[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111429484B - 一种基于交通监控视频的多目标车辆轨迹实时构建方法 - Google Patents

一种基于交通监控视频的多目标车辆轨迹实时构建方法 Download PDF

Info

Publication number
CN111429484B
CN111429484B CN202010244107.6A CN202010244107A CN111429484B CN 111429484 B CN111429484 B CN 111429484B CN 202010244107 A CN202010244107 A CN 202010244107A CN 111429484 B CN111429484 B CN 111429484B
Authority
CN
China
Prior art keywords
vehicle
frame
sample
model
target
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
CN202010244107.6A
Other languages
English (en)
Other versions
CN111429484A (zh
Inventor
贾海涛
付梦锦
佘春东
胡四泉
罗欣
冷庚
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010244107.6A priority Critical patent/CN111429484B/zh
Publication of CN111429484A publication Critical patent/CN111429484A/zh
Application granted granted Critical
Publication of CN111429484B publication Critical patent/CN111429484B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30232—Surveillance
    • 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
    • G06T2207/30236—Traffic on road, railway or crossing
    • 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
    • G06T2207/30241—Trajectory
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于交通监控视频的多目标车辆轨迹实时构建方法，属于计算机视觉技术领域。本发明所述方法首先采集和标注交通监控摄像头角度下的交通数据，然后用训练好的深度学习模型和HOG特征提取工具分别提取交通视频图像的卷积特征和HOG特征，并进行融合，基于融合特征，一方面训练基于yolo‑v3的车牌号检测模型，另一方面，采用基于时空正则化的相关性滤波方法完成对多车辆目标的实时准确追踪，最后，结合追踪结果和车牌检测结果，记录每一车辆的车牌信息及其行驶轨迹。本发明所述方法减少了额外安装和维护设备的成本，实用性更好；具有更高的准确性，特别是在有遮挡和形变情况的轨迹构建效果有显著的提升。

Description

一种基于交通监控视频的多目标车辆轨迹实时构建方法
技术领域
本发明属于计算机视觉技术领域，具体涉及一种基于交通监控视频的多目标车辆轨迹实时构建方法。
背景技术
交通视频监控系统已越来越多地被用于日常公路运营安全管理工作。在交通监控系统的智能化研究中，基于视频的车辆运动轨迹的构建是进行车辆行为识别的关键步骤。车辆运动轨迹是指车辆在通过交通视频监控场景时，在连续不同帧时刻所形成的特征点序列。交通监测场景下的车辆轨迹构建涉及多目标跟踪问题，对于目标之间的遮挡和轨迹形变成为准确构建车辆轨迹的重点和难点。传统的基于视频的跟踪算法的结果准确度受环境和遮挡影响严重，因此构建的车辆轨迹可能产生较大偏差。而基于GPS等辅助设备的检测方法，虽然准确性有所提升，但增加了额外的成本且适用范围有限。为克服上述方法的缺点，本方法提供了一种仅基于交通监控视频的，利用图像卷积和HOG融合特征的基于深度学习模型的方法，其成本低，适用范围广，且具有较高的精度。
基于GPS的轨迹跟踪可以从GPS位置数据中获得有价值的信息帮助车辆轨迹的构建，但是实际应用中，不可能使交通车辆都安装GPS设备并采集每一辆车的GPS位置信息，因此实用性受到很大的局限。
基于视频的车辆轨迹的构建的车辆跟踪的方法包括基于目标检测的光流法、帧间差分法、背景差分法等；这些传统的基于视频的检测方法都主要基于背景建模来完成交通流参数的检测，这些方法易受环境条件干扰等而误判，精度不够高。
发明内容
本发明的目的是克服上述现有技术的缺陷，提供一种基于交通监控视频的多目标车辆轨迹实时构建方法。
本发明所提出的技术问题是这样解决的：
一种基于交通监控视频的多目标车辆轨迹实时构建方法，包括以下步骤：
步骤1.视频的预处理和标定；
采集交通监控摄像头角度的、不同车流量的交通视频若干小时，将视频每隔20帧保存为一张图片，将所有图片裁切成相同的大小，分别进行标注后保存为两个样本集；其中样本集1：添加轿车，卡车，公交车等10余种常见车辆的类别标签，作为卷积特征提取基础模型的训练样本；样本集2：添加车牌检测框及车牌识别标签，作为车牌识别模型的训练样本；
步骤2.视频图像的特征提取和融合；
卷积特征的提取：
下载经过基于ImageNet ILSVR图像分类预训练过的VGGM模型，使用样本集1对预训练过的VGGM模型进行进一步的训练和超参数调整，得到训练好的VGGM模型；输入的视频图像经过归一化处理后，用训练好的VGGM模型抽取图像的卷积特征，选择第3层和第5层卷积层的输出的特征图作为视频图像的卷积特征；
HOG特征的提取：
使用PDollar Toolbox工具中的hog函数，计算图像的HOG特征；
进行特征融合：
使用加权和max-pooling下采样的方法，得到大小固定的融合了卷积特征和HOG特征的融合视频图像的特征图；
步骤3.多车辆车牌号识别；
基于视频图像的融合特征，采用预训练过的基于yolo-v3的目标检测网络，用样本集2进行离线学习后，实现对视频图像中车辆的车牌号的检测；
步骤4.以时空正则化相关滤波器(Spatial-Temporal Regularized CorrelationFilters，STRCF)算法作为多目标实时追踪模型，多车辆目标实时追踪；
STRCF算法的优化公式：
Figure BDA0002433507220000021
其中，1≤d≤D，D为融合视频图像的特征图的个数；(xt,yt)为多帧视频图像集合样本中的第t帧样本，1≤t≤T，T为样本的总帧数；
Figure BDA0002433507220000022
Figure BDA0002433507220000023
为第t帧样本的第d个特征图；fd表示第d个特征图特征学习到的相关滤波器，yt为第t帧样本的样本标签，w为空间正则化权重函数，f为第t帧学习到的相关滤波器，ft-1为第t-1帧学习到的相关滤波器，f0＝f1；·表示Hadamard乘积，*表示卷积运算；
步骤5.多车辆目标运动轨迹的生成；
将交通视频数据流每隔10帧保存为一张图片作为输入，输入至步骤4中的多目标实时追踪模型，得到视频各帧中每个车辆目标的类别及其对应的追踪框坐标((xs,ys),(xe,ye))，其中(xs,ys)为追踪框左上角坐标，(xe,ye)为追踪框右上角坐标；
计算车辆目标的质心位置坐标(xc,yc)：
Figure BDA0002433507220000031
Figure BDA0002433507220000032
再将同一车辆目标在画面内的质心坐标按时间顺序依次记录下来，并依次绘制在原坐标系中，就得到了车辆目标的行驶轨迹。
本发明的有益效果是：
1)结合深度学习网络卷积层输出的卷积特征与方向梯度直方图(HOG)特征来表达视频图像的特征。
2)采用结合时间正则化和空间正则化的相关滤波器(STRCF)算法，加速了DCF以完成实时追踪，且有着较强的克服遮挡和大幅度形变的能力。
3)结合视频图像的提取特征和基于时空正则化相关滤波器(STRCF)跟踪算法，完成对多目标车辆的追踪，并进一步完成车辆运动轨迹的构建。
仅基于交通监控视频，实时精确构建多个车辆目标的运动轨迹的方法，无需安装和维护额外的GPS或辅助摄像头等设备，增强了目标相互遮挡和轨迹大幅形变的鲁棒性。
附图说明
图1为本发明所述方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明进行进一步的说明。
本实施例提供一种基于交通监控视频的多目标车辆轨迹实时构建方法，仅基于交通监控视频，不增加其他设备，对多目标车辆的行驶轨迹进行追踪，得到高精度的轨迹以更好进行后续车辆行为分析，其流程示意图如图1所示，基本流程是：首先，完成一批交通监控摄像头角度下的交通数据的采集和标注，用于后续的模型训练。然后，用训练好的深度学习模型和HOG特征提取工具分别提取交通视频图像的卷积特征和HOG特征，并进行融合。接着，基于融合特征，一方面训练基于yolo-v3的车牌号检测模型，另一方面，采用基于时空正则化的相关性滤波方法完成对多车辆目标的实时准确追踪。最后，结合追踪结果和车牌检测结果，记录每一车辆的车牌信息及其行驶轨迹。相比与基于GPS等其他辅助设备的车辆轨迹追踪方法，本方法减少了额外安装和维护设备的成本，实用性更好；相比基于传统背景分析的追踪算法，本方法具有更高的准确性，特别是在有遮挡和形变情况的轨迹构建效果有显著的提升。
本实施例所述方法包括以下步骤：
步骤1.视频的预处理和标定；
采集交通监控摄像头角度的、不同车流量的交通视频若干小时，将视频每隔20帧保存为一张图片，将所有图片裁切成相同的大小，按照7:1:2的比例划分为训练集、验证集和测试集(训练集用于训练模型，验证集用于调整模型的超参数，测试集用于测试模型的效果)，分别进行标注后保存为两个样本集；其中样本集1：添加轿车，卡车，公交车等10余种常见车辆的类别标签，作为卷积特征提取基础模型的训练样本；样本集2：添加车牌检测框及车牌识别标签，作为车牌识别模型的训练样本；
步骤2.视频图像的特征提取和融合；
卷积特征的提取：
下载经过基于ImageNet ILSVR图像分类预训练过的VGGM模型，使用步骤1中的样本集1对预训练过的VGGM模型进行进一步的训练和超参数调整，得到训练好的VGGM模型；输入的视频图像经过归一化处理后，用训练好的VGGM模型抽取图像的卷积特征，选择第3层和第5层卷积层的输出的特征图作为视频图像的卷积特征；
HOG特征的提取：
HOG特征提取的是纹理特征，计算HOG特征时会对图片灰度化和归一化，从而减轻了颜色和光效等的影响。
使用PDollar Toolbox工具中的hog()函数，快速计算图像的方向梯度直方图(HOG)特征；
进行特征融合：
使用加权和max-pooling下采样的方法，得到大小固定的融合了卷积特征和HOG特征的融合视频图像的特征图；
步骤3.多车辆车牌号识别；
基于视频图像的融合特征，采用预训练过的基于yolo-v3的目标检测网络，用步骤1中的样本集2进行离线学习后，实现对视频图像中车辆的车牌号的检测；
步骤4.以STRCF算法作为多目标实时追踪模型，多车辆目标实时追踪；
基于视频图像的融合特征，采用STRCF算法进行多车辆目标追踪；STRCF的目标函数优化是一个凸优化问题，采用交替乘数方向(ADMM)优化算法可以得到其全局最优解，从而完成多目标实时追踪模型的训练。
STRCF算法的优化公式：
Figure BDA0002433507220000041
其中，1≤d≤D，D为融合视频图像的特征图的个数；(xt,yt)为多帧视频图像集合样本中的第t帧样本，1≤t≤T，T为样本的总帧数；
Figure BDA0002433507220000051
Figure BDA0002433507220000052
为第t帧样本的第d个特征图；fd表示第d个特征图特征学习到的相关滤波器，yt为第t帧样本的样本标签，w为空间正则化权重函数，f为第t帧学习到的相关滤波器，ft-1为第t-1帧学习到的相关滤波器，f0＝f1；·表示Hadamard乘积，*表示卷积运算，|| ||表示向量的模；
上式中，||f-ft-1||2为时间正则项，其使得在训练中，根据上一帧学习到的ft-1及当前帧的样本来训练共同来训练新的滤波器，因此可以避免当前帧遮挡/变形过于严重使得训练得到的滤波器性能变差。
Figure BDA0002433507220000053
为空间正则项，可以减轻边缘效应对滤波器性能的影响。
步骤5.多车辆目标运动轨迹的生成；
将交通视频数据流每隔10帧保存为一张图片作为输入，输入至步骤4中的多目标实时追踪模型，得到视频各帧中每个车辆目标的类别及其对应的追踪框坐标((xs,ys),(xe,ye))，其中(xs,ys)为追踪框左上角坐标，(xe,ye)为追踪框右上角坐标；
计算车辆目标的质心位置坐标(xc,yc)：
Figure BDA0002433507220000054
Figure BDA0002433507220000055
再将同一车辆目标在画面内的质心坐标按时间顺序依次记录下来，并依次绘制在原坐标系中，就得到了车辆目标的行驶轨迹。依此，结合检测到的车牌信息，可以实现多个车辆目标的轨迹的实时记录，可用于帮助实时分析车辆行为。

Claims (2)

1.一种基于交通监控视频的多目标车辆轨迹实时构建方法，其特征在于，包括以下步骤：
步骤1.视频的预处理和标定；
采集交通监控摄像头角度的、不同车流量的交通视频，将视频每隔20帧保存为一张图片，将所有图片裁切成相同的大小，分别进行标注后保存为两个样本集；其中样本集1：添加常见车辆的类别标签，作为卷积特征提取基础模型的训练样本；样本集2：添加车牌检测框及车牌识别标签，作为车牌识别模型的训练样本；
步骤2.视频图像的特征提取和融合；
卷积特征的提取：
下载经过基于ImageNet ILSVR图像分类预训练过的VGGM模型，使用样本集1对预训练过的VGGM模型进行进一步的训练和超参数调整，得到训练好的VGGM模型；输入的视频图像经过归一化处理后，用训练好的VGGM模型抽取图像的卷积特征，选择第3层和第5层卷积层的输出的特征图作为视频图像的卷积特征；
HOG特征的提取：
使用PDollar Toolbox工具中的hog函数，计算图像的HOG特征；
进行特征融合：
使用加权和max-pooling下采样的方法，得到大小固定的融合了卷积特征和HOG特征的融合视频图像的特征图；
步骤3.多车辆车牌号识别；
基于视频图像的融合特征，采用预训练过的基于yolo-v3的目标检测网络，用样本集2进行离线学习后，实现对视频图像中车辆的车牌号的检测；
步骤4.以STRCF算法作为多目标实时追踪模型，多车辆目标实时追踪；
STRCF算法的优化公式：
Figure FDA0002433507210000011
其中，1≤d≤D，D为融合视频图像的特征图的个数；(xt,yt)为多帧视频图像集合样本中的第t帧样本，1≤t≤T，T为样本的总帧数；
Figure FDA0002433507210000012
Figure FDA0002433507210000013
为第t帧样本的第d个特征图；fd表示第d个特征图特征学习到的相关滤波器，yt为第t帧样本的样本标签，w为空间正则化权重函数，f为第t帧学习到的相关滤波器，ft-1为第t-1帧学习到的相关滤波器，f0＝f1；·表示Hadamard乘积，*表示卷积运算；
步骤5.多车辆目标运动轨迹的生成；
将交通视频数据流每隔10帧保存为一张图片作为输入，输入至步骤4中的多目标实时追踪模型，得到视频各帧中每个车辆目标的类别及其对应的追踪框坐标((xs,ys),(xe,ye))，其中(xs,ys)为追踪框左上角坐标，(xe,ye)为追踪框右上角坐标；
计算车辆目标的质心位置坐标(xc,yc)：
Figure FDA0002433507210000021
Figure FDA0002433507210000022
再将同一车辆目标在画面内的质心坐标按时间顺序依次记录下来，并依次绘制在原坐标系中，得到车辆目标的行驶轨迹。
2.根据权利要求1所述的基于交通监控视频的多目标车辆轨迹实时构建方法，其特征在于，步骤1中，将所有图片按照7:1:2的比例划分为训练集、验证集和测试集，训练集用于训练模型，验证集用于调整模型的超参数，测试集用于测试模型的效果。
CN202010244107.6A 2020-03-31 2020-03-31 一种基于交通监控视频的多目标车辆轨迹实时构建方法 Active CN111429484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010244107.6A CN111429484B (zh) 2020-03-31 2020-03-31 一种基于交通监控视频的多目标车辆轨迹实时构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010244107.6A CN111429484B (zh) 2020-03-31 2020-03-31 一种基于交通监控视频的多目标车辆轨迹实时构建方法

Publications (2)

Publication Number Publication Date
CN111429484A CN111429484A (zh) 2020-07-17
CN111429484B true CN111429484B (zh) 2022-03-15

Family

ID=71550210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010244107.6A Active CN111429484B (zh) 2020-03-31 2020-03-31 一种基于交通监控视频的多目标车辆轨迹实时构建方法

Country Status (1)

Country Link
CN (1) CN111429484B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784747B (zh) * 2020-08-13 2024-02-27 青岛高重信息科技有限公司 一种基于关键点检测和校正的车辆多目标跟踪系统及方法
CN114205646B (zh) * 2020-09-18 2024-03-29 阿里巴巴达摩院(杭州)科技有限公司 数据处理方法、装置、电子设备及存储介质
WO2022087879A1 (zh) * 2020-10-28 2022-05-05 华为技术有限公司 一种场景文件的获取方法以及装置
CN112633163B (zh) * 2020-12-22 2023-08-01 合肥品恩智能科技有限公司 一种基于机器学习算法实现非法运营车辆检测的检测方法
CN113158725B (zh) * 2020-12-29 2022-02-08 神思电子技术股份有限公司 一种综合性工程车辆施工动作判断方法
CN112884025B (zh) * 2021-02-01 2022-11-04 安徽大学 一种基于多特征分段式训练的茶叶病害分类系统
CN113392837B (zh) * 2021-07-09 2024-11-08 超级视线科技有限公司 一种基于深度学习的车牌识别方法及装置
CN114219836B (zh) * 2021-12-15 2022-06-03 北京建筑大学 一种基于时空信息辅助的无人机视频车辆跟踪方法
CN114299727B (zh) * 2021-12-28 2022-12-09 杭州滨电信息技术有限公司 一种基于物联网和边缘计算的交通流预测系统及云平台
CN114708730B (zh) * 2022-04-01 2023-06-13 广州大学 桥面车流时空分布重构随机车流虚实混合模拟方法及装置
CN114495509B (zh) * 2022-04-08 2022-07-12 四川九通智路科技有限公司 基于深度神经网络监控隧道运行状态的方法
CN115620199B (zh) * 2022-10-24 2023-06-13 四川警察学院 一种交通安全风险诊断方法和装置
CN116740135B (zh) * 2023-05-18 2024-07-09 中国科学院空天信息创新研究院 红外弱小目标跟踪方法、装置、电子设备及存储介质
CN118115913B (zh) * 2024-02-23 2024-09-27 北京科技大学 一种两阶段追踪方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146911A (zh) * 2018-07-23 2019-01-04 北京航空航天大学 一种目标跟踪的方法及装置
CN109190513A (zh) * 2018-08-14 2019-01-11 中山大学 结合图像显著性检测和神经网络的车辆重识别方法与系统
CN110033479A (zh) * 2019-04-15 2019-07-19 四川九洲视讯科技有限责任公司 基于交通监控视频的交通流参数实时检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107704857B (zh) * 2017-09-25 2020-07-24 北京邮电大学 一种端到端的轻量级车牌识别方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146911A (zh) * 2018-07-23 2019-01-04 北京航空航天大学 一种目标跟踪的方法及装置
CN109190513A (zh) * 2018-08-14 2019-01-11 中山大学 结合图像显著性检测和神经网络的车辆重识别方法与系统
CN110033479A (zh) * 2019-04-15 2019-07-19 四川九洲视讯科技有限责任公司 基于交通监控视频的交通流参数实时检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Traffic-Sign Detection and Classification in the Wild";ZheZhu等;《2016 IEEE Conference on Computer Vision and Pattern Recognition(CVPR)》;20161212;全文 *
"交通场景中的车辆跟踪算法研究";张朝;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20180215;全文 *
"基于感知引导的数据融合算法研究";贾海涛;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20130615;全文 *

Also Published As

Publication number Publication date
CN111429484A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN111429484B (zh) 一种基于交通监控视频的多目标车辆轨迹实时构建方法
CN108171112B (zh) 基于卷积神经网络的车辆识别与跟踪方法
CN112750150B (zh) 基于车辆检测和多目标跟踪的车流量统计方法
CN114170580B (zh) 一种面向高速公路的异常事件检测方法
CN111753797B (zh) 一种基于视频分析的车辆测速方法
CN108364466B (zh) 一种基于无人机交通视频的车流量统计方法
US20090309966A1 (en) Method of detecting moving objects
CN110222667B (zh) 一种基于计算机视觉的开放道路交通参与者数据采集方法
CN112329747B (zh) 基于视频识别和深度学习的车辆参数检测方法及相关装置
CN104378582A (zh) 一种基于ptz摄像机巡航的智能视频分析系统及方法
Jain et al. Performance analysis of object detection and tracking algorithms for traffic surveillance applications using neural networks
CN111340855A (zh) 一种基于轨迹预测的道路移动目标检测方法
CN112069969A (zh) 一种高速公路监控视频跨镜车辆跟踪方法及系统
CN111666871A (zh) 一种面向无人机的改进yolo与sift相结合的多小目标检测跟踪方法
CN113592905B (zh) 基于单目摄像头的车辆行驶轨迹预测方法
Yang et al. Vehicle detection methods from an unmanned aerial vehicle platform
Cordes et al. Roadsaw: A large-scale dataset for camera-based road surface and wetness estimation
CN115359407A (zh) 一种视频中的多车辆跟踪方法
CN107506753B (zh) 一种面向动态视频监控的多车辆跟踪方法
CN115909223B (zh) 一种wim系统信息与监控视频数据匹配的方法和系统
CN113538585B (zh) 基于无人机的高精度多目标智能识别定位追踪方法及系统
CN115565157A (zh) 一种多摄像头多目标车辆跟踪方法及系统
Zhao et al. Real-world trajectory extraction from aerial videos-a comprehensive and effective solution
CN114937248A (zh) 用于跨相机的车辆跟踪方法、装置、电子设备、存储介质
Gao et al. Anomaly detection of trackside equipment based on GPS and image matching

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