CN111292530A - 处理违章图片的方法、装置、服务器和存储介质 - Google Patents
处理违章图片的方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN111292530A CN111292530A CN202010079641.6A CN202010079641A CN111292530A CN 111292530 A CN111292530 A CN 111292530A CN 202010079641 A CN202010079641 A CN 202010079641A CN 111292530 A CN111292530 A CN 111292530A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- picture
- information
- violation
- sub
- 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
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及机动车车辆人工智能处理领域,具体公开一种处理违章图片的方法、装置、服务器和存储介质。处理违章图片的方法,包括以下步骤:获取待审核违章图片,待审核违章图片包括多张按时间顺序拍摄得到的子图片,其中,至少有一张含有目标违章车辆的车牌信息的有效子图片,且至少有一张未含有目标违章车辆的车牌信息的待定子图片;将目标违章车辆的第一车辆信息与待定子图片中车辆的第二车辆信息进行比较;根据比较结果确定待定子图片中有与目标违章车辆匹配的车辆,则将待定子图片作为目标违章车辆的违章图片,以解决目前由于无法在每张审核图片中找到与目标车辆匹配的车牌号而只能利用人工审核造成的人工审核成本高、效率低的问题。
Description
技术领域
本发明涉及机动车车辆人工智能处理领域,特别涉及一种处理违章图片的方法、装置、服务器和存储介质。
背景技术
目前,交通规范已成为城市文明建设中的重要一环。在车辆行驶过程中,如果不遵守交通规则,会给自身和他人带来危害。例如,在行车过程中,如果车主在行驶通过交叉路口时不遵守交通规则故意闯红灯,或者肆意忽略“此处危险,禁止XX”的警示通告而任意行驶,这不仅会对驾驶违规的车主自身造成安全危害,还会殃及其他车主的人身安全。
交通违章图片预审时,很大一部分违章图片是在红绿灯的十字路口抓拍的,这类图片的特点是,由多张以时间顺序排列的抓拍图片和一张可选的目标车辆的特写图组成。由于交通违章的判罚有其特殊性,判罚时必须是这组违章图片中有足够的证据证明目标车辆的存在以及目标车辆违章才能视为有效判罚。现有的智能交通违法审核系统判断目标车辆是否存在于违章图片中的方法一般是判断预审的违章图片中是否均有与目标车辆车牌相同的车辆。
但在实际情况中,由于前端(可理解为交通摄像系统)能力的限制或者车与车之间互相遮挡,很难在每张图片上根据车牌号匹配到对应的车辆。对于该种情况,目前的智能交通违法审核系统一般是将获取的图片转交后台人工审核处理,这无疑增加了人员的审核成本,造成人力资源的浪费,降低了审核的效率。
发明内容
本发明的目的在于提供一种处理违章图片的方法、装置、服务器和存储介质,用于改善目前由于无法在每张审核图片中找到与目标车辆匹配的车牌号而只能利用人工审核造成的人工审核成本高、效率低的问题。
为达到上述目的,本发明提供以下技术方案:
第一方面,本发明提供一种处理违章图片的方法,包括以下步骤:
获取待审核违章图片,所述待审核违章图片包括多张按时间顺序拍摄得到的子图片,其中,至少有一张含有目标违章车辆的车牌信息的有效子图片,且至少有一张未含有目标违章车辆的车牌信息的待定子图片;
将所述目标违章车辆的第一车辆信息与所述待定子图片中车辆的第二车辆信息进行比较;
根据比较结果确定所述待定子图片中有与所述目标违章车辆匹配的车辆,则将所述待定子图片作为所述目标违章车辆的违章图片。
进一步地,所述目标违章车辆的第一车辆信息通过以下方式确定:
根据所述有效子图片获取所述目标违章车辆的所述第一车辆信息;
和/或,
根据目标违章车辆特写图片获取所述目标违章车辆的所述第一车辆信息,其中,所述目标违章车辆特写图片包括所述目标违章车辆并包括所述目标违章车辆的车牌信息。
进一步地,所述目标违章车辆特写图片利用以下方法确定:
获取包括违章车辆的特写图片,所述特写图片包括违章车辆并包括所述违章车辆的车牌信息;
将根据所述特写图片获得的车牌信息与根据所述有效子图片获得的车牌信息进行比较,若两者相同,则将所述违章车辆的特写图片确定为目标违章车辆特写图片。
进一步地,所述第一车辆信息包括用于表征车辆固有特征的第一属性信息和/或用于表征车辆运行轨迹特征的第一状态信息;
所述第一属性信息包括车辆类型、车辆尺寸或车辆颜色中的至少一种;
所述第一状态信息包括车辆坐标或车辆转向角度中的至少一种;
所述第二车辆信息包括用于表征车辆固有特征的第二属性信息和/或用于表征车辆运行轨迹特征的第二状态信息;
所述第二属性信息包括车辆类型、车辆尺寸或车辆颜色中的至少一种;
所述第二状态信息包括车辆坐标或车辆转向角度中的至少一种。
进一步地,所述将所述目标违章车辆的第一车辆信息与所述待定子图片中车辆的第二车辆信息进行比较,包括:
若所述第一车辆信息包括第一属性信息,且所述第二车辆信息包括第二属性信息,则将车辆的所述第二属性信息与所述目标违章车辆的第一属性信息进行比较;
和/或,
若所述第一车辆信息包括第一状态信息,且所述第二车辆信息包括第二状态信息,则根据所述第一状态信息计算目标违章车辆在待定子图片中的预测状态信息,并将所述第二状态信息与所述预测状态信息进行比较,判断所述第二状态信息是否在所述预测状态信息的范围内。
第二方面,本发明提供一种服务器,包括:处理器以及存储器,其中,所述存储器存储有程序代码,当所述程序代码被所述处理器执行时,使得所述处理器执行以下步骤:
获取待审核违章图片,所述待审核违章图片包括多张按时间顺序拍摄得到的子图片,其中,至少有一张含有目标违章车辆的车牌信息的有效子图片,且至少有一张未含有目标违章车辆的车牌信息的待定子图片;
将所述目标违章车辆的第一车辆信息与所述待定子图片中车辆的第二车辆信息进行比较;
根据比较结果确定所述待定子图片中有与所述目标违章车辆匹配的车辆,则将所述待定子图片作为所述目标违章车辆的违章图片。
进一步地,所述服务器具体用于通过以下方式确定所述目标违章车辆的第一车辆信息:
根据所述有效子图片获取所述目标违章车辆的所述第一车辆信息;
和/或,
根据目标违章车辆特写图片获取所述目标违章车辆的所述第一车辆信息,其中,所述目标违章车辆特写图片包括所述目标违章车辆并包括所述目标违章车辆的车牌信息。
进一步地,所述服务器具体用于通过以下方法确定所述目标违章车辆特写图片:
获取包括违章车辆的特写图片,所述特写图片包括违章车辆并包括所述违章车辆的车牌信息;
将根据所述特写图片获得的车牌信息与根据所述有效子图片获得的车牌信息进行比较,若两者相同,则将所述违章车辆的特写图片确定为目标违章车辆特写图片。
进一步地,所述第一车辆信息包括用于表征车辆固有特征的第一属性信息和/或用于表征车辆运行轨迹特征的第一状态信息;
所述第一属性信息包括车辆类型、车辆尺寸或车辆颜色中的至少一种;
所述第一状态信息包括车辆坐标或车辆转向角度中的至少一种;
所述第二车辆信息包括用于表征车辆固有特征的第二属性信息和/或用于表征车辆运行轨迹特征的第二状态信息;
所述第二属性信息包括车辆类型、车辆尺寸或车辆颜色中的至少一种;
所述第二状态信息包括车辆坐标或车辆转向角度中的至少一种。
进一步地,所述服务器具体用于所述将所述目标违章车辆的第一车辆信息与所述待定子图片中车辆的第二车辆信息进行比较,包括:
若所述第一车辆信息包括第一属性信息,且所述第二车辆信息包括第二属性信息,则将车辆的所述第二属性信息与所述目标违章车辆的第一属性信息进行比较;
和/或,
若所述第一车辆信息包括第一状态信息,且所述第二车辆信息包括第二状态信息,则根据所述第一状态信息计算目标违章车辆在待定子图片中的预测状态信息,并将所述第二状态信息与所述预测状态信息进行比较,判断所述第二状态信息是否在所述预测状态信息的范围内。
第三方面,本发明提供一种识别违章图片的装置,包括:
获取单元:获取待审核违章图片,所述待审核违章图片包括多张按时间顺序拍摄得到的子图片,其中,至少有一张含有目标违章车辆的车牌信息的有效子图片,且至少有一张未含有目标违章车辆的车牌信息的待定子图片;
比较单元:将所述目标违章车辆的第一车辆信息与所述待定子图片中车辆的第二车辆信息进行比较;
确定单元:根据比较结果确定所述待定子图片中有与所述目标违章车辆匹配的车辆,则将所述待定子图片作为所述目标违章车辆的违章图片。
第四方面,本发明提供一种存储介质,所述存储介质中存储程序代码,所述程序代码被设置为运行时执行本发明第一方面的方法的步骤。
与现有技术相比,采用本发明的技术方案产生的有益效果如下:
本发明提供的处理违章图片的方法,可以实现将未包含目标违章车辆车牌信息的图片关联至目标违章车辆的违章图片中,从而实现自动判罚。具体的,本发明提供的方法,通过将有效子图片中目标违章车辆的第一车辆信息和待定子图片中车辆的第二车辆信息进行比较,从而确定待定子图片中是否存在于目标违章车辆相匹配的车辆。通过比较,若待定子图片中存在有与目标违章车辆相匹配的车辆,则将待定子图片作为目标违章车辆的违章图片,进而作为判罚的证据。由此,本发明的方法主要是通过分析出的待定子图片中车辆的车辆信息,然后进行对比匹配,从而解决了仅根据车牌很难有足够的证据证明抓拍到的就是目标车辆的问题,进而减少人工审核处理的案件量,减少人工审核成本,提高审核效率。
附图说明
图1为本发明实施例提供的一种处理违章图片的方法的流程示意图;
图2为本发明实施例提供的一种车辆位置信息的确认方法示意图;
图3为本发明实施例提供的一种车辆转向角信息的确认方法示意图;
图4为本发明实施例提供的一种违章图片的场景示意图;
图5为本发明实施例提供的一种目标违章车辆特写图片的场景示意图;
图6为本发明具体实施例提供的一种处理违章图片的方法的流程示意图;
图7为本发明另一具体实施例提供的一种处理违章图片的方法的流程示意图;
图8为本发明实施例提供的一种服务器的结构示意图;
图9为本发明实施例提供的一种处理违章图片的装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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它实施例,都属于本发明保护的范围。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着新应用场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。其中,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在交通违章自动判罚时,由于现有的智能交通违法审核系统在自动判罚时,需要在各个图片中都能够获取到目标违章车辆的车牌信息才能够将获得图片作为自动判罚的证据。抓拍的违章图片中,当每张图片中均含有目标违章车辆的车牌信息时,智能交通违法审核系统会自动进行判罚处理;而当抓拍的违章图片中,只有一部分图片有目标违章车辆的车牌信息,而其他图片没有抓拍到目标违章车辆的车牌信息时,此时现有的处理方式是将获取的图片转交后台人工审核处理,这无疑增加了人员的审核成本,造成人力资源的浪费,降低了审核的效率。
由此,本发明实施例提供一种处理违章图片的方法,如图1所示,包括以下步骤:
S101、获取待审核违章图片,待审核违章图片包括多张按时间顺序拍摄得到的子图片,其中,至少有一张含有目标违章车辆的车牌信息的有效子图片,且至少有一张未含有目标违章车辆的车牌信息的待定子图片;
S102、将目标违章车辆的第一车辆信息与待定子图片中车辆的第二车辆信息进行比较;
S103、根据比较结果确定待定子图片中有与目标违章车辆匹配的车辆,则将待定子图片作为目标违章车辆的违章图片。
本发明实施例提供的方法,是针对目前只有部分违章图片含有目标违章车辆的车牌信息,而其他图片不含有违章车辆的车牌信息的情况。本发明实施例提供的方法,通过将有效子图片中目标违章车辆的第一车辆信息和待定子图片中车辆的第二车辆信息进行比较,从而确定待定子图片中是否存在于目标违章车辆相匹配的车辆。通过比较,若待定子图片中存在有与目标违章车辆相匹配的车辆,则将待定子图片作为目标违章车辆的违章图片,进而作为判罚的证据。本发明实施例提供的处理违章图片的方法,可以实现将未包含目标违章车辆车牌信息的图片关联至目标违章车辆的违章图片中,从而实现自动判罚。
其中,本发明实施例中的待审核违章图片为由智能交通违法审核系统获取的关于目标违章车辆的违章图片,该待审核违章图片中可包含多张按时间顺序抓拍的子图片,例如,在闯红灯的判罚中,待审核违章图片可以包括三张按时间顺序抓拍的子图片,例如驶入十字路口的图片、行驶于十字路口中间的图片和驶出十字路口的图片,由于目标违章车辆的车速过快或形式路线超出拍摄范围等原因,智能交通前段系统中的摄像装置在抓拍上述图片过程中,有的图片常常会捕捉不到目标违章车辆的车牌信息,此时,若要对该目标违章车辆进行自动判罚,在抓拍的子图片中,至少要有一张有效子图片和一张待定子图片。其中,有效子图片中包含目标违章车辆和目标违章车辆的车牌,智能交通违法审核系统能够从有效子图片中获取目标违章车辆的车牌信息;而待定子图片中并不含有目标违章车辆的车牌,智能交通违法审核系统从待定子图片中并不能获取目标违章车辆的车牌信息。由此,通过分析判断待定子图片中的车辆的第二车辆信息与有效子图片中的目标违章车辆的第一车辆信息是否匹配,从而确定待定子图片中是否有目标违章车辆,进而确定是否将待定子图片作为目标违章车辆的违章图片。
在本发明的一个实施例中,第一车辆信息包括用于表征车辆固有特征的第一属性信息和/或用于表征车辆运行轨迹特征的第一状态信息;
第一属性信息包括车辆类型、车辆尺寸或车辆颜色中的至少一种;
第一状态信息包括车辆坐标或车辆转向角度中的至少一种;
相应地,第二车辆信息包括用于表征车辆固有特征的第二属性信息和/或用于表征车辆运行轨迹特征的第二状态信息;
第二属性信息包括车辆类型、车辆尺寸或车辆颜色中的至少一种;
第二状态信息包括车辆坐标或车辆转向角度中的至少一种。
其中,第一属性信息和第二属性信息均为车辆的静态属性信息,该信息不随车辆位置的变化而变化,是相对稳定的信息,为车辆的静态特征。而第一状态信息和第二状态信息均为车辆的动态信息,其随车辆的移动而变化,为车辆的动态特征。利用该车辆信息进行对比表征,可以更准确地判断待定子图片中的车辆是否与目标违章车辆相匹配。
第一车辆信息可以只包含第一属性信息,也可以只包含第一状态信息,还可以同时包括第一属性信息和第一状态信息;相应地,第二车辆信息可以只包含第二属性信息,也可以只包含第二状态信息,还可以同时包括第二属性信息和第二状态信息。也就是,当第一车辆信息中采集的是第一属性信息时,第二车辆信息也应是第二属性信息;当第一车辆信息时第一状态信息时,第二车辆信息也应是第二状态信息。在进行第一车辆信息和第二车辆信息的对比时,可以优先对比第一属性信息和第二属性信息,然后对比第一状态信息和第二状态信。但是在特殊情况下,比如待定子图片中有两辆属性信息相同的车辆时,可以以第一状态信息和第二状态信息的比较为主。
其中,第一属性信息和第二属性信息中的车辆类型例如可以包括车辆的品牌或车辆型号等;车辆尺寸包括车辆的长度、宽度、高度或车辆某部件的尺寸,例如车灯的尺寸等等;车辆颜色例如可以车身颜色、车灯颜色、车顶颜色等等。
该实施例中,可以利用基于深度学习的车辆信息识别模型识别车辆的颜色、车型以及车辆尺寸等等。例如,可以利用CN102184413A专利文件公开的车辆智能监控系统中车身颜色自动识别方法进行车辆信息的识别。其中,该识别方法仅为示例性说明,并非局限于上述识别方式,只要能够实现上述车辆属性信息的识别即可。
第一状态信息和第二状态信息中的车辆坐标可以按每个道路的特定进行定义,在摄像系统的监控范围进行划分,然后对位置的坐标进行定义,当车辆运行在该范围内时,可以根据车辆的在该区域范围内的位置给出相应的坐标值。作为示例性说明,坐标值可以用图2所示方法进行表示。如图2所示,其中,车辆A在图2(a)中的坐标可以表示为(x1,y1),车辆A经过移动,在图2(b)中,其坐标被表示为(x2,y2)。
同样的,第一状态信息和第二状态信息中的车辆转向角度,也可以根据摄像区域预设标准角度值,然后根据车辆车身的与标准线之间的夹角确定转向角度。作为示例性说明,坐标值可以用图3所示方法进行表示。如图3所示,其中,车辆A在图3(a)中的转向角可以表示为α1,车辆A经过移动,在图3(b)中,其转向角被表示为α2。
当第一车辆信息和第二车辆信息为以上信息时,可以采用以下方法进行第一车辆信息和第二车辆信息的比较。
在本发明的一个实施例中,将目标违章车辆的第一车辆信息与待定子图片中车辆的第二车辆信息进行比较,包括:
若第一车辆信息包括第一属性信息,且第二车辆信息包括第二属性信息,则将车辆的第二属性信息与目标违章车辆的第一属性信息进行比较;
和/或,
若第一车辆信息包括第一状态信息,且第二车辆信息包括第二状态信息,则根据第一状态信息计算目标违章车辆在待定子图片中的预测状态信息,并将第二状态信息与预测状态信息进行比较,判断第二状态信息是否在预测状态信息的范围内。
作为示例性说明,在进行对比时,如果待定子图片中只有一辆车辆,且获得的第二属性信息与第一属性信息相匹配,则可以直接将待定子图片确定为目标违章车辆的违章图片。另外,该情况下,也可以直接获取待定子图片中车辆的第二状态信息,并与第一状态信息进行比较,若与第一状态信息相符,也可以直接将待定子图片确定为目标违章车辆的违章图片。当待定子图片中有多辆车辆时,可以优先比较第一属性信息和第二属性信息,据此,若未找到与目标违章车辆相匹配的车辆,则确定该子图片不是目标违章车辆的违章图片,或,若只找到一辆与目标违章车辆相匹配的车辆,则可以直接确定为目标违章车辆的违章图片,至此,处理过程结束。但是,当在待定子图片中找到两辆及以上与目标违章车辆相匹配的车辆时,可继续进行第一状态信息和第二状态信息的对比。
利用该比较方法,可以提高判断待定子图片是否为目标违章车辆的违章图片的准确度,有效防止错判或漏判。
其中,当能够获取到第一属性信息和第二属性信息时,优先对第一属性信息和第二属性信息进行对比。在对第一车辆信息和第二车辆信息进行比较时,可以利用基于深度学习的车辆识别模型完成比较过程,而基于深度学习的车辆识别模型可以利用经过训化的深度神经网络实现。
例如,利用基于深度学习的车辆识别模型从有效子图片中获得车辆的颜色值L1,车辆类型值A1,从待定子图片中的获得的车辆的颜色值L2,车辆类型值A2,分别将L1和L2、A1和A2进行比较。经对比,若L1和L2以及A1和A2值相同或在预设误差范围内,则判断第一属性信息和第二属性信息相同,并将待定子图片确定为目标违章车辆的违章信息。在对第一状态信息和第二状态信息进行对比时,同样可以利用基于深度学习的车辆识别模型实现。例如,当利用车辆识别模型从有效子图片获得的目标违章车辆的第一位置信息为(x1,y1),第一转向角可以表示为α1时,智能交通违法审核系统根据获得的目标违章车辆的运行轨迹信息获得在不同时刻的目标违章车辆的状态信息的范围值,此时,在利用车辆识别模型从待定子图片获得其中车辆的第二位置信息为(x2,y2),第一转向角为α2,根据待定子图片的拍摄时间确定该车辆的位置信息和转向角信息是否在上述范围值内,若在,则判断第一状态信息和第二状态信息相同,并将待定子图片确定为目标违章车辆的违章信息。
在本发明的一个实施例中,目标违章车辆的第一车辆信息通过以下方式确定:
根据有效子图片获取目标违章车辆的第一车辆信息;
和/或,
根据目标违章车辆特写图片获取目标违章车辆的第一车辆信息,其中,目标违章车辆特写图片包括目标违章车辆并包括目标违章车辆的车牌信息。
其中,当有效子图片中的目标违章车辆的信息较全时,可以通过有效子图片获取目标违章车辆的第一车辆信息。
但是,由于在获取目标违章车辆的违章图片时,常常会抓拍一张目标违章车辆的特写图片,而一般特写图片所承载的信息更全且更真实,因此,在能够获得目标违章车辆特写图片的情况下,优先以获得的目标违章车辆特写图片为基础获取目标违章车辆的第一车辆信息。
其中,目标违章车辆特写图片利用以下方法确定:
获取包括违章车辆的特写图片,特写图片包括违章车辆并包括违章车辆的车牌信息;
将根据特写图片获得的车牌信息与根据有效子图片获得的车牌信息进行比较,若两者相同,则将违章车辆的特写图片确定为目标违章车辆特写图片。
当获取的待审核违章图片中存在特写图片时,先判断特写图片中的车牌信息是否与有效子图片中的目标违章车辆的车牌信息相符,如果相符,由于特写图片本身的性质,就能获取到目标违章车辆较为完整的信息,包括车牌类型、车型、车系等;若不相符,处理方法与无特写图片时一致,根据有效子图片获取目标违章车辆信息。
具体的,当待审核违章图片中不含特写图片时,本发明实施例的处理违章图片的方法例如包括以下步骤:
S201、智能交通违法审核系统获取待审核违章图片,待审核违章图片,如图4和图5所示,包括多张按时间顺序拍摄得到的子图片,如图4中的(a)~(c)所示,图4中的(a)~(c)即为按时间顺序拍摄的子图片,其中,至少有一张含有目标违章车辆的车牌信息的有效子图片21,且至少有一张未含有目标违章车辆的车牌信息的待定子图片22;
如图4所示,有效子图片21中包含目标违章车辆211,且智能交通违法审核系统从该有效子图片中能够获取目标违章车辆211的车牌信息212;待定子图片22中包括有车辆,但是不包括目标违章车辆211的车牌信息212,智能交通违法审核系统从待定子图片中获取不到目标违章车辆211的车牌信息212;如图4所示,在待定子图片中,由于目标违章车辆离摄像头较远,因此,无法直接准确获取其车牌信息;
S202、智能交通违法审核系统根据有效子图片21获取目标违章车辆的第一车辆信息;
S203、智能交通违法审核系统获取待定子图片22中的车辆的第二车辆信息;
S204、智能交通违法审核系统将获取的第二车辆信息与第一车辆信息进行比较,判断待定子图片中是否有与第一车辆信息相符的车辆,若有则将待定子图片作为目标违章车辆的违章图片。
需要说明的是,当待定子图片中含有多辆车辆时,需要逐个采集各个车辆的第二车辆信息,并将获得的各个第二车辆信息分别与第一车辆信息进行比对,从而获得比较结果。
在本发明的另一具体实施例中,参照图4、图6和图7,当获得的待审核违章图片中包含特写图时,该方法包括如下步骤:
S301、智能交通违法审核系统获取待审核违章图片,如图4所示,待审核违章图片包括多张按时间顺序拍摄得到的子图片,图4中的(a)~(c)即为按时间顺序拍摄的子图片,其中,至少有一张含有目标违章车辆的车牌信息的有效子图片21,且至少有一张未含有目标违章车辆的车牌信息的待定子图片22;同时,待审核违章图片中还包括有违章车辆的特写图片,如图6中所示;
如图4所示,有效子图片21中包含目标违章车辆211,且智能交通违法审核系统从该有效子图片中能够获取目标违章车辆211的车牌信息212;待定子图片22中包括有车辆,但是不包括目标违章车辆211的车牌信息212,智能交通违法审核系统从待定子图片中获取不到目标违章车辆211的车牌信息212;如图4所示,在待定子图片中,由于目标违章车辆离摄像头较远,因此,无法直接准确获取其车牌信息;
S302、智能交通违法审核系统将根据违章车辆的特写图片获得的车牌信息与根据有效子图片21获得的车牌信息进行比较,若两者相同,则将违章车辆的特写图片确定为目标违章车辆特写图片23;
S303、智能交通违法审核系统根据目标违章车辆特写图片23获取目标违章车辆的第一车辆信息;
S304、智能交通违法审核系统获取待定子图片22中的车辆的第二车辆信息;
S305、智能交通违法审核系统将获取的第二车辆信息与第一车辆信息进行比较,判断待定子图片中是否有与第一车辆信息相符的车辆,若有则将待定子图片22作为目标违章车辆的违章图片。
综上,本发明实施例的方法通过分析出的待定子图片中车辆的车辆信息,然后进行对比匹配,从而解决了仅根据车牌很难有足够的证据证明抓拍到的就是目标车辆的问题,进而减少人工审核处理的案件量,减少人工审核成本,提高审核效率。
可以理解的是,上述两种具体实施例中,有效子图片的数量为两张,待定子图片的数量为一张,该数量仅为示例性说明,并不能代表必须数量。在其他实施例中,待定子图片的数量还可以为两张或两张以上。
根据本发明的方法,在系统自理处理违章图片时,可以自动根据车辆行驶方向与图片序列的关系,可以达到如下效果:当车头朝向摄像前段时,行车方向是由远到近的,放在图片序列中,就是第一张图中的目标车辆离摄像前端最远,图像最为模糊,这时第一张图中关联不到目标车辆的车牌信息,经过自动处理也是可以作为目标违章车辆的违章图片的;当车尾朝向摄像前端时则与上述方式相反,这时第三张图关联不到目标车辆的车牌信息,经过自动处理也是可以作为目标违章车辆的违章图片的。
基于同样的发明构思,本发明提供一种服务器,如图8所示,包括:处理器81以及存储器82,其中,存储器82存储有程序代码,当程序代码被处理器81执行时,使得处理器81执行以下步骤:
获取待审核违章图片,待审核违章图片包括多张按时间顺序拍摄得到的子图片,其中,至少有一张含有目标违章车辆的车牌信息的有效子图片,且至少有一张未含有目标违章车辆的车牌信息的待定子图片;
将目标违章车辆的第一车辆信息与待定子图片中车辆的第二车辆信息进行比较;
根据比较结果确定待定子图片中有与目标违章车辆匹配的车辆,则将待定子图片作为目标违章车辆的违章图片。
本发明提供的服务器,可以实现将未包含目标违章车辆车牌信息的图片关联至目标违章车辆的违章图片中,从而实现自动判罚。具体的,本发明提供的服务器,其处理器在运行时通过将有效子图片中目标违章车辆的第一车辆信息和待定子图片中车辆的第二车辆信息进行比较,从而确定待定子图片中是否存在于目标违章车辆相匹配的车辆。通过比较,若待定子图片中存在有与目标违章车辆相匹配的车辆,则将待定子图片作为目标违章车辆的违章图片,进而作为判罚的证据。由此,本发明的服务器主要是通过分析出的待定子图片中车辆的车辆信息,然后进行对比匹配,从而解决了仅根据车牌很难有足够的证据证明抓拍到的就是目标车辆的问题,进而减少人工审核处理的案件量,减少人工审核成本,提高审核效率。
在本发明的一个实施例中,服务器具体用于通过以下方式确定目标违章车辆的第一车辆信息:
根据有效子图片获取目标违章车辆的第一车辆信息;
和/或,
根据目标违章车辆特写图片获取目标违章车辆的第一车辆信息,其中,目标违章车辆特写图片包括目标违章车辆并包括目标违章车辆的车牌信息。
在本发明的一个实施例中,服务器具体用于通过以下方法确定目标违章车辆特写图片:
获取包括违章车辆的特写图片,特写图片包括违章车辆并包括违章车辆的车牌信息;
将根据特写图片获得的车牌信息与根据有效子图片获得的车牌信息进行比较,若两者相同,则将违章车辆的特写图片确定为目标违章车辆特写图片。
在本发明的一个实施例中,第一车辆信息包括用于表征车辆固有特征的第一属性信息和/或用于表征车辆运行轨迹特征的第一状态信息;
第一属性信息包括车辆类型、车辆尺寸或车辆颜色中的至少一种;
第一状态信息包括车辆坐标或车辆转向角度中的至少一种;
第二车辆信息包括用于表征车辆固有特征的第二属性信息和/或用于表征车辆运行轨迹特征的第二状态信息;
第二属性信息包括车辆类型、车辆尺寸或车辆颜色中的至少一种;
第二状态信息包括车辆坐标或车辆转向角度中的至少一种。
在本发明的一个实施例中,服务器具体用于将目标违章车辆的第一车辆信息与待定子图片中车辆的第二车辆信息进行比较,包括:
若第一车辆信息包括第一属性信息,且第二车辆信息包括第二属性信息,则将车辆的第二属性信息与目标违章车辆的第一属性信息进行比较;
和/或,
若第一车辆信息包括第一状态信息,且第二车辆信息包括第二状态信息,则根据第一状态信息计算目标违章车辆在待定子图片中的预测状态信息,并将第二状态信息与预测状态信息进行比较,判断第二状态信息是否在预测状态信息的范围内。
基于同样的发明构思,本发明提供一种识别违章图片的装置,如图9所示,包括:
获取单元91:获取待审核违章图片,待审核违章图片包括多张按时间顺序拍摄得到的子图片,其中,至少有一张含有目标违章车辆的车牌信息的有效子图片,且至少有一张未含有目标违章车辆的车牌信息的待定子图片;
比较单元92:将目标违章车辆的第一车辆信息与待定子图片中车辆的第二车辆信息进行比较;
确定单元93:根据比较结果确定待定子图片中有与目标违章车辆匹配的车辆,则将待定子图片作为目标违章车辆的违章图片。
本发明提供的识别违章图片的装置,可以实现将未包含目标违章车辆车牌信息的图片关联至目标违章车辆的违章图片中,从而实现自动判罚。具体的,本发明提供的装置,通过将有效子图片中目标违章车辆的第一车辆信息和待定子图片中车辆的第二车辆信息进行比较,从而确定待定子图片中是否存在于目标违章车辆相匹配的车辆。通过比较,若待定子图片中存在有与目标违章车辆相匹配的车辆,则将待定子图片作为目标违章车辆的违章图片,进而作为判罚的证据。由此,本发明的装置主要是通过分析出的待定子图片中车辆的车辆信息,然后进行对比匹配,从而解决了仅根据车牌很难有足够的证据证明抓拍到的就是目标车辆的问题,进而减少人工审核处理的案件量,减少人工审核成本,提高审核效率。
基于同样的发明构思,本发明提供一种存储介质,存储介质中存储程序代码,程序代码被设置为运行时执行以下步骤:
获取待审核违章图片,待审核违章图片包括多张按时间顺序拍摄得到的子图片,其中,至少有一张含有目标违章车辆的车牌信息的有效子图片,且至少有一张未含有目标违章车辆的车牌信息的待定子图片;
将目标违章车辆的第一车辆信息与待定子图片中车辆的第二车辆信息进行比较;
根据比较结果确定待定子图片中有与目标违章车辆匹配的车辆,则将待定子图片作为目标违章车辆的违章图片。
以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解,可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置,以产生机器,使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。
相应地,还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地,本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式,其具有在介质中实现的计算机可使用或计算机可读程序代码,以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中,计算机可使用或计算机可读介质可以是任意介质,其可以包含、存储、通信、传输、或传送程序,以由指令执行系统、装置或设备使用,或结合指令执行系统、装置或设备使用。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种处理违章图片的方法,其特征在于,包括以下步骤:
获取待审核违章图片,所述待审核违章图片包括多张按时间顺序拍摄得到的子图片,其中,至少有一张含有目标违章车辆的车牌信息的有效子图片,且至少有一张未含有目标违章车辆的车牌信息的待定子图片;
将所述目标违章车辆的第一车辆信息与所述待定子图片中车辆的第二车辆信息进行比较;
根据比较结果确定所述待定子图片中有与所述目标违章车辆匹配的车辆,则将所述待定子图片作为所述目标违章车辆的违章图片。
2.根据权利要求1所述的方法,其特征在于,所述目标违章车辆的第一车辆信息通过以下方式确定:
根据所述有效子图片获取所述目标违章车辆的所述第一车辆信息;
和/或,
根据目标违章车辆特写图片获取所述目标违章车辆的所述第一车辆信息,其中,所述目标违章车辆特写图片包括所述目标违章车辆并包括所述目标违章车辆的车牌信息。
3.根据权利要求1或2所述的方法,其特征在于,所述第一车辆信息包括用于表征车辆固有特征的第一属性信息和/或用于表征车辆运行轨迹特征的第一状态信息;
所述第一属性信息包括车辆类型、车辆尺寸或车辆颜色中的至少一种;
所述第一状态信息包括车辆坐标或车辆转向角度中的至少一种;
所述第二车辆信息包括用于表征车辆固有特征的第二属性信息和/或用于表征车辆运行轨迹特征的第二状态信息;
所述第二属性信息包括车辆类型、车辆尺寸或车辆颜色中的至少一种;
所述第二状态信息包括车辆坐标或车辆转向角度中的至少一种。
4.根据权利要求3所述的方法,其特征在于,所述将所述目标违章车辆的第一车辆信息与所述待定子图片中车辆的第二车辆信息进行比较,包括:
若所述第一车辆信息包括第一属性信息,且所述第二车辆信息包括第二属性信息,则将车辆的所述第二属性信息与所述目标违章车辆的第一属性信息进行比较;
和/或,
若所述第一车辆信息包括第一状态信息,且所述第二车辆信息包括第二状态信息,则根据所述第一状态信息计算目标违章车辆在待定子图片中的预测状态信息,并将所述第二状态信息与所述预测状态信息进行比较,判断所述第二状态信息是否在所述预测状态信息的范围内。
5.一种服务器,其特征在于,包括:处理器以及存储器,其中,所述存储器存储有程序代码,当所述程序代码被所述处理器执行时,使得所述处理器执行以下步骤:
获取待审核违章图片,所述待审核违章图片包括多张按时间顺序拍摄得到的子图片,其中,至少有一张含有目标违章车辆的车牌信息的有效子图片,且至少有一张未含有目标违章车辆的车牌信息的待定子图片;
将所述目标违章车辆的第一车辆信息与所述待定子图片中车辆的第二车辆信息进行比较;
根据比较结果确定所述待定子图片中有与所述目标违章车辆匹配的车辆,则将所述待定子图片作为所述目标违章车辆的违章图片。
6.根据权利要求5所述的服务器,其特征在于,所述服务器具体用于通过以下方式确定所述目标违章车辆的第一车辆信息:
根据所述有效子图片获取所述目标违章车辆的所述第一车辆信息;
和/或,
根据目标违章车辆特写图片获取所述目标违章车辆的所述第一车辆信息,其中,所述目标违章车辆特写图片包括所述目标违章车辆并包括所述目标违章车辆的车牌信息。
7.根据权利要求5或6所述的服务器,其特征在于,所述第一车辆信息包括用于表征车辆固有特征的第一属性信息和/或用于表征车辆运行轨迹特征的第一状态信息;
所述第一属性信息包括车辆类型、车辆尺寸或车辆颜色中的至少一种;
所述第一状态信息包括车辆坐标或车辆转向角度中的至少一种;
所述第二车辆信息包括用于表征车辆固有特征的第二属性信息和/或用于表征车辆运行轨迹特征的第二状态信息;
所述第二属性信息包括车辆类型、车辆尺寸或车辆颜色中的至少一种;
所述第二状态信息包括车辆坐标或车辆转向角度中的至少一种。
8.根据权利要求7所述的服务器,其特征在于,所述服务器具体用于所述将所述目标违章车辆的第一车辆信息与所述待定子图片中车辆的第二车辆信息进行比较,包括:
若所述第一车辆信息包括第一属性信息,且所述第二车辆信息包括第二属性信息,则将车辆的所述第二属性信息与所述目标违章车辆的第一属性信息进行比较;
和/或,
若所述第一车辆信息包括第一状态信息,且所述第二车辆信息包括第二状态信息,则根据所述第一状态信息计算目标违章车辆在待定子图片中的预测状态信息,并将所述第二状态信息与所述预测状态信息进行比较,判断所述第二状态信息是否在所述预测状态信息的范围内。
9.一种识别违章图片的装置,其特征在于,包括:
获取单元:获取待审核违章图片,所述待审核违章图片包括多张按时间顺序拍摄得到的子图片,其中,至少有一张含有目标违章车辆的车牌信息的有效子图片,且至少有一张未含有目标违章车辆的车牌信息的待定子图片;
比较单元:将所述目标违章车辆的第一车辆信息与所述待定子图片中车辆的第二车辆信息进行比较;
确定单元:根据比较结果确定所述待定子图片中有与所述目标违章车辆匹配的车辆,则将所述待定子图片作为所述目标违章车辆的违章图片。
10.一种存储介质,所述存储介质中存储程序代码,其特征在于,所述程序代码被设置为运行时执行权利要求1-4任一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010079641.6A CN111292530A (zh) | 2020-02-04 | 2020-02-04 | 处理违章图片的方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010079641.6A CN111292530A (zh) | 2020-02-04 | 2020-02-04 | 处理违章图片的方法、装置、服务器和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111292530A true CN111292530A (zh) | 2020-06-16 |
Family
ID=71029209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010079641.6A Pending CN111292530A (zh) | 2020-02-04 | 2020-02-04 | 处理违章图片的方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292530A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444901A (zh) * | 2020-06-17 | 2020-07-24 | 爱保科技有限公司 | 车险案件中从图片区分多车的处理方法、装置及电子设备 |
CN111611438A (zh) * | 2020-07-24 | 2020-09-01 | 支付宝(杭州)信息技术有限公司 | 图片标注方法、装置、处理设备及系统 |
CN112437274A (zh) * | 2020-11-17 | 2021-03-02 | 浙江大华技术股份有限公司 | 一种抓拍图片的传输方法及抓拍机 |
CN112950538A (zh) * | 2021-01-27 | 2021-06-11 | 浙江大华技术股份有限公司 | 一种检测车辆违章的方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332209A (zh) * | 2011-02-28 | 2012-01-25 | 王志清 | 一种汽车违章视频监测方法 |
CN105139659A (zh) * | 2015-10-09 | 2015-12-09 | 东方网力科技股份有限公司 | 车牌识别方法与装置 |
CN204990696U (zh) * | 2015-08-06 | 2016-01-20 | 苏州市世跃智能科技有限公司 | 一种基于单球机的违法停车自动检测抓拍的装置 |
CN105654057A (zh) * | 2015-12-31 | 2016-06-08 | 中国建设银行股份有限公司 | 基于图片内容的图片审核系统及图片审核方法 |
CN107705574A (zh) * | 2017-10-09 | 2018-02-16 | 荆门程远电子科技有限公司 | 一种精准快速的道路违章停车全自动抓拍系统 |
CN109190513A (zh) * | 2018-08-14 | 2019-01-11 | 中山大学 | 结合图像显著性检测和神经网络的车辆重识别方法与系统 |
CN109949579A (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闯红灯违法自动审核方法 |
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 |
CN109949578A (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压线违法自动审核方法 |
CN110689724A (zh) * | 2018-12-31 | 2020-01-14 | 上海眼控科技股份有限公司 | 一种基于深度学习的机动车斑马线礼让行人自动审核方法 |
-
2020
- 2020-02-04 CN CN202010079641.6A patent/CN111292530A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332209A (zh) * | 2011-02-28 | 2012-01-25 | 王志清 | 一种汽车违章视频监测方法 |
CN204990696U (zh) * | 2015-08-06 | 2016-01-20 | 苏州市世跃智能科技有限公司 | 一种基于单球机的违法停车自动检测抓拍的装置 |
CN105139659A (zh) * | 2015-10-09 | 2015-12-09 | 东方网力科技股份有限公司 | 车牌识别方法与装置 |
CN105654057A (zh) * | 2015-12-31 | 2016-06-08 | 中国建设银行股份有限公司 | 基于图片内容的图片审核系统及图片审核方法 |
CN107705574A (zh) * | 2017-10-09 | 2018-02-16 | 荆门程远电子科技有限公司 | 一种精准快速的道路违章停车全自动抓拍系统 |
CN109190513A (zh) * | 2018-08-14 | 2019-01-11 | 中山大学 | 结合图像显著性检测和神经网络的车辆重识别方法与系统 |
CN109949579A (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闯红灯违法自动审核方法 |
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 |
CN109949578A (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压线违法自动审核方法 |
CN110689724A (zh) * | 2018-12-31 | 2020-01-14 | 上海眼控科技股份有限公司 | 一种基于深度学习的机动车斑马线礼让行人自动审核方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444901A (zh) * | 2020-06-17 | 2020-07-24 | 爱保科技有限公司 | 车险案件中从图片区分多车的处理方法、装置及电子设备 |
CN111611438A (zh) * | 2020-07-24 | 2020-09-01 | 支付宝(杭州)信息技术有限公司 | 图片标注方法、装置、处理设备及系统 |
US11495021B2 (en) | 2020-07-24 | 2022-11-08 | Alipay (Hangzhou) Information Technology Co., Ltd. | Picture annotation method, apparatus, processing device, and system |
CN112437274A (zh) * | 2020-11-17 | 2021-03-02 | 浙江大华技术股份有限公司 | 一种抓拍图片的传输方法及抓拍机 |
CN112950538A (zh) * | 2021-01-27 | 2021-06-11 | 浙江大华技术股份有限公司 | 一种检测车辆违章的方法及装置 |
CN112950538B (zh) * | 2021-01-27 | 2024-05-14 | 浙江大华技术股份有限公司 | 一种检测车辆违章的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292530A (zh) | 处理违章图片的方法、装置、服务器和存储介质 | |
CN107967806B (zh) | 车辆套牌检测方法、装置、可读存储介质及电子设备 | |
CN106652551B (zh) | 一种车位检测方法及设备 | |
CN111666853B (zh) | 实时车辆违章检测方法、装置、设备及存储介质 | |
US9008359B2 (en) | Detection of static object on thoroughfare crossings | |
CN111047870A (zh) | 交通违规车辆识别系统、服务器及存储有车辆控制程序的非易失性存储介质 | |
CN108806272B (zh) | 一种提醒多辆机动车车主违法停车行为的方法及装置 | |
CN110738150B (zh) | 相机联动抓拍方法、装置以及计算机存储介质 | |
CN109326124A (zh) | 一种基于机器视觉的城市环境停放车辆行为识别系统 | |
CN109377694B (zh) | 社区车辆的监控方法及系统 | |
CN110867083B (zh) | 车辆监控方法、装置、服务器和机器可读存储介质 | |
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 | |
US20160241839A1 (en) | System for traffic behaviour surveillance | |
CN105654734A (zh) | 车辆违章行为的数据处理方法及装置 | |
CN112149649B (zh) | 一种道路抛洒物检测方法、计算机设备及存储介质 | |
CN112381859A (zh) | 实现针对视频图像数据进行智能解析识别处理的系统、方法、装置、处理器及存储介质 | |
CN111967384A (zh) | 车辆信息处理方法、装置、设备及计算机可读存储介质 | |
CN111383248B (zh) | 一种行人闯红灯判断方法、装置和电子设备 | |
CN113112813B (zh) | 违章停车检测方法及装置 | |
CN111985304A (zh) | 巡防告警方法、系统、终端设备及存储介质 | |
CN111724607A (zh) | 转向灯使用检测方法、装置、计算机设备和存储介质 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN116682268A (zh) | 基于机器视觉的便携式城市道路车辆违章稽查系统及方法 | |
CN112597924B (zh) | 电动自行车轨迹追踪方法、摄像机装置和服务器 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200616 |