CN115797897A - 一种基于图像处理的车辆碰撞识别方法和*** - Google Patents
一种基于图像处理的车辆碰撞识别方法和*** Download PDFInfo
- Publication number
- CN115797897A CN115797897A CN202310052945.7A CN202310052945A CN115797897A CN 115797897 A CN115797897 A CN 115797897A CN 202310052945 A CN202310052945 A CN 202310052945A CN 115797897 A CN115797897 A CN 115797897A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- collision
- image
- features
- images
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 238000013145 classification model Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 5
- 238000010191 image analysis Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 241000124033 Salix Species 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明提供了一种基于图像处理的车辆碰撞识别方法和***，方法包括：通过视频设备采集车辆周围的视频信息，从对应的视频流中每隔预设时间采集一帧图像，获取若干待识别图像；对待识别图像进行特征提取，获得积分特征和梯度特征；通过预先训练好的分类模型，基于积分特征和梯度特征计算相似度得分；将计算结果与预设阈值进行比对，当大于阈值时，判定存在碰撞情形；当小于等于阈值时，判定不存在碰撞情形。相比于现有技术，基于积分特征和梯度特征计算相似度得分，与阈值进行比对，判定图像中是否存在碰撞事件，无需布置距离传感器等硬件设备，降低了经济成本和人力物力成本，并且可以实现高效的图像分析和准确的车辆碰撞判别。
Description
技术领域
本发明涉及车辆碰撞识别分析领域，尤其涉及一种基于图像处理的车辆碰撞识别方法和***。
背景技术
随着物联网技术的兴起，其在汽车上的应用得到不断的扩展，同时，基于视频和图像处理的车辆监控技术不断地被完善，从而可实现提供个性化、多样化的服务。
现有技术在判断汽车是否发生碰撞时，一般都是多个距离传感器和汽车记录仪进行配合使用，以实现碰撞事故的预防和时候的取证。但是这种方法需要多个设备之间进行互相配合，而在其识别的过程中，是容易存在“配合漏洞”的，并且，基于这种方法实现的碰撞事件的判别准确性低、使用要求高（需要特定的布置和物质条件），并且需要一定的人力、物力成本。
发明内容
本发明提供了一种基于图像处理的车辆碰撞识别方法和***，以解决如何提高车辆碰撞判别的准确性的技术问题。
为了解决上述技术问题，本发明实施例提供了一种基于图像处理的车辆碰撞识别方法，包括：
通过视频设备采集车辆周围的视频信息，从所述视频信息对应的视频流中每隔预设时间采集一帧图像，获取若干待识别图像；
对所有待识别图像进行特征提取，获得所述待识别图像的积分特征和梯度特征；
通过预先训练好的分类模型，基于所述所有待识别图像的积分特征和梯度特征计算相似度得分；
将计算结果与预设阈值进行比对，当计算结果大于所述预设阈值时，判定所述待识别图像存在碰撞情形；当计算结果小于等于所述预设阈值时，判定所述待识别图像不存在碰撞情形。
作为优选方案，在所述基于所述所有待识别图像的积分特征和梯度特征计算相似度得分之前，还包括：
获取用于训练的车辆图像数据集；
对所述车辆图像数据集进行特征提取，获得所述车辆图像数据集的积分特征、Haar特征和梯度特征；所述车辆图像数据集包括若干碰撞车辆样本图像和非碰撞车辆样本图像；
基于所述车辆图像数据集的积分特征、Haar特征和梯度特征构建若干第一分类器；
在满足关于训练检出率和误判率的预设条件下，通过Adaboost算法从所述若干第一分类器中筛选出若干第二分类器；
对所述若干第二分类器进行组合，构成级联分类器，获得所述预先训练好的分类模型。
作为优选方案，所述获取用于训练的车辆图像数据集，具体为：
获取若干碰撞视频；
从所述若干碰撞视频中裁剪出若干碰撞车辆样本图像和非碰撞车辆样本图像；
对裁剪出的若干碰撞车辆样本图像和非碰撞车辆样本图像进行归一化处理和灰度化处理，获得所述用于训练的车辆图像数据集。
作为优选方案，所述视频流为RTP协议视频流；在所述获取若干待识别图像之前，还包括：
从所述RTP协议视频流中，每0.5秒提取视频文件中的一张图片；
对提取的每张图片进行数字降噪处理，并将数字降噪处理后的每张图片的非标准像素点转换为标准像素点，获得所述若干待识别图像。
作为优选方案，所述车辆碰撞识别方法还包括：确定存在碰撞情形的图像对应的时刻，并存储所述时刻前后预设时间段内对应的视频。
相应的，本发明实施例还提供了一种基于图像处理的车辆碰撞识别***，包括采集模块、特征提取模块、相似度计算模块和判定模块；其中，
所述采集模块，用于通过视频设备采集车辆周围的视频信息，从所述视频信息对应的视频流中每隔预设时间采集一帧图像，获取若干待识别图像；
所述特征提取模块，用于对所有待识别图像进行特征提取，获得所述待识别图像的积分特征和梯度特征；
所述相似度计算模块，用于通过预先训练好的分类模型，基于所述所有待识别图像的积分特征和梯度特征计算相似度得分；
所述判定模块，用于将计算结果与预设阈值进行比对，当计算结果大于所述预设阈值时，判定所述待识别图像存在碰撞情形；当计算结果小于等于所述预设阈值时，判定所述待识别图像不存在碰撞情形。
作为优选方案，所述车辆碰撞识别***还包括分类器训练模块，所述分类器训练模块用于：
在所述相似度计算模块基于所述所有待识别图像的积分特征和梯度特征计算相似度得分之前，获取用于训练的车辆图像数据集；
对所述车辆图像数据集进行特征提取，获得所述车辆图像数据集的积分特征、Haar特征和梯度特征；所述车辆图像数据集包括若干碰撞车辆样本图像和非碰撞车辆样本图像；
基于所述车辆图像数据集的积分特征、Haar特征和梯度特征构建若干第一分类器；
在满足关于训练检出率和误判率的预设条件下，通过Adaboost算法从所述若干第一分类器中筛选出若干第二分类器；
对所述若干第二分类器进行组合，构成级联分类器，获得所述预先训练好的分类模型。
作为优选方案，所述分类器训练模块包括训练集获取单元，所述训练集获取单元用于获取用于训练的车辆图像数据集，具体地：
所述训练集获取单元获取若干碰撞视频；
从所述若干碰撞视频中裁剪出若干碰撞车辆样本图像和非碰撞车辆样本图像；
对裁剪出的若干碰撞车辆样本图像和非碰撞车辆样本图像进行归一化处理和灰度化处理，获得所述用于训练的车辆图像数据集。
作为优选方案，所述视频流为RTP协议视频流；所述车辆碰撞识别***还包括预处理模块，所述预处理模块用于：
在所述获取若干待识别图像之前，从所述RTP协议视频流中，每0.5秒提取视频文件中的一张图片；
对提取的每张图片进行数字降噪处理，并将数字降噪处理后的每张图片的非标准像素点转换为标准像素点，获得所述若干待识别图像。
作为优选方案，所述车辆碰撞识别***还包括存储模块，所述存储模块用于确定存在碰撞情形的图像对应的时刻，并存储所述时刻前后预设时间段内对应的视频。
相比于现有技术，本发明实施例具有如下有益效果：
本发明实施例提供了一种基于图像处理的车辆碰撞识别方法和***，所述车辆碰撞识别方法包括：通过视频设备采集车辆周围的视频信息，从所述视频信息对应的视频流中每隔预设时间采集一帧图像，获取若干待识别图像；对所有待识别图像进行特征提取，获得所述待识别图像的积分特征和梯度特征；通过预先训练好的分类模型，基于所述所有待识别图像的积分特征和梯度特征计算相似度得分；将计算结果与预设阈值进行比对，当计算结果大于所述预设阈值时，判定所述待识别图像存在碰撞情形；当计算结果小于等于所述预设阈值时，判定所述待识别图像不存在碰撞情形。相比于现有技术，基于待识别图像的积分特征和梯度特征计算相似度得分，与预设阈值进行比对，判定图像中是否存在碰撞事件，无需布置距离传感器等硬件设备，降低了经济成本和人力物力成本，并且可以实现高效的图像分析和准确的车辆碰撞判别，达到监控和预防各类碰撞事故的目的。
附图说明
图1：为本发明基于图像处理提供的一种车辆碰撞识别方法的一种实施例的流程示意图。
图2：为本发明提供的积分特征获取方法的一种实施例的原理示意图。
图3：为本发明提供的积分特征获取方法的另一种实施例的原理示意图。
图4：为本发明提供的分类模型训练方法的一种实施例的原理示意图。
图5：为本发明基于图像处理提供的一种车辆碰撞识别***的一种实施例的结构示意图。
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在没有作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。
实施例一:
请参照图1，图1为本发明实施例提供的一种基于图像处理的车辆碰撞识别方法，包括步骤S1至步骤S4，其中，
步骤S1，通过视频设备采集车辆周围的视频信息，从所述视频信息对应的视频流中每隔预设时间采集一帧图像，获取若干待识别图像。
在本实施例中，所述视频设备包括但不限于普通摄像头和行车记录仪。所述视频流为实时传输协议（Real-time Transport Protocol，简写RTP）视频流；在所述获取若干待识别图像之前，还包括：
从所述RTP协议视频流中，每0.5秒提取视频文件中的一张图片；
对提取的每张图片进行数字降噪处理，并将数字降噪处理后的每张图片的非标准像素点转换为标准像素点，获得所述若干待识别图像。
其中，实时传输协议（Real-time Transport Protocol或简写RTP）是用于Internet上针对多媒体数据流的一种传输层协议。RTP详细说明了在互联网上传递音频和视频的标准数据包格式。RTP协议常用于流媒体***。
通过RTP协议视频流上传到服务器，服务器应用程序可以通过解析协议头和协议体，区分出视频流的具体类型。
目前，视频流的编码格式包括H.264 和H.265两种编码格式，其中 H.265标准保留了H.264原来的部分内容，同时对一些相关的技术加以改进使得改善了码流、编码质量、延时和算法复杂度之间的关系，达到最优化设置。市面上的大量设备都默认使用H.265编码。H.265编码视频处理过程为：
从获取的视频流中，每隔0.5秒提取视频文件中的一张图片，然后对提取的图片数据进行数字降噪处理，并将非标准像素点转化为标准像素点，获得所述若干待识别图像。
步骤S2，对所有待识别图像进行特征提取，获得所述待识别图像的积分特征和梯度特征。
具体地，参照图2，所述积分特征通常指图像中任意一点的数值等于从图像的左上角的点（0.0）到目标点所构成的矩形区域内所有点像素的和。图2所示，点（x,y）处的积分值为矩形区域中所有像素点之和（包括该点）。
进一步地，为了提高计算积分图的效率，可以利用相邻点的积分值实现快速计算。参照图3，点（x,y）的积分值可以使用点（x-1,y）与点（x,y-1）的积分值之和，然后减去重叠区域，也就是减去（x-1,y-1）的积分值，最后再加上点（x,y）的像素值，得到点（x,y）对应的积分值。
上述积分原理可以通过公式表示：
I(x,y) =I(x-1,y) + I(x,y-1) - I(x-1,y-1) + pixel(x,y)；
进一步地，在考虑边界问题的情况下，也就是考虑了第一行和第一列的计算,对于第一行：
I(0,0) =pixel(0,0)，x=0，y=0；
I(x,0) =I(x-1,0) + pixel(x,0)，x>0，y=0；
而对于第一列：
I(0,y) =I(0,y-1) + pixel(0,y)，x=0，y>0；
实施本申请实施例，采用积分特征的优点是一旦积分特征首先被计算出来，就可以在常量时间内计算图像中任意大小矩形区域的和。在图像模糊、边缘提取、对象检测等应用场景下，可以极大程度降低计算量、提高计算速度。
而梯度特征描述了图像的边缘、角点等局部区域变化的信息，对于光照的变化具有较强的鲁棒性。
步骤S3，通过预先训练好的分类模型，基于所述所有待识别图像的积分特征和梯度特征计算相似度得分。
在本实施例中，在所述基于所述所有待识别图像的积分特征和梯度特征计算相似度得分之前，还包括：
获取用于训练的车辆图像数据集，也即训练集。具体地，所述获取用于训练的车辆图像数据集，具体为：
获取若干碰撞视频；从所述若干碰撞视频中裁剪出若干碰撞车辆样本图像和非碰撞车辆样本图像；对裁剪出的若干碰撞车辆样本图像和非碰撞车辆样本图像进行归一化处理和灰度化处理，获得所述用于训练的车辆图像数据集。
作为进一步优选方案，所述碰撞车辆样本图像为8000张，碰撞车辆样本图像为12000张。图像的数量、选取思路可以根据实际应用做调整，使用的图像越多，则训练出来的算法精度越高。本实施例对8000张碰撞车辆样本图像和12000张碰撞车辆样本图像进行归一化处理，是因为图像每个像素值范围是0到255之间的数值，对于计算机来说这个数值较大，所以，像素值归一化处理是将像素值除以255，得到0到1之间的数值来进行计算。而本实施例进行灰度化处理，就是将彩色图像转换为灰度图，相较于彩色图而言可以占用更小的内存，另一方面也可以在视觉上增加对比，突出本实施例的目标区域。
经过归一化、灰度化处理，将样本图像处理成了24×24、32×32、48×48三种大小，由于在不同视频分辨率下提取的图像的像素大小是不一致的，处理成这三个尺寸，在相同尺寸做比对，可以提高分析的准确率。
在归一化处理、灰度化处理后，可以对样本图像进行碰撞对象分类和碰撞方向分类，碰撞对象分类指车辆的碰撞目标，包括但不限于车辆、建筑和自行车等等。碰撞方向分类指的是车辆的前后左右四个方向。
对所述车辆图像数据集进行特征提取，获得所述车辆图像数据集的积分特征、Haar特征和梯度特征；所述车辆图像数据集包括若干碰撞车辆样本图像和非碰撞车辆样本图像；具体地，Harr是一种特征描述子，可以用来表示感兴趣目标的特征，帮助找到目标。Haar特征分为四类：边缘特征、线性特征、中心特征和对角线特征，基于这四种特征组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素之和减去黑色矩形像素之和。在确定了特征形式后，Harr-like特征的数量就取决于训练样本图像矩阵的大小，特征模板在子窗口内任意放置，一种形态即为一种特征，找出所有子窗口的特征是后续步骤进行弱分类训练的基础。本实施例可以采用OpenCV来获取积分特征、Haar特征和梯度特征。OpenCV的全称是Open Source Computer VisionLibrary,OpenCV于1999年由Intel建立，现在由Willow Garage提供支持。其是一个基于BSD许可证授权（开源)发行的跨平台计算机视觉库，可以运行在Linux、Windows和Mac 0S操作***上。
基于所述车辆图像数据集的积分特征、Haar特征和梯度特征构建若干第一分类器（弱分类器）；
在满足关于训练检出率和误判率的预设条件下，通过Adaboost算法从所述若干第一分类器中筛选出若干第二分类器（强分类器）；
对所述若干第二分类器进行组合，构成级联分类器，获得所述预先训练好的分类模型。
实际上，模式识别的训练可以采用Adaboost算法或者SVM算法，Adaboost算法基本思路是针对不同的训练集训练同一个分类器（弱分类器），然后把这些不同训练集上的得到的分类器联合起来，构成一个最终的强分类器。该算法中不同的训练集是通过调整每个样本对应的权重来实现。开始时，每个样本对应的权重是相同的，对于h1分类错误的样本，加大其对应的权重； 而对于分类正确的样本，则降低其权重，这样错误的样本就会被突出出来，从而得到一个新的样本分布 U2。在新的样本分布下，再次对弱分类器进行训练，得到弱分类器h2。依次类推，经过T次循环，得到T个弱分类器，把这T个弱分类器按一定的权重叠加（boost）起来，得到最终想要的强分类器。训练***总体框架，由“训练部分”和“补充部分”构成，进一步地，训练***可包括：
a.以样本集为输入，在给定的矩形特征原型下，计算并获得矩形特征集；
b.以特征集为输入，根据给定的弱学习算法，确定闽值，将特征与弱分类器一一对应，获得弱分类器集；
c.以弱分类器集为输入，在符合训练检出率和误判率的情况下，使用Adaboost算法挑选最优的弱分类器构成强分类器;
d.以强分类器集作为输入，将其组合为级联分类器；
e.以非碰撞车辆图像集为输入，组合强分类器为临时的的级联分类器，筛选并补充非碰撞车辆图像样本，具体可以参考图4。
通过所述训练好的分类模型，可以得出相似度得分。
步骤S4，将计算结果与预设阈值进行比对，当计算结果大于所述预设阈值时，判定所述待识别图像存在碰撞情形；当计算结果小于等于所述预设阈值时，判定所述待识别图像不存在碰撞情形。
在本实施例中，如果计算结果的得分超过85%，则可以判定为碰撞，也即所述待识别图像判定存在碰撞情形。当所述计算结果小于等于85%时，则判定不存在碰撞，也即所述待识别图像不存在碰撞情形。
进一步地，所述车辆碰撞识别方法还包括：确定存在碰撞情形的图像对应的时刻，并存储所述时刻前后预设时间段内对应的视频。可以通过特定的App或者网页进行调用、查看、下载等操作，以获取具体地碰撞视频。
相应的，参照图5，本发明实施例还提供了一种基于图像处理的车辆碰撞识别***，包括采集模块101、特征提取模块102、相似度计算模块103和判定模块104；其中，
所述采集模块101，用于通过视频设备采集车辆周围的视频信息，从所述视频信息对应的视频流中每隔预设时间采集一帧图像，获取若干待识别图像；
所述特征提取模块102，用于对所有待识别图像进行特征提取，获得所述待识别图像的积分特征和梯度特征；
所述相似度计算模块103，用于通过预先训练好的分类模型，基于所述所有待识别图像的积分特征和梯度特征计算相似度得分；
所述判定模块104，用于将计算结果与预设阈值进行比对，当计算结果大于所述预设阈值时，判定所述待识别图像存在碰撞情形；当计算结果小于等于所述预设阈值时，判定所述待识别图像不存在碰撞情形。
作为一种优选实施方式，所述车辆碰撞识别***还包括分类器训练模块，所述分类器训练模块用于：
在所述相似度计算模块基于所述所有待识别图像的积分特征和梯度特征计算相似度得分之前，获取用于训练的车辆图像数据集；
对所述车辆图像数据集进行特征提取，获得所述车辆图像数据集的积分特征、Haar特征和梯度特征；所述车辆图像数据集包括若干碰撞车辆样本图像和非碰撞车辆样本图像；
基于所述车辆图像数据集的积分特征、Haar特征和梯度特征构建若干第一分类器；
在满足关于训练检出率和误判率的预设条件下，通过Adaboost算法从所述若干第一分类器中筛选出若干第二分类器；
对所述若干第二分类器进行组合，构成级联分类器，获得所述预先训练好的分类模型。
作为一种优选实施方式，所述分类器训练模块包括训练集获取单元，所述训练集获取单元用于获取用于训练的车辆图像数据集，具体地：
所述训练集获取单元获取若干碰撞视频；
从所述若干碰撞视频中裁剪出若干碰撞车辆样本图像和非碰撞车辆样本图像；
对裁剪出的若干碰撞车辆样本图像和非碰撞车辆样本图像进行归一化处理和灰度化处理，获得所述用于训练的车辆图像数据集。
作为一种优选实施方式，所述视频流为RTP协议视频流；所述车辆碰撞识别***还包括预处理模块，所述预处理模块用于：
在所述获取若干待识别图像之前，从所述RTP协议视频流中，每0.5秒提取视频文件中的一张图片；
对提取的每张图片进行数字降噪处理，并将数字降噪处理后的每张图片的非标准像素点转换为标准像素点，获得所述若干待识别图像。
作为一种优选实施方式，所述车辆碰撞识别***还包括存储模块，所述存储模块用于确定存在碰撞情形的图像对应的时刻，并存储所述时刻前后预设时间段内对应的视频。
相比于现有技术，本发明实施例具有如下有益效果：
本发明实施例提供了一种基于图像处理的车辆碰撞识别方法和***，所述车辆碰撞识别方法包括：通过视频设备采集车辆周围的视频信息，从所述视频信息对应的视频流中每隔预设时间采集一帧图像，获取若干待识别图像；对所有待识别图像进行特征提取，获得所述待识别图像的积分特征和梯度特征；通过预先训练好的分类模型，基于所述所有待识别图像的积分特征和梯度特征计算相似度得分；将计算结果与预设阈值进行比对，当计算结果大于所述预设阈值时，判定所述待识别图像存在碰撞情形；当计算结果小于等于所述预设阈值时，判定所述待识别图像不存在碰撞情形。相比于现有技术，基于待识别图像的积分特征和梯度特征计算相似度得分，与预设阈值进行比对，判定图像中是否存在碰撞事件，无需布置距离传感器等硬件设备，降低了经济成本和人力物力成本，并且可以实现高效的图像分析和准确的车辆碰撞判别，达到监控和预防各类碰撞事故的目的。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像处理的车辆碰撞识别方法，其特征在于，包括：
通过视频设备采集车辆周围的视频信息，从所述视频信息对应的视频流中每隔预设时间采集一帧图像，获取若干待识别图像；
对所有待识别图像进行特征提取，获得所述待识别图像的积分特征和梯度特征；
通过预先训练好的分类模型，基于所述所有待识别图像的积分特征和梯度特征计算相似度得分；
将计算结果与预设阈值进行比对，当计算结果大于所述预设阈值时，判定所述待识别图像存在碰撞情形；当计算结果小于等于所述预设阈值时，判定所述待识别图像不存在碰撞情形。
2.如权利要求1所述的一种基于图像处理的车辆碰撞识别方法，其特征在于，在所述基于所述所有待识别图像的积分特征和梯度特征计算相似度得分之前，还包括：
获取用于训练的车辆图像数据集；
对所述车辆图像数据集进行特征提取，获得所述车辆图像数据集的积分特征、Haar特征和梯度特征；所述车辆图像数据集包括若干碰撞车辆样本图像和非碰撞车辆样本图像；
基于所述车辆图像数据集的积分特征、Haar特征和梯度特征构建若干第一分类器；
在满足关于训练检出率和误判率的预设条件下，通过Adaboost算法从所述若干第一分类器中筛选出若干第二分类器；
对所述若干第二分类器进行组合，构成级联分类器，获得所述预先训练好的分类模型。
3.如权利要求2所述的一种基于图像处理的车辆碰撞识别方法，其特征在于，所述获取用于训练的车辆图像数据集，具体为：
获取若干碰撞视频；
从所述若干碰撞视频中裁剪出若干碰撞车辆样本图像和非碰撞车辆样本图像；
对裁剪出的若干碰撞车辆样本图像和非碰撞车辆样本图像进行归一化处理和灰度化处理，获得所述用于训练的车辆图像数据集。
4.如权利要求1至3任意一项所述的一种基于图像处理的车辆碰撞识别方法，其特征在于，所述视频流为RTP协议视频流；在所述获取若干待识别图像之前，还包括：
从所述RTP协议视频流中，每0.5秒提取视频文件中的一张图片；
对提取的每张图片进行数字降噪处理，并将数字降噪处理后的每张图片的非标准像素点转换为标准像素点，获得所述若干待识别图像。
5.如权利要求1至3任意一项所述的一种基于图像处理的车辆碰撞识别方法，其特征在于，所述车辆碰撞识别方法还包括：确定存在碰撞情形的图像对应的时刻，并存储所述时刻前后预设时间段内对应的视频。
6.一种基于图像处理的车辆碰撞识别***，其特征在于，包括采集模块、特征提取模块、相似度计算模块和判定模块；其中，
所述采集模块，用于通过视频设备采集车辆周围的视频信息，从所述视频信息对应的视频流中每隔预设时间采集一帧图像，获取若干待识别图像；
所述特征提取模块，用于对所有待识别图像进行特征提取，获得所述待识别图像的积分特征和梯度特征；
所述相似度计算模块，用于通过预先训练好的分类模型，基于所述所有待识别图像的积分特征和梯度特征计算相似度得分；
所述判定模块，用于将计算结果与预设阈值进行比对，当计算结果大于所述预设阈值时，判定所述待识别图像存在碰撞情形；当计算结果小于等于所述预设阈值时，判定所述待识别图像不存在碰撞情形。
7.如权利要求6所述的一种基于图像处理的车辆碰撞识别***，其特征在于，所述车辆碰撞识别***还包括分类器训练模块，所述分类器训练模块用于：
在所述相似度计算模块基于所述所有待识别图像的积分特征和梯度特征计算相似度得分之前，获取用于训练的车辆图像数据集；
对所述车辆图像数据集进行特征提取，获得所述车辆图像数据集的积分特征、Haar特征和梯度特征；所述车辆图像数据集包括若干碰撞车辆样本图像和非碰撞车辆样本图像；
基于所述车辆图像数据集的积分特征、Haar特征和梯度特征构建若干第一分类器；
在满足关于训练检出率和误判率的预设条件下，通过Adaboost算法从所述若干第一分类器中筛选出若干第二分类器；
对所述若干第二分类器进行组合，构成级联分类器，获得所述预先训练好的分类模型。
8.如权利要求7所述的一种基于图像处理的车辆碰撞识别***，其特征在于，所述分类器训练模块包括训练集获取单元，所述训练集获取单元用于获取用于训练的车辆图像数据集，具体地：
所述训练集获取单元获取若干碰撞视频；
从所述若干碰撞视频中裁剪出若干碰撞车辆样本图像和非碰撞车辆样本图像；
对裁剪出的若干碰撞车辆样本图像和非碰撞车辆样本图像进行归一化处理和灰度化处理，获得所述用于训练的车辆图像数据集。
9.如权利要求6至8任意一项所述的一种基于图像处理的车辆碰撞识别***，其特征在于，所述视频流为RTP协议视频流；所述车辆碰撞识别***还包括预处理模块，所述预处理模块用于：
在所述获取若干待识别图像之前，从所述RTP协议视频流中，每0.5秒提取视频文件中的一张图片；
对提取的每张图片进行数字降噪处理，并将数字降噪处理后的每张图片的非标准像素点转换为标准像素点，获得所述若干待识别图像。
10.如权利要求6至8任意一项所述的一种基于图像处理的车辆碰撞识别***，其特征在于，所述车辆碰撞识别***还包括存储模块，所述存储模块用于确定存在碰撞情形的图像对应的时刻，并存储所述时刻前后预设时间段内对应的视频。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310052945.7A CN115797897A (zh) | 2023-02-03 | 2023-02-03 | 一种基于图像处理的车辆碰撞识别方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310052945.7A CN115797897A (zh) | 2023-02-03 | 2023-02-03 | 一种基于图像处理的车辆碰撞识别方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115797897A true CN115797897A (zh) | 2023-03-14 |
Family
ID=85429567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310052945.7A Pending CN115797897A (zh) | 2023-02-03 | 2023-02-03 | 一种基于图像处理的车辆碰撞识别方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115797897A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117173385A (zh) * | 2023-10-24 | 2023-12-05 | 四川思极科技有限公司 | 一种变电站的检测方法、装置、介质及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102637257A (zh) * | 2012-03-22 | 2012-08-15 | 北京尚易德科技有限公司 | 一种基于视频的交通车辆检测识别***和方法 |
| CN105574552A (zh) * | 2014-10-09 | 2016-05-11 | 东北大学 | 一种基于单目视觉的车辆测距与碰撞预警方法 |
| CN107657237A (zh) * | 2017-09-28 | 2018-02-02 | 东南大学 | 基于深度学习的汽车碰撞检测方法及*** |
| CN108629963A (zh) * | 2017-03-24 | 2018-10-09 | 纵目科技（上海）股份有限公司 | 基于卷积神经网络的交通事故上报方法及***、车载终端 |
| WO2020119314A1 (zh) * | 2018-12-14 | 2020-06-18 | 阿里巴巴集团控股有限公司 | 车祸事故处理方法和装置、电子设备 |
| CN112070039A (zh) * | 2020-09-11 | 2020-12-11 | 广州亚美智造科技有限公司 | 一种基于哈希编码的车辆碰撞检测方法及*** |
| CN112744174A (zh) * | 2021-01-18 | 2021-05-04 | 深圳广联赛讯股份有限公司 | 车辆碰撞监测方法、装置、设备及计算机可读存储介质 |
-
2023
- 2023-02-03 CN CN202310052945.7A patent/CN115797897A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102637257A (zh) * | 2012-03-22 | 2012-08-15 | 北京尚易德科技有限公司 | 一种基于视频的交通车辆检测识别***和方法 |
| CN105574552A (zh) * | 2014-10-09 | 2016-05-11 | 东北大学 | 一种基于单目视觉的车辆测距与碰撞预警方法 |
| CN108629963A (zh) * | 2017-03-24 | 2018-10-09 | 纵目科技（上海）股份有限公司 | 基于卷积神经网络的交通事故上报方法及***、车载终端 |
| CN107657237A (zh) * | 2017-09-28 | 2018-02-02 | 东南大学 | 基于深度学习的汽车碰撞检测方法及*** |
| WO2020119314A1 (zh) * | 2018-12-14 | 2020-06-18 | 阿里巴巴集团控股有限公司 | 车祸事故处理方法和装置、电子设备 |
| CN112070039A (zh) * | 2020-09-11 | 2020-12-11 | 广州亚美智造科技有限公司 | 一种基于哈希编码的车辆碰撞检测方法及*** |
| CN112744174A (zh) * | 2021-01-18 | 2021-05-04 | 深圳广联赛讯股份有限公司 | 车辆碰撞监测方法、装置、设备及计算机可读存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117173385A (zh) * | 2023-10-24 | 2023-12-05 | 四川思极科技有限公司 | 一种变电站的检测方法、装置、介质及设备 |
| CN117173385B (zh) * | 2023-10-24 | 2024-01-26 | 四川思极科技有限公司 | 一种变电站的检测方法、装置、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101937508B (zh) | 一种基于高清图像的车牌定位与识别方法 | |
| WO2020173022A1 (zh) | 一种识别车辆违章行为的方法、服务器及存储介质 | |
| JP4942510B2 (ja) | 車両画像認識装置およびその方法 | |
| CN105809184B (zh) | 一种适用于加油站的车辆实时识别跟踪与车位占用判断的方法 | |
| CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
| KR101176552B1 (ko) | 속도 제한 표지판 인식 방법 및 장치, 이미지 인식 방법 | |
| 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 | |
| EP2662827A1 (en) | Video analysis | |
| CN109460722B (zh) | 一种车牌智能识别方法 | |
| KR101727487B1 (ko) | 내용기반 차량분석기 및 이를 이용한 내용기반 차량분석방법 | |
| US20220101037A1 (en) | System and Method for License Plate Recognition | |
| US6738512B1 (en) | Using shape suppression to identify areas of images that include particular shapes | |
| CN115797897A (zh) | 一种基于图像处理的车辆碰撞识别方法和*** | |
| CN111814773A (zh) | 一种划线车位识别方法及*** | |
| KR102489884B1 (ko) | 차량 번호판 인식율 개선을 위한 이미지 처리 장치 및 이를 이용한 이미지 처리 방법 | |
| CN112766046B (zh) | 一种目标检测方法及相关装置 | |
| CN114067282A (zh) | 一种端到端的车辆位姿检测方法及装置 | |
| CN113053164A (zh) | 一种利用环视图像的车位识别方法 | |
| CN111178204B (zh) | 一种视频数据编辑识别方法、装置、智能终端及存储介质 | |
| CN108985197B (zh) | 基于多算法融合的出租车驾驶员吸烟行为的自动检测方法 | |
| US20240054795A1 (en) | Automatic Vehicle Verification | |
| KR20200066890A (ko) | 비 교사학습 기반 열악 차량번호 이미지 복구 학습 방법 및 장치 | |
| Nguyen et al. | Real-time license plate localization based on a new scale and rotation invariant texture descriptor | |
| Kadambari et al. | Deep Learning Based Traffic Surveillance System For Missing and Suspicious Car Detection | |
| CN117523521B (zh) | 一种基于Haar特征和改进HOG特征的车辆检测方法 |
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: 20230314 |