CN112395976A - 一种摩托车载人识别方法、装置、设备及存储介质 - Google Patents

一种摩托车载人识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112395976A
CN112395976A CN202011284772.4A CN202011284772A CN112395976A CN 112395976 A CN112395976 A CN 112395976A CN 202011284772 A CN202011284772 A CN 202011284772A CN 112395976 A CN112395976 A CN 112395976A
Authority
CN
China
Prior art keywords
motorcycle
monitoring image
determining
monitoring
contour
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011284772.4A
Other languages
English (en)
Inventor
于建志
徐志军
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.)
Hangzhou Hikvision System Technology Co Ltd
Original Assignee
Hangzhou Hikvision System Technology 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 Hangzhou Hikvision System Technology Co Ltd filed Critical Hangzhou Hikvision System Technology Co Ltd
Priority to CN202011284772.4A priority Critical patent/CN112395976A/zh
Publication of CN112395976A publication Critical patent/CN112395976A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • 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
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Alarm Systems (AREA)

Abstract

本发明实施例提供了一种摩托车载人识别方法、装置、设备及存储介质，方法包括：获取监控设备采集的监控图像；识别监控图像中的摩托车；根据监控设备对监控图像的采集方向的类型，确定监控图像中摩托车的载人数量。可见，本方案中，能够自动确定摩托车的载人数量，实现了自动识别摩托车载人，不需要依靠交警或者交通协管员人工识别摩托车载人的情况，减少了人力耗费。

Description

一种摩托车载人识别方法、装置、设备及存储介质
技术领域
本发明涉及图像识别技术领域，特别是涉及一种摩托车载人识别方法、装置、设备及存储介质。
背景技术
摩托车，是一种由燃油机驱动，靠手把操纵前轮转向的两轮车。摩托车的行驶速度较快，使用摩托车载人存在一定的安全风险。一些地区针对摩托车载人的情况制定了相关管理办法，例如，道路交通场景中，不允许存在摩托车载人的情况，或者，一台摩托车上的骑乘人员数量不超过两人，等等。
目前，通常只能依靠交警或者交通协管员人工识别摩托车载人的情况，耗费较多人力。
发明内容
本发明实施例的目的在于提供一种摩托车载人识别方法、装置、设备及存储介质，以自动识别摩托车载人，减少人力耗费。
为达到上述目的，本发明实施例提供了一种摩托车载人识别方法，包括：
获取监控设备采集的监控图像；
识别所述监控图像中的摩托车；
根据所述监控设备对所述监控图像的采集方向的类型，确定所述监控图像中所述摩托车的载人数量。
可选的，所述识别所述监控图像中的摩托车，包括：
识别所述监控图像中的通行目标是否为二轮车辆且是否存在排气管；如果所述监控图像中的通行目标为二轮车辆且存在排气管，确定所述监控图像中的通行目标为摩托车；或者，
识别所述监控图像中的通行目标是否为二轮车辆且是否为摩托车车牌；如果所述监控图像中的通行目标为二轮车辆且所述通行目标的车牌是否为摩托车车牌，确定所述监控图像中的通行目标为摩托车。
可选的，所述根据所述监控设备对所述监控图像的采集方向的类型，确定所述监控图像中所述摩托车的载人数量，包括：
若所述监控设备对所述监控图像的采集方向的类型为正向采集或背向采集，则在所述监控图像中，识别所述摩托车所载人员的轮廓边缘；
基于识别出的轮廓边缘的数量，确定所述监控图像中所述摩托车的载人数量。
可选的，所述基于识别出的轮廓边缘的数量，确定所述监控图像中所述摩托车的载人数量，包括：
统计识别出的轮廓边缘的数量，作为第一数量；
基于识别出的各轮廓边缘之间的间距，确定重影轮廓边缘的数量，作为第二数量；
基于所述第一数量和所述第二数量，确定所述监控图像中所述摩托车的载人数量。
可选的，所述基于识别出的各轮廓边缘之间的间距，确定重影轮廓边缘的数量，作为第二数量，包括：
针对每两个轮廓边缘，确定该两个轮廓边缘之间的间距，作为第一间距，若所述第一间距小于第二预设阈值，则确定该两个轮廓边缘为重影轮廓边缘；
若所述第一间距不小于所述第二预设阈值，则分别识别该两个轮廓边缘相关联的预设类型的关键点，并确定该两个轮廓边缘相关联的同一类型的关键点之间的间距，作为第二间距；若所述第二间距小于第三预设阈值，则确定该两个轮廓边缘为重影轮廓边缘；
统计重影轮廓边缘的数量，作为第二数量。
可选的，所述摩托车所载人员的轮廓边缘包括以下任意一种或多种：所述摩托车所载每个人员的头部轮廓边缘、所述摩托车所载每个人员的肩部轮廓边缘、所述摩托车所载每个人员的脖颈轮廓边缘、所述摩托车所载每个人员的腿部轮廓边缘。
可选的，所述在所述监控图像中，识别所述摩托车所载人员的轮廓边缘，包括：
在所述监控图像中，分别识别所述摩托车所载每个人员的头肩轮廓边缘和腿部轮廓边缘；
所述基于识别出的轮廓边缘的数量，确定所述监控图像中所述摩托车的载人数量，包括：
若识别出的头肩轮廓边缘的数量与腿部轮廓边缘的数量相同，则基于该相同的数量，确定所述监控图像中所述摩托车的载人数量；
若识别出的头肩轮廓边缘的数量与腿部轮廓边缘的数量不同，则基于所述头肩轮廓边缘的数量与所述腿部轮廓边缘的数量中数值更大的数量，确定所述监控图像中所述摩托车的载人数量。
可选的，若所述监控设备对所述监控图像的采集方向的类型为侧向采集，所述方法还包括：
通过人头检测算法，确定所述监控图像中所述摩托车的载人数量。
为达到上述目的，本发明实施例还提供了一种摩托车载人识别装置，包括：
获取模块，用于获取监控设备采集的监控图像；
识别模块，用于识别所述监控图像中的摩托车；
第一确定模块，用于根据所述监控设备对所述监控图像的采集方向的类型，确定所述监控图像中所述摩托车的载人数量。
为达到上述目的，本发明实施例还提供了一种电子设备，包括处理器和存储器；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任意一种摩托车载人识别方法。
为达到上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种摩托车载人识别方法。
应用本发明所示实施例，获取监控设备采集的监控图像；识别监控图像中的摩托车；根据监控设备对监控图像的采集方向的类型，确定监控图像中摩托车的载人数量。可见，本方案中，能够自动确定摩托车的载人数量，实现了自动识别摩托车载人，不需要依靠交警或者交通协管员人工识别摩托车载人的情况，减少了人力耗费。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例提供的摩托车载人识别方法的第一种流程示意图；
图2a为本发明实施例提供的一种场景示意图；
图2b为本发明实施例提供的一种监控设备正向采集的摩托车的监控图像；
图2c为本发明实施例提供的一种监控设备背向采集的摩托车的监控图像；
图2d为本发明实施例提供的一种轮廓边缘的间距示意图；
图2e为本发明实施例提供的另一种场景示意图；
图2f为本发明实施例提供的一种监控设备从侧面采集的摩托车的监控图像示意图；
图3为本发明实施例提供的摩托车载人识别方法的第二种流程示意图；
图4为本发明实施例提供的一种摩托车载人识别装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了达到上述目的，本发明实施例提供了一种摩托车载人识别方法、装置、设备及存储介质，该方法及装置可以应用于各种电子设备，例如，具有图像识别功能的监控设备，或者与监控设备通信连接的后台处理设备，等等，具体不做限定。下面首先对该摩托车载人识别方法进行详细介绍。以下方法实施例中的各个步骤按照合乎逻辑的顺序执行即可，步骤标号或者对各步骤进行介绍的先后顺序，并不对各步骤的执行顺序构成限定。
图1为本发明实施例提供的摩托车载人识别方法的第一种流程示意图，包括：
S101：获取监控设备采集的监控图像。
举例来说，本发明实施例中的监控设备可以为道路交通场景中的监控设备，如枪机、球机、抓拍机等等，具体不做限定。一种情况下，监控设备的架设高度可以为6-8m之间；监控设备中单个传感器的横向监控范围可以不大于3车道、纵向监控距离可以不大于240m。监控设备的具体架设情况及监控范围不做限定。
监控设备采集的监控图像可以为针对道路交通场景采集的监控图像，该监控图像中可以包括行人、自行车、摩托车、汽车等通行目标。
S102：识别监控图像中的摩托车。
举例来说，可以先识别监控图像中的通行目标，再识别该通行目标是否为摩托车，如果是，执行S103。
通行目标可以理解为在道路交通场景中通行的目标，如上述内容中列举的行人、自行车、摩托车、汽车等等。可以采用运动目标识别算法，如帧差法、光流法、背景减除法等算法，识别监控图像中的通行目标。
识别通行目标后，需要进一步识别该通行目标是否为摩托车。举例来说，一种实施方式中，可以识别所述监控图像中的通行目标是否为二轮车辆且是否存在排气管；如果所述监控图像中的通行目标为二轮车辆且存在排气管，确定所述监控图像中的通行目标为摩托车。
例如，可以先识别所述监控图像中的通行目标是否为二轮车辆；如果为二轮车辆，再识别所述二轮车辆中是否存在排气管；如果存在，确定所述二轮车辆为摩托车。或者，也可以先识别所述监控图像中的通行目标中是否存在排气管；如果存在，再识别所述通行目标是否为二轮车辆；如果是，则确定所述二轮车辆为摩托车。
可以理解，二轮车辆可以包括自行车、电动自行车、摩托车等等，但只有摩托车具有排气管，因此，可以将具有排气管的二轮车辆确定为摩托车。二轮车辆及排气管的识别方式不做限定，例如，可以预先训练得到用于识别二轮车辆的神经网络模型，利用该神经网络模型识别监控图像中的通行目标是否为二轮车辆，再例如，可以预先训练得到用于识别车辆排气管的神经网络模型，利用该神经网络模型识别监控图像中的车辆中是否存在排气管。
或者，另一种实施方式中，可以识别所述监控图像中的通行目标是否为二轮车辆且是否为摩托车车牌；如果所述监控图像中的通行目标为二轮车辆且所述通行目标的车牌是否为摩托车车牌，确定所述监控图像中的通行目标为摩托车。
例如，可以先识别所述监控图像中的通行目标是否为二轮车辆；如果为二轮车辆，再识别所述二轮车辆的车牌是否为摩托车车牌；如果为摩托车车牌，确定所述二轮车辆为摩托车。或者，也可以先识别所述监控图像中的通行目标的车牌是否为摩托车车牌；如果为摩托车车牌，再识别该通行目标是否为二轮车辆；如果为二轮车辆，则确定所述二轮车辆为摩托车。
摩托车车牌的样式需要满足相关规定，如车牌颜色、车牌号的位数及排布，等等均需要满足指定的标准。因此，可以基于该标准，识别车牌是否为摩托车车牌。本实施方式中，将悬挂摩托车车牌的二轮车辆确定为摩托车。
二轮车辆及摩托车车牌的识别方式不做限定，例如，可以预先训练得到用于识别二轮车辆的神经网络模型，利用该神经网络模型识别监控图像中的通行目标是否为二轮车辆，再例如，可以预先训练得到用于识别摩托车车牌的神经网络模型，利用该神经网络模型识别监控图像中的车牌是否为摩托车车牌。
S103：根据监控设备对监控图像的采集方向的类型，确定监控图像中摩托车的载人数量。
一种实施方式中，S103可以包括：根据监控设备对监控图像的采集方向的类型，确定对监控图像进行识别的识别模式；利用所述识别模式，确定监控图像中摩托车的载人数量。
举例来说，监控设备对监控图像的采集方向可以包括如下类型：正向采集、背向采集、侧向采集等等。本实施方式中，若监控设备对监控图像的采集方向的类型为正向采集或背向采集，则确定对监控图像进行识别的识别模式为第一识别模式，利用第一识别模式确定监控图像中摩托车的载人数量；若监控设备对监控图像的采集方向的类型为侧向采集，则确定对监控图像进行识别的识别模式为第二识别模式，利用第二识别模式确定监控图像中摩托车的载人数量。
监控设备正向采集的摩托车的监控图像可以参考图2b所示，监控设备背向采集的摩托车的监控图像可以参考图2c所示，参考图2b和图2c可知，正向、背向采集的监控图像中，摩托车所载人员之间存在遮挡，确定摩托车载人数量时，需要考虑人员之间的遮挡情况。第一识别模式即为考虑了人员遮挡情况的识别模式，第一识别模式可以理解为针对正向、背向采集的监控图像进行载人数量识别的模式，或者理解为考虑了人员之间遮挡情况的识别模式。
监控设备从侧面采集的摩托车的监控图像可以参考图2f所示，参考图2f可知，从侧面采集的摩托车的监控图像中，摩托车所载人员之间存在较少的遮挡情况，或者说基本不存在人员之间的遮挡情况。第二识别模式可以理解为针对从侧面采集的摩托车的监控图像进行载人数量识别的模式，或者理解为不需要考虑人员之间遮挡情况的识别模式。
可见，本发明所示实施例中，考虑了不同采集方向采集的图像的实际情况(人员之间的遮挡情况)，针对不同采集方向采集到的图像，分别使用了不同的识别模式，一方面，能够提高识别的准确性，另一方面，选择了更适配于图像的识别模式，能够合理利用计算资源。例如，第二识别模式的运算复杂度可以低于第一识别模式，对于从侧面采集的摩托车的监控图像，可以选用运算复杂度较低的第二识别模式，这样可以节省计算资源；对于正向、背向采集的摩托车的监控图像，可以选用运算复杂度较高的第一识别模式，这样可以提高识别的准确性。
一种示例中，可以根据监控设备的架设方向，确定监控设备对监控图像的采集方向的类型。例如，参考图2a所示，监控设备的架设方向为：对摩托车进行正向或者背向图像采集，对摩托车采集的正向图像可以参考图2b所示，对摩托车采集的背向图像可以参考图2c所示。再例如，参考图2e所示，监控设备的架设方向为：侧对摩托车进行图像采集，侧对摩托车采集的图像可以参考图2f所示。
另一种示例中，根据摩托车的行驶方向与监控设备的监控方向的夹角，确定监控设备对监控图像的采集方向的类型。
一种情况下，可以根据道路中的车道方向，确定摩托车的行驶方向。
例如，参考图2a所示，左侧为下行车道，摩托车1在下行车道中行驶，可以根据下行车道的车流方向，或者根据下行车道中的交通标识(如图2a中表示车道方向的箭头)，确定摩托车1的行驶方向。右侧为上行车道，摩托车2在上行车道中行驶，可以根据上行车道的车流方向，或者根据上行车道中的交通标识(如图2a中表示车道方向的箭头)，确定摩托车2的行驶方向。
或者，另一种情况下，可以通过目标跟踪，得到摩托车的行驶轨迹，根据该行驶轨迹确定摩托车的行驶方向。确定摩托车行驶方向的具体方式不做限定。
此外，可以基于监控设备的架设情况，预先确定监控设备的监控方向。
举例来说，可以确定所述摩托车的行驶方向所在直线与所述监控设备的监控方向所在直线之间的夹角；若所述夹角小于第一预设阈值，则确定对监控图像进行识别的识别模式为第一识别模式，利用第一识别模式确定监控图像中摩托车的载人数量；若所述夹角不小于第一预设阈值，则确定对监控图像进行识别的识别模式为第二识别模式，利用第二识别模式确定监控图像中摩托车的载人数量。
第一预设阈值的具体数值不做限定，例如可以为10度、20度、30度等等，不再一一列举。
一般来说，如果监控设备正向采集摩托车的监控图像、或者背向采集摩托车的监控图像，则摩托车的行驶方向所在直线与监控设备的监控方向所在直线平行，或者夹角较小；如果监控设备从侧面采集摩托车的监控图像，则摩托车的行驶方向所在直线与监控设备的监控方向所在直线夹角较大。
参考图2a所示，左侧为下行车道，右侧为上行车道，下行车道中的摩托车1面向监控设备行驶，上行车道中的摩托车2背向监控设备行驶，摩托车1的行驶方向所在直线与监控设备的监控方向所在直线平行，或者夹角较小，摩托车2的行驶方向所在直线与监控设备的监控方向所在直线平行，或者夹角较小。这种情况下，可以利用第一识别模式确定监控图像中摩托车的载人数量。
监控设备正向采集的摩托车的监控图像可以参考图2b所示，监控设备背向采集的摩托车的监控图像可以参考图2c所示，参考图2b和图2c可知，正向、背向采集的监控图像中，摩托车所载人员之间存在遮挡，确定摩托车载人数量时，需要考虑人员之间的遮挡情况。上述第一识别模式即为考虑了人员遮挡情况的识别模式，第一识别模式可以理解为针对正向、背向采集的监控图像进行载人数量识别的模式。
再一种示例中，也可以利用预先训练得到的分类模型，对S101中获取的监控图像进行分类，分类结果即为监控设备对该监控图像的采集方向的类型。
举例来说，可以获取一些交通场景的样本图像，这些样本图像中可以包括正向采集的摩托车图像、背向采集的摩托车图像、侧向采集的摩托车图像等等，可以对这些摩托车图像的采集方向的类型进行标注，然后利用标注后的样本图像对神经网络进行训练，训练完成后即得到上述分类模型。分类模型的具体训练情况不做赘述。
一种实施方式中，S103可以包括：若所述监控设备对所述监控图像的采集方向的类型为正向采集或背向采集，则在所述监控图像中，识别所述摩托车所载人员的轮廓边缘；基于识别出的轮廓边缘的数量，确定所述监控图像中所述摩托车的载人数量。
本实施方式中，利用第一识别模式确定监控图像中摩托车的载人数量可以包括：在所述监控图像中，识别所述摩托车所载人员的轮廓边缘；基于识别出的轮廓边缘的数量，确定所述监控图像中所述摩托车的载人数量。
举例来说，一种实施方式中，所述摩托车所载人员的轮廓边缘包括以下任意一种或多种：所述摩托车所载每个人员的头部轮廓边缘、所述摩托车所载每个人员的肩部轮廓边缘、所述摩托车所载每个人员的脖颈轮廓边缘、所述摩托车所载每个人员的腿部轮廓边缘。该轮廓边缘可以为人体任意一个或多个部分的轮廓边缘，具体不做限定。
一种示例中，识别所述摩托车所载人员的轮廓边缘，可以包括：在监控图像中，根据特征点定位，确定摩托车所载人员的头肩区域、或腿部区域；利用锐化算法，对该头肩区域、或腿部区域的轮廓进行锐化，使该头肩区域、或腿部区域的轮廓达到边缘清晰辨识的程度，这样，便得到了摩托车所载人员的轮廓边缘。此外，可以对摩托车所载人员之间的遮挡区域进行虚化处理，以减少这部分遮挡区域对图像处理过程的干扰。
或者，再一种实施方式中，在所述监控图像中，分别识别摩托车所载每个人员的头肩轮廓边缘和腿部轮廓边缘；若识别出的头肩轮廓边缘的数量与腿部轮廓边缘的数量相同，则基于该相同的数量，确定所述监控图像中所述摩托车的载人数量；若识别出的头肩轮廓边缘的数量与腿部轮廓边缘的数量不同，则基于所述头肩轮廓边缘的数量与所述腿部轮廓边缘的数量中数值更大的数量，确定所述监控图像中所述摩托车的载人数量。
一些情况下，监控图像中，摩托车所载人员的头肩区域存在遮挡，但腿部区域不存在遮挡，这些情况下，识别出的头肩轮廓边缘的数量小于识别腿部轮廓边缘的数量，基于识别出的腿部轮廓边缘的数量，确定摩托车的载人数量。另一些情况下，监控图像中，摩托车所载人员的腿部区域存在遮挡，但头肩区域不存在遮挡，这些情况下，识别出的腿部轮廓边缘的数量小于识别头肩轮廓边缘的数量，基于识别出的头肩轮廓边缘的数量，确定摩托车的载人数量。可见，本实施方式中，即便监控图像中摩托车所载人员存在部分遮挡，仍然能够较准确地确定摩托车的载人数量。
一些情况下，可以直接将识别出的轮廓边缘的数量，确定为摩托车的载人数量。例如，上述实施方式中，若识别出的头肩轮廓边缘的数量与腿部轮廓边缘的数量相同，则可以将该相同的数量确定为摩托车的载人数量；若识别出的头肩轮廓边缘的数量与腿部轮廓边缘的数量不同，则可以将所述头肩轮廓边缘的数量与所述腿部轮廓边缘的数量中数值更大的数量，确定为摩托车的载人数量。
或者，另一些情况下，识别出轮廓边缘的数量后，可以对轮廓边缘的数量进行去重处理。
例如，一种实施方式中，基于识别出的轮廓边缘的数量，确定所述监控图像中所述摩托车的载人数量，可以包括：统计识别出的轮廓边缘的数量，作为第一数量；基于识别出的各轮廓边缘之间的间距，确定重影轮廓边缘的数量，作为第二数量；基于所述第一数量和所述第二数量，确定所述监控图像中所述摩托车的载人数量。
举例来说，如果识别出的某两个或两个以上的轮廓边缘之间的间距很小，小于第二预设阈值，则可以将该某两个或两个以上的轮廓边缘确定为重影轮廓边缘，可以将该某两个或两个以上的轮廓边缘确定为同一人员的轮廓边缘。第二预设阈值的具体数值不做限定，例如可以为1毫米、1厘米等等，不再一一列举。
例如，假设识别出四个轮廓边缘：轮廓边缘1、轮廓边缘2、轮廓边缘3和轮廓边缘4，假设第二预设阈值为1毫米，假设轮廓边缘1和轮廓边缘2之间的间距为0.5毫米，轮廓边缘2和轮廓边缘3之间的间距为5厘米，轮廓边缘3和轮廓边缘4之间的间距为0.8毫米，则确定轮廓边缘1和轮廓边缘2为重影轮廓边缘，确定轮廓边缘3和轮廓边缘4为重影轮廓边缘。这种情况下，将轮廓边缘1和轮廓边缘2确定为同一人员的轮廓边缘，将轮廓边缘3和轮廓边缘4确定为同一人员的轮廓边缘，因此，确定所述监控图像中所述摩托车的载人数量为2。
一种实施方式中，基于识别出的各轮廓边缘之间的间距，确定重影轮廓边缘的数量，作为第二数量，可以包括：
针对每两个轮廓边缘，确定该两个轮廓边缘之间的间距，作为第一间距，若所述第一间距小于第二预设阈值，则确定该两个轮廓边缘为重影轮廓边缘；若所述第一间距不小于所述第二预设阈值，则分别识别该两个轮廓边缘相关联的预设类型的关键点，并确定该两个轮廓边缘相关联的同一类型的关键点之间的间距，作为第二间距；若所述第二间距小于第三预设阈值，则确定该两个轮廓边缘为重影轮廓边缘；统计重影轮廓边缘的数量，作为第二数量。
举例来说，如果轮廓边缘为头肩轮廓边缘、或者脖颈轮廓边缘等与人脸关联性较强的轮廓边缘，则该预设类型的关键点可以为人脸中的关键点，例如瞳孔、鼻尖、眉心等等，具体不做限定。如果轮廓边缘为腿部轮廓边缘，则该预设类型的关键点可以为下肢中的关键点，例如膝盖、脚踝等等，具体不做限定。
可以识别轮廓边缘相关联的一种或多种类型的关键点，如果识别多种类型的关键点，则分别针对每种类型的关键点，确定该两个轮廓边缘相关联的该种类型的关键点之间的间距，作为第二间距。若所确定的第二间距均小于第三预设阈值，则确定该两个轮廓边缘为重影轮廓边缘，否则，确定该两个轮廓边缘不为重影轮廓边缘。
假设设定第二预设阈值K1，设定第三预设阈值K2，K1与K2的具体数值不做限定，二者可以相等，也可以不等。参考图2d所示，假设识别出的轮廓边缘为脖颈轮廓边缘，两个脖颈轮廓边缘的间距为S，设定第二预设阈值K1，如果S<K1，则确定该两个脖颈轮廓边缘为重影轮廓边缘；如果S≥K1，则分别识别这两个脖颈轮廓边缘相关联的预设类型的关键点，例如分别识别这两个脖颈轮廓边缘相关联的鼻尖关键点，两个鼻尖关键点的间距为△s，如果△s<K2，则确定该两个脖颈轮廓边缘为重影轮廓边缘，如果△s≥K2，则确定摩托车载人数量为2。
本实施方式中，即便识别出的某两个或两个以上的轮廓边缘之间的间距不小于第二预设阈值，仍需要进一步确定这些轮廓边缘相关联预设类型的关键点之间的间距是否小于第三预设阈值，如果小于，仍将这些轮廓边缘确定为重影轮廓边缘。这样，降低了重影轮廓边缘的漏检率。
上述内容中，对第一识别模式进行了介绍，下面介绍第二识别模式。
如上所述，若监控设备对监控图像的采集方向的类型为侧向采集，则确定对监控图像进行识别的识别模式为第二识别模式，利用第二识别模式确定监控图像中摩托车的载人数量。
上述示例中，可以根据监控设备的架设方向，确定监控设备对监控图像的采集方向的类型；或者，可以利用预先训练得到的分类模型，确定监控设备对监控图像的采集方向的类型；或者，可以根据摩托车的行驶方向与监控设备的监控方向的夹角，确定监控设备对监控图像的采集方向的类型。
下面对“根据摩托车的行驶方向与监控设备的监控方向的夹角，确定监控设备对监控图像的采集方向的类型”这种示例进行详细说明：
一般来说，如果监控设备从侧面采集摩托车的监控图像，则摩托车的行驶方向所在直线与监控设备的监控方向所在直线垂直，或者近似垂直，或者说夹角较大。
参考图2e所示，左侧为下行车道，右侧为上行车道，摩托车1在下行车道中行驶，摩托车2在上行车道中行驶，监控设备从侧面采集摩托车的监控图像，摩托车1的行驶方向所在直线与监控设备的监控方向所在直线垂直，或者近似垂直，或者夹角较大，摩托车2的行驶方向所在直线与监控设备的监控方向所在直线垂直，或者近似垂直，或者夹角较大。这种情况下，可以利用第二识别模式确定监控图像中摩托车的载人数量。
监控设备从侧面采集的摩托车的监控图像可以参考图2f所示，参考图2f可知，从侧面采集的摩托车的监控图像中，摩托车所载人员之间存在较少的遮挡情况，或者说基本不存在人员之间的遮挡情况。上述第二识别模式可以理解为针对从侧面采集的摩托车的监控图像进行载人数量识别的模式。
一种实施方式中，确定所述摩托车的行驶方向所在直线与所述监控设备的监控方向所在直线之间的夹角；若所述夹角不小于所述第一预设阈值，可以通过人头检测算法，确定所述监控图像中所述摩托车的载人数量。
本实施方式中，上述第二识别模式可以理解为：通过人头检测算法，确定所述监控图像中所述摩托车的载人数量。
或者，其他实施方式中，也可以通过检测人体腿部的数量，根据检测到的人体腿部的数量，确定所述监控图像中所述摩托车的载人数量。
一种实施方式中，S103之后，判断S103中确定的摩托车的载人数量是否满足预警条件，如果满足，则进行预警。
可以预先设定预警条件。例如，一些情况下，摩托车不允许载人，这种情况下，预警条件可以为：摩托车的载人数量大于1时进行预警。再例如，另一些情况下，除驾驶员外摩托车最多再允许乘坐一人，这种情况下，预警条件可以为：摩托车的载人数量大于2时进行预警。
举例来说，可以通过IO(In-Out，输入输出)信号预警，或者通过485(一种串行通信接口)信号预警，可以采用声光信号灯预警，等等，具体预警方式不做限定。
应用本发明所示实施例，获取监控设备采集的监控图像；识别监控图像中的摩托车；根据监控设备对监控图像的采集方向的类型，确定监控图像中摩托车的载人数量。可见，本方案中，能够自动确定摩托车的载人数量，实现了自动识别摩托车载人，不需要依靠交警或者交通协管员人工识别摩托车载人的情况，减少了人力耗费。而且考虑了不同采集方向采集的图像的实际情况(人员之间的遮挡情况)，针对不同采集方向采集到的图像，分别使用了不同的识别模式，一方面，能够提高识别的准确性，另一方面，选择了更适配于图像的识别模式，能够合理利用计算资源。
图3为本发明实施例提供的摩托车载人识别方法的第一种流程示意图，包括：
S301：获取监控设备采集的监控图像。
举例来说，本发明实施例中的监控设备可以为道路交通场景中的监控设备，如枪机、球机、抓拍机等等，具体不做限定。一种情况下，监控设备的架设高度可以为6-8m之间；监控设备中单个传感器的横向监控范围可以不大于3车道、纵向监控距离可以不大于240m。监控设备的具体架设情况及监控范围不做限定。
监控设备采集的监控图像可以为针对道路交通场景采集的监控图像，该监控图像中可以包括行人、自行车、摩托车、汽车等通行目标。
S302：识别监控图像中的通行目标是否为摩托车，如果是，执行S303。
通行目标可以理解为在道路交通场景中通行的目标，如上述内容中列举的行人、自行车、摩托车、汽车等等。可以采用运动目标识别算法，如帧差法、光流法、背景减除法等算法，识别监控图像中的通行目标。
识别通行目标后，需要进一步识别该通行目标是否为摩托车。举例来说，一种实施方式中，可以识别所述监控图像中的通行目标是否为二轮车辆；如果为二轮车辆，识别所述二轮车辆中是否存在排气管；如果存在，确定所述二轮车辆为摩托车。
可以理解，二轮车辆可以包括自行车、电动自行车、摩托车等等，但只有摩托车具有排气管，因此，可以将具有排气管的二轮车辆确定为摩托车。二轮车辆及排气管的识别方式不做限定，例如，可以预先训练得到用于识别二轮车辆的神经网络模型，利用该神经网络模型识别监控图像中的通行目标是否为二轮车辆，再例如，可以预先训练得到用于识别摩托车排气管的神经网络模型，利用该神经网络模型识别监控图像中的二轮车辆中是否存在排气管。
或者，另一种实施方式中，可以识别所述监控图像中的通行目标是否为二轮车辆；如果为二轮车辆，识别所述二轮车辆的车牌是否为摩托车车牌；如果为摩托车车牌，确定所述二轮车辆为摩托车。
摩托车车牌的样式需要满足相关规定，如车牌颜色、车牌号的位数及排布，等等均需要满足指定的标准。因此，可以基于该标准，识别车牌是否为摩托车车牌。本实施方式中，将悬挂摩托车车牌的二轮车辆确定为摩托车。
二轮车辆及摩托车车牌的识别方式不做限定，例如，可以预先训练得到用于识别二轮车辆的神经网络模型，利用该神经网络模型识别监控图像中的通行目标是否为二轮车辆，再例如，可以预先训练得到用于识别摩托车车牌的神经网络模型，利用该神经网络模型识别监控图像中的二轮车辆的车牌是否为摩托车车牌。
S303：确定监控设备对监控图像的采集方向的类型。如果类型为正向采集或背向采集，执行S304，如果类型为侧向采集，执行S313。
举例来说，监控设备对监控图像的采集方向可以包括如下类型：正向采集、背向采集、侧向采集等等。
一种示例中，可以根据监控设备的架设方向，确定监控设备对监控图像的采集方向的类型。另一种示例中，根据摩托车的行驶方向与监控设备的监控方向的夹角，确定监控设备对监控图像的采集方向的类型。再一种示例中，也可以利用预先训练得到的分类模型，对S301中获取的监控图像进行分类，分类结果即为监控设备对该监控图像的采集方向的类型。
若监控设备对监控图像的采集方向的类型为正向采集或背向采集，则确定对监控图像进行识别的识别模式为第一识别模式，利用第一识别模式确定监控图像中摩托车的载人数量，也就是执行S304-S312；若监控设备对监控图像的采集方向的类型为侧向采集，则确定对监控图像进行识别的识别模式为第二识别模式，利用第二识别模式确定监控图像中摩托车的载人数量，也就是执行S313。
监控设备正向采集的摩托车的监控图像可以参考图2b所示，监控设备背向采集的摩托车的监控图像可以参考图2c所示，参考图2b和图2c可知，正向、背向采集的监控图像中，摩托车所载人员之间存在遮挡，确定摩托车载人数量时，需要考虑人员之间的遮挡情况。上述第一识别模式即为考虑了人员遮挡情况的识别模式，第一识别模式可以理解为针对正向、背向采集的监控图像进行载人数量识别的模式。
S304：在监控图像中，识别摩托车所载人员的轮廓边缘。
举例来说，一种实施方式中，所述摩托车所载人员的轮廓边缘可以为：所述摩托车所载每个人员的头肩轮廓边缘。或者，另一种实施方式中，所述摩托车所载人员的轮廓边缘可以为：所述摩托车所载每个人员的腿部轮廓边缘。或者，该轮廓边缘也可以为人脸轮廓边缘、脖颈轮廓边缘等等，具体不做限定。
一种示例中，识别所述摩托车所载人员的轮廓边缘，可以包括：在监控图像中，根据特征点定位，确定摩托车所载人员的头肩区域、或腿部区域；利用锐化算法，对该头肩区域、或腿部区域的轮廓进行锐化，使该头肩区域、或腿部区域的轮廓达到边缘清晰辨识的程度，这样，便得到了摩托车所载人员的轮廓边缘。此外，可以对摩托车所载人员之间的遮挡区域进行虚化处理，以减少这部分遮挡区域对图像处理过程的干扰。
S305：统计识别出的轮廓边缘的数量，作为第一数量。
S306：针对每两个轮廓边缘，确定该两个轮廓边缘之间的间距，作为第一间距。
S307：判断该第一间距是否小于第二预设阈值；如果小于，执行S310；如果不小于，执行S308。
S308：分别识别该两个轮廓边缘相关联的预设类型的关键点，并确定该两个轮廓边缘相关联的同一类型的关键点之间的间距，作为第二间距。
S309：判断该第二间距是否小于第三预设阈值；如果小于，执行S310。
S310：确定该两个轮廓边缘为重影轮廓边缘。
如果S309判断结果为不小于，则确定该两个轮廓边缘不为重影轮廓边缘。
举例来说，如果轮廓边缘为头肩轮廓边缘、或者脖颈轮廓边缘等与人脸关联性较强的轮廓边缘，则该预设类型的关键点可以为人脸中的关键点，例如瞳孔、鼻尖、眉心等等，具体不做限定。如果轮廓边缘为腿部轮廓边缘，则该预设类型的关键点可以为下肢中的关键点，例如膝盖、脚踝等等，具体不做限定。
可以识别轮廓边缘相关联的一种或多种类型的关键点，如果识别多种类型的关键点，则分别针对每种类型的关键点，确定该两个轮廓边缘相关联的该种类型的关键点之间的间距，作为第二间距。若所确定的第二间距均小于第三预设阈值，则确定该两个轮廓边缘为重影轮廓边缘，否则，确定该两个轮廓边缘不为重影轮廓边缘。
假设设定第二预设阈值K1，设定第三预设阈值K2，K1与K2的具体数值不做限定，二者可以相等，也可以不等。参考图2d所示，假设识别出的轮廓边缘为脖颈轮廓边缘，两个脖颈轮廓边缘的间距为S，设定第二预设阈值K1，如果S<K1，则确定该两个脖颈轮廓边缘为重影轮廓边缘；如果S≥K1，则分别识别这两个脖颈轮廓边缘相关联的预设类型的关键点，例如分别识别这两个脖颈轮廓边缘相关联的鼻尖关键点，两个鼻尖关键点的间距为△s，如果△s<K2，则确定该两个脖颈轮廓边缘为重影轮廓边缘，如果△s≥K2，则确定摩托车载人数量为2。
本实施方式中，即便识别出的某两个或两个以上的轮廓边缘之间的间距不小于第二预设阈值，仍需要进一步确定这些轮廓边缘相关联预设类型的关键点之间的间距是否小于第三预设阈值，如果小于，仍将这些轮廓边缘确定为重影轮廓边缘。这样，降低了重影轮廓边缘的漏检率。
S311：统计重影轮廓边缘的数量，作为第二数量。
S312：基于该第一数量和该第二数量，确定监控图像中摩托车的载人数量。
例如，假设识别出四个轮廓边缘：轮廓边缘1、轮廓边缘2、轮廓边缘3和轮廓边缘4，假设确定轮廓边缘1和轮廓边缘2为重影轮廓边缘，确定轮廓边缘3和轮廓边缘4为重影轮廓边缘。这种情况下，将轮廓边缘1和轮廓边缘2确定为同一人员的轮廓边缘，将轮廓边缘3和轮廓边缘4确定为同一人员的轮廓边缘，因此，确定监控图像中摩托车的载人数量为2。
S313：通过人头检测算法，确定监控图像中摩托车的载人数量。
监控设备从侧面采集的摩托车的监控图像可以参考图2f所示，参考图2f可知，从侧面采集的摩托车的监控图像中，摩托车所载人员之间存在较少的遮挡情况，或者说基本不存在人员之间的遮挡情况。上述第二识别模式可以理解为针对从侧面采集的摩托车的监控图像进行载人数量识别的模式。利用第二识别模式确定监控图像中摩托车的载人数量，也就是执行S313。
应用本发明所示实施例，获取监控设备采集的监控图像；识别监控图像中的摩托车；根据监控设备对监控图像的采集方向的类型，确定监控图像中摩托车的载人数量。可见，本方案中，能够自动确定摩托车的载人数量，实现了自动识别摩托车载人，不需要依靠交警或者交通协管员人工识别摩托车载人的情况，减少了人力耗费。而且考虑了不同采集方向采集的图像的实际情况(人员之间的遮挡情况)，针对不同采集方向采集到的图像，分别使用了不同的识别模式，一方面，能够提高识别的准确性，另一方面，选择了更适配于图像的识别模式，能够合理利用计算资源。
与上述方法实施例相对应，本发明实施例还提供了一种摩托车载人识别装置，如图4所示，包括：
获取模块401，用于获取监控设备采集的监控图像；
识别模块402，用于识别所述监控图像中的摩托车；
第一确定模块403，用于根据所述监控设备对所述监控图像的采集方向的类型，确定所述监控图像中所述摩托车的载人数量。
一种实施方式中，识别模块402，具体用于：识别所述监控图像中的通行目标是否为二轮车辆且是否存在排气管；如果所述监控图像中的通行目标为二轮车辆且存在排气管，确定所述监控图像中的通行目标为摩托车；或者，
识别所述监控图像中的通行目标是否为二轮车辆且是否为摩托车车牌；如果所述监控图像中的通行目标为二轮车辆且所述通行目标的车牌是否为摩托车车牌，确定所述监控图像中的通行目标为摩托车。
一种实施方式中，第一确定模块403，包括：第一确定子模块、识别子模块和第二确定子模块(图中未示出)，其中，
第一确定子模块，用于确定所述监控设备对所述监控图像的采集方向的类型；
识别子模块，用于在所述类型为正向采集或背向采集的情况下，在所述监控图像中，识别所述摩托车所载人员的轮廓边缘；
第二确定子模块，用于基于识别出的轮廓边缘的数量，确定所述监控图像中所述摩托车的载人数量。
一种实施方式中，第二确定子模块，包括：统计单元、第一确定单元和第二确定单元(图中未示出)，其中，
统计单元，用于统计识别出的轮廓边缘的数量，作为第一数量；
第一确定单元，用于基于识别出的各轮廓边缘之间的间距，确定重影轮廓边缘的数量，作为第二数量；
第二确定单元，用于基于所述第一数量和所述第二数量，确定所述监控图像中所述摩托车的载人数量。
一种实施方式中，第一确定单元，具体用于：
针对每两个轮廓边缘，确定该两个轮廓边缘之间的间距，作为第一间距，若所述第一间距小于第二预设阈值，则确定该两个轮廓边缘为重影轮廓边缘；
若所述第一间距不小于所述第二预设阈值，则分别识别该两个轮廓边缘相关联的预设类型的关键点，并确定该两个轮廓边缘相关联的同一类型的关键点之间的间距，作为第二间距；若所述第二间距小于第三预设阈值，则确定该两个轮廓边缘为重影轮廓边缘；
统计重影轮廓边缘的数量，作为第二数量。
一种实施方式中，所述摩托车所载人员的轮廓边缘包括以下任意一种或多种：所述摩托车所载每个人员的头部轮廓边缘、所述摩托车所载每个人员的肩部轮廓边缘、所述摩托车所载每个人员的脖颈轮廓边缘、所述摩托车所载每个人员的腿部轮廓边缘。
一种实施方式中，所述识别子模块，具体用于：在所述监控设备对所述监控图像的采集方向的类型为正向采集或背向采集的情况下，在所述监控图像中，分别识别所述摩托车所载每个人员的头肩轮廓边缘和腿部轮廓边缘；
所述第二确定子模块，具体用于：若识别出的头肩轮廓边缘的数量与腿部轮廓边缘的数量相同，则基于该相同的数量，确定所述监控图像中所述摩托车的载人数量；
若识别出的头肩轮廓边缘的数量与腿部轮廓边缘的数量不同，则基于所述头肩轮廓边缘的数量与所述腿部轮廓边缘的数量中数值更大的数量，确定所述监控图像中所述摩托车的载人数量。
一种实施方式中，所述装置还包括：
第二确定模块(图中未示出)，用于在所述类型为侧向采集的情况下，通过人头检测算法，确定所述监控图像中所述摩托车的载人数量。
应用本发明所示实施例，获取监控设备采集的监控图像；识别监控图像中的摩托车；根据监控设备对监控图像的采集方向的类型，确定监控图像中摩托车的载人数量。可见，本方案中，能够自动确定摩托车的载人数量，实现了自动识别摩托车载人，不需要依靠交警或者交通协管员人工识别摩托车载人的情况，减少了人力耗费。
本发明实施例还提供了一种电子设备，如图5所示，包括处理器501和存储器502，
存储器502，用于存放计算机程序；
处理器501，用于执行存储器502上所存放的程序时，实现上述任意一种摩托车载人识别方法。
上述电子设备提到的存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种摩托车载人识别方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任意一种摩托车载人识别方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例、设备实施例、计算机可读存储介质实施例、以及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种摩托车载人识别方法，其特征在于，包括：
获取监控设备采集的监控图像；
识别所述监控图像中的摩托车；
根据所述监控设备对所述监控图像的采集方向的类型，确定所述监控图像中所述摩托车的载人数量。
2.根据权利要求1所述的方法，其特征在于，所述识别所述监控图像中的摩托车，包括：
识别所述监控图像中的通行目标是否为二轮车辆且是否存在排气管；如果所述监控图像中的通行目标为二轮车辆且存在排气管，确定所述监控图像中的通行目标为摩托车；或者，
识别所述监控图像中的通行目标是否为二轮车辆且是否为摩托车车牌；如果所述监控图像中的通行目标为二轮车辆且所述通行目标的车牌是否为摩托车车牌，确定所述监控图像中的通行目标为摩托车。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述监控设备对所述监控图像的采集方向的类型，确定所述监控图像中所述摩托车的载人数量，包括：
若所述监控设备对所述监控图像的采集方向的类型为正向采集或背向采集，则在所述监控图像中，识别所述摩托车所载人员的轮廓边缘；
基于识别出的轮廓边缘的数量，确定所述监控图像中所述摩托车的载人数量。
4.根据权利要求3所述的方法，其特征在于，所述基于识别出的轮廓边缘的数量，确定所述监控图像中所述摩托车的载人数量，包括：
统计识别出的轮廓边缘的数量，作为第一数量；
基于识别出的各轮廓边缘之间的间距，确定重影轮廓边缘的数量，作为第二数量；
基于所述第一数量和所述第二数量，确定所述监控图像中所述摩托车的载人数量。
5.根据权利要求4所述的方法，其特征在于，所述基于识别出的各轮廓边缘之间的间距，确定重影轮廓边缘的数量，作为第二数量，包括：
针对每两个轮廓边缘，确定该两个轮廓边缘之间的间距，作为第一间距，若所述第一间距小于第二预设阈值，则确定该两个轮廓边缘为重影轮廓边缘；
若所述第一间距不小于所述第二预设阈值，则分别识别该两个轮廓边缘相关联的预设类型的关键点，并确定该两个轮廓边缘相关联的同一类型的关键点之间的间距，作为第二间距；若所述第二间距小于第三预设阈值，则确定该两个轮廓边缘为重影轮廓边缘；
统计重影轮廓边缘的数量，作为第二数量。
6.根据权利要求3所述的方法，其特征在于，所述摩托车所载人员的轮廓边缘包括以下任意一种或多种：所述摩托车所载每个人员的头部轮廓边缘、所述摩托车所载每个人员的肩部轮廓边缘、所述摩托车所载每个人员的脖颈轮廓边缘、所述摩托车所载每个人员的腿部轮廓边缘。
7.根据权利要求3所述的方法，其特征在于，所述在所述监控图像中，识别所述摩托车所载人员的轮廓边缘，包括：
在所述监控图像中，分别识别所述摩托车所载每个人员的头肩轮廓边缘和腿部轮廓边缘；
所述基于识别出的轮廓边缘的数量，确定所述监控图像中所述摩托车的载人数量，包括：
若识别出的头肩轮廓边缘的数量与腿部轮廓边缘的数量相同，则基于该相同的数量，确定所述监控图像中所述摩托车的载人数量；
若识别出的头肩轮廓边缘的数量与腿部轮廓边缘的数量不同，则基于所述头肩轮廓边缘的数量与所述腿部轮廓边缘的数量中数值更大的数量，确定所述监控图像中所述摩托车的载人数量。
8.一种摩托车载人识别装置，其特征在于，包括：
获取模块，用于获取监控设备采集的监控图像；
识别模块，用于识别所述监控图像中的摩托车；
第一确定模块，用于根据所述监控设备对所述监控图像的采集方向的类型，确定所述监控图像中所述摩托车的载人数量。
9.一种电子设备，其特征在于，包括处理器和存储器；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
CN202011284772.4A 2020-11-17 2020-11-17 一种摩托车载人识别方法、装置、设备及存储介质 Pending CN112395976A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011284772.4A CN112395976A (zh) 2020-11-17 2020-11-17 一种摩托车载人识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011284772.4A CN112395976A (zh) 2020-11-17 2020-11-17 一种摩托车载人识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112395976A true CN112395976A (zh) 2021-02-23

Family

ID=74600882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011284772.4A Pending CN112395976A (zh) 2020-11-17 2020-11-17 一种摩托车载人识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112395976A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537183A (zh) * 2021-09-17 2021-10-22 江苏巨亨智能科技有限公司 基于人工智能的电动车头盔识别方法
CN114419329A (zh) * 2022-03-30 2022-04-29 浙江大华技术股份有限公司 车辆载人数量检测方法及装置
WO2023005275A1 (zh) * 2021-07-30 2023-02-02 上海商汤智能科技有限公司 交通行为识别方法及装置、电子设备和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239889A (zh) * 2013-06-24 2014-12-24 由田新技股份有限公司 车辆乘载人数监视器及车辆乘载人数监控方法与计算机可读取记录媒体
US20160239714A1 (en) * 2013-10-09 2016-08-18 Nec Corporation Passenger counting device, passenger counting method, and program recording medium
CN109145888A (zh) * 2018-10-26 2019-01-04 北京旷视科技有限公司 人数统计方法、装置、系统、电子设备、存储介质
CN109635645A (zh) * 2018-11-01 2019-04-16 深圳云天励飞技术有限公司 非机动车交通违法监管方法、装置及电子设备
CN110516518A (zh) * 2018-05-22 2019-11-29 杭州海康威视数字技术股份有限公司 一种非机动车违法载人检测方法、装置及电子设备
CN110909641A (zh) * 2019-11-13 2020-03-24 北京文安智能技术股份有限公司 一种检测摩托车超载的方法、装置及系统
CN111368612A (zh) * 2019-04-29 2020-07-03 杭州海康威视系统技术有限公司 超员检测系统、人员检测方法及电子设备
CN111914704A (zh) * 2020-07-20 2020-11-10 北京格灵深瞳信息技术有限公司 一种三轮车载人的识别方法、装置、电子设备及存储介质
CN111931644A (zh) * 2020-08-10 2020-11-13 济南博观智能科技有限公司 一种车载人数检测的方法、系统、设备及可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239889A (zh) * 2013-06-24 2014-12-24 由田新技股份有限公司 车辆乘载人数监视器及车辆乘载人数监控方法与计算机可读取记录媒体
US20160239714A1 (en) * 2013-10-09 2016-08-18 Nec Corporation Passenger counting device, passenger counting method, and program recording medium
CN110516518A (zh) * 2018-05-22 2019-11-29 杭州海康威视数字技术股份有限公司 一种非机动车违法载人检测方法、装置及电子设备
CN109145888A (zh) * 2018-10-26 2019-01-04 北京旷视科技有限公司 人数统计方法、装置、系统、电子设备、存储介质
CN109635645A (zh) * 2018-11-01 2019-04-16 深圳云天励飞技术有限公司 非机动车交通违法监管方法、装置及电子设备
CN111368612A (zh) * 2019-04-29 2020-07-03 杭州海康威视系统技术有限公司 超员检测系统、人员检测方法及电子设备
CN110909641A (zh) * 2019-11-13 2020-03-24 北京文安智能技术股份有限公司 一种检测摩托车超载的方法、装置及系统
CN111914704A (zh) * 2020-07-20 2020-11-10 北京格灵深瞳信息技术有限公司 一种三轮车载人的识别方法、装置、电子设备及存储介质
CN111931644A (zh) * 2020-08-10 2020-11-13 济南博观智能科技有限公司 一种车载人数检测的方法、系统、设备及可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023005275A1 (zh) * 2021-07-30 2023-02-02 上海商汤智能科技有限公司 交通行为识别方法及装置、电子设备和存储介质
CN113537183A (zh) * 2021-09-17 2021-10-22 江苏巨亨智能科技有限公司 基于人工智能的电动车头盔识别方法
CN114419329A (zh) * 2022-03-30 2022-04-29 浙江大华技术股份有限公司 车辆载人数量检测方法及装置
CN114419329B (zh) * 2022-03-30 2022-08-09 浙江大华技术股份有限公司 车辆载人数量检测方法及装置

Similar Documents

Publication Publication Date Title
US6442474B1 (en) Vision-based method and apparatus for monitoring vehicular traffic events
CN112395976A (zh) 一种摩托车载人识别方法、装置、设备及存储介质
WO2019223655A1 (zh) 非机动车载人的检测
CN102765365B (zh) 基于机器视觉的行人检测方法及行人防撞预警系统
CN109800633B (zh) 一种非机动车交通违法判断方法、装置和电子设备
CN110866427A (zh) 一种车辆行为检测方法及装置
CN110895662A (zh) 车辆超载报警方法、装置、电子设备及存储介质
Charran et al. Two-wheeler vehicle traffic violations detection and automated ticketing for Indian road scenario
CN108932849B (zh) 一种记录多台机动车低速行驶违法行为的方法及装置
CN104282154A (zh) 一种车辆超载监控系统及方法
CN112071084A (zh) 一种利用深度学习判断违章停车的方法和系统
KR102429312B1 (ko) 차량 단속 장치 및 방법
CN111967451B (zh) 一种道路拥堵检测方法及装置
WO2014007762A1 (en) A method and system for automated monitoring of traffic
CN112183206B (zh) 一种基于路侧单目摄像头的交通参与者定位方法和系统
CN111341114A (zh) 基于物联网的车载视频交通违章检测方法、装置及系统
CN114222406B (zh) 城市照明控制方法、装置、设备及存储介质
KR102407170B1 (ko) 이륜차 교통법규 위반 검지 방법 및 그 실행을 위한 시스템
Ravish et al. Intelligent traffic violation detection
CN109887303B (zh) 随意变更车道行为预警系统及方法
CN114724122A (zh) 一种目标追踪方法、装置、电子设备及存储介质
CN118135805A (zh) 基于物联网的智能交通监控方法及系统
CN112270258A (zh) 一种非机动车的违规信息获取方法及装置
CN111914704A (zh) 一种三轮车载人的识别方法、装置、电子设备及存储介质
CN114693722B (zh) 一种车辆行驶行为检测方法、检测装置及检测设备

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