CN117037502A - 车辆处理信息生成方法、装置、设备和计算机可读介质 - Google Patents
车辆处理信息生成方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN117037502A CN117037502A CN202311294138.2A CN202311294138A CN117037502A CN 117037502 A CN117037502 A CN 117037502A CN 202311294138 A CN202311294138 A CN 202311294138A CN 117037502 A CN117037502 A CN 117037502A
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- processed
- vehicle information
- determining
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 191
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 claims abstract description 97
- 230000004044 response Effects 0.000 claims description 54
- 238000001514 detection method Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
-
- 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
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了车辆处理信息生成方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括：对获取的道路交通视频信息进行车辆检测，得到各个车辆信息和图像信息组集合；将满足预设车辆类型条件的图像信息组对应的车辆信息确定为目标类型车辆信息；将各个目标类型车辆信息确定为目标类型车辆信息集合；将满足预设处理条件的各个目标类型车辆信息确定为待处理车辆信息集合；生成待处理车辆信息集合的人脸特征码信息集合；生成待处理车辆信息集合的融合特征码信息集合；对于每个待处理车辆信息，生成待处理车辆信息的车辆处理信息。该实施方式提升了驾驶员的驾驶安全性，且不需额外的安装断电装置，减少了硬件资源的浪费。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及车辆处理信息生成方法、装置、设备和计算机可读介质。
背景技术
由于并非全部非机动车辆都有车牌信息，因此可以通过非机动车辆的车辆特征和驾驶员人脸特征对行驶操作错误或停车错误的非机动车辆进行处理。目前，在对行驶错误或停车错误的非机动车辆进行处理时，通常采用的方式为：通过道路交通视频中包括的各个图像对驾驶员的驾驶操作、驾驶员的人脸和所驾驶的车辆进行检测时，当检测到驾驶员错误的行驶操作，推送错误行驶信息给驾驶员，或将断电装置安装在非机动车辆上，当检测到驾驶员的错误行驶操作时，对驾驶员的非机动车辆进行断电处理。
然而，发明人发现，当采用上述方式对非机动车进行处理时，经常会存在如下技术问题：
对行驶操作错误或停车占用位置错误的非机动车进行处理时，直接将错误行驶信息推送给驾驶员，或直接对非机动车辆进行断电处理，未考虑针对不同的错误操作生成不同的处理方式，导致驾驶员的驾驶安全性较低，且需额外的配置断电装置对非机动车辆进行处理，造成硬件资源的浪费。
当根据交通视频信息中的全部图像信息确定驾驶员是否存在错误的操作信息时，视频中所包含的图像较多，且包括较多冗余图像信息，造成根据全部图像信息确定驾驶员的操作信息的计算量较大，需耗费的计算资源较多，耗时较长。
当对驾驶员进行人脸识别时，驾驶员佩戴头盔或口罩等遮挡物，造成人脸识别的准确性较低，且并非仅对驾驶操作错误的驾驶员进行人脸识别，而是直接对全部驾驶员进行人脸识别，造成人脸识别的计算量较大，导致所识别的人脸信息与实际驾驶错误的驾驶员的匹配度较低，对驾驶错误操作的驾驶员处理的准确性较低，驾驶员行驶的安全性较差，人脸识别耗费的计算量较大且耗时较长。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了车辆处理信息生成方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种车辆处理信息生成方法，该方法包括：获取道路交通视频信息；对上述道路交通视频信息进行车辆检测处理，得到对应各个车辆的各个车辆信息和图像信息组集合，其中，上述图像信息组集合中的图像信息组对应上述各个车辆信息中的车辆信息；根据上述图像信息组集合和上述各个车辆信息，确定上述图像信息组集合中是否存在满足预设车辆类型条件的图像信息组；响应于确定上述图像信息组集合中存在满足上述预设车辆类型条件的图像信息组，将满足上述预设车辆类型条件的图像信息组对应的车辆信息确定为目标类型车辆信息，得到各个目标类型车辆信息；将所得到的各个目标类型车辆信息确定为目标类型车辆信息集合；根据上述目标类型车辆信息集合和上述图像信息组集合，确定上述目标类型车辆信息集合中是否存在满足预设处理条件的目标类型车辆信息；响应于确定上述目标类型车辆信息集合中存在满足上述预设处理条件的目标类型车辆信息，将满足上述预设处理条件的各个目标类型车辆信息确定为待处理车辆信息集合；根据上述待处理车辆信息集合和上述图像信息组集合，生成对应上述待处理车辆信息集合的人脸特征码信息集合；根据上述人脸特征码信息集合和上述图像信息组集合，生成对应上述待处理车辆信息集合的融合特征码信息集合；对于上述待处理车辆信息集合中的每个待处理车辆信息，根据上述融合特征码信息集合，生成对应上述待处理车辆信息的车辆处理信息。
第二方面，本公开的一些实施例提供了一种车辆处理信息生成装置，装置包括：获取单元，被配置成获取道路交通视频信息；车辆检测处理单元，被配置成对上述道路交通视频信息进行车辆检测处理，得到对应各个车辆的各个车辆信息和图像信息组集合，其中，上述图像信息组集合中的图像信息组对应上述各个车辆信息中的车辆信息；第一确定单元，被配置成根据上述图像信息组集合和上述各个车辆信息，确定上述图像信息组集合中是否存在满足预设车辆类型条件的图像信息组；第二确定单元，被配置成响应于确定上述图像信息组集合中存在满足上述预设车辆类型条件的图像信息组，将满足上述预设车辆类型条件的图像信息组对应的车辆信息确定为目标类型车辆信息，得到各个目标类型车辆信息；第三确定单元，被配置成将所得到的各个目标类型车辆信息确定为目标类型车辆信息集合；第四确定单元，被配置成根据上述目标类型车辆信息集合和上述图像信息组集合，确定上述目标类型车辆信息集合中是否存在满足预设处理条件的目标类型车辆信息；第五确定单元，被配置成响应于确定上述目标类型车辆信息集合中存在满足上述预设处理条件的目标类型车辆信息，将满足上述预设处理条件的各个目标类型车辆信息确定为待处理车辆信息集合；第一生成单元，被配置成根据上述待处理车辆信息集合和上述图像信息组集合，生成对应上述待处理车辆信息集合的人脸特征码信息集合；第二生成单元，被配置成根据上述人脸特征码信息集合和上述图像信息组集合，生成对应上述待处理车辆信息集合的融合特征码信息集合；第三生成单元，被配置成对于上述待处理车辆信息集合中的每个待处理车辆信息，根据上述融合特征码信息集合，生成对应上述待处理车辆信息的车辆处理信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，上述计算机程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车辆处理信息生成方法，提升了驾驶员的安全性，不需额外的安装断电装置，减少了硬件资源的浪费。具体来说，造成驾驶员的安全性较低，需额外的安装断电装置，硬件资源的浪费较多的原因在于：对行驶操作错误或停车占用位置错误的非机动车进行处理时，直接将错误行驶信息推送给驾驶员，或直接对非机动车辆进行断电处理，未考虑针对不同的错误操作生成不同的处理方式，导致驾驶员的驾驶安全性较低，且需额外的配置断电装置对非机动车辆进行处理，造成硬件资源的浪费。基于此，本公开的一些实施例的车辆处理信息生成方法，首先，获取道路交通视频信息。由此，可以得到交通视频信息片段，可以用于获取车辆的各个图像信息。然后，对上述道路交通视频信息进行车辆检测处理，得到对应各个车辆的各个车辆信息和图像信息组集合。其中，上述图像信息组集合中的图像信息组对应上述各个车辆信息中的车辆信息。由此，可以得到表征每个车辆的各个图像信息。之后，根据上述图像信息组集合和上述各个车辆信息，确定上述图像信息组集合中是否存在满足预设车辆类型条件的图像信息组。由此，可以确定是否存在满足上述预设车辆类型条件的各个图像信息。接着，响应于确定上述图像信息组集合中存在满足上述预设车辆类型条件的图像信息组，将满足上述预设车辆类型条件的图像信息组对应的车辆信息确定为目标类型车辆信息，得到各个目标类型车辆信息。由此，可以得到满足上述预设类型条件的各个车辆信息，可以用于得到待处理的各个非机动车。紧接着，将所得到的各个目标类型车辆信息确定为目标类型车辆信息集合。由此，可以得到对应满足预设车辆类型条件的集合。之后，响应于确定上述目标类型车辆信息集合中存在满足上述预设处理条件的目标类型车辆信息，将满足上述预设处理条件的各个目标类型车辆信息确定为待处理车辆信息集合。由此，可以得到需要进行处理的各个车辆信息。接着，根据上述待处理车辆信息集合和上述图像信息组集合，生成对应上述待处理车辆信息集合的人脸特征码信息集合。由此，可以得到待处理车辆的驾驶员的人脸特征信息。之后，根据上述人脸特征码信息集合和上述图像信息组集合，生成对应上述待处理车辆信息集合的融合特征码信息集合。由此，可以得到各个待处理车辆的特征码信息，可以用于生成对应待处理车辆的处理信息。最后，对于上述待处理车辆信息集合中的每个待处理车辆信息，根据上述融合特征码信息集合，生成对应上述待处理车辆信息的车辆处理信息。由此，可以得到对应待处理车辆信息的处理方式。也因为所实现的车辆处理信息生成方法并不是当检测到有错误驾驶或错误停车的车辆时，将驾驶错误信息推送给驾驶员或对车辆进行断电处理，而是针对驾驶员的错误操作生成针对性的处理信息，提升了驾驶员行驶的安全性，且还因为不需额外安装断电装置，从而节约了硬件资源。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的车辆处理信息生成方法的一些实施例的流程图；
图2是根据本公开的车辆处理信息生成装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了车辆处理信息生成方法的一些实施例的流程100。该车辆处理信息生成方法，包括以下步骤：
步骤101，获取道路交通视频信息。
在一些实施例中，车辆处理信息生成方法的执行主体（例如计算设备）可以获取道路交通视频信息。其中，上述道路交通视频信息可以为拍摄的任意道路交通视频片段。实践中，上述执行主体可以从存储道路交通视频信息的数据库中获取任意道路交通视频片段作为道路交通视频信息。
步骤102，对道路交通视频信息进行车辆检测处理，得到对应各个车辆的各个车辆信息和图像信息组集合。
在一些实施例中，上述执行主体可以对上述道路交通视频信息进行车辆检测处理，得到对应各个车辆的各个车辆信息和图像信息组集合。其中，上述图像信息组集合中的图像信息组可以对应上述各个车辆信息中的车辆信息。上述各个车辆中的车辆可以对应上述各个车辆信息中的车辆信息。上述各个车辆中的车辆可以对应图像信息组集合中的图像信息组。上述各个车辆信息中的车辆信息可以表征车辆的特征。上述图像信息组集合中的图像信息组可以表征车辆的各个图像。实践中，上述执行主体可以通过各种方式对上述道路交通视频信息进行车辆检测处理，得到对应各个车辆的各个车辆信息和图像信息组集合。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤对上述道路交通视频信息进行车辆检测处理，得到对应各个车辆的各个车辆信息和图像信息组集合：
第一步，对上述道路交通视频信息进行车辆检测处理，得到对应各个车辆中每个车辆的目标轮廓信息集合作为车辆信息。其中，上述车辆信息可以包括上述目标轮廓信息集合。上述目标轮廓信息集合中的目标轮廓信息可以表征车辆的轮廓特征。上述目标轮廓信息集合中的每个目标轮廓信息可以以图像坐标表示。
第二步，根据所得到的各个车辆信息，对上述道路交通视频信息中的各个图像信息进行组合处理，得到对应上述各个车辆的图像信息组集合。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤对上述道路交通视频信息进行车辆检测处理，得到对应各个车辆中每个车辆的目标轮廓信息集合作为车辆信息：
第一步，对上述道路交通视频信息进行降噪处理，得到降噪处理后的道路交通视频信息作为目标道路交通视频信息。其中，上述目标道路交通视频信息可以表征降噪处理后的视频。实践中，上述执行主体可以通过滤波方法对上述道路交通视频信息进行降噪处理。
第二步，对于目标道路交通视频信息中的每帧图像信息，执行以下检测步骤：
第一检测步骤，响应于确定目标道路交通视频信息中存在对应上述图像信息的后向图像信息，确定上述图像信息与上述后向图像信息的像素差分信息。其中，上述后向图像信息可以表征与上述图像信息相邻的后一帧图像。上述像素差分信息可以表征上述图像信息中任意像素点的像素值与上述后向图像信息中任意像素点的像素值间的差值。实践中，上述执行主体可以将上述图像信息中任意点的像素值与上述后向图像信息中任意点的像素值间的差值确定为像素差分信息。
第二检测步骤，响应于确定所得到的像素差分信息满足预设差分条件，根据上述图像信息，执行以下步骤：
第一子步骤，确定对应上述图像信息的亮度值信息和颜色值信息。其中，上述预设差分条件可以为所确定的像素差分信息表征的像素差值大于预设像素差值。对于上述预设像素差值的具体数值，在此，不做具体限定。上述亮度值信息可以表征上述图像信息中的各个像素点对应的各个亮度值。上述颜色值信息可以表征上述图像信息中的各个像素点对应的各个颜色值。实践中，首先，上述执行主体可以根据OpenCV工具获取对应上述图像信息的亮度值信息和颜色值信息。
第二子步骤，根据预设亮度值信息，对上述图像信息的亮度值信息进行缩放处理，得到缩放处理后的图像信息作为第一图像信息。其中，上述预设亮度值信息可以表征亮度值的区间范围。对于上述亮度值的区间的具体范围，在此，不做具体限定。实践中，首先，上述执行主体可以将上述亮度值信息中未处于上述亮度值的区间范围的各个亮度值确定为各个目标亮度值。然后，将各个目标亮度值中的每个目标亮度值与对应的亮度值系数相乘，以使各个目标亮度值均处于上述亮度值的区间范围，以对上述图像信息的亮度值信息进行缩放处理。其中，每个目标亮度值对应的亮度值系数可以为使目标亮度值处于上述亮度值的区间范围的系数。对于每个目标亮度值对应的亮度值系数的具体数值，在此，不做具体限定。
第三子步骤，根据预设颜色值信息，对上述第一图像信息的颜色值信息进行平衡处理，得到平衡处理后的第一图像信息作为第二图像信息。其中，上述预设颜色值信息可以表征颜色值的区间范围。对于上述颜色值的区间范围，在此，不做具体限定。实践中，首先，上述执行主体可以将颜色值信息中未处于上述颜色值的区间范围的各个颜色值确定为各个目标颜色值。然后，将上述各个目标颜色值中的每个目标颜色值与对应的颜色值系数相乘，以使各个目标颜色值均处于上述颜色值的区间范围，以对上述第一图像信息的颜色值信息进行平衡处理。每个目标颜色值对应的颜色值系数可以为使目标颜色值处于上述颜色值的区间范围的系数。对于每个目标颜色值对应的颜色值系数的具体数值，在此，不做限定。
第四子步骤，将上述第二图像信息进行转换处理，得到对应上述图像信息的二值图像信息。其中，上述二值图像信息可以表征上述第二图像信息的二值图。实践中，上述执行主体可以根据阈值分割法，将上述第二图像信息转换为二值图像信息。
第五子步骤，对上述二值图像信息中满足预设像素检测条件的像素信息进行边缘检测处理，得到各个轮廓信息作为轮廓信息集合。其中，上述预设像素检测条件可以为像素信息表征的像素值为0或255。上述各个轮廓信息可以表征图像中物体的轮廓特征。实践中，首先，上述执行主体可以确定满足上述预设像素检测条件的各个像素信息。然后，可以根据边缘检测算法，对所确定的各个像素信息进行边缘检测处理。例如，边缘检测算法可以为Canny。
第三检测步骤，响应于确定所得到的像素差分信息不满足上述预设差分条件，从目标道路交通视频信息中对上述图像信息进行过滤处理，以对目标道路交通视频信息进行过滤处理。实践中，上述执行主体可以将不满足上述预设差分条件的图像信息删除，以对上述目标道路交通视频信息进行过滤处理。
第四检测步骤，将过滤处理后的目标道路交通视频信息作为目标道路交通视频信息，再次执行上述检测步骤。
第五检测步骤，响应于确定上述轮廓信息集合非空，对于上述轮廓信息集合中的每个轮廓信息，执行以下步骤：
第一执行步骤，根据上述轮廓信息，将上述轮廓信息集合中满足预设相似条件的各个轮廓信息确定为对应上述轮廓信息的各个相似轮廓信息。其中，上述各个相似轮廓信息中的相似轮廓信息可以为与上述轮廓信息的欧式距离小于预设距离的轮廓信息。对于上述预设距离的具体数值，在此，不做具体限定。上述预设相似条件可以为与上述轮廓信息的欧式距离小于上述预设距离。实践中，首先，将上述轮廓信息集合确定为目标轮廓信息集合。然后，对于上述目标轮廓信息集合中的每个目标轮廓信息，确定上述目标轮廓信息的各个像素点与上述轮廓信息的任意像素点的第一最小欧式距离。然后，确定上述目标轮廓信息的任意像素点与上述轮廓信息的各个像素点的第二最小欧式距离。其次，确定第一欧式距离和第二欧式距离中最小的欧式距离是否小于预设距离。之后，若第一欧式距离和第二欧式距离中最小的欧式距离小于上述预设距离，确定上述目标轮廓信息为相似轮廓信息，得到各个相似轮廓信息。
第二执行步骤，将上述轮廓信息和上述各个相似轮廓信息确定为目标轮廓信息集合。其中，上述目标轮廓信息集合可以表征各个相似的轮廓信息。
第三执行步骤，将上述目标轮廓信息集合确定为车辆信息。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤根据所得到的各个车辆信息，对上述道路交通视频信息中的各个图像信息进行组合处理，得到对应上述各个车辆的图像信息组集合：
第一步，根据上述道路交通视频信息，确定上述各个车辆信息中每个车辆信息对应的图像信息组，得到各个图像信息组。实践中，上述执行主体可以将上述道路交通视频信息中对应每个车辆信息中的各个目标轮廓信息的各个图像信息确定为图像信息组。
第二步，将所得到的各个图像信息组确定为图像信息组集合。
上述技术方案作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“当根据交通视频信息中的全部图像信息确定驾驶员是否存在错误的操作信息时，视频中所包含的图像较多，且包括较多冗余图像信息，造成根据全部图像信息确定驾驶员的操作信息的计算量较大，需耗费的计算资源较多，耗时较长”。导致耗费的计算资源较多，耗时较长的因素往往如下：根据交通视频信息中的全部图像信息确定驾驶员是否存在错误的操作信息。如果解决了上述因素，就能达到减少包括的冗余图像信息，减少根据全部图像信息确定驾驶员的操作信息的计算量，减少耗费的计算资源，缩短耗时的效果。为了达到这一效果，本公开在根据交通视频信息确定驾驶员是否存在错误的操作信息时，并不是根据交通视频信息中的全部图像信息进行确定的，而是从交通视频信息中抽取满足预设像素差分条件的各个图像信息进行确定驾驶员是否存在错误的操作，且将不满足上述预设像素差分条件的图像信息进行删除处理，从而减少了交通视频信息中冗余的图像信息。从而，减少了根据全部图像信息确定驾驶员的操作信息的计算量，减少了需耗费的计算资源，缩短了耗时。
步骤103，根据图像信息组集合和各个车辆信息，确定图像信息组集合中是否存在满足预设车辆类型条件的图像信息组。
在一些实施例中，上述执行主体可以根据上述图像信息组集合和上述各个车辆信息，确定上述图像信息组集合中是否存在满足预设车辆类型条件的图像信息组。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤根据上述图像信息组集合和上述各个车辆信息，确定上述图像信息组集合中是否存在满足预设车辆类型条件的图像信息组：
第一步，对于上述图像信息组集合中的每个图像信息组，执行以下步骤：
第一子步骤，根据对应上述图像信息组的车辆信息，对上述图像信息组中的每个图像信息进行裁剪处理，得到裁剪处理后的图像信息组。其中，上述裁剪处理后的图像信息组中的图像信息可以表征上述车辆信息中的目标轮廓信息。实践中，首先，上述执行主体可以确定每个图像信息对应的目标轮廓信息，得到各个目标轮廓信息。然后，可以确定每个图像信息中对应目标轮廓信息的轮廓内部区域。上述轮廓内部区域可以为目标轮廓信息所表征的轮廓内的区域。之后，将每个图像信息中对应的非轮廓内部区域进行裁剪，以得到裁剪处理后的图像信息组。
第二子步骤，将裁剪处理后的图像信息组输入至车辆角点信息生成模型，得到各个车辆角点信息集合。其中，上述车辆角点信息集合中的车辆角点信息可以表征裁剪处理后的图像边缘曲线中曲率极大值的点。上述车辆角点信息生成模型可以为生成图像信息中角点的模型。例如，车辆角点信息生成模型可以为Harris角点检测模型。上述车辆角点信息集合中的车辆角点信息可以表征车辆角点的像素坐标。
第三子步骤，根据上述各个车辆角点信息集合，确定对应上述车辆信息的轮廓线信息集合。其中，上述轮廓线信息集合中的轮廓线信息可以表征封闭的轮廓线。上述封闭的轮廓线可以为车辆角点信息集合中的相邻车辆角点信息连接组成的轮廓线。上述各个车辆角点信息集合中的车辆角点信息对应轮廓线集合中的轮廓线。实践中，对于上述车辆角点信息集合中的每个车辆角点信息集合，上述执行主体可以将上述车辆角点信息集合中的相邻车辆角点信息进行连接，得到各个轮廓线作为轮廓线集合。
第四子步骤，根据上述轮廓线信息集合，确定对应上述车辆信息的各个区域面积信息。其中，上述各个区域面积信息中的区域面积信息可以表征轮廓线信息的轮廓面积。实践中，上述执行主体可以根据扫描线填充算法得到每个轮廓线信息对应的轮廓面积。
第五子步骤，响应于确定上述各个区域面积信息中存在满足预设区域面积条件的区域面积信息，确定上述图像信息组集合中存在满足预设车辆类型条件的图像信息组。其中，上述预设区域面积条件可以为区域面积信息中的区域面积小于预设区域面积值。对于上述预设区域面积值的具体数值，在此，不做具体限定。上述预设车辆类型条件可以为对应车辆信息的各个区域面积信息中存在满足预设区域面积条件的区域面积信息。
步骤104，响应于确定图像信息组集合中存在满足预设车辆类型条件的图像信息组，将满足预设车辆类型条件的图像信息组对应的车辆信息确定为目标类型车辆信息，得到各个目标类型车辆信息。
在一些实施例中，上述执行主体可以响应于确定上述图像信息组集合中存在满足上述预设车辆类型条件的图像信息组，将满足上述预设车辆类型条件的图像信息组对应的车辆信息确定为目标类型车辆信息，得到各个目标类型车辆信息。其中，上述各个目标类型车辆信息中的目标类型车辆信息可以表征对应的图像信息组满足上述预设车辆类型条件的车辆信息。实践中，响应于确定图像信息组集合中存在满足预设车辆类型条件的图像信息组，上述执行主体可以通过各种方式，将满足预设车辆类型条件的图像信息组对应的车辆信息确定为目标类型车辆信息，得到各个目标类型车辆信息。
步骤105，将所得到的各个目标类型车辆信息确定为目标类型车辆信息集合。
在一些实施例中，上述执行主体可以将所得到的各个目标类型车辆信息确定为目标类型车辆信息集合。其中，上述目标类型车辆信息集合可以表征车辆信息满足上述预设车辆类型条件的各个目标类型车辆信息。实践中，上述执行主体可以通过各种方式将所得到的各个目标类型车辆信息确定为目标类型车辆信息集合。
步骤106，根据目标类型车辆信息集合和图像信息组集合，确定目标类型车辆信息集合中是否存在满足预设处理条件的目标类型车辆信息。
在一些实施例中，上述执行主体可以根据上述目标类型车辆信息集合和上述图像信息组集合，确定上述目标类型车辆信息集合中是否存在满足预设处理条件的目标类型车辆信息。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤根据上述目标类型车辆信息集合和上述图像信息组集合，确定上述目标类型车辆信息集合中是否存在满足预设处理条件的目标类型车辆信息：
第一步，对于上述目标类型车辆信息集合中的每个目标类型车辆信息，执行以下步骤：
第一子步骤，将上述图像信息组集合中对应上述目标类型车辆信息的图像信息组确定为目标图像信息组。其中，上述目标图像信息组可以表征上述目标类型车辆信息的各个图像信息。
第二子步骤，将上述目标图像信息组中的各个目标图像信息输入至预先训练的车辆错误行驶类型检测模型，得到对应上述目标类型车辆信息的错误行驶类型信息。其中，上述车辆错误行驶类型检测模型可以为生成车辆的错误行驶类型的卷积神经网络模型。上述错误行驶类型信息可以表征但不限于以下中的一项或多项：车道行驶错误、未佩戴头盔、车辆逆行行驶、停放车辆位置错误、无错误行驶。上述错误行驶类型信息可以表征车辆的行驶状态。例如，车辆错误行驶类型检测模型可以为LeNet模型。
