CN108399752A - 一种驾驶违章预判方法、装置、服务器和介质 - Google Patents
一种驾驶违章预判方法、装置、服务器和介质 Download PDFInfo
- Publication number
- CN108399752A CN108399752A CN201810400364.7A CN201810400364A CN108399752A CN 108399752 A CN108399752 A CN 108399752A CN 201810400364 A CN201810400364 A CN 201810400364A CN 108399752 A CN108399752 A CN 108399752A
- Authority
- CN
- China
- Prior art keywords
- regulations
- violating
- vehicle
- image
- time point
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种驾驶违章预判方法、装置、服务器和介质。其中，方法包括：获取车辆启动之后摄像头所拍摄的视频，并解析视频得到与车辆行驶的各时间点相对应的图像；将各图像输入至预先训练好的违章预判模型确定有违章驾驶行为的目标图像；根据目标图像和导航数据确定车辆的违章概率。本发明实施例通过解析车辆行车过程中的视频得到与时间点相对应的图片，并经违章预判模型判断该图片是否为有违章驾驶行为的目标图片，根据目标图片和导航数据确定车辆的违章概率，解决了现有的导航装置与行车记录仪无法判断车辆是否有违章行为的问题，可使驾驶人预先确定自己在驾车过程中是否出现违章行为以及出现违章行为的地址，以辅助用户文明驾驶。
Description
技术领域
本发明实施例涉及人工智能技术，尤其涉及一种驾驶违章预判方法、装置、服务器和介质。
背景技术
现有技术中，百度地图、Google地图或者高德地图等导航软件，都能够为用户提供多种路径规划进行选择，如用户想要从公司回家，那么导航软件会根据起点与终点信息、车流量、车牌限行区域、有没有摄像探头等信息提供一个它认为最优化的路况。此外，通常车上一般都会装个行车记录仪，防止碰瓷或者记录风景，还有倒车影像等等功能。
但是，一般驾驶人在开车的时候，不能够确定自己在驾驶过程中是否压实线、闯红灯或是违章，也不确定自己违章了是否被拍到，导航软件或行车记录仪都不能给出一个确定的答案。
发明内容
本发明实施例提供一种驾驶违章预判方法、装置、服务器和介质，可使驾驶人预先确定自己在驾车过程中是否出现违章行为以及出现违章行为的地址，以指导以后的驾驶行为。
第一方面，本发明实施例提供了一种驾驶违章预判方法，该方法包括：
获取车辆启动之后摄像头所拍摄的视频，并解析所述视频得到与所述车辆行驶的各时间点相对应的图像；
将各图像输入至预先训练好的违章预判模型确定有违章驾驶行为的目标图像；
根据所述目标图像和导航数据确定所述车辆的违章概率。
第二方面，本发明实施例还提供了驾驶违章预判装置，该装置包括：
车辆行驶图像获取模块，用于获取车辆启动之后摄像头所拍摄的视频，并解析所述视频得到与所述车辆行驶的各时间点相对应的图像；
目标图像确定模块，用于将各图像输入至预先训练好的违章预判模型确定有违章驾驶行为的目标图像；
违章概率确定模块，用于根据所述目标图像和导航数据确定所述车辆的违章概率。
第三方面，本发明实施例还提供了一种服务器，该服务器包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
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本发明实施例中任一所述的驾驶违章预判方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的驾驶违章预判方法。
本发明实施例通过解析车辆行车过程中的视频得到与时间点相对应的图片，并经违章预判模型判断该图片是否为有违章驾驶行为的目标图片，根据目标图片和导航数据确定车辆的违章概率，解决了现有的导航装置与行车记录仪无法判断车辆是否有违章行为的问题，可使驾驶人预先确定自己在驾车过程中是否出现违章行为以及出现违章行为的地址，以指导以后的驾驶行为。
附图说明
图1是本发明实施例一中的驾驶违章预判方法的流程图；
图2是本发明实施例二中的驾驶违章预判装置的结构示意图；
图3是本发明实施例三中的服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的驾驶违章预判方法的流程图，本实施例可适用于判断驾驶过程中是否有违章行为的情况，该方法可以由驾驶违章预判装置来执行，该装置例如可配置于服务器中。如图1所示，该方法具体包括：
S110、获取车辆启动之后摄像头所拍摄的视频，并解析所述视频得到与所述车辆行驶的各时间点相对应的图像。
为了更好地了解车辆外部情况，会在车辆上安装至少一个摄像头。具体可以是在车辆的头端和/或尾端安装记录行驶状况的摄像头，以拍摄车辆行驶过程中车辆前方和/或后方路况的视频影像。可以理解的是，在本操作中，可以获取车辆所安装的摄像头在车辆行驶过程中所拍摄的视频，只要能够了解车辆的行驶过程中的外部环境影像即可，在此并不做限定，例如可以是车辆自身携带或者后期自行安装的行车记录仪等其他摄像头所拍摄的视频。
在驾驶过程中，为了更好地规划路线一般还会借助于导航装置提供导航数据，以提示用户行驶路径并确认行车路线以及行驶过程中存在违章摄录装置的地方。
在一种实施方式中，摄像头所拍摄的视频会以预设的时长为节点上传到服务器，如每两分钟上传一次视频，或每五分钟一次，具体时长可以根据服务器的处理能力和解析效率确定。当服务器接收到第一个视频后，就会开始解析视频得到与车辆行驶的时间点相对应的图像，如在上午9点10分零5秒钟，车辆所行驶到的位置处所拍摄的图像，该图像可包含车辆前进方向上的道路信息、车辆信息等。若服务器正在解析当前视频，那么当前视频之后上传的视频则缓存在存储单元中，依次等待解析。
S120、将各图像输入至预先训练好的违章预判模型确定有违章驾驶行为的目标图像。
其中，违章驾驶行为可以包括闯红灯、压线、逆行及未系安全带等行为。违章预判模型则是通过机器学习算法根据违章行为发生时的图像训练而得到的一个模型，通过该模型可以预判出解析得到的图像中哪一幅图像中内容显示有违章行为，从而确定出目标图像。
进一步的，训练违章预判模型主要包括如下步骤：
获取违章图像样本，并将所述违章图像样本输入至待训练的违章预判模型中得到当前输出结果。其中，违章图像样本为一些违章场景下所拍摄的照片，可以通过云服务器收集网友上传的相关图片作为训练样本。
根据当前输出结果和期望输出结果之间的误差，调节所述违章预判模型的预判参数。直到当前输出结果与期望输出结果之间的误差小于误差阈值。
可选的，在确定目标图像之前，当检测到同一时间节点上内容匹配度达到预设的匹配度阈值的至少两张图像时，并对所述至少两张图像进行去重处理。可选地，对所述至少两张图像进行去重处理，具体可以是将同一时间节点上内容匹配度达到预设的匹配度阈值的至少两张图像中的任意一张保存，删除所述至少两张图像中其他的图像；也可以是将同一时间节点上内容匹配度达到预设的匹配度阈值的至少两张图像中清晰度最高的一张图像保存，删除所述至少两张图像中其他的图像。
由于在同一时间节点上，具有匹配度达到匹配度阈值的多张图像，即高度相似或相同的图像，输入到违章预判模型中所得到的输出结果往往是一致的，因此去掉重复的图片，可以提高判断违章的概率的效率。
S130、根据所述目标图像和导航数据确定所述车辆的违章概率。
具体的，根据所述目标图像和导航数据确定所述车辆的违章概率包括如下步骤：
首先，根据所述目标图像所对应的时间点确定所述车辆在该时间点所行驶经过的目标位置。
每张目标图像都对应着车辆行驶的一个时间点，根据该时间点查询导航装置中的导航数据，确定在该时间点车辆所行驶到的地点，即目标位置。
在一种实施方式中，确定所述车辆在该时间点所行驶经过的目标位置包括：根据所述目标图像中的场景数据与地图数据确定出至少一个与所述目标图像对应的图像位置；根据所述目标图像所对应的时间点确定导航数据在该时间点所显示的导航位置；计算至少一个所述图像位置与所述导航位置的距离误差，将各所述距离误差中最小的所述距离误差对应的所述图像位置作为目标位置。
在一种实施方式中，确定所述车辆在该时间点所行驶经过的目标位置包括：根据所述目标图像中的场景数据与地图数据确定出至少一个与所述目标图像对应的图像位置；根据所述目标图像所对应的时间点确定导航数据在该时间点所显示的导航位置；计算至少一个所述图像位置与所述导航位置的距离误差，若各所述距离误差中最小的所述距离误差处于预设的误差范围内，则将所述导航位置作为目标位置。
具体的，目标图像中场景数据可以是目标图像中的建筑物、路标信息或路况信息等，根据上述信息可以确定至少一个与目标图像对应的图像位置。例如，当目标图像的场景数据中显示在目标图像中有一个已知的建筑物，那么再结合路标等信息可确定图像位置所在的道路和方向。由于在已知的道路和前进方向上的不同位置处所拍摄的图像场景数据多数是一致的，那么所确定的图像位置可以是在已知的道路和前进方向上的至少一个不同位置。
考虑到有可能存在目标图像中场景相似的情况，因此结合地图数据可能会确定出两个或两个以上与所述目标图像对应的图像位置，可选是结合导航数据，将与导航位置最为接近的一个图像位置作为目标位置。
导航位置是根据目标图像对应的时间点在导航数据中确认的车辆在该时刻所行驶经过的位置，导航位置与图像位置可能是一致的也可能是有误差的，那么进一步的，计算至少一个所述图像位置与所述导航位置的距离误差，考虑到导航数据可能存在延时，将各所述距离误差中最小的所述距离误差对应的所述图像位置作为目标位置。在一些场景中，若距离误差可忽略，当各所述距离误差中最小的所述距离误差处于预设的误差范围内，可将所述导航位置作为目标位置。采用上述技术方案的好处在于，可以充分结合目标图像和导航数据实现对车辆的准确定位，进而能够更加准确地判断出车辆在此位置的违章概率。
进一步的，判断所述目标位置的预设范围内是否有违章监控装置。其中，预设范围可以是距离目标位置的10米、20米或25米范围内，该范围不小于违章监控装置的摄录范围即可，这样可以找到所有可能拍摄到车辆违章行为的违章监控装置。
然后，若目标位置的预设范围内有违章监控装置，则将该目标位置的历史违章概率确定为所述车辆的违章概率。其中，目标位置的历史违章概率是根据历史上的违章数据计算而得到的，计算方式是采用了现有技术中的违章概率的计算方法。
本实施例的技术方案，通过解析车辆行车过程中的视频得到与时间点相对应的图片，并经违章预判模型判断该图片是否为有违章驾驶行为的目标图片，根据目标图片和导航数据确定车辆的违章概率，解决了现有的导航装置与行车记录仪无法判断车辆是否有违章行为的问题，可使驾驶人预先确定自己在驾车过程中是否出现违章行为以及出现违章行为的地址，以指导以后的驾驶行为。
实施例二
图2是本发明实施例二中的驾驶违章预判装置的结构示意图。如图2所示，驾驶违章预判装置包括：车辆行驶图像获取模块210、目标图像确定模块220和违章概率确定模块230。
其中，车辆行驶图像获取模块210，用于获取车辆启动之后摄像头所拍摄的视频，并解析所述视频得到与所述车辆行驶的各时间点相对应的图像；目标图像确定模块220，用于将各图像输入至预先训练好的违章预判模型确定有违章驾驶行为的目标图像；违章概率确定模块230，用于根据所述目标图像和导航数据确定所述车辆的违章概率。
本实施例的技术方案，通过解析车辆行车过程中的视频得到与时间点相对应的图片，并经违章预判模型判断该图片是否为有违章驾驶行为的目标图片，根据目标图片和导航数据确定车辆的违章概率，解决了现有的导航装置与行车记录仪无法判断车辆是否有违章行为的问题，可使驾驶人预先确定自己在驾车过程中是否出现违章行为以及出现违章行为的地址，以指导以后的驾驶行为。
进一步的，违章概率确定模块230包括：
目标位置确认单元，用于根据所述目标图像所对应的时间点确定所述车辆在该时间点所行驶经过的目标位置；
违章监控装置判断单元，用于判断所述目标位置的预设范围内是否有违章监控装置；
违章概率确定单元，用于在所述目标位置的预设范围内有违章监控装置时，将该目标位置的历史违章概率确定为所述车辆的违章概率。
优选的，驾驶违章预判装置还包括去重模块，用于在将各图像输入至预先训练好的违章预判模型之前，当检测到同一时间节点上内容匹配度达到预设的匹配度阈值的至少两张图像时，并对所述至少两张图像进行去重处理。
进一步的，驾驶违章预判装置还包括模型训练模块，该模块具体用于：
获取违章图像样本，并将所述违章图像样本输入至待训练的违章预判模型中得到当前输出结果；
根据当前输出结果和期望输出结果之间的误差，调节所述违章预判模型的预判参数。
进一步的，目标位置确认单元具体用于：
根据所述目标图像中的场景数据与地图数据确定出至少一个与所述目标图像对应的图像位置；
根据所述目标图像所对应的时间点确定导航数据在该时间点所显示的导航位置；
计算至少一个所述图像位置与所述导航位置的距离误差，将各所述距离误差中最小的所述距离误差对应的所述图像位置作为目标位置。
进一步的，目标位置确认单元还可用于：
根据所述目标图像中的场景数据与地图数据确定出至少一个与所述目标图像对应的图像位置；
根据所述目标图像所对应的时间点确定导航数据在该时间点所显示的导航位置；
计算至少一个所述图像位置与所述导航位置的距离误差，若各所述距离误差中最小的所述距离误差处于预设的误差范围内，则将所述导航位置作为目标位置。
本发明实施例所提供的驾驶违章预判装置可执行本发明任意实施例所提供的驾驶违章预判方法，具备执行方法相应的功能模块和有益效果。
实施例三
图3是本发明实施例三中的服务器的结构示意图。图3示出了适于用来实现本发明实施方式的示例***器312的框图。图3显示的服务器312仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，服务器312以通用计算设备的形式表现。服务器312的组件可以包括但不限于：一个或者多个处理器或者处理单元316，***存储器328，连接不同***组件(包括***存储器328和处理单元316)的总线318。
总线318表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
服务器312典型地包括多种计算机***可读介质。这些介质可以是任何能够被服务器312访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
