CN112861701B - 违章停车识别方法、装置、电子设备以及计算机可读介质 - Google Patents
违章停车识别方法、装置、电子设备以及计算机可读介质 Download PDFInfo
- Publication number
- CN112861701B CN112861701B CN202110153636.XA CN202110153636A CN112861701B CN 112861701 B CN112861701 B CN 112861701B CN 202110153636 A CN202110153636 A CN 202110153636A CN 112861701 B CN112861701 B CN 112861701B
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- illegal
- area
- violation
- 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.)
- Active
Links
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
- G06V20/56—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
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V20/588—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
-
- 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
-
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Abstract
本申请公开了一种违章停车识别方法和装置,涉及人工智能技术领域,尤其涉及深度学习、智能交通、计算机视觉等技术领域。具体实现方案为:获取车辆轨迹数据以及与车辆轨迹数据对应的道路图像;提取道路图像中的停车位区域信息;基于车辆轨迹数据,识别违章区域信息;去除违章区域信息中与停车位区域信息对应的违章区域信息,得到违章停车信息。该实施方式节省了违停监管的成本。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及深度学习、智能交通、计算机视觉等技术领域,尤其涉及一种违章停车识别方法、装置、电子设备、计算机可读介质以及计算机程序产品。
背景技术
随着国家经济的迅猛发展以及人民生活水平的提高,居民驾车出行日益剧增,由此带来一系列交通违规现象,当前城市违章停车监控能力主要处于人工监测阶段,其成本高且实时性、高效性无法得到保障。虽然,部分地区使用智能抓拍设备对违章停车自动监控,但其价格昂贵,很难大规模铺设。
发明内容
提供了一种违章停车识别方法、装置、电子设备、计算机可读介质以及计算机程序产品。
根据第一方面,提供了一种违章停车识别方法,上述方法包括:获取车辆轨迹数据以及与车辆轨迹数据对应的道路图像;提取道路图像中的停车位区域信息;基于车辆轨迹数据,识别违章区域信息;去除违章区域信息中与停车位区域信息对应的违章区域信息,得到违章停车信息。
根据第二方面,提供了一种违章停车识别装置,该装置包括:获取单元,被配置成获取车辆轨迹数据以及与车辆轨迹数据对应的道路图像;区域提取单元,被配置成提取道路图像中的停车位区域信息;信息识别单元,被配置成基于车辆轨迹数据,识别违章区域信息;得到单元,被配置成去除违章区域信息中与停车位区域信息对应的违章区域信息,得到违章停车信息。
根据第三方面,提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器,其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面任一实现方式描述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面任一实现方式描述的方法。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如第一方面任一实现方式描述的方法。
本申请的实施例提供的违章停车识别方法和装置,首先,获取车辆轨迹数据以及车辆轨迹数据对应的道路图像;其次,提取道路图像中的停车位区域信息;再次,基于车辆轨迹数据,识别违章区域信息;最后,去除违章区域信息中与停车位区域信息对应的违章区域信息,得到违章停车信息。由此,基于车辆轨迹数据和道路图像,对违章停车信息进行精准自动化识别,减少了人工的工作量,节省了违停监管成本,保障了违章停车监控范围。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请违章停车识别方法的一个实施例的流程图;
图2是本申请中车辆轨迹图像的一种示意图;
图3是本申请中违章区域信息对应的违章区域的一种示意图;
图4是根据本申请违章停车识别方法的另一个实施例的流程图;
图5是本申请中由应用端显示的违停管理平台的一种示意图;
图6是根据本申请违章停车识别方法的第三个实施的流程图;
图7是根据本申请违章停车识别方法的第四个实施的流程图;
图8是根据本申请违章停车识别装置的实施例的结构示意图;
图9是用来实现本申请实施例的违章停车识别方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1示出了根据本申请违章停车识别方法的一个实施例的流程100,上述违章停车识别方法包括以下步骤:
步骤101,获取车辆轨迹数据以及与车辆轨迹数据对应的道路图像。
本实施例中,车辆轨迹数据是至少一辆待测车辆的轨迹数据,该轨迹数据中每个数据点对应一个经纬度下的车辆轨迹信息,违章停车识别方法运行于其上的执行主体可以获取所有待测车辆的车辆轨迹数据,该执行主体还可以通过各个车辆上的车载摄像头获取与车辆轨迹数据对应的道路图像,车辆运行过程中,通过车载摄像头可以将车辆运行过程中路面的情况以及路面周围物体拍摄下来,得到道路图像。
本实施例中,车辆轨迹信息是待测车辆实时的运行位置、运行方向、运行状态(暂停、行驶、停止)等信息。道路图像包括:道路路面的图像(交通标线图像、路面图像、道路障碍物图像等)、道路周围物体的图像(道路周围的车辆图像、绿植图像、行人图像)等,本实施例中,道路路面的图像以及道路周围物体的图像统称为道路物体的图像。
步骤102,提取道路图像中的停车位区域信息。
本实施例中,停车位区域信息是标定停车位区域的信息,具体地,停车位区域信息可以包括:停车位信息、停车位编号、停车位位置等信息,其中,停车位信息为停车位的属性值,属性值包括停车位规格(长、宽)、停车位颜色、停车位附加值(停车时间段)等。停车位编号为识别停车位的唯一标识。
道路图像包括道路路面图像,道路路面图像包括交通标线图像,而交通标线图像包括停车位标线图像,本实施例中,通过停车位标线图像可以快速定位道路图像中的停车位区域。可选地,可以预先训练完成用于识别停车位的停车位识别模型,将道路图像输入该停车位识别模型,得到该停车位识别模型输出的停车位区域信息。
在本实施例的一些可选实现方式中,还可以采用语义分割模型区分道路图像中的道路物体信息,并在得到道路物体信息之后,筛选出道路物体信息中的停车位区域信息。上述提取道路图像中的停车位区域信息,包括:将道路图像输入已训练完成的语义分割模型,得到语义分割模型输出的道路物体信息;从道路物体信息提取停车位区域信息。
本可选实现方式中,道路物体信息是定位道路中各个道路物体的信息,道路物体例如可以包括:道路路面、路面停车位、路面标线、车身、车牌、绿植、路沿、行人等。在语义分割模型训练过程中,可以为每个道路物体设置标签,在语义分割模型训练完成后,将道路图像输入训练完成的语义分割模型,可以得到该语义分割模型输出的不同道路物体的信息,其中,输出的信息可以通过各个道路物体标签确定各个道路物体。
本可选实现方式中,上述语义分割模型可以是基于深度学习的模型,该深度学习模型可以采用的模型结构包括但不限于FCN、SegNet、PSPNet、DeepLab系列等,语义分割模型对道路图像中各个道路物体进行语义分割。根据语义分割模型输出的停车位区域的标签,提取停车位区域信息。
本可选实现方式中,通过语义分割可以区分得到道路图像中所有物体的图像,提高了停车位区域信息提取的可靠性。
步骤103,基于车辆轨迹数据,识别违章区域信息。
本实施例中,车辆轨迹数据是不同经纬度下待测车辆实时的运行位置、运行方向、运行状态等数据,在道路中允许运行的车道线范围内的区域内均是车辆的非违章区域,而在允许运行的车道线范围之外的区域均是违章区域,当待测车辆运行到违章区域之后,确定车辆为违章车辆。
本实施例中,违章区域信息是标识违章区域的信息,违章区域信息可以包括违章区域位置、违章区域编码、违章区域属性(区域面积、违章区域可参考的建筑等)。
可选地,违章区域信息可以通过训练完成的深度学习模型识别得到,该深度学习模型是基于大量在违章区域的车辆状态训练得到的。通过深度学习模型得到的该违章区域信息对应的道路图像中的违章区域是较粗略违章区域,例如,较粗略违章区域可以包括停车位区域和实际违章区域。
在本实施例的一些可选实现方式中,上述基于车辆轨迹数据,识别违章区域信息,包括:基于车辆轨迹数据,生成车辆轨迹图像;将车辆轨迹图像输入已训练完成的违章区域识别模型,得到违章区域识别模型输出的违章区域信息。
具体地,如图2所示,根据多个待测车辆的运行方向、运行位置等车辆行驶轨迹数据,生成车辆轨迹图像1;进一步,将车辆轨迹图像1输入已训练完成的违章区域识别模型,得到该违章区域识别模型输出的违章区域信息,如图3所示为违章区域信息对应的违章区域2。
本可选实现方式中,训练完成的违章区域识别模型用于检测车辆轨迹图像中的违章区域,训练完成的违章区域识别模型是预先训练好的模型。执行主体在获取包含大量车辆轨迹图像的训练样本之后,采用训练样本训练初始违章区域识别模型,经过对初始违章区域识别模型的多次训练、评估和算法调参后,获得训练完成的违章区域识别模型。将车辆轨迹图像输入训练完成的违章区域识别模型后,可以得到该违章区域识别模型输出的违章区域信息。
本可选实现方式中,已训练完成的违章区域识别模型可以是深度学习模型,利用深度学习模型对车辆轨迹图像进行特征提取,然后进行分类。分类为违章停车区域或非违章停车区域,该违章区域识别模型得到的违章区域信息包括:是否是违章区域的标签以及违章区域的识别框,其中,识别框用于表示违章区域的位置以及违章区域的大小。
本可选实现方式中,将车辆轨迹数据生成车辆轨迹图像,通过违章区域识别模型识别车辆轨迹图像中的违章区域信息,为车辆轨迹数据中违章区域信息提取提供了可靠基础。
步骤104,去除违章区域信息中与停车位区域信息对应的违章区域信息,得到违章停车信息。
本实施例中,违章区域信息是标识违章区域的信息,该违章区域是粗略车辆违规区域,该粗略车辆违规区域包括实际违章区域和停车位区域;违章停车信息是标识实际违章区域的信息,实际违章区域相对上述违章区域信息对应的违章区域是较精确的违章区域。
基于道路图像中提取的停车位区域信息,可以确定停车位区域信息对应的停车位区域,而道路图像中的停车位区域与违章区域信息中的停车位区域重合,因此去除违章区域信息中与停车位区域对应的违章区域信息,得到的是违章区域信息中实际违章区域对应的违章区域信息,也即违章停车信息。
本实施例中,违章停车信息包括:实际违章区域位置、实际违章区域编码、实际违章区域属性(区域面积、违章区域可参考的建筑等)等信息。
本申请实施例提供的违章停车识别方法,首先,获取车辆轨迹数据以及车辆轨迹数据对应的道路图像;其次,提取道路图像中的停车位区域信息;再次,基于车辆轨迹数据,识别违章区域信息;最后,去除违章区域信息中与停车位区域信息对应的违章区域信息,得到违章停车信息。由此,基于车辆轨迹数据和道路图像,对违章停车信息进行精准自动化识别,减少了人工的工作量,节省了违停监管成本,保障了违章停车监控范围。
图4示出了根据本申请违章停车识别方法的另一个实施例的流程400。上述违章停车识别方法包括以下步骤:
步骤401,获取车辆轨迹数据以及与车辆轨迹数据对应的道路图像。
步骤402,提取道路图像中的停车位区域信息。
步骤403,基于车辆轨迹数据,识别违章区域信息。
步骤404,去除违章区域信息中与停车位区域信息对应的违章区域信息,得到违章停车信息。
应当理解,上述步骤401-步骤404中的操作和特征,分别与步骤101-104中的操作和特征相对应,因此,上述在步骤101-104中对于操作和特征的描述,同样适用于步骤401-步骤404,在此不再赘述。
步骤405,基于道路图像,提取违章停车信息的实际违章区域对应的车辆信息。
本实施例中,违章停车信息是标识实际违章区域的信息,实际违章区域是车辆在道路上的非正常区域,其也是非停车位区域,在确定实际违章区域之后,进一步地,可以识别道路图像中该实际违章区域中的车辆。
本实施例中,车辆信息是标识待测车辆的信息,车辆信息包括:车辆在道路图像中的位置、车辆在图像中的方向、车辆上配件(车牌、车灯、行李架等)图像、车辆数量、车辆编号等,需要说明的是,车辆编号是识别每一辆车的标识,本实施例中,通过提取得到的车辆信息可以精确地区分实际违章区域中的各个车辆。
为了更加精确的识别违章车辆,在本实施例的一些可选实现方式中,车辆信息包括:车牌号,基于道路图像,提取违章停车信息的实际违章区域对应的车辆信息包括:基于道路图像,识别违章停车信息的实际违章区域对应的车辆的车牌区域图像;提取车牌区域图像中的车牌号。
本可选实现方式中,违章停车信息是标识实际违章区域的信息,实际违章区域中运行的车辆则为违章车辆。基于道路图像,可以得到实际违章区域的违章车辆,进一步地,在确定违章车辆的车牌区域图像之后,还可以通过OCR(Optical Character Recognition,光学字符识别)等方法识别车牌区域图像中的车牌号。
在实践中,在得到违章车辆的车牌区域图像之后,可以对车牌区域图像进行二值化、降噪、倾斜矫正预处理,使用“CNN+LSTM+CTC”或“CNN+RNN+Attention”等深度学习网络模型进行车牌号的识别。
本可选实现方式中,确定实际违章区域对应的车牌区域图像,提取车牌号,提高了车牌号的提取效果。
在本实施例的一些可选实现方式中,上述方法还包括:将违章停车信息和车辆信息,存储入违停管理平台的数据库,以使管理人员在违停管理平台对实际违章区域中的车辆进行监控。
本可选实现方式中,违停管理平台是为了监控实际违章区域以及实际违章区域中车辆而设置的平台,该违停管理平台可以支持网页端和应用端(如图5所示),便于操作人员实时在违停管理平台查看实际违章区域以及车辆。进一步地,根据各实际违章区域中车辆数量的不同,可以在违停管理平台显示各个实际违章区域以及各个实际违章区域中的车辆的车辆信息,如图5中的实际违章区域A、B、C,其中,在实际违章区域A中有3辆违章车辆,在实际违章区域B中有7辆违章车辆,在实际违章区域C中有0辆违章车辆。进一步,在违停管理平台中还可以基于区域中车辆的车辆信息为各个实际违章区域设置不同颜色,比如,车辆数量大于5辆时,违停管理平台上显示的实际违章区域呈红色(图中未示出);车辆数量为0时,违停管理平台上显示的实际违章区域呈灰色(图中未示出)。
本实施例中,实际违章区域可以是一个区域也可以多个区域,操作人员在违停管理平台选中任意一实际违章区域之后,可查看该实际违章区域中车辆的车辆信息(比如车牌号),并且违停管理平台还可以为操作人员提供去往当前选中的实际违章区域的导航路线。当操作人员对实际违章区域中的车辆进行违规处罚之后,可以直接取消该实际违章区域或者使该实际违章区域显示车辆数量为0或者将该实际违章区域显示的颜色变为设定颜色(比如,灰色)。
本可选实现方式中,违停管理平台的数据库中可以基于执行主体对违章停车信息和车辆信息的实时采集结果进行更新,并且该更新结果也在违停管理平台进行实时显示,以便于操作人员实时观察。
本可选实现方式中,将违章区域信息和车辆信息,存储入违停管理平台的数据库,以使管理人员在违停管理平台对实际违章区域中的车辆进行监控,减少了实际交通拥堵并且提高了交通安全性。
本申请的实施例提供的违章停车识别方法,在得到违章停车信息之后,基于道路图像,提取违章停车信息的实际违章区域对应的车辆信息,实现了违章停车信息对应的车辆区域图像中的车辆信息的精准自动化识别,节省了监管人员对车辆信息进行监控的成本。
图6示出了根据本申请违章停车识别方法的第三个实施例的流程600。上述违章停车识别方法包括以下步骤:
步骤601,获取车辆轨迹数据以及与车辆轨迹数据对应的道路图像。
步骤602,提取道路图像中的停车位区域信息。
步骤603,基于车辆轨迹数据,识别违章区域信息。
步骤604,去除违章区域信息中与停车位区域信息对应的违章区域信息,得到违章停车信息。
应当理解,上述步骤601-步骤604中的操作和特征,分别与步骤101-104中的操作和特征相对应,因此,上述在步骤101-104中对于操作和特征的描述,同样适用于步骤601-步骤604,在此不再赘述。
步骤605,识别道路图像中车辆的车辆区域图像。
本实施例中,针对道路图像中每个车辆,可以通过训练完成的目标检测模型识别得到确定车辆区域图像。目标检测模型用于检测道路图像中的车辆区域,目标检测模型是预先训练好的模型,执行主体在获取包含大量车辆图像的训练样本之后,采用训练样本训练初始目标检测模型,经过对初始目标检测模型的多次训练、评估和算法调参后,获得训练完成的目标检测模型。将道路图像输入训练完成的目标检测模型后,可以得到该目标检测模型输出的车辆区域图像。
步骤606,提取违章停车信息对应的车辆区域图像中的车辆信息。
本实施例中,违章停车信息是标识实际违章区域的信息,而违章停车信息对应的车辆区域图像也是实际违章区域对应的车辆区域图像,进一步地,车辆区域图像中的车辆信息是在实际违章区域中车辆的车辆信息。
在本实施例的一些可选实现方式中,上述方法还包括:将违章停车信息和车辆信息,存储入违停管理平台的数据库,以使管理人员在违停管理平台对实际违章区域中的车辆进行监控。
本可选实现方式中,将违章区域信息和车辆信息,存储入违停管理平台的数据库,以使管理人员在违停管理平台对实际违章区域中的车辆进行监控,减少了交通拥堵并且提高了交通安全性。
本申请实施例提供的违章停车识别方法,在得到违章停车信息之后,识别道路图像中车辆的车辆区域图像,并提取违章停车信息对应的车辆区域图像中的车辆信息,实现了违章停车信息对应的车辆区域图像中的车辆信息的精准自动化识别,节省了监管人员对车辆信息进行监控的成本。
针对上述实施例,本申请提供的违章停车识别方法还可以基于提取道路图像中的停车位区域信息的过程中得到的道路物体信息,确定道路物体信息中的车辆信息。图7示出了根据本申请违章停车识别方法的第三个实施例的流程700。上述违章停车识别方法包括以下步骤:
步骤701,获取车辆轨迹数据以及与车辆轨迹数据对应的道路图像。
步骤702,将道路图像输入已训练完成的语义分割模型,得到语义分割模型输出的道路物体信息。
步骤703,从道路物体信息提取停车位区域信息。
步骤704,基于车辆轨迹数据,识别违章区域信息。
步骤705,去除违章区域信息中与停车位区域信息对应的违章区域信息,得到违章停车信息。
应当理解,上述步骤701-步骤705中的操作和特征,分别与步骤101、步骤103、步骤104以及步骤102的具体方式中的操作和特征相对应,因此,上述在步骤101、步骤103、步骤104以及步骤102的具体方式中对于操作和特征的描述,同样适用于步骤701-步骤705,在此不再赘述。
步骤706,基于违章停车信息、道路图像以及道路物体信息,得到车辆信息。
本实施例中,违章停车信息是标识实际违章区域的信息,道路物体信息是道路图像中各个道路物体(道路路面、路面停车位、路面标线、车身、车牌等)进行语义分割后得到的信息。上述基于违章停车信息、道路图像以及道路物体信息,得到车辆信息包括:根据语义分割模型输出的与车辆相关的标签,确定道路物体信息中的车辆相关信息(例如,车身信息、车牌信息等);基于道路物体信息中的车辆相关信息以及道路图像,确定道路图像中的车辆区域图像;进一步地,由于违章停车信息对应的实际违章区域,基于违章停车信息得到实际违章区域,从道路图像中的车辆区域图像中选取实际违章区域中的车辆区域图像,并提取实际违章区域中的车辆区域图像的车辆信息(车牌号、车辆颜色、车辆数量等)。
在本实施例的一些可选实现方式中,上述违章停车识别方法还包括:将违章停车信息和车辆信息,存储入违停管理平台的数据库,以使管理人员在违停管理平台对实际违章区域中的车辆进行监控。
本可选实现方式中,将违章区域信息和车辆信息,存储入违停管理平台的数据库,以使管理人员在违停管理平台对实际违章区域中的车辆进行监控,减少了交通拥堵并且提高了交通安全性。
本实施例提供的违章停车识别方法,将道路图像输入已训练完成的语义分割模型,得到语义分割模型输出的道路物体信息,基于违章停车信息、道路图像以及道路物体信息,得到车辆信息,为车辆信息的获取提供了可靠的途径,保证了信息获取的可靠性。
进一步参考图8,作为对上述各图所示方法的实现,本申请提供了违章停车识别装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可应用于各种电子设备中。
如图8所示,本实施例提供的违章停车识别装置800包括:获取单元801,区域提取单元802,信息识别单元803,违章得到单元804。其中,上述获取单元801,可以被配置成获取车辆轨迹数据以及与车辆轨迹数据对应的道路图像。上述区域提取单元802,可以被配置成提取道路图像中的停车位区域信息。上述信息识别单元803,可以被配置成基于车辆轨迹数据,识别违章区域信息;上述违章得到单元804,可以被配置成去除违章区域信息中与停车位区域信息对应的违章区域信息,得到违章停车信息。
在本实施例中,违章停车识别装置800中:获取单元801,区域提取单元802,信息识别单元803,违章得到单元804的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101、步骤102、步骤103、步骤104的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述区域提取单元802包括:语义分析模块(图中未示出),区域提取模块(图中未示出)。其中,上述语义分析模块,可以被配置成将道路图像输入已训练完成的语义分割模型,得到语义分割模型输出的道路物体信息。上述区域提取模块,可以被配置成从道路物体信息提取停车位区域信息。
在本实施例的一些可选的实现方式中,上述信息识别单元803包括:图像生成模块(图中未示出),区域识别模块(图中未示出)。其中,上述图像生成模块,可以被配置成基于车辆轨迹数据,生成车辆轨迹图像。上述区域识别模块,可以被配置成将车辆轨迹图像输入已训练完成的违章区域识别模型,得到违章区域识别模型输出的违章区域信息。
在本实施例的一些可选的实现方式中,上述装置800还包括:信息得到单元(图中未示出)。上述信息得到单元,可以被配置成基于违章停车信息、道路图像以及道路物体信息,得到车辆信息。
在本实施例的一些可选的实现方式中,上述装置800还包括:信息提取单元(图中未示出)。上述信息提取单元,可以被配置成基于道路图像,提取违章停车信息的实际违章区域对应的车辆信息。
在本实施例的一些可选的实现方式中,上述车辆信息包括:车牌号;上述信息提取单元包括:图像识别模块(图中未示出),车牌提取模块(图中未示出)。其中,上述图像识别模块,可以被配置成基于道路图像,识别违章停车信息的实际违章区域对应的车辆的车牌区域图像。上述车牌提取模块,可以被配置成提取车牌区域图像中的车牌号。
在本实施例的一些可选的实现方式中,上述装置800还包括:图像识别单元(图中未示出),信息提取单元(图中未示出)。其中,上述图像识别单元,可以被配置成识别道路图像中车辆的车辆区域图像;上述信息提取单元,可以被配置成提取违章停车信息对应的车辆区域图像中的车辆信息。
在本实施例的一些可选的实现方式中,上述装置800还包括:存储单元(图中未示出)。上述存储单元可以被配置成将违章停车信息和车辆信息,存储入违停管理平台的数据库,以使管理人员在违停管理平台对实际违章区域中的车辆进行监控。
本申请的实施例提供的违章停车识别装置,首先,获取单元801获取车辆轨迹数据以及车辆轨迹数据对应的道路图像;其次,区域提取单元802提取道路图像中的停车位区域信息;再次,信息识别单元803基于车辆轨迹数据,识别违章区域信息;最后,违章得到单元804去除违章区域信息中与停车位区域信息对应的违章区域信息,得到违章停车信息。由此,基于车辆轨迹数据和道路图像,对违章停车信息进行精准自动化识别,减少了人工的工作量,节省了违停监管成本,保障了违章停车监控范围。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本申请的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如违章停车识别方法。例如,在一些实施例中,违章停车识别方法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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的违章停车识别方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行违章停车识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、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)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请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。
在本申请的上下文中,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。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (15)
1.一种违章停车识别方法,所述方法包括:
获取车辆轨迹数据以及与所述车辆轨迹数据对应的道路图像;
提取所述道路图像中的停车位区域信息;
基于所述车辆轨迹数据,识别违章区域信息包括:基于所述车辆轨迹数据,生成车辆轨迹图像;将所述车辆轨迹图像输入已训练完成的违章区域识别模型,得到所述违章区域识别模型输出的违章区域信息;
去除所述违章区域信息中与所述停车位区域信息对应的违章区域信息,得到违章停车信息。
2.根据权利要求1所述的方法,其中,所述提取所述道路图像中的停车位区域信息,包括:
将所述道路图像输入已训练完成的语义分割模型,得到所述语义分割模型输出的道路物体信息;
从所述道路物体信息提取停车位区域信息。
3.根据权利要求2所述的方法,其中,所述方法还包括:
基于所述违章停车信息、所述道路图像以及所述道路物体信息,得到车辆信息。
4.根据权利要求1所述的方法,所述方法还包括:
基于所述道路图像,提取所述违章停车信息的实际违章区域对应的车辆信息。
5.根据权利要求4所述的方法,所述车辆信息包括:车牌号;所述基于所述道路图像,提取所述违章停车信息的实际违章区域对应的车辆信息包括:
基于所述道路图像,识别所述违章停车信息的实际违章区域对应的车辆的车牌区域图像;
提取所述车牌区域图像中的车牌号。
6.根据权利要求1所述的方法,所述方法还包括:
识别所述道路图像中车辆的车辆区域图像;
提取所述违章停车信息对应的车辆区域图像中的车辆信息。
7.根据权利要求3-6之一所述的方法,所述方法还包括:
将所述违章停车信息和所述车辆信息,存储入违停管理平台的数据库,以使管理人员在所述违停管理平台对所述实际违章区域中的车辆进行监控。
8.一种违章停车识别装置,所述装置包括:
获取单元,被配置成获取车辆轨迹数据以及与所述车辆轨迹数据对应的道路图像;
区域提取单元,被配置成提取所述道路图像中的停车位区域信息;
信息识别单元,被配置成基于所述车辆轨迹数据,识别违章区域信息;所述信息识别单元进一步被配置成:基于所述车辆轨迹数据,生成车辆轨迹图像;将所述车辆轨迹图像输入已训练完成的违章区域识别模型,得到所述违章区域识别模型输出的违章区域信息;
违章得到单元,被配置成去除所述违章区域信息中与所述停车位区域信息对应的违章区域信息,得到违章停车信息。
9.根据权利要求8所述的装置,其中,所述区域提取单元包括:
语义分析模块,被配置成将所述道路图像输入已训练完成的语义分割模型,得到所述语义分割模型输出的道路物体信息;
区域提取模块,被配置成从所述道路物体信息提取停车位区域信息。
10.根据权利要求9所述的装置,所述装置还包括:
信息得到单元,被配置成基于所述违章停车信息、所述道路图像以及所述道路物体信息,得到车辆信息。
11.根据权利要求8所述的装置,所述装置还包括:
信息提取单元,被配置成提取所述违章停车信息的实际违章区域对应的车辆信息。
12.根据权利要求8所述的装置,所述装置还包括:
图像识别单元,被配置成识别所述道路图像中车辆的车辆区域图像;
信息提取单元,被配置成提取所述违章停车信息对应的车辆区域图像中的车辆信息。
13.根据权利要求10-12之一所述的装置,所述装置还包括:
存储单元,被配置成将所述违章停车信息和所述车辆信息,存储入违停管理平台的数据库,以使管理人员在所述违停管理平台对所述实际违章区域中的车辆进行监控。
14.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110153636.XA CN112861701B (zh) | 2021-02-04 | 2021-02-04 | 违章停车识别方法、装置、电子设备以及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110153636.XA CN112861701B (zh) | 2021-02-04 | 2021-02-04 | 违章停车识别方法、装置、电子设备以及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861701A CN112861701A (zh) | 2021-05-28 |
CN112861701B true CN112861701B (zh) | 2023-09-22 |
Family
ID=75986706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110153636.XA Active CN112861701B (zh) | 2021-02-04 | 2021-02-04 | 违章停车识别方法、装置、电子设备以及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861701B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115719465B (zh) * | 2022-11-24 | 2023-11-03 | 北京百度网讯科技有限公司 | 车辆检测方法、装置、设备、存储介质以及程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004145632A (ja) * | 2002-10-24 | 2004-05-20 | Ishikawajima Harima Heavy Ind Co Ltd | 駐車違反車両検出システム及び方法 |
CN108256554A (zh) * | 2017-12-20 | 2018-07-06 | 深圳市金溢科技股份有限公司 | 基于深度学习的车辆逆向停车判断方法、服务器及系统 |
CN110136449A (zh) * | 2019-06-17 | 2019-08-16 | 珠海华园信息技术有限公司 | 基于深度学习的交通视频车辆违停自动识别抓拍的方法 |
CN110379171A (zh) * | 2019-06-28 | 2019-10-25 | 深圳市轱辘汽车维修技术有限公司 | 非固定停车位的违章停车识别方法和装置 |
JP2019192025A (ja) * | 2018-04-26 | 2019-10-31 | パナソニック株式会社 | 駐車監視システム、駐車監視方法および記録媒体 |
CN112183350A (zh) * | 2020-09-28 | 2021-01-05 | 天地伟业技术有限公司 | 一种基于视频的违章停车检测方法 |
-
2021
- 2021-02-04 CN CN202110153636.XA patent/CN112861701B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004145632A (ja) * | 2002-10-24 | 2004-05-20 | Ishikawajima Harima Heavy Ind Co Ltd | 駐車違反車両検出システム及び方法 |
CN108256554A (zh) * | 2017-12-20 | 2018-07-06 | 深圳市金溢科技股份有限公司 | 基于深度学习的车辆逆向停车判断方法、服务器及系统 |
JP2019192025A (ja) * | 2018-04-26 | 2019-10-31 | パナソニック株式会社 | 駐車監視システム、駐車監視方法および記録媒体 |
CN110136449A (zh) * | 2019-06-17 | 2019-08-16 | 珠海华园信息技术有限公司 | 基于深度学习的交通视频车辆违停自动识别抓拍的方法 |
CN110379171A (zh) * | 2019-06-28 | 2019-10-25 | 深圳市轱辘汽车维修技术有限公司 | 非固定停车位的违章停车识别方法和装置 |
CN112183350A (zh) * | 2020-09-28 | 2021-01-05 | 天地伟业技术有限公司 | 一种基于视频的违章停车检测方法 |
Non-Patent Citations (1)
Title |
---|
肖军弼 等.加油站中基于自适应阈值分割的车辆停车检测方法.计算机应用与软件.2019,第36卷(第2期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112861701A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110798805B (zh) | 基于gps轨迹的数据处理方法、装置及存储介质 | |
Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
CN112598192B (zh) | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 | |
CN112766069A (zh) | 基于深度学习的车辆违停检测方法、装置及电子设备 | |
CN111191604A (zh) | 检测车牌完整性的方法、设备和存储介质 | |
CN112818792A (zh) | 车道线检测方法、装置、电子设备及计算机存储介质 | |
CN113989777A (zh) | 高精地图限速标牌与车道位置的识别方法、装置和设备 | |
Bulugu | Algorithm for license plate localization and recognition for tanzania car plate numbers | |
CN112861701B (zh) | 违章停车识别方法、装置、电子设备以及计算机可读介质 | |
CN114581886A (zh) | 结合语义分割和频域分析的能见度判别方法、装置及介质 | |
CN112883236B (zh) | 一种地图更新方法、装置、电子设备及存储介质 | |
CN111967451B (zh) | 一种道路拥堵检测方法及装置 | |
CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
CN114998863B (zh) | 目标道路识别方法、装置、电子设备以及存储介质 | |
CN115995075A (zh) | 一种车辆自适应导航方法、装置、电子设备及存储介质 | |
CN112926630B (zh) | 路线规划方法、装置、电子设备以及计算机可读介质 | |
CN115063765A (zh) | 一种道路边界线确定方法、装置、设备及存储介质 | |
CN115019511A (zh) | 基于自动驾驶车辆的识别机动车违规变道的方法和装置 | |
CN114495049A (zh) | 识别车道线的方法和装置 | |
CN113806361B (zh) | 电子监控设备与道路的关联方法、装置及存储介质 | |
CN114529768B (zh) | 确定对象类别的方法、装置、电子设备和存储介质 | |
CN113378850B (zh) | 模型训练方法、路面损伤分割方法、装置和电子设备 | |
CN114911813B (zh) | 车载感知模型的更新方法、装置、电子设备及存储介质 | |
Husni et al. | Pothole Detection using Deep Learning | |
CN114693777A (zh) | 交通标志的空间位置确定方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |