CN115775459B - 一种基于智能图像处理的数据采集系统及方法 - Google Patents
一种基于智能图像处理的数据采集系统及方法 Download PDFInfo
- Publication number
- CN115775459B CN115775459B CN202310101867.5A CN202310101867A CN115775459B CN 115775459 B CN115775459 B CN 115775459B CN 202310101867 A CN202310101867 A CN 202310101867A CN 115775459 B CN115775459 B CN 115775459B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- deviation
- image
- vehicle monitoring
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于智能图像处理的数据采集系统及方法,涉及数据处理技术领域,方法包括:通过监控设备多方位采集获得车辆监控视频信息进行压缩处理,获得车辆监控视频压缩信息后对各编码单元进行i帧提取,获得车辆监控关键图像信息,再进行标准化预处理,获得车辆监控标准图像信息进行特征分析,获得车辆行驶特征信息后输入至偏离行为识别模型中进行匹配分析,获得偏离目标车辆行为信息,再进行车辆管控处理,并对车辆监控视频信息、车辆行驶特征信息和偏离目标车辆行为信息进行数据存储,解决现有技术对交通车辆信息的监控不足,使得对违规车辆的识别处理率低的技术问题,实现对交通车辆信息的合理化精准管控,提高对违规车辆的识别处理率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于智能图像处理的数据采集系统及方法。
背景技术
在交通行业中,数字图像处理技术的发展和应用历史悠久,随着计算机技术、视频技术的快速发展,图像处理技术也日渐完善,被广泛应用于交通管理中,包括车辆追踪、监控等,交通对于促进城市建设发展至关重要,现如今,很多智能化技术被应用于交通管理中,其中视频图像处理能够为智能交通提供丰富功能。
因此,对视频图像处理技术在智能交通中的应用方式进行详细探究迫在眉睫,而现有技术中存在对交通车辆信息的监控不足,使得最终对违规车辆的识别处理率低的问题。
发明内容
本申请提供了一种基于智能图像处理的数据采集系统及方法,用于针对解决现有技术中存在的对交通车辆信息的监控不足,使得最终对违规车辆的识别处理率低的技术问题。
鉴于上述问题,本申请提供了一种基于智能图像处理的数据采集系统及方法。
第一方面,本申请提供了一种基于智能图像处理的数据采集系统,所述系统包括:信息获得模块,用于通过监控设备多方位采集获得车辆监控视频信息;压缩处理模块,用于对所述车辆监控视频信息进行压缩处理,获得车辆监控视频压缩信息;i帧提取模块,用于对所述车辆监控视频压缩信息中各编码单元进行i帧提取,获得车辆监控关键图像信息;标准化预处理模块,用于基于所述车辆监控关键图像信息进行标准化预处理,获得车辆监控标准图像信息;特征分析模块,用于对所述车辆监控标准图像信息进行特征分析,获得车辆行驶特征信息;匹配分析模块,用于将所述车辆行驶特征信息输入至偏离行为识别模型中进行匹配分析,获得偏离目标车辆行为信息;数据存储模块,用于基于所述偏离目标车辆行为信息进行车辆管控处理,并对所述车辆监控视频信息、所述车辆行驶特征信息和所述偏离目标车辆行为信息进行数据存储。
第二方面,本申请提供了一种基于智能图像处理的数据采集方法,所述方法包括:通过监控设备多方位采集获得车辆监控视频信息;对所述车辆监控视频信息进行压缩处理,获得车辆监控视频压缩信息;对所述车辆监控视频压缩信息中各编码单元进行i帧提取,获得车辆监控关键图像信息;基于所述车辆监控关键图像信息进行标准化预处理,获得车辆监控标准图像信息;对所述车辆监控标准图像信息进行特征分析,获得车辆行驶特征信息;将所述车辆行驶特征信息输入至偏离行为识别模型中进行匹配分析,获得偏离目标车辆行为信息;基于所述偏离目标车辆行为信息进行车辆管控处理,并对所述车辆监控视频信息、所述车辆行驶特征信息和所述偏离目标车辆行为信息进行数据存储。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的一种基于智能图像处理的数据采集系统,涉及数据处理技术领域,解决了现有技术中对交通车辆信息的监控不足,使得最终对违规车辆的识别处理率低的技术问题,实现了对交通车辆信息的合理化精准管控,进而提高对违规车辆的识别处理率。
附图说明
图1为本申请提供了一种基于智能图像处理的数据采集方法流程示意图;
图2为本申请提供了一种基于智能图像处理的数据采集方法中车辆监控标准图像信息获取流程示意图;
图3为本申请提供了一种基于智能图像处理的数据采集方法中车辆行驶特征信息获取流程示意图;
图4为本申请提供了一种基于智能图像处理的数据采集方法中偏离行为识别模型获取流程示意图;
图5为本申请提供了一种基于智能图像处理的数据采集方法中车辆管控处理流程示意图;
图6为本申请提供了一种基于智能图像处理的数据采集系统结构示意图。
附图标记说明:信息获得模块1,压缩处理模块2,i帧提取模块3,标准化预处理模块4,特征分析模块5,匹配分析模块6,数据存储模块7。
具体实施方式
本申请通过提供一种基于智能图像处理的数据采集方法,用于解决现有技术中对交通车辆信息的监控不足,使得最终对违规车辆的识别处理率低的技术问题。
实施例一:
如图1所示,本申请实施例提供了一种基于智能图像处理的数据采集方法,该方法应用于一种基于智能图像处理的数据采集系统,该方法包括:
步骤S100:通过监控设备多方位采集获得车辆监控视频信息;
具体而言,本申请实施例提供的一种基于智能图像处理的数据采集方法应用于一种基于智能图像处理的数据采集系统,该一种基于智能图像处理的数据采集系统与监控设备通信连接,该监控用于进行有关交通车辆参数的采集,其监控设备可以是道路监控摄像机、交通违章监控摄像机、速度监控摄像机等,对道路交通上的车辆进行多方位的信息采集,其所采集到的信息是指车辆监控视频信息,即监测道路上车辆的车辆逆行、车辆变道压线、车辆违章停车、车辆闯红灯、车辆无引导驾驶、机动车占用非机动车道等车辆信息,将车辆监控进行汇总与整合,从而获得与之对应的车辆监控视频信息,为后期实现进行违规车辆识别处理作为重要参考依据。
步骤S200:对所述车辆监控视频信息进行压缩处理,获得车辆监控视频压缩信息;
具体而言,由于所获车辆监控视频信息数据量过于庞大,十分占用计算机内存,从而导致系统卡顿等问题,因此需要通过特定的压缩技术,比如调节视频的参数等,对所获车辆监控视频信息进行视频信息的压缩处理,从而达到缩减视频大小节省计算机存储空间的目的,同时在此基础上获得与车辆监控视频信息所对应的车辆监控视频压缩信息,进而为实现进行违规车辆识别处理做保障。
步骤S300:对所述车辆监控视频压缩信息中各编码单元进行i帧提取,获得车辆监控关键图像信息;
具体而言,将车辆监控视频压缩信息根据时序对其中的编码单元进行拆解,从而将所拆解出的车辆监控视频压缩信息中各个编码单元进行i帧提取,即对车辆监控视频压缩信息中的连续帧图像进行编码单元基础帧的提取,其编码单元基础帧在一个编码单元中只存在一个,解决了车辆监控视频压缩信息的数据信息占比量大,从而提高了对车辆监控视频的处理效率,最终获得与i桢中关键帧所对应的车辆监控关键图像信息,为后续实现对违规车辆识别处理夯实基础。
步骤S400:基于所述车辆监控关键图像信息进行标准化预处理,获得车辆监控标准图像信息;
具体而言,以上述所获车辆监控关键图像信息为基础,对其进行标准化预处理,其中,该标准化预处理是在图像滤波算法的基础上对车辆监控关键图像信息进行去噪处理,同时将去噪后的图像信息中像素灰度值信息映射至图像灰度分布坐标系中后,对图像灰度分布坐标系中所映射出的图进行均衡化处理,再基于自适应阈值法对其进行二值化处理,在此基础上对车辆监控标准图像信息进行获得,实现对违规车辆识别处理有着推进的作用。
步骤S500:对所述车辆监控标准图像信息进行特征分析,获得车辆行驶特征信息;
具体而言,将车辆监控标准图像进行特征提取,并将所提取出的车辆监控标准图像特征进行对应分析,其特征分析是指按照车辆行驶规则所预设的预设行驶卷积核,对基于车辆监控标准图像信息进行图像分割处理的结果进行遍历卷积计算,从而对应获得该卷积计算的结果,进一步的将卷积计算出的结果进行车辆行驶特征的整合,进而对该车辆行驶特征信息进行对应获得,并对后期实现进行违规车辆识别处理有着深远的影响。
步骤S600:将所述车辆行驶特征信息输入至偏离行为识别模型中进行匹配分析,获得偏离目标车辆行为信息;
具体而言,通过将上述所计算出的车辆行驶特征信息输入至所构建的偏离行为识别模型中后,对其进行匹配分析,其偏离识别模型的构建过程可以是:首先对车辆偏离行为特征数据库进行构建,再基于该车辆偏离行为特征数据库进行模型训练、验证,分别获得偏离行为类型识别模型以及偏离行为程度识别模型,其偏离行为类型识别模型是指对车辆中存在偏离行为的类型进行识别归类的模型,其偏离行为程度识别模型是指对车辆中存在偏离行为的程度进行识别归类的模型,进一步的将偏离行为类型识别模型和偏离行为程度识别模型进行合并连接,从而完成偏离行为识别模型的构建。
再对所输入的车辆行驶特征信息在偏离行为类型以及偏离行为程度进行匹配,最终将所匹配出符合的信息记作偏离目标车辆行为信息,根据偏离目标车辆行为信息更好的实现对违规车辆识别处理。
步骤S700:基于所述偏离目标车辆行为信息进行车辆管控处理,并对所述车辆监控视频信息、所述车辆行驶特征信息和所述偏离目标车辆行为信息进行数据存储。
具体而言,首先基于偏离目标车辆行为信息对目标车辆进行标记,将标记的目标车辆与车管所现有的数据库进行匹配,从而获得目标车辆对应的车辆用户信息,再由偏离目标车辆行为信息,对应生成车辆管控方案,并将其与目标车辆用户信息进行车辆管控处理。
进一步的,再由车辆监控视频信息、车辆行驶特征信息以及偏离目标车辆行为信息进行数据的存储,首先根据图像数据处理流程,获得数据处理过程中的流程节点,从而对车辆数据区块集合进行构建,再将车辆监控视频信息、车辆行驶特征信息和偏离目标车辆行为信息,按照车辆数据区块集合进行分布式存储与记录,从而实现对交通车辆信息的合理化精准管控,提高对违规车辆的识别处理率。
进一步而言,如图2所示,本申请步骤S400还包括:
步骤S410:基于图像滤波算法对所述车辆监控关键图像信息进行去噪处理,获得车辆监控滤噪图像信息;
步骤S420:将所述车辆监控滤噪图像信息的像素灰度值信息映射至图像灰度分布坐标系中,获得车辆监控图像灰度直方图;
步骤S430:对所述车辆监控图像灰度直方图进行均衡化处理,获得均值车辆监控图像信息;
步骤S440:基于自适应阈值法对所述均值车辆监控图像信息进行二值化处理,获得所述车辆监控标准图像信息。
具体而言,在图像滤波算法的基础上,对所获车辆监控关键图像信息进行去噪处理,其图像滤波算法既可以在实域进行,也可以在频域进行。图像滤波可以更改或者增强图像。通过滤波,可以强调一些特征或者去除图像中一些不需要的部分。滤波是一个邻域操作算子,利用给定像素周围的像素的值决定此像素的最终的输出值。
首先要扩展车辆监控关键图像信息的边界,以便对车辆监控关键图像信息的边界像素进行处理,可以使用不同的值扩充车辆监控关键图像信息的边界像素,然后再对图像的像素进行遍历,对每个像素进行滤波处理,其每次的滤波的过程,都是值返回一个值,来替换掉当前车辆监控关键图像信息窗口的中心的像素值,以此获得车辆监控滤噪图像信息,进一步的对车辆监控滤噪图像信息像素中的像素灰度值信息映射至图像灰度分布坐标系中,其图像灰度分布坐标系可以是以灰度值为横坐标,以分布数作为纵坐标建立所对应的灰度值分布坐标,从而根据车辆监控滤噪图像信息在坐标系中灰度分布情况,其分布情况反映了图像的统计特性,对应获得车辆监控图像灰度直方图,其车辆监控图像灰度直方图是灰度级的函数,其表示车辆监控滤噪图像信息中具有对应的灰度级像素的个数,从而反映出图像中每种灰度所出现的频率,再对车辆监控图像灰度直方图进行均衡化处理,其均衡化处理是指对图像进行非线性拉伸,重新分配图像像素值,使一定灰度范围内的像素数量大致相同,因此均衡化的操作就是对于每一个原图像的灰度值,确立一个映射函数,使其对应一个新的灰度值,而新图像的所有新灰度值应该均匀分布,从而获得均值车辆监控图像信息
进一步的,在自适应阈值法的基础上对所获均值车辆监控图像信息进行二值化处理,其自适应阈值法是利用图像局部阈值替换全局阈值进行图像计算的一种方法,具体针对光影变化过大或范围内颜色差异不太明显的图片,且自适应是指保证计算机能够通过判断和计算取得该图像区域的平均阈值进行迭代,进而将均值车辆监控图像信息进行二值化处理,即将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程,最终获得车辆监控标准图像信息,达到为后期实现对违规车辆识别处理提供重要依据的技术效果。
进一步而言,本申请步骤S440包括:
步骤S441:对所述均值车辆监控图像信息的目标处理点进行邻域划分,获得邻域相关点;
步骤S442:计算获得所述邻域相关点的邻域平均值和邻域标准差;
步骤S443:基于所述邻域平均值和邻域标准差进行计算,获得所述目标处理点的目标动态阈值;
步骤S444:基于所述目标动态阈值,对所述均值车辆监控图像信息进行二值化处理。
具体而言,由于图像中每个的像素点的目标动态阈值不同,由此对均值车辆监控图像信息的目标处理点进行邻域划分,再根据其所划分邻域的像素值进行算法或函数计算确定,从而获得邻域相关点,进一步对邻域相关点的邻域平均值以及邻域标准差进行计算,其邻域平均值是对区域内所有栅格像元值的平均值进行计算所获,其邻域标准差是对区域内所有栅格像元值的标准差进行计算所获,再在所计算出的邻域相关点的邻域平均值以及邻域标准差的基础上对该像素点进行函数计算,从而选取出每个像素点所对应的动态阈值,对动态阈值的选取方法可以是基于点的全局阈值方法、基于区域的全局阈值方法、局部阈值方法以及多阈值方法,进而获得目标处理点所对应的目标动态阈值,在此基础上,再对均值车辆监控图像信息进行二值化处理,最终达到对违规车辆识别处理提供参考的技术效果。
进一步而言,如图3所示,本申请步骤S500还包括:
步骤S510:对所述车辆监控标准图像信息进行图像分割处理,获得监控图像分割结果;
步骤S520:根据车辆行驶规则,获得预设行驶卷积核;
步骤S530:按照所述预设行驶卷积核对所述监控图像分割结果进行遍历卷积计算,获得图像卷积计算结果;
步骤S540:基于所述图像卷积计算结果,获得所述车辆行驶特征信息。
具体而言,基于所获车辆监控标准图像信息,对其进行图像分割处理,即将所采集车辆监控标准图像信息进行等块划分,从而获得与之对应的监控图像分割结果,进一步由车辆行驶规则对预设行驶卷积核进行限制,再根据每一个等块所捕捉到的图像信息进行遍历、识别、筛查以及计算,在对车辆监控标准图像信息进行图像识别的过程中,可以通过以卷积核特征比对的方式进行实现,示例性的,在所获取的车辆监控标准图像信息的基础上,对该车辆监控标准图像信息进行等分,同时根据图像等分中第一个区域设为起始点,即所获得的第一区域,标识为零点区域,再从第一区域开始进行遍历,将每一个区域中所得到的信息与预设行驶卷积核进行匹配,从而进行卷积计算,从而获得图像卷积计算结果,后续每一次车辆行驶的变化,均以所述零点位置为基准点,并将变化信息进行标识记录,再通过对区域进行标识和分区,对目标车辆的行驶变化进行区域分区编码,为后续准确定位偏离目标车辆,与预设形式卷积核进行对比,从而对应获得车辆行驶特征信息,且该车辆行驶特征信息是指车辆监控标准图像信息中不满足车辆行驶规则的图像特征的信息,以保证在对违规车辆进行识别处理时的高效性。
进一步而言,如图4所示,本申请步骤S600还包括:
步骤S610:构建车辆偏离行为特征数据库;
步骤S620:基于所述车辆偏离行为特征数据库进行模型训练、验证,获得偏离行为类型识别模型;
步骤S630:利用所述车辆偏离行为特征数据库进行模型训练、验证,获得偏离行为程度识别模型;
步骤S640:将所述偏离行为类型识别模型和所述偏离行为程度识别模型进行合并连接,获得所述偏离行为识别模型。
具体而言,在对车辆偏离行为所拥有的特征基础上,对车辆偏离行为的特征进行信息采集,其中对车辆偏离行为的特征信息所采集的信息包含但不仅限于车辆逆行、车辆变道压线、车辆违章停车、车辆闯红灯、车辆无引导驾驶、机动车占用非机动车道等,由上述所采集到的车辆偏离行为的特征信息构建目标薄膜数据库,进一步的基于车辆偏离行为数据库对偏离行为类型识别模型进行构建,偏离行为类型识别模型为机器学习中的,可以不断进行自我迭代优化的神经网络模型,偏离行为类型识别模型通过训练数据集和监督数据集训练获得,其中,所述训练数据集中的每组训练数据均包括车辆偏离行为特征数据库中的数据;所述监督数据集为与所述训练数据集一一对应的监督数据。
进一步的,偏离行为类型识别模型构建过程为:将训练数据集中每一组训练数据输入偏离行为类型识别模型,通过这组训练数据对应的监督数据进行偏离行为类型识别模型的输出监督调整,当偏离行为类型识别模型的输出结果与监督数据一致,则当前组训练结束,将训练数据集中全部的训练数据均训练结束,则偏离行为类型识别模型训练完成。
为了保证偏离行为类型识别模型的准确性,可以通过测试数据集进行故障评价模型的测试处理,举例而言,测试准确率可以设定为90%,当测试数据集的测试准确率满足90%时,则偏离行为类型识别模型构建完成。
其偏离行为程度识别模型的构建过程与上述同理,在此不过多赘述,最终将构建完成的偏离行为类型识别模型和偏离行为程度识别模型通过平均法进行合并连接,即因几何平均法受极端值的影响较算术平均法小,且关于加权平均法的权重,也可以人工主观或根据偏离行为类型识别模型和偏离行为程度识别模型所对应的分数来设置,在此基础上将偏离行为类型识别模型和偏离行为程度识别模型合并连接后的模型记作偏离行为识别模型,最终达到对违规车辆进行识别处理的技术效果。
进一步而言,如图5所示,本申请步骤S700还包括:
步骤S710:基于所述偏离目标车辆行为信息进行车辆标记,获得目标标记车辆;
步骤S720:将所述目标标记车辆和车管所数据库进行匹配,获得目标车辆用户信息;
步骤S730:根据所述偏离目标车辆行为信息,生成车辆管控方案;
步骤S740:基于所述车辆管控方案和所述目标车辆用户信息进行车辆管控处理。
