CN111860320A - 一种多监控点联动的车辆状态持续分析方法 - Google Patents
一种多监控点联动的车辆状态持续分析方法 Download PDFInfo
- Publication number
- CN111860320A CN111860320A CN202010700602.3A CN202010700602A CN111860320A CN 111860320 A CN111860320 A CN 111860320A CN 202010700602 A CN202010700602 A CN 202010700602A CN 111860320 A CN111860320 A CN 111860320A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- vehicle
- target vehicle
- target
- tracking
- 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
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06V20/50—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
- 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)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种多监控点联动的车辆状态持续分析方法;包括:步骤1,目标车辆检测;步骤2,多监控点的目标车辆跟踪;步骤3,车辆连续轨迹生成。本发明针对现有交通网络无法对整体道路场景内的警情事件实现监测的问题,本发明提出了一种多监控点联动的车辆状态持续分析技术,对视频监测、雷达测速、卡口通过记录等数据重构其多层次表征空间,并对各层次信息进行融合,形成车辆连续轨迹和运行状态的统一表征空间,实现对监控目标车辆持续状态的连续分析,准确识别异常行为,支持道路场景以及城市路网大场景中多类警情事件的快速和有效监测预警。
Description
技术领域
本发明属于电子信息技术领域;尤其涉及一种多监控点联动的车辆状态持续分析方法。
背景技术
视频监控是警情管理的一种重要手段,已经得到大范围的使用和普及,无论从硬件设备的模拟像机到现在的高清网络摄像机,还是软件上的各种智能分析和联动,视频监视技术一直都得到高度的关注和快速的发展。
突破传统视频监控系统中,各个分镜头中孤立进行智能分析,无法对整条道路场景内的警情事件监测的局限,实现基于GIS地理信息数据构建城市路网的时空数据体系,从时间、空间、目标三个维度对各类监控点获取的数据进行重构,对视频监测、雷达测速、卡口通过记录等数据重构其多层次表征空间,并对各层次信息进行融合,以车辆恶意冲撞、重点路段车辆异常停靠、群体性飙车、车辆异常聚集等警情事件的因果特征为主要知识驱动,研究多个监控点时空数据的智能融合与自我关联方法,实现对监控目标车辆持续状态的连续分析。
现有技术中,无法对整体道路场景内的警情事件实现监测,单个监控点的视场角有限,车辆状态只在当前监控范围场景内有效,当目标车辆移动出该监控点监控范围后,目标车辆将会丢失,这种情况对于警情不能很好地提供全局态势,无法做到整条道路所有监控摄像机的联动功能,在实际应用中的作用并不大。为了准确分析警情事件,需要对多监控点进行联动,分析车辆轨迹状态。
发明内容
本发明的目的是提供了一种多监控点联动的车辆状态持续分析方法。
第一方面,本发明是通过以下技术方案实现的:
本发明涉及一种多监控点联动的车辆状态持续分析方法,所述方法包括如下步骤:
步骤1,目标车辆检测:采用目标检测算法——SSD网络检测方法检测监控视频中的目标车辆;
步骤2,多监控点的目标车辆跟踪:构建目标车辆跟踪模型,实现多监控点下车辆状态的连续分析;
步骤3,车辆连续轨迹生成:调取整条道路的监控点视频,使用目标车辆检测和多监控点目标车辆跟踪方法,识别出多个监控点中的目标车辆,确定不同时间下目标车辆的位置,绘制出车辆的连续轨迹;便于交警判断车辆恶意冲撞、重点路段车辆异常停靠、群体性飙车、车辆异常聚集等警情事件。
优选地,步骤1中,所述目标车辆检测的具体步骤为:
首先,提取出监控视频中每一帧的图片,将图片构成数据集,对图像标签化处理,选取适合检测目标车辆的特征组合,对模型进行训练,生成SSD目标车辆检测模型;
然后,使用训练好的检测模型对需要监测的监控视频中的每一帧图片进行检测,将每一帧图片中出现的所有车辆进行标记,定位出这些车辆的位置,通过车辆的位置信息实现后续多监控点联动的车辆状态连续分析工作。该方法便于消除图片中车辆以外的其他事物的影响,提高了目标车辆检测的准确度。
优选地,步骤2中,所述多监控点的目标车辆跟踪的具体步骤为:在目标车辆检测的基础上,提取出目标车辆的颜色特征、SURF特征,使用基于车辆的颜色特征与SURF特征和全卷积孪生网络跟踪算法相结合的方法,利用已经检测到的目标车辆图像对需要跟踪的多个监控点拍摄的视频进行分析,搜寻到目标车辆图像,实现多监控点联动下的车辆跟踪。
本发明基于GIS地理信息数据构建城市路网的时空数据体系,从时间、空间、目标三个维度对各类监控点获取的数据进行重构,以车辆超速、滞留、碰撞等事件的因果特征为主要知识驱动,对多个监控点时空数据进行智能融合与自我关联,构建目标跟踪模型,通过对获取数据的转换和计算分析,最终实现车辆轨迹和状态的连续分析。
本发明的方法有以下优点:
针对现有交通网络无法对整体道路场景内的警情事件实现监测的问题,本发明提出了一种多监控点联动的车辆状态持续分析技术,对视频监测、雷达测速、卡口通过记录等数据重构其多层次表征空间,并对各层次信息进行融合,形成车辆连续轨迹和运行状态的统一表征空间,实现对监控目标车辆持续状态的连续分析,准确识别异常行为,支持道路场景以及城市路网大场景中多类警情事件的快速和有效监测预警。
附图说明
图1是本发明所涉及的多监控点联动的车辆状态持续分析方法的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。应当指出的是,以下的实施实例只是对本发明的进一步说明,但本发明的保护范围并不限于以下实施例。
实施例
本实施例涉及一种多监控点联动的车辆状态持续分析方法,其流程见附图1所示:所述方法包括如下步骤:
步骤1,目标车辆检测:采用目标检测算法——SSD网络检测方法检测监控视频中的目标车辆;
步骤2,多监控点的目标车辆跟踪:构建目标车辆跟踪模型,实现多监控点下车辆状态的连续分析;
步骤3,车辆连续轨迹生成:调取整条道路的监控点视频,使用目标车辆检测和多监控点目标车辆跟踪方法,识别出多个监控点中的目标车辆,确定不同时间下目标车辆的位置,绘制出车辆的连续轨迹;便于交警判断车辆恶意冲撞、重点路段车辆异常停靠、群体性飙车、车辆异常聚集等警情事件。
步骤1中,所述目标车辆检测的具体步骤为:
首先,提取出监控视频中每一帧的图片,将图片构成数据集,对图像标签化处理,选取适合检测目标车辆的特征组合,对模型进行训练,生成SSD目标车辆检测模型;
然后,使用训练好的检测模型对需要监测的监控视频中的每一帧图片进行检测,将每一帧图片中出现的所有车辆进行标记,定位出这些车辆的位置,通过车辆的位置信息实现后续多监控点联动的车辆状态连续分析工作。该方法便于消除图片中车辆以外的其他事物的影响,提高了目标车辆检测的准确度。
步骤2中,所述多监控点的目标车辆跟踪的具体步骤为:在目标车辆检测的基础上,提取出目标车辆的颜色特征、SURF特征,使用基于车辆的颜色特征与SURF特征和全卷积孪生网络跟踪算法相结合的方法,利用已经检测到的目标车辆图像对需要跟踪的多个监控点拍摄的视频进行分析,搜寻到目标车辆图像,实现多监控点联动下的车辆跟踪。
本发明基于GIS地理信息数据构建城市路网的时空数据体系,从时间、空间、目标三个维度对各类监控点获取的数据进行重构,以车辆超速、滞留、碰撞等事件的因果特征为主要知识驱动,对多个监控点时空数据进行智能融合与自我关联,构建目标跟踪模型,通过对获取数据的转换和计算分析,最终实现车辆轨迹和状态的连续分析。
本发明的方法有以下优点:针对现有交通网络无法对整体道路场景内的警情事件实现监测的问题,本发明提出了一种多监控点联动的车辆状态持续分析技术,对视频监测、雷达测速、卡口通过记录等数据重构其多层次表征空间,并对各层次信息进行融合,形成车辆连续轨迹和运行状态的统一表征空间,实现对监控目标车辆持续状态的连续分析,准确识别异常行为,支持道路场景以及城市路网大场景中多类警情事件的快速和有效监测预警。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质。
Claims (3)
1.一种多监控点联动的车辆状态持续分析方法,其特征在于,所述方法包括如下步骤:
步骤1,目标车辆检测:采用目标检测算法——SSD网络检测方法检测监控视频中的目标车辆;
步骤2,多监控点的目标车辆跟踪:构建目标车辆跟踪模型,实现多监控点下车辆状态的连续分析;
步骤3,车辆连续轨迹生成:调取整条道路的监控点视频,使用目标车辆检测和多监控点目标车辆跟踪方法,识别出多个监控点中的目标车辆,确定不同时间下目标车辆的位置,绘制出车辆的连续轨迹。
2.如权利要求1所述的多监控点联动的车辆状态持续分析方法,其特征在于,步骤1中,所述目标车辆检测的具体步骤为:
首先,提取出监控视频中每一帧的图片,将图片构成数据集,对图像标签化处理,选取适合检测目标车辆的特征组合,对模型进行训练,生成SSD目标车辆检测模型;
然后,使用训练好的检测模型对需要监测的监控视频中的每一帧图片进行检测,将每一帧图片中出现的所有车辆进行标记,定位出这些车辆的位置,通过车辆的位置信息实现后续多监控点联动的车辆状态连续分析工作。
3.如权利要求1所述的多监控点联动的车辆状态持续分析方法,其特征在于,步骤2中,所述多监控点的目标车辆跟踪的具体步骤为:在目标车辆检测的基础上,提取出目标车辆的颜色特征、SURF特征,使用基于车辆的颜色特征与SURF特征和全卷积孪生网络跟踪算法相结合的方法,利用已经检测到的目标车辆图像对需要跟踪的多个监控点拍摄的视频进行分析,搜寻到目标车辆图像,实现多监控点联动下的车辆跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010700602.3A CN111860320A (zh) | 2020-07-20 | 2020-07-20 | 一种多监控点联动的车辆状态持续分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010700602.3A CN111860320A (zh) | 2020-07-20 | 2020-07-20 | 一种多监控点联动的车辆状态持续分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860320A true CN111860320A (zh) | 2020-10-30 |
Family
ID=73001828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010700602.3A Pending CN111860320A (zh) | 2020-07-20 | 2020-07-20 | 一种多监控点联动的车辆状态持续分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860320A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229434A (zh) * | 2018-02-01 | 2018-06-29 | 福州大学 | 一种车辆识别与细致重构的方法 |
CN110472496A (zh) * | 2019-07-08 | 2019-11-19 | 长安大学 | 一种基于目标检测与跟踪的交通视频智能分析方法 |
CN110766720A (zh) * | 2019-09-23 | 2020-02-07 | 盐城吉大智能终端产业研究院有限公司 | 一种基于深度学习的多摄像头车辆跟踪系统 |
-
2020
- 2020-07-20 CN CN202010700602.3A patent/CN111860320A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229434A (zh) * | 2018-02-01 | 2018-06-29 | 福州大学 | 一种车辆识别与细致重构的方法 |
CN110472496A (zh) * | 2019-07-08 | 2019-11-19 | 长安大学 | 一种基于目标检测与跟踪的交通视频智能分析方法 |
CN110766720A (zh) * | 2019-09-23 | 2020-02-07 | 盐城吉大智能终端产业研究院有限公司 | 一种基于深度学习的多摄像头车辆跟踪系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109887281B (zh) | 一种监控交通事件的方法及系统 | |
US11836985B2 (en) | Identifying suspicious entities using autonomous vehicles | |
CN112069969B (zh) | 一种高速公路监控视频跨镜车辆跟踪方法及系统 | |
Xu et al. | Dual-mode vehicle motion pattern learning for high performance road traffic anomaly detection | |
CN107885795B (zh) | 一种卡口数据的数据校验方法、系统和装置 | |
CN106097480A (zh) | 车辆行驶数据记录系统 | |
Chang et al. | Video analytics in smart transportation for the AIC'18 challenge | |
CN103177436B (zh) | 物件追踪的方法、系统 | |
CN106326240A (zh) | 一种物体移动轨迹识别方法及系统 | |
CN114821421A (zh) | 一种交通异常行为检测方法与系统 | |
CN114067270B (zh) | 一种车辆追踪方法和装置、计算机设备及存储介质 | |
CN109766867A (zh) | 车辆运行状态确定方法、装置、计算机设备和存储介质 | |
Wang et al. | Realtime wide-area vehicle trajectory tracking using millimeter-wave radar sensors and the open TJRD TS dataset | |
CN111899521A (zh) | 一种高速公路的车辆违规行为检测方法 | |
Lin et al. | Moving camera analytics: Emerging scenarios, challenges, and applications | |
CN111860320A (zh) | 一种多监控点联动的车辆状态持续分析方法 | |
CN116645817A (zh) | 一种违章车辆跟踪方法、系统、电子设备及存储介质 | |
Das et al. | Why slammed the brakes on? auto-annotating driving behaviors from adaptive causal modeling | |
CN113689705B (zh) | 车辆闯红灯检测方法、装置、计算机设备和存储介质 | |
CN110021174A (zh) | 一种基于视频图像的适用多场景的车流量计算方法 | |
Tsai et al. | Multi-lane detection and road traffic congestion classification for intelligent transportation system | |
Špaňhel et al. | Detection of traffic violations of road users based on convolutional neural networks | |
Al-Kadi et al. | Road scene analysis for determination of road traffic density | |
Seidenari et al. | Non-parametric anomaly detection exploiting space-time features | |
Kadim et al. | Real-time vehicle counting in complex scene for traffic flow estimation using multi-level convolutional neural network |
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 |