CN112733598A - 车辆违法判别方法、装置、计算机设备和存储介质 - Google Patents

车辆违法判别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112733598A
CN112733598A CN202011405265.1A CN202011405265A CN112733598A CN 112733598 A CN112733598 A CN 112733598A CN 202011405265 A CN202011405265 A CN 202011405265A CN 112733598 A CN112733598 A CN 112733598A
Authority
CN
China
Prior art keywords
vehicle
target
target vehicle
tracking
monitored
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
Application number
CN202011405265.1A
Other languages
English (en)
Inventor
朱月萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN202011405265.1A priority Critical patent/CN112733598A/zh
Publication of CN112733598A publication Critical patent/CN112733598A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06V20/60—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

Abstract

本申请涉及一种车辆违法判别方法、装置、计算机设备和存储介质。方法包括：获取初始监控图像；对初始监控图像进行车辆识别得到目标车辆；对目标车辆进行特征提取得到目标车辆特征模板；根据目标车辆特征模板对目标车辆进行跟踪得到跟踪位置；根据跟踪位置与违法区域的位置关系，得到目标车辆的违法性。采用本方法能够对车车辆违法性判别的效率。

Description

车辆违法判别方法、装置、计算机设备和存储介质
技术领域
本申请涉及人工智能技术领域，特别是涉及一种车辆违法判别方法、装置、 计算机设备和存储介质。
背景技术
随着人民生活水平的提高，利用私家车辆出行变得越来越普遍，使得道路 上的私家车越来越多，但是如何使得车辆在道路上有序地行驶，以保证道路交 通安全仍然是一个难以解决的技术问题。
目前在道路交通路口安装监控设备监控车辆的行驶行为数据，然后根据监 控得到的行驶行为数据对车辆行驶行为的合法性进行判别。
传统技术中对车辆违法行为的判别通常是利用人工对监控设备如电子警察 拍摄图片或视频数据进行逐一排查获得，使得对车辆违法行为的判别效率低下。
发明内容
基于此，有必要针对上述技术问题，提供一种能够车辆违法判别效率的方 法、装置、计算机设备和存储介质。
一种车辆违法判别方法，方法包括：
获取初始监控图像；
对初始监控图像进行车辆识别得到目标车辆；
对目标车辆进行特征提取得到目标车辆特征模板；
根据目标车辆特征模板对目标车辆进行跟踪得到跟踪位置；
根据跟踪位置与违法区域的位置关系，得到目标车辆的违法性。
在其中一个实施例中，根据跟踪位置与违法区域的位置关系，得到目标车 辆的违法性，包括：
从监控视频流中获取连续时间内的多帧待处理监控图像；待处理监控图像 与初始监控图像为监控视频流中连续时间内对应的图像，并且初始监控图像在 监控视频流中的时间早于待处理监控图像在监控视频流中的时间；
获取目标车辆在各待处理监控图像中的目标位置信息；
当各目标位置信息均在违法区域的范围内，且相邻的两个目标位置信息之 间的位移小于预设阈值时，得到目标车辆为违法车辆。
在其中一个实施例中，方法还包括：
在初始监控图像中预先确定车辆触发线；
获取目标车辆对应的目标位置信息；
当目标位置信息与车辆触发线的位置关系满足预设条件时，获取目标车辆 的车辆标识；
得到目标车辆的违法性之后，还包括：
将目标车辆的违法性结果以及目标车辆的车辆标识发送至终端。
在其中一个实施例中，获取目标车辆对应的目标位置信息之后，还包括：
获取车辆触发线的至少两个位置处的位置信息；
根据各位置信息确定车辆触发线对应的触发关系式；
获取目标车辆在连续的多帧待处理监控图像中的目标位置信息；
计算各车辆位置信息到触发关系式的距离值；
根据各距离值确定目标位置信息与车辆触发线的关系是否满足预设条件。
在其中一个实施例中，初始监控图像是从监控视频流中获取的；获取初始 监控图像之后，还包括：
从监控视频流中继续获取待处理监控图像；待处理监控图像与初始监控图 像为监控视频流中连续时间内对应的图像，并且初始监控图像在监控视频流中 的时间早于待处理监控图像在监控视频流中的时间；
对待处理监控图像进行车辆识别得到待监测车辆；
计算各待监测车辆与目标车辆的位置相似度；
当位置相似度对应的数值大于或者等于预设相似度阈值时，判定待监测车 辆与目标车辆为同一个车辆，将待监测车辆作为目标车辆，并执行提取目标车 辆的目标车辆特征模板；
当位置相似度对应的数值小于预设相似度阈值时，判定待监测车辆为新增 目标车辆，提取新增目标车辆对应的新增目标车辆特征模板，并根据新增目标 车辆特征模板对新增目标车辆进行跟踪，以得到新增跟踪位置，并根据新增跟 踪位置与违法区域的位置关系，得到新增目标车辆的违法性。
在其中一个实施例中，计算各待监测车辆与目标车辆的位置相似度，包括：
确定待监测车辆对应区域边界位置；
确定目标车辆对应的目标边界位置；
根据区域边界位置确定待监测区域对应的区域面积；
根据目标边界位置确定目标区域对应的目标面积；
根据区域边界位置以及目标边界位置确定待监测区域与目标区域的重叠面 积；
根据区域面积、目标面积以及重叠面积确定待监测车辆与目标车辆的位置 相似度。
在其中一个实施例中，根据目标车辆特征模板对目标车辆进行跟踪得到跟 踪位置，包括：
根据目标车辆特征模板在初始监控图像中确定目标跟踪图像；
提取目标跟踪图像对应的目标跟踪特征；
计算目标跟踪特征与目标车辆特征模板的相关度；
根据相关度的数值大小在初始监控图像中确定目标车辆的跟踪位置。
一种车辆违法判别装置，装置包括：
获取模块，用于获取初始监控图像；
识别模块，用于对初始监控图像进行车辆识别得到目标车辆；
特征提取模块，用于对目标车辆进行特征提取得到目标车辆特征模板；
跟踪模块，用于根据目标车辆特征模板对目标车辆进行跟踪得到跟踪位置；
违法性确定模块，用于根据跟踪位置与违法区域的位置关系，得到目标车 辆的违法性。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理 器执行计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器 执行时实现上述方法的步骤。
上述车辆违法判别方法、装置、计算机设备和存储介质，获取初始监控图 像；对初始监控图像进行车辆识别得到目标车辆；对目标车辆进行特征提取得 到目标车辆特征模板；根据目标车辆特征模板对目标车辆进行跟踪得到跟踪位 置；根据跟踪位置与违法区域的位置关系，得到目标车辆的违法性。通过计算 机自动对监控设备采集到的初始监控图像进行检测以及识别得到目标车辆，并 根据目标车辆的特征模板实现对目标车辆的跟踪，并根据跟踪位置实现对目标 车辆的违法性的自动判别，提高了对目标车辆违法性判别的效率。
附图说明
图1为一个实施例中车辆违法判别方法的应用环境图；
图2为一个实施例中车辆违法判别方法的流程示意图；
图3为一个实施例中提供的一种SiameseRPN网络结构的示意图；
图4为一个实施例中车辆违法判别装置的结构框图；
图5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。
本申请提供的车辆违法判别方法，可以应用于如图1所示的应用环境中。 其中，图像采集设备102通过网络与服务器104进行通信。服务器104从图像 采集设备102采集得到的视频流中获取初始监控图像；对初始监控图像进行车 辆识别得到目标车辆；对目标车辆进行特征提取得到目标车辆特征模板；根据 目标车辆特征模板对目标车辆进行跟踪得到跟踪位置；根据跟踪位置与违法区 域的位置关系，得到目标车辆的违法性。其中，图像采集设备102可以但不限 于是电子警察以及相机等具有图像采集功能的设备，服务器104可以用独立的 服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种车辆违法判别方法，以该方法 应用于图1中的服务器为例进行说明，包括以下步骤：
步骤210，获取初始监控图像。
初始监控图像可以是从监控视频流中提取的图像帧，并且服务器获取初始 监控图像后，对初始监控图像中的车辆的行驶信息进行判别，如判别车辆是否 存在违法行驶行为。并且，初始监控图像中可以是按照时间顺序从视频流中提 取的第一帧图像。
步骤220，对初始监控图像进行车辆识别得到目标车辆。
具体地，服务器获取初始监控图像后，利用图像识别算法从初始监控图像 中检测车辆并将检测到的车辆提取为目标车辆，其中目标车辆是需要进行车辆 违法性判别的车辆，并且从初始监控图像中识别得到的目标车辆的数量可以为 一个或多个，在此不作限定。
其中图像识别算法可以是预先训练的神经网络算法，通过预先训练的神经 网络参数对初始监控图像中车辆进行识别得到目标车辆，如神经网络算法可以 是基于YOLO(You Only Look Once)的算法，其中YOLO算法是一种基于深度神 经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时 系统。在本实施例中，利用YOLO算法可以实时对监控视频流进行图像目标识 别并实时得到目标车辆。在其他实施例中，对图像识别算法的类别不作限定， 还可以是其他图像分割算法等。
步骤230，对目标车辆进行特征提取得到目标车辆特征模板。
具体地，服务器利用特征提取算法从目标车辆中提取目标车辆特征模板， 其中目标车辆特征模板用于唯一标识一个目标车辆。具体地，可以利用Siamese RPN网络(SiameseRegion Proposal Network，孪生区域生成网络)提取目标车 辆对应的目标车辆特征模板，并且还可以将目标车辆特征模板作为对目标车辆 进行跟踪的模板。
步骤240，根据目标车辆特征模板对目标车辆进行跟踪得到跟踪位置。
具体地，目标特征模板用于唯一标识一个目标车辆，故而可以在监控视频 流中对目标特征模板进行跟踪以实现对目标车辆的跟踪。具体地，可以按照预 设频率从监控视频流中提取待处理监控图像，然后从待处理监控图像中识别得 到目标车辆，并提取各个目标车辆的目标特征模板，通过比对目标特征模板之 间的相似性实现对目标车车辆的跟踪，进而实现对目标车辆的跟踪。并且当监 控视频流中对应多个目标车辆时，还包括对多个目标车辆分别进行跟踪。
进一步地，当根据目标特征模板实现对目标车辆的跟踪后，还包括获取各 目标车辆的跟踪位置，并记录各跟踪位置的位置信息，如记录各跟踪位置的坐 标信息。
步骤250，根据跟踪位置与违法区域的位置关系，得到目标车辆的违法性。
违法区域可以是预先定义并标注的区域，在一个实施例中，只要在连续的 时间内并且在违法区域中皆检测到目标车辆时，判定该目标车辆存在违法停车 行为。在其他实施例中，违法区域还可以是服务器根据识别算法自动识别得到 的区域，并且只要在连续时间内在该违法区域中检测到目标车辆，判定该目标 车辆存在违法停车行为。在另外的实施例中，在连续时间内在该违法区域中皆 检测到目标车辆，并且检测到的目标车辆在连续时间内的位移小于预设值时， 判定该目标车辆存在违法停车行为。
在本实施例中，通过计算机自动对监控设备采集到的初始监控图像进行检 测以及识别得到目标车辆，并根据目标车辆的特征模板实现对目标车辆的跟踪， 并根据跟踪位置实现对目标车辆的违法性的自动判别，提高了对目标车辆违法 性判别的效率。
在其中一个实施例中，根据跟踪位置与违法区域的位置关系，得到目标车 辆的违法性，包括：从监控视频流中获取连续时间内的多帧待处理监控图像； 待处理监控图像与初始监控图像为监控视频流中连续时间内对应的图像，并且 初始监控图像在监控视频流中的时间早于待处理监控图像在监控视频流中的时 间；获取目标车辆在各待处理监控图像中的目标位置信息；当各目标位置信息 均在违法区域的范围内，且相邻的两个目标位置信息之间的位移小于预设阈值 时，得到目标车辆为违法车辆。
监控视频流可以是电子警察对道路交通进行监控得到的视频流数据，如可 以在违法停车的道路口配置电子警察，并且电子警察在违法停车的道路路口实 时拍摄车辆行驶数据得到监控视频流。具体的，服务器可以与电子警察进行通 信连接，并且服务器可以从电子警察中提取待处理监控图像，并实时从待处理 监控图像中识别目标车辆，以及提取目标车辆的车辆特征模板，根据车辆特征 模板实现对目标车辆的跟踪，以及根据跟踪信息判别目标车辆是否存在违法行 为。具体的，服务器可以按照时间顺序从监控视频流中提取待处理监控图像， 如将拍摄时间较早的待处理监控图像作为初始监控图像，将初始监控图像之后 的时间采集到的图像作为待处理监控图像。需要说明的是，初始监控图像与待 处理监控图像是相对的概念，具体的初始监控图像只用于表征采集时间为早于 待处理监控图像的图像。
具体地，可以预先在待处理监控图像中配置违法区域，然后从多帧待处理 监控图像中提取目标车辆的目标位置信息，当在连续多帧图像中的目标位置信 息均在违法区域范围内时，判定目标车辆在预设的连续时间内均在违法区域内， 由于违法区域为不能停车的区域，故而此时判定目标车辆为违法停车车辆。
在一个具体的实施例中，当违法区域对应为黄网格线时，可以预先配置得 到黄网格在待处理监控图像画面中的位置及大小，如可以对应为一个封闭的多 边形框，然后判断跟踪轨迹中的目标车辆与黄网格的位置关系，若目标车辆中 心点在黄网格内，则视为目标车辆在黄网格内，反之，判定目标车辆在黄网格 外。以及当得到连续N(例如10)帧监测图像中目标车辆都在黄网格区域内， 且相邻两帧中的目标车辆的中心点移动距离小于一定值(例如5像素)，则认为 目标车辆在连续时间内没有移动，判断目标车辆在黄网格中停车，即目标车辆 存在违法停车行为，并给出该目标车辆的车牌号码。在另一个实施例中，还可 以利用图像识别算法从待处理监控图像中自动提取违法区域，而不是人为预先 在待处理监控图像中配置的区域，通过自动识别违法区域，提高了违法区域的 获取效率。
在本实施例中，通过判断目标车辆与黄网格的位置关系，以及根据跟踪轨 迹判断目标车辆是否在黄网格内停车，实现了对目标车辆的违法性的自动判别， 提高了对目标车辆的违法性判别效率。
在其中一个实施例中，方法还包括：在初始监控图像中预先确定车辆触发 线；获取目标车辆对应的目标位置信息；当目标位置信息与车辆触发线的位置 关系满足预设条件时，获取目标车辆的车辆标识。
具体地，可以预先在初始监控图像中或者待处理监控图像中设定一个车辆 触发线，具体地，可以利用鼠标在待处理监控图像中进行划直线，并将该直线 作为目标车辆特写图抓取的触发线。具体的，当目标车辆的中心点经过该直线 时，抓取当前帧图像作为提取车辆标识的图像，并进行车牌识别。判定目标车 辆的违法性之后，还包括：将目标车辆的违法性结果以及目标车辆的车辆标识 发送至终端。
在本实施例中，通过预先在待处理监控图像中标定车辆触发线，进而保证 可以获取一张清晰的待处理监控图像，并从清晰的待处理监控图像中执行车辆 的车牌识别，提高车牌识别的准确性。
在其中一个实施例中，获取目标车辆对应的目标位置信息之后，还包括： 获取车辆触发线的至少两个位置处的位置信息；根据各位置信息确定车辆触发 线对应的触发关系式；获取目标车辆在连续的多帧待处理监控图像中的目标位 置信息；计算各车辆位置信息到触发关系式的距离值；根据各距离值确定目标 位置信息与车辆触发线的关系是否满足预设条件。
具体地，车辆触发线位置的选取取决于具体的应用场景，并且保存车辆触 发线的起始点与终点的坐标，并分别记为(x1,y1)、(x2,y2)，设车辆触发线的 方程式表示为Ax+By+C＝0，其中：A＝y2-y1；B＝x1-x2；C＝x2*y1-x1*y2。设目 标车辆的中心点为目标框的中心点坐标，设连续两帧待处理监控图像中目标车 辆中心点坐标分别为(xi1,yi1)以及(xi2,yi2)，连续两帧待处理监控图像中目 标车辆中心点坐标到直线的距离分别表示为： d1＝(A*xi1+B*yi1+C)/sqrt(pow(A,2)+pow(B,2))； d2＝(A*xi2+B*yi2+C)/sqrt(pow(A,2)+pow(B,2))；若距离值d1*d2<＝0，则判定 目标位置信息与车辆触发线的关系满足预设条件，此时目标车辆特写图抓取被 触发，然后执行对特写图中的目标车辆进行车牌检测及识别的步骤。
在实施例中，提出一种基于目标车辆跟踪实现车辆在黄网格内停车的违法 行为判断，并给出车辆的车牌号码，能实现黄网格停车违法行为的自动化抓取。
在其中一个实施例中，初始监控图像是从监控视频流中获取的；获取初始 监控图像之后，还包括：从监控视频流中继续获取待处理监控图像；待处理监 控图像与初始监控图像为监控视频流中连续时间内对应的图像，并且初始监控 图像在监控视频流中的时间早于待处理监控图像在监控视频流中的时间；对待 处理监控图像进行车辆识别得到待监测车辆；计算各待监测车辆与目标车辆的 位置相似度；当位置相似度对应的数值大于或者等于预设相似度阈值时，判定 待监测车辆与目标车辆为同一个车辆，将待监测车辆作为目标车辆，并执行提 取目标车辆的目标车辆特征模板；当位置相似度对应的数值小于预设相似度阈 值时，判定待监测车辆为新增目标车辆，提取新增目标车辆对应的新增目标车 辆特征模板，并根据新增目标车辆特征模板对新增目标车辆进行跟踪，以得到 新增跟踪位置，并根据新增跟踪位置与违法区域的位置关系，得到新增目标车 辆的违法性。
具体地，在实际应用场景中，由于车辆在行驶过程中容易发生方向转变使 得目标车辆的形态发生较大变化，比如车辆发生了转向，使得待处理监控图像 中的车辆从正面转到了背面，认定车辆此时的形态已经发生了较大的变化，并 且在车辆的形态发生变化之后，若依然以初次待处理监控图像中提取到的目标 车辆特征模板作为目标车辆的跟踪模板，将会导致后续的目标跟踪发生偏差， 进而导致目标车辆的匹配失败以及目标车车辆的跟踪失败。
为了提高对目标车辆跟踪的准确性，还包括每隔n帧从监控视频流中提取 单帧的待处理监控图像，并从各个待处理监控图像中分别检测并识别得到待监 测车辆，并计算从初始监控图像中提取到的目标车辆与待监测车辆之间的位置 相似度，以根据位置相似度判别目标车辆与待监测车辆之间的相似性。其中位 置相似度可以根据IOU计算，若IOU的数值小于预设值(如可以为0.8)，判定 待监测车辆与目标车辆不是同一个车辆，即待监测车辆为监控视频中新出现的 车辆，此时将待监测车辆提取为新增目标车辆，并继续对新增目标车辆进行目 标跟踪并判别新增目标车辆的行驶行为。若IOU的数值大于或者等于预设值， 判定待监测车辆与目标车辆为同一个车辆，此时由于待监测车辆为最新时间对 应的车辆信息，故而最能表征车辆此时的车辆特征，故而利用待监测车辆替换 目标车辆，并提取待监测车辆的待监测目标特征模板作为目标车辆特征模板， 以及继续利用待监测车辆执行对目标车辆的跟踪，以对目标车辆的行驶行为进 行判别。
在本实施例中，在对车辆的违法行为进行判别的过程中，通过不断地从监 控视频流中提取多帧的待处理监控图像，并实时计算待处理监控图像中的待监 测车辆与目标车辆之间的相似度，以确定监控视频中是否出现新的目标车辆， 实现对监控视频中所有的目标车辆的实时跟踪以及实时的违法性判别。并且还 包括利用与当前时间最接近的待处理监控图像中提取到的图像特征模板替换较 早时间内对应的图像特征模板，实现对图像特征模板的实时更新，提高了对监 控视频中车辆的准确跟踪。
在其中一个实施例中，计算各待监测车辆与目标车辆的位置相似度，包括： 确定待监测车辆对应区域边界位置；确定目标车辆对应的目标边界位置；根据 区域边界位置确定待监测区域对应的区域面积；根据目标边界位置确定目标区 域对应的目标面积；根据区域边界位置以及目标边界位置确定待监测区域与目 标区域的重叠面积；根据区域面积、目标面积以及重叠面积确定待监测车辆与 目标车辆的位置相似度。
具体地，每隔N帧从监控视频流中提取待待处理监控图像，并从待待处理 监控图像中提取待监测车辆，以及获取待监测车辆对应的待监测区域，根据待 监测区域获取待监测区域的区域边界位置，如可以获取待监测区域对应的区域 边界位置坐标，同理获取目标区域对应的目标边界位置坐标。进一步地，根据 区域边界位置确定待监测区域对应的区域面积，以及根据目标边界位置确定目 标区域对应的目标面积，具体地，可以根据边界位置对应的坐标值计算得到面 积。进一步地，还可以根据区域边界位置以及目标边界位置确定待监测区域与 目标区域的重叠面积，最后将区域面积、目标面积以及重叠面积带入IOU计算 公式中，得到待监测车辆与目标车辆的位置相似度。
在一个具体的实施例中，获取区域边界位置坐标中位于左上角的坐标点 (x11,y11)，以及位于右下角的坐标点(x12,y12)，获取目标边界位置坐标中的位于 左上角的坐标点(x21,y21)，以及位于右下角的坐标点(x22,y22)。然后取x11以 及x21中的最大值为xA，取y11以及y21中的最大值为yA，以及x12和x22 中的最小值为xB，以及y12和y22中的最小值为xB，并计算两个区域面积为 Area1＝(x12-x11)*(y12-y11)以及目标面积为Area2＝(x22-x21)*(y22-y21)，计算区 域面积与目标面积的重叠面积为interArea＝max(xB-xA,0)*max(yB-yA,0)，最后计 算IOU＝interArea/(Area1+Area2-interArea)。
在本实施例中，利用IOU计算待监测车辆与目标车辆之间的位置相似度， 进而根据位置相似度判别监控视频流中是否出现新的待跟踪车辆，实现了实时 提取待跟踪车辆并对监控视频流中所有的车辆的实时跟踪。
在其中一个实施例中，如图3所示，提供了一种SiameseRPN网络结构的示 意图，在图3中根据目标车辆特征模板对目标车辆进行跟踪得到跟踪位置，包 括：根据目标车辆特征模板在初始监控图像中确定目标跟踪图像；提取目标跟 踪图像对应的目标跟踪特征；计算目标跟踪特征与目标车辆特征模板的相关度； 根据相关度的数值大小在初始监控图像中确定目标车辆的跟踪位置。
具体地，服务器根据特征提取算法提取目标车辆的目标特征模板之后，继 续从监控视频流中提取多帧的待处理监控图像，并根据目标特征模板在后续的 待处理监控图像中确定目标跟踪图像，其中目标跟踪图像的图像大小可以大于 目标特征模板的大小，在一个实施例中目标跟踪图像的图像大小为目标特征模 板的两倍，并将提取到的目标跟踪图像输入至SiameseRPN网络(Siamese Region Proposal Network，孪生区域生成网络)中，具体地，将目标跟踪图像作为 SiameseRPN网络中的检测分支的输入数据，并在检测分支中提取目标跟踪图像 的图像特征，然后将目标特征模板特征与检测分支提取的图像特征经过相同的 卷积层(Conv)后进行互相关操作，取回归出的置信度最高分类为前景的框作 为当前帧的跟踪框，实现对目标车辆的定位以及跟踪。
在本实施例中，利用算法自动对车辆进行跟踪，提高了对车辆跟踪的效率。
利用法律条款准确判断违法行为，这既是对民警规范执法的基本要求， 是在交通管理领域中的贯彻落实，是对违法行为处理合法、公正、文明、 公开、及时原则的坚持和遵循，更是对公民、法人和其他组织合法权益的 现实保障。在道路安全管理中有一个违法代码1025，查处的对象是机动车 驾驶员在黄网格内停车的违法行为。在道路中经常可以看到黄网格线，这 种网格线是地面交通指示标志，由黄色方形边框构成，内有交叉网格状线条，在大城市的医院、消防、学校等一些单位进出口设置，根据交通管理 部门规定，为了防止车道堵塞，禁止机动车辆在黄色网格线内停车。现在 对于在黄网格内停车的违法行为，通常是利用人工对电子警察拍摄图片或 视频数据进行逐一排查获得，这需要耗费大量的人力物力资源，且容易因 为各种人为因素导致漏网之鱼。
本申请提供的一种车辆违法行为判别方法，基于道路监控视频实现自动判 断并抓取车辆在黄网格内停车的违法行为，该方法的具体实现步骤包括：步骤 一对监控视频中出现的所有目标车辆进行目标跟踪；步骤二识别目标车辆的车 牌号；步骤三判断目标车辆与黄网格的位置关系；步骤四根据跟踪得出的连续 帧轨迹中判断车辆是否在黄网格内停车。具体的，本申请的一种利用目标跟踪 算法判断黄网格内停车违法行为的方法，包括：根据视频中车辆的跟踪轨迹判 断车辆是否在黄网格内停车；通过YOLO及SiamRPN算法实现对视频中车辆的 跟踪；通过跟踪对当前图像帧中的车辆进行定位，判断车辆与地面黄网格区域 的位置关系；通过连续帧中车辆的相对位置变化判断车辆是否处于停止状态。 可通过对路口监控视频中的车辆进行跟踪，分析车辆的行驶轨迹判断车辆是否 在黄网格内停车。该方法能够有效对道路中出现的所有车辆进行筛查，判断车 辆是否在黄网格内违法停车，能有效节约警力，且增强执法的广度，提高执法 效率。
应该理解的是，虽然图2-3的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，图2-3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4所示，提供了一种车辆违法判别装置，包括：
获取模块410，用于获取初始监控图像。
识别模块420，用于对初始监控图像进行车辆识别得到目标车辆。
特征提取模块430，用于对目标车辆进行特征提取得到目标车辆特征模板。
跟踪模块440，用于根据目标车辆特征模板对目标车辆进行跟踪得到跟踪位 置。
违法性确定模块450，用于根据跟踪位置与违法区域的位置关系，得到目标 车辆的违法性。
在其中一个实施例中，违法性确定模块450，包括：
多帧图像提取单元，用于从监控视频流中获取连续时间内的多帧待处理监 控图像；待处理监控图像与初始监控图像为监控视频流中连续时间内对应的图 像，并且初始监控图像在监控视频流中的时间早于待处理监控图像在监控视频 流中的时间。
目标位置获取单元，用于获取目标车辆在各待处理监控图像中的目标位置 信息。
违法性确定单元，用于当各目标位置信息均在违法区域的范围内，且相邻 的两个目标位置信息之间的位移小于预设阈值时，得到目标车辆为违法车辆。
在其中一个实施例中，车辆违法判别装置还包括：
触发线确定模块，用于在初始监控图像中预先确定车辆触发线。
位置确定模块，用于获取目标车辆对应的目标位置信息。
标识获取模块，用于当目标位置信息与车辆触发线的位置关系满足预设条 件时，获取目标车辆的车辆标识。
在其中一个实施例中，车辆违法判别装置还包括：
发送模块，用于将目标车辆的违法性结果以及目标车辆的车辆标识发送至 终端。
在其中一个实施例中，车辆违法判别装置还包括：
多个位置获取模块，用于获取车辆触发线的至少两个位置处的位置信息。
关系式确定模块，用于根据各位置信息确定车辆触发线对应的触发关系式。
多帧位置获取模块，用于获取目标车辆在连续的多帧待处理监控图像中的 目标位置信息。
距离计算模块，用于计算各车辆位置信息到触发关系式的距离值。
条件确定模块，用于根据各距离值确定目标位置信息与车辆触发线的关系 是否满足预设条件。
在其中一个实施例中，车辆违法判别装置还包括：
多帧图像提取模块，用于从监控视频流中继续获取待处理监控图像；待处 理监控图像与初始监控图像为监控视频流中连续时间内对应的图像，并且初始 监控图像在监控视频流中的时间早于待处理监控图像在监控视频流中的时间。
待监测车辆识别模块，用于对待处理监控图像进行车辆识别得到待监测车 辆。
相似度计算模块，用于计算各待监测车辆与目标车辆的位置相似度。
模板替换模块，用于当位置相似度对应的数值大于或者等于预设相似度阈 值时，判定待监测车辆与目标车辆为同一个车辆，将待监测车辆作为目标车辆， 并执行提取目标车辆的目标车辆特征模板。
新增模板模块，用于当位置相似度对应的数值小于预设相似度阈值时，判 定待监测车辆为新增目标车辆，提取新增目标车辆对应的新增目标车辆特征模 板，并根据新增目标车辆特征模板对新增目标车辆进行跟踪，以得到新增跟踪 位置，并根据新增跟踪位置与违法区域的位置关系，得到新增目标车辆的违法 性。
在其中一个实施例中，相似度计算模块，包括：
区域位置确定单元，用于确定待监测车辆对应区域边界位置。
目标位置确定单元，用于确定目标车辆对应的目标边界位置。
区域面积确定单元，用于根据区域边界位置确定待监测区域对应的区域面 积。
目标面积确定单元，用于根据目标边界位置确定目标区域对应的目标面积。
重叠面积计算单元，用于根据区域边界位置以及目标边界位置确定待监测 区域与目标区域的重叠面积。
根据区域面积、目标面积以及重叠面积确定待监测车辆与目标车辆的位置 相似度。
在其中一个实施例中，跟踪模块，包括：
跟踪图像确定单元，用于根据目标车辆特征模板在初始监控图像中确定目 标跟踪图像。
跟踪特征提取单元，用于提取目标跟踪图像对应的目标跟踪特征。
相关度计算单元，用于计算目标跟踪特征与目标车辆特征模板的相关度。
跟踪单元，用于根据相关度的数值大小在初始监控图像中确定目标车辆的 跟踪位置。
关于车辆违法判别装置的具体限定可以参见上文中对于车辆违法判别方法 的限定，在此不再赘述。上述车辆违法判别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服务器， 其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、 存储器和网络接口。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、计算机程序和数据库。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。该计算机设备的数据库用于存储车 辆违法判别数据。该计算机设备的网络接口用于与外部的终端通过网络连接通 信。该计算机程序被处理器执行时以实现一种车辆违法判别方法。
本领域技术人员可以理解，图5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，包括存储器和处理器，存储器 中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取初始监 控图像；对初始监控图像进行车辆识别得到目标车辆；对目标车辆进行特征提 取得到目标车辆特征模板；根据目标车辆特征模板对目标车辆进行跟踪得到跟 踪位置；根据跟踪位置与违法区域的位置关系，得到目标车辆的违法性。
在其中一个实施例中，处理器执行计算机程序时实现根据跟踪位置与违法 区域的位置关系，得到目标车辆的违法性的步骤时还用于：从监控视频流中获 取连续时间内的多帧待处理监控图像；待处理监控图像与初始监控图像为监控 视频流中连续时间内对应的图像，并且初始监控图像在监控视频流中的时间早 于待处理监控图像在监控视频流中的时间；获取目标车辆在各待处理监控图像 中的目标位置信息；当各目标位置信息均在违法区域的范围内，且相邻的两个 目标位置信息之间的位移小于预设阈值时，得到目标车辆为违法车辆。
在其中一个实施例中，处理器执行计算机程序时还用于实现：在初始监控 图像中预先确定车辆触发线；获取目标车辆对应的目标位置信息；当目标位置 信息与车辆触发线的位置关系满足预设条件时，获取目标车辆的车辆标识；处 理器执行计算机程序时实现得到目标车辆的违法性之后的步骤时还用于：将目 标车辆的违法性结果以及目标车辆的车辆标识发送至终端。
在其中一个实施例中，处理器执行计算机程序时实现获取目标车辆对应的 目标位置信息之后的步骤时还用于：获取车辆触发线的至少两个位置处的位置 信息；根据各位置信息确定车辆触发线对应的触发关系式；获取目标车辆在连 续的多帧待处理监控图像中的目标位置信息；计算各车辆位置信息到触发关系 式的距离值；根据各距离值确定目标位置信息与车辆触发线的关系是否满足预 设条件。
在其中一个实施例中，初始监控图像是从监控视频流中获取的；处理器执 行计算机程序时实现获取初始监控图像之后的步骤时还用于：从监控视频流中 继续获取待处理监控图像；待处理监控图像与初始监控图像为监控视频流中连 续时间内对应的图像，并且初始监控图像在监控视频流中的时间早于待处理监 控图像在监控视频流中的时间；对待处理监控图像进行车辆识别得到待监测车 辆；计算各待监测车辆与目标车辆的位置相似度；当位置相似度对应的数值大 于或者等于预设相似度阈值时，判定待监测车辆与目标车辆为同一个车辆，将 待监测车辆作为目标车辆，并执行提取目标车辆的目标车辆特征模板；当位置 相似度对应的数值小于预设相似度阈值时，判定待监测车辆为新增目标车辆，提取新增目标车辆对应的新增目标车辆特征模板，并根据新增目标车辆特征模 板对新增目标车辆进行跟踪，以得到新增跟踪位置，并根据新增跟踪位置与违 法区域的位置关系，得到新增目标车辆的违法性。
在其中一个实施例中，处理器执行计算机程序时实现计算各待监测车辆与 目标车辆的位置相似度的步骤时还用于：确定待监测车辆对应区域边界位置； 确定目标车辆对应的目标边界位置；根据区域边界位置确定待监测区域对应的 区域面积；根据目标边界位置确定目标区域对应的目标面积；根据区域边界位 置以及目标边界位置确定待监测区域与目标区域的重叠面积；根据区域面积、 目标面积以及重叠面积确定待监测车辆与目标车辆的位置相似度。
在其中一个实施例中，处理器执行计算机程序时实现根据目标车辆特征模 板对目标车辆进行跟踪得到跟踪位置的步骤时还用于：根据目标车辆特征模板 在初始监控图像中确定目标跟踪图像；提取目标跟踪图像对应的目标跟踪特征； 计算目标跟踪特征与目标车辆特征模板的相关度；根据相关度的数值大小在初 始监控图像中确定目标车辆的跟踪位置。
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以下步骤：获取初始监控图像；对初始监 控图像进行车辆识别得到目标车辆；对目标车辆进行特征提取得到目标车辆特 征模板；根据目标车辆特征模板对目标车辆进行跟踪得到跟踪位置；根据跟踪 位置与违法区域的位置关系，得到目标车辆的违法性。
在其中一个实施例中，计算机程序被处理器执行时实现根据跟踪位置与违 法区域的位置关系，得到目标车辆的违法性的步骤时还用于：从监控视频流中 获取连续时间内的多帧待处理监控图像；待处理监控图像与初始监控图像为监 控视频流中连续时间内对应的图像，并且初始监控图像在监控视频流中的时间 早于待处理监控图像在监控视频流中的时间；获取目标车辆在各待处理监控图 像中的目标位置信息；当各目标位置信息均在违法区域的范围内，且相邻的两 个目标位置信息之间的位移小于预设阈值时，得到目标车辆为违法车辆。
在其中一个实施例中，计算机程序被处理器执行时还用于实现：在初始监 控图像中预先确定车辆触发线；获取目标车辆对应的目标位置信息；当目标位 置信息与车辆触发线的位置关系满足预设条件时，获取目标车辆的车辆标识； 计算机程序被处理器执行时实现得到目标车辆的违法性之后的步骤时还用于： 将目标车辆的违法性结果以及目标车辆的车辆标识发送至终端。
在其中一个实施例中，计算机程序被处理器执行时实现获取目标车辆对应 的目标位置信息之后的步骤时还用于：获取车辆触发线的至少两个位置处的位 置信息；根据各位置信息确定车辆触发线对应的触发关系式；获取目标车辆在 连续的多帧待处理监控图像中的目标位置信息；计算各车辆位置信息到触发关 系式的距离值；根据各距离值确定目标位置信息与车辆触发线的关系是否满足 预设条件。
在其中一个实施例中，初始监控图像是从监控视频流中获取的；计算机程 序被处理器执行时实现获取初始监控图像之后的步骤时还用于：从监控视频流 中继续获取待处理监控图像；待处理监控图像与初始监控图像为监控视频流中 连续时间内对应的图像，并且初始监控图像在监控视频流中的时间早于待处理 监控图像在监控视频流中的时间；对待处理监控图像进行车辆识别得到待监测 车辆；计算各待监测车辆与目标车辆的位置相似度；当位置相似度对应的数值 大于或者等于预设相似度阈值时，判定待监测车辆与目标车辆为同一个车辆， 将待监测车辆作为目标车辆，并执行提取目标车辆的目标车辆特征模板；当位 置相似度对应的数值小于预设相似度阈值时，判定待监测车辆为新增目标车辆，提取新增目标车辆对应的新增目标车辆特征模板，并根据新增目标车辆特征模 板对新增目标车辆进行跟踪，以得到新增跟踪位置，并根据新增跟踪位置与违 法区域的位置关系，得到新增目标车辆的违法性。
在其中一个实施例中，计算机程序被处理器执行时实现计算各待监测车辆 与目标车辆的位置相似度的步骤时还用于：确定待监测车辆对应区域边界位置； 确定目标车辆对应的目标边界位置；根据区域边界位置确定待监测区域对应的 区域面积；根据目标边界位置确定目标区域对应的目标面积；根据区域边界位 置以及目标边界位置确定待监测区域与目标区域的重叠面积；根据区域面积、 目标面积以及重叠面积确定待监测车辆与目标车辆的位置相似度。
在其中一个实施例中，计算机程序被处理器执行时实现根据目标车辆特征 模板对目标车辆进行跟踪得到跟踪位置的步骤时还用于：根据目标车辆特征模 板在初始监控图像中确定目标跟踪图像；提取目标跟踪图像对应的目标跟踪特 征；计算目标跟踪特征与目标车辆特征模板的相关度；根据相关度的数值大小 在初始监控图像中确定目标车辆的跟踪位置。
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，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)

1.一种车辆违法判别方法，其特征在于，所述方法包括：
获取初始监控图像；
对所述初始监控图像进行车辆识别得到目标车辆；
对所述目标车辆进行特征提取得到目标车辆特征模板；
根据所述目标车辆特征模板对所述目标车辆进行跟踪得到跟踪位置；
根据所述跟踪位置与违法区域的位置关系，得到所述目标车辆的违法性。
2.根据权利要求1所述的方法，其特征在于，所述根据所述跟踪位置与违法区域的位置关系，得到所述目标车辆的违法性，包括：
从监控视频流中获取连续时间内的多帧待处理监控图像；所述待处理监控图像与所述初始监控图像为所述监控视频流中连续时间内对应的图像，并且所述初始监控图像在所述监控视频流中的时间早于所述待处理监控图像在所述监控视频流中的时间；
获取所述目标车辆在各所述待处理监控图像中的目标位置信息；
当各所述目标位置信息均在所述违法区域的范围内，且相邻的两个所述目标位置信息之间的位移小于预设阈值时，得到所述目标车辆为违法车辆。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述初始监控图像中预先确定车辆触发线；
获取所述目标车辆对应的目标位置信息；
当所述目标位置信息与所述车辆触发线的位置关系满足预设条件时，获取所述目标车辆的车辆标识；
所述得到所述目标车辆的违法性之后，还包括：
将所述目标车辆的违法性结果以及所述目标车辆的车辆标识发送至终端。
4.根据权利要求3所述的方法，其特征在于，所述获取所述目标车辆对应的目标位置信息之后，还包括：
获取所述车辆触发线的至少两个位置处的位置信息；
根据各所述位置信息确定所述车辆触发线对应的触发关系式；
获取所述目标车辆在连续的多帧待处理监控图像中的目标位置信息；
计算各所述车辆位置信息到所述触发关系式的距离值；
根据各所述距离值确定所述目标位置信息与所述车辆触发线的关系是否满足预设条件。
5.根据权利要求1所述的方法，其特征在于，所述初始监控图像是从监控视频流中获取的；所述获取初始监控图像之后，还包括：
从所述监控视频流中继续获取待处理监控图像；所述待处理监控图像与所述初始监控图像为所述监控视频流中连续时间内对应的图像，并且所述初始监控图像在所述监控视频流中的时间早于所述待处理监控图像在所述监控视频流中的时间；
对所述待处理监控图像进行车辆识别得到待监测车辆；
计算各所述待监测车辆与目标车辆的位置相似度；
当所述位置相似度对应的数值大于或者等于预设相似度阈值时，得到所述待监测车辆与所述目标车辆为同一个车辆，将所述待监测车辆作为目标车辆，并执行提取所述目标车辆的目标车辆特征模板；
当所述位置相似度对应的数值小于所述预设相似度阈值时，判定所述待监测车辆为新增目标车辆，提取所述新增目标车辆对应的新增目标车辆特征模板，并根据所述新增目标车辆特征模板对所述新增目标车辆进行跟踪，以得到新增跟踪位置，并根据所述新增跟踪位置与违法区域的位置关系，得到所述新增目标车辆的违法性。
6.根据权利要求5所述的方法，其特征在于，所述计算各所述待监测车辆与目标车辆的位置相似度，包括：
确定待监测车辆对应区域边界位置；
确定目标车辆对应的目标边界位置；
根据所述区域边界位置确定所述待监测区域对应的区域面积；
根据所述目标边界位置确定所述目标区域对应的目标面积；
根据所述区域边界位置以及所述目标边界位置确定所述待监测区域与所述目标区域的重叠面积；
根据所述区域面积、所述目标面积以及所述重叠面积确定所述待监测车辆与目标车辆的位置相似度。
7.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特征模板对所述目标车辆进行跟踪得到跟踪位置，包括：
根据所述目标车辆特征模板在所述初始监控图像中确定目标跟踪图像；
提取所述目标跟踪图像对应的目标跟踪特征；
计算所述目标跟踪特征与所述目标车辆特征模板的相关度；
根据所述相关度的数值大小在所述初始监控图像中确定所述目标车辆的跟踪位置。
8.一种车辆违法判别装置，其特征在于，所述装置包括：
获取模块，用于获取初始监控图像；
识别模块，用于对所述初始监控图像进行车辆识别得到目标车辆；
特征提取模块，用于对所述目标车辆进行特征提取得到目标车辆特征模板；
跟踪模块，用于根据所述目标车辆特征模板对所述目标车辆进行跟踪得到跟踪位置；
违法性确定模块，用于根据所述跟踪位置与违法区域的位置关系，得到所述目标车辆的违法性。
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。
CN202011405265.1A 2020-12-04 2020-12-04 车辆违法判别方法、装置、计算机设备和存储介质 Pending CN112733598A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011405265.1A CN112733598A (zh) 2020-12-04 2020-12-04 车辆违法判别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011405265.1A CN112733598A (zh) 2020-12-04 2020-12-04 车辆违法判别方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN112733598A true CN112733598A (zh) 2021-04-30

Family

ID=75599047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011405265.1A Pending CN112733598A (zh) 2020-12-04 2020-12-04 车辆违法判别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112733598A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114373139A (zh) * 2022-01-07 2022-04-19 北京远度互联科技有限公司 识别道路违规的方法、装置、电子设备及存储介质
CN116092023A (zh) * 2023-02-03 2023-05-09 以萨技术股份有限公司 一种确定异常行为的数据处理系统
CN117116056A (zh) * 2023-10-25 2023-11-24 盛视科技股份有限公司 车辆驾驶行为分析方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114373139A (zh) * 2022-01-07 2022-04-19 北京远度互联科技有限公司 识别道路违规的方法、装置、电子设备及存储介质
CN116092023A (zh) * 2023-02-03 2023-05-09 以萨技术股份有限公司 一种确定异常行为的数据处理系统
CN116092023B (zh) * 2023-02-03 2023-10-20 以萨技术股份有限公司 一种确定异常行为的数据处理系统
CN117116056A (zh) * 2023-10-25 2023-11-24 盛视科技股份有限公司 车辆驾驶行为分析方法
CN117116056B (zh) * 2023-10-25 2024-02-02 盛视科技股份有限公司 车辆驾驶行为分析方法

Similar Documents

Publication Publication Date Title
KR101808587B1 (ko) 객체인식과 추적감시 및 이상상황 감지기술을 이용한 지능형 통합감시관제시스템
KR102197946B1 (ko) 딥러닝 인공지능 기술을 이용한 객체인식 및 카운팅 방법
JP6549797B2 (ja) 通行人の頭部識別方法及びシステム
CN112733598A (zh) 车辆违法判别方法、装置、计算机设备和存储介质
US10212397B2 (en) Abandoned object detection apparatus and method and system
CN110738857B (zh) 一种车辆违章取证方法、装置及设备
CN103699677B (zh) 一种基于人脸识别技术的罪犯行踪地图绘制系统及其方法
KR102122859B1 (ko) 교통 영상감시시스템의 멀티 표적 추적 방법
Chang et al. Video analytics in smart transportation for the AIC'18 challenge
WO2003003310A1 (en) Moving object assessment system and method
CN108694399B (zh) 车牌识别方法、装置及系统
EP1399889A1 (en) Method for monitoring a moving object and system regarding same
WO2003003721A1 (en) Surveillance system and methods regarding same
CN110738150B (zh) 相机联动抓拍方法、装置以及计算机存储介质
KR102282800B1 (ko) 라이다와 영상카메라를 이용한 멀티 표적 추적 방법
US8620022B2 (en) Event structure system and controlling method and medium for the same
CN113822285A (zh) 一种用于复杂应用场景的车辆违停识别方法
CN111489380B (zh) 一种目标物体轨迹分析方法
CN112084892B (zh) 一种道路异常事件检测管理装置及其方法
CN111008993A (zh) 一种行人跨镜追踪的方法及装置
Mehboob et al. Trajectory based vehicle counting and anomalous event visualization in smart cities
CN114360261B (zh) 车辆逆行的识别方法、装置、大数据分析平台和介质
CN105227918A (zh) 一种智能监控方法及装置
CN112800918A (zh) 一种非法运动目标的身份识别方法及装置
CN116311166A (zh) 交通障碍物识别方法、装置及电子设备

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