CN113284350A - 一种基于激光的违停检测方法及*** - Google Patents
一种基于激光的违停检测方法及*** Download PDFInfo
- Publication number
- CN113284350A CN113284350A CN202110555151.3A CN202110555151A CN113284350A CN 113284350 A CN113284350 A CN 113284350A CN 202110555151 A CN202110555151 A CN 202110555151A CN 113284350 A CN113284350 A CN 113284350A
- Authority
- CN
- China
- Prior art keywords
- target object
- violation
- illegal
- target
- laser
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000007704 transition Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种基于激光的违停检测方法及***,包括以下步骤:步骤S1、利用激光扫描装置和图像拍摄装置获取目标对象的违停影像,并通过所述目标对象的违停影像获取目标对象特征;步骤S2、利用特征融合对所述目标对象特征进行融合寻优获得精准分辨目标对象违停种类的最优特征,并依据所述最优特征构建精准分辨所有目标对象违停种类的违停检测模型。本发明基于激光扫描技术判断目标区域内是否存在违停,可以实现对目标区域违停对象的定向抓拍直接获得违停影像,避免从处理大量的实时图像数据流中进行图像识别进行违停影像的筛选,提高了实时违停判别效率。
Description
技术领域
本发明涉及道路交通技术领域,具体涉及一种基于激光的违停检测方法及***。
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:无法进行针对性未定车辆图像的抓拍,导致图像数据量大,实时运行效率低,而且,仅能依次判断车辆是否违停并不能自动识别违停种类,对于违章停车检测不够全面不够精准。
发明内容
本发明的目的在于提供一种基于激光的违停检测方法及***,以解决现有技术中无法进行针对性未定车辆图像的抓拍,导致图像数据量大,实时运行效率低,而且,仅能依次判断车辆是否违停并不能自动识别违停种类,对于违章停车检测不够全面不够精准的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种基于激光的违停检测方法,包括以下步骤:
步骤S1、利用激光扫描装置和图像拍摄装置获取目标对象的违停影像,并通过所述目标对象的违停影像获取目标对象特征;
步骤S2、利用特征融合对所述目标对象特征进行融合寻优获得精准分辨目标对象违停种类的最优特征,并依据所述最优特征构建精准分辨所有目标对象违停种类的违停检测模型;
步骤S3、基于所述违停检测模型在违停影像中同步抓取处于违停状态的所有目标对象并获取目标对象的违停种类信息,并将所述目标对象的违停种类信息上传交管平台。
作为本发明的一种优选方案,所述步骤S1中,获取目标对象特征的具体方法:
步骤S101、所述激光扫描装置实时扫描目标区域生成激光扫描数据,并依据激光扫描数据对所述目标区域进行第一违停分辨生成第一违停标识同步传输至所述图像拍摄装置;
步骤S102、所述图像拍摄装置基于所述第一违停标识对所述目标区域进行抓拍获取所述目标区域内的目标对象的违停影像;
步骤S103、对所述目标对象的违停影像进行图像识别获取表征目标对象实体和位置信息的目标对象特征。
作为本发明的一种优选方案,所述步骤S2中,还包括获取集合目标区域历史违停图像数据的违停日志,基于所述违停日志构建表征分辨目标对象违停与否的基础特征的第一违停模型样本集,具体方法包括:
在违停日志中随机抽取相同数量的正样本和负样本混合构成标准样本集,其中,所述正样本为处于同类违停种类的目标对象的违停图像数据,所述负样本为处于他类违停种类的目标对象的违停图像数据;
对标准样本集中进行特征量化获得第一单阶特征,并将第一单阶特征利用相关性分析实现特征降维获得第二单阶特征;
基于标准样本集获取所述第二单阶特征的特征值,并将第二单阶特征的特征值与第二单阶特征建立新映射获得第一违停模型样本集。
作为本发明的一种优选方案,所述相关性分析实现特征降维的具体方法包括:
依次将第一单阶特征中所有特征进行两两配对组合获得双特征对并将双特征对的特征值带入相关性计算公式获得双特征对的相关性系数,相关性计算公式为:
其中,X为第一单阶特征,xi,xj为第一单阶特征中的第i,j个特征的特征值,p(xi,xj)是xi和xj的联合概率分布函数,而p(xi)和p(xj)分别是xi和xj的边缘概率分布函数;
遍历选取相关性系数高于相关性阈值的第一双特征对,并在第一双特征对中随机选取第一特征,并对应删除所有双特征对中的第一特征,直至第一双特征对遍历完成;
将所有双特征对进行配对拆分获得的第一单阶特征汇总构成第二单阶特征。
作为本发明的一种优选方案,所述步骤S2,利用特征融合对所述目标对象特征进行融合寻优获得精准分辨目标对象违停种类的最优特征的具体方法包括:
步骤S201、利用笛卡尔积将所述第二单阶特征进行编码融合获得第一多阶特征,并基于所述第一多阶特征对所述第一违停模型样本集进行第一映射更新生成过渡违停模型样本集;
步骤S202、基于所述过渡违停模型样本集利用多目标搜索策略筛选第一多阶特征获得最优多阶特征,并基于最优多阶特征对所述过渡违停模型样本集进行第二映射更新获得第二违停模型样本集。
作为本发明的一种优选方案,所述步骤S202中,多目标搜索策略筛选第一多阶特征获得最优多阶特征的具体方法包括:
利用第一多阶特征在过渡违停模型样本集中的正负样本的聚类准确度和第一多阶特征的使用数目构建多目标搜索策略的目标函数,所述目标函数为:
minf=-(α1*MNI+α2*t);
其中,α1+α2=1;
α1和α2为权重常数,α1,α2∈(0,1),NMI为聚类准确度,t为第一多阶特征的使用数目,t∈(0,M),M为第一多阶特征的总数目,H为混合矩阵,Hkl表征为过渡违停模型样本集中的所述正负样本的聚类集群结构CS1中正负样本集群k内的样本同时处于所述正负样本的真实聚类集群结构CS2中正负样本集群l内的数目,np1和np2分别是CS1和CS2划分结果中的集群个数,Hk和Hl分别为混合矩阵H中第k行和第l列的元素之和,N为过渡违停模型样本集的样本数目;
线性标定所述目标函数构建适应度函数,并利用多目标搜索算法求解所述目标函数获得一组由第一多阶特征组成的最优多阶特征的Pareto解集;
选取所述最优多阶特征的Pareto解集中适应度值最高的解作为将目标对象归属至最佳管理集群的最优多阶特征,所述适应度函数的计算公式为:
F=-f+γ,γ∈(0,0.1);
其中,f为目标函数,γ为扰动常数。
作为本发明的一种优选方案,所述步骤S2中,构建依据所述最优特征构建精准分辨所有目标对象违停种类的违停检测模型的具体方法包括:
步骤一:基于所述最优多阶特征将所有目标对象分别量化为单个违停集群xy={ay1,ay2,...,aym},其中xy表示第y台目标对象的最优多阶特征的集合,表示第y台目标对象的第z1个最优多阶特征,z1∈[1,m],y∈[1,n],m为最优多阶特征的总数目,n为目标对象的总数目;
步骤二:依次计算两违停集群的相似性,并基于最大相似性进行集群融合归一,所述违停集群的相似性为两违停集群中相似性最大的一对目标对象之间的相似性,所述相似性用果瓦系数进行度量:
步骤三:重复步骤二直至当前目标对象违停集群总数目是最初目标对象违停集群总数目的10%完成聚类,并获得精准分辨所有目标对象违停种类的各个违停集群。
作为本发明的一种优选方案,本发明提供了一种根据所述的基于激光的违停检测方法的检测***,包括设置在目标区域内的激光扫描装置和图像拍摄装置,与所述图像拍摄装置的数据输出端通讯连接的违停判定装置,以及与所述违停判定装置通讯连接的模型训练单元,所述激光扫描装置包括激光发射器集成矩阵和激光接收器集成矩阵,所述激光接收器矩阵用于接收激光发射器矩阵的激光信号并统计所述激光信号判定目标对象违停与否并生成第一违停标识,所述违停判定装置还分别与所述激光接收器矩阵、图像拍摄装置通讯连接用以获取第一违停标识并依据第一违停标识获取目标对象的违停影像以及基于所述违停检测模型在违停影像中同步抓取处于违停状态的所有目标对象并获取目标对象的违停种类信息,并将所述目标对象的违停种类信息上传交管平台,所述模型训练单元用于利用特征融合对所述目标对象特征进行融合寻优获得精准分辨目标对象违停种类的最优特征,并依据所述最优特征构建精准分辨所有目标对象违停种类的违停检测模型。
作为本发明的一种优选方案,所述第一违停标识包括违停和未违停,获取第一违停标识的具体方法:
若激光接收器矩阵接收到激光信号,则统计激光信号的覆盖面积构建表征目标对象实体信息的激光扫描数据,并依据所述激光扫描数据判定目标对象为机动车辆确定第一违停标识为违停;
若激光接收器矩阵接收到激光信号,则统计激光信号的覆盖面积构建表征目标对象实体信息的激光扫描数据,并依据所述激光扫描数据判定目标对象为非机动车辆或若激光接收器矩阵未接收到激光信号确定第一违停标识为未违停。
作为本发明的一种优选方案,所述图像拍摄装置用于基于所述第一违停标识对所述目标区域进行抓拍获取所述目标区域内的目标对象的违停影像的具体方法包括:
若所述第一违停标识为违停,所述图像拍摄装置对所述目标区域进行抓拍获取所述目标区域内的目标对象的违停影像;
若所述第一违停标识为未违停,所述图像拍摄装置不对所述目标区域进行抓拍。
本发明与现有技术相比较具有如下有益效果:
本发明基于激光扫描技术判断目标区域内是否存在违停,可以实现对目标区域违停对象的定向抓拍直接获得违停影像,避免从处理大量的实时图像数据流中进行图像识别进行违停影像的筛选,提高了实时违停判别效率,并且建立违停检测模型对所有违停影像中的违停对象进行违停种类识别,可实现违停对象违停种类,实现全面违章检测。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的违停检测方法流程图;
图2为本发明实施例提供的检测***结构框图;
图3为本发明实施例提供的违停种类划分结构示意图。
图中的标号分别表示如下:
1-激光扫描装置;2-图像拍摄装置;3-违停判定装置;4-模型训练单元。
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在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供了一种基于激光的违停检测方法,包括以下步骤:
步骤S1、利用激光扫描装置和图像拍摄装置获取目标对象的违停影像,并通过所述目标对象的违停影像获取目标对象特征;
所述步骤S1中,获取目标对象特征的具体方法:
步骤S101、所述激光扫描装置实时扫描目标区域生成激光扫描数据,并依据激光扫描数据对所述目标区域进行第一违停分辨生成第一违停标识同步传输至所述图像拍摄装置;
第一违停分辨的具体方法包括:若激光接收器矩阵接收到激光信号,则统计激光信号的覆盖面积构建表征目标对象实体信息的激光扫描数据,并依据所述激光扫描数据判定目标对象为机动车辆确定第一违停标识为违停;
若激光接收器矩阵接收到激光信号,则统计激光信号的覆盖面积构建表征目标对象实体信息的激光扫描数据,并依据所述激光扫描数据判定目标对象为非机动车辆或若激光接收器矩阵未接收到激光信号确定第一违停标识为未违停。
若所述第一违停标识为违停,所述图像拍摄装置对所述目标区域进行抓拍获取所述目标区域内的目标对象的违停影像;
若所述第一违停标识为未违停,所述图像拍摄装置不对所述目标区域进行抓拍。
步骤S102、所述图像拍摄装置基于所述第一违停标识对所述目标区域进行抓拍获取所述目标区域内的目标对象的违停影像;
步骤S103、对所述目标对象的违停影像进行图像识别获取表征目标对象实体和位置信息的目标对象特征。
步骤S2、利用特征融合对所述目标对象特征进行融合寻优获得精准分辨目标对象违停种类的最优特征,并依据所述最优特征构建精准分辨所有目标对象违停种类的违停检测模型;
所述步骤S2中,还包括获取集合目标区域历史违停图像数据的违停日志,基于所述违停日志构建表征分辨目标对象违停与否的基础特征的第一违停模型样本集,具体方法包括:
在违停日志中随机抽取相同数量的正样本和负样本混合构成标准样本集,其中,所述正样本为处于同类违停种类的目标对象的违停图像数据,所述负样本为处于他类违停种类的目标对象的违停图像数据;
同类表示目标对象的违章种类一致,他类表示目标对象的违章种类非一致。
对标准样本集中进行特征量化获得第一单阶特征,并将第一单阶特征利用相关性分析实现特征降维获得第二单阶特征;
基于标准样本集获取所述第二单阶特征的特征值,并将第二单阶特征的特征值与第二单阶特征建立新映射获得第一违停模型样本集。
所述相关性分析实现特征降维的具体方法包括:
依次将第一单阶特征中所有特征进行两两配对组合获得双特征对并将双特征对的特征值带入相关性计算公式获得双特征对的相关性系数,相关性计算公式为:
其中,X为第一单阶特征,xi,xj为第一单阶特征中的第i,j个特征的特征值,p(xi,xj)是xi和xj的联合概率分布函数,而p(xi)和p(xj)分别是xi和xj的边缘概率分布函数;
遍历选取相关性系数高于相关性阈值的第一双特征对,并在第一双特征对中随机选取第一特征,并对应删除所有双特征对中的第一特征,直至第一双特征对遍历完成;
将所有双特征对进行配对拆分获得的第一单阶特征汇总构成第二单阶特征。
相关性系数是指两个特征的相似程度,利用相关性系数量化第一单阶特征间的相似程度,而后将第一单阶特征间相似程度高的多个特征仅用一个特征进行表征即可,实现特征降维的同时避免删除有效特征,特征降维可以有效的减少无效计算,并提高模型聚类划分的运算精度。
所述步骤S2,利用特征融合对所述目标对象特征进行融合寻优获得精准分辨目标对象违停种类的最优特征的具体方法包括:
步骤S201、利用笛卡尔积将所述第二单阶特征进行编码融合获得第一多阶特征,并基于所述第一多阶特征对所述第一违停模型样本集进行第一映射更新生成过渡违停模型样本集;
步骤S202、基于所述过渡违停模型样本集利用多目标搜索策略筛选第一多阶特征获得最优多阶特征,并基于最优多阶特征对所述过渡违停模型样本集进行第二映射更新获得第二违停模型样本集。
所述步骤S202中,多目标搜索策略筛选第一多阶特征获得最优多阶特征的具体方法包括:
利用第一多阶特征在过渡违停模型样本集中的正负样本的聚类准确度和第一多阶特征的使用数目构建多目标搜索策略的目标函数,所述目标函数为:
minf=-(α1*MNI+α2*t);
其中,α1+α2=1;
α1和α2为权重常数,α1,α2∈(0,1),NMI为聚类准确度,t为第一多阶特征的使用数目,t∈(0,M),M为第一多阶特征的总数目,H为混合矩阵,Hkl表征为过渡违停模型样本集中的所述正负样本的聚类集群结构CS1中正负样本集群k内的样本同时处于所述正负样本的真实聚类集群结构CS2中正负样本集群l内的数目,np1和np2分别是CS1和CS2划分结果中的集群个数,Hk和Hl分别为混合矩阵H中第k行和第l列的元素之和,N为过渡违停模型样本集的样本数目;
利用聚类准确度和第一多阶特征的使用数目构建的目标函数,其中,聚类算法而言使用的特征数目越多则聚类准确度越高,因此第一多阶特征的使用数目与距离准确度存在互斥的竞争关系,同时第一多阶特征的使用数目与聚类准确度二者又分别体现了聚类划分的两种优化目标,即少使用特征数目降低计算量获得多使用特征数目提高聚类准确度,因此将存在竞争的第一多阶特征的使用数目与聚类准确度进行权重组合,将单个目标的优化转变为多个目标的优化,实现对第一多阶特征的使用数目与聚类准确度的折衷优化以获得快速精确将目标对象归置到同类违停集群中的最优多阶特征。
线性标定所述目标函数构建适应度函数,并利用多目标搜索算法求解所述目标函数获得一组由第一多阶特征组成的最优多阶特征的Pareto解集;
选取所述最优多阶特征的Pareto解集中适应度值最高的解作为将目标对象归属至最佳管理集群的最优多阶特征,所述适应度函数的计算公式为:
F=-f+γ,γ∈(0,0.1);
其中,f为目标函数,γ为扰动常数。
适应度值反应了个体对环境的适应能力强弱,因此可以构建适应度函数来衡量个体的优劣,而且适应度函数可以在不利用外部信息的情况下,作为是多目标搜索算法挑选优秀个体的唯一依据,它由优化问题中目标函数映射而来,在本实施例的多目标优化问题中反映了Pareto解集中解的优劣,适应度值越高,则解越优。在多目标搜索算法智能搜索过程中,通过适应度值的比较排序操作可以实现最优解的寻优功能,在设定时为方便规定适应度值总是非负的,如此在选择中可以直观的选取解个体适应度值在数值上更大的解个体,所以再适应度函数是需要遵循最大值形式且函数值非负的规则,并保持低复杂度。
如图3所示,所述步骤S2中,构建依据所述最优特征构建精准分辨所有目标对象违停种类的违停检测模型的具体方法包括:
步骤一:基于所述最优多阶特征将所有目标对象分别量化为单个违停集群xy={ay1,ay2,...,aym},其中xy表示第y台目标对象的最优多阶特征的集合,表示第y台目标对象的第z1个最优多阶特征,z1∈[1,m],y∈[1,n],m为最优多阶特征的总数目,n为目标对象的总数目;
步骤二:依次计算两违停集群的相似性,并基于最大相似性进行集群融合归一,所述违停集群的相似性为两违停集群中相似性最大的一对目标对象之间的相似性,所述相似性用果瓦系数进行度量:
步骤三:重复步骤二直至当前目标对象违停集群总数目是最初目标对象违停集群总数目的10%完成聚类,并获得精准分辨所有目标对象违停种类的各个违停集群。
步骤S3、基于所述违停检测模型在违停影像中同步抓取处于违停状态的所有目标对象并获取目标对象的违停种类信息,并将所述目标对象的违停种类信息上传交管平台。
如图2所示,基于上述所述的基于激光的违停检测方法,本发明提供了一种检测***,包括设置在目标区域内的激光扫描装置和图像拍摄装置,与所述图像拍摄装置的数据输出端通讯连接的违停判定装置,以及与所述违停判定装置通讯连接的模型训练单元,所述激光扫描装置包括激光发射器集成矩阵和激光接收器集成矩阵,所述激光接收器矩阵用于接收激光发射器矩阵的激光信号并统计所述激光信号判定目标对象违停与否并生成第一违停标识,所述违停判定装置还分别与所述激光接收器矩阵、图像拍摄装置通讯连接用以获取第一违停标识并依据第一违停标识获取目标对象的违停影像以及基于所述违停检测模型在违停影像中同步抓取处于违停状态的所有目标对象并获取目标对象的违停种类信息,并将所述目标对象的违停种类信息上传交管平台,所述模型训练单元用于利用特征融合对所述目标对象特征进行融合寻优获得精准分辨目标对象违停种类的最优特征,并依据所述最优特征构建精准分辨所有目标对象违停种类的违停检测模型。
所述第一违停标识包括违停和未违停,获取第一违停标识的具体方法:
若激光接收器矩阵接收到激光信号,则统计激光信号的覆盖面积构建表征目标对象实体信息的激光扫描数据,并依据所述激光扫描数据判定目标对象为机动车辆确定第一违停标识为违停;
若激光接收器矩阵接收到激光信号,则统计激光信号的覆盖面积构建表征目标对象实体信息的激光扫描数据,并依据所述激光扫描数据判定目标对象为非机动车辆或若激光接收器矩阵未接收到激光信号确定第一违停标识为未违停。
所述图像拍摄装置用于基于所述第一违停标识对所述目标区域进行抓拍获取所述目标区域内的目标对象的违停影像的具体方法包括:
若所述第一违停标识为违停,所述图像拍摄装置对所述目标区域进行抓拍获取所述目标区域内的目标对象的违停影像;
若所述第一违停标识为未违停,所述图像拍摄装置不对所述目标区域进行抓拍。
本发明基于激光扫描技术判断目标区域内是否存在违停,可以实现对目标区域违停对象的定向抓拍直接获得违停影像,避免从处理大量的实时图像数据流中进行图像识别进行违停影像的筛选,提高了实时违停判别效率,并且建立违停检测模型对所有违停影像中的违停对象进行违停种类识别,可实现违停对象违停种类,实现全面违章检测。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种基于激光的违停检测方法,其特征在于,包括以下步骤:
步骤S1、利用激光扫描装置和图像拍摄装置获取目标对象的违停影像,并通过所述目标对象的违停影像获取目标对象特征;
步骤S2、利用特征融合对所述目标对象特征进行融合寻优获得精准分辨目标对象违停种类的最优特征,并依据所述最优特征构建精准分辨所有目标对象违停种类的违停检测模型;
步骤S3、基于所述违停检测模型在违停影像中同步抓取处于违停状态的所有目标对象并获取目标对象的违停种类信息,并将所述目标对象的违停种类信息上传交管平台。
2.根据权利要求1所述的一种基于激光的违停检测方法,其特征在于:所述步骤S1中,获取目标对象特征的具体方法:
步骤S101、所述激光扫描装置实时扫描目标区域生成激光扫描数据,并依据激光扫描数据对所述目标区域进行第一违停分辨生成第一违停标识同步传输至所述图像拍摄装置;
步骤S102、所述图像拍摄装置基于所述第一违停标识对所述目标区域进行抓拍获取所述目标区域内的目标对象的违停影像;
步骤S103、对所述目标对象的违停影像进行图像识别获取表征目标对象实体和位置信息的目标对象特征。
3.根据权利要求2所述的一种基于激光的违停检测方法,其特征在于:所述步骤S2中,还包括获取集合目标区域历史违停图像数据的违停日志,基于所述违停日志构建表征分辨目标对象违停与否的基础特征的第一违停模型样本集,具体方法包括:
在违停日志中随机抽取相同数量的正样本和负样本混合构成标准样本集,其中,所述正样本为处于同类违停种类的目标对象的违停图像数据,所述负样本为处于他类违停种类的目标对象的违停图像数据;
对标准样本集中进行特征量化获得第一单阶特征,并将第一单阶特征利用相关性分析实现特征降维获得第二单阶特征;
基于标准样本集获取所述第二单阶特征的特征值,并将第二单阶特征的特征值与第二单阶特征建立新映射获得第一违停模型样本集。
4.根据权利要求3所述的一种基于激光的违停检测方法,其特征在于:所述相关性分析实现特征降维的具体方法包括:
依次将第一单阶特征中所有特征进行两两配对组合获得双特征对并将双特征对的特征值带入相关性计算公式获得双特征对的相关性系数,相关性计算公式为:
其中,X为第一单阶特征,xi,xj为第一单阶特征中的第i,j个特征的特征值,p(xi,xj)是xi和xj的联合概率分布函数,而p(xi)和p(xj)分别是xi和xj的边缘概率分布函数;
遍历选取相关性系数高于相关性阈值的第一双特征对,并在第一双特征对中随机选取第一特征,并对应删除所有双特征对中的第一特征,直至第一双特征对遍历完成;
将所有双特征对进行配对拆分获得的第一单阶特征汇总构成第二单阶特征。
5.根据权利要求4所述的一种基于激光的违停检测方法,其特征在于:所述步骤S2,利用特征融合对所述目标对象特征进行融合寻优获得精准分辨目标对象违停种类的最优特征的具体方法包括:
步骤S201、利用笛卡尔积将所述第二单阶特征进行编码融合获得第一多阶特征,并基于所述第一多阶特征对所述第一违停模型样本集进行第一映射更新生成过渡违停模型样本集;
步骤S202、基于所述过渡违停模型样本集利用多目标搜索策略筛选第一多阶特征获得最优多阶特征,并基于最优多阶特征对所述过渡违停模型样本集进行第二映射更新获得第二违停模型样本集。
6.根据权利要求5所述的一种基于激光的违停检测方法,其特征在于:所述步骤S202中,多目标搜索策略筛选第一多阶特征获得最优多阶特征的具体方法包括:
利用第一多阶特征在过渡违停模型样本集中的正负样本的聚类准确度和第一多阶特征的使用数目构建多目标搜索策略的目标函数,所述目标函数为:
minf=-(α1*MNI+α2*t);
其中,α1+α2=1;
α1和α2为权重常数,α1,α2∈(0,1),NMI为聚类准确度,t为第一多阶特征的使用数目,t∈(0,M),M为第一多阶特征的总数目,H为混合矩阵,Hkl表征为过渡违停模型样本集中的所述正负样本的聚类集群结构CS1中正负样本集群k内的样本同时处于所述正负样本的真实聚类集群结构CS2中正负样本集群l内的数目,np1和np2分别是CS1和CS2划分结果中的集群个数,Hk和Hl分别为混合矩阵H中第k行和第l列的元素之和,N为过渡违停模型样本集的样本数目;
线性标定所述目标函数构建适应度函数,并利用多目标搜索算法求解所述目标函数获得一组由第一多阶特征组成的最优多阶特征的Pareto解集;
选取所述最优多阶特征的Pareto解集中适应度值最高的解作为将目标对象归属至最佳管理集群的最优多阶特征,所述适应度函数的计算公式为:
F=-f+γ,γ∈(0,0.1);
其中,f为目标函数,γ为扰动常数。
7.根据权利要求6所述的一种基于激光的违停检测方法,其特征在于,所述步骤S2中,构建依据所述最优特征构建精准分辨所有目标对象违停种类的违停检测模型的具体方法包括:
步骤一:基于所述最优多阶特征将所有目标对象分别量化为单个违停集群xy={ay1,ay2,…,aym},其中xy表示第y台目标对象的最优多阶特征的集合,表示第y台目标对象的第z1个最优多阶特征,z1∈[1,m],y∈[1,n],m为最优多阶特征的总数目,n为目标对象的总数目;
步骤二:依次计算两违停集群的相似性,并基于最大相似性进行集群融合归一,所述违停集群的相似性为两违停集群中相似性最大的一对目标对象之间的相似性,所述相似性用果瓦系数进行度量:
步骤三:重复步骤二直至当前目标对象违停集群总数目是最初目标对象违停集群总数目的10%完成聚类,并获得精准分辨所有目标对象违停种类的各个违停集群。
8.一种根据权利要求1-7任一项所述的基于激光的违停检测方法的检测***,其特征在于,包括设置在目标区域内的激光扫描装置(1)和图像拍摄装置(2),与所述图像拍摄装置(2)的数据输出端通讯连接的违停判定装置(3),以及与所述违停判定装置(3)通讯连接的模型训练单元(4),所述激光扫描(1)装置包括激光发射器集成矩阵和激光接收器集成矩阵,所述激光接收器矩阵用于接收激光发射器矩阵的激光信号并统计所述激光信号判定目标对象违停与否并生成第一违停标识,所述违停判定装置(3)还分别与所述激光接收器矩阵、图像拍摄装置(2)通讯连接用以获取第一违停标识并依据第一违停标识获取目标对象的违停影像以及基于所述违停检测模型在违停影像中同步抓取处于违停状态的所有目标对象并获取目标对象的违停种类信息,并将所述目标对象的违停种类信息上传交管平台,所述模型训练单元用于利用特征融合对所述目标对象特征进行融合寻优获得精准分辨目标对象违停种类的最优特征,并依据所述最优特征构建精准分辨所有目标对象违停种类的违停检测模型。
9.根据权利要求8所述的一种检测***,其特征在于,所述第一违停标识包括违停和未违停,获取第一违停标识的具体方法:
若激光接收器矩阵接收到激光信号,则统计激光信号的覆盖面积构建表征目标对象实体信息的激光扫描数据,并依据所述激光扫描数据判定目标对象为机动车辆确定第一违停标识为违停;
若激光接收器矩阵接收到激光信号,则统计激光信号的覆盖面积构建表征目标对象实体信息的激光扫描数据,并依据所述激光扫描数据判定目标对象为非机动车辆或若激光接收器矩阵未接收到激光信号确定第一违停标识为未违停。
10.根据权利要求9所述的一种检测***,其特征在于,所述图像拍摄装置用于基于所述第一违停标识对所述目标区域进行抓拍获取所述目标区域内的目标对象的违停影像的具体方法包括:
若所述第一违停标识为违停,所述图像拍摄装置对所述目标区域进行抓拍获取所述目标区域内的目标对象的违停影像;
若所述第一违停标识为未违停,所述图像拍摄装置不对所述目标区域进行抓拍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110555151.3A CN113284350B (zh) | 2021-05-21 | 2021-05-21 | 一种基于激光的违停检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110555151.3A CN113284350B (zh) | 2021-05-21 | 2021-05-21 | 一种基于激光的违停检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113284350A true CN113284350A (zh) | 2021-08-20 |
CN113284350B CN113284350B (zh) | 2022-08-16 |
Family
ID=77280445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110555151.3A Active CN113284350B (zh) | 2021-05-21 | 2021-05-21 | 一种基于激光的违停检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113284350B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2842416A1 (en) * | 2004-06-16 | 2006-01-19 | Ipt, Llc | Vehicle violation enforcement system and method |
US20070029825A1 (en) * | 2005-01-10 | 2007-02-08 | Tannery Creek Systems Inc. | System and method for parking infraction detection |
WO2009034644A1 (ja) * | 2007-09-14 | 2009-03-19 | Mitsubishi Heavy Industries, Ltd. | 不正車両撮影システム、不正車両撮影方法 |
US20120134532A1 (en) * | 2010-06-08 | 2012-05-31 | Gorilla Technology Inc. | Abnormal behavior detection system and method using automatic classification of multiple features |
CN102982311A (zh) * | 2012-09-21 | 2013-03-20 | 公安部第三研究所 | 基于视频结构化描述的车辆视频特征提取***及方法 |
CN103295402A (zh) * | 2013-07-01 | 2013-09-11 | 广东惠利普路桥信息工程有限公司 | 智能交通超速抓拍*** |
WO2016113977A1 (ja) * | 2015-01-14 | 2016-07-21 | オムロン株式会社 | 交通違反管理システムおよび交通違反管理方法 |
US20170098376A1 (en) * | 2014-12-02 | 2017-04-06 | Kevin Sunlin Wang | Method and system for avoidance of parking violations |
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*** |
CN206224800U (zh) * | 2016-12-07 | 2017-06-06 | 天津银箭科技有限公司 | 违法停车智能抓拍装置 |
CN206805775U (zh) * | 2017-05-25 | 2017-12-26 | 长沙普德利生科技有限公司 | 一种基于脉冲激光测距的机动车违法占道抓拍*** |
CN107735825A (zh) * | 2014-12-02 | 2018-02-23 | 凯文·孙林·王 | 合法停车的方法和*** |
CN108109384A (zh) * | 2017-12-19 | 2018-06-01 | 江苏本能科技有限公司 | 分布式车辆违法行为抓拍管理方法及*** |
CN208092955U (zh) * | 2018-04-16 | 2018-11-13 | 李敬泉 | 一种车辆违章检测装置 |
CN109147340A (zh) * | 2018-08-30 | 2019-01-04 | 平安科技(深圳)有限公司 | 违法停车案件的鉴别方法、装置和计算机设备 |
CN110580809A (zh) * | 2019-07-25 | 2019-12-17 | 广东省交通规划设计研究院股份有限公司 | 一种高速公路救援车道占道抓拍方法 |
CN210324569U (zh) * | 2019-07-25 | 2020-04-14 | 广东省交通规划设计研究院股份有限公司 | 一种高速公路救援车道占道抓拍*** |
CN111460988A (zh) * | 2020-03-31 | 2020-07-28 | 国网河北省电力有限公司沧州供电分公司 | 一种违规行为识别方法及装置 |
CN112435478A (zh) * | 2020-11-02 | 2021-03-02 | 北京市公安局公安交通管理局东城交通支队 | 基于路侧停车高位视频设备的非现场违法管理方法及*** |
-
2021
- 2021-05-21 CN CN202110555151.3A patent/CN113284350B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2842416A1 (en) * | 2004-06-16 | 2006-01-19 | Ipt, Llc | Vehicle violation enforcement system and method |
US20070029825A1 (en) * | 2005-01-10 | 2007-02-08 | Tannery Creek Systems Inc. | System and method for parking infraction detection |
WO2009034644A1 (ja) * | 2007-09-14 | 2009-03-19 | Mitsubishi Heavy Industries, Ltd. | 不正車両撮影システム、不正車両撮影方法 |
US20120134532A1 (en) * | 2010-06-08 | 2012-05-31 | Gorilla Technology Inc. | Abnormal behavior detection system and method using automatic classification of multiple features |
CN102982311A (zh) * | 2012-09-21 | 2013-03-20 | 公安部第三研究所 | 基于视频结构化描述的车辆视频特征提取***及方法 |
CN103295402A (zh) * | 2013-07-01 | 2013-09-11 | 广东惠利普路桥信息工程有限公司 | 智能交通超速抓拍*** |
CN107735825A (zh) * | 2014-12-02 | 2018-02-23 | 凯文·孙林·王 | 合法停车的方法和*** |
US20170098376A1 (en) * | 2014-12-02 | 2017-04-06 | Kevin Sunlin Wang | Method and system for avoidance of parking violations |
WO2016113977A1 (ja) * | 2015-01-14 | 2016-07-21 | オムロン株式会社 | 交通違反管理システムおよび交通違反管理方法 |
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*** |
CN206224800U (zh) * | 2016-12-07 | 2017-06-06 | 天津银箭科技有限公司 | 违法停车智能抓拍装置 |
CN206805775U (zh) * | 2017-05-25 | 2017-12-26 | 长沙普德利生科技有限公司 | 一种基于脉冲激光测距的机动车违法占道抓拍*** |
CN108109384A (zh) * | 2017-12-19 | 2018-06-01 | 江苏本能科技有限公司 | 分布式车辆违法行为抓拍管理方法及*** |
CN208092955U (zh) * | 2018-04-16 | 2018-11-13 | 李敬泉 | 一种车辆违章检测装置 |
CN109147340A (zh) * | 2018-08-30 | 2019-01-04 | 平安科技(深圳)有限公司 | 违法停车案件的鉴别方法、装置和计算机设备 |
CN110580809A (zh) * | 2019-07-25 | 2019-12-17 | 广东省交通规划设计研究院股份有限公司 | 一种高速公路救援车道占道抓拍方法 |
CN210324569U (zh) * | 2019-07-25 | 2020-04-14 | 广东省交通规划设计研究院股份有限公司 | 一种高速公路救援车道占道抓拍*** |
CN111460988A (zh) * | 2020-03-31 | 2020-07-28 | 国网河北省电力有限公司沧州供电分公司 | 一种违规行为识别方法及装置 |
CN112435478A (zh) * | 2020-11-02 | 2021-03-02 | 北京市公安局公安交通管理局东城交通支队 | 基于路侧停车高位视频设备的非现场违法管理方法及*** |
Non-Patent Citations (1)
Title |
---|
佟守愚等: "基于视频技术的交通违章处理***的设计与实现", 《计算机测量与控制》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113284350B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784254B (zh) | 一种车辆违规事件检测的方法、装置和电子设备 | |
CN111458721B (zh) | 一种暴露垃圾的识别定位方法、装置及*** | |
WO2022152026A1 (zh) | 交通拥堵检测方法、装置、电子设备及存储介质 | |
CN104700099A (zh) | 识别交通标志的方法和装置 | |
CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
CN110188690B (zh) | 一种基于无人机的智能视觉分析***、智能视觉分析***及方法 | |
CN110852164A (zh) | 一种基于YOLOv3的自动检测违章建筑方法及*** | |
CN110796580A (zh) | 智能交通***管理方法及相关产品 | |
CN113989627A (zh) | 一种基于异步联邦学习的城市防控图像检测方法和*** | |
CN114332707A (zh) | 设备有效性的确定方法及装置、存储介质、电子装置 | |
CN108734072B (zh) | 一种多源对象关联方法及装置 | |
CN113935386A (zh) | 一种目标检测方法及装置 | |
CN113284350B (zh) | 一种基于激光的违停检测方法及*** | |
CN111259833A (zh) | 一种基于交通图像的车辆计数方法 | |
CN112529466A (zh) | 一种基于大数据的智慧城管方法及*** | |
WO2024021350A1 (zh) | 图像识别模型训练方法、装置、计算机设备和存储介质 | |
CN113408916B (zh) | 基于智能ai和移动app的消防设施检测及现场验收评定*** | |
CN114218383A (zh) | 重复事件的判定方法、装置及应用 | |
CN114022045A (zh) | 一种区域经济发展水平确定方法、装置及终端设备 | |
CN112434877A (zh) | 一种基于云计算的智慧城市数据处理方法及装置 | |
WO2024139285A1 (zh) | 交通路口管理方法、装置、电子设备及存储介质 | |
CN114841919B (zh) | 交通基础设施智能养护方法 | |
KR102655474B1 (ko) | 보행량 측정 장치 및 방법 | |
CN117610971B (zh) | 一种高速公路机电***健康指数评估方法 | |
CN117079454B (zh) | 智慧城市安全管理方法和*** |
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 |