CN112016423A - 车辆车门状态的识别方法、装置、设备及计算机存储介质 - Google Patents
车辆车门状态的识别方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN112016423A CN112016423A CN202010845250.0A CN202010845250A CN112016423A CN 112016423 A CN112016423 A CN 112016423A CN 202010845250 A CN202010845250 A CN 202010845250A CN 112016423 A CN112016423 A CN 112016423A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- images
- vehicle door
- frame
- continuous
- 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 45
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims description 30
- 230000009471 action Effects 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 239000000284 extract Substances 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种车辆车门状态的识别方法、装置、设备及计算机存储介质,该车辆车门状态的识别方法包括:获取若干帧连续的车辆图像;将若干帧车辆图像中相邻车辆图像进行帧差处理,得到差帧图像序列,其中,差帧图像序列包括多帧连续的差帧图像;提取多帧连续的差帧图像的车门特征;基于车门特征的变化情况识别车门状态。上述方案,能够提高车辆违章的识别效率。
Description
技术领域
本申请涉及智能交通技术领域,特别是涉及一种车辆车门状态的识别方法、装置、设备及计算机存储介质。
背景技术
在城市道路上,随处可见车辆违停、未在规定区域内上下客等问题,而在违章抓拍过程中,很难抓拍到车辆上下客及车门打开的瞬间。现有技术中,违章抓拍相机通过抓拍车辆图像,利用单一卷积神经网络识别车辆图像中的车门状态,从而判断被抓拍车辆是否违章。上述方式中,违章抓拍相机抓拍的一张车辆图像不一定是车门打开状态的图像,存在漏检现象;并且,由于车辆的车门打开具有时序特征,采用单一卷积神经网络对抓拍的一张车辆图像进行识别判断违章的效果差。
发明内容
本申请至少提供一种车辆车门状态的识别方法、系统、设备及计算机存储介质,能够提高车辆违章的识别效率。
本申请第一方面提供了一种车辆车门状态的识别方法,所述识别方法包括:
获取若干帧连续的车辆图像;
将所述若干帧车辆图像中相邻车辆图像进行帧差处理,得到差帧图像序列,其中,所述差帧图像序列包括多帧连续的差帧图像;
提取所述多帧连续的差帧图像的车门特征;
基于所述车门特征的变化情况识别车门状态。
在一些实施例中,所述提取所述多帧连续的差帧图像的车门特征的步骤,包括:
提取所述多帧连续的差帧图像在R通道的车门特征;
提取所述多帧连续的差帧图像在G通道的车门特征;
提取所述多帧连续的差帧图像在B通道的车门特征。
在一些实施例中,所述基于所述车门特征的变化情况识别车门状态的步骤,包括:
分别将所述多帧连续的差帧图像在R通道、G通道、B通道的车门特征输入分类器;
当所述分类器输出的识别结果中至少一个为车门打开动作时,判断所述车门状态为打开状态;
当所述分类器输出的识别结果中至少一个为车门关闭动作时,判断所述车门状态为关闭状态。
在一些实施例中,所述获取若干帧连续的车辆图像的步骤之前,所述识别方法还包括:
获取监控视频,并检测所述监控视频中是否存在预设时长内,位移小于位移阈值的车辆;
若是,则从所述监控视频中截取所述若干帧连续的车辆图像。
在一些实施例中,所述从所述监控视频中截取所述若干帧连续的车辆图像的步骤,包括:
从通过所述监控视频确认所述车辆停止的时间作为截取所述车辆图像的开始时间。
在一些实施例中,所述从所述监控视频中截取所述若干帧连续的车辆图像的步骤,包括:
从所述开始时间起,每获取一段预设时长的监控视频,从所述预设时长的监控视频截取至少一帧车辆图像。
在一些实施例中,所述从所述预设时长的监控视频截取至少一帧车辆图像的步骤,包括:
从所述预设时长的监控视频截取首帧车辆图像以及尾帧车辆图像。
本申请第二方面提供了一种车辆车门状态识别装置,所述装置包括:
获取模块,用于获取若干帧连续的车辆图像;
处理模块,用于将所述若干帧车辆图像中相邻车辆图像进行帧差处理,得到差帧图像序列,其中,所述差帧图像序列包括多帧连续的差帧图像;
提取模块,用于提取所述多帧连续的差帧图像的车门特征;
识别模块,用于基于所述车门特征的变化情况识别车门状态。
本申请第三方面提供了一种电子设备,包括相互耦接的存储器和处理器,处理器用于执行存储器中存储的程序指令,以实现上述第一方面中的车辆车门状态的识别方法。
本申请第四方面提供了一种计算机存储介质,其上存储有程序指令,程序指令被处理器执行时实现上述第一方面中的车辆车门状态的识别方法。
上述方案,获取若干帧连续的车辆图像;将若干帧车辆图像中相邻车辆图像进行帧差处理,得到差帧图像序列,其中,差帧图像序列包括多帧连续的差帧图像;提取多帧连续的差帧图像的车门特征;基于车门特征的变化情况识别车门状态。上述方案,通过提取含有时序信息的差帧图像序列中的车门特征,识别车辆的车门状态,提高了车辆车门识别的效率,避免因获取的车辆图像不包括车门打开状态的车辆图像而导致漏检或误报的情况。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1是本申请提供的车辆车门状态的识别方法第一实施例的流程示意图;
图2是本申请提供的车辆车门状态的识别方法第二实施例的流程示意图;
图3是本申请提供的车辆车门状态的识别方法中若干帧车辆图像的示意图;
图4是图3中提供的车辆车门状态的识别方法中差帧图像序列的示意图;
图5是本申请提供的车辆车门状态的识别装置一实施例的框架示意图;
图6是本申请提供的电子设备一实施例的框架示意图;
图7是本申请提供的计算机可读存储介质一实施例的框架示意图。
具体实施方式
下面结合说明书附图,对本申请实施例的方案进行详细说明。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、接口、技术之类的具体细节,以便透彻理解本申请。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
本申请提出了一种车辆车门状态的识别方法,可应用于城市道路中车辆违停或未在指定区域上下客的违章抓拍,通过本申请的车辆车门状态的识别方法可以提高车辆违停的识别效率,具体请参见图1,图1是本申请提供的车辆车门状态的识别方法第一实施例的流程示意图。本实施例的车辆车门状态的识别方法可应用于车辆车门状态的识别装置,也可应用于具有数据处理能力的服务器,本申请以识别装置为例进行说明。
具体而言,本公开实施例的方法可以包括如下步骤:
S101:获取若干帧连续的车辆图像。
本申请是通过对车辆图像识别技术获知道路交通中车辆是否存在违章行为,例如违停或未在指定区域上下客等。本实施例中识别装置可通过安装在道路交通路口处的摄像头,拍摄车辆图像。识别装置采用在道路交通路口处设置摄像头的方式获取若干帧连续的车辆图像,可检测车辆进入摄像头拍摄的指定区域的停留时间是否超过预设停留时间,若是,则开始获取若干帧连续的车辆图像;也可检测目标车辆在摄像头拍摄区域内是否存在预设时间内无位移的情况,若是,则开始获取若干帧连续的车辆图像。其中,摄像头可安装在道路交通路口的任意位置,摄像头数量也可设置一个或多个,本实施例中,将摄像头安装在交通路口正对道路上,以便于获取车辆的若干连续帧的车辆图像。
S102:将若干帧车辆图像中相邻车辆图像进行帧差处理,得到差帧图像序列。
由于本实施例的最终目的是为了识别车辆的车门状态,因此在识别前,需获知表示若干帧连续车辆图像时序信息的差帧图像序列,以根据差帧图像序列提取车门特征,进而识别目标车辆的车门状态。在本步骤中,对获取的若干帧连续车辆图像中相邻车辆图像进行帧差处理,以得到差帧图像序列。其中,差帧图像序列包括多帧连续的差帧图像。差帧图像序列体现了车门在动作时的像素级变化,若差帧图像序列中的差帧图像中像素级变化较大,则表示车辆的车门状态存在变化,车辆存在违停或在未指定区域上下客等违章行为。
S103:提取多帧连续的差帧图像的车门特征。
基于S102中获取的多帧连续的差帧图像,识别装置将含有时序信息的多帧连续差帧图像输入卷积神经网络中,提取多帧连续的差帧图像的车门特征。
S104:基于车门特征的变化情况识别车门状态。
本实施例中的车门状态包括车门打开状态和车门关闭状态。识别装置基于S103中获取的多帧连续的差帧图像的车门特征,识别车门状态。其中,识别装置可利用分类器识别车门状态。具体地,识别装置将获取的多帧连续的差帧图像的车门特征输入分类器中,以使分类器根据车门特征变化情况识别车辆车门状态。
上述方案中,识别装置获取若干帧连续的车辆图像;将若干帧车辆图像中相邻车辆图像进行帧差处理,得到差帧图像序列,其中,差帧图像序列包括多帧连续的差帧图像;提取多帧连续的差帧图像的车门特征;基于车门特征的变化情况识别车门状态。本实施例的识别装置通过提取含有时序信息的差帧图像序列中的车门特征,识别车辆的车门状态,提高了车辆车门识别的效率,避免因获取的车辆图像不包括车门打开状态的车辆图像而导致漏检或误报的情况。
请继续参阅图2,图2是本申请提供的车辆车门状态的识别方法第二实施例的流程示意图。考虑到多帧连续的差帧图像的颜色对车门状态识别的影响,为了提高车辆违章的识别效率。在上述实施例的基础上,本公开实施例的方法还包括如下步骤:
S201:获取若干帧连续的车辆图像。
本公开实施例中识别装置通过安装在道路交通路口处的摄像头,获取车辆的监控视频。由于获取的监控视频中车辆可能在行驶也可能违停或在未指定地点上下客,为了避免识别装置从监控视频中获取到的车辆图像中的车辆为行驶状态而导致车辆违章识别失败,本实施例的识别装置需检测监控视频中是否存在预设时长内,位移小于位移阈值的车辆,若是,则表明车辆停止,车辆可能违停或在未指定地点上下客。识别装置将从监控视频中确认车辆停止的时间作为截取车辆图像的开始时间,从监控视频中截取若干帧连续的车辆图像。
为了减少输入车辆图像帧的密度,避免将整个车门开门状态的若干帧连续车辆图像作为输入车辆图像而增加识别装置的计算量,本实施例识别装置从车辆图像获取的开始时间起,每获取一段预设时长的监控视频,即从预设时长的监控视频中截取至少一帧车辆图像。例如,已知车辆的停止开始时间起到行驶开始时间一共有3s,预设时长为1s,识别装置需在第1s,第2s和第3s中各取至少一帧车辆图像。
其中,识别装置在每一预设时长内获取的监控视频中截取的至少一帧车辆图像可以为一帧车辆图像或两帧车辆图像等,本实施例对此不作具体限定。
需要说明的是,识别装置若在每一预设时长内获取监控视频中截取一帧车辆图像时,每一预设时长监控视频内的一帧车辆图像可以为一预设时长监控视频内的任意帧,比如,首帧车辆图像、尾帧车辆图像或中间任意一帧车辆图像。继续以上述例子为例,已知车辆的停止开始时间起到行驶开始时间一共有3s,预设时长为1s,识别装置需在第1s,第2s和第3s中各取一帧车辆图像。识别装置可以截取第1s的首帧车辆图像,第2s的首帧车辆图像及第3s的首帧车辆图像;或者,识别装置可以截取第1s的尾帧车辆图像,第2s的尾帧车辆图像及第3s的尾帧车辆图像。
进一步地,识别装置若在每一预设时长内获取监控视频中截取两帧车辆图像时,每一预设时长监控视频内的两帧车辆图像可以为一预设时长监控视频内的任两帧车辆图像。继续以上述例子为例,已知车辆的停止开始时间起到行驶开始时间一共有3s,预设时长为1s,识别装置需在第1s,第2s和第3s中各取两帧车辆图像。识别装置可以截取第1s的首帧车辆图像和尾帧车辆图像,第2s的首帧车辆图像和尾帧车辆图像及第3s的首帧车辆图像和尾帧车辆图像,识别装置共获取6帧连续的车辆图像。对于识别装置获取的若干连续帧的车辆图像的示意图可详见图3,图3表示识别装置获取的包含时序信息的连续帧车辆图像。
S202:将若干帧车辆图像中相邻车辆图像进行帧差处理,得到差帧图像序列。
本实施例S202的详细描述可参阅上述实施例S102的详细描述。
进一步地,本实施例基于S201获取的若干帧车辆图像,继续以上述例子,说明识别装置将若干帧车辆图像中相邻车辆图像进行帧差处理,得到差帧图像序列。
识别装置若在每一预设时长内获取监控视频中截取的一帧车辆图像。例如,识别装置可以截取第1s的首帧车辆图像,第2s的首帧车辆图像及第3s的首帧车辆图像;识别装置共获取3帧车辆图像;识别装置将3帧车辆图像中的相邻两帧车辆图像进行帧差处理。具体为识别装置将第1s的首帧车辆图像和第2s的首帧车辆图像进行帧差处理;识别装置将第2s的首帧车辆图像和第3s的首帧车辆图像进行帧差处理;识别装置得到2帧连续的差帧图像,即差帧图像序列。
识别装置若在每一预设时长内获取监控视频中截取的两帧车辆图像。例如,识别装置截取第1s的首帧车辆图像和尾帧车辆图像,第2s的首帧车辆图像和尾帧车辆图像及第3s的首帧车辆图像和尾帧车辆图像;识别装置共获取6帧车辆图像;识别装置将6帧车辆图像中每秒内的相邻两帧车辆图像进行帧差处理。具体为识别装置将第1s的首帧车辆图像和尾帧车辆图像进行帧差处理;识别装置将第2s的首帧车辆图像和尾帧车辆图像进行帧差处理;识别装置将第3s的首帧车辆图像和尾帧车辆图像进行帧差处理;识别装置得到3帧连续的差帧图像,即差帧图像序列。请参阅图4,图4是图3中提供的车辆车门状态的识别方法中差帧图像序列的示意图。
S203:提取多帧连续的差帧图像在R通道的车门特征。
S204:提取多帧连续的差帧图像在G通道的车门特征。
S205:提取多帧连续的差帧图像在B通道的车门特征。
基于上述S202中获取的多帧连续的差帧图像,为了避免多帧连续的帧差图像的颜色对车门状态识别的影响,本实施例中识别装置将多帧连续的差帧图像输入卷积神经网络中,分别提取多帧连续的差帧图像在R、G、B通道上的车门特征。
S206:分别将多帧连续的差帧图像在R通道、G通道、B通道的车门特征输入分类器。
基于上述S203~S205中提取的多帧连续的差帧图像在R通道、G通道、B通道上的车门特征,识别装置分别将多帧连续的差帧图像在R通道、G通道、B通道的车门特征输入分类器。识别装置根据分类器的输出结果判断车门状态。
S207:当分类器输出的识别结果中至少一个为车门打开动作时,判断车门状态为打开状态。
S208:当分类器输出的识别结果中至少一个为车门关闭动作时,判断车门状态为关闭状态。
识别装置获取到分类器输出的识别结果中至少一个为车门打开动作时,判断车门状态为打开状态;识别装置获取到分类器输出的识别结果中至少一个为车门关闭动作时,判断车门状态为关闭状态。例如,识别装置获取到分类器输出的识别结果中有两个车门打开动作,则判断车辆的车门状态为打开状态。
上述实施例,识别装置获取若干帧连续的车辆图像,将若干帧车辆图像中相邻车辆图像进行帧差处理,得到差帧图像序列,提取多帧连续的差帧图像在R通道的车门特征,提取多帧连续的差帧图像在G通道的车门特征,提取多帧连续的差帧图像在B通道的车门特征,分别将多帧连续的差帧图像在R通道、G通道、B通道的车门特征输入分类器,当分类器输出的识别结果中至少一个为车门打开动作时,判断车门状态为打开状态,当分类器输出的识别结果中至少一个为车门关闭动作时,判断车门状态为关闭状态。本实施例通过提取含有时序信息的差帧图像序列中的车门特征,识别车辆的车门状态,提高了车辆车门识别的效率,避免因获取的车辆图像不包括车门打开状态的车辆图像而导致漏检或误报的情况;将多帧连续的差帧图像在R通道、G通道、B通道的车门特征分别输入分类器,避免差帧图像中车辆颜色对车辆违章识别的影响;识别装置从车辆图像获取的开始时间起,每获取一段预设时长的监控视频,即从预设时长的监控视频中截取至少一帧车辆图像,实现了实时监控,减少了车辆图像的输入密度,避免将整个车门开门状态的若干帧连续车辆图像作为输入车辆图像而增加识别装置的计算量。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
请参阅图5,图5是本申请提供的车辆车门状态识别装置一实施例的框架示意图。车辆车门状态识别装置50包括:
获取模块51,用于获取若干帧连续的车辆图像。
处理模块52,用于将若干帧车辆图像中相邻车辆图像进行帧差处理,得到差帧图像序列,其中,差帧图像序列包括多帧连续的差帧图像。
提取模块53,用于提取多帧连续的差帧图像的车门特征。
识别模块54,用于基于车门特征的变化情况识别车门状态。
请参阅图6,图6是本申请提供的电子设备一实施例的框架示意图。电子设备60包括相互耦接的存储器61和处理器62,处理器62用于执行存储器61中存储的程序指令,以实现上述任一车辆车门状态的识别方法实施例的步骤。在一个具体的实施场景中,电子设备60可以包括但不限于:微型计算机、服务器,此外,电子设备60还可以包括笔记本电脑、平板电脑等移动设备,在此不做限定。
具体而言,处理器62用于控制其自身以及存储器61以实现上述任一车辆车门状态的识别方法实施例的步骤。处理器62还可以称为CPU(Central Processing Unit,中央处理单元)。处理器62可能是一种集成电路芯片,具有信号的处理能力。处理器62还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者是任何常规的处理器等。另外,处理器62可以由集成电路芯片共同实现。
请参阅图7,图7是本申请提供的计算机可读存储介质一实施例的框架示意图。计算机可读存储介质70存储有能够被处理器运行的程序指令701,程序指令701用于实现上述任一车辆车门状态的识别实施例的步骤。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种车辆车门状态的识别方法,其特征在于,所述识别方法包括:
获取若干帧连续的车辆图像;
将所述若干帧车辆图像中相邻车辆图像进行帧差处理,得到差帧图像序列,其中,所述差帧图像序列包括多帧连续的差帧图像;
提取所述多帧连续的差帧图像的车门特征;
基于所述车门特征的变化情况识别车门状态。
2.根据权利要求1所述的识别方法,其特征在于,
所述提取所述多帧连续的差帧图像的车门特征的步骤,包括:
提取所述多帧连续的差帧图像在R通道的车门特征;
提取所述多帧连续的差帧图像在G通道的车门特征;
提取所述多帧连续的差帧图像在B通道的车门特征。
3.根据权利要求2所述的识别方法,其特征在于,
所述基于所述车门特征的变化情况识别车门状态的步骤,包括:
分别将所述多帧连续的差帧图像在R通道、G通道、B通道的车门特征输入分类器;
当所述分类器输出的识别结果中至少一个为车门打开动作时,判断所述车门状态为打开状态;
当所述分类器输出的识别结果中至少一个为车门关闭动作时,判断所述车门状态为关闭状态。
4.根据权利要求1所述的识别方法,其特征在于,
所述获取若干帧连续的车辆图像的步骤之前,所述识别方法还包括:
获取监控视频,并检测所述监控视频中是否存在预设时长内,位移小于位移阈值的车辆;
若是,则从所述监控视频中截取所述若干帧连续的车辆图像。
5.根据权利要求4所述的识别方法,其特征在于,
所述从所述监控视频中截取所述若干帧连续的车辆图像的步骤,包括:
从通过所述监控视频确认所述车辆停止的时间作为截取所述车辆图像的开始时间。
6.根据权利要求5所述的识别方法,其特征在于,
所述从所述监控视频中截取所述若干帧连续的车辆图像的步骤,包括:
从所述开始时间起,每获取一段预设时长的监控视频,从所述预设时长的监控视频截取至少一帧车辆图像。
7.根据权利要求6所述的识别方法,其特征在于,
所述从所述预设时长的监控视频截取至少一帧车辆图像的步骤,包括:
从所述预设时长的监控视频截取首帧车辆图像以及尾帧车辆图像。
8.一种车辆车门状态识别装置,其特征在于,所述装置包括:
获取模块,用于获取若干帧连续的车辆图像;
处理模块,用于将所述若干帧车辆图像中相邻车辆图像进行帧差处理,得到差帧图像序列,其中,所述差帧图像序列包括多帧连续的差帧图像;
提取模块,用于提取所述多帧连续的差帧图像的车门特征;
识别模块,用于基于所述车门特征的变化情况识别车门状态。
9.一种电子设备,其特征在于,所述设备包括存储器以及与所述存储器耦接的处理器;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如权利要求1~7任一项所述车辆车门状态的识别方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序数据,所述程序数据在被处理器执行时,用以实现如权利要求1~7任一项所述车辆车门状态的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010845250.0A CN112016423A (zh) | 2020-08-20 | 2020-08-20 | 车辆车门状态的识别方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010845250.0A CN112016423A (zh) | 2020-08-20 | 2020-08-20 | 车辆车门状态的识别方法、装置、设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112016423A true CN112016423A (zh) | 2020-12-01 |
Family
ID=73504369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010845250.0A Pending CN112016423A (zh) | 2020-08-20 | 2020-08-20 | 车辆车门状态的识别方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016423A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022205106A1 (zh) * | 2021-03-31 | 2022-10-06 | 浙江吉利控股集团有限公司 | 一种车辆预警方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130266185A1 (en) * | 2012-04-06 | 2013-10-10 | Xerox Corporation | Video-based system and method for detecting exclusion zone infractions |
CN109447032A (zh) * | 2018-11-14 | 2019-03-08 | 中设设计集团股份有限公司 | 高速公路服务区客车违法上下客的检测方法及系统 |
CN109598206A (zh) * | 2018-11-09 | 2019-04-09 | 歌尔科技有限公司 | 动态手势识别方法及装置 |
CN109740563A (zh) * | 2019-01-14 | 2019-05-10 | 湖南众智君赢科技有限公司 | 一种面向视频监控的运动目标检测方法 |
CN109961005A (zh) * | 2019-01-28 | 2019-07-02 | 山东大学 | 一种基于二维卷积网络的动态手势识别方法及系统 |
CN110619286A (zh) * | 2019-08-29 | 2019-12-27 | 深圳市城市交通规划设计研究中心有限公司 | 一种车辆开关门动作识别方法、系统及存储介质 |
-
2020
- 2020-08-20 CN CN202010845250.0A patent/CN112016423A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130266185A1 (en) * | 2012-04-06 | 2013-10-10 | Xerox Corporation | Video-based system and method for detecting exclusion zone infractions |
CN109598206A (zh) * | 2018-11-09 | 2019-04-09 | 歌尔科技有限公司 | 动态手势识别方法及装置 |
CN109447032A (zh) * | 2018-11-14 | 2019-03-08 | 中设设计集团股份有限公司 | 高速公路服务区客车违法上下客的检测方法及系统 |
CN109740563A (zh) * | 2019-01-14 | 2019-05-10 | 湖南众智君赢科技有限公司 | 一种面向视频监控的运动目标检测方法 |
CN109961005A (zh) * | 2019-01-28 | 2019-07-02 | 山东大学 | 一种基于二维卷积网络的动态手势识别方法及系统 |
CN110619286A (zh) * | 2019-08-29 | 2019-12-27 | 深圳市城市交通规划设计研究中心有限公司 | 一种车辆开关门动作识别方法、系统及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022205106A1 (zh) * | 2021-03-31 | 2022-10-06 | 浙江吉利控股集团有限公司 | 一种车辆预警方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109684996B (zh) | 基于视频的实时车辆进出识别方法 | |
AU2014240669B2 (en) | Object monitoring system, object monitoring method, and monitoring target extraction project | |
CN105336170B (zh) | 交通违法监测方法及其装置 | |
US20090041359A1 (en) | Method, medium, and apparatus with estimation of background change | |
US9870509B2 (en) | Image storage method and apparatus thereof | |
CN110796052A (zh) | 车牌识别方法、装置、设备及可读介质 | |
CN105654733A (zh) | 一种基于视频检测的前后车牌识别方法及装置 | |
CN110580808A (zh) | 一种信息处理方法、装置、电子设备及智能交通系统 | |
KR102159954B1 (ko) | 지능형 영상 분석을 위한 관심 영역 설정 방법 및 이에 따른 영상 분석 장치 | |
CN112598677B (zh) | 用于图像分析的方法和设备 | |
CN112016423A (zh) | 车辆车门状态的识别方法、装置、设备及计算机存储介质 | |
CN115412705A (zh) | 具有车辆信息隐私保护的实时视频监控方法及系统 | |
Borhade et al. | Advanced driver assistance system | |
CN111597980B (zh) | 一种目标对象聚类方法及装置 | |
CN113537034A (zh) | 收银防损方法及系统 | |
CN113438286A (zh) | 信息推送方法及装置、电子设备和存储介质 | |
CN115082326A (zh) | 视频去模糊的处理方法、边缘计算设备及中心处理器 | |
CN112507757A (zh) | 车辆行为检测方法、装置和计算机可读介质 | |
CN111225178A (zh) | 基于对象检测的视频监控方法及其系统 | |
Chen et al. | Real-time license plate identification by perceptual shape grouping and tracking | |
WO2020255629A1 (ja) | 画像処理装置及び画像処理用プログラム | |
CN114842650B (zh) | 一种车辆超时违停判断方法及装置、图像采集设备 | |
CN116052439A (zh) | 停车场车牌识别方法、装置、系统、计算机设备和介质 | |
CN111738185B (zh) | 一种目标识别方法、装置及设备 | |
CN116453068A (zh) | 一种基于视频压缩域的路侧停车行为识别方法及系统 |
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 |