CN117011787A - 应用于加油站的信息处理方法、装置和电子设备 - Google Patents
应用于加油站的信息处理方法、装置和电子设备 Download PDFInfo
- Publication number
- CN117011787A CN117011787A CN202310854531.6A CN202310854531A CN117011787A CN 117011787 A CN117011787 A CN 117011787A CN 202310854531 A CN202310854531 A CN 202310854531A CN 117011787 A CN117011787 A CN 117011787A
- Authority
- CN
- China
- Prior art keywords
- video
- vehicle
- information
- image
- target
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims description 25
- 230000004044 response Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 47
- 230000006870 function Effects 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了应用于加油站的信息处理方法、装置和电子设备。该方法的一具体实施方式包括:获取目标加油站对应的目标视频组;根据目标视频组,生成预处理后视频组;通过预先训练的车辆识别模型,对预处理后视频组中的预处理后视频进行并行车辆识别,以生成车辆识别信息集合;对于车辆识别信息集合中的每个车辆识别信息,根据车辆识别信息包括的车辆信息和图像编号序列,生成车辆行为信息;根据车辆识别信息集合和得到的车辆行为信息集合,生成针对目标加油站的加油站运行信息。该实施方式提高了加油站的运行安全性。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及应用于加油站的信息处理方法、装置和电子设备。
背景技术
加油站作为常见的能源供应设施,得以广泛分布。然而,由于加油站往往需要存储大量的油料,且油料遇到静电或火花极易发生燃烧,因此,往往需要对加油站内的车辆的数量以及加油车辆的行为进行监控。目前,在对加油站内的车辆的数量以及加油车辆的行为进行监控时,通常采用的方式为:通过人工的方式进行控制。
然而,发明人发现,当采用上述方式时,经常会存在如下技术问题:
第一,采用人工的方式,无法及时有效地对加油站内的车辆的数量以及加油车辆的行为进行监控,导致当出现危险时,无法进行有效处置,从而增加了加油站的运行危险性;
第二,由于加油站内往往包含多个摄像头,同时摄像头的录制区域往往存在重叠,会导致车辆的重复识别,从而造成计算资源的浪费。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了应用于加油站的信息处理方法、装置和电子设备,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种应用于加油站的信息处理方法,该方法包括:获取目标加油站对应的目标视频组,其中,上述目标视频组是由上述目标加油站内设置的至少一个摄像头同时采集的视频;根据上述目标视频组,生成预处理后视频组;通过预先训练的车辆识别模型,对上述预处理后视频组中的预处理后视频进行并行车辆识别,以生成车辆识别信息集合,其中,上述车辆识别信息集合中的车辆识别信息包括:车辆信息和图像编号序列;对于上述车辆识别信息集合中的每个车辆识别信息,根据上述车辆识别信息包括的车辆信息和图像编号序列,生成车辆行为信息,其中,车辆行为信息表征车辆的加油行为;根据上述车辆识别信息集合和得到的车辆行为信息集合,生成针对上述目标加油站的加油站运行信息。
第二方面,本公开的一些实施例提供了一种应用于加油站的信息处理装置,装置包括:获取单元,被配置成获取目标加油站对应的目标视频组,其中,上述目标视频组是由上述目标加油站内设置的至少一个摄像头同时采集的视频;第一生成单元,被配置成根据上述目标视频组,生成预处理后视频组;车辆识别单元,被配置成通过预先训练的车辆识别模型,对上述预处理后视频组中的预处理后视频进行并行车辆识别,以生成车辆识别信息集合,其中,上述车辆识别信息集合中的车辆识别信息包括:车辆信息和图像编号序列;第二生成单元,被配置成对于上述车辆识别信息集合中的每个车辆识别信息,根据上述车辆识别信息包括的车辆信息和图像编号序列,生成车辆行为信息,其中,车辆行为信息表征车辆的加油行为;第三生成单元,被配置成根据上述车辆识别信息集合和得到的车辆行为信息集合,生成针对上述目标加油站的加油站运行信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的应用于加油站的信息处理方法,提高了加油站的运行安全性。具体来说,造成加油站的运行安全性较低的原因在于:采用人工的方式,无法及时有效地对加油站内的车辆的数量以及加油车辆的行为进行监控,导致当出现危险时,无法进行有效处置,从而增加了加油站的运行危险性。实践中,由于加油站内往往包含多个加油装置,采用人工的方式无法全面地对多个加油装置对应的加油车里的加油行为进行有效监控。同时,由于加油站面积较大,当加油站内部车辆较多出现拥堵时,极易在加油站入口处和出口处发生拥堵,从而造成加油站的运行安全性较低。基于此,本公开的一些实施例的应用于加油站的信息处理方法。首先,获取目标加油站对应的目标视频组,其中,上述目标视频组是由上述目标加油站内设置的至少一个摄像头同时采集的视频。由于摄像头具有监控范围广、全天候监控的特点。因此,可以采用摄像头采集的目标视频作为生成加油站运行信息的数据来源。其次,根据上述目标视频组,生成预处理后视频组。实践中,由于目标加油站内的摄像头的型号往往不同,因此,采集得到的目标视频的视频规格也存在差异。由此,需要对目标视频组进行预处理,以生成预处理后视频组,以保证预处理后的预处理后视频组中的预处理后视频的视频规格一致。接着,通过预先训练的车辆识别模型,对上述预处理后视频组中的预处理后视频进行并行车辆识别,以生成车辆识别信息集合,其中,上述车辆识别信息集合中的车辆识别信息包括:车辆信息和图像编号序列。以确定目标加油站内部的车辆。进一步,对于上述车辆识别信息集合中的每个车辆识别信息,根据上述车辆识别信息包括的车辆信息和图像编号序列,生成车辆行为信息,其中,车辆行为信息表征车辆的加油行为。以此,进一步确定车辆的加油行为。最后,根据上述车辆识别信息集合和得到的车辆行为信息集合,生成针对上述目标加油站的加油站运行信息。通过此种方式,实现了对加油站内的车辆的数量以及加油车辆的行为的自动化监控,提高了加油站的运行安全性。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的应用于加油站的信息处理方法的一些实施例的流程图;
图2是根据本公开的应用于加油站的信息处理装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参考图1,示出了根据本公开的应用于加油站的信息处理方法的一些实施例的流程100。该应用于加油站的信息处理方法,包括以下步骤:
步骤101,获取目标加油站对应的目标视频组。
在一些实施例中,应用于加油站的信息处理方法的执行主体(例如,计算设备)可以通过有线连接,或无线连接的方式获取目标加油站对应的目标视频组。其中,目标视频组是由上述目标加油站内设置的至少一个摄像头同时采集的视频。具体的,目标视频可以是基于RTSP(Real Time Streaming Protocol,实时流传输协议)协议推送的视频流数据。实践中,至少一个摄像头中的摄像头对应的视频规格不同。例如,至少一个摄像头包括:摄像头A和摄像头B。其中,摄像头A设置于上述目标加油站的入口处、用于采集目标加油站的全局视频。摄像头B设置于加油装置前侧、用于采集加油装置前侧区域的局部视频。此时,摄像头A为广角摄像头,摄像头B为非广角摄像头。摄像头A对应的视频规格高于摄像头B对应的视频规格。如,摄像头A对应的视频规格可以是[帧率:60FPS,视频分辨率:3840×2160]。摄像头A对应的视频规格可以是[帧率:60FPS,视频分辨率:1920×1080]。目标加油站可以是待生成对应的加油站运行信息的加油站。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
需要说明的是,上述计算设备可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。应该理解,计算设备的数目根据实现需要,可以具有任意数目。
步骤102,根据目标视频组,生成预处理后视频组。
在一些实施例中,上述执行主体可以根据目标视频组,生成预处理后视频组。其中,预处理后视频是预处理后的目标视频。实践中,上述执行主体可以对目标视频组中的每个目标视频进行视频预处理,以生成预处理后视频,得到上述预处理后视频组。具体的,上述执行主体可以以标准视频规格,对目标视频进行视频预处理,以生成预处理后视频。例如,目标视频A对应的视频规格可以是[帧率:60FPS,视频分辨率:3840×2160]。标准视频规格可以是[帧率:20FPS,视频分辨率:1920×1080]。
在一些实施例的一些可选的实现方式中,上述执行主体根据目标视频组,生成预处理后视频组,可以包括以下步骤:
第一步,对于上述目标视频组中的每个目标视频,执行以下预处理步骤:
第一子步骤,确定上述目标视频的视频格式信息。
其中,视频格式信息包括:视频分辨率、视频采样率和色彩空间信息。实践中,上述执行主体可以读取目标视频的视频规格,得到上述视频格式信息。
第二子步骤,响应于确定上述视频分辨率与预设视频分辨率不一致,对上述目标视频进行视频分辨率调整,得到分辨率调整后视频。
其中,分辨率调整后视频的视频分辨率与上述预设视频分辨率一致。实践中,首先,上述执行主体可以确定上述目标视频的视频主体。然后以上述视频主体为中心,对上述目标视频进行分辨率调整,得到上述分辨率调整后视频。具体的,由于摄像头的拍摄角度等原因,导致视频主体往往未位于视频中心,未确定视频主体而直接进行视频裁剪的方式,可能会将视频主体裁剪掉,从而影响得到的分辨率调整后视频的视频可用性。
第三子步骤,响应于确定上述视频采样率大于预设视频采样率,根据基准图像,对上述分辨率调整后视频进行视频降采样,以生成降采样后视频。
其中,基准图像是上述目标视频对应的摄像头采集的、不包含遮挡物的区域图像。
实践中,对于上述分辨率调整后视频中的每帧视频图像,首先,上述执行主体可以确定视频图像与基准图像的图像相似度。然后,响应于确定图像相似度高于预设图像相似度阈值,将上述视频图像从上述分辨率调整后视频中剔除。实践中,在进行视频降采样时,通常采用的方式为设置预设间隔的方式进行均匀抽帧,然而此种方式可能将包含有车辆的图像剔除掉,从而影响得到的降采样后视频的视频可用性。
可选地,上述执行主体根据基准图像,对上述分辨率调整后视频进行视频降采样,以生成降采样后视频,可以包括以下步骤:
子步骤1:对上述基准图像进行图像区域划分,得到子基准图像组。
其中,子基准图像组中的子基准图像的图像分辨率一致。子基准图像中的子基准图像的数量可以是9。实践中,上述执行主体可以对上述基准图像进行均匀分割,得到上述子基准图像组。
作为示例,子基准图像组可以包括:子基准图像A1、子基准图像A2、子基准图像A3、子基准图像A4、子基准图像A5、子基准图像A6、子基准图像A7、子基准图像A8和子基准图像A9。
子步骤2:根据上述基准图像对应的摄像头的采集方向,确定比对顺序信息。
作为示例,当摄像头的采集方向与目标加油站内的车辆的行驶方向对向或同向。则对比顺序信息可以是[子基准图像A7、子基准图像A8、子基准图像A9、子基准图像A4、子基准图像A5、子基准图像A6、子基准图像A1、子基准图像A2、子基准图像A3]。当摄像头的采集方向为目标加油站内的车辆的行驶方向的侧向(左侧向,即车辆首先出现在图像的左侧)。则对比顺序信息可以是[子基准图像A1、子基准图像A4、子基准图像A7、子基准图像A2、子基准图像A5、子基准图像A8、子基准图像A3、子基准图像A6、子基准图像A9]。当摄像头的采集方向为目标加油站内的车辆的行驶方向的侧向(右侧向,即车辆首先出现在图像的右侧)。则对比顺序信息可以是[子基准图像A3、子基准图像A6、子基准图像A9、子基准图像A2、子基准图像A5、子基准图像A8、子基准图像A1、子基准图像A4、子基准图像A7]。
子步骤3:根据上述比对顺序信息,对上述子基准图像组中的子基准图像进行顺序调整,得到子基准图像序列。
作为示例,比对顺序信息可以是[子基准图像A7、子基准图像A8、子基准图像A9、子基准图像A4、子基准图像A5、子基准图像A6、子基准图像A1、子基准图像A2、子基准图像A3]。子基准图像序列可以是[子基准图像A7、子基准图像A8、子基准图像A9、子基准图像A4、子基准图像A5、子基准图像A6、子基准图像A1、子基准图像A2、子基准图像A3]。
子步骤4:根据分辨率调整后视频和子基准图像序列,执行以下视频降采样处理步骤:
子子步骤1:将分辨率调整后视频中目标位置的视频图像,确定为目标视频图像。
实践中,目标位置可以是分辨率调整后视频中的第一帧。
子子步骤2:对于子基准图像序列中的每个子基准图像,确定子基准图像在目标视频图像中对应位置的图像,与子基准图像的图像相似度。
实践中,上述执行主体可以按照子基准图像序列中的子基准图像的顺序,依次确定子基准图像与子基准图像在目标视频图像中对应位置的图像的图像相似度。
子子步骤3:响应于确定得到的图像相似度序列中目标图像相似度,将目标视频图像从分辨率调整后视频中剔除。
其中,目标图像相似度是位于预设图像相似度区间的图像相似度。
子子步骤4:响应于确定目标视频图像的帧序号与目标帧序号相同,结束上述视频降采样处理步骤。
子步骤5:响应于确定目标视频图像的帧序号与上述目标帧序号不相同,根据图像相似度序列,对子基准图像序列中的子基准图像序列进行顺序调整,得到调整后子基准图像序列,作为子基准图像序列,以及将去除目标视频图像的分辨率调整后视频,作为分辨率调整后视频,再次执行上述视频降采样处理步骤。
第四子步骤,响应于确定上述色彩空间信息与预设色彩空间信息不一致,根据上述预设色彩空间信息,对上述降采样后视频进行色彩空间转换,以生成色彩空间转换后视频。
实践中,预设色彩空间信息可以是“HSV格式”。例如,色彩空间信息可以是“RGB格式”,因此,上述执行主体可以将降采样后视频的色彩空间转换为“HSV格式”,得到上述色彩空间转换后视频。
第二步,对得到的色彩空间转换后视频组进行视频对齐,以生成上述预处理后视频组。
实践中,上述执行主体可以在色彩空间转换后视频组中的色彩空间转换后视频中添加空白图像,以保证得到的预处理后视频组中的预处理后视频得视频长度一致。
可选地,上述执行主体对得到的色彩空间转换后视频组进行视频对齐,以生成上述预处理后视频组,可以包括以下步骤:
根据色彩空间转换后视频中的视频图像在对应目标视频中的相对位置,对上述色彩空间转换后视频组中的色彩空间转换后视频进行空白图像添加,以生成上述预处理后视频组。
作为示例,色彩空间转换后视频组可以包括:色彩空间转换后视频A和色彩空间转换后视频B。其中,色彩空间转换后视频A包括:视频图像A1和视频图像A2。色彩空间转换后视频B包括:视频图像B1、视频图像B2和视频图像B3。其中,视频图像A1在对应目标视频中的帧序号为“2”。视频图像A2在对应目标视频中的帧序号为“5”。视频图像B1在对应目标视频中的帧序号为“3”。视频图像B2在对应目标视频中的帧序号为“6”。视频图像B3在对应目标视频中的帧序号为“8”。预处理后视频组包括:预处理后视频A和预处理后视频B。其中,预处理后视频A与色彩空间转换后视频A对应。预处理后视频B与色彩空间转换后视频B对应。则预处理后视频A和预处理后视频B都包括8帧视频图像。具体的,预处理后视频A为[空白图像、视频图像A1,空白图像、空白图像、视频图像A2、空白图像、空白图像、空白图像]。预处理后视频B为[空白图像、空白图像、视频图像B1、空白图像、空白图像、视频图像B2、视频图像B3、空白图像]。
步骤103,通过预先训练的车辆识别模型,对预处理后视频组中的预处理后视频进行并行车辆识别,以生成车辆识别信息集合。
在一些实施例中,上述执行主体可以通过预先训练的车辆识别模型,对预处理后视频组中的预处理后视频进行并行车辆识别,以生成车辆识别信息集合。车辆识别信息集合中的车辆识别信息可以是对预处理后视频组中的预处理后视频内出现的、且已进行相同车辆合并后的车辆信息。实践中,车辆识别模型可以是YOLO(You Only Look Once)v5模型。具体的,上述执行主体还可以通过StrongSORT跟踪算法对车辆进行车辆跟踪。车辆识别信息集合中的车辆识别信息包括:车辆信息和图像编号序列。实践中,车辆信息可以包括但不限于:车辆颜色、车辆型号和车辆类型。图像编号序列表征车辆信息对应的车辆在预处理后视频中对应的视频图像的图像帧序号。
可选地,车辆识别模型包括:图像特征提取模型组、车辆对象关联层和车辆对象特征分类层。图像特征提取模型组中的图像特征提取模型的数量与上述目标视频组中的目标视频的数量一致。图像特征提取模型用于对预处理后视频包括的视频图像进行特征提取。车辆对象关联层用于将基于不同预处理后视频得到的车辆进行关联。车辆对象特征分类层用于进行信息分类,得到车辆识别信息。
在一些实施例的一些可选的实现方式中,上述执行主体通过预先训练的车辆识别模型,对上述预处理后视频组中的预处理后视频进行并行车辆识别,以生成车辆识别信息集合,可以包括以下步骤:
第一步,通过上述图像特征提取模型组,并行对上述预处理后视频组进行车辆对象特征提取,得到车辆特征组序列。
其中,车辆特征组是预处理后视频包括的至少一个车辆对应的车辆特征。图像特征提取模型组中的图像特征提取模型的模型结构一致。图像特征提取模型可以包括:初始图像特征提取模型、目标定位模型、局部图像特征提取模型。初始图像特征提取模型以循环神经网络为基础结构。初始图像特征提取模型可以包括8层串行连接的卷积层。由于预处理后视频中包含大量的空白图像,因此,初始图像特征提取模型在对预处理后视频进行特征提取时,当遇到空白图像时,直接跳过空白图像,以减少数据处理量。同时,由于空白图像可以理解为无图像特征需要提取,因此,通过跳过空白图像还可以避免因空白图像参与特征提取所可能导致特征变“0”的情况。目标定位模型可以是VGG-16模型。局部图像特征提取模型可以是采用对称结构的卷积神经网络。
第二步,通过上述车辆对象关联层和上述车辆特征组序列,进行车辆对象关联,得到关联后车辆特征集合。
其中,上述车辆对象关联层通过计算车辆特征相似度的方式,将相似的车辆特征进行关联,以得到关联后车辆特征集合。其中,关联后车辆特征可以是通过对至少一个相似的车辆特征加权求和得到的特征。
第三步,通过上述车辆对象特征分类层,对上述关联后车辆特征进行特征分类,以生成车辆识别信息,得到上述车辆识别信息集合。
其中,上述特征分类层包括K个分类器。K表征车辆信息包括的信息的数量。例如,车辆信息可以包括车辆颜色、车辆型号和车辆类型,则K为3。
步骤103中的“在一些实施例的一些可选的实现方式中”的内容,作为本公开的一个发明点,解决了背景技术提及的技术问题二,即“由于加油站内往往包含多个摄像头,同时摄像头的录制区域往往存在重叠,会导致车辆的重复识别,从而造成计算资源的浪费”。首先,本公开通过上述图像特征提取模型组,并行对上述预处理后视频组进行车辆对象特征提取,得到车辆特征组序列。此时由于录制区域的重复,车辆特征组序列中存在对应一个车辆的至少一个车特征。因此,本公开通过上述车辆对象关联层和上述车辆特征组序列,进行车辆对象关联,得到关联后车辆特征集合将相同车辆对应的车辆特征进行关联。最后,通过上述车辆对象特征分类层,对上述关联后车辆特征进行特征分类,以生成车辆识别信息,得到上述车辆识别信息集合。通过此种方式实现了在特征提取阶段即对相同车辆对应的车辆特征进行关联,避免了特征分类层因重复车辆特征所存在的重复识别的问题,减少了计算资源的浪费。
步骤104,对于车辆识别信息集合中的每个车辆识别信息,根据车辆识别信息包括的车辆信息和图像编号序列,生成车辆行为信息。
在一些实施例中,对于车辆识别信息集合中的每个车辆识别信息,上述执行主体可以根据车辆识别信息包括的车辆信息和图像编号序列,生成车辆行为信息。
在一些实施例的一些可选的实现方式中,上述执行主体根据上述车辆识别信息包括的车辆信息和图像编号序列,生成车辆行为信息,可以包括以下步骤:
第一步,根据上述图像编号序列,对上述车辆识别信息对应的预处理后视频进行视频抽帧,得到抽帧后视频。
其中,上述执行主体可以抽取车辆识别信息对应的预处理后视频中图像帧序号与图像编号序列中的图像编号一致的视频图像,得到上述抽帧后视频。
第二步,对上述车辆信息进行信息编码,得到编码后车辆信息。
实践中,上述执行主体可以通过Seq2Seq模型,对车辆信息进行信息编码,得到编码后车辆信息。
第三步,根据上述编码后车辆信息、上述抽帧后视频和预先训练的车辆行为识别模型,生成车辆行为信息。
其中,车辆行为信息表征车辆的加油行为。其中,车辆行为识别模型可以共用车辆识别模型包括的图像特征提取模型。车辆行为识别模型还可以包括分类层,用于进行车辆行为分类。
步骤105,根据车辆识别信息集合和得到的车辆行为信息集合,生成针对目标加油站的加油站运行信息。
在一些实施例中,上述执行主体可以根据车辆识别信息集合和得到的车辆行为信息集合,生成针对目标加油站的加油站运行信息。
其中,上述执行主体可以根据车辆识别信息集合和得到的车辆行为信息集合,生成车辆数量统计信息和车辆行为统计信息,作为上述加油站运行信息。实践中,上述执行主体可以以天,月,季,年为时间粒度,生成目标加油站对应的加油站运行信息,以此推算出目标加油站的价值转移信息(实际收入和应缴税额),然后与实际价值转移信息(实际应缴税额)对比,以此实现税务追踪。
可选地,加油站运行信息包括:目标车辆数量。其中,目标车辆数量表征实时的、位于上述目标加油站的车辆数量。
可选地,上述方法还包括:
第一步,根据上述目标车辆数量、上述目标加油站对应的历史加油站运行信息和预先训练的拥堵预测模型,生成拥堵预测信息。
其中,拥堵预测模型可以是LSTM(Long short-term memory,长短时记忆)模型。
第二步,在显示装置上显示上述拥堵预测信息。
其中,上述显示装置设置于上述目标加油站的入口处。
第三步,将上述拥堵预测信息同步至地图更新服务器。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的应用于加油站的信息处理方法,提高了加油站的运行安全性。具体来说,造成加油站的运行安全性较低的原因在于:采用人工的方式,无法及时有效地对加油站内的车辆的数量以及加油车辆的行为进行监控,导致当出现危险时,无法进行有效处置,从而增加了加油站的运行危险性。实践中,由于加油站内往往包含多个加油装置,采用人工的方式无法全面地对多个加油装置对应的加油车里的加油行为进行有效监控。同时,由于加油站面积较大,当加油站内部车辆较多出现拥堵时,极易在加油站入口处和出口处发生拥堵,从而造成加油站的运行安全性较低。基于此,本公开的一些实施例的应用于加油站的信息处理方法。首先,获取目标加油站对应的目标视频组,其中,上述目标视频组是由上述目标加油站内设置的至少一个摄像头同时采集的视频。由于摄像头具有监控范围广、全天候监控的特点。因此,可以采用摄像头采集的目标视频作为生成加油站运行信息的数据来源。其次,根据上述目标视频组,生成预处理后视频组。实践中,由于目标加油站内的摄像头的型号往往不同,因此,采集得到的目标视频的视频规格也存在差异。由此,需要对目标视频组进行预处理,以生成预处理后视频组,以保证预处理后的预处理后视频组中的预处理后视频的视频规格一致。接着,通过预先训练的车辆识别模型,对上述预处理后视频组中的预处理后视频进行并行车辆识别,以生成车辆识别信息集合,其中,上述车辆识别信息集合中的车辆识别信息包括:车辆信息和图像编号序列。以确定目标加油站内部的车辆。进一步,对于上述车辆识别信息集合中的每个车辆识别信息,根据上述车辆识别信息包括的车辆信息和图像编号序列,生成车辆行为信息,其中,车辆行为信息表征车辆的加油行为。以此,进一步确定车辆的加油行为。最后,根据上述车辆识别信息集合和得到的车辆行为信息集合,生成针对上述目标加油站的加油站运行信息。通过此种方式,实现了对加油站内的车辆的数量以及加油车辆的行为的自动化监控,提高了加油站的运行安全性。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种应用于加油站的信息处理装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该应用于加油站的信息处理装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的应用于加油站的信息处理装置200包括:获取单元201、第一生成单元202、车辆识别单元203、第二生成单元204和第三生成单元205。其中,获取单元201,被配置成获取目标加油站对应的目标视频组,其中,上述目标视频组是由上述目标加油站内设置的至少一个摄像头同时采集的视频;第一生成单元202,被配置成根据上述目标视频组,生成预处理后视频组;车辆识别单元203,被配置成通过预先训练的车辆识别模型,对上述预处理后视频组中的预处理后视频进行并行车辆识别,以生成车辆识别信息集合,其中,上述车辆识别信息集合中的车辆识别信息包括:车辆信息和图像编号序列;第二生成单元204,被配置成对于上述车辆识别信息集合中的每个车辆识别信息,根据上述车辆识别信息包括的车辆信息和图像编号序列,生成车辆行为信息,其中,车辆行为信息表征车辆的加油行为;第三生成单元205,被配置成根据上述车辆识别信息集合和得到的车辆行为信息集合,生成针对上述目标加油站的加油站运行信息。
可以理解的是,该应用于加油站的信息处理装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于应用于加油站的信息处理装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备(例如,计算设备)300的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器302中的程序或者从存储装置308加载到随机访问存储器303中的程序而执行各种适当的动作和处理。在随机访问存储器303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、只读存储器302以及随机访问存储器303通过总线304彼此相连。输入/输出接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从只读存储器302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取目标加油站对应的目标视频组,其中,上述目标视频组是由上述目标加油站内设置的至少一个摄像头同时采集的视频;根据上述目标视频组,生成预处理后视频组;通过预先训练的车辆识别模型,对上述预处理后视频组中的预处理后视频进行并行车辆识别,以生成车辆识别信息集合,其中,上述车辆识别信息集合中的车辆识别信息包括:车辆信息和图像编号序列;对于上述车辆识别信息集合中的每个车辆识别信息,根据上述车辆识别信息包括的车辆信息和图像编号序列,生成车辆行为信息,其中,车辆行为信息表征车辆的加油行为;根据上述车辆识别信息集合和得到的车辆行为信息集合,生成针对上述目标加油站的加油站运行信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、第一生成单元、车辆识别单元、第二生成单元和第三生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一生成单元还可以被描述为“根据上述目标视频组,生成预处理后视频组的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种应用于加油站的信息处理方法,包括:
获取目标加油站对应的目标视频组,其中,所述目标视频组是由所述目标加油站内设置的至少一个摄像头同时采集的视频;
根据所述目标视频组,生成预处理后视频组;
通过预先训练的车辆识别模型,对所述预处理后视频组中的预处理后视频进行并行车辆识别,以生成车辆识别信息集合,其中,所述车辆识别信息集合中的车辆识别信息包括:车辆信息和图像编号序列;
对于所述车辆识别信息集合中的每个车辆识别信息,根据所述车辆识别信息包括的车辆信息和图像编号序列,生成车辆行为信息,其中,车辆行为信息表征车辆的加油行为;
根据所述车辆识别信息集合和得到的车辆行为信息集合,生成针对所述目标加油站的加油站运行信息。
2.根据权利要求1所述的方法,其中,所述加油站运行信息包括:目标车辆数量,其中,所述目标车辆数量表征实时的、位于所述目标加油站的车辆数量;以及
所述方法还包括:
根据所述目标车辆数量、所述目标加油站对应的历史加油站运行信息和预先训练的拥堵预测模型,生成拥堵预测信息;
在显示装置上显示所述拥堵预测信息,其中,所述显示装置设置于所述目标加油站的入口处;
将所述拥堵预测信息同步至地图更新服务器。
3.根据权利要求2所述的方法,其中,所述根据所述目标视频组,生成预处理后视频组,包括:
对于所述目标视频组中的每个目标视频,执行以下预处理步骤:
确定所述目标视频的视频格式信息,其中,所述视频格式信息包括:视频分辨率、视频采样率和色彩空间信息;
响应于确定所述视频分辨率与预设视频分辨率不一致,对所述目标视频进行视频分辨率调整,得到分辨率调整后视频;
响应于确定所述视频采样率大于预设视频采样率,根据基准图像,对所述分辨率调整后视频进行视频降采样,以生成降采样后视频,其中,所述基准图像是所述目标视频对应的摄像头采集的、不包含遮挡物的区域图像;
响应于确定所述色彩空间信息与预设色彩空间信息不一致,根据所述预设色彩空间信息,对所述降采样后视频进行色彩空间转换,以生成色彩空间转换后视频;
对得到的色彩空间转换后视频组进行视频对齐,以生成所述预处理后视频组。
4.根据权利要求3所述的方法,其中,所述根据基准图像,对所述分辨率调整后视频进行视频降采样,以生成降采样后视频,包括:
对所述基准图像进行图像区域划分,得到子基准图像组,其中,所述子基准图像组中的子基准图像的图像分辨率一致;
根据所述基准图像对应的摄像头的采集方向,确定比对顺序信息;
根据所述比对顺序信息,对所述子基准图像组中的子基准图像进行顺序调整,得到子基准图像序列;
根据分辨率调整后视频和子基准图像序列,执行以下视频降采样处理步骤:
将分辨率调整后视频中目标位置的视频图像,确定为目标视频图像;
对于子基准图像序列中的每个子基准图像,确定子基准图像在目标视频图像中对应位置的图像,与子基准图像的图像相似度;
响应于确定得到的图像相似度序列中目标图像相似度,将目标视频图像从分辨率调整后视频中剔除,其中,目标图像相似度是位于预设图像相似度区间的图像相似度;
响应于确定目标视频图像的帧序号与目标帧序号相同,结束所述视频降采样处理步骤;
响应于确定目标视频图像的帧序号与所述目标帧序号不相同,根据图像相似度序列,对子基准图像序列中的子基准图像序列进行顺序调整,得到调整后子基准图像序列,作为子基准图像序列,以及将去除目标视频图像的分辨率调整后视频,作为分辨率调整后视频,再次执行所述视频降采样处理步骤。
5.根据权利要求4所述的方法,其中,所述对得到的色彩空间转换后视频组进行视频对齐,以生成所述预处理后视频组,包括:
根据色彩空间转换后视频中的视频图像在对应目标视频中的相对位置,对所述色彩空间转换后视频组中的色彩空间转换后视频进行空白图像添加,以生成所述预处理后视频组。
6.根据权利要求5所述的方法,其中,所述车辆识别模型包括:图像特征提取模型组、车辆对象关联层和车辆对象特征分类层,其中,所述图像特征提取模型组中的图像特征提取模型的数量与所述目标视频组中的目标视频的数量一致;以及
所述通过预先训练的车辆识别模型,对所述预处理后视频组中的预处理后视频进行并行车辆识别,以生成车辆识别信息集合,包括:
通过所述图像特征提取模型组,并行对所述预处理后视频组进行车辆对象特征提取,得到车辆特征组序列,其中,车辆特征组是预处理后视频包括的至少一个车辆对应的车辆特征;
通过所述车辆对象关联层和所述车辆特征组序列,进行车辆对象关联,得到关联后车辆特征集合;
通过所述车辆对象特征分类层,对所述关联后车辆特征进行特征分类,以生成车辆识别信息,得到所述车辆识别信息集合。
7.根据权利要求6所述的方法,其中,所述根据所述车辆识别信息包括的车辆信息和图像编号序列,生成车辆行为信息,包括:
根据所述图像编号序列,对所述车辆识别信息对应的预处理后视频进行视频抽帧,得到抽帧后视频;
对所述车辆信息进行信息编码,得到编码后车辆信息;
根据所述编码后车辆信息、所述抽帧后视频和预先训练的车辆行为识别模型,生成车辆行为信息。
8.一种应用于加油站的信息处理装置,包括:
获取单元,被配置成获取目标加油站对应的目标视频组,其中,所述目标视频组是由所述目标加油站内设置的至少一个摄像头同时采集的视频;
第一生成单元,被配置成根据所述目标视频组,生成预处理后视频组;
车辆识别单元,被配置成通过预先训练的车辆识别模型,对所述预处理后视频组中的预处理后视频进行并行车辆识别,以生成车辆识别信息集合,其中,所述车辆识别信息集合中的车辆识别信息包括:车辆信息和图像编号序列;
第二生成单元,被配置成对于所述车辆识别信息集合中的每个车辆识别信息,根据所述车辆识别信息包括的车辆信息和图像编号序列,生成车辆行为信息,其中,车辆行为信息表征车辆的加油行为;
第三生成单元,被配置成根据所述车辆识别信息集合和得到的车辆行为信息集合,生成针对所述目标加油站的加油站运行信息。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310854531.6A CN117011787B (zh) | 2023-07-12 | 2023-07-12 | 应用于加油站的信息处理方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310854531.6A CN117011787B (zh) | 2023-07-12 | 2023-07-12 | 应用于加油站的信息处理方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117011787A true CN117011787A (zh) | 2023-11-07 |
CN117011787B CN117011787B (zh) | 2024-02-02 |
Family
ID=88564726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310854531.6A Active CN117011787B (zh) | 2023-07-12 | 2023-07-12 | 应用于加油站的信息处理方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117011787B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2470744A1 (en) * | 2003-06-12 | 2004-12-12 | Redflex Traffic Systems Pty Ltd. | Automated traffic violation monitoring and reporting system with combined video and still image data |
WO2011153015A2 (en) * | 2010-06-03 | 2011-12-08 | Microsoft Corporation | Simulated video with extra viewpoints and enhanced resolution for traffic cameras |
US20130088600A1 (en) * | 2011-10-05 | 2013-04-11 | Xerox Corporation | Multi-resolution video analysis and key feature preserving video reduction strategy for (real-time) vehicle tracking and speed enforcement systems |
KR101371430B1 (ko) * | 2012-12-28 | 2014-03-12 | 주식회사 씨트링 | 아날로그 영상을 보정하는 방법 및 장치 |
CN107135376A (zh) * | 2017-05-26 | 2017-09-05 | 北京天拓灵域网络科技有限公司 | 多通道超高分辨率全景视频实时拼接处理方法 |
KR101911900B1 (ko) * | 2017-07-20 | 2018-10-29 | 주식회사 이고비드 | 사생활 보호 카메라와 그 시스템 및 얼굴 인식 기반 실시간 자동 영상 익명화 방법 |
CN108986465A (zh) * | 2018-07-27 | 2018-12-11 | 深圳大学 | 一种车流量检测的方法、***及终端设备 |
CN111432182A (zh) * | 2020-04-29 | 2020-07-17 | 上善智城(苏州)信息科技有限公司 | 一种加油站卸油场所***方法及*** |
CN111814526A (zh) * | 2019-10-08 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 加油站拥堵评估方法、服务器、电子设备及存储介质 |
CN112954272A (zh) * | 2021-01-29 | 2021-06-11 | 上海商汤临港智能科技有限公司 | 相机模组、数据传输方法及装置、存储介质和车辆 |
CN113033529A (zh) * | 2021-05-27 | 2021-06-25 | 北京德风新征程科技有限公司 | 基于图像识别的预警方法、装置、电子设备和介质 |
CN113556480A (zh) * | 2021-07-09 | 2021-10-26 | 中星电子股份有限公司 | 车辆连续运动视频生成方法、装置、设备和介质 |
CN114898547A (zh) * | 2021-08-19 | 2022-08-12 | 大唐高鸿智联科技(重庆)有限公司 | 一种加油站的车流量分析方法、装置及设备 |
CN115022722A (zh) * | 2022-07-12 | 2022-09-06 | 协鑫电港云科技(海南)有限公司 | 视频监控方法、装置、电子设备及存储介质 |
CN115190267A (zh) * | 2022-06-06 | 2022-10-14 | 东风柳州汽车有限公司 | 自动驾驶的视频数据处理方法、装置、设备及存储介质 |
CN115593375A (zh) * | 2022-12-16 | 2023-01-13 | 广汽埃安新能源汽车股份有限公司(Cn) | 车辆紧急制动方法、装置、设备和计算机可读介质 |
CN115761702A (zh) * | 2022-12-01 | 2023-03-07 | 广汽埃安新能源汽车股份有限公司 | 车辆轨迹生成方法、装置、电子设备和计算机可读介质 |
CN116205069A (zh) * | 2023-03-06 | 2023-06-02 | 智己汽车科技有限公司 | 基于智能驾驶域控制器的场景注入方法、***及装置 |
CN116324882A (zh) * | 2020-09-23 | 2023-06-23 | 高通股份有限公司 | 多相机***中的图像信号处理 |
-
2023
- 2023-07-12 CN CN202310854531.6A patent/CN117011787B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2470744A1 (en) * | 2003-06-12 | 2004-12-12 | Redflex Traffic Systems Pty Ltd. | Automated traffic violation monitoring and reporting system with combined video and still image data |
WO2011153015A2 (en) * | 2010-06-03 | 2011-12-08 | Microsoft Corporation | Simulated video with extra viewpoints and enhanced resolution for traffic cameras |
US20130088600A1 (en) * | 2011-10-05 | 2013-04-11 | Xerox Corporation | Multi-resolution video analysis and key feature preserving video reduction strategy for (real-time) vehicle tracking and speed enforcement systems |
KR101371430B1 (ko) * | 2012-12-28 | 2014-03-12 | 주식회사 씨트링 | 아날로그 영상을 보정하는 방법 및 장치 |
CN107135376A (zh) * | 2017-05-26 | 2017-09-05 | 北京天拓灵域网络科技有限公司 | 多通道超高分辨率全景视频实时拼接处理方法 |
KR101911900B1 (ko) * | 2017-07-20 | 2018-10-29 | 주식회사 이고비드 | 사생활 보호 카메라와 그 시스템 및 얼굴 인식 기반 실시간 자동 영상 익명화 방법 |
CN108986465A (zh) * | 2018-07-27 | 2018-12-11 | 深圳大学 | 一种车流量检测的方法、***及终端设备 |
CN111814526A (zh) * | 2019-10-08 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 加油站拥堵评估方法、服务器、电子设备及存储介质 |
CN111432182A (zh) * | 2020-04-29 | 2020-07-17 | 上善智城(苏州)信息科技有限公司 | 一种加油站卸油场所***方法及*** |
CN116324882A (zh) * | 2020-09-23 | 2023-06-23 | 高通股份有限公司 | 多相机***中的图像信号处理 |
CN112954272A (zh) * | 2021-01-29 | 2021-06-11 | 上海商汤临港智能科技有限公司 | 相机模组、数据传输方法及装置、存储介质和车辆 |
CN113033529A (zh) * | 2021-05-27 | 2021-06-25 | 北京德风新征程科技有限公司 | 基于图像识别的预警方法、装置、电子设备和介质 |
CN113556480A (zh) * | 2021-07-09 | 2021-10-26 | 中星电子股份有限公司 | 车辆连续运动视频生成方法、装置、设备和介质 |
CN114898547A (zh) * | 2021-08-19 | 2022-08-12 | 大唐高鸿智联科技(重庆)有限公司 | 一种加油站的车流量分析方法、装置及设备 |
CN115190267A (zh) * | 2022-06-06 | 2022-10-14 | 东风柳州汽车有限公司 | 自动驾驶的视频数据处理方法、装置、设备及存储介质 |
CN115022722A (zh) * | 2022-07-12 | 2022-09-06 | 协鑫电港云科技(海南)有限公司 | 视频监控方法、装置、电子设备及存储介质 |
CN115761702A (zh) * | 2022-12-01 | 2023-03-07 | 广汽埃安新能源汽车股份有限公司 | 车辆轨迹生成方法、装置、电子设备和计算机可读介质 |
CN115593375A (zh) * | 2022-12-16 | 2023-01-13 | 广汽埃安新能源汽车股份有限公司(Cn) | 车辆紧急制动方法、装置、设备和计算机可读介质 |
CN116205069A (zh) * | 2023-03-06 | 2023-06-02 | 智己汽车科技有限公司 | 基于智能驾驶域控制器的场景注入方法、***及装置 |
Non-Patent Citations (4)
Title |
---|
WANG X等: "Intelligent multi-camera video surveillance: A review", 《PATTERN RECOGNITION LETTERS》, vol. 34, no. 1, pages 3 - 19, XP028955937, DOI: 10.1016/j.patrec.2012.07.005 * |
吴琼: "多摄像头视频融合***的设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 5, pages 138 - 2911 * |
徐海云: "全方位视频监视***", 《中国优秀博硕士学位论文全文数据库 (硕士)信息科技辑》, no. 3, pages 140 - 199 * |
肖文娟: "基于FPGA的多格式视频信号转换***", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 10, pages 136 - 198 * |
Also Published As
Publication number | Publication date |
---|---|
CN117011787B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11367313B2 (en) | Method and apparatus for recognizing body movement | |
US10650236B2 (en) | Road detecting method and apparatus | |
CN111414879B (zh) | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 | |
CN115761702B (zh) | 车辆轨迹生成方法、装置、电子设备和计算机可读介质 | |
CN110633718B (zh) | 用于确定环境图像中的行驶区域的方法和装置 | |
CN116164770B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
CN110705511A (zh) | 模糊图像的识别方法、装置、设备及存储介质 | |
CN115546487A (zh) | 图像模型训练方法、装置、介质及电子设备 | |
CN112330788A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN110704491A (zh) | 数据查询方法和装置 | |
CN112419179A (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
CN113992860B (zh) | 基于云边协同的行为识别方法、装置、电子设备和介质 | |
CN114581336A (zh) | 图像修复方法、装置、设备、介质及产品 | |
CN112418054B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN117011787B (zh) | 应用于加油站的信息处理方法、装置和电子设备 | |
CN110633598B (zh) | 用于确定环境图像中的行驶区域的方法和装置 | |
CN115439815A (zh) | 行驶工况识别方法、装置、设备、介质及车辆 | |
CN113033552B (zh) | 文本识别方法、装置和电子设备 | |
CN115760607A (zh) | 图像修复方法、装置、可读介质以及电子设备 | |
CN114511744A (zh) | 图像分类方法、装置、可读介质和电子设备 | |
CN113705386A (zh) | 视频分类方法、装置、可读介质和电子设备 | |
CN114973910B (zh) | 地图生成方法、装置、电子设备和计算机可读介质 | |
CN116934557B (zh) | 行为预测信息生成方法、装置、电子设备和可读介质 | |
CN117009999B (zh) | 智慧园区数据存储方法、装置、设备和计算机可读介质 | |
CN116071305A (zh) | 图像分析方法及装置 |
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 |