CN115100871A - 一种行人交通违规识别方法及系统 - Google Patents
一种行人交通违规识别方法及系统 Download PDFInfo
- Publication number
- CN115100871A CN115100871A CN202210695715.8A CN202210695715A CN115100871A CN 115100871 A CN115100871 A CN 115100871A CN 202210695715 A CN202210695715 A CN 202210695715A CN 115100871 A CN115100871 A CN 115100871A
- Authority
- CN
- China
- Prior art keywords
- information
- violation
- traffic
- abnormal
- sample
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Abstract
本发明涉及行人交通违规识别方法技术领域,尤其是一种行人交通违规识别方法及系统,该行人交通违规识别方法包括以下步骤:该控制方法包括以下步骤:获取主动识别电子设备传输的实时监测数据;无法被识别的监测信息将会被远程计算机进行调取,然后通过搜索引擎进行检测信息的搜索,通过图片、图像、动作特征进行搜索,然后通过显示器进行显示到交通管理的相关部分,然后同时通过外设的警报器进行提醒,告知工作人员需要根据录像信息、照片信息等结合搜索引擎搜索出的内容进行比对,做出辅助判断,避免造成识别遗漏,而无法准确了解十字路口的路况信息,因此可以对十字路口的行人状况进行准确的把握,进而进行准确的判断和正确而合适的管理。
Description
技术领域
本发明涉及行人交通违规识别方法领域,尤其涉及一种行人交通违规识别方法及系统。
背景技术
现有技术中公开了部分有行人交通违规识别方法的专利文件,申请号为201910530505.1的发明专利,公开了一种主动式违章违规识别方法、系统和电子设备,包括获取主动识别电子设备传输的实时监测数据;该设备的安装对象是车辆或行人,当车辆、行人进入交通管制区域,通过主动识别电子设备获得实时监测数据并同步到云端;云端将其作为测试样本输入预先构建的违章违规识别模型;根据模型输出的目标参数判断违章违规行为;针对违章违规行为发出提醒,实现车辆或行人的主动监测与识别。
现有技术中,在交通规定的指定路线上进行监控抓拍的过程中,可以对行人的轨迹、人脸及其和行人并行的交通工具车牌号等进行主动识别,但是遇到无车牌号的自行车和电瓶车、穿奇装异服且无法人脸识别的行人及动物时,无法做出准确判断,导致行人交通指示路线上出现无法判断的情况,造成行人或者动物出现异常行为,脱离行人交通指示线,一方面无法做出准确判断,另一方面不能准确做出判断的情况下,告知附近的交通管理人员进行实地管理。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的一种行人交通违规识别方法及系统。
为达到以上目的,本发明采用的技术方案为:一种行人交通违规识别方法,该行人交通违规识别方法包括以下步骤:
获取主动识别电子设备传输的实时监测数据;
将所述实时监测数据作为测试样本,输入预先构建的违章违规识别模型,根据所述违章违规识别模型输出的目标参数,判断违章违规行为;
判断测试样本是否为正常样本,若测试样本并非符合违章违规识别模型的测试样本,确定为非正常样本,确定为非正常样本,筛选出非正常的样本;若测试样本并符合违章违规识别模型的测试样本,确定为正常样本;
根据非正常样本的监测信息,通过线上搜索的方式进行查找;
显示线上搜索得出的检测对象的信息;
提醒工作人员进行辅助判断。
优选的,所述符合违章违规识别模型的测试样本为身份ID、车牌号、人脸采集的信息。
优选的,所述非正常样本为无车牌号的自行车和电瓶车、穿奇装异服且无法人脸识别的行人及动物。
优选的,还包括行为判断方法,行为判断方法包括
获取监测对象第一时间点在交通指示线附近的第一位置信息及第二时间点在交通指示线附近的第二位置信息;
记录监测对象在第一位置与第二位置之间的移动轨迹;
移动轨迹异常时,提醒附近交通管理人员进行实地勘察,进行辅助管理。
优选的,还包括移动轨迹异常的判断方法,该移动轨迹异常的判断方法包括以下步骤:
比对第一位置与第二位置的移动轨迹与交通线指示的正常移动轨迹;
判断轨迹异常情况,确定移动轨迹为正常移动轨迹还是异常移动轨迹。
优选的,所述正常移动轨迹为第一位置与第二位置的移动轨迹在交通线指示的正常移动轨迹上或者在正常移动轨迹的边沿移动,所述异常移动轨迹为第一位置与第二位置的移动轨迹与交通线指示的正常移动轨迹偏离。
优选的,还包括工作人员辅助判断的方法,该辅助判断方法包括以下步骤:
获取搜索得出的信息;
人为比对搜索得出的信息和监测得出的信息;
通过监测信息进行人员辅助检索;
判断监测对象为人、交通工具还是动物。
优选的,适用于所述行为判断方法的行为判断系统还包括
第二获取单元,用于获取监测对象第一时间点在交通限制线附近的第一位置及第二时间点在交通限制线附近的第二位置;
移动轨迹记录单元,用于记录监测对象在第一位置与第二位置之间的移动轨迹;
第二提醒单元,用于在移动轨迹异常时,提醒附近交通管理人员实地勘察,进行辅助管理。
优选的,适用于所述行为判断方法的行为判断系统还包括
第一信息比对单元,用于比对第一位置与第二位置的移动轨迹与交通线指示的正常移动轨迹;
第二判断单元,用于判断轨迹异常情况。
优选的,适用于所述工作人员辅助判断方法的工作人员辅助判断系统包括
第三信息获取单元,用于获取根据将非正常样本的监测信息通过线上搜索得出新的信息。
第三信息获取单元,用于根据非正常样本的监测信息,通过线上搜索得出的信息进行获取。
一种行人交通违规识别系统,该行人交通违规识别系统包括以下模块:
第一获取单元,用于获取主动识别电子设备传输的实时监测数据;
识别单元,用于将监测数据作为测试样本输入预先构建的违章违规识别模型内进行识别测试;
第一判断单元,判断测试样本是否为正常样本;
搜索单元,用于将非正常样本的监测信息输入到线上搜索平台中进行搜索相关解释信息;
显示单元,用于通过搜索平台搜索得出的相关解释信息进行显示;
第一提醒单元,提醒工作人员观察搜索得出的显示信息与对监控数据判断得出的非正常样本进行综合分析,实现辅助判断。
与现有技术相比,本发明具有以下有益效果:
一、主动识别电子设备通过摄像机可以将十字路口的人行道等交通指示线线条进行采集,还有对人行道等其他指示线内的行人、交通工具、小动物均进行采集,可以被拍摄到的行人体态、服装、交通工具的车牌号、以及行人的脸部均进行拍摄收集,并且连接的人脸识别装置可以对人脸进行识别,并且在能被识别的监测信息,会被作为样本,通过违章违规识别模型进行识别,并做出违规判断;无法被识别的监测信息将会被远程计算机进行调取,然后通过搜索引擎进行检测信息的搜索,通过图片、图像、动作特征、文字介绍信息进行搜索,然后通过显示器进行显示到交通管理的相关部分,然后同时通过外设的警报器进行提醒,告知工作人员需要根据录像信息、照片信息等结合搜索引擎搜索出的内容进行比对,做出辅助判断,避免造成识别遗漏,而无法准确了解十字路口的路况信息,因此可以对十字路口的行人状况进行准确的把握,进而进行准确的判断和正确而合适的管理。
二、交通管理部门的工作人员可以通过主动识别电子设备传输的实时监测数据与搜索得出的信息进行比对,并且在信息不足的情况下,可以进一步进行信息的检索,然后通过监测的数据与搜索得出的信息再次进行比对,交通人员可以比对的结果进行判断,做出合理的管理行动,例如:当比对出,为穿着动物形态或者其他装饰的小朋友,或者为误入十字路口的小动物,在十字路口中没有方向的移动,可以立即通知附近的交警,快速到达目的地,进行实地管理,避免造成严重的交通事故。
附图说明
图1为本发明的识别方法流程图;
图2为本发明中行人交通违规识别系统的模块图。
图中:1、第一获取单元;2、识别单元;3、第一判断单元;4、搜索单元;5、显示单元;6、第一提醒单元。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。
为了更好地理解本发明中行人交通违规识别方法,首先对本发明实施例涉及的名词进行解释。
违章违规识别模型
该违章违规识别模型是结合BP神经网络技术,根据实时监测数据预先构建的。其步骤包括:
a,根据交通违章行为规范,对交通管制区域的车辆、行人状态数据进行划分,获取分析数据库;
b,对分析数据库与实时监测数据中的输入参量进行归一化处理,构建训练样
c,定义违章违规行为的目标参量,并对其进行归一化处理;
d,以输入参量为违章违规行为的判断输入参数,以目标参量为目标,建立违章违规识别模型,并利用训练样本对违章违规识别模型进行训练,获取判断违章违规行为的违章违规识别模型。
BP神经网络是指基于误差反向传播算法的多层前向神经网络,采用有导师的训练方式进行样本训练。BP神经网络能够以任意精度逼近任何非线性映射,实现对复杂系统建模;可以学习和自适应未知信息,如果系统发生了变化可以通过修改网络的联接值而改变预测效果;分布式信息存储与处理结构,具有一定的容错性,因此构造出来的系统具有较好的鲁棒性;多输入、多输出的模型结构,适合处理复杂问题。
步骤S3中,采用结合BP神经网络建立的违章违规识别模型输出的目标参数,可自动、有效地判断违章违规行为。
除了步骤S4中记载的针对违章违规行为发出提醒或者及时发出警示外,还包括当企业和交管部门需要实时监控数据及相应的违章违规行为数据时,可根据其权限从云端调取,对违规违章者进行惩罚;有利于企业内部管理,从而在一定程度上杜绝违章行为。
人脸识别
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部识别的一系列相关技术,通常也叫做人像识别、面部识别。
人脸识别系统主要包括四个组成部分,分别为:人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。
人脸图像采集及检测
人脸图像采集:不同的人脸图像都能通过摄像镜头采集下来,比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时,采集设备会自动搜索并拍摄用户的人脸图像。
人脸检测:人脸检测在实际中主要用于人脸识别的预处理,即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富,如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来,并利用这些特征实现人脸检测。
主流的人脸检测方法基于以上特征采用Adaboost学习算法,Adaboost算法是一种用来分类的方法,它把一些比较弱的分类方法合在一起,组合出新的很强的分类方法。
人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器),按照加权投票的方式将弱分类器构造为一个强分类器,再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器,有效地提高分类器的检测速度。
人脸图像预处理
人脸图像预处理:对于人脸的图像预处理是基于人脸检测结果,对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰,往往不能直接使用,必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言,其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。
人脸图像特征提取
人脸图像特征提取:人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取,也称人脸表征,它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类:一种是基于知识的表征方法;另外一种是基于代数特征或统计学习的表征方法。
基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据,其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成,对这些局部和它们之间结构关系的几何描述,可作为识别人脸的重要特征,这些特征被称为几何特征。基于知识的人脸表征主要包括基于几何特征的方法和模板匹配法。
人脸图像匹配与识别
人脸图像匹配与识别:提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配,通过设定一个阈值,当相似度超过这一阈值,则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较,根据相似程度对人脸的身份信息进行判断。这一过程又分为两类:一类是确认,是一对一进行图像比较的过程,另一类是辨认,是一对多进行图像匹配对比的过程。
其次,对本发明的应用的场景进行以下介绍。
本发明实施例应用于十字路口的红路灯路口的人行道、交通指示路线上。
出现行人脸部被遮挡、没有进行人脸记录的人群以及异常穿入的动物和无车牌号交通工具,造成无法准确识别的应用场景下,进行适应性改进识别方法。
最后对本发明实施例的系统架构进行介绍。
主动识别电子设备
所提出的主动识别电子设备具体包括:设置于主动识别电子设备壳体表面的设备唯一ID标识和外接设备,以及设置于壳体内部的注册模块、输入模块、通信模块、转换模块和识别模块;
其中,外接设备上方设有摄像头;摄像头,用于实时采集主动识别电子设备持有者的监控视频;摄像头包括感应单元,用于当感知车辆、行人进入交通管制区域时,开启摄像头进入监控模式进行视频采集。摄像头包括PLC适配器、红外摄像头、CCD/COMS摄像头等。
其中,外接设备上方设有人脸识别装置,通过远距离主动人脸识别,可以使用智能抓拍半球型网络摄像机进行实现;
具体的功能如下:
·智能模式:支持混合目标检测(默认)、人脸抓拍模式切换;
·用深度学习算法,以海量图片及视频资源为路基,通过机器自身提取目标特征,形成深层可供学习的人脸图像。极大的提升了目标人脸的检出率;
·抓拍人脸:支持对运动人脸进行抓拍;
·人脸抓拍(正脸抓拍):支持对运动人脸进行检测、跟踪、抓拍、评分、筛选,输出最优的人脸抓图。
其中外接的设备上还具有远程计算机,计算机通过网络可以将监测到的非正常样本输入至搜索引擎中进行搜索,获得相关的信息,并且通过显示屏进行显示出来。
如图1至图2所示具体的一种行人交通违规识别方法,如下:
该行人交通违规识别方法括以下步骤:
获取主动识别电子设备传输的实时监测数据;
将所述实时监测数据作为测试样本,输入预先构建的违章违规识别模型,根据所述违章违规识别模型输出的目标参数,判断违章违规行为;
判断测试样本是否为正常样本,若测试样本并非符合违章违规识别模型的测试样本,确定为非正常样本,确定为非正常样本,筛选出非正常的样本;若测试样本并符合违章违规识别模型的测试样本,确定为正常样本;
根据非正常样本的监测信息,通过线上搜索的方式进行查找;
显示线上搜索得出的检测对象的信息;
提醒工作人员进行辅助判断。
符合违章违规识别模型的测试样本为身份ID、车牌号、人脸采集的信息。
非正常样本为无车牌号的自行车和电瓶车、穿奇装异服且无法人脸识别的行人及动物。
主动识别电子设备通过摄像机可以将十字路口的人行道等交通指示线线条进行采集,还有对人行道等其他指示线内的行人、交通工具、小动物均进行采集,可以被拍摄到的行人体态、服装、交通工具的车牌号、以及行人的脸部均进行拍摄收集,并且连接的人脸识别装置可以对人脸进行识别,并且在能被识别的监测信息,会被作为样本,通过违章违规识别模型进行识别,并做出违规判断;无法被识别的监测信息将会被远程计算机进行调取,然后通过搜索引擎进行检测信息的搜索,通过图片、图像、动作特征进行搜索,然后通过显示器进行显示到交通管理的相关部分,然后同时通过外设的警报器进行提醒,告知工作人员需要根据录像信息、照片信息等结合搜索引擎搜索出的内容进行比对,做出辅助判断,避免造成识别遗漏,而无法准确了解十字路口的路况信息,因此可以对十字路口的行人状况进行准确的把握,进而进行准确的判断和正确而合适的管理。
作为进一步的实施方式,还包括行为判断方法,行为判断方法包括
获取监测对象第一时间点在交通指示线附近的第一位置信息及第二时间点在交通指示线附近的第二位置信息;
记录监测对象在第一位置与第二位置之间的移动轨迹;
移动轨迹异常时,提醒附近交通管理人员进行实地勘察,进行辅助管理。
还包括移动轨迹异常的判断方法,该移动轨迹异常的判断方法包括以下步骤:
比对第一位置与第二位置的移动轨迹与交通线指示的正常移动轨迹;
判断轨迹异常情况,确定移动轨迹为正常移动轨迹还是异常移动轨迹。
正常移动轨迹为第一位置与第二位置的移动轨迹在交通线指示的正常移动轨迹上或者在正常移动轨迹的边沿移动,异常移动轨迹为第一位置与第二位置的移动轨迹与交通线指示的正常移动轨迹偏离。
监测对象为摄像机拍摄的人、交通工具、小动物等;
根据监测的对象在十字路口的交通指示线的移动,可以记录不同时间段的位置信息,通过第一时间点的第一位置信息到第二时间点的第二位置信息,可以准确判断出监测对象的移动轨迹,然后在结合交通指示线的轨道移动轨迹,可以判断,监测对象的移动轨迹与交通线指示的正常移动轨迹边沿,为正常移动;当第一位置与第二位置的移动轨迹与交通线指示的正常移动轨迹偏离,为移动轨迹异常,因此可以根据监测对象的异常移动轨迹的判断,及时提醒交通管理部门进行重视,可以通过警报或者信息推送等方式告知交通管理工作人员,然后通知距离十字路口最近的交通管理人员进行实地观察和管理,避免无法进行正确交通指示线的小朋友和精神失常人员、失控的交通工具以及没有判断交通指示线能力的小动物误入交通指示线外部,并且严重偏离而造成严重的交通事故。
作为进一步的实施方式,还包括工作人员辅助判断的方法,该辅助判断方法包括以下步骤:
获取搜索得出的信息;
人为比对搜索得出的信息和监测得出的信息;
通过监测信息进行人员辅助检索;
判断监测对象为人、交通工具还是动物。
交通管理部门的工作人员可以通过主动识别电子设备传输的实时监测数据与搜索得出的信息进行比对,并且在信息不足的情况下,可以进一步进行信息的检索,然后通过监测的数据与搜索得出的信息再次进行比对,交通人员可以比对的结果进行判断,做出合理的管理行动,例如:当比对出,为穿着动物形态或者其他装饰的小朋友,或者为误入十字路口的小动物,在十字路口中没有方向的移动,可以立即通知附近的交警,快速到达目的地,进行实地管理,避免造成严重的交通事故。
适用于行为判断方法的行为判断系统还包括
第二获取单元,用于获取监测对象第一时间点在交通限制线附近的第一位置及第二时间点在交通限制线附近的第二位置;
移动轨迹记录单元,用于记录监测对象在第一位置与第二位置之间的移动轨迹;
第二提醒单元,用于在移动轨迹异常时,提醒附近交通管理人员实地勘察,进行辅助管理。
适用于行为判断方法的行为判断系统还包括
第一信息比对单元,用于比对第一位置与第二位置的移动轨迹与交通线指示的正常移动轨迹;
第二判断单元,用于判断轨迹异常情况。
适用于所述工作人员辅助判断方法的工作人员辅助判断系统包括
第三信息获取单元,用于获取根据将非正常样本的监测信息通过线上搜索得出新的信息。
一种行人交通违规识别系统,适用于权利要求1~10的一种行人交通违规识别方法,该行人交通违规识别系统包括以下模块:
第一获取单元1,用于获取主动识别电子设备传输的实时监测数据;
识别单元2,用于将监测数据作为测试样本输入预先构建的违章违规识别模型内进行识别测试;
第一判断单元3,判断测试样本是否为正常样本;
搜索单元4,用于将非正常样本的监测信息输入到线上搜索平台中进行搜索相关解释信息;
显示单元5,用于通过搜索平台搜索得出的相关解释信息进行显示;
第一提醒单元6,提醒工作人员观察搜索得出的显示信息与对监控数据判断得出的非正常样本进行综合分析,实现辅助判断。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内,本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (11)
1.一种行人交通违规识别方法,其特征在于,该行人交通违规识别方法包括以下步骤:
获取主动识别电子设备传输的实时监测数据;
将所述实时监测数据作为测试样本,输入预先构建的违章违规识别模型,根据所述违章违规识别模型输出的目标参数,判断违章违规行为;
判断测试样本是否为正常样本,若测试样本并非符合违章违规识别模型的测试样本,确定为非正常样本,确定为非正常样本,筛选出非正常的样本;若测试样本并符合违章违规识别模型的测试样本,确定为正常样本;
根据非正常样本的监测信息,通过线上搜索的方式进行查找;
显示线上搜索得出的检测对象的信息;
提醒工作人员进行辅助判断。
2.根据权利要求1所述的一种行人交通违规识别方法,其特征在于,所述符合违章违规识别模型的测试样本为身份ID、车牌号、人脸采集的信息。
3.根据权利要求1所述的一种行人交通违规识别方法,其特征在于,所述非正常样本为无车牌号的自行车和电瓶车、穿奇装异服且无法人脸识别的行人及动物。
4.根据权利要求1所述的一种行人交通违规识别方法,其特征在于,还包括行为判断方法,行为判断方法包括
获取监测对象第一时间点在交通指示线附近的第一位置信息及第二时间点在交通指示线附近的第二位置信息;
记录监测对象在第一位置与第二位置之间的移动轨迹;
移动轨迹异常时,提醒附近交通管理人员进行实地勘察,进行辅助管理。
5.根据权利要求4所述的一种行人交通违规识别方法,其特征在于,还包括移动轨迹异常的判断方法,该移动轨迹异常的判断方法包括以下步骤:
比对第一位置与第二位置的移动轨迹与交通线指示的正常移动轨迹;
判断轨迹异常情况,确定移动轨迹为正常移动轨迹还是异常移动轨迹。
6.根据权利要求5所述的一种行人交通违规识别方法,其特征在于,所述正常移动轨迹为第一位置与第二位置的移动轨迹在交通线指示的正常移动轨迹上或者在正常移动轨迹的边沿移动,所述异常移动轨迹为第一位置与第二位置的移动轨迹与交通线指示的正常移动轨迹偏离。
7.根据权利要求1所述的一种行人交通违规识别方法,其特征在于,还包括工作人员辅助判断的方法,该辅助判断方法包括以下步骤:
获取搜索得出的信息;
人为比对搜索得出的信息和监测得出的信息;
通过监测信息进行人员辅助检索;
判断监测对象为人、交通工具还是动物。
8.根据权利要求4所述的一种行人交通违规识别方法,其特征在于,适用于所述行为判断方法的行为判断系统还包括
第二获取单元,用于获取监测对象第一时间点在交通限制线附近的第一位置及第二时间点在交通限制线附近的第二位置;
移动轨迹记录单元,用于记录监测对象在第一位置与第二位置之间的移动轨迹;
第二提醒单元,用于在移动轨迹异常时,提醒附近交通管理人员实地勘察,进行辅助管理。
9.根据权利要求5所述的一种行人交通违规识别方法,其特征在于,适用于所述行为判断方法的行为判断系统还包括
第一信息比对单元,用于比对第一位置与第二位置的移动轨迹与交通线指示的正常移动轨迹;
第二判断单元,用于判断轨迹异常情况。
10.根据权利要求7所述的一种行人交通违规识别方法,其特征在于,适用于所述工作人员辅助判断方法的工作人员辅助判断系统包括
第三信息获取单元,用于获取根据将非正常样本的监测信息通过线上搜索得出新的信息。
11.一种行人交通违规识别系统,适用于权利要求1~10所述的一种行人交通违规识别方法,其特征在于,该行人交通违规识别系统包括以下模块:
第一获取单元,用于获取主动识别电子设备传输的实时监测数据;
识别单元,用于将监测数据作为测试样本输入预先构建的违章违规识别模型内进行识别测试;
第一判断单元,判断测试样本是否为正常样本;
搜索单元,用于将非正常样本的监测信息输入到线上搜索平台中进行搜索相关解释信息;
显示单元,用于通过搜索平台搜索得出的相关解释信息进行显示;
第一提醒单元,提醒工作人员观察搜索得出的显示信息与对监控数据判断得出的非正常样本进行综合分析,实现辅助判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210695715.8A CN115100871A (zh) | 2022-06-20 | 2022-06-20 | 一种行人交通违规识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210695715.8A CN115100871A (zh) | 2022-06-20 | 2022-06-20 | 一种行人交通违规识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115100871A true CN115100871A (zh) | 2022-09-23 |
Family
ID=83290180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210695715.8A Pending CN115100871A (zh) | 2022-06-20 | 2022-06-20 | 一种行人交通违规识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100871A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798878A (zh) * | 2017-11-29 | 2018-03-13 | 合肥寰景信息技术有限公司 | 基于面部识别的交通安全提醒系统 |
CN109508659A (zh) * | 2018-10-31 | 2019-03-22 | 绍兴文理学院 | 一种用于人行横道的人脸识别系统及方法 |
CN110189524A (zh) * | 2019-06-19 | 2019-08-30 | 刘先进 | 一种主动式违章违规识别方法、系统和电子设备 |
CN110717433A (zh) * | 2019-09-30 | 2020-01-21 | 华中科技大学 | 一种基于深度学习的交通违规分析方法及装置 |
CN112017445A (zh) * | 2020-09-04 | 2020-12-01 | 卞建鹏 | 一种行人违规行为预测和运动轨迹跟踪系统和方法 |
WO2021047306A1 (zh) * | 2019-09-10 | 2021-03-18 | 中兴通讯股份有限公司 | 一种异常行为判定方法、装置、终端及可读存储介质 |
CN112528759A (zh) * | 2020-11-24 | 2021-03-19 | 河海大学 | 一种基于计算机视觉的交通违章行为检测方法 |
CN114240868A (zh) * | 2021-12-09 | 2022-03-25 | 陕西省地方电力(集团)有限公司渭南供电分公司 | 一种基于无人机的巡检分析系统及方法 |
-
2022
- 2022-06-20 CN CN202210695715.8A patent/CN115100871A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798878A (zh) * | 2017-11-29 | 2018-03-13 | 合肥寰景信息技术有限公司 | 基于面部识别的交通安全提醒系统 |
CN109508659A (zh) * | 2018-10-31 | 2019-03-22 | 绍兴文理学院 | 一种用于人行横道的人脸识别系统及方法 |
CN110189524A (zh) * | 2019-06-19 | 2019-08-30 | 刘先进 | 一种主动式违章违规识别方法、系统和电子设备 |
WO2021047306A1 (zh) * | 2019-09-10 | 2021-03-18 | 中兴通讯股份有限公司 | 一种异常行为判定方法、装置、终端及可读存储介质 |
CN110717433A (zh) * | 2019-09-30 | 2020-01-21 | 华中科技大学 | 一种基于深度学习的交通违规分析方法及装置 |
CN112017445A (zh) * | 2020-09-04 | 2020-12-01 | 卞建鹏 | 一种行人违规行为预测和运动轨迹跟踪系统和方法 |
CN112528759A (zh) * | 2020-11-24 | 2021-03-19 | 河海大学 | 一种基于计算机视觉的交通违章行为检测方法 |
CN114240868A (zh) * | 2021-12-09 | 2022-03-25 | 陕西省地方电力(集团)有限公司渭南供电分公司 | 一种基于无人机的巡检分析系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
CN109934176B (zh) | 行人识别系统、识别方法及计算机可读存储介质 | |
CN110738127B (zh) | 基于无监督深度学习神经网络算法的安全帽识别方法 | |
CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
CN102163290B (zh) | 基于时空关联信息的多视角视频监控中异常事件建模方法 | |
CN109819208A (zh) | 一种基于人工智能动态监控的密集人群安防监控管理方法 | |
CN109190475B (zh) | 一种人脸识别网络与行人再识别网络协同训练方法 | |
CN109829382B (zh) | 基于行为特征智能分析的异常目标预警追踪系统及方法 | |
CN113947731B (zh) | 一种基于接触网安全巡检的异物识别方法及系统 | |
CN110728252B (zh) | 一种应用于区域人员运动轨迹监控的人脸检测方法 | |
CN109033175A (zh) | 一种以图搜车的方法及系统 | |
WO2023109099A1 (zh) | 基于非侵入式检测的充电负荷概率预测系统及方法 | |
CN113963399A (zh) | 基于多算法融合应用的人员轨迹检索方法及装置 | |
CN114662208A (zh) | 一种基于Bim技术的施工可视化系统及方法 | |
CN106384089A (zh) | 基于终生学习的人体可靠检测方法 | |
CN113807240A (zh) | 基于非配合式人脸识别的变电站人员着装智能监控方法 | |
CN111950499A (zh) | 一种检测车载人员统计信息的方法 | |
CN115841651B (zh) | 基于计算机视觉与深度学习的施工人员智能监测系统 | |
CN111539257A (zh) | 人员重识别方法、装置和存储介质 | |
CN116110127A (zh) | 一种多联动的加油站套现行为识别系统 | |
CN115100871A (zh) | 一种行人交通违规识别方法及系统 | |
Peng et al. | Helmet wearing recognition of construction workers using convolutional neural network | |
CN115439933A (zh) | 一种基于多重模型识别策略的垃圾分类投放站点检测方法 | |
CN115169673A (zh) | 一种智慧校园疫情风险监测与预警系统及方法 | |
CN105206060A (zh) | 一种基于sift特征的车型识别装置及其方法 |
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 |