CN111652137A - 违法车辆检测方法、装置、计算机设备和存储介质 - Google Patents
违法车辆检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111652137A CN111652137A CN202010495100.1A CN202010495100A CN111652137A CN 111652137 A CN111652137 A CN 111652137A CN 202010495100 A CN202010495100 A CN 202010495100A CN 111652137 A CN111652137 A CN 111652137A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- detected
- feature point
- picture
- target vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Abstract
本申请涉及人工智能领域,尤其是一种违法车辆检测方法、装置、计算机设备和存储介质。所述方法包括:获取待检测图片;将所述待检测图片输入至语义分割模型得到分割结果;当所述分割结果中包括牵引绳和且所述牵引绳两端均存在识别车辆,则根据所述识别车辆的行驶方向,获取位于所述牵引绳前端的目标车辆;判断所述目标车辆是否为预设类型的车辆;当所述目标车辆为预设类型的车辆,输出所述目标车辆违法的结果。采用本方法能够提高处理效率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种违法车辆检测方法、装置、计算机设备和存储介质。
背景技术
由于摩托车自身的特性,其在作为牵引车时,会出现牵引力不足,安全性不足等问题,根据中华人民共和国道路交通安全法规定,摩托车不得作为牵引车牵引其它车辆。
而目前针对这种违法状况的排查还没有很好的解决方案,一般是由审核人员人工排查,效率低,容易出现漏检问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高检测效率的违法车辆检测方法、装置、计算机设备和存储介质。
一种违法车辆检测方法,所述方法包括:
获取待检测图片;
将所述待检测图片输入至语义分割模型得到分割结果;
当所述分割结果中包括牵引绳和且所述牵引绳两端均存在识别车辆,则根据所述识别车辆的行驶方向,获取位于所述牵引绳前端的目标车辆;
判断所述目标车辆是否为预设类型的车辆;
当所述目标车辆为预设类型的车辆,输出所述目标车辆违法的结果。
在其中一个实施例中,所述将所述待检测图片输入至语义分割模型得到分割结果之后,还包括:
当所述分割结果中不包括牵引绳,则输出所述待检测图片中不存在违法车辆的结果。
在其中一个实施例中,所述将所述待检测图片输入至语义分割模型得到分割结果之后,还包括:
当所述分割结果中包括牵引绳,且所述牵引绳两端中至少一个不存在识别车辆,则输出所述待检测图片中不存在违法车辆的结果。
在其中一个实施例中,所述将所述待检测图片输入至语义分割模型得到分割结果,包括:
获取所述待检测图片中的当前特征点,并获取与所述当前特征点形成十字交叉关系的待判断特征点;
计算所述当前特征点和所述待判断特征点属于同一语义的参考值;
当所述参考值大于预设值时,则所述当前特征点和所述待判断特征点属于同一语义,否则,所述当前特征点和所述待判断特征点不属于同一语义;
继续获取所述当前特征点的下一特征点,将所述下一特征点作为当前特征点,并继续获取与所述当前特征点形成十字交叉关系的待判断特征点,直至所述待检测图片中的特征点均判断完成;
获取属于同一语义的特征点,并根据属于同一语义的特征点得到分割结果。
在其中一个实施例中,所述根据所述识别车辆的行驶方向,获取位于所述牵引绳前端的目标车辆之前,还包括:
确定所述识别车辆的车头位置和/或车尾位置;
根据所述车头位置和/或车尾位置得到所述识别车辆的行驶方向。
在其中一个实施例中,所述判断所述目标车辆是否为预设类型的车辆,包括:
获取预设分类模型,并确定所述预设分类模型中各个通道对应的层数;
将所述层数减少至预设层;
根据层数减少至预设层的各个通道得到改进后的分类模型;
将所述目标车辆输入至改进后的分类模型,以判断所述目标车辆是否为预设类型的车辆。
一种违法车辆检测装置,所述装置包括:
图片获取模块,用于获取待检测图片;
语义分割模块,用于将所述待检测图片输入至语义分割模型得到分割结果;
目标车辆获取模块,用于当所述分割结果中包括牵引绳和且所述牵引绳两端均存在识别车辆,则根据所述识别车辆的行驶方向,获取位于所述牵引绳前端的目标车辆;
车辆类型判断模块,用于判断所述目标车辆是否为预设类型的车辆;
输出模块,用于当所述目标车辆为预设类型的车辆,输出所述目标车辆违法的结果。
在其中一个实施例中,所述输出模块还用于当所述分割结果中不包括牵引绳,则输出所述待检测图片中不存在违法车辆的结果。
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上述任一项所述的方法的步骤。
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上述任一项所述的方法的步骤。
上述违法车辆检测方法、装置、计算机设备和存储介质,在获取待检测图片后,将待检测图片输入至语义分割模型中得到了分割结果,且在分割结果中包括牵引绳和且牵引绳两端均存在识别车辆时,则根据识别车辆的行驶方向确定位于牵引绳前端的目标车辆,再判断目标车辆是否为预设类型的车辆;当所述目标车辆为预设类型的车辆,输出目标车辆违法的结果,整个检测过程可以全天候监控排查,大大减少了人员工作量的同时避免了漏检问题,提升了相关违法审核的工作效率。
附图说明
图1为一个实施例中违法车辆检测方法的应用环境图;
图2为一个实施例中违法车辆检测方法的流程示意图;
图3为另一个实施例中违法车辆检测方法的流程图;
图4为一个实施例中的其中一种分割结果的示意图;
图5为一个实施例中的语义分割步骤的流程示意图;
图6为一个实施例中违法车辆检测装置的结构框图;
图7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。
本申请提供的违法车辆检测方法,可以应用于如图1所示的应用环境中。其中,终端102与服务器104进行通信。终端102可以采集到待检测图片,其中该些待检测图片是经过终端初步筛选为存在违法车辆的图片,终端102将该些待检测图片发送至服务器104进行存储;从而服务器104可以获取到该些待检测图片,并将待检测图片输入至语义分割模型中得到分割结果,其中当服务器切丁分割结果中包括牵引绳和且牵引绳两端均存在识别车辆,则可以继续判断是否存在违法车辆,即首先根据识别车辆的行驶方向,获取位于牵引绳前端的目标车辆,然后判断目标车里那个是否为预设类型的车辆,若是,则输出目标车辆违法的结果。整个检测过程可以全天候监控排查,大大减少了人员工作量的同时避免了漏检问题,提升了相关违法审核的工作效率。其中,终端102可以但不限于是安装有摄像头的各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,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2所示,提供了一种违法车辆检测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202:获取待检测图片。
具体地,待检测图片是预先获取到的,存储在服务器中的。例如终端获取到摄像头拍摄的原始图片,进行检测,若检测到待检测图片存在违法车辆,则将原始图片按照违法属性进行存储。而此处的待检测图片则为违法属性是通过预设类型的车辆,例如摩托车充当牵引车辆。因此服务器可以根据违法属性获取到待检测图片。
可选地,该些待检测图片可以预先缓存在服务器的内存,这样方便读取,提高处理效率。
实际应用中,该待检测图片是终端确定的证据图片,服务器需要确定该待检测图片是否符合证据的要求,因此对该待检测图片进行识别,以确定待检测图片中是否存在违法车辆,若是,则将待检测图片作为对应的违法车辆的违法证据,以便于后续处理。
S204:将待检测图片输入至语义分割模型得到分割结果。
具体地,语义分割模型是预先训练完成的,用于对待检测图片中的语义进行分割的,其中该语义分割模型可以包括但不限于以下三个类别:背景类、车辆类以及牵引绳类。该语义分割模型可以是十字交叉注意力机制的语义分割模型。
服务器将待检测图片输入至该语义分割模型中可以得到分割结果,即将待检测图片中的背景类、车辆类以及牵引绳类的语义提取出来。
S206:当分割结果中包括牵引绳和且牵引绳两端均存在识别车辆,则根据识别车辆的行驶方向,获取位于牵引绳前端的目标车辆。
具体地,本实施例中是为了识别出通过预设类型的车辆,例如摩托车充当牵引车辆的违法车辆,因此该待检测图片中需要包括牵引绳,且牵引绳的两端均存在识别车辆的时候,才会进行下一步检测。
服务器首先判断分割结果中是否存在牵引绳,若存在牵引绳,则根据牵引绳的位置获取到牵引绳首尾两端的坐标,然后服务器判断首尾两端的坐标与所识别的识别车辆的坐标是否存在重合,若存在重合,则说明牵引绳两端均存在识别车辆。
服务器识别车辆的行驶方向,该行驶方向可以是根据识别车辆的车头和车尾的位置确定的,或者是待检测图片所携带的,这样服务器即可以确定位于牵引绳前端的目标车辆,其中此处的前端是指行驶方向的前端,也就是沿行驶方向,位于牵引绳的前端的车辆。
S208:判断目标车辆是否为预设类型的车辆。
具体地,预设类型的车辆是指违反法律的车辆,例如摩托车。其中判断目标车辆是否为预设类型的车辆,可以是提取出待检测图片中的目标车辆的区域,然后将该区域输入至预先训练得到的车辆类型识别模型中以判断目标车辆是否为预设类型的车辆。可选地,该车辆类型识别模型可以是添加通道注意力机制的ResNet分类模型。
S210:当目标车辆为预设类型的车辆,输出目标车辆违法的结果。
具体地,当目标车辆是预设类型的车辆,也就是说在待检测图片中存在牵引绳,且牵引绳的前后都有车辆,并且牵引绳前端的车辆是预设类型的车辆,例如摩托车,则判断待检测图片中存在违法车辆,并输出目标车辆违法的结果。
可选地,服务器还可以将待检测图片和目标车辆的标识进行关联输出,这样便于将待检测图片作为违法证据,以进行后续的处理。
上述违法车辆检测方法,在获取待检测图片后,将待检测图片输入至语义分割模型中得到了分割结果,且在分割结果中包括牵引绳和且牵引绳两端均存在识别车辆时,则根据识别车辆的行驶方向确定位于牵引绳前端的目标车辆,再判断目标车辆是否为预设类型的车辆;当所述目标车辆为预设类型的车辆,输出目标车辆违法的结果,整个检测过程可以全天候监控排查,大大减少了人员工作量的同时避免了漏检问题,提升了相关违法审核的工作效率。
在其中一个实施例中,将待检测图片输入至语义分割模型得到分割结果之后,还包括:当分割结果中不包括牵引绳,则输出待检测图片中不存在违法车辆的结果。
在其中一个实施例中,将待检测图片输入至语义分割模型得到分割结果之后,还包括:当分割结果中包括牵引绳,且牵引绳两端中至少一个不存在识别车辆,则输出待检测图片中不存在违法车辆的结果。
具体地,其中将待检测图片输入至语义分割模型得到分割结果,该分割结果存在多种情况,例如仅包括牵引绳,即包括牵引绳又包括车辆,但是牵引绳的至少一端不连接有车辆,即包括钱隐身又包括车辆,且牵引绳的前后两端均连接有车辆。且为了提高效率,服务器可以先检测是否存在牵引绳,再检测是否存在车辆。具体地,可以参见图3所示,图3为另一个实施例中违法车辆检测方法的流程图,在该实施例中,服务器将待检测图片输入一种十字交叉注意力机制的语义分割模型(该模型有三个类别,背景类、车辆类以及牵引绳类),获取到分割后结果,具体可以参见图4所示,如果分割结果图中不包含牵引绳类别,则认为待检测图片中不存在违法车辆,即不能作为证据;如果待检测图片中牵引绳前后端有一个没有车辆,则认为待检测图片中不存在违法车辆,即不能作为证据;如果牵引绳前端车辆不是预设类型的车辆,例如摩托车,则待检测图片中不存在违法车辆,即不能作为证据,如果牵引绳前端车辆是预设类型的车辆,例如摩托车,则认为待检测图片中存在违法车辆,可以作为证据。
其中,可选地,一般终端上传存在违法车辆的待检测图片为多张,服务器可以按照时间顺序依次检测该多张待检测图片,直至选取到其中一张可以作为证据图片,则停止检测,或者是直至均检测完成也未发现违法车辆,则停止检测。
上述实施例中,通过深度学习方法,结合一种十字交叉注意力机制的语义分割模型和一种改进ResNet18分类模型,将牵引绳和目标车辆同时从图片中分割出来,再判断牵引车辆是否是预设类型的车辆,例如摩托车,以此判定是否存在违法现象。该方法可以对预设类型的车辆,例如摩托车牵引车辆行为进行监管,保证司乘人员安全的同时,减少审核人员的工作量,具有很高的实用价值。
在其中一个实施例中,参见5所示,图5为一个实施例中的语义分割步骤的流程示意图,该语义分割步骤,即将待检测图片输入至语义分割模型得到分割结果,包括:获取待检测图片中的当前特征点,并获取与当前特征点形成十字交叉关系的待判断特征点;计算当前特征点和待判断特征点属于同一语义的参考值;当参考值大于预设值时,则当前特征点和待判断特征点属于同一语义,否则,当前特征点和待判断特征点不属于同一语义;继续获取当前特征点的下一特征点,将下一特征点作为当前特征点,并继续获取与当前特征点形成十字交叉关系的待判断特征点,直至待检测图片中的特征点均判断完成;获取属于同一语义的特征点,并根据属于同一语义的特征点得到分割结果。
具体地,该语义分割模型依据PSPNet模型进行优化,使用一种全局关联机制替换原先的PSP模块,如图5,输入全局关联模块的原始特征图的尺寸是H×W,计算当前特征点与特征图中其他点的关系,具体计算方式如下:
其中i表示当前特征点,f(xi,xj)表示当前点与j特征点的关系,其中j=1,2,...,H+W-1;g(xj)是加权系数,c(x)是归一化参数。
这样服务器计算当前特征点和待判断特征点属于同一语义的参考值;当参考值大于预设值时,则当前特征点和待判断特征点属于同一语义,否则,当前特征点和待判断特征点不属于同一语义;继续获取当前特征点的下一特征点,将下一特征点作为当前特征点,并继续获取与当前特征点形成十字交叉关系的待判断特征点,直至待检测图片中的特征点均判断完成。
服务器在判断完成后,则获取属于同一语义的特征点,并根据属于同一语义的特征点得到分割结果,例如将属于同一语义的特征点与已知的模型进行比较,若相似度大于一定值,则认为该些特征点表征的是模型对应的语义类。
上述实施例中,通过全局关联机制来进行语义分割,提高了处理效率的同时,保证了准确性。
在其中一个实施例中,根据识别车辆的行驶方向,获取位于牵引绳前端的目标车辆之前,还包括:确定识别车辆的车头位置和/或车尾位置;根据车头位置和/或车尾位置得到识别车辆的行驶方向。
在其中一个实施例中,判断目标车辆是否为预设类型的车辆,包括:获取预设分类模型,并确定预设分类模型中各个通道对应的层数;将层数减少至预设层;根据层数减少至预设层的各个通道得到改进后的分类模型;将目标车辆输入至改进后的分类模型,以判断目标车辆是否为预设类型的车辆。
具体地,该步骤中,如果存在牵引绳且牵引绳前后端都存在车辆,则此时只需要判别牵引绳前端车辆是否为预设类型的车辆,例如摩托车,根据牵引绳前端车辆是否为预设类型的车辆可判别其违法状态。例如服务器将牵引绳前端车辆依据分割出的位置信息,从原图中截取出,输入改进ResNet18分类模型。若分类出结果为预设类型的车辆,例如摩托车,则判其违法,否则判其不违法。
具体地,上述改进的ResNet18分类模型是将原始每个通道的层数由64、64、128、256、512改为32、32、64、128、256,以此减少计算量。而后通过损失函数softmaxloss驱动训练,得到用于摩托车分类的分类模型,其中:
其中Si为第i类的概率,T代表总类别数,ai表示第i类的特征值。
上述实施例中通过减少各个通道的层数,来减少计算量,在保证正确性的前提下,提高了处理效率。
应该理解的是,虽然图2-3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2-3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6所示,提供了一种违法车辆检测装置,包括:图片获取模块100、语义分割模块200、目标车辆获取模块300、车辆类型判断模块400和输出模块500,其中:
图片获取模块100,用于获取待检测图片;
语义分割模块200,用于将待检测图片输入至语义分割模型得到分割结果;
目标车辆获取模块300,用于当分割结果中包括牵引绳和且牵引绳两端均存在识别车辆,则根据识别车辆的行驶方向,获取位于牵引绳前端的目标车辆;
车辆类型判断模块400,用于判断目标车辆是否为预设类型的车辆;
输出模块500,用于当目标车辆为预设类型的车辆,输出目标车辆违法的结果。
在其中一个实施例中,输出模块500还用于当分割结果中不包括牵引绳,则输出待检测图片中不存在违法车辆的结果。
在其中一个实施例中,输出模块500还用于当分割结果中包括牵引绳,且牵引绳两端中至少一个不存在识别车辆,则输出待检测图片中不存在违法车辆的结果。
在其中一个实施例中,上述的语义分割模块200可以包括:
特征点获取单元,用于获取待检测图片中的当前特征点,并获取与当前特征点形成十字交叉关系的待判断特征点;
参考值计算单元,用于计算当前特征点和待判断特征点属于同一语义的参考值;
语义判断单元,用于当参考值大于预设值时,则当前特征点和待判断特征点属于同一语义,否则,当前特征点和待判断特征点不属于同一语义;
循环单元,用于继续获取当前特征点的下一特征点,将下一特征点作为当前特征点,并继续获取与当前特征点形成十字交叉关系的待判断特征点,直至待检测图片中的特征点均判断完成;
分割单元,用于获取属于同一语义的特征点,并根据属于同一语义的特征点得到分割结果。
在其中一个实施例中,上述的违法车辆检测模型还包括:
位置识别模块,用于确定识别车辆的车头位置和/或车尾位置;
行驶方向确定模块,用于根据车头位置和/或车尾位置得到识别车辆的行驶方向。
在其中一个实施例中,上述的车辆类型判断模块400可以包括:
层数获取单元,用于获取预设分类模型,并确定预设分类模型中各个通道对应的层数;
层数减少单元,用于将层数减少至预设层;
模型优化单元,用于根据层数减少至预设层的各个通道得到改进后的分类模型;
车型判断单元,用于将目标车辆输入至改进后的分类模型,以判断目标车辆是否为预设类型的车辆。
关于违法车辆检测装置的具体限定可以参见上文中对于违法车辆检测方法的限定,在此不再赘述。上述违法车辆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服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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、计算机程序和数据库。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。该计算机设备的数据库用于存储待检测图片以及语义分割结果等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种违法车辆检测方法。
本领域技术人员可以理解,图7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:获取待检测图片;将待检测图片输入至语义分割模型得到分割结果;当分割结果中包括牵引绳和且牵引绳两端均存在识别车辆,则根据识别车辆的行驶方向,获取位于牵引绳前端的目标车辆;判断目标车辆是否为预设类型的车辆;当目标车辆为预设类型的车辆,输出目标车辆违法的结果。
在一个实施例中,处理器执行计算机程序时所实现的将待检测图片输入至语义分割模型得到分割结果之后,还包括:当分割结果中不包括牵引绳,则输出待检测图片中不存在违法车辆的结果。
在一个实施例中,处理器执行计算机程序时所实现的将待检测图片输入至语义分割模型得到分割结果之后,还包括:当分割结果中包括牵引绳,且牵引绳两端中至少一个不存在识别车辆,则输出待检测图片中不存在违法车辆的结果。
在一个实施例中,处理器执行计算机程序时所实现的将待检测图片输入至语义分割模型得到分割结果,包括:获取待检测图片中的当前特征点,并获取与当前特征点形成十字交叉关系的待判断特征点;计算当前特征点和待判断特征点属于同一语义的参考值;当参考值大于预设值时,则当前特征点和待判断特征点属于同一语义,否则,当前特征点和待判断特征点不属于同一语义;继续获取当前特征点的下一特征点,将下一特征点作为当前特征点,并继续获取与当前特征点形成十字交叉关系的待判断特征点,直至待检测图片中的特征点均判断完成;获取属于同一语义的特征点,并根据属于同一语义的特征点得到分割结果。
在一个实施例中,处理器执行计算机程序时所实现的根据识别车辆的行驶方向,获取位于牵引绳前端的目标车辆之前,还包括:确定识别车辆的车头位置和/或车尾位置;根据车头位置和/或车尾位置得到识别车辆的行驶方向。
在一个实施例中,处理器执行计算机程序时所实现的判断目标车辆是否为预设类型的车辆,包括:获取预设分类模型,并确定预设分类模型中各个通道对应的层数;将层数减少至预设层;根据层数减少至预设层的各个通道得到改进后的分类模型;将目标车辆输入至改进后的分类模型,以判断目标车辆是否为预设类型的车辆。
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:获取待检测图片;将待检测图片输入至语义分割模型得到分割结果;当分割结果中包括牵引绳和且牵引绳两端均存在识别车辆,则根据识别车辆的行驶方向,获取位于牵引绳前端的目标车辆;判断目标车辆是否为预设类型的车辆;当目标车辆为预设类型的车辆,输出目标车辆违法的结果。
在一个实施例中,计算机程序被处理器执行时所实现的将待检测图片输入至语义分割模型得到分割结果之后,还包括:当分割结果中不包括牵引绳,则输出待检测图片中不存在违法车辆的结果。
在一个实施例中,计算机程序被处理器执行时所实现的将待检测图片输入至语义分割模型得到分割结果之后,还包括:当分割结果中包括牵引绳,且牵引绳两端中至少一个不存在识别车辆,则输出待检测图片中不存在违法车辆的结果。
在一个实施例中,计算机程序被处理器执行时所实现的将待检测图片输入至语义分割模型得到分割结果,包括:获取待检测图片中的当前特征点,并获取与当前特征点形成十字交叉关系的待判断特征点;计算当前特征点和待判断特征点属于同一语义的参考值;当参考值大于预设值时,则当前特征点和待判断特征点属于同一语义,否则,当前特征点和待判断特征点不属于同一语义;继续获取当前特征点的下一特征点,将下一特征点作为当前特征点,并继续获取与当前特征点形成十字交叉关系的待判断特征点,直至待检测图片中的特征点均判断完成;获取属于同一语义的特征点,并根据属于同一语义的特征点得到分割结果。
在一个实施例中,计算机程序被处理器执行时所实现的根据识别车辆的行驶方向,获取位于牵引绳前端的目标车辆之前,还包括:确定识别车辆的车头位置和/或车尾位置;根据车头位置和/或车尾位置得到识别车辆的行驶方向。
在一个实施例中,计算机程序被处理器执行时所实现的判断目标车辆是否为预设类型的车辆,包括:获取预设分类模型,并确定预设分类模型中各个通道对应的层数;将层数减少至预设层;根据层数减少至预设层的各个通道得到改进后的分类模型;将目标车辆输入至改进后的分类模型,以判断目标车辆是否为预设类型的车辆。
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)
1.一种违法车辆检测方法,其特征在于,所述方法包括:
获取待检测图片;
将所述待检测图片输入至语义分割模型得到分割结果;
当所述分割结果中包括牵引绳和且所述牵引绳两端均存在识别车辆,则根据所述识别车辆的行驶方向,获取位于所述牵引绳前端的目标车辆;
判断所述目标车辆是否为预设类型的车辆;
当所述目标车辆为预设类型的车辆,输出所述目标车辆违法的结果。
2.根据权利要求1所述的方法,其特征在于,所述将所述待检测图片输入至语义分割模型得到分割结果之后,还包括:
当所述分割结果中不包括牵引绳,则输出所述待检测图片中不存在违法车辆的结果。
3.根据权利要求2所述的方法,其特征在于,所述将所述待检测图片输入至语义分割模型得到分割结果之后,还包括:
当所述分割结果中包括牵引绳,且所述牵引绳两端中至少一个不存在识别车辆,则输出所述待检测图片中不存在违法车辆的结果。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述将所述待检测图片输入至语义分割模型得到分割结果,包括:
获取所述待检测图片中的当前特征点,并获取与所述当前特征点形成十字交叉关系的待判断特征点;
计算所述当前特征点和所述待判断特征点属于同一语义的参考值;
当所述参考值大于预设值时,则所述当前特征点和所述待判断特征点属于同一语义,否则,所述当前特征点和所述待判断特征点不属于同一语义;
继续获取所述当前特征点的下一特征点,将所述下一特征点作为当前特征点,并继续获取与所述当前特征点形成十字交叉关系的待判断特征点,直至所述待检测图片中的特征点均判断完成;
获取属于同一语义的特征点,并根据属于同一语义的特征点得到分割结果。
5.根据权利要求1至3任意一项所述的方法,其特征在于,所述根据所述识别车辆的行驶方向,获取位于所述牵引绳前端的目标车辆之前,还包括:
确定所述识别车辆的车头位置和/或车尾位置;
根据所述车头位置和/或车尾位置得到所述识别车辆的行驶方向。
6.根据权利要求1至3任意一项所述的方法,其特征在于,所述判断所述目标车辆是否为预设类型的车辆,包括:
获取预设分类模型,并确定所述预设分类模型中各个通道对应的层数;
将所述层数减少至预设层;
根据层数减少至预设层的各个通道得到改进后的分类模型;
将所述目标车辆输入至改进后的分类模型,以判断所述目标车辆是否为预设类型的车辆。
7.一种违法车辆检测装置,其特征在于,所述装置包括:
图片获取模块,用于获取待检测图片;
语义分割模块,用于将所述待检测图片输入至语义分割模型得到分割结果;
目标车辆获取模块,用于当所述分割结果中包括牵引绳和且所述牵引绳两端均存在识别车辆,则根据所述识别车辆的行驶方向,获取位于所述牵引绳前端的目标车辆;
车辆类型判断模块,用于判断所述目标车辆是否为预设类型的车辆;
输出模块,用于当所述目标车辆为预设类型的车辆,输出所述目标车辆违法的结果。
8.根据权利要求7所述的装置,其特征在于,所述输出模块还用于当所述分割结果中不包括牵引绳,则输出所述待检测图片中不存在违法车辆的结果。
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6中任一项所述的方法的步骤。
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6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010495100.1A CN111652137A (zh) | 2020-06-03 | 2020-06-03 | 违法车辆检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010495100.1A CN111652137A (zh) | 2020-06-03 | 2020-06-03 | 违法车辆检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652137A true CN111652137A (zh) | 2020-09-11 |
Family
ID=72344911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010495100.1A Pending CN111652137A (zh) | 2020-06-03 | 2020-06-03 | 违法车辆检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652137A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112820116A (zh) * | 2021-01-29 | 2021-05-18 | 上海眼控科技股份有限公司 | 车辆检测方法、装置、计算机设备和存储介质 |
CN113591865A (zh) * | 2021-07-28 | 2021-11-02 | 深圳甲壳虫智能有限公司 | 一种回环检测方法、装置以及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002023296A1 (en) * | 2000-09-12 | 2002-03-21 | Ainsworth, Inc. | Method of and apparatus for guidance of automated vehicles |
CN110009727A (zh) * | 2019-03-08 | 2019-07-12 | 深圳大学 | 一种具有结构语义的室内三维模型自动重构方法及系统 |
CN110211389A (zh) * | 2019-05-27 | 2019-09-06 | 武汉万集信息技术有限公司 | 车辆违规的确定方法及系统 |
CN110443818A (zh) * | 2019-07-02 | 2019-11-12 | 中国科学院计算技术研究所 | 一种基于涂鸦的弱监督语义分割方法与系统 |
CN110675637A (zh) * | 2019-10-15 | 2020-01-10 | 上海眼控科技股份有限公司 | 车辆违法视频的处理方法、装置、计算机设备及存储介质 |
CN110852358A (zh) * | 2019-10-29 | 2020-02-28 | 中国科学院上海微系统与信息技术研究所 | 一种基于深度学习的车辆类型判别方法 |
CN110853060A (zh) * | 2019-11-14 | 2020-02-28 | 上海眼控科技股份有限公司 | 车辆外观检测方法、装置、计算机设备和存储介质 |
US20200089990A1 (en) * | 2018-09-18 | 2020-03-19 | Alibaba Group Holding Limited | Method and apparatus for vehicle damage identification |
CN110929613A (zh) * | 2019-11-14 | 2020-03-27 | 上海眼控科技股份有限公司 | 一种智能交通违法审核的图像筛选算法 |
CN111127499A (zh) * | 2019-12-20 | 2020-05-08 | 北京工业大学 | 一种基于语义轮廓信息的安检图像刀具检测分割方法 |
-
2020
- 2020-06-03 CN CN202010495100.1A patent/CN111652137A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002023296A1 (en) * | 2000-09-12 | 2002-03-21 | Ainsworth, Inc. | Method of and apparatus for guidance of automated vehicles |
US20200089990A1 (en) * | 2018-09-18 | 2020-03-19 | Alibaba Group Holding Limited | Method and apparatus for vehicle damage identification |
CN110009727A (zh) * | 2019-03-08 | 2019-07-12 | 深圳大学 | 一种具有结构语义的室内三维模型自动重构方法及系统 |
CN110211389A (zh) * | 2019-05-27 | 2019-09-06 | 武汉万集信息技术有限公司 | 车辆违规的确定方法及系统 |
CN110443818A (zh) * | 2019-07-02 | 2019-11-12 | 中国科学院计算技术研究所 | 一种基于涂鸦的弱监督语义分割方法与系统 |
CN110675637A (zh) * | 2019-10-15 | 2020-01-10 | 上海眼控科技股份有限公司 | 车辆违法视频的处理方法、装置、计算机设备及存储介质 |
CN110852358A (zh) * | 2019-10-29 | 2020-02-28 | 中国科学院上海微系统与信息技术研究所 | 一种基于深度学习的车辆类型判别方法 |
CN110853060A (zh) * | 2019-11-14 | 2020-02-28 | 上海眼控科技股份有限公司 | 车辆外观检测方法、装置、计算机设备和存储介质 |
CN110929613A (zh) * | 2019-11-14 | 2020-03-27 | 上海眼控科技股份有限公司 | 一种智能交通违法审核的图像筛选算法 |
CN111127499A (zh) * | 2019-12-20 | 2020-05-08 | 北京工业大学 | 一种基于语义轮廓信息的安检图像刀具检测分割方法 |
Non-Patent Citations (3)
Title |
---|
CHULHOON JANG ET.AL: "Semantic segmentation-based parking space detection with standalone around view monitoring system", pages 309 * |
张佳;: "基于违法要素的电子警察车辆视频检测技术研究", no. 09, pages 248 - 251 * |
罗冰: "语义对象分割方法研究", 《中国博士学位论文全文数据库 信息科技辑》, pages 138 - 89 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112820116A (zh) * | 2021-01-29 | 2021-05-18 | 上海眼控科技股份有限公司 | 车辆检测方法、装置、计算机设备和存储介质 |
CN113591865A (zh) * | 2021-07-28 | 2021-11-02 | 深圳甲壳虫智能有限公司 | 一种回环检测方法、装置以及电子设备 |
CN113591865B (zh) * | 2021-07-28 | 2024-03-26 | 深圳甲壳虫智能有限公司 | 一种回环检测方法、装置以及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019105342A1 (zh) | 车辆套牌检测方法、装置、可读存储介质及电子设备 | |
US10740927B2 (en) | Method and device for vehicle identification | |
US10504027B1 (en) | CNN-based learning method, learning device for selecting useful training data and test method, test device using the same | |
WO2019223655A1 (zh) | 非机动车载人的检测 | |
CN111178245A (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN113033604A (zh) | 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质 | |
CN111723854B (zh) | 一种高速公路交通拥堵检测方法、设备及可读存储介质 | |
CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN109815884A (zh) | 基于深度学习的不安全驾驶行为检测方法及装置 | |
CN111652137A (zh) | 违法车辆检测方法、装置、计算机设备和存储介质 | |
CN112651293B (zh) | 一种公路违法设摊事件视频检测方法 | |
US11836994B2 (en) | Methods and apparatus for automatic collection of under-represented data for improving a training of a machine learning model | |
CN111666848B (zh) | 运输车辆到站检测方法、装置、设备及存储介质 | |
CN110738080A (zh) | 一种识别改装机动车的方法、装置和电子设备 | |
KR20200036079A (ko) | 적응적 비최대억제 방법을 이용하는 딥러닝기반 영상객체 탐지를 위한 장치 및 방법 | |
CN112052829A (zh) | 一种基于深度学习的飞行员行为监控方法 | |
CN111368728A (zh) | 安全监测方法、装置、计算机设备和存储介质 | |
CN110634120B (zh) | 一种车辆损伤判别方法及装置 | |
CN111832463A (zh) | 一种基于深度学习的交通标志检测方法 | |
CN114445787A (zh) | 非机动车重识别方法及相关设备 | |
CN112818847A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
CN111274931A (zh) | 超车行为的审核方法、装置、计算机设备和存储介质 | |
Nataprawira et al. | Pedestrian Detection on Multispectral Images in Different Lighting Conditions | |
CN112949584A (zh) | 一种图像筛选方法及装置、电子设备和存储介质 | |
CN111291821A (zh) | 车辆重识别方法、装置、计算机设备和存储介质 |
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 |