CN112580457A - 车辆视频的处理方法、装置、计算机设备和存储介质 - Google Patents
车辆视频的处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112580457A CN112580457A CN202011430130.0A CN202011430130A CN112580457A CN 112580457 A CN112580457 A CN 112580457A CN 202011430130 A CN202011430130 A CN 202011430130A CN 112580457 A CN112580457 A CN 112580457A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- position information
- target vehicle
- image
- frame
- 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
Links
- 238000003672 processing method Methods 0.000 title abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 101
- 230000011218 segmentation Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 238000011084 recovery Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种车辆视频的处理方法、装置、计算机设备及存储介质,通过获取目标车辆的车牌信息和车辆视频中的多帧视频图像;根据目标车辆的车牌信息,从各帧视频图像中获取目标车辆图像;通过对目标车辆图像中的关键点进行检测,得到各关键点的第一位置信息,第一位置信息用于反映各帧视频图像中各关键点的位置;通过分割模型对各帧视频图像进行车道线分割,得到各帧视频图像中各车道线的位置信息;根据各关键点的第一位置信息,以及各帧视频图像中各车道线的位置信息,生成目标车辆是否违法压线的检测结果。实现了利用多帧视频图像判断目标车辆是否违法压线,提升通过车辆视频判断目标车辆是否违法的准确率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种车辆视频的处理方法、装置、计算机设备和存储介质。
背景技术
随着社会经济的迅速发展、城市发展进程的加快,城市人口的不断增加,人民生活水平的不断提高,私家车的数量不断增多,导致城市交通问题也越来越多。
现有机动车辆违法审核采用的方式为:前端设备进行抓拍含有目标车辆的不同时间点的离散图像或者是连续的视频,一种是由人工查看抓拍的图像或者视频以进行审核,一种是尝试采用机器学习算法对抓拍的图像或者视频进行检测以进行审核。
但是,在传统技术中,通过车辆视频判断车辆是否违法存在准确率不高的技术问题。
发明内容
基于此,有必要针对传统技术中通过车辆视频判断车辆是否违法存在准确率不高的技术问题,提供一种车辆视频的处理方法、装置、计算机设备及存储介质。
一种车辆视频的处理方法,所述方法包括:
获取目标车辆的车牌信息和车辆视频中的多帧视频图像;
根据所述目标车辆的车牌信息,从各帧所述视频图像中获取目标车辆图像;
通过对所述目标车辆图像中的关键点进行检测,得到各所述关键点的第一位置信息,所述第一位置信息用于反映各帧所述视频图像中各所述关键点的位置;
通过分割模型对各帧所述视频图像进行车道线分割,得到各帧所述视频图像中各车道线的位置信息;
根据各所述关键点的第一位置信息,以及各帧所述视频图像中各所述车道线的位置信息,生成所述目标车辆是否违法压线的检测结果。
在其中一个实施例中,在所述通过对所述目标车辆图像中的关键点进行检测,得到各所述关键点的第一位置信息之前,所述方法包括:
根据所述目标车辆的车牌信息,从各帧所述视频图像中获取目标车辆的位置信息,所述目标车辆的位置信息用于反映各帧所述视频图像中所述目标车辆的位置;
所述通过对所述目标车辆图像中的关键点进行检测,得到各所述关键点的第一位置信息,包括:
通过车辆关键点检测模型对所述目标车辆图像中的关键点进行检测,得到各所述关键点的第二位置信息,所述第二位置信息用于反映所述目标车辆图像中各所述关键点的位置;
根据所述关键点的第二位置信息以及所述目标车辆的位置信息,得到各所述关键点的第一位置信息。
在其中一个实施例中,所述车辆关键点检测模型的生成方式,包括:
构建训练样本集,训练样本包括一个目标车辆图像以及对应的关键点位置标签,所述关键点位置标签通过按照预设顺序对所述目标车辆图像中的各关键点进行标注而得到的;
根据所述训练样本集对初始的车辆关键点检测模型进行迭代训练,直至满足收敛条件时停止训练,得到所述车辆关键点检测模型。
在其中一个实施例中,所述关键点包括左后底盘点、右后底盘点、右前底盘点、左前底盘点、左后轮胎点、右后轮胎点、右前轮胎点、左前轮胎点。
在其中一个实施例中,预设方向为与图像采集设备的视线方向相交的方向;所述根据各所述关键点的第一位置信息,以及各帧所述视频图像中各所述车道线的位置信息,生成所述目标车辆是否违法压线的检测结果,包括:
针对各帧所述视频图像,对各车道线的位置信息进行直线拟合,得到对应的各车道线段的位置信息;
从各所述关键点中选择所述预设方向上的两个目标关键点,所述两个目标关键点为两个轮胎点或者两个底盘点;
根据所述预设方向上的两个目标关键点的第一位置信息,确定两个所述目标关键点之间的目标线段;
根据所述目标线段的位置信息以及各所述车道线段的位置信息,判断在各帧所述视频图像中所述目标线段与各所述车道线段是否存在交点;
若任一帧视频图像中存在所述交点,则生成所述目标车辆违法压线的检测结果。
在其中一个实施例中,所述根据所述目标车辆的车牌信息,从各帧所述视频图像中获取目标车辆的位置信息,包括:
对各帧所述视频图像进行车辆检测,得到若干张机动车图像;
对各所述机动车图像进行车牌检测,得到对应的车牌图像;
对各所述车牌图像进行文字识别,得到各所述车牌图像对应的车牌字符;
将各所述车牌图像对应的车牌字符与所述目标车辆的车牌信息进行比对,若所述车牌字符与所述目标车辆的车牌信息匹配,将所述车牌字符对应的机动车图像中确定目标车辆图像;
通过目标跟踪网络,利用所述目标车辆图像预测各帧所述视频图像中目标车辆的位置信息。
在其中一个实施例中,所述对各帧所述视频图像进行车辆检测,得到若干张机动车图像,包括:
对各帧所述视频图像进行车辆检测,得到若干张车辆图像,所述若干张车辆图像包括若干张所述机动车图像和若干张非机动车图像;
从所述若干张车辆图像中过滤所述非机动车图像,得到若干张所述机动车图像。
一种车辆视频的处理装置,所述装置包括:
第一获取模块,用于获取目标车辆的车牌信息和车辆视频中的多帧视频图像;
第二获取模块,用于根据所述目标车辆的车牌信息,从各帧所述视频图像中获取目标车辆图像;
关键点检测模块,用于通过对所述目标车辆图像中的关键点进行检测,得到各所述关键点的第一位置信息,所述第一位置信息用于反映所述关键点在各帧所述视频图像中的位置;
车道线分割模块,用于通过分割模型对各帧所述视频图像进行车道线分割,得到各帧所述视频图像中各车道线的位置信息;
检测结果生成模块,用于根据各所述关键点的第一位置信息,以及各帧所述视频图像中各所述车道线的位置信息,生成所述目标车辆是否违法压线的检测结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一实施例所述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。
上述车辆视频的处理方法、装置、计算机设备及存储介质,通过获取目标车辆的车牌信息和车辆视频中的多帧视频图像;根据目标车辆的车牌信息,从各帧视频图像中获取目标车辆图像;通过对目标车辆图像中的关键点进行检测,得到各关键点的第一位置信息,第一位置信息用于反映各帧视频图像中各关键点的位置;通过分割模型对各帧视频图像进行车道线分割,得到各帧视频图像中各车道线的位置信息;根据各关键点的第一位置信息,以及各帧视频图像中各车道线的位置信息,生成目标车辆是否违法压线的检测结果。实现了从多帧视频图像中检测目标车辆的关键点和各车道线,并根据目标车辆中关键点的位置信息和各车道线的位置信息,判断目标车辆是否违法压线,提升通过车辆视频判断目标车辆是否违法的准确率。
附图说明
图1为一个实施例中车辆视频的处理方法的应用环境图;
图2为一个实施例中车辆视频的处理方法的流程示意图;
图3为一个实施例中车辆视频的处理方法的流程示意图;
图4为一个实施例中生成车辆关键点检测模型的流程示意图;
图5a为一个实施例中步骤S250的流程示意图;
图5b至图5e一个实施例中目标车辆违法压线的示意图;
图6为一个实施例中步骤S310的流程示意图;
图7为一个实施例中步骤S610的流程示意图;
图8为另一个实施例中车辆视频的处理方法的流程示意图;
图9为一个实施例中车辆视频的处理装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的车辆视频的处理方法,可以应用于如图1所示的应用环境中。该应用环境可以包括:第一计算机设备110、第二计算机设备120和图像采集设备130。其中,第一计算机设备110和第二计算机设备120是指具有较强的数据存储和计算能力的电子设备,例如第一计算机设备110、第二计算机设备120可以是PC(Personal Computer,个人计算机)或服务器。通过视频采集设备130对行驶车辆进行视频采集,得到行驶车辆的视频文件,并通过网络连接将行驶车辆的视频文件发送至第一计算机设备110。在对车辆视频进行处理之前,需要技术人员在第二计算机设备120上构建目标检测模型、分割模型、目标跟踪网络、车辆关键点检测模型等,并通过第二计算机设备120对构建的目标检测模型、分割模型、目标跟踪网络、车辆关键点检测模型等模型进行训练。完成训练的目标检测模型、分割模型、目标跟踪网络、车辆关键点检测模型等可以从第二计算机设备120发布至第一计算机设备110中。第一计算机设备110可以获取目标车辆的车牌信息和车辆视频中的多帧视频图像;根据目标车辆的车牌信息,从各帧视频图像中获取目标车辆图像;通过对目标车辆图像中的关键点进行检测,得到各关键点的第一位置信息,第一位置信息用于反映各帧视频图像中各关键点的位置;通过分割模型对各帧视频图像进行车道线分割,得到各帧视频图像中各车道线的位置信息;根据各关键点的第一位置信息,以及各帧视频图像中各车道线的位置信息,生成目标车辆是否违法压线的检测结果。
可以理解的是,第一计算机设备110也可以采用终端的形式,终端可以是诸如手机、平板电脑、电子书阅读器、多媒体播放设备、可穿戴设备、PC等电子设备。终端通过目标检测模型、车辆关键点检测模型等完成车辆视频的处理工作。
在一个实施例中,如图2所示,提供了一种车辆视频的处理方法,以该方法应用于图1中的第一计算机设备110为例进行说明,包括以下步骤:
步骤210、获取目标车辆的车牌信息和车辆视频中的多帧视频图像。
其中,目标车辆是指需要进行违法审核的机动车辆。车牌信息用于唯一地标识各辆车,可以是车牌号。通过视频采集设备对目标车辆的行驶状态进行视频采集,采集到的视频文件可以保存在视频采集设备本地,也可以通过有线连接方式或者无线连接方式发送至第一计算机设备或者与第一计算机设备通信连接的服务器。且视频文件由多帧连续的视频图像组成。具体地,为了核实目标车辆是否违法,需要获取包括目标车辆图像的多帧视频图像和目标车辆的车牌信息。可以事先从车辆违法视频中获取包括目标车辆图像的多帧视频图像,并将包括目标车辆图像的多帧视频图像保存在第一计算机设备本地或者与第一计算机设备通信连接的服务器。
步骤220,根据目标车辆的车牌信息,从各帧视频图像中获取目标车辆图像。
具体地,从车辆违法视频中获取到的每帧视频图像包括至少一辆行驶车辆和行驶环境等。利用目标检测模型将各行驶车辆检测出来,不仅可以采用矩形框在每帧视频图像中标示出各行驶车辆,并输出每帧视频图像中各行驶车辆的位置信息。针对任一帧视频图像,将各行驶车辆的车牌检测出来,检测到的各行驶车辆的车牌信息,则通过目标车辆的车牌信息从检测到的各行驶车辆的图像中确定目标车辆图像。
步骤230,通过对目标车辆图像中的关键点进行检测,得到各关键点的第一位置信息。
其中,第一位置信息用于反映各帧视频图像中各关键点的位置。关键点是指用于表征车辆位置的关键区域,比如轮胎、底盘等。具体地,对目标车辆图像中的关键点进行检测,得到各关键点在目标车辆图像中的位置信息,由于目标车辆图像是从对应帧的视频图像中提取的,目标车辆图像中各像素点的位置与视频图像中各像素点的位置具有对应关系,从而可以得到各关键点在对应帧视频图像中的第一位置信息。
步骤240,通过分割模型对各帧视频图像进行车道线分割,得到各帧视频图像中各车道线的位置信息。
其中,分割模型是指从待检测图像中将图像中属于不同类别的像素点(比如车道线、背景类图像)区分开来的机器学习模型。输入一张待检测视频图像进入分割模型,分割模型输出待检测视频图像中每个像素点属于背景类图像,还是属于车道线的类别。具体地,将获取的各帧视频图像分别输入至分割模型,利用分割模型对各帧视频图像进行场景分割,获取各帧视频图像分别对应的分割结果,且不同的分割结果对应不同的场景信息。场景信息可以包括车道线位置信息、导向线位置信息、停止线位置信息中的至少一种的位置信息,还可以包括车道线、导向线、停止线中的至少一种的类别信息。因此,通过分割模型对各帧视频图像进行车道线分割,可以得到各帧视频图像中各车道线的位置信息。
步骤250,根据各关键点的第一位置信息,以及各帧视频图像中各车道线的位置信息,生成目标车辆是否违法压线的检测结果。
具体地,在判断目标车辆是否违法压线时,需要结合各关键点的第一位置信息和车道线的位置信息。若目标车辆与车道线之间存在重合,且该车道线是属于不允许压线的情况,则可以生成目标车辆违法变道的检测结果。若目标车辆与该车道线之间没有重合,则可以生成目标车辆没有违法变道的检测结果。
本实施例中,通过获取目标车辆的车牌信息和车辆视频中的多帧视频图像;根据目标车辆的车牌信息,从各帧视频图像中获取目标车辆图像;通过对目标车辆图像中的关键点进行检测,得到各关键点的第一位置信息,第一位置信息用于反映各帧视频图像中各关键点的位置;通过分割模型对各帧视频图像进行车道线分割,得到各帧视频图像中各车道线的位置信息;根据各关键点的第一位置信息,以及各帧视频图像中各车道线的位置信息,生成目标车辆是否违法压线的检测结果。实现了从多帧视频图像中检测目标车辆的关键点和各车道线,并根据目标车辆中关键点的位置信息和各车道线的位置信息,判断目标车辆是否违法压线,提升通过车辆视频判断目标车辆是否违法的准确率。
在一个实施例中,如图3所示,在通过对目标车辆图像中的关键点进行检测,得到各关键点的第一位置信息之前,该方法包括:
S310、根据目标车辆的车牌信息,从各帧视频图像中获取目标车辆的位置信息。
其中,目标车辆的位置信息用于反映各帧视频图像中目标车辆的位置。具体地,针对任一帧视频图像,将各行驶车辆的车牌检测出来,检测到的各行驶车辆的车牌信息,则通过目标车辆的车牌信息从检测到的各行驶车辆中确定目标车辆。并根据目标检测模型输出的各行驶车辆的位置信息确定该帧视频图像中目标车辆的位置信息。由于行驶状态的目标车辆在各时刻具有不同的位置信息,则可以从各帧视频图像中获取目标车辆的位置信息。
通过对目标车辆图像中的关键点进行检测,得到各关键点的第一位置信息,包括:
S320、通过车辆关键点检测模型对目标车辆图像中的关键点进行检测,得到各关键点的第二位置信息。
其中,第二位置信息用于反映目标车辆图像中各关键点的位置。具体地,将目标车辆图像输入至车辆关键点检测模型,通过车辆关键点检测模型对目标车辆图像中的关键点进行检测,得到各关键点在目标车辆图像中的位置信息。
S330、根据关键点的第二位置信息以及目标车辆的位置信息,得到各关键点的第一位置信息。
具体地,由于目标车辆图像是根据目标车辆的位置信息从各帧视频图像中提取的,因此可知目标车辆在对应帧的视频图像的位置。又通过车辆关键点检测模型对目标车辆图像进行检测得到各关键点的第二位置信息,则可以根据各关键点在目标车辆图像中的第二位置信息以及目标车辆在对应帧视频图像中的位置信息,确定各关键点在对应帧视频图像中的第一位置信息。
本实施例中,通过根据目标车辆的车牌信息,从各帧视频图像中获取目标车辆的位置信息,并通过车辆关键点检测模型对目标车辆图像中的关键点进行检测,得到各关键点的第二位置信息,从而根据关键点的第二位置信息以及目标车辆的位置信息,得到各关键点的第一位置信息,实现了对关键点位置的准确检测,为后续的违法压线审核提供了准确的数据基础。
在一个实施例中,如图4所示,车辆关键点检测模型的生成方式,包括:
S410、构建训练样本集。
其中,训练样本包括一个目标车辆图像以及对应的关键点位置标签。关键点位置标签通过按照预设顺序对目标车辆图像中的各关键点进行标注而得到的。关键点包括左后底盘点、右后底盘点、右前底盘点、左前底盘点、左后轮胎点、右后轮胎点、右前轮胎点、左前轮胎点。具体地,可以利用步骤220中获取的目标车辆图像构建训练样本集,并对目标车辆图像进行标记,标记车辆的4个底盘点(左后底盘点、右后底盘点、右前底盘点、左前底盘点)以及4个轮胎点(左后轮胎点、右后轮胎点、右前轮胎点、左前轮胎点),示例性地,标记过程中可以遵循“左后底盘点、右后底盘点、右前底盘点、左前底盘点、左后胎点、右后胎点、右前胎点、左前胎点”的预设顺序。
S420、根据训练样本集对初始的车辆关键点检测模型进行迭代训练,直至满足收敛条件时停止训练,得到车辆关键点检测模型。
其中,车辆关键点检测模型可以采用基于深度学习的人体姿态估计网络(SimpleBaseline)。具体地,利用其中一个训练样本对初始的车辆关键点检测模型进行训练时,可以得到该训练样本对应的预测值,通过预测值与关键点位置标签确定初始的车辆关键点检测模型的损失函数值,从而对初始的排序学习模型进行调整,并利用另一个训练样本对调整后的车辆关键点检测模型进行训练,可以得到另一预测值,继续计算对调整后的车辆关键点检测模型的损失函数值,重复上述步骤,对车辆关键点检测模型进行迭代训练,直至满足收敛条件时停止训练,得到车辆关键点检测模型。
本实施例中,通过构建训练样本集,并根据训练样本集对搭建的车辆关键点检测模型进行训练,得到车辆关键点检测模型,从而为准确获取车辆关键点的位置打下基础。
在一个实施例中,如图5a所示,在步骤S250中,根据各关键点的第一位置信息,以及各帧视频图像中各车道线的位置信息,生成目标车辆是否违法压线的检测结果,包括:
S510、针对各帧视频图像,对各车道线的位置信息进行直线拟合,得到对应的各车道线段的位置信息。
其中,各车道线是指通过分割模型对视频图像进行分割输出的车道线区域,包括白实线区域、黄实线区域。针对任一帧视频图像,其中可以显示有一条车道线段,也可以显示多条车道线段。具体地,通过语义分割网络对每一帧视频图像进行道路标识线分割,可以得到白实线区域、黄实线区域和背景区域,也可以得到白实线区域的坐标信息、黄实线区域的坐标信息,对白实线区域的坐标信息、黄实线区域的坐标信息进行直线拟合,得到该帧视频图像中对应的各车道线段的位置信息。
S520、从各关键点中选择预设方向上的两个目标关键点。
其中,预设方向为与图像采集设备的视线方向相交的方向。图像采集设备可以是摄像头。两个目标关键点可以为两个轮胎点或者两个底盘点。具体地,目标车辆在道路上行驶,车头或者车尾必然有一端是朝向摄像机的,即车头或者车尾所在的直线与摄像机的视线方向是相交的。针对任一帧视频图像来说,各个关键点在该帧视频图像中具有坐标值,可以比较坐标值的大小,比如根据纵坐标y值的大小,判定朝向摄像机是目标车辆的哪一端(车头或者车尾),从而根据这一判定结果从这些关键点中选择朝向摄像机一端的两个目标关键点。因为在该预设方向上分布有四个关键点,四个关键点分别两个轮胎点、两个底盘点,因此,从各关键点中选择预设方向上的两个轮胎点作为目标关键点,或者从各关键点中选择预设方向上的两个底盘点作为目标关键点。
S530、根据预设方向上的两个目标关键点的第一位置信息,确定两个目标关键点之间的目标线段。
具体地,如前文所示,已经得到各关键点的第一位置信息,即已知预设方向上的两个轮胎点的第一位置信息,可以根据两个轮胎点确定用于判断是否违法压线的目标线段。或者已知预设方向上的两个底盘点的第一位置信息,可以根据两个底盘点确定用于判断是否违法压线的目标线段。
S540、根据目标线段的位置信息以及各车道线段的位置信息,判断在各帧视频图像中目标线段与各车道线段是否存在交点。
具体地,针对各帧视频图像,对各车道线的位置信息进行直线拟合,得到对应的各车道线段的位置信息。根据预设方向上的两个目标关键点的第一位置信息,确定两个目标关键点之间的目标线段。从而结合目标线段的位置信息以及各车道线段的位置信息,判断在该帧视频图像中目标线段与任一车道线段是否存在交点。
S550、若任一帧视频图像中存在交点,则生成目标车辆违法压线的检测结果。
具体地,针对任一帧视频图像,若在该帧视频图像中目标线段与任一车道线段存在交点,说明该帧视频图像中目标车辆与该车道线段对应的车道线有重合,即目标车辆违法压线,从而生成目标车辆违法压线的检测结果。从而可以进一步保留该帧视频图像作为证据。图5b至图5e为判断目标车辆违法压线的证据图像。
本实施例中,通过判断视频图像中目标车辆上的目标线段与视频图像中车道线段是否有交点检测目标车辆是否违法压线,避免人工审核,不仅提升了检测的准确率,而且避免误判,确保执法的公正性。
在一个实施例中,如图6所示,在步骤310中,根据目标车辆的车牌信息,从各帧视频图像中获取目标车辆的位置信息,包括:
S610、对各帧视频图像进行车辆检测,得到若干张机动车图像。
具体地,从各帧视频图像选任一帧视频图像,该帧视频图像可以是第一帧视频图像,也可以是任一帧清楚的视频图像。利用基于深度学习的车辆检测模型进行车辆检测得到若干张机动车图像。
示例性地,车辆检测模型可以采用基于深度学习的yolo(You Only Look Once系列算法)网络。从视频文件中获取若干帧视频图像,采用矩形框标记视频图像中车辆,并标记车辆为机动车还是非机动车。使用上述标注图像训练目标检测网络,获得车辆检测模型。使用车辆检测模型可以对初始帧视频图像进行车辆检测,获得每辆车的位置框、机动车或者非机动车分类以及车辆图像。从而可以判断每一辆车是否为机动车,如果为非机动车,则过滤掉,判断检测到的车辆图像是否存在机动车图像,若存在,则执行下一步。
S620、对各机动车图像进行车牌检测,得到对应的车牌图像。
具体地,通过车牌检测模型对各机动车图像进行车牌检测,得到对应的车牌图像。车牌检测模型可以是基于深度学习的SSD(single shot multibox detection)目标检测算法模型,SSD可以是通过单个深度神经网络。
示例性地,如前文,获取若干张机动车图像。在机动车图像中使用矩形框标记车牌位置。利用标注的图像训练车牌检测模型,获得车牌检测模型。利用车牌检测模型对机动车图像进行车牌检测,进而获得车牌位置框和车牌图像。
S630、对各车牌图像进行文字识别,得到各车牌图像对应的车牌字符。
具体地,通过车牌识别网络模型对各车牌图像进行文字识别,得到各车牌图像对应的车牌字符。
示例性地,车牌识别网络模型可以用CRNN(Convolution Recurrent NeuralNetwork)模型。如前文,获得若干张车牌图像。对车牌图像进行车牌字符标记,得到对应的文字标签。利用标注的车牌图像训练车牌识别网络模型,获得车牌识别网络模型。通过车牌识别模型对车牌图像进行车牌识别,进而获得对应的车牌字符。
S640、将各车牌图像对应的车牌字符与目标车辆的车牌信息进行比对,若车牌字符与目标车辆的车牌信息匹配,将车牌字符对应的机动车图像中确定目标车辆图像。
具体地,将各车牌图像对应的车牌字符与目标车辆的车牌字符进行比对,若车牌字符与目标车辆的车牌字符匹配,将车牌字符对应的机动车图像中确定目标车辆图像。示例性地,若识别的车牌字符与目标车辆的车牌字符存在除第一个省份汉字之外的其它字符对应位置上出现至少4位字符相同,则判定车牌字符与目标车辆的车牌信息匹配。
S650、通过目标跟踪网络,利用目标车辆图像预测各帧视频图像中目标车辆的位置信息。
具体地,通过目标跟踪网络跟踪目标车辆,获得视频文件中的多帧视频图像,采用矩形框标记出目标车辆在各帧视频图像中的出现位置,并标记不同车辆的ID号;使用上述标注图像训练Siamese-RPN(Proposed Siamese Region Proposal Network)目标跟踪网络,获得车辆目标跟踪模型;对初始帧获得的目标车辆每隔n帧使用上述模型进行预测目标车辆在第n帧的位置,n的取值可以根据视频帧率进行选择,比如n等于10。因为目标车辆压线行为的发生是连续的,并不是瞬间完成的,因此为了提高审核效率,可以使用跳帧跟踪。
在一个实施例中,如图7所示,在步骤610中,对各帧视频图像进行车辆检测,得到若干张机动车图像,包括:
S710、对各帧视频图像进行车辆检测,得到若干张车辆图像。
S720、从若干张车辆图像中过滤非机动车图像,得到若干张机动车图像。
具体地,通过车辆检测模型对各帧视频图像进行车辆检测,得到若干张车辆图像。若干张车辆图像包括若干张机动车图像和若干张非机动车图像,将非机动车图像过滤,保留机动车图像,从而从若干张车辆图像中得到若干张机动车图像。
在一个实施例中,如图8所示,本实施例提供一种车辆处理方法,该方法包括以下步骤:
S802、获取目标车辆的车牌信息和车辆视频中的多帧视频图像。
S804、对各帧视频图像进行车辆检测,得到若干张车辆图像,若干张车辆图像包括若干张机动车图像和若干张非机动车图像。
S806、从若干张车辆图像中过滤非机动车图像,得到若干张机动车图像。
S808、对各机动车图像进行车牌检测,得到对应的车牌图像。
S810、对各车牌图像进行文字识别,得到各车牌图像对应的车牌字符。
S812、将各车牌图像对应的车牌字符与目标车辆的车牌信息进行比对,若车牌字符与目标车辆的车牌信息匹配,将车牌字符对应的机动车图像中确定目标车辆图像。
S814、通过目标跟踪网络,利用目标车辆图像预测各帧视频图像中目标车辆的位置信息。
S816、通过分割模型对各帧视频图像进行车道线分割,得到各帧视频图像中各车道线的位置信息。
S818、针对各帧视频图像,对各车道线的位置信息进行直线拟合,得到对应的各车道线段的位置信息。
S820、从各关键点中选择预设方向上的两个目标关键点,两个目标关键点为两个轮胎点或者两个底盘点。
S822、根据预设方向上的两个目标关键点的第一位置信息,确定两个目标关键点之间的目标线段。
S824、根据目标线段的位置信息以及各车道线段的位置信息,判断在各帧视频图像中目标线段与各车道线段是否存在交点。
S826、若任一帧视频图像中存在交点,则生成目标车辆违法压线的检测结果。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种车辆视频的处理装置900,包括:第一获取模块910、第二获取模块920、关键点检测模块930、车道线分割模块940和检测结果生成模块950,其中:
第一获取模块910,用于获取目标车辆的车牌信息和车辆视频中的多帧视频图像;
第二获取模块920,用于根据所述目标车辆的车牌信息,从各帧所述视频图像中获取目标车辆图像;
关键点检测模块930,用于对所述目标车辆图像中的关键点进行检测,得到各所述关键点的第一位置信息,所述第一位置信息用于反映所述关键点在各帧所述视频图像中的位置;
车道线分割模块940,用于通过分割模型对各帧所述视频图像进行车道线分割,得到各帧所述视频图像中各车道线的位置信息;
检测结果生成模块950,用于根据各所述关键点的第一位置信息,以及各帧所述视频图像中各所述车道线的位置信息,生成所述目标车辆是否违法压线的检测结果。
在一个实施例中,该装置还包括第三获取模块,用于根据所述目标车辆的车牌信息,从各帧所述视频图像中获取目标车辆的位置信息,所述目标车辆的位置信息用于反映各帧所述视频图像中所述目标车辆的位置。
关键点检测模块930,还用于通过车辆关键点检测模型对所述目标车辆图像中的关键点进行检测,得到各所述关键点的第二位置信息,所述第二位置信息用于反映所述目标车辆图像中各所述关键点的位置;根据所述关键点的第二位置信息以及所述目标车辆的位置信息,得到各所述关键点的第一位置信息。
在一个实施例中,该装置还包括车辆关键点检测模型训练模块,用于构建训练样本集,训练样本包括一个目标车辆图像以及对应的关键点位置标签,所述关键点位置标签通过按照预设顺序对所述目标车辆图像中的各关键点进行标注而得到的;根据所述训练样本集对初始的车辆关键点检测模型进行迭代训练,直至满足收敛条件时停止训练,得到所述车辆关键点检测模型。
在一个实施例中,所述关键点包括左后底盘点、右后底盘点、右前底盘点、左前底盘点、左后轮胎点、右后轮胎点、右前轮胎点、左前轮胎点。
在一个实施例中,预设方向为与图像采集设备的视线方向相交的方向。检测结果生成模块950,还用于针对各帧所述视频图像,对各车道线的位置信息进行直线拟合,得到对应的各车道线段的位置信息;从各所述关键点中选择所述预设方向上的两个目标关键点,所述两个目标关键点为两个轮胎点或者两个底盘点;根据所述预设方向上的两个目标关键点的第一位置信息,确定两个所述目标关键点之间的目标线段;根据所述目标线段的位置信息以及各所述车道线段的位置信息,判断在各帧所述视频图像中所述目标线段与各所述车道线段是否存在交点;若任一帧视频图像中存在所述交点,则生成所述目标车辆违法压线的检测结果。
在一个实施例中,第三获取模块,还用于对各帧所述视频图像进行车辆检测,得到若干张机动车图像;对各所述机动车图像进行车牌检测,得到对应的车牌图像;对各所述车牌图像进行文字识别,得到各所述车牌图像对应的车牌字符;将各所述车牌图像对应的车牌字符与所述目标车辆的车牌信息进行比对,若所述车牌字符与所述目标车辆的车牌信息匹配,将所述车牌字符对应的机动车图像中确定目标车辆图像;通过目标跟踪网络,利用所述目标车辆图像预测各帧所述视频图像中目标车辆的位置信息。
在一个实施例中,第三获取模块,还用于对各帧所述视频图像进行车辆检测,得到若干张车辆图像,所述若干张车辆图像包括若干张所述机动车图像和若干张非机动车图像;从所述若干张车辆图像中过滤所述非机动车图像,得到若干张所述机动车图像。
关于车辆视频的处理装置的具体限定可以参见上文中对于车辆视频的处理方法的限定,在此不再赘述。上述车辆视频的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车辆视频的处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中的方法步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中的方法步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆视频的处理方法,其特征在于,所述方法包括:
获取目标车辆的车牌信息和车辆视频中的多帧视频图像;
根据所述目标车辆的车牌信息,从各帧所述视频图像中获取目标车辆图像;
通过对所述目标车辆图像中的关键点进行检测,得到各所述关键点的第一位置信息,所述第一位置信息用于反映各帧所述视频图像中各所述关键点的位置;
通过分割模型对各帧所述视频图像进行车道线分割,得到各帧所述视频图像中各车道线的位置信息;
根据各所述关键点的第一位置信息,以及各帧所述视频图像中各所述车道线的位置信息,生成所述目标车辆是否违法压线的检测结果。
2.根据权利要求1所述的方法,其特征在于,在所述通过对所述目标车辆图像中的关键点进行检测,得到各所述关键点的第一位置信息之前,所述方法包括:
根据所述目标车辆的车牌信息,从各帧所述视频图像中获取目标车辆的位置信息,所述目标车辆的位置信息用于反映各帧所述视频图像中所述目标车辆的位置;
所述通过对所述目标车辆图像中的关键点进行检测,得到各所述关键点的第一位置信息,包括:
通过车辆关键点检测模型对所述目标车辆图像中的关键点进行检测,得到各所述关键点的第二位置信息,所述第二位置信息用于反映所述目标车辆图像中各所述关键点的位置;
根据所述关键点的第二位置信息以及所述目标车辆的位置信息,得到各所述关键点的第一位置信息。
3.根据权利要求2所述的方法,其特征在于,所述车辆关键点检测模型的生成方式,包括:
构建训练样本集,训练样本包括一个目标车辆图像以及对应的关键点位置标签,所述关键点位置标签通过按照预设顺序对所述目标车辆图像中的各关键点进行标注而得到的;
根据所述训练样本集对初始的车辆关键点检测模型进行迭代训练,直至满足收敛条件时停止训练,得到所述车辆关键点检测模型。
4.根据权利要求3所述的方法,其特征在于,所述关键点包括左后底盘点、右后底盘点、右前底盘点、左前底盘点、左后轮胎点、右后轮胎点、右前轮胎点、左前轮胎点。
5.根据权利要求1至4任一项所述的方法,其特征在于,预设方向为与图像采集设备的视线方向相交的方向;所述根据各所述关键点的第一位置信息,以及各帧所述视频图像中各所述车道线的位置信息,生成所述目标车辆是否违法压线的检测结果,包括:
针对各帧所述视频图像,对各车道线的位置信息进行直线拟合,得到对应的各车道线段的位置信息;
从各所述关键点中选择所述预设方向上的两个目标关键点,所述两个目标关键点为两个轮胎点或者两个底盘点;
根据所述预设方向上的两个目标关键点的第一位置信息,确定两个所述目标关键点之间的目标线段;
根据所述目标线段的位置信息以及各所述车道线段的位置信息,判断在各帧所述视频图像中所述目标线段与各所述车道线段是否存在交点;
若任一帧视频图像中存在所述交点,则生成所述目标车辆违法压线的检测结果。
6.根据权利要求2所述的方法,其特征在于,所述根据所述目标车辆的车牌信息,从各帧所述视频图像中获取目标车辆的位置信息,包括:
对各帧所述视频图像进行车辆检测,得到若干张机动车图像;
对各所述机动车图像进行车牌检测,得到对应的车牌图像;
对各所述车牌图像进行文字识别,得到各所述车牌图像对应的车牌字符;
将各所述车牌图像对应的车牌字符与所述目标车辆的车牌信息进行比对,若所述车牌字符与所述目标车辆的车牌信息匹配,将所述车牌字符对应的机动车图像中确定目标车辆图像;
通过目标跟踪网络,利用所述目标车辆图像预测各帧所述视频图像中目标车辆的位置信息。
7.根据权利要求6所述的方法,其特征在于,所述对各帧所述视频图像进行车辆检测,得到若干张机动车图像,包括:
对各帧所述视频图像进行车辆检测,得到若干张车辆图像,所述若干张车辆图像包括若干张所述机动车图像和若干张非机动车图像;
从所述若干张车辆图像中过滤所述非机动车图像,得到若干张所述机动车图像。
8.一种车辆视频的处理装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标车辆的车牌信息和车辆视频中的多帧视频图像;
第二获取模块,用于根据所述目标车辆的车牌信息,从各帧所述视频图像中获取目标车辆图像;
关键点检测模块,用于通过对所述目标车辆图像中的关键点进行检测,得到各所述关键点的第一位置信息,所述第一位置信息用于反映所述关键点在各帧所述视频图像中的位置;
车道线分割模块,用于通过分割模型对各帧所述视频图像进行车道线分割,得到各帧所述视频图像中各车道线的位置信息;
检测结果生成模块,用于根据各所述关键点的第一位置信息,以及各帧所述视频图像中各所述车道线的位置信息,生成所述目标车辆是否违法压线的检测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011430130.0A CN112580457A (zh) | 2020-12-09 | 2020-12-09 | 车辆视频的处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011430130.0A CN112580457A (zh) | 2020-12-09 | 2020-12-09 | 车辆视频的处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112580457A true CN112580457A (zh) | 2021-03-30 |
Family
ID=75130397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011430130.0A Pending CN112580457A (zh) | 2020-12-09 | 2020-12-09 | 车辆视频的处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580457A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538924A (zh) * | 2021-05-20 | 2021-10-22 | 浙江大华技术股份有限公司 | 车辆抓拍方法、装置、电子设备、计算机可读存储介质 |
CN113962249A (zh) * | 2021-12-06 | 2022-01-21 | 浙江大华技术股份有限公司 | 压线识别方法及装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949578A (zh) * | 2018-12-31 | 2019-06-28 | 上海眼控科技股份有限公司 | 一种基于深度学习的车辆压线违法自动审核方法 |
CN111402329A (zh) * | 2020-03-24 | 2020-07-10 | 上海眼控科技股份有限公司 | 车辆压线检测方法、装置、计算机设备和存储介质 |
CN111523464A (zh) * | 2020-04-23 | 2020-08-11 | 上海眼控科技股份有限公司 | 车辆违法变道的检测方法和装置 |
-
2020
- 2020-12-09 CN CN202011430130.0A patent/CN112580457A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949578A (zh) * | 2018-12-31 | 2019-06-28 | 上海眼控科技股份有限公司 | 一种基于深度学习的车辆压线违法自动审核方法 |
CN111402329A (zh) * | 2020-03-24 | 2020-07-10 | 上海眼控科技股份有限公司 | 车辆压线检测方法、装置、计算机设备和存储介质 |
CN111523464A (zh) * | 2020-04-23 | 2020-08-11 | 上海眼控科技股份有限公司 | 车辆违法变道的检测方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538924A (zh) * | 2021-05-20 | 2021-10-22 | 浙江大华技术股份有限公司 | 车辆抓拍方法、装置、电子设备、计算机可读存储介质 |
CN113962249A (zh) * | 2021-12-06 | 2022-01-21 | 浙江大华技术股份有限公司 | 压线识别方法及装置、电子设备和存储介质 |
CN113962249B (zh) * | 2021-12-06 | 2022-04-19 | 浙江大华技术股份有限公司 | 压线识别方法及装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533925B (zh) | 车辆违法视频的处理方法、装置、计算机设备及存储介质 | |
CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
CN112418268B (zh) | 目标检测方法、装置及电子设备 | |
CN110459064B (zh) | 车辆违法行为检测方法、装置、计算机设备 | |
CN112085952B (zh) | 监控车辆数据方法、装置、计算机设备及存储介质 | |
CN112712703A (zh) | 车辆视频的处理方法、装置、计算机设备和存储介质 | |
CN111652087B (zh) | 验车方法、装置、电子设备和存储介质 | |
CN110517500B (zh) | 一种人车关联处理方法及装置 | |
CN110826484A (zh) | 车辆重识别的方法、装置、计算机设备及模型训练方法 | |
CN110675637A (zh) | 车辆违法视频的处理方法、装置、计算机设备及存储介质 | |
CN111931683B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN112580457A (zh) | 车辆视频的处理方法、装置、计算机设备和存储介质 | |
CN116311214B (zh) | 车牌识别方法和装置 | |
CN111860219B (zh) | 一种高速占道判断方法、装置及电子设备 | |
CN114708547A (zh) | 车辆重识别方法、装置、计算机设备、存储介质 | |
CN110765952A (zh) | 车辆违法视频的处理方法、装置及计算机设备 | |
CN110363193B (zh) | 车辆重识别方法、装置、设备和计算机存储介质 | |
JP5811918B2 (ja) | 注視対象物推定装置、方法、及びプログラム | |
CN111091041A (zh) | 一种车辆违法判别方法、装置、计算机设备和存储介质 | |
Martin et al. | Object of fixation estimation by joint analysis of gaze and object dynamics | |
EP3444745B1 (en) | System and method for authenticating dynamic movement tracking-based handwritten signature for space division segment | |
CN110619256A (zh) | 道路监控检测方法及装置 | |
CN111368728A (zh) | 安全监测方法、装置、计算机设备和存储介质 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN116052189A (zh) | 一种文本识别方法、系统和存储介质 |
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 |