CN112650876A - 图像处理方法、装置、电子设备、存储介质和程序产品 - Google Patents

Abstract

本公开的实施例涉及一种图像处理方法、装置、电子设备、存储介质和程序产品，涉及智能交通领域。该方法可以包括对与交通罚单相关联的图像进行识别，以确定与交通罚单相关联的车辆的身份信息、违章时间和违章位置。该方法进一步包括基于车辆的身份信息获取一组历史行车事件和相应行车路径。此外，该方法可以进一步包括如果该组历史行车事件中与违章时间相关联的目标行车事件的相应行车路径包含所述违章位置，将所述图像标记为通过审核。本公开的技术方案可以准确、快速且低成本地审核交通罚单，实现了用户体验的提升。

Description

图像处理方法、装置、电子设备、存储介质和程序产品

技术领域

本公开的实施例主要涉及智能交通领域，并且更具体地，涉及图像处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

随着科技的进步，人们的出行越来越依赖基于人工智能的导航技术。例如，人们在行车过程中通常会参考导航服务提供商配置的导航应用来规划自己的行车路线。然而，由于导航应用可能存在某些不完善的方面，用户在根据导航应用的导航信息进行驾驶操作的过程中可能会出现交通违章操作，从而产生交通罚单。这会给用户带来困扰，进而降低用户体验以及用户对该导航服务的粘性。例如，网约车司机通常基于网约车应用的导航信息提供接驾服务，如果该网约车在网约车应用推荐的接驾停车位置产生了违章停车罚单，则会给网约车司机带来极低的用户体验。

发明内容

根据本公开的示例实施例，提供了一种用于处理图像的方案。

在本公开的第一方面中，提供了一种图像处理方法。该方法可以包括对与交通罚单相关联的图像进行识别，以确定与交通罚单相关联的车辆的身份信息、违章时间和违章位置。该方法进一步包括基于车辆的身份信息获取一组历史行车事件和相应行车路径。此外，该方法可以进一步包括如果该组历史行车事件中与违章时间相关联的目标行车事件的相应行车路径包含所述违章位置，将所述图像标记为通过审核。

在本公开的第二方面中，提供了一种图像处理装置，包括：图像识别模块，被配置为对与交通罚单相关联的图像进行识别，以确定与所述交通罚单相关联的车辆的身份信息、违章时间和违章位置；行车事件获取模块，被配置为基于所述车辆的所述身份信息获取一组历史行车事件和相应行车路径；以及处理模块，被配置为响应于所述一组历史行车事件中与所述违章时间相关联的目标行车事件的相应行车路径包含所述违章位置，将所述图像标记为通过审核。

在本公开的第三方面中，提供了一种电子设备，包括：存储器和处理器；其中所述存储器用于存储一条或多条计算机指令，其中所述一条或多条计算机指令被所述处理器执行以实现本公开的第一方面的方法。

在本公开的第四方面中，提供了一种计算机可读存储介质，其上存储有一条或多条计算机指令，其中所述一条或多条计算机指令被处理器执行以实现本公开的第一方面的方法。

在本公开的第五方面中，提供了一种计算机程序产品，包括计算机可执行指令，其中所述计算机可执行指令在被处理器执行时实现本公开的第一方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素，其中：

图1示出了本公开的多个实施例能够在其中实现的示例环境的示意图；

图2示出了本公开的多个实施例能够在其中实现的更详细示例环境的示意图；

图3示出了根据本公开的实施例的图像处理过程的流程图；

图4示出了根据本公开的实施例的判定停车位置的示意图；

图5示出了根据本公开的实施例的图像处理装置的框图；以及

图6示出了能够实施本公开的多个实施例的计算设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

如以上提及的，人们在行车过程中通常会参考并信任导航服务提供商提供的导航信息。然而，由于导航APP所构建的导航模型仍然存在优化空间，故其推荐的行车路径以及停车点仍然可能存在交通违章的风险。从而为用户带来不信任感，降低了用户的粘性。虽然目前的导航服务存在违章申诉渠道，但解决此类问题通常是由人工完成的，即，导航服务提供商的工作人员在后台对用户上传的罚单进行人工审核。然而，人工审核增加了平台的运营成本，并且需要较长的处理周期，且还可能出现漏审、误审的情况。因此，仍然会降低用户体验。

有鉴于此，本公开的实施例提出了一种图像处理方案。在该方案中，导航服务提供商可以设置一个上传接口，用于接收用户上传的交通罚单图像，并对上传的交通罚单图像进行图像识别处理，已确定车牌信息、违章位置、违章时间、违章类型等信息。之后，可以将这些识别的信息与针对该车辆的历史行车事件进行比较。如果历史行车事件中存在一个行车事件的行车路径、时间与交通罚单图像的违章位置、违章时间等信息一致，则表明该交通罚单是由于参照导航应用推荐的行车路径来进行驾驶而造成的。故可以审核通过该罚单，并对相应用户进行补偿或奖励，同时还可以将与该交通罚单对应的图像或违章位置处理为训练数据，用于训练导航模型，从而进一步完善导航功能，避免今后将该违章位置继续包含在导航路径中。

通过实施上述方案，可以将交通罚单的识别结果与导航推荐的行车路径进行比较，从而可以准确、快速且低成本地审核交通罚单，实现了用户体验的提升。

以下将参照附图来具体描述本公开的实施例。图1示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。如图1所示，示例环境100中包含交通罚单图像110、计算设备120和处理结果130。

如图1所示，计算设备120被配置为接收用户上传的交通罚单图像110。这里，交通罚单图像110可以是用户拍摄的纸质交通罚单的照片，也可以是电子交通罚单的截图，还可以是交通罚单通知短信的截图等。

计算设备120可以对交通罚单图像110进行图像识别，从而获取违章车辆的身份信息、违章时间以及违章位置等信息，并且可以从数据库中记录的历史行车事件中找到与识别的身份信息和违章时间对应的行车事件。这里，数据库可以位于由计算设备120维护的位于计算设备120内部、或者与计算设备通信连接的存储器或云存储中。进一步地，计算设备120可以对该行车事件的路径信息与违章位置进行比对，从而生成处理结果130。在某些实施例中，处理结果130可以是标记了该交通罚单是否审核通过的结果。如果该交通罚单被审核通过，计算设备120可以收集与该交通罚单相关联的信息。

在某些实施例中，计算设备120可以包括服务器设备，例如，出行平台的服务器、导航平台的服务器或者其他维护有用户的历史行程的服务器设备。作为示例，计算设备120可以是出行平台的服务器，其可以维护在该出行平台提供出行服务的驾驶者的历史行程信息。或者，该出行平台可以提供交通工具共享服务，例如，共享汽车、共享电动车或共享单车等。相应地，该出行平台也可以维护使用交通工具共享服务的用户的历史行程信息。作为另一示例，计算设备120也可以是导航平台的服务器，其例如可以维护使用该导航平台进行行程导航的用户的历史行程信息。

在某些实施例中，计算设备120也可以是与目标用户相关联的终端设备。例如，装有出行应用的智能终端、装有导航应用的智能终端或具有导航能力的交通工具等。

在某些实施例中，计算设备120可以是提供出行服务的驾驶者的手机，其能够记录该驾驶者的历史行程信息。或者，计算设备120可以经由网络从相关联的服务器获取该驾驶者的历史行程信息，以确定交通违章位置。

在某些实施例中，计算设备120可以是具有导航能力的车辆，其例如可以记录用户利用车载导航的历史行程。例如，车载导航可以维护用户在过去两周所驾驶的历史行程。

为了更具体地描述本公开的发明构思，现参照图2进行更为详细的描述。图2示出了本公开的多个实施例能够在其中实现的更详细示例环境200的示意图。如图2所示，交通罚单图像210被输入至计算设备220。

计算设备220首先可以通过图像识别模型或者文本识别模型来对交通罚单图像210进行识别处理，以便确定该交通罚单的违章车辆的交通违章信息240。交通违章信息240可以包括与交通违章行为有关的信息。示例性地，如图2所示，交通违章信息240例如可以包括违章车辆的身份信息、违章时间、违章位置以及违章类型等。

在某些实施例中，交通违章信息240可以是基于交通违章处罚所确定的。例如，在获得用户许可的情况下，计算设备220可以获取与用户相关联的交通工具的身份信息(例如，车牌号、车辆识别号码VIN码等)，并利用该身份信息来获取相关联的交通违章处罚信息。

在某些实施例中，用户也可以主动地上报交通违章处罚信息。例如，用户可以通过拍摄纸质交通罚单图片、上传交通违章查询网站截图、上传交通违章处罚短信等方式来上报交通违章信息240。相应地，处罚信息处理设备(例如，计算设备220，或不同的计算设备)可以对用户上报的交通违章信息240进行处理，例如通过图像识别、文本识别等适当的方式来提取交通违章信息240。

进一步地，计算设备220可以基于识别确定的违章车辆的身份信息从数据库中获取对应于该身份信息的一组历史行车事件及其相应行车路径。应理解，计算设备220侧或者与其连接的云端可以维护一个数据库，用于存储多个用户的历史行车事件。当确定了违章车辆的身份信息之后，计算设备220可以直接找到该用户的历史行车事件250。

之后，计算设备220可以基于识别确定的违章时间从历史行车事件250中确定出目标行车事件260以及相应的行车路径270。如图2所示，行车路径270可以包括多个位置点，例如，位置点271以及279。作为示例，位置点271可以是行车路径270的起点，而位置点279可以是行车路径270的终点。

在某些实施例中，行车路径270中的各位置点可以是由与用户相关联的终端设备在目标行车事件260期间所周期性地上传的。作为示例，在网约车驾驶员为乘客提供从位置点271到位置点279的驾驶服务的过程中，驾驶员所使用的终端设备可以周期性地向服务器侧上传位置信息，以作为行车路径270中包括的多个位置点。

在某些实施例中，在目标行车事件260期间，与用户相关联的终端设备也可以周期性地记录位置信息，并随后将这些位置信息维护在终端设备本地或上传至服务器测，以作为行车路径270中包括的多个位置点。

在某些实施例中，诸如位置点271、279的多个位置点也可以是由其他设备周期性地采集的。例如，路侧设备可以周期性地检测车辆的位置，并将车辆的位置信息上传至服务器侧。

计算设备220可以将识别确定的违章位置与目标行车事件260中的多个位置点发送至判定单元280进行比对。如果存在一个位置点且其与违章位置的距离小于阈值距离，则说明该交通罚单是基于导航路径产生的，因此可以生成审核通过该交通罚单的处理结果230，并进行后续处理。

上文描述的技术方案仅用于示例，而非限制本发明。应理解，还可以按照其他方式和连接关系来布置计算设备220。为了更清楚地解释上述方案的原理，下文将参考图3来更详细描述图像处理的过程。

图3示出了根据本公开的实施例的图像处理的过程300的流程图。在某些实施例中，过程300可以在图1示出的计算设备120、图2示出的计算设备220中实现。现结合图3、参照图3描述根据本公开实施例的用于图形处理的过程300。为了便于理解，在下文描述中提及的具体数据均是示例性的，并不用于限定本公开的保护范围。

在302，计算设备220可以对与交通罚单相关联的图像(例如，交通罚单图像210)进行识别，以确定与交通罚单相关联的车辆的身份信息、违章时间和违章位置。备选地或附加地，计算设备220还可以通过识别交通罚单图像210来确定违章类型。作为示例，计算设备220可以通过图像识别、文本识别等适当的方式基于交通罚单图像210生成交通违章信息240。如图2所示，交通违章信息240中可以包含违章车辆的身份信息“京XXXXX”、违章时间“14:00，2020-12-01”、违章位置“XX东路”以及违章类型“违章停车”。

在某些实施例中，为了对交通罚单图像210进行识别，计算设备220可以通过向量化等处理方式确定交通罚单图像210的特征表示，并且将该特征表示应用于经过训练的图像识别模型，以确定车辆的身份信息、违章时间和违章位置。应理解，该图像识别模型是通过将参考特征表示作为输入、以及将对应的经标注的参考车辆身份信息、参考违章时间和参考违章位置作为输出来训练得到的。备选地或附加地，可以通过OCR等技术从该交通罚单图像210中提取车辆的身份信息、违章时间和违章位置。以此方式，可以快速准确地获取交通违章信息，为后续的审核判定操作做准备。

在304，计算设备220可以基于车辆的身份信息获取一组历史行车事件250和相应行车路径。作为示例，计算设备220可以利用交通违章信息240中所包括的车辆标识信息来确定历史行车事件250。以网约车出行应用作为示例，用户例如可以是出行平台的驾驶员，计算设备220可以获取在过去预定时间段内与车牌号为“京XXXXX”的车辆有关的出行服务的历史行程，也即该驾驶员在预定时间段内所服务的行车路径。

在306，如果该组历史行车事件250中与违章时间相关联的目标行车事件260的相应行车路径包含违章位置，则将交通罚单图像210标记为通过审核。作为示例，计算设备220可以基于交通违章信息240中所包括的违章时间从历史行车事件250中确定目标行车事件260。以网约车出行应用作为示例，计算设备220可以基于违章时间“14:00，2020-12-01”从历史行车事件250中查找到目标行车事件260，并且进一步审核目标行车事件260的相应行车路径270中是否包含违章位置“XX东路”。

应理解，在通过计算设备220内的判定单元280确定了行车路径270中包含违章位置“XX东路”之后，可以通过多种方式处理交通罚单图像210。在某些实施例中，计算设备220可以基于目标行车事件260的相应行车路径270确定车辆在目标行车事件260中的停车位置。如果该停车位置与违章位置“XX东路”的距离小于阈值距离，则获取车辆在目标行车事件260中的停车位置。作为示例，确定停车位置的具体方式可以是：如果车辆在相应行车路径270中的一个位置上处于静止的时间大于阈值时间，则将该位置确定为停车位置。

图4示出了根据本公开的实施例的判定停车位置的示意图400。作为示例，图4示出的是诸如“顺风车”的网约车出行应用的示例性的行车路径270，其包含多个周期性采集的位置点。应理解，“顺风车”是指包含了两个或更多个子行车事件的行车事件。如图4所示，提供网约车出行服务的车辆从位置点271开始行程并且在停车位置410处完成对第一名乘客的接驾。之后，该车辆在停车位置420处完成对第二名乘客的接驾，进而在停车位置430处完成对第三名乘客的接驾。最终，三名乘客均在停车位置440处下车，故该车辆在位置点279处完成“顺风车”的行车事件。

在某些实施例中，计算设备220可以从图4中的多个位置点中确定发生聚集的位置。作为示例，计算设备220可以基于图4中的多个位置点确定与行车路径270中相关联的至少一个停车位置，例如，停车位置410-停车位置440中的一个停车位置。以图4为例，计算设备220可以检测每个位置点的预定周边范围(例如，500米)内所包括的位置点的数目，并将该范围内包括的位置点的数目达到阈值数目(例如，4个位置点)的位置确定为停车位置。

在某些实施例中，计算设备220可以将所确定的停车位置直接确定为停车位置410-停车位置440中的一个停车位置。备选地，计算设备220也可以将停车位置410-停车位置440中的一个停车位置的预定周边范围内所包括的全部位置的中心位置确定作为停车位置。因此，计算设备220可以确定可能发生了停车行为的停车位置420和停车位置430。此外，还可以将行车路径270的起始和结束位置确定为停车位置410和停车位置440。

此外，以图4为例，对于停车位置420和停车位置430，计算设备220可以确定与每个停车位置所对应的时间窗，也即该停车位置所对应的预定范围内的位置点所对应的采样时间点。

例如，停车位置420的范围内包括5个位置，其中时间最早的位置点的采样时间为“2020年12月1日下午1点58分”，时间最晚的位置点的采样时间为“2020年12月1日下午2点3”。停车位置430范围内包括4位置，其中时间最早的位置点的采样时间为“2020年12月1日下午2点8分”，时间最晚的位置点的采样时间为“2020年12月1日下午2点12分”。

相应地，计算设备220可以根据交通违章信息240中的违章时间“14:00，2020-12-01”来从停车位置410-停车位置440中确定一个对应的停车位置。例如，图4中的停车位置420。

在某些实施例中，在该行车事件中，由于车辆的位置点被周期性采集，故位置点具有密集或重合特征且持续时间超过阈值时间的区域可以被计算设备220确定为停车位置。进而，计算设备220可以从如图4所示的停车位置410-停车位置440中确定与违章位置“XX东路”的距离小于阈值距离的停车位置。

在后续的图像处理操作中，计算设备220可以将经上述过程确定的停车位置处理为训练数据。通过收集此类训练数据，可以继续训练用于生成车辆行车路径的导航模型。以此方式，可以为导航模型的训练收集负样本数据，从而优化导航模型的训练过程，提升导航性能。

在后续的图像处理操作中，计算设备220还可以生成针对交通罚单图像210的反馈信息，以反馈对应于该交通罚单的用户请求。作为示例，网约车出行应用为了收集训练数据，可以对上传了通过审核的交通罚单图像210的用户进行奖励，此外，还可以针对由此产生的交通罚单对用户进行补偿。由于用户可以及时、准确地得到反馈信息，故上述过程提升了用户体验，也增加了用户上报违章地点的积极性。

此外，在某些实施例中，为了进一步验证上述审核过程的准确性，计算设备220还可以通过识别交通罚单图像210确定与该交通罚单相关联的违章类型，例如，违章类型“违章停车”。计算设备220可以基于与交通罚单相关联的违章现场图像验证违章类型。如果该违章现场图像与违章类型不匹配，则确定交通罚单图像210被误识别。应理解，违章现场图像可以是用户拍照并上传的现场图像，也可以是从交通违章查询网站获取的现场图像等。作为示例，当违章现场图像被识别为“压线违规”时，由于其与违章类型“违章停车”不匹配，故说明用户上传的交通罚单图像210被误识别，或者说明交通罚单图像210在上传前被修改。此时，用户上传的交通罚单图像210将不会通过审核。以此方式，可以进一步验证审核结果，避免出现误审。

通过上述各实施例，本公开的图像处理方案可以自动确定用户上传的交通罚单图像是否是在基于导航信息的驾驶操作过程中产生的，进而可以准确且及时地审核用户上传的交通罚单图像。与传统的交通罚单审核机制相比，本公开实现了自动化审核过程，从而避免了人工审核的高成本、高时延，且降低了漏审、误审的可能性，显著提升了用户体验。此外，通过审核用户上传的交通罚单图像，还可以收集对应于相应违章类型的多个违章地址，这些违章地址可以作为导航模型训练的负样例，从而丰富了模型训练的数据集，显著提升了导航模型的性能。

图5示出了根据本公开的实施例的图像处理装置500的框图。如图5所示，图像处理装置500可以包括：图像识别模块502，被配置为对与交通罚单相关联的图像进行识别，以确定与所述交通罚单相关联的车辆的身份信息、违章时间和违章位置；行车事件获取模块504，被配置为基于所述车辆的所述身份信息获取一组历史行车事件和相应行车路径；以及图像标记模块506，被配置为响应于所述一组历史行车事件中与所述违章时间相关联的目标行车事件的相应行车路径包含所述违章位置，将所述图像标记为通过审核。

在某些实施例中，图像处理装置500还可以包括处理模块，处理模块可以包括：停车位置确定模块，被配置为基于所述目标行车事件的相应行车路径确定所述车辆在所述目标行车事件中的停车位置；以及违章位置获取模块，被配置为响应于所述停车位置与所述违章位置的距离小于阈值距离，获取所述车辆在所述目标行车事件中的所述停车位置。

在某些实施例中，停车位置确定模块可以被配置为：如果所述车辆在相应行车路径中的一个位置上处于静止的时间大于阈值时间，将所述一个位置确定为所述停车位置。

在某些实施例中，图像识别模块502可以包括：特征表示确定模块，被配置为确定所述图像的特征表示；以及特征表示应用模块，被配置为将所述特征表示应用于图像识别模型，以确定所述车辆身份信息、所述违章时间和所述违章位置，所述图像识别模型是通过将参考特征表示作为输入、以及将对应的经标注的参考车辆身份信息、参考违章时间和参考违章位置作为输出来训练得到的。

在某些实施例中，处理模块可以包括：违章位置处理模块，被配置为将经确定的所述违章位置处理为训练数据；以及导航模型训练模块，被配置为至少基于所述训练数据训练用于生成车辆行车路径的导航模型。

在某些实施例中，图像处理装置500还可以包括处理模块，处理模块可以包括：反馈信息生成模块，被配置为针对所述图像生成反馈信息，以反馈对应于所述交通罚单的用户请求。

在某些实施例中，图像处理装置500还包括：违章类型确定模块，被配置为通过识别所述图像，确定与所述交通罚单相关联的违章类型；违章类型验证模块，被配置为基于与所述交通罚单相关联的违章现场图像验证所述违章类型；以及判定模块，被配置为如果所述违章现场图像与所述违章类型不匹配，确定所述图像被误识别。

图6示出了能够实施本公开的多个实施例的计算设备600的框图。设备600可以用于实现图1的计算设备120和图2的计算设备220。如图所示，设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序指令，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理单元601执行上文所描述的各个方法和处理，例如过程300。例如，在一些实施例中，过程300可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由CPU 601执行时，可以执行上文描述的过程300的一个或多个步骤。备选地，在其他实施例中，CPU 601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行过程300。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (11)

1.一种图像处理方法，包括：

对与交通罚单相关联的图像进行识别，以确定与所述交通罚单相关联的车辆的身份信息、违章时间和违章位置；

基于所述车辆的所述身份信息获取一组历史行车事件和相应行车路径；以及

如果所述一组历史行车事件中与所述违章时间相关联的目标行车事件的相应行车路径包含所述违章位置，将所述图像标记为通过审核。

2.根据权利要求1所述的方法，还包括处理所述图像，其中处理所述图像包括：

基于所述目标行车事件的相应行车路径确定所述车辆在所述目标行车事件中的停车位置；以及

如果所述停车位置与所述违章位置的距离小于阈值距离，获取所述车辆在所述目标行车事件中的所述停车位置。

3.根据权利要求2所述的方法，其中基于所述目标行车事件的相应行车路径确定所述停车位置包括：

如果所述车辆在相应行车路径中的一个位置上处于静止的时间大于阈值时间，将所述一个位置确定为所述停车位置。

4.根据权利要求1所述的方法，其中对所述图像进行识别包括：

确定所述图像的特征表示；以及

将所述特征表示应用于图像识别模型，以确定所述车辆身份信息、所述违章时间和所述违章位置，所述图像识别模型是通过将参考特征表示作为输入、以及将对应的经标注的参考车辆身份信息、参考违章时间和参考违章位置作为输出来训练得到的。

5.根据权利要求2所述的方法，其中处理所述图像包括：

将经确定的所述停车位置处理为训练数据；以及

至少基于所述训练数据训练用于生成车辆行车路径的导航模型。

6.根据权利要求1所述的方法，还包括处理所述图像，其中处理所述图像包括：

针对所述图像生成反馈信息，以反馈对应于所述交通罚单的用户请求。

7.根据权利要求1所述的方法，还包括：

通过识别所述图像，确定与所述交通罚单相关联的违章类型；

基于与所述交通罚单相关联的违章现场图像验证所述违章类型；以及

如果所述违章现场图像与所述违章类型不匹配，确定所述图像被误识别。

8.一种图像处理装置，包括：

图像识别模块，被配置为对与交通罚单相关联的图像进行识别，以确定与所述交通罚单相关联的车辆的身份信息、违章时间和违章位置；

行车事件获取模块，被配置为基于所述车辆的所述身份信息获取一组历史行车事件和相应行车路径；以及

图像标记模块，被配置为响应于所述一组历史行车事件中与所述违章时间相关联的目标行车事件的相应行车路径包含所述违章位置，将所述图像标记为通过审核。

9.一种电子设备，包括：

存储器和处理器；

其中所述存储器用于存储一条或多条计算机指令，其中所述一条或多条计算机指令被所述处理器执行以实现根据权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有一条或多条计算机指令，其中所述一条或多条计算机指令被处理器执行以实现根据权利要求1至7中任一项所述的方法。

11.一种计算机程序产品，包括计算机可执行指令，其中所述计算机可执行指令在被处理器执行时实现根据权利要求1至7中任一项所述的方法。

Images