CN112434601A - 基于行车视频的车辆违法检测方法、装置、设备及介质 - Google Patents
基于行车视频的车辆违法检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112434601A CN112434601A CN202011322563.4A CN202011322563A CN112434601A CN 112434601 A CN112434601 A CN 112434601A CN 202011322563 A CN202011322563 A CN 202011322563A CN 112434601 A CN112434601 A CN 112434601A
- Authority
- CN
- China
- Prior art keywords
- frame
- lane line
- vehicle
- vector
- driving video
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 117
- 239000013598 vector Substances 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000000547 structure data Methods 0.000 claims description 40
- 230000011218 segmentation Effects 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 3
- 230000001915 proofreading effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 7
- 239000007787 solid Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术,揭露一种车辆违法检测方法,包括:提取第一帧的车道线类型及车道线位置坐标及第二帧的车道线类型及车道线位置坐标,根据第一帧的车道线类型,计算第一帧的车道线位置坐标及第一帧的位置坐标的向量,得到第一帧向量,同理得到第二帧的第二帧向量,根据第一帧向量及第二帧向量的方向,识别车辆在所述第一帧至所述第二帧内的行车结果。本发明还涉及区块链技术,所述行车视频帧集等可存储于区块链节点中。本发明还提出一种车辆违法检测装置、电子设备以及存储介质。本发明可解决因反复计算车道线与车辆距离而产生误差时,导致检测准确率较低的问题。本发明还适用于智慧交通领域,从而推动智慧城市的建设。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于行车视频的车辆违法检测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着当前经济飞速发展,车辆出行量也越来越大,如何判断行车是否违法,是当下重要的技术研究方向。
目前车辆违法检测方法,主要基于数字图像处理或深度学习,其中数字图像处理面对稍微复杂的场景时,检测效果较差,深度学习虽然可达到较为优异的检测结果,但当下主要使用深度学习检测车辆与车辆之间的行车距离,判断车辆与红绿灯之间的关系等。有部分结合数字图像处理及深度学习的方法,通过检测车辆与车道线的关系,从而判断行车是否违法,但检测过程中,由于需要反复计算车道线及车辆的距离而产生距离计算误差,从而导致检测准确率较低的现象。
发明内容
本发明提供一种基于行车视频的车辆违法检测方法、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因反复计算车道线及车辆的距离而产生距离计算误差,导致检测准确率较低的现象。
为实现上述目的,本发明提供的一种基于行车视频的车辆违法检测方法,包括:
获取预设车辆的行车视频帧集,对所述行车视频帧集执行场景分割,得到车道线图片集,从所述车道线图片集中提取得到车道线结构数据,其中所述车道线结构数据包括车道线类型及车道线位置坐标;
根据预先构建的车辆检测模型,对所述行车视频帧集执行车辆检测,得到车辆在不同视频帧下的位置坐标,其中,所述车辆在不同视频帧下的位置坐标包括第一帧的位置坐标及第二帧的位置坐标;
从所述车道线结构数据中,提取第一帧的车道线类型及车道线位置坐标及第二帧的车道线类型及车道线位置坐标;
根据所述第一帧的车道线类型,计算所述第一帧的车道线位置坐标及所述第一帧的位置坐标的向量,得到第一帧向量,根据所述第二帧的车道线类型,计算所述第二帧的车道线位置坐标及所述第二帧的位置坐标的向量,得到第二帧向量;
根据所述第一帧向量及所述第二帧向量的方向,识别所述车辆在所述第一帧至所述第二帧内的行车结果。
可选地,所述对所述行车视频帧集执行场景分割,得到车道线图片集,包括:
接收用户在所述行车视频帧集中标记的车道线,得到车道线标签;
利用预训练完成的场景分割网络对所述行车视频帧集中的每一帧行车视频执行卷积操作,得到视频特征集;
