CN115131718B - 一种基于区域速度分布的路口违章停车检测系统 - Google Patents

一种基于区域速度分布的路口违章停车检测系统 Download PDF

Info

Publication number
CN115131718B
CN115131718B CN202211050984.5A CN202211050984A CN115131718B CN 115131718 B CN115131718 B CN 115131718B CN 202211050984 A CN202211050984 A CN 202211050984A CN 115131718 B CN115131718 B CN 115131718B
Authority
CN
China
Prior art keywords
sliding window
heat
vehicle
window image
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
CN202211050984.5A
Other languages
English (en)
Other versions
CN115131718A (zh
Inventor
陆威芳
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.)
Nantong Haosheng Automobile Technology Co ltd
Original Assignee
Nantong Haosheng Automobile 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 Nantong Haosheng Automobile Technology Co ltd filed Critical Nantong Haosheng Automobile Technology Co ltd
Priority to CN202211050984.5A priority Critical patent/CN115131718B/zh
Publication of CN115131718A publication Critical patent/CN115131718A/zh
Application granted granted Critical
Publication of CN115131718B publication Critical patent/CN115131718B/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
    • G06V20/41—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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

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

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于区域速度分布的路口违章停车检测系统，该系统包括：图像采集模块、第一参数计算模块、图像处理模块、第二参数计算模块、第三参数计算模块及违停判断模块，通过图像采集模块获取车辆的禁停区域及禁停区域的车辆分布热图和车辆速度热图，利用图像处理模块获取车辆分布热图和车辆速度热图对应的最佳滑窗图像，利用第一参数计算模块计算车辆分布热图的最佳滑窗图像的热度差熵值，根据第三参数计算模块计算禁停区域内每个最佳滑窗图像内车辆的违停概率，违停判断模块用于根据违停概率对车辆是否发生违停进行判断，本发明的系统避免了堵车情况下造成的违停车辆误判现象，从而提高了违停车辆的检测精度。

Description

一种基于区域速度分布的路口违章停车检测系统
技术领域
本发明涉及人工智能领域，具体涉及一种基于区域速度分布的路口违章停车检测系统。
背景技术
当今社会汽车使用量的急剧增加，对应的停车位的增长满足不了日常停车需求，尤其是繁华区域和路段，土地资源紧张，停车位少之又少，在此情况下，不少车主将汽车停在了道路的两侧，造成道路狭窄，影响车辆行驶，尤其高峰时段造成交通严重拥堵，甚至会引起车辆刮蹭和碰撞事故，由于执法人员有限，无法24小时稽查违章停车行为，路边违章停车给交通管理带来了很大的障碍。
为了满足交通执法需求，行业内出现了多种违章停车检测方法，现阶段的违章停车检测系统大多基于车辆在视频序列中位置信息是否发生变化来判定车辆是否存在违规停车的行为，然而车辆在堵车状态下或者受前方车辆违停的影响，造成车辆在较长一段时间内不会发生位置变化，就会很大程度上造成误判。
因此，需要提供一种基于区域速度分布的路沿违章停车检测系统，予以解决上述问题。
发明内容
本发明提供一种基于区域速度分布的路口违章停车检测系统，以解决现有的问题。
本发明的一种基于区域速度分布的路口违章停车检测系统采用如下技术方案：该系统包括：
图像采集模块，用于获取道路图像中车辆的禁停区域，根据车辆经过禁停区域的速度获取禁停区域的车辆速度热图，并获取车辆分布热图；
第一参数计算模块，用于根据不同滑窗尺寸的滑窗分别获取车辆速度热图内每个像素点对应的各个滑窗尺寸的滑窗图像，根据各个滑窗尺寸的滑窗图像与其邻域内的滑窗图像的像素点的热度值获取各个滑窗尺寸的滑窗图像对应的热度梯度值；
图像处理模块，用于根据各个滑窗尺寸的滑窗图像的热度熵值及对应滑窗尺寸的滑窗图像的热度梯度值计算每个滑窗尺寸的描述值，将最大描述值对应的滑窗尺寸记为最佳滑窗尺寸，根据最佳滑窗尺寸分别获取车辆分布热图和车辆速度热图对应的最佳滑窗图像；
第二参数计算模块，分别获取车辆分布热图中每个像素点的最佳滑窗图像与其他滑窗尺寸的滑窗图像在最佳滑窗图像的周围区域的热度差，根据所有热度差计算车辆分布热图的最佳滑窗图像的热度差熵值；
第三参数计算模块，用于根据车辆分布热图的每个像素点对应的最佳滑窗图像的热度差熵值、热度均值、最佳滑窗图像与预设尺寸的滑窗图像中超出最佳滑窗图像的外围区域的热度差值和车辆速度热图中该像素点的最佳滑窗图像的热度梯度值、该像素点的热度值计算禁停区域内每个像素点对应的最佳滑窗图像内车辆的违停概率；
违停判断模块，用于利用违停概率对车辆是否发生违停进行判断。
优选的，将所述禁停区域进行分区；获取一段时间内该禁停区域中车辆通过每个分区的速度，根据每个分区内相邻时刻之间特征点的位移量和相邻时刻的时间间隔，获得禁停区域内每个分区在所有时刻间的平均速度；根据禁停区域内每个分区在所有时刻间的平均速度获取禁停区域的车辆速度热图。
优选的，根据各个滑窗尺寸的滑窗图像与其邻域内的滑窗图像的像素点的热度值获取各个滑窗尺寸的滑窗图像对应的热度梯度值，包括：
获取各个滑窗尺寸的滑窗图像与其邻域内的滑窗图像的像素点的热度差值；
将每个滑窗尺寸的滑窗图像内所有热度差值的均值作为对应滑窗尺寸的滑窗图像的热度梯度值。
优选的，根据各个滑窗尺寸的滑窗图像的热度熵值及对应滑窗尺寸的滑窗图像的热度梯度值计算每个滑窗尺寸的描述值的表达式：
Figure DEST_PATH_IMAGE001
式中，
Figure 769837DEST_PATH_IMAGE002
表示第
Figure DEST_PATH_IMAGE003
个像素点处的第
Figure 377405DEST_PATH_IMAGE004
个滑窗尺寸的描述值；
Figure DEST_PATH_IMAGE005
表示第
Figure 990920DEST_PATH_IMAGE003
个像素点处的第
Figure 88058DEST_PATH_IMAGE004
个滑窗尺寸的滑窗图像对应的热度梯度值；
Figure 482130DEST_PATH_IMAGE006
表示第
Figure 909700DEST_PATH_IMAGE003
个像素点处的第
Figure 440039DEST_PATH_IMAGE004
个滑窗尺寸的滑窗图像的热度熵值；
Figure DEST_PATH_IMAGE007
表示第
Figure 708078DEST_PATH_IMAGE003
个像素点处的第
Figure 323867DEST_PATH_IMAGE004
个滑窗尺寸的滑窗图像中第
Figure 617445DEST_PATH_IMAGE008
个热度值出现的概率；
Figure DEST_PATH_IMAGE009
表示第
Figure 471132DEST_PATH_IMAGE003
个像素点处的第
Figure 378914DEST_PATH_IMAGE004
个滑窗尺寸的滑窗图像中热度值的种类数。
优选的，分别获取车辆分布热图中每个像素点的最佳滑窗图像与其他滑窗尺寸的滑窗图像在最佳滑窗图像的周围区域的热度差，包括：
基于最佳滑窗图像的滑窗尺寸设定其他滑窗图像的滑窗尺寸，且其他滑窗图像的滑窗尺寸大于最佳滑窗图像的滑窗尺寸；
将车辆分布热图中每个像素点对应的最佳滑窗图像与该像素点对应的每个其他滑窗尺寸的滑窗图像中的热度值进行作差得到对应的差值图像；
将该像素点对应的最佳滑窗图像的热度平均值与每个差值图像的热度平均值的差值作为最佳滑窗图像与每个其他滑窗尺寸的滑窗图像在最佳滑窗图像的周围区域的热度差。
优选的，根据所有热度差计算车辆分布热图的最佳滑窗图像的热度差熵值，包括：
将每个像素点对应的最佳滑窗图像与该像素点对应的每个其他滑窗尺寸的滑窗图像的热度差获取热度差集合；
获取每个热度差在热度差集合中出现的概率；
根据所有热度差在热度差集合中出现的概率获取车辆分布热图的最佳滑窗图像的热度差熵值。
优选的，计算禁停区域内每个像素点对应的最佳滑窗图像内车辆的违停概率的表达式：
Figure 747578DEST_PATH_IMAGE010
式中，
Figure DEST_PATH_IMAGE011
表示第
Figure 48110DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像处的车辆违停概率；
Figure 474412DEST_PATH_IMAGE012
表示车辆分布热图中第
Figure 303827DEST_PATH_IMAGE003
个像素点的最佳滑窗图像的平均热度值；
Figure DEST_PATH_IMAGE013
表示车辆分布热图中第
Figure 612318DEST_PATH_IMAGE003
个像素的最佳滑窗图像与预设尺寸的滑窗图像中超出最佳滑窗图像的外围区域的热度差值；
Figure 247699DEST_PATH_IMAGE014
表示第
Figure 341556DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像与该像素点对应的第
Figure DEST_PATH_IMAGE015
个滑窗尺寸的滑窗图像的热度差；
Figure 591141DEST_PATH_IMAGE016
表示第
Figure 668819DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像与该像素点对应的第
Figure 232524DEST_PATH_IMAGE015
个滑窗尺寸的滑窗图像的热度差在热度差集合中出现的概率；
Figure DEST_PATH_IMAGE017
表示车辆速度热图中第
Figure 446468DEST_PATH_IMAGE003
个像素点的最佳滑窗图像对应的热度梯度值；
Figure 617686DEST_PATH_IMAGE018
表示车辆分布热图中第
Figure 697506DEST_PATH_IMAGE003
个像素点的最佳滑窗图像中像素点
Figure 877952DEST_PATH_IMAGE003
的热度值；
Figure DEST_PATH_IMAGE019
表示防零系数。
优选的，利用违停概率对车辆是否发生违停进行判断，包括：
设定概率阈值；
当禁停区域内每个像素点对应的最佳滑窗图像内车辆的违停概率大于或者等于概率阈值时，则该最佳滑窗图像内的车辆为违停车辆；
当禁停区域内每个像素点对应的最佳滑窗图像内车辆的违停概率小于概率阈值时，则该最佳滑窗图像内的车辆为非违停车辆。
优选的，获取车辆分布热图，包括：
构建DNN神经网络；
将违停区域的每帧视频图像作为DNN神经网络的输入，车辆所在区域的遮罩图作为DNN神经网络的输出，并对DNN神经网络训练得到训练好的DNN神经网络；
利用训练好的DNN神经网络对违停区域的每帧视频图像进行检测；
将所有帧视频图像的遮罩图对应像素相加得到车辆分布热图。
本发明的有益效果是：本发明的一种基于区域速度分布的路口违章停车检测系统，通过对道路图像分割、边缘检测并结合交规信息获取车辆的禁停区域，然后基于禁停区域对应的车辆速度热图及车辆分布热图综合对禁停区域的车辆进行判断，即在满足车辆违停速度的条件下，利用车辆的分布热图判断禁停区域内的车辆是堵车情况下的停车，还是违停情况下的停车，从而能够准确检测出禁停区域的违停车辆，进而实现精准执法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明的一种基于区域速度分布的路口违章停车检测系统的实施例总体步骤的流程图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种基于区域速度分布的路口违章停车检测系统的实施例，本实施例的应用场景为禁停区域内，车辆可能处于堵车状态下或者受前方车辆违停的影响，造成车辆在较长一段时间内不会发生位置变化，影响违停车辆的判断的场景下，如图1所示，该检测系统包括：图像采集模块、第一参数计算模块、第二参数计算模块、图像处理模块、第三参数计算模块及违停判断模块。
图像采集模块选用摄像机，采用摄像机获取道路图像中车辆的禁停区域，根据车辆经过禁停区域的速度获取禁停区域的车辆速度热图，并获取车辆分布热图，其中，获取道路图像中车辆的禁停区域的过程，具体的，先采集道路的视频图像，将视频图像中的每帧道路图像利用图像分割算法分割出每帧道路图像中的道路区域，并利用交规信息获得车辆禁停区域。具体的采用如下方法：基于视频图像中的每帧道路图像道路分割算法分割出道路区域，根据边缘检测出道路中间隔离带或边界线，得到同向的道路区域，根据停车位检测等方法识别出道路区域内车辆可停区域，接着将该区域分割出来并排除，将其他区域标注为车辆的禁停区域。
具体的，图像采集模块用于根据车辆经过禁停区域的速度获取禁停区域的车辆速度热图时，需要先将图像采集模块获取的禁停区域进行分区，获取一段时间内该禁停区域中车辆通过每个分区的速度，根据每个分区内相邻时刻之间特征点的位移量和相邻时刻的时间间隔，获得禁停区域内每个分区在所有时刻间的平均速度；根据禁停区域内每个分区在所有时刻间的平均速度获取禁停区域的车辆速度热图，其中，为减少计算量，首先将禁停区域
Figure 680823DEST_PATH_IMAGE020
划分成
Figure DEST_PATH_IMAGE021
个小方格区域，每个小方格区域内只需计算一个速度值获取第
Figure 741052DEST_PATH_IMAGE003
个小方格区域的像素坐标集
Figure 590059DEST_PATH_IMAGE022
，提取15min的视频图像，采用光流法处理视频图像，获得包含运动信息的光流场，以c帧为间隔筛选出相应的视频帧序列
Figure DEST_PATH_IMAGE023
，利用第
Figure 511878DEST_PATH_IMAGE003
个小方格区域的像素坐标筛选出
Figure 480840DEST_PATH_IMAGE024
时刻该区域内特征点坐标
Figure DEST_PATH_IMAGE025
，利用光流场追踪到下一时刻对应特征点的坐标值(
Figure 462703DEST_PATH_IMAGE026
，计算相邻时刻内该特征点的位移量，位移量的计算公式为：
Figure DEST_PATH_IMAGE027
第
Figure 267848DEST_PATH_IMAGE003
个小方格区域在相邻时刻之间的速度计算方式为：
Figure 39364DEST_PATH_IMAGE028
式中，
Figure DEST_PATH_IMAGE029
为第
Figure 347985DEST_PATH_IMAGE003
个小方格区域在相邻时刻之间的速度；
Figure 297487DEST_PATH_IMAGE030
为第
Figure 793190DEST_PATH_IMAGE003
个小方格区域相邻时刻间特征点的位移量；
Figure DEST_PATH_IMAGE031
为相邻时刻的时间间隔，因此，禁停区域内第
Figure 645695DEST_PATH_IMAGE003
个小方格区域内
Figure 543244DEST_PATH_IMAGE032
个相邻时刻的平均速度
Figure DEST_PATH_IMAGE033
的计算方式为：
Figure 132488DEST_PATH_IMAGE034
式中，
Figure DEST_PATH_IMAGE035
为第
Figure 364755DEST_PATH_IMAGE003
个小方格在
Figure 25543DEST_PATH_IMAGE032
个相邻时刻的速度和；
Figure 43178DEST_PATH_IMAGE032
为第
Figure 600061DEST_PATH_IMAGE003
个小方格区域内所有的相邻时刻数，类比上述计算过程计算禁停区域内其他小方格区域的平均速度。
具体的，图像采集模块用于获取车辆分布热图时，构建DNN神经网络；loss函数为均方差损失函数，将违停区域的每帧视频图像作为DNN神经网络的输入，车辆所在区域的遮罩图作为DNN神经网络的输出，遮罩图中车辆区域的像素标注为1，非车辆区域的像素标注为0，并对DNN神经网络训练得到训练好的DNN神经网络；利用训练好的DNN神经网络对违停区域的每帧视频图像进行检测；将所有帧视频图像的遮罩图对应像素相加得到车辆分布热图。
第一参数计算模块，用于根据不同滑窗尺寸的滑窗分别获取车辆速度热图内每个像素点对应的各个滑窗尺寸的滑窗图像，根据各个滑窗尺寸的滑窗图像与其邻域内的滑窗图像的像素点的热度值获取各个滑窗尺寸的滑窗图像对应的热度梯度值。
具体的，由于车辆违停可能存在多辆车一起违停，由于不知道连续违停车辆的多少，因而利用不同尺寸的滑窗拟合违停、连续违停车辆的区域，通过不同尺寸的滑窗内的图像来分析违停情况，确定最佳的滑窗尺寸大小，根据最佳尺寸的滑窗来判断该滑窗对应像素处存在违停的概率，因此，先设定不同的滑窗尺寸，具体的，本实施例以车位的尺寸设置不同的滑窗尺寸，其中，车位的尺寸为
Figure 788466DEST_PATH_IMAGE036
时，则设定滑窗尺寸依次为：
Figure DEST_PATH_IMAGE037
、
Figure 721787DEST_PATH_IMAGE038
、
Figure DEST_PATH_IMAGE039
……
Figure 46458DEST_PATH_IMAGE040
，然后，利用各个滑窗尺寸的滑窗遍历速度分布热图的各个像素点，获取各像素点在不同滑窗尺寸下的对应的滑窗图像。
其中，根据各个滑窗尺寸的滑窗图像与其邻域内的滑窗图像的像素点的热度值获取各个滑窗尺寸的滑窗图像对应的热度梯度值的步骤：获取各个滑窗尺寸的滑窗图像与其邻域内的滑窗图像的像素点的热度差值；将每个滑窗尺寸的滑窗图像内所有热度差值的均值作为对应滑窗尺寸的滑窗图像的热度梯度值。
图像处理模块，用于根据各个滑窗尺寸的滑窗图像的热度熵值及对应滑窗尺寸的滑窗图像的热度梯度值计算每个滑窗尺寸的描述值，将最大描述值对应的滑窗尺寸记为最佳滑窗尺寸，根据最佳滑窗尺寸分别获取车辆分布热图和车辆速度热图对应的最佳滑窗图像。
具体的，本实施例根据各个滑窗尺寸的滑窗图像的热度熵值及对应滑窗尺寸的滑窗图像的热度梯度值计算每个滑窗尺寸的描述值，其中，计算每个滑窗尺寸的描述值的公式：
Figure DEST_PATH_IMAGE041
式中，
Figure 39822DEST_PATH_IMAGE002
表示第
Figure 997413DEST_PATH_IMAGE003
个像素点处的第
Figure 203267DEST_PATH_IMAGE004
个滑窗尺寸的描述值；
Figure 992231DEST_PATH_IMAGE005
表示第
Figure 140185DEST_PATH_IMAGE003
个像素点处的第
Figure 319493DEST_PATH_IMAGE004
个滑窗尺寸的滑窗图像对应的热度梯度值；
Figure 329038DEST_PATH_IMAGE006
表示第
Figure 238088DEST_PATH_IMAGE003
个像素点处的第
Figure 776517DEST_PATH_IMAGE004
个滑窗尺寸的滑窗图像的热度熵值；
Figure 223547DEST_PATH_IMAGE007
表示第
Figure 567941DEST_PATH_IMAGE003
个像素点处的第
Figure 534760DEST_PATH_IMAGE004
个滑窗尺寸的滑窗图像中第
Figure 244090DEST_PATH_IMAGE008
个热度值出现的概率；
Figure 929149DEST_PATH_IMAGE009
表示第
Figure 77234DEST_PATH_IMAGE003
个像素点处的第
Figure 882248DEST_PATH_IMAGE004
个滑窗尺寸的滑窗图像中热度值的种类数；
需要说明的，当某一个滑窗图像内均为违停车辆，且该滑窗图像的外部均为运动车辆时，则该滑窗图像内部的热度一致性较高，并且该滑窗图像与相邻滑窗图像的存在较大的热度变化，则确定该像素点对应的滑窗图像的尺寸为最佳尺寸，基于此，本实施例，利用各个滑窗尺寸的滑窗图像对应的热度梯度值作为判断该滑窗图像与相邻滑窗图像的热度变化，热度熵值越大说明该滑窗图像内出现热度值混乱程度越大，故通过各个滑窗尺寸的滑窗图像的对应的热度熵值作为滑窗图像内部的热度一致性的判断标准，综上，根据将热度梯度值与热度熵值的比值作为每个滑窗尺寸的描述值，将描述值作为描述各个滑窗尺寸的效果，描述值越大，则滑窗尺寸的越适合，故将最大描述值对应的滑窗尺寸作为最佳滑窗尺寸。
具体的，以最佳滑窗尺寸分别对车辆分布热图和车辆速度热图中的像素点进行遍历获取车辆分布热图和车辆速度热图对应的最佳滑窗图像。
第二参数计算模块，用于分别获取车辆分布热图中每个像素点的最佳滑窗图像与其他滑窗尺寸的滑窗图像在最佳滑窗图像的周围区域的热度差，根据所有热度差计算车辆分布热图的最佳滑窗图像的热度差熵值。
具体的，在堵车情况下，由于堵车区域在车辆分布热度图上为高热度分布，同时该堵车区域所在的路段上也可能存在大量车辆，因此，需分析该车辆分布热图的每个像素点对应的最佳滑窗图像的周围的车辆分布热度情况，即分别获取车辆分布热图中每个像素点的最佳滑窗图像与其他滑窗尺寸的滑窗图像在最佳滑窗图像的周围区域的热度差的步骤包括：基于最佳滑窗图像的滑窗尺寸设定其他滑窗图像的滑窗尺寸，且其他滑窗图像的滑窗尺寸大于最佳滑窗图像的滑窗尺寸，当最佳滑窗尺寸为一个车位的尺寸为
Figure 293637DEST_PATH_IMAGE036
时，则设定其他滑窗图像的滑窗尺寸可依次为
Figure 997151DEST_PATH_IMAGE042
、
Figure DEST_PATH_IMAGE043
、
Figure 89872DEST_PATH_IMAGE044
……
Figure DEST_PATH_IMAGE045
，然后将车辆分布热图中每个像素点对应的最佳滑窗图像与该像素点对应的每个其他滑窗尺寸的滑窗图像中的热度值进行作差得到对应的差值图像；将该像素点对应的最佳滑窗图像的热度平均值与每个差值图像的热度平均值的差值作为最佳滑窗图像与每个其他滑窗尺寸的滑窗图像在最佳滑窗图像的周围区域的热度差，其中，本实施例中，用
Figure 546130DEST_PATH_IMAGE014
表示第
Figure 597263DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像与该像素点对应的第
Figure 991335DEST_PATH_IMAGE015
个滑窗尺寸的滑窗图像的热度差。
其中，根据所有热度差计算车辆分布热图的最佳滑窗图像的热度差熵值的过程包括：将每个像素点对应的最佳滑窗图像与该像素点对应的每个其他滑窗尺寸的滑窗图像的热度差获取热度差集合；获取每个热度差在热度差集合中出现的概率；根据所有热度差在热度差集合中出现的概率获取车辆分布热图的最佳滑窗图像的热度差熵值，本实施例中，用
Figure 481222DEST_PATH_IMAGE016
表示第
Figure 277140DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像与该像素点对应的第
Figure 279600DEST_PATH_IMAGE015
个滑窗尺寸的滑窗图像的热度差在热度差集合中出现的概率，当基于最佳滑窗图像的滑窗尺寸设定的其他滑窗图像的滑窗尺寸为10个时，用
Figure 895389DEST_PATH_IMAGE046
表示该最佳滑窗图像的热度差熵值。
第三参数计算模块，用于根据车辆分布热图的每个像素点对应的最佳滑窗图像的热度差熵值、热度均值、最佳滑窗图像与预设尺寸的滑窗图像中超出最佳滑窗图像的外围区域的热度差值和车辆速度热图中该像素点的最佳滑窗图像的热度梯度值、该像素点的热度值计算禁停区域内每个像素点对应的最佳滑窗图像内车辆的违停概率。
具体的，计算禁停区域内每个像素点对应的最佳滑窗图像内车辆的违停概率的公式：
Figure 923388DEST_PATH_IMAGE010
式中，
Figure 573812DEST_PATH_IMAGE011
表示第
Figure 497906DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像处的车辆违停概率；
Figure 115838DEST_PATH_IMAGE012
表示车辆分布热图中第
Figure 885211DEST_PATH_IMAGE003
个像素点的最佳滑窗图像的平均热度值，平均热度值
Figure 390141DEST_PATH_IMAGE012
越大说明该最佳滑窗图像内一直停滞有车辆，因而，该区域存在违停的概率大；
Figure 281874DEST_PATH_IMAGE013
表示车辆分布热图中第
Figure 137834DEST_PATH_IMAGE003
个像素的最佳滑窗图像与预设尺寸的滑窗图像中超出最佳滑窗图像的外围区域的热度差值，其中，
Figure 960166DEST_PATH_IMAGE013
中的1表示1个预设尺寸的滑窗图像，当最佳滑窗图像的尺寸为一个车位的尺寸为
Figure 319603DEST_PATH_IMAGE036
时，则预设尺寸取
Figure DEST_PATH_IMAGE047
，热度差值
Figure 851078DEST_PATH_IMAGE013
越大说明第
Figure 663177DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像内存在车辆热度较高，周围存在车辆的热度较低，因而，该最佳滑窗图像违停的概率大；
Figure 554778DEST_PATH_IMAGE014
表示第
Figure 831039DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像与该像素点对应的第
Figure 267836DEST_PATH_IMAGE015
个滑窗尺寸的滑窗图像的热度差；
Figure 567231DEST_PATH_IMAGE016
表示第
Figure 278835DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像与该像素点对应的第
Figure 612864DEST_PATH_IMAGE015
个滑窗尺寸的滑窗图像的热度差在热度差集合中出现的概率；
Figure 469830DEST_PATH_IMAGE017
表示车辆速度热图中第
Figure 522100DEST_PATH_IMAGE003
个像素点的最佳滑窗图像对应的热度梯度值，热度梯度值
Figure 37395DEST_PATH_IMAGE017
越大，则第
Figure 225931DEST_PATH_IMAGE003
个像素点的最佳滑窗图像与周围滑窗图像的表征速度的热度差异越大，因而此处存在违停的概率越大；
Figure 4531DEST_PATH_IMAGE018
表示车辆分布热图中第
Figure 340834DEST_PATH_IMAGE003
个像素点的最佳滑窗图像中像素点
Figure 112350DEST_PATH_IMAGE003
的热度值，热度值
Figure 155393DEST_PATH_IMAGE018
越小说明第
Figure 901632DEST_PATH_IMAGE003
个像素点的最佳滑窗图像处的车辆的速度低，因而，该图像块区域内存在违停的概率较大；
Figure 662914DEST_PATH_IMAGE019
表示防零系数，本实施例取经验值1；
式中，用
Figure 988853DEST_PATH_IMAGE046
表示当基于最佳滑窗图像的滑窗尺寸设定的其他滑窗图像的滑窗尺寸为10个时的车辆分布热图中的第
Figure 401249DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像的热度差熵值，热度差熵值反映第
Figure 521652DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像的热度变化特征，热度差熵值越小，说明第
Figure 770231DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像的热度值与其周围不同滑窗尺寸的滑窗图像的变化小，即在第
Figure 86811DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像的外围车辆热度大，此时，可能存在堵车现象，因而，第
Figure 838867DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像存在违停的概率较小，反之，当第
Figure 192488DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像的热度差熵值越大，则说明该最佳滑窗图像处存在违停的概率越大；
需要说明的是，本实施例从车辆的速度，即根据车辆的速度热图来分析违停区域车辆的速度，只有在禁停区域的车辆速度为0的情况下，该禁停区域的车辆才可能是违停车辆，因此，在基于车辆速度为零的条件下，在根据车辆分布热图中每个像素点对应的最佳滑窗图像的热度差熵值、热度均值、最佳滑窗图像与预设尺寸的滑窗图像中超出最佳滑窗图像的外围区域的热度差值来将拥堵车辆和违停车辆区分开，然后在计算车辆的违停概率，故，计算车辆违停概率是一个条件概率，只有在车辆速度为0的情况下，才满足车辆违停的条件。
违停判断模块，用于利用违停概率对车辆是否发生违停进行判断，
Figure 928362DEST_PATH_IMAGE048
的：
设定概率阈值为0.85，当违停概率
Figure DEST_PATH_IMAGE049
，该禁停区域内的第
Figure 794774DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像内的车辆为违停车辆；当违停概率
Figure 385024DEST_PATH_IMAGE050
，该禁停区域内的第
Figure 847229DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像内的车辆为非违停车辆。
当车辆判定为违停车辆时，返回车辆在视频中的位置，并通过透视变换得到车辆的相对位置，进而利用可追踪相机拍摄该车辆的照片，上传至违规档案。
综上所述，本发明提供一种基于区域速度分布的路口违章停车检测系统，通过对道路图像分割、边缘检测并结合交规信息获取车辆的禁停区域，然后基于禁停区域对应的车辆速度热图及车辆分布热图综合对禁停区域的车辆进行判断，即在满足车辆违停速度的条件下，利用车辆的分布热图判断禁停区域内的车辆是堵车情况下的停车，还是违停情况下的停车，从而能够准确检测出禁停区域的违停车辆，进而实现精准执法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于区域速度分布的路口违章停车检测系统，其特征在于，该系统包括：
图像采集模块，用于获取道路图像中车辆的禁停区域，根据车辆经过禁停区域的速度获取禁停区域的车辆速度热图，并获取车辆分布热图；
第一参数计算模块，用于根据不同滑窗尺寸的滑窗分别获取车辆速度热图内每个像素点对应的各个滑窗尺寸的滑窗图像，根据各个滑窗尺寸的滑窗图像与其邻域内的滑窗图像的像素点的热度值获取各个滑窗尺寸的滑窗图像对应的热度梯度值；
图像处理模块，用于根据各个滑窗尺寸的滑窗图像的热度熵值及对应滑窗尺寸的滑窗图像的热度梯度值计算每个滑窗尺寸的描述值，将最大描述值对应的滑窗尺寸记为最佳滑窗尺寸，根据最佳滑窗尺寸分别获取车辆分布热图和车辆速度热图对应的最佳滑窗图像，滑窗尺寸的描述值的表达式：
Figure 239772DEST_PATH_IMAGE001
式中，
Figure 515026DEST_PATH_IMAGE002
表示第
Figure 331672DEST_PATH_IMAGE003
个像素点处的第
Figure 881734DEST_PATH_IMAGE004
个滑窗尺寸的描述值；
Figure 811644DEST_PATH_IMAGE005
表示第
Figure 105135DEST_PATH_IMAGE003
个像素点处的第
Figure 877919DEST_PATH_IMAGE004
个滑窗尺寸的滑窗图像对应的热度梯度值；
Figure 559567DEST_PATH_IMAGE006
表示第
Figure 16088DEST_PATH_IMAGE003
个像素点处的第
Figure 820096DEST_PATH_IMAGE004
个滑窗尺寸的滑窗图像的热度熵值；
Figure 611334DEST_PATH_IMAGE007
表示第
Figure 96673DEST_PATH_IMAGE003
个像素点处的第
Figure 673279DEST_PATH_IMAGE004
个滑窗尺寸的滑窗图像中第
Figure 241664DEST_PATH_IMAGE008
个热度值出现的概率；
Figure 661144DEST_PATH_IMAGE009
表示第
Figure 622278DEST_PATH_IMAGE003
个像素点处的第
Figure 568237DEST_PATH_IMAGE004
个滑窗尺寸的滑窗图像中热度值的种类数；
第二参数计算模块，分别获取车辆分布热图中每个像素点的最佳滑窗图像与其他滑窗尺寸的滑窗图像在最佳滑窗图像的周围区域的热度差，根据所有热度差计算车辆分布热图的最佳滑窗图像的热度差熵值；
第三参数计算模块，用于根据车辆分布热图的每个像素点对应的最佳滑窗图像的热度差熵值、热度均值、最佳滑窗图像与预设尺寸的滑窗图像中超出最佳滑窗图像的外围区域的热度差值和车辆速度热图中该像素点的最佳滑窗图像的热度梯度值、该像素点的热度值计算禁停区域内每个像素点对应的最佳滑窗图像内车辆的违停概率，车辆的违停概率的表达式：
Figure 714048DEST_PATH_IMAGE010
式中，
Figure 496190DEST_PATH_IMAGE011
表示第
Figure 244703DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像处的车辆违停概率；
Figure 920535DEST_PATH_IMAGE012
表示车辆分布热图中第
Figure 847034DEST_PATH_IMAGE003
个像素点的最佳滑窗图像的平均热度值；
Figure 100161DEST_PATH_IMAGE013
表示车辆分布热图中第
Figure 403097DEST_PATH_IMAGE003
个像素的最佳滑窗图像与预设尺寸的滑窗图像中超出最佳滑窗图像的外围区域的热度差值；
Figure 933436DEST_PATH_IMAGE014
表示第
Figure 545683DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像与该像素点对应的第
Figure 302417DEST_PATH_IMAGE015
个滑窗尺寸的滑窗图像的热度差；
Figure 268099DEST_PATH_IMAGE016
表示第
Figure 43157DEST_PATH_IMAGE003
个像素点对应的最佳滑窗图像与该像素点对应的第
Figure 577038DEST_PATH_IMAGE015
个滑窗尺寸的滑窗图像的热度差在热度差集合中出现的概率；
Figure 945702DEST_PATH_IMAGE017
表示车辆速度热图中第
Figure 105288DEST_PATH_IMAGE003
个像素点的最佳滑窗图像对应的热度梯度值；
Figure 344639DEST_PATH_IMAGE018
表示车辆分布热图中第
Figure 846159DEST_PATH_IMAGE003
个像素点的最佳滑窗图像中像素点
Figure 577486DEST_PATH_IMAGE003
的热度值；
Figure 9604DEST_PATH_IMAGE019
表示防零系数；
违停判断模块，用于利用违停概率对车辆是否发生违停进行判断。
2.根据权利要求1所述的一种基于区域速度分布的路口违章停车检测系统，其特征在于，将所述禁停区域进行分区；获取一段时间内该禁停区域中车辆通过每个分区的速度，根据每个分区内相邻时刻之间特征点的位移量和相邻时刻的时间间隔，获得禁停区域内每个分区在所有时刻间的平均速度；根据禁停区域内每个分区在所有时刻间的平均速度获取禁停区域的车辆速度热图。
3.根据权利要求1所述的一种基于区域速度分布的路口违章停车检测系统，其特征在于，根据各个滑窗尺寸的滑窗图像与其邻域内的滑窗图像的像素点的热度值获取各个滑窗尺寸的滑窗图像对应的热度梯度值，包括：
获取各个滑窗尺寸的滑窗图像与其邻域内的滑窗图像的像素点的热度差值；
将每个滑窗尺寸的滑窗图像内所有热度差值的均值作为对应滑窗尺寸的滑窗图像的热度梯度值。
4.根据权利要求1所述的一种基于区域速度分布的路口违章停车检测系统，其特征在于，分别获取车辆分布热图中每个像素点的最佳滑窗图像与其他滑窗尺寸的滑窗图像在最佳滑窗图像的周围区域的热度差，包括：
基于最佳滑窗图像的滑窗尺寸设定其他滑窗图像的滑窗尺寸，且其他滑窗图像的滑窗尺寸大于最佳滑窗图像的滑窗尺寸；
将车辆分布热图中每个像素点对应的最佳滑窗图像与该像素点对应的每个其他滑窗尺寸的滑窗图像中的热度值进行作差得到对应的差值图像；
将该像素点对应的最佳滑窗图像的热度平均值与每个差值图像的热度平均值的差值作为最佳滑窗图像与每个其他滑窗尺寸的滑窗图像在最佳滑窗图像的周围区域的热度差。
5.根据权利要求1所述的一种基于区域速度分布的路口违章停车检测系统，其特征在于，根据所有热度差计算车辆分布热图的最佳滑窗图像的热度差熵值，包括：
将每个像素点对应的最佳滑窗图像与该像素点对应的每个其他滑窗尺寸的滑窗图像的热度差获取热度差集合；
获取每个热度差在热度差集合中出现的概率；
根据所有热度差在热度差集合中出现的概率获取车辆分布热图的最佳滑窗图像的热度差熵值。
6.根据权利要求1所述的一种基于区域速度分布的路口违章停车检测系统，其特征在于，利用违停概率对车辆是否发生违停进行判断，包括：
设定概率阈值；
当禁停区域内每个像素点对应的最佳滑窗图像内车辆的违停概率大于或者等于概率阈值时，则该最佳滑窗图像内的车辆为违停车辆；
当禁停区域内每个像素点对应的最佳滑窗图像内车辆的违停概率小于概率阈值时，则该最佳滑窗图像内的车辆为非违停车辆。
7.根据权利要求1所述的一种基于区域速度分布的路口违章停车检测系统，其特征在于，获取车辆分布热图，包括：
构建DNN神经网络；
将违停区域的每帧视频图像作为DNN神经网络的输入，车辆所在区域的遮罩图作为DNN神经网络的输出，并对DNN神经网络训练得到训练好的DNN神经网络；
利用训练好的DNN神经网络对违停区域的每帧视频图像进行检测；
将所有帧视频图像的遮罩图对应像素相加得到车辆分布热图。
CN202211050984.5A 2022-08-30 2022-08-30 一种基于区域速度分布的路口违章停车检测系统 Active CN115131718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211050984.5A CN115131718B (zh) 2022-08-30 2022-08-30 一种基于区域速度分布的路口违章停车检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211050984.5A CN115131718B (zh) 2022-08-30 2022-08-30 一种基于区域速度分布的路口违章停车检测系统

Publications (2)

Publication Number Publication Date
CN115131718A CN115131718A (zh) 2022-09-30
CN115131718B true CN115131718B (zh) 2022-11-11

Family

ID=83387487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211050984.5A Active CN115131718B (zh) 2022-08-30 2022-08-30 一种基于区域速度分布的路口违章停车检测系统

Country Status (1)

Country Link
CN (1) CN115131718B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127143A (zh) * 2016-06-23 2016-11-16 昆明理工大学 一种高速公路违章停车检测方法
WO2017122535A1 (ja) * 2016-01-14 2017-07-20 日立オートモティブシステムズ株式会社 車両検出装置および配光制御装置
CN107766401A (zh) * 2017-05-26 2018-03-06 温州市勘察测绘研究院 基于大数据的人行道违停分析方法及系统
CN113506386A (zh) * 2021-06-30 2021-10-15 深圳市路卓科技有限公司 违章停车的监控方法、行车记录仪、程序及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017122535A1 (ja) * 2016-01-14 2017-07-20 日立オートモティブシステムズ株式会社 車両検出装置および配光制御装置
CN106127143A (zh) * 2016-06-23 2016-11-16 昆明理工大学 一种高速公路违章停车检测方法
CN107766401A (zh) * 2017-05-26 2018-03-06 温州市勘察测绘研究院 基于大数据的人行道违停分析方法及系统
CN113506386A (zh) * 2021-06-30 2021-10-15 深圳市路卓科技有限公司 违章停车的监控方法、行车记录仪、程序及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于视觉的无人机巡检违章违停系统设计与实现;梁定康等;《电子科技》;20180515(第05期);第80-81页 *

Also Published As

Publication number Publication date
CN115131718A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
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
CN107609491B (zh) 一种基于卷积神经网络的车辆违章停车检测方法
US11380104B2 (en) Method and device for detecting illegal parking, and electronic device
JP6180482B2 (ja) マルチキュー・オブジェクトの検出および分析のための方法、システム、製品、およびコンピュータ・プログラム（マルチキュー・オブジェクトの検出および分析）
JP4973008B2 (ja) 車両判別装置及びそのプログラム
CN104599502A (zh) 一种基于视频监控的车流量统计方法
CN111597905B (zh) 一种基于视频技术的公路隧道停车检测方法
CN105336169A (zh) 一种基于视频判断交通拥堵的方法和系统
CN105389561B (zh) 一种基于视频的公交车道检测方法
Chen et al. Traffic congestion classification for nighttime surveillance videos
CN114463684A (zh) 一种面向城市高速路网的堵点检测方法
Beymer et al. Tracking vehicles in congested traffic
CN204884166U (zh) 一种交通禁停区域违章停车监测装置
CN103927523B (zh) 一种基于纵向灰度特征的雾天等级检测方法
CN115131718B (zh) 一种基于区域速度分布的路口违章停车检测系统
Jammula et al. Evaluation of Operational Safety Assessment (OSA) Metrics for Automated Vehicles Using Real-World Data
CN115294774B (zh) 基于深度学习的非机动车道路违停检测方法及装置
CN116564083A (zh) 一种基于改进CrowdDet算法的高速公路交通拥堵检测的方法
Al Okaishi et al. Vehicular queue length measurement based on edge detection and vehicle feature extraction
CN202887450U (zh) 一种出租车防伪系统
CN116110230A (zh) 基于车载摄像头的车辆越车道线识别方法及系统
CN107993446A (zh) 一种交通禁停区域违章停车监测装置
UrRehman et al. Modeling, design and analysis of intelligent traffic control system based on integrated statistical image processing techniques
CN107358170B (zh) 一种基于移动机器视觉的车辆违章压线识别方法
CN110414386A (zh) 基于改进scnn网络的车道线检测方法

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