CN114419106B - 车辆违章行为检测方法、设备及存储介质 - Google Patents
车辆违章行为检测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN114419106B CN114419106B CN202210321024.1A CN202210321024A CN114419106B CN 114419106 B CN114419106 B CN 114419106B CN 202210321024 A CN202210321024 A CN 202210321024A CN 114419106 B CN114419106 B CN 114419106B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- tracking window
- image frame
- moving
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 96
- 230000003287 optical effect Effects 0.000 claims abstract description 82
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 230000006399 behavior Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006698 induction Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001539473 Euphoria Species 0.000 description 1
- 206010015535 Euphoric mood Diseases 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种车辆违章行为检测方法、设备及存储介质，该方法包括获取待处理图像，并对待处理图像进行预处理，获得预处理后的目标图像，基于光流算法，对目标图像进行运动目标检测，获得多个运动目标的检测结果，针对每个运动目标的跟踪窗口，根据目标图像的各图像帧中运动目标对应的光流信息分别确定对应图像帧中跟踪窗口的目标初始值，并根据目标初始值，基于目标跟踪算法，确定跟踪窗口的中心位置和大小，针对每个运动目标的跟踪窗口，根据跟踪窗口的中心位置和大小的变化信息，确定运动目标的运动信息，并对运动目标是否存在车辆违章行为进行检测，获得违章检测结果。本申请实施例可以提高违章行为的检测准确度。
Description
技术领域
本申请实施例涉及图像处理技术领域，尤其涉及一种车辆违章行为检测方法、设备及存储介质。
背景技术
随着城市人口和机动车保有量的逐年递增，车辆的违章行为严重影响到了城市的发展和人民的生命财产安全。对车辆的违章行为的准确检测是进行交通管理的重要手段。
相关技术中，可以通过设置车辆检测器进行检测。
然而，实现本申请过程中，发明人发现现有技术中至少存在如下问题：上述检测方式，在检测器状况和环境状况的影响下检测结果的准确度较低。
发明内容
本申请实施例提供一种车辆违章行为检测方法、设备及存储介质，以提高检测准确度。
第一方面，本申请实施例提供一种车辆违章行为检测方法，包括：
获取待处理图像，并对所述待处理图像进行预处理，获得预处理后的目标图像；所述待处理图像包括多个连续的图像帧；
基于光流算法，对所述目标图像进行运动目标检测，获得多个运动目标的检测结果；所述检测结果包括对应运动目标的光流信息；
针对每个运动目标的跟踪窗口，根据所述目标图像的各图像帧中所述运动目标对应的光流信息分别确定对应图像帧中所述跟踪窗口的目标初始值，并根据各图像帧中所述跟踪窗口的目标初始值，基于目标跟踪算法，确定所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小；
针对每个运动目标的跟踪窗口，根据所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小的变化信息，确定所述运动目标的运动信息，并根据所述运动信息对所述运动目标是否存在车辆违章行为进行检测，获得违章检测结果。
在一种可能的设计中，所述对所述待处理图像进行预处理，获得预处理后的目标图像，包括：
对所述待处理图像进行直方图均衡化处理，和/或，伽马校正处理，获得所述目标图像。
在一种可能的设计中，所述基于光流算法，对所述目标图像进行运动目标检测，获得多个运动目标的检测结果，包括：
对所述目标图像进行特征提取，获得运动目标的目标特征点；
根据光流确定算法，计算获得各所述目标特征点的光流信息；
根据各所述目标特征点的光流信息，对多个所述目标特征点进行聚类，获得多个运动目标。
在一种可能的设计中，所述根据各所述目标特征点的光流信息，对多个所述目标特征点进行聚类，包括：
基于各所述目标特征点的光流信息，构建样本集；
确定目标聚类个数和目标聚类中心；
根据所述目标聚类个数和所述目标聚类中心，对各样本进行分类，获得目标聚类中心和各样本之间的对应关系；
若存在对应样本数小于预设数量的目标聚类中心，则将对应样本数小于预设数量的目标聚类中心进行删除，获得删除后的目标聚类中心和删除后的目标聚类个数，并基于删除后的目标聚类中心和删除后的目标聚类个数重新确定新的目标聚类个数和新的目标聚类中心；
基于所述新的目标聚类个数和所述新的目标聚类中心，对各样本进行重新分类，获得新的目标聚类中心和各样本之间的对应关系。
在一种可能的设计中，所述确定目标聚类个数和目标聚类中心，包括：
获取聚类个数初值和聚类中心初值；
根据所述聚类个数初值和聚类中心初值，对各聚类中心，以及每个样本分别对应于各聚类中心的隶属度进行迭代计算，直至满足迭代停止条件，获得目标聚类个数和目标聚类中心。
在一种可能的设计中，所述对各聚类中心，以及每个样本分别对应于各聚类中心的隶属度进行迭代计算，包括：
若当前迭代次数大于1，则计算上次迭代中每个样本分别与对应于不同聚类中心的隶属度之间的乘积，并计算各乘积的总和，获得第二总值，并计算上次迭代中每个样本对应于不同聚类中心的隶属度的总和，获得第三总值，根据所述第二总值与所述第三总值之间的比值，确定当前迭代的各聚类中心；
针对每个样本和每个当前迭代的聚类中心，计算当前样本分别与各聚类中心之间的第一距离，并计算各第一距离的总和，获得第一总值，并计算当前样本与当前聚类中心之间的第二距离，根据所述第一总值和所述第二距离之间的比值，确定当前样本对应于当前聚类中心的隶属度，以在下次迭代中基于当前样本对应于当前聚类中心的隶属度，确定下次迭代的各聚类中心。
在一种可能的设计中，所述根据所述目标图像的各图像帧中所述运动目标对应的光流信息分别确定对应图像帧中所述跟踪窗口的目标初始值，包括：
针对每个图像帧，根据所述运动目标对应的光流信息确定所述运动目标对应的跟踪窗口的第一初值；
获取预设的所述运动目标对应的跟踪窗口的第二初值；
将所述第一初值和所述第二初值之间的平均值，确定为所述目标初始值。
在一种可能的设计中，所述根据各图像帧中所述跟踪窗口的目标初始值，基于目标跟踪算法，确定所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小，包括：
根据当前图像帧中所述跟踪窗口的目标初始值和上一图像帧中所述跟踪窗口的中心位置和大小，确定当前图像帧中所述跟踪窗口的质心位置；
根据所述跟踪窗口的质心位置，迭代计算获得当前图像帧中所述跟踪窗口的中心位置和大小。
在一种可能的设计中，所述根据当前图像帧中所述跟踪窗口的目标初始值和上一图像帧中所述跟踪窗口的中心位置和大小，确定当前图像帧中所述跟踪窗口的质心位置，包括：
根据上一图像帧中所述跟踪窗口的中心位置和大小，基于卡尔曼滤波算法，获得卡尔曼预测值；
根据所述卡尔曼预测值和当前图像帧中所述跟踪窗口的目标初始值，确定当前图像帧中所述跟踪窗口的质心位置。
在一种可能的设计中，所述根据所述跟踪窗口的运动信息，对所述运动目标是否存在车辆违章行为进行检测，获得违章检测结果，包括：
根据所述运动目标的运动信息，确定所述运动目标的行驶方向；
若所述运动目标的行驶方向与所在车道允许行驶方向相反，则判定所述运动目标存在违章行为；
确定信号灯检测区域；
若所述运动目标进入所述信号灯检测区域，则获取信号灯的颜色；
若所述信号灯的颜色为红色，则判断车辆是否越过虚拟停车线；
若是，则判断车辆的行驶方向是否为右转，若否，则判定所述运动目标存在违章行为；
和/或，
根据所述运动目标的运动信息，确定所述运动目标的行驶速度；
若所述运动目标的行驶速度大于或等于所在车道的速度阈值，则判定所述运动目标存在违章行为。
第二方面，本申请实施例提供一种车辆违章行为检测设备，包括：
预处理模块，用于获取待处理图像，并对所述待处理图像进行预处理，获得预处理后的目标图像；所述待处理图像包括多个连续的图像帧；
目标检测模块，用于基于光流算法，对所述目标图像进行运动目标检测，获得多个运动目标的检测结果；所述检测结果包括对应运动目标的光流信息；
目标跟踪模块，用于针对每个运动目标的跟踪窗口，根据所述目标图像的各图像帧中所述运动目标对应的光流信息分别确定对应图像帧中所述跟踪窗口的目标初始值，并根据各图像帧中所述跟踪窗口的目标初始值，基于目标跟踪算法，确定所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小；
违章检测模块，用于针对每个运动目标的跟踪窗口，根据所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小的变化信息，确定所述运动目标的运动信息，并根据所述运动信息对所述运动目标是否存在车辆违章行为进行检测，获得违章检测结果。
第三方面，本申请实施例提供一种车辆违章行为检测设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的方法。
第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上第一方面以及第一方面各种可能的设计所述的方法。
本实施例提供的车辆违章行为检测方法、设备及存储介质，该方法包括获取待处理图像，并对所述待处理图像进行预处理，获得预处理后的目标图像；所述待处理图像包括多个连续的图像帧，基于光流算法，对所述目标图像进行运动目标检测，获得多个运动目标的检测结果；所述检测结果包括对应运动目标的光流信息，针对每个运动目标的跟踪窗口，根据所述目标图像的各图像帧中所述运动目标对应的光流信息分别确定对应图像帧中所述跟踪窗口的目标初始值，并根据各图像帧中所述跟踪窗口的目标初始值，基于目标跟踪算法，确定所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小，针对每个运动目标的跟踪窗口，根据所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小的变化信息，确定所述运动目标的运动信息，并根据所述运动信息对所述运动目标是否存在车辆违章行为进行检测，获得违章检测结果。本申请实施例提供的车辆违章行为检测方法，通过采用光流算法，检测出运动目标，并进一步基于运动目标的光流信息，进行跟踪窗口的准确确定，获得运动目标更加准确的运动信息，使得车辆违章行为检测的结果更加准确。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的车辆违章行为检测系统的原理示意图；
图2为本申请实施例提供的车辆违章行为检测方法的流程示意图；
图3为本申请实施例提供的车辆违章行为检测方法的聚类算法的流程示意图；
图4为本申请实施例提供的车辆违章行为检测方法的目标跟踪算法的流程示意图；
图5为本申请实施例提供的车辆违章行为检测设备的结构示意图；
图6为本申请实施例提供的车辆违章行为检测设备的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。
随着城市人口和机动车保有量的逐年递增，车辆的违章行为严重影响到了城市的发展和人民的生命财产安全。对车辆的违章行为的准确检测是进行交通管理的重要手段。
相关技术中，可以通过设置在车辆上的检测器进行检测，例如感应线圈检测、视频检测、微波检测、红外线检测、激光雷达检测等。具体的，在感应线圈检测中车辆通过埋设在路面下的环形线圈，引起线圈磁场的变化，检测器据此计算出车辆的流量、速度、时间占有率和长度等交通参数，并上传给中央控制系统，以满足交通控制系统的需要。然而，上述通过车辆检测器进行检测的方法，检测结果会受到检测器状况和天环境状况的影响，（例如，感应线圈由于自身的测量原理所限制，当车流拥堵，车间距小于3m的时候，其检测精度较低，感应线圈易受冰冻、路基下沉、盐碱等自然环境影响）检测准确度较低。基于此，本申请实施例提供的车辆违章欣慰检测方法，通过采用光流算法，检测出运动目标，并进一步基于运动目标的光流信息，进行跟踪窗口的准确确定，获得运动目标更加准确的运动信息，使得车辆违章行为检测的结果更加准确。
图1为本申请实施例提供的车辆违章行为检测系统的原理示意图。如图1所示，在具体实现过程中，首先从输入的交通视频获取待处理图像，待处理图像包括至少两个连续图像帧，对待处理图像进行预处理，获得预处理后的目标图像，其次，基于光流算法，对所述目标图像进行运动目标检测，获得多个运动目标的检测结果，该检测结果包括对应运动目标的光流信息，再次，针对每个运动目标的跟踪窗口，根据所述目标图像的各图像帧中所述运动目标对应的光流信息分别确定对应图像帧中所述跟踪窗口的目标初始值，并根据各图像帧中所述跟踪窗口的目标初始值，基于目标跟踪算法，确定所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小，最后，针对每个运动目标的跟踪窗口，根据所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小的变化信息，确定所述运动目标的运动信息，并根据所述运动信息对所述运动目标是否存在车辆违章行为进行检测，获得违章检测结果。
本申请实施例提供的车辆违章行为检测方法通过采用光流算法，检测出运动目标，并进一步基于运动目标的光流信息，进行跟踪窗口的准确确定，获得运动目标更加准确的运动信息，使得车辆违章行为检测的结果更加准确。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本申请实施例提供的车辆违章行为检测方法的流程示意图。如图2所示，该方法包括：
201、获取待处理图像，并对所述待处理图像进行预处理，获得预处理后的目标图像；所述待处理图像包括多个连续的图像帧。
本实施例的执行主体可以是计算机、平板电脑、服务器等具备输出处理能力的设备。
具体的，在原始图像的采集中，由于装置、天气、路况等条件的影响，车辆监测效果会受到影响。需要对视频帧进行图像预处理。在获取交通视频之后，可以将连续的图像帧作为待处理图像，进行处理，首先对各图像帧进行预处理，获得多个预处理后的图像帧，即为目标图像。
在一些实施例中，所述对所述待处理图像进行预处理，获得预处理后的目标图像，可以包括：对所述待处理图像进行直方图均衡化处理，和/或，伽马校正处理，获得所述目标图像。
具体的，首先可以对图像进行灰度化处理得到直方图均衡化效果，其次采用Gamma校正调节图像光线，得到清晰可见的视频帧图像。
202、基于光流算法，对所述目标图像进行运动目标检测，获得多个运动目标的检测结果；所述检测结果包括对应运动目标的光流信息。
本实施例中，在获得预处理后的目标图像后，可以对连续的预处理后的图像帧进行运动目标检测，具体的，可以首先可以提取车辆特征点，基于光流算法，计算各特征点的光流信息，进而基于聚类算法，对各特征点的光流信息进行聚类分析。最终获得多个运动目标，每个运动目标包括多个对应特征点的光流信息。具体的，所述基于光流算法，对所述目标图像进行运动目标检测，获得多个运动目标的检测结果，可以包括：对所述目标图像进行特征提取，获得运动目标的目标特征点；根据光流确定算法，计算获得各所述目标特征点的光流信息；根据各所述目标特征点的光流信息，对多个所述目标特征点进行聚类，获得多个运动目标。
示例性的，在具体实现过程中，可以选取Harris角点作为车辆特征点。具体的，选取固定大小的窗口，在被检测图像的各个方向移动来检测是否有角点存在。
假设窗口平移坐标为(u,v)时引起的灰度变化为E(u,v)，则：
其中，I(x,y)为目标图像的灰度值。
设窗函数为：
(2)
其中，Iy是图像I(x,y)的偏导数。
可得Harris角点响应函数为：
其中，det(M)为矩阵M的行列式；trace(M)为矩阵M的直迹。
在一些实施例中，根据光流确定算法，计算获得各所述目标特征点的光流信息的过程中，可以是基于Pyramid L-K光流法进行光流信息的提取。
在一些实施例中，所述根据各所述目标特征点的光流信息，对多个所述目标特征点进行聚类，可以包括：基于各所述目标特征点的光流信息，构建样本集；确定目标聚类个数和目标聚类中心；根据所述目标聚类个数和所述目标聚类中心，对各样本进行分类，获得目标聚类中心和各样本之间的对应关系；若存在对应样本数小于预设数量的目标聚类中心，则将对应样本数小于预设数量的目标聚类中心进行删除，获得删除后的目标聚类中心和删除后的目标聚类个数，并基于删除后的目标聚类中心和删除后的目标聚类个数重新确定新的目标聚类个数和新的目标聚类中心；基于所述新的目标聚类个数和所述新的目标聚类中心，对各样本进行重新分类，获得新的目标聚类中心和各样本之间的对应关系。
其中，所述确定目标聚类个数和目标聚类中心，可以包括：获取聚类个数初值和聚类中心初值；根据所述聚类个数初值和聚类中心初值，对各聚类中心，以及每个样本分别对应于各聚类中心的隶属度进行迭代计算，直至满足迭代停止条件，获得目标聚类个数和目标聚类中心。可选地，所述对各聚类中心，以及每个样本分别对应于各聚类中心的隶属度进行迭代计算，可以包括：若当前迭代次数大于1，则计算上次迭代中每个样本分别与对应于不同聚类中心的隶属度之间的乘积，并计算各乘积的总和，获得第二总值，并计算上次迭代中每个样本对应于不同聚类中心的隶属度的总和，获得第三总值，根据所述第二总值与所述第三总值之间的比值，确定当前迭代的各聚类中心；针对每个样本和每个当前迭代的聚类中心，计算当前样本分别与各聚类中心之间的第一距离，并计算各第一距离的总和，获得第一总值，并计算当前样本与当前聚类中心之间的第二距离，根据所述第一总值和所述第二距离之间的比值，确定当前样本对应于当前聚类中心的隶属度，以在下次迭代中基于当前样本对应于当前聚类中心的隶属度，确定下次迭代的各聚类中心。
示例性的，在聚类过程中，可以将每个特征点的光流信息作为一个样本X，假设对
于样本集合
，N为样本数量，类的集合
，C为聚类个
数，
表示第i个样本对于第j个类的隶属度，隶属度矩阵 
。
如图3所示，聚类过程，具体可以包括以下步骤：
2021、对聚类中心和聚类个数进行初始化。
初始化算法中的控制参数，设聚类中心为V，类内最小的隶属度阈值
，类内样本
个数最少的百分比为
，最大的迭代次数I，模糊权重系数取m=2，迭代次数初始值为b=0。
2022、基于初始化结果，对隶属度矩阵U及聚类中心V进行更新，确定隶属度矩阵和聚类中心。
隶属度矩阵的计算公式为：
其中，
表示第i个样本对于第j个聚类中心的距离，若，dij = 0 ，
则使
=1，且当i≠j 时，
=0。
聚类中心的更新公式为：
其中，
为第b次迭代中第i个样本对于第j类的隶属度，
为第b+1次迭代
的聚类中心。
经过多次迭代计算，直至满足迭代停止条件，则终止迭代，否则继续更新。其中，迭
代停止条件可包括令
成立， 
为相邻迭代中聚类中心之间的距离阈
值，或者满足最大迭代次数I。
2023、基于当前的聚类中心对各样本进行分类，获得分类结果。
根据聚类中心，将样本对于每一个聚类中心的隶属度作比较，求出最大隶属度，且
在最大隶属度大于类内最小的隶属度阈值
时则确定样本属于该最大隶属度对应的类。
2024、判断是否存在类内样本数量小于预设阈值的类（该预设阈值可以为类内样
本个数最少的百分比阈值
），若存在，则将该类删除，并重新执行步骤2022至2023，直至各
类的类内样本数量均大于或等于
。
2025、判断是否需要补充新的类，若需要，则在补充新的类之后，重新执行步骤2022至步骤2023直至无需补充新的类。
203、针对每个运动目标的跟踪窗口，根据所述目标图像的各图像帧中所述运动目标对应的光流信息分别确定对应图像帧中所述跟踪窗口的目标初始值，并根据各图像帧中所述跟踪窗口的目标初始值，基于目标跟踪算法，确定所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小。
本实施例中，跟踪窗口的目标初始值可以包括跟踪窗口的大小的初始值，以及跟踪窗口的中心点位置的初始值。
具体的，在获得各图像帧中各运动目标分别对应的各特征点的光流信息后，可以基于每个运动目标对应的光流信息计算获得各图像帧中每个运动目标的跟踪窗口的目标初始值，进而可以基于该目标初始值，进行迭代计算，获得每个图像帧中该运动目标的跟踪窗口的中心位置和跟踪窗口的大小。
在一些实施例中，为了提高目标初始值的准确性，所述根据所述目标图像的各图像帧中所述运动目标对应的光流信息分别确定对应图像帧中所述跟踪窗口的目标初始值，可以包括：针对每个图像帧，根据所述运动目标对应的光流信息确定所述运动目标对应的跟踪窗口的第一初值；获取预设的所述运动目标对应的跟踪窗口的第二初值；将所述第一初值和所述第二初值之间的平均值，确定为所述目标初始值。其中，预设的第二初值可以是对目标头像的各图像帧进行人工标定获得的。
可选地，所述根据各图像帧中所述跟踪窗口的目标初始值，基于目标跟踪算法，确定所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小，可以包括：根据当前图像帧中所述跟踪窗口的目标初始值和上一图像帧中所述跟踪窗口的中心位置和大小，确定当前图像帧中所述跟踪窗口的质心位置；根据所述跟踪窗口的质心位置，迭代计算获得当前图像帧中所述跟踪窗口的中心位置和大小。其中，所述根据当前图像帧中所述跟踪窗口的目标初始值和上一图像帧中所述跟踪窗口的中心位置和大小，确定当前图像帧中所述跟踪窗口的质心位置，可以包括：根据上一图像帧中所述跟踪窗口的中心位置和大小，基于卡尔曼滤波算法，获得卡尔曼预测值；根据所述卡尔曼预测值和当前图像帧中所述跟踪窗口的目标初始值，确定当前图像帧中所述跟踪窗口的质心位置。
本实施例中，基于光流的目标跟踪算法结合光流场特点，利用特征点光流的提取来进行运动目标的跟踪窗口的初始位置的预测。提高了目标跟踪运算的准确率以及效率。
如图4所示，目标跟踪过程中具体可以包括以下步骤：
2031、获取基于运动目标对应的光流信息确定的初始化窗口的大小和位置，即第一初值，预设的第二初值，以及基于上一图像帧的中心位置和大小确定的卡尔曼预测值，并基于上述三项数据确定当前图像帧的跟踪窗口的中心位置和大小的初始值。
具体的，对于初始图像帧，可以基于以下公式计算初始图像帧的窗口的中心点初值。
其中，
为权重值，
为第一初值，
为第二初值。
2032、基于当前图像帧的跟踪窗口的中心位置和大小，确定目标区域，计算输入的HSV（Hue，Saturation，Value）图像中目标区域内的颜色直方图。
本实施例中，将目标图像的各图像帧转换到（Hue，Saturation， Value，HSV）空间中，得到输入的HSV图像。
2033、基于所述目标区域内的颜色直方图计算获得对应的颜色概率分布。
2034、基于所述颜色概率分布和当前图像帧的跟踪窗口的中心位置和大小的初始值，确定当前帧跟踪窗口的质心。
2035、采用宽带向下调节策略进行MeanShift迭代。
2036、判断是否收敛，若收敛则执行步骤2037，若不收敛则执行步骤2034。
2037、输出当前图像帧的跟踪窗口的中心位置和大小。
具体的，在颜色概率分布图中选取跟踪窗口W，基于以下公式分别计算窗口的零阶矩阵、一阶矩阵和质心。
窗口的零阶矩阵：
（7）
窗口的一阶矩阵：
（8）
窗口的质心：
（9）
通过以下公式调整窗口大小。
移动跟踪窗口的中心到质心，如果移动距离大于预设的固定阈值，则重新计算窗口的零阶矩阵、一阶矩阵和质心，调整窗口大小，进而，移动跟踪窗口的中心到质心，直到搜索窗的中心与质心间的移动距离小于预设的固定阈值，或者循环运算的次数达到某一最大值，停止计算，即完成MeanShift迭代，输出当前图像帧的跟踪窗口的中心位置和大小。
204、针对每个运动目标的跟踪窗口，根据所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小的变化信息，确定所述运动目标的运动信息，并根据所述运动信息对所述运动目标是否存在车辆违章行为进行检测，获得违章检测结果。
具体的，在获得各运动目标的跟踪窗口的中心位置和大小后，可以基于中心位置在不同图像帧的变化信息，确定运动目标的运动信息，例如车辆的行驶方向和行驶速度。进而基于运动目标的运动信息，对车辆是否存在违章行为进行判断，获得违章检测结果。
本实施例中，违章行为可以包括逆行、闯红灯、超速等。
在一些实施例中，所述根据所述跟踪窗口的运动信息，对所述运动目标是否存在车辆违章行为进行检测，获得违章检测结果，可以包括：根据所述运动目标的运动信息，确定所述运动目标的行驶方向；若所述运动目标的行驶方向与所在车道允许行驶方向相反，则判定所述运动目标存在违章行为；定信号灯检测区域；若所述运动目标进入所述信号灯检测区域，则获取信号灯的颜色；若所述信号灯的颜色为红色，则判断车辆是否越过虚拟停车线；若是，则判断车辆的行驶方向是否为右转，若否，则判定所述运动目标存在违章行为。
在一些实施例中，所述根据所述跟踪窗口的运动信息，对所述运动目标是否存在车辆违章行为进行检测，获得违章检测结果，可以包括：根据所述运动目标的运动信息，确定所述运动目标的行驶速度；若所述运动目标的行驶速度大于或等于所在车道的速度阈值，则判定所述运动目标存在违章行为。
本实施例提供的车辆违章行为检测方法，通过采用光流算法，检测出运动目标，并进一步基于运动目标的光流信息，进行跟踪窗口的准确确定，获得运动目标更加准确的运动信息，使得车辆违章行为检测的结果更加准确。
图5为本申请实施例提供的车辆违章行为检测设备的结构示意图。如图5所示，该车辆违章行为检测设备50包括：预处理模块501、目标检测模块502、目标跟踪模块503以及违章检测模块504。
预处理模块501，用于获取待处理图像，并对所述待处理图像进行预处理，获得预处理后的目标图像；所述待处理图像包括多个连续的图像帧；
目标检测模块502，用于基于光流算法，对所述目标图像进行运动目标检测，获得多个运动目标的检测结果；所述检测结果包括对应运动目标的光流信息；
目标跟踪模块503，用于针对每个运动目标的跟踪窗口，根据所述目标图像的各图像帧中所述运动目标对应的光流信息分别确定对应图像帧中所述跟踪窗口的目标初始值，并根据各图像帧中所述跟踪窗口的目标初始值，基于目标跟踪算法，确定所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小；
违章检测模块504，用于针对每个运动目标的跟踪窗口，根据所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小的变化信息，确定所述运动目标的运动信息，并根据所述运动信息对所述运动目标是否存在车辆违章行为进行检测，获得违章检测结果。
本申请实施例提供的车辆违章行为检测设备，通过采用光流算法，检测出运动目标，并进一步基于运动目标的光流信息，进行跟踪窗口的准确确定，获得运动目标更加准确的运动信息，使得车辆违章行为检测的结果更加准确。
本申请实施例提供的车辆违章行为检测设备，可用于执行上述的方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
图6为本申请实施例提供的车辆违章行为检测设备的结构框图，该设备可以是计算机，消息收发设备，平板设备，医疗设备等。
装置60可以包括以下一个或多个组件：处理组件601，存储器602，电源组件603，多媒体组件604，音频组件605，输入/输出（I/ O）接口606，传感器组件607，以及通信组件608。
处理组件601通常控制装置60的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件601可以包括一个或多个处理器609来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件601可以包括一个或多个模块，便于处理组件601和其他组件之间的交互。例如，处理组件601可以包括多媒体模块，以方便多媒体组件604和处理组件601之间的交互。
存储器602被配置为存储各种类型的数据以支持在装置60的操作。这些数据的示例包括用于在装置60上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器602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（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。
电源组件603为装置60的各种组件提供电力。电源组件603可以包括电源管理系统，一个或多个电源，及其他与为装置60生成、管理和分配电力相关联的组件。
多媒体组件604包括在所述装置60和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器（LCD）和触摸面板（TP）。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件604包括一个前置摄像头和/或后置摄像头。当装置60处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件605被配置为输出和/或输入音频信号。例如，音频组件605包括一个麦克风（MIC），当装置60处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器602或经由通信组件608发送。在一些实施例中，音频组件605还包括一个扬声器，用于输出音频信号。
I/ O接口606为处理组件601和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件607包括一个或多个传感器，用于为装置60提供各个方面的状态评估。例如，传感器组件607可以检测到装置60的打开/关闭状态，组件的相对定位，例如所述组件为装置60的显示器和小键盘，传感器组件607还可以检测装置60或装置60一个组件的位置改变，用户与装置60接触的存在或不存在，装置60方位或加速/减速和装置60的温度变化。传感器组件607可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件607还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件607还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件608被配置为便于装置60和其他设备之间有线或无线方式的通信。装置60可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件608经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件608还包括近场通信（NFC）模块，以促进短程通信。例如，在NFC模块可基于射频识别（RFID）技术，红外数据协会（IrDA）技术，超宽带（UWB）技术，蓝牙（BT）技术和其他技术来实现。
在示例性实施例中，装置60可以被一个或多个应用专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器602，上述指令可由装置60的处理器609执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
上述的计算机可读存储介质，上述可读存储介质可以是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（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上车辆违章行为检测设备执行的车辆违章行为检测方法。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种车辆违章行为检测方法，其特征在于，包括：
获取待处理图像，并对所述待处理图像进行预处理，获得预处理后的目标图像；所述待处理图像包括多个连续的图像帧；
基于光流算法，对所述目标图像进行运动目标检测，获得多个运动目标的检测结果；所述检测结果包括对应运动目标的光流信息；
针对每个运动目标的跟踪窗口，根据所述目标图像的各图像帧中所述运动目标对应的光流信息分别确定对应图像帧中所述跟踪窗口的目标初始值，并根据各图像帧中所述跟踪窗口的目标初始值，基于目标跟踪算法，确定所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小；
针对每个运动目标的跟踪窗口，根据所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小的变化信息，确定所述运动目标的运动信息，并根据所述运动信息对所述运动目标是否存在车辆违章行为进行检测，获得违章检测结果；
所述根据所述目标图像的各图像帧中所述运动目标对应的光流信息分别确定对应图像帧中所述跟踪窗口的目标初始值，包括：
针对每个图像帧，根据所述运动目标对应的光流信息确定所述运动目标对应的跟踪窗口的第一初值；
获取预设的所述运动目标对应的跟踪窗口的第二初值；所述预设的第二初值是对所述目标图像的各图像帧进行人工标定获得的；
将所述第一初值和所述第二初值之间的平均值，确定为所述目标初始值；所述平均值为加权平均值；
所述根据各图像帧中所述跟踪窗口的目标初始值，基于目标跟踪算法，确定所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小，包括：
根据当前图像帧中所述跟踪窗口的目标初始值和上一图像帧中所述跟踪窗口的中心位置和大小，确定当前图像帧中所述跟踪窗口的质心位置；
根据所述跟踪窗口的质心位置，迭代计算获得当前图像帧中所述跟踪窗口的中心位置和大小；
所述根据当前图像帧中所述跟踪窗口的目标初始值和上一图像帧中所述跟踪窗口的中心位置和大小，确定当前图像帧中所述跟踪窗口的质心位置，包括：
根据上一图像帧中所述跟踪窗口的中心位置和大小，基于卡尔曼滤波算法，获得卡尔曼预测值；
根据所述卡尔曼预测值和当前图像帧中所述跟踪窗口的目标初始值，确定当前图像帧中所述跟踪窗口的质心位置。
2.根据权利要求1所述的方法，其特征在于，所述对所述待处理图像进行预处理，获得预处理后的目标图像，包括：
对所述待处理图像进行直方图均衡化处理，和/或，伽马校正处理，获得所述目标图像。
3.根据权利要求1所述的方法，其特征在于，所述基于光流算法，对所述目标图像进行运动目标检测，获得多个运动目标的检测结果，包括：
对所述目标图像进行特征提取，获得运动目标的目标特征点；
根据光流确定算法，计算获得各所述目标特征点的光流信息；
根据各所述目标特征点的光流信息，对多个所述目标特征点进行聚类，获得多个运动目标。
4.根据权利要求3所述的方法，其特征在于，所述根据各所述目标特征点的光流信息，对多个所述目标特征点进行聚类，包括：
基于各所述目标特征点的光流信息，构建样本集；
确定目标聚类个数和目标聚类中心；
根据所述目标聚类个数和所述目标聚类中心，对各样本进行分类，获得目标聚类中心和各样本之间的对应关系；
若存在对应样本数小于预设数量的目标聚类中心，则将对应样本数小于预设数量的目标聚类中心进行删除，获得删除后的目标聚类中心和删除后的目标聚类个数，并基于删除后的目标聚类中心和删除后的目标聚类个数重新确定新的目标聚类个数和新的目标聚类中心；
基于所述新的目标聚类个数和所述新的目标聚类中心，对各样本进行重新分类，获得新的目标聚类中心和各样本之间的对应关系。
5.根据权利要求4所述的方法，其特征在于，所述确定目标聚类个数和目标聚类中心，包括：
获取聚类个数初值和聚类中心初值；
根据所述聚类个数初值和聚类中心初值，对各聚类中心，以及每个样本分别对应于各聚类中心的隶属度进行迭代计算，直至满足迭代停止条件，获得目标聚类个数和目标聚类中心。
6.根据权利要求5所述的方法，其特征在于，所述对各聚类中心，以及每个样本分别对应于各聚类中心的隶属度进行迭代计算，包括：
若当前迭代次数大于1，则计算上次迭代中每个样本分别与对应于不同聚类中心的隶属度之间的乘积，并计算各乘积的总和，获得第二总值，并计算上次迭代中每个样本对应于不同聚类中心的隶属度的总和，获得第三总值，根据所述第二总值与所述第三总值之间的比值，确定当前迭代的各聚类中心；
针对每个样本和每个当前迭代的聚类中心，计算当前样本分别与各聚类中心之间的第一距离，并计算各第一距离的总和，获得第一总值，并计算当前样本与当前聚类中心之间的第二距离，根据所述第一总值和所述第二距离之间的比值，确定当前样本对应于当前聚类中心的隶属度，以在下次迭代中基于当前样本对应于当前聚类中心的隶属度，确定下次迭代的各聚类中心。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述根据所述跟踪窗口的运动信息，对所述运动目标是否存在车辆违章行为进行检测，获得违章检测结果，包括：
根据所述运动目标的运动信息，确定所述运动目标的行驶方向；
若所述运动目标的行驶方向与所在车道允许行驶方向相反，则判定所述运动目标存在违章行为；
确定信号灯检测区域；
若所述运动目标进入所述信号灯检测区域，则获取信号灯的颜色；
若所述信号灯的颜色为红色，则判断车辆是否越过虚拟停车线；
若是，则判断车辆的行驶方向是否为右转，若否，则判定所述运动目标存在违章行为；
和/或，
根据所述运动目标的运动信息，确定所述运动目标的行驶速度；
若所述运动目标的行驶速度大于或等于所在车道的速度阈值，则判定所述运动目标存在违章行为。
8.一种车辆违章行为检测设备，其特征在于，包括：
预处理模块，用于获取待处理图像，并对所述待处理图像进行预处理，获得预处理后的目标图像；所述待处理图像包括多个连续的图像帧；
目标检测模块，用于基于光流算法，对所述目标图像进行运动目标检测，获得多个运动目标的检测结果；所述检测结果包括对应运动目标的光流信息；
目标跟踪模块，用于针对每个运动目标的跟踪窗口，根据所述目标图像的各图像帧中所述运动目标对应的光流信息分别确定对应图像帧中所述跟踪窗口的目标初始值，并根据各图像帧中所述跟踪窗口的目标初始值，基于目标跟踪算法，确定所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小；
违章检测模块，用于针对每个运动目标的跟踪窗口，根据所述目标图像的各图像帧中所述跟踪窗口的中心位置和大小的变化信息，确定所述运动目标的运动信息，并根据所述运动信息对所述运动目标是否存在车辆违章行为进行检测，获得违章检测结果；
所述目标跟踪模块，具体用于针对每个图像帧，根据所述运动目标对应的光流信息确定所述运动目标对应的跟踪窗口的第一初值；
获取预设的所述运动目标对应的跟踪窗口的第二初值；所述预设的第二初值是对所述目标图像的各图像帧进行人工标定获得的；
将所述第一初值和所述第二初值之间的平均值，确定为所述目标初始值；所述平均值为加权平均值；
所述目标跟踪模块，还具体用于根据上一图像帧中所述跟踪窗口的中心位置和大小，基于卡尔曼滤波算法，获得卡尔曼预测值；
根据所述卡尔曼预测值和当前图像帧中所述跟踪窗口的目标初始值，确定当前图像帧中所述跟踪窗口的质心位置；
根据所述跟踪窗口的质心位置，迭代计算获得当前图像帧中所述跟踪窗口的中心位置和大小。
9.一种车辆违章行为检测设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至7任一项所述的车辆违章行为检测方法。
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中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至7任一项所述的车辆违章行为检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210321024.1A CN114419106B (zh) | 2022-03-30 | 2022-03-30 | 车辆违章行为检测方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210321024.1A CN114419106B (zh) | 2022-03-30 | 2022-03-30 | 车辆违章行为检测方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114419106A CN114419106A (zh) | 2022-04-29 |
| CN114419106B true CN114419106B (zh) | 2022-07-22 |
Family
ID=81264477
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210321024.1A Active CN114419106B (zh) | 2022-03-30 | 2022-03-30 | 车辆违章行为检测方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114419106B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345618A (zh) * | 2013-06-21 | 2013-10-09 | 银江股份有限公司 | 一种基于视频技术的交通违章检测方法 |
| CN107330910A (zh) * | 2017-06-28 | 2017-11-07 | 华中科技大学 | 一种针对光流图的快速的fcm图像分割方法 |
| CN108230667A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种车辆违章行为检测方法 |
| CN108986474A (zh) * | 2018-08-01 | 2018-12-11 | 平安科技（深圳）有限公司 | 交通事故的定责方法、装置、计算机设备及计算机存储介质 |
| CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
| CN109727273A (zh) * | 2018-12-29 | 2019-05-07 | 北京茵沃汽车科技有限公司 | 一种基于车载鱼眼相机的移动目标检测方法 |
| CN109816692A (zh) * | 2019-01-11 | 2019-05-28 | 南京理工大学 | 一种基于Camshift算法的运动目标跟踪方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10018703B2 (en) * | 2012-09-13 | 2018-07-10 | Conduent Business Services, Llc | Method for stop sign law enforcement using motion vectors in video streams |
| CN106485245A (zh) * | 2015-08-24 | 2017-03-08 | 南京理工大学 | 一种基于可见光和红外图像的全天候目标实时跟踪方法 |
| CN106571039A (zh) * | 2016-08-22 | 2017-04-19 | 中海网络科技股份有限公司 | 一种高速公路违章行为自动抓拍系统 |
| CN106778484A (zh) * | 2016-11-16 | 2017-05-31 | 南宁市浩发科技有限公司 | 交通场景下的运动车辆跟踪方法 |
| WO2018159467A1 (ja) * | 2017-02-28 | 2018-09-07 | Ｎｅｃソリューションイノベータ株式会社 | 移動体検知装置、移動体検知方法、及びコンピュータ読み取り可能な記録媒体 |
-
2022
- 2022-03-30 CN CN202210321024.1A patent/CN114419106B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345618A (zh) * | 2013-06-21 | 2013-10-09 | 银江股份有限公司 | 一种基于视频技术的交通违章检测方法 |
| CN108230667A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种车辆违章行为检测方法 |
| CN107330910A (zh) * | 2017-06-28 | 2017-11-07 | 华中科技大学 | 一种针对光流图的快速的fcm图像分割方法 |
| CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
| CN108986474A (zh) * | 2018-08-01 | 2018-12-11 | 平安科技（深圳）有限公司 | 交通事故的定责方法、装置、计算机设备及计算机存储介质 |
| CN109727273A (zh) * | 2018-12-29 | 2019-05-07 | 北京茵沃汽车科技有限公司 | 一种基于车载鱼眼相机的移动目标检测方法 |
| CN109816692A (zh) * | 2019-01-11 | 2019-05-28 | 南京理工大学 | 一种基于Camshift算法的运动目标跟踪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 林亚忠 等.改进的模糊C均值聚类算法.《临床医学工程》.2013,第20卷(第4期),第385-388页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114419106A (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111127513B (zh) | 一种多目标跟踪方法 | |
| WO2021155632A1 (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| US9767570B2 (en) | Systems and methods for computer vision background estimation using foreground-aware statistical models | |
| US11709282B2 (en) | Asset tracking systems | |
| CN108010060B (zh) | 目标检测方法及装置 | |
| KR20200131305A (ko) | 키포인트 검출 방법, 장치, 전자 기기 및 기억 매체 | |
| WO2023273041A1 (zh) | 车路协同中目标检测方法、装置和路侧设备 | |
| JP2022522551A (ja) | 画像処理方法及び装置、電子機器並びに記憶媒体 | |
| JP2013025490A (ja) | 情報処理装置、物体追跡方法および情報処理プログラム | |
| WO2023142912A1 (zh) | 遗留物体的检测方法、装置及存储介质 | |
| CN115204044A (zh) | 轨迹预测模型的生成以及轨迹信息处理方法、设备及介质 | |
| CN111523599B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
| CN114267041A (zh) | 场景中对象的识别方法及装置 | |
| CN113627229A (zh) | 目标检测方法、系统、设备以及计算机存储介质 | |
| Jia et al. | Front-view vehicle detection by Markov chain Monte Carlo method | |
| Shu et al. | Small moving vehicle detection via local enhancement fusion for satellite video | |
| Srinivas et al. | Multi-modal cyber security based object detection by classification using deep learning and background suppression techniques | |
| CN108710828A (zh) | 识别目标物的方法、装置和存储介质以及车辆 | |
| CN113239746B (zh) | 电动车检测方法、装置、终端设备及计算机可读存储介质 | |
| Ashraf et al. | HVD-net: a hybrid vehicle detection network for vision-based vehicle tracking and speed estimation | |
| CN114419106B (zh) | 车辆违章行为检测方法、设备及存储介质 | |
| CN113496237A (zh) | 域适应神经网络训练和交通环境图像处理方法及装置 | |
| Farahani | Dynamic and robust method for detection and locating vehicles in the video images sequences with use of image processing algorithm | |
| CN115294172A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN113065392A (zh) | 一种机器人的跟踪方法和装置 |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 518000 Guangdong Shenzhen Baoan District Xixiang street, Wutong Development Zone, Taihua Indus Industrial Park 8, 3 floor. Patentee after: Shenzhen Haiqing Zhiyuan Technology Co.,Ltd. Address before: 518000 Guangdong Shenzhen Baoan District Xixiang street, Wutong Development Zone, Taihua Indus Industrial Park 8, 3 floor. Patentee before: SHENZHEN HIVT TECHNOLOGY Co.,Ltd. |