具体而言,对偏离目标车辆行为信息中存在偏离行为的车辆进行标记,将所标记的车辆记作目标标记车辆,再将该目标标记车辆与当地车管所数据库中所拥有的车辆信息进行一一对应的匹配,若目标标记车辆与车管所数据库中的信息检索到匹配数据,则将该目标标记车辆信息中所对应的目标车辆的用户信息进行提取,进一步的根据偏离目标车辆行为信息,对不同的偏离目标车辆的行为制定所对应的车辆管控方案,以此达到对偏离目标车辆的行为进行限制,从而在所获车辆管控方案与所获目标车辆用户信息的基础上,对交通车辆中存在偏离行为的车辆进行管控处理,进而实现对违规车辆进行识别处理。
进一步而言,本申请步骤S700还包括:
步骤S750:根据图像数据处理流程,获得数据流程节点;
步骤S760:基于所述数据流程节点,构建车辆数据区块集合;
步骤S770:将所述车辆监控视频信息、所述车辆行驶特征信息和所述偏离目标车辆行为信息,按照所述车辆数据区块集合进行分布式存储记录。
具体而言,由图像数据处理流程对其中的数据流程节点进行获取,其图像数据处理流程可以分为获取图像、分割图像、区域处理以及特征处理等,在图像数据处理流程中每一个流程分别对应一个数据流程节点,进而在该数据流程节点的基础上,对车辆数据区块集合进行构建,即以数据流程节点作为车辆数据区块划分的标准,对车辆数据进行区块划分,再将与数据流程节点所对应的划分出的车辆数据区块进行汇总与整合,从而获得车辆数据区块集合,最终按照所获车辆数据区块集合对所获车辆监控视频信息、所获车辆行驶特征信息以及所获偏离目标车辆行为信息进行分布式存储记录,其分布式存储记录是指一种数据存储技术,通过网络使用存储车辆监控视频的机器上所对应的磁盘空间,并将这些分散的视频存储资源构成一个虚拟的存储设备,数据分散的存储在各个机器中,以备后期车辆数据追溯,达到对违规车辆进行识别处理的技术效果。
实施例二:
基于与前述实施例中一种基于智能图像处理的数据采集方法相同的发明构思,如图6所示,本申请提供了一种基于智能图像处理的数据采集系统,系统包括:
信息获得模块1,用于通过监控设备多方位采集获得车辆监控视频信息;
压缩处理模块2,用于对所述车辆监控视频信息进行压缩处理,获得车辆监控视频压缩信息;
i帧提取模块3,用于对所述车辆监控视频压缩信息中各编码单元进行i帧提取,获得车辆监控关键图像信息;
标准化预处理模块4,用于基于所述车辆监控关键图像信息进行标准化预处理,获得车辆监控标准图像信息;
特征分析模块5,用于对所述车辆监控标准图像信息进行特征分析,获得车辆行驶特征信息;
匹配分析模块6,用于将所述车辆行驶特征信息输入至偏离行为识别模型中进行匹配分析,获得偏离目标车辆行为信息;
数据存储模块7,用于基于所述偏离目标车辆行为信息进行车辆管控处理,并对所述车辆监控视频信息、所述车辆行驶特征信息和所述偏离目标车辆行为信息进行数据存储。
进一步而言,所述标准化预处理模块还包括:
去噪处理单元,去噪处理单元用于基于图像滤波算法对所述车辆监控关键图像信息进行去噪处理,获得车辆监控滤噪图像信息;
直方图单元,直方图单元用于将所述车辆监控滤噪图像信息的像素灰度值信息映射至图像灰度分布坐标系中,获得车辆监控图像灰度直方图;
均衡化处理单元,均衡化处理单元用于对所述车辆监控图像灰度直方图进行均衡化处理,获得均值车辆监控图像信息;
二值化处理单元,二值化处理单元用于基于自适应阈值法对所述均值车辆监控图像信息进行二值化处理,获得所述车辆监控标准图像信息。
进一步而言,所述二值化处理单元还包括:
邻域划分单元,邻域划分单元用于对所述均值车辆监控图像信息的目标处理点进行邻域划分,获得邻域相关点;
第一计算单元,第一计算单元用于计算获得所述邻域相关点的邻域平均值和邻域标准差;
动态阈值单元,动态阈值单元用于基于所述邻域平均值和邻域标准差进行计算,获得所述目标处理点的目标动态阈值;
图像信息处理单元,图像信息处理单元用于基于所述目标动态阈值,对所述均值车辆监控图像信息进行二值化处理。
进一步而言,所述特征分析模块还包括:
图像分割处理单元,图像分割处理单元用于对所述车辆监控标准图像信息进行图像分割处理,获得监控图像分割结果;
卷积核单元,卷积核单元用于根据车辆行驶规则,获得预设行驶卷积核;
遍历卷积计算单元,遍历卷积计算单元用于按照所述预设行驶卷积核对所述监控图像分割结果进行遍历卷积计算,获得图像卷积计算结果;
第二计算单元,第二计算单元用于基于所述图像卷积计算结果,获得所述车辆行驶特征信息。
进一步而言,所述匹配分析模块还包括:
数据库单元,数据库单元用于构建车辆偏离行为特征数据库;
第一模型获取单元,第一模型获取单元用于基于所述车辆偏离行为特征数据库进行模型训练、验证,获得偏离行为类型识别模型;
第二模型获取单元,第二模型获取单元用于利用所述车辆偏离行为特征数据库进行模型训练、验证,获得偏离行为程度识别模型;
合并连接单元,合并连接单元用于将所述偏离行为类型识别模型和所述偏离行为程度识别模型进行合并连接,获得所述偏离行为识别模型。
进一步而言,所述数据存储模块还包括:
车辆标记单元,车辆标记单元用于基于所述偏离目标车辆行为信息进行车辆标记,获得目标标记车辆;
匹配单元,匹配单元用于将所述目标标记车辆和车管所数据库进行匹配,获得目标车辆用户信息;
方案单元,方案单元用于根据所述偏离目标车辆行为信息,生成车辆管控方案;
车辆管控处理单元,车辆管控处理单元用于基于所述车辆管控方案和所述目标车辆用户信息进行车辆管控处理。
进一步而言,所述数据存储模块还包括:
流程节点单元,流程节点单元用于根据图像数据处理流程,获得数据流程节点;
集合单元,集合单元用于基于所述数据流程节点,构建车辆数据区块集合;
存储记录单元,存储记录单元用于将所述车辆监控视频信息、所述车辆行驶特征信息和所述偏离目标车辆行为信息,按照所述车辆数据区块集合进行分布式存储记录。
本说明书通过前述对一种基于智能图像处理的数据采集方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于智能图像处理的数据采集系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种基于智能图像处理的数据采集系统,其特征在于,所述系统包括:
信息获得模块,用于通过监控设备多方位采集获得车辆监控视频信息;
压缩处理模块,用于对所述车辆监控视频信息进行压缩处理,获得车辆监控视频压缩信息;
i帧提取模块,用于对所述车辆监控视频压缩信息中各编码单元进行i帧提取,获得车辆监控关键图像信息;
标准化预处理模块,用于基于所述车辆监控关键图像信息进行标准化预处理,获得车辆监控标准图像信息,其中包括:去噪处理单元,去噪处理单元用于基于图像滤波算法对所述车辆监控关键图像信息进行去噪处理,获得车辆监控滤噪图像信息;直方图单元,直方图单元用于将所述车辆监控滤噪图像信息的像素灰度值信息映射至图像灰度分布坐标系中,获得车辆监控图像灰度直方图;均衡化处理单元,均衡化处理单元用于对所述车辆监控图像灰度直方图进行均衡化处理,获得均值车辆监控图像信息;二值化处理单元,二值化处理单元用于基于自适应阈值法对所述均值车辆监控图像信息进行二值化处理,获得所述车辆监控标准图像信息,其中包括:邻域划分单元,邻域划分单元用于对所述均值车辆监控图像信息的目标处理点进行邻域划分,获得邻域相关点;第一计算单元,第一计算单元用于计算获得所述邻域相关点的邻域平均值和邻域标准差;动态阈值单元,动态阈值单元用于基于所述邻域平均值和邻域标准差进行计算,获得所述目标处理点的目标动态阈值;图像信息处理单元,图像信息处理单元用于基于所述目标动态阈值,对所述均值车辆监控图像信息进行二值化处理;
特征分析模块,用于对所述车辆监控标准图像信息进行特征分析,获得车辆行驶特征信息,其中包括:图像分割处理单元,图像分割处理单元用于对所述车辆监控标准图像信息进行图像分割处理,获得监控图像分割结果;卷积核单元,卷积核单元用于根据车辆行驶规则,获得预设行驶卷积核;遍历卷积计算单元,遍历卷积计算单元用于按照所述预设行驶卷积核对所述监控图像分割结果进行遍历卷积计算,获得图像卷积计算结果;第二计算单元,第二计算单元用于基于所述图像卷积计算结果,获得所述车辆行驶特征信息;
匹配分析模块,用于将所述车辆行驶特征信息输入至偏离行为识别模型中进行匹配分析,获得偏离目标车辆行为信息,其中包括:数据库单元,数据库单元用于构建车辆偏离行为特征数据库;第一模型获取单元,第一模型获取单元用于基于所述车辆偏离行为特征数据库进行模型训练、验证,获得偏离行为类型识别模型;第二模型获取单元,第二模型获取单元用于利用所述车辆偏离行为特征数据库进行模型训练、验证,获得偏离行为程度识别模型;合并连接单元,合并连接单元用于将所述偏离行为类型识别模型和所述偏离行为程度识别模型进行合并连接,获得所述偏离行为识别模型;
数据存储模块,用于基于所述偏离目标车辆行为信息进行车辆管控处理,并对所述车辆监控视频信息、所述车辆行驶特征信息和所述偏离目标车辆行为信息进行数据存储。
2.如权利要求1所述的系统,其特征在于,所述数据存储模块还包括:
车辆标记单元,车辆标记单元用于基于所述偏离目标车辆行为信息进行车辆标记,获得目标标记车辆;
匹配单元,匹配单元用于将所述目标标记车辆和车管所数据库进行匹配,获得目标车辆用户信息;
方案单元,方案单元用于根据所述偏离目标车辆行为信息,生成车辆管控方案;
车辆管控处理单元,车辆管控处理单元用于基于所述车辆管控方案和所述目标车辆用户信息进行车辆管控处理。
3.如权利要求1所述的系统,其特征在于,所述数据存储模块还包括:
流程节点单元,流程节点单元用于根据图像数据处理流程,获得数据流程节点;
集合单元,集合单元用于基于所述数据流程节点,构建车辆数据区块集合;
存储记录单元,存储记录单元用于将所述车辆监控视频信息、所述车辆行驶特征信息和所述偏离目标车辆行为信息,按照所述车辆数据区块集合进行分布式存储记录。
4.一种基于智能图像处理的数据采集方法,其特征在于,所述方法应用于一种基于智能图像处理的数据采集系统,所述方法包括:
通过监控设备多方位采集获得车辆监控视频信息;
对所述车辆监控视频信息进行压缩处理,获得车辆监控视频压缩信息;
对所述车辆监控视频压缩信息中各编码单元进行i帧提取,获得车辆监控关键图像信息;
基于所述车辆监控关键图像信息进行标准化预处理,获得车辆监控标准图像信息,其中包括:基于图像滤波算法对所述车辆监控关键图像信息进行去噪处理,获得车辆监控滤噪图像信息;将所述车辆监控滤噪图像信息的像素灰度值信息映射至图像灰度分布坐标系中,获得车辆监控图像灰度直方图;对所述车辆监控图像灰度直方图进行均衡化处理,获得均值车辆监控图像信息;基于自适应阈值法对所述均值车辆监控图像信息进行二值化处理,获得所述车辆监控标准图像信息,其中包括:对所述均值车辆监控图像信息的目标处理点进行邻域划分,获得邻域相关点;计算获得所述邻域相关点的邻域平均值和邻域标准差;基于所述邻域平均值和邻域标准差进行计算,获得所述目标处理点的目标动态阈值;基于所述目标动态阈值,对所述均值车辆监控图像信息进行二值化处理;
对所述车辆监控标准图像信息进行特征分析,获得车辆行驶特征信息,其中包括:对所述车辆监控标准图像信息进行图像分割处理,获得监控图像分割结果;根据车辆行驶规则,获得预设行驶卷积核;按照所述预设行驶卷积核对所述监控图像分割结果进行遍历卷积计算,获得图像卷积计算结果;基于所述图像卷积计算结果,获得所述车辆行驶特征信息;
将所述车辆行驶特征信息输入至偏离行为识别模型中进行匹配分析,获得偏离目标车辆行为信息,其中包括:构建车辆偏离行为特征数据库;基于所述车辆偏离行为特征数据库进行模型训练、验证,获得偏离行为类型识别模型;利用所述车辆偏离行为特征数据库进行模型训练、验证,获得偏离行为程度识别模型;将所述偏离行为类型识别模型和所述偏离行为程度识别模型进行合并连接,获得所述偏离行为识别模型;
基于所述偏离目标车辆行为信息进行车辆管控处理,并对所述车辆监控视频信息、所述车辆行驶特征信息和所述偏离目标车辆行为信息进行数据存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310101867.5A CN115775459B (zh) | 2023-02-13 | 2023-02-13 | 一种基于智能图像处理的数据采集系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310101867.5A CN115775459B (zh) | 2023-02-13 | 2023-02-13 | 一种基于智能图像处理的数据采集系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115775459A CN115775459A (zh) | 2023-03-10 |
CN115775459B true CN115775459B (zh) | 2023-04-28 |
Family
ID=85393594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310101867.5A Active CN115775459B (zh) | 2023-02-13 | 2023-02-13 | 一种基于智能图像处理的数据采集系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115775459B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778786B (zh) * | 2013-12-17 | 2016-04-27 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于显著车辆部件模型的交通违章检测方法 |
CN109858393A (zh) * | 2019-01-11 | 2019-06-07 | 平安科技(深圳)有限公司 | 车辆违规识别方法、系统、计算机设备和存储介质 |
CN110008932B (zh) * | 2019-04-17 | 2022-11-22 | 四川九洲视讯科技有限责任公司 | 一种基于计算机视觉的车辆违章压线检测方法 |
CN110285793B (zh) * | 2019-07-08 | 2020-05-15 | 中原工学院 | 一种基于双目立体视觉系统的车辆智能测轨迹方法 |
CN112950942A (zh) * | 2021-02-19 | 2021-06-11 | 合肥海赛信息科技有限公司 | 一种基于视频分析的机动车违停智能检测方法 |
CN113299073B (zh) * | 2021-04-28 | 2023-05-23 | 北京百度网讯科技有限公司 | 识别车辆违章停车的方法、装置、设备和存储介质 |
-
2023
- 2023-02-13 CN CN202310101867.5A patent/CN115775459B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于卷积神经网络的违章停车事件检测;吴玉枝;熊运余;吴洋;;现代计算机(专业版)(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115775459A (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Localization of deep inpainting using high-pass fully convolutional network | |
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 | |
CN110956094B (zh) | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 | |
CN108564066B (zh) | 一种人物识别模型训练方法以及人物识别方法 | |
CN113160575A (zh) | 一种非机动车辆及驾驶人的交通违法行为检测方法及系统 | |
CN111723773B (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
CN112651293B (zh) | 一种公路违法设摊事件视频检测方法 | |
CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 | |
CN107578011A (zh) | 视频关键帧的判定方法及装置 | |
CN112819000A (zh) | 街景图像语义分割系统及分割方法、电子设备及计算机可读介质 | |
CN113379858A (zh) | 一种基于深度学习的图像压缩方法及装置 | |
CN114463684A (zh) | 一种面向城市高速路网的堵点检测方法 | |
CN113850253A (zh) | 基于深度学习的车牌识别方法及系统、服务器及介质 | |
Ko et al. | An energy-quality scalable wireless image sensor node for object-based video surveillance | |
CN115775459B (zh) | 一种基于智能图像处理的数据采集系统及方法 | |
de S. Matos et al. | Hierarchical classification of vehicle images using NN with conditional adaptive distance | |
CN115512315B (zh) | 一种非机动车儿童搭乘检测方法、电子设备及存储介质 | |
Dhar et al. | Interval type-2 fuzzy set and human vision based multi-scale geometric analysis for text-graphics segmentation | |
CN116580370A (zh) | 一种针对道路试验车图像信息的抽帧方法和系统 | |
CN115294162B (zh) | 目标识别方法、装置、设备及存储介质 | |
Gnouma et al. | A two-stream abnormal detection using a cascade of extreme learning machines and stacked auto encoder | |
CN116052090A (zh) | 图像质量评估方法、模型训练方法、装置、设备及介质 | |
CN112070048B (zh) | 基于RDSNet的车辆属性识别方法 | |
CN114567798A (zh) | 一种针对互联网短视频变种的溯源方法 | |
CN114937248A (zh) | 用于跨相机的车辆跟踪方法、装置、电子设备、存储介质 |
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 |