以所述车道线标签为分割标准,从所述视频特征集中分割得到所述车道线图片集。
可选地,所述从所述车道线结构数据中,提取第一帧的车道线类型,包括:
查找所述第一帧在所述行车视频帧集的帧数编号及对应的行车视频帧;
利用所述帧数编号从所述车道线结构数据中提取预校对车道线类型;
利用所述场景分割网络,识别所述行车视频帧中的车道线识别类型;
判断所述预校对车道线类型与所述车道线识别类型是否相同;
若所述预校对车道线类型与所述车道线识别类型不相同,则对所述预校对车道线类型进行人工识别,得到所述第一帧的车道线类型;
若所述预校对车道线类型与所述车道线识别类型相同,将所述预校对车道线类型作为所述第一帧的车道线类型。
可选地,所述根据预先构建的检测模型,对所述行车视频帧集执行车辆检测之前,该方法还包括:
步骤A:获取车辆图片训练集及对应的车辆检测框标签集,通过所述检测模型的输入层接收所述车辆图片训练集;
步骤B:利用所述检测模型的卷积层及池化层,提取所述车辆图片训练集的车辆特征,得到训练车辆特征集;
步骤C:利用所述检测模型的输出层,预测所述训练车辆特征集的车辆预测检测框,得到车辆预测检测框集;
步骤D:根据预构建的误差函数,计算所述车辆检测框标签集与所述车辆预测检测框集的误差,若所述误差大于预设阈值误差,调整所述检测模型的内部参数,并返回步骤B;
步骤E、若所述误差小于或等于所述预设阈值误差,得到构建完成的所述检测模型。
可选地,所述计算所述车辆检测框标签集与所述车辆预测检测框集的误差,包括:
采用如下计算方法,计算得到所述车辆检测框标签集与所述车辆预测检测框集的误差:
其中,s为所述误差,k为所述车辆图片训练集的数量,yi为所述车辆预测检测框集中的车辆检测框坐标,y′i为所述车辆检测框标签集中的车辆检测框坐标。
可选地,所述计算所述第一帧的车道线位置坐标及所述第一帧的位置坐标的向量之前,所述方法还包括:
判断所述第一帧的车道线类型及所述第一帧的车道线类型是否相同;
若所述第一帧的车道线类型及所述第二帧的车道线类型相同且均为所述车道线类型中的虚线车道线,得到车辆在所述第一帧至所述第二帧内,行车不违法的结果。
为了解决上述问题,本发明还提供一种基于行车视频的车辆违法检测装置,所述装置包括:
车道线位置坐标生成模块,用于获取预设车辆的行车视频帧集,对所述行车视频帧集执行场景分割,得到车道线图片集,从所述车道线图片集中提取得到车道线结构数据,其中所述车道线结构数据包括车道线类型及车道线位置坐标;
车辆位置坐标生成模块,用于根据预先构建的车辆检测模型,对所述行车视频帧集执行车辆检测,得到车辆在不同视频帧下的位置坐标,其中,所述车辆在不同视频帧下的位置坐标包括第一帧的位置坐标及第二帧的位置坐标;
车道线计算模块,用于从所述车道线结构数据中,提取第一帧的车道线类型及车道线位置坐标及第二帧的车道线类型及车道线位置坐标,根据所述第一帧的车道线类型,计算所述第一帧的车道线位置坐标及所述第一帧的位置坐标的向量,得到第一帧向量,根据所述第二帧的车道线类型,计算所述第二帧的车道线位置坐标及所述第二帧的位置坐标的向量,得到第二帧向量;
行车违法判定模块,用于根据所述第一帧向量及所述第二帧向量的方向,识别所述车辆在所述第一帧至所述第二帧内的行车结果。
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:
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实现上述所述的基于行车视频的车辆违法检测方法。
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,其中,所述存储数据区存储创建的数据,所述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所述的基于行车视频的车辆违法检测方法。
本发明实施例先获取行车视频帧集,通过所述行车视频帧集提取出包括车道线类型及车道线位置坐标的车道线结构数据,并继续从所述行车视频帧集中提取第一跟踪数据的第一车辆位置坐标及第二跟踪数据的第二车辆位置坐标,根据所述车道线类型,进一步判断所述第一跟踪数据中的第一帧的车道线类型,及所述第二跟踪数据中的第二帧的车道线类型,及所述第一帧的车道线类型的第一车道线位置坐标,及所述第二帧的车道线类型的第二车道线位置坐标,通过计算所述第一车道线位置坐标及所述第一车辆位置坐标的向量,得到第一向量,及计算所述第二车道线位置坐标及所述第二车道线位置坐标的向量,得到第二向量,利用所述第一向量及所述第二向量,得到车辆的行车结果。本发明实施例相比于背景技术来说,并非将检测出的车道线及车辆,直接进行距离计算,而是结合车道线类型及位置坐标构建出向量,由于向量具有大小和方向,通过结合向量的方向,判断得出出辆的行车结果,因此相比于将检测出的车道线及车辆直接进行距离计算来说,本发明实施例仅通过向量方向即可得到违法结果,因此在检测效率更高的情况下,也减少因距离反复多次被计算时产生误差,进而影响到行车违法结果的现象。因此本发明提出的基于行车视频的车辆违法检测方法、装置及计算机可读存储介质,可以解决反复计算车道线及车辆的距离而产生距离计算误差时,导致检测准确率较低的现象。
附图说明
图1为本发明一实施例提供的基于行车视频的车辆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基于行车视频的车辆违法检测方法中S2的详细流程示意图;
图3为本发明一实施例提供的基于行车视频的车辆违法检测方法中S3的详细流程示意图;
图4为本发明一实施例提供的基于行车视频的车辆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基于行车视频的车辆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基于行车视频的车辆违法检测方法,所述基于行车视频的车辆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,所述基于行车视频的车辆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基于行车视频的车辆违法检测方法的流程示意图。在本实施例中,基于行车视频的车辆违法检测方法包括:
S1、获取预设车辆的行车视频帧集,对所述行车视频帧集执行场景分割,得到车道线图片集,从所述车道线图片集中提取得到车道线结构数据,其中所述车道线结构数据包括车道线类型及车道线位置坐标。
本发明实施例可适用于智慧交通领域,从而推动智慧城市的建设,进一步地,所述获取预设车辆的行车视频帧集包括:获取行车视频,对所述行车视频执行分帧操作,得到所述行车视频帧集。其中,所述行车视频可从车辆行车记录仪、马路监控等设备获取得到。
详细地,本发明实施例可使用计算机视觉库如opencv等,对所述行车视频执行分帧操作,从而得到由一帧帧图片组成的行车视频帧集。
本发明实施例中,场景分割是为了从所述行车视频帧集中提取出车道线,方便后续车辆的违法判定,详细地,所述对所述行车视频帧集执行场景分割,得到车道线图片集,包括:接收用户在所述行车视频帧集中标记的车道线,得到车道线标签;将所述行车视频帧集中的每一帧行车视频输入至预训练完成的场景分割网络中,其中所述场景分割网络至少包括卷积层及分割层;利用所述卷积层,对每一帧所述行车视频执行卷积操作,得到视频特征集;利用所述分割层,以所述车道线标签为分割标准,从所述视频特征集中分割得到所述车道线图片集。
详细地,如用户在所述行车视频帧集的某几帧行车视频中标记了包括实线、虚实线、虚线的车道线标签,然后将其他未进行标记的行车视频帧输入至所述场景分割网络中。
其中,所述场景分割网络可使用Shift-Net为基础构建得到,主要包括所述卷积层及所述分割层。且所述场景分割网络是利用训练图片集预训练完成的,所述训练图片集包括多个训练图像以及与训练图像对应的场景标签。其中,场景标签包括车道线标签。
进一步地,所述卷积操作是利用预先设定的卷积核,对每一帧所述交通视频进行乘积及加减运算。所述卷积核的预先设定大小一般为2*2或3*3。
所述分割层基于分割函数构建得到,所述分割函数包括基于区域图片分割算法、形态学分水岭算法及图像边缘分割算法等,进而根据包括所述分割函数的分割层,得到所述车道线图片集。
本发明实施例中,利用当前已公开的SSD算法(Single Shot MultiBox Detector)从所述车道线图片集中提取得到车道线结构数据。
本发明实施例中,所述车道线结构数据包括车道线类型及车道线位置坐标,其中所述车道线类型包括实线车道线、虚实线车道线、虚线车道线。所述车道线位置坐标与所述车道线类型具有一一对应的关系,如在所述车道线结构数据中的某一帧中,存在实线车道线及虚线车道线,则该帧的实线车道线在所述行车视频帧集中的车道线位置坐标为虚线车道线在所述行车视频帧集中的车道线位置坐标为其中,或的上角标表示车道线位置坐标在所述行车视频帧集中对应的帧数编号,如第一帧,第二帧,下角标数字1表示车道线的头部位置,下角标数字2表示车道线的尾部位置,如表示第一帧视频中,车道线头部的坐标位置。
S2、根据预先构建的车辆检测模型,对所述行车视频帧集执行车辆检测,得到车辆在不同视频帧下的位置坐标,其中,所述车辆在不同视频帧下的位置坐标包括第一帧的位置坐标及第二帧的位置坐标。
本发明实施例中,所述车辆检测模型包括输入层、卷积层、池化层、全连接层和输出层。进一步地,在利用所述车辆检测模型,对所述行车视频帧集执行车辆检测之前,还包括训练所述车辆检测模型,详细地,参阅图2所示,所述训练所述车辆检测模型包括:
S21、获取车辆图片训练集及对应的车辆检测框标签集;
S22、将所述车辆图片训练集输入至所述输入层,利用所述卷积层及所述池化层,提取所述车辆图片训练集的车辆特征,得到训练车辆特征集;
S23、利用所述输出层预测所述训练车辆特征集的车辆预测检测框,得到车辆预测检测框集;
S24、根据预构建的误差函数,计算所述车辆检测框标签集与所述车辆预测检测框集的误差;
S25、判断所述误差与预设阈值误差的大小关系;
若所述误差大于预设阈值误差,则执行S26、调整所述车辆检测模型的内部参数,并返回S22;
S27、若所述误差小于或等于所述预设阈值误差,得到训练完成的所述车辆检测模型。
详细地,所述车辆图片训练集是用户提前从互联网等收集并处理得到的图片集,每张图片集中均包括车辆,所述车辆检测框标签集中记录了所述车辆图片训练集中每张车辆在图片中的位置坐标。
进一步地,所述误差函数的计算方法为:
其中,s为所述误差,k为所述车辆图片训练集的数量,yi为所述车辆预测检测框集中的车辆检测框坐标,y′i为所述车辆检测框标签集中的车辆检测框坐标。
当训练完成得到所述车辆检测模型后,利用所述车辆检测模型的所述输入层,接收所述行车视频帧集,并对所述行车视频帧集执行包括去噪、矫正等处理,所述卷积层及池化层可以以当前已公开的卷积神经网络为模板构建得到,其中所述卷积层与所述场景分割网络的卷积层作用相同,与所述池化层共同起到提取所述行车视频帧集的特征,从而可将所述行车视频帧集转变为行车特征集,所述全连接层主要是所述行车特征集转变为固定维度的向量特征,已满足后续输出层的计算要求。所述输出层根据所述固定维度的向量特征生成不同视频帧下的位置坐标。
本发明另一实施例中,也可利用当前已公开的SORT跟踪模型,跟踪在每一帧下的车辆行驶轨迹,从而得到不同视频帧下的所述位置坐标。
进一步地,所述第一帧的位置坐标及第二帧的位置坐标中,第一帧、第二帧仅代表在所述行车视频帧集中帧数的不同。如第一帧的位置坐标为其中表示所述第一帧的位置坐标的左上方坐标,表示所述第一帧的位置坐标的右上方坐标,表示所述第一帧的位置坐标的左下方坐标,表示所述第一帧的位置坐标的右下方坐标,以此类推,第二帧的位置坐标对应的坐标为
S3、从所述车道线结构数据中,提取第一帧的车道线类型及车道线位置坐标及第二帧的车道线类型及车道线位置坐标。
如上所述,本发明实施例中从所述行车视频帧集中提取得到每帧视频下的所述车道线结构数据,从所述行车视频帧集中识别得到所述车道线类型及所述车道线位置坐标,进一步地,为了将不同视频帧下的位置坐标与不同视频帧下的所述车道线结构数据进行对应,需计算所述第一帧的位置坐标及所述第二帧的位置坐标下对应的所述车道线类型。
详细地,参阅图3所示,所述从所述车道线结构数据中,提取第一帧的车道线类型,包括:
S31、查找所述第一帧在所述行车视频帧集的帧数编号及对应的行车视频帧;
S32、利用所述帧数编号从所述车道线结构数据中提取得到预校对车道线类型;
S33、利用所述场景分割网络,识别所述行车视频帧中的车道线识别类型;
S34、判断所述预校对车道线类型与所述车道线识别类型是否相同;
S35、若所述预校对车道线类型与所述车道线识别类型不相同,则对所述预校对车道线类型进行人工识别,得到所述第一帧的车道线类型;
S36、若所述预校对车道线类型与所述车道线识别类型相同,将所述预校对车道线类型作为所述第一帧的车道线类型。
详细地,如上述第一帧在所述行车视频帧集处于第9帧的帧数编号,且从所述行车视频帧集寻找第9帧所对应的一张行车视频帧(根据视频是由若干张图片组成的原理可知,行车视频帧本质是一张行车图片),另外,由S1可知,已从所述行车视频帧集得到所述车道线结构数据,同样地,从所述车道线结构数据提取与第9帧所对应的车道线结构,若第9帧所对应的车道线结构的车道线类型为实线车道线,则该实线车道线即为所述预校对车道线类型。
进一步地,利用所述场景分割网络,识别第9帧所对应的一张行车视频帧中的车道线类型,若识别出的车道线类型不是实线车道线,则表示所述第9帧的车道线类型识别失败,若识别出的车道线类型依然为实线车道线,则表示所述第9帧的车道线类型识别成功,车道线类型为实线车道线。
同样地,所述第二帧的位置坐标的车道线类型的识别过程,与所述第一帧的位置坐标的车道线类型的识别过程相同,在此不再赘述。
进一步地,当得到所述第一帧的车道线类型及第二帧的车道线类型后,本发明实施中,从所述车道线结构数据提取出所述第一帧及第二帧的车道线位置坐标。
如上所述,若所述第一帧是所述行车视频帧集中第9帧所对应的一张行车视频帧,且识别出所述第9帧的车道线类型是实线车道线,并根据S1所述,第9帧所对应的车道线位置坐标为同理,若第二帧为所述行车视频帧集中第26帧所对应的一张行车视频帧,则第二帧对应的车道线位置坐标为
S4、根据所述第一帧的车道线类型,计算所述第一帧的车道线位置坐标及所述第一帧的位置坐标的向量,得到第一帧向量,根据所述第二帧的车道线类型,计算所述第二帧的车道线位置坐标及所述第二帧的位置坐标的向量,得到第二帧向量。
本发明实施例中,所述第一帧的位置坐标及第二帧的位置坐标在帧数上一般相差不大,如第一帧对应行车视频帧集中第9帧,第二帧对应行车视频帧集中第26帧,其实在实际行车中,第9帧与第26帧一般仅相差一秒,所以在所述S4之前还包括:
判断所述第一帧的车道线类型及所述第二帧的车道线类型是否相同,
若所述第一帧的车道线类型及所述第二帧的车道线类型相同且均为所述车道线类型中的虚线车道线,得到车辆在所述第一帧至所述第二帧内,行车不违法的结果。
若所述第一帧的车道线类型及所述第二帧的车道线类型相同,且所述第一帧的车道线类型及所述第二帧的车道线类型不均为所述虚线车道线,表示所述第一帧的车道线类型及所述第二帧的车道线类型,有至少一个实线车道线或虚实线车道线。则进一步计算所述第一帧向量及所述第二帧向量。
详细地,所述计算所述第一帧的车道线位置坐标及所述第一帧的位置坐标的向量,得到第一帧向量,包括:计算所述第一帧的位置坐标的位置中心点,计算所述第一帧的车道线位置坐标的车道线位置中心点,利用所述车辆位置中心点及所述车道线位置中心点的构建得到所述第一帧向量。
如上述第9帧的第一帧的位置坐标为利用不规则多边形的中心计算公式,计算得到位置中心点如第一帧的位置坐标恰好构成矩形,则所述位置中心点恰好为矩形的中心。同样地,所述车道线位置中心点一般为车道线位置坐标的中点位置如第一帧的车道线位置坐标为则对应的车道线位置坐标为的中点。
如上所述,所述第一帧向量包括差值及方向,所述差值及方向可以所述位置中心点为起点,所述车道线位置中心点为终点,构建得到,如第一帧向量方向是从左到右,向量长度为5CM,则所述第一帧向量为+5CM,若方向为从右到左,则所述第一帧向量为-5CM。同理,所述第二帧向量的计算方法与所述第一帧向量的计算方法相同,在此不再赘述。
S5、根据所述第一帧向量及所述第二帧向量的方向,识别所述车辆在所述第一帧至所述第二帧内的行车结果。
由S4所示可知,所述第一帧向量及所述第二帧向量均包括方向及差值,详细地,所述S5包括:判断所述第一帧向量及所述第二帧向量的方向是否相同,若所述第一帧向量及所述第二帧向量的方向相同,则得到车辆在所述在所述第一帧至所述第二帧内,行车不违法结果;若所述第一帧向量及所述第二帧向量的方向不相同,判断所述第一帧的车道线类型或所述第二帧的车道线类型是否为所述虚实线车道线,若所述第一帧的车道线类型及所述第二帧的车道线类型均不是所述虚实线车道线,则得到车辆在所述第一帧至所述第二帧内,行车违法结果。
如上述第9帧对应的第一帧向量为+5CM,表明方向从左到右,即车辆在车道线的左侧,第26帧对应的第二帧向量为-12CM,表明方向从右到左,即车辆在车道线的右侧,因此,当车道线为实线车道线时,表示该车辆跨越了实线,从而行车违法。
进一步地,若所述第一车道线类型或所述第二车道线类型是所述虚实线车道线,根据所述虚实线车道线中实线与虚线的方向,与所述第一帧向量及所述第二帧向量的方向,得到所述第一车辆位置坐标及所述第二车辆位置坐标内是否行车违法的结果。
详细地,若车道线为虚实线车道线时,且实线与虚线的方向是实线在左,虚线在右,则表明虚实线车道线左边的车辆不能行车至虚实线车道线的右侧,如上述第9帧对应的第一帧向量为+5CM,车辆在车道线的左侧,第26帧对应的第二帧向量为-12CM,车辆在车道线的右侧,因此可得到该车辆在第9帧至第26帧间,从虚实线车道线左边行车至虚实线车道线的右侧,因此该车辆次行车违法。
本发明实施例先获取行车视频帧集,通过所述行车视频帧集提取出包括车道线类型及车道线位置坐标的车道线结构数据,并继续从所述行车视频帧集中提取第一跟踪数据的第一车辆位置坐标及第二跟踪数据的第二车辆位置坐标,根据所述车道线类型,进一步判断所述第一跟踪数据中的第一车道线类型,及所述第二跟踪数据中的第二车道线类型,及所述第一车道线类型的第一车道线位置坐标,及所述第二车道线类型的第二车道线位置坐标,通过计算所述第一车道线位置坐标及所述第一车辆位置坐标的向量,得到第一帧向量,及计算所述第二车道线位置坐标及所述第二车道线位置坐标的向量,得到第二帧向量,利用所述第一帧向量及所述第二帧向量,得到车辆的行车结果。本发明实施例相比于背景技术来说,并非将检测出的车道线及车辆,直接进行距离计算,而是结合车道线类型及位置坐标构建出向量,由于向量具有大小和方向,通过结合向量的方向,判断得出出辆的行车结果,因此相比于将检测出的车道线及车辆直接进行距离计算来说,本发明实施例仅通过向量方向即可得到违法结果,因此在检测效率更高的情况下,也减少因距离计算时产生误差,进而影响到行车违法结果的现象。因此本发明提出的基于行车视频的车辆违法检测方法、装置及计算机可读存储介质,可以解决反复计算车道线及车辆的距离而产生距离计算误差时,导致检测准确率较低的现象。
如图4所示,是本发明基于行车视频的车辆违法检测装置的模块示意图。
本发明所述基于行车视频的车辆违法检测装置100可以安装于电子设备中。根据实现的功能,所述基于行车视频的车辆违法检测装置可以包括车道线位置坐标生成模块101、车辆位置坐标生成模块102、车道线计算模块103及行车违法判定模块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:
所述车道线位置坐标生成模块101,用于获取预设车辆的行车视频帧集,对所述行车视频帧集执行场景分割,得到车道线图片集,从所述车道线图片集中提取得到车道线结构数据,其中所述车道线结构数据包括车道线类型及车道线位置坐标;
所述车辆位置坐标生成模块102,用于根据预先构建的车辆检测模型,对所述行车视频帧集执行车辆检测,得到车辆在不同视频帧下的位置坐标,其中,所述车辆在不同视频帧下的位置坐标包括第一帧的位置坐标及第二帧的位置坐标;
所述车道线计算模块103,用于从所述车道线结构数据中,提取第一帧的车道线类型及车道线位置坐标及第二帧的车道线类型及车道线位置坐标,根据所述第一帧的车道线类型,计算所述第一帧的车道线位置坐标及所述第一帧的位置坐标的向量,得到第一帧向量,根据所述第二帧的车道线类型,计算所述第二帧的车道线位置坐标及所述第二帧的位置坐标的向量,得到第二帧向量;
所述行车违法判定模块104,用于根据所述第一帧向量及所述第二帧向量的方向,识别所述车辆在所述第一帧至所述第二帧内的行车结果。
本发明实施例所提供的基于行车视频的车辆违法检测装置100中的各个模块能够在使用时基于与上述的基于行车视频的车辆违法检测方法采用相同的手段,并产生相同的技术效果,即解决反复计算车道线及车辆的距离而产生距离计算误差时,导致检测准确率较低的现象。
如图5所示,是本发明实现基于行车视频的车辆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,如基于行车视频的车辆违法检测程序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,例如基于行车视频的车辆违法检测程序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(例如执行基于行车视频的车辆违法检测程序等),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存储的基于行车视频的车辆违法检测程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取预设车辆的行车视频帧集,对所述行车视频帧集执行场景分割,得到车道线图片集,从所述车道线图片集中提取得到车道线结构数据,其中所述车道线结构数据包括车道线类型及车道线位置坐标;
根据预先构建的车辆检测模型,对所述行车视频帧集执行车辆检测,得到车辆在不同视频帧下的位置坐标,其中,所述车辆在不同视频帧下的位置坐标包括第一帧的位置坐标及第二帧的位置坐标;
从所述车道线结构数据中,提取第一帧的车道线类型及车道线位置坐标及第二帧的车道线类型及车道线位置坐标;
根据所述第一帧的车道线类型,计算所述第一帧的车道线位置坐标及所述第一帧的位置坐标的向量,得到第一帧向量,根据所述第二帧的车道线类型,计算所述第二帧的车道线位置坐标及所述第二帧的位置坐标的向量,得到第二帧向量;
根据所述第一帧向量及所述第二帧向量的方向,识别所述车辆在所述第一帧至所述第二帧内的行车结果。
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。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取预设车辆的行车视频帧集,对所述行车视频帧集执行场景分割,得到车道线图片集,从所述车道线图片集中提取得到车道线结构数据,其中所述车道线结构数据包括车道线类型及车道线位置坐标;
根据预先构建的车辆检测模型,对所述行车视频帧集执行车辆检测,得到车辆在不同视频帧下的位置坐标,其中,所述车辆在不同视频帧下的位置坐标包括第一帧的位置坐标及第二帧的位置坐标;
从所述车道线结构数据中,提取第一帧的车道线类型及车道线位置坐标及第二帧的车道线类型及车道线位置坐标;
根据所述第一帧的车道线类型,计算所述第一帧的车道线位置坐标及所述第一帧的位置坐标的向量,得到第一帧向量,根据所述第二帧的车道线类型,计算所述第二帧的车道线位置坐标及所述第二帧的位置坐标的向量,得到第二帧向量;
根据所述第一帧向量及所述第二帧向量的方向,识别所述车辆在所述第一帧至所述第二帧内的行车结果。
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)
1.一种基于行车视频的车辆违法检测方法,其特征在于,所述方法包括:
获取预设车辆的行车视频帧集,对所述行车视频帧集执行场景分割,得到车道线图片集,从所述车道线图片集中提取得到车道线结构数据,其中所述车道线结构数据包括车道线类型及车道线位置坐标;
根据预先构建的车辆检测模型,对所述行车视频帧集执行车辆检测,得到车辆在不同视频帧下的位置坐标,其中,所述车辆在不同视频帧下的位置坐标包括第一帧的位置坐标及第二帧的位置坐标;
从所述车道线结构数据中,提取第一帧的车道线类型及车道线位置坐标及第二帧的车道线类型及车道线位置坐标;
根据所述第一帧的车道线类型,计算所述第一帧的车道线位置坐标及所述第一帧的位置坐标的向量,得到第一帧向量,根据所述第二帧的车道线类型,计算所述第二帧的车道线位置坐标及所述第二帧的位置坐标的向量,得到第二帧向量;
根据所述第一帧向量及所述第二帧向量的方向,识别所述车辆在所述第一帧至所述第二帧内的行车结果。
2.如权利要求1所述的基于行车视频的车辆违法检测方法,其特征在于,所述对所述行车视频帧集执行场景分割,得到车道线图片集,包括:
接收用户在所述行车视频帧集中标记的车道线,得到车道线标签;
利用预训练完成的场景分割网络对所述行车视频帧集中的每一帧行车视频执行卷积操作,得到视频特征集;
以所述车道线标签为分割标准,从所述视频特征集中分割得到所述车道线图片集。
3.如权利要求2所述的基于行车视频的车辆违法检测方法,其特征在于,所述从所述车道线结构数据中,提取第一帧的车道线类型,包括:
查找所述第一帧在所述行车视频帧集的帧数编号及对应的行车视频帧;
利用所述帧数编号从所述车道线结构数据中提取预校对车道线类型;
利用所述场景分割网络,识别所述行车视频帧中的车道线识别类型;
判断所述预校对车道线类型与所述车道线识别类型是否相同;
若所述预校对车道线类型与所述车道线识别类型不相同,则对所述预校对车道线类型进行人工识别,得到所述第一帧的车道线类型;
若所述预校对车道线类型与所述车道线识别类型相同,将所述预校对车道线类型作为所述第一帧的车道线类型。
4.如权利要求1至3中任意一项所述的基于行车视频的车辆违法检测方法,其特征在于,所述根据预先构建的车辆检测模型,对所述行车视频帧集执行车辆检测之前,所述方法还包括:
步骤A:获取车辆图片训练集及对应的车辆检测框标签集,通过所述检测模型的输入层接收所述车辆图片训练集;
步骤B:利用所述检测模型的卷积层及池化层,提取所述车辆图片训练集的车辆特征,得到训练车辆特征集;
步骤C:利用所述检测模型的输出层,预测所述训练车辆特征集的车辆预测检测框,得到车辆预测检测框集;
步骤D:根据预构建的误差函数,计算所述车辆检测框标签集与所述车辆预测检测框集的误差,若所述误差大于预设阈值误差,调整所述检测模型的内部参数,并返回步骤B;
步骤E、若所述误差小于或等于所述预设阈值误差,得到构建完成的所述车辆检测模型。
6.如权利要求1所述的基于行车视频的车辆违法检测方法,其特征在于,所述计算所述第一帧的车道线位置坐标及所述第一帧的位置坐标的向量之前,所述方法还包括:
判断所述第一帧的车道线类型及所述第二帧的车道线类型是否相同;
若所述第一帧的车道线类型及所述第二帧的车道线类型相同且均为所述车道线类型中的虚线车道线,得到车辆在所述第一帧至所述第二帧内,行车不违法的结果。
7.如权利要求1所述的基于行车视频的车辆违法检测方法,其特征在于,所述根据所述第一帧向量及所述第二帧向量的方向,识别所述车辆在所述第一帧至所述第二帧内的行车结果,包括:
判断所述第一帧向量及所述第二帧向量的方向是否相同,若所述第一帧向量及所述第二帧向量的方向相同,则得到车辆在所述在所述第一帧至所述第二帧内,行车不违法结果;
若所述第一帧向量及所述第二帧向量的方向不相同,判断所述第一帧的车道线类型及所述第二帧的车道线类型是否为所述虚实线车道线;
若所述第一帧的车道线类型及所述第二帧的车道线类型均不是所述虚实线车道线,则得到车辆在所述第一帧至所述第二帧内,行车违法结果。
8.一种基于行车视频的车辆违法检测装置,其特征在于,所述装置包括:
车道线位置坐标生成模块,用于获取预设车辆的行车视频帧集,对所述行车视频帧集执行场景分割,得到车道线图片集,从所述车道线图片集中提取得到车道线结构数据,其中所述车道线结构数据包括车道线类型及车道线位置坐标;
车辆位置坐标生成模块,用于根据预先构建的车辆检测模型,对所述行车视频帧集执行车辆检测,得到车辆在不同视频帧下的位置坐标,其中,所述车辆在不同视频帧下的位置坐标包括第一帧的位置坐标及第二帧的位置坐标;
车道线计算模块,用于从所述车道线结构数据中,提取第一帧的车道线类型及车道线位置坐标及第二帧的车道线类型及车道线位置坐标,根据所述第一帧的车道线类型,计算所述第一帧的车道线位置坐标及所述第一帧的位置坐标的向量,得到第一帧向量,根据所述第二帧的车道线类型,计算所述第二帧的车道线位置坐标及所述第二帧的位置坐标的向量,得到第二帧向量;
行车违法判定模块,用于根据所述第一帧向量及所述第二帧向量的方向,识别所述车辆在所述第一帧至所述第二帧内的行车结果。
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中任一项所述的基于行车视频的车辆违法检测方法。
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,其特征在于,所述存储数据区存储创建的数据,所述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中任一项所述的基于行车视频的车辆违法检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011322563.4A CN112434601B (zh) | 2020-11-23 | 2020-11-23 | 基于行车视频的车辆违法检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011322563.4A CN112434601B (zh) | 2020-11-23 | 2020-11-23 | 基于行车视频的车辆违法检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112434601A true CN112434601A (zh) | 2021-03-02 |
CN112434601B CN112434601B (zh) | 2024-05-10 |
Family
ID=74692990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011322563.4A Active CN112434601B (zh) | 2020-11-23 | 2020-11-23 | 基于行车视频的车辆违法检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434601B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076851A (zh) * | 2021-03-29 | 2021-07-06 | 开易(北京)科技有限公司 | 一种车辆违章数据的采集方法、装置以及计算机设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109147340A (zh) * | 2018-08-30 | 2019-01-04 | 平安科技(深圳)有限公司 | 违法停车案件的鉴别方法、装置和计算机设备 |
CN111291681B (zh) * | 2020-02-07 | 2023-10-20 | 北京百度网讯科技有限公司 | 车道线变化信息的检测方法、装置及设备 |
-
2020
- 2020-11-23 CN CN202011322563.4A patent/CN112434601B/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076851A (zh) * | 2021-03-29 | 2021-07-06 | 开易(北京)科技有限公司 | 一种车辆违章数据的采集方法、装置以及计算机设备 |
CN113076851B (zh) * | 2021-03-29 | 2024-05-14 | 开易(北京)科技有限公司 | 一种车辆违章数据的采集方法、装置以及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112434601B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932564B (zh) | 图片识别方法、装置、电子设备及计算机可读存储介质 | |
CN112052850B (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
CN112699775A (zh) | 基于深度学习的证件识别方法、装置、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 | |
CN112137591B (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
CN111311010A (zh) | 车辆风险预测方法、装置、电子设备及可读存储介质 | |
CN112507934A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN113033543A (zh) | 曲形文本识别方法、装置、设备及介质 | |
CN111931729B (zh) | 基于人工智能的行人检测方法、装置、设备及介质 | |
CN112712703A (zh) | 车辆视频的处理方法、装置、计算机设备和存储介质 | |
CN111985449A (zh) | 救援现场图像的识别方法、装置、设备及计算机介质 | |
CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
CN115471775A (zh) | 基于录屏视频的信息验证方法、装置、设备及存储介质 | |
CN112528903B (zh) | 人脸图像获取方法、装置、电子设备及介质 | |
CN112434601B (zh) | 基于行车视频的车辆违法检测方法、装置、设备及介质 | |
CN117197227A (zh) | 计算目标车辆偏航角方法、装置、设备以及介质 | |
CN112329666A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN113449629B (zh) | 基于行车视频的车道线虚实识别装置、方法、设备及介质 | |
CN112580505B (zh) | 网点开关门状态识别方法、装置、电子设备及存储介质 | |
CN114882420A (zh) | 接待人数统计方法、装置、电子设备及可读存储介质 | |
CN113190703A (zh) | 视频图像的智能检索方法、装置、电子设备及存储介质 | |
CN112561889A (zh) | 目标物检测方法、装置、电子设备及存储介质 | |
CN113343882A (zh) | 人群计数方法、装置、电子设备及存储介质 | |
CN112270245B (zh) | 行车违法检测方法、装置、设备及计算机介质 |
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 |