CN112270245A - 行车违法检测方法、装置、设备及计算机介质 - Google Patents

行车违法检测方法、装置、设备及计算机介质 Download PDF

Info

Publication number
CN112270245A
CN112270245A CN202011146334.1A CN202011146334A CN112270245A CN 112270245 A CN112270245 A CN 112270245A CN 202011146334 A CN202011146334 A CN 202011146334A CN 112270245 A CN112270245 A CN 112270245A
Authority
CN
China
Prior art keywords
driving
lane line
lane
vehicle target
vehicle
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
Application number
CN202011146334.1A
Other languages
English (en)
Other versions
CN112270245B (zh
Inventor
沈赞
庄伯金
王少军
肖京
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011146334.1A priority Critical patent/CN112270245B/zh
Publication of CN112270245A publication Critical patent/CN112270245A/zh
Application granted granted Critical
Publication of CN112270245B publication Critical patent/CN112270245B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明涉及人工智能技术，揭露了一种行车违法检测方法，包括：获取行车视频，利用预构建的目标检测模型，检测所述行车视频中的车辆得到车辆目标框集，计算所述车辆目标框集内目标框之间的重叠度，基于所述重叠度清理所述车辆目标框集，得到标准车辆目标框集，对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框，识别所述行车视频的车道线得到车道线识别框，计算所述行车轨迹框与所述车道线识别框的重叠度，根据所述重叠度的大小得到行车违法结果。本发明还涉及区块链技术，所述行车视频可存储于区块链节点中，本发明还提出一种行车违法检测装置、电子设备以及存储介质。本发明可以解决行车违法检测时实效性低且占用计算资源的问题。

