CN102156860A - 车辆检测方法和装置 - Google Patents
车辆检测方法和装置 Download PDFInfo
- Publication number
- CN102156860A CN102156860A CN 201110103886 CN201110103886A CN102156860A CN 102156860 A CN102156860 A CN 102156860A CN 201110103886 CN201110103886 CN 201110103886 CN 201110103886 A CN201110103886 A CN 201110103886A CN 102156860 A CN102156860 A CN 102156860A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- characteristic attribute
- local binary
- binary pattern
- numerical value
- 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.)
- Pending
Links
Images
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及图像检测技术领域,特别涉及车辆检测方法和装置。本发明提供的方法,包括:对采集的当前图像帧的兴趣区域进行扫描;将扫描得到的兴趣区域图像划分为多个检测区域,分别提取每个检测区域的LBP特征属性;将每个检测区域的LBP特征属性对应的向量集分别与预置的超平面计算点积,获得各检测区域对应的待检测值;如果各检测区域对应的待检测值中的最大值大于预置阈值,则所述当前图像帧中存在车辆。本发明提供的装置包括:扫描模块、特征属性提取确定模块、待检测值获取模块和车辆确定模块。本发明提供的车辆检测方法和装置,可以方便、准确的检测实际路况,便于车辆交通管理。
Description
技术领域
本发明涉及图像检测技术领域,特别涉及一种车辆检测方法和装置。
背景技术
随着社会经济的发展,汽车在人们日常生活中扮演一个不可或缺的角色,然而汽车数量的日益增多,也给城市交通管理带来巨大挑战。智能交通已经成为如今城市交通管理的重要手段,而车辆检测作为智能交通中的车辆监控、车流统计、车辆违章检测的重要的技术基础,为高清电子警察***、路径二义性***等目前智能交通领域的重要管理***提供基础保障,其检测效率直接关系到车辆抓拍以及车牌识别的性能。
传统的车辆检测手段是在路面下方埋设地感线圈,当有车辆经过时,线圈的电感量发生变化,使得输出的电信号也随之发生变化,形成车辆检测信号,进而得到车流量等交通信息。在实际应用中,该方法施工维护费用较高,还要对路面进行破坏,走线复杂不利于防干扰和防雷,同时也存在探测信息不全面,易受外界环境影响等缺点。
为了取代这种车辆检测方法,近年来,市场上推出一种利用视频触发代替线圈触发的技术,多数采用基于车牌的视频检测方法来定位车辆。这就使得对于没有车牌的车辆的检测无法实现,而没有车牌的车辆在车辆违章检测、路径二义性等管理***中正是需要着重处理的一部分。
发明内容
本发明实施例提供的一种车辆检测方法和装置,可以方便、准确的检测实际路况,便于车辆交通管理。
本发明实施例提供的一种车辆检测方法,包括:
对采集的当前图像帧的兴趣区域进行扫描;
将扫描得到的兴趣区域图像划分为多个检测区域,分别提取每个检测区域的局部二值模式特征属性;
将每个检测区域的局部二值模式特征属性对应的向量集分别与预置的超平面计算点积,获得各检测区域对应的待检测值;
如果各检测区域对应的待检测值中的最大值大于预置阈值,则所述当前图像帧中存在车辆。
相应的,本发明实施例还提供了一种车辆检测装置,包括:
扫描模块,用于对采集的当前图像帧的兴趣区域进行扫描;
特征属性提取模块,用于将扫描得到的兴趣区域图像划分为多个检测区域,分别提取每个检测区域的局部二值模式特征属性;
待检测值获取模块,用于将每个检测区域的局部二值模式特征属性对应的向量集分别与预置的超平面计算点积,获得各检测区域对应的待检测值;
车辆确定模块,用于判断所述多个待检测值中数值最大的待检测值是否大于预置阈值,当所选取的待检测值大于所述预置阈值时,确定所述当前图像帧中存在车辆。
使用本发明实施例提供的车辆检测方法和装置,通过获取局部二值模式局部二值模式特征属性,并结合线性支持向量机训练得到的超平面,确定当前图像帧中是否存在车辆,从而弥补了现有技术中车辆漏检的情况,并降低了车辆监控中的误报率,为电子警察项目、路径二义性项目等提供了有力的基础。
附图说明
图1为本发明的车辆检测方法流程示意图;
图2为本发明的车辆检测方法中基本LBP特征属性的流程示意图;
图3为本发明的车辆检测方法中确定超平面的流程示意图;
图4为本发明具体实施例中车辆检测方法中提取LBP特征属性的流程示意图;
图5为本发明实施例中车辆检测装置结构示意图。
具体实施方式
下面结合说明书附图对本发明实施例作进一步详细描述。
为了解决现有技术存在的问题,本发明实施例提供了一种车辆检测方法,如图1所示,包括以下步骤:
步骤101,对采集的当前图像帧的兴趣区域进行扫描。
具体地,通过摄像机采集图像后,对选取的当前图像帧的兴趣区域进行扫描。其中,可以根据实际道路路口的车道数目、一般情况下车身在图像帧中的位置等因素,确定兴趣区域的位置。
步骤102,将扫描得到的兴趣区域图像划分为多个检测区域,分别提取每个检测区域的局部二值模式(LBP,Local Binary Patterns)特征属性。
具体地,分别提取每个检测区域中图像的每个像素点的LBP二进制序列;将每个像素点的LBP二进制序列转化为十进制数值作为LBP特征属性;筛选出属于预定的基本LBP特征属性的十进制数值;在属于预定的基本LBP特征属性的十进制数值中,获取出现次数最多的十进制数值以及其出现次数;将属于所述预定的基本LBP特征属性的十进制数值出现的次数、与所述出现次数最多的十进制数值以及其出现次数作为向量元素,组成初始数组向量;对初始数组向量进行标准化处理,获得局部二值模式LBP特征属性对应的数组向量。
较佳的情况,上述初始数组向量中的向量元素,还包括:检测区域中图像的每个像素点的LBP二进制序列转化为十进制数值后,所有十进制数值中不属于所述基本LBP特征属性的十进制数值出现的次数总和。这样可以更加强调车辆图像与非车辆图像之间的差异性。
其中,可以根据预置的具有车辆的图像帧,获得预定的基本LBP特征属性;而且,该预定的基本LBP特征属性对应车辆的常规纹理特征;常规纹理特征一般包括:车辆的直线纹理特征、车辆的拐角纹理特征、车辆的边缘纹理特征、或车辆的平面纹理特征等。
步骤103,将每个检测区域的LBP特征属性对应的向量集分别与预置的超平面计算点积,获得各检测区域对应的待检测值。
其中,可以对预定的基本LBP特征属性对应的初始数组向量,进行标准化处理;然后使用训练分类器,对所述标准化处理后得到的数组向量进行训练,获得上述预置的超平面。
步骤104,如果各检测区域对应的待检测值中的最大值大于预置阈值,则所述当前图像帧中存在车辆。
该预置阈值为经验值,一般在车辆路口光线充足的条件下,该值为0;若车辆路口光线不充足,容易导致采集的图像清晰度较差,此时可以根据实际情况以及经验调整该阈值。
当选取的待检测值大于预置阈值时,确定当前图像帧中存在车辆。当待检测值不大于预置阈值时,确定当前图像帧中不存在车辆,检测当前图像帧的下一图像帧。较佳的,当确定当前图像帧中存在车辆后,可以触发车辆跟踪和/或车牌识别和/或车辆违章检测等相关的其他方面的车辆检测。
本发明实施例提供的车辆检测方法主要应用在城市道路的各个路口,通过采集路口图像,确定其LBP特征属性,并与预置的超平面计算点积,将获得的待检测值与预置阈值进行比较,从而确定当前路口是否存在车辆。
下面通过具体实施例对本发明提供的车辆检测方法,进行详细说明,具体包括以下步骤:
在对车辆图像帧进行车辆检测前,还需要预先确定基本LBP特征属性和超平面。
首先,确定基本LBP特征属性,具体过程如图2所示,包括:
步骤201,对预置的具有车辆的图像帧的兴趣区域进行扫描。
具体地,该图像帧的兴趣区域可以为一个或者多个,可以根据实际道路路口的车道数目、一般情况下车身在图像帧中的位置等因素,确定兴趣区域的位置。例如,在图像帧中,以车尾的位置为起始线,车辆的车身中间线所在直线为终止线,将该起始线和终止线之间的区域设为兴趣区域。
步骤202,将扫描得到的兴趣区域图像划分为多个检测区域。
具体地,可以按照预定规则,将该兴趣区域图像划分为多个检测区域,该多个检测区域组合后可以为整个兴趣区域,也可以为部分兴趣区域。该预定规则可以由用户根据实际需要进行设定,例如将整个区域划分为3×4的区域,即横向均分为3块,纵向均分为4块,或者可以按照预定的检测区域模板划分检测区域。
步骤203,分别提取每个检测区域的LBP二进制序列。
具体地,将检测区域中图像的每个像素点的灰度值与其周围对称邻域内的所有像素点的灰度值进行比较,若邻域内某一个像素点的灰度值大于位于中心的像素点的灰度值,则将邻域内的该像素点的LBP值置为1;否则,LBP值置为0。通常情况下,取半径为1个像素的邻域,这样中心像素点的周围邻域中,具有8个像素点,将每个像素点的LBP值置为1或0,从该中心像素点的正右方的相邻像素点开始,按照顺时针方向,依次获取每个相邻像素点的值,由此产生一个8位的二进制序列。采用同样的方式,检测区域中每个像素点均对应一个8位的二进制序列。当然,可以任意选取对称邻域的大小,例如选取以中心像素点为中心,半径为n(n为正整数)像素的对称邻域,由此确定m个数像素点(m为与n逻辑对应的正整数),再确定每个像素点的LBP值,产生一个m位二进制序列。需要说明的是,具体获取二进制序列时可以以任一相邻像素点为起始像素点,按照顺时针或逆时针顺序获取,但是获取每个像素点的二进制序列的方式必须一致。
步骤204,将所述每个像素点的LBP二进制序列转化为十进制数值。
步骤205,提取其中特定模式的十进制数值作为基本LBP特征属性。
将上述二进制序列转化为十进制数值后,其中,根据统计结果得知,其中一定数量的特定模式的十进制数值出现的次数和,大于所有十进制数值数量总和的90%,则将该一定数量的特定模式的十进制数值确定为基本LBP特征属性。基本过程如下,统计所述一定数量的特定模式的出现的次数,并从中提取出现最多的LBP对应的十进制数值及其出现次数,将一定数量的特定模式的模式相应的数值出现的次数、所述一定数量的特定模式中出现次数最多的LBP对应的十进制数值及其出现次数作为基本LBP特征属性。较佳地,基本LBP特征属性还包括不属于所述特定模式的LBP对应的十进制数值出现的次数总和。例如,使用0~255之间的整数代表256种特征属性,选取其中58种特定模式的十进制数值出现的次数(对应58个数值),并且提取这58种特定模式中出现最多的的LBP的十进制数值及其出现次数(对应2个数值),最后计算出不属于这58种特定模式的LBP对应的十进制数值出现的次数总和(对应1个数值),将上述61个数值(58+2+1)作为基本LBP特征属性。该基本LBP特征属性表示车辆的常规纹理特征;常规纹理特征一般包括:车辆的直线纹理特征、车辆的拐角纹理特征、车辆的边缘纹理特征、或车辆的平面纹理特征等。
经过上述步骤之后,对获得的基本LBP特征属性进行训练,进而确定用于区分是否为车辆的超平面,具体步骤如图3所示,包括:
步骤301,对基本LBP特征属性出现的次数值组成的数组进行标准化处理。
对于一个表示基本LBP特征属性出现次数的数列n,如果该数列的存在极限绝对值|N|,那么将该数列中每个元素除以这个极限值n/|N|,得到的是一个正负百分比序列n%,这样所有元素的取值都归一化在正负1范围内,这样可以防止某一个基本LBP特征属性的绝对值过大,对其他基本LBP特征属性产生影响。
步骤302,将上述基本LBP特征属性出现的次数值组成的数组分为几个等份作为训练样本,分别作封闭测试,确定惩罚系数。
封闭测试是指测试样本属于训练样本集合。通过封闭测试,确定出惩罚系数,以便调整某个训练样本对整体训练样本的影响。例如,将上述第26种属性、第35种属性、第107种属性和第203种属性分为两个等份,进行特征训练,确定惩罚系数。
步骤303,选取线性核函数,根据确定的惩罚系数,对全体训练样本进行训练,获得超平面。
具体地,可以选择SVM(support vector machine,支持向量机)作为训练分类器,该SVM通过一个非线性映射,把训练样本空间映射到一个高维的特征空间中,使得在原来的训练样本空间中非线性可分的问题,转化为在特征空间中的线性可分的问题。简单地说,就是进行升维和线性化。升维是指把训练样本向高维空间做映射,对分类、回归等问题来说,很可能在低维样本空间无法线性处理的训练样本集,在高维特征空间中却可以通过一个线性超平面实现线性划分。一般升维都会带来计算的复杂化,SVM方法巧妙地解决了这个难题,其应用核函数的展开定理,就不需要知道非线性映射的显式表达式。选择不同的核函数,可以生成不同的SVM,常用的核函数有以下4种:
(1)线性核函数K(x,y)=x·y;
(2)多项式核函数K(x,y)=[(x·y)+1]d;
(3)径向基函数K(x,y)=exp(-|x-y|^2/d^2);
(4)二层神经网络核函数(Sigmoid核函数)K(x,y)=tanh(a(x·y)+b)。
由于线性核函数结构简单,计算复杂度低,进而节省计算时间,因此在检测实时路况的条件下,选用线性核函数较为适宜。
其中,超平面是n维欧氏空间中余维度等于一的线性子空间,通过将LBP特征属性与该超平面进行计算点积,再与预设的阈值比较,可以区分图像帧中是否有车辆,即若计算结果大于阈值,则图像帧中的图像存在车辆,否则,不存在车辆。
经过上述基本LBP特征属性和超平面的确定过程,为车辆的检测工作做好准备,具体检测过程如下:
在实际中使用本发明实施例提供的方法,按照图1所示,在道路路口采集图像后,具体实现步骤如下所示:
步骤101,对采集的当前图像帧的兴趣区域进行划分。
具体地,通过摄像机采集图像后,对选取的当前图像帧的兴趣区域进行扫描。其中,可以根据实际道路路口的车道数目、一般情况下车身在图像帧中的位置等因素,确定兴趣区域的位置。例如,在图像帧中,以车尾的位置为起始线,车辆的车身中间线所在直线为终止线,将该起始线和终止线之间的区域设为兴趣区域。
步骤102,将扫描得到的兴趣区域图像划分为多个检测区域,分别提取每个检测区域的LBP特征属性。
该步骤的具体过程如图4所示,包括:
步骤1021,将扫描得到的兴趣区域图像划分为多个检测区域。
可以按照预定规则,将该兴趣区域图像划分为多个检测区域,该多个检测区域组合后可以为整个兴趣区域,也可以为部分兴趣区域。该预定规则可以由用户根据实际需要进行设定,例如将整个区域划分为3×4的区域,即横向均分为3块,纵向均分为4块,或者可以按照预定的检测区域模板,划分检测区域。
步骤1022,分别提取每个检测区域中图像的每个像素点的LBP二进制序列。
具体地,将检测区域中图像的每个像素点的灰度值与其周围对称邻域内的所有像素点的灰度值进行比较,若邻域内某一个像素点的灰度值大于位于中心的像素点的灰度值,则将邻域内的该像素点的LBP值置为1;否则,LBP值置为0。从该中心像素点的正右方的相邻像素点开始,按照顺时针方向,依次获取每个相邻像素点的值,由此产生一个8位的二进制序列。采用同样的方式,检测区域中每个像素点均对应一个8位的二进制序列。需要说明的是,具体获取二进制序列时可以以任一相邻像素点为起始像素点,按照顺时针或逆时针顺序获取,但是获取每个像素点的二进制序列的方式必须一致。
步骤1023,将每个像素点的LBP二进制序列转化为十进制数值。
步骤1024,从LBP二进制序列转化的十进制数值中筛选出属于基本LBP特征属性的十进制数值。
具体地,根据基本LBP特征属性对应的十进制数值对LBP二进制序列转化的十进制数值进行筛选。例如,如果LBP二进制序列转化的十进制数值中的一个数值等于基本LBP特征属性的数值中的一个,则将该十进制值保留,作为一种LBP特征属性。
步骤1025,在所筛选出的属于基本LBP特征属性的十进制数值中,获取出现次数最多的十进制数值以及其出现次数。
步骤1026,将筛选出的属于基本LBP特征属性的十进制数值出现的次数、所述出现次数最多的十进制数值以及其出现次数作为向量元素,组成初始向量集。
较佳的情况,上述初始数组向量,还包括:检测区域中图像的每个像素点的LBP二进制序列转化为十进制数值后,不属于基本LBP特征属性的十进制数值出现的次数总和。
步骤1027,对初始向量集进行标准化处理,获得LBP特征属性。
对初始向量集进行标准化处理的过程与基本LBP特征属性获取过程中特征向量集标准化处理过程相同,在此不再赘述。
步骤103,将每个检测区域的LBP特征属性对应的向量集分别与预置的超平面计算点积,获得各检测区域对应的待检测值;
步骤104,如果各检测区域对应的待检测值中的最大值大于预置阈值,则所述当前图像帧中存在车辆。
其中,该预置阈值为经验值,一般在车辆路口光线充足的条件下,该值为0;若车辆路口光线不充足,容易导致采集的图像清晰度较差,此时可以根据实际情况以及经验调整该阈值。
本发明的车辆检测方法在在确定各检测区域对应的待检测值中的最大值大于预置阈值之后,还包括:
步骤105,触发车辆跟踪和/或车牌识别和/或车辆违章检测等相关车辆的检测过程。
如果各检测区域对应的待检测值中的最大值不大于预置阈值,则确定所述当前图像帧中不存在车辆,并继续检测当前图像帧的下一图像帧。
通过上述描述可知,通过使用本发明实施例提供的车辆检测方法,通过获取局部二值模式LBP特征属性,并结合线性支持向量机训练得到的超平面,确定当前图像帧中是否存在车辆,从而弥补了现有技术中车辆漏检的情况,并降低了车辆监控中的误报率,为电子警察项目、路径二义性项目等提供了有力的基础。
基于同一发明构思,本发明实施例中还提供了一种车辆检测装置,该装置解决问题的原理与车辆检测方法相似,如图5所示,包括:
扫描模块501,用于对采集的当前图像帧的兴趣区域进行扫描;
特征属性提取模块502,用于将扫描得到的兴趣区域图像划分为多个检测区域,分别提取每个检测区域的LBP特征属性;
待检测值获取模块503,用于将每个检测区域的LBP特征属性对应的向量集分别与预置的超平面计算点积,获得各检测区域对应的待检测值;
车辆确定模块504,用于判断所述多个待检测值中数值最大的待检测值是否大于预置阈值,当所选取的待检测值大于所述预置阈值时,确定所述当前图像帧中存在车辆。
较佳的,特征属性提取模块502,具体用于分别提取每个检测区域中图像的每个像素点的LBP二进制序列;将所述每个像素点的LBP二进制序列转化为十进制数值;从LBP二进制序列转化的十进制数值中筛选出属于基本LBP特征属性的十进制数值;在所述筛选出的属于基本LBP特征属性的十进制数值中,获取出现次数最多的十进制数值以及其出现次数;将筛选出的属于基本LBP特征属性的十进制数值出现的次数、所述出现次数最多的十进制数值以及其出现次数作为向量元素,组成初始向量集;对所述初始向量集进行标准化处理,获得LBP特征属性。
较佳地,所述LBP特征属性还包括不属于基本LBP特征属性的十进制数值出现的次数总和。
较佳地,该装置还包括触发模块505,用于当所述车辆确定模块确定当前图像帧中存在车辆时,触发车辆跟踪和/或车牌识别和/或车辆违章检测。
通过上述描述可知,使用本发明实施例提供的方法和装置,通过获取局部二值模式LBP特征属性,并结合线性支持向量机训练得到的超平面,确定当前图像帧中是否存在车辆,从而弥补了现有技术中车辆漏检的情况,并降低了车辆监控中的误报率,为电子警察项目、路径二义性项目等提供了有力的基础。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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 (13)
1.一种车辆检测方法,其特征在于,该方法包括:
对采集的当前图像帧的兴趣区域进行扫描;
将扫描得到的兴趣区域图像划分为多个检测区域,分别提取每个检测区域的局部二值模式特征属性;
将每个检测区域的局部二值模式特征属性对应的向量集分别与预置的超平面计算点积,获得各检测区域对应的待检测值;
如果各检测区域对应的待检测值中的最大值大于预置阈值,则所述当前图像帧中存在车辆。
2.根据权利要求1所述的车辆检测方法,其特征在于,在对采集的当前图像帧的兴趣区域进行扫描前,还包括步骤:确定基本局部二值模式特征属性和确定超平面。
3.根据权利要求2所述的车辆检测方法,其特征在于,所述确定基本局部二值模式特征属性,包括:
对预置的具有车辆的图像帧的兴趣区域进行扫描;
将扫描得到的兴趣区域图像划分为多个检测区域;
分别提取每个检测区域的局部二值模式二进制序列;
将所述每个像素点的局部二值模式二进制序列转化为十进制数值;
提取其中特定模式的十进制数值作为基本局部二值模式特征属性。
4.根据权利要求3所述的车辆检测方法,其特征在于,提取其中特定模式的十进制数值作为基本局部二值模式特征属性包括:
将一定数量的特定模式的模式相应的十进制数值出现的次数、所述一定数量的特定模式中出现次数最多的局部二值模式对应的十进制数值及其出现次数。
5.根据权利要求4所述的车辆检测方法,其特征在于,所述基本局部二值模式的特征属性还包括:
不属于所述特定模式的局部二值模式对应的十进制数值出现的次数总和。
6.根据权利要求4所述的车辆检测方法,其特征在于,
所述预定的基本局部二值模式特征属性表示车辆的常规纹理特征;
所述常规纹理特征包括:车辆的直线纹理特征、车辆的拐角纹理特征、车辆的边缘纹理特征、车辆的平面纹理特征。
7.根据权利要求3所述的车辆检测方法,其特征在于,对所述基本局部二值模式特征属性对应的向量集,进行标准化处理,对所述标准化处理后得到的向量集进行训练,获得所述预置的超平面。
8.根据权利要求2所述的车辆检测方法,其特征在于,所述分别提取每个检测区域的局部二值模式特征属性,包括:
分别提取每个检测区域中图像的每个像素点的局部二值模式二进制序列;
将所述每个像素点的局部二值模式二进制序列转化为十进制数值;
从局部二值模式二进制序列转化的十进制数值中筛选出属于基本局部二值模式特征属性的十进制数值;
在所述筛选出的属于基本局部二值模式特征属性的十进制数值中,获取出现次数最多的十进制数值以及其出现次数;
将筛选出的属于基本局部二值模式特征属性的十进制数值出现的次数、所述出现次数最多的十进制数值及其出现次数作为向量元素,组成初始向量集;
对所述初始向量集进行标准化处理,获得局部二值模式特征属性。
9.如权利要求8所述的方法,其特征在于,所述初始数组向量中的向量元素,还包括:
检测区域中图像的每个像素点的局部二值模式二进制序列转化为十进制数值后,不属于所述基本局部二值模式特征属性的十进制数值出现的次数总和。
10.根据权利要求1所述的车辆检测方法,其特征在于,当所述待检测值不大于所述预置阈值时,确定所述当前图像帧中不存在车辆,检测当前图像帧的下一图像帧。
11.根据权利要求1所述的车辆检测方法,其特征在于,确定所述当前图像帧中存在车辆之后,还包括:
触发车辆跟踪和/或车牌识别和/或车辆违章检测。
12.一种车辆检测装置,其特征在于,包括:
扫描模块,用于对采集的当前图像帧的兴趣区域进行扫描;
特征属性提取模块,用于将扫描得到的兴趣区域图像划分为多个检测区域,分别提取每个检测区域的局部二值模式特征属性;
待检测值获取模块,用于将每个检测区域的局部二值模式特征属性对应的向量集分别与预置的超平面计算点积,获得各检测区域对应的待检测值;
车辆确定模块,用于判断所述多个待检测值中数值最大的待检测值是否大于预置阈值,当所选取的待检测值大于所述预置阈值时,确定所述当前图像帧中存在车辆。
13.根据权利要求12所述的车辆检测装置,其特征在于,还包括:
触发模块,用于当所述车辆确定模块确定当前图像帧中存在车辆时,触发车辆跟踪和/或车牌识别和/或车辆违章检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110103886 CN102156860A (zh) | 2011-04-25 | 2011-04-25 | 车辆检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110103886 CN102156860A (zh) | 2011-04-25 | 2011-04-25 | 车辆检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102156860A true CN102156860A (zh) | 2011-08-17 |
Family
ID=44438351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110103886 Pending CN102156860A (zh) | 2011-04-25 | 2011-04-25 | 车辆检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102156860A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246134A (zh) * | 2019-06-24 | 2019-09-17 | 株洲时代电子技术有限公司 | 一种钢轨伤损分类装置 |
CN110264398A (zh) * | 2019-07-16 | 2019-09-20 | 北京市商汤科技开发有限公司 | 图像处理方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251927A (zh) * | 2008-04-01 | 2008-08-27 | 东南大学 | 基于视频技术的车辆检测与跟踪方法 |
CN101650783A (zh) * | 2008-08-13 | 2010-02-17 | 株式会社Ntt都科摩 | 图像识别方法以及摄像装置 |
CN101968924A (zh) * | 2010-10-19 | 2011-02-09 | 北方工业大学 | 基于高分辨率图像的车流量实时检测方法 |
-
2011
- 2011-04-25 CN CN 201110103886 patent/CN102156860A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251927A (zh) * | 2008-04-01 | 2008-08-27 | 东南大学 | 基于视频技术的车辆检测与跟踪方法 |
CN101650783A (zh) * | 2008-08-13 | 2010-02-17 | 株式会社Ntt都科摩 | 图像识别方法以及摄像装置 |
CN101968924A (zh) * | 2010-10-19 | 2011-02-09 | 北方工业大学 | 基于高分辨率图像的车流量实时检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246134A (zh) * | 2019-06-24 | 2019-09-17 | 株洲时代电子技术有限公司 | 一种钢轨伤损分类装置 |
CN110264398A (zh) * | 2019-07-16 | 2019-09-20 | 北京市商汤科技开发有限公司 | 图像处理方法及装置 |
CN110264398B (zh) * | 2019-07-16 | 2021-05-28 | 北京市商汤科技开发有限公司 | 图像处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen | Automatic License Plate Recognition via sliding-window darknet-YOLO deep learning | |
Amato et al. | Deep learning for decentralized parking lot occupancy detection | |
CN103258213B (zh) | 一种用于智能交通***中的动态车辆车型识别方法 | |
CN105938560B (zh) | 一种基于卷积神经网络的车型精细分类*** | |
CN109711264B (zh) | 一种公交车道占道检测方法及装置 | |
Soon et al. | PCANet-based convolutional neural network architecture for a vehicle model recognition system | |
CN109711437A (zh) | 一种基于yolo网络模型的变压器部件识别方法 | |
Derpanis et al. | Classification of traffic video based on a spatiotemporal orientation analysis | |
CN103218621B (zh) | 一种室外视频监控中多尺度车辆的识别方法 | |
CN101859382A (zh) | 一种基于最大稳定极值区域的车牌检测与识别的方法 | |
CN105740886B (zh) | 一种基于机器学习的车标识别方法 | |
Yu et al. | Vehicle logo recognition based on bag-of-words | |
Chen et al. | Multi-shape descriptor vehicle classification for urban traffic | |
CN108090459B (zh) | 一种适用于车载视觉***的交通标志检测识别方法 | |
CN109472262A (zh) | 车牌识别方法、装置、计算机设备及存储介质 | |
CN105224945B (zh) | 一种基于联合检测与辨识算法的车标识别方法 | |
Mao et al. | Rapid vehicle logo region detection based on information theory | |
Mammeri et al. | North-American speed limit sign detection and recognition for smart cars | |
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 | |
Tian et al. | An algorithm combined with color differential models for license-plate location | |
Sikirić et al. | Image representations on a budget: Traffic scene classification in a restricted bandwidth scenario | |
Thubsaeng et al. | Vehicle logo detection using convolutional neural network and pyramid of histogram of oriented gradients | |
CN111062319B (zh) | 一种基于主动红外图像的驾驶员打电话检测方法 | |
CN102156860A (zh) | 车辆检测方法和装置 | |
Vashisth et al. | Histogram of Oriented Gradients based reduced feature for traffic sign recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20110817 |