CN116052440B - 一种车辆意图加塞行为识别方法、装置、设备及存储介质 - Google Patents
一种车辆意图加塞行为识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116052440B CN116052440B CN202310054998.2A CN202310054998A CN116052440B CN 116052440 B CN116052440 B CN 116052440B CN 202310054998 A CN202310054998 A CN 202310054998A CN 116052440 B CN116052440 B CN 116052440B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- line
- image
- identification
- 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 41
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000003825 pressing Methods 0.000 claims description 81
- 230000006399 behavior Effects 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 43
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 27
- 238000003708 edge detection Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 4
- 238000004321 preservation Methods 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 abstract description 7
- 239000002699 waste material Substances 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 17
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 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
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆意图加塞行为识别方法、装置、设备及存储介质,涉及交通管制技术领域。所述方法是先根据由道路监控摄像头实时采集的现场视频数据,实时识别得到车辆识别结果和车道线识别结果,然后针对识别出的各个车辆,根据所述车道线识别结果实时识别是否压线,再然后针对各个压线车辆,实时根据对应的车辆图像估计得到对应的车身方向以及待驶入车道,最后在根据所述车辆识别结果判定对应的车体标记框与在对应的待驶入车道上的前后两车辆的车体标记框均相交时,确定对应车辆存在意图加塞行为,并留存对应的车辆意图加塞判定证据,如此可以自主抓住车辆意图加塞行为识别以及证据留存时机,避免存在费时费力和识别标准难以统一的问题。
Description
技术领域
本发明属于交通管制技术领域,具体涉及一种车辆意图加塞行为识别方法、装置、设备及存储介质。
背景技术
随着人们生活水平的日益提高及科技的不断进步,汽车逐步成为人们外出的一种代步工具,随之而来的交通违章行为日益增多。加塞行为主要是指驾驶机动车遇前方机动车停车排队或者缓慢行驶时,借道超车或者占用对面车道、穿插等候车辆。由于车辆随意“加塞”极易引发交通事故,因此车辆意图加塞行为是一种典型的违章驾驶行为,并配置有相应的处罚条例。
目前,现有的车辆意图加塞识别手段主要是基于由道路监控摄像头保存的视频数据进行人工分析,明显存在费时费力和识别标准因人为因素而难以统一的问题,同时由于这种数据分析时机多是在交通事故发生后进行,还存在行为识别、证据留存以及违章处理时机严重滞后的问题,不利于及时采取措施阻止意图加塞行为。因此,如何在交通监控过程中自动识别车辆意图加塞行为并留存证据,以便统一识别标准和减轻交通管制工作量,是本领域技术人员亟需研究的课题。
发明内容
本发明的目的是提供一种车辆意图加塞行为识别方法、装置、计算机设备及计算机可读存储介质,用以解决现有车辆意图加塞识别手段所存在费时费力、识别标准因人为因素而难以统一和行为识别以及证据留存时机严重滞后的问题。
为了实现上述目的,本发明采用以下技术方案:
第一方面,提供了一种车辆意图加塞行为识别方法,包括:
获取由道路监控摄像头实时采集的现场视频数据;
采用目标检测算法对所述现场视频数据进行车辆识别实时处理,得到车辆识别结果,其中,所述车辆识别结果包含有识别出的至少一个车辆以及所述至少一个车辆中各个车辆的车体标记框;
采用车道线识别算法对所述现场视频数据进行车道线识别实时处理,得到车道线识别结果;
针对所述至少一个车辆中的各个车辆,实时根据所述车道线识别结果判断对应车辆是否压线,若是,则根据对应的车体标记框,从所述现场视频数据中截取出对应的车辆图像;
针对所述至少一个车辆中的各个压线车辆,实时根据对应的车辆图像估计得到对应的车身方向,并基于该车身方向确定对应的待驶入车道;
针对所述各个压线车辆,根据所述车辆识别结果判断对应的车体标记框是否与在对应的待驶入车道上的前后两车辆的车体标记框均相交,若是,则确定对应车辆存在意图加塞行为,并留存对应的车辆意图加塞判定证据。
基于上述发明内容,提供了一种在交通监控过程中自动识别车辆意图加塞行为并留存证据的数据处理方案,即先根据由道路监控摄像头实时采集的现场视频数据,实时识别得到车辆识别结果和车道线识别结果,然后针对识别出的各个车辆,根据所述车道线识别结果实时识别是否压线,再然后针对各个压线车辆,实时根据对应的车辆图像估计得到对应的车身方向以及待驶入车道,最后在根据所述车辆识别结果判定对应的车体标记框与在对应的待驶入车道上的前后两车辆的车体标记框均相交时,确定对应车辆存在意图加塞行为,并留存对应的车辆意图加塞判定证据,如此可以自主抓住车辆意图加塞行为识别以及证据留存时机,进而可利于及时采取措施阻止加塞行为,同时还可避免存在费时费力和识别标准因人为因素而难以统一的问题,便于实际应用和推广。
在一个可能的设计中,采用目标检测算法对所述现场视频数据进行车辆识别实时处理,得到车辆识别结果,包括:
将所述现场视频数据中的现场视频图像实时导入基于YOLO v4目标检测算法的且已预先完成训练的车辆识别模型,得到车辆识别结果,其中,所述车辆识别结果包含有识别出的至少一个车辆以及所述至少一个车辆中各个车辆的车体标记框。
在一个可能的设计中,采用车道线识别算法对所述现场视频数据进行车道线识别实时处理,得到车道线识别结果,包括:
将所述现场视频数据中的现场视频图像实时变换为灰度图像;
对所述灰度图像进行高斯滤波实时处理,得到去噪图像;
对所述去噪图像进行边缘检测实时处理,得到包含有边缘像素点的边缘检测结果图像,其中,所述边缘像素点用于作为车道线像素点;
根据预设的感兴趣区域,对所述边缘检测结果图像进行掩模实时处理,得到仅在所述感兴趣区域内包含有边缘像素点的新边缘检测结果图像;
对所述新边缘检测结果图像进行霍夫变换实时处理,得到用于构成车道线的至少一个直线段;
根据所述至少一个直线段的斜率平均值和截距平均值,实时拟合得到连续的车道线;
将所述车道线实时加载到所述现场视频图像中,得到车道线识别结果。
在一个可能的设计中,针对所述至少一个车辆中的各个车辆,实时根据所述车道线识别结果判断对应车辆是否压线,包括:
针对所述至少一个车辆中的各个车辆,实时根据对应的车体标记框确定对应的框内对角线段;
针对所述各个车辆,实时根据所述车道线识别结果判断识别出的车道线是否与对应的框内对角线段相交,若是,则判定对应车辆压线,否则判定对应车辆不压线。
在一个可能的设计中,针对所述至少一个车辆中的各个压线车辆,实时根据对应的车辆图像估计得到对应的车身方向,包括:
针对所述至少一个车辆中的各个压线车辆,将对应的车辆图像导入基于MaskR-CNN架构的且已预先完成训练的车身方向估计模型,输出得到对应车辆的车身方向属于在多个扇形分区中各个扇形分区的概率,其中,所述多个扇形分区是指将环向360度离散化的所有非重叠扇形区域;
针对所述各个压线车辆,按照如下公式计算得到对应的车身方向角R:
式中,K表示所述多个扇形分区的分区总数,k表示小于等于K的正整数,wk表示压线车辆的车身方向属于在所述多个扇形分区中第k个扇形分区的概率,θloc,k表示所述第k个扇形分区的角度范围,median()表示取中位数函数。
在一个可能的设计中,针对所述至少一个车辆中的某个压线车辆,留存对应的车辆意图加塞判定证据,包括:
采用车牌号识别算法从所述某个压线车辆的车辆图像识别出所述某个压线车辆的车牌号码;
将所述某个压线车辆的车牌号码和在目标时段内采集的现场视频数据作为所述某个压线车辆的车辆意图加塞判定证据,并向违章驾驶举报平台发送携带有所述车辆意图加塞判定证据的违章驾驶举报消息,以便在所述违章驾驶举报平台进行证据留存,其中,所述目标时段包括有所述某个压线车辆的压线时段/和位于所述压线时段之后的定长相邻时段。
在一个可能的设计中,采用车牌号识别算法从所述某个压线车辆的车辆图像识别出所述某个压线车辆的车牌号码,包括:
对所述某个压线车辆的车辆图像进行车牌矩形轮廓检测处理,得到车牌标记框;
根据所述车牌标记框,从所述某个压线车辆的车辆图像中截取出车牌图像;
采用字符识别包pytesseract对所述车牌图像进行字符识别处理,得到字符串,并将所述字符串作为所述某个压线车辆的车牌号码。
第二方面,提供了一种车辆意图加塞行为识别装置,包括有数据获取模块、车辆识别模块、车道线识别模块、压线判断模块、车道确定模块和行为确认模块;
所述数据获取模块,用于获取由道路监控摄像头实时采集的现场视频数据;
所述车辆识别模块,通信连接所述数据获取模块,用于采用目标检测算法对所述现场视频数据进行车辆识别实时处理,得到车辆识别结果,其中,所述车辆识别结果包含有识别出的至少一个车辆以及所述至少一个车辆中各个车辆的车体标记框;
所述车道线识别模块,通信连接所述数据获取模块,用于采用车道线识别算法对所述现场视频数据进行车道线识别实时处理,得到车道线识别结果;
所述压线判断模块,分别通信连接所述车辆识别模块和所述车道线识别模块,用于针对所述至少一个车辆中的各个车辆,实时根据所述车道线识别结果判断对应车辆是否压线,若是,则根据对应的车体标记框,从所述现场视频数据中截取出对应的车辆图像;
所述车道确定模块,通信连接所述压线判断模块,用于针对所述至少一个车辆中的各个压线车辆,实时根据对应的车辆图像估计得到对应的车身方向,并基于该车身方向确定对应的待驶入车道;
所述行为确认模块,分别通信连接所述车道确定模块和所述车辆识别模块,用于针对所述各个压线车辆,根据所述车辆识别结果判断对应的车体标记框是否与在对应的待驶入车道上的前后两车辆的车体标记框均相交,若是,则确定对应车辆存在意图加塞行为,并留存对应的车辆意图加塞判定证据。
第三方面,本发明提供了一种计算机设备,包括有依次通信连接的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方面中任意可能设计所述的车辆意图加塞行为识别方法。
第四方面,本发明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上存储有指令,当所述指令在计算机上运行时,执行如第一方面或第一方面中任意可能设计所述的车辆意图加塞行为识别方法。
第五方面,本发明提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面或第一方面中任意可能设计所述的车辆意图加塞行为识别方法。
上述方案的有益效果:
(1)本发明创造性提供了一种在交通监控过程中自动识别车辆意图加塞行为并留存证据的数据处理方案,即先根据由道路监控摄像头实时采集的现场视频数据,实时识别得到车辆识别结果和车道线识别结果,然后针对识别出的各个车辆,根据所述车道线识别结果实时识别是否压线,再然后针对各个压线车辆,实时根据对应的车辆图像估计得到对应的车身方向以及待驶入车道,最后在根据所述车辆识别结果判定对应的车体标记框与在对应的待驶入车道上的前后两车辆的车体标记框均相交时,确定对应车辆存在意图加塞行为,并留存对应的车辆意图加塞判定证据,如此可以自主抓住车辆意图加塞行为识别以及证据留存时机,进而可利于及时采取措施阻止加塞行为,同时还可避免存在费时费力和识别标准因人为因素而难以统一的问题;
(2)还可获取有力的且含有丰富信息的车辆意图加塞判定证据,确保证据的可用性,便于实际应用和推广。
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为本申请实施例提供的车辆意图加塞行为识别方法的流程示意图。
图2为本申请实施例提供的现场视频图像与感兴趣区域的位置关系示例图。
图3为本申请实施例提供的车辆意图加塞行为识别结果的示例图。
图4为本申请实施例提供的车辆意图加塞行为识别装置的结构示意图。
图5为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
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,下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍,显而易见地,下面关于附图结构的描述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。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
应当理解,尽管本文可能使用术语第一和第二等等来描述各种对象,但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A、单独存在B或者同时存在A和B等三种情况;又例如,A、B和/或C,可以表示存在A、B和C中的任意一种或他们的任意组合;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A或者同时存在A和B等两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
实施例:
如图1所示,本实施例第一方面提供的所述车辆意图加塞行为识别方法,可以但不限于由具有一定计算资源的且通信连接道路监控摄像头的计算机设备执行,例如由路侧边缘设备、平台服务器、个人计算机(Personal Computer,PC,指一种大小、价格和性能适用于个人使用的多用途计算机;台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机)、智能手机、个人数字助理(Personal Digital Assistant,PDA)或可穿戴设备等电子设备执行。如图1所示,所述车辆意图加塞行为识别方法,可以但不限于包括有如下步骤S1~S6。
S1.获取由道路监控摄像头实时采集的现场视频数据。
在所述步骤S1中,所述道路监控摄像头是一种现有常用的交通监控摄像头,主要用于抓怕逆行、变道压实线和违规停车等行为;其一般布置在马路的一侧或者是主路、辅路相互进出道路的一侧;此摄像头通常为白色长方体状,一般安装在路边的倒“L”型白色交通杆上。所述道路监控摄像头的镜头视野会涵盖目标道路区域,用于实时采集所述目标道路区域的视频帧图像,得到包含有若干连续视频帧图像的现场视频数据。此外,所述道路监控摄像头可以通过常规方式将采集得到的数据传输至本地设备。
S2.采用目标检测算法对所述现场视频数据进行车辆识别实时处理,得到车辆识别结果,其中,所述车辆识别结果包含有识别出的至少一个车辆以及所述至少一个车辆中各个车辆的车体标记框。
在所述步骤S2中,所述目标检测算法是一种用于在图片中将里面的物体识别出来且标记出物***置的现有人工智能识别算法,具体可以但不限于采用Faster R-CNN(Faster Regions with Convolutional Neural Networks features,由何凯明等在2015年提出目标检测算法,该算法在2015年的ILSVRV和COCO竞赛中获得多项第一)目标检测算法、SSD(Single Shot MultiBox Detector,单镜头多盒检测器,是Wei Liu在ECCV 2016上提出的一种目标检测算法,是目前流行的主要检测框架之一)目标检测算法或YOLO(Youonly look once,目前最新已经发展到V4版本,在业界的应用也很广泛,其基本原理是:首先对输入图像划分成7x7的网格,对每个网格预测2个边框,然后根据阈值去除可能性比较低的目标窗口,最后再使用边框合并的方式去除冗余窗口,得出检测结果)目标检测算法等,因此可以基于所述目标检测算法来进行车辆识别实时处理,得到所述车辆识别结果。
具体的,采用目标检测算法对所述现场视频数据进行车辆识别实时处理,得到车辆识别结果,包括但不限于有:将所述现场视频数据中的现场视频图像实时导入基于YOLOv4目标检测算法的且已预先完成训练的车辆识别模型,得到车辆识别结果,其中,所述车辆识别结果包含有识别出的至少一个车辆以及所述至少一个车辆中各个车辆的车体标记框。所述YOLO v4目标检测算法的具体模型结构由三部分组成,分别是骨干网络backbone、颈部网络neck和头部网络head。所述骨干网络Backbone可采用CSPDarknet53(CSP表示CrossStage Partial)网络,用于提取特征。所述颈部网络neck由SPP(Spatial Pyramid Poolingblock)块和PANet(Path Aggregation Network)网络组成,前者用于增加感受野以及分离出最重要的特征,后者用于保证同时从高级别层接受语义特征和从横向骨干网络的低级别层接收细粒度的特征。所述头部网络head是基于锚框进行检测,并对三种不同尺寸的特征图13x13、26x26和52x52进行检测,分别用于检测从大到小的目标(在这里,尺寸大的特征图包含到信息更加丰富,因此,52x52尺寸的特征图用于检测小目标,反之亦然)。前述的车辆识别模型可通过常规的样本训练方式训练得到,以便在输入测试图像后,可以输出有无车辆的识别结果以及它们的置信度预测值等信息。
S3.采用车道线识别算法对所述现场视频数据进行车道线识别实时处理,得到车道线识别结果。
在所述步骤S3中,由于车辆意图加塞行为是发生在被加塞车辆所处车道内的违章驾驶行为,因此需要通过车道线的识别结果来监视所处车道内的具体情况。具体的,采用车道线识别算法对所述现场视频数据进行车道线识别实时处理,得到车道线识别结果,包括但不限于有如下步骤S31~S37。
S31.将所述现场视频数据中的现场视频图像实时变换为灰度图像。
在所述步骤S31中,具体可以但不限于使用跨平台计算机视觉库Opencv中的cvtColor函数来直接将为红绿黄RGB格式的所述现场视频图像实时转换成所述灰度图像。前述cvtColor函数有三个接口参数,分别是:输入图像、输出图像和格式转化类别。
S32.对所述灰度图像进行高斯滤波实时处理,得到去噪图像。
在所述步骤S32中,高斯滤波,也叫高斯模糊,具体可以但不限于使用所述跨平台计算机视觉库Opencv中的GaussianBlur函数来对所述灰度图像进行高斯滤波实时处理,以便剔除原图像中的一些噪点(如果不使用高斯滤波,后续直接处理原图,图中一些无关紧要的特征就无法避开,影响后面的处理;相反在通过高斯模糊之后,一些不那么清晰的噪点就会被删除掉)。前述GaussianBlur函数的五个接口参数分别为:输入图像、输出图像、高斯内核、高斯内核在X方向的标准偏差和高斯内核在Y方向上的标准偏差,其中,高斯内核是由宽度width和高度height两个维度构成,这两个维度可以使用不同的值,但是必须是正奇数或者为0,而高斯内核分别在X和Y两个方向上的标准偏差,通常设置为0。
S33.对所述去噪图像进行边缘检测实时处理,得到包含有边缘像素点的边缘检测结果图像,其中,所述边缘像素点用于作为车道线像素点。
在所述步骤S33中,由于车道线与路面存在明显的边界特征,因此可以将检测出的边缘像素点作为车道线像素点。具体可以但不限于使用所述跨平台计算机视觉库Opencv中的Canny函数来对所述去噪图像进行边缘检测实时处理。前述Canny函数共有5个接口参数,分别为:输入图像、输出图像、阈值1、阈值2和sobel算子的孔径参数,其中,所述阈值1和所述阈值2用于作为判断各个像素点是否为边缘像素点的依据:即低于所述阈值1的像素点会被认为不是边缘像素点,高于所述阈值2的像素点会被认为是边缘像素点,而对于在所述阈值1与所述阈值2之间的像素点,如果与高于所述阈值2的像素点相邻,则认为也是边缘像素点,否则认为不是边缘像素点。此外,所述soble算子的孔径参数,一般默认为3,即表示为一个3*3的矩阵。
S34.根据预设的感兴趣区域,对所述边缘检测结果图像进行掩模实时处理,得到仅在所述感兴趣区域内包含有边缘像素点的新边缘检测结果图像。
在所述步骤S34中,考虑通过边缘检测得到的所述边缘检测结果图像会包含有很多环境信息,而这些环境信息是不感兴趣的,因此需要掩模提取所想得到的信息。如图2所示,考虑车道线一般位于图像下方的一个梯形区域,因此可预先手动设定4个点,组成梯形区域的四个角点,以便由这四个角点限定所述感兴趣区域;具体可以但不限于使用所述跨平台计算机视觉库Opencv中的fillConvexPoly函数来画出所述梯形区域。前述fillConvexPoly函数共有4个接口参数:空图(大小与原图一致)、角点信息、多边形的边数和线条颜色。在得到所述感兴趣区域后,可将其作为梯形掩模区域与所述边缘检测结果图像进行bitwise_and操作,得到只在所述感兴趣区域内的边缘检测结果,如图2所示,可以看出只有车道线信息。前述bitwise_and操作是将两张图像做“与”运算的现有操作,其相应函数共有3个接口参数,分别是:掩模图(其包含有所述感兴趣区域)、原图(即所述边缘检测结果图像)和输出图。此外,需要注意的是,前述三张图的大小和颜色通道数量需一致。
S35.对所述新边缘检测结果图像进行霍夫变换实时处理,得到用于构成车道线的至少一个直线段。
在所述步骤S35中,由于所述新边缘检测结果图像中的边缘像素点依然是一个个独立的像素点,没有连成线,因此需要通过霍夫变换基于前述这些边缘像素点找到图中的直线段。所述霍夫变换有3种现有方式:标准霍夫变换、多尺度霍夫变换和累计概率霍夫变换,其中,前两种使用HoughLines函数,最后一种使用HoughLinesP函数实现。由于所述累计霍夫变换的执行效率更高,所以一般更多的倾向使用所述累计概率霍夫变换,即本实施例也采用所述累计概率霍夫变换。所述霍夫变换会将在迪卡尔坐标系下的线条转换到极坐标系下,即在迪卡尔坐标下通过一个点的所有直线的集合在极坐标系下是一条正弦曲线,而正弦曲线的交点,表示这些曲线代表的点在同一条直线上;所述霍夫变换就是通过找这些交点,确定哪些像素点是在同一条直线上。此外,若所述道路监控摄像头的镜头是朝正前方设置,还可以针对得到的直线段,通过其与图像纵向中心线的倾斜关系,确定哪些直线段是用于构成左侧车道线的左侧直线段,又有哪些直线段是用于构成右侧车道线的右侧直线段。
S36.根据所述至少一个直线段的斜率平均值和截距平均值,实时拟合得到连续的车道线。
在所述步骤S36中,考虑车道线是以虚线形式印刷在路面上,因此需要对霍夫变换得到的直线段进行拟合处理,得到连续的车道线。此外,前述的斜率和截距均为数学中的常用术语,因此可以通过常规的直线函数特点,基于多个直线段的斜率平均值和截距平均值,画出一个完整连续的直线。
S37.将所述车道线实时加载到所述现场视频图像中,得到车道线识别结果。
在所述步骤S37中,具体可以但不限于使用所述跨平台计算机视觉库Opencv中的addWeighted函数来将所述车道线实时加载到所述现场视频图像中。前述addWeighted函数共有6个接口参数,分别为:原图1(即包含有所述车道线的图像)、图1的透明度、原图2(即所述现场视频图像)、图2的透明度、加权值(一般设置为0)和输出图。
如此通过前述步骤S31~S37,可以完成对单张所述现场视频图像的车道线识别/检测任务。
S4.针对所述至少一个车辆中的各个车辆,实时根据所述车道线识别结果判断对应车辆是否压线,若是,则根据对应的车体标记框,从所述现场视频数据中截取出对应的车辆图像。
在所述步骤S4中,由于所述车道线识别结果包含有识别出的车道线,而意图加塞车辆在加塞时必然是越过车道线进入相邻的被加塞车道,因此可将是否有车辆压线情况作为是否有车辆意图加塞行为的前提条件。具体的,针对所述至少一个车辆中的各个车辆,实时根据所述车道线识别结果判断对应车辆是否压线,包括但不限于有如下步骤S41~S42。
S41.针对所述至少一个车辆中的各个车辆,实时根据对应的车体标记框确定对应的框内对角线段。
在所述步骤S41中,所述框内对角线段可以但不限于具体是由左上角点坐标(xmin,ymin)和右下角点坐标(xmax,ymax)确定的连接线段。
S42.针对所述各个车辆,实时根据所述车道线识别结果判断识别出的车道线是否与对应的框内对角线段相交,若是,则判定对应车辆压线,否则判定对应车辆不压线。
S5.针对所述至少一个车辆中的各个压线车辆,实时根据对应的车辆图像估计得到对应的车身方向,并基于该车身方向确定对应的待驶入车道。
在所述步骤S5中,具体的,针对所述至少一个车辆中的各个压线车辆,实时根据对应的车辆图像估计得到对应的车身方向,包括但不限于有如下步骤S51~S52。
S51.针对所述至少一个车辆中的各个压线车辆,将对应的车辆图像导入基于MaskR-CNN架构的且已预先完成训练的车身方向估计模型,输出得到对应车辆的车身方向属于在多个扇形分区中各个扇形分区的概率,其中,所述多个扇形分区是指将环向360度离散化的所有非重叠扇形区域。
在所述步骤S51中,所述MaskR-CNN架构是一个两阶段的现有网络框架,其中,第一个阶段用于扫描图像并生成提议(proposals,即有可能包含一个目标的区域),第二个阶段用于分类提议并生成边界框和掩码。详细的,所述MaskR-CNN架构包括了特征金字塔网络(Feature Pyramid Network,FPN)、区域选取网络(Region Proposal Network,RPN)和RoIAlign模块,其中,FPN主要解决的是物体检测中的多尺度问题,即通过简单的网络连接改变,在基本不增加原有模型计算量的情况下,大幅度提升小物体检测的性能,RPN用于在所提供的特征图的整个区域内生成一组具有固定纵横比的二维锚框,而RoIAlign模块会将每个由感兴趣区域框定的特征图转换为一个固定尺寸的网格,通过双线性插值法保证空间位置的准确性。所述多个扇形分区具体可以但不限于是指将环向360度均等离散化的72个非重叠扇形区域,即每个扇形分区的角度范围的上下限差距均为5度。此外,前述的车身方向估计模型可通过常规的样本训练方式训练得到,以便在输入车辆图像后,可以输出对应车辆的车身方向属于所述多个扇形分区的概率分布结果。
S52.针对所述各个压线车辆,按照如下公式计算得到对应的车身方向角R:
式中,K表示所述多个扇形分区的分区总数,k表示小于等于K的正整数,wk表示压线车辆的车身方向属于在所述多个扇形分区中第k个扇形分区的概率,θloc,k表示所述第k个扇形分区的角度范围,median()表示取中位数函数。
在所述步骤S52中,举例的,若所述第k个扇形分区的角度范围为35~40度,则median(θloc,k)的取值为37.5度。
在所述步骤S5中,具体的,基于车身方向确定待驶入车道的方式可以但不限于包括:针对分别位于被压车道线的左侧和右侧的两车道,可以将车身方向所指车道确定为所述待驶入车道,如图3所示。
S6.针对所述各个压线车辆,根据所述车辆识别结果判断对应的车体标记框是否与在对应的待驶入车道上的前后两车辆的车体标记框均相交,若是,则确定对应车辆存在意图加塞行为,并留存对应的车辆意图加塞判定证据。
在所述步骤S6中,如图3所示,由于压线车辆(即图3中的车辆A)的车体标记框与在该压线车辆的待驶入车道上的前后两车辆(即图3中的车辆B和车辆C)的车体标记框均相交,因此足以认定该压线车辆存在意图加塞行为,可留存该压线车辆的车辆意图加塞判定证据,以便作为后续的处罚依据。
由此基于前述步骤S1~S6所描述的车辆意图加塞行为识别方法,提供了一种在交通监控过程中自动识别车辆意图加塞行为并留存证据的数据处理方案,即先根据由道路监控摄像头实时采集的现场视频数据,实时识别得到车辆识别结果和车道线识别结果,然后针对识别出的各个车辆,根据所述车道线识别结果实时识别是否压线,再然后针对各个压线车辆,实时根据对应的车辆图像估计得到对应的车身方向以及待驶入车道,最后在根据所述车辆识别结果判定对应的车体标记框与在对应的待驶入车道上的前后两车辆的车体标记框均相交时,确定对应车辆存在意图加塞行为,并留存对应的车辆意图加塞判定证据,如此可以自主抓住车辆意图加塞行为识别以及证据留存时机,进而可利于及时采取措施阻止加塞行为,同时还可避免存在费时费力和识别标准因人为因素而难以统一的问题,便于实际应用和推广。
本实施例在前述第一方面的技术方案基础上,还提供了一种如何具体进行证据留存的可能设计一,即针对所述至少一个车辆中的某个压线车辆,留存对应的车辆意图加塞判定证据,包括但不限于有如下步骤S61~S62。
S61.采用车牌号识别算法从所述某个压线车辆的车辆图像识别出所述某个压线车辆的车牌号码。
在所述步骤S61中,具体包括但不限于有如下步骤S611~S613:S611.对所述某个压线车辆的车辆图像进行车牌矩形轮廓检测处理,得到车牌标记框;S612.根据所述车牌标记框,从所述某个压线车辆的车辆图像中截取出车牌图像;S613.采用字符识别包pytesseract对所述车牌图像进行字符识别处理,得到字符串,并将所述字符串作为所述某个压线车辆的车牌号码。在前述步骤S611中,具体可以但不限于使用所述跨平台计算机视觉库Opencv中的矩形轮廓检测函数来寻找所述车牌标记框,并可以结合已知的车牌确切尺寸、颜色和大致位置等信息,来提高检测准确性。此外,所述字符识别包pytesseract是一种现有的OCR(Optical Character Recognition,光学字符识别)工具。
S62.将所述某个压线车辆的车牌号码和在目标时段内采集的现场视频数据作为所述某个压线车辆的车辆意图加塞判定证据,并向违章驾驶举报平台发送携带有所述车辆意图加塞判定证据的违章驾驶举报消息,以便在所述违章驾驶举报平台进行证据留存,其中,所述目标时段包括有所述某个压线车辆的压线时段/和位于所述压线时段之后的定长相邻时段。
在所述步骤S62中,举例的,所述压线时段为11点12分00秒至11点12分30秒,还可以将11点12分30秒至11点14分30秒的定长相邻时段(即定长时间为2分钟)也作为所述目标时段的部分,即所述目标时段为11点12分00秒至11点14分30秒。
由此基于前述可能设计一,还可获取有力的且含有丰富信息的车辆意图加塞判定证据,确保证据的可用性。
如图4所示,本实施例第二方面提供了一种实现第一方面或可能设计一所述的车辆意图加塞行为识别方法的虚拟装置,包括有数据获取模块、车辆识别模块、车道线识别模块、压线判断模块、车道确定模块和行为确认模块;
所述数据获取模块,用于获取由道路监控摄像头实时采集的现场视频数据;
所述车辆识别模块,通信连接所述数据获取模块,用于采用目标检测算法对所述现场视频数据进行车辆识别实时处理,得到车辆识别结果,其中,所述车辆识别结果包含有识别出的至少一个车辆以及所述至少一个车辆中各个车辆的车体标记框;
所述车道线识别模块,通信连接所述数据获取模块,用于采用车道线识别算法对所述现场视频数据进行车道线识别实时处理,得到车道线识别结果;
所述压线判断模块,分别通信连接所述车辆识别模块和所述车道线识别模块,用于针对所述至少一个车辆中的各个车辆,实时根据所述车道线识别结果判断对应车辆是否压线,若是,则根据对应的车体标记框,从所述现场视频数据中截取出对应的车辆图像;
所述车道确定模块,通信连接所述压线判断模块,用于针对所述至少一个车辆中的各个压线车辆,实时根据对应的车辆图像估计得到对应的车身方向,并基于该车身方向确定对应的待驶入车道;
所述行为确认模块,分别通信连接所述车道确定模块和所述车辆识别模块,用于针对所述各个压线车辆,根据所述车辆识别结果判断对应的车体标记框是否与在对应的待驶入车道上的前后两车辆的车体标记框均相交,若是,则确定对应车辆存在意图加塞行为,并留存对应的车辆意图加塞判定证据。
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果,可以参见第一方面或可能设计一所述的车辆意图加塞行为识别方法,于此不再赘述。
如图5所示,本实施例第三方面提供了一种执行如第一方面或可能设计一所述的车辆意图加塞行为识别方法的计算机设备,包括有依次通信连接的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或可能设计一所述的车辆意图加塞行为识别方法。具体举例的,所述存储器可以但不限于包括随机存取存储器(Random-Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、闪存(Flash Memory)、先进先出存储器(FirstInput First Output,FIFO)和/或先进后出存储器(First Input Last Output,FILO)等等;所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外,所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果,可以参见第一方面或可能设计一所述的车辆意图加塞行为识别方法,于此不再赘述。
本实施例第四方面提供了一种存储包含如第一方面或可能设计一所述的车辆意图加塞行为识别方法的指令的计算机可读存储介质,即所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面或可能设计一所述的车辆意图加塞行为识别方法。其中,所述计算机可读存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质,所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果,可以参见如第一方面或可能设计一所述的车辆意图加塞行为识别方法,于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面或可能设计一所述的车辆意图加塞行为识别方法。其中,所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。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,均应包含在本发明的保护范围之内。
Claims (9)
1.一种车辆意图加塞行为识别方法,其特征在于,包括:
获取由道路监控摄像头实时采集的现场视频数据;
采用目标检测算法对所述现场视频数据进行车辆识别实时处理,得到车辆识别结果,其中,所述车辆识别结果包含有识别出的至少一个车辆以及所述至少一个车辆中各个车辆的车体标记框;
采用车道线识别算法对所述现场视频数据进行车道线识别实时处理,得到车道线识别结果;
针对所述至少一个车辆中的各个车辆,实时根据所述车道线识别结果判断对应车辆是否压线,若是,则根据对应的车体标记框,从所述现场视频数据中截取出对应的车辆图像;
针对所述至少一个车辆中的各个压线车辆,实时根据对应的车辆图像估计得到对应的车身方向,并基于该车身方向确定对应的待驶入车道,具体包括:先针对所述至少一个车辆中的各个压线车辆,将对应的车辆图像导入基于MaskR-CNN架构的且已预先完成训练的车身方向估计模型,输出得到对应车辆的车身方向属于在多个扇形分区中各个扇形分区的概率,其中,所述多个扇形分区是指将环向360度离散化的所有非重叠扇形区域;然后针对所述各个压线车辆,按照如下公式计算得到对应的车身方向角R:
式中,K表示所述多个扇形分区的分区总数,k表示小于等于K的正整数,wk表示压线车辆的车身方向属于在所述多个扇形分区中第k个扇形分区的概率,θloc,k表示所述第k个扇形分区的角度范围,median()表示取中位数函数;最后针对分别位于被压车道线的左侧和右侧的两车道,将车身方向所指车道确定为所述待驶入车道;
针对所述各个压线车辆,根据所述车辆识别结果判断对应的车体标记框是否与在对应的待驶入车道上的前后两车辆的车体标记框均相交,若是,则确定对应车辆存在意图加塞行为,并留存对应的车辆意图加塞判定证据。
2.根据权利要求1所述的车辆意图加塞行为识别方法,其特征在于,采用目标检测算法对所述现场视频数据进行车辆识别实时处理,得到车辆识别结果,包括:
将所述现场视频数据中的现场视频图像实时导入基于YOLO v4目标检测算法的且已预先完成训练的车辆识别模型,得到车辆识别结果,其中,所述车辆识别结果包含有识别出的至少一个车辆以及所述至少一个车辆中各个车辆的车体标记框。
3.根据权利要求1所述的车辆意图加塞行为识别方法,其特征在于,采用车道线识别算法对所述现场视频数据进行车道线识别实时处理,得到车道线识别结果,包括:
将所述现场视频数据中的现场视频图像实时变换为灰度图像;
对所述灰度图像进行高斯滤波实时处理,得到去噪图像;
对所述去噪图像进行边缘检测实时处理,得到包含有边缘像素点的边缘检测结果图像,其中,所述边缘像素点用于作为车道线像素点;
根据预设的感兴趣区域,对所述边缘检测结果图像进行掩模实时处理,得到仅在所述感兴趣区域内包含有边缘像素点的新边缘检测结果图像;
对所述新边缘检测结果图像进行霍夫变换实时处理,得到用于构成车道线的至少一个直线段;
根据所述至少一个直线段的斜率平均值和截距平均值,实时拟合得到连续的车道线;
将所述车道线实时加载到所述现场视频图像中,得到车道线识别结果。
4.根据权利要求1所述的车辆意图加塞行为识别方法,其特征在于,针对所述至少一个车辆中的各个车辆,实时根据所述车道线识别结果判断对应车辆是否压线,包括:
针对所述至少一个车辆中的各个车辆,实时根据对应的车体标记框确定对应的框内对角线段;
针对所述各个车辆,实时根据所述车道线识别结果判断识别出的车道线是否与对应的框内对角线段相交,若是,则判定对应车辆压线,否则判定对应车辆不压线。
5.根据权利要求1所述的车辆意图加塞行为识别方法,其特征在于,针对所述至少一个车辆中的某个压线车辆,留存对应的车辆意图加塞判定证据,包括:
采用车牌号识别算法从所述某个压线车辆的车辆图像识别出所述某个压线车辆的车牌号码;
将所述某个压线车辆的车牌号码和在目标时段内采集的现场视频数据作为所述某个压线车辆的车辆意图加塞判定证据,并向违章驾驶举报平台发送携带有所述车辆意图加塞判定证据的违章驾驶举报消息,以便在所述违章驾驶举报平台进行证据留存,其中,所述目标时段包括有所述某个压线车辆的压线时段/和位于所述压线时段之后的定长相邻时段。
6.根据权利要求5所述的车辆意图加塞行为识别方法,其特征在于,采用车牌号识别算法从所述某个压线车辆的车辆图像识别出所述某个压线车辆的车牌号码,包括:
对所述某个压线车辆的车辆图像进行车牌矩形轮廓检测处理,得到车牌标记框;
根据所述车牌标记框,从所述某个压线车辆的车辆图像中截取出车牌图像;
采用字符识别包pytesseract对所述车牌图像进行字符识别处理,得到字符串,并将所述字符串作为所述某个压线车辆的车牌号码。
7.一种车辆意图加塞行为识别装置,其特征在于,包括有数据获取模块、车辆识别模块、车道线识别模块、压线判断模块、车道确定模块和行为确认模块;
所述数据获取模块,用于获取由道路监控摄像头实时采集的现场视频数据;
所述车辆识别模块,通信连接所述数据获取模块,用于采用目标检测算法对所述现场视频数据进行车辆识别实时处理,得到车辆识别结果,其中,所述车辆识别结果包含有识别出的至少一个车辆以及所述至少一个车辆中各个车辆的车体标记框;
所述车道线识别模块,通信连接所述数据获取模块,用于采用车道线识别算法对所述现场视频数据进行车道线识别实时处理,得到车道线识别结果;
所述压线判断模块,分别通信连接所述车辆识别模块和所述车道线识别模块,用于针对所述至少一个车辆中的各个车辆,实时根据所述车道线识别结果判断对应车辆是否压线,若是,则根据对应的车体标记框,从所述现场视频数据中截取出对应的车辆图像;
所述车道确定模块,通信连接所述压线判断模块,用于针对所述至少一个车辆中的各个压线车辆,实时根据对应的车辆图像估计得到对应的车身方向,并基于该车身方向确定对应的待驶入车道,具体包括:先针对所述至少一个车辆中的各个压线车辆,将对应的车辆图像导入基于MaskR-CNN架构的且已预先完成训练的车身方向估计模型,输出得到对应车辆的车身方向属于在多个扇形分区中各个扇形分区的概率,其中,所述多个扇形分区是指将环向360度离散化的所有非重叠扇形区域;然后针对所述各个压线车辆,按照如下公式计算得到对应的车身方向角R:
式中,K表示所述多个扇形分区的分区总数,k表示小于等于K的正整数,wk表示压线车辆的车身方向属于在所述多个扇形分区中第k个扇形分区的概率,θloc,k表示所述第k个扇形分区的角度范围,median()表示取中位数函数;最后针对分别位于被压车道线的左侧和右侧的两车道,将车身方向所指车道确定为所述待驶入车道;
所述行为确认模块,分别通信连接所述车道确定模块和所述车辆识别模块,用于针对所述各个压线车辆,根据所述车辆识别结果判断对应的车体标记框是否与在对应的待驶入车道上的前后两车辆的车体标记框均相交,若是,则确定对应车辆存在意图加塞行为,并留存对应的车辆意图加塞判定证据。
8.一种计算机设备,其特征在于,包括有依次通信连接的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1~6中任意一项所述的车辆意图加塞行为识别方法。
9.一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上存储有指令,当所述指令在计算机上运行时,执行如权利要求1~6中任意一项所述的车辆意图加塞行为识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310054998.2A CN116052440B (zh) | 2023-02-03 | 2023-02-03 | 一种车辆意图加塞行为识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310054998.2A CN116052440B (zh) | 2023-02-03 | 2023-02-03 | 一种车辆意图加塞行为识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116052440A CN116052440A (zh) | 2023-05-02 |
CN116052440B true CN116052440B (zh) | 2024-02-02 |
Family
ID=86121635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310054998.2A Active CN116052440B (zh) | 2023-02-03 | 2023-02-03 | 一种车辆意图加塞行为识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116052440B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507874A (zh) * | 2020-12-10 | 2021-03-16 | 上海芯翌智能科技有限公司 | 一种用于检测机动车加塞行为的方法与设备 |
CN113743316A (zh) * | 2021-09-07 | 2021-12-03 | 北京建筑大学 | 基于目标检测的车辆加塞行为识别方法、***及装置 |
CN115359438A (zh) * | 2022-08-25 | 2022-11-18 | 京东方科技集团股份有限公司 | 一种基于计算机视觉的车辆加塞的检测方法、***和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106164930B (zh) * | 2014-04-04 | 2019-11-08 | 戴尔菲技术公司 | 车道检测方法和车辆 |
-
2023
- 2023-02-03 CN CN202310054998.2A patent/CN116052440B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507874A (zh) * | 2020-12-10 | 2021-03-16 | 上海芯翌智能科技有限公司 | 一种用于检测机动车加塞行为的方法与设备 |
CN113743316A (zh) * | 2021-09-07 | 2021-12-03 | 北京建筑大学 | 基于目标检测的车辆加塞行为识别方法、***及装置 |
CN115359438A (zh) * | 2022-08-25 | 2022-11-18 | 京东方科技集团股份有限公司 | 一种基于计算机视觉的车辆加塞的检测方法、***和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116052440A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021208275A1 (zh) | 一种交通视频背景建模方法及*** | |
US20200290608A1 (en) | Forward collision control method and apparatus, electronic device, program, and medium | |
CN104766071B (zh) | 一种应用于无人驾驶汽车的交通灯快速检测算法 | |
CN103400150B (zh) | 一种基于移动平台进行道路边缘识别的方法及装置 | |
CN109711407B (zh) | 一种车牌识别的方法及相关装置 | |
CN112528878A (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
EP4002268A1 (en) | Medical image processing method, image processing method, and device | |
US11676390B2 (en) | Machine-learning model, methods and systems for removal of unwanted people from photographs | |
CN111899515B (zh) | 一种基于智慧道路边缘计算网关的车辆检测*** | |
CN112330593A (zh) | 基于深度学习网络的建筑物表面裂缝检测方法 | |
CN103034983B (zh) | 一种基于各向异性滤波的去雾方法 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN112614136A (zh) | 一种红外小目标实时实例分割方法及装置 | |
Shaikh et al. | A novel approach for automatic number plate recognition | |
CN115063785B (zh) | 高速公路场景使用目标识别模型定位车牌的方法及装置 | |
Chang et al. | An efficient method for lane-mark extraction in complex conditions | |
CN116052090A (zh) | 图像质量评估方法、模型训练方法、装置、设备及介质 | |
CN111626241A (zh) | 一种人脸检测方法及装置 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
CN111126248A (zh) | 一种遮挡下的车辆识别方法及装置 | |
CN112446292B (zh) | 一种2d图像显著目标检测方法及*** | |
CN111179289B (zh) | 一种适用于网页长图宽图的图像分割方法 | |
CN116052440B (zh) | 一种车辆意图加塞行为识别方法、装置、设备及存储介质 | |
CN117132990A (zh) | 铁路车厢信息的识别方法、装置、电子设备及存储介质 | |
CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 |
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 |