CN111145555A - 一种检测车辆违章的方法和装置 - Google Patents
一种检测车辆违章的方法和装置 Download PDFInfo
- Publication number
- CN111145555A CN111145555A CN201911253538.2A CN201911253538A CN111145555A CN 111145555 A CN111145555 A CN 111145555A CN 201911253538 A CN201911253538 A CN 201911253538A CN 111145555 A CN111145555 A CN 111145555A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- license plate
- frame
- frame image
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种检测车辆违章的方法和装置,用以解决现有技术在检测车辆违章掉头时存在成本高、准确性低的问题。其中方法包括:获取禁止违章掉头路段上的若干帧图像;对若干帧图像中的每帧图像执行如下操作:获取每帧图像中的至少一个车牌的检测信息和至少一个车身的检测信息,当任一帧图像中任一车身位置信息和任一车牌位置信息满足第一预设条件时,判定任一车身和任一车牌属于同一车辆,并将该车身和该车牌关联至该车辆;如果关联该车辆的车牌的位置信息和车身的位置信息在连续M帧图像中满足第一预设条件,则确定该车辆的车牌和车身在连续M帧图像中为有效融合状态;在确定任一车辆满足第二预设条件时,确定任一车辆违章掉头。
Description
技术领域
本申请涉及电子技术领域,特别涉及一种检测车辆违章的方法和装置。
背景技术
近几年随着城市车辆的增多,全国各地交警对于车辆的违章掉头行为也越发重视,以往都是由交警人工判断车辆的违章掉头行为,随着技术的发展,转变为监控设备对车辆进行违章掉头行为等的监测。
一种检测车辆违章掉头的方法是:采用均值偏移meanshift算法对车辆目标进行主动跟踪,获取跟踪轨迹,利用连续多帧轨迹信息,利用目标在掉头前后所处的车道信息、车辆与车道的夹角方向,可以判断车辆是否完成掉头过程。但是,这种方法在车辆轨迹消失后,无法捕获完整的车辆跟踪轨迹,并且对于掉头的确认方式只靠单一的轨迹,准确性较低。
另一种检测车辆违章掉头的方法是:球机利用粒子滤波跟踪方法对车辆进行跟踪,不过球机一次只能跟踪单个目标,无法同时跟踪多个目标。这种方法的成本高、性价比低,并且粒子滤波跟踪方法性能也有限,不能保证球机捕获车辆完整的轨迹,所以准确性也较低。
因此,现有技术在检测车辆违章掉头时存在成本高、准确性低的问题。
发明内容
本发明实施例提供一种检测车辆违章的方法和装置,用以解决现有技术在检测车辆违章掉头时还存在成本高、准确性低的问题。
第一方面,本发明实施例提供一种检测车辆违章的方法,包括:
获取图像采集装置采集的禁止违章掉头路段的若干帧图像;
对所述若干帧图像中的每帧图像执行如下操作:
获取所述每帧图像中的至少一个车牌的检测信息;其中,所述车牌的检测信息包括车牌位置信息;
获取所述每帧图像中的至少一个车身的检测信息,其中所述车身的检测信息包括车身位置信息和车身的姿态;其中所述车身的姿态为车头、侧身或车尾中的一种;
当所述任一帧图像中任一车身位置信息和任一车牌位置信息满足第一预设条件时,则判定所述任一车身和所述任一车牌属于同一车辆,并将所述任一车身和所述任一车牌关联至该车辆;如果关联该车辆的车牌的位置信息和车身的位置信息在连续M帧图像中均满足所述第一预设条件,则确定该车辆的车牌和车身在所述连续M帧图像中为有效融合状态,否则确定该车辆的车牌和车身在所述连续M帧图像中为无效融合状态;其中,M为正整数;
在确定所述任一车辆满足第二预设条件时,确定所述任一车辆违章掉头;其中,所述第二预设条件包括:所述任一车辆的车牌和车身在第一帧图像中为有效融合状态,且所述任一车辆的车身的姿态在所述第一帧图像中为车尾;所述任一车辆的车牌和车身在第二帧图像中为无效融合状态,且所述任一车辆的车身的姿态在所述第二帧图像中为侧身;所述任一车辆的车牌和车身在第三帧图像中为有效融合状态,且所述任一车辆的车身的姿态在所述第三帧图像中为车头;其中所述第二帧图像在所述第一帧图像之后,所述第三帧图像在所述第二帧图像之后。
通过本实施例方式,通过判断任一帧图像中任一车牌和任一车身的位置信息是否满足第一预设条件后,如果满足,则将该车牌和该车身与该车辆关联,接着如果获取到该车辆的车身的姿态满足从车尾到侧身再到车头(即有效融合状态到无效融合状态再到有效融合状态),与现有技术相比,可以不需要完整的轨迹就能判断车辆是否违章掉头,且可以在短时间内同时检测多个目标,提高了检测车辆的违章掉头行为的准确性和效率,同时也减低了检测成本。
可选的所述第一预设条件包括所述任一车牌的位置在所述任一车身的位置的覆盖范围内;所述车牌的检测信息还包括车牌号;所述第二条件还包括:所述任一车辆的车牌在所述第三帧图像中的车牌号和所述任一车辆的车牌在第一帧图像中的车牌号的相似度大于第一相似度阈值。
通过本实施例方式,对在第三帧图像中该车辆的车牌与第一帧图像中的该车辆的车牌进行匹配,可以避免将其它车辆识别误为所述任一车辆,可以进一步提高检测车辆违章掉头准确性。
可选的,M大于或等于3。
通过本实施例方式,将M设置为大于等于3,使连续三帧以上图像中的车牌和车身满足第一预设条件才确定车牌和车身为有效融合状态,避免了单帧误判的情况,进一步提高了判断车辆违章掉头的准确性。
可选的,所述方法还包括:在所述任一帧图像中识别到新车辆时,判断所述新车辆的车牌和车身和所述任一帧图像之前的历史帧图像中另一车辆的车牌和车身是否满足第三预设条件;如果是,则确定所述新车辆和所述历史帧图像中另一车辆为同一车辆。
本实施例方式,通过判断新车辆的车牌和车身是否满足第三预设条件,若是,则认定新车辆与历史帧中的车辆为同一车辆,可以在旧车辆轨迹不完整的情况下,将新出现的车辆与旧车辆关联,进而判断旧车辆的是否违章掉头,进一步提高了判断车辆违章掉头的准确性。
可选的,所述第三预设条件包括:所述另一车辆的车牌与所述新车辆的车牌出现的时间间隔在第一时间范围内;所述另一车辆的车牌的位置与所述新车辆的车牌的位置的距离在第一距离范围内;所述另一车辆的车牌号与所述新车辆的车牌号的相似度大于第二相似度阈值。
通过本实施例方式,将新车辆的车牌出现的时间和位置以及车牌号与任一旧车辆进行对比,判断新车辆是否与任一旧车辆为同一车辆,进一步提高了判断不连续轨迹车辆违章掉头的准确性。
可选的,所述第一距离范围中的距离大小与所述第一时间范围中的时间大小正相关;所述第二相似度阈值的大小与所述第一时间范围中的时间大小正相关。
通过本实施例方式,新车辆与旧车辆出现的时间间隔越长,则第一时间范围和第二相似度阈值越严格,进一步提高了判断不连续轨迹车辆违章掉头的准确性。
可选的,所述第一相似度阈值小于或等于所述第二相似度阈值。
通过本实施例方式,将第一相似度阈值设定为小于或等于第二相似度阈值,提高了判断不连续轨迹车辆违章掉头的准确性。
第三方面,本发明实施例提供一种检测车辆违章的装置,包括:
获取模块,用于获取图像采集装置采集的禁止违章掉头路段的若干帧图像;
处理模块,用于对所述若干帧图像中的每帧图像执行如下操作:
获取所述每帧图像中的至少一个车牌的检测信息;其中,所述车牌的检测信息包括车牌位置信息;
获取所述每帧图像中的至少一个车身的检测信息,其中所述车身的检测信息包括车身位置信息和车身的姿态;其中所述车身的姿态为车头、侧身或车尾中的一种;
当所述任一帧图像中任一车身位置信息和任一车牌位置信息满足第一预设条件时,则判定所述任一车身和所述任一车牌属于同一车辆,并将所述任一车身和所述任一车牌关联至该车辆;如果关联该车辆的车牌的位置信息和车身的位置信息在连续M帧图像中均满足所述第一预设条件,则确定该车辆的车牌和车身在所述连续M帧图像中为有效融合状态,否则确定该车辆的车牌和车身在所述连续M帧图像中为无效融合状态;其中,M为正整数;
在确定所述任一车辆满足第二预设条件时,确定所述任一车辆违章掉头;其中,所述第二预设条件包括:所述任一车辆的车牌和车身在第一帧图像中为有效融合状态,且所述任一车辆的车身的姿态在所述第一帧图像中为车尾;所述任一车辆的车牌和车身在第二帧图像中为无效融合状态,且所述任一车辆的车身的姿态在所述第二帧图像中为侧身;所述任一车辆的车牌和车身在第三帧图像中为有效融合状态,且所述任一车辆的车身的姿态在所述第三帧图像中为车头;其中所述第二帧图像在所述第一帧图像之后,所述第三帧图像在所述第二帧图像之后。
可选的,所述第一预设条件包括所述任一车牌的位置在所述任一车身的位置的覆盖范围内;所述车牌的检测信息还包括车牌号;所述第二条件还包括:所述任一车辆的车牌在所述第三帧图像中的车牌号和所述任一车辆的车牌在第一帧图像中的车牌号的相似度大于第一相似度阈值。
可选的,M大于或等于3。
可选的,所述处理模块还用于:在所述任一帧图像中识别到新车辆时,判断所述新车辆的车牌和车身和所述任一帧图像之前的历史帧图像中另一车辆的车牌和车身是否满足第三预设条件;如果是,则确定所述新车辆和所述历史帧图像中另一车辆为同一车辆。
可选的,所述第三预设条件包括:所述另一车辆的车牌与所述新车辆的车牌出现的时间间隔在第一时间范围内;所述另一车辆的车牌的位置与所述新车辆的车牌的位置的距离在第一距离范围内;所述另一车辆的车牌号与所述新车辆的车牌号的相似度大于第二相似度阈值。
可选的,所述第一距离范围中的距离大小与所述第一时间范围中的时间大小正相关;所述第二相似度阈值的大小与所述第一时间范围中的时间大小正相关。
可选的,所述第一相似度阈值小于或等于所述第二相似度阈值。
第三方面,本发明实施例提供一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器用于执行所述存储器中的指令,以在执行所述指令时执行如本发明实施例第一方面或者第一方面中任一种可选的实施方式所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如本发明实施例第一方面或者第一方面中任一种可选的实施方式所述的方法。
以上第二方面至第四方面中各实施方式所带来的有益效果可以参见第一方面中对应的实施方式所带来的有益效果,不再一一赘述。
本发明有益效果如下:
本申请实施例中,通过判断任一帧图像中任一车牌和任一车身的位置信息是否满足第一预设条件后,如果满足,则将该车牌和该车身与该车辆关联至同一辆车,如果检测到同一车辆的车身的姿态满足从车尾到侧身再到车头(即有效融合状态到无效融合状态再到有效融合状态),则判断该车辆发生掉头行为,与现有技术相比,可以不需要完整的轨迹就能判断车辆是否违章掉头,且可以在短时间内同时检测多个目标,提高了检测车辆违章掉头行为的准确性和效率,同时也减低了检测成本。
附图说明
图1为本发明实施例中提供的一种检测车辆违章的方法的流程示意图;
图2A为本发明实施例中在t1时刻采集的图像帧的示意图;
图2B为本发明实施例中在t2时刻采集的图像帧的示意图;
图2C为本发明实施例中在t3时刻采集的图像帧的示意图;
图3为本发明实施例中提供的第一帧图像帧的示意图;
图4为本发明实施例中提供的第三帧图像帧的示意图;
图5为本发明实施提供的另一种检测车辆违章的方法的流程图;
图6为本发明实施例提供的一种检测车辆违章的装置的结构示意图;
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
应理解,在本发明实施例的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。在本发明实施例的描述中“多个”,是指两个或两个以上。
本发明实施例中的术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本发明实施例提供一种检测车辆违章的方法,用以解决现有技术在检测车辆违章掉头时还存在成本高、准确性低的问题。该方法可以应用于智能监控、摄像头、电子眼、计算机、服务器等具有计算能力的电子设备,或者多个这样的电子设备组成的电子设备***,本发明实施例不做具体限制。
请参见图1,为本发明实施例中提供的一种检测车辆违章的方法的流程示意图,该方法包括:
S101、获取图像采集装置采集的禁止违章掉头路段的若干帧图像。
其中,图像采集装置可以为摄像头、无人机等带有摄像功能的电子设备。
S102、获取每帧图像中的至少一个车牌的检测信息。
具体的,车牌的检测信息包括车牌位置信息。示例性的,参见图2A,为t1时刻采集的图像帧,图2A中的车辆A的车牌的位置信息包括:中心点(Xp,Yp)、宽高(Wp,Hp),其中p表示车牌标识。
S103、获取每帧图像中的至少一个车身的检测信息。
具体的,车身的检测信息包括车身位置信息示例性的,参见图2A,为t1时刻采集的图像帧,图2A中的车辆A的车身位置信息包括:中心点为(Xv,Yv)、宽高为(Wv,Hv),其中,v表示车身标识。
车身的检测信息还包括车身的姿态,其中,车身的姿态为车头、侧身或车尾中的一种。示例性的,参见图2A,车辆A的车身的姿态为车尾、参见图2B,为t2时刻采集的图像帧,车辆A的车身的姿态为侧身,参见图2C,为t3时刻采集的图像帧,车辆A的车身的姿态为车头。其中,t1<t2<t3。
S104、当任一帧图像中任一车身位置信息和任一车牌位置信息满足第一预设条件时,则判定任一车身和任一车牌属于同一车辆,并将任一车身和任一车牌关联至该车辆。
具体的,第一预设条件包括任一车身的位置覆盖了任一车牌的位置。如果关联该车辆的车牌的位置信息和车身的位置信息在连续的M帧图像中都满足第一预设条件,那么就确定该车辆的车牌和车身在连续的M帧图像中为有效融合状态,否则确定该车辆的车牌和车身在连续的M帧图像中为无效融合状态,其中,M为正整数。需要说明的是,如果在一开始的前几帧图像中,该车牌和该车身都不满足第一预设条件,那么就将该车牌、该车辆、该车身认定为独立状态。
示例性的,可以设置条件1:Yp>Yv且Yp<(Yv+Hv/2),条件2:Xp>(Xv-Wv/4)且Xp<(Xv+Wv/4),参见图2A,车身V的位置信息:中心点为(Xv,Yv)宽高为(Wv,Hv),车牌P的位置信息:中心点(Xp,Yp)、宽高(Wp,Hp),如果车牌P的位置信息和车身V的位置信息同时满足条件1和条件2,所以将车身V和车牌P关联在车辆A上,以三帧图像为例,还可以是1、2、4帧图像等,如果车辆A的车身V位置和车牌P位置在连续的3帧图像中都满足条件1和条件2,那么就确定车辆A的车牌P和车身V在连续的3帧图像中为有效融合状态,否则确定车辆A的车牌P和车身V在连续的3帧图像中为无效融合状态。参见图2A,车牌P的位置信息包括:中心点(Xp,Yp)、宽高(Wp,Hp)。车身V的位置信息包括:中心点为(Xv,Yv)、宽高为(Wv,Hv)。
S105、在确定任一车辆满足第二预设条件时,确定任一车辆违章掉头。
具体的,第二预设条件可以包括:任一车辆的车牌和车身在第一帧图像中为有效融合状态,并且该车辆的车身的姿态在所述第一帧图像中为车尾;在第二帧图像中,该车辆的车牌和车身为无效融合状态,且该车辆的车身的姿态为侧身;在第三帧图像中,该车辆的车牌和车身为有效融合状态,且该车辆的车身的姿态为车头。需要说明的是,第二帧图像在第一帧图像之后,第三帧图像在第二帧图像之后。仍以图2A、图2B、图2C为例,车辆A的车牌和车身在t1、t2、t3时刻的状态分别为:有效融合状态、无效融合状态和有效融合状态,车身的姿态分别为车尾、侧身和车头,因此可以判定车辆A发生掉头行为。
需要说明的是,上述的方法只是一种特例,当在实际判断的时候,第二预设条件还可以是车辆的车牌和车身在连续i帧图像中为有效融合状态,并且该车辆的车身的姿态在连续i帧图像中为车尾;在连续的j帧图像中,该车辆的车牌和车身为无效融合状态,且该车辆的车身的姿态为侧身;在连续的k帧图像中,该车辆的车牌和车身为有效融合状态,且该车辆的车身的姿态为车头。需要说明的是,连续的j帧图像在连续的i帧图像之后,连续的k帧图像在连续的j帧图像之后。其中,i、j、k为大于1的正整数,且i、j、k的具体取值可以由技术人员设定。
示例性的,若车辆A的车身V和车牌P在连续的3帧图像中都是有效融合状态,且在这个连续3帧的图像中车身V的姿态为车尾;在连续的3帧图像中,车辆A的车身V和车牌P为无效融合状态,且车身V的姿态均为侧身;在连续的3帧图像中,车辆A的车身V和车牌P为有效融合状态,且车身V的姿态均为车头,就可以确定车辆A发生掉头行为。这样通过识别多帧图像来判定车辆违章掉头,避免单帧图像出现误判的情况,可以进一步提高判断车辆掉头行为的准确性。
应理解,在本申请实施例中,可以同步对多个车辆执行上述检测方法,例如在每一帧图像中除了对车辆A执行上述方法外,同步对车辆B、C、D执行上述的检测方法。对车辆B、C、D的检测方法参照车辆A,这里不再赘述。
通过本发明实施例,通过判断任一帧图像中任一车牌和任一车身的位置信息是否满足第一预设条件后,如果满足,则将该车牌和该车身与该车辆关联,接着如果获取到该车辆的车身的姿态满足从车尾到侧身再到车头(即有效融合状态到无效融合状态再到有效融合状态),则判定该车辆违章掉头,与现有技术相比,可以不需要完整的轨迹就能判断车辆是否违章掉头,且可以在短时间内同时检测多个目标,提高了检测车辆违章掉头行为的准确性和效率,同时也减低了检测成本。
可选的,第二预设条件还包括任一车辆的车牌在第三帧图像中的车牌号和任一车辆的车牌在第一帧图像中的车牌号的相似度大于第一相似度阈值。
示例性的,图3和图4分别为第一帧图像帧的示意图和第三帧图像帧的示意图。车牌号相似度计算的方式包括但不限于以下两种:
方式1:顺序逐个累加所匹配到的字符所组成的字符串,如车辆C的车牌在第三帧图像识别为“浙A123BC”,车辆C的车牌在第一帧图像中识别为“浙B1234C”,将它们进行匹配获得匹配结果“浙123C”,这两个车牌的相似度为0.833,则这两个车牌的相似度大于第一相似度阈值0.4,两个车牌满足第二预设条件。
方式2:最大连续匹配字符所组成的字符串,如车辆C的车牌在第三帧图像识别为“浙123BCA”,车辆C的车牌在第一帧图像中识别“浙A123BC”,将它们进行匹配获得匹配结果“123BC”,这两个车牌的相似度为0.833,则这两辆车的相似度大于第一相似度阈值0.4,两个车牌满足第二预设条件。
这样,可以避免将其它的车辆识别误为车辆C,进一步提高判断车辆掉头的准确性。
可选的,考虑在车辆转弯过程时车辆的轨迹无法跟踪的情况,当在任一帧图像中识别到了新车辆时,还需要判断新车辆的车牌和车身和任一帧图像之前的历史帧图像中任一车辆的车牌和车身是否是同一车辆,如果是,则将新车辆关联到旧车辆,例如,识别到的新车辆D,该车辆和任一帧图像之前的历史帧图像中车辆A是同一辆车,则将车辆D关联成车辆A。
具体判断方法可以为:当在第n帧图像中识别到了新车辆的车牌和车身与历史帧图像中任一车辆的车牌和车身同时满足第三预设条件时,确定第n帧中的车辆和第n帧图像之前的历史帧图像中的车辆为同一辆车,其中,第n帧图像为任一帧图像,第三预设条件可以包括:第n帧图像之前的历史帧图像中的任一车辆的车牌与在第n帧图像中出现的新车辆的车牌出现的时间间隔在第一时间范围内,第n帧图像之前的历史帧图像中的任一车辆的车牌与在第n帧图像中出现的新车辆的车牌出现的位置距离在第一距离范围内并且第n帧图像之前的历史帧图像中的任一车辆的车牌号与第n帧图像中出现的新车辆的车牌号的相似度大于第二相似度阈值,需要说明的是,第二相似度阈值大于第一相似度。
仍以图3和图4为例,车辆A在转弯的过程中消失(行驶到摄像头无法拍摄的路段),当车辆A重新出现时,被检测成新车辆D,如图4所示。此时,可以获取车辆A的轨迹在消失前车辆A的车牌最后出现的位置信息:如图3所示,中心点(Xp1,Yp1),和对应的车身框位置信息:宽高(Wv1,Hv1),当在后续的图像帧中出现新车辆D时,继续获取新车辆D车牌出现的位置信息:如图4所示,中心点(Xp2,Yp2)。
如果该车辆的位置信息满足第一距离范围|Xp2-Xp1|<Wv1、|Yp2-Yp1|<Hv1,则判定车辆A的车牌号与新车辆D车牌号的相似度是否大于第二阈值(例如为0.43)、判定车辆A的车牌号与新车辆D车牌号出现的时间间隔是否在第一时间范围内(例如2分钟),如果都满足,则可以肯定该新车辆为车辆A。
如果新车辆D的车牌的位置信息与车辆A的车牌的位置信息满足第二距离范围Wv1<|Xp2-Xp1|<2*Wv1、Hv1<|Yp2-Yp1|<2*Hv1时,则继续判定车辆A的车牌号与新车辆D车牌号的相似度是否大于第三阈值(例如为0.6)、继续判定车辆A的车牌号与新车辆车牌号出现的时间间隔是否在第二时间范围内(例如3分钟)。
如果新车辆D的车牌与车辆A的车牌的位置信息满足第三距离范围|Xp2-Xp1|>2*Wv1、|Yp2-Yp1|>2*Hv1时,则判定车辆A的车牌号与新车辆D车牌号的相似度是否大于等于第四阈值(例如为0.85或者1)、继续判定车辆A的车牌号与新车辆D车牌号出现的时间间隔是否在第三时间范围(例如10分钟)。
对于不同的交通路段,设置第三预设条件的方式可以不同,但是主要还是按照以下关系去设置第三预设条件:第一距离范围的大小值和第一时间范围、第二相似度阈值范围的大小值呈正相关关系。
本实施方式,可以在旧车辆轨迹不完整的情况下,将新出现的车辆与旧车辆关联,判断旧车辆是否违章掉头,进一步提高了判断车辆违章掉头的准确性。
可选的,当在判断第n帧时新出现的车辆的车牌和车身与历史帧中任一车辆的车牌和车身同时满足第三预设条件后,继续判断第n+1帧、第n+2帧中的新车辆车牌和车身与历史帧中任一车辆的车牌和车身是否同时满足第三预设条件,如果是,则确定该车辆与历史帧中任一车辆为同一车辆,旧车辆违章掉头;如果不是,则说明这新出现的车辆与历史帧中任一车辆不为同一车辆,则新车辆没有违章掉头,这样就避免了单帧图像出现误判将新车辆识别为旧车辆的情况,进一步提高了检测车辆违章掉头的准确性。
可选的,在确定新车辆为旧车辆后,进一步判断后五帧图像中,该旧车辆的车身的姿态是否满足车头,如果是,则确定该车辆违章掉头。这样就避免了对一些不常见的车辆判断车身的姿态时,会偶尔判断出错(车头检成车尾、车尾检成车头),为避免这些错误的结果,用连续几帧进行确认更为准确,进一步提高了检测车辆违章掉头的准确性。
本发明实施例中的上述各实施方式可以相互结合实现不同的技术效果。下面举例一个详细的检测车辆违章的实施例进行说明。
参见图5,为本发明实施中另一种检测车辆违章的方法的流程图,该方法包括:
S501、获取每帧图像中的车牌的检测信息和每帧图像中的车身的检测信息。
具体的步骤参照上述步骤S102和S103。
S502、对每帧图像中车牌位置的检测信息和车身位置的检测位置信息进行跟踪并记录。S503、根据记录结果判断任一帧图像上的任一车牌和任一车身是否处于有效融合状态。
S5031、若不是,则继续判断该车牌和车身在历史帧图像中是否满足3帧以上有效融合状态。
S5032、若是,则确定该车牌和车身为无效融合状态。
S5033、若不是,则将该车牌和该车身划为独立状态。
S504、若是,则将该车牌和车身与车辆关联,并且确定该车牌和该车身连续三帧以上的图像都处于有效融合状态,将此时的车身记录为第一车身姿态。
S505、在确定该车辆的车牌和车身满足由有效融合状态转变为无效融合状态时,将该车身此时的姿态记为第二车身姿态。
S506、在确定该车辆的车牌和车身从无效融合状态变为有效融合状态时,将此时该车辆的车身姿态记为第三车身姿态。
S507、当该车辆的第一车身姿态、第二车身姿态和第三车身姿态满足车尾、侧身和车头时,则该车辆违章掉头成功计数加一。
S508、在违章掉头成功计数大于等于1时,如果在后续帧中该车辆的车身姿态为车头,则掉头成功计数加一,当违章掉头成功计数的总数大于等于5时,则判断该车辆违章掉头。
其中,步骤S504-S506的具体的步骤参见上述步骤S105。
上述方案通过判断任一帧图像中任一车牌和任一车身的位置信息是否满足第一预设条件后,如果满足,则将该车牌和该车身与该车辆关联,接着如果获取到该车辆的车身的姿态满足从车尾到侧身再到车头(即有效融合状态到无效融合状态再到有效融合状态),则判定该车辆违章掉头,与现有技术相比,可以不需要完整的轨迹就能判断车辆是否违章掉头,且可以在短时间内检测多个目标,提高检测车辆违章掉头行为的准确性和率,同时也减低了检测成本。
基于同一发明构思,本发明实施例还提供一种检测车辆违章的装置600,参见图6,包括:
获取模块601,用于获取图像采集装置采集的禁止违章掉头路段的若干帧图像;
处理模块602,用于对所述若干帧图像中的每帧图像执行如下操作:
获取所述每帧图像中的至少一个车牌的检测信息;其中,所述车牌的检测信息包括车牌位置信息;
获取所述每帧图像中的至少一个车身的检测信息,其中所述车身的检测信息包括车身位置信息和车身的姿态;其中所述车身的姿态为车头、侧身或车尾中的一种;
当所述任一帧图像中任一车身位置信息和任一车牌位置信息满足第一预设条件时,则判定所述任一车身和所述任一车牌属于同一车辆,并将所述任一车身和所述任一车牌关联至该车辆;如果关联该车辆的车牌的位置信息和车身的位置信息在连续M帧图像中均满足所述第一预设条件,则确定该车辆的车牌和车身在所述连续M帧图像中为有效融合状态,否则确定该车辆的车牌和车身在所述连续M帧图像中为无效融合状态;其中,M为正整数;
在确定所述任一车辆满足第二预设条件时,确定所述任一车辆违章掉头;其中,所述第二预设条件包括:所述任一车辆的车牌和车身在第一帧图像中为有效融合状态,且所述任一车辆的车身的姿态在所述第一帧图像中为车尾;所述任一车辆的车牌和车身在第二帧图像中为无效融合状态,且所述任一车辆的车身的姿态在所述第二帧图像中为侧身;所述任一车辆的车牌和车身在第三帧图像中为有效融合状态,且所述任一车辆的车身的姿态在所述第三帧图像中为车头;其中所述第二帧图像在所述第一帧图像之后,所述第三帧图像在所述第二帧图像之后。
可选的,所述第一预设条件包括所述任一车牌的位置在所述任一车身的位置的覆盖范围内;所述车牌的检测信息还包括车牌号;所述第二条件还包括:所述任一车辆的车牌在所述第三帧图像中的车牌号和所述任一车辆的车牌在第一帧图像中的车牌号的相似度大于第一相似度阈值。
可选的,M大于或等于3。
可选的,所述处理模块602还用于:在所述任一帧图像中识别到新车辆时,判断所述新车辆的车牌和车身和所述任一帧图像之前的历史帧图像中另一车辆的车牌和车身是否满足第三预设条件;如果是,则确定所述新车辆和所述历史帧图像中另一车辆为同一车辆。
可选的,所述第三预设条件包括:所述另一车辆的车牌与所述新车辆的车牌出现的时间间隔在第一时间范围内;所述另一车辆的车牌的位置与所述新车辆的车牌的位置的距离在第一距离范围内;所述另一车辆的车牌号与所述新车辆的车牌号的相似度大于第二相似度阈值。
可选的,所述第一距离范围中的距离大小与所述第一时间范围中的时间大小正相关;所述第二相似度阈值的大小与所述第一时间范围中的时间大小正相关。
可选的,所述第一相似度阈值小于或等于所述第二相似度阈值。
基于同一发明构思,本发明实施例还提供一种电子设备,参照图7,包括:至少一个处理器701,以及与所述至少一个处理器通信连接的存储器702;其中,所述存储器702存储有可被所述至少一个处理器701执行的指令,所述至少一个处理器701通过执行所述存储器702存储的指令,以在执行所述指令时使所述装置600执行本发明的实施例所述的检测车辆违章的方法。
基于同一发明构思,本发明实施例还提供计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行本发明实施例所述的检测车辆违章的方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (16)
1.一种检测车辆违章的方法,其特征在于,包括:
获取图像采集装置采集的禁止违章掉头路段的若干帧图像;
对所述若干帧图像中的每帧图像执行如下操作:
获取所述每帧图像中的至少一个车牌的检测信息;其中,所述车牌的检测信息包括车牌位置信息;
获取所述每帧图像中的至少一个车身的检测信息,其中所述车身的检测信息包括车身位置信息和车身的姿态;其中所述车身的姿态为车头、侧身或车尾中的一种;
当所述任一帧图像中任一车身位置信息和任一车牌位置信息满足第一预设条件时,则判定所述任一车身和所述任一车牌属于同一车辆,并将所述任一车身和所述任一车牌关联至该车辆;如果关联该车辆的车牌的位置信息和车身的位置信息在连续M帧图像中均满足所述第一预设条件,则确定该车辆的车牌和车身在所述连续M帧图像中为有效融合状态,否则确定该车辆的车牌和车身在所述连续M帧图像中为无效融合状态;其中,M为正整数;
在确定所述任一车辆满足第二预设条件时,确定所述任一车辆违章掉头;其中,所述第二预设条件包括:所述任一车辆的车牌和车身在第一帧图像中为有效融合状态,且所述任一车辆的车身的姿态在所述第一帧图像中为车尾;所述任一车辆的车牌和车身在第二帧图像中为无效融合状态,且所述任一车辆的车身的姿态在所述第二帧图像中为侧身;所述任一车辆的车牌和车身在第三帧图像中为有效融合状态,且所述任一车辆的车身的姿态在所述第三帧图像中为车头;其中所述第二帧图像在所述第一帧图像之后,所述第三帧图像在所述第二帧图像之后。
2.如权利要求1所述的方法,其特征在于,所述第一预设条件包括所述任一车牌的位置在所述任一车身的位置的覆盖范围内;
所述车牌的检测信息还包括车牌号;
所述第二条件还包括:所述任一车辆的车牌在所述第三帧图像中的车牌号和所述任一车辆的车牌在第一帧图像中的车牌号的相似度大于第一相似度阈值。
3.如权利要求2所述的方法,其特征在于,M大于或等于3。
4.如权利要求2所述的方法,其特征在于,所述方法还包括:
在所述任一帧图像中识别到新车辆时,判断所述新车辆的车牌和车身和所述任一帧图像之前的历史帧图像中另一车辆的车牌和车身是否满足第三预设条件;
如果是,则确定所述新车辆和所述历史帧图像中另一车辆为同一车辆。
5.如权利要求4所述的方法,其特征在于,所述第三预设条件包括:
所述另一车辆的车牌与所述新车辆的车牌出现的时间间隔在第一时间范围内;
所述另一车辆的车牌的位置与所述新车辆的车牌的位置的距离在第一距离范围内;
所述另一车辆的车牌号与所述新车辆的车牌号的相似度大于第二相似度阈值。
6.如权利要求5所述的方法,其特征在于,所述第一距离范围中的距离大小与所述第一时间范围中的时间大小正相关;所述第二相似度阈值的大小与所述第一时间范围中的时间大小正相关。
7.如权利要求5所述的方法,其特征在于,所述第一相似度阈值小于或等于所述第二相似度阈值。
8.一种检测车辆违章的装置,其特征在于,包括:
获取模块,用于获取图像采集装置采集的禁止违章掉头路段的若干帧图像;
处理模块,用于对所述若干帧图像中的每帧图像执行如下操作:
获取所述每帧图像中的至少一个车牌的检测信息;其中,所述车牌的检测信息包括车牌位置信息;
获取所述每帧图像中的至少一个车身的检测信息,其中所述车身的检测信息包括车身位置信息和车身的姿态;其中所述车身的姿态为车头、侧身或车尾中的一种;
当所述任一帧图像中任一车身位置信息和任一车牌位置信息满足第一预设条件时,则判定所述任一车身和所述任一车牌属于同一车辆,并将所述任一车身和所述任一车牌关联至该车辆;如果关联该车辆的车牌的位置信息和车身的位置信息在连续M帧图像中均满足所述第一预设条件,则确定该车辆的车牌和车身在所述连续M帧图像中为有效融合状态,否则确定该车辆的车牌和车身在所述连续M帧图像中为无效融合状态;其中,M为正整数;
在确定所述任一车辆满足第二预设条件时,确定所述任一车辆违章掉头;其中,所述第二预设条件包括:所述任一车辆的车牌和车身在第一帧图像中为有效融合状态,且所述任一车辆的车身的姿态在所述第一帧图像中为车尾;所述任一车辆的车牌和车身在第二帧图像中为无效融合状态,且所述任一车辆的车身的姿态在所述第二帧图像中为侧身;所述任一车辆的车牌和车身在第三帧图像中为有效融合状态,且所述任一车辆的车身的姿态在所述第三帧图像中为车头;其中所述第二帧图像在所述第一帧图像之后,所述第三帧图像在所述第二帧图像之后。
9.如权利要求8所述的装置,其特征在于所述第一预设条件包括所述任一车牌的位置在所述任一车身的位置的覆盖范围内;
所述车牌的检测信息还包括车牌号;
所述第二条件还包括:所述任一车辆的车牌在所述第三帧图像中的车牌号和所述任一车辆的车牌在第一帧图像中的车牌号的相似度大于第一相似度阈值。
10.如权利要求9所述的装置,其特征在于,M大于或等于3。
11.如权利要求9所述的装置,其特征在于,所述处理模块还用于:在所述任一帧图像中识别到新车辆时,判断所述新车辆的车牌和车身和所述任一帧图像之前的历史帧图像中另一车辆的车牌和车身是否满足第三预设条件;
如果是,则确定所述新车辆和所述历史帧图像中另一车辆为同一车辆。
12.如权利要求11所述的装置,其特征在于,所述第三预设条件包括:
所述另一车辆的车牌与所述新车辆的车牌出现的时间间隔在第一时间范围内;
所述另一车辆的车牌的位置与所述新车辆的车牌的位置的距离在第一距离范围内;
所述另一车辆的车牌号与所述新车辆的车牌号的相似度大于第二相似度阈值。
13.如权利要求11所述的装置,其特征在于,所述第一距离范围中的距离大小与所述第一时间范围中的时间大小正相关;所述第二相似度阈值的大小与所述第一时间范围中的时间大小正相关。
14.如权利要求11所述的装置,其特征在于,所述第一相似度阈值小于或等于所述第二相似度阈值。
15.一种电子设备,其特征在于,包括:
至少一个处理器,以及
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器用于执行所述存储器中的指令,以在执行所述指令时,使所述装置执行如权利要求1-7中任一项所述的方法。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911253538.2A CN111145555B (zh) | 2019-12-09 | 2019-12-09 | 一种检测车辆违章的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911253538.2A CN111145555B (zh) | 2019-12-09 | 2019-12-09 | 一种检测车辆违章的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111145555A true CN111145555A (zh) | 2020-05-12 |
CN111145555B CN111145555B (zh) | 2021-02-26 |
Family
ID=70517847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911253538.2A Active CN111145555B (zh) | 2019-12-09 | 2019-12-09 | 一种检测车辆违章的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145555B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862624A (zh) * | 2020-07-29 | 2020-10-30 | 浙江大华技术股份有限公司 | 车辆匹配方法、装置、存储介质及电子装置 |
CN112183528A (zh) * | 2020-09-23 | 2021-01-05 | 桂林电子科技大学 | 目标车辆跟踪的方法及其装置、***和计算机存储介质 |
CN112528747A (zh) * | 2020-11-13 | 2021-03-19 | 浙江大华技术股份有限公司 | 机动车掉头行为识别方法、***、电子装置和存储介质 |
CN112712708A (zh) * | 2020-12-28 | 2021-04-27 | 上海眼控科技股份有限公司 | 信息检测方法、装置、设备及存储介质 |
CN112820115A (zh) * | 2021-01-05 | 2021-05-18 | 四川铁投信息技术产业投资有限公司 | 一种行驶车辆转向状态识别方法 |
CN114038228A (zh) * | 2021-10-20 | 2022-02-11 | 深圳市捷顺科技实业股份有限公司 | 一种停车位引导的方法及装置 |
CN114897685A (zh) * | 2022-04-25 | 2022-08-12 | 深圳信路通智能技术有限公司 | 车辆图片融合方法、装置、计算机设备和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216996A (zh) * | 2007-12-28 | 2008-07-09 | 云南澜博科技有限公司 | 用视频监测车辆违法行为的方法 |
EP1962254A2 (en) * | 2007-02-13 | 2008-08-27 | Hitachi, Ltd. | In-vehicle apparatus for recognizing running environment of vehicle |
KR20100064011A (ko) * | 2008-12-04 | 2010-06-14 | 주식회사 케이티 | 불법 유턴 차량 단속 장치 및 그 방법 |
CN102201165A (zh) * | 2010-03-25 | 2011-09-28 | 北京汉王智通科技有限公司 | 交通路口车辆违章的监测***及方法 |
CN102289934A (zh) * | 2011-06-21 | 2011-12-21 | 陆化普 | 视频自动监控车辆违法越线行驶***及方法 |
CN102622884A (zh) * | 2012-03-22 | 2012-08-01 | 杭州电子科技大学 | 一种基于跟踪的车辆违章掉头行为检测方法 |
CN105632175A (zh) * | 2016-01-08 | 2016-06-01 | 上海微锐智能科技有限公司 | 车辆行为分析方法及*** |
CN106128096A (zh) * | 2016-06-29 | 2016-11-16 | 安徽金赛弗信息技术有限公司 | 一种机动车未按规定开启转向灯违章变道智能识别方法及其装置 |
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*** |
CN107688764A (zh) * | 2016-08-03 | 2018-02-13 | 浙江宇视科技有限公司 | 检测车辆违章的方法及装置 |
CN108847032A (zh) * | 2018-08-21 | 2018-11-20 | 北京深瞐科技有限公司 | 一种交通违法行为识别方法及装置 |
CN108986472A (zh) * | 2017-05-31 | 2018-12-11 | 杭州海康威视数字技术股份有限公司 | 一种掉头车辆监控方法及装置 |
-
2019
- 2019-12-09 CN CN201911253538.2A patent/CN111145555B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1962254A2 (en) * | 2007-02-13 | 2008-08-27 | Hitachi, Ltd. | In-vehicle apparatus for recognizing running environment of vehicle |
CN101216996A (zh) * | 2007-12-28 | 2008-07-09 | 云南澜博科技有限公司 | 用视频监测车辆违法行为的方法 |
KR20100064011A (ko) * | 2008-12-04 | 2010-06-14 | 주식회사 케이티 | 불법 유턴 차량 단속 장치 및 그 방법 |
CN102201165A (zh) * | 2010-03-25 | 2011-09-28 | 北京汉王智通科技有限公司 | 交通路口车辆违章的监测***及方法 |
CN102289934A (zh) * | 2011-06-21 | 2011-12-21 | 陆化普 | 视频自动监控车辆违法越线行驶***及方法 |
CN102622884A (zh) * | 2012-03-22 | 2012-08-01 | 杭州电子科技大学 | 一种基于跟踪的车辆违章掉头行为检测方法 |
CN105632175A (zh) * | 2016-01-08 | 2016-06-01 | 上海微锐智能科技有限公司 | 车辆行为分析方法及*** |
CN106128096A (zh) * | 2016-06-29 | 2016-11-16 | 安徽金赛弗信息技术有限公司 | 一种机动车未按规定开启转向灯违章变道智能识别方法及其装置 |
CN107688764A (zh) * | 2016-08-03 | 2018-02-13 | 浙江宇视科技有限公司 | 检测车辆违章的方法及装置 |
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*** |
CN108986472A (zh) * | 2017-05-31 | 2018-12-11 | 杭州海康威视数字技术股份有限公司 | 一种掉头车辆监控方法及装置 |
CN108847032A (zh) * | 2018-08-21 | 2018-11-20 | 北京深瞐科技有限公司 | 一种交通违法行为识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
贾永华 等: "一种基于车辆轨迹的交通违法行为检测方法", 《中国公共安全》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862624A (zh) * | 2020-07-29 | 2020-10-30 | 浙江大华技术股份有限公司 | 车辆匹配方法、装置、存储介质及电子装置 |
CN111862624B (zh) * | 2020-07-29 | 2022-05-03 | 浙江大华技术股份有限公司 | 车辆匹配方法、装置、存储介质及电子装置 |
CN112183528A (zh) * | 2020-09-23 | 2021-01-05 | 桂林电子科技大学 | 目标车辆跟踪的方法及其装置、***和计算机存储介质 |
CN112528747A (zh) * | 2020-11-13 | 2021-03-19 | 浙江大华技术股份有限公司 | 机动车掉头行为识别方法、***、电子装置和存储介质 |
CN112712708A (zh) * | 2020-12-28 | 2021-04-27 | 上海眼控科技股份有限公司 | 信息检测方法、装置、设备及存储介质 |
CN112820115A (zh) * | 2021-01-05 | 2021-05-18 | 四川铁投信息技术产业投资有限公司 | 一种行驶车辆转向状态识别方法 |
CN112820115B (zh) * | 2021-01-05 | 2021-11-23 | 四川铁投信息技术产业投资有限公司 | 一种行驶车辆转向状态识别方法 |
CN114038228A (zh) * | 2021-10-20 | 2022-02-11 | 深圳市捷顺科技实业股份有限公司 | 一种停车位引导的方法及装置 |
CN114897685A (zh) * | 2022-04-25 | 2022-08-12 | 深圳信路通智能技术有限公司 | 车辆图片融合方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111145555B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145555B (zh) | 一种检测车辆违章的方法和装置 | |
CN111274982B (zh) | 抛洒物的识别方法、装置及存储介质 | |
CN110532916B (zh) | 一种运动轨迹确定方法及装置 | |
CN107688764B (zh) | 检测车辆违章的方法及装置 | |
CN111666853B (zh) | 实时车辆违章检测方法、装置、设备及存储介质 | |
CN108074401B (zh) | 一种车辆加塞行为判别方法及装置 | |
CN107305627A (zh) | 一种车辆视频监控方法、服务器及*** | |
CN109427191B (zh) | 一种行驶检测方法及装置 | |
CN104574954A (zh) | 一种基于自由流***的车辆稽查方法、控制设备及*** | |
US11182983B2 (en) | Same vehicle detection device, toll collection facility, same vehicle detection method, and program | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
EP4020428A1 (en) | Method and apparatus for recognizing lane, and computing device | |
CN110942038A (zh) | 基于视觉的交通场景识别方法、装置、介质及电子设备 | |
CN113055823B (zh) | 一种基于路侧停车管理共享单车的方法及装置 | |
JP2010176302A (ja) | 車両検知装置、車両検知システム、車両検知装置の車両検知方法および車両検知プログラム | |
CN114925747A (zh) | 车辆异常行驶检测方法、电子设备、存储介质 | |
CN111914678A (zh) | 一种多车辆车牌匹配的方法、装置及存储介质 | |
CN114495520B (zh) | 一种车辆的计数方法、装置、终端和存储介质 | |
CN105654561A (zh) | 多车道自由流车辆匹配方法 | |
CN114155488A (zh) | 获取客流数据的方法、装置、电子设备以及存储介质 | |
CN110473405B (zh) | 行驶状态检测方法、装置、可读存储介质和电子设备 | |
CN109800684B (zh) | 一种视频中对象的确定方法及装置 | |
CN112447060A (zh) | 识别车道的方法、装置及计算设备 | |
CN111768630A (zh) | 一种违章废图检测方法、装置及电子设备 | |
CN110444026B (zh) | 车辆的触发抓拍方法及*** |
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 |