CN111898485A - 一种停车位车辆检测处理方法及装置 - Google Patents
一种停车位车辆检测处理方法及装置 Download PDFInfo
- Publication number
- CN111898485A CN111898485A CN202010676568.0A CN202010676568A CN111898485A CN 111898485 A CN111898485 A CN 111898485A CN 202010676568 A CN202010676568 A CN 202010676568A CN 111898485 A CN111898485 A CN 111898485A
- Authority
- CN
- China
- Prior art keywords
- target
- vehicle
- detection
- license plate
- frame
- 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/223—Analysis of motion using block-matching
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- 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
- G06V2201/07—Target detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种停车位车辆检测处理方法及装置,其中,该方法包括:对从监控视频中以预定帧率抽取的图像流进行目标检测,得到目标检测框与目标置信度;根据所述目标检测框对与所述目标置信度对所述图像流进行目标跟踪,得到目标跟踪结果;对所述目标跟踪结果中的车牌检测框进行车牌识别,得到所述目标车辆的车牌号码,并将所述车牌号码与所述目标跟踪结果进行绑定,得到绑定结果;根据所述绑定结果确定车辆检测结果,可以解决相关技术中通过物理操作对停车位车辆进行监控,当车辆未缴费时,无法追踪车辆信息的问题。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种停车位车辆检测处理方法及装置。
背景技术
随着社会的发展,汽车已经成为人类的主要交通工具,为人们的出行带来了方便。但是,大量的汽车也造成了交通的拥堵。为了方便对车辆进行管理,公共区域通常在道路旁设置了停车位,或者建筑了停车场,并根据各自的情况规定了停车位的收费标准。对于停车场,可以在进出口完成对车辆的收费,管理方便。但是,对于道路旁的停车位,需要安排管理人员进行人工监控和收费。这种人工监控的方式需要耗费大量人力,并且无法24小时保证工作效率。因此,为这类停车位提供自动化的监控方法,可以提高公共区域车辆管理质量和效率。
相关技术中提出一种路边自动识别收费停车位,在路基上开设凹坑,凹坑内设置有与之相匹配的密封隔板,密封隔板下方设置有丝杆步进电机、竖直推杆、控制模块和电源。其中,推杆能够控制停车位边缘的挡板,挡板上安置二维码。对停车位车辆的监控是通过物理操作完成,当车辆未缴费时,无法追踪车辆信息。
发明内容
本发明实施例提供了一种停车位车辆检测处理方法及装置,以至少解决相关技术中通过物理操作对停车位车辆进行监控,当车辆未缴费时,无法追踪车辆信息的问题。
根据本发明的一个实施例,提供了一种停车位车辆检测处理方法,包括:
对从监控视频中以预定帧率抽取的图像流进行目标检测,得到目标检测框与目标置信度;
根据所述目标检测框对与所述目标置信度对所述图像流进行目标跟踪,得到目标跟踪结果;
对所述目标跟踪结果中的车牌检测框进行车牌识别,得到所述目标车辆的车牌号码,将所述车牌号码与所述目标跟踪结果进行绑定,得到绑定结果,并根据所述绑定结果确定车辆检测结果。
可选的,对从监控视频中以预定帧率抽取的图像流进行目标检测,得到目标检测框与目标置信度包括:
分别将所述图像流输入预先训练好的目标检测网络模型中,得到目标检测网络模型输出的所述图像流对应不同检测框的置信度,其中,所述置信度大于预设阈值的检测框确定为所述图像流的目标检测框,且所述置信度确定为目标置信度。
可选的,根据所述目标检测框对与所述目标置信度对所述图像流进行目标跟踪,得到目标跟踪结果包括:
重复对所述图像流中的当前帧执行以下操作,以确定所述目标跟踪结果:
分别确定所述当前帧中每个目标检测框与上一帧中所有目标车辆的目标检测框的交并比IoU,确定每个所述目标检测框的最大IoU;
判断所述最大IoU是否大于第一预设阈值;
在判断结果为是的情况下,将所述当前帧中所述最大IoU对应的所述目标检测框作为所述目标车辆在所述当前帧的位置,根据所述目标车辆在当前帧的位置确定所述目标车辆的所述目标跟踪结果;
在判断结果为否的情况下,判断所述最大IoU对应的所述目标检测框的置信度是否大于第二预设阈值,且所述目标车辆存在的帧数是否大于第三预设阈值,在判断结果为是的情况下,将所述当前帧中所述目标检测框作为所述目标车辆在所述当前帧的位置;在判断结果为否的情况下,将所述当前帧中所述目标检测框作为新的目标车辆确定所述目标跟踪结果,其中,所述目标跟踪结果至少包括目标标识ID、目标运动轨迹以及目标置信度,所述目标运动轨迹包括目标车辆的在每帧图像中所述目标检测框的位置和大小。
