CN113851001A - 多车道合并违法自动审核方法、系统、装置和存储介质 - Google Patents
多车道合并违法自动审核方法、系统、装置和存储介质 Download PDFInfo
- Publication number
- CN113851001A CN113851001A CN202111091015.XA CN202111091015A CN113851001A CN 113851001 A CN113851001 A CN 113851001A CN 202111091015 A CN202111091015 A CN 202111091015A CN 113851001 A CN113851001 A CN 113851001A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- illegal
- merging
- distance
- 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
Images
Classifications
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种多车道合并违法自动审核方法、系统、装置和存储介质,其中方法包括检测车道的车辆情况并识别所有车辆信息,检测车道的车速和车距,并判断是否符合交通堵塞状态;当交通堵塞时,根据车辆的位置信息,当检测到任意车辆驶入合并后车道后,对应计数器加一,计数器每进行一次计数便重新检测车速和车距并判断此时是否仍处于交通堵塞状态,并根据判断结果,选择计算计数结果或是继续检测车速车距,若计数结果为车辆违法,则识别违法车辆的信息,上传至交警系统,将计数器清零;若未产生违法,则继续计数。与现有技术相比,本发明具有可实现全自动审核,且检测准确性高等优点。
Description
技术领域
本发明涉及一种交通违法判断领域,尤其是涉及一种多车道合并违法自动审核方法、系统、装置和存储介质。
背景技术
深度学习是机器学习领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。深度学习在搜索技术,数据挖掘,机器学习,机器翻译,自然语言处理,多媒体学习,语音,推荐和个性化技术,以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动,解决了很多复杂的模式识别难题,使得人工智能相关技术取得了很大进步。就具体研究内容而言,深度学习主要涉及三类方法:基于卷积运算的神经网络系统,即卷积神经网络。基于多层神经元的自编码神经网络,包括自编码以及近年来受到广泛关注的稀疏编码两类。以多层自编码神经网络的方式进行预训练,进而结合鉴别信息进一步优化神经网络权值的深度置信网络。通过多层处理,逐渐将初始的“低层”特征表示转化为“高层”特征表示后,用“简单模型”即可完成复杂的分类等学习任务。由此可将深度学习理解为进行“特征学习”或“表示学习”。深度学习是机器学习的一种,而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究,含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本等。从一个输入中产生一个输出所涉及的计算可以通过一个流向图来表示:流向图是一种能够表示计算的图,在这种图中每一个节点表示一个基本的计算以及一个计算的值,计算的结果被应用到这个节点的子节点的值。考虑这样一个计算集合,它可以被允许在每一个节点和可能的图结构中,并定义了一个函数族。输入节点没有父节点,输出节点没有子节点。这种流向图的一个特别属性是深度:从一个输入到一个输出的最长路径的长度。传统的前馈神经网络能够被看作拥有等于层数的深度。人工智能研究的方向之一,是以所谓“专家系统”为代表的,用大量“如果-就”规则定义的,自上而下的思路。人工神经网络,标志着另外一种自下而上的思路。神经网络没有一个严格的正式定义。它的基本特点,是试图模仿大脑的神经元之间传递,处理信息的模式。
随着社会经济的不断发展和人民生活水平的持续提高,交通管理局对于交通违章自动审核的需求越来越大。传统和违章审核主要是通过人工识别,该方法人工成本较高,效率较低,且长时间重复性校验操作容易产生疲劳,疏忽等不良状态,影响校验准确率。如何准确、快速地对交通中的违法行为进行审核,同时避免人工识别成本高,易疲劳,易疏忽等弊端,是急需解决的技术问题。
在具有合并车道的路段,在发生交替拥堵时,车辆需要遵守依次交替的原则。依次交替就是指两股同向的车只能从一股车道驶出时,两股车道上的车交替通行。也就是说左面车道的车走一辆,右面车道的车走一辆,这样不会出现其中一股车道等待很长时间的情况。然而,从目前来看,相关交通法规的覆盖和实施并不完善,在车流量较多且交警人力充足的设有“车道合并,交替通行”标志的路段,实施方式多为人工识别和当场处罚,在高峰期直接设立岗位由交警监管并处罚。但是,在全国的各个地区,并不配备充足的交警人力资源,人为管控显然是无法成立的,因此,该原则并不能很好地被遵守。而违反此条原则会导致车辆刮擦、碰撞,并最终造成进一步拥堵的后果。现有技术中对违法车辆采用的是图片捕获方式进行抓拍,缺少证据的完整性,且监控系统无法识别是否违反交替通行的法规,人为对照识别则过于繁琐,显然不切实际。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种多车道合并违法自动审核方法、系统、装置和存储介质。
本发明的目的可以通过以下技术方案来实现:
一种多车道合并违法自动审核方法,包括:
S1、检测合并前车道的车辆情况,并识别所有车辆的车牌号码和位置信息;
S2、检测合并前车道和合并后车道的车速和车距,并实时判断是否符合交通堵塞状态;当符合交通堵塞状态时,执行以下违法判断步骤:
根据车辆的位置信息,当检测到任意车辆从合并前车道驶入合并后车道后,对应合并前车道的计数器进行计数加一,计数器每进行一次计数便重新检测合并前车道和合并后车道的车速和车距并判断此时是否仍处于交通堵塞状态,若是,则计算计数结果并判断违法情况,若产生违法,则执行步骤S3,若未产生违法,则继续计数;若否,则中断违法判断步骤,将所有计数器结果清零,继续检测合并前车道和合并后车道的车速和车距;
S3、识别违法车辆的车牌号码和位置信息,并将车牌号输出至交警系统,将所有计数器结果清零,返回步骤S2。
进一步地,步骤S2中所述车速和车距的计算方式具体如下:
检测出合并前车道各车的车速vi1和合并后车道各车的车速vi2,以及合并前车道各车辆之间的车距di1和合并后车道各车辆之间的车距di2,以加权平均数求得每条车道的平均车速vt和每条车道的平均车距dt。
进一步地,所述计数器的计算判断方法可依据以下公式:
若Prime小于1,则当前通过车辆并未违法;
若Prime大于或等于1,则当前通过车辆违法。
进一步地,步骤S3中识别违法车辆的车牌号码和位置信息的具体步骤如下:
识别出违法车辆的车牌号后,与第一次检测到的所有车辆车牌号的识别结果进行匹配,匹配正确后,根据违法车辆的位置信息确定车辆检测框,锁定其不同时刻的位置,确保违法信息准确。
进一步地,步骤S3中,将违法车辆车牌号码上传至交警系统后,将车牌号码、违法时间和违法路段投至道路的显示屏上。
一种多车道合并违法自动审核系统,包括:
车辆检测模块、堵塞检测模块、违法判断模块和违法处罚模块;
车辆检测模块检测合并前车道的车辆情况,并识别所有车辆的车牌号码和位置信息;
堵塞检测模块检测合并前车道和合并后车道的车速和车距,并实时判断是否符合交通堵塞状态;当符合交通堵塞状态时,违法判断模块响应:
当车辆检测模块检测到任意车辆从合并前车道驶入合并后车道后,违法判断模块中对应合并前车道的计数器进行计数加一,计数器每进行一次计数便使堵塞检测模块响应,重新检测合并前车道和合并后车道的车速和车距并判断此时是否仍处于交通堵塞状态,若是,则计算计数结果并判断违法情况,若产生违法,则使车辆检测模块再次响应,识别违法车辆的车牌号码和位置信息并使违法处罚模块响应,若未产生违法,则继续计数;若否,则中断违法判断模块运行,将所有计数器结果清零,堵塞检测模块继续检测合并前车道和合并后车道的车速和车距;
违法处罚模块将车牌号输出至交警系统,将所有计数器结果清零,使堵塞检测模块响应。
一种多车道合并违法自动审核装置,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现以下方法:
S1、检测合并前车道的车辆情况,并识别所有车辆的车牌号码和位置信息;
S2、检测合并前车道和合并后车道的车速和车距,并实时判断是否符合交通堵塞状态;当符合交通堵塞状态时,执行以下违法判断步骤:
根据车辆的位置信息,当检测到任意车辆从合并前车道驶入合并后车道后,对应合并前车道的计数器进行计数加一,计数器每进行一次计数便重新检测合并前车道和合并后车道的车速和车距并判断此时是否仍处于交通堵塞状态,若是,则计算计数结果并判断违法情况,若产生违法,则执行步骤S3,若未产生违法,则继续计数;若否,则中断违法判断步骤,将所有计数器结果清零,继续检测合并前车道和合并后车道的车速和车距;
S3、识别违法车辆的车牌号码和位置信息,并将车牌号输出至交警系统,将所有计数器结果清零,返回步骤S2。
进一步地,所述步骤S2中车速和车距的计算方式具体如下:
检测出合并前车道各车的车速vi1和合并后车道各车的车速vi2,以及合并前车道各车辆之间的车距di1和合并后车道各车辆之间的车距di2,以加权平均数求得每条车道的平均车速vt和每条车道的平均车距dt。
进一步地,所述计数器的计算判断方法可依据以下公式:
若Prime小于1,则当前通过车辆并未违法;
若Prime大于或等于1,则当前通过车辆违法。
一种计算机可读存储介质,所述计算机可读存储介质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如权利要求1至5任一项所述的一种多车道合并违法自动审核方法的步骤。
与现有技术相比,本发明具有以下优点:
1、本发明检测车辆信息以及合并前后车道的车速车距,并以计数器的形式计数车辆驶入合并后车道的情况以判断违法情况,最后通过将违法结果输出,实现了审核过程中的全自动检测,识别,判断和处罚。
2、本发明设置了车辆检测模块、堵塞检测模块、违法判断模块以及违法处罚模块,实现了交通违法审核的系统化,同时车辆检测模块使用深度学习网络直接获得高精度的车辆数据,使得最后判断结果更为精准。
3、本发明在违法判断时识别出违法车辆的车牌号后,与第一次检测到的所有车辆的识别结果进行匹配,并根据违法车辆的位置信息确定车辆检测框,锁定其不同时刻的位置,确保了识别结果的准确性,避免了误判情况。
附图说明
图1为本发明的流程示意图。
图2为本发明的系统示意图。
图3为本发明的车辆检测模块示意图。
图4为本发明的堵塞检测模块示意图。
图5为本发明的违法判断模块示意图。
图6为本发明的违法处罚模块示意图。
附图标记:1-车辆检测模块,2-堵塞检测模块,3-违法判断模块,4-违法处罚模块,11-车辆检测单元,12-车辆识别单元,21-车辆测速单元,22-车距检测单元,23-车流计算单元,31-计数单元,32-判断单元,41-警告单元,42-通信单元。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例提供了一种多车道合并违法自动审核方法,如图1所示,包括:
步骤S1、检测合并前车道的车辆情况,获取车辆的位置信息并获得车牌检测框,识别出具体车牌号码。
步骤S2、检测合并前车道各车的车速vi1和合并后车道各车的车速vi2,以及合并前车道各车辆之间的车距di1和合并后车道各车辆之间的车距di2,以加权平均数求得每条车道的平均车速vt和每条车道的平均车距dt,依据公式如下:
vt=∑(α1vi1+β1vi2)/N,dt=∑(α2di1+β2di2)/N,
式中α、β分别为不同路段的加权系数,N表示车道数。
根据计算结果实时判断,是否符合交通堵塞状态。若平均车速和平均车距均满足堵塞标准,则执行违法判断步骤:若平均车速和平均车距两者其一不满足堵塞标准,则车辆不需要在车道合并处遵循交替通行的法规,间隔一定时间后重新对车速和车距进行检测并判断是否存在符合交通堵塞状态。
违法判断步骤具体如下:首先打开N个合并前车道的计数器并清零,当检测到任意车辆从合并前车道驶入合并后车道后,对应合并前车道的计数器进行计数加一,计数器每进行一次计数便重新检测合并前车道和合并后车道的车速和车距并判断此时是否仍处于交通堵塞状态,若否,则中断违法判断步骤,将所有计数器结果清零,继续检测合并前车道和合并后车道的车速和车距。
若是,则计算计数结果并判断违法情况,依据公式如下:
若Prime小于1,则当前通过车辆并未违法;
若Prime大于或等于1,则当前通过车辆违法。
若产生违法,则识别违法车辆的车牌号码和位置信息,识别出违法车辆的车牌号后,与第一次检测到的所有车辆车牌号的识别结果进行匹配,匹配正确后,根据违法车辆的位置信息确定车辆检测框,锁定其不同时刻的位置,确保违法信息准确。并执行步骤S3。
若未产生违法,则继续计数。
步骤S3、将识别出的车辆信息进行上传,由警告单元将车牌信息、违章时间和违章路段投屏到位于道路的显示屏上,以对其他车辆进行警示。并将违法车辆的车牌号、具体违章信息包含监控片段传输至交警大队的中央系统,进行记录,以保存车辆具体的违法信息。并将所有计数器结果清零,继续检测。
最后检测终端是否发出中止系统的命令,若无中止信号,则系统继续进行违法行为的检测。若收到中止信号,则退出程序,结束违法检测。
本实施例还提供了一种多车道合并违法自动审核系统,如图2所示,包括:车辆检测模块1、堵塞检测模块2、违法判断模块3和违法处罚模块4。
如图3所示,车辆检测模块1包括车辆检测单元11和车牌识别单元12,车辆检测单元检测合并前车道的车辆情况并得到车辆的位置信息和车牌位置框,车牌识别单元根据车牌位置框识别车牌号码。
如图4所示,堵塞检测模块2包括车辆测速单元21、车距检测单元22和车流计算单元23,车辆测速单元21检测合并前车道各车的车速vi1和合并后车道各车的车速vi2,车距检测单元22检测合并前车道各车辆之间的车距di1和合并后车道各车辆之间的车距di2,以加权平均数求得每条车道的平均车速vt和每条车道的平均车距dt,依据公式如下:
vt=∑(α1vi1+β1vi2)/N,dt=∑(α2di1+β2di2)/N,
式中α、β分别为不同路段的加权系数,N表示车道数。
车流计算单元23根据计算结果实时判断,是否符合交通堵塞状态。若平均车速和平均车距均满足堵塞标准,则违法判断模块3响应:若平均车速和平均车距两者其一不满足堵塞标准,则车辆不需要在车道合并处遵循交替通行的法规,间隔一定时间后重新对车速和车距进行检测并判断是否存在符合交通堵塞状态。
如图5所示,违法判断模块3包括计数单元31和判断单元32,在响应前自动打开N个合并前车道的计数单元31并清零,当车辆检测模块1检测到任意车辆从合并前车道驶入合并后车道后,违法判断模块3中对应合并前车道的计数单元31进行计数加一,计数单元31每进行一次计数便使堵塞检测模块2响应,重新检测合并前车道和合并后车道的车速和车距并判断此时是否仍处于交通堵塞状态,若否,则中断违法判断模块3运行,将所有计数器结果清零,堵塞检测模块2继续检测合并前车道和合并后车道的车速和车距。
若是,则判断单元32计算计数结果并判断违法情况,依据公式如下:
若Prime小于1,则当前通过车辆并未违法;
若Prime大于或等于1,则当前通过车辆违法。
若产生违法,则使车辆检测模块1再次响应,识别违法车辆的车牌号码和位置信息,识别出违法车辆的车牌号后,与第一次检测到的所有车辆车牌号的识别结果进行匹配,匹配正确后,根据违法车辆的位置信息确定车辆检测框,锁定其不同时刻的位置,确保违法信息准确,并使违法处罚模块4响应。
若未产生违法,则继续计数;
如图6所示,违法处罚模块4包括警告单元41和通信单元42,在接受传入的违规车辆的信息,返回匹配确认违法后,由警告单元41将车牌信息、违章时间和违章路段投屏到位于道路的显示屏上,以对其他车辆进行警示。并通过通信单元42,将违法车辆的车牌号、具体违章信息包含监控片段上传至交警大队的中央系统,进行记录,以保存车辆具体的违法信息。并将所有计数结果清零,使堵塞检测模块2响应,继续检测。
本实施例又提供了一种多车道合并违法自动审核装置,包括存储器和处理器;存储器,用于存储计算机程序;处理器执行以下多车道合并违法自动审核方法:
步骤S1、检测合并前车道的车辆情况,获取车辆的位置信息并获得车牌检测框,识别出具体车牌号码。
步骤S2、检测合并前车道各车的车速vi1和合并后车道各车的车速vi2,以及合并前车道各车辆之间的车距di1和合并后车道各车辆之间的车距di2,以加权平均数求得每条车道的平均车速vt和每条车道的平均车距dt,依据公式如下:
vt=∑(α1vi1+β1vi2)/N,dt=∑(α2di1+β2di2)/N,
式中α、β分别为不同路段的加权系数,N表示车道数。
根据计算结果实时判断,是否符合交通堵塞状态。若平均车速和平均车距均满足堵塞标准,则执行违法判断步骤:若平均车速和平均车距两者其一不满足堵塞标准,则车辆不需要在车道合并处遵循交替通行的法规,间隔一定时间后重新对车速和车距进行检测并判断是否存在符合交通堵塞状态。
违法判断步骤具体如下:首先打开N个合并前车道的计数器并清零,当检测到任意车辆从合并前车道驶入合并后车道后,对应合并前车道的计数器进行计数加一,计数器每进行一次计数便重新检测合并前车道和合并后车道的车速和车距并判断此时是否仍处于交通堵塞状态,若否,则中断违法判断步骤,将所有计数器结果清零,继续检测合并前车道和合并后车道的车速和车距。
若是,则计算计数结果并判断违法情况,依据公式如下:
若Prime小于1,则当前通过车辆并未违法;
若Prime大于或等于1,则当前通过车辆违法。
若产生违法,则识别违法车辆的车牌号码和位置信息,识别出违法车辆的车牌号后,与第一次检测到的所有车辆车牌号的识别结果进行匹配,匹配正确后,根据违法车辆的位置信息确定车辆检测框,锁定其不同时刻的位置,确保违法信息准确。并执行步骤S3。
若未产生违法,则继续计数。
步骤S3、将识别出的车辆信息进行上传,由警告单元将车牌信息、违章时间和违章路段投屏到位于道路的显示屏上,以对其他车辆进行警示。并将违法车辆的车牌号、具体违章信息包含监控片段传输至交警大队的中央系统,进行记录,以保存车辆具体的违法信息。并将所有计数器结果清零,继续检测。
本实施例最后提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现多车道合并路段违法全自动审核。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种多车道合并违法自动审核方法,其特征在于,包括:
S1、检测合并前车道的车辆情况,并识别所有车辆的车牌号码和位置信息;
S2、检测合并前车道和合并后车道的车速和车距,并实时判断是否符合交通堵塞状态;当符合交通堵塞状态时,执行以下违法判断步骤:
根据车辆的位置信息,当检测到任意车辆从合并前车道驶入合并后车道后,对应合并前车道的计数器进行计数加一,计数器每进行一次计数便重新检测合并前车道和合并后车道的车速和车距并判断此时是否仍处于交通堵塞状态,若是,则计算计数结果并判断违法情况,若产生违法,则执行步骤S3,若未产生违法,则继续计数;若否,则中断违法判断步骤,将所有计数器结果清零,继续检测合并前车道和合并后车道的车速和车距;
S3、识别违法车辆的车牌号码和位置信息,并将车牌号输出至交警系统,将所有计数器结果清零,返回步骤S2。
