CN116343493A - 非机动车的违章识别方法、装置、电子设备及存储介质 - Google Patents
非机动车的违章识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116343493A CN116343493A CN202310308889.9A CN202310308889A CN116343493A CN 116343493 A CN116343493 A CN 116343493A CN 202310308889 A CN202310308889 A CN 202310308889A CN 116343493 A CN116343493 A CN 116343493A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- motor vehicle
- image
- monitoring
- violation
- 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 70
- 238000012544 monitoring process Methods 0.000 claims abstract description 176
- 238000012545 processing Methods 0.000 claims description 36
- 238000004891 communication Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000033228 biological regulation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 18
- 230000006399 behavior Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000009499 grossing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
- G08G1/054—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed photographing overspeeding vehicles
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种非机动车的违章识别方法、装置、电子设备及存储介质,本发明充分利用了相机机器学习的特点来实现非机动车的速度识别,如此,无需使用雷达进行测速,从而降低了违章识别的成本;同时,可以对拍摄的每个非机动车进行超速识别,其准确性更高;另外,在进行违章识别时,能够接收非机动车传输的车辆信息,并基于图像识别出的车辆信息和非机动车传输的车辆信息,来得出非机动车的实际车辆信息,且可将该实际车辆信息叠加至监控图像中,从而形成违章抓拍图像,如此,本发明可形成完整的证据链,保证了违章行为的处罚具有充足的证据,使得违章处理具备说服力。
Description
技术领域
本发明属于交通领域的AI违章识别技术领域,具体涉及一种非机动车的违章识别方法、装置、电子设备及存储介质。
背景技术
随着电动车保有量的不断增加,电动车的违章问题也越来越多,大量的违章行为导致电动车出行存在较多的交通隐患,尤其是快递,外卖等驾驶人员为了快速送达货物,经常会超速行驶,对周围行人和车辆造成了严重的安全隐患;目前,市场上对电动车的超速违章抓拍还未形成比较成熟的技术,大多数产品是通过相机结合雷达点云技术对非机动车超速进行判断,并进行抓拍,这种方法成本高,形成的超速证据链不完整,不具有说服力;因此,如何提供一种成本低以及可形成超速证据链的非机动车的违章识别方法,已成为一个亟待解决的问题。
发明内容
本发明的目的是提供一种非机动车的违章识别方法、装置、电子设备及存储介质,用以解决现有技术中所存在的成本高以及无法形成超速完整证据链的问题。
为了实现上述目的,本发明采用以下技术方案:
第一方面,提供了一种非机动车的违章识别方法,包括:
获取目标路口的若干第一监控图像,并对所述若干第一监控图像进行图像识别,得到所述若干第一监控图像中各个非机动车的车辆识别信息以及行驶速度;
接收各个非机动车的车辆信息,其中,任一非机动车的车辆信息是在该任一非机动车进入到所述监控终端的通信识别范围内时,由该任一非机动车上传至所述监控终端的;
判断是否存在有行驶速度大于限定速度的非机动车;
若是,则基于第一目标车辆的车辆识别信息和车辆信息,确定出所述第一目标车辆的实际车辆信息,其中,所述第一目标车辆为行驶速度大于限定速度的非机动车;
基于所述第一目标车辆的实际车辆信息,对任一第一监控图像进行图像处理,得到所述第一目标车辆的违章抓拍图像,其中,所述任一第一目标车辆的违章抓拍图像记载有该任一第一目标车辆的违章信息和实际车辆信息;
将所述第一目标车辆的违章抓拍图像发送至服务器,以使所述服务器在接收到所述第一目标车辆的违章抓拍图像后,存储所述第一目标车辆的违章抓拍图像。
基于上述公开的内容,本发明首先采集目标路口的若干监控图像,然后对若干监控图像进行图像识别,识别出图像中各个非机动车的车辆识别信息和行驶速度;同时,在本发明中,任一非机动车进入至监控终端的通信识别范围内时,会自动上传其存储的车辆信息,如此,即可得到各个非机动车的车辆信息;接着,本发明根据各个非机动车的行驶速度与限定速度之间的大小关系,来判断出各个非机动车是否超速,并基于超速的非机动车的车辆信息和车辆识别信息,来确定出超速非机动车的实际车辆信息;而后,将实际车辆信息叠加至任一监控图像中,则可得到超速非机动车的违章抓拍图像;最后,将超速非机动车的违章抓拍图像发送至服务器进行留存,即可完成对各个非机动车的违章识别。
通过上述设计,本发明充分利用了相机机器学习的特点来实现非机动车的速度识别,如此,无需使用雷达进行测速,从而降低了违章识别的成本;同时,可以对拍摄的每个非机动车进行超速识别,其准确性更高;另外,在进行违章识别时,能够接收非机动车传输的车辆信息,并基于图像识别出的车辆信息和非机动车传输的车辆信息,来得出非机动车的实际车辆信息,且可将该实际车辆信息叠加至监控图像中,从而形成违章抓拍图像,如此,本发明可形成完整的证据链,保证了违章行为的处罚具有充足的证据,使得违章处理具备说服力。
在一个可能的设计中,对所述若干第一监控图像进行图像识别,得到所述若干第一监控图像中各个非机动车的行驶速度,包括:
对若干第一监控图像进行图像识别,得出每张第一监控图像中各个非机动车的像素位置;
对于任一非机动车,从所述任一非机动车在各张第一监控图像中的像素位置中,筛选出若干标定像素位置,其中,每个标定像素位置分别对应任一第一监控图像中的一车速标定位置;
获取像素长度比例以及所述任一非机动车在各个标定像素位置处的通行时间,其中,所述像素长度比例用于表征单位像素距离与实际长度之间的比例关系;
基于所述像素长度比例以及所述任一非机动车在各个标定像素位置处的通行时间,计算出任一非机动车在每相邻两标定像素位置之间的车速;
筛选出任一非机动车在每相邻两标定像素位置之间的车速中的最大车速,并将所述最大车速作为所述任一非机动车的行驶速度。
在一个可能的设计中,在基于所述像素长度比例以及所述任一非机动车在各个标定像素位置处的通行时间,计算出任一非机动车在每相邻两标定像素位置之间的车速前,所述方法还包括:
获取每个非机动车在各个标定像素位置处的通行时间,并基于每个非机动车在各个标定像素位置处的通行时间,确定出各个非机动车的通行时长;
筛选出各个非机动车的通行时长中的最小时长,以将最小时长作为标定时长;
基于所述像素长度比例和各个标定像素位置,确定出车辆通行距离;
根据所述标定时长和所述车辆通行距离,得到最大通行车速;
判断所述最大通行车速是否小于或等于所述限定速度;
若是,则判定各个非机动车均未超速,否则,则基于所述像素长度比例以及所述任一非机动车在各个标定像素位置处的通行时间,计算出任一非机动车在每相邻两标定像素位置之间的车速。
基于上述公开的内容,本发明先筛选出各个非机动车通过监控终端所对应监控范围的最小时长,并基于最小时长和车辆通行距离,确定出最大通行车速,即通过时间最短的,必然是速度最快的,如此,在计算每个非机动车的行驶速度前,先判断最大通行车速是否小于或等于限定速度,若小于或等于,则代表其余非机动车必然是不存在超速行为的;只有在最大通行速度大于限定速度时,才进行其余非机动车的行驶速度的计算;由此通过前述设计,本发明采用对比车速的方法来判别超速行为,可降低大量非机动车同时通过目标路口所造成的计算量过大的问题。
在一个可能的设计中,当所述监控终端具有多个时,所述方法还包括:
对若干第一监控图像进行图像识别,得到各个非机动车在目标路口处的第一通行时刻;
将各个非机动车的第一通行时刻和任一第一监控图像传输至下一目标路口处的监控终端,以使下一目标路口处的监控终端在基于下一目标路口的第二监控图像识别出各个非机动车的第二通行时刻后,根据各个非机动车的第一通行时刻和第二通行时刻,确定出各个非机动车的区间速度,并将第二目标车辆的任一第一监控图像、任一第二监控图像和实际车辆信息进行信息合并,得到第二目标车辆的区间违章抓拍图像,以便将所述第二目标车辆的区间违章抓拍图像发送至所述服务器,其中,任一非机动车的区间速度为该任一非机动车处于目标路口与下一目标路口之间的行驶速度,且所述第二目标车辆为区间速度大于限定速度的非机动车。
基于上述公开的内容,本发明在监控终端具有多个时,使用多个监控终端组成一个节点网络,从而通过节点监控终端之间的相互通信,计算出非机动车在两节点监控终端对应路程中的区间速度,如此,可实现非机动车处于非路口时的超速识别,从而提高了对非机动车违章识别的覆盖性,同时,将两个路口的监控图像与实际车辆信息进行合并,也可形成完整的证据链,保证了执法处理的说服力。
在一个可能的设计中,在对所述若干第一监控图像进行图像识别前,所述方法还包括:
对每张第一监控图像依次进行线性滤波处理、非线性滤波处理以及灰度变换处理,以在处理完成后,得到若干图像增加监控图像;
相应的,对所述若干第一监控图像进行图像识别,则包括:
对若干图像增强监控图像进行图像识别,得到若干图像增强监控图像中各个非机动车的车辆识别信息以及行驶速度。
基于上述公开的内容,在实际应用中,相机生成图像过程中由于各种噪声或者通道带宽等原因,会导致图像的清晰度下降,对比度降低等问题,因此,本发明将监控图像依次经过线性平滑滤波处理、非线性平滑滤波处理以及灰度变换调整,如此,可提高图像的对比度和亮度,且处理后的图像灰度分布均衡,图像清晰度更高,由此,可提高特征分析提取的准确度,进而提高图像识别的准确性。
在一个可能的设计中,任一非机动车的车辆信息存储在该任一非机动车上的RFID电子标签内,其中,该任一非机动车进入到所述监控终端的通信识别范围内时,由该任一非机动车采用sm2加密算法或sm3加密算法对车辆信息进行加密处理,且通过所述RFID电子标签将加密后的车辆信息上传至所述监控终端。
在一个可能的设计中,任一目标车辆的实际车辆信息包括该任一目标车辆的车主信息;
相应的,将所述目标车辆的违章抓拍图像发送至服务器,则包括:
对于任一目标车辆,将所述任一目标车辆的违章抓拍图像发送至服务器,以使所述服务器在接收到所述任一目标车辆的违章抓拍图像后,存储所述任一目标车辆的违章抓拍图像,并将所述任一目标车辆的违章抓拍图像发送至交通违章监管平台,以便交通违章监管平台在接收到所述任一目标车辆的违章抓拍图像后,基于所述任一目标车辆的违章抓拍图像中的车主信息,确定出车主终端,以及根据所述任一目标车辆的违章抓拍图像,生成违章通知,并将所述违章通知发送至所述任一目标车辆的车主终端。
基于上述公开的内容,本发明还可根据实际车辆信息中的车主信息,来确定出非机动车的车主终端,同时,在识别出非机动车超速后,可基于该非机动车的违章抓拍图像来生成违章通知,并发送至车主终端上;由此通过上述设计,可在非机动车违章时,通过实时发送警告和提示,来增强车主在骑行过程中的安全意识,从而进一步的降低超速违章行为。
第二方面,提供了一种非机动车的违章识别装置,应用于安装于目标路口的监控终端,包括:
图像处理单元,用于获取目标路口的若干第一监控图像,并对所述若干第一监控图像进行图像识别,得到所述若干第一监控图像中各个非机动车的车辆识别信息以及行驶速度;
车辆信息接收单元,用于接收各个非机动车的车辆信息,其中,任一非机动车的车辆信息是在该任一非机动车进入到所述监控终端的通信识别范围内时,由该任一非机动车上传至所述监控终端的;
违章识别单元,用于判断是否存在有行驶速度大于限定速度的非机动车;
违章识别单元,用于在判断出存在有行驶速度大于限定速度的非机动车时,基于第一目标车辆的车辆识别信息和车辆信息,确定出所述第一目标车辆的实际车辆信息,其中,所述第一目标车辆为行驶速度大于限定速度的非机动车;
违章图像生成单元,用于基于所述第一目标车辆的实际车辆信息,对任一第一监控图像进行图像处理,得到所述第一目标车辆的违章抓拍图像,其中,所述任一第一目标车辆的违章抓拍图像记载有该任一第一目标车辆的违章信息和实际车辆信息;
发送单元,用于将所述第一目标车辆的违章抓拍图像发送至服务器,以使所述服务器在接收到所述第一目标车辆的违章抓拍图像后,存储所述第一目标车辆的违章抓拍图像。
第三方面,提供了另一种非机动车的违章识别装置,以装置为电子设备为例,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方面中任意一种可能设计的所述非机动车的违章识别方法。
第四方面,提供了一种存储介质,存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面或第一方面中任意一种可能设计的所述非机动车的违章识别方法。
第五方面,提供了一种包含指令的计算机程序产品,当指令在计算机上运行时,使计算机执行如第一方面或第一方面中任意一种可能设计的所述非机动车的违章识别方法。
有益效果:
(1)本发明充分利用了相机机器学习的特点来实现非机动车的速度识别,如此,无需使用雷达进行测速,从而降低了违章识别的成本;同时,可以对拍摄的每个非机动车进行超速识别,其准确性更高;另外,在进行违章识别时,能够接收非机动车传输的车辆信息,并基于图像识别出的车辆信息和非机动车传输的车辆信息,来得出非机动车的实际车辆信息,且可将该实际车辆信息叠加至监控图像中,从而形成违章抓拍图像,如此,本发明可形成完整的证据链,保证了违章行为的处罚具有充足的证据,使得违章处理具备说服力。
(2)本发明采用对比车速的方法来判别超速行为,可降低大量非机动车同时通行目标路口所造成的计算量过大的问题。
(3)本发明在监控终端具有多个时,使用多个监控终端组成一个节点网络,从而通过节点监控终端之间的相互通信,计算出非机动车在两节点监控终端对应路程中的区间速度,如此,可实现非机动车处于非路口时的超速识别,从而提高了对非机动车违章识别的覆盖性,同时,将两个路口的监控图像与实际车辆信息进行合并,也可形成完整的证据链,保证执法的说服力。
(4)本发明通过对监控图像进行图像增强,可提高图像的对比度和亮度,且处理后的图像灰度分布均衡,图像清晰度更高,由此,可提高特征分析提取的准确度,进而提高图像识别的准确性。
(5)本发明可在非机动车违章时,向非机动车的车主发送违章通知,如此,可通过实时发送警告和提示,来增强车主在骑行过程中的安全意识,从而进一步的降低超速违章行为。
附图说明
图1为本发明实施例提供的非机动车的违章识别系统的架构示意图;
图2为本发明实施例提供的非机动车的违章识别方法的步骤流程示意图;
图3为本发明实施例提供的非机动车的违章识别装置的结构示意图;
图4为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍,显而易见地,下面关于附图结构的描述仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
应当理解,尽管本文可能使用术语第一、第二等等来描述各种单元,但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其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,单独存在B,同时存在A和B三种情况;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
实施例:
参见图1所示,为本申请提供一种非机动车的违章识别系统,该系统可以但不限于包括监控终端和服务器,其中,监控终端可以但不限于采用射视频一体机,该射视频一体机包括有相机、射频单元以及主控单元;在具体实施时,相机负责采集目标路口的监控图像,并对监控图像进行图像识别,得到监控图像中各个非机动车的车辆识别信息(如车牌号)以及行驶速度;同时,还会将前述识别出的数据传输至主控单元,以便进行后续的违章识别处理;在本实施例中,射频单元主要负责读取车牌上RFID电子标签内的车辆信息(如车牌号、车主信息等等);具体的,在车辆经过射频有效范围时,电子标签内的射频芯片会被激活从而与射频单元进行交互,将标签内部的车辆信息进行加解密后传输至主控单元;而主控单元则接收射频信息(即前述车辆信息)和相机所识别出的信息,并通过对射频信息和识别信息进行匹配来确定出完整的车辆信息;更进一步的,在车辆超速时,主控单元会将完整的车辆信息叠加在监控图像上,从而形成违章抓拍图像(如图像中记载有抓拍路口名称,车牌号,违章类型等详细信息),最后,主控单元对数据进行存储并转发,将其通过网络发送到服务器,由服务器进行数据的存储,以及通过web服务提供一系列的超速查询服务。
参见图2所示,本实施例所提供的非机动车的违章识别方法,利用相机机器学习的特点来实现非机动车的速度识别,同时,在进行违章识别时,能够接收非机动车传输的车辆信息,并基于图像识别出的车辆信息和非机动车传输的车辆信息,来得出非机动车的实际车辆信息,且可将该实际车辆信息叠加至监控图像中,从而形成违章抓拍图像,如此,本发明不仅提高了违章识别的准确度、降低了违章识别成本,且可形成完整的证据链,保证了违章行为的处罚具有充足的证据,适用于在非机动车违章识别领域的大规模应用与推广;在本实施例中,举例该方法可以但不限于在监控终端侧或服务器侧运行(优选为在监控终端侧运行),可以理解的,前述执行主体并不构成对本申请实施例的限定,相应的,本方法的运行步骤可以但不限于如下述步骤S1~S6所示。
S1.获取目标路口的若干第一监控图像,并对所述若干第一监控图像进行图像识别,得到所述若干第一监控图像中各个非机动车的车辆识别信息以及行驶速度;具体应用时,监控终端可以但不限于按照预设频率采集目标路口的图像,得到第一监控图像,同时,也可采集目标路口的视频流,并通过对视频流进行逐帧处理,来得到第一监控图像;当然,具体的采集方式可根据实际使用而具体设定,在此不限定于前述举例;可选的,举例可以但不限于使用训练后的yolov4模型(YOLO模型是由Joseph Redmon等人于2015年提出的神经网络模型结构,yolov4则是第4版本)来进行图像识别;更进一步的,举例任一非机动车的车辆识别信息可以但不限于包括车辆识别车牌;且任一非机动车的行驶速度,可以但不限于先识别出该任一非机动车在各张第一监控图像中的像素位置,然后,根据像素位置来得出该任一非机动车的通行时间,最后,根据通行时间和像素位置之间的像素距离,来计算出该任一非机动车的行驶速度,其中,行驶速度的具体计算过程如下述步骤S11~S15所示。
S11.对若干第一监控图像进行图像识别,得出每张第一监控图像中各个非机动车的像素位置;具体应用时,则是利用前述yolov4模型来先识别出首张第一监控图像中的各个非机动车(即基于识别出的车牌号确定),然后依次进行后续监控图像的识别,并根据识别出的车牌号来进行非机动车的匹配,从而得出各张第一监控图像中,非机动车所处的像素位置;当然,也可采用目标跟踪算法来确定出每个非机动车在各张第一监控图像中的像素位置,如采用Deepsort跟踪算法来实现各个非机动车的位置跟踪;在本实施例中,前述图像识别和目标跟踪为车辆识别技术中的常用技术,其原理不再赘述。
在得到各个非机动车在各张第一监控图像中的像素位置后,即可从各个非机动车的像素位置中,确定出每个非机动车的标定像素位置;当然,由于每个非机动车的行驶速度的计算原理相同,下述以任一非机动车为例,来阐述后续流程,如下述步骤S12~S15所示。
S12.对于任一非机动车,从所述任一非机动车在各张第一监控图像中的像素位置中,筛选出若干标定像素位置,其中,每个标定像素位置分别对应任一第一监控图像中的一车速标定位置;在具体应用时,标定像素位置为预设位置,且任意相邻两标定像素位置之间的像素距离,对应的实际距离为6.95m,同时,标定像素位置的设定过程为:路面人员配合实时查看图像的人员,按照6.95米为单位,不断拍摄非机动车辆每经过一6.95米时的图像,然后,从图像最远处开始(也就是图像的右侧开始,其代表车辆进入监控终端的拍摄范围),将各个6.95米所代表的节点,在图像像素点上标识出来,如此,标识出来的位置则作为车速标定位置;最后,在进行筛选时,即可直接从各个像素位置中,确定出属于车速标定位置的像素位置,从而作为标定像素位置;另外,以6.95米为节点的原因为:由于法律规定电动车的最高时速为25km/h(最高速度为6.94m/s),因此,标定时则按照6.95米为一节点。
在得到该任一非机动车的标定像素位置后,即可进行该任一非机动车的行驶速度的计算,如下述步骤S13~S15所示。
S13.获取像素长度比例以及所述任一非机动车在各个标定像素位置处的通行时间,其中,所述像素长度比例用于表征单位像素距离与实际长度之间的比例关系;具体应用时,像素长度比例,则是在前述确定标定像素位置时得到的,即相邻两标定像素位置之间的像素距离已知,且两标定像素位置之间对应的实际距离已知,那么,利用像素距离和实际距离,即可得到像素长度比例;同时,该任一非机动车在各个标定像素位置处的通行时间,则是由监控终端在进行图像采集时得到的。
在得到像素长度比例后,则可计算出每相邻两个标定像素位置之间的实际距离(当然,也可在标定时直接预存至监控终端),而后,根据实际距离和各个像素位置处的通行时间,即可得到该任一非机动车在每相邻两标定像素位置之间的车速,如下述步骤S14所示。
S14.基于所述像素长度比例以及所述任一非机动车在各个标定像素位置处的通行时间,计算出任一非机动车在每相邻两标定像素位置之间的车速;在具体应用时,以一个实例来阐述步骤S14,假设存在三个标定像素位置,依次为A1、B1和C1,其中,A1至B1之间的实际距离记为L1(由二者间的像素距离和像素长度比例得到),A1的通行时间与B1的通行时间的时间差,则作为该任一非机动车从A1运动至B1所花费的时长(记为t1),因此,该任一非机动车在A1至B1之间的车速则为:L1/t1,以此原理,即可计算出该任一非机动车在B1至C1之间的车速;当然,在标定像素位置数量不同时,非机动车在各相邻两像素位置之间的车速的计算原理与前述举例原理相同,于此不再赘述。
最后,得到该任一非机动车在各相邻两标定像素位置之间的车速后,即可确定出该任一非机动车的行驶速度,如下述步骤S15所示。
S15.筛选出任一非机动车在每相邻两标定像素位置之间的车速中的最大车速,并将所述最大车速作为所述任一非机动车的行驶速度;具体应用时,由于非机动车只要存在一次超速,则可认定其存在违章行为,因此,需要将非机动车在不同标定像素位置之间的车速的最大值,作为非机动车的行驶速度;如在前述举例的基础上,存在2个车速(分别为V1和V2),那么,则选取V1和V2中的最大值,作为行驶速度。
由此通过前述步骤S11~S15,即可计算出第一监控图像中每个非机动车的行驶速度,且由于采用机器学习与实际路面距离相结合的方式来进行速度识别,使得测速时无需借助雷达,由此,则可降低违章识别成本。
在识别出的各个非机动车的行驶速度和车辆识别信息后,本实施例还会接收各个非机动车的车辆信息,并进行信息对比,来得出实际车辆信息,以便在车辆超速时,依据实际车辆信息和监控图像来生成超速证据;其中,车辆信息的获取过程如下述步骤S2所示。
S2.接收各个非机动车的车辆信息,其中,任一非机动车的车辆信息是在该任一非机动车进入到所述监控终端的通信识别范围内时,由该任一非机动车上传至所述监控终端的;在本实施例中,举例任一非机动车的车辆信息存储在该任一非机动车上的RFID(RadioFrequency Identification,射频识别)电子标签内;同时,在具体应用时,当该任一非机动车进入到所述监控终端的通信识别范围内时,由该任一非机动车采用sm2加密算法或sm3加密算法对车辆信息进行加密处理,且通过所述RFID电子标签将加密后的车辆信息上传至所述监控终端;更进一步的,举例任一非机动车的车辆信息可以但不限于包括车辆基本信息(车牌号、车辆颜色等等)和车主信息(如车主姓名、电话、身份证号等等)。
如此,在得到各个非机动车的车辆信息、车辆识别信息和行驶速度后,即可进行超速判断,并在超速时,依据超速非机动车的车辆信息和车辆识别信息,确定出超速非机动车的实际车辆信息,并将实际车辆信息叠加至第一监控图像中,以生成违章抓拍图像;其中,超速判断如下述步骤S3所示。
S3.判断是否存在有行驶速度大于限定速度的非机动车;在本实施例中,行驶速度大于限定速度的非机动车,则认定存在超速行为,此时,则需要基于超速非机动车的车辆识别信息和车辆信息,来确定出超速非机动车的实际车辆信息,而后,则可根据实际车辆信息和第一监控图像,来得出超速非机动车的违章抓拍图像;其中,实际车辆信息的确定过程如下述步骤S4所示。
S4.若是,则基于第一目标车辆的车辆识别信息和车辆信息,确定出所述第一目标车辆的实际车辆信息,其中,所述第一目标车辆为行驶速度大于限定速度的非机动车;具体应用时,对于任一第一目标车辆,则是对比该任一第一目标车辆的车辆信息和车辆识别信息是否相同(即车辆识别车牌与车辆车牌是否相同),若相同,则直接将车辆信息作为实际车辆信息;若不相同,则采用模糊匹配算法,来得出车辆的实际车牌,并将实际车牌添加至车辆信息中,得到实际车辆信息;当然,在本实施例中,模糊匹配算法为车牌匹配的常用技术,其匹配过程不再赘述。
在得到超速非机动车(即目标车辆)的实际车辆信息后,则可结合前述采集的第一监控图像,来生成超速非机动车的违章抓拍图像,从而得到完整的超速证据;其中,违章抓拍图像的生成过程可以但不限于如下述步骤S5所示。
S5.基于所述第一目标车辆的实际车辆信息,对任一第一监控图像进行图像处理,得到所述第一目标车辆的违章抓拍图像,其中,所述任一第一目标车辆的违章抓拍图像记载有该任一第一目标车辆的违章信息和实际车辆信息;具体应用时,举例可以但不限于将实际车辆信息记载到该任一第一监控图像中,同时,获取目标路口的位置信息(预存在监控终端中),并将前述目标车辆的行驶速度以及目标路口的位置信息也记载至该任一第一监控图像中,如此,即可使该任一第一监控图像中既包含有超速非机动车的实际车辆信息(即车牌号、车主信息等等),还包含有违章信息,如抓拍路口名称、抓拍时间和违章类型等信息;如此,将上述信息叠加至该任一第一监控图像中后,则可得到超速非机动车的违章抓拍图像。
在得到各个超速非机动车的违章抓拍图像后,则可将违章抓拍图像发送至服务器,以进行证据的留存,其中,违章抓拍图像的上传流程如下述步骤S6所示。
S6.将所述第一目标车辆的违章抓拍图像发送至服务器,以使所述服务器在接收到所述第一目标车辆的违章抓拍图像后,存储所述第一目标车辆的违章抓拍图像;如此,即可形成完整的证据链,保证违章行为的处罚具有充足的证据,使得执法处理具备说服力。
另外,由于前述就已说明,任一目标车辆的实际车辆信息包括该任一目标车辆的车主信息,因此,对于任一目标车辆,将所述任一目标车辆的违章抓拍图像发送至服务器后,服务器可存储所述任一目标车辆的违章抓拍图像,并将所述任一目标车辆的违章抓拍图像发送至交通违章监管平台,以便交通违章监管平台在接收到所述任一目标车辆的违章抓拍图像后,基于所述任一目标车辆的违章抓拍图像中的车主信息,确定出车主终端,以及根据所述任一目标车辆的违章抓拍图像,生成违章通知,并将所述违章通知发送至所述任一目标车辆的车主终端;可选的,举例违章通知的方式可以但不限于以短信形式;由此通过前述设计,本实施例将超速违章过程以短信方式通知到车主,通过实时发送警告和提示,可增强车主在骑行过程中的安全意识,从而进一步的降低超速违章行为。
由此通过前述步骤S1~S6所详细描述的非机动车的违章识别方法,本发明利用相机机器学习的特点来实现非机动车的速度识别,同时,在进行违章识别时,能够接收非机动车传输的车辆信息,并基于图像识别出的车辆信息和非机动车传输的车辆信息,来得出非机动车的实际车辆信息,且可将该实际车辆信息叠加至监控图像中,从而形成违章抓拍图像,如此,本发明不仅提高了违章识别的准确度、降低了违章识别成本,且可形成完整的证据链,保证了违章行为的处罚具有充足的证据,适用于在非机动车违章识别领域的大规模应用与推广。
在一个可能的设计中,本实施例第二方面在实施例第一方面的基础上,对违章识别过程进行进一步的优化,即在对若干第一监控图像进行图像识别前,还设置有图像增强处理步骤,以减少图像中噪声对图像识别的影响。
在实际应用中,由于相机生成图像过程中会受到各种噪声或者通道带宽等因素的影响,从而会导致清晰度下降,对比度降低等问题,因此,本实施例还设置有图像增强步骤,以提高图像的对比度和亮度,从而提高图像识别精度;可选的,图像增强处理过程为:对每张第一监控图像依次进行线性滤波处理、非线性滤波处理以及灰度变换处理,以在处理完成后,得到若干图像增加监控图像;而后,则可对若干图像增强监控图像进行图像识别,得到若干图像增强监控图像中各个非机动车的车辆识别信息以及行驶速度;当然,对每张图像增强监控图像的识别过程可参见前述步骤S11~S15,其原理不再赘述。
如此通过前述设计,将第一监控图像依次经过线性平滑滤波处理、非线性平滑滤波处理以及灰度变换调整,如此,可提高图像的对比度和亮度,且处理后的图像灰度分布均衡,图像清晰度更高,由此,可提高特征分析提取的准确度,进而提高图像识别的准确性。
在一个可能的设计中,本实施例第三方面在实施例第一方面和第二方面的基础上,为减少计算量,在基于所述像素长度比例以及所述任一非机动车在各个标定像素位置处的通行时间,计算出任一非机动车在每相邻两标定像素位置之间的车速前,还设置有车速对比过程,即计算出各非机动车的最大通行车速,然后与限定速度进行对比,在其小于或等于限定速度时,不再计算其余各个非机动车的车速;如此,即可减少大量非机动车同时通过目标路口所带来的计算量较大的问题;更进一步的,前述车速对比过程可以但不限于如下述步骤所示。
第一步:获取每个非机动车在各个标定像素位置处的通行时间,并基于每个非机动车在各个标定像素位置处的通行时间,确定出各个非机动车的通行时长;在本实施例中,对于任一非机动车,则是将处于首位的标定像素位置处的通行时间,与处于末位的标定像素位置处的通行时间的时间差,作为该任一非机动车的通行时长;而在得到各个非机动车的通行时长后,则可确定出速度最快的非机动车,如下述第二步所示。
第二步:筛选出各个非机动车的通行时长中的最小时长,以将最小时长作为标定时长;在本实施例中,由于各个非机动车在目标路口处所行驶的距离相同,因此,通行时长最小,则说明速度最快,此时,即可基于最小通行时长,来计算出最大通行车速,以便使用最快速度来实现车速对比;其中,最大通行速度的计算过程如下述第三步和第四步所示。
第三步:基于所述像素长度比例和各个标定像素位置,确定出车辆通行距离;具体应用时,车辆通行距离的确定过程可参见前述实施例第一方面,其原理相同,于此不再赘述。
而在得到车辆通行距离后,则可计算出最大通行车速,如下述第四步所示。
第四步:根据所述标定时长和所述车辆通行距离,得到最大通行车速;在本实施例中,使用车辆通行距离除以标定时长,则可得到最大通行车速;而在得到最大通行车速后,即可进行车速对比,如下述第五步和第六步所示。
第五步:判断所述最大通行车速是否小于或等于所述限定速度。
第六步:若是,则判定各个非机动车均未超速,否则,则基于所述像素长度比例以及所述任一非机动车在各个标定像素位置处的通行时间,计算出任一非机动车在每相邻两标定像素位置之间的车速。
在本实施例中,若最大通行车速小于或等于限定速度,则代表车速最快的非机动车未存在超速行为,如此,其余非机动车必然也是不存在超速行为的;此时,则不需要再进行其余非机动车的车速计算,即无需进行后续步骤;而只有在最大通行速度大于限定速度时,才需进行其余非机动车的行驶速度的计算;由此通过前述设计,本发明采用对比车速的方法来判别超速行为,可降低大量非机动车同时通行目标路口所造成的计算量过大的问题。
在一个可能的设计中,本实施例第四方面,在实施例第一方面、第二方面和第三方面的基础上进行进一步的优化,即当监控终端设置有多个时,利用多个监控终端组成节点网络,且各个监控终端可进行相互通信,如此,可实现非机动车通行于两目标路口之间时,车辆超速的识别,其中,对非机动车处于两目标路口之间时,车辆超速识别的过程可以但不限于如下述步骤S7和步骤S8所示。
S7.对若干第一监控图像进行图像识别,得到各个非机动车在目标路口处的第一通行时刻;在本实施例中,对第一监控图像的图像识别可参见前述步骤S1,同时,也是先识别出图像中的非机动车,然后在将非机动车与图像拍摄时间所对应,从而得到各个非机动车在目标路口处的第一通行时刻;而后,即可将各个非机动车的第一通行时刻,发送至下一目标路口处的监控终端,从而实现各个非机动车,行驶至目标路口与下一目标路口之间的车速违章识别;当然,也会将第一监控图像和识别出的车辆识别信息发送至下一目标路口的监控终端。
S8.将各个非机动车的第一通行时刻和任一第一监控图像传输至下一目标路口处的监控终端,以使下一目标路口处的监控终端在基于下一目标路口的第二监控图像识别出各个非机动车的第二通行时刻后,根据各个非机动车的第一通行时刻和第二通行时刻,确定出各个非机动车的区间速度,并将第二目标车辆的任一第一监控图像、任一第二监控图像和实际车辆信息进行信息合并,得到第二目标车辆的区间违法抓拍图像,以便将所述第二目标车辆的区间违法抓拍图像发送至所述服务器,其中,任一非机动车的区间速度为该任一非机动车处于目标路口与下一目标路口之间的行驶速度,且所述第二目标车辆为区间速度大于限定速度的非机动车。
在本实施例中,处于下一目标路口的监控终端,也可采用相同原理,来得出各个非机动车的第二通行时刻,即先识别出下一目标路口处的各个非机动车的车牌,然后,根据车牌,来进行两路口处的非机动车的匹配,从而得出各个非机动车相对应的第二通行时刻;其中,对于任一非机动车,先计算第二通行时刻与第一通行时刻的时间差,然后使用两目标路口间的距离(预设至监控终端内)除以时间差,即可得到该任一非机动车的区间速度;而后,将区间速度与限定速度进行对比,即可判断出该任一非机动车在两目标路口之间的路面通行时,是否超速。
当然,在本实施例中,若判断出该任一非机动车的区间速度大于限定速度,此时,也会基于车辆识别信息和车辆信息确定出实际车辆信息,并将实际车辆信息叠加至第二监控图像中,来得到该任一非机动车在该下一目标路口的违章抓拍图像;而后,将任一第一监控图像,与下一目标路口的违章抓拍图像进行合并(可以理解为生成一个违章图像包),则可得到该任一非机动车的区间违章抓拍图像;最后,将该区间违章抓拍图像发送至所述服务器,即可实现该任一非机动车的区间超速违章行为的证据留存;当然,其余各个非机动车的区间违章识别原理也是如此,于此不再赘述。
由此通过前述设计,本发明可实现非机动车处于非路口时的超速识别,从而提高了对非机动车违章识别的覆盖性,同时,将两个路口的监控图像与实际车辆信息进行合并,也可形成完整的证据链,保证了执法处理的说服力。
如图3所示,本实施例第五方面提供了一种实现实施例第一方面、第二方面、第三方面和第四方面中所述的非机动车的违章识别方法的硬件装置,包括:
图像处理单元,用于获取目标路口的若干第一监控图像,并对所述若干第一监控图像进行图像识别,得到所述若干第一监控图像中各个非机动车的车辆识别信息以及行驶速度。
车辆信息接收单元,用于接收各个非机动车的车辆信息,其中,任一非机动车的车辆信息是在该任一非机动车进入到所述监控终端的通信识别范围内时,由该任一非机动车上传至所述监控终端的。
违章识别单元,用于判断是否存在有行驶速度大于限定速度的非机动车。
违章识别单元,用于在判断出存在有行驶速度大于限定速度的非机动车时,基于第一目标车辆的车辆识别信息和车辆信息,确定出所述第一目标车辆的实际车辆信息,其中,所述第一目标车辆为行驶速度大于限定速度的非机动车。
违章图像生成单元,用于基于所述第一目标车辆的实际车辆信息,对任一第一监控图像进行图像处理,得到所述第一目标车辆的违章抓拍图像,其中,所述任一第一目标车辆的违章抓拍图像记载有该任一第一目标车辆的违章信息和实际车辆信息。
发送单元,用于将所述第一目标车辆的违章抓拍图像发送至服务器,以使所述服务器在接收到所述第一目标车辆的违章抓拍图像后,存储所述第一目标车辆的违章抓拍图像。
本实施例提供的装置的工作过程、工作细节和技术效果,可以参见实施例第一方面、第二方面、第三方面和第四方面,于此不再赘述。
如图4所示,本实施例第六方面提供了另一种非机动车的违章识别装置,以装置为电子设备为例,包括:依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如实施例第一方面、第二方面、第三方面和/或第四方面所述的非机动车的违章识别方法。
具体举例的,所述存储器可以但不限于包括随机存取存储器(random accessmemory,RAM)、只读存储器(Read Only Memory,ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output,FIFO)和/或先进后出存储器(First In Last Out,FILO)等等;具体地,处理器可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现,同时,处理器也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
在一些实施例中,处理器可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制,例如,所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计算机(reduced instruction setcomputer,RISC)微处理器、X86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units,NPU)的处理器;所述收发器可以但不限于为无线保真(WIFI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service,GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议,ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外,所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例提供的电子设备的工作过程、工作细节和技术效果,可以参见实施例第一方面、第二方面、第三方面和/或第四方面,于此不再赘述。
本实施例第七方面提供了一种存储包含有实施例第一方面、第二方面、第三方面和/或第四方面所述的非机动车的违章识别方法的指令的存储介质,即所述存储介质上存储有指令,当所述指令在计算机上运行时,执行如实施例第一方面、第二方面、第三方面和/或第四方面所述的非机动车的违章识别方法。
其中,所述存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的存储介质的工作过程、工作细节和技术效果,可以参见实施例第一方面、第二方面、第三方面和/或第四方面,于此不再赘述。
本实施例第八方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如实施例第一方面、第二方面、第三方面和/或第四方面所述的非机动车的违章识别方法,其中,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种非机动车的违章识别方法,其特征在于,应用于安装于目标路口的监控终端,其中,所述方法包括:
获取目标路口的若干第一监控图像,并对所述若干第一监控图像进行图像识别,得到所述若干第一监控图像中各个非机动车的车辆识别信息以及行驶速度;
接收各个非机动车的车辆信息,其中,任一非机动车的车辆信息是在该任一非机动车进入到所述监控终端的通信识别范围内时,由该任一非机动车上传至所述监控终端的;
判断是否存在有行驶速度大于限定速度的非机动车;
若是,则基于第一目标车辆的车辆识别信息和车辆信息,确定出所述第一目标车辆的实际车辆信息,其中,所述第一目标车辆为行驶速度大于限定速度的非机动车;
基于所述第一目标车辆的实际车辆信息,对任一第一监控图像进行图像处理,得到所述第一目标车辆的违章抓拍图像,其中,所述任一第一目标车辆的违章抓拍图像记载有该任一第一目标车辆的违章信息和实际车辆信息;
将所述第一目标车辆的违章抓拍图像发送至服务器,以使所述服务器在接收到所述第一目标车辆的违章抓拍图像后,存储所述第一目标车辆的违章抓拍图像。
2.根据权利要求1所述的方法,其特征在于,对所述若干第一监控图像进行图像识别,得到所述若干第一监控图像中各个非机动车的行驶速度,包括:
对若干第一监控图像进行图像识别,得出每张第一监控图像中各个非机动车的像素位置;
对于任一非机动车,从所述任一非机动车在各张第一监控图像中的像素位置中,筛选出若干标定像素位置,其中,每个标定像素位置分别对应任一第一监控图像中的一车速标定位置;
获取像素长度比例以及所述任一非机动车在各个标定像素位置处的通行时间,其中,所述像素长度比例用于表征单位像素距离与实际长度之间的比例关系;
基于所述像素长度比例以及所述任一非机动车在各个标定像素位置处的通行时间,计算出任一非机动车在每相邻两标定像素位置之间的车速;
筛选出任一非机动车在每相邻两标定像素位置之间的车速中的最大车速,并将所述最大车速作为所述任一非机动车的行驶速度。
3.根据权利要求2所述的方法,其特征在于,在基于所述像素长度比例以及所述任一非机动车在各个标定像素位置处的通行时间,计算出任一非机动车在每相邻两标定像素位置之间的车速前,所述方法还包括:
获取每个非机动车在各个标定像素位置处的通行时间,并基于每个非机动车在各个标定像素位置处的通行时间,确定出各个非机动车的通行时长;
筛选出各个非机动车的通行时长中的最小时长,以将最小时长作为标定时长;
基于所述像素长度比例和各个标定像素位置,确定出车辆通行距离;
根据所述标定时长和所述车辆通行距离,得到最大通行车速;
判断所述最大通行车速是否小于或等于所述限定速度;
若是,则判定各个非机动车均未超速,否则,则基于所述像素长度比例以及所述任一非机动车在各个标定像素位置处的通行时间,计算出任一非机动车在每相邻两标定像素位置之间的车速。
4.根据权利要求1所述的方法,其特征在于,当所述监控终端具有多个时,所述方法还包括:
对若干第一监控图像进行图像识别,得到各个非机动车在目标路口处的第一通行时刻;
将各个非机动车的第一通行时刻和任一第一监控图像传输至下一目标路口处的监控终端,以使下一目标路口处的监控终端在基于下一目标路口的第二监控图像识别出各个非机动车的第二通行时刻后,根据各个非机动车的第一通行时刻和第二通行时刻,确定出各个非机动车的区间速度,并将第二目标车辆的任一第一监控图像、任一第二监控图像和实际车辆信息进行信息合并,得到第二目标车辆的区间违章抓拍图像,以便将所述第二目标车辆的区间违章抓拍图像发送至所述服务器,其中,任一非机动车的区间速度为该任一非机动车处于目标路口与下一目标路口之间的行驶速度,且所述第二目标车辆为区间速度大于限定速度的非机动车。
5.根据权利要求1所述的方法,其特征在于,在对所述若干第一监控图像进行图像识别前,所述方法还包括:
对每张第一监控图像依次进行线性滤波处理、非线性滤波处理以及灰度变换处理,以在处理完成后,得到若干图像增加监控图像;
相应的,对所述若干第一监控图像进行图像识别,则包括:
对若干图像增强监控图像进行图像识别,得到若干图像增强监控图像中各个非机动车的车辆识别信息以及行驶速度。
6.根据权利要求1所述的方法,其特征在于,任一非机动车的车辆信息存储在该任一非机动车上的RFID电子标签内,其中,该任一非机动车进入到所述监控终端的通信识别范围内时,由该任一非机动车采用sm2加密算法或sm3加密算法对车辆信息进行加密处理,且通过所述RFID电子标签将加密后的车辆信息上传至所述监控终端。
7.根据权利要求1所述的方法,其特征在于,任一目标车辆的实际车辆信息包括该任一目标车辆的车主信息;
相应的,将所述目标车辆的违章抓拍图像发送至服务器,则包括:
对于任一目标车辆,将所述任一目标车辆的违章抓拍图像发送至服务器,以使所述服务器在接收到所述任一目标车辆的违章抓拍图像后,存储所述任一目标车辆的违章抓拍图像,并将所述任一目标车辆的违章抓拍图像发送至交通违章监管平台,以便交通违章监管平台在接收到所述任一目标车辆的违章抓拍图像后,基于所述任一目标车辆的违章抓拍图像中的车主信息,确定出车主终端,以及根据所述任一目标车辆的违章抓拍图像,生成违章通知,并将所述违章通知发送至所述任一目标车辆的车主终端。
8.一种非机动车的违章识别装置,其特征在于,应用于安装于目标路口的监控终端,包括:
图像处理单元,用于获取目标路口的若干第一监控图像,并对所述若干第一监控图像进行图像识别,得到所述若干第一监控图像中各个非机动车的车辆识别信息以及行驶速度;
车辆信息接收单元,用于接收各个非机动车的车辆信息,其中,任一非机动车的车辆信息是在该任一非机动车进入到所述监控终端的通信识别范围内时,由该任一非机动车上传至所述监控终端的;
违章识别单元,用于判断是否存在有行驶速度大于限定速度的非机动车;
违章识别单元,用于在判断出存在有行驶速度大于限定速度的非机动车时,基于第一目标车辆的车辆识别信息和车辆信息,确定出所述第一目标车辆的实际车辆信息,其中,所述第一目标车辆为行驶速度大于限定速度的非机动车;
违章图像生成单元,用于基于所述第一目标车辆的实际车辆信息,对任一第一监控图像进行图像处理,得到所述第一目标车辆的违章抓拍图像,其中,所述任一第一目标车辆的违章抓拍图像记载有该任一第一目标车辆的违章信息和实际车辆信息;
发送单元,用于将所述第一目标车辆的违章抓拍图像发送至服务器,以使所述服务器在接收到所述第一目标车辆的违章抓拍图像后,存储所述第一目标车辆的违章抓拍图像。
9.一种电子设备,其特征在于,包括:依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1~7任意一项所述的非机动车的违章识别方法。
10.一种存储介质,其特征在于,所述存储介质上存储有指令,当所述指令在计算机上运行时,执行如权利要求1~7任意一项所述的非机动车的违章识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310308889.9A CN116343493B (zh) | 2023-03-27 | 2023-03-27 | 非机动车的违章识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310308889.9A CN116343493B (zh) | 2023-03-27 | 2023-03-27 | 非机动车的违章识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116343493A true CN116343493A (zh) | 2023-06-27 |
CN116343493B CN116343493B (zh) | 2024-02-02 |
Family
ID=86892616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310308889.9A Active CN116343493B (zh) | 2023-03-27 | 2023-03-27 | 非机动车的违章识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116343493B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671972A (zh) * | 2024-02-01 | 2024-03-08 | 北京交通发展研究院 | 一种面向慢行交通系统的车辆速度检测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899528A (zh) * | 2020-07-29 | 2020-11-06 | 南京敏智达科技有限公司 | 基于rfid和视频抓拍的非机动车违章监测系统及监测方法 |
CN114333343A (zh) * | 2021-12-24 | 2022-04-12 | 上海禧合智联信息科技有限公司 | 一种非机动车违章抓拍取证装置、方法及系统 |
-
2023
- 2023-03-27 CN CN202310308889.9A patent/CN116343493B/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671972A (zh) * | 2024-02-01 | 2024-03-08 | 北京交通发展研究院 | 一种面向慢行交通系统的车辆速度检测方法及装置 |
CN117671972B (zh) * | 2024-02-01 | 2024-05-14 | 北京交通发展研究院 | 一种面向慢行交通系统的车辆速度检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116343493B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240149882A1 (en) | Multiple exposure event determination | |
US9336450B2 (en) | Methods and systems for selecting target vehicles for occupancy detection | |
CN109360426A (zh) | 一种超速安全预警方法、装置、系统和可读存储介质 | |
CN109243181A (zh) | 交通事故预警方法、装置、终端设备及存储介质 | |
CN109637137A (zh) | 基于车路协同的交通管理系统 | |
CN104882001A (zh) | 基于行车记录仪的驾驶行为监控方法、装置及系统 | |
CN106170826A (zh) | 出租车乘客人数的监控方法及系统 | |
CN109584567A (zh) | 基于车路协同的交通管理方法 | |
CN108257383A (zh) | 一种车载终端和交通通行行为的监控系统 | |
CN116343493B (zh) | 非机动车的违章识别方法、装置、电子设备及存储介质 | |
CN203759874U (zh) | 一种具有视频增强效果的交通违章信息采集系统 | |
CN206684779U (zh) | 一种基于adas智能车载终端的车险管理服务系统 | |
CN110070722A (zh) | 车辆违章判断执法系统、方法及装置 | |
CN110995771A (zh) | 一种基于物联网的货车陆运监控管理系统 | |
CN106846819A (zh) | 一种基于小型飞行器的航拍罚单生成方法及实现系统 | |
CN110930715A (zh) | 一种非机动车闯红灯识别方法、系统及违章处理平台 | |
CN107464448A (zh) | 一种基于物联网的车位分配方法及装置 | |
CN112669598A (zh) | 一种基于车流量的智慧交通管理系统 | |
CN109887303A (zh) | 随意变更车道行为预警系统及方法 | |
CN106548627A (zh) | 一种基于车联网的rfid传感道路监控系统 | |
CN113422938A (zh) | 人工智能的道路事件监控方法、装置、系统及存储介质 | |
CN110633609B (zh) | 基于人脸对象位置分析的定位平台 | |
CN116978200A (zh) | 一种针对高速违法车辆进行监控和预警的方法和系统 | |
CN111985304A (zh) | 巡防告警方法、系统、终端设备及存储介质 | |
CN113936469B (zh) | 基于高速公路车道感知设备的交通信息交互系统及方法 |
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 |