CN114882448B - 一种车辆监控方法和电子设备 - Google Patents
一种车辆监控方法和电子设备 Download PDFInfo
- Publication number
- CN114882448B CN114882448B CN202210336926.2A CN202210336926A CN114882448B CN 114882448 B CN114882448 B CN 114882448B CN 202210336926 A CN202210336926 A CN 202210336926A CN 114882448 B CN114882448 B CN 114882448B
- Authority
- CN
- China
- Prior art keywords
- information
- certificate
- vehicle
- driving
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 58
- 239000003086 colorant Substances 0.000 claims abstract description 12
- 238000007689 inspection Methods 0.000 claims description 34
- 238000001514 detection method Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 abstract description 18
- 238000004891 communication Methods 0.000 description 10
- 238000012797 qualification Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/413—Classification of content, e.g. text, photographs or tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30232—Surveillance
-
- 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
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种车辆监控方法和电子设备，应用于交通管理领域，该方法包括：获取当前车辆图像，并根据当前车辆图像确定当前车辆的车辆信息，车辆信息至少包括：车牌颜色、车牌号码、驾乘人员标识信息；根据车牌颜色、车牌号码、驾乘人员标识信息，获取行驶信息分析结果；获取当前车辆对应的行车证件图像；基于行车证件图像判断行车证件图像对应的证件是否有效，得到判断结果；发送判断结果以及行驶信息分析结果至目标客户端设备。本申请能够提高排查的准确性以及排查效率，进而提高警务人员的执法效率。
Description
技术领域
本申请涉及交通管理技术领域，尤其是涉及一种车辆监控方法和电子设备。
背景技术
随着国家基建设施的推进，车辆出行成为人们的主要的出行方式之一。机动车保有量大，每年注册车辆数也在增长，庞大的车辆数目会大大增加安全事故的产生，同时增加交警的工作难度。
一般情况下，对于车辆信息的排查，通过警务人员凭借经验对印章、纸质、字体特殊符号等的判断来确定证件的有效性以及通过调取事件发生地附近的交通监控录像对相关车辆进行逐个排查。
发明人发现，依赖警务人员对车辆信息进行排查，排查的准确性低，且排查效率低，进而导致警务人员的执法效率低下。因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。
发明内容
本申请目的是提供一种车辆监控方法和电子设备，能够提高执法效率。
本申请的上述申请目的一是通过以下技术方案得以实现的：
第一方面，提供了一种车辆监控方法，包括：
获取当前车辆图像，并根据所述当前车辆图像确定当前车辆的车辆信息，所述车辆信息至少包括：车牌颜色、车牌号码、驾乘人员标识信息；
根据所述车牌颜色、所述车牌号码、所述驾乘人员标识信息，获取行驶信息分析结果；
获取当前车辆对应的行车证件图像；
基于所述行车证件图像判断所述行车证件图像对应的证件是否有效，得到判断结果；
发送判断结果以及行驶信息分析结果至目标客户端设备。
通过上述技术方案，本方案根据获取的当前车辆图像以得到至少包括车牌颜色、车牌号码以及驾乘人员标识信息的当前车辆的车辆信息，并通过车牌颜色、所述车牌号码、所述驾乘人员标识信息，获取行驶信息分析结果，以及通过获取的至少包括驾驶证图像、行驶证图像的所述行车证件图像判断所述行车证件图像对应的证件是否有效，得到判断结果；从而将判断结果以及行驶信息分析结果发送至目标客户端设备，以实现对当前车辆的排查，能够提高排查的准确性以及排查效率，进而提高警务人员的执法效率。
在一种可能的实现方式中，所述行车证件图像至少包括驾驶证图像、行驶证图像；
所述基于所述行车证件图像判断所述行车证件图像对应的证件是否有效，得到判断结果，包括：
对所述行车证件图像进行文字信息识别，得到所述行车证件图像的证件信息；
基于所述证件信息判断所述行车证件图像对应的证件是否有效，得到判断结果。
在一种可能的实现方式中，所述对所述行车证件图像进行文字信息识别，得到所述行车证件图像的证件信息，包括：
用卷积神经网络提取每一所述行车证件图像的图像特征；
将所述图像特征输入循环神经网络，以得到所述图像特征的特征序列；
将所述特征序列输入CTC模块进行解码，得到解码结果；
根据所述解码结果确定所述行车证件图像的证件信息。
在一种可能的实现方式中，所述基于所述证件信息判断所述行车证件图像对应的证件是否有效，得到判断结果，包括：
发送所述证件信息至所述行车证件图像相应的检测平台，其中，所述检测平台能够根据所述证件信息判断证件的真伪；
接收到所述检测平台发送的初始判断结果；
当所述初始判断结果为证件为真时，根据所述证件信息判断车证件图像对应的证件是否有效，得到判断结果。
在一种可能的实现方式中，所述行车证件图像还包括：从业资格证图像和运输证图像，所述证件信息包括标识区域以及证件号；
所述根据所述证件信息判断车证件图像对应的证件是否有效，得到判断结果，包括：
根据标识区域，获取最新的证件文档，所述证件文档包括：从业资格证文档、运输证文档；
根据所述最新的证件文档以及对应的证件号，判断行车证件的真伪，得到判断结果。
在一种可能的实现方式中，所述根据所述车牌颜色、所述车牌号码、驾乘人员标识信息，获取行驶信息分析结果，包括：
根据所述车牌颜色、所述车牌号码、所述驾乘人员标识信息，获取当前车辆对应的过车信息表、驾乘人员信息表；
根据所述过车信息表及驾乘人员信息表中的信息，生成行驶信息分析结果，其中，所述行驶分析结果包括：行驶轨迹、驻泊地、活跃地、驾乘人员变化情况、伴随车辆中的任意一种或者多种。
在一种可能的实现方式中，所述车辆信息还包括车辆结构化信息、车辆特征信息、驾乘人员结构化信息；
所述车辆监控方法，还包括：
将车辆信息、当前时刻以及当前位置，写入过车信息表；
将驾乘人员结构化信息、驾乘人员标识信息以及过车信息表的标识信息，写入驾乘人员信息表；
将每一所述行车证件图像的证件信息、判断结果、当前时刻以及驾乘人员标识信息，写入每一所述行车证件图像对应的证件表；
将车辆结构化信息、过车信息表的标识信息写入布控表。
在一种可能的实现方式中，所述根据所述过车信息表及驾乘人员信息表中的信息，生成行驶信息分析结果，包括以下至少一种：
根据所述过车信息表中的多个历史位置和各自对应的历史时刻，生成所述行驶轨迹；
根据所有历史位置停留的时长与预设时长的关系，从所有历史位置中确定所有驻泊地；
根据所有历史位置的行驶频次与预设频次的关系，从所有历史位置中确定所有活跃地。在一种可能的实现方式中，还包括以下至少一种：
当所述车辆特征信息至少包括：车辆年检标时，识别所述车辆年检标，得到车辆年检信息；并当根据所述车辆年检信息确定车辆年检过期时，发送年检提醒信息至目标客户端设备；
当所述驾乘人员结构化信息至少包括：安全带佩带信息，当所述安全带佩带信息为未佩戴时，发送安全带佩带信息至目标客户端设备；
根据所述驾乘人员标识信息确定是否为非法人员，若是，则发送提醒信息至目标客户端设备。
第二方面，提供了一种车辆监控装置，包括：
第一获取模块，用于获取当前车辆图像，并根据所述当前车辆图像确定当前车辆的车辆信息，所述车辆信息至少包括：车牌颜色、车牌号码、驾乘人员标识信息；
分析结果获取模块，用于根据所述车牌颜色、所述车牌号码、所述驾乘人员标识信息，获取行驶信息分析结果；
第二获取模块，用于获取当前车辆对应的行车证件图像；
有效性判断模块，用于基于所述行车证件图像判断所述行车证件图像对应的证件是否有效，得到判断结果；
发送模块，用于发送判断结果以及行驶信息分析结果至目标客户端设备。
第三方面，提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行根据第一方面中任一可能的实现方式所示的方法对应的操作。
第四方面，提供了一种计算机可读存储介质，存储介质存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如第一方面中任一可能的实现方式所示的方法。
综上所述，本申请包括以下至少一种有益技术效果：
1.根据获取的当前车辆图像以得到至少包括车牌颜色、车牌号码以及驾乘人员标识信息的当前车辆的车辆信息，并通过车牌颜色、所述车牌号码、所述驾乘人员标识信息，获取行驶信息分析结果，以及通过获取的至少包括驾驶证图像、行驶证图像的所述行车证件图像判断所述行车证件图像对应的证件是否有效，得到判断结果；从而将判断结果以及行驶信息分析结果发送至目标客户端设备，以实现对当前车辆的排查，能够提高排查的准确性以及排查效率，进而提高警务人员的执法效率。
附图说明
图1为本申请实施例提供的一种车辆监控的系统架构的结构示意图；
图2是本申请实施例提供的一种车辆监控方法流程示意图；
图3是本申请实施例提供的一种车辆监控装置结构示意图；
图4是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下结合附图1至附图4对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
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。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
随着国家基建设施的推进，车辆出行成为人们的主要的出行方式之一。机动车保有量大，每年注册车辆数也在增长，庞大的车辆数目会大大增加安全事故的产生，同时增加交警的工作难度。数据显示，65％以上的犯罪案件都与车辆有关。依次警务人员需要对车辆信息进行排查，具体需要排查证件信息以及车辆形式信息。而，在涉车案件中，嫌疑车辆证件信息通常都是伪造，无法通过检验证件来锁定车辆身份，一般情况下，公安部门对车辆证件检验主要有现场民警巡逻追踪拦截车辆，通过印章、纸质、字体特殊符号等来判断证件的真伪。且，追踪车辆的方式，通过调取事件发生地附近的交通监控录像对相关车辆进行逐个排查，依据录像线索的地点变换而逐步推进，同时安排民警现场跟踪。
发明人发现，通过印章、纸质、字体特殊符号等来判断证件的真伪，由于伪造技术的不断提高，如果单凭肉眼来辨别，准确性以及效率均不能得到保证。而，对车辆的排查，依赖于交警对可疑车辆的拦截查看,所能看到的数据量狭小，排查慢，所查信息不完善，导致一些不法份子有机可乘，操作繁琐也是导致人工时间成本增加。可见，依赖警务人员对车辆信息进行排查，排查的准确性低，且排查效率低，进而导致警务人员的执法效率低下。
鉴于目前所存在的上述问题，本申请提出了一种车辆监控的技术方案，通过该技术方案对车辆信息进行排查，提高了排查的准确性低以及排查效率，进而能够提高警务人员的执法效率。
为了便于理解，下面对本申请的技术方案所使用的系统架构进行介绍。参见图1，图1为本申请实施例提供的一种车辆监控的系统架构的结构示意图，包括：
卡口设备110、电警设备120、电子设备130，其中，电子设备130分别与卡口设备110、电警设备120连接；
卡口设备110，用于获取当前车辆图像，并将当前车辆图像发送至电子设备130，其中，当前车辆图像至少包括车牌区域以及驾乘人员区域；
电警设备120，用于获取当前车辆对应的行车证件图像，并将行车证件图像发送至电子设备130，其中，行车证件图像至少包括驾驶证图像、行车证图像；
电子设备130，用于根据接收到的当前车辆图像确定当前车辆的车辆信息，车辆信息至少包括：车牌颜色、车牌号码、驾乘人员标识信息，根据车牌颜色、车牌号码、驾乘人员标识信息，获取行驶信息分析结果；判断获取的行车证件图像对应的证件是否有效，并发送判断结果以及行驶信息分析结果至目标客户端设备。
其中，卡口设备110可以通过自身预先安装的客户端，在用户交互界面上为车辆监控方提供信息输入接口和信息发送触发单元。其中卡口设备110通过信息输入接口获取当前车辆图像，当信息发送触发单元被外界触发后，卡口设备110可以利用第一通讯网络，将通过信息输入接口获取到的当前车辆图像发送至电子设备130。
电警设备120可以通过自身预先安装的客户端，在用户交互界面上为车辆监控方提供信息输入接口和信息发送触发单元。其中，电警设备120通过信息输入接口获取行车证件图像，当信息发送触发单元被外界触发后，电警设备120可以利用第二通讯网络，将通过信息输入接口获取到的行车证件图像发送至电子设备130。可以理解的是，本申请实施例中的电警设备120包括但不限于安装了上述客户端的智能手机、平板电脑、穿戴式设备和台式计算机等。
本申请实施例中，电子设备130具体可以是指用于实现单一业务的专用服务器或客户端设备。电子设备130通过第一通讯网络与卡口设备110、第二通讯网络电警设备120建立通讯连接。电子设备130获取到卡口设备110、电警设备120发送的当前车辆图像、行车证件图像后，便可执行根据接收到的当前车辆图像确定当前车辆的车辆信息，车辆信息至少包括：车牌颜色、车牌号码、驾乘人员标识信息，根据车牌颜色、车牌号码、驾乘人员标识信息，获取行驶信息分析结果；判断获取的行车证件图像对应的证件是否有效，并发送判断结果以及行驶信息分析结果至目标客户端设备。
需要说明的是，本申请实施例的上述第一通讯网络、第二通讯网络可以根据实际应用过程中的网络状况和应用需求来确定，既可以是无线通讯网络，如移动通讯网络或WIFI网络等，也可以是有线通讯网络；既可以是广域网，在情况允许时也可以采用局域网。
本申请实施例提供一种车辆监控方法，如图2所示，在本申请实施例中提供的方法可以由电子设备执行，该电子设备可以为服务器也可以为终端设备，其中，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此，该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例在此不做限制。且，对应某一区域存在唯一对应的电子设备，还可以是多个区域共用一个电子设备，本申请实施例不再进行限定。该方法包括：
步骤S101、获取当前车辆图像，并根据当前车辆图像确定当前车辆的车辆信息；
车辆信息至少包括：车牌颜色、车牌号码、驾乘人员标识信息；
其中，在设定位置设置有卡口监控，该卡口监控可以是在收费站、停车场进出口、治安检查站等地方安装的监控，卡口监控的拍摄范围是通过卡口的车辆以及车内人员，以得到当前车辆图像。卡口监控将拍摄到的当前车辆图像传输至卡口设备，卡口设备将当前车辆图像转发至电子设备。本申请实施例不对卡口监控的位置进行限定，用户可自定义选择，只要是能够实现本申请实施例的目的即可。
需要说明的是，车牌存在多种颜色，只有通过车牌颜色和车牌号码才能唯一确定车辆。不同的车牌颜色对应的车辆存在差异，例如，白色牌照车辆多为政法部分车辆、武警部队车辆、解放军军车的汽车牌照；蓝色牌照车辆为普通轿车；黄色牌照车辆多为大型车、教练车或者摩托车的牌照；黑色牌照车辆多为涉外车辆牌照；绿色牌照车辆多为新能源汽车，具体可以分为纯电动汽车和混动汽车。
其中，一种确定车辆信息的方式可以包括：对当前车辆图像进行图像分割以得到车牌图像、驾乘人员图像；提取车牌图像进行车牌字符分割得到多个车牌字符图像，并提取多个车牌字符图像的字符特征，依次对多个字符特征进行字符匹配，得到车牌号码；提取驾乘人员图像的人脸特征，并基于人脸特征确定驾乘人员标识信息；基于车牌图利用RGB（redgreen blue）或HIS（Hue Intensity Saturation）或YCbCr，识别车牌颜色，基于车牌号码、车牌颜色以及驾乘人员标识信息得到车辆信息。进一步的，提取车牌图像进行车牌字符分割得到多个车牌字符图像之前还可以包括：对车牌图像进行预处理，预处理包括以下一种或者多种：灰度化处理、对比度增强、二值化、车牌倾斜度校正。
另一种确定车辆信息的方式可以包括：将当前车辆图像输入到训练好的卷积神经网络模型，得到当前车辆的至少包括：车牌颜色、车牌号码的车辆信息。具体地，卷积神经网络模型的训练过程包括：获取初始网络模型；获取车辆样本图像集，其中，车辆样本图像集包括多张样本图像以及各自对应的标记信息；利用初始网络模型识别样本图像，得到输出结果；基于初始结果以及标记信息的差异，从初始网络模型的最后一层结构反向传播向前反馈，更新初始网络模型参数，并进行迭代训练，以得到训练好的卷积神经网络模型。本申请实施例不对初始网络模型的结构进行限定，用户可自定义设置，只要是能够实现本申请实施例的目的即可。
例如，初始网络模型可以包括：卷积层、池化层、全连接层和分类器，卷积层和池化层构成了隐藏层，隐藏层后并联有两个全连接层，其中，第一个全连接层后并联两个分类器，分类器具体可以是softmax层，其中一个分类器用于输出车牌颜色、另一个分类器用于输出车牌号码；第二个全连接层连接一个分类器，用于识别驾乘人员标识信息。
由于不同颜色的车牌可能存在车牌号码相同的情况，本申请实施例能够基于车牌颜色以及车牌号码唯一确定车辆，提高车辆确定的准确性。
步骤S102、根据车牌颜色、车牌号码、驾乘人员标识信息，获取行驶信息分析结果；
其中，电子设备中存储有多个车辆的行驶信息分析结果，进而能够根据车牌颜色、车牌号码和驾乘人员标识信息能够从预存的行驶信息分析结果集中确定相应的行驶信息分析结果。
具体地，行驶信息分析结果集的生成过程包括：获取各道路卡口的过车的各个行驶车辆的车辆信息，其中，车辆信息是基于车辆图像生成的，且，车辆信息至少包括：车牌颜色、车牌号码和驾乘人员标识信息；基于同一车辆以及经过的卡口的先后顺序，生成相应车辆的行驶信息分析结果；根据多个车辆的行驶信息分析结果得到行驶信息分析结果集。可以理解的是，可以按照预设时刻或实时的根据道路卡口的过车的新的车辆信息更新行驶信息分析结果集。进一步的，可以基于同一车辆以及经过的卡口的先后顺序，生成相应车辆的行驶信息分析结果还可以包括：根据同一车辆、同一驾乘人员标识信息的经过卡口的先后顺序确定行驶结果分析结果，具体地行驶分析结果包括但是不限于：行驶轨迹、驻泊地、活跃地中的一种或者多种，当然还可以包括：首次入城信息，可见，本申请实施例能够基于当前车辆图像，就可快速查出当前车辆的详细信息，例如：首次入城，车辆活跃地，活跃时间段，行车轨迹等信息，不需要过多的操作，方便民警进行执法排查，极大提高执法效率，且能够对可疑车辆加入布控实现车辆天网系统，能够精确查找该车辆行车轨迹、车辆驻泊地、车辆活跃时段等信息。
步骤S103、获取当前车辆对应的行车证件图像；
电警设备采集到当前车辆对应的行车证件图像后，发送到电子设备，以便电子设备获取当前车辆对应的行车证件图像。具体地，行车证件图像包括驾驶证图像、行驶证图像，当然还可以包括：从业资格证图像和运输证图像。
步骤S104、基于行车证件图像判断行车证件图像对应的证件是否有效，得到判断结果；
可以理解的是，常规的对行车证件进行核验的方式是通过警务人员的人工检查，准确性不足。本申请实施例可以获取当前车辆的行车证件图像，基于行车证件图像自动判断证件的有效性。具体地，判断证件是否有效的方式可以基于证件图像中的证件信息和/或相应的证件平台来判断证件的有效性，其中，判断结果包括证件有效、证件无效。
步骤S105、发送判断结果以及行驶信息分析结果至目标客户端设备。
目标客户端设备对应警务人员，将判断结果以及行驶信息分析结果发送至目标客户端设备以便工作人员查阅并执行相应的操作。
本申请实施例根据获取的当前车辆图像以得到至少包括车牌颜色、车牌号码以及驾乘人员标识信息的当前车辆的车辆信息，并通过车牌颜色、车牌号码、驾乘人员标识信息，获取行驶信息分析结果，以及通过获取的至少包括驾驶证图像、行驶证图像的行车证件图像判断行车证件图像对应的证件是否有效，得到判断结果；从而将判断结果以及行驶信息分析结果发送至目标客户端设备，以实现对当前车辆的排查，能够提高排查的准确性以及排查效率，进而提高警务人员的执法效率。
进一步的，为了提高排查有效性，获取当前车辆对应的行车证件图像之前，还包括：获取嫌疑车辆的行驶信息；判断行驶信息与行驶信息分析结果进行匹配；若匹配值达到预设阈值，则确定当前车辆为嫌疑车辆。可见，本申请实施例能够通过已有的嫌疑车辆的行驶信息确定是否为当前车辆，进而可以将行驶信息分析结果发送至目标客户端设备，以便目标客户端设备对应的警务人员进行布控，进而对行车证件信息进行排查。
在一种具体地方式中，行车证件图像至少包括驾驶证图像、行驶证图像；步骤S104，基于行车证件图像判断行车证件图像对应的证件是否有效，得到判断结果，包括：对行车证件图像进行文字信息识别，得到行车证件图像的证件信息；根据证件信息确定行车证件图像对应的证件是否有效，得到判断结果。
在一种具体地方式中，行车证件图像至少包括驾驶证图像、行驶证图像；步骤S104，基于行车证件图像判断行车证件图像对应的证件是否有效，得到判断结果，包括：发送行车证件图像至相应的检测平台，其中，检测平台能够根据行车证件图像判断证件的真伪；接收到检测平台发送的判断结果。
在一种具体地方式中，行车证件图像至少包括驾驶证图像、行驶证图像；步骤S104，基于行车证件图像判断行车证件图像对应的证件是否有效，得到判断结果，包括：步骤S1041（附图未示出）、步骤S1042（附图未示出），其中：
步骤S1041、对行车证件图像进行文字信息识别，得到行车证件图像的证件信息；
具体地，本申请实施例对行车证件图像进行文字信息识别的方式可以基于特征提取与匹配，还可以是基于OCR（Optical Character Recognition，光学字符识别），以得到行车证件图像的证件信息，其中，不同的行车证件对应的证件信息不同。
例如，驾驶证对应的证件信息包括：姓名、性别、国籍、驾驶证证号、住址、出生日期、初次领证日期、准驾车型、有效期限。再如，行驶证对应的证件信息包括：号牌号码、车辆类型、所有人、住址、使用性质、品牌型号、车辆识别代码、发动机号码、注册日期、发证日期。当然，当行车证件还包括：从业资格证时，从业资格证对应的证件信息包括：证号、二维码区域、姓名、性别、出生日期、国籍、住址、准驾车型、从业资格类别、初次领证时间、有效起始日期、有效期限。当行车证件还包括：运输证时，运输证对应的证件信息包括：运输证编号、运营区域、业户名称、地址、车辆车牌、车牌颜色、经营许可证号、车辆类型、吨位、车辆长宽高、经营范围、发证日期、经济类型。
步骤S1042、基于证件信息判断行车证件图像对应的证件是否有效，得到判断结果。
具体地，可以是基于证件信息与实际的信息以确定行车证件图像对应的证件是否有效，例如，根据驾驶证的有效期限和当前时刻确定驾驶证是否有效，得到判断结果。
为了提高证件信息的识别效率，步骤S1041、对行车证件图像进行文字信息识别，得到行车证件图像的证件信息，包括：
用卷积神经网络提取每一行车证件图像的图像特征，行车证件图像为包括对应章戳的图像；
将图像特征输入循环神经网络，以得到图像特征的特征序列；
将特征序列输入CTC模块进行解码，得到解码结果；
根据解码结果确定行车证件图像的证件信息。
本申请实施例采用神经网络的方式进行证件信息的获取，可以理解的是，本申请实施例提供的一种训练好的证件信息提取模型包括：卷积神经网络、循环神经网络以及CTC（Connectionist Temporal Classification，联结主义时间分类）模块。进一步的，证件信息提取模型的训练过程包括：获取证件样本集，其中，证件样本集包括：多张训练样本以及对应的证件信息标签；获取初始模型，初始模型包括：初始卷积神经网络、循环神经网络、CTC模块；利用证件样本集对初始模型进行训练，以得到证件信息提取模型。
本申请实施例利用模型对行车证件图像进行文字信息识别，得到行车证件图像的证件信息，能够提高识别效率。
进一步的，步骤S1042、基于证件信息判断行车证件图像对应的证件是否有效，得到判断结果，包括：
发送证件信息至行车证件图像相应的检测平台，其中，检测平台能够根据证件信息判断证件的真伪；
接收到检测平台发送的初始判断结果；
当初始判断结果为证件为真时，根据证件信息判断车证件图像对应的证件是否有效，得到判断结果。
具体地，当行车证件为驾驶证时，根据识别到的驾驶证证号,接入该驾驶证所在区域的车管所来验证真伪,当驾驶证为真时，根据证件信息中的有效期限判断该驾照是否过期。
当行车证件为行驶证时，根据识别到的车牌号和车辆类型从平台上查到该车辆详细信息，当无形行驶证为真时，根据证件信息判断确定车辆是否有效。
本申请实施例在利用检测平台对行车证件进行初验后，当行车证件为真时，再基于识别到的证件信息确定车证件图像对应的证件是否有效，利用双重验证方式确定行车证件判断结果，提高了判断结果的准确性。
进一步的，行车证件图像还包括：从业资格证图像和运输证图像，证件信息包括标识区域以及证件号；根据证件信息判断车证件图像对应的证件是否有效，得到判断结果，包括：
根据标识区域，获取最新的证件文档，证件文档包括：从业资格证文档、运输证文档；
根据最新的证件文档以及对应的证件号，判断行车证件的真伪，得到判断结果。
具体地，若当前车辆为运输车辆，则还需要对其从业资格证和运输证进行判断。其中，从业资格证的识别可以根据识别到证件信息中的标识区域即二维码区域作为请求,以获取最新的从业资格证文档。运输证识别会根据识别到的证号和运营区域为请求,以获取最新的运输证文档。进而，可以根据最新的证件文档以及对应的证件号，判断行车证件的真伪，得到判断结果。
可见，若当前车辆为运输车辆，则还需要对其从业资格证和运输证进行判断，以提高排查的准确性以及完整性。
进一步的，根据车牌颜色、车牌号码、驾乘人员标识信息，获取行驶信息分析结果，包括：
根据车牌颜色、车牌号码、驾乘人员标识信息，获取当前车辆对应的过车信息表、驾乘人员信息表；
根据过车信息表及驾乘人员信息表中的信息，生成行驶信息分析结果，其中，行驶分析结果包括：行驶轨迹、驻泊地、活跃地、驾乘人员变化情况、伴随车辆中的任意一种或者多种。
可以理解的是，电子设备中存储有多个信息表，以便进行检索与溯源。
其中，过车信息表Vehicle(以下简称为表V)中可以包括：过车结构化信息、车辆特征向量及驾乘人员标识信息。过车结构化信息包括以下任意一种或者多种：车牌号码、车牌颜色、车身颜色、车辆品牌、车辆子品牌、车辆类型（客车、货车）。车辆特征向量包括以下任意一种或者多种：有无新手标、有无天窗、有无挂件、副驾驶是否有人、有无抽纸盒、有无安全带、有无备胎、年检标、是否打电话。
驾乘人员信息表Person(以下简称为表P)中可以包括：驾乘人员结构化信息、驾乘人员标识信息及过车信息表唯一id。驾乘人员结构化信息包括以下任意一种或者多种：性别、发型、帽子、年龄、上衣类型、上衣颜色、裤子类型、裤子颜色、是否抱小孩。
可以理解的是，过车信息表及驾乘人员信息表还可以包括经过各卡口的时间以及时长，进而根据过车信息表及驾乘人员信息表中的信息，生成行驶信息分析结果。
可见，本申请实施例能够基于与存储的过车信息表、驾乘人员信息表生成行驶信息分析结果，能够通过简单的表格信息联动进行确定，提高了结果生成的效率。
进一步的，为了便于搜索车辆以及驾乘人员的信息，车辆信息还包括车辆结构化信息、车辆特征信息、驾乘人员结构化信息；
车辆监控方法，还包括：将车辆信息、当前时刻以及当前位置，写入过车信息表；将驾乘人员结构化信息、驾乘人员标识信息以及过车信息表的标识信息，写入驾乘人员信息表；将每一行车证件图像的证件信息、判断结果、当前时刻以及驾乘人员标识信息，写入每一行车证件图像对应的证件表；将车辆结构化信息、过车信息表的标识信息写入布控表。
可以理解的是，电子设备中预先设置数据表如下：
驾驶证表Driver _License(以下简称为表DL)，记录驾驶证信息以及驾乘人员标识信息；行使证表Vehicle _License(以下简称为表VL)，记录行使证信息以及驾驶证表唯一id；从业资格证表Qualification _Certificate (以下简称为表QC)，记录从业资格证信息以及驾乘人员标识信息；运输证表Transport _License (以下简称为表TL)，记录运输证信息以及驾乘人员标识信息；布控表Control (以下简称为表C)，记录布控车辆的信息以及驾驶证表唯一id。每次排查后，均根据排查的结果更新多个表格。执法民警在对可疑车辆进行检查时，能够对驾驶证、行驶证、从业资格证、运输证信息的比对来验证证件的真伪；同时提取车辆特征（身份证号、车牌号、车牌颜色、车身颜色、从业资格证等）数据，到平台上查询，以此获取该车辆的详细档案，方便民警进行执法排查，极大提高执法效率；对可疑车辆加入布控实现车辆天网系统，能够精确查找该车辆行车轨迹、车辆驻泊地、车辆活跃时段等信息。
可见，本申请实施例能够及时当前车辆的排查信息写入过车信息表、驾乘人员信息表、证件表、布控表中，进行清晰、加工、归档存放，以便将交警人员识别到的车牌号、车牌颜色以及证件图像，来获取该车辆多方位的详细信息，提高了执法人员的办事效率，节省了时间成本和人力开支，实现精准查找。
进一步的，根据过车信息表及驾乘人员信息表中的信息，生成行驶信息分析结果，包括以下至少一种：
根据过车信息表中的多个历史位置和各自对应的历史时刻，生成行驶轨迹；
根据所有历史位置停留的时长与预设时长的关系，从所有历史位置中确定所有驻泊地；
根据所有历史位置的行驶频次与预设频次的关系，从所有历史位置中确定所有活跃地。
本申请实施例中的预设时长以及预设频次均可以根据经验值或者计算机随机设置，只要是能够实现本申请实施例的目的即可。
具体地，根据过车信息表中的历史时刻的先后顺序，将与各个历史时刻对应的多个历史位置进行连线，以得到行驶轨迹。当存停留的时长大于预设时长的历史位置时，将该历史位置确定为驻泊地。当存在行驶频次超过预设频次的历史位置时，将该历史位置确定为活跃地。
本申请实施例能够基于多个历史位置和各自对应的历史时刻形成行驶轨迹、历史位置停留的时长与预设时长的关系确定驻泊地以及根据所有历史位置的行驶频次确定所有活跃地，计算简单，可操作性强。
进一步的，为了提高行车安全，车辆监控方法，还包括以下至少一种：
当车辆特征信息至少包括：车辆年检标时，识别车辆年检标，得到车辆年检信息；并当根据车辆年检信息确定车辆年检过期时，发送年检提醒信息至目标客户端设备；
具体地，识别车辆年检标，以得到车辆年检信息，根据车辆年检信息确定车辆年检是否过期，若是，则发送年检提醒信息至目标客户端设备，所述年检提醒信息用于提示目标客户端设备对应的警务人员提示车辆对应的驾乘人员进行车辆年检。可以理解的是，车辆年检主要是检查汽车主要技术状况，督促加强汽车的维护保养，使汽车经常处于完好状态，确保汽车行驶安全。
当驾乘人员结构化信息至少包括：安全带佩带信息，当安全带佩带信息为未佩戴时，发送安全带佩带信息至目标客户端设备；
具体地，驾乘人员行车时未佩戴安全带，不符合交通规范，且遇到急刹情况时容易出现事故，因此，当安全带佩带信息为未佩戴时，发送安全带佩带信息至目标客户端设备，安全带佩带信息用于提醒目标客户端设备对应的警务人员执行相应操作。
根据驾乘人员标识信息确定是否为非法人员，若是，则发送提醒信息至目标客户端设备。
具体地，基于人工智能识别技术来判断驾乘人员标识信息对应驾乘人员是否为非法人员，也可以是基于黑名单数据库来判断驾乘人员标识信息对应驾乘人员是否为非法人员。基于人工智能识别技术判断驾乘人员标识信息对应驾乘人员是否为非法人员包括：利用人工智能识别技术分析驾乘人员标识信息，以判断驾乘人员标识信息对应驾乘人员是否为非法人员。基于数据库来判断驾乘人员标识信息对应驾乘人员是否是非法人员包括：将驾乘人员标识信息与黑名单数据库进行匹配，当匹配成功则证明是非法人员；其中，黑名单数据库是警用数据库，警用数据库是危险分子对应的数据库，当然，黑名单数据库也可以是联网数据库，能够实时更新犯罪分子和嫌疑分子的数据，只要能够实现本实施例的目的即可，本实施例不再进行限定。若驾乘人员标识信息对应驾乘人员不是非法人员，则不执行任何操作，或将发送目标信息至目标客户端设备。可见，判断驾乘人员标识信息对应驾乘人员是否是非法人员，若是则发出警报信息，避免了相关技术中非法人员需要人为判断，提高安全性识别的准确率和高效性，消除了安全隐患，改善用户体验。
本申请实施例还可以基于车辆特征信息和/或驾乘人员结构化信息和/或驾乘人员标识信息以确定是否违规，进而发送相应信息至目标客户端设备，以便相应的警务人员能够及时处理，以避免危险情况发生。
在上述实施例中，从方法流程的角度介绍了一种车辆监控方法，下述实施例从模块或者单元的角度介绍一种车辆监控装置，具体详见下述实施例。
本申请实施例提供了一种车辆监控装置，如图3所示，该装置可以包括：
第一获取模块310，用于获取当前车辆图像，并根据当前车辆图像确定当前车辆的车辆信息，车辆信息至少包括：车牌颜色、车牌号码、驾乘人员标识信息；
分析结果获取模块320，用于根据车牌颜色、车牌号码、驾乘人员标识信息，获取行驶信息分析结果；
第二获取模块330，用于获取当前车辆对应的行车证件图像；
有效性判断模块340，用于基于行车证件图像判断行车证件图像对应的证件是否有效，得到判断结果；
发送模块350，用于发送判断结果以及行驶信息分析结果至目标客户端设备。
优选的，行车证件图像至少包括驾驶证图像、行驶证图像；
有效性判断模块340，包括：
识别单元，用于对行车证件图像进行文字信息识别，得到行车证件图像的证件信息；
判断单元，用于基于证件信息判断行车证件图像对应的证件是否有效，得到判断结果。
优选的，识别单元在执行对行车证件图像进行文字信息识别，得到行车证件图像的证件信息时，具体用于：
用卷积神经网络提取每一行车证件图像的图像特征；
将图像特征输入循环神经网络，以得到图像特征的特征序列；
将特征序列输入CTC模块进行解码，得到解码结果；
根据解码结果确定行车证件图像的证件信息。
优选的，判断单元在执行基于证件信息判断行车证件图像对应的证件是否有效，得到判断结果时，具体用于：
发送证件信息至行车证件图像相应的检测平台，其中，检测平台能够根据证件信息判断证件的真伪；
接收到检测平台发送的初始判断结果；
当初始判断结果为证件为真时，根据证件信息判断车证件图像对应的证件是否有效，得到判断结果。
优选的，行车证件图像还包括：从业资格证图像和运输证图像，证件信息包括标识区域以及证件号；
判断单元在执行基于证件信息判断行车证件图像对应的证件是否有效，得到判断结果时，具体用于：
根据标识区域，获取最新的证件文档，证件文档包括：从业资格证文档、运输证文档；
根据最新的证件文档以及对应的证件号，判断行车证件的真伪，得到判断结果。
优选的，分析结果获取模块320在执行根据车牌颜色、车牌号码、驾乘人员标识信息，获取行驶信息分析结果时，具体用于：
根据车牌颜色、车牌号码、驾乘人员标识信息，获取当前车辆对应的过车信息表、驾乘人员信息表；
根据过车信息表及驾乘人员信息表中的信息，生成行驶信息分析结果，其中，行驶分析结果包括：行驶轨迹、驻泊地、活跃地、驾乘人员变化情况、伴随车辆中的任意一种或者多种。
优选的，车辆信息还包括车辆结构化信息、车辆特征信息、驾乘人员结构化信息；
车辆监控装置，还包括，信息写入模块，用于：
将车辆信息、当前时刻以及当前位置，写入过车信息表；
将驾乘人员结构化信息、驾乘人员标识信息以及过车信息表的标识信息，写入驾乘人员信息表；
将每一行车证件图像的证件信息、判断结果、当前时刻以及驾乘人员标识信息，写入每一行车证件图像对应的证件表；
将车辆结构化信息、过车信息表的标识信息写入布控表。
优选的，分析结果获取模块320，包括：
行驶轨迹生成单元，用于根据过车信息表中的多个历史位置和各自对应的历史时刻，生成行驶轨迹；
驻泊地确定单元，用于根据所有历史位置停留的时长与预设时长的关系，从所有历史位置中确定所有驻泊地；
活跃地确定单元，用于根据所有历史位置的行驶频次与预设频次的关系，从所有历史位置中确定所有活跃地。
优选的，还包括：提示模块，用于执行以下至少一种步骤：
当车辆特征信息至少包括：车辆年检标时，识别车辆年检标，得到车辆年检信息；并当根据车辆年检信息确定车辆年检过期时，发送年检提醒信息至目标客户端设备；
当驾乘人员结构化信息至少包括：安全带佩带信息，当安全带佩带信息为未佩戴时，发送安全带佩带信息至目标客户端设备；
根据驾乘人员标识信息确定是否为非法人员，若是，则发送提醒信息至目标客户端设备。
本申请实施例提供的一种装置适用于上述方法实施例，在此不再赘述。
本申请实施例中提供了一种电子设备，如图4所示，图4所示的电子设备130包括：处理器131和存储器133。其中，处理器131和存储器133相连，如通过总132相连。可选地，电子设备130还可以包括收发器134。需要说明的是，实际应用中收发器134不限于一个，该电子设备130的结构并不构成对本申请实施例的限定。
处理器131可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器131也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线132可包括一通路，在上述组件之间传送信息。总线132可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线132可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器133可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（Compact DiscRead Only Memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器133用于存储执行本申请方案的应用程序代码，并由处理器131来控制执行。处理器131用于执行存储器133中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (7)
1.一种车辆监控方法，其特征在于，包括：
获取当前车辆图像，并根据所述当前车辆图像确定当前车辆的车辆信息，所述车辆信息至少包括：车牌颜色、车牌号码、驾乘人员标识信息；
根据所述车牌颜色、所述车牌号码、所述驾乘人员标识信息，获取行驶信息分析结果；
获取当前车辆对应的行车证件图像；获取当前车辆对应的行车证件图像之前，还包括：获取嫌疑车辆的行驶信息；判断行驶信息与行驶信息分析结果进行匹配；若匹配值达到预设阈值，则确定当前车辆为嫌疑车辆；
基于所述行车证件图像判断所述行车证件图像对应的证件是否有效，得到判断结果；
发送判断结果以及行驶信息分析结果至目标客户端设备；
其中，根据当前车辆图像确定当前车辆的车辆信息，包括：将当前车辆图像输入到训练好的卷积神经网络模型，得到当前车辆的车辆信息；其中，卷积神经网络模型的训练过程包括：获取初始网络模型，所述初始网络模型包括卷积层、池化层、全连接层和分类器，卷积层和池化层构成了隐藏层，隐藏层后并联有两个全连接层，其中，第一个全连接层后并联两个分类器，一个分类器用于输出车牌颜色、另一个分类器用于输出车牌号码；第二个全连接层连接一个分类器，用于输出驾乘人员标识信息；获取车辆样本图像集，其中，车辆样本图像集包括多张样本图像以及各自对应的标记信息；利用初始网络模型识别样本图像，得到输出结果；基于初始结果以及标记信息的差异，从初始网络模型的最后一层结构反向传播向前反馈，更新初始网络模型参数，并进行迭代训练，以得到训练好的卷积神经网络模型；
其中，所述行车证件图像至少包括驾驶证图像、行驶证图像；所述基于所述行车证件图像判断所述行车证件图像对应的证件是否有效，得到判断结果，包括：
对所述行车证件图像进行文字信息识别，得到所述行车证件图像的证件信息；
基于所述证件信息判断所述行车证件图像对应的证件是否有效，得到判断结果；
其中，所述对所述行车证件图像进行文字信息识别，得到所述行车证件图像的证件信息，包括：
用卷积神经网络提取每一所述行车证件图像的图像特征；
将所述图像特征输入循环神经网络，以得到所述图像特征的特征序列；
将所述特征序列输入CTC模块进行解码，得到解码结果；
根据所述解码结果确定所述行车证件图像的证件信息；
其中，所述根据所述车牌颜色、所述车牌号码、驾乘人员标识信息，获取行驶信息分析结果，包括：
根据所述车牌颜色、所述车牌号码、所述驾乘人员标识信息，获取当前车辆对应的过车信息表、驾乘人员信息表，其中，过车信息表包括：过车结构化信息、车辆特征向量、驾乘人员标识信息以及经过个卡口的时间以及时长；驾乘人员信息表包括：驾乘人员结构化信息和驾乘人员标识信息以及过车信息表唯一id、经过各卡口的时间和时长；
根据所述过车信息表及驾乘人员信息表中的信息，生成行驶信息分析结果，其中，所述行驶信息分析结果包括：行驶轨迹、驻泊地、活跃地、驾乘人员变化情况、伴随车辆中的任意一种或者多种。
2.根据权利要求1所述的车辆监控方法，其特征在于，所述基于所述证件信息判断所述行车证件图像对应的证件是否有效，得到判断结果，包括：
发送所述证件信息至所述行车证件图像相应的检测平台，其中，所述检测平台能够根据所述证件信息判断证件的真伪；
接收到所述检测平台发送的初始判断结果；
当所述初始判断结果为证件为真时，根据所述证件信息判断车证件图像对应的证件是否有效，得到判断结果。
3.根据权利要求2所述的车辆监控方法，其特征在于，所述行车证件图像还包括：从业资格证图像和运输证图像，所述证件信息包括标识区域以及证件号；
所述根据所述证件信息判断车证件图像对应的证件是否有效，得到判断结果，包括：
根据标识区域，获取最新的证件文档，所述证件文档包括：从业资格证文档、运输证文档；
根据所述最新的证件文档以及对应的证件号，判断行车证件的真伪，得到判断结果。
4.根据权利要求1所述的车辆监控方法，其特征在于，所述车辆信息还包括车辆结构化信息、车辆特征信息、驾乘人员结构化信息；
所述车辆监控方法，还包括：
将车辆信息、当前时刻以及当前位置，写入过车信息表；
将驾乘人员结构化信息、驾乘人员标识信息以及过车信息表的标识信息，写入驾乘人员信息表；
将每一所述行车证件图像的证件信息、判断结果、当前时刻以及驾乘人员标识信息，写入每一所述行车证件图像对应的证件表；
将车辆结构化信息、过车信息表的标识信息写入布控表。
5.根据权利要求4所述的车辆监控方法，其特征在于，所述根据所述过车信息表及驾乘人员信息表中的信息，生成行驶信息分析结果，包括以下至少一种：
根据所述过车信息表中的多个历史位置和各自对应的历史时刻，生成所述行驶轨迹；
根据所有历史位置停留的时长与预设时长的关系，从所有历史位置中确定所有驻泊地；
根据所有历史位置的行驶频次与预设频次的关系，从所有历史位置中确定所有活跃地。
6.根据权利要求4所述的车辆监控方法，其特征在于，还包括以下至少一种：
当所述车辆特征信息至少包括：车辆年检标时，识别所述车辆年检标，得到车辆年检信息；并当根据所述车辆年检信息确定车辆年检过期时，发送年检提醒信息至目标客户端设备；
当所述驾乘人员结构化信息至少包括：安全带佩带信息，当所述安全带佩带信息为未佩戴时，发送安全带佩带信息至目标客户端设备；
根据所述驾乘人员标识信息确定是否为非法人员，若是，则发送提醒信息至目标客户端设备。
7.一种电子设备，其特征在于，其包括：
一个或者多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于：执行根据权利要求1～6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210336926.2A CN114882448B (zh) | 2022-04-01 | 2022-04-01 | 一种车辆监控方法和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210336926.2A CN114882448B (zh) | 2022-04-01 | 2022-04-01 | 一种车辆监控方法和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114882448A CN114882448A (zh) | 2022-08-09 |
| CN114882448B true CN114882448B (zh) | 2023-10-31 |
Family
ID=82669471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210336926.2A Active CN114882448B (zh) | 2022-04-01 | 2022-04-01 | 一种车辆监控方法和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114882448B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117496719B (zh) * | 2023-11-03 | 2024-05-14 | 青岛以萨数据技术有限公司 | 一种车辆信息查询方法、电子设备及存储介质 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103077611A (zh) * | 2013-01-06 | 2013-05-01 | 山东鼎讯智能交通科技有限公司 | 一种具有人脸识别及安全带检测的公路车辆记录系统 |
| CN103914945A (zh) * | 2014-03-25 | 2014-07-09 | 刘业兴 | 一种机动车驾驶人监控管理系统及方法 |
| CN104463244A (zh) * | 2014-12-04 | 2015-03-25 | 上海交通大学 | 基于智能移动终端的异常驾驶行为监测和识别方法及系统 |
| CN105740914A (zh) * | 2016-02-26 | 2016-07-06 | 江苏科海智能系统有限公司 | 一种基于近邻多分类器集成的车牌识别方法及系统 |
| CN105938654A (zh) * | 2016-02-01 | 2016-09-14 | 刘超 | 基于身份识别的车辆监管系统及监管方法 |
| CN105989711A (zh) * | 2015-02-13 | 2016-10-05 | 深圳市金溢科技股份有限公司 | 营运站出站口门检方法、系统及门检用便携终端 |
| CN106327861A (zh) * | 2015-06-18 | 2017-01-11 | 中兴通讯股份有限公司 | 一种m2m车联网的识别方法和装置 |
| CN107134147A (zh) * | 2017-07-03 | 2017-09-05 | 智慧互通科技有限公司 | 基于摄像机与传感器管理杆下车位的方法、装置及系统 |
| CN107610471A (zh) * | 2016-07-11 | 2018-01-19 | 中兴通讯股份有限公司 | 车辆套牌检测方法及系统 |
| CN108549926A (zh) * | 2018-03-09 | 2018-09-18 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
| CN108765943A (zh) * | 2018-05-30 | 2018-11-06 | 深圳市城市公共安全技术研究院有限公司 | 车辆智能监控方法、监控系统及服务器 |
| CN109147336A (zh) * | 2018-08-01 | 2019-01-04 | 武汉云易虹科技有限公司 | 一种交通失驾人员预警方法及系统 |
| CN110070085A (zh) * | 2019-04-30 | 2019-07-30 | 北京百度网讯科技有限公司 | 车牌识别方法和装置 |
| CN111369801A (zh) * | 2019-08-27 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 车辆识别方法、装置、设备和存储介质 |
| CN112309126A (zh) * | 2020-10-30 | 2021-02-02 | 杭州海康威视数字技术股份有限公司 | 车牌检测方法、装置、电子设备及计算机可读存储介质 |
| CN112508018A (zh) * | 2020-12-14 | 2021-03-16 | 北京澎思科技有限公司 | 车牌识别方法、装置及存储介质 |
| CN112669049A (zh) * | 2020-12-31 | 2021-04-16 | 车主邦（北京）科技有限公司 | 一种验证物流车辆证件信息的方法及装置 |
| CN113222492A (zh) * | 2021-03-29 | 2021-08-06 | 北京中交兴路信息科技有限公司 | 一种车辆行驶线路类型的判别方法、装置、存储介质及终端 |
-
2022
- 2022-04-01 CN CN202210336926.2A patent/CN114882448B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103077611A (zh) * | 2013-01-06 | 2013-05-01 | 山东鼎讯智能交通科技有限公司 | 一种具有人脸识别及安全带检测的公路车辆记录系统 |
| CN103914945A (zh) * | 2014-03-25 | 2014-07-09 | 刘业兴 | 一种机动车驾驶人监控管理系统及方法 |
| CN104463244A (zh) * | 2014-12-04 | 2015-03-25 | 上海交通大学 | 基于智能移动终端的异常驾驶行为监测和识别方法及系统 |
| CN105989711A (zh) * | 2015-02-13 | 2016-10-05 | 深圳市金溢科技股份有限公司 | 营运站出站口门检方法、系统及门检用便携终端 |
| CN106327861A (zh) * | 2015-06-18 | 2017-01-11 | 中兴通讯股份有限公司 | 一种m2m车联网的识别方法和装置 |
| CN105938654A (zh) * | 2016-02-01 | 2016-09-14 | 刘超 | 基于身份识别的车辆监管系统及监管方法 |
| CN105740914A (zh) * | 2016-02-26 | 2016-07-06 | 江苏科海智能系统有限公司 | 一种基于近邻多分类器集成的车牌识别方法及系统 |
| CN107610471A (zh) * | 2016-07-11 | 2018-01-19 | 中兴通讯股份有限公司 | 车辆套牌检测方法及系统 |
| CN107134147A (zh) * | 2017-07-03 | 2017-09-05 | 智慧互通科技有限公司 | 基于摄像机与传感器管理杆下车位的方法、装置及系统 |
| CN108549926A (zh) * | 2018-03-09 | 2018-09-18 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
| CN108765943A (zh) * | 2018-05-30 | 2018-11-06 | 深圳市城市公共安全技术研究院有限公司 | 车辆智能监控方法、监控系统及服务器 |
| CN109147336A (zh) * | 2018-08-01 | 2019-01-04 | 武汉云易虹科技有限公司 | 一种交通失驾人员预警方法及系统 |
| CN110070085A (zh) * | 2019-04-30 | 2019-07-30 | 北京百度网讯科技有限公司 | 车牌识别方法和装置 |
| CN111369801A (zh) * | 2019-08-27 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 车辆识别方法、装置、设备和存储介质 |
| CN112309126A (zh) * | 2020-10-30 | 2021-02-02 | 杭州海康威视数字技术股份有限公司 | 车牌检测方法、装置、电子设备及计算机可读存储介质 |
| CN112508018A (zh) * | 2020-12-14 | 2021-03-16 | 北京澎思科技有限公司 | 车牌识别方法、装置及存储介质 |
| CN112669049A (zh) * | 2020-12-31 | 2021-04-16 | 车主邦（北京）科技有限公司 | 一种验证物流车辆证件信息的方法及装置 |
| CN113222492A (zh) * | 2021-03-29 | 2021-08-06 | 北京中交兴路信息科技有限公司 | 一种车辆行驶线路类型的判别方法、装置、存储介质及终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114882448A (zh) | 2022-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190325675A1 (en) | Identification scan in compliance with jurisdictional or other rules | |
| EP2887333B1 (en) | Privacy-preserving evidence in ALPR applications | |
| EP2863338B1 (en) | Delayed vehicle identification for privacy enforcement | |
| US20130290201A1 (en) | Systems and methods for assessing the legitimacy of a transportation provider | |
| CN112447041B (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
| CN111430039B (zh) | 防疫信息采集系统、方法、装置、计算机设备和存储介质 | |
| CN104574547A (zh) | 一种基于人脸识别技术的高速公路防逃费方法 | |
| CN109785615A (zh) | 一种用于公安检查站的预警分流子系统 | |
| KR102240266B1 (ko) | 영상 분석을 통한 차량 분류 장치, 시스템 및 이를 위한 방법 | |
| CN106710225B (zh) | 一种车辆号牌违法的识别方法和监测平台 | |
| CN111444798A (zh) | 电动自行车驾驶行为的识别方法、装置和计算机设备 | |
| CN114446056A (zh) | 车辆信息码的生成以及车辆通行控制方法、装置及设备 | |
| US20230013317A1 (en) | Hub for automated recovery after a critical event in shared mobility services | |
| CN114882448B (zh) | 一种车辆监控方法和电子设备 | |
| CN111404874A (zh) | 出租车嫌疑车辆甄别分析体系架构 | |
| KR101066081B1 (ko) | 차량 탑재형 스마트 정보 판독 시스템 및 방법 | |
| CN114926824A (zh) | 一种不良驾驶行为判别方法 | |
| CN112861567A (zh) | 一种车型分类方法及装置 | |
| Farr et al. | Blockchain-based cooperative autonomous detection of suspicious vehicles | |
| US20230401883A1 (en) | System and method for increasing safety during law enforcement stops | |
| CN112735144A (zh) | 套牌识别方法、装置、计算机设备和存储介质 | |
| CN111985304A (zh) | 巡防告警方法、系统、终端设备及存储介质 | |
| CN105825679A (zh) | 一种实现对违规特种车辆快速、远距离在线锁定的方法 | |
| CN109583353A (zh) | 一种基于人脸识别的交通违法查审方法及系统 | |
| CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 |
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 |