CN108831158A - 违停监测方法、装置及电子终端 - Google Patents
违停监测方法、装置及电子终端 Download PDFInfo
- Publication number
- CN108831158A CN108831158A CN201810946422.6A CN201810946422A CN108831158A CN 108831158 A CN108831158 A CN 108831158A CN 201810946422 A CN201810946422 A CN 201810946422A CN 108831158 A CN108831158 A CN 108831158A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- feature vector
- image data
- road
- similarity
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种违停监测方法、装置及电子终端。获得监测区域中的道路图像数据;将所述道路图像数据进行匹配识别,以识别出所述道路图像数据中的占道经营区图像;提取所述占道经营区图像中的监测特征向量;将所述监测特征向量与预先的标准特征向量进行对比得到所述监测特征向量与所述标准特征向量的相似度;以及根据所述相似度得到所述监测区域的道路监测的监测结果。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种违停监测方法、装置及电子终端。
背景技术
目前针对于城市道路的违规停车的监测,一般是通过交警巡逻查看以判断道路中是否存在违规停车的行为,基于人工进行识别的方式,这种方式相对效率较低,而且也比较浪费人力资源。
发明内容
有鉴于此,本发明实施例的目的在于提供一种违停监测方法、装置及电子终端。
本发明实施例提供的一种违停监测方法,包括:
获得监测区域中的道路图像数据;
将所述道路图像数据进行匹配识别,以识别出所述道路图像数据中的占道经营区图像;
提取所述占道经营区图像中的监测特征向量;
将所述监测特征向量与预先的标准特征向量进行对比得到所述监测特征向量与所述标准特征向量的相似度;以及
根据所述相似度得到所述监测区域的道路监测的监测结果。
本发明实施例还提供一种违停监测装置,包括:
获得模块,用于获得监测区域中的道路图像数据;
识别模块,用于将所述道路图像数据进行匹配识别,以识别出所述道路图像数据中的占道经营区图像;
提取模块,用于提取所述占道经营区图像中的监测特征向量;
对比模块,用于将所述监测特征向量与预先的标准特征向量进行对比得到所述监测特征向量与所述标准特征向量的相似度;
得到模块,用于根据所述相似度得到所述监测区域的道路监测的监测结果。
本发明实施例还提供一种电子终端,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
与现有技术相比,本发明实施例的违停监测方法,通过将获得的检测区域的道路图像数据进行处理得到监测特征向量,将监测特征向量与不存在违停时的道路图像对应的标准特征向量进行判断相似度,从而得到对道路监测的监测结果,不再需要人工识别道路,可以提高对道路监测的效率,节省人力资源。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的电子终端的方框示意图。
图2为本发明实施例提供的违停监测方法的流程图。
图3为本发明实施例提供的另一违停监测方法的流程图。
图4为本发明实施例提供的违停监测方法的部分流程图。
图5为本发明实施例提供的违停监测装置的功能模块示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,是所述电子终端100的方框示意图。所述电子终端100包括违停监测装置110、存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对电子终端100的结构造成限定。例如,电子终端100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
本实施例中,所述电子终端100可以是电视机等显示设备。
所述存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述违停监测装置110包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器111中或固化在所述电子终端100的操作***(Operating System,OS)中的软件功能模块。所述处理器113用于执行存储器中存储的可执行模块,例如所述违停监测装置110包括的软件功能模块或计算机程序。
其中,所述存储器111可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器111用于存储程序,所述处理器113在接收到执行指令后,执行所述程序,本发明实施例任一实施例揭示的过程定义的电子终端100所执行的方法可以应用于处理器113中,或者由处理器113实现。
所述处理器113可能是一种集成电路芯片,具有信号的处理能力。上述的处理器113可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述外设接口114将各种输入/输入装置耦合至处理器113以及存储器111。在一些实施例中,外设接口114,处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
所述输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是,但不限于,鼠标和键盘等。
所述显示单元116在所述电子终端100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器进行计算和处理。
进一步地,本实施例中的电子终端100可用于执行下面方法实施例中的各个步骤。
请参阅图2,是本发明实施例提供的应用于图1所示的电子终端的违停监测方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤S101,获得监测区域中的道路图像数据。
本实施例中,所述道路图像可以是由无人机采集得到的图像。所述无人机可以将采集得到的所述监测区域的道路图像数据实时或按照设定的时间规则发送给所述电子终端。当然,所述道路图像数据可以使用其它采集设备采集,例如,可以使用摄像机、监控摄像头、手机等能够实现图像数据采集的设备。
进一步地,所述道路图像数据也可以是预先采集并存储在所述电子终端的存储器中、或指定数据库中,需要对所述道路图像数据进行处理时,可以从所述存储器或数据库中获取数据。
步骤S102,将所述道路图像数据进行匹配识别,以识别出所述道路图像数据中的占道经营区图像。
本实施例中,所述占道经营区图像可以表示可能容易车主违规停车的路段的道路图像。例如,所述容易车主违规停车的路段可以是饭店门口、隐蔽小路区域等。
步骤S103,提取所述占道经营区图像中的监测特征向量。
本实施例中,所述获得监测区域中的道路图像数据的步骤之前,如图3所示,所述方法还包括:步骤S201,接收对监测区域的选择操作,以选择出占道经营区的特征标志。
所述步骤S103可以替换为步骤S202,查找所述道路图像数据中的特征标志图像,根据所述特征标志图像匹配出所述道路图像数据中的主干道,再根据所述主干道的位置截取占道经营区图像。
在一种实施方式中,可以使用尺度不变特征变换(Scale-invariant featuretransform,简称:SIFT)方法找出主干道中的特征标志图像,从而对主干道进行定位。进一步地,通过占道经营区与主干道的相对位置,可以得到所述占道经营区的位置,进一步地,可以在所述道路图像数据截取所述占道经营区图像。本实施例中,所述占道经营区可以就是主干道。
步骤S104,将所述监测特征向量与预先的标准特征向量进行对比得到所述监测特征向量与所述标准特征向量的相似度。
本实施例中,所述监测特征向量与预先的标准特征向量对应的图像是对同一位置、同一拍摄角度得到拍摄图像。其中,所述标准特征向量对应的图像为正常状态下(不存在违规停车的情况下)拍摄的图像。所述监测特征向量对应的图像为在监测时间段拍摄的图像。
本实施例中,所述标准特征向量可以是由正常道路状态时的图像数据中提取的特征向量。
进一步地,所述标准特征向量与所述监测特征向量对应的图像的角度是相同的。例如,所述标准特征向量与所述监测特征向量对应的图像均可以是在同一位置及方向的与地面呈45度夹角拍摄得到的。
进一步地,所述标准特征向量与所述监测特征向量对应的图像,对应的拍摄该图像的采集设备的型号相同。
通过对比相同角度的拍摄得到的数据可以减少因为角度不同导致的判断错误的情况。
步骤S105,根据所述相似度得到所述监测区域的道路监测的监测结果。
本实施例中,所述步骤S105,包括:判断所述相似度是否小于预设阈值,当所述相似度小于预设阈值时,确定所述道路图像数据对应的道路上存在违规停车。
所述预设阈值可以按照需求设置,例如,所述预设阈值可以是90%、80%等数值。可以知道的是,本领域的技术人员在需要使用时,可以根据经验标准设置所述预设阈值。
本发明实施例的违停监测方法,通过将获得的检测区域的道路图像数据进行处理得到监测特征向量,将监测特征向量与不存在违停时的道路图像对应的标准特征向量进行判断相似度,从而得到对道路监测的监测结果,不再需要人工识别道路,可以提高对道路监测的效率,节省人力资源。
进一步地,所述确定所述道路图像数据对应的道路上存在违规停车的步骤之后,所述方法还包括:发出报警提示消息。例如,可以发出报警语音消息。例如,“当前监测的路段存在违规停车”。再例如,可以在电子终端的显示界面上显示文字提示消息。又例如,所述电子终端可以向指定账号发送报警消息,所述报警消息的内容可以包括违规停车发生的位置、违规停车的车牌号等。
进一步地,所述确定所述道路图像数据对应的道路上存在违规停车的步骤之后,所述方法还包括:在所述道路图像数据中判断为违规停车的位置设置异常标注。所述异常标注可以是文字标注,也可以是颜色标注,还可以是线框标注等。
本实施例中,所述步骤S103包括:提取所述占道经营区图像的Gabor特征、局部二进制模式特征、HOG特征的任意一项或任意组合作为监测特征向量。
下面分别详细描述三种特征的提取方式。
其中,Gabor变换属于加窗傅立叶变换,Gabor函数可以在频域不同尺度、不同方向上提取相关的特征。
Gabor小波与人类视觉***中简单细胞的视觉刺激响应非常相似。它在提取目标的局部空间和频率域信息方面具有良好的特性。虽然Gabor小波本身并不能构成正交基,但在特定参数下可构成紧框架。Gabor小波对于图像的边缘敏感,能够提供良好的方向选择和尺度选择特性,而且对于光照变化不敏感,能够提供对光照变化良好的适应性。
与传统的傅立叶变换相比,Gabor小波变换具有良好的时频局部化特性。即非常容易地调整Gabor滤波器的方向、基频带宽及中心频率从而能够最好的兼顾信号在时空域和频域中的分辨能力;Gabor小波变换具有多分辨率特性即变焦能力。即采用多通道滤波技术,将一组具有不同时频域特性的Gabor小波应用于图像变换,每个通道都能够得到输入图像的某种局部特性,这样可以根据需要在不同粗细粒度上分析图像。此外,在特征提取方面,Gabor小波变换与其它方法相比:一方面其处理的数据量较少,能满足***的实时性要求;另一方面,小波变换对光照变化不敏感,且能容忍一定程度的图像旋转和变形,当采用基于欧氏距离进行识别时,特征模式与待测特征不需要严格的对应,故能提高特征识别的鲁棒性。
通过Gabor函数提取Gabor特征可以通以下方式实现:
先对道路图像数据中需要提取特征的占道经营区图像I(x,y)进行实数形式的Gabor变换,得到处理后的图像。
例如,需要处理的占道经营区图像大小可以为128*128,可以先通过变换得到处理后的图像,大小也是128*128。直接提取特征的话,特征维数太高,不利于后续处理。可以对图像进行分块,分别水平和垂直方向取16等分,将整个图像分成64个16*16大小的子图像块。
然后计算每一子图像块对应的能量,其中每一块子图像块对应的能量可以表示为:
其中,e(k)表示子图像块的能量;a(k)表示子图像块中的一像素的能量;
最后将能量矩阵降维成1*64的行向量,作为原始图像在某一方向和尺度变换后的特征向量。
其中,原始的LBP算子定义在像素3*3的邻域内,以邻域中心像素为阈值,相邻的8个像素的灰度值与邻域中心的像素值进行比较,若周围像素大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3*3邻域内的8个点经过比较可产生8位二进制数,将这8位二进制数依次排列形成一个二进制数字,这个二进制数字就是中心像素的LBP值,LBP值共有2828种可能,因此LBP值有256种,中心像素的LBP值反映了该像素周围区域的纹理信息。通过上述处理方式可以提取所述占道经营区图像的监测特征向量。
其中:计算LBP特征的图像必须是灰度图,如果是彩色图,需要先将所述占道经营区图像转换成灰度图。
向梯度直方图(Histogram of Oriented Gradient,HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功。
在一副图像中,局部目标的表象和形状(appearance and shape)能够被梯度或边缘的方向密度分布很好地描述。(本质:梯度的统计信息,而梯度主要存在于边缘的地方)。
提取HOG特征可以通以下方式实现:
首先,将所述占道经营区图像分成小的连通区域,我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。
进一步地,把这些局部直方图在图像的更大的范围内(我们把它叫区间或block)进行对比度归一化(contrast-normalized),所采用的方法是:先计算各直方图在这个区间(block)中的密度,然后根据这个密度对区间中的各个细胞单元做归一化。通过这个归一化后,能对光照变化和阴影获得更好的效果。
与其他的特征描述方法相比,HOG有很多优点。首先,由于HOG是在图像的局部方格单元上操作,所以它对图像几何的和光学的形变都能保持很好的不变性,这两种形变只会出现在更大的空间领域上。其次,在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下,只要行人大体上能够保持直立的姿势,可以容许行人有一些细微的肢体动作,这些细微的动作可以被忽略而不影响检测效果。因此HOG特征是特别适合于做图像中的人体检测的。
