CN112766216A - 车辆驶入停车位检测方法、装置、电子设备及存储介质 - Google Patents
车辆驶入停车位检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112766216A CN112766216A CN202110130367.5A CN202110130367A CN112766216A CN 112766216 A CN112766216 A CN 112766216A CN 202110130367 A CN202110130367 A CN 202110130367A CN 112766216 A CN112766216 A CN 112766216A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- point set
- parking space
- determining
- tracked
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 claims abstract description 133
- 238000012544 monitoring process Methods 0.000 claims abstract description 56
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000007 visual effect 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
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车辆驶入停车位检测方法,包括:获取监控图像,并在待检测图像中确定车辆检测框和车辆位置预测框;确定车辆检测框与车辆位置预测框的重合情况,并根据重合情况确定监控图像中的车辆对应的跟踪车辆;确定跟踪车辆对应的车辆位置预测框与预设车位区域的第一重合度,并在第一重合度大于第一阈值时判定跟踪车辆驶入停车位。本方法同时生成车辆检测框及预测车辆位置的车辆位置预测框,进而可根据车辆检测框和车辆位置预测框的重合情况,确定监控图像出现的车辆对应的跟踪车辆,可有效确保该车辆与跟踪车辆对应,进而提升检测可靠性。本发明还提供一种车辆驶入停车位检测装置、电子设备及存储介质,具有上述有益效果。
Description
技术领域
本发明涉及智慧城市停车领域,特别涉及一种车辆驶入停车位检测方法、装置、电子设备及存储介质。
背景技术
随着汽车保有量不断提升,城市停车难的问题日趋明显。为了提升对车位资源及车辆的管理,基于视频的路内停车检测方案应运而生。该方案采用图像检测的方式对车辆的驶入状况进行检测,进而提升车位资源及车辆的管理效率。
相关技术中,基于视频的路内停车检测方案依靠对车辆图像检测的方式对车辆进行跟踪,然而实际路况较为复杂,会出现车辆之间的相互遮挡,此时该方案会出现难以区分相互遮挡车辆的车辆信息,进而生成混淆的车辆检测结果,降低了车辆驶入停车位的检测可靠性,进而降低了停车计费的准确性及公平性。
发明内容
本发明的目的是提供一种车辆驶入停车位检测方法、装置、电子设备及存储介质,可同时生成车辆检测框及预测车辆位置的车辆位置预测框,进而可根据车辆检测框和车辆位置预测框的重合情况,确定监控图像出现的车辆对应的跟踪车辆,可有效确保该车辆与跟踪车辆对应,进而提升检测可靠性。
为解决上述技术问题,本发明提供一种车辆驶入停车位检测方法,包括:
获取监控图像,并在所述待检测图像中确定车辆检测框和车辆位置预测框;
确定所述车辆检测框与所述车辆位置预测框的重合情况,并根据所述重合情况确定所述监控图像中的车辆对应的跟踪车辆;
确定所述跟踪车辆对应的车辆位置预测框与所述预设车位区域的第一重合度,并在所述第一重合度大于第一阈值时判定所述跟踪车辆驶入停车位。
可选地,所述确定所述车辆检测框与所述车辆位置预测框的重合情况,并根据所述重合情况确定所述监控图像中的车辆对应的跟踪车辆,包括:
判断所述车辆检测框与所述车辆位置预测框的第二重合度是否大于第二阈值;
若是,则提取所述车辆位置预测框中第一车辆的第一车辆特征点集,并利用所述第一车辆特征点集确定所述第一车辆对应的跟踪车辆;
若否,则提取所述车辆检测框中第二车辆的第二车辆特征点集,并利用所述第二车辆特征点集确定所述第二车辆对应的跟踪车辆。
可选地,所述利用所述第一车辆特征点集确定所述第一车辆对应的跟踪车辆,包括:
将所述第一特征点集与车辆特征池中各跟踪车辆的历史特征点集进行匹配,得到原始匹配度;
移除小于第三阈值的所述原始匹配度,并将剩余的原始匹配度设置为匹配度;
将所述第一特征点集添加至所述匹配度最大的历史特征点集对应的跟踪车辆中,并将所述第一车辆设置为所述匹配度最大的历史特征点集对应的跟踪车辆。
可选地,在将所述第一车辆设置为所述匹配度最大的历史特征点集对应的跟踪车辆之后,还包括:
将所述车辆特征池中未匹配成功的跟踪车辆设置为未匹配车辆;
确定所述未匹配车辆对应的连续未匹配监控图像的图像帧数量;
若所述图像帧数量大于第四阈值,则计算所述未匹配车辆对应的车辆位置预测框与预设车位区域的距离,并将所述未匹配车辆从所述车辆特征池中移除;
若所述距离小于第五阈值,则计算所述预设车位区域与上一待检测图像中的预设车位区域的图像变化度;
若所述图像变化度大于第六阈值,则输出异常信息。
可选地,所述利用所述第二车辆特征点集确定所述第二车辆对应的跟踪车辆,包括:
将所述第二特征点集及与所述车辆特征池中各跟踪车辆的历史特征点集进行匹配;
当匹配成功时,将所述第二特征点集添加至匹配成功的历史特征点集对应的跟踪车辆中,并将所述第二车辆设置为匹配成功的历史特征点集对应的跟踪车辆;
利用所述车辆检测框对所述跟踪车辆对应的车辆位置预测框进行修正。
可选地,在将所述第二特征点集及与所述车辆特征池中各跟踪车辆的历史特征点集进行匹配之后,还包括:
当匹配失败时,确定所述第二车辆存在于所述待定特征池;
若是,则将所述第二特征点集设置为待定特征点集并添加至所述第二车辆中;
若否,则将所述第二车辆添加至待定特征池中,并将设置为待定特征点集的第二特征点集添加至所述第二车辆中;
判断所述第二车辆所对应的待定特征点集的数量是否大于第七阈值;
若是,则将所述第二车辆及对应的待定特征点集移动至所述车辆特征池。
可选地,在匹配失败之后,还包括:
确定所述车辆检测框与预设车位区域的第三重合度是否大于第八阈值;
若是,则判定第二车辆驶入所述停车区,并输出异常信息。
本发明还提供一种车辆驶入停车位检测装置,包括:
图像获取模块,用于获取监控图像,并在所述待检测图像中确定车辆检测框和车辆位置预测框;
跟踪车辆确定模块,用于确定所述车辆检测框与所述车辆位置预测框的重合情况,并根据所述重合情况确定所述监控图像中的车辆对应的跟踪车辆;
驶入判定模块,用于确定所述跟踪车辆对应的车辆位置预测框与预设车位区域的第一重合度,并在所述第一重合度大于第一阈值时判定所述跟踪车辆驶入停车位。
本发明还提供一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述所述的车辆驶入停车位检测方法。
本发明还提供一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如上述所述的车辆驶入停车位检测方法。
本发明提供一种车辆驶入停车位检测方法,包括:获取监控图像,并在所述待检测图像中确定车辆检测框和车辆位置预测框;确定所述车辆检测框与所述车辆位置预测框的重合情况,并根据所述重合情况确定所述监控图像中的车辆对应的跟踪车辆;确定所述跟踪车辆对应的车辆位置预测框与预设车位区域的第一重合度,并在所述第一重合度大于第一阈值时判定所述跟踪车辆驶入停车位。
可见,本方法首先在监控图像中生成检测车辆的车辆检测框及预测跟踪车辆位置的车辆位置预测框。相关技术中由于只对车辆图像进行检测,进而在车辆互相遮挡时将难以区分互相遮挡的车辆,进而降低车辆驶入检测的可靠性。而方法除了生成车辆检测框,还生成了预设车辆位置的车辆位置预测框,该车辆位置预测框基于已跟踪成功的跟踪车辆的检测结果生成,可分析出此帧监控图像中跟踪车辆的大致位置;本方法进而根据车辆检测框和车辆位置预测框的重合情况,确定监控图像出现的车辆对应的跟踪车辆,可有效确保此帧监控图像中的车辆与跟踪车辆一一对应,进而提升车辆驶入检测的可靠性,并最终提升停车计费的准确性及公平性。本发明还提供一种车辆驶入停车位检测装置、电子设备及存储介质,具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种车辆驶入停车位检测方法的流程图;
图2为本发明实施例所提供的一种车辆驶入停车位检测装置的结构框图。
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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
相关技术中,基于视频的路内停车检测方案依靠对车辆图像检测的方式对车辆进行跟踪,然而实际路况较为复杂,会出现车辆之间的相互遮挡,此时该方案会出现难以区分相互遮挡车辆的车辆信息,进而生成混淆的车辆检测结果,降低了车辆驶入停车位的检测可靠性,进而降低了停车计费的准确性及公平性。有鉴于此,本发明提供一种车辆驶入停车位检测方法,可在监控图像中同时生成车辆检测框和跟踪车辆的车辆位置预测框,并根据车辆检测框和车辆位置预测框的重合情况确定监控图像中车辆对应的跟踪车辆,可有效确保车辆与跟踪车辆一一对应,进而提升车辆驶入停车位检测的可靠性。请参考图1,图1为本发明实施例所提供的一种车辆驶入停车位检测方法的流程图,该方法可以包括:
S101、获取监控图像,并在待检测图像中确定车辆检测框和车辆位置预测框。
车辆驶入停车位的检测需要对车辆进行一对一跟踪,以实时确定车辆的行进位置。在相关技术中采用车辆图像检测的方式进行车辆跟踪,但在实际路况中,车辆与车辆之间的相互遮挡很常见,相关技术的技术方案在检测相互遮挡的车辆时会出现检测错误,混淆两部车辆的检测结果,进而生成错误的跟踪数据,降低了车辆跟踪的可靠性并同时降低了车辆驶入停车位的可靠性。而在本发明实施例中,在对车辆进行图像检测得到车辆检测框的同时,还生成了车辆位置预测框,该预测框基于对以成功跟踪的跟踪车辆的历史检测结果,可有效预测车辆的出现位置。由于车辆检测会受光线、障碍物遮挡及网络延迟等因素的影响,进而出现车辆检测框偏移的情况,因此在本发明实施例中采用车辆位置预测框对车辆位置进行预测,随后通过车辆检测框和车辆位置预测框的重合度,便可在车辆检测框出现偏移时利用车辆位置预测框进行纠正,进而确保监控图像中的车辆与以成功跟踪的跟踪车辆一一对应。
需要说明的是,本发明实施例并不限定监控图像的获取方式,例如可通过图像采集设备进行采集,也可从视频拍摄设备采集的视频数据中抽帧得到。为了确保车辆驶入停车位检测的实时性,在本发明实施例中监控图像可从视频拍摄设备采集的视频数据中抽帧得到。本发明实施例并不限定抽帧操作的具体方式,用户可参考相关技术。本发明实施例也不限定在视频数据中执行抽帧操作的方式,例如在每秒采集的视频数据中随机抽取,也可以在每个固定帧数后进行抽取,也可以在每个固定时间后进行抽取,用户可根据实际应用需求进行设定。需要说明的是,本发明实施例并不限定具体的固定帧数和固定时间,同时也不限定视频采集设备每秒采集的视频帧数量,用户可根据实际应用需求进行设定。可以理解的是,本发明实施例为了对停车位进行监控,监控图像中至少包含停车位的区域。除此之外,本发明实施例并不限定监控图像的其他拍摄参数及尺寸,只要可包含停车位区域即可。
本发明实施例也不限定具体的视频采集设备,例如可以为低位视频路侧停车检测设备,也可以为高位视频路侧停车检测设备。考虑到高位视频路测停车检测设备监控范围广、安装立柱少以及更加美观,在本发明实施例中可采用高位视频路侧停车检测设备。本发明实施例并不限定高位视频路侧停车检测设备的安装高度,该高度可自由设置,例如在一种可能的情况中,高位视频路侧停车检测设备可安装在6米高。
进一步,可以理解的是为了生成车辆位置框,需要对监控图像中的车辆进行检测。本发明实施例并不限定具体的车辆检测方法,该方法可为任意目标检测方法,只要可满足对车辆的检测操作需求即可,例如可以为R-CNN或YOLO等目标检测算法,其中R-CNN(RegionCNN,区域卷积神经网络)是一种结合了候选区域及卷积神经网络的目标检测算法,YOLO是一种基于深度神经网络的对象识别和定位算法。本发明实施例也不限定车辆位置框的具体尺寸及形状,用户可根据实际应用需求进行设定。
进一步,可以理解的是为了生成车辆位置预测框,需要首先对已跟踪成功的跟踪车辆在本监控图像中出现的位置进行预测,而该预测操作基于该跟踪车辆的历史检测信息。需要说明的是,本发明实施例并不限定具体的车辆位置预测方法,该方法可为任意视觉目标跟踪方法,只要可满足对跟踪车辆的位置预测需求即可,例如可以为基于稀疏表示(Sparse Representation)的目标跟踪算法,也可以为基于相关滤波(CorrelationFilter)的目标跟踪算法,也可以为基于深度学习的目标跟踪算法。本发明实施例也不限定车辆位置预测框的尺寸及形状,用户可根据实际应用需求进行设定。
最后,本发明实施例并不限定车辆检测框和车辆位置预测框的具体数量,该数量可为任意值,同时该数量与监控图像中可能检测到的车辆数量及已跟踪成功的跟踪车辆的数量有关。
S102、确定车辆检测框与车辆位置预测框的重合情况,并根据重合情况确定监控图像中的车辆对应的跟踪车辆。
跟踪车辆是指在先前监控图像中已确定处于跟踪状态的车辆,即至少在上一监控图像中已确定一对一关系的车辆。而在该次车辆驶入停车位检测中,需要根据车辆检测框与车辆位置预测框的重合情况,确定本帧监控图像中的车辆与上一监控图像中已确定跟踪状态的跟踪车辆的对应关系,这样才可对车辆的移动过程进行持续检测。需要说明的是,本发明实施例并不限定跟踪车辆的数量,该数量可为任意值。
进一步,本发明实施例并不限定重合情况的确定方式,例如可以计算车辆检测框与车辆位置预测框的重合度,并利用预设阈值及该重合度确定重合情况,也可以利用多个预设区间范围及该重合度确定重合情况。本发明实施例也不限定具体的重合情况,该重合情况与具体的确定方式有关,例如采用预设阈值和重合度进行确定时,可分为重合和未重合两种;当采用多个预设区间范围时,该重合情况也可包含多种重合类型。由于两种重合情况可满足应用需求,因此在本发明实施例中,重合情况可利用预设阈值及重合度确定,重合情况可包含重合和未重合两种。
在一种可能的情况中,确定车辆检测框与车辆位置预测框的重合情况,并根据重合情况确定监控图像中的车辆对应的跟踪车辆的过程,可以包括:
步骤11:判断车辆检测框与车辆位置预测框的第二重合度是否大于第二阈值;若是,则进入步骤12;若否,则进入步骤13;
需要说明的是,本发明实施例并不限定第二阈值的具体数值,用户可根据实际应用需求进行设定。
步骤12:提取车辆位置预测框中第一车辆的第一车辆特征点集,并利用第一车辆特征点集确定第一车辆对应的跟踪车辆;
当车辆检测框与车辆位置预测框的第二重合度大于第二阈值时,说明车辆跟踪成功,此时只需将车辆位置预测框中的第一车辆与上一监控图像中跟踪成功的跟踪车辆进行匹配即可。在本发明实施例中,该匹配操作可利用第一车辆的第一车辆特征点集执行。
可以理解的是,第一车辆特征点集中包含若干特征点。本发明实施例并不限定特征点的种类,例如可以为SIFT特征点,也可以为Harris角点,也可以为其他类型的图像特征点,其中SIFT特征点(Scale-invariant feature transform,尺度不变特征变换)是一种局部特征描述子,具有尺度和旋转不变性的特征;Harris角点具有特征分布均匀、稳定性好的优点,但不具有尺度不变性。本发明实施例也不限定特征点的具体提取方法,用户可参考实际选用的特征点的相关技术。本发明实施例也不限定特征点的数量,该数量与具体提取方法及图像中车辆的特征信息有关,可为任意值。
进一步,本发明实施例并不限定利用第一车辆特征点集确定第一车辆对应跟踪车辆的具体方式,例如可利用此帧监控画面中第一车辆特征点集与上一监控画面中该跟踪车辆的特征点集进行配对,若配对成功则说明第一车辆与跟踪车辆对应,当跟踪车辆具有若干特征点集时,也可利用第一车辆特征点集与该跟踪车辆的任意特征点集进行配对,若配对成功则说明第一车辆与跟踪车联对应。
步骤13:提取车辆检测框中第二车辆的第二车辆特征点集,并利用第二车辆特征点集确定第二车辆对应的跟踪车辆。
当车辆检测框与车辆位置预测框的重合度小于第二阈值时,说明车辆检测框或车辆位置预测框出现偏差,此时监控图像中的跟踪车辆可能在光线、遮挡或是网络延迟等因素的影响下丢失了跟踪状态,进而导致跟踪车辆的车辆位置预测框偏移;又或是车辆为刚刚进入监控图像覆盖区域的新车,不具有历史检测结果进而不具有车辆位置预测框。为了在跟踪车辆再次被检测之时延续跟踪车辆的跟踪状态,又或是确定新车的跟踪状态,在本发明实施例中提取了车辆检测框中的第二车辆特征点集,并利用该特征点集确定第二车辆对应的跟踪车辆,以解决跟踪车辆的车辆位置检测框偏移或新车不具有车辆位置检测框的问题。
需要说明的是,对第二车辆特征点集及利用第二车辆特征点集确定跟踪车辆的限定描述,与第一车辆特征点集及利用第一车辆特征点集确定跟踪车辆的限定描述一致,请参考对应位置的描述。
S103、确定跟踪车辆对应的车辆位置预测框与预设车位区域的第一重合度,并在第一重合度大于第一阈值时判定跟踪车辆驶入停车位。
需要说明的是,本发明实施例并不限定第一阈值的具体数值,用户可根据实际的应用需求进行设定。
基于上述实施例,本方法首先在监控图像中生成检测车辆的车辆检测框及预测跟踪车辆位置的车辆位置预测框。相关技术中由于只对车辆图像进行检测,进而在车辆互相遮挡时将难以区分互相遮挡的车辆,进而降低车辆驶入检测的可靠性。而方法除了生成车辆检测框,还生成了预设车辆位置的车辆位置预测框,该车辆位置预测框基于已跟踪成功的跟踪车辆的检测结果生成,可分析出此帧监控图像中跟踪车辆的大致位置;本方法进而根据车辆检测框和车辆位置预测框的重合情况,确定监控图像出现的车辆对应的跟踪车辆,可有效确保此帧监控图像中的车辆与跟踪车辆一一对应,进而提升车辆驶入检测的可靠性,并最终提升停车计费的准确性及公平性。
基于上述实施例,下面对利用第一车辆特征点集确定第一车辆对应跟踪车辆的具体方式进行介绍。在一种可能的情况中,利用第一车辆特征点集确定第一车辆对应的跟踪车辆的过程,可以包括:
S201、将第一特征点集与车辆特征池中各跟踪车辆的历史特征点集进行匹配,得到原始匹配度。
需要说明的是,车辆特征池用于存放所有跟踪车辆的历史特征点集,可以理解的是当跟踪车辆被跟踪时后,用于对齐进行跟踪的历史特征点集便存放至车辆特征池中,以便后续持续监测车辆的移动状况。需要说明的是,本发明实施例并不限定车辆特征池的具体形式,只要能够包含跟踪车辆及跟踪车辆对应的历史特征点集数据即可。
本发明实施例中对历史特征点集的限定描述与对第一特征点集的限定描述一致,请参考相关部分的描述,此处不再赘述。
S202、移除小于第三阈值的原始匹配度,并将剩余的原始匹配度设置为匹配度。
为了进一步提升第一车辆与跟踪车辆的对应准确度,在本发明实施例中首先去除了所有不符合要求的原始匹配度,并只在剩余的原始匹配度中进一步确定第一车辆与跟踪车辆的对应关系。需要说明的是,本发明实施例并不限定第三阈值的具体数值,用户可根据实际应用需求进行设定。
S203、将第一特征点集添加至匹配度最大的历史特征点集对应的跟踪车辆中,并将第一车辆设置为匹配度最大的历史特征点集对应的跟踪车辆。
考虑到跟踪车辆与视频采集设备的相对位置不断发生变化,进而跟踪车辆的图像特征也会随位置的变化而改变,为了实现持续跟踪车辆的效果,需要动态地更新跟踪车辆的历史特征点集;同时,车辆图像特征是停车位计费的重要依据,只有在收集了足量的车辆图像特征后,才可确保驶入车位的车辆与跟踪车辆一一对应,进而确保计费公平有效。因此在本发明实施例中,在确定车辆与跟踪车辆的对应关系后,也就是在确定与第一车辆匹配度最大的跟踪车辆之后,可将第一特征点集添加至该跟踪车辆,以对跟踪车辆的图像特征信息进行动态更新。
需要说明的是,本发明实施例并不限定在将第一车辆设置为匹配度最大的历史特征点集对应的跟踪车辆之后的操作,例如可以对下一监控图像执行车辆驶入停车位的检测操作,也可以对车辆特征池中失去跟踪状态的车辆信息进行清除。在本发明实施例中,考虑到跟踪车辆可能驶出监控图像的范围,或是跟踪车辆被遮挡无法被检测,此时车辆特征池中可能出现大量丢失跟踪状态的车辆信息,因此为了清除无用信息,在在将第一车辆设置为匹配度最大的历史特征点集对应的跟踪车辆之后,还可以对车辆特征池中失去跟踪状态的车辆信息进行清除。
在一种可能的情况中,在将第一车辆设置为匹配成功的历史特征点集对应的跟踪车辆之后,还可以包括:
步骤21:将车辆特征池中未匹配成功的跟踪车辆设置为未匹配车辆。
步骤22:确定未匹配车辆对应的连续未匹配监控图像的图像帧数量。
步骤23:若图像帧数量大于第四阈值,则计算未匹配车辆对应的车辆位置预测框与预设车位区域的距离,并将未匹配车辆从车辆特征池中移除。
考虑到预设车位区域附近可能存在遮挡情况,进而导致跟踪车辆在预设车位区域附近丢失跟踪状态,因此为了确认跟踪车辆是否在预设车位区域附近,本发明实施例采集了车辆位置预测框与预设车位区域的距离,以便进行后续的判定操作。需要说明的是,本发明实施例并不限定具体的第四阈值,用户可自由设定。
步骤24:若图像帧数量小于等于第四阈值,则对下一监控图像进行车辆驶入停车位检测。
步骤25:若距离小于第五阈值,则计算预设车位区域与上一待检测图像中的预设车位区域的图像变化度。
需要说明的是,本发明实施例并不限定图像变化度的确定方式,用户可参考相关技术。本发明实施例也不限定具体的第五阈值,用户可根据实际应用需求进行设定。
步骤26:若距离大于等于第五阈值,则对下一监控图像进行车辆驶入停车位检测。
步骤27:若图像变化度大于第六阈值,则输出异常信息;
当图像变化度大于第六阈值时,说明预设车位区域附近存在明显变化,可能存在车辆驶入情况,需要输出异常信息以提示管理人员进行人工处理。需要说明的是,本发明实施例并不限定异常信息的形式及具体内容,例如可包含预设车位区域的图像信息等,用户可根据实际应用需求进行设定。
步骤28:若图像变化度小于等于第六阈值,则对下一监控图像进行车辆驶入停车位检测。
基于上述实施例,本方法在车辆检测框与车辆位置预测框重合的情况下,利用第一车辆的第一车辆特征点集与跟踪车辆的历史特征点集进行匹配,并根据匹配度确定第一车辆对应的跟踪车辆,可有效且可靠地确定第一车辆与跟踪车辆的对应关系,便于对跟踪车辆的移动情况进行持续检测。
基于上述实施例,下面对利用第二车辆特征点集确定第二车辆对应跟踪车辆的具体方式进行介绍。在一种可能的情况中,利用第二车辆特征点集确定第二车辆对应的跟踪车辆,包括:
S301、将第二特征点集及与车辆特征池中各跟踪车辆的历史特征点集进行匹配。
相关技术中,采用车辆图像检测的方式对车辆进行跟踪,但在实际的路况中,车辆可能受到其他车辆或障碍物的遮挡,此时仅凭借车辆图像检测的方式将会丢失并难以延续跟踪状态。而本发明实施例在得到车辆检测框并确定车辆检测框与车辆位置预测框不重叠后,便利用车辆检测框中提取的第二特征点集与跟踪车辆的历史特征点集进行匹配,确定该第二车辆是否为丢失跟踪状态的跟踪车辆,若是则恢复该跟踪车辆的跟踪状态,以延续对跟踪车辆移动情况的检测。
S302、当匹配成功时,将第二特征点集添加至匹配成功的历史特征点集对应的跟踪车辆中,并将第二车辆设置为匹配成功的历史特征点集对应的跟踪车辆。
需要说明的是,本发明实施例并不限定匹配成功的判定标志,例如可以为匹配度大于预设阈值,或匹配成功的特征点数量大于预设数量,用户可根据实际应用需求进行设定。同时,本发明实施例将第二特征点集添加至匹配成功的跟踪车辆中,可动态更新跟踪车辆的图像特征信息。
S303、利用车辆检测框对跟踪车辆对应的车辆位置预测框进行修正。
需要说明的是,本发明实施例并不限定对车辆位置预测框进行修正的方式,例如可将该车辆检测框设置为该车辆位置预测框,也可计算修正前的车辆位置预测框与车辆检测框之间的偏移量,并利用该偏移量进行修正,用户可根据实际应用需求进行设定。
进一步,考虑到车辆检测框中的车辆为刚刚进入监控区域的新车,而新车没有进入跟踪状态,进而没有对应的跟踪车辆及车辆位置预测框,因此需要确定此类新车的跟踪状态。在一种可能的情况中,在将第二特征点集及与车辆特征池中各跟踪车辆的历史特征点集进行匹配之后,还可以包括:
步骤31:当匹配失败时,确定第二车辆存在于待定特征池;若是,则进入步骤32;若否,则进入步骤33。
待定特征池用于存放与跟踪车辆没有对应关系的待定车辆。本发明实施例对待定特征池的限定描述与车辆特征池的限定描述一致,此处不再赘述。
本发明实施例也不限定确定第二车辆是否存在于待定特征池的方式,例如利用第二特征点集与待定特征池中个待定车辆的待定特征点集进行匹配,当第二车辆及待定车辆都具有车辆标识时,也可以通过匹配该标识进行确定。
步骤32:将第二特征点集设置为待定特征点集并添加至第二车辆中。
步骤33:将第二车辆添加至待定特征池中,并将设置为待定特征点集的第二特征点集添加至第二车辆中。
步骤34:判断第二车辆所对应的待定特征点集的数量是否大于第七阈值;若是,则进入步骤35;若否,则对下一监控图像执行车辆驶入检测操作;
步骤35:将第二车辆及对应的待定特征点集移动至车辆特征池。
由于新车可能只会在监控图像覆盖的监控区域短暂出现,而短暂出现的车辆不具有跟踪价值,因此在本发明实施例中,利用第三阈值可确保车辆在监控区域中的停留时间符合跟踪要求,进而当待定特征点集的数量大于第七阈值时,便可确定第二车辆的跟踪状态,进而将第二车辆设置为跟踪车辆以进行持续检测。需要说明的是,本发明实施例并不限定具体的第七阈值,用户可根据实际应用需求进行设定。
进一步,考虑到车辆检测框中的车辆可能为没有进入跟踪状态的新车,没有对应的跟踪车辆,同时也不带有足够的图像特征信息,且此时该车辆已驶入停车位。面对此种情况,在本发明实施例中将采用人工处理的方式进行异常排除。
在一种可能的情况中,在匹配失败之后,还可以包括:
步骤41:确定车辆检测框与预设车位区域的第三重合度是否大于第八阈值;若是,则进入步骤42;若否,则对下一监控图像执行车辆驶入检测操作;
步骤42:判定第二车辆驶入停车区,并输出异常信息。
本发明实施例并不限定异常信息的形式及具体内容,例如可包含预设车位区域的图像信息等,用户可根据实际应用需求进行设定。需要说明的是,本发明实施例并不限定具体的第八阈值,用户可根据实际应用需求进行设定。
基于上述实施例,本方法在得到车辆检测框并确定车辆检测框与车辆位置预测框不重叠后,便利用车辆检测框中提取的第二特征点集与跟踪车辆的历史特征点集进行匹配,确定该第二车辆是否为丢失跟踪状态的跟踪车辆。相关技术中,采用车辆图像检测的方式对车辆进行跟踪,但在实际的路况中,车辆可能受到其他车辆或障碍物的遮挡,此时仅凭借车辆图像检测的方式将会丢失并难以延续跟踪状态,而本方法可利用第二特征点集与历史特征点集进行匹配,若匹配成功则可恢复该跟踪车辆的跟踪状态,以延续对跟踪车辆移动情况的检测,进而确保对跟踪车辆移动情况的持续检测。
下面对本发明实施例提供的一种车辆驶入停车位检测装置、电子设备及存储介质进行介绍,下文描述的车辆驶入停车位检测装置、电子设备及存储介质与上文描述的车辆驶入停车位检测方法可相互对应参照。
请参考图2,图2为本发明实施例所提供的一种车辆驶入停车位检测装置的结构框图,该装置可以包括:
图像获取模块201,用于获取监控图像,并在待检测图像中确定车辆检测框和车辆位置预测框;
跟踪车辆确定模块202,用于确定车辆检测框与车辆位置预测框的重合情况,并根据重合情况确定监控图像中的车辆对应的跟踪车辆;
驶入判定模块203,用于确定跟踪车辆对应的车辆位置预测框与预设车位区域的第一重合度,并在第一重合度大于第一阈值时判定跟踪车辆驶入停车位。
基于上述实施例,本装置首先在监控图像中生成检测车辆的车辆检测框及预测跟踪车辆位置的车辆位置预测框。相关技术中由于只对车辆图像进行检测,进而在车辆互相遮挡时将难以区分互相遮挡的车辆,进而降低车辆驶入检测的可靠性。而装置除了生成车辆检测框,还生成了预设车辆位置的车辆位置预测框,该车辆位置预测框基于已跟踪成功的跟踪车辆的检测结果生成,可分析出此帧监控图像中跟踪车辆的大致位置;本装置进而根据车辆检测框和车辆位置预测框的重合情况,确定监控图像出现的车辆对应的跟踪车辆,可有效确保此帧监控图像中的车辆与跟踪车辆一一对应,进而提升车辆驶入检测的可靠性,并最终提升停车计费的准确性及公平性。
可选地,跟踪车辆确定模块202,可以包括:
重合度判定子模块,用于判断车辆检测框与车辆位置预测框的第二重合度是否大于第二阈值;
第一跟踪车辆确定子模块,用于提取车辆位置预测框中第一车辆的第一车辆特征点集,并利用第一车辆特征点集确定第一车辆对应的跟踪车辆;
第二跟踪车辆确定子模块,用于提取车辆检测框中第二车辆的第二车辆特征点集,并利用第二车辆特征点集确定第二车辆对应的跟踪车辆。
可选地,第一跟踪车辆确定子模块,可以包括:
第一匹配单元,用于将第一特征点集与车辆特征池中各跟踪车辆的历史特征点集进行匹配,得到原始匹配度;
匹配度设置单元,用于移除小于第三阈值的原始匹配度,并将剩余的原始匹配度设置为匹配度;
第一跟踪车辆确定单元,用于将第一特征点集添加至匹配度最大的历史特征点集对应的跟踪车辆中,并将第一车辆设置为匹配度最大的历史特征点集对应的跟踪车辆。
可选地,第一跟踪车辆确定子模块,还可以包括:
未匹配车辆确定单元,用于将车辆特征池中未匹配成功的跟踪车辆设置为未匹配车辆;
图像数量确定单元,用于确定未匹配车辆对应的连续未匹配监控图像的图像帧数量;
未匹配车辆移除单元,用于在图像帧数量大于第四阈值时,计算未匹配车辆对应的车辆位置预测框与预设车位区域的距离,并将未匹配车辆从车辆特征池中移除;
变化度计算单元,用于在距离小于第五阈值时,则计算预设车位区域与上一待检测图像中的预设车位区域的图像变化度;
第一异常信息输出单元,用于在图像变化度大于第六阈值时,则输出异常信息。
可选地,第二跟踪车辆确定子模块,包括:
第二匹配单元,用于将第二特征点集及与车辆特征池中各跟踪车辆的历史特征点集进行匹配;
第二跟踪车辆确定单元,用于在匹配成功时,将第二特征点集添加至匹配成功的历史特征点集对应的跟踪车辆中,并将第二车辆设置为匹配成功的历史特征点集对应的跟踪车辆;
预测框修正单元,用于利用车辆检测框对跟踪车辆对应的车辆位置预测框进行修正。
可选地,第二跟踪车辆确定子模块,还可以包括:
待定车辆确定单元,用于当匹配失败时,确定第二车辆存在于待定特征池;
第一待定特征点集添加单元,用于将第二特征点集设置为待定特征点集并添加至第二车辆中;
第二待定特征点集添加单元,用于将第二车辆添加至待定特征池中,并将设置为待定特征点集的第二特征点集添加至第二车辆中;
判定单元,用于判断第二车辆所对应的待定特征点集的数量是否大于第七阈值;
跟踪状态确定单元,用于将第二车辆及对应的待定特征点集移动至车辆特征池。
可选地,第二跟踪车辆确定子模块,还可以包括:
异常驶入判定单元,用于确定车辆检测框与预设车位区域的第三重合度是否大于第八阈值;
第二异常信息输出单元,用于判定第二车辆驶入停车区,并输出异常信息。
本发明实施例还提供一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上述的车辆驶入停车位检测方法的步骤。
由于电子设备部分的实施例与车辆驶入停车位检测方法部分的实施例相互对应,因此电子设备部分的实施例请参见车辆驶入停车位检测方法部分的实施例的描述,这里暂不赘述。
本发明实施例还提供一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述任意实施例的车辆驶入停车位检测方法的步骤。
由于存储介质部分的实施例与车辆驶入停车位检测方法部分的实施例相互对应,因此存储介质部分的实施例请参见车辆驶入停车位检测方法部分的实施例的描述,这里暂不赘述。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语包括、包含或者其他任何变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上对本发明所提供的一种车辆驶入停车位检测方法、装置、电子设备及存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种车辆驶入停车位检测方法,其特征在于,包括:
获取监控图像,并在所述待检测图像中确定车辆检测框和车辆位置预测框;
确定所述车辆检测框与所述车辆位置预测框的重合情况,并根据所述重合情况确定所述监控图像中的车辆对应的跟踪车辆;
确定所述跟踪车辆对应的车辆位置预测框与所述预设车位区域的第一重合度,并在所述第一重合度大于第一阈值时判定所述跟踪车辆驶入停车位。
2.根据权利要求1所述的车辆驶入停车位检测方法,其特征在于,所述确定所述车辆检测框与所述车辆位置预测框的重合情况,并根据所述重合情况确定所述监控图像中的车辆对应的跟踪车辆,包括:
判断所述车辆检测框与所述车辆位置预测框的第二重合度是否大于第二阈值;
若是,则提取所述车辆位置预测框中第一车辆的第一车辆特征点集,并利用所述第一车辆特征点集确定所述第一车辆对应的跟踪车辆;
若否,则提取所述车辆检测框中第二车辆的第二车辆特征点集,并利用所述第二车辆特征点集确定所述第二车辆对应的跟踪车辆。
3.根据权利要求2所述的车辆驶入停车位检测方法,其特征在于,所述利用所述第一车辆特征点集确定所述第一车辆对应的跟踪车辆,包括:
将所述第一特征点集与车辆特征池中各跟踪车辆的历史特征点集进行匹配,得到原始匹配度;
移除小于第三阈值的所述原始匹配度,并将剩余的原始匹配度设置为匹配度;
将所述第一特征点集添加至所述匹配度最大的历史特征点集对应的跟踪车辆中,并将所述第一车辆设置为所述匹配度最大的历史特征点集对应的跟踪车辆。
4.根据权利要求3所述的车辆驶入停车位检测方法,其特征在于,在将所述第一车辆设置为所述匹配度最大的历史特征点集对应的跟踪车辆,还包括:
将所述车辆特征池中未匹配成功的跟踪车辆设置为未匹配车辆;
确定所述未匹配车辆对应的连续未匹配监控图像的图像帧数量;
若所述图像帧数量大于第四阈值,则计算所述未匹配车辆对应的车辆位置预测框与预设车位区域的距离,并将所述未匹配车辆从所述车辆特征池中移除;
若所述距离小于第五阈值,则计算所述预设车位区域与上一待检测图像中的预设车位区域的图像变化度;
若所述图像变化度大于第六阈值,则输出异常信息。
5.根据权利要求2所述的车辆驶入停车位检测方法,其特征在于,所述利用所述第二车辆特征点集确定所述第二车辆对应的跟踪车辆,包括:
将所述第二特征点集及与所述车辆特征池中各跟踪车辆的历史特征点集进行匹配;
当匹配成功时,将所述第二特征点集添加至匹配成功的历史特征点集对应的跟踪车辆中,并将所述第二车辆设置为匹配成功的历史特征点集对应的跟踪车辆;
利用所述车辆检测框对所述跟踪车辆对应的车辆位置预测框进行修正。
6.根据权利要求5所述的车辆驶入停车位检测方法,其特征在于,在将所述第二特征点集及与所述车辆特征池中各跟踪车辆的历史特征点集进行匹配之后,还包括:
当匹配失败时,确定所述第二车辆存在于所述待定特征池;
若是,则将所述第二特征点集设置为待定特征点集并添加至所述第二车辆中;
若否,则将所述第二车辆添加至待定特征池中,并将设置为待定特征点集的第二特征点集添加至所述第二车辆中;
判断所述第二车辆所对应的待定特征点集的数量是否大于第七阈值;
若是,则将所述第二车辆及对应的待定特征点集移动至所述车辆特征池。
7.根据权利要求6所述的车辆驶入停车位检测方法,其特征在于,在匹配失败之后,还包括:
确定所述车辆检测框与预设车位区域的第三重合度是否大于第八阈值;
若是,则判定第二车辆驶入所述停车区,并输出异常信息。
8.一种车辆驶入停车位检测装置,其特征在于,包括:
图像获取模块,用于获取监控图像,并在所述待检测图像中确定车辆检测框和车辆位置预测框;
跟踪车辆确定模块,用于确定所述车辆检测框与所述车辆位置预测框的重合情况,并根据所述重合情况确定所述监控图像中的车辆对应的跟踪车辆;
驶入判定模块,用于确定所述跟踪车辆对应的车辆位置预测框与预设车位区域的第一重合度,并在所述第一重合度大于第一阈值时判定所述跟踪车辆驶入停车位。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的车辆驶入停车位检测方法。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如权利要求1至7任一项所述的车辆驶入停车位检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110130367.5A CN112766216B (zh) | 2021-01-29 | 2021-01-29 | 车辆驶入停车位检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110130367.5A CN112766216B (zh) | 2021-01-29 | 2021-01-29 | 车辆驶入停车位检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766216A true CN112766216A (zh) | 2021-05-07 |
CN112766216B CN112766216B (zh) | 2024-07-05 |
Family
ID=75703990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110130367.5A Active CN112766216B (zh) | 2021-01-29 | 2021-01-29 | 车辆驶入停车位检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766216B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113508421A (zh) * | 2021-06-24 | 2021-10-15 | 商汤国际私人有限公司 | 桌面游戏的状态切换方法、装置、设备和存储介质 |
CN113990101A (zh) * | 2021-11-19 | 2022-01-28 | 深圳市捷顺科技实业股份有限公司 | 一种禁停区域车辆检测方法及其系统和处理装置 |
CN115995161A (zh) * | 2023-02-01 | 2023-04-21 | 华人运通(上海)自动驾驶科技有限公司 | 基于投影确定停车位置的方法和电子设备 |
CN117292338A (zh) * | 2023-11-27 | 2023-12-26 | 山东远东保险公估有限公司 | 基于视频流解析的车辆事故识别和分析方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116986A (zh) * | 2013-01-21 | 2013-05-22 | 信帧电子技术(北京)有限公司 | 车辆识别方法 |
CN103854293A (zh) * | 2014-02-26 | 2014-06-11 | 奇瑞汽车股份有限公司 | 一种基于特征点匹配的车辆跟踪方法及装置 |
KR20140100083A (ko) * | 2013-02-05 | 2014-08-14 | 장보영 | 차량 위치 추적을 통한 주차 관리 시스템 및 주차 관리 방법 |
CN104463238A (zh) * | 2014-12-19 | 2015-03-25 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别方法和系统 |
US20150130640A1 (en) * | 2013-11-14 | 2015-05-14 | Hyundai Motor Company | Parking area detecting apparatus and method thereof |
CN108766023A (zh) * | 2018-06-13 | 2018-11-06 | 安徽蓝鸟智能停车科技产业化有限公司 | 一种基于大数据的智慧停车云平台 |
CN110059578A (zh) * | 2019-03-27 | 2019-07-26 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆跟踪的方法及装置 |
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 |
CN111898485A (zh) * | 2020-07-14 | 2020-11-06 | 浙江大华技术股份有限公司 | 一种停车位车辆检测处理方法及装置 |
CN111931745A (zh) * | 2020-10-09 | 2020-11-13 | 蘑菇车联信息科技有限公司 | 车辆检测方法、装置、电子设备及存储介质 |
-
2021
- 2021-01-29 CN CN202110130367.5A patent/CN112766216B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116986A (zh) * | 2013-01-21 | 2013-05-22 | 信帧电子技术(北京)有限公司 | 车辆识别方法 |
KR20140100083A (ko) * | 2013-02-05 | 2014-08-14 | 장보영 | 차량 위치 추적을 통한 주차 관리 시스템 및 주차 관리 방법 |
US20150130640A1 (en) * | 2013-11-14 | 2015-05-14 | Hyundai Motor Company | Parking area detecting apparatus and method thereof |
CN103854293A (zh) * | 2014-02-26 | 2014-06-11 | 奇瑞汽车股份有限公司 | 一种基于特征点匹配的车辆跟踪方法及装置 |
CN104463238A (zh) * | 2014-12-19 | 2015-03-25 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别方法和系统 |
CN108766023A (zh) * | 2018-06-13 | 2018-11-06 | 安徽蓝鸟智能停车科技产业化有限公司 | 一种基于大数据的智慧停车云平台 |
CN110059578A (zh) * | 2019-03-27 | 2019-07-26 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆跟踪的方法及装置 |
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 |
CN111898485A (zh) * | 2020-07-14 | 2020-11-06 | 浙江大华技术股份有限公司 | 一种停车位车辆检测处理方法及装置 |
CN111931745A (zh) * | 2020-10-09 | 2020-11-13 | 蘑菇车联信息科技有限公司 | 车辆检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
CHANG-WON CHOI;SUNG-IN CHOI;SOON-YONG PARK: "Three Dimensional Tracking of Road Signs based on Stereo Vision Technique", JOURNAL OF INSTITUTE OF CONTROL, ROBOTICS AND SYSTEMS, vol. 20, no. 12, 31 December 2014 (2014-12-31) * |
王景丹;黄园刚;郝宗波;江春华: "基于智能检测车位信息的车辆识别算法", 计算机科学与应用, vol. 3, no. 002, 31 December 2013 (2013-12-31) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113508421A (zh) * | 2021-06-24 | 2021-10-15 | 商汤国际私人有限公司 | 桌面游戏的状态切换方法、装置、设备和存储介质 |
CN113508421B (zh) * | 2021-06-24 | 2024-07-19 | 商汤国际私人有限公司 | 桌面游戏的状态切换方法、装置、设备和存储介质 |
CN113990101A (zh) * | 2021-11-19 | 2022-01-28 | 深圳市捷顺科技实业股份有限公司 | 一种禁停区域车辆检测方法及其系统和处理装置 |
CN115995161A (zh) * | 2023-02-01 | 2023-04-21 | 华人运通(上海)自动驾驶科技有限公司 | 基于投影确定停车位置的方法和电子设备 |
CN117292338A (zh) * | 2023-11-27 | 2023-12-26 | 山东远东保险公估有限公司 | 基于视频流解析的车辆事故识别和分析方法 |
CN117292338B (zh) * | 2023-11-27 | 2024-02-13 | 山东远东保险公估有限公司 | 基于视频流解析的车辆事故识别和分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112766216B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766216B (zh) | 车辆驶入停车位检测方法、装置、电子设备及存储介质 | |
CN102509457B (zh) | 一种车辆跟踪的方法及装置 | |
CN110718061B (zh) | 交通路口车流量统计方法、装置、存储介质及电子设备 | |
CN114037924A (zh) | 一种基于图像识别技术的车辆过闸判断方法及相关装置 | |
CN114925747A (zh) | 车辆异常行驶检测方法、电子设备、存储介质 | |
CN114663471A (zh) | 一种目标跟踪方法、装置及计算机可读存储介质 | |
CN115294169A (zh) | 一种车辆追踪方法、装置、电子设备及存储介质 | |
CN116434161B (zh) | 用于判断基于高位视频的停车行为是否可信的方法和系统 | |
CN113343880A (zh) | 一种车辆遮挡号牌的识别方法、装置、设备及介质 | |
CN116330658B (zh) | 基于深度图像的目标跟踪方法、装置、系统及摄像设备 | |
CN111325178A (zh) | 警示物检测结果获取方法、装置、计算机设备和存储介质 | |
CN112767449B (zh) | 车辆驶出停车位检测方法、装置、电子设备及存储介质 | |
CN112906495B (zh) | 一种目标检测方法、装置、电子设备及存储介质 | |
Płaczek | A real time vehicle detection algorithm for vision-based sensors | |
CN115909305A (zh) | 一种车辆信息识别方法、装置、设备及存储介质 | |
CN114550028A (zh) | 车辆的任务进度获取方法、电子设备、介质及产品 | |
CN114882709A (zh) | 车辆拥堵检测方法、装置及计算机存储介质 | |
CN114549444A (zh) | 一种跨摄像头目标检测与跟踪系统及方法 | |
CN112784794B (zh) | 一种车辆停放状态检测方法、装置、电子设备及存储介质 | |
CN109740518B (zh) | 一种视频中对象的确定方法及装置 | |
CN113744304A (zh) | 一种目标检测跟踪的方法和装置 | |
CN118411829B (zh) | 一种斑马线行人安全预警方法及装置 | |
CN112825193B (zh) | 目标跟踪方法、装置、电子设备以及存储介质 | |
CN116563765A (zh) | 异常行为的确定方法、装置及可读存储介质 | |
CN114842410A (zh) | 一种数据检测方法、装置、存储介质及电子装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |