CN111523385A - 一种基于帧差法的静止车辆检测方法及系统 - Google Patents

一种基于帧差法的静止车辆检测方法及系统 Download PDF

Info

Publication number
CN111523385A
CN111523385A CN202010202712.7A CN202010202712A CN111523385A CN 111523385 A CN111523385 A CN 111523385A CN 202010202712 A CN202010202712 A CN 202010202712A CN 111523385 A CN111523385 A CN 111523385A
Authority
CN
China
Prior art keywords
vehicle
frame
video
area
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
Application number
CN202010202712.7A
Other languages
English (en)
Other versions
CN111523385B (zh
Inventor
张志林
李虹波
张俊杰
杨灿
于海洋
任毅龙
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.)
Hefei Innovation Research Institute of Beihang University
Original Assignee
Hefei Innovation Research Institute of Beihang University
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 Hefei Innovation Research Institute of Beihang University filed Critical Hefei Innovation Research Institute of Beihang University
Priority to CN202010202712.7A priority Critical patent/CN111523385B/zh
Publication of CN111523385A publication Critical patent/CN111523385A/zh
Application granted granted Critical
Publication of CN111523385B publication Critical patent/CN111523385B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • 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

Abstract

本发明的一种基于帧差法的静止车辆检测方法及系统，可解决传统算法不能满足路况信息实时处理的要求，同时不能够检测静止车辆信息的技术问题。包括获取路况视频数据；采用传统帧差法，标识出运动车辆；依次对进入所划定的视频图像区域的车辆进行ID设置；车辆位置记录以一帧为时间间隔，记录并保存车辆在图像中的位置坐标；对车辆停留情况处理；最后通过对车辆完整轨迹坐标的计算分析车辆行为，得出该ID车辆的速度，行驶时间，行驶朝向是否停留和当前路段下车辆的个数。利用本发明可以将静止后的车辆信息与重新启动后车辆的信息进行匹配，即使是在车辆拥堵或者是红绿灯路口，利用本算法依然可以得到准确的路况信息，增加了传统帧差法的适用范围。

