CN112735148A - 营区车辆超速判别方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种营区车辆超速判别方法、装置、电子设备及存储介质，该方法包括：根据营区情况选择多个监控点；根据所述监控点获取车辆的行驶数据；将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速。本发明实施例提供的一种营区车辆超速判别方法，通过在营区内选择多个监控点测量出各行驶车辆的速度并进行记录处理，解决了现有技术中通过雷达监测营区内车速存在信息泄漏、投资费用较大并且存在干扰特定设备的风险，实现了可在多个监控点测量车辆速度并且数据实时保存和上传，能够进行实时报警的效果，提升了营区内的车速管理效果。

Description

营区车辆超速判别方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及车辆监测技术，尤其涉及一种营区车辆超速判别方法、装置、电子设备及存储介质。

背景技术

军事营区内车辆速度具有严格的管控需求，其行驶速度规定一般不超过25km/h；营区纠察人员通过查看路侧车速指示牌确定经过测试点的车辆车速，并决定是否进行纠察。当前营区车辆是否超速判别多采用雷达测试方法，此方法需要部署固定雷达测试点。其单台雷达测试覆盖范围有限，如扩大车辆监控范围则需要部署多台雷达；而部署多雷达不但投资费用大，而且多雷达发射信号存在信息泄漏和干扰特定设备的风险，不具备规模化实施优势。

发明内容

本发明提供一种营区车辆超速判别方法、装置、电子设备及存储介质，以实现实时监控营区内的车速情况。

第一方面，本发明实施例提供了一种营区车辆超速判别方法，包括：

根据营区情况选择多个监控点；

根据所述监控点获取车辆的行驶数据；

将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速。

可选的，所述根据所述监控点获取车辆的行驶数据包括：

根据所述监控点选择多个静态参考点；

根据所述静态参考点获取车辆的行驶数据。

可选的，所述根据所述静态参考点获取车辆的行驶数据包括：

记录车辆遮挡所述多个静态参考点的遮挡时间；

根据所述遮挡时间获取车辆的行驶数据。

可选的，所述根据所述监控点获取车辆的行驶数据之后还包括：

选择训练样本对未训练好的深度学习模型进行训练。

可选的，所述选择训练样本对未训练好的深度学习模型进行训练包括：

选择多个监控点获取车辆的行驶数据作为训练样本；

将所述训练样本输入到未训练好的深度学习模型中以获取训练好的深度学习模型。

可选的，所述将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速之后还包括：

若车辆超速行驶，则将所述行驶数据推送到管理处。

可选的，还包括：

若车辆未超速行驶，则将所述行驶数据进行保存。

第二方面，本发明实施例还提供了一种营区车辆超速判别装置，该装置包括：

获取模块，用于根据营区情况选择多个监控点；

处理模块，用于根据所述监控点获取车辆的行驶数据；

判断模块，用于将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器或一个或多个电子设备执行，使得所述一个或多个处理器实现如上述任一所述的营区车辆超速判别方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序包括程序指令，该程序指令被处理器执行时实现如权利要求1-7中任一所述的营区车辆超速判别方法。

本发明实施例公开了一种营区车辆超速判别方法、装置、电子设备及存储介质，该方法包括：根据营区情况选择多个监控点；根据所述监控点获取车辆的行驶数据；将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速。本发明实施例提供的一种营区车辆超速判别方法，通过在营区内选择多个监控点测量出各行驶车辆的速度并进行记录处理，解决了现有技术中通过雷达监测营区内车速存在信息泄漏、投资费用较大并且存在干扰特定设备的风险，实现了可在多个监控点测量车辆速度并且数据实时保存和上传，能够进行实时报警的效果，提升了营区内的车速管理效果。

附图说明

图1为本发明实施例一提供的一种营区车辆超速判别方法的流程示意图；

图2为本发明实施例二提供的一种营区车辆超速判别方法的流程示意图；

图3为本发明实施例三提供的一种营区车辆超速判别装置的结构示意图；

图4为本发明实施例四提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。

此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一模块为第二模块，且类似地，可将第二模块称为第一模块。第一模块和第二模块两者都是模块，但其不是同一模块。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

实施例一

图1为本发明实施例一提供的一种营区车辆超速判别方法的流程示意图，本实施例提供的一种营区车辆超速判别方法适用于在营区内对车辆车速进行实时监控的情况，具体地，本实施例提供的一种营区车辆超速判别方法，包括以下步骤：

步骤100、根据营区情况选择多个监控点。

在本实施例中，在营区中首先选择多个合适的监控点，该监控点设置摄像头与参照物便于进行图像获取，示例性的，例如在路口或者拐弯处设置摄像头，在车辆驶过时，摄像头可以进行实时抓拍，通过多处抓拍车辆行驶图像，可以在适合的计算方法内确定车辆速度。

步骤110、根据所述监控点获取车辆的行驶数据。

在本实施例中，通过设置的多个监控点来获取车辆的行驶数据，该行驶数据包括汽车车速、行驶情况、是否违规等等，具体地，在本实施中，步骤110包括：

步骤111、根据所述监控点选择多个静态参考点。

具体地，根据所述监控点选择多个静态参考点还包括：记录车辆遮挡所述多个静态参考点的遮挡时间；根据所述遮挡时间获取车辆的行驶数据。

步骤112、根据所述静态参考点获取车辆的行驶数据。

在本实施例中，静态参考点设置与摄像头对面，当汽车行驶过摄像头时，可以通过遮挡静态参考点的时间来判断车辆速度。示例性的，以设置三个静态参考点为例进行说明，第一参考点识别到车辆和第一静态参考点被遮挡的第一个图像帧，记录第一个时间点S1；第二参考点识别到车辆和车牌，准确记录到车辆车牌以确认车辆身份；第三参考点识别车辆和第二参考点被遮挡的第一个图像帧，记录第二个时间点S2，据此，车速＝参考点间距离/(S2-S1)。

步骤120、将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速。

在本实施例中，将行驶数据数据输入到预先训练好的深度学习模型中，判断汽车在其行驶距离内是否超速，深度学习模型可以为深度卷积神经网络，也可以为其他神经网络模型，在本实施例中不做限定。当车辆超速时，可以将该信息推送到营区管理处进行纠察。

本发明实施例公开了一种营区车辆超速判别方法，该方法包括：根据营区情况选择多个监控点；根据所述监控点获取车辆的行驶数据；将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速。本发明实施例提供的一种营区车辆超速判别方法，通过在营区内选择多个监控点测量出各行驶车辆的速度并进行记录处理，解决了现有技术中通过雷达监测营区内车速存在信息泄漏、投资费用较大并且存在干扰特定设备的风险，实现了可在多个监控点测量车辆速度并且数据实时保存和上传，能够进行实时报警的效果，提升了营区内的车速管理效果。

实施例二

图2为本发明实施例一提供的一种营区车辆超速判别方法的流程示意图，本实施例提供的一种营区车辆超速判别方法适用于在营区内对车辆车速进行实时监控的情况，具体地，本实施例提供的一种营区车辆超速判别方法，包括以下步骤：

步骤200、根据营区情况选择多个监控点。

在本实施例中，在营区中首先选择多个合适的监控点，该监控点设置摄像头与参照物便于进行图像获取，示例性的，例如在路口或者拐弯处设置摄像头，在车辆驶过时，摄像头可以进行实时抓拍，通过多处抓拍车辆行驶图像，可以在适合的计算方法内确定车辆速度。

步骤210、根据所述监控点获取车辆的行驶数据。

静态参考点设置与摄像头对面，当汽车行驶过摄像头时，可以通过遮挡静态参考点的时间来判断车辆速度。示例性的，以设置三个静态参考点为例进行说明，第一参考点识别到车辆和第一静态参考点被遮挡的第一个图像帧，记录第一个时间点S1；第二参考点识别到车辆和车牌，准确记录到车辆车牌以确认车辆身份；第三参考点识别车辆和第二参考点被遮挡的第一个图像帧，记录第二个时间点S2，据此，车速＝参考点间距离/(S2-S1)。

步骤220、选择训练样本对未训练好的深度学习模型进行训练。

在本实施例中，所述选择训练样本对未训练好的深度学习模型进行训练包括：选择多个监控点获取车辆的行驶数据作为训练样本；将所述训练样本输入到未训练好的深度学习模型中以获取训练好的深度学习模型。具体地，训练样本为汽车的多种行驶数据，例如，同一辆汽车在多个参考点的车速识别结果作为训练样本，对深度学习模型进行训练。

步骤230、将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速。

在本实施例中，将行驶数据数据输入到预先训练好的深度学习模型中，判断汽车在其行驶距离内是否超速，深度学习模型可以为深度卷积神经网络，也可以为其他神经网络模型，在本实施例中不做限定。当车辆超速时，可以将该信息推送到营区管理处进行纠察。

步骤240、若车辆超速行驶，则将所述行驶数据推送到管理处。

在本实施例中，当车辆的车速超过预设车速例如25km/h时，会将该车辆的车牌、车速、车辆行驶路线等等数据推送到管理处，管理处会根据该数据对相应车辆进行处罚处理，若超速过多则可以及时排出人员进行制止，避免发生交通事故。

步骤250、若车辆未超速行驶，则将所述行驶数据进行保存。

在本实施例中，当车辆没有超速行驶时，会将车辆的相关行驶数据在数据库中进行保存，方便后续调用数据进行模型训练或者进行数据核查。

本发明实施例公开了一种营区车辆超速判别方法，该方法包括：根据营区情况选择多个监控点；根据所述监控点获取车辆的行驶数据；将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速。本发明实施例提供的一种营区车辆超速判别方法，通过在营区内选择多个监控点测量出各行驶车辆的速度并进行记录处理，解决了现有技术中通过雷达监测营区内车速存在信息泄漏、投资费用较大并且存在干扰特定设备的风险，实现了可在多个监控点测量车辆速度并且数据实时保存和上传，能够进行实时报警的效果，提升了营区内的车速管理效果。

实施例三

本发明实施例的营区车辆超速判别装置可以实行本发明任意实施例所提供的营区车辆超速判别方法，具备执行方法相应的功能模块和有益效果。图3是本发明实施例中的一种营区车辆超速判别装置300的结构示意图。参照图3，本发明实施例提供的营区车辆超速判别装置300具体可以包括：

获取模块310，用于根据营区情况选择多个监控点；

处理模块320，用于根据所述监控点获取车辆的行驶数据；

判断模块330，用于将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速。

进一步的，所述根据所述监控点获取车辆的行驶数据包括：

根据所述监控点选择多个静态参考点；

根据所述静态参考点获取车辆的行驶数据。

进一步的，所述根据所述静态参考点获取车辆的行驶数据包括：

记录车辆遮挡所述多个静态参考点的遮挡时间；

根据所述遮挡时间获取车辆的行驶数据。

进一步的，所述根据所述监控点获取车辆的行驶数据之后还包括：

选择训练样本对未训练好的深度学习模型进行训练。

进一步的，所述选择训练样本对未训练好的深度学习模型进行训练包括：

选择多个监控点获取车辆的行驶数据作为训练样本；

将所述训练样本输入到未训练好的深度学习模型中以获取训练好的深度学习模型。

进一步的，所述将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速之后还包括：

若车辆超速行驶，则将所述行驶数据推送到管理处。

进一步的，还包括：

若车辆未超速行驶，则将所述行驶数据进行保存。

本发明实施例公开了一种营区车辆超速判别装置，该装置包括：获取模块，用于根据营区情况选择多个监控点；处理模块，用于根据所述监控点获取车辆的行驶数据；判断模块，用于将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速。本发明实施例提供的一种营区车辆超速判别方法，通过在营区内选择多个监控点测量出各行驶车辆的速度并进行记录处理，解决了现有技术中通过雷达监测营区内车速存在信息泄漏、投资费用较大并且存在干扰特定设备的风险，实现了可在多个监控点测量车辆速度并且数据实时保存和上传，能够进行实时报警的效果，提升了营区内的车速管理效果。

实施例四

图4为本发明实施例提供的一种电子设备的结构示意图，如图4所示，该电子设备包括存储器410、处理器420，设备中处理器420的数量可以是一个或多个，图4中以一个处理器420为例；服务器中的存储器410、处理器420可以通过总线或其他方式连接，图4中以通过总线连接为例。

存储器410作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的营区车辆超速判别方法对应的程序指令/模块(例如，营区车辆超速判别方法装置300中获取模块310、处理模块320、判断模块330)处理器420通过运行存储在存储器410中的软件程序、指令以及模块，从而执行服务器/终端/服务器的各种功能应用以及数据处理，即实现上述的营区车辆超速判别方法。

其中，处理器420用于运行存储在存储器410中的计算机程序，实现如下步骤：

根据营区情况选择多个监控点；

根据所述监控点获取车辆的行驶数据；

将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速。

在其中一个实施例中，本发明实施例所提供的一种电子设备，其计算机程序不限于如上的方法操作，还可以执行本发明任意实施例所提供的营区车辆超速判别方法中的相关操作。

存储器410可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器410可进一步包括相对于处理器420远程设置的存储器，这些远程存储器可以通过网络连接至服务器/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本发明实施例公开了一种营区车辆超速判别电子设备，用于执行以下方法：根据营区情况选择多个监控点；根据所述监控点获取车辆的行驶数据；将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速。本发明实施例提供的一种营区车辆超速判别方法，通过在营区内选择多个监控点测量出各行驶车辆的速度并进行记录处理，解决了现有技术中通过雷达监测营区内车速存在信息泄漏、投资费用较大并且存在干扰特定设备的风险，实现了可在多个监控点测量车辆速度并且数据实时保存和上传，能够进行实时报警的效果，提升了营区内的车速管理效果。

实施例五

本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种营区车辆超速判别方法，该方法包括：

根据营区情况选择多个监控点；

根据所述监控点获取车辆的行驶数据；

将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的一种营区车辆超速判别方法中的相关操作。

本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

存储介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

本发明实施例公开了一种营区车辆超速判别存储介质，用于执行以下方法：根据营区情况选择多个监控点；根据所述监控点获取车辆的行驶数据；将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速。本发明实施例提供的一种营区车辆超速判别方法，通过在营区内选择多个监控点测量出各行驶车辆的速度并进行记录处理，解决了现有技术中通过雷达监测营区内车速存在信息泄漏、投资费用较大并且存在干扰特定设备的风险，实现了可在多个监控点测量车辆速度并且数据实时保存和上传，能够进行实时报警的效果，提升了营区内的车速管理效果。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种营区车辆超速判别方法，其特征在于，包括：

根据营区情况选择多个监控点；

根据所述监控点获取车辆的行驶数据；

将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速。

2.根据权利要求1中所述的营区车辆超速判别方法，其特征在于，所述根据所述监控点获取车辆的行驶数据包括：

根据所述监控点选择多个静态参考点；

根据所述静态参考点获取车辆的行驶数据。

3.根据权利要求2中所述的营区车辆超速判别方法，其特征在于，所述根据所述静态参考点获取车辆的行驶数据包括：

记录车辆遮挡所述多个静态参考点的遮挡时间；

根据所述遮挡时间获取车辆的行驶数据。

4.根据权利要求1中所述的营区车辆超速判别方法，其特征在于，所述根据所述监控点获取车辆的行驶数据之后还包括：

选择训练样本对未训练好的深度学习模型进行训练。

5.根据权利要求4中所述的营区车辆超速判别方法，其特征在于，所述选择训练样本对未训练好的深度学习模型进行训练包括：

选择多个监控点获取车辆的行驶数据作为训练样本；

将所述训练样本输入到未训练好的深度学习模型中以获取训练好的深度学习模型。

6.根据权利要求1中所述的营区车辆超速判别方法，其特征在于，所述将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速之后还包括：

若车辆超速行驶，则将所述行驶数据推送到管理处。

7.根据权利要求6中所述的营区车辆超速判别方法，其特征在于，还包括：

若车辆未超速行驶，则将所述行驶数据进行保存。

8.一种营区车辆超速判别装置，其特征在于，包括：

获取模块，用于根据营区情况选择多个监控点；

处理模块，用于根据所述监控点获取车辆的行驶数据；

判断模块，用于将所述行驶数据输入到训练好的深度学习模型中以判断车辆是否超速。

9.一种电子设备，其特征在于，所述电子设备包括：

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器或一个或多个电子设备执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的营区车辆超速判别方法。

10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序包括程序指令，其特征在于，该程序指令被处理器执行时实现如权利要求1-7中任一所述的营区车辆超速判别方法。

Images