基于行车视频的车辆违法检测方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及人工智能技术，揭露一种车辆违法检测方法，包括：提取第一帧的车道线类型及车道线位置坐标及第二帧的车道线类型及车道线位置坐标，根据第一帧的车道线类型，计算第一帧的车道线位置坐标及第一帧的位置坐标的向量，得到第一帧向量，同理得到第二帧的第二帧向量，根据第一帧向量及第二帧向量的方向，识别车辆在所述第一帧至所述第二帧内的行车结果。本发明专利技术还涉及区块链技术，所述行车视频帧集等可存储于区块链节点中。本发明专利技术还提出一种车辆违法检测装置、电子设备以及存储介质。本发明专利技术可解决因反复计算车道线与车辆距离而产生误差时，导致检测准确率较低的问题。本发明专利技术还适用于智慧交通领域，从而推动智慧城市的建设。建设。建设。

【技术实现步骤摘要】
基于行车视频的车辆违法检测方法、装置、设备及介质


[0001]本专利技术涉及人工智能领域，尤其涉及一种基于行车视频的车辆违法检测方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]随着当前经济飞速发展，车辆出行量也越来越大，如何判断行车是否违法，是当下重要的技术研究方向。
[0003]目前车辆违法检测方法，主要基于数字图像处理或深度学习，其中数字图像处理面对稍微复杂的场景时，检测效果较差，深度学习虽然可达到较为优异的检测结果，但当下主要使用深度学习检测车辆与车辆之间的行车距离，判断车辆与红绿灯之间的关系等。有部分结合数字图像处理及深度学习的方法，通过检测车辆与车道线的关系，从而判断行车是否违法，但检测过程中，由于需要反复计算车道线及车辆的距离而产生距离计算误差，从而导致检测准确率较低的现象。

技术实现思路

[0004]本专利技术提供一种基于行车视频的车辆违法检测方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决因反复计算车道线及车辆的距离而产生距离计算误差，导致检测准确率较低的现象。
[0005]为实现上述目的，本专利技术提供的一种基于行车视频的车辆违法检测方法，包括：
[0006]获取预设车辆的行车视频帧集，对所述行车视频帧集执行场景分割，得到车道线图片集，从所述车道线图片集中提取得到车道线结构数据，其中所述车道线结构数据包括车道线类型及车道线位置坐标；
[0007]根据预先构建的车辆检测模型，对所述行车视频帧集执行车辆检测，得到车辆在不同视频帧下的位置坐标，其中，所述车辆在不同视频帧下的位置坐标包括第一帧的位置坐标及第二帧的位置坐标；
[0008]从所述车道线结构数据中，提取第一帧的车道线类型及车道线位置坐标及第二帧的车道线类型及车道线位置坐标；
[0009]根据所述第一帧的车道线类型，计算所述第一帧的车道线位置坐标及所述第一帧的位置坐标的向量，得到第一帧向量，根据所述第二帧的车道线类型，计算所述第二帧的车道线位置坐标及所述第二帧的位置坐标的向量，得到第二帧向量；
[0010]根据所述第一帧向量及所述第二帧向量的方向，识别所述车辆在所述第一帧至所述第二帧内的行车结果。
[0011]可选地，所述对所述行车视频帧集执行场景分割，得到车道线图片集，包括：
[0012]接收用户在所述行车视频帧集中标记的车道线，得到车道线标签；
[0013]利用预训练完成的场景分割网络对所述行车视频帧集中的每一帧行车视频执行卷积操作，得到视频特征集；
[0014]以所述车道线标签为分割标准，从所述视频特征集中分割得到所述车道线图片集。
[0015]可选地，所述从所述车道线结构数据中，提取第一帧的车道线类型，包括：
[0016]查找所述第一帧在所述行车视频帧集的帧数编号及对应的行车视频帧；
[0017]利用所述帧数编号从所述车道线结构数据中提取预校对车道线类型；
[0018]利用所述场景分割网络，识别所述行车视频帧中的车道线识别类型；
[0019]判断所述预校对车道线类型与所述车道线识别类型是否相同；
[0020]若所述预校对车道线类型与所述车道线识别类型不相同，则对所述预校对车道线类型进行人工识别，得到所述第一帧的车道线类型；
[0021]若所述预校对车道线类型与所述车道线识别类型相同，将所述预校对车道线类型作为所述第一帧的车道线类型。
[0022]可选地，所述根据预先构建的检测模型，对所述行车视频帧集执行车辆检测之前，该方法还包括：
[0023]步骤A：获取车辆图片训练集及对应的车辆检测框标签集，通过所述检测模型的输入层接收所述车辆图片训练集；
[0024]步骤B：利用所述检测模型的卷积层及池化层，提取所述车辆图片训练集的车辆特征，得到训练车辆特征集；
[0025]步骤C：利用所述检测模型的输出层，预测所述训练车辆特征集的车辆预测检测框，得到车辆预测检测框集；
[0026]步骤D：根据预构建的误差函数，计算所述车辆检测框标签集与所述车辆预测检测框集的误差，若所述误差大于预设阈值误差，调整所述检测模型的内部参数，并返回步骤B；
[0027]步骤E、若所述误差小于或等于所述预设阈值误差，得到构建完成的所述检测模型。
[0028]可选地，所述计算所述车辆检测框标签集与所述车辆预测检测框集的误差，包括：
[0029]采用如下计算方法，计算得到所述车辆检测框标签集与所述车辆预测检测框集的误差：
[0030][0031]其中，s为所述误差，k为所述车辆图片训练集的数量，y
i
为所述车辆预测检测框集中的车辆检测框坐标，y
′
i
为所述车辆检测框标签集中的车辆检测框坐标。
[0032]可选地，所述计算所述第一帧的车道线位置坐标及所述第一帧的位置坐标的向量之前，所述方法还包括：
[0033]判断所述第一帧的车道线类型及所述第一帧的车道线类型是否相同；
[0034]若所述第一帧的车道线类型及所述第二帧的车道线类型相同且均为所述车道线类型中的虚线车道线，得到车辆在所述第一帧至所述第二帧内，行车不违法的结果。
[0035]为了解决上述问题，本专利技术还提供一种基于行车视频的车辆违法检测装置，所述装置包括：
[0036]车道线位置坐标生成模块，用于获取预设车辆的行车视频帧集，对所述行车视频
帧集执行场景分割，得到车道线图片集，从所述车道线图片集中提取得到车道线结构数据，其中所述车道线结构数据包括车道线类型及车道线位置坐标；
[0037]车辆位置坐标生成模块，用于根据预先构建的车辆检测模型，对所述行车视频帧集执行车辆检测，得到车辆在不同视频帧下的位置坐标，其中，所述车辆在不同视频帧下的位置坐标包括第一帧的位置坐标及第二帧的位置坐标；
[0038]车道线计算模块，用于从所述车道线结构数据中，提取第一帧的车道线类型及车道线位置坐标及第二帧的车道线类型及车道线位置坐标，根据所述第一帧的车道线类型，计算所述第一帧的车道线位置坐标及所述第一帧的位置坐标的向量，得到第一帧向量，根据所述第二帧的车道线类型，计算所述第二帧的车道线位置坐标及所述第二帧的位置坐标的向量，得到第二帧向量；
[0039]行车违法判定模块，用于根据所述第一帧向量及所述第二帧向量的方向，识别所述车辆在所述第一帧至所述第二帧内的行车结果。
[0040]为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：
[0041]至少一个处理器；以及，
[0042]与所述至少一个处理器通信连接的存储器；其中，
[0043]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够实现上述所述的基于行车视频的车辆违法检测方法。
[0044]为了解决上述问题，本专利技术还提供一种计算机可读存储介质，包括存储数据区本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于行车视频的车辆违法检测方法，其特征在于，所述方法包括：获取预设车辆的行车视频帧集，对所述行车视频帧集执行场景分割，得到车道线图片集，从所述车道线图片集中提取得到车道线结构数据，其中所述车道线结构数据包括车道线类型及车道线位置坐标；根据预先构建的车辆检测模型，对所述行车视频帧集执行车辆检测，得到车辆在不同视频帧下的位置坐标，其中，所述车辆在不同视频帧下的位置坐标包括第一帧的位置坐标及第二帧的位置坐标；从所述车道线结构数据中，提取第一帧的车道线类型及车道线位置坐标及第二帧的车道线类型及车道线位置坐标；根据所述第一帧的车道线类型，计算所述第一帧的车道线位置坐标及所述第一帧的位置坐标的向量，得到第一帧向量，根据所述第二帧的车道线类型，计算所述第二帧的车道线位置坐标及所述第二帧的位置坐标的向量，得到第二帧向量；根据所述第一帧向量及所述第二帧向量的方向，识别所述车辆在所述第一帧至所述第二帧内的行车结果。2.如权利要求1所述的基于行车视频的车辆违法检测方法，其特征在于，所述对所述行车视频帧集执行场景分割，得到车道线图片集，包括：接收用户在所述行车视频帧集中标记的车道线，得到车道线标签；利用预训练完成的场景分割网络对所述行车视频帧集中的每一帧行车视频执行卷积操作，得到视频特征集；以所述车道线标签为分割标准，从所述视频特征集中分割得到所述车道线图片集。3.如权利要求2所述的基于行车视频的车辆违法检测方法，其特征在于，所述从所述车道线结构数据中，提取第一帧的车道线类型，包括：查找所述第一帧在所述行车视频帧集的帧数编号及对应的行车视频帧；利用所述帧数编号从所述车道线结构数据中提取预校对车道线类型；利用所述场景分割网络，识别所述行车视频帧中的车道线识别类型；判断所述预校对车道线类型与所述车道线识别类型是否相同；若所述预校对车道线类型与所述车道线识别类型不相同，则对所述预校对车道线类型进行人工识别，得到所述第一帧的车道线类型；若所述预校对车道线类型与所述车道线识别类型相同，将所述预校对车道线类型作为所述第一帧的车道线类型。4.如权利要求1至3中任意一项所述的基于行车视频的车辆违法检测方法，其特征在于，所述根据预先构建的车辆检测模型，对所述行车视频帧集执行车辆检测之前，所述方法还包括：步骤A：获取车辆图片训练集及对应的车辆检测框标签集，通过所述检测模型的输入层接收所述车辆图片训练集；步骤B：利用所述检测模型的卷积层及池化层，提取所述车辆图片训练集的车辆特征，得到训练车辆特征集；步骤C：利用所述检测模型的输出层，预测所述训练车辆特征集的车辆预测检测框，得到车辆预测检测框集；
步骤D：根据预构建的误差函数，计算所述车辆检测框标签集与所述车辆预测检测框集的误差，若所述误差大于预设阈值误差，调整所述检测模型的内部参数，并返回步骤B；步骤E、若所述误差小于或等于所述预设阈值误差，得到构建完成的所述车辆检测模型。5.如权利要求4所述的基于行车视频的车辆违法检测方法，其特征在于，所述计算所述车辆检测框标签集与所述车辆预测检测框集的误差，包括：采用如下计算方法，计算得到所述车辆检测框标签集与...

【专利技术属性】
技术研发人员：沈赞，庄伯金，王少军，肖京，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：