CN114529871A - 一种酒驾识别方法、装置,电子设备及存储介质 - Google Patents
一种酒驾识别方法、装置,电子设备及存储介质 Download PDFInfo
- Publication number
- CN114529871A CN114529871A CN202210154797.5A CN202210154797A CN114529871A CN 114529871 A CN114529871 A CN 114529871A CN 202210154797 A CN202210154797 A CN 202210154797A CN 114529871 A CN114529871 A CN 114529871A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- curvature
- detected
- drunk driving
- scattered
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 230000006399 behavior Effects 0.000 claims description 40
- 230000008859 change Effects 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请提供一种酒驾识别方法、装置,电子设备及存储介质。该方法包括:获取摄像头采集的道路交通中的图像帧数据;获取图像帧数据中的待测车辆的散点轨迹;其中,散点轨迹中的每个散点对应图像帧数据的其中一帧图像中的待测车辆;基于散点轨迹,拟合出平滑曲线,并计算平滑曲线中每个散点的曲率;基于平滑曲线中每个散点的曲率,确定待测车辆的驾驶员是否存在酒驾行为。通过上述方式能够对道路交通中的酒驾车辆进行快速识别,节省警力,并且仅需通过采集的图像即可确定是否酒驾,可以扩大酒驾检测范围。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种酒驾识别方法、装置,电子设备及存储介质。
背景技术
目前酒驾检测主要是通过交警在公路上抽查并截停车辆,使用酒精检测仪对驾驶员进行酒精检测。但仅凭人工抽查远远不能遏制事故的发生。此外,现有的检测方式,检测范围也较小,警力只能重点部署在事故高发路段。
发明内容
本申请实施例的目的在于提供一种酒驾识别方法、装置,电子设备及存储介质,能够对交通中的酒驾车辆进行快速识别,节省警力,并且可以扩大检测的范围。
本发明是这样实现的:
第一方面,本申请实施例提供一种酒驾识别方法,包括:获取摄像头采集的道路交通中的图像帧数据;获取所述图像帧数据中的待测车辆的散点轨迹;其中,所述散点轨迹中的每个散点对应所述图像帧数据的其中一帧图像中的待测车辆;基于所述散点轨迹,拟合出平滑曲线,并计算所述平滑曲线中每个所述散点的曲率;基于所述平滑曲线中每个所述散点的曲率,确定所述待测车辆的驾驶员是否存在酒驾行为。
在本申请实施例中,对采集到的道路交通中的图像帧数据进行处理,以获取到图像帧数据中的待测车辆的散点轨迹,然后根据散点轨迹拟合出平滑曲线,最后,通过计算平滑曲线中的每个散点的曲率即可判断待测车辆是否出现左右摇晃的动作,进而确定该车辆的驾驶员是否存在酒驾行为。通过上述方式能够对道路交通中的酒驾车辆进行快速识别,节省警力,并且仅需通过采集的图像即可确定是否酒驾,可以扩大酒驾检测范围。同时,采用曲率的形式进行酒驾检测,准确度较高。可见,上述方式,更具实效性及适用性。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述获取所述图像帧数据中的待测车辆的散点轨迹,包括:基于预设的车辆检测模型及追踪算法,获取所述图像帧数据中的待测车辆的行驶距离;当所述行驶距离达到预设移动距离后,获取所述图像帧数据中的待测车辆的散点轨迹。
在本申请实施例中,通过预设的车辆检测模型及追踪算法以便对图像帧数据中的待测车辆进行有效识别并跟踪,并且只有在待测车辆行驶距离达到预设移动距离后,才提取图像帧数据中的待测车辆的散点轨迹,以避免数据量太小,导致对酒驾行为的误判。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,通过所述追踪算法对所述待测车辆进行标记,形成对应的矩形框;所述获取所述图像帧数据中的待测车辆的散点轨迹,包括:获取所述图像帧数据的每帧图像中的待测车辆的矩形框;获取所述每帧图像中的待测车辆的矩形框的中点,生成所述待测车辆的散点轨迹。
在本申请实施例中,通过图像帧数据的每帧图像中的待测车辆的矩形框,以便于基于矩形框的中点生成待测车辆准确的散点轨迹。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述基于所述平滑曲线中每个所述散点的曲率,确定所述待测车辆的驾驶员是否存在酒驾行为,包括:基于所述平滑曲线中每个所述散点的曲率,确定曲率大于预设曲率阈值的散点占所有散点的数量比例;当所述数量比例大于预设比例阈值时,确定所述待测车辆的驾驶员存在酒驾行为。
在本申请实施例中,通过平滑曲线中每个散点的曲率,确定曲率大于预设曲率阈值的散点占所有散点的数量比例,进而当数量比例大于预设比例阈值时,确定待测车辆的驾驶员存在酒驾行为,该方式简单高效,且酒驾检测的识别度高。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述方法还包括:基于在当前时刻前的预设时间段内检测到的车辆的各散点的曲率,动态调整所述预设比例阈值。
在本申请实施例中,基于当前时刻前的预设时间段内检测到的车辆的各散点的曲率,动态调整预设比例阈值,进而在不同的时间段,对检测范围灵活调整,进一步地提高酒驾检测的准确度。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述基于所述平滑曲线中每个所述散点的曲率,确定所述待测车辆的驾驶员是否存在酒驾行为,包括:基于所述平滑曲线中每个所述散点的曲率,确定相邻预设间隔的两个散点之间的曲率变化率;当存在所述曲率变化率大于预设变化率阈值的两个散点时,确定所述待测车辆的驾驶员存在酒驾行为。
在本申请实施例中,通过计算相邻预设间隔的两个散点之间的曲率变化率,能够准确地识别出待测车辆是否出现剧烈摇晃的情况,进而确定出待测车辆的驾驶员是否存在酒驾行为。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,在所述基于所述散点轨迹,拟合出平滑曲线,并计算所述平滑曲线中每个所述散点的曲率之前,所述方法还包括:确定所述待测车辆的行驶方向朝向同一方向。
在本申请实施例中,在确定出待测车辆的行驶方向朝向同一方向后再进行酒驾的检测,以避免当待测车辆正在掉头或转弯时,出现酒驾行为的误判。
第二方面,本申请实施例提供一种酒驾识别装置,包括:第一获取模块,用于获取摄像头采集的道路交通中的图像帧数据;第二获取模块,用于获取所述图像帧数据中的待测车辆的散点轨迹;其中,所述散点轨迹中的每个散点对应所述图像帧数据的其中一帧图像中的待测车辆;计算模块,用于基于所述散点轨迹,拟合出平滑曲线,并计算所述平滑曲线中每个所述散点的曲率;确定模块,用于基于所述平滑曲线中每个所述散点的曲率,确定所述待测车辆的驾驶员是否存在酒驾行为。
第三方面,本申请实施例提供一种电子设备,包括:处理器和存储器,所述处理器和所述存储器连接;所述存储器用于存储程序;所述处理器用于调用存储在所述存储器中的程序,执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器运行时执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法。
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,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种电子设备的模块框图。
图2为本申请实施例提供的一种酒驾识别方法的步骤流程图。
图3为本申请实施例提供的一种生成待测车辆的散点轨迹的过程示意图。
图4为本申请实施例提供的一种平滑曲线的示意图。
图5为本申请实施例提供的另一种平滑曲线的示意图。
图6为本申请实施例提供的一种酒驾识别装置的模块框图。
图标:100-电子设备;110-处理器;120-存储器;200-酒驾识别装置;210-第一获取模块;220-第二获取模块;230-计算模块;240-确定模块。
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。
请参阅图1,本申请实施例提供的一种应用酒驾识别方法及装置的电子设备100的示意性结构框图。本申请实施例中,电子设备100可以是终端或者服务器,终端可以是,但不限于个人计算机(Personal Computer,PC)、智能手机、平板电脑、个人数字助理(PersonalDigital Assistant,PDA)、移动上网设备(Mobile Internet Device,MID)等。服务器可以是但不限于网络服务器、数据库服务器、云服务器或由多个子服务器构成的服务器集成等。当然,上述列举的设备仅用于便于理解本申请实施例,其不应作为对本实施例的限定。
在结构上,电子设备100可以包括处理器110和存储器120。
处理器110与存储器120直接或间接地电性连接,以实现数据的传输或交互,例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。酒驾识别装置包括至少一个可以软件或固件(Firmware)的形式存储在存储器120中或固化在电子设备100的操作系统(Operating System,OS)中的软件模块。处理器110用于执行存储器120中存储的可执行模块,例如,酒驾识别装置所包括的软件功能模块及计算机程序等,以实现酒驾识别方法。处理器110可以在接收到执行指令后,执行计算机程序。
其中,处理器110可以是一种集成电路芯片,具有信号处理能力。处理器110也可以是通用处理器,例如,可以是中央处理器(Central Processing Unit,CPU)、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、分立门或晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。此外,通用处理器可以是微处理器或者任何常规处理器等。
存储器120可以是,但不限于,随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-OnlyMemory,PROM)、可擦可编程序只读存储器(Erasable Programmable Read-Only Memory,EPROM),以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory, EEPROM)。存储器120用于存储程序,处理器110在接收到执行指令后,执行该程序。
需要说明的是,图1所示的结构仅为示意,本申请实施例提供的电子设备100还可以具有比图1更少或更多的组件,或是具有与图1所示不同的配置。此外,图1所示的各组件可以通过软件、硬件或其组合实现。
请参阅图2,图2为本申请实施例提供的酒驾识别方法的步骤流程图,该方法应用于图1所示的电子设备100。需要说明的是,本申请实施例提供的酒驾识别方法不以图2及以下所示的顺序为限制,该方法包括:步骤S101- 步骤S104。
步骤S101:获取摄像头采集的道路交通中的图像帧数据。
上述的摄像头可以是但不限于城市道路中各个路口的电子眼,高速公路的视频采集设备,停车场的监控设备等等。
其中,电子设备可以是获取摄像头实时采集的道路交通中的图像帧数据,比如将电子设备与道路交通中的摄像头直接进行通信连接。
电子设备通过对摄像头实时采集的道路交通中的图像帧数据进行检测,以便在电子设备检测出待测车辆的驾驶员存在酒驾行为时,能够第一时间出警,避免交通事故的发生。
此外,电子设备也可以是获取历史某一时间段摄像头所采集的道路交通中的图像帧数据。比如,在事故发生后,电子设备通过摄像头采集的事故发生前一小时的道路交通中的图像帧数据,对事故车辆的驾驶员进行酒驾行为的检测,以便分析事故发生的原因是否是酒驾所导致的。
当电子设备是获取摄像头实时采集的道路交通中的图像帧数据时,图像帧数据为视频流数据。当电子设备获取的是历史某一时间段摄像头所采集的道路交通中的图像帧数据,则图像帧数据包括多帧图像数据,如一百帧图像数据、五百帧图像数据等,本申请不作限定。
步骤S102:获取图像帧数据中的待测车辆的散点轨迹;其中,散点轨迹中的每个散点对应图像帧数据的其中一帧图像中的待测车辆。
在获取到图像帧数据后,电子设备通过提取图像帧数据中每一帧图像中的待测车辆,进而形成该待测车辆的散点轨迹。
需要说明的是,不同的待测车辆对应不同的散点轨迹,比如,图像帧数据中仅识别出待测车辆A,则对待测车辆A进行跟踪,进而将每帧图像中的待测车辆A整合,形成待测车辆A的散点轨迹。又比如,图像帧数据中识别出待测车辆A和待测车辆B,则分别对待测车辆A和待测车辆B进行跟踪,进而将每帧图像中的待测车辆A整合,形成待测车辆A的散点轨迹,以及将每帧图像中的待测车辆B整合,形成待测车辆B的散点轨迹。
一实施例中,上述获取图像帧数据中的待测车辆的散点轨迹的具体过程包括:基于预设的车辆检测模型及追踪算法,获取图像帧数据中的待测车辆的行驶距离;当行驶距离达到预设移动距离后,获取图像帧数据中的待测车辆的散点轨迹。
上述预设的车辆检测模型可以采用神经网络模型,比如通过标记好车辆轮廓的样本图像对初始的神经网络模型进行训练,进而得到可以用于车辆识别的神经网络模型,当然,神经网络模型还可以训练为对车辆进行分类,如通过颜色进行分类,或识别出车辆的车牌,以便于后续车辆追踪。上述的追踪算法可以采用常规的车辆追踪算法,如采用追踪算法可以对待测车辆进行标记,形成对应的矩形框。
当待测车辆通过矩形框进行标记时,则获取图像帧数据中的待测车辆的散点轨迹的步骤可以具体包括:获取图像帧数据的每帧图像中的待测车辆的矩形框;获取每帧图像中的待测车辆的矩形框的中点,生成待测车辆的散点轨迹。
如图3所示,图3中展示了从六帧图像中提取出的待测车辆的生成散点轨迹的过程。由于每帧图像中的待测车辆均通过矩形框进行标记,因此,首先提取六帧图像中待测车辆对应的矩形框,然后获取每帧图像中的待测车辆的矩形框的中点,最后即可生成待测车辆的散点轨迹。
可见,在本申请实施例中,通过图像帧数据的每帧图像中的待测车辆的矩形框,以便于基于矩形框的中点生成待测车辆准确的散点轨迹。
当然,在其他实施例中,也可以基于每帧图像中的待测车辆的矩形框的右下角的点,确定待测车辆的散点轨迹,也可以是在识别出待测车辆的车牌后,基于车牌的位置,生成待测车辆的散点轨迹,对此,本申请不作限定。
需要说明的是,上述预设检测模型的构建以及追踪算法的使用可以参考现有技术中的原理,本申请不作过多说明。
在通过对待测车辆进行跟踪后,计算该待测车辆的行驶距离,当行驶距离达到预设移动距离后,则获取待测车辆的散点轨迹。
其中,电子设备通过不同帧图像中待测车辆在图像中的位置差异进而确定待测车辆的行驶距离。上述的预设移动距离可以根据具体的道路情况而定,比如50米、100米,本申请不作限定。
可见,在本申请实施例中,通过预设的车辆检测模型及追踪算法以便对图像帧数据中的待测车辆进行有效识别并跟踪,并且只有在待测车辆行驶距离达到预设移动距离后,才提取图像帧数据中的待测车辆的散点轨迹,以避免数据量太小,导致对酒驾行为的误判。
步骤S103:基于散点轨迹,拟合出平滑曲线,并计算平滑曲线中每个散点的曲率。
在得到散点轨迹之后,可以直接基于散点轨迹拟合出平滑曲线,如图4 所示,图4所示出的即为图3中散点轨迹所拟合出的平滑曲线。
在拟合出平滑曲线后,计算平滑曲线中每个散点的曲率。
需要说明的是,曲线的曲率(curvature)就是针对曲线上某个点的切线方向角对弧长的转动率,通过微分来定义,表明曲线偏离直线的程度。数学上表明曲线在某一点的弯曲程度的数值。曲率越大,表示曲线的弯曲程度越大。
步骤S104:基于平滑曲线中每个所述散点的曲率,确定待测车辆的驾驶员是否存在酒驾行为。
由于曲率能够表面曲线偏离直线的程度,因此,利用曲率可以确定车辆驾驶过程中左右摇晃的程度,进而确定待测车辆的驾驶员是否存在酒驾行为。
作为一种实施方式,上述通过曲率确定待测车辆的驾驶员是否存在酒驾行为过程可以具体包括:基于平滑曲线中每个散点的曲率,确定曲率大于预设曲率阈值的散点占所有散点的数量比例;当数量比例大于预设比例阈值时,确定待测车辆的驾驶员存在酒驾行为。
上述过程可以分为两步,第一步,将每个散点的曲率与预设曲率阈值进行大小比较,然后确定出大于预设曲率阈值的散点占整个散点的数量比例。第二步,将数量比例与预设的比例阈值进行比较。若数量比例大于预设的比例阈值,则说明待测车辆行驶不平稳,待测车辆在行驶过程中左右摇晃频繁,该待测车辆的驾驶员极有可能存在酒驾行为,此时确定待测车辆的驾驶员存在酒驾行为。而若是数量比例小于预设的比例阈值,则说明待测车辆行驶较为平稳,此时确定待测车辆的驾驶员不存在酒驾行为。
上述的预设曲率阈值及预设比例阈值均可根据实际情况而设定,本申请均不作限定。
可见,在本申请实施例中,通过平滑曲线中每个散点的曲率,确定曲率大于预设曲率阈值的散点占所有散点的数量比例,进而当数量比例大于预设比例阈值时,确定待测车辆的驾驶员存在酒驾行为,该方式简单高效,且酒驾检测的识别度高。
此外,本申请实施例还提供一种动态调整预设比例阈值的方法,该方法包括:基于在当前时刻前的预设时间段内检测到的车辆的各散点的曲率,动态调整预设比例阈值。
其中,当前时刻前的预设时间段内可以是当前时刻前一个小时,也可以是当前时刻前一天,本申请不作限定。
具体的,可以是根据当前时刻前一个小时内,检测到的车辆的各散点的曲率变化程度来动态调整预设比例阈值。举例来说,比如突发下雨,则由于雨天路面湿滑,则检测出的各个车辆的散点的曲率会增大,则此时可以适当的增加预设比例阈值的数值大小,进而避免雨天情况对酒驾行为检测的误判。又比如,从白天到晚上这段时间,视线变化较大,则检测出的各个车辆的散点的曲率也会增大,此时可以适当的增加预设比例阈值的数值大小,进而避免不同的视线或能见度情况对酒驾行为检测的误判。
当然,在一实施例中,也可以是将当前时刻前的预设时间段内检测到的车辆的各散点的曲率对应的数量比例取平均值来确定出调整后的预设比例阈值,对此,本申请不作限定。
可见,在本申请实施例中,基于当前时刻前的预设时间段内检测到的车辆的各散点的曲率,动态调整预设比例阈值,进而在不同的时间段,对检测范围灵活调整,进一步地提高酒驾检测的准确度。
作为另一种实施方式,上述确定过程具体包括:基于平滑曲线中每个散点的曲率,确定相邻预设间隔的两个散点之间的曲率变化率;当存在曲率变化率大于预设变化率阈值的两个散点时,确定待测车辆的驾驶员存在酒驾行为。
其中,相邻预设间隔可以是0、1、2等等,预设变化率阈值也可以根据实际情况而设定,本申请不作限定。
如图5所示,K1、K2为相邻两个散点,通过上述公式即可计算两个散点之间的曲率变化率,然后将计算出的曲率变化率与预设变化率阈值进行比较,当K1、K2两个散点的曲率变化率大于预设变化率阈值时,则确定待测车辆的驾驶员存在酒驾行为。
需要说明的是,相邻预设间隔的两个散点之间的曲率变化率能够在一定程度上反应待测车辆的短时间的波动情况,比如某一瞬间待测车辆突然变动方向,因此,该方式能够准确地识别出待测车辆是否出现剧烈摇晃或波动的情况,进而确定出待测车辆的驾驶员是否存在酒驾行为。
此外,为了避免当待测车辆正在掉头或转弯时,对酒驾行为的误判,可选地,在步骤步骤S102之前,该方法还包括:确定待测车辆的行驶方向朝向同一方向。
也即,在对待测车辆的驾驶员的酒驾行为检查之前,先需要确定待测车辆的方向未方向改变,此处的方向未改变指的是待测车辆未进行掉头或转弯,待测车辆始终保持同一方向进行行驶,比如,始终保持朝北的方向进行行驶,或始终保持朝南的方向进行行驶。
最后,当电子设备检测出待测车辆的驾驶员存在酒驾行为时,可以发出报警指示,如将待测车辆的相关图像信息发送至相关人员,对此,本申请不作限定。
综上,在本申请实施例中,对采集到的道路交通中的图像帧数据进行处理,以获取到图像帧数据中的待测车辆的散点轨迹,然后根据散点轨迹拟合出平滑曲线,最后,通过计算平滑曲线中的每个散点的曲率即可判断待测车辆是否出现左右摇晃的动作,进而确定该车辆的驾驶员是否存在酒驾行为。通过上述方式能够对道路交通中的酒驾车辆进行快速识别,节省警力,并且仅需通过采集的图像即可确定是否酒驾,可以扩大酒驾检测范围。同时,采用曲率的形式进行酒驾检测,准确度较高。可见,上述方式,更具实效性及适用性。
请参阅图6,基于同一发明构思,本申请实施例还提供一种酒驾识别装置200,该装置包括:
第一获取模块210,用于获取摄像头采集的道路交通中的图像帧数据。
第二获取模块220,用于获取所述图像帧数据中的待测车辆的散点轨迹;其中,所述散点轨迹中的每个散点对应所述图像帧数据的其中一帧图像中的待测车辆。
计算模块230,用于基于所述散点轨迹,拟合出平滑曲线,并计算所述平滑曲线中每个所述散点的曲率。
确定模块240,用于基于所述平滑曲线中每个所述散点的曲率,确定所述待测车辆的驾驶员是否存在酒驾行为。
可选地,第二获取模块220还具体用于基于预设的车辆检测模型及追踪算法,获取所述图像帧数据中的待测车辆的行驶距离;当所述行驶距离达到预设移动距离后,获取所述图像帧数据中的待测车辆的散点轨迹。
可选地,通过所述追踪算法对所述待测车辆进行标记,形成对应的矩形框;第二获取模块220还具体用于获取所述图像帧数据的每帧图像中的待测车辆的矩形框;获取所述每帧图像中的待测车辆的矩形框的中点,生成所述待测车辆的散点轨迹。
可选地,确定模块240还具体用于基于所述平滑曲线中每个所述散点的曲率,确定曲率大于预设曲率阈值的散点占所有散点的数量比例;当所述数量比例大于预设比例阈值时,确定所述待测车辆的驾驶员存在酒驾行为。
可选地,该装置还包括调整模块。调整模块用于基于在当前时刻前的预设时间段内检测到的车辆的各散点的曲率,动态调整所述预设比例阈值。
可选地,确定模块240还具体用于基于所述平滑曲线中每个所述散点的曲率,确定相邻预设间隔的两个散点之间的曲率变化率;当存在所述曲率变化率大于预设变化率阈值的两个散点时,确定所述待测车辆的驾驶员存在酒驾行为。
可选地,计算模块230还用于在所述基于所述散点轨迹,拟合出平滑曲线,并计算所述平滑曲线中每个所述散点的曲率之前,确定所述待测车辆的行驶方向朝向同一方向。
需要说明的是,由于所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
基于同一发明构思,本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序在被运行时执行上述实施例中提供的方法。
该存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,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,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,又例如,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通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,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。
再者,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。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种酒驾识别方法,其特征在于,包括:
获取摄像头采集的道路交通中的图像帧数据;
获取所述图像帧数据中的待测车辆的散点轨迹;其中,所述散点轨迹中的每个散点对应所述图像帧数据的其中一帧图像中的待测车辆;
基于所述散点轨迹,拟合出平滑曲线,并计算所述平滑曲线中每个所述散点的曲率;
基于所述平滑曲线中每个所述散点的曲率,确定所述待测车辆的驾驶员是否存在酒驾行为。
2.根据权利要求1所述的方法,其特征在于,所述获取所述图像帧数据中的待测车辆的散点轨迹,包括:
基于预设的车辆检测模型及追踪算法,获取所述图像帧数据中的待测车辆的行驶距离;
当所述行驶距离达到预设移动距离后,获取所述图像帧数据中的待测车辆的散点轨迹。
3.根据权利要求2所述的方法,其特征在于,通过所述追踪算法对所述待测车辆进行标记,形成对应的矩形框;
所述获取所述图像帧数据中的待测车辆的散点轨迹,包括:
获取所述图像帧数据的每帧图像中的待测车辆的矩形框;
获取所述每帧图像中的待测车辆的矩形框的中点,生成所述待测车辆的散点轨迹。
4.根据权利要求1所述的方法,其特征在于,所述基于所述平滑曲线中每个所述散点的曲率,确定所述待测车辆的驾驶员是否存在酒驾行为,包括:
基于所述平滑曲线中每个所述散点的曲率,确定曲率大于预设曲率阈值的散点占所有散点的数量比例;
当所述数量比例大于预设比例阈值时,确定所述待测车辆的驾驶员存在酒驾行为。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
基于在当前时刻前的预设时间段内检测到的车辆的各散点的曲率,动态调整所述预设比例阈值。
6.根据权利要求1所述的方法,其特征在于,所述基于所述平滑曲线中每个所述散点的曲率,确定所述待测车辆的驾驶员是否存在酒驾行为,包括:
基于所述平滑曲线中每个所述散点的曲率,确定相邻预设间隔的两个散点之间的曲率变化率;
当存在所述曲率变化率大于预设变化率阈值的两个散点时,确定所述待测车辆的驾驶员存在酒驾行为。
7.根据权利要求4或6所述的方法,其特征在于,在所述基于所述散点轨迹,拟合出平滑曲线,并计算所述平滑曲线中每个所述散点的曲率之前,所述方法还包括:
确定所述待测车辆的行驶方向朝向同一方向。
8.一种酒驾识别装置,其特征在于,包括:
第一获取模块,用于获取摄像头采集的道路交通中的图像帧数据;
第二获取模块,用于获取所述图像帧数据中的待测车辆的散点轨迹;其中,所述散点轨迹中的每个散点对应所述图像帧数据的其中一帧图像中的待测车辆;
计算模块,用于基于所述散点轨迹,拟合出平滑曲线,并计算所述平滑曲线中每个所述散点的曲率;
确定模块,用于基于所述平滑曲线中每个所述散点的曲率,确定所述待测车辆的驾驶员是否存在酒驾行为。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述处理器和所述存储器连接;
所述存储器用于存储程序;
所述处理器用于运行存储在所述存储器中的程序,执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在被计算机运行时执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210154797.5A CN114529871B (zh) | 2022-02-21 | 2022-02-21 | 一种酒驾识别方法、装置,电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210154797.5A CN114529871B (zh) | 2022-02-21 | 2022-02-21 | 一种酒驾识别方法、装置,电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114529871A true CN114529871A (zh) | 2022-05-24 |
CN114529871B CN114529871B (zh) | 2024-05-28 |
Family
ID=81625526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210154797.5A Active CN114529871B (zh) | 2022-02-21 | 2022-02-21 | 一种酒驾识别方法、装置,电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114529871B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101458387B1 (ko) * | 2013-12-03 | 2014-11-12 | 삼보모터스주식회사 | 음주운전 방지 방법 및 장치 |
CN108242145A (zh) * | 2016-12-26 | 2018-07-03 | 高德软件有限公司 | 异常轨迹点检测方法和装置 |
CN110286667A (zh) * | 2019-07-03 | 2019-09-27 | 上运车物联网科技(深圳)有限公司 | 不正常驾驶状态智能监控方法及物联网智能终端 |
US20200108837A1 (en) * | 2018-10-08 | 2020-04-09 | Mando Corporation | Device, method, and system for controling road curvature of vehicle |
WO2020169052A1 (en) * | 2019-02-21 | 2020-08-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for driving condition identification |
CN112115890A (zh) * | 2020-09-23 | 2020-12-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的酒驾识别方法、装置、设备及介质 |
CN112150795A (zh) * | 2019-06-26 | 2020-12-29 | 杭州海康威视数字技术股份有限公司 | 一种车辆轨迹异常的检测方法及装置 |
CN112418000A (zh) * | 2020-11-05 | 2021-02-26 | 武汉理工大学 | 基于单目摄像头的不良驾驶行为检测方法及系统 |
WO2021115133A1 (zh) * | 2020-09-30 | 2021-06-17 | 平安科技(深圳)有限公司 | 驾驶行为识别方法、装置、电子设备及存储介质 |
CN114005093A (zh) * | 2021-10-28 | 2022-02-01 | 平安普惠企业管理有限公司 | 基于视频分析的驾驶行为告警方法、装置、设备及介质 |
-
2022
- 2022-02-21 CN CN202210154797.5A patent/CN114529871B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101458387B1 (ko) * | 2013-12-03 | 2014-11-12 | 삼보모터스주식회사 | 음주운전 방지 방법 및 장치 |
CN108242145A (zh) * | 2016-12-26 | 2018-07-03 | 高德软件有限公司 | 异常轨迹点检测方法和装置 |
US20200108837A1 (en) * | 2018-10-08 | 2020-04-09 | Mando Corporation | Device, method, and system for controling road curvature of vehicle |
WO2020169052A1 (en) * | 2019-02-21 | 2020-08-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for driving condition identification |
CN112150795A (zh) * | 2019-06-26 | 2020-12-29 | 杭州海康威视数字技术股份有限公司 | 一种车辆轨迹异常的检测方法及装置 |
CN110286667A (zh) * | 2019-07-03 | 2019-09-27 | 上运车物联网科技(深圳)有限公司 | 不正常驾驶状态智能监控方法及物联网智能终端 |
CN112115890A (zh) * | 2020-09-23 | 2020-12-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的酒驾识别方法、装置、设备及介质 |
WO2021115133A1 (zh) * | 2020-09-30 | 2021-06-17 | 平安科技(深圳)有限公司 | 驾驶行为识别方法、装置、电子设备及存储介质 |
CN112418000A (zh) * | 2020-11-05 | 2021-02-26 | 武汉理工大学 | 基于单目摄像头的不良驾驶行为检测方法及系统 |
CN114005093A (zh) * | 2021-10-28 | 2022-02-01 | 平安普惠企业管理有限公司 | 基于视频分析的驾驶行为告警方法、装置、设备及介质 |
Non-Patent Citations (4)
Title |
---|
HASANIN HARKOUS: "A Two-Stage Machine Learning Method for Highly-Accurate Drunk Driving Detection", 《2019 INTERNATIONAL CONFERENCE ON WIRELESS AND MOBILE COMPUTING, NETWORKING AND COMMUNICATIONS (WIMOB)》, 5 December 2019 (2019-12-05) * |
丁浩;闫伟;杨会;: "基于FPGA多通道酒驾主动检测系统研究", 科技创新与应用, no. 21, 13 July 2020 (2020-07-13) * |
吕众: "基于TDLAS的酒驾实时检测技术研究", 《硕士电子期刊》, 15 January 2021 (2021-01-15) * |
吴永武: ""公共场景中运动目标的行为分析"", 《计算机仿真》, 15 June 2014 (2014-06-15), pages 1 - 7 * |
Also Published As
Publication number | Publication date |
---|---|
CN114529871B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bergasa et al. | Drivesafe: An app for alerting inattentive drivers and scoring driving behaviors | |
CN109345829B (zh) | 无人车的监控方法、装置、设备及存储介质 | |
CN110751828B (zh) | 一种路段拥堵测量方法、装置、计算机设备及存储介质 | |
CN108346288B (zh) | 路段运行状态预警方法、装置及电子设备 | |
DE102020105639A1 (de) | Vorrichtung und Verfahren zum Schätzen einer Position in einem automatisierten Parkdienstsystem | |
EP2856452B1 (de) | Erkennung von richtungsfahrbahnen | |
CN108859952B (zh) | 车辆变道预警方法、装置和雷达 | |
CN112562406B (zh) | 一种越线行驶的识别方法及装置 | |
CN110942038A (zh) | 基于视觉的交通场景识别方法、装置、介质及电子设备 | |
CN110909718B (zh) | 驾驶状态识别方法、装置及车辆 | |
CN114076631A (zh) | 超载车辆识别方法、系统及设备 | |
CN115861973A (zh) | 一种道路异常状态检测方法、系统、电子设备和存储介质 | |
CN109389622B (zh) | 车辆追踪方法、装置、识别设备及存储介质 | |
CN113139410B (zh) | 路面检测方法、装置、设备及存储介质 | |
CN114419929A (zh) | 一种碰撞风险评估方法、装置、电子设备及存储介质 | |
CN114512002A (zh) | 一种道路路面异常检测方法及装置 | |
CN113989715A (zh) | 车辆违停检测方法、装置、电子设备及存储介质 | |
CN111104824A (zh) | 车道偏离的检测方法、电子设备及计算机可读存储介质 | |
CN114529871B (zh) | 一种酒驾识别方法、装置,电子设备及存储介质 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN112990117B (zh) | 基于智能驾驶系统的安装数据处理方法及装置 | |
CN114895274A (zh) | 一种护栏识别方法 | |
CN111341106B (zh) | 交通预警方法、装置和设备 | |
CN112781556A (zh) | 一种基于多数据融合滤波的井盖异动监测方法和装置 | |
Jomrich et al. | Lane Accurate Detection of Map Changes based on Low Cost Smartphone 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 |