CN111582253B - 基于事件触发的车牌跟踪识别方法 - Google Patents

基于事件触发的车牌跟踪识别方法 Download PDF

Info

Publication number
CN111582253B
CN111582253B CN202010563999.6A CN202010563999A CN111582253B CN 111582253 B CN111582253 B CN 111582253B CN 202010563999 A CN202010563999 A CN 202010563999A CN 111582253 B CN111582253 B CN 111582253B
Authority
CN
China
Prior art keywords
license plate
tracking
frame
vehicle
trigger
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010563999.6A
Other languages
English (en)
Other versions
CN111582253A (zh
Inventor
杨磊
邱国庆
魏敦楷
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.)
Shanghai Keygo Technologies Co ltd
Original Assignee
Shanghai Keygo Technologies 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 Shanghai Keygo Technologies Co ltd filed Critical Shanghai Keygo Technologies Co ltd
Priority to CN202010563999.6A priority Critical patent/CN111582253B/zh
Publication of CN111582253A publication Critical patent/CN111582253A/zh
Application granted granted Critical
Publication of CN111582253B publication Critical patent/CN111582253B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • G06V20/63—Scene text, e.g. street names
    • 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
    • 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

Landscapes

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

Abstract

一种基于事件触发的车牌跟踪识别方法，在触发时刻对触发帧进行车辆检测和车牌提取获得车辆坐标或车牌区域并进行目标车辆判断，然后以目标车辆的车牌质量评价是否超指定阈值为条件启动视频流跟踪，再对跟踪得到的视频流中的目标车辆区域进行车牌区域判断，最后通过识别投票得到最终识别的车牌。本发明通过在视频流中以触发帧为基准双向同时逐帧解码和车辆车牌跟踪识别，有效减少截取视频流长度并提高了跟踪识别的效率；根据跟踪的车牌，综合置信度和投票机制，避免了某些场景下单帧车牌质量差的情况。

Description

基于事件触发的车牌跟踪识别方法
技术领域
本发明涉及的是一种智能交通控制领域的技术，具体是一种基于事件触发的车牌跟踪识别方法。
背景技术
车牌识别场景主要分为静态场景和动态场景。静态场景主要见于停车场卡口、小区物业登记等，车牌清晰且尺寸固定，识别情况较好；动态场景常见于交通领域的各种事件触发抓拍，如闯红灯抓拍、鸣笛抓拍和测速抓拍等，由于抓拍过程中由模糊、遮挡、阴影、过曝等影响，导致的单帧触发的车牌质量较低，严重影响车牌的抓取率和车牌的识别精度。
现有基于视频流的车牌识别方法或计算量大效果不稳定或消耗资源大准确度低，均难以满足高速大量场景下的交通管理需求。
发明内容
本发明针对现有基于触发事件的车牌识别方法，由于模糊、遮挡、阴影、过曝导致的抓取率低和识别率低的情况不足，提出一种基于事件触发的车牌跟踪识别方法，通过在视频流中以触发帧为基准，以触发目标车辆为跟踪目标，双向同时逐帧解码、车辆跟踪和车牌检测识别，有效减少截取视频流长度并提高了跟踪识别的效率；根据一系列候选车牌，采用置信度加权的投票机制，避免了某些场景下单帧车牌质量差的情况。
本发明是通过以下技术方案实现的：
本发明涉及一种基于事件触发的车牌跟踪识别方法，在触发时刻对触发帧进行车辆检测和车牌提取获得车辆坐标或车牌区域并进行目标车辆判断，然后以目标车辆的车牌质量评价是否超指定阈值为条件启动视频流跟踪，再对跟踪得到的视频流中的目标车辆区域进行车牌区域判断，最后通过识别投票得到最终识别的车牌。
所述的触发的事件包括但不限于：车辆行驶过程中鸣笛大于限定分贝、在指定限速路段超速行驶通过或在红绿灯路口红灯亮起时闯红灯行驶。
所述的车辆检测和车牌提取是指：通过卷积神经网络对图像做车辆区域检测和车牌区域检测，其检测结果表示为车辆坐标或车牌区域在图像上的左上角点坐标和区域长宽。
所述的目标车辆判断是指：事件触发时采用鸣笛抓拍中通过麦克风阵列声源定位鸣笛声源坐标距离最近的车辆坐标、采用压力传感器判断红灯亮时触发的闯红灯车辆坐标或者采用雷达测速判断区间形式超速的车辆坐标。
所述的车牌质量评价包括：车辆触发位置评价和车牌质量评价，其中：车辆触发位置质量由触发地离摄像头距离和触发帧车辆与其余车辆的坐标位置决定，车牌质量由车牌的长宽比、尺寸、清晰度和照度决定，具体为：
Figure BDA0002547127710000021
其中：Qplace和Qplate分别指触发目标车辆的位置评级和车牌质量评价，qdist为触发点到摄像头距离评价，qiou为目标车辆与其余车辆的交并比评价，qratio为车牌长宽比评价，qsize为车牌尺寸评价，qgrad为车牌清晰度评价，qgray为车牌光照度评价，pdist、piou、pratio、psize、pgrad、pgray为相应的评价权重，由实际实验经验获得。
所述的条件启动是指：当车牌质量评价高于指定阈值时直接输出车辆检测和车牌提取的识别结果，循环神经网络识别输出的车牌号码和置信度，否则启动视频流跟踪。
所述的视频流跟踪是指：以触发帧作为基准，以目标车辆为跟踪目标，同时取视频流中触发帧的前、后若干帧进行逐帧解码跟踪直至跟踪目标消失，得到视频流中的目标车辆区域。
所述的逐帧解码跟踪是指：在触发帧的目标车辆进行特征提取，在下一帧跟踪帧中以上一帧的目标车辆区域为中心点，设定搜索区域并寻找一个最佳匹配的位置，当最大匹配度大于指定阈值则跟踪成功并继续下一帧的跟踪，其中：下一帧是指触发帧的前向下一帧或后向下一帧，上一帧是指触发帧的前向上一帧或后向上一帧。
所述的车牌区域判断是指：对视频流中的目标车辆区域通过卷积神经网络进行车牌区域检测，得到车牌位置的左上角点坐标和到车牌区域宽高。
所述的识别投票是指：对车牌区域判断得到的视频流中一系列车牌区域，通过循环神经网络进行识别并得到对应的一系列车牌号及其置信度，通过多帧车牌识别投票和置信度加权得到最终识别的车牌，具体为：根据每帧车牌号的识别结果
Figure BDA0002547127710000022
统计每一位的字符在所有跟踪帧中对应位出现的概率
Figure BDA0002547127710000023
其中：N为跟踪的帧数，
Figure BDA0002547127710000024
为第j帧的车牌号的第i位字符，每帧中每一位车牌号的投票结果
Figure BDA0002547127710000025
为第j帧的车牌号的第i位字符的置信度，累计得到车牌号的总投票分数
Figure BDA0002547127710000026
M为车牌号的长度。
本发明涉及一种实现上述方法的***，包括：触发判断单元、质量评价单元、双向跟踪单元以及最优选取单元，其中：触发判断单元和双向跟踪单元分别与摄像头相连，触发判断单元通过触发机制判断出触发帧中的目标车辆并输出至质量评价单元，质量评价单元对目标车辆进行车牌提取和质量评价，并在质量评价达标时将检测得到的车牌识别号输出，否则进入双向跟踪单元，双向跟踪单元以触发帧为基准从前后两个方向对视频流进行目标车辆跟踪，得到视频流中的目标车辆区域并输出至最优选取单元，最优选取单元分别对跟踪到的车辆区域进行车牌区域检测和车牌号识别，通过车牌号和置信度的投票加权机制选取最优识别车牌。
技术效果
本发明整体解决了现有技术中基于事件触发的车牌识别，由于模糊、遮挡、阴影、过曝等情况，导致车牌抓取率低和车牌识别准确率率低；基于视频流的触发跟踪识别，无法确定视频流起始位置和长度，且无法单目标跟踪，跟踪效率低的问题。
与现有技术相比，本发明能够显著提高模糊、遮挡、阴影、过曝等情况下的车牌抓取率和识别率；本发明车牌识别结果综合车辆位置、车牌质量和识别结果投票指标评价，提高识别准确率；跟踪识别采用触发帧做起始帧且触发时确定目标车辆来单目标跟踪，提高跟踪效率。
附图说明
图1为本发明***示意图；
图2为本发明方法流程图；
图3为实施例车辆双向跟踪示意图。
具体实施方式
如图1、图2和图3所示，本实施例以鸣笛部署点位为例，选取触发前后保存的一段2.680s的h264视频(共67帧)，本实施例触发时刻车牌识别方法具体包括以下步骤：
1)鸣笛触发，获取触发帧
Figure BDA0002547127710000031
和触发点声源坐标(xtri,ytri)，对触发帧进行卷积神经网络车辆检测，得到坐标形式的车辆区域(xi,yi,wi,hi)，计算车辆区域的中心点到触发点声源坐标之间的距离，并以距离最近的车辆区域作为目标车辆区域，即
Figure BDA0002547127710000032
其中：触发点声源坐标(xtri,ytri)，触发帧的车辆坐标(xi,yi,wi,hi)。
所述的卷积神经网络车辆检测和车牌检测是指：采用包括但不限于yolo v2、yolov3、SSD等深度卷积神经网络，对图片做车辆区域检测。
所述的触发点声源坐标的获取方式为：通过对麦克风阵列采集的声信号进行实时鸣笛识别，当判定鸣笛发生，则采用波束成型算法(Beamforming)进行实时声源定位，获取声源坐标。
2)对目标车辆区域采用卷积神经网络进行车牌检测，得到车牌区域、位置评价、长宽比度量、尺寸度量、梯度度量和光照度量，进一步综合评价得到质量评价分数。
所述的综合评价得到质量评价分数是指：
Figure BDA0002547127710000041
其中：qdist为触发点到摄像头距离评价，qiou为目标车辆与其余车辆的交并比评价，qratio为车牌长宽比评价，qsize为车牌尺寸评价，qgrad为车牌清晰度评价，qgray为车牌光照度评价，pdist、piou、pratio、psize、pgrad、pgray为相应的评价权重，由实际实验经验获得。
所述的位置评价包括：触发点到摄像头距离距离评价qdist和交并比度量qiou，其中：
Figure BDA0002547127710000042
(xtri,ytri)和(xcam,ycam)分别为触发点和相机坐标，(w,h)为图像长宽；
Figure BDA0002547127710000043
和
Figure BDA0002547127710000044
分别为触发帧目标车辆与其余车辆的面积。
所述的长宽比度量
Figure BDA0002547127710000045
其中：wnet和hnet为车牌识别网络输入尺寸，wi和h为检测到的车牌尺寸。
所述的尺寸度量
Figure BDA0002547127710000046
wi和hi为检测到的车牌尺寸。
所述的梯度度量
Figure BDA0002547127710000047
其中：grad为车牌区域图像的x和y方向的平方和均值。
所述的光照度量
Figure BDA0002547127710000048
其中：grayi为车牌区域图像的灰度均值。
3)当触发帧的目标车辆的车牌质量综合评价分数是否大于指定阈值则直接对步骤二的目标车辆的车牌图像进行卷积神经网络识别并输出识别得到的车牌结果，否则进入步骤4进行跟踪识别流程。
所述的指定阈值，优选范围为：qdist,qiou,qratio,qsize,qgrad,qgray∈(0,1)，每项评价函数越靠近1表明车牌质量越好，根据实验获取较好的一个权重系数：pdist,pratio为0.2，piou,psize,pgrad,pgray为0.15，优选范围为0.75～1，越靠近1车牌质量越好，0.75作为车牌质量是否达标判断阈值。
4)以触发帧为基准，同时进行反向跟踪和正向跟踪，得到…帧跟踪结果。
所述的正向跟踪是指：以时间正向逐帧解码，t+1帧解码后跟踪目标车辆，当跟踪到目标则继续解码跟踪t+2帧，当跟踪目标消失，则停止跟踪，得到t+1，t+2，…帧跟踪结果。
所述的反向跟踪是指：以时间反向逐帧解码，t-1帧解码后跟踪目标车辆，当跟踪到目标则继续解码跟踪t-2帧，当跟踪目标消失，则停止跟踪，得到t-1，t-2，…帧跟踪结果。
所述的解码是指：高清相机实时监控，数据是以h264的视频流格式，从视频流中取出RGB图片需要采用h264解码。
所述的跟踪目标车辆是指：以触发帧的目标车辆作为跟踪目标，采用包括但不限于DCF、KCF和TLD等算法，在下一帧跟踪帧中寻找一个最佳匹配的位置，当最大匹配度大于指定阈值则跟踪成功，继续下一帧的跟踪。否则跟踪停止。
所述的跟踪结果包括：对应每帧的车辆区域，形式为(xi,yi,wi,hi)，分别表示左上角点坐标和宽高。
5)对跟踪到的一系列车辆区域，依次逐帧采用卷积神经网络进行车牌检测得到车牌区域，再对每帧得到的车牌区域采用循环神经网络进行车牌号检测得到车牌号和置信度；
所述的循环神经网络是指：循环神经网络可以包括但不限于长短期记忆网络(LSTM)、双向长短期记忆网络(Bi-LSTM)、深层循环神经网络(DRNN)及其与其他神经网络复合所形成的复合神经网络。
6)对步骤4和5得到的视频流中每帧车牌识别结果(包括车牌号和置信度)，进行置信度加权的投票机制判断，选取最优车牌识别结果为最终的识别结果。
所述的置信度加权的投票机制判断是指，对步骤4和5得到的每帧车牌识别结果进行投票加权，
Figure BDA0002547127710000051
其中：M为车牌号长度，N为跟踪帧长度，i和j分别为第j帧识别结果中的第i位字符，
Figure BDA0002547127710000052
为第j帧的车牌号的第i位字符，其中
Figure BDA0002547127710000053
为第j帧的车牌号的第i位字符的置信度。
经过具体实际实验，在NVIDIA开发板TX2 8G的具体环境设置下，选取一段2.68s的h264视频，共67帧，视频第41帧为鸣笛触发帧，设计正交试验分别对比分别对比单/多目标跟踪、单帧/多帧检测、单/双向跟踪的实验效果，其中：
触发帧双向-多帧检测-多目标跟踪：耗时3.825s，跟踪45帧，跟踪目标9个；
起始帧单向-多帧检测-多目标跟踪：耗时5.385s，跟踪67帧，跟踪目标9个；
触发帧双向-单帧检测-多目标跟踪：耗时2.648s，跟踪45帧，跟踪目标9个；
触发帧双向-单帧检测-单目标跟踪：耗时2.113s，跟踪45帧，跟踪目标1个。
实验可知：采用触发帧双向跟踪-单帧检测-单目标跟踪方案最具优势，即起始帧为关键帧，需要跟踪67帧，而以触发帧为关键帧只需跟踪目标所在视频帧45帧；以起始帧为关键帧，不知道是否存在目标需要跟踪所有目标，而以触发帧为关键帧只需在触发时判断目标车辆，单目标跟踪即可。
本实施例基于上述方法，以安徽淮北鸣笛测试点，部署触发跟踪车牌识别算法，2020年5月15日到5月31日的测试情况如下共跟踪识别车辆170笔，对比视频流跟踪识别和单帧触发识别情况，测试发现触发识别错误，跟踪识别正确的有12笔，其中9笔数据是遮挡导致的触发识别错误，3笔是过曝导致的错误。
综上，本发明以触发帧作为基准关键帧，同时正向跟踪和反向跟踪，跟踪视频帧数最少，跟踪视频流的长度最短，只需跟踪目标所在的视频帧即可，消耗资源少；触发位置的质量判断结合了车辆所在空间位置和车牌的质量来综合判断车牌是否达标，达标即可直接输出不跟踪；跟踪时以触发帧为关键帧，以触发帧判断的目标车辆为单目标跟踪，跟踪效率高且不用担心ID切换；跟踪后的一系列车牌结合车牌号投票和置信度加权的投票机制，选取最优结果。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (9)

1.一种基于事件触发的车牌跟踪识别方法，其特征在于，在触发时刻对触发帧进行车辆检测和车牌提取获得车辆坐标或车牌区域并进行目标车辆判断，然后以目标车辆的车牌质量评价是否超指定阈值为条件启动视频流跟踪，再对跟踪得到的视频流中的目标车辆区域进行车牌区域判断，最后通过识别投票得到最终识别的车牌；
所述的车牌质量评价包括：车辆触发位置评价和车牌质量评价，其中：车辆触发位置质量由触发地离摄像头距离和触发帧车辆与其余车辆的坐标位置决定，车牌质量由车牌的长宽比、尺寸、清晰度和照度决定，具体为：
Figure FDA0003663262010000011
其中：Qplace和Qplate分别指触发目标车辆的位置评级和车牌质量评价，qdist为触发点到摄像头距离评价，qiou为目标车辆与其余车辆的交并比评价，qratio为车牌长宽比评价，qsize为车牌尺寸评价，qgrad为车牌清晰度评价，qgray为车牌光照度评价，pdist、piou、pratio、psize、pgrad、pgray为相应的评价权重，由实际实验经验获得。
2.根据权利要求1所述的基于事件触发的车牌跟踪识别方法，其特征是，所述的车辆检测和车牌提取是指：通过卷积神经网络对图像做车辆区域检测和车牌区域检测，其检测结果表示为车辆坐标或车牌区域在图像上的左上角点坐标和区域长宽。
3.根据权利要求1所述的基于事件触发的车牌跟踪识别方法，其特征是，所述的目标车辆判断是指：事件触发时采用鸣笛抓拍中通过麦克风阵列声源定位鸣笛声源坐标距离最近的车辆坐标、采用压力传感器判断红灯亮时触发的闯红灯车辆坐标或者采用雷达测速判断区间形式超速的车辆坐标。
4.根据权利要求1所述的基于事件触发的车牌跟踪识别方法，其特征是，所述的条件启动是指：当车牌质量评价高于指定阈值时直接输出车辆检测和车牌提取的识别结果，循环神经网络识别输出的车牌号码和置信度，否则启动视频流跟踪。
5.根据权利要求1所述的基于事件触发的车牌跟踪识别方法，其特征是，所述的视频流跟踪是指：以触发帧作为基准，以目标车辆为跟踪目标，同时取视频流中触发帧的前、后若干帧进行逐帧解码跟踪直至跟踪目标消失，得到视频流中的目标车辆区域。
6.根据权利要求5所述的基于事件触发的车牌跟踪识别方法，其特征是，所述的逐帧解码跟踪是指：在触发帧的目标车辆进行特征提取，在下一帧跟踪帧中以上一帧的目标车辆区域为中心点，设定搜索区域并寻找一个最佳匹配的位置，当最大匹配度大于指定阈值则跟踪成功并继续下一帧的跟踪，其中：下一帧是指触发帧的前向下一帧或后向下一帧，上一帧是指触发帧的前向上一帧或后向上一帧。
7.根据权利要求1所述的基于事件触发的车牌跟踪识别方法，其特征是，所述的车牌区域判断是指：对视频流中的目标车辆区域通过卷积神经网络进行车牌区域检测，得到车牌位置的左上角点坐标和到车牌区域宽高。
8.根据权利要求1所述的基于事件触发的车牌跟踪识别方法，其特征是，所述的识别投票是指：对车牌区域判断得到的视频流中一系列车牌区域，通过循环神经网络进行识别并得到对应的一系列车牌号及其置信度，通过多帧车牌识别投票和置信度加权得到最终识别的车牌，具体为：根据每帧车牌号的识别结果
Figure FDA0003663262010000021
统计每一位的字符在所有跟踪帧中对应位出现的概率
Figure FDA0003663262010000022
其中：N为跟踪的帧数，
Figure FDA0003663262010000025
为第j帧的车牌号的第i位字符，每帧中每一位车牌号的投票结果
Figure FDA0003663262010000023
Confi j为第j帧的车牌号的第i位字符的置信度，累计得到车牌号的总投票分数
Figure FDA0003663262010000024
M为车牌号的长度。
9.一种实现上述任一权利要求所述方法的***，其特征在于，包括：触发判断单元、质量评价单元、双向跟踪单元以及最优选取单元，其中：触发判断单元和双向跟踪单元分别与摄像头相连，触发判断单元通过触发机制判断出触发帧中的目标车辆并输出至质量评价单元，质量评价单元对目标车辆进行车牌提取和质量评价，并在质量评价达标时将检测得到的车牌识别号输出，否则进入双向跟踪单元，双向跟踪单元以触发帧为基准从前后两个方向对视频流进行目标车辆跟踪，得到视频流中的目标车辆区域并输出至最优选取单元，最优选取单元分别对跟踪到的车辆区域进行车牌区域检测和车牌号识别，通过车牌号和置信度的投票加权机制选取最优识别车牌。
CN202010563999.6A 2020-06-19 2020-06-19 基于事件触发的车牌跟踪识别方法 Active CN111582253B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010563999.6A CN111582253B (zh) 2020-06-19 2020-06-19 基于事件触发的车牌跟踪识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010563999.6A CN111582253B (zh) 2020-06-19 2020-06-19 基于事件触发的车牌跟踪识别方法

Publications (2)

Publication Number Publication Date
CN111582253A CN111582253A (zh) 2020-08-25
CN111582253B true CN111582253B (zh) 2022-09-06

Family

ID=72125730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010563999.6A Active CN111582253B (zh) 2020-06-19 2020-06-19 基于事件触发的车牌跟踪识别方法

Country Status (1)

Country Link
CN (1) CN111582253B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155714B (zh) * 2020-09-15 2022-11-08 深圳市软筑信息技术有限公司 一种机动车牌接力识别***及车牌接力识别方法
CN113030506B (zh) * 2021-03-25 2022-07-12 上海其高电子科技有限公司 基于多车牌标定库的微区间测速方法及***
CN113591725B (zh) * 2021-08-03 2023-08-22 世邦通信股份有限公司 一种鸣笛车辆提取方法、装置、设备及介质
CN115098731B (zh) * 2022-07-14 2022-11-22 浙江大华技术股份有限公司 目标关联方法、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699905A (zh) * 2013-12-27 2014-04-02 深圳市捷顺科技实业股份有限公司 一种车牌定位方法及装置
CN103824066A (zh) * 2014-03-18 2014-05-28 厦门翼歌软件科技有限公司 一种基于视频流的车牌识别方法
CN107705574A (zh) * 2017-10-09 2018-02-16 荆门程远电子科技有限公司 一种精准快速的道路违章停车全自动抓拍***
CN108846854A (zh) * 2018-05-07 2018-11-20 中国科学院声学研究所 一种基于运动预测与多特征融合的车辆跟踪方法
CN110136449A (zh) * 2019-06-17 2019-08-16 珠海华园信息技术有限公司 基于深度学习的交通视频车辆违停自动识别抓拍的方法
CN110178167A (zh) * 2018-06-27 2019-08-27 潍坊学院 基于摄像机协同接力的路口违章视频识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778786B (zh) * 2013-12-17 2016-04-27 东莞中国科学院云计算产业技术创新与育成中心 一种基于显著车辆部件模型的交通违章检测方法
US20180268238A1 (en) * 2017-03-14 2018-09-20 Mohammad Ayub Khan System and methods for enhancing license plate and vehicle recognition

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699905A (zh) * 2013-12-27 2014-04-02 深圳市捷顺科技实业股份有限公司 一种车牌定位方法及装置
CN103824066A (zh) * 2014-03-18 2014-05-28 厦门翼歌软件科技有限公司 一种基于视频流的车牌识别方法
CN107705574A (zh) * 2017-10-09 2018-02-16 荆门程远电子科技有限公司 一种精准快速的道路违章停车全自动抓拍***
CN108846854A (zh) * 2018-05-07 2018-11-20 中国科学院声学研究所 一种基于运动预测与多特征融合的车辆跟踪方法
CN110178167A (zh) * 2018-06-27 2019-08-27 潍坊学院 基于摄像机协同接力的路口违章视频识别方法
CN110136449A (zh) * 2019-06-17 2019-08-16 珠海华园信息技术有限公司 基于深度学习的交通视频车辆违停自动识别抓拍的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Automatic Detection of Parking Violation and Capture of License Plate;Zhemin Liu;《2019 IEEE 10th Annual Information Technology, Electronics and Mobile Communication Conference》;20191219;全文 *
基于视频检测的车牌识别***的研究;白雪松;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20100915;第2-6页及图1.3 *

Also Published As

Publication number Publication date
CN111582253A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN111582253B (zh) 基于事件触发的车牌跟踪识别方法
CN113671480B (zh) 雷达与视频融合交通目标跟踪方法、***、设备、终端
CN111260693B (zh) 一种高空抛物的检测方法
CN111144247A (zh) 一种基于深度学习的自动扶梯乘客逆行检测方法
CN108021848A (zh) 客流量统计方法及装置
CN112991391A (zh) 一种基于雷达信号和视觉融合的车辆检测与跟踪方法
CN114299417A (zh) 一种基于雷视融合的多目标跟踪方法
CN111781600B (zh) 一种适用于信号交叉口场景的车辆排队长度检测方法
WO2021139049A1 (zh) 检测方法、检测装置、监控设备和计算机可读存储介质
CN1448886A (zh) 用于测量车辆队列长度的装置和方法
CN110633643A (zh) 一种面向智慧社区的异常行为检测方法及***
CN103049909B (zh) 一种以车牌为焦点的曝光方法
CN110674672B (zh) 一种基于tof相机的多场景人数统计方法
CN110781785A (zh) 基于Faster RCNN算法改进的交通场景下行人检测方法
CN114898326A (zh) 基于深度学习的单行道车辆逆行检测方法、***及设备
CN109254271B (zh) 一种用于地面监视雷达***的静止目标抑制方法
CN109100697B (zh) 一种基于地面监视雷达***的目标凝聚方法
CN108983194B (zh) 一种基于地面监视雷达***的目标提取及凝聚方法
CN113011399B (zh) 基于生成协同判别网络的视频异常事件检测方法及***
WO2022048053A1 (zh) 一种目标跟踪方法、装置、设备及计算机可读存储介质
CN117037085A (zh) 基于改进YOLOv5的车辆识别及数量统计的监控方法
KR102120812B1 (ko) 카메라와 레이더의 확률 융합에 기반한 타겟 인지 및 분류 시스템 및 그 방법
CN116311166A (zh) 交通障碍物识别方法、装置及电子设备
CN113253262B (zh) 一种基于一维距离像记录背景对比检测目标方法
CN115512263A (zh) 一种面向高空坠物的动态视觉监测方法及装置

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