CN112289040B - 一种车辆行驶方向识别的方法、装置及存储介质 - Google Patents
一种车辆行驶方向识别的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112289040B CN112289040B CN202011334868.7A CN202011334868A CN112289040B CN 112289040 B CN112289040 B CN 112289040B CN 202011334868 A CN202011334868 A CN 202011334868A CN 112289040 B CN112289040 B CN 112289040B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving direction
- target vehicle
- traveling direction
- algorithm
- 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.)
- Active
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
- G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆行驶方向识别的方法、装置及存储介质，用以解决现有技术中存在的车辆行驶方向识别准确率低的技术问题，该方法包括：确定目标车辆在经过交通路口时通过的第一条停止线；其中，第一条停止线靠近违章抓拍设备；当目标车辆当前所在位置与第一条停止线之间的距离小于等于第一距离时，使用与车辆特征信息相关的第一组算法，对目标车辆的行驶方向进行识别；当目标车辆当前所在位置与第一条停止线之间的距离大于第一距离时，使用与场景信息相关的第二组算法，对目标车辆的行驶方向进行识别。
Description
技术领域
本发明涉及智慧交通领域，尤其是涉及一种车辆行驶方向识别的方法、装置及存储介质。
背景技术
在智慧交通领域中，通过前端拍摄设备(如相机)抓拍图片或者视频后，需要对图片或视频中的内容进行解析。
由于在针对违章车辆进行判罚时，车辆是否有违反交通信号灯行驶、违反导向箭头行驶等都需要准确的知道车辆的行驶方向，因此从图片或视频中解析出车辆的行驶方向是十分有必要的。
在现有技术中，从图片或视频中解析出车辆的行驶方向通常有以下几种方式：
第一种方式：通过车道线的延伸判断车辆的行驶方向。通过识别图片中最左侧车道和最右侧车道的车道线，将识别的车道线进行延伸，当车辆越过左侧的车道线时，车辆将被判定为左转；当车辆仅在左右两边界线内行驶时，车辆将被判定为直行；当车辆越过右侧车道线，则被判定为右转。
第二种方式：单一使用车辆及车辆周围场景信息识别车辆行驶方向。通过CNN分类网络分别学习车辆姿态特征及车辆周围外部区域信息，用训练后的CNN网络对图片进行识别，确定车辆的行驶方向。
然而，在上述第一种方式中，由于对车道线的检测有着极高的需求，但是实际应用中当车流量较多、车道线不清晰、遮挡车道线等情况下，拍摄设备无法清晰的获取到地面信息，导致车道线误识别、漏检等，这将降低车辆行驶方向识别的准确率。在上述第二种方式中，由于神经网络算法对场景要求及场景的多样性有较高的要求，如果训练的样本中没有类似的场景信息、车辆的外观属性不清晰(如车辆位于较远较暗的夜晚场景中)，则比较容易发生误判,导致车辆行驶方向识别的准确率较低。
鉴于此，如何提高识别车辆行驶方向的准确率，成为一个亟待解决的技术问题。
发明内容
本发明提供一种车辆行驶方向识别的方法、装置及存储介质，用以解决现有技术中存在的车辆行驶方向识别准确率低的技术问题。
第一方面，为解决上述技术问题，本发明实施例提供的一种车辆行驶方向识别的方法，应用于违章抓拍设备，所述违章抓拍设备用于对车尾进行抓拍，该方法的技术方案如下：
确定目标车辆在经过交通路口时通过的第一条停止线；其中，所述第一条停止线靠近所述违章抓拍设备；
当所述目标车辆当前所在位置与所述第一条停止线之间的距离小于等于第一距离时，使用与车辆特征信息相关的第一组算法，对所述目标车辆的行驶方向进行识别；
当所述目标车辆当前所在位置与所述第一条停止线之间的距离大于所述第一距离时，使用与场景信息相关的第二组算法，对所述目标车辆的行驶方向进行识别。
一种可能的实施方式，使用与车辆特征信息相关的第一组算法，对所述目标车辆的行驶方向进行识别，包括：
用车头朝向算法对所述目标车辆的行驶方向进行识别，获得第一行驶方向；其中，所述车头朝向算法是通过获取车辆的车身信息确定车辆的车头朝向来确定行驶方向的；
用拼接神经网络识别算法对所述目标车辆的行驶方向进行识别，获得第二行驶方向；其中，所述拼接神经网络识别算法包括两个卷积神经网络和一个concat层，以及全连接层，所述两个卷积神经网络分别用于提取车辆特征信息和场景信息，所述concat层用于将所述车辆信息和所述场景信息进行融合，并传输给所述全连接层进行分类计算，以输出车辆的行驶方向；
判断所述第一行驶方向和所述第二行驶方向是否相同，若相同将所述第一行驶方向确定为所述目标车辆的行驶方向。
一种可能的实施方式，判断所述第一行驶方向和所述第二行驶方向是否相同之后，还包括：
若所述第一行驶方向和所述第二行驶方向不同，则选取置信度最高的一个作为所述目标车辆的行驶方向。
一种可能的实施方式，使用与场景信息相关的第二组算法，对所述目标车辆的行驶方向进行识别，包括：
使用第一算法对所述目标车辆的行驶方向进行识别，获得第三行驶方向；其中，所述第一算法是根据计算出的车辆转弯幅度确定行驶方向的，所述转弯幅度是由照片中车道线延长线的交点、检测出的车辆和车牌中心点确定的；
若所述第三行驶方向不是直行方向，则使用车头朝向算法对所述目标车辆的行驶方向进行识别，获得第四行驶方向；其中，所述车头朝向算法是通过获取车辆的车身信息确定车辆的车头朝向来确定行驶方向的；
比较所述第三行驶方向与所述第四行驶方向是否相同，若相同则将所述第三行驶方向确定为所述目标车辆的行驶方向。
一种可能的实施方式，比较所述第三行驶方向与所述第四行驶方向是否相同之后，还包括：
若所述第三行驶方向与所述第四行驶方向不同，则用拼接神经网络识别算法对所述目标车辆的行驶方向进行识别，获得第五行驶方向；其中，所述拼接神经网络识别算法包括两个卷积神经网络和一个concat层，以及全连接层，所述两个卷积神经网络分别用于提取车辆特征信息和场景信息，所述concat层用于将所述车辆信息和所述场景信息进行融合，并传输给所述全连接层进行分类计算，以输出车辆的行驶方向；
判断所述第五行驶方向与所述第四行驶方向是否相同，若相同则将所述第四行驶方向确定为所述目标车辆的行驶方向。
一种可能的实施方式，判断所述第五行驶方向与所述第四行驶方向是否相同之后，还包括：
若所述第五行驶方向与所述第四行驶方向不同，则从所述第三行驶方向、所述第四行驶方向、所述第五行驶方向中选取置信度最高的一个，作为所述目标车辆的行驶方向。
一种可能的实施方式，使用所述第一组算法或所述第二组算法之前，还包括：
在所述行驶方向上，对所述交通路口的直行车道进行识别，获得直行区域；判断所述目标车辆是否在所述直行区域内，若为是确定所述目标车辆的行驶方向为直行方向，且不执行所述第一组算法和所述第二组算法。
第二方面，本发明实施例提供了一种车辆行驶方向识别的装置，应用于违章抓拍设备，所述违章抓拍设备用于对车尾进行抓拍，该装置包括：
确定单元，用于确定目标车辆在经过交通路口时通过的第一条停止线；其中，所述第一条停止线靠近所述违章抓拍设备；
第一识别单元，用于当所述目标车辆当前所在位置与所述第一条停止线之间的距离小于等于第一距离时，使用与车辆特征信息相关的第一组算法，对所述目标车辆的行驶方向进行识别；
第二识别单元，用于当所述目标车辆当前所在位置与所述第一条停止线之间的距离大于所述第一距离时，使用与场景信息相关的第二组算法，对所述目标车辆的行驶方向进行识别。
一种可能的实施方式，所述第一识别单元具体用于：
用车头朝向算法对所述目标车辆的行驶方向进行识别，获得第一行驶方向；其中，所述车头朝向算法是通过获取车辆的车身信息确定车辆的车头朝向来确定行驶方向的；
用拼接神经网络识别算法对所述目标车辆的行驶方向进行识别，获得第二行驶方向；其中，所述拼接神经网络识别算法包括两个卷积神经网络和一个concat层，以及全连接层，所述两个卷积神经网络分别用于提取车辆特征信息和场景信息，所述concat层用于将所述车辆信息和所述场景信息进行融合，并传输给所述全连接层进行分类计算，以输出车辆的行驶方向；
判断所述第一行驶方向和所述第二行驶方向是否相同，若相同将所述第一行驶方向确定为所述目标车辆的行驶方向。
一种可能的实施方式，所述第一识别单元还用于：
若所述第一行驶方向和所述第二行驶方向不同，则选取置信度最高的一个作为所述目标车辆的行驶方向。
一种可能的实施方式，所述第二识别单元具体用于：
使用第一算法对所述目标车辆的行驶方向进行识别，获得第三行驶方向；其中，所述第一算法是根据计算出的车辆转弯幅度确定行驶方向的，所述转弯幅度是由照片中车道线延长线的交点、检测出的车辆和车牌中心点确定的；
若所述第三行驶方向不是直行方向，则使用车头朝向算法对所述目标车辆的行驶方向进行识别，获得第四行驶方向；其中，所述车头朝向算法是通过获取车辆的车身信息确定车辆的车头朝向来确定行驶方向的；
比较所述第三行驶方向与所述第四行驶方向是否相同，若相同则将所述第三行驶方向确定为所述目标车辆的行驶方向。
一种可能的实施方式，所述第二识别单元还用于：
若所述第三行驶方向与所述第四行驶方向不同，则用拼接神经网络识别算法对所述目标车辆的行驶方向进行识别，获得第五行驶方向；其中，所述拼接神经网络识别算法包括两个卷积神经网络和一个concat层，以及全连接层，所述两个卷积神经网络分别用于提取车辆特征信息和场景信息，所述concat层用于将所述车辆信息和所述场景信息进行融合，并传输给所述全连接层进行分类计算，以输出车辆的行驶方向；
判断所述第五行驶方向与所述第四行驶方向是否相同，若相同则将所述第四行驶方向确定为所述目标车辆的行驶方向。
一种可能的实施方式，所述第二识别单元还用于：
若所述第五行驶方向与所述第四行驶方向不同，则从所述第三行驶方向、所述第四行驶方向、所述第五行驶方向中选取置信度最高的一个，作为所述目标车辆的行驶方向。
一种可能的实施方式，所述装置还包括第三识别单元，所述第三识别单元用于：
在所述行驶方向上，对所述交通路口的直行车道进行识别，获得直行区域；判断所述目标车辆是否在所述直行区域内，若为是确定所述目标车辆的行驶方向为直行方向，且不执行所述第一组算法和所述第二组算法。
第三方面，本发明实施例还提供一种车辆行驶方向识别的装置，包括：
至少一个处理器，以及
与所述至少一个处理器连接的存储器；
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，所述至少一个处理器通过执行所述存储器存储的指令，执行如上述第一方面所述的方法。
第四方面，本发明实施例还提供一种可读存储介质，包括：
存储器，
所述存储器用于存储指令，当所述指令被处理器执行时，使得包括所述可读存储介质的装置完成如上述第一方面所述的方法。
通过本发明实施例的上述一个或多个实施例中的技术方案，本发明实施例至少具有如下技术效果：
在本发明提供的实施例中，由于违章抓拍设备是用于对车尾进行抓拍的，因此通过确定目标车辆在经过交通路口时通过的第一条停止线相当于确定了离违章抓拍设备最近的停止线；当目标车辆当前所在位置与第一条停止线之间的距离小于等于第一距离时，可以确定目标车辆离违章抓拍设备较近，此时拍摄到的图像中目标车辆自身的车辆特征信息更加明显，因此使用与车辆特征信息相关的第一组算法，对目标车辆的行驶方向进行识别，可以提高识别车辆行驶方向的准确率；当目标车辆当前所在位置与第一条停止线之间的距离大于第一距离时，可以确定目标车辆离违章抓拍设备较远，此时拍摄到的图像中目标车辆自身的车辆特征信息并不明显，而场景信息相对更加明显，因此使用与场景信息相关的第二组算法，对目标车辆的行驶方向进行识别，可以提高识别车辆行驶方向的准确率。
附图说明
图1为车道线监测算法识别车辆行驶方向的示意图；
图2为拼接神经网络识别算法的基本原理图；
图3为第一算法的基本原理图；
图4为本发明实施例提供的一种车辆行驶方向识别方法的流程图；
图5为本发明实施例提供的一种车辆行驶方向识别装置的结构示意图。
具体实施方式
本发明实施列提供一种车辆行驶方向识别的方法、装置及存储介质，用以解决现有技术中存在的车辆行驶方向识别准确率低的技术问题。
为了是本领域的技术人员能够充分理解本发明的技术方案，在介绍本发明的技术方案之前，先对本发明中会用的几种算法的识别原理进行简单的介绍：
1、车道线监测算法。
请参见图1为车道线监测算法识别车辆行驶方向的示意图。其基本原理是：通过识别车道最左侧车道和最右侧车道的车道线(如图1中车道2的左右两侧的车道线)，将识别的车道线进行延伸(延伸部分用虚线表示)，当车辆越过左侧的车道线(如图1中灰色车辆所示)，车辆将被判定为左转；当车辆仅在左右两边界线内行驶(如图1中黑色车辆所示)，车辆将被判定为直行；当车辆越过右侧车道线(如图1中白色了所示)，则被判定为右转。
2、拼接神经网络识别算法。
基本原理是通过分别学习车辆姿态特征及车辆周围外部区域信息，使用CNN分类网络最终输出车辆的行驶方向。
请参见图2为拼接神经网络识别算法的基本原理图。
两个卷积神经网络(Convolutional Neural Networks,CNN)分别从同一张图片中的识别出场景特征信息和车辆特征信息，然后用concat层将场景特征信息和车辆特征信息进行融合，并传输给全连接层或另一个卷积神经网络进行分类，输出识别结果。
需要说明的是，图2中的两张图片分别代表的是用卷积神经网络从同一图片中获取的场景特征信息和车辆特征信息，而不是两个卷积神经网络分别对两个图片进行识别。
3、第一算法。
主要是通过灭点(即车道线延长线的交点)、车辆中心点及车检框得到两线(具体见后续描述的第一根线和第二根线)之间夹角，进而根据夹角确定车辆行驶方向。
请参见图3为第一算法的基本原理图。该算法通常需要先通过场景分割，确定车道线，通过延长车道线得到图像的灭点位置。
通过灭点和车辆中心点确定第一根线，再找到车牌检测框的中心点，分别算出车牌检测框的中心点距离车检框左侧的距离(如图3中黑色点线所示，即图3中下方的L2线段的箭头指向的点线)，及车牌检测框的中心点距离车检框右侧的距离(如图3中黑色虚线所示，即图3中下方的L1线段的箭头指向的虚线)。之后，在车检框是上边缘，将上述两个根线(L1、L2对应的线)左右对调后画到车检框的上边缘线上(如图3中车检框上边缘上的白色点线，即图3中上方的L2线段的箭头指向的点线，和图3中白色虚线所示，即图3中上方的L1线段的箭头指向的虚线)，从而在该上边缘线上将这两根线的分割点作为第二根线的一个端点，将车牌检测框的中心点作为第二根线的另一个端点，构建出第二根线。计算出第一根线和第二根线的夹角(θ)，若θ左转大于30°，则确定为左转；若θ右转大于30°，则确定为右转。
4、车头朝向算法。
车辆的车身通常有四个侧面，通过识别车身的四个侧面中哪一个或几个侧面是朝向拍摄设备(即被拍摄到)的，从而确定车头的朝向位置，进而确定车辆的行驶方向。
5、直行区域识别算法，即通过识别车道中的车道线，来确定直行区域。
本申请实施例中的技术方案为解决上述的技术问题，总体思路如下：
提供一种车辆行驶方向识别的方法，应用于违章抓拍设备，违章抓拍设备用于对车尾进行抓拍，该方法包括：确定目标车辆在经过交通路口时通过的第一条停止线；其中，第一条停止线靠近违章抓拍设备；当目标车辆当前所在位置与第一条停止线之间的距离小于等于第一距离时，使用与车辆特征信息相关的第一组算法，对目标车辆的行驶方向进行识别；当目标车辆当前所在位置与第一条停止线之间的距离大于第一距离时，使用与场景信息相关的第二组算法，对目标车辆的行驶方向进行识别。
由于在上述方案中，由于违章抓拍设备是用于对车尾进行抓拍的，因此通过确定目标车辆在经过交通路口时通过的第一条停止线相当于确定了离违章抓拍设备最近的停止线；当目标车辆当前所在位置与第一条停止线之间的距离小于等于第一距离时，可以确定目标车辆离违章抓拍设备较近，此时拍摄到的图像中目标车辆自身的车辆特征信息更加明显，因此使用与车辆特征信息相关的第一组算法，对目标车辆的行驶方向进行识别，可以提高识别车辆行驶方向的准确率；当目标车辆当前所在位置与第一条停止线之间的距离大于第一距离时，可以确定目标车辆离违章抓拍设备较远，此时拍摄到的图像中目标车辆自身的车辆特征信息并不明显，而场景信息相对更加明显，因此使用与场景信息相关的第二组算法，对目标车辆的行驶方向进行识别，可以提高识别车辆行驶方向的准确率。
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
请参考图4，本发明实施例提供一种车辆行驶方向识别的方法，应用于违章抓拍设备，违章抓拍设备用于对车尾进行抓拍，该方法的处理过程如下。
步骤401：确定目标车辆在经过交通路口时通过的第一条停止线；其中，第一条停止线靠近违章抓拍设备。
通常，在交通路口的停止线附近都设有能检测车辆是否压线的装置，因此可以根据该装置的反馈信息确定目标车辆通过的第一条停止线。
当然，也可以通过违章抓拍设备抓拍到的图片，对目标车辆，及其中的停止线进行识别，确定目标车辆通过的第一条停止线。具体采用何种方式确定第一条停止线在此不做限定。
在确定第一条停止线之后，便可执行步骤402。
步骤402：当目标车辆当前所在位置与第一条停止线之间的距离小于等于第一距离时，使用与车辆特征信息相关的第一组算法，对目标车辆的行驶方向进行识别。
由于计算目标车辆当前所在位置与第一条停止线之间的距离，已属于比较成熟的方案，因此不再对此进行赘述。
用与车辆特征信息相关的第一组算法，对目标车辆的行驶方向进行识别，可以采用下列方案实现：
用车头朝向算法对目标车辆的行驶方向进行识别，获得第一行驶方向；其中，车头朝向算法是通过获取车辆的车身信息确定车辆的车头朝向来确定行驶方向的；用拼接神经网络识别算法对目标车辆的行驶方向进行识别，获得第二行驶方向；其中，拼接神经网络识别算法包括两个卷积神经网络和一个concat层，以及全连接层，两个卷积神经网络分别用于提取车辆特征信息和场景信息，concat层用于将车辆信息和场景信息进行融合，并传输给全连接层进行分类计算，以输出车辆的行驶方向；判断第一行驶方向和第二行驶方向是否相同，若相同将第一行驶方向确定为目标车辆的行驶方向。
例如，用车头朝向算法识别出目标车辆的第一行驶方向为左转，用拼接神经网络识别算法识别出目标车辆的第二行驶方向为左转，因此确定第一行驶方向和第二行驶方向相同，可以确定用车头朝向算法识别出的结果是正确的，此时将第一行驶方向(左转)确定为目标车辆的行驶方向。
一种可能的实施方式，若第一行驶方向和第二行驶方向不同，则选取置信度最高的一个作为目标车辆的行驶方向。
又如，用车头朝向算法识别出目标车辆的第一行驶方向为左转，该算法给出的置信度为X1；用拼接神经网络识别算法识别出目标车辆的第二行驶方向为右转，该算法给出的置信度为X2，假设X2>X1，此时第一行驶方向和第二行驶方向不同，且第二行驶方向的置信度更高，因此选择第二行驶方向作为目标车辆的行驶方向。
步骤403：当目标车辆当前所在位置与第一条停止线之间的距离大于第一距离时，使用与场景信息相关的第二组算法，对目标车辆的行驶方向进行识别。
使用与场景信息相关的第二组算法，对所述目标车辆的行驶方向进行识别，可以通过下列方式实现：
使用第一算法对目标车辆的行驶方向进行识别，获得第三行驶方向；其中，第一算法是根据计算出的车辆转弯幅度确定行驶方向的，转弯幅度是由照片中车道线延长线的交点、检测出的车辆和车牌中心点确定的；若第三行驶方向不是直行方向，则使用车头朝向算法对目标车辆的行驶方向进行识别，获得第四行驶方向；其中，车头朝向算法是通过获取车辆的车身信息确定车辆的车头朝向来确定行驶方向的；比较第三行驶方向与第四行驶方向是否相同，若相同则将第三行驶方向确定为目标车辆的行驶方向。
例如，用第一算法识别出目标车的第三行驶方向为右转，此时可以确定第三行驶方向不是直行方向，因此需要使用车头朝向算法对目标车辆的行驶方向进行识别，以验证第一算法是否识别正确，若车头朝向算法识别出的第四行驶方向为右转，说明第一算法的是识别结果是正确的，因此可以将第三行驶方向确定为目标车辆的行驶方向。
由于车头朝向算法是对车身进行识别来确定车头朝向，进而根据车头朝向确定行驶方向的，而车身在拍摄的图像中通常占有的面积比较大，因此不管是距离违章抓拍设备较近还是较远，都能较为准确的捕捉到车身特征，在确定第三行驶方向不是直行方向后，车头朝向算法在此对目标车辆的行驶方向进行识别，进而验证第三行驶方向是否能够准确有效地提高目标车辆行驶方向识别的准确率。
一种可能的实施方式，若第三行驶方向与第四行驶方向不同，则用拼接神经网络识别算法对目标车辆的行驶方向进行识别，获得第五行驶方向；其中，拼接神经网络识别算法包括两个卷积神经网络和一个concat层，以及全连接层，两个卷积神经网络分别用于提取车辆特征信息和场景信息，concat层用于将车辆信息和场景信息进行融合，并传输给全连接层进行分类计算，以输出车辆的行驶方向；判断第五行驶方向与第四行驶方向是否相同，若相同则将第四行驶方向确定为目标车辆的行驶方向。
例如，用第一算法识别出目标车的第三行驶方向为右转，此时可以确定第三行驶方向不是直行方向，因此使用车头朝向算法对目标车辆的行驶方向进行识别，确定第四行驶方向为直行，说明第一算法的是识别结果不正确，因此还需要进一步用拼接神经网络识别算法对目标车辆的行驶方向进行识别，得到第五行驶方向，以验证车头朝向算法的识别结果是否正确，若正确则将第四行驶方向确定为目标车辆的行驶方向。若车头朝向算法的识别结果与第一算法的识别结果相同(即第三行驶方向与第五行驶方向相同)，则将第一行驶方向确定为目标车辆的行驶方向。
一种可能的实施方式，若第五行驶方向与第四行驶方向不同，则从第三行驶方向、第四行驶方向、第五行驶方向中选取置信度最高的一个，作为目标车辆的行驶方向。
一种可能的实施方式，使用第一组算法或第二组算法之前，还可以：在行驶方向上，对交通路口的直行车道进行识别，获得直行区域；判断目标车辆是否在直行区域内，若为是确定目标车辆的行驶方向为直行方向，且不执行第一组算法和第二组算法。
确定直行区域可以采用直行区域识别算法进行识别。
在使用第一组算法或第二组算法之前，通过判断目标车辆是否在直行区域内，并在确定目标车辆在直行区域内后，不再执行第一组算法和第二组算法，可以有效地降低工作量，提高识别效率。
基于同一发明构思，本发明一实施例中提供一种车辆行驶方向识别的装置，该装置的车辆行驶方向识别的方法的具体实施方式可参见方法实施例部分的描述，重复之处不再赘述，请参见图5，应用于违章抓拍设备，所述违章抓拍设备用于对车尾进行抓拍，该装置包括：
确定单元501，用于确定目标车辆在经过交通路口时通过的第一条停止线；其中，所述第一条停止线靠近所述违章抓拍设备；
第一识别单元502，用于当所述目标车辆当前所在位置与所述第一条停止线之间的距离小于等于第一距离时，使用与车辆特征信息相关的第一组算法，对所述目标车辆的行驶方向进行识别；
第二识别单元503，用于当所述目标车辆当前所在位置与所述第一条停止线之间的距离大于所述第一距离时，使用与场景信息相关的第二组算法，对所述目标车辆的行驶方向进行识别。
一种可能的实施方式，所述第一识别单元502具体用于：
用车头朝向算法对所述目标车辆的行驶方向进行识别，获得第一行驶方向；其中，所述车头朝向算法是通过获取车辆的车身信息确定车辆的车头朝向来确定行驶方向的；
用拼接神经网络识别算法对所述目标车辆的行驶方向进行识别，获得第二行驶方向；其中，所述拼接神经网络识别算法包括两个卷积神经网络和一个concat层，以及全连接层，所述两个卷积神经网络分别用于提取车辆特征信息和场景信息，所述concat层用于将所述车辆信息和所述场景信息进行融合，并传输给所述全连接层进行分类计算，以输出车辆的行驶方向；
判断所述第一行驶方向和所述第二行驶方向是否相同，若相同将所述第一行驶方向确定为所述目标车辆的行驶方向。
一种可能的实施方式，所述第一识别单元502还用于：
若所述第一行驶方向和所述第二行驶方向不同，则选取置信度最高的一个作为所述目标车辆的行驶方向。
一种可能的实施方式，所述第二识别单元503具体用于：
使用第一算法对所述目标车辆的行驶方向进行识别，获得第三行驶方向；其中，所述第一算法是根据计算出的车辆转弯幅度确定行驶方向的，所述转弯幅度是由照片中车道线延长线的交点、检测出的车辆和车牌中心点确定的；
若所述第三行驶方向不是直行方向，则使用车头朝向算法对所述目标车辆的行驶方向进行识别，获得第四行驶方向；其中，所述车头朝向算法是通过获取车辆的车身信息确定车辆的车头朝向来确定行驶方向的；
比较所述第三行驶方向与所述第四行驶方向是否相同，若相同则将所述第三行驶方向确定为所述目标车辆的行驶方向。
一种可能的实施方式，所述第二识别单元503还用于：
若所述第三行驶方向与所述第四行驶方向不同，则用拼接神经网络识别算法对所述目标车辆的行驶方向进行识别，获得第五行驶方向；其中，所述拼接神经网络识别算法包括两个卷积神经网络和一个concat层，以及全连接层，所述两个卷积神经网络分别用于提取车辆特征信息和场景信息，所述concat层用于将所述车辆信息和所述场景信息进行融合，并传输给所述全连接层进行分类计算，以输出车辆的行驶方向；
判断所述第五行驶方向与所述第四行驶方向是否相同，若相同则将所述第四行驶方向确定为所述目标车辆的行驶方向。
一种可能的实施方式，所述第二识别单元503还用于：
若所述第五行驶方向与所述第四行驶方向不同，则从所述第三行驶方向、所述第四行驶方向、所述第五行驶方向中选取置信度最高的一个，作为所述目标车辆的行驶方向。
一种可能的实施方式，所述装置还包括第三识别单元504，所述第三识别单元504用于：
在所述行驶方向上，对所述交通路口的直行车道进行识别，获得直行区域；判断所述目标车辆是否在所述直行区域内，若为是确定所述目标车辆的行驶方向为直行方向，且不执行所述第一组算法和所述第二组算法。
当车道线能被准确识别出来时，还可以在第一组算法和第二组算法中使用车道线监测算法来辅助识别车辆的行驶方向，进而综合各个识别结果确定车辆的行驶方向，提高车辆行驶方向识别的准确率。
基于同一发明构思，本发明实施例中提供了一种车辆行驶方向识别的装置，包括：至少一个处理器，以及
与所述至少一个处理器连接的存储器；
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，所述至少一个处理器通过执行所述存储器存储的指令，执行如上所述的车辆行驶方向识别的方法。
基于同一发明构思，本发明实施例还提一种可读存储介质，包括：
存储器，
所述存储器用于存储指令，当所述指令被处理器执行时，使得包括所述可读存储介质的装置完成如上所述的车辆行驶方向识别的方法。
本领域内的技术人员应明白，本发明实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种车辆行驶方向识别的方法，其特征在于，应用于违章抓拍设备，所述违章抓拍设备用于对车尾进行抓拍，所述方法包括：
确定目标车辆在经过交通路口时通过的第一条停止线；其中，所述第一条停止线靠近所述违章抓拍设备；
当所述目标车辆当前所在位置与所述第一条停止线之间的距离小于等于第一距离时，使用与车辆特征信息相关的第一组算法，对所述目标车辆的行驶方向进行识别；其中，所述第一组算法中包括车头朝向算法和拼接神经网络识别算法，所述车头朝向算法通过获取所述目标车辆的车身信息确定所述目标车辆的车头朝向，从而对所述目标车辆的行驶方向进行识别，获得第一行驶方向；用所述拼接神经网络识别算法对所述目标车辆的行驶方向进行识别，获得第二行驶方向；其中，所述拼接神经网络识别算法包括两个卷积神经网络和一个concat层，以及全连接层，所述两个卷积神经网络分别用于提取车辆特征信息和场景特征信息，所述concat层用于将所述车辆特征信息和所述场景特征 信息进行融合，并传输给所述全连接层进行分类计算，以输出车辆的行驶方向；
当所述第一行驶方向和所述第二行驶方向相同时，将所述第一行驶方向确定为所述目标车辆的行驶方向，否则选择所述第一行驶方向和第二行驶方向中置信度最高的一个作为所述目标车辆的行驶方向；
当所述目标车辆当前所在位置与所述第一条停止线之间的距离大于所述第一距离时，使用与场景信息相关的第二组算法，对所述目标车辆的行驶方向进行识别；其中，所述第二组算法包括根据场景信息计算所述车辆转弯幅度确定车辆行驶方向的第一算法，和所述车头朝向算法、所述拼接神经网络识别算法；所述第一算法根据计算出的车辆转弯幅度确定所述目标车辆的第三行驶方向，所述转弯幅度是由照片中车道线延长线的交点、检测出的车辆和车牌中心点确定的；所述车头朝向算法通过获取车辆的车身信息确定车辆的车头朝向来确定所述目标车辆的第四行驶方向；所述拼接神经网络识别算法包括两个卷积神经网络和一个concat层，以及全连接层，所述两个卷积神经网络分别用于提取车辆特征信息和场景信息，所述concat层用于将所述车辆特征信息和所述场景信息进行融合，并传输给所述全连接层进行分类计算，以输出所述目标车辆的第五行驶方向；若所述第三行驶方向不是直行方向，则使用车头朝向算法对所述目标车辆的行驶方向进行识别，获得第四行驶方向；比较所述第三行驶方向与所述第四行驶方向是否相同，若相同则将所述第三行驶方向确定为所述目标车辆的行驶方向；若所述第三行驶方向与所述第四行驶方向不同，则判断所述第五行驶方向与所述第四行驶方向是否相同，若相同则将所述第四行驶方向确定为所述目标车辆的行驶方向；若所述第五行驶方向与所述第四行驶方向不同，则从所述第三行驶方向、所述第四行驶方向、所述第五行驶方向中选取置信度最高的一个，作为所述目标车辆的行驶方向。
2.如权利要求1所述的方法，其特征在于，使用所述第一组算法或所述第二组算法之前，还包括：
在所述行驶方向上，对所述交通路口的直行车道进行识别，获得直行区域；判断所述目标车辆是否在所述直行区域内，若为是确定所述目标车辆的行驶方向为直行方向，且不执行所述第一组算法和所述第二组算法。
3.一种车辆行驶方向识别的装置，其特征在于，应用于违章抓拍设备，所述违章抓拍设备用于对车尾进行抓拍，该装置包括：
确定单元，用于确定目标车辆在经过交通路口时通过的第一条停止线；其中，所述第一条停止线靠近所述违章抓拍设备；
第一识别单元，用于当所述目标车辆当前所在位置与所述第一条停止线之间的距离小于等于第一距离时，使用与车辆特征信息相关的第一组算法，对所述目标车辆的行驶方向进行识别；其中，所述第一组算法中包括车头朝向算法和拼接神经网络识别算法，所述车头朝向算法通过获取所述目标车辆的车身信息确定所述目标车辆的车头朝向，从而对所述目标车辆的行驶方向进行识别，获得第一行驶方向；用所述拼接神经网络识别算法对所述目标车辆的行驶方向进行识别，获得第二行驶方向；其中，所述拼接神经网络识别算法包括两个卷积神经网络和一个concat层，以及全连接层，所述两个卷积神经网络分别用于提取车辆特征信息和场景特征信息，所述concat层用于将所述车辆特征信息和所述场景特征 信息进行融合，并传输给所述全连接层进行分类计算，以输出车辆的行驶方向；当所述第一行驶方向和所述第二行驶方向相同时，将所述第一行驶方向确定为所述目标车辆的行驶方向，否则选择所述第一行驶方向和第二行驶方向中置信度最高的一个作为所述目标车辆的行驶方向；
第二识别单元，用于当所述目标车辆当前所在位置与所述第一条停止线之间的距离大于所述第一距离时，使用与场景信息相关的第二组算法，对所述目标车辆的行驶方向进行识别；其中，所述第二组算法包括根据所述场景信息计算所述车辆转弯幅度确定车辆行驶方向的第一算法，和所述车头朝向算法、所述拼接神经网络识别算法；所述第一算法根据计算出的车辆转弯幅度确定所述目标车辆的第三行驶方向，所述转弯幅度是由照片中车道线延长线的交点、检测出的车辆和车牌中心点确定的；所述车头朝向算法通过获取车辆的车身信息确定车辆的车头朝向来确定所述目标车辆的第四行驶方向；所述拼接神经网络识别算法包括两个卷积神经网络和一个concat层，以及全连接层，所述两个卷积神经网络分别用于提取车辆特征信息和场景信息，所述concat层用于将所述车辆特征信息和所述场景信息进行融合，并传输给所述全连接层进行分类计算，以输出所述目标车辆的第五行驶方向；若所述第三行驶方向不是直行方向，则使用车头朝向算法对所述目标车辆的行驶方向进行识别，获得第四行驶方向；比较所述第三行驶方向与所述第四行驶方向是否相同，若相同则将所述第三行驶方向确定为所述目标车辆的行驶方向；若所述第三行驶方向与所述第四行驶方向不同，则判断所述第五行驶方向与所述第四行驶方向是否相同，若相同则将所述第四行驶方向确定为所述目标车辆的行驶方向；若所述第五行驶方向与所述第四行驶方向不同，则从所述第三行驶方向、所述第四行驶方向、所述第五行驶方向中选取置信度最高的一个，作为所述目标车辆的行驶方向。
4.一种车辆行驶方向识别的装置，其特征在于，包括：
至少一个处理器，以及
与所述至少一个处理器连接的存储器；
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，所述至少一个处理器通过执行所述存储器存储的指令，执行如权利要求1-2任一项所述的方法。
5.一种可读存储介质，其特征在于，包括存储器，
所述存储器用于存储指令，当所述指令被处理器执行时，使得包括所述可读存储介质的装置完成如权利要求1～2中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011334868.7A CN112289040B (zh) | 2020-11-25 | 2020-11-25 | 一种车辆行驶方向识别的方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011334868.7A CN112289040B (zh) | 2020-11-25 | 2020-11-25 | 一种车辆行驶方向识别的方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112289040A CN112289040A (zh) | 2021-01-29 |
| CN112289040B true CN112289040B (zh) | 2022-08-19 |
Family
ID=74425461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011334868.7A Active CN112289040B (zh) | 2020-11-25 | 2020-11-25 | 一种车辆行驶方向识别的方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112289040B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114170810A (zh) * | 2021-12-28 | 2022-03-11 | 深圳市捷顺科技实业股份有限公司 | 车行方向识别方法、系统及其装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145928B (zh) * | 2017-06-16 | 2020-10-27 | 杭州海康威视数字技术股份有限公司 | 一种基于图像的车头朝向识别方法及装置 |
| CN108416321A (zh) * | 2018-03-23 | 2018-08-17 | 北京市商汤科技开发有限公司 | 用于预测目标对象运动朝向的方法、车辆控制方法及装置 |
| CN110414329A (zh) * | 2019-06-19 | 2019-11-05 | 上海眼控科技股份有限公司 | 一种基于图像的车辆行驶方向判断方法 |
| CN110738181B (zh) * | 2019-10-21 | 2022-08-05 | 东软睿驰汽车技术（沈阳）有限公司 | 一种确定车辆朝向信息的方法及装置 |
| CN111160174B (zh) * | 2019-12-19 | 2023-07-25 | 深圳市捷顺科技实业股份有限公司 | 网络训练方法、车头朝向识别方法、装置及终端设备 |
| CN111339834B (zh) * | 2020-02-04 | 2023-06-02 | 浙江大华技术股份有限公司 | 车辆行驶方向的识别方法、计算机设备及存储介质 |
| CN111815959B (zh) * | 2020-06-19 | 2021-11-16 | 浙江大华技术股份有限公司 | 一种车辆违章的检测方法、装置以及计算机可读存储介质 |
| CN111723768B (zh) * | 2020-06-30 | 2023-08-11 | 北京百度网讯科技有限公司 | 车辆重识别的方法、装置、设备和存储介质 |
-
2020
- 2020-11-25 CN CN202011334868.7A patent/CN112289040B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112289040A (zh) | 2021-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190122059A1 (en) | Signal light detection | |
| CN110163176B (zh) | 车道线变化位置识别方法、装置、设备和介质 | |
| US8184859B2 (en) | Road marking recognition apparatus and method | |
| WO2022126377A1 (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
| CN111191611B (zh) | 基于深度学习的交通标志标号识别方法 | |
| CN111968378A (zh) | 机动车闯红灯抓拍方法、装置、计算机设备和存储介质 | |
| CN110135377B (zh) | 车路协同中物体运动状态检测方法、装置和服务器 | |
| CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
| US10013619B2 (en) | Method and device for detecting elliptical structures in an image | |
| CN111898540A (zh) | 车道线检测方法、装置、计算机设备及计算机可读存储介质 | |
| CN112289040B (zh) | 一种车辆行驶方向识别的方法、装置及存储介质 | |
| KR102306789B1 (ko) | 교행 다차로에서의 이상차량 인식방법 및 장치 | |
| US11069049B2 (en) | Division line detection device and division line detection method | |
| CN112434657A (zh) | 飘散运载物检测方法、设备、程序及计算机可读介质 | |
| JP2019218022A (ja) | 線路検出装置 | |
| Fernández-Rodríguez et al. | Automated detection of vehicles with anomalous trajectories in traffic surveillance videos | |
| JP6089698B2 (ja) | 情報処理装置及び方法 | |
| CN117058642A (zh) | 一种车道线检测方法、装置、设备及存储介质 | |
| CN111160183A (zh) | 一种车辆闯红灯检测方法及装置 | |
| EP4113377A1 (en) | Use of dbscan for lane detection | |
| CN112686136B (zh) | 一种对象检测方法、装置及系统 | |
| CN111753593A (zh) | 车载环视系统骑行车实时检测方法、系统及装置 | |
| Kluwak et al. | ALPR-extension to traditional plate recognition methods | |
| CN114255597B (zh) | 应急车道占用行为检测方法、装置、电子设备及存储介质 | |
| CN114494938A (zh) | 一种非机动车行为识别方法及相关装置 |
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 |