Year: 2026
Type: article
Abstract: 目的为提升高速公路交通管理效率与道路安全，提出一种面向监控视频的违法停车自动识别方法，以解决车流密集场景中目标遮挡、摄像机透视畸变及夜间光照干扰导致的身份混淆与误判问题。方法该方法引入了双重注意力特征融合结构，增强YOLOv8提取的多尺度特征的表达能力，并将生成的外观特征用于后续的轨迹匹配阶段，从而在保持高效跟踪性能的同时，有效缓解了目标身份混淆与切换的现象。此外，还设计了一种基于帧间位移自适应的判别机制来识别违停行为，有效降低了由视角畸变和边框抖动造成的误判和漏判风险。针对夜间检测的困难，进一步引入了一种基于时间序列信号分析的危险报警闪光灯检测技术，以提升夜间判定的稳定性与准确性，从而增强整体算法的鲁棒性。结果鉴于当前尚无公开可用的高速公路违停检测数据集，结合实际交通管理需求，自主构建覆盖多场景的专用数据集，并在此基础上进行实验验证。结果表明，所提方法能够良好适应不同时间段及复杂条件下的高速公路场景，违停识别准确率达94.79%，召回率达92.86%，F1分数为0.94，显著优于对比方法。图像处理速度为每秒32帧，满足实时处理需求。结论提出的融合双重注意力特征与时空特征的方法，在高速公路违停识别上成效显著，该研究具备显著的开创性和实践指导意义。
Source: Journal of Image and Graphics
DOI: 10.11834/jig.250354
Authors: Liu Dian, Yin Na, Zhang Zening, Lyu Hongyan, Luo Xubin, Wang Haoxiang
Institution: South China University of Technology
Language: English
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: bronze
OpenAlex ID: W7118384249
FWCI:
Cites:
Cited by:
Related to: