CN112381014A - 一种基于城市道路的违停车辆检测及管理方法及*** - Google Patents
一种基于城市道路的违停车辆检测及管理方法及*** Download PDFInfo
- Publication number
- CN112381014A CN112381014A CN202011298904.9A CN202011298904A CN112381014A CN 112381014 A CN112381014 A CN 112381014A CN 202011298904 A CN202011298904 A CN 202011298904A CN 112381014 A CN112381014 A CN 112381014A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- parking
- vehicles
- illegal parking
- illegal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- 238000007726 management method Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 230000009897 systematic effect Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000033228 biological regulation Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于城市道路的违停车辆检测及管理方法及***,检测方法包括以下步骤:获取连续帧的监控视频图像并选取监控区域;检测连续帧的监控视频图像内的监控区域内的车辆的车辆坐标数据和车牌号码,若相同车牌号码对应的车辆的车辆坐标数据的偏移值小于位置阈值,且监控区域对应的禁停区域,则车辆为违停车辆;若监控区域对应的临时停车区域,对车辆进行人脸检测以及停车时长统计,若同时满足检测到人脸以及停车时长小于时长阈值的条件,则所述车辆为临时停靠车辆,否之,所述车辆为违停车辆,可区分检测禁停区域和临时停车区域内出现的违停车辆,管理方法可对违停车辆进行***的管控,准确识别违停次数多的车辆和地点。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种基于城市道路的违停车辆检测及管理方法及***。
背景技术
随着经济发展以及人们生活水平的提高,机动车的数量剧增,路面上违章停车的现象也越来越多。违章停车指的是车辆在设有禁停标志、标线的路段或禁停区域停留,该行为不仅会严重干扰正常交通运行,甚至可能对人们的生命财产造成损害,因此需要对违章停车现象进行管控。
目前常见的管控违章停车的方式是通过在违停区域设置摄像头,摄像头获取违停区域的图像传送到后台进行人工处理或者计算机处理,计算机处理的方式相较人工处理的方式而言可极大程度地节省人力成本,且能更高效地发现违章车辆,因此可更为广泛地应用于交通管制领域中。
然而现有的辅助图像处理技术的违章停车检测技术存在一些缺陷:对于违章停车检测不够全面不够精准,仅仅通过车辆检测技术配以停车时长统计来判断是否为违章停车,该方式容易将临时停车误判为违章停车;另,目前的技术仅仅对违章停车车辆进行记录并进行电子罚单处理,并没有对违章停车数据进行分析,实际的违章停车现象并没有得到缓解。
发明内容
本发明的目的在于提供一种基于城市道路的违停车辆检测及管理方法及***,可区分检测禁停区域和临时停车区域内出现的违停车辆,且在针对临时停车区域的违停车辆检测时,采用人脸检测技术配合停车时长判断技术共同进行检测,减少将临时停车误判为违停情况的现象发生;另该管理方法可对违停车辆进行***的管控,准确识别违停次数多的车辆和地点,可针对性地进行管控。
为实现以上目的,本方案的第一方面提供一种基于城市道路的违停车辆检测方法,包括以下步骤:获取连续帧的监控视频图像并选取监控区域;检测所述连续帧的监控视频图像内的所述监控区域内的车辆的车辆坐标数据和车牌号码,若相同车牌号码对应的车辆的所述车辆坐标数据的偏移值小于位置阈值,且监控区域对应的禁停区域,则所述车辆为违停车辆;若所述监控区域对应的临时停车区域,对所述车辆进行人脸检测以及停车时长统计,若同时满足检测到人脸以及停车时长小于时长阈值的条件,则所述车辆为临时停靠车辆,否之,所述车辆为违停车辆。
本方案的第二方面提供一种基于城市道路的违停车辆管理方法,包括以下步骤:获取连续帧的监控视频图像,利用以上所述的基于城市道路的违停车辆检测方法检测是否存在违停车辆;获取违停车辆的违停数据并对所述违停数据进行分析,获取违停次数最多的车辆以及违停车辆最多的地区,其中所述违停数据包括日期、违章停车地址、违章停车车辆的停车时长、车牌号码
本方案的第三方面提供一种基于城市道路的违停车辆检测***,作为载体运行基于城市道路的违停车辆检测方法。
本方案的第四方面提供一种基于城市道路的违停车辆管理***,作为载体运行基于城市道路的违停车辆管理方法。
相较现有技术,本方案具有以下特点和有益效果:1、区分禁停区域和临时停车区域,针对禁停区域的车辆利用车辆检测模型获取车辆中心点坐标数据和车辆尺寸数据,利用车牌识别技术识别车辆,基于判断同车牌号码的车辆的车辆中心点坐标数据的偏移值是否大于阈值,以判断识别该禁停区域内的违停车辆,以此方式可及时发现禁停区域的违章停车行为;针对临时停车区域,再通过人脸检测模型进行人脸检测,判断车辆停止状态时车辆上是否有人,以判断是否为临时停车,减少将临时停车误判为违停情况的现象发生。2、获取违停车辆的日期、违章停车地址、停车时长和车牌号码,并进行大数据等管理,以期获取违停次数多和严重的地区和车辆。
附图说明
图1是根据本发明的一实施例的基于城市道路的违停车辆检测方法的流程示意图。
图2是根据本发明的一实施例的基于城市道路的违停车辆管理方法的流程示意图。
图3是根据本发明的一实施例的基于城市道路的违停车辆检测方法的运行逻辑示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
本方案提供一种基于城市道路的违停车辆检测及管理方法,该方法可针对性地对禁停区域和临时停车区域进行区分,以获取更准备的违停车辆数据,并可对违停车辆数据进行大数据分析,以便于对违停车辆进行后续的管控。
本方案的第一方面提供一种基于城市道路的违停车辆检测方法,包括以下步骤
获取连续帧的监控视频图像并选取监控区域;
若所述监控区域为禁停区域,检测所述连续帧的监控视频图像内的所述监控区域内的车辆的车辆坐标数据和车牌号码,若相同车牌号码对应的车辆的所述车辆坐标数据的偏移值小于位置阈值,所述车辆为违停车辆;
若所述监控区域为临时停车区域,检测所述连续帧的监控视频图像内的所述监控区域内的车辆的车辆坐标数据和车牌号码,若相同车牌号码对应的车辆的所述车辆坐标数据的偏移值小于位置阈值,对所述车辆进行人脸检测以及停车时长统计,若同时满足检测到人脸以及停车时长小于时长阈值的条件,则所述车辆为临时停靠车辆。
在本方案中,监控视频图像选自装设在城市道路的监控摄像头,所述城市道路上根据交通需求划分为禁停区域和临时停车区域,每个监控摄像头监控特定的区域,可选择同一监控摄像头的连续帧的监控视频图像作为判断数据。
所述连续帧的监控视频图像输入违章停车判别模块中进行违章停车的判断,首先选取所述连续帧的监控视频图像内的所述监控区域。值得一提的是,所述监控区域的选择可以是人为选择的,也可是计算机通过深度学习自动选择。所述禁停区域指的是禁止停车的区域,比如人行横道、黄色网格区域、公交站点、公交车道或消防通道等;所述临时停车区域指的是可临时停车的区域,比如出租车上下客点。
无论是针对所述临时停车区域亦或是所述禁停区域,都需要检测所述连续帧的监控视频图像内的所述监控区域内的车辆的车辆坐标数据和车牌号码,并判断相同车牌号码对应的车辆的所述车辆坐标数据的偏移值和位置阈值的差值。
具体的步骤如下:
将所述连续帧的监控视频图像输入车辆检测模型中进行车辆检测,获取所述车辆的车辆坐标数据,所述车辆坐标数据至少包括车辆中心点坐标以及车辆宽高;基于所述车辆坐标数据从对应的监控视频图像中截取车辆区域,对所述车辆区域进行车牌识别,获取所述车辆号码,选择相同车牌号码对应的车辆的所述车辆中心点坐标,计算车辆中心点坐标之间的差值是否小于位置阈值,若小于位置阈值可标识该车辆处于停止状态。
对于所述禁停区域而言,若同一车辆在禁停区域内停止则可判断该车辆为违停车辆,即,只需要出现所述车辆坐标数据的偏移值小于位置阈值的情况,则该车辆为违停车辆。
不同的是,对于临时停车区域而言,若某驾驶员仅仅是在规定时间内临时停靠该临时停车区域的话,则不属于违停车辆。特别地,像是在火车站出入站口的位置就设有方便乘客上下车的临时停车区域。针对临时停车区域,首先基于前序判断车辆是否处于停车状态,若车辆处于停车状态则进行后续的检测,具体的检测过程如下:
将所述车辆对应的车辆区域输入到人脸检测模型进行人脸检测,若驾驶座位上没有检测到人脸,则直接判断所述车辆为违停车辆;若驾驶座检测到人脸,则进行停车时长统计,若停车时长不小于停车阈值,则所述车辆为违停车辆,否之所述车辆为临时停靠车辆。
值得一提的是,统计停车时长的方法:选择最早出现所述车辆的监控视频图像对应的时间,以及最迟出现所述车辆的监控视频图像对应的时间,求两个时间的差值为停车时长。
所述车辆检测模型采用训练过的深度学习网络框架,具体的,所述车辆检测模型的构建过程如下:
标注训练样本:对采集的监控视频图像进行预处理,将所述监控视频图像的图像尺寸大小变换为W1×H1,并对所述监控视频图像进行标注,其中标注信息包括车辆中心点位置坐标,车辆的宽和高。
搭建并训练车辆检测网络结构:车辆检测网络结构采用沙漏网络对输入的数据进行特征提取获取特征图,所述特征图后接3个卷积层,所述3个卷积层分别与focal损失函数、中心偏移损失函数、边框尺寸损失函数相连接,采用所述focal损失函数、所述中心偏移损失函数以及所述边框尺寸损失函数训练所述车辆检测网络,直至以上损失函数不再降低,则停止训练,其中所述focal损失函数进行目标中心点和目标类别预测任务,所述中心偏移损失函数进行中心点偏移预测任务,所述边框尺寸损失函数进行预测目标的宽高任务。
所述连续帧的监控视频图像输入基于以上训练得到的所述车辆检测模型,即可至少得到所述车辆中心点坐标以及所述车辆宽高。
所述车牌识别的过程如下:基于所述车辆坐标数据从对应的监控视频图像中截取车辆区域,将所述车辆区域输入到开源的车牌检测模型中进行车牌检测,获取车牌区域,将所述车牌区域变换尺寸为W2×H2,输入到开源的车牌识别模型中进行车牌识别,获取车牌号码。
所述人脸检测模型采用训练过的深度学习网络框架,具体的,所述人脸检测模型的构建过程如下:
步骤1:训练样本准备:对公开人脸数据集WIDER FACE进行随机裁剪,生成正样本、负样本和中间样本,其中,所述负样本是与标注人脸区域交并比小于阈值U1的样本,所述正样本是与标注人脸区域交并比大于阈值U2的样本,所述中间样本是与标注人脸区域交并比在阈值U3至阈值U4之间的样本;
步骤2:所述人脸检测模型的网络结构搭建:所述人脸检测模型的网络结构包括两个网络,分别为候选框网络和输出网络,所述候选框网络包括p1个卷积层,p2个池化层,所述输出网络包括p3个卷积层、p4个池化层及p5个全连接层;
步骤3:训练:将所述正样本、负样本以及中间样本尺寸变换为W3×H3输入到所述候选框网络,采用SoftMax损失函数和欧几里得损失函数训练所述候选框网络,其中所述SoftMax损失函数进行人脸二分类任务,所述欧几里得损失函数是进行边框回归任务,直到损失值不再降低时,停止训练;
步骤4:将所述公开人脸数据集对应的原图像输入到上述步骤3训练好的所述候选框网络得到候选区域,将所述候选区域与所述标注人脸区域的交并比划分正样本、负样本及中间样本,其中,所述负样本是与标注人脸区域交并比小于阈值U1的样本,所述正样本是与标注人脸区域交并比大于阈值U2的样本,所述中间样本是与标注人脸区域交并比在阈值U3至阈值U4之间的样本;
步骤5:将上述步骤4得到的所述正样本、负样本以及中间样本尺寸变换为W4×H4,输入到所述输出网络,采用SoftMax损失函数和欧几里得损失函数训练输出网络,直到损失值不再降低时,停止训练;
步骤6:测试:将待测试的图像按照一定比例多次进行缩放,形成图像金字塔;
步骤7:将所述金字塔输入到训练好的所述候选框网络中,得到候选框,采用非极大值抑制算法将重叠过高的所述候选框删除;
步骤8:根据所述候选框的位置从原始待测试的图像上截取感兴趣区域并变换尺寸大小为W4×H4输入到训练好的所述输出网络中,采用非极大值抑制算法删除一些重叠的所述候选框,剩下的所述候选框为最终人脸框。
本方案的第二方面提供一种基于城市道路的违停车辆管理方法:
获取连续帧的监控视频图像,利用上述基于城市道路的违停车辆检测方法检测是否存在违停车辆;
获取违停车辆的违停数据并对所述违停数据进行分析,获取违停次数最多的车辆以及违停车辆最多的地区,其中所述违停数据包括日期、违章停车地址、违章停车车辆的停车时长、车牌号码。
对应的,在本方案的一实施例中,对所述违停车辆最多的地址加强人工管理,对所述违停次数最多的车辆的加入违停车辆黑名单库,进而可对违停现象进行实质性的管控。
具体的,分析所述违停数据的过程如下:
基于违停数据的所述违章停车地址,对所述违章停车地址进行分类,统计不同地址的违停车辆数量,并排序获取所述违停车辆最多的地区;
基于违停数据的所述车牌号码,统计相同车牌号码的数量,并排序获取所述违停次数最多的车辆。
值得一提的是,在一些实施例中可定义管控时间段,此时可选取所述管控时间段内的违停数据进行管控和分析。
通过本方案可对违章停车地点、时间、违章停车车辆的车牌号码等数据进行存储并进行数据分析,对于经常出现违章停车的地点,加强管理,对于经常违章停车的车辆加入黑名单库,能够对违章停车进行有效管理。
本方案的第三方面提供一种基于城市道路的违停车辆检测***,作为载体运行以上所述基于城市道路的违停车辆检测方法,包括:
监控区域获取模块,用于获取连续帧的监控视频图像的监控区域,其中所述监控区域为禁停区域或临时停车区域;
车辆检测模块,内载训练过的车辆检测模型用于获取车辆坐标数据;
车牌识别模块,用于识别车辆的车牌号码;
停止状态判断模块,用于判断相同车牌号码对应的车辆的所述车辆坐标数据的偏移值是否小于位置阈值;
人脸识别模块,内载训练过的人脸检测模型用于检测驾驶座是否有人;
停车时长判断模块,用于计算所述车辆的停车时长并判断停车时长是否小于时长阈值。
值得一提的是,该基于城市道路的违停车辆检测***中运行时涉及的步骤如上介绍,在此不做累赘的说明。
本方案的第四方面提供一种基于城市道路的违停车辆管理***,作为载体运行以上所述基于城市道路的违停车辆管理方法,在一种基于城市道路的违停车辆检测***的基础上额外包括:
违停数据分析模块,用于分析违停车辆的违停数据并对所述违停数据进行分析,获取违停次数最多的车辆以及违停车辆最多的地区,其中所述违停数据包括日期、违章停车地址、违章停车车辆的停车时长、车牌号码。
用于实现本方案实施例的基于城市道路的违停车辆检测及管理方法的服务器的计算机***包括中央处理单元CPU),其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有***操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
特别地,根据本发明公开的实施例,上文参考流程图描述的基于城市道路的违停车辆检测及管理方法的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的基于城市道路的违停车辆检测及管理方法的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。
附图中的基于城市道路的违停车辆检测及管理方法的流程图和框图,图示了按照本发明各种实施例的基于城市道路的违停车辆检测及管理***、基于城市道路的违停车辆检测及管理方法和计算机程序产品的可能实现的体系架构、功能和操作。
在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的模块也可以设置在处理器中。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备执行基于城市道路的违停车辆检测及管理方法所对应过的流程步骤。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种基于城市道路的违停车辆检测方法,其特征在于,包括以下步骤:
获取连续帧的监控视频图像并选取监控区域;
检测所述连续帧的监控视频图像内的所述监控区域内的车辆的车辆坐标数据和车牌号码,若相同车牌号码对应的车辆的所述车辆坐标数据的偏移值小于位置阈值,且监控区域对应的是禁停区域,则所述车辆为违停车辆;若所述监控区域对应的是临时停车区域,对所述车辆进行人脸检测以及停车时长统计,若同时满足检测到人脸以及停车时长小于时长阈值的条件,则所述车辆为临时停靠车辆,否之,所述车辆为违停车辆。
2.根据权利要求1所述的基于城市道路的违停车辆检测方法,其特征在于,所述车辆坐标数据至少包括车辆中心点坐标以及车辆宽高,基于所述车辆坐标数据从对应的监控视频图像中截取车辆区域,对所述车辆区域进行车牌识别,获取所述车辆号码,选择相同车牌号码对应的车辆的所述车辆中心点坐标,计算车辆中心点坐标之间的差值是否小于位置阈值。
3.根据权利要求1所述的基于城市道路的违停车辆检测方法,其特征在于,将所述车辆对应的车辆区域输入到人脸检测模型进行人脸检测,若驾驶座位上没有检测到人脸,所述车辆为违停车辆;若驾驶座检测到人脸,则进行停车时长统计,若停车时长不小于停车阈值,所述车辆为违停车辆。
4.根据权利要求1所述的基于城市道路的违停车辆检测方法,其特征在于,所述连续帧的监控视频图像输入车辆检测模型中获取所述车辆的车辆坐标数据,所述车辆检测模型对应的车辆检测网络结构采用沙漏网络对输入的数据进行特征提取获取特征图,所述特征图后接3个卷积层,所述3个卷积层分别与focal损失函数、中心偏移损失函数、边框尺寸损失函数相连接,采用所述focal损失函数、所述中心偏移损失函数以及所述边框尺寸损失函数训练所述车辆检测网络,直至以上损失函数不再降低。
5.根据权利要求3所述的基于城市道路的违停车辆检测方法,其特征在于,人脸检测模型的构建过程如下:
步骤1:训练样本准备:对公开人脸数据集进行随机裁剪,生成正样本、负样本和中间样本,其中,所述负样本是与标注人脸区域交并比小于阈值U1的样本,所述正样本是与标注人脸区域交并比大于阈值U2的样本,所述中间样本是与标注人脸区域交并比在阈值U3至阈值U4之间的样本;
步骤2:所述人脸检测模型的网络结构搭建:所述人脸检测模型的网络结构包括两个网络,分别为候选框网络和输出网络,所述候选框网络包括p1个卷积层,p2个池化层,所述输出网络包括p3个卷积层、p4个池化层及p5个全连接层;
步骤3:训练:将所述正样本、负样本以及中间样本尺寸变换为W3×H3输入到所述候选框网络,采用SoftMax损失函数和欧几里得损失函数训练所述候选框网络,直到损失值不再降低时,停止训练;
步骤4:将所述公开人脸数据集对应的原图像输入到上述步骤3训练好的所述候选框网络得到候选区域,将所述候选区域与所述标注人脸区域的交并比划分正样本、负样本及中间样本;
步骤5:将上述步骤4得到的所述正样本、负样本以及中间样本尺寸变换为W4×H4,输入到所述输出网络,采用SoftMax损失函数和欧几里得损失函数训练输出网络,直到损失值不再降低时,停止训练。
6.根据权利要求3所述的基于城市道路的违停车辆检测方法,其特征在于,所述车辆对应的车辆区域对应的监控视频图像输入到所述人脸检测模型检测,将所述监控视频图像多次进行缩放形成图像金字塔,将所述金字塔输入到训练好的所述人脸检测模型的候选框网络中,得到候选框,采用非极大值抑制算法将重叠过高的所述候选框删除;根据所述候选框的位置从原始的所述待测试的监控视频图像上截取感兴趣区域,并变换尺寸大小输入到所述人脸检测模型的候选框网络中,采用非极大值抑制算法删除重叠的所述候选框,剩下的所述候选框为最终人脸框。
7.一种基于城市道路的违停车辆管理方法,其特征在于,获取连续帧的监控视频图像,利用权利要求1到6任一所述的基于城市道路的违停车辆检测方法检测是否存在违停车辆;
获取违停车辆的违停数据并对所述违停数据进行分析,获取违停次数最多的车辆以及违停车辆最多的地区,其中所述违停数据包括日期、违章停车地址、违章停车车辆的停车时长、车牌号码。
8.根据权利要求7所述的基于城市道路的违停车辆管理方法,其特征在于,对所述违停车辆最多的地址加强人工管理,对所述违停次数最多的车辆的加入违停车辆黑名单库。
9.一种基于城市道路的违停车辆检测***,运行权利要求1到7任一所述的基于城市道路的违停车辆检测方法,其特征在于,包括:
监控区域获取模块,用于获取连续帧的监控视频图像的监控区域,其中所述监控区域为禁停区域或临时停车区域;
车辆检测模块,内载训练过的车辆检测模型用于获取车辆坐标数据;
车牌识别模块,用于识别车辆的车牌号码;
停止状态判断模块,用于判断相同车牌号码对应的车辆的所述车辆坐标数据的偏移值是否小于位置阈值;
人脸识别模块,内载训练过的人脸检测模型用于检测驾驶座是否有人;
停车时长判断模块,用于计算所述车辆的停车时长并判断停车时长是否小于时长阈值。
10.一种基于城市道路的违停车辆管理***,运行权利要求8所述的基于城市道路的违停车辆管理方法,其特征在于,包括:
监控区域获取模块,用于获取连续帧的监控视频图像的监控区域,其中所述监控区域为禁停区域或临时停车区域;
车辆检测模块,内载训练过的车辆检测模型用于获取车辆坐标数据;
车牌识别模块,用于识别车辆的车牌号码;
停止状态判断模块,用于判断相同车牌号码对应的车辆的所述车辆坐标数据的偏移值是否小于位置阈值;
人脸识别模块,内载训练过的人脸检测模型用于检测驾驶座是否有人;
停车时长判断模块,用于计算所述车辆的停车时长并判断停车时长是否小于时长阈值;
违停数据分析模块,用于分析违停车辆的违停数据并对所述违停数据进行分析,获取违停次数最多的车辆以及违停车辆最多的地区,其中所述违停数据包括日期、违章停车地址、违章停车车辆的停车时长、车牌号码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011298904.9A CN112381014A (zh) | 2020-11-19 | 2020-11-19 | 一种基于城市道路的违停车辆检测及管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011298904.9A CN112381014A (zh) | 2020-11-19 | 2020-11-19 | 一种基于城市道路的违停车辆检测及管理方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112381014A true CN112381014A (zh) | 2021-02-19 |
Family
ID=74585153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011298904.9A Pending CN112381014A (zh) | 2020-11-19 | 2020-11-19 | 一种基于城市道路的违停车辆检测及管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381014A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113473077A (zh) * | 2021-05-31 | 2021-10-01 | 超级视线科技有限公司 | 一种基于多维度的路侧逆向停车的判断方法及*** |
CN113920482A (zh) * | 2021-12-13 | 2022-01-11 | 江西科技学院 | 一种车辆违停检测方法和*** |
CN113990101A (zh) * | 2021-11-19 | 2022-01-28 | 深圳市捷顺科技实业股份有限公司 | 一种禁停区域车辆检测方法及其***和处理装置 |
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 |
US20220351622A1 (en) * | 2021-04-28 | 2022-11-03 | GM Global Technology Operations LLC | Intelligent park assist system to reduce parking violations |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5450937A (en) * | 1992-12-10 | 1995-09-19 | Nippon Conlux Co., Ltd. | Paper currency discriminating device |
CN102568206A (zh) * | 2012-01-13 | 2012-07-11 | 大连民族学院 | 一种基于视频监控的违章停车检测方法 |
CN107330373A (zh) * | 2017-06-02 | 2017-11-07 | 重庆大学 | 一种基于视频的违章停车监控*** |
CN109190442A (zh) * | 2018-06-26 | 2019-01-11 | 杭州雄迈集成电路技术有限公司 | 一种基于深度级联卷积神经网络的快速人脸检测方法 |
JP2019018852A (ja) * | 2018-10-30 | 2019-02-07 | みこらった株式会社 | 自動運転車及び自動運転車用プログラム |
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 |
-
2020
- 2020-11-19 CN CN202011298904.9A patent/CN112381014A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5450937A (en) * | 1992-12-10 | 1995-09-19 | Nippon Conlux Co., Ltd. | Paper currency discriminating device |
CN102568206A (zh) * | 2012-01-13 | 2012-07-11 | 大连民族学院 | 一种基于视频监控的违章停车检测方法 |
CN107330373A (zh) * | 2017-06-02 | 2017-11-07 | 重庆大学 | 一种基于视频的违章停车监控*** |
CN109190442A (zh) * | 2018-06-26 | 2019-01-11 | 杭州雄迈集成电路技术有限公司 | 一种基于深度级联卷积神经网络的快速人脸检测方法 |
JP2019018852A (ja) * | 2018-10-30 | 2019-02-07 | みこらった株式会社 | 自動運転車及び自動運転車用プログラム |
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 (3)
Title |
---|
XINGYI ZHOU 等: "Objects as Points", 《ARXIV》 * |
ZHEMIN LIU 等: "Automatic Detection of Parking Violation and Capture of License Plate", 《2019 IEEE 10TH ANNUAL INFORMATION TECHNOLOGY, ELECTRONICS AND MOBILE COMMUNICATION CONFERENCE (IEMCON)》 * |
梁书浩: "小区车辆违章停车监测***设计", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220351622A1 (en) * | 2021-04-28 | 2022-11-03 | GM Global Technology Operations LLC | Intelligent park assist system to reduce parking violations |
CN115346387A (zh) * | 2021-04-28 | 2022-11-15 | 通用汽车环球科技运作有限责任公司 | 用于减少违规停车的智能停车辅助*** |
CN113473077A (zh) * | 2021-05-31 | 2021-10-01 | 超级视线科技有限公司 | 一种基于多维度的路侧逆向停车的判断方法及*** |
CN113990101A (zh) * | 2021-11-19 | 2022-01-28 | 深圳市捷顺科技实业股份有限公司 | 一种禁停区域车辆检测方法及其***和处理装置 |
CN113920482A (zh) * | 2021-12-13 | 2022-01-11 | 江西科技学院 | 一种车辆违停检测方法和*** |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381014A (zh) | 一种基于城市道路的违停车辆检测及管理方法及*** | |
CN109637151B (zh) | 一种高速公路应急车道违章行驶的识别方法 | |
CN106373426B (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN103279756B (zh) | 基于集成分类器的车辆检测分析***及其检测分析方法 | |
US6442474B1 (en) | Vision-based method and apparatus for monitoring vehicular traffic events | |
US11361556B2 (en) | Deterioration diagnosis device, deterioration diagnosis system, deterioration diagnosis method, and storage medium for storing program | |
CN110738857B (zh) | 一种车辆违章取证方法、装置及设备 | |
CN111429726B (zh) | 一种监控视频违停车辆检测、管理方法及对应的*** | |
KR102122859B1 (ko) | 교통 영상감시시스템의 멀티 표적 추적 방법 | |
KR101908611B1 (ko) | 차량 주차관리 방법 | |
CN104282154B (zh) | 一种车辆超载监控***及方法 | |
CN107067730B (zh) | 基于卡口设备的网约车人车不一致监测方法 | |
KR102174556B1 (ko) | 차량번호 인식과 인공지능을 이용해 교통정보를 관제하는 영상감시장치 | |
CN108932849B (zh) | 一种记录多台机动车低速行驶违法行为的方法及装置 | |
KR102122850B1 (ko) | 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션 | |
CN105654734A (zh) | 车辆违章行为的数据处理方法及装置 | |
CN113822285A (zh) | 一种用于复杂应用场景的车辆违停识别方法 | |
CN108154146A (zh) | 一种基于图像识别的车辆追踪方法 | |
CN105259304A (zh) | 一种车辆尾气污染物在线监测***和方法 | |
CN103914682A (zh) | 一种车牌识别方法及*** | |
CN113851017A (zh) | 一种基于路侧rsu的行人车辆识别预警多功能*** | |
CN112380892B (zh) | 一种图像识别方法、装置、设备及介质 | |
CN114387785A (zh) | 一种基于智慧公路的安全管控方法、***及可存储介质 | |
CN114898297A (zh) | 基于目标检测和目标跟踪的非机动车违法行为判定的方法 | |
CN114141022B (zh) | 应急车道占用行为检测方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210219 |