CN110619750A - 面向违停车辆的智能航拍识别方法及*** - Google Patents
面向违停车辆的智能航拍识别方法及*** Download PDFInfo
- Publication number
- CN110619750A CN110619750A CN201910754818.5A CN201910754818A CN110619750A CN 110619750 A CN110619750 A CN 110619750A CN 201910754818 A CN201910754818 A CN 201910754818A CN 110619750 A CN110619750 A CN 110619750A
- Authority
- CN
- China
- Prior art keywords
- image
- road
- vehicle
- aerial
- license plate
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种面向违停车辆的智能航拍识别方法,首先控制无人机按照预定路线飞行并对下方道路进行航拍,然后从航拍得到的图像中识别出车辆,并进一步识别出处于停放状态的停放车辆,之后从航拍图像中识别出道路交通标线,然后依据识别出的道路交通标线判断停放车辆是否位于道路交通标线指示的禁止停车区域内,最后在判定停放车辆停放于禁止停车区域内的情况下,控制无人机降低飞行高度并对该违法停放车辆进行航拍,获取到包含该违法停放车辆的车牌以及相应道路交通标线的图像。该方法通过派出无人机对道路进行巡视,代替人工进行违法停车判断及取证拍照,节省了人力成本和时间成本,提高了对违停车辆的查验效率。
Description
技术领域
本申请涉及交通管理技术领域,特别涉及面向违停车辆的智能航拍识别方法及***。
背景技术
随着我国经济水平逐年提高,人民收入水平逐年攀升,各家各户均会购买汽车并以驾驶汽车为交通出行的首选方式,同时,国家也把汽车产业作为优先鼓励发展的产业,并且国外的汽车厂商也纷纷进入中国市场,进一步降低了汽车售价,因此我国人均汽车保有量也在逐年上升。
然而,我国城市道路建设滞后于经济发展和交通发展,我国的人均道路面积、道路网密度、道路占地率等指标较低,停车设施建设普遍不足,无法满足国内汽车的停放,因此催生出了“停车难”问题。随着车辆越来越多,停车位有限,违法停车现象越来越普遍,给公共交通和治安带来了新的挑战。
目前治理违法停车现象是通过派出专门的执勤人员定期上街巡逻,巡视路段上是否有违法停车车辆,并对违停车辆贴罚单及记录车牌号。但这种方式来整治违停现象的人工成本较高,且效率很低。并且执勤人员数量有效,很难对大片停车区域进行高效地巡查,因此需要一种能够自动对违停车辆进行检测识别取证的方法。
发明内容
(一)申请目的
基于此,为了节省违法停车监管的人力成本和时间成本,以及为了提高对违停车辆的查验效率,本申请公开了以下技术方案。
(二)技术方案
作为本申请的第一方面,本申请公开了一种面向违停车辆的智能航拍识别方法,包括:
控制无人机按照预定路线飞行并对下方道路进行航拍;
从航拍得到的图像中识别出车辆,并进一步识别出处于停放状态的停放车辆;
在从所述航拍图像中识别出所述停放车辆的情况下,从所述航拍图像中识别出道路交通标线;
依据识别出的道路交通标线判断所述停放车辆是否位于道路交通标线指示的禁止停车区域内;
在判定所述停放车辆停放于禁止停车区域内的情况下,控制无人机降低飞行高度并对该违法停放车辆进行航拍,获取到包含该违法停放车辆的车牌以及相应道路交通标线的图像;
其中,所述道路交通标线包括禁止停车标线和停车位标线。
在一种可能的实施方式中,在所述从航拍得到的图像中识别出处于停放状态的停放车辆之前:先对所述航拍得到的图像进行高斯滤波以及下采样。
在一种可能的实施方式中,所述从航拍得到的图像中识别出车辆包括:
利用卷积神经网络对所述航拍得到的图像进行特征提取,得到特征图;
利用RPN区域选取网络在所述特征图上的滑动窗口的每个特征点所对应于所述航拍图像上的部分生成多个不同尺度的候选区域;
将所述候选区域映射到所述特征图上得到兴趣区域,对所述兴趣区域进行池化得到设定尺寸的兴趣区域;
利用卷积层对所述设定尺寸的兴趣区域进行分类,判断出对应的候选区域是否为车辆,以及利用卷积层对该候选区域进行边框回归定位,得到车辆在航拍图像中的位置信息。
在一种可能的实施方式中,所述从所述航拍图像中识别出道路交通标线包括:
利用OWT-UCM定向分水岭变换和超度量边界算法并基于不同的分割阈值对所述航拍图像进行分割,得到多个纹理结构不同的超度量轮廓图;
利用图像显著特征构建显著性模型,并利用所述显著性模型算出各所述超度量轮廓图的区域显著值,得到相应的单层显著图;
以所述分割阈值作为所述单层显著图的融合权值,对所述多个单层显著图以线性加权的方式进行融合,得到最优显著图;
对所述最优显著图进行二值化处理得到相应的二值图像,将所述二值图像映射到彩色图像,并通过滑动窗口对所述彩色图像进行扫描,利用非极大值抑制法提取出兴趣区域;
利用卷积神经网络对所述兴趣区域进行识别,得到道路交通标线的种类;
其中,所述图像显著特征包括颜色对比度、区域对比度、纹理对比度中的至少一种。
在一种可能的实施方式中,在所述从所述航拍图像中识别出道路交通标线之前或在所述从航拍得到的图像中识别出车辆之前:先从所述航拍图像中提取出道路区域;并且,所述识别出的道路交通标线或所述识别出的车辆基于所述提取出的道路区域中识别出;
所述从所述航拍图像中识别出道路区域包括:
通过霍夫变换提取所述航拍图像中的道路像素,计算出所述道路像素的平均像素作为道路阈值,依据所述道路阈值得到所述航拍图像的二值图像;
生成所述航拍图像的灰度图像,对所述二值图像和所述灰度图像取交集,得到第一去噪图像;
利用预设的蓝色分量阈值从所述航拍图像中提取出阴影图像,对所述第一去噪图像和所述阴影图像取并集,得到道路补全图像;
依据所述道路补全图像中的噪声像素的形状和面积,对所述道路补全图像进行去噪,得到第二去噪图像;
在所述第二去噪图像中的像素点处发出多方向的射线,并依据射线中覆盖的像素点的白色像素点数量,对发出射线的像素点进行白色覆盖或黑色覆盖,得到修复图像;
基于所述修复图像从所述航拍图像中提取出道路区域。
在一种可能的实施方式中,在所述获取到包含该违法停放车辆的车牌以及相应道路交通标线的图像之后,该方法还包括:从该获取到的图像中提取出车牌号码信息;
所述从该获取到的图像中提取出车牌号码信息包括:
将该图像转换为HSV图像,从所述HSV图像中提取出符合H分量、S分量和V分量的置信区间的图像区域;
将提取出的所述图像区域转为灰度图像,并用不同灰度值表示车牌底色、车牌文字和车牌背景;
从所述灰度图像中识别出车牌号码;
其中,所述置信区间通过预先对车牌图像训练集中车牌图像在相应分量上的均值和方差得到。
在一种可能的实施方式中,在所述识别出车牌号码之后:依据所述车牌号码获取车主的通讯信息,并依据所述通讯信息向车主发送违法停车信息。
作为本申请的第二方面,本申请还公开了一种面向违停车辆的智能航拍识别***,包括:
飞控航拍模块,用于控制无人机按照预定路线飞行并对下方道路进行航拍;
停放车辆识别模块,用于从所述飞控航拍模块航拍得到的图像中识别出处于停放状态的停放车辆;
交通标线识别模块,用于在从所述飞控航拍模块得到的图像中识别出所述停放车辆的情况下,从该图像中识别出道路交通标线;
车辆违停判断模块,用于依据所述交通标线识别模块识别出的道路交通标线判断所述停放车辆识别模块识别出的停放车辆是否位于道路交通标线指示的禁止停车区域内;
违停画面取证模块,用于在所述车辆违停判断模块判定所述停放车辆停放于禁止停车区域内的情况下,控制无人机降低飞行高度并对该违法停放车辆进行航拍,获取到包含该违法停放车辆的车牌以及相应道路交通标线的图像;
其中,所述道路交通标线包括禁止停车标线和停车位标线。
在一种可能的实施方式中,该***还包括:
预处理模块,用于在所述停放车辆识别模块从航拍得到的图像中识别出处于停放状态的停放车辆之前,先对所述航拍得到的图像进行高斯滤波以及下采样。
在一种可能的实施方式中,所述停放车辆识别模块包括:
特征提取单元,用于利用卷积神经网络对所述飞控航拍模块航拍得到的图像进行特征提取,得到特征图;
候选区域生成单元,用于利用RPN区域选取网络在所述特征提取单元得到的特征图上的滑动窗口的每个特征点所对应于所述图像上的部分生成多个不同尺度的候选区域;
兴趣区域处理单元,用于将所述候选区域生成单元生成的候选区域映射到所述特征图上得到兴趣区域,对所述兴趣区域进行池化得到设定尺寸的兴趣区域;
区域分类定位单元,用于利用卷积层对所述兴趣区域处理单元得到的设定尺寸的兴趣区域进行分类,判断出对应的候选区域是否为车辆,以及利用卷积层对该候选区域进行边框回归定位,得到车辆在图像中的位置信息。
在一种可能的实施方式中,所述从所述航拍图像中识别出道路交通标线包括:
轮廓图生成单元,用于利用OWT-UCM定向分水岭变换和超度量边界算法并基于不同的分割阈值对所述航拍图像进行分割,得到多个纹理结构不同的超度量轮廓图;
区域显著值计算单元,用于利用图像显著特征构建显著性模型,并利用所述显著性模型算出轮廓图生成单元得到的各所述超度量轮廓图的区域显著值,得到相应的单层显著图;
最优显著图生成单元,用于以所述分割阈值作为所述区域显著值计算单元得到的单层显著图的融合权值,对所述多个单层显著图以线性加权的方式进行融合,得到最优显著图;
兴趣区域提取单元,用于对所述最优显著图生成单元得到的最优显著图进行二值化处理得到相应的二值图像,将所述二值图像映射到彩色图像,并通过滑动窗口对所述彩色图像进行扫描,利用非极大值抑制法提取出兴趣区域;
交通标线识别单元,用于利用卷积神经网络对所述兴趣区域提取单元提取出的兴趣区域进行识别,得到道路交通标线的种类;
其中,所述图像显著特征包括颜色对比度、区域对比度、纹理对比度中的至少一种。
在一种可能的实施方式中,该***还包括:道路区域提取模块,用于在所述交通标线识别模块从所述航拍图像中识别出道路交通标线之前或在所述停放车辆识别模块从航拍得到的图像中识别出车辆之前:先从所述航拍图像中提取出道路区域;并且,所述交通标线识别模块识别出的道路交通标线或所述停放车辆识别模块识别出的车辆基于所述道路区域提取模块提取出的道路区域中识别出;
所述道路区域提取模块包括:
二值图像获取单元,用于通过霍夫变换提取所述航拍图像中的道路像素,计算出所述道路像素的平均像素作为道路阈值,依据所述道路阈值得到所述航拍图像的二值图像;
第一图像去噪单元,用于生成所述航拍图像的灰度图像,对所述灰度图像和所述二值图像获取单元得到的二值图像取交集,得到第一去噪图像;
道路图像补全单元,用于利用预设的蓝色分量阈值从所述航拍图像中提取出阴影图像,对所述阴影图像和所述第一图像去噪单元得到的第一去噪图像取并集,得到道路补全图像;
第二图像去噪单元,用于依据所述道路图像补全单元得到的道路补全图像中的噪声像素的形状和面积,对所述道路补全图像进行去噪,得到第二去噪图像;
道路图像修复单元,用于在所述第二图像去噪单元得到的第二去噪图像中的像素点处发出多方向的射线,并依据射线中覆盖的像素点的白色像素点数量,对发出射线的像素点进行白色覆盖或黑色覆盖,得到修复图像;
道路区域提取单元,用于基于所述道路图像修复单元得到的修复图像从所述航拍图像中提取出道路区域。
在一种可能的实施方式中,该***还包括:车牌号码提取模块,用于在所述违停画面取证模块获取到包含该违法停放车辆的车牌以及相应道路交通标线的图像之后,从该获取到的图像中提取出车牌号码信息;
所述车牌号码提取模块包括:
图像模型转换单元,用于将该图像转换为HSV图像,从所述HSV图像中提取出符合H分量、S分量和V分量的置信区间的图像区域;
车牌区域提取单元,用于将所述图像模型转换单元提取出的图像区域转为灰度图像,并用不同灰度值表示车牌底色、车牌文字和车牌背景;
车牌号码识别单元,用于从所述车牌区域提取单元生成的灰度图像中识别出车牌号码;
其中,所述置信区间通过预先对车牌图像训练集中车牌图像在相应分量上的均值和方差得到。
在一种可能的实施方式中,所述车牌号码识别单元在识别出车牌号码之后:依据所述车牌号码获取车主的通讯信息,并依据所述通讯信息向车主发送违法停车信息。
(三)有益效果
本申请公开的面向违停车辆的智能航拍识别方法及***,通过派出无人机对道路进行巡视,代替人工进行违法停车判断及取证拍照,节省了人力成本和时间成本,提高了对违停车辆的查验效率,利于维护城市公共交通和治安环境。
附图说明
以下参考附图描述的实施例是示例性的,旨在用于解释和说明本申请,而不能理解为对本申请的保护范围的限制。
图1是本申请公开的智能航拍识别方法实施例的流程示意图。
图2是本申请公开的智能航拍识别***实施例的结构框图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行更加详细的描述。
下面参考图1详细描述本申请公开的智能航拍识别方法实施例。如图1所示,本实施例公开的方法主要包括有以下步骤100至步骤500。
步骤100,控制无人机按照预定路线飞行并对下方道路进行航拍。
智能航拍识别***预先将城市区域划分为多个区域块,并定期向各区域块派发无人机进行巡视。区域块内通常包含有多条道路,公安控制中心会根据各区域块的具体道路网情况为无人机规划出相应的飞行巡视路线,并可以将各区域块的飞行巡视路线预先存储于各无人机内。在需要对某区域块内的道路进行违法停车巡视之前,智能航拍识别***的飞控航拍模块会依据***指定的区域为无人机选择相应的飞行巡视路线,以控制无人机对区域块内的道路依照飞行巡视路线进行违停巡视。
无人机的底部设置有转动云台,转动云台上安装有图像采集设备(例如摄像头),用于在无人机巡视时对下方道路进行航拍。智能航拍识别***可以内置于无人机内部,便于接收无人机发来的图像信息,以及向无人机发送飞行控制指令。智能航拍识别***也可以设置于交通控制中心并与无人机进行无线通信。
步骤200,从航拍得到的图像中识别出车辆,并进一步识别出处于停放状态的停放车辆。
在无人机巡视过程中,图像采集设备不断采集图像数据(道路画面)并发送至智能航拍识别***的停放车辆识别模块,停放车辆识别模块对这些图像数据进行车辆识别,并从识别出的车辆中进一步识别出停放车辆,也就是排除行驶中的车辆。停放车辆指的是处于停放状态的车辆,停放车辆识别模块会先从图像中的背景、行人、非机动车、行驶中的车辆等噪声中识别出处于停放车辆。
对于停放车辆的识别,可以依据无人机自身飞行的速度、飞行方向及离地高度等数据算出处于静止状态的车辆在无人机采集的各帧图像中的移位速度和移位方向,或者依据图像识别判断汽车尾灯是否开启,若汽车移位速度及移位方向与算出的理论速度及方向大致相等,或汽车移位速度及移位方向与算出的理论速度及方向具有一定偏差但汽车尾灯开启,则表明车辆处于行驶状态。
步骤300,在从航拍图像中识别出停放车辆的情况下,从航拍图像中识别出道路交通标线。
在停放车辆识别模块从图像中识别出停放车辆后,发智能航拍识别***的交通标线识别模块会对该图像进行是否包含道路交通标线的识别操作,以用于后续步骤中对车辆是否违停进行判断提供依据。道路包括机动车道、非机动车道和人行道,道路交通标线包括禁止停车标线和停车位标线,禁止停车标线所指示的禁止停车区域内禁止车辆停靠,而停车位标线所指示的区域内允许车辆停靠。禁止停车标线可能出现在机动车道和非机动车道上(例如黄色网状线和导流线),也可能出现在人行道上(人行道外侧边缘处的黄线),而道路上的停车位标线通常位于非机动车道上的靠近人行道一侧的区域。
步骤400,依据识别出的道路交通标线判断上述停放车辆是否位于道路交通标线指示的禁止停车区域内。
在交通标线识别模块从图像中识别出道路交通标线后,智能航拍识别***的车辆违停判断模块会依据从图像中识别出的停放车辆以及道路交通标线对该停放车辆是否停放于禁止停车区域内进行判断。
若停放车辆停放于禁止停车标线指示的禁止停车区域内,例如上述黄色网状线区域内,或边缘处标识有黄色线的人行道旁,则判定该停放车辆属于违法停放车辆,即违停车辆。
若停放车辆未停放于禁止停车区域,则会进一步判断停放车辆是否停放于停车标线内。若停放车辆停放于停车标线内,说明停放车辆依法停放于停车位内,未产生违法停车行为;若停放车辆停未放于停车标线内,例如直接停放于非机动车道上阻碍非机动车行驶,或者停放于人行道妨碍行人行走,则判定该停放车辆属于违停车辆。
步骤500,在判定停放车辆停放于禁止停车区域内的情况下,控制无人机降低飞行高度并对该违法停放车辆进行航拍,获取到包含该违法停放车辆的车牌以及相应道路交通标线的图像。
对于车辆违停判断模块判定的违停车辆,会触发智能航拍识别***的违停画面取证模块需要进行现场拍照取证。具体的,在智能航拍识别***从无人机发来的拍摄图像中发现违停车辆之后,违停画面取证模块会为该正在执行巡视任务的无人机临时增加取证任务,向无人机的飞控航拍模块发送取证任务指令,使飞控航拍模块控制无人机下降到合适的高度,并采集违停车辆停放于禁止停放区域的画面证据,而为了确认违停车辆的车主身份,取证采集的画面中需要包含车辆的车牌画面,因此采集的画面中要同时包含禁止停放标线、停放车辆及其车牌。在获取到上述图像之后,无人机完成取证任务,重新返回巡视任务中断的位置继续进行航拍巡视。
无人机可以将上述采集的取证画面发送给交通管理控制中心,以对违法车主进行相应的处罚并通知违法车主,维护城市的正常交通秩序。
通过派出无人机对道路进行巡视,代替人工进行违法停车判断及取证拍照,节省了人力成本和时间成本,提高了对违停车辆的查验效率,利于维护城市公共交通和治安环境。
可以理解的是,在判定停放车辆停放于禁止停车区域内的情况下,可以先检测该停放车辆是否开启了危险报警闪光灯,或者在判定停放车辆未停放于停车位内的情况下,可以先检测该停放车辆是否开启尾灯(开启尾灯代表车内有人),以避免对事故车辆、因损坏紧急停放在禁停区域的车辆、临时停放车辆进行误罚。
由于图像采集设备采集的图像通常会存在干扰噪声,这会降低后续图像处理识别的准确性和难度,因此在一种实施方式中,在步骤200中从航拍得到的图像中识别出处于停放状态的停放车辆之前,还包括步骤110:先对航拍得到的图像进行高斯滤波以及下采样,其由智能航拍识别***的预处理模块实施。
高斯滤波用于对图像进行降噪,其通过以下二维零均值高斯函数进行平滑滤波:其中x和y为图像像素的坐标。通过高斯滤波对图像进行加权平均,使得每一个像素点的值都由其本身和邻域内的其他像素值经过加权平均后得到。
下采样是指将图像中的像素按照采样间距进行间隔取样,能够在保证图像识别率的情况下减小图像数据量,相当于生成原图像的缩略图,以减小图像处理的计算量,加快运算效率。
在一种实施方式中,停放车辆识别模块基于Faster RCNN(Region withConvolutional Neural Networksfeature)算法对无人机航拍图像进行车辆检测,采用VGG16网络结构(Visual Geometry Group)的前13层提取特征,使用区域选取网络(RegionProposal Network,RPN)提取候选框,对于每个候选框采用softmax分类器进行分类,并通过边框回归(Bounding Box Regression),得到每个候选框的位置是车的概率,完成了车辆的检测。步骤200中停放车辆识别模块从航拍得到的图像中识别出处于停放状态的停放车辆包括以下步骤210至步骤240。
步骤210,停放车辆识别模块的特征提取单元利用卷积神经网络对航拍得到的图像进行特征提取,得到特征图。
特征提取单元使用VGG16网络的卷积层、激活层和池化层提取图像的特征图(feature map)。对于尺寸为PxQ的图像,首先将其缩放至固定大小MxN,然后将其输入VGG16网络进行卷积操作。卷积层有13层,每层卷积层的卷积核为3x3,填充(padding)为1圈。激活层有13层。池化层有4层,每层池化层的池化矩阵为2x2,步长为2。由于每层池化层均使输出的矩阵长宽为输入的一半,因此经过4层池化层输出的特征图为(M/16)x(N/16)。
步骤220,停放车辆识别模块的候选区域生成单元利用RPN区域选取网络在特征图上的滑动窗口的每个特征点所对应于航拍图像上的部分,生成多个不同尺度的候选区域。
区域选取网络(RPN)用于生成候选区域(region proposals),其通过归一化指数函数(softmax)判断锚点(anchor)属于前景还是背景,再利用边框回归修正锚点获得精确的候选框。其中,归一化指数函数用于有限项离散概率分布的梯度对数归一化,其把一些输入映射为0-1之间的实数,并且归一化保证和为1,因此多分类的概率之和也刚好为1。边框回归用于微调候选区域,使候选区域更加接近正确区域。
区域选取网络釆用滑动窗口机制,通过滑动窗口对每个滑动基准点生成9个不同尺度的锚点,例如对于(M/16)x(N/16)的特征图,得到(M/16)x(N/16)x9数量的锚点。锚点计算是在特征图上的每个特征点预测多个候选区域,具体方式是把每个特征点映射回原图的感受野的中心点当成一个基准点,然后围绕这个基准点选取k个不同尺度的锚点,例如面积分为3种{128^2,256^2,512^2},长宽比例分为3种{1:1,1:2,2:1},形成3*3=9种不同尺度的锚点。
通过区域选取网络生成候选区域,能够提升候选区域的生成速度。
步骤230,停放车辆识别模块的兴趣区域处理单元将候选区域映射到特征图上得到兴趣区域,对兴趣区域进行池化得到设定尺寸的兴趣区域。
兴趣区域池化(Region of Interest Pooling)先将候选区域映射回(M/16)x(N/16)大小的特征图尺度,然后将每个候选区域在水平和竖直上都分为n份,对每一份进行最大池化处理,这样即使候选区域大小不同,输出的结果也都是n x n大小,
步骤240,停放车辆识别模块的区域分类定位单元利用卷积层对设定尺寸的兴趣区域进行分类,判断出对应的候选区域是否为车辆,以及利用卷积层对该候选区域进行边框回归定位,得到车辆在航拍图像中的位置信息。
将获取到的n x n大小的候选区域输入后续网络,通过全连接层和连接于全连接层之后的softmax分类器对候选区域进行分类,输出该候选区域是车辆的概率,并且对候选区域进行边框回归运算,得到更高精度和准确性的车辆在图像中的位置。
采用本实施方式中的车辆检测方法,能够对无人机在不同飞行高度下拍摄的图像均实现高正确率的车辆识别,使得车辆识别的准确性和有效性不会受到场景和拍摄高度变换的影响,提高了车辆识别的鲁棒性,同时也提高了车辆识别正确率。
在一种实施方式中,交通标线识别模块利用gPb-OWT-UCM算法对图像进行分割得到超度量轮廓图,利用图像的底层显著性特征(颜色对比度、区域对比度、纹理对比度)对超度量轮廓图进行融合得到单层显著图,并通过线性加权的方法对不同层的显著图进行融合得到最优显著图,采用滑动窗口与非极大值抑制方法提取感兴趣区域,在LeNet-5卷积神经网络的基础上,在第一层网络中用不同卷积核实现同层多尺度彩色图像特征提取,在每次最大池化后进行局部归一化处理,并调整网络部分参数,然后进行网络模型训练,根据训练的损失函数变化与精确度变化曲线更改相应的参数,直到达到较好且稳定的卷积神经网络分类器,然后利用训练好的同层多尺度卷积神经网络模型识别交通标线。交通标线识别模块从航拍图像中识别出道路交通标线包括以下步骤310至步骤350。
步骤310,交通标线识别模块的轮廓图生成单元利用OWT-UCM定向分水岭变换和超度量边界算法并基于不同的分割阈值对航拍图像进行分割,得到多个纹理结构不同的超度量轮廓图。可以理解的是,可以预先对图像进行道路检测识别,并将识别出的道路区域作为目标图像输入算法中进行图像分割,这样能够滤除非道路区域干扰造成的影响。
gPb-OWT-UCM是一种图像分割算法,其中,gPb(global Probability ofBoundary)代表全局轮廓概率,gPb轮廓检测器用于在输入图像中提取特征,最终将它们转换为每个位置上在各个方向上的边界图。
为了获得超像素区域,采用定向分水岭变换(Oriented Watershed Transform,OWT)将gPb检测结果转换为多个闭合区域,分水岭变换可以将的边界图形成一个过分割的超像素图,使得边界都可以围成闭合区域。结合gPb输出的方向信息,可以对这些边界的权重进行重新调整,边界方向与gPb一致的权重较大,而方向不一致的权重较小。
超度量轮廓图(Ultrametric Contour Map,UCM)可以在OWT输出的闭合的带有权重的边界图以及一组分层区域之间建立一个对偶关系。分层区域建立在基于图结构的贪心区域合并算法的基础上。迭代的利用贪心算法对最小的区域进行合并,可以形成一个嵌套的分割树。在分割树中,自底向上的根据区域之间边界消失的次序,可以给每条边界进行编号并分配数值,使得数值越大的边界层次越高。这种带标签的边界图就是UCM输出。任意给定一个分割阈值T可以很方便的将UCM的输出转换为强边界图,并且在这个图中边界都能围成闭合区域,再根据连通性检测就很容易转换为图像分割最终所需求的超度量轮廓图。
阈值T的表达式为:其中Ik表示超度量轮廓图中位于轮廓边界上的像素点,p(Ik)表示像素点Ik的灰度值,B表示图像中轮廓边界上所有像素点个数之和。通过设定自适应阈值改变图像的部分灰度值,即将超度量轮廓图中小于阈值T的所有轮廓边界的像素点设为0,大于阈值T的像素点的灰度值保持不变,滤除这些微小的边界,突出显著性区域,以便更好的检测道路交通标线。
通过K-means聚类算法对过滤后的超度量轮廓图进行聚类分析,将剩余的轮廓边界上的像素点聚成N类,并选取聚类后图像中每一类中最小的概率值作为多层的分割阈值,并利用这些不同的阈值Ti得到纹理结构不同的N张由粗到细的分割图,即阈T1<T2<…<TN产生N个由低层到高层的分割图。
步骤320,交通标线识别模块的区域显著值计算单元利用图像显著特征构建显著性模型,并利用显著性模型算出各超度量轮廓图的区域显著值,得到相应的单层显著图。其中,图像显著特征包括颜色对比度、区域对比度、纹理对比度中的至少一种。
颜色空间模型包括RGB、Lab、HSV、CMY等。道路交通标线主要由白色、黄色两种颜色组成,由于多种颜色空间进行显著性检测比仅用一种颜色空间具得更高的准确率,为了提高显著性检测的效果,采用上述多个颜色空间模型对图像的各个区域进行颜色特征描述,为了加快计算速度,将每个颜色通道量化处理,即将图像的不同通道等间隔地分为多个子区间,合并相似颜色,减少图像中出现次数较少的颜色。通过颜色对比度表示同一图像中两个不同区域和之间的颜色差异,用卡方距离描述为:
其中,表示第l层的第k个区域的j维颜色直方图,表示第l层的第i个区域的j维颜色直方图。由该公式可知,不同区域之间的颜色直方图差异越小,两者之间的卡方距离就越近,在融合后两个区域为同一区域的可能性极大。
同一层图像中区域和之间的区域对比度通过空间距离表达:
其中σ为0.4,为区域的几何中心,为区域的几何中心。由该公式可知,越靠近的几何中心的区域对结果影响越大。
区域间的纹理对比度通过图像中的两个区域之间纹理差异来计算:
其中表示第l层的第k个区域的纹理特征向量,表示第l层的第i个区域的纹理特征向量,||·||为向量的二范数。
结合上述颜色对比度、区域对比度、纹理对比度分别计算不同阈值得到多层次分割图的每一层区域显著值
其中为第l层的第k个区域外所有像素点的个数。
步骤330,交通标线识别模块的最优显著图生成单元以分割阈值作为单层显著图的融合权值,对多个单层显著图以线性加权的方式进行融合,得到最优显著图。
在多层次中,由于分割的区域分布不同,每层生成的显著图存在一定的差异,因此为了获得更理想的显著性结果,最优显著图生成单元利用线性加权的方法,对不同层的显著图进行融合得到最优显著图。具体的,选取阈值Tl作为L层线性加权的权重,利用第l层的显著图,对N层显著图进行线性加权融合得到最优显著图融合后的显著图比单层显著图更平滑,更加突出显著性区域,对非显著性区域有良好的抑制效果。
步骤340,交通标线识别模块的兴趣区域提取单元对最优显著图进行二值化处理得到相应的二值图像,将二值图像映射到彩色图像,并通过滑动窗口对彩色图像进行扫描,利用非极大值抑制法提取出兴趣区域。
具体的,兴趣区域提取单元首先将融合后的最优显著图进行自适应阈值二值化处理得到对应的二值图像,然后将二值化图像映射到彩色图像,得到粗定位后的显著目标,之后采用滑动窗口提取感兴趣区域,按照不同尺度、不同比例生成多种候选框,在显著目标的一定范围内,以设定步长滑动窗口,共标记多个区域作为感兴趣区域的候选框。由于在滑动的过程中,同一目标的位置上产生了大量的候选框,这些候选框中有一个为最优框,因此采用非极大值抑制法从中选取出最佳的候选框,消除多余的候选框。
非极大值抑制法实施步骤为:首先根据置信度得分对候选框进行排序,选取所有候选框中置信度最高的候选框作为最优候选框,并在列表中删除该候选框。然后计算所有候选框的面积,并计算最优候选框与其他候选框之间交叠的比率,并在交叠比率大于设定阈值时删除该候选框。最后重复上述步骤直到删除列表中所有的候选框,得到的各最优候选框就是兴趣区域。
本实施方式下的区域提取能够显著地完成道路交通标线的检测,有效的提取感兴趣区域。
步骤350,交通标线识别模块的交通标线识别单元利用卷积神经网络对兴趣区域进行识别,得到道路交通标线的种类。
在LeNet-5卷积神经网络的基础上设计网络模型,在第一层网络中用不同的卷积核实现同层多尺度彩色图像特征提取,在每次最大池化后进行局部归一化处理,并调整网络部分参数,建立、配置网络,然后利用预先建立的交通标线数据集进行网络模型训练与测试,实现道路交通标线的分类和识别。
神经网络模型中,输入层将尺寸大小为64*64像素的彩色图像作为神经网络的输入(64*64*3,3通道)。
C1卷积层采用8个5*5的卷积核以及8个7*7的卷积核分别进行卷积,得到两类共计16个特征图,并将ReLU作为激活函数,并随机初始化权值和偏置。S2池化层将C1层的每个特征图与2*2大小的池化窗口相连,以步长为2分别进行最大值池化操作,将其结果合并共得到32*32*16的特征图。
C3卷积层采用32个5*5卷积核对上述32*32*16的特征图进行卷积,得到32个28*28大小的特征图。S4池化层采用步长为2的2*2池化窗口,输出14*14*32的特征图。
C5卷积层采用48个卷积核对上述14*14*32的特征图进行卷积得到10*10*48的特征图。S6池化层继续池化得到5*5*48的特征图。
C7全连接层输入上述5*5*48的特征图,对300个5*5卷积核进行卷积,得到300个特征图。
F8层对其进行修正,并设置了84个神经元。softmax分类层与上述84个神经元全连接,得到M个值,其中M-1个值为网络输入图像属于M-1个交通标线的概率值,剩下一个值为网络输入图像不属于交通标线的概率值。
通过上述神经网络,能够识别出图像中的禁停标线、停车位标线等交通标线,并依据各标线的位置区域以及停放车辆的位置区域判断停放车辆是否停放于禁停标线内或停车位内,据此来判断停放车辆是否违法停车。若停放车辆位于禁停区域内,则判定该停放车辆违法停车;若停放车辆位于停车位内,则判定该停放车辆依法停车;若停放车辆未位于停车位内,例如在非机动车道上停放,则同样判定该停放车辆违法停车。
在一种实施方式中,在步骤300中交通标线识别模块从航拍图像中识别出道路交通标线之前或在步骤200中停放车辆识别模块从航拍得到的图像中识别出车辆之前,智能航拍识别***的道路区域提取模块先执行步骤A:从航拍图像中提取出道路区域。并且,步骤300中交通标线识别模块识别出的道路交通标线或步骤200中停放车辆识别模块识别出的车辆基于步骤A中道路区域提取模块提取的道路区域中识别出。道路区域提取模块通过霍夫变换提取图像中道路像素,计算出道路平均像素并作为提取道路主程序的阈值,分析了噪声在灰度图像和二值图像的差异,通过道路阴影颜色分析,多方法去噪处理以及道路修复等操作,快速高效的从复杂的航拍图像中提取出道路,具有检测准确,效率高等优点。
步骤A中从航拍图像中识别出道路区域包括以下步骤A1至步骤A5。
步骤A1,交通标线识别模块的二值图像获取单元通过霍夫变换提取航拍图像中的道路像素,计算出道路像素的平均像素作为道路阈值,依据道路阈值得到航拍图像的二值图像。
霍夫(Hough)变换利用图像空间中线与霍夫参数空间中点的对应性,用参数空间实现图像空间中直线的检测,通过在霍夫参数空间中完成简单的累加统计并寻找累加峰值的方法,来达到直线检测的目的。
对于点(xi,yi),直线方程yi=axi+b可以描述所有通过该点的直线。将该直线方程改写为b=-xia+yi,此时对每一个固定点(xi,yi)唯一确定一条直线,成为直线l1,另一点(xj,yj)在参数平面上也可以确定一条相关直线l2,l1与l2相交于点(a',b'),由此,xy平面上的一个像素点映射到ab平面上就成为了一条直线。
在航拍图片中,因为受许多外界因素影响如光照强度、能见度等,每张图片的颜色都不同。这就需要对不同的图像进行调整参数,需要事先知道道路颜色,然后把适当的参数传输给主程序。为了提前获取道路参数,首先需要计算道路颜色的平均值,然后把这个平均数传输给主程序作为分割阈值。原始图像是一个未知的图像,所以很难找出道路颜色的平均值。因此,随机选择一些道路图像作为样本,并计算道路颜色平均值。
首先,选取一个较小的阈值,然后把样本图像转换成一个二进制图像,大多数道路都被包含在了二进制图像中。在二进制图像中一些无用信息也被包含进来,而计算道路颜色平均值仅仅需要道路颜色值。利用霍夫
变换方法提取图像中的直线。为了确保提取的这些直线都是道路,这就需要对二值图像阈值进行严格选取。选取的直线要大于等于150个像素并且道路不能有破损。通过使用霍夫变换可以找出3条直线,并且满足上述条件。记录下二值图像中这三条直线的坐标位置,然后在样本图像中找到这三条直线的对应的坐标位置,这样就计算出了这些点的平均值,并把计算的平均值作为提取道路主程序的阈值。
步骤A2,交通标线识别模块的第一图像去噪单元生成航拍图像的灰度图像,对灰度图像和二值图像取交集,得到第一去噪图像。
由于航拍图像中可能存在例如树木、建筑屋顶等噪声,而二值图像中也会相应掺杂着许多白点以及大片的白色非道路区域,因此为了去除上述噪声,利用树木、建筑屋顶等噪声在彩色图像中和道路的颜色不同的原理进行去噪。具体的,在彩色图像中,有红绿蓝三个颜色通道,每个通道值的范围是0至255,当这三个颜色值相互接近时将成为灰色图像,例如RGB(20,19,18)。此时取一个阈值来比较这三个通道的值,如果三个通道的值差异小,则在灰度图像中将该像素标记为灰色,但是在二值图像中标记为白色,否则在灰度级别中该像素标记为彩色,但是在二值图像中标记为黑色。取灰度图像和二值图像的交集,以此去除由树木、建筑屋顶等产生的噪声。
步骤A3,交通标线识别模块的道路图像补全单元利用预设的蓝色分量阈值从航拍图像中提取出阴影图像,对阴影图像和第一去噪图像取并集,得到道路补全图像。
由于阴影面积很大,所以道路被严重破坏,这就很难判断这是不是一条道路。然而经过大量实验验证在RGB图像中阴影在蓝色通道的数值略高于其他两个通道20到40左右。所以,设置阈值区间为20~40,若蓝色通道值大于其它两个通道数值并在阈值区间内,则认为该点为阴影点。例如某像素点的红色通道数值为45,绿色通道数值为51,蓝色通道数值为69,蓝色通道数值比其它两个颜色通道数值分别高了24和18,则将该像素点判定为阴影而将其去除。
当阳光强烈阴影明显时就可以通过该步骤完善道路,将灰度图像和二值图像的交集与影子图像合并,得到道路轮廓。
步骤A4,交通标线识别模块的第二图像去噪单元依据道路补全图像中的噪声像素的形状和面积,对道路补全图像进行去噪,得到第二去噪图像。
经过上述屋顶去噪、道路补全之后,道路补全图像中剩余的噪声大致分为三类:小噪声、中噪声和大噪声。
小噪声是噪声像素点的个数小于50个并且与道路像素点断开,它们通常由突出的物体或树叶及其它物体反射而成。对于小噪声,首先计算出噪声点像素的个数,如果像素个数小于50个,则利用像素点个数的特征直接删除掉。
中噪声是噪声像素点的个数大于50个并且与道路像素点断开,它们通常由小型或中型屋顶反光而成。对于中噪声,利用中噪声的面积和周长特征来进行有效去除。绝大多数道路都成长条状,房屋屋顶的形状却类似于矩形。对于同等面积的长条型和矩形,长条形的周长要长得多。所以,用周长L与面积S的比值(LS值)来区分中噪声与破损的路段。当LS值取0.056时可以有效的去除类似矩形的噪声(屋顶),因此当LS值小于0.056时该区域为噪声,当LS值大于等于0.056时该区域为道路。
大噪声是与道路像素点连通,它们通常由一些空旷的开阔区域组成。对于大噪声,由于其与道路连通,因此需要利用道路的宽度特性来进行噪声消除。具体的,计算每一个像素点到边缘的长度以此来判断这个像素点是否在道路里面。假设道路补全图像中存在一白色道路区域以及与该白色道路图像连通的类圆形噪声区域,则为了区分哪些区域为道路,哪些区域为噪声,则任取白色像素点,若穿过这个点的所有射线中的最短射线与最长射线是固定值,则判定该像素点属于道路区域,因为道路上像素点最短射线(相当于道路宽度)与最长射线(相当于道路长度)长度的比值是定值。
经过上述第二去噪操作,得到更为清晰的道路图像。
步骤A5,交通标线识别模块的道路图像修复单元在第二去噪图像中的像素点处发出多方向的射线,并依据射线中覆盖的像素点的白色像素点数量,对发出射线的像素点进行白色覆盖或黑色覆盖,得到修复图像。
经过上述第二去噪操作后的第二去噪图像中的道路可能由于树木遮挡或拍摄角度等问题而不完整的,道路区域可能存在间断和破损。因此为了修复破损的道路,依据道路的连通特性来检测间断点。例如设置一条长度为70个像素的射线并选取了40个不同方向(360度均分),利用这些射线寻找含有大量白色像素的像素点。如果某一条射线含有的白色像素点多于40个,就判断这是道路间断点并用白色覆盖该点。如果该射线含有的白色像素点少于30个,那么就判断这不是道路上的像素点并用黑色覆盖该点。
步骤A6,交通标线识别模块的道路区域提取单元基于修复图像从航拍图像中提取出道路区域。
在一种实施方式中,在步骤500中违停画面取证模块获取到包含该违法停放车辆的车牌以及相应道路交通标线的图像之后,该方法还包括:步骤B,智能航拍识别***的车牌号码提取模块从该获取到的图像中提取出车牌号码信息。
步骤B中从图像中提取出车牌号码信息包括以下步骤B1至步骤B3。
步骤B1,车牌号码提取模块的图像模型转换单元将该图像转换为HSV图像,从HSV图像中提取出符合H分量、S分量和V分量的置信区间的图像区域。其中,置信区间通过预先对车牌图像训练集中车牌图像在相应分量上的均值和方差得到。
HSV(Hue,Saturation,Value)是根据颜色的直观特性创建的一种颜色空间,也称六角锥体模型(Hexcone Model),能够用来描述像素颜色,其中H为色调,S为饱和度,V为明度。HSV颜色空间对光照的变化有很好的鲁棒性,相对于RGB颜色空间来说,HSV颜色空间用来进行车牌的分割提取更加可靠。由于图像采集设备头采集的像素数据一般是RGB数据,需要先将其转换为HSV数据。
以蓝牌白字的车牌为例,选取M幅标准蓝底白字的车牌图像,对每块车牌图像进行如下的操作:在车牌的蓝色区域各取N个样本像素点,分别统计它们的H分量、S分量和V分量的均值和方差。例如采集100幅蓝牌车辆图像,在每幅车辆图像的车牌区域上均匀采集20个蓝色像素点,设置总体均值估计的置信水平为95%,通过统计计算可以得到车牌蓝色像素H分量的置信区间为[190,246],S分量的置信区间为[0.36,1],V分量的置信区间为[0.32,1]。对于车牌中白字区域的白色像素也可以进行类似的估计,对于白色像素H分量一般不考虑,设置置信水平为95%,本文对车牌白色像素S分量的区间估计为[0,0.1],对V分量的区间估计为[0.92,1]。
步骤B2,车牌号码提取模块的车牌区域提取单元将提取出的图像区域转为灰度图像,并用不同灰度值表示车牌底色、车牌文字和车牌背景。
将彩色图像转换为三级灰度图,用灰度值255表示落在蓝色(蓝底)置信区间的像素点,用灰度值150表示落在白色(白字)置信区间的像素车牌的背景像素点,用灰度值0表示落在车牌背景的像素点,即可将车牌图像提取出来。
步骤B3,车牌号码提取模块的车牌号码识别单元从灰度图像中识别出车牌号码。例如可以预先训练神经网络来对灰度图像中包含的文字进行识别。
在一种实施方式中,车牌号码提取模块在识别出车牌号码之后,依据车牌号码获取车主的通讯信息,并依据通讯信息向车主发送违法停车信息,以告知车主。
下面参考图2详细描述本申请公开的智能航拍识别***实施例。本实施例用于实施前述智能航拍识别方法实施例。如图2所示,本实施例公开的***包括:
飞控航拍模块,用于控制无人机按照预定路线飞行并对下方道路进行航拍;
停放车辆识别模块,用于从飞控航拍模块航拍得到的图像中识别出处于停放状态的停放车辆;
交通标线识别模块,用于在从飞控航拍模块得到的图像中识别出停放车辆的情况下,从该图像中识别出道路交通标线;
车辆违停判断模块,用于依据交通标线识别模块识别出的道路交通标线判断停放车辆识别模块识别出的停放车辆是否位于道路交通标线指示的禁止停车区域内;
违停画面取证模块,用于在车辆违停判断模块判定停放车辆停放于禁止停车区域内的情况下,控制无人机降低飞行高度并对该违法停放车辆进行航拍,获取到包含该违法停放车辆的车牌以及相应道路交通标线的图像;
其中,道路交通标线包括禁止停车标线和停车位标线。
在一种实施方式中,该***还包括:
预处理模块,用于在停放车辆识别模块从航拍得到的图像中识别出处于停放状态的停放车辆之前,先对航拍得到的图像进行高斯滤波以及下采样。
在一种实施方式中,停放车辆识别模块包括:
特征提取单元,用于利用卷积神经网络对飞控航拍模块航拍得到的图像进行特征提取,得到特征图;
候选区域生成单元,用于利用RPN区域选取网络在特征提取单元得到的特征图上的滑动窗口的每个特征点所对应于图像上的部分生成多个不同尺度的候选区域;
兴趣区域处理单元,用于将候选区域生成单元生成的候选区域映射到特征图上得到兴趣区域,对兴趣区域进行池化得到设定尺寸的兴趣区域;
区域分类定位单元,用于利用卷积层对兴趣区域处理单元得到的设定尺寸的兴趣区域进行分类,判断出对应的候选区域是否为车辆,以及利用卷积层对该候选区域进行边框回归定位,得到车辆在图像中的位置信息。
在一种实施方式中,从航拍图像中识别出道路交通标线包括:
轮廓图生成单元,用于利用OWT-UCM定向分水岭变换和超度量边界算法并基于不同的分割阈值对航拍图像进行分割,得到多个纹理结构不同的超度量轮廓图;
区域显著值计算单元,用于利用图像显著特征构建显著性模型,并利用显著性模型算出轮廓图生成单元得到的各超度量轮廓图的区域显著值,得到相应的单层显著图;
最优显著图生成单元,用于以分割阈值作为区域显著值计算单元得到的单层显著图的融合权值,对多个单层显著图以线性加权的方式进行融合,得到最优显著图;
兴趣区域提取单元,用于对最优显著图生成单元得到的最优显著图进行二值化处理得到相应的二值图像,将二值图像映射到彩色图像,并通过滑动窗口对彩色图像进行扫描,利用非极大值抑制法提取出兴趣区域;
交通标线识别单元,用于利用卷积神经网络对兴趣区域提取单元提取出的兴趣区域进行识别,得到道路交通标线的种类;
其中,图像显著特征包括颜色对比度、区域对比度、纹理对比度中的至少一种。
在一种实施方式中,该***还包括:道路区域提取模块,用于在交通标线识别模块从航拍图像中识别出道路交通标线之前或在停放车辆识别模块从航拍得到的图像中识别出车辆之前:先从航拍图像中提取出道路区域;并且,交通标线识别模块识别出的道路交通标线或停放车辆识别模块识别出的车辆基于道路区域提取模块提取出的道路区域中识别出;
道路区域提取模块包括:
二值图像获取单元,用于通过霍夫变换提取航拍图像中的道路像素,计算出道路像素的平均像素作为道路阈值,依据道路阈值得到航拍图像的二值图像;
第一图像去噪单元,用于生成航拍图像的灰度图像,对灰度图像和二值图像获取单元得到的二值图像取交集,得到第一去噪图像;
道路图像补全单元,用于利用预设的蓝色分量阈值从航拍图像中提取出阴影图像,对阴影图像和第一图像去噪单元得到的第一去噪图像取并集,得到道路补全图像;
第二图像去噪单元,用于依据道路图像补全单元得到的道路补全图像中的噪声像素的形状和面积,对道路补全图像进行去噪,得到第二去噪图像;
道路图像修复单元,用于在第二图像去噪单元得到的第二去噪图像中的像素点处发出多方向的射线,并依据射线中覆盖的像素点的白色像素点数量,对发出射线的像素点进行白色覆盖或黑色覆盖,得到修复图像;
道路区域提取单元,用于基于道路图像修复单元得到的修复图像从航拍图像中提取出道路区域。
在一种实施方式中,该***还包括:车牌号码提取模块,用于在违停画面取证模块获取到包含该违法停放车辆的车牌以及相应道路交通标线的图像之后,从该获取到的图像中提取出车牌号码信息;
车牌号码提取模块包括:
图像模型转换单元,用于将该图像转换为HSV图像,从HSV图像中提取出符合H分量、S分量和V分量的置信区间的图像区域;
车牌区域提取单元,用于将图像模型转换单元提取出的图像区域转为灰度图像,并用不同灰度值表示车牌底色、车牌文字和车牌背景;
车牌号码识别单元,用于从车牌区域提取单元生成的灰度图像中识别出车牌号码;
其中,置信区间通过预先对车牌图像训练集中车牌图像在相应分量上的均值和方差得到。
在一种实施方式中,车牌号码识别单元在识别出车牌号码之后:依据车牌号码获取车主的通讯信息,并依据通讯信息向车主发送违法停车信息。
本文中的模块、单元的划分仅仅是一种逻辑功能的划分,在实际实现时可以有其他的划分方式,例如多个模块和/或单元可以结合或集成于另一个***中。作为分离部件说明的模块、单元在物理上可以是分开的,也可以是不分开的。作为单元显示的部件可以是物理单元,也可以不是物理单元,即可以位于一个具体地方,也可以分布到网格单元中。因此可以根据实际需要选择其中的部分或全部的单元来实现实施例的方案。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种面向违停车辆的智能航拍识别方法,其特征在于,包括:
控制无人机按照预定路线飞行并对下方道路进行航拍;
从航拍得到的图像中识别出车辆,并进一步识别出处于停放状态的停放车辆;
在从所述航拍图像中识别出所述停放车辆的情况下,从所述航拍图像中识别出道路交通标线;
依据识别出的道路交通标线判断所述停放车辆是否位于道路交通标线指示的禁止停车区域内;
在判定所述停放车辆停放于禁止停车区域内的情况下,控制无人机降低飞行高度并对该违法停放车辆进行航拍,获取到包含该违法停放车辆的车牌以及相应道路交通标线的图像;
其中,所述道路交通标线包括禁止停车标线和停车位标线。
2.如权利要求1所述的方法,其特征在于,所述从航拍得到的图像中识别出车辆包括:
利用卷积神经网络对所述航拍得到的图像进行特征提取,得到特征图;
利用RPN区域选取网络在所述特征图上的滑动窗口的每个特征点所对应于所述航拍图像上的部分生成多个不同尺度的候选区域;
将所述候选区域映射到所述特征图上得到兴趣区域,对所述兴趣区域进行池化得到设定尺寸的兴趣区域;
利用卷积层对所述设定尺寸的兴趣区域进行分类,判断出对应的候选区域是否为车辆,以及利用卷积层对该候选区域进行边框回归定位,得到车辆在航拍图像中的位置信息。
3.如权利要求1所述的方法,其特征在于,所述从所述航拍图像中识别出道路交通标线包括:
利用OWT-UCM定向分水岭变换和超度量边界算法并基于不同的分割阈值对所述航拍图像进行分割,得到多个纹理结构不同的超度量轮廓图;
利用图像显著特征构建显著性模型,并利用所述显著性模型算出各所述超度量轮廓图的区域显著值,得到相应的单层显著图;
以所述分割阈值作为所述单层显著图的融合权值,对所述多个单层显著图以线性加权的方式进行融合,得到最优显著图;
对所述最优显著图进行二值化处理得到相应的二值图像,将所述二值图像映射到彩色图像,并通过滑动窗口对所述彩色图像进行扫描,利用非极大值抑制法提取出兴趣区域;
利用卷积神经网络对所述兴趣区域进行识别,得到道路交通标线的种类;
其中,所述图像显著特征包括颜色对比度、区域对比度、纹理对比度中的至少一种。
4.如权利要求1或2或3所述的方法,其特征在于,在所述从所述航拍图像中识别出道路交通标线之前或在所述从航拍得到的图像中识别出车辆之前:先从所述航拍图像中提取出道路区域;并且,所述识别出的道路交通标线或所述识别出的车辆基于所述提取出的道路区域中识别出;
所述从所述航拍图像中识别出道路区域包括:
通过霍夫变换提取所述航拍图像中的道路像素,计算出所述道路像素的平均像素作为道路阈值,依据所述道路阈值得到所述航拍图像的二值图像;
生成所述航拍图像的灰度图像,对所述二值图像和所述灰度图像取交集,得到第一去噪图像;
利用预设的蓝色分量阈值从所述航拍图像中提取出阴影图像,对所述第一去噪图像和所述阴影图像取并集,得到道路补全图像;
依据所述道路补全图像中的噪声像素的形状和面积,对所述道路补全图像进行去噪,得到第二去噪图像;
在所述第二去噪图像中的像素点处发出多方向的射线,并依据射线中覆盖的像素点的白色像素点数量,对发出射线的像素点进行白色覆盖或黑色覆盖,得到修复图像;
基于所述修复图像从所述航拍图像中提取出道路区域。
5.如权利要求1所述的方法,其特征在于,在所述获取到包含该违法停放车辆的车牌以及相应道路交通标线的图像之后,该方法还包括:从该获取到的图像中提取出车牌号码信息;
所述从该获取到的图像中提取出车牌号码信息包括:
将该图像转换为HSV图像,从所述HSV图像中提取出符合H分量、S分量和V分量的置信区间的图像区域;
将提取出的所述图像区域转为灰度图像,并用不同灰度值表示车牌底色、车牌文字和车牌背景;
从所述灰度图像中识别出车牌号码;
其中,所述置信区间通过预先对车牌图像训练集中车牌图像在相应分量上的均值和方差得到。
6.一种面向违停车辆的智能航拍识别***,其特征在于,包括:
飞控航拍模块,用于控制无人机按照预定路线飞行并对下方道路进行航拍;
停放车辆识别模块,用于从所述飞控航拍模块航拍得到的图像中识别出处于停放状态的停放车辆;
交通标线识别模块,用于在从所述飞控航拍模块得到的图像中识别出所述停放车辆的情况下,从该图像中识别出道路交通标线;
车辆违停判断模块,用于依据所述交通标线识别模块识别出的道路交通标线判断所述停放车辆识别模块识别出的停放车辆是否位于道路交通标线指示的禁止停车区域内;
违停画面取证模块,用于在所述车辆违停判断模块判定所述停放车辆停放于禁止停车区域内的情况下,控制无人机降低飞行高度并对该违法停放车辆进行航拍,获取到包含该违法停放车辆的车牌以及相应道路交通标线的图像;
其中,所述道路交通标线包括禁止停车标线和停车位标线。
7.如权利要求6所述的***,其特征在于,所述停放车辆识别模块包括:
特征提取单元,用于利用卷积神经网络对所述飞控航拍模块航拍得到的图像进行特征提取,得到特征图;
候选区域生成单元,用于利用RPN区域选取网络在所述特征提取单元得到的特征图上的滑动窗口的每个特征点所对应于所述图像上的部分生成多个不同尺度的候选区域;
兴趣区域处理单元,用于将所述候选区域生成单元生成的候选区域映射到所述特征图上得到兴趣区域,对所述兴趣区域进行池化得到设定尺寸的兴趣区域;
区域分类定位单元,用于利用卷积层对所述兴趣区域处理单元得到的设定尺寸的兴趣区域进行分类,判断出对应的候选区域是否为车辆,以及利用卷积层对该候选区域进行边框回归定位,得到车辆在图像中的位置信息。
8.如权利要求6所述的***,其特征在于,所述从所述航拍图像中识别出道路交通标线包括:
轮廓图生成单元,用于利用OWT-UCM定向分水岭变换和超度量边界算法并基于不同的分割阈值对所述航拍图像进行分割,得到多个纹理结构不同的超度量轮廓图;
区域显著值计算单元,用于利用图像显著特征构建显著性模型,并利用所述显著性模型算出轮廓图生成单元得到的各所述超度量轮廓图的区域显著值,得到相应的单层显著图;
最优显著图生成单元,用于以所述分割阈值作为所述区域显著值计算单元得到的单层显著图的融合权值,对所述多个单层显著图以线性加权的方式进行融合,得到最优显著图;
兴趣区域提取单元,用于对所述最优显著图生成单元得到的最优显著图进行二值化处理得到相应的二值图像,将所述二值图像映射到彩色图像,并通过滑动窗口对所述彩色图像进行扫描,利用非极大值抑制法提取出兴趣区域;
交通标线识别单元,用于利用卷积神经网络对所述兴趣区域提取单元提取出的兴趣区域进行识别,得到道路交通标线的种类;
其中,所述图像显著特征包括颜色对比度、区域对比度、纹理对比度中的至少一种。
9.如权利要求6或7或8所述的***,其特征在于,该***还包括:道路区域提取模块,用于在所述交通标线识别模块从所述航拍图像中识别出道路交通标线之前或在所述停放车辆识别模块从航拍得到的图像中识别出车辆之前:先从所述航拍图像中提取出道路区域;并且,所述交通标线识别模块识别出的道路交通标线或所述停放车辆识别模块识别出的车辆基于所述道路区域提取模块提取出的道路区域中识别出;
所述道路区域提取模块包括:
二值图像获取单元,用于通过霍夫变换提取所述航拍图像中的道路像素,计算出所述道路像素的平均像素作为道路阈值,依据所述道路阈值得到所述航拍图像的二值图像;
第一图像去噪单元,用于生成所述航拍图像的灰度图像,对所述灰度图像和所述二值图像获取单元得到的二值图像取交集,得到第一去噪图像;
道路图像补全单元,用于利用预设的蓝色分量阈值从所述航拍图像中提取出阴影图像,对所述阴影图像和所述第一图像去噪单元得到的第一去噪图像取并集,得到道路补全图像;
第二图像去噪单元,用于依据所述道路图像补全单元得到的道路补全图像中的噪声像素的形状和面积,对所述道路补全图像进行去噪,得到第二去噪图像;
道路图像修复单元,用于在所述第二图像去噪单元得到的第二去噪图像中的像素点处发出多方向的射线,并依据射线中覆盖的像素点的白色像素点数量,对发出射线的像素点进行白色覆盖或黑色覆盖,得到修复图像;
道路区域提取单元,用于基于所述道路图像修复单元得到的修复图像从所述航拍图像中提取出道路区域。
10.如权利要求6所述的***,其特征在于,该***还包括:车牌号码提取模块,用于在所述违停画面取证模块获取到包含该违法停放车辆的车牌以及相应道路交通标线的图像之后,从该获取到的图像中提取出车牌号码信息;
所述车牌号码提取模块包括:
图像模型转换单元,用于将该图像转换为HSV图像,从所述HSV图像中提取出符合H分量、S分量和V分量的置信区间的图像区域;
车牌区域提取单元,用于将所述图像模型转换单元提取出的图像区域转为灰度图像,并用不同灰度值表示车牌底色、车牌文字和车牌背景;
车牌号码识别单元,用于从所述车牌区域提取单元生成的灰度图像中识别出车牌号码;
其中,所述置信区间通过预先对车牌图像训练集中车牌图像在相应分量上的均值和方差得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910754818.5A CN110619750B (zh) | 2019-08-15 | 2019-08-15 | 面向违停车辆的智能航拍识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910754818.5A CN110619750B (zh) | 2019-08-15 | 2019-08-15 | 面向违停车辆的智能航拍识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110619750A true CN110619750A (zh) | 2019-12-27 |
CN110619750B CN110619750B (zh) | 2020-09-11 |
Family
ID=68921919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910754818.5A Active CN110619750B (zh) | 2019-08-15 | 2019-08-15 | 面向违停车辆的智能航拍识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619750B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325764A (zh) * | 2020-02-11 | 2020-06-23 | 广西师范大学 | 一种果实图像轮廓识别方法 |
CN111613085A (zh) * | 2020-05-21 | 2020-09-01 | 正则控股有限公司 | 一种基于大数据的停车场管理*** |
CN111626275A (zh) * | 2020-07-30 | 2020-09-04 | 江苏金智慧安科技有限公司 | 一种基于智能视频分析的异常停车检测方法 |
CN112052768A (zh) * | 2020-08-28 | 2020-12-08 | 五邑大学 | 基于无人机的城市违章停车检测方法、装置及存储介质 |
CN112101282A (zh) * | 2020-09-25 | 2020-12-18 | 北京瞰天科技有限公司 | 水上目标识别方法、装置及电子设备和存储介质 |
CN112380933A (zh) * | 2020-11-02 | 2021-02-19 | 中国兵器工业计算机应用技术研究所 | 无人机识别目标的方法、装置及无人机 |
CN112418061A (zh) * | 2020-11-19 | 2021-02-26 | 城云科技(中国)有限公司 | 一种车辆禁停区域确定方法及*** |
CN112530165A (zh) * | 2020-11-30 | 2021-03-19 | 中国民航信息网络股份有限公司 | 一种基于物联网的机坪保障车辆的违章判断方法和装置 |
CN112562351A (zh) * | 2020-12-03 | 2021-03-26 | 江西台德智慧科技有限公司 | 一种基于智能识别的智能眼镜 |
CN112562345A (zh) * | 2020-11-26 | 2021-03-26 | 南京信息工程大学 | 一种基于无人机的交通违章监控方法 |
CN112699827A (zh) * | 2021-01-05 | 2021-04-23 | 长威信息科技发展股份有限公司 | 一种基于区块链的交通警务处置方法及*** |
CN113658437A (zh) * | 2021-10-20 | 2021-11-16 | 枣庄智博智能科技有限公司 | 一种交通信号灯控制*** |
CN114187313A (zh) * | 2021-11-10 | 2022-03-15 | 泰瑞数创科技(北京)有限公司 | 基于滑动边缘检测的人工神经网络建筑物轮廓提取方法 |
CN114255588A (zh) * | 2021-11-29 | 2022-03-29 | 安徽百诚慧通科技有限公司 | 区域机动车违法停车预测方法、存储介质及设备 |
CN114529875A (zh) * | 2022-04-24 | 2022-05-24 | 浙江这里飞科技有限公司 | 一种违停车辆的检测方法、装置、电子设备及存储介质 |
US20230196304A1 (en) * | 2021-12-17 | 2023-06-22 | Ford Global Technologies, Llc | Nonvehicle based repair and maintenance identification by vehicle |
CN116596921A (zh) * | 2023-07-14 | 2023-08-15 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种焚烧炉渣分选方法及*** |
WO2024067176A1 (zh) * | 2022-09-29 | 2024-04-04 | 中兴通讯股份有限公司 | 车位检测处理方法、装置、存储介质及电子装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4912495B2 (ja) * | 2010-10-25 | 2012-04-11 | アイシン・エィ・ダブリュ株式会社 | 画像認識装置及び方法、ナビゲーション装置 |
US20140025229A1 (en) * | 2012-07-17 | 2014-01-23 | Elwha LLC, a limited liability company of the State of Delaware | Unmanned device interaction methods and systems |
CN105488809A (zh) * | 2016-01-14 | 2016-04-13 | 电子科技大学 | 基于rgbd描述符的室内场景语义分割方法 |
CN106874863A (zh) * | 2017-01-24 | 2017-06-20 | 南京大学 | 基于深度卷积神经网络的车辆违停逆行检测方法 |
CN107749166A (zh) * | 2017-10-13 | 2018-03-02 | 王宁 | 车辆违章停车自动监控处理*** |
CN107977654A (zh) * | 2017-12-25 | 2018-05-01 | 海信集团有限公司 | 一种道路区域检测方法、装置及终端 |
CN108416292A (zh) * | 2018-03-08 | 2018-08-17 | 西安因诺航空科技有限公司 | 一种基于深度学习的无人机航拍图像道路提取方法 |
CN108510750A (zh) * | 2018-04-25 | 2018-09-07 | 济南浪潮高新科技投资发展有限公司 | 一种基于神经网络模型的无人机巡检违章停车的方法 |
CN108983806A (zh) * | 2017-06-01 | 2018-12-11 | 菜鸟智能物流控股有限公司 | 区域检测、航线规划数据的生成方法和***、飞行器 |
CN109033950A (zh) * | 2018-06-12 | 2018-12-18 | 浙江工业大学 | 基于多特征融合级联深度模型的车辆违停检测方法 |
CN109308448A (zh) * | 2018-07-29 | 2019-02-05 | 国网上海市电力公司 | 一种采用图像处理技术来防止变配电误操作的方法 |
-
2019
- 2019-08-15 CN CN201910754818.5A patent/CN110619750B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4912495B2 (ja) * | 2010-10-25 | 2012-04-11 | アイシン・エィ・ダブリュ株式会社 | 画像認識装置及び方法、ナビゲーション装置 |
US20140025229A1 (en) * | 2012-07-17 | 2014-01-23 | Elwha LLC, a limited liability company of the State of Delaware | Unmanned device interaction methods and systems |
CN105488809A (zh) * | 2016-01-14 | 2016-04-13 | 电子科技大学 | 基于rgbd描述符的室内场景语义分割方法 |
CN106874863A (zh) * | 2017-01-24 | 2017-06-20 | 南京大学 | 基于深度卷积神经网络的车辆违停逆行检测方法 |
CN108983806A (zh) * | 2017-06-01 | 2018-12-11 | 菜鸟智能物流控股有限公司 | 区域检测、航线规划数据的生成方法和***、飞行器 |
CN107749166A (zh) * | 2017-10-13 | 2018-03-02 | 王宁 | 车辆违章停车自动监控处理*** |
CN107977654A (zh) * | 2017-12-25 | 2018-05-01 | 海信集团有限公司 | 一种道路区域检测方法、装置及终端 |
CN108416292A (zh) * | 2018-03-08 | 2018-08-17 | 西安因诺航空科技有限公司 | 一种基于深度学习的无人机航拍图像道路提取方法 |
CN108510750A (zh) * | 2018-04-25 | 2018-09-07 | 济南浪潮高新科技投资发展有限公司 | 一种基于神经网络模型的无人机巡检违章停车的方法 |
CN109033950A (zh) * | 2018-06-12 | 2018-12-18 | 浙江工业大学 | 基于多特征融合级联深度模型的车辆违停检测方法 |
CN109308448A (zh) * | 2018-07-29 | 2019-02-05 | 国网上海市电力公司 | 一种采用图像处理技术来防止变配电误操作的方法 |
Non-Patent Citations (1)
Title |
---|
李晓龙: "基于四旋翼无人机的车辆违停检测取证", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325764A (zh) * | 2020-02-11 | 2020-06-23 | 广西师范大学 | 一种果实图像轮廓识别方法 |
CN111325764B (zh) * | 2020-02-11 | 2022-05-31 | 广西师范大学 | 一种果实图像轮廓识别方法 |
CN111613085A (zh) * | 2020-05-21 | 2020-09-01 | 正则控股有限公司 | 一种基于大数据的停车场管理*** |
CN111626275A (zh) * | 2020-07-30 | 2020-09-04 | 江苏金智慧安科技有限公司 | 一种基于智能视频分析的异常停车检测方法 |
CN112052768A (zh) * | 2020-08-28 | 2020-12-08 | 五邑大学 | 基于无人机的城市违章停车检测方法、装置及存储介质 |
CN112101282A (zh) * | 2020-09-25 | 2020-12-18 | 北京瞰天科技有限公司 | 水上目标识别方法、装置及电子设备和存储介质 |
CN112101282B (zh) * | 2020-09-25 | 2024-04-26 | 北京瞰天科技有限公司 | 水上目标识别方法、装置及电子设备和存储介质 |
CN112380933A (zh) * | 2020-11-02 | 2021-02-19 | 中国兵器工业计算机应用技术研究所 | 无人机识别目标的方法、装置及无人机 |
CN112380933B (zh) * | 2020-11-02 | 2023-11-07 | 中国兵器工业计算机应用技术研究所 | 无人机识别目标的方法、装置及无人机 |
CN112418061A (zh) * | 2020-11-19 | 2021-02-26 | 城云科技(中国)有限公司 | 一种车辆禁停区域确定方法及*** |
CN112418061B (zh) * | 2020-11-19 | 2024-01-23 | 城云科技(中国)有限公司 | 一种车辆禁停区域确定方法及*** |
CN112562345A (zh) * | 2020-11-26 | 2021-03-26 | 南京信息工程大学 | 一种基于无人机的交通违章监控方法 |
CN112530165A (zh) * | 2020-11-30 | 2021-03-19 | 中国民航信息网络股份有限公司 | 一种基于物联网的机坪保障车辆的违章判断方法和装置 |
CN112562351A (zh) * | 2020-12-03 | 2021-03-26 | 江西台德智慧科技有限公司 | 一种基于智能识别的智能眼镜 |
CN112562351B (zh) * | 2020-12-03 | 2022-07-19 | 江西台德智慧科技有限公司 | 一种基于智能识别的智能眼镜 |
CN112699827A (zh) * | 2021-01-05 | 2021-04-23 | 长威信息科技发展股份有限公司 | 一种基于区块链的交通警务处置方法及*** |
CN112699827B (zh) * | 2021-01-05 | 2023-07-25 | 长威信息科技发展股份有限公司 | 一种基于区块链的交通警务处置方法及*** |
CN113658437A (zh) * | 2021-10-20 | 2021-11-16 | 枣庄智博智能科技有限公司 | 一种交通信号灯控制*** |
CN114187313A (zh) * | 2021-11-10 | 2022-03-15 | 泰瑞数创科技(北京)有限公司 | 基于滑动边缘检测的人工神经网络建筑物轮廓提取方法 |
CN114187313B (zh) * | 2021-11-10 | 2022-09-06 | 泰瑞数创科技(北京)股份有限公司 | 基于滑动边缘检测的人工神经网络建筑物轮廓提取方法 |
CN114255588A (zh) * | 2021-11-29 | 2022-03-29 | 安徽百诚慧通科技有限公司 | 区域机动车违法停车预测方法、存储介质及设备 |
US20230196304A1 (en) * | 2021-12-17 | 2023-06-22 | Ford Global Technologies, Llc | Nonvehicle based repair and maintenance identification by vehicle |
CN114529875A (zh) * | 2022-04-24 | 2022-05-24 | 浙江这里飞科技有限公司 | 一种违停车辆的检测方法、装置、电子设备及存储介质 |
WO2024067176A1 (zh) * | 2022-09-29 | 2024-04-04 | 中兴通讯股份有限公司 | 车位检测处理方法、装置、存储介质及电子装置 |
CN116596921A (zh) * | 2023-07-14 | 2023-08-15 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种焚烧炉渣分选方法及*** |
CN116596921B (zh) * | 2023-07-14 | 2023-10-20 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种焚烧炉渣分选方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110619750B (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619750B (zh) | 面向违停车辆的智能航拍识别方法及*** | |
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN111368687B (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
CN110399856B (zh) | 特征提取网络训练方法、图像处理方法、装置及其设备 | |
US9396548B2 (en) | Multi-cue object detection and analysis | |
CN103824452B (zh) | 一种轻量级的基于全景视觉的违章停车检测装置 | |
Zheng et al. | A novel vehicle detection method with high resolution highway aerial image | |
US8487991B2 (en) | Clear path detection using a vanishing point | |
CN109711264B (zh) | 一种公交车道占道检测方法及装置 | |
CN101950350B (zh) | 使用分级方法的畅通路径检测 | |
US10552706B2 (en) | Attachable matter detection apparatus and attachable matter detection method | |
US20100098297A1 (en) | Clear path detection using segmentation-based method | |
CN110659539A (zh) | 一种信息处理方法及其装置 | |
JP2008517353A (ja) | 交通標識検出方法 | |
CN112666553B (zh) | 一种基于毫米波雷达的道路积水识别方法及设备 | |
CN111027535A (zh) | 一种车牌识别方法及相关设备 | |
CN112819895A (zh) | 一种摄像机标定方法及装置 | |
CN106407951A (zh) | 一种基于单目视觉的夜间前方车辆检测方法 | |
Larsen et al. | Traffic monitoring using very high resolution satellite imagery | |
Huang et al. | A knowledge-based approach to urban feature classification using aerial imagery with lidar data | |
CN115457358A (zh) | 一种图像与点云的融合的处理方法、装置和无人车 | |
CN115424217A (zh) | 基于ai视觉的车辆智能识别方法、装置和电子设备 | |
Helala et al. | Road boundary detection in challenging scenarios | |
CN113219472B (zh) | 一种测距***和方法 | |
CN113158954B (zh) | 交通非现场的基于ai技术的斑马线区域自动检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |