CN114937263B - 一种基于视频智能分析的车辆轴数计数方法及系统 - Google Patents

一种基于视频智能分析的车辆轴数计数方法及系统 Download PDF

Info

Publication number
CN114937263B
CN114937263B CN202210494169.1A CN202210494169A CN114937263B CN 114937263 B CN114937263 B CN 114937263B CN 202210494169 A CN202210494169 A CN 202210494169A CN 114937263 B CN114937263 B CN 114937263B
Authority
CN
China
Prior art keywords
vehicle
target
result
video
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.)
Active
Application number
CN202210494169.1A
Other languages
English (en)
Other versions
CN114937263A (zh
Inventor
朱新潮
曾国卿
许志强
孙昌勋
杨坤
李威
刘佳宁
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.)
Beijing Ronglian Yitong Information Technology Co ltd
Original Assignee
Beijing Ronglian Yitong Information 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 Beijing Ronglian Yitong Information Technology Co ltd filed Critical Beijing Ronglian Yitong Information Technology Co ltd
Priority to CN202210494169.1A priority Critical patent/CN114937263B/zh
Publication of CN114937263A publication Critical patent/CN114937263A/zh
Application granted granted Critical
Publication of CN114937263B publication Critical patent/CN114937263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • 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
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于视频智能分析的车辆轴数计数方法及系统。该一种基于视频智能分析的车辆轴数计数方法，包括：步骤1：在道路一侧放置摄像机，用于拍摄道路上来往车辆的实时视频；步骤2：基于所述实时视频获取车辆图像，并对所述车辆图像进行标注，利用被标注图像，训练目标检测模型，得到最终目标检测模型；步骤3：基于车牌识别算法，对被拍摄车辆的车牌信息进行识别；步骤4：创建车头及车轮的跟踪器，并与跟踪主体一对一匹配，根据匹配结果对对应跟踪主体进行跟踪，并进行车轴计数。本发明通过利用深度学习检测车轴位置，结合目标跟踪技术，考虑视频监控在时序上的持续性，增强了车轴计数方面的容错性。

Description

一种基于视频智能分析的车辆轴数计数方法及系统
技术领域
本发明涉及车辆管理技术领域，特别涉及一种基于视频智能分析的车辆轴数计数方法及系统。
背景技术
本文主要介绍一种基于视频分析的车辆轴数计数方法及系统。可配合车辆载重称重，进行超载分析判断。
目前已有车辆轴数计数系统有如下缺点：(1)在空间受限的场景，如大型车辆进出口、地磅房等，由于现场条件限制和车辆体积较大等原因，拍摄角度、距离受限，往往无法拍摄到车辆全景；(2)仅凭单张图像，或多张图像之间做校准、对齐，在车轴检测和计数方面容错率低，未考虑视频监控在时序上的连续性；(3)某些车轴计数系统或装置，需要特殊传感器，安装部署不方便，维护复杂，成本高。
因此，本文提出一种基于视频智能分析的车辆轴数计数方法和系统，利用深度学习检测车轴位置，结合目标跟踪技术，考虑视频监控在时序上的持续性，增强了车轴计数方面的容错性。另外，该方法和系统，不需特殊传感器及额外装置，只需普通监控用摄像头及普通计算硬件(如普通服务器、嵌入式计算硬件等)即可完成。
发明内容
本发明提供一种基于视频智能分析的车辆轴数计数方法及系统，通过利用深度学习检测车轴位置，结合目标跟踪技术，考虑视频监控在时序上的持续性，增强了车轴计数方面的容错性。另外，该方法和系统，不需特殊传感器及额外装置，只需普通监控用摄像头及普通计算硬件(如普通服务器、嵌入式计算硬件等)即可完成。
本发明提供一种基于视频智能分析的车辆轴数计数方法，包括：
步骤1：在道路一侧放置摄像机，用于拍摄道路上来往车辆的实时视频；
步骤2：基于所述实时视频获取车辆图像，并对所述车辆图像进行标注，利用被标注图像，训练目标检测模型，得到最终目标检测模型；
步骤3：基于车牌识别算法，对被拍摄车辆的车牌信息进行识别；
步骤4：创建车头及车轮的跟踪器，并与跟踪主体一对一匹配，根据匹配结果对对应跟踪主体进行跟踪，并进行车轴计数。
优选的，所述步骤2基于所述实时视频获取车辆图像，并对所述车辆图像进行标注，利用被标注图像，训练目标检测模型，得到最终目标检测模型，具体步骤包括：
步骤2.1：根据所述实时视频的帧数信息，将所述实时视频转化成原始图像，根据所述原始图像获取车辆图像；
步骤2.2：利用标准矩形框对所述车辆图像中的车辆进行第一标注，获得被标注图像，其中，第一标注的标注内容为车头及车头位置信息、车轮及车轮位置信息；
步骤2.3：将所述被标注图像划分为训练集和测试集，利用所述训练集对目标检测模型进行训练得到最终目标检测模型。
优选的，所述的一种基于视频智能分析的车辆轴数计数方法，还包括：
所述目标检测模型对检测需要的图像中的目标车轮的宽度和高度进行第一阈值限定，同时，对目标车轮的宽高比进行第二阈值限定；
基于第一阈值限定以及第二阈值限定，过滤无效车轮检测结果。
优选的，所述步骤3：基于车牌识别算法，对被拍摄车辆的车牌信息进行识别，具体步骤包括：
步骤3.1：基于大数据获取大量交通数据，对车辆车牌部分位置信息进行第二标注；
步骤3.2：根据所述第二标注进行抠图，同时，对所述抠图进行角点矫正消除畸变，获取车牌样本；
步骤3.3：根据所述车牌样本训练车牌识别模型，得到最终车牌识别模型，基于所述最终车牌识别模型对被拍摄车辆的车牌信息进行识别。
优选的，所述步骤4：创建车头及车轮的跟踪器，并与跟踪主体一对一匹配，根据匹配结果对对应跟踪主体进行跟踪并进行车轴计数，具体步骤包括：
步骤4.1：将车头及车轮作为跟踪主体，并针对给每个跟踪主体创建车头及车轮的跟踪器；
步骤4.2：根据最终目标检测模型的最新检测结果与所述跟踪器的预测结果，将所述跟踪器与所述跟踪主体进行一对一匹配；
步骤4.3：根据匹配结果对对应跟踪主体进行跟踪并进行车轴计数。
优选的，所述步骤4.3：根据匹配结果对对应跟踪主体进行跟踪并进行车轴计数，具体步骤包括：
利用车轮跟踪器跟踪对对应车轮的车轴数进行计数，并判断所述车轮跟踪器在预设时间内的已跟踪帧数累计结果是否超过阈值；
利用车轮跟踪器对对应车轮的车轴数进行计数，并判断所述车轮跟踪器在预设时间内的已跟踪帧数累计结果是否超过阈值；
若所述已跟踪帧数累计结果超过阈值，判定所述车轮跟踪器为有效车轮跟踪器，此时，所述车轮跟踪器对应车辆的车轴计数结果加1；
若所述已跟踪帧数累计结果没有超过阈值，判定所述车轮跟踪器为无效车轮跟踪器；
同时，检测是否有新的车头跟踪器以及新车头对应的车轮跟踪器出现，若有，结束对应车辆的车轴计数；
否则，继续对所述对应车辆的车轴计数，在超出等待时长后结束对应车辆的车轴计数；
当车辆计数结束后，附带对应车辆的车牌信息，将所述车轴计数结果进行本地记录，并通过网络进行上报。
优选的，所述步骤2.1：根据所述实时视频的帧数信息，将所述实时视频转化成原始图像，根据所述原始图像获取车辆图像，具体步骤包括：
根据天气信息获取多个实时视频，基于拍摄路段限速信息，计算在摄像机拍摄范围内目标车辆的标准行驶时间，获取所述实时视频的目标车辆，根据所述标准行驶时间以及目标车辆对所述实时视频进行预分割，获得多个短视频；
基于所述短视频中目标车辆的运行轨迹判断所述目标车辆的对应短视频是否完整，若完整，判断所述短视频为目标短视频，并添加所述目标车辆对应车牌号作为第一标签；
否则，对所述短视频分割时间进行调整，获得所述目标车辆在所述拍摄范围内的完整短视频作为目标短视频，并添加所述目标车辆对应车牌号作为第一标签；
根据所述目标短视频的帧数信息，将所述目标短视频转化成原始图像，对对所述原始图像上无关信息进行消除，获得多张目标车辆图像，并对全部目标车辆图像质量进行评估；
基于评估结果，剔除模糊图像，获取全部清晰图像，并根据摄像机拍摄角度以及天气因素筛选最优图像，同时，获取所述最优图像中车辆对应类型，并向所述最优图像添加第二标签；
获取全部最优图像的第一标签，进行第一检测，删除重复图像，同时，对剩余最优图像进行数量统计；
若所述数量统计结果大于等于预设结果，获取第二标签，并根据所述第二标签对所述剩余最优图像对应车辆类型进行分类，根据所述分类判断所述剩余最优图像是否与拍摄路段实际通行结果一致，若一致，所述剩余最优图像即为最终车辆图像；
若不一致，根据所述实际通行结果，获取当前缺失车辆信息，并继续拍摄实时视频直到获得当前缺失车辆图像。
若所述数量统计结果小于预设结果，基于摄像机继续拍摄实时视频，获取更多车辆图像。
优选的，步骤4.2：根据最终目标检测模型的最新检测结果与所述跟踪器的预测结果，将所述跟踪器与所述跟踪主体进行一对一匹配，具体步骤包括：
从所述跟踪器中选取一个跟踪器为待匹配跟踪器，获取所述待匹配跟踪器的预测结果为第一预测矩形框；
从所述最新检测结果中，获取与待匹配跟踪器标签相同的检测结果代表的跟踪主体，作为待匹配跟踪主体集；
对待匹配跟踪主体集中的每个检测结果，获取其检测结果为第一检测矩形框；
计算第一预测矩形框和第一检测矩形框的重合面积，计算所述重合面积与第一预测矩形框面积的比值，为重合面积比，若所述重合面积比大于预设重合面积比阈值，记为有效重合面积比；否则，记为无效重合面积比；
重复以上步骤，得到所有有效重合面积比，形成有效重合面积比结果集；
将所述有效重合面积比结果集按从大到小排序，按顺序取出有效重合面积比结果，将所述有效重合面积比结果对应的跟踪器及跟踪主体标记为成功匹配；若所述有效重合面积比对应的跟踪器或跟踪主体已被标记，则跳过；
若所述待匹配跟踪器在所述有效重合面积比结果集中没有匹配到对应的跟踪主体，则删除所述待匹配跟踪器；
判断所述有效重合面积比结果集中全部被跳过跟踪主体是否有其他被标记信息；
若所述被跳过跟踪主体没有其他被标记信息，判定所述跟踪主体没有匹配的跟踪器，根据所述被跳过跟踪主体的第一检测矩形框的坐标生成新的匹配跟踪器。
优选的，所述的一种基于视频智能分析的车辆轴数计数方法，包括：所述摄像机拍摄范围内设置有减速提示牌、减速带。
本发明提供一种基于视频智能分析的车辆轴数计数系统，包括：
视频采集模块，用于在道路一侧放置摄像机，用于拍摄道路上来往车辆的实时视频；
模型建立模块，用于基于所述实时视频获取车辆图像，并对所述车辆图像进行标注，利用被标注图像，训练目标检测模型，得到最终目标检测模型；
识别模块，用于基于车牌识别算法，对被拍摄车辆的车牌信息进行识别；
计数模块，用于创建车头及车轮的跟踪器，并与跟踪主体一对一匹配，根据匹配结果对对应跟踪主体进行跟踪，并进行车轴计数。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为一种基于视频智能分析的车辆轴数计数方法的示意图；
图2为摄像机放置位置俯视示意图；
图3为一种基于视频智能分析的车辆轴数计数方法步骤2的示意图；
图4为一种基于视频智能分析的车辆轴数计数方法步骤3的示意图；
图5为一种基于视频智能分析的车辆轴数计数方法步骤4的示意图；
图6为一种基于视频智能分析的车辆轴数计数系统的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供一种基于视频智能分析的车辆轴数计数方法，如图1所示，包括：
步骤1：在道路一侧放置摄像机，用于拍摄道路上来往车辆的实时视频；
步骤2：基于所述实时视频获取车辆图像，并对所述车辆图像进行标注，利用被标注图像，训练目标检测模型，得到最终目标检测模型；
步骤3：基于车牌识别算法，对被拍摄车辆的车牌信息进行识别；
步骤4：创建车头及车轮的跟踪器，并与跟踪主体一对一匹配，根据匹配结果对对应跟踪主体进行跟踪，并进行车轴计数。
本实施例中，所述摄像机距离车轮1-3米，拍摄方向与车辆行进方向成45°-75°，只需在车辆单侧架设摄像头拍摄即可，俯视示意图如图2所示。
本实施例中，被标注图像是指对车辆图像进行标注后得到图像，主要标注内容为车头及车头位置信息、车轮及车轮位置信息，均为深度学习目标检测所需的标准矩形框标注。
本实施例中，目标检测模型以及最终目标检测模型可包括但不限于SSD、YOLO系列、Faster-RCNN等，若出于部署推理速度考虑，可选取速度较快精度适中的YOLO系列(YOLOV3、YOLOV4、YOLOV5等)。
本实施例中，跟踪器内部有一个卡尔曼滤波器。卡尔曼滤波器一方面可对目标大小位置信息起到时序上的稳定效果，另一方面可对目标位置做出预测。
本实施例中，跟踪主体是指车头及车轮。
上述实施例的有益效果：本发明通过利用深度学习检测车轴位置，结合目标跟踪技术，考虑视频监控在时序上的持续性，增强了车轴计数方面的容错性。另外，本发明不需特殊传感器及额外装置，只需普通监控用摄像头及普通计算硬件(如普通服务器、嵌入式计算硬件等)即可完成。
实施例2：
基于实施例1的基础上，所述步骤2基于所述实时视频获取车辆图像，并对所述车辆图像进行标注，利用被标注图像，训练目标检测模型，得到最终目标检测模型，如图3所示，具体步骤包括：
步骤2.1：根据所述实时视频的帧数信息，将所述实时视频转化成原始图像，根据所述原始图像获取车辆图像；
步骤2.2：利用标准矩形框对所述车辆图像中的车辆进行第一标注，获得被标注图像，其中，第一标注的标注内容为车头及车头位置信息、车轮及车轮位置信息；
步骤2.3：将所述被标注图像划分为训练集和测试集，利用所述训练集对目标检测模型进行训练得到最终目标检测模型。
本实施例中，帧数信息是指实时视频的帧数排列情况，每一帧对应一张原始图像。
本实施例中，车辆图像是指只保留目标车辆的图像，剔除其他无关信息的原始图像(背景以及其他非目标车辆)；原始图像是指直接将实时视频转化为没有经过任何处理的图像。
本实施例中，第一标准是指对图像中的车头及车头位置信息、车轮及车轮位置信息进行标注。
本实施例中，最终目标检测模型是指对目标检测模型进行训练后符合本发明车头以及车轮检测的模型，该最终目标检测模型检测的车头、车轮所在位置用矩形框表示，分别为左上角x坐标x_min，左上角y坐标y_min，右下角x坐标x_max，右下角y坐标y_max。
上述技术方案的有益效果：本发明根据所述实时视频的帧数信息，将所述实时视频转化成原始图像，获取车辆图像，利用标准矩形框对所述车辆图像中的车辆进行第一标注，获得被标注图像，利用标准图像对目标检测模型进行训练得到最符合本发明的目标检测模型，在快速得到检测结果的同时也保证了检测结果的准确性。
实施例3：
基于实施例1的基础上，所述的一种基于视频智能分析的车辆轴数计数方法，还包括：
所述目标检测模型对检测需要的图像中的目标车轮的宽度和高度进行第一阈值限定，同时，对目标车轮的宽高比进行第二阈值限定；
基于第一阈值限定以及第二阈值限定，过滤无效车轮检测结果。
本实施例中，第一阈值限定是指对目标车轮的高度以及宽度进行阈值设定，可根据现场对阈值大小进行调整，不在阈值范围内的即为无效车轮检测结果。若目标检测模型给出某车轮的检测结果为(x_min,y_min,x_max,y_max)，则该车轮在图像中宽度为width＝x_max-x_min，高度为height＝y_max_y_min。
本实施例中，第二阈值限定是指对目标车轮宽高比设定阈值，可根据现场情况调整，不在阈值范围内的即为无效车轮检测结果。
上述技术方案的有益效果：本发明对目标车轮的第一阈值限定即大小限定确保在摄像头拍摄到的图像中存在其他车道的车辆及车轮时，可过滤无效车轮检测结果，排除干扰，大幅度增强了本发明的容错性，同时，通过对目标车轮的第二阈值限定即宽高比限定，降低了由于拍摄角度、车辆在远处行驶不一定按照既定方向等原因，造成车轴计数失误的可能。
实施例4：
基于实施例1的基础上，所述步骤3：基于车牌识别算法，对被拍摄车辆的车牌信息进行识别，如图4所示，具体步骤包括：
步骤3.1：基于大数据获取大量交通数据，对车辆车牌部分位置信息进行第二标注；
步骤3.2：根据所述第二标注进行抠图，同时，对所述抠图进行角点矫正消除畸变，获取车牌样本；
步骤3.3：根据所述车牌样本训练车牌识别模型，得到最终车牌识别模型，基于所述最终车牌识别模型对被拍摄车辆的车牌信息进行识别。
本实施例中，交通数据包括通行车辆的种类、速度、车牌车身颜色等信息。
本实施例中，第二标注是指对图片上的车牌位置理应矩形框进行标注。
本实施例中，车牌样本是指通过抠图得到的经过处理(角点矫正消除畸变)的用于训练车牌识别模型的车牌图像。
本实施例中，在车头跟踪过程中，持续将车头部分图像送入车牌识别算法进行车牌识别，得到该车辆的车牌号信息。将多帧该车辆的车牌识别结果进行比较，选取出现最多次的车牌号为最终车牌号，降低车牌号识别错误率，增强容错。
上述技术方案的有益效果：本发明通过大数据获取大量交通数据保证了样本的全面性，增强后续训练模型的泛化性；对抠图得到的车牌图片进行处理保证了训练样本的准确性，使得得到的车牌识别模型更符合实际使用情况。
实施例5：
基于实施例1的基础上，所述步骤4：创建车头及车轮的跟踪器，并与跟踪主体一对一匹配，根据匹配结果对对应跟踪主体进行跟踪并进行车轴计数，如图5所示，具体步骤包括：
步骤4.1：将车头及车轮作为跟踪主体，并针对给每个跟踪主体创建车头及车轮的跟踪器；
步骤4.2：根据最终目标检测模型的最新检测结果与所述跟踪器的预测结果，将所述跟踪器与所述跟踪主体进行一对一匹配；
步骤4.3：根据匹配结果对对应跟踪主体进行跟踪并进行车轴计数。
本实施例中，最新检测结果是指最终目标检测模型检测得到的跟踪主体的情况。
本实施例中，预测结果是指跟踪器对对应主体的位置的预测情况。
本实施例中，匹配标准为预测结果矩形框和检测结果矩形框的交互面积，交互面积大的优先匹配。
本实施例中，对匹配上的跟踪器，进行内部卡尔曼滤波器位置大小信息的更新。对于长时间未匹配上的跟踪器进行删除，对于位置出镜的跟踪器进行删除。
上述技术方案的有益效果：本发明将车头及车轮作为跟踪主体，并针对给每个跟踪主体创建车头及车轮的跟踪器，根据最终目标检测模型的最新检测结果与所述跟踪器的预测结果，将所述跟踪器与所述跟踪主体进行一对一匹配，确保了跟踪目标的唯一性，保证了车轴计数的准确性，同时，由于每个车轮均被跟踪器跟踪，给出最终目标检测模型的检测结果漏检和误检情况有较大程度缓解。
实施例6：
基于实施例5的基础上，所述步骤4.3：根据匹配结果对对应跟踪主体进行跟踪并进行车轴计数，具体步骤包括：
利用车轮跟踪器对对应车轮的车轴数进行计数，并判断所述车轮跟踪器在预设时间内的已跟踪帧数累计结果是否超过阈值；
若所述已跟踪帧数累计结果超过阈值，判定所述车轮跟踪器为有效车轮跟踪器，此时，所述车轮跟踪器对应车辆的车轴计数结果加1；
若所述已跟踪帧数累计结果没有超过阈值，判定所述车轮跟踪器为无效车轮跟踪器；
同时，检测是否有新的车头跟踪器以及新车头对应的车轮跟踪器出现，若有，结束对应车辆的车轴计数；
否则，继续对所述对应车辆的车轴计数，在超出等待时长后结束对应车辆的车轴计数；
当车辆计数结束后，附带对应车辆的车牌信息，将所述车轴计数结果进行本地记录，并通过网络进行上报。
本实施例中，每个车轮跟踪器内部附带“已跟踪帧数”累积结果C，当C超过一定阈值，例如10帧，将此车轮跟踪器认定为有效车轮跟踪器，否则为无效车轮跟踪器。
上述技术方案的有益效果：本发明对车轮跟踪器进行有效性判断，保证得到的车轴计数结果的准确性，同时，对长时间无法判断是否有效的车轮跟踪器及时结束车轴计数逻辑，保证了跟踪器的有效使用。
实施例7：
基于实施例2的基础上，所述步骤2.1：根据所述实时视频的帧数信息，将所述实时视频转化成原始图像，根据所述原始图像获取车辆图像，具体步骤包括：
根据天气信息获取多个实时视频，基于拍摄路段限速信息，计算在摄像机拍摄范围内目标车辆的标准行驶时间，获取所述实时视频的目标车辆，根据所述标准行驶时间以及目标车辆对所述实时视频进行预分割，获得多个短视频；
基于所述短视频中目标车辆的运行轨迹判断所述目标车辆的对应短视频是否完整，若完整，判断所述短视频为目标短视频，并添加所述目标车辆对应车牌号作为第一标签；
否则，对所述短视频分割时间进行第一调整，获得所述目标车辆在所述拍摄范围内的完整短视频作为目标短视频，并添加所述目标车辆对应车牌号作为第一标签；
根据所述目标短视频的帧数信息，将所述目标短视频转化成原始图像，对所述原始图像上无关信息进行消除，获得多张目标车辆图像，并对全部目标车辆图像质量进行评估；
基于评估结果，剔除模糊图像，获取全部清晰图像，并根据摄像机拍摄角度以及天气因素筛选最优图像，同时，获取所述最优图像中车辆对应类型，并向所述最优图像添加第二标签；
获取全部最优图像的第一标签，进行第一检测删除重复图像，同时，对剩余最优图像进行数量统计；
若所述数量统计结果大于等于预设结果，获取第二标签，并根据所述第二标签对所述剩余最优图像对应车辆类型进行分类，根据所述分类判断所述剩余最优图像是否与拍摄路段实际通行结果一致，若一致，所述剩余最优图像即为最终车辆图像；
若不一致，根据所述实际通行结果，获取当前缺失车辆信息，并继续拍摄实时视频直到获得当前缺失车辆图像。
若所述数量统计结果小于预设结果，基于摄像机继续拍摄实时视频，获取更多车辆图像。
本实施例中，目标车辆是泛指很多车辆但是不同目标车辆对应的短视频不同，有可能两个目标车辆出现在同一视频中，但对于该短视频，其中一个并非目标车辆。
本实施例中，标准行驶时间是指根据拍摄路段的限速信息以及拍摄距离计算得到的在该拍摄路段的行驶时间。
本实施例中，预分割是指根据标准行驶时间在实时视频上截取对应时间，在对实时视频进行分割前对所述实时视频进行备份。
本实施例中，目标短视频是指目标车辆的完整短视频，其中，所述完整是指短视频中的目标车辆完整的通过了拍摄路段。
本实施例中，第一标签是指目标短视频上添加的目标车辆的车牌号标签，目标短视频被转化成原始图像时，该标签依旧存在于对应原始图像上。
本实施例中，第一调整是指对目标车辆对应的短视频的截取时间进行调整，直到目标车辆完整的走过拍摄路段。
本实施例中，无关信息是指原始图像与目标车辆无关的全部信息包括路面、其他非该原始图像对应的目标车辆、天空、树木等。
本实施例中，目标车辆图像是指剔除无关信息只保留目标车辆信息的原始图像。
本实施例中，所述图像质量评估是指根据目标车辆图像本身的平均灰度值与整张图的灰度差异来得到质量分数，质量分数越大图像质量越好，计算步骤如下：
对所述多张目标车辆图像按1，2，3，…，w进行编号，获取第w张目标车辆图像上有效区域各个像素点的灰度值，相同大小的灰度值只保留一个，并记录该灰度值的重复个数，利用下列公式计算第w张目标车辆图像上的目标车辆有效区域的平均灰度值：
Figure BDA0003627403230000141
其中，
Figure BDA0003627403230000142
表示所述第w张目标车辆图像上的目标车辆有效区域的平均灰度值；Y表示所述第w张目标车辆图像剔除重复灰度值后的剩余灰度值的个数；Fxw表示第w张目标车辆图像的目标车辆有效区域中第x个灰度值，取值在[0，255]，x是对剩余灰度值的编号，x＝0，1，2，…，Y-1；Nxw表示在所述第w张目标车辆图像上的目标车辆有效区域上与第x个灰度值相同的像素点的总个数；S0w表示第w张目标车辆图像上的目标车辆有效区域的宽度；T0w表示第w张目标车辆图像上的目标车辆有效区域的长度；
其中，有效区域是指所述目标车辆图像上目标车辆存在的区域；
根据所述第w张目标车辆图像上的目标车辆有效区域的平均灰度值，利用下列公式计算所述第w张目标车辆图像的质量分数；
Figure BDA0003627403230000151
Figure BDA0003627403230000152
其中，γw表示所述第w张目标车辆图像的质量分数；βij,w表示像素点(i，j)是否在所述第w张目标车辆图像的有效区域内，当βij,w＝0时，像素点(i，j)不在所述第w张目标车辆图像的有效区域内，当βij,w＝1时，像素点(i，j)在所述第w张目标车辆图像的有效区域内；Qij,w表示第w张目标车辆图像的像素点(i，j)的灰度值，Q00,w表示第w张目标车辆图像的像素点(0，0)的灰度值、Q01,w均表示第w张目标车辆图像的像素点(0，1)的灰度值；i表示第w张目标车辆图像的像素点(i，j)的横坐标；j表示第w张目标车辆图像的像素点(i，j)的纵坐；S0w表示第w张目标车辆图像上的宽度；T0w表示第w张目标车辆图像上的高度；
当全部目标车辆图像质量分数计算完成后，对所述质量分数进行排列，质量分数最高的目标车辆图像即为清晰度最好的目标车辆图像。
本实施例中，最优图像是指清晰度最好同时拍摄角度最好的目标车辆图像。
本实施例中，第二标签是指最优图像中目标车辆的车辆类型标签。
本实施例中，重复图像是指同一辆车的最优图像；剩余最优图像是指剔除重复图像以后的全部最优图像。
本实施例中，数量统计是对剩余最优图像的数量进行统计，确保样本数量大于预设结果(例如，5000张)。
本实施例中，最终车辆图像是指最终用于目标检测模型训练的样本车辆图像。
本实施例中，当前缺失车辆是指剩余最优图像中的缺少的车量类型。
上述技术方案的有益效果：本发明对进行目标检测模型训练的车辆图像进行筛选，尽可能的筛选出图片质量最好的目标车辆的照片，车辆种类尽量与实际场景日常经过的车辆一致，保证车轮种类多样；同时，采集不同天气下的实时视频，保证样本车辆照片的数量，增强了后续训练模型的泛化性。
实施例8：
基于实施例5的基础上，步骤4.2：根据最终目标检测模型的最新检测结果与所述跟踪器的预测结果，将所述跟踪器与所述跟踪主体进行一对一匹配，具体步骤包括：
从所述跟踪器中选取一个跟踪器为待匹配跟踪器，获取所述待匹配跟踪器的预测结果为第一预测矩形框；
从所述最新检测结果中，获取与待匹配跟踪器标签相同的检测结果代表的跟踪主体，作为待匹配跟踪主体集；
对待匹配跟踪主体集中的每个检测结果，获取其检测结果为第一检测矩形框；
计算第一预测矩形框和第一检测矩形框的重合面积，计算所述重合面积与第一预测矩形框面积的比值，为重合面积比，若所述重合面积比大于预设重合面积比阈值，记为有效重合面积比；否则，记为无效重合面积比；
重复以上步骤，得到所有有效重合面积比，形成有效重合面积比结果集；
将所述有效重合面积比结果集按从大到小排序，按顺序取出有效重合面积比结果，将所述有效重合面积比结果对应的跟踪器及跟踪主体标记为成功匹配；若所述有效重合面积比对应的跟踪器或跟踪主体已被标记，则跳过；
若所述待匹配跟踪器在所述有效重合面积比结果集中没有匹配到对应的跟踪主体，则删除所述待匹配跟踪器；
判断所述有效重合面积比结果集中全部被跳过跟踪主体是否有其他被标记信息；
若所述被跳过跟踪主体没有其他被标记信息，判定所述跟踪主体没有匹配的跟踪器，根据所述被跳过跟踪主体的第一检测矩形框的坐标生成新的匹配跟踪器。
本实施例中，待匹配跟踪器是指全部跟踪器中没有与跟踪主体匹配的任意跟踪器。
本实施例中，待匹配跟踪主体集是指与待匹配跟踪器的预测结果标签相同的检测结果对应的全部跟踪主体构建的集合。
本实施例中，第一检测矩形框是指用来标记待匹配跟踪主体集中跟踪主体在与跟踪器预测时间对应时刻的实际位置的额矩形框。
本实施例中，重合面积比是指第一预测矩形框和第一检测矩形框的重合面积与面积的比值。
本实施例中，有效重合面积比是指重合面积比大于预设重合面积比阈值的重合面积比；无效重合面积比是指重合面积比小于等于预设重合面积比阈值的重合面积比。
本实施例中，有效重合面积比结果集是指有效面积比对应的跟踪主体组成的集合。
上述技术方案的有益效果：本发明通过最终目标检测模型的最新检测结果与所述跟踪器的预测结果，将跟踪器与跟踪主体进行一对一匹配，保证每一个跟踪主体都匹配到跟踪器，同时，根据重合面积比的大小对待匹配跟踪器进行匹配，确保跟踪主体与其匹配的跟踪器是最佳组合，提高后续车轴计数的准确性。删除多余跟踪器节省跟踪存储空间，为其他跟踪器提供充足的运行空间。
实施例9：
基于实施例1的基础上，所述的一种基于视频智能分析的车辆轴数计数方法，包括：所述摄像机拍摄范围内设置有减速提示牌、减速带。
上述技术方案的有益效果：本发明不需要复杂设备只采用普通摄像头即可完成，摄像机拍摄范围内设置有减速提示牌、减速带保证了车轮及车身在天黑、雨天、雪天等光线条件恶劣下不会在图像上产生拖影，影响跟踪和计数，确保了跟踪和计数的准确性，增强了本发明的的容错性。
实施例10：
本发明提供一种基于视频智能分析的车辆轴数计数系统，如图6所示，包括：
视频采集模块，用于在道路一侧放置摄像机，用于拍摄道路上来往车辆的实时视频；
模型建立模块，用于基于所述实时视频获取车辆图像，并对所述车辆图像进行标注，利用被标注图像，训练目标检测模型，得到最终目标检测模型；
识别模块，用于基于车牌识别算法，对被拍摄车辆的车牌信息进行识别；
计数模块，用于创建车头及车轮的跟踪器，并与跟踪主体一对一匹配，根据匹配结果对对应跟踪主体进行跟踪，并进行车轴计数。
上述实施例的有益效果：本发明通过利用深度学习检测车轴位置，结合目标跟踪技术，考虑视频监控在时序上的持续性，增强了车轴计数方面的容错性。另外，本发明不需特殊传感器及额外装置，只需普通监控用摄像头及普通计算硬件(如普通服务器、嵌入式计算硬件等)即可完成。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于视频智能分析的车辆轴数计数方法，其特征在于，包括：
步骤1：在道路一侧放置摄像机，用于拍摄道路上来往车辆的实时视频；
步骤2：基于所述实时视频获取车辆图像，并对所述车辆图像进行标注，利用被标注图像，训练目标检测模型，得到最终目标检测模型；
步骤3：基于车牌识别算法，对被拍摄车辆的车牌信息进行识别；
步骤4：创建车头及车轮的跟踪器，并与跟踪主体一对一匹配，根据匹配结果对对应跟踪主体进行跟踪，并进行车轴计数；
所述步骤2，具体步骤包括：
步骤2.1：根据所述实时视频的帧数信息，将所述实时视频转化成原始图像，根据所述原始图像获取车辆图像；
步骤2.2：利用标准矩形框对所述车辆图像中的车辆进行第一标注，获得被标注图像，其中，第一标注的标注内容为车头及车头位置信息、车轮及车轮位置信息；
步骤2.3：将所述被标注图像划分为训练集和测试集，利用所述训练集对目标检测模型进行训练得到最终目标检测模型；
其中，所述步骤2.1：根据所述实时视频的帧数信息，将所述实时视频转化成原始图像，根据所述原始图像获取车辆图像，具体步骤包括：
根据天气信息获取多个实时视频，基于拍摄路段限速信息，计算在摄像机拍摄范围内目标车辆的标准行驶时间，获取所述实时视频的目标车辆，根据所述标准行驶时间以及目标车辆对所述实时视频进行预分割，获得多个短视频；
基于所述短视频中目标车辆的运行轨迹判断所述目标车辆的对应短视频是否完整，若完整，判断所述短视频为目标短视频，并添加所述目标车辆对应车牌号作为第一标签；
否则，对所述短视频分割时间进行调整，获得所述目标车辆在所述拍摄范围内的完整短视频作为目标短视频，并添加所述目标车辆对应车牌号作为第一标签；
根据所述目标短视频的帧数信息，将所述目标短视频转化成原始图像，对所述原始图像上无关信息进行消除，获得多张目标车辆图像，并对全部目标车辆图像质量进行评估；
基于评估结果，剔除模糊图像，获取全部清晰图像，并根据摄像机拍摄角度以及天气因素筛选最优图像，同时，获取所述最优图像中车辆对应类型，并向所述最优图像添加第二标签；
获取全部最优图像的第一标签，进行第一检测，删除重复图像，同时，对剩余最优图像进行数量统计；
若所述数量统计结果大于等于预设结果，获取第二标签，并根据所述第二标签对所述剩余最优图像对应车辆类型进行分类，根据所述分类判断所述剩余最优图像是否与拍摄路段实际通行结果一致，若一致，所述剩余最优图像即为最终车辆图像；
若不一致，根据所述实际通行结果，获取当前缺失车辆信息，并继续拍摄实时视频直到获得当前缺失车辆图像；
若所述数量统计结果小于预设结果，基于摄像机继续拍摄实时视频，获取更多车辆图像。
2.根据权利要求1所述的一种基于视频智能分析的车辆轴数计数方法，其特征在于：
所述目标检测模型对检测需要的图像中的目标车轮的宽度和高度进行第一阈值限定，同时，对目标车轮的宽高比进行第二阈值限定；
基于第一阈值限定以及第二阈值限定，过滤无效车轮检测结果。
3.根据权利要求1所述的一种基于视频智能分析的车辆轴数计数方法，其特征在于，所述步骤3：基于车牌识别算法，对被拍摄车辆的车牌信息进行识别，具体步骤包括：
步骤3.1：基于大数据获取大量交通数据，对车辆车牌部分位置信息进行第二标注；
步骤3.2：根据所述第二标注进行抠图，同时，对所述抠图进行角点矫正消除畸变，获取车牌样本；
步骤3.3：根据所述车牌样本训练车牌识别模型，得到最终车牌识别模型，基于所述最终车牌识别模型对被拍摄车辆的车牌信息进行识别。
4.根据权利要求1所述的一种基于视频智能分析的车辆轴数计数方法，其特征在于，所述步骤4：创建车头及车轮的跟踪器，并与跟踪主体一对一匹配，根据匹配结果对对应跟踪主体进行跟踪并进行车轴计数，具体步骤包括：
步骤4.1：将车头及车轮作为跟踪主体，并针对给每个跟踪主体创建车头及车轮的跟踪器；
步骤4.2：根据最终目标检测模型的最新检测结果与所述跟踪器的预测结果，将所述跟踪器与所述跟踪主体进行一对一匹配；
步骤4.3：根据匹配结果对对应跟踪主体进行跟踪并进行车轴计数。
5.根据权利要求4所述的一种基于视频智能分析的车辆轴数计数方法，其特征在于，所述步骤4.3：根据匹配结果对对应跟踪主体进行跟踪并进行车轴计数，具体步骤包括：
利用车轮跟踪器对对应车轮的车轴数进行计数，并判断所述车轮跟踪器在预设时间内的已跟踪帧数累计结果是否超过阈值；
若所述已跟踪帧数累计结果超过阈值，判定所述车轮跟踪器为有效车轮跟踪器，此时，所述车轮跟踪器对应车辆的车轴计数结果加1；
若所述已跟踪帧数累计结果没有超过阈值，判定所述车轮跟踪器为无效车轮跟踪器；
同时，检测是否有新的车头跟踪器以及新车头对应的车轮跟踪器出现，若有，结束对应车辆的车轴计数；
否则，继续对所述对应车辆的车轴计数，在超出等待时长后结束对应车辆的车轴计数；
当车辆计数结束后，附带对应车辆的车牌信息，将所述车轴计数结果进行本地记录，并通过网络进行上报。
6.根据权利要求4所述的一种基于视频智能分析的车辆轴数计数方法，其特征在于，步骤4.2：根据最终目标检测模型的最新检测结果与所述跟踪器的预测结果，将所述跟踪器与所述跟踪主体进行一对一匹配，具体步骤包括：
从所述跟踪器中选取一个跟踪器为待匹配跟踪器，获取所述待匹配跟踪器的预测结果为第一预测矩形框；
从所述最新检测结果中，获取与待匹配跟踪器标签相同的检测结果代表的跟踪主体，作为待匹配跟踪主体集；
对待匹配跟踪主体集中的每个检测结果，获取其检测结果为第一检测矩形框；
计算第一预测矩形框和第一检测矩形框的重合面积，计算所述重合面积与第一预测矩形框面积的比值，为重合面积比，若所述重合面积比大于预设重合面积比阈值，记为有效重合面积比；否则，记为无效重合面积比；
重复以上步骤，得到所有有效重合面积比，形成有效重合面积比结果集；
将所述有效重合面积比结果集按从大到小排序，按顺序取出有效重合面积比结果，将所述有效重合面积比结果对应的跟踪器及跟踪主体标记为成功匹配；若所述有效重合面积比对应的跟踪器或跟踪主体已被标记，则跳过；
若所述待匹配跟踪器在所述有效重合面积比结果集中没有匹配到对应的跟踪主体，则删除所述待匹配跟踪器；
判断所述有效重合面积比结果集中全部被跳过跟踪主体是否有其他被标记信息；
若所述被跳过跟踪主体没有其他被标记信息，判定所述跟踪主体没有匹配的跟踪器，根据所述被跳过跟踪主体的第一检测矩形框的坐标生成新的匹配跟踪器。
7.根据权利要求1所述的一种基于视频智能分析的车辆轴数计数方法，其特征在于，包括：所述摄像机拍摄范围内设置有减速提示牌、减速带。
8.一种基于视频智能分析的车辆轴数计数系统，其特征在于，包括：
视频采集模块，用于在道路一侧放置摄像机，用于拍摄道路上来往车辆的实时视频；
模型建立模块，用于基于所述实时视频获取车辆图像，并对所述车辆图像进行标注，利用被标注图像，训练目标检测模型，得到最终目标检测模型；
识别模块，用于基于车牌识别算法，对被拍摄车辆的车牌信息进行识别；
计数模块，用于创建车头及车轮的跟踪器，并与跟踪主体一对一匹配，根据匹配结果对对应跟踪主体进行跟踪，并进行车轴计数；
所述模型建立模块，包括：
根据所述实时视频的帧数信息，将所述实时视频转化成原始图像，根据所述原始图像获取车辆图像；
利用标准矩形框对所述车辆图像中的车辆进行第一标注，获得被标注图像，其中，第一标注的标注内容为车头及车头位置信息、车轮及车轮位置信息；
将所述被标注图像划分为训练集和测试集，利用所述训练集对目标检测模型进行训练得到最终目标检测模型；
其中，根据所述实时视频的帧数信息，将所述实时视频转化成原始图像，根据所述原始图像获取车辆图像的方法，包括：
根据天气信息获取多个实时视频，基于拍摄路段限速信息，计算在摄像机拍摄范围内目标车辆的标准行驶时间，获取所述实时视频的目标车辆，根据所述标准行驶时间以及目标车辆对所述实时视频进行预分割，获得多个短视频；
基于所述短视频中目标车辆的运行轨迹判断所述目标车辆的对应短视频是否完整，若完整，判断所述短视频为目标短视频，并添加所述目标车辆对应车牌号作为第一标签；
否则，对所述短视频分割时间进行调整，获得所述目标车辆在所述拍摄范围内的完整短视频作为目标短视频，并添加所述目标车辆对应车牌号作为第一标签；
根据所述目标短视频的帧数信息，将所述目标短视频转化成原始图像，对所述原始图像上无关信息进行消除，获得多张目标车辆图像，并对全部目标车辆图像质量进行评估；
基于评估结果，剔除模糊图像，获取全部清晰图像，并根据摄像机拍摄角度以及天气因素筛选最优图像，同时，获取所述最优图像中车辆对应类型，并向所述最优图像添加第二标签；
获取全部最优图像的第一标签，进行第一检测，删除重复图像，同时，对剩余最优图像进行数量统计；
若所述数量统计结果大于等于预设结果，获取第二标签，并根据所述第二标签对所述剩余最优图像对应车辆类型进行分类，根据所述分类判断所述剩余最优图像是否与拍摄路段实际通行结果一致，若一致，所述剩余最优图像即为最终车辆图像；
若不一致，根据所述实际通行结果，获取当前缺失车辆信息，并继续拍摄实时视频直到获得当前缺失车辆图像；
若所述数量统计结果小于预设结果，基于摄像机继续拍摄实时视频，获取更多车辆图像。
CN202210494169.1A 2022-05-05 2022-05-05 一种基于视频智能分析的车辆轴数计数方法及系统 Active CN114937263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210494169.1A CN114937263B (zh) 2022-05-05 2022-05-05 一种基于视频智能分析的车辆轴数计数方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210494169.1A CN114937263B (zh) 2022-05-05 2022-05-05 一种基于视频智能分析的车辆轴数计数方法及系统

Publications (2)

Publication Number Publication Date
CN114937263A CN114937263A (zh) 2022-08-23
CN114937263B true CN114937263B (zh) 2023-02-10

Family

ID=82865591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210494169.1A Active CN114937263B (zh) 2022-05-05 2022-05-05 一种基于视频智能分析的车辆轴数计数方法及系统

Country Status (1)

Country Link
CN (1) CN114937263B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101376392A (zh) * 2007-08-30 2009-03-04 北京佳讯飞鸿电气股份有限公司 基于钢轨形变/应力参数的车辆计轴方法
CN112418144A (zh) * 2020-12-02 2021-02-26 云从科技集团股份有限公司 一种车轴计数方法、装置、机器可读介质及设备
CN113989794A (zh) * 2021-11-12 2022-01-28 珠海安联锐视科技股份有限公司 一种车牌检测和识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9812008B2 (en) * 2016-02-19 2017-11-07 GM Global Technology Operations LLC Vehicle detection and tracking based on wheels using radar and vision
US20210150843A1 (en) * 2019-11-20 2021-05-20 Scott D. Sherrod Systems and methods for monitoring a coin-operated device
CN111783638B (zh) * 2020-06-30 2023-09-01 山东鼎高信息技术有限公司 一种检测车辆轮轴数及车型识别的系统、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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101376392A (zh) * 2007-08-30 2009-03-04 北京佳讯飞鸿电气股份有限公司 基于钢轨形变/应力参数的车辆计轴方法
CN112418144A (zh) * 2020-12-02 2021-02-26 云从科技集团股份有限公司 一种车轴计数方法、装置、机器可读介质及设备
CN113989794A (zh) * 2021-11-12 2022-01-28 珠海安联锐视科技股份有限公司 一种车牌检测和识别方法

Also Published As

Publication number Publication date
CN114937263A (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN111145545B (zh) 基于深度学习的道路交通行为无人机监测系统及方法
CN111368687B (zh) 一种基于目标检测和语义分割的人行道车辆违停检测方法
CN109977812B (zh) 一种基于深度学习的车载视频目标检测方法
CN110619750B (zh) 面向违停车辆的智能航拍识别方法及系统
CN109670404B (zh) 一种基于混合模型的道路积水图像检测预警方法
Pamula Road traffic conditions classification based on multilevel filtering of image content using convolutional neural networks
CN114170580B (zh) 一种面向高速公路的异常事件检测方法
CN108549864A (zh) 面向车载热成像行人检测的感兴趣区域过滤方法和装置
CN103808723A (zh) 一种柴油车烟气黑度自动检测装置
CN104200657A (zh) 一种基于视频和传感器的交通流量参数采集方法
CN111965636A (zh) 一种基于毫米波雷达和视觉融合的夜间目标检测方法
CN105608431A (zh) 一种基于车辆数目与车流速度的高速公路拥堵检测方法
Pan et al. Traffic surveillance system for vehicle flow detection
CN113449632B (zh) 一种基于融合感知的视觉与雷达感知算法优化方法、系统及汽车
CN113450573A (zh) 基于无人机图像识别的交通监测方法和交通监测系统
CN113903008A (zh) 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法
CN107506753B (zh) 一种面向动态视频监控的多车辆跟踪方法
CN115657002A (zh) 基于交通毫米波雷达的车辆运动状态估计方法
CN112836683A (zh) 用于便携式摄像设备的车牌识别方法、装置、设备和介质
CN117953421A (zh) 一种城市道路场景的积水检测方法、电子设备及存储介质
CN109191492A (zh) 一种基于轮廓分析的智能视频黑烟车检测方法
CN114937263B (zh) 一种基于视频智能分析的车辆轴数计数方法及系统
CN110765900A (zh) 一种基于dssd的自动检测违章建筑方法及系统
CN111627224A (zh) 车辆速度异常检测方法、装置、设备及存储介质
CN112802348B (zh) 一种基于混合Gaussian模型的车流量计数方法

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