[發(fā)明專利]視頻車輛非導向行駛檢測方法、裝置及可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201911193548.1
• 申請日: 2019-11-28
• 公開（公告）號: CN110909699A
• 公開（公告）日: 2020-03-24
• 發(fā)明（設計）人: 劉圭圭;李凡平;石柱國
• 申請（專利權(quán)）人: 北京以薩技術(shù)股份有限公司;青島以薩數(shù)據(jù)技術(shù)有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32
• 代理公司: 北京酷愛智慧知識產(chǎn)權(quán)代理有限公司 11514
• 代理人: 向霞

1.一種視頻車輛非導向行駛檢測方法，其特征在于，包括：

獲取樣本視頻場景，對所述樣本視頻場景進行標記處理，以得到判定信息；

讀取實時視頻流，并對所述實時視頻流進行解碼以得到待檢測圖片；

利用預設的車輛檢測模型對所述待檢測圖片進行車輛檢測及跟蹤，并結(jié)合所述判定信息得到多張取證圖片，所述取證圖片中包括目標車輛；

根據(jù)多張取證照片判定目標車輛是否發(fā)生非導向行駛事件；

若車輛發(fā)生非導向行駛事件，則利用預設的車牌識別模型對取證圖片上的目標車輛進行車牌識別，以得到車牌信息，并記錄違章時間；

將所述車牌信息、違章時間、取證圖片及目標車輛在取證圖片中的位置信息推送至后臺進行入庫、顯示。

2.如權(quán)利要求1所述的視頻車輛非導向行駛檢測方法，其特征在于，所述判定信息包括車道屬性區(qū)域、確定左轉(zhuǎn)區(qū)域、確定直行區(qū)域和確定右轉(zhuǎn)區(qū)域，所述車道區(qū)域包括左轉(zhuǎn)車道、左轉(zhuǎn)直行車道、直行車道、直行右轉(zhuǎn)車道和右轉(zhuǎn)車道。

3.如權(quán)利要求2所述的視頻車輛非導向行駛檢測方法，其特征在于，利用預設的車輛檢測模型對所述待檢測圖片進行車輛檢測及跟蹤，以得到多張取證圖片，具體包括：

利用預設的車輛檢測模型對所述待檢測圖像進行檢測，以得到目標車輛；

若所述目標車輛首次出現(xiàn)在車道區(qū)域內(nèi)，則保存第一張取證圖片，并記錄所述目標車輛在當前幀圖片中的位置和所述目標車輛的初始車道信息；

采用檢測框重疊度最大的方式對所述目標車輛進行跟蹤，當所述目標車輛首次離開所在車道區(qū)域時，保存第二張取證圖片，并記錄所述目標車輛在當前幀圖片中的位置；

當所述目標車輛進入確定左轉(zhuǎn)區(qū)域、確定直行區(qū)域或確定右轉(zhuǎn)區(qū)域時，保存第三張取證圖片，并記錄所述目標車輛在當前幀圖片中的位置和所述目標車輛的最終車道信息。

4.如權(quán)利要求3所述的視頻車輛非導向行駛檢測方法，其特征在于，根據(jù)多張取證照片判定目標車輛是否發(fā)生非導向行駛事件，具體包括：

根據(jù)確定左轉(zhuǎn)區(qū)域、確定直行區(qū)域、確定右轉(zhuǎn)區(qū)域、初始車道信息和最終車道信息判定目標車輛是否發(fā)生非導向行駛事件。

5.如權(quán)利要求1-4任一項所述的視頻車輛非導向行駛檢測方法，其特征在于，所述方法還包括：

獲取人工標注的第一樣本集和第二樣本集；

采用darknet深度學習框架對所述第一樣本集進行車輛檢測訓練，以得到所述車輛檢測模型；

采用MXNET-CNN深度學習框架對所述第二樣本集進行車牌識別訓練，以得到所述車牌識別模型。

6.一種視頻車輛非導向行駛檢測裝置，其特征在于，包括：

標記模塊，用于獲取樣本視頻場景，對所述樣本視頻場景進行標記處理，以得到判定信息；

解碼模塊，用于讀取實時視頻流，并對所述實時視頻流進行解碼以得到待檢測圖片；

檢測跟蹤模塊，用于利用預設的車輛檢測模型對所述待檢測圖片進行車輛檢測及跟蹤，并結(jié)合所述判定信息得到多張取證圖片，所述取證圖片中包括目標車輛；

判定模塊，用于根據(jù)多張取證照片判定目標車輛是否發(fā)生非導向行駛事件；

識別模塊，用于若車輛發(fā)生非導向行駛事件，則利用預設的車牌識別模型對取證圖片上的目標車輛進行車牌識別，以得到車牌信息，并記錄違章時間；

通訊模塊，用于將所述車牌信息、違章時間、取證圖片及目標車輛在取證圖片中的位置信息推送至后臺進行入庫、顯示。