CN116486358A - 抄牌预警方法、装置、设备及存储介质 - Google Patents
抄牌预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116486358A CN116486358A CN202310461840.7A CN202310461840A CN116486358A CN 116486358 A CN116486358 A CN 116486358A CN 202310461840 A CN202310461840 A CN 202310461840A CN 116486358 A CN116486358 A CN 116486358A
- Authority
- CN
- China
- Prior art keywords
- traffic police
- model
- target
- card reading
- preset
- 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 54
- 238000000605 extraction Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000013589 supplement Substances 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- 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)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种抄牌预警方法、装置、设备及存储介质,包括:基于车载设备发送的图像数据和预设交警识别算法获取交警模型信息,交警模型信息包括:交警模型坐标点和交警模型置信度;通过交警模型坐标点和交警模型置信度判断图像数据对应的图像中是否存在目标交警模型;若存在,则获取目标交警模型对应的录像数据,并通过后台服务系统将录像数据发送至目标车主。相较于现有技术在交警开具罚单后通过短信通知车主,本发明在图像中存在目标交警模型时通过后台服务系统将目标交警模型对应的录像数据发送至目标车主,解决了现有的在交警开具罚单后再通过短信通知车主的方式实时性较差的技术问题。
Description
技术领域
本发明涉及车辆驾驶技术领域,尤其涉及一种抄牌预警方法、装置、设备及存储介质。
背景技术
随着经济的快速发展,汽车已经成为大家外出出行的必需品,驾车出行时,停车成为了一大难题,很多驾驶员都会出现违停现象。而现在很多城市支持违法停车15分钟免费的规定,即在交警为车辆开具罚单后15分钟时间,车主赶到车辆违停现场,且车辆违停情况并未危害交通安全,车主可以向现场的执法人员申请免罚政策,如果符合免罚调节,执法人员会在现场直接补录车辆的免罚信息,将该信息上传至市机动车违停治理指挥中心进行审核。
现在的方案中一般是交警开具罚单后,交警后台会短信通知车主。但如果车主距离汽车距离过远或者比较拥堵,或者短信没有被及时查看到,让车主无法在15分钟内赶到汽车旁边,则无法进行15分钟的免责申请。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种抄牌预警方法、装置、设备及存储介质,旨在解决现有技术中现有的在交警开具罚单后再通过短信通知车主的方式实时性较差的技术问题。
为实现上述目的,本发明提供了一种抄牌预警方法,所述方法包括以下步骤:
基于车载设备发送的图像数据和预设交警识别算法获取交警模型信息,所述交警模型信息包括:交警模型坐标点和交警模型置信度;
通过所述交警模型坐标点和所述交警模型置信度判断所述图像数据对应的图像中是否存在目标交警模型;
若存在,则获取所述目标交警模型对应的录像数据,并通过后台服务系统将所述录像数据发送至目标车主。
可选地,所述基于车载设备发送的图像数据和预设交警识别算法获取交警模型信息的步骤,包括:
接收车载设备发送的图像数据,并基于预设比例和分辨率倍数规则确定待转换分辨率;
根据所述待转换分辨率对所述图像数据进行分辨率转换,获得转换后的目标图像数据;
基于所述目标图像数据和预设交警识别算法获取交警模型信息。
可选地,所述基于所述目标图像数据和预设交警识别算法获取交警模型信息的步骤,包括:
基于预设特征提取算法对所述目标图像数据对应的目标图像进行特征提取,获得目标人物模型的模型特征;
将所述模型特征与交警人物模型库中的目标模型特征进行比对;
根据比对结果确定所述目标人物模型在所述目标图像中的模型位置、模型大小和所述目标人物模型的模型相似度;
基于所述模型位置、所述模型大小和所述模型相似度获取交警模型信息。
可选地,所述基于所述模型位置、所述模型大小和所述模型相似度获取交警模型信息的步骤,包括:
基于所述目标图像建立图像坐标系,并根据所述图像坐标系、所述模型位置和所述模型大小确定交警模型坐标点;
根据所述模型相似度确定交警模型置信度;
基于所述交警模型坐标点和所述交警模型置信度获取交警模型信息。
可选地,所述通过所述交警模型坐标点和所述交警模型置信度判断所述图像数据对应的图像中是否存在目标交警模型的步骤,包括:
通过所述交警模型坐标点获取坐标偏差范围;
将所述坐标偏差范围和所述交警模型置信度分别与预设偏差范围阈值和预设置信度条件进行比较,并根据比较结果确定所述图像数据对应的图像中是否存在目标交警模型。
可选地,所述车载设备用于在所述图像数据对应的图像中存在所述目标交警模型时,根据系统当前时间和预设录像时间段确定所述目标交警模型对应的录像数据,并将所述录像数据发送至所述后台服务系统,所述后台服务系统在接收到所述录像数据时将所述录像数据发送至目标车主。
可选地,所述若存在,则获取所述目标交警模型对应的录像数据,并通过后台服务系统将所述录像数据发送至目标车主的步骤之后,还包括:
获取当前时刻对应的时间值,并判断所述时间值是否处于预设识别时间段内;
若否,则关闭所述预设交警识别算法,直至所述时间值处于所述预设识别时间段内。
此外,为实现上述目的,本发明还提出一种抄牌预警装置,所述装置包括:
模型信息获取模块,用于基于车载设备发送的图像数据和预设交警识别算法获取交警模型信息,所述交警模型信息包括:交警模型坐标点和交警模型置信度;
抄牌事件判断模块,用于通过所述交警模型坐标点和所述交警模型置信度判断所述图像数据对应的图像中是否存在目标交警模型;
抄牌事件预警模块,用于若存在,则获取所述目标交警模型对应的录像数据,并通过后台服务系统将所述录像数据发送至目标车主。
此外,为实现上述目的,本发明还提出一种抄牌预警设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的抄牌预警程序,所述抄牌预警程序配置为实现如上文所述的抄牌预警方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有抄牌预警程序,所述抄牌预警程序被处理器执行时实现如上文所述的抄牌预警方法的步骤。
在本发明中,公开了基于车载设备发送的图像数据和预设交警识别算法获取交警模型信息,交警模型信息包括:交警模型坐标点和交警模型置信度;通过交警模型坐标点和交警模型置信度判断图像数据对应的图像中是否存在目标交警模型;若存在,则获取目标交警模型对应的录像数据,并通过后台服务系统将录像数据发送至目标车主;相较于现有技术在交警开具罚单后通过短信通知车主,由于本发明通过交警模型信息中的交警模型坐标点和交警模型置信度判断图像数据对应的图像中是否存在目标交警模型,若存在,则通过后台服务系统将目标交警模型对应的录像数据发送至目标车主,从而解决了现有技术中现有的在交警开具罚单后再通过短信通知车主的方式实时性较差的技术问题,进而提高了车主进行免责申请的成功率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的抄牌预警设备的结构示意图;
图2为本发明抄牌预警方法第一实施例的流程示意图;
图3为本发明抄牌预警方法第一实施例中预设交警识别算法进行图像处理时每帧图像对应的处理时间示意图;
图4为本发明抄牌预警方法第一实施例中预设交警识别算法进行图像处理时每帧图像对应的置信度值示意图;
图5为本发明抄牌预警方法第二实施例的流程示意图;
图6为本发明抄牌预警装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的抄牌预警设备结构示意图。
如图1所示,该抄牌预警设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM),也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对抄牌预警设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及抄牌预警程序。
在图1所示的抄牌预警设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明抄牌预警设备中的处理器1001、存储器1005可以设置在抄牌预警设备中,所述抄牌预警设备通过处理器1001调用存储器1005中存储的抄牌预警程序,并执行本发明实施例提供的抄牌预警方法。
本发明实施例提供了一种抄牌预警方法,参照图2,图2为本发明抄牌预警方法第一实施例的流程示意图。
本实施例中,所述抄牌预警方法包括以下步骤:
步骤S10:基于车载设备发送的图像数据和预设交警识别算法获取交警模型信息,所述交警模型信息包括:交警模型坐标点和交警模型置信度。
需要说明的是,本实施例的方法的执行主体可以为在车辆停放时对车辆周围存在的交警开具罚单事件进行预警的抄牌预警设备,或者是其他能够实现相同或相似功能的、包含了该抄牌预警设备的抄牌预警系统。此处以抄牌预警系统(以下简称系统)对本实施例和下述各实施例提供的抄牌预警方法进行具体说明。
应当理解的是,上述车载设备可以为安装在车辆中的具有摄像或显示等功能的装置,本实施例对车载设备具有的功能不加以限制。实际应用中,本实施例中的车载设备在车辆停车熄火后,可以进入缩时录影的模式,利用带有的摄像头进行低帧率录像,其中,缩时录影即延时录影,是一种将较长的录影时间压缩变短的拍摄技术。此外,车载设备中可以带有一个或多个摄像头,并通过摄像头记录车辆前后范围内的画面,同时起到停车防盗的功能。
可以理解的是,上述图像数据可以为车载设备采集的图像对应的各像素数据。本实施例中的图像数据可以为通过YUV方式对图像进行编码获得的数据,其中,YUV与RGB类似,主要用于各个视频数据处理组件中,它将亮度信息(Y)与色彩信息(UV)分离,没有UV信息一样可以显示完整的图像,只不过是黑白的,并且YUV不像RGB那样要求三个独立的视频信号同时传输,所以用YUV方式传送占用极少的频宽。此外,YUV码流存储格式其实与其采样的方式密切相关,主流的采样方式有三种,分别为YUV 4:4:4、YUV 4:2:2和YUV 4:2:0,本发明使用的YUV格式可以为YUV 4:2:0。
需要说明的是,上述预设交警识别算法可以为对车载设备发送的图像中的交警模型进行识别的算法。通过预设交警识别算法对车载设备发送的图像进行识别后可以获取图像中的交警模型坐标和交警模型置信度,其中交警模型坐标点可以为车载设备发送的图像中的交警模型在图像中的坐标点,交警模型置信度可以为车载设备发送的图像中的交警模型相较于交警人物模型库中的交警模型的置信度。实际应用中,预设交警识别算法可以通过车载设备发送的图像数据计算交警模型的具体数据{x1,y1,x2,y2,C},其中,{x1,y1}可以为图像中交警模型的左上角坐标;{x2,y2}可以为图像中交警模型的右下角坐标;C值可以为识别图像中的交警模型置信度。
应当理解的是,由于预设交警识别算法的目的是在图像中识别出交警人物,由于发现交警模型不需要具体识别交警人物的身体行为和动作,因此并不需要很高的帧率。参照图3,图3为本发明抄牌预警方法第一实施例中预设交警识别算法进行图像处理时每帧图像对应的处理时间示意图。图3的横坐标为图像的帧数,纵坐标为预设交警识别算法每帧图像处理时间(单位毫秒ms),由图3可知,本实施例中的预设交警识别算法处理一帧YUV 4:2:0图像数据的时间平均为550ms,从而实现了预设交警识别算法在帧率上的优化,提升了预设交警识别算法的性能。
可以理解的是,本实施例中的预设交警识别算法可以基于tensorflow开源框架训练获得。实际应用中,在对预设交警识别算法进行训练时,可以从侦测交警模型算法中初步得到可能性比较大的发现交警事件和对应时间点的视频文件,其中,侦测交警模型算法可以为:
再把这些视频文件的数据按时间划分,每2秒分为一个时间段,每个时间段的置信度值的平均值几位C1、C2、C3...C_LAST,每个时间段的置信度值的标准差记为一项std0、std1、std2...std_last,每个样本的各个阶段的置信度至值和标准差std值,都被记录到一个csv文件。并将2022年10月到2023年的2月共半年5个月的7500条发现交警视频作为训练集进行训练,训练的模型使用线性模型Sequential Model,并使用全连接中间层和一个sigmoid作为激活函数的全连接输出层。其中,模型训练最大的问题是样本的严重不平衡性。从侦测交警模型算法初步给出的样本中,真实的交警视频比较少,大概只占到1.3%左右。普通的模型训练常用的binary_crossentropy函数,会计算太多的负样本的结果,结果掩盖了正样本的结果,使得正样本的结果在训练中变得无足轻重。而本实施中的模型训练可以使用focal函数作为loss函数。在focal函数中,alpha用来调节样本的权重。因为我们的正样本数量远远小于负样本,另外正样本难以分类,对于识别结果更为重要,这几点都要求我们取一个尽可能达的alpha值。当alpha比较大时,识别为正样本是否准确的计算结果会在loss函数中带来更高的权重,这样可以给识别结果带来更好的精确度。
在具体实现中,在车辆停车熄火时,车载设备可以从其摄像头中获取图像对应的YUV数据,并将图像对应的YUV数据发送至系统,从而预设交警识别算法可以根据图像对应的YUV数据计算获得车载设备发送的图像中的交警模型的左上角坐标、右下角坐标和交警模型置信度。
步骤S20:通过所述交警模型坐标点和所述交警模型置信度判断所述图像数据对应的图像中是否存在目标交警模型。
需要说明的是,上述目标交警模型可以为车载设备发送的图像数据对应的图像中存在的交警模型。实际应用中,可以根据交警模型坐标点和交警模型置信度判断车载设备发送的图像数据对应的图像中是否有交警模型。若通过预设交警识别算法计算获得的交警模型的左上角坐标{x1,y1}和右下角坐标{x2,y2}处于预设偏差值范围内,且交警模型置信度C的值在连续两次均大于0.5,则表示存在目标交警模型。
可以理解的是,上述步骤S20具体可包括:通过所述交警模型坐标点获取坐标偏差范围;将所述坐标偏差范围和所述交警模型置信度分别与预设偏差范围阈值和预设置信度条件进行比较,并根据比较结果确定所述图像数据对应的图像中是否存在目标交警模型。
需要说明的是,上述坐标偏差范围可以为交警模型坐标点对应的模型为交警模型时交警模型坐标点允许的偏差范围值。实际应用中,若交警模型坐标点的坐标偏差范围不超过上述预设偏差范围阈值,则表示车载设备发送的图像中可能不存在交警模型;若交警模型坐标点的坐标偏差范围超过上述预设偏差范围阈值,则表示车载设备发送的图像数据中可能存在交警模型。
应当理解的是,参照图4,图4为本发明抄牌预警方法第一实施例中预设交警识别算法进行图像处理时每帧图像对应的置信度值示意图。通过预设交警识别模型可以识别到交警模型置信度C值的取值范围可以为0<C<=1(即上述预设置信度条件),C值越大表示识别的交警模型越真实。在C值>1时,即识别出图像中的交警模型为戴警帽的模型。
在具体实现中,若车载设备发送的图像中的交警模型的左上角坐标点{x1,y1}或右下角坐标点{x2,y2}的偏差范围值较大且超过预设偏差范围阈值,或图像的交警模型置信度C的值小于或等于0.5,则表示车辆附近并没有发现交警,故不存在目标交警模型;若车载设备发送的图像中的交警模型的左上角坐标点{x1,y1}和右下角坐标点{x2,y2}的偏差范围值较小,且图像的交警模型置信度C的值大于0.5,则表示车辆附近存在行人,且该行人的人物模型可能为交警模型。
步骤S30:若存在,则获取所述目标交警模型对应的录像数据,并通过后台服务系统将所述录像数据发送至目标车主。
可以理解的是,上述录像数据可以为车载设备中的摄像头拍摄的视频文件对应的数据。
需要说明的是,上述后台服务系统可以为信息传递及信息处理功能的服务系统。
应当理解的是,所述车载设备用于在所述图像数据对应的图像中存在所述目标交警模型时,根据系统当前时间和预设录像时间段确定所述目标交警模型对应的录像数据,并将所述录像数据发送至所述后台服务系统,所述后台服务系统在接收到所述录像数据时将所述录像数据发送至目标车主。
可以理解的是,上述系统当前时间可以为判定存在目标交警模型时车载设备对应的系统时间。相应的,上述预设录像时间段可以为由存在目标交警模型的时间的前一段时间和后一段时间组成的时间段。例如:车载设备可以根据目标交警模型对应的当前时间T1保存当前时间前七秒和后八秒(即上述预设录像时间段)的视频文件,即该视频文件startTime=T1-7,endTime=T1+8,并将该视频文件作为目标交警模型对应的录像数据。
在具体实现中,若经判定识别车载设备发送的图像后发现存在目标交警模型后,车载设备可以根据其系统的当前时间记录目标交警模型前七秒和后八秒的视频文件,并通过一个支持物联网的无线通讯模块将目标交警模型对应的录像数据发送至后台服务系统,从而后台服务系统在接收到目标交警模型对应的录像数据时,可以将录像数据推送至目标车主的手机绑定的公众号上,并通过打电话的方式通知车主,让车主通过后台服务系统上传的录像数据中的录像视频判断是否需要进行移车。
进一步地,为了提高目标交警模型判断的准确率,所述步骤S30之后,所述方法还包括:获取当前时刻对应的时间值,并判断所述时间值是否处于预设识别时间段内;若否,则关闭所述预设交警识别算法,直至所述时间值处于所述预设识别时间段内。
应当理解的是,上述预设识别时间段可以为预设交警识别模型对车载设备发送的图像进行设备的时间段,本实施例对预设识别时间段的具体时间不做限制,可以根据具体情况进行设置。由于预设交警识别算法在一些情况下容易出现误判,如外卖人员、环卫工人和建筑人员等的服装与交警的服装有一些类似,可能导致预设交警识别算法出现识别失误的情况,针对这种情况,可以根据当前时刻对应的时间值来控制预设交警识别算法的算法开关,使得预设交警识别算法在晚上10点到凌晨6点关闭,在处于凌晨6点至晚上10之间点的识别时间段打开预设交警识别算法对车载设备发送的图像进行识别,从而可以提高预设交警识别算法对交警模型识别的准确性。
本实施例公开了基于车载设备发送的图像数据和预设交警识别算法获取交警模型信息,交警模型信息包括:交警模型坐标点和交警模型置信度;通过交警模型坐标点和交警模型置信度判断图像数据对应的图像中是否存在目标交警模型;若存在,则获取目标交警模型对应的录像数据,并通过后台服务系统将录像数据发送至目标车主;相较于现有技术在交警开具罚单后通过短信通知车主,由于本实施例通过交警模型信息中的交警模型坐标点和交警模型置信度判断图像数据对应的图像中是否存在目标交警模型,若存在,则通过后台服务系统将目标交警模型对应的录像数据发送至目标车主,从而解决了现有技术中现有的在交警开具罚单后再通过短信通知车主的方式实时性较差的技术问题,进而提高了车主进行免责申请的成功率。
参考图5,图5为本发明抄牌预警方法第二实施例的流程示意图。
基于上述第一实施例,本实施例中,所述步骤S10包括:
步骤S101:接收车载设备发送的图像数据,并基于预设比例和分辨率倍数规则确定待转换分辨率。
需要说明的是,上述预设比例可以为预先设定的对图像进行分辨率转换的比例,本实施例中的预设比例可以为16:9。
应当理解的是,上述分辨率倍数规则可以为对图像进行分辨率转换的倍数规则,本实施例中可以以32的倍数规则对图像进行分辨率转换。
可以理解的是,上述待转换分辨率可以为车载设备发送的图像需要转换的分辨率。本实施例在不影响交警模型的识别效果下,可以将采集的多种分辨率的图像数据转换成分辨率为416*256的图像数据进行算法识别,从而可以优化CPU的平均占有率。
步骤S102:根据所述待转换分辨率对所述图像数据进行分辨率转换,获得转换后的目标图像数据。
需要说明的是,上述目标图像数据可以为对图像进行分辨率转换后获得的图像的YUV图像数据。
步骤S103:基于所述目标图像数据和预设交警识别算法获取交警模型信息。
可以理解的是,本实施例可以对进行分辨率转换后得到的规定大小的分辨率YUV数据进行交警模型的识别,以优化CPU的平均占有率。
进一步地,为了减少预设交警识别算法的计算量,提高模型识别效率和识别准确率,上述步骤S103具体包括:基于预设特征提取算法对所述目标图像数据对应的目标图像进行特征提取,获得目标人物模型的模型特征;将所述模型特征与交警人物模型库中的目标模型特征进行比对;根据比对结果确定所述目标人物模型在所述目标图像中的模型位置、模型大小和所述目标人物模型的模型相似度。
需要说明的是,上述预设特征提取算法可以为可以对图像进行边缘、轮廓和颜色提取的算法,本实施例对具体的算法类型不做限制,可以根据具体情况进行设置。
可以理解的是,上述目标人物模型可以为识别出的目标图像数据对应的目标图像中人物模型。实际应用中,在对目标图像进行特征提取之前,可以对目标图像进行去噪、滤波和二值化等预处理,以便于后续提取目标图像中的人物模型。
应当理解的是,对目标模型进行特征提取可以为对目标模型进行边缘、轮廓和颜色的特征提取,从而获得目标模型的模型特征。
可以理解的是,上述交警人物模型库可以为存储有各种交警人物模型的模型库,相应的,上述目标模型特征可以为交警人物模型库中各交警人物模型对应的模型特征。
需要说明的是,将从目标图像中提取出来的模型特征与交警人物模型库中各模型对应的目标模型特征进行比对,即可确定目标图像中的目标人物模型在目标图像中的模型位置、模型大小和目标人物模型的模型相似度。
应当理解的是,上述基于所述模型位置、所述模型大小和所述模型相似度获取交警模型信息的步骤具体可包括:基于所述目标图像建立图像坐标系,并根据所述图像坐标系、所述模型位置和所述模型大小确定交警模型坐标点;根据所述模型相似度确定交警模型置信度;基于所述交警模型坐标点和所述交警模型置信度获取交警模型信息。
可以理解的是,上述图像坐标系可以以目标图像的左上角为坐标原点,以左上角向右上角的方向为横坐标,以左上角向左下角的方向为纵坐标建立。
在具体实现中,在确定目标图像后,首先可以以图像左上角为坐标原点,以左上角向右上角的方向为横坐标,以左上角向左下角的方向为纵坐标建立图像坐标系,并根据建立的图像坐标系和目标图像中目标人物模型的模型位置和模型大小确定目标人物模型的左上角坐标和右下角坐标,再将目标人物模型的模型相似度转换为交警模型置信度,从而可以基于目标人物模型的左上角坐标和右下角坐标以及交警模型置信度确定交警模型信息。
本实施例基于预设比例和分辨率倍数规则确定待转换分辨率,根据待转换分辨率对图像数据进行分辨率转换后获取转换后的目标图像数据,并基于目标图像数据和预设交警识别算法获取交警模型信息,从而优化CPU的平均占有率。同时,通过对目标图像进行特征提取后获取目标人物模型的模型特征,并根据模型特征与交警人物模型库中的目标模型特征的比对结果确定目标人物模型的模型位置、模型大小和模型相似度,以获取交警模型信息,从而可以减少预设交警识别算法的计算量,提高模型识别效率和识别准确率。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有抄牌预警程序,所述抄牌预警程序被处理器执行时实现如上文所述的抄牌预警方法的步骤。
参照图6,图6为本发明抄牌预警装置第一实施例的结构框图。
如图6所示,本发明实施例提出的抄牌预警装置包括:
模型抄牌预警模块601,用于基于车载设备发送的图像数据和预设交警识别算法获取交警模型信息,所述交警模型信息包括:交警模型坐标点和交警模型置信度;
抄牌事件判断模块602,用于通过所述交警模型坐标点和所述交警模型置信度判断所述图像数据对应的图像中是否存在目标交警模型;
抄牌事件预警模块603,用于若存在,则获取所述目标交警模型对应的录像数据,并通过后台服务系统将所述录像数据发送至目标车主。
进一步地,所述抄牌事件判断模块602,还用于通过所述交警模型坐标点获取坐标偏差范围;将所述坐标偏差范围和所述交警模型置信度分别与预设偏差范围阈值和预设置信度条件进行比较,并根据比较结果确定所述图像数据对应的图像中是否存在目标交警模型。
进一步地,所述抄牌事件预警模块603,还用于所述车载设备用于在所述图像数据对应的图像中存在所述目标交警模型时,根据系统当前时间和预设录像时间段确定所述目标交警模型对应的录像数据,并将所述录像数据发送至所述后台服务系统,所述后台服务系统在接收到所述录像数据时将所述录像数据发送至目标车主。
进一步地,所述抄牌事件预警模块603,还用于获取当前时刻对应的时间值,并判断所述时间值是否处于预设识别时间段内;若否,则关闭所述预设交警识别算法,直至所述时间值处于所述预设识别时间段内。
本实施例的抄牌预警装置公开了基于车载设备发送的图像数据和预设交警识别算法获取交警模型信息,交警模型信息包括:交警模型坐标点和交警模型置信度;通过交警模型坐标点和交警模型置信度判断图像数据对应的图像中是否存在目标交警模型;若存在,则获取目标交警模型对应的录像数据,并通过后台服务系统将录像数据发送至目标车主;相较于现有技术在交警开具罚单后通过短信通知车主,由于本实施例通过交警模型信息中的交警模型坐标点和交警模型置信度判断图像数据对应的图像中是否存在目标交警模型,若存在,则通过后台服务系统将目标交警模型对应的录像数据发送至目标车主,从而解决了现有技术中现有的在交警开具罚单后再通过短信通知车主的方式实时性较差的技术问题,进而提高了车主进行免责申请的成功率。
基于本发明上述抄牌预警装置第一实施例,提出本发明抄牌预警装置的第二实施例。
在本实施例中,所述模型抄牌预警模块601,还用于接收车载设备发送的图像数据,并基于预设比例和分辨率倍数规则确定待转换分辨率;根据所述待转换分辨率对所述图像数据进行分辨率转换,获得转换后的目标图像数据;基于所述目标图像数据和预设交警识别算法获取交警模型信息。
进一步地,所述模型抄牌预警模块601,还用于基于预设特征提取算法对所述目标图像数据对应的目标图像进行特征提取,获得目标人物模型的模型特征;将所述模型特征与交警人物模型库中的目标模型特征进行比对;根据比对结果确定所述目标人物模型在所述目标图像中的模型位置、模型大小和所述目标人物模型的模型相似度;基于所述模型位置、所述模型大小和所述模型相似度获取交警模型信息。
进一步地,所述模型抄牌预警模块601,还用于基于所述目标图像建立图像坐标系,并根据所述图像坐标系、所述模型位置和所述模型大小确定交警模型坐标点;根据所述模型相似度确定交警模型置信度;基于所述交警模型坐标点和所述交警模型置信度获取交警模型信息。
本实施例基于预设比例和分辨率倍数规则确定待转换分辨率,根据待转换分辨率对图像数据进行分辨率转换后获取转换后的目标图像数据,并基于目标图像数据和预设交警识别算法获取交警模型信息,从而优化CPU的平均占有率。同时,通过对目标图像进行特征提取后获取目标人物模型的模型特征,并根据模型特征与交警人物模型库中的目标模型特征的比对结果确定目标人物模型的模型位置、模型大小和模型相似度,以获取交警模型信息,从而可以减少预设交警识别算法的计算量,提高模型识别效率和识别准确率。
本发明抄牌预警装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种抄牌预警方法,其特征在于,所述抄牌预警方法包括:
基于车载设备发送的图像数据和预设交警识别算法获取交警模型信息,所述交警模型信息包括:交警模型坐标点和交警模型置信度;
通过所述交警模型坐标点和所述交警模型置信度判断所述图像数据对应的图像中是否存在目标交警模型;
若存在,则获取所述目标交警模型对应的录像数据,并通过后台服务系统将所述录像数据发送至目标车主。
2.如权利要求1所述的抄牌预警方法,其特征在于,所述基于车载设备发送的图像数据和预设交警识别算法获取交警模型信息的步骤,包括:
接收车载设备发送的图像数据,并基于预设比例和分辨率倍数规则确定待转换分辨率;
根据所述待转换分辨率对所述图像数据进行分辨率转换,获得转换后的目标图像数据;
基于所述目标图像数据和预设交警识别算法获取交警模型信息。
3.如权利要求2所述的抄牌预警方法,其特征在于,所述基于所述目标图像数据和预设交警识别算法获取交警模型信息的步骤,包括:
基于预设特征提取算法对所述目标图像数据对应的目标图像进行特征提取,获得目标人物模型的模型特征;
将所述模型特征与交警人物模型库中的目标模型特征进行比对;
根据比对结果确定所述目标人物模型在所述目标图像中的模型位置、模型大小和所述目标人物模型的模型相似度;
基于所述模型位置、所述模型大小和所述模型相似度获取交警模型信息。
4.如权利要求3所述的抄牌预警方法,其特征在于,所述基于所述模型位置、所述模型大小和所述模型相似度获取交警模型信息的步骤,包括:
基于所述目标图像建立图像坐标系,并根据所述图像坐标系、所述模型位置和所述模型大小确定交警模型坐标点;
根据所述模型相似度确定交警模型置信度;
基于所述交警模型坐标点和所述交警模型置信度获取交警模型信息。
5.如权利要求1所述的抄牌预警方法,其特征在于,所述通过所述交警模型坐标点和所述交警模型置信度判断所述图像数据对应的图像中是否存在目标交警模型的步骤,包括:
通过所述交警模型坐标点获取坐标偏差范围;
将所述坐标偏差范围和所述交警模型置信度分别与预设偏差范围阈值和预设置信度条件进行比较,并根据比较结果确定所述图像数据对应的图像中是否存在目标交警模型。
6.如权利要求1所述的抄牌预警方法,其特征在于,所述车载设备用于在所述图像数据对应的图像中存在所述目标交警模型时,根据系统当前时间和预设录像时间段确定所述目标交警模型对应的录像数据,并将所述录像数据发送至所述后台服务系统,所述后台服务系统在接收到所述录像数据时将所述录像数据发送至目标车主。
7.如权利要求1所述的抄牌预警方法,其特征在于,所述若存在,则获取所述目标交警模型对应的录像数据,并通过后台服务系统将所述录像数据发送至目标车主的步骤之后,还包括:
获取当前时刻对应的时间值,并判断所述时间值是否处于预设识别时间段内;
若否,则关闭所述预设交警识别算法,直至所述时间值处于所述预设识别时间段内。
8.一种抄牌预警装置,其特征在于,所述装置包括:
模型信息获取模块,用于基于车载设备发送的图像数据和预设交警识别算法获取交警模型信息,所述交警模型信息包括:交警模型坐标点和交警模型置信度;
抄牌事件判断模块,用于通过所述交警模型坐标点和所述交警模型置信度判断所述图像数据对应的图像中是否存在目标交警模型;
抄牌事件预警模块,用于若存在,则获取所述目标交警模型对应的录像数据,并通过后台服务系统将所述录像数据发送至目标车主。
9.一种抄牌预警设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的抄牌预警程序,所述抄牌预警配置为实现如权利要求1至7中任一项所述的抄牌预警方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有抄牌预警程序,所述抄牌预警程序被处理器执行时实现如权利要求1至7任一项所述的抄牌预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310461840.7A CN116486358A (zh) | 2023-04-23 | 2023-04-23 | 抄牌预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310461840.7A CN116486358A (zh) | 2023-04-23 | 2023-04-23 | 抄牌预警方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116486358A true CN116486358A (zh) | 2023-07-25 |
Family
ID=87211562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310461840.7A Pending CN116486358A (zh) | 2023-04-23 | 2023-04-23 | 抄牌预警方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116486358A (zh) |
-
2023
- 2023-04-23 CN CN202310461840.7A patent/CN116486358A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020173056A1 (zh) | 交通图像识别方法、装置、计算机设备和介质 | |
CN112163543A (zh) | 一种车辆违法占道的检测方法及系统 | |
CN110659539A (zh) | 一种信息处理方法及其装置 | |
CN110619277A (zh) | 一种多社区智慧布控方法以及系统 | |
CN110728218A (zh) | 危险驾驶行为的预警方法、装置、电子设备及存储介质 | |
CN110580808B (zh) | 一种信息处理方法、装置、电子设备及智能交通系统 | |
CN111047874B (zh) | 智能交通违章管理方法及相关产品 | |
KR102122850B1 (ko) | 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션 | |
CN114418895A (zh) | 驾驶辅助方法及装置、车载设备及存储介质 | |
CN110796580B (zh) | 智能交通系统管理方法及相关产品 | |
Hakim et al. | Implementation of an image processing based smart parking system using Haar-Cascade method | |
CN106991821A (zh) | 违章车辆用手持移动终端数据采集系统 | |
CN111627057A (zh) | 一种距离测量方法、装置及服务器 | |
CN109858459A (zh) | 基于警用车载视频要素信息实现智能解析处理的系统及其方法 | |
CN112115800A (zh) | 一种基于深度学习目标检测的车辆组合识别系统及方法 | |
CN111985304A (zh) | 巡防告警方法、系统、终端设备及存储介质 | |
CN112800989A (zh) | 一种检测斑马线的方法及装置 | |
CN108985197B (zh) | 基于多算法融合的出租车驾驶员吸烟行为的自动检测方法 | |
CN110188645B (zh) | 用于车载场景的人脸检测方法、装置、车辆及存储介质 | |
CN115512315B (zh) | 一种非机动车儿童搭乘检测方法、电子设备及存储介质 | |
CN111415516A (zh) | 一种全域路网的车辆尾气监测方法 | |
CN116486358A (zh) | 抄牌预警方法、装置、设备及存储介质 | |
CN111694981A (zh) | 一种基于机器视觉的加油站逃费报警系统及方法 | |
CN116052090A (zh) | 图像质量评估方法、模型训练方法、装置、设备及介质 | |
CN114387554A (zh) | 车辆人员超载识别方法、装置、设备及可读介质 |
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 |