CN113326831B - 交通违法数据的筛选方法及装置、电子设备、存储介质 - Google Patents

交通违法数据的筛选方法及装置、电子设备、存储介质 Download PDF

Info

Publication number
CN113326831B
CN113326831B CN202110888594.4A CN202110888594A CN113326831B CN 113326831 B CN113326831 B CN 113326831B CN 202110888594 A CN202110888594 A CN 202110888594A CN 113326831 B CN113326831 B CN 113326831B
Authority
CN
China
Prior art keywords
image
vehicle
traffic violation
snapshot
illegal
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
Application number
CN202110888594.4A
Other languages
English (en)
Other versions
CN113326831A (zh
Inventor
卢朝晖
吴狄豹
何阅梅
郦钢
徐天
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.)
Zhejiang Lijia Electronic Technology Co ltd
Original Assignee
Zhejiang Lijia Electronic 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 Zhejiang Lijia Electronic Technology Co ltd filed Critical Zhejiang Lijia Electronic Technology Co ltd
Priority to CN202110888594.4A priority Critical patent/CN113326831B/zh
Publication of CN113326831A publication Critical patent/CN113326831A/zh
Application granted granted Critical
Publication of CN113326831B publication Critical patent/CN113326831B/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
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供一种交通违法数据的筛选方法及装置、电子设备、计算机可读存储介质，方法针对不同的违法类型信息对车辆抓拍图像进行处理，并计算对应的置信度因子，从而实现交通违法数据的筛选。本发明实施例提供的交通违法数据的筛选方法，可以自动化地从交通违法数据中筛选出能够作为交通违法证据的数据，还针对不同的违法类型信息的特点提供了不同的数据筛选方式，在筛选时还考虑到了非现场执法系统的抓拍设备与车辆、道路标志之间的位置关系以及抓拍设备对车辆的抓拍时机等因素，大大降低了数据审核人员的工作量，降低了人力成本，还提高了交通违法数据自动筛选的准确性。

Description

交通违法数据的筛选方法及装置、电子设备、存储介质
技术领域
本申请涉及图像处理技术领域，特别涉及一种交通违法数据的筛选方法及装置、电子设备、计算机可读存储介质。
背景技术
交通管理部门的非现场执法系统可以基于机器视觉识别技术、目标检测及虚拟检测技术、雷达等手段对道路上不同类型的交通违法行为进行识别，获得交通违法数据。交通违法数据用于作为车辆存在交通违法行为的证据，通常可以包括车辆在交通违法时的图像、违法类型信息和车牌号。在实际应用中，交通违法数据的正确率依赖于所采集的图像质量，受外界环境影响，存在大量误识别的交通违法数据。据统计，交通违法数据的录用率一般不超过20%，有时甚至低至5%左右。这大大增加了数据审核人员的工作量，增加了人力成本。
此外，现有技术中采用图像处理的方法对交通违法数据进行自动筛选时，往往对图像内容本身进行分析，而往往不会考虑非现场执法系统的抓拍设备与车辆、道路标志之间的位置关系，也不会考虑抓拍设备对车辆的抓拍时机，而这些因素往往会对交通违法数据的质量产生较大的影响，从而降低了对交通违法数据进行自动筛选的准确性。
发明内容
本申请实施例的目的在于提供一种交通违法数据的筛选方法及装置、电子设备、计算机可读存储介质，用于筛选非现场执法系统抓拍到的交通违法数据。
一方面，本申请实施例提供了一种交通违法数据的筛选方法，包括：
基于交通违法数据的车辆抓拍图像，确定与所述交通违法数据的违法类型信息对应的目标车辆子图像；
如果所述违法类型信息为驾驶员未系安全带、副驾驶未系安全带或驾车打电话，则根据所述目标车辆子图像确定第一置信度因子；
从所述目标车辆子图像中识别车窗区域，并依据所述车窗区域从所述目标车辆子图像中获得评估区域图像；
将所述评估区域图像输入已训练的质量评估模型，获得质量评估结果；
根据所述质量评估结果和所述第一置信度因子确定所述交通违法数据是否正确；
如果所述违法类型信息为汽车违章压线，则根据所述目标车辆子图像和所述车辆抓拍图像中的车道线确定第二置信度因子；
从所述车辆抓拍图像中确定与所述目标车辆子图像对应的车道线斜率，并基于所述车道线斜率在所述目标车辆子图像中确定面积最大的指定内接平行四边形；
根据所述指定内接平行四边形与车道线是否相交，以及所述第二置信度因子，确定所述交通违法数据是否正确。
在一实施例中，基于交通违法数据的车辆抓拍图像，确定与所述交通违法数据的违法类型信息对应的目标车辆子图像，包括：
从所述车辆抓拍图像中识别至少一个车辆区域，并依据所述车辆区域从所述车辆抓拍图像获得车辆子图像；
对每个车辆子图像进行车牌识别，获得每个车辆子图像对应的车牌号；
判断所述车辆子图像对应的车牌号与所述交通违法数据中的车牌号是否相同，若是，确定所述车辆子图像为目标车辆子图像。
在一实施例中，所述依据所述车窗区域从所述目标车辆子图像中获得评估区域图像，包括：
依据与所述违法类型信息对应的提取规则，从所述目标车辆子图像的车窗区域中提取出评估区域图像。
在一实施例中，所述质量评估模型通过如下方式训练得到：
将样本数据集中样本图像输入卷积神经网络模型，获得对应于样本图像的样本质量评估结果；
基于所述样本质量评估结果与所述样本图像的质量标签之间的差异，调整所述卷积神经网络模型的网络参数；
重复上述步骤，直至所述卷积神经网络模型收敛，获得质量评估模型。
在一实施例中，在所述将样本数据集中样本图像输入卷积神经网络模型之前，所述方法还包括：
从多个违法抓拍图像提取ROI区域，获得每个违法抓拍图像对应的ROI图像；
将所述ROI图像进行尺度归一化处理、图像标准化处理和逆透视变换，得到初始样本图像；
对所述初始样本图像进行多角度随机旋转变换，得到所述样本图像。
在一实施例中，所述从多个违法抓拍图像提取ROI区域，获得每个违法抓拍图像对应的ROI图像，包括：
从多个违法抓拍图像识别车窗区域，并依据所述车窗区域从所述违法抓拍图像中获得车窗区域图像；
依据与所述违法抓拍图像的违法类型信息对应的提取规则，从所述车窗区域图像中提取出ROI图像。
在一实施例中，所述根据所述质量评估结果和所述第一置信度因子确定所述交通违法数据是否正确，具体包括：
根据所述质量评估结果和所述第一置信度因子的乘积是否符合预设的阈值条件，确定所述交通违法数据是否正确。
另一方面，本申请实施例还提供了一种交通违法数据的筛选装置，包括：
车辆图像确定模块，用于基于交通违法数据的车辆抓拍图像，确定与所述交通违法数据的违法类型信息对应的目标车辆子图像；
第一判断模块，用于如果所述违法类型信息为驾驶员未系安全带、副驾驶未系安全带或驾车打电话，则根据所述目标车辆子图像确定第一置信度因子；
从所述目标车辆子图像中识别车窗区域，并依据所述车窗区域从所述目标车辆子图像中获得评估区域图像；
将所述评估区域图像输入已训练的质量评估模型，获得质量评估结果；
根据所述质量评估结果和所述第一置信度因子确定所述交通违法数据是否正确；
第二判断模块，用于如果所述违法类型信息为汽车违章压线，则根据所述目标车辆子图像和所述车辆抓拍图像中的车道线确定第二置信度因子；
从所述车辆抓拍图像中确定与所述目标车辆子图像对应的车道线斜率，并基于所述车道线斜率在所述目标车辆子图像中确定面积最大的指定内接平行四边形；
根据所述指定内接平行四边形与车道线是否相交，以及所述第二置信度因子，确定所述交通违法数据是否正确。
进一步的，本申请实施例还提供了一种电子设备，所述电子设备包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行上述交通违法数据的筛选方法。
另外，本申请实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成上述交通违法数据的筛选方法。
本发明实施例提供的交通违法数据的筛选方法，可以自动化地从交通违法数据中筛选出能够作为交通违法证据的数据，还针对不同的违法类型信息的特点提供了不同的数据筛选方式，在筛选时还考虑到了非现场执法系统的抓拍设备与车辆、道路标志之间的位置关系以及抓拍设备对车辆的抓拍时机等因素，大大降低了数据审核人员的工作量，降低了人力成本，还提高了交通违法数据自动筛选的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍。
图1为本申请一实施例提供的交通违法数据的筛选方法的应用场景示意图；
图2为本申请一实施例提供的电子设备的结构示意图；
图3为本申请一实施例提供的交通违法数据的筛选方法的流程示意图；
图4为本申请一实施例提供的目标车辆子图像的确定方法的流程示意图；
图5为本申请一实施例提供的图像识别示意图；
图6a-6e为本申请实施例提供的评估效果示意图；
图7为本申请一实施例提供的质量评估模型的训练方法的流程示意图；
图8为本申请一实施例提供的SqueezeNet的网络结构示意图；
图9为本申请一实施例提供的样本图像的生成方法的流程示意图；
图10为本申请一实施例提供的图像旋转示意图；
图11为本申请一实施例提供的ROI图像提取示意图；
图12为本申请一实施例提供的交通违法数据的筛选装置的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
图1为本申请实施例提供的交通违法数据的筛选方法的应用场景示意图。如图1所示，该应用场景包括客户端20和服务端30；客户端20可以是非现场执法系统的枪机、球机等摄像设备，用于向服务端30发送抓拍到的交通违法数据；服务端30可以是服务器、服务器集群或云计算中心，可以对接收到的交通违法数据进行筛选，获得可用作交通违法证据的交通违法数据。
如图2所示，本实施例提供一种电子设备1，包括：至少一个处理器11和存储器12，图2中以一个处理器11为例。处理器11和存储器12通过总线10连接，存储器12存储有可被处理器11执行的指令，指令被处理器11执行，以使电子设备1可执行下述的实施例中方法的全部或部分流程。在一实施例中，电子设备1可以是上述服务端30，用于执行交通违法数据的筛选方法。
存储器12可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access Memory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory，简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read Only Memory，简称EPROM），可编程只读存储器（Programmable Red-Only Memory，简称PROM），只读存储器（Read-Only Memory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。
本申请还提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序可由处理器11执行以完成本申请提供的交通违法数据的筛选方法。
参见图3，为本申请一实施例提供的交通违法数据的筛选方法的流程示意图，如图3所示，该方法可以包括以下步骤310-步骤330。
步骤310：对交通违法数据的车辆抓拍图像中，确定与交通违法数据的违法类型信息对应的目标车辆子图像。
其中，交通违法数据可以由非现场执法系统直接上传至执行本方案的电子设备（为便于描述，下文以服务端作为执行主体），也可以在收集后间接地写入到电子设备内存中，交通违法数据可以包括车辆存在交通违法行为时的车辆抓拍图像、违法类型信息和车牌号。违法类型信息可以包括驾驶员未系安全带、副驾驶未系安全带、驾车打电话、汽车违章压线等。
目标车辆子图像是包含交通违法数据中车牌号指示车辆的图像。
步骤320：如果所述违法类型信息为驾驶员未系安全带、副驾驶未系安全带或驾车打电话，则根据所述目标车辆子图像确定第一置信度因子；从所述目标车辆子图像中识别车窗区域，并依据所述车窗区域从所述目标车辆子图像中获得评估区域图像；将所述评估区域图像输入已训练的质量评估模型，获得质量评估结果；根据所述质量评估结果和所述第一置信度因子确定所述交通违法数据是否正确。
当违法类型信息为驾驶员未系安全带、副驾驶未系安全带或驾车打电话时，可以理解的是上述违法类型信息涉及的图像内容均处于车窗区域，因此，需要在图像的车窗区域中提取评估区域图像，来确定交通违法数据是否正确。
此外，本领域技术人员还可以理解的是，当抓拍设备的拍摄方向与车窗所在的平面越接近于垂直时，即抓拍设备的朝向越接近于正对车窗时，所提取的评估区域图像越能清晰地反应评估区域图像中是否存在违法行为；当抓拍设备的拍摄方向与车窗所在的平面越接近于平行时，即抓拍设备的朝向越接近于侧对车窗时，所提取的评估区域图像越不能清晰地反应评估区域图像中是否存在违法行为。
也就是说，抓拍设备的拍摄方向与车窗所在的平面的夹角，能够影响评估区域图像的置信度。该场景的一种可能的适用场景为，对于多车道的道路上抓拍的车辆抓拍图像，抓拍设备的朝向往往为多车道的某一车道方向。此时，如果所抓拍到的车辆接近于抓拍设备的下方，或者所抓拍到的车辆位于多车道道路的举例较远的其他车道，会导致抓拍设备的拍摄方向与车窗所在的平面在竖直方向或水平方向上形成较小的夹角，使得抓拍设备采集的图像信息不能很好地反映出抓拍车辆是否存在违法行为，使得车辆抓拍图像及其对应的评估区域图像的置信度相对较低。
本发明实施例可以根据所述目标车辆子图像确定第一置信度因子，该置信度因子可以是0到1之间的某个数值，其确定方式可以直接根据目标车辆子图像进行确定。
根据所述目标车辆子图像确定第一置信度因子的具体方式，可以是采用图像处理方法提取目标车辆子图像中目标车辆轮廓的左边缘和右边缘，如果目标车辆轮廓的左边缘和右边缘与目标车辆子图像的竖直方向的夹角越小，可以认为该目标车辆越可能位于抓拍设备朝向的车道，该目标车辆子图像体现出的抓拍设备与目标车辆的位置关系有利于判断该目标车辆是否存在违法行为，该目标车辆子图像对应的第一置信度因子越大，反之亦然；同时用图像处理方法提取目标车辆子图像中车窗区域的上边缘和下边缘，如果上边缘和下边缘之间的举例占整个目标车辆子图像垂直高度的比例越大，可以认为该目标车辆离抓拍设备的距离越远，该目标车辆子图像体现出的抓拍设备对目标车辆的抓拍时机有利于判断该目标车辆是否存在违法行为，该目标车辆子图像对应的第一置信度因子越大，反之亦然。因此，上述方案在对交通违法数据进行筛选时，考虑到了非现场执法系统的抓拍设备与车辆之间的位置关系，也考虑到了抓拍设备对车辆的抓拍时机，进而可以提到对交通违法数据进行自动筛选的准确性。
第一置信度因子的计算方式上，可以首先对第一置信度因子设置一个取值范围，例如[0.5,1]或其他根据经验设置的取值范围。根据前文提到的抓拍设备与车辆位置关系因素、以及抓拍时机因素，认为第一置信度因子在水平方向和竖直方向上线性变化，从而根据目标车辆子图像确定对应的第一置信度因子的取值。也可以通过基于神经网络的第一置信度因子确定模型，通过对大量抓拍图像标注取值范围内的第一置信度因子作为训练样本和标签，再将目标车辆子图像输入训练好的第一置信度因子确定模型来计算第一置信度因子的取值。此处本领域技术人员还可以设置其他第一置信度因子的取值的计算方式，本发明实施例不作具体限定。
从目标车辆子图像中识别车窗区域，并依据车窗区域从目标车辆子图像中获得评估区域图像。
服务端可以将目标车辆子图像输入已训练的车窗检测模型，获得车窗检测模型输出的车窗区域检测结果，该车窗区域检测结果可以指示车窗区域在目标车辆子图像中的位置。其中，车窗检测模型可以由目标检测模型训练得到，目标检测模型可以是YOLO（YouOnly Look Once）v3、YOLOv4、YOLOv5、R-CNN（Regions with CNN feature）、Faster R-CNN、Fast R-CNN等任意一种。优选地，以YOLOv5作为目标检测模型。车窗区域可以是目标车辆子图像中的矩形区域，车窗区域检测结果可以是矩形区域在目标车辆子图像的图像坐标系中的左上角坐标和右下角坐标。
在识别车窗区域后，服务端可以从目标车辆子图像中裁切出车窗区域，获得车窗区域图像，并将该车窗区域图像作为评估区域图像。
然而，将评估区域图像输入已训练的质量评估模型，获得质量评估结，依据质量评估结果判断交通违法数据是否正确。其中，质量评估结果可以指示评估区域图像的图像质量。示例性的，质量评估结果可以是二维向量，二维向量中两个元素分别为与“质量好”和“质量坏”对应的置信度。
服务端可以依据质量评估结果确定评估区域图像的质量是否满足要求，若不满足要求，则交通违法数据错误，可以舍弃；若满足要求，则交通违法数据正确，可作为筛选后的交通违法数据。示例性的，质量评估结果为二维向量，服务端可以判断与“质量好”对应的置信度是否大于预设置信度阈值，若否，说明质量不满足要求；若是，说明质量满足要求。这里，置信度阈值可以基于经验配置，示例性的，置信度阈值可以是0.9。
根据所述质量评估结果和所述第一置信度因子确定所述交通违法数据是否正确，具体包括：根据所述质量评估结果和所述第一置信度因子的乘积是否符合预设的阈值条件，确定所述交通违法数据是否正确。
步骤330：如果所述违法类型信息为汽车违章压线，则根据所述目标车辆子图像和所述车辆抓拍图像中的车道线确定第二置信度因子；从所述车辆抓拍图像中确定与所述目标车辆子图像对应的车道线斜率，并基于所述车道线斜率在所述目标车辆子图像中确定面积最大的指定内接平行四边形；根据所述指定内接平行四边形与车道线是否相交，以及所述第二置信度因子，确定所述交通违法数据是否正确。
可以理解的是，在判断车辆是否违章压线时，假设抓拍设备相对于车辆而言位于图像的右侧方向，而车辆压的车道线相对于车辆而言位于图像的左侧方向，实际上车辆潜在的违章压线位置，在图像中会被车辆本身所遮挡，从而影响了目标车辆子图像的置信度。此处的左侧和右侧可以理解为车道线位于车辆中轴线的左侧或右侧。因此，在计算是否存在汽车违章压线这种违法类型信息时，需要计算第二置信度因子来评估目标车辆子图像的置信度。第二置信度因子结合了车辆违章压线的抓拍特点，主要考虑到的是抓拍设备、车辆与车道线之间的位置关系。
在一种可能的实现方式中，第二置信度因子的取值可以为0或1，0代表车道线和抓拍设备位于车辆的两侧，1代表抓拍设备和车道线位于车辆的同侧。具体的计算方式可以在车前轮的位置作一条水平线，其与车道线相交于第一交点，与车辆抓拍图像的中垂线交于第二交点，若第二交点与第一交点的距离大于第二交点与车轮中心点的距离，则第二置信度因子取值为0，否则取值为1。此处本领域技术人员还可以设置其他第二置信度因子的取值的计算方式，本发明实施例不作具体限定。
如果违法类型信息为汽车违章压线，从车辆抓拍图像中确定与目标车辆子图像对应的车道线斜率。
当交通违法数据的违法类型信息为汽车违章压线时，服务端可以从车辆抓拍图像中识别出车道线，并确定与目标车辆子图像中车辆相交的车道线，进而确定该车道线在车辆抓拍图像的图像坐标系中的斜率。
在目标车辆子图像中确定面积最大的指定内接平行四边形；其中，指定内接平行四边形存在斜率与车道线相同的边。服务端可在目标车辆子图像中确定与车道线存在相同斜率的边、且面积最大的内接平行四边形，作为指定内接平行四边形。
根据所述指定内接平行四边形与车道线是否相交，以及所述第二置信度因子，确定所述交通违法数据是否正确。一方面，如果相交，且置信度因子为1，则说明车辆压线，交通违法数据正确，可作为筛选后的交通违法数据。另一方面，若否，说明车辆未压线，交通违法数据错误，可作为舍弃的交通违法数据。通过上述措施，可以对汽车违章压线对应的交通违法数据进行筛选。
本发明实施例提供的交通违法数据的筛选方法，可以自动化地从交通违法数据中筛选出能够作为交通违法证据的数据，还针对不同的违法类型信息的特点提供了不同的数据筛选方式，在筛选时还考虑到了非现场执法系统的抓拍设备与车辆、道路标志之间的位置关系以及抓拍设备对车辆的抓拍时机等因素，大大降低了数据审核人员的工作量，降低了人力成本，还提高了交通违法数据自动筛选的准确性。
