CN111460938B - 一种车辆行驶行为实时监测方法及装置 - Google Patents

一种车辆行驶行为实时监测方法及装置 Download PDF

Info

Publication number
CN111460938B
CN111460938B CN202010201673.9A CN202010201673A CN111460938B CN 111460938 B CN111460938 B CN 111460938B CN 202010201673 A CN202010201673 A CN 202010201673A CN 111460938 B CN111460938 B CN 111460938B
Authority
CN
China
Prior art keywords
target
probability
image
area
detection
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
Application number
CN202010201673.9A
Other languages
English (en)
Other versions
CN111460938A (zh
Inventor
王小刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Leading Technology Co Ltd
Original Assignee
Nanjing Leading Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Leading Technology Co Ltd filed Critical Nanjing Leading Technology Co Ltd
Priority to CN202010201673.9A priority Critical patent/CN111460938B/zh
Publication of CN111460938A publication Critical patent/CN111460938A/zh
Application granted granted Critical
Publication of CN111460938B publication Critical patent/CN111460938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种车辆行驶行为实时监测方法及装置，所述方法包括：获取监测图像，根据区域划分配置信息确定第一图像区域及第二图像区域；对所述第一图像区域进行全局人脸检测，确定第一图像区域的目标数量；将第二图像区域划分为多个目标检测区域，对目标检测区域进行检测并确定局部人脸概率、人体姿态概率及运动目标概率；根据各目标检测区域的各概率判定目标检测区域是否存在目标，以确定第二图像区域的目标数量；根据第一图像区域与第二图像区域的目标数量的总和，监测车辆行驶行为，利用本发明提供的方法，能解决无法实时监控驾驶员是否存在超载驾驶、空车接单刷单、网约车私用的问题，进一步的，规范网约车行业的运营秩序，提高乘客的体验。

Description

一种车辆行驶行为实时监测方法及装置
技术领域
本发明涉及车辆行驶检测领域，特别是涉及一种车辆行驶行为实时监测方法及装置。
背景技术
目前网约车行驶监测技术分为两类：一类是集中在以图像识别为基础的***，如对驾驶员监控的疲劳驾驶警示***等；另一类是通过车辆上的传感器或车辆CAN总线等方式采集车辆行驶数据，或采集外部环境数据，结合车辆行驶数据和外部环境数据，确定车辆行驶路线等的***。利用上述两类***获取到的车辆行驶数据可以进一步的分析车辆行驶路线，结合车辆行驶路线以及车辆订单的对该车辆的驾驶行为进行监控。
但目前的车辆监测领域中，还没有提供一种对车内乘客数量的具体情况进行实时监控的方法，特别是对于车内乘客的实时数量的检测，由于缺乏车内实际乘客数量的监控，导致即使知晓了车辆的具体路线，仍不能确定驾驶员是否存在超载驾驶、空车接单刷单、网约车私用等问题，由于网约车的车内情况并不支持多维度且无死角的实时人员数量监控，并且增加一个或多颗摄像头会不可避免地增加使用成本，另一方面，车内摄像头数目的增加，会直接导致网约车乘客关于私密性的顾虑与抱怨，使用体验差，因此不能很好的检测车内乘客的数量，使网约车的驾驶员的违规行为仍然无法被很好的监控。
发明内容
本发明提供一种车辆行驶行为实时监测方法及装置，用于解决因网约车内无法很好的对监控网约车实时人员进行数量监控，导致的网约车驾驶员的违规行为不能被监控的问题。
本发明第一方面提供一种车辆行驶行为实时监测方法，所述方法包括：
获取车载端内置摄像头所拍摄的监测图像，根据区域划分配置信息确定所述监测图像中无遮挡物的第一图像区域及有遮挡物的第二图像区域；
对所述第一图像区域进行全局人脸检测，确定第一图像区域的目标数量；
将第二图像区域划分为多个目标检测区域，对所述目标检测区域进行局部人脸检测并确定局部人脸概率，对所述目标检测区域进行人体姿态检测并确定人体姿态概率，对所述目标检测区域进行运动目标检测并确定运动目标概率；
根据各目标检测区域的局部人脸概率、人体姿态概率及运动目标概率判定目标检测区域是否存在目标，以确定第二图像区域的目标数量；
根据第一图像区域与第二图像区域的目标数量的总和，监测车辆行驶行为。
可选地，对所述目标检测区域进行局部人脸检测并确定局部人脸概率，包括：
将目标检测区域输入局部人脸检测模型得到局部人脸概率，所述局部人脸检测模型为以经过标注是否存在局部人脸的局部人脸图像为输入，以输出局部人脸概率为目标进行网络模型训练得到，所述网络模型包括多级分类器。
可选地，对所述目标检测区域进行人体姿态检测并确定人体姿态概率，包括：
将目标检测区域输入人体姿态检测模型得到人体姿态概率，所述人体姿态检测模型为以经过标注是否存在人体姿态的人体姿态图像为输入，以输出人体姿态概率为目标进行网络模型训练得到，所述网络模型包括SVM分类器。
可选地，对所述目标检测区域进行运动目标检测并确定运动目标概率，包括：
利用帧差法确定目标检测区域的前景区域，将前景区域输入运动目标检测模型确定运动目标概率，所述运动目标检测模型为经过标注是否存在运动目标的运动目标图像为输入，以输出运动目标概率为目标进行网络模型训练得到。
可选地，根据各目标检测区域的所述局部人脸概率、人体姿态概率及运动目标概率判定第二图像区域的目标数量，包括：
将目标检测区域的局部人脸概率、人体姿态概率及运动目标概率输入目标检测模型，得到存在目标概率，当存在目标概率大于概率阈值时，确定该目标检测区域存在目标，所述目标检测模型为以标注是否存在目标的图像的局部人脸概率、人体姿态概率及运动目标概率为输入，以输出存在目标概率为目标进行网络模型训练得到，所述网络模型包括回归器；
根据各目标检测区域的目标数量，确定第二图像区域的目标数量。
可选地，还包括：
对所述监测图像进行遗失物品检测，当确定当前无出行订单且监测图像内存在遗失物品时，发送存在遗失物品的告警。
可选地，所述根据第一图像区域与第二图像区域的目标数量的总和，监测车辆行驶行为，包括：
当目标数量的总和大于最大容纳乘客数时，发送车辆超载告警；或
当目标数量的总和大于0，且确定当前无出行订单时，发送车辆非法使用告警；或
当目标数量的总和为0，且确定当前存在出行订单时，发送车辆刷单告警。
本发明第二方面提供一种车辆行驶行为实时监测装置，所述装置包括存储器，用于存储指令；
处理器，用于读取所述存储器中的指令，实现包括：
获取车载端内置摄像头所拍摄的监测图像，根据区域划分配置信息确定所述监测图像中无遮挡物的第一图像区域及有遮挡物的第二图像区域；
对所述第一图像区域进行全局人脸检测，确定第一图像区域的目标数量；
将第二图像区域划分为多个目标检测区域，对所述目标检测区域进行局部人脸检测并确定局部人脸概率，对所述目标检测区域进行人体姿态检测并确定人体姿态概率，对所述目标检测区域进行运动目标检测并确定运动目标概率；
根据各目标检测区域的局部人脸概率、人体姿态概率及运动目标概率判定目标检测区域是否存在目标，以确定第二图像区域的目标数量；
根据第一图像区域与第二图像区域的目标数量的总和，监测车辆行驶行为。
可选地，所述处理器用于对所述目标检测区域进行局部人脸检测并确定局部人脸概率，包括：
将目标检测区域输入局部人脸检测模型得到局部人脸概率，所述局部人脸检测模型为以经过标注是否存在局部人脸的局部人脸图像为输入，以输出局部人脸概率为目标进行网络模型训练得到，所述网络模型包括多级分类器。
可选地，所述处理器用于对所述目标检测区域进行人体姿态检测并确定人体姿态概率，包括：
将目标检测区域输入人体姿态检测模型得到人体姿态概率，所述人体姿态检测模型为以经过标注是否存在人体姿态的人体姿态图像为输入，以输出人体姿态概率为目标进行网络模型训练得到，所述网络模型包括SVM分类器。
可选地，所述处理器用于对所述目标检测区域进行运动目标检测并确定运动目标概率，包括：
利用帧差法确定目标检测区域的前景区域，将前景区域输入运动目标检测模型确定运动目标概率，所述运动目标检测模型为经过标注是否存在运动目标的运动目标图像为输入，以输出运动目标概率为目标进行网络模型训练得到。
可选地，所述处理器用于根据各目标检测区域的所述局部人脸概率、人体姿态概率及运动目标概率判定第二图像区域的目标数量，包括：
将目标检测区域的局部人脸概率、人体姿态概率及运动目标概率输入目标检测模型，得到存在目标概率，当存在目标概率大于概率阈值时，确定该目标检测区域存在目标，所述目标检测模型为以标注是否存在目标的图像的局部人脸概率、人体姿态概率及运动目标概率为输入，以输出存在目标概率为目标进行网络模型训练得到，所述网络模型包括回归器；
根据各目标检测区域的目标数量，确定第二图像区域的目标数量。
可选地，所述处理器还用于：
对所述监测图像进行遗失物品检测，当确定当前无出行订单且监测图像内存在遗失物品时，发送存在遗失物品的告警。
可选地，所述处理器用于根据第一图像区域与第二图像区域的目标数量的总和，监测车辆行驶行为，包括：
当目标数量的总和大于最大容纳乘客数时，发送车辆超载告警；或
当目标数量的总和大于0，且确定当前无出行订单时，发送车辆非法使用告警；或
当目标数量的总和为0，且确定当前存在出行订单时，发送车辆刷单告警。
本发明第三方面提供一种车辆行驶行为实时监测装置，所述装置包括如下模块：
监测图像获取模块，用于获取车载端内置摄像头所拍摄的监测图像，根据区域划分配置信息确定所述监测图像中无遮挡物的第一图像区域及有遮挡物的第二图像区域；
第一图像区域目标数量确定模块，用于对所述第一图像区域进行全局人脸检测，确定第一图像区域的目标数量；
第二图像区域检测模块，用于将第二图像区域划分为多个目标检测区域，对所述目标检测区域进行局部人脸检测并确定局部人脸概率，对所述目标检测区域进行人体姿态检测并确定人体姿态概率，对所述目标检测区域进行运动目标检测并确定运动目标概率；
第二图像区域目标数量确定模块，用于根据各目标检测区域的局部人脸概率、人体姿态概率及运动目标概率判定目标检测区域是否存在目标，以确定第二图像区域的目标数量；
车辆行为确定模块，用于根据第一图像区域与第二图像区域的目标数量的总和，监测车辆行驶行为。
可选地，第二图像区域检测模块用于对所述目标检测区域进行局部人脸检测并确定局部人脸概率，包括：
将目标检测区域输入局部人脸检测模型得到局部人脸概率，所述局部人脸检测模型为以经过标注是否存在局部人脸的局部人脸图像为输入，以输出局部人脸概率为目标进行网络模型训练得到，所述网络模型包括多级分类器。
可选地，第二图像区域检测模块用于对所述目标检测区域进行人体姿态检测并确定人体姿态概率，包括：
将目标检测区域输入人体姿态检测模型得到人体姿态概率，所述人体姿态检测模型为以经过标注是否存在人体姿态的人体姿态图像为输入，以输出人体姿态概率为目标进行网络模型训练得到，所述网络模型包括SVM分类器。
可选地，第二图像区域检测模块用于对所述目标检测区域进行运动目标检测并确定运动目标概率，包括：
利用帧差法确定目标检测区域的前景区域，将前景区域输入运动目标检测模型确定运动目标概率，所述运动目标检测模型为经过标注是否存在运动目标的运动目标图像为输入，以输出运动目标概率为目标进行网络模型训练得到。
可选地，第二图像区域目标数量确定模块用于根据各目标检测区域的所述局部人脸概率、人体姿态概率及运动目标概率判定第二图像区域的目标数量，包括：
将目标检测区域的局部人脸概率、人体姿态概率及运动目标概率输入目标检测模型，得到存在目标概率，当存在目标概率大于概率阈值时，确定该目标检测区域存在目标，所述目标检测模型为以标注是否存在目标的图像的局部人脸概率、人体姿态概率及运动目标概率为输入，以输出存在目标概率为目标进行网络模型训练得到，所述网络模型包括回归器；
根据各目标检测区域的目标数量，确定第二图像区域的目标数量。
可选地，遗失物品检测模块还用于：
对所述监测图像进行遗失物品检测，当确定当前无出行订单且监测图像内存在遗失物品时，发送存在遗失物品的告警。
可选地，车辆行为确定模块用于根据第一图像区域与第二图像区域的目标数量的总和，监测车辆行驶行为，包括：
当目标数量的总和大于最大容纳乘客数时，发送车辆超载告警；或
当目标数量的总和大于0，且确定当前无出行订单时，发送车辆非法使用告警；或
当目标数量的总和为0，且确定当前存在出行订单时，发送车辆刷单告警。
本发明第四方面提供一种计算机介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现本发明第一方面提供的任一项所述的一种车辆行驶行为实时监测方法。
利用本发明提供的一种车辆行驶行为实时监测方法，提供了在遮挡、光照、姿态等各种不易检测目标的情况下，检测车内的目标数量的方法，并通过监测目标数量的方式，能解决无法实时监控驾驶员是否存在超载驾驶、空车接单刷单、网约车私用的问题，进一步的，规范网约车行业的运营秩序，提高乘客的体验。
附图说明
图1为一种车辆行驶行为实时监测***示意图；
图2为一种车辆行驶行为实时监测方法流程图；
图3A为车辆内部摄像头的位置示意图；
图3B为车载端内置摄像头拍摄的正视图像示意图；
图3C为第二区域的一种划分示意图；
图4为一种车辆行驶行为实时监测方法的完整流程图；
图5为一种车辆行驶行为实时监测装置结构图；
图6为一种车辆行驶行为实时监测装置模块图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。
为了方便理解，下面对本发明实施例中涉及的名词进行解释：
(1)智能双录采集终端DVR(Digital Video Recorder)，又称数字视频录像机，相对于传统的模拟视频录像机，采用硬盘录像，故常常被称为硬盘录像机，也被称为DVR，它是一套进行图像存储处理的计算机***，具有对图像/语音进行长时间录像、录音、远程监视和控制的功能；
(2)车辆后台终端IOV(Internet Of Vehicles)，是车联网设备的一种，车辆上的车载设备通过无线通信技术，对信息网络平台中的所有车辆动态信息进行有效利用，在车辆运行中提供不同的功能服务，车辆后台终端能够为车与车之间的间距提供保障，降低车辆发生碰撞事故的几率，并帮助车主实时导航，并通过与其它车辆和网络***的通信，提高交通运行的效率；
(3)TBOX(Telematics BOX)作为无线网关，通过4G/5G远程无线通讯、GPS卫星定位、加速度传感器和CAN通讯等功能，为整车提供远程通讯接口，提供包括行车数据采集、行驶轨迹记录、车辆故障监控、车辆远程查询和控制(开闭锁、空调控制、车窗控制、发送机扭矩限制、发动机启停)、驾驶行为分析、热点分享等服务；
本申请提供一种车辆行驶行为实时监测***，利用特有的车载设备配置和特定的目标检测算法实时监测网约车车内乘客的个数，为驾驶员刷单、公车私用、乘客丢失物品，车辆超载等情况提供实时检测，进一步的规范网约车运营秩序，提高用户体验。
如图1所示，所述***具体包括如下设备：DVR智能双录采集终端101、AI-BOX人工智能感知终端102以及IOV车辆后台终端103，作为一种可选的实施方式，***中还包括有T-BOX智能远程控制终端104，所述DVR智能双录采集终端101中包含有车载端内置摄像头用于拍摄车内的司乘的情况，AI-BOX人工智能感知终端102用于处理由车载端内置摄像头发送的图像及视频，判断车内实时状况，并获取车辆出行订单情况，IOV车辆后台终端103用于接收根据图像处理后的得到的车辆行驶行为的结果。所述DVR智能双录采集终端101、AI-BOX人工智能感知终端102、IOV车辆后台终端103可以集成在T-BOX智能远程控制终端104中，也可能分布于车辆的不同位置通过网络进行数据连接；
在车辆启动后，通过DVR中的车载端内置摄像头，拍摄车辆内部信息，拍摄的区域主要包括主驾驶区域、副驾驶区域及座椅间的间隙区域，根据各区域的目标数量确定，车辆内部的目标数量。
本申请实施例提供一种车辆行驶行为实时监测方法，应用于AI-BOX人工智能感知终端102中，所述方法包括如下步骤，如图2所示：
步骤S201，获取车载端内置摄像头所拍摄的监测图像，根据区域划分配置信息确定所述监测图像中无遮挡物的第一图像区域及有遮挡物的第二图像区域；
根据区域划分配置信息将车载端内置摄像头所拍摄的监测图像划分为多个区域，例如网约车中车载端内置摄像头通常安装在车辆挡风玻璃正中央的位置，上述位置的拍摄车辆内乘客的效果较好，作为一种可选的实施方式，也可通过多个摄像头拍摄不同区域的图像，以达到更好的监测效果，但由于车内摄像头数目的增加，会直接导致网约车乘客关于私密性的顾虑与抱怨，故本实施例中不对增加摄像头数目的此种方案进行详细展开说明；
如图3A所示，为车辆的侧视图，车载端内置摄像头301安装在车辆挡风玻璃正中央以监测图中阴影区域，由车载端内置摄像头301拍摄车内的正视图像示意图如图3B所示，根据预先的区域划分，将车载端内置摄像头所拍摄的监测图像，划分为无遮挡物的第一图像区域302，由于本申请需要监测的目标数量为乘客数量，可以将驾驶员所属的被拍摄区域滤除，以及第一图像区域之外的有遮挡物的第二图像区域303，具体的区域划分方式，可以根据摄像头的摆设位置、摄像头的焦距及车内布局不同等等，进行不同区域的划分；总的来说，第一图像区域所指的是，被车载端内置摄像头可以完整拍摄到的区域，第二图像区域为，因存在车辆座椅遮挡，不能完整的拍摄存在遮挡的车辆后排区域。
步骤S202，对所述第一图像区域进行全局人脸检测，确定第一图像区域的目标数量；
对第一图像区域进行全局人脸检测，所述全局人脸检测的方法可以采用深度神经网络来进行人脸检测，判定第一图像区域存在的目标数量，对所述第一图像区域进行全局人脸检测也可以采用的方式为，对车内特定的未遮挡区域进行检测，如对车内副驾驶区域及车辆后排中部无遮挡区域分别进行人脸检测等，根据第一图像区域中的多个区域检测是否存在目标，确定第一图像区域的目标数量；
由于最终需要判断的目标数量不包括车内驾驶员，所以在第一图像区域中，不检测驾驶员所在的位置，或通过将驾驶员的人脸特征事先存储在人脸检测算法中，当全局人脸检测到驾驶员时，不将驾驶员的人脸信息误判断为第一图像区域存在目标。
步骤S203，将第二图像区域划分为多个目标检测区域，对所述目标检测区域进行局部人脸检测并确定局部人脸概率，对所述目标检测区域进行人体姿态检测并确定人体姿态概率，对所述目标检测区域进行运动目标检测并确定运动目标概率；
将第二图像区域划分为多个目标检测区域，如图3C所示，将第二图像区域划分为多个检测区域，具体为，将第二图像区域划分为第一目标检测区域304和第二目标检测区域305，具体划分的方式不限于本实施例提供的方法，可以根据遮挡物后方的乘客默认乘坐位置划分区域，例如该车辆为最大容纳五人的车辆，后排区域被平均分为3部分，将存在座椅遮挡的各遮挡部分定义为目标检测区域，对目标检测区域进行局部人脸检测并提取局部人脸概率，通过局部人脸概率可以确定该目标检测区域是否存在目标；对目标检测区域进行人体姿态检测并提取人体姿态概率，通过人体姿态概率可以确定该目标检测区域是否存在目标；对目标检测区域进行运动目标检测并确定运动目标概率，通过运动目标概率可以确定该目标检测区域是否存在运动目标，通过运动目标的确定，可以进一步的丰富目标整体的特性描述，加强了对于目标检测准确度；
步骤S204，根据各目标检测区域的局部人脸概率、人体姿态概率及运动目标概率判定目标检测区域是否存在目标，以确定第二图像区域的目标数量；
根据目标检测区域的局部人脸概率、人体姿态概率及运动目标概率判定目标检测区域是否存在目标，将各目标检测区域的目标检测结果汇总，确定第二图像区域的目标数量。
步骤S205，根据第一图像区域与第二图像区域的目标数量的总和，监测车辆行驶行为。
将第一图像区域的目标数量与第二图像区域的目标数量相加，得到车内目标数量的总和；
当目标数量的总和大于最大容纳乘客数时，向车辆后台终端发送车辆超载告警；或
当目标数量的总和大于0，且确定当前无出行订单时，向车辆后台终端发送车辆非法使用告警；或
当目标数量的总和为0，且确定当前存在出行订单时，向车辆后台终端发送车辆刷单告警。
由于通过独立的单帧图像判断车内的目标数量容易出现检测上的误差，通常使用多帧图像中的目标数量平均值确定车内目标数量的总和，以减小检测的误差。
所述出行订单的判断方法可以通过车内的TBOX与网约车驾驶人的网约车平台APP(Application，应用程序)进行连接，实时获取当前的驾驶人的订单处理情况。
具体的，车辆的各类行驶行为发送到IOV车辆后台终端中，并由IOV车辆后台终端将行驶行为的具体违规时间段，订单信息及驾驶人信息通过TBOX的无线通讯***发送到网约车监控平台上，以达到车辆行驶行为实时监测的目的。
利用本发明提供的一种车辆行驶行为实时监测方法，提供了在遮挡、光照、姿态等各种不易检测目标的情况下，检测车内的目标数量的方法，并通过监测目标数量的方式，能解决无法实时监控驾驶员是否存在超载驾驶、空车接单刷单、网约车私用的问题，进一步的，规范网约车行业的运营秩序，提高乘客的体验。
作为一种可选的实施方式，获取车载端内置摄像头所拍摄的监测图像后，对所述监测图像进行遗失物品检测，当确定当前无出行订单且监测图像内存在遗失物品时，发送存在遗失物品的告警；
具体的，利用特定的遗失物品检测模型对车内的遗留物品进行检测，所述遗失物品检测模型为，以标注过车内遗失物品的车内图像为输入，以输出车内是否存在遗失物品为目标进行训练得到的，通过遗失物品检测模型输出的遗失物品检测结果及当前车辆的出行状况，确定是否需要通过驾驶人或网约车APP提醒乘客存在遗失物品。
作为一种可选的实施方式，对所述目标检测区域进行局部人脸检测并提取局部人脸概率，包括：
将目标检测区域输入局部人脸检测模型得到局部人脸概率，所述局部人脸检测模型为以经过标注是否存在人体姿态的人体姿态图像为输入，以输出标注的局部人脸概率为目标进行网络模型训练得到，所述网络模型包括多级分类器；
局部人脸检测模型重点收集网约车场景中有遮挡部分脸的局部人脸图像，并在局部人脸图像中标注是否存在局部人脸，将经过标注是否存在局部人脸的局部人脸图像输入多级分类器，以输出标注的局部人脸概率为目标进行网络模型训练；
将目标检测区域输入局部人脸检测模型，由多个分类器输出该目标检测区域的多个分数值，所述分数值为在该分类器检测下目标检测区域存在局部人脸的概率，在得到各个分类器的分数值后，将各分类器的分数值进行区域平滑处理及归一化处理得到局部人脸检测模型确定的局部人脸概率，具体的，由局部人脸检测模型确定局部人脸概率的公式步骤如下：
Figure BDA0002419597800000131
Figure BDA0002419597800000132
Figure BDA0002419597800000133
其中Score(r,c)为在某一位置(r,c)处获得的分数值，所述位置(r,c)可以是目标检测区域中任一个像素点，N为多级分类器的级数，Sign(Fi)为某一位置下存在局部人脸的概率值，THi为第i级分类器的阈值，Rows，Cols为目标检测区域的高度与宽度，Norm函数为归一化函数，首先通过第i级分类器检测目标检测区域(r,c)位置存在局部人脸的概率值，当大于THi阈值时，将该位置的概率值带入到Score(r,c)中，根据多个分类器的个数计算(r,c)位置的分数值，最终将目标检测区域中各个位置点的分数值进行归一化平滑处理，得到目标检测区域存在局部人脸的概率，将目标检测区域输入局部人脸检测模型，得到归一化的目标检测区域的局部人脸概率。
作为一种可选的实施方式，对所述目标检测区域进行人体姿态检测并确定人体姿态概率，包括：
该人体姿态检测模型主要从人体的整体姿态分类确定是否存在目标。首先收集网约车场景中存在人体姿态和不存在人体姿态的图像，将经过标注是否存在人体姿态的网约车场景中的人体姿态图像为输入，以输出人体姿态概率为目标进行网络模型训练得到，所述网络模型包括SVM分类器，由人体姿态检测模型确定人体姿态概率的公式步骤如下：
Figure BDA0002419597800000141
Figure BDA0002419597800000142
Figure BDA0002419597800000143
Figure BDA0002419597800000144
首先提取目标检测区域的某一位置(r,c)处的强梯度特征图，上式中IGray(r,c)表示梯度特征，其中梯度特征既包括水平梯度Gx，也包括垂直梯度Gy，因人体的边缘信息比较明显，故利用阈值TH2将梯度信息不强的一些信息进行过滤，得到该位置点的强梯度特征，若该位置存在强梯度特征，则存在人体姿态概率高。
IAngle(r,c)为量化后某一位置(r,c)的角度特征，Quant为量化函数，将角度划分为量化分割为8个方向角度，
Figure BDA0002419597800000145
是在IAngle(r,c)基础上，在半径为r的圆形范围内进行扫描，运用Count函数统计8个方向角度上出现人体姿态的次数，因方向图中的人体姿态指向一般都具有一致性，不具备一致性的特征一般都是背景特征，故利用TH3筛选方向信息不强的一些背景及无关信息，得到该位置点的强角度特征，若该位置存在强角度特征，则存在人体姿态概率高。例如在图像以(r,c)为中心位置处，半径为r＝3的区域中，在里面统计各个方向出现的特征个数，当有一个方向的个数>TH3(TH3一般设置为5)，代表该(r,c)位置处的方向一致性好，存在强角度特征。
最终得到的人体姿态概率为
Figure BDA0002419597800000151
以w0，w1为权重，一般w0初始化为0.3，而w1初始化为0.7，其主要是结合目标检测区域各位置点的强梯度特征和强角度特征，确定该点存在人体姿态概率，并通过将各位置点的人体姿态概率进行归一化处理，得到目标检测区域的人体姿态概率。
作为一种可选的实施方式，对所述目标检测区域进行运动目标检测并确定运动目标概率，包括：
利用帧差法确定目标检测区域的前景区域，将前景区域输入运动目标检测模型得到运动目标概率，所述运动目标检测模型为经过标注是否存在运动目标的运动目标图像为输入，以输出标注的运动目标特征为目标进行网络模型训练得到。
帧差法是一种通过对视频图像序列的连续两帧图像做差分运算获取运动目标轮廓的方法。获取相邻两帧图像，当目标检测区域中出现异常目标运动时，相邻两帧图像之间会出现较为明显的差别，所述差别位置即为前景区域，通过前景区域求得图像对应位置像素值差的绝对值，判断其存在运动目标概率，运动目标概率主要作用为判断目标是否存在的辅助信息，通过运动目标概率的输出，能进一步确定由局部人脸概率以及人体姿态概率的确定的是否存在目标的准确性。
作为一种可选的实施方式，根据各目标检测区域的所述局部人脸概率、人体姿态概率及运动目标概率判定第二图像区域的目标数量，包括：
将目标检测区域的局部人脸概率、人体姿态概率及运动目标概率输入目标检测模型，得到存在目标概率，当存在目标概率大于概率阈值时，确定该目标检测区域存在目标，所述目标检测模型为以标注是否存在目标的图像的局部人脸概率、人体姿态概率及运动目标概率为输入，以输出存在目标概率为目标进行网络模型训练得到，所述网络模型包括回归器；根据各目标检测区域的目标数量，确定第二图像区域的目标数量。
以标注是否存在目标的图像的局部人脸概率、人体姿态概率及运动目标概率为输入，以输出存在目标概率为目标进行网络模型训练得到。在回归器中输入已标注是否存在目标的目标检测区域对应的局部人脸概率、人体姿态概率及运动目标概率，得到存在目标概率，当存在目标概率大于概率阈值时，确定该目标检测区域存在目标，根据各目标检测区域的目标数量，确定第二图像区域的目标数量。
作为一种可选的实施方式，由于车内的检测目标可能同时存在于第二图像区域的多个目标检测区域中，或同时出现在第一图像区域和第二图像区域中，可以利用目标筛选算法，检测在至少两个区域中是否出现了同一被检测目标，若出现了同一检测目标，则将重复计算的目标去除，或直接对监测图像进行局部人脸检测、人体姿态检测及运动目标检测，得到整个监测图像中存在的目标数量，此种方式可以防止一个目标存在多个区域带来的误差。
作为一种可选的实施方式，本发明实施例除了可以对车内目标数量进行检测之外，还可以在车辆启动前需要对第一图像区域的驾驶员进行人脸检测，保证为该车辆的指定驾驶员才能启动车辆及接单，在车辆行驶过程中，也可以对第一图像区域的驾驶员进行人脸检测。具体来说，在车辆行驶过程中，实时获取包含车辆驾驶员图像，并对第一图像的识别，确定车辆驾驶员在驾驶过程中存在危险驾驶行为时，向后台设备发送报警信息，危险驾驶行为包括以下一种或多种：抽烟、打电话、疲劳驾驶、醉驾、酒驾等等，并且还可以基于对第一图像区域的识别，确定其他乘客是否存在干扰驾驶员驾驶的行为(如，与驾驶员争吵、遮挡驾驶员视线等)，若存在则向后台设备发送报警信息。
本发明实施例提供一种车辆行驶行为实时监测方法的完整流程图，如图4所示，包括如下步骤：
步骤S401，获取车载端内置摄像头所拍摄的监测图像，根据区域划分配置信息确定所述监测图像中无遮挡物的第一图像区域及有遮挡物的第二图像区域；
步骤S402，对所述第一图像区域进行全局人脸检测，确定第一图像区域的目标数量；
步骤S403，将第二图像区域划分为多个目标检测区域，对所述目标检测区域进行局部人脸检测并确定局部人脸概率，对所述目标检测区域进行人体姿态检测并确定人体姿态概率，对所述目标检测区域进行运动目标检测并确定运动目标概率；
步骤S404，确定目标数量的总和，当目标数量的总和大于最大容纳乘客数时，执行步骤S405，当目标数量的总和大于0，且确定当前无出行订单时，执行步骤S406，当目标数量的总和为0，且确定当前存在出行订单时，执行步骤S407；
步骤S405，向后台设备发送车辆超载告警；
步骤S406，向后台设备发送车辆非法使用告警；
步骤S407，向后台设备发送车辆刷单告警。
本发明实施例提供一种车辆行驶行为实时监测装置，如图5所示，该装置500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(英文全称：central processing units，英文简称：CPU)501(例如，一个或一个以上处理器)和存储器502，一个或一个以上存储应用程序504或数据506的存储介质503(例如一个或一个以上海量存储设备)。其中，存储器502和存储介质503可以是短暂存储或持久存储。存储在存储介质503的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对信息处理装置中的一系列指令操作。更进一步地，处理器501可以设置为与存储介质503通信，在装置500上执行存储介质503中的一系列指令操作。
装置500还可以包括一个或一个以上电源509，一个或一个以上有线或无线网络接口507，一个或一个以上输入输出接口508，和/或，一个或一个以上操作***505，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等。
所述装置用于实现如下方法：
获取车载端内置摄像头所拍摄的监测图像，根据区域划分配置信息确定所述监测图像中无遮挡物的第一图像区域及有遮挡物的第二图像区域；
对所述第一图像区域进行全局人脸检测，确定第一图像区域的目标数量；
将第二图像区域划分为多个目标检测区域，对所述目标检测区域进行局部人脸检测并确定局部人脸概率，对所述目标检测区域进行人体姿态检测并确定人体姿态概率，对所述目标检测区域进行运动目标检测并确定运动目标概率；
根据各目标检测区域的局部人脸概率、人体姿态概率及运动目标概率判定目标检测区域是否存在目标，以确定第二图像区域的目标数量；
根据第一图像区域与第二图像区域的目标数量的总和，监测车辆行驶行为。
可选地，所述处理器对所述目标检测区域进行局部人脸检测并确定局部人脸概率，包括：
将目标检测区域输入局部人脸检测模型得到局部人脸概率，所述局部人脸检测模型为以经过标注是否存在局部人脸的局部人脸图像为输入，以输出局部人脸概率为目标进行网络模型训练得到，所述网络模型包括多级分类器。
可选地，所述处理器对所述目标检测区域进行人体姿态检测并确定人体姿态概率，包括：
将目标检测区域输入人体姿态检测模型得到人体姿态概率，所述人体姿态检测模型为以经过标注是否存在人体姿态的人体姿态图像为输入，以输出人体姿态概率为目标进行网络模型训练得到，所述网络模型包括SVM分类器。
可选地，所述处理器对所述目标检测区域进行运动目标检测并确定运动目标概率，包括：
利用帧差法确定目标检测区域的前景区域，将前景区域输入运动目标检测模型确定运动目标概率，所述运动目标检测模型为经过标注是否存在运动目标的运动目标图像为输入，以输出运动目标概率为目标进行网络模型训练得到。
可选地，所述处理器根据各目标检测区域的所述局部人脸概率、人体姿态概率及运动目标概率判定第二图像区域的目标数量，包括：
将目标检测区域的局部人脸概率、人体姿态概率及运动目标概率输入目标检测模型，得到存在目标概率，当存在目标概率大于概率阈值时，确定该目标检测区域存在目标，所述目标检测模型为以标注是否存在目标的图像的局部人脸概率、人体姿态概率及运动目标概率为输入，以输出存在目标概率为目标进行网络模型训练得到，所述网络模型包括回归器；
根据各目标检测区域的目标数量，确定第二图像区域的目标数量。
可选地，处理器还用于：
对所述监测图像进行遗失物品检测，当确定当前无出行订单且监测图像内存在遗失物品时，发送存在遗失物品的告警。
可选地，处理器根据第一图像区域与第二图像区域的目标数量的总和，监测车辆行驶行为，包括：
当目标数量的总和大于最大容纳乘客数时，发送车辆超载告警；或
当目标数量的总和大于0，且确定当前无出行订单时，发送车辆非法使用告警；或
当目标数量的总和为0，且确定当前存在出行订单时，发送车辆刷单告警。
本发明实施例提供一种车辆行驶行为实时监测装置，所述装置包括如下模块，如图6所示：
监测图像获取模块601，用于获取车载端内置摄像头所拍摄的监测图像，根据区域划分配置信息确定所述监测图像中无遮挡物的第一图像区域及有遮挡物的第二图像区域；
第一图像区域目标数量确定模块602，用于对所述第一图像区域进行全局人脸检测，确定第一图像区域的目标数量；
第二图像区域检测模块603，用于将第二图像区域划分为多个目标检测区域，对所述目标检测区域进行局部人脸检测并确定局部人脸概率，对所述目标检测区域进行人体姿态检测并确定人体姿态概率，对所述目标检测区域进行运动目标检测并确定运动目标概率；
第二图像区域目标数量确定模块604，用于根据各目标检测区域的局部人脸概率、人体姿态概率及运动目标概率判定目标检测区域是否存在目标，以确定第二图像区域的目标数量；
车辆行为确定模块605，用于根据第一图像区域与第二图像区域的目标数量的总和，监测车辆行驶行为。
可选地，第二图像区域检测模块603用于对所述目标检测区域进行局部人脸检测并确定局部人脸概率，包括：
将目标检测区域输入局部人脸检测模型得到局部人脸概率，所述局部人脸检测模型为以经过标注是否存在局部人脸的局部人脸图像为输入，以输出局部人脸概率为目标进行网络模型训练得到，所述网络模型包括多级分类器。
可选地，第二图像区域检测模块603用于对所述目标检测区域进行人体姿态检测并确定人体姿态概率，包括：
将目标检测区域输入人体姿态检测模型得到人体姿态概率，所述人体姿态检测模型为以经过标注是否存在人体姿态的人体姿态图像为输入，以输出人体姿态概率为目标进行网络模型训练得到，所述网络模型包括SVM分类器。
可选地，第二图像区域检测模块603用于对所述目标检测区域进行运动目标检测并确定运动目标概率，包括：
利用帧差法确定目标检测区域的前景区域，将前景区域输入运动目标检测模型确定运动目标概率，所述运动目标检测模型为经过标注是否存在运动目标的运动目标图像为输入，以输出运动目标概率为目标进行网络模型训练得到。
可选地，第二图像区域目标数量确定模块604用于根据各目标检测区域的所述局部人脸概率、人体姿态概率及运动目标概率判定第二图像区域的目标数量，包括：
将目标检测区域的局部人脸概率、人体姿态概率及运动目标概率输入目标检测模型，得到存在目标概率，当存在目标概率大于概率阈值时，确定该目标检测区域存在目标，所述目标检测模型为以标注是否存在目标的图像的局部人脸概率、人体姿态概率及运动目标概率为输入，以输出存在目标概率为目标进行网络模型训练得到，所述网络模型包括回归器；
根据各目标检测区域的目标数量，确定第二图像区域的目标数量。
可选地，遗失物品检测模块606还用于：
对所述监测图像进行遗失物品检测，当确定当前无出行订单且监测图像内存在遗失物品时，发送存在遗失物品的告警。
可选地，车辆行为确定模块605用于根据第一图像区域与第二图像区域的目标数量的总和，监测车辆行驶行为，包括：
当目标数量的总和大于最大容纳乘客数时，发送车辆超载告警；或
当目标数量的总和大于0，且确定当前无出行订单时，发送车辆非法使用告警；或
当目标数量的总和为0，且确定当前存在出行订单时，发送车辆刷单告警。
本发明实施例提供一种计算机介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现本发明实施例1提供的任一项所述的一种车辆行驶行为实时监测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种车辆行驶行为实时监测方法，其特征在于，所述方法包括：
获取车载端内置摄像头所拍摄的监测图像，根据区域划分配置信息确定所述监测图像中无遮挡物的第一图像区域及有遮挡物的第二图像区域；
对所述第一图像区域进行全局人脸检测，确定第一图像区域的目标数量；
将第二图像区域划分为多个目标检测区域，将所述目标检测区域输入局部人脸检测模型进行局部人脸检测并确定局部人脸概率，将所述目标检测区域输入人体姿态检测模型进行人体姿态检测并确定人体姿态概率，利用帧差法确定所述目标检测区域的前景区域，并将所述前景区域输入运动目标检测模型进行运动目标检测并确定运动目标概率；
根据各目标检测区域的局部人脸概率、人体姿态概率及运动目标概率判定目标检测区域是否存在目标，以确定第二图像区域的目标数量；
根据第一图像区域与第二图像区域的目标数量的总和，监测车辆行驶行为。
2.根据权利要求1所述的方法，其特征在于，所述局部人脸检测模型为以经过标注是否存在局部人脸的局部人脸图像为输入，以输出局部人脸概率为目标进行网络模型训练得到，所述网络模型包括多级分类器。
3.根据权利要求1所述的方法，其特征在于，所述人体姿态检测模型为以经过标注是否存在人体姿态的人体姿态图像为输入，以输出人体姿态概率为目标进行网络模型训练得到，所述网络模型包括SVM分类器。
4.根据权利要求1所述的方法，其特征在于，所述运动目标检测模型为经过标注是否存在运动目标的运动目标图像为输入，以输出运动目标概率为目标进行网络模型训练得到。
5.根据权利要求1所述的方法，其特征在于，根据各目标检测区域的所述局部人脸概率、人体姿态概率及运动目标概率判定第二图像区域的目标数量，包括：
将目标检测区域的局部人脸概率、人体姿态概率及运动目标概率输入目标检测模型，得到存在目标概率，当存在目标概率大于概率阈值时，确定该目标检测区域存在目标，所述目标检测模型为以标注是否存在目标的图像的局部人脸概率、人体姿态概率及运动目标概率为输入，以输出存在目标概率为目标进行网络模型训练得到，所述网络模型包括回归器；
根据各目标检测区域的目标数量，确定第二图像区域的目标数量。
6.根据权利要求1所述的方法，其特征在于，还包括：
对所述监测图像进行遗失物品检测，当确定当前无出行订单且监测图像内存在遗失物品时，发送存在遗失物品的告警。
7.根据权利要求1所述的方法，其特征在于，所述根据第一图像区域与第二图像区域的目标数量的总和，监测车辆行驶行为，包括：
当目标数量的总和大于最大容纳乘客数时，发送车辆超载告警；或
当目标数量的总和大于0，且确定当前无出行订单时，发送车辆非法使用告警；或
当目标数量的总和为0，且确定当前存在出行订单时，发送车辆刷单告警。
8.一种车辆行驶行为实时监测装置，其特征在于，所述装置包括存储器，用于存储指令；
处理器，用于读取所述存储器中的指令，实现如权利要求1～7任一项所述的一种车辆行驶行为实时监测方法。
9.一种车辆行驶行为实时监测装置，其特征在于，所述装置包括如下模块：
监测图像获取模块，用于获取车载端内置摄像头所拍摄的监测图像，根据区域划分配置信息确定所述监测图像中无遮挡物的第一图像区域及有遮挡物的第二图像区域；
第一图像区域目标数量确定模块，用于对所述第一图像区域进行全局人脸检测，确定第一图像区域的目标数量；
第二图像区域检测模块，用于将第二图像区域划分为多个目标检测区域，将所述目标检测区域输入局部人脸检测模型进行局部人脸检测并确定局部人脸概率，将所述目标检测区域输入人体姿态检测模型进行人体姿态检测并确定人体姿态概率，利用帧差法确定所述目标检测区域的前景区域，并将所述前景区域输入运动目标检测模型进行运动目标检测并确定运动目标概率；
第二图像区域目标数量确定模块，用于根据各目标检测区域的局部人脸概率、人体姿态概率及运动目标概率判定目标检测区域是否存在目标，以确定第二图像区域的目标数量；
车辆行为确定模块，用于根据第一图像区域与第二图像区域的目标数量的总和，监测车辆行驶行为。
10.一种计算机介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现如权利要求1～7任一项所述的一种车辆行驶行为实时监测方法。
CN202010201673.9A 2020-03-20 2020-03-20 一种车辆行驶行为实时监测方法及装置 Active CN111460938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010201673.9A CN111460938B (zh) 2020-03-20 2020-03-20 一种车辆行驶行为实时监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010201673.9A CN111460938B (zh) 2020-03-20 2020-03-20 一种车辆行驶行为实时监测方法及装置

Publications (2)

Publication Number Publication Date
CN111460938A CN111460938A (zh) 2020-07-28
CN111460938B true CN111460938B (zh) 2022-04-08

Family

ID=71680808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010201673.9A Active CN111460938B (zh) 2020-03-20 2020-03-20 一种车辆行驶行为实时监测方法及装置

Country Status (1)

Country Link
CN (1) CN111460938B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287808B (zh) * 2020-10-27 2021-08-10 江苏云从曦和人工智能有限公司 运动轨迹分析告警方法、装置、***及存储介质
CN112614102A (zh) * 2020-12-18 2021-04-06 浙江大华技术股份有限公司 一种车辆检测方法、终端及其计算机可读存储介质
CN112926414B (zh) * 2021-02-05 2024-05-14 北京嘀嘀无限科技发展有限公司 图像处理的方法、装置和电子设备
CN113158799B (zh) * 2021-03-18 2024-04-26 精英数智科技股份有限公司 露天煤矿不规范行车检测方法、装置及***
CN112926881A (zh) * 2021-03-29 2021-06-08 广州宸祺出行科技有限公司 一种基于车载***的防止司机刷单的检测方法及***
CN113597072A (zh) * 2021-08-23 2021-11-02 成都世纪光合作用科技有限公司 一种灯具控制方法、装置和电子设备
CN114312580B (zh) * 2021-12-31 2024-03-22 上海商汤临港智能科技有限公司 确定车辆内乘员的座位及车辆控制方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709420A (zh) * 2016-11-21 2017-05-24 厦门瑞为信息技术有限公司 一种监测营运车辆驾驶人员驾驶行为的方法
CN108986400A (zh) * 2018-09-03 2018-12-11 深圳市尼欧科技有限公司 一种基于图像处理的第三方乘驾安全自动报警方法
CN109800654A (zh) * 2018-12-24 2019-05-24 百度在线网络技术（北京）有限公司 车载摄像头检测处理方法、装置及车辆

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10466691B2 (en) * 2017-11-06 2019-11-05 Pony Ai Inc. Coordinated control of self-driving vehicles under emergency situations

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709420A (zh) * 2016-11-21 2017-05-24 厦门瑞为信息技术有限公司 一种监测营运车辆驾驶人员驾驶行为的方法
CN108986400A (zh) * 2018-09-03 2018-12-11 深圳市尼欧科技有限公司 一种基于图像处理的第三方乘驾安全自动报警方法
CN109800654A (zh) * 2018-12-24 2019-05-24 百度在线网络技术（北京）有限公司 车载摄像头检测处理方法、装置及车辆

Also Published As

Publication number Publication date
CN111460938A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111460938B (zh) 一种车辆行驶行为实时监测方法及装置
CN110487562B (zh) 一种用于无人驾驶的车道保持能力检测***及方法
CN107352032B (zh) 一种人流量数据的监控方法及无人机
WO2020042984A1 (zh) 一种车辆行为检测方法及装置
US9443142B2 (en) Vision-based system for dynamic weather detection
CN110223511A (zh) 一种汽车路边违停智能监测方法及***
Bas et al. Automatic vehicle counting from video for traffic flow analysis
CN106541968B (zh) 基于视觉分析的地铁车厢实时提示***的识别方法
CN112347814A (zh) 客流估计与展示方法、***及计算机可读存储介质
CN111429329B (zh) 一种网约车行为的监控方法及装置
Nakashima et al. Passenger counter based on random forest regressor using drive recorder and sensors in buses
DE102019102195A1 (de) Systeme und verfahren zur kollisionserkennung in autonomen fahrzeugen
CN110255318B (zh) 基于图像语义分割的电梯轿厢闲置物品检测的方法
CN108932464A (zh) 客流量统计方法及装置
US11900701B2 (en) Left object detection device and left object detection method
CN113034378B (zh) 一种区分电动汽车与燃油汽车的方法
CN111460920A (zh) 一种面向机场复杂场景的目标跟踪及分割***
CN111950499A (zh) 一种检测车载人员统计信息的方法
CN112700473B (zh) 一种基于图像识别进行车厢拥挤度判断***
CN112766046B (zh) 一种目标检测方法及相关装置
CN110188645B (zh) 用于车载场景的人脸检测方法、装置、车辆及存储介质
CN109770922B (zh) 嵌入式疲劳检测***及方法
KR102492290B1 (ko) 교통량 측정을 위한 딥러닝 기반의 드론 영상 분석 시스템
CN113139488B (zh) 训练分割神经网络的方法及装置
CN112861581B (zh) 人数分析方法及其***

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