CN113378690A - 一种基于视频数据的路内不规范停车识别方法 - Google Patents

一种基于视频数据的路内不规范停车识别方法 Download PDF

Info

Publication number
CN113378690A
CN113378690A CN202110635239.6A CN202110635239A CN113378690A CN 113378690 A CN113378690 A CN 113378690A CN 202110635239 A CN202110635239 A CN 202110635239A CN 113378690 A CN113378690 A CN 113378690A
Authority
CN
China
Prior art keywords
parking
vehicle
image
judging
value
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.)
Withdrawn
Application number
CN202110635239.6A
Other languages
English (en)
Inventor
钟栋青
孔龙龙
杜建周
石小龙
韦凌翔
杨锦诚
胡化鹏
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.)
Yancheng Institute of Technology
Original Assignee
Yancheng Institute of Technology
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 Yancheng Institute of Technology filed Critical Yancheng Institute of Technology
Priority to CN202110635239.6A priority Critical patent/CN113378690A/zh
Publication of CN113378690A publication Critical patent/CN113378690A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30264—Parking

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像识别的路侧不规范停车识别方法，包括以下步骤：步骤1.车辆检测，在路侧停车区域设置视觉传感器采集视频图像序列，利用自适应阈值分割技术进行区域分割；步骤2.车辆跟踪，将步骤1中采集视频图像拆分成帧数图像，再在拆分过后的图像的基础上提取可识别车辆运动状态；步骤3.停车判断，对车辆状态判断为静止的车辆的图像进行Canny算子边缘检测；步骤4.停车特征提取，对连通区域的IoU进行计算；步骤5.停车行为识别。本发明利用监控视频信息分析车辆停车行为的原理方法和关键技术，提出构建不规范停车行为分类规则，基于视频数据的车辆特征提取方法，实现停车行为的自动识别，提高停车场智能化管理水平，拓展智慧停车应用范围。

Description

一种基于视频数据的路内不规范停车识别方法
技术领域
本发明涉及路内停车识别技术领域，具体为一种基于视频数据的路内不规范停车识别方法。
背景技术
由于城市现代化进程的不断加快和城市人口的快速增多，机动车的数量也急剧增加。随着汽车数量的不断增加，城市交通相关问题，如违规停车和停车纷争等问题日渐严重，路内停车就是其中的典型问题。
人为进行路内停车位的管理存在大量弊端，管理人员经常与车主产生对决策的歧义和矛盾，甚至造成不和谐的负面影响。良好的路内停车管理对道路交通至关重要，只有找出现有的停车问题，解决具体问题，路内停车才能得到管理，建设一条整洁畅通的城市道路。
目前，传统停车场停车管理没有足够的重视停车车辆的状态，尤其是大型停车场无法及时监测停车状态。同时，由于部分车主欠缺主人意识，导致产生违规停车行为，这些行为不仅影响了其他车主的正常停车，造成停车资源的浪费，也增加了停车管理的难度。还可能诱发停车刮擦等事故，破坏城市文明形象。
目前，智能交通领域已经应用了大批视频监控设备，视频数据包含大量的停车数据信息，可以结合不同的情景来识别特定的车辆行为。总之，路内停车管理的智能化应用研究对智能交通***的发展起着举足轻重的作用。不规范停车行为识别方法的探究对基于视频数据的路内停车智能管理***的开发具有重大意义。
发明内容
本发明的目的是为了提供一种基于视频数据的路内不规范停车识别方法，通过利用监控视频信息分析车辆停车行为的原理方法和关键技术，提出构建不规范停车行为分类规则，基于视频数据的车辆特征提取方法，实现停车行为的自动识别，提高停车场智能化管理水平，拓展智慧停车应用范围。
为了实现上述发明目的，本发明采用了以下技术方案：一种基于视频数据的路内不规范停车识别方法，包括以下步骤：步骤1.车辆检测，具体操作如下：在路内停车区域设置视觉传感器采集视频图像序列，利用自适应阈值分割技术进行区域分割；
步骤2.车辆跟踪，具体操作如下：将步骤1中采集视频图像拆分成帧数图像，再在拆分过后的图像的基础上提取可识别车辆运动状态；
步骤3.停车判断，具体操作如下：对车辆状态判断为静止的车辆的图像进行Canny算子边缘检测，算法根据步骤2中图像像素的灰度值和纹理特征判断是否存在跳跃式变化的区域，即可判断车辆是否停车；
步骤4.停车特征提取，具体操作如下：对连通区域的IoU进行计算，即对停车区域的预测边框和车辆实际停车的真实边框的交集、并集的比值进行计算，判断是否有交叉行为；
步骤5.停车行为识别，具体操作如下：对于斜位停车和横向停车的车辆，判断车辆的主轴方向与停车空间的主轴方向之间的角度来识别停车行为；对于反向摆放的车辆，判断其与停车位之间的距离间距以及箭头方向来识别停车行为；对于跨位停车、压线停车和未保持合理车距停车的车辆，判断车体轮廓的四个角点是否都在停车区域内来识别停车行为；以此获取车辆的违章停车信息。
优选的，在步骤1中，将灰度阈值作为随图像中的位置缓慢变化的函数，在图像中物体与背景之间的对比度变化的情况下进行分割，利用每个像素的n×n 邻域(n为奇数，以减少计算量，通常n＝3或5)，对像素的邻域灰度进行计数：
Figure BDA0003105416740000031
Figure BDA0003105416740000032
T＝M+T×S (1-3)
其中，M表示某个像素邻域中每个像素的平均灰度值；n×n表示横向的像素数(列数)为n，纵向的像素数(行数)为n，则图像总像素为n×n个像素，灰度分辨率j、k表示在灰度级中可分辨的最小变化，(x，y)为离散坐标，S 表示邻域内像素灰度的标准偏差；T是根据图像质量确定的常数(0<T<1)；
当图像质量良好好时，T取较小的值；当图像质量较差时，T取较大的值；当考虑邻域的动态自适应二值化时，T是阈值，并根据像素邻域的平均灰度和邻域像素灰度的标准差来计算该值，采用动态自适应阈值T对图像进行分割，能够得到二值化图像：
Figure BDA0003105416740000033
优选的，在步骤2中，基于帧差法来判断车辆的运动状态，帧差法根据视频中前后两帧的图像差值来提取前景目标，假设前一帧的图像为I1，当前帧的图像为I2，对于图像上的某一点P(x,y)，在前后两帧图像中分别有I1(x,y)和I2(x,y)，即：
|I1(x,y)一I2(x,y)|＞T (2-1)
其中，T表示指定的阈值，作为车辆状态判断的容错机制；
根据式(2-1)判断点是否为前景或者背景，根据已知静止物品的前后位移，取得的平均抖动阈值，当未知状态车辆前后两帧的距离大于T时，则判断车辆为移动状态，如果小于T时，则判断车辆为静止状态。
优选的，在步骤3中，Canny算子边缘检测包含高斯滤波、计算梯度值和梯度方向、过滤非最大值以及使用上下阀值来检测边缘，其中，所述上下阀值来检测边缘具体包括以下操作：确定一个上阀值和下阀值，位于下阀值之上的都可以作为边缘。
优选的，所述高斯滤波具体包括以下操作：对于一个位置(m,n)的像素点，其灰度值(这里只考虑二值图)为f(m,n)，那么经过高斯滤波后的灰度值将变为：
Figure BDA0003105416740000041
其中，gσ表示标准差为σ的二维高斯核，m×n表示横向的像素数(列数为 m，纵向的像素数(行数)为n，则图像总像素为m×n个像素；
用一个高斯矩阵乘以每一个像素点及其邻域，取其带权重的平均值作为最后的灰度值。
优选的，所述计算梯度值和梯度方向具体包括以下操作：边缘就是灰度值变化较大的的像素点的集合，一道黑边一道白边中间就是边缘，它的灰度值变化是最大的，用梯度来表示灰度值的变化程度和方向，通过点乘一个sobel或其它算子得到不同方向的梯度值gx(m，n)，gy(m，n)；
综合梯度通过以下公式计算梯度值和梯度方向：
Figure BDA0003105416740000042
Figure BDA0003105416740000043
其中，G(m,n)为梯度值，θ为梯度方向。
优选的，所述过滤非最大值具体包括以下操作：使用Sobel边缘检测算法来过滤不是边缘的点，使边缘的宽度尽可能为1个像素点：如果一个像素点属于边缘，那么这个像素点在梯度方向上的梯度值是最大的，如果不是边缘，将灰度值设为0：
Figure BDA0003105416740000051
其中，MT为二值化图像，M为原始图像，T为分割阈值。
优选的，在步骤5中，对于斜位停车和横向停车的车辆，具体包括以下操作：设车辆的主轴方向与停车空间的主轴方向之间的角度θ，通过设定倾斜阈值th1 和横向停止阈值th2，当θ≤th1时，判断为车身偏转角在合理范围内；否则，继续判断θ，如果条件满足，车辆为不规范停车中的横向停车，否则为斜位停车。
优选的，在步骤5中，对于跨位停车、压线停车和未保持合理车距停车的车辆，具体包括以下操作：设车身的四个轮廓角为P1'(XP1'，Yp1')、P2'(Xp2'， Yp2')、P3'(XP3'，YP3')、P4'(Xp4'，Yp4')，将车身的四个轮廓角分别与当前停车区(m1≤x≤m2，n1≤y≤n2)进行判断，如果车体轮廓的四个角点中至少有一个不在当前停车区域内，则判断该车下一步可能有跨位或压线行为；车身的四个轮廓角与相邻停车场的角点(m2≤x≤m3，n1≤y≤n2)进行判断，当相邻停车区域范围内至少有一个角点时，判断为跨位停车行为，否则为压线停车行为；如果车身轮廓的四个角都在当前停车区域的范围内，则设置安全阈值d，当车身轮廓的所有角都符合要求时(m1+d≤x≤m2—d,n1≤y≤n2)，判断停车安全，否则判断车辆没有保持合理距离。
优选的，所述安全阈值d设置为0.25m。
与现有技术相比，采用了上述技术方案的基于视频数据的路内不规范停车识别方法，具有如下有益效果：采用本发明的基于视频数据的路内不规范停车识别方法，通过利用监控视频信息分析车辆停车行为的原理方法和关键技术，提出构建不规范停车行为分类规则，基于视频数据的车辆特征提取方法，实现停车行为的自动识别，提高停车场智能化管理水平，拓展智慧停车应用范围。
附图说明
图1为本发明基于视频数据的路内不规范停车识别方法实施例的流程示意图；
图2为本实施例中车辆斜位停车识别方法的状态示意图；
图3为本实施例中车辆横停的状态示意图；
图4为本实施例中车辆跨位停车的状态示意图；
图5为本实施例中车辆压线停车的状态示意图；
图6为本实施例中车辆未保持合理车距的状态示意图；
图7为本实施例中车辆逆向停车的状态示意图；
图8为本实施例中边缘像素点集合图。
具体实施方式
下面结合附图对本发明做进一步描述。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示为基于视频数据的路内不规范停车识别方法的流程示意图，包括以下步骤：步骤1.车辆检测，具体操作如下：在路内停车区域设置视觉传感器采集视频图像序列，利用自适应阈值分割技术进行区域分割。
背景的灰度值是改变的，并且对象和背景之间的对比度在图像中也会改变，在图像的一个区域中效果良好的阈值可能在其他区域中效果不佳。将灰度阈值作为随图像中的位置缓慢变化的函数，由于阈值是动态变化的，考虑了背景对当前目标的影响。在图像中物体与背景之间的对比度变化的情况下进行分割，利用每个像素的n×n邻域(n为奇数，以减少计算量，通常n＝3或5)，对像素的邻域灰度进行计数：
Figure BDA0003105416740000071
Figure BDA0003105416740000072
T＝M+T×S (1-3)
其中，M表示某个像素邻域中每个像素的平均灰度值；n×n表示横向的像素数(列数)为n，纵向的像素数(行数)为n，则图像总像素为n×n个像素，灰度分辨率j、k表示在灰度级中可分辨的最小变化，(x，y)为离散坐标，S 表示邻域内像素灰度的标准偏差；T是根据图像质量确定的常数(0<T<1)。
当图像质量良好好时，T取较小的值；当图像质量较差时，T取较大的值；当考虑邻域的动态自适应二值化时，T是阈值，并根据像素邻域的平均灰度和邻域像素灰度的标准差来计算该值，采用动态自适应阈值T对图像进行分割，能够得到二值化图像：
Figure BDA0003105416740000073
因为阈值T的大小取决于像素的位置，每个像素有不同的阈值，所以它是一个自适应二值化过程。
步骤2.车辆跟踪，具体操作如下：将步骤1中采集视频图像拆分成帧数图像，再在拆分过后的图像的基础上提取可识别车辆运动状态；
基于帧差法来判断车辆的运动状态，帧差法根据视频中前后两帧的图像差值来提取前景目标，假设前一帧的图像为I1，当前帧的图像为I2，对于图像上的某一点P(x,y)，在前后两帧图像中分别有I1(x,y)和I2(x,y)，即：
|I1(x,y)一I2(x,y)|＞T (2-1)
其中，T表示指定的阈值，作为车辆状态判断的容错机制；
根据式(2-1)判断点是否为前景或者背景，根据已知静止物品的前后位移，取得的平均抖动阈值，当未知状态车辆前后两帧的距离大于T时，则判断车辆为移动状态，如果小于T时，则判断车辆为静止状态。
步骤3.停车判断，具体操作如下：对车辆状态判断为静止的车辆的图像进行Canny算子边缘检测，算法根据步骤2中图像像素的灰度值和纹理特征判断是否存在跳跃式变化的区域，即可判断车辆是否停车；
Canny算子边缘检测包含高斯滤波、计算梯度值和梯度方向、过滤非最大值以及使用上下阀值来检测边缘，其中，所述上下阀值来检测边缘具体包括以下操作：确定一个上阀值和下阀值，位于下阀值之上的都可以作为边缘。
滤波的主要目的是降噪，一般的图像处理算法都需要先进行降噪。而高斯滤波主要使图像变得平滑(模糊)，同时也有可能增大了边缘的宽度，高斯函数是一个类似与正态分布的中间大两边小的函数。
具体包括以下操作：对于一个位置(m,n)的像素点，其灰度值(这里只考虑二值图)为f(m,n)，那么经过高斯滤波后的灰度值将变为：
Figure BDA0003105416740000081
其中，gσ表示标准差为σ的二维高斯核，m×n表示横向的像素数(列数) 为m，纵向的像素数(行数)为n，则图像总像素为m×n个像素。
用一个高斯矩阵乘以每一个像素点及其邻域，取其带权重的平均值作为最后的灰度值。
计算梯度值和梯度方向具体包括以下操作：边缘就是灰度值变化较大的的像素点的集合，一道黑边一道白边中间就是边缘，如图8所示为边缘像素点集合图，它的灰度值变化是最大的，如附图8所示。用梯度来表示灰度值的变化程度和方向，通过点乘一个sobel或其它算子得到不同方向的梯度值gx(m，n)，gy(m，n)；
综合梯度通过以下公式计算梯度值和梯度方向：
Figure BDA0003105416740000091
Figure BDA0003105416740000092
其中，G(m,n)为梯度值，θ为梯度方向。
过滤非最大值具体包括以下操作：使用Sobel边缘检测算法来过滤不是边缘的点，使边缘的宽度尽可能为1个像素点：如果一个像素点属于边缘，那么这个像素点在梯度方向上的梯度值是最大的，如果不是边缘，将灰度值设为0：
Figure BDA0003105416740000093
其中，MT为二值化图像，M为原始图像，T为分割阈值。
算法根据图像中像素的灰度值和纹理等特征判断是否存在跳跃式变化的区域。当使用函数进行表现时，就表现为函数图像是否产生了剧烈变化。原始图像通过高斯滤波函数进行降噪处理。
步骤4.停车特征提取，具体操作如下：对连通区域的IoU进行计算，即对停车区域的预测边框和车辆实际停车的真实边框的交集、并集的比值进行计算，判断是否有交叉行为；
在数学形态学的运算中，膨胀和衰变是其它复杂形态变换的基石，它们按顺序简单地组合就构成了开闭运算。利用数学形态学提取图像边缘的原理主要是基于形态学变换的一些基本性质，待检测图像的边缘可以通过在待检测图像的简单形态变换的结果和待检测图像之间进行差分，或者通过在各种形态变换之间进行差分来获得。与传统方法不同，其操作简单，几何意义明确。此外，通过调整结构元素的形状，可以获得相应的边缘信息。
步骤5.停车行为识别，具体操作如下：对于斜位停车和横向停车的车辆，判断车辆的主轴方向与停车空间的主轴方向之间的角度来识别停车行为；对于反向摆放的车辆，判断其与停车位之间的距离间距以及箭头方向来识别停车行为；对于跨位停车、压线停车和未保持合理车距停车的车辆，判断车体轮廓的四个角点是否都在停车区域内来识别停车行为；以此获取车辆的违章停车信息。
如图2所示为车辆斜位停车识别方法的状态示意图，如图3所示为车辆横停的状态示意图，对于斜位停车和横向停车的车辆，具体包括以下操作：设车辆的主轴方向与停车空间的主轴方向之间的角度θ，通过设定倾斜阈值th1和横向停止阈值th2，当θ≤th1时，判断为车身偏转角在合理范围内；否则，继续判断θ，如果条件满足，车辆为不规范停车中的横向停车，否则为斜位停车。
通过观察发现当夹角大于15°时，观察者能够获得较为正常的正面或背面视角，当夹角小于45°时，虽然还能获得车辆完整的正面或背面信息，但是车辆、车标、车牌等信息发生明显的偏斜，当夹角大于45°时，车身正面或后面信息部分丢失，只能获得车身侧面信息。因此，将判断阈值th1和th2设置为15°和 45°。
如图4所示为车辆跨位停车的状态示意图，如图5所示为车辆压线停车的状态示意图，如图6所示为车辆未保持合理车距的状态示意图，对于跨位停车、压线停车和未保持合理车距停车的车辆，具体包括以下操作：设车身的四个轮廓角为P1'(XP1'，Yp1')、P2'(Xp2'，Yp2')、P3'(XP3'，YP3')、P4'(Xp4'， Yp4')，将车身的四个轮廓角分别与当前停车区(m1≤x≤m2，n1≤y≤n2)进行判断，如果车体轮廓的四个角点中至少有一个不在当前停车区域内，则判断该车下一步可能有跨位或压线行为；车身的四个轮廓角与相邻停车场的角点(m2 ≤x≤m3，n1≤y≤n2)进行判断，当相邻停车区域范围内至少有一个角点时，判断为跨位停车行为，否则为压线停车行为；如果车身轮廓的四个角都在当前停车区域的范围内，则设置安全阈值d，当车身轮廓的所有角都符合要求时 (m1+d≤x≤m2—d,n1≤y≤n2)，判断停车安全，否则判断车辆没有保持合理距离。参照《车位划线标准及性质分类》规范，，安全阈值d设置为0.25m。
如图7所示为车辆逆向停车的状态示意图，如果设置的监控摄像头位于车位的正前方，采取的有一定倾角的俯视视角，对于逆向停车的检测通过检测拍摄到的是车头还是车尾来判断。如果停车方向指示灯显示停车方向在前方，监控视频检测到车辆前方，则判断车辆停车方向为前方；否则，如果检测到车尾，将判断该车为倒车停车。
选取了南京市江宁区汤山街道汤水雅居小区路内停车位进行拍摄实验，停车位长6000mm，宽2500mm将所提算法在真实的路内停车行为视频数据上进行了实验验证。主要针对典型的6种路内停车位的不规范停车行为：斜位停车、横向停车、跨位停车、压线停车、未保持合理车距以及逆向停车。
在实验过程中，选取南京市江宁区汤山街道汤水雅居小区路内停车位拍摄的车辆停车视频，视频格式为mp4，分辨率为960*540，实际拍摄场景如附图2 所示。测试图像录制的长度为16s，共计450帧。在视频图序列中每隔15帧获取一个目标车辆的静态图像，对获取的30帧图像进行车辆识别与跟踪。实际测验表明，***能够准确地识别出停留在路内停车位的停驶车辆的不规范停车行为。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于视频数据的路内不规范停车识别方法，其特征在于：包括以下步骤：步骤1.车辆检测，具体操作如下：在路内停车区域设置视觉传感器采集视频图像序列，利用自适应阈值分割技术进行区域分割；
步骤2.车辆跟踪，具体操作如下：将步骤1中采集视频图像拆分成帧数图像，再在拆分过后的图像的基础上提取可识别车辆运动状态；
步骤3.停车判断，具体操作如下：对车辆状态判断为静止的车辆的图像进行Canny算子边缘检测，算法根据步骤2中图像像素的灰度值和纹理特征判断是否存在跳跃式变化的区域，即可判断车辆是否停车；
步骤4.停车特征提取，具体操作如下：对连通区域的IoU进行计算，即对停车区域的预测边框和车辆实际停车的真实边框的交集、并集的比值进行计算，判断是否有交叉行为；
步骤5.停车行为识别，具体操作如下：对于斜位停车和横向停车的车辆，判断车辆的主轴方向与停车空间的主轴方向之间的角度来识别停车行为；对于反向摆放的车辆，判断其与停车位之间的距离间距以及箭头方向来识别停车行为；对于跨位停车、压线停车和未保持合理车距停车的车辆，判断车体轮廓的四个角点是否都在停车区域内来识别停车行为；以此获取车辆的违章停车信息。
2.根据权利要求1所述的基于视频数据的路内不规范停车识别方法，其特征在于：在步骤1中，将灰度阈值作为随图像中的位置缓慢变化的函数，在图像中物体与背景之间的对比度变化的情况下进行分割，利用每个像素的n×n邻域(n为奇数，以减少计算量，通常n＝3或5)，对像素的邻域灰度进行计数：
Figure FDA0003105416730000011
Figure FDA0003105416730000021
T＝M+T×S (1-3)
其中，M表示某个像素邻域中每个像素的平均灰度值；n×n表示横向的像素数(列数)为n，纵向的像素数(行数)为n，则图像总像素为n×n个像素，灰度分辨率j、k表示在灰度级中可分辨的最小变化，(x，y)为离散坐标，S表示邻域内像素灰度的标准偏差；T是根据图像质量确定的常数(0<T<1)；
当图像质量良好好时，T取0-1的范围的较小值；当图像质量较差时，T取0-1的范围的较大值；当考虑邻域的动态自适应二值化时，T是阈值，并根据像素邻域的平均灰度和邻域像素灰度的标准差来计算该值，采用动态自适应阈值T对图像进行分割，能够得到二值化图像：
Figure FDA0003105416730000022
3.根据权利要求1所述的基于视频数据的路内不规范停车识别方法，其特征在于：在步骤2中，基于帧差法来判断车辆的运动状态，帧差法根据视频中前后两帧的图像差值来提取前景目标，假设前一帧的图像为I1，当前帧的图像为I2，对于图像上的某一点P(x,y)，在前后两帧图像中分别有I1(x,y)和I2(x,y)，即：
|I1(x,y)一I2(x,y)|＞T (2-1)
其中，T表示指定的阈值，作为车辆状态判断的容错机制；
根据式(2-1)判断点是否为前景或者背景，根据已知静止物品的前后位移，取得的平均抖动阈值，当未知状态车辆前后两帧的距离大于T时，则判断车辆为移动状态，如果小于T时，则判断车辆为静止状态。
4.根据权利要求1所述的基于视频数据的路内不规范停车识别方法，其特征在于：在步骤3中，Canny算子边缘检测包含高斯滤波、计算梯度值和梯度方向、过滤非最大值以及使用上下阀值来检测边缘，其中，所述上下阀值来检测边缘具体包括以下操作：确定一个上阀值和下阀值，位于下阀值之上的都可以作为边缘。
5.根据权利要求4所述的基于视频数据的路内不规范停车识别方法，其特征在于：所述高斯滤波具体包括以下操作：对于一个位置(m,n)的像素点，其灰度值(这里只考虑二值图)为f(m,n)，那么经过高斯滤波后的灰度值将变为：
Figure FDA0003105416730000031
其中，gσ表示标准差为σ的二维高斯核，m×n表示横向的像素数(列数)为m，纵向的像素数(行数)为n，则图像总像素为m×n个像素；
用一个高斯矩阵乘以每一个像素点及其邻域，取其带权重的平均值作为最后的灰度值。
6.根据权利要求5所述的基于视频数据的路内不规范停车识别方法，其特征在于：所述计算梯度值和梯度方向具体包括以下操作：边缘就是灰度值变化较大的的像素点的集合，一道黑边一道白边中间就是边缘，它的灰度值变化是最大的，用梯度来表示灰度值的变化程度和方向，通过点乘一个sobel或其它算子得到不同方向的梯度值gx(m，n)，gy(m，n)；
综合梯度通过以下公式计算梯度值和梯度方向：
Figure FDA0003105416730000032
Figure FDA0003105416730000033
其中，G(m,n)为梯度值，θ为梯度方向。
7.根据权利要求6所述的基于视频数据的路内不规范停车识别方法，其特征在于：所述过滤非最大值具体包括以下操作：使用Sobel边缘检测算法来过滤不是边缘的点，使边缘的宽度尽可能为1个像素点：如果一个像素点属于边缘，那么这个像素点在梯度方向上的梯度值是最大的，如果不是边缘，将灰度值设为0：
Figure FDA0003105416730000041
其中，MT为二值化图像，M为原始图像，T为分割阈值。
8.根据权利要求1所述的基于视频数据的路内不规范停车识别方法，其特征在于：在步骤5中，对于斜位停车和横向停车的车辆，具体包括以下操作：设车辆的主轴方向与停车空间的主轴方向之间的角度θ，通过设定倾斜阈值th1和横向停止阈值th2，当θ≤th1时，判断为车身偏转角在合理范围内；否则，继续判断θ，如果条件满足，车辆为不规范停车中的横向停车，否则为斜位停车。
9.根据权利要求1所述的基于视频数据的路内不规范停车识别方法，其特征在于：在步骤5中，对于跨位停车、压线停车和未保持合理车距停车的车辆，具体包括以下操作：设车身的四个轮廓角为P1'(XP1'，Yp1')、P2'(Xp2'，Yp2')、P3'(XP3'，YP3')、P4'(Xp4'，Yp4')，将车身的四个轮廓角分别与当前停车区(m1≤x≤m2，n1≤y≤n2)进行判断，如果车体轮廓的四个角点中至少有一个不在当前停车区域内，则判断该车下一步可能有跨位或压线行为；车身的四个轮廓角与相邻停车场的角点(m2≤x≤m3，n1≤y≤n2)进行判断，当相邻停车区域范围内至少有一个角点时，判断为跨位停车行为，否则为压线停车行为；如果车身轮廓的四个角都在当前停车区域的范围内，则设置安全阈值d，当车身轮廓的所有角都符合要求时(m1+d≤x≤m2—d,n1≤y≤n2)，判断停车安全，否则判断车辆没有保持合理距离。
10.根据权利要求9所述的基于视频数据的路内不规范停车识别方法，其特征在于：所述安全阈值d设置为0.25m。
CN202110635239.6A 2021-06-08 2021-06-08 一种基于视频数据的路内不规范停车识别方法 Withdrawn CN113378690A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110635239.6A CN113378690A (zh) 2021-06-08 2021-06-08 一种基于视频数据的路内不规范停车识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110635239.6A CN113378690A (zh) 2021-06-08 2021-06-08 一种基于视频数据的路内不规范停车识别方法

Publications (1)

Publication Number Publication Date
CN113378690A true CN113378690A (zh) 2021-09-10

Family

ID=77576302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110635239.6A Withdrawn CN113378690A (zh) 2021-06-08 2021-06-08 一种基于视频数据的路内不规范停车识别方法

Country Status (1)

Country Link
CN (1) CN113378690A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643544A (zh) * 2021-10-13 2021-11-12 南通东信车厢制造有限公司 一种基于物联网的停车场内违规泊车智能检测方法及***
CN114627676A (zh) * 2022-02-24 2022-06-14 深圳市小马控股有限公司 一种智能车辆停车方法、***、服务器及存储介质
CN114972276A (zh) * 2022-06-05 2022-08-30 长沙烽铭智能科技有限公司 一种车辆自动驾驶距离判断算法
CN115131892A (zh) * 2022-05-27 2022-09-30 广州高新兴机器人有限公司 基于巡逻机器人的异常停车检测方法、装置、介质及设备
CN118037231A (zh) * 2024-03-07 2024-05-14 杭州央博科技有限公司 基于saas的智慧园区管理***及方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643544A (zh) * 2021-10-13 2021-11-12 南通东信车厢制造有限公司 一种基于物联网的停车场内违规泊车智能检测方法及***
CN113643544B (zh) * 2021-10-13 2022-06-07 南通东信车厢制造有限公司 一种基于物联网的停车场内违规泊车智能检测方法及***
CN114627676A (zh) * 2022-02-24 2022-06-14 深圳市小马控股有限公司 一种智能车辆停车方法、***、服务器及存储介质
CN115131892A (zh) * 2022-05-27 2022-09-30 广州高新兴机器人有限公司 基于巡逻机器人的异常停车检测方法、装置、介质及设备
CN115131892B (zh) * 2022-05-27 2024-06-04 广州高新兴机器人有限公司 基于巡逻机器人的异常停车检测方法、装置、介质及设备
CN114972276A (zh) * 2022-06-05 2022-08-30 长沙烽铭智能科技有限公司 一种车辆自动驾驶距离判断算法
CN118037231A (zh) * 2024-03-07 2024-05-14 杭州央博科技有限公司 基于saas的智慧园区管理***及方法

Similar Documents

Publication Publication Date Title
CN113378690A (zh) 一种基于视频数据的路内不规范停车识别方法
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
CN106652465B (zh) 一种道路异常驾驶行为的识别方法及***
DE112013001858B4 (de) Mehrfachhinweis-Objekterkennung und -Analyse
CN110210451B (zh) 一种斑马线检测方法
CN103034862B (zh) 基于特征信息分类的道路雨雪状态自动识别方法
CN110619279B (zh) 一种基于跟踪的路面交通标志实例分割方法
KR101565978B1 (ko) 원거리 캡처 영상으로 복수의 차량번호를 인식하고 복수의 증거사진을 동시에 추출하는 방법
CN104050450A (zh) 一种基于视频的车牌识别方法
CN106815583B (zh) 一种基于mser和swt相结合的夜间车辆车牌定位方法
CN111382704A (zh) 基于深度学习的车辆压线违章判断方法、装置及存储介质
CN106887004A (zh) 一种基于块匹配的车道线检测方法
CN101968924A (zh) 基于高分辨率图像的车流量实时检测方法
Ji et al. Video-based construction vehicles detection and its application in intelligent monitoring system
CN104978567A (zh) 基于场景分类的车辆检测方法
Rabiu Vehicle detection and classification for cluttered urban intersection
CN106919939B (zh) 一种交通标识牌跟踪识别方法及***
CN109977772B (zh) 一种基于车载行车记录仪视频的斑马线礼让行为检测方法
CN115909313A (zh) 一种基于深度学习的违停车牌识别方法和装置
Ghosh et al. A vehicle number plate recognition system using region-of-interest based filtering method
Chai et al. Vehicle queue length measurement based on a modified local variance and lbp
CN112329724A (zh) 机动车变道实时检测与抓拍方法
CN104809429A (zh) 一种基于压缩感知的前方车辆检测方法
Abbas et al. Saudi Arabia license plate detection based on ANN and objects analysis
Kansal et al. Real time system for vehicle counting with speed estimation and license plate detection

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210910