CN113822866A - 一种广适应的车轴数量识别方法、系统、设备及存储介质 - Google Patents
一种广适应的车轴数量识别方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113822866A CN113822866A CN202111112732.6A CN202111112732A CN113822866A CN 113822866 A CN113822866 A CN 113822866A CN 202111112732 A CN202111112732 A CN 202111112732A CN 113822866 A CN113822866 A CN 113822866A
- Authority
- CN
- China
- Prior art keywords
- state
- picture
- vehicle
- frame
- preset
- 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 54
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 238000003384 imaging method Methods 0.000 claims abstract description 25
- 230000003068 static effect Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 230000004313 glare Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 13
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
- G06T2207/30242—Counting objects in image
Abstract
本申请涉及一种广适应的车轴数量识别方法、系统、设备及存储介质,其包括根据预设检测规则对帧流画面进行检测判断画面状态,分别获取上一帧和当前帧的画面状态,并根据预设判定规则确定画面状态类型,画面状态类型包括无车辆状态、车辆进入状态、车辆持续运动状态、车辆离开状态;当画面状态类型属于无车辆状态、车辆进入状态、车辆持续运动状态时,获取帧流画面中预设横坐标位置处信息,并将信息记录到缓存库中;当画面状态类型属于车辆离开状态时,触发成像事件,根据缓存库中信息获得二维平面图;对二维平面图进行检测,得到车轴数。本申请具有不受拍摄镜头类型以及车灯眩光等拍摄因素影响从而对车轴数量识别更加准确的效果。
Description
技术领域
本申请涉及图像识别技术领域,尤其是涉及一种广适应的车轴数量识别方法、系统、设备及存储介质。
背景技术
目前,中国机动车保有量超过3.6亿,机动车驾驶人达到4.5亿,成为名副其实的汽车大国,但与此同时,全国每年有数万人丧生于交通事故,几乎平均每8分钟就有1人因车祸死亡。货车超载是引发交通事故的重大因素。为了避免货车超载,监管部门会在高速、重要车道等入口处安装地磅,对路过货车进行称重,并根据车型本身评估货车是否超载。由于车轴数与货车的最大载重存在对应关系 ,因此利用智能算法识别出货车单边的车轮数,并联合地磅读数进行判断,就能实现货车超载情况的自动判断,降低人力成本。
基于视觉的车轴数量自动统计依赖于对车辆单边车轮数的识别。目前,机器视觉的主流方法都是基于监控画面检测出货车,并连续跟踪车辆位置,从而得到货车进入监控画面和离开监控画面的时间,而后从有效视频片段中截取出一张质量合格的车体侧面帧图,通过算法检测出货车的车轮数量。
针对上述的相关技术中,发明认为存在的缺陷在于,在地磅卡口处的车轴识别任务中,由于侧面拍摄距离有限,通常只能选择鱼眼镜头进行拍摄,得到的画面与标准镜头存在巨大差异,即使通过去畸变算法进行矫正,恢复的画面也不会包含车体的完整侧面,主流方法中的车轮识别算法无法得到正确结果;此外,夜间车体进入和离开时车灯的眩光也会导致主流方法中的追踪算法失效,无法完成该场景下的车辆进入和离开时机的判断,对此,有待进一步改善。
发明内容
为了减少拍摄镜头类型以及车灯眩光等拍摄因素对车轴识别的影响,本申请提供了一种广适应的车轴数量识别方法、系统、设备及存储介质。
第一方面,本申请提供一种广适应的车轴数量识别方法,采用如下的技术方案:
一种广适应的车轴数量识别方法,包括:
根据预设检测规则对帧流画面进行检测判断画面状态,所述画面状态包括运动状态以及静止状态;
分别获取上一帧和当前帧的画面状态,并根据预设判定规则确定画面状态类型,所述画面状态类型包括无车辆状态、车辆进入状态、车辆持续运动状态、车辆离开状态;
当画面状态类型属于无车辆状态、车辆进入状态、车辆持续运动状态时,获取帧流画面中预设横坐标位置处信息,并将信息记录到缓存库中;
当画面状态类型属于车辆离开状态时,触发成像事件,根据缓存库中信息获得二维平面图;
对所述二维平面图进行检测,得到车轴数。
通过对上一帧以及当前帧画面状态进行识别,得出画面状态的类型,画面状态的类型也分别表示四种车辆与摄像头拍摄范围的关系。当画面状态类型属于无车辆状态、车辆进入状态、车辆持续运动状态时,表示车辆还未进入拍摄画面,或正在进入拍摄画面,获取横坐标位置处的信息并实时写入至缓存库中,利用车辆连续运动的特点,将车体侧面完整地录入缓存当中。这种方法不受镜头畸变所带来的影响,也避开了夜间车辆头灯光线对车体成像的影响。当画面状态类型为车辆离开状态时,表示车辆已经从画面中完全离开,此时已经完整捕获了车辆侧面的完整信息,因此将缓存信息视觉成像,并清空缓存,等待下一辆车的进入。
可选的,所述根据预设检测规则对帧流画面进行检测判断画面状态,所述画面状态包括运动状态以及静止状态的步骤,包括:
采用帧差分方法对帧流画面进行运动检测,对帧流画面变化幅度值大于预设值的像素点进行数量统计,获得运动点数;
若运动点数大于总像素点预设占比数时,确定当前帧流画面为运动状态;
若运动点数小于或者等于总像素量预设占比数时,确定当前帧流画面为静止状态。
通过采用上述技术方案,设置的帧差分方法利用两个相邻帧流画面计算出当前帧流画面的变化幅度值,并通过对变化幅度大于某预设值的像素点进行数量统计,得到运动点数,再通过其在总像素点的占比大小,确定当前帧流画面为运动状态或者静止状态。该方法判断结果准确,有利于后续车轴的准确识别。
可选的,所述分别获取上一帧和当前帧的画面状态,并根据预设判定规则确定画面状态类型,所述画面状态类型包括无车辆状态、车辆进入状态、车辆持续运动状态、车辆离开状态的步骤,包括:
获取上一帧以及当前帧帧流画面,根据预设检测规则确定上一帧以及当前帧的画面状态;
当上一帧帧流画面为静止状态,且当前帧帧流画面为静止状态时,确定画面状态类型为无车辆状态;
当上一帧帧流画面为静止状态,且当前帧帧流画面为运动状态时,确定画面状态类型为车辆进入状态;
当上一帧帧流画面为运动状态,且当前帧帧流画面为运动状态时,确定画面状态类型为车辆持续运动状态;
当上一帧帧流画面为运动状态,且当前帧帧流画面为静止状态时,确定画面状态类型为车辆离开状态。
通过采用上述技术方案,上一帧以及当前帧不同的画面状态能够获得四种不同的排列组合方式,从而结合实际的车辆在摄像头拍摄范围内的情况确定画面状态类型,相较一般从当前帧画面图像识别出是否有车辆进入,该方法复杂度降低,处理速度快,能够加快帧获取速率,从而提高检测的准确率。
可选的,所述预设值为30;所述预设占比数为20%。
通过采用上述技术方案,由于经过实际测试,画面噪点所带来的像素变化通常都在20以下,而车辆入场所带来的像素变化通常在40以上,选择中间数值可确保对背景噪声的有效过滤;当车辆进入画面1/5,或车辆离开画面还剩1/5时,变化像素点数量约占总数20%,此时车体离画面中线足够远,又有足够的运动像素点来区分被背景抖动干扰(如下雨),从而保证车辆进入或离开状态的准确判定。
可选的,所述当画面状态类型属于无车辆状态、车辆进入状态、车辆持续运动状态时,则触发横坐标信息事件,获取帧流画面中预设横坐标位置处信息,并将信息记录到缓存库中的步骤,包括:
当画面状态属于无车辆状态、车辆进入状态、车辆持续运动状态时,获取内帧流画面横坐标位置正中间竖直方向上的像素值,并按照时间先后顺序将像素值记录到缓存库中。
通过采用上述技术方案,获取横坐标位置正中间竖直方向的像素值成像质量最好,并且上述位置能够有效避免夜间车头或车尾灯光对帧流画面的干扰;通过实时将像素值按照时间顺序写入缓存库内,相当于将画面的时序信息转变成了平面信息,有效解决了鱼眼、广角和传统摄像头不兼容的痛点,能够得到一张完整的车体侧面二维平面图像。
可选的,当画面状态类型属于车辆离开状态时,触发成像事件,根据缓存库中信息获得二维平面图的步骤,包括:
当画面状态属于车辆离开状态时,暂停将信息记录到缓存库中的操作,并对记录在缓存库中相邻两列的像素值进行匹配,得出相似度;
当相似度大于预设阀值,根据预设删除规则对相似内容进行删除;
根据时间先后顺序组合缓存库内剩余的像素值,获得二维平面图。
通过采用上述技术方案,设置的相似度匹配以及预设删除规则能够有效压缩图像,减少许多帧流取值频率过快而导致的画面拉伸变形情况,使得图像更加贴合正常视觉的车体侧面二维平面图像,从而有利于对车轴进行识别。
可选的,所述对记录在缓存库中相邻两列的像素值进行匹配,得出相似度的步骤中采用余弦相似度计算缓存库中相邻两列像素值的相似度,余弦相似度算法如下:
通过采用上述技术方案,余弦相似度描述的是两列像素值变化的相似性,结果较与一般的像素差值算法更加的精准,有利于判断车辆离开状态实现二维平面图成像。
可选的,所述对所述二维平面图进行检测,得到车轴数的步骤,包括:
利用基于深度学习训练的检测模型 对二维平面图进行车轮检测,得到车轮位置信息;
对车轮位置信息进行区域标计并统计区域标记的数量,获得车轮数量;
根据车轮数量得出车轴数
通过采用上述技术方案,设置的检测模型以大量上述二维平面图为原始数据进行训练,相较于一般的车轮轮廓图像方法,明显更能适应本申请设备所采集的图像,识别的准确率更高。
第二方面,本申请提供一种广适应的车轴数量识别系统,采用如下的技术方案:
一种广适应的车轴数量识别系统,包括,画面状态判断模块,用于根据预设检测规则对帧流画面进行检测判断画面状态,所述画面状态包括运动状态以及静止状态;
画面状态类型判断模块,用于分别获取上一帧和当前帧的画面状态,并根据预设判定规则确定画面状态类型,所述画面状态类型包括无车辆状态、车辆进入状态、车辆持续运动状态、车辆离开状态;
横坐标信息获取模块,当画面状态类型属于无车辆状态、车辆进入状态、车辆持续运动状态时,获取帧流画面中预设横坐标位置处信息,并将信息记录到缓存库中;
缓存成像模块,当画面状态类型属于车辆离开状态时,触发成像事件,根据缓存库中信息获得二维平面图;
图像检测模块,用于对所述二维平面图进行检测,得到车轴数。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行上述的一种广适应的车轴数量识别方法的计算机程序。
第四方面,本申请是提供一种计算机存储介质,采用如下技术方案:
一种计算机可读存储介质,存储有能够被处理器加载并执行上述的一种广适应的车轴数量识别方法的计算机程序。
综上所述,本申请包括以下至少一种有益技术效果:
通过对上一帧以及当前帧画面状态进行识别,得出画面状态的类型,画面状态的类型也分别表示四种车辆与摄像头拍摄范围的关系。当画面状态类型属于无车辆状态、车辆进入状态、车辆持续运动状态时,表示车辆还未进入拍摄画面,或正在进入拍摄画面,获取横坐标位置处的信息并实时写入至缓存库中,利用车辆连续运动的特点,将车体侧面完整地录入缓存当中。这种方法不受镜头畸变所带来的影响,也避开了夜间车辆头灯光线对车体成像的影响。当画面状态类型为车辆离开状态时,表示车辆已经从画面中完全离开,此时已经完整捕获了车辆侧面的完整信息,因此将缓存信息视觉成像,并清空缓存,等待下一辆车的进入。
附图说明
图1是本申请其中一实施例的一种广适应的车轴数量识别方法的流程图。
图2是本申请另一实施例中步骤S1的具体步骤流程图。
图3是本申请另一实施例中步骤S2的具体步骤流程图。
图4是本申请另一实施例中步骤S3的具体步骤流程图。
图5是本申请另一实施例中步骤S4的具体步骤流程图。
图6是本申请另一实施例中步骤S5的具体步骤流程图。
图7是本申请其中一实施例的一种广适应的车轴数量识别系统的结构图。
图中,1、画面状态判断模块;2、画面状态类型判断模块;3、横坐标信息获取模块;4、缓存成像模块;5、图像检测模块。
具体实施方式
以下结合附图1-7对本申请作进一步详细说明。
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图1-7及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的广适应的车轴数量识别方法可由车轴数量识别电子设备执行,车轴数量识别电子设备包括存储器、处理器和摄像头。该电子设备设置在车辆经过道路的侧面,对摄像头的焦距、白天/夜视模式没有特定要求,摄像头上下高度方面可完整拍摄到车体,由于检测车辆载重的通行车道一般需要车辆通过时按照先后顺序依次通过,因此,不存在车辆相互遮挡的情形,摄像头、存储器和处理器相互电性连接。
其中,摄像头可选为鱼眼摄像头,也可选为普通镜头,本方法不受摄像头类型限制,同时也不受夜间或者白天模式影响。
基于上述原理和上述应用场景,需要说明的是,本申请提供了广适应的车轴数量识别方法,即从处理器的视角来描述该方法,可以通过编程将广适应的车轴数量识别方法实现为计算机程序在智能设备上实现,其包括但不限于计算机、网络主机、智能终端等。
参照图1,本申请中一个实施例公开的广适应的车轴数量识别方法,具体包括:
S1,根据预设检测规则对帧流画面进行检测判断画面状态,所述画面状态包括运动状态以及静止状态。
其中,设置的帧流画面为摄像机实时录像每一帧的画面,设置的预设检测规则能够实时对帧流画面进行检测分析,预设检测规则可选为帧差分方法,也可选为光流、神经网络等方法,通过预设检测规则能够获得不同的画面状态,画面状态包括运动状态以及静止状态。
图2为本公开中步骤S1的一种可选实现方式流程图,参照图2,步骤S1具体包括以下步骤S10、步骤S100以及步骤S101:
S10,采用帧差分方法对帧流画面进行运动检测,对帧流画面变化幅度值大于预设值的像素点进行数量统计,获得运动点数。
S100,若运动点数大于总像素点预设占比数时,确定当前帧流画面为运动状态。
