CN112509325A - 一种基于视频深度学习的非现场违法自动甄别方法 - Google Patents
一种基于视频深度学习的非现场违法自动甄别方法 Download PDFInfo
- Publication number
- CN112509325A CN112509325A CN202011398572.1A CN202011398572A CN112509325A CN 112509325 A CN112509325 A CN 112509325A CN 202011398572 A CN202011398572 A CN 202011398572A CN 112509325 A CN112509325 A CN 112509325A
- Authority
- CN
- China
- Prior art keywords
- illegal
- video
- scene
- site
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- 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
- G06V20/40—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
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- 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
-
- 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
- G06V20/44—Event detection
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于视频深度学习的非现场违法自动甄别方法,其可以自动定位违法图片,降低了人工甄别的工作量,提高了工作效率,简化了取证手段,且降低了取证的争议率。本发明技术方案中,基于无效场景识别子模型,先将视频图像中的无效场景图片识别出来,然后将剩余图片投入到违法事件识别子模型中,进行交通违法现场图片识别,由人工对违法取证数据、疑似违法视频数据进行最终确认。
Description
技术领域
本发明涉及智能交通管理技术领域,具体为一种基于视频深度学习的非现场违法自动甄别方法。
背景技术
目前,全国各地对群众举报的违法视频包括前端移动监控设备抓拍的违法视频,大部分是用传统的人工播放视频方式判断视频中的违法是否有效。这种传统依靠人工方式主要有以下三点弊端。第一,非现场违法视频量庞大,需要大量的民警开展日常化的人工核对工作。第二,人工播放视频方式需要经常回放才能确定该条违法是否有效,工作效率非常低下,耗时至少是文本信息核对的5倍以上。第三,对人工核对有效的视频因对违法行为理解不同等多种人为因素,导致在执法取证规范性上可能存在争议。
发明内容
为了解决人工甄别违法视频时,工作量大、耗时长、效率低、取证争议多的问题,本发明提供一种基于视频深度学习的非现场违法自动甄别方法,其可以自动定位违法图片,降低了人工甄别的工作量,提高了工作效率,简化了取证手段,且降低了取证的争议率。
本发明的技术方案是这样的:一种基于视频深度学习的非现场违法自动甄别方法,其特征在于,其包括以下步骤:
S1:采集指定时间段内的交通违法事件的历史视频数据,对所述历史视频数据进行分类;
S2:构建识别场景库,将所述历史视频数据按照数据种类添加到所述识别场景库中;
所述识别场景库中的数据类型包括:无效违法场景、有效违法场景;
所述无效违法场景、所述有效违法场景以种类划分为子分类分别存储;
S3:基于AI视频识别技术,构建交通场景识别模型;
所述交通场景识别模型包括:无效场景识别子模型、违法事件识别子模型;
S4:基于所述识别场景库构建训练样本,将所述训练样本按照其种类输入到所述交通场景识别模型的子模型中进行训练,获得训练好的所述交通场景识别模型;
S5:获取群众举报信息;
S6:确认是所述群众举报信息中是否包括违法现场视频信息;如果包括视频信息,则将所述视频信息记做待识别违法现场视频数据;步骤S8;
否则,执行步骤S7;
S7:基于所述群众举报信息中的地点、时间信息,定位违法行为发生地点的卡口设备,获取所述待识别违法现场视频数据;
S8:将所述待识别违法现场视频数据输入到所述无效场景识别子模型中,进行无效场景去除;
S9:将所述待识别违法现场视频数据中可以确定的所有的无效场景去除之后,将所述待识别违法现场视频数据中剩余的数据投入到所述违法事件识别子模型中;
如果,所述待识别违法现场视频数据中的场景符合所述违法事件识别子模中任一有效场景,则认定为有效违法视频,自动截取违法过程证据用图片,作为违法取证证据;执行步骤S11;
如果,所述待识别违法现场视频数据中的场景基于所述违法事件识别子模仍然无法识别出有效场景,则执行步骤S10;
S10:确认所述待识别违法现场视频数据的来源;
如果所述待识别违法现场视频数据是来自群众举报数据,则循环执行步骤S7~S9;
否则,将所述待识别违法现场视频数据中的场景设置为疑似违法视频数据;执行步骤S11;
S11:进入人工确认流程,对视频数据进行人工确认,确认内容包括:
所述违法取证数据的有效性;
所述疑似违法视频数据的具体场景内容进行人工识别,确实是无效场景数据还是违法取证数据。
其进一步特征在于:
其还包括以下步骤:
S12:人工确认定后,对确认过的所述待识别违法现场视频数据的数据类型进行分类;
所述数据类型包括:无效违法场景、有效违法场景;
将确认过的所述待识别违法现场视频数据按照其数据类型添加到所述识别场景库中;
S13:定期循环执行步骤S1~S4;
所述无效场景识别子模型中,无效种类包括:未检测到违法、视频下载异常、视频解码失败、未检测到违法、号牌不清晰、号牌不完整、未识别到号牌、视频时长不足达不到取证要求;
所述有效场景识别子模型中,交通违法种类包括:变道不打灯、不礼让行人、闯红灯、加塞插队、连续变更多条车道、抢黄灯、驶入拥堵路口、违法停车下人、尾号限行、越双实线掉头、越线超车、越线停车、占应急车道、遮挡号牌、直行道左转、转弯车不让直行车、走非机动车道、走公交车道、左转道直行、压实线行驶;
步骤S9中,所述违法取整数据包括3张违法过程证据用图片;
所述交通场景识别模型基于YOLOV5和HRNet-OCR结合的模型实现。
本发明提供的一种基于视频深度学习的非现场违法自动甄别方法,其基于无效场景识别子模型,先将视频图像中的无效场景图片识别出来,然后将剩余图片投入到违法事件识别子模型中,进行交通违法现场图片识别,由人工对违法取证数据、疑似违法视频数据进行最终确认;因为交通视频数据中,无效的场景图片所占比例非常大,在对无效场景图片去除之后,进行违法事件识别,提高了数据识别的效率,最终只需人工对违法取证数据、疑似违法视频数据进行确认,极大的降低了人工甄别的工作量,提高了工作效率,简化了取证手段;在确定有效违法视频后,自动截取违法过程证据用图片,作为违法取证证据,无需人工手动播放视频截图,不但提高核对工作效率,且获取的违法取证数据从数据特征方面比人工识别的数据更准确,降低了取证的争议率。
附图说明
图1为基于视频深度学习的非现场违法自动甄别方法的流程示意图;
图2为表1识别场景库分类-Page1;
图3为表1识别场景库分类-Page2。
具体实施方式
如图1所示,本发明一种基于视频深度学习的非现场违法自动甄别方法,其包括以下步骤。
S1:采集指定时间段内的交通违法事件的历史视频数据,对历史视频数据进行分类。
S2:构建识别场景库,将历史视频数据按照数据种类添加到识别场景库中;
识别场景库中的数据类型包括:无效违法场景、有效违法场景;
无效违法场景、有效违法场景以种类划分为子分类分别存储。
S3:基于AI视频识别技术,构建交通场景识别模型;本实施例中,交通场景识别模型是基于YOLOV5和HRNet-OCR结合的模型实现;基于YOLOV5在图片中找到目标车辆,基于HRNet-OCR将不同分辨率的特征图并联,各个分辨率分别一路,然后融合各路信息来达到信息的保持。然后在HRNet分割后的结果计算每个像素与图像其他像素的一个关系权重,再与原特征进行一个叠加,使分割结果更准确;基于YOLOV5和HRNet-OCR结合构成的交通场景识别模型,同等尺寸下性能更强,并且具有很不错的稳定性,同时在分割效果和推理时间上都有很不错的效果,可以更准确的识别出基于目标车辆、相关的交通标记区分的各种有效违法场景,尤其适用于基于卡口设备抓取的动态视频数据中的图像识别;
交通场景识别模型包括:无效场景识别子模型、违法事件识别子模型;
无效场景识别子模型中,无效种类包括:未检测到违法、视频下载异常、视频解码失败、未检测到违法、号牌不清晰、号牌不完整、未识别到号牌、视频时长不足达不到取证要求;
有效场景识别子模型中,交通违法种类包括:变道不打灯、不礼让行人、闯红灯、加塞插队、连续变更多条车道、抢黄灯、驶入拥堵路口、违法停车下人、尾号限行、越双实线掉头、越线超车、越线停车、占应急车道、遮挡号牌、直行道左转、转弯车不让直行车、走非机动车道、走公交车道、左转道直行、压实线行驶。
S4:基于识别场景库构建训练样本,将训练样本按照其种类输入到交通场景识别模型的子模型中进行训练,获得训练好的交通场景识别模型。
S5:获取群众举报信息。
S6:确认是群众举报信息中是否包括违法现场视频信息;如果包括视频信息,则将视频信息记做待识别违法现场视频数据;步骤S8;
否则,执行步骤S7;
在举报信息中如果存在视频数据,则先直接使用举报的视频数据,而不是先获取卡口数据,因为举报数据更具备针对性,针对举报的视频数据进行识别,降低了系统的计算量,提高了系统的工作效率,且简化了取证手段,降低了取证的争议率。
S7:基于群众举报信息中的地点、时间信息,定位违法行为发生地点的卡口设备,获取待识别违法现场视频数据。
S8:将待识别违法现场视频数据输入到无效场景识别子模型中,进行无效场景去除;
因为卡口数据中有效场景的数据比例小于无效场景的数据,所以本发明技术方案中,先对无效场景相关的数据进行取出,然后进行有效场景的识别,确保系统以最小的计算量进行工作,极大的提高了识别效率。
S9:将待识别违法现场视频数据中可以确定的所有的无效场景去除之后,将待识别违法现场视频数据中剩余的数据投入到违法事件识别子模型中;
如果,待识别违法现场视频数据中的场景符合违法事件识别子模中任一有效场景,则认定为有效违法视频,根据目前现行的有效证据的规定,自动截取3张违法过程证据用图片,作为违法取证证据;执行步骤S12
如果,待识别违法现场视频数据中的场景基于违法事件识别子模仍然无法识别出有效场景,则执行步骤S10。
S10:确认待识别违法现场视频数据的来源;
如果待识别违法现场视频数据是来自群众举报数据,则循环执行步骤S7~S9;
否则,将待识别违法现场视频数据中的场景设置为疑似违法视频数据;执行步骤S11;
如果群众举报的视频无法提供足够的证据采集用识别信息,则进行卡口数据的采集,基于卡口采集的数据进行再次识别;确保对所有的举报信息都能做到充分的确认,在提高工作效率的基础上,降低了取证的争议率。
S11:进入人工确认流程,对视频数据进行人工确认,确认内容包括:
违法取证数据的有效性;
疑似违法视频数据的具体场景内容进行人工识别,确实是无效场景数据还是违法取证数据。
S12:人工确认定后,对确认过的待识别违法现场视频数据的数据类型进行分类;
数据类型包括:无效违法场景、有效违法场景;
将确认过的待识别违法现场视频数据按照其数据类型添加到识别场景库中。
S13:定期循环执行步骤S1~S4;定时的使用添加了最新数据的样本数据对交通场景识别模型进行训练,确保交通场景识别模型适用于最新的交通场景,使其能够识别的交通场景更加完善。
以群众举报的加塞插队的违法视频为例说明AI有效违法视频识别模式。
1. 构建识别场景库;
其中,无效场景识别子模型中,无效种类包括:未检测到违法、视频下载异常、视频解码失败、未检测到违法、号牌不清晰、号牌不完整、未识别到号牌、视频时长不足达不到取证要求;
有效场景识别子模型中,交通违法种类包括:变道不打灯、不礼让行人、闯红灯、加塞插队、连续变更多条车道、抢黄灯、驶入拥堵路口、违法停车下人、尾号限行、越双实线掉头、越线超车、越线停车、占应急车道、遮挡号牌、直行道左转、转弯车不让直行车、走非机动车道、走公交车道、左转道直行、压实线行驶;
具体内容参照附图2和附图3中的表1;表1中,“适用场景说明”一栏中记录的是无效种类、交通违法种类,其中,“有效识别数据”一栏中,记载的是针对基于“适用场景说明”中无效种类、交通违法种类,对每一个种类进一步细分,每个种类具体包括的有效的场景说明,即,通过交通场景识别模型识别出“有效识别数据”中的场景,即可判断存在“适用场景说明”中无效种类、交通违法种类的场景;场景编号是对每个无效种类、交通违法种类中的有效识别数据进行编号;
2.获取群众举报的加塞插队违法视频和文本信息;
3.根据加塞插队视频细分出有效的违法场景。由表1得到加塞插队的有效违法场景;
加塞插队的“有效识别数据”包括:强行并线(变更车道影响正常车辆行驶)、实线变道、右后方超车、转弯变道不打灯;
利用交通场景识别模型对有效场景逐一识别。若该视频中存在任意一个有效场景,则认定为有效违法记录,自动截取3张违法过程证据用图片,作为违法取证证据。
Claims (6)
1.一种基于视频深度学习的非现场违法自动甄别方法,其特征在于,其包括以下步骤:
S1:采集指定时间段内的交通违法事件的历史视频数据,对所述历史视频数据进行分类;
S2:构建识别场景库,将所述历史视频数据按照数据种类添加到所述识别场景库中;
所述识别场景库中的数据类型包括:无效违法场景、有效违法场景;
所述无效违法场景、所述有效违法场景以种类划分为子分类分别存储;
S3:基于AI视频识别技术,构建交通场景识别模型;
所述交通场景识别模型包括:无效场景识别子模型、违法事件识别子模型;
S4:基于所述识别场景库构建训练样本,将所述训练样本按照其种类输入到所述交通场景识别模型的子模型中进行训练,获得训练好的所述交通场景识别模型;
S5:获取群众举报信息;
S6:确认是所述群众举报信息中是否包括违法现场视频信息;如果包括视频信息,则将所述视频信息记做待识别违法现场视频数据;步骤S8;
否则,执行步骤S7;
S7:基于所述群众举报信息中的地点、时间信息,定位违法行为发生地点的卡口设备,获取所述待识别违法现场视频数据;
S8:将所述待识别违法现场视频数据输入到所述无效场景识别子模型中,进行无效场景去除;
S9:将所述待识别违法现场视频数据中可以确定的所有的无效场景去除之后,将所述待识别违法现场视频数据中剩余的数据投入到所述违法事件识别子模型中;
如果,所述待识别违法现场视频数据中的场景符合所述违法事件识别子模中任一有效场景,则认定为有效违法视频,自动截取违法过程证据用图片,作为违法取证证据;执行步骤S11;
如果,所述待识别违法现场视频数据中的场景基于所述违法事件识别子模仍然无法识别出有效场景,则执行步骤S10;
S10:确认所述待识别违法现场视频数据的来源;
如果所述待识别违法现场视频数据是来自群众举报数据,则循环执行步骤S7~S9;
否则,将所述待识别违法现场视频数据中的场景设置为疑似违法视频数据;执行步骤S11;
S11:进入人工确认流程,对视频数据进行人工确认,确认内容包括:
所述违法取证数据的有效性;
所述疑似违法视频数据的具体场景内容进行人工识别,确实是无效场景数据还是违法取证数据。
2.根据权利要求1所述一种基于视频深度学习的非现场违法自动甄别方法,其特征在于:其还包括以下步骤:
S12:人工确认定后,对确认过的所述待识别违法现场视频数据的数据类型进行分类;
所述数据类型包括:无效违法场景、有效违法场景;
将确认过的所述待识别违法现场视频数据按照其数据类型添加到所述识别场景库中;
S13:定期循环执行步骤S1~S4。
3.根据权利要求1所述一种基于视频深度学习的非现场违法自动甄别方法,其特征在于:所述无效场景识别子模型中,无效种类包括:未检测到违法、视频下载异常、视频解码失败、未检测到违法、号牌不清晰、号牌不完整、未识别到号牌、视频时长不足达不到取证要求。
4.根据权利要求1所述一种基于视频深度学习的非现场违法自动甄别方法,其特征在于:所述有效场景识别子模型中,交通违法种类包括:变道不打灯、不礼让行人、闯红灯、加塞插队、连续变更多条车道、抢黄灯、驶入拥堵路口、违法停车下人、尾号限行、越双实线掉头、越线超车、越线停车、占应急车道、遮挡号牌、直行道左转、转弯车不让直行车、走非机动车道、走公交车道、左转道直行、压实线行驶。
5.根据权利要求1所述一种基于视频深度学习的非现场违法自动甄别方法,其特征在于:步骤S9中,所述违法取整数据包括3张违法过程证据用图片。
6.根据权利要求1所述一种基于视频深度学习的非现场违法自动甄别方法,其特征在于:所述交通场景识别模型基于YOLOV5和HRNet-OCR结合的模型实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011398572.1A CN112509325B (zh) | 2020-12-04 | 2020-12-04 | 一种基于视频深度学习的非现场违法自动甄别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011398572.1A CN112509325B (zh) | 2020-12-04 | 2020-12-04 | 一种基于视频深度学习的非现场违法自动甄别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112509325A true CN112509325A (zh) | 2021-03-16 |
CN112509325B CN112509325B (zh) | 2022-03-11 |
Family
ID=74968139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011398572.1A Active CN112509325B (zh) | 2020-12-04 | 2020-12-04 | 一种基于视频深度学习的非现场违法自动甄别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112509325B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920535A (zh) * | 2021-10-12 | 2022-01-11 | 广东电网有限责任公司广州供电局 | 一种基于YOLOv5的电子区域检测方法 |
CN114038061A (zh) * | 2021-11-10 | 2022-02-11 | 北京万维盈创科技发展有限公司 | 基于用户行为分析模型的环境动态管控方法及系统 |
CN114120080A (zh) * | 2021-12-02 | 2022-03-01 | 公安部交通管理科学研究所 | 一种违反禁止标线的车辆违法行为的识别方法 |
CN115171389A (zh) * | 2022-07-22 | 2022-10-11 | 吉林大学 | 基于gmm-hmm的高速公路他车超车换道意图识别方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030080878A1 (en) * | 2001-10-30 | 2003-05-01 | Kirmuss Charles Bruno | Event-based vehicle image capture |
EP1486928A2 (en) * | 2003-06-12 | 2004-12-15 | Redflex Traffic Systems PTY LTD. | Automated traffic violation monitoring and reporting system |
EP1975899A1 (en) * | 2007-03-30 | 2008-10-01 | Yeshua Rachamim Levi | A method, system and device for detecting, protecting against and reporting traffic law violations |
CN102521964A (zh) * | 2011-11-28 | 2012-06-27 | 重庆警官职业学院 | 基于云计算的交通违章处理方法 |
WO2014007762A1 (en) * | 2012-07-04 | 2014-01-09 | Tan Seow Loong | A method and system for automated monitoring of traffic |
CN104952255A (zh) * | 2015-06-25 | 2015-09-30 | 上海卓易科技股份有限公司 | 一种智能终端及其交通违章监督方法、系统 |
CN105336177A (zh) * | 2015-12-10 | 2016-02-17 | 深圳市科漫达智能管理科技有限公司 | 一种交通违规监控方法及装置 |
CN106982319A (zh) * | 2016-01-19 | 2017-07-25 | 杭州羊道科技有限公司 | 一种违规违章违法抓拍举报系统 |
CN108877233A (zh) * | 2018-07-13 | 2018-11-23 | 上海擎感智能科技有限公司 | 一种基于车载终端的违章驾驶记录方法及系统、车载终端 |
CN109118765A (zh) * | 2018-09-04 | 2019-01-01 | 京东方科技集团股份有限公司 | 基于区块链的交通违章记录方法和装置 |
CN110459057A (zh) * | 2019-07-29 | 2019-11-15 | 湖南湖芯信息科技有限公司 | 基于大众监督的车载抓拍交通违规事件处理系统 |
CN110781834A (zh) * | 2019-10-28 | 2020-02-11 | 上海眼控科技股份有限公司 | 交通异常图像检测方法、装置、计算机设备及存储介质 |
CN110853364A (zh) * | 2019-11-18 | 2020-02-28 | 珠海研果科技有限公司 | 数据监控方法和装置 |
CN110930724A (zh) * | 2019-12-09 | 2020-03-27 | 公安部交通管理科学研究所 | 基于深度学习的交通非现场违法记录筛选审核方法及系统 |
CN111144354A (zh) * | 2019-12-30 | 2020-05-12 | 山东爱城市网信息技术有限公司 | 基于区块链的交通违章举报激励方法及设备、介质 |
CN111369798A (zh) * | 2018-12-26 | 2020-07-03 | 上海博泰悦臻电子设备制造有限公司 | 一种车辆违章监督的方法、车机及车辆 |
KR20200093264A (ko) * | 2019-01-28 | 2020-08-05 | 한지훈 | 촬영장치를 이용한 교통법규 위반 신고처리 방법 및 시스템 |
CN111695410A (zh) * | 2020-04-24 | 2020-09-22 | 平安国际智慧城市科技股份有限公司 | 违章举报方法、装置、计算机设备及存储介质 |
CN112016520A (zh) * | 2020-09-15 | 2020-12-01 | 平安国际智慧城市科技股份有限公司 | 基于ai的交通违法凭证生成方法、装置、终端及存储介质 |
US10854073B1 (en) * | 2020-04-10 | 2020-12-01 | Ramon Ramos | IWitness |
-
2020
- 2020-12-04 CN CN202011398572.1A patent/CN112509325B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030080878A1 (en) * | 2001-10-30 | 2003-05-01 | Kirmuss Charles Bruno | Event-based vehicle image capture |
EP1486928A2 (en) * | 2003-06-12 | 2004-12-15 | Redflex Traffic Systems PTY LTD. | Automated traffic violation monitoring and reporting system |
EP1975899A1 (en) * | 2007-03-30 | 2008-10-01 | Yeshua Rachamim Levi | A method, system and device for detecting, protecting against and reporting traffic law violations |
CN102521964A (zh) * | 2011-11-28 | 2012-06-27 | 重庆警官职业学院 | 基于云计算的交通违章处理方法 |
WO2014007762A1 (en) * | 2012-07-04 | 2014-01-09 | Tan Seow Loong | A method and system for automated monitoring of traffic |
CN104952255A (zh) * | 2015-06-25 | 2015-09-30 | 上海卓易科技股份有限公司 | 一种智能终端及其交通违章监督方法、系统 |
CN105336177A (zh) * | 2015-12-10 | 2016-02-17 | 深圳市科漫达智能管理科技有限公司 | 一种交通违规监控方法及装置 |
CN106982319A (zh) * | 2016-01-19 | 2017-07-25 | 杭州羊道科技有限公司 | 一种违规违章违法抓拍举报系统 |
CN108877233A (zh) * | 2018-07-13 | 2018-11-23 | 上海擎感智能科技有限公司 | 一种基于车载终端的违章驾驶记录方法及系统、车载终端 |
CN109118765A (zh) * | 2018-09-04 | 2019-01-01 | 京东方科技集团股份有限公司 | 基于区块链的交通违章记录方法和装置 |
CN111369798A (zh) * | 2018-12-26 | 2020-07-03 | 上海博泰悦臻电子设备制造有限公司 | 一种车辆违章监督的方法、车机及车辆 |
KR20200093264A (ko) * | 2019-01-28 | 2020-08-05 | 한지훈 | 촬영장치를 이용한 교통법규 위반 신고처리 방법 및 시스템 |
CN110459057A (zh) * | 2019-07-29 | 2019-11-15 | 湖南湖芯信息科技有限公司 | 基于大众监督的车载抓拍交通违规事件处理系统 |
CN110781834A (zh) * | 2019-10-28 | 2020-02-11 | 上海眼控科技股份有限公司 | 交通异常图像检测方法、装置、计算机设备及存储介质 |
CN110853364A (zh) * | 2019-11-18 | 2020-02-28 | 珠海研果科技有限公司 | 数据监控方法和装置 |
CN110930724A (zh) * | 2019-12-09 | 2020-03-27 | 公安部交通管理科学研究所 | 基于深度学习的交通非现场违法记录筛选审核方法及系统 |
CN111144354A (zh) * | 2019-12-30 | 2020-05-12 | 山东爱城市网信息技术有限公司 | 基于区块链的交通违章举报激励方法及设备、介质 |
US10854073B1 (en) * | 2020-04-10 | 2020-12-01 | Ramon Ramos | IWitness |
CN111695410A (zh) * | 2020-04-24 | 2020-09-22 | 平安国际智慧城市科技股份有限公司 | 违章举报方法、装置、计算机设备及存储介质 |
CN112016520A (zh) * | 2020-09-15 | 2020-12-01 | 平安国际智慧城市科技股份有限公司 | 基于ai的交通违法凭证生成方法、装置、终端及存储介质 |
Non-Patent Citations (3)
Title |
---|
何晓亮: "互联网交通违法举报证据采集系统设计与应用", 《中国公共安全(学术版)》 * |
何瑞华: "非现场违法记录智能筛选审核的应用研究", 《科学与信息化》 * |
金豪: "基于Android平台的车辆违章停车举报系统的设计与实现", 《万方数据库》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920535A (zh) * | 2021-10-12 | 2022-01-11 | 广东电网有限责任公司广州供电局 | 一种基于YOLOv5的电子区域检测方法 |
CN113920535B (zh) * | 2021-10-12 | 2023-11-17 | 广东电网有限责任公司广州供电局 | 一种基于YOLOv5的电子区域检测方法 |
CN114038061A (zh) * | 2021-11-10 | 2022-02-11 | 北京万维盈创科技发展有限公司 | 基于用户行为分析模型的环境动态管控方法及系统 |
CN114120080A (zh) * | 2021-12-02 | 2022-03-01 | 公安部交通管理科学研究所 | 一种违反禁止标线的车辆违法行为的识别方法 |
CN115171389A (zh) * | 2022-07-22 | 2022-10-11 | 吉林大学 | 基于gmm-hmm的高速公路他车超车换道意图识别方法 |
CN115171389B (zh) * | 2022-07-22 | 2023-10-31 | 吉林大学 | 基于gmm-hmm的高速公路他车超车换道意图识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112509325B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112509325B (zh) | 一种基于视频深度学习的非现场违法自动甄别方法 | |
CN104332052B (zh) | 一种行人闯红灯自动抓拍的识别方法 | |
CN111429726B (zh) | 一种监控视频违停车辆检测、管理方法及对应的系统 | |
CN108389396B (zh) | 一种基于视频的车型匹配方法、装置和计费系统 | |
CN110032947B (zh) | 一种监控事件发生的方法及装置 | |
US20120148092A1 (en) | Automatic traffic violation detection system and method of the same | |
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 | |
CN106373426A (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN111340003B (zh) | 一种针对电子警察盲区内违法变道行为的取证方法及系统 | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
CN112233421A (zh) | 一种基于机器视觉的城市智慧交通监控智能系统 | |
CN108932850B (zh) | 一种记录机动车低速行驶违法行为的方法及装置 | |
CN114898297A (zh) | 基于目标检测和目标跟踪的非机动车违法行为判定的方法 | |
CN112528759A (zh) | 一种基于计算机视觉的交通违章行为检测方法 | |
CN112115939A (zh) | 车辆车牌的识别方法、装置 | |
CN111768630A (zh) | 一种违章废图检测方法、装置及电子设备 | |
CN109003457B (zh) | 一种记录多台机动车违法占用应急车道行为的方法及装置 | |
CN113076852A (zh) | 一种基于5g通信的占用公交车道车载抓拍处理系统 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN114494938A (zh) | 一种非机动车行为识别方法及相关装置 | |
CN111832352A (zh) | 非机动车监控方法、装置及设备、存储介质 | |
CN113538925B (zh) | 车辆不礼让行人行为的监测方法、设备及存储介质 | |
CN115394089A (zh) | 一种车辆信息融合展示的方法、无感通行系统及存储介质 | |
CN114202919A (zh) | 一种非机动车电子车牌遮挡的识别方法、装置及系统 | |
CN113593239A (zh) | 车辆间违章监控方法、服务器及车辆 |
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 |