CN109815856A - 目标车辆的状态标记方法、***和计算机可读存储介质 - Google Patents
目标车辆的状态标记方法、***和计算机可读存储介质 Download PDFInfo
- Publication number
- CN109815856A CN109815856A CN201910017244.3A CN201910017244A CN109815856A CN 109815856 A CN109815856 A CN 109815856A CN 201910017244 A CN201910017244 A CN 201910017244A CN 109815856 A CN109815856 A CN 109815856A
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- image information
- video
- detected
- loading
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 86
- 238000012544 monitoring process Methods 0.000 claims abstract description 48
- 238000011897 real-time detection Methods 0.000 claims abstract description 19
- 238000011068 loading method Methods 0.000 claims description 97
- 238000012549 training Methods 0.000 claims description 60
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 abstract description 22
- 238000013527 convolutional neural network Methods 0.000 description 14
- 238000007689 inspection Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000000926 separation method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种目标车辆的状态标记方法、***和计算机可读存储介质。目标车辆的状态标记方法包括:实时检测待检测视频;当待检测视频中包含目标车辆时,将目标车辆的图像信息输入状态检测模型以确定图像信息的类别;当图像信息的类别为预设类别时,标记目标车辆并向监控***报告。应用了本发明提供的技术方案,实时检测待检测视频,在待检测视频中出现了目标车辆时,获取目标车辆的图像信息,通过状态检测模型确定目标车辆是否为异常状态,标记异常状态的目标车辆并向监控***报告,进而可以准确地检测泥头车等目标车辆的状态,并标记处于异常状态的目标车辆,提供更智能的、应用范围更广的环保监控方案。
Description
技术领域
本发明涉及车辆识别技术领域,具体而言,涉及一种目标车辆的状态标记方法,一种目标车辆的状态标记***和一种计算机可读存储介质。
背景技术
目前,在相关技术中,在交通视频监控中有一些特殊的监控需求,比如环保方面的监控,要求监控一些特定车辆的运载状态以确认车辆是否符合环保要求。其中,泥头车由于其运载的货物一般是有较高的污染性的物品,比如煤、矿石、渣土等,其载货状态一直是环保监控的重点。泥头车载货状态的识别也具有实际意义和商业价值。
深度卷积神经网络在目标识别中的应用方面技术越来越成熟,特别是近几年来一些方法比如AlexNet(由Alex Krizhevsky设计的一种卷积神经网络结构)、VGG16(一种由牛津大学提供的卷积神经网络结构)、GoogLeNet(由Christian Szegedy提出的一种卷积神经网络结构)等一系列方法效果显著并且已经开始广泛应用到实际项目中。但基于深度卷积神经网络的识别项目仍然存在很多的问题需要去解决。首先,在模型的训练过程中需要大量的已标注样本,然而很多情况下这些样本不易获得。特别是进行异常识别时,异常样本是需要被识别出来的。但异常目标的出现常常是小概率事件,这也意味着异常样本更是难以获得。样本的不足使得模型很难得到充分的学习;其次,在图像数据集中要识别的目标类别之间常常具有很高的相似度,这是造成误检的主要原因。
现有技术中,虽然从互联网得到的公共数据集如COCO(微软团队获取的一个图像数据集)、MIT-CBCL(麻省理工大学获取的一个图像数据集)、KITTI(由www.cvilbs.net提供的车辆检测、追踪、语义分隔算法的数据集)、UA-DETRAC(一种车辆检测数据集),ImageNet(一种用于视觉对象识别软件研究的大型可视化数据库)这样的大型通用数据集很容易获得,但由于泥头车数据相比于一般的交通车辆识别数据更难以获得,这一个特定小领域的数据集,样本数量要满足深度学习的训练要求需要大量的数据采集、预处理以及数据集标注的投入;而且在环保监测过程中需要对泥头车的车厢的覆盖状态做一个识别,需要识别的是泥头车载货且不覆盖的异常状况。由于摄像头位置处于工地环境,安装位置各不相同,使得在视频图像中这些泥头车载货且不覆盖的状态难以捕捉,常常出现泥头车异常状态误识别的结果泥头车载货异常和正常状态两类样本明显比不同车型的车辆之间的样本数目更加不均衡,因此传统的目标车辆识别方法不适用于泥头车状态识别,而且传统特征提取算法表达能力有限,在很大程度上降低了算法的鲁棒性,在实际使用中对于复杂环境有很大的局限性,无法用于工地、堆场等泥头车工作的复杂环境。
因此,目前亟需一种切实有效的方法以实现对未覆盖泥头车的检测和标记。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的第一方面提出一种目标车辆的状态标记方法。
本发明的第二方面提出一种目标车辆的状态标记***。
本发明的第三方面提出一种计算机可读存储介质。
有鉴于此,本发明的第一方面提供了一种目标车辆的状态标记方法,包括:实时检测待检测视频;当待检测视频中包含目标车辆时,将目标车辆的图像信息输入状态检测模型以确定图像信息的类别;当图像信息的类别为预设类别时,标记目标车辆并向监控***报告。
在该技术方案中,通过实时检测待检测视频,具体地,待检测视频可以为交通监控摄像头实时获取的监控视频,或者工地、堆场等现场设置的摄像头摄录的视频,当检测到待检测视频中包含目标车辆时,将该目标车辆的图像信息输入至状态检测模型,通过状态检测模型检测图像信息的类别;当状态检测模型输出的结果为该图像信息的类别为预设类别时,将该图像信息所对应的目标车辆标记为异常车辆,并向监控***报告。应用了本发明提供的技术方案,通过实时检测待检测视频确认是否出现目标车辆,在待检测视频中出现了目标车辆时,获取目标车辆的图像信息,通过状态检测模型确定图像信息的类别,进而确定目标车辆是否为异常状态,标记异常状态的目标车辆并向监控***报告,进而可以准确地检测泥头车等目标车辆的状态,并标记处于异常状态的目标车辆,提供更智能的、应用范围更广的环保监控方案。
具体地,目标车辆设置为泥头车,获取交通监控摄像头实时获取的监控视频,检测监控视频中是否包含泥头车;当监控视频中包含泥头车时,将泥头车对应的图像信息输入到状态检测模型中,以使状态检测模型判断图像信息的类别;接收状态检测模型的输出结果,当状态检测模型输出的结果表明图像信息的类别为预设类别时,认定该泥头车的状态为异常,具体为该泥头车的状态为载有货物,但货物未被覆盖,此时将该泥头车标记为异常泥头车,同时向监控***报告该泥头车的状态、位置以及车牌号码等信息。
另外,本发明提供的上述技术方案中的目标车辆的状态标记方法还可以具有如下附加技术特征:
在上述技术方案中,优选地,在实时检测待检测视频的步骤之前,还包括:采集监控视频,通过监控视频获取目标车辆的历史图像信息;接收分类命令,根据分类命令对历史图像信息进行分类,以形成训练数据集;通过训练数据集训练预训练模型以得到状态检测模型。
在该技术方案中,通过大量采集不同位置、不同时间段的交通监控视频,分析监控视频并从中获取其包含的目标车辆的历史图像信息样本,根据分类命令对历史图像信息样本进行分类,得到各种不同时间、不同位置以及不同状态的历史图像信息样本集,并形成训练数据集;选取通用的以大规模交通车辆数据集训练得到的卷积神经网络模型作为预训练模型,通过训练数据集训练预训练模型可得到识别率更准确的、具有更高鲁棒性的状态检测模型,以实现对目标车辆状态的准确检测和标记。
在上述任一技术方案中,优选地,根据分类命令对历史图像信息进行分类的步骤,具体包括:当分类命令指示目标车辆为未载货时,将图像信息分类为第一类图像信息;当分类命令指示目标车辆为无法确定是否载货时,将图像信息分类为第二类图像信息;当分类命令指示目标车辆为已载货,且货物被覆盖时,将图像信息分类为第三类图像信息;当分类命令指示目标车辆为已载货,且货物未被覆盖时,将图像信息分类为第四类图像信息;其中,分类为第四类图像信息的图像信息的类别为预设类别。
在该技术方案中,按照历史图像信息中目标车辆,即泥头车的载货状态将历史图像信息分类为泥头车未载货、泥头车已载货和无法确定泥头车是否载货三种,并进一步将泥头车已载货的情况具体分类为泥头车已载货,且货物被覆盖,以及泥头车已载货,且所述货物未被覆盖,得到具体的4种分类类别,并具体将历史图像信息的分类设置为:第一类图像信息,即泥头车为载货;第二类图像信息,即无法确定泥头车是否载货;第三类图像信息,即泥头车已载货,且货物被覆盖;以及第四类图像信息,即泥头车已载货,且所述货物未被覆盖,并以分类后的历史图像信息作为训练数据集。其中,设置分类为第四类图像信息的历史图像信息的类别为预设类别。通过将目标车辆,即泥头车状态按照载货、未载货、无法确定载货状态分为3类,然后按照环保监控需求进一步按照载货时货物是否被覆盖将载货状态的泥头车进一步细分,即在数据集制作过程中将数据和泥头车载货状态分为4类,增加了数据类别之间的均衡性,可以提升状态检测模型对目标车辆状态识别的准确率。
在上述任一技术方案中,优选地,实时检测待检测视频的步骤,具体包括:对待检测视频进行预处理,以得到待检测视频中每一帧的图像的前景图;对前景图进行阈值分割,并进行形态学开运算及归一化处理以得到二值化图像;确定二值化图像中目标区域的轮廓面积;通过矩形框检测方法判断轮廓面积是否符合判定阈值范围;当轮廓面积符合判定阈值范围时,确定前景图中包含目标车辆。
在该技术方案中,在获取到待检测视频后,首先使用开源计算机视觉库OpenCV(Open Source Computer Vision Library,开源计算机视觉库)进行辅助,以完成对待检测视频的预处理,同时采用均值滤波以及高斯背景建模的方法建立视频的图像背景模型,以将待检测视频中每一帧的图像的前景与背景分离,得到待检测视频中每一帧的图像的前景图;也可以使用背景差分法得到前景图;然后采用OpenCV中的Ostu(大津算法)阈值分割算法对前景图进行阈值分割,同时对分割后的图像进行形态学开运算,去除前景图中的噪声点,在进一步进行归一化处理得到二值化图像;通过OpenCV中的轮廓提取功能确定二值化图像中目标区域的轮廓面积;通过矩形框检测方法判断轮廓面积是否符合预设判定阈值范围;当轮廓面积符合判定阈值范围时,可以确定前景图中包含目标车辆,该方法在检测大型车辆,如泥头车时检测结果准确,需要的计算量小,同时具有较高的检测效率。
在上述任一技术方案中,优选地,当前景图中包含目标车辆时,还包括:获取目标区域的坐标信息;通过坐标信息在每一帧的图像中截取目标车辆的图像信息。
在该技术方案中,当判定前景图中包含目标车辆时,获取目标车辆对应的目标区域的坐标信息,通过坐标信息在原始帧图像中截取目标车辆的图像信息,以将图像信息输入状态检测模型,通过状态检测模型检测目标车辆的状态,实现对处于异常状态的目标车辆的标记和报告。
本发明第二方面提供了一种目标车辆的状态标记***,包括存储器和处理器;存储器用于存储计算机程序;处理器用于执行计算机程序以:实时检测待检测视频;当待检测视频中包含目标车辆时,将目标车辆的图像信息输入状态检测模型以确定图像信息的类别;当图像信息的类别为预设类别时,标记目标车辆并向监控***报告。
在该技术方案中,通过实时检测待检测视频,具体地,待检测视频可以为交通监控摄像头实时获取的监控视频,或者工地、堆场等现场设置的摄像头摄录的视频,当检测到待检测视频中包含目标车辆时,将该目标车辆的图像信息输入至状态检测模型,通过状态检测模型检测图像信息的类别;当状态检测模型输出的结果为该图像信息的类别为预设类别时,将该图像信息所对应的目标车辆标记为异常车辆,并向监控***报告。应用了本发明提供的技术方案,通过实时检测待检测视频确认是否出现目标车辆,在待检测视频中出现了目标车辆时,获取目标车辆的图像信息,通过状态检测模型确定图像信息的类别,进而确定目标车辆是否为异常状态,标记异常状态的目标车辆并向监控***报告,进而可以准确地检测泥头车等目标车辆的状态,并标记处于异常状态的目标车辆,提供更智能的、应用范围更广的环保监控方案。
在上述技术方案中,优选地,处理器还用于:采集监控视频,通过监控视频获取目标车辆的历史图像信息;接收分类命令,根据分类命令对历史图像信息进行分类,以形成训练数据集;通过训练数据集训练预训练模型以得到状态检测模型。
在该技术方案中,通过大量采集不同位置、不同时间段的交通监控视频,分析监控视频并从中获取其包含的目标车辆的历史图像信息样本,根据分类命令对历史图像信息样本进行分类,得到各种不同时间、不同位置以及不同状态的历史图像信息样本集,并形成训练数据集;选取通用的以大规模交通车辆数据集训练得到的卷积神经网络模型作为预训练模型,通过训练数据集训练预训练模型可得到识别率更准确的、具有更高鲁棒性的状态检测模型,以实现对目标车辆状态的准确检测和标记。
在上述任一技术方案中,优选地,处理器还用于:当分类命令指示目标车辆为未载货时,将图像信息分类为第一类图像信息;当分类命令指示目标车辆为无法确定是否载货时,将图像信息分类为第二类图像信息;当分类命令指示目标车辆为已载货,且货物被覆盖时,将图像信息分类为第三类图像信息;当分类命令指示目标车辆为已载货,且货物未被覆盖时,将图像信息分类为第四类图像信息;其中,分类为第四类图像信息的图像信息的类别为预设类别。
在该技术方案中,按照历史图像信息中目标车辆,即泥头车的载货状态将历史图像信息分类为泥头车未载货、泥头车已载货和无法确定泥头车是否载货三种,并进一步将泥头车已载货的情况具体分类为泥头车已载货,且货物被覆盖,以及泥头车已载货,且所述货物未被覆盖,得到具体的4种分类类别,并具体将历史图像信息的分类设置为:第一类图像信息,即泥头车为载货;第二类图像信息,即无法确定泥头车是否载货;第三类图像信息,即泥头车已载货,且货物被覆盖;以及第四类图像信息,即泥头车已载货,且所述货物未被覆盖,并以分类后的历史图像信息作为训练数据集。其中,设置分类为第四类图像信息的历史图像信息的类别为预设类别。通过将目标车辆,即泥头车状态按照载货、未载货、无法确定载货状态分为3类,然后按照环保监控需求进一步按照载货时货物是否被覆盖将载货状态的泥头车进一步细分,即在数据集制作过程中将数据和泥头车载货状态分为4类,增加了数据类别之间的均衡性,可以提升状态检测模型对目标车辆状态识别的准确率。
在上述任一技术方案中,优选地,处理器还用于:对待检测视频进行预处理,以得到待检测视频中每一帧的图像的前景图;对前景图进行阈值分割,并进行形态学开运算及归一化处理以得到二值化图像;确定二值化图像中目标区域的轮廓面积;通过矩形框检测方法判断轮廓面积是否符合判定阈值范围;当轮廓面积符合判定阈值范围时,确定前景图中包含目标车辆。
在该技术方案中,在获取到待检测视频后,首先使用开源计算机视觉库OpenCV进行辅助,以完成对待检测视频的预处理,同时采用均值滤波以及高斯背景建模的方法建立视频的图像背景模型,以将待检测视频中每一帧的图像的前景与背景分离,得到待检测视频中每一帧的图像的前景图;也可以使用背景差分法得到前景图;然后采用OpenCV中的Ostu阈值分割算法对前景图进行阈值分割,同时对分割后的图像进行形态学开运算,去除前景图中的噪声点,在进一步进行归一化处理得到二值化图像;通过OpenCV中的轮廓提取功能确定二值化图像中目标区域的轮廓面积;通过矩形框检测方法判断轮廓面积是否符合预设判定阈值范围;当轮廓面积符合判定阈值范围时,可以确定前景图中包含目标车辆,该方法在检测大型车辆,如泥头车时检测结果准确,需要的计算量小,同时具有较高的检测效率。
在上述任一技术方案中,优选地,处理器还用于:获取目标区域的坐标信息;通过坐标信息在每一帧的图像中截取目标车辆的图像信息。
在该技术方案中,当判定前景图中包含目标车辆时,获取目标车辆对应的目标区域的坐标信息,通过坐标信息在原始帧图像中截取目标车辆的图像信息,以将图像信息输入状态检测模型,通过状态检测模型检测目标车辆的状态,实现对处于异常状态的目标车辆的标记和报告。
本发明第三方面提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一技术方案中所述的目标车辆的状态标记方法,因此,该计算机可读存储介质包括上述任一技术方案中所述的目标车辆的状态标记方法的全部有益效果。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了根据本发明的一个实施例的目标车辆的状态标记方法的流程图;
图2示出了根据本发明的另一个实施例的目标车辆的状态标记方法的流程图;
图3示出了根据本发明的一个实施例中目标车辆的分类示意图;
图4示出了根据本发明的一个实施例中历史图像信分类的流程图;
图5示出了根据本发明的再一个实施例的目标车辆的状态标记方法的流程图;
图6示出了根据本发明的又一个实施例的目标车辆的状态标记方法的流程图;
图7示出了根据本发明的又一个实施例的目标车辆的状态标记方法的流程图;
图8示出了根据本发明的一个实施例的目标车辆的状态标记***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1至图8描述根据本发明一些实施例所述目标车辆的状态标记方法、目标车辆的状态标记***和计算机可读存储介质。
如图1所示,在本发明第一方面的实施例中,提供了一种目标车辆的状态标记方法,包括:
S102,实时检测待检测视频;
S104,当待检测视频中包含目标车辆时,将目标车辆的图像信息输入状态检测模型以确定图像信息的类别;
S106,当图像信息的类别为预设类别时,标记目标车辆并向监控***报告。
在该实施例中,通过实时检测待检测视频,具体地,待检测视频可以为交通监控摄像头实时获取的监控视频,或者工地、堆场等现场设置的摄像头摄录的视频,当检测到待检测视频中包含目标车辆时,将该目标车辆的图像信息输入至状态检测模型,通过状态检测模型检测图像信息的类别;当状态检测模型输出的结果为该图像信息的类别为预设类别时,将该图像信息所对应的目标车辆标记为异常车辆,并向监控***报告。应用了本发明提供的技术方案,通过实时检测待检测视频确认是否出现目标车辆,在待检测视频中出现了目标车辆时,获取目标车辆的图像信息,通过状态检测模型确定图像信息的类别,进而确定目标车辆是否为异常状态,标记异常状态的目标车辆并向监控***报告,进而可以准确地检测泥头车等目标车辆的状态,并标记处于异常状态的目标车辆,提供更智能的、应用范围更广的环保监控方案。
具体地,目标车辆设置为泥头车,获取交通监控摄像头实时获取的监控视频,检测监控视频中是否包含泥头车;当监控视频中包含泥头车时,将泥头车对应的图像信息输入到状态检测模型中,以使状态检测模型判断图像信息的类别;接收状态检测模型的输出结果,当状态检测模型输出的结果表明图像信息的类别为预设类别时,认定该泥头车的状态为异常,具体为该泥头车的状态为载有货物,但货物未被覆盖,此时将该泥头车标记为异常泥头车,同时向监控***报告该泥头车的状态、位置以及车牌号码等信息。
在本发明的一个实施例中,优选地,如图2所示,目标车辆的状态标记方法包括:
S202,采集监控视频,通过监控视频获取目标车辆的历史图像信息;
S204,接收分类命令,根据分类命令对历史图像信息进行分类,以形成训练数据集;
S206,通过训练数据集训练预训练模型以得到状态检测模型;
S208,实时检测待检测视频;
S210,当待检测视频中包含目标车辆时,将目标车辆的图像信息输入状态检测模型以确定图像信息的类别;
S212,当图像信息的类别为预设类别时,标记目标车辆并向监控***报告。
在该实施例中,通过大量采集不同位置、不同时间段的交通监控视频,分析监控视频并从中获取其包含的目标车辆的历史图像信息样本,根据分类命令对历史图像信息样本进行分类,得到各种不同时间、不同位置以及不同状态的历史图像信息样本集,并形成训练数据集;选取通用的以大规模交通车辆数据集训练得到的卷积神经网络模型作为预训练模型,优选地,选用VGGNet-16(一种由牛津大学提供的卷积神经网络结构)模型作为预训练模型;通过训练数据集训练预训练模型可得到识别率更准确的、具有更高鲁棒性的状态检测模型,以实现对目标车辆状态的准确检测和标记。
具体地,作为预训练模型的卷积神经网络模型有多种选择,比如如果优选速度更快的卷积神经网络模型的话,可以选择结构层数少、速度快的AlexNet模型;如果优选精度更高的卷积神经网络模型的话,可以选择VGGNet(一种由牛津大学提供的卷积神经网络结构)模型、NIN(Network in Network,网中网卷积神经网络结构)模型、GoogLeNet模型以及ResNet(Residual Neural Network,一种微软提出的卷积神经网络结构)模型等层数较多的网络模型。
在本发明的一个实施例中,优选地,根据分类命令对历史图像信息进行分类的步骤,具体包括:当分类命令指示目标车辆为未载货时,将图像信息分类为第一类图像信息;当分类命令指示目标车辆为无法确定是否载货时,将图像信息分类为第二类图像信息;当分类命令指示目标车辆为已载货,且货物被覆盖时,将图像信息分类为第三类图像信息;当分类命令指示目标车辆为已载货,且货物未被覆盖时,将图像信息分类为第四类图像信息;其中,分类为第四类图像信息的图像信息的类别为预设类别。
在该实施例中,具体地,如图3所示,按照历史图像信息中目标车辆,即泥头车的载货状态将历史图像信息分类为泥头车未载货、泥头车已载货和无法确定泥头车是否载货三种,并进一步将泥头车已载货的情况具体分类为泥头车已载货,且货物被覆盖,以及泥头车已载货,且所述货物未被覆盖,得到具体的4种分类类别,并具体将历史图像信息的分类设置为:第一类图像信息,即泥头车为载货;第二类图像信息,即无法确定泥头车是否载货;第三类图像信息,即泥头车已载货,且货物被覆盖;以及第四类图像信息,即泥头车已载货,且所述货物未被覆盖,并以分类后的历史图像信息作为训练数据集。其中,设置分类为第四类图像信息的历史图像信息的类别为预设类别。通过将目标车辆,即泥头车状态按照载货、未载货、无法确定载货状态分为3类,然后按照环保监控需求进一步按照载货时货物是否被覆盖将载货状态的泥头车进一步细分,即在数据集制作过程中将数据和泥头车载货状态分为4类,增加了数据类别之间的均衡性,可以提升状态检测模型对目标车辆状态识别的准确率。
其中,对历史图像信息进行分类的具体流程如图4所示:
S402,采集监控视频数据;
S404,拆解监控视频数据以得到含有泥头车的帧图像;
S406,在帧图像中提取泥头车所在区域的历史图像信息;
S408,按照泥头车的状态将历史图像信息分为4类。
在采集用于训练状态检测模型的训练数据集时,根据泥头车载货状态将数据分为4类,通过这样的分类可以增加数据类别之间的均衡性有利于提升识别准确率,在选取了预训练模型后,将此预训练模型的最后一层输出类别的参数修改为4,并用随机数来初始化该层的权重参数,并保持其它层结构和参数不变,然后用得到的训练数据集训练修改后的预训练模型,可以得到即使在泥头车样本量较少时仍能保证较高的识别准确率的状态检测模型。
在本发明的一个实施例中,优选地,如图5所示,目标车辆的状态标记方法包括:
S502,对待检测视频进行预处理,以得到待检测视频中每一帧的图像的前景图;
S504,对前景图进行阈值分割,并进行形态学开运算及归一化处理以得到二值化图像;
S506,确定二值化图像中目标区域的轮廓面积;
S508,通过矩形框检测方法判断轮廓面积是否符合判定阈值范围;
S510,当轮廓面积符合判定阈值范围时,确定前景图中包含目标车辆;
S512,将目标车辆的图像信息输入状态检测模型以确定图像信息的类别;
S514,当图像信息的类别为预设类别时,标记目标车辆并向监控***报告。
在该实施例中,在获取到待检测视频后,首先使用开源计算机视觉库OpenCV进行辅助,以完成对待检测视频的预处理,同时采用均值滤波以及高斯背景建模的方法建立视频的图像背景模型,以将待检测视频中每一帧的图像的前景与背景分离,得到待检测视频中每一帧的图像的前景图;也可以使用背景差分法得到前景图;然后采用OpenCV中的Ostu阈值分割算法对前景图进行阈值分割,同时对分割后的图像进行形态学开运算,去除前景图中的噪声点,在进一步进行归一化处理得到二值化图像;通过OpenCV中的轮廓提取功能确定二值化图像中目标区域的轮廓面积;通过矩形框检测方法判断轮廓面积是否符合预设判定阈值范围;当轮廓面积符合判定阈值范围时,可以确定前景图中包含目标车辆,该方法在检测大型车辆,如泥头车时检测结果准确,需要的计算量小,同时具有较高的检测效率。
在本发明的一个实施例中,优选地,如图6所示,目标车辆的状态标记方法包括:
S602,对待检测视频进行预处理,以得到待检测视频中每一帧的图像的前景图;
S604,对前景图进行阈值分割,并进行形态学开运算及归一化处理以得到二值化图像;
S606,确定二值化图像中目标区域的轮廓面积;
S608,通过矩形框检测方法判断轮廓面积是否符合判定阈值范围;
S610,当轮廓面积符合判定阈值范围时,确定前景图中包含目标车辆;
S612,获取目标区域的坐标信息;
S614,通过坐标信息在每一帧的图像中截取目标车辆的图像信息;
S616,将目标车辆的图像信息输入状态检测模型以确定图像信息的类别;
S618,当图像信息的类别为预设类别时,标记目标车辆并向监控***报告。
在该实施例中,当判定前景图中包含目标车辆时,获取目标车辆对应的目标区域的坐标信息,通过坐标信息在原始帧图像中截取目标车辆的图像信息,以将图像信息输入状态检测模型,通过状态检测模型检测目标车辆的状态,实现对处于异常状态的目标车辆的标记和报告。
在本发明的一个实施例中,优选地,如图7所示,目标车辆的状态标记方法的实际工作流程包括:
S702,获取待检测视频;
S704,对待检测视频的背景进行建模;
S706,对待检测视频中第k帧图像进行均值滤波;
S708,对滤波后的图像进行自适应阈值分割以及二值化处理;
S710,对二值化图像进行归一化处理以及形态学开运算处理;
S712,提取处理后的二值化图像中目标区域的轮廓以判断目标区域是否满足判定条件,是则进入S716,否则进入S714;
S714,对第k+1帧图像进行均值滤波;
S716,返回目标区域的坐标信息;
S718,通过坐标信息从第k帧图像中提取图像信息并输入状态检测模型;
S720,判断图像信息是否为预设类别,是则进入S722,否则进入S714;
S722,标记目标车辆并向监控***报告;
S724,判断待检测视频是否结束,是则流程结束,否则返回S714。
在该实施例中,获取待检测视频,对待检测视频的背景进行建模以时视频的前景与背景分离;提取视频中第k帧图像并对第k帧图像进行均值滤波,其中,k=1、2、3……;首先对滤波后的第k帧图像进行自适应阈值分割以及二值化处理,然后对滤波后的第k帧图像进行自适应阈值分割以及二值化处理,接着对处理后的二值化图像进行归一化处理以及形态学开运算处理,最后提取处理后的二值化图像中目标区域的轮廓以判断目标区域是否满足判定条件,如果不满足判定条件,则继续提取第k+1帧图像并进行滤波处理;如果满足判定条件,则返回目标区域的坐标信息,根据坐标信息从第k帧图像中提取图像信息并输入状态检测模型,通过状态检测模型判断图像信息是否为预设类别,即判断目标泥头车是否为载货且货物未覆盖的状态;如果图像信息不是预设类别,则继续提取第k+1帧图像并进行滤波处理;如果图像信息是预设类别,则标记目标泥头车为异常状态并向监控***报告;继续提取视频中的帧图像以判断视频是否结束,如果视频未结束,则继续提取下一帧图像并进行检测,如视频已经结束,则结束检测流程。
如图8所示,在本发明第二方面的实施例中,提供了一种目标车辆的状态标记***800,包括存储器802和处理器804;存储器802用于存储计算机程序;处理器804用于执行计算机程序以:实时检测待检测视频;当待检测视频中包含目标车辆时,将目标车辆的图像信息输入状态检测模型以确定图像信息的类别;当图像信息的类别为预设类别时,标记目标车辆并向监控***报告。
在该实施例中,通过实时检测待检测视频,具体地,待检测视频可以为交通监控摄像头实时获取的监控视频,或者工地、堆场等现场设置的摄像头摄录的视频,当检测到待检测视频中包含目标车辆时,将该目标车辆的图像信息输入至状态检测模型,通过状态检测模型检测图像信息的类别;当状态检测模型输出的结果为该图像信息的类别为预设类别时,将该图像信息所对应的目标车辆标记为异常车辆,并向监控***报告。应用了本发明提供的技术方案,通过实时检测待检测视频确认是否出现目标车辆,在待检测视频中出现了目标车辆时,获取目标车辆的图像信息,通过状态检测模型确定图像信息的类别,进而确定目标车辆是否为异常状态,标记异常状态的目标车辆并向监控***报告,进而可以准确地检测泥头车等目标车辆的状态,并标记处于异常状态的目标车辆,提供更智能的、应用范围更广的环保监控方案。
在本发明的一个实施例中,优选地,处理器804还用于:采集监控视频,通过监控视频获取目标车辆的历史图像信息;接收分类命令,根据分类命令对历史图像信息进行分类,以形成训练数据集;通过训练数据集训练预训练模型以得到状态检测模型。
在该实施例中,通过大量采集不同位置、不同时间段的交通监控视频,分析监控视频并从中获取其包含的目标车辆的历史图像信息样本,根据分类命令对历史图像信息样本进行分类,得到各种不同时间、不同位置以及不同状态的历史图像信息样本集,并形成训练数据集;选取通用的以大规模交通车辆数据集训练得到的卷积神经网络模型作为预训练模型,通过训练数据集训练预训练模型可得到识别率更准确的、具有更高鲁棒性的状态检测模型,以实现对目标车辆状态的准确检测和标记。
在本发明的一个实施例中,优选地,处理器804还用于:当分类命令指示目标车辆为未载货时,将图像信息分类为第一类图像信息;当分类命令指示目标车辆为无法确定是否载货时,将图像信息分类为第二类图像信息;当分类命令指示目标车辆为已载货,且货物被覆盖时,将图像信息分类为第三类图像信息;当分类命令指示目标车辆为已载货,且货物未被覆盖时,将图像信息分类为第四类图像信息;其中,分类为第四类图像信息的图像信息的类别为预设类别。
在该实施例中,按照历史图像信息中目标车辆,即泥头车的载货状态将历史图像信息分类为泥头车未载货、泥头车已载货和无法确定泥头车是否载货三种,并进一步将泥头车已载货的情况具体分类为泥头车已载货,且货物被覆盖,以及泥头车已载货,且所述货物未被覆盖,得到具体的4种分类类别,并具体将历史图像信息的分类设置为:第一类图像信息,即泥头车为载货;第二类图像信息,即无法确定泥头车是否载货;第三类图像信息,即泥头车已载货,且货物被覆盖;以及第四类图像信息,即泥头车已载货,且所述货物未被覆盖,并以分类后的历史图像信息作为训练数据集。其中,设置分类为第四类图像信息的历史图像信息的类别为预设类别。通过将目标车辆,即泥头车状态按照载货、未载货、无法确定载货状态分为3类,然后按照环保监控需求进一步按照载货时货物是否被覆盖将载货状态的泥头车进一步细分,即在数据集制作过程中将数据和泥头车载货状态分为4类,增加了数据类别之间的均衡性,可以提升状态检测模型对目标车辆状态识别的准确率。
在本发明的一个实施例中,优选地,处理器804还用于:对待检测视频进行预处理,以得到待检测视频中每一帧的图像的前景图;对前景图进行阈值分割,并进行形态学开运算及归一化处理以得到二值化图像;确定二值化图像中目标区域的轮廓面积;通过矩形框检测方法判断轮廓面积是否符合判定阈值范围;当轮廓面积符合判定阈值范围时,确定前景图中包含目标车辆。
在该实施例中,在获取到待检测视频后,首先使用开源计算机视觉库OpenCV进行辅助,以完成对待检测视频的预处理,同时采用均值滤波以及高斯背景建模的方法建立视频的图像背景模型,以将待检测视频中每一帧的图像的前景与背景分离,得到待检测视频中每一帧的图像的前景图;也可以使用背景差分法得到前景图;然后采用OpenCV中的Ostu阈值分割算法对前景图进行阈值分割,同时对分割后的图像进行形态学开运算,去除前景图中的噪声点,在进一步进行归一化处理得到二值化图像;通过OpenCV中的轮廓提取功能确定二值化图像中目标区域的轮廓面积;通过矩形框检测方法判断轮廓面积是否符合预设判定阈值范围;当轮廓面积符合判定阈值范围时,可以确定前景图中包含目标车辆,该方法在检测大型车辆,如泥头车时检测结果准确,需要的计算量小,同时具有较高的检测效率。
在本发明的一个实施例中,优选地,处理器804还用于:获取目标区域的坐标信息;通过坐标信息在每一帧的图像中截取目标车辆的图像信息。
在该实施例中,当判定前景图中包含目标车辆时,获取目标车辆对应的目标区域的坐标信息,通过坐标信息在原始帧图像中截取目标车辆的图像信息,以将图像信息输入状态检测模型,通过状态检测模型检测目标车辆的状态,实现对处于异常状态的目标车辆的标记和报告。
在本发明第三方面的实施例中,提供了当判定前景图中包含目标车辆时,获取目标车辆对应的目标区域的坐标信息,通过坐标信息在原始帧图像中截取目标车辆的图像信息,以将图像信息输入状态检测模型,通过状态检测模型检测目标车辆的状态,实现对处于异常状态的目标车辆的标记和报告。
在本发明的描述中,术语“多个”则指两个或两个以上,除非另有明确的限定,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制;术语“连接”、“安装”、“固定”等均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本发明中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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。
Claims (11)
1.一种目标车辆的状态标记方法,其特征在于,包括:
实时检测待检测视频;
当待检测视频中包含目标车辆时,将所述目标车辆的图像信息输入状态检测模型以确定所述图像信息的类别;
当所述图像信息的类别为预设类别时,标记所述目标车辆并向监控***报告。
2.根据权利要求1所述的目标车辆的状态标记方法,其特征在于,在所述实时检测待检测视频的步骤之前,还包括:
采集监控视频,通过所述监控视频获取所述目标车辆的历史图像信息;
接收分类命令,根据所述分类命令对所述历史图像信息进行分类,以形成训练数据集;
通过所述训练数据集训练预训练模型以得到所述状态检测模型。
3.根据权利要求2所述的目标车辆的状态标记方法,其特征在于,所述根据所述分类命令对历史图像信息进行分类的步骤,具体包括:
当所述分类命令指示所述目标车辆为未载货时,将所述历史图像信息分类为第一类图像信息;
当所述分类命令指示所述目标车辆为无法确定是否载货时,将所述历史图像信息分类为第二类图像信息;
当所述分类命令指示所述目标车辆为已载货,且货物被覆盖时,将所述历史图像信息分类为第三类图像信息;
当所述分类命令指示所述目标车辆为已载货,且所述货物未被覆盖时,将所述历史图像信息分类为第四类图像信息;
其中,分类为第四类图像信息的所述历史图像信息的类别为所述预设类别。
4.根据权利要求1至3中任一项所述的目标车辆的状态标记方法,其特征在于,所述实时检测待检测视频的步骤,具体包括:
对所述待检测视频进行预处理,以得到所述待检测视频中每一帧的图像的前景图;
对所述前景图进行阈值分割,并进行形态学开运算及归一化处理以得到二值化图像;
确定所述二值化图像中目标区域的轮廓面积;
通过矩形框检测方法判断所述轮廓面积是否符合判定阈值范围;
当所述轮廓面积符合所述判定阈值范围时,确定所述前景图中包含所述目标车辆。
5.根据权利要求4所述的目标车辆的状态标记方法,其特征在于,当所述前景图中包含所述目标车辆时,所述方法还包括:
获取所述目标区域的坐标信息;
通过所述坐标信息在所述每一帧的图像中截取所述目标车辆的所述图像信息。
6.一种目标车辆的状态标记***,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以:
实时检测待检测视频;
当待检测视频中包含目标车辆时,将所述目标车辆的图像信息输入状态检测模型以确定所述图像信息的类别;
当所述图像信息的类别为预设类别时,标记所述目标车辆并向监控***报告。
7.根据权利要求6所述的目标车辆的状态标记***,其特征在于,所述处理器还用于:
采集监控视频,通过所述监控视频获取所述目标车辆的历史图像信息;
接收分类命令,根据所述分类命令对所述历史图像信息进行分类,以形成训练数据集;
通过所述训练数据集训练预训练模型以得到所述状态检测模型。
8.根据权利要求7所述的目标车辆的状态标记***,其特征在于,所述处理器还用于:
当所述分类命令指示所述目标车辆为未载货时,将所述历史图像信息分类为第一类图像信息;
当所述分类命令指示所述目标车辆为无法确定是否载货时,将所述历史图像信息分类为第二类图像信息;
当所述分类命令指示所述目标车辆为已载货,且货物被覆盖时,将所述历史图像信息分类为第三类图像信息;
当所述分类命令指示所述目标车辆为已载货,且所述货物未被覆盖时,将所述历史图像信息分类为第四类图像信息;
其中,分类为第四类图像信息的所述历史图像信息的类别为所述预设类别。
9.根据权利要求6至8中任一项所述的目标车辆的状态标记***,其特征在于,所述处理器还用于:
对所述待检测视频进行预处理,以得到所述待检测视频中每一帧的图像的前景图;
对所述前景图进行阈值分割,并进行形态学开运算及归一化处理以得到二值化图像;
确定所述二值化图像中目标区域的轮廓面积;
通过矩形框检测方法判断所述轮廓面积是否符合判定阈值范围;
当所述轮廓面积符合所述判定阈值范围时,确定所述前景图中包含所述目标车辆。
10.根据权利要求9所述的目标车辆的状态标记***,其特征在于,所述处理器还用于:
获取所述目标区域的坐标信息;
通过所述坐标信息在所述每一帧的图像中截取所述目标车辆的所述图像信息。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的目标车辆的状态标记方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910017244.3A CN109815856A (zh) | 2019-01-08 | 2019-01-08 | 目标车辆的状态标记方法、***和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910017244.3A CN109815856A (zh) | 2019-01-08 | 2019-01-08 | 目标车辆的状态标记方法、***和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109815856A true CN109815856A (zh) | 2019-05-28 |
Family
ID=66604205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910017244.3A Pending CN109815856A (zh) | 2019-01-08 | 2019-01-08 | 目标车辆的状态标记方法、***和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815856A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110324583A (zh) * | 2019-07-15 | 2019-10-11 | 深圳中兴网信科技有限公司 | 一种视频监控方法、视频监控装置及计算机可读存储介质 |
CN110378258A (zh) * | 2019-07-04 | 2019-10-25 | 上海眼控科技股份有限公司 | 一种基于图像的车辆座椅信息检测方法及设备 |
CN110929589A (zh) * | 2019-10-31 | 2020-03-27 | 浙江大华技术股份有限公司 | 车辆特征识别的方法、设备、计算机设备和存储介质 |
CN111160270A (zh) * | 2019-12-31 | 2020-05-15 | 中铁大桥科学研究院有限公司 | 一种基于智能视频识别的桥梁监测方法 |
CN111209923A (zh) * | 2020-04-23 | 2020-05-29 | 北京慧智数据科技有限公司 | 一种基于深度学习技术的渣土车是否盖盖识别方法 |
CN111860127A (zh) * | 2020-06-05 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 车辆检测方法和***、计算机可读存储介质 |
CN112604841A (zh) * | 2020-12-10 | 2021-04-06 | 中国联合网络通信集团有限公司 | 车辆喷涂检测方法、装置、设备及存储介质 |
CN112822458A (zh) * | 2021-01-12 | 2021-05-18 | 南京易自助网络科技有限公司 | 洗车过程的视频监控方法及终端 |
CN113378629A (zh) * | 2021-04-27 | 2021-09-10 | 阿里云计算有限公司 | 一种排烟异常车辆的检测方法、装置 |
CN113688750A (zh) * | 2021-08-27 | 2021-11-23 | 上海高德威智能交通***有限公司 | 车厢状态检测方法及装置 |
CN116030418A (zh) * | 2023-02-14 | 2023-04-28 | 北京建工集团有限责任公司 | 一种汽车吊运行状态监测***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202563526U (zh) * | 2012-03-22 | 2012-11-28 | 北京尚易德科技有限公司 | 一种基于视频的交通车辆检测识别*** |
CN104915650A (zh) * | 2015-06-05 | 2015-09-16 | 福建天晴数码有限公司 | 车辆载货状态识别方法和装置 |
CN105930833A (zh) * | 2016-05-19 | 2016-09-07 | 重庆邮电大学 | 一种基于视频监控的车辆跟踪与分割方法 |
CN206162709U (zh) * | 2016-08-23 | 2017-05-10 | 吴晓栋 | 叉车监控*** |
CN106875424A (zh) * | 2017-01-16 | 2017-06-20 | 西北工业大学 | 一种基于机器视觉的城市环境行驶车辆行为识别方法 |
CN107767399A (zh) * | 2016-08-23 | 2018-03-06 | 吴晓栋 | 叉车监控方法及监控*** |
CN108765943A (zh) * | 2018-05-30 | 2018-11-06 | 深圳市城市公共安全技术研究院有限公司 | 车辆智能监控方法、监控***及服务器 |
-
2019
- 2019-01-08 CN CN201910017244.3A patent/CN109815856A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202563526U (zh) * | 2012-03-22 | 2012-11-28 | 北京尚易德科技有限公司 | 一种基于视频的交通车辆检测识别*** |
CN104915650A (zh) * | 2015-06-05 | 2015-09-16 | 福建天晴数码有限公司 | 车辆载货状态识别方法和装置 |
CN105930833A (zh) * | 2016-05-19 | 2016-09-07 | 重庆邮电大学 | 一种基于视频监控的车辆跟踪与分割方法 |
CN206162709U (zh) * | 2016-08-23 | 2017-05-10 | 吴晓栋 | 叉车监控*** |
CN107767399A (zh) * | 2016-08-23 | 2018-03-06 | 吴晓栋 | 叉车监控方法及监控*** |
CN106875424A (zh) * | 2017-01-16 | 2017-06-20 | 西北工业大学 | 一种基于机器视觉的城市环境行驶车辆行为识别方法 |
CN108765943A (zh) * | 2018-05-30 | 2018-11-06 | 深圳市城市公共安全技术研究院有限公司 | 车辆智能监控方法、监控***及服务器 |
Non-Patent Citations (2)
Title |
---|
吴亚斌;陈淑荣;: "一种基于监控视频的车型识别和车流量检测算法" * |
隋修武;田松;余保付;葛辉;: "交通场景中的实时多目标自动跟踪算法" * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378258A (zh) * | 2019-07-04 | 2019-10-25 | 上海眼控科技股份有限公司 | 一种基于图像的车辆座椅信息检测方法及设备 |
CN110378258B (zh) * | 2019-07-04 | 2021-02-09 | 上海眼控科技股份有限公司 | 一种基于图像的车辆座椅信息检测方法及设备 |
CN110324583A (zh) * | 2019-07-15 | 2019-10-11 | 深圳中兴网信科技有限公司 | 一种视频监控方法、视频监控装置及计算机可读存储介质 |
CN110929589A (zh) * | 2019-10-31 | 2020-03-27 | 浙江大华技术股份有限公司 | 车辆特征识别的方法、设备、计算机设备和存储介质 |
CN110929589B (zh) * | 2019-10-31 | 2023-07-07 | 浙江大华技术股份有限公司 | 车辆特征识别的方法、设备、计算机设备和存储介质 |
CN111160270A (zh) * | 2019-12-31 | 2020-05-15 | 中铁大桥科学研究院有限公司 | 一种基于智能视频识别的桥梁监测方法 |
CN111160270B (zh) * | 2019-12-31 | 2023-09-01 | 中铁大桥科学研究院有限公司 | 一种基于智能视频识别的桥梁监测方法 |
CN111209923A (zh) * | 2020-04-23 | 2020-05-29 | 北京慧智数据科技有限公司 | 一种基于深度学习技术的渣土车是否盖盖识别方法 |
CN111860127A (zh) * | 2020-06-05 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 车辆检测方法和***、计算机可读存储介质 |
CN112604841B (zh) * | 2020-12-10 | 2022-02-15 | 中国联合网络通信集团有限公司 | 车辆喷涂检测方法、装置、设备及存储介质 |
CN112604841A (zh) * | 2020-12-10 | 2021-04-06 | 中国联合网络通信集团有限公司 | 车辆喷涂检测方法、装置、设备及存储介质 |
CN112822458A (zh) * | 2021-01-12 | 2021-05-18 | 南京易自助网络科技有限公司 | 洗车过程的视频监控方法及终端 |
CN112822458B (zh) * | 2021-01-12 | 2022-05-13 | 南京易自助网络科技有限公司 | 洗车过程的视频监控方法及终端 |
CN113378629A (zh) * | 2021-04-27 | 2021-09-10 | 阿里云计算有限公司 | 一种排烟异常车辆的检测方法、装置 |
CN113688750A (zh) * | 2021-08-27 | 2021-11-23 | 上海高德威智能交通***有限公司 | 车厢状态检测方法及装置 |
CN116030418A (zh) * | 2023-02-14 | 2023-04-28 | 北京建工集团有限责任公司 | 一种汽车吊运行状态监测***及方法 |
CN116030418B (zh) * | 2023-02-14 | 2023-09-12 | 北京建工集团有限责任公司 | 一种汽车吊运行状态监测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815856A (zh) | 目标车辆的状态标记方法、***和计算机可读存储介质 | |
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
CN109816024B (zh) | 一种基于多尺度特征融合与dcnn的实时车标检测方法 | |
Akagic et al. | Pavement crack detection using Otsu thresholding for image segmentation | |
Hsieh et al. | Automatic traffic surveillance system for vehicle tracking and classification | |
CN111325713A (zh) | 基于神经网络的木材缺陷检测方法、***及存储介质 | |
CN109977808A (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
Piccioli et al. | Robust road sign detection and recognition from image sequences | |
CN107729818A (zh) | 一种基于深度学习的多特征融合车辆重识别方法 | |
CN112308826B (zh) | 一种基于卷积神经网络的桥梁结构表面缺陷检测方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN102998316B (zh) | 一种透明液体杂质检测***及其检测方法 | |
Zhou et al. | Exploring faster RCNN for fabric defect detection | |
CN112465706A (zh) | 一种闸口集装箱自动验残方法 | |
CN107194393A (zh) | 一种检测临时车牌的方法及装置 | |
CN114049624B (zh) | 一种基于机器视觉的船舶舱室智能检测方法及*** | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
Ying et al. | A novel shadow-free feature extractor for real-time road detection | |
CN110516691A (zh) | 一种车辆尾气检测方法和装置 | |
CN115830359A (zh) | 复杂场景下基于目标检测和模板匹配的工件识别计数方法 | |
CN111369526A (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
CN113111875A (zh) | 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法 | |
CN112881412A (zh) | 一种废钢产品中非金属异物检测方法 | |
Ghahremannezhad et al. | Automatic road detection in traffic videos | |
US20230342937A1 (en) | Vehicle image analysis |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190528 |
|
WD01 | Invention patent application deemed withdrawn after publication |