CN113030506B - 基于多车牌标定库的微区间测速方法及*** - Google Patents

基于多车牌标定库的微区间测速方法及*** Download PDF

Info

Publication number
CN113030506B
CN113030506B CN202110317790.6A CN202110317790A CN113030506B CN 113030506 B CN113030506 B CN 113030506B CN 202110317790 A CN202110317790 A CN 202110317790A CN 113030506 B CN113030506 B CN 113030506B
Authority
CN
China
Prior art keywords
license plate
camera
license
calibration
coordinate system
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
CN202110317790.6A
Other languages
English (en)
Other versions
CN113030506A (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 CN202110317790.6A priority Critical patent/CN113030506B/zh
Publication of CN113030506A publication Critical patent/CN113030506A/zh
Application granted granted Critical
Publication of CN113030506B publication Critical patent/CN113030506B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
    • G01P3/64—Devices characterised by the determination of the time taken to traverse a fixed distance
    • G01P3/68—Devices characterised by the determination of the time taken to traverse a fixed distance using optical means, i.e. using infrared, visible, or ultraviolet light
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

一种基于多车牌标定库的微区间测速方法及***，通过图像神经网络检测道路车牌，根据车牌类别和其对应尺寸关系得到车牌棋盘格并构建车牌标定库；利用棋盘格的转换关系模型残差来更新车牌标定库；通过车牌标定库中的车牌棋盘格和车牌对应的质量评价，使用加权最小二乘法进行相机内参数标定；利用视频序列中的车牌号标示定位车辆并利用检测到的车牌和相机内参数计算车牌在相机坐标系中的行驶距离，再通过线性平滑计算得到该车辆的实际行驶速度。本发明通过检测的车牌作为车牌棋盘格不断构建和更新车牌标定库，加权最小二乘标定相机内参，通过车牌号来跟踪同一辆车测速，方法简便且实用性高，精度实测可靠。

Description

基于多车牌标定库的微区间测速方法及***
技术领域
本发明涉及的是一种智能交通控制领域的技术，具体是一种基于多车牌标定库的微区间测速方法及***。
背景技术
在交通监测场景很多时候需要对车辆进行测速，在有些场景中，需要对车辆进行微区间测速，如鸣笛抓拍、改装车或闯红绿灯抓拍中。目前主流的测速方法有雷达测速、区间测速和线圈测速，需要安装额外的硬件，这些方法虽然精度高，但是成本高昂，方法也很复杂。
利用现有的监控设备也可以完成测速，目前单相机测速方法有很多，大部分都需要事先现场标定，测速之前需要安装人员去现场设置标定物。当相机安装角度或焦距发生变化时，此类方法都需要重新标定，且测速阶段还需要使用跟踪算法跟踪车辆，实用性不高。
现有的车速测量方法通过摄像机采集图像后计算车牌运行轨迹并计算待分析图像组中车牌成像距离，依据真实世界坐标系与成像坐标系的对应关系，计算成像距离对应的实际距离，除以按预设频率计算得到的对应图像间时间差，得到当前跟踪车速，求平均值得到待测车辆的车速。但这些测量方法均需要现场参与标定测量，耗时人力过大，无法远程标定获取相机内参数，部分测量信息误差会对参数影响很大，且无法适应现场环境的改变，实用性较差。
发明内容
本发明针对现有雷达测速或者多相机区间测速导致的成本高昂，单相机现场标定步骤复杂等缺陷，提出一种基于多车牌标定库的微区间测速方法及***，通过检测的车牌作为车牌棋盘格不断构建和更新车牌标定库，加权最小二乘标定相机内参，通过车牌号来跟踪同一辆车测速，方法简便且实用性高，精度实测可靠。
本发明是通过以下技术方案实现的：
本发明涉及一种基于多车牌标定库的微区间测速方法，通过图像神经网络检测道路车牌，根据车牌类别和其对应尺寸关系得到车牌棋盘格并构建车牌标定库；利用棋盘格的转换关系模型残差来更新车牌标定库；通过车牌标定库中的车牌棋盘格和车牌对应的质量评价，使用加权最小二乘法进行相机内参数标定；利用视频序列中的车牌号标示定位车辆并利用检测到的车牌和相机内参数计算车牌在相机坐标系中的行驶距离，再通过线性平滑计算得到该车辆的实际行驶速度。
所述的车牌标定库包括：图像中车牌的类别，图像中车牌的四个角点的坐标、图像中车牌棋盘格的质量评价分数及其对应的单应矩阵模型投影误差。
所述的类别包括双行车牌、新能源车牌、单行普通车牌等。
本发明涉及一种实现上述方法的***，包括：建库单元、标定单元、定位单元以及测速单元，其中：建库单元根据道路监控相机采集到的包含车牌的图像构建车牌标定库，标定单元根据车牌标定库中的车牌类别对应的实际尺寸和图像坐标得到车牌棋盘格，并以车牌标定库中的质量评价分数作为权重，加权最小二乘计算相机内参数；在实测阶段，定位单元获取监控视频逐帧分解识别得到车牌号并生成车牌棋盘格，结合来自标定单元的相机内参数计算出车牌在相机坐标系下的三维坐标，实现车牌在相机坐标系下的定位，测速单元根据视频帧中的同一车牌在相机坐标系下的三维坐标，计算车辆行驶的三维距离，得到车牌行驶速度作为车辆行驶速度。
技术效果
本发明整体解决了现有技术的需要大量人工和设备来参与现场标定和测量，且测量误差受很多因素影响，无法根据现场环境改变来更新参数的问题；
与现有技术相比，本发明利用图像和车牌已知尺寸构建车牌棋盘格来标定相机内参数，无需现场标定，无需测量尺寸，耗时低；综合考虑车牌清晰度、分辨率等因素，加权计算相机内参，减少误差因素影响；本发明可以根据检测到的车牌不断更新车牌标定库，无需考虑现场环境变化；本发明通过车牌已知尺寸，实现车牌在相机坐标系下的定位功能；通过和雷达测速结果对比，漏抓率低，精度在±5％以内。
附图说明
图1为本发明方法流程图；
图2为实施例中车牌相对于相机坐标系的三维坐标示意图；
图3为实施例中位移随时间图；
图4为实施例中速度随时间图；
图5为车牌棋盘格坐标系示意图，图中车牌号已经模糊处理；
图6为本发明方法和雷达测速实验现场图。
具体实施方式
如图1所示，为本实施例涉及一种基于多车牌标定库的微区间测速方法，以民府路鸣笛部署点为例，在监控点部署测速***，具体实施方式如下。
建库阶段，选择高清相机图像并对图像进行神经网络检测道路车牌，将车牌类别、车牌角点坐标、车牌质量评价和模型误差存入车牌标定库中。
所述的检测道路车牌，使用包括但不限于yolo、SSD，通过对道路车牌检测，得到车牌类别和检测结果置信度，其中车牌类别主要有双行车牌、新能源车牌、单行普通车牌。
所述的根据车牌类别及对应尺寸关系是指：车牌分为双行车牌、单行新能源车牌、单行非新能源车牌，根据《GA36-2018中华人民共和国机动车号牌》中规定的双行车牌为480mm×220mm、单行新能源车牌为480mm×140mm和单行非新能源车牌为440mm×140mm。
所述的车牌质量评价，是指通过检测到车牌的图像清晰度、检测置信度和车牌中心点到相机视野近端的图像距离加权得到的结果，具体为：质量评价分数
Figure GDA0003510221020000031
其中：i为车牌标定库中不同的车牌信息对应的索引，
Figure GDA0003510221020000032
为车牌模型检测置信度，图像清晰度评价
Figure GDA0003510221020000033
gradx和grady为车牌X和Y方向Sobel梯度；车牌到相机距离评价
Figure GDA0003510221020000034
Himg为图像宽度，Ycenter为车牌图像中点纵坐标。
本实施例中，质量评价分数Pi＝0.189+0.973+0.810＝1.972。
所述的模型投影误差是指：根据车牌类别得到车牌实际尺寸，通过实际尺寸构建相对世界坐标系，计算图像坐标系到相对世界坐标系的转换误差为
Figure GDA0003510221020000035
其中：Ai和Li为第i个车牌的坐标信息构建的矩阵，
Figure GDA0003510221020000036
为图像坐标系到相对世界坐标系的转换矩阵，
Figure GDA0003510221020000037
Figure GDA0003510221020000038
Figure GDA0003510221020000039
Figure GDA00035102210200000310
和
Figure GDA00035102210200000311
为标定库第i个车牌的四个角点的图像坐标，
Figure GDA00035102210200000312
Figure GDA00035102210200000313
和
Figure GDA00035102210200000314
为标定库第i个车牌相对世界坐标系下的三维坐标。
如图2所示，所述的相对世界坐标系是指：构建以车牌左上角点为圆心，以水平方向为X轴，以竖直向下方向为Y轴，根据右手螺旋原则，以垂直车牌向上为Z轴，得到车牌四个角点的三维坐标，4个角点平面到三维坐标的对应关系已知，分别为(Xlt,Ylt,0)、(Xrt,Yrt,0)、(Xlb,Ylb,0)和(Xrb,Yrb,0)。
本实施例中，模型误差为σ＝2.401e-08。
所述的更新车牌标定库是指：设置车牌标定库车牌中车牌信息数量(≥4)，当数据小于指定数量时，根据高清图像的车牌信息加入车牌标定库；当数据大于指定数量时更新车牌标定库，通过模型转换误差排序，删除多余的车牌信息。
本实施例中，车牌标定库如下表所示，其中车牌类型type、图像的左上(Xlt,Ylt)、右上(Xrt,Yrt)、左下(Xlb,Ylb)、右下角点坐标(Xrb,Yrb)、质量评价分数P和转换误差σ：
Figure GDA0003510221020000041
Figure GDA0003510221020000051
标定阶段，通过车牌标定库中的车牌棋盘格和车牌对应的质量评价，使用加权最小二乘法进行相机内参数标定；
所述的相机内参数标定是指：利用每组车牌棋盘格标定出单应矩阵，多组棋盘格利用最小二乘法求解内参矩阵
Figure GDA0003510221020000061
其中：
Figure GDA0003510221020000062
Figure GDA0003510221020000063
Figure GDA0003510221020000064
Figure GDA0003510221020000065
Figure GDA0003510221020000066
Figure GDA0003510221020000067
为第i个车牌对应的模型转换参数矩阵，
Figure GDA0003510221020000068
为包含相机内参数的矩阵。
所述的加权最小二乘法是指：考虑到车牌图像质量不一样，车牌清晰度、车牌离相机距离远近，以及车牌不同类别置信度，都会对车牌棋盘格质量产生影响，根据标定库中的车牌棋盘格质量评价，利用加权最小二乘求解内参数，具体步骤为：
1)权重矩阵为：
Figure GDA0003510221020000069
其中：
Figure GDA00035102210200000610
是一个2×2的对角阵，对角元素是第i个车牌的质量评价分数。
2)找到QTPQ最小特征值对应的特征向量即为齐次方程的最小二乘解，
Figure GDA00035102210200000611
3)计算相机内参数：
Figure GDA00035102210200000612
其中：u0、v0分别为相机的像主点，α、β分别为相机在X和Y方向的像素焦距，λ、γ分别为尺度系数，Bij为
Figure GDA00035102210200000613
对应解。
本实施例中，利用100组车牌棋盘格加权标定相机内参数：
Figure GDA0003510221020000071
标定的投影总误差为：σall＝0.0359。
定位阶段，利用视频中检测识别到的车牌号，确定同一辆车，在每一帧中分别定位出车牌在相机坐标系下的位置，具体步骤为：
1)利用车牌信息构建车牌棋盘格，并计算车牌四个角点的图像坐标到相对世界坐标系的转换矩阵；
2)利用相机内参矩阵，求解车牌到相机转换的旋转和平移矩阵
Figure GDA0003510221020000072
其中：ri＝(R1i R2i R3i)T，hi＝(h1i h2i h3i)T，t＝(t1 t2 t3)T；
3)根据旋转和平移向量得到车牌中心点在相机坐标系中的三维坐标(XC,YC,ZC)：
Figure GDA0003510221020000073
进一步地，将本发明设置于四方路高架桥上分别部署雷达和测速方案，测速方案在NVIDIA开发板NANO上部署上述装置，监控并测速高架桥下的车流两小时，根据已知视频帧率FPS，将视频按帧分解，得到139帧序列帧图像，如图5所示，检测车牌并识别车牌号为沪K__322；判断是否同一车牌号，当相同跟踪车牌并进入测速阶段，检测得到车牌在39～65帧之间图像；得到的车牌在相机坐标系下的三维坐标如图2所示。
测速阶段，通过在视频连续帧中检测到的车牌，在相邻检测到的车牌在相对于相机坐标系的三维坐标之间的欧氏距离之和：
Figure GDA0003510221020000074
其中：(Xc,Yc,Zc)为车牌在相机坐标系下的坐标，i和i+1为相邻两帧。
本实施例中，计算累计相邻帧间距离，绘制如图3所示的随帧时间图：所述的线性平滑是指：Vt＝0.5·Vt-1+0.5·distt/t，其中：Vt-1,Vt分别为t-1时刻和t时刻的速度。
本实施例中，线性平滑计算速度，绘制速度时间如图4所示，经与现有技术如中国专利文献号CN101877174A以及CN107403454A相比，本发明的准确性在±5％以内。
综上，本发明采用车牌类别得到车牌已知尺寸，构建相对世界坐标系，计算车牌图像坐标系和相对世界坐标系的转换关系；综合考虑车牌检测置信度、图像清晰度和车牌离相机距离，多车牌标定加权最小二乘计算相机内参，误差较小；通过车牌在相机坐标系下的坐标变化，实现车辆行驶速度的精确测量。
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 (5)

1.一种基于多车牌标定库的微区间测速方法，其特征在于，通过图像神经网络检测道路车牌，根据车牌类别和其对应尺寸关系得到车牌棋盘格并构建车牌标定库；利用棋盘格的转换关系模型残差来更新车牌标定库；通过车牌标定库中的车牌棋盘格和车牌对应的质量评价，使用加权最小二乘法进行相机内参数标定；利用视频序列中的车牌号标示定位车辆并利用检测到的车牌和相机内参数计算车牌在相机坐标系中的行驶距离，再通过线性平滑计算得到该车辆的实际行驶速度；
所述的车牌标定库包括：图像中车牌的类别，图像中车牌的四个角点的坐标、图像中车牌棋盘格的质量评价分数及其对应的单应矩阵模型投影误差；
所述的车牌对应的质量评价是指：通过检测到车牌的图像清晰度、检测置信度和车牌中心点到相机视野近端的图像距离加权得到的结果，具体为：质量评价分数
Figure FDA0003510221010000011
其中：i为车牌标定库中不同的车牌信息对应的索引，
Figure FDA0003510221010000012
为车牌模型检测置信度，图像清晰度评价
Figure FDA0003510221010000013
gradx和grady为车牌X和Y方向Sobel梯度；车牌到相机距离评价
Figure FDA0003510221010000014
Himg为图像宽度，Ycenter为车牌图像中点纵坐标；
所述的模型投影误差是指：根据车牌类别得到车牌实际尺寸，通过实际尺寸构建相对世界坐标系，计算图像坐标系到相对世界坐标系的转换误差为
Figure FDA0003510221010000015
其中：Ai和Li为第i个车牌的坐标信息构建的矩阵，
Figure FDA0003510221010000016
为图像坐标系到相对世界坐标系的转换矩阵，
Figure FDA0003510221010000017
Figure FDA0003510221010000018
Figure FDA0003510221010000021
和
Figure FDA0003510221010000022
为标定库第i个车牌的四个角点的图像坐标，
Figure FDA0003510221010000023
Figure FDA0003510221010000024
和
Figure FDA0003510221010000025
为标定库第i个车牌相对世界坐标系下的三维坐标；
所述的相对世界坐标系是指：构建以车牌左上角点为圆心，以水平方向为X轴，以竖直向下方向为Y轴，根据右手螺旋原则，以垂直车牌向上为Z轴，得到车牌四个角点的三维坐标，4个角点平面到三维坐标的对应关系已知，分别为(Xlt,Ylt,0)、(Xrt,Yrt,0)、(Xlb,Ylb,0)和(Xrb,Yrb,0)；
所述的加权最小二乘法是指：考虑到车牌图像质量不一样，车牌清晰度、车牌离相机距离远近，以及车牌不同类别置信度，都会对车牌棋盘格质量产生影响，根据标定库中的车牌棋盘格质量评价，利用加权最小二乘求解内参数，具体步骤为：
1)权重矩阵为：
Figure FDA0003510221010000026
其中：
Figure FDA0003510221010000027
是一个2×2的对角阵，对角元素是第i个车牌的质量评价分数；
2)找到QTPQ最小特征值对应的特征向量即为齐次方程的最小二乘解，
Figure FDA0003510221010000028
3)计算相机内参数：
Figure FDA0003510221010000029
其中：u0、v0分别为相机的像主点，α、β分别为相机在X和Y方向的像素焦距，λ、γ分别为尺度系数，Bij为
Figure FDA00035102210100000210
对应解；
所述的车辆的实际行驶速度，通过在视频连续帧中检测到的车牌，在相邻检测到的车牌在相对于相机坐标系的三维坐标之间的欧氏距离之和，再经线性平滑计算得到，具体为：
t-1时刻和t时刻的速度分别满足：Vt＝0.5·Vt-1+0.5·distt/t，其中：
Figure FDA0003510221010000031
(Xc,Yc,Zc)为车牌在相机坐标系下的坐标，i和i+1为相邻两帧。
2.根据权利要求1所述的基于多车牌标定库的微区间测速方法，其特征是，所述的更新车牌标定库是指：设置车牌标定库车牌中车牌信息数量，当数据小于指定数量时，根据高清图像的车牌信息加入车牌标定库；当数据大于指定数量时更新车牌标定库，通过模型转换误差排序，删除多余的车牌信息。
3.根据权利要求1所述的基于多车牌标定库的微区间测速方法，其特征是，所述的相机内参数是指：利用每组车牌棋盘格标定出单应矩阵，多组棋盘格利用最小二乘法求解内参矩阵
Figure FDA0003510221010000032
其中：
Figure FDA0003510221010000033
Figure FDA0003510221010000034
Figure FDA0003510221010000035
Figure FDA0003510221010000036
Figure FDA0003510221010000037
为第i个车牌对应的模型转换参数矩阵，
Figure FDA0003510221010000038
为包含相机内参数的矩阵。
4.根据权利要求1所述的基于多车牌标定库的微区间测速方法，其特征是，所述的定位是指：利用视频中检测识别到的车牌号，确定同一辆车，在每一帧中分别定位出车牌在相机坐标系下的位置，具体包括：
1)利用车牌信息构建车牌棋盘格，并计算车牌四个角点的图像坐标到相对世界坐标系的转换矩阵；
2)利用相机内参矩阵，求解车牌到相机转换的旋转和平移矩阵
Figure FDA0003510221010000039
其中：ri＝(R1i R2i R3i)T，hi＝(h1i h2i h3i)T，t＝(t1 t2 t3)T；
3)根据旋转和平移向量得到车牌中心点在相机坐标系中的三维坐标(XC,YC,ZC)：
Figure FDA0003510221010000041
5.一种实现权利要求1～4中任一所述基于多车牌标定库的微区间测速方法的***，其特征在于，包括：建库单元、标定单元、定位单元以及测速单元，其中：建库单元根据道路监控相机采集到的包含车牌的图像构建车牌标定库，标定单元根据车牌标定库中的车牌类别对应的实际尺寸和图像坐标得到车牌棋盘格，并以车牌标定库中的质量评价分数作为权重，加权最小二乘计算相机内参数；在实测阶段，定位单元获取监控视频逐帧分解识别得到车牌号并生成车牌棋盘格，结合来自标定单元的相机内参数计算出车牌在相机坐标系下的三维坐标，实现车牌在相机坐标系下的定位，测速单元根据视频帧中的同一车牌在相机坐标系下的三维坐标，计算车辆行驶的三维距离，得到车牌行驶速度作为车辆行驶速度。
CN202110317790.6A 2021-03-25 2021-03-25 基于多车牌标定库的微区间测速方法及*** Active CN113030506B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110317790.6A CN113030506B (zh) 2021-03-25 2021-03-25 基于多车牌标定库的微区间测速方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110317790.6A CN113030506B (zh) 2021-03-25 2021-03-25 基于多车牌标定库的微区间测速方法及***

Publications (2)

Publication Number Publication Date
CN113030506A CN113030506A (zh) 2021-06-25
CN113030506B true CN113030506B (zh) 2022-07-12

Family

ID=76473948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110317790.6A Active CN113030506B (zh) 2021-03-25 2021-03-25 基于多车牌标定库的微区间测速方法及***

Country Status (1)

Country Link
CN (1) CN113030506B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101105893A (zh) * 2006-07-14 2008-01-16 沈阳江龙软件开发科技有限公司 一种车辆视频识别测速方法
CN101877174A (zh) * 2009-09-29 2010-11-03 杭州海康威视软件有限公司 车速测量方法、监控机及车速测量***
CN102467821A (zh) * 2010-11-04 2012-05-23 北京汉王智通科技有限公司 基于视频图像的路面距离检测方法及装置
CN105551264A (zh) * 2015-12-25 2016-05-04 中国科学院上海高等研究院 一种基于车牌特征匹配的车速检测方法
CN106802144A (zh) * 2016-12-28 2017-06-06 深圳市美好幸福生活安全***有限公司 一种基于单目视觉和车牌的车距测量方法
CN108375368A (zh) * 2018-01-09 2018-08-07 上海未来伙伴机器人有限公司 一种基于单目视觉的嵌入式车载测距方法及其***
CN108681693A (zh) * 2018-04-12 2018-10-19 南昌大学 基于可信区域的车牌识别方法
CN110322702A (zh) * 2019-07-08 2019-10-11 中原工学院 一种基于双目立体视觉***的车辆智能测速方法
CN111582253A (zh) * 2020-06-19 2020-08-25 上海其高电子科技有限公司 基于事件触发的车牌跟踪识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2419884C1 (ru) * 2010-07-20 2011-05-27 Общество С Ограниченной Ответственностью "Технологии Распознавания" Способ определения скорости транспортного средства
US9083856B2 (en) * 2012-03-02 2015-07-14 Xerox Corporation Vehicle speed measurement method and system utilizing a single image capturing unit

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101105893A (zh) * 2006-07-14 2008-01-16 沈阳江龙软件开发科技有限公司 一种车辆视频识别测速方法
CN101877174A (zh) * 2009-09-29 2010-11-03 杭州海康威视软件有限公司 车速测量方法、监控机及车速测量***
CN102467821A (zh) * 2010-11-04 2012-05-23 北京汉王智通科技有限公司 基于视频图像的路面距离检测方法及装置
CN105551264A (zh) * 2015-12-25 2016-05-04 中国科学院上海高等研究院 一种基于车牌特征匹配的车速检测方法
CN106802144A (zh) * 2016-12-28 2017-06-06 深圳市美好幸福生活安全***有限公司 一种基于单目视觉和车牌的车距测量方法
CN108375368A (zh) * 2018-01-09 2018-08-07 上海未来伙伴机器人有限公司 一种基于单目视觉的嵌入式车载测距方法及其***
CN108681693A (zh) * 2018-04-12 2018-10-19 南昌大学 基于可信区域的车牌识别方法
CN110322702A (zh) * 2019-07-08 2019-10-11 中原工学院 一种基于双目立体视觉***的车辆智能测速方法
CN111582253A (zh) * 2020-06-19 2020-08-25 上海其高电子科技有限公司 基于事件触发的车牌跟踪识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于车牌字符边界定位的视频测速;陈群等;《计算机工程》;20140530;第40卷(第5期);第158-163页 *
基于车牌识别的机混车道视频测速算法;隋宗宾等;《现代电子技术》;20150915;第38卷(第18期);第125-132页 *

Also Published As

Publication number Publication date
CN113030506A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN109167956B (zh) 全桥面移动荷载空间分布监测***
JP3834826B2 (ja) 交通渋滞計測方法および装置並びに画像処理方法および装置
CN111798386B (zh) 一种基于边缘识别与最大序列密度估计的河道流速测量方法
CN104183133B (zh) 一种采集和传输道路交通流动态信息的方法
CN112833883B (zh) 一种基于多相机的室内移动机器人定位方法
CN113221682B (zh) 基于计算机视觉的桥梁车辆荷载时空分布细粒度识别方法
CN103499337B (zh) 一种基于立式标靶的车载单目摄像头测距测高装置
CN110009037B (zh) 一种基于物理信息耦合的工程风速短时预测方法及***
CN109272482B (zh) 一种基于序列图像的城市路口车辆排队检测***
CN112927565B (zh) 提升机坪综合航迹监视数据精度的方法、装置及***
CN108914815A (zh) 桥面车辆荷载识别装置、桥梁及桥梁荷载分布识别方法
CN111241988A (zh) 一种结合定位信息的大场景内运动目标检测识别方法
CN112053572A (zh) 基于视频和距离网格标定的车辆测速方法、设备及***
CN112687127A (zh) 一种基于ais与图像分析辅助的船舶定位与抓拍方法
CN112461147A (zh) 一种基于视觉测量技术的桥梁动态形变监测方法及***
CN112990128A (zh) 一种基于视频跟踪的多车辆测速方法
CN115717867A (zh) 一种基于机载双相机和目标追踪的桥梁变形测量方法
CN111259833A (zh) 一种基于交通图像的车辆计数方法
CN117058600A (zh) 区域桥梁群车流荷载识别方法及***
CN106056926B (zh) 基于动态虚拟线圈的视频车速检测方法
CN113128371B (zh) 一种基于自动视觉扫描的运营期桥梁监测***及方法
CN113030506B (zh) 基于多车牌标定库的微区间测速方法及***
CN113255469A (zh) 交通监控场景道路占有率的测定方法及装置
CN116839539A (zh) 一种用于隧道工程建设的自动监控量测***
CN114782549B (zh) 基于定点标识的相机标定方法及***

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