CN111985295A - 一种电动自行车行为识别方法、系统、工控机及摄像头 - Google Patents
一种电动自行车行为识别方法、系统、工控机及摄像头 Download PDFInfo
- Publication number
- CN111985295A CN111985295A CN202010504097.5A CN202010504097A CN111985295A CN 111985295 A CN111985295 A CN 111985295A CN 202010504097 A CN202010504097 A CN 202010504097A CN 111985295 A CN111985295 A CN 111985295A
- Authority
- CN
- China
- Prior art keywords
- electric bicycle
- image
- behavior
- cargo
- frame
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30196—Human being; Person
-
- 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
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- 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
- G06T2207/30241—Trajectory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明公开了一种电动自行车行为识别方法、系统、工控机及摄像头,该方法包括以下步骤:S1:对采集到的图像进行电动自行车检测,获得电动自行车图像,其中电动自行车图像为包含单个电动自行车的图像;S2:根据电动自行车图像进行违规和/或超载行为识别;S3:若发生违规或超载行为,则根据电动自行车图像进行身份识别。通过实施本发明,可以提高自动车违规行为的处理效率,有助于维护交通秩序和保障交通安全,带来较好的经济效益。
Description
技术领域
本发明涉及安全交通领域,尤其涉及一种电动自行车行为识别方法、系统、工控机及摄像头。
背景技术
随着我国城市化进程的加快和居民生活水平的提高,绿色环保出行理念的深入人心,电动自行车成为广大市民短程出行的重要工具,电动自行车的数量也出现高度增长。截止2019年,据初步统计,目前电动自行车的社会保有量已经超过了2.5亿辆。目前电动自行车在道路行驶不需像机动车那样要经严格的驾考等手续,极易引发交通安全问题。据统计,城区交通事故中自动车发案率呈逐年上升态势,且至死率较高,已成为社会各界非常关注的热点问题。目前全国各地纷纷推进电动自行车的上牌工作,加强电动自行车的管控工作,从而急需通过现有的卡口摄像头或者新增摄像头来对电动自行车的违法行为进行检测和识别,而电动自行车的超载行为是目前电动自行车违规行为中较为严重的一种,很容易造成交通伤亡事故。
发明内容
本发明要解决的技术问题在于,针对现有技术的缺陷,提供一种电动自行车行为识别方法、系统、工控机及摄像头。
第一方面,提供一种电动自行车行为识别方法,包括以下步骤:
S1:对采集到的图像进行电动自行车检测,获得电动自行车图像,其中所述电动自行车图像为包含单个电动自行车的图像;
S2:根据所述电动自行车图像进行违规和/或超载行为识别;
S3:若发生所述违规或超载行为,则根据所述电动自行车图像进行身份识别。
优选地,在本发明所述的电动自行车行为识别方法中,所述步骤S1包括:
S1-1:根据预设不同尺度对采集到的图像进行电动自行车特征提取,获得多个不同尺度的特征图;
S1-2:对所述多个不同尺度的特征图进行特征融合,获得目标特征图;
S1-3:根据所述目标特征图进行位置预测,从而获得所述电动自行车图像。
优选地,在本发明所述的电动自行车行为识别方法中,所述步骤S2包括:
S2-1:对所述电动自行车图像进行人头检测和/或头盔检测,获得人头矩形框和/或头盔矩形框;
S2-2:对所述人头矩形框和/或头盔矩形框进行分析判断,识别是否存在人员超载行为和/或未佩戴头盔行为。
优选地,在本发明所述的电动自行车行为识别方法中,所述步骤S2-2中的人员超载行为判断包括:
计算所述人头矩形框和/或所述头盔矩形框的数量,若数量大于等于预设数量,则判断该电动自行车存在人员超载行为。
优选地,在本发明所述的电动自行车行为识别方法中,所述步骤S2-2中的人员未佩戴头盔行为判断包括:
若存在所述人头矩形框,则判断该电动自行车存在未佩戴头盔违规行为。
优选地,在本发明所述的电动自行车行为识别方法中,所述步骤S2还包括:
S2-3:对所述电动自行车图像进行货物检测,获得货物矩形框;
S2-4:对所述货物矩形框进行分析判断,识别是否存在货物超载行为。
优选地,在本发明所述的电动自行车行为识别方法中,所述步骤S2-4中的货物超载行为判断包括:
检测所述货物矩形框,获得所述货物矩形框的像素高度、像素宽度;
检测所述电动自行车图像,获得所述电动自行车图像的像素高度、像素宽度;
根据摄像头实际安装位置,预先配置存在货物超载行为时所述货物矩形框在所述电动自行车图像中所占的像素高度阈值比例以及像素宽度阈值比例;
若所述货物矩形框在所述电动自行车图像中所占的像素高度比例大于像素高度阈值比例或者像素宽度比例大于像素宽度阈值比例,则判断该电动自行车存在货物超载行为。
优选地,在本发明所述的电动自行车行为识别方法中,所述步骤S3包括:
若发生所述违规或超载行为,对所述人头矩形框进行人脸检测,获得人脸图像并上传至人脸识别平台进行人脸比对和识别,完成身份识别。
优选地,在本发明所述的电动自行车行为识别方法中,
所述步骤S2-1还包括:对所述电动自行车图像进行车牌检测,获得车牌矩形框;
相应的,所述步骤S3还包括:对所述车牌矩形框进行车牌识别,获得车牌数据并上传至电动车登记管理系统进行查询,获得拥有该电动车自行车的人员的相关信息,完成身份识别。
优选地,在本发明所述的电动自行车行为识别方法中,所述方法还包括:
若无法获得所述人脸图像,则追踪所述电动自行车图像中的电动自行车的行驶轨迹,以获得所述电动车的多帧轨迹图像;
根据所述多帧轨迹图像,获得所述人脸图像。
优选地,在本发明所述的电动自行车行为识别方法中,所述方法还包括:
若无法获得所述车牌图像,则追踪所述电动自行车图像中的电动自行车的行驶轨迹,以获得所述电动车的多帧轨迹图像;
根据所述多帧轨迹图像,获得所述车牌图像。
第二方面,本发明还提供了一种工控机,包括处理器和存储有计算机程序的存储器,所述处理器在执行所述存储器中存储的计算机程序时实现第一方面任一项所述的电动自行车行为识别方法。
第三方面,本发明还提供了一种摄像头,包括处理器和存储有计算机程序的存储器,所述处理器在执行所述存储器中存储的计算机程序时实现第二方面任一项所述的电动自行车行为识别方法。
本发明还提供了一种电动自行车行为识别系统,包括第三方面提供的摄像头以及与之通信的人脸识别平台,或者,包括第二方面提供的工控机、摄像头、以及与该工控机通信的人脸识别平台。
在目前电动自行车的社会保有量已经超过了2.5亿辆的情形下,通过实施本发明,对采集到的图像进行电动自行车检测,获得电动自行车图像并进行违规和/或超载行为识别,若发生违规或超载行为,则根据电动自行车图像进行身份识别,可以提高自动车违规行为的处理效率,有助于维护交通秩序和保障交通安全,带来较好的经济效益。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明电动自行车行为识别方法流程图;
图2是本发明电动自行车行为识别方法中步骤S1的流程示意图;
图3是本发明工控机的装置示意图;
图4是本发明工控机与摄像头一起安装在道路侧的场景示意图;
图5是本发明摄像头的装置示意图;
图6是本发明电动自行车行为识别系统的装置示意图一;
图7是本发明电动自行车行为识别系统的装置示意图二。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明对通过摄像头获取的图像进行电动车自行车检测,获取包含单个电动车自行车的子图像,然后对该子图像进行车牌检测、人头检测和/或头盔检测、货物检测,然后通过人头检测和/或头盔检测来获取搭载人员数量进而判断是否超员;通过人头检测来判断该电动自行车存在未佩戴头盔违规行为;通过货物检测来判断载货是否超载;此外通过人头检测得到的子图像可以进行人脸检测,通过车牌检测进而进行车牌识别,通过人脸识别后台系统和电动车管理系统,实现电动车违法人员的身份识别。
在第一实施例中,如图1所示,本发明构造了一种电动自行车行为识别方法,可应用于具有神经计算单元的工控机,该工控机可以与摄像头一起安装在道路侧,还可应用于服务器、安装在道路支架上的具有计算处理能力的摄像头等,该方法包括以下步骤:
步骤S1:对采集到的图像进行电动自行车检测,获得电动自行车图像,其中电动自行车图像为包含单个电动自行车的图像。其中,在一些实施例中,可采用基于SSD的目标识别深度学习模型,其基础网络一般采用卷积神经网络、残差网络、depth separate等神经网络,也可以基于选用基于常用网络层进行组合,实现电动自行车的检测和定位。
具体地,在一些实施例中,步骤S1包括:
步骤S1-1:根据预设不同尺度对采集到的图像进行电动自行车特征提取,获得多个不同尺度的特征图;其中,该预设不同尺度是根据实际应用场景(输入图片的分辨率和检测目标的最小像素要求)预先配置的不同尺度,对采集到的图像进行电动自行车特征提取,获得多个不同尺度的特征图;需要说明的,这里采用不同的多个尺度进行特征提取,相比于采用同一尺度的特征提取,能从图像中提取到的特征更加全面更加准确。举例来说,采集到的图像中可能包括至少两辆电动自行车时,由于无法确保电动车图像在采集到的图像中呈现的比例大小,会出现远小近大的电动自行车情形,因此可以根据实际应用场景选取不同尺度(对应网络中的不同网络层)对图像中的电动自行车进行特征提取,若远处的电动自行车采用了大尺度的提取框进行提取,则会出现电动自行车在大尺度的提取框内像素过小的情况,可能导致提取的电动自行车特征不准确,甚至遗漏的情况,因此需要通过不断的尝试,得到适合提取远处电动自行车的较小尺度;同样的,若近处的电动自行车采用了小尺度的进行提取,则会出现小尺度的提取框无法涵盖该电动自行车的所有特征,可能只提取到该电动自行车的局部特征,则需要采用更大尺度的提取框对远处的电动自行车进行特征提取,从而可以获取到得多个不同尺度的电动自行车特征图。
步骤S1-2:对多个不同尺度的特征图进行特征融合,获得目标特征图;其中,在本实施例中,最终得到的多个不同尺度的特征图,通过进行特征图的融合,形成覆盖范围更广表示特征更紧凑的特征图。
步骤S1-3:根据目标特征图进行位置预测,从而获得电动自行车图像。其中,目标特征图作为位置预测的标准,在采集到的图像中进行位置的定位预测,从而在采集到的图像中获得电动自行车图像。
在一些实施例中,如图2所示,输入采集到的图像后,在基础网络的基础上进行多尺度特征提取,该多尺度特征提取主要采用卷积神经网络,而特征融合是将两个不同尺度的特征进行融合,可以采用串联的方式,也可以其他方式如相同维数的两个特征相加,其中串联举例:如特征feature_one=[f11,f12,……,f1n],feature_two=[f21,f22,……,f2n],串联融合后的特征为[f11,f12,……,f1n,f21,f22,……,f2n],从而获得目标特征图。待选框为标准参考框,是原先根据参数配置生成的。而目标特征图可以作为实际框,位置预测为实际框与待选框的偏移预测,某一尺度下最终输出的框(电动自行车图像)为待选框+偏移预测得到,所有尺度输出的预测框最后通过非极大抑制NMS来过滤同类别的各种框,最终得到目标的类别和位置。
步骤S2:根据电动自行车图像进行违规和/或超载行为识别。
具体地,在一些实施例中,步骤S2包括:
步骤S2-1:对步骤S1中获得的电动自行车图像进行人头检测和/或头盔检测,获得人头矩形框和/或头盔矩形框。其中,在一些实施例中,可输入电动自行车图像,应用基于SSD的目标识别深度学习模型(SSD神经网络模型)进行检测,得到图像上的人头矩形框、头盔矩形框、货物矩形框、车牌矩形框。该SSD神经网络模型是预先通过带标记的电动自行车图像不断学习得到的,其中带标记的电动自行车图像包括人头标记、头盔标记、货物标记和车牌标记等,训练后的SSD神经网络模型对检测人头、头盔、货物、车牌都有固定的检测属性,可通过对应的检测属性识别人头、头盔、货物、车牌。并且,人头检测为驾驶员或乘坐员未佩戴头盔的情形。
步骤S2-2:对人头矩形框和/或头盔矩形框进行分析判断,识别是否存在人员超载行为和/或未佩戴头盔行为。
具体地,步骤S2-2中的人员超载行为判断包括:
计算人头矩形框和/或头盔矩形框的数量,若数量大于等于预设数量,则判断该电动自行车存在人员超载行为。在本实施例中,步骤S2-1还可对电动自行车图像进行类别识别,例如识别到该电动车自行车为单人的或双人的,而该预设数量与识别到的电动自行车类别进行对应,如果该电动车自行车为单人的,则预设数量设置为2,若人头矩形框和/或头盔矩形框的数量大于等于2,则判断该电动自行车存在人员超载行为。
具体地,步骤S2-2中的人员未佩戴头盔行为判断包括:若存在人头矩形框,则判断该电动自行车存在未佩戴头盔违规行为。
在另外一些实施例中,步骤S2还包括:
步骤S2-3:对电动自行车图像进行货物检测,获得货物矩形框;
步骤S2-4:对货物矩形框进行分析判断,识别是否存在货物超载行为。
具体地,在本实施例中,货物超载的判断,可根据交通规定的承载货物宽度和高度阈值进行判断,步骤S2-4中的货物超载行为判断包括:
检测货物矩形框,获得货物矩形框的像素高度cargo_length、像素宽度cargo_width;
检测电动自行车图像,获得图像的像素高度total_height、像素宽度为total_widith;
根据摄像头实际安装位置,预先配置存在货物超载行为时货物矩形框在电动自行车图像中所占的像素高度阈值比例overload_height_ratio以及像素宽度阈值比例overload_width_ratio;
若货物矩形框在电动自行车图像中所占的像素高度比例大于overload_height_ratio或者像素宽度比例大于overload_width_ratio,则判断该电动自行车存在货物超载行为。
步骤S3:若发生违规或超载行为,则根据电动自行车图像进行身份识别。
具体地,步骤S3包括:
若发生违规或超载行为,对人头矩形框进行人脸检测,获得人脸图像并上传至人脸识别平台进行人脸比对和识别,完成身份识别。
在一些实施例中,步骤S2-1还包括:对电动自行车图像进行车牌检测,获得车牌矩形框。相应的,步骤S3还包括:对车牌矩形框进行车牌识别,获得车牌数据并上传至电动车登记管理系统进行查询,获得拥有该电动车自行车的人员的相关信息,完成身份识别。
另外,在一些实施例中,该方法还包括:
若步骤S3中无法获得人脸图像,则追踪电动自行车图像中的电动自行车的行驶轨迹,以获得电动车的多帧轨迹图像,根据多帧轨迹图像,获得人脸图像。
若步骤S2-1中无法获得车牌图像,则追踪电动自行车图像中的电动自行车的行驶轨迹,以获得电动车的多帧轨迹图像,根据多帧轨迹图像,获得车牌图像。在另外一些实施例中,可采用射频识别技术,路边的路侧单元可以检测到该电动自行车的车标,然后就能识别到车牌。
在第二实施例中,如图3所示,本发明还构造了一种工控机,包括处理器和存储有计算机程序的存储器,该处理器在执行存储器中存储的计算机程序时实现上述任一实施例所述的电动自行车行为识别方法,在此不再赘述。在一些实施例中,该工控机可以是AI控制器,如图4所示,该工控机可以与摄像头一起安装在道路侧,特别安装于对交通安全性要求较高的十字路口。
在第三实施例中,如图5所示,本发明还构造了一种摄像头,包括处理器和存储有计算机程序的存储器,该处理器在执行存储器中存储的计算机程序时实现上述任一实施例所述的电动自行车行为识别方法,在此不再赘述。具体地,该摄像头可以是卡口摄像机。
在第四实施例中,如图6所示,本发明还构造了一种电动自行车行为识别系统,包括第三实施例中所述的摄像头以及与之通信的人脸识别平台;或,如图7所示,包括用于采集图像的无计算能力的摄像头、与摄像头通信连接的第二实施例中所述的工控机以及与工控机通信的人脸识别平台。
在目前电动自行车的社会保有量已经超过了2.5亿辆的情形下,通过实施本发明,对采集到的图像进行电动自行车检测,获得电动自行车图像并进行违规和/或超载行为识别,若发生违规或超载行为,则根据电动自行车图像进行身份识别,可以提高自动车违规行为的处理效率,有助于维护交通秩序和保障交通安全,带来较好的经济效益。
本发明是通过具体实施例进行说明的,本领域技术人员应当明白,在不脱离本发明范围的情况下,还可以对本发明进行各种变换和等同替代。另外,针对特定情形或具体情况,可以对本发明做各种修改,而不脱离本发明的范围。因此,本发明不局限于所公开的具体实施例,而应当包括落入本发明权利要求范围内的全部实施方式。
Claims (14)
1.一种电动自行车行为识别方法,其特征在于,包括以下步骤:
S1:对采集到的图像进行电动自行车检测,获得电动自行车图像,其中所述电动自行车图像为包含单个电动自行车的图像;
S2:根据所述电动自行车图像进行违规和/或超载行为识别;
S3:若发生所述违规或超载行为,则根据所述电动自行车图像进行身份识别。
2.根据权利要求1所述的电动自行车行为识别方法,其特征在于,所述步骤S1包括:
S1-1:根据预设不同尺度对采集到的图像进行电动自行车特征提取,获得多个不同尺度的特征图;
S1-2:对所述多个不同尺度的特征图进行特征融合,获得目标特征图;
S1-3:根据所述目标特征图进行位置预测,从而获得所述电动自行车图像。
3.根据权利要求1所述的电动自行车行为识别方法,其特征在于,所述步骤S2包括:
S2-1:对所述电动自行车图像进行人头检测和/或头盔检测,获得人头矩形框和/或头盔矩形框;
S2-2:对所述人头矩形框和/或头盔矩形框进行分析判断,识别是否存在人员超载行为和/或未佩戴头盔行为。
4.根据权利要求3所述的电动自行车行为识别方法,其特征在于,所述步骤S2-2中的人员超载行为判断包括:
计算所述人头矩形框和/或所述头盔矩形框的数量,若数量大于等于预设数量,则判断该电动自行车存在人员超载行为。
5.根据权利要求3所述的电动自行车行为识别方法,其特征在于,所述步骤S2-2中的人员未佩戴头盔行为判断包括:
若存在所述人头矩形框,则判断该电动自行车存在未佩戴头盔违规行为。
6.根据权利要求3所述的电动自行车行为识别方法,其特征在于,所述步骤S2还包括:
S2-3:对所述电动自行车图像进行货物检测,获得货物矩形框;
S2-4:对所述货物矩形框进行分析判断,识别是否存在货物超载行为。
7.根据权利要求6所述的电动自行车行为识别方法,其特征在于,所述步骤S2-4中的货物超载行为判断包括:
检测所述货物矩形框,获得所述货物矩形框的像素高度、像素宽度;
检测所述电动自行车图像,获得所述电动自行车图像的像素高度、像素宽度;
根据摄像头实际安装位置,预先配置存在货物超载行为时所述货物矩形框在所述电动自行车图像中所占的像素高度阈值比例以及像素宽度阈值比例;
若所述货物矩形框在所述电动自行车图像中所占的像素高度比例大于像素高度阈值比例或者像素宽度比例大于像素宽度阈值比例,则判断该电动自行车存在货物超载行为。
8.根据权利要求3所述的电动自行车行为识别方法,其特征在于,所述步骤S3包括:
若发生所述违规或超载行为,对所述人头矩形框进行人脸检测,获得人脸图像并上传至人脸识别平台进行人脸比对和识别,完成身份识别。
9.根据权利要求3所述的电动自行车行为识别方法,其特征在于,
所述步骤S2-1还包括:对所述电动自行车图像进行车牌检测,获得车牌矩形框;
相应的,所述步骤S3还包括:对所述车牌矩形框进行车牌识别,获得车牌数据并上传至电动车登记管理系统进行查询,获得拥有该电动车自行车的人员的相关信息,完成身份识别。
10.根据权利要求8所述的电动自行车行为识别方法,其特征在于,所述方法还包括:
若无法获得所述人脸图像,则追踪所述电动自行车图像中的电动自行车的行驶轨迹,以获得所述电动车的多帧轨迹图像;
根据所述多帧轨迹图像,获得所述人脸图像。
11.根据权利要求9所述的电动自行车行为识别方法,其特征在于,所述方法还包括:
若无法获得所述车牌图像,则追踪所述电动自行车图像中的电动自行车的行驶轨迹,以获得所述电动车的多帧轨迹图像;
根据所述多帧轨迹图像,获得所述车牌图像。
12.一种工控机,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器在执行所述存储器中存储的计算机程序时实现权利要求1-11任一项所述的电动自行车行为识别方法。
13.一种摄像头,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器在执行所述存储器中存储的计算机程序时实现权利要求1-11任一项所述的电动自行车行为识别方法。
14.一种电动自行车行为识别系统,其特征在于,包括权利要求13所述的摄像头以及与之通信的人脸识别平台,或者,包括权利要求12所述的工控机、摄像头、以及与所述工控机通信的人脸识别平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010504097.5A CN111985295A (zh) | 2020-06-05 | 2020-06-05 | 一种电动自行车行为识别方法、系统、工控机及摄像头 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010504097.5A CN111985295A (zh) | 2020-06-05 | 2020-06-05 | 一种电动自行车行为识别方法、系统、工控机及摄像头 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111985295A true CN111985295A (zh) | 2020-11-24 |
Family
ID=73442113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010504097.5A Pending CN111985295A (zh) | 2020-06-05 | 2020-06-05 | 一种电动自行车行为识别方法、系统、工控机及摄像头 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985295A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597924A (zh) * | 2020-12-28 | 2021-04-02 | 深圳市金溢科技股份有限公司 | 电动自行车轨迹追踪方法、摄像机装置和服务器 |
CN112829864A (zh) * | 2021-02-04 | 2021-05-25 | 武汉小安科技有限公司 | 单车载人检测方法及系统 |
CN113628206A (zh) * | 2021-08-25 | 2021-11-09 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法、装置、介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101502245B1 (ko) * | 2013-12-30 | 2015-03-12 | 현대다이모스(주) | 상용차량의 과적 방지 장치 |
KR20150085579A (ko) * | 2014-01-16 | 2015-07-24 | (주) 알티솔루션 | 도로교통안전 서비스를 위한 화물차량 정보 취득 및 과적 단속 시스템 |
US20170351928A1 (en) * | 2016-06-01 | 2017-12-07 | Toyota Jidosha Kabushiki Kaisha | Behavior recognition apparatus, learning apparatus, and method |
CN110084162A (zh) * | 2019-04-18 | 2019-08-02 | 上海钧正网络科技有限公司 | 一种违章检测方法、装置及服务器 |
CN110146149A (zh) * | 2019-05-10 | 2019-08-20 | 王志伟 | 一种车辆超载检测系统 |
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 |
CN110555347A (zh) * | 2018-06-01 | 2019-12-10 | 杭州海康威视数字技术股份有限公司 | 具有危险载货行为的车辆目标识别方法、装置及电子设备 |
CN110796360A (zh) * | 2019-10-24 | 2020-02-14 | 吉林化工学院 | 一种固定型交通检测源多尺度数据融合方法 |
CN110866479A (zh) * | 2019-11-07 | 2020-03-06 | 北京文安智能技术股份有限公司 | 一种检测摩托车驾驶员未戴头盔的方法、装置及系统 |
CN110909641A (zh) * | 2019-11-13 | 2020-03-24 | 北京文安智能技术股份有限公司 | 一种检测摩托车超载的方法、装置及系统 |
-
2020
- 2020-06-05 CN CN202010504097.5A patent/CN111985295A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101502245B1 (ko) * | 2013-12-30 | 2015-03-12 | 현대다이모스(주) | 상용차량의 과적 방지 장치 |
KR20150085579A (ko) * | 2014-01-16 | 2015-07-24 | (주) 알티솔루션 | 도로교통안전 서비스를 위한 화물차량 정보 취득 및 과적 단속 시스템 |
US20170351928A1 (en) * | 2016-06-01 | 2017-12-07 | Toyota Jidosha Kabushiki Kaisha | Behavior recognition apparatus, learning apparatus, and method |
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 |
CN110555347A (zh) * | 2018-06-01 | 2019-12-10 | 杭州海康威视数字技术股份有限公司 | 具有危险载货行为的车辆目标识别方法、装置及电子设备 |
CN110084162A (zh) * | 2019-04-18 | 2019-08-02 | 上海钧正网络科技有限公司 | 一种违章检测方法、装置及服务器 |
CN110146149A (zh) * | 2019-05-10 | 2019-08-20 | 王志伟 | 一种车辆超载检测系统 |
CN110796360A (zh) * | 2019-10-24 | 2020-02-14 | 吉林化工学院 | 一种固定型交通检测源多尺度数据融合方法 |
CN110866479A (zh) * | 2019-11-07 | 2020-03-06 | 北京文安智能技术股份有限公司 | 一种检测摩托车驾驶员未戴头盔的方法、装置及系统 |
CN110909641A (zh) * | 2019-11-13 | 2020-03-24 | 北京文安智能技术股份有限公司 | 一种检测摩托车超载的方法、装置及系统 |
Non-Patent Citations (6)
Title |
---|
HAIPENG XIAO等: "An Improved LSTM Model for Behavior Recognition of Intelligent Vehicles", 《IEEE ACCESS》, vol. 8, pages 101514 - 101527, XP011792235, DOI: 10.1109/ACCESS.2020.2996203 * |
LIBO ZHOU等: "An overload behavior detection system for engineering transport vehicles based on deep learning", 《AIP CONFERENCE PROCEEDINGS》, vol. 1955, no. 1, pages 1 - 7 * |
XINXIN QIAO等: "Vehicle overload detection system based on magnetoresistance sensor", 《2018 INTERNATIONAL CONFERENCE ON ELECTRONICS TECHNOLOGY》, pages 102 - 105 * |
万娇娜等: "一种基于图像处理的超载货车智能监控系统", 《交通与运输》, no. 1, pages 193 - 196 * |
陈凌宇: "基于机器视觉的车辆外轮廓超限检测系统的研究与设计", 《中国优秀硕士学位论文全文数据库(信息科技辑)》, no. 4, pages 138 - 437 * |
高琳等: "融合多尺度上下文卷积特征的车辆目标检测", 《光电工程》, vol. 46, no. 4, pages 2 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597924A (zh) * | 2020-12-28 | 2021-04-02 | 深圳市金溢科技股份有限公司 | 电动自行车轨迹追踪方法、摄像机装置和服务器 |
CN112829864A (zh) * | 2021-02-04 | 2021-05-25 | 武汉小安科技有限公司 | 单车载人检测方法及系统 |
CN113628206A (zh) * | 2021-08-25 | 2021-11-09 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检测方法、装置、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105744232B (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN109460709B (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
CN111985295A (zh) | 一种电动自行车行为识别方法、系统、工控机及摄像头 | |
CN106647776B (zh) | 车辆变道趋势的判断方法、判断装置和计算机存储介质 | |
KR101748121B1 (ko) | 객체 인지 기반의 실시간 영상 검지 시스템 및 그 방법 | |
CN106652465A (zh) | 一种道路异常驾驶行为的识别方法及系统 | |
KR102122859B1 (ko) | 교통 영상감시시스템의 멀티 표적 추적 방법 | |
CN110838230B (zh) | 一种移动视频监控方法、监控中心及系统 | |
EP2813973B1 (en) | Method and system for processing video image | |
CN107590486B (zh) | 运动目标识别方法和系统、自行车流量统计方法和设备 | |
US9691196B2 (en) | Data reproducing apparatus | |
CN112464755A (zh) | 一种监控方法及装置、电子设备、存储介质 | |
CN113658427A (zh) | 基于视觉与雷达的路况监控方法及系统、设备 | |
KR101394270B1 (ko) | 영상 감지 시스템 및 방법 | |
CN114494998A (zh) | 一种车辆数据智能分析方法及系统 | |
CN106548627A (zh) | 一种基于车联网的rfid传感道路监控系统 | |
CN113076852A (zh) | 一种基于5g通信的占用公交车道车载抓拍处理系统 | |
CN107622667B (zh) | 一种变造车牌号码检测方法及系统 | |
CN103714552B (zh) | 运动阴影消除方法及装置和智能视频分析系统 | |
KR102434154B1 (ko) | 영상감시시스템에서의 고속 이동물체의 위치 및 모션 캡쳐 방법 | |
CN111627224A (zh) | 车辆速度异常检测方法、装置、设备及存储介质 | |
CN114170498A (zh) | 遗洒物检测方法、装置、计算机设备和存储介质 | |
CN112633163A (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN117372967B (zh) | 基于物联网智慧路灯的远程监控方法、装置、设备及介质 | |
CN116884214B (zh) | 市政车辆的监测预警方法及系统 |
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 |