在一实施例中，参见图4，为本申请一实施例提供的目标车辆子图像的确定方法的流程示意图，如图4所示，该方法可以包括以下步骤311-步骤313。
步骤311：从车辆抓拍图像中识别至少一个车辆区域，并依据车辆区域从车辆抓拍图像获得车辆子图像。
服务端可以将车辆抓拍图像输入已训练的车辆检测模型，获得车辆检测模型输出的车辆区域检测结果，该车辆区域检测结果可以指示车辆在车辆抓拍图像中的位置。车辆检测模型可以由目标检测模型训练得到，目标检测模型可以是YOLO v3、YOLOv4、YOLOv5、R-CNN、Faster R-CNN、Fast R-CNN等任意一种。优选地，以YOLOv5作为目标检测模型。车辆所在区域可以是车辆抓拍图像中的矩形区域，车辆区域检测结果可以是矩形区域在车辆抓拍图像的图像坐标系中左上角坐标和右下角坐标。
非现场执法系统在抓拍交通违法行为时，采集到的车辆抓拍图像中除违规车辆以为，可能还存在其它车辆。在这种情况下，车辆检测模型可能输出多个车辆区域检测结果。
服务端可以依据每一车辆区域检测结果对车辆抓拍图像进行裁切，从而得到若干车辆子图像。
图5为本申请一实施例提供的图像识别示意图，如图5中车辆抓拍图像内存在两辆汽车，因此车辆区域检测结果也有两个，分别为两个限定车辆所在位置的矩形框。
步骤312：对每个车辆子图像进行车牌识别，获得每个车辆子图像对应的车牌号。
服务端可以将每个车辆子图像输入已训练的车牌识别模型，获得车牌识别模型输出的车牌区域检测结果，该车牌区域检测结果可以指示车牌区域在车辆子图像中的位置。其中，车牌检测模型可以由目标检测网络训练得到，目标检测模型可以是YOLOv3、YOLOv4、YOLOv5、R-CNN、Faster R-CNN、Fast R-CNN等任意一种。优选地，以YOLOv5作为目标检测模型。车牌区域可以是车辆子图像中的矩形区域，车牌区域检测结构可以是矩形区域在车辆子图像的图像坐标系中的左上角坐标和右下角坐标。
在识别出每个车辆子图像中车牌位置之后，服务端可以通过OCR（OpticalCharacter Recognition，光学字符识别）技术对车牌区域进行识别，从而得到每个车辆子图像中的车牌号。
如图5所示，两个车辆区域中车牌区域被识别，并可以通过OCR技术识别出车牌区域的字符，获得车牌号。
步骤313：判断车辆子图像对应的车牌号与交通违法数据中的车牌号是否相同，若是，确定车辆子图像为目标车辆子图像。
针对每一车辆子图像，服务端可以判断该车辆子图像对应的车牌号与交通违法数据的车牌号是否相同。一方面，若否，则车辆子图像中车辆是车辆抓拍图像中多余的车辆。另一方面，若是，则可以确定车辆子图像为目标车辆子图像。
通过上述措施，可以从车辆抓拍图像中确定目标车辆子图像，后续针对目标车辆子图像判断交通违法数据是否正确。
在一实施例中，服务端在执行步骤320时，可以依据与交通违法数据中的违法类型信息，确定对应的提取规则，并从目标车辆子图像的车窗区域中提取出评估区域图像。
对于不同的交通违法类型，所关注的车辆抓拍图像的区域不一定相同。比如：交通违法类型为驾车打电话，则以车辆抓拍图像中驾驶员所在区域作为判断依据；交通违法类型为副驾未系安全带，则以车辆抓拍图像中副驾所在区域作为判断依据。
服务端可以预配置多个与不同违法类型对应的提取规则，该提取规则用于提取相应的违法类型所关注的图像区域，作为评估区域图像。
示例性的，交通违法类型为驾车打电话，依据提取规则可以选择车窗区域图像中右侧一半区域，并在左侧一半区域图像的上下左右四面分别裁掉八分之一，从而得到评估区域图像。如果车窗区域的宽度为W，高度为H，在车窗区域图像的图像坐标系中，车窗区域图像I（x，y）可表示为{x∈[0，W]，y∈[0，H]}，车窗区域图像I的像素点横坐标在0到W之间，像素点纵坐标在0到H之间。评估区域图像为驾驶员所在区域图像，评估区域图像Ico（x，y）可表示为{x∈[9W/16，15W/16]，y∈[H/8，7H/8]}，评估区域图像Ico的像素点横坐标在9W/16到15W/16之间，像素点纵坐标在H/8到7H/8之间。
示例性的，交通违法类型为副驾未系安全带，依据提取规则可以选择车窗区域中左侧一半区域，并在左侧一半区域图像的上下左右四面分别裁掉八分之一，从而得到评估区域图像。如果车窗区域的宽度为W，高度为H，在车窗区域图像的图像坐标系中，车窗区域图像I（x，y）可表示为{x∈[0，W]，y∈[0，H]}，车窗区域图像I的像素点横坐标在0到W之间，像素点纵坐标在0到H之间。评估区域图像为副驾所在区域图像，评估区域图像Ico（x，y）可表示为{x∈[1W/16，7W/16]，y∈[H/8，7H/8]}，评估区域图像Ico的像素点横坐标在1W/16到7W/16之间，像素点纵坐标在H/8到7H/8之间。
服务端可以将上述评估区域图像输入质量评估模型，获得质量评估结果。
通过上述措施，可以从车窗区域图像中进一步裁剪出评估区域图像，从而避免车窗区域图像中与质量评估无关的其它区域对质量评估的影响，从而获得更准确的质量评估结果。
参见图6a-6e，为本申请实施例提供的评估效果示意图。如图6a所示，从车窗区域图像中提取出驾驶员所在区域作为评估区域图像，输入质量评估模型，获得质量评估结果为“质量坏”的置信度0.8692，和/或“质量好”的置信度0.1308。
如图6b所示，从车窗区域图像中提取出驾驶员所在区域作为评估区域图像，输入质量评估模型，获得质量评估结果为“质量坏”的置信度0.094348，和/或“质量好”的置信度0.90565。
如图6c所示，从车窗区域图像中提取出驾驶员所在区域作为评估区域图像，输入质量评估模型，获得质量评估结果为“质量坏”的置信度0.81637，和/或“质量好”的置信度0.18363。
如图6d所示，从车窗区域图像中提取出驾驶员所在区域作为评估区域图像，输入质量评估模型，获得质量评估结果为“质量坏”的置信度0.88075，和/或“质量好”的置信度0.11925。
如图6e所示，从车窗区域图像中提取出驾驶员所在区域作为评估区域图像，输入质量评估模型，获得质量评估结果为“质量坏”的置信度0.99796，和/或“质量好”的置信度0.002038。
可见，质量评估结果可以指示图像质量，进而作为筛选交通违法数据的依据。
在一实施例中，服务端在执行上述筛选方法之前，可以训练得到质量评估模型。参见图7，为本申请一实施例提供的质量评估模型的训练方法的流程示意图，如图7所示，该方法可以包括以下步骤710-步骤730。
步骤710：将样本数据集中样本图像输入卷积神经网络模型，获得对应于样本图像的样本质量评估结果。
其中，样本数据集中包含多个样本图像。由于不同违法类型所关注的图像区域可能不同，针对不同违法类型可以分别训练对应的质量评估模型，相应的，存在对应于不同违法类型的样本数据集。一般，样本数据集中样本图像的数量在5000张以上。
卷积神经网络模型可以是分类模型，为获得良好的训练效果，可以选择经过其它数据集（比如：ImageNet数据集）预训练的分类模型作为本申请中的初始卷积神经网络模型。在一实施例中，卷积神经网络模型可以是基于SVM（Support Vector Machine，支持向量机）的SqueezeNet模型，该模型以SVM替代原有的softmax分类器，实现分类功能。参见图8，为本申请一实施例提供的SqueezeNet的网络结构示意图，通过SqueezeNet模型从图像中提取图像特征后，输入SVM，可以获得质量评估结果。
服务端将样本图像输入卷积神经网络模型后，可以获得卷积神经网络模型输出的样本质量评估结果。样本质量评估结果可以是二维向量，二维向量中两个元素分别为与“质量好”和“质量坏”对应的置信度。
步骤720：基于样本质量评估结果与样本图像的质量标签之间的差异，调整卷积神经网络模型的网络参数。
步骤730：重复上述过程，直至卷积神经网络模型收敛，获得质量评估模型。
每一样本图像被预先标注质量标签，该质量标签表示样本图像为“质量好”或“质量坏”。质量标签可以是二维向量，二维向量中两个元素分别为与“质量好”和“质量坏”对应的置信度。对于质量好的样本图像，质量标签中与“质量好”对应的置信度为1，和/或与“质量坏”对应置信度为0；对于质量坏的样本图像，质量标签中与“质量好”对应的置信度为0，与“质量坏”对应置信度为1。
服务端可以根据预设损失函数评估样本质量评估结果与质量标签之间的差异，并依据该差异调整卷积神经网络模型的网络参数。
经过反复迭代，当损失函数的函数值趋于稳定时，可以认定卷积神经网络模型收敛，获得质量评估模型。通过不同违法类型对应的样本数据集，可以分别训练得到与不同违法类型对应的质量评估模型。后续可将评估区域图像输入至与违法类型信息对应的质量评估模型，以获得质量评估结果。
在一实施例中，在训练质量评估模型之前，服务端可以获得样本图像，参见图9，为本申请一实施例提供的样本图像的生成方法的流程示意图，如图9所示，该方法可以包括以下步骤910-步骤930。
步骤910：从多个违法抓拍图像提取ROI区域，获得每个违法抓拍图像对应的ROI图像。
其中，违法抓拍图像可以是经验证存在交通违法行为的车辆抓拍图像，每一违法抓拍图像存在对应的违法类型信息。
ROI（Region of Interest，感兴趣区域）区域是违法抓拍图像中可以确定存在交通违法行为的区域。示例性的，ROI区域可以是违法抓拍图像中的车窗区域。
服务端可以将违法抓拍图像输入车窗检测模型，从而获得车窗区域检测结果，依据车窗区域检测结果从违法抓拍图像中裁切得到ROI图像。
步骤920：将ROI图像进行尺度归一化处理、图像标准化处理和逆透视变换，得到初始样本图像。
其中，尺度归一化处理是将不同分辨率的ROI图像统一至指定尺寸，示例性的，指定尺寸以高度*宽度*通道数的形式可表示为227*227*3。
图像标准化处理可以包括去均值、调整方差等处理过程。
逆透视变换可以将违法抓拍图像中歪斜的车辆矫正，从而得到更多ROI图像，增加样本多样性。
经过上述处理过程，可以得到大量初始样本图像。
步骤930：对初始样本图像进行多角度随机旋转变换，得到样本图像。
服务端可以对初始样本图像进行90度、180度、270度多角度旋转变换，从而增大样本数据量，获得样本图像。大量样本图像可以提高模型的泛化能力，防止模型在训练过程中过拟合。参见图10，为本申请一实施例提供的图像旋转示意图，如图10所示，一个初始样本图像经过多角度旋转后，可以获得四个样本图像。
服务端可以将从相同违法类型的违法抓拍图像中获得的样本图像放入同一样本数据集，从而得到与不同违法类型对应的样本数据集。
在一实施例中，服务端在从违法抓拍图像中获取ROI图像时，可以从多个违法抓拍图像识别车窗区域，并依据车窗区域从违法抓拍图像中获得车窗区域图像。
进一步的，服务端可以依据与违法抓拍图像的违法类型信息对应的提取规则，从车窗区域图像中提取出ROI图像。参见图11，为本申请一实施例提供的ROI图像提取示意图，如图11所示，通过提取规则从车窗区域图像中提取出驾驶员所在区域的图像，作为ROI图像。
通过上述措施，可以得到与违法类型关联性更强的样本图像，消除了无关信息，有助于后续训练得到更好的质量评估模型。
图12是本发明一实施例的一种交通违法数据的筛选装置，如图12所示，该装置可以包括：
车辆图像确定模块1210，用于基于交通违法数据的车辆抓拍图像，确定与所述交通违法数据的违法类型信息对应的目标车辆子图像；
第一判断模块1220，用于如果所述违法类型信息为驾驶员未系安全带、副驾驶未系安全带或驾车打电话，则根据所述目标车辆子图像确定第一置信度因子；
从所述目标车辆子图像中识别车窗区域，并依据所述车窗区域从所述目标车辆子图像中获得评估区域图像；
将所述评估区域图像输入已训练的质量评估模型，获得质量评估结果；
根据所述质量评估结果和所述第一置信度因子确定所述交通违法数据是否正确；
第二判断模块1230，用于如果所述违法类型信息为汽车违章压线，则根据所述目标车辆子图像和所述车辆抓拍图像中的车道线确定第二置信度因子；
从所述车辆抓拍图像中确定与所述目标车辆子图像对应的车道线斜率，并基于所述车道线斜率在所述目标车辆子图像中确定面积最大的指定内接平行四边形；
根据所述指定内接平行四边形与车道线是否相交，以及所述第二置信度因子，确定所述交通违法数据是否正确。
上述装置中各个模块的功能和作用的实现过程具体详见上述交通违法数据的筛选方法中对应步骤的实现过程，在此不再赘述。
在本申请所提供的几个实施例中，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种交通违法数据的筛选方法，其特征在于，包括：
基于交通违法数据的车辆抓拍图像，确定与所述交通违法数据的违法类型信息对应的目标车辆子图像；
如果所述违法类型信息为驾驶员未系安全带、副驾驶未系安全带或驾车打电话，则根据所述车辆抓拍图像中抓拍设备的拍摄方向与车窗所在的平面的夹角确定第一置信度因子；
从所述目标车辆子图像中识别车窗区域，并依据所述车窗区域从所述目标车辆子图像中获得评估区域图像；
将所述评估区域图像输入已训练的质量评估模型，获得质量评估结果；
根据所述质量评估结果和所述第一置信度因子确定所述交通违法数据是否正确；
如果所述违法类型信息为汽车违章压线，则根据所述车辆抓拍图像中所述抓拍设备和车道线位于车辆的同侧或两侧确定第二置信度因子；
从所述车辆抓拍图像中确定与所述目标车辆子图像对应的车道线斜率，并基于所述车道线斜率在所述目标车辆子图像中确定面积最大的指定内接平行四边形；
根据所述指定内接平行四边形与车道线是否相交，以及所述第二置信度因子，确定所述交通违法数据是否正确。
2.根据权利要求1所述的方法，其特征在于，基于交通违法数据的车辆抓拍图像，确定与所述交通违法数据的违法类型信息对应的目标车辆子图像，包括：
从所述车辆抓拍图像中识别至少一个车辆区域，并依据所述车辆区域从所述车辆抓拍图像获得车辆子图像；
对每个车辆子图像进行车牌识别，获得每个车辆子图像对应的车牌号；
判断所述车辆子图像对应的车牌号与所述交通违法数据中的车牌号是否相同，若是，确定所述车辆子图像为目标车辆子图像。
3.根据权利要求1所述的方法，其特征在于，所述依据所述车窗区域从所述目标车辆子图像中获得评估区域图像，包括：
依据与所述违法类型信息对应的提取规则，从所述目标车辆子图像的车窗区域中提取出评估区域图像。
4.根据权利要求1所述的方法，其特征在于，所述质量评估模型通过如下方式训练得到：
将样本数据集中样本图像输入卷积神经网络模型，获得对应于样本图像的样本质量评估结果；
基于所述样本质量评估结果与所述样本图像的质量标签之间的差异，调整所述卷积神经网络模型的网络参数；
重复上述步骤，直至所述卷积神经网络模型收敛，获得质量评估模型。
5.根据权利要求4所述的方法，其特征在于，在所述将样本数据集中样本图像输入卷积神经网络模型之前，所述方法还包括：
从多个违法抓拍图像提取ROI区域，获得每个违法抓拍图像对应的ROI图像；
将所述ROI图像进行尺度归一化处理、图像标准化处理和逆透视变换，得到初始样本图像；
对所述初始样本图像进行多角度随机旋转变换，得到所述样本图像。
6.根据权利要求5所述的方法，其特征在于，所述从多个违法抓拍图像提取ROI区域，获得每个违法抓拍图像对应的ROI图像，包括：
从多个违法抓拍图像识别车窗区域，并依据所述车窗区域从所述违法抓拍图像中获得车窗区域图像；
依据与所述违法抓拍图像的违法类型信息对应的提取规则，从所述车窗区域图像中提取出ROI图像。
7.根据权利要求1所述的方法，其特征在于，所述根据所述质量评估结果和所述第一置信度因子确定所述交通违法数据是否正确，具体包括：
根据所述质量评估结果和所述第一置信度因子的乘积是否符合预设的阈值条件，确定所述交通违法数据是否正确。
8.一种交通违法数据的筛选装置，其特征在于，包括：
车辆图像确定模块，用于基于交通违法数据的车辆抓拍图像，确定与所述交通违法数据的违法类型信息对应的目标车辆子图像；
第一判断模块，用于如果所述违法类型信息为驾驶员未系安全带、副驾驶未系安全带或驾车打电话，则根据所述车辆抓拍图像中抓拍设备的拍摄方向与车窗所在的平面的夹角确定第一置信度因子；
从所述目标车辆子图像中识别车窗区域，并依据所述车窗区域从所述目标车辆子图像中获得评估区域图像；
将所述评估区域图像输入已训练的质量评估模型，获得质量评估结果；
根据所述质量评估结果和所述第一置信度因子确定所述交通违法数据是否正确；
第二判断模块，用于如果所述违法类型信息为汽车违章压线，则根据所述车辆抓拍图像中所述抓拍设备和车道线位于车辆的同侧或两侧确定第二置信度因子；
从所述车辆抓拍图像中确定与所述目标车辆子图像对应的车道线斜率，并基于所述车道线斜率在所述目标车辆子图像中确定面积最大的指定内接平行四边形；
根据所述指定内接平行四边形与车道线是否相交，以及所述第二置信度因子，确定所述交通违法数据是否正确。
9.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-7任意一项所述的交通违法数据的筛选方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成权利要求1-7任意一项所述的交通违法数据的筛选方法。
CN202110888594.4A 2021-08-04 2021-08-04 交通违法数据的筛选方法及装置、电子设备、存储介质 Active CN113326831B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110888594.4A CN113326831B (zh) 2021-08-04 2021-08-04 交通违法数据的筛选方法及装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110888594.4A CN113326831B (zh) 2021-08-04 2021-08-04 交通违法数据的筛选方法及装置、电子设备、存储介质

Publications (2)

Publication Number Publication Date
CN113326831A CN113326831A (zh) 2021-08-31
CN113326831B true CN113326831B (zh) 2021-11-02

Family

ID=77426875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110888594.4A Active CN113326831B (zh) 2021-08-04 2021-08-04 交通违法数据的筛选方法及装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN113326831B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241774B (zh) * 2021-12-28 2023-09-19 高新兴智联科技股份有限公司 一种记录车辆违法证据方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109344805A (zh) * 2018-10-29 2019-02-15 北京深瞐科技有限公司 交通违法图片智能预审方法及装置
US11462101B2 (en) * 2019-11-18 2022-10-04 International Business Machines Corporation Non-essential autonomous vehicle rerouting
CN111444843B (zh) * 2020-03-26 2023-06-30 中科海微(北京)科技有限公司 一种多模态驾驶员及车辆违法行为监测方法及系统
CN112163543B (zh) * 2020-10-12 2024-03-26 北京易华录信息技术股份有限公司 一种车辆违法占道的检测方法及系统

Also Published As

Publication number Publication date
CN113326831A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
US9082038B2 (en) Dram c adjustment of automatic license plate recognition processing based on vehicle class information
Rezaei et al. Robust vehicle detection and distance estimation under challenging lighting conditions
US8824742B2 (en) Occupancy detection for managed lane enforcement based on localization and classification of windshield images
CN106600977B (zh) 基于多特征识别的违停检测方法及系统
US9460367B2 (en) Method and system for automating an image rejection process
CN110298300B (zh) 一种检测车辆违章压线的方法
CN110555347B (zh) 具有危险载货行为的车辆目标识别方法、装置及电子设备
CN104778444A (zh) 道路场景下车辆图像的表观特征分析方法
CN111382704A (zh) 基于深度学习的车辆压线违章判断方法、装置及存储介质
CN104268596A (zh) 一种车牌识别器及其车牌检测方法与系统
CN107529659B (zh) 安全带佩戴检测方法、装置及电子设备
CN115810134B (zh) 一种车险反欺诈的图像采集质检方法、系统和装置
CN113688805A (zh) 一种基于无人机的无牌渣土车识别方法及系统
CN111753592A (zh) 交通标志识别方法、装置、计算机设备和存储介质
Sangnoree et al. Thermal-image processing and statistical analysis for vehicle category in nighttime traffic
CN113326831B (zh) 交通违法数据的筛选方法及装置、电子设备、存储介质
CN110235177B (zh) 图像处理装置、图像识别装置、以及存储介质
CN112489436B (zh) 一种车辆身份识别方法、装置、系统、以及电子装置
CN114693722B (zh) 一种车辆行驶行为检测方法、检测装置及检测设备
CN110249366B (zh) 图像特征量输出装置、图像识别装置、以及存储介质
Thaiparnit et al. Tracking vehicles system based on license plate recognition
US20180201261A1 (en) Method for checking the plausibility of a control decision for safety means
CN111161542B (zh) 车辆识别方法及装置
JP2021140824A (ja) 車推定装置
CN113435350A (zh) 一种交通标线检测方法、装置、设备和介质

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Screening method and device of traffic violation data, electronic equipment and storage medium

Effective date of registration: 20220113

Granted publication date: 20211102

Pledgee: Zhejiang Zhuji Rural Commercial Bank Co.,Ltd. Huandong sub branch

Pledgor: ZHEJIANG LIJIA ELECTRONIC TECHNOLOGY Co.,Ltd.

Registration number: Y2022980000320

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20230112

Granted publication date: 20211102

Pledgee: Zhejiang Zhuji Rural Commercial Bank Co.,Ltd. Huandong sub branch

Pledgor: ZHEJIANG LIJIA ELECTRONIC TECHNOLOGY Co.,Ltd.

Registration number: Y2022980000320

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Screening methods, devices, electronic devices and storage media of traffic violation data

Effective date of registration: 20230201

Granted publication date: 20211102

Pledgee: Zhejiang Zhuji Rural Commercial Bank Co.,Ltd. Huandong sub branch

Pledgor: ZHEJIANG LIJIA ELECTRONIC TECHNOLOGY Co.,Ltd.

Registration number: Y2023980031863

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20211102

Pledgee: Zhejiang Zhuji Rural Commercial Bank Co.,Ltd. Huandong sub branch

Pledgor: ZHEJIANG LIJIA ELECTRONIC TECHNOLOGY Co.,Ltd.

Registration number: Y2023980031863