CN110909699A - 视频车辆非导向行驶检测方法、装置及可读存储介质 - Google Patents
视频车辆非导向行驶检测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN110909699A CN110909699A CN201911193548.1A CN201911193548A CN110909699A CN 110909699 A CN110909699 A CN 110909699A CN 201911193548 A CN201911193548 A CN 201911193548A CN 110909699 A CN110909699 A CN 110909699A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target vehicle
- picture
- evidence obtaining
- lane
- 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
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种视频车辆非导向行驶检测方法、装置及可读存储介质，方法包括：获取样本视频场景，对其进行标记处理以得到判定信息；读取实时视频流，并对其进行解码以得到待检测图片；利用车辆检测模型进行车辆检测及跟踪，并结合判定信息得到多张取证图片；若车辆发生非导向行驶事件，则利用车牌识别模型对取证图片上的目标车辆进行车牌识别，将车牌信息、违章时间、取证图片及目标车辆在取证图片中的位置信息推送至后台进行入库、显示。实施本发明实施例，实现了实时检测非导向行驶车辆的功能，并能直接生成违章车辆判罚依据，提高了交通违章判罚的效率。
Description
技术领域
本发明涉及计算机视觉技术领域，具体涉及一种视频车辆非导向行驶检测方法、装置及可读存储介质。
背景技术
随着我国国力的增强，人民的生活水平也随之提高了，私家车的数量越来越多，在出行方便的同时也给交通带来了诸多隐患，如交通拥堵、交通事故等。十字路口路况较为复杂，是发生交通问题的高危路段。而交通违章，如车辆非导向行驶是造成交通拥堵、交通事故的重要原因之一。
传统的车辆非导向行驶的检测方法是在道路上安装感应线圈来检测车辆，再配合交通参数来判断车辆违章行为的发生。该方法的准确率较低，特别是在车辆比较多的情况下，且维护起来比较麻烦，也不利于监控。
随着社会治安管理的不断加强，监控设备基本将所有的关键道路都覆盖了，通过视频方式检测违章行为可谓是大势所趋。
发明内容
本发明实施例的目的在于提供一种视频车辆非导向行驶检测方法、装置及可读存储介质，以提高交通违章判罚的效率。
为实现上述目的，第一方面，本发明实施例提供了一种视频车辆非导向行驶检测方法，包括：
获取样本视频场景，对所述样本视频场景进行标记处理，以得到判定信息；
读取实时视频流，并对所述实时视频流进行解码以得到待检测图片；
利用预设的车辆检测模型对所述待检测图片进行车辆检测及跟踪，并结合所述判定信息得到多张取证图片，所述取证图片中包括目标车辆；
根据多张取证照片判定目标车辆是否发生非导向行驶事件；
若车辆发生非导向行驶事件，则利用预设的车牌识别模型对取证图片上的目标车辆进行车牌识别，以得到车牌信息，并记录违章时间；
将所述车牌信息、违章时间、取证图片及目标车辆在取证图片中的位置信息推送至后台进行入库、显示。
具体地，所述判定信息包括车道属性区域、确定左转区域、确定直行区域和确定右转区域，所述车道区域包括左转车道、左转直行车道、直行车道、直行右转车道和右转车道。
作为本申请的一种具体实施方式，利用预设的车辆检测模型对所述待检测图片进行车辆检测及跟踪，以得到多张取证图片，具体包括：
利用预设的车辆检测模型对所述待检测图像进行检测，以得到目标车辆；
若所述目标车辆首次出现在车道区域内，则保存第一张取证图片，并记录所述目标车辆在当前帧图片中的位置和所述目标车辆的初始车道信息；
采用检测框重叠度最大的方式对所述目标车辆进行跟踪，当所述目标车辆首次离开所在车道区域时，保存第二张取证图片，并记录所述目标车辆在当前帧图片中的位置；
当所述目标车辆进入确定左转区域、确定直行区域或确定右转区域时，保存第三张取证图片，并记录所述目标车辆在当前帧图片中的位置和所述目标车辆的最终车道信息。
作为本申请一种具体的实施方式，根据多张取证照片判定目标车辆是否发生非导向行驶事件，具体包括：
根据确定左转区域、确定直行区域、确定右转区域、初始车道信息和最终车道信息判定目标车辆是否发生非导向行驶事件。
进一步地，所述方法还包括：
获取人工标注的第一样本集和第二样本集；
采用darknet深度学习框架对所述第一样本集进行车辆检测训练，以得到所述车辆检测模型；
采用MXNET-CNN深度学习框架对所述第二样本集进行车牌识别训练，以得到所述车牌识别模型。
第二方面，本发明实施例提供了一种视频车辆非导向行驶检测装置，包括：
标记模块，用于获取样本视频场景，对所述样本视频场景进行标记处理，以得到判定信息；
解码模块，用于读取实时视频流，并对所述实时视频流进行解码以得到待检测图片；
检测跟踪模块，用于利用预设的车辆检测模型对所述待检测图片进行车辆检测及跟踪，并结合所述判定信息得到多张取证图片，所述取证图片中包括目标车辆；
判定模块，用于根据多张取证照片判定目标车辆是否发生非导向行驶事件；
识别模块，用于若车辆发生非导向行驶事件，则利用预设的车牌识别模型对取证图片上的目标车辆进行车牌识别，以得到车牌信息，并记录违章时间；
通讯模块，用于将所述车牌信息、违章时间、取证图片及目标车辆在取证图片中的位置信息推送至后台进行入库、显示。
其中，所述判定信息包括车道属性区域、确定左转区域、确定直行区域和确定右转区域，所述检测跟踪模块具体用于：
利用预设的车辆检测模型对所述待检测图像进行检测，以得到目标车辆；
若所述目标车辆首次出现在车道区域内，则保存第一张取证图片，并记录所述目标车辆在当前帧图片中的位置和所述目标车辆的初始车道信息；
采用检测框重叠度最大的方式对所述目标车辆进行跟踪，当所述目标车辆首次离开所在车道区域时，保存第二张取证图片，并记录所述目标车辆在当前帧图片中的位置；
当所述目标车辆进入确定左转区域、确定直行区域或确定右转区域时，保存第三张取证图片，并记录所述目标车辆在当前帧图片中的位置和所述目标车辆的最终车道信息。
进一步地，所述装置还包括模型训练模块，用于：
获取人工标注的第一样本集和第二样本集；
采用darknet深度学习框架对所述第一样本集进行车辆检测训练，以得到所述车辆检测模型；
采用MXNET-CNN深度学习框架对所述第二样本集进行车牌识别训练，以得到所述车牌识别模型。
第三方面，本发明实施例提供了另一种视频车辆非导向行驶检测装置，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
实施本发明实施例，实现了实时检测非导向行驶车辆的功能，并能直接生成违章车辆判罚依据，提高了交通违章判罚的效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的视频车辆非导向行驶检测方法的示意流程图；
图2是视频场景区域绘制图；
图3是第一张取证图片；
图4是第二张取证图片；
图5是第三张取证图片；
图6是本发明实施例提供的视频车辆非导向行驶检测装置的一种结构示意图；
图7是本发明实施例提供的视频车辆非导向行驶检测装置的另一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，本发明实施例提供的视频车辆非导向行驶检测方法可以包括以下步骤：
S1，获取样本视频场景，对样本视频场景进行标记处理，以得到判定信息。
其中，如图2所示，判定信息包括但不仅限于车道属性区域、确定左转区域、确定直行区域和确定右转区域，所述车道区域包括左转车道、左转直行车道、直行车道、直行右转车道和右转车道。具体地，获取视频场景作为样本，对其进行人工标注，以得到如图2所示的车道属性区域、确定左转区域、确定直行区域和确定右转区域等。
需要说明的是，本发明实施例的视频车辆非导向行驶检测方法适合于各种复杂的十字路口场景，只要相机的视野能保证捕捉到违章过程，人工标注时根据需要绘制相应车道及确定左转/右转/直行的区域即可，视野里没有的区域可以不用绘制。
S2，获取人工标注的第一样本集，对其进行车辆检测训练，以得到车辆检测模型。
具体地，人工标注100万的车辆目标检测的样本训练集，训练集包含多种场景、多种季节和多种天气情况，采用darknet深度学习框架进行车辆检测模型的训练。
S3，获取人工标注的第二样本集，对其进行车牌识别训练，以得到车牌识别模型。
具体地，人工标注50万的车牌定位/识别样本训练集，训练集中包含大型/中型/小型载人汽车、大型/中型/小型载货汽车和挂车，采用MXNET-CNN深度学习框架进行车牌识别的训练。
S4，读取实时视频流，并对所述实时视频流进行解码以得到待检测图片。
S5，利用预设的车辆检测模型对待检测图片进行车辆检测及跟踪，并结合判定信息得到多张取证图片。
具体地，步骤S5包括：
1.利用预设的车辆检测模型对所述待检测图像进行检测，以得到目标车辆。
2.若目标车辆首次出现在车道区域内，则保存第一张取证图片，记录目标车辆在当前帧图片中的位置，如图3所示，并记录目标车辆的初始车道信息：左转车道。
3.采用检测框重叠度最大的方式对目标车辆进行跟踪，当所述目标车辆首次离开所在车道区域时，保存第二张取证图片，并记录所述目标车辆在当前帧图片中的位置，如图4所示。
需要说明的是，检测框重叠度最大的跟踪方法是指在时间上连续的两帧视频图片，上一帧的车辆目标框与新一帧的所有检测框进行比较，寻找IOU重叠最大的一个检测框作为待跟踪目标的新位置。为了防止待跟踪目标漏检与周围其他目标发生补位现象，在采用IOU方法对目标进行跟踪的时候，需要保证最大IOU大于一定阈值时才认为目标正确跟踪到了，否则认为目标跟丢。
4.当目标车辆进入确定左转区域、确定直行区域或确定右转区域时，保存第三张取证图片，并记录目标车辆在当前帧图片中的位置和目标车辆的最终车道信息。
具体地，当被跟踪目标车辆进入到确定左转/确定直行/确定右转区域的时候，保存第三张取证图片，记录其在当前图片帧中的位置，如附图5所示，并记录该车辆的最终车道信息：直行车道。
S6，根据多张取证照片判定目标车辆是否发生非导向行驶事件。
其中，可能发生的非导向行驶事件包括如下几种：左转车道直行、左转车道右转、左转直行车道右转、直行车道左转、直行车道右转、直行右转车道左转、右转车道左转、右转车道直行。
具体地，根据确定左转区域、确定直行区域、确定右转区域、初始车道信息和最终车道信息判定目标车辆是否发生非导向行驶事件，规则可参见下表：
根据以上规则，附图3、4和5中发生的非导向行驶事件为左转车道违章直行。
S7，若车辆发生非导向行驶事件，则利用预设的车牌识别模型对取证图片上的目标车辆进行车牌识别，以得到车牌信息，并记录违章时间。
S8，将车牌信息、违章时间、取证图片及目标车辆在取证图片中的位置信息推送至后台进行入库、显示。
具体地，利用预设的车牌识别模型对第一张取证图片上的目标车辆进行车牌识别，以得到车牌信息，并将车牌信息，违章时间及三张取证图片及目标车辆在图片中的位置信息推送给后台进行入库、显示等操作。
需要说明的是，若检测出目标车辆未发生非导向行驶事件，则将之前保存的图片(例如三张取证图片)进行删除，但处理方式并不仅限于此。
本发明实施例所提供的视频车辆非导向行驶检测方法，实现了实时检测非导向行驶车辆的功能，并能直接生成违章车辆判罚依据，提高了交通违章判罚的效率。
基于相同的发明构思，本发明实施例提供了一种视频车辆非导向行驶检测装置。如图6所示，该检测装置包括：
标记模块10，用于获取样本视频场景，对所述样本视频场景进行标记处理，以得到判定信息；
解码模块11，用于读取实时视频流，并对所述实时视频流进行解码以得到待检测图片；
检测跟踪模块12，用于利用预设的车辆检测模型对所述待检测图片进行车辆检测及跟踪，并结合所述判定信息得到多张取证图片，所述取证图片中包括目标车辆；
判定模块13，用于根据多张取证照片判定目标车辆是否发生非导向行驶事件；
识别模块14，用于若车辆发生非导向行驶事件，则利用预设的车牌识别模型对取证图片上的目标车辆进行车牌识别，以得到车牌信息，并记录违章时间；
通讯模块15，用于将所述车牌信息、违章时间、取证图片及目标车辆在取证图片中的位置信息推送至后台进行入库、显示。
其中，所述判定信息包括车道属性区域、确定左转区域、确定直行区域和确定右转区域，所述检测跟踪模块12具体用于：
利用预设的车辆检测模型对所述待检测图像进行检测，以得到目标车辆；
若所述目标车辆首次出现在车道区域内，则保存第一张取证图片，并记录所述目标车辆在当前帧图片中的位置和所述目标车辆的初始车道信息；
采用检测框重叠度最大的方式对所述目标车辆进行跟踪，当所述目标车辆首次离开所在车道区域时，保存第二张取证图片，并记录所述目标车辆在当前帧图片中的位置；
当所述目标车辆进入确定左转区域、确定直行区域或确定右转区域时，保存第三张取证图片，并记录所述目标车辆在当前帧图片中的位置和所述目标车辆的最终车道信息。
进一步地，该检测装置还包括模型训练模块16，用于：
获取人工标注的第一样本集和第二样本集；
采用darknet深度学习框架对所述第一样本集进行车辆检测训练，以得到所述车辆检测模型；
采用MXNET-CNN深度学习框架对所述第二样本集进行车牌识别训练，以得到所述车牌识别模型。
在本发明的另一优选实施例中，如图7所示，该检测装置可以包括：一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104，上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序，所述计算机程序包括程序指令，所述处理器101被配置用于调用所述程序指令执行上述方法实施例部分的方法。
应当理解，在本发明实施例中，所称处理器101可以是中央处理单元(CentralProcessing Unit，CPU)，深度学习显卡(如：华为NPU,英伟达GPU,谷歌TPU)该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备102可以包括键盘等，输出设备103可以包括显示器(LCD等)、扬声器等。
该存储器104可以包括只读存储器和随机存取存储器，并向处理器101提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如，存储器104还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器101、输入设备102、输出设备103可执行本发明实施例提供的视频车辆非导向行驶检测方法的实施例中所描述的实现方式，在此不再赘述。
需要说明的是，本发明实施例中检测装置的具体工作流程及相关细节，请参考前述方法实施例部分，在此不再赘述。
本发明实施例所提供的视频车辆非导向行驶检测装置，实现了实时检测非导向行驶车辆的功能，并能直接生成违章车辆判罚依据，提高了交通违章判罚的效率。
进一步地，本发明实施例还提供了一种可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现：上述视频车辆非导向行驶检测方法。
所述计算机可读存储介质可以是前述任一实施例所述的系统的内部存储单元，例如系统的硬盘或内存。所述计算机可读存储介质也可以是所述系统的外部存储设备，例如所述系统上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述系统的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述系统所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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。另外，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，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明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，也可以是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，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种视频车辆非导向行驶检测方法，其特征在于，包括：
获取样本视频场景，对所述样本视频场景进行标记处理，以得到判定信息；
读取实时视频流，并对所述实时视频流进行解码以得到待检测图片；
利用预设的车辆检测模型对所述待检测图片进行车辆检测及跟踪，并结合所述判定信息得到多张取证图片，所述取证图片中包括目标车辆；
根据多张取证照片判定目标车辆是否发生非导向行驶事件；
若车辆发生非导向行驶事件，则利用预设的车牌识别模型对取证图片上的目标车辆进行车牌识别，以得到车牌信息，并记录违章时间；
将所述车牌信息、违章时间、取证图片及目标车辆在取证图片中的位置信息推送至后台进行入库、显示。
2.如权利要求1所述的视频车辆非导向行驶检测方法，其特征在于，所述判定信息包括车道属性区域、确定左转区域、确定直行区域和确定右转区域，所述车道区域包括左转车道、左转直行车道、直行车道、直行右转车道和右转车道。
3.如权利要求2所述的视频车辆非导向行驶检测方法，其特征在于，利用预设的车辆检测模型对所述待检测图片进行车辆检测及跟踪，以得到多张取证图片，具体包括：
利用预设的车辆检测模型对所述待检测图像进行检测，以得到目标车辆；
若所述目标车辆首次出现在车道区域内，则保存第一张取证图片，并记录所述目标车辆在当前帧图片中的位置和所述目标车辆的初始车道信息；
采用检测框重叠度最大的方式对所述目标车辆进行跟踪，当所述目标车辆首次离开所在车道区域时，保存第二张取证图片，并记录所述目标车辆在当前帧图片中的位置；
当所述目标车辆进入确定左转区域、确定直行区域或确定右转区域时，保存第三张取证图片，并记录所述目标车辆在当前帧图片中的位置和所述目标车辆的最终车道信息。
4.如权利要求3所述的视频车辆非导向行驶检测方法，其特征在于，根据多张取证照片判定目标车辆是否发生非导向行驶事件，具体包括：
根据确定左转区域、确定直行区域、确定右转区域、初始车道信息和最终车道信息判定目标车辆是否发生非导向行驶事件。
5.如权利要求1-4任一项所述的视频车辆非导向行驶检测方法，其特征在于，所述方法还包括：
获取人工标注的第一样本集和第二样本集；
采用darknet深度学习框架对所述第一样本集进行车辆检测训练，以得到所述车辆检测模型；
采用MXNET-CNN深度学习框架对所述第二样本集进行车牌识别训练，以得到所述车牌识别模型。
6.一种视频车辆非导向行驶检测装置，其特征在于，包括：
标记模块，用于获取样本视频场景，对所述样本视频场景进行标记处理，以得到判定信息；
解码模块，用于读取实时视频流，并对所述实时视频流进行解码以得到待检测图片；
检测跟踪模块，用于利用预设的车辆检测模型对所述待检测图片进行车辆检测及跟踪，并结合所述判定信息得到多张取证图片，所述取证图片中包括目标车辆；
判定模块，用于根据多张取证照片判定目标车辆是否发生非导向行驶事件；
识别模块，用于若车辆发生非导向行驶事件，则利用预设的车牌识别模型对取证图片上的目标车辆进行车牌识别，以得到车牌信息，并记录违章时间；
通讯模块，用于将所述车牌信息、违章时间、取证图片及目标车辆在取证图片中的位置信息推送至后台进行入库、显示。
7.如权利要求6所述的视频车辆非导向行驶检测装置，其特征在于，所述判定信息包括车道属性区域、确定左转区域、确定直行区域和确定右转区域，所述检测跟踪模块具体用于：
利用预设的车辆检测模型对所述待检测图像进行检测，以得到目标车辆；
若所述目标车辆首次出现在车道区域内，则保存第一张取证图片，并记录所述目标车辆在当前帧图片中的位置和所述目标车辆的初始车道信息；
采用检测框重叠度最大的方式对所述目标车辆进行跟踪，当所述目标车辆首次离开所在车道区域时，保存第二张取证图片，并记录所述目标车辆在当前帧图片中的位置；
当所述目标车辆进入确定左转区域、确定直行区域或确定右转区域时，保存第三张取证图片，并记录所述目标车辆在当前帧图片中的位置和所述目标车辆的最终车道信息。
8.如权利要求6或7所述的视频车辆非导向行驶检测装置，其特征在于，所述装置还包括模型训练模块，用于：
获取人工标注的第一样本集和第二样本集；
采用darknet深度学习框架对所述第一样本集进行车辆检测训练，以得到所述车辆检测模型；
采用MXNET-CNN深度学习框架对所述第二样本集进行车牌识别训练，以得到所述车牌识别模型。
9.一种视频车辆非导向行驶检测装置，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求5所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求5所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911193548.1A CN110909699A (zh) | 2019-11-28 | 2019-11-28 | 视频车辆非导向行驶检测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911193548.1A CN110909699A (zh) | 2019-11-28 | 2019-11-28 | 视频车辆非导向行驶检测方法、装置及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110909699A true CN110909699A (zh) | 2020-03-24 |
Family
ID=69820354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911193548.1A Pending CN110909699A (zh) | 2019-11-28 | 2019-11-28 | 视频车辆非导向行驶检测方法、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110909699A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539317A (zh) * | 2020-04-22 | 2020-08-14 | 上海眼控科技股份有限公司 | 车辆违规行驶检测方法、装置、计算机设备和存储介质 |
| CN111652112A (zh) * | 2020-05-29 | 2020-09-11 | 北京百度网讯科技有限公司 | 一种车道流向的识别方法、装置、电子设备及存储介质 |
| CN111709286A (zh) * | 2020-05-14 | 2020-09-25 | 深圳市金溢科技股份有限公司 | 车辆排序及etc交易方法、存储介质、工控机设备及etc系统 |
| CN111815959A (zh) * | 2020-06-19 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种车辆违章的检测方法、装置以及计算机可读存储介质 |
| CN112949465A (zh) * | 2021-02-26 | 2021-06-11 | 上海商汤智能科技有限公司 | 车辆连续变道识别方法、装置、设备及存储介质 |
| CN114333344A (zh) * | 2021-12-29 | 2022-04-12 | 以萨技术股份有限公司 | 机动车违章抓拍方法、装置及电子设备 |
| CN114693722A (zh) * | 2022-05-31 | 2022-07-01 | 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 |
| CN114758511A (zh) * | 2022-06-14 | 2022-07-15 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种跑车超速检测系统、方法、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120287278A1 (en) * | 2011-05-15 | 2012-11-15 | Robert Danis | Traffic Violation Photo Enforcement System |
| CN107293116A (zh) * | 2017-06-27 | 2017-10-24 | 浙江浩腾电子科技股份有限公司 | 一种基于视频分析的交通事件检测系统 |
| CN109166353A (zh) * | 2018-09-12 | 2019-01-08 | 安徽中科美络信息技术有限公司 | 一种车辆行驶前方复杂路口导向车道检测方法及系统 |
| CN109615868A (zh) * | 2018-12-20 | 2019-04-12 | 北京以萨技术股份有限公司 | 一种基于深度学习的视频车辆违停检测方法 |
| CN109948418A (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违反导向违法自动审核方法 |
| WO2019127274A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳市锐明技术股份有限公司 | 一种针对犯罪活动的告警方法、装置、存储介质及服务器 |
-
2019
- 2019-11-28 CN CN201911193548.1A patent/CN110909699A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120287278A1 (en) * | 2011-05-15 | 2012-11-15 | Robert Danis | Traffic Violation Photo Enforcement System |
| CN107293116A (zh) * | 2017-06-27 | 2017-10-24 | 浙江浩腾电子科技股份有限公司 | 一种基于视频分析的交通事件检测系统 |
| WO2019127274A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳市锐明技术股份有限公司 | 一种针对犯罪活动的告警方法、装置、存储介质及服务器 |
| CN109166353A (zh) * | 2018-09-12 | 2019-01-08 | 安徽中科美络信息技术有限公司 | 一种车辆行驶前方复杂路口导向车道检测方法及系统 |
| CN109615868A (zh) * | 2018-12-20 | 2019-04-12 | 北京以萨技术股份有限公司 | 一种基于深度学习的视频车辆违停检测方法 |
| CN109948418A (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违反导向违法自动审核方法 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539317A (zh) * | 2020-04-22 | 2020-08-14 | 上海眼控科技股份有限公司 | 车辆违规行驶检测方法、装置、计算机设备和存储介质 |
| CN111709286A (zh) * | 2020-05-14 | 2020-09-25 | 深圳市金溢科技股份有限公司 | 车辆排序及etc交易方法、存储介质、工控机设备及etc系统 |
| CN111709286B (zh) * | 2020-05-14 | 2023-10-17 | 深圳市金溢科技股份有限公司 | 车辆排序及etc交易方法、存储介质、工控机设备及etc系统 |
| 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 |
| CN111652112A (zh) * | 2020-05-29 | 2020-09-11 | 北京百度网讯科技有限公司 | 一种车道流向的识别方法、装置、电子设备及存储介质 |
| CN111815959A (zh) * | 2020-06-19 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种车辆违章的检测方法、装置以及计算机可读存储介质 |
| CN111815959B (zh) * | 2020-06-19 | 2021-11-16 | 浙江大华技术股份有限公司 | 一种车辆违章的检测方法、装置以及计算机可读存储介质 |
| CN112949465A (zh) * | 2021-02-26 | 2021-06-11 | 上海商汤智能科技有限公司 | 车辆连续变道识别方法、装置、设备及存储介质 |
| CN114333344A (zh) * | 2021-12-29 | 2022-04-12 | 以萨技术股份有限公司 | 机动车违章抓拍方法、装置及电子设备 |
| 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 |
| CN114693722A (zh) * | 2022-05-31 | 2022-07-01 | 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 |
| CN114758511B (zh) * | 2022-06-14 | 2022-11-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种跑车超速检测系统、方法、电子设备及存储介质 |
| CN114758511A (zh) * | 2022-06-14 | 2022-07-15 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种跑车超速检测系统、方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110909699A (zh) | 视频车辆非导向行驶检测方法、装置及可读存储介质 | |
| US10762338B2 (en) | Method and apparatus for detecting fake license plates of vehicles, readable storage medium, and electronic device | |
| WO2020248386A1 (zh) | 视频分析方法、装置、计算机设备及存储介质 | |
| CN112085952B (zh) | 监控车辆数据方法、装置、计算机设备及存储介质 | |
| CN109919008A (zh) | 运动目标检测方法、装置、计算机设备及存储介质 | |
| CN105702048B (zh) | 基于行车记录仪的高速公路前车违法占道识别系统及方法 | |
| CN111325988A (zh) | 基于视频的实时闯红灯检测方法、装置、系统及存储介质 | |
| CN111444798B (zh) | 电动自行车驾驶行为的识别方法、装置和计算机设备 | |
| CN111627215A (zh) | 基于人工智能的视频图像识别方法及相关设备 | |
| CN110032947B (zh) | 一种监控事件发生的方法及装置 | |
| CN110580808B (zh) | 一种信息处理方法、装置、电子设备及智能交通系统 | |
| Shobayo et al. | Development of smart plate number recognition system for fast cars with web application | |
| CN112651293B (zh) | 一种公路违法设摊事件视频检测方法 | |
| CN113055823B (zh) | 一种基于路侧停车管理共享单车的方法及装置 | |
| CN114708547A (zh) | 车辆重识别方法、装置、计算机设备、存储介质 | |
| CN111898540A (zh) | 车道线检测方法、装置、计算机设备及计算机可读存储介质 | |
| CN117218622A (zh) | 路况检测方法、电子设备及存储介质 | |
| Suttiponpisarn et al. | Detection of wrong direction vehicles on two-way traffic | |
| CN111191607A (zh) | 确定车辆的转向信息的方法、设备和存储介质 | |
| CN114724122A (zh) | 一种目标追踪方法、装置、电子设备及存储介质 | |
| CN111985304A (zh) | 巡防告警方法、系统、终端设备及存储介质 | |
| CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
| CN112380993A (zh) | 基于目标实时追踪信息的智能违法行为检测系统及方法 | |
| CN114913470B (zh) | 一种事件检测方法及装置 | |
| CN112767710A (zh) | 车辆违法行为检测方法、装置及存储介质 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 266400 No. 77, Lingyan Road, LINGSHANWEI sub district office, Huangdao District, Qingdao City, Shandong Province Applicant after: Issa Technology Co.,Ltd. Applicant after: QINGDAO YISA DATA TECHNOLOGY Co.,Ltd. Address before: 266400 No. 77, Lingyan Road, LINGSHANWEI sub district office, Huangdao District, Qingdao City, Shandong Province Applicant before: Qingdao Issa Technology Co.,Ltd. Applicant before: QINGDAO YISA DATA TECHNOLOGY Co.,Ltd. Address after: 266400 No. 77, Lingyan Road, LINGSHANWEI sub district office, Huangdao District, Qingdao City, Shandong Province Applicant after: Qingdao Issa Technology Co.,Ltd. Applicant after: QINGDAO YISA DATA TECHNOLOGY Co.,Ltd. Address before: 100020 room 108, 1 / F, building 17, yard 6, Jingshun East Street, Chaoyang District, Beijing Applicant before: BEIJING YISA TECHNOLOGY Co.,Ltd. Applicant before: QINGDAO YISA DATA TECHNOLOGY Co.,Ltd. |