CN116453075A - 一种基于图像处理的轮轴识别方法及系统 - Google Patents
一种基于图像处理的轮轴识别方法及系统 Download PDFInfo
- Publication number
- CN116453075A CN116453075A CN202310700103.8A CN202310700103A CN116453075A CN 116453075 A CN116453075 A CN 116453075A CN 202310700103 A CN202310700103 A CN 202310700103A CN 116453075 A CN116453075 A CN 116453075A
- Authority
- CN
- China
- Prior art keywords
- wheels
- wheel
- image
- row
- vehicle
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000011324 bead Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 229910052754 neon Inorganic materials 0.000 description 1
- GKAOGPIIYCISHV-UHFFFAOYSA-N neon atom Chemical compound [Ne] GKAOGPIIYCISHV-UHFFFAOYSA-N 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (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)
- Software Systems (AREA)
- Nonlinear Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域，具体涉及一种基于图像处理的轮轴识别方法及系统。一种基于图像处理的轮轴识别方法，包括以下步骤：（1）获取待测车辆一侧车轮的图像，进行图像预处理；（2）计算每一排车轮的车轮内阴影面积占比；从第二排开始，计算当前车轮与前一排车轮的匹配度；根据匹配度与匹配阈值的比较结果，判断当前车轮的数量；（3）根据总的车轮数量，确定待测车辆的轮轴类型。本发明与现有技术相比，具有如下有益效果：采用图像识别的方式进行车轮计算及轮轴识别，提高了轮轴识别效率及准确率；避免了传统轮轴识别器安装时需要改造道路、安装维护时间长的问题。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种基于图像处理的轮轴识别方法及系统。
背景技术
高速公路采用计重收费方式对过往的货车进行收费。计重收费是通过检测货车的轮轴数目和类型来确定核载量并与实际载量对比进行收费，因此计重收费系统最核心的设备是轮轴识系统。随着技术的不断发展进步，轮轴识别器层出不穷，碾压接触式轮轴识别器、激光对射轮轴识别器、光栅干涉轮轴识别器的研发与推广丰富了高速公路轮轴检测市场的产品种类。它们为高速公路精准化管理，尤其是在超载车超载罚金计算上提供了较为可信的检测服务。虽然现有的轮轴识别系统在功能与性能方面不断精益求精， 但仍存在着日益突出的几大问题：（1）市面上绝大多数轮轴识别器需要被碾压才能得出数据；（2）使用寿命与车辆经过次数有关，无法适应高强度的检测需求；（3）安装调试麻烦，需要对道路进行改造，行车体验差；（4）工艺精细，加工要求高。
目前现有技术中也有采用图像处理和机器学习的轮轴检测技术，例如：获取轮胎子口区域的图像；根据轮胎子口区域的图像统计灰度直方图，根据灰度直方图计算二值化阈值，根据二值化阈值对轮胎子口区域的图像进行二值化处理，以得到二值图像，根据二值图像检测轮胎。基于径向基函数神经网络和图像处理的车辆运动分析，采用CCD摄像头获得车辆类型，利用径向基函数(BF)神经网络建立称重系统的非线性模型等。
现有基于图像处理和机器学习的轮轴检测方法有以下缺点：
1、训练样本需求高：径向基函数神经网络通常需要大量的训练样本才能达到较好的性能。在车辆运动分析中，获取大规模、多样化的车辆运动数据可能是一项挑战，尤其是在特定场景或特殊条件下的数据收集可能较为困难。
2、网络结构选择和参数调整困难：径向基函数神经网络的性能很大程度上依赖于网络结构的选择和参数的调整。确定合适的网络结构和参数可能需要进行大量的实验和优化，对于非专业人士来说可能会具有一定的复杂性。
3、实时性要求高：在某些应用场景中，对车辆运动的分析需要实时性能，例如实时交通监控和智能驾驶等。
4、对计算资源的依赖性：需要较大的计算资源支持，包括高性能的计算设备和存储空间。这可能增加了系统的算力投入和部署的复杂性。
发明内容
本发明为了解决现有技术中存在的问题，提供一种基于图像处理的轮轴识别方法及系统，基于图像识别的非接触式轮轴识别系统弥补了现有轮轴识别器的多种缺陷，可以实现对不限次数的车辆进行检测服务，其检测精确程度高，错误率低，无需复杂的硬件设备和较多算力的投入。
本发明解决其技术问题采用的技术方案是首先提供一种基于图像处理的轮轴识别方法，该方法包括以下步骤：
（1）获取待测车辆一侧车轮的图像，进行图像预处理；
（2）计算每一排车轮的车轮内阴影面积占比；从第二排开始，计算当前车轮与前一排车轮的匹配度；根据匹配度与匹配阈值的比较结果，判断当前车轮的数量；
（3）根据总的车轮数量，确定待测车辆的轮轴类型。
优选地，所述图像预处理包括将所述图像进行二值化处理及霍夫圆变换。
优选地，所述车轮内阴影面积占比的计算方法为：首先对霍夫圆变换检测到的轮胎内的像素点值进行处理，定义像素值为零的像素点为黑色像素点，黑色像素点与整个圆形像素点的比值，即为车轮内阴影面积占比。
优选地，当前车轮与前一排车轮的匹配度为：前一个车轮与当前车轮的车轮内阴影面积占比之比；将匹配度与匹配阈值比较，若小于匹配阈值，则当前车轮数量与前一排不同；反之，则当前车轮数量与前一排相同。
优选地，所述匹配阈值的取值范围为0~1。
本分明还提供一种基于图像处理的轮轴识别系统，包括图像预处理模块，用于对获取的待测车辆一侧车轮的图像进行预处理；轮轴识别模块，利用处理后的图像，计算每排车轮数量；根据总的车轮数量，确定待测车辆的轮轴类型。
优选地，还包括图像采集模块，用于采集待测车辆一侧车轮的图像，并将所采集的图像传输至所述图像预处理模块。
本分明与现有技术相比，具有如下有益效果：采用图像识别的方式进行车轮计算及轮轴类型识别，提高了轮轴识别效率及准确率；避免了传统轮轴识别器安装时需要改造道路、安装维护时间长的问题。
附图说明
图 1 为本发明实施例中基于图像处理的轮轴识别方法任务总体流程图；
图 2 为图像预处理流程图；
图3为硬件设施示意图；
图4为轮轴检测系统算法流程图；
图5为检测正在行进中的车辆示意图；
图6为第一辆车检测示意图；
图7为第二辆车检测示意图；
图8为检测结果示意图；
图9为轮轴识别系统的组成示意图。
具体实施方式
为了便于理解本研究，下面结合附图和具体实施例，对本研究进行更详细的说明。但是，本研究可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本研究公开内容的理解更加透彻全面。
本发明提供的基于图像处理的轮轴识别方法，通过图像识别轮轴的类型，进而根据轮轴类型来确定待测车辆的核载量。整体流程如图1所示，主要包括以下步骤：
1、首先利用摄像头捕捉视频画面，获得待测车辆一侧的图像。
2、对获取的图像进行预处理，预处理的流程如图2所示：
（1）将获取的每一帧画面转化为灰度图。在灰度图像中，每个像素的灰度值可以用一个8位整数（0到255）表示，其中较低的值表示较暗的区域，较高的值表示较亮的区域。灰度图像可以通过灰度级的变化显示图像中的细节和亮度差异。
（2）接下来进行平滑处理操作。主要利用高斯滤波方法，其目的是为了减少图像中的噪声并平滑图像的细节。基于高斯函数的滤波器，通过对图像进行卷积操作来实现。
（3）高斯滤波降噪以后，进行背景建模。主要采用高斯背景建模，高斯背景建模是图像处理中常用的一种背景建模方法，主要用于视频中提取出前景目标。该方法假设视频的每个像素在静态背景下服从高斯分布，而前景目标的像素则与该分布存在明显的差异。高斯背景建模的基本思想是对每个像素位置上的像素值进行统计建模，得到该位置像素值的背景模型。这个背景模型通常使用高斯分布描述，包括均值和方差。在处理视频序列时，通过不断更新这些背景模型，可以逐渐适应场景中的动态变化，从而提取出前景目标。
（4）对提取到的前景图像进行二值化处理，这里为后续识别单双轮的核心算法奠定了基础。
（5）接下来进行形态学处理，包括开操作和闭操作。开操作主要是为了去除一些噪点，闭操作是为了连接一些连通区域。
（6）掩膜处理。二值化后的图像对原图像进行掩模操作可以实现目标提取或图像分割的效果。掩模操作是将二值图像应用于原始图像，通过保留或排除特定区域的像素来实现对图像的选择性处理。
（7）霍夫圆变换。进行霍夫圆变换之前先要进行图像灰度值处理，减轻噪声干扰。霍夫圆变换是由霍夫直线变换扩展而来，可以在图像中检测圆的位置和半径。3、轮轴类型识别
本发明在研究过程中发现，不同车轴的车轮的轮毂凹凸性是不同的，双轮单轴往往是向内凹陷的，单轮单轴往往是向外凸起的，而且车辆的第一排车轮是单轮单轴型。由于凹凸性的不同，所以在轮毂内会有不同的阴影面积，所以本发明使用灰度处理得到的图像来进行分析。
