CN109325424A - 交通违章案件的鉴别方法、装置和计算机设备 - Google Patents
交通违章案件的鉴别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN109325424A CN109325424A CN201811003160.6A CN201811003160A CN109325424A CN 109325424 A CN109325424 A CN 109325424A CN 201811003160 A CN201811003160 A CN 201811003160A CN 109325424 A CN109325424 A CN 109325424A
- Authority
- CN
- China
- Prior art keywords
- break
- image
- key element
- mentioned
- traffic rules
- 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.)
- Pending
Links
- 238000012850 discrimination method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 72
- 238000000034 method Methods 0.000 claims description 36
- 238000001514 detection method Methods 0.000 claims description 35
- 238000012544 monitoring process Methods 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000010606 normalization Methods 0.000 abstract description 6
- 238000012795 verification Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000011218 segmentation Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 241000283070 Equus zebra Species 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 5
- 238000012015 optical character recognition Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提出了一种交通违章案件的鉴别方法、装置和计算机设备,其中,上述交通违章案件的鉴别方法包括:获取交通违章案件的图像;对所述图像中的关键要素进行检测;对检测获得的所述关键要素中的信息进行识别;根据检测获得的所述关键要素、所述关键要素之间的位置关系和识别获得的所述关键要素中的信息,确定所述交通违章案件的违规类型和所述交通违章案件处理的合规性。本申请可以实现智能化地对交通违章案件的合规性进行鉴别,减少人工审核的成本,并可以对交通执法人员执法的规范性进行监督。
Description
【技术领域】
本申请涉及计算机技术领域,尤其涉及一种交通违章案件的鉴别方法、 装置和计算机设备。
【背景技术】
随着经济的不断发展,人们的生活水平逐步提高,私家车的拥有量也急剧 上升,车辆交通违章案件的发生率也在不断提高。
对于车辆的违章行为,大多由交通执法人员来判断车辆是否违章,但是 如何对交通违章案件的合规性进行判断,相关技术中并未提供相应的解决方 案。
【发明内容】
本申请实施例提供了一种交通违章案件的鉴别方法、装置和计算机设备, 以实现智能化地对交通违章案件的合规性进行鉴别,减少人工审核的成本, 并可以对交通执法人员执法的规范性进行监督。
第一方面,本申请实施例提供了一种交通违章案件的鉴别方法,包括: 获取交通违章案件的图像;对所述图像中的关键要素进行检测;对检测获得 的所述关键要素中的信息进行识别;根据检测获得的所述关键要素、所述关 键要素之间的位置关系和所述识别获得的所述关键要素中的信息,确定所述 交通违章案件的违规类型和所述交通违章案件处理的合规性。
其中一种可能的实现方式中,所述交通违章案件的图像包括:交通执法 人员拍摄的交通违章案件的图像、布控抓拍的交通违章案件的图像和/或交通 视频中的帧图像。
其中一种可能的实现方式中,所述对所述图像中的关键要素进行检测包 括:对所述图像的尺寸和颜色分布进行归一化处理;利用预先训练的深度神 经网络模型,对归一化处理后的图像进行图像识别,获得所述归一化处理后 的图像中关键要素所在的区域和所述关键要素的类别,所述关键要素的类别 包括以下之一或组合:车辆、所述车辆的车牌和车速检测结果、交通标志和 罚单。
其中一种可能的实现方式中,所述利用预先训练的深度神经网络模型, 对归一化处理后的图像进行图像识别之前,还包括:利用训练图像和所述训 练图像对应的标注文件,对训练模型进行训练,获得训练好的深度神经网络 模型。
其中一种可能的实现方式中,所述利用训练图像和所述训练图像对应的 标注文件,对训练模型进行训练包括:将所述训练图像和所述训练图像对应 的标注文件输入所述训练模型,利用深度神经网络算法对所述训练模型进行 训练;所述训练图像对应的标注文件包括所述训练图像中关键要素所在的区 域和所述关键要素的类别;当所述训练模型输出的结果与所述训练图像对应 的标注文件之间的误差小于预定阈值时,获得训练好的深度神经网络模型。
其中一种可能的实现方式中,所述关键要素中的信息包括以下之一或组 合:所述车牌的车牌号码、所述车速检测结果中的车速数值、所述交通标志 的指示和所述罚单中的处罚信息;所述对检测获得的所述关键要素中的信息 进行识别包括:通过车牌识别技术对所述车牌的车牌号码进行识别;和/或, 通过光学字符识别对所述车速检测结果中的车速数值、所述交通标志的指示 和所述罚单中的处罚信息之一或组合进行识别。
其中一种可能的实现方式中,所述根据检测获得的所述关键要素、所述 关键要素之间的位置关系和所述识别获得的所述关键要素中的信息,确定所 述交通违章案件的违规类型和所述交通违章案件处理的合规性包括:对检测 获得的车辆的完整性进行检测;在确定所述车辆完整之后,确定检测获得的 交通标志与所述车辆的位置关系;根据所述位置关系,以及识别获得的所述 关键要素中的信息,确定所述交通违章案件的违规类型;将所述交通违章案 件的违规类型与识别获得的罚单中的处罚信息进行对比,根据所述交通违章 案件的违规类型与所述罚单中的处罚信息是否匹配,确定所述交通违章案件 处理的合规性。
第二方面,本申请实施例提供一种交通违章案件的鉴别装置,包括:获 取模块,用于获取交通违章案件的图像;检测模块,用于对所述获取模块获 取的图像中的关键要素进行检测;识别模块,用于对所述检测模块检测获得 的所述关键要素中的信息进行识别;确定模块,用于根据检测获得的所述关 键要素、所述关键要素之间的位置关系和所述识别获得的所述关键要素中的 信息,确定所述交通违章案件的违规类型和所述交通违章案件处理的合规性。
其中一种可能的实现方式中,所述交通违章案件的图像包括:交通执法 人员拍摄的交通违章案件的图像、布控抓拍的交通违章案件的图像和/或交通 视频中的帧图像。
其中一种可能的实现方式中,所述检测模块,具体用于对所述图像的尺 寸和颜色分布进行归一化处理;利用预先训练的深度神经网络模型,对归一 化处理后的图像进行图像识别,获得所述归一化处理后的图像中关键要素所 在的区域和所述关键要素的类别,所述关键要素的类别包括以下之一或组合: 车辆、所述车辆的车牌和车速检测结果、交通标志和罚单。
其中一种可能的实现方式中,所述装置还包括:训练模块,用于利用训 练图像和所述训练图像对应的标注文件,对训练模型进行训练,获得训练好 的深度神经网络模型。
其中一种可能的实现方式中,所述训练模块,具体用于将所述训练图像 和所述训练图像对应的标注文件输入所述训练模型,利用深度神经网络算法 对所述训练模型进行训练;所述训练图像对应的标注文件包括所述训练图像 中关键要素所在的区域和所述关键要素的类别;当所述训练模型输出的结果 与所述训练图像对应的标注文件之间的误差小于预定阈值时,获得训练好的 所述深度神经网络模型。
其中一种可能的实现方式中,所述关键要素中的信息包括以下之一或组 合:所述车牌的车牌号码、所述车速检测结果中的车速数值、所述交通标志 的指示和所述罚单中的处罚信息;所述识别模块,具体用于通过车牌识别技 术对所述车牌的车牌号码进行识别;和/或,通过光学字符识别对所述车速检 测结果中的车速数值、所述交通标志的指示和所述罚单中的处罚信息之一或 组合进行识别。
其中一种可能的实现方式中,所述确定模块包括:完整性检测子模块, 用于对检测获得的车辆图像的完整性进行检测;位置关系确定子模块,用于 在所述完整性检测子模块确定所述车辆图像完整之后,确定检测获得的交通 标志与所述车辆的位置关系;违规类型确定子模块,用于根据所述位置关系, 以及所述识别模块识别获得的所述关键要素中的信息,确定所述交通违章案 件的违规类型;合规性确定子模块,用于将所述违规类型确定子模块确定的 交通违章案件的违规类型和所述识别模块识别获得的罚单中的处罚信息进行 对比,根据所述交通违章案件的违规类型与所述罚单中的处罚信息是否匹配, 确定所述交通违章案件处理的合规性。
第三方面,本申请实施例提供一种计算机设备,包括存储器、处理器及 存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执 行所述计算机程序时,实现如上所述的方法。
第四方面,本申请实施例提供一种非易失性计算机可读存储介质,其上存 储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法。
以上技术方案中,获取交通违章案件的图像之后,对上述图像中的关键 要素进行检测,对检测获得的关键要素中的信息进行识别,然后根据检测获 得的关键要素、上述关键要素之间的位置关系和识别获得的关键要素中的信 息,确定上述交通违章案件的违规类型和上述交通违章案件处理的合规性, 从而可以实现智能化地对交通违章案件的合规性进行鉴别,减少人工审核的 成本,并可以对交通执法人员执法的规范性进行监督。
【附图说明】
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要 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它的附图。
图1为本申请交通违章案件的鉴别方法一个实施例的流程图;
图2为本申请交通违章案件的鉴别方法另一个实施例的流程图;
图3为本申请交通违章案件的鉴别方法再一个实施例的流程图;
图4为本申请交通违章案件的鉴别装置一个实施例的结构示意图;
图5为本申请交通违章案件的鉴别装置另一个实施例的结构示意图;
图6为本申请计算机设备一个实施例的结构示意图。
【具体实施方式】
为了更好的理解本申请的技术方案,下面结合附图对本申请实施例进行 详细描述。
应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的 实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳 动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非 旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的 “一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示 其他含义。
图1为本申请交通违章案件的鉴别方法一个实施例的流程图,如图1所 示,上述交通违章案件的鉴别方法可以包括:
步骤101,获取交通违章案件的图像。
本实施例中,对交通违章案件进行鉴别时,交通违章案件的图像来源可 以有多种,举例来说,上述交通违章案件的图像可以包括:交通执法人员拍 摄的交通违章案件的图像、布控抓拍的交通违章案件的图像和/或交通视频中 的帧图像。
其中,上述交通视频可以是车辆上的行车记录仪拍摄的上述车辆的行车 视频,也可以是旁观者(行人或相邻车辆中的驾乘人员)拍摄的交通视频, 本实施例对此不作限定。
步骤102,对上述图像中的关键要素进行检测。
其中,上述关键要素的类别可以包括以下之一或组合:车辆、上述车辆 的车牌和车速检测结果、交通标志和罚单。
步骤103,对检测获得的关键要素中的信息进行识别。
其中,上述关键要素中的信息可以包括以下之一或组合:上述车牌的车 牌号码、上述车速检测结果中的车速数值、上述交通标志的指示和上述罚单 中的处罚信息。
其中,上述交通标志的指示可以为上述交通标志的具体含义,例如:交 通灯的具体颜色、限速类交通标志中的具体限速或上述交通标志中的具体图 案。
步骤104,根据检测获得的关键要素、上述关键要素之间的位置关系和识 别获得的关键要素中的信息,确定上述交通违章案件的违规类型和上述交通 违章案件处理的合规性。
具体地,步骤104可以为:对检测获得的车辆的完整性进行检测;在确 定上述车辆图像完整之后,确定检测获得的交通标志与上述车辆的位置关系; 根据上述位置关系,以及识别获得的上述关键要素中的信息,确定上述交通 违章案件的违规类型;将上述交通违章案件的违规类型和识别获得的罚单中 的处罚信息进行对比,根据上述交通违章案件的违规类型与上述罚单中的处 罚信息是否匹配,确定上述交通违章案件处理的合规性。
具体地,对检测获得的车辆的完整性进行检测可以为:对于检测获得的 关键要素中的车辆,可以检查上述车辆的相关图像中是否既包括上述车辆车 头,又包括上述车辆的车尾,如果是,则可以确定上述车辆完整;而如果上 述车辆的相关图像中只有车头或车尾,那就可以确定上述车辆不完整。
举例来说,假设对交通违章案件的图像进行检测,获得的关键要素为车 辆、上述车辆的车牌、斑马线、交通灯和罚单,其中,斑马线和交通灯属于 交通标志,进一步对检测获得的上述关键要素中的信息进行识别,获得上述 车牌的车牌号码为“京N*****”,上述交通灯的颜色为红色,上述罚单中的 处罚信息为扣6分,罚款200元。
首先,可以对检测获得的车辆的完整性进行检测,检测上述车辆的相关 图像中是否既包括车头,又包括车尾,如果是,则可以确定上述车辆完整;
在确定上述车辆完整之后,确定检测获得的交通标志与上述车辆的位置 关系,例如:上述车辆的车身压在斑马线上,与交通灯之间的距离为4米。
进一步地,根据上述交通标志与上述车辆的位置关系以及识别获得的上 述交通标志的指示,可以确定上述交通违章案件的违规类型为车牌号码为“京 N*****”的车辆闯红灯;
最后,将上述交通违章案件的违规类型和识别获得的罚单中的处罚信息 进行对比,这里就是将“车牌号码为‘京N*****’的车辆闯红灯”与“扣6 分,罚款200元”进行对比,结合交通法中的规定,确定上述交通违章案件 的违规类型与上述罚单中的处罚信息匹配,进而可以确定上述交通违章案件 的处理符合规定。
另举例来说,假设对交通违章案件的图像进行检测,获得的关键要素为 车辆、上述车辆的车牌和车速检测结果、限速类交通标志和罚单,进一步对 检测获得的上述关键要素中的信息进行识别,获得上述车牌的车牌号码为“京 P*****”,上述车速检测结果中的车速数值为150Km/h,上述罚单中的处罚 信息为扣6分,罚款200元。
首先,可以对检测获得的车辆的完整性进行检测,检查上述车辆的相关 图像中是否既包括车头,又包括车尾,如果是,则可以确定上述车辆完整;
在确定上述车辆完整之后,确定检测获得的限速类交通标志与上述车辆 的位置关系,本例中,限速类交通标志可以为写在高速路面上的具体速度数 值,例如:快车道上写的“90-120”,表示行驶在高速路的快车道上的车辆速 度需在90-120km/h,这时,限速类交通标志与上述车辆的位置关系可以为上 述车辆行驶在标有限速数值的高速路快车道上;
进一步地,根据上述位置关系以及识别获得的上述限速类交通标志的具 体限速和识别获得的上述车速检测结果中的车速数值,可以确定上述交通违 章案件的违规类型为车牌号码为“京P*****”的车辆在高速路上超速25%;
最后,将上述交通违章案件的违规类型和识别获得的罚单中的处罚信息 进行对比,这里就是将“车牌号码为‘京P*****’的车辆在高速路上超速25%” 与“扣6分,罚款200元”进行对比,结合交通法中的规定,确定上述交通 违章案件的违规类型与上述罚单中的处罚信息匹配,进而可以确定上述交通 违章案件的处理符合规定。
上述交通违章案件的鉴别方法中,获取交通违章案件的图像之后,对上 述图像中的关键要素进行检测,对检测获得的关键要素中的信息进行识别, 然后根据检测获得的关键要素、上述关键要素之间的位置关系和识别获得的 关键要素中的信息,确定上述交通违章案件的违规类型和上述交通违章案件 处理的合规性,从而可以实现智能化地对交通违章案件的合规性进行鉴别, 减少人工审核的成本,并可以对交通执法人员执法的规范性进行监督。
图2为本申请交通违章案件的鉴别方法另一个实施例的流程图,如图2 所示,本申请图1所示实施例中,步骤102可以为:
步骤201,对上述图像的尺寸和颜色分布进行归一化处理。
具体地,对上述图像的尺寸进行归一化处理,就是将上述图像的尺寸按 照预定大小进行处理,使上述图像的尺寸一致;对上述图像的颜色分布进行 归一化处理,是为了使上述图像的颜色处于同一分布,避免上述图像的对比 度和/或直方图分布不均衡。
步骤202,利用预先训练的深度神经网络模型,对归一化处理后的图像进 行图像识别,获得上述归一化处理后的图像中关键要素所在的区域和上述关 键要素的类别,上述关键要素的类别包括以下之一或组合:车辆、上述车辆 的车牌和车速检测结果、交通标志和罚单。
具体地,步骤202之前,还可以包括:
步骤203,利用训练图像和上述训练图像对应的标注文件,对训练模型进 行训练,获得训练好的深度神经网络模型。
具体地,利用训练图像和上述训练图像对应的标注文件,对训练模型进 行训练可以为:将上述训练图像和上述训练图像对应的标注文件输入上述训 练模型,利用深度神经网络算法对上述训练模型进行训练;其中,上述训练 图像对应的标注文件包括上述训练图像中关键要素所在的区域和上述关键要 素的类别;当上述训练模型输出的结果与上述训练图像对应的标注文件之间 的误差小于预定阈值时,获得训练好的深度神经网络模型。
上述预定阈值的大小可以在具体实现时,根据系统性能和/或实现需求等 自行设定,本实施例对上述预定阈值的大小不作限定。
其中,上述深度神经网络算法可以采用基于深度学习的多目标检测识别 算法,例如基于卷积神经网络的快速区域检测(Fast Regions with Convolutional NeuralNetwork;以下简称:Fast R-CNN)、单镜头多盒检测(Single Shot MultiBox Detector;以下简称:SSD)或只看一次(You Only Look Once;以 下简称:YOLO)等算法,本实施例对此不作限定。
图3为本申请交通违章案件的鉴别方法再一个实施例的流程图,如图3 所示,本申请图1所示实施例中,上述关键要素中的信息包括以下之一或组 合:上述车牌的车牌号码、上述车速检测结果中的车速数值、上述交通标志 的指示和上述罚单中的处罚信息。这样,步骤103可以包括:
步骤301,通过车牌识别技术对上述车牌的车牌号码进行识别;和/或, 通过光学字符识别(Optical Character Recognition;以下简称:OCR)对上述 车速检测结果中的车速数值、上述交通标志的指示和上述罚单中的处罚信息 之一或组合进行识别。
其中,车牌识别技术(Vehicle License Plate Recognition;以下简称:VLPR) 是计算机视频图像识别技术在车辆牌照识别中的一种应用。车牌识别技术可 以将车辆的牌照从复杂背景中提取并识别出来,通过车牌提取、图像预处理、 特征提取、车牌字符识别等技术,识别车辆牌号、颜色等信息。
具体地,首先,可以对检测获得的车牌所在区域从上述图像中分离出来; 然后,再将上述车牌所在区域分割成单个字符,字符分割一般采用垂直投影 法。由于字符在垂直方向上的投影必然在字符间或字符内的间隙处取得局部 最小值的附近,并且这个位置应满足车牌的字符书写格式、字符、尺寸限制 和一些其他条件,因此利用垂直投影法进行字符分割有较好的效果。
最后,可以基于模板匹配算法和基于人工神经网络算法对分割后的字符 进行识别。其中,基于模板匹配算法首先将分割后的字符二值化并将其尺寸 大小缩放为字符数据库中模板的大小,然后与所有的模板进行匹配,选择最 佳匹配作为结果。基于人工神经网络的算法有两种:一种是先对字符进行特 征提取,然后用所获得特征来训练神经网络分配器;另一种方法是直接把图 像输入网络,由网络自动实现特征提取直至识别出结果。
下面以通过OCR对上述车速检测结果中的车速数值、上述交通标志的指 示和上述罚单中的处罚信息之一或组合进行识别的过程进行介绍,下面的介 绍以对上述交通标志的指示进行识别为例,具体地,首先,对上述交通标志 的图像进行预处理,预处理主要包括:二值化、噪声去除和倾斜较正等。
其中,二值化是对上述交通标志的图像的内容进行划分,分为前景信息 与背景信息,可以简单的定义前景信息为黑色,背景信息为白色,这就是二 值化图了;
噪声去除是根据噪声的特征对上述交通标志的图像进行去噪;
倾斜较正是对上述交通标志的图像的方向进行校正,避免上述交通标志 的图像倾斜。
然后,对上述交通标志的图像进行版面分析,也就是将上述交通标志的 图像进行分段落和/或分行的过程。
接下来,对上述交通标志的图像进行字符切割,然后对切割后的字符进 行识别,最后对识别获得的文字进行版面恢复,根据特定的语言上下文的关 系,对识别结果进行校正。
图4为本申请交通违章案件的鉴别装置一个实施例的结构示意图,本实 施例中的交通违章案件的鉴别装置可以实现本申请实施例提供的交通违章案 件的鉴别方法。如图4所示,上述交通违章案件的鉴别装置可以包括:获取 模块41、检测模块42、识别模块43和确定模块44;
其中,获取模块41,用于获取交通违章案件的图像;本实施例中,对交 通违章案件进行鉴别时,交通违章案件的图像来源可以有多种,举例来说, 上述交通违章案件的图像可以包括:交通执法人员拍摄的交通违章案件的图 像、布控抓拍的交通违章案件的图像和/或交通视频中的帧图像。
其中,上述交通视频可以是车辆上的行车记录仪拍摄的上述车辆的行车 视频,也可以是旁观者(行人或相邻车辆中的驾乘人员)拍摄的交通视频, 本实施例对此不作限定。
检测模块42,用于对获取模块41获取的图像中的关键要素进行检测;其 中,上述关键要素可以包括以下之一或组合:车辆、上述车辆的车牌和车速 检测结果、交通标志和罚单之一或组合。
识别模块43,用于对检测模块42检测获得的关键要素中的信息进行识别; 其中,上述关键要素中的信息可以包括以下之一或组合:上述车牌的车牌号 码、上述车速检测结果中的车速数值、上述交通标志的指示和上述罚单中的 处罚信息。
其中,上述交通标志的指示可以为上述交通标志的具体含义,例如:交 通灯的具体颜色、限速类交通标志中的具体限速或上述交通标志中的具体图 案。
确定模块44,用于根据检测获得的关键要素、上述关键要素之间的位置 关系和识别获得的关键要素中的信息,确定上述交通违章案件的违规类型和 上述交通违章案件处理的合规性。
上述交通违章案件的鉴别装置中,获取模块41获取交通违章案件的图像 之后,检测模块42对上述图像中的关键要素进行检测,识别模块43对检测 获得的关键要素中的信息进行识别,然后确定模块44根据检测获得的关键要 素、上述关键要素之间的位置关系和识别获得的关键要素中的信息,确定上 述交通违章案件的违规类型和上述交通违章案件处理的合规性,从而可以实 现智能化地对交通违章案件的合规性进行鉴别,减少人工审核的成本,并可 以对交通执法人员执法的规范性进行监督。
图5为本申请交通违章案件的鉴别装置另一个实施例的结构示意图,本 实施例中,检测模块42,具体用于对上述图像的尺寸和颜色分布进行归一化 处理;利用预先训练的深度神经网络模型,对归一化处理后的图像进行图像 识别,获得上述归一化处理后的图像中关键要素所在的区域和上述关键要素 的类别,上述关键要素的类别包括以下之一或组合:车辆、上述车辆的车牌 和车速检测结果、交通标志和罚单。
具体地,检测模块42对上述图像的尺寸进行归一化处理,就是将上述图 像的尺寸按照预定大小进行处理,使上述图像的尺寸一致;检测模块42对上 述图像的颜色分布进行归一化处理,是为了使上述图像的颜色处于同一分布, 避免上述图像的对比度和/或直方图分布不均衡。
进一步地,上述交通违章案件的鉴别装置还可以包括:训练模块45;
训练模块45,用于利用训练图像和上述训练图像对应的标注文件,对训 练模型进行训练,获得训练好的深度神经网络模型。
本实施例中,训练模块45,具体用于将上述训练图像和上述训练图像对 应的标注文件输入上述训练模型,利用深度神经网络算法对上述训练模型进 行训练;上述训练图像对应的标注文件包括上述训练图像中关键要素所在的 区域和上述关键要素的类别;当上述训练模型输出的结果与上述训练图像对 应的标注文件之间的误差小于预定阈值时,获得训练好的深度神经网络模型。 上述预定阈值的大小可以在具体实现时,根据系统性能和/或实现需求等自行 设定,本实施例对上述预定阈值的大小不作限定。
其中,上述深度神经网络算法可以采用基于深度学习的多目标检测识别 算法,例如Fast R-CNN、SSD或YOLO等方法,本实施例对此不作限定。
本实施例中,识别模块43,具体用于通过车牌识别技术对上述车牌的车 牌号码进行识别,通过OCR对上述车速检测结果中的车速数值、上述交通标 志的指示和上述罚单中的处罚信息之一或组合进行识别,上述关键要素中的 信息包括以下之一或组合:上述车牌的车牌号码、上述车速检测结果中的车 速数值、上述交通标志的指示和上述罚单中的处罚信息。
其中,车牌识别技术(Vehicle License Plate Recognition;以下简称:VLPR) 是计算机视频图像识别技术在车辆牌照识别中的一种应用。车牌识别技术可 以将车辆的牌照从复杂背景中提取并识别出来,通过车牌提取、图像预处理、 特征提取、车牌字符识别等技术,识别车辆牌号、颜色等信息。
具体地,首先,识别模块43可以对检测获得的车牌所在区域从上述图像 中分离出来;然后,再将上述车牌所在区域分割成单个字符,字符分割一般 采用垂直投影法。由于字符在垂直方向上的投影必然在字符间或字符内的间 隙处取得局部最小值的附近,并且这个位置应满足车牌的字符书写格式、字 符、尺寸限制和一些其他条件,因此利用垂直投影法进行字符分割有较好的 效果。
最后,识别模块43可以基于模板匹配算法和基于人工神经网络算法对分 割后的字符进行识别。其中,基于模板匹配算法首先将分割后的字符二值化 并将其尺寸大小缩放为字符数据库中模板的大小,然后与所有的模板进行匹 配,选择最佳匹配作为结果。基于人工神经网络的算法有两种:一种是先对 字符进行特征提取,然后用所获得特征来训练神经网络分配器;另一种方法 是直接把图像输入网络,由网络自动实现特征提取直至识别出结果。
下面以通过OCR对上述车速检测结果中的车速数值、上述交通标志的指 示和上述罚单中的处罚信息之一或组合进行识别的过程进行介绍,下面的介 绍以对上述交通标志的指示进行识别为例,具体地,首先,识别模块43对上 述交通标志的图像进行预处理,预处理主要包括:二值化、噪声去除和倾斜 较正等。
其中,二值化是对上述交通标志的图像的内容进行划分,分为前景信息 与背景信息,可以简单的定义前景信息为黑色,背景信息为白色,这就是二 值化图了;
噪声去除是根据噪声的特征对上述交通标志的图像进行去噪;
倾斜较正是对上述交通标志的图像的方向进行校正,避免上述交通标志 的图像倾斜。
然后,识别模块43对上述交通标志的图像进行版面分析,也就是将上述 交通标志的图像进行分段落和/或分行的过程。
接下来,识别模块43对上述交通标志的图像进行字符切割,然后对切割 后的字符进行识别,最后对识别获得的文字进行版面恢复,根据特定的语言 上下文的关系,对识别结果进行校正。
本实施例中,确定模块44可以包括:完整性检测子模块441、位置关系 确定子模块442、违规类型确定子模块443和合规性确定子模块444;
其中,完整性检测子模块441,用于对检测获得的车辆的完整性进行检测; 具体地,完整性检测子模块441对检测获得的车辆的完整性进行检测可以为: 对于检测获得的关键要素中的车辆,完整性检测子模块441可以检查上述车 辆的相关图像中是否既包括上述车辆车头,又包括上述车辆的车尾,如果是, 则可以确定上述车辆完整;而如果上述车辆的相关图像中只有车头或车尾, 那完整性检测子模块441就可以确定上述车辆不完整。
位置关系确定子模块442,用于在完整性检测子模块441确定上述车辆完 整之后,确定检测获得的交通标志与上述车辆的位置关系;
违规类型确定子模块443,用于根据上述位置关系,以及识别模块43识 别获得的上述关键要素中的信息,确定上述交通违章案件的违规类型;
合规性确定子模块444,用于将违规类型确定子模块443确定的交通违章 案件的违规类型和识别模块43识别获得的罚单中的处罚信息进行对比,根据 上述交通违章案件的违规类型与上述罚单中的处罚信息是否匹配,确定上述 交通违章案件处理的合规性。
举例来说,假设检测模块42对交通违章案件的图像进行检测,获得的关 键要素为车辆、上述车辆的车牌、斑马线、交通灯和罚单,其中,斑马线和 交通灯属于交通标志,识别模块43进一步对检测获得的上述关键要素中的信 息进行识别,获得上述车牌的车牌号码为“京N*****”,上述交通灯的颜色 为红色,上述罚单中的处罚信息为扣6分,罚款200元。
首先,完整性检测子模块441可以对检测获得的车辆的完整性进行检测, 检查上述车辆的相关图像中是否既包括车头,又包括车尾,如果是,则可以 确定上述车辆完整;
在完整性检测子模块441确定上述车辆完整之后,位置关系确定子模块 442确定检测获得的交通标志与上述车辆的位置关系,例如:上述车辆的车身 压在斑马线上,与交通灯之间的距离为4米。
进一步地,违规类型确定子模块443根据上述交通标志与上述车辆的位 置关系以及识别获得的上述交通标志的指示,可以确定上述交通违章案件的 违规类型为车牌号码为“京N*****”的车辆闯红灯;
最后,合规性确定子模块444将上述交通违章案件的违规类型和识别获 得的罚单中的处罚信息进行对比,这里就是将“车牌号码为‘京N*****’的 车辆闯红灯”与“扣6分,罚款200元”进行对比,结合交通法中的规定, 确定上述交通违章案件的违规类型与上述罚单中的处罚信息匹配,进而可以 确定上述交通违章案件的处理符合规定。
另举例来说,假设检测模块42对交通违章案件的图像进行检测,获得的 关键要素为车辆、上述车辆的车牌和车速检测结果、限速类交通标志和罚单, 识别模块43进一步对检测获得的上述关键要素中的信息进行识别,获得上述 车牌的车牌号码为“京P*****”,上述车速检测结果中的车速数值为150Km/h, 上述罚单中的处罚信息为扣6分,罚款200元。
首先,完整性检测子模块441可以对检测获得的车辆的完整性进行检测, 检查上述车辆的相关图像中是否既包括车头,又包括车尾,如果是,则可以 确定上述车辆完整;
在完整性检测子模块441确定上述车辆完整之后,位置关系确定子模块 442确定检测获得的限速类交通标志与上述车辆的位置关系,本例中,限速类 交通标志可以为写在高速路面上的具体速度数值,例如:快车道上写的 “90-120”,表示行驶在高速路的快车道上的车辆速度需在90-120km/h,这 时,限速类交通标志与上述车辆的位置关系可以为上述车辆行驶在标有限速 数值的高速路快车道上;
进一步地,违规类型确定子模块443根据上述位置关系以及识别模块43 识别获得的上述限速类交通标志的具体限速和识别模块43识别获得的上述车 速检测结果中的车速数值,可以确定上述交通违章案件的违规类型为车牌号 码为“京P*****”的车辆在高速路上超速25%;
最后,合规性确定子模块444将上述交通违章案件的违规类型和识别模 块43识别获得的罚单中的处罚信息进行对比,这里就是将“车牌号码为‘京 P*****’的车辆在高速路上超速25%”与“扣6分,罚款200元”进行对比, 结合交通法中的规定,确定上述交通违章案件的违规类型与上述罚单中的处 罚信息匹配,进而合规性确定子模块444可以确定上述交通违章案件的处理 符合规定。
图6为本申请计算机设备一个实施例的结构示意图,上述计算机设备可 以包括存储器、处理器及存储在上述存储器上并可在上述处理器上运行的计 算机程序,上述处理器执行上述计算机程序时,可以实现本申请实施例提供 的交通违章案件的鉴别方法。
其中,上述计算机设备可以为服务器,例如:云服务器等,上述计算机 设备也可以为电子设备,例如:智能手机、智能手表或平板电脑等智能设备, 本实施例对上述计算机设备的具体形态不作限定。
图6示出了适于用来实现本申请实施方式的示例性计算机设备12的框图。 图6显示的计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使 用范围带来任何限制。
如图6所示,计算机设备12以通用计算设备的形式表现。计算机设备12 的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储 器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器 控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意 总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系 结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结 构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、 视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA) 局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称: PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任 何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移 动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如 随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速 缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易 失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写 不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。 尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器 (Compact DiscRead Only Memory;以下简称:CD-ROM)、数字多功能只 读光盘(Digital Video Disc ReadOnly Memory;以下简称:DVD-ROM)或者 其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个 或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产 品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置 以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例 如存储器28中,这样的程序模块42包括——但不限于——操作系统、一个 或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某 种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实 施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、 显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交 互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进 行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过 输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器 20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN), 广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网) 通信。如图6所示,网络适配器20通过总线18与计算机设备12的其它模块 通信。应当明白,尽管图6中未示出,可以结合计算机设备12使用其它硬件 和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部 磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功 能应用以及数据处理,例如实现本申请实施例提供的交通违章案件的鉴别方 法。
本申请实施例还提供一种非易失性计算机可读存储介质,其上存储有计 算机程序,上述计算机程序被处理器执行时可以实现本申请实施例提供的交 通违章案件的鉴别方法。
上述非易失性计算机可读存储介质可以采用一个或多个计算机可读的介 质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读 存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、 电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算 机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导 线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存 储器(Read Only Memory;以下简称:ROM)、可擦式可编程只读存储器 (ErasableProgrammable Read Only Memory;以下简称:EPROM)或闪存、 光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、 或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何 包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使 用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数 据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用 多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组 合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机 可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、 装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括— —但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的 计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如 Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言 或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地 在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部 分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远 程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(Local Area Network;以下简称:LAN)或广域网(Wide Area Network;以 下简称:WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利 用因特网服务提供商来通过因特网连接)。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示 例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述 的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。 在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。 而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示 例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可 以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗 示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、 “第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中, “多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表 示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代 码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现, 其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式 或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人 员所理解。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时” 或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境, 短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当 确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应 于检测(陈述的条件或事件)”。
需要说明的是,本申请实施例中所涉及的终端可以包括但不限于个人计算 机(Personal Computer;以下简称:PC)、个人数字助理(Personal Digital Assistant; 以下简称:PDA)、无线手持设备、平板电脑(Tablet Computer)、手机、MP3 播放器、MP4播放器等。
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。
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,也可以采用硬件加软件 功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机 可读取存储介质中。上述软件功能单元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装置(可以是个人计算机,服务器,或者网络装置等) 或处理器(Processor)执行本申请各个实施例所述方法的部分步骤。而前述 的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory;以下 简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)、 磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本 申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在 本申请保护的范围之内。
Claims (10)
1.一种交通违章案件的鉴别方法,其特征在于,包括:
获取交通违章案件的图像;
对所述图像中的关键要素进行检测;
对检测获得的所述关键要素中的信息进行识别;
根据检测获得的所述关键要素、所述关键要素之间的位置关系和识别获得的所述关键要素中的信息,确定所述交通违章案件的违规类型和所述交通违章案件处理的合规性。
2.根据权利要求1所述的方法,其特征在于,所述交通违章案件的图像包括:交通执法人员拍摄的交通违章案件的图像、布控抓拍的交通违章案件的图像和/或交通视频中的帧图像。
3.根据权利要求1或2所述的方法,其特征在于,所述对所述图像中的关键要素进行检测包括:
对所述图像的尺寸和颜色分布进行归一化处理;
利用预先训练的深度神经网络模型,对归一化处理后的图像进行图像识别,获得所述归一化处理后的图像中关键要素所在的区域和所述关键要素的类别,所述关键要素的类别包括以下之一或组合:车辆、所述车辆的车牌和车速检测结果、交通标志和罚单。
4.根据权利要求3所述的方法,其特征在于,所述利用预先训练的深度神经网络模型,对归一化处理后的图像进行图像识别之前,还包括:
利用训练图像和所述训练图像对应的标注文件,对训练模型进行训练,获得训练好的所述深度神经网络模型。
5.根据权利要求4所述的方法,其特征在于,所述利用训练图像和所述训练图像对应的标注文件,对训练模型进行训练包括:
将所述训练图像和所述训练图像对应的标注文件输入所述训练模型,利用深度神经网络算法对所述训练模型进行训练;所述训练图像对应的标注文件包括所述训练图像中关键要素所在的区域和所述关键要素的类别;
当所述训练模型输出的结果与所述训练图像对应的标注文件之间的误差小于预定阈值时,获得训练好的所述深度神经网络模型。
6.根据权利要求3所述的方法,其特征在于,所述关键要素中的信息包括以下之一或组合:所述车牌的车牌号码、所述车速检测结果中的车速数值、所述交通标志的指示和所述罚单中的处罚信息;
所述对检测获得的所述关键要素中的信息进行识别包括:
通过车牌识别技术对所述车牌的车牌号码进行识别;和/或,
通过光学字符识别对所述车速检测结果中的车速数值、所述交通标志的指示和所述罚单中的处罚信息之一或组合进行识别。
7.根据权利要求6所述的方法,其特征在于,所述根据检测获得的所述关键要素、所述关键要素之间的位置关系和识别获得的所述关键要素中的信息,确定所述交通违章案件的违规类型和所述交通违章案件处理的合规性包括:
对检测获得的车辆的完整性进行检测;
在确定所述车辆完整之后,确定检测获得的交通标志与所述车辆的位置关系;
根据所述位置关系,以及识别获得的所述关键要素中的信息,确定所述交通违章案件的违规类型;
将所述交通违章案件的违规类型与识别获得的罚单中的处罚信息进行对比,根据所述交通违章案件的违规类型与所述罚单中的处罚信息是否匹配,确定所述交通违章案件处理的合规性。
8.一种交通违章案件的鉴别装置,其特征在于,包括:
获取模块,用于获取交通违章案件的图像;
检测模块,用于对所述获取模块获取的图像中的关键要素进行检测;
识别模块,用于对所述检测模块检测获得的所述关键要素中的信息进行识别;
确定模块,用于根据检测获得的所述关键要素、所述关键要素之间的位置关系和识别获得的所述关键要素中的信息,确定所述交通违章案件的违规类型和所述交通违章案件处理的合规性。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-7中任一所述的方法。
10.一种非易失性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811003160.6A CN109325424A (zh) | 2018-08-30 | 2018-08-30 | 交通违章案件的鉴别方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811003160.6A CN109325424A (zh) | 2018-08-30 | 2018-08-30 | 交通违章案件的鉴别方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109325424A true CN109325424A (zh) | 2019-02-12 |
Family
ID=65263440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811003160.6A Pending CN109325424A (zh) | 2018-08-30 | 2018-08-30 | 交通违章案件的鉴别方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325424A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009913A (zh) * | 2019-03-27 | 2019-07-12 | 江苏智通交通科技有限公司 | 一种闯红灯车辆的非现场执法图片智能审核方法和系统 |
CN110349033A (zh) * | 2019-05-30 | 2019-10-18 | 阿里巴巴集团控股有限公司 | 项目案件初审方法以及装置 |
CN110969860A (zh) * | 2019-12-11 | 2020-04-07 | 上海眼控科技股份有限公司 | 交通违法行为后台审核系统和方法 |
CN110991999A (zh) * | 2019-12-02 | 2020-04-10 | 深圳市华云中盛科技股份有限公司 | 执法裁量效率的提高方法、装置、计算机设备及存储介质 |
CN111695443A (zh) * | 2020-05-21 | 2020-09-22 | 平安科技(深圳)有限公司 | 智能交通人工智能开放平台、方法、介质及电子设备 |
CN111768630A (zh) * | 2019-12-24 | 2020-10-13 | 上海高德威智能交通系统有限公司 | 一种违章废图检测方法、装置及电子设备 |
CN111932413A (zh) * | 2020-09-14 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 案件要素提取方法、装置、设备及介质 |
WO2021008039A1 (en) * | 2019-07-17 | 2021-01-21 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for object monitoring |
CN112650876A (zh) * | 2020-12-30 | 2021-04-13 | 北京嘀嘀无限科技发展有限公司 | 图像处理方法、装置、电子设备、存储介质和程序产品 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915641A (zh) * | 2012-10-16 | 2013-02-06 | 浪潮集团有限公司 | 一种基于密码技术的交通违章信息处理方法 |
CN106205144A (zh) * | 2016-09-07 | 2016-12-07 | 东南大学 | 高速公路应急车道占用监督处罚方法和系统 |
-
2018
- 2018-08-30 CN CN201811003160.6A patent/CN109325424A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915641A (zh) * | 2012-10-16 | 2013-02-06 | 浪潮集团有限公司 | 一种基于密码技术的交通违章信息处理方法 |
CN106205144A (zh) * | 2016-09-07 | 2016-12-07 | 东南大学 | 高速公路应急车道占用监督处罚方法和系统 |
Non-Patent Citations (1)
Title |
---|
封晶: "基于深度学习的车辆检测和车牌定位" * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009913A (zh) * | 2019-03-27 | 2019-07-12 | 江苏智通交通科技有限公司 | 一种闯红灯车辆的非现场执法图片智能审核方法和系统 |
CN110009913B (zh) * | 2019-03-27 | 2021-06-01 | 江苏智通交通科技有限公司 | 一种闯红灯车辆的非现场执法图片智能审核方法和系统 |
CN110349033A (zh) * | 2019-05-30 | 2019-10-18 | 阿里巴巴集团控股有限公司 | 项目案件初审方法以及装置 |
WO2021008039A1 (en) * | 2019-07-17 | 2021-01-21 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for object monitoring |
CN110991999A (zh) * | 2019-12-02 | 2020-04-10 | 深圳市华云中盛科技股份有限公司 | 执法裁量效率的提高方法、装置、计算机设备及存储介质 |
CN110969860A (zh) * | 2019-12-11 | 2020-04-07 | 上海眼控科技股份有限公司 | 交通违法行为后台审核系统和方法 |
CN111768630A (zh) * | 2019-12-24 | 2020-10-13 | 上海高德威智能交通系统有限公司 | 一种违章废图检测方法、装置及电子设备 |
CN111695443A (zh) * | 2020-05-21 | 2020-09-22 | 平安科技(深圳)有限公司 | 智能交通人工智能开放平台、方法、介质及电子设备 |
CN111695443B (zh) * | 2020-05-21 | 2023-01-24 | 平安科技(深圳)有限公司 | 智能交通人工智能开放平台、方法、介质及电子设备 |
CN111932413A (zh) * | 2020-09-14 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 案件要素提取方法、装置、设备及介质 |
CN112650876A (zh) * | 2020-12-30 | 2021-04-13 | 北京嘀嘀无限科技发展有限公司 | 图像处理方法、装置、电子设备、存储介质和程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109147340A (zh) | 违法停车案件的鉴别方法、装置和计算机设备 | |
CN109325424A (zh) | 交通违章案件的鉴别方法、装置和计算机设备 | |
CN106156766B (zh) | 文本行分类器的生成方法及装置 | |
CN106650740B (zh) | 一种车牌识别方法及终端 | |
US8750573B2 (en) | Hand gesture detection | |
CN109740424A (zh) | 交通违规识别方法及相关产品 | |
Xie et al. | A robust license plate detection and character recognition algorithm based on a combined feature extraction model and BPNN | |
CN106682602A (zh) | 一种驾驶员行为识别方法及终端 | |
CN104766042A (zh) | 交通标志板识别方法及装置 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN105631470A (zh) | 一种车牌类型验证的方法及系统 | |
CN110689043A (zh) | 一种基于多重注意力机制的车辆细粒度识别方法及装置 | |
CN111178357B (zh) | 车牌识别方法、系统、设备和存储介质 | |
CN106650660A (zh) | 一种车型识别方法及终端 | |
CN103473492A (zh) | 权限识别方法和用户终端 | |
CN111931683B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN111898538A (zh) | 证件鉴伪方法、装置、电子设备及存储介质 | |
CN106778731B (zh) | 一种车牌定位方法及终端 | |
US20190205589A1 (en) | Latent fingerprint ridge flow map improvement | |
CN108154103A (zh) | 检测推广信息显著性的方法、装置、设备和计算机存储介质 | |
CN108960175A (zh) | 一种基于深度学习的车牌识别方法 | |
CN111753592A (zh) | 交通标志识别方法、装置、计算机设备和存储介质 | |
CN109740674A (zh) | 一种图像处理方法、装置、设备和存储介质 | |
CN109087439B (zh) | 票据校验方法、终端设备、存储介质及电子设备 | |
CN111967450A (zh) | 自动驾驶模型用样本获取方法、训练方法、装置及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190212 |
|
RJ01 | Rejection of invention patent application after publication |