Description

一种基于帧差法的静止车辆检测方法及系统
技术领域
本发明涉及计算机视觉与数字图像处理技术领域，具体涉及一种基于帧差法的静止车辆检测方法及系统。
背景技术
随着我国经济日新月异的快速发展,人们的生活水平逐步提高，小轿车开始进入千家万户。导致机动车的数量快速增长，交通需求逐步加大，交通拥挤，路面车辆违规的问题也在日益增多。如何将交通路况数据快速有效地获取进行路况分析成为我们亟需解决的问题。
运动物体的目标追踪一直是智能视频监控领域的前沿方向，随着智慧交通的逐步深化，将有着非常广阔的应用前景。在图像处理领域，运动目标检测主要有背景差法、光流法、帧差法等。背景差法是利用背景图像的参数模型来近似背景图像的像素值，将背景图像的像素与当前图像帧的像素进行对比和插值运算，其中插值比较大的像素区域被判定为运动目标，插值比较小的被判定为背景区域。光流法是根据图像序列的时间和空间梯度来对运动场进行估算，通过这种估算进而对运动目标进行场景的检测和分割。由于涉及到大量的数学计算，因此耗时久，不能满足实时的要求。帧差法是将相邻的两帧图像作差值，通过阈值化处理提取图像中的运动区域。帧差法和背景差法类似，同样具有检测速度快、检测速度恒定的优点，但背景差分法不适用于交通拥堵的路况，因为这种场景下背景图像无法更新。另外背景差法和帧差法都对复杂场景敏感，如运动的人群、自行车、三轮车等都易被误判为车辆。传统的帧差法也无法检测静止的车辆，比如说路边停靠的车辆，拥堵或正在等待交通信号灯的车辆，另外对路面颜色相近的车辆也无法检测。因此，找到一种可以在车辆静止时,依然不会将跟踪目标丢失的算法具有非常重要的现实意义。
发明内容
本发明提出的一种基于帧差法的静止车辆检测方法及系统，可解决传统算法不能满足路况信息实时处理的要求，同时不能够检测静止车辆信息的技术问题。
为实现上述目的，本发明采用了以下技术方案：
一种基于帧差法的静止车辆检测方法，包括以下步骤：
包括以下步骤：
S100、获取路况视频数据；
S200、将视频进行分帧处理，在视频序列中将相邻时刻下的图像进行差分处理，标识出运动车辆；
S300、依次对进入所划定的视频图像区域的车辆分配一个ID进行唯一标识；
S400、以一帧为时间间隔，记录并保存车辆在图像中的位置坐标；
S500、若车辆ID消失在检测区域内则将之后在该区域启动的ID车辆的初始坐标进行匹配，得出停留车辆的完整轨迹；
S600、通过对车辆完整轨迹坐标的计算，得出该ID车辆的速度，行驶时间，行驶朝向是否停留和当前路段下车辆的个数。
进一步的，
S100、获取视频数据：使用无人机在指定路段进行拍摄，要求操作人员操纵无人机到指定高度，摄像头垂直拍摄路段，拍摄规定时间段。将视频数据存储到无人机的SD卡中。
S200、实现传统帧差法：首先划定感兴趣区域ROI，将无人机定点采集到的彩色路况视频，转化为灰度视频，然后将视频进行分帧处理，在视频序列中将相邻时刻下的图像进行差分处理。设置一个阈值T将差值二值化，通过膨胀和腐蚀提取出运动的部分,即车辆。最后对高亮部分绘制一个矩形，将矩形显示在原彩色图像中即可将运动的车辆实时标识出来。
S300、车辆ID的设置：当车辆进入所划定的视频图像区域的时候自动分配一个ID进行唯一标识。ID的分配标准以该区域检测到车辆运动的次序来命名。依次递增。
S400、车辆位置记录：以一帧为时间间隔，每跳转一帧记录当前ID所标识车辆在图像中的X坐标，Y坐标和当前帧下划定区域车辆的个数。将这些数据以ID，X坐标，Y坐标，车辆个数的格式写入到数据库中进行保存。
S500、车辆停留情况处理：当车辆在该区域停下，则帧差法无法实现跟踪的目的。当车辆重新启动的时候，本算法将重新检测到该车辆然后为其分配新的ID。此时只需要将此区域下ID车辆的最后一帧坐标与第一帧在该区域ID车辆的初始坐标进行匹配即可重新获得该车辆的完整轨迹坐标。如果获得多个ID车辆的坐标与其相等则取ID值相差最小的ID与其匹配。
S600、车辆行为分析：假设无人机定点拍摄视频画面与实际场景的比例为1:n。当前帧检测车辆矩形的几何中心为X1，Y1，其相邻帧的几何中心为X2，Y2。可以得到该车辆的实时速度大小为
Figure BDA0002419921310000031
米每秒。同时本发明算法可以通过比较该车辆X方向上的数值变化或者Y方向上的数值变化来判断车辆的行驶方向的变化。比如，有无逆向行驶，违规行驶等问题。
另一方面，本发明还公开一种基于帧差法的静止车辆检测系统，包括以下单元：
数据获取模块，用于获取路况视频数据；
车辆标识模块，用于将视频进行分帧处理，在视频序列中将相邻时刻下的图像进行差分处理，标识出运动车辆；
车辆ID标识模块，用于依次对进入所划定的视频图像区域的车辆分配一个ID进行唯一标识；
车辆位置保存模块，用于记录并保存车辆在图像中的位置坐标；
车辆ID匹配模块，用于若车辆ID消失在检测区域内则将之后在该区域启动的ID车辆的初始坐标进行匹配，得出停留车辆的完整轨迹；
车辆行为分析模块，用于通过对车辆完整轨迹坐标的计算，得出该ID车辆的速度，行驶时间，行驶朝向是否停留和当前路段下车辆的个数。
由上述技术方案可知，由于传统帧差法无法检测静止车辆导致信息丢失的技术问题，本发明的基于帧差法的静止车辆检测方法及系统即使车辆在行驶过程中有停靠，依然可以记录下其完整行驶轨迹。这样帧差法就可以适用于拥堵道路，红绿灯交叉口等监控路段，增大了传统帧差法的适用范围，具有更强的鲁棒性。
利用本发明可以将静止后的车辆信息与重新启动后车辆的信息进行匹配。即使是在车辆拥堵或者是红绿灯路口，利用本算法依然可以得到准确的路况信息，增加了传统帧差法的适用范围。
附图说明
图1是本发明的方法流程图；
图2是本发明方法原理图；
图3是本发明实施例数据示意图；
图4是本发明所提出的路段检测示意图；
图5是本发明实施例中公交车数据示意图；
图6是本发明实施例中公交车预备停靠示意图；
图7是本发明实施例中公交车重新启动示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
如图1所示，本实施例所述的基于帧差法的静止车辆检测方法，包括：
以下步骤：
S100、获取路况视频数据；
S200、将视频进行分帧处理，在视频序列中将相邻时刻下的图像进行差分处理，标识出运动车辆；
S300、依次对进入所划定的视频图像区域的车辆分配一个ID进行唯一标识；
S400、以一帧为时间间隔，记录并保存车辆在图像中的位置坐标；
S500、若车辆ID消失在检测区域内则将之后在该区域启动的ID车辆的初始坐标进行匹配，得出停留车辆的完整轨迹；
S600、通过对车辆完整轨迹坐标的计算，得出该ID车辆的速度，行驶时间，行驶朝向是否停留和当前路段下车辆的个数。
以下结合图2-图7具体举例说明：
(1)、获取视频数据：使用大疆无人机在合肥市新站区文忠路路段进行拍摄，操作人员操纵无人机到指定高度150米上空，摄像头垂直拍摄路段。保持无人机悬停，拍摄大约7分钟，将视频数据存储到无人机的SD卡中。
(2)、实现传统帧差法。具体做法如下：
首先在无人机俯拍获得的视频中划定感兴趣区域ROI，设置的位置需要包含路面。本实施例中划定视频左上角五分之一的位置为感兴趣区域ROI。当车辆进入该区域时开始进行检测，超出范围则抛弃，该车辆检测完毕。
接下来将无人机定点采集到的彩色路况视频，转化为灰度视频，具体公式如下：
Y＝0.21267*R+0.715160*G+0.072169*B。
然后将视频进行分帧处理，本实施例中将一秒钟的视频分为五帧，即每一帧的时间间隔为0.2秒。在视频序列中取t时刻下的图像f(x，y，t)和相邻的f(x，y，t+0.2)时刻下的图像进行差分处理。
D(x，y)＝f(x，y，t+0.2)-f(x，y，t)
其中x，y为像素位置，t为时间，t的取值范围为从第一帧开始一直遍历到最后一帧。
设置一个阈值T将差值二值化:
Figure BDA0002419921310000051
得到一个完全的非黑即白的图像，但由于每一帧中有重叠的部分造成各个高亮的部分有间隙，则需要一些图像形态学上的处理。
通过膨胀可以将图像邻域扩张，将高亮部分内部即车辆的内部的间隙填充完整。通过腐蚀将图像中各个高亮部分的边缘勾勒出来，使其不会与其它高亮部分即车与车之间连接成一个整体。提取出运动的部分,即车辆。
最后对高亮部分绘制一个矩形，将矩形显示在原彩色图像中即可将运动的车辆实时标识出来，如实施例中附图4所示。
(3)、当车辆进入所划定的视频图像区域的时候自动分配一个ID进行唯一标识，此ID只要该车辆在当前区域没有停止运动即能够持续检测到，一直伴随着该车辆到离开该区域。ID的分配标准以该区域检测到运动车辆的次序来命名，即第一辆进入该区域的车分配的ID为001，第二辆车分配的ID为002，以此类推。
(4)、以一帧为时间间隔，本算法设置的时间间隔为0.2秒，每跳转一帧记录当前ID所标识车辆在图像中的X坐标，Y坐标和当前帧下划定区域车辆的个数。将这些数据以ID，X坐标，Y坐标，车辆个数的格式写入到数据库中进行保存，如实施例中附图3中样式所示。数据库主键P以自增长的方式生成，视频的长度可以表示为P与0.2的乘积。假设某辆车在该区域第一次出现时主键为P1，最后一次出现主键为Pn，则该车辆在该区域的行驶时间可以表示为(Pn-P1)*0.2秒。
(5)、假设无人机定点拍摄视频画面与实际场景的比例为1:n。当前帧检测车辆矩形的几何中心为X1，Y1，其相邻帧的几何中心为X2，Y2。可以得到该车辆的实时速度大小为
Figure BDA0002419921310000061
米每秒。同时本发明算法可以通过比较该车辆X方向上的数值变化或者Y方向上的数值变化来判断车辆的行驶方向的变化。比如，有无逆向行驶，违规行驶等问题。
(6)、当车辆在该区域停下，则帧差法无法实现跟踪的目的。当车辆重新启动的时候，该算法将重新检测到该车辆然后为其分配新的ID。此时只需要将最后一帧在此区域下ID车辆的坐标与第一帧在该区域ID车辆的初始坐标进行匹配即可重新获得该车辆的完整轨迹坐标。如果获得多个ID车辆的坐标与其相等则取ID值相差最小的ID与其匹配。假设标识为ID1的车辆在当前区域停下的最后一帧的主键为P1，匹配成功的标志为ID2的车辆在当前区域下启动的第一帧的主键为P2。可以得到该车辆在该区域停留的时间为(P2-P1)*0.2秒。
(7)、通过本算法，可以得到一个特定ID车辆的在此目标区域下的位置信息，即坐标信息。可以分析出该ID车辆的速度，行驶时间，行驶朝向和当前路段车辆的个数。由此可以得出该检测路段车辆的拥堵状况和车辆行为分析数据。
在本实施例中，拍摄高度为150m，单位像素代表的实际距离大约为0.13m。
图6和图7为一辆公交车在行驶过程中遇到停靠站，预备停靠和重新启动时的路面情形。图5为这一情形的记录数据，如图中灰度部分所示，由于车辆在停靠和启动过程中，车速变化无常，所以检测到ID为97、98、99、100和101这五辆车。通过比较发现这五辆车X和Y坐标都位于检测区域，且X坐标相差无几，Y坐标成规律递减。由此可知这五辆车的行驶轨迹为一辆车即公交车的行驶轨迹。从数据分析中得出的结论与实际场景吻合，说明本发明提出的检测算法具有很好的预测效果。
另一方面，本发明实施例还公开一种基于帧差法的静止车辆检测系统，包括以下单元：
数据获取模块，用于获取路况视频数据；
车辆标识模块，用于将视频进行分帧处理，在视频序列中将相邻时刻下的图像进行差分处理，标识出运动车辆；
车辆ID标识模块，用于依次对进入所划定的视频图像区域的车辆分配一个ID进行唯一标识；
车辆位置保存模块，用于记录并保存车辆在图像中的位置坐标；
车辆ID匹配模块，用于若车辆ID消失在检测区域内则将之后在该区域启动的ID车辆的初始坐标进行匹配，得出停留车辆的完整轨迹；
车辆行为分析模块，用于通过对车辆完整轨迹坐标的计算，得出该ID车辆的速度，行驶时间，行驶朝向是否停留和当前路段下车辆的个数。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于帧差法的静止车辆检测方法，其特征在于：
包括以下步骤：
S100、获取路况视频数据；
S200、将视频进行分帧处理，在视频序列中将相邻时刻下的图像进行差分处理，标识出运动车辆；
S300、依次对进入所划定的视频图像区域的车辆分配一个ID进行唯一标识；
S400、以一帧为时间间隔，记录并保存车辆在图像中的位置坐标；
S500、若车辆ID消失在检测区域内则将之后在该区域启动的ID车辆的初始坐标进行匹配，得出停留车辆的完整轨迹；
S600、通过对车辆完整轨迹坐标的计算，得出该ID车辆的速度，行驶时间，行驶朝向是否停留和当前路段下车辆的个数。
2.根据权利要求1所述的基于帧差法的静止车辆检测方法，其特征在于：所述S100、获取路况视频数据；
具体包括：
使用无人机在指定路段进行拍摄，并将视频数据存储到无人机的SD卡中。
3.根据权利要求2所述的基于帧差法的静止车辆检测方法，其特征在于：所述S200、将视频进行分帧处理，在视频序列中将相邻时刻下的图像进行差分处理，标识出运动车辆；
具体包括：
首先划定感兴趣区域ROI，将无人机定点采集到的彩色路况视频，转化为灰度视频，然后将视频进行分帧处理，在视频序列中将相邻时刻下的图像进行差分处理；
设置一个阈值T将差值二值化，通过膨胀和腐蚀提取出运动的部分即车辆；
最后对高亮部分绘制一个矩形，将矩形显示在原彩色图像中即可将运动的车辆实时标识出来。
4.根据权利要求3所述的基于帧差法的静止车辆检测方法，其特征在于：所述S300、依次对进入所划定的视频图像区域的车辆分配一个ID进行唯一标识；
具体为：当车辆进入所划定的视频图像区域的时候自动分配一个ID进行唯一标识，此ID只要该车辆在当前区域没有停止运动就能够持续检测到，一直伴随着该车辆到离开该区域。
5.根据权利要求4所述的基于帧差法的静止车辆检测方法，其特征在于：所述S400、以一帧为时间间隔，记录并保存车辆在图像中的位置坐标；
具体包括：
所述时间间隔为0.2秒，每跳转一帧记录当前ID所标识车辆在图像中的X坐标，Y坐标和当前帧下划定区域车辆的个数，并以ID，X坐标，Y坐标，车辆个数的格式写入数据库中进行保存。
6.根据权利要求5所述的基于帧差法的静止车辆检测方法，其特征在于：
所述S500、若车辆ID消失在检测区域内则将之后在该区域启动的ID车辆的初始坐标进行匹配，得出停留车辆的完整轨迹；
具体包括：
当车辆在该区域停下，当车辆重新启动的时候，将重新检测到该车辆然后为其分配新的ID；
将此区域下ID车辆的最后一帧坐标与第一帧在该区域ID车辆的初始坐标进行匹配即可重新获得该车辆的完整轨迹坐标；
如果获得多个ID车辆的坐标与其相等则取ID值相差最小的ID与其匹配。
7.根据权利要求6所述的基于帧差法的静止车辆检测方法，其特征在于：
所述S600、通过对车辆完整轨迹坐标的计算，得出该ID车辆的速度，行驶时间，行驶朝向是否停留和当前路段下车辆的个数；
具体包括：
假设无人机定点拍摄视频画面与实际场景的比例为1:n；
当前帧检测车辆矩形的几何中心为X1，Y1，其相邻帧的几何中心为X2，Y2；
则得到该车辆的实时速度大小为
Figure FDA0002419921300000021
米每秒；
通过比较该车辆X方向上的数值变化或者Y方向上的数值变化来判断车辆的行驶方向的变化。
8.一种基于帧差法的静止车辆检测系统，其特征在于：
包括以下单元：
数据获取模块，用于获取路况视频数据；
车辆标识模块，用于将视频进行分帧处理，在视频序列中将相邻时刻下的图像进行差分处理，标识出运动车辆；
车辆ID标识模块，用于依次对进入所划定的视频图像区域的车辆分配一个ID进行唯一标识；
车辆位置保存模块，用于记录并保存车辆在图像中的位置坐标；
车辆ID匹配模块，用于若车辆ID消失在检测区域内则将之后在该区域启动的ID车辆的初始坐标进行匹配，得出停留车辆的完整轨迹；
车辆行为分析模块，用于通过对车辆完整轨迹坐标的计算，得出该ID车辆的速度，行驶时间，行驶朝向是否停留和当前路段下车辆的个数。
CN202010202712.7A 2020-03-20 2020-03-20 一种基于帧差法的静止车辆检测方法及系统 Active CN111523385B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010202712.7A CN111523385B (zh) 2020-03-20 2020-03-20 一种基于帧差法的静止车辆检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010202712.7A CN111523385B (zh) 2020-03-20 2020-03-20 一种基于帧差法的静止车辆检测方法及系统

