CN113076851A - 一种车辆违章数据的采集方法、装置以及计算机设备 - Google Patents
一种车辆违章数据的采集方法、装置以及计算机设备 Download PDFInfo
- Publication number
- CN113076851A CN113076851A CN202110335762.7A CN202110335762A CN113076851A CN 113076851 A CN113076851 A CN 113076851A CN 202110335762 A CN202110335762 A CN 202110335762A CN 113076851 A CN113076851 A CN 113076851A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- lane
- line
- video
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000008859 change Effects 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06V20/50—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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车辆违章数据的采集方法、装置及计算机设备，其中，该方法包括：根据第一视频帧，提取第一车辆边界框的坐标及车道线，并计算交点坐标，继而计算第一车辆的压线率；当根据第一车辆的压线率，确定第一车辆压线时，保存第一违法图片数据；根据第二视频帧，计算第二车辆的压线率；当根据第二车辆的压线率，确定第二车辆为压线车辆，且与第一车辆为同一车辆时，确定第一车辆为目标车辆，当确定目标车辆进行变道时，将第二视频帧保存为第二违法图片数据；对视频图像数据中的多个视频帧进行检测，确定目标车辆的目标帧数量；当目标帧数量小于第二预设阈值时，且目标车辆完成变道时，将目标帧保存为第三违法图片数据。
Description
技术领域
本发明涉及智能交通领域，具体涉及一种车辆违章数据的采集方法、装置以及计算机设备。
背景技术
车辆在实际行驶行车场景中，进行白实线变道或者双黄线变道，均属于交通违章行为，但上述交通违章行为的发生时间以及发生地点均不固定，因此，对于此类违章行为，交通执法部门的取证较为困难。
为了对实线变道的交通违章行为进行取证，目前普遍采用摄像头抓拍的方法，分为固定摄像头抓拍和移动摄像头抓拍，固定摄像头一般安装在交通繁忙的重要路段，因摄像头固定，视频背景具有不变性，算法相对简单，可以实现自动抓拍；另一方面，移动摄像头则安装在行驶的车辆上，取证装置设置于移动执法车辆的外部，该取证装置能够随着执法车辆的移动对前方车辆变道行为进行拍摄取证；还有是将摄像头安装在普通车辆的内部，分为人工手动抓拍和自动抓拍，人工手动抓拍需要驾驶员发现前方车辆违章时，手动触发报警按钮，还可以结合人工智能技术实现自动抓拍，例如，存在一种自动抓拍车辆违章变道的摄像装置，摄像装置安装在车辆内部的挡风玻璃正上方，并内置了车辆违章变道识别模块，该模块能够分析前方车辆及路面视频数据中前后帧的关系，对违章行为进行自动抓拍，并将前方车辆变道视频数据通过无线传输模块发送给云平台。
但是，上述相关装置均存在一定程度的问题，首先，采用重要路段安装固定摄像头方式，采集位置固定，只能抓拍固定区域的交通违法行为，不够灵活；采用行车视频记录仪加上人工按钮的方式，因需要通过驾驶员按键触发，不利于证据真实性和行车安全性；采用警用专用巡逻车的方式，因受限于巡逻车的数量，不便于大规模普及；采用普通车上安装自动抓拍设备的方式，但因为实际场景往往非常复杂，无法准确分辨车辆是否违规以及无法获取到合规的违规证据。
发明内容
有鉴于此，本发明实施例提供了一种车辆、装置违章数据的采集方法、装置以及计算机设备，以解决相关技术中存在的采集位置不灵活、采集到的违章数据较为不准确的问题。
根据第一方面，本发明实施例提供了一种车辆违章数据的采集方法，包括：获取视频图像数据，所述视频图像数据中包括多个视频帧；根据第一视频帧，提取第一车辆边界框的坐标以及车道线，并计算所述第一车辆边界框与车道线的交点坐标；根据所述第一车辆边界框的坐标以及所述交点坐标，计算所述第一车辆的压线率；当根据所述第一车辆的压线率，确定所述第一车辆压线时，将所述第一车辆边界框的坐标以及所述第一视频帧保存为第一违法图片数据；根据第二视频帧，计算第二车辆的压线率；当根据所述第二车辆的压线率，确定所述第二车辆为压线车辆，且确定所述第一车辆与所述第二车辆为同一车辆时，确定所述第一车辆为目标车辆，判断所述目标车辆是否进行变道；当确定所述目标车辆进行变道时，将所述第二视频帧保存为第二违法图片数据；对所述视频图像数据中的多个视频帧进行检测，确定所述目标车辆的目标帧数量；当所述目标帧数量小于第二预设阈值时，判断所述目标车辆是否完成变道；当所述目标车辆完成变道时，将目标帧保存为第三违法图片数据。
可选地，该采集方法还包括：将所述第一违法图片数据、所述第二违法图片数据以及第三违法图片数据上传至云平台，并识别所目标车辆的身份特征信息。
可选地，所述根据第一视频帧，提取第一车辆边界框的坐标以及车道线，并计算所述第一车辆边界框与车道线的交点坐标，包括：根据预设车辆检测模型，对第一视频帧进行检测，提取所述第一车辆边界框的坐标，并确定所述第一车辆的类型，所述类型为公交车、客车、小车、大型运输车、异型车的其中一种；根据预设车道线检测模型，对第一视频帧进行检测，生成像素概率图；根据所述像素概率图以及第一预设阈值，拟合生成车道线曲线；根据所述车道线曲线，计算所述第一车辆边界框与车道线的交点坐标。
可选地，通过以下公式计算所述第一车辆的压线率：
r＝AO/AB，
其中，r为第一车辆的压线率，A表示所述第一车辆边界框底边的第一顶点，B表示所述第一车辆边界框底边的第二顶点，O表示所述第一车辆边界框与车道线的交点；当所述第一车辆的压线率满足第一条件时，确定所述第一车辆为压线车辆，所述第一条件为0≤r≤1。
