CN109299672B - 自适应调节阈值和算法结构的停车事件检测***及方法 - Google Patents
自适应调节阈值和算法结构的停车事件检测***及方法 Download PDFInfo
- Publication number
- CN109299672B CN109299672B CN201811029846.2A CN201811029846A CN109299672B CN 109299672 B CN109299672 B CN 109299672B CN 201811029846 A CN201811029846 A CN 201811029846A CN 109299672 B CN109299672 B CN 109299672B
- Authority
- CN
- China
- Prior art keywords
- classifier
- precision
- detection
- area
- potential target
- 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
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种自适应调节阈值和算法结构的停车事件检测***,该检测***包括多特征融合的决策树级联分类器***,所述多特征融合的决策树级联分类器***包括:车辆潜在目标分类器,用于识别潜在目标区域;停车运动分类器,用于判断潜在目标区域内的运动目标前后两帧图像的车辆前景面积的相对变化量是否超过设定阈值,若超过则判定为非停车事件,否则判定为停车事件。本发明可以快速并有效提高算法对高速公路不同场景下的适应性,提高检测精度。
Description
技术领域
本发明涉及一种停车事件检测***,具体涉及一种自适应调节阈值和算法结构的高速公路停车事件检测***及方法。
背景技术
高速公路关键路段异常停车事件的检测对国民财产和人身安全有重要意义,尤其在发生停车事故后如果不能及时发现并有效处理,就容易导致二次事故的发生,甚至引起重特大交通事故,严重影响高速公路的正常运行。目前主要依靠路边架设的摄像头获取视频信息,利用机器视觉方法检测车辆目标。
基于混合高斯原理提取图像背景,进而提取前景目标的方法对环境的变化有较好的适应性,但是停车事件时间上的连续性需求与场景模型更新及时性需求之间矛盾的存在,使得背景模型的学***衡,对光照变化,尺度变化,和视角变化的适应性差,同时此类型的算法在检测和训练过程中仅仅考虑了目标在单一图像帧中的信息,对帧与帧之间蕴含的车辆运动信息未加利用。
目前,在实际应用中,算法多采用多特征融合的级联分类判决模式,如重庆大学申请的“一种融合多种特征的高速公路隧道停车事件分级识别方法”,该模式针对隧道场景,结合多种特征,提高了算法的鲁棒性,但是在露天场景下由于成千上百个摄像头的远近高低各不相同,图像尺寸比例各不相同,图像帧率也多有变化,通过人为方式将每一个摄像头的算法都调节到最佳状耗时耗力,同时效果欠佳。
发明内容
有鉴于此,为了解决上述问题,本发明提供一种自适应调节阈值和算法结构的停车事件检测***及方法。
为实现上述目的及其他目的,本发明提供一种自适应调节阈值和算法结构的停车事件检测***,该检测***包括多特征融合的决策树级联分类器***,所述多特征融合的决策树级联分类器***包括:
车辆潜在目标分类器,用于识别潜在目标区域;
停车运动分类器,用于判断潜在目标区域内的运动目标前后两帧图像的车辆前景面积的相对变化量是否超过设定阈值,若超过则判定为非停车事件,否则判定为停车事件。
可选地,所述多特征融合的决策树级联分类器还***包括路面反光及云影变化分类器,用于判断潜在目标区域背景图片的纹理特征是否与实时图片的纹理特征相近,若相近则判断为非停车事件;若不相近,则判定为停车事件。
可选地,所述多特征融合的决策树级联分类器还***包括匝道和水渍分类器,用于通过 Haar-like特征算法区分车辆和非车辆目标。
为实现上述目的及其他目的,本发明还提供一种自适应调节阈值和算法结构的高速公路停车事件检测***,该检测***包括多特征融合的决策树级联分类器***,所述多特征融合的决策树级联分类器***包括:
车辆潜在目标分类器,用于识别潜在目标区域;
停车运动分类器,用于判断潜在目标区域内的运动目标前后两帧图像的车辆前景面积的相对变化量是否超过设定阈值,若超过则判定为非停车事件,否则判定为停车事件;
匝道和水渍分类器,用于通过Haar-like特征算法区分车辆和非车辆目标。
为实现上述目的及其他目的,本发明还提供一种自适应调节阈值和算法结构的高速公路停车事件检测***,该检测***包括多特征融合的决策树级联分类器***,所述多特征融合的决策树级联分类器***包括:
车辆潜在目标分类器,用于识别潜在目标区域;
停车运动分类器,用于判断潜在目标区域内的运动目标前后两帧图像的车辆前景面积的相对变化量是否超过设定阈值,若超过则判定为非停车事件,否则判定为停车事件;
匝道和水渍分类器,用于通过Haar-like特征算法区分车辆和非车辆目标。
为实现上述目的及其他目的,本发明还提供一种自适应调节阈值和算法结构的停车事件检测方法,包括:
步骤一:为每个ROI区域建立正负视频样本数据库,其中正样本为停车事件发生时的视频,负样本为误检测视频;正样本总数目为N_positive,负样本总数目为N_negative;
步骤二:检测所有的正样本视频,统计报警个数为n_p,得到正检率 Ratio_p=n_p/N_positive;
检测所有的负样本视频,统计报警个数为n_n,得到误检率Ratio_n=n_n/N_negative;
计算检测精度Accuracy_ratio=Ratio_p*(1-Ratio_n);
步骤三:若检测精度未达到最优精度值,则调整总特征向量的阈值配置因素部分,然后返回步骤二;若达到最优精度值则进一步判断此阶段所达到的最优精度是否达到了***精度指标,如果达到则输出训练结果,反之则转入步骤四;
步骤四:调整总特征向量的算法结构因素部分中的若干阈值参数,若检测精度未达到最优精度值,则重复步骤四,直到检测精度达到最优精度值;进一步判断此阶段所达到的最优精度是否达到了***精度指标,如果达到则输出训练结果,反之则转入步骤五;
步骤五:调整总特征向量的***环境因素,若检测精度未达到最优精度值,则重复步骤五,直到检测精度达到最优精度值;进一步判断此阶段所达到的最优精度是否达到了***精度指标,如果达到则输出训练结果,反之则输出最优配置结果。
可选地,所述总特征向量的阈值配置因素部分包括:
潜在目标区域的前景轮廓中白色像表点的总个数的下限阈值int_Area_down;
潜在目标区域的前景轮廓中白色像表点的总个数的上限阈值int_Area_up;
前景目标轮廓的最小可旋转外接矩形宽高比例float_Width_height;
前景目标轮廓的占空比float_Area_Duty_ratio;
前后两帧前景目标轮廓的在像素上的相对位置int_Distance_last_next;
前后两帧前景目标轮廓在面积上的变化float_AreaRatio_last_next。
可选地,所述算法结构因素部分中的若干阈值参数包括:潜在目标区域纹理分布特征值 float_Scannys。
可选地,所述的***环境因素包括:高斯建模学习速率Learings_ratio和叠加周期帧数 period_FrameNum。
由于采用了上述技术方案,本发明具有如下的优点:
本发明首先将所有可能影响到停车事件检测精度的因素进行了梳理和归纳,并对每一种特征进行了描述分类,使之以级联方式组合在一起,从而形成一种决策树,树的每一个节点都由若干特征对高速公路场景下的典型误检测进行排除。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述:
图1是级联分类判决模式下决策树结构图;
图2是基于Haar-like的匝道和水渍分类器训练样本示例;
图3是自适应调节阈值和算法结构的训练流程图。
图4为本实施例中一种自适应调节阈值和算法结构的高速公路停车事件检测方法;
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明从高速公路隧道实际环境出发,针对多特征融合的级联分类判决模式对不同高速公路场景的适应性不足问题,提出了一种自适应调节阈值和算法结构的高速公路停车事件检测***设计方案,可以快速并有效提高算法对高速公路不同场景下的适应性,提高检测精度。
如图1所示,本发明提供一种自适应调节阈值和算法结构的停车事件检测***,该检测***至少包括多特征融合的决策树级联分类器***,所述多特征融合的决策树级联分类器***至少包括:车辆潜在目标分类器、停车运动分类器、路面反光及云影变化分类器和匝道和水渍分类器。以下将所有的分类器叫做分类器节点,停车运动分类器、路面反光及云影变化分类器和匝道和水渍分类器叫作下一级分类器节点。例如车辆潜在目标分类器的下一级分类器节点为停车运动分类器,停车运动分类器的下一级分类器节点为路面反光及云影变化分类器,而路面反光及云影变化分类器的下一级分类器节点为匝道和水渍分类器。
