CN116434563A - 车辆超员检测方法、系统、设备及存储介质 - Google Patents
车辆超员检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116434563A CN116434563A CN202310251396.6A CN202310251396A CN116434563A CN 116434563 A CN116434563 A CN 116434563A CN 202310251396 A CN202310251396 A CN 202310251396A CN 116434563 A CN116434563 A CN 116434563A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image data
- determining
- detection
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 143
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 11
- 230000003111 delayed effect Effects 0.000 description 9
- 230000001502 supplementing effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 229910052724 xenon Inorganic materials 0.000 description 5
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/147—Details of sensors, e.g. sensor lenses
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- 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
- G08G1/017—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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Vascular Medicine (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请属于智能交通技术领域,提供了一种车辆超员检测方法、系统、设备及存储介质,通过根据待测目标的第一图像数据,确定待测目标为车辆,并确定车辆的车辆位置、车辆速度以及所在的车道号;根据车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间;根据至少一个采集时间,延迟获取车辆的第二图像数据;根据第一图像数据以及第二图像数据,确定车辆的超员检测结果。本申请通过延时获取不同方位的车辆图像数据,实现了多方位车辆数据的检测分析,大大提高了车辆超员检测的准确性。
Description
技术领域
本申请属于智能交通技术领域,具体地,涉及一种车辆超员检测方法、系统、设备及存储介质。
背景技术
车辆超员是一个严重的交通违法行为,极大威胁着车内人员的人身安全。但出于超员检测技术的限制等因素,目前仍然有大量超员现象不能被及时检测和发现,存在超员载人或者超员乘坐的现象。
常规的超员检测方式仅仅是通过采集车辆内的图像,进一步判断人员数量进行超员检测,但传统使用的单一相机采集图像效果差、采集数据单一,导致数据处理简单、超员检测准确率低的问题。
发明内容
本发明提出的车辆超员检测方法、系统、设备及存储介质,可以通过多方位车辆数据进行检测分析,大大提高了车辆超员检测的准确性。
根据本申请实施例的第一个方面,提供了一种车辆超员检测方法,包括以下步骤:
根据待测目标的第一图像数据,根据待测目标的第一图像数据,确定待测目标为车辆并确定车辆位置、车辆速度以及所在的车道号;
根据车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间;根据至少一个采集时间,延迟获取车辆的第二图像数据;
根据第一图像数据以及第二图像数据,确定车辆的超员检测结果。
在本申请一些实施方式中,根据待测目标的第一图像数据,确定待测目标为车辆,并确定车辆的车辆位置、车辆速度以及所在的车道号,包括:
获取待测目标图像数据的有效帧;并通过激光雷达传感器获取有效帧的云点信息以及车辆位置;
根据有效帧确定待测目标为车辆;
根据云点信息确定车辆速度以及所在的车道号。
