一种在监控视频中标识车辆位置的方法及系统技术方案

本发明专利技术涉及车辆位置标识的技术领域，提供了一种在监控视频中标识车辆位置的方法及系统。其方法包括步骤：S1：在监控视频的监控区域中，预设若干个控制点，针对每一个所述控制点，同时获取所述控制点的GPS坐标和所述控制点在监控画面中二维坐标；S2：根据同一所述监控画面中的所述控制点的所述二维坐标和所述GPS坐标，建立所述监控画面的所述二维坐标和所述GPS坐标的坐标映射关系；S3：接收车辆的所述GPS坐标，根据所述坐标映射关系，获取到所述车辆在所述监控画面中对应的所述二维坐标，根据所述二维坐标标识出所述车辆的位置。能够将车辆的位置在监控画面中标识出来，使得机场管理人员可以直接通过肉眼在监控画面中很清楚的查找到车辆的位置。

【技术实现步骤摘要】
一种在监控视频中标识车辆位置的方法及系统
本专利技术涉及车辆位置标识的
，尤其涉及一种在监控视频中标识车辆位置的方法及系统。
技术介绍
近年来国内航空业发展强劲，10年来航空旅客的年化增速达14％，2018年民航旅客量达到6亿人次，随之而来的是机场安全生产压力越来越大。近些年，国内外多次出现车辆入侵事故，相当部分是由于车辆误入飞行区或停机区。机场的车辆管理系统，通过给车辆安装了GPS设备，可以实时获得车辆的GPS坐标信息。当车辆违规进入飞行区或者停机区时，车辆管理系统能够发出报警信息提示机场管理人员。机场的视频监控系统，机场管理人员可以实时获得飞行区和停机区等区域的监控画面。由于飞行区和停机区面积广阔，在监控画面中，普通车辆的像素较小，通过图像识别技术无法直接识别出车辆。当有车辆违规进入飞行区或停机区时，管理人员虽然得到车辆管理系统的报警信息提示，但是很难通过肉眼在监控画面中查找到该车辆，造成严重的安全隐患。如何将车辆的位置在监控画面中标识出来，是个急需解决的问题。
技术实现思路
针对上述问题，本专利技术的目的在于提供一种在监控视频中标识车辆位置的方法及系统，能够将车辆的位置在监控画面中标识出来，使得机场管理人员可以直接通过肉眼在监控画面中很清楚的查找到车辆的位置。本专利技术的上述专利技术目的是通过以下技术方案得以实现的：一种在监控视频中标识车辆位置的方法，包括以下步骤：S1：在监控视频的监控区域中，预设若干个控制点，针对每一个所述控制点，同时获取所述控制点的GPS坐标和所述控制点在监控画面中二维坐标；S2：根据同一所述监控画面中的所述控制点的所述二维坐标和所述GPS坐标，建立所述监控画面的所述二维坐标和所述GPS坐标的坐标映射关系；S3：接收车辆的所述GPS坐标，根据所述坐标映射关系，获取到所述车辆在所述监控画面中对应的所述二维坐标，根据所述二维坐标标识出所述车辆的位置。进一步地，在步骤S1中，获取所述控制点在监控画面中的二维坐标，具体为：采集所述控制点的图像，通过包括基于深度神经网络的图像识别和定位的开源算法在内的图像训练方法，生成所述控制点的图像模型，建立图像模型库；根据所述图像模型库中的所述图像模型，识别出所述监控画面中的所述控制点，获取所述控制点在所述监控画面中的所述二维坐标。进一步地，建立所述图像模型库的具体步骤为：采集各个所述控制点的图像，其中所述图像包括在不同天气，不同光线，不同角度，不同距离在内的不同条件下的所述图像；针对采集的所述图像，进行包括对所述图像进行水平和垂直翻转、随机裁剪、随机角度旋转、改变图像对比度和亮度在内的预处理；针对采集的所述图像，标注所述图像对应的所述控制点的类别和位置，形成所述图像相匹配的标注数据，并且同时建立训练文件库，将所述标准数据放置于所述训练文件库中；建立对所述图像进行训练所需要的配置文件，通过包括YOLO算法在内的基于深度神经网络的图像识别和定位的开源算法，对所述图像进行训练，生成所述图像模型库。进一步地，在生成所述图像模型库之后，还包括：当所有的所述控制点识别无误后，计算所述监控画面中任意两个所述控制点的所述二维坐标之间的相对位置和角度作为所述控制点之间的相对位置和角度标准；在后续识别所述控制点时，再次计算所述控制点之间的相对位置和角度，与所述相对位置和角度标准进行对比，当所述控制点之间的相对位置和角度与所述相对位置和角度标准中记录的值的偏差超过预设误差值，则所述控制点识别错误。进一步地，在步骤S3中，根据所述二维坐标标识出所述车辆的位置，还包括：针对所述监控视频做图像处理，在所述车辆在所述监控画面中对应的所述二维坐标上，通过包括框图在内的方式，在所述监控画面中标识出所述车辆的位置。为了执行上述方法，本专利技术还提供了一种在监控视频中标识车辆位置的系统，包括控制点预设模块，映射关系建立模块，车辆位置标识模块；所述控制点预设模块，用于在监控视频的监控区域中，预设若干个控制点，针对每一个所述控制点，同时获取所述控制点的GPS坐标和所述控制点在监控画面中二维坐标；所述映射关系建立模块，用于根据同一所述监控画面中的所述控制点的所述二维坐标和所述GPS坐标，建立所述监控画面的所述二维坐标和所述GPS坐标的坐标映射关系；所述车辆位置标识模块，用于接收车辆的所述GPS坐标，根据所述坐标映射关系，获取到所述车辆在所述监控画面中对应的所述二维坐标，根据所述二维坐标标识出所述车辆的位置。进一步地，所述控制点预设模块，还包括GPS坐标获取子模块和二维坐标获取子模块；所述GPS坐标获取子模块，用于获取所述控制点对应的所述GPS坐标；所述二维坐标获取子模块，用于获取所述控制点在所述监控画面中的所述二维坐标，具体为：采集所述控制点的图像，通过包括基于深度神经网络的图像识别和定位的开源算法在内的图像训练方法，生成所述控制点的图像模型，建立图像模型库；根据所述图像模型库中的所述图像模型，识别出所述监控画面中的所述控制点，获取所述控制点在所述监控画面中的所述二维坐标。进一步地，所述二维坐标获取子模块，进一步包括：图像模型库建立单元，用于建立所述图像模型库，具体为：采集各个所述控制点的图像，其中所述图像包括在不同天气，不同光线，不同角度，不同距离在内的不同条件下的所述图像；针对采集的所述图像，进行包括对所述图像进行水平和垂直翻转、随机裁剪、随机角度旋转、改变图像对比度和亮度在内的预处理；针对采集的所述图像，标注所述图像对应的所述控制点的类别和位置，形成所述图像相匹配的标注数据，并且同时建立训练文件库，将所述标准数据放置于所述训练文件库中；建立对所述图像进行训练所需要的配置文件，通过包括YOLO算法在内的基于深度神经网络的图像识别和定位的开源算法，对所述图像进行训练，生成所述图像模型库。相对位置和角度计算单元，计算所述相对位置和角度标准，具体为：当所有的所述控制点识别无误后，计算所述监控画面中任意两个所述控制点的所述二维坐标之间的相对位置和角度作为所述控制点之间的相对位置和角度标准；在后续识别所述控制点时，再次计算所述控制点之间的相对位置和角度，与所述相对位置和角度标准进行对比，当所述控制点之间的相对位置和角度与所述相对位置和角度标准中记录的值的偏差超过预设误差值，则所述控制点识别错误。进一步地，所述车辆位置标识模块，还包括：图像处理子模块，用于针对所述监控视频做图像处理，在所述车辆在所述监控画面中对应的所述二维坐标上，通过包括框图在内的方式，在所述监控画面中标识出所述车辆的位置。与现有技术相比，本专利技术包括以下至少一种有益效果是：(1)通过建立一种在监控视频中标识车辆位置的方法，具体包括：在监控视频的监控区域中，预设若干个控制点，针对每一个所述控制点，同时获取所述控制点的GPS坐标和所述控制点在监控画面中二维坐标；根据同一所述监控画面中的所述控本文档来自技高网...

【技术保护点】
1.一种在监控视频中标识车辆位置的方法，其特征在于，包括以下步骤：/nS1：在监控视频的监控区域中，预设若干个控制点，针对每一个所述控制点，同时获取所述控制点的GPS坐标和所述控制点在监控画面中二维坐标；/nS2：根据同一所述监控画面中的所述控制点的所述二维坐标和所述GPS坐标，建立所述监控画面的所述二维坐标和所述GPS坐标的坐标映射关系；/nS3：接收车辆的所述GPS坐标，根据所述坐标映射关系，获取到所述车辆在所述监控画面中对应的所述二维坐标，根据所述二维坐标标识出所述车辆的位置。/n

【技术特征摘要】
1.一种在监控视频中标识车辆位置的方法，其特征在于，包括以下步骤：
S1：在监控视频的监控区域中，预设若干个控制点，针对每一个所述控制点，同时获取所述控制点的GPS坐标和所述控制点在监控画面中二维坐标；
S2：根据同一所述监控画面中的所述控制点的所述二维坐标和所述GPS坐标，建立所述监控画面的所述二维坐标和所述GPS坐标的坐标映射关系；
S3：接收车辆的所述GPS坐标，根据所述坐标映射关系，获取到所述车辆在所述监控画面中对应的所述二维坐标，根据所述二维坐标标识出所述车辆的位置。


2.根据权利要求1所述的在监控视频中标识车辆位置的方法，其特征在于，在步骤S1中，获取所述控制点在监控画面中的二维坐标，具体为：
采集所述控制点的图像，通过包括基于深度神经网络的图像识别和定位的开源算法在内的图像训练方法，生成所述控制点的图像模型，建立图像模型库；
根据所述图像模型库中的所述图像模型，识别出所述监控画面中的所述控制点，获取所述控制点在所述监控画面中的所述二维坐标。


3.根据权利要求2所述的在监控视频中标识车辆位置的方法，其特征在于，建立所述图像模型库的具体步骤为：
采集各个所述控制点的图像，其中所述图像包括在不同天气，不同光线，不同角度，不同距离在内的不同条件下的所述图像；
针对采集的所述图像，进行包括对所述图像进行水平和垂直翻转、随机裁剪、随机角度旋转、改变图像对比度和亮度在内的预处理；
针对采集的所述图像，标注所述图像对应的所述控制点的类别和位置，形成所述图像相匹配的标注数据，并且同时建立训练文件库，将所述标准数据放置于所述训练文件库中；
建立对所述图像进行训练所需要的配置文件，通过包括YOLO算法在内的基于深度神经网络的图像识别和定位的开源算法，对所述图像进行训练，生成所述图像模型库。


4.根据权利要求3所述的在监控视频中标识车辆位置的方法，其特征在于，在生成所述图像模型库之后，还包括：
当所有的所述控制点识别无误后，计算所述监控画面中任意两个所述控制点的所述二维坐标之间的相对位置和角度作为所述控制点之间的相对位置和角度标准；
在后续识别所述控制点时，再次计算所述控制点之间的相对位置和角度，与所述相对位置和角度标准进行对比，当所述控制点之间的相对位置和角度与所述相对位置和角度标准中记录的值的偏差超过预设误差值，则所述控制点识别错误。


5.根据权利要求1所述的在监控视频中标识车辆位置的方法，其特征在于，在步骤S3中，根据所述二维坐标标识出所述车辆的位置，还包括：
针对所述监控视频做图像处理，在所述车辆在所述监控画面中对应的所述二维坐标上，通过包括框图在内的方式，在所述监控画面中标识出所述车辆的位置。


6.一种在监控视频中标识车辆位置的系统，其特征在于，包括控制点预设模块，映射关系建立模块，车辆位置标识模块；
所述控制点预设模块，用于在监控视频的监控区域中，预设若...

【专利技术属性】
技术研发人员：董炜，颜敏骏，杜高丽，
申请(专利权)人：博康云信科技有限公司，
类型：发明
国别省市：广东;44