车辆潜在目标分类器,用于识别潜在目标区域。
具体地,车辆潜在目标分类器,将潜在目标区域的前景目标轮廓特征与基于混合高斯提取到的前景目标轮廓特征进行对比,如果潜在目标区域不满足相应的轮廓特征,若轮轮廓特征 ABC三个轮廓特征值不在所定义的阈值范围之内,则无法进入下一级分类器节点。
于本实施例中,相应的轮廓特征至少包括:
A.前景目标轮廓面积int_Area:统计轮廓中白色像素点的总个数,细分为上限阈值 int_Area_up和下限阈值int_Area_down。
B.前景目标轮廓的最小可旋转外接矩形宽高比例float_Width_height:如果比值大于1则取倒数。
C.前景目标轮廓的占空比float_Area_Duty_ratio:轮廓面积与最小外接矩形面积的比值。
停车运动分类器,用于判断潜在目标区域内的运动目标前后两帧图像的车辆前景面积的相对变化量是否超过设定阈值,若超过则判定为非停车事件,否则判定为停车事件。
具体地,停车运动分类器:基于公路上车辆运动目标在帧与帧之间相对移动的形态学(两个质心和面积匹配跟踪)特征。判决依据为:如果该潜在目标区域内的潜在目标在一定时间内,相对移动距离较大,或者目标的形态变化突变,亦即前后两帧图像车辆前景面积的相对变化超过一定的阈值,则判断为非停车事件,无法进入下一级分类器节点。反之,如果以上特征变化没有超过一定的阈值,则进入下一级分类器节点,进行停车事件的进一步判别。
基于运动目标在帧与帧之间相对移动的形态特征有以下两个:
A.前后两帧前景目标轮廓的在像素上的相对位置int_Distance_last_next
B.前后两帧前景目标轮廓在面积上的变化float_AreaRatio_last_next
路面反光及云影变化分类器,用于判断潜在目标区域背景图片的纹理特征是否与实时图片的纹理特征相近,若相近则判断为非停车事件;若不相近,则判定为停车事件。这里所述的相近是指背景图片目标区域纹理像素之和与前景图片目标区域纹理像素之和的差值是否在较小的阈值范围内(一般取为60)。
具体地,路面反光及云影变化分类器:基于潜在停车目标区域的纹理分布特征。判决依据为:在高速公路场景下,路面纹理特征并不随着光照的变化而发生显著的变化,相反一旦车辆停在道路区域之后,该区域的纹理特征会发生显著的变化。根据这一原理,如果目标区域背景图片的纹理特征和实时图片的纹理特征相近,则说明是光线亮度变化导致了高斯提取前景目标的噪声,无法进入下一级分类器节点。反之,则进入下一级分类器节点,进行停车事件的进一步判别。
于本实施例中,路面反光及云影变化分类器:基于潜在停车目标区域的纹理分布特征描述如下:
A.该分类器使用与否的开关量:bool_FlashClassifier_Open
B.潜在目标区域纹理分布特征值float_Scannys:
背景图片目标区域纹理像素之和Back_Scannys;
前景图片目标区域纹理像素之和Fore_Scannys;
float_Scannys=abs(Fore_Scannys-Back_Scannys)/int_Area。
匝道和水渍分类器,用于通过Haar-like特征算法区分车辆和非车辆目标。
具体地,匝道和水渍分类器:基于Haar-like的统计学特征区分车辆和非车辆目标。判决依据为:在高速公路某些特殊场景下,如匝道区域和水渍区域难以通过简单纹理分布特征排除误检测,因此通过Adaboost学习的Haar-like特征集合可以达到较好的分类效果。该特征通过概率统计的方式,搜集这些特殊场景下前面几个分类器所无法正确识别和分类的区域图片,作为负样本,同时将正常车辆图片作为正样本,经过离线训练,可以自动提取出有针对性的 Harr-like特征,正确区分车辆和非车辆目标。同时该分类器处于决策树末端,在时间消耗上满足要求。如果潜在目标区域经Haar-like特征集合判定为车辆目标,则输出报警信息结束本周期的检测。反之,则判断为非车辆目标,结束本周期的检测,进行下一轮判别。
于本实施例中,匝道和水渍分类器基于Haar-like的统计学特征。
A.该分类器使用与否的开关量:bool_HarrlikeClassfier_OPen。
在本发明中,车辆潜在目标分类器和停车运动分类器是必须的,而路面反光及云影变化分类器和匝道和水渍分类器可以根据需求进行设置。具体地,可以选择,车辆潜在目标分类器、停车运动分类器、路面反光及云影变化分类器和匝道和水渍分类器的组合,或者车辆潜在目标分类器、停车运动分类器、路面反光及云影变化分类器的组合,车辆潜在目标分类器、停车运动分类器和匝道和水渍分类器的组合,车辆潜在目标分类器和停车运动分类器的组合。
本发明提出的四个分类器中各个特征阈值影响了算法的整体检测效果,还有其他一些因素也会影响到算法的效果(如高斯建模的学习速率等)。同时针对不同场景,需要有不同的分类器模块相互配合以达到满意的检测效果,有的场景需要的分类器较少就可以达到很好的检测效果,如果增加过多的分类器反而损害了算法的鲁棒性,而对有的些场景却不得不级联更多的分类器,这种算法分类器的灵活级联和自适应删减在本发明中用若干开关量进行了控制。这些特征阈值还有开关量以及其他因素共同作为可调参数,同时参与到了算法的前期训练当中和之后的实际检测中。这些可调参数分为以下三种:
一、***环境因素,包括:
1.高斯建模学习速率Learings_ratio;
初始化为0.0001,调节方法:Learings_ratio(t+1)=Learings_ratio(t)*1.2;
即在下一轮训练时,将该阈值增加百分之20,提高建模学习率。
2.叠加周期帧数period_FrameNum;
初始化为2,调节方法:period_FrameNum(t+1)=period_FrameNum(t)*1.5;
即在下一轮训练时,将该阈值增加百分之50,提高叠加周期帧。
高斯建模学习速率Learings_ratio;即在利用视频序列对背景模型进行更新时,每个像素点像素值的高斯分布均值的偏移权重,偏移权重越大,学习速率则越快,对场景的变化适应性更强;反之更弱。
μt+1=(1-Learing_ratio)*μt+Learing_ratio*α
其中,μt+1为经过自动更新得到的高斯分布均值,μt为前一时刻的高斯分布均值,α为当前时刻的实际像素值大小。
叠加周期帧数period_FrameNum。即为了过滤掉视频序列处在移动之中的像素点,取 period_FrameNum帧连续的二值前景图像,将每一个位置的像素值相加,取平均值后,如果该平均值低于最大允许值的70%(经实践验证一般去除比例为70%左右效果最佳),得到新的二值图像。
其中b_average(x,y)为(x,y)点的像素叠加平均值,bt+i(x,y)为t时刻开始第i帧图像(x,y) 点处的像素值,n为叠加周期帧数,b_final(x,y)为得到的二值图像(x,y)点处的像素值结果。
二、阈值配置因素,包括:
1、前景目标轮廓中白色像素点的总个数的下限阈值int_Area_down。
初始化为0,调节方法:int_Area_down(t+1)=int_Area_down(t)+100,即在下一轮训练时,将该阈值增加100。
2、前景目标轮廓中白色像素点的总个数的上限阈值int_Area_up。
初始化为10000,调节方法:int_Area_up(t+1)=int_Area_up(t)-100,即在下一轮训练时,将该阈值减少100。
3、前景目标轮廓的最小可旋转外接矩形宽高比例float_Width_height。
初始化为10,调节方法:
float_Width_height(t+1)=float_Width_height(t)-1,即在下一轮训练时,将该阈值减少1。
4、前景目标轮廓的占空比float_Area_Duty_ratio;
初始化为0.1,调节方法为:
float_Area_Duty_ratio(t+1)=float_Area_Duty_ratio(t)*1.2,即在下一轮训练时,将该阈值提高1.2倍。
5.前后两帧前景目标轮廓的在像素上的相对位置int_Distance_last_next。
初始化为20,调节方法为:
int_Distance_last_next(t+1)=int_Distance_last_next(t)-2,即在下一轮训练时,将该阈值减少 2。
6、前后两帧前景目标轮廓在面积上的变化float_AreaRatio_last_next。
初始化为10,调节方法为:
float_AreaRatio_last_next(t+1)=float_AreaRatio_last_next(t)*0.8,即在下一轮训练时,将该阈值调节为0.8倍。
三、算法结构因素,包括:
1、路面反光及云影变化分类器使用与否的开关量:bool_FlashClassifier_Open;初始化为0。
2、在目标区域纹理分布特征值float_Scannys;初始化为10,调节方法为:
float_Scannys(t+1)=float_Scannys(t)+10,即在下一轮训练时,将阈值增加10.
3、匝道和水渍分类器使用与否的开关量bool_HarrlikeClassfier_Open;初始化为0。
如图4所示,本发明还提供一种自适应调节阈值和算法结构的高速公路停车事件检测方法,包括:
步骤一:为每个ROI区域建立正负视频样本数据库,其中正样本为停车事件发生时的视频,负样本为误检测视频;正样本总数目为N_positive,负样本总数目为N_negative。
步骤二:检测所有的正样本视频,统计报警个数为n_p,得到正检率 Ratio_p=n_p/N_positive;
检测所有的负样本视频,统计报警个数为n_n,得到误检率Ratio_n=n_n/N_negative;
计算检测精度Accuracy_ratio=Ratio_p*(1-Ratio_n);
步骤三:若检测精度未达到最优精度值,则调整总特征向量的阈值配置因素部分,然后返回步骤二;若达到最优精度值则进一步判断此阶段所达到的最优精度是否达到了***精度指标,如果达到则输出训练结果,反之则转入步骤四;
步骤四:调整总特征向量的算法结构因素部分中的若干阈值参数,若检测精度未达到最优精度值,则重复步骤四,直到检测精度达到最优精度值;进一步判断此阶段所达到的最优精度是否达到了***精度指标,如果达到则输出训练结果,反之则转入步骤五;
步骤五:调整总特征向量的***环境因素,若检测精度未达到最优精度值,则重复步骤五,直到检测精度达到最优精度值;进一步判断此阶段所达到的最优精度是否达到了***精度指标,如果达到则输出训练结果,反之则输出最优配置结果。
于本实施例中,检测精度值可以根据需求进行人为的设定。
于本实施例中,总特征向量为一个一维的向量,总特征向量的因子包括***环境因素、阈值配置因素和算法结构因素。
本发明充分考虑了高速公路多变场景下众多典型的易造成误检测的因素,针对每种可能存在的影响因素设计了相应的决策树分类器节点。其中结合了场景模型和统计学的各自的优势和长处,互相弥补各自的缺陷,以达到较高的检测精度。同时,本发明提出的一套多特征融合的决策树级联分类器阈值和算法结构调整算法,经这一套算法的训练调整,使得复杂多变场景会有较复杂的算法结构进行检测,较为稳定单一的场景会有较为精简的算法结构进行检测,且均能够自动实现算法在阈值和结构上的最优配置,对不同场景实现了个性化的自适应学习,极大减少了人工作业。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的保护范围当中。
Claims (1)
1.一种自适应调节阈值和算法结构的停车事件检测***的检测方法,所述检测***包括多特征融合的决策树级联分类器***,所述多特征融合的决策树级联分类器***包括:
车辆潜在目标分类器,用于识别潜在目标区域;
停车运动分类器,用于判断潜在目标区域内的运动目标前后两帧图像的车辆前景面积的相对变化量是否超过设定阈值,若超过则判定为非停车事件,否则判定为停车事件;
所述多特征融合的决策树级联分类器***包括路面反光及云影变化分类器,用于判断潜在目标区域背景图片的纹理特征是否与实时图片的纹理特征相近,若相近则判断为非停车事件;若不相近,则判定为停车事件;
所述多特征融合的决策树级联分类器***还包括匝道和水渍分类器,用于通过Haar-like特征算法区分车辆和非车辆目标;
其特征在于,所述方法包括:
步骤一:为每个ROI区域建立正负视频样本数据库,其中正样本为停车事件发生时的视频,负样本为误检测视频;正样本总数目为N_positive,负样本总数目为N_negative;
步骤二:检测所有的正样本视频,统计报警个数为n_p,得到正检率Ratio_p=n_p/N_positive;
检测所有的负样本视频,统计报警个数为n_n,得到误检率Ratio_n=n_n/N_negative;
计算检测精度Accuracy_ratio=Ratio_p*(1-Ratio_n);
步骤三:若检测精度未达到最优精度值,则调整总特征向量的阈值配置因素部分,然后返回步骤二;若达到最优精度值则进一步判断此阶段所达到的最优精度是否达到了***精度指标,如果达到则输出训练结果,反之则转入步骤四;
步骤四:调整总特征向量的算法结构因素部分中的若干阈值参数,若检测精度未达到最优精度值,则重复步骤四,直到检测精度达到最优精度值;进一步判断此阶段所达到的最优精度是否达到了***精度指标,如果达到则输出训练结果,反之则转入步骤五;
步骤五:调整总特征向量的***环境因素,若检测精度未达到最优精度值,则重复步骤五,直到检测精度达到最优精度值;进一步判断此阶段所达到的最优精度是否达到了***精度指标,如果达到则输出训练结果,反之则输出最优配置结果;
所述总特征向量的阈值配置因素部分包括:
潜在目标区域的前景轮廓中白色像表点的总个数的下限阈值int_Area_down;
潜在目标区域的前景轮廓中白色像表点的总个数的上限阈值int_Area_up;
前景目标轮廓的最小可旋转外接矩形宽高比例float_Width_height;
前景目标轮廓的占空比float_Area_Duty_ratio;
前后两帧前景目标轮廓的在像素上的相对位置int_Distance_last_next;
前后两帧前景目标轮廓在面积上的变化float_AreaRatio_last_next;
所述算法结构因素部分中的若干阈值参数包括:潜在目标区域纹理分布特征值float_Scannys;
所述的总特征向量的***环境因素包括:高斯建模学习速率Learings_ratio和叠加周期帧数period_FrameNum。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811029846.2A CN109299672B (zh) | 2018-09-05 | 2018-09-05 | 自适应调节阈值和算法结构的停车事件检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811029846.2A CN109299672B (zh) | 2018-09-05 | 2018-09-05 | 自适应调节阈值和算法结构的停车事件检测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109299672A CN109299672A (zh) | 2019-02-01 |
CN109299672B true CN109299672B (zh) | 2022-02-15 |
Family
ID=65166008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811029846.2A Active CN109299672B (zh) | 2018-09-05 | 2018-09-05 | 自适应调节阈值和算法结构的停车事件检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109299672B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110047319B (zh) * | 2019-04-15 | 2022-03-08 | 深圳壹账通智能科技有限公司 | 停车场车位导航方法、电子装置及存储介质 |
CN110188693B (zh) * | 2019-05-30 | 2023-04-07 | 重庆大学 | 改进的复杂环境车辆特征提取和停车判别方法 |
CN111259902A (zh) * | 2020-01-13 | 2020-06-09 | 上海眼控科技股份有限公司 | 弧形车辆识别号码检测方法、装置、计算机设备和介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834886A (zh) * | 2014-02-11 | 2015-08-12 | 浙江大华技术股份有限公司 | 一种视频图像检测方法及装置 |
KR20160040039A (ko) * | 2014-10-02 | 2016-04-12 | (주) 키움소프트 | 차량 외관형상 모델링 장치 및 모델링 방법 |
CN106023595A (zh) * | 2016-06-13 | 2016-10-12 | 北京精英智通科技股份有限公司 | 一种异常停车的判断方法、装置及球型摄像机 |
CN106571039A (zh) * | 2016-08-22 | 2017-04-19 | 中海网络科技股份有限公司 | 一种高速公路违章行为自动抓拍*** |
CN106600977A (zh) * | 2017-02-13 | 2017-04-26 | 深圳英飞拓科技股份有限公司 | 基于多特征识别的违停检测方法及*** |
CN107066929A (zh) * | 2017-01-06 | 2017-08-18 | 重庆大学 | 一种融合多种特征的高速公路隧道停车事件分级识别方法 |
CN107609491A (zh) * | 2017-08-23 | 2018-01-19 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI393081B (zh) * | 2009-09-23 | 2013-04-11 | Utechzone Co Ltd | Parking vehicle monitoring system |
-
2018
- 2018-09-05 CN CN201811029846.2A patent/CN109299672B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834886A (zh) * | 2014-02-11 | 2015-08-12 | 浙江大华技术股份有限公司 | 一种视频图像检测方法及装置 |
KR20160040039A (ko) * | 2014-10-02 | 2016-04-12 | (주) 키움소프트 | 차량 외관형상 모델링 장치 및 모델링 방법 |
CN106023595A (zh) * | 2016-06-13 | 2016-10-12 | 北京精英智通科技股份有限公司 | 一种异常停车的判断方法、装置及球型摄像机 |
CN106571039A (zh) * | 2016-08-22 | 2017-04-19 | 中海网络科技股份有限公司 | 一种高速公路违章行为自动抓拍*** |
CN107066929A (zh) * | 2017-01-06 | 2017-08-18 | 重庆大学 | 一种融合多种特征的高速公路隧道停车事件分级识别方法 |
CN106600977A (zh) * | 2017-02-13 | 2017-04-26 | 深圳英飞拓科技股份有限公司 | 基于多特征识别的违停检测方法及*** |
CN107609491A (zh) * | 2017-08-23 | 2018-01-19 | 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 |
Non-Patent Citations (4)
Title |
---|
Abnormal Moving Vehicle Detection for Driver Assistance System in Nighttime Driving;Cuong Nguyen Khac 等;《2016 IEEE International Conference on Consumer Electronics (ICCE)》;20161231;379-380 * |
基于视频图像分析的交通事件检测方法研究;朱靖;《中国优秀硕士学位论文全文数据库信息科技辑》;20100215;第2010年卷(第2期);第4.1.4节 * |
露天场景下高速公路违章停车视频检测算法;赵敏 等;《计算机测量与控制》;20140228;第22卷(第2期);489-492 * |
面向监控视频的停车检测算法研究;牟蕾;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20180215;第2018年卷(第2期);第2.3.3节,第3.2,3.4节,图3-1 * |
Also Published As
Publication number | Publication date |
---|---|
CN109299672A (zh) | 2019-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619750B (zh) | 面向违停车辆的智能航拍识别方法及*** | |
Robert | Video-based traffic monitoring at day and night vehicle features detection tracking | |
CN109299672B (zh) | 自适应调节阈值和算法结构的停车事件检测***及方法 | |
AU2009295350A1 (en) | Detection of vehicles in an image | |
Liu et al. | Real-time recognition of road traffic sign in motion image based on genetic algorithm | |
CN102542289A (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN101872416A (zh) | 对道路图像进行车牌识别的方法和*** | |
Toropov et al. | Traffic flow from a low frame rate city camera | |
CN107180230B (zh) | 通用车牌识别方法 | |
Chen | Nighttime vehicle light detection on a moving vehicle using image segmentation and analysis techniques | |
CN101936730A (zh) | 车辆排队长度检测的方法及装置 | |
CN113516853B (zh) | 一种针对复杂监控场景的多车道车流量检测方法 | |
CN105069816B (zh) | 一种进出口人流量统计的方法及*** | |
Jaiswal et al. | Comparative analysis of CCTV video image processing techniques and application: a survey | |
Nejati et al. | License plate recognition based on edge histogram analysis and classifier ensemble | |
Ghahremannezhad et al. | A new adaptive bidirectional region-of-interest detection method for intelligent traffic video analysis | |
CN110473255B (zh) | 一种基于多重网格划分的船舶系船柱定位方法 | |
CN107122732B (zh) | 一种监控场景下高鲁棒性的快速车牌定位方法 | |
Sushmitha et al. | Multiple car detection, recognition and tracking in traffic | |
Helala et al. | Road boundary detection in challenging scenarios | |
Ku et al. | Visual motorcycle detection and tracking algorithms | |
CN112052768A (zh) | 基于无人机的城市违章停车检测方法、装置及存储介质 | |
CN108256444B (zh) | 一种用于车载视觉***的目标检测方法 | |
Feng et al. | Non-motor vehicle illegal behavior discrimination and license plate detection based on real-time video | |
Ha et al. | Robust reflection detection and removal in rainy conditions using LAB and HSV color spaces |
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 |