CN117671572A - 一种多平台联动的道路图像模型处理***及方法 - Google Patents
一种多平台联动的道路图像模型处理***及方法 Download PDFInfo
- Publication number
- CN117671572A CN117671572A CN202410145468.3A CN202410145468A CN117671572A CN 117671572 A CN117671572 A CN 117671572A CN 202410145468 A CN202410145468 A CN 202410145468A CN 117671572 A CN117671572 A CN 117671572A
- Authority
- CN
- China
- Prior art keywords
- information
- module
- platform
- police
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 123
- 238000003672 processing method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 91
- 230000006399 behavior Effects 0.000 claims description 68
- 238000013528 artificial neural network Methods 0.000 claims description 48
- 206010039203 Road traffic accident Diseases 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 13
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 56
- 238000010586 diagram Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多平台联动的道路图像模型处理***及方法,属于治安监控的技术领域,其包括多个设置于不同区域内的区域子***和设置于云端的总控***,所述区域子***包括视频获取模块、初级判断模块、初级分选模块和现场警报模块,总控***包括次级分选模块、交警接口模块、城管接口模块和民警接口模块,本发明具有能够在快速判断拍摄的图片中是否发生违法行为的同时,还能将信息直接广播或分选给不同的执法人员使用的平台,简化处理过程,省时省力的效果。
Description
技术领域
本发明涉及治安监控领域,尤其是涉及一种多平台联动的道路图像模型处理***及方法。
背景技术
目前道路监控***是公安指挥***的重要组成部分,提供对现场情况最直观的反映,是实施准确调度的基本保障,重点场所和监测点的前端设备将视频图像以各种方式传送至交通指挥中心,进行信息的存储、处理和发布。现在还有很多监控***会对市民的违规违法进行自动识别,帮助民警、城管等执法人员获取现场信息。现在公安指挥***下有统称交警平台的各类交通安全综合服务***的服务平台,用于交警内部流转、存储数据或流程。城管与民警也有类似服务平台。
上述中的现有技术方案存在以下缺陷:现在的道路监控***只能判断出违规违法信息以后上传指挥中心,执法人员在接收到照片以后还需要判断处理条件,再编辑执法内容并分配执法人员,处理过程繁杂,费时费力。
发明内容
为了使用道路监控***让执法人员处理案件过程简化,省时省力,本申请提供一种多平台联动的道路图像模型处理***及方法。
一方面,本申请提供的一种多平台联动的道路图像模型处理***采用如下的技术方案:
一种多平台联动的道路图像模型处理***,包括多个设置于不同区域内的区域子***和设置于云端的总控***,所述区域子***包括视频获取模块、模型构建模块、初级判断模块、初级分选模块和现场警报模块;
所述视频获取模块获取带有位置信息的图像信息,并将图像信息传输给初级判断模块;
所述模型构建模块构建违法判断模型,在违法判断模型中构建第一监测模型和第二监测模型,第一监测模型识别图像信息中有无行人和/或车辆,第二监测模型对有行人和/或车辆的图像信息识别违规违法行为,对违法判断模型进行训练,模型构建模块将训练后的违法判断模型传输给初级判断模块;
所述初级判断模块接收违法判断模型,通过违法判断模型判断图像信息中是否存在违规违法行为,并将图像信息中存在违规违法的区域框选,并判断出的违规违法行为类型,将违规违法行为类型与图像信息关联后形成初步判断信息,将初步判断信息发送给初级分选模块;
所述初级分选模块将初步判断信息分类为公示警告、交通违章、交通事故、城管负责事件和民警负责事件的处理类型,将公示警告处理类型下的初步判断信息发送给现场警报模块进行,将其他初步判断信息发送给总控***;
所述现场警报模块将接收的初步判断信息进行播放;
所述总控***将接收的初步判断信息根据处理类型发送给交警平台、城管平台或民警平台。
通过采用上述方案,本***能够在快速判断拍摄的图片中是否发生违法行为的同时,还能将信息直接广播或分选给不同的执法人员使用的平台,在分选过程中能够对信息进行较详细的分类,简化处理过程,省时省力。
优选的,所述模型构建模块调用视频获取模块的图像信息并将图像信息划分为第一训练样本和第二训练样本,构建第一监测模型,第一监测模型包括两个不同类的分类器,其中,两个所述分类器包括支持向量机分类器和贝叶斯分类器,选取第一训练样本,第一训练样本包括有人车道路的第一分类样本和无人车道路的第二分类样本;所述有人车道路为存在行人和/或车辆的道路,所述无人车道路为不存在行人或车辆的道路,第一分类样本和第二分类样本均包括对应道路的标识数据,所述标识数据包括道路安全标识以及交通规则标识;将第一分类样本和第二分类样本均分别输入至两个分类器进行训练;将两个分类器的分类结果作为所述第一监测模型的预测结果;将标识数据输入至第一监测模型,得到所述第一监测模型输出的第一监测结果;若所述第一监测结果中显示目标道路中存在行人和/或车辆,则获取所述目标道路的图像数据;构建第二监测模型,所述第二监测模型包括多个神经网络;多个神经网络包括VGG16神经网络和U-Net神经网络;其中,所述第二监测模型以所述U-Net神经网络作为所述第二监测模型的主体,将所述VGG16神经网络替换所述U-Net神经网络的编码器,通过ImageNet初始化所述VGG16神经网络的权重;对第二监测模型进行训练的过程包括:选取第二训练样本,第二训练样本包括有人车道路的图像数据;所述有人车道路为存在行人和/或车辆的道路;将第二训练样本输入至所述第二监测模型进行训练,得到所述第二监测模型的预测结果;将所述图像数据输入至第二监测模型,得到所述第二监测模型输出的第二监测结果,第二监测结果为各类违规违法行为;模型构建模块将训练后的违法判断模型传输给初级判断模块;
所述初级分选模块预设有行为种类表,行为种类表包括多个违法违规行为和多个处理类型,每个违法违规行为均与一个处理类型关联,处理类型包括公示警告、交通违章、交通事故、城管负责事件和民警负责事件,初级分选模块根据行为种类表将初步判断信息分类到对应的处理类型,初级分选模块将公示警告处理类型下的初步判断信息发送给现场警报模块,将其他初步判断信息发送给总控***;
所述现场警报模块包括设置于区域子***附近的多媒体设备,现场警报模块接收到初步判断信息后将初步判断信息中的违规违法行为类型转变为文字信息,将文字信息与初步判断信息中的图像信息通过多媒体设备播放;
所述总控***包括次级分选模块、交警接口模块、城管接口模块和民警接口模块;
所述次级分选模块接收初步判断信息后获取初步判断信息对应的处理类型与初步判断信息对应的位置信息,将交通违章处理类型和交通事故处理类型的初步判断信息结合位置信息后发送给交警接口模块,将城管负责事件处理类型的初步判断信息结合位置信息后发送给城管接口模块,将民警负责事件处理类型的初步判断信息结合位置信息后发送给民警接口模块;
所述交警接口模块连接交警平台,将接收的初步判断信息发送给交警平台;
所述城管接口模块连接城管平台,将接收的初步判断信息发送给城管平台;
所述民警接口模块连接民警平台,将接收的初步判断信息发送给民警平台。
优选的,所述总控***还包括交通判断模块、城管判断模块和民警判断模块;
所述交通判断模块接收次级分选模块输出的交通事故处理类型下的初步判断信息,调出初步判断信息中的图像信息,通过人脸识别软件识别图像信息中框选区域的人脸信息,将人脸信息和查询请求上传至交警平台,接收交警平台返回的驾驶员信息,交通判断模块将驾驶员信息与框选区域关联,将驾驶员信息发送给交警接口模块,交警接口模块将驾驶员信息与初步判断信息一起发送给交警平台;
所述交通判断模块向交警平台发送位置请求,接收交警平台返回的人员位置信息,交通判断模块根据初步判断信息关联的位置信息查询最近的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给交警接口模块,交警接口模块将人员位置信息和最短路径发送给交警平台;
所述城管判断模块接收次级分选模块输出的城管负责事件处理类型下的初步判断信息,城管判断模块向城管平台发送位置请求,接收城管平台返回的人员位置信息,城管判断模块根据初步判断信息关联的位置信息查询最近的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给城管接口模块,城管接口模块将人员位置信息和最短路径发送给城管平台;
所述民警判断模块接收次级分选模块输出的民警负责事件处理类型下的初步判断信息,民警判断模块向民警平台发送位置请求,接收民警平台返回的人员位置信息,民警判断模块根据初步判断信息关联的位置信息查询最近的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给民警接口模块,民警接口模块将人员位置信息和最短路径发送给民警平台。
通过采用上述方案,***能够对交通事故类型的图像信息自动进行人脸识别,查询包括驾驶证、行驶证等驾驶员信息,方便交警快速处理事故。***能够根据发生事故的位置为执法人员平台快速查询最近可到岗执法人员并规划路线,帮助平台派遣执法人员。
优选的,总控***还包括交警反馈模块、城管反馈模块、民警反馈模块和模型训练模块;
所述交警反馈模块连接交警平台,接收交警平台发送的与初步判断信息关联的误判信息,交警反馈模块将误判信息关联的初步判断信息发送给模型训练模块;
所述城管反馈模块连接城管平台,接收城管平台发送的与初步判断信息关联的误判信息,城管反馈模块将误判信息关联的初步判断信息发送给模型训练模块;
所述民警反馈模块连接民警平台,接收民警平台发送的与初步判断信息关联的误判信息,民警反馈模块将误判信息关联的初步判断信息发送给模型训练模块;
所述模型训练模块调用初级判断模块的违法判断模型,模型训练模块调出接收的初步判断信息中的图像信息,根据图像信息中被框选区域对违法判断模型进行训练,让违法判断模型不再将有相同特征的图像识别为违规违法行为。
通过采用上述方案,执法人员平台可以将误判的图像信息返回***,由***对违法判断模型进行修正训练。
优选的,所述交警反馈模块判断接收的初步判断信息是否处于公示警告处理类型下,若处于公示警告处理类型下,则即将初步判断信息传输给现场警报模块,现场警报模块接收到交警反馈模块传输的初步判断信息后取消多媒体设备播放对应该初步判断信息的文字信息与图像信息。
通过采用上述方案,***能够根据反馈信息快速取消已经播放的误判的信息。
优选的,所述交警接口模块接收交警平台的调用指令,根据调用指令调用区域子***对应的图像信息并传输给交警平台;
所述城管接口模块接收城管平台的调用指令,根据调用指令调用区域子***对应的图像信息并传输给城管平台;
所述民警接口模块接收民警平台的调用指令,根据调用指令调用区域子***对应的图像信息并传输给民警平台;
所述交警反馈模块接收交警平台传输的框选区域后的图像信息,交警反馈模块将框选区域后的图像信息发送给模型训练模块;
所述城管反馈模块接收城管平台传输的框选区域后的图像信息,城管反馈模块将框选区域后的图像信息发送给模型训练模块;
所述民警反馈模块接收民警平台传输的框选区域后的图像信息,民警反馈模块将框选区域后的图像信息发送给模型训练模块;
所述模型训练模块接收到框选区域后的图像信息后对框选区域后的图像信息进行预处理,将预处理后的图像信息加入违法判断模型的数据库中。
通过采用上述方案,***在上传图像信息时会主动请求执法人员平台返回结果,如果执法人员平台将***没有判断出来的图像信息返回***,***会自动将图像信息加入违法判断模型的数据库中,使得数据库能够不断完善。
优选的,所述现场警报模块在多媒体设备上预设有多种语音警告、图像区域和文字区域,将接收的图像信息与文字信息安排在图像区域和文字区域,现场警报模块根据初步判断信息中的违法违规行为类型选择语音警告,通过多媒体设备播放语音警告。
通过采用上述方案,***能够将口头警告类型下的图像信息以图像、文字和语音的形式进行播放,语音用于警告违规人员。
另一方面,本申请提供的一种多平台联动的道路图像模型处理方法采用如下的技术方案:
一种多平台联动的道路图像模型处理方法,包括如上述的道路图像模型处理***,包括以下步骤:
区域子***预设行为种类表;
区域子***拍摄图像信息;
区域子***构建违法判断模型,调用图像信息并将图像信息划分为第一训练样本和第二训练样本,构建第一监测模型,第一监测模型包括两个不同类的分类器,其中,两个所述分类器包括支持向量机分类器和贝叶斯分类器,选取第一训练样本,标识数据包括道路安全标识以及交通规则标识;将第一分类样本和第二分类样本均分别输入至两个分类器进行训练;将两个分类器的分类结果作为所述第一监测模型的预测结果;将标识数据输入至第一监测模型,得到所述第一监测模型输出的第一监测结果;若所述第一监测结果中显示目标道路中存在行人和/或车辆,则获取所述目标道路的图像数据;构建第二监测模型,所述第二监测模型包括多个神经网络;多个神经网络包括VGG16神经网络和U-Net神经网络;其中,所述第二监测模型以所述U-Net神经网络作为所述第二监测模型的主体,将所述VGG16神经网络替换所述U-Net神经网络的编码器,通过ImageNet初始化所述VGG16神经网络的权重;对第二监测模型进行训练的过程包括:选取第二训练样本,第二训练样本包括有人车道路的图像数据;将第二训练样本输入至所述第二监测模型进行训练,得到所述第二监测模型的预测结果;将所述图像数据输入至第二监测模型,得到所述第二监测模型输出的第二监测结果,第二监测结果为各类违规违法行为;
区域子***通过违法判断模型判断图像信息中是否存在违规违法行为,并将图像信息中存在违规违法的区域框选,并判断出的违规违法行为类型;
区域子***将违规违法行为类型与图像信息关联后形成初步判断信息;
区域子***根据行为种类表将初步判断信息分类到对应的处理类型;
在区域子***附近设置多媒体设备;
区域子***将公示警告处理类型下的初步判断信息选出,将初步判断信息中的违规违法行为类型转变为文字信息,将文字信息与初步判断信息中的图像信息通过多媒体设备播放;
区域子***将其他初步判断信息发送给总控***;
总控***获取初步判断信息对应的处理类型与初步判断信息对应的位置信息;
将交通违章处理类型和交通事故处理类型的初步判断信息结合位置信息后发送给交警平台,将城管负责事件处理类型的初步判断信息结合位置信息后发送给城管平台,将民警负责事件处理类型的初步判断信息结合位置信息后发送给民警平台。
通过采用上述方案,能够在快速判断拍摄的图片中是否发生违法行为的同时,还能将信息直接广播或分选给不同的执法人员使用的平台,在分选过程中能够对信息进行较详细的分类,简化处理过程,省时省力。
优选的,还包括以下步骤:
总控***接收到交通事故处理类型下的初步判断信息后,调出初步判断信息中的图像信息,通过人脸识别软件识别图像信息中框选区域的人脸信息,将人脸信息和查询请求上传至交警平台;
总控***接收交警平台返回的驾驶员信息,交通判断模块将驾驶员信息与框选区域关联,将驾驶员信息发送给交警接口模块,交警接口模块将驾驶员信息与初步判断信息一起发送给交警平台;
总控***向交警平台发送位置请求;
总控***接收交警平台返回的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给交警平台;
总控***接收到城管负责事件处理类型下的初步判断信息后,向城管平台发送位置请求;
总控***接收城管平台返回的人员位置信息,城管判断模块根据初步判断信息关联的位置信息查询最近的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给城管平台;
总控***接收到民警负责事件处理类型下的初步判断信息后,向民警平台发送位置请求;
总控***接收民警平台返回的人员位置信息,民警判断模块根据初步判断信息关联的位置信息查询最近的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给民警平台。
通过采用上述方案,能够对交通事故类型的图像信息自动进行人脸识别,查询包括驾驶证、行驶证等驾驶员信息,方便交警快速处理事故,同时能够根据发生事故的位置为执法人员平台快速查询最近可到岗执法人员并规划路线,帮助平台派遣执法人员。
优选的,还包括以下步骤:
总控***接收交警平台、城管平台和民警平台发送的与初步判断信息关联的误判信息,根据误判信息调出关联的初步判断信息,再调出接收的初步判断信息中的图像信息,根据图像信息中被框选区域对违法判断模型进行训练,让违法判断模型不再将有相同特征的图像识别为违规违法行为;
总控***接收到交警平台、城管平台或民警平台发送的调用指令后,根据调用指令调用区域子***对应的图像信息并传输给交警平台、城管平台或民警平台;
总控***接收交警平台、城管平台或民警平台传输的框选区域后的图像信息后,对框选区域后的图像信息进行预处理,将预处理后的图像信息加入违法判断模型的数据库中。
通过采用上述方案,执法人员平台可以将误判的图像信息返回***,由***对违法判断模型进行修正训练,在上传图像信息时会主动请求执法人员平台返回结果,如果执法人员平台将***没有判断出来的图像信息返回***,***会自动将图像信息加入违法判断模型的数据库中,使得数据库能够不断完善。
综上所述,本发明具有以下有益效果:
1. 在快速判断拍摄的图片中是否发生违法行为的同时,还能将信息直接广播或分选给不同的执法人员使用的平台,在分选过程中能够对信息进行较详细的分类,简化处理过程,省时省力。
附图说明
图1是本申请实施例一的整体***框图。
图2是本申请实施例一的区域子***和总控***的模块框图。
图3是本申请实施例一的模型构建模块的模块框图;
图4是本申请实施例一的总控***的模块框图。
附图标记说明:
1、区域子***;11、视频获取模块;12、初级判断模块;13、初级分选模块;14、现场警报模块;141、多媒体设备;15、模型构建模块;2、总控***;21、次级分选模块;22、交警接口模块;23、城管接口模块;24、民警接口模块;25、交通判断模块;251、交警反馈模块;26、城管判断模块;261、城管反馈模块;27、民警判断模块;271、民警反馈模块;28、模型训练模块;3、交警平台;4、城管平台;5、民警平台。
具体实施方式
实施例一,本申请实施例公开一种多平台联动的道路图像模型处理***,如图1所示,包括多个设置于不同区域内的区域子***1和设置于云端的总控***2,区域子***1包括视频获取模块11、初级判断模块12、初级分选模块13、现场警报模块14。总控***2包括次级分选模块21、交警接口模块22、城管接口模块23、民警接口模块24、交通判断模块25、交警反馈模块251、城管判断模块26、城管反馈模块261、民警判断模块27、民警反馈模块271、模型训练模块28。
如图1和图2所示,视频获取模块11包括设置于街道上的摄像头,视频获取模块11拍摄带有位置信息的图像信息,并将图像信息传输给初级判断模块12。
如图2和图3所示,模型构建模块15构建违法判断模型,模型构建模块15调用视频获取模块11的图像信息并将图像信息划分为第一训练样本和第二训练样本,构建第一监测模型,第一监测模型包括两个不同类的分类器,其中,两个所述分类器包括支持向量机分类器和贝叶斯分类器,选取第一训练样本,第一训练样本包括有人车道路的第一分类样本和无人车道路的第二分类样本。有人车道路为存在行人和/或车辆的道路,无人车道路为不存在行人或车辆的道路,第一分类样本和第二分类样本均包括对应道路的标识数据,标识数据包括道路安全标识以及交通规则标识。将第一分类样本和第二分类样本均分别输入至两个分类器进行训练。两个分类器的分类结果作为所述第一监测模型的预测结果。将标识数据输入至第一监测模型,得到所述第一监测模型输出的第一监测结果。若所述第一监测结果中显示目标道路中存在行人和/或车辆,则获取所述目标道路的图像数据;构建第二监测模型,所述第二监测模型包括多个神经网络;多个神经网络包括VGG16神经网络和U-Net神经网络。其中,所述第二监测模型以所述U-Net神经网络作为所述第二监测模型的主体,将所述VGG16神经网络替换所述U-Net神经网络的编码器,通过ImageNet初始化所述VGG16神经网络的权重;对第二监测模型进行训练的过程包括:选取第二训练样本,第二训练样本包括有人车道路的图像数据。所述有人车道路为存在行人和/或车辆的道路;将第二训练样本输入至所述第二监测模型进行训练,得到所述第二监测模型的预测结果。将所述图像数据输入至第二监测模型,得到所述第二监测模型输出的第二监测结果,第二监测结果为各类违规违法行为;模型构建模块15将训练后的违法判断模型传输给初级判断模块12。初级判断模块12预设有违法判断模型,通过违法判断模型判断图像信息中是否存在违规违法行为,并将图像信息中存在违规违法的区域框选,并判断出的违规违法行为类型,将违规违法行为类型与图像信息关联后形成初步判断信息,将初步判断信息发送给初级分选模块13。
如图2所示,初级分选模块13预设有行为种类表,行为种类表包括多个违法违规行为和多个处理类型,每个违法违规行为均与一个处理类型关联,处理类型包括公示警告、交通违章、交通事故、城管负责事件和民警负责事件,初级分选模块13根据行为种类表将初步判断信息分类到对应的处理类型,初级分选模块13将公示警告处理类型下的初步判断信息发送给现场警告模块,将其他初步判断信息发送给次级分选模块21。
如图2所示,现场警报模块14包括设置于区域子***1附近的多媒体设备141,多媒体设备141可以是液晶屏、音响等。现场警报模块14接收到初步判断信息后将初步判断信息中的违规违法行为类型转变为文字信息,将文字信息与初步判断信息中的图像信息通过多媒体设备141播放。现场警报模块14在多媒体设备141上预设有多种语音警告、图像区域和文字区域,将接收的图像信息与文字信息安排在图像区域和文字区域,现场警报模块14根据初步判断信息中的违法违规行为类型选择语音警告,通过多媒体设备141播放语音警告。***能够将口头警告类型下的图像信息以图像、文字和语音的形式进行播放,语音用于警告违规人员。
如图2所示,次级分选模块21接收初步判断信息后获取初步判断信息对应的处理类型与初步判断信息对应的位置信息,将交通违章处理类型和交通事故处理类型的初步判断信息结合位置信息后发送给交警接口模块22,将城管负责事件处理类型的初步判断信息结合位置信息后发送给城管接口模块23,将民警负责事件处理类型的初步判断信息结合位置信息后发送给民警接口模块24。
如图2所示,交警接口模块22连接交警平台3,将接收的初步判断信息发送给交警平台3。城管接口模块23连接城管平台4,将接收的初步判断信息发送给城管平台4。民警接口模块24连接民警平台5,将接收的初步判断信息发送给民警平台5。
如图2所示,交通判断模块25接收次级分选模块21输出的交通事故处理类型下的初步判断信息,调出初步判断信息中的图像信息,通过人脸识别软件识别图像信息中框选区域的人脸信息,将人脸信息和查询请求上传至交警平台3,接收交警平台3返回的驾驶员信息,交通判断模块25将驾驶员信息与框选区域关联,将驾驶员信息发送给交警接口模块22,交警接口模块22将驾驶员信息与初步判断信息一起发送给交警平台3。***能够对交通事故类型的图像信息自动进行人脸识别,查询包括驾驶证、行驶证等驾驶员信息,方便交警快速处理事故。交通判断模块25向交警平台3发送位置请求,接收交警平台3返回的人员位置信息,交通判断模块25根据初步判断信息关联的位置信息查询最近的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给交警接口模块22,交警接口模块22将人员位置信息和最短路径发送给交警平台3。
如图2所示,城管判断模块26接收次级分选模块21输出的城管负责事件处理类型下的初步判断信息,城管判断模块26向城管平台4发送位置请求,接收城管平台4返回的人员位置信息,城管判断模块26根据初步判断信息关联的位置信息查询最近的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给城管接口模块23,城管接口模块23将人员位置信息和最短路径发送给城管平台4。
如图2所示,民警判断模块27接收次级分选模块21输出的民警负责事件处理类型下的初步判断信息,民警判断模块27向民警平台5发送位置请求,接收民警平台5返回的人员位置信息,民警判断模块27根据初步判断信息关联的位置信息查询最近的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给民警接口模块24,民警接口模块24将人员位置信息和最短路径发送给民警平台5。***能够根据发生事故的位置为执法人员平台快速查询最近可到岗执法人员并规划路线,帮助平台派遣执法人员。
如图2和图4所示,交警接口模块22接收交警平台3的调用指令,根据调用指令调用区域子***1对应的图像信息并传输给交警平台3。城管接口模块23接收城管平台4的调用指令,根据调用指令调用区域子***1对应的图像信息并传输给城管平台4。民警接口模块24接收民警平台5的调用指令,根据调用指令调用区域子***1对应的图像信息并传输给民警平台5。交警反馈模块251连接交警平台3,接收交警平台3发送的与初步判断信息关联的误判信息,交警反馈模块251将误判信息关联的初步判断信息发送给模型训练模块28。交警反馈模块251判断接收的初步判断信息是否处于公示警告处理类型下,若处于公示警告处理类型下,则即将初步判断信息传输给现场警报模块14,现场警报模块14接收到交警反馈模块251传输的初步判断信息后取消多媒体设备141播放对应该初步判断信息的文字信息与图像信息。交警反馈模块251接收交警平台3传输的框选区域后的图像信息,交警反馈模块251将框选区域后的图像信息发送给模型训练模块28。城管反馈模块261连接城管平台4,接收城管平台4发送的与初步判断信息关联的误判信息,城管反馈模块261将误判信息关联的初步判断信息发送给模型训练模块28。城管反馈模块261接收城管平台4传输的框选区域后的图像信息,城管反馈模块261将框选区域后的图像信息发送给模型训练模块28。民警反馈模块271连接民警平台5,接收民警平台5发送的与初步判断信息关联的误判信息,民警反馈模块271将误判信息关联的初步判断信息发送给模型训练模块28。民警反馈模块271接收民警平台5传输的框选区域后的图像信息,民警反馈模块271将框选区域后的图像信息发送给模型训练模块28。
如图2和图4所示,模型训练模块28调用初级判断模块12的违法判断模型,模型训练模块28调出接收的初步判断信息中的图像信息,根据图像信息中被框选区域对违法判断模型进行训练,让违法判断模型不再将有相同特征的图像识别为违规违法行为。模型训练模块28接收到框选区域后的图像信息后对框选区域后的图像信息进行预处理,将预处理后的图像信息加入违法判断模型的数据库中。执法人员平台可以将误判的图像信息返回***,由***对违法判断模型进行修正训练。***在上传图像信息时会主动请求执法人员平台返回结果,如果执法人员平台将***没有判断出来的图像信息返回***,***会自动将图像信息加入违法判断模型的数据库中,使得数据库能够不断完善。
本申请实施例一种多平台联动的道路图像模型处理***的实施原理为:本***能够在快速判断拍摄的图片中是否发生违法行为的同时,还能将信息直接广播或分选给不同的执法人员使用的平台,在分选过程中能够对信息进行较详细的分类,简化处理过程,省时省力。
实施例二,本申请实施例公开一种多平台联动的道路图像模型处理方法,具体步骤如下:
区域子***1预设行为种类表。在区域子***1附近设置多媒体设备141。
区域子***1拍摄图像信息。
区域子***1构建违法判断模型,调用图像信息并将图像信息划分为第一训练样本和第二训练样本,构建第一监测模型,第一监测模型包括两个不同类的分类器,其中,两个所述分类器包括支持向量机分类器和贝叶斯分类器,选取第一训练样本,标识数据包括道路安全标识以及交通规则标识;将第一分类样本和第二分类样本均分别输入至两个分类器进行训练;将两个分类器的分类结果作为所述第一监测模型的预测结果;将标识数据输入至第一监测模型,得到所述第一监测模型输出的第一监测结果;若所述第一监测结果中显示目标道路中存在行人和/或车辆,则获取所述目标道路的图像数据;构建第二监测模型,所述第二监测模型包括多个神经网络;多个神经网络包括VGG16神经网络和U-Net神经网络;其中,所述第二监测模型以所述U-Net神经网络作为所述第二监测模型的主体,将所述VGG16神经网络替换所述U-Net神经网络的编码器,通过ImageNet初始化所述VGG16神经网络的权重;对第二监测模型进行训练的过程包括:选取第二训练样本,第二训练样本包括有人车道路的图像数据;将第二训练样本输入至所述第二监测模型进行训练,得到所述第二监测模型的预测结果;将所述图像数据输入至第二监测模型,得到所述第二监测模型输出的第二监测结果,第二监测结果为各类违规违法行为。
区域子***1通过违法判断模型判断图像信息中是否存在违规违法行为,并将图像信息中存在违规违法的区域框选,并判断出的违规违法行为类型。
区域子***1将违规违法行为类型与图像信息关联后形成初步判断信息。
区域子***1根据行为种类表将初步判断信息分类到对应的处理类型。
区域子***1将公示警告处理类型下的初步判断信息选出,将初步判断信息中的违规违法行为类型转变为文字信息,将文字信息与初步判断信息中的图像信息通过多媒体设备141播放。
区域子***1将其他初步判断信息发送给总控***2。
总控***2获取初步判断信息对应的处理类型与初步判断信息对应的位置信息。
将交通违章处理类型和交通事故处理类型的初步判断信息结合位置信息后发送给交警平台3,将城管负责事件处理类型的初步判断信息结合位置信息后发送给城管平台4,将民警负责事件处理类型的初步判断信息结合位置信息后发送给民警平台5。
总控***2接收到交通事故处理类型下的初步判断信息后,调出初步判断信息中的图像信息,通过人脸识别软件识别图像信息中框选区域的人脸信息,将人脸信息和查询请求上传至交警平台3。
总控***2接收交警平台3返回的驾驶员信息,交通判断模块25将驾驶员信息与框选区域关联,将驾驶员信息发送给交警接口模块22,交警接口模块22将驾驶员信息与初步判断信息一起发送给交警平台3。
总控***2向交警平台3发送位置请求。
总控***2接收交警平台3返回的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给交警平台3。
总控***2接收到城管负责事件处理类型下的初步判断信息后,向城管平台4发送位置请求。
总控***2接收城管平台4返回的人员位置信息,城管判断模块26根据初步判断信息关联的位置信息查询最近的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给城管平台4。
总控***2接收到民警负责事件处理类型下的初步判断信息后,向民警平台5发送位置请求。
总控***2接收民警平台5返回的人员位置信息,民警判断模块27根据初步判断信息关联的位置信息查询最近的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给民警平台5。
总控***2接收交警平台3、城管平台4和民警平台5发送的与初步判断信息关联的误判信息,根据误判信息调出关联的初步判断信息,再调出接收的初步判断信息中的图像信息,根据图像信息中被框选区域对违法判断模型进行训练,让违法判断模型不再将有相同特征的图像识别为违规违法行为。
总控***2接收到交警平台3、城管平台4或民警平台5发送的调用指令后,根据调用指令调用区域子***1对应的图像信息并传输给交警平台3、城管平台4或民警平台5。
总控***2接收交警平台3、城管平台4或民警平台5传输的框选区域后的图像信息后,对框选区域后的图像信息进行预处理,将预处理后的图像信息加入违法判断模型的数据库中。
本具体实施方式的实施例均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (10)
1.一种多平台联动的道路图像模型处理***,其特征在于:包括多个设置于不同区域内的区域子***(1)和设置于云端的总控***(2),所述区域子***(1)包括视频获取模块(11)、模型构建模块(15)、初级判断模块(12)、初级分选模块(13)和现场警报模块(14);
所述视频获取模块(11)获取带有位置信息的图像信息,并将图像信息传输给初级判断模块(12);
所述模型构建模块(15)构建违法判断模型,在违法判断模型中构建第一监测模型和第二监测模型,第一监测模型识别图像信息中有无行人和/或车辆,第二监测模型对有行人和/或车辆的图像信息识别违规违法行为,对违法判断模型进行训练,模型构建模块(15)将训练后的违法判断模型传输给初级判断模块(12);
所述初级判断模块(12)接收违法判断模型,通过违法判断模型判断图像信息中是否有存在违规违法行为,并将图像信息中存在违规违法的区域框选,并判断出的违规违法行为类型,将违规违法行为类型与图像信息关联后形成初步判断信息,将初步判断信息发送给初级分选模块(13);
所述初级分选模块(13)将初步判断信息分类为公示警告、交通违章、交通事故、城管负责事件和民警负责事件的处理类型,将公示警告处理类型下的初步判断信息发送给现场警报模块(14)进行,将其他初步判断信息发送给总控***(2);
所述现场警报模块(14)将接收的初步判断信息进行播放;
所述总控***(2)将接收的初步判断信息根据处理类型发送给交警平台(3)、城管平台(4)或民警平台(5)。
2.根据权利要求1所述的一种多平台联动的道路图像模型处理***,其特征在于:所述模型构建模块(15)调用视频获取模块(11)的图像信息并将图像信息划分为第一训练样本和第二训练样本,构建第一监测模型,第一监测模型包括两个不同类的分类器,其中,两个所述分类器包括支持向量机分类器和贝叶斯分类器,选取第一训练样本,第一训练样本包括有人车道路的第一分类样本和无人车道路的第二分类样本;所述有人车道路为存在行人和/或车辆的道路,所述无人车道路为不存在行人或车辆的道路,第一分类样本和第二分类样本均包括对应道路的标识数据,所述标识数据包括道路安全标识以及交通规则标识;将第一分类样本和第二分类样本均分别输入至两个分类器进行训练;将两个分类器的分类结果作为所述第一监测模型的预测结果;将标识数据输入至第一监测模型,得到所述第一监测模型输出的第一监测结果;若所述第一监测结果中显示目标道路中存在行人和/或车辆,则获取所述目标道路的图像数据;构建第二监测模型,所述第二监测模型包括多个神经网络;多个神经网络包括VGG16神经网络和U-Net神经网络;其中,所述第二监测模型以所述U-Net神经网络作为所述第二监测模型的主体,将所述VGG16神经网络替换所述U-Net神经网络的编码器,通过ImageNet初始化所述VGG16神经网络的权重;对第二监测模型进行训练的过程包括:选取第二训练样本,第二训练样本包括有人车道路的图像数据;所述有人车道路为存在行人和/或车辆的道路;将第二训练样本输入至所述第二监测模型进行训练,得到所述第二监测模型的预测结果;将所述图像数据输入至第二监测模型,得到所述第二监测模型输出的第二监测结果,第二监测结果为各类违规违法行为;模型构建模块(15)将训练后的违法判断模型传输给初级判断模块(12);
所述初级分选模块(13)预设有行为种类表,行为种类表包括多个违法违规行为和多个处理类型,每个违法违规行为均与一个处理类型关联,处理类型包括公示警告、交通违章、交通事故、城管负责事件和民警负责事件,初级分选模块(13)根据行为种类表将初步判断信息分类到对应的处理类型,初级分选模块(13)将公示警告处理类型下的初步判断信息发送给现场警报模块(14),将其他初步判断信息发送给总控***(2);
所述现场警报模块(14)包括设置于区域子***(1)附近的多媒体设备(141),现场警报模块(14)接收到初步判断信息后将初步判断信息中的违规违法行为类型转变为文字信息,将文字信息与初步判断信息中的图像信息通过多媒体设备(141)播放;
所述总控***(2)包括次级分选模块(21)、交警接口模块(22)、城管接口模块(23)和民警接口模块(24);
所述次级分选模块(21)接收初步判断信息后获取初步判断信息对应的处理类型与初步判断信息对应的位置信息,将交通违章处理类型和交通事故处理类型的初步判断信息结合位置信息后发送给交警接口模块(22),将城管负责事件处理类型的初步判断信息结合位置信息后发送给城管接口模块(23),将民警负责事件处理类型的初步判断信息结合位置信息后发送给民警接口模块(24);
所述交警接口模块(22)连接交警平台(3),将接收的初步判断信息发送给交警平台(3);
所述城管接口模块(23)连接城管平台(4),将接收的初步判断信息发送给城管平台(4);
所述民警接口模块(24)连接民警平台(5),将接收的初步判断信息发送给民警平台(5)。
3.根据权利要求2所述的一种多平台联动的道路图像模型处理***,其特征在于:所述总控***(2)还包括交通判断模块(25)、城管判断模块(26)和民警判断模块(27);
所述交通判断模块(25)接收次级分选模块(21)输出的交通事故处理类型下的初步判断信息,调出初步判断信息中的图像信息,通过人脸识别软件识别图像信息中框选区域的人脸信息,将人脸信息和查询请求上传至交警平台(3),接收交警平台(3)返回的驾驶员信息,交通判断模块(25)将驾驶员信息与框选区域关联,将驾驶员信息发送给交警接口模块(22),交警接口模块(22)将驾驶员信息与初步判断信息一起发送给交警平台(3);
所述交通判断模块(25)向交警平台(3)发送位置请求,接收交警平台(3)返回的人员位置信息,交通判断模块(25)根据初步判断信息关联的位置信息查询最近的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给交警接口模块(22),交警接口模块(22)将人员位置信息和最短路径发送给交警平台(3);
所述城管判断模块(26)接收次级分选模块(21)输出的城管负责事件处理类型下的初步判断信息,城管判断模块(26)向城管平台(4)发送位置请求,接收城管平台(4)返回的人员位置信息,城管判断模块(26)根据初步判断信息关联的位置信息查询最近的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给城管接口模块(23),城管接口模块(23)将人员位置信息和最短路径发送给城管平台(4);
所述民警判断模块(27)接收次级分选模块(21)输出的民警负责事件处理类型下的初步判断信息,民警判断模块(27)向民警平台(5)发送位置请求,接收民警平台(5)返回的人员位置信息,民警判断模块(27)根据初步判断信息关联的位置信息查询最近的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给民警接口模块(24),民警接口模块(24)将人员位置信息和最短路径发送给民警平台(5)。
4.根据权利要求2所述的一种多平台联动的道路图像模型处理***,其特征在于:总控***(2)还包括交警反馈模块(251)、城管反馈模块(261)、民警反馈模块(271)和模型训练模块(28);
所述交警反馈模块(251)连接交警平台(3),接收交警平台(3)发送的与初步判断信息关联的误判信息,交警反馈模块(251)将误判信息关联的初步判断信息发送给模型训练模块(28);
所述城管反馈模块(261)连接城管平台(4),接收城管平台(4)发送的与初步判断信息关联的误判信息,城管反馈模块(261)将误判信息关联的初步判断信息发送给模型训练模块(28);
所述民警反馈模块(271)连接民警平台(5),接收民警平台(5)发送的与初步判断信息关联的误判信息,民警反馈模块(271)将误判信息关联的初步判断信息发送给模型训练模块(28);
所述模型训练模块(28)调用初级判断模块(12)的违法判断模型,模型训练模块(28)调出接收的初步判断信息中的图像信息,根据图像信息中被框选区域对违法判断模型进行训练,让违法判断模型不再将有相同特征的图像识别为违规违法行为。
5.根据权利要求4所述的一种多平台联动的道路图像模型处理***,其特征在于:所述交警反馈模块(251)判断接收的初步判断信息是否处于公示警告处理类型下,若处于公示警告处理类型下,则即将初步判断信息传输给现场警报模块(14),现场警报模块(14)接收到交警反馈模块(251)传输的初步判断信息后取消多媒体设备(141)播放对应该初步判断信息的文字信息与图像信息。
6.根据权利要求4所述的一种多平台联动的道路图像模型处理***,其特征在于:所述交警接口模块(22)接收交警平台(3)的调用指令,根据调用指令调用区域子***(1)对应的图像信息并传输给交警平台(3);
所述城管接口模块(23)接收城管平台(4)的调用指令,根据调用指令调用区域子***(1)对应的图像信息并传输给城管平台(4);
所述民警接口模块(24)接收民警平台(5)的调用指令,根据调用指令调用区域子***(1)对应的图像信息并传输给民警平台(5);
所述交警反馈模块(251)接收交警平台(3)传输的框选区域后的图像信息,交警反馈模块(251)将框选区域后的图像信息发送给模型训练模块(28);
所述城管反馈模块(261)接收城管平台(4)传输的框选区域后的图像信息,城管反馈模块(261)将框选区域后的图像信息发送给模型训练模块(28);
所述民警反馈模块(271)接收民警平台(5)传输的框选区域后的图像信息,民警反馈模块(271)将框选区域后的图像信息发送给模型训练模块(28);
所述模型训练模块(28)接收到框选区域后的图像信息后对框选区域后的图像信息进行预处理,将预处理后的图像信息加入违法判断模型的数据库中。
7.根据权利要求2所述的一种多平台联动的道路图像模型处理***,其特征在于:所述现场警报模块(14)在多媒体设备(141)上预设有多种语音警告、图像区域和文字区域,将接收的图像信息与文字信息安排在图像区域和文字区域,现场警报模块(14)根据初步判断信息中的违法违规行为类型选择语音警告,通过多媒体设备(141)播放语音警告。
8.一种多平台联动的道路图像模型处理方法,包括如权利要求1-7任一项所述的道路图像模型处理***,其特征在于,包括以下步骤:
区域子***(1)预设行为种类表;
区域子***(1)拍摄图像信息;
区域子***(1)构建违法判断模型,调用图像信息并将图像信息划分为第一训练样本和第二训练样本,构建第一监测模型,第一监测模型包括两个不同类的分类器,其中,两个所述分类器包括支持向量机分类器和贝叶斯分类器,选取第一训练样本,标识数据包括道路安全标识以及交通规则标识;将第一分类样本和第二分类样本均分别输入至两个分类器进行训练;将两个分类器的分类结果作为所述第一监测模型的预测结果;将标识数据输入至第一监测模型,得到所述第一监测模型输出的第一监测结果;若所述第一监测结果中显示目标道路中存在行人和/或车辆,则获取所述目标道路的图像数据;构建第二监测模型,所述第二监测模型包括多个神经网络;多个神经网络包括VGG16神经网络和U-Net神经网络;其中,所述第二监测模型以所述U-Net神经网络作为所述第二监测模型的主体,将所述VGG16神经网络替换所述U-Net神经网络的编码器,通过ImageNet初始化所述VGG16神经网络的权重;对第二监测模型进行训练的过程包括:选取第二训练样本,第二训练样本包括有人车道路的图像数据;将第二训练样本输入至所述第二监测模型进行训练,得到所述第二监测模型的预测结果;将所述图像数据输入至第二监测模型,得到所述第二监测模型输出的第二监测结果,第二监测结果为各类违规违法行为;
区域子***(1)通过违法判断模型判断图像信息中是否存在违规违法行为,并将图像信息中存在违规违法的区域框选,并判断出的违规违法行为类型;
区域子***(1)将违规违法行为类型与图像信息关联后形成初步判断信息;
区域子***(1)根据行为种类表将初步判断信息分类到对应的处理类型;
在区域子***(1)附近设置多媒体设备(141);
区域子***(1)将公示警告处理类型下的初步判断信息选出,将初步判断信息中的违规违法行为类型转变为文字信息,将文字信息与初步判断信息中的图像信息通过多媒体设备(141)播放;
区域子***(1)将其他初步判断信息发送给总控***(2);
总控***(2)获取初步判断信息对应的处理类型与初步判断信息对应的位置信息;
将交通违章处理类型和交通事故处理类型的初步判断信息结合位置信息后发送给交警平台(3),将城管负责事件处理类型的初步判断信息结合位置信息后发送给城管平台(4),将民警负责事件处理类型的初步判断信息结合位置信息后发送给民警平台(5)。
9.根据权利要求8所述的一种多平台联动的道路图像模型处理方法,其特征在于,还包括以下步骤:
总控***(2)接收到交通事故处理类型下的初步判断信息后,调出初步判断信息中的图像信息,通过人脸识别软件识别图像信息中框选区域的人脸信息,将人脸信息和查询请求上传至交警平台(3);
总控***(2)接收交警平台(3)返回的驾驶员信息,交通判断模块(25)将驾驶员信息与框选区域关联,将驾驶员信息发送给交警接口模块(22),交警接口模块(22)将驾驶员信息与初步判断信息一起发送给交警平台(3);
总控***(2)向交警平台(3)发送位置请求;
总控***(2)接收交警平台(3)返回的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给交警平台(3);
总控***(2)接收到城管负责事件处理类型下的初步判断信息后,向城管平台(4)发送位置请求;
总控***(2)接收城管平台(4)返回的人员位置信息,城管判断模块(26)根据初步判断信息关联的位置信息查询最近的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给城管平台(4);
总控***(2)接收到民警负责事件处理类型下的初步判断信息后,向民警平台(5)发送位置请求;
总控***(2)接收民警平台(5)返回的人员位置信息,民警判断模块(27)根据初步判断信息关联的位置信息查询最近的人员位置信息,根据查询的人员位置信息与位置信息规划最短路径,将人员位置信息和最短路径发送给民警平台(5)。
10.根据权利要求8所述的一种多平台联动的道路图像模型处理方法,其特征在于,还包括以下步骤:
总控***(2)接收交警平台(3)、城管平台(4)和民警平台(5)发送的与初步判断信息关联的误判信息,根据误判信息调出关联的初步判断信息,再调出接收的初步判断信息中的图像信息,根据图像信息中被框选区域对违法判断模型进行训练,让违法判断模型不再将有相同特征的图像识别为违规违法行为;
总控***(2)接收到交警平台(3)、城管平台(4)或民警平台(5)发送的调用指令后,根据调用指令调用区域子***(1)对应的图像信息并传输给交警平台(3)、城管平台(4)或民警平台(5);
总控***(2)接收交警平台(3)、城管平台(4)或民警平台(5)传输的框选区域后的图像信息后,对框选区域后的图像信息进行预处理,将预处理后的图像信息加入违法判断模型的数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145468.3A CN117671572A (zh) | 2024-02-02 | 2024-02-02 | 一种多平台联动的道路图像模型处理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145468.3A CN117671572A (zh) | 2024-02-02 | 2024-02-02 | 一种多平台联动的道路图像模型处理***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117671572A true CN117671572A (zh) | 2024-03-08 |
Family
ID=90086694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410145468.3A Pending CN117671572A (zh) | 2024-02-02 | 2024-02-02 | 一种多平台联动的道路图像模型处理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117671572A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102263937A (zh) * | 2011-07-26 | 2011-11-30 | 华南理工大学 | 基于视频检测的驾驶员驾驶行为监控装置及监控方法 |
CN109309673A (zh) * | 2018-09-18 | 2019-02-05 | 南京方恒信息技术有限公司 | 一种基于神经网络的dns隐蔽信道检测方法 |
CN110189524A (zh) * | 2019-06-19 | 2019-08-30 | 刘先进 | 一种主动式违章违规识别方法、***和电子设备 |
CN110363426A (zh) * | 2019-07-15 | 2019-10-22 | 软通动力信息技术有限公司 | 一种云平台远程执法方法、装置、服务器和存储介质 |
CN112381859A (zh) * | 2020-11-20 | 2021-02-19 | 公安部第三研究所 | 实现针对视频图像数据进行智能解析识别处理的***、方法、装置、处理器及存储介质 |
CN112988212A (zh) * | 2021-03-24 | 2021-06-18 | 厦门吉比特网络技术股份有限公司 | 神经网络模型之在线增量更新方法、装置、***及存储介质 |
CN113919655A (zh) * | 2021-09-17 | 2022-01-11 | 深圳技术大学 | 执法人员调度方法、***、计算机装置及存储介质 |
CN114187625A (zh) * | 2021-11-18 | 2022-03-15 | 天津市国瑞数码安全***股份有限公司 | 一种基于视频源自动探测技术的视频检测方法 |
CN115601717A (zh) * | 2022-10-19 | 2023-01-13 | 中诚华隆计算机技术有限公司(Cn) | 基于深度学习的交通违法行为分类检测方法及SoC芯片 |
CN116109818A (zh) * | 2023-04-11 | 2023-05-12 | 成都中医药大学 | 一种基于面部视频的中医脉候判别***及方法和装置 |
-
2024
- 2024-02-02 CN CN202410145468.3A patent/CN117671572A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102263937A (zh) * | 2011-07-26 | 2011-11-30 | 华南理工大学 | 基于视频检测的驾驶员驾驶行为监控装置及监控方法 |
CN109309673A (zh) * | 2018-09-18 | 2019-02-05 | 南京方恒信息技术有限公司 | 一种基于神经网络的dns隐蔽信道检测方法 |
CN110189524A (zh) * | 2019-06-19 | 2019-08-30 | 刘先进 | 一种主动式违章违规识别方法、***和电子设备 |
CN110363426A (zh) * | 2019-07-15 | 2019-10-22 | 软通动力信息技术有限公司 | 一种云平台远程执法方法、装置、服务器和存储介质 |
CN112381859A (zh) * | 2020-11-20 | 2021-02-19 | 公安部第三研究所 | 实现针对视频图像数据进行智能解析识别处理的***、方法、装置、处理器及存储介质 |
CN112988212A (zh) * | 2021-03-24 | 2021-06-18 | 厦门吉比特网络技术股份有限公司 | 神经网络模型之在线增量更新方法、装置、***及存储介质 |
CN113919655A (zh) * | 2021-09-17 | 2022-01-11 | 深圳技术大学 | 执法人员调度方法、***、计算机装置及存储介质 |
CN114187625A (zh) * | 2021-11-18 | 2022-03-15 | 天津市国瑞数码安全***股份有限公司 | 一种基于视频源自动探测技术的视频检测方法 |
CN115601717A (zh) * | 2022-10-19 | 2023-01-13 | 中诚华隆计算机技术有限公司(Cn) | 基于深度学习的交通违法行为分类检测方法及SoC芯片 |
CN116109818A (zh) * | 2023-04-11 | 2023-05-12 | 成都中医药大学 | 一种基于面部视频的中医脉候判别***及方法和装置 |
Non-Patent Citations (2)
Title |
---|
TURBO_COME: "Vgg16+Unet介绍", pages 1 - 2, Retrieved from the Internet <URL:https://blog.csdn.net/turbo_come/article/details/104602250> * |
我是一条小青蛇: "Keras 手动搭建 VGG 卷积神经网络识别 ImageNet 1000 种常见分类", pages 4, Retrieved from the Internet <URL:https://cloud.tencent.com/developer/article/1525554> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919140B (zh) | 车辆碰撞事故责任自动判定方法、***、设备及存储介质 | |
CN109800633B (zh) | 一种非机动车交通违法判断方法、装置和电子设备 | |
US20120148092A1 (en) | Automatic traffic violation detection system and method of the same | |
CN105160899B (zh) | 一种物联网智能交通违法管理装置 | |
CN110718058B (zh) | 一种基于主动安全终端的高速公路应急车道占用检测和处置方法 | |
US20050073436A1 (en) | Method and system for alerting a patrol officer of a wanted vehicle | |
CN113724416A (zh) | 基于车路协同***的车载视频处理方法、装置及存储介质 | |
CN102142193A (zh) | 交通违规行为自动侦测***与方法 | |
CN110321804A (zh) | 一种基于人脸和电动车牌识别结合进行身份认证的方法 | |
CN112381859B (zh) | 实现针对视频图像数据进行智能解析识别处理的***、方法、装置、处理器及存储介质 | |
CN109584133A (zh) | 网约车安全控制方法、装置、计算机设备及存储介质 | |
CN104464289A (zh) | 一种车辆违章时驾驶信息的识别方法 | |
CN110395252A (zh) | 一种红绿灯路口用自动控制车辆通行***及方法 | |
CN114394100B (zh) | 一种无人巡逻车控制***及无人车 | |
CN115035491A (zh) | 一种基于联邦学习的驾驶行为路况预警方法 | |
CN108257400A (zh) | 一种车辆驾驶的智能管理***及其管理方法 | |
CN109671270A (zh) | 行车事故处理方法及装置、存储介质 | |
KR101066081B1 (ko) | 차량 탑재형 스마트 정보 판독 시스템 및 방법 | |
CN113870551B (zh) | 一种能够鉴别危险和非危险驾驶行为的路侧监控*** | |
US20220156504A1 (en) | Audio/video capturing device, vehicle mounted device, control centre system, computer program and method | |
KR102309106B1 (ko) | 상황 연계형 영상분석장치 | |
CN112907979B (zh) | 一种基于多摄像头的机动车违法行驶轨迹跟踪***及方法 | |
CN110807929A (zh) | 一种交通警用辅助指挥信息分析研判*** | |
CN109003457B (zh) | 一种记录多台机动车违法占用应急车道行为的方法及装置 | |
CN109191856A (zh) | 基于大数据的车辆跟踪***和跟踪车辆的方法 |
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 |