第二步，响应于确定所得到的错误行驶类型信息满足预设车道错误条件、预设头盔佩戴预警条件、预设逆行条件或预设停放错误条件，确定上述目标类型车辆信息集合中存在满足上述预设处理条件的目标类型车辆信息。其中，上述预设车道错误条件可以为错误行驶类型信息表征车道行驶错误。上述预设头盔佩戴预警条件可以为错误行驶类型信息表征未佩戴头盔。上述预设逆行条件可以为错误行驶类型信息表征车辆逆行行驶。上述预设停放错误条件可以为错误行驶类型信息表征停放车辆位置错误。上述预设处理条件可以为对应上述目标类型车辆信息的错误行驶类型信息满足预设车道错误条件、预设头盔佩戴预警条件、预设逆行条件或预设停放错误条件。
步骤107，响应于确定目标类型车辆信息集合中存在满足预设处理条件的目标类型车辆信息，将满足预设处理条件的各个目标类型车辆信息确定为待处理车辆信息集合。
在一些实施例中，上述执行主体可以响应于确定上述目标类型车辆信息集合中存在满足上述预设处理条件的目标类型车辆信息，将满足上述预设处理条件的各个目标类型车辆信息确定为待处理车辆信息集合。其中，上述待处理车辆信息集合中的待处理车辆信息可以表征满足上述预设处理条件的各个车辆信息。实践中，响应于确定目标类型车辆信息集合中存在满足预设处理条件的目标类型车辆信息，上述执行主体可以通过各种方式将满足预设处理条件的各个目标类型车辆信息确定为待处理车辆信息集合。
步骤108，根据待处理车辆信息集合和图像信息组集合，生成对应待处理车辆信息集合的人脸特征码信息集合。
在一些实施例中，上述执行主体可以根据上述待处理车辆信息集合和上述图像信息组集合，生成对应上述待处理车辆信息集合的人脸特征码信息集合。其中，上述人脸特征码信息集合中的人脸特征码信息可以表征车辆驾驶员的人脸特征。实践中，上述执行主体可以通过各种方式根据待处理车辆信息集合和图像信息组集合，生成对应待处理车辆信息集合的人脸特征码信息集合。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤根据上述待处理车辆信息集合和上述图像信息组集合，生成对应上述待处理车辆信息集合的人脸特征码信息集合：
第一步，对于上述待处理车辆信息集合中满足预设行驶条件的每个待处理车辆信息，执行以下步骤：
第一子步骤，将对应上述待处理车辆信息的图像信息组中满足预设筛选条件的图像信息确定为目标图像信息。其中，上述预设行驶条件可以为车辆处于行驶状态。上述预设筛选条件可以为图像信息中对应上述待处理车辆信息的人脸区域面积最大。实践中，首先，上述执行主体可以根据人脸检测算法对每个图像信息中对应上述待处理车辆信息的人脸进行检测，得到各个人脸区域面积。其中，上述人脸区域面积可以表征对应待处理车辆信息的人脸的面积。例如，人脸检测算法可以为Haar Cascade。然后，将各个人脸区域面积中最大的人脸区域面积对应的图像信息确定为目标图像信息。
第二子步骤，将上述目标图像信息输入至人脸特征融合模块中的特征过滤层，得到对应上述目标图像信息的人脸特征图信息。其中，上述人脸特征融合模块可以为生成人脸特征码的模块。上述特征过滤层可以为过滤冗余的图像信息的网络层。上述人脸特征图像信息可以表征对应目标图像信息的各个特征图。上述特征过滤层可以为上述人脸特征融合模块中的第一网络层。例如，各个特征图的数量可以为6。
第三子步骤，将所得到的人脸特征图信息输入至上述人脸特征融合模块中的特征融合层，得到对应上述目标图像信息的融合人脸特征图信息。其中，上述特征融合层可以为用于将人脸特征图信息表征的各个特征图进行融合处理的网络层。上述融合人脸特征图信息可以表征融合特征处理后的各个特征图。例如，融合特征处理后的各个特征图的数量可以为6。上述特征融合层可以为上述人脸特征融合模块中的第二网络层。
第四子步骤，将所得到的融合人脸特征图信息输入至上述人脸特征融合模块中的特征加工层，得到对应上述目标图像信息的目标人脸特征图信息。其中，上述特征加工层可以为将所得到的融合特征处理后的各个特征图融合为一张特征图的网络层。上述特征加工层可以为上述人脸特征融合模块中的第三网络层。上述目标人脸特征图信息可以对应上述目标图像信息的特征结果图。
第五子步骤，根据上述目标人脸特征图信息和上述目标图像信息，确定缺失特征信息。其中，上述缺失特征信息可以表征上述目标图像信息中的人脸信息缺失的特征信息。实践中，上述执行主体可以根据欧式距离的方式确定上述目标人脸特征图信息和上述目标图像信息间的差异特征作为缺失特征信息。
第六子步骤，将所得到的缺失特征信息补充至上述目标图像信息，得到变更目标图像信息。其中，上述变更目标图像信息可以为补充过缺失特征的目标图像信息。实践中，上述执行主体可以根据纹理合成方法，将得到的缺失特征信息补充至上述目标图像信息，得到变更目标图像信息。
第七子步骤，将上述变更目标图像信息输入至预先训练的人脸特征码生成模型，得到对应上述目标类型车辆信息的人脸特征码信息。其中，上述人脸特征码生成模型可以为生成对应人脸的特征码的模型。例如，人脸特征码信息生成模型可以为Eigenfaces模型。
第二步，将所得到的各个人脸特征码信息确定为对应上述待处理车辆信息集合的人脸特征码信息集合。
上述技术方案作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题三“当对驾驶员进行人脸识别时，驾驶员佩戴头盔或口罩等遮挡物，造成人脸识别的准确性较低，且并非仅对驾驶操作错误的驾驶员进行人脸识别，而是直接对全部驾驶员进行人脸识别，造成人脸识别的计算量较大，导致所识别的人脸信息与实际驾驶错误的驾驶员的匹配度较低，对驾驶错误操作的驾驶员处理的准确性较低，驾驶员行驶的安全性较差，人脸识别耗费的计算量较大且耗时较长”。导致人脸识别的准确性较低，交通行驶安全性较差，人脸识别耗费的计算量较大，进行人脸识别的耗时较长的因素往往如下：驾驶员佩戴头盔或口罩等遮挡物，且并非仅对驾驶操作错误的驾驶员进行人脸识别，而是直接对全部驾驶员进行人脸识别。如果解决了上述因素，就能达到提升人脸识别的准确性，减少人脸识别的计算量，提升对驾驶错误操作的驾驶员处理的准确性，提升交通行驶安全性，减少人脸识别耗费的计算量，缩短人脸识别的耗时。为了达到这一效果，本公开在对被遮挡的人脸图像进行人脸识别时，首先，根据生成的特征图对原始人脸图像信息进行补充，将被遮挡的人脸特征进行补充，以提升人脸图像的完整度。然后，根据补充后的人脸图像生成人脸特征码信息。从而可以提升人脸信息的完整性。且仅对行驶操作错误的驾驶员进行人脸识别，并不是对全部的驾驶员进行人脸识别，因此，可以减少人脸识别耗费的计算量，缩短进行人脸识别的耗时。
步骤109，根据人脸特征码信息集合和图像信息组集合，生成对应待处理车辆信息集合的融合特征码信息集合。
在一些实施例中，上述执行主体可以根据上述人脸特征码信息集合和上述图像信息组集合，生成对应上述待处理车辆信息集合的融合特征码信息集合。其中，上述融合特征码信息集合中的融合特征码信息对应上述待处理车辆信息集合中的待处理车辆信息。上述融合特征码信息可以表征待处理车辆信息的融合特征。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤根据上述人脸特征码信息集合和上述图像信息组集合，生成对应上述待处理车辆信息集合的融合特征码信息集合：
第一步，从区域车辆数量信息集合中确定对应上述待处理车辆信息集合的区域车辆数量信息。其中，上述区域车辆数量信息可以表征市区内两轮非机动车的总数量。上述区域车辆信息集合中的区域车辆信息可以包括市区位置和对应上述市区位置的两轮非机动车的总数量。例如，区域车辆信息可以为“北京市丰台区，数量：1000辆”。实践中，首先，上述执行主体可以确定拍摄上述道路交通视频信息的市区位置。然后，从上述区域车辆数量信息集合中确定对应上述市区位置的区域车辆数量信息。最后，将所确定的区域车辆数量信息确定为对应上述待处理车辆信息集合的区域车辆数量信息。
第二步，对于上述待处理车辆信息集合中的每个待处理车辆信息，根据上述区域车辆数量信息，执行以下步骤：
第一子步骤，将上述待处理车辆信息、上述区域车辆数量信息和对应上述待处理车辆信息的图像信息组输入至车辆特征码信息生成模型，得到对应上述待处理车辆信息的车辆特征码信息作为目标车辆特征码信息。其中，上述目标车辆特征码信息可以表征待处理车辆信息的车辆特征。上述目标车辆特征码信息可以为对应上述区域车辆数量信息的特征码。例如，区域车辆数量信息为“北京市丰台区，数量：1000辆”，则目标车辆特征码信息的特征码位数为4位，对应区域车辆数量信息的目标车辆特征码信息可以为5389。
第二子步骤，响应于确定原始融合特征码信息集合中存在对应上述待处理车辆信息的原始融合特征码信息，将对应上述待处理车辆信息的原始融合特征码信息确定为目标融合特征码信息。其中，上述原始融合特征码信息集合中的原始融合特征码信息可以包括人脸特征码信息、车辆特征码信息、头盔佩戴特征值信息、第一行驶车道特征值信息、第二行驶车道特征值信息和停放区域特征值信息。其中，上述头盔佩戴特征值信息可以表征驾驶员未佩戴头盔的次数。上述第一行驶车道特征值信息可以表征驾驶员行驶车道错误的次数。上述第二行驶车道特征值信息可以表征驾驶员逆行行驶的次数。上述停放区域特征值信息可以表征驾驶员停放车辆错误的次数。实践中，首先，响应于确定上述待处理车辆信息满足上述预设行驶条件，确定上述原始融合特征码信息集合中是否存在与上述待处理车辆信息的人脸特征码信息相同的原始融合特征码信息。然后，响应于确定上述待处理车辆信息不满足上述预设行驶条件，确定上述原始融合特征码信息集合中是否存在与上述待处理车辆信息的车辆特征码信息相同的原始融合特征码信息。之后，将对应上述待处理车辆信息的原始融合特征码信息确定为目标融合特征码信息。
第三子步骤，响应于确定上述待处理车辆信息满足上述预设车道错误条件，对上述目标融合特征码信息中的第一行驶车道特征值信息进行更新。实践中，响应于确定上述待处理车辆信息满足上述预设车道错误条件，上述执行主体可以对上述目标融合特征码信息中的第一行驶车道特征值信息表征的数值加1，以对上述第一行驶车道特征值信息进行更新。需要说明的是，对上述目标融合特征码信息中的头盔佩戴特征值信息、第二行驶车道特征值信息、停放区域特征值信息的更新方式与对上述目标融合特征码信息中的第一行驶车道特征值信息的更新方式相同，因此，不再赘述。
第四子步骤，响应于确定上述待处理车辆信息满足上述预设头盔佩戴预警条件，对上述目标融合特征码信息中的头盔佩戴特征值信息进行更新。
第五子步骤，响应于确定上述待处理车辆信息满足上述预设逆行条件，对上述目标融合特征码信息中的第二行驶车道特征值信息进行更新。
第六子步骤，响应于确定上述待处理车辆信息满足上述预设停放错误条件，对上述目标融合特征码信息中的停放区域特征值信息进行更新。
第七子步骤，响应于确定上述目标融合特征码信息中的车辆特征码信息与上述目标车辆特征码信息满足预设特征差异条件，将上述目标车辆特征码信息存储至对应上述人脸特征码信息的目标车辆特征码信息集合。其中，上述预设特征差异条件可以为上述目标融合特征码信息中的车辆特征码信息与上述目标车辆特征码信息相异。上述目标车辆特征码信息集合中的各个目标车辆特征码信息可以为对应同一个人脸特征码信息的各个目标车辆特征码信息。
第八子步骤，将更新后的目标融合特征码信息确定为对应上述待处理车辆信息的融合特征码信息。
第三步，将所得到的各个融合特征码信息确定为对应上述待处理车辆信息集合的融合特征码信息集合。
可选地，在步骤109之后，首先，上述执行主体还可以响应于确定上述原始融合特征码信息集合中不存在对应上述待处理车辆信息的原始融合特征码信息，根据上述待处理车辆信息，执行以下步骤：
第一执行步骤，响应于确定上述待处理车辆信息满足上述预设车道错误条件，确定对应上述待处理车辆信息的第一行驶车道特征值信息。实践中，可以将对应上述待处理车辆信息的第一行驶车道特征值信息确定为1。需要说明的是，对上述待处理车辆信息的头盔佩戴特征值信息、第二行驶车道特征值信息、停放区域特征值信息的确定方式与确定上述待处理车辆信息的第一行驶车道特征值信息的方式相同，因此，不再赘述。
第二执行步骤，响应于确定上述待处理车辆信息满足上述预设头盔佩戴预警条件，确定对应上述待处理车辆信息的头盔佩戴特征值信息。
第三执行步骤，响应于确定上述待处理车辆信息满足上述预设逆行条件，确定对应上述待处理车辆信息的第二行驶车道特征值信息。
第四执行步骤，响应于确定上述待处理车辆信息满足上述预设停放错误条件，确定对应上述待处理车辆信息的停放区域特征值信息。
第五执行步骤，将对应上述待处理车辆信息的人脸特征码信息、车辆特征码信息、第一行驶车道特征值信息、头盔佩戴特征值信息、第二行驶车道特征值信息和停放区域特征值信息进行组合，得到对应上述待处理车辆信息的融合特征码信息。实践中，上述执行主体可以按照任意排列顺序将上述人脸特征码信息、上述车辆特征码信息、上述第一行驶车道特征值信息、上述头盔佩戴特征值信息、上述第二行驶车道特征值信息和上述停放区域特征值信息进行组合。例如，人脸特征码信息：0563；车辆特征码信息：4879；第一行驶车道特征值信息：0；头盔佩戴特征值信息：1；第二行驶车道特征值信息：0；停放区域特征值信息：0，则所组合的融合特征码信息可以为“056348790100”。
步骤110，对于待处理车辆信息集合中的每个待处理车辆信息，根据融合特征码信息集合，生成对应待处理车辆信息的车辆处理信息。
在一些实施例中，上述执行主体可以对于上述待处理车辆信息集合中的每个待处理车辆信息，根据上述融合特征码信息集合，生成对应上述待处理车辆信息的车辆处理信息。其中，上述车辆处理信息可以表征对待处理车辆信息的处理方式。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤对于上述待处理车辆信息集合中的每个待处理车辆信息，根据上述融合特征码信息集合，生成对应上述待处理车辆信息的车辆处理信息：
第一步，对于上述待处理车辆信息集合中的每个待处理车辆信息，执行以下处理步骤：
第一子步骤，响应于确定上述原始融合特征码信息集合中存在对应上述待处理车辆信息的原始融合特征码信息，根据对应上述待处理车辆信息的原始融合特征码信息和融合特征码信息，确定对应上述待处理车辆信息的处理事件信息及处理等级信息。实践中，首先，上述执行主体可以将原始融合特征码信息和融合人特征码信息中相异的特征值信息确定为相异特征值信息。上述相异特征值信息可以为但不限于以下中的一项或多项：第一行驶车道特征值信息、头盔佩戴特征值信息、第二行驶车道特征值信息、停放区域特征值信息。然后，将相异特征值信息表征的错误行驶事件和次数确定为处理事件信息。例如，相异特征值信息为头盔佩戴特征值信息，且头盔佩戴特征值信息为3，则错误行驶事件为：未佩戴头盔；错误次数为3。之后，可以从预设处理信息集合中确定对应处理事件信息的预设处理信息。上述预设处理信息集合中的预设处理信息可以包括处理事件信息、处理等级信息和车辆处理信息。最后，将所确定的预设处理信息中包括的处理等级信息确定为对应上述待处理车辆信息的处理等级信息。例如，预设处理信息可以为“处理事件信息：未佩戴头盔；未佩戴头盔次数为3次；处理等级信息：二级；车辆处理信息：罚款50元”。
第二子步骤，响应于确定上述原始融合特征码信息集合中不存在对应上述待处理车辆信息的原始融合特征码信息，根据对应上述待处理车辆信息的融合特征码信息，确定对应上述待处理车辆信息的处理事件信息及处理等级信息。实践中，首先，上述执行主体可以将上述融合特征码信息中非0的特征值信息确定为目标特征值信息。需要说明的是，根据上述目标特征值信息确定对应上述待处理车辆信息的处理事件信息及处理等级信息的方式和根据上述相异特征值信息确定对应上述待处理车辆信息的处理事件信息及处理等级信息的方式相同，因此，不再赘述。
第三子步骤，根据上述处理事件信息和上述处理等级信息，从预设处理信息集合中确定对应上述待处理车辆信息的车辆处理信息。其中，上述车辆处理信息可以表征对待处理车辆信息的处理方式。实践中，首先，可以从上述预设处理信息集合确定对应上述处理事件信息和上述处理等级信息的预设处理信息。然后，从所确定的预设处理信息中确定对应上述待处理车辆信息的车辆处理信息。
可选地，在步骤110之后，首先，上述执行主体还可以根据上述待处理车辆信息的融合特征码信息，从监控节点获取对应上述待处理车辆信息的用户信息。其中，上述监控节点可以为城市监控部门的服务器。上述用户信息可以表征但不限于以下中的一项：用户的姓名、用户手机号码。
然后，可以将上述车辆处理信息发送至对应上述用户信息的终端设备。其中，上述终端设备可以为手机终端。
之后，可以根据上述车辆处理信息，确定上述车辆处理信息对应的执行节点服务器。其中，上述执行节点服务器可以表征交警执行节点服务器。实践中，首先，上述主体可以从预设执行节点信息集合中确定对应上述车辆处理信息的执行节点服务器。上述预设执行节点信息集合中的预设执行节点信息可以表征车辆处理信息和执行节点的对应关系。例如，预设执行节点信息可以为：“车辆处理信息：罚款50元，执行节点服务器：交警执行节点服务器”。然后，将所确定的预设执行节点信息确定为执行节点服务器。
接着，可以将上述车辆处理信息及上述用户信息发送至上述执行节点服务器，以执行对应上述车辆处理信息的操作。
最后，可以将对应上述待处理车辆信息的图像信息组作为反面素材图像组显示在相关联的显示设备。其中，上述反面素材图像组可以表征错误行驶或错误停车的各个图像。上述显示设备可以为关联的显示屏。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车辆处理信息生成方法，提升了驾驶员的安全性，不需额外的安装断电装置，减少了硬件资源的浪费。具体来说，造成驾驶员的安全性较低，需额外的安装断电装置，硬件资源的浪费较多的原因在于：对行驶操作错误或停车占用位置错误的非机动车进行处理时，直接将错误行驶信息推送给驾驶员，或直接对非机动车辆进行断电处理，未考虑针对不同的错误操作生成不同的处理方式，导致驾驶员的驾驶安全性较低，且需额外的配置断电装置对非机动车辆进行处理，造成硬件资源的浪费。基于此，本公开的一些实施例的车辆处理信息生成方法，首先，获取道路交通视频信息。由此，可以得到交通视频信息片段，可以用于获取车辆的各个图像信息。然后，对上述道路交通视频信息进行车辆检测处理，得到对应各个车辆的各个车辆信息和图像信息组集合。其中，上述图像信息组集合中的图像信息组对应上述各个车辆信息中的车辆信息。由此，可以得到表征每个车辆的各个图像信息。之后，根据上述图像信息组集合和上述各个车辆信息，确定上述图像信息组集合中是否存在满足预设车辆类型条件的图像信息组。由此，可以确定是否存在满足上述预设车辆类型条件的各个图像信息。接着，响应于确定上述图像信息组集合中存在满足上述预设车辆类型条件的图像信息组，将满足上述预设车辆类型条件的图像信息组对应的车辆信息确定为目标类型车辆信息，得到各个目标类型车辆信息。由此，可以得到满足上述预设类型条件的各个车辆信息，可以用于得到待处理的各个非机动车。紧接着，将所得到的各个目标类型车辆信息确定为目标类型车辆信息集合。由此，可以得到对应满足预设车辆类型条件的集合。之后，响应于确定上述目标类型车辆信息集合中存在满足上述预设处理条件的目标类型车辆信息，将满足上述预设处理条件的各个目标类型车辆信息确定为待处理车辆信息集合。由此，可以得到需要进行处理的各个车辆信息。接着，根据上述待处理车辆信息集合和上述图像信息组集合，生成对应上述待处理车辆信息集合的人脸特征码信息集合。由此，可以得到待处理车辆的驾驶员的人脸特征信息。之后，根据上述人脸特征码信息集合和上述图像信息组集合，生成对应上述待处理车辆信息集合的融合特征码信息集合。由此，可以得到各个待处理车辆的特征码信息，可以用于生成对应待处理车辆的处理信息。最后，对于上述待处理车辆信息集合中的每个待处理车辆信息，根据上述融合特征码信息集合，生成对应上述待处理车辆信息的车辆处理信息。由此，可以得到对应待处理车辆信息的处理方式。也因为所实现的车辆处理信息生成方法并不是当检测到有错误驾驶或错误停车的车辆时，将驾驶错误信息推送给驾驶员或对车辆进行断电处理，而是针对驾驶员的错误操作生成针对性的处理信息，提升了驾驶员行驶的安全性，且还因为不需额外安装断电装置，从而节约了硬件资源。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种车辆处理信息生成方法的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的车辆处理信息生成装置200包括：获取单元201、车辆检测处理单元202、第一确定单元203、第二确定单元204、第三确定单元205、第四确定单元206、第五确定单元207、第一生成单元208、第二生成单元209和第三生成单元210。其中，获取单元201，被配置成获取道路交通视频信息。车辆检测处理单元202，被配置成对上述道路交通视频信息进行车辆检测处理，得到对应各个车辆的各个车辆信息和图像信息组集合，其中，上述图像信息组集合中的图像信息组对应上述各个车辆信息中的车辆信息；第一确定单元203，被配置成根据上述图像信息组集合和上述各个车辆信息，确定上述图像信息组集合中是否存在满足预设车辆类型条件的图像信息组；第二确定单元204，被配置成响应于确定上述图像信息组集合中存在满足上述预设车辆类型条件的图像信息组，将满足上述预设车辆类型条件的图像信息组对应的车辆信息确定为目标类型车辆信息，得到各个目标类型车辆信息；第三确定单元205，被配置成将所得到的各个目标类型车辆信息确定为目标类型车辆信息集合；第四确定单元206，被配置成根据上述目标类型车辆信息集合和上述图像信息组集合，确定上述目标类型车辆信息集合中是否存在满足预设处理条件的目标类型车辆信息；第五确定单元207，被配置成响应于确定上述目标类型车辆信息集合中存在满足上述预设处理条件的目标类型车辆信息，将满足上述预设处理条件的各个目标类型车辆信息确定为待处理车辆信息集合；第一生成单元208，被配置成根据上述待处理车辆信息集合和上述图像信息组集合，生成对应上述待处理车辆信息集合的人脸特征码信息集合；第二生成单元209，被配置成根据上述人脸特征码信息集合和上述图像信息组集合，生成对应上述待处理车辆信息集合的融合特征码信息集合；第三生成单元210，被配置成对于上述待处理车辆信息集合中的每个待处理车辆信息，根据上述融合特征码信息集合，生成对应上述待处理车辆信息的车辆处理信息。
可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300（例如计算设备）的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置301（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取道路交通视频信息；对上述道路交通视频信息进行车辆检测处理，得到对应各个车辆的各个车辆信息和图像信息组集合，其中，上述图像信息组集合中的图像信息组对应上述各个车辆信息中的车辆信息；根据上述图像信息组集合和上述各个车辆信息，确定上述图像信息组集合中是否存在满足预设车辆类型条件的图像信息组；响应于确定上述图像信息组集合中存在满足上述预设车辆类型条件的图像信息组，将满足上述预设车辆类型条件的图像信息组对应的车辆信息确定为目标类型车辆信息，得到各个目标类型车辆信息；将所得到的各个目标类型车辆信息确定为目标类型车辆信息集合；根据上述目标类型车辆信息集合和上述图像信息组集合，确定上述目标类型车辆信息集合中是否存在满足预设处理条件的目标类型车辆信息；响应于确定上述目标类型车辆信息集合中存在满足上述预设处理条件的目标类型车辆信息，将满足上述预设处理条件的各个目标类型车辆信息确定为待处理车辆信息集合；根据上述待处理车辆信息集合和上述图像信息组集合，生成对应上述待处理车辆信息集合的人脸特征码信息集合；根据上述人脸特征码信息集合和上述图像信息组集合，生成对应上述待处理车辆信息集合的融合特征码信息集合；对于上述待处理车辆信息集合中的每个待处理车辆信息，根据上述融合特征码信息集合，生成对应上述待处理车辆信息的车辆处理信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：获取单元、车辆检测处理单元、第一确定单元、第二确定单元、第三确定单元、第四确定单元、第五确定单元、第一生成单元、第二生成单元和第三生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取道路交通视频信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种车辆处理信息生成方法，包括：
获取道路交通视频信息；
对所述道路交通视频信息进行车辆检测处理，得到对应各个车辆的各个车辆信息和图像信息组集合，其中，所述图像信息组集合中的图像信息组对应所述各个车辆信息中的车辆信息；
根据所述图像信息组集合和所述各个车辆信息，确定所述图像信息组集合中是否存在满足预设车辆类型条件的图像信息组；
响应于确定所述图像信息组集合中存在满足所述预设车辆类型条件的图像信息组，将满足所述预设车辆类型条件的图像信息组对应的车辆信息确定为目标类型车辆信息，得到各个目标类型车辆信息；
将所得到的各个目标类型车辆信息确定为目标类型车辆信息集合；
根据所述目标类型车辆信息集合和所述图像信息组集合，确定所述目标类型车辆信息集合中是否存在满足预设处理条件的目标类型车辆信息；
响应于确定所述目标类型车辆信息集合中存在满足所述预设处理条件的目标类型车辆信息，将满足所述预设处理条件的各个目标类型车辆信息确定为待处理车辆信息集合；
根据所述待处理车辆信息集合和所述图像信息组集合，生成对应所述待处理车辆信息集合的人脸特征码信息集合；
根据所述人脸特征码信息集合和所述图像信息组集合，生成对应所述待处理车辆信息集合的融合特征码信息集合；
对于所述待处理车辆信息集合中的每个待处理车辆信息，根据所述融合特征码信息集合，生成对应所述待处理车辆信息的车辆处理信息。
2.根据权利要求1所述的方法，其中，所述对所述道路交通视频信息进行车辆检测处理，得到对应各个车辆的各个车辆信息和图像信息组集合，包括：
对所述道路交通视频信息进行车辆检测处理，得到对应各个车辆中每个车辆的目标轮廓信息集合作为车辆信息，其中，所述车辆信息包括所述目标轮廓信息集合；
根据所得到的各个车辆信息，对所述道路交通视频信息中的各个图像信息进行组合处理，得到对应所述各个车辆的图像信息组集合。
3.根据权利要求2所述的方法，其中，所述根据所述图像信息组集合和所述各个车辆信息，确定所述图像信息组集合中是否存在满足预设车辆类型条件的图像信息组，包括：
对于所述图像信息组集合中的每个图像信息组，执行以下步骤：
根据对应所述图像信息组的车辆信息，对所述图像信息组中的每个图像信息进行裁剪处理，得到裁剪处理后的图像信息组，其中，所述图像信息组中的图像信息对应所述车辆信息中的目标轮廓信息；
将裁剪处理后的图像信息组输入至车辆角点信息生成模型，得到各个车辆角点信息集合；
根据所述各个车辆角点信息集合，确定对应所述车辆信息的轮廓线信息集合；
根据所述轮廓线信息集合，确定对应所述车辆信息的各个区域面积信息；
响应于确定所述各个区域面积信息中存在满足预设区域面积条件的区域面积信息，确定所述图像信息组集合中存在满足所述预设车辆类型条件的图像信息组。
4.根据权利要求1所述的方法，其中，所述根据所述目标类型车辆信息集合和所述图像信息组集合，确定所述目标类型车辆信息集合中是否存在满足预设处理条件的目标类型车辆信息，包括：
对于所述目标类型车辆信息集合中的每个目标类型车辆信息，执行以下步骤：
将所述图像信息组集合中对应所述目标类型车辆信息的图像信息组确定为目标图像信息组；
将所述目标图像信息组中的各个目标图像信息输入至预先训练的车辆错误行驶类型检测模型，得到对应所述目标类型车辆信息的错误行驶类型信息；
响应于确定所得到的错误行驶类型信息满足预设车道错误条件、预设头盔佩戴预警条件、预设逆行条件或预设停放错误条件，确定所述目标类型车辆信息集合中存在满足所述预设处理条件的目标类型车辆信息。
5.根据权利要求4所述的方法，其中，所述根据所述人脸特征码信息集合和所述图像信息组集合，生成对应所述待处理车辆信息集合的融合特征码信息集合，包括：
从区域车辆数量信息集合中确定对应所述待处理车辆信息集合的区域车辆数量信息；
对于所述待处理车辆信息集合中的每个待处理车辆信息，根据所述区域车辆数量信息，执行以下步骤：
将所述待处理车辆信息、所述区域车辆数量信息和对应所述待处理车辆信息的图像信息组输入至车辆特征码信息生成模型，得到对应所述待处理车辆信息的车辆特征码信息作为目标车辆特征码信息；
响应于确定原始融合特征码信息集合中存在对应所述待处理车辆信息的原始融合特征码信息，将对应所述待处理车辆信息的原始融合特征码信息确定为目标融合特征码信息，其中，所述原始融合特征码信息包括人脸特征码信息、车辆特征码信息、头盔佩戴特征值信息、第一行驶车道特征值信息、第二行驶车道特征值信息和停放区域特征值信息；
响应于确定所述待处理车辆信息满足所述预设车道错误条件，对所述目标融合特征码信息中的第一行驶车道特征值信息进行更新；
响应于确定所述待处理车辆信息满足所述预设头盔佩戴预警条件，对所述目标融合特征码信息中的头盔佩戴特征值信息进行更新；
响应于确定所述待处理车辆信息满足所述预设逆行条件，对所述目标融合特征码信息中的第二行驶车道特征值信息进行更新；
响应于确定所述待处理车辆信息满足所述预设停放错误条件，对所述目标融合特征码信息中的停放区域特征值信息进行更新；
响应于确定所述目标融合特征码信息中的车辆特征码信息与所述目标车辆特征码信息满足预设特征差异条件，将所述目标车辆特征码信息存储至对应所述人脸特征码信息的目标车辆特征码信息集合；
将更新后的目标融合特征码信息确定为对应所述待处理车辆信息的融合特征码信息；
将所得到的各个融合特征码信息确定为对应所述待处理车辆信息集合的融合特征码信息集合。
6.根据权利要求5所述的方法，其中，所述对于所述待处理车辆信息集合中的每个待处理车辆信息，根据所述融合特征码信息集合，生成对应所述待处理车辆信息的车辆处理信息，包括：
对于所述待处理车辆信息集合中的每个待处理车辆信息，执行以下处理步骤：
响应于确定所述原始融合特征码信息集合中存在对应所述待处理车辆信息的原始融合特征码信息，根据对应所述待处理车辆信息的原始融合特征码信息和融合特征码信息，确定对应所述待处理车辆信息的处理事件信息及处理等级信息；
响应于确定所述原始融合特征码信息集合中不存在对应所述待处理车辆信息的原始融合特征码信息，根据对应所述待处理车辆信息的融合特征码信息，确定对应所述待处理车辆信息的处理事件信息及处理等级信息；
根据所述处理事件信息和所述处理等级信息，从预设处理信息集合中确定对应所述待处理车辆信息的车辆处理信息。
7.根据权利要求6所述的方法，其中，所述处理步骤还包括：
根据所述待处理车辆信息的融合特征码信息，从监控节点获取对应所述待处理车辆信息的用户信息；
将所述车辆处理信息发送至对应所述用户信息的终端设备；
根据所述车辆处理信息，确定所述车辆处理信息对应的执行节点服务器；
将所述车辆处理信息及所述用户信息发送至所述执行节点服务器，以执行对应所述车辆处理信息的操作；
将对应所述待处理车辆信息的图像信息组作为反面素材图像组显示在相关联的显示设备。
8.一种车辆处理信息生成装置，包括：
获取单元，被配置成获取道路交通视频信息；
车辆检测处理单元，被配置成对所述道路交通视频信息进行车辆检测处理，得到对应各个车辆的各个车辆信息和图像信息组集合，其中，所述图像信息组集合中的图像信息组对应所述各个车辆信息中的车辆信息；
第一确定单元，被配置成根据所述图像信息组集合和所述各个车辆信息，确定所述图像信息组集合中是否存在满足预设车辆类型条件的图像信息组；
第二确定单元，被配置成响应于确定所述图像信息组集合中存在满足所述预设车辆类型条件的图像信息组，将满足所述预设车辆类型条件的图像信息组对应的车辆信息确定为目标类型车辆信息，得到各个目标类型车辆信息；
第三确定单元，被配置成将所得到的各个目标类型车辆信息确定为目标类型车辆信息集合；
第四确定单元，被配置成根据所述目标类型车辆信息集合和所述图像信息组集合，确定所述目标类型车辆信息集合中是否存在满足预设处理条件的目标类型车辆信息；
第五确定单元，被配置成响应于确定所述目标类型车辆信息集合中存在满足所述预设处理条件的目标类型车辆信息，将满足所述预设处理条件的各个目标类型车辆信息确定为待处理车辆信息集合；
第一生成单元，被配置成根据所述待处理车辆信息集合和所述图像信息组集合，生成对应所述待处理车辆信息集合的人脸特征码信息集合；
第二生成单元，被配置成根据所述人脸特征码信息集合和所述图像信息组集合，生成对应所述待处理车辆信息集合的融合特征码信息集合；
第三生成单元，被配置成对于所述待处理车辆信息集合中的每个待处理车辆信息，根据所述融合特征码信息集合，生成对应所述待处理车辆信息的车辆处理信息。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311294138.2A CN117037502B (zh) | 2023-10-09 | 2023-10-09 | 车辆处理信息生成方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311294138.2A CN117037502B (zh) | 2023-10-09 | 2023-10-09 | 车辆处理信息生成方法、装置、设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117037502A true CN117037502A (zh) | 2023-11-10 |
| CN117037502B CN117037502B (zh) | 2023-12-22 |
Family
ID=88645267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311294138.2A Active CN117037502B (zh) | 2023-10-09 | 2023-10-09 | 车辆处理信息生成方法、装置、设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117037502B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107729818A (zh) * | 2017-09-21 | 2018-02-23 | 北京航空航天大学 | 一种基于深度学习的多特征融合车辆重识别方法 |
| CN109376610A (zh) * | 2018-09-27 | 2019-02-22 | 南京邮电大学 | 视频监控中基于图像概念网络的行人不安全行为检测方法 |
| US20190108613A1 (en) * | 2017-10-06 | 2019-04-11 | Ford Global Technologies, Llc | Fusion Of Motion And Appearance Features For Object Detection And Trajectory Prediction |
| CN110570664A (zh) * | 2019-09-23 | 2019-12-13 | 山东科技大学 | 一种高速公路交通事件自动检测系统 |
| CN111882861A (zh) * | 2020-06-06 | 2020-11-03 | 浙江工业大学 | 一种基于边云融合的在线交通事件感知系统 |
| CN112242061A (zh) * | 2019-07-17 | 2021-01-19 | 杭州海康威视数字技术股份有限公司 | 一种基于人脸分析的车辆管理系统 |
| CN112347993A (zh) * | 2020-11-30 | 2021-02-09 | 吉林大学 | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 |
| CN113139403A (zh) * | 2020-01-17 | 2021-07-20 | 顺丰科技有限公司 | 违规行为识别方法、装置、计算机设备和存储介质 |
| CN115391422A (zh) * | 2022-08-22 | 2022-11-25 | 禾多科技（北京）有限公司 | 车辆感知信息生成方法、装置、设备、介质和程序产品 |
| CN115937796A (zh) * | 2022-11-17 | 2023-04-07 | 广东赛诺科技股份有限公司 | 一种基于预训练模型的事件分类方法、系统、设备及介质 |
| CN116704206A (zh) * | 2023-06-12 | 2023-09-05 | 中电金信软件有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
-
2023
- 2023-10-09 CN CN202311294138.2A patent/CN117037502B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107729818A (zh) * | 2017-09-21 | 2018-02-23 | 北京航空航天大学 | 一种基于深度学习的多特征融合车辆重识别方法 |
| US20190108613A1 (en) * | 2017-10-06 | 2019-04-11 | Ford Global Technologies, Llc | Fusion Of Motion And Appearance Features For Object Detection And Trajectory Prediction |
| CN109376610A (zh) * | 2018-09-27 | 2019-02-22 | 南京邮电大学 | 视频监控中基于图像概念网络的行人不安全行为检测方法 |
| CN112242061A (zh) * | 2019-07-17 | 2021-01-19 | 杭州海康威视数字技术股份有限公司 | 一种基于人脸分析的车辆管理系统 |
| CN110570664A (zh) * | 2019-09-23 | 2019-12-13 | 山东科技大学 | 一种高速公路交通事件自动检测系统 |
| CN113139403A (zh) * | 2020-01-17 | 2021-07-20 | 顺丰科技有限公司 | 违规行为识别方法、装置、计算机设备和存储介质 |
| CN111882861A (zh) * | 2020-06-06 | 2020-11-03 | 浙江工业大学 | 一种基于边云融合的在线交通事件感知系统 |
| CN112347993A (zh) * | 2020-11-30 | 2021-02-09 | 吉林大学 | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 |
| CN115391422A (zh) * | 2022-08-22 | 2022-11-25 | 禾多科技（北京）有限公司 | 车辆感知信息生成方法、装置、设备、介质和程序产品 |
| CN115937796A (zh) * | 2022-11-17 | 2023-04-07 | 广东赛诺科技股份有限公司 | 一种基于预训练模型的事件分类方法、系统、设备及介质 |
| CN116704206A (zh) * | 2023-06-12 | 2023-09-05 | 中电金信软件有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 李明明;雷菊阳;赵从健;: "道路场景中基于视频的多目标检测", 软件, no. 12, pages 148 - 153 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117037502B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112417953B (zh) | 道路状况检测和地图数据更新方法、装置、系统及设备 | |
| CN106997466B (zh) | 用于检测道路的方法和装置 | |
| CN113299073B (zh) | 识别车辆违章停车的方法、装置、设备和存储介质 | |
| CN115761702B (zh) | 车辆轨迹生成方法、装置、电子设备和计算机可读介质 | |
| CN113190538A (zh) | 一种基于轨迹数据的道路构建方法、装置、存储介质及终端 | |
| CN112434260A (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
| CN111967332A (zh) | 用于自动驾驶的能见度信息生成方法和装置 | |
| CN110321854B (zh) | 用于检测目标对象的方法和装置 | |
| CN110796144A (zh) | 车牌检测方法、装置、设备及存储介质 | |
| CN111651547B (zh) | 高精度地图数据的获取方法、装置及可读存储介质 | |
| CN117037502B (zh) | 车辆处理信息生成方法、装置、设备和计算机可读介质 | |
| CN115512336B (zh) | 基于路灯光源的车辆定位方法、装置和电子设备 | |
| CN113902047B (zh) | 图像元素匹配方法、装置、设备以及存储介质 | |
| CN116012814A (zh) | 信号灯识别方法、装置、电子设备及计算机可读存储介质 | |
| CN115439815A (zh) | 行驶工况识别方法、装置、设备、介质及车辆 | |
| CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
| CN115773744A (zh) | 模型训练和路网处理方法、装置、设备、介质和产品 | |
| CN115019242A (zh) | 一种交通场景的异常事件检测方法、装置和处理设备 | |
| CN111340813B (zh) | 图像实例分割方法、装置、电子设备及存储介质 | |
| CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| CN113822150A (zh) | 图像识别方法、装置、电子设备和存储介质 | |
| CN115148043A (zh) | 一种信息获取方法、装置和计算机可读存储介质 | |
| CN111383337A (zh) | 用于识别对象的方法和装置 | |
| CN114756565B (zh) | 地图更新方法、装置、电子设备和计算机可读介质 | |
| CN112101279B (zh) | 目标物异常检测方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |