CN112712703A - 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
- CN112712703A CN112712703A CN202011426922.0A CN202011426922A CN112712703A CN 112712703 A CN112712703 A CN 112712703A CN 202011426922 A CN202011426922 A CN 202011426922A CN 112712703 A CN112712703 A CN 112712703A
- Authority
- CN
- China
- Prior art keywords
- frame
- target vehicle
- position information
- video image
- vehicle
- 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
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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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的位置信息;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;根据各帧视频图像中目标车辆的位置信息,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变道的检测结果。实现了从多帧视频图像中检测目标车辆和各车道线,并根据目标车辆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变道,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的位置信息;
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;
根据各帧所述视频图像中所述目标车辆的位置信息,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变道的检测结果。
在其中一个实施例中,所述目标车辆采用目标车辆检测框表示,且所述目标车辆检测框上设有参考点;所述根据各帧所述视频图像中所述目标车辆的位置信息,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变道的检测结果,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;
根据所述目标车辆检测框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车辆检测框与各所述车道线段是否存在交点;
若存在所述交点,根据各所述交点的位置信息,以及各所述交点所在的视频图像中所述参考点的位置信息,生成所述目标车辆是否违法变道的检测结果。
在其中一个实施例中,所述根据各所述交点的位置信息,以及各所述交点所在的视频图像中所述参考点的位置信息,生成所述目标车辆是否违法变道的检测结果,包括:
根据各所述交点的位置信息,以及各所述交点所在的视频图像中所述参考点的位置信息,在相邻两帧视频图像中分别确定所述交点与所述参考点的相对位置;
根据所述相邻两帧视频图像中所述交点与所述参考点的相对位置,生成所述目标车辆是否违法变道的检测结果。
在其中一个实施例中,所述相邻两帧视频图像分别为第N帧视频图像和第 N+1帧视频图像;所述根据所述相邻两帧视频图像中所述交点与所述参考点的相对位置,生成所述目标车辆是否违法变道的检测结果,包括:
若第N帧视频图像中所述交点与所述参考点的相对位置与第N+1帧视频图像中所述交点与所述参考点的相对位置不同,则生成所述目标车辆违法变道的检测结果,其中,N为正整数。
在其中一个实施例中,所述目标车辆检测框包括车头边框线段;在所述根据所述目标车辆检测框的位置信息以及各所述车道线段的位置信息,判断所述目标车辆检测框与各所述车道线段在各帧所述视频图像中是否存在交点之前,所述方法还包括:
按照预设比例对所述车头边框线的两端进行裁剪,得到目标边框线段;
所述根据所述目标车辆检测框的位置信息以及各所述车道线段的位置信息,判断所述目标车辆检测框与各所述车道线段在各帧所述视频图像中是否存在交点,包括:
根据所述目标边框线段的位置信息以及各所述车道线段的位置信息,判断所述目标边框线段与各所述车道线段在各帧所述视频图像中是否存在交点。
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的位置信息;
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,用于根据各帧所述视频图像中所述目标车辆的位置信息,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变道的检测结果。
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的位置信息;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;根据各帧视频图像中目标车辆的位置信息,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变道的检测结果。实现了从多帧视频图像中检测目标车辆和各车道线,并根据目标车辆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变道,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为一个实施例中步骤S240的流程示意图;
图4为另一个实施例中步骤S330的流程示意图;
图5a为一个实施例中车辆视频的处理方法的流程示意图;
图5b为一个实施例中车辆视频的处理方法的流程示意图;
图5c至5h为一个实施例中目标车辆违法变道的效果示意图。
图6为一个实施例中步骤S220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的位置信息;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;根据各帧视频图像中目标车辆的位置信息,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变道的检测结果。
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、分割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的位置信息。
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。
步骤230,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)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、背景类中的某一类别。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,得到各帧视频图像中各车道线的位置信息。
步骤240,根据各帧视频图像中目标车辆的位置信息,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变道的检测结果。
具体地,在判断目标车辆是否违法变道时,需要结合目标车辆的位置信息和车道线的位置信息。若目标车辆与车道线之间的相对位置没有变化,比如连续多帧视频图像中的目标车辆均在某车道线的同一侧,则可以生成目标车辆没有违法变道的检测结果。若目标车辆与车道线之间的相对位置发生变化,比如连续多帧视频图像中的目标车辆在某车道线的不同侧,且该车道线指示不允许变道,则可以生成目标车辆违法变道的检测结果。
上述车辆视频的处理方法中,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的位置信息;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;根据各帧视频图像中目标车辆的位置信息,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变道的检测结果。实现了从多帧视频图像中检测目标车辆和各车道线,并根据目标车辆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变道,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,目标车辆采用目标车辆检测框表示,且目标车辆检测框上设有参考点。如图3所示,在步骤240中,根据各帧视频图像中目标车辆的位置信息,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变道的检测结果,包括:
S310、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,各车道线可以是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各车道线段的位置信息。
S320、根据目标车辆检测框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车辆检测框与各车道线段是否存在交点。
其中,对各视频图像进行目标车辆的检测,可以从视频图像中用矩形框将目标车辆框出来。则目标车辆可以采用目标车辆检测框表示,且目标车辆检测框上设有参考点。当目标车辆违法变道时,车辆视频中必然存在目标车辆与车道线段相重合的视频图像,则用于表示目标车辆的目标车辆检测框必然会与车道线段相交。
具体地,通过对各帧视频图像进行目标车辆的检测,可以得到目标车辆检测框的位置信息。通过直线拟合可以得到各帧视频图像中车道线段的位置信息。针对任一帧视频图像,可以利用目标车辆检测框的位置信息与各车道线段的位置信息,判断目标车辆检测框是否与各车道线段是否相交。需要说明的是,本实施例中,针对任一帧视频图像,该帧视频图像可能显示有多条车道线段,则可以判断目标车辆检测框与多条车道线段中的任一车道线段是否存在交点。进一步地,若目标车辆检测框与多条车道线段中的任一车道线段存在交点,且该交点位于目标车辆检测框线上或者车道线段上,并不是位于线段的延长线上,则生成目标车辆违法变道的检测结果。
S330、若存在交点,根据各交点的位置信息,以及各交点所在的视频图像中参考点的位置信息,生成目标车辆是否违法变道的检测结果。
其中,一方面,从各帧视频图像中检测到的目标车辆的位置信息以及车道线的位置信息可能存在误差;因此,不能通过单帧视频图像中目标车辆检测框与车道线段的位置关系判断目标车辆是否违法,需要结合多帧视频图像反映目标车辆的行驶轨迹。另一方面,目标车辆在道路上行驶时,并不能保证目标车辆与车道线是平行的;因此,不能仅仅通过目标车辆检测框与车道线段之间有无交点判断目标车辆是否违法,需要进一步地利用目标车辆检测框与车道线段的相对位置关系,因此,则目标车辆检测框上设有参考点。具体地,在判断出目标车辆检测框与车道线段存在交点时,为了提升准确率,进一步地根据交点的位置信息与该交点所在的视频图像中参考点的位置信息,确定目标车辆检测框与车道线段的相对位置关系,从而更加准确判断出目标车辆是否违法变道。
本实施例中,针对任一帧视频图像,通过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;根据目标车辆检测框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车辆检测框与各车道线段是否存在交点;若存在交点,根据各交点的位置信息,以及各交点所在的视频图像中参考点的位置信息,生成目标车辆是否违法变道的检测结果,能够进一步地提升准确率,确保对目标车辆是否违法变道的正确且公正判断。
在一个实施例中,如图4所示,在步骤S330中,根据各交点的位置信息,以及各交点所在的视频图像中参考点的位置信息,生成目标车辆是否违法变道的检测结果,包括:
S410、根据各交点的位置信息,以及各交点所在的视频图像中参考点的位置信息,在相邻两帧视频图像中分别确定交点与参考点的相对位置。
S420、根据相邻两帧视频图像中交点与参考点的相对位置,生成目标车辆是否违法变道的检测结果。
其中,如前文,不能通过单帧视频图像中目标车辆检测框与车道线段的位置关系判断目标车辆是否违法,需要结合多帧视频图像反映目标车辆的行驶轨迹。具体地,从多帧视频图像中选择相邻两帧视频图像,且相邻两帧视频图像分别为第N帧视频图像和第N+1帧视频图像(N为正整数)。针对第N帧视频图像,根据该帧视频图像中交点的位置信息以及参考点的位置信息,确定第N帧视频图像中交点与参考点的相对位置。针对第N+1帧视频图像,根据该帧视频图像中交点的位置信息以及参考点的位置信息,确定第N+1帧视频图像中交点与参考点的相对位置。从而根据第N帧视频图像中交点与参考点的相对位置,以及第N+1帧视频图像中交点与参考点的相对位置,判断在第N帧视频图像和第N+1帧视频图像中目标车辆是否位于车道线的同一侧,进一步地判断目标车辆是否违法变道,生成目标车辆是否违法变道的检测结果。若在第N帧视频图像和第N+1帧视频图像中目标车辆位于车道线的不同侧,则生成目标车辆违法变道的检测结果。
在一个实施例中,根据相邻两帧视频图像中交点与参考点的相对位置,生成目标车辆是否违法变道的检测结果,包括:若第N帧视频图像中交点与参考点的相对位置与第N+1帧视频图像中交点与参考点的相对位置不同,则生成目标车辆违法变道的检测结果,其中,N为正整数。
具体地,第N帧视频图像中交点与参考点的相对位置为交点在参考点左侧,而第N+1帧视频图像中交点与参考点的相对位置为交点在参考点右侧,说明在第N帧视频图像和第N+1帧视频图像中,目标车辆位于车道线不同侧,生成目标车辆违法变道的检测结果。同样的,第N帧视频图像中交点与参考点的相对位置为交点在参考点右侧,而第N+1帧视频图像中交点与参考点的相对位置为交点在参考点左侧,说明在第N帧视频图像和第N+1帧视频图像中,目标车辆位于车道线不同侧,生成目标车辆违法变道的检测结果。
本实施例中,通过根据各交点的位置信息,以及各交点所在的视频图像中参考点的位置信息,在相邻两帧视频图像中分别确定交点与参考点的相对位置,从而根据相邻两帧视频图像中交点与参考点的相对位置,生成目标车辆是否违法变道的检测结果,可以有效避免误判,提升车辆违法变道审核的准确率。
在一个实施例中,目标车辆检测框包括车头边框线段。如图5a所示,在根据目标车辆检测框的位置信息以及各车道线段的位置信息,判断目标车辆检测框与各车道线段在各帧视频图像中是否存在交点之前,该方法还包括:
S510、按照预设比例对车头边框线的两端进行裁剪,得到目标边框线段。
根据目标车辆检测框的位置信息以及各车道线段的位置信息,判断目标车辆检测框与各车道线段在各帧视频图像中是否存在交点,包括:
S520、根据目标边框线段的位置信息以及各车道线段的位置信息,判断目标边框线段与各车道线段在各帧视频图像中是否存在交点。
具体地,车头边框线段以视频图像中目标车辆检测框的下边框为例进行说明,且参考点选择下边框的中点。如图5b所示,首先,对第i*n帧图像Xi*n中的目标车辆检测框的下边框线段的两端各裁剪1/16,获得目标边框线段将线段中点记为然后,判断目标边框线段是否与线段集合中的某条线段相交。
如果存在相交的车道线段,则继续以下步骤:假设此相交的车道线段为交点为然后令j=i+1,继续取第j*n帧图像,并且对目标车辆检测框的下边框线段的两端各裁剪1/16获得目标边框线段将线段中点记为然后判断目标边框线段是否与线段集合中的某条线段相交。
假设存在相交的车道线段,且交点为继续以下步骤:判断点和点的相对位置关系以及点与点的相对位置关系,如果点在点的左侧,同时点在点的右侧,或者点在点的右侧,同时点在点的左侧,则第i*n帧与第j*n帧之间目标车辆发生了违法变道,进一步的可以提取此两帧作为一次违法变道的证据链。接着,令i=j+1再重新开始对剩下的帧视频图像执行以上步骤以抓取违法变道的证据。
假设不存在相交的道路线段,则继续以下步骤:令j=i+2,再继续选取第j*n 帧图像,执行相同的操作判断是否违法变道,如果没有判断出,则令j=i+3,再进行判断,以此类推,一直到j=i+5,如果再没有判断出,然后令i=i+1再重新开始对剩下的帧视频图像执行以上步骤以抓取违法变道的证据。如果不存在相交的道路线段,则进行以下步骤:令i=i+1再重新开始对剩下的帧视频图像执行以上步骤以抓取违法变道的证据。如图5c至5h所示,判断目标车辆违法变道的所抓取的证据图片。
在一个实施例中,如图6所示,在步骤S220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目标检测模型进行车辆检测得到若干张机动车图像。
示例性地,目标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,如前文所述,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(Convolutional 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,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。
其中,目标车辆采用目标车辆检测框表示,且目标车辆检测框上设有参考点;目标车辆检测框包括车头边框线段。
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、按照预设比例对车头边框线的两端进行裁剪,得到目标边框线段。
S822、根据目标边框线段的位置信息以及各车道线段的位置信息,判断目标边框线段与各车道线段在各帧视频图像中是否存在交点。
S824、若存在交点,根据各交点的位置信息,以及各交点所在的视频图像中参考点的位置信息,生成目标车辆是否违法变道的检测结果。
其中,相邻两帧视频图像分别为第N帧视频图像和第N+1帧视频图像;若第N帧视频图像中交点与参考点的相对位置与第N+1帧视频图像中交点与参考点的相对位置不同,则生成目标车辆违法变道的检测结果,其中,N为正整数。
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、车道线分割模块930和检测结果生成模块940,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的位置信息;
车道线分割模块930,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940,用于根据各帧所述视频图像中所述目标车辆的位置信息,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变道的检测结果。
在一个实施例中,所述目标车辆采用目标车辆检测框表示,且所述目标车辆检测框上设有参考点;检测结果生成模块940,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;根据所述目标车辆检测框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车辆检测框与各所述车道线段是否存在交点;若存在所述交点,根据各所述交点的位置信息,以及各所述交点所在的视频图像中所述参考点的位置信息,生成所述目标车辆是否违法变道的检测结果。
在一个实施例中,检测结果生成模块940,还用于根据各所述交点的位置信息,以及各所述交点所在的视频图像中所述参考点的位置信息,在相邻两帧视频图像中分别确定所述交点与所述参考点的相对位置;根据所述相邻两帧视频图像中所述交点与所述参考点的相对位置,生成所述目标车辆是否违法变道的检测结果。
在一个实施例中,所述相邻两帧视频图像分别为第N帧视频图像和第N+1 帧视频图像;检测结果生成模块940,还用于若第N帧视频图像中所述交点与所述参考点的相对位置与第N+1帧视频图像中所述交点与所述参考点的相对位置不同,则生成所述目标车辆违法变道的检测结果,其中,N为正整数。
在一个实施例中,所述目标车辆检测框包括车头边框线段;该装置还包括裁剪模块,裁剪模块,用于按照预设比例对所述车头边框线的两端进行裁剪,得到目标边框线段。
检测结果生成模块940,还用于根据所述目标边框线段的位置信息以及各所述车道线段的位置信息,判断所述目标边框线段与各所述车道线段在各帧所述视频图像中是否存在交点。
在一个实施例中,第二获取模块920,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,第二获取模块920,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的位置信息;
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;
根据各帧所述视频图像中所述目标车辆的位置信息,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变道的检测结果。
2.根据权利要求1所述的方法,其特征在于,所述目标车辆采用目标车辆检测框表示,且所述目标车辆检测框上设有参考点;所述根据各帧所述视频图像中所述目标车辆的位置信息,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变道的检测结果,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;
根据所述目标车辆检测框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车辆检测框与各所述车道线段是否存在交点;
若存在所述交点,根据各所述交点的位置信息,以及各所述交点所在的视频图像中所述参考点的位置信息,生成所述目标车辆是否违法变道的检测结果。
3.根据权利要求2所述的方法,其特征在于,所述根据各所述交点的位置信息,以及各所述交点所在的视频图像中所述参考点的位置信息,生成所述目标车辆是否违法变道的检测结果,包括:
根据各所述交点的位置信息,以及各所述交点所在的视频图像中所述参考点的位置信息,在相邻两帧视频图像中分别确定所述交点与所述参考点的相对位置;
根据所述相邻两帧视频图像中所述交点与所述参考点的相对位置,生成所述目标车辆是否违法变道的检测结果。
4.根据权利要求3所述的方法,其特征在于,所述相邻两帧视频图像分别为第N帧视频图像和第N+1帧视频图像;所述根据所述相邻两帧视频图像中所述交点与所述参考点的相对位置,生成所述目标车辆是否违法变道的检测结果,包括:
若第N帧视频图像中所述交点与所述参考点的相对位置与第N+1帧视频图像中所述交点与所述参考点的相对位置不同,则生成所述目标车辆违法变道的检测结果,其中,N为正整数。
5.根据权利要求2至4任一项所述的方法,其特征在于,所述目标车辆检测框包括车头边框线段;在所述根据所述目标车辆检测框的位置信息以及各所述车道线段的位置信息,判断所述目标车辆检测框与各所述车道线段在各帧所述视频图像中是否存在交点之前,所述方法还包括:
按照预设比例对所述车头边框线的两端进行裁剪,得到目标边框线段;
所述根据所述目标车辆检测框的位置信息以及各所述车道线段的位置信息,判断所述目标车辆检测框与各所述车道线段在各帧所述视频图像中是否存在交点,包括:
根据所述目标边框线段的位置信息以及各所述车道线段的位置信息,判断所述目标边框线段与各所述车道线段在各帧所述视频图像中是否存在交点。
6.根据权利要求1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的位置信息;
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,用于根据各帧所述视频图像中所述目标车辆的位置信息,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变道的检测结果。
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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011426922.0A CN112712703A (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 |
---|---|---|---|
CN202011426922.0A CN112712703A (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 |
---|---|
CN112712703A true CN112712703A (zh) | 2021-04-27 |
Family
ID=75542743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011426922.0A Pending CN112712703A (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) | CN112712703A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569666A (zh) * | 2021-07-09 | 2021-10-29 | 东风汽车集团股份有限公司 | 车辆连续违法变道的检测方法及计算机设备 |
CN113674329A (zh) * | 2021-08-13 | 2021-11-19 | 上海同温层智能科技有限公司 | 车辆驾驶行为检测方法和系统 |
CN113688662A (zh) * | 2021-07-05 | 2021-11-23 | 浙江大华技术股份有限公司 | 机动车过车警示方法、装置、电子装置和计算机设备 |
CN113887418A (zh) * | 2021-09-30 | 2022-01-04 | 北京百度网讯科技有限公司 | 车辆违规行驶的检测方法、装置、电子设备及存储介质 |
CN114898325A (zh) * | 2022-07-12 | 2022-08-12 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种车辆危险变道检测方法、装置及电子设备 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004070795A (ja) * | 2002-08-08 | 2004-03-04 | Nissan Motor Co Ltd | 情報提供装置、情報提供制御プログラム |
US20110115912A1 (en) * | 2007-08-31 | 2011-05-19 | Valeo Schalter Und Sensoren Gmbh | Method and system for online calibration of a video system |
US20120059689A1 (en) * | 2010-09-06 | 2012-03-08 | Industrial Technology Research Institute | Multi-lane free flow electronic toll collection system and on board unit thereof |
CN103186986A (zh) * | 2011-12-31 | 2013-07-03 | 高德软件有限公司 | 一种用于终端上显示路况的方法、装置及设备 |
CN105225478A (zh) * | 2015-08-13 | 2016-01-06 | 中国科学院自动化研究所 | 智能车辆行为记录及评价方法 |
CN107563310A (zh) * | 2017-08-16 | 2018-01-09 | 电子科技大学 | 一种违章变道检测方法 |
CN107705577A (zh) * | 2017-10-27 | 2018-02-16 | 中国科学院声学研究所 | 一种基于车道线标定车辆违章变道的实时检测方法及系统 |
CN110136447A (zh) * | 2019-05-23 | 2019-08-16 | 杭州诚道科技股份有限公司 | 行车变道检测及违法变道识别的方法 |
CN110659539A (zh) * | 2018-06-28 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种信息处理方法及其装置 |
CN110706261A (zh) * | 2019-10-22 | 2020-01-17 | 上海眼控科技股份有限公司 | 车辆违章检测方法、装置、计算机设备和存储介质 |
CN111161543A (zh) * | 2019-11-14 | 2020-05-15 | 南京行者易智能交通科技有限公司 | 一种基于图像识别的公交前车违章行为自动抓拍方法及系统 |
CN111178224A (zh) * | 2019-12-25 | 2020-05-19 | 浙江大华技术股份有限公司 | 物体规则判断方法、装置、计算机设备和存储介质 |
US20200160070A1 (en) * | 2018-11-21 | 2020-05-21 | Ford Global Technologies, Llc | Road Surface Characterization Using Pose Observations Of Adjacent Vehicles |
CN111666853A (zh) * | 2020-05-28 | 2020-09-15 | 平安科技(深圳)有限公司 | 实时车辆违章检测方法、装置、设备及存储介质 |
CN111783536A (zh) * | 2020-05-29 | 2020-10-16 | 北京百度网讯科技有限公司 | 变道合理性评估方法、装置、设备以及存储介质 |
CN111814765A (zh) * | 2020-08-31 | 2020-10-23 | 蔻斯科技(上海)有限公司 | 车辆压线的确定方法、装置、设备和存储介质 |
CN111882861A (zh) * | 2020-06-06 | 2020-11-03 | 浙江工业大学 | 一种基于边云融合的在线交通事件感知系统 |
-
2020
- 2020-12-09 CN CN202011426922.0A patent/CN112712703A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004070795A (ja) * | 2002-08-08 | 2004-03-04 | Nissan Motor Co Ltd | 情報提供装置、情報提供制御プログラム |
US20110115912A1 (en) * | 2007-08-31 | 2011-05-19 | Valeo Schalter Und Sensoren Gmbh | Method and system for online calibration of a video system |
US20120059689A1 (en) * | 2010-09-06 | 2012-03-08 | Industrial Technology Research Institute | Multi-lane free flow electronic toll collection system and on board unit thereof |
CN103186986A (zh) * | 2011-12-31 | 2013-07-03 | 高德软件有限公司 | 一种用于终端上显示路况的方法、装置及设备 |
CN105225478A (zh) * | 2015-08-13 | 2016-01-06 | 中国科学院自动化研究所 | 智能车辆行为记录及评价方法 |
CN107563310A (zh) * | 2017-08-16 | 2018-01-09 | 电子科技大学 | 一种违章变道检测方法 |
CN107705577A (zh) * | 2017-10-27 | 2018-02-16 | 中国科学院声学研究所 | 一种基于车道线标定车辆违章变道的实时检测方法及系统 |
CN110659539A (zh) * | 2018-06-28 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种信息处理方法及其装置 |
US20200160070A1 (en) * | 2018-11-21 | 2020-05-21 | Ford Global Technologies, Llc | Road Surface Characterization Using Pose Observations Of Adjacent Vehicles |
CN110136447A (zh) * | 2019-05-23 | 2019-08-16 | 杭州诚道科技股份有限公司 | 行车变道检测及违法变道识别的方法 |
CN110706261A (zh) * | 2019-10-22 | 2020-01-17 | 上海眼控科技股份有限公司 | 车辆违章检测方法、装置、计算机设备和存储介质 |
CN111161543A (zh) * | 2019-11-14 | 2020-05-15 | 南京行者易智能交通科技有限公司 | 一种基于图像识别的公交前车违章行为自动抓拍方法及系统 |
CN111178224A (zh) * | 2019-12-25 | 2020-05-19 | 浙江大华技术股份有限公司 | 物体规则判断方法、装置、计算机设备和存储介质 |
CN111666853A (zh) * | 2020-05-28 | 2020-09-15 | 平安科技(深圳)有限公司 | 实时车辆违章检测方法、装置、设备及存储介质 |
CN111783536A (zh) * | 2020-05-29 | 2020-10-16 | 北京百度网讯科技有限公司 | 变道合理性评估方法、装置、设备以及存储介质 |
CN111882861A (zh) * | 2020-06-06 | 2020-11-03 | 浙江工业大学 | 一种基于边云融合的在线交通事件感知系统 |
CN111814765A (zh) * | 2020-08-31 | 2020-10-23 | 蔻斯科技(上海)有限公司 | 车辆压线的确定方法、装置、设备和存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688662A (zh) * | 2021-07-05 | 2021-11-23 | 浙江大华技术股份有限公司 | 机动车过车警示方法、装置、电子装置和计算机设备 |
CN113569666A (zh) * | 2021-07-09 | 2021-10-29 | 东风汽车集团股份有限公司 | 车辆连续违法变道的检测方法及计算机设备 |
CN113569666B (zh) * | 2021-07-09 | 2023-12-15 | 东风汽车集团股份有限公司 | 车辆连续违法变道的检测方法及计算机设备 |
CN113674329A (zh) * | 2021-08-13 | 2021-11-19 | 上海同温层智能科技有限公司 | 车辆驾驶行为检测方法和系统 |
CN113887418A (zh) * | 2021-09-30 | 2022-01-04 | 北京百度网讯科技有限公司 | 车辆违规行驶的检测方法、装置、电子设备及存储介质 |
CN114898325A (zh) * | 2022-07-12 | 2022-08-12 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种车辆危险变道检测方法、装置及电子设备 |
CN114898325B (zh) * | 2022-07-12 | 2022-11-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种车辆危险变道检测方法、装置及电子设备 |
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 | |
CN112712703A (zh) | 车辆视频的处理方法、装置、计算机设备和存储介质 | |
CN110852285B (zh) | 对象检测方法、装置、计算机设备和存储介质 | |
CN110459064B (zh) | 车辆违法行为检测方法、装置、计算机设备 | |
CN111626123B (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
CN112580457A (zh) | 车辆视频的处理方法、装置、计算机设备和存储介质 | |
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 | |
CN109740420A (zh) | 车辆违法识别方法及相关产品 | |
CN110826484A (zh) | 车辆重识别的方法、装置、计算机设备及模型训练方法 | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
CN112885130B (zh) | 呈现道路信息的方法和装置 | |
CN111753592B (zh) | 交通标志识别方法、装置、计算机设备和存储介质 | |
CN112507860A (zh) | 一种视频标注方法、装置、设备及存储介质 | |
CN111898538A (zh) | 证件鉴伪方法、装置、电子设备及存储介质 | |
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 | |
CN111091041A (zh) | 一种车辆违法判别方法、装置、计算机设备和存储介质 | |
CN109684986A (zh) | 一种基于车辆检测跟踪的车辆分析方法及系统 | |
CN115953744A (zh) | 一种基于深度学习的车辆识别追踪方法 | |
CN110765952A (zh) | 车辆违法视频的处理方法、装置及计算机设备 | |
CN111368728A (zh) | 安全监测方法、装置、计算机设备和存储介质 | |
CN112990009B (zh) | 基于端到端的车道线检测方法、装置、设备及存储介质 | |
CN112836682B (zh) | 视频中对象的识别方法、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 | |
Shang et al. | A real-time lane departure warning system based on FPGA |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20230228 |
|
AD01 | Patent right deemed abandoned |