可选的,对所述目标跟踪结果中的车牌检测框进行车牌识别,得到所述目标车辆的车牌号码包括:
从所述车牌检测框对应的图像中获取车牌所在区域图像,并对所述车牌所在区域图像进行二值化处理,得到目标图像;
将所述目标图像在垂直方向进行投影,得到投影图像;
将所述投影图像中第一预定数量个极小值点确定为分割点,切分出车牌的第二预定数量个字符,其在,所述第一预定数量为所述第二预定数量与1之和;
通过字符分类器对所述第二预定数量个字符进行分类,得到所述车牌号码。
可选的,根据所述绑定结果确定车辆检测结果包括:
根据所述目标跟踪结果确定目标车辆的驶入时间、驶出时间;
根据所述驶入时间与所述驶出时间确定所述目标车辆的停泊时间;
根据所述绑定结果与所述驶入时间、所述驶出时间、所述停泊时间确定所述车辆检测结果,其中,所述车辆检测结果包括目标ID、所述车牌号码、所述驶入时间、所述驶出时间、所述停泊时间。
可选的,根据所述目标跟踪结果确定所述目标车辆的驶入时间、驶出时间包括:
判断所述目标车辆的车头检测框或车尾检测框是否进入预先确定的停车位范围;
在判断结果为是的情况下,从进入所述停车位范围开始计录第一时长,若所述第一时长大于第一预设时间阈值,确定进入所述停车位范围的时间为所述驶入时间;
判断所述目标车辆的车头检测框或车尾检测框是否离开所述停车位范围;
在判断结果为是的情况下,从离开所述停车位范围开始计录第二时长,若所述第二时长大于第二预设时间阈值,确定离开所述停车位范围的时间为所述驶出时间。
根据本发明的另一个实施例,还提供了一种停车位车辆检测处理装置,包括:
目标检测模块,用于对从监控视频中以预定帧率抽取的图像流进行目标检测,得到目标检测框与目标置信度;
目标跟踪模块,用于根据所述目标检测框对与所述目标置信度对所述图像流进行目标跟踪,得到目标跟踪结果;
确定模块,用于对所述目标跟踪结果中的车牌检测框进行车牌识别,得到所述目标车辆的车牌号码,将所述车牌号码与所述目标跟踪结果进行绑定,得到绑定结果,并根据所述绑定结果确定车辆检测结果。
可选的,所述目标检测模块包括:
输入子模块,用于分别将所述图像流输入预先训练好的目标检测网络模型中,得到目标检测网络模型输出的所述图像流对应不同检测框的置信度,其中,所述置信度大于预设阈值的检测框确定为所述图像流的目标检测框,且所述置信度确定为目标置信度。
可选的,所述目标跟踪模块包括:
重复子模块,用于重复对所述图像流中的当前帧执行以下操作,以确定所述目标跟踪结果:
分别确定所述当前帧中每个目标检测框与上一帧中所有目标车辆的目标检测框的交并比IoU,确定每个所述目标检测框的最大IoU;
判断所述最大IoU是否大于第一预设阈值;
在判断结果为是的情况下,将所述当前帧中所述最大IoU对应的所述目标检测框作为所述目标车辆在所述当前帧的位置,根据所述目标车辆在当前帧的位置确定所述目标车辆的所述目标跟踪结果;
在判断结果为否的情况下,判断所述最大IoU对应的所述目标检测框的置信度是否大于第二预设阈值,且所述目标车辆存在的帧数是否大于第三预设阈值,在判断结果为是的情况下,将所述当前帧中所述目标检测框作为所述目标车辆在所述当前帧的位置;在判断结果为否的情况下,将所述当前帧中所述目标检测框作为新的目标车辆确定所述目标跟踪结果。
可选的,所述确定模块包括:
获取子模块,用于从所述车牌检测框对应的图像中获取车牌所在区域图像,并对所述车牌所在区域图像进行二值化处理,得到目标图像;
投影子模块,用于将所述目标图像在垂直方向进行投影,得到投影图像;
缺乏子模块,用于将所述投影图像中第一预定数量个极小值点确定为分割点,切分出车牌的第二预定数量个字符,其在,所述第一预定数量为所述第二预定数量与1之和;
分类子模块,用于通过字符分类器对所述第二预定数量个字符进行分类,得到所述车牌号码。
可选的,所述确定模块包括:
第一确定子模块,用于根据所述目标跟踪结果确定目标车辆的驶入时间、驶出时间;
第二确定子模块,用于根据所述驶入时间与所述驶出时间确定所述目标车辆的停泊时间;
第三确定子模块,用于根据所述绑定结果与所述驶入时间、所述驶出时间、所述停泊时间确定所述车辆检测结果,其中,所述车辆检测结果包括目标ID、所述车牌号码、所述驶入时间、所述驶出时间、所述停泊时间。
可选的,所述第一确定子模块包括:
判断单元,用于判断所述目标车辆的车头检测框或车尾检测框是否进入预先确定的停车位范围;
第一确定单元,用于在判断结果为是的情况下,从进入所述停车位范围开始计录第一时长,若所述第一时长大于第一预设时间阈值,确定进入所述停车位范围的时间为所述驶入时间;
判断单元,用于判断所述目标车辆的车头检测框或车尾检测框是否离开所述停车位范围;
第二确定单元,用于在判断结果为是的情况下,从离开所述停车位范围开始计录第二时长,若所述第二时长大于第二预设时间阈值,确定离开所述停车位范围的时间为所述驶出时间。
根据本发明的又一个实施例,还提供了一种计算机可读的存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明实施例,对从监控视频中以预定帧率抽取的图像流进行目标检测,得到目标检测框与目标置信度;根据所述目标检测框对与所述目标置信度对所述图像流进行目标跟踪,得到目标跟踪结果;对所述目标跟踪结果中的车牌检测框进行车牌识别,得到所述目标车辆的车牌号码,将所述车牌号码与所述目标跟踪结果进行绑定,得到绑定结果,并根据所述绑定结果确定车辆检测结果,可以解决相关技术中通过物理操作对停车位车辆进行监控,当车辆未缴费时,无法追踪车辆信息的问题,通过目标检测,对监控视频中的车辆车头、车尾和车牌进行检测,通过车头车尾与车牌进行绑定,从而确定车辆信息,完成停车位车辆的监控。
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是本发明实施例的停车位车辆检测处理方法的移动终端的硬件结构框图;
图2是根据本发明实施例的停车位车辆检测处理方法的流程图;
图3是根据本发明实施例的基于目标检测的停车位车辆监控方法的流程图;
图4是根据本发明实施例的停车位车辆检测处理装置的框图。
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。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的停车位车辆检测处理方法的移动终端的硬件结构框图,如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的停车位车辆检测处理方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述移动终端或网络架构的停车位车辆检测处理方法,图2是根据本发明实施例的停车位车辆检测处理方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,对从监控视频中以预定帧率抽取的图像流进行目标检测,得到目标检测框与目标置信度;
进一步的,上述步骤S202具体可以包括:分别将所述图像流输入预先训练好的目标检测网络模型中,得到目标检测网络模型输出的所述图像流对应不同检测框的置信度,其中,所述置信度大于预设阈值的检测框确定为所述图像流的目标检测框,且所述置信度确定为目标置信度,所述目标检测框包括:车头检测框、车尾检测框以及车牌检测框。
步骤S204,根据所述目标检测框对与所述目标置信度对所述图像流进行目标跟踪,得到目标跟踪结果;
进一步的,上述步骤S204具体可以包括:
重复对所述图像流中的当前帧执行以下操作,以确定所述目标跟踪结果:
分别确定所述当前帧中每个目标检测框与上一帧中所有目标车辆的目标检测框的交并比IoU,确定每个所述目标检测框的最大IoU;
判断所述最大IoU是否大于第一预设阈值;
在判断结果为是的情况下,将所述当前帧中所述最大IoU对应的所述目标检测框作为所述目标车辆在所述当前帧的位置,根据所述目标车辆在当前帧的位置确定所述目标车辆的所述目标跟踪结果;
在判断结果为否的情况下,判断所述最大IoU对应的所述目标检测框的置信度是否大于第二预设阈值,且所述目标车辆存在的帧数是否大于第三预设阈值,在判断结果为是的情况下,将所述当前帧中所述目标检测框作为所述目标车辆在所述当前帧的位置;在判断结果为否的情况下,将所述当前帧中所述目标检测框作为新的目标车辆确定所述目标跟踪结果,其中,所述目标跟踪结果至少包括目标标识ID、目标运动轨迹以及目标置信度,所述目标运动轨迹包括目标车辆的在每帧图像中所述目标检测框的位置和大小。
步骤S206,对所述目标跟踪结果中的车牌检测框进行车牌识别,得到所述目标车辆的车牌号码,并将所述车牌号码与所述目标跟踪结果进行绑定,得到绑定结果;
进一步的,上述步骤S206具体可以包括:
从所述车牌检测框对应的图像中获取车牌所在区域图像,并对所述车牌所在区域图像进行二值化处理,得到目标图像;
将所述目标图像在垂直方向进行投影,得到投影图像;
将所述投影图像中第一预定数量个极小值点确定为分割点,切分出车牌的第二预定数量个字符,其在,所述第一预定数量为所述第二预定数量与1之和;
通过字符分类器对所述第二预定数量个字符进行分类,得到所述车牌号码。
步骤S208,根据所述绑定结果确定车辆检测结果。
进一步的,上述步骤S208具体可以包括:
根据所述目标跟踪结果确定目标车辆的驶入时间、驶出时间,进一步的,判断所述目标车辆的车头检测框或车尾检测框是否进入预先确定的停车位范围;在判断结果为是的情况下,从进入所述停车位范围开始计录第一时长,若所述第一时长大于第一预设时间阈值,确定进入所述停车位范围的时间为所述驶入时间;判断所述目标车辆的车头检测框或车尾检测框是否离开所述停车位范围;在判断结果为是的情况下,从离开所述停车位范围开始计录第二时长,若所述第二时长大于第二预设时间阈值,确定离开所述停车位范围的时间为所述驶出时间;
根据所述驶入时间与所述驶出时间确定所述目标车辆的停泊时间,进一步的,T=t2-t1-T1-T2,t1为第一时长,t2为第二时长,T1为所述第一预设时间阈值,T2为所述第二预设时间阈值;
根据所述绑定结果与所述驶入时间、所述驶出时间、所述停泊时间确定所述车辆检测结果,其中,所述车辆检测结果包括目标ID、所述车牌号码、所述驶入时间、所述驶出时间、所述停泊时间。
通过上述步骤S202至S208,可以解决相关技术中通过物理操作对停车位车辆进行监控,当车辆未缴费时,无法追踪车辆信息的问题,通过目标检测,对监控视频中的车辆车头、车尾和车牌进行检测,通过车头车尾与车牌进行绑定,从而确定车辆信息,完成停车位车辆的监控。
图3是根据本发明实施例的基于目标检测的停车位车辆监控方法的流程图,如图3所示,包括:
S301,实时视频数据采集;