Publications (2)

Publication Number Publication Date
CN111523385A true CN111523385A (zh) 2020-08-11
CN111523385B CN111523385B (zh) 2022-11-04

Family

ID=71910507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010202712.7A Active CN111523385B (zh) 2020-03-20 2020-03-20 一种基于帧差法的静止车辆检测方法及系统

Country Status (1)

Country Link
CN (1) CN111523385B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112735163A (zh) * 2020-12-25 2021-04-30 北京百度网讯科技有限公司 确定目标物体静止状态的方法、路侧设备、云控平台
CN114529875A (zh) * 2022-04-24 2022-05-24 浙江这里飞科技有限公司 一种违停车辆的检测方法、装置、电子设备及存储介质
CN114648504A (zh) * 2022-03-17 2022-06-21 小米汽车科技有限公司 自动驾驶方法、装置、电子设备和存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080129548A1 (en) * 2000-08-10 2008-06-05 Firestone Paul A System and method for identifying vehicles and collecting fees for vehicle uses of land-ways, sea-ways and air-ways
CN102222346A (zh) * 2011-05-23 2011-10-19 北京云加速信息技术有限公司 一种车辆检测和跟踪方法
CN102496281A (zh) * 2011-12-16 2012-06-13 湖南工业大学 一种基于跟踪与虚拟线圈结合的车辆闯红灯检测方法
CN103258425A (zh) * 2013-01-29 2013-08-21 中山大学 一种交叉口车辆排队长度检测方法
CN103425764A (zh) * 2013-07-30 2013-12-04 广东工业大学 一种基于视频的车辆匹配方法
CN103617632A (zh) * 2013-11-19 2014-03-05 浙江工业大学 一种结合相邻帧差法和混合高斯模型的运动目标检测方法
CN104658249A (zh) * 2013-11-22 2015-05-27 上海宝康电子控制工程有限公司 基于帧差和光流实现车辆快速检测的方法
CN106127143A (zh) * 2016-06-23 2016-11-16 昆明理工大学 一种高速公路违章停车检测方法
CN106446824A (zh) * 2016-09-21 2017-02-22 防城港市港口区思达电子科技有限公司 一种车辆检测和跟踪方法
CN106652465A (zh) * 2016-11-15 2017-05-10 成都通甲优博科技有限责任公司 一种道路异常驾驶行为的识别方法及系统
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
CN108305466A (zh) * 2018-03-13 2018-07-20 北京智芯原动科技有限公司 基于车辆特征分析的路侧停车检测方法及装置
CN109684996A (zh) * 2018-12-22 2019-04-26 北京工业大学 基于视频的实时车辆进出识别方法
CN110335467A (zh) * 2019-07-24 2019-10-15 山东交通学院 一种利用计算机视觉实现高速公路车辆行为检测的方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080129548A1 (en) * 2000-08-10 2008-06-05 Firestone Paul A System and method for identifying vehicles and collecting fees for vehicle uses of land-ways, sea-ways and air-ways
CN102222346A (zh) * 2011-05-23 2011-10-19 北京云加速信息技术有限公司 一种车辆检测和跟踪方法
CN102496281A (zh) * 2011-12-16 2012-06-13 湖南工业大学 一种基于跟踪与虚拟线圈结合的车辆闯红灯检测方法
CN103258425A (zh) * 2013-01-29 2013-08-21 中山大学 一种交叉口车辆排队长度检测方法
CN103425764A (zh) * 2013-07-30 2013-12-04 广东工业大学 一种基于视频的车辆匹配方法
CN103617632A (zh) * 2013-11-19 2014-03-05 浙江工业大学 一种结合相邻帧差法和混合高斯模型的运动目标检测方法
CN104658249A (zh) * 2013-11-22 2015-05-27 上海宝康电子控制工程有限公司 基于帧差和光流实现车辆快速检测的方法
CN106127143A (zh) * 2016-06-23 2016-11-16 昆明理工大学 一种高速公路违章停车检测方法
CN106446824A (zh) * 2016-09-21 2017-02-22 防城港市港口区思达电子科技有限公司 一种车辆检测和跟踪方法
CN106652465A (zh) * 2016-11-15 2017-05-10 成都通甲优博科技有限责任公司 一种道路异常驾驶行为的识别方法及系统
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
CN108305466A (zh) * 2018-03-13 2018-07-20 北京智芯原动科技有限公司 基于车辆特征分析的路侧停车检测方法及装置
CN109684996A (zh) * 2018-12-22 2019-04-26 北京工业大学 基于视频的实时车辆进出识别方法
CN110335467A (zh) * 2019-07-24 2019-10-15 山东交通学院 一种利用计算机视觉实现高速公路车辆行为检测的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
P GOYAL 等: "Security System for Vehicle using Number Plate Detection and RFID", 《INTERNATIONAL JOURNAL OF COMPUTER APPLICATIONS》 *
姚明明: "高速公路隧道停车检测中的车辆跟踪及状态识别方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
牟蕾: "面向监控视频的停车检测算法研究", 《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》 *
陈向东 等: "基于色彩特征的CAMSHIFT视频图像汽车流量检测", 《沈阳工业大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112735163A (zh) * 2020-12-25 2021-04-30 北京百度网讯科技有限公司 确定目标物体静止状态的方法、路侧设备、云控平台
CN112735163B (zh) * 2020-12-25 2022-08-02 阿波罗智联(北京)科技有限公司 确定目标物体静止状态的方法、路侧设备、云控平台
CN114648504A (zh) * 2022-03-17 2022-06-21 小米汽车科技有限公司 自动驾驶方法、装置、电子设备和存储介质
CN114648504B (zh) * 2022-03-17 2022-12-02 小米汽车科技有限公司 自动驾驶方法、装置、电子设备和存储介质
CN114529875A (zh) * 2022-04-24 2022-05-24 浙江这里飞科技有限公司 一种违停车辆的检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111523385B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN108320510B (zh) 一种基于无人机航拍视频交通信息统计方法及系统
CN111523385B (zh) 一种基于帧差法的静止车辆检测方法及系统
Yamaguchi et al. Vehicle ego-motion estimation and moving object detection using a monocular camera
Zhu et al. VISATRAM: A real-time vision system for automatic traffic monitoring
CN102044151B (zh) 基于光照可见度辨识的夜间车辆视频检测方法
CN110619279B (zh) 一种基于跟踪的路面交通标志实例分割方法
CN111753797B (zh) 一种基于视频分析的车辆测速方法
CN102496281B (zh) 一种基于跟踪与虚拟线圈结合的车辆闯红灯检测方法
CN110379168B (zh) 一种基于Mask R-CNN的交通车辆信息获取方法
CN104134222A (zh) 基于多特征融合的车流监控图像检测和跟踪系统及方法
KR20100126262A (ko) 비디오 데이터의 처리 방법 및 시스템
CN115935000B (zh) 一种物联网数据智能存储方法及系统
CN114898296A (zh) 基于毫米波雷达与视觉融合的公交车道占用检测方法
JP2011096048A (ja) 運転解析システムおよび運転記録装置
CN112132071A (zh) 识别交通拥堵的处理方法、装置、设备及存储介质
JP2015090679A (ja) 車両軌跡抽出方法、車両領域抽出方法、車両速度推定方法、車両軌跡抽出プログラム、車両領域抽出プログラム、車両速度推定プログラム、車両軌跡抽出システム、車両領域抽出システム、及び、車両速度推定システム
Pflugfelder et al. On learning vehicle detection in satellite video
CN103077387A (zh) 视频中货运列车车厢自动检测方法
CN107506753B (zh) 一种面向动态视频监控的多车辆跟踪方法
Gloudemans et al. The interstate-24 3d dataset: a new benchmark for 3d multi-camera vehicle tracking
CN114694095A (zh) 确定车辆进出泊位的方法、装置、设备和存储介质
Kristoffersen et al. Towards semantic understanding of surrounding vehicular maneuvers: A panoramic vision-based framework for real-world highway studies
Munajat et al. Vehicle detection and tracking based on corner and lines adjacent detection features
JP3879874B2 (ja) 物流計測装置
CN108154687B (zh) 一种基于车灯的夜间车流量检测方法、装置及系统

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