在本申请一些实施方式中,第一图像数据为车辆正面图像数据;车辆的第二图像数据包括车辆侧面图像数据、车辆尾部图像数据以及车辆顶部图像数据中至少一种数据。
在本申请一些实施方式中,根据车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间,包括:
根据车辆位置、车辆速度以及所在的车道号,确定车辆侧面拍照的采集时间;
确认到达辆侧面拍照的采集时间,获取车辆的侧面图像。
在本申请一些实施方式中,根据车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间,包括:
根据车辆位置、车辆速度以及所在的车道号,确定车辆尾部拍照的采集时间;
确认到达辆尾部拍照的采集时间,获取车辆的尾部图像。
在本申请一些实施方式中,根据第一图像数据以及第二图像数据,确定车辆的超员检测结果,包括:
车辆检测识别模块,根据第一图像数据以及第二图像数据,通过车辆检测神经网络,确定车辆信息;车辆信息包括车辆型号以及车窗位置数据;
根据车窗位置数据,通过人员检测神经网络,确定车辆人员数目;根据车辆人员数目以及车辆型号确定车辆的超员检测结果。
在本申请一些实施方式中,根据车窗位置数据,通过人员检测神经网络,确定车辆人员数目,包括:
根据车窗位置数据,获取车窗区域图像;
将车窗区域图像进行图像增强以及人员局部特征增强,得到增强车窗区域图像;
将增强车窗区域图像输入人员检测神经网络,确定车辆人员数目。
根据本申请实施例的第二个方面,提供了一种车辆超员检测系统,包括:
第一数据获取模块:用于根据待测目标的第一图像数据,确定待测目标为车辆,并确定车辆的车辆位置、车辆速度以及所在的车道号;
延迟数据获取模块:用于根据车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间;根据至少一个采集时间,延迟获取车辆的第二图像数据;
超员检测模块:用于根据第一图像数据以及第二图像数据,确定车辆的超员检测结果。
根据本申请实施例的第三个方面,提供了一种车辆超员检测设备,包括:
存储器:用于存储可执行指令;以及
处理器:用于与存储器连接以执行可执行指令从而完成车辆超员检测方法。
根据本申请实施例的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序;计算机程序被处理器执行以实现车辆超员检测方法。
采用本申请的车辆超员检测方法、系统、设备及存储介质,通过根据待测目标的第一图像数据,确定待测目标为车辆并确定车辆位置、车辆速度以及所在的车道号;根据车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间;根据至少一个采集时间,延迟获取车辆的第二图像数据;根据第一图像数据以及第二图像数据,确定车辆的超员检测结果。本申请通过延时获取不同方位的车辆图像数据,实现了多方位车辆数据的检测分析,大大提高了车辆超员检测的准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1中示出了根据本申请实施例的车辆超员检测方法的步骤示意图;
图2中示出了根据本申请实施例的确定超员检测结果的步骤示意图;
图3中示出了根据本申请实施例的车辆超员检测方法的流程示意图;
图4中示出了根据本申请实施例的车辆超员检测系统的结构示意图;
图5中示出了根据本申请实施例的车辆超员检测系统的原理示意图;
图6中示出了根据本申请实施例的车辆超员检测设备的结构示意图。
具体实施方式
在实现本申请的过程中,发明人发现规的超员检测方式仅仅是通过采集车辆内的图像,进一步判断人员数量进行超员检测,但传统使用的单一相机采集图像效果差、采集数据单一,导致数据处理简单、超员检测准确率低的问题。
基于此,本申请通过延时获取不同方位的车辆图像数据,实现了多方位车辆数据的检测分析,大大提高了车辆超员检测的准确性。
具体的,本申请的车辆超员检测方法、系统、设备及存储介质,通过根据待测目标的第一图像数据,确定待测目标为车辆,并确定车辆的车辆位置、车辆速度以及所在的车道号;根据车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间;根据至少一个采集时间,延迟获取车辆的第二图像数据;根据第一图像数据以及第二图像数据,确定车辆的超员检测结果。
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1
图1中示出了根据本申请实施例的车辆超员检测方法的步骤示意图。
如图1所示,本申请实施例的车辆超员检测方法,包括以下步骤:
S1:根据待测目标的第一图像数据,确定待测目标为车辆,并确定车辆的车辆位置、车辆速度以及所在的车道号。S2:根据车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间;根据至少一个采集时间,延迟获取车辆的第二图像数据。S3:根据第一图像数据以及第二图像数据,确定车辆的超员检测结果。
本申请在获取到车辆第一图像数据后,进一步分析出延时的车辆图像采集时间,通过延时获取不同方位的车辆图像数据,实现了多方位车辆数据的检测分析,大大提高了车辆超员检测的准确性。
其中S1中根据待测目标的第一图像数据,确定待测目标为车辆,并确定车辆的车辆位置、车辆速度以及所在的车道号,包括:首先,获取待测目标图像数据的有效帧;并通过激光雷达传感器获取有效帧的云点信息以及车辆位置;根据有效帧确定待测目标为车辆;根据云点信息确定车辆速度以及所在的车道号。
优选的,第一图像数据为车辆正面图像数据;车辆的第二图像数据包括车辆侧面图像数据、车辆尾部图像数据以及车辆顶部图像数据。
因此,本申请在获取到车辆正面的第一图像数据后,通过车速以及车道号进一步计算分析出车辆侧面或者车辆尾部通行经过图像获取装置的时间,图像获取装置,例如高清摄像机通过定时延时,在计算的采集时间时,延时获取不同方位的车辆图像数据,进一步实现了多方位车辆数据的检测分析,大大提高了车辆超员检测的准确性。
基于此,S2中根据车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间,包括:根据车辆位置、车辆速度以及所在的车道号,确定车辆侧面拍照的采集时间;确认到达辆侧面拍照的采集时间,获取车辆的侧面图像。
或者,S2中根据车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间,包括:根据车辆位置、车辆速度以及所在的车道号,确定车辆尾部拍照的采集时间;确认到达辆尾部拍照的采集时间,获取车辆的尾部图像。
其它方式的,初次获取的第一图像数据时,即同时采集车辆的正面车辆图像和侧面车辆图像。在计算获得车辆尾部经过时间,作为延时采集时间,延时采集车辆尾部图像作为第二图像数据。
以上方式并不全部示出车辆图像采集的过程,可以根据具体需要,进行不同车辆部位的图像采集,例如:第一图像数据包括车辆正面图像,第二图像数据包括车辆侧面图像以及车辆尾部图像,但车辆侧面图像以及车辆尾部图像又采用不同的延时时间,在不同的采集时间分别延时获取车辆侧面图像以及车辆尾部图像,使车辆图像获取更加精准和清晰。
本申请实施例主要说明,本申请通过延时采集车辆图像的方式,获取多方位的车辆图像数据,基于多方位车辆数据的检测分析,大大提高了车辆超员检测的准确性。
图2中示出了根据本申请实施例的确定超员检测结果的步骤示意图。
如图2所示,S3中根据第一图像数据以及第二图像数据,确定车辆的超员检测结果,包括:S31:车辆检测识别模块根据第一图像数据以及第二图像数据,通过车辆检测神经网络,确定车辆信息;车辆信息包括车辆型号以及车窗位置数据。
车辆检测模块由卷积神经网络组成,以可分离卷积为基本单元,结合特征图重组技术,可以实现车辆检测、车窗检测、车型识别的功能。
可分离卷积作为基本单元的第一个构成为通道重组单元,将输入维度为N×C×W×H的数据,在通道维度C上分组后重新组合,增加通道信息间的交流融合,提升神经网络的学习能力。可分离卷积由1×1的卷积层和3×3的卷积层构成,可有效降低参数计算量提升推理速度。以标准卷积特征图C×H×W,卷积核为C×3×3,卷积核个数为C1,其计算量为H×W×C×3×3×C1,而采用可分离卷积,其计算量为H×W×C×1×1×C1+H×W×C1×3×3,约为标准卷积计算量的1/9。
本申请的车辆检测是通用检测任务,常规网络可以实现目标,本申请在多种检测网络中选择了算力需求小的网络,以满足在低成本算力边缘计算设备上实时检测的要求。
S32:人员检测模块根据车窗位置数据,通过人员检测神经网络,确定车辆人员数目;根据车辆人员数目以及车辆型号确定车辆的超员检测结果。
其中,S32中根据车窗位置数据,通过人员检测神经网络,确定车辆人员数目,又包括:首先,根据车窗位置数据,获取车窗区域图像;然后,将车窗区域图像进行图像增强以及人员局部特征增强,得到增强车窗区域图像;最后,将增强车窗区域图像输入人员检测神经网络,确定车辆人员数目。
其中,人员检测模块将车辆检测模块检测到的车窗区域裁剪后进行人员检测。人员检测模块包括图像增强单元和注意力检测单元,可以减少人员密集、模糊的识别问题,同时可保留更多的图像细节信息,提升人员检测的准确率。
具体的,图像增强单元通过检测图像模糊度来决定是否进行拉普拉斯锐化操作。
注意力检测单元是为了提升人员局部特征的提取识别能力而设计的,在所构建的检测神经网络添加注意力模块来实现。
其流程可描述为:对于特征图F∈R^(C×H×W);
分别通过均值池化和最大值池化操作使特征图F维度由C×H×W变为C×1×1,产生特征图M_c∈R^(C×1×1);
特征图M_c经过多层感知机将通道数压缩r倍后再恢复到原通道数C,实现通道特征信息的显著性提取,然后经RELU、SIGMOD激活函数后将其与原特征图F相乘得到特征图:M_s∈R^(C×H×W);其中激活函数用于扩展非线性信息提取能力以学习复杂特征关系。
注意力模块产生的特征图F^”可描述为:
基于上述处理后的特征图实现了增强车窗区域图像的效果。最后,将增强车窗区域图像输入人员检测神经网络,确定车辆人员数目。
图3中示出了根据本申请实施例的车辆超员检测方法的流程示意图。
如图3所示,本申请通过延时获取不同方位的车辆图像数据,实现了多方位车辆数据的检测分析,大大提高了车辆超员检测的准确性。
另一方面,本申请在获取车辆的图像数据时,采用补光设备进行摄像或者拍照,优选采用氙气爆闪补光灯模组。
其中,氙气爆闪补光灯模组包括氙气灯、聚光杯、红外滤光片、驱动控制器模块,氙气灯通过红外滤光片发出不可见的脉冲红外光线透过车窗对车内进行补光。
基于此,本申请实施例的车辆超员检测方法,还包括步骤S0:通过补光设备进行摄像或者拍照获取待测目标的第一图像数据。
接下来进行后面步骤包括S1:根据待测目标的第一图像数据,确定待测目标为车辆,并确定车辆的车辆位置、车辆速度以及所在的车道号。S2:根据车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间;根据至少一个采集时间,延迟获取车辆的第二图像数据。S3:根据第一图像数据以及第二图像数据,确定车辆的超员检测结果。
实施例2
本实施例提供了一种车辆超员检测系统,对于本实施例的车辆超员检测系统中未披露的细节,请参照其它实施例中的车辆超员检测方法的具体实施内容。
图4中示出了根据本申请实施例的车辆超员检测系统的结构示意图。
如图4所示,本申请实施例的车辆超员检测系统,具体包括第一数据获取模块10、延迟数据获取模块20以及超员检测模块30。
具体的,
第一数据获取模块10:用于根据待测目标的第一图像数据,确定待测目标为车辆,并确定车辆的车辆位置、车辆速度以及所在的车道号;延迟数据获取模块20:用于根据车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间;根据至少一个采集时间,延迟获取车辆的第二图像数据;超员检测模块30:用于根据第一图像数据以及第二图像数据,确定车辆的超员检测结果。
本申请在第一数据获取模块10获取到车辆第一图像数据后,进一步分析出延时的车辆图像采集时间,通过延迟数据获取模块20延时获取不同方位的车辆图像数据,实现了多方位车辆数据的检测分析,大大提高了车辆超员检测的准确性。
其中第一数据获取模块10具体用于:首先,获取待测目标图像数据的有效帧;并通过激光雷达传感器获取有效帧的云点信息以及车辆位置;根据有效帧确定待测目标为车辆;根据云点信息确定车辆速度以及所在的车道号。
优选的,第一图像数据为车辆正面图像数据;车辆的第二图像数据包括车辆侧面图像数据、车辆尾部图像数据以及车辆顶部图像数据。
另一方面,本申请在获取车辆的图像数据时,采用补光设备进行摄像或者拍照,优选采用氙气爆闪补光灯模组。
综合上述描述,以下具体描述本申请的超员检测系统优选实施方式。
图5中示出了根据本申请实施例的车辆超员检测系统的原理示意图。
本实施例系统包括图像采集模组、TOF激光雷达车辆检测控制设备以及基于神经网络的AI前端算法服务器。
图像采集模组包括前部相机、侧面相机以及尾部相机。
TOF激光雷达车辆检测控制设备包括单片机微处理器电路单元、TOF激光雷达传感器TOF激光雷达传感器、LCD显示单元、按键配置单元、两组RS-485通讯控制单元以及USB调试配置单元。
如图5所示的系统原理,TOF激光雷达车辆检测控制设备检测车辆位置信息;通过TOF激光雷达传感器获取当前帧的云点信息;确定当前帧为有效帧,并测得当前车辆的类型,例如行人、汽车、非机动车等类型,同时获取车辆速度以及车辆所在车道号。同时,通过RS485接口触发侧面相机抓拍,然后根据当前车速,推断车辆通过时间,并同时通过RS485接口延时触发尾部相机抓拍。
图像采集模组包括三台高清高变倍摄像机、AI前端算法服务器、图像处理系统。由前部高清高变倍摄像机采集车内前排图像及车牌号码,图像处理系统对采集图像进行处理分析并本地临时存储。
侧面高清高变倍摄像机根据控制指令,发送抓拍对车辆侧面进行采集图像,并通过AI前端算法服务器进行车内人员统计分析。
然后,根据车速、车道号触发尾部高清高变倍摄像机发送抓拍,对车辆后面进行采集图像,并通过AI前端算法服务器整理上传到云服务,同时通过内部网络通知工作人员。
其中的AI算法包含两个模块,一是车辆检测识别模块,另一个是人员检测模块。
采用本申请的车辆超员检测系统,通过第一数据获取模块10根据待测目标的第一图像数据,确定待测目标为车辆,并确定车辆的车辆位置、车辆速度以及所在的车道号;延迟数据获取模块20根据车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间;根据至少一个采集时间,延迟获取车辆的第二图像数据;超员检测模块30根据第一图像数据以及第二图像数据,确定车辆的超员检测结果。本申请通过延时获取不同方位的车辆图像数据,实现了多方位车辆数据的检测分析,大大提高了车辆超员检测的准确性。
实施例3
本实施例提供了一种车辆超员检测设备,对于本实施例的车辆超员检测设备中未披露的细节,请参照其它实施例中的车辆超员检测方法或系统具体的实施内容。
图6中示出了根据本申请实施例的车辆超员检测设备400的结构示意图。
如图6所示,车辆超员检测设备400,包括:
存储器402:用于存储可执行指令;以及
处理器401:用于与存储器402连接以执行可执行指令从而完成车辆超员检测方法。
本领域技术人员可以理解,示意图6仅仅是车辆超员检测设备400的示例,并不构成对车辆超员检测设备400的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如车辆超员检测设备400还可以包括输入输出设备、网络接入设备、总线等。所称处理器401(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器401也可以是任何常规的处理器等,处理器401是车辆超员检测设备400的控制中心,利用各种接口和线路连接整个车辆超员检测设备400的各个部分。
存储器402可用于存储计算机可读指令,处理器401通过运行或执行存储在存储器402内的计算机可读指令或模块,以及调用存储在存储器402内的数据,实现车辆超员检测设备400的各种功能。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据车辆超员检测设备400使用所创建的数据等。此外,存储器402可以包括硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)或其他非易失性/易失性存储器件。
车辆超员检测设备400集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
实施例4
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序;计算机程序被处理器执行以实现其他实施例中的车辆超员检测方法。
本申请实施例的车辆超员检测设备及存储介质,通过根据待测目标的第一图像数据,确定待测目标为车辆,并确定车辆的车辆位置、车辆速度以及所在的车道号;根据车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间;根据至少一个采集时间,延迟获取车辆的第二图像数据;根据第一图像数据以及第二图像数据,确定车辆的超员检测结果。本申请通过延时获取不同方位的车辆图像数据,实现了多方位车辆数据的检测分析,大大提高了车辆超员检测的准确性。本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种车辆超员检测方法,其特征在于,包括:
根据待测目标的第一图像数据,确定待测目标为车辆并确定车辆位置、车辆速度以及所在的车道号;
根据所述车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间;根据所述至少一个采集时间,延迟获取车辆的第二图像数据;根据所述第一图像数据以及第二图像数据,确定车辆的超员检测结果。
2.根据权利要求1所述的车辆超员检测方法,其特征在于,所述根据待测目标的第一图像数据,确定待测目标为车辆并确定车辆位置、车辆速度以及所在的车道号,包括:
获取所述待测目标图像数据的有效帧;并通过激光雷达传感器获取所述有效帧的云点信息以及车辆位置;
根据所述有效帧确定待测目标为车辆;
根据所述云点信息确定车辆速度以及所在的车道号。
3.根据权利要求1所述的车辆超员检测方法,其特征在于,所述第一图像数据为车辆正面图像数据;所述车辆的第二图像数据包括车辆侧面图像数据、车辆尾部图像数据和车辆顶部图像数据中至少一种数据。
4.根据权利要求1或3所述的车辆超员检测方法,其特征在于,所述根据所述车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间,包括:
根据所述车辆位置、车辆速度以及所在的车道号,确定车辆侧面拍照的采集时间;
确认到达所述辆侧面拍照的采集时间,获取车辆的侧面图像。
5.根据权利要求1或3所述的车辆超员检测方法,其特征在于,所述根据所述车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间,包括:
根据所述车辆位置、车辆速度以及所在的车道号,确定车辆尾部拍照的采集时间;
确认到达所述辆尾部拍照的采集时间,获取车辆的尾部图像。
6.根据权利要求1所述的车辆超员检测方法,其特征在于,所述根据所述第一图像数据以及第二图像数据,确定车辆的超员检测结果,包括:
根据第一图像数据以及第二图像数据,通过车辆检测神经网络,确定车辆信息;所述车辆信息包括车辆型号以及车窗位置数据;
根据所述车窗位置数据,通过人员检测神经网络,确定车辆人员数目;根据所述车辆人员数目以及车辆型号确定车辆的超员检测结果。
7.根据权利要求6所述的车辆超员检测方法,其特征在于,所述根据所述车窗位置数据,通过人员检测神经网络,确定车辆人员数目,包括:
根据所述车窗位置数据,获取车窗区域图像;
将所述车窗区域图像进行图像增强以及人员局部特征增强,得到增强车窗区域图像;
将所述增强车窗区域图像输入人员检测神经网络,确定车辆人员数目。
8.一种车辆超员检测系统,其特征在于,包括:
第一数据获取模块:用于根据待测目标的第一图像数据,确定待测目标为车辆并确定车辆位置、车辆速度以及所在的车道号;
延迟数据获取模块:用于根据所述车辆位置、车辆速度以及所在的车道号,确定至少一个采集时间;根据所述至少一个采集时间,延迟获取车辆的第二图像数据;
超员检测模块:用于根据所述第一图像数据以及第二图像数据,确定车辆的超员检测结果。
9.一种车辆超员检测设备,包括:
存储器:用于存储可执行指令;以及
处理器:用于与存储器连接以执行可执行指令从而完成如权利要求1-7任一项所述的车辆超员检测方法。
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;计算机程序被处理器执行以实现如权利要求1-7任一项所述的车辆超员检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310251396.6A CN116434563A (zh) | 2023-03-13 | 2023-03-13 | 车辆超员检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310251396.6A CN116434563A (zh) | 2023-03-13 | 2023-03-13 | 车辆超员检测方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116434563A true CN116434563A (zh) | 2023-07-14 |
Family
ID=87086402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310251396.6A Pending CN116434563A (zh) | 2023-03-13 | 2023-03-13 | 车辆超员检测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116434563A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368612A (zh) * | 2019-04-29 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 超员检测系统、人员检测方法及电子设备 |
CN216053310U (zh) * | 2021-10-27 | 2022-03-15 | 北京集光通达科技股份有限公司 | 一种车辆超员检测系统 |
CN115546315A (zh) * | 2022-10-12 | 2022-12-30 | 智道网联科技(北京)有限公司 | 自动驾驶车辆的传感器在线标定方法、装置及存储介质 |
CN115564937A (zh) * | 2022-09-27 | 2023-01-03 | 北京信路威科技股份有限公司 | 一种车辆侧面图像实时拼接方法、计算设备及存储介质 |
CN115731224A (zh) * | 2022-11-30 | 2023-03-03 | 北京万集科技股份有限公司 | 一种车牌检测方法、装置、终端设备和存储介质 |
-
2023
- 2023-03-13 CN CN202310251396.6A patent/CN116434563A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368612A (zh) * | 2019-04-29 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 超员检测系统、人员检测方法及电子设备 |
CN216053310U (zh) * | 2021-10-27 | 2022-03-15 | 北京集光通达科技股份有限公司 | 一种车辆超员检测系统 |
CN115564937A (zh) * | 2022-09-27 | 2023-01-03 | 北京信路威科技股份有限公司 | 一种车辆侧面图像实时拼接方法、计算设备及存储介质 |
CN115546315A (zh) * | 2022-10-12 | 2022-12-30 | 智道网联科技(北京)有限公司 | 自动驾驶车辆的传感器在线标定方法、装置及存储介质 |
CN115731224A (zh) * | 2022-11-30 | 2023-03-03 | 北京万集科技股份有限公司 | 一种车牌检测方法、装置、终端设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sivaraman et al. | A review of recent developments in vision-based vehicle detection | |
CN104573646B (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
CN108638999B (zh) | 一种基于360度环视输入的防碰撞预警系统及方法 | |
Rasheed et al. | Automated number plate recognition using hough lines and template matching | |
CN110223511A (zh) | 一种汽车路边违停智能监测方法及系统 | |
EP1679639A1 (en) | Object classification method for a collision warning system | |
CN108133484B (zh) | 基于场景分割的自动驾驶处理方法及装置、计算设备 | |
CN110738150B (zh) | 相机联动抓拍方法、装置以及计算机存储介质 | |
Bougharriou et al. | Linear SVM classifier based HOG car detection | |
CN110210474A (zh) | 目标检测方法及装置、设备及存储介质 | |
CN115331191B (zh) | 车型识别方法、装置、系统和存储介质 | |
US11620522B2 (en) | Vehicular system for testing performance of headlamp detection systems | |
US20220207325A1 (en) | Vehicular driving assist system with enhanced data processing | |
Park et al. | Real-time signal light detection | |
CN112434566A (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN111775944A (zh) | 辅助驾驶装置、方法及计算机可读存储介质 | |
CN114119955A (zh) | 一种潜在危险目标检测方法及装置 | |
El Jaafari et al. | A novel approach for on-road vehicle detection and tracking | |
CN110837760B (zh) | 目标检测方法、用于目标检测的训练方法和装置 | |
Santos et al. | Car recognition based on back lights and rear view features | |
CN116310598B (zh) | 一种用于恶劣天气下的障碍物检测方法及装置 | |
CN113076851A (zh) | 一种车辆违章数据的采集方法、装置以及计算机设备 | |
Hardzeyeu et al. | On using the hough transform for driving assistance applications | |
CN116434563A (zh) | 车辆超员检测方法、系统、设备及存储介质 | |
Monwar et al. | Vision-based potential collision detection for reversing vehicle |
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 |