CN111339994A - 一种判断临时违章停车的方法及装置 - Google Patents
一种判断临时违章停车的方法及装置 Download PDFInfo
- Publication number
- CN111339994A CN111339994A CN202010180782.7A CN202010180782A CN111339994A CN 111339994 A CN111339994 A CN 111339994A CN 202010180782 A CN202010180782 A CN 202010180782A CN 111339994 A CN111339994 A CN 111339994A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- detected
- video frame
- current
- door
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种判断临时违章停车的方法及装置,包括:获取已采集的预定监控区域的视频帧图像集;针对每一视频帧图像,从当前视频帧图像中获取各个待检测车辆的车辆信息,并确定各待检测车辆的驾驶员位置侧车门是否开启;针对每一待检测车辆,若当前待检测车辆的驾驶员位置侧车门为开启状态,从当前视频帧图像中获取距离当前待检测车辆驾驶员位置侧车门的预定范围内的人像信息;确定当前待检测车辆与所述人像信息中人像的位置关系,并基于所述位置关系确定当前待检测车辆是否存在临时违章停车行为。通过本发明,实现了在无需人工现场确定是否存在临时违章停车行为的前提下,对临时违章停车进行智能化管理。
Description
技术领域
本发明涉及智能交通管理技术领域,尤其涉及一种判断临时违章停车的方法及装置。
背景技术
随着城市经济的飞速发展和人民生活水平的不断提高,城市机动车保有量快速增长,交通管理成为城市管理中公共管理和服务的重要组成部分。近年来,虽然,众多种类的智能设备及管理方法引入到智能交通管理领域,有效地提高了交通管理的效率,扩大了交通管理的空间,抑制了交通违法行为,但是,仍然有不少的困难摆在交通领域从业者面前,例如静态交通领域停车难的问题日益严重,部分交通违法行为难以管理等,其中,临时违章停车就是比较常见的交通违法行为之一。由于临时违章停车造成的交通拥堵甚至交通事故越来越频繁,因此临时违章停车的管理越来越受到政府及民众的广泛关注。
现行交通规则中对临时停车并没有时间的界定,但规定临时停车时机动车驾驶员不得离开机动车。目前,人车分离的临时违章停车,绝大部分靠值勤交警现场指出违法行为并责令立即驶离或者进行罚款处罚,该管理方式不但效率低,且需要投入大量的交警力量,另一方面,由于交警难以全区域全时段的现场执勤,加上部分驾驶员捉迷藏式的流窜进行不规范停车,从而导致临时违章停车无法被及时发现并制止,因此,如何高效准确地发现临时违章停车,是现行交通管理亟待解决的问题。
发明内容
本发明实施例提供一种的方法及装置,实现了高效、精确地确定车辆是否存在临时违章停车行为。
一方面,本发明实施例提供了一种判断临时违章停车的方法,包括:
获取已采集的预定监控区域的视频帧图像集;
针对每一视频帧图像,从当前视频帧图像中获取各个待检测车辆的车辆信息,并确定各待检测车辆的驾驶员位置侧车门是否开启;
针对每一待检测车辆,若当前待检测车辆的驾驶员位置侧车门为开启状态,从当前视频帧图像中获取距离当前待检测车辆驾驶员位置侧车门的预定范围内的人像信息;
根据当前待检测车辆的车辆信息和所述人像信息,确定当前待检测车辆与所述人像信息中人像的位置关系,并基于所述位置关系确定当前待检测车辆是否存在临时违章停车行为。
另一方面,本发明实施例提供了一种判断临时违章停车的装置,包括:
第一获取模块,用于获取已采集的预定监控区域的视频帧图像集;
获取及确定模块,用于针对每一视频帧图像,从当前视频帧图像中获取各个待检测车辆的车辆信息,并确定各待检测车辆的驾驶员位置侧车门是否开启;
第二获取模块,用于针对每一待检测车辆,若当前待检测车辆的驾驶员位置侧车门为开启状态,从当前视频帧图像中获取距离当前待检测车辆驾驶员位置侧车门的预定范围内的人像信息;
确定模块,用于根据当前待检测车辆的车辆信息和所述人像信息,确定当前待检测车辆与所述人像信息中人像的位置关系,并基于所述位置关系确定当前待检测车辆是否存在临时违章停车行为。
上述技术方案具有如下有益效果:通过本实施例,能够精确地检测确定各待检测车辆的驾驶员位置侧车门是否开启,为后续判断待检测车辆是否存在临时违章停车行为提供了重要的前提条件,极大地提高了检测效率;通过已确定的待检测车辆的车辆信息和待检测车辆预定范围内的人像信息的位置关系,高效、精确地确定待检测车辆是否存在临时违章停车行为,实现了在无需人工现场确定是否存在临时违章停车行为的前提下,对临时违章停车进行智能化管理;避免了无法及时发现临时违章停车的问题,极大地提高了临时违章停车的管理效率,进一步地,极大地降低了临时违章停车的管理成本。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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1为本发明实施例中一种判断临时违章停车的方法流程图;
图2为本发明一实施例中一种判断临时违章停车的装置结构示意图;
图3为本发明一实施例中一待检测车辆的像素坐标信息示意图;
图4为本发明一实施例中切割得到一待检测车辆的车辆区域块示意图。
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,所描述的实施例仅仅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。
如图1所示,为本发明实施例中一种判断临时违章停车的方法流程图,包括:
101、获取已采集的预定监控区域的视频帧图像集;
102、针对每一视频帧图像,从当前视频帧图像中获取各个待检测车辆的车辆信息,并确定各待检测车辆的驾驶员位置侧车门是否开启;
103、针对每一待检测车辆,若当前待检测车辆的驾驶员位置侧车门为开启状态,从当前视频帧图像中获取距离当前待检测车辆驾驶员位置侧车门的预定范围内的人像信息;
104、根据当前待检测车辆的车辆信息和所述人像信息,确定当前待检测车辆与所述人像信息中人像的位置关系,并基于所述位置关系确定当前待检测车辆是否存在临时违章停车行为。
进一步地,在所述获取已采集的预定监控区域的视频帧图像集的步骤之前,包括:
通过摄像机以预定频率采集预定监控区域的视频帧图像。
进一步地,在针对每一视频帧图像,从当前视频帧图像中获取各个待检测车辆的车辆信息,并确定各待检测车辆的驾驶员位置侧车门是否开启的步骤之前,包括:
预训练用于检测车辆信息的第一卷积神经网络模型;
预训练用于检测车辆车门状态的第二卷积神经网络模型;
预训练用于检测人像信息的第三卷积神经网络模型;
其中,所述车辆信息包括视频帧图像中车辆的像素坐标信息。
进一步地,所述针对每一视频帧图像,从当前视频帧图像中获取各个待检测车辆的车辆信息,包括:
针对每一视频帧图像,通过第一卷积神经网络模型,对当前频帧图像进行检测,确定当前视频帧图像中是否存在车辆信息;
若存在,获取当前视频帧图像中的各个待检测车辆信息;
基于已获取的各个待检测车辆信息中的待检测车辆的像素坐标信息,切割当前视频帧中的各个待检测车辆的车辆区域,得到当前视频帧中的各个待检测车辆的车辆区域块。
进一步地,所述确定各待检测车辆的驾驶员位置侧车门是否开启,包括:
步骤a、针对每一视频帧图像,通过第二卷积神经网络模型对当前视频帧图像中的各个待检测车辆的车辆区域块进行车门状态检测,得到所述各个待检测车辆驾驶员位置侧车门的车门状态;
其中,所述车门状态包括开启状态和关闭状态中的任一种。
进一步地,若当前视频帧图像中的各个待检测车辆的车门状态均为关闭状态,包括:
跳转执行步骤a,顺序检测后一视频帧图像,直至检测得到任一视频帧图像中的任一待检测车辆的驾驶员位置侧车门为开启状态为止。
进一步地,所述针对每一待检测车辆,若当前待检测车辆的驾驶员位置侧车门为开启状态,从当前视频帧图像中获取距离当前待检测车辆驾驶员位置侧车门的预定范围内的人像信息,包括:
针对每一待检测车辆,若当前待检测车辆的驾驶员位置侧车门为开启状态,确定当前待检测车辆的车门区域;
通过第三卷积神经网络模型对当前待检测车辆的车辆区域进行人像检测;
若检测得到距离当前待检测车辆的驾驶员位置侧车门的预定范围内存在人像信息,确定当前待检测车辆的人像区域。
进一步地,所述根据当前待检测车辆的车辆信息和所述人像信息,确定当前待检测车辆与所述人像信息中人像的位置关系,并基于所述位置关系确定当前待检测车辆是否存在临时违章停车行为,包括:
根据当前待检测车辆的车门区域和当前待检测车辆的人像区域,通过第三卷积神经网络模型计算所述车门区域和所述人像区域的重叠区域面积;
计算所述车门区域和所述人像区域的面积大小,并求所述车门区域和所述人像区域的面积最小值;
计算所述重叠区域面积占所述面积最小值的比例;
判断所述比例是否大于预定占比阈值;
若大于,确定当前待检测车辆存在临时违章停车行为。
如图2所示,为本发明一实施例中一种判断临时违章停车的装置结构示意图,包括:
第一获取模块21,用于获取已采集的预定监控区域的视频帧图像集;
获取及确定模块22,用于针对每一视频帧图像,从当前视频帧图像中获取各个待检测车辆的车辆信息,并确定各待检测车辆的驾驶员位置侧车门是否开启;
第二获取模块23,用于针对每一待检测车辆,若当前待检测车辆的驾驶员位置侧车门为开启状态,从当前视频帧图像中获取距离当前待检测车辆驾驶员位置侧车门的预定范围内的人像信息;
确定模块24,用于根据当前待检测车辆的车辆信息和所述人像信息,确定当前待检测车辆与所述人像信息中人像的位置关系,并基于所述位置关系确定当前待检测车辆是否存在临时违章停车行为。
进一步地,包括:
采集模块,用于通过摄像机以预定频率采集预定监控区域的视频帧图像。
进一步地,包括:
第一预训练模块,用于预训练用于检测车辆信息的第一卷积神经网络模型;
第二预训练模块,用于预训练用于检测车辆车门状态的第二卷积神经网络模型;
第三预训练模块,用于预训练用于检测人像信息的第三卷积神经网络模型;
其中,所述车辆信息包括视频帧图像中车辆的像素坐标信息。
进一步地,所述获取及确定模块,包括:
确定单元,用于针对每一视频帧图像,通过第一卷积神经网络模型,对当前频帧图像进行检测,确定当前视频帧图像中是否存在车辆信息;
获取单元,用于若存在,获取当前视频帧图像中的各个待检测车辆信息;
切割单元,用于基于已获取的各个待检测车辆信息中的待检测车辆的像素坐标信息,切割当前视频帧中的各个待检测车辆的车辆区域,得到当前视频帧中的各个待检测车辆的车辆区域块。
进一步地,所述获取及确定模块,包括:
检测单元,用于针对每一视频帧图像,通过第二卷积神经网络模型对当前视频帧图像中的各个待检测车辆的车辆区域块进行车门状态检测,得到所述各个待检测车辆驾驶员位置侧车门的车门状态;
其中,所述车门状态包括开启状态和关闭状态中的任一种。
进一步地,若检测单元检测得到当前视频帧图像中的各个待检测车辆的车门状态均为关闭状态,包括:
跳转子单元,用于跳转执行检测单元,顺序检测后一视频帧图像,直至检测得到任一视频帧图像中的任一待检测车辆的驾驶员位置侧车门为开启状态为止。
进一步地,所述第二获取模块,具体用于
针对每一待检测车辆,若当前待检测车辆的驾驶员位置侧车门为开启状态,确定当前待检测车辆的车门区域;
通过第三卷积神经网络模型对当前待检测车辆的车辆区域进行人像检测;
若检测得到距离当前待检测车辆的驾驶员位置侧车门的预定范围内存在人像信息,确定当前待检测车辆的人像区域。
进一步地,所述确定模块,具体用于
根据当前待检测车辆的车门区域和当前待检测车辆的人像区域,通过第三卷积神经网络模型计算所述车门区域和所述人像区域的重叠区域面积;
计算所述车门区域和所述人像区域的面积大小,并求所述车门区域和所述人像区域的面积最小值;
计算所述重叠区域面积占所述面积最小值的比例;
判断所述比例是否大于预定占比阈值;
若大于,确定当前待检测车辆存在临时违章停车行为。
本发明实施例上述技术方案具有如下有益效果:通过本实施例,能够精确地检测确定各待检测车辆的驾驶员位置侧车门是否开启,为后续判断待检测车辆是否存在临时违章停车行为提供了重要的前提条件,极大地提高了检测效率;通过已确定的待检测车辆的车辆信息和待检测车辆预定范围内的人像信息的位置关系,高效、精确地确定待检测车辆是否存在临时违章停车行为,实现了在无需人工现场确定是否存在临时违章停车行为的前提下,对临时违章停车进行智能化管理;避免了无法及时发现临时违章停车的问题,极大地提高了临时违章停车的管理效率,进一步地,极大地降低了临时违章停车的管理成本。
以下结合应用实例对本发明实施例上述技术方案进行详细说明:
本发明应用实例旨在高效、精确地确定车辆是否存在临时违章停车行为。
如图1所示,例如,在停车管理系统中,获取已采集的预定监控区域的视频帧图像集,随后,针对每一视频帧图像,从当前视频帧图像中获取各个待检测车辆的车辆信息,如获取到待检测车辆C1和C2的车辆信息,并分别确定待检测车辆C1和C2的驾驶员位置侧车门是否开启;针对每一待检测车辆,若当前待检测车辆,如为C1,的驾驶员位置侧车门为开启状态,从当前视频帧图像中获取距离当前待检测车辆C1驾驶员位置侧车门的预定范围内的人像信息;根据当前待检测车辆C1的车辆信息和获取的人像信息,确定当前待检测车辆C1与该获取的人像信息中人像的位置关系,并基于该位置关系确定当前待检测车辆C1是否存在临时违章停车行为。
需要说明的是,本领域技术人员可以了解到,驾驶员位置侧车门的位置在不同地域会有不同的规定,可以为车身右侧前方位置侧车门,也可以为车身左侧前方位置侧车门,在此不做限定。
在一种可能的实现方式中,在步骤101获取已采集的预定监控区域的视频帧图像集之前,包括:通过摄像机以预定频率采集预定监控区域的视频帧图像。
例如,在停车管理系统中,通过摄像机以预定频率实时采集预定监控区域的视频帧图像,其中,摄像机为高位视频采集设备,可以为摄像机组,也可以为摄像机阵列,预定频率可以根据需求进行设定,如0.5s、1s等,视频帧图像具体可以包括行车道路图像,非机动车道路图像或其他禁停区域图像等,本发明实施例中虽会以特定方式为例说明,但在此不做限定。
在一种可能的实现方式中,在步骤102针对每一视频帧图像,从当前视频帧图像中获取各个待检测车辆的车辆信息,并确定各待检测车辆的驾驶员位置侧车门是否开启的之前,包括:预训练用于检测车辆信息的第一卷积神经网络模型;预训练用于检测车辆车门状态的第二卷积神经网络模型;预训练用于检测人像信息的第三卷积神经网络模型。
其中,所述车辆信息包括视频帧图像中车辆的像素坐标信息。
例如,在停车管理系统中,基于大量的视频帧图像,通过以单个车辆的图像块作为目标图像,预训练预定网络模型,如MobileNet-SSD模型,即以轻量级卷积神经网络MobileNet为主干网络的SDD(Single Shot MultiBox Detector,单级式多目标检测模型)目标检测模型,检测车辆信息,得到用于检测车辆信息的第一卷积神经网络模型;基于大量的视频帧图像,通过以单个车辆的图像块作为目标图像,预训练预定网络模型,如MobileNet-SSD模型,检测车辆的各个车门是否打开,得到用于检测车辆车门状态的第二卷积神经网络模型;预训练用于检测人像信息的第三卷积神经网络模型。其中,车辆信息包括视频帧图像中车辆的像素坐标信息,还可以包括车辆车牌信息、车辆型号等信息,在此不做限定。
通过本实施例,基于卷积神经网络模型,为后续判断待检测车辆是否存在临时违章停车行为提供了重要的前提保障。
在一种可能的实现方式中,步骤102中针对每一视频帧图像,从当前视频帧图像中获取各个待检测车辆的车辆信息的步骤,包括:针对每一视频帧图像,通过第一卷积神经网络模型,对当前频帧图像进行检测,确定当前视频帧图像中是否存在车辆信息;若存在,获取当前视频帧图像中的各个待检测车辆信息;基于已获取的各个待检测车辆信息中的待检测车辆的像素坐标信息,切割当前视频帧中的各个待检测车辆的车辆区域,得到当前视频帧中的各个待检测车辆的车辆区域块。
例如,在停车管理系统中,获取已采集的预定监控区域的视频帧图像集,随后,针对每一视频帧图像,通过第一卷积神经网络模型,对当前频帧图像,如P1,进行检测,确定当前视频帧图像P1中是否存在车辆信息;若存在,获取当前视频帧图像P1中的各个待检测车辆信息,如获取到待检测车辆C1和C2的车辆信息;基于已获取的各个待检测车辆信息中的待检测车辆的像素坐标信息,切割当前视频帧P1中的各个待检测车辆的车辆区域,得到当前视频帧P1中的各个待检测车辆的车辆区域块,如,假设待检测车辆C1车辆的检测框在视频帧图像中像素坐标的顶点为a(x0,y0)、b(x1,y0)、c(x0,y1)、d(x1,y1),如图3所示,其中x0<x1,y0<y1;随后,则从当前视频帧图像P1中裁剪出横坐标x0到x1、纵坐标y0到y1的图像块作为C1车辆的切割图像块B1,其宽度为x1-x0+1(像素),高为y1-y0+1(像素),如图4所示;切割待检测车辆C2车辆的车辆区域方法与切割待检测车辆C1车辆的车辆区域的方法相同,在此不做赘述。
通过本实施例,能够快速、精确地确定待检测车辆的车辆区域块,为后续精确地确定待检测车辆驾驶员位置侧车门的车门状态提供了重要的前提保障。
在一种可能的实现方式中,步骤102中确定各待检测车辆的驾驶员位置侧车门是否开启的步骤,包括:步骤a、针对每一视频帧图像,通过第二卷积神经网络模型对当前视频帧图像中的各个待检测车辆的车辆区域块进行车门状态检测,得到所述各个待检测车辆驾驶员位置侧车门的车门状态。
其中,所述车门状态包括开启状态和关闭状态中的任一种。
其中,若当前视频帧图像中的各个待检测车辆的车门状态均为关闭状态,包括:跳转执行步骤a,顺序检测后一视频帧图像,直至检测得到任一视频帧图像中的任一待检测车辆的驾驶员位置侧车门为开启状态为止。
例如,接上例,针对每一视频帧图像,通过第二卷积神经网络模型对当前视频帧图像,如P1,中的待检测车辆C1和C2的车辆区域块进行车门状态检测,得到待检测车辆C1和C2驾驶员位置侧车门的车门状态,若待检测车辆C1和C2驾驶员位置侧车门的车门状态均为关闭状态,跳转执行步骤a,根据视频帧图像的拍摄时间,顺序检测后一视频帧图像,直至检测得到任一视频帧图像中的任一待检测车辆的驾驶员位置侧车门为开启状态为止。
在一种可能的实现方式中,步骤103针对每一待检测车辆,若当前待检测车辆的驾驶员位置侧车门为开启状态,从当前视频帧图像中获取距离当前待检测车辆驾驶员位置侧车门的预定范围内的人像信息,包括:针对每一待检测车辆,若当前待检测车辆的驾驶员位置侧车门为开启状态,确定当前待检测车辆的车门区域;通过第三卷积神经网络模型对当前待检测车辆的车辆区域进行人像检测;若检测得到距离当前待检测车辆的驾驶员位置侧车门的预定范围内存在人像信息,确定当前待检测车辆的人像区域。具体地,当前待检测车辆的车门区域为当前待检测车辆的驾驶员侧车门区域。
例如,接上例,针对每一待检测车辆,若当前待检测车辆,如待检测车辆C1,的驾驶员位置侧车门为开启状态,确定当前待检测车辆C1的车门区域;通过第三卷积神经网络模型对当前待检测车辆C1的车辆区域进行人像检测;若检测得到距离当前待检测车辆C1的驾驶员位置侧车门的预定范围内存在人像信息,确定当前待检测车辆C1的人像区域。
在一种可能的实现方式中,步骤104根据当前待检测车辆的车辆信息和所述人像信息,确定当前待检测车辆与所述人像信息中人像的位置关系,并基于所述位置关系确定当前待检测车辆是否存在临时违章停车行为,包括:根据当前待检测车辆的车门区域和当前待检测车辆的人像区域,通过第三卷积神经网络模型计算所述车门区域和所述人像区域的重叠区域面积;计算所述车门区域和所述人像区域的面积大小,并求所述车门区域和所述人像区域的面积最小值;计算所述重叠区域面积占所述面积最小值的比例;判断所述比例是否大于预定占比阈值;若大于,确定当前待检测车辆存在临时违章停车行为。
例如,接上例,根据当前待检测车辆C1的车门区域和当前待检测车辆C1的人像区域,通过第三卷积神经网络模型计算该车门区域和该人像区域的重叠区域面积;若当前待检测车辆C1的图像块中车门区域的左上角顶点的像素坐标为(xd,yd),宽为wd,高为hd,当前待检测车辆C1的人像区域的左上角顶点的像素坐标为(xp,yp),宽为wp,高为hp),则其重叠区域面积Ainter为
Ainter=(min(xd+wd,xp+wp)-max(xd,xp))*(min(yd+yd,yp+yp)-max(yd,yp))
其中min为求小运算,max为求大运算;随后,计算该车门区域即wd*hd和该人像区域即wp*hp的面积大小,并求该车门区域和该人像区域的面积最小值,即min(wd*hd,wp*hp);计算重叠区域面积Ainter占该面积最小值的比例Rinter,即
Rinter=Ainter/min(wd*hd,wp*hp)
随后判断Rinter是否大于预定占比阈值,若大于,则确认当前待检测车辆C1人车分离,驾驶员打开车门走出车外,即确定当前待检测车辆C1存在临时违章停车行为;若小于,确定当前待检测车辆不存在临时违章停车行为,并检测当前视频帧图像P1中的待检测车辆C2,确定待检测车辆C2是否存在临时违章停车行为的方法与确定待检测车辆C1是否存在临时违章停车行为的方法相同,在此不做赘述。
通过本实施例,能够精确地确定待检测车辆的车辆信息和待检测车辆预定范围内的人像信息的位置关系,从而精确地确定待检测车辆是否存在临时违章停车行为,极大地提高了临时违章停车的管理效率,进一步地,极大地降低了临时违章停车的管理成本。
本发明实施例提供了一种判断临时违章停车的装置,可以实现上述提供的方法实施例,具体功能实现请参见方法实施例中的说明,在此不再赘述。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明,上面对所公开实施例进行了描述。对于本领域技术人员来说;这些实施例的各种修改方式都是显而易见的,并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此,本公开并不限于本文给出的实施例,而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种判断临时违章停车的方法,其特征在于,包括:
获取已采集的预定监控区域的视频帧图像集;
针对每一视频帧图像,从当前视频帧图像中获取各个待检测车辆的车辆信息,并确定各待检测车辆的驾驶员位置侧车门是否开启;
针对每一待检测车辆,若当前待检测车辆的驾驶员位置侧车门为开启状态,从当前视频帧图像中获取距离当前待检测车辆驾驶员位置侧车门的预定范围内的人像信息;
根据当前待检测车辆的车辆信息和所述人像信息,确定当前待检测车辆与所述人像信息中人像的位置关系,并基于所述位置关系确定当前待检测车辆是否存在临时违章停车行为。
2.根据权利要求1所述的方法,其特征在于,在所述获取已采集的预定监控区域的视频帧图像集的步骤之前,包括:
通过摄像机以预定频率采集预定监控区域的视频帧图像。
3.根据权利要求1或2所述的方法,其特征在于,在针对每一视频帧图像,从当前视频帧图像中获取各个待检测车辆的车辆信息,并确定各待检测车辆的驾驶员位置侧车门是否开启的步骤之前,包括:
预训练用于检测车辆信息的第一卷积神经网络模型;
预训练用于检测车辆车门状态的第二卷积神经网络模型;
预训练用于检测人像信息的第三卷积神经网络模型;
其中,所述车辆信息包括视频帧图像中车辆的像素坐标信息。
4.根据权利要求3所述的方法,其特征在于,所述针对每一视频帧图像,从当前视频帧图像中获取各个待检测车辆的车辆信息,包括:
针对每一视频帧图像,通过第一卷积神经网络模型,对当前频帧图像进行检测,确定当前视频帧图像中是否存在车辆信息;
若存在,获取当前视频帧图像中的各个待检测车辆信息;
基于已获取的各个待检测车辆信息中的待检测车辆的像素坐标信息,切割当前视频帧中的各个待检测车辆的车辆区域,得到当前视频帧中的各个待检测车辆的车辆区域块。
5.根据权利要求3所述的方法,其特征在于,所述确定各待检测车辆的驾驶员位置侧车门是否开启,包括:
步骤a、针对每一视频帧图像,通过第二卷积神经网络模型对当前视频帧图像中的各个待检测车辆的车辆区域块进行车门状态检测,得到所述各个待检测车辆驾驶员位置侧车门的车门状态;
其中,所述车门状态包括开启状态和关闭状态中的任一种。
6.根据权利要求5所述的方法,其特征在于,若当前视频帧图像中的各个待检测车辆的车门状态均为关闭状态,包括:
跳转执行步骤a,顺序检测后一视频帧图像,直至检测得到任一视频帧图像中的任一待检测车辆的驾驶员位置侧车门为开启状态为止。
7.根据权利要求5或6所述的方法,其特征在于,所述针对每一待检测车辆,若当前待检测车辆的驾驶员位置侧车门为开启状态,从当前视频帧图像中获取距离当前待检测车辆驾驶员位置侧车门的预定范围内的人像信息,包括:
针对每一待检测车辆,若当前待检测车辆的驾驶员位置侧车门为开启状态,确定当前待检测车辆的车门区域;
通过第三卷积神经网络模型对当前待检测车辆的车辆区域进行人像检测;
若检测得到距离当前待检测车辆的驾驶员位置侧车门的预定范围内存在人像信息,确定当前待检测车辆的人像区域。
8.根据权利要求7所述的方法,其特征在于,所述根据当前待检测车辆的车辆信息和所述人像信息,确定当前待检测车辆与所述人像信息中人像的位置关系,并基于所述位置关系确定当前待检测车辆是否存在临时违章停车行为,包括:
根据当前待检测车辆的车门区域和当前待检测车辆的人像区域,通过第三卷积神经网络模型计算所述车门区域和所述人像区域的重叠区域面积;
计算所述车门区域和所述人像区域的面积大小,并求所述车门区域和所述人像区域的面积最小值;
计算所述重叠区域面积占所述面积最小值的比例;
判断所述比例是否大于预定占比阈值;
若大于,确定当前待检测车辆存在临时违章停车行为。
9.一种判断临时违章停车的装置,其特征在于,包括:
第一获取模块,用于获取已采集的预定监控区域的视频帧图像集;
获取及确定模块,用于针对每一视频帧图像,从当前视频帧图像中获取各个待检测车辆的车辆信息,并确定各待检测车辆的驾驶员位置侧车门是否开启;
第二获取模块,用于针对每一待检测车辆,若当前待检测车辆的驾驶员位置侧车门为开启状态,从当前视频帧图像中获取距离当前待检测车辆驾驶员位置侧车门的预定范围内的人像信息;
确定模块,用于根据当前待检测车辆的车辆信息和所述人像信息,确定当前待检测车辆与所述人像信息中人像的位置关系,并基于所述位置关系确定当前待检测车辆是否存在临时违章停车行为。
10.根据权利要求9所述的装置,其特征在于,包括:
采集模块,用于通过摄像机以预定频率采集预定监控区域的视频帧图像。
11.根据权利要求9或10所述的装置,其特征在于,包括:
第一预训练模块,用于预训练用于检测车辆信息的第一卷积神经网络模型;
第二预训练模块,用于预训练用于检测车辆车门状态的第二卷积神经网络模型;
第三预训练模块,用于预训练用于检测人像信息的第三卷积神经网络模型;
其中,所述车辆信息包括视频帧图像中车辆的像素坐标信息。
12.根据权利要求11所述的装置,其特征在于,所述获取及确定模块,包括:
确定单元,用于针对每一视频帧图像,通过第一卷积神经网络模型,对当前频帧图像进行检测,确定当前视频帧图像中是否存在车辆信息;
获取单元,用于若存在,获取当前视频帧图像中的各个待检测车辆信息;
切割单元,用于基于已获取的各个待检测车辆信息中的待检测车辆的像素坐标信息,切割当前视频帧中的各个待检测车辆的车辆区域,得到当前视频帧中的各个待检测车辆的车辆区域块。
13.根据权利要求11所述的装置,其特征在于,所述获取及确定模块,包括:
检测单元,用于针对每一视频帧图像,通过第二卷积神经网络模型对当前视频帧图像中的各个待检测车辆的车辆区域块进行车门状态检测,得到所述各个待检测车辆驾驶员位置侧车门的车门状态;
其中,所述车门状态包括开启状态和关闭状态中的任一种。
14.根据权利要求13所述的装置,其特征在于,若检测单元检测得到当前视频帧图像中的各个待检测车辆的车门状态均为关闭状态,包括:
跳转子单元,用于跳转执行检测单元,顺序检测后一视频帧图像,直至检测得到任一视频帧图像中的任一待检测车辆的驾驶员位置侧车门为开启状态为止。
15.根据权利要求13或14所述的装置,其特征在于,所述第二获取模块,具体用于
针对每一待检测车辆,若当前待检测车辆的驾驶员位置侧车门为开启状态,确定当前待检测车辆的车门区域;
通过第三卷积神经网络模型对当前待检测车辆的车辆区域进行人像检测;
若检测得到距离当前待检测车辆的驾驶员位置侧车门的预定范围内存在人像信息,确定当前待检测车辆的人像区域。
16.根据权利要求15所述的装置,其特征在于,所述确定模块,具体用于
根据当前待检测车辆的车门区域和当前待检测车辆的人像区域,通过第三卷积神经网络模型计算所述车门区域和所述人像区域的重叠区域面积;
计算所述车门区域和所述人像区域的面积大小,并求所述车门区域和所述人像区域的面积最小值;
计算所述重叠区域面积占所述面积最小值的比例;
判断所述比例是否大于预定占比阈值;
若大于,确定当前待检测车辆存在临时违章停车行为。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911405936 | 2019-12-31 | ||
CN2019114059361 | 2019-12-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111339994A true CN111339994A (zh) | 2020-06-26 |
CN111339994B CN111339994B (zh) | 2022-09-20 |
Family
ID=71184159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010180782.7A Active CN111339994B (zh) | 2019-12-31 | 2020-03-16 | 一种判断临时违章停车的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339994B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112071084A (zh) * | 2020-09-18 | 2020-12-11 | 城云科技(中国)有限公司 | 一种利用深度学习判断违章停车的方法和系统 |
CN112419733A (zh) * | 2020-10-16 | 2021-02-26 | 杭州智行星科技有限公司 | 一种用户不规范停车的检测方法、装置、设备和存储介质 |
CN112950942A (zh) * | 2021-02-19 | 2021-06-11 | 合肥海赛信息科技有限公司 | 一种基于视频分析的机动车违停智能检测方法 |
CN113055823A (zh) * | 2021-04-01 | 2021-06-29 | 超级视线科技有限公司 | 一种基于路侧停车管理共享单车的方法及装置 |
CN113449605A (zh) * | 2021-05-31 | 2021-09-28 | 超级视线科技有限公司 | 一种基于多维度的路侧车辆违停判断方法及系统 |
CN113473077A (zh) * | 2021-05-31 | 2021-10-01 | 超级视线科技有限公司 | 一种基于多维度的路侧逆向停车的判断方法及系统 |
CN113570871A (zh) * | 2021-07-09 | 2021-10-29 | 超级视线科技有限公司 | 一种基于多维度的车辆人员上下车判断方法及系统 |
CN114913695A (zh) * | 2022-06-21 | 2022-08-16 | 上海西井信息科技有限公司 | 基于ai视觉的车辆逆行检测方法、系统、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07160848A (ja) * | 1993-12-07 | 1995-06-23 | Mitsubishi Electric Corp | 違法駐車抑止装置および閾値決定装置 |
CN103824458A (zh) * | 2014-03-25 | 2014-05-28 | 宁波市江东元典知识产权服务有限公司 | 基于图像识别技术的临时停车警示系统 |
CN104157143A (zh) * | 2014-08-15 | 2014-11-19 | 青岛比特信息技术有限公司 | 违章停车检测系统及其检测方法 |
CN110163985A (zh) * | 2019-06-20 | 2019-08-23 | 广西云高智能停车设备有限公司 | 一种基于车脸识别的路边停车管理收费系统及收费方法 |
CN110349368A (zh) * | 2019-07-16 | 2019-10-18 | 广州小鹏汽车科技有限公司 | 一种车辆看护的方法和装置 |
-
2020
- 2020-03-16 CN CN202010180782.7A patent/CN111339994B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07160848A (ja) * | 1993-12-07 | 1995-06-23 | Mitsubishi Electric Corp | 違法駐車抑止装置および閾値決定装置 |
CN103824458A (zh) * | 2014-03-25 | 2014-05-28 | 宁波市江东元典知识产权服务有限公司 | 基于图像识别技术的临时停车警示系统 |
CN104157143A (zh) * | 2014-08-15 | 2014-11-19 | 青岛比特信息技术有限公司 | 违章停车检测系统及其检测方法 |
CN110163985A (zh) * | 2019-06-20 | 2019-08-23 | 广西云高智能停车设备有限公司 | 一种基于车脸识别的路边停车管理收费系统及收费方法 |
CN110349368A (zh) * | 2019-07-16 | 2019-10-18 | 广州小鹏汽车科技有限公司 | 一种车辆看护的方法和装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112071084A (zh) * | 2020-09-18 | 2020-12-11 | 城云科技(中国)有限公司 | 一种利用深度学习判断违章停车的方法和系统 |
CN112419733A (zh) * | 2020-10-16 | 2021-02-26 | 杭州智行星科技有限公司 | 一种用户不规范停车的检测方法、装置、设备和存储介质 |
CN112419733B (zh) * | 2020-10-16 | 2023-05-05 | 杭州智行星科技有限公司 | 一种用户不规范停车的检测方法、装置、设备和存储介质 |
CN112950942A (zh) * | 2021-02-19 | 2021-06-11 | 合肥海赛信息科技有限公司 | 一种基于视频分析的机动车违停智能检测方法 |
CN113055823A (zh) * | 2021-04-01 | 2021-06-29 | 超级视线科技有限公司 | 一种基于路侧停车管理共享单车的方法及装置 |
CN113055823B (zh) * | 2021-04-01 | 2023-07-11 | 超级视线科技有限公司 | 一种基于路侧停车管理共享单车的方法及装置 |
CN113449605A (zh) * | 2021-05-31 | 2021-09-28 | 超级视线科技有限公司 | 一种基于多维度的路侧车辆违停判断方法及系统 |
CN113473077A (zh) * | 2021-05-31 | 2021-10-01 | 超级视线科技有限公司 | 一种基于多维度的路侧逆向停车的判断方法及系统 |
CN113570871A (zh) * | 2021-07-09 | 2021-10-29 | 超级视线科技有限公司 | 一种基于多维度的车辆人员上下车判断方法及系统 |
CN114913695A (zh) * | 2022-06-21 | 2022-08-16 | 上海西井信息科技有限公司 | 基于ai视觉的车辆逆行检测方法、系统、设备及存储介质 |
CN114913695B (zh) * | 2022-06-21 | 2023-10-31 | 上海西井科技股份有限公司 | 基于ai视觉的车辆逆行检测方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111339994B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339994B (zh) | 一种判断临时违章停车的方法及装置 | |
CN110163107B (zh) | 一种基于视频帧识别路侧停车行为的方法及装置 | |
CN111405196B (zh) | 一种基于视频拼接的车辆管理的方法及系统 | |
CN110189523B (zh) | 一种基于路侧停车识别车辆违章行为的方法及装置 | |
CN111739335B (zh) | 一种基于视觉差的停车检测方法及装置 | |
CN112509325B (zh) | 一种基于视频深度学习的非现场违法自动甄别方法 | |
CN113033479B (zh) | 一种基于多层感知的泊位事件识别方法及系统 | |
CN113205689B (zh) | 一种基于多维度的路侧停车入场事件判断方法及系统 | |
CN111340710A (zh) | 一种基于图像拼接获取车辆信息的方法及系统 | |
CN111739338A (zh) | 一种基于多类型传感器的停车管理方法及系统 | |
CN113205691A (zh) | 一种识别车辆位置的方法及装置 | |
CN108932850B (zh) | 一种记录机动车低速行驶违法行为的方法及装置 | |
CN112861773A (zh) | 一种基于多层次的泊位状态检测方法及系统 | |
CN116168339A (zh) | 一种基于停车场道闸状态的跟车行为判断方法及系统 | |
CN113112813B (zh) | 违章停车检测方法及装置 | |
CN111105619A (zh) | 一种路侧逆向停车的判断方法及装置 | |
CN113052141A (zh) | 一种检测车辆停放位置的方法及装置 | |
CN113449605A (zh) | 一种基于多维度的路侧车辆违停判断方法及系统 | |
CN111768630A (zh) | 一种违章废图检测方法、装置及电子设备 | |
CN113449624B (zh) | 一种基于行人重识别确定车辆行为的方法及装置 | |
CN113473077A (zh) | 一种基于多维度的路侧逆向停车的判断方法及系统 | |
CN113570871A (zh) | 一种基于多维度的车辆人员上下车判断方法及系统 | |
CN112232441A (zh) | 违章停车判断方法、系统、计算机设备及存储介质 | |
CN112507874A (zh) | 一种用于检测机动车加塞行为的方法与设备 | |
CN114694408B (zh) | 一种基于多维度泊位状态的停车订单生成方法及系统 |
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: 075000 ten building, phase 1, airport economic and Technological Development Zone, Zhangjiakou, Hebei Applicant after: Smart intercommunication Technology Co.,Ltd. Address before: 075000 ten building, phase 1, airport economic and Technological Development Zone, Zhangjiakou, Hebei Applicant before: INTELLIGENT INTER CONNECTION TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |