CN111523419A - 一种机动车尾气排放视频检测方法和装置 - Google Patents

一种机动车尾气排放视频检测方法和装置 Download PDF

Info

Publication number
CN111523419A
CN111523419A CN202010287635.XA CN202010287635A CN111523419A CN 111523419 A CN111523419 A CN 111523419A CN 202010287635 A CN202010287635 A CN 202010287635A CN 111523419 A CN111523419 A CN 111523419A
Authority
CN
China
Prior art keywords
vehicle
abnormal
video
exhaust emission
frame
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
Application number
CN202010287635.XA
Other languages
English (en)
Inventor
席方凯
王海峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jvsh Technology Co ltd
Original Assignee
Beijing Jvsh Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jvsh Technology Co ltd filed Critical Beijing Jvsh Technology Co ltd
Priority to CN202010287635.XA priority Critical patent/CN111523419A/zh
Publication of CN111523419A publication Critical patent/CN111523419A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种机动车尾气排放视频检测方法和装置，检测方法为：从视频图像中检测出车辆，然后选定车辆下方一定区域为检测区域，对检测区域栅格化，以像素数与像素值计算各栅格的平滑度，当栅格的平滑度满足设定条件时，输入训练好的卷积神经网络进行分类，统计尾气排放异常的栅格数量，计算排放异常的栅格占比，再统计所述车辆视频图像中出现排放异常的视频图像数量，计算排放异常的帧视频图像与车辆所在的所有帧视频图像的百分比，将百分比与百分比阈值进行比较，从而得出车辆排放是否异常。本方法能够检测行驶中车辆的尾气排放异常情况，确定车辆牌照与尾气排放的对应关系，实现尾气排放的简单快捷检测。

Description

一种机动车尾气排放视频检测方法和装置
技术领域
本发明涉及车辆尾气检测技术领域，尤其是涉及一种机动车尾气排放视频检测方法和装置。
背景技术
随着经济的发展，国内机动车保有量与日俱增，路上行驶的尾气排放不符合标准的车辆造成了严重的环境污染。目前的尾气检测方法，包括怠速法、工况法、遥感检测法，大都采用的是定点定时间仪器检测，遥感检测法采用红外光检测仪器，利用红外线测试原理，检测行驶中车辆排放污染物的浓度，识别出污染物排放严重超标的车辆，同时交车辆的牌照用摄像机拍摄下来。
这样的检测方法，一方面需要专门的仪器，另一方面，红外检测法中不仅仅需要检测仪器，还需要摄像机，而且还需要人工对应每个车辆的牌照与尾气排放的检测，消耗人力物力。
如何实现对车辆尾气的快速简单检测，是目前亟待解决的问题。
发明内容
本发明的目的是提供一种机动车尾气排放视频检测方法和装置，从视频图像中检测出车辆，然后在车辆下方一定区域内栅格化，计算各栅格的平滑度，当栅格的平滑度满足设定条件时，输入训练好的卷积神经网络进行分类，统计尾气排放异常的栅格数量，计算排放异常的栅格占比，再统计所述车辆视频图像中出现排放异常的视频图像数量，从而得出车辆排放是否异常。本方法能够检测行驶中车辆的尾气排放异常情况，确定车辆牌照与尾气排放的对应关系，实现尾气排放的简单快捷检测。
本发明的上述发明目的通过以下技术方案得以实现：
一种机动车尾气排放视频检测方法，包括以下步骤：
S1、采集视频图像；
S2、从视频图像中识别出车辆；
S3、对相邻帧视频图像中的车辆进行跟踪；
S4、在每一帧视频图像中车辆图像位置下方选定尾气检测区域，对检测区域栅格化，检查栅格块尾气排放异常的数目，判断尾气排放是否正常；
S5、统计出现尾气排放异常的帧数占比，判断是否排放异常。
本发明进一步设置为：步骤S2中，从每帧视频图像中，标记车辆的位置和置信度，采用深度学习方法对每帧视频图像进行车辆识别，检测出帧视频图像中的车辆、车辆位置。
本发明进一步设置为：深度学习方法包括faster-rcnn算法、ssd算法。
本发明进一步设置为：步骤S4中，采用最近邻方法，对检测到的车辆进行跟踪，分别计算前后两帧图像中车辆所占面积比例，根据比例判断前后两帧视频图像中的车辆是否相关联，对相关联的车辆进行跟踪。
本发明进一步设置为：计算前后两帧视频图像中车辆的位置交叉面积，当交叉面积大于面积阈值时，判断前后两帧视频图像中的车辆相关联。
本发明进一步设置为：步骤S4中，对同一检测车辆进行判断，包括以下步骤：
步骤S4中，对同一检测车辆进行判断，包括以下步骤：
W1、j＝1；
W2、在第j帧视频图像中检测车辆位置下方选定尾气检测区域；
W3、对尾气检测区域进行栅格化，分为M×N个栅格块；
W4、i＝1；
W5、计算第i个栅格块的平滑度，即灰度值方差，判断灰度值方差是否小于灰度设定值，若是，进入下一步，若否，转W7；
W6、将第i个栅格块输入训练好的卷积神经网络进行分类，输出判断结果，若判断结果为正常，进入下一步，若判断结果为异常，转W9；
W7、i＝i+1；
W8、判断i是否大于(M×N)，若否，转W5，若是，转W10；
W9、统计尾气异常的栅格块数量，转W7；
W10、计算尾气异常栅格块数量与总栅格块数量的第一占比；
W11、判断第一占比是否大于占比阈值，若是，进入下一步，若否，转W13；
W12、统计尾气排放异常的帧数量；
W13、j＝j+1；
W14、判断j是否大于S，若否，转W2，若是，进入下一步；
W15、结束；
其中M、N是大于等于2的正整数，S表示所有包含检测车辆的帧图像总数量。
本发明进一步设置为：步骤W1中，尾气检测区域为图像中车辆所在位置下方的区域，区域范围的宽度与车辆范围的宽度相同，其高度小于车辆范围高度。
本发明进一步设置为：区域范围的高度等于车辆范围高度的一半。
本发明进一步设置为：步骤S5中，统计检测车辆排放异常的帧数量、所有包含检测车辆的帧图像总数量S，计算第一帧数量与所有帧总数量的百分比，若百分比大于百分比阈值，则判断所述车辆尾气排放异常。
本发明的上述发明目的还通过以下技术方案得以实现：
一种机动车尾气排放视频检测装置，包括视频图像获取模块、车辆检测模块、车辆跟踪模块、尾气检测模块，视频图像获取模块用于获取视频图像；车辆检测模块用于识别各帧视频图像中的车辆；车辆跟踪模块用于根据前后两帧视频图像中车辆所占面积，对检测车辆进行跟踪，找到所有包含检测车辆的帧视频图像；尾气检测模块用于根据检测车辆的位置，划定尾气检测区域，对检测区域栅格化，计算各栅格的灰度值方差，并判断灰度值方差是否小于方差阈值，将灰度值方差小于方差阈值的栅格输入训练好的卷积神经网络进行分类，输出栅格是否存在尾气排放异常结果，计算尾气排放异常的栅格占总栅格数的占比，获得尾气排放异常的帧视频数量，与所有包含检测车辆的帧视频图像数量进行计算，得到百分比，百分比大于百分比阈值时，判断该检测车辆尾气排放异常。
与现有技术相比，本发明的有益技术效果为：
1.本申请通过在视频图像中检测出车辆，为车辆尾气排放检测提供了依据；
2.进一步地，本申请通过选定图像中车辆位置下方的区域为尾气检测区域，并对该区域栅格化，数字化分析检测区域，提高分析的准确性；
3.进一步地，本申请通过对栅格的平滑度计算，将满足平滑度条件的栅格输入训练好的卷积神经网络进行分类，实现了对栅格的科学分析；
4.进一步地，本申请通过统计栅格异常的占比，获得检测区域是否异常的结果，从而实现对尾气排放异常的判断；
5.进一步地，本申请通过统计排放异常的视频图像数量，从而得出车辆是否尾气排放异常，实现对车辆尾气的检测；
6.本申请的装置，采用排放异常的视频图像检测方法，实现对车辆尾气排放的快捷检测，减少了检测仪器，提高了检测效率。
附图说明
图1是本发明的一个具体实施例的检测方法流程示意图；
图2是本发明的一个具体实施例的同一车辆的检测方法流程示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
具体实施例一
本发明的一种机动车尾气排放视频检测方法，如图1所示，包括以下步骤：
S1、采集视频图像；
S2、从视频图像中识别出车辆；
S3、对相邻帧视频图像中的车辆进行跟踪；
S4、在每一帧视频图像中车辆图像位置下方选定尾气检测区域，对检测区域栅格化，检查栅格块尾气排放异常的数目，判断尾气排放是否正常；
S5、统计出现尾气排放异常的帧数占比，判断是否排放异常。
通过
在高速公路收费处或卡口，采集过往车辆的视频图像，对基于视频图像，先进行图像中车辆的识别，对于识别的车辆进行追踪，对识别到的车辆所在的每一帧视频图像，进行尾气排放检测，然后根据在所有帧视频图像中车辆的尾气排放情况，判断识别到的车辆的尾气排放是否异常。
具体地，在每一帧视频图像中，标记车辆的位置和置信度，采用多种深度学习方法对每帧视频图像进行车辆识别，检测出帧视频图像中的车辆、车辆位置，深度学习方法包括faster-rcnn算法、ssd算法。
在本申请的一个具体实施例中，采用faster-rcnn算法，进行车辆检测，包括以下步骤：
A1、将整张图片输入卷积神经网络CNN，经过运算，得到特征图(feature map)；
A2、将卷积特征输入到区域建议网络RPN(Region Proposal Network)，得到候选框的特征信息；
A3、对候选框中提取出的特征，使用分类器判别是否属于一个特定类；
A4、对于属于某一特征的候选框，用回归法进一步调整其位置。
在本申请的另一个具体实施例中，采用ssd算法，改进后进行车辆检测，包括：
B1、使用6个不同特征图检测不同尺度的目标，低层预测小目标，高层预测大目标，能够实现同时检测较小和较大的目标。
B2、设置多种宽高比的特征图(default box)：在特征图的每个像素点处，生成不同宽高比的特征图default box(anchor box),具体地，设置宽高比为{1,2,3,1/2,1/3}中的一种。假设每个像素点有k个特征图，需要对每个特征图进行分类和回归，其中用于分类的卷积核个数为ck(c表示类别数)，回归的卷积核个数为4k。
B3、使用两种数据增强的方式：
B31放大操作:随机簇(crop)、片(patch)与任意一个目标的IOU为0.1,0.3,0.5,0.7,0.9，每个patch的大小为原图大小的[0.1,1],宽高比在1/2到2之间，能够生成更多的尺度较大的目标；
B32缩小操作:首先创建16倍原图大小的画布，然后将原图放置其中，然后随机簇(crop)，能够生成更多尺度较小的目标。
检测到视频图像中的车辆后，对车辆进行追踪，查找该车辆所有的视频图像，根据比例判断前后两帧视频图像中的车辆是否相关联，对相关联的车辆进行跟踪，从中找到该车辆的轨迹。
采用最近邻方法，对检测到的车辆进行跟踪，分别计算前后两帧图像中车辆所占面积比例，若满足下式则进行关联跟踪：
Rect1∩Rect2>R*min(Area1,Area2)
式中，Area1表示在第一帧的面积，Area2表示在第二帧的面积，不等式左边为前后两帧车辆的位置交叉面积，R 为常数。
在本申请的一个具体实施例中，R 的取值为0.6。
计算前后两帧视频图像中车辆的位置交叉面积，当交叉面积大于面积阈值时，判断前后两帧视频图像中的车辆相关联。
识别出视频图像中的车辆，并对车辆进行跟踪后，找到车辆所在的所有视频图像，对每一帧视频图像进行尾气排放的检测，分析所述的所有帧视频图像中尾气排放异常的数量占比，如果尾气排放异常的占比大于设定阈值，则判断该车辆为尾气排放异常车辆，否则则判断国正常排放。
具体地，对同一检测车辆尾气排放进行判断，如图2所示，包括以下步骤：
步骤S4中，对同一检测车辆进行判断，包括以下步骤：
W1、j＝1；
W2、在第j帧视频图像中检测车辆位置下方选定尾气检测区域；
W3、对尾气检测区域进行栅格化，分为M×N个栅格块；
W4、i＝1；
W5、计算第i个栅格块的平滑度，即灰度值方差，判断灰度值方差是否小于灰度设定值，若是，进入下一步，若否，转W7；
W6、将第i个栅格块输入训练好的卷积神经网络进行分类，输出判断结果，若判断结果为正常，进入下一步，若判断结果为异常，转W9；
W7、i＝i+1；
W8、判断i是否大于(M×N)，若否，转W5，若是，转W10；
W9、统计尾气异常的栅格块数量，转W7；
W10、计算尾气异常栅格块数量与总栅格块数量的第一占比；
W11、判断第一占比是否大于占比阈值，若是，进入下一步，若否，转W13；
W12、统计尾气排放异常的帧数量；
W13、j＝j+1；
W14、判断j是否大于S，若否，转W2，若是，进入下一步；
W15、结束；
其中M、N是大于等于2的正整数，S表示所有包含检测车辆的帧图像总数量。
步骤W1中，尾气检测区域选定图像中车辆所在位置下方的区域为尾气检测区域，尾气检测区域的宽度与车辆范围的宽度相同，其高度小于车辆所在位置区域的高度，标记尾气检测区域为Rect。
具体地，尾气检测区域范围的高度等于车辆范围高度的一半。
将每帧图像的尾气检测区域进行栅格化，在本申请的一个具体实施例中，按照各级等比进行，划分为M*M块。
以各栅格内的像素数与像素值，计算每一块的平滑度，即灰度值方差S2，计算公式如下：
Figure BDA0002449128740000101
式中，n表示每块中的像素个数，xi表示第i个像素点的像素值，
Figure BDA0002449128740000102
表示该块区域内的像素平均值。
若该块的灰度值方差S2小于设定灰度方差阈值T，则将该块输入训练好的卷积神经网络进行分类，如果判断为异常，则说明该块尾气排放异常。
在本申请的一个具体实施例中，采用mobilenet模型进行训练分类，训练结果分为2类，即尾气排放正常类、异常类。
统计各帧视频图像中尾气排放异常的块数量P，计算尾气排放异常的块数量占总数量M*M的占比K，如果占比K大于设定占比阈值K1，则判断该车辆在该帧视频图像中的尾气排放异常。
对于该车辆所在的所有帧视频图像都进行相同的计算，得到每一帧的尾气排放结果。
统计视频图像中尾气排放异常的帧数量Q，设所述车辆所在的所有帧视频图像总数量为S，计算Q与S的比值Q1，若比值Q1大于帧占比阈值K2，则判断该车辆尾气排放异常。
在本申请的一个具体实施例中，K1、K2的取值大于0.5。取值越大，准确度越高。
具体实施例二
本申请的一种机动车尾气排放视频检测装置，包括视频图像获取模块、车辆检测模块、车辆跟踪模块、尾气检测模块，视频图像获取模块用于获取视频图像；车辆检测模块用于识别各帧视频图像中的车辆；车辆跟踪模块用于根据前后两帧视频图像中车辆所占面积，对检测车辆进行跟踪，找到所有包含检测车辆的帧视频图像；尾气检测模块用于根据检测车辆的位置，划定尾气检测区域，对检测区域栅格化，以各栅格内的像素数与像素值计算各栅格的灰度值方差，并判断灰度值方差是否小于方差阈值，将灰度值方差小于方差阈值的栅格输入训练好的卷积神经网络进行分类，输出结果分为栅格尾气排放异常或正常的判断结果；计算尾气排放异常的栅格占总栅格数的占比，对占比大于设定占比阈值的帧视频图像，判定为尾气排放异常；统计该车辆的所有尾气排放的帧视频图像数据，与所有包含检测车辆的帧视频图像数量进行计算，得到百分比，百分比大于百分比阈值时，判断该检测车辆尾气排放异常。
本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (10)

1.一种机动车尾气排放视频检测方法，其特征在于：包括以下步骤：
S1、采集视频图像；
S2、从视频图像中识别出车辆；
S3、对相邻帧视频图像中的车辆进行跟踪；
S4、在每一帧视频图像中车辆图像位置下方选定尾气检测区域，对检测区域栅格化，检查栅格块尾气排放异常的数目，判断尾气排放是否正常；
S5、统计出现尾气排放异常的帧数占比，判断是否排放异常。
2.根据权利要求1所述机动车尾气排放视频检测方法，其特征在于：步骤S2中，从每帧视频图像中，标记车辆的位置和置信度，采用深度学习方法对每帧视频图像进行车辆识别，检测出帧视频图像中的车辆、车辆位置。
3.根据权利要求2所述机动车尾气排放视频检测方法，其特征在于：深度学习方法包括faster-rcnn算法、ssd算法。
4.根据权利要求1所述机动车尾气排放视频检测方法，其特征在于；步骤S4中，采用最近邻方法，对检测到的车辆进行跟踪，分别计算前后两帧图像中车辆所占面积比例，根据比例判断前后两帧视频图像中的车辆是否相关联，对相关联的车辆进行跟踪。
5.根据权利要求4所述机动车尾气排放视频检测方法，其特征在于：计算前后两帧视频图像中车辆的位置交叉面积，当交叉面积大于面积阈值时，判断前后两帧视频图像中的车辆相关联。
6.根据权利要求1所述机动车尾气排放视频检测方法，其特征在于：
步骤S4中，对同一检测车辆尾气排放进行判断，包括以下步骤：
W1、j＝1；
W2、在第j帧视频图像中检测车辆位置下方选定尾气检测区域；
W3、对尾气检测区域进行栅格化，分为M×N个栅格块；
W4、i＝1；
W5、计算第i个栅格块的平滑度，即灰度值方差，判断灰度值方差是否小于灰度设定值，若是，进入下一步，若否，转W7；
W6、将第i个栅格块输入训练好的卷积神经网络进行分类，输出判断结果，若判断结果为正常，进入下一步，若判断结果为异常，转W9；
W7、i＝i+1；
W8、判断i是否大于(M×N)，若否，转W5，若是，转W10；
W9、统计尾气异常的栅格块数量，转W7；
W10、计算尾气异常栅格块数量与总栅格块数量的第一占比；
W11、判断第一占比是否大于占比阈值，若是，进入下一步，若否，转W13；
W12、统计尾气排放异常的帧数量；
W13、j＝j+1；
W14、判断j是否大于S，若否，转W2，若是，进入下一步；
W15、结束；
其中M、N是大于等于2的正整数，S表示所有包含检测车辆的帧图像总数量。
7.根据权利要求6所述机动车尾气排放视频检测方法，其特征在于：步骤W1中，尾气检测区域为图像中车辆所在位置下方的区域，区域范围的宽度与车辆范围的宽度相同，其高度小于车辆范围高度。
8.根据权利要求7所述机动车尾气排放视频检测方法，其特征在于：区域范围的高度等于车辆范围高度的一半。
9.根据权利要求1所述机动车尾气排放视频检测方法，其特征在于：步骤S5中，统计检测车辆排放异常的帧数量、所有包含检测车辆的帧图像总数量S，计算第一帧数量与所有帧总数量的百分比，若百分比大于百分比阈值，则判断所述车辆尾气排放异常。
10.一种机动车尾气排放视频检测装置，其特征在于：包括视频图像获取模块、车辆检测模块、车辆跟踪模块、尾气检测模块，视频图像获取模块用于获取视频图像；车辆检测模块用于识别各帧视频图像中的车辆；车辆跟踪模块用于根据前后两帧视频图像中车辆所占面积，对检测车辆进行跟踪，找到所有包含检测车辆的帧视频图像；尾气检测模块用于根据检测车辆的位置，划定尾气检测区域，对检测区域栅格化，计算各栅格的灰度值方差，并判断灰度值方差是否小于方差阈值，将灰度值方差小于方差阈值的栅格输入训练好的卷积神经网络进行分类，输出栅格是否存在尾气排放异常结果，计算尾气排放异常的栅格占总栅格数的占比，获得尾气排放异常的帧视频数量，与所有包含检测车辆的帧视频图像数量进行计算，得到百分比，百分比大于百分比阈值时，判断该检测车辆尾气排放异常。
CN202010287635.XA 2020-04-13 2020-04-13 一种机动车尾气排放视频检测方法和装置 Pending CN111523419A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010287635.XA CN111523419A (zh) 2020-04-13 2020-04-13 一种机动车尾气排放视频检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010287635.XA CN111523419A (zh) 2020-04-13 2020-04-13 一种机动车尾气排放视频检测方法和装置

Publications (1)

Publication Number Publication Date
CN111523419A true CN111523419A (zh) 2020-08-11

Family

ID=71902325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010287635.XA Pending CN111523419A (zh) 2020-04-13 2020-04-13 一种机动车尾气排放视频检测方法和装置

Country Status (1)

Country Link
CN (1) CN111523419A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396611A (zh) * 2020-10-27 2021-02-23 武汉理工大学 一种点线视觉里程计自适应优化方法、装置及存储介质
CN112798552A (zh) * 2020-12-30 2021-05-14 安徽宝龙环保科技有限公司 一种尾气遥测***以及方法
CN114155241A (zh) * 2022-01-28 2022-03-08 浙江华睿科技股份有限公司 一种异物检测方法、装置及电子设备
CN117112867A (zh) * 2023-10-24 2023-11-24 四川国蓝中天环境科技集团有限公司 一种基于gps轨迹数据的重型车辆排放计算和可视化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116985A (zh) * 2013-01-21 2013-05-22 信帧电子技术（北京）有限公司 一种违章停车检测方法和装置
CN105744268A (zh) * 2016-05-04 2016-07-06 深圳众思科技有限公司 摄像头遮挡检测方法及装置
CN105828065A (zh) * 2015-01-08 2016-08-03 ***通信集团浙江有限公司 一种视频画面过曝检测方法及装置
CN108921147A (zh) * 2018-09-03 2018-11-30 东南大学 一种基于动态纹理和变换域时空特征的黑烟车识别方法
CN109190444A (zh) * 2018-07-02 2019-01-11 南京大学 一种基于视频的收费车道车辆特征识别***的实现方法
CN109993098A (zh) * 2019-03-26 2019-07-09 南京新远见智能科技有限公司 城市车辆黑烟智能识别大数据分析***及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116985A (zh) * 2013-01-21 2013-05-22 信帧电子技术（北京）有限公司 一种违章停车检测方法和装置
CN105828065A (zh) * 2015-01-08 2016-08-03 ***通信集团浙江有限公司 一种视频画面过曝检测方法及装置
CN105744268A (zh) * 2016-05-04 2016-07-06 深圳众思科技有限公司 摄像头遮挡检测方法及装置
CN109190444A (zh) * 2018-07-02 2019-01-11 南京大学 一种基于视频的收费车道车辆特征识别***的实现方法
CN108921147A (zh) * 2018-09-03 2018-11-30 东南大学 一种基于动态纹理和变换域时空特征的黑烟车识别方法
CN109993098A (zh) * 2019-03-26 2019-07-09 南京新远见智能科技有限公司 城市车辆黑烟智能识别大数据分析***及方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396611A (zh) * 2020-10-27 2021-02-23 武汉理工大学 一种点线视觉里程计自适应优化方法、装置及存储介质
CN112396611B (zh) * 2020-10-27 2024-02-13 武汉理工大学 一种点线视觉里程计自适应优化方法、装置及存储介质
CN112798552A (zh) * 2020-12-30 2021-05-14 安徽宝龙环保科技有限公司 一种尾气遥测***以及方法
CN114155241A (zh) * 2022-01-28 2022-03-08 浙江华睿科技股份有限公司 一种异物检测方法、装置及电子设备
CN117112867A (zh) * 2023-10-24 2023-11-24 四川国蓝中天环境科技集团有限公司 一种基于gps轨迹数据的重型车辆排放计算和可视化方法
CN117112867B (zh) * 2023-10-24 2024-01-09 四川国蓝中天环境科技集团有限公司 一种基于gps轨迹数据的重型车辆排放计算和可视化方法

Similar Documents

Publication Publication Date Title
CN111523419A (zh) 一种机动车尾气排放视频检测方法和装置
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
CN108681693B (zh) 基于可信区域的车牌识别方法
Pamula Road traffic conditions classification based on multilevel filtering of image content using convolutional neural networks
CN109033950B (zh) 基于多特征融合级联深度模型的车辆违停检测方法
CN109977782B (zh) 基于目标位置信息推理的跨店经营行为检测方法
CN104751634B (zh) 高速公路隧道行车图像采集信息的综合应用方法
CN109887283B (zh) 一种基于卡口数据的道路拥堵预测方法、***及装置
CN104700099A (zh) 识别交通标志的方法和装置
CN116310785B (zh) 基于YOLO v4的无人机影像路面病害检测方法
CN111898491B (zh) 一种车辆逆向行驶的识别方法、装置及电子设备
CN113011331B (zh) 机动车是否礼让行人的检测方法、装置、电子设备及介质
CN106934374A (zh) 一种雾霾场景中交通标识牌的识别方法及***
CN114170580A (zh) 一种面向高速公路的异常事件检测方法
Xiang et al. Lightweight fully convolutional network for license plate detection
CN112289022B (zh) 基于时空背景比对的黑烟车检测判定方法及***
CN110674887A (zh) 一种基于视频分类的端到端道路拥堵检测算法
CN115170611A (zh) 一种复杂交叉路口车辆行驶轨迹分析方法、***及应用
CN113205107A (zh) 一种基于改进高效率网络的车型识别方法
CN107862341A (zh) 一种车辆检测方法
CN114842285A (zh) 路侧泊位号码识别方法以及装置
Thomas et al. Smart car parking system using convolutional neural network
CN112418020A (zh) 一种基于注意力机制的YOLOv3违法广告牌智能检测方法
CN116363426A (zh) 公路防眩板健康状态自动检测方法
CN110765900A (zh) 一种基于dssd的自动检测违章建筑方法及***

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