CN111402329A - 车辆压线检测方法、装置、计算机设备和存储介质 - Google Patents
车辆压线检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111402329A CN111402329A CN202010212782.0A CN202010212782A CN111402329A CN 111402329 A CN111402329 A CN 111402329A CN 202010212782 A CN202010212782 A CN 202010212782A CN 111402329 A CN111402329 A CN 111402329A
- Authority
- CN
- China
- Prior art keywords
- target
- vehicle
- marking
- tire
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 25
- 230000001605 fetal effect Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 241001417534 Lutjanidae Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种车辆压线检测方法、装置、计算机设备和存储介质。所述方法包括:根据预设的目标车牌号码,获取待测图像中与所述目标车牌号码匹配的目标车辆;获取所述目标车辆的胎点位置;其中,所述胎点位置为车辆轮胎与地面接触点的位置;根据所述待测图像中的路面标线信息获取目标标线位置;根据所述胎点位置与所述目标标线位置,确定所述目标车辆是否存在压线。采用本方法能够实现车辆压线检测的自动化,提高了车辆压线检测的整体检测效率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种车辆压线检测方法、装置、计算机设备和存储介质。
背景技术
在交通领域,车辆压线行驶是一个重要的违规类型,此行为不仅给自己带来了安全隐患,而且也威胁到其它群众的生命安全,因此通过交通摄像机抓拍压线违法行为,并给予处罚,尤为重要。
传统技术中,车辆压线行为的审核是通过人工方式,这种审核方式需要耗费大量的人力和时间,大大降低了车辆压线行驶的筛查效率。
发明内容
基于此,有必要针对上述技术问题,提供一种车辆压线检测方法、装置、计算机设备和存储介质。
一方面,提供一种车辆压线检测方法,所述方法包括:
根据预设的目标车牌号码,获取待测图像中与所述目标车牌号码匹配的目标车辆;
获取所述目标车辆的胎点位置;其中,所述胎点位置为车辆轮胎与地面接触点的位置;
根据所述待测图像中的路面标线信息获取目标标线位置;
根据所述胎点位置与所述目标标线位置,确定所述目标车辆是否存在压线。
在其中一个实施例中,所述根据所述胎点位置与所述目标标线位置,确定所述目标车辆是否存在压线,包括:
将所述胎点位置顺时针或逆时针连接,得到底盘拟合框;其中,所述底盘拟合框为四个所述胎点位置连接得到四边形框;
根据所述底盘拟合框与所述目标标线位置判断所述目标车辆是否存在压线。
在其中一个实施例中,所述根据所述底盘拟合框与所述目标标线位置判断所述目标车辆是否存在压线,包括:
获取所述底盘拟合框的线段位置;
判断所述底盘拟合框的线段位置中,是否存在与所述目标标线位置相交的线段位置;
若是,则确定所述目标车辆存在压线;
若否,则确定所述目标车辆不存在压线。
在其中一个实施例中,所述获取所述目标车辆的胎点位置,包括:
采用预设的胎点检测模型对所述待测图像中的所述目标车辆进行胎点位置检测,得到所述目标车辆的胎点位置。
在其中一个实施例中,所述预设的胎点检测模型的训练方式,包括:
获取车辆图像;
将所述车辆图像中的车辆胎点进行左后胎点、右后胎点、右前胎点、左前胎点的位置标记,得到标记胎点图像;其中,所述车辆胎点为车辆轮胎外侧与地面的接触点,所述车辆轮胎外侧为所述车辆轮胎远离另一所述车辆轮胎的一侧;
采用所述标记胎点图像训练得到所述胎点检测模型。
在其中一个实施例中,所述根据所述待测图像中的路面标线信息获取目标标线位置之前,包括:
获取所述待测图像中的路面标线的标线类别;
获取所述路面标线在所述待测图像中的坐标,作为标线位置;
将所述标线类别与所述标线位置作为所述路面标线信息。
在其中一个实施例中,所述根据所述待测图像中的路面标线信息获取目标标线位置,包括:
获取所述标线类别为白实线和黄实线的所述路面标线的所述标线位置,作为所述目标标线位置。
另一方面,提供一种车辆压线检测装置,所述装置包括:
目标获取模块,用于根据预设的目标车牌号码,获取待测图像中与所述目标车牌号码匹配的目标车辆;
胎点获取模块,用于获取所述目标车辆的胎点位置;其中,所述胎点位置为车辆轮胎与地面接触点的位置;
标线获取模块,用于根据所述待测图像中的路面标线信息获取目标标线位置;
压线判断模块,用于根据所述胎点位置与所述目标标线位置,确定所述目标车辆是否存在压线。
另一方面,提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
目标获取模块,用于根据预设的目标车牌号码,获取待测图像中与所述目标车牌号码匹配的目标车辆;
胎点获取模块,用于获取所述目标车辆的胎点位置;其中,所述胎点位置为车辆轮胎与地面接触点的位置;
标线获取模块,用于根据所述待测图像中的路面标线信息获取目标标线位置;
压线判断模块,用于根据所述胎点位置与所述目标标线位置,确定所述目标车辆是否存在压线。
另一方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
目标获取模块,用于根据预设的目标车牌号码,获取待测图像中与所述目标车牌号码匹配的目标车辆;
胎点获取模块,用于获取所述目标车辆的胎点位置;其中,所述胎点位置为车辆轮胎与地面接触点的位置;
标线获取模块,用于根据所述待测图像中的路面标线信息获取目标标线位置;
压线判断模块,用于根据所述胎点位置与所述目标标线位置,确定所述目标车辆是否存在压线。
上述车辆压线检测方法、装置、计算机设备和存储介质,所述方法包括:根据预设的目标车牌号码,获取待测图像中与所述目标车牌号码匹配的目标车辆;获取所述目标车辆的胎点位置;其中,所述胎点位置为车辆轮胎与地面接触点的位置;根据所述待测图像中的路面标线信息获取目标标线位置;根据所述胎点位置与所述目标标线位置,确定所述目标车辆是否存在压线。上述方法中将车辆轮胎的胎点位置与目标标线位置作为车辆压线的判断依据,便于计算机设备的识别和获取,使得整个车辆压线检测方法得以程序化,实现车辆压线检测的自动化,提高了车辆压线检测的整体检测效率。
附图说明
图1为一个实施例中车辆压线检测方法的应用环境图;
图2a为一个实施例中车辆压线检测方法的流程示意图;
图2b为一个实施例中获取目标车辆的流程示意图;
图3为一个实施例中胎点检测模型训练方式的流程示意图;
图4为一个实施例中获取路面标线信息的流程示意图;
图5为一个实施例中确定目标车辆是否存在压线的流程示意图;
图6为另一个实施例中确定目标车辆是否存在压线的流程示意图;
图7为一个实施例中车辆压线检测装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的车辆压线检测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。服务器104根据预设的目标车牌号码,从终端102获取待测图像中与所述目标车牌号码匹配的目标车辆,进一步获取车辆轮胎与地面接触点的位置作为所述目标车辆的胎点位置,服务器104根据所述待测图像中的路面标线信息获取目标标线位置,并根据所述目标车辆的胎点位置与所述目标标线位置,确定所述目标车辆是否存在压线。其中,终端102可以但不限于是各种道路抓拍机、摄像头,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2a所示,提供了一种车辆压线检测方法,该方法包括以下步骤:
S201、根据预设的目标车牌号码,获取待测图像中与所述目标车牌号码匹配的目标车辆。
其中,所述预设的目标车牌号码为计算机设备接收到的需要进行针对性监察的车辆的车牌号码。道路监察系统会获取管辖区域内存在违规行驶的所有车辆的车牌号码,并将该车牌号码作为所述目标车牌号码发送至计算机设备。所述待测图像可以为道路上所布设的道路抓拍机所抓拍的图像,或者,道路上所布设的监控摄像头所采集的视频中的视频帧。
具体地,如图2b所示,上述S201可包括如下步骤:
S2011、获取待测图像。
计算机设备可以接收由道路抓拍机抓拍得到的图像或监控摄像头采集的视频中的视频帧,也可直接从交管部门道路监察管理数据库中获取道路抓拍机抓拍得到的图像或监控摄像头采集的视频中的视频帧,作为所述待测图像。
S2012、获取所述待测图像中的机动车辆图像。
计算机设备采用预先训练的车辆检测模型对所述待测图像进行车辆检测,得到不同图像区域的机动车辆置信度,将所述机动车辆置信度大于预设机动车辆置信度阈值的图像区域作为所述机动车辆图像。
其中,所述机动车辆检测模型为用于识别图像中的机动车辆和非机动车辆的分类模型。所述机动车辆可以包括客车、货车、小汽车、卡车、公交车等车辆类型中的至少一种类型的车辆。所述非机动车辆可以包括自行车、电动自行车、三轮车等车辆类型中的至少一种类型的车辆。所述机动车辆置信度即为图像区域为机动车辆图像的概率。
进一步地,计算机设备预先将大量包括不同类型机动车辆和非机动车辆的图像作为车辆训练样本,每一所述车辆训练样本中可以包括多个辆车辆,计算机设备将每一所述车辆训练样本中的车辆采用矩形框框选出来,并进行对应为机动车辆或者非机动车辆的类型标注,如将车辆训练样本中的客车标注为机动车,货车标注为机动车,自行车标注为非机动车,得到标注车辆训练样本,并通过所述标注车辆训练样本训练得到所述车辆检测模型。计算机设备再将获取到的所述待测图像输入所述车辆检测模型,对所述待测图像中的不同图像区域进行机动车和非机动车的分类检测,得到每一图像区域的所述机动车辆置信度。具体可以采用YOLO_V3目标检测算法进行上述分类检测。计算机设备将所述车辆检测模型输出的机动车辆置信度与预设机动车辆置信度阈值比较,将所述机动车辆置信度大于预设机动车辆置信度阈值对应的所述图像区域作为所述机动车辆图像。
S2013、根据所述目标车牌号码获取所述机动车辆中与所述目标车牌号码匹配的目标车辆。
计算机设备采用预先训练的车牌检测模型对所述机动车辆进行车牌检测,得到每一所述机动车辆的机动车牌区域,再采用预先训练的字符检测模型对每一所述机动车牌区域进行字符检测,得到每一所述机动车牌区域的所述机动车牌号码,所述机动车牌号码构成所述车牌号码集。计算机设备再将所述车牌号码集中,与所述目标车牌号码至少预设数量的相同位置字符相同的所述机动车牌号码所对应的机动车辆,作为所述目标车辆。
其中,所述车牌检测模型为用于识别图像中的车牌的分类模型。所述字符检测模型为用于识别图像中的字符的分类模型。所述字符包括中文、字母以及阿拉伯数字。
进一步地,计算机设备预先将大量包括不同颜色车牌的图像作为车牌训练样本,将每一所述车牌训练样本中车牌进行车牌标注,得到标注车牌训练样本,并通过所述标注车牌训练样本训练得到所述车牌检测模型。计算机设备预先将大量包括不同字符的图像作为字符训练样本,将每一所述字符训练样本中字符进行对应字符的标注,如将字符“沪”标记为“沪”,将字符“A”标记为“A”,将字符“1”标记为“1”,得到标注字符训练样本,并通过所述标注字符训练样本训练得到所述字符检测模型。计算机设备再将获取到的所述待测图像中的机动车辆图像输入所述车牌检测模型,识别得到所述机动车辆图像中的车牌图像,具体可以采用单发多框检测算法(Single Shot MultiBox Detector,SSD)得到所述机动车辆图像中的车牌图像。计算机设备再将获取到的所述车牌图像输入所述字符检测模型,进行图像中字符的分类检测,得到所述待测图像中每一所述机动车辆图像中车牌图像中的字符,作为该机动车辆的机动车牌号码,得到的所有所述机动车牌号码构成所述车牌号码集。具体可采卷积循环神经网络(Convolutional Recurrent Neural Network,CRNN)车牌字符识别模型得到所述待测图像中每一所述机动车牌区域的所述机动车牌号码。计算机设备再将所述车牌号码集中每一所述机动车牌号码的每一字符与所述目标车牌号码中对应位置的字符进行比校,例如,某一所述机动车牌号码为:沪A11111,所述目标车牌号码为:沪A22222,将“沪A11111”与“沪A22222”进行对应位置的字符比校,由左至右,第一位置和第二位置上的字符相同,即上述机动车牌号码“沪A11111”与所述目标车牌号码“沪A22222”存在2位对应位置上的字符(“沪”和“A”)相同。计算机设备将所述车牌号码集中与所述目标车牌号码至少连续预设数量的相同位置字符相同的所述车牌号码所对应的机动车辆,作为所述目标车辆。例如,所述预设数量为4,计算机设备则将所述车牌号码集中与所述目标车牌号码连续4位相同位置字符相同的所述车牌号码所对应的机动车辆,作为所述目标车辆。
上述实施例中,计算机设备采用预先训练的车辆检测模型分类得到待测图像中的机动车辆,采用预先训练的车牌检测模型以及字符检测模型分类得到机动车辆的车牌号码。所述车辆检测模型、车牌检测模型以及是字符检测模型均基于深度学习的检测模型,是根据大量针对性训练样本训练得到的网络模型,可准确地识别得到所述待测图像中的车辆图像、车牌图像以及机动车牌号码,为后续进行与目标车牌号码的匹配提供了准确的匹配对象,提高了号码匹配的准确性。而根据目标车牌号码通过“预设数量”字符匹配得到目标车辆的方式,避免了获取的机动车牌号码中存在字符错误时,字符无法全部匹配所造成的匹配错误,从而提高了确定目标车辆的准确性,整体上提高了检测结果的准确性。
S202、获取所述目标车辆的胎点位置。
其中,所述胎点位置为车辆轮胎与地面接触点的位置。
具体地,计算机设备可根据轮胎的图像特征,如颜色、形状以及花纹纹理,在得到的所述机动车辆图像中获取轮胎图像。例如,获取所述待测图像中机动车辆图像中具有轮胎花纹纹理的黑色椭圆/圆形区域作为所述轮胎图像。进一步提取每一所述轮胎图像在所述待测图像中的像素坐标点,将每一所述轮胎图像中Y轴数值最小的所述像素坐标点作为所述胎点位置。
S203、根据所述待测图像中的路面标线信息获取目标标线位置。
其中,所述路面标线信息包括路面标线的标线类别和与所述标线类别对应的所述路边标线在所述待测图像中的标线位置,所述目标标线位置为所述标线类别为禁止停压的路面标线的在所述待测图像中的标线位置。例如,车道实线、双黄线、导流线、网格线、停止线等在所述待测图像中的标线位置。
具体地,每个路口的所述路面标线信息对应存储在获取该路口下待测图像的图像采集装置内。计算机设备将所述标线类别作为所述路面标线的标线名称对应进行名称标记,在获取所述目标标线位置时,计算机设备可根据标线名称在所述路面标线信息中提取对应该标线名称的标线位置,作为所述目标标线位置。例如,计算机设备需要获取的标线类别为车道实线和停止线的路面标线的标线位置,计算机设备则可直接根据标线名称“车道实线”和“停止线”提取所述路边标线信息中与所述标线名称为“车道实线”和“停止线”对应的路面标线的标线位置,作为所述目标标线位置。
S204、根据所述胎点位置与所述目标标线位置,确定所述目标车辆是否存在压线。
具体地,计算机设备将所述目标车辆的胎点位置与所述目标标线位置中的每一像素点坐标进行匹配,判断所述像素点坐标中是否存在与所述胎点坐标相同的所述像素点坐标。若存在,则计算机设备确定所述目标车辆存在压线;若不存在,则计算机设备确定所述目标车辆不存在压线。计算机设备可进一步将所述目标车辆不存在/存在压线的检测结果反馈至显示终端,并返回执行步骤201,以继续进行其他目标车辆的压线检测。
本实施例中,计算机设备基于预设的目标车牌号码,获取待测图像中与目标车牌号码匹配的目标车辆,根据路面标线信息获取目标标线位置,再根据目标车辆的胎点位置与所述目标标线位置,确定所目标车辆是否存在压线。通过上述方法,以位置坐标作为车辆压线的判断依据,便于计算机设备的获取,使得整个车辆压线检测方法得以程序化,提高了车辆压线检测的检测效率。
在一个实施例中,所述S202、获取所述目标车辆的胎点位置,包括:
采用预设的胎点检测模型对所述待测图像中的所述目标车辆进行胎点位置检测,得到所述目标车辆的胎点位置。
其中,所述胎点检测模型为根据大量标记车辆轮胎胎点的车辆图像训练得到的神经网络模型,用于识别图像中胎点类型的分类模型。所述目标车辆为四轮机动车辆,所述胎点类型可以包括以轮胎位置区分的左后胎点,右后胎点,右前胎点以及左前胎点。
具体地,计算机设备将得到的所述目标车辆的图像输入所述胎点检测模型,进行图像中胎点的分类检测,并获取该胎点在所述待测图像中的坐标位置,得到所述目标车辆中的每一轮胎的所述胎点位置,即左后胎点位置,右后胎点位置,右前胎点位置以及左前胎点位置。具体可以采用Simple-Baselines人体姿态估计模型进行目标车辆中胎点的分类检测,得到目标车辆的上述四个胎点位置。
进一步地,如图3所示,所述预设的胎点检测模型的训练方式,包括:
S301、获取车辆图像。
其中,所述车辆图像为任意类型四轮机动车辆的图像。例如,客车、小汽车、公交车等车辆的图像。
具体地,计算机设备获取大量由图像集采装置采集的四轮机动车辆的车辆图像。
S302、将所述车辆图像中的车辆胎点进行左后胎点、右后胎点、右前胎点、左前胎点的位置标记,得到标记胎点图像。
其中,所述车辆胎点为车辆轮胎外侧与地面的接触点,所述车辆轮胎外侧为所述车辆轮胎远离另一所述车辆轮胎的一侧。
具体地,计算机设备对每一所述车辆图像中的车辆胎点进行胎点类型标注,如将胎点样本中的左后胎点标注为左后胎点,右后胎点标注为右后胎点,右前胎点标注为右前胎点,左前胎点标注为左前胎点,得到标记胎点图像。
进一步地,在对每一所述车辆图像中的车辆胎点进行胎点类型标注时,若所述车辆图像中的某一车辆胎点不可见,可根据另外三个胎点的位置,结合平行四边形原则即对应两边平行且相等,推算得到该不可见车辆胎点的胎点位置。
S303、采用所述标记胎点图像训练得到所述胎点检测模型。
具体地,计算机设备将上述标记胎点图像作为训练样本,训练得到所述胎点检测模型。
本实施例中,计算机设备采用预先训练的胎点检测模型对所述待测图像中目标车辆的图像进行胎点的检测,实现对车辆胎点的检测识别。胎点检测模型是基于深度学习的检测模型,可准确的识别得到目标车辆中的车辆胎点,再获取得到胎点位置,通过车辆胎点的自动检测识别,简化了目标车辆中胎点位置的获取过程,提高了胎点位置的获取的准确性和高效性,进而提高了整个车辆压线检测方法的检测效率和检测结果的准确性。
在一个实施例中,如图4所示,在所述S203、根据所述待测图像中的路面标线信息获取目标标线位置之前,包括:
S401、获取所述待测图像中的路面标线的标线类别。
其中,所述标线类别包括所述面标线的颜色和虚实线型。
具体地,计算机设备预先根据路面标线的颜色和虚实线型对所述待测图像中的路面标线进行标注,如白实线、白虚线、黄直线、黄虚线等,得到所述待测图像中路面标线的标线类别。
S402、获取所述路面标线在所述待测图像中的坐标,作为标线位置。
S403、将所述标线类别与所述标线位置作为所述路面标线信息。
具体地,计算机设备获取所述路面标线在所述待测图像中的坐标位置,作为所述目标标线位置,并且所述路面标线、所述标线类别以及所述路边标线位置一一对应,得到所述路面标线信息,并将所述路面标线信息存储在对应获取所述待测图像的图像采集装置的结构化文件中,例如,json(JavaScript Object Notation)文件。
进一步地,计算机设备通过抓拍机/摄像头获取对应拍摄区域所述待测图像。本实施例中,所述对应拍摄区域为交通路口。计算机设备在获取一所述抓拍机/摄像机所拍摄的待测图像时,可同时读取对应该抓拍机/摄像头的json文件中的所述路面标线信息。所述抓拍机/摄像头为固定安装在交通路口的图像采集设备,通过同一位置的所述抓拍机/摄像头所拍摄的图像中的所述路面标线信息相同。
本实施例中,计算机设备通过预先获取待测图像中路面标线的标线类别以及标线位置,作为路面标线信息,并存储在对应获取该待测图像的图像采集装置的结构化文件中,便于后续在根据同一图像采集装置对同一交通路口进行车辆压线检测时,可根据所要提取的路面标线的标线类别进行目标标线位置的直接读取,避免了进行车辆压线检测时即时提取目标标线位置带来的检测计算量,节省了整体的检测时间,进而通过节省目标标线位置提取过程的方式提高车辆压线检测的整体检测效率。
在一个实施例中,在所述S203、根据所述待测图像中的路面标线信息获取目标标线位置,包括:
获取所述标线类别为白实线和黄实线的所述路面标线的所述标线位置,作为所述目标标线位置。
具体地,计算机设备在所述待测图像中获取所述标线类别为白实线和黄实线的路面标线所对应的标线位置,作为所述目标标线位置。其中,所述白实线和黄实线为交通路口中禁止停压的路面标线。
本实施例中,计算机设备直接根据路面标线的颜色和虚实线型提取得到对应标线类别的路面标线,进一步根据该路面标线获取与之对应的标线位置,以得到所述目标标线位置,以此实现对车辆压线检测中“线”的针对性提取,并且基于颜色和虚实线性的提取有利于计算机设备的识别提取,便于计算机设备实现,进一步提高了车辆压线检测的准确性和高效性。
在一个实施例中,如图5所示,所述S204、根据所述胎点位置与所述目标标线位置,确定所述目标车辆是否存在压线,包括:
S501、将所述胎点位置顺时针或逆时针连接,得到底盘拟合框。
其中,所述底盘拟合框的形状可根据所述胎点位置的个数确定,可以是三角形,四边形,五边形或者其他多边形中的至少一种。本实施例中,所述胎点位置为4个,所述底盘拟合框为4个所述胎点位置连接得到四边形框。
具体地,计算机设备以上述4个所述轮胎点位置:左后胎点位置、右后胎点位置、右前胎点位置以及左前胎点位置中的任一所述胎点位置为起点,顺时针或者逆时针依次连接,例如,按照左后胎点位置、右后胎点位置、右前胎点位置以及左前胎点位置的顺序依次连接,得到四边形的所述底盘拟合框。其中,左右是指车辆中驾驶员的左右,前后是指车辆的车头车尾。
S502、根据所述底盘拟合框与所述目标标线位置判断所述目标车辆是否存在压线。
具体地,计算机设备可获取所述底盘拟合框所框选的区域在所述待测图像内的所有坐标点,将该坐标点与所述目标标线位置即所述目标标线的坐标点进行比较,判断所述底盘拟合框所框选的区域是否包含所述目标标线位置,即在所述待测图像内,所述底盘拟合框内的所有坐标点与所述目标标线的坐标点是否存在相同的坐标点。若存在,即所述底盘拟合框所框选的区域包含所述目标标线位置,计算机设备则确定所述述目标车辆存在压线;若不存在,即所述底盘拟合框所框选的区域不包含所述目标标线位置,计算机设备则确定所述目标车辆不存在压线。
本实施例中,计算机设备根据由车辆轮胎的胎点位置拟合得到的底盘拟合框与目标标线位置判断所述目标车辆是否存在压线。具体根据底盘拟合框所框选的区域与所述目标标线坐标点的包含关系确定目标车辆是否存在压线,将车辆与目标标线的位置关系转换为坐标点的所属关系,便于计算机设备进行程序化的判定,实现了通过计算机设备根据胎点位置和目标标线位置自动化判断目标车辆是否存在压线,进而通过自动化判断的方式提高车辆压线检测的整体检测效率。
在一个实施例中,如图6所示,所述S502、根据所述底盘拟合框与所述目标标线位置判断所述目标车辆是否存在压线,包括:
S601、获取所述底盘拟合框的线段位置。
S602、判断所述底盘拟合框的线段位置中,是否存在与所述目标标线位置相交的线段位置。
若是,则确定所述目标车辆存在压线。
若否,则确定所述目标车辆不存在压线。
具体地,计算机设备获取所述待测图像中构成所述底盘拟合框的每条线段的坐标位置,作为所述线段位置。判断所述线段位置中,是否存在与所述目标标线位置相交的线段位置。若所述框线位置中存在与所述目标标线位置相交的框线位置,计算机设备则确定所述目标车辆存在压线;若所述框线位置中不存在与所述目标标线位置相交的框线位置,计算机设备则确定所述目标车辆不存在压线。
本实施例中,计算机设备获取所述待测图像中构成所述底盘拟合框的每条线段的线段位置和所述目标标线位置,通过判断所述线段位置中是否存在与所述目标标线位置相交的线段位置,确定目标车辆是否存在压线。通过上述方法将图像之间(车辆与标线)的位置关系转换为线段之间的位置关系,通过简便地比较线段位置是否相交即可确定待测图像中,目标车辆是否存在压线,简化了车辆与目标标线图像关系的计算,进而通过减少检测计算量的方式提高车辆压线检测的整体检测效率。
应该理解的是,虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种车辆压线检测装置700,包括:目标获取模块701、胎点获取模块702、标线获取模块703以及压线判断模块704,其中:
所述目标获取模块701用于根据预设的目标车牌号码,获取待测图像中与所述目标车牌号码匹配的目标车辆;
所述胎点获取模块702用于获取所述目标车辆的胎点位置;其中,所述胎点位置为车辆轮胎与地面接触点的位置;
所述标线获取模块703用于根据所述待测图像中的路面标线信息获取目标标线位置;
所述压线判断模块704用于根据所述胎点位置与所述目标标线位置,确定所述目标车辆是否存在压线。
在一个实施例中,所述压线判断模块704还包括:
拟合单元,用于将所述胎点位置顺时针或逆时针连接,得到底盘拟合框;其中,所述底盘拟合框为四个所述胎点位置连接得到四边形框;
判断单元,用于根据所述底盘拟合框与所述目标标线位置判断所述目标车辆是否存在压线。
在一个实施例中,所述判断单元还包括:
获取子单元,用于获取所述底盘拟合框的线段位置;
判断子单元,用于判断所述底盘拟合框的线段位置中,是否存在与所述目标标线位置相交的线段位置;
若是,则确定所述目标车辆存在压线;
若否,则确定所述目标车辆不存在压线。
在一个实施例中,所述胎点获取模块702还包括:
胎点检测单元,用于采用预设的胎点检测模型对所述待测图像中的所述目标车辆进行胎点位置检测,得到所述目标车辆的胎点位置。
在一个实施例中,所述胎点获取模块702还包括:
图像单元,用于获取车辆图像;
标记单元,用于将所述车辆图像中的车辆胎点进行左后胎点、右后胎点、右前胎点、左前胎点的位置标记,得到标记胎点图像;其中,所述车辆胎点为车辆轮胎外侧与地面的接触点,所述车辆轮胎外侧为所述车辆轮胎远离另一所述车辆轮胎的一侧;
训练单元,用于采用所述标记胎点图像训练得到所述胎点检测模型。
在一个实施例中,所述标线获取模块703还包括:
类别获取单元,用于获取所述待测图像中的路面标线的标线类别;
位置获取单元,用于获取所述路面标线在所述待测图像中的坐标,作为标线位置;
信息获取单元,用于将所述标线类别与所述标线位置作为所述路面标线信息。
在一个实施例中,所述标线获取模块703还包括:
目标获取单元,用于获取所述标线类别为白实线和黄实线的所述路面标线的所述标线位置,作为所述目标标线位置。
关于车辆压线检测装置的具体限定可以参见上文中对于车辆压线检测方法的限定,在此不再赘述。上述车辆压线检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车辆压线检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据预设的目标车牌号码,获取待测图像中与所述目标车牌号码匹配的目标车辆;
获取所述目标车辆的胎点位置;其中,所述胎点位置为车辆轮胎与地面接触点的位置;
根据所述待测图像中的路面标线信息获取目标标线位置;
根据所述胎点位置与所述目标标线位置,确定所述目标车辆是否存在压线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将所述胎点位置顺时针或逆时针连接,得到底盘拟合框;其中,所述底盘拟合框为四个所述胎点位置连接得到四边形框;
根据所述底盘拟合框与所述目标标线位置判断所述目标车辆是否存在压线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述底盘拟合框的线段位置;
判断所述底盘拟合框的线段位置中,是否存在与所述目标标线位置相交的线段位置;
若是,则确定所述目标车辆存在压线;
若否,则确定所述目标车辆不存在压线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用预设的胎点检测模型对所述待测图像中的所述目标车辆进行胎点位置检测,得到所述目标车辆的胎点位置。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取车辆图像;
将所述车辆图像中的车辆胎点进行左后胎点、右后胎点、右前胎点、左前胎点的位置标记,得到标记胎点图像;其中,所述车辆胎点为车辆轮胎外侧与地面的接触点,所述车辆轮胎外侧为所述车辆轮胎远离另一所述车辆轮胎的一侧;
采用所述标记胎点图像训练得到所述胎点检测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述待测图像中的路面标线的标线类别;
获取所述路面标线在所述待测图像中的坐标,作为标线位置;
将所述标线类别与所述标线位置作为所述路面标线信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述标线类别为白实线和黄实线的所述路面标线的所述标线位置,作为所述目标标线位置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据预设的目标车牌号码,获取待测图像中与所述目标车牌号码匹配的目标车辆;
获取所述目标车辆的胎点位置;其中,所述胎点位置为车辆轮胎与地面接触点的位置;
根据所述待测图像中的路面标线信息获取目标标线位置;
根据所述胎点位置与所述目标标线位置,确定所述目标车辆是否存在压线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述胎点位置顺时针或逆时针连接,得到底盘拟合框;其中,所述底盘拟合框为四个所述胎点位置连接得到四边形框;
根据所述底盘拟合框与所述目标标线位置判断所述目标车辆是否存在压线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述底盘拟合框的线段位置;
判断所述底盘拟合框的线段位置中,是否存在与所述目标标线位置相交的线段位置;
若是,则确定所述目标车辆存在压线;
若否,则确定所述目标车辆不存在压线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用预设的胎点检测模型对所述待测图像中的所述目标车辆进行胎点位置检测,得到所述目标车辆的胎点位置。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取车辆图像;
将所述车辆图像中的车辆胎点进行左后胎点、右后胎点、右前胎点、左前胎点的位置标记,得到标记胎点图像;其中,所述车辆胎点为车辆轮胎外侧与地面的接触点,所述车辆轮胎外侧为所述车辆轮胎远离另一所述车辆轮胎的一侧;
采用所述标记胎点图像训练得到所述胎点检测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述待测图像中的路面标线的标线类别;
获取所述路面标线在所述待测图像中的坐标,作为标线位置;
将所述标线类别与所述标线位置作为所述路面标线信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述标线类别为白实线和黄实线的所述路面标线的所述标线位置,作为所述目标标线位置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆压线检测方法,其特征在于,所述方法包括:
根据预设的目标车牌号码,获取待测图像中与所述目标车牌号码匹配的目标车辆;
获取所述目标车辆的胎点位置;其中,所述胎点位置为车辆轮胎与地面接触点的位置;
根据所述待测图像中的路面标线信息获取目标标线位置;
根据所述胎点位置与所述目标标线位置,确定所述目标车辆是否存在压线。
2.根据权利要求1所述的方法,其特征在于,所述根据所述胎点位置与所述目标标线位置,确定所述目标车辆是否存在压线,包括:
将所述胎点位置顺时针或逆时针连接,得到底盘拟合框;其中,所述底盘拟合框为四个所述胎点位置连接得到四边形框;
根据所述底盘拟合框与所述目标标线位置判断所述目标车辆是否存在压线。
3.根据权利要求2所述的方法,其特征在于,所述根据所述底盘拟合框与所述目标标线位置判断所述目标车辆是否存在压线,包括:
获取所述底盘拟合框的线段位置;
判断所述底盘拟合框的线段位置中,是否存在与所述目标标线位置相交的线段位置;
若是,则确定所述目标车辆存在压线;
若否,则确定所述目标车辆不存在压线。
4.根据权利要求1所述的方法,其特征在于,所述获取所述目标车辆的胎点位置,包括:
采用预设的胎点检测模型对所述待测图像中的所述目标车辆进行胎点位置检测,得到所述目标车辆的胎点位置。
5.根据权利要求4所述的方法,其特征在于,所述预设的胎点检测模型的训练方式,包括:
获取车辆图像;
将所述车辆图像中的车辆胎点进行左后胎点、右后胎点、右前胎点、左前胎点的位置标记,得到标记胎点图像;其中,所述车辆胎点为车辆轮胎外侧与地面的接触点,所述车辆轮胎外侧为所述车辆轮胎远离另一所述车辆轮胎的一侧;
采用所述标记胎点图像训练得到所述胎点检测模型。
6.根据权利要求1所述的方法,其特征在于,所述根据所述待测图像中的路面标线信息获取目标标线位置之前,包括:
获取所述待测图像中的路面标线的标线类别;
获取所述路面标线在所述待测图像中的坐标,作为标线位置;
将所述标线类别与所述标线位置作为所述路面标线信息。
7.根据权利要求6所述的方法,其特征在于,所述根据所述待测图像中的路面标线信息获取目标标线位置,包括:
获取所述标线类别为白实线和黄实线的所述路面标线的所述标线位置,作为所述目标标线位置。
8.一种车辆压线检测装置,其特征在于,所述装置包括:
目标获取模块,用于根据预设的目标车牌号码,获取待测图像中与所述目标车牌号码匹配的目标车辆;
胎点获取模块,用于获取所述目标车辆的胎点位置;其中,所述胎点位置为车辆轮胎与地面接触点的位置;
标线获取模块,用于根据所述待测图像中的路面标线信息获取目标标线位置;
压线判断模块,用于根据所述胎点位置与所述目标标线位置,确定所述目标车辆是否存在压线。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010212782.0A CN111402329A (zh) | 2020-03-24 | 2020-03-24 | 车辆压线检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010212782.0A CN111402329A (zh) | 2020-03-24 | 2020-03-24 | 车辆压线检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111402329A true CN111402329A (zh) | 2020-07-10 |
Family
ID=71414002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010212782.0A Pending CN111402329A (zh) | 2020-03-24 | 2020-03-24 | 车辆压线检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402329A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814765A (zh) * | 2020-08-31 | 2020-10-23 | 蔻斯科技(上海)有限公司 | 车辆压线的确定方法、装置、设备和存储介质 |
CN111882882A (zh) * | 2020-07-31 | 2020-11-03 | 浙江东鼎电子股份有限公司 | 一种动态平板秤称重区域汽车跨车道行驶行为检测方法 |
CN112101268A (zh) * | 2020-09-23 | 2020-12-18 | 浙江浩腾电子科技股份有限公司 | 一种基于几何投影的车辆压线检测方法 |
CN112464790A (zh) * | 2020-11-25 | 2021-03-09 | 上海眼控科技股份有限公司 | 一种车辆压线等级确定方法、装置、设备及存储介质 |
CN112580457A (zh) * | 2020-12-09 | 2021-03-30 | 上海眼控科技股份有限公司 | 车辆视频的处理方法、装置、计算机设备和存储介质 |
CN112902946A (zh) * | 2021-01-14 | 2021-06-04 | 南京英锐创电子科技有限公司 | 轮胎状态检测方法、装置、计算机设备和存储介质 |
CN113469121A (zh) * | 2021-07-21 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种车辆状态的识别方法及装置 |
CN113469121B (zh) * | 2021-07-21 | 2024-09-06 | 浙江大华技术股份有限公司 | 一种车辆状态的识别方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015194397A (ja) * | 2014-03-31 | 2015-11-05 | 株式会社デンソーアイティーラボラトリ | 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラムならびに車両位置検出システム |
CN105185124A (zh) * | 2015-10-12 | 2015-12-23 | 合肥工业大学 | 用于多车道的不停车车辆车重信息采集与匹配的系统和方法 |
US20160034778A1 (en) * | 2013-12-17 | 2016-02-04 | Cloud Computing Center Chinese Academy Of Sciences | Method for detecting traffic violation |
CN106934396A (zh) * | 2017-03-09 | 2017-07-07 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检索方法及系统 |
CN108345855A (zh) * | 2018-02-08 | 2018-07-31 | 青岛慧拓智能机器有限公司 | 一种车道压线检测方法及系统 |
CN108765945A (zh) * | 2018-05-31 | 2018-11-06 | 深圳市元征科技股份有限公司 | 一种车辆违章识别方法及系统 |
CN109377482A (zh) * | 2018-09-29 | 2019-02-22 | 中国石油大学(华东) | 一种基于点云数据的轮胎胎角性质检测方法 |
CN110077399A (zh) * | 2019-04-09 | 2019-08-02 | 魔视智能科技(上海)有限公司 | 一种基于道路标线、车轮检测融合的车辆防碰撞方法 |
CN110210363A (zh) * | 2019-05-27 | 2019-09-06 | 中国科学技术大学 | 一种基于车载图像的目标车辆压线检测方法 |
CN110610137A (zh) * | 2019-08-21 | 2019-12-24 | 北京地平线机器人技术研发有限公司 | 检测车辆行驶状态的方法、装置以及电子设备、存储介质 |
CN110853366A (zh) * | 2019-11-20 | 2020-02-28 | 浙江大华技术股份有限公司 | 一种检测车辆停放位置方法及装置 |
-
2020
- 2020-03-24 CN CN202010212782.0A patent/CN111402329A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160034778A1 (en) * | 2013-12-17 | 2016-02-04 | Cloud Computing Center Chinese Academy Of Sciences | Method for detecting traffic violation |
JP2015194397A (ja) * | 2014-03-31 | 2015-11-05 | 株式会社デンソーアイティーラボラトリ | 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラムならびに車両位置検出システム |
CN105185124A (zh) * | 2015-10-12 | 2015-12-23 | 合肥工业大学 | 用于多车道的不停车车辆车重信息采集与匹配的系统和方法 |
CN106934396A (zh) * | 2017-03-09 | 2017-07-07 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检索方法及系统 |
CN108345855A (zh) * | 2018-02-08 | 2018-07-31 | 青岛慧拓智能机器有限公司 | 一种车道压线检测方法及系统 |
CN108765945A (zh) * | 2018-05-31 | 2018-11-06 | 深圳市元征科技股份有限公司 | 一种车辆违章识别方法及系统 |
CN109377482A (zh) * | 2018-09-29 | 2019-02-22 | 中国石油大学(华东) | 一种基于点云数据的轮胎胎角性质检测方法 |
CN110077399A (zh) * | 2019-04-09 | 2019-08-02 | 魔视智能科技(上海)有限公司 | 一种基于道路标线、车轮检测融合的车辆防碰撞方法 |
CN110210363A (zh) * | 2019-05-27 | 2019-09-06 | 中国科学技术大学 | 一种基于车载图像的目标车辆压线检测方法 |
CN110610137A (zh) * | 2019-08-21 | 2019-12-24 | 北京地平线机器人技术研发有限公司 | 检测车辆行驶状态的方法、装置以及电子设备、存储介质 |
CN110853366A (zh) * | 2019-11-20 | 2020-02-28 | 浙江大华技术股份有限公司 | 一种检测车辆停放位置方法及装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882882A (zh) * | 2020-07-31 | 2020-11-03 | 浙江东鼎电子股份有限公司 | 一种动态平板秤称重区域汽车跨车道行驶行为检测方法 |
CN111882882B (zh) * | 2020-07-31 | 2021-06-25 | 浙江东鼎电子股份有限公司 | 一种动态平板秤称重区域汽车跨车道行驶行为检测方法 |
CN111814765A (zh) * | 2020-08-31 | 2020-10-23 | 蔻斯科技(上海)有限公司 | 车辆压线的确定方法、装置、设备和存储介质 |
CN112101268A (zh) * | 2020-09-23 | 2020-12-18 | 浙江浩腾电子科技股份有限公司 | 一种基于几何投影的车辆压线检测方法 |
CN112101268B (zh) * | 2020-09-23 | 2022-07-29 | 浙江浩腾电子科技股份有限公司 | 一种基于几何投影的车辆压线检测方法 |
CN112464790A (zh) * | 2020-11-25 | 2021-03-09 | 上海眼控科技股份有限公司 | 一种车辆压线等级确定方法、装置、设备及存储介质 |
CN112580457A (zh) * | 2020-12-09 | 2021-03-30 | 上海眼控科技股份有限公司 | 车辆视频的处理方法、装置、计算机设备和存储介质 |
CN112902946A (zh) * | 2021-01-14 | 2021-06-04 | 南京英锐创电子科技有限公司 | 轮胎状态检测方法、装置、计算机设备和存储介质 |
CN112902946B (zh) * | 2021-01-14 | 2024-01-30 | 南京英锐创电子科技有限公司 | 轮胎状态检测方法、装置、计算机设备和存储介质 |
CN113469121A (zh) * | 2021-07-21 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种车辆状态的识别方法及装置 |
CN113469121B (zh) * | 2021-07-21 | 2024-09-06 | 浙江大华技术股份有限公司 | 一种车辆状态的识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402329A (zh) | 车辆压线检测方法、装置、计算机设备和存储介质 | |
CN109711264B (zh) | 一种公交车道占道检测方法及装置 | |
CN106991820B (zh) | 违规车辆处理方法及装置 | |
CN109284674A (zh) | 一种确定车道线的方法及装置 | |
CN103824037B (zh) | 车用防跟踪报警装置 | |
CN107818322A (zh) | 一种用于车辆年检的车辆vin码篡改检测系统及方法 | |
CN112115939B (zh) | 车辆车牌的识别方法、装置 | |
CN111775944B (zh) | 辅助驾驶装置、方法及计算机可读存储介质 | |
CN111931683B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN111368612A (zh) | 超员检测系统、人员检测方法及电子设备 | |
CN112183206B (zh) | 一种基于路侧单目摄像头的交通参与者定位方法和系统 | |
CN112307989A (zh) | 路面物体识别方法、装置、计算机设备和存储介质 | |
CN111488883A (zh) | 车架号识别方法、装置、计算机设备和存储介质 | |
CN109977941A (zh) | 车牌识别方法及装置 | |
CN112115800A (zh) | 一种基于深度学习目标检测的车辆组合识别系统及方法 | |
CN111476245A (zh) | 车辆左转违规检测方法、装置、计算机设备和存储介质 | |
CN113435350A (zh) | 一种交通标线检测方法、装置、设备和介质 | |
CN113283303A (zh) | 一种车牌识别方法及装置 | |
CN116682101A (zh) | 车牌号码识别方法以及系统 | |
CN110765961A (zh) | 车辆制动状态判断方法、装置、计算机设备和存储介质 | |
CN111368728A (zh) | 安全监测方法、装置、计算机设备和存储介质 | |
CN113496162B (zh) | 停车规范识别方法、装置、计算机设备和存储介质 | |
CN111881823B (zh) | 一种地面目标检测评价方法 | |
CN114693722A (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN111161542B (zh) | 车辆识别方法及装置 |
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 |