CN112085952A - 监控车辆数据方法、装置、计算机设备及存储介质 - Google Patents
监控车辆数据方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112085952A CN112085952A CN202010931252.1A CN202010931252A CN112085952A CN 112085952 A CN112085952 A CN 112085952A CN 202010931252 A CN202010931252 A CN 202010931252A CN 112085952 A CN112085952 A CN 112085952A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- image
- visual
- vehicle data
- 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
Images
Classifications
-
- 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
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Abstract
本申请实施例属于人工智能领域,涉及一种监控车辆数据方法,包括:获取视觉图像,通过视觉摄像机识别并提取视觉图像中的车辆以及交通标识符,以得到图像数据;通过雷达检测视觉图像对应的车辆数据;通过信息融合对图像数据以及车辆数据进行映射融合,得到融合数据;通过目标神经网络处理所述融合数据,以监控车辆数据。此外,本申请还涉及区块链技术,图像数据可存储于区块链中。本申请还提供一种监控车辆数据装置、计算机设备及存储介质。提高了信息判别的精准度。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种监控车辆数据方法、装置、计算机设备及存储介质。
背景技术
违章检测摄像机一般部署在卡口、桥梁等固定位置,使得违章行为检测能力单一,道路违章监测覆盖面不足,对于车辆行车过程中大量违章缺乏监管及惩罚措施,进而降低了城市道路通行效率。目前产品方案还是单一基于视觉分析的方法,以安装在警用车辆上摄像机为例,由于路面状况复杂,目前装备端仅能够完成疑似车牌的筛查,对于道路违章行为的判断只能够通过人工进行,虽然已经有部分厂商引入深度学习技术,在特定场景下在移动端进行违章行为的判别,但是由于路面状况复杂,二维图像由于固有的视差以及辅助判断信息缺乏,很容易造成误判。
发明内容
本申请实施例的目的在于提出一种监控车辆数据方法、装置、计算机设备及存储介质,以提高道路违章检测的覆盖范围。
为了解决上述技术问题,本申请实施例提供一种监控车辆数据方法,采用了如下所述的技术方案:
获取视觉图像,通过视觉摄像机识别并提取所述视觉图像中的车辆以及交通标识符,以得到图像数据;
通过雷达检测所述视觉图像对应的车辆数据;
通过信息融合对所述图像数据以及所述车辆数据进行映射融合,得到融合数据;
通过目标神经网络处理所述融合数据,以监控车辆数据。
进一步的,所述通过信息融合对所述图像数据以及所述车辆数据进行映射融合,得到融合数据的步骤具体包括:
根据所述车辆数据,得到物体的移动速度,所述物体至少包括车辆以及交通标识符;
根据所述图像数据,得到所述物体的类型以及所述物体的位置;
根据所述物体的移动速度计算物体的目标平均速度;
基于所述物体的目标平均速度,所述物体的类型、所述物体的位置以及所述物体的移动速度构建完整视域;
双线插值所述完整视域中的车辆数据,得到所述融合数据。
进一步的,所述根据所述物体的移动速度计算物体的目标平均速度的步骤具体包括:
获取雷达视域中的点阵分布,得到所述车辆的行进距离;
若所述归一化的置信度大于预设置信度阈值,则将所述Vavr作目标平均速度。
进一步的,所述获取视觉图像,通过视觉摄像机识别并提取所述视觉图像中的车辆以及交通标识符,以得到图像数据的步骤具体包括:
通过直接储存访问的方式运行数字信号处理算法处理所述视觉图像,得到预处理后的视觉数据;
通过识别神经网络识别所述预处理后的视觉数据中的车辆以及交通标识符;
所述通过目标神经网络处理所述融合数据中的所述车辆以及所述交通标识符,以监控车辆数据的步骤之后,包括:
若所述车辆违章,则检测并提取所述车辆的车牌信息以及所述车辆的违章信息;
输出所述车辆的车牌信息以及所述车辆的违章信息。
进一步的,所述通过直接储存访问的方式运行数字信号处理算法处理所述视觉图像的步骤包括:
统计每次输入的所述视觉图像数量;
当每次输入的所述视觉图像数据数量超过图像数量阈值时,采用图像数量阈值个数的线程池运行所述数字信号处理算法;
当每次输入的所述视觉图像数据数量小于或等于图像数量阈值时,根据所述每次输入的所述视觉图像数据数量的线程池分析运行所述数字信号处理算法。
进一步的,所述统计每次输入的所述视觉图像数量的步骤之前还包括:
将所述多个所述统计每次输入的所述视觉图像数量按照时刻先后顺序排列,得到图像序列;
获取最大处理图像数量N;
从所述图像序列中选取目标图像,以所述目标图像作为第一张图像,按顺序选取N张图像进行输入。
进一步的,所述通过识别神经网络识别所述预处理后的视觉数据中的车辆以及交通标识符的步骤之后还包括:
获取所述图像数据中未按照交通线行驶的车辆,得到所述车辆的违章信息。
为了解决上述技术问题,本申请实施例还提供一种监控车辆数据装置,采用了如下所述的技术方案:
获取模块,用于获取视觉图像,通过视觉摄像机识别并提取所述视觉图像中的车辆以及交通标识符,以得到图像数据;
检测模块,用于通过雷达检测所述视觉图像对应的车辆数据;
融合模块,用于通过信息融合对所述图像数据以及所述车辆数据进行映射融合,得到融合数据;
处理模块,用于通过目标神经网络处理所述融合数据,以监控车辆数据。
进一步的,所述融合模块包括速度获取子模块、位置计算子模块、平均速度获取子模块获取子模块、完整视域构建子模块以及双线插值子模块。
速度获取子模块用于根据所述车辆数据,得到物体的移动速度,所述物体至少包括车辆以及交通标识符;
位置计算子模块用于根据所述图像数据,得到所述物体的类型以及所述物体的位置;
平均速度获取子模块用于根据所述物体的移动速度计算物体的目标平均速度;
完整视域构建子模块用于基于所述物体的目标平均速度,所述物体的类型、所述物体的位置以及所述物体的移动速度构建完整视域;
双线插值子模块用于双线插值所述完整视域中的车辆数据,得到所述融合数据。
进一步的,所述融合模块包括距离获取子模块、平均速度计算子模块、置信度计算子模块、归一化子模块以及阈值比较子模块。
距离获取子模块用于获取雷达视域中的点阵分布,得到所述车辆的行进距离;
阈值比较子模块用于若所述归一化的置信度大于预设置信度阈值,则将所述Vavr作目标平均速度。
进一步的,所述监控车辆数据装置还包括违章判别模块,所述违章判别模块包括,图像处理子模块、识别子模块、检测子模块以及车辆信息输出子模块。
图像处理子模块用于通过直接储存访问的方式运行数字信号处理算法处理所述视觉图像,得到预处理后的视觉数据;
识别子模块用于通过识别神经网络识别所述预处理后的视觉数据中的车辆以及交通标识符;
所述通过神经网络处理所述融合数据的步骤之后,具体包括:
检测子模块用于若所述车辆违章,则检测并提取所述车辆的车牌信息以及所述车辆的违章信息;
车辆信息输出子模块用于输出所述车辆的车牌信息以及所述车辆的违章信息。
进一步的,所述违章判别模模块包括统计子模块以及图像处理并行子模块。
统计子模块用于统计每次输入的所述视觉图像数;
图像处理并行子模块用于当每次输入的所述视觉图像数据数量超过图像数量阈值时,采用图像数量阈值个数的线程池运行所述数字信号处理算法;
当每次输入的所述视觉图像数据数量小于或等于图像数量阈值时,根据所述每次输入的所述视觉图像数据数量的线程池分析运行所述数字信号处理算法。
进一步的,所述监控车辆数据装置还包括并行处理模块,所述并行处理模块包括图像序列获取子模块、最大处理数获取子模块以及图像分析子模块。
图像序列获取子模块用于将所述多个所述统计每次输入的所述视觉图像数量按照时刻先后顺序排列,得到图像序列;
最大处理数获取子模块用于获取最大处理图像数量N;
图像分析子模块用于从所述图像序列中选取目标图像,以所述目标图像作为第一张图像,按顺序选取N张图像进行输入。
进一步的,所述监控车辆数据装置还包括超速模块,所述超速模块包括违章信息获取子模块。
违章信息获取子模块用于获取所述图像数据中未按照交通线行驶的车辆,得到所述车辆的违章信息。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,其包括至少一个连接的处理器、存储器、网络接口,其中,所述存储器用于存储计算机可读指令,所述处理器用于调用所述存储器中的计算机可读指令来执行上述所述的监控车辆数据方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
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可读指令,所述计算机可读指令被处理器执行时实现上述所述的监控车辆数据方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请在移动违章检测平台中引入监控车辆数据的方法,在违章检测过程中,通过毫米波雷达的引入,并与车辆图像数据进行匹配,有效获取了车辆位置、速度以及交通设施三维空间位置信息,增加了信息获取维度,提升了终端算法准确度,大大降低了对于违章误判的可能,同时减少了后期违章审核的人工成本。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2-1根据本申请的监控车辆数据方法的一个实施例的流程图;
图2-2根据本申请的监控车辆数据方法的一个雷达以及视觉摄像机的安装示意图;
图2-3根据本申请的监控车辆数据方法的一个雷达监测数据与视觉图像的映射融合示意图;
图3是根据本申请的监控车辆数据装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
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申请的技术领域的技术人员通常理解的含义相同;本文中在申请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,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的监控车辆数据方法一般由服务器/终端设备执行,相应地,监控车辆数据装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的监控车辆数据的方法的一个实施例的流程图。所述的监控车辆数据方法,包括以下步骤:
步骤201,获取视觉图像,通过视觉摄像机识别并提取所述视觉图像中的车辆以及交通标识符,以得到图像数据。
在本实施例中,监控车辆数据方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式服务器接收用户请求进行标定。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施中,视觉图像通过雷达和视觉摄像机获得,视觉摄像机与雷达天线安装在设备的同一平面,用于对于前方车辆以及道路标识符的检测。如图2-2所示,左侧圆形为摄像机镜头,靠右侧为毫米波雷达天线。通过训练好用于检测目标的识别神经网络来对车辆以及交通标识符进行检测。通过视觉系统完成车辆、交通标识符的检测、提取,包括车辆位置、实线、虚线、黄实线、导流线等。在完成对视觉图像的识别以后,得到了图像数据。通过毫米波雷达完成道路边缘的检测、车辆位置及车辆速度的采集。视觉系统主要由多个视觉摄像机组成。
步骤202,通过雷达检测所述视觉图像对应的车辆数据。
在本实施例中,车辆数据包括车辆位置及车辆速度,通过视觉系统完成车辆、交通标识符的检测、提取,包括车辆位置、实线、虚线、黄实线、导流线等。通过毫米波雷达完成道路边缘的检测、车辆位置及车辆速度的采集。其中,雷达所检测出来的不是平面的点,是具有空间结构的点,而视觉系统主要由多个视觉摄像机组成。一般在车辆监控中,为了全方位无死角的监控四周的路况,单个摄像机以及雷达无法完成,因此需要多个构成完成全方位数据监控。
步骤203,通过信息融合对所述图像数据以及所述车辆数据进行映射融合,得到融合数据。
在本实施例中,如图2-3所示左侧为雷达视域,右侧为图像视域,雷达用于探测域内物体及移动速度,图像视域用于检测物体类型及位置。通过将两视域结合,进行车辆、物体甄别及相对移动速度判别。由于通常两个视域比例是不完全一致的,此时需要通过裁剪方式,牺牲一部分探测能力,保证视域比例的一致性;最后,通过双线性插值方式将雷达探测域扩展映射到图像域(通常雷达视域会小于图像视域),插值过程仅仅处理雷达检测点的位置,但不改变改点的大小以及速度信息。获取雷达视域中的点阵分布,得到所述车辆的行进距离,通过计算得到车辆行驶的平均速度,其中vk为所述车辆的行进距离中第k个点的速度,n为所述车辆的行进距离中点的总数,Vavr为所述车辆的行进距离中行驶的平均速度;从而完成k个数据的融合。
步骤204,通过目标神经网络处理所述融合数据,以监控车辆数据。
在本实施例中,在驾驶领域中包含了感知、决策和控制三个方面。感知指的是如何通过摄像头和其他传感器的输入解析出周围环境的信息,例如有哪些障碍物、障碍物的速度和距离、道路的宽度和曲率等。控制是指当有了一个目标,例如右转30度,如何通过调整汽车的机械参数达到这个目标。当所述目标神经网络拥有融合数据以后,可以用来判断汽车是否存在违规。
本申请在移动违章检测平台中引入监控车辆数据的方法,通过毫米波雷达的引入,并与车辆图像数据进行匹配,有效获取了车辆位置、速度以及交通设施三维空间位置信息,增加了信息获取维度,提升了终端算法准确度,大大降低了对于违章误判的可能,同时减少了后期违章审核的人工成本。
在一些可选的实现方式中,根据所述车辆数据,得到物体的移动速度,所述物体至少包括车辆以及交通标识符;
根据所述图像数据,得到所述物体的类型以及所述物体的位置;
根据所述物体的移动速度计算物体的目标平均速度;
基于所述物体的目标平均速度,所述物体的类型、所述物体的位置以及所述物体的移动速度构建完整视域。
双线插值所述完整视域中的车辆数据,得到所述融合数据。
上述实施方式中,利用识别神经网络模型分别进行车辆检测与交通标识分割。深度学习算法是指的是如何通过摄像头和其他传感器的输入解析出周围环境的信息,例如有哪些障碍物、障碍物的速度和距离、道路的宽度和曲率等。通过测速雷达阵列实现车速测量,通过计算车速的置信度S(σ),S(σ)判断是否小于一个值,以筛选测量的车速是否可信,物体的速度,位置等也是同理,并通过与摄像机的数据标定,获取视角范围内所有车辆的车速分布。双线差值应用于,当某处出现的雷达点数由于噪声点过多,导致过于密集,影响了判断,则将某个点附近的一些点进行剔除。
在一些可选的实现方式中,所述根据所述物体的移动速度计算物体的目标平均速度的步骤具体包括:
获取雷达视域中的点阵分布,得到所述车辆的行进距离;
若所述归一化的置信度大于预设置信度阈值,则将所述Vavr作目标平均速度。
上述实施方式中,雷达视域内,车辆由一系列点阵构成,视觉采集到的车辆位置与点阵进行匹配,从而确定车辆距离以及速度。S(σ)<S,则认为数据不可信,对所述检测到的车辆数据进行删除。通过这个方法检测了数据的可信程度,防止因为错误检测结果造成了误判。以获取到A车移动速度为10m/s时,然后根据附近的交通标识位置,附近的单车行人,没有移动的车,各种障碍物的位置以及单车行人等移动速度,构建一个车辆行人的完整图像数据。
在一些可选的实现方式中,所述通过神经网络处理所述融合数据的步骤之前还包括:
通过直接储存访问(Direct Memory Access,DMA)的方式运行数字信号处理算法(Digital Signal Process,DSP)处理所述视觉图像,得到预处理后的图像数据;
通过识别神经网络识别所述预处理后的视觉数据中的车辆以及交通标识符;
所述通过目标神经网络处理所述融合数据中的所述车辆以及所述交通标识符,以判断所述车辆是否超速违章的步骤之后,包括:
若所述车辆违章,则检测并提取所述车辆的车牌信息以及所述车辆的违章信息;
输出所述车辆的车牌信息以及所述车辆的违章信息。
上述实施方式中,所述图像信号处理子模块主要用来对前端图像传感器输出信号处理的子模块以匹配不同厂商的图象传感器。通过DMA技术,将摄像机数据同时分发到传统视频处理子模块及算法分析子模块,通过对于采集图片的流水线处理,降低了对于硬件算力及功耗的要求,通过采用异构设计方案,利用现场可编程逻辑门阵列(FieldProgrammable Gate Arra,FPGA)并行化优势处理深度学习算法,利用中央处理器(centralprocessing unit,CPU)完成逻辑运算,在有限成本及功耗提升的情况下,利用现有半导体技术,有效提升了终端算法处理能力及图片处理吞吐量,实现了在嵌入式设备上实时完成道路违章检测算法,并将提取后的结构化信息及违章举证传输到交管局服务器,大大降低了系统带宽要求,同时减少了后期违章审核的人工成本。
在一些可选的实现方式中,所述通过直接储存访问的方式运行数字信号处理算法处理所述视觉图像的步骤具体包括:
统计每次输入的所述视觉图像数量;
当每次输入的所述视觉图像数据数量超过图像数量阈值时,采用图像数量阈值个数的线程池运行所述数字信号处理算法;
当每次输入的所述视觉图像数据数量小于或等于图像数量阈值时,根据所述每次输入的所述视觉图像数据数量的线程池分析运行所述数字信号处理算法。
上述实施方式中,由于预处理、车辆检测/分割、违章判别/车牌检测均为耗时操作,因此在编码流程完结后,多线程的方式运行数字信号处理算法具体通过BUF1、BUF2…完成编码流数据缓冲,通过“采样控制”子模块统筹实现数据多级流水线处理,BUFx(第x缓存区)数量根据实际算法执行时间设计,通过设置一定个数的缓存区,即图像数量阈值个数的缓存区,保证了算法并行运行的可行性。
在一些可选的实现方式中,所所述统计每次输入的所述视觉图像数量的步骤之前还包括:
将所述多个所述统计每次输入的所述视觉图像数量按照时刻先后顺序排列,得到图像序列;
获取最大处理图像数量N;
从所述图像序列中选取目标图像,以所述目标图像作为第一张图像,按顺序选取N张图像进行输入。
上述实施方式中,违章判别算法输出违章前、违章中、违章后以及车辆特写图片、提取车牌检测结果,并输出违章判断时间点,通过时间点提取违章出现前t时间范围内(t根据违章取证要求设计)违章信息,并保存至违章视频文件当中,并进行数据发送。以1次取10秒,1秒取10帧为例,则每次取100帧图像作为输入,后一秒的图像,则删除前10帧,并将最后一帧的帧号后移10帧。
在一些可选的实现方式中,所述通过第一神经网络识别所述预处理后的图像数据中的车辆以及交通标识符的步骤之后还包括:
获取所述图像数据中未按照交通线行驶的车辆,得到所述车辆的违章信息。
上述实施方式中,在目标神经网络模型内,通过获取的车辆检测数据以及交通标识分割信息进行未按交通线行驶判断,若判断车辆未按行驶线行驶,则判断车辆存在违规。
一些可选的实现方式中,所述通过雷达检测所述视觉图像对应的车辆数据可以保存在区块中。
本申请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。
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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2-1所示方法的实现,本申请提供了一种监控车辆数据装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的监控车辆数据装置300包括:获取模块301、检测模块302、融合模块303以及处理模块304。其中:
取模块301用于获取视觉图像,通过视觉摄像机识别并提取所述视觉图像中的车辆以及交通标识符,以得到图像数据;
检测模块302用于通过雷达检测所述视觉图像对应的车辆数据;
融合模块303用于通过信息融合对所述图像数据以及所述车辆数据进行映射融合,得到融合数据;
处理模块304用于通过目标神经网络处理所述融合数据,以判断所述车辆是否超速违章。
在本实施例的一些可选的实现方式中,上述融合模块所述融合模块包括速度获取子模块、位置计算子模块、平均速度获取子模块获取子模块、完整视域构建子模块以及双线插值子模块:
速度获取子模块用于根据所述车辆数据,得到物体的移动速度,所述物体至少包括车辆以及交通标识符;
位置计算子模块用于根据所述图像数据,得到所述物体的类型以及所述物体的位置;
平均速度获取子模块用于根据所述物体的移动速度计算物体的目标平均速度;
完整视域构建子模块用于基于所述物体的目标平均速度,所述物体的类型、所述物体的位置以及所述物体的移动速度构建完整视域;
双线插值子模块用于双线插值所述完整视域中的车辆数据,得到所述融合数据。
在本实施例的一些可选的实现方式中,上述融所述融合模块包括距离获取子模块、平均速度计算子模块、置信度计算子模块、归一化子模块以及阈值比较子模块:
距离获取子模块用于获取雷达视域中的点阵分布,得到所述车辆的行进距离;
阈值比较子模块用于若所述归一化的置信度大于预设置信度阈值,则将所述Vavr作目标平均速度。
在本实施例的一些可选的实现方式中,上述装置300还包括:所述监控车辆数据装置还包括违章判别模块,所述监控车辆数据装置还包括违章判别模块,所述违章判别模块包括,图像处理子模块、识别子模块、检测子模块以及车辆信息输出子模块:
图像处理子模块用于通过直接储存访问的方式运行数字信号处理算法处理所述视觉图像,得到预处理后的视觉数据;
识别子模块用于通过识别神经网络识别所述预处理后的视觉数据中的车辆以及交通标识符;
所述通过神经网络处理所述融合数据的步骤之后,具体包括:
检测子模块用于若所述车辆违章,则检测并提取所述车辆的车牌信息以及所述车辆的违章信息;
车辆信息输出子模块用于输出所述车辆的车牌信息以及所述车辆的违章信息。
在本实施例的一些可选的实现方式中,所述违章判别模模块包括统计子模块以及图像处理并行子模块:
统计子模块用于统计每次输入的所述视觉图像数;
图像处理并行子模块用于当每次输入的所述视觉图像数据数量超过图像数量阈值时,采用图像数量阈值个数的线程池运行所述数字信号处理算法;
当每次输入的所述视觉图像数据数量小于或等于图像数量阈值时,根据所述每次输入的所述视觉图像数据数量的线程池分析运行所述数字信号处理算法。
在本实施例的一些可选的实现方式中,上述装置300还包括:并行处理子模块监控车辆数据装置还包括并行处理模块,所述监控车辆数据装置还包括并行处理模块,所述违并行处理模块包括图像序列获取子模块、最大处理数获取子模块以及图像分析子模块还用于:
图像序列获取子模块用于将所述多个所述统计每次输入的所述视觉图像数量按照时刻先后顺序排列,得到图像序列;
最大处理数获取子模块用于获取最大处理图像数量N;
图像分析子模块用于从所述图像序列中选取目标图像,以所述目标图像作为第一张图像,按顺序选取N张图像进行输入。
在本实施例的一些可选的实现方式中,上述装置300还包括:违章判别子模块所述超速模块包括违章信息获取子模块:
违章信息获取子模块用于获取所述图像数据中未按照交通线行驶的车辆,得到所述车辆的违章信息。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备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/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如监控车辆数据方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行上述监控车辆数据方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的监控车辆数据方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种监控车辆数据方法,其特征在于,包括下述步骤:
获取视觉图像,通过视觉摄像机识别并提取所述视觉图像中的车辆以及交通标识符,以得到图像数据;
通过雷达检测所述视觉图像对应的车辆数据;
通过信息融合对所述图像数据以及所述车辆数据进行映射融合,得到融合数据;
通过目标神经网络处理所述融合数据,以监控车辆数据。
2.根据权利要求1所述的监控车辆数据方法,其特征在于,所述通过信息融合对所述图像数据以及所述车辆数据进行映射融合,得到融合数据的步骤具体包括:
根据所述车辆数据,得到物体的移动速度,所述物体至少包括车辆以及交通标识符;
根据所述图像数据,得到所述物体的类型以及所述物体的位置;
根据所述物体的移动速度计算物体的目标平均速度;
基于所述物体的目标平均速度,所述物体的类型、所述物体的位置以及所述物体的移动速度构建完整视域;
双线插值所述完整视域中的车辆数据,得到所述融合数据。
4.根据权利要求1-3任一项所述的监控车辆数据方法,其特征在于,所述获取视觉图像,通过视觉摄像机识别并提取所述视觉图像中的车辆以及交通标识符,以得到图像数据的步骤具体包括:
通过直接储存访问的方式运行数字信号处理算法处理所述视觉图像,得到预处理后的视觉数据;
通过识别神经网络识别所述预处理后的视觉数据中的车辆以及交通标识符;
所述通过目标神经网络处理所述融合数据中的所述车辆以及所述交通标识符,以监控车辆数据的步骤之后,包括:
若所述车辆违章,则检测并提取所述车辆的车牌信息以及所述车辆的违章信息;
输出所述车辆的车牌信息以及所述车辆的违章信息。
5.根据权利要求4所述的监控车辆数据方法,其特征在于,所述通过直接储存访问的方式运行数字信号处理算法处理所述视觉图像的步骤包括:
统计每次输入的所述视觉图像数量;
当每次输入的所述视觉图像数据数量超过图像数量阈值时,采用图像数量阈值个数的线程池运行所述数字信号处理算法;
当每次输入的所述视觉图像数据数量小于或等于图像数量阈值时,根据所述每次输入的所述视觉图像数据数量的线程池分析运行所述数字信号处理算法。
6.根据权利要求5所述的监控车辆数据方法,其特征在于,所述统计每次输入的所述视觉图像数量的步骤之前还包括:
将所述多个所述统计每次输入的所述视觉图像数量按照时刻先后顺序排列,得到图像序列;
获取最大处理图像数量N;
从所述图像序列中选取目标图像,以所述目标图像作为第一张图像,按顺序选取N张图像进行输入。
7.根据权利要求4所述的监控车辆数据方法,其特征在于,所述通过识别神经网络识别所述预处理后的视觉数据中的车辆以及交通标识符的步骤之后还包括:
获取所述图像数据中未按照交通线行驶的车辆,得到所述车辆的违章信息。
8.一种监控车辆数据装置,其特征在于,包括:
获取模块,用于获取视觉图像,通过视觉摄像机识别并提取所述视觉图像中的车辆以及交通标识符,以得到图像数据;
检测模块,用于通过雷达检测所述视觉图像对应的车辆数据;
融合模块,用于通过信息融合对所述图像数据以及所述车辆数据进行映射融合,得到融合数据;
处理模块,用于通过目标神经网络处理所述融合数据,以监控车辆数据。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的监控车辆数据方法的步骤。
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计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的监控车辆数据方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010931252.1A CN112085952B (zh) | 2020-09-07 | 2020-09-07 | 监控车辆数据方法、装置、计算机设备及存储介质 |
PCT/CN2020/134940 WO2021135879A1 (zh) | 2020-09-07 | 2020-12-09 | 监控车辆数据方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010931252.1A CN112085952B (zh) | 2020-09-07 | 2020-09-07 | 监控车辆数据方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085952A true CN112085952A (zh) | 2020-12-15 |
CN112085952B CN112085952B (zh) | 2022-06-03 |
Family
ID=73732069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010931252.1A Active CN112085952B (zh) | 2020-09-07 | 2020-09-07 | 监控车辆数据方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112085952B (zh) |
WO (1) | WO2021135879A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077657A (zh) * | 2021-03-30 | 2021-07-06 | 上海华兴数字科技有限公司 | 车辆间安全距离报警方法及装置 |
CN113192330A (zh) * | 2021-04-26 | 2021-07-30 | 上海德衡数据科技有限公司 | 基于多智能体的车辆管理方法、管理系统、设备及介质 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114179833A (zh) * | 2021-12-30 | 2022-03-15 | 上海保隆领目汽车科技有限公司 | 一种车辆自动泊入车辆运输车的方法、计算设备和存储介质 |
CN114755676B (zh) * | 2022-06-16 | 2022-10-04 | 浙江宇视科技有限公司 | 一种雷达视觉协同的目标跟踪方法及系统 |
CN115534801B (zh) * | 2022-08-29 | 2023-07-21 | 深圳市欧冶半导体有限公司 | 车灯自适应调光方法、装置、智能终端及存储介质 |
CN116189436B (zh) * | 2023-03-17 | 2023-12-29 | 北京罗格数据科技有限公司 | 一种基于大数据的多源数据融合算法 |
CN116576880B (zh) * | 2023-05-11 | 2024-01-02 | 国汽大有时空科技(安庆)有限公司 | 一种车道级道路规划方法、装置、终端设备及存储介质 |
CN116757981A (zh) * | 2023-06-19 | 2023-09-15 | 北京拙河科技有限公司 | 一种多终端图像融合方法及装置 |
CN117556157B (zh) * | 2024-01-10 | 2024-04-05 | 每日互动股份有限公司 | 一种卡口位置的定位方法、装置、介质及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106710240A (zh) * | 2017-03-02 | 2017-05-24 | 公安部交通管理科学研究所 | 融合多目标雷达与视频信息的通行车辆跟踪测速方法 |
CN106874863A (zh) * | 2017-01-24 | 2017-06-20 | 南京大学 | 基于深度卷积神经网络的车辆违停逆行检测方法 |
CN108983219A (zh) * | 2018-08-17 | 2018-12-11 | 北京航空航天大学 | 一种交通场景的图像信息和雷达信息的融合方法及系统 |
CN109085570A (zh) * | 2018-06-10 | 2018-12-25 | 南京理工大学 | 基于数据融合的车辆检测跟踪算法 |
CN110532896A (zh) * | 2019-08-06 | 2019-12-03 | 北京航空航天大学 | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 |
CN111178215A (zh) * | 2019-12-23 | 2020-05-19 | 深圳成谷科技有限公司 | 一种传感器数据融合处理的方法和装置 |
CN111368706A (zh) * | 2020-03-02 | 2020-07-03 | 南京航空航天大学 | 基于毫米波雷达和机器视觉的数据融合动态车辆检测方法 |
CN111627215A (zh) * | 2020-05-21 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的视频图像识别方法及相关设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9280895B2 (en) * | 2010-08-21 | 2016-03-08 | American Traffic Solutions, Inc. | System and method for detecting traffic violations on restricted roadways |
CN106971579A (zh) * | 2017-04-25 | 2017-07-21 | 北京星云互联科技有限公司 | 一种智能网联汽车的路侧业务支持系统及方法 |
CN108986473A (zh) * | 2017-05-31 | 2018-12-11 | 蔚来汽车有限公司 | 车载交通违规行为识别与处理系统和方法 |
CN111427063B (zh) * | 2020-02-11 | 2023-03-17 | 深圳市镭神智能系统有限公司 | 一种移动装置通行控制方法、装置、设备、系统及介质 |
-
2020
- 2020-09-07 CN CN202010931252.1A patent/CN112085952B/zh active Active
- 2020-12-09 WO PCT/CN2020/134940 patent/WO2021135879A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874863A (zh) * | 2017-01-24 | 2017-06-20 | 南京大学 | 基于深度卷积神经网络的车辆违停逆行检测方法 |
CN106710240A (zh) * | 2017-03-02 | 2017-05-24 | 公安部交通管理科学研究所 | 融合多目标雷达与视频信息的通行车辆跟踪测速方法 |
CN109085570A (zh) * | 2018-06-10 | 2018-12-25 | 南京理工大学 | 基于数据融合的车辆检测跟踪算法 |
CN108983219A (zh) * | 2018-08-17 | 2018-12-11 | 北京航空航天大学 | 一种交通场景的图像信息和雷达信息的融合方法及系统 |
CN110532896A (zh) * | 2019-08-06 | 2019-12-03 | 北京航空航天大学 | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 |
CN111178215A (zh) * | 2019-12-23 | 2020-05-19 | 深圳成谷科技有限公司 | 一种传感器数据融合处理的方法和装置 |
CN111368706A (zh) * | 2020-03-02 | 2020-07-03 | 南京航空航天大学 | 基于毫米波雷达和机器视觉的数据融合动态车辆检测方法 |
CN111627215A (zh) * | 2020-05-21 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的视频图像识别方法及相关设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077657A (zh) * | 2021-03-30 | 2021-07-06 | 上海华兴数字科技有限公司 | 车辆间安全距离报警方法及装置 |
CN113192330A (zh) * | 2021-04-26 | 2021-07-30 | 上海德衡数据科技有限公司 | 基于多智能体的车辆管理方法、管理系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112085952B (zh) | 2022-06-03 |
WO2021135879A1 (zh) | 2021-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085952B (zh) | 监控车辆数据方法、装置、计算机设备及存储介质 | |
CN110390262B (zh) | 视频分析方法、装置、服务器及存储介质 | |
KR102138082B1 (ko) | 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체 | |
US11030466B2 (en) | License plate detection and recognition system | |
US11244435B2 (en) | Method and apparatus for generating vehicle damage information | |
CN109325964B (zh) | 一种人脸追踪方法、装置及终端 | |
CN106952303B (zh) | 车距检测方法、装置和系统 | |
EP3806064A1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN108268867B (zh) | 一种车牌定位方法及装置 | |
CN108764042B (zh) | 一种异常路况信息识别方法、装置及终端设备 | |
CN110188807A (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
WO2022078353A1 (zh) | 车辆行使状态判断方法、装置、计算机设备及存储介质 | |
CN113299073B (zh) | 识别车辆违章停车的方法、装置、设备和存储介质 | |
CN112434566A (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN110363098B (zh) | 一种暴力行为预警方法、装置、可读存储介质及终端设备 | |
CN114663871A (zh) | 图像识别方法、训练方法、装置、系统及存储介质 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN112580457A (zh) | 车辆视频的处理方法、装置、计算机设备和存储介质 | |
CN109543610B (zh) | 车辆检测跟踪方法、装置、设备及存储介质 | |
CN112396060A (zh) | 基于身份证分割模型的身份证识别方法及其相关设备 | |
CN116823884A (zh) | 多目标跟踪方法、系统、计算机设备及存储介质 | |
CN116863297A (zh) | 一种基于电子围栏的监控方法、装置、系统、设备及介质 | |
CN114913470B (zh) | 一种事件检测方法及装置 | |
KR102604009B1 (ko) | 차량번호판 위조 대응 시스템 및 방법 | |
CN114549221A (zh) | 车辆事故损失处理方法、装置、计算机设备及存储介质 |
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 |