CN112016520A - 基于ai的交通违法凭证生成方法、装置、终端及存储介质 - Google Patents
基于ai的交通违法凭证生成方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN112016520A CN112016520A CN202010967713.0A CN202010967713A CN112016520A CN 112016520 A CN112016520 A CN 112016520A CN 202010967713 A CN202010967713 A CN 202010967713A CN 112016520 A CN112016520 A CN 112016520A
- Authority
- CN
- China
- Prior art keywords
- violation
- traffic violation
- traffic
- illegal
- video
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims description 19
- 238000005538 encapsulation Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 65
- 230000006870 function Effects 0.000 description 12
- 238000012552 review Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 208000003464 asthenopia Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 241001622623 Coeliadinae Species 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0226—Incentive systems for frequent usage, e.g. frequent flyer miles programs or point systems
-
- G06Q50/40—
-
- 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
- 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
-
- 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
- G06V2201/07—Target detection
Abstract
本发明涉及人工智能技术领域，提供一种基于AI的交通违法凭证生成方法、装置、终端及存储介质，包括：所述交通违法数据中解析出交通违法信息，所述交通违法信息包括违法视频、违法位置及违法时间；调用交通违法类型识别模型识别出违法视频的交通违法类型，并确定与交通违法类型对应的违法代码编号；当判断违法位置及违法时间有效时，从违法视频中截取出多张标准交通违法图片；采用字符叠加器将交通违法信息及违法代码编号叠加在多张标准交通违法图片中得到多张交通违法凭证图片。本发明能够通过AI技术生成准确且完整的交通违法证据链，为交通违法提供了审核依据。此外，本发明还涉及区块链技术领域，所述多张交通违法凭证图片存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于AI的交通违法凭证生成方法、装置、终端及存储介质。
背景技术
近年来随着人工智能的兴起，更是助力智慧交通违法审核朝着智慧化、智能化方向发展，目前已推出了带AI功能的交通违法审核系统，来辅助交警做违法审核，节省人力成本投入。
然而目前整个市场上所推出来的交通违法审核系统均适用于静态的电警卡口场景，还没有针对动态的交通违法辅助审核系统；且由于交通违法取证的依据是视频，视频在存储和传输的过程中容易被篡改，因而安全性低，导致无法有效的提供交通违法审核依据。
发明内容
鉴于以上内容，有必要提出一种基于AI的交通违法凭证生成方法、装置、终端及存储介质，能够通过AI技术生成准确且完整的交通违法证据链，为交通违法提供了审核依据。
本发明的第一方面提供一种基于AI的交通违法凭证生成方法，所述方法包括：
从数据库中读取交通违法数据及所述交通违法数据的数据来源；
获取与所述交通违法数据的数据来源对应的封装协议并使用所述封装协议从所述交通违法数据中解析出交通违法信息，其中，所述交通违法信息包括违法视频、违法位置及违法时间；
调用交通违法类型识别模型识别出所述违法视频的交通违法类型，并确定与所述交通违法类型对应的违法代码编号；
判断所述违法位置是否有效及判断所述违法时间是否有效；
响应于判断的所述违法位置有效且所述违法时间有效，从所述违法视频中截取出多张标准交通违法图片；
采用字符叠加器将所述交通违法信息及所述违法代码编号叠加在所述多张标准交通违法图片中得到多张交通违法凭证图片。
根据本发明的一个可选的实施例，所述从所述违法视频中截取出多张标准交通违法图片包括：
接收用户在所述违法视频对应的时间轴上标记的多个时间分割线；
根据所述多个时间分割线将所述违法视频分割成多个违法视频子片段；
对每一个违法视频子片段进行分帧处理得到多个帧图像；
调用目标检测算法检测每一个违法视频子片段对应的每一个帧图像中的目标对象并计算所述目标对象对应的区域的面积；
确定所述面积最大的区域对应的帧图像为对应违法视频子片段的标准交通违法图片。
根据本发明的一个可选的实施例，判断所述违法位置是否有效包括：
获取电子地图并根据所述违法位置在所述电子地图上进行锚点；
在所述电子地图上显示以所述锚点为中心以预设长度为半径的辐射区域；
接收用户输入的信息，并根据所述输入的信息确认所述违法位置是否有效。
根据本发明的一个可选的实施例，判断所述违法时间是否有效包括：
获取与所述交通违法类型对应的多个预设时间段；
将所述违法时间与所述多个预设时间段进行比对；
根据比对结果确认所述违法时间是否有效。
根据本发明的一个可选的实施例，所述交通违法类型识别模型的训练过程包括：
获取多个违章车辆在交通违法时刻的前后一段时间内的第一行驶视频，及获取多个未违章车辆正常行驶一段时间内的第二行驶视频；
为每一个所述第一行驶视频标记交通违法类型及为每一个所述第二行驶视频标记正常类型；
将所述第一行驶视频及对应的交通违法类型作为正样本数据集，将所述第二行驶视频及正常类型作为负样本数据集；
基于所述正样本数据集和所述负样本数据集训练深度神经网络得到交通违法类型识别模型。
根据本发明的一个可选的实施例，所述方法还包括：
利用信息摘要算法对每张交通违法凭证图片进行防伪处理，生成防伪码；
嵌入所述防伪码至对应的交通违法凭证图片中。
根据本发明的一个可选的实施例，所述方法还包括：
构建交通区块链及在所述交通区块链中部署交通违法举报奖惩智能合约；
将所述多张交通违法凭证图片上传至所述交通区块链中进行共识；
在共识完成后，调用所述交通违法举报奖惩智能合约根据所述违法代码编号确定所述交通违法数据的举报者的激励积分，并将所述激励积分转入至所述举报者的账户中。
本发明的第二方面提供一种基于AI的交通违法凭证生成装置，所述装置包括：
数据读取模块，用于从数据库中读取交通违法数据及所述交通违法数据的数据来源；
数据解析模块，用于获取与所述交通违法数据的数据来源对应的封装协议并使用所述封装协议从所述交通违法数据中解析出交通违法信息，其中，所述交通违法信息包括违法视频、违法位置及违法时间；
模型调用模块，用于调用交通违法类型识别模型识别出所述违法视频的交通违法类型，并确定与所述交通违法类型对应的违法代码编号；
信息判断模块，用于判断所述违法位置是否有效及判断所述违法时间是否有效；
图片截取模块，用于响应于判断的所述违法位置有效且所述违法时间有效，从所述违法视频中截取出多张标准交通违法图片；
凭证生成模块，用于采用字符叠加器将所述交通违法信息及所述违法代码编号叠加在所述多张标准交通违法图片中得到多张交通违法凭证图片。
本发明的第三方面提供一种终端，所述终端包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述的基于AI的交通违法凭证生成方法。
本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质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所述的基于AI的交通违法凭证生成方法。
综上所述，本发明所述的基于AI的交通违法凭证生成方法、装置、终端及存储介质，能够自动的从交通违法数据中解析出违法视频、违法位置及违法时间，并调用交通违法类型识别模型识别出所述违法视频的交通违法类型，从而确定与所述交通违法类型对应的违法代码编号，在确定所述违法位置有效且所述违法时间有效时，从所述违法视频中截取出多张标准交通违法图片，并采用字符叠加器将所述交通违法信息及所述违法代码编号叠加在多张标准交通违法图片中，从而得到了多张交通违法凭证图片。本发明可应用于智慧交通领域，通过机审代替人审，形成了准确且完整的交通违法证据链，为交通违法处罚提供了准确的执法依据，有效提高了违法审核的效率，以及解决了人员视觉疲劳诱发的错判、漏判问题。同时，严格按照国标准则执行，有效排除了审核中的人为主观因素干扰，结果更加客观，从而助力于智慧交通违法审核朝着智慧化、智能化方向发展，促进智慧城市的建设。
附图说明
图1是本发明实施例一提供的基于AI的交通违法凭证生成方法的流程图。
图2是本发明从违法视频中截取出多张标准交通违法图片的示意图。
图3是本发明实施例二提供的基于AI的交通违法凭证生成装置的结构图。
图4是本发明实施例三提供的终端的结构示意图。
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例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
基于AI的交通违法凭证生成方法应用于终端中，相应地，基于AI的交通违法凭证生成装置运行于终端中。
图1是本发明实施例一提供的基于AI的交通违法凭证生成方法的流程图。
所述基于AI的交通违法凭证生成方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
S11，从数据库中读取交通违法数据及所述交通违法数据的数据来源。
交警人员可以采用电警卡口设备采集交通违法车辆的违法视频并将所述违法视频、违法时间及违法位置等封装后形成交通违法数据发送给云服务器。车辆驾驶员或者车辆同乘人员可以采用智能手机、智能平板、智能手环等智能电子设备拍摄交通违法车辆的违法视频并将所述违法视频、违法时间及违法位置等封装后形成交通违法数据发送给云服务器。
所述云服务器接收到所述违法数据后存储于第一数据库中，作为交通违法车辆的违法证据的数据来源，促使人人遵守交通法规，维护交通秩序，从而促进智慧交通的发展。所述云服务器可以为交警转用服务器，所述第一数据库可以为交警专网数据库。
所述第一数据库中存储有多个交通违法数据及每个交通违法数据对应的数据来源，终端可以事先通过所述第一数据库的读取接口逐行读取交通违法数据及对应的数据来源。所述交通违法数据的数据来源可以为电警卡口设备，或者各类智能电子设备等。
S12，获取与所述交通违法数据的数据来源对应的封装协议并使用所述封装协议从所述交通违法数据中解析出交通违法信息，其中，所述交通违法信息包括违法视频、违法位置及违法时间。
由于交通违法数据的数据来源不同，封装交通违法数据的封装协议也必然有所差异，导致所述第一数据库中的交通违法数据的数据格式等有所差异，因此，所述终端在读取到交通违法数据后，需要确定所述交通违法数据的数据来源，并根据所述数据来源对应的封装协议解析所述交通违法数据，得到交通违法信息。
在一些实施例中，所述交通违法信息可以包括，但不限于：违法视频、违法位置及违法时间等。其中，所述违法视频为预设时长，例如15秒内的视频，所述违法位置为采集所述违法视频时的地理位置，所述违法时间为采集所述违法视频时的标准时间。
S13，调用交通违法类型识别模型识别出所述违法视频的交通违法类型，并确定与所述交通违法类型对应的违法代码编号。
所述终端预先训练交通违法类型识别模型，并在线使用所述交通违法类型识别模型识别所述违法视频，从而输出交通违法车辆的交通违法类型。
终端中预先存储有映射表，所述映射表中记录有交通违法类型与违法代码编号之间的对应关系，确定了交通违法类型之后，即可根据所述映射表匹配出对应的违法代码编号，便于交警执法人员根据所述违法代码编号对交通违法车辆进行相应的处罚。
在一个可选的实施例中，所述方法还包括：训练所述交通违法类型识别模型。
具体实施时，所述交通违法类型识别模型的训练过程包括：
获取多个违章车辆在交通违法时刻的前后一段时间内的第一行驶视频，及获取多个未违章车辆正常行驶一段时间内的第二行驶视频；
为每一个所述第一行驶视频标记交通违法类型及为每一个所述第二行驶视频标记正常类型；
将所述第一行驶视频及对应的交通违法类型作为正样本数据集，将所述第二行驶视频及正常类型作为负样本数据集；
基于所述正样本数据集和所述负样本数据集训练深度神经网络得到交通违法类型识别模型。
该可选的实施例中，交通车辆管理系统数据库中记录了多个违章车辆的违法视频，在训练交通违法类型识别模型之前，可以通过标注工具在每一个违法视频上标记对应的交通违法类型。所述交通违法类型可以为违法变道、占用公交车道、压线、逆行等。
终端设备可以从所述正样本数据集中选取第一比例的正样本数据集和从所述负样本数据集中选取第二比例的负样本数据集，并将选取的第一比例的正样本数据集和第二比例的负样本数据集作为训练样本数据集，将所述正样本数据集中剩余的正样本数据集和所述负样本数据集中剩余的负样本数据集作为测试样本数据集。基于所述训练样本数据集训练深度神经网络得到交通违法类型识别模型，基于所述测试样本数据集测试交通违法类型识别模型的准确率。当准确率达到预设准确率阈值时，表明训练得到的交通违法类型识别模型的识别性能较佳。
S14，判断所述违法位置是否有效及判断所述违法时间是否有效。
虽然通过交通违法类型识别模型初步识别出违法视频中的车辆违法了，但为了进一步的确认违法视频中的车辆是否真的违法，需要确认违法位置及违法时间，结合违法位置和违法时间来进行辅助确定。
在一个可选的实施例中，所述确认所述违法位置是否有效包括：
获取电子地图并根据所述违法位置在所述电子地图上进行锚点；
在所述电子地图上显示以所述锚点为中心以预设长度为半径的辐射区域；
接收用户输入的信息，并根据所述输入的信息确认所述违法位置是否有效。
该可选的实施例中，在所述终端显示辐射区域的同时显示正确虚拟图标及错误虚拟图标，当用户触摸或者点击所述正确虚拟图标时，所述终端确定接收到用户输入的正确信息，则确认所述违法位置有效；当用户触摸或者点击所述错误虚拟图标时，所述终端确定接收到用户输入的错误信息，则确认所述违法位置无效。
通过在电子地图上进行锚点，方便用户查看实际的地理位置，并根据用户输入的信息来确认所述违法信息是否有效，审核结果更为准确。
在一个可选的实施例中，所述确认所述违法时间是否有效包括：
获取与所述交通违法类型对应的多个预设时间段；
将所述违法时间与所述多个预设时间段进行比对；
根据比对结果确认所述违法时间是否有效。
在一些实际场景中，在特定的时间段内，即使违法车辆确实违法了，但可以不用处罚，例如，上下班高峰期间，不允许占用公交车道。但是中午午休期间，占用公交车道则不用处罚。
所述终端预先记录交通违法类型对应的多个预设时间段，这多个预设时间段用以表明交通违法车辆即使违法了，也可以不用进行处罚。将所述违法时间与所述多个预设时间段进行比对，当违法时间在任意一个预设时间段内，则表明所述违法时间与所述多个预设时间段比对成功，确认所述违法时间无效，当违法时间不在任意一个预设时间段内，则表明所述违法时间与所述多个预设时间段比对失败，确认所述违法时间有效。
S15，响应于判断的所述违法位置有效且所述违法时间有效，从所述违法视频中截取出多张标准交通违法图片。
为了进一步提供违法依据，节省违法审核时间，提高违法审核效率，在通过交通违法类型识别模型的识别及违法位置和违法时间的共同确认之后，还需要形成能够供交警做执法处罚的相关图片信息，所截取的图片需要符合道路交通安全违法行为图像取证技术规范(GAT832-2014)。即，所截取的图片中要求包含清晰辨认的违法车辆的全景特征，违法位置，违法时间，违法行为等信息。将按照道路交通安全违法行为图像取证技术规范截取的图片称之为标准交通违法图片。
在一个可选的实施例中，所述从所述违法视频中截取出多张标准交通违法图片包括：
接收用户在所述违法视频对应的时间轴上标记的多个时间分割线；
根据所述多个时间分割线将所述违法视频分割成多个违法视频子片段；
对每一个违法视频子片段进行分帧处理得到多个帧图像；
调用目标检测算法检测每一个违法视频子片段对应的每一个帧图像中的目标对象并计算所述目标对象对应的区域的面积；
确定所述面积最大的区域对应的帧图像为对应违法视频子片段的标准交通违法图片。
该可选的实施例中，可以由人工在违法视频对应的时间轴上标记时间分割线，终端侦测到所述时间轴上接收到标记时间分割线的信号时，根据所述时间分割线对所述违法视频进行分割。通常而言，按照违法前、违法中、违法后三个阶段来标记时间分割线。
参阅图2所示，第一行第一列的图片为从违法前对应的违法视频子片段中截取出的一张标准交通违法图片，第一行第二列的图片为从违法中对应的违法视频子片段中截取出的一张标准交通违法图片，第二行第一列的图片为从违法后对应的违法视频子片段中截取出的一张标准交通违法图片，第二行第二列的图片为从违法前对应的违法视频子片段中截取出的特写照片。
目标对象对应的区域的面积越大，越能清楚的确定是否违法，更能够为违法执法处罚时提供强有力的证据。
需要说明的是，可以从违法后这一阶段对应的违法视频子片段中提取出一张特写图片，便于识别违法车辆的车牌号码，从而根据车牌号码从所述交通车辆管理系统数据库中获取所述交通违法车辆的主人的信息，例如，手机号码，邮件地址，家庭地址等，从而通知所述交通违法车辆的主人触犯了交通规则。
S16，采用字符叠加器将所述交通违法信息及所述违法代码编号叠加在所述多张标准交通违法图片中得到多张交通违法凭证图片。
所述字符叠加器能够将图片和文字信息叠加到视频信号中。所述字符叠加器按照功能分型可分为动态字符叠加器和静态字符叠加器。采用字符叠加器将所述交通违法信息及所述违法代码编号叠加在所述多张标准交通违法图片中的具体过程为现有技术，本发明在此不再详细阐述。
采用字符叠加器将所述交通违法信息及所述违法代码编号叠加在所述多张标准交通违法图片中得到多张交通违法凭证图片，能够形成完整的且正确的交通违法证据链。所述终端可以关联存储所述多张交通违法凭证图片并将所述多张交通违法凭证图片上传至六合一综合平台中，用于进行违法车辆的公示处罚。
在一个可选的实施例中，在所述得到多张交通违法凭证图片之后，所述方法还包括：
利用信息摘要算法对每张交通违法凭证图片进行防伪处理，生成防伪码；
嵌入所述防伪码至对应的交通违法凭证图片中。
该可选的实施例中，由于交通违法凭证图片在传输的过程中可能会被非法篡改，导致交通违法凭证图片不安全，造成交通违法凭证图片上显示的信息与通过交通违法类型识别模型识别出的结果相反，无法作为执行依据，因而通过信息摘要算法进行防伪处理，生成防伪码并嵌入在交通违法图片中，能够确保交通违法凭证图片的真实性和安全性。
在一个可选的实施例中，所述方法还包括：
构建交通区块链及在所述交通区块链中部署交通违法举报奖惩智能合约；
将所述多张交通违法凭证图片上传至所述交通区块链中进行共识；
在共识完成后，调用所述交通违法举报奖惩智能合约根据所述违法代码编号确定所述交通违法数据的举报者的激励积分，并将所述激励积分转入至所述举报者的账户中。
该可选的实施例中，所述终端可以作为区块链节点，通过区块链技术的应用，能够对其存储的数据进行管理，真实、有效、不可篡改地保存交通违法证据链，方便相关各方轻松追踪交通违章情况以及细节；还可以基于交通违法举报奖惩智能合约进行激励，使市民们能够广泛且积极的参与到交通秩序管理中来，对交通违章行为进行实时有效地监督和举报。
综上所述，本实施例中所述的基于AI的交通违法凭证生成方法，能够自动的从交通违法数据中解析出违法视频、违法位置及违法时间，并调用交通违法类型识别模型识别出所述违法视频的交通违法类型，从而确定与所述交通违法类型对应的违法代码编号，在确定所述违法位置有效且所述违法时间有效时，从所述违法视频中截取出多张标准交通违法图片，并采用字符叠加器将所述交通违法信息及所述违法代码编号叠加在多张标准交通违法图片中，从而得到了多张交通违法凭证图片。本发明可应用于智慧交通领域，通过机审代替人审，形成了准确且完整的交通违法证据链，为交通违法处罚提供了准确的执法依据，有效提高了违法审核的效率，以及解决了人员视觉疲劳诱发的错判、漏判问题。同时，严格按照国标准则执行，有效排除了审核中的人为主观因素干扰，结果更加客观，从而助力于智慧交通违法审核朝着智慧化、智能化方向发展，促进智慧城市的建设。
图3是本发明实施例二提供的基于AI的交通违法凭证生成装置的结构图。
在一些实施例中，所述基于AI的交通违法凭证生成装置30可以包括多个由计算机程序段所组成的功能模块。所述基于AI的交通违法凭证生成装置30中的各个程序段的计算机程序可以存储于终端的存储器中，并由至少一个处理器所执行，以执行(详见图1描述)基于AI的交通违法凭证生成的功能。
本实施例中，所述基于AI的交通违法凭证生成装置30根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：数据读取模块301、数据解析模块302、模型调用模块303、模型训练模块304、信息判断模块305、图片截取模块306、凭证生成模块307、防伪处理模块308、合约部署模块309及合约调用模块310。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
所述数据读取模块301，用于从数据库中读取交通违法数据及所述交通违法数据的数据来源。
交警人员可以采用电警卡口设备采集交通违法车辆的违法视频并将所述违法视频、违法时间及违法位置等封装后形成交通违法数据发送给云服务器。车辆驾驶员或者车辆同乘人员可以采用智能手机、智能平板、智能手环等智能电子设备拍摄交通违法车辆的违法视频并将所述违法视频、违法时间及违法位置等封装后形成交通违法数据发送给云服务器。
所述云服务器接收到所述违法数据后存储于第一数据库中，作为交通违法车辆的违法证据的数据来源，促使人人遵守交通法规，维护交通秩序，从而促进智慧交通的发展。所述云服务器可以为交警转用服务器，所述第一数据库可以为交警专网数据库。
所述第一数据库中存储有多个交通违法数据及每个交通违法数据对应的数据来源，终端可以事先通过所述第一数据库的读取接口逐行读取交通违法数据及对应的数据来源。所述交通违法数据的数据来源可以为电警卡口设备，或者各类智能电子设备等。
所述数据解析模块302，用于获取与所述交通违法数据的数据来源对应的封装协议并使用所述封装协议从所述交通违法数据中解析出交通违法信息，其中，所述交通违法信息包括违法视频、违法位置及违法时间。
由于交通违法数据的数据来源不同，封装交通违法数据的封装协议也必然有所差异，导致所述第一数据库中的交通违法数据的数据格式等有所差异，因此，所述终端在读取到交通违法数据后，需要确定所述交通违法数据的数据来源，并根据所述数据来源对应的封装协议解析所述交通违法数据，得到交通违法信息。
在一些实施例中，所述交通违法信息可以包括，但不限于：违法视频、违法位置及违法时间等。其中，所述违法视频为预设时长，例如15秒内的视频，所述违法位置为采集所述违法视频时的地理位置，所述违法时间为采集所述违法视频时的标准时间。
所述模型调用模块303，用于调用交通违法类型识别模型识别出所述违法视频的交通违法类型，并确定与所述交通违法类型对应的违法代码编号。
所述终端预先训练交通违法类型识别模型，并在线使用所述交通违法类型识别模型识别所述违法视频，从而输出交通违法车辆的交通违法类型。
终端中预先存储有映射表，所述映射表中记录有交通违法类型与违法代码编号之间的对应关系，确定了交通违法类型之后，即可根据所述映射表匹配出对应的违法代码编号，便于交警执法人员根据所述违法代码编号对交通违法车辆进行相应的处罚。
所述模型训练模块304，用于训练所述交通违法类型识别模型。
具体实施时，所述交通违法类型识别模型的训练过程包括：
获取多个违章车辆在交通违法时刻的前后一段时间内的第一行驶视频，及获取多个未违章车辆正常行驶一段时间内的第二行驶视频；
为每一个所述第一行驶视频标记交通违法类型及为每一个所述第二行驶视频标记正常类型；
将所述第一行驶视频及对应的交通违法类型作为正样本数据集，将所述第二行驶视频及正常类型作为负样本数据集；
基于所述正样本数据集和所述负样本数据集训练深度神经网络得到交通违法类型识别模型。
该可选的实施例中，交通车辆管理系统数据库中记录了多个违章车辆的违法视频，在训练交通违法类型识别模型之前，可以通过标注工具在每一个违法视频上标记对应的交通违法类型。所述交通违法类型可以为违法变道、占用公交车道、压线、逆行等。
终端设备可以从所述正样本数据集中选取第一比例的正样本数据集和从所述负样本数据集中选取第二比例的负样本数据集，并将选取的第一比例的正样本数据集和第二比例的负样本数据集作为训练样本数据集，将所述正样本数据集中剩余的正样本数据集和所述负样本数据集中剩余的负样本数据集作为测试样本数据集。基于所述训练样本数据集训练深度神经网络得到交通违法类型识别模型，基于所述测试样本数据集测试交通违法类型识别模型的准确率。当准确率达到预设准确率阈值时，表明训练得到的交通违法类型识别模型的识别性能较佳。
所述信息判断模块305，用于判断所述违法位置是否有效及判断所述违法时间是否有效。
虽然通过交通违法类型识别模型初步识别出违法视频中的车辆违法了，但为了进一步的确认违法视频中的车辆是否真的违法，需要确认违法位置及违法时间，结合违法位置和违法时间来进行辅助确定。
在一个可选的实施例中，所述信息判断模块305确认所述违法位置是否有效包括：
获取电子地图并根据所述违法位置在所述电子地图上进行锚点；
在所述电子地图上显示以所述锚点为中心以预设长度为半径的辐射区域；
接收用户输入的信息，并根据所述输入的信息确认所述违法位置是否有效。
该可选的实施例中，在所述终端显示辐射区域的同时显示正确虚拟图标及错误虚拟图标，当用户触摸或者点击所述正确虚拟图标时，所述终端确定接收到用户输入的正确信息，则确认所述违法位置有效；当用户触摸或者点击所述错误虚拟图标时，所述终端确定接收到用户输入的错误信息，则确认所述违法位置无效。
通过在电子地图上进行锚点，方便用户查看实际的地理位置，并根据用户输入的信息来确认所述违法信息是否有效，审核结果更为准确。
在一个可选的实施例中，所述信息判断模块305确认所述违法时间是否有效包括：
获取与所述交通违法类型对应的多个预设时间段；
将所述违法时间与所述多个预设时间段进行比对；
根据比对结果确认所述违法时间是否有效。
在一些实际场景中，在特定的时间段内，即使违法车辆确实违法了，但可以不用处罚，例如，上下班高峰期间，不允许占用公交车道。但是中午午休期间，占用公交车道则不用处罚。
所述终端预先记录交通违法类型对应的多个预设时间段，这多个预设时间段用以表明交通违法车辆即使违法了，也可以不用进行处罚。将所述违法时间与所述多个预设时间段进行比对，当违法时间在任意一个预设时间段内，则表明所述违法时间与所述多个预设时间段比对成功，确认所述违法时间无效，当违法时间不在任意一个预设时间段内，则表明所述违法时间与所述多个预设时间段比对失败，确认所述违法时间有效。
所述图片截取模块306，用于响应于判断的所述违法位置有效且所述违法时间有效，从所述违法视频中截取出多张标准交通违法图片。
为了进一步提供违法依据，节省违法审核时间，提高违法审核效率，在通过交通违法类型识别模型的识别及违法位置和违法时间的共同确认之后，还需要形成能够供交警做执法处罚的相关图片信息，所截取的图片需要符合道路交通安全违法行为图像取证技术规范(GAT832-2014)。即，所截取的图片中要求包含清晰辨认的违法车辆的全景特征，违法位置，违法时间，违法行为等信息。将按照道路交通安全违法行为图像取证技术规范截取的图片称之为标准交通违法图片。
在一个可选的实施例中，所述图片截取模块306从所述违法视频中截取出多张标准交通违法图片包括：
接收用户在所述违法视频对应的时间轴上标记的多个时间分割线；
根据所述多个时间分割线将所述违法视频分割成多个违法视频子片段；
对每一个违法视频子片段进行分帧处理得到多个帧图像；
调用目标检测算法检测每一个违法视频子片段对应的每一个帧图像中的目标对象并计算所述目标对象对应的区域的面积；
确定所述面积最大的区域对应的帧图像为对应违法视频子片段的标准交通违法图片。
该可选的实施例中，可以由人工在违法视频对应的时间轴上标记时间分割线，终端侦测到所述时间轴上接收到标记时间分割线的信号时，根据所述时间分割线对所述违法视频进行分割。通常而言，按照违法前、违法中、违法后三个阶段来标记时间分割线。
参阅图2所示，第一行第一列的图片为从违法前对应的违法视频子片段中截取出的一张标准交通违法图片，第一行第二列的图片为从违法中对应的违法视频子片段中截取出的一张标准交通违法图片，第二行第一列的图片为从违法后对应的违法视频子片段中截取出的一张标准交通违法图片，第二行第二列的图片为从违法前对应的违法视频子片段中截取出的特写照片。
目标对象对应的区域的面积越大，越能清楚的确定是否违法，更能够为违法执法处罚时提供强有力的证据。
需要说明的是，可以从违法后这一阶段对应的违法视频子片段中提取出一张特写图片，便于识别违法车辆的车牌号码，从而根据车牌号码从所述交通车辆管理系统数据库中获取所述交通违法车辆的主人的信息，例如，手机号码，邮件地址，家庭地址等，从而通知所述交通违法车辆的主人触犯了交通规则。
所述凭证生成模块307，用于采用字符叠加器将所述交通违法信息及所述违法代码编号叠加在所述多张标准交通违法图片中得到多张交通违法凭证图片。
所述字符叠加器能够将图片和文字信息叠加到视频信号中。所述字符叠加器按照功能分型可分为动态字符叠加器和静态字符叠加器。采用字符叠加器将所述交通违法信息及所述违法代码编号叠加在所述多张标准交通违法图片中的具体过程为现有技术，本发明在此不再详细阐述。
采用字符叠加器将所述交通违法信息及所述违法代码编号叠加在所述多张标准交通违法图片中得到多张交通违法凭证图片，能够形成完整的且正确的交通违法证据链。所述终端可以关联存储所述多张交通违法凭证图片并将所述多张交通违法凭证图片上传至六合一综合平台中，用于进行违法车辆的公示处罚。
所述防伪处理模块308，用于利用信息摘要算法对每张交通违法凭证图片进行防伪处理，生成防伪码；嵌入所述防伪码至对应的交通违法凭证图片中。
该可选的实施例中，由于交通违法凭证图片在传输的过程中可能会被非法篡改，导致交通违法凭证图片不安全，造成交通违法凭证图片上显示的信息与通过交通违法类型识别模型识别出的结果相反，无法作为执行依据，因而通过信息摘要算法进行防伪处理，生成防伪码并嵌入在交通违法图片中，能够确保交通违法凭证图片的真实性和安全性。
所述合约部署模块309，用于构建交通区块链及在所述交通区块链中部署交通违法举报奖惩智能合约。
所述合约调用模块310，用于将所述多张交通违法凭证图片上传至所述交通区块链中进行共识；在共识完成后，调用所述交通违法举报奖惩智能合约根据所述违法代码编号确定所述交通违法数据的举报者的激励积分，并将所述激励积分转入至所述举报者的账户中。
该可选的实施例中，所述终端可以作为区块链节点，通过区块链技术的应用，能够对其存储的数据进行管理，真实、有效、不可篡改地保存交通违法证据链，方便相关各方轻松追踪交通违章情况以及细节；还可以基于交通违法举报奖惩智能合约进行激励，使市民们能够广泛且积极的参与到交通秩序管理中来，对交通违章行为进行实时有效地监督和举报。
综上所述，本实施例中所述的基于AI的交通违法凭证生成装置，能够自动的从交通违法数据中解析出违法视频、违法位置及违法时间，并调用交通违法类型识别模型识别出所述违法视频的交通违法类型，从而确定与所述交通违法类型对应的违法代码编号，在确定所述违法位置有效且所述违法时间有效时，从所述违法视频中截取出多张标准交通违法图片，并采用字符叠加器将所述交通违法信息及所述违法代码编号叠加在多张标准交通违法图片中，从而得到了多张交通违法凭证图片。本发明可应用于智慧交通领域，通过机审代替人审，形成了准确且完整的交通违法证据链，为交通违法处罚提供了准确的执法依据，有效提高了违法审核的效率，以及解决了人员视觉疲劳诱发的错判、漏判问题。同时，严格按照国标准则执行，有效排除了审核中的人为主观因素干扰，结果更加客观，从而助力于智慧交通违法审核朝着智慧化、智能化方向发展，促进智慧城市的建设。
参阅图4所示，为本发明实施例三提供的终端的结构示意图。在本发明较佳实施例中，所述终端4包括存储器41、至少一个处理器42、至少一条通信总线443及收发器44。
本领域技术人员应该了解，图4示出的终端的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述终端4还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述终端4是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述终端4还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是，所述终端4仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器41中存储有计算机程序，所述计算机程序被所述至少一个处理器42执行时实现如所述的基于AI的交通违法凭证生成方法中的全部或者部分步骤。所述存储器41包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在一些实施例中，所述至少一个处理器42是所述终端4的控制核心(ControlUnit)，利用各种接口和线路连接整个终端4的各个部件，通过运行或执行存储在所述存储器41内的程序或者模块，以及调用存储在所述存储器41内的数据，以执行终端4的各种功能和处理数据。例如，所述至少一个处理器42执行所述存储器中存储的计算机程序时实现本发明实施例中所述的基于AI的交通违法凭证生成方法的全部或者部分步骤；或者实现基于AI的交通违法凭证生成装置的全部或者部分功能。所述至少一个处理器42可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中，所述至少一条通信总线443被设置为实现所述存储器41以及所述至少一个处理器42等之间的连接通信。
尽管未示出，所述终端4还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器42逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述终端4还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台终端(可以是个人计算机，终端，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于AI的交通违法凭证生成方法，其特征在于，所述方法包括：
从数据库中读取交通违法数据及所述交通违法数据的数据来源；
获取与所述交通违法数据的数据来源对应的封装协议并使用所述封装协议从所述交通违法数据中解析出交通违法信息，其中，所述交通违法信息包括违法视频、违法位置及违法时间；
调用交通违法类型识别模型识别出所述违法视频的交通违法类型，并确定与所述交通违法类型对应的违法代码编号；
判断所述违法位置是否有效及判断所述违法时间是否有效；
响应于判断的所述违法位置有效且所述违法时间有效，从所述违法视频中截取出多张标准交通违法图片；
采用字符叠加器将所述交通违法信息及所述违法代码编号叠加在所述多张标准交通违法图片中得到多张交通违法凭证图片。
2.如权利要求1所述的基于AI的交通违法凭证生成方法，其特征在于，所述从所述违法视频中截取出多张标准交通违法图片包括：
接收用户在所述违法视频对应的时间轴上标记的多个时间分割线；
根据所述多个时间分割线将所述违法视频分割成多个违法视频子片段；
对每一个违法视频子片段进行分帧处理得到多个帧图像；
调用目标检测算法检测每一个违法视频子片段对应的每一个帧图像中的目标对象并计算所述目标对象对应的区域的面积；
确定所述面积最大的区域对应的帧图像为对应违法视频子片段的标准交通违法图片。
3.如权利要求1所述的基于AI的交通违法凭证生成方法，其特征在于，判断所述违法位置是否有效包括：
获取电子地图并根据所述违法位置在所述电子地图上进行锚点；
在所述电子地图上显示以所述锚点为中心以预设长度为半径的辐射区域；
接收用户输入的信息，并根据所述输入的信息确认所述违法位置是否有效。
4.如权利要求1所述的基于AI的交通违法凭证生成方法，其特征在于，判断所述违法时间是否有效包括：
获取与所述交通违法类型对应的多个预设时间段；
将所述违法时间与所述多个预设时间段进行比对；
根据比对结果确认所述违法时间是否有效。
5.如权利要求1所述的基于AI的交通违法凭证生成方法，其特征在于，所述交通违法类型识别模型的训练过程包括：
获取多个违章车辆在交通违法时刻的前后一段时间内的第一行驶视频，及获取多个未违章车辆正常行驶一段时间内的第二行驶视频；
为每一个所述第一行驶视频标记交通违法类型及为每一个所述第二行驶视频标记正常类型；
将所述第一行驶视频及对应的交通违法类型作为正样本数据集，将所述第二行驶视频及正常类型作为负样本数据集；
基于所述正样本数据集和所述负样本数据集训练深度神经网络得到交通违法类型识别模型。
6.如权利要求1至5中任意一项所述的基于AI的交通违法凭证生成方法，其特征在于，所述方法还包括：
利用信息摘要算法对每张交通违法凭证图片进行防伪处理，生成防伪码；
嵌入所述防伪码至对应的交通违法凭证图片中。
7.如权利要求1至5中任意一项所述的基于AI的交通违法凭证生成方法，其特征在于，所述方法还包括：
构建交通区块链及在所述交通区块链中部署交通违法举报奖惩智能合约；
将所述多张交通违法凭证图片上传至所述交通区块链中进行共识；
在共识完成后，调用所述交通违法举报奖惩智能合约根据所述违法代码编号确定所述交通违法数据的举报者的激励积分，并将所述激励积分转入至所述举报者的账户中。
8.一种基于AI的交通违法凭证生成装置，其特征在于，所述装置包括：
数据读取模块，用于从数据库中读取交通违法数据及所述交通违法数据的数据来源；
数据解析模块，用于获取与所述交通违法数据的数据来源对应的封装协议并使用所述封装协议从所述交通违法数据中解析出交通违法信息，其中，所述交通违法信息包括违法视频、违法位置及违法时间；
模型调用模块，用于调用交通违法类型识别模型识别出所述违法视频的交通违法类型，并确定与所述交通违法类型对应的违法代码编号；
信息判断模块，用于判断所述违法位置是否有效及判断所述违法时间是否有效；
图片截取模块，用于响应于判断的所述违法位置有效且所述违法时间有效，从所述违法视频中截取出多张标准交通违法图片；
凭证生成模块，用于采用字符叠加器将所述交通违法信息及所述违法代码编号叠加在所述多张标准交通违法图片中得到多张交通违法凭证图片。
9.一种终端，其特征在于，所述终端包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的基于AI的交通违法凭证生成方法。
10.一种计算机可读存储介质，所述计算机可读存储介质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如权利要求1至7中任意一项所述的基于AI的交通违法凭证生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010967713.0A CN112016520B (zh) | 2020-09-15 | 2020-09-15 | 基于ai的交通违法凭证生成方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010967713.0A CN112016520B (zh) | 2020-09-15 | 2020-09-15 | 基于ai的交通违法凭证生成方法、装置、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112016520A true CN112016520A (zh) | 2020-12-01 |
| CN112016520B CN112016520B (zh) | 2023-12-26 |
Family
ID=73521537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010967713.0A Active CN112016520B (zh) | 2020-09-15 | 2020-09-15 | 基于ai的交通违法凭证生成方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112016520B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112231509A (zh) * | 2020-12-14 | 2021-01-15 | 杭州一骑轻尘信息技术有限公司 | 一种基于大数据的汽车对比分析系统 |
| CN112509325A (zh) * | 2020-12-04 | 2021-03-16 | 公安部交通管理科学研究所 | 一种基于视频深度学习的非现场违法自动甄别方法 |
| CN112691374A (zh) * | 2021-03-24 | 2021-04-23 | 中至江西智能技术有限公司 | 证据链生成方法、装置、可读存储介质及电子设备 |
| CN113222593A (zh) * | 2021-03-24 | 2021-08-06 | 贵州大学 | 基于智能合约和数字水印的授权大数据交易方案 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015039367A1 (zh) * | 2013-09-18 | 2015-03-26 | 林诗昊 | 一种机动车交通违法实时告知、确认的系统及方法 |
| CN110427432A (zh) * | 2019-08-08 | 2019-11-08 | 英华达（上海）科技有限公司 | 基于区块链的违章事件处理方法、系统、设备及存储介质 |
| CN110491131A (zh) * | 2018-07-18 | 2019-11-22 | 江苏恒宝智能系统技术有限公司 | 一种基于区块链的车辆违章管理系统 |
| CN110717433A (zh) * | 2019-09-30 | 2020-01-21 | 华中科技大学 | 一种基于深度学习的交通违规分析方法及装置 |
| CN110969860A (zh) * | 2019-12-11 | 2020-04-07 | 上海眼控科技股份有限公司 | 交通违法行为后台审核系统和方法 |
-
2020
- 2020-09-15 CN CN202010967713.0A patent/CN112016520B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015039367A1 (zh) * | 2013-09-18 | 2015-03-26 | 林诗昊 | 一种机动车交通违法实时告知、确认的系统及方法 |
| CN110491131A (zh) * | 2018-07-18 | 2019-11-22 | 江苏恒宝智能系统技术有限公司 | 一种基于区块链的车辆违章管理系统 |
| CN110427432A (zh) * | 2019-08-08 | 2019-11-08 | 英华达（上海）科技有限公司 | 基于区块链的违章事件处理方法、系统、设备及存储介质 |
| CN110717433A (zh) * | 2019-09-30 | 2020-01-21 | 华中科技大学 | 一种基于深度学习的交通违规分析方法及装置 |
| CN110969860A (zh) * | 2019-12-11 | 2020-04-07 | 上海眼控科技股份有限公司 | 交通违法行为后台审核系统和方法 |
Non-Patent Citations (1)
| Title |
|---|
| 曾强;: "人工智能在交通违法证据审核中的应用", 信息记录材料, no. 04 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112509325A (zh) * | 2020-12-04 | 2021-03-16 | 公安部交通管理科学研究所 | 一种基于视频深度学习的非现场违法自动甄别方法 |
| CN112231509A (zh) * | 2020-12-14 | 2021-01-15 | 杭州一骑轻尘信息技术有限公司 | 一种基于大数据的汽车对比分析系统 |
| CN112691374A (zh) * | 2021-03-24 | 2021-04-23 | 中至江西智能技术有限公司 | 证据链生成方法、装置、可读存储介质及电子设备 |
| CN113222593A (zh) * | 2021-03-24 | 2021-08-06 | 贵州大学 | 基于智能合约和数字水印的授权大数据交易方案 |
| CN113222593B (zh) * | 2021-03-24 | 2024-03-15 | 贵州大学 | 基于智能合约和数字水印的授权大数据交易方案 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112016520B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112016520B (zh) | 基于ai的交通违法凭证生成方法、装置、终端及存储介质 | |
| US10719996B2 (en) | Determining vehicle occupancy using sensors | |
| CN107256394A (zh) | 驾驶员信息与车辆信息核验方法、装置以及系统 | |
| CN105448103A (zh) | 车辆套牌检测方法与系统 | |
| CN104240342A (zh) | 一种门禁控制方法及门禁控制装置 | |
| CN113837030B (zh) | 用于疫情防控的人员智能管控方法、系统及计算机设备 | |
| CN112104626A (zh) | 基于区块链的数据访问验证方法、装置、电子设备及介质 | |
| CN112270244A (zh) | 目标物违规监控方法、装置、电子设备及存储介质 | |
| CN108230669B (zh) | 基于大数据和云分析的道路车辆违法检测方法及系统 | |
| CN104240014A (zh) | 一种门禁控制方法及门禁控制平台 | |
| CN111986794A (zh) | 基于人脸识别的防冒挂号方法、装置、计算机设备及介质 | |
| CN115082861A (zh) | 人员身份与安全违章识别方法及系统 | |
| CN110969723B (zh) | 数据管理方法、检测设备、服务器及计算机可读存储介质 | |
| CN112507314B (zh) | 客户身份核实方法、装置、电子设备及存储介质 | |
| CN110728778A (zh) | 一种基于人脸识别的智能访客预约管理系统和方法 | |
| CN210605858U (zh) | 一种基于人脸识别的智能访客预约管理系统 | |
| CN110365656B (zh) | 一种数据管理方法、数据管理装置及环保检测设备 | |
| CN108830640B (zh) | 户外广告发布和监测系统及方法 | |
| CN111654591B (zh) | 图片防篡改方法、计算机设备及存储介质 | |
| CN113095281A (zh) | 套牌车识别方法、装置、电子设备及存储介质 | |
| CN113285913A (zh) | 基于智能锁的数据获取方法、系统、电子设备及存储介质 | |
| CN114245204A (zh) | 基于人工智能的视频面签方法、装置、电子设备及介质 | |
| CN111583215A (zh) | 损伤图像智能定损方法、装置、电子设备及存储介质 | |
| CN117593155B (zh) | 一种基于区块链的土地出让合同管理方法及系统 | |
| CN113870003A (zh) | 贷款信息身份审核方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |