CN113903180A - 一种高速公路检测车辆超速的方法及系统 - Google Patents

一种高速公路检测车辆超速的方法及系统 Download PDF

Info

Publication number
CN113903180A
CN113903180A CN202111358682.XA CN202111358682A CN113903180A CN 113903180 A CN113903180 A CN 113903180A CN 202111358682 A CN202111358682 A CN 202111358682A CN 113903180 A CN113903180 A CN 113903180A
Authority
CN
China
Prior art keywords
license plate
vehicle
obtaining
monitoring
image
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
CN202111358682.XA
Other languages
English (en)
Other versions
CN113903180B (zh
Inventor
郑忠
陈非
李敬阳
赵快
刘强
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.)
Sichuan Jiutong Zhilu Technology Co ltd
Original Assignee
Sichuan Jiutong Zhilu 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 Sichuan Jiutong Zhilu Technology Co ltd filed Critical Sichuan Jiutong Zhilu Technology Co ltd
Priority to CN202111358682.XA priority Critical patent/CN113903180B/zh
Publication of CN113903180A publication Critical patent/CN113903180A/zh
Application granted granted Critical
Publication of CN113903180B publication Critical patent/CN113903180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G08G1/054—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed photographing overspeeding vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Library & Information Science (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种高速公路检测车辆超速的方法及系统，通过第一红外感应设备和第一监控，得到第一车辆监控信息；基于车牌检测模型和所述第一车辆监控信息，得到第一车牌区域；第一车牌区域有一个或者多个对第一车牌区域进行重构，得到第一清晰车牌区域。基于第一清晰车牌区域和车牌识别模型，得到第一车牌号；将第一车牌号和所述第一监控时间存储在数据库中；通过第二红外感应设备和第二监控，得到第二车辆监控信息，得到第二车牌号；将第二车牌号与所述数据库中的第一车牌号进行对比，当第二车牌号与所述数据库中的第一车牌号相同，基于第二监控时间与第一监控时间，得到相同车牌号时间差。基于所述相同车牌号时间差，得到车辆速度。

Description

一种高速公路检测车辆超速的方法及系统
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种高速公路检测车辆超速的方法及系统。
背景技术
目前采用的判断车辆是否超速的方法有电感线圈测速、激光测速、雷达测速和视频测速。其中，电感线圈测速需要埋设两组线圈，施工量比较大，路面一旦变更则需重埋线圈，路面质量不好的地方对线圈的维护工作都是巨大的。激光测速的价格过高。雷达测速窄波成本高，不能同时监控大流量车辆；宽波扫描面比较广、监测区域大，当相邻车道两车并排进入超速监测区域或同车道两车连续进入超速监测区域时，雷达监测系统无法明确认定哪一部车辆违规，很容易造成错抓误判；同时车速过高的车辆经过监测区域一段距离后才能测出它的速度，这时可能已来不及捕捉其图像信息，从而造成漏抓或误抓的情况。
而目前的视频测速一次只能对一个车道的一辆车进行测速，两辆车或数辆车同时经过时无法测速，更无法判别其是否超速，误判车辆较多及测速误差太大。
发明内容
本发明的目的在于提供了一种高速公路检测车辆超速的方法及系统，用以解决现有技术中存在的上述问题。
第一方面，本发明实施例提供了一种高速公路检测车辆超速的方法，包括：
通过第一红外感应设备和第一监控，得到第一车辆监控信息；所述第一车辆监控信息包括第一监控图像和第一监控时间；所述第一监控时间表示车辆通过所述第一红外感应设备时的时间；所述第一监控图像表示所述第一监控中车辆通过所述第一红外感应设备时拍摄的监控图像；
基于车牌检测模型和所述第一车辆监控信息，得到第一车牌区域；第一车牌区域有一个或者多个；
对第一车牌区域进行重构，得到第一清晰车牌区域；
基于所述第一清晰车牌区域和车牌识别模型，得到第一车牌号；
将所述第一车牌号和所述第一监控时间存储在数据库中；
通过第二红外感应设备和第二监控，得到第二车辆监控信息；所述第二车辆监控信息包括第二监控图像和第二监控时间；所述第二监控时间表示车辆通过所述第一红外感应设备时的时间；所述第二监控图像表示所述第一监控中车辆通过所述第一红外感应设备时拍摄的监控图像；
基于车牌检测模型和所述第二车辆监控信息，得到第二车牌区域；第二车牌区域有一个或者多个；
对第二车牌区域进行重构，得到第二清晰车牌区域；
基于所述第二清晰车牌区域和车牌识别模型，得到第二车牌号；
将第二车牌号与所述数据库中的第一车牌号进行对比，当第二车牌号与所述数据库中的第一车牌号相同，基于第二监控时间与第一监控时间，得到相同车牌号时间差；
基于所述相同车牌号时间差，得到车辆速度；
若车辆速度大于阈值，将对所述车辆的车主进行扣分的建议信息发送至执法系统。
可选的，所述基于车牌检测模型和所述第一车辆监控信息，得到第一车牌区域；第一车牌区域有一个或者多个，包括：
获得检测框；所述检测框表示用于检测通过所述红外感应设备的车辆；
所述基于所述车辆检测模型、所述检测框和所述第一监控图像，得到第一检测车辆区域；
基于所述第一检测车辆区域和车牌检测模型，得到第一车牌区域。
可选的，所述基于所述车辆检测模型、所述检测框和所述第一监控图像，得到第一检测车辆区域，包括：
获得第一区域；所述第一区域表示所述检测框与图像重合的区域；
基于所述第一区域，通过所述车辆检测模型，得到第一区域特征；所述第一区域特征为第一区域中车辆的特征；
基于所述第一区域特征和标注车辆特征，得到第一相似值；所述标注车辆特征包括车辆的几何形状和车辆的纹理；
若第一相似值小于车辆阈值，得到第一检测车辆区域；所述第一检测车辆区域表示第一相似值小于车辆阈值的检测框在图像的位置；
检测框以10像素的步长在第一监控图像中滑动，得到第二区域；
通过车辆检测模型，得到第二区域特征；
基于所述第二区域特征和标注车辆特征，得到第二相似值；所述标注车辆特征包括车辆的几何形状和车辆的纹理；
若第二相似值小于车辆阈值，得到第二检测车辆区域；所述第二检测车辆区域表示第二相似值小于车辆阈值的检测框在图像的位置；
通过多次利用检测框以10像素的步长在第一监控图像中滑动，得到多个检测车辆区域。
可选的，所述车牌识别模型的训练过程：
获得训练集，所述训练集包括车牌图像和标注车牌号；
将所述车牌图像进行预处理，得到灰度车牌图像；
将所述灰度车牌图像输入车牌识别模型中，得到车牌特征向量；所述车牌特征向量的长度为车牌号的长度；
基于标注特征数据和所述车牌特征向量，得到车牌损失值；
获得所述车牌识别模型训练的最大迭代次数，直至所述损失值不大于车牌阈值或达到所述最大迭代次数时停止训练，得到训练好的车牌识别模型。
可选的，所述车牌识别模型包括三个卷积层和一个全连接层，所述三个卷积层用于提取图像特征：
第一卷积层的输入是所述训练集中的图片，第二卷积层的输入是第一卷积层的输出；第三卷积层的输入是第二卷积层的输出；所述全连接层的输入时第三卷积层的输出。
可选的，所述基于所述标注特征数据和所述车牌特征向量，得到车牌损失值，包括：
所述车牌损失值具体通过下述公式计算方式获得：
Figure 574723DEST_PATH_IMAGE001
其中，
Figure 90280DEST_PATH_IMAGE002
是车牌损失值,
Figure 828429DEST_PATH_IMAGE003
表示所述车牌特征向量
Figure 410720DEST_PATH_IMAGE004
表示标注车牌号；
Figure 663847DEST_PATH_IMAGE005
表示所述车牌特征向量的长度。
第二方面，本发明实施例提供了一种高速公路检测车辆超速的系统，包括：
采集模块：通过第一红外感应设备和第一监控，得到第一车辆监控信息；所述第一车辆监控信息包括第一监控图像和第一监控时间；所述第一监控时间表示车辆通过所述第一红外感应设备时的时间；所述第一监控图像表示所述第一监控中车辆通过所述第一红外感应设备时拍摄的监控图像；通过第二红外感应设备和第二监控，得到第二车辆监控信息；所述第二车辆监控信息包括第二监控图像和第二监控时间；所述第二监控时间表示车辆通过所述第一红外感应设备时的时间；所述第二监控图像表示所述第一监控中车辆通过所述第一红外感应设备时拍摄的监控图像；
车牌获取模块：基于车牌检测模型和所述第一车辆监控信息，得到第一车牌区域；第一车牌区域有一个或者多个；对第一车牌区域进行重构，得到第一清晰车牌区域；基于所述第一清晰车牌区域和车牌识别模型，得到第一车牌号；基于车牌检测模型和所述第二车辆监控信息，得到第二车牌区域；第二车牌区域有一个或者多个；对第二车牌区域进行重构，得到第二清晰车牌区域；基于所述第二清晰车牌区域和车牌识别模型，得到第二车牌号；
存储模块：将所述第一车牌号和所述第一监控时间存储在数据库中；
违规判断模块：将第二车牌号与所述数据库中的第一车牌号进行对比，当第二车牌号与所述数据库中的第一车牌号相同，基于第二监控时间与第一监控时间，得到相同车牌号时间差；基于所述相同车牌号时间差，得到车辆速度；若车辆速度大于阈值，对所述车辆的车主进行扣分的建议信息发送至执法系统。
可选的，所述基于所述车牌检测模型和所述第一车辆监控信息，得到第一车牌区域；第一车牌区域有一个或者多个，包括：
获得检测框；所述检测框表示用于检测通过所述红外感应设备的车辆；
基于所述车辆检测模型、所述检测框和所述第一监控图像，得到第一检测车辆区域；
基于所述第一检测车辆区域和所述车牌检测模型，得到第一车牌区域。
可选的，所述基于所述车辆检测模型、所述检测框和所述第一监控图像，得到第一检测车辆区域，包括：
获得第一区域；所述第一区域表示所述检测框与图像重合的区域；
基于所述第一区域，通过所述车辆检测模型，得到第一区域特征；所述第一区域特征为第一区域中车辆的特征；
基于所述第一区域特征和标注车辆特征，得到第一相似值；所述标注车辆特征包括车辆的几何形状和车辆的纹理；
若第一相似值小于车辆阈值，得到第一检测车辆区域；所述第一检测车辆区域表示第一相似值小于车辆阈值的检测框在图像的位置；
检测框以10像素的步长在第一监控图像中滑动，得到第二区域；
通过车辆检测模型，得到第二区域特征；
基于所述第二区域特征和标注车辆特征，得到第二相似值；所述标注车辆特征包括车辆的几何形状和车辆的纹理；
若第二相似值小于车辆阈值，得到第二检测车辆区域；所述第二检测车辆区域表示第二相似值小于车辆阈值的检测框在图像的位置；
通过多次利用检测框以10像素的步长在第一监控图像中滑动，得到多个检测车辆区域。
可选的，所述车牌识别模型的训练过程：
获得训练集，所述训练集包括车牌图像和标注车牌号；
将所述车牌图像进行预处理，得到灰度车牌图像；
将所述灰度车牌图像输入车牌识别模型中，得到车牌特征向量；所述车牌特征向量的长度为车牌号的长度；
基于所述标注特征数据和所述车牌特征向量，得到车牌损失值；
获得所述车牌识别模型训练的最大迭代次数，直至所述损失值不大于车牌阈值或达到所述最大迭代次数时停止训练，得到训练好的车牌识别模型。
相较于现有技术，本发明实施例达到了以下有益效果：
使用监控结合红外感应设备进行测速的方式，价格低廉。结合车辆检测模型，能对一个车道的多辆车进行测速。同时由于在车辆通过红外感应设备时进行拍照得到监控图像，并且通过固定大小的检测框检测到车辆，能精确的获得车辆经过的时间，从而获得车辆的速度。若超速还能通过记录的车牌号对所述车辆的车主进行扣分的建议信息发送至执法系统。
附图说明
图1是本发明实施例提供的一种高速公路检测车辆超速的方法流程图。
图2是本发明实施例提供的一种电子设备的方框结构示意图。
图中标记：总线500；接收器501；处理器502；发送器503；存储器504；总线接口505。
具体实施方式
下面结合附图，对本发明作详细的说明。
实施例1
如图1所示，本发明实施例提供了一种高速公路检测车辆超速的方法，所述方法包括：
S101：通过第一红外感应设备和第一监控，得到第一车辆监控信息；所述第一车辆监控信息包括第一监控图像和第一监控时间；所述第一监控时间表示车辆通过所述第一红外感应设备时的时间；所述第一监控图像表示所述第一监控中车辆通过所述第一红外感应设备时拍摄的监控图像；。
S102：基于车牌检测模型和所述第一车辆监控信息，得到第一车牌区域；第一车牌区域有一个或者多个。
S103：对第一车牌区域进行重构，得到第一清晰车牌区域；
其中，可以通过SRCNN算法进行重构。
S104：基于所述第一清晰车牌区域和车牌识别模型，得到第一车牌号。
S105：将所述第一车牌号和所述第一监控时间存储在数据库中。
S106：通过第二红外感应设备和第二监控，得到第二车辆监控信息；所述第二车辆监控信息包括第二监控图像和第二监控时间；所述第二监控时间表示车辆通过所述第一红外感应设备时的时间；所述第二监控图像表示所述第一监控中车辆通过所述第一红外感应设备时拍摄的监控图像。
S107：基于车牌检测模型和所述第二车辆监控信息，得到第二车牌区域；第二车牌区域有一个或者多个。
S108：对第二车牌区域进行重构，得到第二清晰车牌区域。
S109：基于所述第二清晰车牌区域和车牌识别模型，得到第二车牌号。
S110：将第二车牌号与所述数据库中的第一车牌号进行对比，当第二车牌号与所述数据库中的第一车牌号相同，基于第二监控时间与第一监控时间，得到相同车牌号时间差。
其中，通过查找算法，如二分查找算法，中数据库中找到与所述第二车牌号相同的第一车牌号。所述相同车牌号时间差为第二监控时间与第一监控时间相减之差。
S111：基于所述相同车牌号时间差，得到车辆速度；
其中，所述车辆速度为第一监控和第二监控的距离除以所述相同车牌号时间差之积。所述第一监控和第二监控的距离为安装时固定且已知的。
S112：若车辆速度大于阈值，对所述车辆的车主进行扣分的建议信息发送至执法系统；
其中，本实施例的阈值为120km/h。
使用监控结合红外感应设备进行测速的方式，价格低廉。结合车辆检测模型，能对一个车道的多辆车进行测速。同时由于在车辆通过红外感应设备时进行拍照得到监控图像，并且通过固定大小的检测框检测到车辆，能精确的获得车辆经过的时间，从而获得车辆的速度。若超速还能通过记录的车牌号对所述车辆的车主进行扣分的建议信息发送至执法系统。
其中，所述第一监控图像和所述第二监控图像为448x448像素的图像；
可选的，所述基于车牌检测模型和所述第一车辆监控信息，得到第一车牌区域；第一车牌区域有一个或者多个，包括：
获得检测框；所述检测框表示用于检测通过所述红外感应设备的车辆。
所述基于所述车辆检测模型、所述检测框和所述第一监控图像，得到第一检测车辆区域；
基于所述第一检测车辆区域和车牌检测模型，得到第一车牌区域。
其中，所述检测框有三种，分别用于检测小车、客车和货车，所述检测框基于红外感应设备和第一监控的距离，得到固定大小的检测框。本实施例中的检测框为112x112像素，144x144像素，156x156像素。
通过获得车辆区域，再在车辆区域检测车牌区域，能得到更精确的车牌区域。
可选的，所述基于所述车辆检测模型、所述检测框和所述第一监控图像，得到第一检测车辆区域，包括：
获得第一区域；所述第一区域表示所述检测框与图像重合的区域；
基于所述第一区域，通过所述车辆检测模型，得到第一区域特征；所述第一区域特征为第一区域中车辆的特征；
基于所述第一区域特征和标注车辆特征，得到第一相似值；所述标注车辆特征包括车辆的几何形状和车辆的纹理；
若第一相似值小于车辆阈值，得到第一检测车辆区域；所述第一检测车辆区域表示第一相似值小于车辆阈值的检测框在图像的位置；
检测框以10像素的步长在第一监控图像中滑动，得到第二区域；
通过车辆检测模型，得到第二区域特征；
基于所述第二区域特征和标注车辆特征，得到第二相似值；所述标注车辆特征包括车辆的几何形状和车辆的纹理；
若第二相似值小于车辆阈值，得到第二检测车辆区域；所述第二检测车辆区域表示第二相似值小于车辆阈值的检测框在图像的位置；
通过多次利用检测框以10像素的步长在第一监控图像中滑动，得到多个检测车辆区域。
其中，所述第二区域特征和标注车辆特征的相似值通过交叉熵得到。本实施例中所述车辆阈值为1。
其中，检测框以10像素的步长在第一监控图像中滑动，遍历整张图像。通过车辆检测模型，如YOLO1，所述车辆检测模型是已经训练好的能检测出车辆的模型，检测整张图像各个位置的特征与车辆特征是否相同，从而得到图像中的车辆区域。
通过上述方法，以固定的检测框检测车辆图像，能够得到第一监控图像中通过红外感应设备的车辆，而其他车辆图像由于不满足检测框的大小而舍去。由此得到精确的通过红外感应设备时的车辆的时间，使得计算速度时更加准确。
可选的，所述车牌识别模型的训练过程：
获得训练集，所述训练集包括车牌图像和标注车牌号；
将所述车牌图像进行预处理，得到灰度车牌图像；
将所述灰度车牌图像输入车牌识别模型中，得到车牌特征向量；所述车牌特征向量的长度为车牌号的长度；
基于所述标注特征数据和所述车牌特征向量，得到车牌损失值；
获得所述车牌识别模型训练的最大迭代次数，直至所述损失值不大于车牌阈值或达到所述最大迭代次数时停止训练，得到训练好的车牌识别模型。
其中，本实施例中所述车牌阈值为1。
其中，所述特征向量包括第一个元素表示省，取值从0-33，分别对应表示23个省、5个自治区、4个直辖市、2个特别行政区；所述特征向量的第二个元素表示该车所在地的地市一级代码，取值为0-25，用26个英文字母对应该省不同级别的城市。所述第三个元素到第八个元素表示车辆的编码所述编码为中英文混杂，所以用0-9表示数字，10-36表示英文。得到特征向量中的值。
通过上述方法，使用灰度车牌图像进行计算，既防止了车牌由于磨损掉色等特征的影响，同时减少了计算时间，简便准确的得到车牌号。
可选的，所述车牌识别模型包括三个卷积层和一个全连接层，所述三个卷积层用于提取图像特征：
第一卷积层的输入是所述训练集中的图片，第二卷积层的输入是第一卷积层的输出；第三卷积层的输入是第二卷积层的输出；所述全连接层的输入时第三卷积层的输出。
可选的，所述基于所述标注特征数据和所述车牌特征向量，得到车牌损失值，包括：
所述车牌损失值具体通过下述公式计算方式获得：
Figure 153734DEST_PATH_IMAGE001
其中，
Figure 480810DEST_PATH_IMAGE002
是车牌损失值,
Figure 30740DEST_PATH_IMAGE003
表示所述车牌特征向量
Figure 36743DEST_PATH_IMAGE004
表示标注车牌号；
Figure 268004DEST_PATH_IMAGE005
表示所述车牌特征向量的长度。
通过以上方法，由于特征向量中元素的值为0-33的数字，所以更适合采用计算均方差的形式计算损失值。
通过以上方法，增加了车牌识别的准确性，增加了车辆经过时间的准确性，从而准确的算得车辆速度并对所述车辆的车主进行扣分的建议信息发送至执法系统。
实施例2
基于上述的一种高速公路检测车辆超速的方法，本发明实施例还提供了一种高速公路检测车辆超速的系统，所述系统包括采集模块、车牌获取模块、存储模块和违规判断模块。
采集模块用于通过第一红外感应设备和第一监控，得到第一车辆监控信息。其中，第一车辆监控信息包括第一监控图像和第一监控时间。所述第一监控时间表示车辆通过所述第一红外感应设备时的时间。所述第一监控图像表示所述第一监控中车辆通过所述第一红外感应设备时拍摄的监控图像通过第二红外感应设备和第二监控，得到第二车辆监控信息。所述第二车辆监控信息包括第二监控图像和第二监控时间。所述第二监控时间表示车辆通过所述第一红外感应设备时的时间。所述第二监控图像表示所述第一监控中车辆通过所述第一红外感应设备时拍摄的监控图像。
车牌获取模块用于基于车牌检测模型和所述第一车辆监控信息，得到第一车牌区域。第一车牌区域有一个或者多个。对第一车牌区域进行重构，得到第一清晰车牌区域。基于所述第一清晰车牌区域和车牌识别模型，得到第一车牌号。基于车牌检测模型和所述第二车辆监控信息，得到第二车牌区域；第二车牌区域有一个或者多个。对第二车牌区域进行重构，得到第二清晰车牌区域。基于所述第二清晰车牌区域和车牌识别模型，得到第二车牌号。
存储模块用于将所述第一车牌号和所述第一监控时间存储在数据库中。
违规判断模块用于将第二车牌号与所述数据库中的第一车牌号进行对比，当第二车牌号与所述数据库中的第一车牌号相同，基于第二监控时间与第一监控时间，得到相同车牌号时间差；基于所述相同车牌号时间差，得到车辆速度。若车辆速度大于阈值，对车辆的车主进行扣分的建议信息发送至执法系统。
在此关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备，如图2所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述一种高速公路检测车辆超速的方法的任一方法的步骤。
其中，在图2中，总线架构（用总线500来代表），总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种高速公路检测车辆超速的方法的任一方法的步骤以及上述的所涉及的数据。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种高速公路检测车辆超速的方法，其特征在于，包括：
通过第一红外感应设备和第一监控，得到第一车辆监控信息；所述第一车辆监控信息包括第一监控图像和第一监控时间；所述第一监控时间表示车辆通过所述第一红外感应设备时的时间；所述第一监控图像表示所述第一监控中车辆通过所述第一红外感应设备时拍摄的监控图像；
基于车牌检测模型和所述第一车辆监控信息，得到第一车牌区域；第一车牌区域有一个或者多个；
对第一车牌区域进行重构，得到第一清晰车牌区域；
基于所述第一清晰车牌区域和车牌识别模型，得到第一车牌号；
将所述第一车牌号和所述第一监控时间存储在数据库中；
通过第二红外感应设备和第二监控，得到第二车辆监控信息；所述第二车辆监控信息包括第二监控图像和第二监控时间；所述第二监控时间表示车辆通过所述第一红外感应设备时的时间；所述第二监控图像表示所述第一监控中车辆通过所述第一红外感应设备时拍摄的监控图像；
基于车牌检测模型和所述第二车辆监控信息，得到第二车牌区域；第二车牌区域有一个或者多个；
对第二车牌区域进行重构，得到第二清晰车牌区域；
基于所述第二清晰车牌区域和车牌识别模型，得到第二车牌号；
将第二车牌号与所述数据库中的第一车牌号进行对比，当第二车牌号与所述数据库中的第一车牌号相同，基于第二监控时间与第一监控时间，得到相同车牌号时间差；
基于所述相同车牌号时间差，得到车辆速度；
若车辆速度大于阈值，将对车辆的车主进行扣分的建议信息发送至执法系统。
2.根据权利要求1所述的高速公路检测车辆超速的方法，其特征在于，所述基于车牌检测模型和所述第一车辆监控信息，得到第一车牌区域；第一车牌区域有一个或者多个，包括：
获得检测框；所述检测框表示用于检测通过所述红外感应设备的车辆；
所述基于车辆检测模型、检测框和第一监控图像，得到第一检测车辆区域；
基于所述第一检测车辆区域和车牌检测模型，得到第一车牌区域。
3.根据权利要求2所述的高速公路检测车辆超速的方法，其特征在于，所述基于车辆检测模型、检测框和第一监控图像，得到第一检测车辆区域，包括：
获得第一区域；所述第一区域表示所述检测框与图像重合的区域；
基于所述第一区域，通过所述车辆检测模型，得到第一区域特征；所述第一区域特征为第一区域中车辆的特征；
基于所述第一区域特征和标注车辆特征，得到第一相似值；所述标注车辆特征包括车辆的几何形状和车辆的纹理；
若第一相似值小于车辆阈值，得到第一检测车辆区域；所述第一检测车辆区域表示第一相似值小于车辆阈值的检测框在图像的位置；
检测框以10像素的步长在第一监控图像中滑动，得到第二区域；
通过车辆检测模型，得到第二区域特征；
基于所述第二区域特征和标注车辆特征，得到第二相似值；所述标注车辆特征包括车辆的几何形状和车辆的纹理；
若第二相似值小于车辆阈值，得到第二检测车辆区域；所述第二检测车辆区域表示第二相似值小于车辆阈值的检测框在图像的位置；
通过多次利用检测框以10像素的步长在第一监控图像中滑动，得到多个检测车辆区域。
4.根据权利要求1所述的高速公路检测车辆超速的方法，其特征在于，所述车牌识别模型的训练过程：
获得训练集，所述训练集包括车牌图像和标注车牌号；
将所述车牌图像进行预处理，得到灰度车牌图像；
将所述灰度车牌图像输入车牌识别模型中，得到车牌特征向量；所述车牌特征向量的长度为车牌号的长度；
基于标注特征数据和车牌特征向量，得到车牌损失值；
获得所述车牌识别模型训练的最大迭代次数，直至所述损失值不大于车牌阈值或达到所述最大迭代次数时停止训练，得到训练好的车牌识别模型。
5.根据权利要求4所述的高速公路检测车辆超速的方法，其特征在于，所述车牌识别模型包括三个卷积层和一个全连接层，所述三个卷积层用于提取图像特征：
第一卷积层的输入是所述训练集中的图片，第二卷积层的输入是第一卷积层的输出；第三卷积层的输入是第二卷积层的输出；所述全连接层的输入时第三卷积层的输出。
6.根据权利要求3所述的高速公路检测车辆超速的方法，其特征在于，基于标注特征数据和车牌特征向量，得到车牌损失值，包括：
所述车牌损失值具体通过下述公式计算方式获得：
Figure 253760DEST_PATH_IMAGE001
其中，
Figure 469978DEST_PATH_IMAGE002
是车牌损失值,
Figure 821325DEST_PATH_IMAGE003
表示所述车牌特征向量
Figure 501705DEST_PATH_IMAGE004
表示标注车牌号；
Figure 913095DEST_PATH_IMAGE005
表示所述车牌特征向量的长度。
7.一种高速公路检测车辆超速的系统，其特征在于，包括：
采集模块：通过第一红外感应设备和第一监控，得到第一车辆监控信息；所述第一车辆监控信息包括第一监控图像和第一监控时间；所述第一监控时间表示车辆通过所述第一红外感应设备时的时间；所述第一监控图像表示所述第一监控中车辆通过所述第一红外感应设备时拍摄的监控图像；通过第二红外感应设备和第二监控，得到第二车辆监控信息；所述第二车辆监控信息包括第二监控图像和第二监控时间；所述第二监控时间表示车辆通过所述第一红外感应设备时的时间；所述第二监控图像表示所述第一监控中车辆通过所述第一红外感应设备时拍摄的监控图像；
车牌获取模块：基于车牌检测模型和所述第一车辆监控信息，得到第一车牌区域；第一车牌区域有一个或者多个；对第一车牌区域进行重构，得到第一清晰车牌区域；基于所述第一清晰车牌区域和车牌识别模型，得到第一车牌号；基于车牌检测模型和所述第二车辆监控信息，得到第二车牌区域；第二车牌区域有一个或者多个；对第二车牌区域进行重构，得到第二清晰车牌区域；基于所述第二清晰车牌区域和车牌识别模型，得到第二车牌号；
存储模块：将所述第一车牌号和所述第一监控时间存储在数据库中；
违规判断模块：将第二车牌号与所述数据库中的第一车牌号进行对比，当第二车牌号与所述数据库中的第一车牌号相同，基于第二监控时间与第一监控时间，得到相同车牌号时间差；基于所述相同车牌号时间差，得到车辆速度；若车辆速度大于阈值，对车辆的车主进行扣分的建议信息发送至执法系统。
8.根据权利要求7所述的高速公路检测车辆超速的系统，其特征在于，所述基于所述车牌检测模型和所述第一车辆监控信息，得到第一车牌区域；第一车牌区域有一个或者多个，包括：
获得检测框；所述检测框表示用于检测通过所述红外感应设备的车辆；
基于车辆检测模型、检测框和第一监控图像，得到第一检测车辆区域；
基于所述第一检测车辆区域和所述车牌检测模型，得到第一车牌区域。
9.根据权利要求8所述的高速公路检测车辆超速的系统，其特征在于，所述基于车辆检测模型、检测框和第一监控图像，得到第一检测车辆区域，包括：
获得第一区域；所述第一区域表示所述检测框与图像重合的区域；
基于所述第一区域，通过所述车辆检测模型，得到第一区域特征；所述第一区域特征为第一区域中车辆的特征；
基于所述第一区域特征和标注车辆特征，得到第一相似值；所述标注车辆特征包括车辆的几何形状和车辆的纹理；
若第一相似值小于车辆阈值，得到第一检测车辆区域；所述第一检测车辆区域表示第一相似值小于车辆阈值的检测框在图像的位置；
检测框以10像素的步长在第一监控图像中滑动，得到第二区域；
通过车辆检测模型，得到第二区域特征；
基于所述第二区域特征和标注车辆特征，得到第二相似值；所述标注车辆特征包括车辆的几何形状和车辆的纹理；
若第二相似值小于车辆阈值，得到第二检测车辆区域；所述第二检测车辆区域表示第二相似值小于车辆阈值的检测框在图像的位置；
通过多次利用检测框以10像素的步长在第一监控图像中滑动，得到多个检测车辆区域。
10.根据权利要求7所述的高速公路检测车辆超速的系统，其特征在于，所述车牌识别模型的训练过程：
获得训练集，所述训练集包括车牌图像和标注车牌号；
将所述车牌图像进行预处理，得到灰度车牌图像；
将所述灰度车牌图像输入车牌识别模型中，得到车牌特征向量；所述车牌特征向量的长度为车牌号的长度；
基于标注特征数据和所述车牌特征向量，得到车牌损失值；
获得所述车牌识别模型训练的最大迭代次数，直至所述损失值不大于车牌阈值或达到所述最大迭代次数时停止训练，得到训练好的车牌识别模型。
CN202111358682.XA 2021-11-17 2021-11-17 一种高速公路检测车辆超速的方法及系统 Active CN113903180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111358682.XA CN113903180B (zh) 2021-11-17 2021-11-17 一种高速公路检测车辆超速的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111358682.XA CN113903180B (zh) 2021-11-17 2021-11-17 一种高速公路检测车辆超速的方法及系统

Publications (2)

Publication Number Publication Date
CN113903180A true CN113903180A (zh) 2022-01-07
CN113903180B CN113903180B (zh) 2022-02-25

Family

ID=79194352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111358682.XA Active CN113903180B (zh) 2021-11-17 2021-11-17 一种高速公路检测车辆超速的方法及系统

Country Status (1)

Country Link
CN (1) CN113903180B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114495509A (zh) * 2022-04-08 2022-05-13 四川九通智路科技有限公司 基于深度神经网络监控隧道运行状态的方法
CN114758511A (zh) * 2022-06-14 2022-07-15 深圳市城市交通规划设计研究中心股份有限公司 一种跑车超速检测系统、方法、电子设备及存储介质

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202472948U (zh) * 2012-03-28 2012-10-03 黑龙江电通自动化有限公司 红外触发的交通测速拍照系统
CN105279475A (zh) * 2014-07-15 2016-01-27 贺江涛 一种基于车辆身份识别的套牌车识别的方法与装置
CN106407959A (zh) * 2016-11-07 2017-02-15 湖南源信光电科技有限公司 基于小波变换和svm的低照度的复杂背景车牌定位方法
CN108320531A (zh) * 2018-04-04 2018-07-24 武汉市技领科技有限公司 一种测速设备及测速系统
CN108549892A (zh) * 2018-06-12 2018-09-18 东南大学 一种基于卷积神经网络的车牌图像清晰化方法
CN109522851A (zh) * 2018-11-22 2019-03-26 西安科技大学 基于非可见光成像的车辆行驶速度及车牌识别系统及方法
US20190114516A1 (en) * 2017-10-13 2019-04-18 Getac Technology Corporation Method for recognizing license plate in vehicle camera device and vehicle camera device
CN110084775A (zh) * 2019-05-09 2019-08-02 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
WO2019177734A1 (en) * 2018-03-13 2019-09-19 Recogni Inc. Systems and methods for inter-camera recognition of individuals and their properties
CN110598709A (zh) * 2019-08-12 2019-12-20 北京智芯原动科技有限公司 一种卷积神经网络训练方法以及车牌识别方法及装置
CN111079584A (zh) * 2019-12-03 2020-04-28 东华大学 基于改进YOLOv3的快速车辆检测方法
CN111199230A (zh) * 2020-01-03 2020-05-26 腾讯科技（深圳）有限公司 目标检测的方法、装置、电子设备及计算机可读存储介质
CN111368645A (zh) * 2020-02-14 2020-07-03 北京澎思科技有限公司 用于识别多标签车牌的方法、装置、电子设备和可读介质
CN111583669A (zh) * 2019-02-15 2020-08-25 杭州海康威视数字技术股份有限公司 一种超速检测方法、装置、控制设备和存储介质
CN111882884A (zh) * 2020-07-23 2020-11-03 吉林省易威科技有限公司 一种智能交通监控系统
CN112907975A (zh) * 2021-01-23 2021-06-04 四川九通智路科技有限公司 一种基于毫米波雷达与视频进行异常停车的检测方法
CN112949578A (zh) * 2021-03-30 2021-06-11 苏州科达科技股份有限公司 车灯状态识别方法、装置、设备及存储介质
CN113221750A (zh) * 2021-05-13 2021-08-06 杭州飞步科技有限公司 车辆追踪方法、装置、设备及存储介质
CN113642560A (zh) * 2021-08-19 2021-11-12 熵基科技股份有限公司 一种车牌字符定位方法及相关设备

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202472948U (zh) * 2012-03-28 2012-10-03 黑龙江电通自动化有限公司 红外触发的交通测速拍照系统
CN105279475A (zh) * 2014-07-15 2016-01-27 贺江涛 一种基于车辆身份识别的套牌车识别的方法与装置
CN106407959A (zh) * 2016-11-07 2017-02-15 湖南源信光电科技有限公司 基于小波变换和svm的低照度的复杂背景车牌定位方法
US20190114516A1 (en) * 2017-10-13 2019-04-18 Getac Technology Corporation Method for recognizing license plate in vehicle camera device and vehicle camera device
WO2019177734A1 (en) * 2018-03-13 2019-09-19 Recogni Inc. Systems and methods for inter-camera recognition of individuals and their properties
CN108320531A (zh) * 2018-04-04 2018-07-24 武汉市技领科技有限公司 一种测速设备及测速系统
CN108549892A (zh) * 2018-06-12 2018-09-18 东南大学 一种基于卷积神经网络的车牌图像清晰化方法
CN109522851A (zh) * 2018-11-22 2019-03-26 西安科技大学 基于非可见光成像的车辆行驶速度及车牌识别系统及方法
CN111583669A (zh) * 2019-02-15 2020-08-25 杭州海康威视数字技术股份有限公司 一种超速检测方法、装置、控制设备和存储介质
CN110084775A (zh) * 2019-05-09 2019-08-02 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN110598709A (zh) * 2019-08-12 2019-12-20 北京智芯原动科技有限公司 一种卷积神经网络训练方法以及车牌识别方法及装置
CN111079584A (zh) * 2019-12-03 2020-04-28 东华大学 基于改进YOLOv3的快速车辆检测方法
CN111199230A (zh) * 2020-01-03 2020-05-26 腾讯科技（深圳）有限公司 目标检测的方法、装置、电子设备及计算机可读存储介质
CN111368645A (zh) * 2020-02-14 2020-07-03 北京澎思科技有限公司 用于识别多标签车牌的方法、装置、电子设备和可读介质
CN111882884A (zh) * 2020-07-23 2020-11-03 吉林省易威科技有限公司 一种智能交通监控系统
CN112907975A (zh) * 2021-01-23 2021-06-04 四川九通智路科技有限公司 一种基于毫米波雷达与视频进行异常停车的检测方法
CN112949578A (zh) * 2021-03-30 2021-06-11 苏州科达科技股份有限公司 车灯状态识别方法、装置、设备及存储介质
CN113221750A (zh) * 2021-05-13 2021-08-06 杭州飞步科技有限公司 车辆追踪方法、装置、设备及存储介质
CN113642560A (zh) * 2021-08-19 2021-11-12 熵基科技股份有限公司 一种车牌字符定位方法及相关设备

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
WANG WEIHONG等: "Research on License Plate Recognition Algorithms Based on Deep Learning in Complex Environment", 《IEEE ACCESS》 *
YAQI LI等: "Research on vehicle license plate location algorithm based on convolutional neural network", 《2019 IEEE INTERNATIONAL CONFERENCE ON SIGNAL, INFORMATION AND DATA PROCESSING (ICSIDP)》 *
洪刘根: "高速道路场景下基于深度学习的车脸识别研究", 《万方硕士学位论文库》 *
王敏: "复杂背景下的车牌识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
郭延祥: "针对高分辨率背景复杂图像的车牌定位算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
郭金芝: "基于SIFT算法的车牌识别系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
韩泽凱: "基于深度学习的车辆识别与变道检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114495509A (zh) * 2022-04-08 2022-05-13 四川九通智路科技有限公司 基于深度神经网络监控隧道运行状态的方法
CN114495509B (zh) * 2022-04-08 2022-07-12 四川九通智路科技有限公司 基于深度神经网络监控隧道运行状态的方法
CN114758511A (zh) * 2022-06-14 2022-07-15 深圳市城市交通规划设计研究中心股份有限公司 一种跑车超速检测系统、方法、电子设备及存储介质
CN114758511B (zh) * 2022-06-14 2022-11-25 深圳市城市交通规划设计研究中心股份有限公司 一种跑车超速检测系统、方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN113903180B (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN113903180B (zh) 一种高速公路检测车辆超速的方法及系统
CN105448103B (zh) 车辆套牌检测方法与系统
CN111563469A (zh) 一种不规范停车行为识别方法及装置
CN102509089A (zh) 逐行扫描识别斑马线及测量斑马线距离的方法
CN113191353A (zh) 一种车速确定方法、装置、设备和介质
JP3502156B2 (ja) 交通監視システム
CN112861567A (zh) 一种车型分类方法及装置
Al Nasim et al. An automated approach for the recognition of bengali license plates
CN113487561A (zh) 基于灰度梯度异常投票的受电弓异物检测方法及装置
CN115482672B (zh) 车辆逆行检测的方法、装置、终端设备及存储介质
CN108198428A (zh) 货车拦截系统及拦截方法
Bichkar et al. Traffic sign classification and detection of Indian traffic signs using deep learning
CN114973156B (zh) 一种基于知识蒸馏的夜间渣土车检测方法
CN115497303A (zh) 一种复杂检测条件下的高速公路车速检测方法及系统
Khuc Computer vision based structural identification framework for bridge health mornitoring
US20230342937A1 (en) Vehicle image analysis
Song et al. Modeling and optimization of semantic segmentation for track bed foreign object based on attention mechanism
CN111950478B (zh) 一种动态平板秤称重区域汽车s型行驶行为检测方法
CN114693722A (zh) 一种车辆行驶行为检测方法、检测装置及检测设备
Shahrear et al. An automatic traffic rules violation detection and number plate recognition system for Bangladesh
Kumar et al. Image processing based system for classification of vehicles for parking purposes
Pradeep et al. Automatic railway detection and tracking inspecting system
KR102654570B1 (ko) 컴퓨터 비전 기반의 차종 인식을 위한 방법, 시스템 및 컴퓨터 판독가능 저장 매체
Talha et al. A LiDAR-camera fusion approach for automated detection and assessment of potholes using an autonomous vehicle platform
CN117373259B (zh) 高速公路车辆逃费行为识别方法、装置、设备和存储介质

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