CN112560711A - 非机动车交通违法判定方法、系统、装置及存储介质 - Google Patents
非机动车交通违法判定方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN112560711A CN112560711A CN202011510604.2A CN202011510604A CN112560711A CN 112560711 A CN112560711 A CN 112560711A CN 202011510604 A CN202011510604 A CN 202011510604A CN 112560711 A CN112560711 A CN 112560711A
- Authority
- CN
- China
- Prior art keywords
- violation
- motor vehicle
- picture
- face feature
- identity information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 239000003795 chemical substances by application Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000007726 management method Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06V20/50—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Library & Information Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及人工智能，提供一种非机动车交通违法判定方法、系统、装置及存储介质，其中的方法包括从违章地的监控设备中获取非机动车的违章图片，并记录违章时间段；对所述违章图片进行图像识别，以确定所述违章图片中的行为人的初步身份信息；根据所述初步身份信息对所述违章地在所述违章时间段内的所有非机动车车主的人员信息表进行查询，以确定所述违章图片中的行为人的最终身份信息。此外，本发明还涉及区块链技术，违章图片存储于区块链中。本发明提供的技术方案既能够解决现有的非机动车违法判定方法工作效率低、实用性差的问题。
Description
技术领域
本发明涉及图片识别技术领域，尤其涉及一种非机动车交通违法判定方法、系统、装置及存储介质。
背景技术
在现有的交通违法判定过程中，对于机动车而言，是非常方便的，通常情况下，机动车上都设置有牌照，在机动车出现交通违法时，通过对机动车违章拍照排出的违法行为和该违章机动车的车牌号即可确定该机动车的具体车主，并通过机动车车管登记系统，实现交通违章的罚单发送。
然而，对于非机动车而言，由于这类车辆还没有明确规定所有车辆均需要挂定相应的车牌(只是部分城市对于部分电动型车辆要求进行了挂牌)，因此，对于现有的非机动车的违章判定方式，还是主要以交警到各路口进行监管查处的方式进行，这种方式虽然判定的准确率较高，但是，工作效率太低，实用性太差。
当然，也有少部分的非机动车的违章判定方式采用了人脸识别等技术，比如，通过摄像头拍照的方式对违章的非机动车的脸部进行拍照，然后根据拍照后的图片判定行为人的真实身份，并进行罚单，或者在违章展示屏幕上进行行为人的违法图片展示。
然而，对于一些特定的非机动车行为人(主要包括外卖人员、快递人员、代驾人员等)来说，这里类人员一般头部都带有头盔、且同一类型的人员的服饰也较为统一，难以分辨，因此，对于这类违章人员，仅仅使用现有的人脸识别技术，无法识别出违章人员的真实身份，无法实现罚单的惩处。
基于以上技术问题，亟需一种能够有效地识别特定的非机动车行为人的真实身份，并进行罚单惩处的方法。
发明内容
本发明提供一种非机动车交通违法判定方法、系统、电子装置以及计算机存储介质，其主要目的在于解决现有的非机动车违法判定方法工作效率低、实用性差的问题。
为实现上述目的，本发明提供一种非机动车交通违法判定方法，该方法包括如下步骤：
从违章地的监控设备中获取非机动车的违章图片，并记录违章时间段；
对所述违章图片进行图像识别，以确定所述违章图片中的行为人的初步身份信息；
根据所述初步身份信息对所述违章地在所述违章时间段内的所有非机动车车主的人员信息表进行查询，以确定所述违章图片中的行为人的最终身份信息；其中，
所述人员信息表通过预设在非机动车上的定位装置配合与所述定位装置关联的定位系统中的非机动车的车主录入信息确定。
优选地，对所述违章图片进行图像识别，以确定所述违章图片中的行为人的初步身份信息的过程包括：
通过神经网络提取所述违章图片中的脸部图像的违章人脸特征集；
基于所述违章人脸特征集对预设的人脸特征数据库进行匹配，以确定所述违章图片中的行为人的初步身份信息。
优选地，所述人脸特征数据库存储于区块链中，所述人脸特征数据库存储有本地域的所有候选人的人脸特征集；并且，基于所述违章人脸特征集对预设的人脸特征数据库进行匹配，以确定所述违章图片中的行为人的初步身份信息的过程包括：
分别计算所述违章人脸特征集与所述人脸特征数据库中各候选人的人脸特征集的特征集相似度；
取所述特征集相似度大于预设相似度阈值的候选人的身份信息作为所述违章图片中的行为人的初步身份信息。
优选地，计算所述违章人脸特征集与所述人脸特征数据库中各候选人的人脸特征集的特征集相似度的过程包括：
分别计算所述违章人脸特征集中的各违章人脸特征与各候选人的人脸特征集中的各人脸特征的单特征相似度；
将各单特征相似度乘以相应的预设偏好指数后进行求和，得到所述特征集相似度。
优选地，计算所述违章人脸特征集中的各违章人脸特征与各候选人的人脸特征集中的各人脸特征的单特征相似度的过程包括：
分别计算所述违章人脸特征集中的各违章人脸特征与各候选人的人脸特征集中的各人脸特征的欧氏距离；
对各欧氏距离进行归一化处理，以得到所述单特征相似度。
优选地，对所述违章图片进行图像识别，以初步确定所述违章图片中的行为人的初步身份信息的过程还包括：
对所述违章图片中的非机动车图像以及行为人服饰图像进行图像识别，以确定所述违章图片中行为人的所属单位；
基于所述违章图片中行为人的所属单位对所述违章图片中的行为人的初步身份信息进行再次确认。
优选地，对所述违章图片中的非机动车图像以及行为人服饰图像进行图像识别，以确定所述违章图片中行为人的所属单位的过程包括：
通过卷积神经网络提取所述非机动车图像以及所述行为人服饰图像中的降维特征集；
通过所述降维特征集确定非机动车类型和服饰类型；
基于所述非机动车类型和所述服饰类型确定所述违章图片中行为人的所属单位。
另一方面，本发明还提供一种非机动车交通违法判定系统，所述系统包括：
图片获取单元，用于从违章地的监控设备中获取非机动车的违章图片，并记录违章时间段；
身份初步确定单元，用于对所述违章图片进行图像识别，以确定所述违章图片中的行为人的初步身份信息；
身份最终确定单元，用于根据所述初步身份信息对所述违章地在所述违章时间段内的所有非机动车车主的人员信息表进行查询，以确定所述违章图片中的行为人的最终身份信息；其中，
所述人员信息表通过预设在非机动车上的定位装置配合与所述定位装置关联的定位系统中的非机动车的车主录入信息确定。
此外，本发明还提供一种电子装置，所述电子装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的非机动车交通违法判定程序，所述非机动车交通违法判定程序被所述处理器执行时实现如下步骤：
从违章地的监控设备中获取非机动车的违章图片，并记录违章时间段；
对所述违章图片进行图像识别，以确定所述违章图片中的行为人的初步身份信息；
根据所述初步身份信息对所述违章地在所述违章时间段内的所有非机动车车主的人员信息表进行查询，以确定所述违章图片中的行为人的最终身份信息；其中，
所述人员信息表通过预设在非机动车上的定位装置配合与所述定位装置关联的定位系统中的非机动车的车主录入信息确定。
此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有非机动车交通违法判定程序，所述非机动车交通违法判定程序被处理器执行时，实现前述的非机动车交通违法判定方法的步骤。
本发明提出的非机动车交通违法判定方法、电子装置及计算机可读存储介质，通过图像识别技术对违章地的视频设备中的违章图片进行处理，获取行为人的初步身份信息，并通过预设的与违章地相关的人员信息表对初步身份信息进行查询，从而获取行为人的最终身份信息。该方法将图像识别技术与定位系统相结合，能够显著提高非机动的交通违法行为人的真实身份，从而便于对交通违法行为人进行罚单惩处。
附图说明
图1为根据本发明实施例的非机动车交通违法判定方法的较佳实施例流程图；
图2为根据本发明实施例的电子装置的较佳实施例结构示意图；
图3为根据本发明实施例的非机动车交通违法判定程序的内部逻辑示意图。
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
在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。
以下将结合附图对本申请的具体实施例进行详细描述。
实施例1
为了说明本发明提供的非机动车交通违法判定方法，图1示出了根据本发明提供的非机动车交通违法判定方法的流程。
如图1所示，本发明提供的非机动车交通违法判定方法，包括：
S110：从违章地的监控设备中获取非机动车的违章图片，并记录违章时间段。
具体地，在一些违章多发路段，一般都会安装相应的视频设备，通过视频设备对该路段进行图像监控，监控过路车辆是否违章，例如，当非机动车或机动车在某一路段(即违章地)出现交通违法行为时，即可从所在违章地(一般为十字路口)的视频设备拍摄的所有图片中获取相关的违章图片、比如闯红灯的图片、逆行的图片等。
当然，由于机动车与非机动车的车型差别较大，因此，通过简单的图片区分(如现有的图像识别等技术)即可较为准确地从所有的违章图片中获取与非机动车相关的违章图片，非机动车的违章图片中一般包含行为人信息以及非机动车等信息。此外，为便于后期识别违章行为人的真实身份，一般需要拍摄该非机动车在违章过程中的一系列违章图片(不同角度、不同时刻的图片)。
需要说明的是，由于后续需要通过预设的非机动车上定位装置等设备对行为人进行身份的二次确认，因此，在拍摄违章图片时，还需要记录该违章非机动车进行违章时的违章地以及违章时间段。
S120：对所述违章图片进行图像识别，以确定所述违章图片中的行为人的初步身份信息。
进一步地，对所述违章图片进行图像识别，以初步确定所述违章图片中的行为人的初步身份信息的过程包括：
通过神经网络提取所述违章图片中的脸部图像的违章人脸特征集；
基于所述违章人脸特征集对预设的人脸特征数据库进行匹配，以确定所述违章图片中的行为人的初步身份信息。
需要说明的是，本申请采用深度学习神经网络来实现对于各种复杂条件下的脸部图像的分类和识别，具体地，神经网络就是将单一的神经元连接在一起，上一层的神经元为下一层神经元的输入，从而实现多层神经元联合起来处理人脸特征提取的问题。
优选地，使用神经网络处理违章图片能够降低脸部图像的特征提取的运算量，得以高效快速地提取出违章图片中行为人的脸部特征。此外，只有三层的神经网络被称为浅层神经网络，随着层数的不断增加，即称为深层神经网络，本方案采用深层神经网络来实现人脸特征的提取，能够进一步提升脸部图像的人脸特征的提取精度。
需要说明的是，在上述神经网络中，神经网络层与层之间是全连接结构，可以进行10*10这样的小分辨率图像识别；而对于违章图片中的人脸图像来说，其分辨率一般在50*50以上，对于这类图像来说，如果采用上述深层神经网络的全连接结构来进行特征学习，100个特征则需要学习25万个参数，计算量将会非常大。又由于，自然图像中不同区域的统计特征是一样的，因此可以将某一区域内学习的特征参数进行重复利用，以解决全连接型神经网络计算量大的这一问题。因此，可以利用图像的局部性，构造一个部分连通的网络，即卷积神经网络，通过将该卷积神经网络对原本较大分辨率图像进行卷积，可以得到一个降维的特征值。
在卷积神经网络中，通过离散卷积求和而不是积分的形式，在线性计算中，输出图像的像素等于输入图像的像素在局部领域Q的一个线性组合，领域权重即为卷积核，需要预先设定。此外，卷积运算有两个关键特点，一个是线性，另一个是平衡不变性，即指对于图像的每个位置，执行相同的操作，因此，通过卷积神经网络，能够从图像数据中抽取到更加丰富的图像信息。此外，为提高卷积神经网络的特征提取效果，同时需要对其进行调参，并进行大量的人脸特征训练，以便更为准确提取违章图片的人脸特征。从而形成违章人脸特征集。
需要进一步说明的是，由于卷积神经网络已为现有神经网络模型，而本申请此处主要的目的是利用卷积神经网络对其特征提取过程进行降维，从而在保证特征提取效果的前提下提高运算效率，因此，此处只对卷积神经网络做简单的介绍，对于卷积神经网络具体结构、调参等过程在此不再进行详细介绍。
此外，人脸特征数据库存储有本地域的所有候选人(一般指本地域的所有人)的人脸特征集；并且，基于所述违章人脸特征集对预设的人脸特征数据库进行匹配，以确定所述违章图片中的行为人的初步身份信息的过程包括：
分别计算所述违章人脸特征集与所述人脸特征数据库中各候选人的人脸特征集的特征集相似度；
取所述特征集相似度大于预设相似度阈值的候选人的身份信息作为所述违章图片中的行为人的初步身份信息。
具体地，由于非机动车违法人员(即行为人)的属性(年龄、学历等)不固定，因此，需要对某个地域、甚至整个城市(对应本地域)的人口进行大规模的人脸特征数据库比对，以初步确实所述违章图片中的行为人的初步身份信息。此外，在进行大规模的人脸特征数据库比对过程中，先分别计算所述违章人脸特征集与所述人脸特征数据库中各候选人的人脸特征集的特征集相似度，然后取所述特征集相似度大于预设相似度阈值的候选人的身份信息作为所述违章图片中的行为人的初步身份信息。
具体地，计算所述违章人脸特征集与所述人脸特征数据库中各候选人的人脸特征集的特征集相似度的过程包括：
分别计算所述违章人脸特征集中的各违章人脸特征与各候选人的人脸特征集中的各人脸特征的单特征相似度；
将各单特征相似度乘以相应的预设偏好指数后进行求和，得到所述特征集相似度。其中，偏好指数用于指代该单特征相似度与该行为人的初步身份信息的之间的相关性，相关性越高偏好指数越大。
更为具体地，计算所述违章人脸特征集中的各违章人脸特征与各候选人的人脸特征集中的各人脸特征的单特征相似度的过程包括：
分别计算所述违章人脸特征集中的各违章人脸特征与各候选人的人脸特征集中的各人脸特征的欧氏距离；
对各欧氏距离进行归一化处理，以得到所述单特征相似度。
此外，由于本地域城市的人口较多，因此该城市的人脸特征数据库较为庞大，使用该城市的人脸特征数据库对非机动车违法的人员的一系列的违章图片的违章人脸特征集均进行比较，检索量较大，工作效率较低。
为解决这一问题，提高工作效率，可以预设一个基于偏好学习的图像检索系统。该图像检索系统用于通过非机动车违法的人员的一系列违章图片进行前期的偏好训练，比如：针对光线照射条件较好的脸部进行识别，自动去除那些拍摄效果不佳的人脸图片。另外，考虑到不少人员头盔往往会遮挡上额，因此可以偏重于脸部下半区域的偏好训练。通过这种方式，即可后期通过该图像检索系统为不同的违章特征自行设定相应的偏好指数(其中，光线照射条件较好的违章人脸特征以及脸部下半区域的违章人脸特征的偏好指数较高)，从而提高行为人的初步身份信息的识别精度。
当然，在现实生活中，由于非机动车的违法人员多数为骑手(即外卖人员、快递人员、代驾人员等)，因此也可以针对该城市有服务骑行经历的人员建立相应的专题人脸特征库。在实际检索过程中，对于获取的脸部图像中的违章人脸特征集，先自动去专题人脸特征库进行初步检索，若能够在专题人脸特征库中检索到与之匹配的相关身份信息(大于相似度阈值的相关身份信息)，将这些身份信息作为该非机动车行为人的初步身份信息，以此加快对于人脸特征检索的处理速度。
需要说明的是，通常情况下，使用专题人脸特征库即可确定非机动车行为人的初步身份；而对于一些特殊情况，如(该行为人近期内刚从事该骑行服务工作，专题人脸特征库未更新等)，未在专题人脸特征库匹配到相关身份信息，则可以重新使用该城市的人脸特征数据库进行检索，以确定该非机动车行为人的初步身份信息。
具体地，在进行专题人脸特征库的检索匹配过程中，需要将非机动车违章图片中的所有违章人脸特征与专题人脸特征库中每一个候选人的所有人脸特征进行比对，通过计算相应的人脸特征之间欧式距离等方式，获取每一组对应的人脸特征的相似度，若非机动车违章图片中的所有违章人脸特征与专题人脸特征库中对应的人脸特征的相似度均超过预设的相似度阈值，则将各单特征相似度乘以相应的预设偏好指数后进行求和，得到所述特征集相似度；若所述特征集相似度大于预设的特征集相似度阈值，则将的候选人的身份信息作为所述违章图片中的行为人的初步身份信息。
需要说明的是，对于同一个非机动车违章图片，一般会在人脸特征数据库(或专题人脸特征库)中匹配到多个初步身份信息(只要非机动车违章图片中所有特征与专题人脸特征库中对应的特征的相似度均超过预设的相似度阈值即可)，对于这些初步身份信息可以按照相似度、偏好指数等权重系数来排序，最终输出相应的结果，作为该非机动车行为人的初步身份。比如，虽然与这些初步身份信息对应的特征的相似度均超过了相似度阈值，但是，各特征的相似度仍然不同，因此，可以计算所有初步身份信息的相似度的平均值，取平均值最大的初步身份信息作为该非机动车违章图片对应初步身份。当然，由于各特征的重要程度不同，因此，可以为不同的特征设定相应的偏好指数(例如，考虑到不少人员头盔往往会遮挡上额，因此可以为脸部下半区域的特征设定较大的偏好指数)，基于该偏好指数计算出所有初步身份信息的相似度的平均值，取平均值最大的初步身份信息作为该非机动车违章图片对应初步身份。
此外，由于城市人口库(对应人脸特征数据库或者专题人脸特征库)往往有千万级的人脸属性，因此，通过偏好指数以及虽然能够缩小检索范围，也没有达到百分百的精准水平，所以，需要进一步对非机动车的所属单位进行判断。因此，该对所述违章图片进行图像识别，以初步确定所述违章图片中的行为人的初步身份信息的过程还包括：
对所述违章图片中的非机动车图像以及行为人服饰图像进行图像识别，以确定所述违章图片中行为人的所属单位；
基于所述违章图片中行为人的所属单位对所述违章图片中的行为人的初步身份信息进行再次确认。
具体地，对所述违章图片中的非机动车图像以及行为人服饰图像进行图像识别，以确定所述违章图片中行为人的所属单位的过程包括：
通过卷积神经网络提取所述非机动车图像以及所述行为人服饰图像中的降维特征集；
通过所述降维特征集确定非机动车类型和服饰类型；
基于所述非机动车类型和所述服饰类型确定所述违章图片中行为人的所属单位
在判断非机动车属性时，应用深度学习模型进行非机动车及驾驶人服饰的图像分类训练和识别工作。
在使用卷积神经网络深度学习模型对行为人进行服饰识别的过程中，通过深度学习提取图像特征，利用它的鲁棒性，以及自主学习性，无须人为设计和干预特征的选择，即可实现图像识别。此外，当图像中存在噪声干扰因素时，也可以采用深度特征以更好地处理和应对这种小的改变或者噪声干扰。
具体地，在实际建模过程中，可以采用了一个浅层(三层)的卷积神经网络模型用于非机动车所属公司的分类训练和识别任务。在卷积神经网络中，大尺寸的卷积核会使计算量成指数级增加，因此先用一个3*3大小的卷积滤波函数去卷积一个5*5的区块，然后得到的3*3大小的特征图输出再与一个3*3的卷积核卷积，最终得到一个1*1的输出，最终计算量减低了三分之一。
此处，需要再次说明的是，本方案此处主要是通过神经网络模型的处理获取该非机动车行为人的所属单位，并不是模型本身的优化，又由于上述过程中已经对卷积神经网络模型进行了说明，因此此处卷积神经网络不再进行详细说明。
需要说明的是，由于本申请所监测的行为人的所属单位，均已进行了统一服饰、统一非机动车样式的规定，(类似与外卖公司、快递公司、代驾公司等，均已经根据政府规定进行了服饰统一，头盔统一，以及非机动车样式的统一)。因此，可以通过对违章图片中非机动车的图像和非机动车行为人服饰的图片识别确定该非机动车行为人的本地的所属单位。若该非机动车行为人的所属公司与专题人脸特征库中匹配到的初步身份信息的相关候选人的所属单位一致，则可进一步确定该非机动车行为人与该初步身份信息匹配，从而进一步提高初步身份信息的识别精度。
另外，需要强调的是，为进一步保证上述违章人脸特征集中数据的私密和安全性，违章人脸特征集可以存储在区块链的节点中。
S130：根据所述初步身份信息对所述违章地在所述违章时间段内的所有非机动车车主的人员信息表进行查询，以确定所述违章图片中的行为人的最终身份信息；其中，
所述人员信息表通过预设在非机动车上的定位装置配合与所述定位装置关联的定位系统中的非机动车的车主录入信息确定。
具体地，为实时监控各非机动车的地理位置，需要为各非机动车配置相应的定位装置，并为定位装置配置相应的定位系统，该定位系统内存储有各非机动车车主的人员信息，因此，可以通过定位系统获取违章地、违章时间段内的所有非机动车车主的人员信息，构成人员信息表。
例如，以服务公司(外卖公司、快递公司、代驾公司等)来讲，由于业务的需求，其内部均会设置相应的定位系统，用来供客户、公司、商家三者了解行为人的各种信息(如，实时具体所在地理位置、是取件中还是送件中等、行为人的身份信息等)。因此，在通过人脸识别方法获取到非机动车行为人的初步身份(近似)，并且通过非机动车归属方法(服饰、机动车类型识别)判断出非机动车及驾驶人员的所属公司之后，即可通过该所属单位的定位系统以及相关的骑行登记系统对该非机动车行为人进行二次身份确认。
更为具体地，由于步骤S110中已经初步确定了该非机动车行为人违章时间段、违章地，因此，可以基于该违章时间段、违章地对所属单位的定位系统进行查询，以获取该所属单位的在违章时间段处于该违章地(某一路口等)的所有非机动车行为人，然后基于该所属单位的骑行登记系统，生成违章时间段处于该违章地人员信息表。
此外，通过所述初步身份对所述人员信息表进行查询，以获取违章非机动车行为人的最终身份，并进行罚单派处。
具体地，通过所述初步身份对所述人员信息表进行查询过程中，若该初步身份与该所述人员信息表中的某个人的身份信息完全吻合，则判定人员信息表中的该人即为违章非机动车行为人的最终身份，此时，即可通过该所属单位找到该行为人并进行相关罚单惩处。当然，也可以直接将罚单发送至该所属单位，由所属单位将罚单转发至该行为人。
需要说明的是，由于人脸识别后初步确认的该行为人的身份有时不太准确，因此，在对所述人员信息表进行查询过程中，可能不会匹配到完全吻合的身份信息。即初步身份信息识别错误的情况。
又由于各服务公司的服饰差别较大，因此，该非机动车行为人的所属单位是正确的，因此，在匹配不到完全吻合的身份信息时，可以仅针对该人员信息表中的每个人的图像与违章图片进行图片比对，以此确定该非机动车行为人的真实身份。当然，由于所属单位的识别是正确的，因此，必要时可以直接将罚单发送至该所属单位，后期通过所属单位内部的工作人员对该人员信息表中的每个人的图像与违章图片进行比对，确定该非机动车行为人的真实身份。
通过上述技术方案的表述可知，本发明提供的非机动车交通违法判定方法，通过图像识别技术对违章地的视频设备中的违章图片进行处理，获取行为人的初步身份信息，并通过预设的与违章地相关的人员信息表对初步身份信息进行查询，从而获取行为人的最终身份信息。该方法将图像识别技术与定位系统相结合，能够显著提高非机动的交通违法行为人的真实身份，从而便于对交通违法行为人进行罚单惩处。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例2
与上述方法相对应，本申请还提供一种非机动车交通违法判定系统，该系统包括：
图片获取单元，用于从违章地的监控设备中获取非机动车的违章图片，并记录违章时间段；
身份初步确定单元，用于对所述违章图片进行图像识别，以确定所述违章图片中的行为人的初步身份信息；
身份最终确定单元，用于根据所述初步身份信息对所述违章地在所述违章时间段内的所有非机动车车主的人员信息表进行查询，以确定所述违章图片中的行为人的最终身份信息；其中，
所述人员信息表通过预设在非机动车上的定位装置配合与所述定位装置关联的定位系统中的非机动车的车主录入信息确定。
实施例3
本发明还提供一种电子装置70。参照图2所示，该图为本发明提供的电子装置70的较佳实施例结构示意图。
在本实施例中，电子装置70可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有运算功能的终端设备。
该电子装置70包括：处理器71以及存储器72。
存储器72包括至少一种类型的可读存储介质。至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中，可读存储介质可以是该电子装置70的内部存储单元，例如该电子装置70的硬盘。在另一些实施例中，可读存储介质也可以是电子装置1的外部存储器，例如电子装置70上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。
在本实施例中，存储器72的可读存储介质通常用于存储安装于电子装置70的非机动车交通违法判定程序73。存储器72还可以用于暂时地存储已经输出或者将要输出的数据。
处理器72在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器72中存储的程序代码或处理数据，例如非机动车交通违法判定程序73等。
在一些实施例中，电子装置70为智能手机、平板电脑、便携计算机等的终端设备。在其他实施例中，电子装置70可以为服务器。
图2仅示出了具有组件71-73的电子装置70，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，该电子装置70还可以包括用户接口，用户接口可以包括输入单元比如键盘(Keyboard)、语音输入装置比如麦克风(microphone)等具有语音识别功能的设备、语音输出装置比如音响、耳机等，可选地用户接口还可以包括标准的有线接口、无线接口。
可选地，该电子装置70还可以包括显示器，显示器也可以称为显示屏或显示单元。在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。显示器用于显示在电子装置70中处理的信息以及用于显示可视化的用户界面。
可选地，该电子装置70还可以包括触摸传感器。触摸传感器所提供的供用户进行触摸操作的区域称为触控区域。此外，这里的触摸传感器可以为电阻式触摸传感器、电容式触摸传感器等。而且，触摸传感器不仅包括接触式的触摸传感器，也可包括接近式的触摸传感器等。此外，触摸传感器可以为单个传感器，也可以为例如阵列布置的多个传感器。
此外，该电子装置70的显示器的面积可以与触摸传感器的面积相同，也可以不同。可选地，将显示器与触摸传感器层叠设置，以形成触摸显示屏。该装置基于触摸显示屏侦测用户触发的触控操作。
可选地，该电子装置70还可以包括射频(Radio Frequency，RF)电路，传感器、音频电路等等，在此不再赘述。
在图2所示的装置实施例中，作为一种计算机存储介质的存储器72中可以包括操作系统、以及非机动车交通违法判定程序73；处理器71执行存储器72中存储的非机动车交通违法判定程序73时实现如下步骤：
从违章地的监控设备中获取非机动车的违章图片，并记录违章时间段；
对所述违章图片进行图像识别，以确定所述违章图片中的行为人的初步身份信息；
根据所述初步身份信息对所述违章地在所述违章时间段内的所有非机动车车主的人员信息表进行查询，以确定所述违章图片中的行为人的最终身份信息；其中，
所述人员信息表通过预设在非机动车上的定位装置配合与所述定位装置关联的定位系统中的非机动车的车主录入信息确定。
在该实施例中，图3为根据本发明实施例的非机动车交通违法判定程序的内部逻辑示意图，如图3所示，非机动车交通违法判定程序73还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器72中，并由处理器71执行，以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。参照图3所示，为图2中非机动车交通违法判定程序73较佳实施例的程序模块图。非机动车交通违法判定程序73可以被分割为：图片获取模块74、身份初步确定模块75、身份最终确定模块76。模块74-76所实现的功能或操作步骤均与上文类似，此处不再详述，示例性地，例如，其中：
图片获取模块74，用于从违章地的监控设备中获取非机动车的违章图片，并记录违章时间段；
身份初步确定模块75，用于对所述违章图片进行图像识别，以确定所述违章图片中的行为人的初步身份信息；
身份最终确定模块76，用于根据所述初步身份信息对所述违章地在所述违章时间段内的所有非机动车车主的人员信息表进行查询，以确定所述违章图片中的行为人的最终身份信息；其中，
所述人员信息表通过预设在非机动车上的定位装置配合与所述定位装置关联的定位系统中的非机动车的车主录入信息确定。
实施例4
本发明还提供一种计算机可读存储介质，计算机可读存储介质中存储有非机动车交通违法判定程序73，非机动车交通违法判定程序73被处理器执行时实现如下操作：
从违章地的监控设备中获取非机动车的违章图片，并记录违章时间段；
对所述违章图片进行图像识别，以确定所述违章图片中的行为人的初步身份信息；
根据所述初步身份信息对所述违章地在所述违章时间段内的所有非机动车车主的人员信息表进行查询，以确定所述违章图片中的行为人的最终身份信息；其中，
所述人员信息表通过预设在非机动车上的定位装置配合与所述定位装置关联的定位系统中的非机动车的车主录入信息确定。
本发明提供的计算机可读存储介质的具体实施方式与上述非机动车交通违法判定方法、电子装置的具体实施方式大致相同，在此不再赘述。
需要说明的是，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。
需要进一步说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种非机动车交通违法判定方法，应用于电子装置，其特征在于，所述方法包括：
从违章地的监控设备中获取非机动车的违章图片，并记录违章时间段；
对所述违章图片进行图像识别，以确定所述违章图片中的行为人的初步身份信息；
根据所述初步身份信息对所述违章地在所述违章时间段内的所有非机动车车主的人员信息表进行查询，以确定所述违章图片中的行为人的最终身份信息；其中，
所述人员信息表通过预设在非机动车上的定位装置配合与所述定位装置关联的定位系统中的非机动车的车主录入信息确定。
2.根据权利要求1所述的非机动车交通违法判定方法，其特征在于，对所述违章图片进行图像识别，以确定所述违章图片中的行为人的初步身份信息的过程包括：
通过神经网络提取所述违章图片中的脸部图像，以形成违章人脸特征集；
基于所述违章人脸特征集在预设的人脸特征数据库中进行匹配，以确定所述违章图片中的行为人的初步身份信息。
3.根据权利要求2所述的非机动车交通违法判定方法，其特征在于，所述人脸特征数据库中存储有本地域的所有候选人的人脸特征集；并且，基于所述违章人脸特征集在预设的人脸特征数据库中进行匹配，以确定所述违章图片中的行为人的初步身份信息的过程包括：
分别计算所述违章人脸特征集与所述人脸特征数据库中各候选人的人脸特征集的特征集相似度；
取所述特征集相似度大于预设相似度阈值的候选人的身份信息作为所述违章图片中的行为人的初步身份信息。
4.根据权利要求3所述的非机动车交通违法判定方法，其特征在于，计算所述违章人脸特征集与所述人脸特征数据库中各候选人的人脸特征集的特征集相似度的过程包括：
分别计算所述违章人脸特征集中的各违章人脸特征与各候选人的人脸特征集中的各人脸特征的单特征相似度；
将各单特征相似度乘以相应的预设偏好指数后进行求和，得到所述特征集相似度。
5.根据权利要求4所述的非机动车交通违法判定方法，其特征在于，计算所述违章人脸特征集中的各违章人脸特征与各候选人的人脸特征集中的各人脸特征的单特征相似度的过程包括：
分别计算所述违章人脸特征集中的各违章人脸特征与各候选人的人脸特征集中的各人脸特征的欧氏距离；
对各欧氏距离进行归一化处理，以得到所述单特征相似度。
6.根据权利要求2所述的非机动车交通违法判定方法，其特征在于，对所述违章图片进行图像识别，以确定所述违章图片中的行为人的初步身份信息的过程还包括：
对所述违章图片中的非机动车图像以及行为人服饰图像进行图像识别，以确定所述违章图片中行为人的所属单位；
基于所述所属单位对所述违章图片中的行为人的初步身份信息进行再次确认。
7.根据权利要求6所述的非机动车交通违法判定方法，其特征在于，对所述违章图片中的非机动车图像以及行为人服饰图像进行图像识别，以确定所述违章图片中行为人的所属单位的过程包括：
通过卷积神经网络提取所述非机动车图像以及所述行为人服饰图像中的降维特征集；
通过所述降维特征集确定非机动车类型和服饰类型；
基于所述非机动车类型和所述服饰类型确定所述违章图片中行为人的所属单位。
8.一种非机动车交通违法判定系统，其特征在于，所述系统包括：
图片获取单元，用于从违章地的监控设备中获取非机动车的违章图片，并记录违章时间段；
身份初步确定单元，用于对所述违章图片进行图像识别，以确定所述违章图片中的行为人的初步身份信息；
身份最终确定单元，用于根据所述初步身份信息对所述违章地在所述违章时间段内的所有非机动车车主的人员信息表进行查询，以确定所述违章图片中的行为人的最终身份信息；其中，
所述人员信息表通过预设在非机动车上的定位装置配合与所述定位装置关联的定位系统中的非机动车的车主录入信息确定。
9.一种电子装置，其特征在于，所述电子装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的非机动车交通违法判定程序，所述非机动车交通违法判定程序被所述处理器执行时实现如下步骤：
从违章地的监控设备中获取非机动车的违章图片，并记录违章时间段；
对所述违章图片进行图像识别，以确定所述违章图片中的行为人的初步身份信息；
根据所述初步身份信息对所述违章地在所述违章时间段内的所有非机动车车主的人员信息表进行查询，以确定所述违章图片中的行为人的最终身份信息；其中，
所述人员信息表通过预设在非机动车上的定位装置配合与所述定位装置关联的定位系统中的非机动车的车主录入信息确定。
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中存储有非机动车交通违法判定程序，所述非机动车交通违法判定程序被处理器执行时，实现如权利要求1至7中任一项所述的非机动车交通违法判定方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011510604.2A CN112560711B (zh) | 2020-12-18 | 非机动车交通违法判定方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011510604.2A CN112560711B (zh) | 2020-12-18 | 非机动车交通违法判定方法、系统、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112560711A true CN112560711A (zh) | 2021-03-26 |
| CN112560711B CN112560711B (zh) | 2024-06-07 |
Family
ID=
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139438A (zh) * | 2021-04-06 | 2021-07-20 | 青岛以萨数据技术有限公司 | 一种非机动车驾乘行为检测方法、系统、设备及存储介质 |
| CN113158852A (zh) * | 2021-04-08 | 2021-07-23 | 浙江工业大学 | 一种基于人脸与非机动车协同识别的交通卡口监控系统 |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040222904A1 (en) * | 2003-05-05 | 2004-11-11 | Transol Pty Ltd | Traffic violation detection, recording and evidence processing system |
| CA2470744A1 (en) * | 2003-06-12 | 2004-12-12 | Redflex Traffic Systems Pty Ltd. | Automated traffic violation monitoring and reporting system with combined video and still image data |
| CN103198657A (zh) * | 2013-03-19 | 2013-07-10 | 杨熙增 | 流动车载违章违法停车抓拍实现方法及系统 |
| CN103531026A (zh) * | 2013-09-22 | 2014-01-22 | 郑恒强 | 基于移动智能终端、移动互联网技术的道路违章取证系统 |
| WO2015039367A1 (zh) * | 2013-09-18 | 2015-03-26 | 林诗昊 | 一种机动车交通违法实时告知、确认的系统及方法 |
| US20150221140A1 (en) * | 2014-02-04 | 2015-08-06 | Gilbert Eid | Parking and tollgate payment processing based on vehicle remote identification |
| CN105243842A (zh) * | 2015-10-10 | 2016-01-13 | 浪潮电子信息产业股份有限公司 | 一种基于云计算的交通违章举报系统和方法 |
| CN105608903A (zh) * | 2015-12-15 | 2016-05-25 | 重庆凯泽科技有限公司 | 交通违章检测的方法及系统 |
| WO2017071502A1 (zh) * | 2015-10-27 | 2017-05-04 | 浙江吉利控股集团有限公司 | 一种基于人脸识别的车辆控制系统 |
| WO2017081939A1 (ja) * | 2015-11-13 | 2017-05-18 | 株式会社リコー | サーバ、プログラムおよび速度違反取締システム |
| CN107103101A (zh) * | 2017-06-14 | 2017-08-29 | 刘晓龙 | 一种建立交通意外高危人群信息库的方法及装置 |
| CN107610369A (zh) * | 2017-08-21 | 2018-01-19 | 深圳怡化电脑股份有限公司 | 一种违章费用缴纳方法及atm机 |
| WO2018045731A1 (zh) * | 2016-09-07 | 2018-03-15 | 东南大学 | 高速公路应急车道占用监督处罚方法和系统 |
| CN108257388A (zh) * | 2018-03-16 | 2018-07-06 | 佛山市洁宇信息科技有限公司 | 一种智能违章识别系统及其方法 |
| CN108446626A (zh) * | 2018-03-16 | 2018-08-24 | 佛山市洁宇信息科技有限公司 | 一种智能违章处理系统及其方法 |
| KR20190030960A (ko) * | 2017-09-15 | 2019-03-25 | 김종정 | 차량 번호 인식 시스템을 사용한 출입 관리 시스템 및 방법 |
| 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 |
| CN109800633A (zh) * | 2018-12-11 | 2019-05-24 | 深圳云天励飞技术有限公司 | 一种非机动车交通违法判断方法、装置和电子设备 |
| CN110084162A (zh) * | 2019-04-18 | 2019-08-02 | 上海钧正网络科技有限公司 | 一种违章检测方法、装置及服务器 |
| CN110263664A (zh) * | 2019-05-29 | 2019-09-20 | 深圳市元征科技股份有限公司 | 一种多乘员车道违章识别方法及装置 |
| CN110321804A (zh) * | 2019-06-11 | 2019-10-11 | 福建亿安智能技术有限公司 | 一种基于人脸和电动车牌识别结合进行身份认证的方法 |
| CN110826356A (zh) * | 2018-08-07 | 2020-02-21 | 杭州海康威视系统技术有限公司 | 一种非机动车违章检测系统、方法及服务器 |
| WO2020042489A1 (zh) * | 2018-08-30 | 2020-03-05 | 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 |
Patent Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040222904A1 (en) * | 2003-05-05 | 2004-11-11 | Transol Pty Ltd | Traffic violation detection, recording and evidence processing system |
| CA2470744A1 (en) * | 2003-06-12 | 2004-12-12 | Redflex Traffic Systems Pty Ltd. | Automated traffic violation monitoring and reporting system with combined video and still image data |
| CN103198657A (zh) * | 2013-03-19 | 2013-07-10 | 杨熙增 | 流动车载违章违法停车抓拍实现方法及系统 |
| WO2015039367A1 (zh) * | 2013-09-18 | 2015-03-26 | 林诗昊 | 一种机动车交通违法实时告知、确认的系统及方法 |
| CN103531026A (zh) * | 2013-09-22 | 2014-01-22 | 郑恒强 | 基于移动智能终端、移动互联网技术的道路违章取证系统 |
| US20150221140A1 (en) * | 2014-02-04 | 2015-08-06 | Gilbert Eid | Parking and tollgate payment processing based on vehicle remote identification |
| CN105243842A (zh) * | 2015-10-10 | 2016-01-13 | 浪潮电子信息产业股份有限公司 | 一种基于云计算的交通违章举报系统和方法 |
| WO2017071502A1 (zh) * | 2015-10-27 | 2017-05-04 | 浙江吉利控股集团有限公司 | 一种基于人脸识别的车辆控制系统 |
| WO2017081939A1 (ja) * | 2015-11-13 | 2017-05-18 | 株式会社リコー | サーバ、プログラムおよび速度違反取締システム |
| CN105608903A (zh) * | 2015-12-15 | 2016-05-25 | 重庆凯泽科技有限公司 | 交通违章检测的方法及系统 |
| WO2018045731A1 (zh) * | 2016-09-07 | 2018-03-15 | 东南大学 | 高速公路应急车道占用监督处罚方法和系统 |
| CN107103101A (zh) * | 2017-06-14 | 2017-08-29 | 刘晓龙 | 一种建立交通意外高危人群信息库的方法及装置 |
| CN107610369A (zh) * | 2017-08-21 | 2018-01-19 | 深圳怡化电脑股份有限公司 | 一种违章费用缴纳方法及atm机 |
| KR20190030960A (ko) * | 2017-09-15 | 2019-03-25 | 김종정 | 차량 번호 인식 시스템을 사용한 출입 관리 시스템 및 방법 |
| CN108257388A (zh) * | 2018-03-16 | 2018-07-06 | 佛山市洁宇信息科技有限公司 | 一种智能违章识别系统及其方法 |
| CN108446626A (zh) * | 2018-03-16 | 2018-08-24 | 佛山市洁宇信息科技有限公司 | 一种智能违章处理系统及其方法 |
| CN110826356A (zh) * | 2018-08-07 | 2020-02-21 | 杭州海康威视系统技术有限公司 | 一种非机动车违章检测系统、方法及服务器 |
| WO2020042489A1 (zh) * | 2018-08-30 | 2020-03-05 | 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 |
| 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 |
| WO2020087743A1 (zh) * | 2018-11-01 | 2020-05-07 | 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 |
| CN109800633A (zh) * | 2018-12-11 | 2019-05-24 | 深圳云天励飞技术有限公司 | 一种非机动车交通违法判断方法、装置和电子设备 |
| CN110084162A (zh) * | 2019-04-18 | 2019-08-02 | 上海钧正网络科技有限公司 | 一种违章检测方法、装置及服务器 |
| CN110263664A (zh) * | 2019-05-29 | 2019-09-20 | 深圳市元征科技股份有限公司 | 一种多乘员车道违章识别方法及装置 |
| CN110321804A (zh) * | 2019-06-11 | 2019-10-11 | 福建亿安智能技术有限公司 | 一种基于人脸和电动车牌识别结合进行身份认证的方法 |
Non-Patent Citations (2)
| Title |
|---|
| MOHAMED, S. A. E: "Automatic traffic violation recording and reporting system to limit traffic accidents: based on vehicular Ad-hoc networks (VANET)", 《2019 INTERNATIONAL CONFERENCE ON INNOVATIVE TRENDS IN COMPUTER ENGINEERING (ITCE)》, 28 February 2019 (2019-02-28), pages 254 - 259, XP033521601, DOI: 10.1109/ITCE.2019.8646449 * |
| 李明: "基于视频信息的路口滞留车辆检测关键技术研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 1, 15 January 2019 (2019-01-15), pages 034 - 1860 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139438A (zh) * | 2021-04-06 | 2021-07-20 | 青岛以萨数据技术有限公司 | 一种非机动车驾乘行为检测方法、系统、设备及存储介质 |
| CN113158852A (zh) * | 2021-04-08 | 2021-07-23 | 浙江工业大学 | 一种基于人脸与非机动车协同识别的交通卡口监控系统 |
| CN113158852B (zh) * | 2021-04-08 | 2024-03-29 | 浙江工业大学 | 一种基于人脸与非机动车协同识别的交通卡口监控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2863338B1 (en) | Delayed vehicle identification for privacy enforcement | |
| JP6464338B2 (ja) | Ａｌｐｒの応用例におけるプライバシーを保護する証拠 | |
| US8543522B2 (en) | Automatic rule discovery from large-scale datasets to detect payment card fraud using classifiers | |
| CN112507936B (zh) | 图像信息审核方法、装置、电子设备及可读存储介质 | |
| CN107730905A (zh) | 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法 | |
| CN103582884A (zh) | 用于视觉搜索的稳健特征匹配 | |
| CN107203775A (zh) | 一种图像分类的方法、装置和设备 | |
| CN111414888A (zh) | 低分辨率人脸识别方法、系统、装置及存储介质 | |
| CN111639970A (zh) | 基于图像识别的物品价格确定方法及相关设备 | |
| Chandran et al. | Missing child identification system using deep learning and multiclass SVM | |
| KR101957677B1 (ko) | 얼굴인식을 통한 학습형 실시간 안내 시스템 및 그 안내 방법 | |
| CN111814472A (zh) | 文本识别方法、装置、设备及存储介质 | |
| CN114398557A (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
| CN113971821A (zh) | 驾驶员信息确定方法、装置、终端设备及存储介质 | |
| CN115858906A (zh) | 企业搜索方法、装置、设备、计算机存储介质及程序 | |
| Maiano et al. | A deep-learning–based antifraud system for car-insurance claims | |
| TW202125323A (zh) | 利用人工智慧模組學習臉部辨識的處理方法 | |
| CN112925899B (zh) | 排序模型建立方法、案件线索推荐方法、装置及介质 | |
| CN114360182B (zh) | 一种智能告警方法、装置、设备及存储介质 | |
| Ben Jemaa et al. | Finger surfaces recognition using rank level fusion | |
| CN112560711B (zh) | 非机动车交通违法判定方法、系统、装置及存储介质 | |
| CN112560711A (zh) | 非机动车交通违法判定方法、系统、装置及存储介质 | |
| CN115393997A (zh) | 基于多维数据识别的汽车电子解锁方法、装置及电子设备 | |
| CN111507380B (zh) | 基于聚类的图片分类方法、系统、装置及存储介质 | |
| CN114373098A (zh) | 一种图像分类方法、装置、计算机设备及存储介质 |
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 |