CN105513371B - 一种基于核密度估计的高速公路违章停车检测方法 - Google Patents
一种基于核密度估计的高速公路违章停车检测方法 Download PDFInfo
- Publication number
- CN105513371B CN105513371B CN201610027241.4A CN201610027241A CN105513371B CN 105513371 B CN105513371 B CN 105513371B CN 201610027241 A CN201610027241 A CN 201610027241A CN 105513371 B CN105513371 B CN 105513371B
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- background image
- frame
- parking offense
- 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
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于核密度估计的高速公路违章停车检测方法,属于图像处理领域。本发明首先采用非参数核密度模型进行背景抽取,得到背景图像;接着对背景图像采用渐变更新方式更新,得到更新后的背景图像;将当前采集的图像减去背景图像,得到运动前景;接着标定运动目标车辆质心位置;再跟踪目标车辆,并且测量质心间的距离;当质心间的距离不断减小,表示进入减速过程;在目标车辆进入减速过程之后,判断其运行状态;当运行状态为静止状态时,计算违章停车时间;最后根据违章停车时间确定是否为违停。本发明能够对监控场景进行实时监控,发现违停车辆及时报警;处理速度快,提高了报警的准确性,且具有实时性好,鲁棒性强,准确率高等特点。
Description
技术领域
本发明涉及一种基于核密度估计的高速公路违章停车检测方法,属于图像处理领域。
背景技术
随着现代高速公路建设技术的飞速发展,城市的汽车保有量日益增多,与此同时也带来了很多问题。违章停车作为亟待解决的问题之一,已经引起了交通管理部门的重视。传统的违章停车检测主要是通过交警定点实施人工监管,效率低,无法实现实时监控,极大地浪费了相关部门的人力和物力。近年来,基于监控视频进行违章停车检测和识别的方法受到了越来越多的关注,这种方法具有准确率高、实时性好、成本低、容易收集证据等优点。
随着视频图像处理技术的进步,视频监控***在交通领域的应用日益广泛,视频检测技术也有了长足的发展。但近年来研究主要集中于运动物体检测、交通车辆监控的***技术架构设计,以及交通流量检测、运动目标识别、道路行人监控等城市环境下的低速物体检测,目前在高速公路环境下的高速运动目标停车检测技术相对薄弱。停车事件是指运动车辆在道路上由运动到静止,且静止时间超过设定值。目前国内外有关这方面的研究成果还很少。因此,发明一种有效的违章停车事件检测方法意义重大。
发明内容
针对目前的基于视频监控的违章停车检测方法存在的上述问题,本发明提供了一种基于核密度估计的高速公路违章停车检测方法。
本发明的技术方案是:一种基于核密度估计的高速公路违章停车检测方法,首先采用非参数核密度模型进行背景抽取,得到背景图像;接着对背景图像采用渐变更新方式更新,得到更新后的背景图像;将当前采集的图像减去背景图像,得到运动前景;接着标定运动目标车辆质心位置;再跟踪目标车辆,并且测量质心间的距离;当质心间的距离不断减小,表示进入减速过程;在目标车辆进入减速过程之后,判断其运行状态;当运行状态为静止状态时,计算违章停车时间;最后根据违章停车时间确定是否为违停。
所述方法的具体步骤如下:
Step1、采用非参数核密度模型进行背景抽取,得到背景图像I1;
Step2、对背景图像I1采用渐变更新方式更新,得到更新后的背景图像I2;
Step3、将当前采集的图像I减去背景图像I2,得到运动前景;
Step4、利用目标边界邻接矩形标定运动前景中的运动目标,得到运动目标车辆,接着利用灰度图像质心快速算法计算运动目标车辆的初始质心位置M1(x,y);
Step5、隔帧测量对应运动目标车辆的质心位置并记录每次的结果,则运动目标车辆的质心距离可表示为:
ΔMi,i-2(x,y)=Mi(x,y)-Mi-2(x,y),i=3,5,7,...n
其中,Mi(x,y)和Mi-2(x,y)分别表示第i帧和第i-2帧的质心位置,ΔMi,i-2(x,y)表示第i帧和第i-2帧的质心位置之间的距离;n表示第n帧;
若有ΔMi,i-2(x,y)>ΔMi+2,i(x,y),i=3,5,7,...n,表示相邻两隔帧质心位置之间的距离之差逐渐减小,则判定运动目标车辆存在减速趋势,进入减速过程;
Step6、在目标车辆进入减速过程之后,判断其运行状态:当存在ΔMi,i-2(x,y)|<λ,i=3,5,7,...n,则认为目标车辆进入静止状态;其中,λ表示判定目标车辆进入静止状态的阈值;
Step7、计算判定为进入静止的目标车辆的违章停车时间t:
其中,Δf是当前帧值与目标车辆进入静止状态的帧值的差值;f是视频的帧率;
Step8、判断违章停车时间t与停车检测时间阈值T的关系:若t≥T,则判定车辆违章停车。
本发明的有益效果是:有效克服了传统人工检测违章停车的缺点,能够对监控场景进行实时监控,发现违停车辆及时报警。该方法相对于现有的基于视频监控的违章停车检测方法而言,处理速度快,提高了报警的准确性,且该方法具有实时性好,鲁棒性强,准确率高等特点,为城市交通的智能化管理提供了有效的技术手段。
附图说明
图1为本发明的流程图。
具体实施方式
实施例1:如图1所示,一种基于核密度估计的高速公路违章停车检测方法,首先采用非参数核密度模型进行背景抽取,得到背景图像;接着对背景图像采用渐变更新方式更新,得到更新后的背景图像;将当前采集的图像减去背景图像,得到运动前景;接着标定运动目标车辆质心位置;再跟踪目标车辆,并且测量质心间的距离;当质心间的距离不断减小,表示进入减速过程;在目标车辆进入减速过程之后,判断其运行状态;当运行状态为静止状态时,计算违章停车时间;最后根据违章停车时间确定是否为违停。
所述方法的具体步骤如下:
Step1、采用非参数核密度模型进行背景抽取,得到背景图像I1;
Step2、对背景图像I1采用渐变更新方式更新,得到更新后的背景图像I2;
Step3、将当前采集的图像I减去背景图像I2,得到运动目标前景;
Step4、利用目标边界邻接矩形标定运动前景中的运动目标,得到运动目标车辆,接着利用灰度图像质心快速算法计算运动目标车辆的初始质心位置M1(x,y);(针对矩形标定的目标若符合设计要求,则作为运动目标车辆,针对人、非机动车辆不作为运动目标车辆;其中符合设计要求可以理解为,被标定的目标处在要求的大小矩形区域内);
Step5、隔帧测量对应运动目标车辆的质心位置并记录每次的结果,则运动目标车辆的质心距离可表示为:
ΔMi,i-2(x,y)=Mi(x,y)-Mi-2(x,y),i=3,5,7,...n
其中,Mi(x,y)和Mi-2(x,y)分别表示第i帧和第i-2帧的质心位置,ΔMi,i-2(x,y)表示第i帧和第i-2帧的质心位置之间的距离;
若有ΔMi,i-2(x,y)>ΔMi+2,i(x,y),i=3,5,7,...n,表示相邻两隔帧质心位置之间的距离之差逐渐减小,则判定运动目标车辆存在减速趋势,进入减速过程;
Step6、在目标车辆进入减速过程之后,判断其运行状态:当存在ΔMi,i-2(x,y)|<λ,i=3,5,7,...n,则认为目标车辆进入静止状态;其中,λ=20cm-100cm表示判定目标车辆进入静止状态的阈值;
Step7、计算判定为进入静止的目标车辆的违章停车时间t:
其中,Δf是当前帧值与目标车辆进入静止状态的帧值的差值(如存在|ΔM111,109(x,y)|<λ,则可知目标车辆进入静止状态的帧值为109,当前帧值表示判定为进入静止的目标车辆实时监测时的帧值);f=24帧/s是视频的帧率;
Step8、判断违章停车时间t与停车检测时间阈值T=15min-20min的关系:若t≥T,则判定车辆违章停车且可报警,并对后续的运动目标车辆进行判定。
实施例2:如图1所示,一种基于核密度估计的高速公路违章停车检测方法,首先采用非参数核密度模型进行背景抽取,得到背景图像;接着对背景图像采用渐变更新方式更新,得到更新后的背景图像;将当前采集的图像减去背景图像,得到运动前景;接着标定运动目标车辆质心位置;再跟踪目标车辆,并且测量质心间的距离;当质心间的距离不断减小,表示进入减速过程;在目标车辆进入减速过程之后,判断其运行状态;当运行状态为静止状态时,计算违章停车时间;最后根据违章停车时间确定是否为违停。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (1)
1.一种基于核密度估计的高速公路违章停车检测方法,其特征在于:首先采用非参数核密度模型进行背景抽取,得到背景图像;接着对背景图像采用渐变更新方式更新,得到更新后的背景图像;将当前采集的图像减去背景图像,得到运动前景;接着标定运动目标车辆质心位置;再跟踪目标车辆,并且测量质心间的距离;当质心间的距离不断减小,表示进入减速过程;在目标车辆进入减速过程之后,判断其运行状态;当运行状态为静止状态时,计算违章停车时间;最后根据违章停车时间确定是否为违停;
所述方法的具体步骤如下:
Step1、采用非参数核密度模型进行背景抽取,得到背景图像I1;
Step2、对背景图像I1采用渐变更新方式更新,得到更新后的背景图像I2;
Step3、将当前采集的图像I减去背景图像I2,得到运动前景;
Step4、利用目标边界邻接矩形标定运动前景中的运动目标,得到运动目标车辆,接着利用灰度图像质心快速算法计算运动目标车辆的初始质心位置M1(x,y);
Step5、隔帧测量对应运动目标车辆的质心位置并记录每次的结果,则运动目标车辆的质心距离可表示为:
ΔMi,i-2(x,y)=Mi(x,y)-Mi-2(x,y),i=3,5,7,...n
其中,Mi(x,y)和Mi-2(x,y)分别表示第i帧和第i-2帧的质心位置,ΔMi,i-2(x,y)表示第i帧和第i-2帧的质心位置之间的距离;
若有ΔMi,i-2(x,y)>ΔMi+2,i(x,y),i=3,5,7,...n,表示相邻两隔帧质心位置之间的距离之差逐渐减小,则判定运动目标车辆存在减速趋势,进入减速过程;
Step6、在目标车辆进入减速过程之后,判断其运行状态:当存在|ΔMi,i-2(x,y)|<λ,i=3,5,7,...n,则认为目标车辆进入静止状态;其中,λ表示判定目标车辆进入静止状态的阈值;
Step7、计算判定为进入静止的目标车辆的违章停车时间t:
<mrow>
<mi>t</mi>
<mo>=</mo>
<mi>&Delta;</mi>
<mi>f</mi>
<mo>&times;</mo>
<mfrac>
<mn>1</mn>
<mi>f</mi>
</mfrac>
</mrow>
其中,Δf是当前帧值与目标车辆进入静止状态的帧值的差值;f是视频的帧率;
Step8、判断违章停车时间t与停车检测时间阈值T的关系:若t≥T,则判定车辆违章停车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610027241.4A CN105513371B (zh) | 2016-01-15 | 2016-01-15 | 一种基于核密度估计的高速公路违章停车检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610027241.4A CN105513371B (zh) | 2016-01-15 | 2016-01-15 | 一种基于核密度估计的高速公路违章停车检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105513371A CN105513371A (zh) | 2016-04-20 |
CN105513371B true CN105513371B (zh) | 2017-12-22 |
Family
ID=55721312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610027241.4A Active CN105513371B (zh) | 2016-01-15 | 2016-01-15 | 一种基于核密度估计的高速公路违章停车检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105513371B (zh) |
Families Citing this family (10)
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 |
KR102652023B1 (ko) * | 2016-10-28 | 2024-03-26 | 삼성에스디에스 주식회사 | 실시간 교통 정보 제공 방법 및 장치 |
CN107154045B (zh) * | 2017-03-31 | 2020-06-09 | 南京航空航天大学 | 一种基于计算机视觉的导流区违章轧线车辆精确定位方法 |
CN107609491B (zh) * | 2017-08-23 | 2020-05-26 | 中国科学院声学研究所 | 一种基于卷积神经网络的车辆违章停车检测方法 |
CN108062762A (zh) * | 2017-12-22 | 2018-05-22 | 湖南源信光电科技股份有限公司 | 一种基于核密度估计的目标跟踪方法 |
CN108932851B (zh) * | 2018-06-22 | 2021-03-30 | 安徽科力信息产业有限责任公司 | 一种记录机动车违法停车行为的方法及装置 |
CN109063612A (zh) * | 2018-07-19 | 2018-12-21 | 中智城信息技术有限公司 | 城市智能红线管理方法及机器可读存储介质 |
CN109243181A (zh) * | 2018-09-21 | 2019-01-18 | 深圳市轱辘汽车维修技术有限公司 | 交通事故预警方法、装置、终端设备及存储介质 |
CN109919053A (zh) * | 2019-02-24 | 2019-06-21 | 太原理工大学 | 一种基于监控视频的深度学习车辆停车检测方法 |
CN110163107B (zh) * | 2019-04-22 | 2021-06-29 | 智慧互通科技股份有限公司 | 一种基于视频帧识别路侧停车行为的方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4107605B2 (ja) * | 2005-02-01 | 2008-06-25 | シャープ株式会社 | 移動体周辺監視装置、移動体周辺監視方法、制御プログラムおよび可読記録媒体 |
CN103208126B (zh) * | 2013-04-17 | 2016-04-06 | 同济大学 | 一种自然环境下运动物体监测方法 |
CN103345618A (zh) * | 2013-06-21 | 2013-10-09 | 银江股份有限公司 | 一种基于视频技术的交通违章检测方法 |
CN103745203B (zh) * | 2014-01-15 | 2017-03-15 | 南京理工大学 | 基于视觉注意和均值漂移的目标检测与跟踪方法 |
CN104463913A (zh) * | 2014-12-25 | 2015-03-25 | 天津艾思科尔科技有限公司 | 违规停车智能检测装置与方法 |
CN105160326A (zh) * | 2015-09-15 | 2015-12-16 | 杭州中威电子股份有限公司 | 一种高速公路上停车的自动检测方法与装置 |
-
2016
- 2016-01-15 CN CN201610027241.4A patent/CN105513371B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105513371A (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105513371B (zh) | 一种基于核密度估计的高速公路违章停车检测方法 | |
CN104008645B (zh) | 一种适用于城市道路车道线预测及预警方法 | |
CN102819952B (zh) | 一种基于视频检测技术的车辆违法变道检测方法 | |
CN102622886B (zh) | 一种基于视频的车辆违章变道事件检测方法 | |
CN102568206B (zh) | 一种基于视频监控的违章停车检测方法 | |
CN103903465B (zh) | 一种道路拥堵原因实时发布方法及*** | |
CN109285341B (zh) | 一种基于实时视频的城市道路车辆异常停驶检测方法 | |
CN103914688A (zh) | 一种城市道路障碍物识别*** | |
CN103345840B (zh) | 一种交叉道路口横穿道路事件视频检测方法 | |
CN102496281B (zh) | 一种基于跟踪与虚拟线圈结合的车辆闯红灯检测方法 | |
CN102254429A (zh) | 一种基于视频识别的违章车辆检测装置和方法 | |
CN110688922A (zh) | 基于深度学习的交通拥堵检测***及检测方法 | |
CN104157156A (zh) | 一种高速公路危险路段车速动态管理预警方法 | |
CN100466010C (zh) | 异类交通信息实时融合方法 | |
CN104537841A (zh) | 无牌车辆违章检测方法及其检测*** | |
CN102289940A (zh) | 一种基于混合差分的车流量检测方法 | |
CN202422420U (zh) | 一种基于视频监控的违章停车检测*** | |
CN107194957A (zh) | 智能驾驶中激光雷达点云数据与车辆信息融合的方法 | |
CN105427620B (zh) | 一种基于出租车运行数据的非法营运车辆识别方法 | |
CN103810854B (zh) | 一种基于人工标定的智能交通参数检测方法 | |
CN104882005B (zh) | 一种检测车道车流量的方法及装置 | |
CN104658272A (zh) | 一种基于双目立体视觉的道路车流量统计与测速方法 | |
CN103150908A (zh) | 一种基于视频的平均车速检测方法 | |
CN103794050A (zh) | 一种实时的交通车辆检测与跟踪方法 | |
CN105389978A (zh) | 封闭快速道路监测***及监控数据处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |