CN113299073A - 识别车辆违章停车的方法、装置、设备和存储介质 - Google Patents

识别车辆违章停车的方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113299073A
CN113299073A CN202110469314.6A CN202110469314A CN113299073A CN 113299073 A CN113299073 A CN 113299073A CN 202110469314 A CN202110469314 A CN 202110469314A CN 113299073 A CN113299073 A CN 113299073A
Authority
CN
China
Prior art keywords
vehicle
video image
image
parking area
identifying
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
Application number
CN202110469314.6A
Other languages
English (en)
Other versions
CN113299073B (zh
Inventor
杜雨亭
代旭
孙孟尧
文石磊
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110469314.6A priority Critical patent/CN113299073B/zh
Publication of CN113299073A publication Critical patent/CN113299073A/zh
Priority to JP2022073279A priority patent/JP7270808B2/ja
Priority to US17/730,961 priority patent/US20220254251A1/en
Priority to EP22170540.3A priority patent/EP4016474A3/en
Priority to KR1020220052623A priority patent/KR20220062460A/ko
Application granted granted Critical
Publication of CN113299073B publication Critical patent/CN113299073B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • 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
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • 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
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • 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
    • 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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/63—Control of cameras or camera modules by using electronic viewfinders
    • H04N23/633—Control of cameras or camera modules by using electronic viewfinders for displaying additional information relating to control or operation of the camera
    • H04N23/635—Region indicators; Field of view indicators
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30264—Parking
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本公开公开了一种识别车辆违章停车的方法、装置、设备、存储介质和计算机程序产品，涉及人工智能领域，尤其涉及深度学习、云计算、计算机视觉等领域。具体实现方案为：获取电子设备采集的视频图像；识别视频图像中车辆的停车区域；确定电子设备采集视频图像使用的拍摄角度；基于拍摄角度，确定视频图像中的违章停车区域；以及基于车辆的停车区域和违章停车区域，识别车辆是否违章停车。

Description

识别车辆违章停车的方法、装置、设备和存储介质
技术领域
本公开涉及人工智能领域，尤其涉及深度学习、云计算、计算机视觉等领域。具体涉及一种识别车辆违章停车的方法、装置、设备、存储介质和计算机程序产品。
背景技术
随着互联网和人工智能技术的不断发展，越来越多的领域开始涉及自动化计算与分析。随着共享单车的不断发展，重要交通路口越来越多的共享单车成为城市管理的难题。
发明内容
本公开提供了一种识别车辆违章停车的方法、装置、设备、存储介质以及计算机程序产品。
根据本公开的一方面，提供了一种识别车辆违章停车的方法，包括：获取电子设备采集的视频图像；识别所述视频图像中车辆的停车区域；确定所述电子设备采集所述视频图像使用的拍摄角度；基于所述拍摄角度，确定所述视频图像中的违章停车区域；以及基于所述车辆的停车区域和所述违章停车区域，识别所述车辆是否违章停车。
根据本公开的另一方面，提供了一种识别车辆违章停车的装置，包括：获取模块，用于获取电子设备采集的视频图像；第一识别模块，用于识别所述视频图像中车辆的停车区域；第一确定模块，用于确定所述电子设备采集所述视频图像使用的拍摄角度；第二确定模块，用于基于所述拍摄角度，确定所述视频图像中的违章停车区域；以及第二识别模块，用于基于所述车辆的停车区域和所述违章停车区域，识别所述车辆是否违章停车。
根据本公开的另一方面，提供了一种电子设备，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本公开实施例所述的方法。
根据本公开的另一方面，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，其中，所述计算机指令用于使所述计算机执行根据本公开实施例所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本公开实施例所述的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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，不构成对本公开的限定。其中：
图1A示例性示出了适于本公开实施例的系统架构；
图1B示例性示出了可以实现本公开实施例的场景图；
图2示例性示出了根据本公开实施例的识别车辆违章停车的方法流程图；
图3示例性示出了根据本公开实施例的监控非机动车辆违章停车的示意图；
图4示例性示出了根据本公开实施例的识别车辆违章停车的装置的框图；以及
图5示例性示出了用来实现本公开实施例的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
本公开的技术方案中，所涉及的监控数据的记录，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
目前，相关技术中，对于非机动车违章停车，通常是通过人工监控进行处理的。应该理解，人工监控方案费时费力，并且难以监控所有地点。
对此，本公开实施例提出了一种基于多视角识别车辆违章停车的方法。对于视频流解码的每一帧图像，都可以利用相似度模型匹配出对应摄像头角度(拍摄角度)下的违章停车区域。同时可以利用实例分割模型识别出车辆(如非机动车)的具体停车区域。然后判断车辆的具体停车区域是否在对应的违章停车区域内。如果在，则可以发送提醒信息。如提醒相关商家其停在某交通路口的相关车辆属于违章停车。或者，如提醒交通管理人员，某交通路口出现了违章停车的车辆。
以下将结合具体实施例详细阐述本公开。
适于本公开实施例的识别车辆违章停车的方法和装置的系统架构介绍如下。
图1A示例性示出了适于本公开实施例的识别车辆违章停车的方法和装置的系统架构。需要注意的是，图1A所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他环境或场景。
如图1A所示，系统架构100可以包括：服务器104和部署在不同交通路口的电子设备101、102、103、......。
需要说明的是，在本公开实施例中，电子设备101、102、103、......可以是能够多视角采集视频图像的监控设备。如电子设备101、102、103、......可以是球形监控摄像头，能够360°全方位、无死角地进行监控。电子设备101、102、103、......中的任一电子设备实时采集的视频流数据都可以上传至服务器104。
服务器104可以对这些视频流数据进行解码，并能够基于解码得到的每一帧视频图像，确定当前图像拍摄角度下的违章停车区域内是否有违章停放的车辆。进一步，如果确定有违章停放的车辆，服务器104还可以给对应的车辆经营厂家发送提醒信息，以便提醒相关厂家其停在某交通路口的相关车辆属于违章停车，需要尽快处理，以便道路交通更加通畅。
示例性的，经图像分析，如果发现A厂家和B厂家在某交通路口都有违章停放的车辆，则可以同时给A厂家负责人和B厂家负责人发提醒信息，以便提醒他们尽快通知工作人员去现场处理违章停放的车辆。
或者，如果确定有违章停放的车辆，服务器104还可以给相关部门的管理人员(如交通管理人员)发送提醒信息，以及时提醒某交通路口出现了大量或者少量违章停车的车辆，需要尽快处理，以便道路交通更加通畅。
通过本公开实施例，无需人工现场或者远程监控，可以更加省时省力，并且能够监控更多地点。此外，基于多视角的车辆违章停车识别方法与基于单视角的车辆违章停车识别方法相比，可以全方位地、无死角地监控各违章停车区域内是否有违章停放的车辆，以便及时处理，使得道路交通更加通畅。
应该理解，图1A中的电子设备和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备和服务器。
适于本公开实施例的识别车辆违章停车的方法和装置的应用场景介绍如下。
需要说明的是，本公开实施例提供的识别车辆违章停车的方法和装置，可以用于识别机动车或者非机动车是否违章停车。其中，非机动车可以包括但不限于以下中的一种或几种：个人的电动车、各商家出品的共享电动车、个人单车、各商家出品的共享单车等。
此外，需要说明的是，本公开实施例提供的识别车辆违章停车的方法和装置，可以是基于多视角监控的车辆违章停车识别方法和装置。
示例性的，如图1B所示，球形监控摄像头201可以360°全方位、无死角地对某交通路口进行全程视频监控。作为一个实施例，可以将360度角平均分为8份，每旋转45°角定义为一个新的拍摄角度。比如，拍摄角度可以定义如下：正北方向，北偏西45°，正西方向，南偏西45°，正南方向，南偏东45°，正东方向，北偏东45°。作为其他实施例，可以将360°平均分为N份，N属于大于等于2的任意整数。这样，可以每旋转(360/N)°角定义为一个新的拍摄角度。
借助图1B，应该理解，在本公开实施例中，对于具有多视角拍摄功能的电子设备而言，每个拍摄角度下，电子设备能够监控的违章停车区域各不相同。
需要说明的是，本公开实施例中将以共享单车为例，详细阐述识别车辆违章停车的过程或步骤。
根据本公开的实施例，本公开提供了一种识别车辆违章停车的方法。
图2示例性示出了根据本公开实施例的识别车辆违章停车的方法流程图。
如图2所示，识别车辆违章停车的方法200可以包括：操作S210～S250。
在操作S210，获取电子设备采集的视频图像。
在操作S220，识别视频图像中车辆的停车区域。
在操作S230，确定电子设备采集视频图像使用的拍摄角度。
在操作S240，基于拍摄角度，确定视频图像中的违章停车区域。
在操作S250，基于车辆的停车区域和违章停车区域，识别车辆是否违章停车。
在本公开的一些实施例中，针对部署在每个交通路口的具有多视角拍摄功能的每个电子设备而言，对其实时采集的监控视频流数据，都可以先解码，然后对于解码后得到的每一帧视频图像，都可以执行上述的操作S210～S250，从而识别每个交通路口设置的违章停车区域内是否有违章停放的车辆。
如果确定有违章停车的车辆，则可以给对应的厂家发送提醒信息，以便提醒相关商家其停在某交通路口的相关车辆属于违章停车，需要尽快处理，以便道路交通更加通畅。
或者，如果确定有违章停车的车辆，例如还可以给交通管理人员发送提醒信息，以及时提醒某交通路口出现了大量或者少量违章停车的车辆，需要尽快处理，以便道路交通更加通畅。
应该理解，在本公开实施例中，由于电子设备具有多视角拍摄功能，并且每个拍摄角度下电子设备能够监控的违章停车区域各不相同。因而，在对车辆进行违章停车识别过程中，针对每一帧视频图像，可以先确定该视频图像的拍摄角度，然后再确定电子设备在该拍摄角度下能够监控的违章停车区域。同时，针对每一帧视频图像，还可以确定图像中车辆的停车区域(即车辆的具体停车区域)。最后，针对同一帧视频图像，可以基于图像中车辆的停车区域和当前图像拍摄角度下可监控的违章停车区域，识别图像中的车辆是否违章停车。
通过本公开实施例，对于多视角监控设备拍摄的每一帧视频图像，可以基于先确定图像的拍摄角度，再确定该拍摄角度下图像中的违章停车区域，然后再识别图像中的该违章停车区域内是否有违章停放的车辆。由此，增加了识别当前监控区域内是否有违章停放的车辆的精准度。进一步，根据违章情况，可以及时通知相关人员尽快去现场处理，以利各交通路口更加通畅。
此外，通过本公开实施例，可以自动识别非机动车是否违章停车，进而可以智能化的协助相关部门对日益增多的非机动车如共享单车等进行监控。进一步，不断智能化的监控手段，又可以促使各车辆厂家经营更加规范，人民出行更加便捷。由此可以达到利用科技手段，使得城市管理更加智能化的目的。
作为一种可选的实施例，确定电子设备采集视频图像使用的拍摄角度，可以包括如下操作。
获取电子设备在多个已知拍摄角度下预先采集的多个参考图像，其中，多个参考图像中的不同参考图像对应于不同的拍摄角度。
将视频图像与多个参考图像中的每个参考图形逐一进行相似度匹配，以匹配出多个参考图像中与视频图像相似度最高的目标参考图像。
获取目标参考图像对应的拍摄角度，并将该拍摄角度作为电子设备采集视频图像使用的拍摄角度。
在本公开实施例，可以预定义电子设备的多个拍摄角度，并预先在这多个拍摄角度下各采集一个参考图像，然后利用图像识别技术识别出各参考图像中呈现的违章停车区域。
示例性的，拍摄角度可以定义如下：正北方向，北偏西45°，正西方向，南偏西45°，正南方向，南偏东45°，正东方向，北偏东45°。在这些拍摄角度下预采集到的参考图像依次为图像1～图像8。进一步，可以分别识别出这8幅图像中呈现的违章停车区域，比如依次为区域1～区域8。
在实时监控过程中，每获取一帧视频图像，都可以将该视频图像逐一与每个参考图像进行相似度匹配，从而匹配出与该视频图像相似度最高的一个参考图像。由于该参考图像的拍摄角度是已知的，因而可以直接将该参考图像的拍摄角度作为该视频图像的拍摄角度，用于确定该视频图像中包含的违章停车区域。
应该理解，在本公开实施例中，可以利用相似度模型，判断每帧视频图像与各参考图像的相似度。
通过本公开实施例，可以将实时获取的视频图像与已知拍摄角度的参考图像进行相似度匹配来确定实时获取的视频图像的拍摄角度。进一步，由于拍摄角度可以确定，因而视频图像中包含的违章停车区域自然也可以精准地确定。由此，可以精准地确定图像中的违章停车区域内是否有违章停放的车辆。
或者，作为另一种可选的实施例，确定电子设备采集视频图像使用的拍摄角度，可以包括如下操作。
获取电子设备在多个已知拍摄角度下预先采集的多个参考图像，其中，多个参考图像中的不同参考图像对应于不同的拍摄角度。
将视频图像缩小为第一预设尺寸的第一图像。
将第一图像与多个参考图像中的每个参考图形逐一进行相似度匹配，以匹配出多个参考图像中与第一图像相似度最高的目标参考图像。
获取目标参考图像对应的拍摄角度，并将该拍摄角度作为电子设备采集视频图像使用的拍摄角度。
在本公开实施例中，可以利用相似度模型，判断每帧视频图像与各参考图像的相似度。
应该理解，在本公开实施例中，在对图像进行相似度匹配的过程中，只需要识别拍摄角度，不需要进行目标识别与分类，也不需要进行关键点识别，因而对图像的分辨率要求不高。并且，考虑到图像尺寸越小，对图像进行相似度匹配的处理效率就越高。
因而，在本公开实施例中，在将每帧视频图像输入相似度模型之前，可以先对视频图像进行预处理，比如将视频图像缩放成固定尺寸(如224*224)。
此外，还应该理解，卷积神经网络(相似度模型)的输入，通常需要像素点的值在0-1之间。因而，在本公开实施例中，对视频图像进行预处理，还可以包括：在将视频图像缩放成固定尺寸后，对图像进行归一化处理。
在本公开的一个实施例中，图像归一化处理流程可以包括如下操作：如将图像中每个像素点的值除以255，并减去RGB均值(如[0.485，0.456，0.406])，除以RGB方差(如[0.229，0.224，0.225])。
通过本公开实施例，经过预处理的图像输入相似度模型，通过与各已知摄像角度的参考图像进行相似度匹配，使得相似的图像拉近特征距离，不相似的图像拉远特征距离，从而实现对视频图像的摄像角度进行归类。
作为一种可选的实施例，基于车辆的停车区域和违章停车区域，识别车辆是否违章停车，可以包括如下操作。
基于视频图像，识别车辆的停车区域是否在违章停车区域内。
响应于基于视频图像，识别出车辆的停车区域在违章停车区域内，从而确定车辆违章停车。
应该理解，在本公开的一些实施例中，如果车辆的停车区域完全在违章停车区域内，则认为车辆已违章停车。在本公开的另一些实施例中，如果车辆的停车区域与违章停车区域有交集，则认为车辆已违章停车。在本公开的另一些实施例中，如果车辆的停车区域与违章停车区域有交集，且交集超出预设值，则认为车辆已违章停车。
进一步，作为一种可选的实施例，基于视频图像，识别车辆的停车区域是否在违章停车区域内，可以包括：基于视频图像，计算车辆的停车区域与违章停车区域之间的交集是否大于预设值。
其中，如果交集大于等于预设值，则确定车辆的停车区域在违章停车区域内。如果交集小于预设值，则确定车辆的停车区域不在违章停车区域内。
在本公开一些实施例中，在识别出视频图像中的违章停车区域后，可以将图像中违章停车区域内的像素值全部设置为0或者全部设置为1。以全部设置为0为例，在计算车辆的停车区域与违章停车区域之间的交集时，可以通过统计图像中车辆的停车区域内像素值为0的像素点个数来确定该交集。
或者，在本公开一些实施例中，还可以通过计算图像中车辆的停车区域与违章停车区域的重合面积来确定两者之间的交集。
通过本公开实施例，如果视频图像中违章停车区域与车辆(如非机动车)的具体停车区域之间的交集大于一定阈值，则表明该车辆的具体停车区域已落在对应的违章停车区域内，即，表明该车辆存在违章停车问题。进一步，在确定车辆存在违章停车问题后，还可以根据实例分割模型对该车辆的类别分类结果，通知各车辆经营厂家或者相关部门及时处理违章停放的车辆。
此外，在本公开实施例中，对于经常出现违章停车问题的摄像头位置还可以重点监控，以便更好地辅助相关部门做好城市管理工作。
作为一种可选的实施例，识别视频图像中车辆的停车区域，可以包括：将视频图像输入实例分割模型，以输出图像中不同类型车辆的停车区域分割结果。
在本公开实施例中，可以直接将视频图像输入预先训练好的实例分割模型中，从而使模型输出该视频图像中不同类型车辆的停车区域分割结果。
示例性的，如果某一视频图像中同时包括A厂家经营的共享单车和B厂家经营的共享单车，则实例分割模型处理，可以输出A厂家经营的共享单车在该视频图像中的具体停车区域分割结果，以及B厂家经营的共享单车在该视频图像中的具体停车区域分割结果。
或者，作为一种可选的实施例，识别视频图像中车辆的停车区域，包括如下操作。
将视频图像缩小为第二预设尺寸的第二图像。
将第二图像输入实例分割模型，以输出图像中不同类型车辆的停车区域分割结果。
在本公开实施例中，可以利用实例分割模型，输出各视频图像中不同类型车辆的停车区域分割结果。需要说明的是，在本公开实施例中，采用的实例分割模型可以是框架基于Mask_R-CNN网络的一种分割算法。该算法不仅可以分割类型，同时还可以分割同类型的目标是否为同一个实例。因而，采用该实例分割模型，可以输出不同类别的非机动车的具体停车区域分割结果，即，输出结果包括各非机动车类别以及关于各类别非机动车的停车区域分割结果。
需要说明的是，在本公开实施例中，在将视频图像输入实例分割模型进行处理之前，可以对视频图像进行预处理。
由于本公开实施例在图像分割中，需要进行目标检测、分类和分割，因而相比于图像相似度匹配而言，对图像分别率要求稍高，希望输入模型的图像可以较大一些。因此，在本公开实施例中，识别视频图像中车辆的停车区域的过程中，也可以将视频图像缩小为固定尺寸的图像。但是此过程中，图像缩小的程度可以低于图像相似度匹配过程中图像缩小的程度。即，上述的第二预设尺寸可以大于前述的第一预设尺寸。
示例性的，在本公开实施例中，在将每帧视频图像输入实例分割模型之前，可以先对视频图像进行预处理，比如将视频图像缩放成固定尺寸(如800*800)。
此外，还应该理解，实例分割模型的输入，通常需要像素点的值在0-1之间。因而，在本公开实施例中，在图像分割过程中对视频图像进行预处理，还可以包括：在将视频图像缩放成固定尺寸后，对图像进行归一化处理。
在本公开的一个实施例中，图像归一化处理流程可以包括如下操作：如将图像中每个像素点的值除以255，并减去RGB均值(如[0.485，0.456，0.406])，除以RGB方差(如[0.229，0.224，0.225])。
通过本公开实施例，经过预处理的图像输入实例分割模型，通过与各已知摄像角度的参考图像进行相似度匹配，使得相似的图像拉近特征距离，不相似的图像拉远特征距离，从而实现对视频图像的摄像角度进行归类。
此外，作为一种可选的实施例，上述的车辆可以包括但不限于：机动车辆和非机动车辆。非机动车辆进一步可以包括但不限于：个人的电动车、各商家出品的共享电动车、个人单车、各商家出品的共享单车等。
以下将结合图3和具体实施例详细阐述本公开实施例。
如图3所示，对于解码监控视频流获取的视频图像，可以同时输入两路分支。
其中，一路分支用于通过图像相似度匹配来确定该视频图像的拍摄角度，以及在该拍摄角度下图像中包含的违章停车区域。该分支包括如下流程：将视频图像缩放到固定尺寸224*224，并进行图像预处理；经预处理后，将图像输入相似度模型；通过模型进行图像相似度匹配，输出相似度结果；根据相似度结果，确定违章停车区域。
此外，另一路分支用于通过图像分割来确定被拍到的非机动车的具体停车区域。该分支包括如下流程：将视频图像缩放到固定尺寸800*800，并进行图像预处理；经预处理后，将图像输入关于非机动车的实例分割模型；通过模型进行图像识别与分割，输出图像中各类别非机动车的具体停车区域分割结果(各分割区域)。
然后，基于以上两个分支的处理结果，可以判断各分割区域是否在违章停车区域内。如果在，则认为对应的非机动车存在违章停车问题。并且，针对此种情况，可以根据识别结果通知相关人员。如果不在，则认为对应的非机动车正常，即不存在违章停车问题。并且，针对此种情况，也可以根据识别结果通知相关人员。
根据本公开的实施例，本公开还提供了一种识别车辆违章停车的装置。
图4示例性示出了根据本公开实施例的识别车辆违章停车的装置的框图。
如图4所示，识别车辆违章停车的装置400可以包括：获取模块410、第一识别模块420、第一确定模块430、第二确定模块440和第二识别模块450。
具体地，获取模块410，用于获取电子设备采集的视频图像。
第一识别模块420，用于识别该视频图像中车辆的停车区域。
第一确定模块430，用于确定该电子设备采集该视频图像使用的拍摄角度。
第二确定模块440，用于基于该拍摄角度，确定该视频图像中的违章停车区域。
第二识别模块450，用于基于该车辆的停车区域和该违章停车区域，识别该车辆是否违章停车。
作为一种可选的实施例，该第一确定模块包括：第一获取单元，用于获取该电子设备在多个已知拍摄角度下预先采集的多个参考图像，其中，该多个参考图像中的不同参考图像对应于不同的拍摄角度；第一匹配单元，用于将该视频图像与该多个参考图像中的每个参考图形逐一进行相似度匹配，以匹配出该多个参考图像中与该视频图像相似度最高的目标参考图像；以及第二获取单元，用于获取该目标参考图像对应的拍摄角度，并将该拍摄角度作为该电子设备采集该视频图像使用的拍摄角度。
作为一种可选的实施例，该第一确定模块包括：第三获取单元，用于获取该电子设备在多个已知拍摄角度下预先采集的多个参考图像，其中，该多个参考图像中的不同参考图像对应于不同的拍摄角度；预处理单元，用于将该视频图像缩小为第一预设尺寸的第一图像；第二匹配单元，用于将该第一图像与该多个参考图像中的每个参考图形逐一进行相似度匹配，以匹配出该多个参考图像中与该第一图像相似度最高的目标参考图像；以及第四获取单元，用于获取该目标参考图像对应的拍摄角度，并将该拍摄角度作为该电子设备采集该视频图像使用的拍摄角度。
作为一种可选的实施例，该第二识别模块包括：识别单元，用于基于该视频图像，识别该车辆的停车区域是否在该违章停车区域内；以及确定单元，用于响应于基于该视频图像，识别出该车辆的停车区域在该违章停车区域内，从而确定该车辆违章停车。
作为一种可选的实施例，该识别单元还用于：基于该视频图像，计算该车辆的停车区域与该违章停车区域之间的交集是否大于预设值，其中，
如果该交集大于等于该预设值，则确定该车辆的停车区域在该违章停车区域内。
作为一种可选的实施例，该第一识别模块还用于：将该视频图像输入实例分割模型，以输出图像中不同类型车辆的停车区域分割结果。
作为一种可选的实施例，该第一识别模块还用于：将该视频图像缩小为第二预设尺寸的第二图像；以及将该第二图像输入实例分割模型，以输出图像中不同类型车辆的停车区域分割结果。
作为一种可选的实施例，该车辆包括：机动车辆和非机动车辆。
应该理解，本公开装置部分的实施例与本公开方法部分的实施例对应相同或类似，所解决的技术问题和所达到的技术效果也对应相同或类似，本公开在此不再赘述。
根据本公开的实施例，本公开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5示出了可以用来实施本公开的实施例的示例电子设备500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/或者要求的本公开的实现。
如图5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理，例如识别车辆违章停车的方法。例如，在一些实施例中，识别车辆违章停车的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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的识别车辆违章停车的方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行识别车辆违章停车的方法。
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。
用于实施本公开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。
在本公开的上下文中，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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(″Virtual Private Server″，或简称″VPS″)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (19)

1.一种识别车辆违章停车的方法，包括：
获取电子设备采集的视频图像；
识别所述视频图像中车辆的停车区域；
确定所述电子设备采集所述视频图像使用的拍摄角度；
基于所述拍摄角度，确定所述视频图像中的违章停车区域；以及
基于所述车辆的停车区域和所述违章停车区域，识别所述车辆是否违章停车。
2.根据权利要求1所述的方法，其中，确定所述电子设备采集所述视频图像使用的拍摄角度，包括：
获取所述电子设备在多个已知拍摄角度下预先采集的多个参考图像，其中，所述多个参考图像中的不同参考图像对应于不同的拍摄角度；
将所述视频图像与所述多个参考图像中的每个参考图形逐一进行相似度匹配，以匹配出所述多个参考图像中与所述视频图像相似度最高的目标参考图像；以及
获取所述目标参考图像对应的拍摄角度，并将该拍摄角度作为所述电子设备采集所述视频图像使用的拍摄角度。
3.根据权利要求1所述的方法，其中，确定所述电子设备采集所述视频图像使用的拍摄角度，包括：
获取所述电子设备在多个已知拍摄角度下预先采集的多个参考图像，其中，所述多个参考图像中的不同参考图像对应于不同的拍摄角度；
将所述视频图像缩小为第一预设尺寸的第一图像；
将所述第一图像与所述多个参考图像中的每个参考图形逐一进行相似度匹配，以匹配出所述多个参考图像中与所述第一图像相似度最高的目标参考图像；以及
获取所述目标参考图像对应的拍摄角度，并将该拍摄角度作为所述电子设备采集所述视频图像使用的拍摄角度。
4.根据权利要求1至3中任一项所述的方法，其中，基于所述车辆的停车区域和所述违章停车区域，识别所述车辆是否违章停车，包括：
基于所述视频图像，识别所述车辆的停车区域是否在所述违章停车区域内；以及
响应于基于所述视频图像，识别出所述车辆的停车区域在所述违章停车区域内，从而确定所述车辆违章停车。
5.根据权利要求4所述的方法，其中，基于所述视频图像，识别所述车辆的停车区域是否在所述违章停车区域内，包括：
基于所述视频图像，计算所述车辆的停车区域与所述违章停车区域之间的交集是否大于预设值，其中，
如果所述交集大于等于所述预设值，则确定所述车辆的停车区域在所述违章停车区域内。
6.根据权利要求1所述的方法，其中，识别所述视频图像中车辆的停车区域，包括：
将所述视频图像输入实例分割模型，以输出图像中不同类型车辆的停车区域分割结果。
7.根据权利要求1所述的方法，其中，识别所述视频图像中车辆的停车区域，包括：
将所述视频图像缩小为第二预设尺寸的第二图像；以及
将所述第二图像输入实例分割模型，以输出图像中不同类型车辆的停车区域分割结果。
8.根据权利要求1所述的方法，其中，所述车辆包括：机动车辆和非机动车辆。
9.一种识别车辆违章停车的装置，包括：
获取模块，用于获取电子设备采集的视频图像；
第一识别模块，用于识别所述视频图像中车辆的停车区域；
第一确定模块，用于确定所述电子设备采集所述视频图像使用的拍摄角度；
第二确定模块，用于基于所述拍摄角度，确定所述视频图像中的违章停车区域；以及
第二识别模块，用于基于所述车辆的停车区域和所述违章停车区域，识别所述车辆是否违章停车。
10.根据权利要求9所述的装置，其中，所述第一确定模块包括：
第一获取单元，用于获取所述电子设备在多个已知拍摄角度下预先采集的多个参考图像，其中，所述多个参考图像中的不同参考图像对应于不同的拍摄角度；
第一匹配单元，用于将所述视频图像与所述多个参考图像中的每个参考图形逐一进行相似度匹配，以匹配出所述多个参考图像中与所述视频图像相似度最高的目标参考图像；以及
第二获取单元，用于获取所述目标参考图像对应的拍摄角度，并将该拍摄角度作为所述电子设备采集所述视频图像使用的拍摄角度。
11.根据权利要求9所述的装置，其中，所述第一确定模块包括：
第三获取单元，用于获取所述电子设备在多个已知拍摄角度下预先采集的多个参考图像，其中，所述多个参考图像中的不同参考图像对应于不同的拍摄角度；
预处理单元，用于将所述视频图像缩小为第一预设尺寸的第一图像；
第二匹配单元，用于将所述第一图像与所述多个参考图像中的每个参考图形逐一进行相似度匹配，以匹配出所述多个参考图像中与所述第一图像相似度最高的目标参考图像；以及
第四获取单元，用于获取所述目标参考图像对应的拍摄角度，并将该拍摄角度作为所述电子设备采集所述视频图像使用的拍摄角度。
12.根据权利要求9至11中任一项所述的装置，其中，所述第二识别模块包括：
识别单元，用于基于所述视频图像，识别所述车辆的停车区域是否在所述违章停车区域内；以及
确定单元，用于响应于基于所述视频图像，识别出所述车辆的停车区域在所述违章停车区域内，从而确定所述车辆违章停车。
13.根据权利要求12所述的装置，其中，所述识别单元还用于：
基于所述视频图像，计算所述车辆的停车区域与所述违章停车区域之间的交集是否大于预设值，其中，
如果所述交集大于等于所述预设值，则确定所述车辆的停车区域在所述违章停车区域内。
14.根据权利要求9所述的装置，其中，所述第一识别模块还用于：
将所述视频图像输入实例分割模型，以输出图像中不同类型车辆的停车区域分割结果。
15.根据权利要求9所述的装置，其中，所述第一识别模块还用于：
将所述视频图像缩小为第二预设尺寸的第二图像；以及
将所述第二图像输入实例分割模型，以输出图像中不同类型车辆的停车区域分割结果。
16.根据权利要求9所述的装置，其中，所述车辆包括：机动车辆和非机动车辆。
17.一种电子设备，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1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
CN202110469314.6A 2021-04-28 2021-04-28 识别车辆违章停车的方法、装置、设备和存储介质 Active CN113299073B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202110469314.6A CN113299073B (zh) 2021-04-28 2021-04-28 识别车辆违章停车的方法、装置、设备和存储介质
JP2022073279A JP7270808B2 (ja) 2021-04-28 2022-04-27 車両の駐車違反の識別方法、装置、電子機器、記憶媒体及びコンピュータプログラム
US17/730,961 US20220254251A1 (en) 2021-04-28 2022-04-27 Method of recognizing illegal parking of vehicle, device and storage medium
EP22170540.3A EP4016474A3 (en) 2021-04-28 2022-04-28 Method and apparatus of recognizing illegal parking of vehicle, device and storage medium
KR1020220052623A KR20220062460A (ko) 2021-04-28 2022-04-28 차량의 주차 위반을 인식하는 방법, 장치, 전자 기기, 저장 매체, 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110469314.6A CN113299073B (zh) 2021-04-28 2021-04-28 识别车辆违章停车的方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113299073A true CN113299073A (zh) 2021-08-24
CN113299073B CN113299073B (zh) 2023-05-23

Family

ID=77320366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110469314.6A Active CN113299073B (zh) 2021-04-28 2021-04-28 识别车辆违章停车的方法、装置、设备和存储介质

Country Status (5)

Country Link
US (1) US20220254251A1 (zh)
EP (1) EP4016474A3 (zh)
JP (1) JP7270808B2 (zh)
KR (1) KR20220062460A (zh)
CN (1) CN113299073B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807209A (zh) * 2021-08-30 2021-12-17 阿波罗智联(北京)科技有限公司 车位检测方法、装置、电子设备及存储介质
CN115472035A (zh) * 2022-08-16 2022-12-13 常德智眼云科技有限公司 一种共享车辆停车识别管理系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115775459B (zh) * 2023-02-13 2023-04-28 青岛图达互联信息科技有限公司 一种基于智能图像处理的数据采集系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101183427A (zh) * 2007-12-05 2008-05-21 浙江工业大学 基于计算机视觉的违章停车检测装置
CN103927878A (zh) * 2014-04-10 2014-07-16 中海网络科技股份有限公司 一种用于违章停车的自动抓拍装置及自动抓拍方法
CN104050679A (zh) * 2014-07-03 2014-09-17 杭州藏愚科技有限公司 一种违法停车的自动取证方法
CN105389990A (zh) * 2015-11-20 2016-03-09 北京信路威科技股份有限公司 一种基于监控球机的违章停车检测识别方法
CN108781252A (zh) * 2016-10-25 2018-11-09 华为技术有限公司 一种图像拍摄方法及装置
CN109035329A (zh) * 2018-08-03 2018-12-18 厦门大学 基于深度特征的相机姿态估计优化方法
CN111105621A (zh) * 2019-12-17 2020-05-05 浙江大华技术股份有限公司 一种检测违章停车的方法及装置
CN111275771A (zh) * 2020-02-19 2020-06-12 电子科技大学中山学院 一种摄像头标定方法、装置、电子设备及存储介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001101567A (ja) 1999-09-28 2001-04-13 Matsushita Electric Ind Co Ltd 交通情報システム
JP4140159B2 (ja) 2000-01-19 2008-08-27 株式会社明電舎 監視カメラの監視エリア設定装置及びその方法
JP5702544B2 (ja) 2010-03-15 2015-04-15 株式会社Ｋｄｄｉ研究所 車両交通監視装置およびプログラム
US9489839B2 (en) * 2012-08-06 2016-11-08 Cloudparc, Inc. Tracking a vehicle using an unmanned aerial vehicle
US9171213B2 (en) 2013-03-15 2015-10-27 Xerox Corporation Two-dimensional and three-dimensional sliding window-based methods and systems for detecting vehicles
US10497257B2 (en) 2017-08-31 2019-12-03 Nec Corporation Parking lot surveillance with viewpoint invariant object recognition by synthesization and domain adaptation
JP7029170B2 (ja) 2017-09-01 2022-03-03 株式会社コンピュータサイエンス研究所 歩道進行支援システム及び歩道進行支援ソフトウェア
US10176405B1 (en) * 2018-06-18 2019-01-08 Inception Institute Of Artificial Intelligence Vehicle re-identification techniques using neural networks for image analysis, viewpoint-aware pattern recognition, and generation of multi- view vehicle representations
CN109785637B (zh) 2019-01-28 2022-07-08 平安科技（深圳）有限公司 车辆违规的分析评价方法及装置
CN110135356A (zh) 2019-05-17 2019-08-16 北京百度网讯科技有限公司 违章停车的检测方法及装置、电子设备、计算机可读介质
JP7418171B2 (ja) 2019-08-30 2024-01-19 キヤノン株式会社 画像処理装置、放射線撮影システム、画像処理方法及びプログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101183427A (zh) * 2007-12-05 2008-05-21 浙江工业大学 基于计算机视觉的违章停车检测装置
CN103927878A (zh) * 2014-04-10 2014-07-16 中海网络科技股份有限公司 一种用于违章停车的自动抓拍装置及自动抓拍方法
CN104050679A (zh) * 2014-07-03 2014-09-17 杭州藏愚科技有限公司 一种违法停车的自动取证方法
CN105389990A (zh) * 2015-11-20 2016-03-09 北京信路威科技股份有限公司 一种基于监控球机的违章停车检测识别方法
CN108781252A (zh) * 2016-10-25 2018-11-09 华为技术有限公司 一种图像拍摄方法及装置
CN109035329A (zh) * 2018-08-03 2018-12-18 厦门大学 基于深度特征的相机姿态估计优化方法
CN111105621A (zh) * 2019-12-17 2020-05-05 浙江大华技术股份有限公司 一种检测违章停车的方法及装置
CN111275771A (zh) * 2020-02-19 2020-06-12 电子科技大学中山学院 一种摄像头标定方法、装置、电子设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807209A (zh) * 2021-08-30 2021-12-17 阿波罗智联(北京)科技有限公司 车位检测方法、装置、电子设备及存储介质
CN115472035A (zh) * 2022-08-16 2022-12-13 常德智眼云科技有限公司 一种共享车辆停车识别管理系统
CN115472035B (zh) * 2022-08-16 2023-09-29 常德智眼云科技有限公司 一种共享车辆停车识别管理系统

Also Published As

Publication number Publication date
CN113299073B (zh) 2023-05-23
EP4016474A2 (en) 2022-06-22
KR20220062460A (ko) 2022-05-17
EP4016474A3 (en) 2022-10-26
US20220254251A1 (en) 2022-08-11
EP4016474A8 (en) 2022-08-10
JP7270808B2 (ja) 2023-05-10
JP2022093481A (ja) 2022-06-23

Similar Documents

Publication Publication Date Title
CN113299073B (zh) 识别车辆违章停车的方法、装置、设备和存储介质
CN112287875B (zh) 异常车牌识别方法、装置、设备及可读存储介质
CN112085952B (zh) 监控车辆数据方法、装置、计算机设备及存储介质
CN110650316A (zh) 智能巡逻及预警处理方法、装置、电子设备及存储介质
Lee et al. Real-time illegal parking detection in outdoor environments using 1-D transformation
CN113205037B (zh) 事件检测的方法、装置、电子设备以及可读存储介质
CN111259868B (zh) 基于卷积神经网络的逆行车辆检测方法、系统及介质
WO2019214321A1 (zh) 车辆损伤识别的处理方法、处理设备、客户端及服务器
WO2021031954A1 (zh) 对象数量确定方法、装置、存储介质与电子设备
CN114943936B (zh) 目标行为识别方法、装置、电子设备及存储介质
CN111079621B (zh) 检测对象的方法、装置、电子设备和存储介质
CN113538963A (zh) 用于输出信息的方法、装置、设备以及存储介质
CN115761571A (zh) 基于视频的目标检索方法、装置、设备以及存储介质
CN111950345A (zh) 摄像头的识别方法、装置、电子设备和存储介质
CN113505704B (zh) 图像识别的人员安全侦测方法、系统、设备及存储介质
CN113869258A (zh) 交通事件检测方法、装置、电子设备及可读存储介质
CN114708498A (zh) 图像处理方法、装置、电子设备以及存储介质
CN114333409A (zh) 目标跟踪方法、装置、电子设备及存储介质
CN114708544A (zh) 一种基于边缘计算的违规行为智能监测头盔及其监测方法
CN112329621A (zh) 一种异常行为预警数据的处理方法、系统、终端及介质
CN113806361B (zh) 电子监控设备与道路的关联方法、装置及存储介质
CN114581890B (zh) 确定车道线的方法、装置、电子设备和存储介质
CN113570607B (zh) 目标分割的方法、装置及电子设备
CN116385952B (zh) 配网线路小目标缺陷检测方法、装置、设备及存储介质
CN113963322B (zh) 一种检测模型训练方法、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