CN113269042A - 基于行驶车辆违章识别的智能交通管理方法及*** - Google Patents
基于行驶车辆违章识别的智能交通管理方法及*** Download PDFInfo
- Publication number
- CN113269042A CN113269042A CN202110450498.1A CN202110450498A CN113269042A CN 113269042 A CN113269042 A CN 113269042A CN 202110450498 A CN202110450498 A CN 202110450498A CN 113269042 A CN113269042 A CN 113269042A
- Authority
- CN
- China
- Prior art keywords
- violation
- vehicle
- abnormal
- image
- traffic management
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims abstract description 63
- 238000012544 monitoring process Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000006399 behavior Effects 0.000 claims description 98
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 8
- 238000010191 image analysis Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram 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
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于行驶车辆违章识别的智能交通管理方法及***,该方法包括:获取当前监测点的监控视频中的各个车辆;确定发生行驶轨迹异常的车辆,记为待确定违章车辆;获得待确定违章车辆行驶轨迹异常的起始时间前的地理位置;根据其它车辆在经过该地理位置后的行驶轨迹是否异常判断待确定违章车辆在该地理位置后的行驶轨迹是否违章。本发明通过对待确定违章车辆和其它车辆在该车辆发生违章行为的同一地理位置时的行驶轨迹是否异常,判定待确定违章车辆是否违章,提高了对于违章车辆判断的准确性。
Description
技术领域
本发明涉及交通管理技术领域,具体涉及基于行驶车辆违章识别的智能交通管理方法及***。
背景技术
在现有技术中,对于交通管理中对于车辆违章事件的检测和管理,一般通过图像分析自动进行违章的检测和驾驶者的确定,然而在交通管理过程中,交通环境和交通设施设备的异常多样且可能未及时运维处理,导致仅仅通过采集图像和图像分析对于车辆行驶轨迹异常的违章判断会出现一些误差。
发明内容
针对上述现有技术存在的问题,本发明提供了基于行驶车辆违章识别的智能交通管理方法及***,以提高交通管理过程中车辆违章行为判断的准确性。
第一方面,本申请提供基于行驶车辆违章识别的智能交通管理方法,包括:
获取当前监测点的监控视频中的各个车辆;
确定发生行驶轨迹异常的车辆,记为待确定违章车辆;
获得待确定违章车辆行驶轨迹异常的起始时间前的地理位置;
根据其它车辆在经过该地理位置后的行驶轨迹是否异常判断待确定违章车辆在该地理位置后的行驶轨迹是否违章;
当该车辆判断为发生违章时,获得该车辆的违章状态图像、违章驾驶者、确认所述违章驾驶者的图像、违章惩罚对象信息进行关联存储。
基于第一方面,在一些可能的实施方式中,所述确定发生行驶轨迹异常的车辆,包括:
将监控视频图像输入预设的多违章行为概率分布分析模型,获得车辆的至少一个违章行为的预测概率;
将车辆违章行为图像作为第一违章图像集,基于第一违章图像集获取目标关联数据;
根据目标关联数据和至少一个违章行为分析模型确定车辆的违章行为,所述目标关联判定数据是每个违章行为分析模型预设的用于分析一种违章行为的图像特征数据。
基于第一方面,在一些可能的实施方式中,所述将车辆违章行为图像作为第一违章图像集,包括:
基于多违章行为概率分布分析模型输出的车辆的至少一个违章行为的预测概率;
对各个行驶行为概率从大到小排序;
若车辆行驶行为属于正常的概率最大且大于第一预设阈值,则不提取该车辆的行驶轨迹对应的视频图像;
否则,提取该车辆的行驶轨迹对应的视频图像作为第一违章图像集。
基于第一方面,在一些可能的实施方式中,所述根据目标关联数据和至少一个违章行为分析模型确定车辆的违章行为,包括:
基于目标关联判定数据,通过预先配置好的面向不同种类违章行为的判定规则,判定目标关联判定数据是否异常,对于异常数据确定发生所述目标关联判定数据对应的违章行为。
基于第一方面,在一些可能的实施方式中,不同违章行为分析模型所采用的目标关联判定数据不同,所述目标关联判定数据的获取方法包括:
基于监控视频图像提取通用特征,包括车辆在图像中的定位区域;
基于监控视频图像获取与异常行驶行为类别对应的特有特征。
基于第一方面,在一些可能的实施方式中,所述基于监控视频图像提取通用特征,采用卷积神经网络进行像素处理获取像素级特征,所述基于监控视频图像获取与异常行驶行为类别对应的特有特征,基于每帧图像的像素级特征,对第二预设数量的图像帧进行分析,获取与异常行驶行为类别对应的特有特征。
基于第一方面,在一些可能的实施方式中,所述根据其它车辆在经过该地理位置后的行驶轨迹是否异常判断待确定违章车辆在该地理位置后的行驶轨迹是否违章,包括:
在该车辆经过该地理位置的前后一段连续时间内,所有经过该地理位置的其它车辆的违章行为与该车辆一致,则判断该车辆的该地理位置的行驶轨迹未发生违章行为。
第二方面,本申请提供基于行驶车辆违章识别的智能交通管理***,包括:
视频图像单元,用于获取当前监测点的监控视频中的各个车辆;
待确定违章车辆获取单元,用于确定发生行驶轨迹异常的车辆,记为待确定违章车辆;
异常轨迹信息获取单元,用于获得待确定违章车辆行驶轨迹异常的起始时间前的地理位置;
违章车辆获取单元,用于根据其它车辆在经过该地理位置后的行驶轨迹是否异常判断待确定违章车辆在该地理位置后的行驶轨迹是否违章;
违章信息存储单元,用于当该车辆判断为发生违章时,获得该车辆的违章状态图像、违章驾驶者、确认所述违章驾驶者的图像、违章惩罚对象信息进行关联存储。
第三方面,本申请提供一种智能交通管理设备,包括:处理器和通信接口;
所述通信接口,与所述处理器耦合,所述处理器通过所述通信接口获取当前监测点的监控视频图像;
所述处理器,用于支持所述智能交通管理设备实现上述第一方面或者第一方面的任一种可能的实施方式中所涉及的功能。
基于第三方面,在一些可能的实施方式中,所述智能交通管理设备还包括:存储器,用于保存所述智能交通管理设备必要的计算机执行指令和数据;当所述智能交通管理设备运行时,所述处理器执行所述存储器存储的所述计算机执行指令,以使所述智能交通管理设备执行上述的智能交通管理方法。
本发明的基于行驶车辆违章识别的智能交通管理方法及***,具备如下有益效果:
1、通过基于图像分析确定发生行驶轨迹异常的车辆判定为待确定违章车辆,继而通过判断其它车辆在该车辆发生违章行为的同一地理位置时的行驶轨迹是否异常,判定待确定违章车辆是否违章,提高了对于违章车辆判断的准确性,避免了仅仅基于图像采集和图像分析存在的误判。
2、通过将监控视频图像输入预设的多违章行为概率分布分析模型,获得车辆的至少一个违章行为的预测概率,并根据预测概率大小和对应的违章行为分析模型确定一种车辆违章行为是否确实发生,实现了对多种可能发生的违章行为的精准判定,提高了图像分析违章行为的准确性。
附图说明
图1是本发明实施例中基于行驶车辆违章识别的智能交通管理方法的流程图;
图2是本发明实施例中对于车辆违章行为的分析方法流程图;
图3是本发明实施例中基于行驶车辆违章识别的智能交通管理***的结构图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。以下描述中,参考形成本申请一部分并以说明之方式示出本申请实施例的具体方面或可使用本申请实施例的具体方面的附图。应理解,本申请实施例可在其它方面中使用,并可包括附图中未描绘的结构或逻辑变化。因此,以下详细描述不应以限制性的意义来理解。例如,应理解,结合所描述方法的揭示内容可以同样适用于用于执行所述方法的对应设备或***,且反之亦然。例如,如果描述一个或多个具体方法步骤,则对应的设备可以包含如功能单元等一个或多个单元,来执行所描述的一个或多个方法步骤(例如,一个单元执行一个或多个步骤,或多个单元,其中每个都执行多个步骤中的一个或多个),即使附图中未明确描述或说明这种一个或多个单元。另一方面,例如,如果基于如功能单元等一个或多个单元描述具体装置,则对应的方法可以包含一个步骤来执行一个或多个单元的功能性(例如,一个步骤执行一个或多个单元的功能性,或多个步骤,其中每个执行多个单元中一个或多个单元的功能性),即使附图中未明确描述或说明这种一个或多个步骤。进一步,应理解的是,除非另外明确提出,本文中所描述的各示例性实施例和/或方面的特征可以相互组合。
在本申请实施例的基于行驶车辆违章识别的智能交通管理方法,包括:
(1)获取当前监测点的监控视频中的各个车辆;
(2)确定发生行驶轨迹异常的车辆,记为待确定违章车辆;
(3)获得待确定违章车辆行驶轨迹异常的起始时间前的地理位置;
(4)根据其它车辆在经过该地理位置后的行驶轨迹是否异常判断待确定违章车辆在该地理位置后的行驶轨迹是否违章;
具体的,该步骤中根据其它车辆在经过该地理位置后的行驶轨迹是否异常判断待确定违章车辆在该地理位置后的行驶轨迹是否违章,包括:
在该车辆经过该地理位置的前后一段连续时间内,所有经过该地理位置的其它车辆的违章行为与该车辆一致,则判断该车辆的该地理位置的行驶轨迹未发生违章行为。
(5)当该车辆判断为发生违章时,获得该车辆的违章状态图像、违章驾驶者、确认所述违章驾驶者的图像、违章惩罚对象信息进行关联存储。
本发明实施例中,确定发生行驶轨迹异常的车辆,该行驶轨迹异常的车辆可以是基于视频图像分析判定为发生违章行为的车辆,将该车辆确定为可能发生违章行为的车辆,继而,通过在该车辆发生违章行为的地理位置,其它车辆在同一地理位置的行驶轨迹是否异常,判定待确定违章车辆是否违章,如果其它车辆在同一地理位置的行驶轨迹均为异常,具体的,可以设置为在一定数量的其它车辆在同一地理位置的行驶轨迹均为异常,则可以判定该待确定违章车辆发生行驶异常的原因可能为:当前监测点的车道路面发生异常导致车道车辆行驶轨迹异常,或者当前监测点用于进行违章行为分析的采集参数(比如采集设备采集图像的属性信息)、分析算法参数等发生错误,导致行驶轨迹分析错误,具体来说比如采集图像中车道线的不清楚或部分缺失导致对于车道线的识别不准确,进而导致对车辆压线等行驶轨迹异常的判断出现错误。如果其它车辆在同一地理位置的行驶轨迹是正常的,则确定该待确定违章车辆为违章车辆,并将该车辆的违章行为关联数据包括违章行为证据及该车辆违章的驾驶者和违章惩罚对象信息进行多维度信息存储,以便后期对交通违章信息的大数据分析等。
上述步骤(2)中,确定发生行驶轨迹异常的车辆,包括:
(21)将监控视频图像输入预设的多违章行为概率分布分析模型,获得车辆的至少一个违章行为的预测概率;
本步骤中,基于监控视频提取图像中的车辆行驶特征,基于行驶特征判断该车辆行驶过程属于多个行驶行为的概率大小,该车辆行驶行为包括行驶轨迹正常和行驶轨迹异常,该行驶轨迹异常可包括多种车辆违章行驶行为,例如超速、闯红灯、实线变道、压实线等,分析每种可能发生的行驶行为的概率可通过概率神经网络实现,以获得包括行驶轨迹正常和每种违章行驶行为在内的多种行驶行为的发生概率。
(22)将车辆违章行为图像作为第一违章图像集,基于第一违章图像集获取目标关联数据;
(23)根据目标关联数据和至少一个违章行为分析模型确定车辆的违章行为,所述目标关联判定数据是每个违章行为分析模型预设的用于分析一种违章行为的图像特征数据。
每个违章行为分析模型用于具体分析判断一种违章行为是否发生,根据输入的目标关联数据分析是否发生该违章行为,该目标关联数据是基于第一违章图像集提取的用于分析一个违章行为是否发生的特征数据。
本发明实施例中,先对车辆可能发生多种行驶行为进行概率分布预测,按照概率大小判定车辆当前最可能的行驶行为,并基于该最可能的行驶行为基于目标关联数据进行进一步精准分析,获得车辆的确定违章行为种类。
上述将车辆违章行为图像作为第一违章图像集,包括:
基于多违章行为概率分布分析模型输出的车辆的至少一个违章行为的预测概率;
对各个行驶行为概率从大到小排序;
若车辆行驶行为属于正常的概率最大且大于第一预设阈值,则不提取该车辆的行驶轨迹对应的视频图像;
否则,提取该车辆的行驶轨迹对应的视频图像作为第一违章图像集。
本实施例中,在车辆行驶行为属于正常的概率最大且大于第一预设阈值时,判定该车辆未发生违章行驶行为,否则基于提取的第一违章图像集进行具体的异常行驶行为分析,具体的,根据各个非正常行驶行为类别的预测概率从大到小依次判断,假设非正常驾驶行为按照发生概率从大到小依次为第一异常行为、第二异常行为、第三异常行为,对应的发生概率分别为第一概率、第二概率、第三概率,则基于第一违章图像集先对第一概率值对应的第一异常行为类别进行分析,如果基于第一违章图像集确定发生第一异常行为,则确定该车辆的违章行为为第一异常行为,否则,基于第一违章图像集先对第二概率值对应的第二异常行为类别进行分析,重复上述异常行为类别确定过程,获取车辆的违章行为类别。
上述根据目标关联数据和至少一个违章行为分析模型确定车辆的违章行为,是指对具体的一种违章行为是否发生进行确定,包括:
基于目标关联判定数据,通过预先配置好的面向不同种类违章行为的判定规则,判定目标关联判定数据是否异常,对于异常数据确定发生所述目标关联判定数据对应的违章行为。
其中,目标关联判定数据基于该车辆的行驶轨迹视频提取获取,不同异常行驶行为的目标关联判定数据不同,例如异常行驶行为为超速行驶时,基于监控视频图像提取车辆行驶过程中的定位、位移、时间特征数据等,异常行驶行为为压线时,提取车辆行驶过程中的目标车辆的边缘线和车道线特征等。
上述面向不同种类违章行为的判定规则,以对于闯红灯的违章行为判定规则为例进行说明,该违章判定规则可以为:
获取交通路口各个车道的停止线;
获取每个行驶方向上的红灯时间段;
获取一行驶方向上的红灯时间段内的车道停止线位置监控视频数据;
基于监控视频提取图像帧序列;
对当前图像帧获取该帧图像上的位于停止线内的车辆,记为第一车辆集;
对下一图像帧获取该图像帧上的位于停止线内的车辆,记为第二车辆集;
对比第一车辆集和第二车辆集,获取第一车辆集中存在而第二车辆集不存在的车辆记为闯红灯违章车辆,即该车辆发生闯红灯违章行为。
进一步的,为了精准分析不同违章行为是否发生,不同违章行为分析模型所采用的目标关联判定数据不同,每个违章行为分析模型采用与对应违章行为匹配的特征数据作为目标关联判定数据,该目标关联判定数据的获取方法包括:
基于监控视频图像提取通用特征,包括车辆在图像中的定位区域;
基于监控视频图像获取与异常行驶行为类别对应的特有特征。其中基于监控视频图像提取通用特征,采用卷积神经网络进行像素处理获取像素级特征,基于监控视频图像获取与异常行驶行为类别对应的特有特征,包括:基于每帧图像的像素级特征,对第二预设数量的图像帧进行分析,获取与异常行驶行为类别对应的特有特征。
本发明实施例中,第一步可以是通过卷积神经网络进行车辆目标的检测、识别、跟踪定位的训练,通过神经网络在像素级别的分析,可以准确在图像中找到车辆目标,通过单帧图像的像素值分布分析,可以去除非车辆目标的像素点,包括图像中车辆的影子和其它背景像素点,通过连续多帧图像的对应像素值的变化,可以对目标车辆的连续图像的相邻图像帧的目标定位;第二步基于连续图像帧的该车辆的位置区域,可以进一步获取车辆的宏观违章特征数据,该宏观违章特征数据包括用于判断车辆是否发生闯红灯、实线变道等违章驾驶行为的特征,例如车辆的位移变化、精准轮廓线等,通过不同的特有特征基于对应的判定规则进行分析,实现不同异常行驶行为类别的判断。
基于与上述方法相同的发明构思,本发明实施例提供基于行驶车辆违章识别的智能交通管理***,该智能交通管理***可以实现上述各实施例中智能交通管理方法,该智能交通管理***可以是用于实现上述各实施例所述的方法的功能模块,所述功能模块可以通过硬件执行相应的软件实现,所述硬件或软件包括一个或多个上述功能相应的模块,举例来说,一种可能的实施方式中,本发明实施例的基于行驶车辆违章识别的智能交通管理***,包括:
视频图像单元,用于获取当前监测点的监控视频中的各个车辆;
待确定违章车辆获取单元,用于确定发生行驶轨迹异常的车辆,记为待确定违章车辆;
异常轨迹信息获取单元,用于获得待确定违章车辆行驶轨迹异常的起始时间前的地理位置;
违章车辆获取单元,用于根据其它车辆在经过该地理位置后的行驶轨迹是否异常判断待确定违章车辆在该地理位置后的行驶轨迹是否违章;
违章信息存储单元,用于当该车辆判断为发生违章时,获得该车辆的违章状态图像、违章驾驶者、确认所述违章驾驶者的图像、违章惩罚对象信息进行关联存储。
基于与上述方法相同的发明构思,本发明实施例提供一种智能交通管理设备,包括:处理器和通信接口;
所述通信接口,与所述处理器耦合,所述处理器通过所述通信接口获取当前监测点的监控视频图像;
所述处理器,用于支持所述智能交通管理设备实现上述的智能交通管理方法。
在一些可能的实施方式中,智能交通管理设备还包括:存储器,用于保存所述智能交通管理设备必要的计算机执行指令和数据;当所述智能交通管理设备运行时,所述处理器执行所述存储器存储的所述计算机执行指令,以使所述智能交通管理设备执行上述的智能交通管理方法。
本领域技术人员能够领会,结合本文公开描述的各种说明性逻辑框、模块和算法步骤所描述的功能可以硬件、软件、固件或其任何组合来实施。如果以软件来实施,那么各种说明性逻辑框、模块、和步骤描述的功能可作为一或多个指令或代码在计算机可读媒体上存储或传输,且由基于硬件的处理单元执行。计算机可读媒体可包含计算机可读存储媒体,其对应于有形媒体,例如数据存储媒体,或包括任何促进将计算机程序从一处传送到另一处的媒体(例如,根据通信协议)的通信媒体。以此方式,计算机可读媒体大体上可对应于(1)非暂时性的有形计算机可读存储媒体,或(2)通信媒体,例如信号或载波。数据存储媒体可为可由一或多个计算机或一或多个处理器存取以检索用于实施本申请中描述的技术的指令、代码和/或数据结构的任何可用媒体。计算机程序产品可包含计算机可读媒体。
作为实例而非限制,此类计算机可读存储媒体可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁性存储装置、快闪存储器或可用来存储指令或数据结构的形式的所要程序代码并且可由计算机存取的任何其它媒体。并且,任何连接被恰当地称作计算机可读媒体。
本发明不局限于上述具体的实施方式,本领域的普通技术人员从上述构思出发,不经过创造性的劳动,所做出的种种变换,均落在本发明的保护范围之内。
Claims (10)
1.基于行驶车辆违章识别的智能交通管理方法,其特征在于,包括:
获取当前监测点的监控视频中的各个车辆;
确定发生行驶轨迹异常的车辆,记为待确定违章车辆;
获得待确定违章车辆行驶轨迹异常的起始时间前的地理位置;
根据其它车辆在经过该地理位置后的行驶轨迹是否异常判断待确定违章车辆在该地理位置后的行驶轨迹是否违章;
当该车辆判断为发生违章时,获得该车辆的违章状态图像、违章驾驶者、确认所述违章驾驶者的图像、违章惩罚对象信息进行关联存储。
2.根据权利要求1所述的基于行驶车辆违章识别的智能交通管理方法,其特征在于,所述确定发生行驶轨迹异常的车辆,包括:
将监控视频图像输入预设的多违章行为概率分布分析模型,获得车辆的至少一个违章行为的预测概率;
将车辆违章行为图像作为第一违章图像集,基于第一违章图像集获取目标关联数据;
根据目标关联数据和至少一个违章行为分析模型确定车辆的违章行为,所述目标关联判定数据是每个违章行为分析模型预设的用于分析一种违章行为的图像特征数据。
3.根据权利要求2所述的基于行驶车辆违章识别的智能交通管理方法,其特征在于,所述将车辆违章行为图像作为第一违章图像集,包括:
基于多违章行为概率分布分析模型输出的车辆的至少一个违章行为的预测概率;
对各个行驶行为概率从大到小排序;
若车辆行驶行为属于正常的概率最大且大于第一预设阈值,则不提取该车辆的行驶轨迹对应的视频图像;
否则,提取该车辆的行驶轨迹对应的视频图像作为第一违章图像集。
4.根据权利要求2所述的基于行驶车辆违章识别的智能交通管理方法,其特征在于,所述根据目标关联数据和至少一个违章行为分析模型确定车辆的违章行为,包括:
基于目标关联判定数据,通过预先配置好的面向不同种类违章行为的判定规则,判定目标关联判定数据是否异常,对于异常数据确定发生所述目标关联判定数据对应的违章行为。
5.根据权利要求4所述的基于行驶车辆违章识别的智能交通管理方法,其特征在于,不同违章行为分析模型所采用的目标关联判定数据不同,所述目标关联判定数据的获取方法包括:
基于监控视频图像提取通用特征,包括车辆在图像中的定位区域;
基于监控视频图像获取与异常行驶行为类别对应的特有特征。
6.根据权利要求5所述的基于行驶车辆违章识别的智能交通管理方法,其特征在于,所述基于监控视频图像提取通用特征,采用卷积神经网络进行像素处理获取像素级特征,所述基于监控视频图像获取与异常行驶行为类别对应的特有特征,基于每帧图像的像素级特征,对第二预设数量的图像帧进行分析,获取与异常行驶行为类别对应的特有特征。
7.根据权利要求1所述的基于行驶车辆违章识别的智能交通管理方法,其特征在于:所述根据其它车辆在经过该地理位置后的行驶轨迹是否异常判断待确定违章车辆在该地理位置后的行驶轨迹是否违章,包括:
在该车辆经过该地理位置的前后一段连续时间内,所有经过该地理位置的其它车辆的违章行为与该车辆一致,则判断该车辆的该地理位置的行驶轨迹未发生违章行为。
8.基于行驶车辆违章识别的智能交通管理***,其特征在于,包括:
视频图像单元,用于获取当前监测点的监控视频中的各个车辆;
待确定违章车辆获取单元,用于确定发生行驶轨迹异常的车辆,记为待确定违章车辆;
异常轨迹信息获取单元,用于获得待确定违章车辆行驶轨迹异常的起始时间前的地理位置;
违章车辆获取单元,用于根据其它车辆在经过该地理位置后的行驶轨迹是否异常判断待确定违章车辆在该地理位置后的行驶轨迹是否违章;
违章信息存储单元,用于当该车辆判断为发生违章时,获得该车辆的违章状态图像、违章驾驶者、确认所述违章驾驶者的图像、违章惩罚对象信息进行关联存储。
9.一种智能交通管理设备,其特征在于,包括:处理器和通信接口;
所述通信接口,与所述处理器耦合,所述处理器通过所述通信接口获取当前监测点的监控视频图像;
所述处理器,用于支持所述智能交通管理设备实现上述权利要求1至7任一项所述的智能交通管理方法。
10.根据权利要求9所述的设备,其特征在于,所述智能交通管理设备还包括:存储器,用于保存所述智能交通管理设备必要的计算机执行指令和数据;当所述智能交通管理设备运行时,所述处理器执行所述存储器存储的所述计算机执行指令,以使所述智能交通管理设备执行如权利要求1至7任一项所述的智能交通管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450498.1A CN113269042B (zh) | 2021-04-25 | 2021-04-25 | 基于行驶车辆违章识别的智能交通管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450498.1A CN113269042B (zh) | 2021-04-25 | 2021-04-25 | 基于行驶车辆违章识别的智能交通管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269042A true CN113269042A (zh) | 2021-08-17 |
CN113269042B CN113269042B (zh) | 2024-03-29 |
Family
ID=77229298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110450498.1A Active CN113269042B (zh) | 2021-04-25 | 2021-04-25 | 基于行驶车辆违章识别的智能交通管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269042B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114255588A (zh) * | 2021-11-29 | 2022-03-29 | 安徽百诚慧通科技有限公司 | 区域机动车违法停车预测方法、存储介质及设备 |
CN115114312A (zh) * | 2022-07-15 | 2022-09-27 | 北京百度网讯科技有限公司 | 地图数据更新方法、装置及电子设备 |
CN117494029A (zh) * | 2023-12-29 | 2024-02-02 | 苏州映赛智能科技有限公司 | 一种道路抛洒物事件识别方法及装置 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012081963A1 (en) * | 2010-12-15 | 2012-06-21 | Mimos Bhd. | System and method for traffic violation detection |
JP2013168016A (ja) * | 2012-02-15 | 2013-08-29 | Toyota Motor Corp | 走行車線認識装置 |
CN105528894A (zh) * | 2015-11-28 | 2016-04-27 | 浙江宇视科技有限公司 | 基于轨迹信息对监控前端设备进行运维检测的方法与装置 |
CN105761483A (zh) * | 2014-12-16 | 2016-07-13 | 高德软件有限公司 | 一种车辆数据处理方法及设备 |
KR20160092959A (ko) * | 2016-05-19 | 2016-08-05 | 윤종식 | 과속 및 신호위반에 의한 교차로 교통사고 예방 방법 및 그 시스템 |
CN205680290U (zh) * | 2016-06-01 | 2016-11-09 | 纪峥嵘 | 一种车辆行驶监测装置及*** |
CN106327863A (zh) * | 2015-07-06 | 2017-01-11 | 北京文安智能技术股份有限公司 | 一种车辆拥堵检测预警方法、装置及*** |
CN106485927A (zh) * | 2016-10-28 | 2017-03-08 | 江苏信息职业技术学院 | 一种智能交通违章信息采集装置及采集方法 |
CN107038870A (zh) * | 2017-05-11 | 2017-08-11 | 南宁市正祥科技有限公司 | 一种车辆违章检测方法 |
CN108074400A (zh) * | 2016-11-14 | 2018-05-25 | 北京航天长峰科技工业集团有限公司 | 一种基于海量数据分析的重点车辆分析模型 |
US20180357484A1 (en) * | 2016-02-02 | 2018-12-13 | Sony Corporation | Video processing device and video processing method |
CN109087506A (zh) * | 2018-07-26 | 2018-12-25 | 东软集团股份有限公司 | 一种车辆监控方法及装置 |
CN110599353A (zh) * | 2018-06-13 | 2019-12-20 | 百度在线网络技术(北京)有限公司 | 一种车辆出险和赔付率预测方法、装置、设备及介质 |
CN110738857A (zh) * | 2018-07-18 | 2020-01-31 | 杭州海康威视数字技术股份有限公司 | 一种车辆违章取证方法、装置及设备 |
CN111259767A (zh) * | 2020-01-13 | 2020-06-09 | 厦门大学 | 基于交通数据及街景数据的交通违法行为识别方法和*** |
CN111627217A (zh) * | 2020-05-29 | 2020-09-04 | 济南博观智能科技有限公司 | 一种车辆违章掉头的判定方法、装置、设备及存储介质 |
CN111680633A (zh) * | 2020-06-10 | 2020-09-18 | 上海眼控科技股份有限公司 | 车辆违章识别方法、装置、计算机设备及存储介质 |
CN112185115A (zh) * | 2020-09-29 | 2021-01-05 | 南通智大信息技术有限公司 | 一种基于云平台的车速控制方法及装置 |
US20210024082A1 (en) * | 2019-07-23 | 2021-01-28 | Toyota Jidosha Kabushiki Kaisha | Traffic signal interpretation system and vehicle control system |
-
2021
- 2021-04-25 CN CN202110450498.1A patent/CN113269042B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012081963A1 (en) * | 2010-12-15 | 2012-06-21 | Mimos Bhd. | System and method for traffic violation detection |
JP2013168016A (ja) * | 2012-02-15 | 2013-08-29 | Toyota Motor Corp | 走行車線認識装置 |
CN105761483A (zh) * | 2014-12-16 | 2016-07-13 | 高德软件有限公司 | 一种车辆数据处理方法及设备 |
CN106327863A (zh) * | 2015-07-06 | 2017-01-11 | 北京文安智能技术股份有限公司 | 一种车辆拥堵检测预警方法、装置及*** |
CN105528894A (zh) * | 2015-11-28 | 2016-04-27 | 浙江宇视科技有限公司 | 基于轨迹信息对监控前端设备进行运维检测的方法与装置 |
US20180357484A1 (en) * | 2016-02-02 | 2018-12-13 | Sony Corporation | Video processing device and video processing method |
KR20160092959A (ko) * | 2016-05-19 | 2016-08-05 | 윤종식 | 과속 및 신호위반에 의한 교차로 교통사고 예방 방법 및 그 시스템 |
CN205680290U (zh) * | 2016-06-01 | 2016-11-09 | 纪峥嵘 | 一种车辆行驶监测装置及*** |
CN106485927A (zh) * | 2016-10-28 | 2017-03-08 | 江苏信息职业技术学院 | 一种智能交通违章信息采集装置及采集方法 |
CN108074400A (zh) * | 2016-11-14 | 2018-05-25 | 北京航天长峰科技工业集团有限公司 | 一种基于海量数据分析的重点车辆分析模型 |
CN107038870A (zh) * | 2017-05-11 | 2017-08-11 | 南宁市正祥科技有限公司 | 一种车辆违章检测方法 |
CN110599353A (zh) * | 2018-06-13 | 2019-12-20 | 百度在线网络技术(北京)有限公司 | 一种车辆出险和赔付率预测方法、装置、设备及介质 |
CN110738857A (zh) * | 2018-07-18 | 2020-01-31 | 杭州海康威视数字技术股份有限公司 | 一种车辆违章取证方法、装置及设备 |
CN109087506A (zh) * | 2018-07-26 | 2018-12-25 | 东软集团股份有限公司 | 一种车辆监控方法及装置 |
US20210024082A1 (en) * | 2019-07-23 | 2021-01-28 | Toyota Jidosha Kabushiki Kaisha | Traffic signal interpretation system and vehicle control system |
CN111259767A (zh) * | 2020-01-13 | 2020-06-09 | 厦门大学 | 基于交通数据及街景数据的交通违法行为识别方法和*** |
CN111627217A (zh) * | 2020-05-29 | 2020-09-04 | 济南博观智能科技有限公司 | 一种车辆违章掉头的判定方法、装置、设备及存储介质 |
CN111680633A (zh) * | 2020-06-10 | 2020-09-18 | 上海眼控科技股份有限公司 | 车辆违章识别方法、装置、计算机设备及存储介质 |
CN112185115A (zh) * | 2020-09-29 | 2021-01-05 | 南通智大信息技术有限公司 | 一种基于云平台的车速控制方法及装置 |
Non-Patent Citations (2)
Title |
---|
ZHIHAN JIANG ET AL.: "iTV: Inferring Traffic Violation-Prone Locations With Vehicle Trajectories and Road Environment Data", 《ARXIV.ORG》, pages 1 - 12 * |
张宁等: "基于OGS-DTW算法的交通事件自动检测方法", 《公路交通科技》, vol. 27, no. 8, pages 103 - 108 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114255588A (zh) * | 2021-11-29 | 2022-03-29 | 安徽百诚慧通科技有限公司 | 区域机动车违法停车预测方法、存储介质及设备 |
CN115114312A (zh) * | 2022-07-15 | 2022-09-27 | 北京百度网讯科技有限公司 | 地图数据更新方法、装置及电子设备 |
CN117494029A (zh) * | 2023-12-29 | 2024-02-02 | 苏州映赛智能科技有限公司 | 一种道路抛洒物事件识别方法及装置 |
CN117494029B (zh) * | 2023-12-29 | 2024-04-19 | 苏州映赛智能科技有限公司 | 一种道路抛洒物事件识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113269042B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及*** | |
US20140355839A1 (en) | Mobile pothole detection system and method | |
US10163038B2 (en) | Error detection in recognition data | |
CN111832492B (zh) | 静态交通异常的判别方法、装置、计算机设备及存储介质 | |
CN112541372B (zh) | 一种困难样本筛选方法及装置 | |
EP4020428A1 (en) | Method and apparatus for recognizing lane, and computing device | |
CN112529109A (zh) | 一种基于无监督多模型的异常检测方法及*** | |
CN110443319B (zh) | 一种轨迹去重方法、装置及存储介质 | |
CN112447060A (zh) | 识别车道的方法、装置及计算设备 | |
CN111967451B (zh) | 一种道路拥堵检测方法及装置 | |
CN115841765B (zh) | 车辆位置盲区监控方法、装置、电子设备及可读存储介质 | |
CN116563809A (zh) | 一种道路病害识别方法、装置、电子设备及存储介质 | |
CN116432095A (zh) | 道路病害预测方法、装置、电子设备及存储介质 | |
CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及*** | |
CN112927498B (zh) | 一种基于智慧交通监控的数据分析方法及装置 | |
CN113051307A (zh) | 告警信号的分析方法、设备、存储介质及装置 | |
CN114407918B (zh) | 接管场景分析方法、装置、设备及存储介质 | |
CN112926823B (zh) | 一种智慧交通业务数据检测方法、装置及电子设备 | |
CN116503695B (zh) | 目标检测模型的训练方法、目标检测方法及设备 | |
CN116071542A (zh) | 基于视觉的高速公路抛撒物检测方法、装置及存储介质 | |
WO2024139287A1 (zh) | 道路病害预测方法、装置、电子设备及存储介质 | |
CN115908359A (zh) | 车辆雨刮喷水状态检测方法、装置、设备及介质 | |
CN117671308A (zh) | 自动驾驶的测试场景构建方法、装置、电子设备及介质 | |
CN116228810A (zh) | 单行区域的目标跟踪方法、装置、设备及介质 | |
CN116824847A (zh) | 一种对高速道路交通流参数的处理方法和装置 |
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 |