CN109766756A - 闯红灯数据处理方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种闯红灯数据处理方法、装置、计算机设备和存储介质，所述方法通过将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，待检测图像为红灯期间内拍摄的图像，通过人体特征提取模型提取各个候选行人的候选特征，将各个候选特征与闯红灯记录库中的各个参考特征进行匹配，当匹配成功时，更新与候选特征匹配的参考特征对应的个人数据中的闯红灯记录，获取与个人数据中的闯红灯记录对应的管理规则，管理规则用于指导管理人员进行管理。通过对行人进行识别和管理，能够更好的规范交通，从而更好的保护人的安全。

Description

闯红灯数据处理方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种闯红灯数据处理方法、装置、计算机设备和存储介质。

背景技术

随着社会经济与交通的不断发展，人们的出行安全越发重要，不仅涉及到行车安全也涉及到行人安全。目前大多数的闯红灯监测系统还不够完善，且多数是对行车进行闯红灯监测，并采取一系列的措施实施警告，以此来达到增强交通安全的目的。但在实际中，交通安全与行人也息息相关，所以仅仅只对车辆进行管理存在管理不全面的问题。

发明内容

为了解决上述技术问题，本申请提供了一种闯红灯数据处理方法、装置、计算机设备和存储介质。

一种闯红灯数据处理方法，包括：

将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，待检测图像为红灯期间内拍摄的图像；

通过人体特征提取模型提取各个候选行人的候选特征，将各个候选特征与闯红灯记录库中的各个参考特征进行匹配；

当匹配成功时，更新与候选特征匹配的参考特征对应的个人数据中的闯红灯记录；

获取与个人数据中的闯红灯记录对应的管理规则，管理规则用于指导管理人员进行管理。

一种闯红灯数据处理装置，包括：

行人检测模块，用于将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，待检测图像为红灯期间内拍摄的图像；

匹配模块，用于通过人体特征提取模型提取各个候选行人的候选特征，将各个候选特征与闯红灯记录库中的各个参考特征进行匹配；

数据更新模块，用于当匹配成功时，更新与候选特征匹配的参考特征对应的个人数据中的闯红灯记录；

管理规则获取模块，用于获取与个人数据中的闯红灯记录对应的管理规则，管理规则用于指导管理人员进行管理。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在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以下步骤：

将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，待检测图像为红灯期间内拍摄的图像；

通过人体特征提取模型提取各个候选行人的候选特征，将各个候选特征与闯红灯记录库中的各个参考特征进行匹配；

当匹配成功时，更新与候选特征匹配的参考特征对应的个人数据中的闯红灯记录；

获取与个人数据中的闯红灯记录对应的管理规则，管理规则用于指导管理人员进行管理。

一种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以下步骤：

将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，待检测图像为红灯期间内拍摄的图像；

通过人体特征提取模型提取各个候选行人的候选特征，将各个候选特征与闯红灯记录库中的各个参考特征进行匹配；

当匹配成功时，更新与候选特征匹配的参考特征对应的个人数据中的闯红灯记录；

获取与个人数据中的闯红灯记录对应的管理规则，管理规则用于指导管理人员进行管理。

上述闯红灯数据处理方法、装置、计算机设备和存储介质，所述方法通过将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，待检测图像为红灯期间内拍摄的图像，通过人体特征提取模型提取各个候选行人的候选特征，将各个候选特征与闯红灯记录库中的各个参考特征进行匹配，当匹配成功时，更新与候选特征匹配的参考特征对应的个人数据中的闯红灯记录，获取与个人数据中的闯红灯记录对应的管理规则，管理规则用于指导管理人员进行管理。通过对行人进行识别和管理，能够更好的规范交通，从而更好的保护人的安全。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中闯红灯数据处理方法的应用场景图；

图2为一个实施例中闯红灯数据处理方法的流程示意图；

图3为另一个实施例中闯红灯数据处理方法的流程示意图；；

图4为一个实施例中行人检测的步骤流程示意图；

图5为一个实施例中管理规则确定步骤的流程示意图；

图6为一个具体的实施例中闯红灯数据处理方法的流程示意图；

图7为一个实施例中行人检测的场景示意图；

图8为一个实施例中闯红灯数据处理装置的结构框图；

图9为另一个实施例中闯红灯数据处理装置的结构框图；

图10为一个实施例中行人检测模块的结构框图；

图11为一个实施例中管理规则获取模块的结构框图；

图12为一个实施例中计算机设备的内部结构框图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，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做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为一个实施例中闯红灯数据处理方法的应用环境图。参照图1，该闯红灯数据处理方法应用于闯红灯数据处理系统。该闯红灯数据处理系统包括终端110和服务器120。终端或服务器将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，待检测图像为红灯期间内拍摄的图像，通过人体特征提取模型提取各个候选行人的候选特征，将各个候选特征与闯红灯记录库中的各个参考特征进行匹配，当匹配成功时，更新与候选特征匹配的参考特征对应的个人数据中的闯红灯记录，获取与个人数据中的闯红灯记录对应的管理规则，管理规则用于指导管理人员进行管理。通过对行人进行识别和管理，能够更好的规范交通，从而更好的保护人的安全。

终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

如图2所示，在一个实施例中，提供了一种闯红灯数据处理方法。本实施例主要以该方法应用于上述图1中的终端110(或服务器120)来举例说明。参照图2，该闯红灯数据处理方法具体包括如下步骤：

步骤S201，将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像。

具体地，待检测图像为红灯期间内拍摄的图像。行人检测模型是指通过大量的携带人体标签的图像进行训练得到的，通过行人检测模型对待检测图像进行特征提取，根据提取的特征确定行人。候选行人是指行人检测模型检测得到的待检测图像中的行人。其中行人检测模型可以是深度神经网络模型、随机森林模型、支持向量机模型等。

在一个实施例中，在将包含行人的待检测图像输入行人检测模型进行行人检测之前，还包括：对待检测图像进行预处理，其中预处理包括对图像的去噪、裁剪、仿射变换等。

步骤S202，通过人体特征提取模型提取各个候选行人的候选特征，将各个候选特征与闯红灯记录库中的各个参考特征进行匹配。

具体地，人体特征提取模型是用于提取人体特征的模型，该模型可以是通过对大量的携带人体特征的图像进行训练得到的。通过人体特征提取各个候选人的人体特征，得到各个候选人的候选特征，其中人体特征是指用于描述人体的特征向量，每个人都有自己独特的人体特征，故可以采用人体特征对行人进行识别。候选特征是指候选人的人体特征，参考特征是指闯红灯记录库中保存的闯红灯的人的人体特征。对候选特征和参考特征进行匹配，即计算候选特征和参考特征相似度，根据相似度确定候选特征和参考特征是否匹配。其中特征向量之间的相似度可以采用常见的向量相似度计算算法，如欧式距离、余弦距离等。

步骤S203，当匹配成功时，更新与候选特征匹配的参考特征对应的个人数据中的闯红灯记录。

具体地，当候选特征与参考特征的相似度大于预设相似度时，表示匹配成功，反之表示未匹配成功。匹配成功表示候选特征对应的行人过去曾经闯过红灯，在闯红灯记录库中存在个人数据，查找与候选特征匹配的参考特征的个人数据中的闯红灯记录，更新候选特征对应的闯红灯记录。如用户A的闯红灯次数为1，则更新为2。个人数据可以包括个人的身份标识、联系方式、家庭住址等等，个人数据中的闯红灯记录可以包括但不限于闯红灯的次数，每次闯红灯的地点和时间等等。

步骤S204，获取与个人数据中的闯红灯记录对应的管理规则，管理规则用于指导管理人员进行管理。

具体地，按照个人对闯红灯记录进行统计，如统计闯红灯记录的次数、时间、地点等，得到对应的统计结果，根据统计结果确定对个人的管理规则，其中管理规则用于指导管理人员对闯红灯的个人进行管理的规章制度。不同的闯红灯情形对应不同的管理规则，其中管理规则包括通告、罚款、广播等，针对不同的闯红灯情形对应不同的管理规则，其中管理规则可以是针对地点的管理规则和/或针对个人行为的管理规则，针对地点的管理规则包括在闯红灯人较多的地方采用交警进行管理的方式，针对个人行为的管理规则为针对不同情况的个人闯红灯情况采取不同的管理办法，如对个人行为的通告、通报批评、处罚等。如一个行人在半年内闯了三次红灯，且该三次红灯都是在同一天，闯红灯的地点为同一个区域的附近几个红灯点，该行人可能存在着急情况，针对该特殊情况可以不做处理，若一个行人属于频繁的闯红灯，如每天都闯红灯，则可以采取较为严厉措施对个人进行管理，如对该行人的行为进行通报批评。

在一个实施例中，根据通告规则生成对应的通告信息，根据预设地址发送通告信息，以使预设地址对应的终端展示通告信息。

具体地，通告信息可以自定义，如通告信息可以包括个人姓名、个人照片、个人闯红灯行为等，预设地址是预先设置的用于个人信息的地址，将通告信息发送至预设地址对应的终端，通过预设地址对应的终端展示通告信息。通过展示通告信息来提醒行人不要闯红灯，规范交通行为。

在一个实施例中，按照地点统计第二预设时间段内的闯红灯数据，统计结果用于指导各个地点交通管理处用于制定对应的闯红灯管理方法。

具体地，第二预设时间段是指预先设置的时间段，如设置一个星期、一个月、一个季度、半年、一年等为第二预设时间段，统计各个地点在第二预设时间段内的闯红灯数据，将各个地点的闯红灯数据发送至各个地点交通管理的管理终端，在管理终端中展示闯红灯数据。其中闯红灯数据包括各个时间段闯红灯的次数，闯红灯的行人信息等。各地的管理人员可以根据闯红灯数据确定管理方法。其中管理方法包括派人去现场管理、在红灯附近播放提示信息等。根据闯红灯的行人信息对个人行为管理，如在行为人经常闯红灯的地方播放对应的通告信息等。

上述闯红灯数据处理方法，通过将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，待检测图像为红灯期间内拍摄的图像，通过人体特征提取模型提取各个候选行人的候选特征，将各个候选特征与闯红灯记录库中的各个参考特征进行匹配，当匹配成功时，更新与候选特征匹配的参考特征对应的个人数据中的闯红灯记录，获取与个人数据中的闯红灯记录对应的管理规则，管理规则用于指导管理人员进行管理。通过对行人进行识别和管理，能够更好的规范交通，从而更好的保护人的安全。

在一个实施例中，如图3所示，上述闯红灯数据处理方法还包括：

步骤S301，当匹配不成功时，获取居民数据库中的个人图像。

步骤S302，提取个人图像的个人特征，对个人特征与候选特征进行匹配，当匹配成功时，获取与候选特征匹配的个人特征对应的个人信息。

步骤S303，根据个人信息建立个人数据库，在个人数据库中添加闯红灯记录。

具体地，当匹配不成功时，是指在闯红灯记录中不存在该行人的信息，为了更好的记录闯红灯数据，获取居民数据库中的个人图像，采用同样的方式提取候选行人的候选特征和个人图像的个人特征，将候选行人的候选特征与个人图像的个人特征进行匹配，当匹配成功时，获取与匹配的个人特征的个人信息，根据个人信息建立个人数据库，个人数据库包括个人的身份标识、家庭住址、联系方式和闯红灯记录等信息。对于在在闯红灯记录中不存在的行人，存在闯红灯的行为后，建立个人数据，在个人数据中存储对应的闯红灯数据。

在一个实施例中，当对待检测图像中的行人检测为首次检测时，获取居民数据库中的个人图像，提取个人图像的个人特征，对个人特征与候选特征进行匹配，当匹配成功时，获取与候选特征匹配的个人特征对应的个人信息，根据个人信息建立个人数据库，在个人数据库中添加闯红灯记录。如果是首次进行检测时，闯红灯记录库中还不存在信息，故直接对居民数据库中的图像进行对比。

在一个实施例中，如图所示，图像包含候选人对应的标记信息，步骤S201，包括：

步骤S2011，将待检测图像输入已训练的深度神经网络模型中，通过已训练的深度神经网络模型提取待检测图像中的图像特征。

步骤S2012，根据图像特征确定图像中的候选行人，对候选行人进行标记，得到包含候选人和对应的标记信息的图像。

具体地，已训练的深度神经网络模型是指通过对大量的图像进行训练得到的模型，图像特征是用于描述行人的特征，图像特征可以包括但不限于人体的四肢、躯体、头部以及他们之间的位置关系等。根据模型提取的到图像特征确定图像各个区域中是否包含行人。对图像中检测到的行人进行标识，得到检测的行人和对应的标记信息，其中标记信息可以包括多边形框的端点坐标信心和边长信息标识和对应的编号信息。其中多边形可以为平行四边形等。同行人进行编号便于对行人进行统计，从而更好管理交通。

在一个实施例中，生成已训练的深度神经网络模型的步骤包括：

步骤S205，构建初始深度神经网络模型。

步骤S206，获取包含多个训练图像的训练图像集合，各个训练图像包含人体和携带对应的人体标签信息。

步骤S207，将各个训练图像输入初始深度神经网络模型，通过初始深度神经网络模型提取对应的行人特征，根据行人特征确定各个训练图像的行人。

步骤S208，根据初始深度神经网络模型输出的行人与携带的标签进行匹配，得到对应的检测结果，当检测结果满足模型收敛条件时，得到已训练的深度神经网络模型。

具体地，初始深度神经网络模型是预设定义的数学模型，训练数据是指包含行人的图像，通过初始深度神经网络模型对将训练图像和对应的标签进行学习，得到一个可以对行人进检测的已训练的深度神经网络模型。模型在训练过程中会根据初始深度神经网络模型检测结果更新模型参数，更新参数后，重新对初始深度神经网络模型进行再次训练和测试，直到模型的检测结果满足收敛条件时才停止对模型的训练，得到已训练的深度神经网络模型。通过对大量的携带标签的数据对模型进行训练，提高模型的学习能力，进而得到一个适应性和检测准确满足需求的模型。

在一个实施例中，如图5所示，步骤S204，包括：

步骤S2041，获取第一预设时间段内个人数据中的闯红灯记录的闯红灯次数。

步骤S2042，根据次数确定管理规则。

具体地，管理规则包括对闯红灯的个人进行通告、警告或罚款中的至少一种。第一预设时间段是指第一次设置的时间段临界值，具体值可以根据需求自定义。如可以设置一个月或一个季度、半年等。获取第一预设时间段内的个人数据中的闯红灯记录中的闯红灯次数，没根据闯红灯次数确定对应的管理规则。根据个人闯红灯的次数确定对应的管理规则，根据对应的管理规则对个人进行管理，如行人A的闯红灯数据对应的管理规则为通告，则获取行人A的个人信息，将个人信息发送至特定终端，在特定终端进行展示。也可以通过将个人信息打印出来粘贴在特定的公告栏等。通过次数确定管理规则能够有效的遏制行人的闯红灯行为，从而保护行人的人身安全。

在一个具体的实施例中，如图6所示，提供了一种闯红灯数据处理方法，包括：

步骤S401，获取待检测图像。在一定地段范围内安装视频监控，获取各个摄像头红灯时段存在闯红灯行人的视频图像，作为待检测图像。

步骤S402，行人检测。将待检测图像送入到已训练的行人检测模型中，通过已训练的行人检测模型将待检测图像中的闯红灯的行人进行检测。如利用神经网络训练得到一个可以检测图像或者视频图像中的行人检测模型，通常得到行人的检测框，比如用RPN提取出候选区域，然后用随机森林对候选区域进行分类，得到的结果如图7所示。

步骤S403，判断检测是否检测到行人，当检测到行人时，进入步骤S404。

步骤S404，判断检测是否为首次进行检测，若否则进入步骤S405a，若是则进入步骤S405b。

步骤S405a，将检测到的行人与闯红灯记录中的图像库进行对比。

步骤S405b，将检测到的行人与居民图像库中的图像进行对比。

步骤S406a，判断是否存在与闯红灯记录中的图像库中的图像匹配的行人，当判断为是时，进入步骤S407，反之进入步骤S405b。

步骤S406b，判断是否存在与居民图形库中的图像匹配的行人，当判断为是时，进入步骤S407。

步骤S407，更新闯红灯记录。初次检测到闯红灯行人时，相关部门利用行人再识别技术在当地的居民图像库中将这些行人再次识别出来，并检查核实这些行人的具体信息，如姓名身份ID、联系方式等进行存档，并在档案中添加闯红灯的记录，将做过记录的所有闯红灯行人的图像保存到该数据库中。如果是再次闯红灯，则根据其相关信息在该行人的档案中继续添加闯红灯记录。

步骤S408，统计闯红灯记录，根据统计结果确定管理方法。统计个人的闯红灯记录，对存在的闯红灯记录行人给予一些警告或处分，比如在其闯红灯路段设立滚动屏幕，将其闯红灯行为进行公示，以达到教育的目的。对多次闯红灯的行人可以采取更为严厉的处分。对于闯红灯人数较多的路段，采取人为的监管，以此达到减少行人闯红灯现象的发生。上述闯红灯数据处理方法，通过对个人的闯红灯数据和地区的闯红灯数据进行处理，便于管理人员对行人进行管理，进而保护行人的安全。

图2-5为一个实施例中闯红灯数据处理方法的流程示意图。应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图8所示，提供了一种闯红灯数据处理装置200，包括：

行人检测模块201，用于将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，待检测图像为红灯期间内拍摄的图像。

特征匹配模块202，用于通过人体特征提取模型提取各个候选行人的候选特征，将各个候选特征与闯红灯记录库中的各个参考特征进行匹配。

数据更新模块203，用于当匹配成功时，更新与候选特征匹配的参考特征对应的个人数据中的闯红灯记录。

管理规则获取模块204，用于获取与个人数据中的闯红灯记录对应的管理规则，管理规则用于指导管理人员进行管理。

在一个实施例中，如图9所示，上述闯红灯数据处理装置200还包括：

个人图像获取模块301，用于当匹配不成功时，获取居民数据库中的个人图像。

个人信息获取模块302，用于提取个人图像的个人特征，对个人特征与候选特征进行匹配，当匹配成功时，获取与候选特征匹配的个人特征对应的个人信息。

个人数据建立模块303，用于根据个人信息建立个人数据库，在个人数据库中添加闯红灯记录。

在一个实施例中，如图10所示，行人检测模块201，包括：

图像特征提取单元2011，用于将待检测图像输入已训练的深度神经网络模型中，通过已训练的深度神经网络模型提取待检测图像中的图像特征。

行人标记单元2012，用于根据图像特征确定图像中的候选行人，对候选行人进行标记，得到包含候选人和对应的标记信息的图像。

在一个实施例中，如图11所示，管理规则获取模块204，包括：

次数获取单元2041，用于获取第一预设时间段内个人数据中的闯红灯记录的闯红灯次数。

规则确定单元2042，用于根据次数确定管理规则，管理规则包括对闯红灯的个人进行通告、警告或罚款中的至少一种。

在一个实施例中，上述闯红灯数据处理装置200还包括：

数据发送模块205，用于根据通告规则生成对应的通告信息，根据预设地址发送通告信息，以使预设地址对应的终端展示通告信息。

在一个实施例中，上述闯红灯数据处理装置200还包括：

管理方法制定206，按照地点统计第二预设时间段内的闯红灯数据，统计结果用于指导各个地点交通管理处用于制定对应的闯红灯管理方法。

图12示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110(或服务器120)。如图12所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现闯红灯数据处理方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行闯红灯数据处理方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的闯红灯数据处理装置可以实现为一种计算机程序的形式，计算机程序可在如图12所示的计算机设备上运行。计算机设备的存储器中可存储组成该闯红灯数据处理装置的各个程序模块，比如，图8所示的行人检测模块201、特征匹配模块202、数据更新模块203和管理规则获取模块204。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的闯红灯数据处理方法中的步骤。

例如，图12所示的计算机设备可以通过如图8所示的闯红灯数据处理装置中的行人检测模块201执行将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，待检测图像为红灯期间内拍摄的图像。计算机设备可通过特征匹配模块202执行于通过人体特征提取模型提取各个候选行人的候选特征，将各个候选特征与闯红灯记录库中的各个参考特征进行匹配。计算机设备可通过数据更新模块203执行当匹配成功时，更新与候选特征匹配的参考特征对应的个人数据中的闯红灯记录。计算机设备可通过管理规则获取模块204执行获取与个人数据中的闯红灯记录对应的管理规则，管理规则用于指导管理人员进行管理。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，待检测图像为红灯期间内拍摄的图像，通过人体特征提取模型提取各个候选行人的候选特征，将各个候选特征与闯红灯记录库中的各个参考特征进行匹配，当匹配成功时，更新与候选特征匹配的参考特征对应的个人数据中的闯红灯记录，获取与个人数据中的闯红灯记录对应的管理规则，管理规则用于指导管理人员进行管理。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当匹配不成功时，获取居民数据库中的个人图像，提取个人图像的个人特征，对个人特征与候选特征进行匹配，当匹配成功时，获取与候选特征匹配的个人特征对应的个人信息，根据个人信息建立个人数据库，在个人数据库中添加闯红灯记录。

在一个实施例中，图像包含候选人对应的标记信息，将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，包括：将待检测图像输入已训练的深度神经网络模型中，通过已训练的深度神经网络模型提取待检测图像中的图像特征，根据图像特征确定图像中的候选行人，对候选行人进行标记，得到包含候选人和对应的标记信息的图像。

在一个实施例中，获取与个人数据中的闯红灯记录对应的管理规则，包括：获取第一预设时间段内个人数据中的闯红灯记录的闯红灯次数，根据次数确定管理规则，管理规则包括对闯红灯的个人进行通告、警告或罚款中的至少一种。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据通告规则生成对应的通告信息，根据预设地址发送通告信息，以使预设地址对应的终端展示通告信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：按照地点统计第二预设时间段内的闯红灯数据，统计结果用于指导各个地点交通管理处用于制定对应的闯红灯管理方法。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，待检测图像为红灯期间内拍摄的图像，通过人体特征提取模型提取各个候选行人的候选特征，将各个候选特征与闯红灯记录库中的各个参考特征进行匹配，当匹配成功时，更新与候选特征匹配的参考特征对应的个人数据中的闯红灯记录，获取与个人数据中的闯红灯记录对应的管理规则，管理规则用于指导管理人员进行管理。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当匹配不成功时，获取居民数据库中的个人图像，提取个人图像的个人特征，对个人特征与候选特征进行匹配，当匹配成功时，获取与候选特征匹配的个人特征对应的个人信息，根据个人信息建立个人数据库，在个人数据库中添加闯红灯记录。

在一个实施例中，图像包含候选人对应的标记信息，将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，包括：将待检测图像输入已训练的深度神经网络模型中，通过已训练的深度神经网络模型提取待检测图像中的图像特征，根据图像特征确定图像中的候选行人，对候选行人进行标记，得到包含候选人和对应的标记信息的图像。

在一个实施例中，获取与个人数据中的闯红灯记录对应的管理规则，包括：获取第一预设时间段内个人数据中的闯红灯记录的闯红灯次数，根据次数确定管理规则，管理规则包括对闯红灯的个人进行通告、警告或罚款中的至少一种。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据通告规则生成对应的通告信息，根据预设地址发送通告信息，以使预设地址对应的终端展示通告信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：按照地点统计第二预设时间段内的闯红灯数据，统计结果用于指导各个地点交通管理处用于制定对应的闯红灯管理方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种闯红灯数据处理方法，所述方法包括：

将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，所述待检测图像为红灯期间内拍摄的图像；

通过人体特征提取模型提取各个所述候选行人的候选特征，将各个所述候选特征与闯红灯记录库中的各个参考特征进行匹配；

当匹配成功时，更新与所述候选特征匹配的所述参考特征对应的个人数据中的闯红灯记录；

获取与所述个人数据中的闯红灯记录对应的管理规则，所述管理规则用于指导管理人员进行管理。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当匹配不成功时，获取居民数据库中的个人图像；

提取所述个人图像的个人特征，对所述个人特征与所述候选特征进行匹配，当匹配成功时，获取与所述候选特征匹配的个人特征对应的个人信息；

根据所述个人信息建立个人数据库，在所述个人数据库中添加闯红灯记录。

3.根据权利要求1所述的方法，其特征在于，所述图像包含所述候选人对应的标记信息，所述将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，包括：

将所述待检测图像输入已训练的深度神经网络模型中，通过所述已训练的深度神经网络模型提取所述待检测图像中的图像特征；

根据所述图像特征确定所述图像中的候选行人，对所述候选行人进行标记，得到包含所述候选人和对应的标记信息的图像。

4.根据权利要求1所述的方法，其特征在于，所述获取与所述个人数据中的闯红灯记录对应的管理规则，包括：

获取第一预设时间段内所述个人数据中的闯红灯记录的闯红灯次数，根据所述次数确定管理规则，所述管理规则包括对闯红灯的个人进行通告、警告或罚款中的至少一种。

5.根据权利要求4的方法，其特征在于，所述方法还包括：

根据所述通告规则生成对应的通告信息，根据预设地址发送所述通告信息，以使所述预设地址对应的终端展示所述通告信息。

6.根据权利要求1至5任意一项所述的方法，其特征在于，所述方法还包括：

按照地点统计第二预设时间段内的闯红灯数据，所述统计结果用于指导各个地点交通管理处用于制定对应的闯红灯管理方法。

7.一种闯红灯数据处理装置，其特征在于，所述装置包括：

行人检测模块，用于将包含行人的待检测图像输入行人检测模型进行行人检测，得到包含候选行人的图像，所述待检测图像为红灯期间内拍摄的图像；

特征匹配模块，用于通过人体特征提取模型提取各个所述候选行人的候选特征，将各个所述候选特征与闯红灯记录库中的各个参考特征进行匹配；

数据更新模块，用于当匹配成功时，更新与与所述候选特征匹配的所述参考特征对应的个人数据中的闯红灯记录；

管理规则获取模块，用于获取与所述个人数据中的闯红灯记录对应的管理规则，所述管理规则用于指导管理人员进行管理。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

当匹配不成功时，获取居民数据库中的个人图像；

提取所述个人图像的个人特征，对所述个人特征与所述候选特征进行匹配，当匹配成功时，获取与所述候选特征匹配的个人特征对应的个人信息；

根据所述个人信息建立个人数据库，在所述个人数据库中添加闯红灯记录，将所述个人特征。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

10.一种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权利要求1至6中任一项所述的方法的步骤。