可选地，所述根据第二视频帧，计算第二车辆的压线率，包括：根据预设车辆检测模型，对第二视频帧进行检测，提取所述第二车辆边界框的坐标；根据预设车道线检测模型，对第二视频帧进行检测，生成像素概率图；根据所述像素概率图以及第一预设阈值，拟合生成车道线曲线；根据所述车道线曲线，计算所述第二车辆边界框与车道线的交点坐标；根据所述第二车辆边界框的坐标以及所述交点坐标，计算所述第二车辆的压线率。
可选地，当根据所述第二车辆的压线率确定所述第二车辆不压线时，更新未出现压线车辆的帧数；当所述未出现压线车辆的帧数大于标准阈值时，删除第一违法图片数据。
可选地，所述判断所述目标车辆是否进行变道，包括：根据所述视频图像数据，确定所述目标车辆在多个视频帧中的压线率序列；当所述视频帧数量与所述压线率序列满足第二条件时，确定所述目标车辆已经开始进行变道；
所述判断所述目标车辆是否完成变道，包括：根据所述视频图像数据，确定所述目标车辆在多个视频帧中的压线率序列；当所述视频帧数量与所述压线率序列满足第三条件时，确定所述目标车辆已经完成变道。
可选地，所述第二条件为ymax-ymin>a，且存在一个y0使得ymin+&<y0<ymax-&，且如果x1<x2，当x1+δ<x0<x2-δ时，确定所述目标车辆已经开始进行变道，目标车辆从右侧变道到左侧；
或者：第二条件为ymax-ymin>a，且存在一个y0使得ymin+&<y0<ymax-&，且如果x1>x2，当x2+θ<x0<x1-θ时，确定所述目标车辆已经开始进行变道，目标车辆从左侧变道到右侧；
当x1<x2时，所述第三条件为y＝1；
当x1>x2时，所述第三条件为y＝0；
其中，x表示多个视频帧的帧数，y表示每个视频帧中目标车辆的压线率，&、a、δ、θ均为根据预设数据库确定的经验阈值，x0与y0对应。
根据第二方面，本发明实施例提供了一种车辆违章数据的采集装置，包括：获取模块，用于获取视频图像数据，所述视频图像数据中包括多个视频帧；提取模块，用于根据第一视频帧，提取第一车辆边界框的坐标以及车道线，并计算所述第一车辆边界框与车道线的交点坐标；第一计算模块，用于根据所述第一车辆边界框的坐标以及所述交点坐标，计算所述第一车辆的压线率；第一保存模块，用于当根据所述第一车辆的压线率，确定所述第一车辆压线时，将所述第一车辆边界框的坐标以及所述第一视频帧保存为第一违法图片数据；第二计算模块，用于根据第二视频帧，计算第二车辆的压线率；第二确定模块，用于当根据所述第二车辆的压线率，确定所述第二车辆为压线车辆，且确定所述第一车辆与所述第二车辆为同一车辆时，确定所述第一车辆为目标车辆，判断所述目标车辆是否进行变道；第二保存模块，用于当确定所述目标车辆进行变道时，将所述第二视频帧保存为第二违法图片数据；第三确定模块，用于对所述视频图像数据中的多个视频帧进行检测，确定所述目标车辆的目标帧数量；变道完成判断模块，用于当所述目标帧数量小于第二预设阈值时，判断所述目标车辆是否完成变道；第三保存模块，用于当所述目标车辆完成变道时，将目标帧保存为第三违法图片数据。
根据第三方面，本发明实施例提供了一种计算机设备，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执行第一方面或者第一方面的任意一种实施方式中所述的车辆违章数据的采集方法的步骤。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面或者第一方面的任意一种实施方式中所述的车辆违章数据的采集方法的步骤。
本发明技术方案，具有如下优点：
本发明提供的一种车辆违章数据的采集方法、装置以及计算机设备，其中，该采集方法包括：获取视频图像数据，视频图像数据中包括多个视频帧；根据第一视频帧，提取第一车辆边界框的坐标以及车道线，并计算第一车辆边界框与车道线的交点坐标；根据第一车辆边界框的坐标以及交点坐标，计算第一车辆的压线率；当根据第一车辆的压线率，确定第一车辆压线时，将第一车辆边界框的坐标以及第一视频帧保存为第一违法图片数据；根据第二视频帧，计算第二车辆的压线率；当根据第二车辆的压线率，确定第二车辆为压线车辆，且确定第一车辆与第二车辆为同一车辆时，确定第一车辆为目标车辆，判断目标车辆是否进行变道；当确定目标车辆进行变道时，将第二视频帧保存为第二违法图片数据；对视频图像数据中的多个视频帧进行检测，确定目标车辆的目标帧数量；当目标帧数量小于第二预设阈值时，判断目标车辆是否完成变道；当目标车辆完成变道时，将目标帧保存为第三违法图片数据。
通过实施本发明，解决了相关技术中存在的采集位置不灵活、采集到的违章数据较为不准确、无法保证证据真实性的问题，结合单个摄像头输入的视频图像数据，自动加载多种预设算法，对视频图像数据进行实时处理，提高抓拍事件的准确率，并且抓拍到的图片和视频能全面体现车辆实线变道的过程，作为交警执法的有力支撑，可以在车辆较多时实现对车辆的准确检测。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中车辆违章数据的采集方法的一个具体示例的流程图；
图2为本发明实施例中车辆违章数据的采集方法中计算第一车辆边界框与车道线的交点坐标的一个具体示例的流程图；
图3为本发明实施例中车辆违章数据的采集方法中目标车辆与车道线的位置关系示意图；
图4为本发明实施例中车辆违章数据的采集方法中车道线跟踪的示意图；
图5为本发明实施例中车辆违章数据的采集方法中另一个具体示例的示意图；
图6为本发明实施例中车辆违章数据的采集装置的一个具体示例的原理框图；为本发明实施例中车辆违章数据的采集方法中的示意图；
图7为本发明实施例中计算机设备的一个具体示例图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
相关技术中采用重要路段安装固定采集摄像头方式，受限于位置固定，只能抓拍固定区域的交通违法行为，不够灵活；采用行车视频记录仪加上人工按钮的方式，因需要通过驾驶员按键触发，不利于证据真实性和行车安全性；采用警用专用巡逻车的方式，因受限于巡逻车的数量，不便于大规模普及；采用普通车上安装自动抓拍设备的方式，但因为实际场景往往非常复杂，目前的算法还无法实现较高的抓拍准确率和证据合规性。
基于上述问题，本发明实施例提供了一种车辆违章数据的采集方法、装置以及计算机设备，目的是为了实现违章车辆实现变道全过程的自动抓拍，上述违章数据的采集方法可以应用于抓拍设备中，抓拍设备可以设置于车辆挡风玻璃的正上方，所述抓拍设备中的处理器用于实现本发明实施例所述的违章数据的采集方法，可以利用单个摄像头输入的视频图像数据，对视频图像数据进行实时处理，且对抓拍设备的硬件要求较低，还可以在极大程度上提高违章数据抓拍的准确性以及及时性，为交警执法提供了有力支撑。
本发明实施例提供了一种车辆违章数据的采集方法，如图1所示，包括：
步骤S101：获取视频图像数据，视频图像数据中包括多个视频帧；在本实施例中，视频图像数据可以是抓拍设备中设置的单个摄像头采集到的视频流，具体地，视频图像数据中可以包括多个视频帧，且多个视频帧按时间顺序依次排列。
步骤S102：根据第一视频帧，提取第一车辆边界框的坐标以及车道线，并计算第一车辆边界框与车道线的交点坐标；
在本实施例中，通过预设车辆检测模型对第一视频帧进行检测，预设车辆检测模型的输出可以是第一视频帧中存在的所有车辆的车辆边界框的坐标，即第一车辆边界框可以是第一视频帧中存在的所有车辆的任意一个；通过预设车道线检测模型对第一视频帧进行检测，预设车道线检测模型可以分别输出第一视频帧中所有车道线基于像素点的概率图，即车道线。
具体地，根据输出的第一车辆边界框的坐标以及输出的车道线，计算第一车辆边界框与车道线的交点坐标。
步骤S103：根据第一车辆边界框的坐标以及交点坐标，计算第一车辆的压线率；
在本实施例中，压线率用于表征上述第一车辆边界框与车道线的位置关系，第一车辆边界框可以在车道线的左侧，第一车辆边界框也可以在车道线的右侧，第一车辆边界框还可以与车道线相交；所述第一车辆边界框的坐标可以包括第一车辆边界框底边的两个顶点坐标，包括左侧的第一顶点坐标以及右侧的第二顶点坐标，根据第一顶点与交点之间距离、第一顶点与第二顶点之间距离的比值计算压线率。
步骤S104：当根据第一车辆的压线率，确定第一车辆压线时，将第一车辆边界框的坐标以及第一视频帧保存为第一违法图片数据；
在本实施例中，当第一车辆的压线率符合第一阈值范围时，可以确定第一车辆压线，第一阈值范围可以是【0,1】。具体地，当确定第一视频帧中存在车辆压线时，将所述第一视频帧以及所述第一车辆边界框的坐标，保存为第一张车辆违章图片证据。
步骤S105：根据第二视频帧，计算第二车辆的压线率；在本实施例中，对第二视频帧进行步骤S102-步骤S103类似的处理，在此不再赘述，继而确定所述第二视频帧中第二车辆的压线率，其中，第二车辆可以是第二视频帧中检测到所有车辆中的任意一辆，第二视频帧与第一视频帧之间可以间隔任意个视频帧。
步骤S106：当根据第二车辆的压线率，确定第二车辆为压线车辆，且确定第一车辆与第二车辆为同一车辆时，确定第一车辆为目标车辆，判断目标车辆是否进行变道；
在本实施例中，当第二车辆的压线率符合第一阈值范围时，可以确定第二车辆压线，第一阈值范围可以是【0,1】。具体地，可以根据预设IOU车辆跟踪算法确定压线的第二车辆与压线的第一车辆是否为同一车辆。具体地，根据第一视频帧建立跟踪车辆集合P，在第n视频帧中，预设车辆检测模型输出的车辆集合可以是Q，对于P中的每一辆车p，均根据预设IOU车辆跟踪算法与Q中的车辆q进行IOU计算，当计算出的IOU计算值大于或等于预设标准阈值时，可以认为p和q相匹配，也就是实现了对车辆p的跟踪，此时可以认为p和q为同一车辆，用q的边界框更新p的边界框，也就是说，根据所述第二车辆边界框的坐标更新所述第一车辆边界框的坐标，继而确定所述第二车辆为目标车辆，继而判断所述第二车辆是否开始进行变道。
具体地，当在视频图像数据中的连续多个视频帧中，根据预设车辆检测模型、预设车道线检测模型以及预设IOU车辆跟踪算法，计算出的IOU计算值小于预设标准阈值时，认为车辆p与q没有匹配，判断车辆p丢失，此时，可以将跟踪车辆集合P中的车辆p删除；如果车辆q没有被P中的车辆匹配，则认为是新出现车辆，直接将q扩充到P中。
例如，在第一视频帧，根据预设车辆检测模型，创建跟踪车辆集合为P，其中存在车辆a、车辆b、车辆c；在第n视频帧中，预设车辆检测模型输出的车辆集合可以是Q，其中存在车辆d、车辆e、车辆f，根据预设IOU车辆跟踪算法，计算P中各车辆与Q中各车辆的IOU计算值；预设阈值可以为0.3。
当P中车辆a与Q中车辆d、车辆e、车辆f的IOU计算值均小于预设阈值时，可以认为跟踪车辆集合P中车辆a在第n视频帧中丢失，继而在下一视频帧中执行上述实施例所述的方法，直至车辆a丢失目标次数时，例如五次，此时可以确认车辆a完全丢失，将跟踪车辆集合P中车辆a删除。
当Q中车辆d与P中车辆a、车辆b、车辆c的IOU计算值均小于预设阈值时，可以认为第n视频帧的车辆检测集合Q中的车辆d为新出现车辆，继而在下一视频帧中执行上述实施例所述的方法，直至车辆d新出现目标次数时，例如五次，此时可以确认车辆d为新出现的车辆，将车辆d添加至跟踪车辆集合P中。
具体地，当确定第一视频帧中存在车辆压线时，将所述第一视频帧以及所述第一车辆边界框的坐标，保存为第一张车辆违章图片证据。
步骤S107：当确定目标车辆进行变道时，将第二视频帧保存为第二违法图片数据；
在本实施例中，判断目标车辆是否开始进行变道可以是基于压线率序列确定的，具体地，可以在视频图像数据中截取多个视频帧，并基于任意一个视频帧，均根据预设车辆检测模型、预设车道线检测模型以及预设IOU车辆跟踪算法，计算目标车辆的压线率，因此，可以得到视频帧数与压线率的对应关系。
当视频帧数与压线率的对应关系满足第二条件时，可以确定目标车辆进行变道时，将第二视频帧保存为第二违法图片数据，即截取第二张车辆违章图片证据。
步骤S108：对视频图像数据中的多个视频帧进行检测，确定目标车辆的目标帧数量；
在本实施例中，所述目标帧为目标车辆丢失帧或者目标车辆不压线帧。也就是说，当截取第二张车辆违章图片证据后，继续对视频图像数据中的其他多个视频帧进行检测，根据预设车辆检测模型、预设车道线检测模型以及预设IOU车辆跟踪算法，计算目标车辆的IOU计算值，计算出的IOU计算值小于预设标准阈值时，认为此视频帧中不存在与目标车辆相匹配的车辆，更新目标帧数据，也就是说将目标帧数据加1，继而对下一视频帧进行检测，进行与上述类似的过程，当计算出的IOU计算值小于预设标准阈值时，认为此视频帧中仍然不存在与目标车辆相匹配的车辆，更新目标帧数据，也就是说将目标帧数据继续加1，直至目标帧数量大于第二预设阈值，此时可以认为车辆丢失，也可以认为车辆仅仅压线但未变道，此时可以将之前保存的违法图片数据删除，降低系统能耗。
步骤S109：当目标帧数量小于第二预设阈值时，判断目标车辆是否完成变道；
在本实施例中，当在与第二张车辆违章图片证据对应的第二视频帧相邻的视频数据帧中检测到目标车辆时，此时目标车辆的目标帧数量为0，小于第二预设阈值，此时可以判断所述目标车辆是否完成变道，即根据与第二张车辆违章图片证据对应的第二视频帧相邻的视频数据帧中检测到目标车辆边界框的坐标以及与车道线的交点坐标，判断目标车辆是否完成变道。
步骤S110：当目标车辆完成变道时，将目标帧保存为第三违法图片数据。
在本实施例中，当根据与第二张车辆违章图片证据对应的第二视频帧相邻的视频数据帧中检测到目标车辆边界框的坐标以及与车道线的交点坐标，判断目标车辆完成变道时，将与第二张车辆违章图片证据对应的第二视频帧相邻的视频数据帧保存为第三张车辆违章图片证据。
当根据与第二张车辆违章图片证据对应的第二视频帧相邻的视频数据帧中检测到目标车辆边界框的坐标以及与车道线的交点坐标，判断目标车辆没有完成变道时，此时可以继续检测下一视频帧，重新判断此视频帧中是否存在目标车辆，且目标车辆是否完成变道，当确定目标车辆完成变道时，将此时正在检测的视频帧保存为第三张车辆违章图片证据。
本发明提供的一种车辆违章数据的采集方法，包括：获取视频图像数据，视频图像数据中包括多个视频帧；根据第一视频帧，提取第一车辆边界框的坐标以及车道线，并计算第一车辆边界框与车道线的交点坐标；根据第一车辆边界框的坐标以及交点坐标，计算第一车辆的压线率；当根据第一车辆的压线率，确定第一车辆压线时，将第一车辆边界框的坐标以及第一视频帧保存为第一违法图片数据；根据第二视频帧，计算第二车辆的压线率；当根据第二车辆的压线率，确定第二车辆为压线车辆，且确定第一车辆与第二车辆为同一车辆时，确定第一车辆为目标车辆，判断目标车辆是否进行变道；当确定目标车辆进行变道时，将第二视频帧保存为第二违法图片数据；对视频图像数据中的多个视频帧进行检测，确定目标车辆的目标帧数量；当目标帧数量小于第二预设阈值时，判断目标车辆是否完成变道；当目标车辆完成变道时，将目标帧保存为第三违法图片数据。
通过实施本发明，解决了相关技术中存在的采集位置不灵活、采集到的违章数据较为不准确、无法保证证据真实性的问题，结合单个摄像头输入的视频图像数据，自动加载多种预设算法，对视频图像数据进行实时处理，提高抓拍事件的准确率，并且抓拍到的图片和视频能全面体现车辆实线变道的过程，作为交警执法的有力支撑，可以在车辆较多时实现对车辆的准确检测。
作为本发明的一个可选地实施方式，该采集方法还包括：
将第一违法图片数据、第二违法图片数据以及第三违法图片数据上传至云平台，并识别所目标车辆的身份特征信息。
作为本发明的一个可选地实施方式，上述步骤S102，根据第一视频帧，提取第一车辆边界框的坐标以及车道线，并计算第一车辆边界框与车道线的交点坐标，包括：
步骤S21：根据预设车辆检测模型，对第一视频帧进行检测，提取第一车辆边界框的坐标，并确定第一车辆的类型，类型为公交车、客车、小车、大型运输车、异型车的其中一种；
在本实施例中，预设车辆检测模型可以是基于卷积神经网络(Deep ConvolutionNeural Network，DCNN)建立的，具体地，训练数据可以是由人工标注的训练数据，模型在处理视频图像过程中，能够给出车辆边界框在图像中的坐标，同时给出车辆的类别和置信度，其中，车辆类别划分为：公交车或客车、小车、大型运输车、异型车。
步骤S22：根据预设车道线检测模型，对第一视频帧进行检测，生成像素概率图；
在本实施例中，预设车道线检测模型可以是基于卷积神经网络(DeepConvolution Neural Network，DCNN)建立的，采用人工标注的车道线数据对模型进行训练，训练完成后，在处理视频帧的过程中，对于每一条车道线，模型均能够给出车道线的类别和基于像素点的概率图。
步骤S23：根据像素概率图以及第一预设阈值，拟合生成车道线曲线；在本实施例中，在概率图中提取概率大于阈值的像素点，利用车道线像素点的坐标拟合出车道线曲线，在实际应用过程中，可以将左上角标注为坐标系的原点。
具体地，可以采用3次曲线来描述车道线曲线的信息，具体地，可以通过以下三次曲线来拟合车道线曲线：
x＝ay3+by2+cy+d，其中，ymin≤y≤ymax，
其中，可以根据输出的坐标值确定参数a，b，c，d和ymax、ymin的值，即确定车道线曲线的坐标方程。
步骤S24：根据车道线曲线，计算第一车辆边界框与车道线的交点坐标。在本实施例中，第一车辆边界框与车道线的交点坐标可以是第一车辆边界框的底边的两个顶点所形成的线段与车道线的交点，即，A(xmin,y0)表示第一车辆边界框底边的第一顶点，可以是左侧顶点，B(xmax,y0)表示第一车辆边界框底边的第二顶点，可以是右侧顶点；第一车辆边界框与车道线的交点可以是O，交点O的x坐标为
在一可选实施例中，当ymix<y0<ymax，xmin<x0<xmax，则认为车辆边界框底边与车道线相交，也可以确定车辆压线。
作为本发明的一个可选地实施方式，通过以下公式计算第一车辆的压线率：
r＝AO/AB，
其中，r为第一车辆的压线率，A表示第一车辆边界框底边的第一顶点，B表示第一车辆边界框底边的第二顶点，O表示第一车辆边界框与车道线的交点；
当第一车辆的压线率满足第一条件时，确定第一车辆为压线车辆，第一条件为0≤r≤1。
具体地，如图3所示，设车辆边界框底边的左侧顶点为A，右侧顶点为B，AB或者AB的延长线与某条车道线的交点记为O，定义压线率r＝AO/AB。如图3中左侧图所示，当车辆在车道线左侧时，AO>AB>0，则r>1；如图3中间图所示，当车辆与车道线相交时，0≤AO≤AB，则0≤r≤1；如图3中右侧图所示，当车辆在车道线的右侧时，AO<0，AB>0，则r<0。也就是说，压线率能够反映车辆与车道线的位置关系。在实现车辆和车道线的跟踪基础上，记录车辆在一个时间序列中的压线率，通过实时分析压线率的变化情况，能够准确判断车辆实线变道的起点和终点，记录实线变道的整个过程。
作为本发明的一个可选地实施方式，上述步骤S105，根据第二视频帧，计算第二车辆的压线率，包括：
首先，根据预设车辆检测模型，对第二视频帧进行检测，提取第二车辆边界框的坐标；根据预设车道线检测模型，对第二视频帧进行检测，生成像素概率图；根据像素概率图以及第一预设阈值，拟合生成车道线曲线；根据车道线曲线，计算第二车辆边界框与车道线的交点坐标；根据第二车辆边界框的坐标以及交点坐标，计算第二车辆的压线率。
在本实施例中，对第二视频帧的检测过程可以是如上述实施例所述的方法类似，在此不再赘述。
作为本发明的一个可选地实施方式，当根据第二车辆的压线率确定第二车辆不压线时，更新未出现压线车辆的帧数；当未出现压线车辆的帧数大于标准阈值时，删除第一违法图片数据。
作为本发明的一个可选地实施方式，上述步骤中的判断目标车辆是否进行变道，包括：
根据视频图像数据，确定目标车辆在多个视频帧中的压线率序列；在本实施例中，分别计算目标车辆在视频图像数据的多个视频帧中的压线率，继而统计生成压线率序列。
当视频帧数量与压线率序列满足第二条件时，确定目标车辆已经开始进行变道；在本实施例中，具体地，第二条件为ymax-ymin>a，且存在一个y0使得ymin+&<y0<ymax-&，且如果x1<x2，当x1+δ<x0<x2-δ时，确定目标车辆已经开始进行变道，目标车辆从右侧变道到左侧；
或者：第二条件为ymax-ymin>a，且存在一个y0使得ymin+&<y0<ymax-&，且如果x1>x2，当x2+θ<x0<x1-θ时，确定目标车辆已经开始进行变道，目标车辆从左侧变道到右侧；
上述步骤中的判断目标车辆是否完成变道，包括：
根据视频图像数据，确定目标车辆在多个视频帧中的压线率序列；当视频帧数量与压线率序列满足第三条件时，确定目标车辆已经完成变道。在本实施例中，当x1<x2时，第三条件为y＝1；当x1>x2时，第三条件为y＝0；
其中，x表示多个视频帧的帧数，y表示每个视频帧中目标车辆的压线率，&、a、δ、θ均为根据预设数据库确定的经验阈值，x0与y0对应。
本发明实施例提供的一种违章数据的采集方法，可以分为车辆锁定前后两个部分采集违章变道车辆的违章数据，车辆锁定前能够兼顾多辆车同时或者交替压线的情况，车辆锁定后则更加关注当前车辆的变道情况。该流程可以抓拍车辆实线变道的3张高清图片，保存3张图片对应时刻车辆的边界框，并保存变道视频段、GPS信息，其中3张图片能够清晰反映车辆实线变道“前、中、后”三个阶段，图片和视频均能体现整个实线变道过程。
在一可选实施例中，如图4所示，车道线跟踪采用车道线上某点的横向位移来跟踪，因为上下帧之间的时间间隔较短，车道线的横向位移相对于车道线之间的间隔要小得多，具体方法为：当第一次出现车辆压实线时，求出该车道线与边界框底边的交点坐标，记为(x0,y0)，在下一帧的图像处理中，求出所有同类型的车道线在y0点的x值，记为x′0，计算横向移动距离d＝|x0-x′0|，若对于d中的最小值d0，满足d0≤dt，这里dt为阈值，则认为d0对应的车道线与上一帧的车道线是同一条车道线，反之，则不是，如图4所示，虚线b为当前帧检出的车道线，实线a为上一帧检出的车道线，当d0≤dt，并且车道线的类型一致时，认为a、b为同一条车道线。
在一可选实施例中，如图5所示，本发明实施例所述的方法的具体过程为：
开始；
A01：根据预设车辆检测模型以及预设车道线检测模型，检测车辆和车道线，采用预设IOU跟踪算法对车辆和车道线进行跟踪；
A02：计算所有车辆的压线率，并保持至压线率序列；
A03：分析压线率序列，判断是否有车辆压线，当存在有车辆压线时，则转到A04，否则存在车辆不压线时，重新回到步骤A01；
A04：保存当前车辆的信息，并保存一张图片；
A05：检测下一帧的车辆和车道线，并进行跟踪；
A06：计算所有车辆的压线率，并保持至压线率序列；
A07：分析压线率序列，判断是否有车辆压线，当存在有车辆压线时，则转到A08；当不存在车辆压线时，统计未出现压线车辆的帧数n，并转到A09；
A08：计算IOU，判断车辆是否为同一辆，如果是，则转到A10，否则删除之前保存的车辆和图片，并转到A04；
A09：判断n是否大于阈值，如果是，删除之前保存的车辆和图片，并转到A01；
A10：判断车辆是否进行变道，如果是，则转到A11，否则转到05；
A11：锁定车辆，并保存第二张图片；
A12：从下一帧的检测车辆中进行IOU匹配，并计算该车辆的压线率；
A13：统计该车辆的丢失帧数、不压线的帧数m；
A14：判断m是否大于阈值，如果是，则删除之前保存的车辆和图片，并转到A01，否则转到A15；
A15：分析该车辆是否完成变道，如果是，则保存第三张图片、缓存的视频、车辆信息、GPS信息等，并上传到云平台，否则转到A12；
A16：结束。
本发明实施例提供一种车辆违章数据的采集装置，如图6所示，包括：
获取模块301，用于获取视频图像数据，视频图像数据中包括多个视频帧；详细实施内容可参见上述方法实施例中步骤S11的相关描述。
提取模块302，用于根据第一视频帧，提取第一车辆边界框的坐标以及车道线，并计算第一车辆边界框与车道线的交点坐标；详细实施内容可参见上述方法实施例中步骤S11的相关描述。
第一计算模块303，用于根据第一车辆边界框的坐标以及交点坐标，计算第一车辆的压线率；详细实施内容可参见上述方法实施例中步骤S11的相关描述。
第一保存模块304，用于当根据第一车辆的压线率，确定第一车辆压线时，将第一车辆边界框的坐标以及第一视频帧保存为第一违法图片数据；详细实施内容可参见上述方法实施例中步骤S11的相关描述。
第二计算模块305，用于根据第二视频帧，计算第二车辆的压线率；详细实施内容可参见上述方法实施例中步骤S11的相关描述。
第二确定模块306，用于当根据第二车辆的压线率，确定第二车辆为压线车辆，且确定第一车辆与第二车辆为同一车辆时，确定第一车辆为目标车辆，判断目标车辆是否进行变道；详细实施内容可参见上述方法实施例中步骤S11的相关描述。
第二保存模块307，用于当确定目标车辆进行变道时，将第二视频帧保存为第二违法图片数据；详细实施内容可参见上述方法实施例中步骤S11的相关描述。
第三确定模块308，用于对视频图像数据中的多个视频帧进行检测，确定目标车辆的目标帧数量；详细实施内容可参见上述方法实施例中步骤S11的相关描述。
变道完成判断模块309，用于当目标帧数量小于第二预设阈值时，判断目标车辆是否完成变道；详细实施内容可参见上述方法实施例中步骤S11的相关描述。
第三保存模块310，用于当目标车辆完成变道时，将目标帧保存为第三违法图片数据。详细实施内容可参见上述方法实施例中步骤S11的相关描述。
本发明提供的一种车辆违章数据的采集装置，包括：获取视频图像数据，视频图像数据中包括多个视频帧；根据第一视频帧，提取第一车辆边界框的坐标以及车道线，并计算第一车辆边界框与车道线的交点坐标；根据第一车辆边界框的坐标以及交点坐标，计算第一车辆的压线率；当根据第一车辆的压线率，确定第一车辆压线时，将第一车辆边界框的坐标以及第一视频帧保存为第一违法图片数据；根据第二视频帧，计算第二车辆的压线率；当根据第二车辆的压线率，确定第二车辆为压线车辆，且确定第一车辆与第二车辆为同一车辆时，确定第一车辆为目标车辆，判断目标车辆是否进行变道；当确定目标车辆进行变道时，将第二视频帧保存为第二违法图片数据；对视频图像数据中的多个视频帧进行检测，确定目标车辆的目标帧数量；当目标帧数量小于第二预设阈值时，判断目标车辆是否完成变道；当目标车辆完成变道时，将目标帧保存为第三违法图片数据。
通过实施本发明，解决了相关技术中存在的采集位置不灵活、采集到的违章数据较为不准确、无法保证证据真实性的问题，结合单个摄像头输入的视频图像数据，自动加载多种预设算法，对视频图像数据进行实时处理，提高抓拍事件的准确率，并且抓拍到的图片和视频能全面体现车辆实线变道的过程，作为交警执法的有力支撑，可以在车辆较多时实现对车辆的准确检测。
本发明实施例还提供了一种计算机设备，如图7所示，该计算机设备可以包括处理器41和存储器42，其中处理器41和存储器42可以通过总线40或者其他方式连接，图7中以通过总线40连接为例。
处理器41可以为中央处理器(Central Processing Unit，CPU)。处理器41还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器42作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的车辆违章数据的采集方法对应的程序指令/模块。处理器41通过运行存储在存储器42中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的车辆违章数据的采集方法。
存储器42可以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、至少一个功能所需要的应用程序；存储数据区可存储处理器41所创建的数据等。此外，存储器42可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器42可选包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至处理器41。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。
所述一个或者多个模块存储在所述存储器42中，当被所述处理器41执行时，执行如图1、图2所示实施例中的车辆违章数据的采集方法。
上述计算机设备具体细节可以对应参阅图1、图2所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本发明实施例还提供了一种非暂态计算机可读介质，非暂态计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行如上述实施例中任意一项描述的车辆违章数据的采集方法，其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (11)
1.一种车辆违章数据的采集方法，其特征在于，包括：
获取视频图像数据，所述视频图像数据中包括多个视频帧；
根据第一视频帧，提取第一车辆边界框的坐标以及车道线，并计算所述第一车辆边界框与车道线的交点坐标；
根据所述第一车辆边界框的坐标以及所述交点坐标，计算所述第一车辆的压线率；
当根据所述第一车辆的压线率，确定所述第一车辆压线时，将所述第一车辆边界框的坐标以及所述第一视频帧保存为第一违法图片数据；
根据第二视频帧，计算第二车辆的压线率；
当根据所述第二车辆的压线率，确定所述第二车辆为压线车辆，且确定所述第一车辆与所述第二车辆为同一车辆时，确定所述第一车辆为目标车辆，判断所述目标车辆是否进行变道；
当确定所述目标车辆进行变道时，将所述第二视频帧保存为第二违法图片数据；
对所述视频图像数据中的多个视频帧进行检测，确定所述目标车辆的目标帧数量；
当所述目标帧数量小于第二预设阈值时，判断所述目标车辆是否完成变道；
当所述目标车辆完成变道时，将目标帧保存为第三违法图片数据。
2.根据权利要求1所述的方法，其特征在于，还包括：
将所述第一违法图片数据、所述第二违法图片数据以及第三违法图片数据上传至云平台，并识别所目标车辆的身份特征信息。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第一视频帧，提取第一车辆边界框的坐标以及车道线，并计算所述第一车辆边界框与车道线的交点坐标，包括：
根据预设车辆检测模型，对第一视频帧进行检测，提取所述第一车辆边界框的坐标，并确定所述第一车辆的类型，所述类型为公交车、客车、小车、大型运输车、异型车的其中一种；
根据预设车道线检测模型，对第一视频帧进行检测，生成像素概率图；
根据所述像素概率图以及第一预设阈值，拟合生成车道线曲线；
根据所述车道线曲线，计算所述第一车辆边界框与车道线的交点坐标。
4.根据权利要求3所述的方法，其特征在于，通过以下公式计算所述第一车辆的压线率：
r＝AO/AB，
其中，r为第一车辆的压线率，A表示所述第一车辆边界框底边的第一顶点，B表示所述第一车辆边界框底边的第二顶点，O表示所述第一车辆边界框与车道线的交点；
当所述第一车辆的压线率满足第一条件时，确定所述第一车辆为压线车辆，所述第一条件为0≤r≤1。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第二视频帧，计算所述第二车辆的压线率，包括：
根据预设车辆检测模型，对第二视频帧进行检测，提取所述第二车辆边界框的坐标；
根据预设车道线检测模型，对第二视频帧进行检测，生成像素概率图；
根据所述像素概率图以及第一预设阈值，拟合生成车道线曲线；
根据所述车道线曲线，计算所述第二车辆边界框与车道线的交点坐标；
根据所述第二车辆边界框的坐标以及所述交点坐标，计算所述第二车辆的压线率。
6.根据权利要求5所述的方法，其特征在于，当根据所述第二车辆的压线率确定所述第二车辆不压线时，更新未出现压线车辆的帧数；
当所述未出现压线车辆的帧数大于标准阈值时，删除第一违法图片数据。
7.根据权利要求1所述的方法，其特征在于，所述判断所述目标车辆是否进行变道，包括：
根据所述视频图像数据，确定所述目标车辆在多个视频帧中的压线率序列；
当所述视频帧数量与所述压线率序列满足第二条件时，确定所述目标车辆已经开始进行变道；
所述判断所述目标车辆是否完成变道，包括：
根据所述视频图像数据，确定所述目标车辆在多个视频帧中的压线率序列；
当所述视频帧数量与所述压线率序列满足第三条件时，确定所述目标车辆已经完成变道。
8.根据权利要求7所述的方法，其特征在于，所述第二条件为ymax-ymin＞a，且存在一个y0使得ymin+&＜y0＜ymax-&，且如果x1＜x2，当x1+δ＜x0＜x2-δ时，确定所述目标车辆已经开始进行变道，目标车辆从右侧变道到左侧；
或者：第二条件为ymax-ymin＞a，且存在一个y0使得ymin+&＜y0＜ymax-&，且如果x1＞x2，当x2+θ＜x0＜x1-θ时，确定所述目标车辆已经开始进行变道，目标车辆从左侧变道到右侧；
当x1＜x2时，所述第三条件为y＝1；
当x1＞x2时，所述第三条件为y＝0；
其中，x表示多个视频帧的帧数，y表示每个视频帧中目标车辆的压线率，&、a、δ、θ均为根据预设数据库确定的经验阈值，x0与y0对应。
9.一种车辆违章数据的采集装置，其特征在于，包括：
获取模块，用于获取视频图像数据，所述视频图像数据中包括多个视频帧；
提取模块，用于根据第一视频帧，提取第一车辆边界框的坐标以及车道线，并计算所述第一车辆边界框与车道线的交点坐标；
第一计算模块，用于根据所述第一车辆边界框的坐标以及所述交点坐标，计算所述第一车辆的压线率；
第一保存模块，用于当根据所述第一车辆的压线率，确定所述第一车辆压线时，将所述第一车辆边界框的坐标以及所述第一视频帧保存为第一违法图片数据；
第二计算模块，用于根据第二视频帧，计算第二车辆的压线率；
第二确定模块，用于当根据所述第二车辆的压线率，确定所述第二车辆为压线车辆，且确定所述第一车辆与所述第二车辆为同一车辆时，确定所述第一车辆为目标车辆，判断所述目标车辆是否进行变道；
第二保存模块，用于当确定所述目标车辆进行变道时，将所述第二视频帧保存为第二违法图片数据；
第三确定模块，用于对所述视频图像数据中的多个视频帧进行检测，确定所述目标车辆的目标帧数量；
变道完成判断模块，用于当所述目标帧数量小于第二预设阈值时，判断所述目标车辆是否完成变道；
第三保存模块，用于当所述目标车辆完成变道时，将目标帧保存为第三违法图片数据。
10.一种计算机设备，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执行权利要求1-8中任一项所述的车辆违章数据的采集方法的步骤。
11.一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如权利要求1-8中任一项所述的车辆违章数据的采集方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110335762.7A CN113076851B (zh) | 2021-03-29 | 2021-03-29 | 一种车辆违章数据的采集方法、装置以及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110335762.7A CN113076851B (zh) | 2021-03-29 | 2021-03-29 | 一种车辆违章数据的采集方法、装置以及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113076851A true CN113076851A (zh) | 2021-07-06 |
| CN113076851B CN113076851B (zh) | 2024-05-14 |
Family
ID=76611220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110335762.7A Active CN113076851B (zh) | 2021-03-29 | 2021-03-29 | 一种车辆违章数据的采集方法、装置以及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113076851B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113487878A (zh) * | 2021-07-12 | 2021-10-08 | 重庆长安新能源汽车科技有限公司 | 一种机动车违章压线行驶检测方法及系统 |
| 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 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107154045A (zh) * | 2017-03-31 | 2017-09-12 | 南京航空航天大学 | 一种基于计算机视觉的导流区违章轧线车辆精确定位方法 |
| CN109003456A (zh) * | 2018-06-22 | 2018-12-14 | 安徽科力信息产业有限责任公司 | 记录机动车越实线违法行为的方法和系统 |
| CN110298300A (zh) * | 2019-06-27 | 2019-10-01 | 上海工程技术大学 | 一种检测车辆违章压线的方法 |
| CN110459064A (zh) * | 2019-09-19 | 2019-11-15 | 上海眼控科技股份有限公司 | 车辆违法行为检测方法、装置、计算机设备 |
| CN111382704A (zh) * | 2020-03-10 | 2020-07-07 | 北京以萨技术股份有限公司 | 基于深度学习的车辆压线违章判断方法、装置及存储介质 |
| CN112434601A (zh) * | 2020-11-23 | 2021-03-02 | 平安科技（深圳）有限公司 | 基于行车视频的车辆违法检测方法、装置、设备及介质 |
-
2021
- 2021-03-29 CN CN202110335762.7A patent/CN113076851B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107154045A (zh) * | 2017-03-31 | 2017-09-12 | 南京航空航天大学 | 一种基于计算机视觉的导流区违章轧线车辆精确定位方法 |
| CN109003456A (zh) * | 2018-06-22 | 2018-12-14 | 安徽科力信息产业有限责任公司 | 记录机动车越实线违法行为的方法和系统 |
| CN110298300A (zh) * | 2019-06-27 | 2019-10-01 | 上海工程技术大学 | 一种检测车辆违章压线的方法 |
| CN110459064A (zh) * | 2019-09-19 | 2019-11-15 | 上海眼控科技股份有限公司 | 车辆违法行为检测方法、装置、计算机设备 |
| CN111382704A (zh) * | 2020-03-10 | 2020-07-07 | 北京以萨技术股份有限公司 | 基于深度学习的车辆压线违章判断方法、装置及存储介质 |
| CN112434601A (zh) * | 2020-11-23 | 2021-03-02 | 平安科技（深圳）有限公司 | 基于行车视频的车辆违法检测方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 曹建农: "自动检测违章车辆的方法", 长安大学学报(自然科学版), no. 01 * |
Cited By (3)
| 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 |
| 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 |
| CN113487878A (zh) * | 2021-07-12 | 2021-10-08 | 重庆长安新能源汽车科技有限公司 | 一种机动车违章压线行驶检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113076851B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8737690B2 (en) | Video-based method for parking angle violation detection | |
| CN110738150B (zh) | 相机联动抓拍方法、装置以及计算机存储介质 | |
| CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
| US10212397B2 (en) | Abandoned object detection apparatus and method and system | |
| WO2020024457A1 (zh) | 交通事故的定责方法、装置及计算机可读存储介质 | |
| US8744132B2 (en) | Video-based method for detecting parking boundary violations | |
| TWI425454B (zh) | 行車路徑重建方法、系統及電腦程式產品 | |
| CN111860352B (zh) | 一种多镜头车辆轨迹全跟踪系统及方法 | |
| JP2015007953A (ja) | 車両乗車人数の監視装置及び車両乗車人数の監視方法並びにコンピュータ可読記憶媒体 | |
| US9483711B2 (en) | Object detection system | |
| CN108932849B (zh) | 一种记录多台机动车低速行驶违法行为的方法及装置 | |
| CN113076851B (zh) | 一种车辆违章数据的采集方法、装置以及计算机设备 | |
| WO2018058530A1 (zh) | 目标检测方法、装置以及图像处理设备 | |
| CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
| CN107170267A (zh) | 一种信号灯的提示方法及提示装置 | |
| US11760387B2 (en) | Driving policies determination | |
| CN108319931B (zh) | 一种图像处理方法、装置及终端 | |
| CN115761668A (zh) | 摄像头的污渍识别方法、装置、车辆及存储介质 | |
| KR20190134303A (ko) | 영상 인식 장치 및 그 방법 | |
| KR20150050233A (ko) | 차선 검출 장치 | |
| CN108873097B (zh) | 无人停车库中载车板停车时的安全检测方法及装置 | |
| CN107452230B (zh) | 一种障碍物检测方法、装置、终端设备及存储介质 | |
| CN115797880A (zh) | 驾驶行为的确定方法、装置、存储介质及电子装置 | |
| Dai et al. | A driving assistance system with vision based vehicle detection techniques | |
| CN112686136B (zh) | 一种对象检测方法、装置及系统 |
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 |