***存储器328可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)330和/或高速缓存存储器332。服务器312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***334可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储器328可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块332的程序/实用工具340，可以存储在例如存储器328中，这样的程序模块332包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块342通常执行本发明所描述的实施例中的功能和/或方法。
服务器312也可以与一个或多个外部设备314(例如键盘、指向设备、显示器324等)通信，还可与一个或者多个使得用户能与该服务器312交互的设备通信，和/或与使得该服务器312能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口322进行。并且，服务器312还可以通过网络适配器320与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器320通过总线318与服务器312的其它模块通信。应当明白，尽管图3中未示出，可以结合服务器312使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元316通过运行存储在***存储器328中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的驾驶违章预判方法，该方法主要包括：
获取车辆启动之后摄像头所拍摄的视频，并解析所述视频得到与所述车辆行驶的各时间点相对应的图像；
将各图像输入至预先训练好的违章预判模型确定有违章驾驶行为的目标图像；
根据所述目标图像和导航数据确定所述车辆的违章概率。
实施例四
本发明实施例四还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的驾驶违章预判方法，该方法主要包括：
获取车辆启动之后摄像头所拍摄的视频，并解析所述视频得到与所述车辆行驶的各时间点相对应的图像；
将各图像输入至预先训练好的违章预判模型确定有违章驾驶行为的目标图像；
根据所述目标图像和导航数据确定所述车辆的违章概率。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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***、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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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***、装置或者器件使用或者与其结合使用。
计算机可读的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。计算机可读的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，该计算机可读介质可以发送、传播或者传输用于由指令执行***、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——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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发明操作的计算机程序代码，所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”如”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)域连接到用户计算机，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)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种驾驶违章预判方法，其特征在于，包括：
获取车辆启动之后摄像头所拍摄的视频，并解析所述视频得到与所述车辆行驶的各时间点相对应的图像；
将各图像输入至预先训练好的违章预判模型确定有违章驾驶行为的目标图像；
根据所述目标图像和导航数据确定所述车辆的违章概率。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标图像和导航数据确定所述车辆的违章概率，包括：
根据所述目标图像所对应的时间点确定所述车辆在该时间点所行驶经过的目标位置；
判断所述目标位置的预设范围内是否有违章监控装置；
若是，则将该目标位置的历史违章概率确定为所述车辆的违章概率。
3.根据权利要求1所述的方法，其特征在于，在将各图像输入至预先训练好的违章预判模型之前，所述方法还包括：
当检测到同一时间节点上内容匹配度达到预设的匹配度阈值的至少两张图像时，并对所述至少两张图像进行去重处理。
4.根据权利要求1所述的方法，其特征在于，还包括：
对违章预判模型进行训练；
相应地，所述对违章预判模型进行训练包括：
获取违章图像样本，并将所述违章图像样本输入至待训练的违章预判模型中得到当前输出结果；
根据当前输出结果和期望输出结果之间的误差，调节所述违章预判模型的预判参数。
5.根据权利要求2所述的方法，其特征在于，根据所述目标图像所对应的时间点确定所述车辆在该时间点所行驶经过的目标位置，包括：
根据所述目标图像中的场景数据与地图数据确定出至少一个与所述目标图像对应的图像位置；
根据所述目标图像所对应的时间点确定导航数据在该时间点所显示的导航位置；
计算至少一个所述图像位置与所述导航位置的距离误差，将各所述距离误差中最小的所述距离误差对应的所述图像位置作为目标位置。
6.根据权利要求2所述的方法，其特征在于，根据所述目标图像所对应的时间点确定所述车辆在该时间点所行驶经过的目标位置，包括：
根据所述目标图像中的场景数据与地图数据确定出至少一个与所述目标图像对应的图像位置；
根据所述目标图像所对应的时间点确定导航数据在该时间点所显示的导航位置；
计算至少一个所述图像位置与所述导航位置的距离误差，若各所述距离误差中最小的所述距离误差处于预设的误差范围内，则将所述导航位置作为目标位置。
7.一种驾驶违章预判装置，其特征在于，包括：
车辆行驶图像获取模块，用于获取车辆启动之后摄像头所拍摄的视频，并解析所述视频得到与所述车辆行驶的各时间点相对应的图像；
目标图像确定模块，用于将各图像输入至预先训练好的违章预判模型确定有违章驾驶行为的目标图像；
违章概率确定模块，用于根据所述目标图像和导航数据确定所述车辆的违章概率。
8.根据权利要求7所述的装置，其特征在于，所述违章概率确定模块包括：
目标位置确认单元，用于根据所述目标图像所对应的时间点确定所述车辆在该时间点所行驶经过的目标位置；
违章监控装置判断单元，用于判断所述目标位置的预设范围内是否有违章监控装置；
违章概率确定单元，用于在所述目标位置的预设范围内有违章监控装置时，将该目标位置的历史违章概率确定为所述车辆的违章概率。
9.一种服务器，其特征在于，所述服务器包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
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1-6中任一所述的驾驶违章预判方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的驾驶违章预判方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810400364.7A CN108399752A (zh) | 2018-04-28 | 2018-04-28 | 一种驾驶违章预判方法、装置、服务器和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810400364.7A CN108399752A (zh) | 2018-04-28 | 2018-04-28 | 一种驾驶违章预判方法、装置、服务器和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108399752A true CN108399752A (zh) | 2018-08-14 |
Family
ID=63100721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810400364.7A Pending CN108399752A (zh) | 2018-04-28 | 2018-04-28 | 一种驾驶违章预判方法、装置、服务器和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108399752A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109410582A (zh) * | 2018-11-27 | 2019-03-01 | 易念科技（深圳）有限公司 | 交通状况分析方法及终端设备 |
| CN110264730A (zh) * | 2019-06-05 | 2019-09-20 | 上海易点时空网络有限公司 | 基于行车记录的追踪逃逸车辆的方法及*** |
| CN110796883A (zh) * | 2019-11-06 | 2020-02-14 | 山东浪潮人工智能研究院有限公司 | 一种基于图像识别的电动自行车违章提醒方法及装置 |
| CN110851652A (zh) * | 2019-11-29 | 2020-02-28 | 京东方科技集团股份有限公司 | 一种辅助查看行车记录视频的方法及装置 |
| CN111339337A (zh) * | 2019-12-18 | 2020-06-26 | 贵州智诚科技有限公司 | 一种基于道路交通违法行为判罚标签化处理的方法 |
| CN111340811A (zh) * | 2020-02-19 | 2020-06-26 | 浙江大华技术股份有限公司 | 违章合成图的拆分方法、设备及计算机存储介质 |
| CN111383457A (zh) * | 2018-12-30 | 2020-07-07 | 浙江宇视科技有限公司 | 车位状态检测方法及装置、设备及存储介质 |
| CN111798358A (zh) * | 2020-07-01 | 2020-10-20 | 北京梧桐车联科技有限责任公司 | 确定算路时间的方法、装置、电子设备及可读存储介质 |
| CN111832376A (zh) * | 2019-07-18 | 2020-10-27 | 北京骑胜科技有限公司 | 一种车辆逆行检测方法、装置、电子设备及存储介质 |
| CN112466003A (zh) * | 2019-09-06 | 2021-03-09 | 顺丰科技有限公司 | 车辆状态检测方法、装置、服务器及存储介质 |
| CN112632412A (zh) * | 2020-12-30 | 2021-04-09 | 北京嘀嘀无限科技发展有限公司 | 处理交通违章信息的方法、装置、设备和介质 |
| CN112735148A (zh) * | 2020-12-24 | 2021-04-30 | 上海上大鼎正软件股份有限公司 | 营区车辆超速判别方法、装置、电子设备及存储介质 |
| CN112818726A (zh) * | 2019-11-15 | 2021-05-18 | 杭州海康威视数字技术股份有限公司 | 车辆违章预警方法、装置、***及存储介质 |
| CN113380021A (zh) * | 2020-03-10 | 2021-09-10 | 深圳市丰驰顺行信息技术有限公司 | 车辆状态检测方法、装置、服务器及计算机可读存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100955712B1 (ko) * | 2009-09-14 | 2010-05-03 | 장성원 | 적외선통신을 이용한 지능형 버스와 정류장의 정보연동시스템 |
| CN101739840A (zh) * | 2009-11-26 | 2010-06-16 | 西北工业大学 | 多gps/ins与交通图像融合定位方法 |
| KR20110000780U (ko) * | 2011-01-06 | 2011-01-24 | 주식회사 하이드 | 전방위 아이피 카메라 영상에 의한 교통법규위반 단속 장치 |
| JP2012010036A (ja) * | 2010-06-23 | 2012-01-12 | Toshiba Corp | カメラキャリブレーションシステムと、その計測車両及び路側機 |
| CN204596167U (zh) * | 2015-04-03 | 2015-08-26 | 吴振华 | 一种实现违章预警的智能*** |
| CN105469102A (zh) * | 2014-07-29 | 2016-04-06 | 小米科技有限责任公司 | 车辆行驶信息记录方法及装置 |
| CN105957347A (zh) * | 2016-06-16 | 2016-09-21 | 大连海事大学 | 一种基于导航行车记录仪的车辆违章掉头检测方法 |
| CN106652467A (zh) * | 2016-11-29 | 2017-05-10 | 浙江广厦建设职业技术学院 | 一种交通信息采集***及其方法 |
| CN106875721A (zh) * | 2017-01-23 | 2017-06-20 | 斑马信息科技有限公司 | 违章信息管理***及其引导路径生成方法 |
| CN206773925U (zh) * | 2017-06-15 | 2017-12-19 | 河南中安占海控股集团有限公司 | 闯红灯识别处置装置 |
-
2018
- 2018-04-28 CN CN201810400364.7A patent/CN108399752A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100955712B1 (ko) * | 2009-09-14 | 2010-05-03 | 장성원 | 적외선통신을 이용한 지능형 버스와 정류장의 정보연동시스템 |
| CN101739840A (zh) * | 2009-11-26 | 2010-06-16 | 西北工业大学 | 多gps/ins与交通图像融合定位方法 |
| JP2012010036A (ja) * | 2010-06-23 | 2012-01-12 | Toshiba Corp | カメラキャリブレーションシステムと、その計測車両及び路側機 |
| KR20110000780U (ko) * | 2011-01-06 | 2011-01-24 | 주식회사 하이드 | 전방위 아이피 카메라 영상에 의한 교통법규위반 단속 장치 |
| CN105469102A (zh) * | 2014-07-29 | 2016-04-06 | 小米科技有限责任公司 | 车辆行驶信息记录方法及装置 |
| CN204596167U (zh) * | 2015-04-03 | 2015-08-26 | 吴振华 | 一种实现违章预警的智能*** |
| CN105957347A (zh) * | 2016-06-16 | 2016-09-21 | 大连海事大学 | 一种基于导航行车记录仪的车辆违章掉头检测方法 |
| CN106652467A (zh) * | 2016-11-29 | 2017-05-10 | 浙江广厦建设职业技术学院 | 一种交通信息采集***及其方法 |
| CN106875721A (zh) * | 2017-01-23 | 2017-06-20 | 斑马信息科技有限公司 | 违章信息管理***及其引导路径生成方法 |
| CN206773925U (zh) * | 2017-06-15 | 2017-12-19 | 河南中安占海控股集团有限公司 | 闯红灯识别处置装置 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109410582B (zh) * | 2018-11-27 | 2021-11-16 | 易念科技（深圳）有限公司 | 交通状况分析方法及终端设备 |
| CN109410582A (zh) * | 2018-11-27 | 2019-03-01 | 易念科技（深圳）有限公司 | 交通状况分析方法及终端设备 |
| CN111383457A (zh) * | 2018-12-30 | 2020-07-07 | 浙江宇视科技有限公司 | 车位状态检测方法及装置、设备及存储介质 |
| CN111383457B (zh) * | 2018-12-30 | 2021-02-09 | 浙江宇视科技有限公司 | 车位状态检测方法及装置、设备及存储介质 |
| CN110264730A (zh) * | 2019-06-05 | 2019-09-20 | 上海易点时空网络有限公司 | 基于行车记录的追踪逃逸车辆的方法及*** |
| CN111832376A (zh) * | 2019-07-18 | 2020-10-27 | 北京骑胜科技有限公司 | 一种车辆逆行检测方法、装置、电子设备及存储介质 |
| CN112466003A (zh) * | 2019-09-06 | 2021-03-09 | 顺丰科技有限公司 | 车辆状态检测方法、装置、服务器及存储介质 |
| CN112466003B (zh) * | 2019-09-06 | 2023-11-28 | 顺丰科技有限公司 | 车辆状态检测方法、装置、计算机设备及存储介质 |
| CN110796883A (zh) * | 2019-11-06 | 2020-02-14 | 山东浪潮人工智能研究院有限公司 | 一种基于图像识别的电动自行车违章提醒方法及装置 |
| CN112818726A (zh) * | 2019-11-15 | 2021-05-18 | 杭州海康威视数字技术股份有限公司 | 车辆违章预警方法、装置、***及存储介质 |
| CN110851652A (zh) * | 2019-11-29 | 2020-02-28 | 京东方科技集团股份有限公司 | 一种辅助查看行车记录视频的方法及装置 |
| CN111339337A (zh) * | 2019-12-18 | 2020-06-26 | 贵州智诚科技有限公司 | 一种基于道路交通违法行为判罚标签化处理的方法 |
| CN111340811B (zh) * | 2020-02-19 | 2023-08-11 | 浙江大华技术股份有限公司 | 违章合成图的拆分方法、设备及计算机存储介质 |
| CN111340811A (zh) * | 2020-02-19 | 2020-06-26 | 浙江大华技术股份有限公司 | 违章合成图的拆分方法、设备及计算机存储介质 |
| CN113380021A (zh) * | 2020-03-10 | 2021-09-10 | 深圳市丰驰顺行信息技术有限公司 | 车辆状态检测方法、装置、服务器及计算机可读存储介质 |
| CN113380021B (zh) * | 2020-03-10 | 2023-10-10 | 深圳市丰驰顺行信息技术有限公司 | 车辆状态检测方法、装置、服务器及计算机可读存储介质 |
| CN111798358A (zh) * | 2020-07-01 | 2020-10-20 | 北京梧桐车联科技有限责任公司 | 确定算路时间的方法、装置、电子设备及可读存储介质 |
| CN111798358B (zh) * | 2020-07-01 | 2024-05-31 | 北京梧桐车联科技有限责任公司 | 确定算路时间的方法、装置、电子设备及可读存储介质 |
| CN112735148A (zh) * | 2020-12-24 | 2021-04-30 | 上海上大鼎正软件股份有限公司 | 营区车辆超速判别方法、装置、电子设备及存储介质 |
| CN112632412A (zh) * | 2020-12-30 | 2021-04-09 | 北京嘀嘀无限科技发展有限公司 | 处理交通违章信息的方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108399752A (zh) | 一种驾驶违章预判方法、装置、服务器和介质 | |
| US20230385481A1 (en) | Simulation Traffic Scenario File Generation Method and Apparatus | |
| CN109188457A (zh) | 物体检测框的生成方法、装置、设备、存储介质及车辆 | |
| KR20190090393A (ko) | 차선 결정 방법, 디바이스 및 저장 매체 | |
| CN109213134A (zh) | 生成自动驾驶策略的方法和装置 | |
| CN109145680A (zh) | 一种获取障碍物信息的方法、装置、设备和计算机存储介质 | |
| CN109035831A (zh) | 交通指示灯的识别方法、装置、设备、存储介质及车辆 | |
| CN109255341A (zh) | 障碍物感知错误数据的提取方法、装置、设备及介质 | |
| US11361555B2 (en) | Road environment monitoring device, road environment monitoring system, and road environment monitoring program | |
| CN109358627A (zh) | 基于无人驾驶的驾驶辅助方法、装置、设备、介质和车辆 | |
| CN110095126A (zh) | 地图匹配方法、装置、设备和介质 | |
| CN113535569B (zh) | 自动驾驶的控制效果确定方法 | |
| CN109213144A (zh) | 人机接口（hmi）架构 | |
| CN115616937B (zh) | 自动驾驶仿真测试方法、装置、设备和计算机可读介质 | |
| CN109376664A (zh) | 机器学习训练方法、装置、服务器和介质 | |
| CN108268831A (zh) | 一种无人车视觉检测的鲁棒性测试方法和*** | |
| CN110533795A (zh) | 数据记录装置 | |
| CN113392793A (zh) | 用于识别车道线的方法、装置、设备、存储介质以及无人车 | |
| CN111366374B (zh) | 车辆测试方法、装置、电子设备及存储介质 | |
| CN111816022A (zh) | 一种模拟场景的仿真方法、装置、存储介质以及电子设备 | |
| CN112230632A (zh) | 用于自动驾驶的方法、装置、设备和存储介质 | |
| CN111881121A (zh) | 一种自动驾驶数据填充方法和装置 | |
| CN107878325A (zh) | 确定泊车***重新标定时机的方法、装置及自动标定*** | |
| CN114419758B (zh) | 跟车距离的计算方法、装置、车辆及存储介质 | |
| CN110231639A (zh) | 车辆定位方法、装置、设备和介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180814 |
|
| WD01 | Invention patent application deemed withdrawn after publication |