本发明专利技术涉及人工智能技术，揭露了一种行车违法检测方法，包括：获取行车视频，利用预构建的目标检测模型，检测所述行车视频中的车辆得到车辆目标框集，计算所述车辆目标框集内目标框之间的重叠度，基于所述重叠度清理所述车辆目标框集，得到标准车辆目标框集，对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框，识别所述行车视频的车道线得到车道线识别框，计算所述行车轨迹框与所述车道线识别框的重叠度，根据所述重叠度的大小得到行车违法结果。本发明专利技术还涉及区块链技术，所述行车视频可存储于区块链节点中，本发明专利技术还提出一种行车违法检测装置、电子设备以及存储介质。本发明专利技术可以解决行车违法检测时实效性低且占用计算资源的问题。计算资源的问题。计算资源的问题。
【技术实现步骤摘要】
行车违法检测方法、装置、设备及计算机介质
[0001]本专利技术涉及人工智能
，尤其涉及一种行车违法检测方法、装置、电子设备及计算机可读存储介质。
技术介绍
[0002]随着行车记录仪的普及，许多交通违法行为可以在行车记录仪的视频中找到证据，越来越多的城市也鼓励市民上传行车记录仪中所记录的行车视频。
[0003]然而，目前多采用神经网络模型，仅对行车视频中的行车进行目标跟踪，通过预设时间的跟踪结果判断行车的违法行为，因此需要花费较长时间和计算资源跟踪行车，才能得到行车是否违法的结果，故缺乏一种实效性高且占用计算资源少的行车违法检测方法。
技术实现思路
[0004]本专利技术提供一种行车违法检测方法、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行车违法检测时实效性低且占用计算资源的问题。
[0005]为实现上述目的，本专利技术提供的一种行车违法检测方法，包括：
[0006]获取行车视频，利用预构建的目标检测模型，检测所述行车视频中的车辆，得到车辆目标框集；
[0007]计算所述车辆目标框集内目标框之间的重叠度，基于所述重叠度清理所述车辆目标框集，得到标准车辆目标框集；
[0008]对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框；
[0009]识别所述行车视频的车道线，得到车道线识别框；
[0010]计算所述行车轨迹框与所述车道线识别框的重叠度，根据所述重叠度的大小，得到行车违法结果。
[0011]可选地，所述识别所述行车视频的车道线，得到车道线识别框，包括：
[0012]提取出所述行车视频中的车道线特征集；
[0013]对所述车道线特征集内的车道线特征进行霍夫变换处理，得到霍夫变换车道特征集；
[0014]对所述霍夫变换车道特征集内的霍夫变换车道特征进行高斯变化，得到高斯变化车道特征集；
[0015]对所述高斯变化车道特征集内的高斯变化车道特征执行合并处理，得到所述车道线识别框。
[0016]可选地，所述对所述车道线特征集内的车道线特征进行霍夫变换处理，包括：
[0017]采用如下方法对所述车道线特征集内的车道线特征进行霍夫变换处理：
[0018]P
(x,y)
＝x*cosθ+y*sinθ
[0019]其中，P
(x,y)
表示所述车道霍夫变换特征集，x表示所述车道线特征集在x轴的值，y表示所述车道线特征集在y轴的值,θ为预设的车道线角度。
[0020]可选地，所述对所述霍夫变换车道特征集内的霍夫变换车道特征进行高斯变化，得到高斯变化车道特征集，包括：
[0021]根据所述霍夫变换车道特征集构建高斯函数；
[0022]根据所述高斯函数得到所述霍夫变换车道特征集的高斯分布；
[0023]从所述高斯分布中选择满足预设要求的霍夫变换车道特征，得到所述高斯变化车道特征集。
[0024]可选地，所述对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框，包括：
[0025]按照所述行车视频的播放时间，将所述标准车辆目标框集内的标准车辆目标框进行排序，得到排序车辆目标框集；
[0026]依次所述排序车辆目标框集内的排序车辆目标框首尾相连，得到所述行车轨迹框。
[0027]可选地，所述计算所述车辆目标框集内目标框之间的重叠度，包括：
[0028]利用如下方法计算所述车辆目标框集内目标框之间的重叠度：
[0029][0030]其中，IOU表述所述重叠度，A、B表示所述车辆目标框集内不相同的两个目标框。
[0031]可选地，所述利用预构建的目标检测模型，检测所述行车视频中的车辆，得到车辆目标框集，包括：
[0032]对所述行车视频执行分帧处理，得到分帧图像集；
[0033]利用所述目标检测模型的卷积核，提取所述分帧图像集的行车特征集；
[0034]激活所述行车特征集，得到所述车辆目标框集。
[0035]为了解决上述问题，本专利技术还提供一种行车违法检测装置，所述装置包括：
[0036]车辆目标框检测模块，用于获取行车视频，利用预构建的目标检测模型，检测所述行车视频中的车辆，得到车辆目标框集；
[0037]重叠度计算模块，用于计算所述车辆目标框集内目标框之间的重叠度，基于所述重叠度清理所述车辆目标框集，得到标准车辆目标框集；
[0038]车道线检测模块，用于对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框，识别所述行车视频的车道线，得到车道线识别框；
[0039]行车违法检测模块，用于计算所述行车轨迹框与所述车道线识别框的重叠度，根据所述重叠度的大小，得到行车违法结果。
[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]存储器，存储至少一个指令；及
[0042]处理器，执行所述存储器中存储的指令以实现上述中任意一项所述的行车违法检测方法。
[0043]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，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现上述中任意一项所述的行车违法检测方法。
[0044]本专利技术实施例先利用目标检测模型检测出行车视频中的车辆目标框集，并根据车
辆目标框集内目标框之间的重叠度，清理所述车辆目标框集后，得到行车轨迹框，同时识别所述行车视频的车道线，得到车道线识别框，通过对行车轨迹框与车道线识别框的重叠度判断，得到行车违法结果，相比于在预设时间段对行车进行跟踪来判断是否违法来说，本专利技术实施例是实时判断行车轨迹框与车道线识别框的重叠度，因此不需花费较长时间和计算资源跟踪行车，即可实时的根据重叠度直接计算出行车是否违法的结果。因此本专利技术提出的行车违法检测方法、装置及计算机可读存储介质，可以解决行车违法检测时实效性低且占用计算资源的问题。
附图说明
[0045]图1为本专利技术一实施例提供的行车违法检测方法的流程示意图；
[0046]图2为本专利技术一实施例提供的行车违法检测方法中S3的详细的流程示意图；
[0047]图3为本专利技术一实施例提供的行车违法检测方法中S4的详细的流程示意图；
[0048]图4为本专利技术一实施例提供的行车违法检测装置的模块示意图；
[0049]图5为本专利技术一实施例提供的实现行车违法检测方法的电子设备的内部结构示意图；
[0050]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0051]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0052]本申请实施例提供一种行车违法检测方法。所述行车违法检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种行车违法检测方法，其特征在于，所述方法包括：获取行车视频，利用预构建的目标检测模型，检测所述行车视频中的车辆，得到车辆目标框集；计算所述车辆目标框集内目标框之间的重叠度，基于所述重叠度清理所述车辆目标框集，得到标准车辆目标框集；对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框；识别所述行车视频的车道线，得到车道线识别框；计算所述行车轨迹框与所述车道线识别框的重叠度，根据所述重叠度的大小，得到行车违法结果。2.如权利要求1所述的行车违法检测方法，其特征在于，所述识别所述行车视频的车道线，得到车道线识别框，包括：提取出所述行车视频中的的特征，得到车道线特征集；对所述车道线特征集内的车道线特征进行霍夫变换处理，得到霍夫变换车道特征集；对所述霍夫变换车道特征集内的霍夫变换车道特征进行高斯变化，得到高斯变化车道特征集；对所述高斯变化车道特征集内的高斯变化车道特征执行合并处理，得到所述车道线识别框。3.如权利要求2所述的行车违法检测方法，其特征在于，所述对所述车道线特征集内的车道线特征进行霍夫变换处理，包括：采用如下方法对所述车道线特征集内的车道线特征进行霍夫变换处理：P
(x,y)
＝x*cosθ+y*sinθ其中，P
(x,y)
表示所述车道霍夫变换特征集，x表示所述车道线特征集在x轴的值，y表示所述车道线特征集在y轴的值,θ为预设的车道线角度。4.如权利要求3所述的行车违法检测方法，其特征在于，所述对所述霍夫变换车道特征集内的霍夫变换车道特征进行高斯变化，得到高斯变化车道特征集，包括：根据所述霍夫变换车道特征集构建高斯函数；根据所述高斯函数得到所述霍夫变换车道特征集的高斯分布；从所述高斯分布中选择满足预设要求的霍夫变换车道特征，得到所述高斯变化车道特征集。5.如权利要求1所述的行车违法检测方法，其特征在于，所述对所述标准车辆目标框集内的目标框执行合并处理，得到行车轨迹框，包括：按照所述行车视频...
【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：
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。