CN114882708B - 一种基于监控视频的车辆识别方法 - Google Patents
一种基于监控视频的车辆识别方法 Download PDFInfo
- Publication number
- CN114882708B CN114882708B CN202210808076.1A CN202210808076A CN114882708B CN 114882708 B CN114882708 B CN 114882708B CN 202210808076 A CN202210808076 A CN 202210808076A CN 114882708 B CN114882708 B CN 114882708B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- real
- image
- time
- key
- 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
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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于监控视频的车辆识别方法,属于交通控制系统技术领域,具体包括以下步骤:建立重点车辆数据库,所述重点车辆数据库存储有不同车型的全景图像信息和危险品标志图像;获取所有实时车辆的监控视频信息;依次将所述实时车辆的监控视频信息拆分为若干个图像帧,获取实时车辆的车长和车身特征,从而判断实时车辆是否为重点车辆;将实时车辆图像与标准车型图像进行对比,识别重点车辆的车型;本发明通过识别实时车辆的车型来判断实时车辆是否为重点车辆,实现了对重点车辆快速且准确的识别。
Description
技术领域
本发明涉及交通控制系统技术领域,具体涉及一种基于监控视频的车辆识别方法。
背景技术
重点车辆,又称两客一危车辆,主要是指从事旅游的长途客车、三类以上的班线客车和运输危险化学品、烟花爆竹、民用爆炸物品的大货车。这些车辆一旦发生交通意外事故,造成的人员伤亡或者是财产的损失比较大,对环境造成的污染也会比较严重。同时,这些车辆又是长途运输,营运类车辆,容易导致疲劳驾驶,引发交通事故。所以,这些车辆就成为了重点管控车辆,是道路交通运输安全的重中之重。
公开号为CN109637112A的中国发明公开一种重点车辆源头动态监管系统及监控方法,监管系统包括数据采集模块、管理配置模块、线路运营监控模块、信息审核模块、信息发布模块、统计分析模块;该发明通过在重点车辆上安装定位装置,将重点车辆的实时坐标与运营线路进行对比,判断重点车辆是否处于正常运营线路,从而实现对重点车辆的管控。而在日常监控业务中,需要实时识别车辆是否为重点车辆,实时区分大客车和危险品运输车辆,并获取重点车辆的具体车型,根据重点车辆的车型制定相应的事故应对策略,所以需要一种能够实时识别重点车辆的方法。
发明内容
本发明的目的在于提供一种基于监控视频的车辆识别方法,解决以下技术问题:
现有技术通过获取重点车辆的实时坐标来对重点车辆进行管控,但是对于行驶中的车辆无法实时识别车辆是否为重点车辆,不具备对重点车辆的车型进行区分的功能,难以掌握重点车辆的行驶状态。
本发明的目的可以通过以下技术方案实现:
一种基于监控视频的车辆识别方法,用于识别重点车辆,包括以下步骤:
建立重点车辆数据库,所述重点车辆数据库存储有不同车型的全景图像信息和危险品标志图像;
获取所有实时车辆的监控视频信息;
依次将所述实时车辆的监控视频信息拆分为若干个图像帧,将所述图像帧中的背景图像去除获得实时车辆图像,根据所述图像帧和所述实时车辆图像获取实时车辆的车长和车身特征,从而判断实时车辆是否为重点车辆;
将所述全景图像信息拆分为若干个视角的标准车型图像,将所述重点车辆的实时车辆图像与相同视角的所述标准车型图像进行比对,识别所述重点车辆的车型。
作为本发明进一步的方案,获得所述图像帧中的实时车辆图像的具体方法为:
扫描所述图像帧,获取所述实时车辆的车辆轮廓,将所述图像帧以所述车辆轮廓为界限分离为实时车辆图层和背景图像图层,将所述背景图层替换为空白图层,保留所述实时车辆图层,获得所述实时车辆图像。
作为本发明进一步的方案,判断所述实时车辆是否为重点车辆的具体方法为:
从所述图像帧中获取单个车道的像素宽度w,获得所述实时车辆最大像素长度l,提取单个车道的实际宽度W,计算实时车辆的实际车长:L=W*l/w,其中,若L≥6m,则该车辆为大型车辆,初步判定该实时车辆为重点车辆,否则判定该实时车辆为普通车辆。
作为本发明进一步的方案,判断所述实时车辆是否为重点车辆的具体方法还包括:
所述监控视频信息通过监控设备获取,获取所述大型车辆经过所述监控设备时的近距离监控视频信息,获取所述近距离监控视频信息对应的若干张实时车辆图像,将所述实时车辆图像进行灰度处理得到灰度图像,所述灰度图像的数量为N,计算所述灰度图像的灰度值均值,统计所述灰度值均值大于预设阈值c的灰度图像的数量M,若M/N≥0.8,则判定所述大型车辆为客车,确定为重点车辆,否则判定为货车。
作为本发明进一步的方案,判断所述实时车辆是否为重点车辆的具体方法还包括:
获取所述货车的实时车辆图像,识别所述货车的实时车辆图像中存在的特定图形,将所述特定图形与所述危险品标志图像进行比对,若存在与所述危险品标志图像相似度大于80%的特点图形,则判定所述货车为危险品货车,确定为重点车辆,否则为普通货车。
作为本发明进一步的方案,在识别危险品标志图像之前需要先对实时车辆图像进行处理:
获取所述大型车辆的实时车辆图像,将所述实时车辆图像进行灰度处理得到灰度图像,识别所述灰度图像中灰度值高于预设阈值d的高灰度区域,再次获取大型车辆的实时车辆图像,将所述高灰度区域的图层从所述实时车辆图像中删除,并替换为空白图层,然后再对危险品标志图像进行识别。
作为本发明进一步的方案,判断所述重点车辆所属车型的具体方法为:
获取重点车辆的实时图像并命名为重点车辆图像,在任一所述重点车辆图像中标注出重点车辆的最小外接矩形,计算所述重点车辆的最小外接矩形的长宽比k;在所有所述标准车型图像中标注出标准车型的最小外接矩形,依次计算所述标准车型的最小外接矩形的长宽比p1,p2,…,pn,提取p1,p2,…,pn中与k数值相等的pn,则pn对应的标准车型图像与该重点车辆图像为相同视角,将pn对应的标准车型图像与该重点车辆图像进行相似比对,获取相似度;
获取每个实时车辆图像与相同视角的标准车型图像的相似度,统计所述相似度超过预设阈值a的标准车型图像,统计相似度超过a的标准车型图像各自对应车型的分布比例,获取占比最大的车型的比例b,若a*b≥0.6,则判定实时车辆属于该车型,若a*b<0.6,则再次获取重点车辆图像与标准车型图像进行对比。
作为本发明进一步的方案,在提取p1,p2,…,pn中与k相等的数值的过程中,对于任一重点车辆,若p1,p2,…,pn存在多个数值与该重点车辆长宽比k相等,则分别将多个所述数值对应的标准车型图像与该重点车辆图像进行相似对比,判定相似度最高的标准车型图像与该重点车辆图像为相同视角。
本发明的有益效果:
本发明通过获取实时车辆的车长、车窗反光亮度以及车身的特定图形从而判断实时车辆是否为重点车辆,实现了对重点车辆的快速且准确的识别;其次通过将实时车辆的视频信息分为若干个图像帧,提取实时车辆图像,能够排除图纸帧中多余背景信息对识别的影响,从而提高后续识别工作的准确率;再将实时车辆图像与全景图像信息中相同视角的标准车型图像进行对比,根据相似度,得出实时车辆所属的重点车辆的车型,实现了对车辆车型的实时识别,从而能够根据车辆的车型制定事故应对策略,最大程度降低事故的影响;且直接将相同视角的图像进行对比,避免了无效对比工作量,也提高了识别的准确率。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明一种基于监控视频的车辆识别方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为一种基于监控视频的车辆识别方法,用于识别重点车辆,包括以下步骤:
建立重点车辆数据库,所述重点车辆数据库存储有不同车型的全景图像信息和危险品标志图像;
获取所有实时车辆的监控视频信息;
依次将所述实时车辆的监控视频信息拆分为若干个图像帧,将所述图像帧中的背景图像去除获得实时车辆图像,根据所述图像帧和所述实时车辆图像获取实时车辆的车长和车身特征,从而判断实时车辆是否为重点车辆;
将所述全景图像信息拆分为若干个视角的标准车型图像,将所述重点车辆的实时车辆图像与相同视角的所述标准车型图像进行比对,识别所述重点车辆的车型。
现有技术通过在重点车辆上安装定位装置,将重点车辆的实时坐标与运营线路进行对比,判断重点车辆是否处于正常运营线路,从而实现对重点车辆的管控。而作为高速公路营运管理单位,在日常监控业务中,需要实时识别车辆是否为重点车辆,实时区分大客车和危险品运输车辆,并获取重点车辆的具体车型,根据重点车辆的车型制定相应的事故应对策略;
本发明根据通过将任一车辆的一段视频信息分为若干个图像帧,并将图像帧中的背景图像去除,提取实时车辆图像,以避免背景图像对后续的对比和识别造成不必要的干扰,从而提高识别的准确率;再根据图像帧和实时车辆图像获取实时车辆的车长和车辆特征,从而判断实时车辆是否为重点车辆,实现了根据视频图像实时识别重点车辆;本发明将重点车辆数据库中全景图像信息拆分为不同视角的标准车型图像,然后直接将实时车辆图像与相同视角的标准车型图像进行对比,避免不同视角的车辆图像对比所造成的多余工作量,最后根据相似度,得出实时车辆所属的车型,从而能够根据车辆的车型制定事故应对策略,最大程度降低事故的影响。
在本发明一种优选的实施例中,获得所述图像帧中的实时车辆图像的具体方法为:
扫描所述图像帧,获取所述实时车辆的车辆轮廓,将所述图像帧以所述车辆轮廓为界限分离为实时车辆图层和背景图像图层,将所述背景图层替换为空白图层,保留所述实时车辆图层,获得所述实时车辆图像。
本发明将图片帧中除实时车辆以外的背景图像去除,生成新的图像,从而在对比图像特征时排除背景图像中多余的图像信息可能产生的干扰,使得对比的结果更加准确。
在本发明的一种优选的实施例中,判断所述实时车辆是否为重点车辆的具体方法为:
从所述图像帧中获取单个车道的像素宽度w,获得所述实时车辆最大像素长度l,提取单个车道的实际宽度W,计算实时车辆的实际车长:L=W*l/w,其中,若L≥6m,则该车辆为大型车辆,初步判定该实时车辆为重点车辆,否则判定该实时车辆为普通车辆。
本发明通过获取实时车辆的像素长度与单个车道的像素宽度,由于单个车道的实际宽度为已知的,故最终通过计算得出实时车辆的实际车长,若实际超过设定的阈值6m,即判定该实时车辆为大型车辆,由于重点车辆为两客一危车辆,这些车辆均为大型车辆,所以通过预判定,能够先将小型车辆去除,减少了后续进一步对比的工作量。
在本实施例的一种优选的情况中,判断所述实时车辆是否为重点车辆的具体方法还包括:
所述监控视频信息通过监控设备获取,获取所述大型车辆经过所述监控设备时的近距离监控视频信息,获取所述近距离监控视频信息对应的若干张实时车辆图像,将所述实时车辆图像进行灰度处理得到灰度图像,所述灰度图像的数量为N,计算所述灰度图像的灰度值均值,统计所述灰度值均值大于预设阈值c的灰度图像的数量M,若M/N≥0.8,则判定所述大型车辆为客车,确定为重点车辆,否则判定为货车。
由于客车有着大量的车窗能够反光,所以在已判断出实时车辆为大型车辆的基础上,再进行一次判断,识别大型车辆是否为客车,在大型车辆直接经过监控设备时,监控设备只能拍摄到大型车辆的部分影像,将得到的监控视频信息拆分为若干个图像帧,每个图像帧只包含车辆的一部分图像,对于客车来说,其侧面大部分区域都有车窗,对于大型车辆中的货车来说,其侧面只有车头部分有车窗,对图像帧进行灰度处理,通过计算灰度图像的灰度值均值,来判断灰度处理前的图像帧的亮度,由于客车和大巴车的车窗能够反光,所以当灰度值均值超过预设的阈值c(c根据实地的光线强度设定)时,判断对应的图像帧中包含车窗,当灰度值超过b的灰度图像的数量达到总数80%以上时,即判断该大型车辆为客车或者大巴车。
在本实施例的另一种优选的情况中,判断所述实时车辆是否为重点车辆的具体方法还包括:
获取所述货车的实时车辆图像,识别所述货车的实时车辆图像中存在的特定图形,将所述特定图形与所述危险品标志图像进行比对,若存在与所述危险品标志图像相似度大于80%的特点图形,则判定所述货车为危险品货车,确定为重点车辆,否则为普通货车。
根据道路危险货物运输车辆管理规定,运输危险品的货车车身必须标注危险品标志,故检测实时车辆图像存在的特定图形,例如菱形和圆形,将特定图形与危险品标志进行比对,若相似度超过设定的数值80%,则特定图像被判定为危险品标志,大货车即为危险品货车。
在本实施例的另一种优选的情况中,在识别危险品标志图像之前需要先对实时车辆图像进行处理:
获取所述大型车辆的实时车辆图像,将所述实时车辆图像进行灰度处理得到灰度图像,识别所述灰度图像中灰度值高于预设阈值d的高灰度区域,再次获取大型车辆的实时车辆图像,将所述高灰度区域的图层从所述实时车辆图像中删除,并替换为空白图层,然后再对危险品标志图像进行识别。
由于大型车辆的车窗可能反射附近存在的危险车辆的危险品标志,从而对该车辆的危险品标志识别造成干扰,因此需要对实时车辆图像进行灰度处理,将灰度图像中灰度值超过预设阈值d(d根据实地的光线强度设定)的高灰度区域判定为车窗区域,将高灰度区域的图层从实时车辆图像中删除,并替换为空白图层,即可排除车窗对识别危险品标志的干扰。
在本发明另一种优选的实施例中,判断所述重点车辆所属车型的具体方法为:
获取重点车辆的实时图像并命名为重点车辆图像,在任一所述重点车辆图像中标注出重点车辆的最小外接矩形,计算所述重点车辆的最小外接矩形的长宽比k;在所有所述标准车型图像中标注出标准车型的最小外接矩形,依次计算所述标准车型的最小外接矩形的长宽比p1,p2,…,pn,提取中p1,p2,…,pn与k数值相等的pn,则pn对应的标准车型图像与该重点车辆图像为相同视角,将pn对应的标准车型图像与该重点车辆图像进行相似比对,获取相似度;
获取每个实时车辆图像与相同视角的标准车型图像的相似度,统计所述相似度超过预设阈值a的标准车型图像,统计相似度超过a的标准车型图像各自对应车型的分布比例,获取占比最大的车型的比例b,若a*b≥0.6,则判定实时车辆属于该车型,若a*b<0.6,则再次获取重点车辆图像与标准车型图像进行对比。
实时车辆图像和标准车型图像,均是车辆侧面的图像,但是每张车辆的具体视角角度又不相同,为了直接让同视角的车辆图像进行对比,提高识别的准确率和减少无效的对比工作量,本发明以车辆的轮廓为界限获得实时车辆的最小外接矩形,计算最小外界矩形的长宽比,若两个车辆轮廓的最小外界矩形的长宽比相同,那么两个车辆图像大概率为同一视角下的车辆的图像,然后直接获取相似度;由于单个实时车辆拥有多张实时车辆图像,为了使对比的结果更加准确,每张实时车辆图像均与视角相同的标准车型图像进行对比,统计相似度超过阈值a的标准车型图像,再获得占比最大的车型的比例b,若a*b大于预设的数值0.6,则判定该实时车辆属于该车型,若a*b<0.6,则再次获取该实时车辆的实时车辆图像。
在本实施例的一种优选的情况中,在提取p1,p2,…,pn中与k相等的数值的过程中,对于任一重点车辆,若p1,p2,…,pn存在多个数值与该重点车辆长宽比k相等,则分别将多个所述数值对应的标准车型图像与该重点车辆图像进行相似对比,判定相似度最高的标准车型图像与该重点车辆图像为相同视角。
由于标准车型图像是由全景车辆图像拆分而来的,故存在若干张车辆轮廓最小外接矩形的长宽比相同,但是视角却并不相同的情况,比如车辆的正前方和正后方的车辆轮廓的长宽比相同,但是视角却完全不同,所以为了排除这种情况,在统计相似度时,仅保留与实时车辆图像相似度最大的那张标准车型图像。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (6)
1.一种基于监控视频的车辆识别方法,用于识别重点车辆,其特征在于,包括以下步骤:
建立重点车辆数据库,所述重点车辆数据库存储有不同车型的全景图像信息和危险品标志图像;
获取所有实时车辆的监控视频信息;
依次将所述实时车辆的监控视频信息拆分为若干个图像帧,将所述图像帧中的背景图像去除获得实时车辆图像,根据所述图像帧和所述实时车辆图像获取实时车辆的车长和车身特征,从而判断实时车辆是否为重点车辆;
将所述全景图像信息拆分为若干个视角的标准车型图像,将所述重点车辆的实时车辆图像与相同视角的所述标准车型图像进行比对,识别所述重点车辆的车型;
判断所述重点车辆所属车型的具体方法为:
获取重点车辆的实时图像并命名为重点车辆图像,在任一所述重点车辆图像中标注出重点车辆的最小外接矩形,计算所述重点车辆的最小外接矩形的长宽比k;在所有所述标准车型图像中标注出标准车型的最小外接矩形,依次计算所述标准车型的最小外接矩形的长宽比p1,p2,…,pn,提取p1,p2,…,pn中与k数值相等的pn,则pn对应的标准车型图像与该重点车辆图像为相同视角,将pn对应的标准车型图像与该重点车辆图像进行相似比对,获取相似度;
获取每个实时车辆图像与相同视角的标准车型图像的相似度,统计所述相似度超过预设阈值a的标准车型图像,统计相似度超过a的标准车型图像各自对应车型的分布比例,获取占比最大的车型的比例b,若a*b≥0.6,则判定实时车辆属于该车型,若a*b<0.6,则再次获取重点车辆图像与标准车型图像进行对比;
在提取p1,p2,…,pn中与k相等的数值的过程中,对于任一重点车辆,若p1,p2,…,pn存在多个数值与该重点车辆长宽比k相等,则分别将多个所述数值对应的标准车型图像与该重点车辆图像进行相似对比,判定相似度最高的标准车型图像与该重点车辆图像为相同视角。
2.根据权利要求1所述的一种基于监控视频的车辆识别方法,其特征在于,获得所述图像帧中的实时车辆图像的具体方法为:
扫描所述图像帧,获取所述实时车辆的车辆轮廓,将所述图像帧以所述车辆轮廓为界限分离为实时车辆图层和背景图像图层,将所述背景图层替换为空白图层,保留所述实时车辆图层,获得所述实时车辆图像。
3.根据权利要求1所述的一种基于监控视频的车辆识别方法,其特征在于,判断所述实时车辆是否为重点车辆的具体方法为:
从所述图像帧中获取单个车道的像素宽度w,获得所述实时车辆最大像素长度l,提取单个车道的实际宽度W,计算实时车辆的实际车长:L=W*l/w,其中,若L≥6m,则该车辆为大型车辆,初步判定该实时车辆为重点车辆,否则判定该实时车辆为普通车辆。
4.根据权利要求3所述的一种基于监控视频的车辆识别方法,其特征在于,判断所述实时车辆是否为重点车辆的具体方法还包括:
所述监控视频信息通过监控设备获取,获取所述大型车辆经过所述监控设备时的近距离监控视频信息,获取所述近距离监控视频信息对应的若干张实时车辆图像,将所述实时车辆图像进行灰度处理得到灰度图像,所述灰度图像的数量为N,计算所述灰度图像的灰度值均值,统计所述灰度值均值大于预设阈值c的灰度图像的数量M,若M/N≥0.8,则判定所述大型车辆为客车,确定为重点车辆,否则判定为货车。
5.根据权利要求4所述的一种基于监控视频的车辆识别方法,其特征在于,判断所述实时车辆是否为重点车辆的具体方法还包括:
获取所述货车的实时车辆图像,识别所述货车的实时车辆图像中存在的特定图形,将所述特定图形与所述危险品标志图像进行比对,若存在与所述危险品标志图像相似度大于80%的特点图形,则判定所述货车为危险品货车,确定为重点车辆,否则为普通货车。
6.根据权利要求5所述的一种基于监控视频的车辆识别方法,其特征在于,在识别危险品标志图像之前需要先对实时车辆图像进行处理:
获取所述大型车辆的实时车辆图像,将所述实时车辆图像进行灰度处理得到灰度图像,识别所述灰度图像中灰度值高于预设阈值d的高灰度区域,再次获取大型车辆的实时车辆图像,将所述高灰度区域的图层从所述实时车辆图像中删除,并替换为空白图层,然后再对危险品标志图像进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210808076.1A CN114882708B (zh) | 2022-07-11 | 2022-07-11 | 一种基于监控视频的车辆识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210808076.1A CN114882708B (zh) | 2022-07-11 | 2022-07-11 | 一种基于监控视频的车辆识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114882708A CN114882708A (zh) | 2022-08-09 |
CN114882708B true CN114882708B (zh) | 2022-09-30 |
Family
ID=82683183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210808076.1A Active CN114882708B (zh) | 2022-07-11 | 2022-07-11 | 一种基于监控视频的车辆识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882708B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117087790A (zh) * | 2023-10-19 | 2023-11-21 | 江西江铃集团晶马汽车有限公司 | 一种全自动化客车车门安装方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678257A (zh) * | 2016-01-06 | 2016-06-15 | 北京卓视智通科技有限责任公司 | 一种交通调查车型识别方法、装置及其系统 |
CN110307809A (zh) * | 2018-03-20 | 2019-10-08 | 中移(苏州)软件技术有限公司 | 一种车型识别方法及装置 |
CN111523415A (zh) * | 2020-04-13 | 2020-08-11 | 北京巨视科技有限公司 | 一种基于图像的两客一危车辆检测方法和装置 |
CN111814522A (zh) * | 2019-04-12 | 2020-10-23 | 杭州海康威视数字技术股份有限公司 | 对监控图像进行处理的方法和装置 |
CN112200231A (zh) * | 2020-09-29 | 2021-01-08 | 深圳市信义科技有限公司 | 一种危险品车辆识别方法、系统、装置及介质 |
CN113055658A (zh) * | 2021-04-25 | 2021-06-29 | 广州大广高速公路有限公司 | 一种基于全景拼接技术的隧道危化品车辆识别方法及系统 |
CN113723258A (zh) * | 2021-08-24 | 2021-11-30 | 广州邦讯信息系统有限公司 | 危险品车辆图像识别方法及其相关设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8731245B2 (en) * | 2012-03-07 | 2014-05-20 | Xerox Corporation | Multiple view transportation imaging systems |
-
2022
- 2022-07-11 CN CN202210808076.1A patent/CN114882708B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678257A (zh) * | 2016-01-06 | 2016-06-15 | 北京卓视智通科技有限责任公司 | 一种交通调查车型识别方法、装置及其系统 |
CN110307809A (zh) * | 2018-03-20 | 2019-10-08 | 中移(苏州)软件技术有限公司 | 一种车型识别方法及装置 |
CN111814522A (zh) * | 2019-04-12 | 2020-10-23 | 杭州海康威视数字技术股份有限公司 | 对监控图像进行处理的方法和装置 |
CN111523415A (zh) * | 2020-04-13 | 2020-08-11 | 北京巨视科技有限公司 | 一种基于图像的两客一危车辆检测方法和装置 |
CN112200231A (zh) * | 2020-09-29 | 2021-01-08 | 深圳市信义科技有限公司 | 一种危险品车辆识别方法、系统、装置及介质 |
CN113055658A (zh) * | 2021-04-25 | 2021-06-29 | 广州大广高速公路有限公司 | 一种基于全景拼接技术的隧道危化品车辆识别方法及系统 |
CN113723258A (zh) * | 2021-08-24 | 2021-11-30 | 广州邦讯信息系统有限公司 | 危险品车辆图像识别方法及其相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114882708A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103279741B (zh) | 一种基于车载红外图像的行人预警系统及其工作方法 | |
CN105701844B (zh) | 基于颜色特征的障碍物或阴影检测方法 | |
CN111368612B (zh) | 超员检测系统、人员检测方法及电子设备 | |
CN101783076A (zh) | 一种视频监控模式下的快速车型识别方法 | |
CN113370977B (zh) | 一种基于视觉的智能车辆前向碰撞预警方法及系统 | |
CN114882708B (zh) | 一种基于监控视频的车辆识别方法 | |
CN112699267B (zh) | 车辆车型的识别方法 | |
CN110610153A (zh) | 一种用于自动驾驶的车道识别方法及系统 | |
CN111783666A (zh) | 一种基于连续视频帧角点特征匹配的快速车道线检测方法 | |
CN103927548A (zh) | 一种新的避免车辆碰撞的刹车行为检测方法 | |
CN112115939A (zh) | 车辆车牌的识别方法、装置 | |
CN112115800A (zh) | 一种基于深度学习目标检测的车辆组合识别系统及方法 | |
CN113034378A (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN111507196A (zh) | 一种基于机器视觉和深度学习的车辆类型识别方法 | |
CN111967384A (zh) | 车辆信息处理方法、装置、设备及计算机可读存储介质 | |
Islam et al. | Bangla license plate detection, recognition and authentication with morphological process and template matching | |
Skodras et al. | Rear lights vehicle detection for collision avoidance | |
CN113033363A (zh) | 一种基于深度学习的车辆稠密目标检测方法 | |
WO2022267266A1 (zh) | 一种基于视觉识别的列车控制方法及设备 | |
CN112614351B (zh) | 基于机器视觉的货车超载检测系统及方法 | |
CN113343766B (zh) | 一种车辆压双黄线自动检测方法 | |
CN114387572B (zh) | 交通执法影像中基于ai技术的闯红灯违法车辆匹配方法 | |
Tan et al. | An algorithm for license plate location based on color and texture | |
CN111145184B (zh) | 一种基于多尺度特征融合的拖牵过程安全预警方法 | |
CN111611942B (zh) | 一种透视自适应车道骨架提取建库的方法 |
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 |