CN114120250A - 一种基于视频的机动车辆违法载人检测方法 - Google Patents

Abstract

本发明提供了一种基于视频的机动车辆违法载人检测方法，包括：获取待检测视频，提取出待测图像；进行机动车辆的类型检测，识别目标车辆；对待检测视频中的连续N帧视频图像进行目标车辆重识别，以获取标准检测图像；根据目标车辆检测框绘制待测图片裁切框，沿待测图片裁切框由标准检测图像上截取待测图片；输出被识别为人头的人头检测框及其对应的人头检测置信度得分，判定是否存在违法载人行为。本发明解决了现有的计算机视觉识别技术领域中，未提供出一套合理、高效，且具备高召回率和高精确率的机动车辆违法载人识别算法，从而导致现有的训练出的车辆违法载人行为检测模型存在对于机动车辆违法载人行为检测的误报率过高，实用性极差的问题。

Description

一种基于视频的机动车辆违法载人检测方法

技术领域

本发明涉及人工智能-计算机视觉技术领域，具体而言，涉及一种基于视频的机动车辆违法载人检测方法。

背景技术

随着经济的高速发展，我国的机动车保有量逐年递增，因此城市或乡村的交通道路上行驶的机动车辆也越来越多，随之而来的交通违章违法行为的发生量也逐渐增加。

在众多交通违章违法行为中，机动车辆违法载人行为是严重危害到乘车人员的生命安全的一种。机动车辆违法载人行为主要是指具有用于载货的车斗类的机动车辆将车斗违法用于载人，使得乘坐于车斗中的人员不享有任何诸如安全带、安全气囊或驾驶舱等交通安全保护措施，当机动车辆存在违法载人行为时，一旦发生交通事故，很容易造成车斗中的人员死亡或重伤；因此，该类交通违法行为发生时的交通事故的人员死亡率和人员伤残率明显高于普通交通事故。

高效管控治理机动车辆违法载人行为的关键环节在于及时尽早的发现，现有技术中，利用较为原始的人工观看监控视频方式发现该类违法行为，不仅费时费力，而且效率低下；而利用计算机视觉识别技术，在现有领域中却始终没有提供出一套合理的、高效的，且具备高召回率和高精确率的机动车辆违法载人识别算法，因此，现有的训练出的车辆违法载人行为检测模型对于机动车辆违法载人行为检测的误报率过高，实用性极差。

发明内容

本发明的主要目的在于提供一种基于视频的机动车辆违法载人检测方法，以解决现有技术中的计算机视觉识别技术领域中，没有提供出一套合理的、高效的，且具备高召回率和高精确率的机动车辆违法载人识别算法，从而导致现有的训练出的车辆违法载人行为检测模型存在对于机动车辆违法载人行为检测的误报率过高，实用性极差的问题。

为了实现上述目的，本发明提供了一种基于视频的机动车辆违法载人检测方法，包括：步骤S1，获取目标道路场景的待检测视频，以间隔预设帧图像的方式依次由待检测视频中提取出多帧视频图像作为待测图像；步骤S2，通过多类别车辆目标检测模型对输入其的多帧待测图像进行机动车辆的类型检测，对多帧待测图像中被识别为无舱带斗机动车辆或者有舱带斗机动车辆标记为目标车辆；步骤S3，识别目标车辆在多帧待测图像中首次出现的一帧待测图像为初始检测图像，对包括初始检测图像在内的待检测视频中的连续N帧视频图像进行目标车辆重识别，以获取连续N帧视频图像中目标车辆占据像素点个数最多的一帧视频图像作为标准检测图像；步骤S4，根据标准检测图像中框选有目标车辆的目标车辆检测框以预设条件绘制待测图片裁切框，沿待测图片裁切框由标准检测图像上截取待测图片；步骤S5，通过目标人头检测模型对输入其的待测图片进行人头识别检测，输出被识别为人头的人头检测框及其对应的人头检测置信度得分；目标车辆为无舱带斗机动车辆，当

时，判定目标车辆存在违法载人行为，当

时，判定目标车辆不存在违法载人行为；或目标车辆为有舱带斗机动车辆，当

时，判定目标车辆存在违法载人行为，当

时，判定目标车辆不存在违法载人行为；其中，j为待测图片中的人头检测框的个数；C_i为第i个人头检测框对应的人头检测置信度得分；t为目标人头检测模型的预设第一置信度阈值；ε为阶跃函数，当C_i-t≥0时，

的值为1，当C_i-t＜0时，

的值为0。

进一步地，在步骤S4中，根据标准检测图像中的目标车辆检测框以预设条件绘制待测图片裁切框包括：步骤S41，将目标车辆检测框在标准检测图像的高度方向上朝目标车辆的车头一侧平移第一高度值；步骤S42，将目标车辆检测框在标准检测图像的宽度方向上的两侧宽度分别增加第一宽度值，以形成待测图片裁切框。

进一步地，在步骤S4中，根据标准检测图像中的目标车辆检测框以预设条件绘制待测图片裁切框包括：步骤S41，将目标车辆检测框在标准检测图像的高度方向上的两侧高度分别增加第一高度值；步骤S42，将目标车辆检测框在标准检测图像的宽度方向上的两侧宽度分别增加第一宽度值，以形成待测图片裁切框。

进一步地，第一高度值的取值范围为标准检测图像的高度值的0.2至0.5倍；第一宽度值的取值范围为标准检测图像的宽度值的0.1至0.2倍。

进一步地，在步骤S2中，多类别车辆目标检测模型通过训练完成的二维滤波器提取待测图像的特征信息，并根据特征信息推断预测结果，预测结果包括：目标车辆检测框、车辆类别和车辆检测置信度，当车辆类别为无舱带斗机动车辆或者有舱带斗机动车辆，且车辆检测置信度大于等于预设第二置信度阈值时，标记该目标车辆检测框内的机动车辆为目标车辆。

进一步地，无舱带斗机动车辆包括：拖拉机、三轮摩托车和四轮摩托车；有舱带斗机动车辆包括：挂车、皮卡车、三轮农用运输车、四轮农用运输车、翻斗货车。

进一步地，第二置信度阈值的范围为[0.3，0.5]。

进一步地，第一置信度阈值的范围为[0.2，0.4]。

进一步地，预设帧图像大于等于5帧且小于等于10帧。

进一步地，在步骤S3中，待检测视频中的连续N帧视频图像大于等于2帧且小于等于50帧。

应用本发明的技术方案，通过多类别车辆目标检测模型和目标人头检测模型的相互配合，完整地实施本发明中提出的算法步骤，利用训练好的多类别车辆目标检测模型能够有效地在待检测视频中出现的众多车辆中检测识别出目标车辆，即具有后置挂斗的机动车辆，进一步利用训练好的目标人头检测模型针对性地对目标车辆进行人头识别目标检测，以通过目标车辆处的驾乘人员的人头个数判定是够存在机动车辆违法载人行为，实施本发明提出算法的最终检测输出结果具备高召回率和高精确率的特性，从而使利用计算机视觉识别技术对机动车辆违法载人行为检测的可靠性得以保证，有利于交管部门及时发现并制止机动车辆违法载人行为，降低了该类违法行为的发生次数，进而大大地降低了交通事故中人员死亡率和人员伤残率，提升了机动车辆的行驶安全性。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1示出了根据本发明的一种可选实施例的基于视频的机动车辆违法载人检测方法的流程图；

图2示出了根据本发明的一种可选实施例的道路场景的标准检测图像；

图3示出了沿图2中的待测图片裁切框截取的待测图片输入目标人头检测模型进行人头识别检测后的输出效果图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”、“和”、“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了解决现有技术中的计算机视觉识别技术领域中，没有提供出一套合理的、高效的，且具备高召回率和高精确率的机动车辆违法载人识别算法，从而导致现有的训练出的车辆违法载人行为检测模型存在对于机动车辆违法载人行为检测的误报率过高，实用性极差的问题，本发明提供了一种基于视频的机动车辆违法载人检测方法。

图1是根据本发明实施例的基于视频的机动车辆违法载人检测方法的流程图。如图1所示，该方法包括步骤如下：步骤S1，获取目标道路场景的待检测视频，以间隔预设帧图像的方式依次由待检测视频中提取出多帧视频图像作为待测图像；步骤S2，通过多类别车辆目标检测模型对输入其的多帧待测图像进行机动车辆的类型检测，对多帧待测图像中被识别为无舱带斗机动车辆或者有舱带斗机动车辆标记为目标车辆；步骤S3，识别目标车辆在多帧待测图像中首次出现的一帧待测图像为初始检测图像，对包括初始检测图像在内的待检测视频中的连续N帧视频图像进行目标车辆重识别，以获取连续N帧视频图像中目标车辆占据像素点个数最多的一帧视频图像作为标准检测图像；步骤S4，根据标准检测图像中框选有目标车辆的目标车辆检测框以预设条件绘制待测图片裁切框，沿待测图片裁切框由标准检测图像上截取待测图片；步骤S5，通过目标人头检测模型对输入其的待测图片进行人头识别检测，输出被识别为人头的人头检测框及其对应的人头检测置信度得分；目标车辆为无舱带斗机动车辆，当

时，判定目标车辆存在违法载人行为，当

时，判定目标车辆不存在违法载人行为；或目标车辆为有舱带斗机动车辆，当

时，判定目标车辆存在违法载人行为，当

时，判定目标车辆不存在违法载人行为；其中，j为待测图片中的人头检测框的个数；C_i为第i个人头检测框对应的人头检测置信度得分；t为目标人头检测模型的预设第一置信度阈值；ε为阶跃函数，当C_i-t≥0时，

的值为1，当C_i-t＜0时，

的值为0。

通过多类别车辆目标检测模型和目标人头检测模型的相互配合，完整地实施本发明中提出的算法步骤，利用训练好的多类别车辆目标检测模型能够有效地在待检测视频中出现的众多车辆中检测识别出目标车辆，即具有后置挂斗的机动车辆，进一步利用训练好的目标人头检测模型针对性地对目标车辆进行人头识别目标检测，以通过目标车辆处的驾乘人员的人头个数判定是够存在机动车辆违法载人行为，实施本发明提出算法的最终检测输出结果具备高召回率和高精确率的特性，从而使利用计算机视觉识别技术对机动车辆违法载人行为检测的可靠性得以保证，有利于交管部门及时发现并制止机动车辆违法载人行为，降低了该类违法行为的发生次数，进而大大地降低了交通事故中人员死亡率和人员伤残率，提升了机动车辆的行驶安全性。

具体而言，在步骤S1中，以间隔预设帧图像的方式依次由待检测视频中提取出多帧视频图像作为待测图像，间隔采样在避免了检测样本图像数据过大而影响检测效率的同时，确保了不会遗漏掉待检测视频中出现的机动车辆。

可选地，预设帧图像大于等于5帧且小于等于10帧。

在步骤S2中，多类别车辆目标检测模型通过训练完成的二维滤波器提取待测图像的特征信息，并根据特征信息推断预测结果，预测结果包括：目标车辆检测框、车辆类别和车辆检测置信度，当车辆类别为无舱带斗机动车辆或者有舱带斗机动车辆，且车辆检测置信度大于等于预设第二置信度阈值时，标记该目标车辆检测框内的机动车辆为目标车辆。

可选地，第二置信度阈值的范围为[0.3，0.5]。

本发明中的多类别车辆目标检测模型包括由多个卷积层形成的卷积神经网络构成的多个残差模块，残差模块的残差连接特性将其输入端和输出端相连，多个残差模块形成沙漏网络结构，即能够将输入其的待测图像先缩小后放大，可以对待测图像中的路面行驶的各种常见的车辆进行车型检测。在本发明中，卷积神经网络的卷积层的处理图像的基本原理为先通过一系列事先训练好的的二维滤波器组合来提取待测图像特征，获得输入的待测图像的特征信息，进而多类别车辆目标检测模型推断出最终预测结果。而此多类别车辆目标检测模型会针对每一类别的车辆的车型输出该车型的车辆在原始图像中图像信息，包括该车型的车辆的中心点的横纵坐标以及该车型的车辆在原始图像中占用的的像素高度和像素宽度以及多类别车辆目标检测模型对于上述检测结果的车辆检测置信度。

需要说明的是，在本发明中，被多类别车辆目标检测模型识别为目标车辆的无舱带斗机动车辆包括：拖拉机、三轮摩托车和四轮摩托车；被多类别车辆目标检测模型识别为目标车辆的有舱带斗机动车辆包括：挂车、皮卡车、三轮农用运输车、四轮农用运输车、翻斗货车。本发明的基于视频的机动车辆违法载人检测方法能够更针对性地对农用车进行违法载人检测，更针对性的检测场景在于农村道路，但不局限于此检测场景。

多类别车辆目标检测模型输出每一类车型的车辆在原始图像中的检测框信息，并可以实现确定各类别车型是否在原始图像中存在，同时获取其具体位置的功能。当多类别车辆目标检测模型检测到目标车辆时，进一步通过目标人头检测模型进行人头识别检测，最终实现违法载人行为的检测识别。

如图2所示，为本发明的由待检测视频提取了一帧视频图像作为待测图像后，再根据此待测图像得到的标准检测图像的示例图，待检测视频的拍摄场景为交通道路场景。将多帧待测图像输入多类别车辆目标检测模型后，能够将所有待测图像中被识别为目标车辆的多个目标车辆检测框输出。

经过步骤S3，能够在待测图像中找到被确定为目标车辆的临近一帧视频图像作为标准检测图像，标准检测图像的确定利用了重识别跟踪模型，将与待测图像临近的连续N帧视频图像输入重识别跟踪模型，对待测图像中的目标车辆进行重识别。优选地，对待检测视频中待测图像的之后的连续N帧视频图像再一次进行车辆类型识别检测，以确认待测图像的之后的连续N帧视频图像中出现的目标车辆与待测图像中出现的目标车辆为统一车辆，计算两目标车辆图片的相似度，这种方法可以实现对待检测视频中的目标车辆持续跟踪，同时保证在待检测视频中出现多个目标车辆时不混淆。需要持续跟踪的原因是大部分目标车辆首次进入摄像头视野时都是从图像边缘进入，此时虽然可以被多类别车辆目标检测模型检出，但目标在待测图像中中成像较小、车辆分辨率过低，若此时就选定其作为标准检测图像，会不利于后续的违法载人行为检测。通过重识别持续跟踪目标车辆，可以在目标车辆在待检测视频中出现的时间段内，选择最清晰一帧视频图像作为标准检测图像来进行违法载人行为检测，从而获得最准确的违法载人行为的检测结果。

可选地，待检测视频中的连续N帧视频图像大于等于2帧且小于等于50帧。

如图2所示，被选定为标准检测图像的视频图像中，存在4个检测框，其中，A框选的车辆类型为目标车辆，为目标车辆检测框A，将目标车辆检测框A按预设条件绘制得到待测图片裁切框A’，沿待测图片裁切框A’由图2的标准检测图像上截取得到图3中的待测图片；将图3的待测图片输入目标人头检测模型进行人头识别检测，如图3，得到被识别为人头的3个人头检测框h，在本实施例中，3个人头检测框h对应的人头检测置信度得分均大于第一置信度阈值，因此均判定为实际的人头，不存在误检。

可选地，第一置信度阈值的范围为[0.2，0.4]。

此外，如图2所示，图2中除目标车辆检测框A和待测图片裁切框A’之外，还有两个检测框B和检测框C，两个检测框分别将非目标车辆和非车辆的物体检测成目标车辆，但是检测框B和检测框C对应的置信度得分小于第二置信度阈值，因此检测框B和检测框C内的框选均为标记成目标车辆。

在步骤步骤S4中，本发明提供了两种可选实施例的根据标准检测图像中框选有目标车辆的目标车辆检测框以预设条件绘制待测图片裁切框的方法，预在标准检测图像上裁剪下包含目标车辆的图片时，不能直接按目标车辆检测框来抠图，而应该根据实际情况，考虑到目标车辆检测框能够没有完全框选中目标车辆上的驾乘人员的情况，从而需要根据目标车辆检测框绘制待测图片裁切框。

两种具体的得到待测图片裁切框的可选实施例方法如下：

实施例一

在步骤S4中，根据标准检测图像中的目标车辆检测框以预设条件绘制待测图片裁切框包括：步骤S41，将目标车辆检测框在标准检测图像的高度方向上朝目标车辆的车头一侧平移第一高度值；步骤S42，将目标车辆检测框在标准检测图像的宽度方向上的两侧宽度分别增加第一宽度值，以形成待测图片裁切框。

在本实施例中，将目标车辆检测框向目标车辆的车头一侧平移是为了防止驾驶位或者其两侧有人员出现人头漏检的情况；将目标车辆检测框向其两侧扩大，这是由于违法载人行为检测时主要关注的是人员的头部部分，而多类别车辆目标检测模型所给出的目标车辆检测框只包含目标车辆的车身部分，倘若出现人员以站立的方式位于目标车辆的背部或车斗里的情况，那么该人员的人头将不会被目标车辆检测框框选，从而将目标车辆检测框向其两侧扩大有效避免了该情况下的违法载人行为被误检。

实施例二

在步骤S4中，根据标准检测图像中的目标车辆检测框以预设条件绘制待测图片裁切框包括：步骤S41，将目标车辆检测框在标准检测图像的高度方向上的两侧高度分别增加第一高度值；步骤S42，将目标车辆检测框在标准检测图像的宽度方向上的两侧宽度分别增加第一宽度值，以形成待测图片裁切框。

在本实施例中，将目标车辆检测框向上下扩大是为了防止因目标车辆的车尾部有人员而出现人头漏检的情况；将目标车辆检测框向其两侧扩大，这是由于违法载人行为检测时主要关注的是人员的头部部分，而多类别车辆目标检测模型所给出的目标车辆检测框只包含目标车辆的车身部分，倘若出现人员以站立的方式位于目标车辆的背部或车斗里的情况，那么该人员的人头将不会被目标车辆检测框框选，从而将目标车辆检测框向其两侧扩大有效避免了该情况下的违法载人行为被误检。

可选地，第一高度值的取值范围为标准检测图像的高度值的0.2至0.5倍。

可选地，第一宽度值的取值范围为标准检测图像的宽度值的0.1至0.2倍。

需要补充说明的是，步骤中S5在按照人头识别检测的结果判断是否存在违法载人时，还额外考虑很多情况，例如：目标车辆上的人头部分会被目标车辆自身遮挡，从而导致检测结果置信度得分偏低；或者违法载人行为情况下，两个人员距离过近，导致两人员人头识别检测的结果出现重叠或部分重叠；再或者在步骤S4中，抠出目标车辆的待测图片时，向两侧扩大过度而导致不相干的行人图像被一并裁剪进入待测图片而送入目标人头检测模型。因此本发明综合考虑上述多种情况，考虑目标人头检测模型检测出的多个人头的位置，相互之间的重叠面积，每个人头的置信度得分，每个人头检测结果的宽高比是否合理等等信息，分析判断出每一个人头检测结果是否可信，最终给出人头检测数量和是否存在违法载人行为的检测结果。上述步骤S3主要针对从待检测视频中截取出的单帧标准检测图像，而实际使用中，为了防止如目标车辆的旁边有行人等的意料之外的特殊情况导致人头检测识别结果不准确，可以重复采样待检测视频中出现的目标车辆的片段，对每一帧待测图片都进行一次违法载人行为判断，最终的判断结果为这些单帧待测图片的判断结果投票决定。

此外，在步骤S5中，目标人头检测模型和多类别车辆目标检测模型采用类似的沙漏卷积神经网络和深层式残差连接结构，该目标人头检测模型的输出为待测图片中的人头图像数据，其中包括该待测图片中所有人头中心点的横纵坐标

和其占用的像素宽度和像素高度

以及目标人头检测模型对于此检测结果提供的置信度

；综合考虑检测出的人头信息是否可信，其最简单的方式为设置第一置信度阈值t，若某个人头检测结果的人头检测置信度得分大于或等于第一置信度阈值t，则判断该人头检测结果为可信。

在检测到违法载人行为后，发出警报并将该带有违法载人行为的图片存储并反馈到后端的智慧交通管理系统。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明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全部或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存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于视频的机动车辆违法载人检测方法，其特征在于，包括：

步骤S1，获取目标道路场景的待检测视频，以间隔预设帧图像的方式依次由所述待检测视频中提取出多帧视频图像作为待测图像；

步骤S2，通过多类别车辆目标检测模型对输入其的多帧所述待测图像进行机动车辆的类型检测，对多帧所述待测图像中被识别为无舱带斗机动车辆或者有舱带斗机动车辆标记为目标车辆；

步骤S3，识别所述目标车辆在多帧所述待测图像中首次出现的一帧所述待测图像为初始检测图像，对包括所述初始检测图像在内的所述待检测视频中的连续N帧视频图像进行目标车辆重识别，以获取所述连续N帧视频图像中所述目标车辆占据像素点个数最多的一帧所述视频图像作为标准检测图像；

步骤S4，根据所述标准检测图像中框选有所述目标车辆的目标车辆检测框以预设条件绘制待测图片裁切框，沿所述待测图片裁切框由所述标准检测图像上截取待测图片；

步骤S5，通过目标人头检测模型对输入其的所述待测图片进行人头识别检测，输出被识别为人头的人头检测框及其对应的人头检测置信度得分；

所述目标车辆为无舱带斗机动车辆，当

时，判定所述目标车辆存在违法载人行为，当

时，判定所述目标车辆不存在违法载人行为；或

所述目标车辆为有舱带斗机动车辆，当

时，判定所述目标车辆存在违法载人行为，当

时，判定所述目标车辆不存在违法载人行为；

其中，j为所述待测图片中的人头检测框的个数；

C_i为第i个人头检测框对应的人头检测置信度得分；

t为所述目标人头检测模型的预设第一置信度阈值；

ε为阶跃函数，当C_i-t≥0时，

的值为1，当C_i-t＜0时，

的值为0。

2.根据权利要求1所述的基于视频的机动车辆违法载人检测方法，其特征在于，在所述步骤S4中，根据所述标准检测图像中的所述目标车辆检测框以预设条件绘制所述待测图片裁切框包括：

步骤S41，将所述目标车辆检测框在所述标准检测图像的高度方向上朝所述目标车辆的车头一侧平移第一高度值；

步骤S42，将所述目标车辆检测框在所述标准检测图像的宽度方向上的两侧宽度分别增加第一宽度值，以形成所述待测图片裁切框。

3.根据权利要求1所述的基于视频的机动车辆违法载人检测方法，其特征在于，在所述步骤S4中，根据所述标准检测图像中的所述目标车辆检测框以预设条件绘制所述待测图片裁切框包括：

步骤S41，将所述目标车辆检测框在所述标准检测图像的高度方向上的两侧高度分别增加第一高度值；

步骤S42，将所述目标车辆检测框在所述标准检测图像的宽度方向上的两侧宽度分别增加第一宽度值，以形成所述待测图片裁切框。

4.根据权利要求2或3所述的基于视频的机动车辆违法载人检测方法，其特征在于，

所述第一高度值的取值范围为所述标准检测图像的高度值的0.2至0.5倍；

所述第一宽度值的取值范围为所述标准检测图像的宽度值的0.1至0.2倍。

5.根据权利要求1所述的基于视频的机动车辆违法载人检测方法，其特征在于，在所述步骤S2中，所述多类别车辆目标检测模型通过训练完成的二维滤波器提取所述待测图像的特征信息，并根据所述特征信息推断预测结果，所述预测结果包括：目标车辆检测框、车辆类别和车辆检测置信度，当所述车辆类别为无舱带斗机动车辆或者有舱带斗机动车辆，且所述车辆检测置信度大于等于预设第二置信度阈值时，标记该目标车辆检测框内的机动车辆为所述目标车辆。

6.根据权利要求5所述的基于视频的机动车辆违法载人检测方法，其特征在于，

所述无舱带斗机动车辆包括：拖拉机、三轮摩托车和四轮摩托车；

所述有舱带斗机动车辆包括：挂车、皮卡车、三轮农用运输车、四轮农用运输车、翻斗货车。

7.根据权利要求6所述的基于视频的机动车辆违法载人检测方法，其特征在于，所述第二置信度阈值的范围为[0.3，0.5]。

8.根据权利要求1所述的基于视频的机动车辆违法载人检测方法，其特征在于，所述第一置信度阈值的范围为[0.2，0.4]。

9.根据权利要求1所述的基于视频的机动车辆违法载人检测方法，其特征在于，所述预设帧图像大于等于5帧且小于等于10帧。

10.根据权利要求1所述的基于视频的机动车辆违法载人检测方法，其特征在于，在所述步骤S3中，所述待检测视频中的连续N帧视频图像大于等于2帧且小于等于50帧。

Images