CN114332513B - 一种面向智慧城市的新能源汽车异常停放大数据检测方法 - Google Patents
一种面向智慧城市的新能源汽车异常停放大数据检测方法 Download PDFInfo
- Publication number
- CN114332513B CN114332513B CN202210248977.XA CN202210248977A CN114332513B CN 114332513 B CN114332513 B CN 114332513B CN 202210248977 A CN202210248977 A CN 202210248977A CN 114332513 B CN114332513 B CN 114332513B
- Authority
- CN
- China
- Prior art keywords
- image
- new energy
- detected
- energy automobile
- license plate
- 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.)
- Active
Links
Images
Abstract
本发明提出了一种面向智慧城市的新能源汽车异常停放大数据检测方法。在构建新能源汽车图像数据库情况下,挑选出具有代表性的新能源汽车模板图像。利用现有的摄像头对目标区域进行拍照,得到待检测图像。将待检测图像与模板图像进行相似度计算,通过相似度计算结果判断待检测图像中是否含有新能源汽车。另外利用目标检测技术和超分辨率重建技术对车牌区域进行检测和处理,并在此基础上利用多种OCR技术交叉互验的方式对车牌信息进行精准识别。间隔预设时间后,摄像头再对同一目标区域进行拍照,经过一系列处理后,判断原有的新能源汽车是否仍然停放在相同区域,从而精准全面的对新能源汽车异常停放情况进行检测。
Description
技术领域
本发明涉及新能源汽车检测领域,具体而言,涉及一种面向智慧城市的新能源汽车异常停放大数据检测方法。
背景技术
在现代社会,智慧城市的建设越来越发挥出重要的作用,给百姓提供了巨大的便利。然而,新能源汽车由于需要充电、续航里程短等原因,往往会在相同地点出现长时间的异常停放情况,显著地阻碍了智慧城市的顺利建设。
传统的目标检测等相关方法往往能够检测出部分新能源汽车异常停放的情况,但无法精准、全面地对新能源汽车异常停放情况进行检测,给智慧城市的建设带来了很多实际困难。因此,如何提出一种面向智慧城市的新能源汽车异常停放大数据检测方法,能够精准、全面地对新能源汽车异常停放情况进行检测有重大的价值和意义。
发明内容
本发明的目的在于提供一种面向智慧城市的新能源汽车异常停放大数据检测方法,其能够通过不同时间段获取目标区域的图像后,精准识别出图像中的新能源汽车,并通过识别图像中的新能源汽车的车牌号,进行判断是否是同一新能源汽车,从而判断是否是同一车辆长时间乱停乱放。
本发明的实施例是这样实现的:
第一方面,本申请实施例提供一种面向智慧城市的新能源汽车异常停放大数据检测方法,其包括以下步骤:
构建新能源汽车图像数据库,并挑选出预设数量的新能源汽车图像的模板图像;
获取目标区域特定时间的第一待检测图像;
将第一待检测图像与模板图像进行相似度计算,通过相似度计算结果判断第一待检测图像中是否含有新能源汽车,如果判断结果为含有新能源汽车,则进入下一步;
利用目标检测方法检测第一待检测图像,得到第一车牌区域信息;
利用超分辨率重建技术对第一车牌区域信息进行超分辨率重建;
利用多种 OCR 技术交叉互验的方式从超分辨率重建后的第一车牌区域信息中获取第一车牌号信息;
间隔预设时间后,在同一目标区域获取第二待检测图像,将第二待检测图像与模板图像进行相似度计算,通过相似度计算结果判断第二待检测图像中是否含有新能源汽车,如果判断结果为含有新能源汽车,则进入下一步;
利用目标检测方法检测第二待检测图像,得到第二车牌区域信息;
利用超分辨率重建技术对第二车牌区域信息进行超分辨率重建;
利用多种 OCR 技术交叉互验的方式从超分辨率重建后的第二车牌区域信息中获取第二车牌号信息;
如果第一车牌号信息和第二车牌号信息相同,则生成举报信息并发送至交管部门。
基于第一方面,在本发明的一些实施例中,构建新能源汽车图像数据库,并挑选出预设数量的新能源汽车图像的模板图像的步骤具体包括:
收集预置数量的新能源汽车图像构建新能源汽车图像数据库;
对所有新能源汽车图像进行深度自编码;
计算不同新能源汽车图像之间自编码的欧式距离;
当多个新能源汽车图像的欧式距离低于预设值,则仅保留欧式距离值最小的新能源汽车图像;
经过多次欧式距离的计算,筛选出欧式距离不低于预设值的新能源汽车图像,作为新能源车图像的模板图像。
基于第一方面,在本发明的一些实施例中,将第一待检测图像与模板图像进行相似度计算,通过相似度计算结果判断第一待检测图像中是否含有新能源汽车,如果判断结果为含有新能源汽车,则进入下一步的步骤具体包括:
对第一待检测图像和所有模板图像分别进行哈希编码,得到第一待检测图像和所有模板图像的哈希表征编码;
利用欧式距离,分别计算任一模板图像的哈希表征编码和第一待检测图像的哈希表征编码之间的相似距离;
选出相似距离最小的模板图像;
分别对待检测图像和相似距离最小的模板图像进行多尺度重建,在对应尺度下计算它们的相似度,如果多尺度下两者的相似度低于预置的相似度阀值,则判断第一待检测图像中含有新能源汽车。
基于第一方面,在本发明的一些实施例中,获取目标区域特定时间的第一待检测图像的步骤之后还包括以下步骤:
对第一待检测图像进行影像处理。
基于第一方面,在本发明的一些实施例中,对第一待检测图像进行影像处理方法包括:颜色变换、噪音消除或画质调整中的一种或多种。
基于第一方面,在本发明的一些实施例中,对第一待检测图像进行影像处理的步骤之后还包括以下步骤:
对第一待检测图像进行第一次边缘检测。
基于第一方面,在本发明的一些实施例中,对第一待检测图像进行第一次边缘检测的步骤之后还包括以下步骤:
对第一待检测图像进行第二次边缘检测。
基于第一方面,在本发明的一些实施例中,上述第一次边缘检测方法采用CannyEdge Detection算法,上述第二次边缘检测方法采用Local Binary Pattern算法。
第二方面,本申请实施例提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器。当上述一个或多个程序被上述处理器执行时,实现如上述第一方面中任一项上述的方法。
第三方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项上述的方法。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
在收集预置数量的新能源汽车图像构建新能源汽车图像数据库情况下,基于自编码的相似性检测方法能够从数据库中挑选保留所需的预置数量的具有代表性的新能源汽车模板图像,大大的减少了后续系统的计算量。将待检测图像与模板图像进行相似度计算,通过相似度计算结果判断待检测图像中是否含有新能源汽车,在消耗较低运算量的情况下即可较为准确的检测出待检测图像中是否含有新能源汽车。另外利用目标检测技术和超分辨率重建技术对车牌区域进行检测和处理,并在此基础上利用多种 OCR 技术交叉互验的方式对车牌进行识别,显著地提升了车牌信息识别的精度。间隔预设时间后,摄像头再对同一目标区域进行拍照,经过一系列处理后,判断原有的新能源汽车是否仍然停放在相同区域,从而精准全面的对新能源汽车异常停放情况进行检测。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种面向智慧城市的新能源汽车异常停放大数据检测方法的流程图;
图2为本发明实施例中构建新能源汽车图像数据库,并挑选出预设数量的新能源汽车图像的模板图像的步骤具体流程图;
图3为本发明实施例中将待检测图像与模板图像进行相似度计算,通过相似度计算结果判断待检测图像中是否含有新能源汽车,如果判断结果为含有新能源汽车,则进入下一步,否则,认定待检测图像中没有新能源汽车的步骤具体流程图;
图4为本发明实施例提供的一种面向智慧城市的新能源汽车异常停放大数据检测方法的又一流程图;
图5为本发明实施例提供的一种电子设备的结构框图。
图标:1、存储器;2、处理器;3、通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例
请参阅图1,图1所示为本发明实施例提供的一种面向智慧城市的新能源汽车异常停放大数据检测方法的流程图。该一种面向智慧城市的新能源汽车异常停放大数据检测方法包括以下步骤:
步骤S1: 构建新能源汽车图像数据库,并挑选出预设数量的新能源汽车图像的模板图像。
上述步骤中,通过构建新能源汽车图像数据库,可以为后续识别判断待检测图像中是否包含新能源汽车提供原始依据,提高判断准确度。并且通过挑选并保留出预设数量的具有代表性的新能源汽车图像的模板图像,可以极大的减少整个系统运行和储存的计算资源,大大的提高运算速度和准确度。
具体地,请参阅图2,图2为本发明实施例中构建新能源汽车图像数据库,并挑选出预设数量的新能源汽车图像的模板图像的步骤具体流程图,上述构建新能源汽车图像数据库,并挑选出预设数量的新能源汽车图像的模板图像的步骤包括以下步骤:
步骤S1-1: 收集预置数量的新能源汽车图像构建新能源汽车图像数据库。
上述步骤中,可以通过自主上传各种类型的新能源汽车图像,也可以通过已安装的摄像头对目标区域进行拍照获取新能源汽车图像,在实际系统的内存允许情况下获取预置数量的新能源汽车图像,保证数据库的丰富度,提高后续比较的准确度。
步骤S1-2: 对所有新能源汽车图像进行深度自编码。
上述步骤中,通过深度自编码提取所有新能源汽车图像中最具有代表性的信息,压缩新能源汽车图像中的信息量,即可将后续计算不同新能源汽车图像之间自编码的欧式距离中的输入信息量进行压缩,能有效的减少欧式距离计算的运算量,提高整体的计算速度。
步骤S1-3: 计算不同新能源汽车图像之间自编码的欧式距离。
上述步骤中,由于不同新能源汽车图像之间自编码属于低纬度的数据,所以选用欧式距离处理将可以很好的计算出不同新能源汽车图像之间自编码的大小数据,计算效果直观准确。
步骤S1-4: 当多个新能源汽车图像的欧式距离低于预设值,则仅保留欧式距离值最小的新能源汽车图像。
步骤S1-5: 经过多次欧式距离的计算,筛选出欧式距离不低于预设值的新能源汽车图像,作为新能源车图像的模板图像。
上述步骤中,筛选出一批欧式距离不低于预设值的新能源汽车图像,即筛选出的新能源汽车图像的差异性较大,可以判定为是不同类型的新能源汽车图像。通过调节预设值的大小,可以调节筛选的新能源汽车图像的差异度大小,从而调节新能源车图像的模板图像的差异度,为后续计算判定提供不同差异度的原始数据。
步骤S2: 获取目标区域特定时间的第一待检测图像。
上述步骤中,目标区域可以选择重要交通道路、充电桩区域、停车场中的非停车区域等新能源汽车容易乱停乱放的区域,从而达到更加有效的检测。
步骤S6: 将第一待检测图像与模板图像进行相似度计算,通过相似度计算结果判断第一待检测图像中是否含有新能源汽车,如果判断结果为含有新能源汽车,则进入下一步。
具体地,请参阅图3,上述将第一待检测图像与模板图像进行相似度计算,通过相似度计算结果判断第一待检测图像中是否含有新能源汽车,如果判断结果为含有新能源汽车,则进入下一步的步骤具体包括以下步骤:
步骤S6-1: 对第一待检测图像和所有模板图像分别进行哈希编码,得到第一待检测图像和所有模板图像的哈希表征编码。
上述步骤中,由于图像的相位信息对外界干扰具有很强的敏感性,而使用哈希编码所得哈希部分正好可以弥补角点的缺陷,从而使用哈希编码可以有效的降低第一待检测图像和所有模板图像中的除了新能源汽车所在图像区域外的环境信息的影响。
步骤S6-2: 利用欧式距离,分别计算任一模板图像的哈希表征编码和第一待检测图像的哈希表征编码之间的相似距离。
步骤S6-3: 选出相似距离最小的模板图像。
步骤S6-4: 分别对待检测图像和相似距离最小的模板图像进行多尺度重建,在对应尺度下计算它们的相似度,如果多尺度下两者的相似度低于预置的相似度阀值,则判断第一待检测图像中含有新能源汽车。
上述步骤中,通过对第一待检测图像和相似距离最小的模板图像进行多尺度重建,在对应尺度下计算它们的相似度,可以更精准地计算判断出待检测图像中是否含有新能源汽车。
步骤S7: 利用目标检测方法检测第一待检测图像,得到第一车牌区域信息。
示例性地,上述目标检测方法可以采用如下步骤:先将第一待检测图像输入进特征提取网络,得到特征向量。然后经过Distance Metric Learning嵌入模块,将得到的特征向量转化为嵌入特征向量。另一方面,通过一个全连接层将一个输入标量“1”转化为各个类别的表征向量。最后通过计算嵌入特征向量和各个类别的表征向量之间的距离,根据距离计算结果即可预测出第一待检测图像属于某个类别的概率。即可以识别出第一待检测图像中新能源汽车的车牌部分。
步骤S8: 利用超分辨率重建技术对第一车牌区域信息进行超分辨率重建。
上述步骤中,利用超分辨率重建技术对第一车牌区域信息进行超分辨率重建,可以将低分辨率的第一车牌区域信息图像转换成高分辨率的图像,从而为后续识别车牌信息做好前期准备。上述超分辨率重建技术属于现有技术,在此不再赘述。
步骤S9: 利用多种 OCR 技术交叉互验的方式从超分辨率重建后的第一车牌区域信息中获取第一车牌号信息。
上述步骤中,利用多种OCR 技术分别对第一车牌区域信息进行识别获取第一车牌号信息,若不同OCR 技术下识别出的第一车牌号信息中的数字或字母信息不一样,则以少数服从多数的原则,确定出最终的相同的数字或字母信息。例如,若超过半数的OCR 技术下识别出第一车牌号信息中的特定数字为6,而其他OCR 技术下识别的特定数字为0,以少数服从多数的原则,则最终确定特定数字为6。上述OCR 技术可以根据实际系统情况,选择适用的数量和种类的现有算法,此处就不再赘述。
步骤S10: 间隔预设时间后,在同一目标区域获取第二待检测图像,将第二待检测图像与模板图像进行相似度计算,通过相似度计算结果判断第二待检测图像中是否含有新能源汽车,如果判断结果为含有新能源汽车,则进入下一步。
上述步骤中,间隔预设时间可以通过自由设置时间,以大于目标区域车辆允许的临时停车时间并留有一定裕量为准,示例性地,间隔预设时间可以为半小时、一小时或两小时等时间段。上述步骤具体实现过程请参照步骤S6,在此不再赘述。
步骤S11: 利用目标检测方法检测第二待检测图像,得到第二车牌区域信息。
上述步骤中,具体实现过程请参照步骤S7,在此不再赘述。
步骤S12: 利用超分辨率重建技术对第二车牌区域信息进行超分辨率重建。
步骤S13: 利用多种 OCR 技术交叉互验的方式从超分辨率重建后的第二车牌区域信息中获取第二车牌号信息。
上述步骤中,具体实现过程请参照步骤S9,在此不再赘述。
步骤S14: 如果第一车牌号信息和第二车牌号信息相同,则生成举报信息并发送至交管部门。
请参阅图4,图4为本发明实施例提供的一种面向智慧城市的新能源汽车异常停放大数据检测方法的又一流程图,上述步骤S2: 获取目标区域特定时间的第一待检测图像的步骤之后还包括以下步骤:
步骤S3:对第一待检测图像进行影像处理。
上述步骤中,对第一待检测图像进行影像处理,可以为后续的分析计算提供更优质的原始图像信息。对第一待检测图像进行影像处理方法包括:颜色变换、噪音消除或画质调整中的一种或多种。通常获取的待检测图像,由于图像在数字化和传输过程中可能会受到成像设备与外部环境的影响,从而导致图像质量可能会不太好,根据实际需要,可以对图片进行影像处理,比如说颜色变换、噪音消除或画质调整中的一种或多种。这样处理后的图像质量将能够变得更好,从而能对图像进行更好的分析判断,提高处理的效率和准确度。
请参阅图4,图4为本发明实施例提供的一种面向智慧城市的新能源汽车异常停放大数据检测方法的又一流程图,上述对待检测图像进行影像处理的步骤之后还包括以下步骤:
步骤S4:对第一待检测图像进行第一次边缘检测。
上述步骤中,由于新能源汽车在第一待检测图像中的区域位置不固定,所以通过对第一待检测图像进行第一次边缘检测,可以区分出新能源汽车和新能源汽车以外的图像区域。从而识别出新能源汽车所处区域后,后续具体分析新能源汽车的信息时,就可以只对新能源汽车所处区域进行计算,大大的减少了不必要的运算量。
上述第一次边缘检测方法可以采用Canny Edge Detection算法。Canny EdgeDetection算法具体包括以下步骤:1.高斯滤波;2.计算梯度值和梯度方向;3.过滤非最大值;4.使用上下阀值来检测边缘。通过高斯滤波对第一待检测图像进行处理,得到去噪图像,能够使得原图像变得平滑,同时可能会增大边缘的宽度。然后通过计算得到的去噪图像的梯度值和梯度方向,可以识别出去噪图像的灰度值的变化程度和方向。由于在高斯滤波过程中,边缘有可能被放大了。然后通过过滤非最大值步骤使用一个规则来过滤不是边缘的点,使边缘的宽度尽可能为1个像素点。最后通过使用上下阀值来检测边缘,能够清楚的界定出第一待检测图像中新能源汽车所处的区域。
请参阅图4,图4为本发明实施例提供的一种面向智慧城市的新能源汽车异常停放大数据检测方法的又一流程图,上述对第一待检测图像进行第一次边缘检测的步骤之后还包括以下步骤:
步骤S5:对第一待检测图像进行第二次边缘检测。
上述步骤中,对第一待检测图像进行第二次边缘检测,能够更好的对新能源汽车的外形进行计算,从而可以更好的分析新能源汽车的外形信息。上述第二次边缘检测方法可以采用Local Binary Pattern算法。使用Local Binary Pattern算法对第一待检测图像中新能源汽车所处区域进行计算,可以避免光照变化对新能源汽车的外形的影响,以至于能够更加准确的识别出新能源汽车的外形信息。
请参阅图5,图5为本发明实施例提供的一种电子设备的结构框图。该电子设备包括存储器1、处理器2和通信接口3,该存储器1、处理器2和通信接口3相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器1可用于存储软件程序及模块,如本申请实施例所提供的一种面向直播视频大数据的区块链数据版权保护系统对应的程序指令/模块,处理器2通过执行存储在存储器1内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口3可用于与其他节点设备进行信令或数据的通信。
其中,存储器1可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器2可以是一种集成电路芯片,具有信号处理能力。该处理器2可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图5所示的结构仅为示意,电子设备还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
上述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本申请实施例提供的一种面向智慧城市的新能源汽车异常停放大数据检测方法,在收集预置数量的新能源汽车图像构建新能源汽车图像数据库情况下,基于自编码的相似性检测方法能够从数据库中挑选保留所需的预置数量的具有代表性的新能源汽车模板图像。利用已安装的摄像头对城市中的目标区域进行拍照,得到特定时间的图像,作为待检测图像。将待检测图像与模板图像进行相似度计算,通过相似度计算结果判断待检测图像中是否含有新能源汽车。另外利用目标检测技术和超分辨率重建技术对车牌区域进行检测和处理,并在此基础上利用多种 OCR 技术交叉互验的方式对车牌信息进行精准识别。间隔预设时间后,摄像头再对同一目标区域进行拍照,经过一系列处理后,判断原有的新能源汽车是否仍然停放在相同区域,从而精准全面的对新能源汽车异常停放情况进行检测。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (3)
1.一种面向智慧城市的新能源汽车异常停放大数据检测方法,其特征在于,包括以下步骤:
构建新能源汽车图像数据库,并挑选出预设数量的新能源汽车图像的模板图像,具体包括:收集预置数量的新能源汽车图像构建新能源汽车图像数据库;对所有新能源汽车图像进行深度自编码;计算不同新能源汽车图像之间自编码的欧式距离;当多个新能源汽车图像的欧式距离低于预设值,则仅保留欧式距离值最小的新能源汽车图像;经过多次欧式距离的计算,筛选出欧式距离不低于预设值的新能源汽车图像,作为新能源车图像的模板图像;
获取目标区域特定时间的第一待检测图像;
对第一待检测图像进行影像处理;对第一待检测图像进行影像处理方法包括:颜色变换、噪音消除或画质调整中的一种或多种;
对第一待检测图像进行第一次边缘检测;所述第一次边缘检测方法采用Canny EdgeDetection算法;
对第一待检测图像进行第二次边缘检测;所述第二次边缘检测方法采用Local BinaryPattern算法;
将第一待检测图像与模板图像进行相似度计算,通过相似度计算结果判断第一待检测图像中是否含有新能源汽车,如果判断结果为含有新能源汽车,则进入下一步,具体包括:对第一待检测图像和所有模板图像分别进行哈希编码,得到第一待检测图像和所有模板图像的哈希表征编码;利用欧式距离,分别计算任一模板图像的哈希表征编码和第一待检测图像的哈希表征编码之间的相似距离;选出相似距离最小的模板图像;分别对待检测图像和相似距离最小的模板图像进行多尺度重建,在对应尺度下计算它们的相似度,如果多尺度下两者的相似度低于预置的相似度阀值,则判断第一待检测图像中含有新能源汽车,则进入下一步;
利用目标检测方法检测第一待检测图像,得到第一车牌区域信息;
利用超分辨率重建技术对第一车牌区域信息进行超分辨率重建;
利用多种 OCR 技术交叉互验的方式从超分辨率重建后的第一车牌区域信息中获取第一车牌号信息;
间隔预设时间后,在同一目标区域获取第二待检测图像,将第二待检测图像与模板图像进行相似度计算,通过相似度计算结果判断第二待检测图像中是否含有新能源汽车,如果判断结果为含有新能源汽车,则进入下一步;
利用目标检测方法检测第二待检测图像,得到第二车牌区域信息;
利用超分辨率重建技术对第二车牌区域信息进行超分辨率重建;
利用多种 OCR 技术交叉互验的方式从超分辨率重建后的第二车牌区域信息中获取第二车牌号信息;
如果第一车牌号信息和第二车牌号信息相同,则生成举报信息并发送至交管部门。
2.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1所述的方法。
3.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210248977.XA CN114332513B (zh) | 2022-03-15 | 2022-03-15 | 一种面向智慧城市的新能源汽车异常停放大数据检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210248977.XA CN114332513B (zh) | 2022-03-15 | 2022-03-15 | 一种面向智慧城市的新能源汽车异常停放大数据检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114332513A CN114332513A (zh) | 2022-04-12 |
CN114332513B true CN114332513B (zh) | 2023-01-06 |
Family
ID=81033047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210248977.XA Active CN114332513B (zh) | 2022-03-15 | 2022-03-15 | 一种面向智慧城市的新能源汽车异常停放大数据检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332513B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723536B (zh) * | 2022-05-13 | 2022-10-21 | 农夫铺子发展集团有限公司 | 基于图像大数据比对的电商平台廉价商品选取方法及系统 |
CN115100450B (zh) * | 2022-08-26 | 2023-01-06 | 中咨数据有限公司 | 基于人工智能的智慧交通品牌汽车大数据检测方法及系统 |
CN115147253A (zh) * | 2022-09-01 | 2022-10-04 | 北京吉道尔科技有限公司 | 基于区块链的智慧校园图书大数据借阅管理方法及系统 |
CN116343137B (zh) * | 2023-02-21 | 2024-04-19 | 北京海上升科技有限公司 | 一种基于人工智能的尾气异常汽车大数据检测方法及系统 |
CN116863712B (zh) * | 2023-09-01 | 2023-11-28 | 成都宜泊信息科技有限公司 | 路侧巡检车精确判断车辆停放位置的方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320923A (zh) * | 2014-08-05 | 2016-02-10 | 北京大学 | 车型识别方法及装置 |
CN106600977A (zh) * | 2017-02-13 | 2017-04-26 | 深圳英飞拓科技股份有限公司 | 基于多特征识别的违停检测方法及系统 |
CN110490185A (zh) * | 2019-08-23 | 2019-11-22 | 北京工业大学 | 一种基于多次对比矫正ocr名片信息识别改进方法 |
CN113221904A (zh) * | 2021-05-13 | 2021-08-06 | 北京惠朗时代科技有限公司 | 一种语义关联文字识别方法及装置 |
CN113221752A (zh) * | 2021-05-13 | 2021-08-06 | 北京惠朗时代科技有限公司 | 一种基于多模板匹配的多尺度文字精准识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10753881B2 (en) * | 2016-05-27 | 2020-08-25 | Purdue Research Foundation | Methods and systems for crack detection |
-
2022
- 2022-03-15 CN CN202210248977.XA patent/CN114332513B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320923A (zh) * | 2014-08-05 | 2016-02-10 | 北京大学 | 车型识别方法及装置 |
CN106600977A (zh) * | 2017-02-13 | 2017-04-26 | 深圳英飞拓科技股份有限公司 | 基于多特征识别的违停检测方法及系统 |
CN110490185A (zh) * | 2019-08-23 | 2019-11-22 | 北京工业大学 | 一种基于多次对比矫正ocr名片信息识别改进方法 |
CN113221904A (zh) * | 2021-05-13 | 2021-08-06 | 北京惠朗时代科技有限公司 | 一种语义关联文字识别方法及装置 |
CN113221752A (zh) * | 2021-05-13 | 2021-08-06 | 北京惠朗时代科技有限公司 | 一种基于多模板匹配的多尺度文字精准识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114332513A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114332513B (zh) | 一种面向智慧城市的新能源汽车异常停放大数据检测方法 | |
CN109033950B (zh) | 基于多特征融合级联深度模型的车辆违停检测方法 | |
Saleem et al. | Automatic license plate recognition using extracted features | |
CN111382704B (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
Chierchia et al. | PRNU-based detection of small-size image forgeries | |
CN108268867B (zh) | 一种车牌定位方法及装置 | |
JPH11306283A (ja) | ナンバープレート情報読取装置 | |
CN108875746B (zh) | 一种车牌识别方法、装置、系统及存储介质 | |
CN110909598B (zh) | 一种基于深度学习的非机动车道交通违法行驶识别方法 | |
CN109313699B (zh) | 用于对一车辆的输入图像进行目标识别的装置和方法 | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN115100450B (zh) | 基于人工智能的智慧交通品牌汽车大数据检测方法及系统 | |
CN114038004A (zh) | 一种证件信息提取方法、装置、设备及存储介质 | |
CN111008554B (zh) | 一种基于深度学习的动态交通斑马线内不礼让行人识别方法 | |
Bahrami et al. | Splicing detection in out-of-focus blurred images | |
CN116862922B (zh) | 基于图像分割与雷达信息融合的目标定位方法、系统及介质 | |
Tiwari et al. | Automatic vehicle number plate recognition system using matlab | |
CN116612103B (zh) | 一种基于机器视觉的建筑结构裂缝智能检测方法及其系统 | |
TW201419168A (zh) | 不均勻光線下的車牌辨識方法及系統 | |
CN116563837A (zh) | 高精地图路牌图形数据解算方法、装置、设备及存储介质 | |
CN114724128B (zh) | 一种车牌识别方法、装置、设备和介质 | |
CN115546762A (zh) | 图像聚类方法、装置、存储介质及服务器 | |
CN111723710A (zh) | 一种基于神经网络的车牌识别方法 | |
CN111507258B (zh) | 聚焦关键样本的基于集成学习的道路区域检测方法、系统 | |
CN112396040B (zh) | 一种车辆占道识别方法及装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221220 Address after: 29/F, Xinoupeng Building, 216 Xinhua Road, Yuzhong District, Chongqing 400000 Applicant after: Chongqing Huayuan Zhihe Technology Co.,Ltd. Address before: No. a2584, second floor, College Park, Dongsheng Science Park, Zhongguancun, No. 18 Xueqing Road, Haidian District, Beijing 100089 Applicant before: Beijing jiamuan Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |