CN114037924A - 一种基于图像识别技术的车辆过闸判断方法及相关装置 - Google Patents

Abstract

本申请公开了一种基于图像识别技术的车辆过闸判断方法及相关装置，用于利用深度学习算法检测并跟踪车辆的行驶轨迹，再根据行驶轨迹进行过闸的判断，由此提高车辆过闸判断的准确性。本申请方法包括：通过车场摄像头获取车场出入口视频；在所述车场出入口视频中逐帧提取目标图像；采用目标检测算法对所述目标图像中的车辆和车牌进行检测；对检测到的所述目标图像中的车牌进行车牌信息识别；根据所述车牌信息以及所述目标图像中的车辆和车牌的位置关系进行绑定，并根据绑定结果确定目标车辆；采用跟踪算法跟踪所述目标车辆的车辆轨迹；根据所述车辆轨迹判断所述目标车辆是否过闸。

Description

一种基于图像识别技术的车辆过闸判断方法及相关装置

技术领域

本申请涉及图像识别技术领域，尤其涉及一种基于图像识别技术的车辆过闸判断方法及相关装置。

背景技术

随着社会的进步和发展，停车场的数量和规模也大大增加，而准确判断车辆是否进去车场有重要意义，它不仅关系到场内剩余车位计数，还将关系车辆入场出场的合理收费以及对非机动车的管控等。

现有技术中，有多种方式判断车辆是否过闸：一种是基于地感线圈的方式，它安装在道闸下方，通过对金属物体的探测来确定有无车辆，这种方式无法真正判断过闸的是一辆车，且在有其他车辆跟车的情况下难以区分是两辆车过闸还是一辆车过闸；另一种是基于雷达传感器的方式，它将雷达传感器放置于道路两侧，通过对车辆返回来的电磁波进行监测，从而通过测量距离的变化来判断车辆是否过闸。这种方法也不能准确区分经过的是非机动车还是车辆。

综上，现有技术中判断车辆是否过闸的方法的实现无法确定过闸的物体是机动车还是非机动车，且无法判断车辆是否倒车离开，导致车辆过闸判断的准确性不高。

发明内容

本申请提供了一种基于图像识别技术的车辆过闸判断方法及相关装置，用于利用深度学习算法检测并跟踪车辆的行驶轨迹，再根据行驶轨迹进行过闸的判断，由此提高车辆过闸判断的准确性。

本申请第一方面提供了一种基于图像识别技术的车辆过闸判断方法，包括：

通过车场摄像头获取车场出入口视频；

在所述车场出入口视频中逐帧提取目标图像；

采用目标检测算法对所述目标图像中的车辆和车牌进行检测；

对检测到的所述目标图像中的车牌进行车牌信息识别；

根据所述车牌信息以及所述目标图像中的车辆和车牌的位置关系进行绑定，并根据绑定结果确定目标车辆；

采用跟踪算法跟踪所述目标车辆的车辆轨迹；

根据所述车辆轨迹判断所述目标车辆是否过闸。

可选的，所述根据所述车辆轨迹判断所述目标车辆是否过闸包括：

根据所述车辆轨迹计算所述目标车辆的轨迹方向和轨迹位移，所述车辆轨迹由若干帧所述目标图像中的车辆检测框的中心点组成；

判断所述车辆轨迹的轨迹帧数是否小于预设帧数；

若否，则判断所述车辆轨迹是否满足第一过闸条件；

所述第一过闸条件包括：

所述车辆轨迹从所述目标图像的下边界消失，所述轨迹位移的长度大于100像素且所述轨迹方向与预设方向之间的余弦值大于0；

当确定所述车辆轨迹满足第一过闸条件时，确定所述目标车辆已过闸。

可选的，在所述判断所述车辆轨迹的轨迹帧数是否小于预设帧数之后，所述方法还包括：

若是，则确定所述目标车辆未过闸。

可选的，所述方法还包括：

当确定所述车辆轨迹不满足所述第一过闸条件时，则判断所述车辆轨迹是否满足第二过闸条件；

所述第二过闸条件为：

所述轨迹位移的长度大于200像素且所述轨迹方向与预设方向之间的余弦值大于0.5；

或，

所述轨迹位移的长度大于100像素且所述轨迹方向与预设方向之间的余弦值大于0.9；

若确定所述车辆轨迹满足所述第二过闸条件，则确定所述目标车辆已过闸；

若确定所述车辆轨迹不满足所述第二过闸条件，则确定所述目标车辆未过闸。

可选的，在所述根据所述车辆轨迹计算所述目标车辆的轨迹方向和轨迹位移之前，所述方法还包括：

对所述车辆轨迹进行预处理，以去除不满足判断标准的车辆轨迹。

可选的，在所述根据所述车辆轨迹计算所述目标车辆的轨迹方向和轨迹位移之后，在所述判断所述车辆轨迹的轨迹帧数是否小于预设帧数之前，所述方法还包括：

对所述车辆轨迹进行评级处理；

判断所述车辆轨迹的消失帧数是否小于动态阈值，所述动态阈值由所述评级处理的结果决定；

所述判断所述车辆轨迹的轨迹帧数是否小于预设帧数包括：

若确定所述车辆轨迹的消失帧数大于所述动态阈值，则判断所述车辆轨迹的轨迹帧数是否小于预设帧数。

本申请第二方面提供了一种基于图像识别技术的车辆过闸判断系统，包括：

获取单元，用于通过车场摄像头获取车场出入口视频；

提取单元，用于在所述车场出入口视频中逐帧提取目标图像；

检测单元，用于采用目标检测算法对所述目标图像中的车辆和车牌进行检测；

识别单元，用于对检测到的所述目标图像中的车牌进行车牌信息识别；

绑定单元，用于根据所述车牌信息以及所述目标图像中的车辆和车牌的位置关系进行绑定，并根据绑定结果确定目标车辆；

跟踪单元，用于采用跟踪算法跟踪所述目标车辆的车辆轨迹；

判断单元，用于根据所述车辆轨迹判断所述目标车辆是否过闸。

可选的，所述判断单元包括：

计算模块，用于根据所述车辆轨迹计算所述目标车辆的轨迹方向和轨迹位移，所述车辆轨迹由若干帧所述目标图像中的车辆检测框的中心点组成；

第一判断模块，用于判断所述车辆轨迹的轨迹帧数是否小于预设帧数；

第二判断模块，用于当所述第一判断模块的判断结果为否时，判断所述车辆轨迹是否满足第一过闸条件；

所述第一过闸条件包括：

所述车辆轨迹从所述目标图像的下边界消失，所述轨迹位移的长度大于100像素且所述轨迹方向与预设方向之间的余弦值大于0；

第一确定模块，用于当所述第二判断模块确定所述车辆轨迹满足第一过闸条件时，确定所述目标车辆已过闸。

可选的，所述系统还包括可：

第二确定模块，用于当所述第一判断模块判断结果为是时，确定所述目标车辆未过闸。

可选的，所述判断单元还包括：

第三判断模块，用于当所述第二判断模块确定所述车辆轨迹不满足第一过闸条件时，判断所述车辆轨迹是否满足第二过闸条件；

所述第二过闸条件为：

所述轨迹位移的长度大于200像素且所述轨迹方向与预设方向之间的余弦值大于0.5；

或，

所述轨迹位移的长度大于100像素且所述轨迹方向与预设方向之间的余弦值大于0.9；

所述第一确定模块还用于当所述第三判断模块的判断结果为是时，确定所述目标车辆已过闸；

所述第二确定模块还用于当所述第三判断模块的判断结果为否时，确定所述目标车辆未过闸。

可选的，所述判断单元还包括：

预处理模块，用于对所述车辆轨迹进行预处理，以去除不满足判断标准的车辆轨迹。

可选的，所述判断单元还包括：

评级模块，用于对所述车辆轨迹进行评级处理；

第四判断模块，用于判断所述车辆轨迹的消失帧数是否小于动态阈值，所述动态阈值由所述评级处理的结果决定；

所述第一判断模块具体用于：

当所述第四判断模块的判断结果为否时，判断所述车辆轨迹的轨迹帧数是否小于预设帧数。

本申请第三方面提供了一种基于图像识别技术的车辆过闸判断装置，所述装置包括：

处理器、存储器、输入输出单元以及总线；

所述处理器与所述存储器、所述输入输出单元以及所述总线相连；

所述存储器保存有程序，所述处理器调用所述程序以执行第一方面以及第一方面中任一项可选的基于图像识别技术的车辆过闸判断方法。

本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上保存有程序，所述程序在计算机上执行时执行第一方面以及第一方面中任一项可选的基于图像识别技术的车辆过闸判断方法。

从以上技术方案可以看出，本申请具有以下优点：

针对目前的过闸判断方法无法判断过闸的物体是机动车还是非机动车的问题，本发明通过目标检测算法可以区分目标的类别，如只检测机动车的车辆和车牌，然后将车牌与车辆进行绑定后再跟踪，从而对非机动车和一些无牌车辆进行过滤。

本发明通过车场现有的出入口摄像头，对车辆进行检测和跟踪车辆的行驶轨迹，并通过对该行驶轨迹的方向、位移等综合判断车辆是经过道闸还是从其他方向离开，由此提高车辆过闸判断的准确性。

附图说明

为了更清楚地说明本申请中的技术方案，下面将对实施例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本申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本申请提供的基于图像识别技术的车辆过闸判断方法一个实施例流程示意图；

图2为本申请提供的基于图像识别技术的车辆过闸判断方法另一个实施例流程示意图；

图3为本申请提供的基于图像识别技术的车辆过闸判断方法中车辆轨迹的示意图；

图4为本申请提供的基于图像识别技术的车辆过闸判断系统一个实施例结构示意图；

图5为本申请提供的基于图像识别技术的车辆过闸判断系统另一个实施例结构示意图；

图6为本申请提供的基于图像识别技术的车辆过闸判断装置一个实施例结构示意图。

具体实施方式

本申请提供了一种基于图像识别技术的车辆过闸判断方法及相关装置，用于利用深度学习算法检测并跟踪车辆的行驶轨迹，再根据行驶轨迹进行过闸的判断，由此提高车辆过闸判断的准确性。

需要说明的是，本申请提供的基于图像识别技术的车辆过闸判断方法，可以应用于终端，还可以应用于服务器上，例如终端可以是智能手机或电脑、平板电脑、智能电视、智能手表、便携计算机终端也可以是台式计算机等固定终端。为方便阐述，本申请中以终端为执行主体进行举例说明。

请参阅图1，图1为本申请提供的基于图像识别技术的车辆过闸判断方法的一个实施例，该方法包括：

101、通过车场摄像头获取车场出入口视频；

本申请通过车场现有的出入口摄像头，结合深度学习算法实现对车辆过闸的判断，首先终端需要获取车场摄像头所拍摄的现场视频，本申请中的车场摄像头是指安装在车场的出入口(道闸)处的摄像头。

102、在所述车场出入口视频中逐帧提取目标图像；

终端在获取到的车场出入口视频中逐帧提取目标图像，需要说明的是，为保证后续检测和识别的精度，目标图像至少为1920*1080分辨率的彩色图像。

103、采用目标检测算法对所述目标图像中的车辆和车牌进行检测；

终端采用目标检测算法，对目标图像中的车辆和车牌进行检测。具体的，该目标检测算法可以采用主流的SSD物体检测算法。需要说明的是，在检测过程中目标图像中的非机动车车辆会被认为是背景而不会被检测到，因此本申请提供的车辆过闸判断方法可以对非机动车进行过滤。

104、对检测到的所述目标图像中的车牌进行车牌信息识别；

终端提取目标图像中所检测到的车牌部分，并进行车牌信息的识别。车牌识别部分的处理包括车牌校正、车牌类型判断、车牌投票以及多识别过滤等，具体此处不作限定。

105、根据所述车牌信息以及所述目标图像中的车辆和车牌的位置关系进行绑定，并根据绑定结果确定目标车辆；

终端通过车牌信息以及目标图像中所检测到的车辆和车牌的位置关系完成对车辆和车牌的绑定。由于车场摄像头通常安装在1米到2米之间的高度，其画面中可以拍摄到多个车牌和多个车辆，终端可以根据车牌和车辆之间的位置关系来进行分配以及绑定。具体的，车辆检测框和车牌检测框进行相互算IOU，然后将IOU做为代价矩阵，采用匈牙利分配算法，一个车牌匹配一辆车，根据匹配结果将车牌和车辆进行绑定，并将绑定结果确定为目标车辆。

需要说明的是，在车辆和车牌的绑定步骤，如果中多帧没有匹配到车牌的车辆会被当成无牌车处理，即无法实现绑定，也无法实现后续的过闸判断，因此本申请提供的车辆过闸判断方法可以对无牌车进行过滤。

106、采用跟踪算法跟踪所述目标车辆的车辆轨迹；

终端在确定目标车辆后，则采用跟踪算法对目标车辆的车辆轨迹进行跟踪。具体的，对目标车辆的跟踪可以采用DeepSort算法，DeepSort算法依赖于目标检测，可以利用两帧目标图像中车辆检测框之间的IOU和CNN特征来进行物体关联。当轨迹连续多帧(3帧)关联到车辆检测框时，则认为产生一个新的车辆ID。当轨迹连续多帧(30帧)没有关联到车辆检测框时，则认为该车辆消失了。

107、根据所述车辆轨迹判断所述目标车辆是否过闸。

终端根据目标车辆的车辆轨迹来做过闸判断，该车辆轨迹由若干帧目标图像中对应目标车辆的车辆检测框的中心点组成。

需要补充的是，在跟踪车辆轨迹之后，终端还可以对车流方向进行学习，即通过前面几辆车(通常10辆车)的车辆轨迹来学习一个“常规的”车辆行进方向。该行进方向能更加准确的辅助判断车辆过闸。具体的，当第一辆车出现时，“常规的”车辆行驶方向初始化为从上之下，即方向向量(0,1)。后续车辆过闸后，终端会保存其过闸时的轨迹，然后对前面10辆车所有的过闸轨迹进行平均，得到一个“常规的”车辆行进方向，用以辅助车辆过闸判断。

本实施例中，针对目前的过闸判断方法无法判断过闸的物体是机动车还是非机动车的问题，本实施例通过目标检测算法可以区分目标的类别，只检测机动车的车辆和车牌，然后将车牌与车辆进行绑定后再跟踪，从而对非机动车和一些无牌车辆进行过滤。

本实施例通过车场现有的出入口摄像头，对车辆进行检测和跟踪车辆的行驶轨迹，并通过对该行驶轨迹的方向、位移等综合判断车辆是经过道闸还是从其他方向离开，由此提高车辆过闸判断的准确性。

下面对本申请提供的基于图像识别技术的车辆过闸判断方法中的过闸判断流程进行详细描述，请参阅图2和图3，图2为本申请提供的基于图像识别技术的车辆过闸判断方法另一个实施例，图3为本申请提供的基于图像识别技术的车辆过闸判断方法中车辆轨迹的示意图，该方法包括：

201、通过车场摄像头获取车场出入口视频；

202、在所述车场出入口视频中逐帧提取目标图像；

203、采用目标检测算法对所述目标图像中的车辆和车牌进行检测；

204、对检测到的所述目标图像中的车牌进行车牌信息识别；

205、根据所述车牌信息以及所述目标图像中的车辆和车牌的位置关系进行绑定，并根据绑定结果确定目标车辆；

206、采用跟踪算法跟踪所述目标车辆的车辆轨迹；

本实施例中步骤201至206与前述实施例步骤101至106类似，此处不再赘述。

207、对所述车辆轨迹进行预处理，以去除不满足判断标准的车辆轨迹；

终端在获得目标车辆的车辆轨迹之后，需要对车辆轨迹进行相应的预处理，该预处理步骤的目的是预先去除一些不满足判断标准的轨迹，例如轨迹帧数太短(小于20帧)的轨迹或是消失帧数太短(小于6帧)的轨迹，对于这些不满足判断标准的轨迹终端则不予进行判断。

208、根据所述车辆轨迹计算所述目标车辆的轨迹方向和轨迹位移，所述车辆轨迹由若干帧所述目标图像中的车辆检测框的中心点组成；

当终端获取到符合判断条件的车辆轨迹之后，则根据该车辆轨迹计算目标车辆的轨迹方向以及轨迹位移。本实施例中提供的车辆轨迹如图3所示，圆圈集合为车辆行驶轨迹(由车辆检测框的中心点组成)，起点和终点分别有开始的5个点和末尾的5个点的平均值组成。轨迹位移即是起点指向终点的向量，另一直线则是通过车流方向学习生成的常规车辆行驶方向，终端对两者之间计算向量余弦值可以表达车辆是靠近道闸还是远离道闸。

209、判断所述车辆轨迹的轨迹帧数是否小于预设帧数，若否，则执行步骤210，若是，则直接执行步骤213；

终端判断该车辆轨迹的轨迹帧数是否小于预设帧数，正常车辆过闸从视野开始到消失大概在5s即125帧左右，因此可以将预设帧数设置在40帧左右，以剔除一些误检的情况。

当终端确定轨迹帧数大于预设帧数时，则执行步骤210以进入过闸的进一步判断。

当终端确定轨迹帧数小于预设帧数时，表示这个车辆轨迹很短暂，可能是背景误检，此时执行步骤213以确定该目标车辆未过闸，从而进行下一个目标车辆的过闸判断。

210、判断所述车辆轨迹是否满足第一过闸条件，若否，则执行步骤211，若是，则直接执行步骤212；

终端在确定车辆轨迹的轨迹帧数大于预设帧数后，则进行第一过闸条件的判断。在步骤210中，终端需要同时判断3个条件，分别如下：

1、车辆轨迹从目标图像的下边界消失；

2、轨迹位移的长度大于100像素；

3、轨迹方向与预设方向之间的余弦值大于0。

当终端确定目标车辆的车辆轨迹同时满足以上三个条件时，则执行步骤212以返回目标车辆已过闸的结果。当以上三个条件有任意一个不满足时，则执行步骤211以进行第二过闸条件的判断。

需要说明的是，判断车辆轨迹从图像下边界消失可以统计最新15帧轨迹的车辆检测框的下边界，是否有10帧以上都靠近了目标图像的下边界。本实施例中的预设方向指的是终端通过最前面几辆车(通常10辆车)的车辆轨迹来学习的“常规的”车辆行进方向。该行进方向能更加准确的辅助判断车辆过闸。具体的，当第一辆车出现时，“常规的”车辆行驶方向初始化为从上之下，即方向向量(0,1)。后续车辆过闸后，终端会保存其过闸时的轨迹，然后对前面10辆车所有的过闸轨迹进行平均，得到一个“常规的”车辆行进方向，用以辅助车辆过闸判断。

211、判断所述车辆轨迹是否满足第二过闸条件，若是，则执行步骤212，若否，则执行步骤213；

当终端确定该车辆轨迹不满足第一过闸条件时，则继续判断该车辆轨迹是否满足第二过闸条件。第二过闸条件具体如下：

1、轨迹位移的长度大于200像素且轨迹方向与预设方向之间的余弦值大于0.5；

或，

2、轨迹位移的长度大于100像素且轨迹方向与预设方向之间的余弦值大于0.9。

其中第二过闸条件1可以概括车辆行驶了比较长的距离，但是方向不是很正的情况，这种情况可能出现在一些大卡车或者T型路口中。而第二过闸条件2可以概括车辆行驶了比较短的距离，但是方向较正的情况，这种情况一般出现在夜间行车，由于夜间的成像没有白天好，对车辆在远处的检测较为不佳，会导致终端所跟踪到的车辆轨迹的位移相对较短。

通过第二过闸条件1和第二过闸条件2的补充判断，可以对一些特殊情况下的车辆过闸进行补充判断，当终端确定车辆轨迹不满足第一过闸条件，但满足第二过闸条件中的任意一条时，执行步骤212以返回目标车辆已过闸的结果。

212、确定所述目标车辆已过闸；

当终端确定目标车辆的车辆轨迹满足第一过闸条件，或是不满足第一过闸条件但满足第二过闸条件中任一条时，即可确定目标车辆已过闸。需要说明的是，当终端确定目标车辆已过闸后，则进行下一个目标车辆的过闸判断，对一个车辆轨迹只返回一次已过闸的结果。

213、确定所述目标车辆未过闸。

在步骤209中，当终端确定车辆轨迹的轨迹帧数小于预设帧数时，表示这个车辆轨迹很短暂，可能是背景误检，此时可直接返回目标车辆未过闸，以进行下一个目标车辆的过闸判断。

另一种情况是当终端确定车辆轨迹的轨迹帧数大于预设帧数时，但车辆轨迹不满足第一过闸条件，也不满足第二过闸条件时，则可确定目标车辆未过闸。

本实施例中，针对目前的过闸判断方法无法判断过闸的物体是机动车还是非机动车的问题，本实施例通过目标检测算法可以区分目标的类别，只检测机动车的车辆和车牌，然后将车牌与车辆进行绑定后再跟踪，从而对非机动车和一些无牌车辆进行过滤。

本实施例通过车场现有的出入口摄像头，对车辆进行检测和跟踪车辆的行驶轨迹，并通过对该行驶轨迹的方向、位移等综合判断车辆是经过道闸还是从其他方向离开，其中在判断过程中包含多重的判断条件，以实现对车辆过闸的精准判断，提高车辆过闸判断的准确性。

需要补充的是，在使用DeepSort算法对目标车辆进行跟踪时，可能出现车辆被行人遮挡或者检测器性能不佳的问题，从而容易出现ID切换的现象，即同一辆车可能在先后时间会被认为是两辆车，因此本申请还提出对车辆轨迹进行动态评级的处理，由此来增加算法应对车辆被短暂遮挡的情况，增强算法的鲁棒性。

下面对该动态评级方法在车辆过闸判断方法中的应用进行详细描述：

在步骤208计算目标车辆的轨迹方向和轨迹位移之后，在步骤209判断车辆轨迹的轨迹帧数是否小于预设帧数之前，终端先对车辆轨迹进行轨迹评级处理，再根据轨迹评级的结果调整动态阈值，然后判断车辆轨迹的消失帧数是否大于该动态阈值，当车辆轨迹的消失帧数大于该动态阈值时才执行步骤209以及后续的过闸判断，而如果车辆轨迹的消失帧数小于该动态阈值，则直接返回未过闸的结果。

具体的，车辆轨迹的等级可以大致分为如下3种：

1级：如果车辆轨迹帧数小于40帧或者轨迹位移小于40个像素。则将动态阈值调整成125帧，并且将该车辆轨迹的消失帧数改成126。这种类型的轨迹大概率属于被前车遮挡或者行人遮挡的轨迹，将阈值调大，给予了轨迹更宽松的消失条件，这样前车走后或者行人走后就可以继续延续轨迹。

2级：如果轨迹的位移长度大于400像素，轨迹方向与预设方向之间的余弦值大于0.9，且轨迹中最近5帧检测框有面积减小趋势(即统计5帧检测框是否有3帧以上的检测框比上一帧检测框的面积减小10％)。当这3个条件同时满足时，则将动态阈值调整成6。这种类型的轨迹被认为是比较的好的轨迹，车辆行驶的距离较长，而且方向和常规行驶方向很相近，也符合画面中消失时检测框由大变小的规律。对于此类轨迹可以直接判断过闸。

3级：当车辆轨迹不能达到1级和2级标准时，则被认为是一般的轨迹，此时将动态阈值调整成50，且将轨迹的消失帧数改成51。此类轨迹可能由于检测器性能不佳导致，延长消失帧数可以增加算法鲁棒性。

请参阅图4，图4为本申请提供的基于图像识别技术的车辆过闸判断系统一个实施例，该系统包括：

获取单元401，用于通过车场摄像头获取车场出入口视频；

提取单元402，用于在所述车场出入口视频中逐帧提取目标图像；

检测单元403，用于采用目标检测算法对所述目标图像中的车辆和车牌进行检测；

识别单元404，用于对检测到的所述目标图像中的车牌进行车牌信息识别；

绑定单元405，用于根据所述车牌信息以及所述目标图像中的车辆和车牌的位置关系进行绑定，并根据绑定结果确定目标车辆；

跟踪单元406，用于采用跟踪算法跟踪所述目标车辆的车辆轨迹；

判断单元407，用于根据所述车辆轨迹判断所述目标车辆是否过闸。

在本实施例中，检测单元403通过目标检测算法可以区分目标的类别，只检测机动车的车辆和车牌，然后绑定单元405将车牌与车辆进行绑定，跟踪单元406再进行跟踪，从而对非机动车和一些无牌车辆进行过滤。

本发明通过车场现有的出入口摄像头，对车辆进行检测和跟踪车辆的行驶轨迹，并通过判断单元407对该行驶轨迹的方向、位移等综合判断车辆是经过道闸还是从其他方向离开，由此提高车辆过闸判断的准确性。

下面对本申请提供的基于图像识别技术的车辆过闸判断系统进行详细说明，请参阅图5，图5为本申请提供的基于图像识别技术的车辆过闸判断系统另一个实施例，该系统包括：

获取单元501，用于通过车场摄像头获取车场出入口视频；

提取单元502，用于在所述车场出入口视频中逐帧提取目标图像；

检测单元503，用于采用目标检测算法对所述目标图像中的车辆和车牌进行检测；

识别单元504，用于对检测到的所述目标图像中的车牌进行车牌信息识别；

绑定单元505，用于根据所述车牌信息以及所述目标图像中的车辆和车牌的位置关系进行绑定，并根据绑定结果确定目标车辆；

跟踪单元506，用于采用跟踪算法跟踪所述目标车辆的车辆轨迹；

判断单元507，用于根据所述车辆轨迹判断所述目标车辆是否过闸。

可选的，所述判断单元507包括：

计算模块5071，用于根据所述车辆轨迹计算所述目标车辆的轨迹方向和轨迹位移，所述车辆轨迹由若干帧所述目标图像中的车辆检测框的中心点组成；

第一判断模块5072，用于判断所述车辆轨迹的轨迹帧数是否小于预设帧数；

第二判断模块5073，用于当所述第一判断模块5072的判断结果为否时，判断所述车辆轨迹是否满足第一过闸条件；

所述第一过闸条件包括：

所述车辆轨迹从所述目标图像的下边界消失，所述轨迹位移的长度大于100像素且所述轨迹方向与预设方向之间的余弦值大于0；

第一确定模块5074，用于当所述第二判断模块5073确定所述车辆轨迹满足第一过闸条件时，确定所述目标车辆已过闸。

可选的，所述系统还包括可：

第二确定模块5075，用于当所述第一判断模块5072判断结果为是时，确定所述目标车辆未过闸。

可选的，所述判断单元507还包括：

第三判断模块5076，用于当所述第二判断模块5073确定所述车辆轨迹不满足第一过闸条件时，判断所述车辆轨迹是否满足第二过闸条件；

所述第二过闸条件为：

所述轨迹位移的长度大于200像素且所述轨迹方向与预设方向之间的余弦值大于0.5；

或，

所述轨迹位移的长度大于100像素且所述轨迹方向与预设方向之间的余弦值大于0.9；

所述第一确定模块5074还用于当所述第三判断模块5076的判断结果为是时，确定所述目标车辆已过闸；

所述第二确定模块5075还用于当所述第三判断模块5076的判断结果为否时，确定所述目标车辆未过闸。

可选的，所述判断单元507还包括：

预处理模块5077，用于对所述车辆轨迹进行预处理，以去除不满足判断标准的车辆轨迹。

可选的，所述判断单元507还包括：

评级模块5078，用于对所述车辆轨迹进行评级处理；

第四判断模块5079，用于判断所述车辆轨迹的消失帧数是否小于动态阈值，所述动态阈值由所述评级处理的结果决定；

所述第一判断模块5072具体用于：

当所述第四判断模块5079的判断结果为否时，判断所述车辆轨迹的轨迹帧数是否小于预设帧数。

本实施例系统中，各单元的功能与前述图2所示方法实施例中的步骤对应，此处不再赘述。

本申请还提供了一种基于图像识别技术的车辆过闸判断装置，请参阅图6，图6为本申请提供的基于图像识别技术的车辆过闸判断装置一个实施例，该装置包括：

处理器601、存储器602、输入输出单元603、总线604；

处理器601与存储器602、输入输出单元603以及总线604相连；

存储器602保存有程序，处理器601调用程序以执行如上任一基于图像识别技术的车辆过闸判断方法。

本申请还涉及一种计算机可读存储介质，计算机可读存储介质上保存有程序，其特征在于，当程序在计算机上运行时，使得计算机执行如上任一基于图像识别技术的车辆过闸判断方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种基于图像识别技术的车辆过闸判断方法，其特征在于，所述方法包括：

通过车场摄像头获取车场出入口视频；

在所述车场出入口视频中逐帧提取目标图像；

采用目标检测算法对所述目标图像中的车辆和车牌进行检测；

对检测到的所述目标图像中的车牌进行车牌信息识别；

根据所述车牌信息以及所述目标图像中的车辆和车牌的位置关系进行绑定，并根据绑定结果确定目标车辆；

采用跟踪算法跟踪所述目标车辆的车辆轨迹；

根据所述车辆轨迹判断所述目标车辆是否过闸。

2.根据权利要求1所述的方法，其特征在于，所述根据所述车辆轨迹判断所述目标车辆是否过闸包括：

根据所述车辆轨迹计算所述目标车辆的轨迹方向和轨迹位移，所述车辆轨迹由若干帧所述目标图像中的车辆检测框的中心点组成；

判断所述车辆轨迹的轨迹帧数是否小于预设帧数；

若否，则判断所述车辆轨迹是否满足第一过闸条件；

所述第一过闸条件包括：

所述车辆轨迹从所述目标图像的下边界消失，所述轨迹位移的长度大于100像素且所述轨迹方向与预设方向之间的余弦值大于0；

当确定所述车辆轨迹满足第一过闸条件时，确定所述目标车辆已过闸。

3.根据权利要求2所述的方法，其特征在于，在所述判断所述车辆轨迹的轨迹帧数是否小于预设帧数之后，所述方法还包括：

若是，则确定所述目标车辆未过闸。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

当确定所述车辆轨迹不满足所述第一过闸条件时，则判断所述车辆轨迹是否满足第二过闸条件；

所述第二过闸条件为：

所述轨迹位移的长度大于200像素且所述轨迹方向与预设方向之间的余弦值大于0.5；

或，

所述轨迹位移的长度大于100像素且所述轨迹方向与预设方向之间的余弦值大于0.9；

若确定所述车辆轨迹满足所述第二过闸条件，则确定所述目标车辆已过闸；

若确定所述车辆轨迹不满足所述第二过闸条件，则确定所述目标车辆未过闸。

5.根据权利要求2所述的方法，其特征在于，在所述根据所述车辆轨迹计算所述目标车辆的轨迹方向和轨迹位移之前，所述方法还包括：

对所述车辆轨迹进行预处理，以去除不满足判断标准的车辆轨迹。

6.根据权利要求3所述的方法，其特征在于，在所述根据所述车辆轨迹计算所述目标车辆的轨迹方向和轨迹位移之后，在所述判断所述车辆轨迹的轨迹帧数是否小于预设帧数之前，所述方法还包括：

对所述车辆轨迹进行评级处理；

判断所述车辆轨迹的消失帧数是否小于动态阈值，所述动态阈值由所述评级处理的结果决定；

所述判断所述车辆轨迹的轨迹帧数是否小于预设帧数包括：

若确定所述车辆轨迹的消失帧数大于所述动态阈值，则判断所述车辆轨迹的轨迹帧数是否小于预设帧数。

7.一种基于图像识别技术的车辆过闸判断系统，其特征在于，所述系统包括：

获取单元，用于通过车场摄像头获取车场出入口视频；

提取单元，用于在所述车场出入口视频中逐帧提取目标图像；

检测单元，用于采用目标检测算法对所述目标图像中的车辆和车牌进行检测；

识别单元，用于对检测到的所述目标图像中的车牌进行车牌信息识别；

绑定单元，用于根据所述车牌信息以及所述目标图像中的车辆和车牌的位置关系进行绑定，并根据绑定结果确定目标车辆；

跟踪单元，用于采用跟踪算法跟踪所述目标车辆的车辆轨迹；

判断单元，用于根据所述车辆轨迹判断所述目标车辆是否过闸。

8.根据权利要求7所述的系统，其特征在于，所述判断单元包括：

计算模块，用于根据所述车辆轨迹计算所述目标车辆的轨迹方向和轨迹位移，所述车辆轨迹由若干帧所述目标图像中的车辆检测框的中心点组成；

第一判断模块，用于判断所述车辆轨迹的轨迹帧数是否小于预设帧数；

第二判断模块，用于当所述第一判断模块的判断结果为否时，判断所述车辆轨迹是否满足第一过闸条件；

所述第一过闸条件包括：

所述车辆轨迹从所述目标图像的下边界消失，所述轨迹位移的长度大于100像素且所述轨迹方向与预设方向之间的余弦值大于0；

第一确定模块，用于当所述第二判断模块确定所述车辆轨迹满足第一过闸条件时，确定所述目标车辆已过闸。

9.一种基于图像识别技术的车辆过闸判断装置，其特征在于，所述装置包括：

处理器、存储器、输入输出单元以及总线；

所述处理器与所述存储器、所述输入输出单元以及所述总线相连；

所述存储器保存有程序，所述处理器调用所述程序以执行如权利要求1至6中任一项所述方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上保存有程序，所述程序在计算机上执行时执行如权利要求1至6中任一项所述方法。

Images