【技术实现步骤摘要】
一种车辆违章检测方法、装置、设备及计算机存储介质
本申请涉及计算机
，尤其涉及一种车辆违章检测方法、装置、设备及计算机存储介质。
技术介绍
车辆方便了人们的生活，但是道路上的车辆不断递增的情况下，随之而来的交通事故也不断增加，带来了极大的安全隐患，因此对车辆的违章监督变得更加重要。目前常通过在道路的固定位置安装摄像头，根据摄像头拍摄图像对大量的车辆行驶情况进行识别，进而判断车辆是否违章，但这种方式的实施需要将摄像头采集的每一帧图像上传到服务器，消耗流量多，且在服务器上耗费大量的计算能力集中识别各摄像头拍摄的所有车辆行驶情况，在这个过程中会降低车辆违章检测的效率，因此如何减少车辆违章检测过程中的流量消耗以及提升检测效率，是一个需要考虑的问题。
技术实现思路
本申请实施例提供一种车辆违章检测方法、装置、设备及计算机存储介质，用于提升车辆违章检测的效率。本申请第一方面，提供一种车辆违章检测方法，包括：通过安装在所述车辆上的车载图像采集设备获取所述车辆周边的目标区域图像；利用...
【技术保护点】
1.一种车辆违章检测方法，其特征在于，应用于安装在车辆上的车载设备中，所述车辆违章检测方法包括：/n获取所述车辆周边的目标区域图像，所述目标区域图像是通过安装在所述车辆上的车载图像采集得到的；/n利用已训练的轻量级卷积神经网络对所述目标区域图像进行图像识别，确定所述目标区域图像中的道路元素和车辆信息，所述轻量级卷积神经网络是利用进行了数据标注和数据增强后的图像样本数据训练得到的，所述数据标注包括标注道路元素和车辆信息；/n基于所述目标区域图像中的道路元素和车辆信息，确定所述目标区域图像存在满足违章条件的车辆时，通过移动通信网络向应用服务器发送违章报告信息，所述违章报告信息至...
【技术特征摘要】
1.一种车辆违章检测方法，其特征在于，应用于安装在车辆上的车载设备中，所述车辆违章检测方法包括：
获取所述车辆周边的目标区域图像，所述目标区域图像是通过安装在所述车辆上的车载图像采集得到的；
利用已训练的轻量级卷积神经网络对所述目标区域图像进行图像识别，确定所述目标区域图像中的道路元素和车辆信息，所述轻量级卷积神经网络是利用进行了数据标注和数据增强后的图像样本数据训练得到的，所述数据标注包括标注道路元素和车辆信息；
基于所述目标区域图像中的道路元素和车辆信息，确定所述目标区域图像存在满足违章条件的车辆时，通过移动通信网络向应用服务器发送违章报告信息，所述违章报告信息至少包括所述目标区域图像。
2.如权利要求1所述的方法，其特征在于，所述已训练的轻量级卷积神经网络包括设定数量的深度可分离卷积层；所述深度可分离卷积层包括depthwiseconvolution和逐点卷积pointwiseconvolution，且所述设定数量的深度可分离卷积层用于对所述目标区域图像进行多次卷积运算，得到所述目标区域图像中的道路元素和车辆信息。
3.如权利要求1所述的方法，其特征在于，通过如下方式获得所述已训练的轻量级卷积神经网络：
利用所述图像样本数据对基于深度学习创建的卷积神经网络进行训练，得到训练后的卷积神经网络；
确定所述训练后的卷积神经网络中各卷积核参数的损失影响度，剪去所述训练后的卷积神经网络中损失影响度小于影响度阈值的卷积核，得到所述已训练的轻量级卷积神经网络，其中所述损失影响度表征卷积核参数对所述训练后的卷积神经网络的损失函数的影响度。
4.如权利要求1所述的方法，其特征在于，通过如下方式获得所述已训练的轻量级卷积神经网络：
利用所述图像样本数据，对基于深度学习创建的卷积神经网络进行训练，得到训练后的卷积神经网络；
对所述训练后的卷积神经网络中各卷积核参数的浮点型参数值进行参数值量化处理，得到所述已训练的轻量级卷积神经网络。
5.如权利要求1-4任一项所述的方法，其特征在于，所述道路元素包括车道线、行人、交通信号灯、交通标志中的一个或多个，...
【专利技术属性】
技术研发人员：陈克凡，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。