CN111832519A - 一种两/三轮车的违法行为的识别管理方法和系统 - Google Patents
一种两/三轮车的违法行为的识别管理方法和系统 Download PDFInfo
- Publication number
- CN111832519A CN111832519A CN202010710732.5A CN202010710732A CN111832519A CN 111832519 A CN111832519 A CN 111832519A CN 202010710732 A CN202010710732 A CN 202010710732A CN 111832519 A CN111832519 A CN 111832519A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- illegal
- image
- model
- target
- 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
- 230000006399 behavior Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000012552 review Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 27
- 238000013473 artificial intelligence Methods 0.000 description 12
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种两/三轮车的违法行为的识别管理方法和系统,所述方法包括以下步骤:训练三类神经网络模型;对抓拍的过车图像,运行第一模型得出两/三轮车目标位置及轮廓信息;从过车图像中依次裁剪出全部的两/三轮车特写图像,从两/三轮车特写图像运行第二模型找出特征目标对应的目标位置及轮廓信息;从第二模型找出的特征目标中,对车牌特征目标的特写图像,运行第三模型进行摩托车车牌识别得到车牌号码;对其他特征目标运行第二模型处理分析判断该两/三轮车被抓拍时是否存在违法行为;并结合车牌识别和人脸识别从而判断图像中的两/三轮车是否存在违法行为,及对存在的两/三轮车的违法行为进行处理。
Description
技术领域
本发明涉及机动车及非机动车的违法行为识别领域,尤其涉及一种两/三轮车的违法行为识别管理方法和系统。
背景技术
摩托车、轻便摩托车、电动自行车、自行车等两/三轮车的违法现象普遍存在,成为影响道路交通安全的主要因素之一。对两/三轮车违法行为的治理通常采用民警拦截,现场及时处罚的方式,由于两/三轮车的驾驶人交通法规意识淡薄,实际查处过程中,摩托车、电动自行车的驾驶人不服从交警指挥、不接受现场处罚的现象时有发生。加之社会文明意识还不够高,民警在场不在场两个样。由于警力有限,全面覆盖管控难度大,整体治理效果不理想。长期以来,公安交警部门在对小汽车、货车等机动车驾驶人的管理方面取得了明显的成效,而对摩托车、电动自行车的驾驶人的管理由于难度大,形成了薄弱环节,该类违法行为已成为维护交通秩序、降低交通事故的“瓶颈”。
在交通管理规范上,摩托车、轻便摩托车、电动自行车均需要办理车牌方能上路行驶,由于摩托车、轻便摩托车、电动自行车的车牌仅挂在车辆的尾部,为识别摩托车、轻便摩托车、电动自行车的车牌,需要在道路上设置能够拍摄车辆尾部图像的摄像头。
摩托车、电动自行车等两/三轮车的违法行为主要包括使用伞具、驾乘人员未带头盔、超载、闯红灯和逆行等违法行为,和汽车等机动车的违法行为存在许多明显差别,有必要进一步优化道路的智能监控系统,对摩托车、轻便摩托车、电动自行车等两/三轮车的违法进行智能识别和管理,以维护交通秩序、降低交通事故。
发明内容
本发明的目的在于提供一种两/三轮车的违法行为的识别管理方法,以有效识别摩托车、电动自行车等两/三轮车的违法行为,并分类管理。
实现本发明目的的技术方案为:
一种两/三轮车的违法行为的识别管理方法,包括以下步骤:
步骤S0,训练神经网络模型:训练用于两/三轮车目标识别的第一模型;训练用于多特征目标识别的第二模型;训练用于车牌识别的第三模型;
步骤S1:获取抓拍的过车图像,对过车图像运行第一模型进行处理分析,得出过车图像中全部的两/三轮车目标,并分别对这些两/三轮车目标进行轮廓选定及标定出目标位置及轮廓信息;
步骤S2:根据步骤S1中的两/三轮车目标的识别和定位结果,从过车图像中依次裁剪出全部的两/三轮车特写图像,分别对每一张特写图像均运行第二模型进行处理分析,找出每一张特写图像中多个特征目标分别在两/三轮车特写图像中的位置,并分别对这些特征目标进行轮廓选定得到特征目标的特写图像及标定出这些特征目标的目标位置及轮廓信息,其中的特征目标包括但不限于:车牌特征目标、驾乘人员头部特征目标、车辆改装特征目标;
步骤S3:根据步骤S2中得到的车牌特征目标的识别和定位结果,如果识别到车牌特征目标,用对应车牌特征目标的特写图像运行第三模型进行处理分析,进行车牌识别得到车牌号码;如果未识别到车牌特征目标,用对应的驾乘人员头部特征目标的特写图像运行第二模型进行处理分析,判断是否存在驾驶员的人脸特征目标,如果存在驾驶员的人脸特征目标,将包含人脸特征目标的特写图像推送到相应的人脸识别系统中进行身份识别;
步骤S4:根据步骤S2中的除车牌特征目标外的其它特征目标的识别和定位结果,用对应的特征目标的特写图像运行第二模型进行处理分析,判断所述两/三轮车被抓拍时是否存在违法行为;
步骤S5:根据步骤S4判断得到:两/三轮车被抓拍时存在违法行为,则将所述两/三轮车的违法信息整合进行人工复核,并上传相应的处罚平台,所述违法信息包括但不限于:两/三轮车的过车图像、两/三轮车特写图像、车牌号码、车辆违法行为、违法时间、违法地点。
进一步的,所述步骤S2中的过车图像包括从车辆前面和/或车辆后面拍摄的过车图像。
进一步的,所述步骤S4中两/三轮车的违法行为包括但不限于:使用伞具、驾乘人员未戴头盔、超载、闯禁行和逆行。
进一步的,还包括步骤S6:根据步骤S4判断得到:两/三轮车被抓拍时没有存在违法行为,或根据步骤S3判断得到:两/三轮车被抓拍时未识别到车牌号码且未获得驾驶员的人脸特征目标,则将相应的两/三轮车的过车图像,当成是两/三轮车过车记录进行一定周期的保存。
进一步的,所述第一模型的训练包括以下步骤:(1)收集包含从车辆前面或车辆后面拍摄的路面行驶的两/三轮车的过车图像,用数据标注软件,对过车图像中的两/三轮车区域进行人工标注,设定特征目标名称;(2)用已标注的数据用通用的AI目标检测模型进行训练,获得用于两/三轮车目标识别的第一模型。利用第一模型,可以对两/三轮车特写图像运行相应的AI推理分析,在两/三轮车特写图像中找出对应的特征目标及其位置轮廓信息。
进一步的,所述第二模型的训练包括以下步骤:(1)收集通过第一模型检测出的两/三轮车特写图像,对两/三轮车特写图像中的特征目标进行标注,所述特征目标包括但不限于:车辆改装特征目标、驾乘人员头部特征目标和车牌特征目标;(2)用已标注的特征目标的特写图像训练多特征目标检测模型,获得用于多特征目标识别的第二模型。利用第二模型,可以对两/三轮车特写图像运行相应的AI推理分析,在两/三轮车图像中选定存在的车辆改装特征目标、驾乘人员头部特征目标、车牌特征目标的特写图像,并标定出特写图像的坐标。
进一步的,所述第三模型的训练包括以下步骤:(1)收集通过第二模型检测出的车牌特征目标的特写图像,对车牌特征目标的特写图像中的各个字符进行标注;(2)用已标注的字符的特写图像训练字符检测模型,获得用于车牌识别的第三模型。利用第三模型,可以对车牌特征目标的特写图像运行相应的AI推理分析,在车牌特征目标的特写图像中选定各个字符的特写图像的位置和轮廓坐标,通过对特写图像的位置进行逻辑判断,可以得出车牌特征目标的特写图像的字符识别结果,得到车牌号码。
本发明的两/三轮车的违法行为的识别管理方法,通过多层级的神经网络模型对包含有两/三轮车的过车图像进行识别,对包括两/三轮车特有的使用伞具、未戴头盔、超载在内的违法行为进行标定,并结合车牌识别和人脸识别从而判断图像中的两/三轮车是否存在违法行为,及对存在的两/三轮车的违法行为进行处理。
本发明还公开了一种两/三轮车的违法行为的识别管理系统,包括多组的第一摄像头/第二摄像头、过车图像管理服务器、两/三轮车违法识别模块和处罚平台,
所述第一摄像头和第二摄像头设置于道路上方,用于分别从车辆前面和车辆后面抓拍的过车图像;
所述过车图像管理服务器设置于中心端,用于过车图像的存储管理,并对经人工智能审核出的违法行为内容提请人工复核;
所述两/三轮车违法识别模块用于访问过车图像管理服务器中的过车图像,执行如上任一项方案所述的两/三轮车的违法行为的识别管理方法中的步骤S1-步骤S4,对其中的两/三轮车进行识别,并对其中的违法行为进行标识,形成识别结果,并回传给过车图像管理服务器;
所述处罚平台用于接收进行人工复核,并发出处罚通知。
进一步的,所述第一摄像头和第二摄像头为IP摄像头。
进一步的,两/三轮车违法识别模块和过车图像管理服务器的数据传输基于IP通讯协议,过车图像管理服务器将过车图像推送给两/三轮车违法识别模块,两/三轮车违法识别模块对过车图像进行分析处理后将识别结果回传给过车图像管理服务器,所述IP通讯协议至少包括以下一种:FTP、MQ。
进一步的,所述两/三轮车违法识别模块采用插片式结构,安装于机架上,多个两/三轮车违法识别模块同时和过车图像管理服务器通信连接,用于提高并发处理能力。
进一步的,还包括终端服务器,所述终端服务器临近摄像头设置,用于临时存储及转发过车图像。
附图说明
图1是本发明的两/三轮车的违法行为的识别管理方法的流程图;
图2是本发明的两/三轮车的违法行为的识别管理系统的系统框图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
本发明公开了一种两/三轮车的违法行为的识别管理方法,应用了三个神经网络模型,分别为模型A、模型B和模型C。
其中,模型A为两/三轮车检测模型,该模型通过以下步骤进行训练:收集大量包含从车辆前面或车辆后面拍摄的在路面行驶的两/三轮车的过车图像,用数据标注软件,对图像中的两/三轮车(包含驾驶员和伞具)进行人工标注,设定标签(即特征目标)名称。接下来,用已标注的数据用通用的AI(人工智能)目标检测模型进行训练,训练到足够的步数以后,可以达到足够精度的两/三轮车目标检测模型(模型A)。利用模型A,可以对图像运行相应的AI推理分析,在图像中找出对应的标签位置及外接矩形的坐标(即特征目标、阈值及其位置轮廓信息)。
模型B为特征目标检测模型:收集通过模型A检测出的两/三轮车特写图像,用数据标注软件,对图像中的车辆改装特征目标(如伞具)、驾乘人员头部特征目标(如驾乘人员人数、头盔及驾驶员的人脸特征)和车牌特征目标(如摩托车车牌、电动自行车车牌等)标签进行人工标注,设定标签名称;接下来,用这批已标注的数据采用标准的AI目标检测模型进行训练,训练到足够的步数以后,可以达到足够精度的特征目标检测模型(模型B)。利用模型B,可以对两/三轮车特写图像运行相应的AI推理分析,在两/三轮车图像中找出存在的伞具、驾乘人员人数、头盔、车牌及人脸对应的标签位置及外接矩形的坐标。
模型C为字符检测模型:收集通过模型B检测出的车牌特写图像,用数据标注软件,对图像中的各个字符,包括省份汉字、数字、字母等标签进行人工标注,设定目标标签名称。接下来,用这批已标注的数据采用通用的AI目标检测模型进行训练,训练到足够的步数以后,可以达到足够精度的字符检测模型(模型C)。利用模型C,可以对车牌特写图像运行相应的AI推理分析,在车牌特写图像中找出存在的各个字符对应的标签位置及其外接矩形的坐标,通过标签位置进行逻辑判断,可以得出车牌的字符识别结果。
如图1所示,本发明公开了一种两/三轮车的违法行为的识别管理方法,包括以下步骤:
步骤S1:获取需要检测识别的闯红灯抓拍图像抓拍的过车图像(例如卡口或者闯红灯抓拍系统抓拍的图像、高清视频流中截取的图像),运行模型A进行处理分析,得到全部的两/三轮车的目标位置及外接矩形坐标(即两/三轮车的目标位置及轮廓信息)。
步骤S2:从过车图像中依次裁剪出找到的两/三轮车特征目标的特写图像,运行模型B进行处理分析,找出特征目标对应的标签位置及其外接矩形坐标(即特征目标的目标位置及轮廓信息);在一张两/三轮车目标图像上,可找出多个特征目标,如车牌、伞具、驾乘人员人数、头盔、超载、逆行等。
步骤S3:如果找到车牌的标签,表明此两/三轮车是摩托车或电动自行车,可以先进行车牌识别,裁剪出车牌特征目标的特写图像,运行模型C进行处理分析,找出特写图像存在的各个字符对应的标签位置及其外接矩形的坐标,通过标签位置进行图像识别,可以得出摩托车车牌的字符识别结果,即车牌号码。对于正面抓拍的两/三轮车的过车图像,通常情况下是无法体现车牌号码,此时可以结合从后面抓拍的的两/三轮车的过车图像,进行车牌识别。或可以用对应的驾乘人员头部特征目标的特写图像运行模型B进行处理分析,判断是否存在驾驶员的人脸标签,如果存在人脸图像,可以将人脸特写图像裁剪出来,推送到相应的人脸识别系统中,判断对应的人员身份,可以由相关管理单位,根据人员身份信息,进行相应的处理。
步骤S4:根据步骤S2中的除车牌特征目标外的其它特征目标的识别和定位结果,用对应的特征目标的特写图像运行第二模型进行处理分析,判断所述两/三轮车被抓拍时是否存在违法行为。分析模型B处理的其余标签,如果图像中存在伞具的标签,说明存在“使用伞具”的违法行为;如果存在驾乘人员(即驾驶员和乘客)的人头或者头盔图像信息,可以通过驾乘人员的人头、头盔的数量和位置信息进行逻辑判断,可以分析出摩托车是否存在驾乘人员不戴头盔或超载行为(如:摩托车载员超过2人,轻便摩托车载员超过1人);同时通过判断该车辆所处车道的位置信息,判断该车辆是否存在“闯禁行”的违法行为;通过判断该车辆的行驶方向,判断该车辆是否存在“逆行”的违法行为。对两/三轮车的违法行为的认定,具体的以国家相关管理法规为依据。
步骤S5:将两/三轮车的全景图像(过车图像)、两/三轮车的特写图像、车牌号码、车辆被抓拍时是否存在违法行为(所述违法行为包括使用伞具、驾驶员不戴头盔、乘客不戴头盔、超载、闯禁行、逆行等)、违法时间、违法地点等信息整合进行人工复核,并上传相应的违章处罚平台。
步骤S6:根据步骤S4判断得到:两/三轮车被抓拍时没有存在违法行为,或根据步骤S3判断得到:两/三轮车被抓拍时未识别到车牌号码且未获得驾驶员的人脸特征目标,将所述没有违法行为或者没有车牌号码的两/三轮车的过车图像,当成是两/三轮车过车记录进行一定周期的保存。
本发明的两/三轮车的违法行为的识别管理方法,通过多层级的神经网络模型对包含有两/三轮车的过车图像进行识别,对包括两/三轮车特有的使用伞具、驾乘人员未戴头盔、超载及闯禁行、逆行等违法行为进行标记,从而判断图像中的两/三轮车是否存在违法行为,及对存在的两/三轮车的违法行为进行处理。
如图2所示,本发明还公开了一种两/三轮车的违法行为的识别管理系统,包括多个用于从车辆前面或车辆后面拍摄的摄像头1、终端服务器2、过车图像管理服务器3、两/三轮车违法识别模块4和处罚平台5,摄像头1设置在道路上方,可单独设置或配套设置摄像头1,从车辆前面和/或车辆后面抓拍过车图像,抓拍的过车图像经设置于道路上方的终端服务器2临时存储后转发到设置于中心端的过车图像管理服务器3,过车图像管理服务器3将过车图像推送给两/三轮车违法识别模块4进行处理分析,两/三轮车违法识别模块4内设置经训练的三组神经网络模型,执行上述两/三轮车的违法行为的识别管理方法中的步骤S1-步骤S4对其中的两/三轮车进行识别,并对其中的违法行为进行识别和标识,然后识别结果回传给过车图像管理服务器3,过车图像管理服务器3根据识别结果将违法行为的内容提请人工复核,人工复核后的结果发送给处罚平台5,由处罚平台发出处罚通知。
在具体应用中,摄像头1为IP摄像头,摄像头1的视频输出采用网络接口,基于FTP/MQ等IP通讯协议,摄像头1抓拍的图像信息可直接通过FTP/MQ等IP通讯协议上传过车图像管理服务器3,而无需通过终端服务器2转存。
如图2所示,在本实施例中,两/三轮车违法识别模块4和过车图像管理服务器3一同设置在中心端,为提高并发处理能力,两/三轮车违法识别模块4采用插片式结构,安装于机架上,过车图像管理服务器3同时和多个两/三轮车违法识别模块4通信连接。两/三轮车违法识别模块4和过车图像管理服务器3的数据传输基于FTP/MQ等IP通讯协议,如:过车图像管理服务器3通过FTP/MQ等IP通讯协议将过车图像推送给两/三轮车违法识别模块4,两/三轮车违法识别模块4对过车图像进行分析处理后将识别结果回传给过车图像管理服务器3。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (12)
1.一种两/三轮车的违法行为的识别管理方法,其特征在于,包括以下步骤:
步骤S0,训练神经网络模型:训练用于两/三轮车目标识别的第一模型;训练用于多特征目标识别的第二模型;训练用于车牌识别的第三模型;
步骤S1:获取抓拍的过车图像,对过车图像运行第一模型进行处理分析,得出过车图像中全部的两/三轮车目标,并分别对这些两/三轮车目标进行轮廓选定及标定出目标位置及轮廓信息;
步骤S2:根据步骤S1中的两/三轮车目标的识别和定位结果,从过车图像中依次裁剪出全部的两/三轮车特写图像,分别对每一张特写图像均运行第二模型进行处理分析,找出每一张特写图像中多个特征目标分别在两/三轮车特写图像中的位置,并分别对这些特征目标进行轮廓选定得到特征目标的特写图像及标定出这些特征目标的目标位置及轮廓信息,其中的特征目标包括但不限于:车牌特征目标、驾乘人员头部特征目标、车辆改装特征目标;
步骤S3:根据步骤S2中得到的车牌特征目标的识别和定位结果,如果识别到车牌特征目标,用对应车牌特征目标的特写图像运行第三模型进行处理分析,进行车牌识别得到车牌号码;如果未识别到车牌特征目标,用对应的驾乘人员头部特征目标的特写图像运行第二模型进行处理分析,判断是否存在驾驶员的人脸特征目标,如果存在驾驶员的人脸特征目标,将包含人脸特征目标的特写图像推送到相应的人脸识别系统中进行身份识别;
步骤S4:根据步骤S2中的除车牌特征目标外的其它特征目标的识别和定位结果,用对应的特征目标的特写图像运行第二模型进行处理分析,判断所述两/三轮车被抓拍时是否存在违法行为;
步骤S5:根据步骤S4判断得到:两/三轮车被抓拍时存在违法行为,则将所述两/三轮车的违法信息整合进行人工复核,并上传相应的处罚平台,所述违法信息包括但不限于:两/三轮车的过车图像、两/三轮车特写图像、车牌号码、车辆违法行为、违法时间、违法地点。
2.如权利要求1所述的两/三轮车的违法行为的识别管理方法,其特征在于,所述步骤S2中的过车图像包括从车辆前面和/或车辆后面拍摄的过车图像。
3.如权利要求1或2所述的两/三轮车的违法行为的识别管理方法,其特征在于,所述步骤S4中两/三轮车的违法行为包括但不限于:使用伞具、驾乘人员未戴头盔、超载、闯禁行和逆行。
4.如权利要求1或2所述的两/三轮车的违法行为的识别管理方法,其特征在于,还包括步骤S6:根据步骤S4判断得到:两/三轮车被抓拍时没有存在违法行为,或根据步骤S3判断得到:两/三轮车被抓拍时未识别到车牌号码且未获得驾驶员的人脸特征目标,则将相应的两/三轮车的过车图像,当成是两/三轮车过车记录进行一定周期的保存。
5.如权利要求1或2所述的两/三轮车的违法行为的识别管理方法,其特征在于,所述第一模型的训练包括以下步骤:(1)收集包含从车辆前面或车辆后面拍摄的路面行驶的两/三轮车的过车图像,用数据标注软件,对过车图像中的两/三轮车区域进行人工标注,设定特征目标名称;(2)用已标注的数据用通用的AI目标检测模型进行训练,获得用于两/三轮车目标识别的第一模型。
6.如权利要求1或2所述的两/三轮车的违法行为的识别管理方法,其特征在于,所述第二模型的训练包括以下步骤:(1)收集通过第一模型检测出的两/三轮车特写图像,对两/三轮车特写图像中的特征目标进行标注,所述特征目标包括但不限于:车辆改装特征目标、驾乘人员头部特征目标和车牌特征目标;(2)用已标注的特征目标的特写图像训练多特征目标检测模型,获得用于多特征目标识别的第二模型。
7.如权利要求1或2所述的两/三轮车的违法行为的识别管理方法,其特征在于,所述第三模型的训练包括以下步骤:(1)收集通过第二模型检测出的车牌特征目标的特写图像,对车牌特征目标的特写图像中的各个字符进行标注;(2)用已标注的字符的特写图像训练字符检测模型,获得用于车牌识别的第三模型。
8.一种两/三轮车的违法行为的识别管理系统,其特征在于,包括多组的第一摄像头/第二摄像头、过车图像管理服务器、两/三轮车违法识别模块和处罚平台,
所述第一摄像头和第二摄像头设置于道路上方,用于分别从车辆前面和车辆后面抓拍的过车图像;
所述过车图像管理服务器设置于云端,用于过车图像的存储管理,并对经人工智能审核出的违法行为内容提请人工复核;
所述两/三轮车违法识别模块用于访问过车图像管理服务器中的过车图像,执行如权利要求1-7任一项所述的两/三轮车的违法行为的识别管理方法中的步骤S1-步骤S4,对其中的两/三轮车进行识别,并对其中的违法行为进行标识,形成识别结果,并回传给过车图像管理服务器;
所述处罚平台用于接收进行人工复核,并发出处罚通知。
9.如权利要求8所述的两/三轮车的违法行为的识别管理系统,其特征在于,所述第一摄像头和第二摄像头为IP摄像头。
10.如权利要求8所述的两/三轮车的违法行为的识别管理系统,其特征在于,两/三轮车违法识别模块和过车图像管理服务器的数据传输基于IP通讯协议,过车图像管理服务器将过车图像推送给两/三轮车违法识别模块,两/三轮车违法识别模块对过车图像进行分析处理后将识别结果回传给过车图像管理服务器,所述IP通讯协议至少包括以下一种:FTP、MQ。
11.如权利要求8所述的两/三轮车的违法行为的识别管理系统,其特征在于,所述两/三轮车违法识别模块采用插片式结构,安装于机架上,多个两/三轮车违法识别模块同时和过车图像管理服务器通信连接,用于提高并发处理能力。
12.如权利要求8所述的两/三轮车的违法行为的识别管理系统,其特征在于,还包括终端服务器,所述终端服务器临近摄像头设置,用于临时存储及转发过车图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010710732.5A CN111832519A (zh) | 2020-07-22 | 2020-07-22 | 一种两/三轮车的违法行为的识别管理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010710732.5A CN111832519A (zh) | 2020-07-22 | 2020-07-22 | 一种两/三轮车的违法行为的识别管理方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111832519A true CN111832519A (zh) | 2020-10-27 |
Family
ID=72924746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010710732.5A Pending CN111832519A (zh) | 2020-07-22 | 2020-07-22 | 一种两/三轮车的违法行为的识别管理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832519A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581769A (zh) * | 2020-12-08 | 2021-03-30 | 福建小电科技有限公司 | 一种基于人工智能识别技术非机动车违法视频分析系统 |
CN113139438A (zh) * | 2021-04-06 | 2021-07-20 | 青岛以萨数据技术有限公司 | 一种非机动车驾乘行为检测方法、系统、设备及存储介质 |
CN114332731A (zh) * | 2021-12-24 | 2022-04-12 | 阿波罗智联(北京)科技有限公司 | 城市事件识别方法、装置、自动驾驶车辆及云端服务器 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800633A (zh) * | 2018-12-11 | 2019-05-24 | 深圳云天励飞技术有限公司 | 一种非机动车交通违法判断方法、装置和电子设备 |
CN110288838A (zh) * | 2019-07-19 | 2019-09-27 | 网链科技集团有限公司 | 电动自行车闯红灯识别系统及方法 |
CN110321804A (zh) * | 2019-06-11 | 2019-10-11 | 福建亿安智能技术有限公司 | 一种基于人脸和电动车牌识别结合进行身份认证的方法 |
CN110516518A (zh) * | 2018-05-22 | 2019-11-29 | 杭州海康威视数字技术股份有限公司 | 一种非机动车违法载人检测方法、装置及电子设备 |
CN110738150A (zh) * | 2019-09-29 | 2020-01-31 | 浙江大华技术股份有限公司 | 相机联动抓拍方法、装置以及计算机存储介质 |
CN110826356A (zh) * | 2018-08-07 | 2020-02-21 | 杭州海康威视系统技术有限公司 | 一种非机动车违章检测系统、方法及服务器 |
CN110909598A (zh) * | 2019-10-16 | 2020-03-24 | 合肥湛达智能科技有限公司 | 一种基于深度学习的非机动车道交通违法行驶识别方法 |
CN212515850U (zh) * | 2020-07-22 | 2021-02-09 | 福建易华录信息技术有限公司 | 一种两/三轮车的违法行为的识别管理系统 |
-
2020
- 2020-07-22 CN CN202010710732.5A patent/CN111832519A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516518A (zh) * | 2018-05-22 | 2019-11-29 | 杭州海康威视数字技术股份有限公司 | 一种非机动车违法载人检测方法、装置及电子设备 |
CN110826356A (zh) * | 2018-08-07 | 2020-02-21 | 杭州海康威视系统技术有限公司 | 一种非机动车违章检测系统、方法及服务器 |
CN109800633A (zh) * | 2018-12-11 | 2019-05-24 | 深圳云天励飞技术有限公司 | 一种非机动车交通违法判断方法、装置和电子设备 |
CN110321804A (zh) * | 2019-06-11 | 2019-10-11 | 福建亿安智能技术有限公司 | 一种基于人脸和电动车牌识别结合进行身份认证的方法 |
CN110288838A (zh) * | 2019-07-19 | 2019-09-27 | 网链科技集团有限公司 | 电动自行车闯红灯识别系统及方法 |
CN110738150A (zh) * | 2019-09-29 | 2020-01-31 | 浙江大华技术股份有限公司 | 相机联动抓拍方法、装置以及计算机存储介质 |
CN110909598A (zh) * | 2019-10-16 | 2020-03-24 | 合肥湛达智能科技有限公司 | 一种基于深度学习的非机动车道交通违法行驶识别方法 |
CN212515850U (zh) * | 2020-07-22 | 2021-02-09 | 福建易华录信息技术有限公司 | 一种两/三轮车的违法行为的识别管理系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581769A (zh) * | 2020-12-08 | 2021-03-30 | 福建小电科技有限公司 | 一种基于人工智能识别技术非机动车违法视频分析系统 |
CN113139438A (zh) * | 2021-04-06 | 2021-07-20 | 青岛以萨数据技术有限公司 | 一种非机动车驾乘行为检测方法、系统、设备及存储介质 |
CN114332731A (zh) * | 2021-12-24 | 2022-04-12 | 阿波罗智联(北京)科技有限公司 | 城市事件识别方法、装置、自动驾驶车辆及云端服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832519A (zh) | 一种两/三轮车的违法行为的识别管理方法和系统 | |
CN110866479A (zh) | 一种检测摩托车驾驶员未戴头盔的方法、装置及系统 | |
WO2019223655A1 (zh) | 非机动车载人的检测 | |
CN212515850U (zh) | 一种两/三轮车的违法行为的识别管理系统 | |
CN109741608A (zh) | 基于深度学习的机动车右转礼让行人分析抓拍系统及方法 | |
CN105608906A (zh) | 高速公路机动车非法占用应急车道的监控系统及实现方法 | |
CN113033275B (zh) | 基于深度学习的车辆变道不打转向灯分析系统 | |
CN112509325A (zh) | 一种基于视频深度学习的非现场违法自动甄别方法 | |
CN114898297A (zh) | 基于目标检测和目标跟踪的非机动车违法行为判定的方法 | |
CN111404874A (zh) | 出租车嫌疑车辆甄别分析体系架构 | |
CN112528759A (zh) | 一种基于计算机视觉的交通违章行为检测方法 | |
CN114926824A (zh) | 一种不良驾驶行为判别方法 | |
CN112395976A (zh) | 一种摩托车载人识别方法、装置、设备及存储介质 | |
CN106548627A (zh) | 一种基于车联网的rfid传感道路监控系统 | |
CN112101274B (zh) | 一种车牌识别方法、装置、设备及可读存储介质 | |
CN110633609B (zh) | 基于人脸对象位置分析的定位平台 | |
CN110909641A (zh) | 一种检测摩托车超载的方法、装置及系统 | |
CN114120250B (zh) | 一种基于视频的机动车辆违法载人检测方法 | |
CN110379173A (zh) | 一种基于共享单车多模态数据的非机动车交通违规行为识别方法 | |
CN115147869A (zh) | 基于深度学习的电动车骑行者头盔检测与车牌识别方法 | |
CN111027365B (zh) | 基于人脸对象位置分析的定位方法 | |
CN114913690A (zh) | 交通精细化监控方法、系统和可读存储介质 | |
CN114582133A (zh) | 一种电动车骑行警示系统及方法 | |
CN112699742A (zh) | 一种有动力骑行车车上乘员头盔佩戴的检测方法 | |
Avupati et al. | Traffic Rules Violation Detection using YOLO and HAAR Cascade |
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 |