CN110895662A - 车辆超载报警方法、装置、电子设备及存储介质 - Google Patents
车辆超载报警方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110895662A CN110895662A CN201811061118.XA CN201811061118A CN110895662A CN 110895662 A CN110895662 A CN 110895662A CN 201811061118 A CN201811061118 A CN 201811061118A CN 110895662 A CN110895662 A CN 110895662A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- getting
- passenger carrying
- detected
- image data
- 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 65
- 230000006399 behavior Effects 0.000 claims abstract description 93
- 238000013136 deep learning model Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Mechanical Engineering (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了车辆超载报警方法、装置、电子设备及存储介质,该方法包括获取包含待检测车辆的目标图像数据;在目标图像数据中,获取待检测车辆的识别信息;按照识别信息,确定待检测车辆的载客阈值及当前载客数;根据图像数据,判断是否存在上下车行为;若存在上下车行为,确定上下车人数;按照上下车人数,更新当前载客数;判断更新后的当前载客数与载客阈值的大小;若更新后的当前载客数大于载客阈值,触发针对待检测车辆的超载报警。通过目标图像数据,确定待检测车辆的载客阈值及当前载客数,在当前载客数大于载客阈值时,触发针对待检测车辆的超载报警。本发明实施例的车辆超载报警方法可以实现对车辆的超载进行报警。
Description
技术领域
本发明涉及智能交通技术领域,特别是涉及车辆超载报警方法、装置、电子设备及存储介质。
背景技术
车辆超载会造成车辆的重量增加,从而导致车辆制动距离增加,危险性增大。车辆超载还会增加轮胎的负荷,造成轮胎变形或引起发爆胎,从而导致危险。另外,超载还会影响车辆的转向性能,易因转向失控而导致事故。驾驶人驾驶超限超载的车辆,往往会增加的心理负担和思想压力,容易出现操作错误,造成交通事故。并且一旦发生交通事故,将带来额外的人员伤害。
在城市交通中,出租车、私家车等车辆的超载行为较为普遍,因此希望对车辆超载进行报警。
发明内容
本发明实施例的目的在于提供一种车辆超载报警方法、装置、电子设备及存储介质,以实现对车辆的超载进行报警。具体技术方案如下:
第一方面,本发明实施例提供了一种车辆超载报警方法,所述方法包括:
获取包含待检测车辆的目标图像数据;
在所述目标图像数据中,获取所述待检测车辆的识别信息;
按照所述识别信息,确定所述待检测车辆的载客阈值及当前载客数;
根据所述目标图像数据,判断是否存在上下车行为;
若存在上下车行为,确定上下车人数;
按照所述上下车人数,更新所述当前载客数;
判断更新后的当前载客数与所述载客阈值的大小;
若更新后的当前载客数大于所述载客阈值,触发针对所述待检测车辆的超载报警。
可选的,在本发明实施例的车辆超载报警方法中,所述识别信息包括车牌信息及车型信息;
所述按照所述识别信息,确定所述待检测车辆的载客阈值及当前载客数,包括:
按照所述车牌信息,获取所述待检测车辆的当前载客数;
按照所述车型信息,获取所述待检测车辆的载客阈值。
可选的,在本发明实施例的车辆超载报警方法中,所述识别信息包括车型信息及车牌信息,所述方法还包括:
按照所述车型信息,判断所述待检测车辆的车型是否为可判定车型;
所述按照所述识别信息,确定所述待检测车辆的载客阈值及当前载客数,包括:
若所述待检测车辆的车型为可判定车型,按照所述车型信息,确定所述车型信息对应的载客阈值,得到所述待检测车辆的载客阈值;按照所述车牌信息,获取所述待检测车辆的当前载客数。
可选的,所述根据所述图像数据,判断是否存在上下车行为,包括:
通过预先训练的深度学习模型对所述图像数据进行检测分析,判断是否存在上下车行为;
预先训练深度学习模型的过程包括:
获取多个包含上下车行为的图像数据及多个不包含上下车行为的图像数据;
将包含上下车行为的图像数据标定为正样本,将不包含上下车行为的图像数据标定为负样本对深度学习模型进行训练,得到预先训练的深度学习模型。
可选的,所述若存在上下车行为,确定上下车人数,包括:
若存在上下车行为,获取包含上下车行为的视频帧集合;
识别所述视频帧集合中所述待检测车辆的车辆位置及各上下车人员的人员位置;
按照时序顺序,分析各所述上下车人员的人员位置的变化情况,得到各所述上下车人员的移动方向;
针对每个所述上下车人员,若该上下车人员的移动方向背离所述车辆位置,判定该上下车人员下车;
针对每个所述上下车人员,若该上下车人员的移动方向指向所述车辆位置,判定该上下车人员上车。
第二方面,本发明实施例提供了一种车辆超载报警装置,所述装置包括:
图像数据获取模块,用于获取包含待检测车辆的目标图像数据;
识别信息获取模块,用于在所述目标图像数据中,获取所述待检测车辆的识别信息;
第一计算模块,用于按照所述识别信息,确定所述待检测车辆的载客阈值及当前载客数;
第一判断模块,用于图像数据获取模块,用于根据所述目标图像数据,判断是否存在上下车行为;
第二计算模块,用于若存在上下车行为,确定上下车人数;
人数更新模块,用于按照所述上下车人数,更新所述当前载客数;
第二判断模块,用于判断更新后的当前载客数与所述载客阈值的大小;
超载报警模块,用于若更新后的当前载客数大于所述载客阈值,触发针对所述待检测车辆的超载报警。
可选的,在本发明实施例的车辆超载报警装置中,所述识别信息包括车牌信息及车型信息;
所述第一计算模块,包括:
人数获取子模块,用于按照所述车牌信息,获取所述待检测车辆的当前载客数;
阈值获取子模块,用于按照所述车型信息,获取所述待检测车辆的载客阈值。
可选的,在本发明实施例的车辆超载报警装置中,所述识别信息包括车型信息及车牌信息,所述装置还包括:
第三判定模块,用于按照所述车型信息,判断所述待检测车辆的车型是否为可判定车型;
所述第一计算模块,具体用于:
若所述待检测车辆的车型为可判定车型,按照所述车型信息,确定所述车型信息对应的载客阈值,得到所述待检测车辆的载客阈值;按照所述车牌信息,获取所述待检测车辆的当前载客数。
可选的,所述第一判断模块,具体用于:
通过预先训练的深度学习模型对所述图像数据进行检测分析,判断是否存在上下车行为;
其中,预先训练深度学习模型的过程包括:
获取多个包含上下车行为的图像数据及多个不包含上下车行为的图像数据;
将包含上下车行为的图像数据标定为正样本,将不包含上下车行为的图像数据标定为负样本对深度学习模型进行训练,得到预先训练的深度学习模型。
可选的,所述第二计算模块,包括:
视频帧获取子模块,用于若存在上下车行为,获取包含上下车行为的视频帧集合;
位置确定子模块,用于识别所述视频帧集合中所述待检测车辆的车辆位置及各上下车人员的人员位置;
方向确定子模块,用于按照时序顺序,分析各所述上下车人员的人员位置的变化情况,得到各所述上下车人员的移动方向;
下车判定子模块,用于针对每个所述上下车人员,若该上下车人员的移动方向背离所述车辆位置,判定该上下车人员下车;
上车判定子模块,用于针对每个所述上下车人员,若该上下车人员的移动方向指向所述车辆位置,判定该上下车人员上车。
第三方面,本发明实施例提供了一种电子设备,包括处理器及存储器;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现上述第一方面任一所述的车辆超载报警方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一所述的车辆超载报警方法。
本发明实施例提供的车辆超载报警方法、装置、电子设备及存储介质,获取包含待检测车辆的目标图像数据;在目标图像数据中,获取待检测车辆的识别信息;按照识别信息,确定待检测车辆的载客阈值及当前载客数;根据图像数据,判断是否存在上下车行为;若存在上下车行为,确定上下车人数;按照上下车人数,更新当前载客数;判断更新后的当前载客数与载客阈值的大小;若更新后的当前载客数大于载客阈值,触发针对待检测车辆的超载报警。通过目标图像数据,确定待检测车辆的载客阈值及当前载客数,在当前载客数大于载客阈值时,触发针对待检测车辆的超载报警,可以实现对车辆的超载进行报警。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的车辆超载报警装置的一种示意图;
图2a为本发明实施例的人员行使方向的判断方法的第一种示意图;
图2b为本发明实施例的人员行使方向的判断方法的第二种示意图;
图2c为本发明实施例的人员行使方向的判断方法的第三种示意图;
图3为本发明实施例的车辆超载报警方法的一种流程示意图;
图4为本发明实施例的车辆超载报警方法的另一种流程示意图;
图5为本发明实施例的车辆超载报警装置的另一种示意图;
图6为本发明实施例的电子设备的一种示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
术语解释:
智能交通:是将信息技术、数据通讯传输技术、电子传感技术、控制技术及计算机技术等有效地集成运用于整个地面交通管理***而建立的一种在大范围内、全方位发挥作用的综合交通运输管理***,具备实时、准确、高效的特征。它的突出特点是以信息的收集、处理、发布、交换、分析、利用为主线,为交通参与者提供多样性的服务。
目标检测:也叫目标提取,是将人们感兴趣的物体,从复杂的背景图像中提取出来。
图像分类:根据目标在图像信息中所反映的不同特征,把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析,把图像或图像中的每个像元或区域划归为若干个类别中的某一种,以代替人的视觉判读。
目标识别:用于将指定目标,从其他目标中分离出来。
CNN(Convolutional Neural Networks,卷积神经网络),是一种深度的监督学习下的机器学习模型,是第一个能够成功训练多层网络结构的学习算法。它利用空间关系减少需要学习的参数数目以提高一般前向BP(Error Back Propagation)算法的训练性能。
Faster RCNN(Faster Regions Convolutional Neural Network):是基于深度学习RCNN(Regions With Convolutional Neural Network Features)系列目标检测最好的方法,是一个CNN(Convolutional Neural Network)网络实现端到端目标检测的框架。其中的R对应于Region,即区域。
YOLO(You Only Look Once):YOLO是一种非常成功的实时目标检测算法,目前已成为众多分类器、分割、人体姿态和行为分类的重要部分,是一个CNN网络实现端到端的目标检测框架。
在城市交通中,出租车、私有车辆的超载行为非常普遍。超载行为存在显然的交通安全隐患,一旦发生交通事故,将带来额外的人员、经济损失。
本发明实施例的车辆超载报警方法、转置、电子设备及存储介质可以应用于城市道路监控视频分析,通过判断车型、统计车辆短时间内的下客人数,判断车辆是否存在超员行为。并通过记录车牌号,记录该行为,用于交通部门规范车辆行为。
本发明实施例的主要的监管对象可以为城市内的出租车及私家车等小型车辆。参见图1,本发明实施例的车辆超载报警装置包括:车牌识别模块101、车型识别模块102、上下车人数统计模块103及判别报警模块104。车牌识别模块101用于识别车辆的车牌,车型识别模块102用于识别车辆的车型,在现有技术中已经较为成熟,可以直接复用相关技术。判别报警模块104用于在车辆承载的人数超过该车辆的承载人数阈值时进行报警。
上下车人数统计模块103用于统计车辆的上下车人数,可以通过跟踪车辆两边的行人来实现上下车行为的统计。其中,针对每个行人的上下车行为,通过目标检测算法以行人作为目标进行检测;生成行人移动轨迹;根据轨迹方向判别上下客行为。综合每个行人的上下车行为统计总的上/下车人数,进而得到车辆的承载的人数。
例如,通过目标检测算法对视频数据检测,检测出行人的位置如图2a中矩形框所示。继续对视频数据进行检测,检测出该行人新的位置如图2b中的矩形框所示,与上一帧行人位置(如图2b中虚线框所示)比较,重叠度大于0.5,关联两帧视频帧中的目标(行人)。继续对视频数据进行分析,关联视频帧多帧的行人检测结果如图2c所示,其中,仅以四帧为例,实际检测过程中关联帧数可以自行设定。通过多帧的结果计算行人轨迹方向为离开车辆,判定为下车行为。
具体的,本发明实施例的车辆超载报警方法的流程可以如图3所示,通过本发明实施例,能够实现自动识别超载行为,通过对城市道路监控视频进行分析,定位超员车辆,并记录其违规行为,有助于加强交通管理部门对这类行为的监控。
本发明实施例中采集图像的监控器材可以是非车载的,可以直接利用城市交通的公共监控器材,带来的优势是:监管部门不需要在每一辆待监管车辆上安装器材,而只是需要在现有的城市智能交通监控***中,增加上述功能,即可完成超载行为的抓捕,成本大幅度降低。并且能够减少被监管者人为干扰的情况,例如:破坏或通过涂抹、遮挡,调整摄像头方向等阻碍车载相机。并且可以结合车型,判断不同车型车辆的超载。例如,出租车下客人数上限为4人,普通小轿车下客人数上限为5人等。
为了实现对超载车辆进行报警,本发明实施例提供了一种车辆超载报警方法,参见图4,该方法包括:
S401,获取包含待检测车辆的目标图像数据。
本发明实施例中的车辆超载报警方法可以通过报警***实现,报警***为任意能够实现本发明实施例的车辆超载报警方法的***。例如:
报警***可以为一种设备,包括:处理器、存储器、通信接口和总线;处理器、存储器和通信接口通过总线连接并完成相互间的通信;存储器存储可执行程序代码;处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,以用于执行本发明实施例的车辆超载报警方法。
报警***还可以为一种应用程序,用于在运行时执行本发明实施例的车辆超载报警方法。
报警***还可以为一种存储介质,用于存储可执行代码,可执行代码用于执行本发明实施例的车辆超载报警方法。
报警***通过图像采集设备获取包含待检测车辆的图像数据,即目标图像数据。图像采集设备可以为摄像头等设备,可选的,图像采集设备为城市交通监控***中的摄像头。
S402,在上述目标图像数据中,获取上述待检测车辆的识别信息;
通过目标检测算法,对目标图像数据进行分析,得到待检测车辆的识别信息,识别信息用于唯一识别待检测车辆。例如,通过RCNN、Faster RCNN或YOLO等对目标图像数据进行分析,得到待检测车辆的车牌信息。
S403,按照上述识别信息,确定上述待检测车辆的载客阈值及当前载客数。
识别信息为车辆的唯一标识信息,报警***会保持记录各车辆的当前载客数,同时每个车辆会对应相应的载客阈值,车辆的载客阈值根据相关交通法规进行设定,例如,类型为出租车的车辆对应的载客阈值为4,类型为私家车的车辆对应的载客阈值为5等。
报警***会保持记录各车辆的当前载客数,在停车点的车辆启动时,获取车辆启动前后的视频数据,作为目标视频数据,并默认该车辆初始的当前载客数为0,通过本发明实施例的车辆超载报警方法,更新该车辆当前载客数。后续继续通过本发明实施例的车辆超载报警方法保持记录该车辆的当前载客数。
S404,根据上述目标图像数据,判断是否存在上下车行为。
报警***通过预设算法,例如,特征对比算法或神经网络算法等,对目标图像数据进行分析,判断是否存在上下车行为。
可选的,上述根据上述图像数据,判断是否存在上下车行为,包括:
通过预先训练的深度学习模型对上述图像数据进行检测分析,判断是否存在上下车行为;
预先训练深度学习模型的过程包括:
步骤一,获取多个包含上下车行为的图像数据及多个不包含上下车行为的图像数据;
步骤二,将包含上下车行为的图像数据标定为正样本,将不包含上下车行为的图像数据标定为负样本对深度学习模型进行训练,得到预先训练的深度学习模型。
此处的深度学习模型可以为Faster RCNN、YOLO、RCNN(或DMP(Deformable PartsModel,可变形部件模型)等。
S405,若存在上下车行为,确定上下车人数。
在存在上下车行为时,报警***确定上下车人数。例如,报警***可以通过预先训练的卷积神经网络,对目标视频数据中包含上下车行为的视频帧段进行分析,确定上下车人数。
预先训练的卷积神经网络的步骤包括:
步骤一,获取多个包含上下车行为的第一图像数据及多个不包含上下车行为的第二图像数据
步骤二,标定各第一图像数据中的上车行为及上车行为的人数,标定各图像数据中的下车行为及下车行为的人数,得到标定后的第一图像数据;
步骤三,将标定后的第一图像数据作为正样本,将第二图像数据作为负样本对卷积神经网络进行训练,得到预先训练的卷积神经网络。
S406,按照上述上下车人数,更新上述当前载客数。
报警***每检测到一人下车,将待检测车辆的当前载客数减1,报警***每检测到一人上车,将待检测车辆的当前载客数加1,以实现更新当前载客数。
S407,判断更新后的当前载客数与上述载客阈值的大小。
S408,若更新后的当前载客数大于上述载客阈值,触发针对上述待检测车辆的超载报警。
报警***触发针对上述待检测车辆的超载报警,例如,报警***向订阅端报警待检测车辆的识别信息及当前载客人数,同时还可以报警待检测车辆的位置,其中,待检测车辆的位置可以通过采集目标视频数据的摄像头获取。
在本发明实施例中,可以实现车辆超载的自动报警,并且采集目标图像数据的监控器材可以是非车载的,能够直接利用城市交通的公共监控器材采集目标图像数据,监管部门不需要在每一辆待监测车辆上安装器材,而只是需要在现有的城市智能交通监控***中,增加上述功能,即可完成超载行为的抓捕,成本大幅度降低,并且能够减少被监管者人为干扰的情况。
可选的,上述识别信息包括车牌信息及车型信息;
相应的,上述按照上述识别信息,确定上述待检测车辆的载客阈值及当前载客数,包括:
步骤一,按照上述车牌信息,获取上述待检测车辆的当前载客数。
报警***将各车辆的载客数存储在指定的存储器中。在需要使用时,报警***按照车牌信息,在存储器中读取该待检测车辆的当前载客数。
步骤二,按照上述车型信息,获取上述待检测车辆的载客阈值。
按照待检测车辆的车型信息,确定待检测车辆的车型对应的载客阈值,即待检测车辆的载客阈值,例如,出租车载客阈值为4人,普通小轿车载客阈值为5人等。
在本发明实施例中,可以通过车牌信息唯一确定待检测车辆,可以通过车型信息,确定待检测车辆的载客阈值,方便快捷。
可选的,上述识别信息包括车型信息及车牌信息,上述方法还包括:
按照上述车型信息,判断上述待检测车辆的车型是否为可判定车型;
相应的,上述按照上述识别信息,确定上述待检测车辆的载客阈值及当前载客数,包括:
若上述待检测车辆的车型为可判定车型,按照上述车型信息,确定上述车型信息对应的载客阈值,得到上述待检测车辆的载客阈值;按照上述车牌信息,获取上述待检测车辆的当前载客数。
在报警***判定上述待检测车辆的车型不为可判定车型,结束本次超载判定。
在本发明实施例中,报警***可以对可判定车型进行设定,仅针对指定的车型进行上下车行为及后续判断,可以避免对可判定车型外的车辆的超载判定,节约计算资源。
可选的,上述若存在上下车行为,确定上下车人数,包括:
步骤一,若存在上下车行为,获取包含上下车行为的视频帧集合。
在报警***判定目标视频数据中存在上下车行为时,报警***提取包含上下车行为的特征的视频帧集合。
步骤二,识别上述视频帧集合中上述待检测车辆的车辆位置及各上下车人员的人员位置。
报警***通过目标识别算法,确定在视频帧合集的各视频帧中,待检测车辆的车辆位置及各上下车人员的人员位置。
步骤三,按照时序顺序,分析各上述上下车人员的人员位置的变化情况,得到各上述上下车人员的移动方向。
按照视频帧的时序顺序,分析上下车人员的人员位置的变化情况,得到上下车人员的移动方向。例如,针对每个上下车人员,通过目标跟踪算法确定上下车人员的人员位置的变化情况,从而得到上下车人员的移动方向;或通过计算上下车人员的人员位置中心点的变化情况,得到上下车人员的移动方向。
按照视频帧的时序顺序,选取上下车人员的人员位置的中心点,其中,中心点的坐标表示为(Xi,Yi)。其中,Xi表示第i帧视频帧的X坐标,Yi表示第i帧视频帧的Y坐标,通过
其中,t为平滑间隔,可以取1-5。
若D1~D5中大于0的数量,对于D1~D5中小于0的数量,则判断人员延X轴正方向移动,反之则判断人员延X轴负方向移动。
类似的,可以得到人员延Y轴的移动方向。
步骤四,针对每个上述上下车人员,若该上下车人员的移动方向背离上述车辆位置,判定该上下车人员下车。
步骤五,针对每个上述上下车人员,若该上下车人员的移动方向指向上述车辆位置,判定该上下车人员上车。
在本发明实施例中,给出了统计上下车人数的具体方法,计算方便。
本发明实施例还提供了一种车辆超载报警装置,参见图5,该装置包括:
图像数据获取模块501,用于获取包含待检测车辆的目标图像数据;
识别信息获取模块502,用于在上述目标图像数据中,获取上述待检测车辆的识别信息;
第一计算模块503,用于按照上述识别信息,确定上述待检测车辆的载客阈值及当前载客数;
第一判断模块504,用于图像数据获取模块,用于根据上述目标图像数据,判断是否存在上下车行为;
第二计算模块505,用于若存在上下车行为,确定上下车人数;
人数更新模块506,用于按照上述上下车人数,更新上述当前载客数;
第二判断模块507,用于判断更新后的当前载客数与上述载客阈值的大小;
超载报警模块508,用于若更新后的当前载客数大于上述载客阈值,触发针对上述待检测车辆的超载报警。
在本发明实施例中,可以实现车辆超载的自动报警,并且采集目标图像数据的监控器材可以是非车载的,能够直接利用城市交通的公共监控器材采集目标图像数据,监管部门不需要在每一辆待监测车辆上安装器材,而只是需要在现有的城市智能交通监控***中,增加上述功能,即可完成超载行为的抓捕,成本大幅度降低,并且能够减少被监管者人为干扰的情况。
可选的,在本发明实施例的车辆超载报警装置中,上述识别信息包括车牌信息及车型信息;
上述第一计算模块503,包括:
人数获取子模块,用于按照上述车牌信息,获取上述待检测车辆的当前载客数;
阈值获取子模块,用于按照上述车型信息,获取上述待检测车辆的载客阈值。
可选的,在本发明实施例的车辆超载报警装置中,上述识别信息包括车型信息及车牌信息,上述装置还包括:
第三判定模块,用于按照上述车型信息,判断上述待检测车辆的车型是否为可判定车型;
上述第一计算模块503,具体用于:
若上述待检测车辆的车型为可判定车型,按照上述车型信息,确定上述车型信息对应的载客阈值,得到上述待检测车辆的载客阈值;按照上述车牌信息,获取上述待检测车辆的当前载客数。
可选的,上述第一判断模块504,具体用于:
通过预先训练的深度学习模型对上述图像数据进行检测分析,判断是否存在上下车行为;
其中,预先训练深度学习模型的过程包括:
获取多个包含上下车行为的图像数据及多个不包含上下车行为的图像数据;
将包含上下车行为的图像数据标定为正样本,将不包含上下车行为的图像数据标定为负样本对深度学习模型进行训练,得到预先训练的深度学习模型。
可选的,上述第二计算模块505,包括:
视频帧获取子模块,用于若存在上下车行为,获取包含上下车行为的视频帧集合;
位置确定子模块,用于识别上述视频帧集合中上述待检测车辆的车辆位置及各上下车人员的人员位置;
方向确定子模块,用于按照时序顺序,分析各上述上下车人员的人员位置的变化情况,得到各上述上下车人员的移动方向;
下车判定子模块,用于针对每个上述上下车人员,若该上下车人员的移动方向背离上述车辆位置,判定该上下车人员下车;
上车判定子模块,用于针对每个上述上下车人员,若该上下车人员的移动方向指向上述车辆位置,判定该上下车人员上车。
本发明实施例提供了一种电子设备,参见图6,包括处理器601及存储器602;
上述存储器602,用于存放计算机程序;
上述处理器601,用于执行上述存储器602上所存放的程序时,实现如下步骤:
获取包含待检测车辆的目标图像数据;
在上述目标图像数据中,获取上述待检测车辆的识别信息;
按照上述识别信息,确定上述待检测车辆的载客阈值及当前载客数;
根据上述目标图像数据,判断是否存在上下车行为;
若存在上下车行为,确定上下车人数;
按照上述上下车人数,更新上述当前载客数;
判断更新后的当前载客数与上述载客阈值的大小;
若更新后的当前载客数大于上述载客阈值,触发针对上述待检测车辆的超载报警。
在本发明实施例中,可以实现车辆超载的自动报警,并且采集目标图像数据的监控器材可以是非车载的,能够直接利用城市交通的公共监控器材采集目标图像数据,监管部门不需要在每一辆待监测车辆上安装器材,而只是需要在现有的城市智能交通监控***中,增加上述功能,即可完成超载行为的抓捕,成本大幅度降低,并且能够减少被监管者人为干扰的情况。
可选的,上述处理器601,用于执行上述存储器602上所存放的程序时,还能够实现上述任一车辆超载报警方法。
可选的,本发明实施例的电子设备还包括,通信接口和通信总线,其中,处理器601,通信接口,存储器602通过通信总线完成相互间的通信。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例还提供了一种计算机可读存储介质,上述计算机可读存储介质内存储有计算机程序,上述计算机程序被处理器执行时实现如下步骤:
获取包含待检测车辆的目标图像数据;
在上述目标图像数据中,获取上述待检测车辆的识别信息;
按照上述识别信息,确定上述待检测车辆的载客阈值及当前载客数;
根据上述目标图像数据,判断是否存在上下车行为;
若存在上下车行为,确定上下车人数;
按照上述上下车人数,更新上述当前载客数;
判断更新后的当前载客数与上述载客阈值的大小;
若更新后的当前载客数大于上述载客阈值,触发针对上述待检测车辆的超载报警。
在本发明实施例中,可以实现车辆超载的自动报警,并且采集目标图像数据的监控器材可以是非车载的,能够直接利用城市交通的公共监控器材采集目标图像数据,监管部门不需要在每一辆待监测车辆上安装器材,而只是需要在现有的城市智能交通监控***中,增加上述功能,即可完成超载行为的抓捕,成本大幅度降低,并且能够减少被监管者人为干扰的情况。
可选的,上述计算机程序被处理器执行时,还能够实现上述任一车辆超载报警方法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备及存储介质的实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (12)
1.一种车辆超载报警方法,其特征在于,所述方法包括:
获取包含待检测车辆的目标图像数据;
在所述目标图像数据中,获取所述待检测车辆的识别信息;
按照所述识别信息,确定所述待检测车辆的载客阈值及当前载客数;
根据所述目标图像数据,判断是否存在上下车行为;
若存在上下车行为,确定上下车人数;
按照所述上下车人数,更新所述当前载客数;
判断更新后的当前载客数与所述载客阈值的大小;
若更新后的当前载客数大于所述载客阈值,触发针对所述待检测车辆的超载报警。
2.根据权利要求1所述的方法,其特征在于,所述识别信息包括车牌信息及车型信息;
所述按照所述识别信息,确定所述待检测车辆的载客阈值及当前载客数,包括:
按照所述车牌信息,获取所述待检测车辆的当前载客数;
按照所述车型信息,获取所述待检测车辆的载客阈值。
3.根据权利要求1所述的方法,其特征在于,所述识别信息包括车型信息及车牌信息,所述方法还包括:
按照所述车型信息,判断所述待检测车辆的车型是否为可判定车型;
所述按照所述识别信息,确定所述待检测车辆的载客阈值及当前载客数,包括:
若所述待检测车辆的车型为可判定车型,按照所述车型信息,确定所述车型信息对应的载客阈值,得到所述待检测车辆的载客阈值;按照所述车牌信息,获取所述待检测车辆的当前载客数。
4.根据权利要求1所述的方法,其特征在于,所述根据所述图像数据,判断是否存在上下车行为,包括:
通过预先训练的深度学习模型对所述图像数据进行检测分析,判断是否存在上下车行为;
预先训练深度学习模型的过程包括:
获取多个包含上下车行为的图像数据及多个不包含上下车行为的图像数据;
将包含上下车行为的图像数据标定为正样本,将不包含上下车行为的图像数据标定为负样本对深度学习模型进行训练,得到预先训练的深度学习模型。
5.根据权利要求1所述的方法,其特征在于,所述若存在上下车行为,确定上下车人数,包括:
若存在上下车行为,获取包含上下车行为的视频帧集合;
识别所述视频帧集合中所述待检测车辆的车辆位置及各上下车人员的人员位置;
按照时序顺序,分析各所述上下车人员的人员位置的变化情况,得到各所述上下车人员的移动方向;
针对每个所述上下车人员,若该上下车人员的移动方向背离所述车辆位置,判定该上下车人员下车;
针对每个所述上下车人员,若该上下车人员的移动方向指向所述车辆位置,判定该上下车人员上车。
6.一种车辆超载报警装置,其特征在于,所述装置包括:
图像数据获取模块,用于获取包含待检测车辆的目标图像数据;
识别信息获取模块,用于在所述目标图像数据中,获取所述待检测车辆的识别信息;
第一计算模块,用于按照所述识别信息,确定所述待检测车辆的载客阈值及当前载客数;
第一判断模块,用于图像数据获取模块,用于根据所述目标图像数据,判断是否存在上下车行为;
第二计算模块,用于若存在上下车行为,确定上下车人数;
人数更新模块,用于按照所述上下车人数,更新所述当前载客数;
第二判断模块,用于判断更新后的当前载客数与所述载客阈值的大小;
超载报警模块,用于若更新后的当前载客数大于所述载客阈值,触发针对所述待检测车辆的超载报警。
7.根据权利要求6所述的装置,其特征在于,所述识别信息包括车牌信息及车型信息;
所述第一计算模块,包括:
人数获取子模块,用于按照所述车牌信息,获取所述待检测车辆的当前载客数;
阈值获取子模块,用于按照所述车型信息,获取所述待检测车辆的载客阈值。
8.根据权利要求6所述的装置,其特征在于,所述识别信息包括车型信息及车牌信息,所述装置还包括:
第三判定模块,用于按照所述车型信息,判断所述待检测车辆的车型是否为可判定车型;
所述第一计算模块,具体用于:
若所述待检测车辆的车型为可判定车型,按照所述车型信息,确定所述车型信息对应的载客阈值,得到所述待检测车辆的载客阈值;按照所述车牌信息,获取所述待检测车辆的当前载客数。
9.根据权利要求6所述的装置,其特征在于,所述第一判断模块,具体用于:
通过预先训练的深度学习模型对所述图像数据进行检测分析,判断是否存在上下车行为;
其中,预先训练深度学习模型的过程包括:
获取多个包含上下车行为的图像数据及多个不包含上下车行为的图像数据;
将包含上下车行为的图像数据标定为正样本,将不包含上下车行为的图像数据标定为负样本对深度学习模型进行训练,得到预先训练的深度学习模型。
10.根据权利要求6所述的装置,其特征在于,所述第二计算模块,包括:
视频帧获取子模块,用于若存在上下车行为,获取包含上下车行为的视频帧集合;
位置确定子模块,用于识别所述视频帧集合中所述待检测车辆的车辆位置及各上下车人员的人员位置;
方向确定子模块,用于按照时序顺序,分析各所述上下车人员的人员位置的变化情况,得到各所述上下车人员的移动方向;
下车判定子模块,用于针对每个所述上下车人员,若该上下车人员的移动方向背离所述车辆位置,判定该上下车人员下车;
上车判定子模块,用于针对每个所述上下车人员,若该上下车人员的移动方向指向所述车辆位置,判定该上下车人员上车。
11.一种电子设备,其特征在于,包括处理器及存储器;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-5任一所述的方法步骤。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061118.XA CN110895662A (zh) | 2018-09-12 | 2018-09-12 | 车辆超载报警方法、装置、电子设备及存储介质 |
PCT/CN2019/103030 WO2020052436A1 (zh) | 2018-09-12 | 2019-08-28 | 车辆超载报警方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061118.XA CN110895662A (zh) | 2018-09-12 | 2018-09-12 | 车辆超载报警方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110895662A true CN110895662A (zh) | 2020-03-20 |
Family
ID=69777334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811061118.XA Pending CN110895662A (zh) | 2018-09-12 | 2018-09-12 | 车辆超载报警方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110895662A (zh) |
WO (1) | WO2020052436A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111688716A (zh) * | 2020-04-29 | 2020-09-22 | 北汽福田汽车股份有限公司 | 防止车辆超载的方法、装置、存储介质、电子设备及车辆 |
CN111931644A (zh) * | 2020-08-10 | 2020-11-13 | 济南博观智能科技有限公司 | 一种车载人数检测的方法、***、设备及可读存储介质 |
CN112874463A (zh) * | 2021-03-01 | 2021-06-01 | 长安大学 | 一种儿童被困高温车内的保护与报警***及方法 |
CN113077627A (zh) * | 2021-03-30 | 2021-07-06 | 杭州海康威视***技术有限公司 | 检测车辆的超限源头的方法、装置及计算机存储介质 |
CN117576919A (zh) * | 2024-01-19 | 2024-02-20 | 北京工业大学 | 车辆超载识别***、方法及车辆超载识别模型训练方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444828B (zh) * | 2020-03-25 | 2023-06-20 | 腾讯科技(深圳)有限公司 | 一种模型训练的方法、目标检测的方法、装置及存储介质 |
CN112333155B (zh) * | 2020-10-16 | 2022-07-22 | 济南浪潮数据技术有限公司 | 一种异常流量的检测方法、***、电子设备及存储介质 |
CN114169851A (zh) * | 2021-11-29 | 2022-03-11 | 苏州斯普锐智能***股份有限公司 | 一种高速路口快速检测通行*** |
CN114120250B (zh) * | 2021-11-30 | 2024-04-05 | 北京文安智能技术股份有限公司 | 一种基于视频的机动车辆违法载人检测方法 |
CN114131631B (zh) * | 2021-12-16 | 2024-02-02 | 山东新一代信息产业技术研究院有限公司 | 一种巡检机器人报警阈值设置方法、装置及介质 |
CN114758267A (zh) * | 2022-03-14 | 2022-07-15 | 北京明略软件***有限公司 | 一种确定装卸作业效率的方法和装置 |
CN117315943B (zh) * | 2023-11-28 | 2024-02-06 | 湖南省交通科学研究院有限公司 | 一种超限运输违法监测分析与预警方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103280108A (zh) * | 2013-05-20 | 2013-09-04 | 中国人民解放军国防科学技术大学 | 基于视觉感知和车联网的客车安全预警*** |
CN103854501A (zh) * | 2012-11-28 | 2014-06-11 | 西安中科麦特电子技术设备有限公司 | 一种客车运行信息远程交换*** |
CN104282154A (zh) * | 2014-10-29 | 2015-01-14 | 合肥指南针电子科技有限责任公司 | 一种车辆超载监控***及方法 |
DE102014218849A1 (de) * | 2014-09-19 | 2016-03-24 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und System zur fahrtbezogenen Fahrzeug-Inventur |
CN105702050A (zh) * | 2016-04-22 | 2016-06-22 | 安徽皖通科技股份有限公司 | 一种高速公路超限超载管理控制方法 |
CN106170797A (zh) * | 2016-06-02 | 2016-11-30 | 深圳市锐明技术股份有限公司 | 车辆人员的统计方法及装置 |
CN106652464A (zh) * | 2016-11-10 | 2017-05-10 | 深圳市元征软件开发有限公司 | 车辆超载监管装置、***及方法 |
CN107481351A (zh) * | 2017-07-28 | 2017-12-15 | 广东兴达顺科技有限公司 | 一种车辆状态的确定方法、检测设备及车辆设备 |
CN107657211A (zh) * | 2017-08-11 | 2018-02-02 | 广州烽火众智数字技术有限公司 | 一种hov车道的车辆乘客人数检测方法和装置 |
CN108122414A (zh) * | 2016-11-30 | 2018-06-05 | 杭州海康威视数字技术股份有限公司 | 公路上客车上下客的检测方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101197050A (zh) * | 2006-12-05 | 2008-06-11 | 王德文 | 公路客车安全辅助监控管理***——客车黑匣子 |
CN101593410B (zh) * | 2008-05-29 | 2013-05-08 | 上海理工大学 | 长途客车安全监视*** |
CN103021059A (zh) * | 2012-12-12 | 2013-04-03 | 天津大学 | 一种基于视频监控的公交客流计数方法 |
JP6570731B2 (ja) * | 2016-03-18 | 2019-09-04 | シェンチェン ユニバーシティー | 乗客の混雑度の算出方法及びそのシステム |
-
2018
- 2018-09-12 CN CN201811061118.XA patent/CN110895662A/zh active Pending
-
2019
- 2019-08-28 WO PCT/CN2019/103030 patent/WO2020052436A1/zh active Application Filing
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103854501A (zh) * | 2012-11-28 | 2014-06-11 | 西安中科麦特电子技术设备有限公司 | 一种客车运行信息远程交换*** |
CN103280108A (zh) * | 2013-05-20 | 2013-09-04 | 中国人民解放军国防科学技术大学 | 基于视觉感知和车联网的客车安全预警*** |
DE102014218849A1 (de) * | 2014-09-19 | 2016-03-24 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und System zur fahrtbezogenen Fahrzeug-Inventur |
CN104282154A (zh) * | 2014-10-29 | 2015-01-14 | 合肥指南针电子科技有限责任公司 | 一种车辆超载监控***及方法 |
CN105702050A (zh) * | 2016-04-22 | 2016-06-22 | 安徽皖通科技股份有限公司 | 一种高速公路超限超载管理控制方法 |
CN106170797A (zh) * | 2016-06-02 | 2016-11-30 | 深圳市锐明技术股份有限公司 | 车辆人员的统计方法及装置 |
CN106652464A (zh) * | 2016-11-10 | 2017-05-10 | 深圳市元征软件开发有限公司 | 车辆超载监管装置、***及方法 |
CN108122414A (zh) * | 2016-11-30 | 2018-06-05 | 杭州海康威视数字技术股份有限公司 | 公路上客车上下客的检测方法及装置 |
CN107481351A (zh) * | 2017-07-28 | 2017-12-15 | 广东兴达顺科技有限公司 | 一种车辆状态的确定方法、检测设备及车辆设备 |
CN107657211A (zh) * | 2017-08-11 | 2018-02-02 | 广州烽火众智数字技术有限公司 | 一种hov车道的车辆乘客人数检测方法和装置 |
Non-Patent Citations (4)
Title |
---|
FENG PENGFEI: "Research on Overload Monitoring and Alarming based on APP", 《INTERNATIONAL JOURNAL OF MULTIMEDIA AND UBIQUITOUS ENGINEERING》 * |
王晓侃,冯冬青: "智能型随机检测客车超载***", 《集成电路应用》 * |
王殿超,曹景胜: "基于GSM 的客车超载检测报警***", 《辽宁工业大学学报(自然科学版)》 * |
邓如丰,刘伟铭: "客车智能门禁防超载***", 《科学技术与工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111688716A (zh) * | 2020-04-29 | 2020-09-22 | 北汽福田汽车股份有限公司 | 防止车辆超载的方法、装置、存储介质、电子设备及车辆 |
CN111931644A (zh) * | 2020-08-10 | 2020-11-13 | 济南博观智能科技有限公司 | 一种车载人数检测的方法、***、设备及可读存储介质 |
CN112874463A (zh) * | 2021-03-01 | 2021-06-01 | 长安大学 | 一种儿童被困高温车内的保护与报警***及方法 |
CN113077627A (zh) * | 2021-03-30 | 2021-07-06 | 杭州海康威视***技术有限公司 | 检测车辆的超限源头的方法、装置及计算机存储介质 |
CN117576919A (zh) * | 2024-01-19 | 2024-02-20 | 北京工业大学 | 车辆超载识别***、方法及车辆超载识别模型训练方法 |
CN117576919B (zh) * | 2024-01-19 | 2024-04-02 | 北京工业大学 | 车辆超载识别***、方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2020052436A1 (zh) | 2020-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110895662A (zh) | 车辆超载报警方法、装置、电子设备及存储介质 | |
US11840239B2 (en) | Multiple exposure event determination | |
US6442474B1 (en) | Vision-based method and apparatus for monitoring vehicular traffic events | |
Ki et al. | A traffic accident recording and reporting model at intersections | |
US11380105B2 (en) | Identification and classification of traffic conflicts | |
CN110866427A (zh) | 一种车辆行为检测方法及装置 | |
WO2018058958A1 (zh) | 一种道路车辆交通告警***及其方法 | |
CN110738857B (zh) | 一种车辆违章取证方法、装置及设备 | |
KR102453627B1 (ko) | 딥러닝 기반 교통 흐름 분석 방법 및 시스템 | |
WO2019223655A1 (zh) | 非机动车载人的检测 | |
CN113676702B (zh) | 基于视频流的目标追踪监测方法、***、装置及存储介质 | |
KR102122850B1 (ko) | 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션 | |
CN113658427A (zh) | 基于视觉与雷达的路况监控方法及***、设备 | |
US11941986B2 (en) | Methods for characterizing a low-impact vehicle collision using high-rate acceleration data | |
CN113850995B (zh) | 一种基于隧道雷视数据融合的事件检测方法、装置及*** | |
Ravish et al. | Intelligent traffic violation detection | |
CN114141022A (zh) | 应急车道占用行为检测方法、装置、电子设备及存储介质 | |
CN110634120B (zh) | 一种车辆损伤判别方法及装置 | |
Al Jarouf et al. | A hybrid method to detect and verify vehicle crash with haar-like features and svm over the web | |
EP4372713A1 (en) | Methods for characterizing a low-impact vehicle collision using high-rate acceleration data | |
EP4040326A1 (en) | Systems for characterizing a vehicle collision | |
KR102039814B1 (ko) | 측후방 차량 검출 방법 및 그 장치 | |
CN118072551A (zh) | 基于时空轨迹的安全预警方法、装置、***及电子设备 | |
CN115880634A (zh) | 车辆监控方法、设备及计算机可读存储介质 | |
Tu et al. | A following behavior detecting method for drive assistance |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200320 |
|
RJ01 | Rejection of invention patent application after publication |