2.根据权利要求1所述的一种多车道合并违法自动审核方法,其特征在于,步骤S2中所述车速和车距的计算方式具体如下:
检测出合并前车道各车的车速vi1和合并后车道各车的车速vi2,以及合并前车道各车辆之间的车距di1和合并后车道各车辆之间的车距di2,以加权平均数求得每条车道的平均车速vt和每条车道的平均车距dt。
4.根据权利要求1所述的一种多车道合并违法自动审核方法,其特征在于,步骤S3中识别违法车辆的车牌号码和位置信息的具体步骤如下:
识别出违法车辆的车牌号后,与第一次检测到的所有车辆车牌号的识别结果进行匹配,匹配正确后,根据违法车辆的位置信息确定车辆检测框,锁定其不同时刻的位置,确保违法信息准确。
5.根据权利要求1所述的一种多车道合并违法自动审核方法,其特征在于,步骤S3中,将违法车辆车牌号码上传至交警系统后,将车牌号码、违法时间和违法路段投至道路的显示屏上。
6.一种多车道合并违法自动审核系统,其特征在于,包括:
车辆检测模块(1)、堵塞检测模块(2)、违法判断模块(3)和违法处罚模块(4);
车辆检测模块(1)检测合并前车道的车辆情况,并识别所有车辆的车牌号码和位置信息;
堵塞检测模块(2)检测合并前车道和合并后车道的车速和车距,并实时判断是否符合交通堵塞状态;当符合交通堵塞状态时,违法判断模块(3)响应:
当车辆检测模块(1)检测到任意车辆从合并前车道驶入合并后车道后,违法判断模块(3)中对应合并前车道的计数器进行计数加一,计数器每进行一次计数便使堵塞检测模块(2)响应,重新检测合并前车道和合并后车道的车速和车距并判断此时是否仍处于交通堵塞状态,若是,则计算计数结果并判断违法情况,若产生违法,则使车辆检测模块(1)再次响应,识别违法车辆的车牌号码和位置信息并使违法处罚模块(4)响应,若未产生违法,则继续计数;若否,则中断违法判断模块(3)运行,将所有计数器结果清零,堵塞检测模块(2)继续检测合并前车道和合并后车道的车速和车距;
违法处罚模块(4)将车牌号输出至交警系统,将所有计数器结果清零,使堵塞检测模块(2)响应。
7.一种多车道合并违法自动审核装置,其特征在于,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现以下方法:
S1、检测合并前车道的车辆情况,并识别所有车辆的车牌号码和位置信息;
S2、检测合并前车道和合并后车道的车速和车距,并实时判断是否符合交通堵塞状态;当符合交通堵塞状态时,执行以下违法判断步骤:
根据车辆的位置信息,当检测到任意车辆从合并前车道驶入合并后车道后,对应合并前车道的计数器进行计数加一,计数器每进行一次计数便重新检测合并前车道和合并后车道的车速和车距并判断此时是否仍处于交通堵塞状态,若是,则计算计数结果并判断违法情况,若产生违法,则执行步骤S3,若未产生违法,则继续计数;若否,则中断违法判断步骤,将所有计数器结果清零,继续检测合并前车道和合并后车道的车速和车距;
S3、识别违法车辆的车牌号码和位置信息,并将车牌号输出至交警系统,将所有计数器结果清零,返回步骤S2。
8.根据权利要求7所述的一种多车道合并违法自动审核装置,其特征在于,所述步骤S2中车速和车距的计算方式具体如下:
检测出合并前车道各车的车速vi1和合并后车道各车的车速vi2,以及合并前车道各车辆之间的车距di1和合并后车道各车辆之间的车距di2,以加权平均数求得每条车道的平均车速vt和每条车道的平均车距dt。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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如权利要求1至5任一项所述的一种多车道合并违法自动审核方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111091015.XA CN113851001B (zh) | 2021-09-17 | 2021-09-17 | 多车道合并违法自动审核方法、系统、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111091015.XA CN113851001B (zh) | 2021-09-17 | 2021-09-17 | 多车道合并违法自动审核方法、系统、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113851001A true CN113851001A (zh) | 2021-12-28 |
CN113851001B CN113851001B (zh) | 2023-08-29 |
Family
ID=78974463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111091015.XA Active CN113851001B (zh) | 2021-09-17 | 2021-09-17 | 多车道合并违法自动审核方法、系统、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113851001B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898579A (zh) * | 2022-03-29 | 2022-08-12 | 深圳市蕾奥规划设计咨询股份有限公司 | 交替通行路口抓拍方法、装置、计算机及存储介质 |
CN114898572A (zh) * | 2022-03-29 | 2022-08-12 | 深圳市蕾奥规划设计咨询股份有限公司 | 交替通行路口控制方法、装置、计算机及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2149853A2 (en) * | 2008-04-18 | 2010-02-03 | Andreas Sakellariou | Method and system of detecting and recording vehicles in specific road lanes for enforcement purposes |
US20150302744A1 (en) * | 2013-09-18 | 2015-10-22 | Shihao Lin | Real time notification and confirmation system and method for vehicle traffic violation technical field |
CN109948416A (zh) * | 2018-12-31 | 2019-06-28 | 上海眼控科技股份有限公司 | 一种基于深度学习的违法占用公交车道自动审核方法 |
CN110415529A (zh) * | 2019-09-04 | 2019-11-05 | 上海眼控科技股份有限公司 | 车辆违章的自动处理方法、装置、计算机设备和存储介质 |
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 |
CN111523464A (zh) * | 2020-04-23 | 2020-08-11 | 上海眼控科技股份有限公司 | 车辆违法变道的检测方法和装置 |
KR20210020463A (ko) * | 2019-08-14 | 2021-02-24 | 동의대학교 산학협력단 | 블랙박스 영상을 이용하여 교통 법규 위반 차량을 자동으로 신고하는 장치 및 방법 |
-
2021
- 2021-09-17 CN CN202111091015.XA patent/CN113851001B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2149853A2 (en) * | 2008-04-18 | 2010-02-03 | Andreas Sakellariou | Method and system of detecting and recording vehicles in specific road lanes for enforcement purposes |
US20150302744A1 (en) * | 2013-09-18 | 2015-10-22 | Shihao Lin | Real time notification and confirmation system and method for vehicle traffic violation technical field |
CN109948416A (zh) * | 2018-12-31 | 2019-06-28 | 上海眼控科技股份有限公司 | 一种基于深度学习的违法占用公交车道自动审核方法 |
KR20210020463A (ko) * | 2019-08-14 | 2021-02-24 | 동의대학교 산학협력단 | 블랙박스 영상을 이용하여 교통 법규 위반 차량을 자동으로 신고하는 장치 및 방법 |
CN110415529A (zh) * | 2019-09-04 | 2019-11-05 | 上海眼控科技股份有限公司 | 车辆违章的自动处理方法、装置、计算机设备和存储介质 |
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 |
CN111523464A (zh) * | 2020-04-23 | 2020-08-11 | 上海眼控科技股份有限公司 | 车辆违法变道的检测方法和装置 |
Non-Patent Citations (2)
Title |
---|
刘聪;李娟;马丽;王进展;许翔华;曲大义;: "基于卡口系统车牌识别数据的交通状态判别方法", 青岛理工大学学报, no. 02 * |
张琦伟: "交通违法监控抓拍系统的设计与实现", 中国优秀硕士论文全文数据库信息科技辑 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898579A (zh) * | 2022-03-29 | 2022-08-12 | 深圳市蕾奥规划设计咨询股份有限公司 | 交替通行路口抓拍方法、装置、计算机及存储介质 |
CN114898572A (zh) * | 2022-03-29 | 2022-08-12 | 深圳市蕾奥规划设计咨询股份有限公司 | 交替通行路口控制方法、装置、计算机及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113851001B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11840239B2 (en) | Multiple exposure event determination | |
KR102453627B1 (ko) | 딥러닝 기반 교통 흐름 분석 방법 및 시스템 | |
CN113851001B (zh) | 多车道合并违法自动审核方法、系统、装置和存储介质 | |
KR20200071799A (ko) | 딥러닝 인공지능 기술을 이용한 객체인식 및 카운팅 방법 | |
CN110288823B (zh) | 一种基于朴素贝叶斯网络的交通违章误判识别方法 | |
CN111274886B (zh) | 一种基于深度学习的行人闯红灯违法行为分析方法及系统 | |
CN114267082B (zh) | 基于深度理解的桥侧坠落行为识别方法 | |
CN111415533A (zh) | 弯道安全预警监控方法、装置以及系统 | |
CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
CN113936465A (zh) | 交通事件检测方法及装置 | |
Wang et al. | Vision-based highway traffic accident detection | |
CN106128105A (zh) | 一种交通路口行人行为监测系统 | |
CN116461546A (zh) | 车辆预警方法、装置、存储介质和处理器 | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
Cypto et al. | Automatic detection system of speed violations in a traffic based on deep learning technique | |
CN115439933A (zh) | 一种基于多重模型识别策略的垃圾分类投放站点检测方法 | |
Maity et al. | Maximising highway safety through ai-enabled detection of pedestrians and animals in v2x environments | |
CN117456482B (zh) | 一种面向交通监控场景的异常事件识别方法及系统 | |
Roohullah et al. | Accident detection in autonomous vehicles using modified restricted Boltzmann machine | |
Rakesh et al. | Machine Learning and Internet of Things-based Driver Safety and Support System | |
CN113811894B (zh) | 对车辆的驾驶功能的ki模块的监测 | |
Akbar et al. | Crowd counting using region convolutional neural networks | |
Baseer et al. | Accident Detection in Autonomous Vehicles Using Modified Restricted Boltzmann Machine | |
Ferilli et al. | An Interpretable and Explainable AI Framework for Urban-Suburban Traffic Analysis and Understanding | |
Chen | Deep Learning from Smart City Data |
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 |