车辆是否违法改装。
(2)本发明在违法改装车识别方面与现行其他改装车识别方法相比,本发明的的识别方法更为快速精确,根据对比结果,判定是否对机动车进行实地检查,二次识别进一步精确识别结果,减少错误识别。
(3)本发明在违法改装车识别方面与现行其他改装车识别方法相比,本发明的的识别方法的成本更低,无需新增其他设备,在现行基础上只需增加识别对比软件即可进行违法改装车识别,大大减轻交通管理部门的成本投入。
(4)本发明在违法改装车识别方面与现行其他改装车识别方法相比,本发明的的识别方法能够为交通部门节省人工识别改装车的时间,有效的解决当前中国机动车违法改装严重的问题,减少因违法改装而造成的交通事故。
附图说明
图1:本发明的智能化快速识别违法改装车的监控系统的框架示意图;
图2:本发明的智能化快速识别违法改装车的方法实施例一流程图。
图3:本发明的智能化快速识别违法改装车的方法实施例二流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整地传达给本领域的技术人员。
本发明提出一种能够通过抓取行驶中的机动车的视频或照片进行数据对比就能够快速识别违法改装车的方法以及该方法所使用的监控系统。
下面结合图1,对本发明做进一步说明:
名词解释:
1.3D模型资料库;
指的是一个关于各种品牌、各种系列以及各种型号的机动车的数字化3D模型资料库,所述关于各类机动车的数字化3D模型资料库是识别机动车是否违法改装的根本标准。所述3D模型资料库的收集方法为:
(1)通过向汽车生产厂家调用汽车设计时所制作的各型号汽车的3D模型。出于道路交通管理的需要,各汽车厂家有义务无偿或廉价地向交通监管部门提供他们拥有的汽车3D模型。但是要注意的是,有的汽车在最终成型面世时,其外形会与原设计有较大差异;或者,汽车厂家在设计汽车时,只会对某一系列的某个型号进行3D精确建模,其他型号因为配置的不同可能形状各有差异,但厂方未为其匹配相应的3D模型。
(2)对于没有经过3D建模的车型或无法提供3D建模的车型,则可以进行全车扫描。按照中国的法律法规,新购置机动车都需到车管部门上牌,因此为无3D模型的机动车实施的数字化3D扫描,其扫描场所可以是在我国各个车管所单位内进行。由于目前汽车扫描的设备、技术都已经非常成熟、廉价,为新款车进行数字化3D扫描无需投入较大的场地和人力物力。
(3)所述数字化3D模型的获取方法还可以是调取已经存储的机动车的数字化3D模型;和/或,通过三维扫描仪对机动车进行三维扫描采集的数字化3D模型;和/或,通过双目深度相机对机动车进行拍照,再通过处理距离信息生成机动车的数字化3D模型;和/或,通过普通单目相机对该机动车连续拍照或拍摄一段视频,再根据多张照片重叠部分的对应关系以及每张照片的相机投影几何关系,利用摄影测量算法计算得到机动车的数字化3D模型。
2.二维图像获取模块;
指的是抓取并收集在道路上行驶的机动车的视频/二维图像数据的收集系统,所述二维图像数据收集系统包括以下方式:
(1)通过现在遍布全国路网的公共交通监控系统获取视频或视频截图。所述抓取和收集方法是本发明应用时最可依赖的方法,因为中国公安部门目前所使用的成熟而发达的公共监控设备几乎消除了所有的监控盲点。当下,很多城市内电子警察对行车违法行为的有效监控,以及全国公共场所犯罪率的逐年下降都足以证明公共交通监管设备的准确性和高效性。因此可以推断,在道路上行驶的违法改装车辆,是很难逃避公共交通监管系统的布控范围。而且,公共交通监控系统对所监控内容进行摄像后,数据会保留一段时间,能够为事后查询违法改装车提供了很大方便。值得注意的是,在所有公共监控视频/二维图像数据中,高速公路进出口的视频和二维图像监控信息最为清晰、最为稳定,因为汽车在这个节点车速很慢,而且视频和监控探头都放置在最为理想的角度与位置;
(2)执法人员在执法过程中抓取并收集的视频/二维图像数据材料。执法人员在拦截一辆涉嫌违法的车辆时,可以在更为优良的光线、速度和角度条件下近距离地、充分地通过数码相机或手机或其他拍摄设备拍摄涉嫌违法改装的机动车的视频或二维图像,且这些视频或二维图像的画面质量将远远高于来自公共交通监控系统的视频或二维图像;
(3)来自个人监控设备或者个人摄录设备的视频和二维图像。对于该种视频和二维图像素材的采用,可以增加交通执法部门的取证范畴。一般情况下,执法部门可以通过上门调用和群众举报等方式获取这些视频或二维图像资料。
3.数据处理模块;
数据处理模块指的是智能化快速识别违法改装车外形变化的系统软件,它的实现主要依赖于同一形状的物体的二维图像与其数字化3D模型的匹配技术。
数据处理模块包括:特征向量计算模块,用于计算所述数字化三维模型的特征向量;
数据验证模块,用于计算所述二维图像获取模块的照片与所述数字化三维模型的匹配程度。数据验证模块首先计算二维图形的特征向量,比如但不限于SIFT,SURF,BRIEF,ORB,HOG,DAISY,LBP,然后在3D模型资料库中检索有类似特征向量的数字化三维模型的投影,进而通过该二维投影追溯到对应的数字化三维模型。或者使用摄影测量术(photogrammery)进行局部三维重建,然后计算该重建模型的三维特征描述式,并与3D模型资料库中的三维模型局部特征描述式比对筛选三维模型。
数字化三维模型通常采用“点云”(Point cloud)的表达方式,即机动车在三维空间中物理存在点(X,Y,Z)的集合。照片为二维像素(u,v)的集合,是三维物体在相机的特定姿态下通过光学镜头在某种投射角度下成的像。同一物品的三维模型(X,Y,Z)与其二维照片(u,v)在数学上有如下的投影关系:
K为相机的内部参数,[R,T]分别为旋转矩阵和平移矩阵,是算法需要估计的参数。照片与数字化三维模型的匹配其实就是寻找一个[RT]能够满足上述的映射关系。确定一个数字化三维模型是否为照片上所拍摄物品的方法如下:
(1)初始化三维姿态
三维姿态估计(pose estimation)是求解从三维物体到二维图像变换的问题,即估计旋转矩阵和平移矩阵。姿态初始化可以通过定位物体上的特征点(landmarkdetection)来获得。特征点检查可以使用上面提到的SIFT,SURF,ORB等二维图像局部特征描述符,也可以使用深度学习方法找到照片上的关键部位。其工作原理与目前流行的人脸识别方法相近。在一种该方法的实现当中,我们收集大约5000张机动车照片,对其上多个关键点进行标注,然后训练深度神经网络以达到自动识别轮毂、进气栅格、大灯、尾翼等关键部位的目的。
当足够多的(X,Y,Z)到(u,v)的关键点映射存在时,系统采用Perspective-n-point and RANSAC(PnP RANSAC)方法求解上述线性投影方程,可以粗略估计出旋转矩阵和平移矩阵。
(2)姿态优化
给定(1)中的初始姿态,算法将数字化三维模型做透视投影(perspectiveprojection)形成一个二维图像A。同时,上传到服务器的照片配合前景分割的结果可以得到待验证机动车的轮廓二维图像B。一个目标函数用于描述A和B的差异。目标函数可以表达成几何、纹理等各种特征的加权函数。简单的例子包括,轮廓二维图像A和B的像素重合度,像素之间的欧氏距离、颜色分布直方图等。优化算法(比如梯度下降法gradient descent)不断迭代调整姿态估计最小化目标函数来减少A和B之间的差异。这个过程迭代进行直到满足终止条件。比如,迭代误差小于某给定阈值或者迭代次数已达最大。
(3)计算照片与数字化三维模型的相似度
我们可以直接将第(2)步中最优的目标函数值作为两个模型的相似度。另外,我们也可以计算形状相似度,颜色分布相似度,特征描述式吻合度等来作为模型之间的相似度。
确定一个数字化三维模型是否为照片上所拍摄机动车的另一种方法:
(1)利用计算机视觉技术对二维图像中所拍摄物体进行分类(classification),确定该物体所述类别,从三维数据库中调出该类别的所有3D模型进行比对。
(2)对于第(1)步中返回的每个三维模型,建立从3D模型上的关键点到二维图像关键点的对应关系,然后应用N点透视姿态(perspective Npoint,PNP)求解3D模型到二维图像的粗略投影关系;3D模型关键点位置已经存储在数据库中,二维图像的关键点可类似上面所述计算机视觉关键点检测(landmark detection)获得。
进一步,该投影关系把三维模型上的关键点重新投影到单张或多张二维图像上,并计算所投射关键点位置与二维图像上关键点的位置差距(reprojection error);当该误差大于某一个提前设定的阈值,说明二维照片与待验证的3D模型不匹配;反之,则进入下面所述第(3)步。
(3)将3D模型用第(2)步中估算出的投影关系形成一个二维图像P1。利用计算机视觉技术对二维图像进行前景分割,抽取该固体物的二维图像P2.定义一个能量函数E来描述P1和P2之间的差异;比如,我们可以计算P1和P2中物体轮廓差异,物体颜色直方图分布的差异,几何或纹理分布特征的差异等。
(4)第(3)步中所述能量函数E是由3D到二维投影关系中的旋转和平移矩阵决定的。系统应用非线性优化的方法,迭代改变自变量旋转和平移矩阵,减小能量函数,即P1与P2差异。非线性优化方法可以采用梯度下降法(gradient descent),共轭梯度法(conjugatedescent),或者基于二阶导数的高斯-牛顿下降法(Gauss–Newton)。投影关系中的旋转矩阵可以有欧拉角(Euler Angle),四元数(Quaternion),轴角(Axis Angle)等参数化方法。不同的表达方式在优化过程中会有不同的迭代更新计算公式,也会导致不同的迭代速度和精度。
(5)迭代优化进行直到满足终止条件。比如,迭代误差小于某给定阈值或者迭代次数已达最大。
(6)计算P1和P2的吻合度。当吻合度超过某一个提前设定的阈值,系统认为该物体与这个数据库中存储的三维模型匹配。否则认为该物体与这个三维模型不匹配,从数据库获取下一个三维模型重复第2-6步。
4.信息传输及车辆处理模块
指的是对疑似违法改装机动车进行快速甄别并提出纠正行动的反应系统,当本发明所述的智能化快速识别违法改装车外形变化的系统软件初步判断某辆机动车涉嫌违法改装时,首先,系统会根据车牌搜寻出疑似违法改装车在车管所的登记资料,如发现该车的外观与该种车的数字化3D模型的差异属于合法改装范畴,则视该车为合法改装机动车。
信息传输及车辆处理模块包括:拦截模块,用于拦截待检查机动车;
信息显示模块,用于提示待检测机动车车主或驾驶员接受检查;
数据传输模块,用于向待检测机动车车主或驾驶员发送检查信息。
如果经确认发现其确实涉嫌违法改装的,交通监管部门即可通过车辆牌照认定该车车主,并及时实施如下应对措施:
如果机动车的行驶方向前方有收费站等路卡,监管部门可通知执法人员在关卡处叫停该车,并对车辆的疑似违法改装情况进行核实。执法人员可以通过手机等带图片拍摄及信息传送功能的设备为该机动车多角度地拍清晰的二维图片,并通过专门的应用软件传送到智能化违法改装车识别系统,并由本发明所述的智能化快速识别违法改装车外形变化的系统软件进行精准比对,从而确定该机动车是否属于违法改装。如经核实发现该机动车确实违法且违法严重的,则立刻扣押车辆;如情节轻微且不会立刻对交通安全造成重大影响的,则可以责令该车限期进行整改;
如果交通监管机构无法确定涉嫌违法的机动车即将通过前方关卡,则可以通过道路上的电子警示牌通知涉嫌违法车辆的驾驶员把机动车驶向最近的关卡或指定的地点接受进一步检查;
如果交通监管机构无法在第一时间拦截涉嫌违法改装的机动车或无法第一时间通知其驾驶员把机动车驶向指定的地点接受进一步检查或处理,则可以通过电话或短信等形式通知车主,让其在指定时间到指定地点接受进一步检查或处理。
如图2所示,通过使用以上描述的监控系统,本发明实施例一提供了一种智能化快速识别违法改装车的方法,包括:
步骤101:通过二维图像获取模块抓取行驶中的机动车的视频和/或二维图像;
步骤102:将所获取的二维图像传输到数据处理模块,在3D模型资料库中检索到对应模型,然后将二维图像与3D模型进行对比;
步骤103:通过分析二维图像与3D模型对比结果,筛选疑似进行违法改装车辆信息;
步骤104:通知疑似违法改装车辆驾驶员或车主接受检查,检查人员对机动车进行现场检查,验证该机动车是否违法改装;
步骤105:根据验证结果,对确认为是违法改装车辆进行处理,并将处理结果反馈至车辆处理模块。
如图3所示,通过使用以上描述的监控系统,本发明实施例二提供了一种智能化快速识别违法改装车的方法,包括:
步骤201:通过二维图像获取模块抓取行驶中的机动车的视频和/或二维图像;
步骤202:将所获取的二维图像传输到数据处理模块,在3D模型资料库中检索到对应模型,然后将二维图像与3D模型进行对比;
步骤203:通过分析二维图像与3D模型对比结果,筛选疑似进行违法改装车辆信息;
步骤204:通过电话或短信等形式通知车主,让其在指定时间到指定地点接受进一步检查或处理;
步骤205:根据验证结果,对确认为是违法改装车辆进行处理,并将处理结果反馈至车辆处理模块。
本发明实施例中,二维图像获取模块可以通过现在遍布全国路网的公共交通监控系统获取视频或视频截图或者通过执法人员在执法过程中抓取并收集的视频/二维图像数据材料或者通过来自个人监控设备或者个人摄录设备的视频和二维图像。然后将所获取二维图像传输到数据处理模块即智能化快速识别违法改装车外形变化的系统软件,通过其拥有的二维图像与其数字化3D模型的匹配技术进行二维图像对比,当本发明所述的智能化快速识别违法改装车外形变化的系统软件初步判断某辆机动车涉嫌违法改装时,首先,系统会根据车牌搜寻出疑似违法改装车在车管所的登记资料,如发现该车的外观与该种车的数字化3D模型的差异属于合法改装范畴,则视该车为合法改装机动车。
如果经确认发现其确实涉嫌违法改装的,交通监管部门即可通过车辆牌照认定该车车主,并及时实施相应措施,比如与道路前方的收费站等位置进行拦截或者通过道路的电子警示牌进行通知车辆驾驶员前往某处进行检查或者通过短信电话方式通知车主于规定时间内前往车管所进行检查。
之后根据上一步骤的检查结果,如经核实发现该机动车确实违法且违法严重的,则立刻扣押车辆;如情节轻微且不会立刻对交通安全造成重大影响的,则可以责令该车限期进行整改。
具体来说,本发明通过对物体的3D扫描/建模技术、人工智能图像/视频识别技术、二维-3D数字化图像比对技术,以及互联网、云存储、公共安全视频监控体系和移动通讯工具的应用,使得违法改装机动车在各种公共道路行驶中能够快速地被相关监管部门准确识别,以便让具体执法人员及时作出反应、拦截疑似违法改装车辆以进行进一步检查,并在确认违法行为后,对违法改装机动车进行查扣或对车主提出限期整改的要求。同时,在现场执法人员人力资源有限的情况下,依靠本发明,监管机构可以依据对来自公共安全监控系统或群众举报的视频/图像的分析,侦测到违法改装车辆,并通过车牌号码找到车主,通知其及时到相关监管部门处理疑似违法事宜。
通过本发明所述智能化快速识别违法改装车方法,可以满足现在国内对违法改装车检测的,且本发明的识别准确度高,在快速的识别出在路上高速行驶的汽车是否进行了改装后,通过进一步实地核实来确保不会产生错判的情况,能够为交通部门节省人工识别改装车的时间,有效的解决当前中国机动车违法改装严重的问题,减少因违法改装而造成的交通事故。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征有更多的特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。
本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
上面结合附图对本发明进行了示例性的描述,显然本发明的实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围内。
Claims (10)
1.一种智能化快速识别违法改装机动车的监控系统,其特征在于,包括:
3D模型资料库,用于储存机动车的数字化三维模型;
二维图像获取模块,用于获取机动车的二维图像;
数据处理模块,用于在3D模型资料库中检索到所述二维图像获取模块所获取的机动车的二维图像对应的三维模型,并计算其匹配程度;
信息传输及车辆处理模块,用于根据数据处理模块所计算的匹配程度,进行车辆处理。
2.根据权利要求1所述的监控系统,其特征在于:所述二维图像获取模块包括:设置于道路上的公共交通监控系统中具有摄像或照相功能的设备。
3.根据权利要求1所述的监控系统,其特征在于:所述数据处理模块包括:
特征向量计算模块,用于计算所述数字化三维模型的特征向量;
数据验证模块,用于计算所述二维图像获取模块的照片与所述数字化三维模型的匹配程度。
4.根据权利要求1所述的监控系统,其特征在于:所述信息传输及车辆处理模块还包括:
拦截模块,用于拦截待检查机动车;
信息显示模块,用于提示待检测机动车车主或驾驶员接受检查;
数据传输模块,用于向待检测机动车车主或驾驶员发送检查信息。
5.根据权利要求4所述的监控系统,其特征在于:所述拦截模块为设置在所述待检查机动车前方的路障或收费站或路卡;所述信息显示模块为电子显示屏;所述数据传输模块为电话和/或短信通知。
6.一种智能化快速识别违法改装车的的方法,包括以下步骤:
步骤101:通过二维图像获取模块抓取行驶中的机动车的视频和/或二维图像;
步骤102:将所获取的二维图像传输到数据处理模块,在3D模型资料库中检索到对应模型,然后将二维图像与3D模型进行对比;
步骤103:通过分析二维图像与3D模型对比结果,筛选疑似进行违法改装的车辆信息;
步骤104:通知疑似违法改装车辆驾驶员或车主接受检查,检查人员对机动车进行现场检查,验证该机动车是否违法改装;
步骤105:根据验证结果,对确认为是违法改装的车辆进行处理,并将处理结果反馈至车辆处理模块。
7.根据权利要求6所述的方法,其特征在于:步骤101中所述二维图像获取包括对行驶中的机动车的外观进行拍摄和/或录像。
8.根据权利要求6或7所述的方法,其特征在于,在拍摄获取机动车照片后,计算上述机动车照片的特征向量;所述特征向量包括:
收集一定数量的数字化三维模型或数字化三维模型的二维图像;
构建深度神经网络形成分类器;
不断迭代,直至确认神经网络收敛到足够能区分目标物体时,从神经网络中选取一定的神经元作为信息特征描述符,即为所述特征向量。
9.根据权利要求6-8中任何一项所述的方法,其特征在于:步骤102中所述二维图像与3D模型对比的第一种方法包括以下步骤:
(1)初始化三维姿态,求解旋转矩阵和平移矩阵,以满足所述数字化三维模型和所述前景分割结果之间的映射关系;
(2)姿态优化,直到用于描述所述数字化三维模型的透视投影二维图像与所述待验证机动车前景分割结果的差异的目标函数值最小;
(3)计算所述数字化三维模型在最优姿态下所得透视投影二维图像与所述待验证机动车前景分割结果的匹配度。
10.根据权利要求6-8中任何一项所述的方法,其特征在于:步骤102中所述二维图像与3D模型对比的第二种方法包括以下步骤:
(1)利用计算机视觉技术对二维图像中所拍摄物体进行分类(classification),确定该物体所述类别,从三维数据库中调出该类别的所有3D模型进行比对;
(2)对于第(1)步中返回的每个三维模型,建立从3D模型上的关键点到二维图像关键点的对应关系,然后应用N点透视姿态(perspective N point,PNP)求解3D模型到二维图像的粗略投影关系;3D模型关键点位置已经存储在数据库中,二维图像的关键点可类似上面所述计算机视觉关键点检测(landmark detection)获得;
该投影关系把三维模型上的关键点重新投影到单张或多张二维图像上,并计算所投射关键点位置与二维图像上关键点的位置差距(reprojection error);当该误差大于某一个提前设定的阈值,说明二维照片与待验证的3D模型不匹配;反之,则进入下面第(3)步;
(3)将3D模型用第(2)步中估算出的投影关系形成一个二维图像P1,利用计算机视觉技术对二维图像进行前景分割,抽取该固体物的二维图像P2并定义一个能量函数E来描述P1和P2之间的差异;
(4)第(3)步中所述能量函数E是由3D到二维投影关系中的旋转和平移矩阵决定的,系统应用非线性优化的方法,迭代改变自变量旋转和平移矩阵,减小能量函数,即P1与P2差异;
(5)迭代优化进行直到满足终止条件;
(6)计算P1和P2的吻合度,当吻合度超过某一个提前设定的阈值,系统认为该物体与这个数据库中存储的三维模型匹配;否则认为该物体与这个三维模型不匹配,从数据库获取下一个三维模型重复第(2)-(6)步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910107986.5A CN111523352A (zh) | 2019-02-02 | 2019-02-02 | 一种智能化快速识别违法改装车的方法及其监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910107986.5A CN111523352A (zh) | 2019-02-02 | 2019-02-02 | 一种智能化快速识别违法改装车的方法及其监控系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111523352A true CN111523352A (zh) | 2020-08-11 |
Family
ID=71910250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910107986.5A Pending CN111523352A (zh) | 2019-02-02 | 2019-02-02 | 一种智能化快速识别违法改装车的方法及其监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523352A (zh) |
Cited By (7)
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 |
CN112149548A (zh) * | 2020-09-17 | 2020-12-29 | 宁夏宁电电力设计有限公司 | 一种适用于端子排的cad图纸智能录入和识别方法及其装置 |
CN112418100A (zh) * | 2020-11-24 | 2021-02-26 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像分类与图像对比的公路车辆异常检测方法 |
CN113053114A (zh) * | 2021-03-12 | 2021-06-29 | 广西计算中心有限责任公司 | 高速公路违规车辆出口站及出口时间的动态预测稽查方法 |
CN114611203A (zh) * | 2020-12-03 | 2022-06-10 | 李尔公司 | 车辆系统 |
CN115762173A (zh) * | 2022-11-03 | 2023-03-07 | 湖北九州数字科技有限公司 | 基于三维道路地图的交通违法行为监控方法及装置 |
CN117690331A (zh) * | 2024-02-04 | 2024-03-12 | 西南医科大学附属医院 | 一种前列腺穿刺手术训练系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100223163A1 (en) * | 2009-03-02 | 2010-09-02 | The Boeing Company | Populating Fleet Maintenance Data Using 2D Feature Recognition |
CN102708385A (zh) * | 2012-04-06 | 2012-10-03 | 张丛喆 | 用于视频监控场景的三维车型比对识别的方法和系统 |
CN103353943A (zh) * | 2013-03-26 | 2013-10-16 | 支录奎 | 电子识别车辆身份信息的手持查验仪 |
CN103927879A (zh) * | 2014-04-17 | 2014-07-16 | 国通道路交通管理工程技术研究中心有限公司 | 一种监管重点运输车辆违法的系统及方法 |
WO2015039367A1 (zh) * | 2013-09-18 | 2015-03-26 | 林诗昊 | 一种机动车交通违法实时告知、确认的系统及方法 |
CN108898128A (zh) * | 2018-07-11 | 2018-11-27 | 宁波艾腾湃智能科技有限公司 | 一种通过照片匹配数字化三维模型的防伪方法及设备 |
-
2019
- 2019-02-02 CN CN201910107986.5A patent/CN111523352A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100223163A1 (en) * | 2009-03-02 | 2010-09-02 | The Boeing Company | Populating Fleet Maintenance Data Using 2D Feature Recognition |
CN102708385A (zh) * | 2012-04-06 | 2012-10-03 | 张丛喆 | 用于视频监控场景的三维车型比对识别的方法和系统 |
CN103353943A (zh) * | 2013-03-26 | 2013-10-16 | 支录奎 | 电子识别车辆身份信息的手持查验仪 |
WO2015039367A1 (zh) * | 2013-09-18 | 2015-03-26 | 林诗昊 | 一种机动车交通违法实时告知、确认的系统及方法 |
CN103927879A (zh) * | 2014-04-17 | 2014-07-16 | 国通道路交通管理工程技术研究中心有限公司 | 一种监管重点运输车辆违法的系统及方法 |
CN108898128A (zh) * | 2018-07-11 | 2018-11-27 | 宁波艾腾湃智能科技有限公司 | 一种通过照片匹配数字化三维模型的防伪方法及设备 |
Non-Patent Citations (1)
Title |
---|
PABLO F. ALCANTARILLA 等: "How to Localize Humanoids with a Single Camera?", 《AUTONOMOUS ROBOTS》, vol. 34, pages 47 - 71 * |
Cited By (11)
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 |
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 |
CN112149548A (zh) * | 2020-09-17 | 2020-12-29 | 宁夏宁电电力设计有限公司 | 一种适用于端子排的cad图纸智能录入和识别方法及其装置 |
CN112418100A (zh) * | 2020-11-24 | 2021-02-26 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像分类与图像对比的公路车辆异常检测方法 |
CN114611203A (zh) * | 2020-12-03 | 2022-06-10 | 李尔公司 | 车辆系统 |
CN113053114A (zh) * | 2021-03-12 | 2021-06-29 | 广西计算中心有限责任公司 | 高速公路违规车辆出口站及出口时间的动态预测稽查方法 |
CN113053114B (zh) * | 2021-03-12 | 2022-01-11 | 广西计算中心有限责任公司 | 高速公路违规车辆出口站及出口时间的动态预测稽查方法 |
CN115762173A (zh) * | 2022-11-03 | 2023-03-07 | 湖北九州数字科技有限公司 | 基于三维道路地图的交通违法行为监控方法及装置 |
CN115762173B (zh) * | 2022-11-03 | 2023-08-22 | 湖北九州数字科技有限公司 | 基于三维道路地图的交通违法行为监控方法及装置 |
CN117690331A (zh) * | 2024-02-04 | 2024-03-12 | 西南医科大学附属医院 | 一种前列腺穿刺手术训练系统及方法 |
CN117690331B (zh) * | 2024-02-04 | 2024-05-14 | 西南医科大学附属医院 | 一种前列腺穿刺手术训练系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523352A (zh) | 一种智能化快速识别违法改装车的方法及其监控系统 | |
Dhiman et al. | Pothole detection using computer vision and learning | |
US9552524B2 (en) | System and method for detecting seat belt violations from front view vehicle images | |
CN109816024B (zh) | 一种基于多尺度特征融合与dcnn的实时车标检测方法 | |
US8447139B2 (en) | Object recognition using Haar features and histograms of oriented gradients | |
CN110660222B (zh) | 一种智能环保道路黑烟车辆电子抓拍系统 | |
US20140028842A1 (en) | Calibration device and method for use in a surveillance system for event detection | |
US20150286884A1 (en) | Machine learning approach for detecting mobile phone usage by a driver | |
Derpanis et al. | Classification of traffic video based on a spatiotemporal orientation analysis | |
CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
WO2004042673A2 (en) | Automatic, real time and complete identification of vehicles | |
CN108323209B (zh) | 信息处理方法、系统、云处理设备以及计算机存储介质 | |
CN104778444A (zh) | 道路场景下车辆图像的表观特征分析方法 | |
CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
Gu et al. | Embedded and real-time vehicle detection system for challenging on-road scenes | |
Srivastava et al. | Video-based real-time surveillance of vehicles | |
Agarwal et al. | Vehicle Characteristic Recognition by Appearance: Computer Vision Methods for Vehicle Make, Color, and License Plate Classification | |
CN111241918B (zh) | 一种基于人脸识别的车用防跟踪方法及系统 | |
Jain et al. | Number plate detection using drone surveillance | |
CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN112492105B (zh) | 一种基于视频的车辆外观部件自助定损采集方法及系统 | |
CN117975383B (zh) | 一种基于多模态图像融合技术的车辆定位和识别方法 | |
Rafique et al. | Space invariant vehicle recognition for toll plaza monitoring and auditing system | |
CN115063594B (zh) | 一种基于自动驾驶的特征提取方法及装置 | |
Hu et al. | Vehicle detection in dark weather based on YOLO and MSRCR method |
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 |