Description

行车违法检测方法、装置、设备及计算机介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种行车违法检测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着行车记录仪的普及，许多交通违法行为可以在行车记录仪的视频中找到证据，越来越多的城市也鼓励市民上传行车记录仪中所记录的行车视频。
然而，目前多采用神经网络模型，仅对行车视频中的行车进行目标跟踪，通过预设时间的跟踪结果判断行车的违法行为，因此需要花费较长时间和计算资源跟踪行车，才能得到行车是否违法的结果，故缺乏一种实效性高且占用计算资源少的行车违法检测方法。
发明内容
本发明提供一种行车违法检测方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决行车违法检测时实效性低且占用计算资源的问题。
为实现上述目的，本发明提供的一种行车违法检测方法，包括：
获取行车视频，利用预构建的目标检测模型，检测所述行车视频中的车辆，得到车辆目标框集；
计算所述车辆目标框集内目标框之间的重叠度，基于所述重叠度清理所述车辆目标框集，得到标准车辆目标框集；
对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框；
识别所述行车视频的车道线，得到车道线识别框；
计算所述行车轨迹框与所述车道线识别框的重叠度，根据所述重叠度的大小，得到行车违法结果。
可选地，所述识别所述行车视频的车道线，得到车道线识别框，包括：
提取出所述行车视频中的车道线特征集；
对所述车道线特征集内的车道线特征进行霍夫变换处理，得到霍夫变换车道特征集；
对所述霍夫变换车道特征集内的霍夫变换车道特征进行高斯变化，得到高斯变化车道特征集；
对所述高斯变化车道特征集内的高斯变化车道特征执行合并处理，得到所述车道线识别框。
可选地，所述对所述车道线特征集内的车道线特征进行霍夫变换处理，包括：
采用如下方法对所述车道线特征集内的车道线特征进行霍夫变换处理：
P(x,y)＝x*cosθ+y*sinθ
其中，P(x,y)表示所述车道霍夫变换特征集，x表示所述车道线特征集在x轴的值，y表示所述车道线特征集在y轴的值,θ为预设的车道线角度。
可选地，所述对所述霍夫变换车道特征集内的霍夫变换车道特征进行高斯变化，得到高斯变化车道特征集，包括：
根据所述霍夫变换车道特征集构建高斯函数；
根据所述高斯函数得到所述霍夫变换车道特征集的高斯分布；
从所述高斯分布中选择满足预设要求的霍夫变换车道特征，得到所述高斯变化车道特征集。
可选地，所述对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框，包括：
按照所述行车视频的播放时间，将所述标准车辆目标框集内的标准车辆目标框进行排序，得到排序车辆目标框集；
依次所述排序车辆目标框集内的排序车辆目标框首尾相连，得到所述行车轨迹框。
可选地，所述计算所述车辆目标框集内目标框之间的重叠度，包括：
利用如下方法计算所述车辆目标框集内目标框之间的重叠度：
Figure BDA0002739855490000021
其中，IOU表述所述重叠度，A、B表示所述车辆目标框集内不相同的两个目标框。
可选地，所述利用预构建的目标检测模型，检测所述行车视频中的车辆，得到车辆目标框集，包括：
对所述行车视频执行分帧处理，得到分帧图像集；
利用所述目标检测模型的卷积核，提取所述分帧图像集的行车特征集；
激活所述行车特征集，得到所述车辆目标框集。
为了解决上述问题，本发明还提供一种行车违法检测装置，所述装置包括：
车辆目标框检测模块，用于获取行车视频，利用预构建的目标检测模型，检测所述行车视频中的车辆，得到车辆目标框集；
重叠度计算模块，用于计算所述车辆目标框集内目标框之间的重叠度，基于所述重叠度清理所述车辆目标框集，得到标准车辆目标框集；
车道线检测模块，用于对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框，识别所述行车视频的车道线，得到车道线识别框；
行车违法检测模块，用于计算所述行车轨迹框与所述车道线识别框的重叠度，根据所述重叠度的大小，得到行车违法结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述中任意一项所述的行车违法检测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现上述中任意一项所述的行车违法检测方法。
本发明实施例先利用目标检测模型检测出行车视频中的车辆目标框集，并根据车辆目标框集内目标框之间的重叠度，清理所述车辆目标框集后，得到行车轨迹框，同时识别所述行车视频的车道线，得到车道线识别框，通过对行车轨迹框与车道线识别框的重叠度判断，得到行车违法结果，相比于在预设时间段对行车进行跟踪来判断是否违法来说，本发明实施例是实时判断行车轨迹框与车道线识别框的重叠度，因此不需花费较长时间和计算资源跟踪行车，即可实时的根据重叠度直接计算出行车是否违法的结果。因此本发明提出的行车违法检测方法、装置及计算机可读存储介质，可以解决行车违法检测时实效性低且占用计算资源的问题。
附图说明
图1为本发明一实施例提供的行车违法检测方法的流程示意图；
图2为本发明一实施例提供的行车违法检测方法中S3的详细的流程示意图；
图3为本发明一实施例提供的行车违法检测方法中S4的详细的流程示意图；
图4为本发明一实施例提供的行车违法检测装置的模块示意图；
图5为本发明一实施例提供的实现行车违法检测方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种行车违法检测方法。所述行车违法检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述行车违法检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的行车违法检测方法的流程示意图。
在本实施例中，所述行车违法检测方法包括：
S1、获取行车视频，利用预构建的目标检测模型，检测所述行车视频中的车辆，得到车辆目标框集。
本发明实施例中，所述行车视频是利用行车记录仪或监控设备等仪器拍摄行驶车辆的视频。所述行车视频可以存储于区块链节点中。进一步的，由于所述行车视频可能存在视频时间过长，不利于所述目标检测模型进行行车检测，故需把时间过长的视频分割为时间长短适中的视频，详细的，所述获取行车视频之后还包括：计算所述行车视频中每个行车视频的时间长度；根据预设的分割阈值及所述时间长度，分割所述行车视频，得到行车视频集。
本发明较佳实施例中，利用当前已公开的Python编程技术计算所述行车视频中视频的时间长度。
进一步的，如行车视频A的总视频时间长度为30分钟，预设的分割阈值为5分钟，则用总视频时间长度除以所述分割阈值，即30分钟的行车视频A被分割为6段5分钟的短视频。
本发明较佳实施例中，获取行车视频之后还包括：对所述行车视频执行去噪及灰度处理。
优选地，本发明实施例采用空间域滤波、3维块匹配滤波等算法去除行车视频中的噪声。
本发明较佳实施例中，通过改进YOLO神经网络的网络层数得到所述目标检测模型。本发明较佳实施例中，利用python语言在配置文件脚本中记载所述目标检测模型，并运行所述配置文件脚本，检测所述行车视频中的行车，得到车辆目标框集。
优选地，所述配置文件脚本一般运行在darknet深度学习框架中。将所述行车视频作为所述配置文件脚本的输入参数，并在darknet深度学习框架运行所述配置文件脚本，所述配置文件脚本按照记载的所述目标检测模型，依次检测所述行车视频中的每个行车视频，得到所述车辆目标框集。
进一步地，所述利用预构建的目标检测模型，检测所述行车视频中的车辆，得到车辆目标框集，包括：将所述行车视频进行分帧处理，得到分帧图像集；利用所述目标检测模型的卷积核，提取所述分帧图像集的行车特征集；激活所述行车特征集，得到所述车辆目标框集。
本发明较佳实施例中，所述卷积核的规模包括7*7大小和3*3大小，利用激活函数激活所述行车特征集，其中所述激活函数为漏泄修正线性激活，通过漏泄修正线性激活对行车特征集进行激活计算，得到与所述行车视频对应的车辆目标框集。
S2、计算所述车辆目标框集内目标框之间的重叠度，基于所述重叠度清理所述车辆目标框集，得到标准车辆目标框集。
本发明较佳实施例中，由于上述步骤S1得到的所述车辆目标框集中的目标框数量众多，需要清理所述车辆目标框集，本发明较佳实施例通过计算每个目标框的重叠度，并根据重叠度完成清理。
详细的，本发明实施例利用如下方法计算所述车辆目标框集内目标框之间的重叠度：
Figure BDA0002739855490000061
其中，IOU表述所述重叠度，A、B表示所述车辆目标框集内不相同的两个目标框。
进一步地，基于所述重叠度清理所述车辆目标框集的清理方法有多种，如按照重叠度从大到小的排序方法排序得到的各个重叠度，判断每相邻两组重叠度的差值是否小于预设的第一阈值，若小于所述第一阈值，则剔除其中一个重叠度对应的车辆目标框，直至得到所述标准车辆目标框集。
S3、对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框。
详细地，参阅图2所示，所述S3包括：
S31、按照所述行车视频的播放时间，将所述标准车辆目标框集内的标准车辆目标框进行排序，得到排序车辆目标框集；
S32、依次所述排序车辆目标框集内的排序车辆目标框首尾相连，得到所述行车轨迹框。
例如，卡车在隧道的行车视频共60s，每一秒生成卡车在隧道的标准车辆目标框，由此按照时间顺序，共生成60组卡车在隧道的标准车辆目标框，并将每组标准车辆目标框首尾相连，得到卡车在隧道的行车轨迹框。
当所述行车视频中有2辆车辆时，由于每辆车在所述行车视频中的每一帧都对应车辆目标框，且由于不同车辆的车辆目标框，在相邻帧的位置差距很小，因此对应合并依然可得到每辆车的行车轨迹框。
S4、识别所述行车视频的车道线，得到车道线识别框。
本发明较佳实施例中，参阅图3所示，所述利用预构建的车道线识别模型，识别所述标准行车视频中的车道实线，包括：
S41、提取出所述行车视频中的车道线特征集；
本发明较佳实施例中，利用Mask R-CNN模型提取所述行车视频中的车道线特征。
S42、对所述车道线特征集内的车道线特征进行霍夫变换处理，得到霍夫变换车道特征集；
本发明较佳实施例中，采用如下方法对所述车道线特征进行霍夫变换处理：
P(x,y)＝x*cosθ+y*sinθ
其中，P(x,y)表示所述车道霍夫变换特征集，x表示所述车道线特征在x轴的值，y表示所述车道线特征在y轴的值,θ为预设的车道线角度，且θ∈[-90°，180°]。
S43、对所述霍夫变换车道特征集内的霍夫变换车道特征进行高斯变化，得到高斯变化车道特征集；
进一步地，所述S43包括：根据所述霍夫变换车道特征集构建高斯函数，根据所述高斯函数得到所述霍夫变换车道特征集的高斯分布，从所述高斯分布中选择满足预设要求的霍夫变换车道特征，得到所述高斯变化车道特征集。
详细地，所述高斯函数为：
Figure BDA0002739855490000071
其中，f(x)为所述高斯函数，x为所述霍夫变换车道特征集，a为所述高斯分布的波峰高度，b为所述高斯分布的波峰坐标值，c为所述高斯函数的标准方差。进一步地，通过高斯函数可构建出霍夫变换车道特征集的高斯分布，可选择出在在波峰附近的霍夫变换车道特征，从而得到所述高斯变化车道特征集。
S44、对所述高斯变化车道特征集内的高斯变化车道特征执行合并处理，得到所述车道线识别框。
由于所述高斯变化车道特征集记录了在所述行车视频中每一帧的车道线特征，故连接每个高斯变化车道特征得到在所述行车视频内的车道线识别框。
S5、计算所述行车轨迹框与所述车道线识别框的重叠度，根据所述重叠度的大小，得到行车违法结果。
本发明较佳实施例中，利用如下方法计算所述行车轨迹框与所述实线角点框的重叠度：
Figure BDA0002739855490000081
其中，sm表示所述行车轨迹与所述车道线识别框的重叠度，D表示所述行车轨迹，CRF表示所述车道线识别框，∩表述交集运算符号，∪表示并集运算符号。
进一步的，利用所述行车轨迹与所述实线框的重叠度与预设的第二阈值比较，若所述行车轨迹与所述实线框的重叠度大于所述第二阈值，则该行车属于违法行驶，若所述行车轨迹与所述实线框的重叠度小于等于所述第二阈值，则该行车属于正常行驶。
本发明实施例先利用目标检测模型检测出行车视频中的车辆目标框集，并根据车辆目标框集内目标框之间的重叠度，清理所述车辆目标框集后，得到行车轨迹框，同时识别所述行车视频的车道线，得到车道线识别框，通过对行车轨迹框与车道线识别框的重叠度判断，得到行车违法结果，相比于在预设时间段对行车进行跟踪来判断是否违法来说，本发明实施例是实时判断行车轨迹框与车道线识别框的重叠度，因此不需花费较长时间和计算资源跟踪行车，即可实时的根据重叠度直接计算出行车是否违法的结果。因此本发明提出的行车违法检测方法、装置及计算机可读存储介质，可以解决行车违法检测时实效性低且占用计算资源的问题。
如图4所示，是本发明行车违法检测装置的模块示意图。
本发明所述行车违法检测装置100可以安装于电子设备中。根据实现的功能，所述行车违法检测装置可以包括车辆目标框检测模块101、重叠度计算模块102、车道线检测模块103及行车违法检测模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述车辆目标框检测模块101，用于获取行车视频，利用预构建的目标检测模型，检测所述行车视频中的车辆，得到车辆目标框集；
所述重叠度计算模块102，用于计算所述车辆目标框集内目标框之间的重叠度，基于所述重叠度清理所述车辆目标框集，得到标准车辆目标框集；
所述车道线检测模块103，用于对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框，识别所述行车视频的车道线，得到车道线识别框；
所述行车违法检测模块104，用于计算所述行车轨迹框与所述车道线识别框的重叠度，根据所述重叠度的大小，得到行车违法结果。
所述行车违法检测装置100中的各个模块在运行时，可以执行如上述图1至图3中所描述的行车违法检测方法。
详细地，在执行所述行车违法检测方法时，所述行车违法检测装置各模块的具体作用如下：
所述车辆目标框检测模块101用于获取行车视频，利用预构建的目标检测模型，检测所述行车视频中的车辆，得到车辆目标框集。
本发明实施例中，所述行车视频是利用行车记录仪或监控设备等仪器拍摄行驶车辆的视频。所述行车视频可以存储于区块链节点中。进一步的，由于所述行车视频可能存在视频时间过长，不利于所述目标检测模型进行行车检测，故需把时间过长的视频分割为时间长短适中的视频，详细的，所述车辆目标框检测模块101还用于：计算所述行车视频中每个行车视频的时间长度；根据预设的分割阈值及所述时间长度，分割所述行车视频，得到行车视频集。
本发明较佳实施例中，所述车辆目标框检测模块101可以利用当前已公开的Python编程技术计算所述行车视频中视频的时间长度。
进一步的，如行车视频A的总视频时间长度为30分钟，预设的分割阈值为5分钟，则用总视频时间长度除以所述分割阈值，即30分钟的行车视频A被分割为6段5分钟的短视频。
本发明较佳实施例中，所述车辆目标框检测模块101：对所述行车视频执行去噪及灰度处理。
优选地，所述车辆目标框检测模块101采用空间域滤波、3维块匹配滤波等算法去除行车视频中的噪声。
本发明较佳实施例中，通过改进YOLO神经网络的网络层数得到所述目标检测模型。本发明较佳实施例中，利用python语言在配置文件脚本中记载所述目标检测模型，并运行所述配置文件脚本，检测所述行车视频中的行车，得到车辆目标框集。
优选地，所述配置文件脚本一般运行在darknet深度学习框架中。将所述行车视频作为所述配置文件脚本的输入参数，并在darknet深度学习框架运行所述配置文件脚本，所述配置文件脚本按照记载的所述目标检测模型，依次检测所述行车视频中的每个行车视频，得到所述车辆目标框集。
进一步地，所述车辆目标框检测模块101在利用预构建的目标检测模型，检测所述行车视频中的车辆，得到车辆目标框集时，执行：将所述行车视频进行分帧处理，得到分帧图像集；利用所述目标检测模型的卷积核，提取所述分帧图像集的行车特征集；激活所述行车特征集，得到所述车辆目标框集。
本发明较佳实施例中，所述卷积核的规模包括7*7大小和3*3大小，利用激活函数激活所述行车特征集，其中所述激活函数为漏泄修正线性激活，通过漏泄修正线性激活对行车特征集进行激活计算，得到与所述行车视频对应的车辆目标框集。
所述重叠度计算模块102用于计算所述车辆目标框集内目标框之间的重叠度，基于所述重叠度清理所述车辆目标框集，得到标准车辆目标框集。
本发明较佳实施例中，由于所述车辆目标框检测模块101得到的所述车辆目标框集中的目标框数量众多，需要清理所述车辆目标框集，本发明较佳实施例所述重叠度计算模块102通过计算每个目标框的重叠度，并根据重叠度完成清理。
详细的，所述重叠度计算模块102利用如下方法计算所述车辆目标框集内目标框之间的重叠度：
Figure BDA0002739855490000101
其中，IOU表述所述重叠度，A、B表示所述车辆目标框集内不相同的两个目标框。
进一步地，基于所述重叠度清理所述车辆目标框集的清理方法有多种，例如，所述重叠度计算模块102按照重叠度从大到小的排序方法排序得到的各个重叠度，判断每相邻两组重叠度的差值是否小于预设的第一阈值，若小于所述第一阈值，则剔除其中一个重叠度对应的车辆目标框，直至得到所述标准车辆目标框集。
所述车道线检测模块103用于对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框，识别所述行车视频的车道线，得到车道线识别框。
详细地，所述车道线检测模块103在对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框，识别所述行车视频的车道线，得到车道线识别框时，执行：按照所述行车视频的播放时间，将所述标准车辆目标框集内的标准车辆目标框进行排序，得到排序车辆目标框集；依次所述排序车辆目标框集内的排序车辆目标框首尾相连，得到所述行车轨迹框。
例如，卡车在隧道的行车视频共60s，每一秒生成卡车在隧道的标准车辆目标框，由此按照时间顺序，共生成60组卡车在隧道的标准车辆目标框，并将每组标准车辆目标框首尾相连，得到卡车在隧道的行车轨迹框。
当所述行车视频中有2辆车辆时，由于每辆车在所述行车视频中的每一帧都对应车辆目标框，且由于不同车辆的车辆目标框，在相邻帧的位置差距很小，因此对应合并依然可得到每辆车的行车轨迹框。
本发明较佳实施例中，所述车道线检测模块103利用预构建的车道线识别模型，识别所述标准行车视频中的车道实线时，执行：提取出所述行车视频中的车道线特征集；对所述车道线特征集内的车道线特征进行霍夫变换处理，得到霍夫变换车道特征集；对所述霍夫变换车道特征集内的霍夫变换车道特征进行高斯变化，得到高斯变化车道特征集；对所述高斯变化车道特征集内的高斯变化车道特征执行合并处理，得到所述车道线识别框。
本发明较佳实施例中，所述车道线检测模块103利用Mask R-CNN模型提取所述行车视频中的车道线特征。
本发明较佳实施例中，所述车道线检测模块103采用如下方法对所述车道线特征进行霍夫变换处理：
P(x,y)＝x*cosθ+y*sinθ
其中，P(x,y)表示所述车道霍夫变换特征集，x表示所述车道线特征在x轴的值，y表示所述车道线特征在y轴的值,θ为预设的车道线角度，且θ∈[-90°，180°]。
进一步地，所述车道线检测模块103对所述霍夫变换车道特征集内的霍夫变换车道特征进行高斯变化，得到高斯变化车道特征集时，执行：根据所述霍夫变换车道特征集构建高斯函数，根据所述高斯函数得到所述霍夫变换车道特征集的高斯分布，从所述高斯分布中选择满足预设要求的霍夫变换车道特征，得到所述高斯变化车道特征集。
详细地，所述高斯函数为：
Figure BDA0002739855490000121
其中，f(x)为所述高斯函数，x为所述霍夫变换车道特征集，a为所述高斯分布的波峰高度，b为所述高斯分布的波峰坐标值，c为所述高斯函数的标准方差。进一步地，通过高斯函数可构建出霍夫变换车道特征集的高斯分布，可选择出在在波峰附近的霍夫变换车道特征，从而得到所述高斯变化车道特征集。
由于所述高斯变化车道特征集记录了在所述行车视频中每一帧的车道线特征，故连接每个高斯变化车道特征得到在所述行车视频内的车道线识别框。
所述行车违法检测模块104用于计算所述行车轨迹框与所述车道线识别框的重叠度，根据所述重叠度的大小，得到行车违法结果。
本发明较佳实施例中，所述行车违法检测模块104利用下述方法计算所述行车轨迹框与所述实线角点框的重叠度：
Figure BDA0002739855490000122
其中，sm表示所述行车轨迹与所述车道线识别框的重叠度，D表示所述行车轨迹，CRF表示所述车道线识别框，∩表述交集运算符号，∪表示并集运算符号。
进一步的，利用所述行车轨迹与所述实线框的重叠度与预设的第二阈值比较，若所述行车轨迹与所述实线框的重叠度大于所述第二阈值，则该行车属于违法行驶，若所述行车轨迹与所述实线框的重叠度小于等于所述第二阈值，则该行车属于正常行驶。
如图5所示，是本发明实现行车违法检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如行车违法检测程序12。
其中，所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如行车违法检测程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中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。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行行车违法检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、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。所述电子设备1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。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的行车违法检测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取行车视频，利用预构建的目标检测模型，检测所述行车视频中的车辆，得到车辆目标框集；
计算所述车辆目标框集内目标框之间的重叠度，基于所述重叠度清理所述车辆目标框集，得到标准车辆目标框集；
对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框；
识别所述行车视频的车道线，得到车道线识别框；
计算所述行车轨迹框与所述车道线识别框的重叠度，根据所述重叠度的大小，得到行车违法结果。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，所述计算机可用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。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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关联图表记视为限制所涉及的权利要求。
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。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统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)

1.一种行车违法检测方法，其特征在于，所述方法包括：
获取行车视频，利用预构建的目标检测模型，检测所述行车视频中的车辆，得到车辆目标框集；
计算所述车辆目标框集内目标框之间的重叠度，基于所述重叠度清理所述车辆目标框集，得到标准车辆目标框集；
对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框；
识别所述行车视频的车道线，得到车道线识别框；
计算所述行车轨迹框与所述车道线识别框的重叠度，根据所述重叠度的大小，得到行车违法结果。
2.如权利要求1所述的行车违法检测方法，其特征在于，所述识别所述行车视频的车道线，得到车道线识别框，包括：
提取出所述行车视频中的的特征，得到车道线特征集；
对所述车道线特征集内的车道线特征进行霍夫变换处理，得到霍夫变换车道特征集；
对所述霍夫变换车道特征集内的霍夫变换车道特征进行高斯变化，得到高斯变化车道特征集；
对所述高斯变化车道特征集内的高斯变化车道特征执行合并处理，得到所述车道线识别框。
3.如权利要求2所述的行车违法检测方法，其特征在于，所述对所述车道线特征集内的车道线特征进行霍夫变换处理，包括：
采用如下方法对所述车道线特征集内的车道线特征进行霍夫变换处理：
P(x,y)＝x*cosθ+y*sinθ
其中，P(x,y)表示所述车道霍夫变换特征集，x表示所述车道线特征集在x轴的值，y表示所述车道线特征集在y轴的值,θ为预设的车道线角度。
4.如权利要求3所述的行车违法检测方法，其特征在于，所述对所述霍夫变换车道特征集内的霍夫变换车道特征进行高斯变化，得到高斯变化车道特征集，包括：
根据所述霍夫变换车道特征集构建高斯函数；
根据所述高斯函数得到所述霍夫变换车道特征集的高斯分布；
从所述高斯分布中选择满足预设要求的霍夫变换车道特征，得到所述高斯变化车道特征集。
5.如权利要求1所述的行车违法检测方法，其特征在于，所述对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框，包括：
按照所述行车视频的播放时间，将所述标准车辆目标框集内的标准车辆目标框进行排序，得到排序车辆目标框集；
依次所述排序车辆目标框集内的排序车辆目标框首尾相连，得到所述行车轨迹框。
6.如权利要求1所述的行车违法检测方法，其特征在于，所述计算所述车辆目标框集内目标框之间的重叠度，包括：
利用如下方法计算所述车辆目标框集内目标框之间的重叠度：
Figure FDA0002739855480000021
其中，IOU表述所述重叠度，A、B表示所述车辆目标框集内不相同的两个目标框。
7.如权利要求1所述的行车违法检测方法，其特征在于，所述利用预构建的目标检测模型，检测所述行车视频中的车辆，得到车辆目标框集，包括：
对所述行车视频执行分帧处理，得到分帧图像集；
利用所述目标检测模型的卷积核，提取所述分帧图像集的行车特征集；
激活所述行车特征集，得到所述车辆目标框集。
8.一种行车违法检测装置，其特征在于，所述装置包括：
车辆目标框检测模块，用于获取行车视频，利用预构建的目标检测模型，检测所述行车视频中的车辆，得到车辆目标框集；
重叠度计算模块，用于计算所述车辆目标框集内目标框之间的重叠度，基于所述重叠度清理所述车辆目标框集，得到标准车辆目标框集；
车道线检测模块，用于对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框，识别所述行车视频的车道线，得到车道线识别框；
行车违法检测模块，用于计算所述行车轨迹框与所述车道线识别框的重叠度，根据所述重叠度的大小，得到行车违法结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的行车违法检测方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的行车违法检测方法。
CN202011146334.1A 2020-10-23 2020-10-23 行车违法检测方法、装置、设备及计算机介质 Active CN112270245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011146334.1A CN112270245B (zh) 2020-10-23 2020-10-23 行车违法检测方法、装置、设备及计算机介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011146334.1A CN112270245B (zh) 2020-10-23 2020-10-23 行车违法检测方法、装置、设备及计算机介质

Publications (2)

Publication Number Publication Date
CN112270245A true CN112270245A (zh) 2021-01-26
CN112270245B CN112270245B (zh) 2023-05-26

Family

ID=74341851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011146334.1A Active CN112270245B (zh) 2020-10-23 2020-10-23 行车违法检测方法、装置、设备及计算机介质

Country Status (1)

Country Link
CN (1) CN112270245B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130100286A1 (en) * 2011-10-21 2013-04-25 Mesa Engineering, Inc. System and method for predicting vehicle location
CN106297281A (zh) * 2016-08-09 2017-01-04 北京奇虎科技有限公司 车辆违章检测的方法及设备
CN111382704A (zh) * 2020-03-10 2020-07-07 北京以萨技术股份有限公司 基于深度学习的车辆压线违章判断方法、装置及存储介质
CN111523464A (zh) * 2020-04-23 2020-08-11 上海眼控科技股份有限公司 车辆违法变道的检测方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130100286A1 (en) * 2011-10-21 2013-04-25 Mesa Engineering, Inc. System and method for predicting vehicle location
CN106297281A (zh) * 2016-08-09 2017-01-04 北京奇虎科技有限公司 车辆违章检测的方法及设备
CN111382704A (zh) * 2020-03-10 2020-07-07 北京以萨技术股份有限公司 基于深度学习的车辆压线违章判断方法、装置及存储介质
CN111523464A (zh) * 2020-04-23 2020-08-11 上海眼控科技股份有限公司 车辆违法变道的检测方法和装置

Also Published As

Publication number Publication date
CN112270245B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN112052850A (zh) 车牌识别方法、装置、电子设备及存储介质
CN112396005A (zh) 生物特征图像识别方法、装置、电子设备及可读存储介质
CN112446544A (zh) 交通流预测模型训练方法、装置、电子设备及存储介质
CN111914939A (zh) 识别模糊图像的方法、装置、设备及计算机可读存储介质
CN111309825A (zh) 数据聚类的存储方法、装置及计算机可读存储介质
CN112581227A (zh) 产品推荐方法、装置、电子设备及存储介质
CN114970705B (zh) 基于多传感数据的行驶状态分析方法、装置、设备及介质
CN112749653A (zh) 行人检测方法、装置、电子设备及存储介质
CN112270244A (zh) 目标物违规监控方法、装置、电子设备及存储介质
CN112137591A (zh) 基于视频流的目标物位置检测方法、装置、设备及介质
CN111985449A (zh) 救援现场图像的识别方法、装置、设备及计算机介质
CN113034406A (zh) 扭曲文档恢复方法、装置、设备及介质
CN113487621A (zh) 医学图像分级方法、装置、电子设备及可读存储介质
CN113554008A (zh) 静态物体区域内检测方法、装置、电子设备及存储介质
CN114049568A (zh) 基于图像比对的标的物形变检测方法、装置、设备及介质
CN115471775A (zh) 基于录屏视频的信息验证方法、装置、设备及存储介质
CN114187489B (zh) 车辆异常驾驶风险检测方法、装置、电子设备及存储介质
CN112580684A (zh) 基于半监督学习的目标检测方法、装置及存储介质
CN111931729A (zh) 基于人工智能的行人检测方法、装置、设备及介质
CN114066664A (zh) 基于行为画像的风险等级评估方法、装置、设备及介质
CN113887439A (zh) 基于图像识别的自动预警方法、装置、设备及存储介质
CN112528903B (zh) 人脸图像获取方法、装置、电子设备及介质
CN115049836B (zh) 图像分割方法、装置、设备及存储介质
CN112270245B (zh) 行车违法检测方法、装置、设备及计算机介质
CN111488876B (zh) 基于人工智能的车牌识别方法、装置、设备及介质

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