CN111859018A - 车辆视频检测方法、车辆视频检测装置和可读存储介质 - Google Patents

车辆视频检测方法、车辆视频检测装置和可读存储介质 Download PDF

Info

Publication number
CN111859018A
CN111859018A CN202010071919.5A CN202010071919A CN111859018A CN 111859018 A CN111859018 A CN 111859018A CN 202010071919 A CN202010071919 A CN 202010071919A CN 111859018 A CN111859018 A CN 111859018A
Authority
CN
China
Prior art keywords
vehicle video
video file
vehicle
authenticity
information
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
Application number
CN202010071919.5A
Other languages
English (en)
Inventor
王树栋
王智恒
薛韬略
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202010071919.5A priority Critical patent/CN111859018A/zh
Publication of CN111859018A publication Critical patent/CN111859018A/zh
Priority to PCT/CN2021/072977 priority patent/WO2021147927A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/732—Query formulation
    • G06F16/7328—Query by example, e.g. a complete video frame or video sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种车辆视频检测方法、车辆视频检测装置和可读存储介质。其中车辆视频检测方法，包括：获取车辆视频文件，并将车辆视频文件输入到检测模型中；通过检测模型提取车辆视频文件中的特征信息和特征信息对应的序列信息，根据特征信息和序列信息确定车辆视频文件的鉴伪结果。本发明通过检测模型结构可以有效地提取车辆视频文件中的序列信息，通过序列信息和特征信息确定车辆视频文件的鉴伪结果，提高了车辆鉴伪结果的准确性。

Description

车辆视频检测方法、车辆视频检测装置和可读存储介质
技术领域
本发明涉及视频检测技术领域，具体而言，涉及一种车辆视频检测方法、一种车辆视频检测装置和一种计算机可读存储介质。
背景技术
在网约车注册中，车辆信息的验真是非常关键的，在车辆信息验真中，车辆视频包含的信息最多，对于判定车主提供的车辆信息尤为重要。如果车主提供的车辆信息不真实，那么在车主以后的服务过程中，可能会存在潜在的安全隐患。为了保证车主上传车辆信息的真实性，通过车辆视频来对车辆信息进行验真。相关技术中的视频验伪需要人机交互完成，不适用于车辆验真场景；而基于视频的应用中，目前研究主要集中在对视频中目标的跟踪、行为等内容分析等方面，其中也不存在视频验真相关的方案。因此如何对车辆视频的真实性进行检测成为亟需解决的问题。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此，本发明的第一方面提供了一种车辆视频检测方法。
本发明的第二方面提供了一种车辆视频检测装置。
本发明的第三方面提供了一种计算机可读存储介质。
为了实现上述目的，根据本发明的第一方面的技术方案，提供了一种车辆视频检测方法，包括：获取车辆视频文件，并将车辆视频文件输入到检测模型中；通过检测模型提取车辆视频文件中的特征信息和特征信息对应的序列信息，根据特征信息和序列信息确定车辆视频文件的鉴伪结果。
在该技术方案中，获取车辆视频文件后，将车辆视频文件输入到检测模型中进行检测，检测模型包括三维分组卷积层、二维特征提取层、长短期记忆网络层和分类层，通过三维分组卷积层和二维特征提取层提取车辆视频文件中的特征信息，通过三维分组卷积层提取车辆视频文件中的特征信息对应的序列信息，其中三维分组卷基层所提取的特征信息为视频文件的部分特征信息，并且提取的序列信息也为与部分特征信息相对应的局部序列信息，相比于相关技术中的三维卷积，本申请中的三维分组卷积具有计算量小、模型性能高的效果。长短期记忆网络层和分类层可以对序列信息和特征信息进行分析，从而确定车辆视频文件的鉴伪结果。通过检测模型结构可以有效地提取车辆视频文件中的序列信息，通过序列信息和特征信息确定车辆视频文件的鉴伪结果，提高了车辆鉴伪结果的准确性。
可以理解的是，将上述车辆视频检测方法应用与网约车注册过程中，实现了用户无需人机交互就能完成对视频的鉴伪步骤，从而提高了用户的注册效率，进而提升用户的使用体验。
可以理解的是，执行上述车辆视频检测方法在服务端，即可以将上述车辆视频检测方法配置在服务端。通过用户向服务端上传车辆视频文件从而使服务端获取到用户发送的车辆视频文件，实现了线上对车辆视频文件的检测，避免了通过人工的方式对车辆视频文件进行鉴伪，节省了人力物力。
在上述任一技术方案中，提取车辆视频文件中的特征信息和特征信息对应的序列信息的步骤，具体包括：截取车辆视频文件中设定长度的帧序列；提取帧序列中的特征信息和特征信息对应的序列信息。
在该技术方案中，在提取车辆视频文件特征信息和序列信息时，对获取到的车辆视频文件截取部分帧序列，仅提取所截取的部分帧序列的特征信息和序列信息，不需要对全部获取到的车辆视频文件进行提取，从而大大减少了计算量，从而提高了模型的性能。
可以理解的是，本申请中利用检测模型中的三维分组卷积层对车辆视频文件进行分组截取和提取特征信息以及提取序列信息，例如：截取8帧处的视频帧，则会同时截取6、7、9、10帧的视频帧，实现对部分帧序列的截取。
在上述任一技术方案中，提取帧序列中的特征信息的步骤具体包括：提取帧序列中的视频特征；将视频特征转化为二维特征，提取二维特征中的特征信息。
在该技术方案中，先通过三维分组卷积层提取帧序列中的视频特征，再通过二维特征提取层，将视频特征转化为二维特征，并提取二维特征中的特征信息，其中，三维分组卷积层提取的视频特征数量较多，通过二维特征提取成对视频特征再次提取，实现了保证特征信息精度的同时减少特性量，使检测模型的性能进一步提升，降低了硬件需求，实现了节省成本的效果。
可以理解的是，检测模型中的二维特征提取层包含60个卷积层，卷积层中大量使用3×3，1×3和3×1卷积核，在保证高精度的同时，减少了大量的网络推理时间，从而提高了检测模型的效率。
在上述任一技术方案中，根据特征信息和序列信息确定车辆视频文件的鉴伪结果的步骤，具体包括：根据特征信息和序列信息确定车辆视频文件的鉴伪评分；根据鉴伪评分确定鉴伪结果。
在该技术方案中，检测模型中的长短期记忆网络层和分类层能够根据特征信息和序列信息确定车辆视频文件的鉴伪评分，根据得到的鉴伪评分确定鉴伪结果。实现了检测模型能够自动对车辆视频文件进行鉴伪，并且自动输出鉴伪结果，通过鉴伪评分的方式确定鉴伪结果，具有较高的准确定和可配置性。
在上述任一技术方案中，根据特征信息确定车辆视频文件的鉴伪评分的步骤，具体包括：根据序列信息对特征信息进行解析，生成车辆视频文件的鉴伪信息；对鉴伪信息进行类别确定以生成车辆视频文件的鉴伪评分。
在该技术方案中，通过长短期记忆记忆网络层通过序列信息对特征信息进行解析，生成车辆视频文件的鉴伪信息，将鉴伪信息输入到分类层中进行类别判断，从而生成车辆视频文件的鉴伪评分。
可以理解的是，长短期记忆记忆网络层能够学习序列信息，实现将序列信息转为判定车辆视频文件是否造假的判断依据。相关技术中的卷积神经网络对于视频序列信息的学习能力有限，长短期记忆记忆网络层基于序列的上下文信息，能够充分学习到视频序列之间的互关系，根据序列信息可以对特征信息之间的互关系进行检测。
可以理解的是，长短期记忆记忆网络层生成了检测结果输入至分类层中进行分类能够得到相对直观的鉴伪评分。
在上述任一技术方案中，根据鉴伪评分确定鉴伪结果的步骤，具体包括：获取预设评分；根据预设评分与鉴伪评分的数值关系确定车辆视频文件的鉴伪结果。
在该技术方案中，将预设评分与分类层生成的鉴伪评分进行比对，确定预设评分与分类层生成的鉴伪评分之间的数值关系，根据数值关系确定车辆视频文件的鉴伪结果。通过设置预设评分即能够实现对鉴伪标准的调整。
可以理解的是，工作人员可以根据实际需求设置预设评分，从而调整对车辆视频文件的鉴伪标准。
在上述任一技术方案中，根据预设评分与鉴伪评分的数值关系确定车辆视频文件的鉴伪结果的步骤，具体包括：鉴伪评分大于等于预设评分，确定车辆视频文件为虚假视频文件；鉴伪评分小于预设评分，确定车辆视频文件为真实视频文件。
在该技术方案中，当鉴伪评分大于等于预设评分时，则认为车辆视频文件为虚假视频文件；当鉴伪评分小于预设评分时，则认为策划辆视频文件为真实视频文件。
可以理解的是，根据预设评分确定鉴伪结果后，将鉴伪结果回传至用户端，提示用户是否需要重新上传车辆视频文件进行再次鉴伪。
在上述任一技术方案中，获取车辆视频文件的步骤之前，还包括：获取初始视频文件，并在初始视频文件中进行标注，以得到视频数据集；对视频数据集进行训练得到检测模型；初始视频文件包括：真实视频文件和虚假视频文件。
在该技术方案中，在获取车辆视频文件之前需要线训练检测模型，获取初始视频文件，在初始视频文件中对数据集进行标注，通过对数据集的训练可以得到检测模型，其中，初始视频文件包括等量的真实视频文件和虚假视频文件，能够保证训练得到的检测模型具有较好的检测准确率。
具体可以获取各50000条真实视频文件和虚假视频文件。
可以理解的是，在进行标注数据集时，可以选择利用人工标注的方式对初始视频文件中的数据集进行标注，使数据集标注的准确度提高；还可以选择通过设备自动标注的方式对初始视频文件中的数据集进行标注，使数据集的标注效率提高。
根据本发明的第二方面的技术方案，提供了一种车辆视频检测装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
计算机程序被处理器执行实现如上述技术方案中任一项的车辆视频检测方法的步骤；该车辆视频检测装置具有上述任一技术方案的车辆视频检测方法所具有的一切有益效果，在此不再赘述。
根据本发明的第三方面的技术方案，提供了一种计算机可读存储介质，计算机可读存储介质上存储有控制程序，控制程序被处理器执行时实现如上述任一技术方案的车辆视频检测方法的步骤。
本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了根据本发明的一个实施例的车辆视频检测方法的流程示意图；
图2示出了根据本发明的另一个实施例的车辆视频检测方法的流程示意图；
图3示出了根据本发明的再一个实施例的车辆视频检测方法的流程示意图；
图4示出了根据本发明的又一个实施例的车辆视频检测方法的流程示意图；
图5示出了根据本发明的又一个实施例的车辆视频检测方法的流程示意图；
图6示出了根据本发明的又一个实施例的车辆视频检测方法的流程示意图；
图7示出了根据本发明的一个具体实施例的车辆视频检测方法的流程示意图；
图8示出了根据本发明的一个完整实施例的车辆视频检测方法的流程示意图；
图9示出了根据本发明的另一个完整实施例的车辆视频检测方法的流程示意图；
图10示出了根据本发明的一个实施例的车辆视频检测装置的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1至图10描述根据本发明一个实施例的车辆视频检测方法、车辆视频检测装置和计算机可读存储介质。
实施例一：
如图1所示，本发明的一个实施例中，提供一种车辆视频检测方法，包括：
步骤S102，获取车辆视频文件，并将车辆视频文件输入到检测模型中；
步骤S104，通过检测模型提取车辆视频文件中的特征信息和特征信息对应的序列信息；
步骤S106，通过检测模型根据特征信息和序列信息确定车辆视频文件的鉴伪结果。
在该实施例中，获取车辆视频文件后，将车辆视频文件输入到检测模型中进行检测，检测模型包括三维分组卷积层、二维特征提取层、长短期记忆网络层和分类层，通过三维分组卷积层和二维特征提取层提取车辆视频文件中的特征信息，通过三维分组卷积层提取车辆视频文件中的特征信息对应的序列信息，其中三维分组卷基层所提取的特征信息为视频文件的部分特征信息，并且提取的序列信息也为与部分特征信息相对应的局部序列信息，相比于相关技术中的三维卷积，本申请中的三维分组卷积具有计算量小、模型性能高的效果。长短期记忆网络层和分类层可以对序列信息和特征信息进行分析，从而确定车辆视频文件的鉴伪结果。通过检测模型结构可以有效地提取车辆视频文件中的序列信息，通过序列信息和特征信息确定车辆视频文件的鉴伪结果，提高了车辆鉴伪结果的准确性。执行上述车辆视频检测方法在服务端，即可以将上述车辆视频检测方法配置在服务端。通过用户向服务端上传车辆视频文件从而使服务端获取到用户发送的车辆视频文件，实现了线上对车辆视频文件的检测，避免了通过人工的方式对车辆视频文件进行鉴伪，节省了人力物力。
其中，步骤S104和步骤S106均是通过检测模型执行的步骤。
可以理解的是，将上述车辆视频检测方法应用与网约车注册过程中，实现了用户无需人机交互就能完成对视频的鉴伪步骤，从而提高了用户的注册效率，进而提升用户的使用体验。
实施例二：
如图2所示，本发明的另一个实施例中，提供一种车辆视频检测方法，包括：
步骤S202，获取车辆视频文件，并将车辆视频文件输入到检测模型中；
步骤S204，通过检测模型截取车辆视频文件中设定长度的帧序列；
步骤S206，通过检测模型提取帧序列中的特征信息和特征信息对应的序列信息；
步骤S208，通过检测模型根据特征信息和序列信息确定车辆视频文件的鉴伪结果。
在该实施例中，在提取车辆视频文件特征信息和序列信息时，对获取到的车辆视频文件截取部分帧序列，仅提取所截取的部分帧序列的特征信息和序列信息，不需要对全部获取到的车辆视频文件进行提取，从而大大减少了计算量，从而提高了模型的性能。
可以理解的是，本申请中利用检测模型中的三维分组卷积层对车辆视频文件进行分组截取和提取特征信息以及提取序列信息，例如：截取8帧处的视频帧，则会同时截取6、7、9、10帧的视频帧，实现对部分帧序列的截取。
如图3所示，在上述实施例中，提取帧序列中的特征信息的步骤具体包括：
步骤S302，提取帧序列中的视频特征；
步骤S304，将视频特征转化为二维特征，提取二维特征中的特征信息。
在该实施例中，先通过三维分组卷积层提取帧序列中的视频特征，再通过二维特征提取层，将视频特征转化为二维特征，并提取二维特征中的特征信息，其中，三维分组卷积层提取的视频特征数量较多，通过二维特征提取成对视频特征再次提取，实现了保证特征信息精度的同时减少特性量，使检测模型的性能进一步提升，降低了硬件需求，实现了节省成本的效果。
可以理解的是，检测模型中的二维特征提取层包含60个卷积层，卷积层中大量使用3×3，1×3和3×1卷积核，在保证高精度的同时，减少了大量的网络推理时间，从而提高了检测模型的效率。
实施例三：
如图4所示，本发明的再一个实施例中，提供一种车辆视频检测方法，包括：
步骤S402，获取车辆视频文件，并将车辆视频文件输入到检测模型中；
步骤S404，通过检测模型提取车辆视频文件中的特征信息和特征信息对应的序列信息；
步骤S406，通过检测模型根据特征信息和序列信息确定车辆视频文件的鉴伪评分；
步骤S408，通过检测模型根据鉴伪评分确定鉴伪结果。
在该实施例中，检测模型中的长短期记忆网络层和分类层能够根据特征信息和序列信息确定车辆视频文件的鉴伪评分，根据得到的鉴伪评分确定鉴伪结果。实现了检测模型能够自动对车辆视频文件进行鉴伪，并且自动输出鉴伪结果，通过鉴伪评分的方式确定鉴伪结果，具有较高的准确定和可配置性。
如图5所示，在上述实施例中，根据特征信息确定车辆视频文件的鉴伪评分的步骤，具体包括：
步骤S502，根据序列信息对特征信息进行解析，生成车辆视频文件的鉴伪信息；
步骤S504，对鉴伪信息进行类别确定以生成车辆视频文件的鉴伪评分。
在该实施例中，通过长短期记忆记忆网络层通过序列信息对特征信息进行解析，生成车辆视频文件的鉴伪信息，将鉴伪信息输入到分类层中进行类别判断，从而生成车辆视频文件的鉴伪评分。
可以理解的是，长短期记忆记忆网络层能够学习序列信息，实现将序列信息转为判定车辆视频文件是否造假的判断依据。相关技术中的卷积神经网络对于视频序列信息的学习能力有限，长短期记忆记忆网络层基于序列的上下文信息，能够充分学习到视频序列之间的互关系，根据序列信息可以对特征信息之间的互关系进行检测。
可以理解的是，长短期记忆记忆网络层生成了检测结果输入至分类层中进行分类能够得到相对直观的鉴伪评分。
如图6所示，在上述任一实施例中，根据鉴伪评分确定鉴伪结果的步骤，具体包括：
步骤S602，获取预设评分；
步骤S604，根据预设评分与鉴伪评分的数值关系确定车辆视频文件的鉴伪结果。
在该实施例中，将预设评分与分类层生成的鉴伪评分进行比对，确定预设评分与分类层生成的鉴伪评分之间的数值关系，根据数值关系确定车辆视频文件的鉴伪结果。通过设置预设评分即能够实现对鉴伪标准的调整。
可以理解的是，工作人员可以根据实际需求设置预设评分，从而调整对车辆视频文件的鉴伪标准。
实施例四：
如图7所示，本发明的一个具体实施例中，提供一种车辆视频检测方法，包括：
步骤S702，获取车辆视频文件；
步骤S704，截取车辆视频文件中设定长度的帧序列；
步骤S706，提取帧序列中的视频特征和视频特征对应的序列信息；
步骤S708，将视频特征转化为二维特征，提取二维特征中的特征信息；
步骤S710，根据序列信息对特征信息进行解析，生成车辆视频文件的鉴伪信息；
步骤S712，对鉴伪信息进行类别确定以生成车辆视频文件的鉴伪评分；
步骤S714，获取预设评分；
步骤S716，判断鉴伪评分是否小于预设评分，判断结果为是则执行步骤S718，判断结果为否则执行步骤S720；
步骤S718，输出审核通过信息；
步骤S720，输出审核失败信息。
在该实施例中，将检测模型部署在服务器中，用户上传车辆视频文件，通过检测模型中的三维分组卷积层截取部分视频帧，并获取该部分视频帧的帧序列和序列信息，提取帧序列的视频特征，然后进入二维特征提取层，二维特征提取层可以将视频特征提取为二维特征的特征信息，从而减少服务器的计算量，提高鉴伪效率，将特征信息和序列信息输入到长短期记忆网络层中进行分析，分析得到的鉴伪信息输入至分类层进行分类，得到鉴伪评分，将鉴伪评分与预设得到的预设评分进行对比数值关系，从而确定车辆视频文件是否为真实文件。
其中，步骤S704至步骤S716通过在检测模型中执行。
其中，当鉴伪评分大于等于预设评分时，则认为车辆视频文件为虚假视频文件；当鉴伪评分小于预设评分时，则认为策划辆视频文件为真实视频文件。
根据预设评分确定鉴伪结果后，将鉴伪结果回传至用户端，提示用户是否需要重新上传车辆视频文件进行再次鉴伪。
实施例五：
如图8所示，本发明的一个完整实施例中，提供一种车辆视频检测方法，包括：
步骤S802，读取用户上传车辆视频；
步骤S804，模型预测车辆视频；
步骤S806，判断鉴伪评分是否小于预设评分，判断结果为是则执行步骤S808，判断结果为否则执行步骤S810；
步骤S808，审核成功，提示用户车辆视频审核通过；
步骤S810，审核失败，提示用户车辆视频审核未通过。
在该实施例中，车辆视频预标注层，拉取车辆真实视频和车辆造假视频各50000条，进行人工标注。训练模型，利用标记得到的数据集离线训练检测模型；对用户上传车辆视频进行验真，线上使用时，将用户上传车辆视频文件传到服务端，进行模型预测，输出车辆视频鉴伪评分，如果鉴伪得分高于预设评分，审核不通过，将结果反馈给用户；若鉴伪评分小于阈值，则审核通过。
如图9所示，在上述实施例中，检测模型900包括：视频序列输入层902、3D分组卷积层904(三维分组卷基层)、2D特征提取层906(二维特征提取层)、LSTM层908(长短期记忆网络层)和分类层910构成。
其中，向检测模型900输入车辆视频文件，检测模型900输出鉴伪评分。InputVideo(输入车辆视频文件)。
3D分组卷积层904可以快速有效提取视频局部序列信息，2D特征提取层906对图像和序列进行处理，提取特征，最后由LSTM层908对特征和序列信息进行处理，最终经过分类层输出车辆视频的作假分数。此模型结构可以有效地提取视频的序列信息，提高了车辆视频真伪判别精度。
视频序列输入层，视频序列信息对于判别视频真伪极其重要，本文设计了视频序列读取方法，对于输入视频，随机截取指定长度的帧序列，然后将帧序列送入3D分组卷积层904。3D分组卷积层904可以对截取的视频序列进行特征提取，并带入局部序列信息，相比于传统3D卷积层，3D分组卷积层904可以大大减少计算量，提升模型性能，同时可以有效提取视频的序列信息。
2D特征提取层906，本申请设计了基于resnet50(神经网络)的改进2D特征提取层906，本层包含60个卷积层，卷积层中大量使用3×3，1×3和3×1卷积核，在保证高精度的同时，减少了大量的网络推理时间。2D特征提取层906，相比原版resnet50，提升了服务端性能，从而节约了机器成本。
LSTM层908，序列信息是判断车辆视频文件是否造假的重要依据，3D分组卷积层904保留了视频序列信息，LSTM层908则学习序列信息，将序列信息转为判定视频是否造假的判断依据。传统CNN(卷积神经网络)对于视频序列信息的学习能力有限，LSTM层908基于序列的上下文信息，能够充分学习到视频序列之间的互关系。并能够根据序列信息和特征信息生成车辆视频鉴伪信息。
分类层910，分类层910采用全连接层，将LSTM层908输出的信息做类别判断，判定输入视频是否为造假视频。
实施例六：
如图10所示，本发明的再一个实施例中，提供了一种车辆视频检测装置1000。包括：存储器1002、处理器1004及存储在存储器1002上并可在处理器1004上运行的计算机程序。
计算机程序被处理器1004执行实现如上述技术方案中任一项的车辆视频检测方法的步骤；该车辆视频检测装置具有上述任一技术方案的车辆视频检测方法所具有的一切有益效果，在此不再赘述。
实施例七：
本发明的再一个实施例中，提供了一种计算机可读存储介质，计算机可读存储介质上存储有控制程序，控制程序被处理器执行时实现如上述任一实施例中的车辆视频检测方法的步骤。该计算机可读存储介质具有上述任一实施例中的车辆视频检测方法所具有的一切有益效果，在此不再赘述。
在本发明中，术语“第一”、“第二”、“第三”仅用于描述的目的，而不能理解为指示或暗示相对重要性；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明的限制。
在本说明书的描述中，术语“一个实施例”、“一个实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车辆视频检测方法，其特征在于，包括：
获取车辆视频文件，并将所述车辆视频文件输入到检测模型中；
通过所述检测模型提取所述车辆视频文件中的特征信息和所述特征信息对应的序列信息，根据所述特征信息和所述序列信息确定所述车辆视频文件的鉴伪结果。
2.根据权利要求1所述的车辆视频检测方法，其特征在于，所述提取所述车辆视频文件中的特征信息和所述特征信息对应的序列信息的步骤，具体包括：
截取所述车辆视频文件中设定长度的帧序列；
提取所述帧序列中的特征信息和所述特征信息对应的序列信息。
3.根据权利要求2所述的车辆视频检测方法，其特征在于，所述提取所述帧序列中的特征信息的步骤具体包括：
提取所述帧序列中的视频特征；
将所述视频特征转化为二维特征，提取所述二维特征中的特征信息。
4.根据权利要求3所述的车辆视频检测方法，其特征在于，所述根据所述特征信息和所述序列信息确定所述车辆视频文件的鉴伪结果的步骤，具体包括：
根据所述特征信息和所述序列信息确定所述车辆视频文件的鉴伪评分；
根据所述鉴伪评分确定所述鉴伪结果。
5.根据权利要求4所述的车辆视频检测方法，其特征在于，所述根据所述特征信息确定所述车辆视频文件的鉴伪评分的步骤，具体包括：
根据所述序列信息对所述特征信息进行解析，生成所述车辆视频文件的鉴伪信息；
对所述鉴伪信息进行类别确定以生成所述车辆视频文件的鉴伪评分。
6.根据权利要求5所述的车辆视频检测方法，其特征在于，所述根据所述鉴伪评分确定所述鉴伪结果的步骤，具体包括：
获取预设评分；
根据所述预设评分与所述鉴伪评分的数值关系确定所述车辆视频文件的所述鉴伪结果。
7.根据权利要求6所述的车辆视频检测方法，其特征在于，所述根据所述预设评分与所述鉴伪评分的数值关系确定所述车辆视频文件的所述鉴伪结果的步骤，具体包括：
所述鉴伪评分大于等于所述预设评分，确定所述车辆视频文件为虚假视频文件；
所述鉴伪评分小于所述预设评分，确定所述车辆视频文件为真实视频文件。
8.根据权利要求1至7中任一项所述的车辆视频检测方法，其特征在于，所述获取车辆视频文件的步骤之前，还包括：
获取初始视频文件，并在所述初始视频文件中进行标注，以得到所述视频数据集；
对所述视频数据集进行训练得到所述检测模型；
所述初始视频文件包括：真实视频文件和虚假视频文件。
9.一种车辆视频检测装置，其特征在于，包括：
存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序；
所述计算机程序被所述处理器执行实现如权利要求1至8中任一项所述的车辆视频检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有车辆视频检测程序，所述车辆视频检测程序被处理器执行时实现如权利要求1至8中任一项所述的车辆视频检测方法的步骤。
CN202010071919.5A 2020-01-21 2020-01-21 车辆视频检测方法、车辆视频检测装置和可读存储介质 Pending CN111859018A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010071919.5A CN111859018A (zh) 2020-01-21 2020-01-21 车辆视频检测方法、车辆视频检测装置和可读存储介质
PCT/CN2021/072977 WO2021147927A1 (zh) 2020-01-21 2021-01-21 一种验证车辆的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010071919.5A CN111859018A (zh) 2020-01-21 2020-01-21 车辆视频检测方法、车辆视频检测装置和可读存储介质

Publications (1)

Publication Number Publication Date
CN111859018A true CN111859018A (zh) 2020-10-30

Family

ID=72984857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010071919.5A Pending CN111859018A (zh) 2020-01-21 2020-01-21 车辆视频检测方法、车辆视频检测装置和可读存储介质

Country Status (1)

Country Link
CN (1) CN111859018A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034433A (zh) * 2021-01-14 2021-06-25 腾讯科技（深圳）有限公司 数据鉴伪方法、装置、设备以及介质
WO2021147927A1 (zh) * 2020-01-21 2021-07-29 北京嘀嘀无限科技发展有限公司 一种验证车辆的方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408952A (zh) * 2016-12-14 2017-02-15 浙江工业大学 一种机动车违法行为随手拍系统及方法
CN107085814A (zh) * 2017-04-11 2017-08-22 武汉华创欣网科技有限公司 一种车险理赔照片的分析方法及系统
CN109509267A (zh) * 2018-10-12 2019-03-22 珠海横琴现联盛科技发展有限公司 基于车牌识别的防篡改加密算法移动支付方法
CN109635791A (zh) * 2019-01-28 2019-04-16 深圳大学 一种基于深度学习的视频取证方法
CN109815944A (zh) * 2019-03-21 2019-05-28 娄奥林 一种针对人工智能对视频面部替换识别的防御方法
CN110119757A (zh) * 2019-03-28 2019-08-13 北京奇艺世纪科技有限公司 模型训练方法、视频类别检测方法、装置、电子设备和计算机可读介质
CN110532862A (zh) * 2019-07-19 2019-12-03 青岛科技大学 基于门控融合单元的特征融合组群识别方法
WO2019229519A1 (en) * 2018-06-01 2019-12-05 Patung Investments Ltd. Capture and presentation of authenticated data

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408952A (zh) * 2016-12-14 2017-02-15 浙江工业大学 一种机动车违法行为随手拍系统及方法
CN107085814A (zh) * 2017-04-11 2017-08-22 武汉华创欣网科技有限公司 一种车险理赔照片的分析方法及系统
WO2019229519A1 (en) * 2018-06-01 2019-12-05 Patung Investments Ltd. Capture and presentation of authenticated data
CN109509267A (zh) * 2018-10-12 2019-03-22 珠海横琴现联盛科技发展有限公司 基于车牌识别的防篡改加密算法移动支付方法
CN109635791A (zh) * 2019-01-28 2019-04-16 深圳大学 一种基于深度学习的视频取证方法
CN109815944A (zh) * 2019-03-21 2019-05-28 娄奥林 一种针对人工智能对视频面部替换识别的防御方法
CN110119757A (zh) * 2019-03-28 2019-08-13 北京奇艺世纪科技有限公司 模型训练方法、视频类别检测方法、装置、电子设备和计算机可读介质
CN110532862A (zh) * 2019-07-19 2019-12-03 青岛科技大学 基于门控融合单元的特征融合组群识别方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021147927A1 (zh) * 2020-01-21 2021-07-29 北京嘀嘀无限科技发展有限公司 一种验证车辆的方法和系统
CN113034433A (zh) * 2021-01-14 2021-06-25 腾讯科技（深圳）有限公司 数据鉴伪方法、装置、设备以及介质
CN113034433B (zh) * 2021-01-14 2024-01-02 腾讯科技（深圳）有限公司 数据鉴伪方法、装置、设备以及介质

Similar Documents

Publication Publication Date Title
AU2017209231B2 (en) Method, system, device and readable storage medium for realizing insurance claim fraud prevention based on consistency between multiple images
US11195037B2 (en) Living body detection method and system, computer-readable storage medium
CN107808358B (zh) 图像水印自动检测方法
CN111652087B (zh) 验车方法、装置、电子设备和存储介质
CN110472494A (zh) 脸部特征提取模型训练方法、脸部特征提取方法、装置、设备及存储介质
CN105354773B (zh) 一种用于交通事故现场证据保全及验证的系统
CN110852450B (zh) 识别对抗样本以保护模型安全的方法及装置
CN111626367A (zh) 对抗样本检测方法、装置、设备及计算机可读存储介质
CN111859018A (zh) 车辆视频检测方法、车辆视频检测装置和可读存储介质
CN103310235B (zh) 一种基于参数识别与估计的隐写分析方法
CN113516144A (zh) 目标检测方法及装置、计算设备
CN115018783A (zh) 一种视频水印检测方法和装置、电子设备和存储介质
CN113947564A (zh) 一种电力行业低压台区计量设备图像校验方法及系统
CN113537145A (zh) 目标检测中误、漏检快速解决的方法、装置及存储介质
CN114064486B (zh) 一种接口自动化测试方法
CN110738638B (zh) 视觉显著性检测算法适用性预测与性能盲评价方法
CN111553408A (zh) 视频识别软件自动测试的方法
CN110738122A (zh) 一种数据核查方法及装置
CN105743848B (zh) 一种多媒体内容选择性传送方法、装置及遥控设备
CN113343124B (zh) 生成对抗网络的训练方法、检测方法及装置
CN114760484B (zh) 直播视频识别方法、装置、计算机设备和存储介质
CN117472640B (zh) 跨平台事件处理方法和系统
CN116450632B (zh) 地理样本数据质量评估方法、设备及存储介质
CN114615172A (zh) 流量检测方法及系统、存储介质及电子设备
CN116452835A (zh) 一种图像处理方法、装置及设备

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