将监控摄像头安置于道路的路灯杆或者其他合适的地方,调整拍摄角度,保证摄像头视野中包含4-5个停车位。然后,以固定的帧率从视频中抽取图片流,为后续车辆的车头、车尾和车牌目标检测和跟踪提供基础数据。
S302,车头、车尾、车牌目标检测;
建立目标检测网络从图片中寻找车头、车尾、车牌,得到其位置、类型和分数。此过程包含三个部分:构建目标检测网络、训练目标检测网络、完成图片的车头、车尾、车牌检测。
构建目标检测网络:本发明采用轻量级深度神经网络SqueezeNet作为基础网络从图片中提取特征,并在SqueezeNet的fire4、fire8和fire9三个模块后连接一阶段检测框架Yolo v3的检测分支,从而构建本发明的目标检测网络。
训练目标检测网络:采集丰富的道路旁停车场景图片,通过人工标注绘制图片中车头、车尾、车牌的目标框和类别。将标注数据和图片作为训练数据,完成目标检测网络的训练。
完成图片的车头、车尾、车牌检测:将实时的视频转化为图片流,并将每张图片输入目标检测网络得到目标框、目标框类别和分数,其中目标框包含目标中心点坐标以及长宽。设定分数阈值对目标框进行筛选,并设定交并比IoU阈值完成非极大值抑制过程,得到最终的检测结果(目标框、类型和分数)。
S303,车牌识别;
通过对车辆车牌的检测,能够获取车牌的目标框,从而标定车牌所在位置,为了获取车牌详细信息,需要对车牌上的号码进行识别。国内车牌号码具有明确书写规定,长度为7位,采用垂直投影法对车牌的字符进行切割,并构建分类器对分割的字符进行识别。具体过程如下:
(1)根据车牌目标框,从原始图片中抽取车牌所在区域图片,并进行二值化;
(2)将二值化的图片在垂直方向进行投影,以车牌区域宽度的三分之一为阈值,确定投影图中8个极小值点为分割点(左右边缘以及5个内分点),切分出车牌的7个字符;
(3)国内车牌每一位字符存在有限解,因此可以构建字符分类器,并对分类器进行训练,分类器可以采用传统算法:逻辑回归、svm、knn等,也可基于cnn的深度分类网络。利用字符分类器对每位字符进行分类,从而获取车牌号码。
S304,车头、车尾、车牌目标跟踪;
本发明采用IoU Tracker算法完成目标跟踪,算法输入为视频图片,以及每一帧的目标检测结果(目标框、类型和分数)。算法输出为目标的跟踪队列,跟踪队列是跟踪目标的集合,跟踪目标包含跟踪目标类型、ID、分数和轨迹(目标产生到结束每一帧目标框的位置和大小)。算法过程如下:
(1)计算当前帧目标框与所有跟踪目标上一帧目标框的IoU,确定每个跟踪目标IoU最大值对应的目标框;
(2)判断跟踪目标IoU最大值是否大于阈值α,如果条件成立,则将当前帧对应目标框作为跟踪目标在当前帧的位置。条件不成立,进行第(3)步;
(3)判断跟踪目标最大分数是否大于阈值β,且跟踪目标存在的帧数是否大于阈值γ,如果条件成立,则将当前帧对应目标框作为跟踪目标在当前帧的位置。如果条件不成立,进行第(4)步;
(4)则将当前帧对应目标框作为新的跟踪目标,确定类型、分数、ID和轨迹。
S305,确定车牌和车头车尾的绑定关系;
通过目标检测和跟踪,获取视频中的车头、车尾和车牌的存在时间和运动轨迹。为了明确每个停车位中车辆的具体信息,需要确定车牌与车辆的绑定关系。车辆结构中,车牌是车头车尾的一部分,当车牌能够被检测时,车头车尾通常也能够检测,如下图所示。因此,本发明利用车头车尾目标框与车牌目标框进行绑定关系分析。
S306,确定车辆停泊时间。
通过车牌与车头车尾的绑定关系分析,能够获取停车位中的车辆信息,为了实现对停车位车辆的监控,还需要对车辆的停泊时间进行计算。计算过程如下:
1)在监控视频中确定停车位的范围;
2)基于目标跟踪结果,判定车辆的车头或车尾目标框的中心点是否进入停车位范围,如果进入则开始进行计时,如果时间超过阈值T1,则判定该车辆驶入停车位,记录当前时间为t1;
3)基于目标跟踪结果,判定车辆的车头或车尾目标框的中心点是否离开停车位范围,如果离开则开始进行计时,如果时间超过阈值T2,则判定该车辆驶出停车位,记录当前时间为t2;
4)当车辆完成驶入停车位和驶出停车位后,计算车辆停泊时间T:
T=t2-t1-T1-T2。
5)通过目标检测、跟踪、车牌绑定和停泊时间计算,能够完成对停车位车辆的监控,详细信息示例如下表所示,该表将处于实时更新状态。
本发明实施例利用摄像头获取停车位的监控视频,并采取目标检测和跟踪技术对视频中的车辆和车牌进行检测,通过确定车牌和车辆的绑定关系以及车辆停泊时间,从而获取停车位使用的实时状态,整个过程完全自动化。通过计算机视觉技术完成停车位车辆的监控,能够利用单个摄像头对多个停车位进行监控,提高工作效率。
本实施例采用车辆中的车头车尾与车牌进行绑定关系分析,车牌常处于车头车尾的中心点附近,车牌能够检测时,对应的车头车尾通常也能够被检测。因此,能够减少车辆因为遮挡造成车牌绑定错误的情况,提高停车位车辆监控时获取车辆信息的准确性。
实施例2
根据本发明的另一个实施例,还提供了一种停车位车辆检测处理装置,图4是根据本发明实施例的停车位车辆检测处理装置的框图,如图4所示,包括:
目标检测模块42,用于对从监控视频中以预定帧率抽取的图像流进行目标检测,得到目标检测框与目标置信度;
目标跟踪模块44,用于根据所述目标检测框对与所述目标置信度对所述图像流进行目标跟踪,得到目标跟踪结果;
确定模块46,用于对所述目标跟踪结果中的车牌检测框进行车牌识别,得到所述目标车辆的车牌号码,将所述车牌号码与所述目标跟踪结果进行绑定,得到绑定结果,并根据所述绑定结果确定车辆检测结果。
可选的,所述目标检测模块42包括:
输入子模块,用于分别将所述图像流输入预先训练好的目标检测网络模型中,得到目标检测网络模型输出的所述图像流对应不同检测框的置信度,其中,所述置信度大于预设阈值的检测框确定为所述图像流的目标检测框,且所述置信度确定为目标置信度。
可选的,所述目标跟踪模块44包括:
重复子模块,用于重复对所述图像流中的当前帧执行以下操作,以确定所述目标跟踪结果:
分别确定所述当前帧中每个目标检测框与上一帧中所有目标车辆的目标检测框的交并比IoU,确定每个所述目标检测框的最大IoU;
判断所述最大IoU是否大于第一预设阈值;
在判断结果为是的情况下,将所述当前帧中所述最大IoU对应的所述目标检测框作为所述目标车辆在所述当前帧的位置,根据所述目标车辆在当前帧的位置确定所述目标车辆的所述目标跟踪结果;
在判断结果为否的情况下,判断所述最大IoU对应的所述目标检测框的置信度是否大于第二预设阈值,且所述目标车辆存在的帧数是否大于第三预设阈值,在判断结果为是的情况下,将所述当前帧中所述目标检测框作为所述目标车辆在所述当前帧的位置;在判断结果为否的情况下,将所述当前帧中所述目标检测框作为新的目标车辆确定所述目标跟踪结果。
可选的,所述确定模块46包括:
获取子模块,用于从所述车牌检测框对应的图像中获取车牌所在区域图像,并对所述车牌所在区域图像进行二值化处理,得到目标图像;
投影子模块,用于将所述目标图像在垂直方向进行投影,得到投影图像;
缺乏子模块,用于将所述投影图像中第一预定数量个极小值点确定为分割点,切分出车牌的第二预定数量个字符,其在,所述第一预定数量为所述第二预定数量与1之和;
分类子模块,用于通过字符分类器对所述第二预定数量个字符进行分类,得到所述车牌号码。
可选的,所述确定模块46包括:
第一确定子模块,用于根据所述目标跟踪结果确定目标车辆的驶入时间、驶出时间;
第二确定子模块,用于根据所述驶入时间与所述驶出时间确定所述目标车辆的停泊时间;
第三确定子模块,用于根据所述绑定结果与所述驶入时间、所述驶出时间、所述停泊时间确定所述车辆检测结果,其中,所述车辆检测结果包括目标ID、所述车牌号码、所述驶入时间、所述驶出时间、所述停泊时间。
可选的,所述第一确定子模块包括:
判断单元,用于判断所述目标车辆的车头检测框或车尾检测框是否进入预先确定的停车位范围;
第一确定单元,用于在判断结果为是的情况下,从进入所述停车位范围开始计录第一时长,若所述第一时长大于第一预设时间阈值,确定进入所述停车位范围的时间为所述驶入时间;
判断单元,用于判断所述目标车辆的车头检测框或车尾检测框是否离开所述停车位范围;
第二确定单元,用于在判断结果为是的情况下,从离开所述停车位范围开始计录第二时长,若所述第二时长大于第二预设时间阈值,确定离开所述停车位范围的时间为所述驶出时间。
通过上述停车位车辆检测处理装置,可以解决相关技术中通过物理操作对停车位车辆进行监控,当车辆未缴费时,无法追踪车辆信息的问题,通过目标检测,对监控视频中的车辆车头、车尾和车牌进行检测,通过车头车尾与车牌进行绑定,从而确定车辆信息,完成停车位车辆的监控。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种计算机可读的存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,对从监控视频中以预定帧率抽取的图像流进行目标检测,得到目标检测框与目标置信度;
S2,根据所述目标检测框对与所述目标置信度对所述图像流进行目标跟踪,得到目标跟踪结果;
S3,对所述目标跟踪结果中的车牌检测框进行车牌识别,得到所述目标车辆的车牌号码,将所述车牌号码与所述目标跟踪结果进行绑定,得到绑定结果,并根据所述绑定结果确定车辆检测结果。
通过上述存储介质,可以解决相关技术中通过物理操作对停车位车辆进行监控,当车辆未缴费时,无法追踪车辆信息的问题,通过目标检测,对监控视频中的车辆车头、车尾和车牌进行检测,通过车头车尾与车牌进行绑定,从而确定车辆信息,完成停车位车辆的监控。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
实施例4
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,对从监控视频中以预定帧率抽取的图像流进行目标检测,得到目标检测框与目标置信度;
S2,根据所述目标检测框对与所述目标置信度对所述图像流进行目标跟踪,得到目标跟踪结果;
S3,对所述目标跟踪结果中的车牌检测框进行车牌识别,得到所述目标车辆的车牌号码,将所述车牌号码与所述目标跟踪结果进行绑定,得到绑定结果,并根据所述绑定结果确定车辆检测结果。
通过上述电子装置,可以解决相关技术中通过物理操作对停车位车辆进行监控,当车辆未缴费时,无法追踪车辆信息的问题,通过目标检测,对监控视频中的车辆车头、车尾和车牌进行检测,通过车头车尾与车牌进行绑定,从而确定车辆信息,完成停车位车辆的监控。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
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。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种停车位车辆检测处理方法,其特征在于,包括:
对从监控视频中以预定帧率抽取的图像流进行目标检测,得到目标检测框与目标置信度;
根据所述目标检测框对与所述目标置信度对所述图像流进行目标跟踪,得到目标跟踪结果;
对所述目标跟踪结果中的车牌检测框进行车牌识别,得到所述目标车辆的车牌号码,将所述车牌号码与所述目标跟踪结果进行绑定,得到绑定结果,并根据所述绑定结果确定车辆检测结果。
2.根据权利要求1所述的方法,其特征在于,对从监控视频中以预定帧率抽取的图像流进行目标检测,得到目标检测框与目标置信度包括:
分别将所述图像流输入预先训练好的目标检测网络模型中,得到目标检测网络模型输出的所述图像流对应不同检测框的置信度,其中,所述置信度大于预设阈值的检测框确定为所述图像流的目标检测框,且所述置信度确定为目标置信度,所述目标检测框包括:车头检测框、车尾检测框以及车牌检测框。
3.根据权利要求1所述的方法,其特征在于,根据所述目标检测框对与所述目标置信度对所述图像流进行目标跟踪,得到目标跟踪结果包括:
重复对所述图像流中的当前帧执行以下操作,以确定所述目标跟踪结果:
分别确定所述当前帧中每个目标检测框与上一帧中所有目标车辆的目标检测框的交并比IoU,确定每个所述目标检测框的最大IoU;
判断所述最大IoU是否大于第一预设阈值;
在判断结果为是的情况下,将所述当前帧中所述最大IoU对应的所述目标检测框作为所述目标车辆在所述当前帧的位置,根据所述目标车辆在当前帧的位置确定所述目标车辆的所述目标跟踪结果;
在判断结果为否的情况下,判断所述最大IoU对应的所述目标检测框的置信度是否大于第二预设阈值,且所述目标车辆存在的帧数是否大于第三预设阈值,在判断结果为是的情况下,将所述当前帧中所述目标检测框作为所述目标车辆在所述当前帧的位置;在判断结果为否的情况下,将所述当前帧中所述目标检测框作为新的目标车辆确定所述目标跟踪结果,其中,所述目标跟踪结果至少包括目标标识ID、目标运动轨迹以及目标置信度,所述目标运动轨迹包括目标车辆的在每帧图像中所述目标检测框的位置和大小。
4.根据权利要求1所述的方法,其特征在于,对所述目标跟踪结果中的车牌检测框进行车牌识别,得到所述目标车辆的车牌号码包括:
从所述车牌检测框对应的图像中获取车牌所在区域图像,并对所述车牌所在区域图像进行二值化处理,得到目标图像;
将所述目标图像在垂直方向进行投影,得到投影图像;
将所述投影图像中第一预定数量个极小值点确定为分割点,切分出车牌的第二预定数量个字符,其在,所述第一预定数量为所述第二预定数量与1之和;
通过字符分类器对所述第二预定数量个字符进行分类,得到所述车牌号码。
5.根据权利要求1至4中任一项所述的方法,其特征在于,根据所述绑定结果确定车辆检测结果包括:
根据所述目标跟踪结果确定目标车辆的驶入时间、驶出时间;
根据所述驶入时间与所述驶出时间确定所述目标车辆的停泊时间;
根据所述绑定结果与所述驶入时间、所述驶出时间、所述停泊时间确定所述车辆检测结果,其中,所述车辆检测结果包括目标ID、所述车牌号码、所述驶入时间、所述驶出时间、所述停泊时间。
6.根据权利要求5所述的方法,其特征在于,根据所述目标跟踪结果确定所述目标车辆的驶入时间、驶出时间包括:
判断所述目标车辆的车头检测框或车尾检测框是否进入预先确定的停车位范围;
在判断结果为是的情况下,从进入所述停车位范围开始计录第一时长,若所述第一时长大于第一预设时间阈值,确定进入所述停车位范围的时间为所述驶入时间;
判断所述目标车辆的车头检测框或车尾检测框是否离开所述停车位范围;
在判断结果为是的情况下,从离开所述停车位范围开始计录第二时长,若所述第二时长大于第二预设时间阈值,确定离开所述停车位范围的时间为所述驶出时间。
7.一种停车位车辆检测处理装置,其特征在于,包括:
目标检测模块,用于对从监控视频中以预定帧率抽取的图像流进行目标检测,得到目标检测框与目标置信度;
目标跟踪模块,用于根据所述目标检测框对与所述目标置信度对所述图像流进行目标跟踪,得到目标跟踪结果;
确定模块,用于对所述目标跟踪结果中的车牌检测框进行车牌识别,得到所述目标车辆的车牌号码,将所述车牌号码与所述目标跟踪结果进行绑定,得到绑定结果,并根据所述绑定结果确定车辆检测结果。
8.根据权利要求7所述的装置,其特征在于,所述目标检测模块包括:
输入子模块,用于分别将所述图像流输入预先训练好的目标检测网络模型中,得到目标检测网络模型输出的所述图像流对应不同检测框的置信度,其中,所述置信度大于预设阈值的检测框确定为所述图像流的目标检测框,且所述置信度确定为目标置信度,所述目标检测框包括:车头检测框、车尾检测框以及车牌检测框。
9.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010676568.0A CN111898485A (zh) | 2020-07-14 | 2020-07-14 | 一种停车位车辆检测处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010676568.0A CN111898485A (zh) | 2020-07-14 | 2020-07-14 | 一种停车位车辆检测处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111898485A true CN111898485A (zh) | 2020-11-06 |
Family
ID=73192706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010676568.0A Pending CN111898485A (zh) | 2020-07-14 | 2020-07-14 | 一种停车位车辆检测处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898485A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766216A (zh) * | 2021-01-29 | 2021-05-07 | 深圳市捷顺科技实业股份有限公司 | 车辆驶入停车位检测方法、装置、电子设备及存储介质 |
CN112950954A (zh) * | 2021-02-24 | 2021-06-11 | 电子科技大学 | 一种基于高位摄像头的智能停车车牌识别方法 |
CN112967320A (zh) * | 2021-04-02 | 2021-06-15 | 浙江华是科技股份有限公司 | 一种基于桥梁防撞的船舶目标检测跟踪方法 |
CN114038228A (zh) * | 2021-10-20 | 2022-02-11 | 深圳市捷顺科技实业股份有限公司 | 一种停车位引导的方法及装置 |
CN114581465A (zh) * | 2022-03-09 | 2022-06-03 | 深圳市捷顺科技实业股份有限公司 | 一种车位管控方法、装置、设备及存储介质 |
WO2022242008A1 (en) * | 2021-05-20 | 2022-11-24 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for vehicle detection |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160110999A1 (en) * | 2014-10-15 | 2016-04-21 | Xerox Corporation | Methods and systems for parking monitoring with vehicle identification |
CN108288386A (zh) * | 2018-01-29 | 2018-07-17 | 深圳信路通智能技术有限公司 | 基于视频的路内停车跟踪方法 |
CN108875588A (zh) * | 2018-05-25 | 2018-11-23 | 武汉大学 | 基于深度学习的跨摄像头行人检测跟踪方法 |
CN109102653A (zh) * | 2018-06-22 | 2018-12-28 | 南京慧尔视智能科技有限公司 | 一种多辆机动车路侧停车自动计时收费方法及装置 |
US20190251369A1 (en) * | 2018-02-11 | 2019-08-15 | Ilya Popov | License plate detection and recognition system |
CN111126235A (zh) * | 2019-12-18 | 2020-05-08 | 浙江大华技术股份有限公司 | 一种船只违章停泊检测处理方法及装置 |
CN111311766A (zh) * | 2020-02-24 | 2020-06-19 | 电子科技大学 | 基于车牌识别和跟踪技术的路边停车智能收费系统及方法 |
CN111369590A (zh) * | 2020-02-27 | 2020-07-03 | 北京三快在线科技有限公司 | 多目标跟踪方法、装置、存储介质及电子设备 |
-
2020
- 2020-07-14 CN CN202010676568.0A patent/CN111898485A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160110999A1 (en) * | 2014-10-15 | 2016-04-21 | Xerox Corporation | Methods and systems for parking monitoring with vehicle identification |
CN108288386A (zh) * | 2018-01-29 | 2018-07-17 | 深圳信路通智能技术有限公司 | 基于视频的路内停车跟踪方法 |
US20190251369A1 (en) * | 2018-02-11 | 2019-08-15 | Ilya Popov | License plate detection and recognition system |
CN108875588A (zh) * | 2018-05-25 | 2018-11-23 | 武汉大学 | 基于深度学习的跨摄像头行人检测跟踪方法 |
CN109102653A (zh) * | 2018-06-22 | 2018-12-28 | 南京慧尔视智能科技有限公司 | 一种多辆机动车路侧停车自动计时收费方法及装置 |
CN111126235A (zh) * | 2019-12-18 | 2020-05-08 | 浙江大华技术股份有限公司 | 一种船只违章停泊检测处理方法及装置 |
CN111311766A (zh) * | 2020-02-24 | 2020-06-19 | 电子科技大学 | 基于车牌识别和跟踪技术的路边停车智能收费系统及方法 |
CN111369590A (zh) * | 2020-02-27 | 2020-07-03 | 北京三快在线科技有限公司 | 多目标跟踪方法、装置、存储介质及电子设备 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766216A (zh) * | 2021-01-29 | 2021-05-07 | 深圳市捷顺科技实业股份有限公司 | 车辆驶入停车位检测方法、装置、电子设备及存储介质 |
CN112950954A (zh) * | 2021-02-24 | 2021-06-11 | 电子科技大学 | 一种基于高位摄像头的智能停车车牌识别方法 |
CN112967320A (zh) * | 2021-04-02 | 2021-06-15 | 浙江华是科技股份有限公司 | 一种基于桥梁防撞的船舶目标检测跟踪方法 |
WO2022242008A1 (en) * | 2021-05-20 | 2022-11-24 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for vehicle detection |
CN114038228A (zh) * | 2021-10-20 | 2022-02-11 | 深圳市捷顺科技实业股份有限公司 | 一种停车位引导的方法及装置 |
CN114581465A (zh) * | 2022-03-09 | 2022-06-03 | 深圳市捷顺科技实业股份有限公司 | 一种车位管控方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898485A (zh) | 一种停车位车辆检测处理方法及装置 | |
CN109948582B (zh) | 一种基于跟踪轨迹分析的车辆逆行智能检测方法 | |
JP6570731B2 (ja) | 乗客の混雑度の算出方法及びそのシステム | |
CN107305627B (zh) | 一种车辆视频监控方法、服务器及系统 | |
CN106600977B (zh) | 基于多特征识别的违停检测方法及系统 | |
US9336450B2 (en) | Methods and systems for selecting target vehicles for occupancy detection | |
CN110047319B (zh) | 停车场车位导航方法、电子装置及存储介质 | |
CN106571039A (zh) | 一种高速公路违章行为自动抓拍系统 | |
CN104766479A (zh) | 基于超高频射频与视频图像双识别匹配的汽车身份识别方法及装置 | |
CN110956817B (zh) | 一种车载单元唤醒方法、装置及系统 | |
CN111429726A (zh) | 一种监控视频违停车辆检测、管理方法及对应的系统 | |
Chang et al. | Video analytics in smart transportation for the AIC'18 challenge | |
CN104134078A (zh) | 一种人流量统计系统中分类器的自动选择方法 | |
CN104794906A (zh) | 室外停车场出口车辆管理平台 | |
CN111311766A (zh) | 基于车牌识别和跟踪技术的路边停车智能收费系统及方法 | |
Le et al. | Vehicle count system based on time interval image capture method and deep learning mask R-CNN | |
WO2023179416A1 (zh) | 确定车辆进出泊位的方法、装置、设备和存储介质 | |
CN114724131A (zh) | 一种车辆追踪方法、装置、电子设备及存储介质 | |
CN113255439A (zh) | 一种障碍物识别方法、装置、系统、终端及云端 | |
CN111929672A (zh) | 移动轨迹的确定方法及装置、存储介质和电子装置 | |
CN114078319A (zh) | 一种检测交通事故隐患地点的方法及装置 | |
CN109034171B (zh) | 视频流中的无牌车辆检测方法和装置 | |
CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 | |
CN114627319A (zh) | 目标数据的上报方法、装置、存储介质及电子装置 | |
CN111898475A (zh) | 非机动车的状态估计方法及装置、存储介质、电子装置 |
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 |