CN110533925B - 车辆违法视频的处理方法、装置、计算机设备及存储介质 - Google Patents

车辆违法视频的处理方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110533925B
CN110533925B CN201910833402.2A CN201910833402A CN110533925B CN 110533925 B CN110533925 B CN 110533925B CN 201910833402 A CN201910833402 A CN 201910833402A CN 110533925 B CN110533925 B CN 110533925B
Authority
CN
China
Prior art keywords
frame
target vehicle
video image
vehicle
position information
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.)
Expired - Fee Related
Application number
CN201910833402.2A
Other languages
English (en)
Other versions
CN110533925A (zh
Inventor
周康明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN201910833402.2A priority Critical patent/CN110533925B/zh
Publication of CN110533925A publication Critical patent/CN110533925A/zh
Application granted granted Critical
Publication of CN110533925B publication Critical patent/CN110533925B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种车辆违法视频的处理方法、装置、计算机设备及存储介质，该方法包括：获取目标车辆的车牌信息和车辆违法视频中的多帧视频图像；通过目标检测模型对各帧视频图像进行检测，获得各帧视频图像中各车辆的位置信息；根据目标车辆的车牌信息和各帧视频图像中的各车辆的位置信息确定目标车辆的行驶方向；通过分割模型对各帧视频图像进行场景分割，获得各帧视频图像分别对应的分割结果，对分割结果进行融合确定最终的场景信息，并根据最终的场景信息确定目标车辆所在车道的导向线类型；判断导向线类型与目标车辆的行驶方向是否匹配，若匹配，则判定目标车辆不违法。实现了利用多帧视频图像判断目标车辆是否违法，提高了审核准确率。

Description

车辆违法视频的处理方法、装置、计算机设备及存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种车辆违法视频的处理方法、装置、计算机设备及存储介质。
背景技术
随着社会经济的迅速发展、城市发展进程的加快，城市人口的不断增加，人民生活水平的不断提高，私家车的数量不断增多，导致城市交通问题也越来越多。
现有机动车辆违法审核采用的方式为：前端设备进行抓拍含有目标车辆的不同时间点的离散图像或者是连续的视频，一种是由人工查看抓拍的图像或者视频进行审核，一种是尝试采用智能算法对抓拍的图像或者视频进行智能审核。
但是，在传统技术中，存在车辆违法视频审核准确率不高的技术问题。
发明内容
基于此，有必要针对传统技术中存在的车辆违法视频审核准确率不高的技术问题，提供一种车辆违法视频的处理方法、装置、计算机设备及存储介质。
一种车辆违法视频的处理方法，所述方法包括：
获取目标车辆的车牌信息和车辆违法视频中的多帧视频图像；
通过目标检测模型对各帧视频图像进行检测，获得所述各帧视频图像中各车辆的位置信息；
根据所述目标车辆的车牌信息和所述各帧视频图像中的各车辆的位置信息确定所述各帧视频图像中目标车辆的位置信息，并根据所述各帧视频图像中目标车辆的位置信息确定所述目标车辆的行驶方向；
通过分割模型对各帧视频图像进行场景分割，获得各帧视频图像分别对应的分割结果，从各帧视频图像分别对应的分割结果中选择像素点个数最大的分割结果作为最终的场景信息，并根据所述最终的场景信息确定所述目标车辆所在车道的导向线类型；
判断所述导向线类型与所述目标车辆的行驶方向是否匹配，若匹配，则判定所述目标车辆不违法。
上述车辆违法视频的处理方法，通过利用多帧视频图像进行检测识别，并对检测识别到的场景信息进行融合，从而利用融合的信息判断目标车辆是否违法，提高了审核准确率。
附图说明
图1为一个实施例中车辆违法视频的处理的应用环境图；
图2为一个实施例中车辆违法视频的处理的流程示意图；
图3为一个实施例中车辆违法视频的处理的流程示意图；
图4为一个实施例中车辆违法视频的处理的流程示意图；
图5为一个实施例中目标车辆的位置的示意图；
图6为一个实施例中车辆违法视频的处理的流程示意图；
图7a为一个实施例中车辆违法视频的处理的流程示意图；
图7b为一个实施例中在视频图像中标示目标车辆位置的示意图；
图7c为一个实施例中在视频图像中标示导向线位置的示意图；
图7d为一个实施例中车道线拟合为直线的示意图；
图8为一个实施例中车辆违法视频的处理装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
请参见图1，本申请一个实施例提供的应用环境的示意图。该应用环境可以包括：第一计算机设备110、第二计算机设备120和图像采集设备130。其中，第一计算机设备110和第二计算机设备120是指具有较强的数据存储和计算能力的电子设备，例如第一计算机设备110、第二计算机设备120可以是PC(Personal Computer，个人计算机)或服务器。通过视频采集设备130对行驶车辆进行视频采集，得到行驶车辆的视频文件，并通过网络连接将行驶车辆的视频文件发送至第一计算机设备110。在对行驶车辆的违法视频进行处理之前，需要技术人员在第二计算机设备120上构建目标检测模型，并通过第二计算机设备120对构建的目标检测模型进行训练。技术人员也可以在第二计算机设备120上构建分割模型，并通过第二计算机设备120对构建的分割模型进行训练。完成训练的目标检测模型、分割模型可以从第二计算机设备120发布至第一计算机设备110中，第一计算机设备110可以获取目标车辆的车牌信息和车辆违法视频中的多帧视频图像；通过目标检测模型对各帧视频图像进行检测，获得各帧视频图像中各车辆的位置信息；根据目标车辆的车牌信息和各帧视频图像中的各车辆的位置信息确定各帧视频图像中目标车辆的位置信息，并根据各帧视频图像中目标车辆的位置信息确定目标车辆的行驶方向；通过分割模型对各帧视频图像进行场景分割，获得各帧视频图像分别对应的分割结果，从各帧视频图像分别对应的分割结果中选择像素点个数最大的分割结果作为最终的场景信息，并根据最终的场景信息确定目标车辆所在车道的导向线类型。判断导向线类型与目标车辆的行驶方向是否匹配，若匹配，则判定目标车辆不违法。可以理解的是，第一计算机设备110也可以采用终端的形式，终端可以是诸如手机、平板电脑、电子书阅读器、多媒体播放设备、可穿戴设备、PC等电子设备。终端通过目标检测模型、分割模型完成车辆违法视频的处理工作。
在一个实施例中，如图2所示，提供了一种车辆违法视频的处理方法，以该方法应用于图1中的第一计算机设备110为例进行说明，包括以下步骤：
S210、获取目标车辆的车牌信息和车辆违法视频中的多帧视频图像。
其中，目标车辆是指需要进行违法审核的机动车辆。车牌信息用于唯一地标识各辆车，可以是车牌号。通过视频采集设备对目标车辆的行驶状态进行视频采集，采集到的视频文件可以保存在视频采集设备本地，也可以通过有线连接方式或者无线连接方式发送至第一计算机设备或者与第一计算机设备通信连接的服务器。且视频文件由多帧连续的视频图像组成。具体地，为了核实目标车辆是否违法，需要获取包括目标车辆图像的多帧视频图像和目标车辆的车牌信息。可以事先从车辆违法视频中获取包括目标车辆图像的多帧视频图像，并将包括目标车辆图像的多帧视频图像保存在第一计算机设备本地或者与第一计算机设备通信连接的服务器。
S220、通过目标检测模型对各帧视频图像进行检测，获得各帧视频图像中各车辆的位置信息。
其中，目标检测模型是指从待检测图像中将感兴趣的目标(比如行驶车辆)分割开来的机器学习模型。比如，目标检测模型可以是基于深度学习的SSD(single shotmultibox detection)目标检测算法模型，SSD可以是通过单个深度神经网络。具体地，从车辆违法视频中获取到的每帧视频图像包括至少一辆行驶车辆和行驶环境等。利用目标检测模型将各行驶车辆车辆检测出来，不仅可以采用矩形框在每帧视频图像中标示出各车辆，并输出每帧视频图像中各车辆的位置信息。
S230、根据目标车辆的车牌信息和各帧视频图像中的各车辆的位置信息确定各帧视频图像中目标车辆的位置信息，并根据各帧视频图像中目标车辆的位置信息确定目标车辆的行驶方向。
具体地，针对某一帧视频图像，利用目标检测模型将各行驶车辆车辆检测出来，检测到的各辆车具有各自的车牌信息，则通过目标车辆的车牌信息从检测到的各辆车中确定目标车辆。并根据目标检测模型输出的各车辆的位置信息确定该帧视频图像中目标车辆的位置信息。出于行驶状态的目标车辆在各时刻具有不同的位置信息，即在各帧视频图像中具有不同的位置信息，目标车辆在各帧视频图像中的位置信息可以反映目标车辆的行驶轨迹和行驶方向。即可根据各帧视频图像中目标车辆的位置信息确定目标车辆的行驶方向。
S240、通过分割模型对各帧视频图像进行场景分割，获得各帧视频图像分别对应的分割结果，从各帧视频图像分别对应的分割结果中选择像素点个数最大的分割结果作为最终的场景信息，并根据最终的场景信息确定目标车辆所在车道的导向线类型。
其中，分割模型是指从待检测图像中将图像中属于不同类别的像素点(比如车道线、导向线、背景类图像)区分开来的机器学习模型。输入一张待检测图像进入分割模型，分割模型输出待检测图像中每个像素点属于背景类图像，还是属于车道线、导向线中的某一类别。利用分割模型对待检测图像进行检测为本领域技术人员公知，在此不再赘述。具体地，将获取的各帧视频图像分别输入至分割模型，利用分割模型对各帧视频图像进行场景分割，获取各帧视频图像分别对应的分割结果，且不同的分割结果对应不同的场景信息。为了确保车辆违法视频的审核的正确性，需要对各帧视频图像的分割结果进行融合以获得比较准确的车道线、导向线、停止线等场景信息，提高车道线、导向线、停止线的分割准确率，为车辆违法视频的审核工作打下基础。对各帧视频图像分割后得到像素点个数不等的分割结果，像素点个数越多，表明该分割结果包括的场景信息越全面。因此，从各帧视频图像分别对应的分割结果中选择像素点个数最大的分割结果作为最终的场景信息。由于分割模型的输出包括导向线的位置信息、车道线的位置信息和导向线类型等，且最终的场景信息可以包括车道线位置信息、导向线位置信息、停止线位置信息中的至少一种的位置信息，还可以包括车道线、导向线、停止线中的至少一种的类别信息，则根据车道线的位置信息和目标车辆的位置信息确定目标车辆所在的车道，并确定目标车辆所在车道的导向线类型。
S250、判断导向线类型与目标车辆的行驶方向是否匹配，若匹配，则判定目标车辆不违法。
具体地，在确定其目标车辆的行驶方向和所在车道的导向线类型后，判断所在车道的导向线类型与行驶方向是否匹配，根据匹配的结果，判断目标车辆是否违法。比如，利用分割模型检测到目标车辆所在的车道的导向线为直行导向线，且目标车辆的行驶方向为直行，则导向线类型与目标车辆的行驶方向匹配，判定目标车辆不违法。
本实施例中，获取目标车辆的车牌信息和车辆违法视频中的多帧视频图像；通过目标检测模型对各帧视频图像进行检测，获得各帧视频图像中各车辆的位置信息；根据目标车辆的车牌信息和各帧视频图像中的各车辆的位置信息确定各帧视频图像中目标车辆的位置信息，并根据各帧视频图像中目标车辆的位置信息确定目标车辆的行驶方向；通过分割模型对各帧视频图像进行场景分割，获得各帧视频图像分别对应的分割结果，从各帧视频图像分别对应的分割结果中选择像素点个数最大的分割结果作为最终的场景信息，并根据最终的场景信息确定目标车辆所在车道的导向线类型；判断导向线类型与目标车辆的行驶方向是否匹配，若匹配，则判定目标车辆不违法。实现了利用多帧视频图像进行检测识别，并对检测识别到信息进行融合，利用融合的信息判断目标车辆是否违法，提高了审核准确率。
在一个实施例中，如图3所示，根据目标车辆的车牌信息和各帧视频图像中的各车辆的位置信息确定各帧视频图像中目标车辆的位置信息，包括以下步骤：
S310、获得第一帧视频图像中各车辆的车牌信息，将检测到的各车辆的车牌信息与目标车辆的车牌信息进行比对，并从检测到的各车辆中确定目标车辆和第一帧视频图像中目标车辆的位置信息；
S320、根据第一帧视频图像中目标车辆的位置信息，从第一帧视频图像中截取第一帧目标车辆图像。
具体地，利用车牌检测识别模型识别第一帧视频图像中各车辆的车牌信息，由于已经获取了目标车辆的车牌信息，将第一帧视频图像中各车辆的车牌信息与目标车辆的车牌信息进行比对，从第一帧视频图像的各车辆中找到与目标车辆车牌信息一致的，则可以从第一帧视频图像的各车辆中确定目标车辆。由于已经通过目标检测模型获取第一帧视频图像中的各车辆的位置信息，则可以确定第一帧视频图像中目标车辆的位置信息，并根据第一帧视频图像中目标车辆的位置信息，从第一帧视频图像中截取或者裁剪第一帧目标车辆图像。其中，目标检测算法指的是利用滑动窗口对第一帧视频图像进行扫描以找出该张图像中所包含的个车辆并计算出各车辆位置的算法。目标检测算法的输出包括各车辆的外接矩形或者各车辆外接矩形框在第一帧视频图像中的坐标。
S330、利用截取的第一帧目标车辆图像和车辆重识别模型对第二帧视频图像中的各车辆进行定位匹配，确定第二帧视频图像中目标车辆的位置信息并截取第二帧目标车辆图像；
S340、利用截取的第二帧目标车辆图像和车辆重识别模型对第三帧视频图像中的各车辆进行定位匹配，确定第三帧视频图像中目标车辆的位置信息并截取第三帧目标车辆图像；
S350、依次类推，执行上述定位匹配的步骤，直至确定最后一帧视频图像中目标车辆的位置信息。
其中，车辆重识别模型(Reid模型)是指利用计算机视觉技术判断图像或者视频序列中是否存在目标车辆的技术。因为目标车辆行驶得越来越远，在某些帧视频图像中可能检测不到车牌信息或者检测到车牌信息却不能准确识别甚至不能识别，所以结合使用目标车辆图像和车辆重识别模型对这些帧视频图像中的目标车辆及目标车辆的位置信息进行检测。
具体地，首先，通过目标检测模型检测车辆违法视频的第一帧视频图像中的目标车辆，并从第一帧视频图像截取或者裁剪第一帧目标车辆图像。其次，利用截取的第一帧目标车辆图像和车辆重识别模型对第二帧视频图像中的各车辆进行定位匹配。在第二帧视频图像中找到与目标车辆最像的第二帧目标车辆，并获取第二帧目标车辆的位置信息，从而根据第二帧目标车辆的位置信息从第二帧视频图像中截取第二帧目标车辆图像。
接着，利用截取的第二帧目标车辆图像和车辆重识别模型对第三帧视频图像中的各车辆进行定位匹配。在第三帧视频图像中找到与第二帧目标车辆最像的第三帧目标车辆，并获取第三帧目标车辆的位置信息，从而根据第三帧目标车辆的位置信息从第三帧视频图像中截取第三帧目标车辆图像。
再接着，利用截取的第三帧目标车辆图像和车辆重识别模型对第四帧视频图像中的各车辆进行定位匹配，在第四帧视频图像中找到与第三帧目标车辆最像的第四帧目标车辆，并获取第四帧目标车辆的位置信息，从而根据第四帧目标车辆的位置信息从第四帧视频图像中截取第四帧目标车辆图像。
依次类推，执行上述定位匹配的步骤，直至确定最后一帧视频图像中目标车辆的位置信息。若从车辆违法视频中获取10帧视频图像，则需要确定第10帧视频图像中目标车辆的位置信息。至此，已经根据目标车辆的车牌信息和各帧视频图像中的各车辆的位置信息确定各帧视频图像中目标车辆的位置信息。
本实施例中，通过目标车辆图像和车辆重识别模型确定车辆违法视频中各帧视频图像中的目标车辆，减弱图像质量对车辆违法视频审核的影响，提升车辆违法视频审核准确率。
在一个实施例中，如图4所示，在根据各帧视频图像中目标车辆的位置信息确定目标车辆的行驶方向之前，该方法还包括以下步骤：
S410、根据各帧视频图像中目标车辆的位置信息，计算相邻两帧视频图像中目标车辆的位移；
S420、根据相邻两帧视频图像中目标车辆的位移，对各帧视频图像进行筛选；
根据各帧视频图像中目标车辆的位置信息确定目标车辆的行驶方向，包括：
S430、根据筛选得到的各帧视频图像中目标车辆的位置信息确定目标车辆的行驶方向。
其中，为了确保证据链的完整性和准确性，从车辆违法视频中获取到的相邻两帧视频图片的时间间隔是比较短的，则相邻两帧视频图像中目标车辆的位移也是比较小的。可以理解的是，相邻两帧视频图片的时间间隔可以根据实际情况而设定。为了提高目标车辆在各帧视频图像中定位的准确性，在利用目标车辆图像和车辆重识别模型确定各帧视频图像中目标车辆的位置信息后，对各帧视频图像中目标车辆的位置信息进行判断，根据判断的结果对各帧视频图像进行筛选。具体地，根据各帧视频图像中目标车辆的位置信息，计算相邻两帧视频图像中目标车辆的位移。若相邻两帧视频图像分别为第N-1帧视频图像和第N帧视频图像，根据相邻两帧视频图像中目标车辆的位移大小可以判断出第N帧视频图像中目标车辆的位置信息是否正确，若第N帧视频图像中目标车辆的位置信息正确，则保留第N帧视频图像，并根据第N帧视频图像中目标车辆的位置信息进行目标车辆行驶方向的判断。若第N帧视频图像中目标车辆的位置信息不正确，则不能再根据第N帧视频图像中目标车辆的位置信息进行目标车辆行驶方向的判断，并删除第N帧视频图像。因此，根据相邻两帧视频图像中目标车辆的位移，判断各帧视频图像是否删除或者保留，即对各帧视频图像进行筛选，得到目标车辆的位置信息较为准确的各帧视频图像。并根据筛选得到的各帧视频图像中目标车辆的位置信息确定目标车辆的行驶方向。
本实施例中，通过根据相邻两帧视频图像中目标车辆的位移，对各帧视频图像进行筛选，提高目标车辆在各帧视频图像中定位的准确性，更加准确地确定目标车辆的行驶方向，提升车辆违法视频审核准确率。
在一个实施例中，相邻两帧视频图像分别为第N-1帧视频图像和第N帧视频图像。根据相邻两帧视频图像中目标车辆的位移，对各帧视频图像中目标车辆进行筛选，包括以下两种情况：若第N-1帧和第N帧视频图像中目标车辆的位移小于位移阈值时，则保留第N帧视频图像和第N帧视频图像中目标车辆的位置信息。若第N-1帧和第N帧视频图像中目标车辆的位移大于位移阈值时，则删除第N帧视频图像。
其中，根据行车速度、相邻两帧视频图像的时间间隔设定位移阈值的大小。具体地，如图5所示，目标车辆510帧在第N视频图像中的位置记为(xn，yn)，则目标车辆510在多帧视频图像中的位置可以依次记为(x1，y1)，(x2，y2)，(x3，y3)...(xn-1，yn-1)，(xn，yn)...位移阈值记为Txy。依次比较第N-1帧视频图像和第N帧视频图像目标车辆的x坐标和y坐标。若|xn-1-xn|＜Txy或者|yn-1-yn|＜Txy，说明相邻两帧视频图像中目标车辆的位移较小，第N视频图像中目标车辆的定位大概率是正确的，则保留第N帧视频图像，并继续利用第N帧视频图像中的目标车辆图像和车辆重识别模型对第N+1帧视频图像中的各车辆进行定位匹配，确定第N+1帧视频图像中目标车辆的位置信息。
若|xn-1-xn|＞Txy或者|yn-1-yn|＞Txy，说明相邻两帧视频图像中目标车辆的位移较大，第N视频图像中目标车辆的定位大概率是错误的，则删除第N帧视频图像。在删除第N帧视频图像后，利用第N-1帧视频图像中的目标车辆图像确定第N+1帧视频图像中目标车辆的位置信息。具体地，利用第N-1帧视频图像中的目标车辆图像和车辆重识别模型对第N+1帧视频图像中的各车辆进行定位匹配，确定第N+1帧视频图像中目标车辆的位置信息，并在第N+1帧视频图像中截取第N+1帧目标车辆图像。
本实施例中，利用相邻两帧视频图像中目标车辆的位移进行目标车辆定位纠错，获取目标车辆在视频图像中比较准确的位置信息，确保目标车辆定位的准确性，从而提升车辆违法视频审核准确率。
在一个实施例中，如图6所示，通过分割模型对各帧视频图像进行场景分割，获得各帧视频图像分别对应的分割结果，从各帧视频图像分别对应的分割结果中选择像素点个数最大的分割结果作为最终的场景信息，包括以下步骤：
S610、通过分割模型对各帧视频图像进行场景分割，获得各帧视频图像分别对应的分割结果；
S620、确定各帧视频图像分别对应的分割结果的像素点个数；
S630、若第N帧视频图像的分割结果的像素点个数大于像素点个数阈值，则保留第N帧视频图像的分割结果；
S640、从被保留的分割结果中选择像素点个数最大的分割结果作为最终的场景信息。
其中，在车辆行驶的情境中，不可避免地存在一些遮挡等因素导致并不是每帧视频图像中的场景信息是全面的。各帧视频图像中包括不同的场景信息，有些帧视频图像中可能包括至少一条车道线和背景类图像，有些帧视频图像中可能包括导向线、车道线和背景类图像，有些帧视频图像中可能包括导向线、车道线、停止线和背景类图像。为了减弱这些遮挡对车辆违法视频的审核，对各帧视频图像的分割结果进行信息融合。
具体地，将获取的各帧视频图像分别输入至分割模型，利用分割模型对各帧视频图像进行场景分割，获取每帧视频图像中可能包含的车道线、导向线、停止线等信息。对各帧视频图像分割后得到像素点个数不等的分割结果，确定各帧视频图像分别对应的分割结果的像素点个数。可以根据实际情况设置像素点个数阈值T,对各帧视频图像分别对应的分割结果进行过滤，若第N帧视频图像的分割结果的像素点个数大于像素点个数阈值，则保留第N帧视频图像的分割结果。当第N帧视频图像的分割结果的像素点个数小于阈值T时，即舍弃该分割结果，从而过滤掉信息不全面的分割结果。在相近帧视频图像的分割结果中，取分割像素点数最大的分割结果作为最终的场景信息。从而得到多帧视频图像分割并信息融合后的车道线、导向线、停止线等信息。本实施例中，通过使用多帧视频图像的综合结果会使得分割结果更加准确。
在一个实施例中，如图7a所示，根据最终的场景信息确定目标车辆所在车道的导向线类型，包括以下步骤：
S710、根据最终的场景信息确定导向线的类别、导向线位置信息以及车道线位置信息；
S720、根据第一帧视频图像中目标车辆的位置信息以及车道线位置信息确定目标车辆所在的车道以及目标车辆两边的车道线；
S730、根据目标车辆两边的车道线的位置信息以及导向线位置信息确定目标车辆所在车道的导向线，并确定目标车辆所在车道的导向线类型。
具体地，通过分割模型对视频图像进行场景分割，可以得到各导向线的类别、各导向线的位置信息和车道线的位置信息，并在视频图像中标示出各个导向线的外接矩形框。通过目标检测模型检测出视频图像中的目标车辆的位置信息。通过计算目标车辆的中心点至车道线的距离，选择距离最近的两条车道线作为目标车辆两边的车道线，目标车辆两边的车道线可以是目标车辆所在的车道的左车道线和右车道线。在视频图像中存在多个导向线，通过分割模型获得各个导向线的位置信息，并确定各个导向线的中心点。计算各个导向线的中心点至两边车道线的距离，选择距离两边车道线最近的导向线作为两边车道线之间的导向线，并识别出该导向线的类型，即可确定目标车辆所在车道的导向线类型。可以理解的是，应该使用同一帧的视频图像确定目标车辆以及导向线类型。本实施例中使用第一帧视频图像确定导向线类型，则同样使用第一帧视频图像确定目标车辆。
示例性地，如图7b和图7c所示，视频图像中包括多条车道线和多个导向线。通过目标检测模型检测中视频图像中的目标车辆，并标示出目标车辆的外接矩形框，将外接矩形框的中心点记为(x，y)。如图7d所示，利用车道线拟合出一条直线，记为y＝k*x+b。视频图像中4条车道线分别表示为y＝k1*x+b1、y＝k2*x+b2、y＝k3*x+b3、y＝k4*x+b4。结合点到直线的距离公式，即利用外接矩形框的中心点(x，y)和4条车道线分别对应的直线计算目标车辆的中心点到各条车道线的距离。目标车辆的中心点到各条车道线的距离具有正负之分，则根据绝对值的大小找出距离目标车辆最近的两条车道线，分别为y＝k1*x+b1和y＝k2*x+b2。即可确定目标车辆所在的车道。
通过分割模型对视频图像进行场景分割，可以得到左转导向线和两个直行导向线的位置信息，并在视频图像中标示出左转导向线和两个直行导向线的外接矩形框，确定左转导向线和两个直行导向线的外接矩形框各自的中心点。计算这三个中心点到左车道线y＝k1*x+b1和右车道线y＝k2*x+b2的距离，因为目标车辆所在车道的导向线外接矩形框的中心点至左车道线和右车道线的距离是最小的，所以根据三个中心点到左车道线和右车道线的距离判定出目标车辆所在车道的导向线，并识别出该导向线的类型。
在一个实施例中，从车辆违法视频中获取多帧视频图像，包括：获取车辆违法视频；从车辆违法视频中等时间间隔地获取多帧视频图像。
其中，通过视频采集设备对目标车辆的行驶状态进行视频采集，采集到的视频文件可以保存在视频采集设备本地，也可以通过有线连接方式或者无线连接方式发送至第一计算机设备或者与第一计算机设备通信连接的服务器。且视频文件由多帧连续的视频图像组成。具体地，从第一计算机设备本地、与第一计算机设备通信连接的服务器或者视频采集设备获取车辆违法视频，车辆违法视频包括多帧连续的视频图像。按照预设的时间间隔从多帧连续的视频图像选择预设数量帧的视频图片，即可得到车辆违法视频中的多帧视频图像。该多帧视频图像可以包括车辆违法视频的第一帧图像，等时间间隔地从车辆违法视频选择等间隔的多帧视频图像。比如选择车辆违法视频的第1帧、第5帧、第9帧、第13帧等。多帧视频图像也可以从除车辆违法视频第一帧图像之外的其它帧视频图像进行选择。比如选择车辆违法视频的第2帧、第7帧、第12帧、第17帧等。比如选择车辆违法视频的第4帧、第10帧、第16帧、第22帧等。
可以理解的是，在选择视频图像时，不能选择目标车辆超出停止线的视频图像，否则无法判断视频图像中的目标车辆来自哪个车道。另外，所取预设数量帧视频图像中相邻两帧视频图像中目标车辆位移比较小。预设的时间间隔可以根据实际情况设定，预设数量帧也可以根据实际情况而定，比如3张、5张、10张或者更多等。
在一个实施例中，该方法还包括：若导向线类型与目标车辆的行驶方向不匹配，则判定目标车辆违法。
具体地，在确定其目标车辆的行驶方向和所在车道的导向线类型后，判断所在车道的导向线类型与行驶方向是否匹配，根据匹配的结果，判断目标车辆是否违法。比如，利用分割模型检测到目标车辆所在的车道的导向线为左转导向线，但目标车辆的行驶方向为直行，则导向线类型与目标车辆的行驶方向不匹配，判定目标车辆违法。
在一个实施例中，本申请提供一种车辆违法视频的处理方法，该方法包括以下步骤：
S802、获取目标车辆的车牌信息和车辆违法视频。
S804、从车辆违法视频中等时间间隔地获取多帧视频图像。
S806、通过目标检测模型对各帧视频图像进行检测，获得各帧视频图像中各车辆的位置信息。
S808、获得第一帧视频图像中各车辆的车牌信息，将检测到的各车辆的车牌信息与目标车辆的车牌信息进行比对，从第一帧视频图像中的各车辆中确定目标车辆和第一帧视频图像中目标车辆的位置信息。
S810、根据第一帧视频图像中目标车辆的位置信息，从第一帧视频图像中截取第一帧目标车辆图像。
S812、利用截取的第一帧目标车辆图像和车辆重识别模型与第二帧视频图像中的各车辆进行定位匹配，确定第二帧视频图像中目标车辆的位置信息并截取第二帧目标车辆图像。
S814、利用截取的第二帧目标车辆图像和车辆重识别模型与第三帧视频图像中的各车辆进行定位匹配，确定第三帧视频图像中目标车辆的位置信息并截取第三帧目标车辆图像。
其中，为了进一步地确保目标车辆定位的准确性，首先，根据各帧视频图像中目标车辆的位置信息，计算相邻两帧视频图像中目标车辆的位移；相邻两帧视频图像分别为第N-1帧视频图像和第N帧视频图像。其次，根据相邻两帧视频图像中目标车辆的位移，对各帧视频图像进行筛选；具体包括：若第N-1帧和第N帧视频图像中目标车辆的位移小于位移阈值时，则保留第N帧视频图像和第N帧视频图像中目标车辆的位置信息；若第N-1帧和第N帧视频图像中目标车辆的位移大于位移阈值时，则删除第N帧视频图像，并利用第N-1帧视频图像中的目标车辆图像和车辆重识别模型对第N+1帧视频图像中的各车辆进行定位匹配，确定第N+1帧视频图像中目标车辆的位置信息，并在第N+1帧视频图像中截取第N+1帧目标车辆图像。
S816、依次类推，执行上述定位匹配的步骤，直至确定最后一帧视频图像中目标车辆的位置信息。
S818、根据筛选得到的各帧视频图像中目标车辆的位置信息确定目标车辆的行驶方向。
S820、通过分割模型对各帧视频图像进行场景分割，获得各帧视频图像分别对应的分割结果；
S822、确定各帧视频图像分别对应的分割结果的像素点个数。
若第N帧视频图像的分割结果的像素点个数大于像素点个数阈值，则保留第N帧视频图像的分割结果。
S824、从被保留的分割结果中选择像素点个数最大的分割结果作为最终的场景信息。
S826、根据最终的场景信息确定导向线的类别、导向线位置信息以及车道线位置信息。
S828、根据第一帧视频图像中目标车辆的位置信息以及车道线位置信息确定目标车辆所在的车道，目标车辆所在的车道包括左车道线和右车道线。
S830、根据左车道线的位置信息、右车道线的位置信息以及导向线位置信息确定目标车辆所在车道的导向线，并确定目标车辆所在车道的导向线类型。
S832、判断导向线类型与目标车辆的行驶方向是否匹配，若匹配，则判定目标车辆不违法。
应该理解的是，虽然上述各实施例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，上述各实施例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，本申请提供一种车辆违法视频的处理装置800，如图8所示，该装置包括：
获取模块810，用于获取目标车辆的车牌信息和车辆违法视频中的多帧视频图像；
检测模块820，用于通过目标检测模型对各帧视频图像进行检测，获得各帧视频图像中各车辆的位置信息；
行驶方向确定模块830，用于根据目标车辆的车牌信息和各帧视频图像中的各车辆的位置信息确定各帧视频图像中目标车辆的位置信息，并根据各帧视频图像中目标车辆的位置信息确定目标车辆的行驶方向；
导向线类型确定模块840，用于通过分割模型对各帧视频图像进行场景分割，获得各帧视频图像分别对应的分割结果，从各帧视频图像分别对应的分割结果中选择像素点个数最大的分割结果作为最终的场景信息，并根据最终的场景信息确定目标车辆所在车道的导向线类型；
违法判断模块850，用于判断导向线类型与目标车辆的行驶方向是否匹配，若匹配，则判定目标车辆不违法。
关于车辆违法视频的处理装置的具体限定可以参见上文中对于车辆违法视频的处理方法的限定，在此不再赘述。上述车辆违法视频的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。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、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆违法视频的处理方法。该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，该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9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，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上述实施例中的方法步骤。
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上述实施例中的方法步骤。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，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。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种车辆违法视频的处理方法，其特征在于，所述方法包括：
获取目标车辆的车牌信息和车辆违法视频中的多帧视频图像；
通过目标检测模型对各帧视频图像进行检测，获得所述各帧视频图像中各车辆的位置信息；
根据所述目标车辆的车牌信息和所述各帧视频图像中的各车辆的位置信息确定所述各帧视频图像中目标车辆的位置信息，并根据所述各帧视频图像中目标车辆的位置信息确定所述目标车辆的行驶方向；
通过分割模型对各帧视频图像进行场景分割，获得各帧视频图像分别对应的分割结果，从各帧视频图像分别对应的分割结果中选择像素点个数最大的分割结果作为最终的场景信息，并根据所述最终的场景信息确定所述目标车辆所在车道的导向线类型；
判断所述导向线类型与所述目标车辆的行驶方向是否匹配，若匹配，则判定所述目标车辆不违法；
其中，所述根据所述目标车辆的车牌信息和所述各帧视频图像中的各车辆的位置信息确定所述各帧视频图像中目标车辆的位置信息，包括：
获得第一帧视频图像中各车辆的车牌信息，将检测到的各车辆的车牌信息与目标车辆的车牌信息进行比对，并从所述检测到的各车辆中确定所述目标车辆和所述第一帧视频图像中目标车辆的位置信息；
根据所述第一帧视频图像中目标车辆的位置信息，从所述第一帧视频图像中截取第一帧目标车辆图像；
利用截取的第一帧目标车辆图像和车辆重识别模型对第二帧视频图像中的各车辆进行定位匹配，确定所述第二帧视频图像中目标车辆的位置信息并截取第二帧目标车辆图像；
利用截取的第二帧目标车辆图像和车辆重识别模型对第三帧视频图像中的各车辆进行定位匹配，确定所述第三帧视频图像中目标车辆的位置信息并截取第三帧目标车辆图像；
依次类推，执行上述定位匹配的步骤，直至确定最后一帧视频图像中目标车辆的位置信息。
2.根据权利要求1所述的方法，其特征在于，在所述根据所述各帧视频图像中目标车辆的位置信息确定所述目标车辆的行驶方向之前，所述方法还包括：
根据所述各帧视频图像中目标车辆的位置信息，计算相邻两帧视频图像中目标车辆的位移；
根据相邻两帧视频图像中目标车辆的位移，对所述各帧视频图像进行筛选；
所述根据所述各帧视频图像中目标车辆的位置信息确定所述目标车辆的行驶方向，包括：
根据筛选得到的各帧视频图像中目标车辆的位置信息确定所述目标车辆的行驶方向。
3.根据权利要求2所述的方法，其特征在于，所述相邻两帧视频图像分别为第N-1帧视频图像和第N帧视频图像；所述根据相邻两帧视频图像中目标车辆的位移，对所述各帧视频图像进行筛选，包括：
若第N-1帧和第N帧视频图像中目标车辆的位移小于位移阈值时，则保留第N帧视频图像和第N帧视频图像中目标车辆的位置信息。
4.根据权利要求3所述的方法，其特征在于，所述根据相邻两帧视频图像中目标车辆的位移，对所述各帧视频图像进行筛选，还包括：若第N-1帧和第N帧视频图像中目标车辆的位移大于位移阈值时，则删除第N帧视频图像；且第N+1帧视频图像中目标车辆的位置信息的确定，包括：
利用第N-1帧视频图像中的目标车辆图像和车辆重识别模型对第N+1帧视频图像中的各车辆进行定位匹配，确定第N+1帧视频图像中目标车辆的位置信息，并在第N+1帧视频图像中截取第N+1帧目标车辆图像。
5.根据权利要求1所述的方法，其特征在于，所述从各帧视频图像分别对应的分割结果中选择像素点个数最大的分割结果作为最终的场景信息，包括：
确定各帧视频图像分别对应的分割结果的像素点个数；
若第N帧视频图像的分割结果的像素点个数大于像素点个数阈值，则保留第N帧视频图像的分割结果；
从被保留的分割结果中选择像素点个数最大的分割结果作为最终的场景信息。
6.根据权利要求1所述的方法，其特征在于，所述根据所述最终的场景信息确定所述目标车辆所在车道的导向线类型，包括：
根据所述最终的场景信息确定导向线的类别、导向线位置信息以及车道线位置信息；
根据第一帧视频图像中目标车辆的位置信息以及车道线位置信息确定所述目标车辆所在的车道以及所述目标车辆两边的车道线；
根据所述目标车辆两边的车道线的位置信息以及所述导向线位置信息确定所述目标车辆所在车道的导向线，并确定所述目标车辆所在车道的导向线类型。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述方法还包括：
若所述导向线类型与所述目标车辆的行驶方向不匹配，则判定所述目标车辆违法。
8.一种车辆违法视频的处理装置，其特征在于，所述装置包括：
获取模块，用于获取目标车辆的车牌信息和车辆违法视频中的多帧视频图像；
检测模块，用于通过目标检测模型对各帧视频图像进行检测，获得所述各帧视频图像中各车辆的位置信息；
行驶方向确定模块，用于根据所述目标车辆的车牌信息和所述各帧视频图像中的各车辆的位置信息确定所述各帧视频图像中目标车辆的位置信息，并根据所述各帧视频图像中目标车辆的位置信息确定所述目标车辆的行驶方向；
导向线类型确定模块，用于通过分割模型对各帧视频图像进行场景分割，获得各帧视频图像分别对应的分割结果，从各帧视频图像分别对应的分割结果中选择像素点个数最大的分割结果作为最终的场景信息，并根据所述最终的场景信息确定所述目标车辆所在车道的导向线类型；
违法判断模块，用于判断所述导向线类型与所述目标车辆的行驶方向是否匹配，若匹配，则判定所述目标车辆不违法；
其中，所述行驶方向确定模块，还用于获得第一帧视频图像中各车辆的车牌信息，将检测到的各车辆的车牌信息与目标车辆的车牌信息进行比对，并从所述检测到的各车辆中确定所述目标车辆和所述第一帧视频图像中目标车辆的位置信息；根据所述第一帧视频图像中目标车辆的位置信息，从所述第一帧视频图像中截取第一帧目标车辆图像；利用截取的第一帧目标车辆图像和车辆重识别模型对第二帧视频图像中的各车辆进行定位匹配，确定所述第二帧视频图像中目标车辆的位置信息并截取第二帧目标车辆图像；利用截取的第二帧目标车辆图像和车辆重识别模型对第三帧视频图像中的各车辆进行定位匹配，确定所述第三帧视频图像中目标车辆的位置信息并截取第三帧目标车辆图像；依次类推，执行上述定位匹配的步骤，直至确定最后一帧视频图像中目标车辆的位置信息。
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7中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的方法的步骤。
CN201910833402.2A 2019-09-04 2019-09-04 车辆违法视频的处理方法、装置、计算机设备及存储介质 Expired - Fee Related CN110533925B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910833402.2A CN110533925B (zh) 2019-09-04 2019-09-04 车辆违法视频的处理方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910833402.2A CN110533925B (zh) 2019-09-04 2019-09-04 车辆违法视频的处理方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN110533925A CN110533925A (zh) 2019-12-03
CN110533925B true CN110533925B (zh) 2020-08-25

Family

ID=68666909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910833402.2A Expired - Fee Related CN110533925B (zh) 2019-09-04 2019-09-04 车辆违法视频的处理方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN110533925B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126286A (zh) * 2019-12-22 2020-05-08 上海眼控科技股份有限公司 车辆动态检测方法、装置、计算机设备及存储介质
CN111178224B (zh) * 2019-12-25 2024-04-05 浙江大华技术股份有限公司 物体规则判断方法、装置、计算机设备和存储介质
CN111260932A (zh) * 2020-01-19 2020-06-09 上海眼控科技股份有限公司 车辆违法行为的确定方法、装置、计算机设备和存储介质
CN111339834B (zh) * 2020-02-04 2023-06-02 浙江大华技术股份有限公司 车辆行驶方向的识别方法、计算机设备及存储介质
CN111540023B (zh) * 2020-05-15 2023-03-21 阿波罗智联(北京)科技有限公司 图像采集设备的监测方法、装置、电子设备及存储介质
CN111476245A (zh) * 2020-05-29 2020-07-31 上海眼控科技股份有限公司 车辆左转违规检测方法、装置、计算机设备和存储介质
CN111652112B (zh) * 2020-05-29 2023-06-30 阿波罗智联(北京)科技有限公司 一种车道流向的识别方法、装置、电子设备及存储介质
CN111737526A (zh) * 2020-06-08 2020-10-02 北京奇虎科技有限公司 交通路况的查询方法、装置、设备及存储介质
CN113807125A (zh) * 2020-06-12 2021-12-17 深圳市丰驰顺行信息技术有限公司 应急车道占用检测方法、装置、计算机设备和存储介质
CN111723775A (zh) * 2020-07-03 2020-09-29 上海眼控科技股份有限公司 图像处理方法、装置、计算机设备和计算机可读存储介质
CN111914669A (zh) * 2020-07-08 2020-11-10 浙江大华技术股份有限公司 一种潮汐车道违章检测方法、装置、电子设备和存储介质
CN111814746A (zh) * 2020-08-07 2020-10-23 平安科技（深圳）有限公司 一种识别车道线的方法、装置、设备及存储介质
CN112183278A (zh) * 2020-09-21 2021-01-05 上海眼控科技股份有限公司 车辆视频的处理方法、装置、计算机设备和存储介质
CN112182289B (zh) * 2020-10-10 2023-04-28 武汉中科通达高新技术股份有限公司 一种基于Flink框架的数据去重方法及装置
CN112270244A (zh) * 2020-10-23 2021-01-26 平安科技（深圳）有限公司 目标物违规监控方法、装置、电子设备及存储介质
CN112712708A (zh) * 2020-12-28 2021-04-27 上海眼控科技股份有限公司 信息检测方法、装置、设备及存储介质
CN113076797B (zh) * 2021-02-24 2022-01-18 江苏濠汉信息技术有限公司 基于智能视频识别的充电站电动车火灾报警方法及系统
CN113361458A (zh) * 2021-06-29 2021-09-07 北京百度网讯科技有限公司 基于视频的目标对象识别方法、装置、车辆及路侧设备
CN114693722B (zh) * 2022-05-31 2022-09-09 山东极视角科技有限公司 一种车辆行驶行为检测方法、检测装置及检测设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206441337U (zh) * 2016-12-30 2017-08-25 上海泓鎏智能科技有限公司 检测交通违章的抓拍装置
CN107577981A (zh) * 2016-07-04 2018-01-12 高德信息技术有限公司 一种道路交通标识识别方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201397576Y (zh) * 2009-04-29 2010-02-03 南京安通杰科技实业有限公司 车辆路口违法变向自动捕捉装置
CN103761877B (zh) * 2014-01-23 2015-11-04 山东鼎讯智能交通科技有限公司 基于雷达触发的闯红灯自动记录系统及方法
CN104992145B (zh) * 2015-06-15 2018-01-16 山东大学 一种矩采样车道跟踪检测方法
CN109427191B (zh) * 2017-09-01 2021-07-09 中移物联网有限公司 一种行驶检测方法及装置
KR102044914B1 (ko) * 2018-01-02 2019-11-14 중앙대학교 산학협력단 영상 처리에 있어서의 객체 재인식을 위한 장치 및 방법
CN109740420B (zh) * 2018-11-22 2020-09-25 深圳市华尊科技股份有限公司 车辆违法识别方法及相关产品
CN109684986B (zh) * 2018-12-19 2022-11-08 新大陆数字技术股份有限公司 一种基于车辆检测跟踪的车辆分析方法及系统
CN109948417A (zh) * 2018-12-31 2019-06-28 上海眼控科技股份有限公司 一种基于深度学习的车辆逆行违法自动审核方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107577981A (zh) * 2016-07-04 2018-01-12 高德信息技术有限公司 一种道路交通标识识别方法及装置
CN206441337U (zh) * 2016-12-30 2017-08-25 上海泓鎏智能科技有限公司 检测交通违章的抓拍装置

Also Published As

Publication number Publication date
CN110533925A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110533925B (zh) 车辆违法视频的处理方法、装置、计算机设备及存储介质
CN110634153A (zh) 目标跟踪模板更新方法、装置、计算机设备和存储介质
WO2021212659A1 (zh) 视频数据处理方法、装置、计算机设备及存储介质
CN110706261A (zh) 车辆违章检测方法、装置、计算机设备和存储介质
CN112085952B (zh) 监控车辆数据方法、装置、计算机设备及存储介质
CN110490902B (zh) 应用于智慧城市的目标跟踪方法、装置、计算机设备
CN110826484A (zh) 车辆重识别的方法、装置、计算机设备及模型训练方法
CN110675637A (zh) 车辆违法视频的处理方法、装置、计算机设备及存储介质
CN112712703A (zh) 车辆视频的处理方法、装置、计算机设备和存储介质
CN111274926B (zh) 图像数据筛选方法、装置、计算机设备和存储介质
CN111192392B (zh) 身份验证方法、装置、计算机设备和计算机可读存储介质
WO2021223116A1 (zh) 感知地图生成方法、装置、计算机设备和存储介质
CN110765952A (zh) 车辆违法视频的处理方法、装置及计算机设备
CN112163348A (zh) 道路异常路面的检测方法、装置、仿真方法、车辆和介质
CN110853060A (zh) 车辆外观检测方法、装置、计算机设备和存储介质
CN111539317A (zh) 车辆违规行驶检测方法、装置、计算机设备和存储介质
CN112580457A (zh) 车辆视频的处理方法、装置、计算机设备和存储介质
CN111091041A (zh) 一种车辆违法判别方法、装置、计算机设备和存储介质
Martin et al. Object of fixation estimation by joint analysis of gaze and object dynamics
CN112489436B (zh) 一种车辆身份识别方法、装置、系统、以及电子装置
CN116884235B (zh) 基于撞线的视频车速检测方法、装置、设备以及存储介质
CN112036232B (zh) 一种图像表格结构识别方法、系统、终端以及存储介质
CN112241705A (zh) 基于分类回归的目标检测模型训练方法和目标检测方法
CN111340837A (zh) 图像处理方法、装置、设备和存储介质
CN111476245A (zh) 车辆左转违规检测方法、装置、计算机设备和存储介质

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Processing method, device, computer equipment and storage medium of vehicle illegal video

Effective date of registration: 20220211

Granted publication date: 20200825

Pledgee: Shanghai Bianwei Network Technology Co.,Ltd.

Pledgor: SHANGHAI EYE CONTROL TECHNOLOGY Co.,Ltd.

Registration number: Y2022310000023

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200825