CN115588008A - 基于视觉的单车规范摆放的判定方法及其应用 - Google Patents
基于视觉的单车规范摆放的判定方法及其应用 Download PDFInfo
- Publication number
- CN115588008A CN115588008A CN202211506610.XA CN202211506610A CN115588008A CN 115588008 A CN115588008 A CN 115588008A CN 202211506610 A CN202211506610 A CN 202211506610A CN 115588008 A CN115588008 A CN 115588008A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicles
- saddle
- included angle
- key points
- 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
Links
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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
- G06T2207/30232—Surveillance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本申请提出了一种基于视觉的单车规范摆放的判定方法及其应用,包括以下步骤:获取监控图像并进行图像分析,检测监控图像中的车座和车座关键点;判断车辆中心是否位于指定区域内;若否,则告警;若是,则以车座的数量表示车辆的数量,判断车辆数量是否满足摆放规范判断逻辑;若是,则根据车座关键点分别计算每个车座的朝向并计算车辆之间的夹角;以车辆之间的夹角得出车辆摆放无序度指标,并判断车辆摆放无序度指标是否大于第一阈值;若是,则告警;若否,则根据车座关键点拟合得到中心线,以该中心线生成容忍边界并计算容忍边界外停放车辆的占比并对应告警。本申请对城市治理,提高市容市貌有着重要意义。
Description
技术领域
本申请涉及城市治理技术领域,特别是一种涉及基于视觉的单车规范摆放的判定方法及其应用。
背景技术
随着共享单车的日益普及,各个城市内随处可见停放的各种单车。尤其是在地铁站、公交站、小区门口等交通转运地域范围内,经常可以看到单车扎堆的情况。这种不文明的现象极大地影响了市容市貌,因此城市治理部门也提出了一系列规定来规范单车的摆放方式。
目前主要涉及的规范条目有:车辆是否停放在指定区域内、车头的朝向是否一致、以及车辆摆放深度是否符合要求。
现有技术中,车辆是否停放在指定区域的问题相对较易解决,在市面上也有较多的解决方案,只需检测到监控图像中车辆的位置并判断是否落入预先标定的停放区域内即可实现。但车头朝向和车辆摆放深度的问题却较难解决。由于车辆摆放时重叠度很高,要精确地检测到每一辆车全身,并判断姿态显得尤为困难,而这两个任务又需要对每辆车的信息进行分析。因此对于车头朝向和摆放深度的问题,目前提出的一些方法主要是依靠定制化的还车设备对还车时的姿态进行规约。但是这就涉及设备的维护调配等工作,城市中停车点位众多,无疑增加了巨大成本。而另外有一些车辆内嵌的传感器或是摄像头,车辆停放时对车头和停车框的白线角度进行判定,以得到车辆的停放信息,这种方式也存在着误报频繁的问题,并且无法对多辆车相互之间摆放的整齐度进行判定。
因此,亟待一种能够快速定位车辆未停放指定区域、车辆摆放方向不一致及车辆摆放深度不一致的违规情况的基于视觉的单车规范摆放的判定方法及其应用。
发明内容
本申请实施例提供了一种基于视觉的单车规范摆放的判定方法及其应用,针对目前技术存在的车辆重合度较高无法对每辆单车进行精确目标检测并进行姿态判定等问题。
本发明核心技术主要是围绕车辆是否停在指定区域、车辆摆放方向是否一致以及车辆摆放深度是否一致,三个常见的车辆规范停放的问题,提出对应的基于车座及车座关键点的检测方法。并提出整条完整的系统流程对三种违规情况进行逐步确定。达到了不依赖设备对城市单车摆放规范进行监控的目标。
第一方面,本申请提供了一种基于视觉的单车规范摆放的判定方法,所述方法包括以下步骤:
S00、获取监控图像并进行图像分析,检测监控图像中的车座和车座关键点;
S10、以车座的中心作为车辆中心,判断车辆中心是否位于指定区域内;
S20、若否,则标记该车辆为非法停放并告警;若是,则以车座的数量表示车辆的数量,对指定区域内的车辆数量进行统计并判断车辆数量是否满足摆放规范判断逻辑;
S30、若车辆数量满足摆放规范判断逻辑,则根据所有的车座关键点分别计算每个车座的朝向并计算车辆之间的夹角,以车座朝向表示车辆的朝向;
S40、以车辆之间的夹角得出车辆摆放无序度指标,并判断车辆摆放无序度指标是否大于第一阈值;
S50、若是,则发出车辆停放方向无序告警;若否,则根据所有的车座关键点拟合得到中心线,以该中心线生成容忍边界并计算容忍边界外停放车辆的占比;
S60、若容忍边界外停放车辆的占比大于第二阈值,则发出车辆停放深度不一致告警,并结束。
进一步地,步骤S00中,以不同姿态单车图像为样本,标记图像中的车座、车座顶部端点及车座的左右角点并输入深度学习模型进行训练,以使得监控图像能够输入深度学习模型得到车座和车座关键点。
进一步地,步骤S30中,取每个车座的左右角点的连接线的中心,并以该中心与车座顶部端点形成有向射线,该有向射线的朝向即为该车座对应车辆的摆放方向。
进一步地,步骤S30中,取其中一车辆作为基准车辆,计算其余车辆与该基准车辆的夹角值。
进一步地,步骤S40中,以其余车辆与基准车辆的夹角值得出车辆两两之间的夹角值,通过该夹角值大于设定角度值的情况占比,占比越高则表示无序程度越高。
进一步地,步骤S50中,中心线到每个车座关键点的距离之和最小。
进一步地,步骤S50中,每个车座的车座关键点均位于容忍边界内,则表示该车辆摆放合规。
第二方面,本申请提供了一种基于视觉的单车规范摆放的判定装置,包括:
深度学习分析模块,用于获取监控图像并进行图像分析,检测监控图像中的车座和车座关键点;
判断模块,用于以车座的中心作为车辆中心,判断车辆中心是否位于指定区域内;用于判断位于指定区域内的车辆数量是否满足摆放规范判断逻辑;用于判断车辆摆放无序度指标是否大于第一阈值;用于判断容忍边界外停放车辆的占比是否大于第二阈值;
停车区域计算模块,用于当车辆中心位于指定区域内时,以车座的数量表示车辆的数量,对指定区域内的车辆数量进行统计;
夹角计算模块,用于当车辆数量满足摆放规范判断逻辑时,根据所有的车座关键点分别计算每个车座的朝向并计算车辆之间的夹角,以车座朝向表示车辆的朝向;
无序度计算模块,用于以车辆之间的夹角得出车辆摆放无序度指标;
容忍边界计算模块,用于当车辆摆放无序度指标小于第一阈值时,根据所有的车座关键点拟合得到中心线,以该中心线生成容忍边界并计算容忍边界外停放车辆的占比;
告警模块,用于当车辆中心位于指定区域外时标记该车辆为非法停放并告警;用于当车辆摆放无序度指标大于第一阈值时,发出车辆停放方向无序告警;用于当容忍边界外停放车辆的占比大于第二阈值时,发出车辆停放深度不一致告警。
第三方面,本申请提供了一种电子装置,包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行上述的基于视觉的单车规范摆放的判定方法。
第四方面,本申请提供了一种可读存储介质,可读存储介质中存储有计算机程序,计算机程序包括用于控制过程以执行过程的程序代码,过程包括根据上述的基于视觉的单车规范摆放的判定方法。
本发明的主要贡献和创新点如下:1、与现有技术相比,本申请针对视频内单车摆放重叠度高、遮挡率高,不宜检测及形态判定的问题。提出使用车座检测及车座关键点检测的方式对车辆形态进行分析。围绕车辆是否停在指定区域、车辆摆放方向是否一致以及车辆摆放深度是否一致,三个常见的车辆规范停放的问题,提出对应的基于车座及车座关键点的检测方法。并提出整条完整的系统流程对三种违规情况进行逐步确定。达到了不依赖设备对城市单车摆放规范进行监控的目标,能够快速定位车辆未停放指定区域、车辆摆放方向不一致、车辆摆放深度不一致的违规情况。对城市治理,提高市容市貌有着重要意义;
2、与现有技术相比,本申请能够产生多次告警,而且每次告警都是逐步生成,并针对车辆摆放的不同情况的,可帮助治理人员快速有效地进行治理。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的基于视觉的单车规范摆放的判定方法的流程图;
图2是本申请实施例的车座及关键点网络图;
图3是本申请实施例的车座及关键点标注示例;
图4是本申请实施例的车辆是否位于指定区域的示意图;
图5是本申请实施例的车座朝向示意图;
图6是本申请实施例的车座夹角朝向定义图;
图7是本申请实施例的车辆摆放深度判定示意图;
图8是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细的对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
针对视频内单车摆放重叠度高、遮挡率高,不宜检测及形态判定的问题。
基于此,本发明基于车座图像识别来解决现有技术存在的问题。
实施例一
本申请旨在提出基于视觉的单车规范摆放的判定方法,通过使用车座检测及车座关键点检测的方式予以替代。并提出了使用车座关键点对车辆朝向和摆放深度进行评估的方法。
具体地,本申请实施例提供了一种基于视觉的单车规范摆放的判定方法,具体地,参考图1,所述方法包括:
S00、获取监控图像并进行图像分析,检测监控图像中的车座和车座关键点;
此步骤中,以不同姿态单车图像为样本,标记图像中的车座、车座顶部端点及车座的左右角点并输入深度学习模型进行训练,以使得监控图像能够输入深度学习模型得到车座和车座关键点(通俗的讲就是车座是左上角点和右下角点的位置信息,车座关键点是三个单独的点坐标,因为车座大致可以看作是一个三角形);
如在本实施例中,由于在监控场景下,车座本身由于检测面积小,占据全车的比例小的原因,即使在车辆密集的场景下也不会出现大面积遮挡的情况。为车座的检测及后续的车座关键点检测提供了很好的条件。在车座位置检测这一任务中,本申请选择CSPDarknet53作为骨干网络,并将检测出来的车座位置信息一起送入后续网络以获取精确的车座关键点位置信息。网络结构如图2所示。
优选地,在数据标注过程中,本申请采集了数千张带有不同姿态单车图像,并对图像中的车座、车座顶部端点及车座的左右角点进行标记(标记效果如图3所示,车座外为目标框),并将标记后的信息送入模型中进行训练,得到对应的车座及关键点检测网络。
S10、以车座的中心作为车辆中心,判断车辆中心是否位于指定区域内(指定区域是相对于车座设定的区域,因为车座和车辆整体的比例是一定的,因此只要根据车座设定区域,一旦车座位于设定的区域外,就能够表示车辆肯定是在指定的停车区域外的);
在本实施例中,根据车辆位置信息和预设的摆放区域位置,能够判定监控范围内是否存在车辆未放入指定区域内的情况。如图4所示,监控范围内的5、6号车没有按照规定放在指定区域内。
S20、若否,则标记该车辆为非法停放并告警;若是,则以车座的数量表示车辆的数量,对指定区域内的车辆数量进行统计并判断车辆数量是否满足摆放规范判断逻辑;
在本实施例中,只有指定区域内的车辆数量达到一定数量才有必要进行摆放规范判断,如只有一辆或两辆车辆就根本没必要执行后续的步骤,可以节省计算资源。
S30、若车辆数量满足摆放规范判断逻辑,则根据所有的车座关键点分别计算每个车座的朝向并计算车辆之间的夹角,以车座朝向表示车辆的朝向;
在此步骤中,如在本实施例中,如图5所示,取每个车座的左右角点的连接线的中心,并以该中心与车座顶部端点形成有向射线,该有向射线的朝向即为该车座对应车辆的摆放方向。可见1-3号车的摆放方向只有1号和2号是一致的。
优选地,取其中一车辆作为基准车辆,计算其余车辆与该基准车辆的夹角值,如以车座中心位置的坐标值在最左侧的车辆朝向为基准,以顺时针方向为正角度,逆时针方向为逆角度(如图6所示),计算其他车辆与基准车辆的夹角值。
S40、以车辆之间的夹角得出车辆摆放无序度指标,并判断车辆摆放无序度指标是否大于第一阈值;
在步骤中,以其余车辆与基准车辆的夹角值得出车辆两两之间的夹角值,通过该夹角值大于设定角度值的情况占比,占比越高则表示无序程度越高。如以此可以定义车辆的摆放朝向无序度指标K:
其中,N代表场景中全部车辆的总数,而cij代表第i辆车和第j辆车所构成的夹角值。本申请最后得出所有车辆两两之间夹角超过30°的情况占比,以此作为车辆摆放的无序度指标,指标越大,表示车辆之间摆放超过30°的情况越多,摆放无序程度就越高。
S50、若是,则发出车辆停放方向无序告警;若否,则根据所有的车座关键点拟合得到中心线,以该中心线生成容忍边界并计算容忍边界外停放车辆的占比;
在此步骤中,如图7所示,基于车座关键点的检测结果,能够得到图像中所有车座关键点的分布情况,并拟合出一条拟合中心线,使得直线到每个关键点的距离之和达到最小。
优选地,在此基础上本申请定义容忍边界宽度为D,D的具体数值需要根据具体摄像头与拍摄场景的距离进行确定。如果一辆车的三个关键点都落在容忍边界范围内,则认为该车摆放合规,如图7中的1、2、4号车辆。而关键点落在容忍边界外的车辆则被认为是不合规车辆,如图7中的3号车辆。最终能够计算得到违规摆放车辆占图像中总车辆数的比例。
S60、若容忍边界外停放车辆的占比大于第二阈值,则发出车辆停放深度不一致告警,并结束;若容忍边界外停放车辆的占比小于第二阈值,则结束。
最终可以得到一套完整的车辆摆放判定系统流程,如图1所示(描述与具体实施方式有些许不同,具体以具体实施方式的内容为准),可见本申请主要分为三个主要步骤,依次是车辆摆放区域的判定——车辆摆放方向一致性判定——车辆摆放深度判定,可分别进行三次告警。
实施例二
基于相同的构思,本申请还提出了一种基于视觉的单车规范摆放的判定装置,包括:
深度学习分析模块,用于获取监控图像并进行图像分析,检测监控图像中的车座和车座关键点;
判断模块,用于以车座的中心作为车辆中心,判断车辆中心是否位于预先标定的停车区域内;用于判断位于预先标定的停车区域内的车辆数量是否满足摆放规范判断逻辑;用于判断车辆摆放无序度指标是否大于第一阈值;用于判断容忍边界外停放车辆的占比是否大于第二阈值;
停车区域计算模块,用于当车辆中心位于预先标定的停车区域内时,以车座的数量表示车辆的数量,对预先标定的停车区域内的车辆数量进行统计;
夹角计算模块,用于当车辆数量满足摆放规范判断逻辑时,根据所有的车座关键点分别计算每个车座的朝向并计算车辆之间的夹角,以车座朝向表示车辆的朝向;
无序度计算模块,用于以车辆之间的夹角得出车辆摆放无序度指标;
容忍边界计算模块,用于当车辆摆放无序度指标小于第一阈值时,根据所有的车座关键点拟合得到中心线,以该中心线生成容忍边界并计算容忍边界外停放车辆的占比;
告警模块,用于当车辆中心位于预先标定的停车区域外时标记该车辆为非法停放并告警;用于当车辆摆放无序度指标大于第一阈值时,发出车辆停放方向无序告警;用于当容忍边界外停放车辆的占比大于第二阈值时,发出车辆停放深度不一致告警。
实施例三
本实施例还提供了一种电子装置,参考图8,包括存储器404和处理器402,该存储器404中存储有计算机程序,该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
具体地,上述处理器402可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecificIntegratedCircuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制,存储器404可包括硬盘驱动器(HardDiskDrive,简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器404可在数据处理装置的内部或外部。在特定实施例中,存储器404是非易失性(Non-Volatile)存储器。在特定实施例中,存储器404包括只读存储器(Read-OnlyMemory,简称为ROM)和随机存取存储器(RandomAccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemory,简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory,简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-OnlyMemory,简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(StaticRandom-AccessMemory,简称为SRAM)或动态随机存取存储器(DynamicRandomAccessMemory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器404(FastPageModeDynamicRandomAccessMemory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMemory,简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRandom-AccessMemory,简称SDRAM)等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令,以实现上述实施例中的任意一种基于视觉的单车规范摆放的判定方法。
可选地,上述电子装置还可以包括传输设备406以及输入输出设备408,其中,该传输设备406和上述处理器402连接,该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中,传输设备包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备406可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中,输入的信息可以是监控图像等,输出的信息可以是告警信息等。
实施例四
本实施例还提供了一种可读存储介质,可读存储介质中存储有计算机程序,计算机程序包括用于控制过程以执行过程的程序代码,过程包括根据实施例一的基于视觉的单车规范摆放的判定方法。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
通常,各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现,而其他方面可以由控制器、微处理器或其他计算设备执行的固件或软件来实现,但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示,但是应当理解,作为非限制性示例,本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现,该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行,或者由硬件来实现,或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中,并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外,在这一点上,应当注意,如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于视觉的单车规范摆放的判定方法,其特征在于,包括以下步骤:
S00、获取监控图像并进行图像分析,检测所述监控图像中的车座和车座关键点;
S10、以所述车座的中心作为车辆中心,判断所述车辆中心是否位于指定区域内;
S20、若否,则标记该车辆为非法停放并告警;若是,则以车座的数量表示车辆的数量,对指定区域内的车辆数量进行统计并判断车辆数量是否满足摆放规范判断逻辑;
S30、若车辆数量满足摆放规范判断逻辑,则根据所有的所述车座关键点分别计算每个所述车座的朝向并计算所述车辆之间的夹角,以所述车座朝向表示所述车辆的朝向;
S40、以所述车辆之间的夹角得出车辆摆放无序度指标,并判断所述车辆摆放无序度指标是否大于第一阈值;
S50、若是,则发出车辆停放方向无序告警;若否,则根据所有的所述车座关键点拟合得到中心线,以该中心线生成容忍边界并计算所述容忍边界外停放车辆的占比;
S60、若所述容忍边界外停放车辆的占比大于第二阈值,则发出车辆停放深度不一致告警,并结束。
2.如权利要求1所述的一种基于视觉的单车规范摆放的判定方法,其特征在于,步骤S00中,以不同姿态单车图像为样本,标记图像中的车座、车座顶部端点及车座的左右角点并输入深度学习模型进行训练,以使得所述监控图像能够输入所述深度学习模型得到车座和车座关键点。
3.如权利要求2所述的一种基于视觉的单车规范摆放的判定方法,其特征在于,步骤S30中,取每个所述车座的左右角点的连接线的中心,并以该中心与所述车座顶部端点形成有向射线,该有向射线的朝向即为该车座对应车辆的摆放方向。
4.如权利要求1所述的一种基于视觉的单车规范摆放的判定方法,其特征在于,步骤S30中,取其中一车辆作为基准车辆,计算其余车辆与该基准车辆的夹角值。
5.如权利要求4所述的一种基于视觉的单车规范摆放的判定方法,其特征在于,步骤S40中,以其余车辆与所述基准车辆的夹角值得出车辆两两之间的夹角值,通过该夹角值大于设定角度值的情况占比,占比越高则表示无序程度越高。
6.如权利要求1所述的一种基于视觉的单车规范摆放的判定方法,其特征在于,步骤S50中,所述中心线到每个所述车座关键点的距离之和最小。
7.如权利要求1-6任意一项所述的一种基于视觉的单车规范摆放的判定方法,其特征在于,步骤S50中,每个所述车座的所述车座关键点均位于所述容忍边界内,则表示该车辆摆放合规。
8.一种基于视觉的单车规范摆放的判定装置,其特征在于,包括:
深度学习分析模块,用于获取监控图像并进行图像分析,检测监控图像中的车座和车座关键点;
判断模块,用于以车座的中心作为车辆中心,判断车辆中心是否位于指定区域内;用于判断位于指定区域内的车辆数量是否满足摆放规范判断逻辑;用于判断车辆摆放无序度指标是否大于第一阈值;用于判断容忍边界外停放车辆的占比是否大于第二阈值;
停车区域计算模块,用于当车辆中心位于指定区域内时,以车座的数量表示车辆的数量,对指定区域内的车辆数量进行统计;
夹角计算模块,用于当车辆数量满足摆放规范判断逻辑时,根据所有的车座关键点分别计算每个车座的朝向并计算车辆之间的夹角,以车座朝向表示车辆的朝向;
无序度计算模块,用于以车辆之间的夹角得出车辆摆放无序度指标;
容忍边界计算模块,用于当车辆摆放无序度指标小于第一阈值时,根据所有的车座关键点拟合得到中心线,以该中心线生成容忍边界并计算容忍边界外停放车辆的占比;
告警模块,用于当车辆中心位于指定区域外时标记该车辆为非法停放并告警;用于当车辆摆放无序度指标大于第一阈值时,发出车辆停放方向无序告警;用于当容忍边界外停放车辆的占比大于第二阈值时,发出车辆停放深度不一致告警。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至7任一项所述的基于视觉的单车规范摆放的判定方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序包括用于控制过程以执行过程的程序代码,所述过程包括根据权利要求1至7任一项所述的基于视觉的单车规范摆放的判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211506610.XA CN115588008B (zh) | 2022-11-29 | 2022-11-29 | 基于视觉的单车规范摆放的判定方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211506610.XA CN115588008B (zh) | 2022-11-29 | 2022-11-29 | 基于视觉的单车规范摆放的判定方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115588008A true CN115588008A (zh) | 2023-01-10 |
CN115588008B CN115588008B (zh) | 2023-02-17 |
Family
ID=84783206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211506610.XA Active CN115588008B (zh) | 2022-11-29 | 2022-11-29 | 基于视觉的单车规范摆放的判定方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115588008B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880616A (zh) * | 2023-03-08 | 2023-03-31 | 城云科技(中国)有限公司 | 大型工程车辆清洗过程规范判定方法、装置及其应用 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2871118A1 (fr) * | 2004-06-07 | 2005-12-09 | Faurecia Sieges Automobile | Systeme et procede de caracterisation de l'occupation d'un element de siege de vehicule, et element de siege pour un tel systeme |
CN111368639A (zh) * | 2020-02-10 | 2020-07-03 | 浙江大华技术股份有限公司 | 车辆越线判定方法、装置、计算机设备和存储介质 |
CN111915898A (zh) * | 2020-07-24 | 2020-11-10 | 杭州金通科技集团股份有限公司 | 一种停车监控ai电子驿站 |
US20210342606A1 (en) * | 2020-04-30 | 2021-11-04 | Boe Technology Group Co., Ltd. | Parking Detection Method, System, Processing Device and Storage Medium |
WO2022055989A1 (en) * | 2020-09-09 | 2022-03-17 | Sears Manufacturing Co. | Vehicle seat position adjustment system |
CN114863087A (zh) * | 2022-07-07 | 2022-08-05 | 锐创软件技术(启东)有限公司 | 一种基于人工智能的共享单车用户质量评估方法及装置 |
-
2022
- 2022-11-29 CN CN202211506610.XA patent/CN115588008B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2871118A1 (fr) * | 2004-06-07 | 2005-12-09 | Faurecia Sieges Automobile | Systeme et procede de caracterisation de l'occupation d'un element de siege de vehicule, et element de siege pour un tel systeme |
CN111368639A (zh) * | 2020-02-10 | 2020-07-03 | 浙江大华技术股份有限公司 | 车辆越线判定方法、装置、计算机设备和存储介质 |
US20210342606A1 (en) * | 2020-04-30 | 2021-11-04 | Boe Technology Group Co., Ltd. | Parking Detection Method, System, Processing Device and Storage Medium |
CN111915898A (zh) * | 2020-07-24 | 2020-11-10 | 杭州金通科技集团股份有限公司 | 一种停车监控ai电子驿站 |
WO2022055989A1 (en) * | 2020-09-09 | 2022-03-17 | Sears Manufacturing Co. | Vehicle seat position adjustment system |
CN114863087A (zh) * | 2022-07-07 | 2022-08-05 | 锐创软件技术(启东)有限公司 | 一种基于人工智能的共享单车用户质量评估方法及装置 |
Non-Patent Citations (1)
Title |
---|
严广宇等: "基于目标检测和语义分割共享单车类别与违停检测", 《计算机应用研究》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880616A (zh) * | 2023-03-08 | 2023-03-31 | 城云科技(中国)有限公司 | 大型工程车辆清洗过程规范判定方法、装置及其应用 |
CN115880616B (zh) * | 2023-03-08 | 2023-05-16 | 城云科技(中国)有限公司 | 大型工程车辆清洗过程规范判定方法、装置及其应用 |
Also Published As
Publication number | Publication date |
---|---|
CN115588008B (zh) | 2023-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085952B (zh) | 监控车辆数据方法、装置、计算机设备及存储介质 | |
CN110570652B (zh) | 车辆套牌检测提醒方法及相关产品 | |
CN113155173B (zh) | 感知性能评测方法、装置、电子装置和存储介质 | |
CN115588008B (zh) | 基于视觉的单车规范摆放的判定方法及其应用 | |
CN113947892B (zh) | 异常停车的监测方法、装置、服务器及可读存储介质 | |
CN111724599A (zh) | 安全驾驶行为评价数据的获取方法、装置、设备和介质 | |
CN113055823A (zh) | 一种基于路侧停车管理共享单车的方法及装置 | |
CN111554109B (zh) | 基于排队长度的信号配时方法及终端 | |
CN113888860A (zh) | 车辆异常行驶的检测方法、装置、服务器及可读存储介质 | |
CN110807493A (zh) | 一种车辆分类模型的优化方法及设备 | |
CN112183206B (zh) | 一种基于路侧单目摄像头的交通参与者定位方法和系统 | |
CN111753716B (zh) | 一种停车压线检测方法及服务器 | |
CN111369790B (zh) | 过车记录校正方法、装置、设备及存储介质 | |
CN109360137B (zh) | 一种车辆事故评估方法、计算机可读存储介质及服务器 | |
CN112329886A (zh) | 双车牌识别方法、模型训练方法、装置、设备及存储介质 | |
CN108242157A (zh) | 一种隧道车流量的监测方法及终端 | |
CN115834838A (zh) | 一种隧道内的监控方法、设备和介质 | |
CN112654999B (zh) | 标注信息的确定方法及装置 | |
KR102498435B1 (ko) | 자율주행 자동차의 센서 시스템 교정 장치 및 그 방법 | |
CN114078324B (zh) | 车辆加塞行为检测方法、装置、路侧设备和存储介质 | |
CN114463416A (zh) | 车辆变道检测方法、装置、电子设备和存储介质 | |
CN114445786A (zh) | 道路拥堵检测方法、装置、电子设备及存储介质 | |
CN114093155A (zh) | 交通事故责任溯源方法、装置、计算机设备和存储介质 | |
CN108154691B (zh) | 一种基于专用短程通信的交通调节系统及方法 | |
CN114999149B (zh) | 交通事故数据快速采集方法、装置、设备、系统及介质 |
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 |