CN106297281B - 车辆违章检测的方法及设备 - Google Patents
车辆违章检测的方法及设备 Download PDFInfo
- Publication number
- CN106297281B CN106297281B CN201610648258.1A CN201610648258A CN106297281B CN 106297281 B CN106297281 B CN 106297281B CN 201610648258 A CN201610648258 A CN 201610648258A CN 106297281 B CN106297281 B CN 106297281B
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- line
- vehicle
- lane line
- video
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006854 communication Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000736199 Paeonia Species 0.000 description 1
- 235000006484 Paeonia officinalis Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002788 crimping Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种车辆违章检测设备以及车辆违章检测的方法，该车辆违章检测设备包括图像捕获装置和至少一个处理装置；图像捕获装置被配置为在本车辆附近获取多个区域的行车视频；至少一个处理装置可以被配置成基于预定的车道线检测方法确定图像捕获装置获取的行车视频中车道线的位置，并根据车道线的位置确定行车视频中目标车辆的行车数据；根据已确定的行车数据判断目标车辆是否发生违章行为，并当发生违章行为时，针对目标车辆的违章行为进行报警操作。针对目标车辆的违章行为进行报警操作，使得在路面上违规的目标车辆无处可逃，目标车辆的车主不能存在侥幸心理。
Description
技术领域
本发明涉及终端设备技术领域，具体而言，本发明涉及一种车辆违章检测的方法以及一种车辆违章检测设备。
背景技术
在行车过程中，如果车主在行驶通过交叉路口时不遵守红灯挺的规则而故意穿红灯，或者肆意忽略“此处危险，禁止XX”的警示通告而任意行驶，这不仅会对驾驶违规的车主自身造成安全危害，还会殃及其他车主的人身安全。面对安全问题层出不穷的当今社会，安全意识的淡薄往往比安全隐患更可怕。很多人心中的安全，其实只是“自以为是”的安全。当危险发生，自己的心存侥幸受到惩罚后，后悔也随之已晚。因此，将安全问题重视起来，提高公众的安全意识显得愈发重要。
现如今，交通规范已成为城市文明建设中的重要一环。公安交警部门鼓励广大车主在行驶过程中拍摄记录违法行违章行为，车主可在录制的行车视频中查看并选取路面其他车辆违规的视频，在选择违规视频后，可以将违规事件的相关信息如发生地点、发生时间等信息填好，最后，通过违章举报相关APP手动上传违规视频和违规事件的相关信息，该违规视频和违规事件的相关信息一经交警部门审核采用，将作为执法证据并可以有力协助交警执法。
发明内容
为克服上述技术问题或者至少部分地解决上述技术问题，特提出以下技术方案：
本发明的一个实施例提出了一种车辆违章检测设备，包括图像捕获装置和至少一个处理装置；
图像捕获装置被配置为在本车辆附近获取多个区域的行车视频；
至少一个处理装置可以被配置成基于预定的车道线检测方法确定图像捕获装置获取的行车视频中车道线的位置，并根据车道线的位置确定行车视频中目标车辆的行车数据；
根据已确定的行车数据判断目标车辆是否发生违章行为，并当发生违章行为时，针对目标车辆的违章行为进行报警操作。
优选地，至少一个处理装置可以被配置成对图像捕获装置获取的行车视频中的空间帧图像进行转换操作，以将空间帧图像转换为平面图像，并基于平面图像确定行车视频中车道线的位置。
优选地，至少一个处理装置可以被配置成基于预定的线段检测算法检测空间帧图像中的空间线段，并通过将空间线段映射到散域的方式以确定与空间线段相应的平面线段。
优选地，至少一个处理装置可以被配置成从平面图像的平面线段中确定干扰线段及有效线段，以及滤除干扰线段，并基于有效线段来确定行车视频中车道线的位置。
优选地，至少一个处理装置可以被配置成确定任一平面线段与目标车辆的夹角，并判断夹角是否大于预定的最大夹角阈值，以及若判断大于预定的最大夹角阈值，则滤除该平面线段。
可选地，至少一个处理装置还可以被配置成确定与车道线相应的平面曲线，并将平面曲线反向转换为空间曲线，以及基于空间曲线在行车视频中矫正车道线的位置。
优选地，通过以下方式确定行车视频中的目标车辆：
基于多层神经网络算法对行车视频进行图像识别；
根据图像识别结果确定目标车辆。
优选地，行车数据包括表示目标车辆的位置与车道线的位置是否存在重叠的信息；
其中，至少一个处理装置可以被配置成根据车道线的位置和目标车辆的位置，确定目标车辆的位置与车道线的位置是否存在重叠。
优选地，至少一个处理装置可以被配置成当目标车辆的位置与车道线的位置存在重叠时，确定目标车辆发生违章行为。
本发明的另一实施例提出了一种车辆违章检测的方法，包括：
基于预定的车道线检测方法确定已获取的行车视频中车道线的位置；
根据车道线的位置确定行车视频中目标车辆的行车数据；
根据行车数据判断目标车辆是否发生违章行为；
若是，则针对目标车辆的违章行为进行报警操作。
优选地，基于预定的车道线检测方法确定已获取的行车视频中车道线的位置，包括：
对已获取的行车视频中的空间帧图像进行转换操作，以将空间帧图像转换为平面图像；
基于平面图像确定行车视频中车道线的位置。
优选地，对已获取的行车视频中的空间帧图像进行转换操作，以将空间帧图像转换为平面图像，包括：
基于预定的线段检测算法检测空间帧图像中的空间线段；
通过将空间线段映射到散域的方式来确定与空间线段相应的平面线段。
优选地，基于平面图像确定行车视频中车道线的位置，包括：
从平面图像的平面线段中确定干扰线段及有效线段；
滤除干扰线段，并基于有效线段来确定行车视频中车道线的位置。
优选地，滤除干扰线段，包括：
确定任一平面线段与目标车辆的夹角；
判断夹角是否大于预定的最大夹角阈值；
若判断大于预定的最大夹角阈值，则滤除该平面线段。
可选地，该方法还包括：
确定与车道线相应的平面曲线；
将平面曲线反向转换为空间曲线；
基于空间曲线在行车视频中矫正车道线的位置。
优选地，通过以下方式确定行车视频中的目标车辆：
基于多层神经网络算法对行车视频进行图像识别；
根据图像识别结果确定目标车辆。
优选地，行车数据包括表示目标车辆的位置与车道线的位置是否存在重叠的信息；
其中，根据车道线的位置确定行车视频中目标车辆的行车数据，包括：
根据车道线的位置和目标车辆的位置，确定目标车辆的位置与车道线的位置是否存在重叠。
优选地，根据行车数据判断目标车辆是否发生违章行为，包括：
若目标车辆的位置与车道线的位置存在重叠，则确定目标车辆发生违章行为。
本发明的技术方案解决了如何自动检测车辆违规行为，并依据违规行为进行报警操作的问题。基于预定的车道线检测方法确定已获取的行车视频中车道线的位置，可以依据确定的车道线的位置自动检测目标车辆是否发生违规行为；随后，根据车道线的位置确定行车视频中目标车辆的行车数据，并根据行车数据判断目标车辆是否发生违章行为，行车数据是依据车辆违规行为自动获取的，无需用户手动操作，减轻了用户的操作复杂度，更保证了当检测到目标车辆发生违规行为时立即进行报警操作的执行效率，在提高报警准确性的同时，大大提高了报警及时性。针对目标车辆的违章行为进行报警操作，使得在路面上违规的目标车辆无处可逃，目标车辆的车主不能存在侥幸心理，只要违法就会被报警，从而经过一定的时间后，道路上的行车环境会越来越好。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明一个实施例的车辆违章检测设备的结构示意图；
图2为本发明一个实施例的车辆压线示意图；
图3为本发明一个实施例的车道线弯曲情况的示意图；
图4为本发明另一实施例的车辆违章检测的方法的流程示意图；
图5为本发明另一优选实施例的车辆违章检测的方法的流程示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，进行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
图1为本发明一个实施例的车辆违章检测设备的结构示意图。
在本发明的实施例中，车辆违章检测设备包括但不限于图像捕获装置110和至少一个处理装置120，其中，图像捕获装置110为具有记录车辆行驶影像、为交通事故提供证据的设备，如行车记录仪。
行车记录仪即记录车辆行驶途中的影像及声音等相关资讯的仪器。安装行车记录仪后，能够记录汽车行驶全过程的视频图像和声音，可为交通事故提供证据。喜欢自驾游的人，还可以用它来记录征服艰难险阻的过程。开车时边走边录像，同时把时间、速度、所在位置都记录在录像里，相当“黑匣子”。也可在家用作DV拍摄生活乐趣，或者作为家用监控使用。平时还可以做停车监控，通过安装行车记录仪获取的视频资料不可以裁剪，如果裁剪，在责任事故发生后则无法提供帮助。安装行车记录仪也是为了防止现在社会那些不可避免的碰瓷行为。
图像捕获装置110被配置为在本车辆附近获取多个区域的行车视频。
需要说明的是，图像捕获装置110如行车记录仪，可以被配置在本车辆车前、车后以及车身周围，对此本发明不作限定。
至少一个处理装置120可以被配置成基于预定的车道线检测方法确定图像捕获装置获取的行车视频中车道线的位置，并根据车道线的位置确定行车视频中目标车辆的行车数据。
首先，需要对图像捕获装置110获取到的视频进行处理，随后，至少一个处理装置120可以被配备成基于预定的车道线检测方法确定已获取的行车视频中车道线的位置。行车视频中存在视频识别干扰因素，如由图像捕获装置110的广角镜头导致的视频边缘图像畸变，又如由车身抖动导致的拍摄的视频图像不稳定，因此，在对行车视频中的视频帧图像进行图像识别之前，需要对行车视频进行处理，以尽可能地排除视频识别干扰因素，从而保证后续图像识别的准确性。
另外，至少一个处理装置120被配备成进行车道线检测的装置将在下文进行具体描述，在此不再进行过多赘述。
需要说明的是，行车视频中可以包括用户驾驶的本车辆附近的其他行驶车辆及周边环境信息，目标车辆即为本车辆附近的其他行驶车辆。
优选地，通过以下方式确定行车视频中的目标车辆：首先，基于多层神经网络算法对行车视频进行图像识别；其次，根据图像识别结果确定目标车辆。
具体地，可以提取行车视频中的视频帧图像；随后，将视频帧图像输入图像识别模型中，该模型可以是基于神经网络算法训练而成的；接着，获取图像识别模型输出图像识别结果，并基于该结果确定目标车辆，以及为确定的目标车辆添加车辆轮廓框架。
具体地，由于神经网络系统具有信息的分布存储、并行处理以及自学习能力等优点，已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。尤其是基于误差反向传播算法的多层前馈网络，可以以任意精度逼近任意的连续函数，因此广泛应用于非线性建模、函数逼近、模式分类等方面。
神经网络算法描述如下：
(1)初始化网络及学习参数，如设置网络初始权矩阵、学习因子等。
(2)提供训练模式，训练网络，直到满足学习要求。
(3)前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，则执行(4)；否则，返回(2)。
(4)后向传播过程：a.计算同一层单元的误差；b.修正权值和阈值；c.返回(2)。
当然，还存在其他算法可以进行图像识别，以上只是介绍其中一种优选方法。
可选地，可以提取行车视频中的多个视频帧图像，并且在识别出目标车辆之后，对多个视频帧图像中的目标车辆进行追踪。通过对目标车辆进行追踪得到的目标车辆识别准确度要大大高于通过单一视频帧图像进行识别得到的目标车辆识别准确度。
优选地，行车数据包括但不限于表示目标车辆的位置与车道线的位置是否存在重叠的信息；其中，至少一个处理装置120可以被配置成根据车道线的位置和目标车辆的位置，确定目标车辆的位置与车道线的位置是否存在重叠。
具体地，在标定车道线的位置和目标车辆的位置之后，至少一个处理装置120可以对上述两种位置进行比较，以确定目标车辆的位置与车道线的位置是否存在重叠。
最后，根据已确定的行车数据判断目标车辆是否发生违章行为，并当发生违章行为时，针对目标车辆的违章行为进行报警操作。
优选地，至少一个处理装置120可以被配置成当目标车辆的位置与车道线的位置存在重叠时，确定目标车辆发生违章行为。如图2所示，当目标车辆的位置与车道线的位置存在重叠时，可以判断目标车辆踩压车道线，因此确定目标车辆发生违章行为。
可选地，至少一个处理装置120除了根据车道线的位置确定行车视频中目标车辆的行车数据之外，还可以根据用户车辆的位置与目标车辆的位置确定行车视频中目标车辆的行车数据，并且根据上述行车数据判断目标车辆是否发生违章行为。
具体地，在获取行车视频之前，至少一个处理装置120首先需要确定图像捕获装置110的安装高度、俯仰角和/或横摆角；随后，在行车视频中确定用户车辆的位置和目标车辆的位置；接着，根据确定的图像捕获装置110的安装高度、俯仰角和/或横摆角与用户车辆的位置、目标车辆的位置确定目标车辆与用户车辆的第一实际距离；接着，在预定的时间后，再次根据确定的图像捕获装置110的安装高度、俯仰角和/或横摆角与用户车辆的位置、目标车辆的位置确定目标车辆与用户车辆的第二实际距离；随后，确定第一实际距离与第二实际距离的差值，并根据该差值、用户车辆的行车速度和预定时间长度计算目标车辆行车速度；最后，根据目标车辆行车速度确定目标车辆是否超速，若超速，则判断目标车辆发生违章行为。
若处理装置120判断目标车辆发生违章行为，则针对目标车辆的违章行为进行报警操作。
具体地，当至少一个处理装置120判断目标车辆发生违章行为时，首先，可以确定包含目标车辆发生违章行为的视频帧图像；随后，截取包含目标车辆发生违章行为的视频帧图像的预定时间长度的行车视频；最后，基于截取的行车视频进行报警操作。需要说明的是，截取的预定时间长度的行车视频能够记录违章目标车辆违章的全过程，以对报警操作进行举证。
此外，报警操作可以是用户手动触发进行地操作，也可以是设备自动执行地操作，其中，设备自动执行地操作可以是，首先，处理装置120获取报警数据，接着，将报警数据上传用于进行报警操作的服务器。其中，报警数据可以包括违章行为发生地、违章行为发生时间、截取的违章行车视频。
以上是对于本发明方案设备的整体说明，下面将会对处理装置120如何被配置成可以进行车道线检测的装置进行具体描述：
至少一个处理装置120可以被配置成对图像捕获装置110获取的行车视频中的空间帧图像进行转换操作，以将空间帧图像转换为平面图像，并基于平面图像确定行车视频中车道线的位置。
具体地，实际车道线应该是两条平行的线，然而，在行车视频中的空间帧图像中会被扭曲成相交的线，因此，首先，需要将空间帧图像转换为平面图像，以将相交的线还原成实际平行的线；接着，基于平面图像确定行车视频中车道线的位置。
优选地，至少一个处理装置120可以被配置成基于预定的线段检测算法检测空间帧图像中的空间线段，并通过将空间线段映射到散域的方式以确定与空间线段相应的平面线段。
首先，基于预定的线段检测算法检测空间帧图像中的空间线段。
具体地，可以通过基于Hough变换的线段检测方法、Burns边缘检测算法、端点扩张线段检测法、LSD线段检测法等线段检测算法检测空间帧图像中的空间线段。
随后，通过将空间线段映射到散域的方式来确定与空间线段相应的平面线段。
需要说明的是，可以通过将将空间线段映射到散域的方式来将空间线段转换成与之相应的平面线段。
优选地，至少一个处理装置120可以被配置成从平面图像的平面线段中确定干扰线段及有效线段，以及滤除干扰线段，并基于有效线段来确定行车视频中车道线的位置。
优选地，至少一个处理装置120可以被配置成可以确定任一平面线段与目标车辆的夹角，并判断夹角是否大于预定的最大夹角阈值，以及若判断大于预定的最大夹角阈值，则滤除该平面线段。
一般地，可以取目标车辆的中心轴为标准线，由于车道线与目标车辆基本是平行的，而与目标车辆垂直的线段不会是车道线，因此，确定与目标车辆的中心轴的标准线夹角为90°左右的线段为干扰线段。可以根据实际经验确定最大夹角阈值，并判断任一平面线段与目标车辆的夹角是否大于预定的最大夹角阈值，若判断大于预定的最大夹角阈值，则滤除该平面线段。
通过以上至少一个处理装置120可以在平面中确定车道线的位置，随后，可以依据平面中的车道线的位置确定与之相应的行车视频中的车道线的位置。
可选地，本发明实施例提供的至少一个处理装置120还可以被配置成确定与车道线相应的平面曲线，并将平面曲线反向转换为空间曲线，以及基于空间曲线在行车视频中矫正车道线的位置。
如图3所示，由于实际道路中的车道线不是一条笔直的车道线，而会根据路面的导向有所弯曲，故而为了更准确地确定车道线，可以将车道线进行弯曲，以获得与车道线相应的平面曲线；随后，将平面曲线反向转换为空间曲线；最后，确定反向转换后的空间曲线在行车视频中对应的线段，并确定该线段为矫正的车道线的位置。
本发明的技术方案解决了如何自动检测车辆违规行为，并依据违规行为进行报警操作的问题。基于预定的车道线检测方法确定已获取的行车视频中车道线的位置，可以依据确定的车道线的位置自动检测目标车辆是否发生违规行为；随后，根据车道线的位置确定行车视频中目标车辆的行车数据，并根据行车数据判断目标车辆是否发生违章行为，行车数据是依据车辆违规行为自动获取的，无需用户手动操作，减轻了用户的操作复杂度，更保证了当检测到目标车辆发生违规行为时立即进行报警操作的执行效率，在提高报警准确性的同时，大大提高了报警及时性。针对目标车辆的违章行为进行报警操作，使得在路面上违规的目标车辆无处可逃，目标车辆的车主不能存在侥幸心理，只要违法就会被报警，从而经过一定的时间后，道路上的行车环境会越来越好。
图4为本发明另一实施例的车辆违章检测的方法的流程示意图。
在本发明的实施例中，车辆违章检测方法通过车辆违章检测设备来执行，车辆违章检测设备为具有记录车辆行驶影像、为交通事故提供证据的设备，如行车记录仪。
行车记录仪即记录车辆行驶途中的影像及声音等相关资讯的仪器。安装行车记录仪后，能够记录汽车行驶全过程的视频图像和声音，可为交通事故提供证据。喜欢自驾游的人，还可以用它来记录征服艰难险阻的过程。开车时边走边录像，同时把时间、速度、所在位置都记录在录像里，相当“黑匣子”。也可在家用作DV拍摄生活乐趣，或者作为家用监控使用。平时还可以做停车监控，通过安装行车记录仪获取的视频资料不可以裁剪，如果裁剪，在责任事故发生后则无法提供帮助。安装行车记录仪也是为了防止现在社会那些不可避免的碰瓷行为。
步骤S410：基于预定的车道线检测方法确定已获取的行车视频中车道线的位置。
需要说明的是，行车视频可以通过行车记录仪的摄像设备获取。
首先，需要对获取到的视频进行处理，随后，基于预定的车道线检测方法确定已获取的行车视频中车道线的位置。行车视频中存在视频识别干扰因素，如由行车记录仪的广角镜头导致的视频边缘图像畸变，又如由车身抖动导致的拍摄的视频图像不稳定，因此，在对行车视频中的视频帧图像进行图像识别之前，需要对行车视频进行处理，以尽可能地排除视频识别干扰因素，从而保证后续图像识别的准确性。
另外，车道线检测方法将在下文进行具体描述，在此不再进行过多赘述。
步骤S420：根据车道线的位置确定行车视频中目标车辆的行车数据。
其中，行车视频中可以包括用户驾驶的本车辆附近的其他行驶车辆及周边环境信息，目标车辆即为本车辆附近的其他行驶车辆。
优选地，通过以下方式确定行车视频中的目标车辆：首先，基于多层神经网络算法对行车视频进行图像识别；其次，根据图像识别结果确定目标车辆。
具体地，可以提取行车视频中的视频帧图像；随后，将视频帧图像输入图像识别模型中，该模型可以是基于神经网络算法训练而成的；接着，获取图像识别模型输出图像识别结果，并基于该结果确定目标车辆，以及为确定的目标车辆添加车辆轮廓框架。
具体地，由于神经网络系统具有信息的分布存储、并行处理以及自学习能力等优点，已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。尤其是基于误差反向传播算法的多层前馈网络，可以以任意精度逼近任意的连续函数，因此广泛应用于非线性建模、函数逼近、模式分类等方面。
神经网络算法描述如下：
(1)初始化网络及学习参数，如设置网络初始权矩阵、学习因子等。
(2)提供训练模式，训练网络，直到满足学习要求。
(3)前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，则执行(4)；否则，返回(2)。
(4)后向传播过程：a.计算同一层单元的误差；b.修正权值和阈值；c.返回(2)。
当然，还存在其他算法可以进行图像识别，以上只是介绍其中一种优选方法。
可选地，可以提取行车视频中的多个视频帧图像，并且在识别出目标车辆之后，对多个视频帧图像中的目标车辆进行追踪。通过对目标车辆进行追踪得到的目标车辆识别准确度要大大高于通过单一视频帧图像进行识别得到的目标车辆识别准确度。
优选地，行车数据包括但不限于表示目标车辆的位置与车道线的位置是否存在重叠的信息；其中，根据车道线的位置确定行车视频中目标车辆的行车数据的步骤包括：根据车道线的位置和目标车辆的位置，确定目标车辆的位置与车道线的位置是否存在重叠。
具体地，在标定车道线的位置和目标车辆的位置之后，可以对上述两种位置进行比较，以确定目标车辆的位置与车道线的位置是否存在重叠。
步骤S430：根据行车数据判断目标车辆是否发生违章行为。
优选地，若目标车辆的位置与车道线的位置存在重叠，则确定目标车辆发生违章行为。如图2所示，当目标车辆的位置与车道线的位置存在重叠时，可以判断目标车辆踩压车道线，因此确定目标车辆发生违章行为。
可选地，除了根据车道线的位置确定行车视频中目标车辆的行车数据之外，还可以根据用户车辆的位置与目标车辆的位置确定行车视频中目标车辆的行车数据，并且根据上述行车数据判断目标车辆是否发生违章行为。
具体地，在获取行车视频之前，首先需要确定行车记录仪等视频获取设备的安装高度、俯仰角和/或横摆角；随后，在行车视频中确定用户车辆的位置和目标车辆的位置；接着，根据确定的安装高度、俯仰角和/或横摆角与用户车辆的位置、目标车辆的位置确定目标车辆与用户车辆的第一实际距离；接着，在预定的时间后，再次根据确定的安装高度、俯仰角和/或横摆角与用户车辆的位置、目标车辆的位置确定目标车辆与用户车辆的第二实际距离；随后，确定第一实际距离与第二实际距离的差值，并根据该差值、用户车辆的行车速度和预定时间长度计算目标车辆行车速度；最后，根据目标车辆行车速度确定目标车辆是否超速，若超速，则判断目标车辆发生违章行为。
步骤S440：若是，则针对目标车辆的违章行为进行报警操作。
具体地，当判断目标车辆发生违章行为时，首先，可以确定包含目标车辆发生违章行为的视频帧图像；随后，截取包含目标车辆发生违章行为的视频帧图像的预定时间长度的行车视频；最后，基于截取的行车视频进行报警操作。需要说明的是，截取的预定时间长度的行车视频能够记录违章目标车辆违章的全过程，以对报警操作进行举证。
此外，报警操作可以是用户手动触发进行地操作，也可以是设备自动执行地操作，其中，设备自动执行地操作可以是，首先，获取报警数据，接着，将报警数据上传用于进行报警操作的服务器。其中，报警数据可以包括违章行为发生地、违章行为发生时间、截取的违章行车视频。
以上是对于本发明方案的整体说明，下面将会对步骤S410中的车道线检测方法进行具体描述：
如图5所示，基于预定的车道线检测方法确定已获取的行车视频中车道线的位置的步骤包括步骤S411和步骤S412：步骤S411：对已获取的行车视频中的空间帧图像进行转换操作，以将空间帧图像转换为平面图像；步骤S412：基于平面图像确定行车视频中车道线的位置。
具体地，实际车道线应该是两条平行的线，然而，在行车视频中的空间帧图像中会被扭曲成相交的线，因此，首先，需要将空间帧图像转换为平面图像，以将相交的线还原成实际平行的线；接着，基于平面图像确定行车视频中车道线的位置。
优选地，对已获取的行车视频中的空间帧图像进行转换操作，以将空间帧图像转换为平面图像的步骤包括步骤S4111和步骤S4112：步骤S4111：基于预定的线段检测算法检测空间帧图像中的空间线段；步骤S4112：通过将空间线段映射到散域的方式来确定与空间线段相应的平面线段。
首先，基于预定的线段检测算法检测空间帧图像中的空间线段。
具体地，可以通过基于Hough变换的线段检测方法、Burns边缘检测算法、端点扩张线段检测法、LSD线段检测法等线段检测算法检测空间帧图像中的空间线段。
随后，通过将空间线段映射到散域的方式来确定与空间线段相应的平面线段。
需要说明的是，可以通过将将空间线段映射到散域的方式来将空间线段转换成与之相应的平面线段。
优选地，基于平面图像确定行车视频中车道线的位置的步骤包括步骤S4121和步骤S4122：步骤S4121：从平面图像的平面线段中确定干扰线段及有效线段；步骤S4122：滤除干扰线段，并基于有效线段来确定行车视频中车道线的位置。
优选地，滤除干扰线段的步骤包括步骤S4123、步骤S4124和步骤S4125：步骤S4123：确定任一平面线段与目标车辆的夹角；步骤S4124：判断夹角是否大于预定的最大夹角阈值；步骤S4125：若判断大于预定的最大夹角阈值，则滤除该平面线段。
一般地，可以取目标车辆的中心轴为标准线，由于车道线与目标车辆基本是平行的，而与目标车辆垂直的线段不会是车道线，因此，确定与目标车辆的中心轴的标准线夹角为90°左右的线段为干扰线段。可以根据实际经验确定最大夹角阈值，并判断任一平面线段与目标车辆的夹角是否大于预定的最大夹角阈值，若判断大于预定的最大夹角阈值，则滤除该平面线段。
通过以上方法可以在平面中确定车道线的位置，随后，可以依据平面中的车道线的位置确定与之相应的行车视频中的车道线的位置。
可选地，本发明实施例提供的方法还包括步骤S450、步骤S460和步骤S470：步骤S450：确定与车道线相应的平面曲线；步骤S460：将平面曲线反向转换为空间曲线；步骤S470：基于空间曲线在行车视频中矫正车道线的位置。
如图3所示，由于实际道路中的车道线不是一条笔直的车道线，而会根据路面的导向有所弯曲，故而为了更准确地确定车道线，可以将车道线进行弯曲，以获得与车道线相应的平面曲线；随后，将平面曲线反向转换为空间曲线；最后，确定反向转换后的空间曲线在行车视频中对应的线段，并确定该线段为矫正的车道线的位置。
本发明的技术方案解决了如何自动检测车辆违规行为，并依据违规行为进行报警操作的问题。基于预定的车道线检测方法确定已获取的行车视频中车道线的位置，可以依据确定的车道线的位置自动检测目标车辆是否发生违规行为；随后，根据车道线的位置确定行车视频中目标车辆的行车数据，并根据行车数据判断目标车辆是否发生违章行为，行车数据是依据车辆违规行为自动获取的，无需用户手动操作，减轻了用户的操作复杂度，更保证了当检测到目标车辆发生违规行为时立即进行报警操作的执行效率，在提高报警准确性的同时，大大提高了报警及时性。针对目标车辆的违章行为进行报警操作，使得在路面上违规的目标车辆无处可逃，目标车辆的车主不能存在侥幸心理，只要违法就会被报警，从而经过一定的时间后，道路上的行车环境会越来越好。
本技术领域技术人员可以理解，本发明包括涉及用于执行本申请中所述操作中的一项或多项的设备。这些设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中，所述计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random Access Memory，随即存储器)、EPROM(Erasable ProgrammableRead-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically ErasableProgrammable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。
本技术领域技术人员可以理解，可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。本技术领域技术人员可以理解，可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来实现，从而通过计算机或其他可编程数据处理方法的处理器来执行本发明公开的结构图和/或框图和/或流图的框或多个框中指定的方案。
本技术领域技术人员可以理解，本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (14)
1.一种车辆违章检测设备，其特征在于，包括图像捕获装置和至少一个处理装置；
所述图像捕获装置被配置为在本车辆附近获取多个区域的行车视频；
所述至少一个处理装置被配置成基于预定的车道线检测方法确定所述图像捕获装置获取的行车视频中车道线的位置，并根据所述车道线的位置确定所述行车视频中目标车辆的行车数据；
根据已确定的行车数据判断所述目标车辆是否发生违章行为，并当发生违章行为时，针对所述目标车辆的违章行为进行报警操作；
所述至少一个处理装置被配置成对所述图像捕获装置获取的行车视频中的空间帧图像进行转换操作，以将空间帧图像转换为平面图像，并基于所述平面图像确定所述行车视频中车道线的位置；
所述至少一个处理装置被配置成基于预定的线段检测算法检测所述空间帧图像中的空间线段，并通过将所述空间线段映射到散域的方式以确定与所述空间线段相应的平面线段。
2.根据权利要求1所述的设备，其特征在于，所述至少一个处理装置被配置成从所述平面图像的平面线段中确定干扰线段及有效线段，以及滤除所述干扰线段，并基于所述有效线段来确定所述行车视频中车道线的位置。
3.根据权利要求2所述的设备，其特征在于，所述至少一个处理装置被配置成确定任一平面线段与所述目标车辆的夹角，并判断所述夹角是否大于预定的最大夹角阈值，以及若判断大于预定的最大夹角阈值，则滤除该平面线段。
4.根据权利要求1-3任一项所述的设备，其特征在于，所述至少一个处理装置还被配置成确定与车道线相应的平面曲线，并将所述平面曲线反向转换为空间曲线，以及基于所述空间曲线在所述行车视频中矫正车道线的位置。
5.根据权利要求1所述的设备，其特征在于，所述至少一个处理装置通过以下方式确定所述行车视频中的目标车辆：
基于多层神经网络算法对所述行车视频进行图像识别；
根据图像识别结果确定所述目标车辆。
6.根据权利要求1所述的设备，其特征在于，所述行车数据包括表示所述目标车辆的位置与所述车道线的位置是否存在重叠的信息；
其中，所述至少一个处理装置被配置成根据所述车道线的位置和目标车辆的位置，确定所述目标车辆的位置与所述车道线的位置是否存在重叠。
7.根据权利要求6所述的设备，其特征在于，所述至少一个处理装置被配置成当所述目标车辆的位置与所述车道线的位置存在重叠时，确定所述目标车辆发生违章行为。
8.一种车辆违章检测的方法，其特征在于，包括：
基于预定的车道线检测方法确定已获取的行车视频中车道线的位置；
根据所述车道线的位置确定所述行车视频中目标车辆的行车数据；
根据所述行车数据判断所述目标车辆是否发生违章行为；
若是，则针对所述目标车辆的违章行为进行报警操作；
基于预定的车道线检测方法确定已获取的行车视频中车道线的位置，包括：
对已获取的行车视频中的空间帧图像进行转换操作，以将空间帧图像转换为平面图像；
基于所述平面图像确定所述行车视频中车道线的位置；
对已获取的行车视频中的空间帧图像进行转换操作，以将空间帧图像转换为平面图像，包括：
基于预定的线段检测算法检测所述空间帧图像中的空间线段；
通过将所述空间线段映射到散域的方式来确定与所述空间线段相应的平面线段。
9.根据权利要求8所述的方法，其特征在于，基于所述平面图像确定所述行车视频中车道线的位置，包括：
从所述平面图像的平面线段中确定干扰线段及有效线段；
滤除所述干扰线段，并基于所述有效线段来确定所述行车视频中车道线的位置。
10.根据权利要求9所述的方法，其特征在于，滤除所述干扰线段，包括：
确定任一平面线段与所述目标车辆的夹角；
判断所述夹角是否大于预定的最大夹角阈值；
若判断大于预定的最大夹角阈值，则滤除该平面线段。
11.根据权利要求8-10任一项所述的方法，其特征在于，所述方法还包括：
确定与车道线相应的平面曲线；
将所述平面曲线反向转换为空间曲线；
基于所述空间曲线在所述行车视频中矫正车道线的位置。
12.根据权利要求8所述的方法，其特征在于，通过以下方式确定所述行车视频中的目标车辆：
基于多层神经网络算法对所述行车视频进行图像识别；
根据图像识别结果确定所述目标车辆。
13.根据权利要求8所述的方法，其特征在于，所述行车数据包括表示所述目标车辆的位置与所述车道线的位置是否存在重叠的信息；
其中，根据所述车道线的位置确定所述行车视频中目标车辆的行车数据，包括：
根据所述车道线的位置和目标车辆的位置，确定所述目标车辆的位置与所述车道线的位置是否存在重叠。
14.根据权利要求13所述的方法，其特征在于，根据所述行车数据判断所述目标车辆是否发生违章行为，包括：
若所述目标车辆的位置与所述车道线的位置存在重叠，则确定所述目标车辆发生违章行为。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610648258.1A CN106297281B (zh) | 2016-08-09 | 2016-08-09 | 车辆违章检测的方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610648258.1A CN106297281B (zh) | 2016-08-09 | 2016-08-09 | 车辆违章检测的方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106297281A CN106297281A (zh) | 2017-01-04 |
| CN106297281B true CN106297281B (zh) | 2018-10-09 |
Family
ID=57667338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610648258.1A Active CN106297281B (zh) | 2016-08-09 | 2016-08-09 | 车辆违章检测的方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106297281B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9916755B1 (en) | 2016-12-20 | 2018-03-13 | Jayant Ratti | On-demand roadway stewardship system |
| CN107516421A (zh) * | 2017-08-02 | 2017-12-26 | 深圳市盛路物联通讯技术有限公司 | 一种应急车道监控方法及装置 |
| CN107958605B (zh) * | 2017-12-25 | 2020-12-11 | 重庆冀繁科技发展有限公司 | 路况信息获取方法 |
| CN110866427A (zh) * | 2018-08-28 | 2020-03-06 | 杭州海康威视数字技术股份有限公司 | 一种车辆行为检测方法及装置 |
| CN109949578B (zh) * | 2018-12-31 | 2020-11-24 | 上海眼控科技股份有限公司 | 一种基于深度学习的车辆压线违法自动审核方法 |
| CN110766937B (zh) * | 2019-05-22 | 2020-10-20 | 滴图(北京)科技有限公司 | 停车点识别方法、装置、电子设备以及可读存储介质 |
| CN110636237A (zh) * | 2019-09-18 | 2019-12-31 | 上海图丽信息技术有限公司 | 一种交通违法视频记录系统 |
| CN110796883A (zh) * | 2019-11-06 | 2020-02-14 | 山东浪潮人工智能研究院有限公司 | 一种基于图像识别的电动自行车违章提醒方法及装置 |
| CN110853364B (zh) * | 2019-11-18 | 2022-03-08 | 珠海研果科技有限公司 | 数据监控方法和装置 |
| CN112270245B (zh) * | 2020-10-23 | 2023-05-26 | 平安科技（深圳）有限公司 | 行车违法检测方法、装置、设备及计算机介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6442474B1 (en) * | 2000-12-07 | 2002-08-27 | Koninklijke Philips Electronics N.V. | Vision-based method and apparatus for monitoring vehicular traffic events |
| CN104077819A (zh) * | 2014-06-17 | 2014-10-01 | 深圳前向启创数码技术有限公司 | 基于行车安全的远程监控方法及系统 |
| JP2015118669A (ja) * | 2013-12-20 | 2015-06-25 | 矢崎エナジーシステム株式会社 | 運行情報管理システム |
| CN104882001A (zh) * | 2015-06-30 | 2015-09-02 | 北京奇虎科技有限公司 | 基于行车记录仪的驾驶行为监控方法、装置及系统 |
| CN104952122A (zh) * | 2015-05-19 | 2015-09-30 | 佛山市锐诚云智能照明科技有限公司 | 可自动进行违章取证的行车记录仪及系统 |
-
2016
- 2016-08-09 CN CN201610648258.1A patent/CN106297281B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6442474B1 (en) * | 2000-12-07 | 2002-08-27 | Koninklijke Philips Electronics N.V. | Vision-based method and apparatus for monitoring vehicular traffic events |
| JP2015118669A (ja) * | 2013-12-20 | 2015-06-25 | 矢崎エナジーシステム株式会社 | 運行情報管理システム |
| CN104077819A (zh) * | 2014-06-17 | 2014-10-01 | 深圳前向启创数码技术有限公司 | 基于行车安全的远程监控方法及系统 |
| CN104952122A (zh) * | 2015-05-19 | 2015-09-30 | 佛山市锐诚云智能照明科技有限公司 | 可自动进行违章取证的行车记录仪及系统 |
| CN104882001A (zh) * | 2015-06-30 | 2015-09-02 | 北京奇虎科技有限公司 | 基于行车记录仪的驾驶行为监控方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106297281A (zh) | 2017-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106297281B (zh) | 车辆违章检测的方法及设备 | |
| US11074813B2 (en) | Driver behavior monitoring | |
| US20220262239A1 (en) | Determining causation of traffic events and encouraging good driving behavior | |
| CN107608388B (zh) | 自主警车 | |
| CN112348992B (zh) | 基于车路协同系统的车载视频处理方法、装置及存储介质 | |
| CN110889351B (zh) | 视频检测方法、装置、终端设备及可读存储介质 | |
| CN110400478A (zh) | 一种路况通知方法及装置 | |
| US10817736B2 (en) | System and methods for identifying unoccupied parking positions | |
| EP3403219A1 (en) | Driver behavior monitoring | |
| CN113676702B (zh) | 基于视频流的目标追踪监测方法、系统、装置及存储介质 | |
| CN109191829B (zh) | 道路安全监控方法及系统、计算机可读存储介质 | |
| TWI649729B (zh) | 一種自動舉證交通違規車輛的系統與方法 | |
| MX2014015475A (es) | Deteccion movil de disparos. | |
| CN110155064A (zh) | 基于声音信号的特种车辆行驶车道识别与自车变道决策系统及方法 | |
| WO2018068579A1 (zh) | 交通影音接收与分析系统 | |
| CN109670431A (zh) | 一种行为检测方法及装置 | |
| CN113870551B (zh) | 一种能够鉴别危险和非危险驾驶行为的路侧监控系统 | |
| CN113056775A (zh) | 交通监控和证据收集系统 | |
| WO2007135488A1 (en) | Detection system for detecing use of a mobile telecommunications device | |
| CN110766949B (zh) | 违章抓拍方法及装置 | |
| CN111754781A (zh) | 一种车辆违章检测的方法、装置、系统及摄像机 | |
| CN108909671B (zh) | 车辆锁定方法、装置、存储介质及电子设备 | |
| KR102145409B1 (ko) | 차량속도 측정이 가능한 시정거리 측정 시스템 | |
| WO2024087205A1 (zh) | 司机状态评估方法、装置、电子设备及存储介质 | |
| Tsai | Development of a Sensing Methodology for Intelligent and Reliable Work-Zone Hazard Awareness |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220714 Address after: Room 801, 8th floor, No. 104, floors 1-19, building 2, yard 6, Jiuxianqiao Road, Chaoyang District, Beijing 100015 Patentee after: BEIJING QIHOO TECHNOLOGY Co.,Ltd. Address before: 100088 room 112, block D, 28 new street, new street, Xicheng District, Beijing (Desheng Park) Patentee before: BEIJING QIHOO TECHNOLOGY Co.,Ltd. Patentee before: Qizhi software (Beijing) Co.,Ltd. |