HOG特征提取方法就是将所述占道经营区图像进行以下操作:
1)灰度化(将图像看做一个x,y,z(灰度)的三维图像);
2)采用Gamma校正法对输入图像进行颜色空间的标准化(归一化);目的是调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,同时可以抑制噪音的干扰;
3)计算图像每个像素的梯度(包括大小和方向);主要是为了捕获轮廓信息,同时进一步弱化光照的干扰;
4)将图像划分成小cells(例如6*6像素/cell);
5)统计每个cell的梯度直方图(不同梯度的个数),即可形成每个cell的descriptor;
6)将每几个cell组成一个block(例如3*3个cell/block),一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。
7)将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image(你要检测的目标)的HOG特征descriptor了。
本实施例中,所述步骤S104包括:将每一类型的监测特征向量与对应的标准特征向量进行分别对比得到每一类型的特征向量下的子相似度;将每一类型特征向量下的子相似度进行组合形成所述相似度。
详细地,可以将监测特征向量中的Gabor特征与所述标准特征向量的Gabor特征进行对比得到子相似度;可以将监测特征向量中的LBP特征与所述标准特征向量的LBP特征进行对比得到子相似度;将监测特征向量中的HOG特征与所述标准特征向量的HOG特征进行对比得到子相似度。
进一步地,可以计算各个子相似度之和得到所述相似度;也可以按照预设的每个子相似度所占比例以计算得到所述相似度。例如,计算得到子相似度A和子相似度B,则所述相似度可以计算为50%(A+B);相似度也可以计算为30%A+70%B。
通过提取多种类型的特征向量分别进行对比可以提高监测得到的识别准确率。
本实施例中,在步骤S104之前,所述方法还包括以下步骤。
步骤S301,获取与所述监测区域的道路正常状态下的标准道路图像数据。
步骤S302,提取所述标准道路图像数据中的标准特征向量。
本实施例中,步骤S302可以是提取的所述标准道路图像数据中占道经营区的图像的标准特征向量。因此,在执行步骤S302之前还可包括从标准道路图像数据截取占道经营区的图像。
本实施例中,也可以使用尺度不变特征变换(Scale-invariant featuretransform,简称:SIFT)方法找出所述标准道路图像数据中的主干道中的特征标志图像,从而对主干道进行定位。进一步地,通过占道经营区与主干道的相对位置,可以得到所述占道经营区的位置,进一步地,可以在所述道路图像数据截取所述占道经营区图像。本实施例中,所述占道经营区可以就是主干道。
本实施例中,所述标准特征向量的提取可以与所述监测特征向量的提取方式相同,具体可以参考关于提取监测特征向量的实现方式,在此不再赘述。
本实施例中,所述标准道路图像数据与所述道路图像数据是相同型号的采集设备采集的图像数据。
请参阅图5,是本发明实施例提供的图1所示的违停监测装置110的功能模块示意图。本实施例中的违停监测装置110用于执行上述方法实施例中的各个步骤。所述违停监测装置110包括:获得模块1101、识别模块1102、提取模块1103、对比模块1104及得到模块1105。
所述获得模块1101,用于获得监测区域中的道路图像数据。
所述识别模块1102,用于将所述道路图像数据进行匹配识别,以识别出所述道路图像数据中的占道经营区图像。
所述提取模块1103,用于提取所述占道经营区图像中的监测特征向量。
所述对比模块1104,用于将所述监测特征向量与预先的标准特征向量进行对比得到所述监测特征向量与所述标准特征向量的相似度。
所述得到模块1105,用于根据所述相似度得到所述监测区域的道路监测的监测结果。
本实施例中,所述得到模块1105还用于判断所述相似度是否小于预设阈值,当所述相似度小于预设阈值时,确定所述道路图像数据对应的道路上存在违规停车。
本实施例中,所述违停监测装置110还包括:报警模块,用于发出报警提示消息。
本实施例中,所述违停监测装置110还包括:标注模块,用于在所述道路图像数据中判断为违规停车的位置设置异常标注。
本实施例中,所述提取模块1103还用于提取所述占道经营区图像的Gabor特征、局部二进制模式特征、HOG特征的任意一项或任意组合作为监测特征向量。
本实施例中,所述对比模块1104还用于将每一类型的监测特征向量与对应的标准特征向量进行分别对比得到每一类型的特征向量下的子相似度,将每一类型特征向量下的子相似度进行组合形成所述相似度。
本实施例中,所述违停监测装置110还包括:接收模块,用于接收对监测区域的选择操作,以选择出占道经营区的特征标志。
本实施例中,所述识别模块1102还用于查找所述道路图像数据中的特征标志图像,根据所述特征标志图像匹配出所述道路图像数据中的主干道,再根据所述主干道的位置截取占道经营区图像。
本实施例中,所述违停监测装置110包括:标准提取模块,用于获取与所述监测区域的道路正常状态下的标准道路图像数据,提取所述标准道路图像数据中的标准特征向量。
本实施例中,所述标准道路图像数据与所述道路图像数据是相同型号的采集设备采集的图像数据。
关于本实施例的其它细节可以进一步地参考上述方法实施例中的描述,在此不再赘述。
本发明实施例的违停监测装置,通过将获得的检测区域的道路图像数据进行处理得到监测特征向量,将监测特征向量与不存在违停时的道路图像对应的标准特征向量进行判断相似度,从而得到对道路监测的监测结果,不再需要人工识别道路,可以提高对道路监测的效率,节省人力资源。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种违停监测方法,其特征在于,包括:
获得监测区域中的道路图像数据;
将所述道路图像数据进行匹配识别,以识别出所述道路图像数据中的占道经营区图像;
提取所述占道经营区图像中的监测特征向量;
将所述监测特征向量与预先的标准特征向量进行对比得到所述监测特征向量与所述标准特征向量的相似度;以及
根据所述相似度得到所述监测区域的道路监测的监测结果。
2.如权利要求1所述的违停监测方法,其特征在于,所述根据所述相似度得到所述监测区域的道路监测的监测结果的步骤,包括:
判断所述相似度是否小于预设阈值;
当所述相似度小于预设阈值时,确定所述道路图像数据对应的道路上存在违规停车。
3.如权利要求2所述的违停监测方法,其特征在于,所述确定所述道路图像数据对应的道路上存在违规停车的步骤之后,所述方法还包括:
发出报警提示消息;或/及
在所述道路图像数据中判断为违规停车的位置设置异常标注。
4.如权利要求1-3任意一项所述的违停监测方法,其特征在于,所述提取所述占道经营区图像中的监测特征向量的步骤,包括:
提取所述占道经营区图像的Gabor特征、局部二进制模式特征、HOG特征的任意一项或任意组合作为监测特征向量。
5.如权利要求4所述的违停监测方法,其特征在于,所述将所述监测特征向量与预先获取的标准特征向量进行对比得到所述监测特征向量与所述标准特征向量的相似度的步骤,包括:
将每一类型的监测特征向量与对应的标准特征向量进行分别对比得到每一类型的特征向量下的子相似度;
将每一类型特征向量下的子相似度进行组合形成所述相似度。
6.如权利要求1或2所述的违停监测方法,其特征在于,所述获得监测区域中的道路图像数据的步骤之前,所述方法还包括:
接收对监测区域的选择操作,以选择出占道经营区的特征标志;
所述将所述道路图像数据进行匹配识别,以识别出所述道路图像数据中的占道经营区图像的步骤包括:查找所述道路图像数据中的特征标志图像,根据所述特征标志图像匹配出所述道路图像数据中的主干道,再根据所述主干道的位置截取占道经营区图像。
7.如权利要求1或2所述的违停监测方法,其特征在于,在所述将所述监测特征向量与预先获取的标准特征向量进行对比得到所述监测特征向量与所述标准特征向量的相似度的步骤之前,所述方法还包括:
获取与所述监测区域的道路正常状态下的标准道路图像数据;
提取所述标准道路图像数据中的标准特征向量。
8.如权利要求7所述的违停监测方法,其特征在于,所述标准道路图像数据与所述道路图像数据是相同型号的采集设备采集的图像数据。
9.一种违停监测装置,其特征在于,包括:
获得模块,用于获得监测区域中的道路图像数据;
识别模块,用于将所述道路图像数据进行匹配识别,以识别出所述道路图像数据中的占道经营区图像;
提取模块,用于提取所述占道经营区图像中的监测特征向量;
对比模块,用于将所述监测特征向量与预先的标准特征向量进行对比得到所述监测特征向量与所述标准特征向量的相似度;
得到模块,用于根据所述相似度得到所述监测区域的道路监测的监测结果。
10.一种电子终端,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810946422.6A CN108831158A (zh) | 2018-08-20 | 2018-08-20 | 违停监测方法、装置及电子终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810946422.6A CN108831158A (zh) | 2018-08-20 | 2018-08-20 | 违停监测方法、装置及电子终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108831158A true CN108831158A (zh) | 2018-11-16 |
Family
ID=64150364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810946422.6A Pending CN108831158A (zh) | 2018-08-20 | 2018-08-20 | 违停监测方法、装置及电子终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108831158A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635762A (zh) * | 2018-12-18 | 2019-04-16 | 正元地理信息有限责任公司 | 一种城市管理方法、***及装置 |
CN109918291A (zh) * | 2019-01-17 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 软件界面检测方法、装置、计算机设备及存储介质 |
CN113593250A (zh) * | 2021-07-12 | 2021-11-02 | 浙江工贸职业技术学院 | 一种基于视觉识别的违章停车检测*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080068959A (ko) * | 2007-01-22 | 2008-07-25 | 뷰웨이 주식회사 | 활성형상모델과 가버 특징 벡터 기반 얼굴 인식 시스템 |
CN102034212A (zh) * | 2010-06-21 | 2011-04-27 | 艾浩军 | 一种基于视频分析的城市管理*** |
CN103021183A (zh) * | 2012-12-07 | 2013-04-03 | 北京中邮致鼎科技有限公司 | 一种监控场景中违章机动车检测方法 |
CN103207910A (zh) * | 2013-04-08 | 2013-07-17 | 河南大学 | 基于分层特征和遗传规划相关反馈的图像检索方法 |
CN103313018A (zh) * | 2012-03-15 | 2013-09-18 | 欧姆龙株式会社 | 登记确定装置及其控制方法、以及电子装置 |
CN103325259A (zh) * | 2013-07-09 | 2013-09-25 | 西安电子科技大学 | 一种基于多核并行的违章停车检测方法 |
CN104407351A (zh) * | 2014-12-05 | 2015-03-11 | 北京公科飞达交通工程发展有限公司 | 车辆窗口位置识别方法 |
CN105354405A (zh) * | 2014-08-20 | 2016-02-24 | 中国科学院上海高等研究院 | 基于机器学习的免疫组化图像自动化判读*** |
CN105427606A (zh) * | 2015-12-24 | 2016-03-23 | 重庆云途交通科技有限公司 | 路面状况信息采集及发布方法 |
-
2018
- 2018-08-20 CN CN201810946422.6A patent/CN108831158A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080068959A (ko) * | 2007-01-22 | 2008-07-25 | 뷰웨이 주식회사 | 활성형상모델과 가버 특징 벡터 기반 얼굴 인식 시스템 |
CN102034212A (zh) * | 2010-06-21 | 2011-04-27 | 艾浩军 | 一种基于视频分析的城市管理*** |
CN103313018A (zh) * | 2012-03-15 | 2013-09-18 | 欧姆龙株式会社 | 登记确定装置及其控制方法、以及电子装置 |
CN103021183A (zh) * | 2012-12-07 | 2013-04-03 | 北京中邮致鼎科技有限公司 | 一种监控场景中违章机动车检测方法 |
CN103207910A (zh) * | 2013-04-08 | 2013-07-17 | 河南大学 | 基于分层特征和遗传规划相关反馈的图像检索方法 |
CN103325259A (zh) * | 2013-07-09 | 2013-09-25 | 西安电子科技大学 | 一种基于多核并行的违章停车检测方法 |
CN105354405A (zh) * | 2014-08-20 | 2016-02-24 | 中国科学院上海高等研究院 | 基于机器学习的免疫组化图像自动化判读*** |
CN104407351A (zh) * | 2014-12-05 | 2015-03-11 | 北京公科飞达交通工程发展有限公司 | 车辆窗口位置识别方法 |
CN105427606A (zh) * | 2015-12-24 | 2016-03-23 | 重庆云途交通科技有限公司 | 路面状况信息采集及发布方法 |
Non-Patent Citations (2)
Title |
---|
姜慧伟: "利用多特征融合的面相对象的高分辨率遥感影像变化检测", 《陕西理工学院学报(自然科学版)》 * |
郑耀: "违章停车取证关键技术研究", 《中国游戏硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635762A (zh) * | 2018-12-18 | 2019-04-16 | 正元地理信息有限责任公司 | 一种城市管理方法、***及装置 |
CN109918291A (zh) * | 2019-01-17 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 软件界面检测方法、装置、计算机设备及存储介质 |
CN113593250A (zh) * | 2021-07-12 | 2021-11-02 | 浙江工贸职业技术学院 | 一种基于视觉识别的违章停车检测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740478B (zh) | 车辆检测及识别方法、装置、计算机设备及可读存储介质 | |
CN111797653B (zh) | 基于高维图像的图像标注方法和装置 | |
US8750573B2 (en) | Hand gesture detection | |
CN104517104B (zh) | 一种基于监控场景下的人脸识别方法及*** | |
Marciniak et al. | Influence of low resolution of images on reliability of face detection and recognition | |
CN105335722A (zh) | 一种基于深度图像信息的检测***及方法 | |
CN101980242B (zh) | 人脸面相判别方法、***及公共安全*** | |
US10445602B2 (en) | Apparatus and method for recognizing traffic signs | |
US20120027252A1 (en) | Hand gesture detection | |
US20130170711A1 (en) | Edge detection image capture and recognition system | |
CN105447532A (zh) | 身份认证方法和装置 | |
CN103530648A (zh) | 一种基于多帧图像的人脸识别方法 | |
CN109145812A (zh) | 违建监测方法及装置 | |
CN103914676A (zh) | 一种在人脸识别中使用的方法和装置 | |
Sikandar et al. | ATM crime detection using image processing integrated video surveillance: a systematic review | |
CN111144366A (zh) | 一种基于联合人脸质量评估的陌生人脸聚类方法 | |
CN101142584A (zh) | 面部特征检测的方法 | |
CN108831158A (zh) | 违停监测方法、装置及电子终端 | |
Tao et al. | Smoke vehicle detection based on multi-feature fusion and hidden Markov model | |
CN111353491A (zh) | 一种文字方向确定方法、装置、设备及存储介质 | |
CN115841651B (zh) | 基于计算机视觉与深度学习的施工人员智能监测*** | |
CN105138886B (zh) | 机器人生物体征识别*** | |
CN110222660B (zh) | 一种基于动态与静态特征融合的签名鉴伪方法及*** | |
CN105184236A (zh) | 机器人人脸识别*** | |
CN108960246B (zh) | 一种用于图像识别的二值化处理装置及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |
|
RJ01 | Rejection of invention patent application after publication |