CN113822285A - 一种用于复杂应用场景的车辆违停识别方法 - Google Patents
一种用于复杂应用场景的车辆违停识别方法 Download PDFInfo
- Publication number
- CN113822285A CN113822285A CN202111153392.1A CN202111153392A CN113822285A CN 113822285 A CN113822285 A CN 113822285A CN 202111153392 A CN202111153392 A CN 202111153392A CN 113822285 A CN113822285 A CN 113822285A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- parking
- information
- target
- target vehicle
- 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 30
- 238000001514 detection method Methods 0.000 claims description 24
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000006698 induction Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/207—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles with respect to certain areas, e.g. forbidden or allowed areas with possible alerting when inside or outside boundaries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明具体涉及一种用于复杂应用场景的车辆违停识别方法,包括:获取禁停区域内的图像信息;基于禁停区域内的图像信息进行车辆目标检测,并获取对应目标车辆的车辆信息;根据目标车辆的车辆信息判断目标车辆是否移动:若目标车辆移动,基于目标车辆生成对应的疑似违停信息;当目标车辆累积生成两次疑似违停信息后,计算当前的疑似违停信息和上一次的疑似违停信息之间的疑似违停时间差;若疑似违停时间差大于设置的违停时间阈值,则判断目标车辆违停,并生成对应的违停事件信息作为车辆违停识别结果。本发明中的车辆违停识别方法能够在复杂应用场景下有效判断车辆是否违停,从而能够提高车辆违停识别的准确性。
Description
技术领域
本发明涉及智慧交通管理技术领域,具体涉及一种用于复杂应用场景的车辆违停识别方法。
背景技术
随着经济和社会的发展,城市内聚集着大量的人口,车辆也已经成为很多家庭必不可少的出行工具,这势必带来很多交通问题。在一些繁华商业地带,人多车多,经常会出现很多车辆随意停车的现象,不仅造成道路拥堵,而且会带来安全隐患(占用消防通道和应急通道等)。虽然有交警、城管等执法人员现场进行维持,但是仅限于执法人员处在工作岗位的时间段,且执法人员的人数和精力毕竟有限,能起到的作用十分的有限。
针对现有车辆违停难取证、难处理的问题,公开号为CN106851196A的中国专利公开了《城市违停抓拍系统》,其包括:定位装置对车辆进行定位感应;当车辆为停止状态,地感线圈对车辆的位置进行感应;控制中心被配置成分别连接于定位装置、地感线圈和多个高速球相机,在车辆位于地感线圈之外且保持停止状态超过预设时间段的情况下,控制中心输出控制信号至该车辆位置所对应的高速球相机以对车辆执行抓拍。
上述现有方案中的城市违停抓拍系统通过地感线圈和高速球相机抓拍的方式对城市违停进行判断和抓拍,能够在一定程度上解决车辆违停的问题。但是,车辆违停的实际应用场景十分复杂,例如,停在禁停区域的车辆可能是一辆或多辆,某一时间段内停在禁停区域的车辆可能同一车辆也可能是不同车辆,停在禁停区域的车辆可能没有停车而是在移动(即未形成违停)。然而,现有方案难以对上述复杂的应用场景进行区分,使得对于车辆是否违停的判断不准确,进而导致车辆违停识别的准确性不好。因此,如何设计一种能够在复杂应用场景下有效判断车辆是否违停的车辆违停识别方法是亟需解决的技术问题。
发明内容
针对上述现有技术的不足,本发明所要解决的技术问题是:如何提供一种能够在复杂应用场景下有效判断车辆是否违停的车辆违停识别方法,从而能够提高车辆违停识别的准确性。
为了解决上述技术问题,本发明采用了如下的技术方案:
一种用于复杂应用场景的车辆违停识别方法,包括以下步骤:
S1:获取禁停区域内的图像信息;
S2:基于禁停区域内的图像信息进行车辆目标检测,并获取对应目标车辆的车辆信息;
S3:根据目标车辆的车辆信息判断目标车辆是否移动:若是,则返回步骤S1;否则,基于目标车辆生成对应的疑似违停信息;
S4:当目标车辆累积生成两次疑似违停信息后,计算当前的疑似违停信息和上一次的疑似违停信息之间的疑似违停时间差;若疑似违停时间差大于设置的违停时间阈值,则判断目标车辆违停,并生成对应的违停事件信息作为车辆违停识别结果;否则,返回步骤S1。
优选的,步骤S1中,获取禁停区域内的图像信息时,通过如下步骤修正图像信息:
将禁停区域的位置图像进行图像分割,然后对位置图像中的每个像素点进行标注,以得到禁停区域的边界像素点坐标;
基于禁停区域的边界像素点坐标对所述禁停区域内的图像信息进行裁剪和分割,以实现对禁停区域内的图像信息的修正。
优选的,步骤S4中,首先判断当前的疑似违停信息和上一次的疑似违停信息的产生位置是否改变:若是,则返回步骤S1,并清空已生成的所有疑似违停信息;否则,计算对应的疑似违停时间差,并执行后续步骤。
优选的,还包括:
S101:获取划线停车区域内的图像信息;
S102:基于划线停车区域内的图像信息进行车辆目标检测,并获取对应目标车辆的车辆信息;
S103:根据目标车辆的车辆信息判断目标车辆是否移动:若是,则返回步骤S101;否则,进入下一步骤;
S104:判断目标车辆是否压线停车:若是,则基于目标车辆生成对应的疑似未规范停车信息;否则,返回步骤S101;
S105:当目标车辆累积生成两次疑似未规范停车信息后,计算当前的疑似未规范停车信息和上一次的疑似未规范停车信息之间的未规范停车时间差,若未规范停车时间差大于设置的规范停车时间阈值,则判断目标车辆未规范停车,并生成对应的未规范停车事件信息作为车辆违停识别结果;否则,返回步骤S101。
优选的,通过经预先训练的深度检测模型对禁停区域或划线停车区域内的图像信息进行车辆目标检测;所述深度检测模型基于Darknet深度学习框架构建。
优选的,通过YOLO目标检测方法训练所述深度检测模型。
优选的,通过CNN+OpenCV 的架构识别目标车辆的车牌信息作为其车辆信息。
优选的,通过跳帧解析的方式从视频图像中选取若干帧图片帧作为对应的图像信息。
优选的,通过IOU跟踪算法判断目标车辆是否移动;
具体的:首先通过目标框对图像信息中的目标车辆进行标记;对两次标记得到的目标框进行IOU计算,若IOU超过0.3则将两次标记的目标框看作是同一个目标车辆;再基于目标车辆的目标框进行判断:若第二次标记的目标框中心点横坐标或中心点纵坐标超过第一次标记的目标框原始横坐标或原始纵坐标的1/4,则目标车辆移动;否则, 目标车辆未移动。
优选的,步骤S104中,通过如下步骤判断目标车辆是否压线停车:
将划线停车区域的位置图像进行图像分割,然后对位置图像中的每个像素点进行标注以得到划线停车区域的边界像素点坐标;
基于车辆目标检测的Anchor Box坐标与划线停车区域的边界像素点坐标的比对结果判断目标车辆是否压线停车。
本发明中的车辆违停识别方法与现有技术相比,具有如下有益效果:
在本发明中,通过对禁停区域内的图像信息进行车辆目标检测的方式识别目标车辆并进一步判断目标车辆是否移动,使得能够获取目标车辆的数量、目标车辆的车辆信息和目标车辆的停车状态,以能够有效区分停在禁停区域的车辆可能是一辆或多辆、某一时间段内停在禁停区域的车辆可能同一车辆也可能是不同车辆、停在禁停区域的车辆可能没有停车而是在移动等复杂应用场景,进而能够在复杂应用场景下有效判断车辆是否违停,从而能够提高车辆违停识别的准确性。同时,通过CNN+OpenCV 的架构识别、深度检测模型和IOU跟踪算法联合的方式,实现了云计算和深度学习的融合,能够通过深度学习实现深度智能、视频分类并获取相关信息,从而能够更好的提高车辆违停的判定速度和准确率。此外,当两次疑似违停信息的产生位置发生改变时,能够清空已生成的所有疑似违停信息,这能够降低车辆违停识别的存储压力和计算压力,从而能够提升车辆违停识别的效率。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为实施例中车辆违停识别方法的逻辑框图;
图2为实施例中车辆违停识别方法的流程图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例:
本实施例中公开了一种用于复杂应用场景的车辆违停识别方法。
如图1所示,一种用于复杂应用场景的车辆违停识别方法,包括以下步骤:
S1:获取禁停区域内的图像信息。具体的,通过跳帧解析的方式从(监控)视频图像中选取若干帧图片帧作为对应的图像信息。
S2:基于禁停区域内的图像信息进行车辆目标检测,并获取对应目标车辆的车辆信息。具体的,通过经预先训练的深度检测模型对禁停区域或划线停车区域内的图像信息进行车辆目标检测;深度检测模型基于Darknet深度学习框架(基于YOLO中的现有学习框架)构建。通过YOLO( You Only Look Once算法)目标检测方法训练深度检测模型。通过CNN(卷积神经网络)+OpenCV(基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库) 的架构识别目标车辆的车牌信息作为其车辆信息。
S3:根据目标车辆的车辆信息判断目标车辆是否移动:若是,则返回步骤S1;否则,基于目标车辆生成对应的疑似违停信息。具体的,通过IOU(Intersection over Union,是一种测量在特定数据集中检测相应物体准确度的一个标准)跟踪算法判断目标车辆是否移动;
结合图2所示,首先通过目标框对图像信息中的目标车辆进行标记;对两次标记得到的目标框进行IOU计算,若IOU超过0.3则将两次标记的目标框看作是同一个目标车辆;再基于目标车辆的目标框进行判断:若第二次标记的目标框中心点横坐标或中心点纵坐标超过第一次标记的目标框原始横坐标或原始纵坐标的1/4,则目标车辆移动;否则, 目标车辆未移动。
S4:当目标车辆累积生成两次疑似违停信息后,计算当前的疑似违停信息和上一次的疑似违停信息之间的疑似违停时间差;若疑似违停时间差大于设置的违停时间阈值,则判断目标车辆违停,并生成对应的违停事件信息作为车辆违停识别结果;否则,返回步骤S1。具体的,首先判断当前的疑似违停信息和上一次的疑似违停信息的产生位置是否改变:若是,则返回步骤S1,并清空已生成的所有疑似违停信息;否则,计算对应的疑似违停时间差,并执行后续步骤。违停时间阈值根据相关规定设置,例如可设置为30分钟。
在本发明中,通过对禁停区域内的图像信息进行车辆目标检测的方式识别目标车辆并进一步判断目标车辆是否移动,使得能够获取目标车辆的数量、目标车辆的车辆信息和目标车辆的停车状态,以能够有效区分停在禁停区域的车辆可能是一辆或多辆、某一时间段内停在禁停区域的车辆可能同一车辆也可能是不同车辆、停在禁停区域的车辆可能没有停车而是在移动等复杂应用场景,进而能够在复杂应用场景下有效判断车辆是否违停,从而能够提高车辆违停识别的准确性。同时,通过CNN+OpenCV 的架构识别、深度检测模型和IOU跟踪算法联合的方式,实现了云计算和深度学习的融合,能够通过深度学习实现深度智能、视频分类并获取相关信息,从而能够更好的提高车辆违停的判定速度和准确率。此外,当两次疑似违停信息的产生位置发生改变时,能够清空已生成的所有疑似违停信息,这能够降低车辆违停识别的存储压力和计算压力,从而能够提升车辆违停识别的效率。
具体实施过程中,获取禁停区域内的图像信息时,通过如下步骤修正图像信息:
将禁停区域的位置图像进行图像分割,然后对位置图像中的每个像素点进行标注,以得到禁停区域的边界像素点坐标;
基于禁停区域的边界像素点坐标对所述禁停区域内的图像信息进行裁剪和分割,以实现对禁停区域内的图像信息的修正。
在本发明中,能够根据禁停区域的边界对图像信息进行裁剪和分割,以能够修正得到更为准确的图像信息,一方面,更准确的图像信息能够提升车辆目标检测的准确性,进而能够提升车辆违停识别的准确性;另一方面,通过裁剪和分割的方式能够删除图像信息中的干扰信息,进而能够降低车辆目标检测的运算量,从而提升车辆违停识别的效率。
具体实施过程中,车辆违停识别方法还包括:
S101:获取划线停车区域内的图像信息。具体的,通过跳帧解析的方式从(监控)视频图像中选取若干帧图片帧作为对应的图像信息。
S102:基于划线停车区域内的图像信息进行车辆目标检测,并获取对应目标车辆的车辆信息。具体的,通过经预先训练的深度检测模型对禁停区域或划线停车区域内的图像信息进行车辆目标检测;深度检测模型基于Darknet深度学习框架构建。通过YOLO目标检测方法训练深度检测模型。通过CNN+OpenCV 的架构识别目标车辆的车牌信息作为其车辆信息。
S103:根据目标车辆的车辆信息判断目标车辆是否移动:若是,则返回步骤S101;否则,进入下一步骤。具体的,通过IOU跟踪算法判断目标车辆是否移动。
首先通过目标框对图像信息中的目标车辆进行标记;对两次标记得到的目标框进行IOU计算,若IOU超过0.3则将两次标记的目标框看作是同一个目标车辆;再基于目标车辆的目标框进行判断:若第二次标记的目标框中心点横坐标或中心点纵坐标超过第一次标记的目标框原始横坐标或原始纵坐标的1/4,则目标车辆移动;否则, 目标车辆未移动。
S104:判断目标车辆是否压线停车:若是,则基于目标车辆生成对应的疑似未规范停车信息;否则,返回步骤S101。具体的,将目标车辆的目标框与划线停车区域进行比对,若目标车辆的目标框不在划线停车区域内,则目标车辆为疑似未规范停车。
具体通过如下步骤判断目标车辆是否压线停车:
将划线停车区域的位置图像进行图像分割,然后对位置图像中的每个像素点进行标注以得到划线停车区域的边界像素点坐标;
基于车辆目标检测的Anchor Box坐标与划线停车区域的边界像素点坐标的比对结果判断目标车辆是否压线停车。
S105:当目标车辆累积生成两次疑似未规范停车信息后,计算当前的疑似未规范停车信息和上一次的疑似未规范停车信息之间的未规范停车时间差,若未规范停车时间差大于设置的规范停车时间阈值,则判断目标车辆未规范停车,并生成对应的未规范停车事件信息作为车辆违停识别结果;否则,返回步骤S101。规范停车时间阈值根据相关规定设置,例如可设置为30分钟。
实际应用场景中,未规范停车也属于车辆违停的一种,因此本发明还设计了一种用于检测车辆未规范停车的方法。
在本发明中,通过对划线停车区域内的图像信息进行车辆目标检测的方式识别目标车辆并进一步判断目标车辆是否移动,使得能够获取目标车辆的数量、目标车辆的车辆信息和目标车辆的停车状态,以能够有效区分停在划线停车区域的可能是一辆车也可能是多辆车、某一时间段内停在划线停车区域的车辆可能同一车辆也可能是不同车辆和在划线停车区域的车辆可能并没有停车而是在移动等复杂应用场景,进而能够在复杂应用场景下有效判断车辆是否未规范停车,从而能够辅助提高致车辆违停识别的准确性。同时,通过CNN+OpenCV 的架构识别、深度检测模型和IOU跟踪算法联合的方式,实现了云计算和深度学习的融合,能够通过深度学习实现深度智能、视频分类并获取相应信息,从而能够更好的提高车辆违停的判定速度和准确率。
需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管通过参照本发明的优选实施例已经对本发明进行了描述,但本领域的普通技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离所附权利要求书所限定的本发明的精神和范围。同时,实施例中公知的具体结构及特性等常识在此未作过多描述。最后,本发明要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.一种用于复杂应用场景的车辆违停识别方法,其特征在于,包括以下步骤:
S1:获取禁停区域内的图像信息;
S2:基于禁停区域内的图像信息进行车辆目标检测,并获取对应目标车辆的车辆信息;
S3:根据目标车辆的车辆信息判断目标车辆是否移动:若是,则返回步骤S1;否则,基于目标车辆生成对应的疑似违停信息;
S4:当目标车辆累积生成两次疑似违停信息后,计算当前的疑似违停信息和上一次的疑似违停信息之间的疑似违停时间差;若疑似违停时间差大于设置的违停时间阈值,则判断目标车辆违停,并生成对应的违停事件信息作为车辆违停识别结果;否则,返回步骤S1。
2.如权利要求1所述的用于复杂应用场景的车辆违停识别方法,其特征在于,步骤S1中,获取禁停区域内的图像信息时,通过如下步骤修正图像信息:
将禁停区域的位置图像进行图像分割,然后对位置图像中的每个像素点进行标注,以得到禁停区域的边界像素点坐标;
基于禁停区域的边界像素点坐标对所述禁停区域内的图像信息进行裁剪和分割,以实现对禁停区域内的图像信息的修正。
3.如权利要求1所述的用于复杂应用场景的车辆违停识别方法,其特征在于:步骤S4中,首先判断当前的疑似违停信息和上一次的疑似违停信息的产生位置是否改变:若是,则返回步骤S1,并清空已生成的所有疑似违停信息;否则,计算对应的疑似违停时间差,并执行后续步骤。
4.如权利要求1所述的用于复杂应用场景的车辆违停识别方法,其特征在于,还包括:
S101:获取划线停车区域内的图像信息;
S102:基于划线停车区域内的图像信息进行车辆目标检测,并获取对应目标车辆的车辆信息;
S103:根据目标车辆的车辆信息判断目标车辆是否移动:若是,则返回步骤S101;否则,进入下一步骤;
S104:判断目标车辆是否压线停车:若是,则基于目标车辆生成对应的疑似未规范停车信息;否则,返回步骤S101;
S105:当目标车辆累积生成两次疑似未规范停车信息后,计算当前的疑似未规范停车信息和上一次的疑似未规范停车信息之间的未规范停车时间差,若未规范停车时间差大于设置的规范停车时间阈值,则判断目标车辆未规范停车,并生成对应的未规范停车事件信息作为车辆违停识别结果;否则,返回步骤S101。
5.如权利要求4所述的用于复杂应用场景的车辆违停识别方法,其特征在于:通过经预先训练的深度检测模型对禁停区域或划线停车区域内的图像信息进行车辆目标检测;所述深度检测模型基于Darknet深度学习框架构建。
6.如权利要求5所述的用于复杂应用场景的车辆违停识别方法,其特征在于:通过YOLO目标检测方法训练所述深度检测模型。
7.如权利要求4所述的用于复杂应用场景的车辆违停识别方法,其特征在于:通过CNN+OpenCV 的架构识别目标车辆的车牌信息作为其车辆信息。
8.如权利要求4所述的用于复杂应用场景的车辆违停识别方法,其特征在于:通过跳帧解析的方式从视频图像中选取若干帧图片帧作为对应的图像信息。
9.如权利要求8所述的用于复杂应用场景的车辆违停识别方法,其特征在于:通过IOU跟踪算法判断目标车辆是否移动;
具体的:首先通过目标框对图像信息中的目标车辆进行标记;对两次标记得到的目标框进行IOU计算,若IOU超过0.3则将两次标记的目标框看作是同一个目标车辆;再基于目标车辆的目标框进行判断:若第二次标记的目标框中心点横坐标或中心点纵坐标超过第一次标记的目标框原始横坐标或原始纵坐标的1/4,则目标车辆移动;否则,目标车辆未移动。
10.如权利要求4所述的用于复杂应用场景的车辆违停识别方法,其特征在于,步骤S104中,通过如下步骤判断目标车辆是否压线停车:
将划线停车区域的位置图像进行图像分割,然后对位置图像中的每个像素点进行标注以得到划线停车区域的边界像素点坐标;
基于车辆目标检测的Anchor Box坐标与划线停车区域的边界像素点坐标的比对结果判断目标车辆是否压线停车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111153392.1A CN113822285A (zh) | 2021-09-29 | 2021-09-29 | 一种用于复杂应用场景的车辆违停识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111153392.1A CN113822285A (zh) | 2021-09-29 | 2021-09-29 | 一种用于复杂应用场景的车辆违停识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113822285A true CN113822285A (zh) | 2021-12-21 |
Family
ID=78921738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111153392.1A Pending CN113822285A (zh) | 2021-09-29 | 2021-09-29 | 一种用于复杂应用场景的车辆违停识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822285A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114267180A (zh) * | 2022-03-03 | 2022-04-01 | 科大天工智能装备技术(天津)有限公司 | 一种基于计算机视觉的停车管理方法及系统 |
CN114529875A (zh) * | 2022-04-24 | 2022-05-24 | 浙江这里飞科技有限公司 | 一种违停车辆的检测方法、装置、电子设备及存储介质 |
CN114566063A (zh) * | 2022-01-24 | 2022-05-31 | 深圳市捷顺科技实业股份有限公司 | 一种智能车位引导管理的方法、装置以及存储介质 |
CN114648748A (zh) * | 2022-05-23 | 2022-06-21 | 科大天工智能装备技术(天津)有限公司 | 一种基于深度学习的机动车违停智能识别方法及系统 |
CN114743370A (zh) * | 2022-03-24 | 2022-07-12 | 深圳市华通鑫宇科技有限公司 | 一种基于互联网的企业园区安防监管系统 |
CN115049993A (zh) * | 2022-08-17 | 2022-09-13 | 成都考拉悠然科技有限公司 | 一种基于深度学习的车辆异常停止监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615868A (zh) * | 2018-12-20 | 2019-04-12 | 北京以萨技术股份有限公司 | 一种基于深度学习的视频车辆违停检测方法 |
CN111681424A (zh) * | 2020-06-06 | 2020-09-18 | 浙江长元科技有限公司 | 一种消防车通道被违停占用事件的处理方法 |
CN112232441A (zh) * | 2020-11-18 | 2021-01-15 | 中国联合网络通信集团有限公司 | 违章停车判断方法、系统、计算机设备及存储介质 |
CN112289037A (zh) * | 2020-10-29 | 2021-01-29 | 南通中铁华宇电气有限公司 | 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 |
CN113449605A (zh) * | 2021-05-31 | 2021-09-28 | 超级视线科技有限公司 | 一种基于多维度的路侧车辆违停判断方法及系统 |
-
2021
- 2021-09-29 CN CN202111153392.1A patent/CN113822285A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615868A (zh) * | 2018-12-20 | 2019-04-12 | 北京以萨技术股份有限公司 | 一种基于深度学习的视频车辆违停检测方法 |
CN111681424A (zh) * | 2020-06-06 | 2020-09-18 | 浙江长元科技有限公司 | 一种消防车通道被违停占用事件的处理方法 |
CN112289037A (zh) * | 2020-10-29 | 2021-01-29 | 南通中铁华宇电气有限公司 | 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 |
CN112232441A (zh) * | 2020-11-18 | 2021-01-15 | 中国联合网络通信集团有限公司 | 违章停车判断方法、系统、计算机设备及存储介质 |
CN113449605A (zh) * | 2021-05-31 | 2021-09-28 | 超级视线科技有限公司 | 一种基于多维度的路侧车辆违停判断方法及系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114566063A (zh) * | 2022-01-24 | 2022-05-31 | 深圳市捷顺科技实业股份有限公司 | 一种智能车位引导管理的方法、装置以及存储介质 |
CN114267180A (zh) * | 2022-03-03 | 2022-04-01 | 科大天工智能装备技术(天津)有限公司 | 一种基于计算机视觉的停车管理方法及系统 |
CN114267180B (zh) * | 2022-03-03 | 2022-05-31 | 科大天工智能装备技术(天津)有限公司 | 一种基于计算机视觉的停车管理方法及系统 |
CN114743370A (zh) * | 2022-03-24 | 2022-07-12 | 深圳市华通鑫宇科技有限公司 | 一种基于互联网的企业园区安防监管系统 |
CN114743370B (zh) * | 2022-03-24 | 2023-02-28 | 深圳市华通鑫宇科技有限公司 | 一种基于互联网的企业园区安防监管系统 |
CN114529875A (zh) * | 2022-04-24 | 2022-05-24 | 浙江这里飞科技有限公司 | 一种违停车辆的检测方法、装置、电子设备及存储介质 |
CN114648748A (zh) * | 2022-05-23 | 2022-06-21 | 科大天工智能装备技术(天津)有限公司 | 一种基于深度学习的机动车违停智能识别方法及系统 |
CN115049993A (zh) * | 2022-08-17 | 2022-09-13 | 成都考拉悠然科技有限公司 | 一种基于深度学习的车辆异常停止监测方法 |
CN115049993B (zh) * | 2022-08-17 | 2022-11-15 | 成都考拉悠然科技有限公司 | 一种基于深度学习的车辆异常停止监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822285A (zh) | 一种用于复杂应用场景的车辆违停识别方法 | |
CN106647776B (zh) | 车辆变道趋势的判断方法、判断装置和计算机存储介质 | |
WO2021134441A1 (zh) | 基于自动驾驶的车辆速度控制方法、装置和计算机设备 | |
CN103914688B (zh) | 一种城市道路障碍物识别系统 | |
Song et al. | Vehicle behavior analysis using target motion trajectories | |
CN109191830B (zh) | 一种基于视频图像处理的道路拥堵检测方法 | |
CN105513342A (zh) | 一种基于视频跟踪的车辆排队长度计算方法 | |
CN107239746B (zh) | 一种面向道路救援安全监控的障碍物识别跟踪方法 | |
CN110738857A (zh) | 一种车辆违章取证方法、装置及设备 | |
KR20210052031A (ko) | 딥러닝 기반 교통 흐름 분석 방법 및 시스템 | |
CN104616502A (zh) | 基于组合式车路视频网络的车牌识别与定位系统 | |
CN112766069A (zh) | 基于深度学习的车辆违停检测方法、装置及电子设备 | |
CN108154146A (zh) | 一种基于图像识别的车辆追踪方法 | |
WO2022213542A1 (zh) | 基于激光雷达和轨迹预测的信控交叉口清空方法和系统 | |
CN112381014A (zh) | 一种基于城市道路的违停车辆检测及管理方法及系统 | |
CN113095301B (zh) | 占道经营监测方法、系统与服务器 | |
Patil | Applications of deep learning in traffic management: A review | |
CN107578048A (zh) | 一种基于车型粗分类的远视场景车辆检测方法 | |
CN112733598A (zh) | 车辆违法判别方法、装置、计算机设备和存储介质 | |
CN114648748A (zh) | 一种基于深度学习的机动车违停智能识别方法及系统 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 | |
CN111985295A (zh) | 一种电动自行车行为识别方法、系统、工控机及摄像头 | |
CN111105619A (zh) | 一种路侧逆向停车的判断方法及装置 | |
CN113850995A (zh) | 一种基于隧道雷视数据融合的事件检测方法、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 |