CN110659539B - 一种信息处理方法、装置及机器可读存储介质 - Google Patents
一种信息处理方法、装置及机器可读存储介质 Download PDFInfo
- Publication number
- CN110659539B CN110659539B CN201810691577.XA CN201810691577A CN110659539B CN 110659539 B CN110659539 B CN 110659539B CN 201810691577 A CN201810691577 A CN 201810691577A CN 110659539 B CN110659539 B CN 110659539B
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- bus
- lane line
- acquisition equipment
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 30
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 191
- 230000006399 behavior Effects 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 238000013135 deep learning Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims description 55
- 230000011218 segmentation Effects 0.000 claims description 53
- 238000013145 classification model Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000010339 dilation Effects 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 12
- 238000012706 support-vector machine Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种信息处理方法、装置及机器可读存储介质，该方法包括：基于第一深度学习算法对视频图像进行车道线检测，以得到车道线检测数据；基于第二深度学习算法对视频图像进行目标检测，以得到目标检测数据；当根据所述车道线检测数据确定车载视频采集设备处于公交专用车道时，根据车道线检测数据以及目标检测数据确定是否存在非法占用公交专用车道行为；若存在，则对存在非法占用公交专用车道行为的目标车辆进行抓拍，以生成所述目标车辆非法占用公交专用车道取证信息。该方法可以提高非法占用公交专用车道的检测效率和准确率。
Description
技术领域
本申请涉及智能交通技术，尤其涉及一种信息处理方法、装置及机器可读存储介质。
背景技术
公交专用车道是指专门为公交车设置的独立路权车道，属于城市交通网络建设配套基础设施。
目前，很多城市都设置了公交专用车道，但是随着汽车数量的快速增长，社会车辆占用公交专用车道的现象日益严重，光靠人工监控和固定摄像头监控会耗费大量人力物力，不仅效率低，而且容易出现误判、漏判。
因此，如何准确、高效地实现占用公交专用车道检测成为当今智能交通领域亟待解决的技术问题。
发明内容
有鉴于此，本申请提供一种信息处理方法、装置及机器可读存储介质。
具体地，本申请是通过如下技术方案实现的：
根据本申请实施例的第一方面，提供一种信息处理方法，应用于车载视频采集设备，包括：
基于第一深度学习算法对视频图像进行车道线检测，以得到车道线检测数据；
基于第二深度学习算法对视频图像进行目标检测，以得到目标检测数据；
当根据所述车道线检测数据确定所述车载视频采集设备处于公交专用车道时，根据所述车道线检测数据以及所述目标检测数据确定是否存在非法占用公交专用车道行为；
若存在，则对存在非法占用公交专用车道行为的目标车辆进行抓拍，以生成所述目标车辆非法占用公交专用车道取证信息。
根据本申请实施例的第二方面，提供一种信息处理装置，应用于车载视频采集设备，其特征在于，所述装置包括：
车道线检测单元，用于基于第一深度学习算法对视频图像进行车道线检测，以得到车道线检测数据；
目标检测单元，用于基于第二深度学习算法对视频图像进行目标检测，以得到目标检测数据；
行为判定单元，用于根据所述车道线检测数据确定所述车载视频采集设备是否处于公交专用车道；
所述行为判定单元，还用于当所述车载视频采集设备处于公交专用车道时，根据所述车道线检测数据以及所述目标检测数据确定是否存在非法占用公交专用车道行为；
抓拍单元，还用于当存在非法占用公交专用车道行为时，对存在非法占用公交专用车道行为的目标车辆进行抓拍，以生成所述目标车辆非法占用公交专用车道取证信息。
根据本申请实施例的第三方面，提供一种信息处理装置，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：
基于第一深度学习算法对视频图像进行车道线检测，以得到车道线检测数据；
基于第二深度学习算法对视频图像进行目标检测，以得到目标检测数据；
当根据所述车道线检测数据确定所述车载视频采集设备处于公交专用车道时，根据所述车道线检测数据以及所述目标检测数据确定是否存在非法占用公交专用车道行为；
若存在，则对存在非法占用公交专用车道行为的目标车辆进行抓拍，以生成所述目标车辆非法占用公交专用车道取证信息。
根据本申请实施例的第四方面，提供一种机器可读存储介质，其特征在于，存储有机器可执行指令，在被处理器调用和执行时，所述机器可执行指令促使所述处理器：
基于第一深度学习算法对视频图像进行车道线检测，以得到车道线检测数据；
基于第二深度学习算法对视频图像进行目标检测，以得到目标检测数据；
当根据所述车道线检测数据确定所述车载视频采集设备处于公交专用车道时，根据所述车道线检测数据以及所述目标检测数据确定是否存在非法占用公交专用车道行为；
若存在，则对存在非法占用公交专用车道行为的目标车辆进行抓拍，以生成所述目标车辆非法占用公交专用车道取证信息。
本申请实施例的信息处理方法，通过基于第一深度学习算法对视频图像进行车道线检测，以得到车道线检测数据，并基于第二深度学习算法对视频图像进行目标检测，以得到目标检测数据；进而，当根据车道线检测数据确定车载视频采集设备处于公交专用车道时，根据车道线检测数据以及目标检测数据确定是否存在非法占用公交专用车道行为，若存在，则对存在非法占用公交专用车道行为的目标车辆进行抓拍，以生成该目标车辆非法占用公交专用车道取证信息，实现了非法占用公交专用车道的自动检测，提高了非法占用公交专用车道的检测的效率，由于基于深度学习算法进行车道线检测和目标检测，因此，可以提高车道线检测和目标检测的检出率和有效率，进而，可以提高非法占用公交专用车道检测的准确率；此外，由于在车载摄像头处于公交专用车道时再进行非法占用公交专用车道检测，进一步提高了非法占用公交专用车道检测的准确率和可靠性。
附图说明
图1是本申请一示例性实施例示出的一种信息处理方法的流程图；
图2是本申请一示例性实施例示出的一种确定车道线ROI区域的流程图；
图3是本申请一示例性实施例示出的一种车道线拟合的流程图；
图4是本申请一示例性实施例示出的一种信息处理装置的结构示意图；
图5是本申请又一示例性实施例示出的一种信息处理装置的结构示意图；
图6A是本申请一示例性实施例示出的一种车道线检测单元的结构示意图；
图6B是本申请一示例性实施例示出的一种语义分割模块的结构示意图；
图6C是本申请一示例性实施例示出的一种车道线拟合模块的结构示意图；
图6D是本申请一示例性实施例示出的一种线颜色分类模块的结构示意图；
图6E是本申请一示例性实施例示出的一种目标检测单元的结构示意图；
图6F是本申请一示例性实施例示出的一种车牌识别单元的结构示意图；
图6G是本申请一示例性实施例示出的一种行为判定单元的结构示意图；
图7是本申请一示例性实施例示出的一种信息处理装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请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。
为了使本领域技术人员更好地理解本申请实施例提供的技术方案，使本申请实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请实施例中技术方案作进一步详细的说明。
请参见图1，为本申请实施例提供的一种信息处理方法的流程示意图，其中，该信息处理方法可以应用于智能交通系统中的车载视频采集设备(下文中以车载摄像头为例)，如图1所示，该方法可以包括以下步骤：
步骤S100、基于第一深度学习算法对视频图像进行车道线检测，以得到车道线检测数据。
本申请实施例中，为了提高车道线的检出率和有效率，车载摄像头可以基于深度学习算法(本文中称为第一深度学习算法)对所采集的每一帧视频图像进行车道线检测，以得到车道线检测数据。
其中，该车道线检测数据可以包括但不限于车道线方程以及车道线颜色等。
在本申请其中一个实施例中，上述基于第一深度学习算法对视频图像进行车道线检测，以得到车道线检测数据，可以包括：
基于语义分割算法对视频图像进行车道线区域分割；
对车道线区域进行车道线拟合，以得到车道线方程；
对车道线区域进行颜色识别，以得到车道线颜色。
在该实施例中，对于车载摄像头采集的每一帧视频图像，车载摄像头可以基于语义分割算法对该视频图像进行车道线区域分割，得到分割后的车道线区域。
得到分割后的车道线区域之后，车载摄像头一方面可以对车道线区域进行车道线拟合，以得到车道线方程；另一方面可以对车道线区域进行颜色识别，以得到车道线颜色。
在一个示例中，为了实现基于语义分割算法对视频图像进行车道线区域分割，可以预先根据语义分割标定规则制定标定文档，进行样本整理及样本标定，采用逐像素标定方式，对样本中的车道线的轮廓进行标定。
其中，为了提高训练的有效性，可以整理预设数量的(可以根据实际场景设定，如5万、10万等)不同光照强度，不同时间段，不同架设，不同场景的公交车道图片样本，并对图片样本中的车道线区域、背景共2类区域进行标定。
完成样本标定之后，可以根据已标定的样本图片进行语义分割模型训练。
例如，可以基于caffe环境，采用segnet网络结构迭代20万次，以使网络收敛，以得到语义分割模型。
完成语义分割模型训练之后，车载摄像头可以利用训练好的语义分割模型对视频图像进行车道线区域分割。
具体地，对于所采集的每一帧视频图像，车载摄像头可以利用训练好的语义分割模型将该帧视频图像转换为RGB(Red，Green，Blue，红绿蓝)格式，并利用segnet分割算法解析得到当前帧视频图像的车道线区域。
在该实施例的一种实施方式中，上述对车道线区域进行车道线拟合，以得到车道线方程，可以包括：
根据GPS(Global Positioning System，全球定位系统)信息以及车载摄像头朝向确定分割图中的车道线ROI(Region of Interest，感兴趣区域)区域；
依次对分割图进行二值化、ROI区域外清零、形态学膨胀腐蚀以及CCL(ConnectedComponent Analysis-Labeling，连通域分析)处理；
对处理后的分割图进行车道线拟合，以得到车道线方程。
在该实施方式中，考虑到车道线检测的目的是为了判定车载摄像头是否处于公交专用车道(即车载摄像头所安装的公交车是否处于公交专用车道)，以及判定是否存在非法占用公交专用车道行为，因此，进行车道线检测时，可以不需要对视频图像中的所有车道线进行检测，而是可以仅检测用于实现上述目的的部分车道线。
相应地，在该实施方式中，车载摄像头在进行车道线拟合之前，可以先根据GPS信息以及车载摄像头朝向确定视频图像中的车道线ROI区域。
在一个示例中，上述根据GPS信息以及车载摄像头朝向确定分割图中的车道线ROI区域，可以包括：
当根据GPS信息确定车载视频采集设备的预设距离范围内存在公交车专用车道，且车载视频采集设备的朝向为车头方向时，若公交专用车道为最左侧车道，则将视频图像中右侧车道线区域确定为车道线ROI区域；若公交专用车道为最右侧车道，则将视频图像中左侧车道线区域确定为车道线ROI区域；或者，
当根据GPS信息确定车载视频采集设备的预设距离范围内存在公交专用车道，且车载视频采集设备的朝向为车尾方向时，若公交专用车道为最左侧车道，则将视频图像中左侧车道线区域确定为车道线ROI区域；若公交专用车道为最右侧车道，则将视频图像中右侧车道线区域确定为车道线ROI区域。
具体地，在该示例中，考虑到实际场景中，公交专用车道通常为道路上最右侧车道或最左侧车道，而当公交专用车道为最右侧车道，仅需确定车辆位于公交专用车道的左侧车道线的右侧，即可确定车辆位于公交专用车道；同理，当公交专用车道为最左侧车道时，仅需确定车辆位于公交专用车道的右侧车道线的左侧，即可确定车辆位于公交专用车道。
相应地，在该示例中，为了确定车道线ROI区域，车载摄像头可以先根据GPS信息确定附近(如预设距离范围内，该预设距离根据实际场景确定)是否存在公交专用车道，若不存在，则不需要进行非法占用公交专用车道检测。
若存在公交专用车道，则车载摄像头可以进一步确定是否存在公交专用车道的车道号信息。
若存在公交专用车道的车道号信息，则车载摄像头可以根据该公交专用车道的车道号信息确定公交专用车道为最右侧车道或最左侧车道。
在该示例中，考虑到根据车道号确定的公交专用车道为最右侧车道或最左侧车道是相对车辆正常行驶方向的，但是，当车载摄像头安装在车尾时，即车载摄像头的朝向为车尾方向时，视频图像中左右与实际场景中(即相对车辆正常行驶方向)的左右是相反地，因此，在确定车道线ROI区域时，还需要考虑车载摄像头的朝向。
相应地，在该示例中，当车载摄像头的朝向为车头方向时，若公交车道为最左侧车道，则车载摄像头可以将视频图像中右侧车道线区域确定为车道线ROI区域，例如，车载摄像头可以将视频图像的右半部分确定为车道线ROI区域，或将视频图像右下1/4部分(将视频图像按照水平对称轴和竖直对称轴等分为4部分后的右下部分)确定为车道线ROI区域；若公交车道为最右侧车道，则车载摄像头可以将视频图像中左侧车道线区域确定车道线ROI区域，例如，车载摄像头可以将视频图像的左半部分确定为车道线ROI区域，或将视频图像左下1/4部分确定为车道线ROI区域。
当车载摄像头的朝向为车尾方向时，若公交专用车道为最左侧车道，则将视频图像中左侧车道线区域确定为车道线ROI区域；若公交专用车道为最右侧车道，则将视频图像中右侧车道线区域确定为车道线ROI区域。
需要说明的是，在该示例中，当存在公交专用车道，但不存在公交专用车道的车道号信息时，即不确定公交专用车道为最左侧车道或最右侧车道时，车载摄像头可以将视频图像中的左侧车道线区域确定为车道线ROI区域。
其中，确定车道线ROI区域的流程示意图可以如图2所示。
在该实施方式中，车载摄像头确定了车道线ROI区域之后，可以依次对分割图进行二值化、ROI区域外清零、形态学膨胀腐蚀以及CCL处理，并对处理后的分割图进行车道线拟合，以得到车道线方程。
例如，车载摄像头可以遍历获取用于拟合车道线的点，并利用ransac(RandomSample Consensus，随机抽样一致性)拟合算法拟合出车道线方程。
具体地，对于处理后的分割图中的任一连通域，车载摄像头可以按照由上到下的顺序，从连通域的上边界开始向连通域下边界进行逐行扫描；对于任一行，车载摄像头可以按照从左至右的顺序，从该行的左端点扫描至右端点，若该行的行宽(即该行中点的数量)满足预设行宽阈值(可以根据实际场景设定)，则将该连通域的行数+1，并开始扫描下一行；否则，保持连通域的行数不变，并开始扫描下一行，直至扫描到连通域的下边界。
当车载摄像头扫描到该连通域的下边界时，车载摄像头可以判断该连通域的行数是否满足预设行数阈值(可以根据实际场景设定)，若满足，则由边界点计算车道线中心点集，通过利用ransac拟合算法拟合出车道线方程，存储该连通域对应的车道线方程，并处理下一个连通域；否则，确定该连通域中不存在车道线，处理下一个连通域。
其中，车载摄像头进行车道线拟合的流程示意图可以如图3所示。
在该实施例的一种实施方式中，上述对车道线区域进行颜色识别，以得到车道线颜色，可以包括：
提取车道线区域的HSV(Hue,Saturation,Value，色调、饱和度、明度)特征矢量；
利用预先训练的颜色分类模型，根据所述HSV特征矢量确定该车道线区域的车道线颜色。
在该实施方式中，为了实现车道线颜色识别，可以预先整理预设数量的(可以根据实际场景设定，如2万、5万等)不同时间段，不同天气，不同架设，不同场景的图片样本，并对图片样本中的黄色车道线、白色车道线共2类目标进行标定，标定结果为拟合直线轮廓的多矩形。
完成样本标定之后，可以根据已标定的样本图片进行颜色分类模型训练。
具体地，对于任一样本图片，可以对预先标定的车道线区域进行HSV特征矢量提取，并根据所提取的HSV特征矢量进行颜色分类模型训练。
在一个示例中，上述提取车道线区域的HSV特征矢量，可以包括：
对于视频图像中的任一车道线区域，对车道线区域按照由上到下的顺序，逐行由左边界点遍历到由边界点；
对于任一点，将H、S、V三个分量的值归一化到0～255；
分别确定H、S、V分量值的第一类型维度特征向量；其中，第一类型维度的数值小于等于255；
将第一类型维度特征向量映射为第二类型维度特征向量；其中，第二类型维度＝第一类型维度的立方+第一类型维度的平方+第一类型维度；
将该车道线区域内所有点的第二类型维度特征向量归一化到0～1，以得到该车道线区域的HSV特征矢量。
举例来说，以第一特征维度为20维度，第二特征维度为8420维度为例，车道线区域的HSV特征矢量提取可以包括以下步骤：
step(步骤)1：对车道线区域按照由上到下的顺序，逐行由左边界点遍历到下边界点，进行step2～step4处理，直至所有点遍历处理完成进行step5；
step2：将H、S、V三个分量的值归一化到0～255；
step3：确定特征向量H-20维、S-20维、V-20维；
具体地，统计车道线区域所有点H分量值所在具体维度数：第0维度255/20*0～255/20*1，第1维度255/20*1～255/20*2……第19维度255/20*19～255/20*20；统计车道线区域所有点S分量值所在具体维度数：第0维度255/20*0～255/20*1，第1维度255/20*1～255/20*2……第19维度255/20*19～255/20*20；统计车道线区域所有点V分量值所在具体维度数：第0维度255/20*0～255/20*1，第1维度255/20*1～255/20*2……第19维度255/20*19～255/20*20；
step4：将特征向量H-20维、S-20维、V-20维映射到8420维；
具体地，对任一点，HN代表该点H分量所在维度数，SN代表该点S分量所在维度数，VN代表该点V分量所在维度数。计算N＝HN*SN*VN+SN*VN+VN，其中，N为特征序号，按这种方式遍历所有点获得8420维HSV特征矢量。
sep5：将8420维特征矢量归一化到0～1之间，各维度值除以点总数即可，获得用于训练检测的HSV特征矢量。
在该实施方式中，完成颜色分类模型训练之后，车载摄像头可以利用训练好的颜色分类模型对车道线区域进行颜色识别。
例如，车载摄像头可以将训练好的颜色分类模型集成到SVM(Support VectorMachine)，对于任一帧分割图，可以按照上述方式提取车道线区域的HSV特征矢量，并将所提取的HSV特征矢量输入到该SVM分类工程，以得到对应的车道线颜色，即黄色或白色。其中，黄色车道线即为公交车道线，白色即为正常非公交车道线。
步骤S110、基于第二深度学习算法对视频图像进行目标检测，以得到目标检测数据。
本申请实施例中，为了提高目标检测的检出率和有效率，车载摄像头可以基于深度学习算法(本文中称为第二深度学习算法)对视频图像进行目标检测，以得到目标检测数据。
其中，该目标检测数据可以包括但不限于目标类别以及目标位置等；其中，该目标类别可以包括公交车或非公交车，非公交车可以具体包括但不限于小车、卡车或货车等。
在一个示例中，为了实现基于第二深度学习算法对视频图像进行目标检测，可以预先整理预设数量(可以根据实际场景设定，如20万、30万等)不同时间段，不同天气，不同架设，不同场景的图片样本，并对图片样本中的小车、卡车、货车、公交车共4类目标进行标定，标定结果为各目标外接矩形。
完成样本标定之后，可以根据已标定的样本图片进行目标检测模型训练。
例如，可以基于caffe环境，采用fasterrcnn网络结构迭代100万次，以使网络收敛，以得到目标检测模型。
完成目标检测模型训练之后，车载摄像头可以利用训练好的目标检测模型对视频图像进行目标检测。
例如，车载摄像头可以通过调用训练好的目标检测模型将所采集的任一帧视频图像转换为RGB格式，并传输给fasterrcnn检测算法，最终解析并得到当前帧视频图像中的所有目标的目标类别，以及在视频图像中的位置(如目标外接矩形在视频图像中的位置)。
需要说明的是，在本申请实施例中，步骤S100和步骤S110之间并不存在必然的时序关系，即可以按照上述方法流程中所描述的先执行步骤S100中的操作，后执行步骤S110中的操作；或者，也可以先执行步骤S110中的操作，后执行步骤S100中的操作；或者，还可以并发执行步骤S100和步骤S110中的操作。
步骤S120、当根据车道线检测数据确定车载视频采集设备处于公交车专用车道时，根据车道线检测数据以及目标检测数据确定是否存在非法占用公交专用车道行为。若存在，转至步骤S130；否则，结束当前流程。
本申请实施例中，考虑到当车载摄像头未处于公交专用车道(即车载摄像头所安装的公交车未处于公交专用车道，下同)时，进行非法占用公交专用车道行为检测很容易出现误检，因此，为了保证非法占用公交专用车道行为检测的准确率，需要在车载摄像头处于公交专用车道时，进行非法占用公交专用车道行为检测，
相应地，在本申请实施例中，车载摄像头得到车道线检测数据之后，可以根据车道线检测数据确定车载摄像头是否处于公交专用车道线，以确定是否需要进行非法占用公交专用车道行为检测。
在本申请其中一个实施例中，上述根据车道线检测数据确定车载摄像头处于公交专用车道，包括：
根据车载视频采集设备与车道线之间的位置关系以及车道线的颜色，确定所述车载视频采集设备处于公交专用车道。
在该实施例中，考虑到当公交专用车道为最右侧车道，且公交车在公交专用车道中行驶时，公交车必定处于公交专用车道的左侧车道线的右侧；同理，当公交专用车道为最左侧车道，且公交车在公交专用车道中行驶时，公交车必定处于公交专用车道的右侧车道线的左侧，因此，可以根据车载视频采集设备与车道线之间的位置关系以及车道线的颜色，确定车载视频采集设备处于公交专用车道。
在一个示例中，上述根据车载视频采集设备与车道线之间的位置关系以及车道线的颜色，确定车载视频采集设备处于公交专用车道，包括：
当车载摄像头的朝向为车头方向，且公交专用车道为最左侧车道时，若视频图像中最靠近车载摄像头的右车道线的颜色为黄色，则确定车载摄像头处于公交专用车道；或者，
当车载摄像头的朝向为车头方向，且公交专用车道为最右侧车道时，若视频图像中最靠近车载摄像头的左侧车道线的颜色为黄色，则确定车载摄像头处于公交专用车道；或者，
当车载摄像头的朝向为车尾方向，且公交专用车道为最左侧车道时，若视频图像中最靠近车载摄像头的左侧车道线的颜色为黄色，则确定车载摄像头处于公交专用车道；或者，
当车载摄像头的朝向为车尾方向，且公交专用车道为最右侧车道时，若视频图像中最靠近车载摄像头的右侧车道线的颜色为黄色，则确定车载摄像头处于公交专用车道。
具体地，考虑到当公交专用车道为最右侧车道，且公交车在公交专用车道中行驶时，公交车必定处于公交专用车道的左侧车道线的右侧；同理，当公交专用车道为最左侧车道，且公交车在公交专用车道中行驶时，公交车必定处于公交专用车道的右侧车道线的左侧，因此，可以根据公交专用车道为最右侧车道或最左侧车道，并结合视频图像中最靠近车载摄像头的左侧车道线或右侧车道线的颜色确定车载摄像头是否处于公交专用车道。
此外，又考虑到当车载摄像头安装于车尾，即车载摄像头的朝向为车尾方向时，视频图像中的左右与车辆实际行驶方向的左右相反，因此，在确定车载摄像头是否处于公交专用车道时，还需要考虑车载摄像头的朝向。
相应地，在该实施例中，当车载摄像头的朝向为车头方向，且公交专用车道为最左侧车道时，车载摄像头可以根据所得到的各车道线的车道线方程确定视频图像中最靠近车载摄像头的右侧车道线。
其中，以视频图像的左下角顶点为坐标原点，水平向右为x轴正方向，竖直向上为y轴正方向(下同)，则视频图像中最靠近车载摄像头的右侧车道线为车道线方程的斜率为负值，且车道线方程与x轴的交点的横坐标值最小的车道线。
车载摄像头确定了视频图像中最靠近车载摄像头的右侧车道线之后，可以进一步获取该车道线的颜色，若为黄色，则确定车载摄像头处于公交专用车道；若为白色，则确定车载摄像头未处于公交专用车道。
同理，当车载摄像头的朝向为车头方向，且公交专用车道为最右侧车道时，若视频图像中最靠近车载摄像头的左侧车道线的颜色为黄色，则确定车载摄像头处于公交专用车道；若视频图像中最靠近车载摄像头的左侧车道线的颜色为白色，则确定车载摄像头未处于公交专用车道。
其中，视频图像中最靠近车载摄像头的左侧车道线为车道线方程的斜率为正值，且车道线方程与x轴的交点的横坐标值最大的车道线。
当车载摄像头的朝向为车尾方向，且公交专用车道为最左侧车道时，若视频图像中最靠近车载摄像头的左侧车道线的颜色为黄色，则确定车载摄像头处于公交专用车道；若视频图像中最靠近车载摄像头的左侧车道线的颜色为白色，则确定车载摄像头未处于公交专用车道；
当车载摄像头的朝向为车尾方向，且公交专用车道为最右侧车道时，若视频图像中最靠近车载摄像头的右侧车道线的颜色为黄色，则确定车载摄像头处于公交专用车道；若视频图像中最靠近车载摄像头的右侧车道线的颜色为白色，则确定车载摄像头未处于公交专用车道。
需要说明的是，为了提高车载摄像头是否处于公交专用车道的判定的准确性，车载摄像头可以在根据连续预设数量(可以根据实际场景设定，如5帧、10帧等)的视频图像均确定车载摄像头处于公交专用车道时，确定车载摄像头处于公交专用车道。
本申请实施例中，当车载摄像头处于公交专用车道时，车载摄像头可以启动非法占用公交专用车道抓拍，此时，车载摄像头可以根据车道线检测数据以及目标检测数据确定是否存在非法占用公交专用车道行为。
在本申请其中一个实施例中，上述根据车道线检测数据以及目标检测数据确定是否存在非法占用公交专用车道行为，包括：
确定所述视频图像中是否存在类型为非公交车的目标车辆；
若存在，则根据该目标车辆与车道线之间的位置关系以及车道线的颜色，确定该目标车辆是否存在非法占用公交车道行为。
在该实施例中，车载摄像头开启非法占用公交专用车道抓拍之后，可以根据视频图像的目标检测数据确定视频图像中是否存在类别为非公交车的目标车辆(如小车、卡车或货车等)。
若存在，则可以进一步根据该目标车辆与车道线之间的位置关系以及车道线的颜色，确定该目标车辆是否存在非法占用公交车道行为。
其中，若存在多个类别为非公交车的目标车辆，则需要分别对每一个目标车辆进行是否存在非法占用公交车道行为的判断。
若不存在类别为非公交车的目标车辆，则可以确定当前不存在非法占用公交专用车道行为。
在一个示例中，上述根据该目标车辆与车道线之间的位置关系以及车道线的颜色，确定该目标车辆是否存在非法占用公交车道行为，包括：
当车载摄像头的朝向为车头方向，且公交专用车道为最左侧车道时，若视频图像中存在目标车辆的类别为非公交车，且目标车辆的车牌的中心位于公交专用车道的右侧车道线的左侧，则确定该目标车辆非法占用公交车专用车道；或者，
当车载摄像头的朝向为车头方向，且公交专用车道为最右侧车道时，若视频图像中存在目标车辆的类别为非公交车，且目标车辆的车牌的中心位于公交专用车道的左侧车道线的右侧，则确定该目标车辆非法占用公交车专用车道；或者，
当车载摄像头的朝向为车尾方向，且公交专用车道为最左侧车道时，若视频图像中存在目标车辆的类别为非公交车，且目标车辆的车牌的中心位于公交专用车道的左侧车道线的右侧，则确定该目标车辆非法占用公交车专用车道；或者，
当车载摄像头的朝向为车头方向，且公交专用车道为最右侧车道时，若视频图像中存在目标车辆的类别为非公交车，且目标车辆的车牌的中心位于公交专用车道的右侧车道线的左侧，则确定该目标车辆非法占用公交车专用车道。
具体地，车载摄像头确定视频图像中存在类别为非公交车的目标车辆之后，可以进步一根据目标车辆的车牌的中心的位置与公交专用车道的车道线方程确定目标车辆是否非法占用公交专用车道。
需要说明的是，在本申请实施例中，为了降低车载摄像机的负荷，车载摄像机可以在根据车道线检测数据确定车载摄像头处于公交专用车道时，再进行目标检测，并根据车道线检测数据以及目标检测数据进行非法占用公交专用车道检测，其具体实现在此不做赘述。
步骤S130、对存在非法占用公交专用车道行为的目标车辆进行抓拍，以生成该目标车辆非法占用公交车专用车道取证信息。
本申请实施例中，当车载摄像头确定存在非法占用公交专用车道行为时，车载摄像头可以对非法占用公交专用车道的目标车辆进行抓拍，以生成该目标车辆非法占用公交专用车道取证信息。
本申请实施例中，为了提高非法占用公交专用车道取证信息的可靠性，对于非法占用公交专用车道的目标车辆，车载摄像头可以进行多次抓拍，并根据多次抓拍得到的目标车辆的抓拍图像生成非法占用公交专用车道取证信息。
相应地，在本申请其中一个实施例中，上述进行抓拍，以生成非法占用公交专用车道取证信息，可以包括：
当确定目标车辆非法占用公交专用车道时，对目标车辆进行车牌识别，并根据目标车辆的车牌信息对目标车辆进行跟踪抓拍，以得到目标车辆的预设数量的抓拍图像，并将该预设数量的抓拍图像作为取证图像上传后台服务器；其中，该预设数量的抓拍图像的抓拍时间差大于等于预设时间阈值。
在一个示例中，车载视频采集设备可以将该预设数量的抓拍图像按照预设规则拼图上传后台服务器。
在该实施例中，当确定目标车辆非法占用公交专用车道时，可以对目标车辆进行车牌识别。
在一个示例中，车载摄像头可以根据目标检测数据中包括的目标车辆的类别和位置确定车牌识别区域。
其中，由于车载摄像头架设视角在一定范围内，且车牌位置与车辆位置之间相对固定，因此，车牌识别区域通常为车辆区域底半部分。
确定了车牌识别区域之后，车载摄像头可以在车牌识别区域内，提取框内跳变次数特征、颜色特征、HOG(Histogram of Oriented Gradient，方向梯度直方图)特征等，提取车牌识别区域中的车牌区域。
确定了车牌区域之后，车载摄像头可以查询每个字符的左右边界，对车牌区域内的每个字符进行分割，便于后续识别；进而，车载摄像头可以将分割后的字符尺寸、亮度归一化，分别送到预先训练的神经网络分类器，由神经网络分类器将其归到某一类，再将字符识别结果组合成字符串，最终得到目标车辆的车牌信息。
在该实施例的一种实施方式中，为了提高车牌识别的准确性，可以对连续多帧包括目标车辆的视频图像进行针对目标车辆的车牌识别，分别得到各帧视频图像对应目标车辆的车牌识别结果以及置信度，并将该连续多帧视频图像的目标车辆的车牌识别结果中置信度最高的车牌识别结果确定为目标车辆的车牌识别结果。
在该实施例中，车载摄像头确定了目标车辆的车牌信息之后，可以根据目标车辆的车牌信息对目标车辆进行跟踪抓拍，以得到目标车辆的预设数量的抓拍图像，并按照预设规则拼图上传后台服务器；其中，该预设数量的抓拍图像的抓拍时间差可以大于等于预设时间阈值(可以根据实际场景设定)。
在一个示例中，非法占用公交车道取证信息可以包括4张抓拍图，前3张提供目标车辆行驶在公交专用车道的全景，第4张是包括目标车辆整个车身的车牌特写图片。其中：
前3张图片中，目标车辆大部分车体位于公交专用车道内；
前3张图片中，车牌清晰可见；
前3张图片中，任意两张图片的抓拍时间之间有一定的时间间隔(可设置)，实际抓拍的时间间隔可以大于设置的时间间隔；
前3张图片中，要有公交车道的明显证据，即清晰的车道线(这一点视需求而定)；
第4张车牌特写图片包括整个目标车辆，从前3张图片任意一张中抠取(缺省是第三张)。
需要说明的是，在本申请实施例中，为了保证拍摄效果，以提高车道线检测和目标检测的准确率，部署车载摄像头时，可以优选地保证在视频最底端，车道线宽度能绝大部分位于图像内，最好是当车载摄像头所在车辆行驶在公交专用车道时，左边车道线底端点能与图像左下角顶点重合，右边车道线底端点能与图像右下角顶点重合，并优选地保证相机与视野底边界连线与路面的夹角(即俯仰角)为30～90度，其具体实现在此不做赘述。
本申请实施例中，通过基于深度学习算法对视频图像进行车道线检测，以得到车道线检测数据，并基于深度学习算法对视频图像进行目标检测，以得到目标检测数据；进而，当根据车道线检测数据确定车载视频采集设备处于公交专用车道时，根据车道线检测数据以及目标检测数据确定是否存在非法占用公交专用车道行为，若存在，则进行抓拍，以生成非法占用公交专用车道取证信息，实现了非法占用公交专用车道的自动检测，提高了非法占用公交专用车道的检测的效率，由于基于深度学习算法进行车道线检测和目标检测，因此，可以提高车道线检测和目标检测的检出率和有效率，进而，可以提高非法占用公交专用车道检测的准确率；此外，由于在车载摄像头处于公交专用车道时再进行非法占用公交专用车道检测，进一步提高了非法占用公交专用车道检测的准确率和可靠性。
以上对本申请提供的方法进行了描述。下面对本申请提供的装置进行描述：
请参见图4，为本申请实施例提供的一种信息处理装置的结构示意图，其中，该信息处理装置可以应用于上述方法实施例中的车载视频采集设备，如图4所示，该信息处理装置可以包括：
车道线检测单元410，用于基于第一深度学习算法对视频图像进行车道线检测，以得到车道线检测数据；
目标检测单元420，用于基于第二深度学习算法对视频图像进行目标检测，以得到目标检测数据；
行为判定单元430，用于根据所述车道线检测数据确定所述车载视频采集设备是否处于公交专用车道；
所述行为判定单元430，还用于当所述车载视频采集设备处于公交专用车道时，根据所述车道线检测数据以及所述目标检测数据确定是否存在非法占用公交专用车道行为；
抓拍单元440，还用于当存在非法占用公交专用车道行为时，对存在非法占用公交专用车道行为的目标车辆进行抓拍，以生成所述目标车辆非法占用公交专用车道取证信息。
在一种可选的实施方式中，所述车道线检测单元410，具体用于基于语义分割算法对所述视频图像进行车道线区域分割，得到分割后的车道线区域；对所述车道线区域进行车道线拟合，以得到车道线方程；对所述车道线区域进行颜色识别，以得到车道线颜色。
在一种可选的实施方式中，所述车道线检测单元410，具体用于根据全球定位系统GPS信息以及所述车载视频采集设备朝向确定分割图中的ROI区域，所述ROI区域为车道线感兴趣区域；依次对所述分割图进行二值化、ROI区域外清零、形态学膨胀腐蚀以及连通域分析CCL处理；对处理后的所述分割图进行车道线拟合，以得到车道线方程。
在一种可选的实施方式中，所述车道线检测单元410，具体用于当根据GPS信息确定所述车载视频采集设备的预设距离范围内存在公交专用车道，且所述车载视频采集设备的朝向为车头方向时，若公交专用车道为最左侧车道，则将所述视频图像中右侧车道线区域确定为车道线ROI区域；若公交专用车道为最右侧车道，则将所述视频图像中左侧车道线区域确定为车道线ROI区域；或者，
当根据GPS信息确定所述车载视频采集设备的预设距离范围内存在公交专用车道，且所述车载视频采集设备的朝向为车尾方向时，若公交专用车道为最左侧车道，则将所述视频图像中左侧车道线区域确定为车道线ROI区域；若公交专用车道为最右侧车道，则将所述视频图像中右侧车道线区域确定为车道线ROI区域。
在一种可选的实施方式中，所述车道线检测单元410，具体用于提取所述车道线区域的HSV特征矢量；利用预先训练的颜色分类模型，根据所述HSV特征矢量确定所述车道线区域的车道线颜色。
在一种可选的实施方式中，所述车道线检测单元410，具体用于对于所述视频图像中的任一车道线区域，对该车道线区域按照由上到下顺序，逐行由左边界点遍历到由边界点；
对于任一点，将H、S、V三个分量的值归一化到0～255；
分别确定H、S、V分量值的第一类型维度特征向量；其中，第一类型维度的数值小于等于255；
将第一类型维度特征向量映射为第二类型维度特征向量；其中，第二类型维度为所述第一类型维度的立方、所述第一类型维度的平方以及所述第一类型维度三者之和；
将该车道线区域内所有点的第二类型维度特征向量归一化到0～1，以得到该车道线区域的HSV特征矢量。
在一个实施方式中，请参见图6A，车道线检测单元410中可以包括语义分割模块、线拟合模块以及线颜色分类模块。其中：
语义分割模块主要用于对输入的视频图像进行车道线区域分割，并将分割处理后的视频图像提供给线拟合模块。
在一个示例中，请参见图6B，语义分割模块可以包括样本标定子模块、模型训练子模块、车道线分子模块；其中：
样本标定子模块，用于根据语义分割标定规则制定标定文档，进行样本整理及样本标定；其中，语义分割标定规则与目标检测标定规则不同，语义分割采用的是逐像素标定，标定获得的是车道线的轮廓；例如，整理不同光照强度，不同时间段，不同架设，不同场景的公交车道图片样本10万+，并对图片样本中的车道线区域、背景共2类区域进行标定；
模型训练子模块，用于对已标定的样本进行后期处理训练，基于caffe环境，采用segnet网络结构迭代20万次达到收敛，得到语义分割模型；
车道线分割子模块，用于利用segnet分割算法调用模型训练子模块训练获得的分割模型，将视频图像转换为RGB格式，并传给segnet分割算法，最终解析并得到视频图像的车道线区域。
在该实施方式中，车道线拟合模块主要用于对语义分割模块输出的分割处理后的视频图像，进行形态学膨胀腐蚀、CCL处理、去除噪声区域，再对保留下来的各车位线进行RANSAC直线拟合，从而生成车道线位置信息。
在一个示例中，请参见图6C，车道线拟合模块可以包括确定需处理车道线子模块、图像预处理子模块、拟合直线子模块；其中：
确定需处理车道线ROI子模块，用于结合外部GPS信息、摄像头朝向，确定需要保留的车道线区域，并输出给图像预处理子模块；
图像预处理子模块，用于对确定需处理车道线ROI子模块输出的图像进行二值化、ROI区域外清零、形态学膨胀腐蚀、CCL连通域处理；
拟合直线子模块，用于对图像预处理子模块处理后的图像进行遍历，获取用于拟合车道线方程的点，并利用ransac拟合算法拟合出车道线方程。
在该实施方式中，线颜色分类模块为基于HSV特征矢量和SVM的传统颜色分类算法实现的模块，主要用于线颜色分类训练和检测。其中，线颜色训练过程主要包括提取HSV特征矢量，送入SVM进行训练，获得分类器，并将该分类器线颜色检测。线颜色检测过程主要包括在公交占道算法中，提取车道线区域HSV特征矢量，进而利用训练过程获得的分类器确定车道线颜色。
在一个示例中，请参见图6D，线颜色分类模块可以包括样本标定子模块、HSV特征矢量提取子模块、模型训练子模块以及颜色分类子模块；其中：
样本标定子模块，用于样本整理及样本标定；例如，整理不同时间段，不同天气，不同架设，不同场景的图片样本2万+，并对图片样本中的黄色车道线、白色车道线共2类目标进行标定，标定结果为拟合直线轮廓的多矩形；
HSV特征矢量提取子模块，用于对车道线区域提取HSV特征矢量，其具体步骤包括：
step1：对车道线区域按照由上到下的顺序，逐行由左边界点遍历到下边界点，进行step2～step4处理，直至所有点遍历处理完成进行step5；
step2：将H、S、V三个分量的值归一化到0～255；
step3：确定特征向量H-20维、S-20维、V-20维；
具体地，统计车道线区域所有点H分量值所在具体维度数：第0维度255/20*0～255/20*1，第1维度255/20*1～255/20*2……第19维度255/20*19～255/20*20；统计车道线区域所有点S分量值所在具体维度数：第0维度255/20*0～255/20*1，第1维度255/20*1～255/20*2……第19维度255/20*19～255/20*20；统计车道线区域所有点V分量值所在具体维度数：第0维度255/20*0～255/20*1，第1维度255/20*1～255/20*2……第19维度255/20*19～255/20*20；
step4：将特征向量H-20维、S-20维、V-20维映射到8420维；
具体地，对任一点，HN代表该点H分量所在维度数，SN代表该点S分量所在维度数，VN代表该点V分量所在维度数。计算N＝HN*SN*VN+SN*VN+VN，其中，N为特征序号，按这种方式遍历所有点获得8420维HSV特征矢量。
sep5：将8420维特征矢量归一化到0～1之间，各维度值除以点总数即可，获得用于训练检测的HSV特征矢量。
模型训练子模块，用于对HSV特征矢量提取子模块提取的HSV特征矢量进行训练，得到车道线颜色分类模型；
线颜色分类子模块，用于将模型训练子模块练获得的模型集成到支持向量机SVM分类工程中，将车道线区域提取的HSV特征矢量送入SVM分类工程，以得到当前车道线的颜色类别，如黄色或白色；其中，黄色车道线即为公交车道线，白色即为非公交车道线。
在一个实施方式中，目标检测单元420基于深度学习理论目标检测算法，将大量样本按照目标检测所要求的标定规则标定训练出检测模型，调用该检测模型的检测算法实现对车载摄像头视野内的车辆目标进行精确检测、分类、定位。
在一个示例中，请参见图6E，目标检测单元420可以包括样本标定模块、模型训练模块以及目标检测模块；其中：
样本标定模块，用于进行样本整理及样本标定；例如，整理不同时间段、不同天气、不同架设、不同场景的违停单车图片样本20万+，并对图片样本中的小车、卡车、货车、公交车共4类目标进行标定，其中，标定结果为各目标外接矩形；
模型训练模块，用于对样本标定模块标定的样本进行训练；例如，基于caffe环境，采用fasterrcnn网络结构迭代100万次达到收敛，得到检测模型；
目标检测模块，用于利用fasterrcnn检测算法调用模型训练模块训练获得的检测模型，将视频图像转换为RGB格式，并传给fasterrcnn检测算法，最终解析并得到所有检测目标队列。
在一种可选的实施方式中，所述行为判定单元430，具体用于根据所述车载视频采集设备与车道线之间的位置关系以及车道线的颜色，确定所述车载视频采集设备是否处于公交专用车道。
在一种可选的实施方式中，所述行为判定单元430，具体用于当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最左侧车道时，若所述视频图像中最靠近所述车载视频采集设备的右侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道；或者，
当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最右侧车道时，若所述视频图像中最靠近所述车载视频采集设备的左侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道；或者，
当所述车载视频采集设备的朝向为车尾方向，且公交专用车道为最左侧车道时，若所述视频图像中最靠近所述车载视频采集设备的左侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道；或者，
当所述车载视频采集设备的朝向为车尾方向，且公交专用车道为最右侧车道时，若所述视频图像中最靠近所述车载视频采集设备的右侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道。
在一种可选的实施方式中，所述行为判定单元430，具体用于确定所述视频图像中是否存在类型为非公交车的目标车辆；若存在，则根据该目标车辆与车道线之间的位置关系以及车道线的颜色，确定该目标车辆是否存在非法占用公交车道行为。
在一种可选的实施方式中，所述行为判定单元430，具体用于当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最左侧车道时，若该目标车辆的车牌的中心位于公交专用车道的右侧车道线的左侧，则确定该目标车辆非法占用公交车专用车道；或者，
当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最右侧车道时，若该目标车辆的车牌的中心位于公交专用车道的左侧车道线的右侧，则确定该目标车辆非法占用公交车专用车道；或者，
当所述车载视频采集设备的朝向为车尾方向，且公交专用车道为最左侧车道时，若该目标车辆的车牌的中心位于公交专用车道的左侧车道线的右侧，则确定该目标车辆非法占用公交车专用车道；或者，
当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最右侧车道时，若该目标车辆的车牌的中心位于公交专用车道的右侧车道线的左侧，则确定该目标车辆非法占用公交车专用车道。
在一种可选的实施方式中，如图5所示，所述装置还包括：
车牌识别单元450，用于当确定所述目标车辆非法占用公交专用车道时，对所述目标车辆进行车牌识别；
所述抓拍单元440，还用于根据所述目标车辆的车牌信息对所述目标车辆进行跟踪抓拍，以得到所述目标车辆的预设数量的抓拍图像；其中，该预设数量的抓拍图像的抓拍时间差大于等于预设时间阈值；
通信单元460，用于将所述预设数量的抓拍图像作为取证图像上传后台服务器。
在一种可选的实施方式中，所述车牌识别单元450，具体用于将连续多帧视频图像的所述目标车辆的车牌识别结果中置信度最高的车牌识别结果确定为所述目标车辆的车牌识别结果。
在一种可选的实施方式中，所述预设数量为4张，其中3张抓拍图像中，所述目标车辆的车牌清晰，公交车道线清晰，所述目标车辆在公交车道内的车身比例超过预设比例阈值；剩余1张抓拍图像是对所述3张抓拍图像中的任意一张进行抠图得到的包括所述目标车辆整个车身的车牌特写图像。
在一种可选的实施方式中，请参见图6F，车牌识别单元450可以包括牌识区域生成模块、车牌识别模块以及多帧牌选模块；其中：
牌识区域生成模块，用于基于目标检测单元420输出的车辆位置信息和车辆类型确定牌识区域(即车牌识别区域)；其中，由于视频监控系统中的视频采集设备架设视角在一定范围内，且车牌位置与车辆位置之间相对固定，因此，车辆区域底半部分即为牌识区域；
车牌识别模块，用于实现单帧图片中牌识区域内所有车牌的识别功能，其主要包括车牌定位、字符分割、字符识别等步骤，具体如下：
Step1：在牌识区域内，提取框内跳变次数特征、颜色特征、HOG特征等，提取牌识区域中的车牌区域；
Step2：寻找每个字符的左右边界，对车牌区域内的每个字符进行分割，便于后续识别。
Step3：将分割后的字符尺寸、亮度归一化，分别送到神经网络分类器，分类器将其归到某一类，再将字符识别结果组合成字符串。
多帧牌选模块，用于结合匹配的多帧相邻车牌结果，统计出一个置信度最高的车牌结果输出。
在一种可选的实施方式中，行为判定单元430作为信息处理决策部分，其输入是车道信息(车道线数目、车道线方程、车道线颜色)，输出是否存在非法占用公交车道事件及对应的违章占道的车辆的位置及车牌信息。行为判定单元430主要用于车道线拟合模块检测到的车道线方程信息、线颜色分类模块获取的车道线颜色信息，以及车牌识别单元获取的车牌信息，确定是否存在公交车道，并当存在公交车道时，利用车道线与目标车辆之间的位置关系，判断目标车辆是否非法占用公交车道。
在一个示例中，请参见图6G，行为判定单元430可以包括：当前帧抓拍状态确定模块、违章判断模块、违章抓拍模块；其中：
当前帧抓拍状态确定模块，用于判断视频图像中公交车是否行使在公交车道中，然后再根据连续多帧视频图像中车辆行使在公交车道的帧数，判断是否启动抓拍。具体步骤如下：
Step1：车道线删除：利用各车道线方程与x轴交点，挑选出车载摄像头所处的车道的车道线；
Step2：一帧会有多条车道线被检测到，根据预先设定规则确定出当前视频图像中车载摄像头所在的公交车道状态；例如，在公交车道、不在公交车道、或待定等；
Step3：根据当前视频图像之前连续若干帧(包括当前视频图像)确定当前帧抓拍状态；例如，抓拍启动、抓拍关闭或待定。
违章判断模块，用于利用目标车辆与公交车道线位置关系，判断目标车辆是否属于违章占道目标。若当前帧抓拍状态确定模块给出的状态是抓拍启动，则根据当前视频图像中车道线与目标车辆的位置来确定目标车辆是否存在非法占用公交车道行为；
违章抓拍模块，用于在违章判断模块确定目标车辆存在非法占用公交车道行为时，判断目标车辆非法占用公交车道行为是否满足时间间隔、车牌等要求，若满足，则进行抓拍取证，例如，抓拍三帧，拼图上传服务器。
请参见图7，为本申请实施例提供的一种信息处理装置的硬件结构示意图。该信息处理装置可以包括处理器701、存储有机器可执行指令的机器可读存储介质702。处理器701与机器可读存储介质702可经由系统总线703通信。并且，通过读取并执行机器可读存储介质702中与信息处理逻辑对应的机器可执行指令，处理器701可执行上文描述的信息处理方法。
本文中提到的机器可读存储介质702可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：RAM(Radom Access Memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。
本申请实施例还提供了一种包括机器可执行指令的机器可读存储介质，例如图7中的机器可读存储介质702，所述机器可执行指令可由信息处理装置中的处理器701执行以实现以上描述的信息处理方法。
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 (24)
1.一种信息处理方法，应用于车载视频采集设备，其特征在于，所述方法包括：
基于第一深度学习算法对视频图像进行车道线检测，以得到车道线检测数据；
基于第二深度学习算法对视频图像进行目标检测，以得到目标检测数据；
当根据所述车道线检测数据确定所述车载视频采集设备处于公交专用车道时，根据所述车道线检测数据以及所述目标检测数据确定是否存在非法占用公交专用车道行为；
若存在，则对存在非法占用公交专用车道行为的目标车辆进行抓拍，以生成所述目标车辆非法占用公交专用车道取证信息；
其中，所述根据所述车道线检测数据确定所述车载视频采集设备处于公交专用车道，包括：
当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最左侧车道时，若所述视频图像中最靠近所述车载视频采集设备的右侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道；或者，
当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最右侧车道时，若所述视频图像中最靠近所述车载视频采集设备的左侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道；或者，
当所述车载视频采集设备的朝向为车尾方向，且公交专用车道为最左侧车道时，若所述视频图像中最靠近所述车载视频采集设备的左侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道；或者，
当所述车载视频采集设备的朝向为车尾方向，且公交专用车道为最右侧车道时，若所述视频图像中最靠近所述车载视频采集设备的右侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道。
2.根据权利要求1所述的方法，其特征在于，所述基于第一深度学习算法对视频图像进行车道线检测，以得到车道线检测数据，包括：
基于语义分割算法对所述视频图像进行车道线区域分割，得到分割后的车道线区域；
对所述车道线区域进行车道线拟合，以得到车道线方程；
对所述车道线区域进行颜色识别，以得到车道线颜色。
3.根据权利要求2所述的方法，其特征在于，所述对所述车道线区域进行车道线拟合，以得到车道线方程，包括：
根据全球定位系统GPS信息以及所述车载视频采集设备朝向确定分割图中的ROI区域，所述ROI区域为车道线感兴趣区域；
依次对所述分割图进行二值化、ROI区域外清零、形态学膨胀腐蚀以及连通域分析CCL处理；
对处理后的所述分割图进行车道线拟合，以得到车道线方程。
4.根据权利要求3所述的方法，其特征在于，所述根据GPS信息以及所述车载视频采集设备朝向确定分割图中的车道线ROI区域，包括：
当根据GPS信息确定所述车载视频采集设备的预设距离范围内存在公交专用车道，且所述车载视频采集设备的朝向为车头方向时，若公交专用车道为最左侧车道，则将所述视频图像中右侧车道线区域确定为车道线ROI区域；若公交专用车道为最右侧车道，则将所述视频图像中左侧车道线区域确定为车道线ROI区域；或者，
当根据GPS信息确定所述车载视频采集设备的预设距离范围内存在公交专用车道，且所述车载视频采集设备的朝向为车尾方向时，若公交专用车道为最左侧车道，则将所述视频图像中左侧车道线区域确定为车道线ROI区域；若公交专用车道为最右侧车道，则将所述视频图像中右侧车道线区域确定为车道线ROI区域。
5.根据权利要求2所述的方法，其特征在于，所述对所述车道线区域进行颜色识别，以得到车道线颜色，包括：
提取所述车道线区域的HSV特征矢量；
利用预先训练的颜色分类模型，根据所述HSV特征矢量确定所述车道线区域的车道线颜色。
6.根据权利要求5所述的方法，其特征在于，所述提取所述车道线区域的HSV特征矢量，包括：
对于所述视频图像中的任一车道线区域，对该车道线区域按照由上到下顺序，逐行由左边界点遍历到由边界点；
对于任一点，将H、S、V三个分量的值归一化到0～255；
分别确定H、S、V分量值的第一类型维度特征向量；其中，第一类型维度的数值小于等于255；
将第一类型维度特征向量映射为第二类型维度特征向量；其中，第二类型维度为所述第一类型维度的立方、所述第一类型维度的平方以及所述第一类型维度三者之和；
将该车道线区域内所有点的第二类型维度特征向量归一化到0～1，以得到该车道线区域的HSV特征矢量。
7.根据权利要求1至6中任一项所述方法，其特征在于，所述根据所述车道线检测数据以及所述目标检测数据确定是否存在非法占用公交专用车道行为，包括：
确定所述视频图像中是否存在类别为非公交车的目标车辆；
若存在，则根据该目标车辆与车道线之间的位置关系以及车道线的颜色，确定该目标车辆是否存在非法占用公交车道行为。
8.根据权利要求7所述的方法，其特征在于，所述根据该目标车辆与车道线之间的位置关系以及车道线的颜色，确定该目标车辆是否存在非法占用公交车道行为，包括：
当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最左侧车道时，若该目标车辆的车牌的中心位于公交专用车道的右侧车道线的左侧，则确定该目标车辆非法占用公交车专用车道；或者，
当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最右侧车道时，若该目标车辆的车牌的中心位于公交专用车道的左侧车道线的右侧，则确定该目标车辆非法占用公交车专用车道；或者，
当所述车载视频采集设备的朝向为车尾方向，且公交专用车道为最左侧车道时，若该目标车辆的车牌的中心位于公交专用车道的左侧车道线的右侧，则确定该目标车辆非法占用公交车专用车道；或者，
当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最右侧车道时，若该目标车辆的车牌的中心位于公交专用车道的右侧车道线的左侧，则确定该目标车辆非法占用公交车专用车道。
9.根据权利要求1至6中任一项所述的方法，其特征在于，所述对存在非法占用公交专用车道行为的目标车辆进行抓拍，以生成所述目标车辆非法占用公交专用车道取证信息，包括：
当确定所述目标车辆非法占用公交专用车道时，对所述目标车辆进行车牌识别，并根据所述目标车辆的车牌信息对所述目标车辆进行跟踪抓拍，以得到所述目标车辆的预设数量的抓拍图像，并将所述预设数量的抓拍图像作为取证图像上传后台服务器；其中，该预设数量的抓拍图像的抓拍时间差大于等于预设时间阈值。
10.根据权利要求9所述的方法，其特征在于，所述对所述目标车辆进行车牌识别，包括：
将连续多帧视频图像的所述目标车辆的车牌识别结果中置信度最高的车牌识别结果确定为所述目标车辆的车牌识别结果。
11.根据权利要求9所述的方法，其特征在于，
所述预设数量为4张，其中3张抓拍图像中，所述目标车辆的车牌清晰，公交车道线清晰，所述目标车辆在公交车道内的车身比例超过预设比例阈值；剩余1张抓拍图像是对所述3张抓拍图像中的任意一张进行抠图得到的包括所述目标车辆整个车身的车牌特写图像。
12.一种信息处理装置，应用于车载视频采集设备，其特征在于，所述装置包括：
车道线检测单元，用于基于第一深度学习算法对视频图像进行车道线检测，以得到车道线检测数据；
目标检测单元，用于基于第二深度学习算法对视频图像进行目标检测，以得到目标检测数据；
行为判定单元，用于根据所述车道线检测数据确定所述车载视频采集设备是否处于公交专用车道；
所述行为判定单元，还用于当所述车载视频采集设备处于公交专用车道时，根据所述车道线检测数据以及所述目标检测数据确定是否存在非法占用公交专用车道行为；
抓拍单元，还用于当存在非法占用公交专用车道行为时，对存在非法占用公交专用车道行为的目标车辆进行抓拍，以生成所述目标车辆非法占用公交专用车道取证信息；
其中，所述行为判定单元，具体用于当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最左侧车道时，若所述视频图像中最靠近所述车载视频采集设备的右侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道；或者，
当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最右侧车道时，若所述视频图像中最靠近所述车载视频采集设备的左侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道；或者，
当所述车载视频采集设备的朝向为车尾方向，且公交专用车道为最左侧车道时，若所述视频图像中最靠近所述车载视频采集设备的左侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道；或者，
当所述车载视频采集设备的朝向为车尾方向，且公交专用车道为最右侧车道时，若所述视频图像中最靠近所述车载视频采集设备的右侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道。
13.根据权利要求12所述的装置，其特征在于，
所述车道线检测单元，具体用于基于语义分割算法对所述视频图像进行车道线区域分割，得到分割后的车道线区域；对所述车道线区域进行车道线拟合，以得到车道线方程；对所述车道线区域进行颜色识别，以得到车道线颜色。
14.根据权利要求13所述的装置，其特征在于，
所述车道线检测单元，具体用于根据全球定位系统GPS信息以及所述车载视频采集设备朝向确定分割图中的ROI区域，所述ROI区域为车道线感兴趣区域；依次对所述分割图进行二值化、ROI区域外清零、形态学膨胀腐蚀以及连通域分析CCL处理；对处理后的所述分割图进行车道线拟合，以得到车道线方程。
15.根据权利要求14所述的装置，其特征在于，
所述车道线检测单元，具体用于当根据GPS信息确定所述车载视频采集设备的预设距离范围内存在公交专用车道，且所述车载视频采集设备的朝向为车头方向时，若公交专用车道为最左侧车道，则将所述视频图像中右侧车道线区域确定为车道线ROI区域；若公交专用车道为最右侧车道，则将所述视频图像中左侧车道线区域确定为车道线ROI区域；或者，
当根据GPS信息确定所述车载视频采集设备的预设距离范围内存在公交专用车道，且所述车载视频采集设备的朝向为车尾方向时，若公交专用车道为最左侧车道，则将所述视频图像中左侧车道线区域确定为车道线ROI区域；若公交专用车道为最右侧车道，则将所述视频图像中右侧车道线区域确定为车道线ROI区域。
16.根据权利要求13所述的装置，其特征在于，
所述车道线检测单元，具体用于提取所述车道线区域的HSV特征矢量；利用预先训练的颜色分类模型，根据所述HSV特征矢量确定所述车道线区域的车道线颜色。
17.根据权利要求16所述的装置，其特征在于，
所述车道线检测单元，具体用于对于所述视频图像中的任一车道线区域，对该车道线区域按照由上到下顺序，逐行由左边界点遍历到由边界点；
对于任一点，将H、S、V三个分量的值归一化到0～255；
分别确定H、S、V分量值的第一类型维度特征向量；其中，第一类型维度的数值小于等于255；
将第一类型维度特征向量映射为第二类型维度特征向量；其中，第二类型维度为所述第一类型维度的立方、所述第一类型维度的平方以及所述第一类型维度三者之和；
将该车道线区域内所有点的第二类型维度特征向量归一化到0～1，以得到该车道线区域的HSV特征矢量。
18.根据权利要求12至17中任一项所述的装置，其特征在于，
所述行为判定单元，具体用于确定所述视频图像中是否存在类型为非公交车的目标车辆；若存在，则根据该目标车辆与车道线之间的位置关系以及车道线的颜色，确定该目标车辆是否存在非法占用公交车道行为。
19.根据权利要求18所述的装置，其特征在于，
所述行为判定单元，具体用于当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最左侧车道时，若该目标车辆的车牌的中心位于公交专用车道的右侧车道线的左侧，则确定该目标车辆非法占用公交车专用车道；或者，
当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最右侧车道时，若该目标车辆的车牌的中心位于公交专用车道的左侧车道线的右侧，则确定该目标车辆非法占用公交车专用车道；或者，
当所述车载视频采集设备的朝向为车尾方向，且公交专用车道为最左侧车道时，若该目标车辆的车牌的中心位于公交专用车道的左侧车道线的右侧，则确定该目标车辆非法占用公交车专用车道；或者，
当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最右侧车道时，若该目标车辆的车牌的中心位于公交专用车道的右侧车道线的左侧，则确定该目标车辆非法占用公交车专用车道。
20.根据权利要求12至17中任一项所述的装置，其特征在于，所述装置还包括：
车牌识别单元，用于当确定所述目标车辆非法占用公交专用车道时，对所述目标车辆进行车牌识别；
所述抓拍单元，还用于根据所述目标车辆的车牌信息对所述目标车辆进行跟踪抓拍，以得到所述目标车辆的预设数量的抓拍图像；其中，该预设数量的抓拍图像的抓拍时间差大于等于预设时间阈值；
通信单元，用于将所述预设数量的抓拍图像作为取证图像上传后台服务器。
21.根据权利要求20所述的装置，其特征在于，
所述车牌识别单元，具体用于将连续多帧视频图像的所述目标车辆的车牌识别结果中置信度最高的车牌识别结果确定为所述目标车辆的车牌识别结果。
22.根据权利要求20所述的装置，其特征在于，
所述预设数量为4张，其中3张抓拍图像中，所述目标车辆的车牌清晰，公交车道线清晰，所述目标车辆在公交车道内的车身比例超过预设比例阈值；剩余1张抓拍图像是对所述3张抓拍图像中的任意一张进行抠图得到的包括所述目标车辆整个车身的车牌特写图像。
23.一种信息处理装置，其特征在于，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：
基于第一深度学习算法对视频图像进行车道线检测，以得到车道线检测数据；
基于第二深度学习算法对视频图像进行目标检测，以得到目标检测数据；
当根据所述车道线检测数据确定车载视频采集设备处于公交专用车道时，根据所述车道线检测数据以及所述目标检测数据确定是否存在非法占用公交专用车道行为；
若存在，则对存在非法占用公交专用车道行为的目标车辆进行抓拍，以生成所述目标车辆非法占用公交专用车道取证信息；
其中，所述根据所述车道线检测数据确定车载视频采集设备处于公交专用车道，包括：
当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最左侧车道时，若所述视频图像中最靠近所述车载视频采集设备的右侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道；或者，
当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最右侧车道时，若所述视频图像中最靠近所述车载视频采集设备的左侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道；或者，
当所述车载视频采集设备的朝向为车尾方向，且公交专用车道为最左侧车道时，若所述视频图像中最靠近所述车载视频采集设备的左侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道；或者，
当所述车载视频采集设备的朝向为车尾方向，且公交专用车道为最右侧车道时，若所述视频图像中最靠近所述车载视频采集设备的右侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道。
24.一种机器可读存储介质，其特征在于，存储有机器可执行指令，在被处理器调用和执行时，所述机器可执行指令促使所述处理器：
基于第一深度学习算法对视频图像进行车道线检测，以得到车道线检测数据；
基于第二深度学习算法对视频图像进行目标检测，以得到目标检测数据；
当根据所述车道线检测数据确定车载视频采集设备处于公交专用车道时，根据所述车道线检测数据以及所述目标检测数据确定是否存在非法占用公交专用车道行为；
若存在，则对存在非法占用公交专用车道行为的目标车辆进行抓拍，以生成所述目标车辆非法占用公交专用车道取证信息；
其中，所述根据所述车道线检测数据确定所述车载视频采集设备处于公交专用车道，包括：
当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最左侧车道时，若所述视频图像中最靠近所述车载视频采集设备的右侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道；或者，
当所述车载视频采集设备的朝向为车头方向，且公交专用车道为最右侧车道时，若所述视频图像中最靠近所述车载视频采集设备的左侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道；或者，
当所述车载视频采集设备的朝向为车尾方向，且公交专用车道为最左侧车道时，若所述视频图像中最靠近所述车载视频采集设备的左侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道；或者，
当所述车载视频采集设备的朝向为车尾方向，且公交专用车道为最右侧车道时，若所述视频图像中最靠近所述车载视频采集设备的右侧车道线的颜色为黄色，则确定所述车载视频采集设备处于公交专用车道。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810691577.XA CN110659539B (zh) | 2018-06-28 | 2018-06-28 | 一种信息处理方法、装置及机器可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810691577.XA CN110659539B (zh) | 2018-06-28 | 2018-06-28 | 一种信息处理方法、装置及机器可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110659539A CN110659539A (zh) | 2020-01-07 |
| CN110659539B true CN110659539B (zh) | 2022-11-25 |
Family
ID=69027392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810691577.XA Active CN110659539B (zh) | 2018-06-28 | 2018-06-28 | 一种信息处理方法、装置及机器可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110659539B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111854766B (zh) * | 2020-01-13 | 2022-05-27 | 北京嘀嘀无限科技发展有限公司 | 一种道路信息确定方法、装置、电子设备及存储介质 |
| CN111274976B (zh) * | 2020-01-22 | 2020-09-18 | 清华大学 | 基于视觉与激光雷达多层次融合的车道检测方法及系统 |
| CN111382704B (zh) * | 2020-03-10 | 2023-12-15 | 以萨技术股份有限公司 | 基于深度学习的车辆压线违章判断方法、装置及存储介质 |
| CN113836978A (zh) * | 2020-06-24 | 2021-12-24 | 富士通株式会社 | 道路区域确定装置及方法、电子设备 |
| CN114141022B (zh) * | 2020-09-03 | 2023-05-23 | 丰图科技(深圳)有限公司 | 应急车道占用行为检测方法、装置、电子设备及存储介质 |
| CN112163543B (zh) * | 2020-10-12 | 2024-03-26 | 北京易华录信息技术股份有限公司 | 一种车辆违法占道的检测方法及系统 |
| CN112329631A (zh) * | 2020-11-05 | 2021-02-05 | 浙江点辰航空科技有限公司 | 一种使用无人机对高速公路进行车流量统计的方法 |
| CN112232285A (zh) * | 2020-11-05 | 2021-01-15 | 浙江点辰航空科技有限公司 | 一种高速公路急车道巡检的无人机系统 |
| CN112232286A (zh) * | 2020-11-05 | 2021-01-15 | 浙江点辰航空科技有限公司 | 一种道路巡检无人机图像识别系统及无人机 |
| CN112633062A (zh) * | 2020-11-18 | 2021-04-09 | 合肥湛达智能科技有限公司 | 一种基于嵌入式终端的深度学习占用公交车道检测方法 |
| CN112613344B (zh) * | 2020-12-01 | 2024-04-16 | 浙江华锐捷技术有限公司 | 车辆占道检测方法、装置、计算机设备和可读存储介质 |
| CN112712703A (zh) * | 2020-12-09 | 2021-04-27 | 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 |
| 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 |
| CN112785850A (zh) * | 2020-12-29 | 2021-05-11 | 上海眼控科技股份有限公司 | 车辆变道未打灯的识别方法及装置 |
| CN112733793A (zh) * | 2021-01-22 | 2021-04-30 | 北京嘀嘀无限科技发展有限公司 | 检测公交车道的方法、装置、电子设备和存储介质 |
| CN113642412B (zh) * | 2021-07-16 | 2023-12-26 | 盛视科技股份有限公司 | 占用公交车道的车辆检测方法、装置及设备 |
| CN113986173A (zh) * | 2021-10-27 | 2022-01-28 | 北京乐驾科技有限公司 | 车载终端导航配色调整方法以及装置、存储介质、电子装置 |
| CN114038209A (zh) * | 2021-12-21 | 2022-02-11 | 杭州海康威视数字技术股份有限公司 | 公交占道处理方法、装置及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103268703A (zh) * | 2013-05-23 | 2013-08-28 | 华录智达科技有限公司 | 公交专用道抓拍系统 |
| CN104240515A (zh) * | 2014-09-15 | 2014-12-24 | 郑州天迈科技股份有限公司 | 基于图像处理的公交专用道占道抓拍方法 |
| CN106503640A (zh) * | 2016-10-15 | 2017-03-15 | 北海益生源农贸有限责任公司 | 一种占用公交车道的检测方法 |
| CN106652468A (zh) * | 2016-12-09 | 2017-05-10 | 武汉极目智能技术有限公司 | 车辆道路前车违规检测和自车违规预警提醒装置及方法 |
| CN106991820A (zh) * | 2016-01-20 | 2017-07-28 | 中兴通讯股份有限公司 | 违规车辆处理方法及装置 |
| CN108090456A (zh) * | 2017-12-27 | 2018-05-29 | 北京初速度科技有限公司 | 一种车道线识别方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103268471B (zh) * | 2013-04-17 | 2016-08-17 | 深圳市锐明技术股份有限公司 | 一种车辆非法占道检测方法及装置 |
| US10163351B2 (en) * | 2016-08-26 | 2018-12-25 | Ford Global Technologies, Llc | Enhanced lane detection |
-
2018
- 2018-06-28 CN CN201810691577.XA patent/CN110659539B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103268703A (zh) * | 2013-05-23 | 2013-08-28 | 华录智达科技有限公司 | 公交专用道抓拍系统 |
| CN104240515A (zh) * | 2014-09-15 | 2014-12-24 | 郑州天迈科技股份有限公司 | 基于图像处理的公交专用道占道抓拍方法 |
| CN106991820A (zh) * | 2016-01-20 | 2017-07-28 | 中兴通讯股份有限公司 | 违规车辆处理方法及装置 |
| CN106503640A (zh) * | 2016-10-15 | 2017-03-15 | 北海益生源农贸有限责任公司 | 一种占用公交车道的检测方法 |
| CN106652468A (zh) * | 2016-12-09 | 2017-05-10 | 武汉极目智能技术有限公司 | 车辆道路前车违规检测和自车违规预警提醒装置及方法 |
| CN108090456A (zh) * | 2017-12-27 | 2018-05-29 | 北京初速度科技有限公司 | 一种车道线识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110659539A (zh) | 2020-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110659539B (zh) | 一种信息处理方法、装置及机器可读存储介质 | |
| CN110487562B (zh) | 一种用于无人驾驶的车道保持能力检测系统及方法 | |
| CN106652468B (zh) | 车辆道路前车违规检测和自车违规预警提醒装置及方法 | |
| Rasheed et al. | Automated number plate recognition using hough lines and template matching | |
| CN101334836B (zh) | 一种融合色彩、尺寸和纹理特征的车牌定位方法 | |
| Al-Ghaili et al. | Vertical-edge-based car-license-plate detection method | |
| Cheng et al. | Lane detection with moving vehicles in the traffic scenes | |
| US8509486B2 (en) | Vehicle license plate recognition method and system thereof | |
| CN106600977B (zh) | 基于多特征识别的违停检测方法及系统 | |
| CN110879950A (zh) | 多级目标分类及交通标志检测方法和装置、设备、介质 | |
| CN104239867A (zh) | 车牌定位方法及系统 | |
| CN107665327B (zh) | 一种车道线检测方法及装置 | |
| Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
| WO2015147764A1 (en) | A method for vehicle recognition, measurement of relative speed and distance with a single camera | |
| KR101480220B1 (ko) | 객체 인식 장치 및 그 방법 | |
| Shi et al. | A vision system for traffic sign detection and recognition | |
| CN102867417A (zh) | 一种出租车防伪系统及方法 | |
| Ghahremannezhad et al. | Robust road region extraction in video under various illumination and weather conditions | |
| KR101794632B1 (ko) | 전기차 번호판 로고 패턴 인식 방법 | |
| Ghahremannezhad et al. | Automatic road detection in traffic videos | |
| CN112115800A (zh) | 一种基于深度学习目标检测的车辆组合识别系统及方法 | |
| Arthi et al. | Object detection of autonomous vehicles under adverse weather conditions | |
| Coronado et al. | Detection and classification of road signs for automatic inventory systems using computer vision | |
| Rahaman et al. | Lane detection for autonomous vehicle management: PHT approach | |
| CN112836619A (zh) | 嵌入式车载远红外行人检测方法、系统、设备及存储介质 |
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 |