CN110111577B - 基于大数据的非机动车识别方法、装置、设备及存储介质 - Google Patents
基于大数据的非机动车识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110111577B CN110111577B CN201910409597.8A CN201910409597A CN110111577B CN 110111577 B CN110111577 B CN 110111577B CN 201910409597 A CN201910409597 A CN 201910409597A CN 110111577 B CN110111577 B CN 110111577B
- Authority
- CN
- China
- Prior art keywords
- information
- motor vehicle
- object information
- area
- road section
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 241000283070 Equus zebra Species 0.000 claims abstract description 74
- 238000001514 detection method Methods 0.000 claims description 17
- 230000006698 induction Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于大数据的非机动车识别方法、装置、设备及存储介质,所述方法包括:通过检测当前路段的红绿灯状态,确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息;确定上述区域中共同存有的目标对象信息;提取所述目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息;在未存有参考对象信息时,在预设时间范围内查找与所述目标特征信息的相似度达到第二阈值的目标非机动车信息,以实现闯红灯非机动车的识别,从而提高非机动车识别的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于大数据的非机动车识别方法、装置、设备及存储介质。
背景技术
目前,城市交通的管理***主要针对机动车违章违法的监测与执法,但还没有对非机动车违章违法的监控管理措施和设施进行有效的执法,随着智慧交通管理***的专业化与精细化,公安交警对非机动车闯红灯、逆行等违章的现象将逐步采用专有技术进行针对性执法管理,但是在抓拍过程中仍然存在识别不全情况。
发明内容
本发明的主要目的在于提出一种基于大数据的非机动车识别方法、装置、设备及存储介质,旨在提高非机动车识别的准确性。
为实现上述目的,本发明提供一种基于大数据的非机动车识别方法,所述基于大数据的非机动车识别方法包括以下步骤:
检测当前路段的红绿灯状态,确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息,其中,所述停车区域位于机动车道,所述停车区域与所述斑马线区域不重合,所述警示区域分别与所述停车区域和斑马线区域不重合;
确定所述停车区域、斑马线区域以及警示区域的路段信息中共同存在的目标对象信息;
提取所述目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息;
在未存有参考对象信息时,在预设时间范围内查找当前路段的非机动车行驶信息;
在所述非机动车行驶信息中查找与所述目标特征信息的相似度达到第二阈值的目标非机动车信息,以实现闯红灯非机动车的识别。
优选地,所述当前路段上设有红灯信号检测器;
所述检测当前路段的红绿灯状态,确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息,包括:
通过红灯信号检测器检测当前路段的红绿灯状态,确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息。
优选地,所述当前路段上设有触发线;
所述检测当前路段的红绿灯状态,确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息之前,所述方法还包括:
通过触发线将所述当前路段划分为停车区域、斑马线区域以及警示区域。
优选地,所述确定所述停车区域、斑马线区域以及警示区域的路段信息中共同存在的目标对象信息,包括:
分别提取停车区域、斑马线区域以及警示区域的路段信息中的停车区域对象信息、斑马线区域对象信息以及警示区域对象信息;
确定所述斑马线区域对象信息中存在的停车区域对象信息;
根据所述存在的停车区域对象信息确定所述警示区域对象信息中的目标对象信息。
优选地,根据所述存在的停车区域对象信息确定所述警示区域对象信息中的目标对象信息之后,所述方法还包括:
获取所述警示区域对象信息中未存在的斑马线区域对象信息;
根据未存在的斑马线区域对象信息对所述目标对象信息进行更新;
相应的,所述提取所述目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息,包括:
提取更新后的目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息。
优选地,所述提取所述目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息,包括:
提取所述目标对象信息的目标特征信息;
获取与大数据平台的连接状态,在所述连接状态为连接正常时通过所述大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息。
优选地,所述在未存有参考对象信息时,在预设时间范围内查找当前路段的非机动车行驶信息,包括:
在未存有参考对象信息时,获取当前时间信息;
调用与所述当前时间信息相距预设时间间隔的当前路段的视频信息,根据所述视频信息查找当前路段的非机动车行驶信息。
此外,为实现上述目的,本发明还提出一种基于大数据的非机动车识别装置,所述基于大数据的非机动车识别装置包括:
检测模块,用于检测当前路段的红绿灯状态,确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息;
确定模块,用于确定所述停车区域、斑马线区域以及警示区域的路段信息中共同存在的目标对象信息;
提取模块,用于提取所述目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息;
查询模块,用于在未存有参考对象信息时,在预设时间范围内查找当前路段的非机动车行驶信息;
识别模块,用于在所述非机动车行驶信息中查找与所述目标特征信息的相似度达到第二阈值的目标非机动车信息,以实现闯红灯非机动车的识别。
此外,为实现上述目的,本发明还提出一种基于大数据的非机动车识别设备,所述基于大数据的非机动车识别设备包括: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基于大数据的非机动车识别程序,所述基于大数据的非机动车识别程序配置为实现如上所述的基于大数据的非机动车识别方法的步骤。
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基于大数据的非机动车识别程序,所述基于大数据的非机动车识别程序被处理器执行时实现如上文所述的基于大数据的非机动车识别方法的步骤。
本发明提出的基于大数据的非机动车识别方法,通过检测当前路段的红绿灯状态,确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息;确定所述停车区域、斑马线区域以及警示区域的路段信息中共同存在的目标对象信息;提取所述目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息;在未存有参考对象信息时,在预设时间范围内查找当前路段的非机动车行驶信息;在所述非机动车行驶信息中查找与所述目标特征信息的相似度达到第二阈值的目标非机动车信息,以实现闯红灯非机动车的识别,通过划分的区域信息识别出闯红灯的非机动车,并且在识别失败的情况下通过预设时间范围进行闯红灯的非机动车的查找,从而提高非机动车识别的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本发明基于大数据的非机动车识别方法第一实施例的流程示意图;
图3为本发明基于大数据的非机动车识别方法一实施例的非机动车识别***结构示意图;
图4为本发明基于大数据的非机动车识别方法一实施例的闯红灯交通违法行为抓拍示意图;
图5为本发明基于大数据的非机动车识别方法第二实施例的流程示意图;
图6为本发明基于大数据的非机动车识别方法第三实施例的流程示意图;
图7为本发明基于大数据的非机动车识别装置第一实施例的功能模块示意图。
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设备结构示意图。
如图1所示,该设备可以包括:处理器1001,例如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)、输入单元比如按键,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WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),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中示出的设备结构并不构成对设备的限定,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***、网络通信模块、用户接口模块以及基于大数据的非机动车识别程序。
在图1所示的设备中,网络接口1004主要用于连接外网,与其他网络设备进行数据通信;用户接口1003主要用于连接用户设备,与设备进行数据通信;本发明设备通过处理器1001调用存储器1005中存储的基于大数据的非机动车识别程序,并执行本发明实施例提供的基于大数据的非机动车识别的实施方法。
基于上述硬件结构,提出本发明基于大数据的非机动车识别方法实施例。
参照图2,图2为本发明基于大数据的非机动车识别方法第一实施例的流程示意图。
在第一实施例中,所述基于大数据的非机动车识别方法包括以下步骤:
步骤S10,检测当前路段的红绿灯状态,确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息,其中,所述停车区域位于机动车道,所述停车区域与所述斑马线区域不重合,所述警示区域分别与所述停车区域和斑马线区域不重合。
需要说明的是,本实施例的执行主体为设置在道路上的基于大数据的非机动车识别装置,还可为其他终端设备,本实施例对此不作限制,在本实施例中,以基于大数据的非机动车识别装置为例进行说明。
在本实施例中,设有基于大数据的非机动车识别***,如图3所示,本***由前端子采集***和后端管理子***两部分组成,即前端采集***和后端处理***,用于实现对路口非机动车闯红灯等交通违法行为的自动抓拍、识别、记录、传输和处理,同时***还具备实时记录通行非机动车辆信息功能。
在具体实现中,前端采集***负责完成前端数据的视频、信号、处理、存储与上传,主要由视频抓拍单元、交通信号单元以及控制执行单元等组件构成,其中,视频抓拍单元、交通信号单元分别与控制执行单元路口连接,交通违法信息采用网络方式传输,后端管理***负责实现对区域内采集数据的汇聚、处理、存储、应用、管理与共享,主要包括依序连接的信息汇集单元、信息处理单元以及信息存储单元。
步骤S20,确定所述停车区域、斑马线区域以及警示区域的路段信息中共同存在的目标对象信息。
需要说明的是,如图4提供的闯红灯交通违法行为抓拍示意图,其中,A表示控制执行单元,B表示交通信号单元,C表示视频抓拍单元,D表示视频检测识别区域,E表示停车区域,F表示斑马线区域,G表示警示区域,H1表示触发线1和H2表示触发线2,将视频检测识别区域划分为述停车区域、斑马线区域以及警示区域,在远端设有交通信号单元、视频抓拍单元以及控制执行单元,其中,通过触发线1和触发线2将视频检测识别区域划分为述停车区域、斑马线区域以及警示区域,从而实现对闯红灯行为的识别。
在具体实现中,当视频抓拍单元检测到有目标进入停车线内的视频检测区域时,立即对检测的目标进行识别,并将该图片作为第一张闯红灯前的图片保存;当视频抓拍单元检测到红灯期间该目标离开触发线1时,已越过停止线,***采集第二张闯红灯图片,同时可将抓拍的图片连同红灯开启时间,将非机动车的违法时间、路口名称等信息暂存在视频抓拍单元内,当视频抓拍单元检测到红灯期间该车辆离开触发线2时,已越过停止线,***采集第三张闯红灯图片,***可以实现对单方向非机动车闯红灯车辆的监测以及图像抓拍等功能,每一违法记录拍摄连续3张反映闯红灯过程的图片,其中第一个位置的图片反映非机动车未到达停止线的情况,并能清晰辨别车辆、交通信号灯红灯以及停止线,第二个位置的图片反映非机动车已越过停止线的情况,并能清晰辨别车辆、驾驶员外貌、交通信号灯红灯以及停止线,第三个位置的图片反映非机动车越过停止线继续前行的情况,并能清晰辨别非机动车外观、车牌、驾驶员面貌、交通信号灯红灯以及停止线。
步骤S30,提取所述目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息。
可以理解的是,所述第一阈值可为80%,还可为其他参数信息,本实施例对此不作限制,在本实施例中,以80%为例进行说明。
在具体实现中,提取所述目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到80%的参考对象信息,从而实现对非机动车的识别,通过得到一组完整的非机动车闯红灯违法图片记录,并由视频抓拍单元实现图片合成,转发至路口控制执行单元控制执行单元暂存,非机动车路口的视频抓拍单元后,控制执行单元把同一非机动车的闯红灯图片、驾驶员人脸特写图片做匹配合成,最终达到闯红灯违法处罚到人的目的。
在本实施例中,前端采集***采集的车辆、人员信息通过网络形式上传到后端管理***,后端管理***对违法信息进行分类,可以根据违法地点、违法行为、违法时间等条件对违法信息进行筛选及后续处理,经过审核的违法处理结果,可传输到交通违章信息公共查询大数据平台,也可对违法人员进行依法处置。
步骤S40,在未存有参考对象信息时,在预设时间范围内查找当前路段的非机动车行驶信息。
需要说明的是,在一般情况下,经常会出现大数据平台的数据库中并没有查询违法非机动车的资料信息,在这种情况下,可根据驾驶非机动车用户的使用习惯,根据当前时间以及地址在记录的交通视频信息中查询近几天在相同的时间和地址是否出现特征相同的违法非机动车,从而实现对违法非机动车的识别,提高交通管理的有效性。
步骤S50,在所述非机动车行驶信息中查找与所述目标特征信息的相似度达到第二阈值的目标非机动车信息,以实现闯红灯非机动车的识别。
可以理解的是,所述第二阈值可为80%,还可其他参数,本实施例对比在不作限制,在本实施例中,以相似度为80%为例进行说明。
在具体实现中,在通过记录的非机动车行驶信息中查找与所述目标特征信息的相似度达到80%的目标非机动车信息,以实现闯红灯非机动车的识别,从而在数据库中查询失败的情况下,根据用户的行驶习惯查找到相关的非机动车,以提高对闯红灯非机动车的辨别。
本实施例通过上述方案,通过检测当前路段的红绿灯状态,确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息;确定所述停车区域、斑马线区域以及警示区域的路段信息中共同存在的目标对象信息;提取所述目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息;在未存有参考对象信息时,在预设时间范围内查找当前路段的非机动车行驶信息;在所述非机动车行驶信息中查找与所述目标特征信息的相似度达到第二阈值的目标非机动车信息,以实现闯红灯非机动车的识别,通过划分的区域信息识别出闯红灯的非机动车,并且在识别失败的情况下通过预设时间范围进行闯红灯的非机动车的查找,从而提高非机动车识别的准确性。
在一实施例中,如图5所示,基于第一实施例提出本发明基于大数据的非机动车识别方法第二实施例,在本实施例中,所述步骤S10,包括:
检测当前路段的红绿灯状态,提取所述红绿灯状态中三基色颜色空间的像素信息,将所述三基色颜色空间的像素信息转换为色调饱和度亮度颜色空间的像素信息。
统计时需将样本由三基色颜色空间(Red Green Blue,RGB)颜色空间转化为色调饱和度亮度(Hue-Saturation-Intensity,HSI)颜色空间,首先对RGB进行归一化处理,以统计红色信息为例,获取实际拍摄的正样本中90张红灯图片,对每张图片首先转换成HSI颜色空间。
获取所述色调饱和度亮度颜色空间的像素信息中每个像素的色调值以及统计所述色调值的色调数量;
在本实施例中,所述色调值H值,通过对图片中的每个象素获取H颜色值,再设置一个颜色的计数器,根据H颜色值,分别对相应颜色值的计数器进行累加,最后得到红灯颜色统计直方图,包括颜色数量分布。
根据所述色调值以及色调数量确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息。
在具体实现中,通过分析红灯颜色统计直方图,颜色数量主要分布在[315°,360°]及[0°,30°]区域,由此可以将红灯颜色的H值定义在红色分析红灯颜色统计直方图,颜色数量主要分布在[315°,360°]及[0°,30°]区域,由此可以将红灯颜色的H值定义在红色[315°,360°]及[0°,30°],同样,根据绿灯颜色统计直方图,绿色颜色相应的H值可定义在[150°,210°],从而实现对红绿灯的识别。
在一实施例中,所述步骤S10之前,所述方法还包括:
步骤S101,获取预设感应装置,通过所述预设感应装置将所述当前路段划分为停车区域、斑马线区域以及警示区域。
需要说明的是,所述预设感应装置可为设置在当前路段上的触发线,还可为其他形式的感应装置,本实施例对此不作限制,在本实施例中,以触发线为例进行说明,如图4所示,在视频检测识别区域上设有触发线,通过所述触发线可实现识别区域的划分,所述视频检测识别区域包括触发线1和触发线2,通过触发线1和触发线2将视频检测识别区域划分为停车区域、斑马线区域以及警示区域,其中,停车区域为正常区域,所述斑马线区域为斑马线区域,所述警示区域为违法区域,处于斑马线区域的目标非机动车,并且所述目标非机动车在警示区域中出现,说明目标非机动车为闯红灯非机动车,从而实现对闯红灯非机动车的识别。
本实施例提供的方案,通过触发线将所述当前路段划分为停车区域、斑马线区域以及警示区域,通过停车区域、斑马线区域以及警示区域对非机动车的闯红灯行为进行自动判别,从而提高交通管理的效率。
在一实施例中,如图6所示,基于第一实施例或第二实施例提出本发明基于大数据的非机动车识别方法第三实施例,在本实施例中,基于第一实施例进行说明,所述步骤S20,包括:
步骤S201,分别提取停车区域、斑马线区域以及警示区域的路段信息中的停车区域对象信息、斑马线区域对象信息以及警示区域对象信息。
为了实现对非机动车的闯红灯行为进行自动判别,通过停车区域、斑马线区域以及警示区域中采集的对象信息进行判断,其中,所述停车区域对象信息、斑马线区域对象信息以及警示区域对象信息分别表示当前区域采集的非机动车行驶信息,包括车辆特征信息以及驾驶员外貌特征信息,车辆特征信息包括外形以及颜色等。
步骤S202,确定所述斑马线区域对象信息中存在的停车区域对象信息。
在具体实现中,首先将所述停车区域对象信息与斑马线区域对象信息进行比较,判断所述斑马线区域对象信息是否存有的停车区域对象信息,将存有的停车区域对象信息作为闯红灯非机动车,并进行实时抓拍,斑马线区域位置的图片反映非机动车已越过停止线的情况,并能清晰辨别车辆、驾驶员外貌、交通信号灯红灯以及停止线。
步骤S203,根据所述存在的停车区域对象信息确定所述警示区域对象信息中的目标对象信息。
在本实施例中,将所述斑马线区域对象信息存有的停车区域对象信息与所述警示区域对象信息进行比较,从而更清晰的得到闯红灯非机动车,并进行实时抓拍,在警示区域位置的图片反映非机动车越过停止线继续前行的情况,并能清晰辨别非机动车外观、车牌、驾驶员面貌、交通信号灯红灯以及停止线。
在一实施例中,所述步骤S203之后,所述方法还包括:
步骤S204,获取所述警示区域对象信息中未存在的斑马线区域对象信息。
在本实施例中,还存在停车区域和斑马线区域未存有对象信息,但在警示区域中存有对象信息,在这种情况下,直接将警示区域中存有的对象信息作为闯红灯非机动车,从而提高闯红灯非机动车识别的准确性。
步骤S205,根据未存有的斑马线区域对象信息对所述目标对象信息进行更新。
相应的,所述步骤S30,包括:
步骤S301,提取更新后的目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息。
在一实施例中,所述步骤S30,包括:
在本实施例中,可将数据接入大数据平台中进行处理,从而通过大数据平台实现更有效的特征识别。
在具体实现中,通过提取所述目标对象信息的目标特征信息,获取与大数据平台的连接状态,在所述连接状态为连接正常时通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息,从而保证实施与大数据平台进行连接,保证数据处理的效率。
在一实施例中,所述步骤S40,包括:
为了查找到有效的闯红灯非机动车,在未存有参考对象信息时,获取当前时间信息,调用与所述当前时间信息相距预设时间间隔的当前路段的视频信息,根据所述视频信息查找当前路段的非机动车行驶信息,通过当前时间以及地址在记录的交通视频信息中查询近几天在相同的时间和地址是否出现特征相同的违法非机动车,从而实现对违法非机动车的识别,提高交通管理的有效性。
本实施例提供的方案,通过在停车区域和斑马线区域未存有对象信息,但在警示区域中存有对象信息时,直接将警示区域中存有的对象信息作为闯红灯非机动车,避免漏掉警示区域中的闯红灯非机动车,从而提高闯红灯非机动车识别的准确性,并且通过当前时间以及地址在记录的交通视频信息中查询近几天在相同的时间和地址是否出现特征相同的违法非机动车,从而通过记录的行驶信息实现对闯红灯非机动车的排查。
本发明进一步提供一种基于大数据的非机动车识别装置。
参照图7,图7为本发明基于大数据的非机动车识别装置第一实施例的功能模块示意图。
本发明基于大数据的非机动车识别装置第一实施例中,该基于大数据的非机动车识别装置包括:
检测模块10,用于检测当前路段的红绿灯状态,确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息。
在本实施例中,设有基于大数据的非机动车识别***,如图3所示,本***由前端子采集***和后端管理子***两部分组成,即前端采集***和后端处理***,用于实现对路口非机动车闯红灯等交通违法行为的自动抓拍、识别、记录、传输和处理,同时***还具备实时记录通行非机动车辆信息功能。
在具体实现中,前端采集***负责完成前端数据的视频、信号、处理、存储与上传,主要由视频抓拍单元、交通信号单元以及控制执行单元等组件构成,其中,视频抓拍单元、交通信号单元分别与控制执行单元路口连接,交通违法信息采用网络方式传输,后端管理***负责实现对区域内采集数据的汇聚、处理、存储、应用、管理与共享,主要包括依序连接的信息汇集单元、信息处理单元以及信息存储单元。
确定模块20,用于确定所述停车区域、斑马线区域以及警示区域的路段信息中共同存在的目标对象信息。
需要说明的是,如图4提供的闯红灯交通违法行为抓拍示意图,其中,A表示控制执行单元,B表示交通信号单元,C表示视频抓拍单元,D表示视频检测识别区域,E表示停车区域,F表示斑马线区域,G表示警示区域,H1表示触发线1和H2表示触发线2,将视频检测识别区域划分为述停车区域、斑马线区域以及警示区域,在远端设有交通信号单元、视频抓拍单元以及控制执行单元,其中,通过触发线1和触发线2将视频检测识别区域划分为述停车区域、斑马线区域以及警示区域,从而实现对闯红灯行为的识别。
在具体实现中,当视频抓拍单元检测到有目标进入停车线内的视频检测区域时,立即对检测的目标进行识别,并将该图片作为第一张闯红灯前的图片保存;当视频抓拍单元检测到红灯期间该目标离开触发线1时,已越过停止线,***采集第二张闯红灯图片,同时可将抓拍的图片连同红灯开启时间,将非机动车的违法时间、路口名称等信息暂存在视频抓拍单元内,当视频抓拍单元检测到红灯期间该车辆离开触发线2时,已越过停止线,***采集第三张闯红灯图片,***可以实现对单方向非机动车闯红灯车辆的监测以及图像抓拍等功能,每一违法记录拍摄连续3张反映闯红灯过程的图片,其中第一个位置的图片反映非机动车未到达停止线的情况,并能清晰辨别车辆、交通信号灯红灯以及停止线,第二个位置的图片反映非机动车已越过停止线的情况,并能清晰辨别车辆、驾驶员外貌、交通信号灯红灯以及停止线,第三个位置的图片反映非机动车越过停止线继续前行的情况,并能清晰辨别非机动车外观、车牌、驾驶员面貌、交通信号灯红灯以及停止线。
提取模块30,用于提取所述目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息。
可以理解的是,所述第一阈值可为80%,还可为其他参数信息,本实施例对此不作限制,在本实施例中,以80%为例进行说明。
在具体实现中,提取所述目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到80%的参考对象信息,从而实现对非机动车的识别,通过得到一组完整的非机动车闯红灯违法图片记录,并由视频抓拍单元实现图片合成,转发至路口控制执行单元控制执行单元暂存,非机动车路口的视频抓拍单元后,控制执行单元把同一非机动车的闯红灯图片、驾驶员人脸特写图片做匹配合成,最终达到闯红灯违法处罚到人的目的。
在本实施例中,前端采集***采集的车辆、人员信息通过网络形式上传到后端管理***,后端管理***对违法信息进行分类,可以根据违法地点、违法行为、违法时间等条件对违法信息进行筛选及后续处理,经过审核的违法处理结果,可传输到交通违章信息公共查询大数据平台,也可对违法人员进行依法处置。
查询模块40,用于在未存有参考对象信息时,在预设时间范围内查找当前路段的非机动车行驶信息。
需要说明的是,在一般情况下,经常会出现大数据平台的数据库中并没有查询违法非机动车的资料信息,在这种情况下,可根据驾驶非机动车用户的使用习惯,根据当前时间以及地址在记录的交通视频信息中查询近几天在相同的时间和地址是否出现特征相同的违法非机动车,从而实现对违法非机动车的识别,提高交通管理的有效性。
识别模块50,用于在所述非机动车行驶信息中查找与所述目标特征信息的相似度达到第二阈值的目标非机动车信息,以实现闯红灯非机动车的识别。
可以理解的是,所述第二阈值可为80%,还可其他参数,本实施例对比在不作限制,在本实施例中,以相似度为80%为例进行说明。
在具体实现中,在通过记录的非机动车行驶信息中查找与所述目标特征信息的相似度达到80%的目标非机动车信息,以实现闯红灯非机动车的识别,从而在数据库中查询失败的情况下,根据用户的行驶习惯查找到相关的非机动车,以提高对闯红灯非机动车的辨别。
本实施例通过上述方案,通过检测当前路段的红绿灯状态,确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息;确定所述停车区域、斑马线区域以及警示区域的路段信息中共同存在的目标对象信息;提取所述目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息;在未存有参考对象信息时,在预设时间范围内查找当前路段的非机动车行驶信息;在所述非机动车行驶信息中查找与所述目标特征信息的相似度达到第二阈值的目标非机动车信息,以实现闯红灯非机动车的识别,通过划分的区域信息识别出闯红灯的非机动车,并且在识别失败的情况下通过预设时间范围进行闯红灯的非机动车的查找,从而提高非机动车识别的准确性。
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基于大数据的非机动车识别程序,所述基于大数据的非机动车识别程序被处理器执行如上文所述的基于大数据的非机动车识别方法的步骤。
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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。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、物品或者装置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如上所述的一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台智能终端设备(可以是手机,计算机,终端设备,空调器,或者网络终端设备等)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)
1.一种基于大数据的非机动车识别方法,其特征在于,所述基于大数据的非机动车识别方法包括:
检测当前路段的红绿灯状态,确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息,其中,所述停车区域位于机动车道,所述停车区域与所述斑马线区域不重合,所述警示区域分别与所述停车区域和斑马线区域不重合;
确定所述停车区域、斑马线区域以及警示区域的路段信息中共同存在的目标对象信息;
提取所述目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息;
在未存有参考对象信息时,在预设时间范围内查找当前路段的非机动车行驶信息;
在所述非机动车行驶信息中查找与所述目标特征信息的相似度达到第二阈值的目标非机动车信息,以实现闯红灯非机动车的识别;
其中,所述在预设时间范围内查找当前路段的非机动车行驶信息,包括:
根据当前时间以及地址在记录的交通视频信息中查询近几天在相同的时间和地址是否出现特征相同的违法非机动车。
2.如权利要求1所述的基于大数据的非机动车识别方法,其特征在于,所述检测当前路段的红绿灯状态,确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息,包括:
检测当前路段的红绿灯状态,提取所述红绿灯状态中三基色颜色空间的像素信息;
将所述三基色颜色空间的像素信息转换为色调饱和度亮度颜色空间的像素信息;
获取所述色调饱和度亮度颜色空间的像素信息中每个像素的色调值以及统计所述色调值的色调数量;
根据所述色调值以及色调数量确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息。
3.如权利要求1所述的基于大数据的非机动车识别方法,其特征在于,所述检测当前路段的红绿灯状态,确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息之前,所述方法还包括:
获取预设感应装置,通过所述预设感应装置将所述当前路段划分为停车区域、斑马线区域以及警示区域。
4.如权利要求1至3中任一项所述的基于大数据的非机动车识别方法,其特征在于,所述确定所述停车区域、斑马线区域以及警示区域的路段信息中共同存在的目标对象信息,包括:
分别提取所述停车区域、斑马线区域以及警示区域的路段信息中的停车区域对象信息、斑马线区域对象信息以及警示区域对象信息;
确定所述斑马线区域对象信息中存在的停车区域对象信息;
根据所述存在的停车区域对象信息确定所述警示区域对象信息中的目标对象信息。
5.如权利要求4所述的基于大数据的非机动车识别方法,其特征在于,根据所述存在的停车区域对象信息确定所述警示区域对象信息中的目标对象信息之后,所述方法还包括:
获取所述警示区域对象信息中未存在的斑马线区域对象信息;
根据未存在的斑马线区域对象信息对所述目标对象信息进行更新;
相应的,所述提取所述目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息,包括:
提取更新后的目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息。
6.如权利要求1至3中任一项所述的基于大数据的非机动车识别方法,其特征在于,所述提取所述目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息,包括:
提取所述目标对象信息的目标特征信息;
获取与大数据平台的连接状态,在所述连接状态为连接正常时通过所述大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息。
7.如权利要求1至3中任一项所述的基于大数据的非机动车识别方法,其特征在于,所述在未存有参考对象信息时,在预设时间范围内查找当前路段的非机动车行驶信息,包括:
在未存有参考对象信息时,获取当前时间信息;
调用与所述当前时间信息相距预设时间间隔的当前路段的视频信息,根据所述视频信息查找当前路段的非机动车行驶信息。
8.一种基于大数据的非机动车识别装置,其特征在于,所述基于大数据的非机动车识别装置包括:
检测模块,用于检测当前路段的红绿灯状态,确定所述红绿灯状态为红灯状态时,采集当前路段的停车区域、斑马线区域以及警示区域的路段信息,其中,所述停车区域位于机动车道,所述停车区域与所述斑马线区域不重合,所述警示区域分别与所述停车区域和斑马线区域不重合;
确定模块,用于确定所述停车区域、斑马线区域以及警示区域的路段信息中共同存在的目标对象信息;
提取模块,用于提取所述目标对象信息的目标特征信息,通过大数据平台查询数据库中是否存有与所述目标对象信息的相似度达到第一阈值的参考对象信息;
查询模块,用于在未存有参考对象信息时,在预设时间范围内查找当前路段的非机动车行驶信息;
识别模块,用于在所述非机动车行驶信息中查找与所述目标特征信息的相似度达到第二阈值的目标非机动车信息,以实现闯红灯非机动车的识别;
所述查询模块,还用于根据当前时间以及地址在记录的交通视频信息中查询近几天在相同的时间和地址是否出现特征相同的违法非机动车。
9.一种基于大数据的非机动车识别设备,其特征在于,所述基于大数据的非机动车识别设备包括: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基于大数据的非机动车识别程序,所述基于大数据的非机动车识别程序配置为实现如权利要求1至7中任一项所述的基于大数据的非机动车识别方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有基于大数据的非机动车识别程序,所述基于大数据的非机动车识别程序被处理器执行时实现如权利要求1至7中任一项所述的基于大数据的非机动车识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910409597.8A CN110111577B (zh) | 2019-05-15 | 2019-05-15 | 基于大数据的非机动车识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910409597.8A CN110111577B (zh) | 2019-05-15 | 2019-05-15 | 基于大数据的非机动车识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110111577A CN110111577A (zh) | 2019-08-09 |
CN110111577B true CN110111577B (zh) | 2020-11-27 |
Family
ID=67490566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910409597.8A Active CN110111577B (zh) | 2019-05-15 | 2019-05-15 | 基于大数据的非机动车识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110111577B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781759B (zh) * | 2019-09-29 | 2022-08-09 | 浙江大华技术股份有限公司 | 车辆与驾驶人员的信息绑定方法、装置及计算机存储介质 |
CN113129597B (zh) * | 2019-12-31 | 2022-06-21 | 深圳云天励飞技术有限公司 | 一种机动车道违法车辆识别方法及装置 |
CN114670760B (zh) * | 2020-12-24 | 2023-08-18 | 九号智能(常州)科技有限公司 | 车辆的控制方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1851777A (zh) * | 2006-05-22 | 2006-10-25 | 昆明利普机器视觉工程有限公司 | 交通违章取证的车辆视频数据挖掘***和方法 |
CN102426786A (zh) * | 2011-11-15 | 2012-04-25 | 无锡港湾网络科技有限公司 | 一种自动识别***辆的智能视频分析***及方法 |
CN102956107A (zh) * | 2012-11-16 | 2013-03-06 | 广州市华标科技发展有限公司 | 停车场车辆停放信息采集及“假套黑”车识别***和方法 |
DE102014200804A1 (de) * | 2014-01-17 | 2015-07-23 | Robert Bosch Gmbh | Verfahren zum Kolonnenfahren mehrerer Kraftfahrzeuge |
CN105788282A (zh) * | 2016-04-20 | 2016-07-20 | 青岛华高软件科技有限公司 | 一种智能化交通布控抓捕联动管理方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0219964D0 (en) * | 2002-08-28 | 2002-10-02 | Lawoye Oladiran | Red light runner's traffic light |
CN102110369B (zh) * | 2010-12-21 | 2013-04-03 | 汉王科技股份有限公司 | 闯红灯抓拍方法及装置 |
CN102637257B (zh) * | 2012-03-22 | 2014-07-02 | 北京尚易德科技有限公司 | 一种基于视频的交通车辆检测识别***和方法 |
CN102768800A (zh) * | 2012-07-12 | 2012-11-07 | 复旦大学 | 基于高清视频的机动车闯红灯违章取证方法 |
CN103218916B (zh) * | 2013-04-07 | 2015-01-21 | 布法罗机器人科技(苏州)有限公司 | 基于复杂高动态环境建模的闯红灯检测方法及*** |
CN105930831A (zh) * | 2016-05-19 | 2016-09-07 | 湖南博广信息科技有限公司 | 一种车牌智能识别方法 |
CN108847029A (zh) * | 2018-07-26 | 2018-11-20 | 深圳市赛亿科技开发有限公司 | 一种自动识别交通违规事件的方法及*** |
CN109670450B (zh) * | 2018-12-20 | 2023-07-25 | 天津天地伟业信息***集成有限公司 | 一种基于视频的人车物检测方法 |
-
2019
- 2019-05-15 CN CN201910409597.8A patent/CN110111577B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1851777A (zh) * | 2006-05-22 | 2006-10-25 | 昆明利普机器视觉工程有限公司 | 交通违章取证的车辆视频数据挖掘***和方法 |
CN102426786A (zh) * | 2011-11-15 | 2012-04-25 | 无锡港湾网络科技有限公司 | 一种自动识别***辆的智能视频分析***及方法 |
CN102956107A (zh) * | 2012-11-16 | 2013-03-06 | 广州市华标科技发展有限公司 | 停车场车辆停放信息采集及“假套黑”车识别***和方法 |
DE102014200804A1 (de) * | 2014-01-17 | 2015-07-23 | Robert Bosch Gmbh | Verfahren zum Kolonnenfahren mehrerer Kraftfahrzeuge |
CN105788282A (zh) * | 2016-04-20 | 2016-07-20 | 青岛华高软件科技有限公司 | 一种智能化交通布控抓捕联动管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110111577A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109166261B (zh) | 基于图像识别的图像处理方法、装置、设备及存储介质 | |
CN110111577B (zh) | 基于大数据的非机动车识别方法、装置、设备及存储介质 | |
CN104200671B (zh) | 一种基于大数据平台的虚拟卡口管理方法及*** | |
CN106355874B (zh) | 一种违章车辆的监控和报警方法、装置及*** | |
US20060200307A1 (en) | Vehicle identification and tracking system | |
CN104952255A (zh) | 一种智能终端及其交通违章监督方法、*** | |
CN101430826B (zh) | 基于北斗卫星定位***的出租车无线视频监控***及方法 | |
KR102181355B1 (ko) | 인공지능 기반 차량 검색 시스템 | |
CN111340003B (zh) | 一种针对电子警察盲区内违法变道行为的取证方法及*** | |
JP2010176706A (ja) | 車両検索システムおよび車両検索方法 | |
CN112509325B (zh) | 一种基于视频深度学习的非现场违法自动甄别方法 | |
CN108932849B (zh) | 一种记录多台机动车低速行驶违法行为的方法及装置 | |
CN105046966A (zh) | 即停即离区域的违章停车行为自动检测***和方法 | |
CN107730902B (zh) | 车辆录像的录制方法、摄像设备及存储介质 | |
CN103914682A (zh) | 一种车牌识别方法及*** | |
CN114898297A (zh) | 基于目标检测和目标跟踪的非机动车违法行为判定的方法 | |
CN112651293A (zh) | 一种公路违法设摊事件视频检测方法 | |
KR100413382B1 (ko) | 통신망을 이용한 감시 카메라의 통합 원격 제어 시스템 및방법과 이를 이용한 영상 데이터 처리 방법 | |
CN108205897A (zh) | 一种车辆的车***识别*** | |
CN111967377A (zh) | 工程车辆状态识别方法、装置、设备及存储介质 | |
CN112950942A (zh) | 一种基于视频分析的机动车违停智能检测方法 | |
KR20090035798A (ko) | 차량 번호판의 영상 저장 시스템 및 그 방법 | |
CN113076852A (zh) | 一种基于5g通信的占用公交车道车载抓拍处理*** | |
CN112528901A (zh) | 一种基于大数据的车辆聚集告警方法及*** | |
CN115880632A (zh) | 超时停留检测方法、监控设备、计算机可读存储介质和芯片 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Non motor vehicle identification methods, devices, equipment, and storage media based on big data Granted publication date: 20201127 Pledgee: Wuhan Caidian Branch of Hubei Bank Co.,Ltd. Pledgor: WUHAN ZONGHENG SMART CITY CO.,LTD. Registration number: Y2024980021347 |