CN112883943A - 一种轴型识别方法及系统 - Google Patents

一种轴型识别方法及系统 Download PDF

Info

Publication number
CN112883943A
CN112883943A CN202110463085.7A CN202110463085A CN112883943A CN 112883943 A CN112883943 A CN 112883943A CN 202110463085 A CN202110463085 A CN 202110463085A CN 112883943 A CN112883943 A CN 112883943A
Authority
CN
China
Prior art keywords
vehicle
determining
axle
wheel
wheels
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
CN202110463085.7A
Other languages
English (en)
Other versions
CN112883943B (zh
Inventor
刘刚
杨勇
胡天宇
刘星宇
张明月
张发宽
李小强
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.)
Beijing Yunxingyu Traffic Science & Technology Co ltd
Original Assignee
Beijing Yunxingyu Traffic Science & Technology Co ltd
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 Beijing Yunxingyu Traffic Science & Technology Co ltd filed Critical Beijing Yunxingyu Traffic Science & Technology Co ltd
Priority to CN202110463085.7A priority Critical patent/CN112883943B/zh
Publication of CN112883943A publication Critical patent/CN112883943A/zh
Application granted granted Critical
Publication of CN112883943B publication Critical patent/CN112883943B/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
    • G06V20/40—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning 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
    • G06V20/48—Matching video sequences
    • 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
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种轴型识别方法及系统。其中，该方法包括：获取车辆侧面图片；根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的当前车辆的轴轮数量，所述当前车辆为所述车辆侧面图片中的车辆；按照所述车辆侧面图片与实际车辆的比例确定轮轴相对距离，所述轮轴相对距离为车头到车尾之间所有两个相邻的车轮之间的距离；根据所述轮轴相对距离和所述轴轮数量，从预先建立的车辆轴型特征列表中确定当前车辆轴型。

Description

一种轴型识别方法及系统
技术领域
本申请涉及交通技术领域，特别是涉及一种轴型识别方法及系统。
背景技术
当前随着全国高速公路取消省界收费站和ETC大力推行，车道出入口的逃费方式多样化，大车小标、客货互混、倒换OBU案例时有发生。基于人工智能视觉分析技术的高速公路运营服务智能化、自动化程度需要不断提升，满足智能收费和智能稽核的需要。
无人值守的收费站对管理带来新的挑战：ETC车辆利用车型作弊；ETC车辆自身换卡作弊；出口串通利用车型作弊；出入口车型不符。如何通过识别车辆的轴型对车辆进行识别，从而达到打击偷逃费用的目的。目前目前尚未提出有效的解决方案。
发明内容
本公开的实施例提供了一种轴型识别方法及系统，以至少解决现有技术中存在的如何通过识别车辆的轴型对车辆进行识别，从而达到打击偷逃费用的目的的技术问题。
根据本公开实施例的一个方面，提供了一种轴型识别方法，包括：获取车辆侧面图片；根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的当前车辆的轴轮数量，所述当前车辆为所述车辆侧面图片中的车辆；按照所述车辆侧面图片与实际车辆的比例确定轮轴相对距离，所述轮轴相对距离为车头到车尾之间所有两个相邻的车轮之间的距离；根据所述轮轴相对距离和所述轴轮数量，从预先建立的车辆轴型特征列表中确定当前车辆轴型。
根据本公开实施例的另一方面，还提供了一种轴型识别系统，包括：获取图片模块，用于获取车辆侧面图片；确定轴轮数量模块，用于根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的当前车辆的轴轮数量，所述当前车辆为所述车辆侧面图片中的车辆；确定轴轮相对距离模块，用于按照所述车辆侧面图片与实际车辆的比例确定轮轴相对距离，所述轮轴相对距离为车头到车尾之间所有两个相邻的车轮之间的距离；确定轴型模块，用于根据所述轮轴相对距离和所述轴轮数量，从预先建立的车辆轴型特征列表中确定当前车辆轴型。
在本发明中，对车辆身份识别，辅助收费系统进行出入口车辆身份匹配校验。对车型进行识别，采用最新车型分类标准，辅助收费员判别，减少人工判别车型轴型工作，降低工作人员工作强度，也可实现ETC车道出入口车型比对。对轴型进行识别，辅助入口治超车道动态称重系统实现货车轴型信息匹配校验。大车过车侧拍视频信息记录，提供视频稽查手段。从而提高高速公路运营服务智能化、自动化程度，满足智能收费和智能稽核的需要。
附图说明
此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：
图1是根据本公开实施例所述的一种轴型识别方法的流程示意图；
图2是根据本公开实施例所述的轴型识别系统的示意图；
图3是根据本公开实施例所述的车辆侧面图片的示意图；
图4是根据本公开实施例所述的检测车头车尾并进行对比上报的示意图；
图5是根据本公开实施例所述的一种轴型识别系统的示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语（包括科技术语）对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
根据本实施例的第一个方面，提供了一种轴型识别方法。参考图1所示，该方法包括：
S102: 获取车辆侧面图片；
S104: 根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的当前车辆的轴轮数量，所述当前车辆为所述车辆侧面图片中的车辆；
S106: 按照所述车辆侧面图片与实际车辆的比例确定轮轴相对距离，所述轮轴相对距离为车头到车尾之间所有两个相邻的车轮之间的距离；
S108: 根据所述轮轴相对距离和所述轴轮数量，从预先建立的车辆轴型特征列表中确定当前车辆轴型。
具体地，参考图2所示，轴型识别系统包括广角相机、补光灯、智能轴型分析模块以及车道正向抓拍相机。设备选用广角摄像机进行视频采集，视角为180°。参考图3所示，图3为抓拍效果，车辆进入相机画面范围后，软件通过对车辆轮廓分析标识出车头、车尾及车轮，达到分车和数轴的功能。
系统部署在车道舰岛首侧，对进入收费站的车辆进行实时跟踪处理，当车辆进入场景后，可通过人工智能算法识别车辆轮轴信息同时调用顶装相机识别车辆车脸信息进行数据融合，与本设备识别的信息比对，保证轴型保存队列数据可靠，车道软件可通过队列和车牌匹配方式进行调取。
设备拟安装在距离收费亭19米岛头位置，车辆驶入存在线圈前（或驶入存在线圈时）完成轴型信息采集，按最长6轴车26米（极少）计算，完成82°角内视频画面内的车轴分析。
系统可输出车辆的侧面全景图、车牌号码、车牌颜色、车辆收费类型、轴数、轴型等信息。
轴型检测设备主要由广角相机、补光灯、智能轴型分析模块，并结合车道现有正向抓拍相机完成轴型与车牌绑定，保证设备输出轴型队列正确性。
通过鱼眼相机录制当前相机视角内车辆侧面视频和图片，通过深度自动学习模型，根据背景及光线强度落差等学习结果，定位视频中车辆车头及车车尾边沿，标记边沿后动态分析前后边沿内图像，通过轮毂和轮胎特征识别前后边沿内轮轴数量，通过图像按比例分析轮轴相对距离，通过查找现有车辆轴型特征列表，给出当前车辆轴型代码。另外，通过目前车道现有侧面抓拍及正向抓拍相机识别车牌结果与设备所抓拍到的车牌进行对比，提高上报数据与当前车道队列一致性。实现步骤参考图4所示：
根据设备所拍摄照片和视频通过智能ai识别算法学习当前拍摄背景、光线强度等环境因素调整相关参数提高识别率。
通过所学习的环境元素、通过车辆类型、长度等进行训练，构建视频图片类特征库。
检测视频及图片中特征元素的提取。
匹配当前识别特征与特征库，并结合车道现有正向抓拍相机抓取特征完善车辆整体信息。
从而，对车辆身份识别，辅助收费系统进行出入口车辆身份匹配校验。对车型进行识别，采用最新车型分类标准，辅助收费员判别，减少人工判别车型轴型工作，降低工作人员工作强度，也可实现ETC车道出入口车型比对。对轴型进行识别，辅助入口治超车道动态称重系统实现货车轴型信息匹配校验。大车过车侧拍视频信息记录，提供视频稽查手段。从而提高高速公路运营服务智能化、自动化程度，满足智能收费和智能稽核的需要。
可选地，根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的当前车辆的轴轮数量，包括：根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的车头边沿及车尾边沿；分析所述车头边沿和所述车尾边沿，确定车头轮胎特征和车尾轮胎特征，根据所述车头轮胎特征和车尾轮胎特征，确定车头到车尾之间的所有车轮。
可选地，根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的当前车辆的轴轮数量，还包括：将所述车辆侧面图中输入卷积 神 经网络，得到卷积特征图；将所述卷积特征图的卷积特征输入至区域建议网络，获得车轮候选框的特征信息，确定车轮候选框；根据车头车轮候选框和车尾车轮候选框，确定当前车辆的轴轮数量。
可选地，根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的当前车辆的轴轮数量之后，包括：根据所述轴轮数量，判定所述当前车辆的类别；利用回归器对车轮候选框进行调整位置。
可选地，该方法还包括：将预先建立的数据库中的车牌结果与所抓拍到的所述车辆侧面图片的车牌进行对比，提高上报数据与当前车道队列一致性，所述预先建立的数据库中的别车牌结果为车道侧面抓拍及正向抓拍的车牌结果。
从而对车辆身份识别，辅助收费系统进行出入口车辆身份匹配校验。对车型进行识别，采用最新车型分类标准，辅助收费员判别，减少人工判别车型轴型工作，降低工作人员工作强度，也可实现ETC车道出入口车型比对。对轴型进行识别，辅助入口治超车道动态称重系统实现货车轴型信息匹配校验。大车过车侧拍视频信息记录，提供视频稽查手段。从而提高高速公路运营服务智能化、自动化程度，满足智能收费和智能稽核的需要。
根据本实施例的另一个方面，还提供了一种轴型识别系统500。参考图5所示，该系统500包括：获取图片模块510，用于获取车辆侧面图片；确定轴轮数量模块520，用于根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的当前车辆的轴轮数量，所述当前车辆为所述车辆侧面图片中的车辆；
确定轴轮相对距离模块530，用于按照所述车辆侧面图片与实际车辆的比例确定轮轴相对距离，所述轮轴相对距离为车头到车尾之间所有两个相邻的车轮之间的距离；确定轴型模块540，用于根据所述轮轴相对距离和所述轴轮数量，从预先建立的车辆轴型特征列表中确定当前车辆轴型。
可选地，确定轴轮数量模块520，包括：确定边沿子模块，用于根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的车头边沿及车尾边沿；分析所述车头边沿和所述车尾边沿，确定车头轮胎特征和车尾轮胎特征，根据所述车头轮胎特征和车尾轮胎特征，确定车头到车尾之间的所有车轮。
可选地，确定轴轮数量模块520，还包括：得到卷积特征图子模块，用于将所述车辆侧面图中输入卷积神经网络，得到卷积特征图；确定车轮候选框子模块，用于将所述卷积特征图的卷积特征输入至区域建议网络，获得车轮候选框的特征信息，确定车轮候选框；确定轴轮数量子模块，用于根据车头车轮候选框和车尾车轮候选框，确定当前车辆的轴轮数量。
可选地，确定轴轮数量模块520，包括：判定类别子模块，用于据所述轴轮数量，判定所述当前车辆的类别；调整位置子模块，用于利用回归器对车轮候选框进行调整位置。
可选地，该系统500还包括：对比模块，用于将预先建立的数据库中的车牌结果与所抓拍到的所述车辆侧面图片的车牌进行对比，提高上报数据与当前车道队列一致性，所述预先建立的数据库中的别车牌结果为车道侧面抓拍及正向抓拍的车牌结果。
本发明的实施例的一种轴型识别系统500与本发明的另一个实施例的基于一种轴型识别方法相对应，在此不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种轴型识别方法，其特征在于，包括：
获取车辆侧面图片；
根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的当前车辆的轴轮数量，所述当前车辆为所述车辆侧面图片中的车辆；
按照所述车辆侧面图片与实际车辆的比例确定轮轴相对距离，所述轮轴相对距离为车头到车尾之间所有两个相邻的车轮之间的距离；
根据所述轮轴相对距离和所述轴轮数量，从预先建立的车辆轴型特征列表中确定当前车辆轴型。
2.根据权利要求1所述的方法，其特征在于，根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的当前车辆的轴轮数量，包括：
根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的车头边沿及车尾边沿；
分析所述车头边沿和所述车尾边沿，确定车头轮胎特征和车尾轮胎特征，根据所述车头轮胎特征和车尾轮胎特征，确定车头到车尾之间的所有车轮。
3.根据权利要求2所述的方法，其特征在于，根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的当前车辆的轴轮数量，还包括：
将所述车辆侧面图中输入卷积神经网络，得到卷积特征图；
将所述卷积特征图的卷积特征输入至区域建议网络，获得车轮候选框的特征信息，确定车轮候选框；
根据车头车轮候选框和车尾车轮候选框，确定当前车辆的轴轮数量。
4.根据权利要求3所述的方法，其特征在于，根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的当前车辆的轴轮数量之后，包括：
根据所述轴轮数量，判定所述当前车辆的类别；
利用回归器对车轮候选框进行调整位置。
5.根据权利要求1所述的方法，其特征在于，还包括：
将预先建立的数据库中的车牌结果与所抓拍到的所述车辆侧面图片的车牌进行对比，提高上报数据与当前车道队列一致性，所述预先建立的数据库中的别车牌结果为车道侧面抓拍及正向抓拍的车牌结果。
6.一种轴型识别系统，其特征在于，包括：
获取图片模块，用于获取车辆侧面图片；
确定轴轮数量模块，用于根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的当前车辆的轴轮数量，所述当前车辆为所述车辆侧面图片中的车辆；
确定轴轮相对距离模块，用于按照所述车辆侧面图片与实际车辆的比例确定轮轴相对距离，所述轮轴相对距离为车头到车尾之间所有两个相邻的车轮之间的距离；
确定轴型模块，用于根据所述轮轴相对距离和所述轴轮数量，从预先建立的车辆轴型特征列表中确定当前车辆轴型。
7.根据权利要求6所述的系统，其特征在于，确定轴轮数量模块，包括：
确定边沿子模块，用于根据预先建立的深度自动学习模型，确定所述车辆侧面图片中的车头边沿及车尾边沿；
分析所述车头边沿和所述车尾边沿，确定车头轮胎特征和车尾轮胎特征，根据所述车头轮胎特征和车尾轮胎特征，确定车头到车尾之间的所有车轮。
8.根据权利要求7所述的系统，其特征在于，确定轴轮数量模块，还包括：
得到卷积特征图子模块，用于将所述车辆侧面图中输入卷积神经网络，得到卷积特征图；
确定车轮候选框子模块，用于将所述卷积特征图的卷积特征输入至区域建议网络，获得车轮候选框的特征信息，确定车轮候选框；
确定轴轮数量子模块，用于根据车头车轮候选框和车尾车轮候选框，确定当前车辆的轴轮数量。
9.根据权利要求8所述的系统，其特征在于，确定轴轮数量模块，包括：
判定类别子模块，用于据所述轴轮数量，判定所述当前车辆的类别；
调整位置子模块，用于利用回归器对车轮候选框进行调整位置。
10.根据权利要求6所述的系统，其特征在于，还包括：
对比模块，用于将预先建立的数据库中的车牌结果与所抓拍到的所述车辆侧面图片的车牌进行对比，提高上报数据与当前车道队列一致性，所述预先建立的数据库中的别车牌结果为车道侧面抓拍及正向抓拍的车牌结果。
CN202110463085.7A 2021-04-28 2021-04-28 一种轴型识别方法及系统 Active CN112883943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110463085.7A CN112883943B (zh) 2021-04-28 2021-04-28 一种轴型识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110463085.7A CN112883943B (zh) 2021-04-28 2021-04-28 一种轴型识别方法及系统

Publications (2)

Publication Number Publication Date
CN112883943A true CN112883943A (zh) 2021-06-01
CN112883943B CN112883943B (zh) 2022-08-12

Family

ID=76040749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110463085.7A Active CN112883943B (zh) 2021-04-28 2021-04-28 一种轴型识别方法及系统

Country Status (1)

Country Link
CN (1) CN112883943B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090174576A1 (en) * 2001-10-17 2009-07-09 Jim Allen Multilane vehicle information capture system
CN105185123A (zh) * 2015-10-08 2015-12-23 南京信息工程大学 一种套牌车识别系统及方法
CN110285870A (zh) * 2019-07-22 2019-09-27 深圳市卓城科技有限公司 车辆轴型与车轮数检测分析方法及其系统
CN110532946A (zh) * 2019-08-28 2019-12-03 长安大学 一种基于卷积神经网络识别绿通车车辆轴型的方法
CN111292432A (zh) * 2020-01-14 2020-06-16 北京巨视科技有限公司 基于车型识别和轮轴检测的车辆收费类型判别方法与装置
CN111325146A (zh) * 2020-02-20 2020-06-23 吉林省吉通信息技术有限公司 一种货车车型和轴型识别方法和系统
CN111626175A (zh) * 2020-05-22 2020-09-04 西安工业大学 基于深度卷积神经网络的轴型识别方法
CN111783638A (zh) * 2020-06-30 2020-10-16 山东鼎高信息技术有限公司 一种检测车辆轮轴数及车型识别的系统、方法
CN112255641A (zh) * 2020-09-30 2021-01-22 成都新成汽车检测设备有限公司 一种汽车轴距的测量方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090174576A1 (en) * 2001-10-17 2009-07-09 Jim Allen Multilane vehicle information capture system
CN105185123A (zh) * 2015-10-08 2015-12-23 南京信息工程大学 一种套牌车识别系统及方法
CN110285870A (zh) * 2019-07-22 2019-09-27 深圳市卓城科技有限公司 车辆轴型与车轮数检测分析方法及其系统
CN110532946A (zh) * 2019-08-28 2019-12-03 长安大学 一种基于卷积神经网络识别绿通车车辆轴型的方法
CN111292432A (zh) * 2020-01-14 2020-06-16 北京巨视科技有限公司 基于车型识别和轮轴检测的车辆收费类型判别方法与装置
CN111325146A (zh) * 2020-02-20 2020-06-23 吉林省吉通信息技术有限公司 一种货车车型和轴型识别方法和系统
CN111626175A (zh) * 2020-05-22 2020-09-04 西安工业大学 基于深度卷积神经网络的轴型识别方法
CN111783638A (zh) * 2020-06-30 2020-10-16 山东鼎高信息技术有限公司 一种检测车辆轮轴数及车型识别的系统、方法
CN112255641A (zh) * 2020-09-30 2021-01-22 成都新成汽车检测设备有限公司 一种汽车轴距的测量方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李勇等: "基于多维视频技术的车型识别系统", 《中国交通信息化》 *

Also Published As

Publication number Publication date
CN112883943B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN103824452B (zh) 一种轻量级的基于全景视觉的违章停车检测装置
CN110197589B (zh) 一种基于深度学习的闯红灯违法检测方法
CN112700470B (zh) 一种基于交通视频流的目标检测和轨迹提取方法
CA2885019C (en) Robust windshield detection via landmark localization
CN102903239B (zh) 交通路口车辆左右违章转向检测方法和系统
US20200364467A1 (en) Method and device for detecting illegal parking, and electronic device
CN108133599A (zh) 一种渣土车视频识别方法及系统
CN111292432A (zh) 基于车型识别和轮轴检测的车辆收费类型判别方法与装置
CN111292353B (zh) 一种停车状态变化识别方法
CN112509325B (zh) 一种基于视频深度学习的非现场违法自动甄别方法
CN113055823B (zh) 一种基于路侧停车管理共享单车的方法及装置
CN111898485A (zh) 一种停车位车辆检测处理方法及装置
KR20140027661A (ko) 전방, 및 후방 측면 카메라를 이용한 무통행권 톨 게이트 시스템
CN110310378A (zh) 一种基于双鉴的开放式停车场停车计费方法及系统
CN105574502A (zh) 一种自助发卡机违章行为自动检测方法
Ketcham et al. Recognizing the Illegal Parking Patterns of Cars on the Road in Front of the Bus Stop Using the Support Vector Machine
CN114694095A (zh) 确定车辆进出泊位的方法、装置、设备和存储介质
Kejriwal et al. Vehicle detection and counting using deep learning basedYOLO and deep SORT algorithm for urban traffic management system
CN112289037B (zh) 基于复杂环境下高视角的机动车辆违规停车检测方法及系统
Xu et al. A machine learning approach to vehicle occupancy detection
CN113469105A (zh) 监控周边车辆的方法及装置、计算机可读存储介质
CN114693722B (zh) 一种车辆行驶行为检测方法、检测装置及检测设备
CN112883943B (zh) 一种轴型识别方法及系统
CN109034171B (zh) 视频流中的无牌车辆检测方法和装置
CN111260953A (zh) 路内停车管理方法、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