CN111160175A - 智能行人违章行为管理方法及相关产品 - Google Patents
智能行人违章行为管理方法及相关产品 Download PDFInfo
- Publication number
- CN111160175A CN111160175A CN201911319333.XA CN201911319333A CN111160175A CN 111160175 A CN111160175 A CN 111160175A CN 201911319333 A CN201911319333 A CN 201911319333A CN 111160175 A CN111160175 A CN 111160175A
- Authority
- CN
- China
- Prior art keywords
- target
- person
- image
- pedestrian
- face
- 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
- G06V20/40—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
Abstract
本申请实施例公开了一种智能行人违章行为管理方法及相关产品,应用于智能交通系统,所述智能交通系统连接至少一个摄像头,所述方法包括:通过所述至少一个摄像头获取行人图像,所述行人图像中包括至少一个人物;依据所述行人图像确定所述至少一个人物中的目标人物,该目标人物为违章人物;对所述目标人物进行跟踪,得到所述目标人物的视频影像;将所述视频影像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板,并获取该目标人脸模板对应的身份信息,所述预设神经网络模型由大量人脸模板图像训练得到;依据所述身份信息向所述目标人物发送告警信息。采用本申请实施例能够提升行人违章行为管理效率。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种智能行人违章行为管理方法及相关产品。
背景技术
智能交通(Intelligent Transportation System,ITS)在交通领域中充分运用物联网、云计算、互联网、人工智能、自动控制、移动互联网等技术,通过高新技术汇集交通信息,对交通管理、交通运输、公众出行等等交通领域全方面以及交通建设管理全过程进行管控支撑,使交通系统在区域、城市甚至更大的时空范围具备感知、互联、分析、预测、控制等能力,以充分保障交通安全、发挥交通基础设施效能、提升交通系统运行效率和管理水平,为通畅的公众出行和可持续的经济发展服务,但是,目前来看,智能交通还是不够智能化,例如,无法精准对行人行为进行监控。
发明内容
本申请实施例提供了一种智能行人违章行为管理方法及相关产品,能够实现精准行人监控。
第一方面,本申请实施例提供一种智能行人违章行为管理方法,应用于智能交通系统,所述智能交通系统连接至少一个摄像头,所述方法包括:
通过所述至少一个摄像头获取行人图像,所述行人图像中包括至少一个人物;
依据所述行人图像确定所述至少一个人物中的目标人物,该目标人物为违章人物;
对所述目标人物进行跟踪,得到所述目标人物的视频影像;
将所述视频影像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板,并获取该目标人脸模板对应的身份信息,所述预设神经网络模型由大量人脸模板图像训练得到;
依据所述身份信息向所述目标人物发送告警信息。
第二方面,本申请实施例提供一种智能行人违章行为管理装置,应用于智能交通系统,所述智能交通系统连接至少一个摄像头,所述装置包括:
获取单元,用于通过所述至少一个摄像头获取行人图像,所述行人图像中包括至少一个人物;
确定单元,用于依据所述行人图像确定所述至少一个人物中的目标人物,该目标人物为违章人物;
跟踪单元,用于对所述目标人物进行跟踪,得到所述目标人物的视频影像;
识别单元,用于将所述视频影像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板,并获取该目标人脸模板对应的身份信息,所述预设神经网络模型由大量人脸模板图像训练得到;
发送单元,用于依据所述身份信息向所述目标人物发送告警信息。
第三方面,本申请实施例提供了一种控制平台,包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行本申请实施例第一方面中的步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本申请实施例,具备如下有益效果:
可以看出,本申请实施例中所描述的智能行人违章行为管理方法及相关产品,应用于智能交通系统,智能交通系统连接至少一个摄像头,通过至少一个摄像头获取行人图像,行人图像中包括至少一个人物,依据行人图像确定至少一个人物中的目标人物,该目标人物为违章人物,对目标人物进行跟踪,得到目标人物的视频影像,将视频影像输入到预设神经网络模型,得到与目标人物对应的目标人脸模板,并获取该目标人脸模板对应的身份信息,预设神经网络模型由大量人脸模板图像训练得到,依据身份信息向目标人物发送告警信息,如此,可以对行人图像进行分析,在识别出违章人物,则可以对其跟踪,并获取其对应的身份信息,基于该身份信息发送告警信息,能够实现精准行人监控,并对用户交通行为进行约束,提升交通管理效率。
附图说明
为了更清楚地说明本申请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,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1A是本申请实施例提供的一种人工智能芯片的结构示意图;
图1B是本申请实施例提供的交通管理系统的架构示意图;
图1C是本申请实施例提供的一种智能行人违章行为管理方法的流程示意图;
图2是本申请实施例提供的另一种智能行人违章行为管理方法的流程示意图;
图3是本申请实施例提供的一种控制平台的结构示意图;
图4A是本申请实施例提供的一种智能行人违章行为管理装置的功能单元组成框图;
图4B是本申请实施例提供的一种智能行人违章行为管理装置的功能单元组成框图。
具体实施方式
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例所涉及到的电子设备可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备(智能手表、智能手环、无线耳机、增强现实/虚拟现实设备、智能眼镜)、计算设备或连接到无线调制解调器的其他处理设备,以及各种形式的用户设备(userequipment,UE),移动台(mobile station,MS),控制平台,终端设备(terminal device)等等。为方便描述,上面提到的设备统称为电子设备。
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面对本申请实施例进行详细介绍。
参阅图1A,图1A为本申请提供的一种人工智能芯片的结构示意图,该人工智能芯片应用于电子设备,该电子设备可以包括智能交通系统,所述智能交通系统除了包括人工智能芯片之外,还可以包括获取电路、图像处理电路和通信芯片,所述电子设备的人工智能芯片可以用于执行图像识别运算,人工智能芯片其包括:核心处理电路、传输处理电路、普通处理电路、数据访问单元、第一存储器和多个第二存储器,每个传输处理电路与对应的一个第二存储器连接,数据访问单元与第一存储器和多个第二存储器分别连接。如图1A所示的结构,具有如下的优点,在运算前,数据访问单元从外部器件(即人工智能芯片外,例如智能手机的存储器)读取片外数据,然后将片外数据发送至第一存储器和/或第二存储器;在运算完毕后,数据访问单元将运算结果从第一存储器和/或第二存储器中发送至外部器件。这样可以在运算时,将待运算数据和中间结果保存在片上的第一存储器和/或第二存储器中,从而减少人工智能芯片与外部器件的交互次数。另外,每个传输处理电路分配一个第二存储器,能够避免所有普通处理电路和传输处理电路共享同一个第二存储器,无法有效利用数据局部性而导致额外的访存开销。
外部器件在针对不同的场景可能有所不同,例如交通场景,其对应的外部器件可以为图像采集器,具体的,例如摄像头,该摄像头可以为单摄像头或者多摄像头,单摄像头可以为红外摄像头、可见光摄像头、广角摄像头,双摄像头可以为可见光摄像头+红外摄像头,或者,广角可见光摄像头+普通可见光摄像头,在此不做限定。对于图像识别场景,其实现的方式具体可以包括:图像采集器采集图像数据,数据转换器(例如模数转换器)将图像数据转换成输入数据传输给核心处理电路,核心处理电路将该接收到的输入数据分发至传输处理电路(可选的),传输处理电路将数据转发至各个普通处理电路,各个普通处理电路执行各自计算后得到中间结果,将中间结果通过传输处理电路转发至核心处理电路,核心处理电路依据中间结果处理得到最终计算结果,依据该最终计算结果得到图像识别的结果。
进一步地,请参阅图1B,图1B是本申请实施例提供的用于实现一种智能行人违章行为管理方法的智能交通系统的架构示意图,该智能交通系统包括控制平台,且通过控制平台连接至少一个摄像头。其中,获取电路可以包括一个或者多个摄像头,还可以包括处理器,用于对多个摄像头的数据进行数据转换和数据预处理;图像处理电路可以包括通用处理器,用于实现图像处理功能。处理器可以为控制平台的部分或者全部处理功能。通信芯片可以包括射频收发电路,用于实现通信功能。上述处理器可以为以下至少一种:中央处理器(Central Processing Unit/Processor,CPU)、图形处理器(Graphics Processing Unit,GPU)或者图1A所描述的人工智能芯片等等,在此不做限定。
本申请实施例中,智能交通系统可以包括控制平台,控制平台可以包括如图1A所示的人工智能芯片,基于上述图1B所示的智能交通系统可以实现如下功能:
所述获取电路通过所述至少一个摄像头获取行人图像,所述行人图像中包括至少一个人物;
所述图像处理电路依据所述行人图像确定所述至少一个人物中的目标人物,该目标人物为违章人物;
所述图像处理电路对所述目标人物进行跟踪,得到所述目标人物的视频影像;
所述人工智能芯片将所述视频影像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板,并获取该目标人脸模板对应的身份信息,所述预设神经网络模型由大量人脸模板图像训练得到;
所述通信芯片依据所述身份信息向所述目标人物发送告警信息。
在一个可能的示例中,在所述通过所述至少一个摄像头获取行人图像方面,所述获取电路具体用于:
通过所述至少一个摄像头中的一个摄像头获取预览图像;
在所述预览图像中存在至少一个人时,获取目标环境参数,所述目标环境参数包括:温度、湿度、环境光亮度、天气、噪声系数、PM2.5值、粉尘浓度;
按照预设的环境参数与拍摄参数之间的映射关系,确定所述目标环境参数对应的目标拍摄参数,所述目标拍摄参数包括摄像头序号、感光度ISO、曝光时长、闪光灯亮度、闪光灯时长、闪光灯频率和白平衡参数;
依据所述目标拍摄参数进行拍摄,得到所述行人图像。
在一个可能的示例中,在所述依据所述行人图像确定所述至少一个人物中的目标人物方面,所述图像处理电路具体用于:
对所述行人图像进行人物分割,得到至少一个人物,以及所述至少一个人物中每一人物对应的位置;
依据所述行人图像确定斑马线位置和交通指示灯状态;
依据所述至少一个人物中每一人物对应的位置、所述斑马线位置和所述交通指示灯状态进行违章行为识别,得到所述目标人物。
在一个可能的示例中,在所述将所述视频影像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板方面,所述人工智能芯片具体用于:
对所述视频影像进行目标提取,得到所述目标人物的多个人脸图像;
确定所述多个人脸图像中每一人脸图像的人脸角度,得到多个人脸角度;
获取所述多个人脸图像中每一人脸图像的摄像头与人脸之间的距离,得到多个距离值;
按照预设的人脸角度与第一评价值之间的映射关系,确定所述多个人脸角度中每一人脸角度对应的目标第一评价值,得到多个目标第一评价值;
按照预设的距离值与第二评价值之间的映射关系,确定所述多个距离值中每一距离值对应的目标第二评价值,得到多个目标第二评价值;
获取所述第一评价值对应的第一权重值、所述第二评价值对应的第二权重值;
依据所述多个目标第一评价值、所述多个目标第二评价值、所述第一权重值和所述第二权重值进行加权运算,得到多个最终得分,每一人脸图像对应一个最终得分;
从所述多个最终得分中选取最大值,并获取该最大值对应的目标人脸图像;
将所述目标人脸图像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板。
在一个可能的示例中,在所述依据所述身份信息向所述目标人物发送告警信息之后,所述获取电路还具体用于:
统计所述目标人物的违章次数;
在所述违章次数超过预设阈值时,获取所述目标人物的目标违章评分;
按照预设的违章评分与征信等级之间的映射关系,确定所述目标违章评分对应的目标征信等级;
将所述目标人物的征信等级设置为所述目标征信等级。
进一步地,当然,基于上述智能交通系统还能实现与功能相应的方法,在此不再赘述。
请参阅图1C,图1C是本申请实施例提供的一种智能行人违章行为管理方法的流程示意图,如图所示,应用于如图1B所示的智能交通系统,所述智能交通系统连接至少一个摄像头,本智能行人违章行为管理方法包括:
101、通过所述至少一个摄像头获取行人图像,所述行人图像中包括至少一个人物。
其中,本申请实施例中,智能交通系统可以包括至少一个摄像头,该至少一个摄像头用于监控路面,或者,人行道,或者,十字路口。该至少一个摄像头可以理解为一个或者多个摄像头,该摄像头可以为以下至少一种:单摄像头或者多摄像头,其中,单摄像头可以为红外摄像头、可见光摄像头、广角摄像头等等,多摄像头可以为双摄像头,或者,三摄像头,或者四摄像头,摄像头的类型不做限定,摄像头的数量也在此不做限定。具体实现中,可以通过上述至少一个摄像头每隔预设时间间隔获取行人图像,该行人图像中可以包括至少一个人物,预设时间间隔可以由用户自行设置或者系统默认。
在一个可能的示例中,上述步骤101,通过所述至少一个摄像头获取行人图像,可以包括如下步骤:
11、通过所述至少一个摄像头中的一个摄像头获取预览图像;
12、在所述预览图像中存在至少一个人时,获取目标环境参数;
13、按照预设的环境参数与拍摄参数之间的映射关系,确定所述目标环境参数对应的目标拍摄参数,所述拍摄参数至少包括摄像头序号;
14、依据所述目标拍摄参数进行拍摄,得到所述行人图像。
其中,本申请实施例中,环境参数可以为以下至少一种:温度、湿度、环境光亮度、天气、噪声系数、PM2.5值、粉尘浓度等等,在此不做限定,拍摄参数包括摄像头序号,还可以为以下至少一种:感光度ISO、曝光时长、闪光灯亮度、闪光灯时长、闪光灯频率、白平衡参数等等,在此不做限定。智能交通系统中可以预先存储预设的环境参数与拍摄参数之间的映射关系。
具体实现中,可以在每次拍摄时控制该至少一个摄像头中的一个摄像头进行拍摄,得到预览图像,进一步地,对该预览图像进行目标提取,在预览图像中存在至少一个人时,可以获取目标环境参数,进而,可以依据预设的环境参数与拍摄参数之间的映射关系,确定目标环境参数对应的目标拍摄参数,并依据该目标摄像头参数进行拍摄,得到行人图像,从而,可以得到与环境相宜的行人图像,有助于提升后续行人行为分析效率。
102、依据所述行人图像确定所述至少一个人物中的目标人物,该目标人物为违章人物。
其中,可以对行人图像进行目标提取,得到多个人物,分析每一人物的行为,如果某个人物出现异常,则可以确认该人物违章。
在一个可能的示例中,上述步骤102,依据所述行人图像确定所述至少一个人物中的目标人物,可以包括如下步骤:
21、对所述行人图像进行人物分割,得到至少一个人物,以及所述至少一个人物中每一人物对应的位置;
22、依据所述行人图像确定斑马线位置和红灯状态;
23、依据所述至少一个人物中每一人物对应的位置、所述斑马线位置和所述红灯状态进行违章行为识别,得到所述目标人物。
其中,交通指示灯状态可以为以下至少一种:红灯状态、绿灯状态、黄灯状态等等,智能交通系统可以对行人图像进行人物分割,得到至少一个人物,以及该至少一个人物中每一人物的位置,还可以依据该行人图像确定斑马线位置以及交通指示灯状态以及至少一个人物中每一人物对应的位置,则可以确定每一人物的行为是否违章,例如,违章行为可以为闯红灯,则可以检测交通指示灯状态,若其处于绿灯状态,则行人未闯红灯,若其处于红灯状态,则行人闯红灯;又例如,违章行人可以为未走斑马线,检测行人的距离与斑马线之间的距离是否大于预设距离,若是,则说明行人未走斑马线,该行为处于违章行为,若否,则说明行人走斑马线,该行为属于合法行为。
103、对所述目标人物进行跟踪,得到所述目标人物的视频影像。
其中,智能交通系统可以锁定目标人物,并对目标人物进行跟踪,得到该目标人物的视频影像。具体地,可以通过该至少一个摄像头中所有摄像头对该目标人物进行拍摄,得到目标人物的视频影像。
104、将所述视频影像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板,并获取该目标人脸模板对应的身份信息,所述预设神经网络模型由大量人脸模板图像训练得到。
其中,本申请实施例中,预设神经网络模型可以为以下至少一种:卷积神经网络模型、脉冲神经网络模型、循环神经网络模型等等,在此不做限定。本申请实施例中,预设神经网络模型可以由大量人脸模板训练得到,其中,可以包括目标人物的人脸模板,本申请实施例中,身份信息可以为以下至少一种:姓名、年龄、性别、工作单位、征信、人脸图像、家庭住址、银行卡号、手机号码等等,在此不做限定。
具体实现中,可以将该目标人物的视频影像输入到预设神经网络模型中,可以得到与目标人物对应的目标人脸图像,智能交通系统中还可以预先存储人脸模板与身份信息之间的映射关系,进而,可以获取该目标人脸模板对应的身份信息。
在一个可能的示例中,上述步骤104,将所述视频影像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板,可以包括如下步骤:
41、对所述视频影像进行目标提取,得到所述目标人物的多个人脸图像;
42、确定所述多个人脸图像中每一人脸图像的人脸角度,得到多个人脸角度;
43、获取所述多个人脸图像中每一人脸图像的摄像头与人脸之间的距离,得到多个距离值;
44、按照预设的人脸角度与第一评价值之间的映射关系,确定所述多个人脸角度中每一人脸角度对应的目标第一评价值,得到多个目标第一评价值;
45、按照预设的距离值与第二评价值之间的映射关系,确定所述多个距离值中每一距离值对应的目标第二评价值,得到多个目标第二评价值;
46、获取所述第一评价值对应的第一权重值、所述第二评价值对应的第二权重值;
47、依据所述多个目标第一评价值、所述多个目标第二评价值、所述第一权重值和所述第二权重值进行加权运算,得到多个最终得分,每一人脸图像对应一个最终得分;
48、从所述多个最终得分中选取最大值,并获取该最大值对应的目标人脸图像;
49、将所述目标人脸图像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板。
具体实现中,智能交通系统中可以预先存储预设的人脸角度与第一评价值之间的映射关系,以及预设的距离值与第二评价值之间的映射关系。智能交通系统还可以对视频影像进行目标提取,得到目标人物的多个人脸图像,由于每一人脸图像的人脸角度不一,且人脸与摄像头之间的拍摄距离不一样,因此,需要选取一张最佳的人脸图像,具体地,确定多个人脸图像中每一人脸图像的人脸角度,得到多个人脸角度,还可以获取多个人脸图像中每一人脸图像的摄像头与人脸之间的距离,得到多个距离值,按照预设的人脸角度与第一评价值之间的映射关系,确定多个人脸角度中每一人脸角度对应的目标第一评价值,得到多个目标第一评价值,按照预设的距离值与第二评价值之间的映射关系,确定多个距离值中每一距离值对应的目标第二评价值,得到多个目标第二评价值,获取第一评价值对应的第一权重值、第二评价值对应的第二权重值,进而,可以依据多个目标第一评价值、多个目标第二评价值、第一权重值和第二权重值进行加权运算,得到多个最终得分,每一人脸图像对应一个最终得分,最终得分=目标第一评价值*第一权重值+目标第二评价值*第二权重值,进一步地,可以从多个最终得分中选取最大值,并获取该最大值对应的目标人脸图像,将目标人脸图像输入到预设神经网络模型,得到所述目标人物的身份信息。
在一个可能的示例中,上述步骤48-49之间,还可以包括如下步骤:
A1、对所述目标人脸图像进行人脸分割,得到目标人脸区域图像;
A2、将所述目标人脸区域图像划分为多个区域,每一区域的面积大于预设面积;
A3、确定所述多个区域中每一区域的特征点分布密度,得到多个特征点分布密度;
A4、从所述多个特征点分布密度中选取小于预设特征点分布密度的特征点分布密度,得到至少一个特征点分布密度;
A5、按照预设的特征点分布密度与图像增强参数之间的映射关系确定所述至少一个特征点分布密度对应的至少一个目标图像增强参数,每一特征点分布密度对应一个目标图像增强参数;
A6、依据所述至少一个目标图像增强参数对所述至少一个特征点分布密度对应的区域进行图像增强处理,得到图像增强处理后的所述目标人脸图像。
其中,预设特征点分布密度可以由用户自行设置或者系统默认。控制平台可以对目标人脸图像进行人脸分割,得到目标人脸区域图像,即只包括人脸的图像,进一步地,可以将目标人脸区域图像划分为多个区域,每一区域的面积大于预设面积,该预设面积可以由用户自行设置或者系统默认。
进一步地,还可以确定多个区域中每一区域的特征点分布密度,得到多个特征点分布密度,具体地,可以对确定每一区域的面积,以及每一区域对应的特征点数量,将每一区域的特征点数量与其对应的面积之间的比值作为特征点分布密度,从该多个特征点分布密度中选取小于预设特征点分布密度的特征点分布密度,得到至少一个特征点分布密度,控制平台中可以预先存储预设的特征点分布密度与图像增强参数之间的映射关系,图像增强参数可以包括图像增强算法标识以及对应的控制参数,图像增强算法可以为以下至少一种:图像锐化处理、暗通道去雾算法、灰度拉伸、直方图均衡化、平滑处理、小波变换等等,在此不做限定,而控制参数则是图像增强算法对应的调节参数,进而,可以依据该映射关系确定至少一个特征点分布密度对应的至少一个目标图像增强参数,每一特征点分布密度对应一个目标图像增强参数,依据至少一个目标图像增强参数对至少一个特征点分布密度对应的区域进行图像增强处理,得到图像增强处理后的目标人脸图像,再将图像增强处理后的目标人脸图像应用于步骤49,如此,可以针对性地对人脸图像进行图像增强处理,有助于提升人脸识别精度。
105、依据所述身份信息向所述目标人物发送告警信息。
其中,由于身份信息可以对应目标人物的一些个人身份信息,例如,人脸图像,则可以在路边展示该目标人物的人脸图像,又或者,身份信息包括目标人物的手机号,则可以向该手机号发送告警信息。
在一个可能的示例中,上述步骤105之后,还可以包括如下步骤:
B1、统计所述目标人物的违章次数;
B2、在所述违章次数超过预设阈值时,获取所述目标人物的目标违章评分;
B3、按照预设的违章评分与征信等级之间的映射关系,确定所述目标违章评分对应的目标征信等级;
B4、将所述目标人物的征信等级设置为所述目标征信等级。
其中,上述预设阈值可以由用户自行设置或者系统默认,智能交通系统中可以预先存储预设的违章评分与征信等级之间的映射关系。具体实现中,智能交通系统可以统计目标人物的违章次数,并在该违章次数超过预设阈值时,获取该目标人物对应的目标违章评分,进而,可以按照预设的违章评分与征信等级之间的映射关系,确定目标违章评分对应的
可以看出,本申请实施例中所描述的智能行人违章行为管理方法,应用于智能交通系统,智能交通系统连接至少一个摄像头,通过至少一个摄像头获取行人图像,行人图像中包括至少一个人物,依据行人图像确定至少一个人物中的目标人物,该目标人物为违章人物,对目标人物进行跟踪,得到目标人物的视频影像,将视频影像输入到预设神经网络模型,得到与目标人物对应的目标人脸模板,并获取该目标人脸模板对应的身份信息,预设神经网络模型由大量人脸模板图像训练得到,依据身份信息向目标人物发送告警信息,统计目标人物的违章次数,在违章次数超过预设阈值时,获取目标人物的目标违章评分,按照预设的违章评分与征信等级之间的映射关系,确定目标违章评分对应的目标征信等级,将目标人物的征信等级设置为目标征信等级,如此,可以对行人图像进行分析,在识别出违章人物,则可以对其跟踪,并获取其对应的身份信息,基于该身份信息发送告警信息,还可以将用户行为与征信挂钩,能够实现精准行人监控,并对用户交通行为进行约束,提升交通管理效率。
与上述图1C所示的实施例一致地,请参阅图2,图2是本申请实施例提供的一种智能行人违章行为管理方法的流程示意图,如图所示,应用于如图1B所示的智能交通系统,所述智能交通系统连接至少一个摄像头,本智能行人违章行为管理方法包括:
201、通过所述至少一个摄像头获取行人图像,所述行人图像中包括至少一个人物。
202、依据所述行人图像确定所述至少一个人物中的目标人物,该目标人物为违章人物。
203、对所述目标人物进行跟踪,得到所述目标人物的视频影像。
204、将所述视频影像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板,并获取该目标人脸模板对应的身份信息,所述预设神经网络模型由大量人脸模板图像训练得到。
205、依据所述身份信息向所述目标人物发送告警信息。
206、统计所述目标人物的违章次数。
207、在所述违章次数超过预设阈值时,获取所述目标人物的目标违章评分。
208、按照预设的违章评分与征信等级之间的映射关系,确定所述目标违章评分对应的目标征信等级。
209、将所述目标人物的征信等级设置为所述目标征信等级。
其中,上述步骤201-步骤209的具体描述可以参照上述图1C所描述的智能行人违章行为管理方法的相应步骤,在此不再赘述。
可以看出,本申请实施例中所描述的智能行人违章行为管理方法,应用于智能交通系统,智能交通系统连接至少一个摄像头,通过至少一个摄像头获取行人图像,行人图像中包括至少一个人物,依据行人图像确定至少一个人物中的目标人物,该目标人物为违章人物,对目标人物进行跟踪,得到目标人物的视频影像,将视频影像输入到预设神经网络模型,得到与目标人物对应的目标人脸模板,并获取该目标人脸模板对应的身份信息,预设神经网络模型由大量人脸模板图像训练得到,依据身份信息向目标人物发送告警信息,如此,可以对行人图像进行分析,在识别出违章人物,则可以对其跟踪,并获取其对应的身份信息,基于该身份信息发送告警信息,能够实现精准行人监控,并对用户交通行为进行约束,提升交通管理效率。
与上述实施例一致地,请参阅图3,图3是本申请实施例提供的一种控制平台的结构示意图,如图所示,该控制平台包括处理器、存储器、通信接口以及一个或多个程序,应用于智能交通系统,所述智能交通系统连接至少一个摄像头,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,本申请实施例中,上述程序包括用于执行以下步骤的指令:
通过所述至少一个摄像头获取行人图像,所述行人图像中包括至少一个人物;
依据所述行人图像确定所述至少一个人物中的目标人物,该目标人物为违章人物;
对所述目标人物进行跟踪,得到所述目标人物的视频影像;
将所述视频影像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板,并获取该目标人脸模板对应的身份信息,所述预设神经网络模型由大量人脸模板图像训练得到;
依据所述身份信息向所述目标人物发送告警信息。
可以看出,本申请实施例中所描述的控制平台,应用于智能交通系统,智能交通系统连接至少一个摄像头,通过至少一个摄像头获取行人图像,行人图像中包括至少一个人物,依据行人图像确定至少一个人物中的目标人物,该目标人物为违章人物,对目标人物进行跟踪,得到目标人物的视频影像,将视频影像输入到预设神经网络模型,得到与目标人物对应的目标人脸模板,并获取该目标人脸模板对应的身份信息,预设神经网络模型由大量人脸模板图像训练得到,依据身份信息向目标人物发送告警信息,如此,可以对行人图像进行分析,在识别出违章人物,则可以对其跟踪,并获取其对应的身份信息,基于该身份信息发送告警信息,能够实现精准行人监控,并对用户交通行为进行约束,提升交通管理效率。
在一个可能的示例中,在所述通过所述至少一个摄像头获取行人图像方面,上述程序包括用于执行以下步骤的指令:
通过所述至少一个摄像头中的一个摄像头获取预览图像;
在所述预览图像中存在至少一个人时,获取目标环境参数,所述目标环境参数包括:温度、湿度、环境光亮度、天气、噪声系数、PM2.5值、粉尘浓度;
按照预设的环境参数与拍摄参数之间的映射关系,确定所述目标环境参数对应的目标拍摄参数,所述目标拍摄参数包括摄像头序号、感光度ISO、曝光时长、闪光灯亮度、闪光灯时长、闪光灯频率和白平衡参数;
依据所述目标拍摄参数进行拍摄,得到所述行人图像。
在一个可能的示例中,在所述依据所述行人图像确定所述至少一个人物中的目标人物方面,上述程序包括用于执行以下步骤的指令:
对所述行人图像进行人物分割,得到至少一个人物,以及所述至少一个人物中每一人物对应的位置;
依据所述行人图像确定斑马线位置和交通指示灯状态;
依据所述至少一个人物中每一人物对应的位置、所述斑马线位置和所述交通指示灯状态进行违章行为识别,得到所述目标人物。
在一个可能的示例中,在所述将所述视频影像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板方面,上述程序包括用于执行以下步骤的指令:
对所述视频影像进行目标提取,得到所述目标人物的多个人脸图像;
确定所述多个人脸图像中每一人脸图像的人脸角度,得到多个人脸角度;
获取所述多个人脸图像中每一人脸图像的摄像头与人脸之间的距离,得到多个距离值;
按照预设的人脸角度与第一评价值之间的映射关系,确定所述多个人脸角度中每一人脸角度对应的目标第一评价值,得到多个目标第一评价值;
按照预设的距离值与第二评价值之间的映射关系,确定所述多个距离值中每一距离值对应的目标第二评价值,得到多个目标第二评价值;
获取所述第一评价值对应的第一权重值、所述第二评价值对应的第二权重值;
依据所述多个目标第一评价值、所述多个目标第二评价值、所述第一权重值和所述第二权重值进行加权运算,得到多个最终得分,每一人脸图像对应一个最终得分;
从所述多个最终得分中选取最大值,并获取该最大值对应的目标人脸图像;
将所述目标人脸图像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板。
在一个可能的示例中,在所述依据所述身份信息向所述目标人物发送告警信息方面之后,上述程序还包括用于执行以下步骤的指令:
统计所述目标人物的违章次数;
在所述违章次数超过预设阈值时,获取所述目标人物的目标违章评分;
按照预设的违章评分与征信等级之间的映射关系,确定所述目标违章评分对应的目标征信等级;
将所述目标人物的征信等级设置为所述目标征信等级。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,控制平台为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所提供的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,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申请的范围。
本申请实施例可以根据上述方法示例对控制平台进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。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。需要说明的是,本申请实施例中对单元的划分是示意性的,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。
图4A是本申请实施例中所涉及的智能行人违章行为管理装置400的功能单元组成框图。该智能行人违章行为管理装置400,应用于智能交通系统,所述智能交通系统连接至少一个摄像头,所述装置400包括:获取单元401、确定单元402、跟踪单元403、识别单元404和发送单元405,其中,
获取单元401,用于通过所述至少一个摄像头获取行人图像,所述行人图像中包括至少一个人物;
确定单元402,用于依据所述行人图像确定所述至少一个人物中的目标人物,该目标人物为违章人物;
跟踪单元403,用于对所述目标人物进行跟踪,得到所述目标人物的视频影像;
识别单元404,用于将所述视频影像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板,并获取该目标人脸模板对应的身份信息,所述预设神经网络模型由大量人脸模板图像训练得到;
发送单元405,用于依据所述身份信息向所述目标人物发送告警信息。
可以看出,本申请实施例中所描述的智能行人违章行为管理装置,应用于智能交通系统,智能交通系统连接至少一个摄像头,通过至少一个摄像头获取行人图像,行人图像中包括至少一个人物,依据行人图像确定至少一个人物中的目标人物,该目标人物为违章人物,对目标人物进行跟踪,得到目标人物的视频影像,将视频影像输入到预设神经网络模型,得到与目标人物对应的目标人脸模板,并获取该目标人脸模板对应的身份信息,预设神经网络模型由大量人脸模板图像训练得到,依据身份信息向目标人物发送告警信息,如此,可以对行人图像进行分析,在识别出违章人物,则可以对其跟踪,并获取其对应的身份信息,基于该身份信息发送告警信息,能够实现精准行人监控,并对用户交通行为进行约束,提升交通管理效率。
在一个可能的示例中,在所述通过所述至少一个摄像头获取行人图像方面,所述获取单元401具体用于:
通过所述至少一个摄像头中的一个摄像头获取预览图像;
在所述预览图像中存在至少一个人时,获取目标环境参数,所述目标环境参数包括:温度、湿度、环境光亮度、天气、噪声系数、PM2.5值、粉尘浓度;
按照预设的环境参数与拍摄参数之间的映射关系,确定所述目标环境参数对应的目标拍摄参数,所述目标拍摄参数包括摄像头序号、感光度ISO、曝光时长、闪光灯亮度、闪光灯时长、闪光灯频率和白平衡参数;
依据所述目标拍摄参数进行拍摄,得到所述行人图像。
在一个可能的示例中,在所述依据所述行人图像确定所述至少一个人物中的目标人物方面,所述确定单元402具体用于:
对所述行人图像进行人物分割,得到至少一个人物,以及所述至少一个人物中每一人物对应的位置;
依据所述行人图像确定斑马线位置和交通指示灯状态;
依据所述至少一个人物中每一人物对应的位置、所述斑马线位置和所述交通指示灯状态进行违章行为识别,得到所述目标人物。
在一个可能的示例中,在所述将所述视频影像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板方面,所述识别单元404具体用于:
对所述视频影像进行目标提取,得到所述目标人物的多个人脸图像;
确定所述多个人脸图像中每一人脸图像的人脸角度,得到多个人脸角度;
获取所述多个人脸图像中每一人脸图像的摄像头与人脸之间的距离,得到多个距离值;
按照预设的人脸角度与第一评价值之间的映射关系,确定所述多个人脸角度中每一人脸角度对应的目标第一评价值,得到多个目标第一评价值;
按照预设的距离值与第二评价值之间的映射关系,确定所述多个距离值中每一距离值对应的目标第二评价值,得到多个目标第二评价值;
获取所述第一评价值对应的第一权重值、所述第二评价值对应的第二权重值;
依据所述多个目标第一评价值、所述多个目标第二评价值、所述第一权重值和所述第二权重值进行加权运算,得到多个最终得分,每一人脸图像对应一个最终得分;
从所述多个最终得分中选取最大值,并获取该最大值对应的目标人脸图像;
将所述目标人脸图像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板。
在一个可能的示例中,如图4B所示,图4B为图4A所描述的智能行人违章行为管理装置的又一变型结构,其与图4A相比较,还可以包括:统计单元406和设置单元407,具体如下:
统计单元406,用于统计所述目标人物的违章次数;
所述获取单元401,还具体用于在所述违章次数超过预设阈值时,获取所述目标人物的目标违章评分;
所述确定单元402,还具体用于按照预设的违章评分与征信等级之间的映射关系,确定所述目标违章评分对应的目标征信等级;
设置单元407,用于将所述目标人物的征信等级设置为所述目标征信等级。
可以理解的是,本实施例的智能行人违章行为管理装置的各程序模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括控制平台。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括控制平台。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
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,可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,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上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实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上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器中。基于这样的理解,本申请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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种智能行人违章行为管理方法,其特征在于,应用于智能交通系统,所述智能交通系统连接至少一个摄像头,所述智能交通系统包括获取电路、图像处理电路、人工智能芯片和通信芯片,所述方法包括:
所述获取电路通过所述至少一个摄像头获取行人图像,所述行人图像中包括至少一个人物;
所述图像处理电路依据所述行人图像确定所述至少一个人物中的目标人物,该目标人物为违章人物;
所述图像处理电路对所述目标人物进行跟踪,得到所述目标人物的视频影像;
所述人工智能芯片将所述视频影像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板,并获取该目标人脸模板对应的身份信息,所述预设神经网络模型由大量人脸模板图像训练得到;
所述通信芯片依据所述身份信息向所述目标人物发送告警信息。
2.根据权利要求1所述的方法,其特征在于,在所述通过所述至少一个摄像头获取行人图像方面,所述获取电路具体用于:
通过所述至少一个摄像头中的一个摄像头获取预览图像;
在所述预览图像中存在至少一个人时,获取目标环境参数,所述目标环境参数包括:温度、湿度、环境光亮度、天气、噪声系数、PM2.5值、粉尘浓度;
按照预设的环境参数与拍摄参数之间的映射关系,确定所述目标环境参数对应的目标拍摄参数,所述目标拍摄参数包括摄像头序号、感光度ISO、曝光时长、闪光灯亮度、闪光灯时长、闪光灯频率和白平衡参数;
依据所述目标拍摄参数进行拍摄,得到所述行人图像。
3.根据权利要求1或2所述的方法,其特征在于,在所述依据所述行人图像确定所述至少一个人物中的目标人物方面,所述图像处理电路具体用于:
对所述行人图像进行人物分割,得到至少一个人物,以及所述至少一个人物中每一人物对应的位置;
依据所述行人图像确定斑马线位置和交通指示灯状态;
依据所述至少一个人物中每一人物对应的位置、所述斑马线位置和所述交通指示灯状态进行违章行为识别,得到所述目标人物。
4.根据权利要求1-3任一项所述的方法,其特征在于,在所述将所述视频影像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板方面,所述人工智能芯片具体用于:
对所述视频影像进行目标提取,得到所述目标人物的多个人脸图像;
确定所述多个人脸图像中每一人脸图像的人脸角度,得到多个人脸角度;
获取所述多个人脸图像中每一人脸图像的摄像头与人脸之间的距离,得到多个距离值;
按照预设的人脸角度与第一评价值之间的映射关系,确定所述多个人脸角度中每一人脸角度对应的目标第一评价值,得到多个目标第一评价值;
按照预设的距离值与第二评价值之间的映射关系,确定所述多个距离值中每一距离值对应的目标第二评价值,得到多个目标第二评价值;
获取所述第一评价值对应的第一权重值、所述第二评价值对应的第二权重值;
依据所述多个目标第一评价值、所述多个目标第二评价值、所述第一权重值和所述第二权重值进行加权运算,得到多个最终得分,每一人脸图像对应一个最终得分;
从所述多个最终得分中选取最大值,并获取该最大值对应的目标人脸图像;
将所述目标人脸图像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板。
5.根据权利要求4所述的方法,其特征在于,在所述依据所述身份信息向所述目标人物发送告警信息之后,所述获取电路还具体用于:
统计所述目标人物的违章次数;
在所述违章次数超过预设阈值时,获取所述目标人物的目标违章评分;
按照预设的违章评分与征信等级之间的映射关系,确定所述目标违章评分对应的目标征信等级;
将所述目标人物的征信等级设置为所述目标征信等级。
6.一种智能行人违章行为管理装置,其特征在于,应用于智能交通系统,所述智能交通系统连接至少一个摄像头,所述装置包括:
获取单元,用于通过所述至少一个摄像头获取行人图像,所述行人图像中包括至少一个人物;
确定单元,用于依据所述行人图像确定所述至少一个人物中的目标人物,该目标人物为违章人物;
跟踪单元,用于对所述目标人物进行跟踪,得到所述目标人物的视频影像;
识别单元,用于将所述视频影像输入到预设神经网络模型,得到与所述目标人物对应的目标人脸模板,并获取该目标人脸模板对应的身份信息,所述预设神经网络模型由大量人脸模板图像训练得到;
发送单元,用于依据所述身份信息向所述目标人物发送告警信息。
7.根据权利要求6所述的装置,其特征在于,在所述通过所述至少一个摄像头获取行人图像方面,所述获取单元具体用于:
通过所述至少一个摄像头中的一个摄像头获取预览图像;
在所述预览图像中存在至少一个人时,获取目标环境参数,所述目标环境参数包括:温度、湿度、环境光亮度、天气、噪声系数、PM2.5值、粉尘浓度;
按照预设的环境参数与拍摄参数之间的映射关系,确定所述目标环境参数对应的目标拍摄参数,所述目标拍摄参数包括摄像头序号、感光度ISO、曝光时长、闪光灯亮度、闪光灯时长、闪光灯频率和白平衡参数;
依据所述目标拍摄参数进行拍摄,得到所述行人图像。
8.根据权利要求6或7所述的装置,其特征在于,在所述依据所述行人图像确定所述至少一个人物中的目标人物方面,所述确定单元具体用于:
对所述行人图像进行人物分割,得到至少一个人物,以及所述至少一个人物中每一人物对应的位置;
依据所述行人图像确定斑马线位置和交通指示灯状态;
依据所述至少一个人物中每一人物对应的位置、所述斑马线位置和所述交通指示灯状态进行违章行为识别,得到所述目标人物。
9.一种控制平台,其特征在于,包括处理器、存储器,所述存储器用于存储一个或多个程序,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-5任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319333.XA CN111160175A (zh) | 2019-12-19 | 2019-12-19 | 智能行人违章行为管理方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319333.XA CN111160175A (zh) | 2019-12-19 | 2019-12-19 | 智能行人违章行为管理方法及相关产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160175A true CN111160175A (zh) | 2020-05-15 |
Family
ID=70557422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911319333.XA Pending CN111160175A (zh) | 2019-12-19 | 2019-12-19 | 智能行人违章行为管理方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160175A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582239A (zh) * | 2020-05-28 | 2020-08-25 | 中国联合网络通信集团有限公司 | 一种违章监控方法和装置 |
CN111739297A (zh) * | 2020-06-29 | 2020-10-02 | 广东荣文科技集团有限公司 | 基于5g的交通预警方法及相关装置 |
CN111768623A (zh) * | 2020-06-29 | 2020-10-13 | 广东荣文科技集团有限公司 | 基于深度学习的智能交通疏导方法及相关装置 |
CN111851341A (zh) * | 2020-06-29 | 2020-10-30 | 广东荣文科技集团有限公司 | 拥堵预警方法、智能指示牌及相关产品 |
CN111968152A (zh) * | 2020-07-15 | 2020-11-20 | 桂林远望智能通信科技有限公司 | 一种动态身份识别方法及装置 |
CN112153334A (zh) * | 2020-09-15 | 2020-12-29 | 公安部第三研究所 | 用于安全管理的智能视频盒子设备及相应的智能视频分析方法 |
CN112349096A (zh) * | 2020-10-28 | 2021-02-09 | 厦门博海中天信息科技有限公司 | 一种道路中智能识别行人的方法、系统、介质及设备 |
CN113807166A (zh) * | 2021-07-31 | 2021-12-17 | 深圳市数商时代科技有限公司 | 图像处理方法、装置及存储介质 |
CN114639248A (zh) * | 2022-03-04 | 2022-06-17 | 厦门霖铭科技有限公司 | 一种基于物联网的斑马线智能抓拍系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805081A (zh) * | 2018-06-13 | 2018-11-13 | 曹婧月 | 行人违章方法及相关产品 |
CN109117725A (zh) * | 2018-07-09 | 2019-01-01 | 深圳市科脉技术股份有限公司 | 人脸识别方法及装置 |
CN109241908A (zh) * | 2018-09-04 | 2019-01-18 | 深圳市宇墨科技有限公司 | 人脸识别方法及相关装置 |
CN109816628A (zh) * | 2018-12-20 | 2019-05-28 | 深圳云天励飞技术有限公司 | 人脸评价方法及相关产品 |
CN109829370A (zh) * | 2018-12-25 | 2019-05-31 | 深圳市天彦通信股份有限公司 | 人脸识别方法及相关产品 |
CN110113515A (zh) * | 2019-05-13 | 2019-08-09 | Oppo广东移动通信有限公司 | 拍照控制方法及相关产品 |
CN110580808A (zh) * | 2018-06-08 | 2019-12-17 | 杭州海康威视数字技术股份有限公司 | 一种信息处理方法、装置、电子设备及智能交通系统 |
-
2019
- 2019-12-19 CN CN201911319333.XA patent/CN111160175A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580808A (zh) * | 2018-06-08 | 2019-12-17 | 杭州海康威视数字技术股份有限公司 | 一种信息处理方法、装置、电子设备及智能交通系统 |
CN108805081A (zh) * | 2018-06-13 | 2018-11-13 | 曹婧月 | 行人违章方法及相关产品 |
CN109117725A (zh) * | 2018-07-09 | 2019-01-01 | 深圳市科脉技术股份有限公司 | 人脸识别方法及装置 |
CN109241908A (zh) * | 2018-09-04 | 2019-01-18 | 深圳市宇墨科技有限公司 | 人脸识别方法及相关装置 |
CN109816628A (zh) * | 2018-12-20 | 2019-05-28 | 深圳云天励飞技术有限公司 | 人脸评价方法及相关产品 |
CN109829370A (zh) * | 2018-12-25 | 2019-05-31 | 深圳市天彦通信股份有限公司 | 人脸识别方法及相关产品 |
CN110113515A (zh) * | 2019-05-13 | 2019-08-09 | Oppo广东移动通信有限公司 | 拍照控制方法及相关产品 |
Non-Patent Citations (1)
Title |
---|
徐德等: "《细节决定生死安危 预防道路交通人为事故的66个警示》", 北京:中国人民公安大学出版社, pages: 288 - 291 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582239A (zh) * | 2020-05-28 | 2020-08-25 | 中国联合网络通信集团有限公司 | 一种违章监控方法和装置 |
CN111739297A (zh) * | 2020-06-29 | 2020-10-02 | 广东荣文科技集团有限公司 | 基于5g的交通预警方法及相关装置 |
CN111768623A (zh) * | 2020-06-29 | 2020-10-13 | 广东荣文科技集团有限公司 | 基于深度学习的智能交通疏导方法及相关装置 |
CN111851341A (zh) * | 2020-06-29 | 2020-10-30 | 广东荣文科技集团有限公司 | 拥堵预警方法、智能指示牌及相关产品 |
CN111968152A (zh) * | 2020-07-15 | 2020-11-20 | 桂林远望智能通信科技有限公司 | 一种动态身份识别方法及装置 |
CN111968152B (zh) * | 2020-07-15 | 2023-10-17 | 桂林远望智能通信科技有限公司 | 一种动态身份识别方法及装置 |
CN112153334A (zh) * | 2020-09-15 | 2020-12-29 | 公安部第三研究所 | 用于安全管理的智能视频盒子设备及相应的智能视频分析方法 |
CN112153334B (zh) * | 2020-09-15 | 2023-02-21 | 公安部第三研究所 | 用于安全管理的智能视频盒子设备及相应的智能视频分析方法 |
CN112349096A (zh) * | 2020-10-28 | 2021-02-09 | 厦门博海中天信息科技有限公司 | 一种道路中智能识别行人的方法、系统、介质及设备 |
CN113807166A (zh) * | 2021-07-31 | 2021-12-17 | 深圳市数商时代科技有限公司 | 图像处理方法、装置及存储介质 |
CN113807166B (zh) * | 2021-07-31 | 2024-03-08 | 深圳市数商时代科技有限公司 | 图像处理方法、装置及存储介质 |
CN114639248A (zh) * | 2022-03-04 | 2022-06-17 | 厦门霖铭科技有限公司 | 一种基于物联网的斑马线智能抓拍系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160175A (zh) | 智能行人违章行为管理方法及相关产品 | |
CN110390262B (zh) | 视频分析方法、装置、服务器及存储介质 | |
CN111047874B (zh) | 智能交通违章管理方法及相关产品 | |
CN105493502B (zh) | 视频监控方法、视频监控系统以及计算机可读存储介质 | |
CN110796580B (zh) | 智能交通系统管理方法及相关产品 | |
CN107169458B (zh) | 数据处理方法、装置及存储介质 | |
CN110378276B (zh) | 车辆状态获取方法、装置、设备、及存储介质 | |
CN110659391A (zh) | 一种视频侦查方法及装置 | |
CN108108711B (zh) | 人脸布控方法、电子设备及存储介质 | |
CN107622246B (zh) | 人脸识别方法及相关产品 | |
CN111382808A (zh) | 一种车辆检测处理方法及装置 | |
CN112241696A (zh) | 图像处理方法及装置、电子设备及存储介质 | |
CN110245645B (zh) | 人脸活体识别方法、装置、设备及存储介质 | |
CN107832598B (zh) | 解锁控制方法及相关产品 | |
CN114332707A (zh) | 设备有效性的确定方法及装置、存储介质、电子装置 | |
CN111144344B (zh) | 人物年龄的确定方法、装置、设备及存储介质 | |
CN113516099A (zh) | 一种交通行为识别方法及装置、电子设备和存储介质 | |
CN115471865A (zh) | 作业现场数字化安全管控方法、装置、设备和存储介质 | |
CN115168024A (zh) | 基于边缘计算的预警方法、装置及设备 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN110795975B (zh) | 人脸误检优化方法及装置 | |
CN106682590A (zh) | 一种监控业务的处理方法以及服务器 | |
CN111950507A (zh) | 数据处理和模型训练方法、装置、设备及介质 | |
CN116778673A (zh) | 水域安全监控方法、系统、终端及存储介质 | |
CN112215084A (zh) | 识别对象确定方法、装置、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 |