对于货车而言，从前往后，第一排的车轮为单轮，最后一排的车轮为双轮；而从第二排车轮开始，一般为单轮或双轮。一辆货车中，最多有两排单轮，并且二者紧挨。根据上述原理，本发明的方法可以同时进行前、后车辆的分离，当检测到由双轮转变成为单轮时，且存在一定的时间、空间间隔时，则判断第二辆车已经出现，此时需要重新执行算法，重新计算第二辆车的车轮数量。
轮轴识别算法的处理流程如图4所示。具体步骤如下：
（1）依次检测每一个车轮，计算每个车轮内阴影面积占比：首先对霍夫圆变换检测到的轮胎内的像素点值进行处理，定义像素值为零的像素点为黑色像素点，黑色像素点与整个圆形像素点的比值，即为该车轮内阴影面积占比。因为双轮黑色像素点占比要多于单论的黑色像素点占比，因此匹配阈值设定为0~1之间的数值。
当检测到第一排车轮的时候，因为货车的第一排车轮总是单轮单轴，车轮数量为两个，如图5所示。因此，以第一排的车轮数量为参考，从第二排车轮开始，按照以下步骤进行车轮数量的计算和轮轴类型识别；
（2）计算当前车轮与前一排车轮的匹配度：前一排车轮与当前车轮的车轮内阴影面积占比之比。例如：第一排车轮的车轮内阴影面积占比为α1，第二排车轮的车轮内阴影面积占比为α2，第三排车轮的车轮内阴影面积占比为α3；
（3）检测到第二排车轮时，计算匹配度β=α1/α2；
将匹配度β与阈值γ进行比较，判断第二排车轮的数量：
若β＞γ，则说明第二排车轮与第一排车轮具有高相似度，那么第二排车轮的数量与第一排相同，也是两个；
若β＜γ，则说明第二排车轮与第一排车轮相似度低，那么第二排车轮的数量为四个；
当检测第三排车轮时，计算匹配度β=α2/α3；若β＞γ，则说明第三排车轮与第二排车轮具有高相似度，那么第三排车轮的数量与第二排相同，如果第二排检测到的车轮数量是两个，则第三排也是两个，但实际中不存在该种情况，此时，结合第二排、第三排车轮出现的时间间隔，可以判断第三排车轮是下一辆车的。而如果第二排检测到的车轮数量是四个，则第三排也是四个；
若β＜γ，则说明第三排车轮数量与第二排不同，如果第二排检测到的车轮数量是两个，则第三排就是四个。如果第二排检测到的车轮数量是四个，则第三排则为两个，此时，结合第二排、第三排车轮出现的时间间隔，可以判断第三排车轮是下一辆车的。从而将前、后两车分开，如图6和图7所示；依次类推，直到最后一排车轮的数量检测完毕；
（4）根据一辆车总的车轮数量确定轮轴的轴型，进而确定该车的荷载重量。计算结果如图8所示。
由于同一辆车中，不可能有3个以上的单轮单轴，并且车的最后一排车轮的轮轴都是双轮单轴，因此，当检测到第三排车轮为两个，或者某一排由双轮（四个）转变成为单轮（两个）时，则说明该车为第二辆车，此时返回步骤（1），重新识别当前车辆的车轮数量及轮轴类型。
为了实施上述方法，本发明还提供一种基于图像处理的轮轴识别系统，该系统包括硬件设备和软件部分，其中硬件设备包括安装在高速收费站车道一侧的摄像头（摄像头正对车侧身）和嵌入式系统，如图3所示。摄像头用于捕捉车辆侧身图像，首先进行车辆分离，然后识别出一个完整车身图像，CPU利用图像处理算法识别出车辆的轮胎数，根据相关部门对轴组限重的规定，就可以得到货车的标准载重。图中的地磅（称重仪）安装在摄像头前侧，通过摄像头识别出货车的标准载重，利用地磅测出货车的实际载重，两者进行比对，即可判断出货车是否超载。
嵌入式系统采用NXP公司的I.MX6ULL，该嵌入式板子主控芯片为MCIMX6Y2CVM08AB,内核为Cortex-A7架构，Cortex-A7 MPcore 处理器支持1-4核，在28nm工艺下，Cortex-A7 可以运行在1.2~1.6GHz，并且单核面积不大于0.45mm2(含有浮点单元、NEON和32KB的L1缓存)，在典型场景下功耗小于100mW，这使得它非常适合对功耗要求严格的移动设备，这意味着Cortex-A7在获得与Cortex-A9相似性能的情况下，其功耗更低，非常适用于高速公路连续不间断的工作场合。
摄像头采用交通监控专用摄像头，如喜安30交通监控专用摄像头这一款数字网络格式摄像头，支持红外夜视，具有强光抑制功能，且强光抑制自动转换，从而使白天和晚上都能达到满意的拍摄效果，方便嵌入式系统图像处理。
软件部分为轮轴识别系统，如图9所示，包括图像采集模块，图像采集模块与摄像头相连，用于采集待测车辆一侧车轮的图像，并将所采集的图像传输至图像预处理模块；图像预处理模块，用于对获取的待测车辆一侧车轮的图像进行预处理；轮轴识别模块，利用预处理后的图像，计算每排车轮的数量；根据车轮数量，确定轮轴类型。
启动摄像头后，CPU从视频流中一帧一帧对图像进行背景建模，在视频中提取出前景目标，这里的前景目标主要是经过的货车车辆。提取出完整的货车车辆后，开始对该车的轮胎数量进行识别检测，根据检测出的单双轮数量分析轮轴类型，与货车轮轴类型数据库中的数据进行比对，如果检测到的信息不在数据库中，那么该车有可能进行了非法改造，立刻报警；符合数据库中的货车信息，即可从数据库中抽取出该货车类型的标准载重量。
Claims (8)
1.一种基于图像处理的轮轴识别方法，其特征在于，包括以下步骤：
（1）获取待测车辆一侧车轮的图像，进行图像预处理；
（2）计算每一排车轮的车轮内阴影面积占比；从第二排开始，计算当前车轮与前一排车轮的匹配度；根据匹配度与匹配阈值的比较结果，判断当前车轮的数量；
（3）根据总的车轮数量，确定待测车辆的轮轴类型。
2.根据权利要求1所述的基于图像处理的轮轴识别方法，其特征在于：所述图像预处理包括将所述图像进行二值化处理及霍夫圆变换。
3.根据权利要求2所述的基于图像处理的轮轴识别方法，其特征在于：所述车轮内阴影面积占比的计算方法为：首先对霍夫圆变换检测到的轮胎内的像素点值进行处理，定义像素值为零的像素点为黑色像素点，黑色像素点与整个圆形像素点的比值，即为车轮内阴影面积占比。
4.根据权利要求3所述的基于图像处理的轮轴识别方法，其特征在于：当前车轮与前一排车轮的匹配度为：前一个车轮与当前车轮的车轮内阴影面积占比之比；将匹配度与匹配阈值比较，若小于匹配阈值，则当前车轮数量与前一排不同；反之，则当前车轮数量与前一排相同。
5.根据权利要求4所述的基于图像处理的轮轴识别方法，其特征在于：所述匹配阈值的取值范围为0~1。
6.一种用于实现如权利要求1所述的基于图像处理的轮轴识别方法的系统，其特征在于：包括图像预处理模块，用于对获取的待测车辆一侧车轮的图像进行预处理；轮轴识别模块，利用处理后的图像，计算每排车轮数量；根据总的车轮数量，确定待测车辆的轮轴类型。
7.根据权利要求6所述的系统，其特征在于：还包括图像采集模块，用于采集待测车辆一侧车轮的图像，并将所采集的图像传输至所述图像预处理模块。
8.一种计算机存储介质，其特征在于：所述计算机存储介质中储存有如权利要求6或7所述的系统，该系统运行时，实现如权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310700103.8A CN116453075B (zh) | 2023-06-14 | 2023-06-14 | 一种基于图像处理的货车轮轴识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310700103.8A CN116453075B (zh) | 2023-06-14 | 2023-06-14 | 一种基于图像处理的货车轮轴识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116453075A true CN116453075A (zh) | 2023-07-18 |
| CN116453075B CN116453075B (zh) | 2023-09-08 |
Family
ID=87125971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310700103.8A Active CN116453075B (zh) | 2023-06-14 | 2023-06-14 | 一种基于图像处理的货车轮轴识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116453075B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR19990058392A (ko) * | 1997-12-30 | 1999-07-15 | 윤종용 | 영상처리를 이용한 차종 분류 방법 |
| JP2011180934A (ja) * | 2010-03-03 | 2011-09-15 | Ricoh Co Ltd | 車種判別装置及び運転支援装置 |
| RU2486597C1 (ru) * | 2012-02-09 | 2013-06-27 | Общество с ограниченной ответственностью "Техно-траффик" | Способ автоматической классификации транспортных средств |
| CN106663372A (zh) * | 2014-06-23 | 2017-05-10 | 锐多视觉系统工程有限公司 | 确定车辆的至少一个特征 |
| CN107423681A (zh) * | 2017-05-27 | 2017-12-01 | 上海骁达信息科技有限公司 | 一种车型自动识别方法及系统 |
| KR20180061695A (ko) * | 2016-11-30 | 2018-06-08 | 주식회사 만도 | 휠 검출을 통한 차량 옆면 인식 방법 및 장치 |
| CN109583394A (zh) * | 2018-12-05 | 2019-04-05 | 陕西四维衡器科技有限公司 | 高速公路收费系统中车辆轮胎数识别方法和专用设备 |
| CN110285870A (zh) * | 2019-07-22 | 2019-09-27 | 深圳市卓城科技有限公司 | 车辆轴型与车轮数检测分析方法及其系统 |
| CN110516524A (zh) * | 2019-06-26 | 2019-11-29 | 东南大学 | 一种交通场景中基于Mask R-CNN的车辆轴数识别方法 |
| KR102097673B1 (ko) * | 2019-04-29 | 2020-04-06 | 주식회사에스에이티 | 차량의 측면 영상을 이용한 차량 정보 획득 시스템 및 방법 |
| CN111274843A (zh) * | 2018-11-16 | 2020-06-12 | 上海交通大学 | 基于监控视频的货车超载监测方法及系统 |
| 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 |
| CN113569702A (zh) * | 2021-07-23 | 2021-10-29 | 闽江学院 | 基于深度学习的货车单双胎识别方法 |
| CN114708547A (zh) * | 2022-03-23 | 2022-07-05 | 深圳信路通智能技术有限公司 | 车辆重识别方法、装置、计算机设备、存储介质 |
| CN114898125A (zh) * | 2022-07-14 | 2022-08-12 | 武汉东沃慧达科技有限公司 | 基于光场成像技术的轮轴识别方法、系统及存储介质 |
-
2023
- 2023-06-14 CN CN202310700103.8A patent/CN116453075B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR19990058392A (ko) * | 1997-12-30 | 1999-07-15 | 윤종용 | 영상처리를 이용한 차종 분류 방법 |
| JP2011180934A (ja) * | 2010-03-03 | 2011-09-15 | Ricoh Co Ltd | 車種判別装置及び運転支援装置 |
| RU2486597C1 (ru) * | 2012-02-09 | 2013-06-27 | Общество с ограниченной ответственностью "Техно-траффик" | Способ автоматической классификации транспортных средств |
| CN106663372A (zh) * | 2014-06-23 | 2017-05-10 | 锐多视觉系统工程有限公司 | 确定车辆的至少一个特征 |
| KR20180061695A (ko) * | 2016-11-30 | 2018-06-08 | 주식회사 만도 | 휠 검출을 통한 차량 옆면 인식 방법 및 장치 |
| CN107423681A (zh) * | 2017-05-27 | 2017-12-01 | 上海骁达信息科技有限公司 | 一种车型自动识别方法及系统 |
| CN111274843A (zh) * | 2018-11-16 | 2020-06-12 | 上海交通大学 | 基于监控视频的货车超载监测方法及系统 |
| CN109583394A (zh) * | 2018-12-05 | 2019-04-05 | 陕西四维衡器科技有限公司 | 高速公路收费系统中车辆轮胎数识别方法和专用设备 |
| KR102097673B1 (ko) * | 2019-04-29 | 2020-04-06 | 주식회사에스에이티 | 차량의 측면 영상을 이용한 차량 정보 획득 시스템 및 방법 |
| CN110516524A (zh) * | 2019-06-26 | 2019-11-29 | 东南大学 | 一种交通场景中基于Mask R-CNN的车辆轴数识别方法 |
| CN110285870A (zh) * | 2019-07-22 | 2019-09-27 | 深圳市卓城科技有限公司 | 车辆轴型与车轮数检测分析方法及其系统 |
| 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 |
| CN113569702A (zh) * | 2021-07-23 | 2021-10-29 | 闽江学院 | 基于深度学习的货车单双胎识别方法 |
| CN114708547A (zh) * | 2022-03-23 | 2022-07-05 | 深圳信路通智能技术有限公司 | 车辆重识别方法、装置、计算机设备、存储介质 |
| CN114898125A (zh) * | 2022-07-14 | 2022-08-12 | 武汉东沃慧达科技有限公司 | 基于光场成像技术的轮轴识别方法、系统及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| ZBIGNIEW MARSZALEK等: "Signal fusion of changes in the inductive loop impedance components for vehicle axle detection", 2016 21ST INTERNATIONAL CONFERENCE ON METHODS AND MODELS IN AUTOMATION AND ROBOTICS (MMAR) * |
| 李小勇等: "HOG与SVM在动态称重轮轴识别中的应用研究", 公路交通科技 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116453075B (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444821B (zh) | 一种城市道路标志自动识别方法 | |
| CN102915544B (zh) | 基于纹理检测和颜色分割的视频图像运动目标提取方法 | |
| CN111274843A (zh) | 基于监控视频的货车超载监测方法及系统 | |
| CN103886609B (zh) | 基于粒子滤波和lbp特征的车辆跟踪方法 | |
| CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
| Xiang et al. | Lightweight fully convolutional network for license plate detection | |
| CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
| Mammeri et al. | North-American speed limit sign detection and recognition for smart cars | |
| CN113034378A (zh) | 一种区分电动汽车与燃油汽车的方法 | |
| CN109325426B (zh) | 一种基于三正交平面时空特征的黑烟车检测方法 | |
| Pillai et al. | Vehicle type and color classification and detection for amber and silver alert emergencies using machine learning | |
| CN110866435B (zh) | 一种自相似性梯度朝向直方图的远红外行人训练方法 | |
| CN116453075B (zh) | 一种基于图像处理的货车轮轴识别方法及系统 | |
| CN111597992B (zh) | 一种基于视频监控的场景物体异常的识别方法 | |
| CN116805409A (zh) | 一种利用行车视频进行路面状态识别与平整性评估的方法 | |
| CN112258483A (zh) | 一种钩尾销插托错位和螺母丢失故障检测方法 | |
| CN116309407A (zh) | 一种铁路接触网螺栓异常状态的检测方法 | |
| CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
| Yao et al. | Fuzzy c-means image segmentation approach for axle-based vehicle classification | |
| CN115393419A (zh) | 一种基于尺寸标定布的路面坑槽面积检测方法及装置 | |
| CN115311617A (zh) | 城轨车站区域客流信息获取方法及系统 | |
| CN114926456A (zh) | 一种半自动标注和改进深度学习的铁轨异物检测方法 | |
| Zhang et al. | The Line Pressure Detection for Autonomous Vehicles Based on Deep Learning | |
| CN111582251A (zh) | 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法 | |
| CN106156776A (zh) | 一种交通视频监控中的光照识别方法 |
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 |