S101,若运动点数小于或者等于总像素量预设占比数时,确定当前帧流画面为静止状态。
具体的,帧流画面像素点的变化幅度值为相邻两个帧流画面之间位于共同位置的像素点像素值之差,在本实施例中,设置的预设值选值范围为25-35,其中,预设值优选为30,对帧流画面像素点的变化幅度值大于30像素点进行计数,获得运动点数;在本实施例中,设置的预设占比数选值范围为15%-25%,其中,预设占比数优选为20%,若运动点数大于总像素点的20%时,判定当前帧流画面为运动状态;若运动点数小于或者等于总像素点的20%时,判定当前帧流画面为静止状态。
S2,分别获取上一帧和当前帧的画面状态,并根据预设判定规则确定画面状态类型,画面状态类型包括无车辆状态、车辆进入状态、车辆持续运动状态、车辆离开状态。
具体的,根据S1步骤分别获取上一帧和当前帧的画面状态,并根据预设判定规则确定画面状态类型,根据车辆进入到离开摄像头拍摄范围的情况,画面状态类型包括无车辆状态、车辆进入状态、车辆持续运动状态、车辆离开状态。
图3为本公开中步骤S2的一种可选实现方式流程图,参照图3,步骤S2具体包括以下步骤S20、步骤S21、步骤S22、步骤S23以及步骤S24:
S20,获取上一帧以及当前帧帧流画面,根据预设检测规则确定上一帧以及当前帧的画面状态。
S21,当上一帧帧流画面为静止状态,且当前帧帧流画面为静止状态时,确定画面状态类型为无车辆状态。
S22,当上一帧帧流画面为静止状态,且当前帧帧流画面为运动状态时,确定画面状态类型为车辆进入状态。
S23,当上一帧帧流画面为运动状态,且当前帧帧流画面为运动状态时,确定画面状态类型为车辆持续运动状态。
S24,当上一帧帧流画面为运动状态,且当前帧帧流画面为静止状态时,确定画面状态类型为车辆离开状态。
具体的,通过将上一帧帧流画面以及当前帧帧流画面的画面状态进行排列组合,一共得出四种状态。无车辆状态表示目前画面中无车辆进入时或者车辆在摄像头处停下来的情况;车辆进入状态表示车辆刚刚进入摄像头的拍摄范围;车辆持续运动状态表示车辆还在持续运动;车辆离开状态表示车辆正在离开摄像头拍摄范围。
S3,当画面状态类型属于无车辆状态、车辆进入状态、车辆持续运动状态时,获取帧流画面中预设横坐标位置处信息,并将信息记录到缓存库中。
其中,缓存可以是固定长度的,确保长期记录过程中缓存不会溢出,具体的,缓存可以是一个高度为1080,长度为10800,通道数为3,大小不超过34M的存储页,负责将送入的横坐标扫描结果按拍摄的先后顺序记录下来。当摄像头成像高度不足或高于1080时,将画面缩放至1080进行存放;当记录内容超过缓存的最大容量时,采用先入先出(FIFO)的方法将早期数据从缓存中删除,并记录新数据。
按照照相机30FPS的最高速率计算,该缓存至少能够保存6分钟车体的运动信息,足够记录实际场景中车辆从进入到离开的完整流程。
图4为本公开中步骤S3的一种可选实现方式流程图,参照图4,步骤S3具体包括以下步骤S30:
S30,当画面状态属于无车辆状态、车辆进入状态、车辆持续运动状态时,获取内帧流画面横坐标位置正中间竖直方向上的像素值,并按照时间先后顺序将像素值记录到缓存库中。
具体的,当画面状态属于无车辆状态、车辆进入状态、车辆持续运动状态时,可以在帧流画面的横坐标位置最正中间区域获取竖直方向上的像素值,这是由于在摄像头拍摄的帧流画面最正中间位置与车身垂直,成像质量好,该位置能够有效避免夜间车头或车尾灯光对帧流画面的干扰。
S4,当画面状态类型属于车辆离开状态时,触发成像事件,根据缓存库中信息获得二维平面图。
具体的,当检测到上一帧帧流画面为运动状态,且当前帧帧流画面为静止状态时,触发成像事件,进而对缓存库中的按照时间顺序排列的像素值组合在一起,得到二维平面图,相当于将画面中心的时序信息转变成了平面信息。
图5为本公开中步骤S4的一种可选实现方式流程图,参照图5,步骤S4具体包括以下步骤S40、步骤S41以及步骤S42:
S40,当画面状态属于车辆离开状态时,暂停将信息记录到缓存库中的操作,并对记录在缓存库中相邻两列的像素值进行匹配,得出相似度。
S41,当相似度大于预设阀值,根据预设删除规则则对相似内容进行删除。
S42,根据时间先后顺序组合缓存库内剩余像素值,获得二维平面图。
其中,由于成像过程只有处于车辆离开状态时发生且成像质量对最终效果有至关重要的作用,因此,在本实施例中,计算缓存中相邻两列像素值的相似度优选用余弦相似度算法。余弦相似度描述的是两列像素变化的相似性,结果精准但计算量大,因此,余弦相似度算法适合应用于精度要求高但数量有限的相似向量计算,根据步骤S3中可知缓存固定长度的,因此,余弦相似度算法非常适合本申请的相似度计算。余弦相似度计算公式如下,其中A,B分别代表相邻两列像素值,代表相邻两列像素值的内积,代表相邻两列像素值范数相乘:
当余弦相似度超过90%时,判定相邻两列像素值存在相似性,二者中只保留时间靠后的一列像素值;否则认为相邻两列像素值不存在相似性,二者都保留。上述过程反复进行,直到整个缓存迭代1遍。
在另一实施例中,计算缓存中相邻两列像素值的相似度可选用相邻两列像素值进行差值比较得出,此方式计算高效,然而精度略差,但对判断整个画面是否运动而言,精度还是足够的。
S5,对二维平面图进行检测,得到车轴数。
具体的,通过图像识别技术对二维平面图中进行车轮检测识别,从而得到车轮数,再通过车轮与车轴之间的相等关系,得到车轴数。
图6为本公开中步骤S5的一种可选实现方式流程图,参照图6,步骤S5具体包括以下步骤S50、步骤S51以及步骤S52:
S50,利用基于深度学习训练的检测模型对二维平面图进行车轮检测,得到车轮位置信息。
S51,对车轮位置信息进行区域标计并统计区域标记的数量,获得车轮数量。
S52,根据车轮数量得出车轴数。
具体的,深度学习训练的检测模型测算出来的车轮位置信息比起一般的车轮轮廓特征图像识别更加准确。在本实施例中可选用yolo算法进行模型训练,其过程和普通物体检测类似,首先利用上述的算法对真实环境中的车辆过磅视频进行提取,生成大约20000张左右的车辆侧面平面图,而后对这些图片上的车轮进行人工标注,最后可以将这些图片缩放到640*640的分辨率,送入yolo框架进行训练。可见,检测模型的识别更加准确。本检测模型可采用但不限制于yolo算法,还可选用ssd、faster-rcnn等算法。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本申请实施例还提供一种广适应的车轴数量识别系统,该车轴数量识别系统与实施例中车轴数量识别方法一一对应。参照图7,该车轴数量识别系统包括:画面状态判断模块1、画面状态类型判断模块2、横坐标信息获取模块3、缓存成像模块4以及图像检测模块5。各功能模块详细说明如下:
画面状态判断模块1,用于根据预设检测规则对帧流画面进行检测判断画面状态,画面状态包括运动状态以及静止状态。
画面状态类型判断模块2,用于分别获取上一帧和当前帧的画面状态,并根据预设判定规则确定画面状态类型,画面状态类型包括无车辆状态、车辆进入状态、车辆持续运动状态、车辆离开状态。
横坐标信息获取模块3,当画面状态类型属于无车辆状态、车辆进入状态、车辆持续运动状态时,获取帧流画面中预设横坐标位置处信息,并将信息记录到缓存库中。
缓存成像模块4,当画面状态类型属于车辆离开状态时,触发成像事件,根据缓存库中信息获得二维平面图。
图像检测模块5,用于对二维平面图进行检测,得到车轴数。
其中,车轴数量识别系统通过从摄像头内获取上一帧和当前帧的帧流画面,并利用画面状态判断模块1内的预设检测规则对帧流画面进行检测,从而获得画面状态,画面状态包括运动状态以及静止状态,再利用画面状态类型判断模块2内的预设判定规则确定画面状态类型,画面状态类型包括无车辆状态、车辆进入状态、车辆持续运动状态、车辆离开状态。进一步的,当画面状态类型属于无车辆状态、车辆进入状态、车辆持续运动状态时,横坐标信息获取模块3对帧流画面中预设横坐标位置处的信息进行获取,并将该信息记录到缓存库中。当画面状态类型属于车辆离开状态时,则触发成像事件,缓存成像模块4对缓存库中的像素值进行组合,得到二维平面图。最后再利用图像检测模块5对二维平面图进行检测,得到车轴数。
关于广适应的车轴数量识别系统的具体限定可参见上下文中对广适应的车轴数量识别方法的限定,在此不再赘述。上述一种广适应的车轴数量识别系统中的各模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备的存储器中,以便于处理器调用执行以上各模块对应的操作。
本申请实施例还公开一种计算机可读存储介质,存储有能够被处理器加载并执行的计算机程序,该计算机程序被处理器执行时实现上述任一种泊车系统全景图像生成方法的步骤,且能达到相同的效果。
其中,计算机可读存储介质例如包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,本说明书(包括摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或者具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
Claims (10)
1.一种广适应的车轴数量识别方法,其特征在于,包括:
根据预设检测规则对帧流画面进行检测判断画面状态,所述画面状态包括运动状态以及静止状态;
分别获取上一帧和当前帧的画面状态,并根据预设判定规则确定画面状态类型,所述画面状态类型包括无车辆状态、车辆进入状态、车辆持续运动状态、车辆离开状态;
当画面状态类型属于无车辆状态、车辆进入状态、车辆持续运动状态时,获取帧流画面中预设横坐标位置处信息,并将信息记录到缓存库中;
当画面状态类型属于车辆离开状态时,触发成像事件,根据缓存库中信息获得二维平面图;
对所述二维平面图进行检测,得到车轴数。
2.根据权利要求1所述的一种广适应的车轴数量识别方法,其特征在于,所述根据预设检测规则对帧流画面进行检测判断画面状态,所述画面状态包括运动状态以及静止状态的步骤,包括:
采用帧差分方法对帧流画面进行运动检测,对帧流画面变化幅度值大于预设值的像素点进行数量统计,获得运动点数;
若运动点数大于总像素点预设占比数时,确定当前帧流画面为运动状态;
若运动点数小于或者等于总像素量预设占比数时,确定当前帧流画面为静止状态;
所述分别获取上一帧和当前帧的画面状态,并根据预设判定规则确定画面状态类型,所述画面状态类型包括无车辆状态、车辆进入状态、车辆持续运动状态、车辆离开状态的步骤,包括:
获取上一帧以及当前帧帧流画面,根据预设检测规则确定上一帧以及当前帧的画面状态;
当上一帧帧流画面为静止状态,且当前帧帧流画面为静止状态时,确定画面状态类型为无车辆状态;
当上一帧帧流画面为静止状态,且当前帧帧流画面为运动状态时,确定画面状态类型为车辆进入状态;
当上一帧帧流画面为运动状态,且当前帧帧流画面为运动状态时,确定画面状态类型为车辆持续运动状态;
当上一帧帧流画面为运动状态,且当前帧帧流画面为静止状态时,确定画面状态类型为车辆离开状态。
3.根据权利要求2所述的一种广适应的车轴数量识别方法,其特征在于,所述预设值为30;所述预设占比数为20%。
4.根据权利要求1所述的一种广适应的车轴数量识别方法,其特征在于,所述当画面状态类型属于无车辆状态、车辆进入状态、车辆持续运动状态时,则触发横坐标信息事件,获取帧流画面中预设横坐标位置处信息,并将信息记录到缓存库中的步骤,包括:
当画面状态属于无车辆状态、车辆进入状态、车辆持续运动状态时,获取内帧流画面横坐标位置正中间竖直方向上的像素值,并按照时间先后顺序将像素值记录到缓存库中。
5.根据权利要求1所述的一种广适应的车轴数量识别方法,其特征在于,当画面状态类型属于车辆离开状态时,触发成像事件,根据缓存库中信息获得二维平面图的步骤,包括:
当画面状态属于车辆离开状态时,暂停将信息记录到缓存库中的操作,并对记录在缓存库中相邻两列的像素值进行匹配,得出相似度;
当相似度大于预设阀值,根据预设删除规则对相似内容进行删除;
根据时间先后顺序组合缓存库内剩余的像素值,获得二维平面图。
7.根据权利要求1所述的一种广适应的车轴数量识别方法,其特征在于,所述对所述二维平面图进行检测,得到车轴数的步骤,包括:
利用基于深度学习训练的检测模型对二维平面图进行车轮检测,得到车轮位置信息;
对车轮位置信息进行区域标计并统计区域标记的数量,获得车轮数量;
根据车轮数量得出车轴数。
8.一种广适应的车轴数量识别系统,其特征在于,包括,
画面状态判断模块,用于根据预设检测规则对帧流画面进行检测判断画面状态,所述画面状态包括运动状态以及静止状态;
画面状态类型判断模块,用于分别获取上一帧和当前帧的画面状态,并根据预设判定规则确定画面状态类型,所述画面状态类型包括无车辆状态、车辆进入状态、车辆持续运动状态、车辆离开状态;
横坐标信息获取模块,当画面状态类型属于无车辆状态、车辆进入状态、车辆持续运动状态时,获取帧流画面中预设横坐标位置处信息,并将信息记录到缓存库中;
缓存成像模块,当画面状态类型属于车辆离开状态时,触发成像事件,根据缓存库中信息获得二维平面图;
图像检测模块,用于对所述二维平面图进行检测,得到车轴数。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如权利要求1至7中任一种广适应的车轴数量识别方法的计算机程序。
10.一种计算机可读存储介质,其特征在于,存储有能够被处理器加载并执行如权利要求1至7中任一种广适应的车轴数量识别方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111112732.6A CN113822866A (zh) | 2021-09-23 | 2021-09-23 | 一种广适应的车轴数量识别方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111112732.6A CN113822866A (zh) | 2021-09-23 | 2021-09-23 | 一种广适应的车轴数量识别方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113822866A true CN113822866A (zh) | 2021-12-21 |
Family
ID=78915168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111112732.6A Pending CN113822866A (zh) | 2021-09-23 | 2021-09-23 | 一种广适应的车轴数量识别方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822866A (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101588444A (zh) * | 2008-05-20 | 2009-11-25 | 华为技术有限公司 | 视频数据的去隔行方法、去隔行装置及视频处理系统 |
CN103561271A (zh) * | 2013-11-19 | 2014-02-05 | 福建师范大学 | 静止摄像头拍摄的运动目标被移除视频空域篡改检测方法 |
CN104573652A (zh) * | 2015-01-04 | 2015-04-29 | 华为技术有限公司 | 确定人脸图像中人脸的身份标识的方法、装置和终端 |
CN106101487A (zh) * | 2016-07-04 | 2016-11-09 | 石家庄铁道大学 | 视频时空运动轨迹提取方法 |
CN106210444A (zh) * | 2016-07-04 | 2016-12-07 | 石家庄铁道大学 | 运动状态自适应关键帧提取方法 |
CN106412385A (zh) * | 2016-10-17 | 2017-02-15 | 湖南国科微电子股份有限公司 | 一种视频图像3d降噪方法及装置 |
CN108830925A (zh) * | 2018-05-08 | 2018-11-16 | 中德(珠海)人工智能研究院有限公司 | 一种基于球幕视频流的三维数字化建模方法 |
CN108933897A (zh) * | 2018-07-27 | 2018-12-04 | 南昌黑鲨科技有限公司 | 基于图像序列的运动检测方法及装置 |
CN109101920A (zh) * | 2018-08-07 | 2018-12-28 | 石家庄铁道大学 | 视频时域单元分割方法 |
CN110136449A (zh) * | 2019-06-17 | 2019-08-16 | 珠海华园信息技术有限公司 | 基于深度学习的交通视频车辆违停自动识别抓拍的方法 |
CN111382180A (zh) * | 2020-03-11 | 2020-07-07 | 网易(杭州)网络有限公司 | 一种本地缓存的数据清除方法和装置 |
CN111860384A (zh) * | 2020-07-27 | 2020-10-30 | 上海福赛特智能科技有限公司 | 一种车型识别方法 |
CN112396636A (zh) * | 2020-12-01 | 2021-02-23 | 石家庄铁道大学 | 基于时空隧道流量模型的监控视频运动片段分割方法 |
CN112749596A (zh) * | 2019-10-31 | 2021-05-04 | 顺丰科技有限公司 | 异常画面检测方法、装置、电子设备和存储介质 |
CN112966582A (zh) * | 2021-02-26 | 2021-06-15 | 北京卓视智通科技有限责任公司 | 车型三维识别方法、装置、系统、电子设备及存储介质 |
CN113221710A (zh) * | 2021-04-30 | 2021-08-06 | 深圳市水务工程检测有限公司 | 基于神经网络的排水管道缺陷识别方法、装置、设备及介质 |
-
2021
- 2021-09-23 CN CN202111112732.6A patent/CN113822866A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101588444A (zh) * | 2008-05-20 | 2009-11-25 | 华为技术有限公司 | 视频数据的去隔行方法、去隔行装置及视频处理系统 |
CN103561271A (zh) * | 2013-11-19 | 2014-02-05 | 福建师范大学 | 静止摄像头拍摄的运动目标被移除视频空域篡改检测方法 |
CN104573652A (zh) * | 2015-01-04 | 2015-04-29 | 华为技术有限公司 | 确定人脸图像中人脸的身份标识的方法、装置和终端 |
CN106101487A (zh) * | 2016-07-04 | 2016-11-09 | 石家庄铁道大学 | 视频时空运动轨迹提取方法 |
CN106210444A (zh) * | 2016-07-04 | 2016-12-07 | 石家庄铁道大学 | 运动状态自适应关键帧提取方法 |
CN106412385A (zh) * | 2016-10-17 | 2017-02-15 | 湖南国科微电子股份有限公司 | 一种视频图像3d降噪方法及装置 |
CN108830925A (zh) * | 2018-05-08 | 2018-11-16 | 中德(珠海)人工智能研究院有限公司 | 一种基于球幕视频流的三维数字化建模方法 |
CN108933897A (zh) * | 2018-07-27 | 2018-12-04 | 南昌黑鲨科技有限公司 | 基于图像序列的运动检测方法及装置 |
CN109101920A (zh) * | 2018-08-07 | 2018-12-28 | 石家庄铁道大学 | 视频时域单元分割方法 |
CN110136449A (zh) * | 2019-06-17 | 2019-08-16 | 珠海华园信息技术有限公司 | 基于深度学习的交通视频车辆违停自动识别抓拍的方法 |
CN112749596A (zh) * | 2019-10-31 | 2021-05-04 | 顺丰科技有限公司 | 异常画面检测方法、装置、电子设备和存储介质 |
CN111382180A (zh) * | 2020-03-11 | 2020-07-07 | 网易(杭州)网络有限公司 | 一种本地缓存的数据清除方法和装置 |
CN111860384A (zh) * | 2020-07-27 | 2020-10-30 | 上海福赛特智能科技有限公司 | 一种车型识别方法 |
CN112396636A (zh) * | 2020-12-01 | 2021-02-23 | 石家庄铁道大学 | 基于时空隧道流量模型的监控视频运动片段分割方法 |
CN112966582A (zh) * | 2021-02-26 | 2021-06-15 | 北京卓视智通科技有限责任公司 | 车型三维识别方法、装置、系统、电子设备及存储介质 |
CN113221710A (zh) * | 2021-04-30 | 2021-08-06 | 深圳市水务工程检测有限公司 | 基于神经网络的排水管道缺陷识别方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
李开明等: "地面车辆目标识别研究综述", 《电子学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626277B (zh) | 一种基于治超站交调指标分析的车辆跟踪方法及装置 | |
CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
DE112016007131T5 (de) | Objektdetektionseinrichtung und Objektbestimmungsverfahren | |
CN106980855B (zh) | 交通标志快速识别定位系统及方法 | |
CN105631418A (zh) | 一种人数统计的方法和装置 | |
CN109489724A (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
CN104268596A (zh) | 一种车牌识别器及其车牌检测方法与系统 | |
CN107944388A (zh) | 一种车道线检测方法、装置及终端 | |
CN112818834B (zh) | 一种交叉口针对应急车辆的避让判定方法、设备及介质 | |
CN114170580A (zh) | 一种面向高速公路的异常事件检测方法 | |
CN110826415A (zh) | 一种场景图像中车辆的重识别方法及设备 | |
CN103337175A (zh) | 一种基于实时视频流的车型识别系统 | |
KR101089029B1 (ko) | 광류를 이용한 방범용 차량 감지 시스템 | |
CN112598743B (zh) | 一种单目视觉图像的位姿估算方法及相关装置 | |
CN111127520A (zh) | 一种基于视频分析的车辆跟踪方法和系统 | |
CN108256510B (zh) | 一种道路边缘线检测方法、装置及终端 | |
CN113822866A (zh) | 一种广适应的车轴数量识别方法、系统、设备及存储介质 | |
CN110796099A (zh) | 一种车辆超限检测方法及装置 | |
CN116228756A (zh) | 一种自动驾驶中相机坏点的检测方法及检测系统 | |
JP4784932B2 (ja) | 車両判別装置及びそのプログラム | |
CN116012764A (zh) | 一种道路病害识别定位方法、装置、电子设备及存储介质 | |
CN112950954B (zh) | 一种基于高位摄像头的智能停车车牌识别方法 | |
CN101577052B (zh) | 俯空车辆检测装置和方法 | |
CN116152691A (zh) | 图像检测方法、装置、设备和存储介质 | |
CN109784187B (zh) | 人脸识别的优化方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211221 |